Divulgaci

on

Analisis de dos algortmos de

linealizacion y autocalibracion
para sensores inteligentes

recibido: octubre de 2006

preimpreso
n
I. Introduccio

I.1. General
Con el proposito de aumentar la productividad y competitividad en todos
los procesos de cualquier ramo: industrial, automotriz, servicios, agricultura, etc., cada da es mayor la necesidad de monitorear y/o controlar procesos. Todo proveedor requiere informar a su cliente por que, como, donde,
cuando ocurrio una falla, sobre todo de las acciones que esta tomando para
mejorar la calidad. Esto hace que el manejo de informacion sea mas complicado; aunado a esto, la automatizacion de procesos no es muy sencilla
y requiere de especialistas en el ramo. Para el desarrollo de un sistema de
monitoreo y/o control nos encontramos con los problemas de diversidad de
sensores, sistemas de medicion con tareas u
nicas o cerradas, dependencia
1

tecnologica, exactitud y calidad de la medicion, manejo de informacion,

distintos protocolos de comunicaci
on y su estandarizacion, confiabilidad y
costos.
Sin embargo uno de los mayores problemas es la calibracion de los sistemas de medicion. Simplemente, para darnos una idea de la situacion
planteada, en un estudio realizado a finales del siglo pasado por Michael A.
Hutchins (Hutchins, 1996), se menciona que el mercado global en equipos
de prueba y medicion entre los a
nos 70s a 90s ascendio a 9,000 millones de
dolares, se requirio de aproximadamente 2,000 millones de dolares para su
mantenimiento, de los cuales 1,200 millones se invirtieron en calibracion.
Como se ha visto, a
un con el avance de la tecnologa y los esfuerzos de
parte de muchos centros de investigaci
on, todava no es posible ponerse de
acuerdo en muchos puntos relevantes de un sistema de medicion, y mucho
menos encontrar una sola forma de solucionar el problema. Todo esto ocasiona que a
un con el avance del conocimiento en distintas areas, dejemos
mucho mas desamparados a la micro y peque
na industrias, generandoles
la disyuntiva del camino tecnologico que deben seguir el cual les garantice
una competitividad adecuada en este mundo globalizado, ese es el principal problema que a los pases emergentes les urge solucionar. Este tipo
de industria deseara tener a su alcance una solucion al problema de las
mediciones de sus variables; dicha solucion debe tener las siguientes caractersticas: una tecnologa abierta, amigable, confiable, con independencia
tecnologica y a bajos costos.
En los u
ltimos a
nos se ha desarrollado mucho trabajo alrededor de todos estos conceptos. Pero si nos enfocamos en dos conceptos y problemas
principales en el desarrollo y mantenimiento de sistemas de medicion, la
linealizacion y autocalibracion, podemos ver que el tema relacionado con la
linealizacion se ha tratado de diferentes formas y etapas desde el dise
no de
circuitos con tecnologa MOS (Khachab e Ismail, 1991); la linealizac
on de
la salida de los sensores se ha realizado utilizando un convertidor analogicodigital al mismo tiempo que se hace la conversi
on (Iglesias e Iglesias, 1988;
Vargha y Zoltan, 2001), tambien se ha tratado de mejorar la respuesta lineal
del convertidor digital analogico tipo R-2R (Dent y Cowan, 1990), se han
desarrollado trabajos de linealizacion para un sensor especifico como el termistor (Kaliyugavaradan y cols., 1993) y sensores de corriente de efecto Hall
(Cristaldi y cols., 2001); usando el poder de las computadoras se han implementado metodos numericos para linealizar (Taylor y Antoniotti, 1993;
Patranbis y Gosh, 1989). Una forma muy com
un de linealizar es el uso de
memorias ROM para guardar los coeficientes de linealizacion (Malcovati y
cols., 1994; Yamada y Watanabe, 1997). Hoy en da, en este tema de linealizacion tambien podemos encontrar uso de redes neuronales (Fazlur Rahman
y cols., 2000; Shing Hwang y Chao, 2000; Dai y cols., 2003; Schoukens y
2

