Objetivos del proyecto:

El análisis biomecánico de los lanzamientos atléticos de martillo con sensores inerciales (IMU) permite caracterizar la técnica de cada atleta. Una aplicación directa es identificar automáticamente a qué lanzador pertenece un lanzamiento. En un uso real, el sistema no conoce de antemano a todos los atletas: debe reconocer a los lanzadores registrados, detectar los lanzamientos de lanzadores nuevos y darlos de alta sin reconstruir el sistema. El trabajo usará un dataset público de lanzamientos de martillo registrados con IMU (https://doi.org/10.21950/XLOMIQ).

Este Trabajo Fin de Máster se centra en resolver este problema con técnicas clásicas de aprendizaje supervisado, comparando distintas representaciones de la señal y técnicas de clasificación. Los objetivos concretos son:

1. Representaciones de la señal: calcular y comparar datos brutos con PCA, características Catch24 (con y sin PCA) y una huella cinemática del lanzamiento (duraciones de las fases, máximos de aceleración y velocidad angular), con y sin selección de características.
2. Clasificación: implementar y comparar cinco técnicas (comparación con plantillas promediadas, SVM, LDA/QDA, k-NN y Random Forest), validando por sesión de captura (leave-one-session-out) y ajustando los hiperparámetros mediante validación anidada.
3. Rechazo de desconocidos: dotar a cada técnica de un mecanismo para detectar lanzamientos de lanzadores no registrados.
4. Alta incremental: incorporar lanzadores nuevos sin reentrenar todo el modelo, y medir su coste y su efecto sobre el reconocimiento de los anteriores.
5. Análisis biomecánico: identificar qué variables distinguen a cada lanzador.

Requisitos: Procesado de señal, minería de datos; Python (scikit-learn) o MATLAB.

Referencias

• Scheirer, W. J. et al. (2013). Toward open set recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence.
• Lubba, C. H. et al. (2019). catch22: CAnonical Time-series CHaracteristics. Data Mining and Knowledge Discovery.
• Schölkopf, B. et al. (2001). Estimating the support of a high-dimensional distribution. Neural Computation.

Objetivos del proyecto:

El análisis biomecánico de los lanzamientos atléticos de martillo con sensores inerciales (IMU) permite caracterizar la técnica de cada atleta. Una aplicación directa es identificar automáticamente a qué lanzador pertenece un lanzamiento. En un uso real, el sistema no conoce de antemano a todos los atletas: debe reconocer a los lanzadores registrados, detectar los lanzamientos de lanzadores nuevos y darlos de alta sin reconstruir el sistema. El trabajo usará un dataset público de lanzamientos de martillo registrados con IMU (https://doi.org/10.21950/XLOMIQ).

Este Trabajo Fin de Máster se centra en resolver este problema con aprendizaje profundo, en dos fases. Primero, una red aprende a convertir cada lanzamiento en una huella (un vector de números): la red no clasifica, solo produce huellas. Después, un clasificador de mínima distancia compara esa huella con los prototipos de los lanzadores registrados y decide a quién pertenece. La red se entrena una vez, y cada lanzador nuevo se da de alta calculando su prototipo, sin reentrenarla. Los objetivos concretos son:

1. Extractor de huellas: entrenar redes CNN 1D, TCN, CNN-LSTM o InceptionTime mediante metric learning (redes siamesas con triplet loss o pérdidas angulares tipo ArcFace), para que las huellas de un mismo lanzador queden cerca entre sí y las de lanzadores distintos queden lejos. Se usará aumento de datos para compensar el tamaño reducido de la muestra.
2. Clasificación y rechazo: representar cada lanzador registrado por su prototipo (la media de las huellas de sus lanzamientos), asignar cada lanzamiento nuevo al lanzador con el prototipo más cercano y marcarlo como desconocido si está lejos de todos. Se validará por sesión de captura (leave-one-session-out), ajustando hiperparámetros y umbrales mediante validación anidada.
3. Alta incremental: agrupar los lanzamientos desconocidos y dar de alta a los lanzadores nuevos calculando su prototipo, sin reentrenar la red.
4. Comparación: comparar este esquema con una CNN clasificadora convencional, en la que la propia red clasifica con una salida por lanzador y hay que ampliarla y reentrenarla en cada alta, y evaluar cuánto olvida a los lanzadores antiguos.
5. Opcional, interpretación de la red: identificar en qué fases del lanzamiento se fija la red para distinguir a cada lanzador, mediante técnicas como Grad-CAM o SHAP, que señalan los instantes de la señal que más influyen en su decisión.

Requisitos: Aprendizaje profundo y Python (PyTorch o TensorFlow) o MATLAB.

Referencias

• Scheirer, W. J. et al. (2013). Toward open set recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence.
• Mensink, T. et al. (2013). Distance-based image classification: generalizing to new classes at near-zero cost. IEEE Transactions on Pattern Analysis and Machine Intelligence.
• Schroff, F., Kalenichenko, D. y Philbin, J. (2015). FaceNet: a unified embedding for face recognition and clustering. CVPR.
• Rebuffi, S.-A. et al. (2017). iCaRL: incremental classifier and representation learning. CVPR.
• Lee, K. et al. (2018). A simple unified framework for detecting out-of-distribution samples and adversarial attacks. NeurIPS.
• Deng, J. et al. (2019). ArcFace: additive angular margin loss for deep face recognition. CVPR.
• Ismail Fawaz, H. et al. (2020). InceptionTime: finding AlexNet for time series classification. Data Mining and Knowledge Discovery.

Objetivos del TFM:

La geosmina es una molécula causante del característico olor a tierra mojada, conocido como preticor. Los precursores de geosmina son muy diversos, pero los principales son las bacterias del género Streptomyces (un grupo de actinobacterias), las cianobacterias (por ejemplo, especies como Planktothrix, Aphanizomenon o Anabaena) y ciertos hongos filamentosos (como Cortinarius herculeus, Cystoderma amianthinum y Cy. Carcharias), que liberan esta molécula como subproducto de su metabolismo. Aunque su olor no es desagradable después de un día de lluvia, es un serio problema cuando aparece en el agua potable puesto que produce un gran rechazo y alarma social. Su detección utilizando sensores es muy compleja y poco efectiva por lo que se buscan métodos para predecir su posible aparición y así evitar que se produzca.

Una solución es utilizar tecnologías digitales para la detección in situ. La metagenómica nos permite analizar el ADN de toda la comunidad microbiana presente en una muestra de agua, ofreciendo una visión completa de qué organismos están presentes y qué funciones genéticas poseen, por ejemplo, la capacidad de producir moléculas como la geosmina. Por ello, este Trabajo Fin de Máster se centra en construir una base de datos metagenómicos para identificar el riesgo de la aparición de geosmina en el agua potable.

Para asegurar la viabilidad del trabajo en el plazo de un TFM, se utilizarán datos de acceso público. Los objetivos concretos son:

1. Revisión del estado del arte: Realizar una revisión del estado del arte para identificar precursores de geosmina y descargar conjuntos de datos de repositorios públicos (como el European Nucleotide Archive o el NCBI/GenBank) que contengan secuencias metagenómicas de muestras de agua dulce, junto con metadatos ambientales asociados (temperatura, pH, concentración de nutrientes, etc.).
2. Procesamiento Bioinformático: Se utilizará el software SqueezeMeta, que es un pipeline automático y completo para el análisis de metagenómica y metatranscriptómica, que automatiza todo el proceso de análisis, incluyendo el co-ensamblaje de metagenomas relacionados. El objetivo es obtener perfiles taxonómicos (qué especies hay y en qué abundancia) y funcionales (qué genes relacionados con la producción de geosmina están presentes).
3. Construcción de la base de datos. Esta base de datos incluirá la información metagenómica y los datos ambientales, con la finalidad de predecir la probabilidad de riesgo de aparición de geosmina en muestras de agua.

4. Evaluación del riesgo. Se probarán diferentes técnicas, como:

   • Identificación de biomarcadores genéticos clave, como por ejemplo usando métodos de selección de características y clustering.
   • Modelado de la dinámica temporal de las comunidades precursoras, como por ejemplo utilizando Redes Neuronales.
   • Modelado de dependencias entre las variables, como por ejemplo utilizando Redes Bayesianas.

Referencias

• Tamames, J., & Puente-Sánchez, F. (2019). SqueezeMeta, a highly portable, fully automatic metagenomic analysis pipeline. Frontiers in Microbiology. Sec. Systems Microbiology. Volume 9. Doi:10.3389/fmicb.2018.03349.
• Urban, L., et al. (2021). "Freshwater monitoring by nanopore sequencing". eLife. Jan 19, 2021. Doi: 10.7554/eLife.61504
• Paolina Garbeva, Mariana Avalos, Dana Ulanova, Gilles P. van Wezel, Jeroen S. Dickschat (2023). Volatile sensation: The chemical ecology of the earthy odorant geosmin. Environmental Microbiology, Volume25, Issue9, pp. 1565-1574. Doi:10.1111/1462-2920.16381.
• Jüttner F, Watson SB (2007). Biochemical and ecological control of geosmin and 2-methylisoborneol in source waters. Appl Environ Microbiol, 73(14), pp.4395-406. doi: 10.1128/AEM.02250-06.
• Dan Zheng, Britt-Marie Wilén, Ola Öberg, Torsten Wik, Oskar Modin. Metagenomics reveal the potential for geosmin and 2-methylisoborneol production across multiple bacterial phyla in recirculating aquaculture systems. Environmental Microbiology, Volume26, Issue10, October 2024, e16696. Doi:10.1111/1462-2920.16696

Objetivo del Proyecto: La ejecución paralela de programas tiene como principal objetivo la mejora de la eficiencia y el rendimiento. El objetivo general del proyecto será aplicar la programación paralela a la simulación distribuida de modelos de tiempo continuo (principalmente aquellos cuya dinámica dependa de las coordenadas espaciales), y de eventos discretos (PDEVS, ABM, etc.). Para ello existen múltiples aproximaciones, dependiendo de la arquitectura del hardware sobre el que se quiere trabajar (e.g., memoria compartida o distribuida) o el lenguaje utilizado para la descripción de los modelos. Para el desarrollo del proyecto se acordará con los profesores encargados del trabajo las características particulares y los objetivos específicos del mismo.

Objetivo del Proyecto: Una red ad-hoc móvil es una red de dispositivos móviles conectados mediante tecnología inalámbrica donde todos los elementos en conjunto realizan las operaciones de enrutamiento del tráfico de la red sin necesidad de otro tipo de infraestructura fija o centralizada. Debido a la movilidad de los dispositivos, la topología y los enlaces entre dispositivos cambian a lo largo del tiempo, por lo que la red debe adaptarse a estos cambios. La aplicación de este tipo de redes es muy diversa, desde la gestión de emergencias, comunicación de vehículos autónomos, aplicaciones industriales, etc. El objetivo de este trabajo es modelar, utilizando el lenguaje Modelica, diferentes aspectos de las redes ad-hoc en combinación con los sistemas físicos con los que normalmente se integran (e.g., el propio dispositivo, sensores, actuadores, vehículos, etc.). Para el desarrollo del proyecto se acordará con el profesor encargado del trabajo las características particulares y los objetivos específicos del mismo.

Objetivos del Proyecto:

La proliferación masiva de cianobacterias (conocidas como floraciones o blooms) en masas de agua dulce representa un grave riesgo ecológico y para la salud pública debido a las toxinas que pueden producir. Los métodos de detección tradicionales son lentos y costosos, lo que impide una reacción a tiempo. Se busca desarrollar tecnologías digitales para la detección in situ y temprana de estos y otros biocontaminantes.

