Instituto Polit ecnico Nacional - WordPress.com

Instituto Politecnico Nacional

Centro de Innovacion y Desarrollo

Tecnologico en Computo

Sistema electronico para el monitoreo degases de efecto invernadero utilizando

internet de las cosas y vehıculos aereos notripulados

Tesis para obtener el grado de

Maestrıa en Tecnologıa de Computo

Presenta:

Ing. Esther Viridiana Vazquez Carmona

Directores de tesis:

Dr. Juan Carlos Herrera Lozada

Dr. Juan Irving Vasquez Gomez

Ciudad de Mexico, Diciembre de 2019

Resumen

Hoy en día, la Tierra está siendo afectada por el efecto invernadero, por lo que ha llevado a los

países a aplicar estándares de normalización para disminuir la concentración de los gases contami-

nantes, enfocándose principalmente en gases de efecto invernadero. Un primer paso para mejorar la

situación actual es rastrear las variables involucradas bajo muestreo temporal y espacial.

Este documento presenta el desarrollo de un prototipo de un sistema de monitoreo que tiene por ob-

jetivo recolectar el grado de concentración de gases tóxicos presentes en el aire causados por el efecto

invernadero, como el dióxido de carbono, óxido nitroso, ozono, metano y variables ambientales como

temperatura, presión y humedad. El sistema ha sido diseñado para montarse en un vehículo aéreo no

tripulado para superar las limitaciones espaciales y también ha sido diseñado para funcionar bajo el

paradigma de Internet de las Cosas para superar las limitaciones temporales. Adicionalmente el siste-

ma integra el algoritmo del filtro de Kalman para estimar las mediciones no medibles de los sensores.

Se realizaron experimentos en los cuales se muestra el uso del filtro de Kalman, el cual disminuye

el error cuadrático del sistema con respecto a un sensor de referencia. El sistema propuesto puede

proporcionar la información al usuario final en tiempo casi real puesto que el tiempo de latencia es

de 10 segundos aproximadamente.

Abstract

Nowadays, Earth is being affected by the greenhouse effect, which has led countries to develop

standards to reduce the concentration of polluting gases, focusing mainly on greenhouse gases. A

first step to improve the current situation is to track the variables involved under temporal and spa-

tial sampling.

This document presents the development of a prototype of a monitoring system that aims to collect

the concentration of toxic gases present in the air caused by the greenhouse effect, such as carbon

dioxide, nitrous oxide, ozone, methane and environmental variables such as temperature, pressure

and humidity.

The system has been designed to mount in an unmanned aerial vehicle to overcome spatial limi-

tations and has also been designed to operate under the Internet of Things paradigm to overcome

temporary limitations. In addition, the system integrates the Kalman filter algorithm to estimate the

non-measurable measurements of the sensors. Experiments were made that show the use of the Kal-

man filter. The Kalman filter decreases the root mean square error of the system by comparing with

a reference sensor. The proposed system can provide the information to the end user in almost real

time since the latency time is 10 seconds.

Agradecimientos

El presente trabajo está dedicado principalmente a Dios quien me ha dado fuerza, salud y vida para cumplir

uno de mis sueños. A mis padres y hermanos que son el motor de mi vida, que están ahí siempre para sostenerme

y alentarme a no darme por vencida. A ti amor que siempre has estado en las buenas y en las malas apoyándome

cuando más lo necesito, por ser tan comprensible y brindarme tu ayuda en los momentos más difíciles de mi

vida. A ti amigo que no me dejas sola, que siempre tienes el tiempo necesario para transmitir tus conocimientos,

que estas ahí para darme palabras de aliento cuando más lo he necesitado.

Deseo expresar mi eterno agradecimiento y cariño al Dr. Juan Carlos Herrera Lozada y Dr. Juan Irving Vás-

quez Gómez mis directores de tesis, quienes se han encargado de impulsarme cada día a través de la enseñanza,

sabiduría, dedicación y esfuerzo para forjarme un nuevo camino, agradezco la confianza que me han brindado

pero sobre todo el haberme ayudado a enfrentar mis miedos. Agradezco al Instituto Politécnico Nacional, CO-

NACYT y SIP-IPN por el apoyo brindado para concluir mis estudios a través de las becas BEIFI y la beca de

posgrado.

Índice general

Capítulos Página

1. Introducción 1

1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.3. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.4. Solución propuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.5. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.6. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.7. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.8. Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2. Marco teórico y trabajo relacionado 7

2.1. Marco teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.1. Estructura de la Tierra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.2. Efecto invernadero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1.3. Sistema de monitoreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.1.4. Sistemas SCADA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.1.5. Sistema embebido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.1.6. Sistemas a bordo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1.7. Puerto serie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.1.8. Tipos de errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.1.9. Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.1.10. Telemetría . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.1.11. Internet de las cosas (IoT en inglés Internet of Things) . . . . . . . . . . . . . . . . 22

2.2. Trabajo relacionado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3. Sistema de monitoreo de variables ambientales y gases del efecto invernadero 35

3.1. Módulo de sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

I

Índice general

3.2. Módulo de procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2.1. Estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.3. Módulo de comunicación inalámbrica e IoT . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.3.1. Comunicación inalámbrica a través de telemetría . . . . . . . . . . . . . . . . . . 40

3.4. Diseño de hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.4.1. Alimentación del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

4. Experimentos y resultados 47

4.1. Filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.2. Comparación con EMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2.1. Resultados de comparación EMA . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.3. Experimento del filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.3.1. Resultados filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5. Conclusiones 56

5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

5.2. Trabajo a futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Apéndice 65

A. Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero en la Ciu-

dad de México en 2015. 66

B. Productividad 68

II

Índice de figuras

1.1. Metodología propuesta para el sistema monitoreo. . . . . . . . . . . . . . . . . . . . . . . 6

2.1. Efecto Invernadero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2. Proceso automatizado de un sistema SCADA . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.3. Arquitectura de un microcontrolador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.4. Placa Arduino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.5. Señal analógica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.6. Señal digital. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.7. Proceso de actualización de estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.8. Proceso de estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.9. Arquitectura IoT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.10. Modelo TCP/IP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.11. Protocolo MQTT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.12. Protocolo HTTP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.1. Diagrama del sistema de monitoreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2. Módulo de sensores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.3. Módulo de procesamiento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.4. Antenas de telemetría . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.5. Módulo de sensores y procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.6. Sistema de monitoreo montado en el dron. . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3.7. Baterías de iones de litio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.8. Regulador LM2596. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.9. Módulo de carga USB TP4056. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.10. Cargador baterías LiPo o Li-ion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3.11. Sistema de monitoreo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.12. Variables monitoreadas desde la plataforma IoT. . . . . . . . . . . . . . . . . . . . . . . . 46