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

cols., 2004) o logica difusa (ODroma y Mgebrishvili, 2005) pero, principalmente, pensando en aportar soluciones alrededor de control para sistemas
no lineales. En el uso de redes neuronales para sensores, podemos encontrar
la identificaci
on de la ecuacion de un sensor por medio de redes neuronales
(Sami Ashhab y Al-Salaymeh, 2006), linealizacion con redes neuronales para
amplificadores y sensores en (Ciminski, 2005) y (Capitan-Vallvey y cols.,
2005), respectivamente.
Una vez que ya se ha superado el problema de linealizar la salida de
un sensor para efectos de medicion, es conveniente ver el problema de calibracion; hay que tomar en cuenta que un equipo de medicion puede cambiar
sus caractersticas por distintos factores como son el medio ambiente donde
se usa, su envejecimiento, el operador, etc. La mayora de las empresas que
desean ser competitivas deben contar con una certificacion, anteriormente
por procesos reconocidos como Militar Est
andar y ahora por los ISOs
(Dack, 1995). Se han utilizado metodos de control estadstico de procesos
como una forma de saber cuando un equipo necesita calibracion (Pickering, 1996); asociado con la calibracion, podemos ver como alrededor del
mundo se han creado laboratorios especializados (Moratilla y cols., 1996).
Podemos mencionar que los problemas de la calibracion son muchos, entre
ellos el que se deben desarrollar por laboratorios certificados, y otro es que
normalmente se desarrollan fuera del area de trabajo del equipo, por lo que
se han desarrollado investigaciones sobre la calibracion fuera de lnea y su
calidad para cumplir con los requerimientos de medicion en un proceso (Porat y Friedlander, 1997). Se han desarrollado sistemas para la calibracion
de medidores especficos como medidores de temperatura con termopares
(Bethea y Rosenthal, 1992) y estaciones utilizando equipos con comunicacion GPIB (Chen y Wang, 1997), pero para esto es necesario contar con
una computadora. La autocalibracion se ha utilizado en el dise
no de circuitos, interfaces para puentes de Wheastone (Van der Goes y cols., 1997)
en una sola pastilla. Otra area importante es la calibracion en proceso de
fabricacion de sensores, un ejemplo de esto se muestra para sensores lineales
de temperatura en (Solbrekken y Chiu, 2000); aqu se presenta una forma de
disminuir el tiempo de calibracion. Tambien las redes neuronales se han utilizando para autocalibracion, como se presenta en (Drnovsek y cols., 1992),
pero, como el mismo autor lo comenta, los algoritmos que muestra solo son
de interes teorico. Un ejercicio practico con redes neuronales es el que se
muestra en (Massicotte y cols., 1997), donde por medio de una red neuronal
se desarrolla una similitud del metodo spline, sin mostrar resultados sobre
la calidad en la medicion.
En la revision de estos trabajos podemos observar diferentes formas de
tratar el asunto de linealizacion y calibracion, cada autor soluciona sus
problemas de acuerdo a sus necesidades. En el presente trabajo mostramos
3

los conceptos basicos de los sensores inteligentes y un ejercicio de la comparacion de dos metodos de linealizacion (Van der Horn y Huijsing, 1998)
y autocalibracion (Fouad Lyahou y cols., 1997), buscando una forma de
poder corregir de manera automatica errores como linealidad, ganancia y
corrimiento.
II. Sensores inteligentes

Hoy en da la tecnologa es candidata a que se le agregue el prefijo de

inteligente (smart). El termino de sensores inteligentes fue conocido a mediados de 1980 y desde entonces a varios dispositivos se les ha llamado sensores inteligentes. La inteligencia requerida por tales dispositivos es proporcionada por un microcontrolador (Microcontroller Unit, MCU), un procesador digital de se
nales (Digital Signal Processor, DSP) y circuitos integrados de aplicaciones especficas (Application Specific Integrated Circuit,
ASIC) de distintas tecnologas desarrolladas por diferentes fabricantes de
semiconductores. Algunos de estos fabricantes de semiconductores trabajan
activamente en el desarrollo de dispositivos de silicio mas inteligentes para
sensores y actuadores de los sistemas de control. El termino sistemas microelectromecanicos (Microelectromechanical Systems, MEMS) es utilizado
para describir una estructura creada con el proceso de fabricacion de semiconductores para sensores y actuadores (Frank, 2000).
Para entender que esta ocurriendo hoy en da con el avance de la tecnologa microelectronica aplicada a sensores, revisemos un poco la transicion que ha pasado respecto a esto:
Antes de que la microelectronica estuviera disponible, los sensores o transductores utilizados para medir cantidades fsicas tales como temperatura,
flujo, presion, nivel, etc., usualmente se acoplaban directamente a un dispositivo de lectura com
unmente el medidor era ledo por un observador.
El transductor converta la cantidad fsica medida a un desplazamiento
mec
anico el observador hacia una correccion del proceso para cambiar
la lectura, cerrando o abriendo una valvula. Muchos sistemas termicos en
el hogar, en la forma de medir la presion de las llantas y algunos procesos
industriales a
un operan de la manera descrita anteriormente.
La llegada de la tecnologa del microprocesador llevo a que el sensor proporcionara una salida electrica que pudiera ser interfaceada para medicion
o control.
Tambien se requiere que la se
nal analogica sea amplificada y convertida,
de preferencia a un formato digital para alimentarse a un controlador de
procesos.
4

