Tesis de Mecatrónica

Permanent URI for this collection

https://hdl.handle.net/20.500.14414/898

Browse

Browsing Tesis de Mecatrónica by Subject "comportamiento dinámico de un quadcopter F450 utilizando redes neuronales artificiales"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Identificación no paramétrica del comportamiento dinámico de un quadcopter F450 utilizando redes neuronales artificiales
    (Universidad Nacional de Trujillo, 2023-04) Sifuentes Gonzales, Howard Edison; Manzano Ramos, Edgar Andre
    El presente trabajo de investigación se desarrolló con el objetivo de realizar una identificación no paramétrica de la dinámica no lineal de un quadcopter utilizando redes neuronales artificiales, dicha red neuronal representó un modelo no lineal de la aeronave. El quadcopter utilizado estuvo basado en el frame comercial F450, propulsado con 4 motores brushless DC y controlado por la placa de desarrollo de hardware Arduino. En la ejecución de este trabajo se realizaron sesiones experimentales sobre un test bench en un ambiente controlado para adquirir datos de los ángulos de actitud del quadcopter medidos a través de una IMU (Inertial Measurement Unit), y también datos de los ciclos de trabajo de las señales PWM de entrada a las 4 unidades de propulsión eléctrica de la aeronave. Se realizó una verificación de correspondencia no lineal entre los datos de entrada y salida del sistema dinámico. Con estos datos se entrenó un modelo neuronal previamente seleccionado que debía capturar el comportamiento dinámico del quadcopter F450. Finalmente se validó el modelo neuronal entrenado mediante el análisis de la respuesta en el tiempo de los ángulos de actitud reales del quadcopter frente a los ángulos de actitud predichos por el modelo neuronal, también se obtuvieron valores cuantitativos como: el error medio cuadrático (MSE), la raíz del error medio cuadrático (RMSE), el porcentaje RMSE, el porcentaje de ajuste de la señal, y una validación estadística de correlación cruzada. Así también, se realizó una validación cruzada con un conjunto de datos ajenos a los utilizado para el entrenamiento del modelo neuronal.