dc.contributor.advisor | Moran Cardenas, Antonio Manuel | |
dc.contributor.author | Saito Villanueva, Carlos | es_ES |
dc.date.accessioned | 2019-01-24T21:03:10Z | es_ES |
dc.date.available | 2019-01-24T21:03:10Z | es_ES |
dc.date.created | 2018 | es_ES |
dc.date.issued | 2019-01-21 | es_ES |
dc.identifier.uri | http://hdl.handle.net/20.500.12404/13308 | |
dc.description.abstract | Esta tesis de investigación propone obtener el modelo aerodinámico de una aeronave del tipo ala volante utilizando redes neuronales artificiales con el fin de mejorar la performance del controlador de vuelo del sistema de navegación de un vehículo aéreo no tripulado. Actualmente la aeronave pierde altitud al momento de realizar los giros, y se entiende porque es un problema con el ángulo de cabeceo y velocidad de vuelo. El tipo de Red Neuronal Artificial (RNA) utilizada es de Back Propagation Dinámico y tiene dos capas intermedias con 100 neuronas cada una. Se utilizó este tipo de RNA porque permite entrenar un modelo dinámico como es el caso de una aeronave. Las variables de entrada utilizadas para el entrenamiento fueron: posición del elevador, posición de los alerones, posición del throtle y aceleraciones en los tres ejes de la aeronave. Las variables de salida fueron: ángulo de cabeceo, ángulo de alabeo, cambio en el tiempo de ángulo de cabeceo y alabeo, velocidad y altitud. Asimismo, se utilizó un “bias” para tomar en consideración fuerzas o perturbaciones que no se pueden medir. La metodología utilizada permitió realizar el modelado de manera satisfactoria del ángulo de cabeceo y velocidad. Los errores de entrenamiento fueron de 36% y 5.5% respectivamente. La validación de ambos parámetros fue de 68% y 3.38%. La metodología aplicada todavía necesita ser mejorada para obtener un error de entrenamiento satisfactorio en el ángulo de alabeo y mejorar los entrenamientos obtenidos para el ángulo de cabeceo y velocidad. Este trabajo demuestra que el modelamiento de una aeronave del tipo ala volante es más complejo que una aeronave convencional. Son pocos los trabajos de investigación sobre modelamiento de aeronaves que han realizado el modelamiento de este tipo de aeronaves. En la mayoría de los casos utilizan técnicas diferentes a las de RNA y realizan modelamiento lineal y no dinámico como se ha realizado en esta tesis. | es_ES |
dc.description.uri | Tesis | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Pontificia Universidad Católica del Perú | es_ES |
dc.rights | info:eu-repo/semantics/openAccess | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ | * |
dc.subject | Vehículos aéreos no tripulados-Aerodinámica | es_ES |
dc.subject | Redes neuronales | es_ES |
dc.subject | Sensores inteligentes | es_ES |
dc.title | Modelamiento dinámico de los parametros de control de vuelo de una aeronave del tipo ala volante utilizando redes neuronales artificiales. | es_ES |
dc.type | info:eu-repo/semantics/masterThesis | es_ES |
thesis.degree.name | Maestro en Ingeniería Mecatrónica | es_ES |
thesis.degree.level | Maestría | es_ES |
thesis.degree.grantor | Pontificia Universidad Católica del Perú. Escuela de Posgrado | es_ES |
thesis.degree.discipline | Ingeniería Mecatrónica | es_ES |
dc.type.other | Tesis de maestría | |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.00.00 | es_ES |
dc.publisher.country | PE | es_ES |
renati.advisor.dni | 10573987 | |
renati.discipline | 713167 | es_ES |
renati.level | https://purl.org/pe-repo/renati/level#maestro | es_ES |
renati.type | http://purl.org/pe-repo/renati/type#tesis | es_ES |