Este Trabajo Fin de Máster se centra en anticipar el riesgo de floraciones tóxicas utilizando Inteligencia Artificial y datos metagenómicos. La metagenómica nos permite analizar el ADN de toda la comunidad microbiana presente en una muestra de agua, ofreciendo una visión completa de qué organismos están presentes y qué funciones genéticas poseen (por ejemplo, la capacidad de producir toxinas o geosmina, un compuesto que da mal olor y sabor al agua).

Para asegurar la viabilidad del trabajo en el plazo de un TFM, el proyecto comenzará utilizando datos de acceso público. Los objetivos concretos son:

1. Búsqueda y Preparación de Datos: Realizar una revisión del estado del arte para identificar y descargar conjuntos de datos de repositorios públicos (como el European Nucleotide Archive) que contengan secuencias metagenómicas de muestras de agua dulce, junto con metadatos ambientales asociados (temperatura, pH, concentración de nutrientes, etc.).
2. Procesamiento Bioinformático: Utilizar pipelines de software especializados, como SqueezeMeta, para procesar los datos crudos. El objetivo es obtener perfiles taxonómicos (qué especies hay y en qué abundancia) y funcionales (qué genes relacionados con la producción de toxinas o geosmina están presentes).
3. Desarrollo de Modelos de IA: Explorar y desarrollar modelos de Inteligencia Artificial que integren la información metagenómica y los datos ambientales para predecir la probabilidad de riesgo. Se investigarán diferentes técnicas, como:
   • Métodos de selección de características y clustering para identificar biomarcadores genéticos clave.
   • Redes Neuronales Recurrentes (RNN/LSTM) o Transformers para modelar la dinámica temporal de las comunidades microbianas.
   • Redes Bayesianas para modelar las dependencias entre las variables y estimar la probabilidad de riesgo de forma robusta.
4. Validación y Documentación: Evaluar el rendimiento de los modelos desarrollados y empaquetar el mejor de ellos en una herramienta software documentada, capaz de generar una alerta de riesgo a partir de nuevos datos de entrada.

• Métodos de selección de características y clustering para identificar biomarcadores genéticos clave.
• Redes Neuronales Recurrentes (RNN/LSTM) o Transformers para modelar la dinámica temporal de las comunidades microbianas.
• Redes Bayesianas para modelar las dependencias entre las variables y estimar la probabilidad de riesgo de forma robusta.

Referencias

• Fournier, C., Fernandez-Fernandez, R., Cirés, S., López-Orozco, J. A., Besada-Portas, E., & Quesada, A. (2024). “LSTM networks provide efficient cyanobacterial blooms forecasting even with incomplete spatio-temporal data”. Water Research.
• Tamames, J., & Puente-Sánchez, F. (2019). “SqueezeMeta, a highly portable, fully automatic metagenomic analysis pipeline”. Frontiers in Microbiology.
• Urban, L., et al. (2021). “Freshwater monitoring by nanopore sequencing”. eLife.

En el competitivo sector de la logística, la eficiencia de la red de transporte es un factor clave para el éxito. La toma de decisiones sobre qué rutas utilizar, dónde ubicar centros de distribución (hubs) y cómo gestionar los flujos de mercancías son problemas de una enorme complejidad. Este proyecto se enmarca en abordar estos desafíos mediante la aplicación de tecnología y modelos matemáticos avanzados.

El objetivo es desarrollar soluciones que permitan optimizar operaciones logísticas basándose en datos históricos, con el fin de reducir costes, minimizar tiempos de entrega y mejorar la eficiencia general de la cadena de suministro.

El estudiante que se incorpore a este proyecto tendrá la oportunidad de trabajar con datos reales y afrontar problemas de gran impacto industrial, pudiendo especializar su trabajo en una de las siguientes líneas, o en una combinación de ellas:

1. Modelado y Optimización con Programación Lineal Entera Mixta (MILP): Esta línea se centra en el núcleo del problema de optimización. El estudiante trabajará en la formulación de un modelo matemático MILP que represente la red logística. Las tareas incluyen la definición de variables de decisión, restricciones operativas (capacidad de vehículos, ventanas horarias, etc.) y la función objetivo (minimización de costes). Posteriormente, se utilizará software especializado (como IBM CPLEX o librerías de Python) para resolver el modelo, analizar los resultados y realizar simulaciones de distintos escenarios (ej. ¿qué pasaría si la demanda aumenta un 20%?).
2. Análisis de Datos y Visualización Geográfica: Antes de optimizar, es fundamental comprender la situación actual. Esta línea de trabajo se enfoca en el análisis exploratorio de los datos históricos de transporte. El estudiante aplicará técnicas de ciencia de datos para limpiar y procesar la información, calcular métricas clave (coste por kilómetro, coste por kilo, etc.) e identificar patrones de flujo. Una tarea central será la creación de visualizaciones y “mapas de calor” de flujos ponderados (usando herramientas como Power BI o librerías de Python como Geopandas) para identificar geográficamente las zonas de mayor densidad de transporte, un paso previo fundamental para la localización de hubs.
3. Análisis de Redes con Teoría de Grafos y Búsqueda de Ubicaciones Óptimas (Facility Location): Esta vía aborda la estructura de la red y el problema estratégico de la localización de hubs. El trabajo consistiría en modelar la red de transporte como un grafo, analizando sus propiedades (nodos críticos, centralidad, etc.). A partir de ahí, se investigarían y aplicarían algoritmos para resolver el problema de la ubicación óptima de uno o varios hubs. Se podrían explorar desde técnicas de clustering para una primera aproximación, hasta métodos más avanzados como algoritmos evolutivos que interactúen con APIs de mapas (ej. Google Maps API) para obtener distancias y tiempos de ruta realistas, mejorando significativamente la calidad de la solución.

Este proyecto ofrece una excelente oportunidad para adquirir experiencia práctica en áreas de alta demanda como la Investigación Operativa, la Ciencia de Datos y la Optimización, aplicando conocimientos teóricos a un problema empresarial tangible y de gran relevancia actual.

El objetivo final de este trabajo es la programación de un robot que sea capaz de moverse de manera autónoma (usando inteligencia artificial mediante Aprendizaje por Refuerzo) por un entorno desconocido generando un mapa al mismo tiempo (SLAM).

Este proyecto combina aprendizaje automático, robótica móvil y percepción del entorno para lograr que el robot:

1. Aprenda de forma autónoma políticas de control óptimas para alcanzar objetivos en entornos desconocidos o dinámicos.
2. El robot sea capaz de construir un mapa del entorno y localizarse en él utilizando algoritmos de SLAM.
3. Combine el aprendizaje por refuerzo con la percepción del entorno para tomar decisiones informadas basadas en el mapa y su posición estimada.

El proyecto tendrá un fuerte carácter experimental enfocado inicialmente en simulación usando la plataforma iRobot Create 3 y el entorno ROS2. Dependiendo del avance y el contexto del TFM se planteará su implementación con el robot real.

Requisitos: Se recomienda tener cierta experiencia programando (idealmente con Python/C++) y disposición a entender ciertos conceptos matemáticos necesarios para la implementación.

La monitorización y análisis de los movimientos y acciones realizadas por los deportistas se ha convertido en una herramienta esencial para el entrenamiento de alto nivel y profesional. El conocimiento exacto y detallado de los movimientos realizados por el deportista proporciona una información muy valiosa que permite tanto al deportista como a su entrenador ir más allá del entrenamiento convencional. Por un lado, es más fácil detectar problemas o aspectos a mejorar en la técnica del deportista, de igual modo que si el mejor desarrollo o la mejor técnica es conocida con antelación, poder buscar una ejecución similar. De otro lado, permite analizar en profundidad la técnica particular de cada deportista, y ver qué aspectos son los que permiten mejorar su rendimiento y qué acciones son las que mejor encajan con su estilo y mecánica para mejorar sus resultados.

En particular, en el TFM se pretende extraer parámetros cinemáticos y dinámicos del atleta y del martillo en 3D mediante el empleo de técnicas de visión e inteligencia artificial aplicadas al análisis de vídeos. Al alumno se le proporcionarán vídeos de lanzadores de martillo desde dos posiciones con el fin de poder realizar la triangulación y extraer las coordenadas en 3D de los puntos articulares del atleta y del centro de masas del martillo. A partir de ese conjunto de coordenadas se derivarán todos los parámetros que analizan los entrenadores: ángulo del martillo, velocidad de salida del martillo, altura de salida, velocidad angular, momentos angulares, etc.

Requisitos: Conocimientos de visión artificial, Matlab, Python.

El objetivo de este TFM es desarrollar una aplicación que permita la recogida de datos del movimiento de diferentes partes de un cuerpo humano (tronco, brazos, piernas) mediante un sistema de localización UWB (Ultra Wide Band). Se dispone de un kit de desarrollo UWB (https://www.mouser.es/datasheet/2/412/MDEK1001_System_User_Manual-1.1-1878639.pdf) compuesto por 12 unidades alimentadas a baterías o vía USB. De todas ellas, cuatro unidades, conocidas como las anclas, deberán usarse para definir una circunferencia (radio máximo 30 m.), ocupando las cuatro posiciones estáticas y equiespaciadas, a alturas similares y con distancias conocidas; un máximo de siete unidades, los tags, se podrán mover dentro del perímetro delimitado por las anclas y una unidad, conocida como el listener, estará conectada vía USB a un PC para visualizar y recibir la información de las posiciones en tiempo real y proceder a su almacenamiento. El objetivo de TFM es desarrollar el software que se ejecutará en el PC y que dialogará con el listener a través del puerto serie. Los datos se almacenarán en ficheros en formato .csv para su posterior análisis y se podrán definir diferentes experimentos.

La aplicación puede desarrollarse en Matlab aunque no se descartan otras opciones sugeridas por el estudiante como, por ejemplo, Python.

Requisitos: Disponibilidad para reunirse en el Departamento de Informática y Automática y poder realizar pruebas experimentales.

El objetivo de este TFM es desarrollar una librería Simulink de elementos no lineales con y sin memoria que permita la utilización de estos elementos en simulaciones de sistemas de control y que, además, posibiliten visualizar el valor de su función descriptiva durante la simulación. Para ello, será necesario estudiar algunos capítulos del libro:

"Multiple-input describing functions and non-linear system design" de A. Gelb y W.E Van der Velde

dado que explica la teoría de la función descriptiva y recoge una gran variedad de elementos no lineales. Las no linealidades que se tienen que programar serán un subconjunto de las que aparecen en el texto indicado, así como otras que se utilizan habitualmente en la investigación actual que se desarrolla sobre muestreo y control por eventos como, por ejemplo, el muestreador Symetric Send-On-Delta (SSOD). Por ello, en algunos casos será necesario calcular la función descriptiva.

Requisitos: Conocimientos de Matlab/Simulink y buena capacidad de cálculo matemático.

Objetivos del Proyecto:

La impresión 3D por medio de deposición de material fundido es una tecnología de rápida expansión, pero no está carente de problemas.

Aunque, en teoría, la impresión es totalmente automatizada, existen numerosos problemas que pueden producirse durante la impresión y que requieren una supervisión humana (desalineación de las capas, temperatura inadecuada del plástico, despegue de la pieza de la cama de impresión, etc).

Hasta ahora la única forma de detectar estos errores es mediante la supervisión humana, de modo que la impresión se realiza “en lazo abierto”. El objetivo de este proyecto es poder detectar los fallos utilizando visión artificial mientras la pieza se imprime con el fin de automatizar más el proceso y poder “cerrar el lazo” en el proceso de impresión.

El proyecto tendrá las siguientes fases:

1) Definir mediante pruebas con un prototipo el número de cámaras necesarias para la supervisión de la impresión así como sus características y ubicación en el espacio.

