PORTAFOLIO DE SENSÓRICA

CARACTERIZACIÓN DE SENSORES DE REACTANCIA VARIABLE

SENSOR CAPACITIVO
Medidas e instrumentación
Grupo 02
Nathalie Caro Ramírez
Ingeniería Eléctrica, Universidad tecnológica de Pereira, Colombia
Correo: nathalie.caro1@utp.edu.co

Introducción -A continuación, con un 100Ω. Recuerde que se encuentra en un

simulador ejecutable de un sensor ambiente industrial, por lo tanto, las
capacitivo encargado de medir la medidas pueden contener ruido.
distancia sobre una banda transportadora
de una fábrica de chocolates, se
recolectan los datos para realizar su
respectiva caracterización aplicando
diferentes modelos matemáticos debido a
que la mayoría de los sensores
capacitivos son altamente no lineales.
Para determinar el modelo matemático
que más se adapta se procede a calcular la
raíz del error medio cuadrático. Figura 1. Banda transportadora.

Palabras clave-datos, modelo I.2. Recolección de datos.

matemático, sensor capacitivo, RMSE.
Para la recolección de datos se usó un
I. PROCEDIMIENTO. simulador ejecutable como se puede
observar en la figura 2. Se realizaron
I.1. Planteamiento del problema. mediciones de cada unidad de metro hasta
La fábrica de chocolates tiene una banda los 25 m repitiendo 4 veces cada
transportadora para mover las cajas desde medición con el fin de obtener los datos
el cuarto de producción hasta la bodega. de distancia y capacitancia para la
Esta banda transportadora tiene una caracterización.
longitud de 25 metros y se dispone
un sensor capacitivo y uno inductivo tal
como se ve en la figura 1.
Tanto el sensor capacitivo como el sensor
inductivo se pueden modelar como una
reactancia con una resistencia en serie de
 12 35,409
13 34,6494
13 36,3294
13 36,6094
13 34,4494
14 36,5505
14 38,2305
14 37,3505
14 38,9505
15 37,6805
Figura 2. Simulador ejecutable. 15 38,0405
Tabla 1. Datos del simulador 15 36,9205
15 37,5605
Distancia(m) Capacitancia (uF) 16 40,0858
1 12,16 16 36,6458
1 12,12 16 40,1258
1 8,7199 16 36,3658
1 9,64 17 37,7321
2 16,4114 17 37,5321
2 17,7714 17 37,6521
2 17,0514 17 40,2521
2 18,7714 18 40,7031
18 39,4637
3 21,1461
18 40,7037
3 20,2261
18 40,3837
3 19,8661
19 39,0443
3 22,7461
19 38,5643
4 22,4629
19 38,4043
4 25,6629
19 39,8443
4 23,1829
4 22,5429 20 38,8373
20 39,3173
5 25,5343
5 25,3343 20 40,0773
5 25,4943 20 41,3973
5 28,2543 21 41,7652
6 27,0375 21 39,4852
6 27,9175
21 41,4052
6 29,8375
6 30,0775 21 40,0452
7 31,1391
22 41,5904
7 29,0591
7 31,3791 22 42,2704
7 30,9791 22 42,9504
8 31,4344 22 39,7904
8 32,1944
23 43,0749
8 32,9944
8 32,8344 23 43,3149
9 31,0922 23 42,3549
9 31,0922
23 40,2349
9 33,8122
9 31,4522 24 41,2605
10 32,1458 24 44,0205
10 32,3058
10 32,5458 24 42,1805
10 32,9058 24 43,1005
11 34,8989
11 34,5389 25 40,7887
11 32,9389 25 41,2675
11 36,4589 25 44,6687
12 36,289 25 44,3087
12 34,929
12 35,649
 -La segunda opción es realizar varios
modelos y ver cuál de estos se ajusta
mejor a los datos.
Para obtener una caracterización más
precisa se implementa la segunda opción
utilizando MATLAB para realizar los
modelos matemáticos y el cálculo del
error medio cuadrático.

Figura 3. Gráfica de los datos del sensor.