III

Índice de figuras

4.1. Temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4.2. Presión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.3. Metano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.4. Dióxido de carbono . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.5. Humedad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.6. Altitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4.7. Ozono . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.8. NOx . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

4.9. UV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

A.1. Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero . . . . 67

IV

Índice de tablas

2.1. Origen de los gases de efecto invernadero . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.2. Características que distinguen a un sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.3. Modelos y características principales de la microcomputadora Raspberry Pi . . . . . . . 15

2.4. Comparación de los protocolos HTTP Y MQTT . . . . . . . . . . . . . . . . . . . . . . . 28

2.5. Resumen de trabajos relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32



3.1. Sensores de variables ambientales y GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2. Sensores de gases del efecto invernadero. . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.3. Características del vehículo aéreo no tripulado (VANT) utilizado para la experimentación 41

4.1. Comparación del de error cuadrático medio entre la señal de los sensores y la señal

filtrada contra la señal del referencia de la EMA. . . . . . . . . . . . . . . . . . . . . . . . 52

V

Capítulo 1

Introducción

Hoy en día es un hecho que el cambio climático y el calentamiento global se han convertido en un

problema ambiental que afectan el planeta Tierra, lo cual ha generado extinciones masivas, migracio-

nes desmedidas, deshielos, enfermedades entre otras problemáticas. Existe la certeza de que el efecto

invernadero es una de las causas del calentamiento global y el cambio climático, dicho fenómeno es

un proceso natural para la regulación de la temperatura del planeta, en el que la radiación térmica

emitida por la superficie de la Tierra hacía el suelo es reflejada en forma de energía y es retenida por

gases nocivos que se encuentran en la atmósfera tales como el óxido de nitrógeno, metano, ozono, va-

por de agua, clorofluorocarbonos y dióxido de carbono [1]. El efecto invernadero se ha intensificado

debido al incremento en la energía retenida por los gases en la atmósfera responsables de dicho fenó-

meno [2]. Se han creado diferentes estrategias para su control, como primera instancia se ha recurrido

a la observación de las variables a través del monitoreo. [3].

En este trabajo de investigación, se propone un sistema embebido para el monitoreo de variables

ambientales en tiempo real montado sobre un vehículo aéreo no tripulado VANT. El objetivo de dicho

sistema, es proporcionar datos en tiempo real a bajo costo. El sistema está integrado por sensores de

detección de gases [4], los cuales están conectados a la nube a través de una plataforma bajo el para-

digma de Internet de las Cosas (IoT). El sistema integra un filtrado de los datos detectados haciendo

uso del filtro Kalman [5]. Este filtrado permite disminuir el ruido de los sensores de bajo costo e in-

ferir la tasa de cambio de las variables ambientales medidas. La interfaz IoT proporciona al usuario

final datos para la toma de decisiones [6]. Este trabajo presenta el desarrollo y la prueba del sistema,

den el que se muestra la integración del hardware y el software. Además, se presentan experimentos

del filtrado de datos utilizando el filtro de Kalman, envío de datos hacía la nube utilizando una plata-

forma IoT [7]. El Internet de las Cosas o IoT se define como un paradigma en la que los dispositivos,

sensores o actuadores pueden comunicarse entre sí, a través de la red, recopilando e intercambiando

datos que permiten cumplir con tareas vía remota, haciendo uso de una plataforma IoT que es el

software para dicha interconexión, la cual está integrada por la gestión de dispositivos, una base de

1

Capítulo 1. Introducción

datos, procesamiento de datos, la analítica, una visualización, interfaces externas y la conectividad a

través de diferentes protocolos [8].

Los experimentos realizados muestran que el sistema trabaja en tiempo real con un retraso de 10

segundos. Por otro lado, el filtrado tiene por objetivo eliminar mediciones erróneas del sensor así

como reducir el error que existe al comparar mediciones con respeto a una estación especializada de

monitoreo ambiental de referencia (EMA).

1.1. Motivación

Como se mencionó anteriormente, el efecto invernadero se ha convertido en un problema serio del

cual que se han desprendido diferentes aplicaciones para la gestión de los gases que permanecen en

la atmósfera generados por dicho fenómeno. Sin embargo con la proliferación de nuevas tendencias

tecnológicas, surge la idea de realizar un sistema, que se encargue del monitoreo de estos gases y que

además de gestionarlos minimice el tiempo que lleva consigo para realizar dicho proceso, mostrando

las mediciones en tiempo real utilizando el concepto de Internet de las Cosas para la automatización

e interconexión de dispositivos hacía la red, además de emplear recursos como VANTs, dado que

desde hace algún tiempo han adquirido poularidad, ya que se caracterizan por realizar trayectorias,

monitoreo, mapeo y fotografía aérea, de manera que se convirtieron en herramientas de apoyo para

la coumunidad científica.

Debido a la intensificación de los gases de efecto invernadero en los últimos años, surge la nece-

sidad de crear estrategias que puedan contribuir al cuidado de la población y del planeta, problema

que si no se atiende de inmediato podría desencadenar la propagación de enfermedades, esto debido

a olas de calor o inundaciones generadas por el aumento de los niveles de dióxido de carbono [9]. Los

expertos en este tema han llegado a la conclusión de que se deben mejorar las metodologías, toman-

do en cuenta las nuevas tecnologías y adelantos científicos, así como hacer hincapié en la revisión de

los criterios de evaluación para las áreas de procesos industriales, transporte agricultura, manejo de

desechos y generación de energía [10].

