Documente Academic
Documente Profesional
Documente Cultură
0
Robótica Avanzada
Estudiantes:
Néstor Vanegas Rodríguez
Luis Fernando Arbeláez
Victor Manuel Jimenez Medina
Tutor:
Mario Ricardo Arbulu
Grupo:
299012_4
Objetivo general
Objetivos específicos
Problema
Estructura
Sistema Articulado o de Revoluta, el cual se representa en la siguiente grafica 1
Su configuración es similar a un brazo humano, por tal motivo es perfecto para manipular
elementos realizando movimientos rotacionales y lineales. Este sistema permite acceder
a espacios confinados de trabajo, en este caso la caja que tiene las partes del celular.
• Volumen de Trabajo
Formulación de Lagrange
𝑑 𝜕ℒ 𝜕ℒ
𝜏= −
𝑑𝑡 𝜕𝜃̇ 𝜕𝜃
Dónde:
Para m1
𝑥1 𝐿 𝑐𝑜𝑠 𝜃1
[𝑧 ] = [ 1 ]
1 𝐿1 𝑠𝑒𝑛 𝜃1
Para m2
𝑥2 𝐿 cos 𝜃2
[𝑦 ] = [ 2 ]
2 𝐿2 sen 𝜃2
Para m3
𝑥3 𝐿 𝑐𝑜𝑠 𝜃2 + 𝐿3 cos(𝜃2 + 𝜃3 )
[𝑦 ] = [ 2 ]
3 𝐿2 𝑠𝑒𝑛 𝜃1 + 𝐿3 sen(𝜃2 + 𝜃3 )
Tomar la derivada para obtener la velocidad de cada una de las posiciones
Para m1
𝑥̇ −𝐿 𝑠𝑒𝑛 𝜃1 𝜃1̇
[ 1] = [ 1 ]
𝑧̇1 𝐿1 𝑐𝑜𝑠 𝜃1 𝜃1̇
Para m2
𝑥̇ −𝐿 𝑠𝑒𝑛 𝜃2 𝜃2̇
[ 2] = [ 2 ]
𝑦̇ 2 𝐿2 𝑐𝑜𝑠 𝜃2 𝜃2̇
Para m3
Energía cinética
Eslabón 1
1
𝐾1 = 𝑚1 𝑣12
2
1
𝐾1 = 𝑚1 (𝑥̇ 12 + 𝑧̇12 )
2
2
(−𝐿1 𝑠𝑒𝑛 𝜃1 )2 + (𝐿1 𝑐𝑜𝑠 𝜃1 )2 ∗ (𝜃1̇ )
2
𝐿21 𝑠𝑒𝑛2 𝜃1 + 𝐿21 𝑐𝑜𝑠 2 𝜃1 ∗ (𝜃1̇ )
2
𝐿21 (𝑠𝑒𝑛2 𝜃1 + 𝑐𝑜𝑠 2 𝜃1 ) ∗ (𝜃1̇ )
𝑠𝑒𝑛2 𝜃1 + 𝑐𝑜𝑠 2 𝜃1 = 1
Luego entonces
𝟏
𝑲𝟏 = 𝒎 (𝑳𝟐 𝜽̇𝟐 )
𝟐 𝟏 𝟏 𝟏
Eslabón 2
1
𝐾2 = 𝑚2 𝑣22
2
1
𝐾2 = 𝑚2 (𝑥̇ 22 + 𝑦̇ 22 )
2
Al igual que antes
𝟏
𝑲𝟐 = 𝒎 (𝑳𝟐 𝜽̇𝟐 )
𝟐 𝟐 𝟐 𝟐
Eslabón 3
1
𝐾3 = 𝑚3 𝑣32
2
𝟏
𝑲𝟑 = 𝒎𝟑 (𝒙̇ 𝟐𝟑 + 𝒚̇ 𝟐𝟑 )
𝟐
2
(−𝐿2 𝑠𝑒𝑛 𝜃2 − 𝐿3 sen(𝜃2 + 𝜃3 ) − 𝐿3 sen(𝜃2 + 𝜃3 ) 𝜃2̇ )
2
+ (𝐿2 𝑐𝑜𝑠 𝜃2 + 𝐿3 cos(𝜃2 + 𝜃3 ) + 𝐿3 cos(𝜃2 + 𝜃3 ) 𝜃̇3 )
𝟏
𝑲𝟑 = 𝒎 [(𝑳𝟐 + 𝟐𝑳𝟐 𝑳𝟑 𝐜𝐨𝐬 𝜽𝟑 + 𝑳𝟐𝟑 )𝜽̇𝟐𝟐 + 𝟐(𝑳𝟐𝟑 + 𝑳𝟐 𝑳𝟑 𝐜𝐨𝐬 𝜽𝟑 )𝜽̇𝟐 𝜽̇𝟑 + 𝑳𝟐𝟐 𝜽𝟐𝟑 ]
