Materia	Carrera	Plan	Año	Periodo
Tecnología Aplicada al Control de Sistemas Mecatrónicos	ING. MECATRÓNICA	Ord 22/12-10/22	2023	1° cuatrimestre

Docente	Función	Cargo	Dedicación
LARREGAY, GUILLERMO OMAR	Prof. Responsable	P.Adj Exc	40 Hs
TORRES, LUIS RAUL	Responsable de Práctico	A.1ra Exc	40 Hs

En los últimos años se han producido grandes avances y desarrollos en el área de inteligencia computacional, y muchos de ellos han tenido aplicación en campos relacionados a la mecatrónica y al control de accionamientos.
Esto, sumado al vertiginoso desarrollo y miniaturización de componentes electrónicos, y la integración de microprocesadores en la mayoría de los dispositivos de uso común, tiene como consecuencia que muchas tareas de control de máquinas o equipos estén en manos de un sistema electrónico inteligente encargado de tomar decisiones.
Por todo lo anterior, es importante formar en estos temas a los profesionales que en un futuro serán los encargados de crear, mantener y operar sistemas mecatrónicos inteligentes.

Resultados de Aprendizaje:

El estudiante:
1) diseña filtros digitales para el acondicionamiento de señales en dispositivos mecatrónicos, utilizando software de calculo numérico y simulación
2) implementa filtros digitales en un procesador digital de señales para verificar el diseño realizado utilizando adecuadamente el instrumental del laboratorio
3) diseña controladores basado en lógica difusa para el control de accionamientos mecatrónicos utilizando software de cálculo numérico
4) diseña redes neuronales artificiales para aplicaciones de clasificación en problemas de ingeniería mecatrónica
5) implementa un control completo para una aplicación en robótica, utilizando software de diseño y hardware embebido, trabajando en equipos y realizando una presentación oral de defensa


Resultados de aprendizaje previos:
- Aplica métodos de cálculo numérico para la definición de modelos matemáticos de cálculo.
- Utiliza software específico de cálculo numérico y simulación.
- Utiliza filtros analógicos para acondicionar señales.
- Evalúa los componentes más adecuados para el diseño entre los disponibles en laboratorio.
- Utiliza eficientemente el instrumental de laboratorio.
- Evalúa componentes disponibles según sus características y prestaciones para el diseño.
- Programa en lenguajes de alto nivel.
- Trabaja en equipos planificando las tareas de equipo y la orientación a la tarea conjunta.
- Toma la palabra con facilidad, convicción y seguridad y adapta el discurso a los distintos públicos y las exigencias formales requeridas.
- Cumple con las normas de higiene y seguridad generales y específicas del trabajo a realizar.

1) Proceso digital de señales
Conversión analógica-digital y digital-analógica. Sistemas lineales. Muestreo. Convolución. Propiedades de la convolución. Transformada de Fourier. Implementación de FFT. Proceso de señales contínuas. Filtros digitales.

2) Dispositivos DSP y FPGA
Descripción y funcionamiento de un procesador digital de señal (DSP). Configuración y programación. Adaptación de señales. Depuración de programas. Descripción y funcionamiento de un FPGA. Introducción a los lenguajes de descripción de hardware (VHDL). Programación de hardware y verificación.

3) Sistemas de inferencia difusa
Lógica difusa. Operaciones sobre conjuntos difusos. Inferencia difusa. Dispositivos de inferencia difusa. Desarrollo de sistemas de control difuso. Implementación en simulación. Implementación en dispositivos DSP/FPGA.

4) Redes neuronales artificiales
Introducción y fundamentos. Modelo de neuronas. Arquitecturas de redes neuronales. Modos de operación. Tipos de redes: Supervisadas, Autoorganizadas, otros. Algoritmos de aprendizaje. Entrenamiento de redes neuronales. Aplicaciones. Implementación de redes neuronales en simulación. Implementación en dispositivos DSP/FPGA.

1) Proceso digital de señales - Implementación en simulación y en hardware de filtros digitales y FFT

2) Sistemas de inferencia difusa - Diseño e implementación (simulación y hardware) de sistemas de control difuso aplicados a sistemas mecatrónicos

3) Redes neuronales artificiales - Diseño y simulación de redes clasificadoras y redes aplicadas al control de sistemas mecatrónicos.

