Instituto Politécnico Nacional

 
CENTRO DE INVESTIGACIÓN EN CIENCIA 
APLICADA Y TECNOLOGÍA AVANZADA 

Unidad Querétaro 

Posgrado en Tecnología Avanzada 

Controlador de Temperatura PID, Neuronal y

Fuzzy para condensar agua en una celda Peltier

TESIS QUE PARA OBTENER EL GRADO DE

MAESTRIA  EN TECNOLOGÍA 
AVANZADA 

PRESENTA

Agustín Barrera Navarro 

Directores de Tesis:

Dr. Eduardo Morales Sánchez

MC. Alfonso Noriega Ponce

Querétaro, Qro.  Mayo del 2012
Agradecimientos

Agradezco a CICATA QRO, por la oportunidad brindada para realizar mis estudios de
maestría, los cuales me permitirán avanzar en mi desarrollo profesional y personal, a los
profesores involucrados directa e indirectamente en el proyecto desarrollado, al
CONACYT por haberme otorgado la beca económica.

Agradezco, a mis compañeros y entrañables amigos, Verónica Luna L, Silvia González A,

Hernando Chagolla G, David Martínez G, José Luis Sánchez P, Luis Humberto Nava T,
Francisco Hernández L, Daniel Hernández A, a todos ellos, por los consejos, las palabras
de aliento y el apoyo brindado.

ii
A Claudia Ramírez Díaz y a mi madre, Josefina
Navarro García.

Por ser la luz en mí camino.

iii
Abstract

This project focuses on building a system to condense water using a Peltier cell. Is required vapor-
liquid transition such that the rate of generation of water from the ambient humidity is high and fast.

To achieve this purpose, it is necessary to regulate the temperature of the faces of the Peltier cell to
reach the dew point, a situation which involves studies on psychometrics, parametric identification
systems and conventional and intelligent control strategies, such as pid control, recurrent neural
networks and fuzzy logic. These three control strategies, are the actors representing the field of
classical control and the control intelligent respectively.

The results regarding the control of the temperature considering the three types of strategies
mentioned, show the ability of each of the controllers for the condensation and the regulation
function. The steady-state error, overshoot and settling time are calculated to assess the transient
performance and steady state.
It is determined that the fuzzy and neural controller, are who major degree adjust to the
performance parameters, in addition, these two controllers allow to obtain the major quantity of
water extracted from the environment.

iv
Resumen

El presente proyecto, se centra en la construcción de un sistema para condensar agua empleando

una celda Peltier. Se trata de realizar la transición vapor-liquido de tal modo que la taza de
generación de agua a partir de la humedad ambiental sea alta y rápida.

Para lograr este propósito, es necesaria la regulación de la temperatura de las caras de la celda
Peltier para alcanzar el punto de rocío, situación que implica realizar estudios sobre psicometría,
identificación paramétrica de sistemas y estrategias de control convencionales e inteligentes, tales
como el control pid, redes neuronales artificiales recurrentes y lógica fuzzy. Estas tres estrategias
de control, son los actores representativos del campo del control clásico e inteligente
respectivamente.

Los resultados acerca del control de la temperatura bajo los tres tipos de estrategias
mencionadas, muestra la capacidad de cada uno de los controladores para realizar la
condensación y la función de regulación. Se calculo el error en estado estable, el sobrepaso y el
tiempo de asentamiento para evaluar el desempeño transitorio y en estado estable. Se determina
que el controlador fuzzy y el neuronal, son los que cumplen en mayor grado con los parámetros de
desempeño, además, estos dos controladores, son los que permiten obtener la mayor cantidad de
agua extraída del ambiente.

v
Índice de contenido

AGRADECIMIENTOS ............................................................................................................................ II 
ABSTRACT ........................................................................................................................................... IV 
RESUMEN .............................................................................................................................................. V 
ÍNDICE DE CONTENIDO ...................................................................................................................... 1 
ÍNDICE DE FIGURAS ............................................................................................................................. 3 
CAPÍTULO 1 : INTRODUCCIÓN........................................................................................................... 4 
1.1  JUSTIFICACIÓN .......................................................................................................................................... 6 
1.2  OBJETIVOS ............................................................................................................................................... 6 
1.2.1  Objetivo general ......................................................................................................................... 6 
1.2.2  Objetivos específicos ................................................................................................................... 7 
1.3  HIPÓTESIS ................................................................................................................................................ 7 
1.4  METODOLOGÍA ......................................................................................................................................... 7 
CAPÍTULO 2 : ANTECEDENTES ........................................................................................................... 9 
2.1  EL AGUA EN LA ACTUALIDAD Y TECNOLOGÍAS DE CONDENSACIÓN ....................................................................... 9 
2.2  CONTROL PID ........................................................................................................................................ 11 
2.3  REDES NEURONALES ................................................................................................................................ 12 
2.4  LÓGICA FUZZY ........................................................................................................................................ 13 
CAPÍTULO 3 : MARCO TEÓRICO ....................................................................................................... 15 
3.1  CELDA PELTIER ....................................................................................................................................... 15 
3.1.1  Principio de funcionamiento y especificaciones ........................................................................ 15 
3.2  FENÓMENOS Y MODELO DE LA CELDA PELTIER .............................................................................................. 17 
3.2.1  El Efecto Joule ........................................................................................................................... 17 
3.2.2  El Efecto Peltier ......................................................................................................................... 17 
3.2.3  El Efecto Thomson .................................................................................................................... 18 
3.2.4  Modelo de la Celda Peltier ........................................................................................................ 19 
3.3  REDES NEURONALES ................................................................................................................................ 20 
3.3.1  Modelo de la Neurona Artificial ................................................................................................ 20 
3.3.2  Tipos de Funciones de Activación ............................................................................................. 21 
3.3.3  Tipos de Redes Neuronales ....................................................................................................... 22 
3.4  ALGORITMOS DE RETROPROPAGACIÓN ........................................................................................................ 24 
3.4.1  Algoritmo de Retropropagación ............................................................................................... 24 
3.4.2  Algoritmo de Retropropagación con Momentum ..................................................................... 26 
3.5  LÓGICA FUZZY ........................................................................................................................................ 26 
3.6  CONTROL PID ........................................................................................................................................ 29 
3.7  HUMEDAD ESPECIFICA Y HUMEDAD RELATIVA DEL AIRE .................................................................................. 30 
3.8  TEMPERATURA DE PUNTO DE ROCÍO. .......................................................................................................... 31 
CAPÍTULO 4 : DESCRIPCIÓN DEL SISTEMA DE LA CELDA PELTIER Y DISEÑO DE
CONTROLADORES ............................................................................................................................. 32 
4.1  DISEÑO Y CONSTRUCCIÓN DEL PROTOTIPO ................................................................................................... 32 
4.1.1  Diseño conceptual del Sistema de la Celda Peltier ................................................................... 32 

1
 4.2  CONSTRUCCIÓN DEL PROTOTIPO ................................................................................................................. 33 
4.3  IDENTIFICACIÓN DEL SISTEMA DE LA CELDA PELTIER Y VALIDACIÓN. ................................................................... 34 
4.3.1  Especificaciones de Desempeño de los Controladores .............................................................. 38 
4.4  DESARROLLO DE CONTROLADORES ............................................................................................................. 38 
4.4.1  Desarrollo del Controlador Neuronal del Sistema de la Celda Peltier ....................................... 39 
4.4.2  Desarrollo y Sintonización del Controlador PID del Sistema de la Celda Peltier ....................... 43 
4.4.3  Desarrollo del Controlador Fuzzy del Sistema de la Celda Peltier ............................................. 45 
CAPÍTULO 5 : VALIDACIÓN EXPERIMENTAL ................................................................................. 50 
5.1  EXPERIMENTO DE REGULACIÓN DE TEMPERATURA DE LOS CONTROLADORES ....................................................... 50 
5.1.1  Prueba de Regulación ante  consigna  de 10°C. ........................................................................ 50 
5.1.2  Prueba de Regulación Ante consigna de 7°C ............................................................................ 52 
5.2  EXPERIMENTOS ANTE PERTURBACIONES DE FLUJO DE AIRE .............................................................................. 54 
5.2.1  Perturbación de Flujo de aire de 39 CFM y 30°C para el Control Neuronal .............................. 55 
5.2.2  Perturbación del Flujo de Aire de 39 CFM y 30°C   para el Control Fuzzy. ................................ 55 
5.2.3  Perturbación del Flujo de Aire de 39 CMF y 30°C para el Control PID ...................................... 56 
5.3  EXPERIMENTOS DE CONDENSACIÓN DE HUMEDAD AMBIENTAL ........................................................................ 57 
5.3.1  Prueba de Condensación de Humedad ambiental  para el Control Neuronal para estimación de 
Agua Obtenida. ....................................................................................................................................... 57 
5.3.2  Prueba de Condensación de Humedad Ambiental para el Control Fuzzy para estimación de 
Agua Obtenida. ....................................................................................................................................... 57 
5.3.3  Prueba de Condensación de Humedad Ambiental para el control PID para estimación de Agua 
Obtenida. ................................................................................................................................................ 58 
5.3.4  Relación Entre la Humedad Relativa y la Cantidad de Agua en un Volumen. .......................... 59 
5.3.5  Pruebas para Cuantificación de Agua Condensada Mediante Jeringa. .................................... 60 
5.4  ANÁLISIS DE RESULTADOS ......................................................................................................................... 60 
CAPÍTULO 6 : CONCLUSIONES ......................................................................................................... 64 
REFERENCIAS ................................................................................................................................................... 65 
ANEXOS ................................................................................................................................................ 68 
1)  CIRCUITERÍA DEL SISTEMA DE LA CELDA PELTIER ............................................................................................ 68 
a)  Diagrama del Generador de PWM. ............................................................................................... 68 
b)  Código de programación del Microcontrolador PIC16f873  para el Generador de PWM . ........... 68 
c)  Interface de Potencia ..................................................................................................................... 70 
d)  Acondicionador de señal de sensores de Temperatura y Humedad Relativa. ............................... 71 
e)  Fuente de Alimentación ................................................................................................................. 71 
2)  CÓDIGO DE PROGRAMACIÓN DE CONTROL NEURONAL EN LABVIEW 8.2 ............................................................ 72 
3)  CÓDIGO DE PROGRAMACIÓN DE CONTROL FUZZY EN LABVIEW 8.2 .................................................................. 75 
4)  CÓDIGO DE PROGRAMACIÓN DE CONTROL PID EN LABVIEW 8.2 ..................................................................... 76 

