Publicación:
Sistema alternativo de orientación en aeronaves

Vista sencilla de ítem
dc.contributor.authorPlacencia Mejia, Luis Jovanny
dc.contributor.codirectorRamírez Zárate, José Manuel
dc.contributor.directorHernández Balbuena, Daniel
dc.coverage.placeofpublicationMexicali, Baja California.
dc.date.accessioned2022-11-18T22:43:35Z
dc.date.available2022-11-18T22:43:35Z
dc.date.created2022
dc.degree.deparmentUniversidad Autónoma de Baja California, Facultad de Ingeniería, Mexicali
dc.degree.grantorTesis de Maestría / master Thesis.
dc.degree.nameMaestría y Doctorado en Ciencias e Ingeniería
dc.description.abstractLos sistemas de orientación en la navegación, tienen un papel importante. Es por ello, que se emplean distintos dispositivos que nos permitan orientar tales como sensores inerciales, GPS, por mencionar algunos. En conjunto con métodos como el filtro de Kalman, Cuaterniones y Ángulos de Euler. Uno de los retos importantes de este enfoque es poder integrar algoritmos de Machine Learning y Deep Learning que permitan estimar la orientación de una aeronave. En este trabajo de tesis se busca poder determinar la orientación de una aeronave mediante los Cuaterniones, que son datos sin procesar extraídos de una Unidad de Medición Inercial (IMU), colocada dentro del avión. La aeronave fue montada en un túnel de viento subsónico, y partiendo de los datos de Cuaterniones, se calculan los valores de Pitch, Roll y Yaw; además de aplicarles un filtrado que atenúa el ruido en la aeronave. Esta señal de salida nos sirve para entrenar los modelos de aprendizaje automático y aprendizaje profundo. Se generaron algunos modelos de Machine Learning para regresión, tales como: Vecinos cercanos (k-NN), Support Vector Machine (SVM, con Kernel lineal, RBF, Gaussian y Polynomial). Y Deep Learning: perceptrón, y redes neuronales con algoritmos Bayesiano regularización, Levengberg-Marquardt y Scaled conjuged gradient; los 3 algoritmos se evaluaron con 4, 10 y 15 neuronas ocultas. Estas técnicas ofrecen un porcentaje de efectividad arriba del 90% y al igual que coeficiente de determinación ajustado; a excepción para el kernel de SVM – Polynomial que tuvo rendimiento inferior a los demás. Los resultados presentados, demuestran que es posible determinar la orientación de una aeronave por medio de las lecturas de Cuaterniones sin procesar, generando modelos de predicción del ángulo de ataque de una aeronave incluso ante perturbaciones externas tales como variaciones del flujo de aire.
dc.format.extent98 p. , il.
dc.format.mimetypepdf
dc.identifier.urihttps://hdl.handle.net/20.500.12930/9519
dc.identifier.urihttps://doi.org/10.57840/uabc-101
dc.language.isospa
dc.publisherUniversidad Autónoma de Baja California.
dc.relation.urlhttps://drive.google.com/file/d/1yFwpj0U2XLCzbX2O8uCxfa9Z_AILKNRr/view?usp=sharing
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4
dc.subjectAeronaves
dc.subjectTesis y disertaciones académicas
dc.subjectlemb
dc.subjectAeronavegabilidad
dc.subject.lccTL671.1 P53 2022
dc.titleSistema alternativo de orientación en aeronaves
dc.uabc.bibliographycNoteIncluye referencias bibliográficas.
dc.uabc.bilbiotecaMEXICALI
dc.uabc.identifier251494
dc.uabc.numInventarioMXL123739
dc.uabc.typeMaterialTESIS
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
MXL123739.pdf
Tamaño:
5.53 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Tesis de Maestría (Mexicali)