2) Realizar una reconstrucción 3D en tiempo real del objeto que se está imprimiendo a partir de las imágenes obtenidas por visión arificial

3) Detectar fallos de impresión comparando el modelo 3D con la impresión real.

4) Integrar el sistema de detección de fallos con un sistema de impresión para que actué en caso de fallo (detención o pausa de la impresión, aviso al operador humano, cambio de los parámetros de impresión, etc).

La simulación dinámica de robots es imprescindible para la puesta a punto de numerosas aplicaciones en robótica y permite tomar decisiones sobre la adecuación del sistema robotizado a un entorno y a sus características. El trabajo consistirá en el modelado y desarrollo completo de un robot en el entorno de simulación ROS 2/Gazebo. Ambos, ROS 2 y Gazebo, son software de código abierto, conformando un excelente interfaz para escribir el mismo código en un robot simulado y real. El robot estará dotado de aquellos sensores que incorpora de serie, y, además, de aquellos dispositivos que faciliten su integración con otros sistemas de posicionamiento. Se desarrollará una interfaz integrable la plataforma experimental Robotic Park.

Referencias: F-J. Mañas-Álvarez, M. Guinaldo, R. Dormido y S. Dormido (2023). Robotic Park: Multi-Agent Platform for Teaching Control and Robotics. IEEE Access, vol. 11, pp. 34899-34911

El trabajo consistirá en el desarrollo de una interfaz gráfica que permite la supervisión de un entorno y la teleoperación de los robots disponibles en la plataforma experimental en ROS/Gazebo. Se plantea también la posibilidad de registro y visualización de ensayos.

Referencias: Zea, A., & Hanebeck, U. D. (2021). iviz: A ROS visualization app for mobile devices. Software Impacts, 8, 100057.

El trabajo consistirá en el desarrollo de una interfaz para la visualización de un entorno de simulación implementado en ROS 2/Gazebo donde se ejecuta el simulador de una plataforma experimental real de robots móviles.

Una sombra digital es una réplica virtual de un sistema físico que puede ser utilizada para simular, analizar y optimizar su desempeño en tiempo real en distintos escenarios. Esta caracterizada por una comunicación unidireccional en tiempo real desde el robot real. En este proyecto, se propone diseñar una sombra digital para un robot móvil en distintos escenarios utilizando ROS 2. Se deberá crear el modelo virtual del robot, integrando sensores y actuadores del robot físico con el modelo virtual y simular algunos escenarios diferentes característicos de este tipo de robots en distintos entornos, como el entrenamiento de modelos, detección de fallas, ajuste dinámico de controladores, navegación autónoma, etc.

Los gimbals son dispositivos que permiten fijar la posición absoluta de un dron manteniendo la libertad de movimiento angular. Esto permite estudiar con mayor detalle y seguridad los lazos de control de orientación de estos robots. El trabajo consistirá en el desarrollo del gemelo digital de un gimbal existente para el cuadricóptero Crazyflie 2.X. El sistema se construirá para el simulador Webots con integración en ROS 2. Se desarrollará un driver para el modelo virtual compatible con el dron real que permita el análisis de diferentes estrategias y arquitecturas de control para el controlador de posición y velocidad angular.

Referencias: Sharma, Suryansh and Dijkstra, Tristan and Prasad, Ranga Venkatesha, ,Open Gimbal: A 3 Degrees of Freedom Open Source Sensing and Testing Platform for Nano- and MicroUAVs, IEEE Sensors Letters, 2023, 7, 9,1-4, DOI: 10.1109/LSENS.2023.3307121 https://www.bitcraze.io/2023/10/tired-of-crashing-use-open-gimbal

Los gimbals son dispositivos que permiten fijar la posición absoluta de un dron manteniendo la libertad de movimiento angular. Esto permite estudiar con mayor detalle y seguridad los lazos de control de orientación de estos robots. El trabajo consistirá en el desarrollo de un gimbal completo para el cuadricóptero Crazyflie 2.X. Se puede tomar como base otras herramientas disponibles (ver referencia) y mejorarlas para obtener un dispositivo con alta tolerancia a fallos, fácil de mantener en el tiempo e intuitivo para alumnos de enseñanza a distancia e investigadores en el área de control. El sistema se construirá para basado en ROS 2 y se podrá ejecutar en combinación con herramientas software como Matlab/Simulink, Gazebo o Webots. Como resultado final se obtendrá una plataforma funcional en código abierto y disponible para impresión 3D con una serie de benchmarks demostrativos.

Referencias: Sharma, Suryansh and Dijkstra, Tristan and Prasad, Ranga Venkatesha, ,Open Gimbal: A 3 Degrees of Freedom Open Source Sensing and Testing Platform for Nano- and MicroUAVs, IEEE Sensors Letters, 2023, 7, 9,1-4, DOI: 10.1109/LSENS.2023.3307121 https://www.bitcraze.io/2023/10/tired-of-crashing-use-open-gimbal

El dron Crazyflie 2.X (https://www.bitcraze.io/crazyflie-2/) dispone de un amplio abanico de complementos hardware que van desde sensores de alta precisión hasta complejos sistemas de posicionamiento diseñados específicamente para trabajar con este cuadricóptero. Su control se hace mediante PID clásicos donde tanto la arquitectura como la parametrización es totalmente abierta y accesible por el usuario. Para este TFM se plantea el realizar una optimización de un control fuzzy de tipo 1 (T1-FPID) ya desarrollado mediante diferentes técnicas. Además, se platea el diseño de un sistema de control PID fuzzy de intervalo tipo 2 (IT2- FPID) para el Crazyflie al variar determinados parámetros del dron. Este tipo de control fuzzy presenta importantes ventajas en estabilidad, rechazo a perturbaciones y tiempo de respuesta.

Por tanto, las actividades que se plantean desarrollar en este proyecto serán:

1. Profundizar en el conocimiento de las arquitecturas y en el entorno de desarrollo del Crazyflie 2.X
2. Optimizar un controlador fuzzy de tipo 1 mediante diferentes técnicas.
3. Desarrollar los módulos software necesarios para que tanto las medidas de los sensores como el envío de órdenes de control se rijan mediante un esquema fuzzy de intervalo de tipo 2.
4. Implementar dichas soluciones en el Crazyflie 2.X.

Referencias: TFM: Control de posición fuzzy aplicado al CrazyFlie 2.X Omar. Rodríguez-Abreo, Juvenal Rodríguez-Reséndiz, A. García-Cerezo, José R. García-Martínez, “Fuzzy logic controller for UAV with gains optimized via genetic algorithm”, Heliyon, Volume 10, Issue 4, 2024 Fethi Candan, Omer Faruk Dik,Tufan Kumbasar, Mahdi Mahfouf, Lyudmila Mihaylova, “Real-Time Interval Type-2 Fuzzy Control of an Unmanned Aerial Vehicle with Flexible Cable-Connected Payload”, Algorithms 2023, 16(6), 273

La plataforma de quadrotors Crazyflie 2.X es un entorno abierto y muy dinámico que cuenta con una comunidad muy activa tanto en el desarrollo hardware como software (https://www.bitcraze.io/crazyflie-2/). Este ecosistema dispone de un elemento principal, el dron Crazyflie 2.X, además de un amplio abanico de complementos hardware que van desde sensores de alta precisión hasta complejos sistemas de posicionamiento diseñados específicamente para trabajar con este cuadricóptero. Por otro lado, cuenta también con varias aplicaciones y diferentes entornos de desarrollo que permiten implementar multitud de aplicaciones basadas en el Crazyflie 2.X. Por último, el control de este sistema se hace mediante PID clásicos donde tanto la arquitectura como la parametrización es totalmente abierta y accesible por el usuario. Para este TFM se plantea desarrollar el control del Crazyflie 2.X mediante control fuzzy basado en eventos. La principal hipótesis sobre la que se sustenta esta idea es doble. Por un lado, el control fuzzy es una técnica aplicable en la operación de drones debido a su capacidad para manejar la incertidumbre y la imprecisión en entornos dinámicos. Por otro lado, el control por eventos permite gestionar de manera más eficiente los sistemas desde un punto de vista de ahorro de recursos, mejorando el rendimiento.

Por tanto, las actividades que se plantean desarrollar en este proyecto serán:

1. Profundizar en el conocimiento de las arquitecturas y en el entorno de desarrollo del Crazyflie 2.X
2. Desarrollar los módulos software necesarios para que tanto las medidas de los sensores como el envío de órdenes de control se rijan mediante un esquema fuzzy por eventos
3. Implementar dichas soluciones en el Crazyflie 2.X.

Referencias: TFM: Control de posición fuzzy aplicado al CrazyFlie 2.X Mañas-Álvarez F.J., Guinaldo M., Dormido R., Socas R., Dormido S., “Control basado en eventos mediante umbral relativo aplicado al control de altitud de cuadricópteros Crazyflie 2.1”, Jornadas de Automática 2021

Requisitos: Haber cursado las asignaturas “Modelado de sistemas dinámicos” y “Simulación de sistemas”.

Objetivo del Proyecto:

Aplicar el modelado matemático y la simulación a la resolución de un problema en el ámbito de la Ingeniería de Sistemas y la Automática. El objetivo concreto de cada trabajo se acordará con el alumno, atendiendo a sus intereses. Algunas posibles aplicaciones son el desarrollo de sistemas de soporte a la decisión, de laboratorios virtuales y de librerías de modelos para el diseño, dimensionamiento, optimización, análisis de modos de fallo y control de sistemas. Posibles sistemas objeto de estudio son cualquier unidad de proceso industrial, sistemas electromecánicos, sistemas para obtención y almacenamiento de energía (pilas de combustible, baterías, paneles y colectores solares, aerogeneradores, etc.), sistemas biológicos, sistemas logísticos, etc.

El Digital Product Passport (DPP) es el instrumento principal del Reglamento ESPR (EU 2024/1781) y el Reglamento de Baterías (EU 2023/1542), con despliegue obligatorio por categorías de producto entre 2026 y 2030. Los equipos de laboratorio y los modelos de simulación que se comercializan en el marketplace de DecentraLabs entran precisamente en las categorías afectadas.

Este TFM propone diseñar e implementar una arquitectura de DPP verificable para el ecosistema DecentraLabs, aprovechando piezas ya existentes: los submodelos AAS/IDTA del servidor BaSyx desplegado por cada proveedor, los Smart Contracts Diamond para trazabilidad on-chain, y la infraestructura de credenciales verificables planificada. El resultado es que cada activo del marketplace (equipo físico o modelo FMU) puede publicarse con un DPP verificable y auditable por terceros sin depender de DecentraLabs como autoridad central.

El trabajo tiene un componente de investigación (estudio de la regulación y los estándares IDTA) y un componente de implementación (integración en el stack DecentraLabs).

DecentraLabs es una plataforma que permite a instituciones reservar y acceder remotamente a laboratorios físicos y modelos de simulación. El acceso actual se limita al protocolo FMI (modelos de simulación) y a acceso remoto de escritorio (RDP/Guacamole) para laboratorios físicos. OPC UA, el estándar industrial de facto para la integración operativa, no está soportado como protocolo de acceso.

Este TFM propone diseñar e implementar un broker de sesiones OPC UA que permita a un cliente con reserva vigente conectarse a un servidor OPC UA del proveedor usando las mismas primitivas de autorización que ya existen (smart contracts, JWT operativo, audit trail on-chain). El trabajo incluye componentes de investigación (modelo de seguridad OPC UA, perfiles de sesión, companion specs) y de implementación (servicio de broker, integración con el gateway y el smart contract). El resultado extiende la propuesta de valor de DecentraLabs desde "acceso a simulación" hasta "acceso a interfaz industrial operativa".

