https://ri-ng.uaq.mx/handle/123456789/12397 2026-04-04T14:28:12Z 2026-04-04T14:28:12Z Noel Chávez López https://ri-ng.uaq.mx/handle/123456789/12560 2026-01-20T07:09:29Z 2026-01-19T00:00:00Z

Control de posición de un robot SCARA neumático de 4 grados de libertad Noel Chávez López Los sistemas con actuadores neumáticos suelen ser complejos al aplicar el control clásico, ya que su comportamiento no lineal impide el uso directo de estos controladores. Por lo tanto, es necesario aplicar técnicas de linealización o técnicas de control diferentes donde estas no linealidades no representen un problema. Los AIA, como el control difuso y un controlador basado en NN, no requieren el uso de un modelo matemático, lo que los convierte en herramientas adecuadas para un sistema no lineal. Por ello, esta investigación compara el error de posicionamiento entre un controlador PID y controladores AIA, PID difuso y NN, en un robot SCARA de cuatro grados de libertad. También se realiza una comparación entre los resultados obtenidos e investigaciones similares utilizando un controlador clásico. El objetivo de la investigación es determinar si un controlador AIA tiene un mejor rendimiento en comparación con los controladores clásicos, como lo es el PID. Los resultados experimentales muestran que, en comparación con un controlador PID, la respuesta, al utilizar un AIA, tiene un mejor rendimiento con un MAE de 5.44, -0.85 y -0.88 grados para el controlador PID, PID Difuso y NN respectivamente, para el primer grado de libertad, 2.53, 0.46 y -0.06 para el segundo grado de libertad y -4.08, 0.46 y -0.86 para el tercer grado de libertad, un máximo de 0.45% de error de estado estacionario para el PID Difuso, 0.46% para NN en comparación con un 2.73% del PID y reduciendo el error de posición en al menos el 75%. En comparación con otras investigaciones, los resultados obtenidos muestran que, comparado con un controlador PID tradicional, un controlador AIA reduce el error de posicionamiento en al menos un 30.52%.

2026-01-19T00:00:00Z José Félix Castruita López https://ri-ng.uaq.mx/handle/123456789/12546 2026-01-17T07:09:51Z 2025-11-26T00:00:00Z

Desarrollo de sistema en FPGA para control de dispositivo mediante señales EMG e inteligencia artificial José Félix Castruita López Las señales de electromiografía (EMG) son biopotenciales que registran la actividad muscular, como contracción, relajación, fuerza, movimiento y fatiga. Estas señales, al proporcionar información sobre el comportamiento muscular, son ampliamente utilizadas en diversos campos de investigación, como la biomedicina, la medicina, la robótica y la rehabilitación. Sin embargo, debido a su alta complejidad, las señales EMG requieren un considerable nivel computacional para su clasificación. Tradicionalmente, este procesamiento se realiza en dispositivos de cómputo secuencial, lo que genera tiempos de respuesta elevados y un alto consumo de energía, limitando su uso en aplicaciones embebidas o portátiles. En este trabajo se diseñó e implementó un sistema de control basado en la clasificación de señales EMG mediante una red neuronal tipo perceptrón multicapa (MLP), implementada en un dispositivo lógico programable tipo FPGA. El objetivo fue realizar la inferencia del modelo MLP directamente en hardware para clasificar señales EMG previamente procesadas y controlar, en lazo cerrado, un actuador que simula los movimientos de la mano predichos por la red neuronal. El sistema implementado en FPGA alcanzó una latencia de 843 ciclos de reloj por predicción, equivalente a 33.72 µs por muestra a una frecuencia de operación de 25 MHz, en contraste con los 52.03 ms requeridos por el mismo modelo ejecutado en Python en una computadora con procesador Intel i7-1255U. La eficiencia de clasificación obtenida fue del 97.42 %, y el consumo de potencia del diseño en FPGA fue de 0.153 W. Estos resultados demuestran una mejora significativa tanto en el tiempo de respuesta como en el consumo energético respecto a los sistemas secuenciales tradicionales, lo que valida la viabilidad del uso de FPGA para la implementación de modelos de inteligencia artificial embebidos en aplicaciones de control basadas en señales EMG.

