Memoria Tcnica

3er Congreso Nacional de Electromecnica y Electrnica

9-11 de abril de 2014

Redes Neuronales Artificiales Aplicadas al Control de Sistemas

Electromecnicos Reales
C.A. Frausto-Dvila1, I. Gonzalez-Gaona1, L.E. Zapata-Valenzuela2, E. Topete-Gmez1

ResumenEn este trabajo se discute el uso de Redes Neuronales

Artificiales tipo Retro Propagacin en tareas de control de
sistemas electromecnicos reales. Para esto se consideran dos
casos donde se utilizan redes neuronales para sustituir la funcin
de controladores convencionales. El primero corresponde al
control de un pndulo invertido. En el segundo la red neuronal
remplaza el observador de flujo de un control vectorial de motor
elctrico.
El diseo e implementacin de las Redes Neuronales se realiza
de manera exitosa a nivel software utilizando Simulink de
Matlab, sus libreras Neural Networks Toolbox y Real Time
Workshop. En el primer caso el sistema de control es
implementado en una computadora, la interfaz de comunicacin
con la planta se realiza utilizando una tarjeta PCI-6014. En el
segundo caso el sistema de control es implementado en una
tarjeta eZdspF2812. En ambos casos, las neuronas
implementadas cumplen de manera satisfactoria su funcin de
control.
Temas claves Adquisicin de Datos, Control en Tiempo
Real, Control Vectorial, Pndulo Invertido, Redes Neuronales
Artificiales, Retro propagacin de error.
Abstract In this work are discussed issues about Artificial
Neural Network Back-Propagation in control task, in specific
applied to real electromechanical systems. To this purpose are
taken two cases were Artificial Neural Networks replace
conventional controllers functions. The first correspond to the
inverted pendulum control. In the second case Artificial Neural
Network replace the flux viewer which is used during vector
control applied to electrical machines.
Neural networks are successfully designed and implemented at
software level using Matlab and Simulink, its toolbox Neural
Networks and Real Time Workshop. In the first case system
control is implemented into a computer, the interface between
control algorithm and the real world is realized using a PCI-6014
card. In the second case the control system is implemented into a
eZdspF2812 card. In both cases, Neural Networks developed do
their control duty in a satisfactory way.
Keywords Artificial Neural Networks, Back Propagation,
Data Acquisition, Inverted Pendulum, Real Time Control, Vector
Control.

Cesar Alejandro Frausto Dvila (cefrausto@itesi.edu.mx), Isai Gonzlez

Gaona, Eduardo Topete Gomez. Instituto Tecnolgico Superior de Irapuato,
Blvd. Del Valle S/N, C.P. 36400 Pursima del Rincn, Guanajuato, Mxico.
2
Luis Enrique Zapata Valenzuela (ing_zapata@hotmail.com). Instituto
Tecnolgico Superior de Lerdo, Av. Tecnolgico S/N, Col. Perifrico C.P.
35150 Cd. Lerdo, Durango, Mxico.