Objetivos del Proyecto:

El objetivo del proyecto es usar el Kit BalanceBot del robot GoPiGo 3 junto a este último para convertir el robot en una suerte de péndulo invertido que debe ser controlado.
El robot GoPiGo (http://www.dexterindustries.com/gopigo/) es un robot basado en Raspberry Pi de fácil manejo. El kit de extensión BalanceBot para este robot (https://www.dexterindustries.com/shop/gopigo3-balancebot-kit/) permite convertir el robot clásico en un robot de balanceo, similar a un péndulo invertido.
Los objetivos concretos del proyecto son:

1. Puesta a punto del robot y familiarización con su funcionamiento básico: envío de órdenes de los actuadores y lectura de los sensores entre otras tareas.
2. Diseño de un controlador que permita el correcto equilibrio del robot de balanceo.
3. Diseño de una aplicación informática que pueda usarse para realizar el control del robot.

Objetivos del Proyecto:

En los últimos años se ha producido un crecimiento exponencial de misiones satelitales de bajo costes. Cubesat es una plataforma que se ha establecido como un estándar para pico/nano-satélites. En esta plataforma se pueden utilizar componentes electrónicos no calificados para espacio, por lo que es viable desarrollar prototipos a un nivel docente en las universidades. Las misiones que se plantean con Cubesats son cada vez más exigentes y por tanto es necesario desarrollar unidades y subsistemas con nuevas prestaciones.
En este proyecto se plantea al alumno diseñar, simular o desarrollar unidades o subsistemas, como pueden ser: sensores solares, sensores magnéticos, ruedas de reacción, sensores estelares, sistema de propulsión, control de actitud, control de órbita, control de formación, control térmico, control de potencia, OBDH, RTU, …
Se acordará con el profesor la unidad o subsistema a desarrollar y el nivel de profundidad al que se debe trabajar. En algunos casos se puede llegar al nivel de prototipo físico, mientras que en otros es suficiente trabajar a nivel simulado, todo depende de la complejidad del tema acordado.

Referencias

1. Plataforma Cubesat: http://www.cubesat.org/
2. Ejemplo de TFM de unidad: Raúl Argüelles Villanueva, Algoritmia de Sensor Estelar para CubeSat, TFM Ingeniería de sistemas y Control (UCM-UNED) 2014-2015.
3. Ejemplo de TFM de subsistema: Miguel Ángel López Luesma, Subsistema de Control de Actitud (ACS) de un Cubesat, TFM Ingeniería de sistemas y Control (UCM-UNED) 2013-2014.

Los TFM se pueden descargar desde la web del Master

Objetivos del Proyecto:
El objetivo de los proyectos que se engloban bajo este epígrafe es el desarrollo de un nuevo planificador de trayectorias para vehículos no tripulados (preferiblemente aéreos o marinos), basándose en alguna técnica de optimización heurística o método de inteligencia artificial. Para desarrollar el proyecto el alumno tendrá que 1) familiarizarse con un problema de planificación real determinado (e.g. búsqueda de objetivos en tiempo mínimo o la optimización de trayectorias en entornos hostiles) y con el funcionamiento del método propuesto para resolverlo, 2) implementar un planificador en el que se propongan soluciones al problema con la técnica elegida, y 3) analizar la calidad de las trayectorias obtenidas para diferentes escenarios del problema. 
Además de las propuestas que puedan realizar los directores del trabajo, se consideraran los problemas de planificación de trayectorias de vehículos no tripulados que los alumnos deseen resolver.

A continuación, se incluyen algunas referencias de planificadores en cuyos desarrollos han participado los directores de esta propuesta. Otros ejemplos de planificadores, desarrollados por los alumnos del Master pueden encontrarse en la sección de “Trabajos Fin de Master à Trabajos Presentados”.

Referencias:

Objetivo del trabajo:

El objetivo de los proyectos que se engloban bajo este epígrafe es el desarrollo de las técnicas y los subsistemas necesarios para poder monitorizar de forma eficiente e inteligente la calidad de una masa acuática de interior (p.e. un embalse o un río) por medio de embarcaciones no tripuladas guiadas por técnicas de control cooperativo o estrategias de inteligencia artificial (incluyendo técnicas de aprendizaje profundo). Más en concreto, a) las embarcaciones llevarán un sistema de sensorización capaz de recoger información relevante de las variables que se deben monitorizar, y b) la información recogida será utilizada por los sistemas de percepción, planificación, navegación y/o control para determinar las zonas de interés, donde la contaminación es más probable, y poder guiar los vehículos hacia ella. Además, esta información también podrá ser utilizada para sintonizar el comportamiento de los subsistemas y aumentar la eficiencia del proceso de monitorización.

El alumno podrá centrar el trabajo en el desarrollo de diferentes técnicas para cada alguno de los sistemas involucrados en el proceso (sensorización, percepción, planificación, navegación, control, comunicación) o para varios de ellos.  Por lo tanto, una definición detallada del objetivo concreto de cada trabajo será realizada con los profesores que lo tutoricen teniendo en cuenta los intereses y conocimientos previos del alumno.

Algunos ejemplos de trabajos desarrollados el curso pasado bajo este epígrafe pueden encontrarse en la sección de “Trabajos Fin de Máster à Trabajos Presentados”.

Equipo de trabajo: María Guinaldo Losada (mguinaldo@dia.uned.es), Ernesto Aranda Escolástico (earandae@issi.uned.es).

Objetivo del proyecto:

PCS es una librería de código abierto y orientada a objetos desarrollada por el Departamento de Informática y Automática de la UNED, diseñada para proporcionar un marco de trabajo para la realización sencilla de simulaciones de control de procesos en MATLAB.

Los objetivos del proyecto son:

• Estudiar y conocer la librería de código abierto PCS para MATLAB.
• Estudiar, analizar y comprender los conceptos de orientación a objetos, control en red y control basado en eventos.
• Diseñar e implementar una Interfaz de Usuario (UI) basada en un paradigma orientado a objetos para simplificar la realización de simulaciones en PCS.

Referencias:

• Process Control Simulations (PCS) for MATLAB. https://github.com/crcuned/pcsmatlab.
• E. Aranda-Escolástico, C. Rodríguez, M. Guinaldo, J.L. Guzmán, S. Dormido. Control PID basado en eventos periódico para sistemas de control en red. XXXVII Jornadas de Automática, Madrid, 2016.

Equipo de trabajo: María Guinaldo Losada (mguinaldo@dia.uned.es), Ernesto Aranda Escolástico (earandae@issi.uned.es).

Objetivo del proyecto:

El objetivo de este proyecto es crear un simulador que permita recrear el comportamiento de un vehículo autónomo mientras se encuentra inmerso en un fluido. Este objetivo se desarrollará en las siguientes fases:

• Estudiar y conocer las capacidades de movimiento, sensorización y actuación del vehículo, así como los cambios que producirá en estas capacidades el flujo de corriente del fluido.
• Implementar estos modelos en forma de ecuaciones diferenciales permitiendo cierta configuración de parámetros por parte del usuario.
• Diseñar e implementar una interfaz gráfica que permita visualizar el movimiento del vehículo y la evolución temporal de las variables de interés.
• Implementar algoritmos de exploración del fondo marino dados y procesar dicha información para su visualización.

Equipo docente: Jose Manuel Díaz Martínez y Rocio Muñoz Mansilla

Objetivos del proyecto:
Aplicar las técnicas de identificación de sistemas junto con el modelado físico para obtener un modelo de un sistema. Usar dicho modelo para resolver algún problema de control del sistema aplicando alguna estrategia de control (clásica, robusta, etc). El sistema sobre el que se realizará el proyecto está abierto y debe ser propuesto por el estudiante en función de sus preferencias y experiencia personal o laboral.

Objetivos del proyecto:

Una de las áreas más investigadas en el transporte inteligente es la gestión de tráfico y diseño de flujos de tráfico para una conducción más segura y eficiente. La precisión y rapidez en la información del flujo de tráfico es actualmente un asunto clave y una fuerte necesidad para tanto la conducción privada como el sector de negocio y transporte público. Tiene el potencial de ayudar a conseguir mejoras en la toma de decisiones de viaje, aliviar la congestión del tráfico, reducir las emisiones de carbono y mejorar la eficiencia en las operaciones de tráfico.

La predicción de flujo de tráfico depende fuertemente de los datos de tráfico históricos y en tiempo real, capturados desde todo tipo de fuentes. Un gran volumen de datos se recopilan constantemente desde múltiples fuentes y sensores, y es difícil combinar todo en características para entrenar modelos de predicción, debido a diferentes significativas en el tiempo, cobertura de red y calidad de los datos. Por todo ello, son necesarias nuevas infraestructuras y técnicas para tratar estos datos masivos heterogéneos en tiempo real.

En relación con las técnicas de predicción de flujo de información, aunque hay ya muchos modelos y sistemas de predicción de flujo de tráfico, la mayoría de ellos usan modelos poco profundos de tráfico y de alguna forma no son satisfactorios o eficaces. Esto inspira a repensar el problema de la predicción de flujo de tráfico a partir de modelos de arquitecturas profundas con datos masivos heterogéneos. Hoy en día, es un reto el desarrollo de modelos de predicción de tráfico fiables, precisos, y en tiempo real.

Bibliografía

Nguyen,H. , Kieu, L., Wen,T., Cai, C. Deep learning methods in transportation domain: a review. IET Intell. Transp. Syst., 2018, Vol. 12 Iss. 9, pp. 998-1004.

Weitao Wang, Yuebin Bai, Chao Yu, Yuhao Gu, Peng Feng, Xiaojing Wang, and Rui Wang A Network Traffic Flow Prediction with Deep Learning Approach for Large-scale Metropolitan Area Network. NOMS 2018 - 2018 IEEE/IFIP Network Operations and Management Symposium 23-27 April 2018, Taipei, Taiwan

Wua, Y., TanaH., Qinc, L., Ranc,B., Jiang, Z., A hybrid deep learning based traffic flow prediction method and its understanding. Transportation Research Part C 90 (2018) 166–180

Yuan, J., Zheng, Y., Xie, X., Sun, G., 2011. Driving with knowledge from the physical world. In: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM, pp. 316–324.

Zhang, D., Kabuba, M.R., Combining Weather Condition Data to Predict Traffic Flow: A GRU Based Deep Learning. Approach. 2017 IEEE 15th Intl Conf on Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence and Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress

Objetivo del proyecto: La plataforma de quadrotors Crazyflie 2.X es una entorno abierto y muy dinámico debido a que cuenta con una comunidad muy activa tanto en el desarrollo hardware como software de este sistema (https://www.bitcraze.io/crazyflie-2/). Este ecosistema dispone de un elemento principal, el drone Crazyflie 2.X, además de un amplio abanico de complementos hardware que van desde sensores de alta precisión hasta complejos sistemas de posicionamiento diseñados específicamente para trabajar con este UAV. Por otro lado, cuenta también con varias aplicaciones y diferentes entornos de desarrollo que permiten implementar multitud de aplicaciones basadas en Crazyflie 2.X. Por último, el control de este sistema se hace mediante PID clásicos donde tanto la arquitectura como la parametrización es totalmente abierta y accesible por el usuario. Llegados a este punto, para este TFM se plantea desarrollar el control del Crazyflie 2.X mediante control basado en eventos. La principal hipótesis sobre lo que se sustenta esta idea es que aplicar este tipo de control aportan grandes ventajas desde el punto de visto del ahorro de recursos.

Por tanto, las actividades que se plantean desarrollar en este proyecto serán:

1) Profundizar en el conocimiento de las arquitecturas y en el entorno de desarrollo del Crazyflie 2.X

2) Desarrollar los módulos software necesarios para que tanto las medidas de los sensores como el envío de órdenes de control se rijan mediante un esquema de eventos, y

3) Implementar dichas soluciones en el Crazyflie 2.X.

