DISEO DE SISTEMA PROYECTO FINAL

REDES INALMBRICAS INDUSTRIALES 410192

COMPARACIN DE ESTUDIO DE
LOCALIZACIN EN UN AMBIENTE INDUSTRIAL
USANDO DISPOSITIVOS XBEE

Integrantes:
Docente:
Fecha:

Silvana Navarro
Fernando Pereira
Cristian Duran-Fandez
04-07-2016

INTRODUCCIN
Para el proyecto a realizar, se propuso comparar estudios de localizacin de dispositivos XBee
inmersos en ambientes industriales. En este estudio, se plante basar la estimacin de posicin en
una red neuronal usando datos traducidos por el modelo Log Distance Patch loss, en el cual se
traducen los valores de RSSI emitidos por el mdulo Xbee.
Es por eso que para una buena implementacin es necesario conocer el sistema completo, la manera
en que se implementar y experimentar para ver posibles resultados de nuestro anlisis.

DISEO DE SISTEMA
El sistema propuesto en este trabajo consta de distintas estaciones, las cuales en su conjunto, logran
entregar resultados que buscan ser comparados con estudios anteriormente realizados.
Es por esto, que se adjunta en la siguiente figura, un diagrama de flujo que expone el sistema de
manera general, con el fin de distinguir las distintas etapas para nuestro proyecto.

Figura N1: Diagrama de sistema a implementar

A continuacin, se expondr las partes del sistema a considerar para poder obtener resultados
ptimos en nuestro estudio.

CONVEYOR CIMUBB

El conveyor es una lnea de proceso ubicada en el CIMUBB, es un medio de trasporte fabricado en

metal de un metro de altura, que se sostiene sobre pilares que lo elevan del piso. Posee 1.2 metros de
ancho y 4.6 metros de largo. El ancho de la correa de transporte es de 0.17 metros.

Figura N2:Dimensiones del Conveyor

El conveyor se encuentra inmerso en un laboratorio que est compuesto por compuradores, motores,
robots, etc. Todo esto afecta a las seales inalambricas inmersas en el sistema. Por lo que no hay que
despreciar sus efectos e ir conociendo sus respectivas ubicaciones en caso de algun resultado erroneo
o que este afecto a los implementos adicionales del laboratorio.

Figura N3: Plano de laboratorio CIMUBB

Para poder estimar la posicin del dispositivo XBee es necesario tener datos del modelo del Conveyor,
para poder indicar la posicin del dispositivo mientras se mueve dentro del sistema, para lo cual se
obtuvieron datos de la posicin ideal que debiese tener el XBee en el sistema. Esto se grafica en la
siguiente imagen.

Figura N4: Posicin Ideal de dispositivo XBee en Conveyor CIMUBB

Por el Conveyor, deber viajar un pallet que tendr un dispositivo XBee que estar emitiendo
constantemente datos y los cuales sern recibidos por otro dispositivo Xbee que estar conectado a
un computador y que tendr una ubicacin convenientemente escogida cuando el sistema sea
implementado.

CONEXIN DE MDULOS XBEE

Para saber en dnde estar el XBee que viaje por el pallet, se debe crear una red de comunicacin con
otro dispositivo XBee, de modo que el dispositivo que se mueve por el conveyor, envi paquetes de
datos de manera constante para que el receptor los envi a un computador para su posterior anlisis
de RSSI y as estimar su posicin.
Para este proyecto, se configurarn los dispositivos en modo API, de modo que el Xbee emisor enve,
cada ciertos instantes de tiempo, tramas de datos al dispositivo que est conectado al computador.
La configuracin ser la siguiente:

PARAMETROS
CH
ID
MY
SH
SL
CE
DH
DL
SM
BD
NB
AP
IR

Tabla N1: Configuracin de dispositivos XBee

XBEE COORDINADOR
EXBEE FINAL
PALLET EMISOR
RECEPTOR
C
C
3332
3332
0xFFFF
0xFFFF
Direcciones por defecto de los
Direcciones por defecto de los
Xbee
Xbee
Direcciones por defecto de los
Direcciones por defecto de los
Xbee
Xbee
1
0
Direcciones por defecto de los
Direcciones por defecto de los
Xbee con el que se conectar
Xbee con el que se conectar
Direcciones por defecto de los
Direcciones por defecto de los
Xbee con el que se conectar
Xbee con el que se conectar
0
0
3
3
0
0
1
1
32
0