Los datos proporcionados por la Organización Meteorológica Mundial (OMM), han demostrado

que el dióxido de carbono C02 es el principal gas contendio en la atmósfera, el cual ha alcanzado su

máximo nivel desde 1950 pues la concentración media de C02 pasó de 400.1 partes por millón (ppm)

en 2015 a 403.3 ppm en 2016 y a 405.5 ppm en 2017. Mientras que el metano CH4 alcanzó en 2017

un nuevo máximo con aproximadamente 1859 ppm. Por otro lado las emisiones de óxido nitroso N20

hacía atmósfera provienen de fuentes naturales como los océanos, los suelos, la quema de biomasa,

el uso de fertilizantes y diversos procesos industriales, en 2017 su concentración atmosférica fue de

329.9 ppm [11]. Estos datos están basados en las observaciones que se hacen para documentar los

cambios en los niveles de concentración de dichos gases. Recientemente ha surgido el interés por

2


desarrollar sistemas de monitoreo que pueden dar seguimiento a el incremento de los gases de efecto

invernadero, así como la gestión de la calidad del aire y la vinculación con VANTs e Internet de las

Cosas. A continuación se presenta la propuesta de un sistema de monitoreo para gases de efecto

invernadero que dará seguimiento al incremento de dichos gases.

1.2. Planteamiento del problema

¿Qué sistema basado en IoT permitiría el monitoreo de los gases de efecto invernadero sobrepa-

sando las limitaciones temporales y espaciales?

1.3. Hipótesis

En la actualidad el uso de VANTs se ha convertido en un medio para desarrollar sistemas y/o

aplicaciones en el área de la investigación. Se han desarrollado sistemas embebidos que permiten la

supervisión a través de sensores a bordo, este tipo de vehículos podrían reemplazar sistemas com-

plejos de alto costo y realizar tareas como el monitoreo de manera que se tenga al alcance los datos

recolectados a través del uso de plataformas que permitan conectar todo en un sistema.

1.4. Solución propuesta

En este trabajo se propone un sistema para monitorear variables ambientales y gases involucra-

dos en el efecto invernadero, integra además el filtro de Kalman para filtrar el ruido de los sensores

y predecir el estado aunque el sensor deje de funcionar, dicho sistema trabaja con tecnología IoT y

se encuentra montado en un vehículo aéreo no tripulado para el monitoreo en tiempo real. La in-

formación obtenida está compuesta por gases de efecto invernadero y variables ambientales como

temperatura, presión, humedad y rayos UV. La Fig. 1 muestra la arquitectura del sistema embebi-

do. El sistema se compone de varios módulos: sensores, procesamiento, estimación, comunicación

inalámbrica e Internet de las Cosas.

1.5. Justificación

La importancia de este proyecto radica en la importancia de generar tecnología de bajo costo pa-

ra el monitoreo ambiental. El monitoreo ambiental se aplica actualmente a diversas tareas, e.g., el

pronóstico del clima [12]. En tales aplicaciones, se utilizan EMAs para registrar y enviar datos meteo-

rológicos y ambientales. Sin embargo, estas estaciones son costosas y la mayoría de ellas están fijas en

el suelo. Por lo tanto, los datos están sesgados a una sola región. Por otro lado, en la última década, los

3


VANTs, también conocidos como drones, han revolucionado varias áreas, por ejemplo, el mapeo o la

cinematografía. Su uso está tan extendido, que no se limita a la comunidad científica, sino a personas

que no son especialistas. Una de las ventajas de los VANT es su capacidad de movimiento, por lo que

cuando se agregan sensores, la restricción espacial de la EMA se supera [13]. En otro sentido, aunque

los VANT superan las restricciones espaciales, en la mayoría de los casos, la información todavía está

limitada por restricciones temporales, dado que los datos se descargan hasta que el dron aterriza. En

algunos casos, se necesita la intervención humana para obtener los datos y realizar el envío a la nube.

En general los sistemas de monitoreo permiten observar los cambios de estado, que se producen

con el tiempo en cierto ambiente para cada uno de sus procesos. La optimización de estos, se debe en

gran medida a la llegada de IoT, puesto que una de sus ventajas es la de automatizar tareas, a través

del control vía remota y el análisis de datos.

1.6. Objetivos

General

Desarrollar un sistema electrónico montado en un VANT para monitorear en tiempo real (interac-

ciona repetidamente con su entorno físico, más no rápido) los gases de efecto invernadero, utilizando

un sistema embebido vinculado al Internet de las Cosas.

Específicos

Diseñar un sistema electrónico de medición basado en arquitecturas de sistemas embebidos y

sensores especializados.

Considerar la temperatura, la humedad, la velocidad y dirección del viento, la luminosidad,

hora, fecha y localización, para realizar un registro de las lecturas.

Seleccionar los sensores especializados y acoplarlos a través de la electrónica de soporte

Realizar la conexión inalámbrica utilizando protocolos de comunicación.

Aplicar el concepto de Internet de las cosas para la comunicación, el almacenamiento y el aná-

lisis de los datos obtenidos.

Montar el sistema electrónico en un VANT y realizar las pruebas necesarias.

1.7. Metodología

La metodología del sistema de monitoreo se describe a continuación:

4


Diseñar el módulo de los sensores: Este módulo estará integrado por la placa Arduino Nano,

en el cual se conectaran los sensores que detectaran gases tóxicos que se producen por el efecto

invernadero, como el dióxido de carbono, óxido de nitrógeno, ozono y metano, cabe destacar

que primero se realizará una investigación sobre los posibles sensores que puedan cumplir con

los requerimientos. Se integraran sensores adicionales que se encargaran de detectar temperatu-

ra, humedad, presión y un GPS que envié los datos de la ubicación de las lecturas, este sistema

estará montado sobre un VANT, de manera que se logre cumplir con el objetivo se encargará

de considerar la temperatura, la humedad, la velocidad y dirección del viento, la luminosidad,

hora, fecha y localización, para realizar un registro de las lecturas, así como el diseño de un

sistema electrónico de medición basado en arquitecturas de sistemas embebidos y sensores es-

pecializados.

Diseño del módulo principal: Este módulo será el encargado de la comunicación inalámbrica y

los datos adquiridos por el módulo de sensores, además será la vía para el envío de datos hacía

la nube y el módulo principal.

Diseño de un filtro: Este módulo está pensado para integrar un filtro que tendrá por objetivo

eliminar el ruido generado por los sensores, de manera que se obtendran mediciones fiables

para el sistema.

Diseño la comunicación inalámbrica: Este módulo esta integrado por una antena de recep-

ción y transmisión de datos, el cual se encargará de enviar los datos utilizando protocolos de

comunicación.

Diseño del montaje: En este módulo se propone montar el sistema embebido en un VANT y

realizar las pruebas necesarias,se está considerando empotrar el sistema embebido bajo el dron,

esto por que la lectura de las variables ambientales se vería manipulada si se llega a poner en

cualquier otro lugar.