2025-11-26T00:00:00Z Andrés Emilio Hurtado Pérez https://ri-ng.uaq.mx/handle/123456789/12438 2026-01-10T07:09:21Z 2033-01-06T00:00:00Z

Metodología basada en inteligencia artificial para la clasificación de degeneración macular y retinopatía diabética Andrés Emilio Hurtado Pérez En la actualidad, los padecimientos y discapacidades visuales representan un problema de salud pública con creciente prevalencia tanto a nivel mundial como en México. Entre los factores que influyen en su incidencia se encuentran la región geográfica, el nivel de ingresos, la edad, el género y el ´área de residencia. A estos se suman enfermedades subyacentes que actúan como detonantes, siendo la diabetes una de las más relevantes. Dado que la población mexicana presenta una alta predisposición a desarrollar esta enfermedad, existe un riesgo considerable de manifestar complicaciones oculares asociadas, particularmente la retinopatía diabética (RD) y la degeneración macular relacionada con la edad (DMRE). Ambas patologías afectan estructuras críticas en el ojo: retina y mácula. Su progresión puede generar desde una discapacidad visual leve hasta ceguera irreversible, dependiendo de la etapa en la que se encuentren. Los métodos tradicionales empleados para el diagnósticos y seguimiento, principalmente la tomografía de coherencia óptica (OCT) y la angiografía con fluoresceína, han demostrado ser eficientes. Sin embargo, presentan limitaciones relacionadas con su alto costo, disponibilidad restringida y en muchos casos, la subjetividad en su interpretación clínica. Estas barreras dificultan un acceso oportuno al diagnóstico y reduce las posibilidades de tratamiento temprano. En este sentido, la inteligencia artificial (IA) ha surgido como una alternativa para el análisis y prediagnóstico de enfermedades oculares. Su integración permite generar diagnósticos más rápidos y aportar un componente cuantitativo. Entro los modelos que existen, los autoencoders destacan por su capacidad de extraer características relevantes de las imágenes de fondo de ojo, este enfoque mejora la discriminación entre diferentes etapas de progresión de las patologías. El presente trabajo propone una metodología basada en IA para apoyar el prediagnósticos de RD y DMRE. El objetivo principal es acelerar la toma de decisiones clínicas mediante el uso de un autoencoder como técnica de extracción de características, seguido de un clasificador supervisado para identificar el nivel progresivo de cada enfermedad. De esta forma, se buscar aportar una herramienta complementaria que favorezca la detección temprana y el diagnóstico de la enfermedad

2033-01-06T00:00:00Z Rafael Rojas Galván https://ri-ng.uaq.mx/handle/123456789/12398 2025-11-15T07:09:35Z 2025-10-31T00:00:00Z

Título: Implementation of an optimization algorithm for MPPT prediction using a regression model Rafael Rojas Galván Este trabajo presenta el desarrollo e implementaci´on de un modelo predictivo para el seguimiento del punto de m´axima potencia (MPPT) en sistemas fotovoltaicos bajo condiciones de sombreado parcial. La propuesta integra una Red Neuronal Artificial (RNA) con el Grey Wolf Optimizer (GWO), un algoritmo bioinspirado empleado para el ajuste de hiperpar´ametros. La metodolog´ıa se estructur´o en cinco etapas: adquisici´on de datos mediante sensores experimentales, preprocesamiento para simular escenarios de sombreado, entrenamiento del modelo de RNA, optimizaci´on con GWO y validaci´on en condiciones reales de operaci´on. La evaluaci´on experimental confirm´o que el modelo RNA–GWO optimizado mejor´o significativamente la precisi´on de las predicciones, alcanzando un coeficiente de determinaci´on (R²) superior a 0.99 y una exactitud mayor al 98.9%, manteniendo al mismo tiempo un costo computacional adecuado para su implementaci´on en sistemas embebidos. El modelo fue implementado exitosamente en una Raspberry Pi 4, demostrando su viabilidad pr´actica para la predicci´on en tiempo real de MPPT en sistemas fotovoltaicos. Esta investigaci´on resalta el potencial de combinar aprendizaje autom´atico y optimizaci´on bioinspirada para mejorar la eficiencia de la energ´ıa solar y contribuir a la generaci´on sustentable.

2025-10-31T00:00:00Z