2
Índice de Figuras

FIGURA 3.1 ESTRUCTURA DE UNA CELDA PELTIER ........................................................................................................ 15 
FIGURA 3.2 MODELO DE LA CELDA PELTIER ................................................................................................................ 19 
FIGURA 3.3  EQUIVALENTE ELÉCTRICO‐TÉRMICO SIMPLIFICADO DE LA CELDA PELTIER. ......................................................... 19 
FIGURA 3.4 NEURONA MCCULLOCH‐PITTS ................................................................................................................ 21 
FIGURA 3.5 MODELO HOPFIELD ............................................................................................................................... 22 
FIGURA 3.6 MODELO KOHONEN .............................................................................................................................. 23 
FIGURA 3.7 PERCEPTRON MULTICAPA. ...................................................................................................................... 24 
FIGURA 3.8 CONFIGURACIÓN BÁSICA DE SISTEMA TIPO MAMDANI .................................................................................. 27 
FIGURA 3.9 REGLA DE LA BASE DE UN SISTEMA TIPO MAMDANI. ..................................................................................... 28 
FIGURA 3.10 CONFIGURACIÓN BÁSICA DE SISTEMA TIPO TAKAGI‐SUGENO ........................................................................ 28 
FIGURA 3.11 REGLA DE LA BASE DE UN SISTEMA TIPO TAKAGI‐SUGENO. .......................................................................... 29 
FIGURA 3.12 ESTRUCTURA DEL CONTROL PID ............................................................................................................ 29 
FIGURA 4.1 ESTRUCTURA A BLOQUES DEL SISTEMA DE LA CELDA PELTIER .......................................................................... 33 
FIGURA 4.2 SISTEMA MANUFACTURADO .................................................................................................................... 34 
FIGURA 4.3 PRIMERA IDENTIFICACIÓN MONOVARIABLE DEL SISTEMA DE LA CELDA PELTIER .................................................. 35 
FIGURA 4.4 SEGUNDA IDENTIFICACIÓN MONOVARIABLE DEL SISTEMA DE LA CELDA PELTIER .................................................. 36 
FIGURA 4.5 TERCERA  IDENTIFICACIÓN MONOVARIABLE DEL SISTEMA DE LA CELDA PELTIER .................................................. 37 
FIGURA 4.6 ESTRUCTURA GENERAL DEL SISTEMA DE CONTROL NEURONAL. ....................................................................... 39 
FIGURA 4.7 TOPOLOGÍA DE RED NEURONAL RECURRENTE. ........................................................................................... 40 
FIGURA 4.8 ESTRUCTURA DEL CONTROL PID .............................................................................................................. 43 
FIGURA 4.9 ESTRUCTURA DEL CONTROL PID CON ACCIÓN DERIVATIVA EN LA RETROALIMENTACIÓN. ...................................... 44 
FIGURA 4.10 ESTRUCTURA GENERAL PARA SINTONÍA POR EL MÉTODO DEL RELAY. .............................................................. 44 
FIGURA 4.11 ESTRUCTURA GENERAL DE UN CONTROLADOR FUZZY ESTÁNDAR. .................................................................. 46 
FIGURA 4.12 FUNCIONES DE MEMBRESÍA DE LAS ENTRADAS Y LAS SALIDAS DEL CONTROLADOR DE TEMPERATURA FUZZY DE LA CARA 
FRÍA USADAS EN EL MODULO LOAD FUZZY CONTROLLER.VI. ................................................................................... 47 
FIGURA 4.13 BASE DE REGLAS DEL CONTROL DE TEMPERATURA DE LA CARA FRÍA. .............................................................. 48 
FIGURA 4.14 FUNCIONES DE MEMBRESÍA DEL CONTROLADOR DE TEMPERATURA  DE LA CARA CALIENTE ESTABLECIDAS EN EL 
MODULO LOAD FUZZY CONTROLLER.VI. ............................................................................................................. 48 
FIGURA 4.15 BASE DE REGLAS DEL CONTROLADOR DE TEMPERATURA FUZZY DE LA CARA CALIENTE. ....................................... 49 
FIGURA 5.1 SEÑALES DE REGULACIÓN DE CARA FRÍA ASOCIADAS AL VALOR DE CONSIGNA  DE 10°C. ....................................... 50 
FIGURA 5.2 SEÑALES DE CONTROL ASOCIADAS AL VALOR DE CONSIGNA  DE 10°C ............................................................... 51 
FIGURA 5.3 SEÑALES DE ERROR ASOCIADAS AL VALOR DE CONSIGNA  DE 10°C ................................................................... 51 
FIGURA 5.4 SEÑALES DE REGULACIÓN DE CARA FRÍA ASOCIADAS AL VALOR DE CONSIGNA  DE 7°C .......................................... 52 
FIGURA 5.5 SEÑALES DE CONTROL ASOCIADAS AL VALOR DE CONSIGNA  DE 7°C ................................................................. 53 
FIGURA 5.6 SEÑALES DE ERROR ASOCIADAS AL VALOR DE CONSIGNA  DE 7°C ..................................................................... 53 
FIGURA 5.7 PRUEBA ANTE PERTURBACIÓN DE FLUJO DE AIRE DE 39 CFM. ........................................................................ 55 
FIGURA 5.8 ANTE PERTURBACIÓN DE FLUJO DE AIRE DE 39 CMF .................................................................................... 56 
FIGURA 5.9 ANTE PERTURBACIÓN DE FLUJO DE AIRE DE 39 CMF .................................................................................... 56 
FIGURA 5.10 PRUEBA DE CONDENSACIÓN POR VARIACIÓN DE HUMEDAD PARA EL CONTROL NEURONAL ................................. 57 
FIGURA 5.11 PRUEBA DE CONDENSACIÓN POR VARIACIÓN DE HUMEDAD DEL CONTROL FUZZY .............................................. 58 
FIGURA 5.12 PRUEBA DE CONDENSACIÓN POR VARIACIÓN DE HUMEDAD DEL CONTROL PID ................................................. 58 
FIGURA 5.13 RELACIÓN ENTRE LA HUMEDAD RELATIVA Y LA CANTIDAD DE AGUA EN EL VOLUMEN DE  .  UTILIZADO. . 59 
 

3
Capítulo 1 : Introducción

Actualmente, la disponibilidad de agua potable, se está convirtiendo en un problema mundial,

debido a la contaminación del recurso hídrico, al incremento de la población y a los efectos del
calentamiento global. Países con economías sustentadas en el turismo o el petróleo, son aspectos
en cierto grado erróneos, ya que el ser humano ha atravesado épocas en las que ha podido
sobrevivir sin este tipo de recursos, pero nunca ha sido ni será capaz de sostener la vida sin agua
potable, por lo que finalmente se puede afirmar que las economías están sustentadas en el agua.

Los sistemas comercialmente disponibles [http://www.ecowater.com/, http://www.ecoloblue.com/,

http://hendrx.manufacturer.globalsources.com, http://bewater.mx/] y que principalmente se ofertan
en el continente asiático y europeo para generar agua por medio de la humedad ambiental, centran
su funcionamiento en un ciclo termodinámico de enfriamiento basado en un fluido refrigerante
impulsado por un compresor, situación que tiende a presentar tiempos de respuesta bajos debido a
la presencia de elementos mecánicos que además operan con niveles de tensión altos ubicados
en los centenares de volts.

Existen diferentes opciones para lograr la condensación de la humedad ambiental y obtener

agua en forma líquida, una de ellas es mediante el incremento de la presión [Martínez L, Lira. C.
2008], situación que no es practica debido a los requerimientos de equipo.

La opción más apropiada para realizar la condensación de la humedad ambiental, es por medio
de enfriamiento [http://www.purline.es/producto.php?cod=43076], hasta alcanzar el punto de rocío,
el cual, representa el nivel mínimo al que debe descender la temperatura para iniciar el proceso
de condensación. El conocimiento del valor de la humedad relativa y de la temperatura ambiente,
provee la información necesaria para la determinación del punto de rocío. Habiendo establecido la
condición para obtener agua en forma líquida por medio de la humedad ambiental, una opción
para lograr el enfriamiento seria por medio del uso de una celda Peltier. La celda Peltier, es un
dispositivo termoeléctrico con base semiconductora, estructuralmente multivariable, que durante
su operación al aplicar una corriente eléctrica presenta un enfriamiento y un calentamiento en cada
una de sus dos caras con un diferencial de temperatura de aproximadamente 30 °C como máximo.

El modelado matemático de la celda Peltier, pone en evidencia su naturaleza no lineal [Rowe

1993, Rowe 1983, Lineykin 2007], el cual se manifiesta al utilizar procedimientos de identificación
paramétrica que muestran funciones de transferencia con parámetros diferentes ante variadas
condiciones de operación. Las no linealidades son de diferente índole, ya que se observan

4
cambios en ganancia, varianza de la impedancia con la temperatura, retardo y principalmente
acoplamiento de variables.

Para poder realizar la condensación de la humedad ambiental por medio de la celda Peltier, es
necesario desarrollar un control de la temperatura para alcanzar el punto de rocío, la naturaleza no
lineal del sistema obliga a recurrir a estrategias de control inteligentes como la lógica fuzzy, control
neuronal y control pid, este último como opción para comparar los controladores inteligentes con
un controlador clásico. Los criterios de diseño de los controladores como el tiempo de
asentamiento, error en estado estable y sobrepaso, parten de los parámetros de identificación de
la celda Peltier.

La estructura del controlador neuronal es de naturaleza recurrente y multivariable, debido a que

esta reportada la capacidad de estructuras neuronales recurrentes para poder controlar sistemas
con no linealidades. Las funciones de activación de las neuronas son de tipo identidad y
sigmoidea, debido a que se requiere que estas últimas sean analíticas y con un efecto de
limitación. La estrategia de entrenamiento de la red se basa en la retropropagación del error, el
cual es un algoritmo basado en el gradiente.

Para el controlador de lógica fuzzy, se propone que sea dual, de tipo Mamdani [Del Brío y
Sanz 2007. Viljama 1993], con funciones de pertenencia triangulares, donde la acción de control
considere el error actual y la derivada del error.

Se propone también desarrollar un controlador pid, el cual es una estructura donde el efecto
derivativo opera considerando la variable controlada, con el objeto de evitar el conocido “golpe de
la derivada” al existir cambio en la consigna. La estrategia para sintonizar este controlador se basa
en el método del relay junto con las reglas de Ziegler-Nichols, [Ogata 2003, Cheng-Ching Yu 2006].

Los resultados obtenidos en la regulación de la temperatura de la celda Peltier, muestran la

capacidad de los tres controladores para cumplir con dicha función. Las diferencias en el
desempeño del sistema ante determinado controlador se aprecian en el desempeño transitorio y en
estado estable.

Respecto al parámetro de sobrepaso, el controlador de lógica fuzzy presenta el mayor nivel, en

seguida sigue el controlador neuronal y finalmente el controlador pid, aunque todos en un nivel
menor a 2°C.

5
 En cuanto a la precisión del control de la temperatura, se mide por medio del error cuadrático
promedio en estado estable, el pid es el que presenta el menor nivel de error, siguiéndole el
controlador neuronal y finalmente el controlador de lógica fuzzy.

Finalmente, se realiza una evaluación para determinar cuál de los tres tipos de controladores
propuestos, tiene la capacidad de proporcionar el mejor resultado en términos de cantidad de
agua generada y rapidez.

1.1 Justificación 

Debido a que se estima que se pueden producir varios litros de agua diarios
[http://www.purline.es/producto.php?cod=43076], el mercado potencial de la propuesta, son las
viviendas en las que se pueda utilizar el sistema para suministrar agua potable, utilizable
principalmente en la preparación de alimentos, además, sería igualmente apto para suministrar el
recurso hídrico en situaciones de desastres ambientales, tales como huracanes e inundaciones
donde los niveles de humedad ambiental son tan altos que permitirían una generación de agua de
forma rápida, o en localidades donde por las condiciones climáticas, principalmente por causa de la
temperatura, se sufren situaciones de sequia aun cuando se tenga la presencia de humedad en
niveles considerables. Adicionalmente, el suministro energético para alimentar el equipo de
generación de agua, puede estar basado en sistemas de energía alternativa como las celdas
solares, debido a la capacidad de suministro de potencia que actualmente presentan estos
equipos.

1.2 Objetivos 

1.2.1 Objetivo general 

Diseñar un control pid, fuzzy y neuronal para regular la temperatura de una celda Peltier en el
punto de rocío, con el propósito de obtener condensación rápida de la humedad ambiental.

6
1.2.2 Objetivos específicos 

• Manufacturar e instrumentar un sistema con la celda Peltier.

• Realizar la identificación del sistema de la celda Peltier.
• Proponer, validar e implementar esquema de control neuronal.
• Proponer, validar e implementar esquema del control pid.
• Proponer, validar e implementar esquema de control fuzzy.
• Evaluar y determinar que controlador es el mejor para acelerar la condensación de la
humedad ambiental.

1.3 Hipótesis 

Es posible realizar la condensación de la humedad ambiental por medio de una celda Peltier
regulando de la temperatura en la cara fría del sistema de la celda Peltier.

1.4 Metodología 

Se caracterizara el sistema de la celda Peltier por medio de identificación paramétrica, utilizando el

software Matlab, con el propósito de obtener una función de transferencia que permita
proporcionar información acerca de la dinámica del sistema y establecer los parámetros de
desempeño de los controladores tales como sobrepaso, tiempo de asentamiento y error en estado
estable.

El controlador neuronal será una estructura multivariable recurrente con entrenamiento en línea
basado en la retropropagación del error, procedimiento sustentado en el gradiente y con
incorporación de término de momentum para acelerar la convergencia del control y minimizar el
efecto de parálisis neuronal [Noriega 2006].

El controlador fuzzy será de tipo Mamdani dual [Del Brío y Sanz 2007. Viljama 1993], es decir,
se manejan controladores desacoplados para regular cada una de las temperaturas de las caras
de la celda Peltier cuya implementación se realizará en base al conocimiento de un experto.

El controlador pid será monovariable con efecto derivativo en la retroalimentación, la sintonía se

realizo por medio del método del relay junto con el segundo método de Ziegler-Nichols.

7
 Una vez implementados los controladores para regular la temperatura en la cara fría de la celda
Peltier, se reducirá la temperatura hasta el punto de rocío para que el agua contenida en el
ambiente se condense. Por último se compararan los diferentes controles y se llegara a concluir
cual control de los implementados es mejor para realizar este proceso de condensación.

8
Capítulo 2 : Antecedentes

2.1 El Agua en la Actualidad y Tecnologías de Condensación 

El agua es indispensable para la vida de 13 millones de especies en el mundo, además es fuente

de trabajo y alimento para los seres humanos, [http://hidrico.sociedadhumana.com/leer.php/154].

El 70% de la superficie de la Tierra es agua, de ese porcentaje un 97.5% es salada y el restante

es agua dulce. Del 2.55% de agua dulce, casi el 70% se encuentra concentrada en los hielos
polares y témpanos, un 29% está en las profundidades de la tierra y el 1% restante en los ríos,
lagos, pantanos, embalses, la atmosfera y en organismos vivos.

El mundo en que vivimos se encuentra cubierto en su gran mayoría por agua y sin embargo,
debido a la contaminación que los seres humanos han generado, el porcentaje apto para nuestro
consumo es cada día menor. Más de 1.100 millones de personas no tienen garantizado el acceso
a agua potable y 2.400 millones no disponen de servicios básicos de saneamiento. Como
consecuencia de esta crisis de insostenibilidad se estima que más de 10.000 personas, en su
mayoría niños, mueren cada día en el mundo al haberse degradado y envenenado los ríos,
fuentes, lagos y acuíferos de los que tradicionalmente se abastecían.

Si bien las fuentes naturales para la obtención de agua son los manantiales, arroyos y ríos, la
progresiva contaminación trae consigo una creciente dificultad en la obtención de agua potable,
que lógicamente repercute en el precio de la misma.

Existen no obstante otros medios para la obtención de agua, utilizables tanto por el citado costo
del agua embotellada como por la dificultad de acceso a la misma en determinadas zonas, siendo
destacable la obtención de agua por condensación a expensas de la humedad de que es portador
el aire ambiental, [http://www.purline.es/producto.php?cod=43076]. En este sentido, son conocidos
generadores de agua de diferentes marcas y capacidades, con opción de ser energizados
directamente de la línea o por medio de sistemas de energía solar.