Diseño de la fuente de alimentación: Para este módulo se piensa utilizar una fuente ligera

que se encargue de la alimentación del sistema embebido y realizar las pruebas necesarias para

concluir con el proyecto.

En la Fig. 1.1 se muestra la metodología que seguirá el desarrollo del sistema de monitoreo.

1.8. Organización de la tesis

A continuación se ofrece un panorama general de los capítulos que integran la tesis.

Capítulo 1: En este capítulo se presenta en general el problema a desarrollar, los objetivos la

justificación, solución y metodología para el desarrrollo de esta investigación.

5


Sensores Módulo principal Comunicacióninalámbrica

Dióxido de carbono

Ozono

Óxido de nitrógeno

Metano

Tem

per

atura

Pres

ión

Hum

edad

GPS

Rad

iaci

ón

IoT

MontajeVANT

Figura 1.1: Metodología propuesta para el sistema monitoreo.

Capítulo 2: En este capítulo se introducen los conceptos básicos que forman parte del marco

teórico en el contexto de esta investigación. Adicionalmente se encuentran los trabajos relacio-

nados con sistemas de monitoreo y vehículos no tripulados.

Capítulo 3: Este capítulo esta integrado por el desarrollo y la descripción de cada uno de los

módulos que forman parte del sistema de monitoreo.

Capítulo 4: Este capítulo expone los experimentos que se realizaron para comprobar el funcio-

namiemto del filtro de Kalman y la adquisición de datos así como los resultados obtenidos.

Capítulo 5: Este capítulo presenta las conclusiones acerca del trabajo desarrollado.

Apéndice: En el apéndice se incluye un inventario de emisiones realizado en 2015 para gases

de efecto invernadero así como la productividad de la alumna.

6

Capítulo 2

Marco teórico y trabajo relacionado

En este capítulo se plantean los conceptos más importantes para el desarrollo de este trabajo, en

el que se incluye la descripción general acerca de tecnologías, técnicas y métodos utilizados para el

sistema. Posteriormente se presenta el trabajo relacionado, partiendo desde los sistemas de monitoreo

que se encuentran fijos hasta sistemas de monitoreo que utilizan VANT´s para realizar la recolección

de los datos.

2.1. Marco teórico

2.1.1. Estructura de la Tierra

La tierra se formo hace 4.600 millones de años a partir de una nube gigantesca de gas y polvo que

creo al Sol. Debido a la gravedad y la combinación entre gases y partículas se formaron pequeñas

masas lo que dio lugar a la formación de asteroides y pequeños planetas primitivos.

La estructura de la Tierra está dividida en diferentes capas que pueden ser internas o externas. Las

capas internas están compuestas por el manto, nucleo y capas, mientras que las capas externas están

integradas por la litósfera, corteza, hidrósfera, biósfera y atmósfera. La atmósfera se divide a su vez en

troposfera, estratósfera, mesosfera, termosfera o ionosfera [14]. La tropósfera está comprendida desde

la superficie terrestre hasta una altitud de 7 a 17 kilómetros en ella tienen lugar todos los fenómenos

meteorológicos y climáticos. La estratósfera está situada sobre la tropósfera, la temperatura aumenta

conforme a la altitud, esto se debe a la absorción de las moléculas de ozono que absorben radiación

electromagnética en la región del ultravioleta. La mesósfera se encuentra entre la estratósfera y la

termosfera, entre los 50 y los 80 kilómetros de altura. La ionósfera es la capa atmosférica que se

ubica sobre los 80 kilómetros de altitud, debido a la radiación solar, se concentran moléculas que se

convierten en iones, como consecuencia incide en la difusión de las ondas radioeléctricas (radiación

electromagnética con longitudes de onda en el espectro electromagnético).

7

Capítulo 2. Marco teórico y trabajo relacionado

Cuando una onda es emitida hacia la atmósfera y llega a esta capa a energía es absorbida por el

aire que está ionizado, mientras que la energía restante es refractada nuevamente hacia la superficie

terrestre.

2.1.2. Efecto invernadero

El efecto invernadero es un proceso natural en el que la temperatura de la atmósfera se incrementa

debido a la radiación térmica emitida por la superficie de la Tierra (la radiación térmica es parte la

energía que el suelo emite por el calentamiento durante la radiación solar), esta se absorbe a través

de los gases de efecto invernadero (componentes de la atmósfera en la Tierra) como consecuencia se

produce el incremento de los gases en la atmósfera. La atmósfera es una capa gaseosa que rodea a

la Litosfera e Hidrosfera está compuesta por una mezcla de nitrógeno (78 %), oxígeno (21 %), y otros

gases (1 %), en ella se forman todos los fenómenos meteorológicos. Los gases implicados en el efecto

invernadero son el dióxido de carbono (CO2), metano (CH4), ozono (O3), óxido nitroso (N2O), vapor

de agua (gases que componen la atmósfera) y clorofluorocarburos (CFC o ClFC). En la tabla 2.1 se

muestra el origen de cada uno de los gases de efecto invernadero [15].

Tabla 2.1: Origen de los gases de efecto invernadero

Gas de Efecto Invernadero Origen

Dióxido de carbono Quema de combustibles fósiles, deforesta-ción, quema de bosques, agricultura.

Metano Tiraderos, excremento de animales, gas natu-ral, descomposición de desechos orgánicos.

Óxido nitroso Combustión de automóviles, fertilizantes, ali-mento de ganado, fertilización a base de ni-trógeno, estiércol.

Clorofluorocarbonos (CFC) Sistemas de refrigeración, aerosoles, electró-nica.

Etapas de efecto invernadero

El Sol calienta la superficie de la Tierra sin embargo esta no retiene parte de la energía prove-

niente del Sol. La energía es reflejada hacía la atmósfera.

Aproximadamente el 70 % de la energía solar es devuelta al espacio. La energía restante es

retenida por los gases que producen el efecto invernadero y regresa a la superficie terrestre.

Este proceso funciona de manera natural cuando la temperatura en la superficie del planeta es

de 14º C.

8


La temperatura de la Tierra se ha incrementado, las consecuencias de este fenómeno es el calen-

tamiento global y cambio climático, lo cual trae consigo reducción de la superficie de glaciares,

elevación del nivel del agua de los mares y océanos, posibles inundaciones de zonas próximas

al mar o islas, disminución de recursos hídricos por las sequías y la mayor evaporación del

agua, ciertas zonas fértiles podrían convertirse en desiertos, escasez de alimentos, enfermeda-

des y pandemias (malaria, el cólera o el dengue). En la Fig. 2.1 se observa el ciclo de efecto

invernadero [16].

