En este trabajo de tesis se propone un controlador neuronal para el manejo de un robot manipulador de dos grados de libertad con incertidumbre paramétrica, concretamente, con desconocimiento de los vectores de gravedad, inercias, Coriolis y fricción. El controlador consta de un control Proporcional-Derivativo (PD) con compensación por redes neuronales artificiales. Mediante un análisis de Lyapunov se presentan las condiciones de estabilidad y se demuestra que todas las señales en lazo cerrado son finalmente uniformemente acotadas (UUB). Después, se muestran los resultados de simulación y experimentales de las leyes de control a comparar; PD con compensación, Proporcional-Integral-Derivativo (PID) y el control neuronal.
This thesis proposes a neural network controller for operating of a robot manipulator with two degrees of freedom with parametric uncertainty, specifically, the lack of knowledge of the friction, Coriolis, inertias and gravity vectors. The proposed controller is a Proportional Derivative with neural networks compensation. A Lyapunov analysis determines the condition for stability, it show that all signals in the closed-loop system are uniformly ultimately bounded. Therefore, we present the experimental and simulation results for the follows control laws we compare: PD compensation, PID and neural controller.
