Está en la página 1de 9

Tarea 1.

Estimación Óptima Sin Sesgo


Byron Hernández, Germán A Holguín
Maestría en Ingeniería Mecánica
Grupo de Investigación den Gestión de Sistemas
Universidad Técnológica de Pereira

Resumen

En la primera tarea del curso, diseñaremos un sistema de medida para estimar


una variable en un proceso. Se ubicarán algunos sensores de forma estratégica y se
utilizará fusión de datos para obtener la mejor estimación posible. Se debe tener
en cuenta toda la información disponible y los diferentes niveles de confianza de
cada una de las fuentes de datos. Cuando nuevos datos están disponibles, se revisa y
mejora el consenso de la medida. Esto es un ejemplo de fusión de datos, razonamiento
monotónico y filtrado recursivo.

1. Enunciado

Te [C] Para fabricar el famoso producto loquesea,


industrias ACME debe realizar un proceso
500 de cocido de materia prima con el perfil de
temperatura mostrado en la figura 1, donde
400 Te es la temperatura interna de un horno en
grados centígrados [C], y t es el tiempo en
300
minutos [min].
200 En esta ocasión, se puede asumir que ya exis-
te un sistema de control que obliga al horno
100
a comportarse de la manera descrita, con al-
t [min] guna varianza de proceso conocida. Además,
10 30 50 70 90 en el horno se han ubicado tres sensores: una
NTC, un RTD, y un termopar. Los pará-
Figura 1: Perfil de Temperatura. metros y/o características de dichos sensores
también son conocidos.
Simule completamente la operación del horno y de los sensores. Luego, implemente
un sistema de estimación para el valor más probable de la temperatura interior en
Tarea 1. Sistemas de Medición. MIM UTP Página 2 de 9

el horno, dada las lecturas de los sensores. Estime además el respectivo intervalo de
incertidumbre de la medida. El sistema debe permitir utilizar toda la información
disponible de los sensores, teniendo en cuenta sus respectivas incertidumbres y el
conocimiento del comportamiento del horno. La estimación debe ser óptima, por lo
menos en el sentido de mínimos cuadrados, y libre de sesgos.

2. Solución Propuesta
A continuación proponemos una metodología de solución lineal basada en el filtro
de Kalman. Nota: Otras metodologías de solución (BBN, DS, EKF, PF, etc) son
aceptables únicamente con la debida sustentación y demostración.
Se sugiere además utilizar GNU Octave© para implementar la solución propuesta.
Si se utiliza Matlab® , favor indicarlo en el reporte. Nota: Otros lenguajes como
Python™ , LabVIEW™ , C/C++ son bienvenidos y permitidos, sin embargo, no se
hará referencia a ellos en clase y el soporte técnico será limitado.
En una simulación, el concepto de tiempo es muy importante. En este caso, el proceso
tiene variaciones importantes en el orden de los minutos, por lo tanto, una opción
razonable es realizar la simulación en el orden de los segundos. Por simplicidad,
simule inicialmente sólo los primeros 10 minutos. Luego generalice para el resto del
proceso.

2.1. Simular el Hardware


Escriba funciones para simular cada uno de los tres sensores con su respectivo acon-
dicionamiento de señal. Cada sensor tiene modelos matemáticos, intervalos de incer-
tidumbre, y constantes de tiempo diferentes. Cada sensor genera valores atípicos y
atípicos extremos con distribuciones de probabilidad conocidas.

Sugerencia 1: Seleccione marca, modelo y referencia, para cada uno de los sensores
y utilice los parámetros y características en hoja de datos para la simulación.
Sugerencia 2: El ruido asociado a cada sensor debe ser blanco gausiano y i.i.d.
(independent and identically distributed).
Sugerencia 3: Los datos atípicos son aquellos con desviaciones estándar por encima
de cierto umbral determinado.
Tarea 1. Sistemas de Medición. MIM UTP Página 3 de 9

2.1.1. Resistance Temperature Detector, RTD.

Un RTD es un material resistivo cuyo valor de resistencia cambia con la temperatura.


En general, la relación característica entre temperatura y resistencia en los materiales
conductores viene dada por

R = Ro 1 + αT + βT 2 + γT 3 + . . .


Una especialización de esta ecuación genérica está dada por las ecuaciones de Callendar-
Van Dussen
R = Ro 1 + AT + BT 2 + CT 3 (T − 100)


Sin embargo, para rangos de temperatura entre [−200, +800] una aproximación lineal
es suficiente si se acepta un rango de incertidumbre típico del 3 %.

R = Ro (1 + α (T − To ))

Donde (Ro , To ) es una correspondencia de referencia donde el valor de resistencia Ro


es conocido para la temperatura To .
La figura 2 muestra la construcción típica de un RTD. La bobina de platino hace
que la masa del sensor no sea despreciable. Sea Ti la temperatura del platino y Te la
temperatura del medio que rodea el sensor.

