Search

Molts processos industrials fan ús de PLCs pel control i automatització de maquinaria. D’aquests processos molts necessiten estar en funcionament continu i sense patir interrupcions, ja que una aturada en el procés podria suposar despeses molt quantioses per una empresa. Darrerament, per fer front a aquestes possibles interrupcions, ha aparegut el concepte de PLC HA. Aquest tipus de controlador es basa en l’ús de dos CPU , una principal i una secundària. En funcionament normalitzat actua la CPU principal, i la secundària, que només rep informació, ocupa la posició de reserva. Si la principal cau, la secundaria ocupa la seva funció al PLC, i la principal passa a ser secundària [1]. Aquest treball desenvolupa un PLC HA i posteriorment força experimentalment diversos errors de funcionament per analitzar com es comporta a nivell de hardware i software i més important, com afecta al procés controlat. Per fer una simulació de procés industrial, les proves es realitzen amb un variador de freqüència i un motor. Aquests serveixen per representar qualsevol aplicació pràctica dins del marc industrial com podrien ser el moviment d’un ventilador, una bomba, l’obertura i tancament d’una porta, el desplaçament d’un braç robòtic, el moviment d’una cinta transportadora, entre moltes altres.

La població mundial hi ha estat augmentant quasi de forma exponencial des de la primera revolució industrial. Aquest increment, sumat a la globalització, ha creat una demanda en augment de tota mena d’aliments, la qual cosa ha comportat la necessitat de destinar més terreny a la producció alimentaria. Aquests terrenys són tant per a camps de pastura (ramaderia), com per a camps de cultiu (agricultura), provocant una deforestació massiva arreu del món. A més a més, l’increment de població a les ciutats, de forma lineal, i l’abandonament de les zones rurals (despoblació rural) crea una falta de treballadors agrícoles mentre es necessita una major producció. Aquesta necessitat de treballadors incita a la necessitat d’automatitzar els camps de cultius per a augmentar el seu rendiment així com prescindir de tanta mà d’obra agrícola al mateix temps que obtenim productes frescos. Així doncs, l’automatització ha estat en augment de forma mundial, i encara que al sector agrícola no s’ha desenvolupat tant com a altres, cada vegada s’hi aposta més per aquest sector (sobretot quan es pot observar de primera mà la dependència agrícola que hi ha, per exemple, amb de la guerra d’Ucraïna-Russia, d’uns països respecte d’altres). Generalment, l’automatització agrícola es basa en la realització, sense necessitat d’intervenció humana, de la sembra, reg, collita i fumigació de les plantacions tenint en compte les dades que s’han recopilat prèviament utilitzant diferents tipus de sensors. Al llarg de la història de l’automatització agrícola s’han dut a terme diferents sistemes d’automatització. Progressivament, es van començar a dissenyar diferents robots mòbils per a utilitzar-los en distints treballs agrícoles, ja sigui des de recopilació de dades a la plantació fins tasques on es necessit l’esforç físic per a la seva realització. A més, s’han dissenyat drons per a monitoritzar cultius en temps real, facilitant la detecció de problemes que poden no ser detectats a temps per un humà i mantenint un control més precís de les plantacions amb major facilitat. Gràcies a tota aquesta tecnologia al sector agrícola s’aconsegueixc una major producció i es pot prescindir de la mà d’obra humana per a dur a terme les diferents tasques agrícoles. És evident que amb el progrés tecnològic, aquests sistemes automàtics hi són més accessibles per a tot el món. Sumat a una tendència alcista de l’interès de productes orgànics o ecològics, suposadament de millor qualitat, incita al disseny de sistemes automàtics de cultiu urbà, els quals són fàcilment utilitzables per usuaris amb poc coneixement tecnològic i en són respectuosos amb el medi ambient

A dia d’avui trobem intel·ligència artificial aplicada a gran diversitat de camps, la podem trobar als telèfons mòbils, presents a la butxaca de qualsevol persona fins als hospitals o als bancs. L’aplicació de la intel·ligència artificial amb combinació de la robòtica ha representat una millora de la qualitat de vida. Des-de feines tedioses i monòtones fins a tasques perilloses o complicades que abans es duien a terme per persones ara es fan amb robots. Els robots autònoms són capaços de reconèixer i aprendre sobre el seu entorn i prendre decisions de forma independent sense la necessitat de control humà. Varien amb dimensions, funcionalitat, mobilitat, etc. en funció de les seves aplicacions. Es poden trobar als habitatges com els robot Roomba, processos industrials o destinats a l’exploració. La percepció es molt important en el robots autònoms, ja que abans de prendre decisions han d’avaluar informació sobre l’entorn. L’objectiu d’aquest treball de final grau serà dotar un robot quadrúpede, el Bittle, amb percepció visual a traves de l’entrenament d’una xarxa neuronal que utilitza el model Mask RCNN. Controlat per una Raspberry Pi, es buscara que el Bittle sigui capaç de detectar pilotes i actuar amb conseqüència