Objetivo del proyecto:

Se pretende el uso de técnicas no supervisadas para la evaluación del impacto de las reseñas de libros en el rendimiento de las ventas y la caracterización de la utilidad de las reseñas de acuerdo con el análisis de su contenido y su contexto. El proyecto abordará la aplicación de distintas técnicas de clustering, el análisis de su estabilidad y la realización de validación externa e interna de los resultados. Adicionalmente, se planteará la realización de un análisis de topic modeling en cada uno de los clusters identificados. La investigación deberá combinar diferentes técnicas de minería de textos y procesamiento de lenguajes naturales para extraer información relevante de las reseñas que, junto a metadatos relevantes de cada uno de los libros, servirán de datos de entrada para entrenar modelos de aprendizaje automático no supervisado.

NOTA: Los datos para el proyecto provienen de bases de datos de reseñas y metadatos de libros proporcionados por Amazon y se suministran convenientemente.

Referencias relevantes:

Chevalier, J. A., & Mayzlin, D. (2006). The effect of word of mouth on sales: Online book reviews. Journal of Marketing Research, Vol. 43, pp. 345–354.

Diaz, G. O., & Ng, V. (2018). Modeling and prediction of online product review helpfulness: A survey. ACL 2018 - 56th Annual Meeting of the Association for Computational Linguistics, Proceedings of the Conference (Long Papers), 1, 698–708.

Silge, J., & Robinson, D. (2017). Text Mining with R - O’Reilly Media

Zhu, F., & Zhang, X. (2010). Impact of online consumer reviews on Sales: The moderating role of product and consumer characteristics. Journal of Marketing, Vol. 74, pp. 133–148

Objetivo del proyecto:

El desarrollo de técnicas de detección de epilepsia, así como de métodos de predicción de los ataques epilépticos son fundamentales en el estudio de la epilepsia. Las señales electroencefalográficas (EEG) son señales multicanal que registran perfectamente dichos ataques. Se propone el desarrollo de un método no supervisado de detección de ataques utilizando señales EEG.

NOTA: se facilitarán las señales EEG con las que se trabaja en el proyecto.

Referencias:

“Unsupervised Event Detection and Classification of Multichannel Signals”, Mur A., Dormido R., Vega J., Dormido-Canto S., Duro N., Expert Systems with Applications, 2016, Vol. 54, pp: 294-303. ISSN: 0957-4174. Ed: Elsevier. doi: http://dx.doi.org/10.1016/j.eswa.2016.01.014

“Unsupervised Event Characterization and Detection in of Multichannel Signals: an EEG application”, Mur A., Dormido R., Vega J., Duro N., Dormido-Canto S. Sensors, 2016, Vol. 16, pp: 590. ISSN 1424-8220 (online). Ed: MDPI and ACS Style. doi: 10.3390/s16040590

Las turbinas eólicas offshore multirrotor constituyen una alternativa a las configuraciones convencionales de un único rotor, pero la interacción entre los diferentes rotores puede afectar tanto a la producción de energía como a las cargas estructurales.

En este trabajo se estudiará, mediante simulación, el comportamiento de una turbina eólica offshore multirrotor y el efecto de estrategias sencillas de control coordinado entre sus rotores. Se utilizará un modelo simplificado orientado al control y se comparará el funcionamiento de estrategias de control independiente y coordinado bajo diferentes condiciones de viento. Se analizará su efecto sobre la producción de potencia y algunas variables representativas de las cargas y del comportamiento dinámico del sistema.

La expansión de la energía eólica marina flotante plantea nuevos desafíos relacionados con su interacción con el entorno marino. Entre ellos, destaca la posible influencia del ruido y las vibraciones estructurales de los aerogeneradores sobre las especies que utilizan señales acústicas para la navegación, reproducción, alimentación y comunicación. Este Trabajo Fin de Máster tiene como objetivo analizar las frecuencias características de vibración de aerogeneradores eólicos flotantes mediante simulaciones numéricas realizadas con OpenFAST, evaluando la influencia de los distintos grados de libertad de la plataforma flotante en el espectro frecuencial del sistema. Posteriormente, los espectros obtenidos se compararán con las bandas de frecuencia empleadas por diferentes especies de fauna marina en señales de audio. El estudio permitirá identificar posibles solapamientos espectrales y aportar conocimiento sobre el impacto potencial de la energía eólica flotante en los ecosistemas marinos, contribuyendo al diseño de instalaciones más sostenibles y compatibles con la conservación de la biodiversidad.

La creciente demanda de energías renovables ha impulsado a la energía eólica. Para maximizar su producción las turbinas eólicas han ido aumentado de tamaño, llegando a alcanzar capacidades de hasta 20 MW. Estas grandes turbinas requieren de eficientes sistemas de control para aumentar su eficiencia. Entre ellos destaca el control del ángulo de las palas (pitch), que opera en la región de potencia nominal y es necesario para evitar el daño estructural de las mismas para fuertes vientos. Se han propuesto diferentes enfoques de control para abordar el problema del ángulo de paso en aerogeneradores, tanto de control de paso colectivo (Collective pitch control, CPC) como de control de paso individual (Individual Pitch control, IPC). En este trabajo propone la implementación de un controlador de paso individual para una turbina de 15 MW, con el objetivo de analizar vibraciones y cargas en su estructura sin comprometer la calidad de la energía extraída. A partir de un modelo computacional linealizado en OpenFAST/Simulink, se diseñará e implementará el controlador para mitigar activamente las vibraciones de flexión en palas y torre frente a cizalladura del viento y turbulencia.

El modelado de la dinámica no lineal de los aerogeneradores, especialmente de las turbina eólica flotantes, representa un importante desafío. La plataforma responde a excitaciones de viento y oleaje en escalas temporales muy distintas, desde segundos hasta minutos. Las redes recurrentes convencionales, como las LSTM, se han mostrado eficaces en la identificación de esta dinámica, pero su coste computacional y su escasa interpretabilidad limitan su implementación en tiempo real. Este TFM explorará arquitecturas neuronales que incorporen explícitamente esa estructura multiescala o el conocimiento físico del sistema, utilizando datos generados con el simulador OpenFAST. El objetivo alcanzar una precisión comparable o superior con menos parámetros y mejor capacidad de generalización.

Este Trabajo Fin de Máster aborda el diseño y la evaluación de estrategias de control inteligente para optimizar la operación de granjas de aerogeneradores marinos. Mediante la herramienta de simulación OpenFarm, se analizarán las interacciones entre turbinas, especialmente el efecto de las estelas, y su influencia en la producción energética y las cargas estructurales. El objetivo será desarrollar estrategias de control coordinado que permitan adaptar la operación de la granja a las condiciones ambientales y a la demanda eléctrica, buscando un equilibrio entre producción de energía, reducción de cargas y eficiencia operativa.

El trabajo incluirá la configuración de escenarios de simulación, el análisis del comportamiento de la granja y el desarrollo de estrategias de control, tomando como referencia técnicas clásicas y explorando métodos de control inteligente y aprendizaje automático basados en datos. Se evaluarán las estrategias propuestas mediante simulaciones en diferentes condiciones de operación, comparando su rendimiento en términos de producción energética, seguimiento de la demanda, cargas estructurales y robustez frente a cambios e incertidumbres. El TFM permitirá adquirir experiencia práctica en modelado y simulación, control multivariable, optimización y técnicas inteligentes aplicadas a sistemas energéticos, con el objetivo de desarrollar un prototipo de controlador y cuantificar las mejoras que puede aportar a la gestión de parques eólicos marinos.

Las turbinas eólicas flotantes son una tecnología de reciente desarrollo. La mayoría de los parques eólicos marinos de este tipo cuentan con pocos años de operación y corresponden a plantas piloto, por lo que los datos operativos para estudiar su comportamiento dinámico y predecir fallos son escasos o no están disponibles.

El objetivo de este trabajo es generar datos sintéticos mediante técnicas de Deep Learning que permitan estudiar en profundidad y predecir el comportamiento de las turbinas marinas. Con la aplicación de modelos generativos como las Redes Adversarias Generativas (GANs) o los modelos de difusión se pretende aumentar el volumen de datos generando series temporales realistas para las variables operativas e hidrodinámicas más relevantes.

Como punto de partida y patrón de referencia del comportamiento eólico real, se utilizará la base de datos CARE (CARE to Compare: A Real-World Benchmark Dataset for Early Fault Detection in Wind Turbine Data). Este dataset recopila registros SCADA de alta resolución (intervalos de 10 minutos) procedentes de decenas de aerogeneradores en parques eólicos reales, sirviendo de base para entrenar los modelos generativos. Posteriormente, se utilizarán estos datos sintéticos enriquecidos con herramientas de Deep Learning, como los modelos fundamentales, para detección de fallos y mantenimiento predictivo.

Los robots móviles autónomos (AMR) se utilizan cada vez más en almacenes, fábricas y entornos logísticos, donde operan en flotas que deben repartirse tareas, evitar conflictos y gestionar su autonomía. La eficiencia de estos sistemas no depende solo de cada robot, sino de cómo se coordinan la asignación de misiones, las trayectorias y las recargas. Esto plantea un problema de optimización complejo, en el que el consumo energético y el cumplimiento de plazos entran en tensión.

En este TFM se abordará la planificación coordinada de una flota de robots móviles autónomos (AMR) en un entorno industrial simulado, considerando simultáneamente la asignación de tareas, la generación de trayectorias y el consumo energético. Se desarrollará un modelo que incorpore el estado de carga de las baterías, las restricciones cinemáticas y dinámicas de los robots, los tiempos de entrega y los puntos de recarga. Sobre dicho modelo se diseñará un controlador predictivo que anticipe los perfiles de velocidad, las aceleraciones y las paradas de las misiones repetitivas, optimizando el consumo energético con restricciones de tiempo, seguridad y límites de actuación. Se comparará con una estrategia de navegación y control convencional en términos de energía consumida, tiempo de misión y esfuerzo de actuación. El trabajo se realizará en simulación (MATLAB/Simulink, Python o ROS/Gazebo). Además, se podrá estudiar el aporte de un modelo de consumo aprendido a partir de datos simulados a la calidad de las decisiones del controlador. Es un trabajo que une modelado, predicción, optimización y control, con potencial de generar alguna contribución científica.

La operación y el mantenimiento (O&M) de los parques eólicos marinos (offshore), y en particular de las turbinas flotantes, es una de las partidas más costosas y condicionadas por la severidad del estado de la mar y las condiciones meteorológicas adversas. Los vehículos de superficie no tripulados (USV) se perfilan como una alternativa para reducir costes y riesgos operativos, tanto por su capacidad de inspección y monitorización como por su papel de plataforma de apoyo a ROVs, AUVs o drones. Sin embargo, la planificación de su trayectoria en este entorno complejo está supeditado a las tareas que puede desempeñar el USV así como a las condiciones de movilidad que dependen de cada misión, relacionadas con las restricciones geométricas de las estructuras y de las perturbaciones dinámicas del medio marino.

En este TFM se realizará un análisis sistemático del estado del arte sobre las labores de un USV en control y O&M de parques eólicos marinos. A partir de él, se construirá una taxonomía de misiones (inspección visual, monitorización, apoyo a vehículos subacuáticos, comunicaciones, etc.) y se deducirán sus requisitos de movilidad: velocidad y precisión de posicionamiento, radios de giro, mantenimiento de posición cerca de la estructura, y limitaciones por viento, oleaje y corrientes. Estos requisitos se traducirán en condiciones de contorno, restricciones y funciones de coste de un problema de planificación de trayectorias para estos vehículos. Como parte final y acotada, se implementará un planificador y optimizador de trayectorias acoplado a un sistema de control de seguimiento de esa ruta, comparando alternativas sencillas (por ejemplo, curvas de Dubins frente a trayectorias con continuidad de curvatura) bajo las condiciones identificadas. La validación se llevará a cabo mediante simulación, evaluando el desempeño de forma cuantitativa a través de métricas de error y eficiencia.

