Академический Документы
Профессиональный Документы
Культура Документы
on
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
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
Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION
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)
(2)
y la se
nal de salida normalizada:
y=
(3)
Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION
(5)
(6)
10
FIGURA 3. Normalizaci
on de una funci
on de transferencia.
Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION
f (xn+1 ) f (xn )
(x xn ),
xn+1 xn
(8)
(9)
N
1
X
n=1
fn (x).
(10)
g(xn+1 ) g(xn )
(f (x) yn ) ,
yn+1 yn
(11)
(12)
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
(15)
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)
y2 h1 (x2 )
.
[h1 (x2 ) y1 ]
(19)
(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 =
(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
(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
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)
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)
16
FIGURA 5. a) Calibraci
on polinomial progresiva. b) Error .
Y AUTOCALIBRACION
PARA SENSORES INTELIGENTES
LINEALIZACION
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.
M
etodo de calibraci
on polinomial progresiva.
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