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

Hoy en da, MCU y convertidores A/D trabajan con 5V de alimentaci

on.
Este voltaje es determinado por muchos amplificadores y acondicionadores de se
nal para sensores. Sin embargo, la reduccion del voltaje de
alimentaci
on de 5V a 3.3V o mas bajos es ya una realidad.
Estn disponibles circuitos integrados para manejar una amplia variedad
de voltajes y resolver problemas, agregando complejidad a los sistemas y
sensores.
Recordar los conceptos de sensores y transductores.
II.1. Fundamentos de sensores inteligentes
La definicion de sensor inteligente o transductor inteligente (smart sensor )
no ha sido ampliamente aceptado y puede estar sujeto a desuso. Sin embargo
el comite del Instituto de Ingeniera Electrica y Electronica (IEEE) ha
estado consolidando la terminologa aplicada a sensores y microelectronicas.
La especificacion IEEE1451.2 define un sensor inteligente como un sensor que provee funciones mas alla de lo necesario para generar una correcta representaci
on de una cantidad medida o controlada. Esta funcion
tpicamente simplifica la integraci
on del transductor en aplicaciones en ambiente de redes. Esta definicion proporciona un punto de arranque para
los requerimientos mnimos de un sensor inteligente (Frank, 2000).
En el futuro, sensores inteligentes deberan ser capaces de mucho mas y
clasificaciones adicionales seran requeridas para diferenciar los productos;
por ejemplo, sensor inteligente tipo 1.
Con el desarrollo de los microprocesadores y convertidores A/D y D/A
ahora es posible construir sensores y actuadores altamente sofisticados, los
cuales son capaces de analizar se
nales, diagnosticarse a s mismos, con comunicaci
on digital y con identificaci
on u
nica en una red.
La arquitectura general en la cual se caracteriza el concepto de un sensor
inteligente es como lo muestra la figura 1.
Como se puede apreciar, un sensor debe hacer algo mas que solo producir
una se
nal de medicion para que pueda ser considerado un sensor inteligente
(Johnson y Woods, 2001). Esta arquitectura consta de siete elementos principales los cuales se describen a continuaci
on:
Sensor. Convierte una variable fsica en una se
nal electrica.
Acondicionador de se
nales. Circuitera que prepara la se
nal electrica
al valor adecuado antes de ser convertida a un dominio digital.
ADC. Dispositivo que convierte la se
nal de entrada analogica a un codigo
digital.
5

FIGURA 1. Estructura interna de un sensor inteligente.

Aplicaci
on de algoritmos. Nivel de aplicacion en software o hardware
cuyas funciones incluyen conversiones de los datos a unidades especificadas por el usuario, procesamiento de se
nales, analisis de datos, condiciones de alarmas, grabacion de datos en memoria, aplicacion de lazos
de control local. Estos algoritmos proveen inteligencia a los sensores
inteligentes.
Almacenamiento de datos. Guarda informacion digital para la identificaci
on del sensor y la informacion de configuracion, calibracion de datos
y algunos otros datos de interes que pueden ser almacenados en el mismo
sensor.
Interfase de usuario. Presenta informacion estandarizada de los datos
al usuario final, con una terminologa y lenguaje acorde al lenguaje del
usuario y en unidades fsicas especficas de la aplicacion.
Comunicaci
on. Interfase de comunicaci
on que permite acceso remoto
hacia el sensor para poderlo configurar, calibrar, diagnosticar, captura
de datos y monitoreo de su estado en general.
Un actuador tendra una arquitectura similar a la mostrada en la figura
anterior, con la diferencia de que ahora la comunicaci
on va hacia el actuador, en lugar de un convertidor A/D tendra un D/A y el acondicionamiento
de se
nal sera el necesario para activar el actuador.

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

n y autocalibracio
n
III. Algoritmos de linelizacio

III.1. La funci
on de transferencia del sensor
En la fabricacion de sensores es deseable producir al mismo tiempo un
gran lote de sensores y que todos respondan de la misma forma de acuerdo
a su funcion de transferencia dentro de cierta exactitud. Para verificar su
respuesta debemos medirlos individualmente o por muestreo. Cuando medimos la funcion de transferencia del sensor, nos podemos encontrar con uno
o mas de los siguientes errores: offset, ganancia o error de plena escala, no
linealidad, cambio de la funcion de transferencia cuando se mide en diferentes condiciones ambientales, histeresis y corrimiento de sus caractersticas
en el tiempo.
En la figura 2 se muestran graficamente estos errores. Generalmente,
algunos de estos errores son mayores que la exactitud deseada. Para corregir
estos errores el sensor debe ser medido y calibrado individualmente para
garantizar su exactitud (Van der Horn y Huijsing, 1998).
III.2. Linealizaci
on
Para simplificar la descripcion matematica de los metodos de linealizacion
debemos trabajar con la funcion del sensor normalizada. La salida de la
se
nal electrica del sensor eo puede normalmente ser considerada como una
funcion S de una se
nal fsica de entrada (Van der Horn y Huijsing, 1998):
qi : eo = s(qi ),