Hace menos de 10 años la energía eólica dio el primer paso para llevar las turbinas eólicas a alta mar, con distintos diseños de plataformas flotantes. Desde entonces la energía eólica offshore flotante se ha seguido desarrollando. Sin embargo, estos sistemas plantean unos retos difíciles desde el punto de vista de la ingeniería de sistemas y del control. Esto es debido fundamentalmente a que son elementos que soportan fuerzas de gran envergadura, de las olas, las corrientes, y el viento, lo que genera vibraciones estructurales significativas, cargas de fatiga y cargas extremas en sus componentes.

En este TFM se desarrollará una estrategia de control ATD (Active Tower Damping) basada en inteligencia artificial para reducir las oscilaciones de la torre de una turbina eólica marina flotante. A partir de datos obtenidos mediante simulaciones con OpenFAST, se analizará la dinámica de la turbina y se diseñará un controlador que actúe sobre el pitch de las palas para amortiguar las vibraciones de la torre sin sacrificar en exceso la potencia generada. Se evaluará su comportamiento en diferentes condiciones de viento, prestando especial atención a la reducción de las oscilaciones y a su influencia sobre la potencia generada y la actuación del sistema de pitch. El objetivo es explorar el potencial de la inteligencia artificial para mejorar el control estructural y la operación de las turbinas eólicas flotantes.

Wind power generation is growing each year, with more and more energy operators seeing its great potential. However, premature and unexpected failures in wind turbine components still pose a significant threat to the overall profits of the unit, in addition to the downtime it will experience while repairs or replacements are carried out.

Based on the data from Supervisory Control and Data Acquisition (SCADA) system with observations from multiple parameters, in this work it is proposed to explore data-driven techniques and machine learning to estimate the RUL (remaining useful life) of a specific wind turbine. The modelling and identification of the power curve of the wind turbine based on data using probabilistic methods helps to detect and prevent failures, bring down the costs of wind turbine operation and maintenance

This TFM is proposed only in English.

El trabajo se centra en el diseño, modelado y validación de una estrategia de Control Predictivo Basado en Modelo (MPC) para la gestión energética en una microrred que integra fuentes renovables intermitentes (solar y eólica), sistemas de almacenamiento en baterías y demanda dinámica. El objetivo principal es minimizar los costes operativos y mitigar el desgaste de las baterías, anticipándose a las fluctuaciones de la red y garantizando la estabilidad de la frecuencia y la tensión ante perturbaciones estocásticas. Para el desarrollo, sintonización y validación del controlador predictivo, se emplearán series temporales multivariantes de parámetros eléctricos y ambientales.

URL del dataset: Smart Grid Power Monitoring Dataset - Kaggle

La fiabilidad y el mantenimiento predictivo de los sistemas de generación eólica son críticos para reducir el Coste Lizado de la Energía (LCOE). En este TFM se propone desarrollar un sistema automatizado de detección y diagnóstico de fallos (FDD) basado en observadores de estado avanzados (como filtros de Kalman extendidos o unscented) combinados con modelos de aprendizaje automático. El algoritmo procesará variables operativas en tiempo real (como velocidad del viento, temperatura de componentes críticos, potencia activa y desviaciones de tensión) para identificar anomalías mecánicas o eléctricas antes de que provoquen paradas imprevistas o fallos catastróficos.

URL del dataset: Smart Grid Real-Time Load Monitoring Dataset - Kaggle

Hace unos 20 años la energía eólica dio el primer paso hacia la conquista de los mares gracias a los parques eólicos offshore fijos o pilotados, es decir, con las cimentaciones apoyadas o hincadas (dependiendo de la solución escogida) en el lecho marino. Desde entonces el uso de la energía eólica offshore ha seguido creciendo y parece que en los próximos años así seguirá siendo.

Las líneas actuales de investigación han dado el siguiente paso hacia las soluciones flotantes. Sin embargo, estos sistemas plantean unos retos difíciles desde el punto de vista de la ingeniería de sistemas y del control. Esto es debido fundamentalmente a que son elementos que soportan fuerzas de gran envergadura, debido a las olas, las corrientes, y el viento, lo que genera vibraciones estructurales significativas, cargas de fatiga y cargas extremas en sus componentes. Estos factores externos no son estáticos, sino que varían mientras el sistema está en funcionamiento, lo que dificulta aún más el diseño de estrategias de control.

Para el desarrollo de estos controladores es fundamental disponer de modelos realistas y computacionalmente eficientes del sistema controlar. Para este cometido pueden emplearse enfoques basados en las ecuaciones físicas que dominan el comportamiento del sistema, enfoques basados en datos como los empleados por las redes neuronales y otras técnicas de aprendizaje máquina, enfoques probabilísticos que consideran el sistema a controlar como un proceso estocástico, o la combinaciones de todos ellos.

En ese sentido, en este trabajo se plantea el estudio de las técnicas actuales de inteligencia generativa como autoencoders, variational Autoecoders, probabilístic flows,…, técnicas de aprendizaje máquina como redes neuronales, LSTM, xgboost,… técnicas de modelado clásicas basdas en ecuaciones diferenciales, y estrategias de hibridización como las Physics Informed Neural Networks, para el modelado y la predicción de las señales producidas por las turbinas eólicas flotantes: potencia, par, TTD, platform pitch, etc. Inicialmente se realizará un estudio de la literatura científica relacionada con el problema y con las técnicas de modelado basadas en inteligencia artificial. Después se identificarán diferentes datasets con datos reales y sintéticos para ser usado en el entrenamiento de las técnicas de modelado. Se aplicarán técnicas de preprocesado a las señales. Se propondrán diferentes arquitecturas para el modelado y se validarán con los datasets previamente identificados. Los datos se compararan con los obtenidos con simuladores realistas como OpenFast.

La energía eólica desempeña un papel clave en la transición energética, siendo el control de pitch uno de los sistemas más importantes para maximizar la captación de energía y proteger la turbina frente a condiciones de viento elevadas. La regulación adecuada del ángulo de las palas permite mantener un funcionamiento eficiente y reducir las cargas mecánicas que afectan a la vida útil del aerogenerador.

En los últimos años, el aprendizaje por refuerzo (Reinforcement Learning, RL) ha despertado un gran interés en el ámbito del control avanzado debido a su capacidad para aprender estrategias óptimas de forma autónoma y adaptarse a entornos dinámicos e inciertos. Estas características lo convierten en una alternativa prometedora a los métodos de control convencionales empleados en turbinas eólicas.

Este Trabajo Fin de Máster investigará técnicas de control de pitch basadas en aprendizaje por refuerzo en tiempo real (Real-Time Reinforcement Learning, RTRL), con especial atención a su viabilidad para aplicaciones industriales. Se analizarán diferentes enfoques de RL para el control continuo y se evaluará su capacidad para operar bajo las restricciones temporales propias de sistemas de automatización industrial.

Para ello, se emplearán modelos simplificados de turbinas eólicas desarrollados en MATLAB/Simulink, que servirán como entorno de simulación y entrenamiento de los algoritmos. Posteriormente, las estrategias más prometedoras se implementarán en un PLC virtual mediante TwinCAT, permitiendo validar su comportamiento en tiempo real y analizar su potencial aplicación en futuros sistemas de control de aerogeneradores.

La radioterapia constituye una de las principales herramientas para el tratamiento de distintos tipos de cáncer, permitiendo administrar dosis controladas de radiación sobre tejidos afectados. Sin embargo, uno de los principales retos de estos tratamientos consiste en maximizar la dosis recibida por el tumor mientras se minimiza la exposición de órganos y tejidos sanos cercanos, reduciendo así posibles efectos secundarios y mejorando la calidad de vida del paciente.

Los sistemas modernos de radioterapia incorporan mesas robotizadas capaces de posicionar al paciente con gran precisión. Estas plataformas pueden modelarse como sistemas robóticos de seis grados de libertad, permitiendo movimientos de traslación y rotación que facilitan la correcta alineación entre el haz de radiación y la zona de tratamiento. La planificación eficiente de dichas trayectorias resulta fundamental para mejorar tanto la precisión terapéutica como la eficiencia operativa de los equipos clínicos.

El objetivo de este Trabajo Fin de Máster es diseñar y desarrollar algoritmos de optimización de trayectorias basados en técnicas inteligentes, tales como algoritmos evolutivos, optimización bioinspirada y aprendizaje automático, que permitan determinar movimientos óptimos de la mesa de radioterapia durante el tratamiento. Estos algoritmos buscarán minimizar el tiempo de utilización del equipo y reducir la dosis recibida por órganos no afectados, manteniendo en todo momento la precisión requerida para la administración segura del tratamiento.

Para la validación de las propuestas desarrolladas se empleará un modelo robótico de mesa de radioterapia desarrollado en proyectos de investigación previos. Mediante simulación y análisis comparativo de distintas estrategias de optimización se evaluará el impacto de los algoritmos propuestos en términos de tiempo de tratamiento, calidad de las trayectorias generadas y reducción de la irradiación en tejidos sanos, contribuyendo al avance de sistemas inteligentes de apoyo a la radioterapia de precisión.

Los tratamientos de rehabilitación y fisioterapia desempeñan un papel fundamental en la recuperación funcional de pacientes con lesiones musculoesqueléticas, neurológicas o derivadas de intervenciones quirúrgicas. La correcta ejecución de los ejercicios terapéuticos resulta esencial para alcanzar los objetivos clínicos establecidos, garantizando movimientos precisos, repetibles y adaptados a las necesidades individuales de cada paciente, al tiempo que se minimiza el riesgo de lesiones secundarias o sobrecargas indeseadas.

Los recientes avances en robótica colaborativa han abierto nuevas oportunidades para la automatización y asistencia de tratamientos de rehabilitación. Los robots colaborativos permiten interactuar de forma segura con los pacientes, facilitando la realización de ejercicios controlados y personalizados. Sin embargo, la definición de trayectorias eficientes sigue representando un desafío, ya que deben combinar criterios de seguridad, comodidad y eficacia terapéutica.

El objetivo de este Trabajo Fin de Máster es investigar y desarrollar algoritmos de optimización de trayectorias basados en técnicas inteligentes, tales como algoritmos evolutivos, optimización bioinspirada, aprendizaje automático o aprendizaje por refuerzo. Estas técnicas se emplearán para generar movimientos que minimicen el tiempo de uso de los sistemas robóticos y maximicen la efectividad del tratamiento, reduciendo al mismo tiempo la carga ejercida sobre músculos y articulaciones no implicados directamente en la terapia.

Para el desarrollo y validación de las soluciones propuestas se utilizarán herramientas de modelado y simulación biomecánica como OpenSim, junto con entornos de programación en Python o MATLAB. Mediante modelos musculoesqueléticos será posible analizar el efecto de las trayectorias generadas sobre diferentes grupos musculares y articulaciones, permitiendo comparar distintas estrategias de optimización y evaluar su impacto en términos de eficiencia, precisión y calidad de los tratamientos de rehabilitación asistidos por robots.

El Trastorno por Déficit de Atención e Hiperactividad (TDAH) es uno de los trastornos del neurodesarrollo más prevalentes, afectando significativamente al rendimiento académico, las relaciones sociales y la calidad de vida de quienes lo padecen. La detección temprana del TDAH resulta fundamental para facilitar intervenciones adecuadas que contribuyan a mejorar el desarrollo cognitivo, emocional y conductual de los pacientes, reduciendo su impacto a largo plazo.