I. INTRODUCCIN
El hombre desde sus inicios ha interactuado con su entorno y
gran parte de sus acciones han sido encaminadas a controlar o
modificarlo, con el fin de obtener beneficio. El control de
sistemas electromecnicos es un tema en constante desarrollo
debido a la creciente complejidad de los mismos, partiendo del
empleo de tcnicas clsicas de control, hasta llegar a las
tcnicas de control no lineal y tcnicas heursticas [1]. Dentro
de las tcnicas heursticas se encuentra una tratada en este
trabajo, las Redes Neuronales Artificiales (RNAs).
Como RNA se puede entender un sistema implementado,
ya sea mediante un sistema computacional u otro dispositivo
electrnico fsico, cuyo modelado est inspirado en la
habilidad y caracterstica de aprendizaje del sistema nervioso
biolgico [2]. Las RNA`s son mecanismos de auto aprendizaje
sujetos a un proceso de entrenamiento. En aplicaciones de
control no requiere definirse la ley que regir su
comportamiento, como debera de hacerse para disear un
controlador basado en su respuesta a la frecuencia o con
variables de estado [3]. A diferencia de la Lgica Difusa y de
los Sistemas Inteligentes, en los cuales el conocimiento previo
del comportamiento del sistema se emplea de manera explcita
en forma de reglas de decisin, las RNAs generan sus propias
reglas durante el proceso de entrenamiento y las integran de
manera codificada en la conformacin de su estructura [4]-[7].
Al contar con informacin previa del sistema y la respuesta
de control deseada ante dichas condiciones, se puede utilizar
un algoritmo de entrenamiento que permita a la RNA captar la
informacin disponible, y conformarse de manera estratgica,
de modo que presente una respuesta aceptable aun con datos
distintos a los presentados durante la etapa de entrenamiento.
Existen distintas arquitecturas de RNAs que han sido
empleadas de manera exitosa en el control de sistemas
electromecnicos [1], [8]-[10]. Dentro de estas se encuentra la
tipo retro propagacin (RNA BP por sus siglas en ingles),
empleada en este trabajo.
Para comprender la forma en que trabaja una RNA BP, en
este artculo se analizan las estructuras Perceptron y Filtro
Adaptativo (ADALINE), precursoras de la RNA BP [2].
Con el fin de comprobar que la RNA BP aprende y
desempea tareas de control en base a datos de
comportamiento del sistema, en este trabajo se emplean las
RNAs BP como sustitutas del controlador PID empleado
comnmente en el control del Pndulo Invertido Simple [3],
[11] y el estimador del regulador de par PI utilizado en el
control vectorial con flujo del rotor orientado de un motor de
induccin (VC-OFR) [12]-[13].
Para obtener los datos de entrenamiento a usar en las

Memoria Tcnica

3er Congreso Nacional de Electromecnica y Electrnica

RNAs, los controladores que emplean reguladores

convencionales se modelan en Simulink [14]. En este mismo
entorno se obtienen los datos de entrenamiento, se crean las
RNAs y lleva a cabo la tarea de entrenamiento e
implementacin mediante las libreras Neural Networks, Real
Time Workshop y Embedded Target for the TI
TMS320C2000 DSP [14]-[15]. El uso de dicho software
facilita entrenar e implementar las redes neuronales, as como
la comunicacin en tiempo real entre el modelo desarrollado y
el sistema real a controlar. De esta manera la implementacin,
de uno de los controladores mediante la tarjeta de adquisicin
de datos PCI-6014 y el otro en el sistema
eZdspTMS320F2812 de Spectrum Digital, es llevada a cabo
de manera sencilla.
II. PARTE TCNICA DEL ARTCULO
A. Redes Neuronales Artificiales
El elemento bsico de una RNA es la Neurona Artificial (o
PE por Process Element). En 1957, Frank Rosenblatt
desarrollo el Perceptron, este modelo de neurona simple
considera la salida de la neurona como salida binaria, En la
Figura 1 se muestra de manera representativa la estructura que
presenta una neurona del tipo Perceptron [2].
La ecuacin (1) muestra el modelo matemtico
correspondiente a una neurona tipo Perceptron.
n

u wj x j

( 1)

j 1

Donde:
Valor de la seal de salida de la neurona, regularmente se
.
considera igual al nivel de activacin de la neurona (0-1).
Peso
de la entrada j.
w

x j Valor de seal de entrada j.

Valor de umbral o sesgo de la funcin.

Nmero de entradas a la neurona.

En este modelo las conexiones de entrada (flechas)
representan los axones y dendritas de una neurona biolgica.
El conocimiento se adquiere a travs de un proceso de
entrenamiento-aprendizaje. En este proceso los parmetros de
entrenamiento determinan la manera en que sern combinadas
las distintas seales de entrada, ajustando adecuadamente los
pesos de conexin sinptica.

Figura 1. Modelo Perceptron de una neurona artificial.