𝟐 𝟑 𝟐
Para calcular la energía potencial de cada una de las masas cabe aclara que esta depende
solo de la componente altura en la coordenada Y, por lo tanto se tiene:
Ahora se calcula en lagrangiano como la suma de las energías cinetecas menos las
potenciales, esto expresado en los torques de cada articulación y en términos de
derivadas del lagrangiano
𝑑 𝜕ℒ 𝜕ℒ
𝜏𝑖 = − , 𝑖 = 1,3
𝑑𝑡 𝜕𝜃𝑖̇ 𝜕𝜃𝑖
𝑑 𝜕ℒ 𝜕ℒ
𝜏3 = −
𝑑𝑡 𝜕𝜃3̇ 𝜕𝜃3
Tomando la derivada parcial del componente analizado con respecto a la velocidad se
obtiene:
𝑑
𝜏3 = (𝑚 𝐿 𝐿 𝐿 𝜃̇ 𝜃̇ cos 𝜃3 )
𝑑𝑡 3 1 2 3 1 2
𝜏1 = (𝑚1 𝐿21 + 𝑚2 (𝐿21 + 2𝐿1 𝐿2 cos 𝜃2 + 𝐿22 ))𝜃̈1 + 𝑚2 (𝐿1 𝐿2 cos 𝜃2 + 𝐿22 )𝜃̈2 −
𝑚2 𝐿1 𝐿2 sen 𝜃2 (2𝜃̇1 𝜃̇2 + 𝜃̇22 ) + (𝑚1 + 𝑚2 )𝐿1 𝑔 cos 𝜃1 + 𝑚2 𝑔𝐿2 cos(𝜃1 + 𝜃2 )
𝜏2 = 𝑚2 (𝐿1 𝐿2 cos 𝜃2 + 𝐿22 )𝜃̈1 − 𝑚2 𝐿22 𝜃̈2 + 𝑚2 𝐿1 𝐿2 𝜃̇12 sen 𝜃2 + 𝑚2 𝑔𝐿2 𝑐𝑜𝑠(𝜃1 + 𝜃2 )
∑ 𝑓𝑖 = 𝑚𝑦̈
𝑖
𝑓 − 𝑚𝑔 = 𝑚𝑦̈
𝑚𝑦̈ + 𝑚𝑔 = 𝑓
Condiciones iniciales
𝜃1 (0) = 𝜃2 (0) = 𝜃3 (0) = 0 𝑟𝑎𝑑
Los vectores de posición en el origen del eslabón 𝑖 + 1 desde su centro de masa del
eslabón 𝑖.
𝑇
1 1
[𝑑1 ]1 = [ 𝑎1 cos (𝜃1 ) 𝑎 sen(𝜃1 ) 0]
2 2 1
𝑇
1 1
[𝑑2 ]2 = [ 𝑎2 cos (𝜃2 ) 𝑎 sen(𝜃2 ) 0]
2 2 2
𝑇
1 1
[𝑑3 ]3 = [ 𝑎3 cos (𝜃3 ) 𝑎 sen(𝜃3 ) 0]
2 2 3
𝑎1 𝑇
[𝑑1 ]2 = [ 0 0]
2
𝑎2 𝑇
[𝑑2 ]3 = [ 0 0]
2
𝑎3 𝑇
[𝑑3 ]4 = [ 0 0]
2
Cada eslabón 𝑖
𝑚1 𝑎12 0 0 0
𝐼2 = |0 1 0|
12
0 0 1
𝑚2 𝑎22 0 0 0
𝐼3 = |0 1 0|
12
0 0 1
𝑚3 𝑎32 0 0 0
𝐼4 = |0 1 0|
12
0 0 1
Las velocidades
0
[𝜔1 ]1 = [0]
𝜃̇
0
[𝜔̇ 1 ]1 = [0]
𝜃̈
𝑎1 −𝑠𝑒𝑛𝜃1
[𝑐̇1 ]1 = 𝜃̇1 [ 𝑐𝑜𝑠𝜃1 ]
2
0
𝑎1 −𝑠𝑒𝑛𝜃1 𝑎 𝑐𝑜𝑠𝜃1
2 1
[𝑐̈1 ]1 = 𝜃̈1 ̇
[ 𝑐𝑜𝑠𝜃1 ] − 𝜃1 [𝑠𝑒𝑛𝜃1 ]
2 2
0 0
[𝑔]1 = [0 −𝑔 0]𝑇
Velocidades y aceleraciones del eslabón 2, es necesario sustituir las velocidades y
aceleraciones del eslabón 1.