(1)

donde s es la funcion de la variable fsica de entrada y qi la variable de

entrada.
Normalizando el rango de interes de la entrada fsica [qi(min) ; qi(max) ], en
el rango de [1, 1], le llamaremos rango normalizado de la se
nal de entrada.
Similarmente el rango de la se
nal electrica de salida debera ajustarse a un
rango de [eo(max) , eo(min) ], mapeado o relacionado a un rango de [1, 1],
rango normalizado de la se
nal de salida.
Podemos obtener la se
nal de entrada normalizada de la siguiente forma:
x=
7

2qi qi(max) qi(min)

qi(max) qi(min)

(2)

FIGURA 2. Posibles errores en la curva de transferencia.

y la se
nal de salida normalizada:
y=

2eo eo(max) eo(min)

eo(max) eo(min)

(3)

La salida del sensor normalizada y puede describirse por la funcion de

transferencia normalizada, la cual es expresada como una funcion unidimensional de la se
nal de entrada normalizada x: y = f (x). Ademas, consideramos que la funcion de transferencia normalizada es un a funcion lineal
x con ganancia unitaria:
y = g(x) = x.
(4)
8

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

En la figura 3 se muestra el ejercicio de normalizar una funcion con base

a las ecuaciones antes descritas, para el desarrollo de este ejercicio se utilizo
MatLab.
Si la se
nal puede linealizarse de esta forma, es mas facil corregir los errores
sistematicos y cuantificar los errores aleatorios.
De antemano, podemos partir del desconocimiento de la funcion f (x).
En su lugar obtenemos N mediciones de calibracion f (xk ), donde k =
1, 2, . . . , N . Esta informacion puede utilizarse para generar la ecuacion de
interpolacion f 0 (x), la cual debe parecerse a la ecuacion real del sensor.
Linealizamos la salida del sensor y nos aproximamos a la curva ideal g(x).
La funcion de transferencia linealizada y = h(x) esta compuesta de la se
nal
de salida del sensor f (x), las mediciones de calibracion f (xk ) y los valores
ideales de salida g(xk ):
h(x) = H (f (x), f (xk ), g(xk )) .

(5)

El error en el resultado de la linealizacion se puede evaluar por:

(x) = h(x) g(x).

(6)

Por la normalizacion, la curva del error puede interpretarse directamente

como un error relativo con respecto a la mitad de la escala (valor simetrico).
III.2.1. Linealizaci
on basada en la interpolaci
on lineal picewise
En lugar de almacenar toda la curva de transferencia de un sensor en una
memoria grande, podemos utilizar una memoria peque
na y almacenar los
coeficientes de un modelo el cual describe la funcion de transferencia del sensor. Podemos medir la se
nal de salida del sensor para un conjunto peque
no
de se
nales de entrada conocidas. Cada medicion de calibracion representa
un punto sobre la curva de transferencia del sensor. Entre los rangos
adyacentes podemos dibujar lneas descritas por y = an x + bn . Estas lneas
forman la interpolacion lineal de un rango de la curva de transferencia del
sensor, fP W L (x). Basados en esta porcion lineal, de manera simple la salida
del sensor puede procesarse para obtener la curva de transferencia linealizada. En cada subrango se tiene que realizar una correccion de offset y
ganancia. u
nicamente se requiere almacenar en memoria los valores que indiquen los subrangos, la correccion de offset y ganancia para cada subrango
(Van der Horn y Huijsing, 1998).
En la figura 4a se muestran los resultados de un ejemplo de la interpolacion lineal de rangos (Picewise Linear Interpolation, PWL) para una
funcion f (x) = 1.2 ln(1.7 x), esta fue implementada en Matlab, y esta
9

10

FIGURA 3. Normalizaci
on de una funci
on de transferencia.

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

basada en la medicion de cinco puntos de calibracion representada por los

puntos (x1 , y1 ) a (x5 , y5 ).
La interpolacion lineal entre los dos primeros puntos puede encontrarse
mediante:
f (x2 ) f (x1 )
(x x1 ).
(7)
f1 (x) = f (x1 ) +
x2 x1
Podemos probar simplemente verificando con x = x1 y x = x2 .
Con N puntos completamos la curva PWL, que podemos describir matematicamente por la suma de N 1 componentes lineales fn (x):
x [xn , xn+1 ] fn (x) = f (xn ) +

f (xn+1 ) f (xn )
(x xn ),
xn+1 xn

x 6 [xn , xn+1 ] fn (x) = 0.

(8)
(9)

Y la ecuacion fP W L (x) definida por

fP W L (x) =

N
1
X
n=1

fn (x).

(10)

Hay que entender que no estamos interesados en la curva de interpolacion

de la funcion de transferencia del sensor, sino en obtener una expresion para
la funcion de linealizacion de la funcion de transferencia del sensor. De manera similar a las ecuaciones anteriores, podemos describir los componentes
hn (x), que transforman la se
nal de salida f (x) como sigue:
f (x) [yn , yn+1 ] hn (x) = g(xn ) +

g(xn+1 ) g(xn )
(f (x) yn ) ,
yn+1 yn

f (x) 6 [yn , yn+1 ] hn (x) = 0.

(11)
(12)

Basados en los valores de salida deseados g(xn ) y las se

nales de salida
medidas,
yn = f (xn ),
(13)
por sustitucion podemos obtener los valores de los componentes hn (x) que
coincidan con los valores de salida deseados en dos puntos de calibracion,
hn (xn ) = g(xn ) y hn (xn + 1) = g(xn + 1). La funcion de linealizacion
hP W L (x) esta entonces definida como la suma de los componentes del subrango:
hP W L (x) =
11

N
1
X
n=1

hn (x).

(14)

12

FIGURA 4. a) Interpolaci
on lineal picewise PWL. b) Error del metodo PWL.

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

Y as coincide la funcion de transferencia deseada g(x) con los valores de

entrada xn usados para la calibracion. El error de este metodo se muestra
en la figura 4b.
III.2.2. M
etodo de calibraci
on polinomial progresiva
Debemos partir de que un sensor puede presentar los desajustes antes mencionados en la seccion III.1. La calibracion polinomial y el metodo de linealizacion que proponemos trabaja sobre el principio de que cada medicion
de calibracion puede utilizarse directamente para calcular un coeficiente
programable en la correccion de la funcion. La correccion se aplica inmediatamente para modificar el valor de salida del sensor. El proximo paso
de calibracion hace uso de esta se
nal corregida del sensor. Cada paso de
correccion subsecuente es aplicada de tal forma que calibraciones hechas
previamente permanecen sin cambio (Fouad Lyahou y cols., 1997).
El proposito de la calibracion es obtener la funcion de respuesta de un
sensor calibrado el cual genere lo mas cercano posible una funcion de transferencia deseada. Esto se realiza tomando mediciones de calibracion para
un conjunto bien conocido de se
nales de entrada xn , y comparando el valor
medido de la salida del sensor f (xn ) con el valor de la salida deseada
yn = g(xn ). El proposito es calcular la funcion de transferencia del sensor corregida hn (x) despues de cada medicion de calibracion. Se hace uso
de la funcion de transferencia anterior h1 (x) a hn1 (x), los valores de calibracion anteriores y1 a yn1 y el n-esima medicion de calibracion f (xn ). La
calibracion la podemos expresar como una serie de formulas anidadas:

hn an , h1 (x), . . . , hn1 (x), y1 , . . . , yn1 ,

(15)

donde an se refiere al n-esimo coeficiente de calibracion. En cada paso de

calibracion el coeficiente de calibracion an tiene que ser calculado con el fin
de obtener la salida del sensor corregida que se iguale o se le parezca a la
salida deseada: hn (xn ) = g(xn ) = yn .
Clarificando el procedimiento en cuatro pasos:
1 ) La primera funcion de calibracion h1 (x) esta dada por:
h1 (x) = f (x) + a1 yref .

13

(16)

Unicamente
se necesita una se
nal de referencia constante yref para obtener el factor de correccion en las mismas unidades de la funcion f (x).
Con base en la primera medicion de calibracion f (x1 ) y el valor de salida
deseado y1 = g(x1 ), el coeficiente de calibracion a1 se puede calcular por

la siguiente ecuacion:
a1 =

y1 f (x1 )
.
yref

(17)

2 ) La segunda funcion de calibracion h2 (x) utiliza la funcion h1 (x) previamente obtenida y se define como:
h2 (x) = h1 (x) + a2 [h1 (x) y1 ] .