9
 Algunas marcas de este tipo de sistemas son las siguientes:

- Ecowater. [http://www.ecowater.com/]
- EcoloBlue. [http://www.ecoloblue.com/]
- Hendrx/Eriva. [http://hendrx.manufacturer.globalsources.com]
- Surefield [http://www.sf-solar.com/cpzs.asp?BigClassName=Air%20Water%20Generator]
- Bewater. [http://bewater.mx/]
- Pureline [http://www.purline.es/producto.php?cod=43076]

El núcleo de operación de la estos equipos se centra en un circuito frigorífico, con su

correspondiente compresor, evaporador y condensador, así como con los habituales accesorios
típicos en un equipo de esta naturaleza, de manera que la humedad existente en el aire se
precipita sobre la placa de condensación del circuito formando hielo, el cual finalmente se
transforma en agua.

Esta solución presenta una problemática que se centra fundamentalmente en los siguientes
aspectos:

- El generador resulta especialmente complejo y consecuentemente caro.

- El funcionamiento del compresor hace que el generador resulte ruidoso.

- Al tratarse de un sistema con partes mecánicas, presenta desgaste y tiempos de respuesta

bajos.

- La progresiva formación de hielo obliga a paradas intermitentes del equipo, para que se
produzca la descongelación del agua, originando tiempos muertos en el generador que
obviamente, repercuten en una menor productividad del mismo.

- La capacidad productiva del generador es fija, preestablecida de antemano en función de

las características de su circuito frigorífico y de las condiciones medioambientales.

La funcionalidad de este tipo de equipos, depende primordialmente de la capacidad de

alcanzar el punto de rocío o en su defecto, el nivel de congelación, situación que requiere un
periodo de calentamiento para extraer el agua en forma líquida.

10
 Existen diferentes tipos de controladores, los cuales permiten realizar la regulación precisa de la
temperatura, estos controladores, pueden estar basados en estrategias convencionales, modernas
o inteligentes.

2.2 Control PID 

Por el lado de las estrategias de control convencional (SISO), se tiene el universalmente conocido
controlador PID (proporcional-integral-derivativo), el cual requiere para su adecuada
implementación, un proceso de sintonización que permitirá determinar las magnitudes de las
ganancias Kp, Ki y Kd, estas últimas conocidas como ganancias independientes. Por otro lado, es
común que en lugar de encontrar estas ganancias los parámetros de sintonía estén dados en
términos de la ganancia proporcional (Kp), el tiempo integral (Ti) y el tiempo derivativo.

Este tipo de regulador realiza su acción de control basándose en la medición de la señal de

error, la cual es generada con la diferencia entre el valor de consigna y la variable de proceso.

La sintonización o diseño del regulador bajo el esquema de control convencional utiliza

herramientas como el lugar geométrico de la raíz, el método del relay o los métodos de Ziegler-
Nichols, todos los procedimientos mencionados, son aplicables en el dominio del tiempo. Los
requerimientos para aplicar las metodologías en el dominio del tiempo están dados comúnmente
en términos del sobrepaso, tiempo de asentamiento y error en estado estable principalmente.

Existe otro procedimiento basado en el dominio de la frecuencia, el cual suele utilizar el

diagrama de Bode para el diseño del regulador, esta metodología parte de especificaciones de
margen de ganancia, margen de fase y de alguna constante de error estático.

Por el lado de las estrategias del control moderno (MIMO), se tiene el control por
retroalimentación de estado, o el control por retroalimentación de estado con efecto integrador.
Esta metodología de diseño proporciona un mejor desempeño del control, debido a que toma en
consideración la medición de las variables de estado del sistema, para su implementación, es
necesario el conocimiento detallado del sistema para poder obtener un modelo matemático que
permita estructurar el regulador.

Las estrategias de control convencionales y modernas, están basadas en el hecho de que los
sistemas son lineales e invariantes con el tiempo, de presentarse situaciones que impliquen una
violación a estas condiciones, el desempeño de los controladores es variable y se generaran
comportamientos dinámicos diferentes dependiendo de los puntos de operación considerados.

11
 Existen actualmente procedimientos de regulación como el control inteligente, pertenecientes al
campo de la inteligencia artificial, que poseen la capacidad de lidiar con sistemas altamente no
lineales, donde están presentes retardos, ganancias variantes, zonas muertas, saturación,
acoplamientos y cambios de orden.

Estas estrategias de control inteligente están fundamentalmente representadas por las redes
neuronales artificiales y los controladores de lógica fuzzy.

2.3 Redes Neuronales 

Las redes neuronales artificiales, son algoritmos adaptativos con un alto nivel de flexibilidad que
poseen la capacidad de aprender dependiendo de los patrones que se utilicen para su
entrenamiento, existe una gran variedad de modelos que ha aparecido a lo largo de la historia.

Alrededor de 1943, los investigadores Warren McCulloch y Walter Pitts propusieron el primer
modelo simple de una neurona, [Ponce 2010]. En la décadas de los cincuenta y los sesenta, el
movimiento en Redes Neuronales fue liderado por B. Widrow y M. E. Hoff, quienes trabajaron con
una maquina llamada Adaline (Elemento lineal Adaptativo).

Otro pionero fue el psicólogo Frank Rosenblatt de la universidad de Corell. En 1959, Rosenblatt
construyo una maquina Neuronal simple que llamo Perceptron. Esta tenía una matriz con 400
fotoceldas que se conectaban aleatoriamente a 512 unidades tipo neurona. Cuando se presentaba
un patrón a las unidades sensoras, estas enviaban una señal a un banco de neuronas que
indicaban la categoría del patrón. Al parecer Rosenblatt reconoció todas las letras del alfabeto.
A finales de los años setenta, Minsky y Pepert demostraron que los perceptrones eran
incapaces de realizar tareas simples tales como sintetizar la función lógica XOR. Las matemáticas
del libro perceptrons eran indiscutibles y su tono dio el mensaje de que los perceptrones eran un
camino sin salida.

Uno de los científicos que continuo trabajando en los años oscuros de las redes neuronales fue
Stephen Grossberg, ahora director del centro de sistemas adaptativos de la universidad de Boston.
Grossberg junto con Gail Carpenter de la universidad de Northeastern han propuesto un
modelo de red neuronal llamado ART (Adaptive Resonance Theory). Otros investigadores que
trabajaron durante los años setenta fueron Teuvo Kohonen, de la Universidad de Helsinki, y Jim
Anderson de la Universidad de Brown, que trabajo con alternativas de semillas de conexionismo y
junto con Geoff Hinton, quien presento trabajos matemáticos y de aplicación de redes neuronales

12
organizaron el primer encuentro de neoconexionismo en 1979, al cual asistieron David Rumelhart,
Mc Clelland, Geoff Hinton, Anderson, Jerry Feldman y Terry Sejnowski.

En 1986 Mc Maclelland y Rumelhart publicaron un libro en dos volúmenes titulado: Parallel

Distributed Processing: Exploration in Microstructure of Cognition .Este libro se considera un
clásico en redes neuronales y se su aparición significo un nuevo impulso a la investigación en
sistemas neurales al mostrar las ventajas y desventajas de las redes neuronales artificiales (RNA).

Actualmente las investigaciones en el campo de las redes neuronales están muy enfocadas en
el reconocimiento, predicción y clasificación de patrones.

2.4 Lógica Fuzzy 

Los controladores basados en lógica fuzzy, tienen incorporado el conocimiento que un experto
posee sobre la operación o funcionamiento de un determinado sistema, este paradigma de control
es especialmente útil cuando se tienen que controlar procesos que son complicados de modelar.

En la década de 1920, el lógico polaco Jan Lukasiewicz trabajo los principios de la lógica
multivaluada, en éstos las proposiciones pueden tomar valores verdaderos fraccionarios entre 0 y 1
de la lógica clásica.

En 1965 Lotfi A. Zadeh, en aquel entonces director del departamento de Ingeniería eléctrica del
la Universidad de California en Berkeley, publico “fuzzy sets”, en ese artículo se describen las
matemáticas de los conjuntos fuzzy y por extensión de la lógica fuzzy y este trabajo le dio nombre
a su campo.

La lógica fuzzy se aplico a mediados de los años setenta por Ebrahim H. Mamdani en el Queen
Mary Collage en Londres, [Ponce 2010]. Mamdani diseño un controlador fuzzy para un motor a
vapor. La implantación real de un controlador de este tipo no fue realizada hasta 1980 por F.L.
Smidth & Co. en una planta cementera en Dinamarca.

En 1987 Hitachi usa un controlador fuzzy para el control del tren de Sendai, el cual usa uno de
los sistemas más novedosos creados por el hombre. Desde entonces, el controlador ha realizado
su trabajo correctamente con la consiguiente satisfacción por parte de los usuarios de dicho tren.

13
 Es también en este año cuando la empresa Omron desarrolla los primeros controladores fuzzy
comerciales y es que 1987 es considerado como el "fuzzy boom" debido a la gran cantidad de
productos basados en lógica fuzzy que se comercializan.

De forma paralela al desarrollo de las aplicaciones de la lógica fuzzy, Takagi y Sugeno

desarrollan la primera aproximación para construir reglas fuzzy a partir de datos de entrenamiento.

Sugeno y Nishida (1985) y en particular Sasaki y Akiyama (1986 -1988) solucionan complejos
problemas de tráfico y transporte que indican el gran potencial de usar técnicas de lógica fuzzy.

En 1993, Fuji aplica la lógica fuzzy para el control de inyección química en plantas depuradoras
de agua por primera vez en Japón. Ha sido precisamente aquí, en donde más apogeo ha tenido la
lógica fuzzy, creándose estrechas colaboraciones entre el gobierno, las universidades y las
industrias, estableciendo proyectos llevados a cabo por el ministerio de industria y comercio (MITI).

Actualmente, la lógica fuzzy es aplicada en un gran número de equipos como

electrodomésticos, tal es el caso de la empresa Mabe, la cual maneja este tipo de tecnologías en
lavadoras como la LMA230DBAYSP1, o el sistema autopark assist en vehículos Ford, BMW etc.

14
Capítulo 3 : Marco Teórico

3.1  Celda Peltier 

3.1.1 Principio de funcionamiento y especificaciones   

Las celdas Peltier, son dispositivos termoeléctricos que se caracterizan por la aparición de una
diferencia de temperaturas entre las dos caras de un semiconductor cuando una corriente eléctrica
lo atraviesa.

Estructuralmente la celda Peltier, está formada por un conjunto de elementos semiconductores

p-n formados por teluro-bismuto agrupados de tal forma que consolidan una estructura de celda,
Figura 3.1.

Figura 3.1 Estructura de una celda Peltier 

Al aplicar una diferencia de potencial sobre la celda, se generara un flujo de calor por unidad de
tiempo o potencia calorífica en la cara caliente, esto se puede determinar mediante la ecuación
3.1.

  (3.1)

15
 Donde Tc (Kelvin) es la temperatura de la cara caliente, α ( ), es el coeficiente Seebeck e I

(Amperes) la corriente que atraviesa al circuito.

Por el mismo efecto, la absorción de calor por unidad de tiempo o potencia calorífica en la cara
fría está dada por la Ecuación 3.2.

    (3.2)

Siendo Tf (Kelvin) la temperatura de la cara fría.

De otro lado, si se consideran las pérdidas por unidad de tiempo por efecto Joule, las cuales se
supone que se reparten mitad para cada cara, éstas quedarán expresadas por la ecuación 3.3.

R (3.3)

Donde I (amperes) es la corriente eléctrica y R (ohms) es la resistencia eléctrica de la celda

Peltier. La diferencia de temperaturas entre ambas caras producirá un efecto de conducción
térmica entre la cara caliente y la cara fría, cuantificable mediante la ecuación 3.4.

R (3.4)

En donde representa la resistencia térmica entre la cara caliente y la fría. El flujo neto
calorífico absorbido por la cara fría, será haciendo el balance energético por medio de la ecuación
3.5.

    R    (3.5)

Mientras que el calor cedido y que debe ser disipado a través de la cara caliente será como se
expresa en la ecuación 3.6.
 
                                                   R          3.6

16
 Utilizando el primer principio de la termodinámica, la potencia eléctrica suministrada será la
diferencia de los dos flujos caloríficos de disipación y absorción concluyendo esto en la ecuación
3.7:

    R R (3.7)

3.2 Fenómenos y Modelo de la celda Peltier  

Para poder entender el comportamiento de una celda Peltier, es necesario tomar en cuenta que en
un dispositivo de esta naturaleza son varios los fenómenos que acontecen.

Se debe mencionar que los efectos presentes son el efecto Joule, efecto Thompson y efecto
Peltier, además de las propias características de la transmisión de calor, sin embargo, no todos son
de igual magnitud e importancia.

