Escolar Documentos
Profissional Documentos
Cultura Documentos
Abril 2014.
MIE, Sistemas de Medicion,
(lineal y cuadratica).
cuadratica
y cubica)
y dos modelos de regresion
Para probar que modelo se adapta mejor al sensor se
Indice
1
Introduccion
2 Metodologa
2
Variacion
y una resistencia
de calor Circuito propuesto para el acondicionamiento de la
senal
1. Introduccion
Existen diferentes tipos de sensores: acusticos, de transporte, qumicos, electricos, posicion, o pticos, presion, fuerza,
termicos, proximidad, entre otros [4]. Dentro de los sensores
electricos se encuentran los sensores de corriente que detectan
y convierten la corriente en voltaje de salida facil de medir
[2]. Estos sensores hacen uso de dos fenomenos: la cada de
potencial que se produce cuando una corriente fluye a traves
de un cable o circuito y del campo magnetico que se genera
alrededor del conductor. Por lo tanto, hay dos tipos de deteccion. La primera es la deteccion directa que se basa en la
ley de Ohm e implica la medicion de la cada de potencial
asociada con la corriente que pasa a traves de los componentes
electricos pasivos. Y la deteccion indirecta que consiste en la
medicion del campo magnetico que rodea a un conductor por
el que pasa la corriente, despues el campo magnetico se utiliza
para inducir voltaje proporcional que es una forma adecuada
para la medicion.
...................3
2.2 Modelos de interpolacion
..................... 4
2.3 Modelos de regresion
del sensor usando LabVIEW . . . . . . 4
2.4 Caracterizacion
NI myDAQ Estructura del programa en LabVIEW
Configuracion
3 Resultados
5
cruzada dejando uno fuera . . . . . . . . . . . 6
3.1 Validacion
Conclusiones
Referencias
2. Metodologa
2.1.1 Variacion
y
una resistencia de calor
127v AC
RESTATO
RESISTENCIA
DE CALOR
SENSOR DE
CORRIENTE
senal
VOLTAJE
DC
DIVISOR DE
VOLTAJE
NI myDAQ
D1
R1(2)
R2
10k
DIODE
D4
y = c2 x2 + c1 x + c0
DIODE
DIODE
D2
R1
(4)
D3
R3
C1
1k
DIODE
10k
47uF
y = x2
1
d
1n1
d1
(a) Simulacion.
n4
d1
d12
n2
d2
nd52
x 1
1
y0
d3
dn33
y1
n6
y2
d
(5)
n1 = x1 + x2
n2 = x0 + x2
n3 = x0 + x1
(6)
n4 = x1 x2
n5 = x0 x2
n6 = x0 x1
d1 = (x0 x1 )(x0 x2 )
d2 = (x0 x1 )(x1 x2 )
(b) Implementacion.
d3 = (x0 x2 )(x1 x2 )
Modelo cubico
(8)
Modelo lineal
y = c1 x + c0
(7)
y = x3
1
d
1n1
d1
n5
d1
nd91
d12
n2
d2
nd62
n10
d2
1
d3
nd33
n7
d3
nd113
x2
x 1
d14
y0
n4
d4 y1
nd84 y2
n12
y3
(9)
d4
n1 = x1 + x2 + x3
n2 = x0 + x2 + x3
y= x
1
1
d
x1
d
d1 y0
x0
y1
d
d = x0 x1
n3 = x0 + x1 + x3
(2)
(3)
Modelo cuadratico
n4 = x0 + x1 + x2
n5 = x1 x2 + x1 x3 + x2 x3
n6 = x0 x2 + x0 x3 + x2 x3
n7 = x0 x1 + x0 x3 + x1 x3
n8 = x0 x1 + x0 x2 + x1 x2
n9 = x1 x2 x3
x0 < x1 < x2
n10 = x0 x2 x3
n11 = x0 x1 x3
n12 = x0 x1 x2
(10)
Sx3 = xi3
(11)
(22)
i=1
N
Sx4 = xi4
(23)
i=1
(12)
(24)
i=1
N
Sxy = xi yi
(25)
i=1
N
Sx2 y = xi2 yi
(26)
i=1
Sy = yi
N Sx
A = Sx Sx 2
Sx2 Sx4
Sy
C = Sxy
Sx2 y
Sx2
Sx3
Sx4
a = A1C
(27)
(28)
(29)
Sx = xi
(13)
i=1
N
Sy = yi
(14)
i=1
N
Sxy = xi yi
(15)
i=1
N
Sx2 = xi2
(16)
i=1
NI myDAQ
2.4.1 Configuracion
a1 =
NSxy Sy Sx
NSx2 Sx Sx
(17)
a0 =
Sy a1 Sx
N
N
(18)
cuadratica
Regresion
Se tiene un conjunto N de puntos ejemplo (xi , yi ) el objetivo es aproximar el conjunto de puntos en una funcion
cuadratica de la forma:
y = a2 x2 + a1 x + a0
(19)
Sx = xi
(20)
i=1
Sx2 = xi2
i=1
(21)
3. Resultados
Para seleccionar el modelo que permite una mejor caracterizacion del sensor de corriente se realizaron 60 mediciones
(corriente vs voltaje), en el rango de 0 - 5.9 A., con incrementos de 0.1 A., (ver Apendice Datos del sensor), esto se
muestra en la Figura 8. Para validar un modelo se pueden
usar un conjunto de tecnicas estadsticas, entre las cuales se
encuentra la tecnica de validacion cruzada.