Figura 2.1: Las moléculas de los Gases de Efecto Invernadero (GEI) tienen las capacidad de controlarel flujo de energía a través del sistema climático . Fuente: Cambio climático, Abr. 2018, Recuperadode http://icambioclimatico.blogspot.com/2018/04/el-efecto-invernadero.html

Normas para la medición de gases de efecto invernadero

La organización que se encarga de regular los procedimientos para la implantación concreta de

un sistema de gestión ambiental, industrial o un sector en específico se denomina International Or-

ganization for Standardization (ISO) a través de normas específicas. La ISO 14064 es una norma que

tiene como iniciativa la regulación de gases de efecto invernadero a través de la cuantificación, el

seguimiento, los informes y la verificación de las emisiones realizadas por las organizaciones. Esta

norma estan dividida en 3 partes:

La especificación de la cuantificación y emisiones de efecto invernadero.

Directrices para los inventarios nacionales de gases de efecto invernadero

Protocolo de gases de efecto invernadero

9


México se rige por diferentes normas algunas de ellas son NOM-037-SEMARNAT-1993, NOM-036

SEMARNAT-1993 entre otras. Estas normas definen la metodología para el monitoreo de los conta-

minantes como el dióxido de nitrógeno y ozono. También se incluyen otras normas que en las que

se establece que deberan instalarse estaciones de monitoreo para la calidad del aire con asentamien-

tos con más de 500 mil habitantes. Hoy en día en la zona metropolitana del valle de México existen

aproximadamente 45 estaciones. Cada estación mide diferentes parámetros como ozono, monóxido

de carbono, partículas PM entre otros [17].

2.1.3. Sistema de monitoreo

Un sistema de monitoreo es un dispositivo que tiene como objetivo recolectar, tratar, analizar y

mostrar información de parámetros físicos, químicos o metereológicos de manera continua para con-

tribuir a la toma de decisiones con respecto a un problema en particular en donde es necesario medir

y/o conservar constantes algunas magnitudes. Los sistemas de monitoreo pueden ser útiles en pro-

blemáticas ambientales como la medición de la calidad del aire, gases de efecto invernadero, calidad

del agua, suelo, en otros con el objetivo de mantener un entorno estable. El monitoreo consiste en ser

consciente del estado de un sistema, para observar los cambios que se puedan producir con el tiem-

po, más no se encarga de la automatización. La automatización consiste en hacer uso de elementos

computacionales y mecánicos para ejecutar procesos con la mínima intervención humana [18].

Existen estaciones especializadas de monitoreo ambiental que tienen por objetivo supervisar a

distancia variables para cierta instalación o dar seguimiento al cambio de estas y con ello tomar deci-

siones para llevar a cabo la automatización de procesos, como aumentar la temperatura, activar una

bomba de agua o cerrar algún ducto y evitar problemas a futuro como fugas, incendios o predecir un

fenómeno natural [19].

2.1.4. Sistemas SCADA

Los sistemas SCADA (Supervisión, Control y Adquisición de Datos en inglés Supervisory Control

And Data Acquisition) es el conjunto de software y hardware que comunican y controlan diversos

dispositivos. Estos sistemas trabajan mediante la adquisición de datos que permiten supervisar un

proceso utilizando una estación central llamada unidad terminal maestra (MTU) y varias estaciones

remotas (RTU), en las cuales se realiza el control.En la Fig.2.2 se puede observar esquemáticamente el

proceso de un sistema SCADA [20]. Los objetivos de los sistemas SCADA son la economía, accesibili-

dad, mantenimiento, ergonomía, gestión, flexibilidad y conectividad. Las ventajas de usar un sistema

SCADA son la creación de aplicaciones de forma simple, gracias a las herramientas de diagnóstico y

a los programas de visualización se reducen los costos de mantenimiento. El uso de GSM, GPRS Y

UMTS, estos sistemas se mantienen en comunicación sobre cualquier incidencia a través de mensajes

o correos electrónicos [21].

10


Proceso de objeto del control

Dispositivos de adquisición de

SCADA

Clientes de datos Clientes de visualización Clientes de visualización

datos o dispositivo de lógica

de control programable

Figura 2.2: El sistema SCADA es la combinación de hardware y software que permite la recolección yvisualización de los datos, realiza la tarea de interfase entre los nivles de control (controlador lógicoprogramable PLC o controlador de automatización programable PAC). El proceso de objeto de con-trol es el proceso que se desea supervisar, colectar y distribuir. La adquisición de datos es el conjuntode instrumentos de medición integrados por una interfaz de comunicación que permita su intercone-xión. Los clientes son el conjunto de las aplicaciones que utilizan los datos obtenidos por el sistema.

2.1.5. Sistema embebido

Un sistema embebido es un sistema electrónico integrado por hardware y software, está diseñado

para cumplir una labor específica. Es común encontrar sistemas embebidos para controlar teléfonos

celulares, cámaras fotográficas, vehículos, alarmas, cajeros automáticos, equipo médico, entre otros.

Usualmente trabaja a través de un microcontrolador o microprocesador en el que se alojan la inte-

ligencia artificial, secuencias y los algoritmos. Un microcontrolador es un circuito integrado progra-

mable que ejecuta órdenes desde memoria. La arquitectura de un microcontrolador se caracteriza por

tener un solo sistema de memoria donde se almacenan los datos e instrucciones. Los microprocesado-

res difieren de los microcontroladores por ocupar componentes independientes que reciben y envían

infomación. Ambos trabajan bajo la arquitectura de Von Newman que se muestra en la Fig.2.3 esta

arquitectura se caracteriza por tener un solo sistema de memoria donde se almacenan datos e instruc-

ciones, una unidad central de proceso (CPU) conectada a una memoria única donde se guardan las

instrucciones del programa y los datos [22] [23].

11


CPU MEMORIA

ENTRADA

SALIDA

Direcciones

Datos

Control

TecladoMouse

MonitorImpresora

Figura 2.3: La arquitectura de un microcontrolador define la estructura de su funcionamiento. Ac-tualmente las arquitecturas más usadas para microcontroladores son la arquitectura Von Newman yla arquitectura Harvard que se caracteriza por poseer una memoria exclusivamente para datos y unamemoria para las instrucciones, de esta forma se usan dos buses definidos. Los microcontroladoresAVR de Atmel Corp y PIC de Microchip utilizan este tipo de arquitectura.

