Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
CONVEYOR 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.
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
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.
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)
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)
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 N9: Grafica de datos con ruido que se le aplic a la red neuronal para que fuera procesada
CONCLUSIN
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.