Aquest projecte proposa implementar un algoritme de Deep Learningcapac de detectar i classificar si un forat d’una placa de circuit imprès (PCB) està correctament soldat o no, depenent de si hi ha buits en la soldadura o no. Es tracta d’un algoritme aplicat al sector de la electrònica que utilitza intel·ligència artificial. Primerament, s’ha extret un conjunt d’imatges amb la finalitat de que l’algoritme pugui detectar i classificar els forats de diferents PCBs. Aquest conjunt d’imatges ha sigut extret d’Internet a la pàgina Kaggle, la cual compta amb una gran quantitat de bases de dades d’imatges. Les imatges han sigut distribuïdes de manera que el 70 Aquest projecte es pot dividir en diferents etapes: obtenció de dades, selecció del model neuronal, entrenament del model amb verificació i les proves finals. S’ha utilitzat el model anomenat Mask RCNN, una xarxa neuronal dissenyada per abordar la detecció d’objectes i la segmentació d’imatges i capaç de generar màscares de segmentació per a cada objecte en la imatge. Com a plataforma per crear l’algoritme s’ha utilizat el servei de computació de pagament de Google Colab. El model predictiu generat ha obtingut una exactitud del 62,28%. Concretament, una precisió en la detecció i classificació de forats correctes del 63,51% i en forats incorrectes del 34,09%. Per a augmentar la precisió de l’algoritme de cara al futur és necessari entrenar-lo amb un nombre de dades més elevat

En aquest treball es detalla el desenvolupament d’un algoritme de Machine Learning perquè mitjançant tècniques de processament d’imatges detecti i classifiqui productes agrícoles en fotografies. Per tant, es tracta d’un algoritme aplicat al sector agrícola que utilitza la tecnologia de la intel·ligència artificial. Per a dur a terme aquest projecte, l’autor ha hagut d’extreure i preparar un conjunt de dades, imatges, que l’algoritme ha utilitzat per poder aprendre a detectar i classificar productes agrícoles. Aquestes imatges han estat extretes de bases de dades a través d’Internet i també realitzades per l’autor a través de càmera fotogràfica. El 70% del conjunt d’imatges s’ha utilitzat per a l’entrenament, el 20% per la prova i el 10% per la validació. Aquest projecte inclou diferents etapes: obtenció i preparació de dades, selecció del model de predicció, entrenament, verificació i proves. L’algoritme ha estat creat a través d’un model anomenat Mask R-CNN que s’utilitza per a resoldre problemes de segmentació semàntica en aplicacions d’aprenentatge automàtic de visió per computadora i ha estat desenvolupat en codi Python. Per a la creació de l’algoritme s’ha utilitzat un servei de computació gratuït al núvol anomenat Google Colab que està associat a un compte de Gmail. El model predictiu generat ha obtingut una exactitud del 60,25%. Concretament, una precisió en la detecció i classificació de pomes del 52,17% i en peres del 86,05%. Per a augmentar la precisió de l’algoritme de cara al futur és necessari entrenar-lo amb un nombre de dades més elevat.

El projecte que aquí es presenta es vol focalitzar en el muntatge d’un robot mòbil i el disseny de la interfície que permet un control remot. Es tracta doncs d’un treball amb un rerefons majoritàriament pràctic, i pretén aplicar els coneixements interdisciplinaris adquirits al llarg de tota la carrera, programació electrónica, robótica, comunicacions… L’objectiu principal del treball és assemblar aquest robot mòbil que està compost per un braç articulat situat en una plataforma mòbil. També, el control d’aquest aparell es fa través d’una interfície web, allotjada dins una Raspberry Pi que actua com a servidor, i una placa Arduino que actua com a hardware per controlar els motors i servomotors. El servidor està programat mitjançant el micro framework Flask, que permet crear aplicacións web en llenguatge Python. Aquesta interfície assegura la comunicació entre la pàgina web, escrita en els llenguatges HTML, CSS i Javascript, i la placa Arduino, mitjançant el port sèrie. Per altra banda, el projecte també inclou la posada en marxa i tots els requeriments per tal de muntar l’estructura. A la pràctica, el robot permet manipular-se des de qualsevol dispositiu (mòbil, tauleta, ordinador…) amb accés a la mateixa xarxa Wifi i a un navegador. Com a conseqüència, el control de l’aparell és fàcilment accessible per a qualsevol usuari: aquest podrà decidir el moviment de la plataforma i, per altra banda, la posició del braç. Aquest últim es controla mitjançant coordenades de posició o bé els angles que ha d’adquirir cada articulació

