Mostrar el registro sencillo del ítem

dc.contributor.authorMenchén-Agut, Javier
dc.date2021-07-13
dc.date.accessioned2021-11-08T10:20:49Z
dc.date.available2021-11-08T10:20:49Z
dc.identifier.urihttps://reunir.unir.net/handle/123456789/12095
dc.descriptionIn some industrial motion control applications where a slave axis follows the trajectory of a master axis, predicting the path of a master axis can reduce the following error of the slave. The trajectory is a time series of positions for which the next value will be predicted. For that purpose a Long Short-Term Memory (LSTM) model has been chosen due to its recognized efficiency in time series predictions. The LSTM model has been compared with a Multi Layer Perceptron (MLP) base model and with a polynomial regression model. The mean and maximum error of the model has been measured and also the relation of the error with diferent factors. These models have been tested working with and without noise added to the data. It has been found that when working without noise, the LSTM model presents a similar performance than the polynomial regression model but it is faster in adapting to changes in the trajectory. With noise added to the data, the MLP model presents a greater robustness in the predictions than the other two.es_ES
dc.description.abstractEn ciertas aplicaciones de control de movimiento industriales donde un eje esclavo replica la trayectoria de un eje maestro, el hecho de anticipar la trayectoria del eje maestro puede suponer una mejora en el error de seguimiento del esclavo. La trayectoria es una sucesión temporal de posiciones de la cual se pretende anticipar cual va a ser el siguiente valor. En este trabajo se ha ensayado un modelo tipo Long Short-Term Memory (LSTM) para tal fin por su reconocida efi cacia en predicciones de series temporales. El modelo LSTM se ha comparado con un modelo base tipo Multilayer Perceptron (MLP) y con un modelo de regresión polinómica. Se ha determinado el error medio y máximo y la relación del error con diferentes factores. Estos modelos han sido probados trabajando sin ruido y con ruido añadido a los datos de entrada. Se ha constatado que al trabajar sin ruido el modelo LSTM tiene un rendimiento parecido a la regresión polinómica pero se adapta más rápido a cambios en la trayectoria. Con ruido añadido a los datos el modelo MLP presenta una mayor robustez en la predicciones que los otros dos.es_ES
dc.language.isospaes_ES
dc.rightsopenAccesses_ES
dc.subjectcontrol de movimientoes_ES
dc.subjectlong short-term memoryes_ES
dc.subjectpredicción de trayectoriases_ES
dc.subjectmotion controles_ES
dc.subjecttrajectory predictiones_ES
dc.subjectMáster Universitario en Inteligencia Artificiales_ES
dc.titlePredicción de trayectorias en aplicaciones de control de movimiento industrialeses_ES
dc.typemasterThesises_ES
reunir.tag~MIAes_ES


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem