Beltran-Carbajal, Francisco;#0000-0001-5244-5587Lopez-Garcia, irvin;#0000-0001-8368-9787Ramírez Cruz, Fernando Daniel2025-10-292024-12https://hdl.handle.net/11191/12642Maestría en Ciencias en Ingeniería Electromagnética.En este trabajo se explora la posibilidad de utilizar motores de inducción como actuadores de un robot manipulador antropomórfico de 6 grados de libertad con articulaciones de revolución, en el robot comercial UR-10. Se utiliza un esquema de control descentralizado para seguimiento de trayectorias, en donde se realiza control de posición a través de un controlador Proporcional Integral Generalizado para las articulaciones del robot manipulador, mientras que se realiza un control de torque a través de un Controlador Basado en Pasividad para cada motor de inducción. Se consideran que los parámetros mecánicos del modelo del robot manipulador y eléctricos del motor de inducción tienen hasta 10% de error en sus parámetros. Estas incertidumbres paramétricas son compensadas por redes neuronales de tipo de Base Radial, utilizadas para sintonizar los parámetros de los controladores. Los pesos de estas redes son actualizados con una regla de aprendizaje en línea. Se presentan simulaciones computacionales para mostrar el desempeño de este esquema de control propuesto con trayectorias definidas por senos y cosenos y con trayectorias generadas a partir de código g para maquinar una pieza en específico.This work explores the possibility of using induction motors as actuators for a 6-degree-offreedom anthropomorphic manipulator robot with revolute joints, specifically the comercial UR-10 robot. A decentralized control scheme is used for trajectory tracking, where position control is achieved through a Generalized Proportional-Integral controller for the robot manipulator’s joints, while torque control is implemented through a Passivity-Based Controller for each induction motor. It is assumed that the mechanical parameters of the robot manipulator model and the electrical parameters of the induction motor have up to 10% error. These parametric uncertainties are compensated for by Radial Basis Function neural networks, which are used to tune the controllers’ parameters. The weights of these networks are updated using an online learning rule. Computational simulations are presented to demonstrate the performance of the proposed control scheme with trajectories defined by sines and cosines, as well as trajectories generated from g-code for machining a sp Application softwarepdfspaAtribución-NoComercial-SinDerivadashttp://creativecommons.org/licenses/by-nc-nd/4.0CIENCIAS FÍSICO MATEMÁTICAS Y CIENCIAS DE LA TIERRA::FÍSICA::ELECTROMAGNETISMOAutomatic control.Control theory.Electrical engineering.Mechanical engineering.Computer engineering.Control automático.Ingeniería eléctrica.Tesis de maestríaBorn digitalhttps://doi.org/10.24275/uama.6741.12642openAccess