En este trabajo se utilizo la validacion cruzada dejando
uno fuera [5] debido a que la cantidad de datos no supera ni
las cien unidades y se puede realizar la prueba con todos los
datos obteniendo errores muy bajos, a diferencia de los otros
dos metodos de validacion cruzada (validacion cruzada por
k iteraciones y validacion cruzada aleatoria). Posteriormente
usando esta validacion, se selecciona el modelo que se adapta
mejor al sensor. Finalmente se muestra el funcionamiento de
cada uno de los modelos dentro del entorno de LabVIEW ante
una senal constante, y una senal variante en el tiempo (senal
procedente de la tarjeta de adquisicion).
Figura 8. Curva caracterstica en el rango de corriente de 0 5.9 A. Conjunto de mediciones capturadas del sensor de
corriente.
E=
1 N
Ei
N i=1
(30)
(31)
El modelo que produce un menor error promedio, es el modelo que se adapta mejor al sensor a caracterizar. En la Tabla
1 se presentan los resultados de esta validacion, observando
que la interpolacion lineal produce un menor error promedio
en comparacion con los otros modelos. Se debe notar que los
modelos de interpolacion solo pueden evaluar puntos dentro
del rango, por lo que el punto inicial y final no pueden ser
evaluados usando un modelo de interpolacion, por lo que la
cantidad de puntos a evaluar disminuye en comparacion con
los modelos de regresion, los cuales no tienen ninguna restriccion. En la Figura 9 se presenta el error absoluto de cada
una de las muestras del sensor usando los cinco modelos y se
observa que el modelo de interpolacion lineal genera un error
absoluto menor en la mayora de los casos. Ademas, se puede
observar que en las muestras iniciales y finales los modelos
de regresion producen un error mayor en comparacion con
los modelos de interpolacion, los cuales se mantienen con un
funcionamiento muy similar.
Modelo
Interpolacion Lineal
Interpolacion Cuadratica
Interpolacion Cubica
Regresion Lineal
Regresion Cuadratica
Error promedio
0.0062
0.0067
0.0082
0.0645
0.0483
Puntos
58
57
56
60
60
I. Lineal
0.8881
0.8877
0.8879
0.8981
0.8709
I. Cuadratica
1.8480
1.8484
1.8482
1.7803
1.8073
I. Cubica
2.8310
2.8318
2.8318
2.7585
2.8122
Entrada (V)
0.62
1.54
2.56
3.56
4.67
R. Lineal
3.7324
3.7325
3.7317
3.7174
3.7632
R. Cubica
4.7032
4.7035
4.7038
4.7819
4.7794
Figura 10. Resultados de los modelos de interpolacion y regresion. En la primer grafica se muestra el voltaje de entrada de la
tarjeta de adquisicion. En las graficas subsecuentes se exhibe la corriente calculada con cada uno de los modelos.
3.3 Resultados en el entorno de LabVIEW ante una
de la tarjeta de adquisicion
senal
En la Figura 10 se muestran los resultados de todos los modelos de regresion e interpolacion presentados en este trabajo.
Como se indica, la primera grafica es el voltaje de entrada
que se obtiene de la tarjeta de adquisicion. En las demas graficas, se muestra el valor de la corriente que esta circulando a
traves de la resistencia de calor, calculada por medio de las
interpolaciones y regresiones en el modulo de Mathscript de
LabVIEW.
4. Conclusiones
La caracterizacion de sensores permite modelar el funcionamiento de los sensores y estimar una salida a partir de una
entrada desconocida sin la necesidad de recurrir directamente
al sensor. En este trabajo se realizo la caracterizacion de un
sensor de corriente. Se tomaron mediciones al sensor para
obtener su curva caracterstica y a partir de ella se probaron
cinco modelos para comprobar cual se adapta mejor al sensor.
Cabe resaltar la importancia del acondicionamiento de la senal
de salida del sensor, pues sin este acondicionamiento sera
imposible obtener en la computadora la senal para procesarla.
Se utilizo un metodo de validacion cruzada con las caractersticas de los datos capturados, donde se observo que los
modelos de interpolacion funcionan mejor que los modelos de
regresion. Ademas, dentro de los modelos de interpolacion, el
modelo lineal se comporta muy similar al modelo cuadratico,
Apendice
A continuacion se muestra el codigo MATLAB que implementa cada uno de los modelos de caracterizacion usados
en el entorno Labview:
Datos del sensor:
% Voltaje
vX =[0.0008 0.001 0.0276 0.1009 0.1805 ...
0.267 0.358 0.444 0.531 0.632 0.726 ...