Eslabón 1
0
[𝜔2 ]2 = [ 0 ]
𝜃̇1 + 𝜃̇2
0
[𝜔̇ 2 ]2 = [ 0 ]
𝜃1̈ + 𝜃2̈
𝑎2
− 𝑠𝑒𝑛𝜃2 (𝜃̇1 + 𝜃̇2 )
2
[𝑐̇2 ]2 = 𝑎2
𝑎1 𝜃̇1 + 𝑐𝑜𝑠𝜃2 (𝜃̇1 + 𝜃̇2 )
2
[ 0 ]
𝑎2 𝑎2
−𝑎1 𝜃̇12 − 𝑠𝑒𝑛𝜃2 (𝜃1̈ + 𝜃2̈ ) − 𝑐𝑜𝑠𝜃2 (𝜃̇1 + 𝜃̇2 )2
2 2
[𝑐̈2 ]2 = 𝑎2 𝑎2
𝑎1 𝜃̈1 + 𝑐𝑜𝑠𝜃2 (𝜃1̈ + 𝜃2̈ ) − 𝑠𝑒𝑛𝜃2 (𝜃̇1 + 𝜃̇2 )2
2 2
[ 0 ]
Aceleración
[𝑔]2 = 𝑄1𝑇 [𝑔]1 = [−𝑔𝑠𝑒𝑛𝜃1 −𝑔𝑐𝑜𝑠𝜃1 0]𝑇
𝑑𝑐𝑖̇
[𝑓𝑖 ]𝑖 = 𝑚𝑖 [ ] = 𝑚[𝑐̈𝑖 ]𝑖
𝑑𝑡 𝑖
Para la solución de forma recursiva se parte del eslabón final cuyo momento y fuerza
[𝑓𝑖−1,𝑖 ]𝑖 y [𝑛𝑖−1,𝑖 ]𝑖 representan el momento y la fuerza externa aplicadas por el eslabón
final hacia el medio.
Lo que significa que se parte del eslabón 3, eslabón 2 y luego se finaliza en el eslabón 1,
partiendo que no existen fuerzas externas aplicadas, se obtiene.
[𝑓4,3 ]3 = [𝑛4,3 ]3 = 0
Reemplazando se obtiene.
[𝑓3,4 ]4 = [𝑛3,4 ]4 = 0
Fig. 7 Simulación 2
Fig. 8 Simulación 3
Codigo en Matlab
Fig. 9 Simulación 4
Código en Matlab
Fig. 10 Simulación 5
Fig. 11 Simulación 6
Una vez desarrollados los pasos anteriores de la asignatura robótica avanzada en donde
se trataron los temas de la cinemática del robot y el modelamiento dinámico, todo en
relación con el robot de tres grados de libertad, surge para esta fase la integración de
inteligencia artificial e industria 4.0, esto teniendo en cuenta que esta es la tendencia que
surge para que numerosas compañías disminuyan los tiempos, reduzcan costos,
disminuyan riesgos y descubran nuevas oportunidades para capacitar sus grupos de
trabajo y se tomen decisiones en tiempo real, por lo tanto este tema es de relevancia al
no tratarse solamente de algo pasajero sino que más bien es la revolución que la
evolución reclama.
En este contexto él IBA (2017) afirma “El nombre detrás de la idea de AI es John
McCarthy, quien comenzó la investigación sobre el tema en 1955 y asumió que cada
aspecto del aprendizaje y otros dominios de la inteligencia puede describirse con tanta
precisión que pueden simularse con una máquina”.
En otras palabras, se pude definir la inteligencia artificial como un trabajo realizado por
los humanos que busca desarrollar una inteligencia para que sistemas computarizados
(maquinas) puedan desarrollar labores y que estas al cometer errores puedan ser capaces
de aprender de ellos y en base a ello aprender a corregirlos por sí mismos y no volver a
fallar en la actividad plantada.
Ya desde el punto de vista técnico la inteligencia artificial puede definirse como una
tecnología la cual es inevitable y que busca que las maquinas realicen tareas al igual que
los humanos con la característica que tenemos de aprender de las experiencias, claro este
que este tema se toma como una amenaza debido a la desinformación que se tiene del
tema y a la visión global que el cine ha dado de él mostrando historias de revoluciones de
robots y mundos totalmente automatizados.
Visión Artificial
La visión artificial, es un subcampo de la inteligencia artificial. El propósito de la visión
artificial es programar un computador para que "entienda" una escena o las características
de una imagen.