2.1.6. Sistemas a bordo

Actualmente el uso de drones o VANTs se hn convertido en una tecnología emergente que permi-

ten a los sistemas embebidos volar de forma autónoma mejorando la calidad de los datos y evitando

las restricciones espaciales, sin embargo estos presentan desafíos como la comunicación entre el sis-

tema embebido y los receptores, así como el entorno, la potencia y el peso. Entre los sistemas a bordo

más comúnes se encuentran la supervisión inteligente de terrenos, sistemas de navegación, vuelos

autónomos, hasta reconocimiento de rostros dentro de ambientes urbanos [24].

Sensores

Un sensor es un dispositivo que tiene la capacidad de detectar magnitudes físicas o químicas pa-

ra transformarlas en señales eléctricas. Los sensores son dispositivos imperfectos con errores tanto

sistemáticos y naturaleza aleatoria. Los errores aleatorios no pueden corregirse, ya que que represen-

tan una valor notable en cuanto a incertidumbre. Los sistemas embebidos requieren de sensores para

medir variables como: temperatura, humedad, presión, luminosidad, posición, proximidad, lumino-

sidad, alcohol, humo de cigarro, ozono, pH, humedad del suelo entre otros. Los sensores tienen un

transductor que es un elemento importante para el propio dispositivo pues tiene por objetivo traducir

una magnitud física(señal de entrada) en una señal eléctrica adecuada para el sistema. En la tabla 2.2

se encuentran las características más importantes que definen a los sensores [25].

12


Tabla 2.2: Características que distinguen a un sensor

Características

Resolución Variación de la magnitud de entrada que puede de-tectar el sensor.

Precisión Error en la medición del sensor. La precisión es larelación del rango de salida del sensor con respectoa la desviación estándar.

Offset Valor de la variable de salida del sensor cuando lavariable de entrada es nula.

Tiempo de res-puesta

Tiempo o variación de la magnitud a medir.

Medición Límite de la magnitud de medida en un sensor.

Deriva Mangintud de las condiciones ambientales en lasque debe estar el sensor que influyen en la variablede salida.

Repetitividad Error esperado al repetir varias veces la misma me-dida.

Sensibilidad Variación en la magnitd de entrada.

Error El error se define como el grado de conformidad en-tre la medición del sensor y el valor verdadero, amenudo se expresa como una proporción del valorverdadero.

Arduino

Arduino es una plataforma de hardware y software libre en el cual se pueden llevar a cabo pro-

yectos básicos y de tipo científico de bajo costo. El lenguaje de programación con el que trabajan

está basado en C++. Este proyecto nació en el Instituto de Diseño de Interacción Ivrea, Italia como

una herramienta para la creación de prototipos, dirigida a personas sin experiencia en electrónica y

programación. Con el tiempo Arduino comenzó a adaptarse a nuevas necesidades y desafíos, diferen-

ciando su oferta de placas simples de 8 bits a productos para aplicaciones IoT, dispositivos portátiles,

impresión 3D y entornos integrados [26] .

Placas Arduino

Las placas Arduino incorporan un microcontrolador re-programable Atmega que es capaz de eje-

cutar las órdenes grabadas en su memoria. Se compone de varios bloques funcionales, los cuales

13


cumplen una tarea específica. Un microcontrolador está compuesto por una unidad central de pro-

cesamiento, memoria y periféricos de entrada/salida. Las placas Arduino están integrados además

de una serie de pines, que permiten establecer conexiones entre el microcontrolador y los diferentes

sensores o actuadores. Existen diferentes modelos de tarjetas Arduino, el tipo va de acuerdo a las

necesidades del usuario. Algunos modelos son: Arduino Uno que incorpora 16 pines digitales y 6 en-

tradas analógicas. La tarjeta Arduino Mega ofrece 54 pines digitales de entrada/salida (14 de ellos son

salidas PWM) y 16 entradas analógicas. Arduino Leonardo integra 20 pines digitales de entrada/salida

y 7 canales PWM. La tarjeta Arduino Nano se compone de 14 pines digitales de entrada/salida. En la

Fig. 2.4 se describen las características a detalle de la placa Arduino Nano [27] [28].

Microcontrolador ATMega328P

Arduino Nano

14 pines digitalesde entrada/salida

6 pines PWM

Reloj externo de 16Mhz

8 pines analógicos

Figura 2.4: La Placa Arduino Nano también integra una memoria de 16 KB, 1 KB de SRAM, 512bytes de EPROM y 1 UART(Universal Asynchronous Receiver-Transmitter, en español Transmisor-Receptor Asíncrono Universal). El voltaje de operación con el cual trabaja es 5V. Está diseñada parausarse en espacios pequeños. La tarjeta Arduino trabaja con un núcleo, sin embargo se pueden consi-derar 2 si se toma en cuenta el microcontrolador que se encarga de la conexión USB.

Placa de circuito impreso (PCB)

Las PCBs son superficies planas fabricadas en un material no conductor, está integrada por dis-

tintas capas de material conductor en las que se encuentran caminos, pistas o buses, usualmente de

cobre. Una PCB es la forma más compacta y estable de construir un circuito electrónico. Un ejemplo

de ello es la placa Arduino en la que implementó un determinado diseño de circuitería interna, de

esta forma el usuario final no se debe preocupar por las conexiones eléctricas [29].

Raspberry Pi

Raspberry Pi es una microcomputadora de memoria limitada, con conectividad a Internet capaz

de ejecutar aplicaciones como una PC en el que se aloja un chip Broadcom BCM2835 con procesador

ARM. Este dispositivo trabaja con un sistema operativo optimizado que se encuentra instalado en la

14


tarjeta microSD de la microcomputadora. La familia Raspberry Pi ha tenido 4 versiones en la tabla 2.3

se observan las características principales y modelos hasta la actualidad [30] [31].

Tabla 2.3: Modelos y características principales de la microcomputadora Raspberry Pi

Modelo Características

Raspberry Pi 1 El modelo A cuenta con un Procesador ARM 11,256Mb de SDRAM, 1 puerto USB (el modelo B aña-de 2 puertos USB y el modelo B+ se compone de 4puertos USB), no cuenta con conectividad Ethernet(el modelo B añade un puerto Ethernet).

