Caraterización de un sensor inductivo

Billy Matthe Melo Zambrano

Medidas e instrumentalización
Universidad Tecnológica de Pereira
Pereira, Colombia
billy.melo@utp.edu.co

Resumen— Con un simulador ejecutable de un sensor TABLA I

VALORES MEDIDOS EN SIMULACIÓN
inductivo se toman datos, para caracterizarlo, a estos
datos se les aplica diferentes modelos de regresión, para
escoger el modelo que mejor se adapte a dichos datos.

Palabra clave— inductivo, rango, datos, transformador.

I. INTRODUCCIÓN
Los sensores inductivos de velocidad y posición tienen una
gran variedad de formas, tamaños y diseños. Todos los
sensores inductivos funcionan según los principios de
transformador y utilizan un fenómeno físico que se basa en
alternar las corrientes eléctricas.
Estos sensores incluyen interruptores de proximidad,
sensores de inductancia variable, sensores de resistencia
variable, sincronizadores, re solucionadores, transformadores
diferenciales de variación rotativa o lineal (RVDT y LVDT),
y codificadores inductivos de nueva generación (a veces
denominados incoders).
Val. Inductor [mH] vs Distancia [m]
41.500.000
II. PLANTEAMIENTO DEL EJERCICIO
41.000.000
En la fábrica de chocolates se tiene una banda transportadora
para mover las cajas desde el cuarto de producción hasta la 40.500.000
bodega. Esta banda transportadora tiene una longitud de 25
metros y se dispone un sensor capacitivo y uno inductivo tal 40.000.000
como se ve en la fig.1 Tanto el sensor capacitivo como el
sensor inductivo se pueden modelar como una reactancia con 39.500.000
una resistencia en serie de 100Ω. Recuerde que se encuentra 0 5 10 15 20 25 30
en un ambiente industrial, por lo tanto, las medidas pueden Fig. 2. Comportamiento del sensor inductivo
contener ruido.

IV. AJUSTE DE DATOS CON REGRESIÓN LINEAL

Para obtener un modelo matemático que se ajuste a los datos

Fig. 1. Banda transportadora
III. DESARROLLO DEL EJERCICIO
Se toma los datos del sensor inductivo propuesto, el cual fue
enviado como un ejecutable para en el modificar la distancia,
entregando entonces el valor del inductor. Se realizaron 4
tomas de datos con distancias que varían de 1 a 25
metros saltando de 1 en 1, compilando estos datos en
tablas para posterior mente graficarlas como se
muestran a continuación.
con regresión lineal mediante mínimos cuadrados, se tiene
dos opciones, la primera es observar la gráfica del
comportamiento del sensor inductivo, Fig. 2 y tratar de
identificar cual es el comportamiento de dicho inductor, se
podría decir en este caso que se trata de un comportamiento
polinomial, esta es la apreciación que se alcanza a observar,
entonces se podría aplicar una regresión lineal con el modelo
mencionado anteriormente.
La otra opción es realizar varios modelos y ver cual de estos
se ajusta mejor a los datos. Esta es la opción que usaré para
así estar seguro de que estaré aplicando el mejor modelo para
estos datos. La regresión lineal se realiza en el software
Matlab R2020a, una vez escoja cual es el modelo que mejor
se ajusta a los datos, se anexará entonces el código con el cuál
se realizo dicha operación; para las diferentes regresiones
lineales sólo se anexan, en el momento de la selección, las
gráficas, ecuaciones, coeficientes, Erms. Este último dato
será importante para poder comparar el mejor ajuste de los
datos.

Se realizan tres regresiones lineales como se ve a

continuación:
Fig. 5. Regresión lineal modelo exponencial de dos términos.

Primero aplicaré un modelo polinomial de grado 4 ya que no

La ecuación y coeficientes para este modelo serán:
se desea que la ecuación del modelo sea demasiado extensa,
este modelo polinomial podría tener un mejor ajuste si el
grado es mayor, pero su ecuación resultante también
extendería demasiado.

Fig.6. Ecuación del modelo exponencial con dos términos y valor de los
coeficientes.

Para calcular el error medio cuadrático del modelo, se hace

Fig. 3. Regresión lineal modelo polinomial de 4to grado.
La ecuación y coeficientes para este modelo serán:
uso de la ecuación (3) en donde de consideran las diferencias
de los valores actuales de salida con el valor de salida
pronosticado.
El error obtenido para el modelo exponencial con dos
términos es:

𝐸𝑟𝑚𝑠 = 4.934𝐸 + 04

Por ultimo se aplican a los datos el modelo de Fourier con un

término.

Fig.4. Ecuación del modelo polinomial de 4to grado y valor de los

coeficientes.