Esquema de las relaciones entre la visión por computadora y otras áreas afines.
Los objetivos típicos de la visión artificial incluyen:
-La detección, segmentación, localización y reconocimiento de ciertos objetos en
imágenes (por ejemplo, caras humanas).
-La evaluación de los resultados (por ejemplo, segmentación, registro).
-Registro de diferentes imágenes de una misma escena u objeto, es decir, hacer concordar
un mismo objeto en diversas imágenes.
-Seguimiento de un objeto en una secuencia de imágenes.
-Mapeo de una escena para generar un modelo tridimensional de la escena; este modelo
podría ser usado por un robot para navegar por la escena.
-Estimación de las posturas tridimensionales de humanos.
-Búsqueda de imágenes digitales por su contenido.
Estos objetivos se consiguen por medio de reconocimiento de patrones, aprendizaje
estadístico, geometría de proyección, procesamiento de imágenes, teoría de grafos y otros
campos. La visión artificial cognitiva está muy relacionada con la psicología cognitiva y
la computación biológica.
Una vez establecido el tipo de inteligencia a utilizar, se procede a implementar.
Se debe realizar de manera manual la configuración del robot estableciendo
coordenadas donde se recogen y dejan los remaches.
Red neuronal
Aprendizaje Aprendizaje
automático profundo
INTELIGENICA
ARTIFICIAL
Procesamient
Visión por
o natural del
computador
lenguaje
Computación
cognitiva
Una vez definido el tema de inteligencia artificial desde el punto de vista genérico, es
momento de definir como se implantarían estos desarrollos al sistema robotizado del
montaje de los remaches y el transporte de las compuertas de avión, para tal fin se muestra
la ilustración 4 en donde se sintetiza la información del requerimiento para posterior a
esto definir las mejoras que se pueden implementar:
Robot 3 Operarios Robot 5
GDL GDL
Posicionar Ubicacion
Montaje
espacialmente zona montaje
manual de
remachas hacia avion
remaches
zona de montaje
Estas mejoras estarán asociadas a las tecnologías que se hará necesario implementar y en
algunos casos serán las herramientas para tomar datos que servirán para analizarlos y
tomar decisiones de progreso.
ANFIS
Redes neuronales + lógica difusa para el procesamiento de imágenes
PSO
Optimización por enjambre de partículas algoritmo para la optimización
comunicacion ANN
inhalambica para
Redes neuronales artificiales para predecir conductas repetitivas
los robots
FUZZY LOGIC
Lógica difusa basada en teoría de conjuntos para representar información
ambigua
GA
Algoritmo genético- resuelve problemas tomando la solución de un listado previo
programado
F(x)=Señal de entrada
F (y)= Señal de salida
G (t)=Señal de control
Lo anterior mostrado es el esquema de entradas y salidas del sistema ahora lo que hay
que hacer es colocarlo en una red neuronal y se prepara el sistema para que cumpla con
lo requerido por el robot de 3gdl
(* = (k + (( = (k + Ak ( u - u’ )
A* = Ak + ( (( - Ak (u ) (u / || (u ||
Ai = Ai + c’hk’ (y) (Ai* - Ak (t)) donde c’ es una constante que determina la velocidad
de aprendizaje y h’ ( ) es también aquí una función gaussiana centrada en k, utilizada
para modular los pasos de aprendizaje en función de la distancia a la neurona activa k.
La amplia experimentación llevada a cabo por los distintos autores (es decir nosotros)
muestra que la red se auto-organiza, constituyendo una representación adecuada del
espacio de trabajo, en aproximadamente 30.000 iteraciones del ciclo de entrenamiento.
Este resultado muestra la gran capacidad de aprendizaje de este esquema, puesto que las
condiciones de operación a las que se ha sometido la red son las peores imaginables:
completo desconocimiento del robot, inicialización aleatoria de los parámetros y
muestreo aleatorio del espacio de trabajo durante el entrenamiento.
El robot utilizado tiene tres grados de libertad y la red neuronal está formada solo por 3
neuronas (una por articulación) cuyas entradas son 13 funciones no-lineales de las
velocidades y aceleraciones de las articulaciones. Así pues, 39 pesos son repetidamente
modificados utilizando una regla de corrección de errores similar a la regla LMS.
El proceso de entrenamiento es: se proporciona la trayectoria deseada tanto a la red
neuronal como al controlador de ganancia fija y la suma de sus respuestas se usa como
consigna para gobernar el robot.
