Atribución-NoComercial-SinDerivadas 4.0 InternacionalCortés Rodriguéz, Carlos JulioNarváez Orjuela, Diana Carolina2025-08-252025-08-252025https://repositorio.unal.edu.co/handle/unal/88445ilustraciones a color, diagramas, fotografíasEn la actualidad, los entornos industriales requieren de procesos más dinámicos y ergonómicos que optimicen la eficiencia productiva, reduzcan el impacto ambiental y prevalezca el cuidado de la salud de los trabajadores. A pesar de la implementación de las nuevas tecnologías que viene con la automatización industrial aún existen tareas repetitivas desarrolladas por el humano las cuales a largo plazo pueden generar lesiones musculoesqueléticas, lo que resalta la necesidad de sistemas que mejoren la interacción humano-máquina, y permitan realizar procesos innovadores. Este trabajo propone el desarrollo de una interfaz basada en señales mioeléctricas para operar un brazo robótico de cuatro grados de libertad, utilizando una red neuronal que interpreta y clasifica cuatro gestos específicos. Para lo cual se utilizo un desarrollo por etapas en donde se realiza el reconocimiento de los gestos, así como la generación de una base de datos, una propuesta de diferentes tipos de redes neuronales junto con una evaluación en donde se busca la red más apropiada para la aplicación, la generación de los códigos de operación del brazo robótico y la integración de todo el sistema en una interfaz humano-máquina. Dentro de los resultados obtenidos se generó una base de datos con 8931 gestos, una red neuronal recurrente BiLSTM que tiene una exactitud de validación del 96,62% y una pérdida en la validación de 0.11, los códigos necesarios para operar el brazo robótico en dos modos diferentes, así como, realizar configuraciones en los parámetros del movimiento, y una interfaz de usuario la cual permite conocer el estado de todo el sistema, así como interactuar directamente con cada una de las funcionalidades del brazo robótico a través de las señales EMG obtenidas de realizar un gesto. La implementación de esta tecnología permitirá una integración intuitiva y adaptable en entornos industriales, mejorando la precisión en tareas como el ensamble de piezas y manipulación de cargas, o en actividades no estándar que estén relacionadas con el aprendizaje de máquina, al tiempo que se minimiza la fatiga laboral y se incrementa la seguridad. La solución se alinea con los Objetivos de Desarrollo Sostenible ODS 8 y 9, promoviendo la innovación en la automatización industrial y el bienestar de los trabajadores a través de la robótica colaborativa (Texto tomado de la fuente).Nowadays, industrial environments require more dynamic and ergonomic processes that optimize production efficiency, reduce environmental impact, and promote worker health care. Despite the implementation of new technologies that come with industrial automation, there are still repetitive tasks performed by humans, which in the long term can generate musculoskeletal injuries. This highlights the need for systems that improve human-machine interaction and enable innovative processes. This work proposes the development of an interface based on myoelectric signals to operate a four-degreeof- freedom (DOF) robotic arm, using a neural network that interprets and classifies four specific gestures. Using a step-by-step development in which gesture recognition is carried out, as well as the generation of a database, a proposal for different types of neural networks together with an assessment where the most appropriate network for the application is sought, the generation of robot arm operation codes and the integration of the whole system into a human-machine interface. Within the results obtained, a database with 8931 gestures was generated, a BiLSTM recurrent neural network that has a validation accuracy of 96,62% and a validation loss of 0.11, the codes needed to operate the robotic arm in two different modes, as well, to make settings in the parameters of the movement, and a user interface which allows to know the state of the whole system, as well as interact directly with each of the functionalities of the robotic arm through the EMG signals obtained from performing a gesture. The implementation of this technology will allow intuitive and adaptable integration into industrial environments, improving accuracy in tasks such as assembly of parts and handling loads, or in non-standard activities that are related to machine learning, while minimizing work fatigue and increasing safety. The solution aligns with Sustainable Development Goals 8 and 9, promoting innovation in industrial automation and worker welfare through collaborative robotics.xiii, 234 páginasapplication/pdfhttp://creativecommons.org/licenses/by-nc-nd/4.0/620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingeniería670 - ManufacturaTrabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/info:eu-repo/semantics/openAccessONDAS ELECTRICASElectric wavesREDES NEURALES (COMPUTADORES)Neural networks (Computer science)ROBOTS INDUSTRIALESRobots, industrialMAQUINARIA AUTOMATICAAutomatic machineryINGENIERIA INDUSTRIALIndustrial engineeringAUTOMATIZACIONAutomationBrazo robóticoInterfaz humano-máquina (HMI)Electromiografía (EMG)MATLABRed neuronalRobótica colaborativaSeñales mioeléctricasHuman-machine interface (HMI)Electromyography (EMG)Collaborative roboticsMATLABMyoelectric signalsNeural networkRobotic arm