Los modelos de potencia del motor son una herramienta clave en robótica para modelar y simular aspectos relacionados con el control y la optimización. Los autores recopilan el conjunto de datos de potencia del motor utilizando el robot industrial ABB IRB 120. Este artículo aplica un modelo de perceptrón multicapa (MLP) al conjunto de datos recopilado. Antes del entrenamiento de los modelos MLP, se evalúa cada una de las variables en el conjunto de datos utilizando el modelo de bosque aleatorio (RF), observando dos métricas: la disminución media de impureza (MDI) y la diferencia en la puntuación de permutación de características (FP). También se aplicó el coeficiente de correlación de Pearson. Basado en las puntuaciones de estos valores, se eliminan un total de 15 variables, principalmente variables estáticas relacionadas con la posición y orientación del robot, del conjunto de datos. Las puntuaciones demuestran que, aunque ambos MLP logran buenas puntuaciones, el modelo entrenado en el conjunto de datos podado tiene un mejor rendimiento. Con el modelo entrenado en el conjunto de datos podado logrando y, el modelo entrenado en los datos originales, no podados, logra y. Estas puntuaciones muestran que al eliminar las variables con baja influencia del conjunto de datos, se logra un modelo con una puntuación más alta, y el modelo creado logra un mejor rendimiento de generalización en los cinco pliegues utilizados para la evaluación.