3.2.1 El Efecto Joule 

La más conocida interacción entre un fenómeno eléctrico, la conducción de corriente eléctrica, y su

fenómeno térmico asociado, el calentamiento del conductor por el que circula la corriente, es el
efecto Joule. La materia ofrece cierta "resistencia" al movimiento de los electrones, los cuales
ceden energía cinética al entorno en los sucesivos choques. Esta energía proporcionada por los
electrones se disipa en forma de calor y se define como se expresa en la ecuación 3.8:

R t (3.8)

3.2.2 El Efecto Peltier 

El efecto Peltier fue descubierto en el año 1834 por el físico francés Peltier J. C. A. Surgió sobre la
base del descubrimiento del físico alemán Seebeck T.J. en 1821, quien observó que en un circuito
formado por dos conductores distintos A y B, cuyas uniones soldadas se encuentran en medios
con temperaturas distintas, aparece entre ambos una diferencia de potencial. Esta diferencia de
potencial depende de la naturaleza de los conductores y de la diferencia de temperaturas. Este
dispositivo se conoce como termopar. La esencia del efecto Peltier, que básicamente es lo
contrario del efecto Seebeck, consiste en hacer pasar una corriente procedente de una fuente de

17
energía eléctrica continua, a través de un circuito formado por dos conductores de distinta
naturaleza, obteniéndose que una de sus uniones absorbe calor y la otra lo cede. El calor que cede
el foco caliente será la suma de la energía eléctrica aportada al termoelemento y el calor que
absorbe el foco frío. Estos termoelementos, configurados de este modo, constituyen una máquina
frigorífica.

El calor intercambiado en la unión entre A y B por unidad de tiempo es como se expresa en la

ecuación 3.9.

     (3.9)

Donde   es el llamado coeficiente Peltier, que se define como el calor intercambiado en la

unión por unidad de tiempo y de corriente que circula a través de la misma, ecuación 3.10:

(3.10)
 

Donde:

J: Flujo de corriente eléctrica.

S: Superficie.
T: Temperatura absoluta (Kelvin).
αA , αB,  A , B : Coeficiente Seebeck y Peltier de los materiales A y B respectivamente.

3.2.3 El Efecto Thomson 

El efecto Thomson, descubierto en 1857 por Thompson W, consiste en la absorción o liberación de

calor por parte de un conductor eléctrico, con un gradiente o diferencia de temperaturas por el cual
circula una corriente eléctrica. Este efecto relaciona el efecto Seebeck y el efecto Peltier de la
siguiente forma:
   (3.11)
Donde   es el coeficiente de Thomson, la diferencia de temperatura e la corriente

eléctrica.

18
3.2.4 Modelo de la Celda Peltier 

Una analogía termoeléctrica propone un modelo de la celda Peltier como se muestra en la figura
3.2.

Figura 3.2 Modelo de la celda Peltier 

La figura 3.2 esquematiza las ecuaciones Qc y Qf manifestando los efectos Peltier, Joule y de
transmisión de calor.

Los flujos caloríficos absorbidos en la cara fría y los flujos caloríficos disipados en la cara
caliente, se modelan como capacidades térmicas Cf y Cc que reflejan las inercias térmicas de las
caras, figura 3.3.

Figura 3.3  Equivalente eléctrico‐térmico simplificado de la celda Peltier. 

19
3.3 Redes Neuronales 

Una neurona es una celda del cerebro que tiene como función principal la colección,
procesamiento y diseminación de señales eléctricas. Análogamente, se han desarrollado modelos
matemáticos basados en las neuronas biológicas en el campo de la inteligencia artificial para crear
las redes neuronales.

Las redes neuronales [Haykin 1999, Anderson 2007, Ruano 2008] son procesadores
distribuidos paralelos, hechos para ser unidades de procesamiento simple, que almacenan
conocimiento experimental y lo hacen disponible para su utilización. Son llamadas también neuro-
computadoras, redes conexionistas o procesadores distribuidos paralelos.

El concepto conexionismo [Chappelier, Grumbach 1994] se refiere a un conjunto de modelos

que son inspirados en la arquitectura neuronal, un modelo de este tipo es una estructura que está
compuesta por un conjunto grande de unidades llamadas neuronas formales, cada unidad está
conectada a un subconjunto de otras unidades y cada conexión se representa por medio de un
peso.

3.3.1 Modelo de la Neurona Artificial 

Una neurona [Haykin 1999, Anderson 2007, Ruano 2008] es una unidad de procesamiento de
información, que es fundamental en la operación de las redes neuronales. Existen tres elementos
básicos en el modelo neuronal:

- Un conjunto de sinapsis o enlaces de conexión, cada uno caracterizado por su peso o

fuerza. A detalle, una señal de la entrada de una sinapsis conectada a una neurona es
multiplicada por el peso sináptico. Una diferencia de una sinapsis cerebral es que el peso
sináptico en una neurona artificial puede encontrarse en un rango que incluye tanto a
valores negativos como positivos.

- Un sumador que realiza la suma de las señales de entrada, pesadas por sus respectivas
sinapsis de la neurona, las operaciones descritas constituyen un linear combiner.

- Una función de activación para limitar la amplitud de la salida de la neurona, la cual es

referida también como una función de aplanamiento.

20
 Exissten varios tipos de neuro
onas diferente
es, pero la más
m común ess la de tipo McCulloch-Pit
M tts,
que se
e muestra en la figura 3.4, en la cual, la
as entradas a la neurona se definen co
omo ,
los pessos sinápticos se definen como , la se
eñal de umbrral es , el cuerpo
c neuron
nal
es , la
a función de activación
a y la salida se define como .

Figura 3.4 Ne
eurona McCullo
och‐Pitts

3.3.2 Tipos de F
 Funciones  de Activación 

Las fun
nciones de activación
a o y el tipo de salida de un
deffinen el rango na neurona y depende de
e la
aplicacción.
En [Ha
aykin 1999] se
e identifican trres tipos básiicos de funcio
ones de activa
ación:

- Función de umbral: Com

múnmente con nde la salida de
nocida como función Heavviside, en don
una neurona recibe trata
amiento con una
u función de
e umbral prevvia. Por ejemp
plo, una funciión
de umbral sería
s asignar un valor de 1 si el valor es
e mayor o ig
gual que 0, o de lo contra
ario
tendrá una valor de 0.
- e segmentos lineales: En donde el facctor de amplificación está dentro de una
Función de u
región linea
al de operació
ón asumida po
or la unidad.

- Función log
gística: Tiene la particularid
dad de tener un forma de S, es una fun
nción común de
activación utilizada en la construccción de red
des neurona
ales, describe una funciión
incrementall que exhibe un
u balance en
ntre el compo
ortamiento line
eal y no linea
al

21
3.3.3 Tipos de R
 Redes Neuronales 

Según el criterio qu
ue se escoja para clasifica
ar las RNA se
e tendrá una clasificación u otra. Lo más
m
n es usar la arrquitectura y el
común e tipo de apre
endizaje com
mo criterios de
e clasificación
n.

derando la Arq
Consid quitectura, lass redes Neuro
onales se pue
eden clasifica
ar en la siguie
ente forma:

- Redes neu
uronales con alimentación hacia adelan
nte (feedfordw
ward).
- Redes neu
uronales realiimentadas (recurrentes).

Exissten dos mod

delos de suma
a trascendenccia en las red
des neuronale
es, el modelo Hopfield, figu
ura
3.5 y el
e modelo Koh
honen figura 3.6.
3

El modelo
m Hopfie
eld está basa
ado en los mo
odelos de red
des de McCulloch y Pitts, es una red una
u
sola ca
apa no lineal cuyo funcio
onamiento co
onsiste en en
nviar un patró
ón a la red y actualizar las
neuron
nas repetidam
mente hasta que
q los estad
dos de las neuronas quede
en estabilizad
dos a un patrrón
memorrizado, es de
ecir, bajo estte modelo, la
as neuronas aprenden a reconocer lo
os patrones de
entrada
a que memo
orizan duran
nte el entren
namiento. Este tipo de modelo,
m es adecuado
a pa
ara
problem
mas de optim
mización.

Figura 3.5
5 Modelo Hop
pfield

22
 Otro
o de los mod
delos más im
mportantes de
e redes neuro
onales es el modelo
m Koho
onen, el cual se
basa en
e la capacid
dad del cere
ebro de form
mar mapas ca
aracterísticoss a partir de la informaciión
recibida del exterio
or. Este tipo de
d modelo, recibe
r como entrada dato
os continuos normalizadoss y
clasificca los patron
nes en grupo
os de caracte
erísticas simiilares, de forrma que cad
da grupo activa
siemprre las mismas
s salidas.

Figura 3.6
6 Modelo Koho
onen

El otro as redes neuronales es ell tipo de apre

o criterio más habitual parra clasificar la endizaje que se
utilice. Hay cuatro clases
c de apre
endizaje distin
ntos:

- Aprendizajje supervisado: En este tipo de apre

endizaje se le
e proporciona
a a la RNA una
u
serie de eje
emplos consisstentes en pa
atrones de entrada, junto con
c la salida que
q debería dar
d
la red. El proceso de en
ntrenamiento consiste en el
e ajuste de los
l pesos parra que la saliida
ea lo más parecida posible
de la red se e a la salida deseada. Es por
p ello que en
n cada iteraciión
se use alg
guna función que nos dé
é cuenta dell error o el grado de accierto que esstá
cometiendo
o la red.

- Aprendizajje no supervisado o Auto

oorganizado: En este tipo
o de aprendizzaje se presen
nta
a la red una
a serie de eje
emplos pero no se presen
nta la respuessta deseada. Lo que hace
e la
RNA es rec
conocer regularidades en el
e conjunto de entradas, es
e decir, estim
mar una funciión
de densida
ad de probabilidad p(x) qu
ue describe la
a distribución de patrones x en el espaccio
de entrada Rn.

- Aprendizajje Híbrido: Es
E una mezclla de los anteriores. Unass capas de la
a red tienen un
aprendizaje
e supervisado
o y otras ca
apas de la red tienen un aprendiza
aje de tipo no
supervisado
o. Este tipo de
d entrenamie
ento es el que tienen rede
es como las RBF
R (Redes de
Función de Base Radial)).

23
 - Aprendizaje reforzado (reinforcement learning): Es un aprendizaje con características
del supervisado y con características del autoorganizado. No se proporciona una salida
deseada, pero si que se le indica a la red en cierta medida el error que comete, aunque es
un error global.

3.4 Algoritmos de Retropropagación 

3.4.1 Algoritmo de Retropropagación 

La retropropagación del Error es un entrenamiento supervisado que se emplea

para redes multicapa, donde se ajusta el valor de los pesos sinápticos en
función del error generado. Esta técnica es muy empleada ya que permite tener
un método de optimización que se encuentra al definir el gradiente del error y
minimizarlo con respecto a los parámetros de la red neuronal.
Sea un perceptron multicapa de 3 capas, cuya arquitectura se presenta en la
figura 3.7, con las entradas, salidas, pesos y umbrales de las neuronas.

Figura 3.7 Perceptron multicapa. 

24
Dado un patrón de entradas , la operación global de esta arquitectura se
expresa de la siguiente manera [Del Brío y Sanz 2007]:

∑ ∑ ∑ (3.11)

g(.) es la función de activación de las neuronas de salida y f(.) la de las ocultas.

Ambas funciones son sigmoideas aunque en algunos casos la función de salida
se considera la identidad.

Partiendo del error cuadrático medio como función de coste:

, , , ∑ ∑ ∑ (3.12)

Cuya minimización se lleva a cabo mediante descenso por el gradiente; En

este caso habrá un gradiente respecto a los pesos de la capa de salida y
otro respecto a los pesos de la capa oculta .

(3.13)

(3.14)

Las expresiones de actualización de los pesos se obtienen derivando las

ecuaciones 3.13 y 3.14 teniendo en cuenta las dependencias funcionales y
aplicando la regla de la cadena.

∑   (3.15)

Donde

(3.16)

∑ (3.17)

∑ (3.18)

25
    ∑   (3.19)

∑ (3.20)

 y Son los potenciales sinápticos.

En estas expresiones está implícito el concepto de propagación hacia atrás de los

errores (retropropagación de error) que da el nombre al algoritmo.

3.4.2 Algoritmo de Retropropagación con Momentum 

Una de las variantes propuestas al algoritmo de retropropagación del error, al incluir un término de
inercia o momentum [Del Brío y Sanz 2007, Anderson 2007], consiste en incorporar al cálculo de la
variación de los pesos sinápticos un término adicional proporcional al incremento de la iteración
anterior, que proporciona una cierta inercia al entrenamiento.

1 1 (3.21)

1 1 (3.22)

3.5 Lógica Fuzzy 

La lógica fuzzy utiliza la experiencia humana almacenando sus componentes esenciales en una
base de datos, y realiza operaciones fuzzy para inferir el valor total de la salida. Sin embargo, no
hay una manera sistemática de transformar las experiencias de conocimiento de expertos humanos
al conocimiento de la base del control fuzzy. Existe también la necesidad de adaptar algunos de los
algoritmos de aprendizaje para establecer la salida dentro del rango de error especificado.

El concepto de lógica fuzzy fue concebido en el año de 1965 por Lofti Zadeh, quien menciona
que la gente no requiere información numérica precisa del medio que lo rodea para desarrollar
tareas de control altamente adaptable, por ejemplo, conducir un automóvil o caminar por una acera
sin colisionar con los postes y las otras personas. Si los controladores convencionales, en esencia
retroalimentados, se pudieran programar para aceptar entradas con ruido e imprecisas, ellos
podrían trabajar de una manera más eficiente y quizás se podrían implementar más fácilmente.

26
 Pocos años después en 1974, el Británico Ebrahim Mamdani, demuestra la aplicabilidad de la
lógica fuzzy en el campo del control. Desarrolla el primer sistema de control fuzzy práctico, la
regulación de un motor de vapor. Las aplicaciones de la lógica fuzzy en el control no pudieron ser
implementadas con anterioridad a estos años debido a la poca capacidad de cómputo de los
procesadores de esa época.