En este modelo no se generan pares de entrada-salida, sino que usan la salida del
controlador de ganancia fija (que, de algún modo mide la desviación del estado actual
respecto del deseado en términos de la señal de control necesaria para que el primero se
aproxime al segundo) directamente como señal de error. Esto tiene la ventaja de ser
directamente accesible en el bucle de control, obviándose así la necesidad de terminar el
estado actual del robot. Si se considera este error como una medida cualitativa en lugar
de cuantitativa, entonces se convierte en una especie de refuerzo y este esquema puede
pensarse como aprendizaje basado en una señal de refuerzo
Después de entrenar 300 veces al robot a seguir una trayectoria de 6 segundos de
duración, el par medio realimentado decrece dos órdenes de magnitud, demostrando que
la red neuronal ha tomado el control en detrimento del controlador de ganancia fija.
ROBOT DE 5 GRADOS DE LIBERTAD
En este modelado se va a aplicar el sistema neuronal con base a la dinámica inversa,
aunque cabe recalcar que esta se uso más para el moldeamiento del robot de 3 grados de
libertad para determinar sus movimientos articulares
DINAMICA INVERSA
Como en el taller anterior se mostraron matrices para poder determinar las fuerzas y pares
que necesitamos en la variable de salida del robot de 5gdl se le aplica a las articulaciones
para el seguimiento de la trayectoria. A este robot le vamos a colocar un sistema
adaptativo inicialmente y para ir adaptando a el robot para que cumpla con la salida que
necesitamos coloco una red neuronal que genere en él un aprendizaje de dinámica inversa
permitiéndome una reducción de errores en cero lo que quiero decir es que uso modelos
de Redes Neuronales, para el aprendizaje de la dinámica inversa bien directamente o a
través del error proporcionado por un controlador convencional de ganancia fija.
Conviene destacar que el caso dinámico difiere de la cinemática en que, para generar los
pares de E/S, se precisa algún tipo de controlador que guíe al robot desde el principio. A
medida que progresa el aprendizaje de la función dinámica inversa, la salida de la red
neuronal que aplico en mi sistema deviene más precisa y el efecto del controlador tiende
progresivamente a cero.
Para esto también es bueno hacer aplicación de lo siguiente
RED CMAC
Controlador cerebral del modelo de articulación
Lo aplico ya que este puede combinarme el minimizado de errores LMS y las tablas de
la red neuronal y me es más útil aplicarlo al robot de 5gdl por esta razón; Aquí el CMAC
se utiliza para representar el espacio de estados de forma compacta y localizada (tal como
los mapas auto-organizativos de Mojonen se utilizaban para modelar el espacio de trabajo
del robot) y, mediante el procedimiento de corrección de errores, los pesos sinápticos se
modifican proporcionalmente al la diferencia entre la salida deseada y la obtenida
mediante la red (mientras que la regla LMS se utilizaba para estimar la salida deseada en
caso cinemática).
La tarea consiste en enseñar a un robot a seguir una determinada trayectoria. Para ello, se
muestran puntos sucesivos de la trayectoria tanto a la red neuronal como al controlador
de ganancia fija y se usa la suma de sus respuestas como consigna para guiar el robot.
Después de cada ciclo, la consigna junto con el estado del robot se utiliza como par de
entrada-salida para entrenar la red neuronal, siguiendo el esquema de modelización
inversa directa.
A medida que progresa el aprendizaje, la red CMAC aproxima la función dinámica
inversa, de modo que la diferencia entre el estado actual y deseado tiende a cero y, por
consiguiente, la red neuronal toma el control que antes tenía el controlador de ganancia
fija.
La red converge a un error pequeño (entre 1 y 2 unidades de los codificadores de posición)
en 10 intentos, suponiendo que se utilicen un número suficiente de pesos. Puesto que el
modelo CMAC se basa en el acceso a tablas, los resultados demuestran una gran
dependencia respecto del número de pesos utilizados.
Esas vendrían siendo las formas tanto conceptuales y matemáticas donde vendría
aplicando inteligencia artificial a los robots del taller que tengo en la compañía. La
tecnología más optima que me permita brindarle a los robots es la tecnología ANFIS
ANFIS
decís´
Os ANFIS, es un tipo de red neuronal cuyas neuronas tienen incorporados el sistema de
En borro-
aSifallos,
de Takagi-Sugeno
distribuido, [9]. Integra las redes neuronales, o sea que es adaptativo, tolerante
Aprende por la experiencia y con capacidad de generalización´
En; con los principios de l´
Lógica difusa, heredan-
do su sistema de
aprovechando as´inferencia correspondiente al conjunto de reglas difusas IF-THEN, y
L o s
benecitos
de aproximar
de ambos.