Dnde:
CH = Nmero del canal de transmisin.
ID = Nmero identificador de la red.
MY = Direccin manual del dispositivo en modo de 16 bit.
SH Y SL = Direccin propia del mdulo.
CE = Habilitacin de Coordinador.
DH y DL = Direcciones del mdulo de destino.
SM = Modo de hibernacin.
BD = Velocidad de transmisin de la interface serie.
NB = Paridad de la transmisin.
AP = Habilitacin del modo API.
IR = Intervalo de muestreo de las puertas activas.

ADQUISICIN DE DATOS

Para poder realizar una prediccin de ruta del dispositivo, es necesario realizar un estudio de posicin,
el cual se realizar por medio de RSSI (Indicador de intensidad de seal recibida), lo cual es posible
debido a la relacin entre la distancia de separacin de los nodos involucrados, la cual puede ser
utilizada por diversos mtodos tales como modelos de propagacin, mapeo de seal o uso de alcance
mximo.
En nuestro proyecto la adquisicin de datos se realizar al obtener los datos de la comunicacin entre
los dispositivos XBee quienes entregarn informacin acerca de la intensidad de seal recibida, la cual
ser modelada segn las ecuaciones definidas por el log distance path loss model y procesadas a
travs de un filtro, para asegurarnos de eliminar ruidos presentes en las mediciones que pudieran
afectar el normal funcionamiento del proceso.
Este proceso se realiza mediante un software llamado Qt Creator, el cual actualmente no tenemos
habilitado para recibir los datos de los XBee, por lo que no se ha creado el algoritmo de adquisicin de
datos.

LOG DISTANCE PATCH LOSS

Para realizar la estimacin de posicin del objeto de prueba, se ocupa la tcnica log distance path loss,
la cual a travs de la prediccin de prdida de camino de la seal al encontrarse dentro de alguna
construccin o de lugares con alta cantidad de poblacin logra crear un modelo de propagacin de
radio.
Para realizar este clculo se ocupa la siguiente frmula.
PL= PTx dBm - PRx dBm =PL0 + 10g log10 (d/d0) + Xg
Donde:
PL: Es el camino perdido total medido en decibeles (dB)
PTx dBm: 10log10 (PTx/ 1mW) es la potencia de transmisin en dBm
PTx: Es la potencia de transmisin en Watts
PRx dBm: 10log10 (PRx/ 1mW) es la potencia recibida en dBm
PRx: Potencia decibida en Watts
PL0: potencia de referencia a la distancia conocida d0 (dB)
d: longitud del camino
d0: distancia de referencia (1 Km generalmente)
g:exponente de perdida de trayectoria
Xg: variable aleatoria normal que refleja atenuacin (dB)

FILTRO

Dado a que los valores de RSSI son muy inestables y susceptibles al ruido, se plantea como una
solucin filtrar los valores de intensidad de seal, con el fin de eliminar los ruidos que no sirven para
en anlisis.
Para esto se ha propuesto dos tipos de filtro, uno de primer orden y otro de segundo orden. De
manera adicional se ha diseado un filtro FIR que no ha sido capaz de lograr las expectativas y es por
esto que ha quedado descartado para su uso, pero que de igual manera se adjuntarn los resultados.
El cdigo de los filtros usados son los siguientes.
%% Filtros Digitales
clear all;close all; clc;
M = 4354; % cantidad de puntos del ciclo for dados por la cantidad de datos RSSI
%% Filtro digitales
alpha = 0.95;
load DATOSBUENOS
u =zeros(1,M)
a =R3E1(:,1);
b = a
u =b(1,:) ;
yf1 = zeros(1,M+1);
yf2 = zeros(1,M+2);
yf3 = zeros(1,M+4);
for k = 1:M
u(k) = b(k);
yf1(k+1) = alpha*yf1(k)+(1-alpha)*u(k);%Primer Orden
yf2(k+2) = 2*alpha*yf2(k+1)-alpha^2*yf2(k)+(1-alpha)^2*u(k);%Segundo Orden
yf3(k+4) = 0.4*u(k)-2.2171*yf3(k+3)-1.9683*yf3(k+2)-0.876*yf3(k+1)0.17893*yf3(k); %Filtro FIR
end
subplot(411);plot(u)
xlabel(Tiempo [ms])
ylabel(RSSI)
title(RSSI sin filtrar)
subplot(412);plot(yf1)
xlabel(Tiempo [ms])
ylabel(RSSI)
title(RSSI con filtro de primer orden)
subplot(413);plot(yf2)
xlabel(Tiempo [ms])
ylabel(RSSI)
title(RSSI con filtro de segundo orden)
subplot(414);plot(yf3)
xlabel(Tiempo [ms])
ylabel(RSSI)
title(RSSI con filtro FIR)