Es así, como surgen dos principales esquemas de sistemas fuzzy: sistemas fuzzy tipo Mamdani
y sistemas fuzzy tipo Takagi-Sugeno, [Del Brío y Sanz 2007, Ruano 2008].

Los sistemas fuzzy tipo Mamdani utilizan expresiones lingüísticas para su funcionamiento, la
configuración básica de este tipo se muestra en la figura 3.8:

Figura 3.8 Configuración básica de sistema tipo Mamdani

En este tipo de sistema se distinguen las siguientes partes:

- Fuzzificador: Convierte los valores numéricos de entrada al sistema, normalmente
provenientes de algún sensor, a valores fuzzy que puedan ser procesados por el
mecanismo de inferencia fuzzy. Estos valores se convierten en niveles de pertenencia, que
son los diversos conjuntos fuzzy en los cuales se han dividido las variables de entrada al
sistema.
- Mecanismo de inferencia fuzzy: Se encarga de procesar los niveles de pertenencia para
poder arrojar una salida fuzzy, ello basándose en una base de reglas fuzzy.

- La base de reglas: Es la manera que tiene el sistema fuzzy de guardar el conocimiento

lingüístico que le permita resolver el problema para el cual fue diseñado. Estas reglas son
de tipo IF-THEN.

27
 Una regla de la base de conocimiento tiene dos partes el antecedente y el consecuente, los
cuales están dados por expresiones lingüísticas, tal como se muestra en la figura 3.9:

Figura 3.9 Regla de la base de un sistema tipo Mamdani.

• Desfuzificador: Convierte la salida del mecanismo de inferencia en un valor numérico que

pueda ser interpretado por un elemento externo.

Por su parte, los sistemas tipo Takagi-Sugeno utilizan funciones de la entrada del sistema. La
configuración básica de este tipo de sistemas se muestra en la figura 3.10:

Figura 3.10 Configuración básica de sistema tipo Takagi‐Sugeno 

En este tipo de sistema se distinguen las siguientes partes:

• Fuzzificador: Convierte los valores numéricos de entrada al sistema, normalmente
provenientes de algún sensor, a valores fuzzy que puedan ser procesados por el
mecanismo de inferencia fuzzy. estos valores se convierten en niveles de pertenencia, que
son los diversos conjuntos fuzzy en los cuales se han dividido las variables de entrada al
sistema.

28
 • Mecanismo de inferencia fuzzy: Se encarga de procesar los niveles de pertenencia para
poder arrojar una salida fuzzy, ello basándose en una base de reglas fuzzy.

• La base de reglas: es la manera que tiene el sistema Fuzzy de guardar el conocimiento

lingüístico que le permita resolver el problema para el cual fue diseñado. Estas reglas son
de tipo IF-THEN.

Una regla de la base de conocimiento tiene dos partes, el antecedente y el consecuente,

en este tipo de sistema el consecuente ya no es una expresión lingüística, sino una función
de la entrada del sistema en un instante dado, tal como se muestra en la figura 3.11:

Figura 3.11 Regla de la base de un sistema tipo Takagi‐Sugeno. 

En esta clase de sistemas, los valores arrojados por los consecuentes de cada regla ya son
valores numéricos, por lo que no se requiere una etapa de defuzificación.

3.6 Control PID 
El controlador PID (Proporcional- Integral-Derivativo), es el elemento de control más utilizado en la
industria, el esquema clásico se muestra en la figura 3.12

Figura 3.12 Estructura del control PID

29
 Un controlador tipo PID incorpora una acción proporcional (Kp), una acción integral (Ki/S) y una
acción derivativa (KdS).

La acción proporcional, muchas veces visualizada como una amplificación, envía una señal de
control proporcional al error, haciendo que el sistema alcance más rápido el “set point”, sin
embargo, cuando la acción proporcional es muy grande el sistema se puede volver inestable
produciendo sobre-oscilación o sobrepaso. Por otro lado la acción integral envía una señal de
control proporcional al acumulado de los errores a lo largo del tiempo. La sumatoria de los errores
instantáneos a lo largo del tiempo provee el offset acumulado que debió haber sido corregido
previamente. La acción integral cuando se combina con la acción proporcional acelera el
comportamiento del sistema hacia el “set point” y elimina el error residual en estado estacionario,
sin embargo, dado que la acción integral responde a errores acumulados del pasado usualmente
genera sobrepasos inusuales. Finalmente la acción derivativa viene a reducir la magnitud de los
sobrepasos producidos por la acción integral mejorando la respuesta transitoria del sistema. La
acción derivativa tiene este efecto pues considera la tasa de cambio del error.
Los parámetros de ajuste de un controlador pid son respectivamente la ganancia proporcional,
ganancia integral y ganancia derivativa.

Al proceso de estimación o cálculo de las ganancias de un controlador pid de acuerdo a las

especificaciones de desempeño que se impongan se le conoce como sintonización.

Existen diferentes métodos para la sintonización de un pid. A continuación se menciona los

más utilizados. [Ogata 2003, Cheng-Ching Yu 2006].

- Método manual.
- Método de Ziegler-Nichols.
- Método del relay.
- Método de Cohen-Coon.

3.7 Humedad Especifica y Humedad Relativa del Aire

La cantidad de Vapor de agua en el aire, puede determinarse de varias maneras. Es probable que
la más lógica sea precisar la masa de vapor de agua presente en una unidad de aire seco, a la que
se denomina humedad absoluta o específica, conocida también como relación de humedad
[Cengel, Boles 2008], la cual se representa como :

30
        
 , (3.23)
     

También se puede expresar como:

.
.622     (3.24)

Donde es la Presión de vapor, presión de aire seco y es la Presión total.

La cantidad de humedad en el aire tiene un efecto definitivo en las condiciones de comodidad

que ofrece un ambiente. Sin embargo, el nivel de comodidad depende más de la cantidad de
humedad que el aire contiene ) respecto a la cantidad máxima de humedad que el aire puede
contener a la misma temperatura . La relación entre estas dos cantidades se conoce como
humedad relativa Φ.

Φ (3.25)

En esencia, la humedad relativa es una magnitud que indica la condición de cercanía al nivel
de saturación del aire.

3.8 Temperatura de Punto de Rocío. 
 
La temperatura de punto de Rocío , se define como la temperatura a la cual se inicia la
condensación de la humedad ambiental, si el aire se enfría a presión constante [Cengel, Boles
2008]. En otras palabras, es la temperatura de saturación del agua correspondiente a la presión
de vapor:

@ (3.26)

Es posible determinar el punto de rocío con errores menores a 1°C, sin considerar la presión
mediante:

112 0.9 0.1 112 (3.27)

Donde:

• = Punto de rocío en grados centigrados.

• = Temperatura en grados centígrados.
• = Humedad relativa.

31
Capítulo 4 : Descripción del Sistema de la Celda Peltier
y Diseño de Controladores

4.1 Diseño y construcción del Prototipo 

En el presente capítulo, se abordan las partes necesarias para la construcción del sistema de la
celda Peltier, las cuales van desde la conceptualización hasta la implementación física del
prototipo. La identificación de la función de transferencia del sistema, brindara información acerca
de la dinámica del sistema, lo cual, permitirá especificar los parámetros de desempeño de los
controladores que se diseñaran y programaran.

4.1.1 Diseño conceptual del Sistema de la Celda Peltier 

El sistema de la celda Peltier, es un arreglo estructurado para regular la temperatura y como

consecuencia obtener la condensación de la humedad ambiental y la cuantificación de la misma.

Para cumplir la función antes mencionada, es necesario fijar un volumen de control, lo que
implica establecer una cámara donde se realizara el proceso de condensación.

Los componentes que forman en sistema se describen a continuación:

Bloque 1: En esta etapa, se tiene una computadora, donde se han programado en Labview 8.2
tres tipos de controladores, un pid, un fuzzy y un neuronal, todos ellos con el propósito de regular
la temperatura y como consecuencia obtener la condensación de la humedad ambiental.

Bloque 2: Esta etapa, consta básicamente de una tarjeta de adquisición de datos de la firma
National instruments, la cual posee 8 entradas y 2 salidas analógicas cuyo propósito es operar
como interface de comunicación entre la planta y la computadora.

Bloque 3: Esta etapa es un driver, el cual es una interface de potencia entre la tarjeta de
adquisición de datos y los actuadores del sistema. El driver está formado estructuralmente por un
microcontrolador de la firma Microchip, modelo 16f873A, donde se ha programado la operación de
modulación de ancho de pulso donde la frecuencia se ha fijado en 700 Hz [http://www.tetech.com],
y cuyo rango de entradas está comprendido entre cero y cinco volts. Complementario al

32
microcontrolador, se han incorporado dos relevadores de estado sólido de corriente directa de la
firma Crydom, modelo D104 los cuales están basados en transistores de efecto de campo capaces
de operar hasta 100 Vcd y 40 Amperes.

Bloque 4: Esta etapa está formada por una celda Peltier la cual opera hasta un máximo de 12
Vcd. Para la disipación de calor en la cara caliente, se ha acoplado un ventilador con capacidad de
suministrar un flujo de 39 pies cúbicos por minuto y el opera con un máximo de 12 Vcd.

Bloque 5: Esta etapa corresponde a la instrumentación, la cual consta de tres sensores de

temperatura LM35 y un sensor de humedad relativa. Respecto a los sensores de temperatura,
estos se requieren para medir dicha variable en la cara fría y la cara caliente de la celda Peltier, el
sensor restante se utiliza para medir la temperatura ambiente del recinto.

Unificando los bloques anteriores, queda conceptualizado el sistema de condensación como se

muestra en la figura 4.1.

Figura 4.1 Estructura a bloques del sistema de la celda Peltier 

4.2 Construcción del prototipo 
En esta sección, se presentan todos los elementos necesarios para la obtención de un prototipo
físico, en el diseño a detalle se toman en cuenta todas las consideraciones del diseño conceptual.

El prototipo está formado por una serie de elementos comerciales y otros que fueron
manufacturados. Los elementos comerciales son los siguientes:

- 2 Ventiladores de 12 Vcd
- 3 Sensores de temperatura Lm35
- 1 Sensor de humedad relativa phidget 1125
- 2 Relevadores de estado sólido D1140 de 100 Vcd Crydom.
- Una celda Peltier de 3cm X 3cm de 12 Vcd.
- 1 Disipador de calor.
- 1 Microcontrolador 16f873.

33
 - 1 Tarjeta de adquisición de datos NI USB6008.
- Regulador de voltaje LM7805.
- Amplificador operacional LM324
- Fuente de alimentación de conmutada 12 Vcd.
- Fuente de alimentación lineal.
- Capacitores y resistencias.
- Clemas.
- Tornillos y tuercas.
- Paneles de acrílico de 25 cm X 25 cm y bisagras de acrílico.

Los elementos a manufacturar son:

- Cámara de condensación.
- Soporte para montaje de disipador.
- Driver pwm.
- Canal colector de agua

En la figura 4.2 se muestra el prototipo manufacturado:

Figura 4.2 Sistema manufacturado

4.3 Identificación del Sistema de la Celda Peltier y Validación. 

El proceso de identificación del sistema de la celda Peltier, se ha realizado bajo un enfoque

monovariable y está centrado en la información de entrada y salida del sistema, donde la
información de entrada es un voltaje y la información de salida es la temperatura de la cara fría.

El proceso de identificación se ha realizado considerando inicialmente el voltaje de

alimentación máximo de la celda Peltier con el propósito de no dañar el dispositivo.

34
 Una vez establecido el voltaje máximo de operación de la celda Peltier cuyo valor es
suministrado por el fabricante, se procede a la aplicación de una señal de entrada ya sea de tipo
escalón o variable en voltaje, paralelo a la aplicación de la excitación, se debe registrar la
información tanto de entrada como de salida, donde esta última es la señal de temperatura bajo la
forma de un voltaje entregado por el sensor posicionado en la cara fría de la celda Peltier.

Una vez obtenidos los datos de entrada y salida, se procede a realizar la identificación, la cual
fue obtenida mediante el uso del método de mínimos cuadrados recursivos [Aguado 2003,
Navarro 2010] y el Software Matlab R2009a [www.mathworks.com/].

Las consideraciones necesarias para establecer la función de transferencia están bajo el

enfoque de lazo abierto y se basan en la forma de la respuesta transitoria, en este sentido se
puede resaltar lo siguiente:

- Si la forma de la respuesta transitoria es amortiguada, entonces la función de

transferencia contiene un polo real o polos complejos con polos reales dominantes.

- Si la forma de a respuesta transitoria presenta sobre paso y oscilación, la función de

transferencia debe contener polos complejos o polos reales y polos complejos dominantes.

- Todo sistema dinámico, tiene asociado un tiempo de retardo, por lo que la función de
transferencia debe contener tal efecto.

La primera prueba realizada para la identificación, se realizo aplicando la señal de voltaje

visualizada en la figura 4.3, aquí el voltaje final se estabilizo en aproximadamente 4.4 volts.

Figura 4.3 Primera identificación monovariable del sistema de la celda Peltier 

35
 El modelo identificado se muestra en la ecuación 4.1 con un nivel de aproximación del 92.94%.

. .
(4.1)
. .

La segunda prueba de identificación, se ha obtenido considerando la información de entrada y

salida de la figura 4.4, El grado de aproximación obtenido es del 93.46%.

