CARACTERIZACIÓN DE UN HORNO DE CONVECCIÓN CON SISTEMA DE

DESHUMIDIFICACIÓN MEDIANTE ESTIMADOR DE MÍNIMOS

CUADRADOS
Estévez Acosta Alfredo Antonio1, González López Héctor2,

Resumen—En este trabajo se presenta la metodología obtenida para la obtención del modelo dinámico de un
sistema que consiste en un horno de conducción con un sistema de deshumidificación basado en celdas Peltier, el
modelo se obtiene mediante un conjunto de trescientos datos de entrenamiento capturados en tres experimentos, se
propone una función lineal de múltiples variables para su aproximación y mediante la estimación del error
cuadrático medio se obtienen las constantes que representan al modelo de una forma optimizada. Al escribirse
notación matricial se puede inferir su representación en variables de estado y de esta forma obtener la función de
transferencia mediante transformada de Laplace, la cual será de vital importancia al diseñar el controlador difuso del
sistema para trabajos futuros.

Palabras clave—datos de entrenamiento, función lineal, error cuadrático medio, variable de estado.

Introducción
Esta investigación surgió de la necesidad de implementar un controlador difuso en un sistema de
acondicionamiento final de chocolate que consiste en un horno de conducción con un sistema de deshumidificación
forzada formada por un ventilador, disipadores y una placa de efecto Peltier. El controlador no podía siquiera llegar
a la etapa de simulaciones ya que para ello se requería de la función de transferencia del sistema, misma que no se
tenía ya que la máquina a controlar es una propuesta que no tiene antecedentes parecidos y por lo tanto no se ha
realizado el análisis de la misma.
Por lo tanto se llevaron a cabo experimentos para ver el comportamiento del sistema, se propuso una
función lineal de tres variables para posteriormente encontrar los mejores coeficientes de la función mediante el
método de estimación de mínimo cuadrados.

Descripción del Método

Identificación de sistemas
González(1992) señala que el problema de determinar el modelo matemático de un sistema desconocido
(sistema objetivo), mediante la observación de los pares de datos entrada-salida se conoce como identificación de
sistemas. Los objetivos de la identificación de sistemas son:
● Predecir el comportamiento del sistema,
● Explicar las interacciones y las relaciones entre las entradas y las salidas de un sistema y
● Diseñar un sistema difuso basado en el modelo de un sistema.

Función y coeficiente de regresión

La tarea de ajustar los datos usando un modelo lineal es conocido en estadística como regresión lineal. En
el modelo de regresión lineal múltiple, el regresando es una función lineal de k regresores correspondientes a las
variables explicativas y una perturbación aleatoria o error. El modelo también incluye un término independiente. Si
designamos por y al regresando,y por θ 2,θ 3,..., θ k a los regresores. (Ezequiel,2013,p.2)

y=θ 1 + θ 2 x 2 + θ 3 x 3 + .. . + θ k x k

1Estévez Acosta Alfredo Antonio es estudiante de Ingeniería en Mecatrónica en la Universidad Tecnológica de la Mixteca.
alfredo.estevez.acosta@gmail.com
2González López Héctor es estudiante de Ingeniería en Mecatrónica en la Universidad Tecnológica de la Mixteca.
 Para este caso se tiene como regresores a la temperatura (T) y el voltaje del ventilador (V), y como término
independiente a la humedad relativa (HR), lo que dá la siguiente expresión:

HR=θ 1 T + θ 2V + θ 3

El problema por lo tanto se centra en encontrar θ 1, θ2 yθ 3 que son los parámetros desconocidos a estimar.
Por lo tanto HR es conocida como la función de regresión y las θ ´s son conocidas como los coeficientes de
regresión.