Figura N5: Cdigo de Filtros Digitales

A continuacin se adjunta los resultados del filtraje para el RSSI.

Figura N6: Graficas de RSSI filtrado y sin filtrar

RED NEURONAL ARTIFICIAL

La estimacin final de posicin se realiza mediante una red neuronal artificial, la cual consta de dos
entradas, 2 capas oculta con 30 neuronas cada una y 2 salidas al final de la red. Las capas ocultas
tienen como funcin de activacin una funcin de transferencia logsig, mientras que la salida tiene
una funcin de activacin lineal.
El cdigo aplicado para el desarrollo de la red neuronal es el siguiente.
%Sea MC la matriz con la que ser entrenada la red neuronal
input = MC
net = newff(minmax(MC),[30 30 2],{logsig,logsig,purelin},trainlm);%%
&&Se crea la red neuronal y se le asignan las matrices de entrenamiento, las
%%cantidades de neuronas por capa oculpa[30 30] y la cantidad de salidas [2]
%%luego las funciones de activacin para cada capa capa oculta y la salida
net.trainparam.epochs=100;% iteraciones para que la red se entrene
net.trainparam.goal=1e-25;
net.trainparam.lr=1e-20;
%Sea MC la salida deseada en la red neuronal
target = MC;
net = train(net,input,target);
%Aplicar red neuronal.
%Sea M1C la matriz de datos a analizar
a = net(M1C)

Figura N7: Cdigo de desarrollo de una Red Neuronal Artificial

Para probar esta red, se realizaron ensayos modelando un movimiento circular, del cual se obtuvieron
los datos y se le agreg ruido con el de probar la red y su resultado. Esto ltimo se expone a
continuacin en la siguiente grfica.

Figura N8: Ruta de circunferencia con la cual se entren a la red neuronal

Figura N9: Grafica de datos con ruido que se le aplic a la red neuronal para que fuera procesada

Figura N10: Posicin estimada por la red neuronal

CONCLUSIN

En la industria actual es muy importante mantener en observacin constante el comportamiento de

diversos procesos. Es por esto que se hace primordial establecer nuevas alternativas de monitoreo
que faciliten la movilidad y por sobre todo que generen soluciones alternativas al cableado para
aquellos lugares donde no sea posible instalar este tipo de dispositivos.
En respuesta a eso se ha trabajado con dispositivos inalmbricos XBee, los cuales entregando
informacin de intensidad de seal, han permitido estimar la posicin de un objeto utilizando
modelos de estimacin de posicin.
Adems como solucin a procesos que no tienen una ruta definida previamente, o de cuyo
comportamiento no se puede establecer una ruta constante, se ha estudiado un modelo de prediccin
de posicin basado en redes neuronales, lo que permite proyectar el comportamiento del dispositivo
mvil.
Podemos observar que ambas tcnicas generan una respuesta capaz de estimar la posicin de un
objeto en cualquier instante de tiempo con bastante precisin, lo que otorga muchas posibilidades de
implementacin.

BIBLIOGRAFA
Tutorial XBee
Apuntes de clase, Redes Inalmbricas - Prof. Cristian Durn
Autor: Joaqun Alder Silva Faundez, Universidad del Bo-Bo
Mathworks - Neural toolbox
http://www.mathworks.com/help/pdf_doc/nnet/nnet_ug.pdf
Sistema de control basado en la percepcin de unidades mviles
Seminario de ttulo, 2011. Joaqun Alder Silva Faundez
Universidad del Bo-Bo
Mathworks - Signal Processing Toolbox
http://www.mathworks.com/help/pdf_doc/signal/signal_tb.pdf
Apuntes de Clases, Control por Computador
Prof. Jaime Rohten.