Figura 4.4 Segunda identificación monovariable del sistema de la celda Peltier

El modelo identificado se muestra en la ecuación 4.2.

. .
(4.2)
. .

La tercera prueba de identificación, se ha considerado utilizando la información de la figura 4.5,

el grado de aproximación obtenido es del 90.19%.

36
 Figura 4.5 Tercera  identificación monovariable del sistema de la celda Peltier 

La función de transferencia obtenida de la tercera prueba se presenta en la ecuación 4.3:

. .
(4.3)
. .

De las pruebas de identificación obtenidas, se puede extraer información relevante como se

muestra en la tabla 4.1:

Tabla 4.1 

Modelo Constante de Ganancia estática Tiempo de retardo Tiempo de

identificado tiempo dominante (segundos) asentamiento
considerando (segundos) máximo
23° (segundos)
Figura 4.3 36.132 2.31 1.5 180.66
Figura 4.5 40.93 1.4519 1.5 204.65
Figura 4.7 28.038 6.155 1.5 140.1

Considerando la información presentada en la tabla, se pone en evidencia la naturaleza no lineal

de la celda Peltier, ya que existen cambios significativos al comparar los modelos en los siguientes
parámetros:

37
 - Ganancia estática,
- Cambio en las constantes de tiempo
- El tiempo retardo produce efecto no lineal, aunque los tres modelos tienen el mismo valor.

Observando los modelos identificados, las funciones de transferencia son de segundo orden con
polos reales dominantes.

4.3.1 Especificaciones de Desempeño de los Controladores 

El perfil de desempeño transitorio y en estado estable, se fija en función de los siguientes

parámetros de la tabla 4.2, tomando en cuenta los modelos de identificación obtenidos:

Tabla 4.2 

Parámetro de desempeño Valor

Tiempo de asentamiento T 204.5
Sobrepaso máximo (o subimpulso) 2°
Tiempo de respuesta (considerando 40.93s
dominancia)
Error cuadrático promedio en estado estable E 1°C 

4.4 Desarrollo de Controladores 
En el presente apartado, se realizara el desarrollo del control de temperatura basado en una red
neuronal, un control pid y un control de lógica fuzzy.

Las características que destacan del tipo de red neuronal diseñada, es que el aprendizaje es en
línea, supervisado y con refuerzo, usando el algoritmo de retropropagación con momentum, utiliza
funciones de activación de tipo sigmoidea y recurrencia, lo que le brinda una característica no lineal
y mayor potencia en la capacidad de control, además de que se trata de una red con múltiples
entradas y múltiples salidas, además, utiliza como patrones de entrenamiento las señales de error.

El controlador pid, es de tipo discreto, monovariable, con efecto derivativo en la

retroalimentación y sintonizado mediante una combinación del método del relay, Ziegler-Nichols y
un ajuste final manual para refinar el desempeño transitorio, la acción de control se genera en base
al error de regulación y al valor de la variable de proceso.

38
 El controlador fuzzy, es una estructura dual, estándar, de tipo Mamdani, con funciones de
pertenencia triangular tanto para la entrada como para la salida, las acciones de control de cada
regulador son función de las señales de error.

4.4.1 Desarrollo del Controlador Neuronal del Sistema de la Celda Peltier 

El diseño de redes neuronales, establece que para la mayoría de los problemas de control, es
suficiente una capa oculta, siendo el número de neuronas de esta capa mayor o igual al número de
entradas menos uno [Haykin 1999].

Teniendo en cuenta estas consideraciones y partiendo de que el número de entradas de la red

es cuatro, dos correspondientes al error actual y pasado de la temperatura de la cara fría y otras
dos correspondientes al error actual y pasado de la temperatura de la cara caliente, el número de
neuronas de la capa oculta queda fijado en tres.

Debido a que el sistema de la celda Peltier posee dos entradas, una de corriente y otra para
ventilación, el número de salidas de control de la red Neuronal se fija en dos.

En la figura 4.6, se muestra un diagrama general del controlador neuronal propuesto, el cual
tiene como característica principal que toma como patrones de entrenamiento los errores de
regulación [Haykin 1999, Noriega 2006].

Figura 4.6 Estructura general del sistema de control neuronal. 

Por otro lado, la figura 4.7 muestra la topología de la red neuronal artificial utilizada en este
trabajo, se trata de una red neuronal recurrente con 4 entradas, 3 neuronas en la capa oculta y 2
en la capa de salida, correspondientes cada una al número de variables de la planta a controlar, la
temperatura de la cara fría y la temperatura de la cara caliente de la celda Peltier.

39
 Figura 4.7 Topología de Red Neuronal Recurrente. 

Así, al algoritmo de aprendizaje de la red neuronal (BP) se presenta a continuación [Noriega

2006].

El error de salida del proceso es:

(4.1)

El error de salida de la red es:

(4.2)

La salida de las neuronas de la capa oculta es:

j=1,2… (4.3)

Donde el término Sj está dado por:

∑ (4.4)

Las entradas utilizadas para el entrenamiento de la red están dadas por:

, 1 ,.. 1 (4.5)

40
 La salida de la red está dada por la expresión:

∑ (4.6)

Se propone una función de minimización del error de la forma:

(4.7)

Dado que el gradiente brinda la posibilidad de moverse en la dirección de más rápido

crecimiento de la función, para moverse en la dirección de descenso de la función, es necesario
moverse en la dirección negativa del gradiente de la función 4.7, tal como se presenta en la
ecuación 4.8.

, , (4.8)

El cálculo del gradiente fue realizado mediante derivadas parciales, en este caso respecto a los

pesos sinápticos de la red neuronal [Noriega 2006. Anderson 2007. Martín del Brío 2007,

Tsoukalas, Uhrig 1998].

Los pesos sinápticos pueden ser actualizados de acuerdo a la siguiente expresión:

1        (4.9)

Donde ŋ es el coeficiente de aprendizaje, el cual se encuentra de manera general, entre un

valor de 0 y 1.

Finalmente, los pesos sinápticos de las capas de entrada, oculta y salida, son obtenidos
mediante las siguientes ecuaciones derivadas de 4.8 y 4.9.

                                                          (4.10)

    (4.11)

1 (4.12)

(4.13)

41
 (4.14)

                                                                     1 η   (4.15)

                           (4.11)

Sea ,  0  (4.12)

                                                          1 (4.13)

                                         1 (4.14)

(4.15)

1 (4.16)

       (4.17)

Sea ρ ,ρ 0 0   (4.18)

 
ρ 1 ∑  ρ                                                             (4.19) 

ρ   (4.20)

                                                            1 ρ (4.21)

Las expresiones y son ecuaciones recursivas dinámicas.

Si se incorpora al algoritmo un factor de momentum , para acelerar la convergencia del

control, la forma general de los pesos sinápticos se obtiene de la siguiente forma:

42
 Sea   1 (4.22)

1   (4.23)

4.4.2 Desarrollo y Sintonización del Controlador PID del Sistema de la Celda 
Peltier 

Anteriormente, se realizo la descripción de esquema de control pid como el elemento de

regulación más ampliamente utilizado, la estructura clásica de este sistema se muestra en la
figura 4.8.

Figura 4.8 Estructura del control PID 

La función de transferencia de un controlador pid básico como el mostrado anteriormente es la

siguiente:

(4.24)

Donde:

Kp
: Ganancia proporcional.

Ki : Ganancia integral.

Kd : Ganancia derivativa
Una mejora incorporada al algoritmo de control pid, es utilizar la acción derivativa sobre la
retroalimentación [Ogata 2003], de esta forma se evita que aparezcan acciones de control muy
agresivas o excesivamente elevadas cuando la señal de consigna cambia, esta arquitectura se
presenta en la figura 4.9.

43
 Figura 4.9 Estructura del control Pid con acción derivativa en la retroalimentación. 

Debido a que la implementación del controlador es digital, es necesario realizar la discretización

del controlador continuo utilizando la transformada Z para obtener la ecuación en diferencias,
[Bolton 2001].

1 1 2 1 2 1 (4.25)

Donde C es la variable referida a la señal de control, e es la variable referida a la señal de error,

pv es la variable de proceso, T es el tiempo de muestreo, Kp, Ki y Kd son las ganancias del pid.

El procedimiento de sintonía del controlador, se basa en la incorporación de un controlador on –

off o relay, figura 4.10, que satura o anula la acción del control sobre el proceso, cuya amplitud es
d y a es la amplitud de la salida del proceso [Ogata 2003, Cheng-Ching Yu 2006,Bolton 2001].
Aplicando un set point constante, se utiliza la señal de error para decidir los instantes de conexión
y desconexión, y cuando la variable controlada oscila de forma sostenida, se puede determinar el
periodo el cual es aproximado al periodo crítico .

Figura 4.10 Estructura general para sintonía por el método del relay. 

44
 Una vez conocidos los parámetros d y a, es posible determinar la ganancia critica como:

(4.26)

Finalmente, para determinar los valores del control pid, se utiliza la tabla del segundo método
de Ziegler–Nichols, la cual nos entrega el parámetro Kp, Ti y Td.

0.6 (4.27)

0.5 o (4.28)

0.125 o (4.29)

Los parámetros de sintonía del controlador pid utilizados y reajustados son los siguientes:

Kp=0.4, Ki=0.3, Kd=0.05

El tiempo de muestreo se fijo en 50ms, para brindar velocidad al software de programación, la

condición que se debe cumplir, es que este tiempo de muestreo debe ser al menos 10 veces
menor que la constante de tiempo dominante de la planta a controlar.

Para mayor información acerca controladores pid y su sintonización se puede consultar [Ogata
2003, Cheng-Ching Yu 2006, Bolton 2001].

4.4.3 Desarrollo del Controlador Fuzzy del Sistema de la Celda Peltier 

El diseño de controladores fuzzy a diferencia de los controles clásicos basados en modelos u

ecuaciones, se diseñan a partir reglas del tipo si-entonces basadas en el conocimiento de un
experto sobre determinado sistema a controlar [Martín del Brío, Sanz 2007. Tsoukalas, Uhrig
1998].

El esquema completo del control está basado en dos controladores fuzzy [Viljama 1993], los
cuales controlan la temperatura de la cara fría y caliente. A continuación se describe la parte del
control de la cara fría y posteriormente el de la cara caliente.

45
 El tipo de controlador fuzzy diseñado posee las siguientes características, en primer lugar, se ha
utilizado un controlador fuzzy de tipo Mamdani, la razón de ello es que este tipo de esquema
permite expresar el conocimiento del experto como una serie de reglas; Si A entonces B, situación
que no es posible con el esquema de Sugeno, ya que la salida de este último es una función de las
entradas, adicionalmente, se han manejado 5 conjuntos fuzzy, la elección de los mismos se ha
determinado por medio de recomendaciones, ya que se establece en la literatura que el número
funciones de membresía debe ser impar, aunque esto no es una ley. Si se tienen pocos conjuntos
fuzzy, se tienen más saltos en las acciones de control o menor resolución, por lo que no se optó
por un conjunto de 3, si no de 5 para evitar esta situación antes mencionada.

El número máximo de reglas está determinado por el número de conjuntos fuzzy [Martín del
Brío, Sanz 2007, Tsoukalas, Uhrig 1998] y las entradas al controlador, de tal forma que si se tienen
dos entradas y 5 conjuntos Fuzzy, la base de reglas contendrá un máximo de 25 enunciados.

Las entradas al control fuzzy de la cara fría son el error y el cambio en el error, la generación de
la base de reglas se realizo como si se tratase de un horno y finalmente la salida del control se le
multiplico por -1 para darle la acción inversa. La arquitectura del regulador diseñado se le conoce
como controlador fuzzy estándar [Martín del Brío, Sanz 2007, Tsoukalas, Uhrig 1998, Ponce 2010,
Jantzen 2007] y se muestra en la figura 4.11.

Figura 4.11 Estructura general de un controlador fuzzy estándar. 

Se han desarrollado dos controladores fuzzy, uno para regular la temperatura de la cara fría y
otro para regular la temperatura de la cara caliente, ambos bajo el entorno Labview 8.2 con los
módulos load fuzzy controller.vi y fuzzy controller.vi.

46
 Las características relevantes de los dos controladores se muestran en la tabla 4.3.

Tabla 4.3 

Características Control fuzzy 1 de cara fría Control fuzzy 2 de cara

caliente
Tipo de funciones de Triangular Triangular
membresía
Número de funciones de Diez triangulares en total, 5 Dos triangulares
membresía de las entradas para cada entrada.
Número de funciones de Cinco triangulares Dos triangulares
membresía de las salidas
Numero de reglas utilizadas 25 3
Método de Inferencia Max-Min Max-Min
Método de defusificación Centro máximo Centro máximo

La elección del número de funciones de membresía debe ser entre 3 y 7, [Del Brío y Sanz
2007], con el objetivo de obtener precisión y de que el controlador no resulte excesivamente
complejo, aunque no es una regla formalmente establecida. Respecto al tipo de funciones de
membresía elegidas, la forma triangular posee una geometría simple que permite que la carga
computacional sea baja.

Las funciones de membresía asociadas a entradas y salidas del controlador fuzzy de la cara
fría se muestran en la figura 4.12:

Figura 4.12 Funciones de membresía de las entradas y las salidas del controlador de temperatura fuzzy de 
la cara fría usadas en el modulo load fuzzy controller.vi.

47
La base de reglas utilizada se muestra en la figura 4.13:

Figura 4.13 Base de reglas del control de temperatura de la cara fría. 