9-11 de abril de 2014

La funcin de umbral afecta finalmente la salida

correspondiente a la actividad del soma. Este modelo presenta
una gran cantidad de simplificaciones que no reflejan el
verdadero funcionamiento de una neurona biolgica. El
Perceptron fue construido en hardware y en 1969 Minsky y
Papert mostraron las limitaciones que presentaba el
Perceptron, ya que por la naturaleza de su salida binaria solo
poda separar un espacio de muestras en dos clases.
Existen dos modificaciones bsicas que se requieren para
convertir la estructura general de un PE en un filtro
ADALINE. La primera modificacin es aadir una conexin
con peso, wo, comnmente conocida como sesgo. La segunda
modificacin es aadir una condicin lineal en la salida.
El procesamiento que realiza el ALC es igual al que realiza
el PE tpico. El ALC ejecuta un clculo de suma de productos
entre los vectores de entradas y de pesos, y aplica una funcin
de salida para obtener un solo valor de salida. La ecuacin (2)
muestra el modelo matemtico de una red ADALINE.
n

ut wo w j x j

(2)

j 1

Donde wo es el peso del sesgo, o ms propiamente dicho el

sesgo. La ecuacin (3) muestra dicho modelo en notacin
vectorial
(3)
u wT x
t

El filtro ADALINE ( el ALC) es adaptativo en el sentido

de que existe un procedimiento bien definido para modificar
los pesos que permitan al objeto generar el valor de salida
correcto para una entrada determinada. El filtro ADALINE es
Lineal debido a que la salida es una simple funcin lineal del
valor de entrada.
Durante las siguientes dcadas hubo un aletargamiento en
el desarrollo de las RNAs y a principios de los 1980s se
presentaron dos aportaciones que nuevamente despertaron el
inters de los investigadores por las RNAs, uno de ellos fue el
trabajo de Hopfield en el cual aproximaba el funcionamiento
de las neuronas desde el punto de vista energtico, y el otro
trabajo fue la presentacin del algoritmo de aprendizaje de
Retro propagacin empleado en una red Perceptron de capas
Mltiples, propuesto por Verbos [2] y posteriormente
empleado en otras variantes de RNAs.
La RNA BP aprende un conjunto predefinido de parejas de
entrada-salidas deseadas empleando un ciclo de dos fases
propagacin-adaptacin. Si se cuenta con un conjunto de P
vectores de parejas, (x1 , u1 ),......(xp , up ), los cuales son
ejemplo de una funcin representativa u = (x) : x RN , u
RN . Un patrn de entrada se aplica como estimulo a la
primera capa de la red, este es propagado a travs de cada una
de las capas siguientes hasta que se genera una salida de la
RNA BP. Este patrn de salida es comparado entonces a la
salida deseada y una seal de error se calcula para cada unidad
de la capa de salida.
La seal de error calculada es entonces transmitida hacia
atrs desde la capa de salida hasta cada uno de los nodos de las
capas intermedias que contribuyen directamente con la salida.

Memoria Tcnica

3er Congreso Nacional de Electromecnica y Electrnica

Sin embargo, cada una de las unidades de las capas

intermedias solo recibe una porcin de la seal de error total
calculada, basada estrictamente en la contribucin que cada
unidad hace a la salida deseada. Este proceso se repite, capa
por capa, hasta que cada nodo de la red ha recibido una seal
de error que describe su contribucin relativa al error total,
dicha tcnica es conocida como de gradiente descendente.
Basado en la seal de error recibida, los pesos de conexin se
actualizan en cada unidad provocando que la red converja
hacia un estado que le permita codificar todos los patrones de
entrenamiento. De esta manera se puede entrenar una RNA BP
para obtener una aproximacin O = u = (x).
Para emplear el mtodo descrito, es necesario que los
vectores de parejas hayan sido adecuadamente seleccionados y
que exista suficiente cantidad de ellos.
Podemos decir que una RNA BP est definida por tres
parmetros:
1. Tipo de Neurona Artificial y cantidades que utiliza
(nodos, con determina funcin de entrada, activacin
o salida).
2. Arquitectura de conexin. En relacin a la manera en
que est organizada la conexin entre las capas de
neuronas.
3. El algoritmo de entrenamiento.
En la Figura 2 se muestra la estructura general de las RNA
BP diseadas en estas aplicaciones. Bsicamente, todas las
RNA BP tienen una estructura o topologa similar a la
ilustrada. Aunque existen redes tiles que contienen una sola
capa, o aun un solo elemento, la mayora de las aplicaciones
requieren redes que al menos tengan los tres tipos de capa
ilustrados:
4. De entrada. Donde se recibe la informacin
proveniente de fuentes externas a la RNA.
5. De Activacin u Ocultas. Son las que se encuentran
en la estructura interna de la RNA y no tienen
contacto directo con el exterior.
6. De salida. Transfiere la informacin obtenida por la
RNA hacia el exterior.