Durant les ultimes dues dècades es indubtable e innegable l’avenç i la importància que està prenent l’intel·ligència artificial(IA) i l’anàlisi de dades en la societat actual. Durant els últims 10 anys, s’han perfeccionat els mètodes de calcul i s’han desenvolupat aparells dotats d’un hardware suficientment potent com per processar arxius audiovisuals fins i tot en temps real i, juntament amb la transmissió de dades gràcies a tecnologies com el 4G i l’imminent revolució que suposarà per l’IoT (internet of things) el 5G, han anat apareixent noves aplicacions per la IA i la ciència de dades que estan donant lloc a una automatització massiva de tasques mecàniques, principalment la detecció i classificació, tant d’objectes com de dades. Precisament, l’anàlisi d’un cas automatitzable com ho és la detecció de semàfors és el tema d’estudi d’aquest Treball de Final de Grau, partint de la creació de la base de dades necessària per l’entrenament fins la validació del funcionament de l’IA. L’estructura del treball es divideix en quatre grans grups, començant per una introducció a les xarxes neuronals, continuant amb la creació d’una base de dades i preparació d’aquestes per entrenar el model, seguida d’un entrenament i test d’una intel·ligència artificial. Per acabar, es presenten els resultats obtinguts i les conclusions de l’estudi

Cada any aproximadament 1,35 milions de persones moren per accidents de trànsit, el 94% d’aquests com a resultat d’errors humans. El desenvolupament de cotxes autònoms és un dels àmbits més populars i de moda on s’està experimentant amb tècniques de Deep Learning per tal de garantir la seguretat i la integritat de les persones. El Deep Learning és un subconjunt de tècniques en l’àmbit del Machine Learning que serveix per entrenar màquines algorítmiques a realitzar tasques sense haver sigut programades de manera explícita. L’objectiu d’aquest treball consisteix en preparar un vehicle de radio-control i programar la seva unitat computacional perquè, mitjançant la utilització de tècniques d’aprenentatge profund supervisat, aprengui a moure’s en un circuit tancat. Per tal d’assolir-lo es realitzaran diferents experiments en els quals es modificaran els paràmetres del vehicle així com les dades emprades en l’entrenament. En cada experiment es realitzarà una conducció diferent: sentit únic, ambdós sentits o ambdós sentits amb entrada de pista. A partir dels resultats dels experiments s’obtenen els errors del model en funció de les èpoques d’entrenament. Es pot observar que, primer de tot, perquè un model sigui vàlid, a més a més de tenir un error baix a l’etapa d’entrenament l’ha de tenir a l’etapa de validació. En el cas de que l’error en l’etapa de validació sigui major, s’obté un model massa complex (model sobreajustat) i, per tant, no vàlid. Finalment, s’arriba a la conclusió de que el correcte entrenament d’un model depèn majoritàriament de la qualitat de les dades d’entrada, així com de la quantitat d’aquestes, i no del nombre d’èpoques. La qualitat de les dades dependrà principalment de la conducció i la preparació, sent aquesta última un filtratge i etiquetatge de les sortides

En aquest projecte final de màster s’ha muntat i adaptat un dron per a que pugui adquirir imatge aèries i les envií de manera automatitzada a una unitat terrestre remota, que implementa un servidor web. Dintre del àmbit de la agricultura s’ha realitzat un assemblatge complert d’un dron quadcòpter teledirigit amb capacitat de volar autònomament. En aquest document s’expliquen tots els passos necessaris per al muntatge i la configuració d’un dron quadcòpter així el desenvolupament d’un servidor web capaç de rebre les imatges enviades per la càmera embarcada al dron. La primera part del projecte inclou una visió general dels tipus de drons que s’utilitzen actualment, així com les aplicacions més rellevant en l’àmbit de l’agricultura. També es descriuen els components i tecnologies computacionals software i hardware per a la elecció dels elements que formaran part del dron. Seguidament es descriu tot el procés d’assemblatge, configuració i calibració del dron, a més del desenvolupament d’un servidor web. També s’inclou el funcionament dels scripts utilitzats, tant en la Raspberry que controla la càmera com la del servidor. Finalment, es mostren els resultats i conclusions finals a partir de les proves que s’han realitzat.

El treball consisteix en la realització d'un prototip electrònic amb dispositiu programable que verifiqui el funcionament d'un dispositiu seqüencial. El funcionament del sistema es basa en que el microcontrolador envia seqüències de vectors de test al dispositiu a verificar i captura les dades resultants del dispositiu. Segons el valor de les dades capturades , el microcontrolador determina si el funcionament del dispositiu és correcte o no i ho mostra el resultat a l'usuari. Els punts en els que s'ha fet incís en aquest treball són l'elaboració d'un prototip electrònic, el disseny del programa per al dispositiu programable, dissenyat de forma modular i que pugui ser exportable a altres dispositius, i la visualització dels resultats.

El treball consisteix en la realització d’un prototip electrònic amb microcontrolador que verifica el funcionament d’un altre circuit electrònic: l’amplificador operacional. El funcionament consisteix en que el microcontrolador verifica el component actuant en un circuit de test (on és l’amplificador operacional) i capturant dades presentatives del mateix. Mitjançant aquestes dades, el dispositiu programable determina si funciona correctament i li comunica a l’usuari. En la realització del treball, es contempla desde l’elecció de components, la realització d’un prototip experimental, la programació del dispositiu programable i l’assemblatge en una placa electrònica PCB final.