Para el control de la cara caliente, solo se han utilizado otro controlador fuzzy con dos conjuntos
fuzzy referidos a una sola entrada como se muestra en la figura 4.14.

Figura 4.14 Funciones de membresía del controlador de temperatura  de la cara caliente establecidas en el 
modulo load fuzzy controller.vi. 

48
 La base de reglas para este segundo controlador se muestra en la figura 4.15:

Figura 4.15 Base de reglas del controlador de temperatura fuzzy de la cara caliente. 

La implementación fue realizada en LabView 8.2 con los módulos vi incorporados.

49
Capítulo 5 : Validación experimental

El presente capítulo, se centra en los diferentes resultados de las pruebas realizadas al sistema de
la celda Peltier en las modalidades de regulación de temperatura en diferentes puntos, sobrepaso,
tiempo de asentamiento, desempeño ante perturbaciones y condensación.

5.1 Experimento de Regulación de Temperatura de los Controladores 

5.1.1 Prueba de Regulación ante  consigna  de 10°C. 
La prueba de regulación de temperatura realizada con los tres controladores, se planteo ante un
set point o valor de consigna de la cara fría de 10°C, la cual se muestra en la figura 5.1.

Figura 5.1 Señales de regulación de cara fría asociadas al valor de consigna  de 10°C. 

Las señales de control asociadas a la prueba de regulación ante consigna de 10°c realizada se
muestran en la figura 5.2.

50
 Figura 5.2 Señales de control asociadas al valor de consigna  de 10°C 

Las señales de error asociadas a la prueba de regulación ante consigna de 10°c se muestran en
la figura 5.3.

Figura 5.3 Señales de error asociadas al valor de consigna  de 10°C

De las graficas 5.1, 5.2 y 5.3 presentadas, se extrae la siguiente información de desempeño
mostrada en la tabla 5.1:

51
 Tabla 5.1 

Parámetros de desempeño transitorio y estacionario obtenidos ante consigna de 10°C

Controlador Sobrepaso, Tiempo de Error cuadrático

(°C) asentamiento, (segundos) promedio.   _

PID 1.1 51.9 0.501°C

Neuronal 0.2 72 0.288°C

Fuzzy 0.3 28 0.368°C

5.1.2 Prueba de Regulación Ante consigna de 7°C
En la figura 5.4, se observan las señales de la temperatura de la cara fría del sistema de la celda
Peltier ante un valor de consigna de 7°C.

Figura 5.4 Señales de regulación de cara fría asociadas al valor de consigna  de 7°C 

La figura 5.5, muestra las señales de control asociadas a la prueba de de regulación de la

temperatura de la cara Fría de 7°C.

52
 Figura 5.5 Señales de control asociadas al valor de consigna  de 7°C 

La figura 5.6 muestra las señales de error asociadas a la prueba de regulación de la

temperatura de la cara fría ante una consigna de 7°C.

Figura 5.6 Señales de error asociadas al valor de consigna  de 7°C 

De las graficas 5.4, 5.5 y 5.6 presentadas, se extrae la siguiente información de desempeño
mostrada en la tabla 5.2:

53
 Tabla 5.2 

Parámetros de desempeño transitorio y estacionario obtenidos ante consigna de 7°C

Controlador (°C) (segundos)   _

PID 0 70 0.22°C

Neuronal 0 70 0.087°C

Fuzzy 0.2 40 0.7°C

Los parámetros de desempeño transitorio establecidos, corresponden al sobrepaso y al

tiempo de asentamiento . La relevancia del sobrepaso se puede establecer en dos sentidos, por
un lado, indica el nivel de desviación máxima inicial de la variable de proceso con respecto al set
point o valor de consigna, por otro lado, el tener sobrepasos excesivos genera que el sistema
presente demasiada oscilación. En lo que respecta al tiempo de asentamiento, brinda información
acerca de cuanto le toma a la variable de proceso estabilizar o permanecer en régimen
estacionario. Ambos parámetros, el sobrepaso y el tiempo de asentamiento, tienen influencia
mutua, ya que un sobrepaso alto causara un tiempo de asentamiento mayor.

En lo que respecta al error cuadrático medio, estadísticamente es una medida de precisión de

relevancia practica, ya que al hablarse únicamente de error promedio sobre una muestra de datos,
es posible que estos tengan en determinados instantes valores positivos y negativos, situación que
causaría que en determinados momentos el cálculo del error genere anulaciones y establezca una
errónea perspectiva de la variable.

5.2 Experimentos ante Perturbaciones de Flujo de Aire 

En este apartado, se realizan pruebas para verificar el comportamiento de los tres controladores
ante entradas de perturbación, las cuales corresponden a la aplicación de un flujo de aire de
39CFM a la cara fría de la celda Peltier por medio de un ventilador de corriente directa sin
escobillas.

54
5.2.1 Perturbación de Flujo de aire de 39 CFM y 30°C para el Control Neuronal 

La siguiente prueba, se realizo para verificar el comportamiento del sistema regulado con el
Control Neuronal en un set point de 10°C y aplicando una perturbación de flujo de aire de 39 pies
cúbicos por minuto (CFM) sobre la cara fría de la celda Peltier, el resultado se observa en la figura
5.7 y pone en evidencia la capacidad del controlador para compensar el efecto de carga de la
perturbación.

Figura 5.7 Prueba ante perturbación de flujo de aire de 39 CFM. 

 
5.2.2 Perturbación del Flujo de Aire de 39 CFM y 30°C   para el Control Fuzzy. 
La siguiente prueba, se realizo para verificar el comportamiento del sistema regulado con el control
fuzzy en un set point de 10°c y aplicando una perturbación de flujo de aire de 39 CFM sobre la cara
fría de la celda Peltier, el resultado se observa en la figura 5.8 y pone en evidencia la capacidad del
controlador para compensar el efecto de carga de la perturbación.

55
 Figura 5.8 Ante perturbación de flujo de aire de 39 CMF 

 
 
5.2.3 Perturbación del Flujo de Aire de 39 CMF y 30°C para el Control PID 
 
La siguiente prueba, se realizo para verificar el comportamiento del sistema regulado con el control
pid en un set point de 10°c y aplicando una perturbación de flujo de aire de 39 CFM sobre la cara
fría de la celda Peltier, el resultado se observa en la figura 5.9 y pone en evidencia la capacidad del
controlador para compensar el efecto de carga de la perturbación.

Figura 5.9 Ante perturbación de flujo de aire de 39 CMF 

56
5.3 Experimentos de Condensación de Humedad Ambiental
 
Las pruebas de condensación de la humedad ambiental o de obtención de agua en forma líquida,
se han realizando fijando inicialmente la humedad relativa de la cámara del sistema de la celda
Peltier en un valor aproximadamente del 50% para partir de un valor de referencia, además, se fijo
la temperatura de regulación en un valor de 4°C, casi 2°C abajo de la temperatura de punto de
rocío mínima de 6.1°C para cada uno de los tres controladores. El valor de 50% fijado en la
humedad relativa inicial, se debe a condiciones de seguridad, ya que el subir más este valor puede
generar condensación espontanea en la circuitería y generar problemas de funcionamiento y
daños a los dispositivos.

5.3.1 Prueba de Condensación de Humedad ambiental  para el Control 
Neuronal para estimación de Agua Obtenida. 
La prueba realizada, se muestra en la figura 5.10 donde se puede apreciar que el valor inicial de la
humedad relativa es de aproximadamente 50% y al final de la prueba tiene un valor del 30% en
aproximadamente 840 segundos, este valor de 30% se debe a que es la humedad relativa mínima
que presentaba la atmosfera en el momento de la prueba.

Figura 5.10 Prueba de condensación por variación de humedad para el control neuronal 

5.3.2 Prueba de Condensación de Humedad Ambiental para el Control Fuzzy 
para estimación de Agua Obtenida. 
 
La prueba realizada, se muestra en la figura 5.11 donde se puede apreciar que el valor inicial de la
humedad relativa es de aproximadamente 50% y al final de la prueba tiene un valor del 30% en un
periodo de aproximadamente 840 segundos.

57
 Figura 5.11 Prueba de condensación por variación de humedad del control fuzzy 

 
5.3.3 Prueba de Condensación de Humedad Ambiental para el control PID para 
estimación de Agua Obtenida. 
 
La prueba realizada, se muestra en la figura 5.12 donde se puede apreciar que el valor inicial de la
humedad relativa es de aproximadamente 50% y al final de la prueba tiene un valor del 30% en un
periodo de aproximadamente de 760 segundos.

Figura 5.12 Prueba de condensación por variación de humedad del control pid 

58
 De las pruebas realizadas sobre condensación, se observa que efectivamente, al realizar el
enfriamiento de una superficie fría (cara fría de la celda Peltier), por debajo de la temperatura de
punto de rocío, es posible obtener agua en forma líquida, esta situación queda evidenciada en las
curvas al reducirse la humedad relativa, por lo que el restante ahora se encuentra depositado en
forma de agua sobre la cara fría de la celda Peltier.

5.3.4 Relación Entre la Humedad Relativa y la Cantidad de Agua en un 
Volumen. 

La relación que existe entre la humedad relativa y la cantidad de mililitros de agua contenida en el
volumen de aire considerado de 0.0155 a una temperatura constante de 21°C se muestra en la
figura 5.13.

Figura 5.13 Relación entre la humedad relativa y la cantidad de agua en el volumen de  .  
utilizado. 

La relación que se tiene con el volumen y la temperatura es proporcional y creciente [Cengel,

Boles 2008], es decir, si se considera un volumen mayor o temperaturas ambientes mayores, la
cantidad de agua que se tiene es mayor, por lo tanto, al tener mayor humedad relativa se puede
extraer más agua en forma líquida y a mayor velocidad.

Los datos utilizados para obtener la grafica de la figura 5.13, han sido adquiridos de la
referencia [Cengel, Boles 2008].

59
5.3.5 Pruebas para Cuantificación de Agua Condensada Mediante Jeringa. 

La pruebas siguientes, se centra la determinación de la cantidad de agua condensada en un

reservorio de volumen conocido en un periodo de tiempo determinado y en lazo abierto.

A diferencia de las pruebas anteriores de condensación, esta prueba se realiza removiendo

mecánicamente el agua depositada sobre la superficie de la celda Peltier mediante jeringa. Las
condiciones utilizadas se muestran en la tabla 5.3.

Tabla 5.3 

Condiciones de prueba
El Volumen del colector es de 0.5ml
La celda recibe 12 Volts constantes
Temperatura de cara fría=4°C
Prueba %HR Punto de rocío Agua colectada Tiempo de Rate (ml/seg)
prueba
Prueba1 de 68 7°C 0.1mL 15minutos 0.00011
condensación con
colecta por jeringa.
Prueba 2 de 51 6°C 0.05mL 10 minutos 0.0000833
condensación con
colecta por jeringa.
Prueba 3 de 76 4°C 0.1 mL 15 minutos 0.00011
condensación con
colecta por jeringa.

5.4 Análisis de Resultados 
Considerando la información obtenida de las pruebas realizadas, respecto a las señales de
regulación de la cara fría, se observa que todos los controles cumplen con las especificaciones de
desempeño transitorio, es decir, el sistema opera con el sobrepaso y tiempo de asentamiento
especificado en los requerimientos.

Considerando el parámetro de sobrepaso, se observa que este disminuye conforme el punto de

rocío es cada vez más bajo para los tres controladores.

60
 Considerando el tiempo de asentamiento, el controlador de lógica fuzzy es el que presenta el
menor valor ante las pruebas realizadas, por lo que es la estrategia de control más rápida. Los tres
controladores generan sobrepasos menores a dos grados centígrados.

Considerando el error cuadrático medio como parámetro de precisión, el controlador neuronal

es el que manifiesta valores más bajos de entre los tres controladores, aunque para los tres
controladores es siempre menor de un grado centígrado.

Considerando la información que se puede extraer de las curvas de perturbación ante un flujo
de aire de 39 CFM sobre la cara fría, se observa que los tres controladores tienen la capacidad de
responder ante variaciones de temperatura que actúan como una carga, esto se visualiza por el
hecho de que las señales de control de los tres controladores incrementan al aplicar la
perturbación la cual genera incrementos de temperatura.

Adicionalmente, se observa que en el control fuzzy en la prueba de perturbación, el error en

estado estable no se elimina totalmente, esto es debido a que el tipo de regulador es estándar y no
posee efecto integrador.

En lo referente al controlador neuronal, la relativa lentitud en la compensación de la

perturbación aplicada, se debe básicamente al efecto de la parálisis neuronal.

Considerando la información obtenida de las pruebas de condensación por estimación 5.3.1,

5.2.2 y 5.3.3, la cantidad de agua condensada por cada controlador ante las condiciones indicadas
se muestran en la tabla 5.4:

Tabla 5.4 

    0.0155 , T 21°C, T 5°C, T 6°C,  T   12°C

Control HR HR Agua Agua total % Tiempo Taza de
inicial final Condensad inicial en el Condensad extracción
a volumen de o respecto considerando
control al valor total %HR del 48%
inicial
Neuronal 52.1% 31.5% 0.05281mL 0.144649ml 36.5% 840s %
.044
Fuzzy 50.4% 31.9% 0.0639mL 0.139085ml 45.9% 840s %
.051
PID 48.1% 30.1% 0.05005mL 0.133522ml 37.48% 760s %
.027

61
 De la tabla 5.4, se puede decir que el nivel de condensación obtenido considerando un valor
inicial de masa o volumen de agua en la cámara de pruebas está comprendido entre un 35% y
46%, cantidades que parecen no ser significativas en relación al uso de los tres controladores,
aunque el controlador fuzzy es el más rápido.