9-11 de abril de 2014

B. Control del Pndulo Invertido y Motor de Induccin.

El Pndulo Invertido es un dispositivo electromecnico
compuesto bsicamente por una barra que oscila libremente en
un plano, soportada por uno de sus extremos en el cual puede
pivotear libremente, y un sistema motriz. Para mantener en
equilibrio el Pndulo Invertido en su posicin vertical el
sistema motriz aplica una fuerza de control al sistema
mediante distintas configuraciones electromecnicas entre las
cuales se puede mencionar la del Pndulo Invertido Simple de
base mvil (PIS).
En dicho prototipo la fuerza aplicada a la base mvil se
realiza a travs de una banda de transmisin accionada por un
motor elctrico de corriente continua. En la literatura existe
una gran cantidad de mtodos que permiten obtener el modelo
matemtico de un PIS. En nuestro caso el desarrollo del
modelo matemtico tomara como base la metodologa
empleada en [11], y se apoya en los diagramas de cuerpo libre
mostrados en la Figura 3.
Las variables involucradas en las ecuaciones dinmicas que
modelan el sistema se listan a continuacin:
M Masa del carro.
m Masa del pndulo.
b
Friccin entre la base mvil y la superficie de
desplazamiento.
l
Longitud del pivote al centro de gravedad del pndulo.
I
Inercia del pndulo.
F Fuerza aplicada al carro.
x
Posicin de carro.
ngulo del pndulo desde la vertical superior.
PyN
Componentes de la fuerza de reaccin en el punto de
pivoteo.

Figura 3. Diagramas de cuerpo libre para un PIS.

Al linealizar las ecuaciones correspondientes en torno al

punto en que el ngulo del pndulo es (cerca de
ambos lados de la vertical) es posible llegar al siguiente
modelo matemtico:

I ml 2 mgl ml x

Figura 2. Modelo de RNA BP General.

(4)
(5)

M m x b x ml u
(Donde u representa la seal de control o fuerza aplicada)
Una vez obtenidas las ecuaciones representativas del
sistema se puede disear el controladores PID adecuado para
la tarea de control. Para obtener datos de entrenamiento, que
correspondan al prototipo real es necesario implementar un
sistema de adquisicin de seales, la Figura 4 muestra de
manera esquemtica el sistema empleado en este caso.

Memoria Tcnica

3er Congreso Nacional de Electromecnica y Electrnica

9-11 de abril de 2014

Figura 7. Modelo implementado en Matlab para simulacin de la RNA BP.

Figura 4. Sistema de Adquisicin de seales para desarrollo de RNA BP.

La Figura 5 muestra el modelo desarrollado en Simulink

para implementar el controlador PID, considerando los
parmetros del prototipo y la tarjeta utilizada, PCI-6014.

En el caso del sistema de control implementado para el

motor de induccin, en la Figura 8 se muestra de manera
esquemtica la conformacin del sistema real.

Figura 5. Controlador PID desarrollado en Simulink.

