Red Neuronal Recurrente Basada en LSTM Mejora de Simetría para la Minimización de Oscilaciones en Sistemas de Grúas Elevadoras durante el Transporte de Material

Este artículo presenta una nueva metodología para mitigar oscilaciones no deseadas en sistemas de grúas elevadoras utilizados en operaciones de manejo de materiales en la industria, aprovechando Redes Neuronales Recurrentes (RNN) basadas en Memoria a Corto y Largo Plazo (LSTM). Las oscilaciones durante el transporte de materiales, particularmente en la ubicación final, presentan riesgos de seguridad y prolongan los tiempos de carga. La metodología implica recopilar datos de sensores de un sistema de grúa elevadora, preprocesar los datos, entrenar un modelo de RNN basado en LSTM que incorpora características simétricas e integrar el modelo en un algoritmo de control. El algoritmo de control utiliza predicciones del ángulo de oscilación del modelo de RNN basada en LSTM mejorada por simetría para ajustar dinámicamente el movimiento de la grúa en tiempo real, minimizando las oscilaciones. La simetría en este marco se refiere al manejo equilibrado y consistente de los datos oscilatorios, asegurando que el modelo pueda generalizar mejor en diferentes escenarios y condiciones de carga. El modelo de RNN basado en LSTM predice con precisión los ángulos de oscilación, permitiendo que se tomen acciones de control proactivas. La validación experimental demuestra la efectividad del enfoque propuesto, logrando una precisión de aproximadamente 98.6% en la predicción del ángulo de oscilación. Este enfoque innovador tiene el potencial de transformar los procesos de transporte de materiales en entornos industriales, mejorando la seguridad operativa y optimizando la eficiencia.