Figura 5. Gráfica en MATLAB de los modelos

matemáticos

Figura 4. Gráfica en MATLAB de los datos del Mediante la raíz del error medio
sensor.
cuadrático o RMSE se determinó el
modelo que representa mejor los datos.
I.3. Modelos matemáticos.
n
Para obtener un modelo matemático que
se ajuste a los datos obtenidos con
regresión lineal mediante mínimos
cuadrados, se tienen dos opciones:
- La primera opción es observar la gráfica
RMSE=
√ ∑ (Pi−Oi)2
i=1
n
Resultados del error medio cuadrático
calculado en MATLAB:
del comportamiento del sensor capacitivo,
Fig. 3 y tratar de identificar cual es el RMSE exponencial 4.3886*10^-6
RMSE lineal 3.3128*10^-6
comportamiento de dicho capacitor. A
RMSE polinomial 1.2641*10^-6
simple vista se percibe que la gráfica
presenta un comportamiento polinomial,
tras realizar esta deducción se procede a Ecuación del modelo polinomial , el cual es el
aplicar su respectiva regresión lineal. que más se ajusta alos datos obtenidos:
C=0.01983+0.0374 x 2−0.5223 x 3−3.227 10−4 x 4
[F]
Código de MATLAB de los modelos matemáticos.
% X distancia metros (m)
x= [1 1 1 1 2 2 2 2 3 3 3 3 4 4 4 4 5 5 5 5 6 6 6 6 7 7 7 7 8 8 8
8 9 9 9 9 10 10 10 10 11 11 11 11 12 12 12 12 13 13 13 13 14 14 14
14 15 15 15 15 16 16 16 16 17 17 17 17 18 18 18 18 19 19 19 19 20
20 20 20 21 21 21 21 22 22 22 22 23 23 23 23 24 24 24 24 25 25 25
25];
% Y datos de capacitancia microfaradios (uF)
y= [12.16 12.12 8.7199 9.64 16.4114 17.7714 17.0514 18.7714
21.1461 20.2261 19.8661 22.7461 22.4629 25.6629 23.1829 22.5429
25.5343 25.3343 25.4943 28.2543 27.0375 27.9175 29.8375 30.0775
31.1391 29.0591 31.3791 30.9791 31.4344 32.1944 32.9944 32.8344
31.0922 31.0922 33.8122 31.4522 32.1458 32.3058 32.5458 32.9058
34.8989 34.5389 32.9389 36.4589 36.289 34.929 35.649 35.409
34.6494 36.3294 36.6094 34.4494 36.5505 38.2305 37.3505 38.9505
37.6805 38.0405 36.9205 37.5605 40.0858 36.6458 40.1258 36.3658
37.7321 37.5321 37.6521 40.2521 40.7031 39.4637 40.7037 40.3837
39.0443 38.5643 38.4043 39.8443 38.8373 39.3173 40.0773 41.3973
41.7652 39.4852 41.4052 40.0452 41.5904 42.2704 42.9504 39.7904
43.0749 43.3149 42.3549 40.2349 41.2605 44.0205 42.1805 43.1005
40.7887 41.2675 44.6687 44.3087];
plot(x,y,'blue','DisplayName','Datos obtenidos') % Grafica de
datos obtenidos
hold on
x=x' % Matriz transpuesta
y=y' % Matriz transpuesta
%Modelo lineal
X= [x, ones(100,1)]; % Concatenacion de matriz x con matriz de
unos
t=(X'*X)\(X'*y); % pseudoinversa para encontrar matriz solucion
a0= t(1);
a1= t(2);
Y=a0*x+a1 ;
plot(x,Y,'red','DisplayName','Modelo Lineal') % Modelo lineal
lgd= legend;
mseLineal=0;
for i=1:100
mseLineal= mseLineal+(y(i)-Y(i))^2 % Error cuadratico medio
end
rmseLineal=(1/100*mseLineal)^(1/2);
%Modelo Polinomial
X= [ones(100,1),x,x.^2,x.^3,x.^4];
t=(X'*X)\(X'*y);
a0= t(1);
a1= t(2);
a2= t(3);
a3= t(4);
a4= t(5);
Y=a0+a1*x+a2*x.^2+a3*x.^3+a4*x.^4 ;
plot(x,Y,'green','DisplayName','Modelo Polinomial') % Modelo
Polinomial de orden 4
msePolinomial=0;
for i=1:100
msePolinomial= msePolinomial+(y(i)-Y(i))^2 % Error cuadratico
medio
end
rmsePolinomial=(1/100*msePolinomial)^(1/2);
% Modelo exponecial
ye=log(y)
X= [ones(100,1),x];
t=(X'*X)\(X'*ye);
a0= exp(t(1));
a1= t(2);
Y=double(a0*exp(a1*x)) ;
plot(x,Y,'black','DisplayName',' Modelo Exponecial') % Grafica
modelo exponencial
mseExponencial=0;
for i=1:100
mseExponencial= mseExponencial+(y(i)-Y(i))^2; % Error cuadratico
medio
end
rmseExponencial=(1/100*mseExponencial)^(1/2);
hold off
if rmseLineal<rmsePolinomial && rmseLineal<rmseExponencial
%Comparacion de RMSE para determinar mejor opcion
msg=['Modelo lineal representa mejor los datos']
elseif rmsePolinomial<rmseLineal && rmsePolinomial<rmseExponencial
msg=['Modelo polinomial representa mejor los datos']
else rmseExponencial<rmseLineal && rmseExponencial<rmsePolinomial
msg=['Modelo Exponecial representa mejor los datos']
end
I.4. Programa para conocer la
distancia.

Los sensores capacitivos presentan una

situación particular, estos deben ser
alimentados con una señal alterna de
excitación. Como se prefiere una
capacidad menor a 100 pF, la frecuencia
oscilará entre 10 kHz y 100 MHz.

