1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Mecánica y Ciencias de la Producción
4. Tesis de Mecatrónica

Title:	Predicción de superficies de contacto en tareas robóticas repetitivas
Authors:	Saldarriaga Mero, Carlos Xavier, Director Campos Guzmán, Luis Hernán
Keywords:	Machine learning CatboostClassifier Robot industrial Estimación de parámetros
Issue Date:	2024
Publisher:	ESPOL.FIMCP
Citation:	Campos Guzmán, L. H. (2024). Predicción de superficies de contacto en tareas robóticas repetitivas. [Proyecto Integrador]. ESPOL.FIMCP .
Description:	En la robótica industrial, se busca que los autómatas interactúen eficientemente con diversas superficies durante la ejecución de tareas repetitivas. Este proyecto tiene como objetivo dotar a un robot de la capacidad para predecir la superficie de contacto con la que interactúa, optimizando su configuración para mejorar el desempeño y prolongar su vida útil, reduciendo el tiempo entre mantenimientos. Para ello, se utilizó el software MATLAB para realizar simulaciones y recopilar datos, con los cuales se elaboró un conjunto de datos (DataSet). Estos datos se emplearon para entrenar un modelo de machine learning ?CatboostClassifier? que permitió al robot predecir la superficie de contacto. Los resultados mostraron una precisión del 91% en la clasificación de materiales, lo que indica que, en 91 de cada 100 ocasiones, el robot identificó correctamente la superficie. Las conclusiones indican que, aunque se logró una predicción exitosa, el modelo presenta dificultades al diferenciar entre materiales con coeficientes de fricción similares, como el latón y el teflón, siendo la clasificación confiable en su mayoría. Palabras clave: Machine learning, CatboostClassifier, robot industrial, estimación de parámetros.
metadata.dc.description.abstractenglish:	In industrial robotics, the goal is for robots to interact with various surfaces while executing repetitive tasks efficiently. This project aims to allow a robot to predict the contact surface with which it interacts, optimizing its configuration to improve performance and extend its useful life, reducing the time between maintenance. MATLAB software was used to perform simulations and collect data, creating a data set. These data were used to train a machine learning model, ?CatboostClassifier,? that allowed the robot to predict the contact surface among several materials. The results showed a 91% accuracy in classifying materials, indicating that the robot correctly identified the surface in ninety-one out of one hundred cases. The conclusions suggest that, although a successful prediction was achieved, the model has difficulties differentiating between materials with similar friction coefficients, such as brass and Teflon, with the classification primarily reliable. 1. Keywords: Machine learning, CatboostClassifier, industrial robot, Parameter Estimation.
URI:	http://www.dspace.espol.edu.ec/handle/123456789/62963
metadata.dc.identifier.codigoproyectointegrador:	INGE-2617
Appears in Collections:	Tesis de Mecatrónica

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.