En la actualidad, el diagnóstico del TDAH se basa principalmente en evaluaciones clínicas, cuestionarios y observaciones conductuales. Sin embargo, los avances en neurociencia y procesamiento de señales han puesto de manifiesto el potencial de las señales de electroencefalografía (EEG) como fuente de biomarcadores objetivos para apoyar el diagnóstico. Estas señales permiten registrar la actividad eléctrica cerebral de forma no invasiva y pueden contener patrones característicos asociados al TDAH.

El objetivo de este Trabajo Fin de Máster es investigar el empleo de técnicas de Deep Learning e Inteligencia Artificial Generativa para la detección automática del TDAH a partir de señales EEG. Se desarrollarán y evaluarán modelos basados en redes neuronales profundas capaces de clasificar registros de pacientes con y sin TDAH. Asimismo, se explorará el uso de modelos generativos para la síntesis y ampliación de conjuntos de datos, contribuyendo a mejorar la robustez y capacidad de generalización de los sistemas de clasificación.

Para el desarrollo del trabajo se emplearán bases de datos de señales EEG procedentes de pacientes diagnosticados con TDAH y sujetos control. Utilizando herramientas de análisis de datos e inteligencia artificial en entornos como Python, se llevará a cabo el preprocesamiento de las señales, la extracción automática de características y el entrenamiento de modelos avanzados de clasificación. Finalmente, se evaluará el rendimiento de las distintas aproximaciones mediante métricas de precisión, sensibilidad y especificidad, analizando su potencial como herramientas de apoyo a la detección temprana y objetiva del TDAH.

Las turbinas eólicas están sometidas a cargas dinámicas que pueden generar vibraciones, acelerar la fatiga estructural e incrementar los costes de operación y mantenimiento. Los sistemas de control estructural, tanto pasivos como activos, permiten reducir estas oscilaciones, aunque su implementación supone una inversión adicional.

El objetivo general de este TFM es realizar una evaluación técnico-económica de la incorporación de sistemas de control estructural en turbinas eólicas, analizando si los beneficios derivados de la reducción de vibraciones y cargas estructurales pueden compensar los costes de implementación y mantenimiento. A partir del estudio de simulaciones existentes y datos económicos disponibles en la bibliografía, se estudiará cómo la mejora de la respuesta estructural puede traducirse en una reducción de los costes de mantenimiento y reparación, una mayor disponibilidad y una posible prolongación de la vida útil de los aerogeneradores. El objetivo final será identificar las condiciones en las que la incorporación de estos sistemas resulta técnica y económicamente viable.

Objetivos específicos: 1. Revisión bibliográfica sobre dinámica de WTs, control estructural y costes de operación y mantenimiento de turbinas eólicas. 2. Análisis de estudios comparativos de WTs con y sin sistemas de control estructural, evaluando la reducción de oscilaciones, cargas y variables asociadas a fatiga. 3. Desarrollo de un modelo económico simplificado que considere el coste del dispositivo, mantenimiento, inspecciones, reparaciones, intervenciones onshore/offshore, tiempos de parada y pérdidas de producción. 4. Comparación de escenarios durante un periodo representativo de operación para estimar el ahorro económico asociado al uso de los dispositivos de control estructural. 5. Análisis de sensibilidad frente a parámetros como coste del dispositivo, frecuencia de mantenimiento, precio de la energía y costes de intervención. 6. Evaluación de resultados y conclusiones, determinando en qué condiciones la incorporación del sistema de control estructural puede resultar económicamente beneficiosa.

Conocimientos previos: Sistemas dinámicos; MATLAB/Simulink; fundamentos de energía eólica. No es necesario tener conocimientos avanzados de economía. Durante el trabajo se estudiarán los conceptos básicos necesarios para realizar el análisis económico y se decidirán las métricas adecuadas para evaluar los resultados.

Bibliografía: Lackner, M. A., & Rotea, M. A. (2011). Structural control of floating wind turbines. Mechatronics, 21(4), 704--719. Tomás-Rodríguez, M., & Santos, M. (2019). Modelado y control de turbinas eólicas flotantes en alta mar. Revista Iberoamericana de Automática e Informática Industrial (RIAI), 16(4), 381--390. Xie, F., & Aly, A. M. (2020). Structural control and vibration issues in wind turbines: A review. Engineering Structures, 210, 110087. https://doi.org/10.1016/j.engstruct.2019.110087 Awada, A., Younes, R., & Ilinca, A. (2021). Review of vibration control methods for wind turbines. Energies, 14(11), 3058. https://doi.org/10.3390/en14113058 Fitzgerald, B., & Basu, B. (2020). Vibration control of wind turbines: Recent advances and emerging trends. International Journal of Sustainable Materials and Structural Systems, 4(2/3/4), 347--372. https://doi.org/10.1504/IJSMSS.2020.109090 Malliotakis, G., Alevras, P., & Baniotopoulos, C. (2021). Recent advances in vibration control methods for wind turbine towers. Energies, 14(22), 7536. https://doi.org/10.3390/en14227536 Fakhry, P., Duan, F., Salem, S., & Tokhi, M. O. (2026). Balancing performance and complexity: A review of structural control for wind turbine blades and towers. Journal of Low Frequency Noise, Vibration and Active Control. Advance online publication. https://doi.org/10.1177/14613484261437475 Rinaldi, G., Garcia-Teruel, A., Jeffrey, H., Thies, P. R., & Johanning, L. (2021). Incorporating stochastic operation and maintenance models into the techno-economic analysis of floating offshore wind farms. Applied Energy, 301, 117420. McMorland, J., Collu, M., McMillan, D., & Carroll, J. (2022). Operation and maintenance for floating wind turbines: A review. Renewable and Sustainable Energy Reviews, 163, 112499. - Centeno-Telleria, M., Yue, H., Carroll, J., Aizpurua, J. I., & Penalba, M. (2024). O&M-aware techno-economic assessment for floating offshore wind farms: A geospatial evaluation off the North Sea and the Iberian Peninsula. Applied Energy, 371, 123684.

La estabilidad lateral de los vehículos ferroviarios de alta velocidad es fundamental para la seguridad y el confort. La interacción rueda--carril puede generar oscilaciones autoinducidas (hunting) que comprometen la estabilidad por encima de una velocidad crítica. Los parámetros de suspensión y la incorporación de inerters permiten modificar la respuesta dinámica del vehículo.

El objetivo general del trabajo será desarrollar una metodología de optimización multiobjetivo de la suspensión lateral, considerando simultáneamente la estabilidad frente al hunting, el confort y el comportamiento energético. Se incorporará la energía disipada o gestionada por la suspensión como criterio de diseño, obteniendo frentes de Pareto que permitan evaluar los compromisos entre objetivos y comparar configuraciones convencionales y con inerters.

Objetivos específicos:

1. Revisión bibliográfica sobre dinámica lateral de vehículos ferroviarios, fenómeno de hunting y diseño de suspensiones.
2. Estudio de un modelo dinámico de bogie que incluya los principales grados de libertad laterales y de guiñada. Implementación y validación del modelo en MATLAB/Simulink y determinación de la velocidad crítica del sistema nominal.
3. Parametrización de los principales elementos de la suspensión: rigidez lateral, amortiguamiento y, en su caso, inertancia.
4. Definición de los indicadores de comportamiento (velocidad crítica de hunting, aceleración lateral RMS, amplitud de las oscilaciones, energía disipada o esfuerzo asociado a la suspensión).
5. Formulación de un problema de optimización multiobjetivo que permitaobtener diferentes configuraciones de suspensión y representar el compromiso entre los diferentes criterios mediante un frente de Pareto.
6. Comparación entre suspensión convencional y optimizada.
7. Validación de las soluciones seleccionadas mediante simulaciones temporales y análisis de estabilidad para diferentes velocidades y condiciones de operación.
8. Análisis de sensibilidad y discusión de las implicaciones de diseño.

Conocimientos previos:

• Sistemas dinámicos / Sistemas lineales
• Control de sistemas.
• MATLAB/Simulink.
• Métodos numéricos y optimización.

Los conocimientos específicos de dinámica ferroviaria serán adquiridos durante el desarrollo del trabajo.

Bibliografia: Bustos, A., Tomás-Rodríguez, M., Rubio, H., & Castejón, C. (2023). On the nonlinear hunting stability of a high-speed train bogie. Nonlinear Dynamics, 111(3), 2059--2078. Mazilu, T. (2009). An analysis of bogie hunting instability. U.P.B. Scientific Bulletin, Series D: Mechanical Engineering, 71(2). ISSN 1454-2358. Liang, J., Sun, J., Jiang, Y., Pan, W., & Jiao, W. (2024). Advances and challenges in the hunting instability diagnosis of high-speed trains. Sensors, 24(17), 5719. Wang, F.-C., Hsieh, M.-R., & Chen, H.-J. (2012). Stability and performance analysis of a full-train system with inerters. Vehicle System Dynamics, 50(4), 545--571. Smith, M. C. (2002). Synthesis of mechanical networks: The inerter. IEEE Transactions on Automatic Control, 47(10), 1648--1662. Knothe, K., & Stichel, S. (2017). Rail Vehicle Dynamics. Cham: Springer International Publishing. 1st ed., XVI + 321 pp. ISBN 978-3-319-45376-7. - Wickens, A. H. (2003). Fundamentals of Rail Vehicle Dynamics: Guidance and Stability. Lisse: Swets & Zeitlinger / CRC Press, 300 pp. ISBN 978-90-265-1946-8.

El problema de la estimación de movimiento ha sido ampliamente tratado durante los últimos años debido a sus múltiples aplicaciones (tracking, vigilancia, disparidad binocular,…). Las técnicas utilizadas en este problema pueden agruparse en tres familias representativas: estimación con modelos de emparejamiento [1] , de energía [2] y de gradiente [3]. La utilización de aceleradores [4] abre una nueva vía a este tipo de algoritmos con altos requisitos computaciones para aplicaciones de tiempo real para el IoT, como vigilancia, detección, control de calidad en ambientes industriales... El proyecto se basa en (i) diseño e implementación de aplicaciones basadas en estimación de movimiento y (ii) su aceleración sobre algún dispositivo hardware como DSPs, GPUs, FPGAs, Dispositivos móviles, Microcontroladores, etc...

Referencias:
[1] Hwang-Seok Oh and Heung-Kyu Lee. Block-matching algorithm based on an adaptive reduction of the search area for motion estimation. Real-Time Imaging, 6:407–414, October 2000.
[2]Simon Baker, Ralph Gross, and Iain Matthews. Lucas-kanade 20 years on: A unifying framework: Part 3. International Journal of Computer Vision, 56:221–255, 2002.
[3] Spatio-temporal energy models for the Perception of Motion (1985) by Edward H. Adelson , James R.Bergen Venue: J. OPT. SOC. AM. A
[4]Guillermo Botella Juan, Antonio García Ríos, M. Rodriguez-Alvarez, Eduardo Ros Vidal, Uwe Meyer-Bäse, and María C. Molina. Robust bioinspired architecture for optical-flow computation. IEEE Trans. VLSI Syst., 18(4):616–629, 2010.

Objetivos:
La Plataforma Raspberry Pi es un ordenador [1] miniaturizado de bajo costo y consumo, desarrollado en UK concebido para docencia en ingeniería de computadores que incluye procesadores (CPU) ARM1176JZF-S, un procesador gráfico (GPU) VideoCore IV.
El presente TFM abordará un estudio de viabilidad de problemas básicos de detección facial orientados a biometria y seguridad [2] con esta plataforma o similares como BeagleBoard [3] , Intel Edison [4] , etc...