Figura 6. Gráfica voltaje de salida parte real e

imaginaria.

Los circuitos de acondicionamiento

dependerán de si el sensor es simple o
diferencial.
Se creó un programa en MATLAB que
nos permite obtener el comportamiento
del voltaje como número complejo y la
magnitud en función de la distancia.

En el programa se le solicita al usuario

ingresar el valor de voltaje medido :
% Distancia según voltaje medido Figura 7. Gráfica voltaje de salida y distancia.
clc; En la gráfica de la figura 7 se puede
syms Vm; %Variable simbólica para el observar que para la distancia de 1m el
voltaje medido Vout
voltaje de salida es 0 y para 25m el
Vm=input('ingrese el Voltaje medido
en unidad de Voltios Vm='); %se voltaje de salida es de 5 voltios.
solicita al usuario el voltaje
medido

Tras pedirle al usuario que ingrese el

valor de voltaje de salida mediante un
ciclo for se determina la distancia y se le
brinda este valor al usuario.
Figura 8. Gráfica regresión polinomial voltaje
salida y distancia.
Código
clc;
d=1:0.25:25; %Vector de Distancia
d=d';
a0= 0.01983; %Constantes modelo polinomial
a1=0.0374;
a2= -0.5222;
a3=-0.223;
a4= -3.227e-4;
c=a0+(a1*d)+(a2*d.^2)+(a3.*d.^3)+(a4.*d.^4); %Modelo polinomial del sensor capacitivo
c=double(c'); %Transpuesta de c
Vab=(Real.^2+Imag.^2).^(1/2); %Magnitud de Vout complejo
Fase=zeros(1,97,'uint32'); %Matriz de ceros para matriz de Angulo de fase
Fase=double(Fase');
for i=1:97 %calculo de fase para cada numero complejo
Fase(i)=atand(Real(i))/Imag(i);
end
Fase=-90-Fase; % Angulo de fase con referencia oº
figure(1) %Grafica 1 de numero complejo
hold on
xlabel('Real');ylabel('Imaginario');
plot(Real,Imag)
figure(2) %Figura 2 Distancia vs Vout
hold on
xlabel('Distancia');ylabel('Vout');
plot(d,Vout)
%regresion polinomial con el fin de obtener el comportamiento de Vm según
%la distancia
x=d;
y=Vout;
X= [ones(97,1),x,x.^2,x.^3,x.^4,x.^5]; %matriz X
t=(X'*X)\(X'*y); %Pseudoinversa
a0= t(1); %Constantes modelo polinomial
a1= t(2);
a2= t(3);
a3= t(4);
a4= t(5);
a5= t(6);
Y=a0+a1*x+a2*x.^2+a3*x.^3+a4*x.^4+a5*x.^5; % Modelo polinomial Grado 5
figure(3) %Figura 3 Distancia vs Vout Regresión
hold on
xlabel('Distancia');ylabel('Vout');
plot(x,Y)
% Distancia según voltaje medido
clc;
syms Vm; %Variable simbólica para el voltaje medido Vout
Vm=input('ingrese el Voltaje medido en unidad de Voltios Vm='); %se solicita al usuario
el voltaje medido
p= [a5 a4 a3 a2 a1 (a0-Vm)]; %polinomio que relaciona Vm con la Distancia
D=roots(p); %raíces del polinomio
distancia=0;
for i=1:5 % Descartamos valores incorrectos para encontrar el valor real de distancia
z=D(i);
z=imag(z);
if z==0
distancia=real(D(i)); %Se toma la parte real del número complejo que representa la
distancia
end
end
fprintf('La Distancia en metros es %f\n',distancia) % se informa a el usuario el valor de
distancia según Vm
El error medio cuadrático se puede
II. CONCLUSIONES. reducir al hacer más toma de muestras, la
mayor muestra de tomas que se le
De la recolección de datos se puede puedan hacer al modelo hará que el error
observar que a mayor distancia el valor sea más pequeño y así los valores
del capacitor aumenta, no de una forma tomados sean más ajustados a los valores
lineal, si no que como lo planteamos, de verdaderos.
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 III. BIBLIOGRAFÍA.
donde si se aumenta la distancia medida
por el sensor, este ya no será capaz de [1] F.Pachuca, “¿Qué es el error
medirla con efectividad, llegando cuadrático medio RMSE?”,2020. Página
entonces a su límite de alcance. web, disponible en:
Al realizar los modelos matemáticos y https://acolita.com/que-es-el
encontrar la ecuación característica , se errorcuadratico-medio-rmse
esperaba que una regresión polinomial
representara mejor los datos debido al [2]MathWorks, “Curve Fitting
comportamiento de estos, para comprobar Toolbox”,2020. Página web, disponible
esta hipótesis se hizo mediante el criterio en:
del RMSE, donde se pudo evidenciar que https://es.mathworks.com/products/curvef
la mejor opción era la polinomial de itting.html
orden 4 como se indica en la figura 5 ,
obteniendo un RMSE de tan solo
1.2641e-06.