Raspberry Pi 2 Procesador ARM Cortex A7 (potencia de cálculo su-perior), 4 núcleos a 900 MHz, 1Gb de SDRAM, 17GPIO con funciones SPI, I²C y 1 UART.

Raspberry Pi 3 Procesador ARMv8 de cuatro núcleos a 1.2GHz de64 bits. Se mantiene el chip gráfico VideoCore IV,1Gb de SDRAM, puerto Ethernet, 4 puertos USB y17 GPIO con funciones SPI, I²C y UART. Bluetooth4.1 y Wifi 802.11n.

Raspberry PiZero

Potencia que un Raspberry Pi 1 B pero de menortamaño, cuenta con 512Mb de SDRAM, no cuentacon puerto Ethernet y el conector DSI, cuenta con 1puerto Micro USB y GPIO, SPI, I²C y UART.

Raspberry PiZero W

Esta tarjeta incluye las características de la tarje-ta Raspberry Pi Zero, añade Bluetooth 4.1 y Wifi802.11n.

Raspberry Pi 4 Procesador Quad Core Cortex A-72 1.5 GHz. RAM1-4 GB, 4 puertos USB, HDMI, Bluetooth 5.0 y Wifi2.4/5.0.

Características del microcontrolador ATmega 328p

El microcontrolador ATmega 328p, forma parte del hardware en las tarjetas Arduino. Sus caracte-

rísticas principales se mencionan a continuación [32]:

Memoria flash DE 32KB, este tipo de memoria permite la lectura y escritura.

Memoria RAM de 2KB, en esta memoria se cargan todas las instrucciones que ejecuta la unidad

de procesamiento.

Frecuencia de operación de 20Mhz, es decir la velocidad en la que se transmiten y reciben los

datos.

Voltaje de operación 2.7 a 5.5 V.

Arquitectura RISC (conjunto reducido de instrucciones, menos espacio)

15


Tipos de señales

Una señal eléctrica es una manifestación o signo que transporta información como voltaje, corrien-

te e intensidad. Existen diferentes tipos de señales entre ellas se encuentran las señales analógicas,

digitales, eléctricas, periódicas, aleatoria, señales de tiempo continuo, tiempo discreto, entre otras.

Para efectos de estudio se definirá una señal digital y una señal analógica. Una señal analógica es

una señal senoidal o sinusoidal, es decir es una curva que representa gráficamente la función seno

con variación continua en el tiempo para interpretar una variable física como la luz, energía y sonido.

Los parámetros que la caracterizan son la amplitud y periodo. En la Fig. 2.5 se observa una señal

analógica [33].

Figura 2.5: En la actualidad los micrófonos, la radio, entre otros utilizan este tipo de señales. La ventajade usar este tipo de señales es que consumen poco ancho de banda. Una de sus desventajas es quesuele haber transmisión fallida, además la transmisión se va degradando a medida que se realizancopias.

Por otro lado las señales digitales representan una señal discontinua con respecto a el tiempo.

La forma que toman este tipo de señales es una onda cuadrada (pulsos). Este tipo de señales se

caracterizan por tener parámetros como altura, duración y frecuencia. El hecho de que las señales

trabajen con pulsos siginifica que se utilizan 0’sy 1’s. Los reproductores de CD’s trabajan con este tipo

de señales. La Fig. 2.6 muestra el ejemplo de una señal digital [34].

Figura 2.6: Una señal digital permite mayor espacio de almacenamiento. Una señal digital es creadapor el mismo ser humano, por tanto necesita previa conversión analógica-digital y una decodificaciónpara su recepción. Una de las ventajas de esta señal es que puede ser amplificada y reconstruida almismo tiempo, gracias a los sistemas de regeneración de señales.

16


Modulación por anchura de pulsos (PWM)

La modulación por anchura de pulso (PWM en inglés pulse-width modulation) es una técnica de

modulación que se basa en la variación de la anchura del pulso de una señal digital dada una señal

analógica, ya sea para transmitir información o para controlar la cantidad de energía. Habitualmente

se usa para el control de motores, regulación de potencia, rectificación y como conversión digital-

analógica. Las placas Arduino permiten utilizar este tipo de modulación, utilizan timers [22].

Bus I2C

El bus de dos hilos con interfaz serie I2C (Inter-Integrated Circuit) se diseñó específicamente para

aplicaciones con microcontroladores. Permite la interconexión de hasta 120 dispositivos diferentes

usando solo dos lineas bidireccionales de bus, una para el reloj (SCL) y otra para datos (SDA) [22].

2.1.7. Puerto serie

Es un puerto que permite el flujo de comunicación en el cual los datos son transmitidos bit a bit,

este puerto puede enviar y recibir datos pero no simultáneamete. Los Puertos Series suelen contener

desde nueve pines, hasta veinticinco [35].

2.1.8. Tipos de errores

El uso de aproximaciones en las mediciones lleva consigo problemas de inexactitud llamado tam-

bién error o incertidumbre. Las mediciones deben exactas o sin sesgo para satisfacer los requisitos de

problemas llevados a la implementación de aplicaciones y técnicas científicas. El error se define como

la diferencia entre el valor verdadero y el valor experimental, debido a las causas que lo producen, se

han clasificado en errores sistemáticos y errores aleatorios, a continuación se describen cada de ellos.

Error aleatorio o error estocástico

El error aleatorio se define como pequeñas variaciones entre una medición y otra, pero para un

gran número de mediciones se obtiene un número considerable de desviaciones, este tipo de errores

se acotan mediante un tratamiento estadístico.

Error sistemático

Los errores sistemáticos provienen del instrumento de medición, con problemas de calibración o

del proceso de medición.

17


Error absoluto

Para cuantificar los errores de medición, existen métodos que se utilizan en los cálculos, el error

absoluto y el error relativo. El error relativo es la diferencia entre el valor medido y el valor real. En

la ecuación 2.1 se observa el cálculo del error absoluto.

E = |Xm −Xr| (2.1)

Error relativo

El error relativo resulta ser el cociente entre el error absoluto y el valor real. En la ecuación 2.2 se

observa el cálculo del error relativo.

e = E/Xm (2.2)

Error cuadrático medio (ECM)

Para medir la tendencia de una serie de datos, mide la cantidad de error que hay entre dos conjun-

tos de datos, compara un valor predicho y un valor observado o conocido. Esta medida es la media

aritmética de la suma de las diferencias cuadráticas entre los valores de la serie y los valores produci-

dos por el modelo, mientras el error sea de menor valor, más adecuado es el modelo. La ecuación 2.3

muestra el cálculo del error cuadrático medio.

