IDENTIFICACIÓN NO PARAMÉTRICA DE UN BRAZO ROBÓTICO DE 2 GDL UTILIZANDO REDES NEURONALES RBF

• Autores: Blas Marquina, Miuler Junior, Flores Ramírez Jose, Carlos Junior, Mejías Sandoval, Adrian Humberto, Terrones Escobedo, Angel Omar, Alva Alcántara, Josmell Henry
• Formato: artículo
• Fecha de Publicación: 2021
• Institución: Universidad Nacional del Altiplano
• Repositorio: Revistas - Universidad Nacional de Altiplano
• Lenguaje: español
• OAI Identifier: oai:revistas.unap.edu.pe/epg:article/3501
• Enlace del recurso: https://revistas.unap.edu.pe/epg/index.php/investigaciones/article/view/3501
• Nivel de acceso: acceso abierto
• Materia: Brazo robótico, identificación no-paramétrica, redes neuronales, redes neuronales, sistemas no lineales.

En este trabajo se presenta un método para determinar un modelo del sistema dinámico de un manipulador planar de 2 GDL, utilizando redes neuronales Radial Basis Function. Obtener un modelo del robot manipulador analíticamente es complicado, debido a los efectos de fricción, inercia de los actuadores, desgastes, etc, siendo este, además, un sistema no lineal y variante en el tiempo. Lo que se propone es entrenar una red neuronal RBF para que esta represente el comportamiento dinámico de un manipulador robótico de 2 GDL. La elección de esta red es debido a que gozan de características en el modelado de sistemas dinámicos como la capacidad de aproximar funciones no lineales con precisión, y la posibilidad de permitir diseño de controladores utilizando diversas metodologías. La obtención del modelo se basa en la identificación, para lo cual será preciso implementar un prototipo del robot a identificar, realizar el modelo cinemático del robot que nos permita obtener datos de salida para el algoritmo de identificación no paramétrica por redes neuronales. Después, se deben tener los datos de entrada, voltaje de actuadores, y posición como salida para la red neuronal, luego realizar un preprocesamiento, normalizando los datos y poder dividir estos para entrenamiento, validación y prueba. Se tienen que definir los parámetros internos de la red neuronal, número de capas, neuronas por cada capa, tipo de aprendizaje, y criterios de parada del algoritmo. En los experimentos, se alcanzó un error cuadrático medio de 7.45 con 500 neuronas en la capa oculta.