(18)

El termino de correccion que se suma a h1 (x) de la ecuacion anterior

es cero en el primer punto de calibracion (x1 , y1 ), para mantener la
ecualizacion previa a
un valida para la nueva funcion h2 (x1 ) = h1 (x1 ) =
y1 , independiente de a2 . Para encontrar el valor de a2 se requiere de una
segunda medicion de calibracion f (x2 ), y poder calcular h1 (x2 ),
a2 =

y2 h1 (x2 )
.
[h1 (x2 ) y1 ]

(19)

3 ) La tercera funcion de calibracion debera construirse de manera tal que

los dos valores de ecualizacion permanezcan sin cambio. La correccion
necesaria sera cero en los puntos de calibracion previos (x1 , y1 ) y (x2 , y2 )
y esta definida como:
h3 (x) = h2 (x) + a3

(h1 (x) y1 ) (h2 (x) y2 )

.
yref

(20)

Se utiliza una se
nal de referencia yref para preservar las unidades del
termino de correccion. Se realiza una tercera medicion de calibracion
f (x3 ) e inmediatamente se realiza la correccion calculando h1 (x3 ) y
h2 (x3 ), los cuales son utilizados para encontrar el valor del tercer coeficiente de calibracion:
a3 =

(y3 h2 (x3 )) yref

.
(h1 (x3 ) y1 ) (h2 (x3 ) y2 )

(21)

4 ) Similarmente un polinomio de correccion de tercer orden puede obtenerse como cuarta funcion de calibracion, por la siguiente ecuacion:
h4 (x) = h3 (x) + a4

(h1 (x) y1 ) (h2 (x) y2 ) (h3 (x) y3 )

.
2
yref

(22)

Aqu tambien, la se
nal de referencia yref es utilizada para preservar las
unidades en el termino de correccion. Una nueva medicion de calibracion

14

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

f (x4 ) es necesaria para obtener h1 (x4 ), h2 (x4 ) y h3 (x4 ), y poder calcular

el cuarto coeficiente de calibracion a4 :
a4 =

2
(y4 h3 (x4 )) yref
.
(h1 (x4 ) y1 ) (h2 (x4 ) y2 ) (h3 (x4 ) y3 )

(23)

Despues del cuarto paso de calibracion, se obtiene una funcion de calibracion y = h4 (x), el cual intercepta la funcion de transferencia deseada
y = g(x) en los cuatro puntos de calibracion (x1 , y1 ), (x2 , y2 ), (x3 , y3 ) y
(x4 , y4 ). En efecto hemos construido un polinomio de interpolacion de Lagrange para la funcion de transferencia del sensor. Las ecuaciones anteriores
pueden evaluarse para obtener el polinomio estandar de la forma
h4 (x) = c0 + c1 f (x) + c2 (f (x))2 + c3 (f (x))3

(24)

y encontrar las expresiones para c0 , c1 y c3 que generan los coeficientes que

dependen de todos los puntos de calibracion.
Se pueden realizar, de la misma manera que se describio, pasos de calibracion adicionales para incrementar el orden del polinomio. La ecuacion puede
generalizarse y expresar la n-esima funcion de calibracion por la siguiente
ecuacion:
!

n1
Y h (x) y
i
i
hn (x) = hn1 (x) + an yref
.
(25)
y
ref
i=1
Los coeficientes de calibracion an se calculan en base a la n-esima medicion
de calibracion, dando h1 (xn ) a hn1 (xn ), expresados por:

Y
y hn1 (xn ) n1
yref
an = n
.
yref
h
(x
)

y
i
n
i
i=1

(26)

Todo este proceso se muestra en la figura anterior. Claramente, el metodo

alcanza progresivamente la funcion de transferencia calibrada paso a paso.
El n
umero de pasos y los puntos de medicion xn no necesariamente de
antemano se fijan.
La estimacion del error la obtenemos por medio de la ecuacion 6.
En la figura 5a se muestra el resultado de este metodo simulando en MatLab la ecuacion f (x) = 1.2 ln(1.7 x); primero se normaliza y se considera
un offset de 0.3. Los datos de entrada son x = [1, 1, 0, 0.5 y 0.5], utilizando estos cinco puntos de calibracion se obtienen cinco funciones h1 (x)
a h5 (x); h1 (x) y h2 (x) son iguales debido a que solo se presenta un error
de offset y no esta presente un error en ganancia. El error de acuerdo a la
ecuacion 6 se muestra en la figura 5b.
15

16

FIGURA 5. a) Calibraci
on polinomial progresiva. b) Error .

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

IV. Resultados y conclusiones

Una vez que hemos probado dos metodos que pueden ser utilizados para
linealizar y calibrar podemos hacer una comparacion de ellos, la tabla 1
muestra sus ventajas y desventajas:
TABLA 1. Comparacion de las caractersticas de ambos metodos.

17

M
etodo

Ventajas

Desventajas

Linealizaci
on basada
en un picewise polinomial o spline interpolation.