fun- Las neuronas han de aprender las reglas para adquirir la capacidad
ciones no lineales, utilizando F-Transformaciones, pudi´
endose ver en [4] todas las caracter´
ısticas deseables
que este tipo de funciones posee.
os ANFIS, es un tipo de red neuronal cuyas neuronas tienen incorporados el sistema de
decisi´
on borro-
asafallos,
de Takagi-Sugeno
distribuido, [9]. Integra las redes neuronales, o sea que es adaptativo, tolerante
aprende por la experiencia y con capacidad de generalizaci´
on; con los principios de l´
ogica difusa, heredan-
do su sistema de
aprovechando as´inferencia correspondiente al conjunto de reglas difusas IF-THEN, y
ı los
beneficios
de de ambos.
aproximar fun- Las neuronas han de aprender las reglas para adquirir la capacidad
ciones no lineales, utilizando F-Transformaciones, pudi´
endose ver en [4] todas las caracter´
ısticas deseables
que este tipo de funciones posee.
El modelo ANFIS (Adaptive Network- based in Fuzzy Inference Systems) fue
desarrollado por J.R. Jang en 1993 [2]. Las capacidades adaptativas de las redes ANFIS
las hacen directamente aplicables a una gran cantidad de áreas como control adaptativo,
procesamiento y filtrado de señales y series de tiempo, clasificación de datos y extracción
de características a partir de ejemplos. Una propiedad interesante del modelo es que el
conjunto de parámetros puede descomponerse para utilizar una regla de aprendizaje.
Para crear modelos ANFIS se pueden utilizar reglas difusas generadas por medio de dos
metodologías: una es de manera automática, con la cual se generan reglas de tipo Takagi-
Sugeno; la otra es con el algoritmo Wang - Mendel, con el que se construyen reglas de
tipo Mandani. Sin embargo, esta última genera un error de pronóstico muy alto [3],lo que
hace a la primera metodología más recomendable para esta investigación.
Las reglas difusas del tipo Takagi-Sugeno utilizadas en el modelo ANFIS se representan
de la siguiente forma [4]:
Es decir que es mas optimo el modelo ANFIS puesto que por su lógica difusa permite
tomar las desciciones mas rápido con base a la detección del error y por que los
movimientos de los 2 robots de 3gdl y 5gdl son repetitivos
INDUSTRIA
4.0
INTELIGENGIA
SENSORICA
ARTIFICIAL
Realidad
virtual
Fabricacion
Ciber security por
adiccion
Integracion Internet de
universal las cosas
INDUSTRIA
4.0
Robots
Big data
autonomos
Simulacion Computacion
avanzada en la nube
❖ Tratamiento de datos
❖ Compilación en la nube
❖ Internet de las cosas
❖ Robots autónomos (inteligencia artificial)
❖ Ciberseguridad
❖ Integración universal
flujograma de implementación.
FLUJOGRAMA ACTIVIDAD RESPONSABLE
1.Investigación de mercados y Gerencia general, área
búsqueda de empresas que se comercial, departamento
dediquen a la implementación ingeniería. Especialista
de industria 4.0 industria 4.0 externo
Gerencia general, área
2. Estudio de diferentes
comercial, departamento
opciones, tomar la más
ingeniería, producción y
adecuada
mantenimiento
3. Compra de tecnologías, aquí
es necesario comprar paquetes
tecnológicos completos que Área comercial, tesorería,
incluyan planos, manuales revisor fiscal
diagramas y por su puesto
servicio técnico adecuado.
4. sensibilización al personal, Talento humano, área
capacitación técnica, inclusión técnica
5 consecución de un buen
proveedor de servicios de
Coordinador de red, área
internet, tomando muy en serio
comercial
la ciberseguridad desde un
punto de software y hardware
Gerencia general
Departamento de
6. adquisición de equipos e ingeniería, producción,
instalación de los mismos mantenimiento, equipo
técnico de especialistas
industria 4.0.
Departamento ingeniería,
Coordinador de red
7. puesta en funcionamiento
producción y
mantenimiento
7.1 captar de datos a través de
sensores, actualizar de PLCs, Departamento ingeniería,
vincular equipos periféricos a Coordinador de red
internet de las cosas, trasmitir producción y
datos por medio de tecnologías mantenimiento
inalámbricas 4G, 5G
Coordinador de red,
7.2 almacenar datos en
equipo técnico de
servidores remotos por medio
especialistas industria
de cloud computing
4.0.profesional
7.2 analizar los datos obtenidos Coordinador de red,
mediante modelos de equipo técnico de
tratamiento de datos por medio especialistas industria
de la estadística y/o algoritmos 4.0.profesional
de inteligencia artificial
(algoritmo genético)
7.3 transformación de datos en
Coordinador de red,
información útil mediante
equipo técnico de
interfaces y software de
especialistas industria
visualización de datos. (fuzzy
4.0.profesional
logic)
7.4 por medio de resultados de Coordinador de red,
datos detectar errores de equipo técnico de
fabricación de las compuertas especialistas industria
o fallos en los robots. 4.0.profesional
8. presentar resultados a la
jefes de área de toda la
gerencia y tomar medidas de
línea de montaje
mejora de ser necesario
Gerencia general
Departamento de
9, realimentar al personal.