Para identificar los parámetros θ i , se deben realizar experimentos para obtener el conjunto de datos de
entrenamiento T, como se realizaron 20 mediciones de temperatura con 5 diferentes niveles de voltaje para el
ventilador se tiene una matriz de diseño de 100 filas y 3 columnas de la siguiente manera:

HR1 = θ1 T1 + θ2V1 + θ3
HR2 = θ1 T2 + θ2V2 + θ3
HR3 = θ1 T3 + θ2V3 + θ3
… … … …
HR105 = θ1 T105 + θ2V105 + θ3

Se realizaron tres experimentos variando la temperatura de 30 grados celsius hasta 50 grados y variando el
voltaje del ventilador en 0,3,6,9 y 12 volts.

La planta en la que se realizaron los experimentos fué la siguiente:

 El circuito de adquisición de datos fué el siguiente:

Los datos obtenidos por medio de los experimentos fueron los siguientes:

Primer experimento

Volt\Temperatura 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
0 31.8 30.8 29.4 28.3 26.7 25.3 24 22.6 21.4 20.1 18.9 17.2 16 14.8 13.9 12.8 11.3 10.5 9.3 8.3 7.4
3 28.1 27.3 26 25 23.8 22.5 21.3 20.1 19.1 17.9 16.8 15.7 14.5 13.6 12.5 11.6 10.4 9.5 8.4 7.7 6.9
6 24.4 23.5 22.4 21.1 20.3 19.1 17.9 16.7 15.5 14.4 13.2 12.4 11.4 10.4 9.3 8.8 7.5 6.8 5.9 5.1 5
9 23.5 22.2 21 19.9 18.6 17.2 16.1 14.9 14 12.8 11.8 10.9 9.8 9.1 8.1 7.5 6.2 5.7 5 5 5
12 23.8 22.5 21.2 19.8 18.7 17.6 16.1 15.1 13.9 12.8 11.7 10.7 9.8 8.9 8 6.9 6 5.3 5 5 5
Su plano de aproximación:
 Segundo experimento

Volt\Temperatura 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
0 27.6 26.6 25.6 24.4 23 21.7 20.3 19.2 17.9 16.6 15.5 14.2 13.2 11.9 10.8 9.8 8.6 7.7 6.8 6 5
3 25.7 24.8 23.6 22.7 21.5 20.3 19.1 17.8 17 15.6 14.7 13.6 12.5 11.3 10.5 9.3 8.4 7.4 6.5 5.7 5
6 25 23.7 22.7 21.5 20.4 19.3 18.1 16.8 16 15.1 13.9 12.5 11.7 10.9 10.1 9 8 7.2 6.4 5.4 5
9 24.3 22.9 21.8 20.4 19.3 18.1 16.8 15.6 14.2 13.4 12.4 11.3 10.2 9.3 8.5 7.5 6.6 5.7 5 5 5
12 27 25.8 24 22.9 21.6 20.2 18.9 17.7 16.1 15.1 14 12.8 11.5 10.6 9.6 8.7 7.4 6.7 5.8 5 5

su plano de aproximación es:

Tercer experimento

Volt\Temperatura 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
0 28.8 27.6 26.2 25.1 23.8 22.5 21.2 19.8 18.7 17.5 16.4 15.2 13.9 12.9 11.8 10.7 9.6 8.6 7.7 6.7 5.9
3 25.3 24.3 23.1 21.8 20.8 19.8 18.5 17.3 16.1 15.2 14 12.5 11.8 10.9 10 9 8 7.1 6.3 5.5 5
6 23.9 22.6 21.5 20.3 19.3 18 17 15.8 14.6 13.7 12.6 11.8 10.7 9.7 8.7 7.7 6.8 6.1 5.2 5 5
9 22.8 21.4 20.4 19.3 18.3 17.2 15.8 14.7 13.6 12.4 11.4 10.6 9.4 8.7 7.9 6.9 5.9 5.2 5 5 5
12 22.6 21.4 20.1 19 18 16.8 15.7 14.5 13.6 12.5 11.6 10.6 9.6 8.7 7.8 6.9 5.8 5.2 5 5 5
 su plano de aproximación es:

Y obteniendo un promedio de los datos quedan de la siguiente forma:

Volt\Temperatura 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
0 29.4 28.33 27.07 25.93 24.5 23.17 21.83 20.53 19.33 18.07 16.93 15.53 14.37 13.2 12.17 11.1 9.833 8.933 7.933 7 6.1
3 26.37 25.47 24.23 23.17 22 20.87 19.63 18.4 17.4 16.23 15.17 13.93 12.93 11.93 11 9.967 8.933 8 7.067 6.3 5.633
6 24.43 23.27 22.2 21 20 18.8 17.67 16.43 15.37 14.4 13.23 12.23 11.27 10.33 9.367 8.5 7.433 6.7 5.833 5.167 5
9 23.53 22.17 21.07 19.87 18.73 17.5 16.23 15.07 13.93 12.87 11.87 10.93 9.8 9.033 8.167 7.3 6.233 5.533 5 5 5
12 24.47 23.23 21.77 20.57 19.43 18.2 16.9 15.77 14.53 13.47 12.43 11.37 10.3 9.4 8.467 7.5 6.4 5.733 5.267 5 5

Usando notación de matriz tendríamos la ecuación lineal: A θ=Y

Donde A es la matriz de diseño de dimensiones 100 x 3, θ es el vector columna parámetros de 3 x 1 y y es el

vector columna de salidas de 100 x 1:

Ya que hay más pares de datos que parámetros, una solución exacta que satsface las M ecuaciones no siempre
es posible de conseguir, ya que los datos pueden estar contaminados con ruido o el modelo no describe
apropiadamente el sistema objetvo. Para darle solución a esto es necesario incorporar el vector del error, es decir
e:

A θ+e= y

Donde e= y −A θ es el vector de error producido al seleccionar algún conjunto de valores de los parámetros θ .

^, que minimice a la
Ahora, en vez de buscar una solución exacta buscaremos al conjunto de parámetros θ=θ
suma del error cuadrátco medio defnida por:

E(θ)=( y −A θ)T ( y− A θ) = θ T A T A θ−2 y T A θ+ y T y

^:
Por tanto, realizando la derivada, igualando y despejando para θ

θ^ = (AT A)-1 AT y

Realizando esta operación en Matlab se obtuvieron los siguientes resultados:

θ1 = 1.0561
θ2 = 0.3664
θ3 = 58.8598

Con lo cual se concluye que la ecuación que mejor describe a este sistema dinámico es la siguiente:

HR = (1.0561)* T + (0.3664)* V + 58.8598

Y el plano que mejor describe al sistema es:

El modelo por tanto, ya ha sido caracterizado y con este resultado, se puede utilizar ésta función para que en trabajos
futuros se obtenga la función de transferencia y con ello realizar el controlador que se desee.
 Referencias
González, M..P.(1992). Error cuadrático medio de predicción para modelos estructurales de series temporales. Estadística española, 34(129),117-
136
Ezequiel Uriel "Regresión lineal múltiple: estimación y propiedades”. Universidad de Valencia 09-2013, 2-3

Apéndice
Código con el que se recolectaron los datos en Arduino

#include "DHT.h"
#defne DHTPI 2

#defne DHTTYPE DHT21

DHT dht(DHTPI , DHTTYPE);

void setup()
{
Serial.begin(9600);
//Serial.println("Recolección de Datos");
dht.begin();
}

void loop()
{
foat h = dht.readHumidity();
foat t = dht.readTemperature();
// verifca si se envía un dato no vacío
if (isnan(t) || isnan(h))
{
Serial.println("Falló lectura del sensor");
}
else
{
Serial.print("Humidity: ");
Serial.print(h);
Serial.print(" %\t");
Serial.print("Temperature: ");
Serial.print(t);
Serial.println("*C");
delay(1000);
}
}