Te

Ti

Figura 2: Construcción interna de un RTD.

La temperatura interna del RTD es entonces Ti = T − To , donde convenientemente


se elije To = 0C, y por tanto αRo = β. Luego,

RT = Ro + βTi
Tarea 1. Sistemas de Medición. MIM UTP Página 4 de 9

De la ley de calentamiento/enfriamiento de Newton, la temperatura de un cuerpo


cambia de manera proporcional a la diferencia que hay entre la temperatura del
cuerpo Ti y del medio que lo rodea Te . Por tanto:
∂Ti 1
= Kc (Te − Ti ) ∀Kc > 0, Kc ≈
∂t τ

Aqui τ es la constante de tiempo de un sistema de orden uno.


El modelo del RTD se puede reescribir entonces como
Kc
Ṫi = Kc Te − (RT − Ro )
β

De la definición de derivada, se puede decir que


Ti [k + 1] − Ti [k]
Ṫi ≈
∆t

Y por tanto,
Ti [k + 1] = (1 − Kc ∆t) Ti [k] + Kc ∆tTe [k]

Asumiendo que la temperatura exterior es constante durante el pequeño intervalo de


tiempo ∆t, esta ecuación puede escribirse de nuevo en forma de modelo dinámico de
espacio de estados
    
Ti [k + 1] (1 − Kc ∆t) Kc ∆t Ti [k]
=
Te [k + 1] 0 1 Te [k]

Cuya ecuación de medida esta dada por


1
Ti [k] = (RT [k] − Ro )
β

2.1.2. Negative Temperature Coefficient, NTC

Las NTC son materiales semiconductores resistivos cuyo cambio de resistencia con
respecto a la temperatura tiene pendiente negativa.
Tarea 1. Sistemas de Medición. MIM UTP Página 5 de 9

Algunos modelos, como por ejemplo la NTC H650, pueden leer temperaturas entre
[−40, +650] C con incertidumbres del orden del 0.1 %.
Las ecuaciones de Steinhart-Hart han sido utilizadas y estudiadas por años para
el modelamiento de los termistores, ya que producen resultados sorprendentes. La
forma de tres coeficientes viene dada por
1
= a + b ln R + c ln3 R
T
El tiempo de respuesta es muy bajo (bueno), por lo cual el modelo utilizado es casi
siempre el de orden cero.

2.1.3. Termocupla

El modelo típico de una termocupla es polinómico


T = α0 + α1 E + α2 E 2 + α3 E 3 + . . .

Tipos de termocuplas comunes incluyen E, J, K, y T. Con coeficientes tabulados en


las normas ANSI.
Por ejemplo, la termocupla tipo J puede medir temperaturas en el rango [−40, +750]
con incertidumbres del orden del ±0.004 × T para lecturas por encima de 375 C y
de ±1.5 C para lecturas por debajo de 375 C.

2.1.4. Acondicionamiento de Señal

En la práctica, los sensores deben ser conectados a los dispositivos de lectura, usual-
mente sistemas digitales con requerimientos eléctricos específicos (interfaz análoga-
digital).
En esta tarea, se puede asumir que existen los dispositivos que adaptan la señal de los
sensores a los sistemas digitales. Estos dispositivos se conocen como acondicionadores
de señal, y en general se compartan como en la figura 3.
Valores típicos para el rango de las interfaces análogo-digital son [−10, +10] Voltios,
o [−5, +5] Voltios. En esta tarea 1, no es necesario simular la digitalización. Para el
caso de la RTD y la NTC, V ar sería resistencia del sensor en ohmnios [Ω], y para el
caso del termopar, sería el voltaje en la salida de la compensación de unión fría.
Tarea 1. Sistemas de Medición. MIM UTP Página 6 de 9

V oltios [V]

max

min

V ar [U]
min max

Figura 3: Acondicionadores de Señal.

Sugerencia 4: Escriba una función para simular el acondicionamiento de señal de


cada uno de los tres sensores ya simulados.

Sugerencia 5: El error introducido por el acondicionamiento es muy pequeño en


comparación con el ruido de la señal, por lo que no es necesario considerarlo.

Sugerencia 6: La salida de esta función que simula el acondicionamiento, es una


señal que está en voltios, en el rango de la interfaz digital-análoga.

2.2. Simular el sistema de Medida


Se desea estimar la temperatura del horno que está bajo la acción de un controlador.
Como se conoce el perfil de referencia de dicho controlador, es posible implementar
un sistema de seguimiento basado en el filtro de Kalman, para lo cual es necesario
plantear un modelo de espacio de estados.

