Universidad Autónoma del Carmen

Facultad de ingeniería y tecnología

Maestría en Ingeniería Mecatrónica

“Análisis para el diseño óptimo de CamaBot”

Tesis que presenta:

Ixshel Jhoselyn Foster Vázquez

Para obtener el grado de:

Maestro en Ciencias

En la especialidad de:

Ingeniería Mecatrónica

Director de Tesis:

Dr. Eduardo Vázquez Santacruz

Co-Director de Tesis:

Dr. Rogelio Portillo Vélez

Cd del Carmen, Campeche

 CONTENIDO

Introducción………………………………….........................1
Antecedentes…………………………………........................2
Motivación…………………………………...........................3
Objetivo Principal…………………………………................4
Objetivos específicos…………………………………...........4
Contribución…………………………………........................4
Cronograma de actividades………………..………….……..5
Referencias…………………………………..........................6
Introducción

CamaBot es un dispositivo inteligente basado en la robótica para el cuidado de

la salud de pacientes. Consiste de un sistema mecatrónico y de monitoreo de
movimientos automáticos de una cama robótica de hospital que se apoya de la
clasificación de posturas mediante el reconocimiento de patrones. La cama
soporta un peso máximo de 300 Kg y está definido por tres mecanismos básicos
(base de la cama, paneo y soporte del colchón) con las cuales se obtienen 12
posiciones [1].

Actualmente la CamaBot se encuentra en funcionamiento, sin embargo, es

necesario de un análisis óptimo debido a que la cama presentó una ruptura en la
sección de paneo durante la realización de pruebas, de esta necesidad parte la
idea de aplicar Algoritmos Genéticos (AG) para obtener los valores óptimos de
diseño de la sección de interés.

Los algoritmos genéticos son métodos estocásticos que pueden usarse para
resolver problemas de búsqueda y optimización. Están basados en la teoría de
la selección natural y la supervivencia de los más fuertes, postulados por
Darwin. Los principios básicos de los AG fueron establecidos por Holland [2]
(1975) y posteriormente Goldberg [3] (1989) amplió los fundamentos teóricos
y las aplicaciones de AG.

Los AG usan una analogía directa con el comportamiento natural. Trabajan con
una población de individuos, cada uno de los cuales representa una solución
factible a un problema dado. A cada individuo se le asigna un valor o
puntuación, relacionado con la bondad de dicha solución. Cuanto mayor sea la
adaptación de un individuo al problema, mayor será la probabilidad de que el
mismo sea seleccionado para reproducirse, cruzando su material genético con
otro individuo seleccionado de igual forma. Este cruce producirá nuevos
individuos creando así una población de posibles soluciones, este proceso se
repite hasta que la población converja hacia una solución óptima del problema.

1
Antecedentes

Los AG son utilizados en diversas áreas como en informática, medicina,

ingeniería, entre otras, son utilizados para resolver problemas de búsqueda y
optimización. En esta última área se aplica AG para encontrar diseños óptimos
en estructuras mecánicas, seguidamente se presentan los siguientes trabajos.

 En 1997, Jenkins [4] demostró el éxito de utilizar la técnica de

optimización con Algoritmos Genéticos para reducir los tamaños del
marco de varios pisos para obtener una masa óptima.
 En 1998, Annicchaiarico y Cerrolaza [5] aplicaron AG que incluían
formas de elementos finitos bidimensionales a una torre de armadura
tridimensional de 25 barras para obtener la masa óptima sujeta a las
restricciones de tensión y desplazamiento y pandeo.
 En el 2000 Coello y Christiansen [6] propusieron los nuevos problemas
de optimización multi-objetivos basados en AG para minimizar la masa
y cumplir con el desplazamiento máximo y la tensión de la estructura
usando el área de sección transversal de cada elemento como las variables
de diseño para una torre de armazón de 25 barras similar a la obra de
Annicchaiarico y Cerrolaza.
 En el 2001, Deb y Gulati [7] aplicaron las AG con código real a
estructuras 2D y 3D para lograr una masa mínima sujeta a restricciones
de tensión, desviación y estabilidad cinemática.

Existen diversos trabajos realizados en el diseño de camas hospitalarias, se hace

mención de los siguientes.