Una buena linelizacion

se puede obtener con
pocos puntos de medici
on de calibracion.
Se utiliza una aproximacion sistematica, la
cu
al se puede poner
como una ecuacion recursiva y factible de
implementarse en software.

M
etodo de calibraci
on polinomial progresiva.

Con pocas mediciones

de calibracion se puede obtener una buena
linealizacion.
Los errores que se pueden corregir son los de
linealidad, offset, ganancia, no linealidad y
sensitividad cruzada.

Todas las mediciones

de calibracion deben
realizarse y registrarse
antes de calcular la correccion de la curva.
Para cada subrango se
calcula una funcion de
correccion usando diferentes coeficientes.
Se requiere de sistemas
modernos de calculo,
preferentemente un
microcontrolador
o
computadora.
Se requiere de sistemas
modernos de calculo,
preferentemente un
microcontrolador
o
computadora.
Se requiere de una adecuada seleccion de los
puntos de calibracion.

El resultado de la ecuacion (14) o el resultado de la ecuacion (25), dependiendo del metodo seleccionado, se puede aproximar a la ecuacion (4)
y de esta forma utilizarse de forma sencilla y regresar a los valores de la
variable a medir y su respectivo rango.
Analizando los resultados de las figuras 5 y 8, se muestran los errores de
ambos metodos de acuerdo a la ecuacion (6). Ademas de lo mostrado en
la tabla anterior, el maximo error por el metodo PWL es de aproximadamente un 9%, y el error maximo del metodo polinomial progresivo es de
aproximadamente un 2%. Por todo lo anterior consideramos que el metodo
polinomial progresivo es mejor y puede ser implementado facilmente en un
microcontrolador.

V. Bibliografa
[1] Bethea, Mark D., y Bruce N. Rosenthal, An Automated Thermocouple Calibration System, IEEE Transactions On Instrumentation And Measurement 41 5,
octubre de 1992, pp. 702706.
[2] Capitan-Vallvey, L.F., E. Arroyo-Guerrero, M.D. Fernandez-Ramos y L. CuadrosRodrguez, Logit Linearization of Analytical Response Curves in Optical Disposable
Sensors based on Coextraction for Monovalent Anions, Analytica Chimica, Acta 561,
Elsevier, 2006, pp. 156163.
[3] Ciminski, Andrzej S., Neural Network Based Adaptable Control Method for Linearization of High Power Amplifiers, International Journal of Electronics an Communications, Acta 59, Elsevier, 2005, pp. 239243.
[4] Cristaldi, Loredana, Allesandro Ferro, Massimo Lazzaroni y Roberto Ottoboni,
A Linearization Method for Comercial Hall-Effect Current Transducer, IEEE Transactions on Instrumentation and Measurement 50, 5, octubre de 2001, pp. 11491153.
[5] Chen, Chern-Lin, y Shun-Chung Wang, A PC-Based Adaptive Software for Automatic Calibration of Power Transducers, IEEE Transactions on Instrumentation
and Measurement 46 5, octubre de 1997.
[6] Dack, Peter, So What Does Industry Want From Calibration?, The Institution of
Electrical Engineers (IEE), Savoy Place, Londres WCZR OBL, Reino Unido, 1995.
[7] Dai, X., D. He, T. Zhang y K. Zhang, A Generalised Inversion for the Linearisation and Control of Nonlinear Systems, IEE Proc. Control Theory Appl. 150 3,
mayo de 2003, pp. 267277.
[8] Dent, A.C., y Colin F.N. Cowan, Linearization of Analog to Digital Converters,
IEEE Transactions on Circuits and Systems 37 6, junio de 1990, pp. 729737.
[9] Drnovsek, Janko, Dusan Fefer y Anton Jeglic, A Learning Algorithm for SelfCalibration of a Voltage Calibrator, IEEE Transactions on Instrumentation and Measurement 41 6, diciembre de 1992, pp. 991996.
[10] Fazlur Rahman, M.H.R., Rajagopalan Devanathan y Zhu Kuanyi, Neural Network Approach for Linearizing Control of Nolinear Process Plant, IEEE Transactions
on Industrial Electronics 47 2, abril de 2000, pp. 470476.
[11] Fouad Lyahou, Khalid, Gert van der Horn y Johan H. Huijsing, A Noniterative Polynomial 2-D Calibration Method Implemented in a Microcontroller, IEEE
Transactions on Instrumentation and Measurement 46 4, agosto de 1997.
[12] Frank, Randy, Understanding Smart Sensors, Artech House, 2000.
[13] Hutchins, Michael A., Twenty-First Century Calibration, The Institution of Electrical Engineers (IEE), Savoy Place, Londres WCZR OBL, Reino Unido, 1996.
[14] Iglesias, Guillermo Enrique, y Enrique Alberto Iglesias, Linearization of Transducer Signal Using an Analog to Digital Converter, IEEE Transactions on Instrumentation and Measurement 37 1, marzo de 1988, pp. 5357.
[15] Johnson, Robert N., y Stan P. Woods, Proposed Enhancement to the IEEE
1451.2 Standard for Smart Transducers, Sensors on Line, septiembre de 2001.
[16] Kaliyugavaradan, S., P. Sankaran y V.G.K. Murti, A New Compensation Scheme
for Thermistors and its Implementation for Response Linearization Over a wide Temperature Range, IEEE Transactions on Instrumentation and Measurement 42 5,
octubre de 1993, pp. 952956.
[17] Khachab, Nabil I., y Mohammed Ismail, Linearization Techniques for n-th Order
Sensor Model in Mos VLSI Technology, IEEE Transactions on Circuits and Systems
38 12, diciembre de 1991, pp. 14391449.
18

 Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION

[18] Malcovati, P., C.A. Leme, P. OLeary, F. Maloberti y H. Baltes, Smart Sensor
Interface with A/D Conversion and Programmable Calibration, IEEE Journal of
Solid State Circuits 29 8, agosto de 1994, pp. 963966.
[19] Massicotte, Daniel, Sylvie Legendre y Andrzej Barwicz, Neural-Network-Based
Method of Calibration and Measurand Reconstruction for a High-Pressure Measuring
System, IEEE Transactions on Instrumentation and Measurement 46 5, octubre de
1997.
[20] Moratilla, A., R. Benyon, J. Diaz De Aguilar y J. De Lucas, The Role Of Intas
International Accreditation In Supporting, The Institution Of Electrical Engineers
(IEE), Savoy Place, Londres, WCZR OBL, Reino Unido, 1996.
[21] ODroma, M. S., y N. Mgebrishvili, Signal Modeling Classes for Linearized
OFDM SSPA Behavioral Analysis, IEEE Communication Letters 9 2, febrero de
2005, pp. 127129.
[22] Patranbis, D., y D. Gosh, A Novell Software Based on a Transducer Linearizer,
IEEE Transaction Instumentation and Measurement 38 6, diciembre de 1989,
pp. 11221126.
[23] Pickering, John R., SPC In Calibration: The Good, the Bad and the Ugly!, The
Institution of Electrical Engineers (IEE), Savoy Place, Londres, WCZR OBL, Reino
Unido, 1996.
[24] Porat, Boaz, y Benjamin Friedlander, Accuracy Requirements in Off-Line Array
Calibration, IEEE Transactions on Aerospace and Electronic Systems 33 2, abril de
1997.
[25] Sami Ashhab, Mohad, y Ahmed Al-Salaymeh, Optimization of Hot-Wire Thermal Flow Sensor based on a Neural Net Model, Applied Thermal Engineering, Acta
26, Elsevier, 2006, pp. 948955.
[26] Schoukens, Johan, Jozsef G. Nemeth, Gerd Vandersteen, Rik Pintelon y Philippe
Crama, Linearization of Nonlinear Dynamics Systems, IEEE Transactions on Instrumentation and Measurement 53 4, agosto de 2004, pp. 124511248.
[27] Shing Hwang, Kao, y Horn-Jen Chao, Adaptive Reinforcement Learning System
for Linearization Control, IEEE Transactions on Industrial Electronics 47 5, octubre
de 2000, pp. 11851188.
[28] Solbrekken, Gary L., y Chia-Pin Chiu, Calibration of Resistance Type Die Level
Temperature Sensors Using a Single Temperature Technique, IEEE Transactions on
Components and Packaging Technologies 23 1, marzo de 2000.
[29] Taylor, James H., y Alfred J. Antoniotti, Lineariation Algorithm for Computer
Aided Control Engineering, IEEE Control Systems, abril de 1993, pp. 5864.
[30] Van der Goes, Frank M.L., y Gerard C.M. Meijer, A Simple Accurate BridgeTransducer Interface with Continuous Autocalibration, IEEE Transactions on Instrumentation and Measurement 46 3, junio de 1997.
[31] Van der Horn, Gert, y Johan L. Huijsing, Integrated Smart Sensors Design and
Calibration, Kluwer Academic Publisher, 1998.
[32] Vargha, Balazs, y Istvan Zoltan, Calibration Algorithm for Current-Output R2R Ladders, IEEE Transactions On Instrumentation And Measurement 50 5, octubre
de 2001.
[33] Yamada, M., y K. Watanabe, A Capacitive Pressure Sensor Interface using Oversampling - Demodulation Techniques, IEEE Transaction Instrumentation and
Measurement 46 1, febrero de 1997, pp. 37.

19