0.809 0.894 0.990 1.084 1.183 1.287 ...
1.391 1.492 1.592 1.695 1.805 1.901 ...
2.002 2.092 2.196 2.302 2.412 2.529 ...
2.629 2.737 2.854 2.951 3.066 3.174 ...
3.288 3.402 3.525 3.633 3.742 3.872 ...
3.986 4.102 4.225 4.333 4.440 4.555 ...
4.667 4.76 4.88 4.99 5.10 5.18 5.26 ...
5.37 5.45 5.52 5.60 5.68 5.74];
vY =[0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 ...
0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 ...
1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 ...
2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 ...
3.6 3.7 3.8 3.9 4.0 4.1 4.2 4.3 4.4 ...
4.5 4.6 4.7 4.8 4.9 5.0 5.1 5.2 5.3 ...
5.4 5.5 5.6 5.7 5.8 5.9];
fx3 = vY(indx3);
d1 = (x0-x1)*(x0-x2)*(x0-x3);
d2 = (x0-x1)*(x1-x2)*(x1-x3);
d3 = (x0-x2)*(x1-x2)*(x2-x3);
d4 = (x0-x3)*(x1-x3)*(x2-x3);
y_cb = [x3 x2 x 1]*([1/d1 -1/d2 ...
1/d3 -1/d4; -(x1+x2+x3)/d1 ...
(x0+x2+x3)/d2 -(x0+x1+x3)/d3 ...
(x0+x1+x2)/d4; ...
(x1*x2+x1*x3+x2*x3)/d1 ...
-(x0*x2+x0*x3+x2*x3)/d2 ...
(x0*x1+x0*x3+x1*x3)/d3 ...
-(x0*x1+x0*x2+x1*x2)/d4; ...
-(x1*x2*x3)/d1 (x0*x2*x3)/d2 ...
-(x0*x1*x3)/d3 ...
(x0*x1*x2)/d4]*[fx0; fx1; fx2; fx3]);
else
y_cb = nan;
end
% Total de datos
Np = length(vX);
Regresion Lineal:
Interpolacion Cuadratica:
Sx = sum(vX);
Sy = sum(vY);
Sxy = sum(vX.*vY);
Sxx = sum(vX.*vX);
a1 = (Np*Sxy-Sy*Sx)/(Np*Sxx-Sx*Sx);
a0 = Sy/Np-a1*Sx/Np;
y_rl = a1*x+a0;
ind1 = vX x;
ind2 = [ind1(2:end) 0];
indx0 = ind1&(ind2);
if find(indx0==1)<(Np-1)
indx1 = logical([0 indx0(1:(end-1))]);
indx2 = logical([0 indx1(1:(end-1))]);
x0 = vX(indx0);
x1 = vX(indx1);
x2 = vX(indx2);
d01 = x0-x1;
d02 = x0-x2;
d12 = x1-x2;
fx0 = vY(indx0);
fx1 = vY(indx1);
fx2 = vY(indx2);
y_cd = [x2 x 1]*([1/(d01*d02) ...
-1/(d01*d12) 1/(d02*d12); ...
-(x1+x2)/(d01*d02) ...
(x0+x2)/(d01*d12) ...
-(x0+x1)/(d02*d12); ...
(x1*x2)/(d01*d02) ...
-(x0*x2)/(d01*d12) ...
(x0*x1)/(d02*d12)]*[fx0; fx1; fx2]);
else
y_cd = nan;
end
Interpolacion Cubica:
ind1 = vX x;
ind2 = [ind1(2:end) 0];
indx0 = ind1&(ind2);
if find(indx0==1)<(Np-2)
indx1 = logical([0 indx0(1:(end-1))]);
indx2 = logical([0 indx1(1:(end-1))]);
indx3 = logical([0 indx2(1:(end-1))]);
x0 = vX(indx0);
x1 = vX(indx1);
x2 = vX(indx2);
x3 = vX(indx3);
fx0 = vY(indx0);
fx1 = vY(indx1);
fx2 = vY(indx2);
Regresion Cuadratica:
Sx = sum(vX);
Sx2 = sum(vX.2);
Sx3 = sum(vX.3);
Sx4 = sum(vX.4);
Sy = sum(vY);
Sxy = sum(vX.*vY);
Sx2y = sum((vX.2).*vY);
A = [Np Sx Sx2; Sx Sx2 Sx3; Sx2 Sx3 Sx4];
C = [Sy; Sxy; Sx2y];
B = inv(A)*C;
y_rcu = B(3)*x2 + B(2)*x + B(1);
Referencias
[1]
A. Doubova & F. Guillen Gonzalez. Un curso de calculo numerico: interpolacion, aproximacion, integracion y
resolucion de ecuaciones diferenciales. Universidad de
Sevilla, 2007.
[2]
Preeti Jain.
Current sensors.
http://
www.engineersgarage.com/articles/
current-sensor, 2012.
[3]
Juan Manuel Izar Landeta. Elementos de Metodos Numericos para Ingeniera. Universidad Autonoma de San Luis
Potos, 1998.
[4]
[5]
[6]