Figura 8.Diagrama esquemtico del banco de pruebas, con flujo de seales

En la Figura 6 se presenta el comportamiento del PIS ante

la accin del controlador PID, en la parte superior se muestra
el valor de ngulo ledo en el sensor de posicin angular,
potencimetro lineal. En la parte central se muestra la posicin
relativa del carro respecto al centro de la superficie disponible
y limitada a 30 cm, para este propsito se utilizo un
potencimetro multivueltas. En la parte inferior se muestra la
magnitud de seal de control, en este caso un voltaje de
alimentacin para el motor de cd. El controlador PID no tiende
a equilibrar la posicin del pndulo respecto la vertical
superior, sino que con el tiempo dicho ngulo tiende a
aumentar su desviacin respecto a la posicin de referencia.
Sin importar esto, los datos obtenidos son tiles para entrenar
la RNA BP, usando una muestra representativa de los mismos.

En este caso se hace uso de una tarjeta ezDSPF2812 para

ejecutar los algoritmos de control desarrollados. Para el diseo
del controlador convencional se toma como base la modalidad
conocida como Flujo de Rotor Orientado (OFR) [1]. Las
ecuaciones para su implementacin y la configuracin del
sistema son tomadas del trabajo de Briz [8], y modificado de
tal forma que los bloques reguladores PI implicados
clsicamente son sustituidos por RNAs BP.
En la Figura 9 se muestra el diagrama de bloques para el
OFR
empleado.Habiendo
sintonizado
los
valores
correspondientes a los reguladores observadores de flujo y el
prototipo real, en la Figura 10 se muestra la respuesta del
motor de induccin ante la accin controladora del sistema
implementado.
.

Figura 6. Comportamiento del PIS controlado por el PID.

En el Apndice A, la Tabla I muestra los parmetros de

entrenamiento usados en el Neural Networks Toolbox,
correspondiente a cuatro etapas o ciclos parciales que
permitieron modificar dichos valores a lo largo del proceso.
En la figura 7 se presenta el modelo desarrollado en
Simulink a partir de la RNA BP entrenada, ya incluida en la
etapa de control, en sustitucin del controlador PID.

Figura 9. Modelo en Simulink del Control Vectorial OFR.

En la parte superior de la Figura 10 se presenta la velocidad

consigna en rad/s, las tres siguientes en orden inferior son las
componentes vectoriales de las corrientes de control. Por
ltimo en la parte inferior se presenta el valor de par regulado
en N/m.

Memoria Tcnica

3er Congreso Nacional de Electromecnica y Electrnica

9-11 de abril de 2014

Figura 10. Modelo en Simulink del Control Vectorial OFR.

Con el fin de procurar un conjunto representativo de las

condiciones de operacin presentes en la simulacin, se genera
un conjunto de entrenamiento, la Figura 11 muestra el
conjunto de datos disponibles para el entrenamiento.

Figura 11. Seales de Entrada-Salida del Bloque Regulador de Par

C. Resultados
La RNA BP presento una tendencia a mantener la posicin
del PIS dentro de un valor limitado de ngulo de inclinacin y
una posicin de referencia lineal cercana al centro de la base
de desplazamiento. La Figura 12 muestra datos adquiridos del
PIS durante el proceso de control, en estas graficas se indica
con flechas la tendencia mencionada.

Figura 13. Respuesta de la velocidad controlada por RNA BP y PI.

La Figura 13 muestra el comportamiento del motor de

induccin ante un cambio en forma escaln de la consigna de
velocidad. La respuesta observada bajo el controlador que
emplea la RNA BP en sustitucin del bloque PI regulador de
par, bajo las mismas condiciones de operacin que el CVOFR presenta un comportamiento estable. A partir de dicha
figura se deduce la efectividad de la RNA BP para sustituir
dicho bloque regulador.
D. Conclusiones
Como lo muestra Cardoso en su estudio [1], el uso de
RNAs en sustitucin de bloques PID presenta ventajas
considerables, principalmente de inmunidad ante ruido. En el
PIS la respuesta del sistema bajo control de la RNA BP
mejoro la respuesta del controlador PID, tendiendo a
estabilizar el sistema. Para el caso del control OFR la
respuesta del motor ante condiciones transitorias presento un
comportamiento ms estable que el provocado por el
regulador de par tipo PI.
III. APNDICE A: PARMETROS DE ENTRENAMIENTO
TABLA I
DATOS DE ENTRENAMIENTO EMPLEADOS EN LAS RNAS BP

Ciclo

pocas

Fact. de
Aprendizaje

Valor MSE
Ultimo

1
2
3
4

1000
3000
4000
7000

0.01
0.0005
0.0003
0.0003

80.49
62.09
59.62
18.04

IV. AGRADECIMIENTOS

Figura 12..Respuesta del PIS controlado por la RNA BP.