4) Trabajo final de implementación - Implementación de un control completo en hardware utilizando redes neuronales para una aplicación en robótica.

A - METODOLOGÍA DE DICTADO DEL CURSO:
El dictado del curso podrá ser presencial, semi-presencial, o virtual.
En todos los casos, se prevé una clase teórica y una clase práctica semanal, donde esta última podrá ser de práctica de aula o laboratorio dependiendo de los contenidos del programa a dictarse en esa semana en particular.
Los contenidos teóricos y prácticos serán puestos a disposición de los estudiantes a través de la plataforma Google Classroom provista por la UNSL.

B - CONDICIONES PARA REGULARIZAR EL CURSO
Para acceder a la condición de regular, los estudiantes deberán cumplir con los siguientes requisitos:
• Entregar y aprobar con al menos 70 puntos, el 100 % de las actividades prácticas propuestas por el equipo docente.
• Aprobar con al menos 50 puntos el 100% de las evaluaciones parciales prácticas definidas, de acuerdo a la normativa vigente en la UNSL
• Asistir al menos al 75 % de las clases prácticas de aula y al 100% de las clases prácticas de laboratorio

C – RÉGIMEN DE APROBACIÓN CON EXÁMEN FINAL
El examen final para los estudiantes que se encuentren en condición regular consistirá en una evaluación oral y/o escrita sobre los contenidos teóricos de la asignatura. Los temas se sortearán al azar el día del examen.

D – RÉGIMEN DE PROMOCIÓN SIN EXAMEN FINAL
Para acceder a la condición de regular, los estudiantes deberán cumplir con los requisitos del inciso B, con las siguientes consideraciones:
• Las evaluaciones parciales se deberán aprobar con al menos 75 puntos, que además incluirán contenidos teóricos.

E – RÉGIMEN DE APROBACIÓN PARA ESTUDIANTES LIBRES
El curso no contempla régimen de aprobación para estudiantes libres.

[1] Signals and systems 2nd edition, A. Oppenheim, A. Willsky, S. Hamid. Pearson, 1996.
[2] Tipo: Libro
[3] Formato: Impreso
[4] Disponibilidad: Biblioteca UNSL Campus Villa Mercedes
[5] The Scientist and Engineer's Guide to DSP. Smith, S. W. California Technical Pub, 1997.
[6] Tipo: Libro
[7] Formato: Digital
[8] Disponibilidad: dspguide.com
[9] Redes neuronales y sistemas difusos 2da edición, B. Martín del Brío, A. Sanz Molina. Editorial Alfaomega, 2005.
[10] Tipo: Libro
[11] Formato: Impreso
[12] Disponibilidad: Biblioteca UNSL Campus Villa Mercedes
[13] Neural Networks and Deep Learning, M. A. Nielsen. Determination Press, 2015.
[14] Tipo: Libro
[15] Formato: Digital
[16] Disponibilidad: neuralnetworksanddeeplearning.com

[1] Neural networks and learning machines 3rd edition, S. Haykin. Pearson/Prentice Hall, 2008.
[2] Tipo: Libro
[3] Formato: Impreso
[4] Redes neuronales & deep learning. F. Berzal. Edición Independiente, 2018.
[5] Tipo: Libro
[6] Formato: Digital

- diseñar filtros digitales.
- implementar filtros digitales en un procesador digital de señales.
- diseñar controladores basados en lógica difusa
- implementar redes neuronales artificiales

1) Proceso digital de señales
2) Dispositivos DSP y FPGA
3) Sistemas de inferencia difusa
4) Redes neuronales artificiales

El régimen de promoción puede verse afectado en el caso de no poder llevar a cabo el 100% de las clases prácticas de aula y de laboratorio.

1.1. Identificar, formular y resolver problemas (Nivel 3)
1.3. Planificar, gestionar, controlar, supervisar, coordinar, ejecutar y evaluar proyectos (Nivel 3)
1.6. Proyectar y dirigir lo referido a la higiene, seguridad, impacto ambiental y eficiencia energética (Nivel 1)
2.1. Utilizar y adoptar de manera efectiva las técnicas, instrumentos y herramientas de aplicación (Nivel 1)
2.4. Aplicar conocimientos de las ciencias básicas de la ingeniería y de las tecnologías básicas (Nivel 3)