ingeniería, producción,
Continuar con la capacitación
mantenimiento, equipo
de los mismos
técnico de especialistas
industria 4.0.
Conclusiones
Finalmente se logra el desarrollo de cada uno del punto de la guía de actividades, donde se cumple
con los requerimientos de la guía de actividades, se retoma los cálculos realizados en el trabajo
anterior para aplicarlos en el desarrollo del presente trabajo donde se logra establecer los
parámetros con respecto a formulación de Larrague y de Newton-Euler, finalmente se presenta las
simulaciones realizadas por medio del software de Matlab.
La implementación de inteligencia artificial sin duda es un reto que fortalecería el montaje de las
compuertas del avión, al disminuir los tiempos de montaje y corregir los procedimientos o
trayectorias de posición de los remaches, también se podría tomar como base del proceso el trabajo
conjunto entre un robot y un operario para el montaje de los remaches.
Aunque tenga detractores la industria 4.0 y en general la implementación de inteligencia artificial
o robótica avanzada; estos temas que deben ser tomados como fortalezas más que amenazas, y
para que sea como este último, los seres humanos nos vamos a ver obligados a capacitarnos en
mayores temas de tecnologías del a información para estar a la vanguardia de lo que el desarrollo
de la tecnología exige.
La industria 4.0 es una realidad que ya está en marcha en las principales economías del mundo,
para nuestro y sus industrias deberá ser fundamental la capacitación y la asesoría de expertos en
este tema. Las mejoras visibles para el personal están enfocado en que las maquinas harán tareas
rutinarias y riesgosas mientras que localidad de vida debería mejorar e incentivar la creación y la
curiosidad.
Bibliografía
Barrientos, Antonio, Peñín, Luis Felipe, and Balaguer, Carlos. (2007). Fundamentos de robótica
(2a. ed.), p.p 215-237. Recuperado
de:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=10566097&p0
0=fundamentos+de+robotica
Kumar Saha, Subir. (2000). Introducción a la robótica, p.p 163-204. Recuperado
de:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=10515179&p0
0=introduccion+a+la+robotica
Arnaez, E. (2015). Enfoque práctico de la teoría de robots: con aplicaciones de Matlab, p.p 59-
75. Recuperado
de: http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/detail.action?docID=11127145&p
00=enfoque+practico+a+la+teoria+de+robots
Arbulú, M. (2019). OVI Unidad 2 - Dinámica Inversa de Robots Manipuladores. Recuperado
de:http://hdl.handle.net/10596/23322
Wagner, M. (2017).OVI Unidad 2 – Modelo dinámico de un robot manipulador. UNAD.