Al Arquitecto de mi vida cuya funcin de retroalimentacin

renueva mis alientos. Al CONACYT por el apoyo prestado
para el desarrollo de estos prototipos.

Memoria Tcnica

3er Congreso Nacional de Electromecnica y Electrnica

9-11 de abril de 2014

V. REFERENCIAS
[1]

[2]

[3]
[4]

[5]
[6]
[7]
[8]

[9]

[10]
[11]

[12]

[13]

[14]

[15]

Cardoso, F.D.S., Martins J.F. y Pires V.F. (1998) "A Comparative Study
of a PI, Neural Network and Fuzzy Genetic Approach Controllers for an
AC-Drive", in procedings AMC COIMBRA International Workshop on
advanced Motion Control, pp. 375-380.
Freeman, J.A. and D.M. Skapura (1991). Neural Networks: algorithms,
applications, and programming techniques. 1 ed. Computation and
Neural Systems, ed. C. Koch. Vol. 1, California: Addison Wesley. pp.
45-124,341-371.
Ogata, K. (1998). "Ingeniera de control moderna", 2nd ed., Ed. Mexico:
Prentice-Hall pp. 669-702.
Miller III, W.T., R.S. Sutton, and P.J. Werbos (1991). Neural Networks
for Control, ed. N.S. Foundation, Vol. 1, University of New Hampshire.
pp. 123-170.
Haykin, S. (2004). Neural Networks A Comprehensive Foundation. ed.
IEEE, Computer Society Press. pp. 40-153.
Pedrycz, W. (1998). Computacional Intelligence: an introduction, 1 ed.
Computer Engineering, Florida USA: CRC PressLLC, pp. 7-35.
Konar, A. (2000), Artificial Intelligence and Soft Computing, 1 ed.
Boca Raton, Florida: CRC Press, p.p. 415-443.
Simoes, M.G., M.P. Almeida, and M.R. Meireles (2003). A
Comprehensive Review for Industrial Applicability of Artificial Neural
Networks. IEEE Transactions on Industrial Electronics, vol. 50, pp.
585-601.
Wang, D. and J. Huang (2001). "A Neural-Network-Based
Approximation Method for Discrete-Time Nonlinear Servomechanism
Problem," IEEE Transactions on Neural Networks,Vol. 12, pp. 591-597.
Cembrano, G. and G. Wells (1997). "Aplicaciones del Aprendizaje
Neuronal al Control de Robots", Inteligencia Artificial, pp. 34-40.
Anderson, C.W. (1989). "Learning to Control an Inverted Pendulum
Using Neural Networks," IEEE Control Systems Magazine, vol. 9, pp.
31-37.
Buja, G.S. and Kazmierkowski M.P. (2004). "Direct Torque Control of
PWM Inverter- Fed AC Motors- A Survey," IEEE Transactions on
Industrial Electronics, Vol. 51, pp. 744-758.
Briz del Blanco, F. (1995) "Control Vectorial del Motor de Induccin
con Identificacin y Adaptacin a los Parmetros de la Carga," Ph.D.
dissertation, Dep.. Ing. Elctrica, Electrnica, de Computadores y
Sistemas, Universidad de Oviedo: Oviedo.
Huerta, P.F., J.J. Rodriguez, and I.C. Torres (2006). "Modelo en
Simulink de una Red Neuronal Artificial de Retro propagacin para
Estimar la Resistencia del Rotor," 9 Congreso Nacional de Ingeniera
Electromecnica y de Sistemas, pp. 48-59.
MathWorks (2004). Getting Started whit Real-Time Worshop For Use
Whit Simulink, Version 6, Natick, MA: The Mathworks, Inc. pp. 1_13_51.