Referencias:
[1] http://www.raspberrypi.es/
[2] TECNOLOGÍAS BIOMÉTRICAS APLICADAS A LA SEGURIDAD.
TAPIADOR MATEOS, MARINO / SIGÜENZA PIZARRO, JUAN ALBERTO. ISBN978-84-7897-636-2 . EDITORIAL RA-MA. 2006.
[3] https://beagleboard.org/
[4] https://software.intel.com/es-es/iot/hardware/edison

Objetivos del Proyecto:

Este proyecto se llevará a cabo en colaboración con la Facultad de Óptica y Optometría de la UCM. Se desarrollarán diferentes técnicas de Visión Artificial junto con Inteligencia Artificial, con el fin de generar una herramienta que permita clasificar y generar imágenes para la evaluación de la agudeza visual en personas con grado de colaboración limitada. La motivación de este trabajo es la exploración e investigación de técnicas de visión artificial con las que diseñar un procedimiento que permita la valoración optométrica de preescolares y personas con discapacidad intelectual.

Objetivo del proyecto:

El georadar es una de las últimas técnicas geofísicas que ha sido incorporada al análisis y estudio de los primeros metros del subsuelo, encontrando multitud de aplicaciones en disciplinas como las geotecnia, ingeniería civil o arqueología. En particular, en los últimos 15 años ha aparecido en el mercado una instrumentación denominada radar 3D o radar multifrecuencia que está siendo aplicado en la auscultación de infraestructuras lineales (carreteras, vías de tren, etc) con el manejo de un gran volumen de datos. En este proyecto se explorarán y aplicarán diferentes técnicas de Inteligencia Artificial y minería de datos con el fin de inferir conocimiento en la identificación de horizontes de interés en este tipo de infraestructuras (capas de asfalto, capas de balasto, etc) mediante el gran volumen de datos obtenido.

Objetivo del proyecto:

Este proyecto se llevará a cabo en colaboración con la ONCE. Se desarrollarán diferentes técnicas de Visión Artificial junto con Inteligencia Artificial así como conexiones de dispositivos, con el fin de generar una herramienta/aplicación que permita la gestión y la comunicación de las personas con discapacidad visual en espacios públicos.

Objetivo del proyecto:

El plomeo es una actividad imprescindible para el control del cartucho en tiro al plato con comprobación del espacio que pueden dejar el conjunto de plomos en la plancha donde se realiza. Cada cartucho tiene prácticamente 300 de estos plomos y genera el mismo número de marcas en la plancha o agujeros en una cartulina. Se trata de comprobar, mediante técnicas de visión artificial y el diseño de algoritmos de inteligencia artificial, el número de impactos y cómo se distribuyen sobre esa superficie para conocer el comportamiento del cartucho con el objetivo de alcanzar el plato para romperlo.

Como esta actividad es bastante compleja, la medida de todos los impactos, se propone la creación de una aplicación para móvil, donde estén integrados los algoritmos diseñados, para medir los impactos, su distribución y los posibles espacios por donde podría escapar el plato sin romper.

Descripción:

En los últimos años los modelos obtenidos por aprendizaje automático, por ejemplo, mediante redes de neuronas artificiales (RNA) están empezando a ser usadas con éxito para problemas de clasificación, segmentación y predicción. Una de las principales barreras para la implantación en los negocios actuales de los modelos obtenidos por aprendizaje automático es la dificultad para explicar las salidas de esos modelos. En muchos casos se opta por sacrificar la precisión en las predicciones o clasificaciones por la facilidad de interpretación, lo que hace que se abandonen las técnicas de IA, por otras más sencillas de explicar los resultados que se obtengan: sistemas basados en reglas, modelos lineales o árboles de decisión.
Esta problemática es muy actual, donde la investigación y desarrollo no están muy avanzados, constituyendo unas de las barreras más importantes para implantar las técnicas de IA en muchos sectores como puede ser la banca o el sector asegurador; por la necesidad del regulador, los bancos centrales de conocer y aprobar los modelos de medición y control del riesgo de las diferentes entidades.

El fin de este trabajo es la investigación e implementación de técnicas que permitan explicar las salidas de modelos paramétricos construidos mediante aprendizaje automático, y principalmente mediante RNA y kNN.
La explicación de los modelos deben responder a cuestiones tales como:

• Qué variables de los datos son las más relevantes.
• Para una salida concreta del modelo cuáles son los valores de las variables que han afectado a esa salida.
• Qué interacciones (lineales y no lineales) son las que tienen más efecto en las salidas del modelo.

Los modelos serán principalmente dedicados a la predicción de valores futuros en problemas de tipo de serie temporal y de clasificación.

Se pondrá el foco en aquellas técnicas que sean "agnósticas" con respecto al modelo, es decir, no siendo necesario conocer cómo el modelo ha sido construido o los detalles del mismo, solo conociendo las entradas y salidas del mismo.

Bibliografía:
Existe bibliografía relevante para apoyar el TFM, se adjuntan algunos papers que pueden ser de interés.

• Why Model Explainability is The Next Data Science Superpower : artículo sencillo sobre la necesidad de explicar los modelos predictivos y un curso sencillo con algunas técnicas de explicación de los modelos.
• A Survey of Methods for Explaining Black Box Models (2018) : Artículo extenso con un resumen bastante bueno explicando el problema y las diferentes técnicas que existen.
• A Unified Approach to Interpreting Model Predictions (2017)
• How to Explain Individual Classification Decisions (2010)

Datos y modelos:
Se usarán diferentes repositorios de información:
- Datos del censo americano con el fin de detectar qué indiduos ingresan más de 50.000 $ al año y cuáles no: UCI - Machine Learning Repositories.
- Datos de llamadas a un centro de atención al cliente: modelos predictivos para la predicción de llamadas entrantes y de llamadas perdidas.

Si los resultados del TFM son relevantes se aplicarán a datos reales bancarios en un entorno de producción real.

Requisitos deseados:
- Redes de Neuronas Artificiales.
- Matlab
- Estadística
- Uso de herramientas de control de versiones: Git
- Latex
- Bases de datos relacionales y no-sql.
- Residencia en Madrid (posibilidad de seguimiento presencial del TFM y colaboración en empresa dedicada al desarrollo software basado en la IA).

Objetivo del proyecto:
El uso de drones (UAVs) está teniendo un gran impacto en numerosas aplicaciones. Uno de los campos de aplicación es en el ámbito de la defensa tanto civil como militar. La propuesta del proyecto consiste en diseñar e implementar en simulación un sistema multi-agente formado por N drones que tendrá que desplegarse formando una malla para proteger un objetivo de interés. Se estudiarán algoritmos que hagan que el despliegue sea óptimo, en el sentido de vigilar el espacio aéreo para detectar posibles amenazas, y adaptativo, de tal manera que la malla se reconfigure cuando se produzca algún fallo en el sistema o alguno de los agentes cause baja. El proyecto generará finalmente un simulador para mostrar los resultados, que será preferentemente interactivo.
Referencias:
[1] B. D. O. Anderson, C. Yu, B. Fidan and J. M. Hendrickx, "Rigid graph control architectures for autonomous formations," IEEE Control Systems Magazine, vol. 28, no. 6, pp. 48-63, 2008, DOI: 10.1109/MCS.2008.929280.
[2] Wang-Kyo Oh, Myoung-Chul Park, and Hyo-Sung Ahn, "A survey of multi-agent formation control", Automatica, vol. 53, pp. 424-440, 2015, DOI: 10.1016/j.automatica.2014.10.022.

Objetivo del Proyecto:
La ejecución paralela de programas tiene como principal objetivo la mejora de la eficiencia y el rendimiento. El objetivo general del proyecto será aplicar la programación paralela a la simulación distribuida de modelos de tiempo continuo (principalmente aquellos cuya dinámica dependa de las coordenadas espaciales), y de eventos discretos (PDEVS, ABM, etc.). Para ello existen múltiples aproximaciones, dependiendo de la arquitectura del hardware sobre el que se quiere trabajar (e.g., memoria compartida o distribuida) o el lenguaje utilizado para la descripción de los modelos. Para el desarrollo del proyecto se acordará con los profesores encargados del trabajo las características particulares y los objetivos específicos del mismo.

Objetivos del Proyecto:

Uno de los objetivos de la Tectónica es conocer la dinámica de la litosfera terrestre que da lugar a las estructuras presentes en la naturaleza, conocer su comportamiento, explicarlos y predecir sus efectos. La reproducción de los movimientos de la litosfera terrestre se puede llevar a cabo tanto con modelos y simulaciones numéricas como mediante procedimientos experimentales. Los procedimientos experimentales consisten en una reproducción a escala de procesos geológicos de millones de años en unas pocas horas y para ello son necesarias máquinas de modelado análogo que permitan un control exhaustivo de los procesos cinemáticos, tanto en el espacio como en el tiempo (sirva como ejemplo el laboratorio de Tectónica Experimental del Instituto de Ciencias Geológicas de Berna, https://www.geo.unibe.ch/e42577/e42587/e437160/e437162/TectModLab_flyer14_highquality_NEW_ger.pdf). Estas máquinas constan de varias placas móviles mediante motores controlados por ordenador que permiten el movimiento relativo de diferentes las placas basales y paredes para simular deformaciones tectónicas.

El objetivo de este proyecto es implementar una de estas máquinas que simulan deformaciones tectónicas y realizar el control de los motores que desplazan las diferentes placas basales y paredes a velocidades lentas, de modo que se tenga un control preciso de las tres dimensiones espaciales y del instante de tiempo en el que se realiza el movimiento.

El objetivo de este trabajo es crear un entorno de realidad virtual en el que poder realizar una práctica de laboratorio mediante una simulación 3D inmersiva.

Durante el TFM se llevarán a cabo, entre otras, las siguientes:

• Modelado 3D de las instalaciones del laboratorio.
• Modelado del sistema experimental.
• Simulación de la dinámica del sistema experimental.
• Desarrollo de la interfaz hombre-máquina para realizar los experimentos. Opcionalmente, en caso de que el alumno disponga de unas gafas de realidad virtual, podrá enfocar el diseño en dicha plataforma.

El sistema Bola y Aro es un problema clásico de control no lineal que requiere un diseño preciso para controlar una bola que rota en el borde interior un aro. El aro está conectado al eje de un motor que hace de actuador. El proyecto abarca tanto el diseño y desarrollo de la planta en un entorno de simulación en 3D como el diseño del controlador que permite estabilizar y controlar el sistema.

El desarrollo se centra en dos aspectos principales:

• Diseño y desarrollo en 3D: Se lleva a cabo la modelización de la planta en CoppeliaSim, un entorno de simulación avanzado que permite la recreación precisa de modelos dinámicos. El diseño incluye la construcción geométrica de los elementos del sistema, así como la implementación de sus propiedades físicas y dinámicas, como fricción, gravedad y fuerzas de actuación.
• Control del sistema: Se debe diseñar un controlador capaz de estabilizar el movimiento de la bola en el aro. Para ello, se implementan técnicas de control clásicas y modernas que permiten mantener la estabilidad del sistema ante perturbaciones. El controlador es integrado en el entorno de simulación, permitiendo validar su desempeño en escenarios reales mediante simulaciones de diversas condiciones.

Finalmente, se realizan pruebas y análisis del rendimiento del controlador en el entorno de simulación para verificar la robustez y eficiencia del modelo propuesto. Este trabajo no solo contribuye al estudio y desarrollo de sistemas de control no lineal, sino que también demuestra la capacidad de CoppeliaSim como una herramienta robusta para el diseño y validación de sistemas físicos complejos en entornos virtuales

-

-