Determinación de entradas en redes neuronales convolucionales para la detección en tiempo real de reductores de velocidad usando sensores inerciales. [recurso electrónico] / María Fernanda López Barajas ; director, Julio César Rodríguez Quiñonez
Tipo de material:
Archivo de ordenadorDetalles de publicación: Mexicali, Baja California, 2025Descripción: 1 recurso en línea, 103 p. : il. col., gráficas, fotsTema(s): Redes neuronales- computadores -- Tesis y disertaciones académicasClasificación LoC:QA76.87 | L66 2025Recursos en línea: Tesis digital
Nota de disertación: Tesis (Maestría) -- Universidad Autónoma de Baja California. Facultad de Ingeniería, Mexicali, 2025. Resumen: Esta tesis de maestría presenta un sistema de detección en tiempo real de reductores de velocidad, utilizando una Red Neuronal Convolucional unidimensional (1D-CNN) y datos de aceleración obtenidos de una Unidad de Medición Inercial (IMU). A diferencia de los enfoques existentes, que no operan en tiempo real debido a un desfase de entre 2 y 5 segundos, el sistema propuesto ofrece una respuesta inmediata y precisa.
La metodología se centró en optimizar las estructuras de entrada de la CNN utilizando ventanas de datos de 3×308, donde las filas representan los ejes de aceleración (x, y, z) y las columnas contienen muestras de series temporales. Un enfoque de ventana deslizante con incrementos de 7 muestras permitió capturar completamente la interacción vehículo-tope. El análisis comparativo de técnicas de ormalización ([0,1],[-1,1] y [0,255]) reveló que la normalización en escala de grises [0-255] fue la más efectiva para la extracción de características. La validación experimental incluyó pruebas extensivas en condiciones reales con un Honda Civic 2012 en las calles urbanas de Mexicali bajo diversas condiciones de tráfico. El modelo final alcanzó una precisión de clasificación del 99.61% con una latencia de <10ms, manteniendo un rendimiento robusto a través de variaciones de velocidad y escenarios de conducción complejos (frenado, giros).
| Tipo de ítem | Biblioteca actual | Colección | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
| Tesis | Biblioteca Central Mexicali | Colección de Tesis | QA76.87 L66 2025 (Browse shelf(Abre debajo)) | 1 | Disponible | MXL125726 |
Maestría en Ciencias
Tesis (Maestría) -- Universidad Autónoma de Baja California. Facultad de Ingeniería, Mexicali, 2025.
Incluye referencias bibliográficas.
Esta tesis de maestría presenta un sistema de detección en tiempo real de reductores de velocidad, utilizando una Red Neuronal Convolucional unidimensional (1D-CNN) y datos de aceleración obtenidos de una Unidad de Medición Inercial (IMU). A diferencia de los enfoques existentes, que no operan en tiempo real debido a un desfase de entre 2 y 5 segundos, el sistema propuesto ofrece una respuesta inmediata y precisa.
La metodología se centró en optimizar las estructuras de entrada de la CNN utilizando ventanas de datos de 3×308, donde las filas representan los ejes de aceleración (x, y, z) y las columnas contienen muestras de series temporales. Un enfoque de ventana deslizante con incrementos de 7 muestras permitió capturar completamente la interacción vehículo-tope. El análisis comparativo de técnicas de ormalización ([0,1],[-1,1] y [0,255]) reveló que la normalización en escala de grises [0-255] fue la más efectiva para la extracción de características. La validación experimental incluyó pruebas extensivas en condiciones reales con un Honda Civic 2012 en las calles urbanas de Mexicali bajo diversas condiciones de tráfico. El modelo final alcanzó una precisión de clasificación del 99.61% con una latencia de <10ms, manteniendo un rendimiento robusto a través de variaciones de velocidad y escenarios de conducción complejos (frenado, giros).