Recuperado de:http://hdl.handle.net/10596/12453
Cms (2018). Artificial intelligence and robotics and their impact on the workplace. What is
artificial intelligence?. Recuperado de: https://cms.law/en/DEU/News-
Information/Artificial-Intelligence-and-Robotics-and-Their-Impact-on-the-Workplace
Innoplcxus. (2018). how does intelligence artificial work?. Basic components of artificial
intelligence. Recuperado de: https://www.innoplexus.com/blog/how-artificial-intelligence-
works/
Alsamhi. H (2017). Artificial Intelligence-Based Techniques for Emerging Robotics
Communication: A Survey and Future Perspectives. Recuperate de:
https://arxiv.org/ftp/arxiv/papers/1804/1804.09671.pdf
Nemer. A. (2015). introduccion a los anfis-l. Las redes neuronales artificiales con lógicas
difusas. Una introducción a este campo de la inteligencia. Recuperado de:
https://www.researchgate.net/publication/236862181_INTRODUCCION_A_LOS_ANFIS
-L
Caparrini F (2019). PSO. Optimización por enjambres de partículas. Técnica utilizada en la
implementación de inteligencia artificial. Recuperado de:
http://www.cs.us.es/~fsancho/?e=70
Palmer. A (2017). ¿Qué son las redes neuronales artificiales? Aplicaciones realizadas en el
ámbito de las adicciones. Redes naturales. Resumen. Recuperado de:
http://disi.unal.edu.co/~lctorress/RedNeu/LiRna001.pdf
Tedx talk (2019). Industria 4.0: una revolución para las personas. Beatriz Gonzalez
.TEDxUDeusto. Paradigmas que enfrenta su implementación. Recuperado de:
https://www.youtube.com/watch?time_continue=8&v=a0Ycxn-bZak
Dassiti. M (2018). An approach to support Industry 4.0 adoption in SMEs using a core-
metamodel. Reasons that prevent the implementation of industry 4.0 Recuperado de:
https://www.sciencedirect.com/science/article/pii/S1367578818301354
BIT, (2018). ¿Qué es Big data y para que sirve? Una introducción a Big data. Recuperado de:
https://www.bit.es/knowledge-center/que-es-big-data-introduccion-a-big-data/
-Valero P (2006) Introducción a la robótica inteligente PP. 50-58 Madrid España Recuperado de
http://www3.uji.es/~sanzp/robot/RobInt-Apuntes.pdf
-Bodi S, León J, Estrada Y (2011) Sistema para el control inteligente de un robot manipulador
PP. 10 La habana Cuba
-Mazonee V (2002) Controladores PID PP. 1-3 Bernal Argentina Recuperado de:
http://www.eng.newcastle.edu.au/~jhb519/teaching/caut1/Apuntes/PID.pdf
-Román J (2015) Industria 4.0 Transformación digital de la industria PP. 1-10 Bilbao España
Recuperado de http://coddii.org/wp-content/uploads/2016/10/Informe-CODDII-Industria-
4.0.pdf
-Name, N. and Kermani, M. R. , "Applications of Artificial Intelligence in Safe Human-
Robot Interactions," in IEEE Transactions on Systems, Man, and Cybernetics, Part B
(Cybernetics), vol. 41, no. 2, p.p 448-459, April 2011. doi:
10.1109/TSMCB.2010.2058103. Recuperado
de:http://bibliotecavirtual.unad.edu.co:2052/stamp/stamp.jsp?tp=&arnumber=5545417&is
number=5730604
Arbulu, M., Mateus, P., Wagner, M., Beltran, C., Harada, K. (2018) Industry 4.0, Intelligent
Visual Assisted Picking Approach. In: Groza A., Prasath R. (eds) Mining Intelligence and
Knowledge Exploration. MIKE 2018. Lecture Notes in Computer Science, vol 11308.
Springer, Cham. Recuperado de:https://link.springer.com/chapter/10.1007%2F978-3-030-
05918-7_18
CANO, María, (2018), Revolución 4.0: El futuro está presente, Consultado en URL:
http://www.insht.es/InshtWeb/Contenidos/Documentacion/SST_94_enlaces.pdf
Gao, Z., & Zhang, D. (2013). Recent Developments in Manufacturing Robotic Systems and
Automation. Sharjah: Bentham Science Publishers. Recuperado de:
http://bibliotecavirtual.unad.edu.co/login?url=http://search.ebscohost.com/login.aspx?direc
t=true&db=nlebk&AN=606315&lang=es&site=eds-live&ebv=EB&ppid=pp_Cover
Dassisti, M., Giovannini, A., Merla, P., Chimienti, M., Panetto, H., An approach to support
Industry 4.0 adoption in SMEs using a core-metamodel, Annual Reviews in Control, 2018,
ISSN 1367-5788. https://doi.org/10.1016/j.arcontrol.2018.11.001. Recuperado de:
https://bibliotecavirtual.unad.edu.co:2054/science/article/pii/S1367578818301354
Najmaei, N. and Kermani, M. R. , "Applications of Artificial Intelligence in Safe Human-
Robot Interactions," in IEEE Transactions on Systems, Man, and Cybernetics, Part B
(Cybernetics), vol. 41, no. 2, p.p 448-459, April 2011. doi: 10.1109/TSMCB.2010.2058103.
Recuperado de:
http://bibliotecavirtual.unad.edu.co:2052/stamp/stamp.jsp?tp=&arnumber=5545417&isnumber=
5730604
Arbulu, M., Mateus, P., Wagner, M., Beltran, C., Harada, K. (2018) Industry 4.0,
Intelligent Visual Assisted Picking Approach. In: Groza A., Prasath R. (eds) Mining Intelligence
and Knowledge Exploration. MIKE 2018. Lecture Notes in Computer Science, vol 11308.
Springer, Cham. Recuperate de:https://link.springer.com/chapter/10.1007%2F978-3-030-05918-
7_18Inteligencia artificial y robótica http://www.goit.cl/ia.html