Sugerencia 7: Trabaje primero para la primera fase de calentamiento, los primeros


10 minutos. Sólo cuando compruebe el funcionamiento de esta etapa, generalice
el resultado para incluir las demás etapas.
Tarea 1. Sistemas de Medición. MIM UTP Página 7 de 9

2.2.1. Ecuación Dinámica

En la primera fase de calentamiento que dura 10 minutos, 600 segundos, la tempera-


tura cambia 200 grados. Por tanto, la ecuación dinámica para dicho comportamiento
esta dada por
200
Te [k + 1] = Te [k] + ∆t
600
donde Te es la temperatura dentro del horno, y ∆t es un intervalo de tiempo.
Para una razón de cambio de temperatura constante dT = 200/600 = 1/3, la potencia
calórica P = dQ también es constante y puede derivarse de la definición de calor
específico, según:
1 dQ
Ce =
m dT
 
1
P = mCe
3
Donde puede verse que el modelo dinámico de espacio de estados para el comporta-
miento del horno está dado por
" # " #" #
∆t
Te [k + 1] 1 mCe Te [k]
=
P [k + 1] 0 1 P [k]

El valor real de mCe no es relevante, ya que puede hacerse un cambio de variable al


multiplicar la segunda ecuación a ambos lados por 3/mCe , y por tanto
" # " #" #
∆t
Te [k + 1] 1 3 Te [k]
=
Pm [k + 1] 0 1 Pm [k]

La nueva variable Pm será en general igual a 1. Esto es equivalente a una transfor-


mación afín de la temperatura en coordenadas homogéneas, donde Pm [0] = 1 y su
respectiva varianza σ en la matriz de covariazas es cero.

Sugerencia 8: El modelo de espacio de estado de la temperatura del horno, puede


mezclarse con el modelo de espacio de estado del RTD.
Sugerencia 9: La ecuación dinámica final puede escribirse incluyendo el ruido de
proceso ω[k] ∼ N (0, Q).
Tarea 1. Sistemas de Medición. MIM UTP Página 8 de 9

Sugerencia 10: La razón de cambio de la temperatura 1/3, puede ser un parámetro


más, dígase dT , que permite generalizar el modelo a todo el dominio de tiempo
de la aplicación.

Un modelo combinado de espacio de estados para el sistema es


    
T [k + 1] 1 0 dT ∆t T [k]
 e    e 
 Ti [k + 1]  =  ∆t 1 − ∆t 0   Ti [k]  + ω[k] (1)
   τ τ  
Pm [k + 1] 0 0 1 Pm [k]

2.2.2. Ecuaciones de Salida

Para el caso de RTD (1), la ecuación de salida es entonces:


 
  T e [k]
z1 = 0 1 0  Ti [k]  + ν1 [k]
Pm [k]

Para el caso de la NTC (2) y del termopar (3):


 
  T e [k]
z2,3 = 1 0 0  Ti [k]  + ν2,3 [k]
Pm [k]

Donde νi [k] es el ruido de medida asociado con cada sensor i ∈ {1, 2, 3} que de nuevo,
se asume blanco gaussiano con media cero y varianza Ri . Esto es νi [k] ∼ N (0, Ri ).

2.3. Simular el proceso


Escriba una función que genere la secuencia de datos mostrada en la figura 1 para
simular el proceso de cocido.

Sugerencia 11: Que la función tome como parámetros: el tiempo actual y la ma-
triz de covarianzas para la simulación del ruido de proceso. Nota: Se puede
asumir que el tiempo es una variable monotonicamente creciente en intervalos
constantes.
Tarea 1. Sistemas de Medición. MIM UTP Página 9 de 9

Sugerencia 12: Utilice la ecuación dinámica del modelo de espacio de estados del
proceso, ecuación (1), para simular la secuencia de datos.

Sugerencia 13: Para la simulación del proceso, puede ser más conveniente integrar
las ecuaciones de medida en una sola, como la mostrada en la ecuación (2).
 
  Te [k]
1 0 0  Ti [k]  + ν2,3 [k]
~z = (2)
0 1 0
Pm [k]

Referencias
[1] Ramón Pallás Areny, Sensores y acondicionadore de señal, 4ta Edición, Alfaomega - Marcombo Editores, 2018.
[2] Yaakov Bar-Shalom, Thiagalingam Kirubarajan, and X.-Rong Li, Estimation with applications to tracking and
navigation, John Wiley & Sons, Inc., USA, 2002.
[3] Surankumar V. Sawai, Vidya Aswar, SadikTamboli, and Meera Khandekar, Mathematical modeling and analysis
of dynamic response of rtd using matlab, International Journal of Advanced Research in Electrical, Electronics
and Instrumentation Engineering 5 (2015), 4499 –4504.
[4] Joseph Wu, A basic guide to rtd measurements, Texas Instruments, 2018.

También podría gustarte