Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Fig.6. Ecuación del modelo exponencial con dos términos y valor de los
coeficientes.
𝐸𝑟𝑚𝑠 = 4.934𝐸 + 04
VI. CONCLUSIONES
Como el RMSE mide la cantidad de error que hay entre dos
conjuntos de datos. En otras palabras, compara un valor Con respecto a los datos tomados, se puede observar que a
predicho y un valor observado o conocido. utilizamos RMSE mayor distancia el valor del inductor aumenta, no de una
en una variedad de aplicaciones cuando comparamos dos forma lineal, si no que como lo planteamos, de una manera
conjuntos de datos. Cuanto más pequeño es un valor RMSE, exponencial, pero estos datos a medida que aumentemos la
más cercanos son los valores predichos y observados. distancia tienden a estabilizarse hasta que podría estar
llegando a una zona de saturación donde si se aumenta la
Los resultados de las pruebas son: distancia medida por el sensor, este ya no será capaz de
medirla con efectividad, llegando entonces a su límite de
Para el modelo polinomial de 4to grado: alcance.
𝐸𝑟𝑚𝑠 = 5.288𝐸 + 4
Para el modelo Exponencial con dos términos: Con respecto a los modelos aplicados se puede ver que el
𝐸𝑟𝑚𝑠 = 4.934𝐸 + 04 modelo polinomial de 4to grado se ajusta muy bien a los
Para el modelo de Fourier con un término: datos, pero fue superado no por mucho por el modelo
𝐸𝑟𝑚𝑠 = 8.126𝐸 + 04 exponencial con dos términos, si se ajusta el modelo
polinomial a un grado más alto se podría reducir su Erms pero
Como se puede observar el modelo que mejor se ajusta a los tendíamos una ecuación mas extensa, ya que sus coeficientes
datos es el modelo exponencial con dos términos, ya que tiene aumentarían, haciendo un poco tedioso trabajar con un
un Erms más bajo que los otros modelos aplicados. ecuación muy extensa.
El código usado en Matlab para la implementación del Con respecto al error medio cuadrático (𝐸𝑟𝑚𝑠 ) La métrica
modelo exponencial de dos términos se realiza con el más comúnmente utilizada para las tareas de regresión y
siguiente código, en el que las variables “Val_inductor_mH” representa a la raíz cuadrada de la distancia cuadrada
y “Distancia” se declararon por separado en el “Comand promedio entre el valor real y el valor pronosticado, Indica el
Windon” ajuste absoluto del modelo a los datos, cuán cerca están los
puntos de datos observados de los valores predichos del
%% Ajuste: 'Regresión Lineal 2'. modelo. Siendo entonces una medida absoluta de ajuste. Los
[xData, yData] = prepareCurveData( valores más bajos de Erms indican un mejor ajuste, por lo
Distancia, Val_inductor_mH ); tanto, ya que el error más bajo entre los modelos fue de
𝐸𝑟𝑚𝑠 = 4.934𝐸 + 04 se puede decir que el ajuste del
% Configuración del tipo de ajuste y sus modelo es adecuado para los datos.
opciones.
ft = fittype( 'exp2' ); El error medio cuadrático se puede reducir al hacer más toma
opts = fitoptions( 'Method', de muestras, la mayor muestra de tomas que se le puedan
'NonlinearLeastSquares' ); hacer al modelo hará que el error sea más pequeño y así los
opts.Display = 'Off'; valores tomados sean más ajustados a los valores verdaderos.
opts.StartPoint = [41161496.2851055
0.000109463455487116 -1178894.04725005 -
0.142653622762893];