VI. BIOGRAFA
Csar Alejandro Frausto Dvila. Len, Guanajuato,
Mxico. 19 de Junio de 1974. En el 2005 obtuvo el
grado de Ingeniero Electromecnico en el Instituto
Tecnolgico de Len, Len, Guanajuato, Mxico. En
el 2008 obtuvo el grado de Maestro en Ciencias en
Ingeniera Elctrica en el Instituto Tecnolgico de la
Laguna, Torren, Coahuila, Mxico.
Dentro de su experiencia laboral ha colaborado
como consultor de uso de tecnologas y sistemas de automatizacin en
distintas empresas regionales. Desde 2009 colabora como profesor asociado
en el departamento de electromecnica del Instituto Tecnolgico Superior de
Irapuato, Pursima del Rincn, Guanajuato, Mxico. En los ltimos aos ha
trabajado en lneas de investigacin relacionadas con el uso de Redes
Neuronales y Lgica Difusa en aplicaciones de control en tiempo real.
El M.C. Frausto pertenece a la Red de Divulgacin Cientfica del Estado
de Guanajuato. Ha participado con ponencias en Congresos Nacionales de
Ingeniera, adems de reuniones regionales de cuerpos acadmicos en
Inteligencia Artificial.

Isa Gonzlez Gaona. Irapuato, Guanajuato, Mxico. 11

de Noviembre de 1980. En el 2004 obtuvo el grado de
Ingeniero electromecnico en el Instituto Tecnolgico
Superior de Irapuato, Irapuato Guanajuato Mxico. En el
2006 obtuvo el grado de maestro en ciencias de la
ingeniera mecnica en el Instituto tecnolgico de Celaya,
Celaya Guanajuato Mxico.
Dentro de su experiencia profesional est el diseo de prototipos
mecnicos. Desde el 2007 se desempea como coordinador de la carrera de
ingeniera electromecnica en ITESI, Pursima del Rincn Guanajuato,
Mxico. Dentro de las lneas de investigacin que trabaja se encuentran la
tribologa aplicada.
El M.C Gonzlez es miembro de la American Society of Mechanical
Engineers y ha participado en algunos de sus congresos, 2004-2005 en
Longview Texas, presentando robot buscador de minas.

Eduardo Topete Gmez. Guadalajara, Jalisco, Mxico. 16

de Mayo 1975. En 1998 obtuvo el grado de Ingeniero
Mecnico Electricista en el Instituto Tecnolgico y de
Estudios Superiores de Monterrey, Monterrey, Nuevo Len,
Mxico. En el 2001 obtuvo el grado de Maestro en
Administracin en el Instituto Tecnolgico y de Estudios
Superiores de Monterrey, Monterrey, Nuevo Len, Mxico.
Dentro de su experiencia profesional est la coordinacin de proyectos
electromecnicos en el rea de telecomunicaciones, radiofrecuencia, enlaces
de microondas y de fibra ptica. Desde 2009 colabora como Profesor
Asociado en el Departamento de Electromecnica del Instituto Tecnolgico
Superior de Irapuato, Pursima del Rincn, Guanajuato, Mxico.
El M.A. Topete ha participado con ponencias en Congresos Nacionales
de Ingeniera. En Septiembre del 2012 fue reconocido y hecho miembro del
saln de la fama en el ITESM por sus logros deportivos en eventos nacionales
e internacionales.

Luis Enrique Zapata Valenzuela. Naci en Torren

Coahuila en 1981. Egresado del programa de maestra
en ciencias en ingeniera elctrica por el Instituto
Tecnolgico de la Laguna donde obtuvo el grado
Maestro en Ciencias en 2006.
Ingeniero
Electrnico egresado
del
Instituto
Tecnolgico de la Laguna en 2003. Su inters en la
investigacin es el estudio de transformadores de
potencia, la electrnica industrial, as como el manejo
de microcontroladores.
Actualmente es docente de tiempo completo en la carrera de ingeniera
informtica, en el Instituto Tecnolgico Superior de Lerdo.