 En el 2013 [1], se realizó el diseño y construcción de una cama

hospitalaria (CamaBot) basándose en el estudio de las necesidades de
pacientes con incapacidad motriz llevado a cabo en el Hospital Juárez de
México. Este dispositivo es capaz de soportar un máximo de 300 Kg y

2
 está compuesto por tres mecanismos indispensables (base de la cama,
paneo y soporte del colchón) que hacen posible 12 posiciones para la
cama.
 Kittipichai [8], propuso un procedimiento de optimización para el diseño
de la estructura de un lecho de hospital utilizando algoritmos genéticos.
La novedad de la estructura de la cama es que puede soportar la pierna
izquierda o derecha para la férula de la pierna del paciente. Algunos
objetivos del diseño son reducir la masa de la estructura de la cama.

Motivación

En un problema de optimización se busca encontrar la mejor respuesta dentro

de un campo de posibles soluciones. Los AG son técnicas de optimización que
permiten tratar un amplio número de problemas que no se pueden resolver con
métodos basados en gradientes, como el de Newton-Rhapson.

Debido a este último, se opta por la aplicación de AG para optimizar la sección

de paneo de la CamaBot. La CamaBot está compuesta por tres mecanismos
básicos (base de la cama, paneo y soporte del colchón), durante la realización
de las pruebas, la sección donde se encuentra el mecanismo de paneo sufrió de
una ruptura. En la actualidad la CamaBot se encuentra en funcionamiento
debido a un rediseño de la parte fracturada.

Debido a la problemática que se presenta en la CamaBot se desea analizar esta

estructura aplicando AG con el objetivo de conocer el diseño mecánico óptimo
de dicha parte y saber si se puede manufacturar utilizando menos recursos que
su diseño antecesor.

3
Objetivo Principal

Aplicar algoritmos genéticos para optimizar el diseño mecánico actual de

CamaBot.

Objetivos específicos

 Definir la función objetivo a partir del diseño mecánico.

 Proponer la arquitectura del algoritmo genético.
 Analizar el desempeño de la arquitectura del algoritmo genético y otras
propuestas de solución.
 Realizar un análisis de esfuerzos con el diseño óptimo de CamaBot y
compararlo con el análisis de diseño actual.
 Proponer un control al diseño óptimo y probarlo en simulación.

Contribución

Debido a la problemática que se tiene con la CamaBot, se implementará un AG

para obtener el diseño mecánico de una cama hospitalaria óptimo, con el fin de
utilizar de una manera eficiente los recursos de manufactura.

4
Cronograma de actividades

5
Referencias

[1] VÁZQUEZ-SANTACRUZ, Eduardo, et al. Mechatronic Approach to an

Intelligent Machine: the Case of an Assistive Device. Research in Computing
Science, 2015, vol. 100, p. 115-127.

[2] HOLLAND, John Henry. Adaptation in natural and artificial systems: an

introductory analysis with applications to biology, control, and artificial
intelligence. MIT press, 1992.

[3] GOLDBERG, David E.; HOLLAND, John H. Genetic algorithms and

machine learning. Machine learning, 1988, vol. 3, no 2, p. 95-99.

[4] JENKIS, W. M. On the application of natural algorithms to structural design

optimization. Engineering structures. 1997, vol. 19, no 4, p. 302-308.

[5] ANNICCHIARICO, W.; CERROLAZA, M. Optimization of finite element

bidimensional models: an approach based on genetic algorithms. Finite
Elements in Analysis and Design, 1998, vol. 29, no 3-4, p. 231-257.

[6] COELLO, C. A.; CHRISTIANSEN, Alan D. Multiobjective optimization of

trusses using genetic algorithms. Computers & Structures, 2000, vol. 75, no 6,
p. 647-660.

[7] DEB, Kalyanmoy; GULATI, Surendra. Design of truss-structures for

minimum weight using genetic algorithms. Finite elements in analysis and
design, 2001, vol. 37, no 5, p. 447-465.

[8] KITTIPICHAI, Rung; ARIYARIT, Atthaphon. The sizing optimization of

hospital bed structure for independently supporting left and or right leg using
genetic algorithms. International Journal of Modeling and Optimization, 2011,
vol. 1, no 2, p. 122.