La cantidad de agua obtenida mediante colecta por jeringa se muestra en la tabla 5.5
(reproducida de la tabla 5.3):
Tabla 5.5 

Condiciones de prueba
El Volumen del colector es de 0.5ml
La Celda Recibe 12 Volts constantes
Temperatura de cara Fría=4°C
Prueba %HR Punto de rocío Agua colectada Tiempo de Rate (ml/seg)
prueba
Prueba1 de 68 7°C 0.1mL 15minutos 0.00011
condensación
con colecta
por jeringa.
Prueba 2 de 51 6°C 0.05mL 10 minutos 0.0000833
condensación
con colecta
por jeringa.
Prueba 3 de 76 4°C 0.1 mL 15 minutos 0.00011
condensación
con colecta
por jeringa.

Comparando la información de la cantidad de agua condensada y determinada mediante

estimación, junto con la cantidad de agua determinada mediante colecta, se observa que no hay
diferencia significativa una vez que la temperatura en la cara fría de la celda Peltier se encuentra
por debajo del punto de rocío.

Considerando el conjunto de pruebas indicadas en los apartados 5.3.4 y 5.3.5, se corrobora

que la a mayor nivel de humedad relativa, existe mayor disponibilidad de agua. Bajo la perspectiva
de los controladores, una vez que la temperatura se ha estabilizado y esta abajo del punto de
rocío, no hay diferencias significativas en los niveles de condensación.

62
 Considerando la taza de condensación calculada, se estima que en un periodo de 24 horas, la
cantidad de agua obtenida con una sola celda de 9 es de aproximadamente 9.5ml ante
humedades relativas comprendidas entre 68% y 76%, en humedades superiores, la taza de
generación debe de incrementarse.

Las mejores condiciones de operación que se apegan en mayor grado a los parámetros de
desempeño se muestran en la tabla 5.6.

Tabla 5.6 

Tipo de Desempeño Desempeño Agua Taza de Parámetros Mejor

controlador temporal ante temporal ante extraída extracción cercanos a opción
consigna 10°C consigna 7°C de lo optimo
humedad
ml % Cantidad

PID 1.1 51.9 0.501 0 70 0.22 0.05005 .027 1

Neuronal 0.2 72 0.288 0 70 0.087 0.0528 .044 4 √
Fuzzy 0.3 28 0.36 0.2 40 0.7 0.0639 . 4 √
…. Condición optima de la categoría.
: Sobrepaso (°C).
: Tiempo de Asentamiento (Segundos).
: Error en estado estable (°C).

63
Capítulo 6 : Conclusiones

De acuerdo a la hipótesis planteada, se puede concluir en base a los resultados obtenidos, es

posible obtener agua de la humedad ambiental por medio de condensación, regulando la
temperatura de una superficie por debajo de la temperatura de rocío utilizando una celda Peltier.

Los niveles de condensación obtenidos, son muy bajos, debido a que el sistema de la celda
Peltier es un sistema de reducidas dimensiones, el cual tiene utilidad únicamente para pruebas.

Respecto a los controladores utilizados, cabe destacar que cualquiera de ellos tiene la
capacidad de regular la temperatura con variaciones en su desempeño, tales como tiempo de
asentamiento, sobrepaso, error en estado estable y compensación ante perturbaciones.

Considerando el análisis de resultados de los controladores, se puede decir que las mejores
opciones que se apegan más a las condiciones óptimas serían el control fuzzy o el control
neuronal debido al desempeño transitorio y en estado estable.

En relación a la generación de agua, el control neuronal y el control fuzzy, presentan la mayor

tasa de extracción de humedad.

Hablando ahora en términos de la viabilidad de la implementación práctica, el costo es por el

momento alta, debido al escalamiento, además de que se tienen que realizar estudios adicionales
del sistema operando con más de una celda para incrementar el área de condensación,
considerando opciones como el multiplexaje, topologías de celdas multietapa y otras estrategias
de gestión de potencia complementarias a la modulación de ancho de pulso que aprovechen la
naturaleza dinámica de las celdas Peltier.

En cuanto a los productos del trabajo, se ha desarrollado la base para elegir el mejor tipo de
control (fuzzy, pid y neuronal), considerando complejidad, tiempo y economía.

Se ha generado conocimiento principalmente en el desarrollo de controladores neuronales

recurrentes multivariables. Se ha realizado una publicación en un congreso internacional CIMEEM
2011 con una variante del algoritmo del control neuronal desarrollado en este trabajo, lo cual,
incrementa el panorama para seguir estudiando y desarrollando controladores con mayores
capacidades en cuanto a desempeño.

64
Referencias 
Rowe. D. M, Bhandari. C. M. 1983. Modern Thermoelectronics. 1a Ed. Prentice Hall.

Rowe. D. M, 1995. Handbook of Thermoelectrics. 1a Ed. CRC Press.

Lineykin S. Yaakov S. B. Modeling and analysis of thermoelectric modules. IEEE Transactions on

Industry Applications. 2007.

Noriega A., Gomez A., Aguado A., Salas R. Self tuning Neural Controller and its Application to a
Nonlinear System. Research in Computer Science. Vol. 24. Páginas 198-210. 2006

Viljama P. Tuning of multivariable Fuzzy Logic Controller. Tampere University of Technology.

Second IEEE International Conference on Fuzzy Systems. Vol 2. Páginas 697-701.1993.

Martín del Brío B. Sanz Molina A. 2007.Redes Neuronales y Sistemas Borrosos. 3a Ed. Alfaomega

Anderson J.2007. Redes Neurales. 1a Ed. Alfaomega.

Haykin S. 1999. Neural Networks. A Comprehensive Foundation. 2a Ed. Prentice Hall.

Laurene F. 1994.Fundamentals Of Neural Networks. Architectures, Algorithms and Applications. 1a

Ed. Prentice Hall.

Ponce C.P.2010. Inteligencia Artificial con Aplicaciones a la Ingeniería. 1a Ed. Alfaomega.

A. E. Ruano.2008. Intelligent Control Systems using Computational Intelligence Techniques.

Published by The Institution of Engineering and Technology, London U.K.
Control Engineering Series 70.

Navarro R. 2004. Ingeniería de Control Analógico y Digital.1a Ed. Mc Graw Hill.

Ogata. K. 2003. Ingeniería de control moderna. 3 a Ed. Pearson Educación, S.A.

Bolton W. 2001. Ingeniería de Control. 2a Edición. Alfaomega.

Cheng-Ching Yu. 2006. Autotuning of PID Controllers. A Relay Feedback Approach. 2a Ed.
Springer.

65
Cengel. Y. A, Boles M. A. 2008. Termodinámica. 6a Ed. Mc Graw Hill.

Lecture Notes in Computer Science. Advances in Neural Networks.ISNN 2009. 6th International
Symposium on Neural Networks, ISNN 2009. Wuhan, China, May 26-29, 2009.

L. Tsoukalas and R. Uhrig. 1997. Fuzzy an Neural Aproaches in Engineering. John Wiley & Sons.

Aguado Behar A. 2003. Identificación y Control Adaptativo. 1a Ed. Prentice Hall.

Jantzen J. 2007. Foundation of Fuzzy Control. 1a Ed. Wiley.

Cedarena. Situación actual del agua. Recuperado el 10 de diciembre del 2011 de

http://hidrico.sociedadhumana.com/leer.php/154

Eco Water Systems. Commercial Products. 2009. Recuperado el 10 de octubre del 2010, de
http://www.ecowater.com/

Atmospheric water generation. Ecoloblue Inc. 2012. Recuperado el 2 de marzo del 2012, de
http://www.ecoloblue.com/

Fujian Yuxin Electronic Equipment Co. Ltd. Atmospheric water system manufacturer. 2012.
Recuperado el 5 de marzo del 2012 de http://hendrx.manufacturer.globalsources.com

Surfield solar. Air water generators. 1992. Recuperado el 7 de diciembre del 2011 de http://www.sf-
solar.com/cpzs.asp?BigClassName=Air%20Water%20Generator

Generador de agua del aire. Bewater. Recuperado el 2 de febrero del 2012 de http://bewater.mx/

Global environment development. Generadores de agua.2010. Recuperado el 3 de febrero del

2012 de http://www.globalenvironmentdevelopment.com/sp/ComoFunciona.asp

Plantas industriales Triton. Air2waterh2o. 2011. Recuperado el 4 de enero del 2012 de

http://www.air2waterh2o.com/products_tritonseries.html

Thermoelectric cooling assembly. Instruction manual. TE. Technology Inc. 2009. Recuperado el 3
de febrero del 2012 de http://www.tetech.com

66
Enrique Martínez L., Leonel Lira C. Cálculo de la temperatura de punto de rocío a diferentes
valores de presión. Simposio de metrología 2008. CENAM.

Deshumidificador electrónico. PureLine. Recuperado el 12 de marzo del 2012 de

http://www.purline.es/producto.php?cod=43076

Matlab. Mathworks. 2010. Recuperado el 2 de septiembre del 2010 de www.mathworks.com/

67
Anexos

1)  Circuitería del Sistema de la Celda Peltier 

a) Diagrama del Generador de PWM. 

pwm1 pwm1
U1(MCLR/Vpp/THV) C1 U1 LOAD=1.0M
9 21
OSC1/CLKIN RB0/INT
10 22
OSC2/CLKOUT RB1
27p 1 23 pwm2
MCLR/Vpp/THV RB2
24
RB3/PGM
2 25
RA0/AN0 RB4
3 26
RA1/AN1 RB5
4 27
RA2/AN2/VREF- RB6/PGC
5 28
RA3/AN3/VREF+ RB7/PGD
X1 6
RA4/T0CKI
CRYSTAL 7 11
RA5/AN4/SS RC0/T1OSO/T1CKI
FREQ=4MHz 12
RC1/T1OSI/CCP2
13 pwm2
RC2/CCP1
14
RC3/SCK/SCL
15
RC4/SDI/SDA
16
RC5/SDO
17
C2 RC6/TX/CK
18
RC7/RX/DT
PIC16F873
27p DBG_RANDOM_PMEM=0
Daq NIusb 6008 Control Cara Fría

Daq NIusb 6008 Control Ventilador

b) Código de programación del Microcontrolador PIC16f873  para el 
Generador de PWM . 

#include <16F873a.h>
#device adc=8
#FUSES NOWDT
#FUSES XT
#FUSES PUT
#FUSES NOPROTECT
#FUSES NOWRT
#use delay(clock=4000000)
#byte portb=0x06
int celda,ventilador;

void main()
{

68
set_tris_b(0x00);
set_tris_c(0x00);
setup_adc_ports(AN0_AN1_AN3);
setup_adc(ADC_CLOCK_INTERNAL);
setup_spi(FALSE);
setup_timer_0(RTCC_INTERNAL|RTCC_DIV_2);

setup_timer_0(RTCC_INTERNAL|RTCC_DIV_1);
setup_timer_1(T1_DISABLED);
setup_timer_2(T2_DIV_BY_16,80,1);
setup_ccp1(CCP_PWM);
setup_ccp2(CCP_PWM);
set_adc_channel (0);

while(true)
{
set_adc_channel(0);
delay_ms(10);
celda=read_adc();
portb=celda;
set_pwm1_duty (celda);

set_adc_channel (1);
delay_ms(10);
ventilador=read_adc();
set_pwm2_duty (ventilador);
portb=251;
delay_ms(10);
portb=0;
delay_ms(10);
}

69
 c) Interface de Potencia 

La interface de potencia, está basada en dos relevadores de estado sólido de la

marca Crydom, modelos D1D40.

70
 d) Acondicionador de señal de sensores de Temperatura y Humedad 
Relativa. 

+5VCD
4 U1A
Entrada sensor de Temperatura 3
Salida sensor de Temperatura
Cara Fría C1 1
R1 Cara Fría
2

75Ω LM324AD
1µF 11

GND

4 U2A
Entrada sensor de Temperatura 3
Cara Caliente
1 Salida sensor de Temperatura
C2 R2 2 Cara Caliente

75Ω
11 LM324AD
1µF

4 U3A
Entrada sensor de Temperatura 3

Ambiente 1 Salida sensor de Temperatura

C3 R3 2 Ambiente

75Ω
11 LM324AD
1µF

4 U4A
Entrada sensor de 3

Humedad Relativa 1 Salida sensor de

2 Humedad Relativa
C4
11 LM324AD

1µF

e) Fuente de Alimentación 

U1
LM7805CT Salida +5 VCD
Entrada 7.5 a 18 VCD LINE VREG
VOLTAGE
COMMON

C1 C2
2000µF 0.1µF

71
2) Código de Programación de Control Neuronal en LabView 8.2 

La Interface Grafica del Control Neuronal se muestra a Continuación:

72
El código completo asociado a la interface grafica es el siguiente:

73
…Continuación

74
3) Código de Programación de Control Fuzzy en LabView 8.2 

La Interface Grafica del Control Neuronal se muestra a Continuación:

El código asociado a la Interface grafica se muestra a continuación:

75
4) Código de Programación de Control PID en LabView 8.2 

La interface Grafica del Control PID se muestra a Continuación:

El código asociado a la interface se muestra a continuación:

76