Para calcular el error medio cuadrático del modelo, se hace

uso de la ecuación (3) en donde de consideran las diferencias
de los valores actuales de salida con el valor de salida
pronosticado
1
𝐸𝑟𝑚𝑠 = √ ∑𝑁 ̃ⅈ)2 (3)
𝑖=1(𝑦𝑖 − 𝑦
𝑁
Fig. 7. Regresión lineal modelo Fourier con un término.
El error obtenido para el modelo polinomial de 4to grado es:

𝐸𝑟𝑚𝑠 = 5.288𝐸 + 4 La ecuación y coeficientes para este modelo serán:

Ahora se aplica a los datos el modelo exponencial con dos

términos para que tenga un mejor ajuste en comparación con
el modelo exponencial de un solo término.
Fig.8. Ecuación del modelo Fourier con un término y valor de los
coeficientes.
Para calcular el error medio cuadrático del modelo, se hace
uso de la ecuación (3) en donde de consideran las diferencias
de los valores actuales de salida con el valor de salida
pronosticado.
El error obtenido para el modelo exponencial con dos
términos es:
𝐸𝑟𝑚𝑠 = 8.126𝐸 + 04
V. ELECCIÓN DEL MODELO QUE MEJOR SE AJUSTA A LOS
DATOS
Como el RMSE mide la cantidad de error que hay entre dos
conjuntos de datos. En otras palabras, compara un valor
predicho y un valor observado o conocido. utilizamos RMSE
en una variedad de aplicaciones cuando comparamos dos
conjuntos de datos. Cuanto más pequeño es un valor RMSE,
más cercanos son los valores predichos y observados.
Los resultados de las pruebas son:
Para el modelo polinomial de 4to grado:
𝐸𝑟𝑚𝑠 = 5.288𝐸 + 4
Para el modelo Exponencial con dos términos:
𝐸𝑟𝑚𝑠 = 4.934𝐸 + 04
Para el modelo de Fourier con un término:
𝐸𝑟𝑚𝑠 = 8.126𝐸 + 04
Como se puede observar el modelo que mejor se ajusta a los
datos es el modelo exponencial con dos términos, ya que tiene
un Erms más bajo que los otros modelos aplicados.
El código usado en Matlab para la implementación del
modelo exponencial de dos términos se realiza con el
siguiente código, en el que las variables “Val_inductor_mH”
y “Distancia” se declararon por separado en el “Comand
Windon”
%% Ajuste: 'Regresión Lineal 2'.
[xData, yData] = prepareCurveData(
Distancia, Val_inductor_mH );
% Configuración del tipo de ajuste y sus
opciones.
ft = fittype( 'exp2' );
opts = fitoptions( 'Method',
'NonlinearLeastSquares' );
opts.Display = 'Off';
opts.StartPoint = [41161496.2851055
0.000109463455487116 -1178894.04725005 -
0.142653622762893];
% Ajustando el modelo a los datos.
[fitresult, gof] = fit( xData, yData,
ft, opts );
% Plot fit con data.
figure( 'Name', 'Regresión Lineal 2' );
h = plot( fitresult, xData, yData );
legend( h, 'Val_inductor_mH vs.
Distancia', 'Regresión Lineal 2',
'Location', 'NorthEast', 'Interpreter',
'none' );
% Etiquetas de los ejes
xlabel( 'Distancia', 'Interpreter',
'none' );
ylabel( 'Val_inductor_mH',
'Interpreter', 'none' );
grid on
VI. CONCLUSIONES
Con respecto a los datos tomados, se puede observar que a
mayor distancia el valor del inductor aumenta, no de una
forma lineal, si no que como lo planteamos, de una manera
exponencial, pero estos datos a medida que aumentemos la
distancia tienden a estabilizarse hasta que podría estar
llegando a una zona de saturación donde si se aumenta la
distancia medida por el sensor, este ya no será capaz de
medirla con efectividad, llegando entonces a su límite de
alcance.
Con respecto a los modelos aplicados se puede ver que el
modelo polinomial de 4to grado se ajusta muy bien a los
datos, pero fue superado no por mucho por el modelo
exponencial con dos términos, si se ajusta el modelo
polinomial a un grado más alto se podría reducir su Erms pero
tendíamos una ecuación mas extensa, ya que sus coeficientes
aumentarían, haciendo un poco tedioso trabajar con un
ecuación muy extensa.
Con respecto al error medio cuadrático (𝐸𝑟𝑚𝑠 ) La métrica
más comúnmente utilizada para las tareas de regresión y
representa a la raíz cuadrada de la distancia cuadrada
promedio entre el valor real y el valor pronosticado, Indica el
ajuste absoluto del modelo a los datos, cuán cerca están los
puntos de datos observados de los valores predichos del
modelo. Siendo entonces una medida absoluta de ajuste. Los
valores más bajos de Erms indican un mejor ajuste, por lo
tanto, ya que el error más bajo entre los modelos fue de
𝐸𝑟𝑚𝑠 = 4.934𝐸 + 04 se puede decir que el ajuste del
modelo es adecuado para los datos.
El error medio cuadrático se puede reducir al hacer más toma
de muestras, la mayor muestra de tomas que se le puedan
hacer al modelo hará que el error sea más pequeño y así los
valores tomados sean más ajustados a los valores verdaderos.
 REFERENCIAS

[1] F.Pachuca, “¿Qué es el error cuadrático medio RMSE?”,2020. Página

web, disponible en: https://acolita.com/que-es-el-error-cuadratico-
medio-rmse
[2] MathWorks, “Curve Fitting Toolbox”,2020. Página web, disponible
en: https://es.mathworks.com/products/curvefitting.html
[3] MathWorks, “Regresión lineal”,2020. Página web, disponible en:
https://es.mathworks.com/help/matlab/data_analysis/linear-
regression.html
[4] Varsity Tutors, “Regresión exponencial”,2007. Página web, disponible
en:
https://www.varsitytutors.com/hotmath/hotmath_help/spanish/topics/e
xponential-regression