ECM =1

n

n∑i=1

(Yi − Yi)2 (2.3)

Donde: Yi son las predicciones. Mientras que Yi son los valores del estimado [36] [37].

2.1.9. Filtro de Kalman

El filtro de Kalman resulta ser un algoritmo para procesar mediciones discretas (entrada) en esti-

maciones óptimas (salida). El filtro de Kalman se utiliza particularmente en aplicaciones de robótica

móvil. El filtro de Kalman se utiliza para mantener una estimación continua del estado de un vehículo

o para los parámetros que describen objetos de interés en el medio ambiente. Permite que una esti-

mación existente de la posición del robot sea combinado con información de posición de uno o más

sensores, también permite una estimación de la certeza de forma que una matriz de covarianza se

mantendrá bajo ciertas circunstancias, el filtro de Kalman logra esta actualización de manera óptima

de manera tal que minimice el error esperado en dicha estimación. El filtro de Kalman trabaja con dos

estados uno de predicción y uno de actualización. A continuación se describen algunos conceptos

fundamentales para detallar el funcionamiento del filtro de Kalman [38].

18


Valor medio o media: Es el promedio dada una muestra o una serie de valores. La media gene-

ralmente se denota con una letra griega µ. La media de las mediciones es el valor esperado de

la variable aleatoria. Para poder estimar la media de un conjunto extenso de muestras se hace

uso de la ecuación 2.4.

xN,N =1

N(z1 + z2 + ...+ zN−1 + zN ) =

1

N

N∑n=1

(zn) (2.4)

Varianza: La varianza suele representarse como σ2 de una variable aleatoria, es una medida de

dispersión definida por la variabilidad (la variedad que estos presentan) de una serie de datos

respecto a su media. La varianza está representada por la ecuación 2.5

V ar(x) = σ2 =

∫ ∞−∞

(x− µ)2f(x)dx. (2.5)

Desviación estándar: Es la raíz cuadrada de la varianza, está representada por σ

Distribución normal, gaussiana o función de densidad de probabilidad: Es una de las distri-

buciones de probabilidad de variable continua para calcular probabilidades. El diseño del filtro

Kalman supone una distribución normal de los errores de medición.

La distribución gaussiana se muestra en la ecuación 2.6.

f(x) =1

σ√

2πexp(− (x− µ)2

2σ2) (2.6)

Estimación: Consiste en evaluar el estado oculto del sistema (parámetros no conocidos).La es-

timación se puede mejorar significativamente mediante el uso de múltiples sensores y la apli-

cación de algoritmos avanzados de estimación y seguimiento (como el filtro de Kalman). Cada

parámetro medido o calculado es una estimación.

Precisión: Indica qué tan cerca está la medición del valor verdadero. El valor verdadero está

representado por la ecuación 2.7

V alorverdadero = valoraproximado+ error (2.7)

La precisión describe cuánta variabilidad hay en varias mediciones del mismo parámetro. Los

sistemas de alta precisión tienen baja varianza en sus mediciones (es decir, baja incertidumbre),

mientras que los sistemas de baja precisión tienen alta varianza en sus mediciones (es decir, alta

incertidumbre). La varianza es producida por el error de medición aleatorio. El desplazamiento

entre la media de las mediciones y el valor verdadero es la precisión de las mediciones, también

19


conocida como sesgo o error de medición sistemática. La dispersión de la distribución es la

precisión de la medición, también conocida como precisión o ruido de medición o error de

medición aleatorio o incertidumbre de medición

Matriz de covarianza

Dada una variable estadística n-dimensional (X1, X2, X3, ..., Xn) la matriz de covarianza contie-

ne las varianzas de las distintas variables con las que se está trabajando. La matriz de varianzas-

covarianzas es simétrica respecto a su diagonal principal, es positiva, su determinante es positivo.

La matriz de covarianza en el filtro de Kalman depende de la resolución de cada uno de los senso-

res [39] [40].

Matriz de correlación

La matriz de correlación es una matriz cuadrada y simétrica que tiene 1’s en la diagonal y fuera de

ella los coeficientes de correlación entre las variables. Este tipo de matriz se caracterizá por la relación

que existe entre cada una de sus variables [39].

Vector de estado

Es un vector compuesto de variables aleatorias, obedece a una relación descrita para sistemas

continuos. Determina de manera única el estado de un sistema x(t) para cualquier tiempo t. El vector

de estado representa grados de libertad del sistema. Las variables en el vector de estado no se pueden

medir directamente, sino que se pueden deducir a través de los valores que se pueden medir como la

posición, velocidad, ángulos de orientación, entre otros [39] [40].

Ecuaciones filtro de Kalman

Para estimar xN,N se requiere usar la estimación anterior y agregar un pequeño ajuste. La Fig. 2.7

representa el proceso que requiere seguir la actualización de estado. Matemáticamente la ecuación de

actualización de estado se describe en 2.8

Estimación del estado

actual

=

Valor de prediccióndel estado

actual

Factor x Medición

Valor de prediccióndel estado

actual

+ -( )Figura 2.7: Proceso de actualización de estado

20


xN,N =1

N

N∑n=1

(zn) =1

N(

N−1∑n=1

(zn) + zN )) =1

N

N−1∑n=1

(zn) +1

NzN =

1

N

N − 1

N − 1

N−1∑n=1

(zn) +1

NzN =

N − 1

N

1

N − 1

N−1∑n=1

(zn) +1

NzN =

N − 1

NxN,N−1 +

1

NzN = xN,N−1 −

1

NxN,N−1 +

1

NzN =

xN,N−1 +1

N(zN − xN,N−1)

(2.8)

El factor 1N se llama ganancia de Kalman. Se denota por Kn. El subíndice n indica que la ganancia de

Kalman puede cambiar con cada iteración. zn indica las mediciones obtenidas.

Por lo tanto la ecuación de actualización se representa en la ecuación 2.9.

xn,n = xn,n−1 + αn(zn − xn,n−1) (2.9)

El término zn − xn,n−1 es una medida residual que contiene la nueva información. El algoritmo de

estimación se describe en la Fig.2.8.

Estimación del estado

actual usando la ecuación

de actualización

Calcular la ganancia

de Kalman

Estimación del estado Xn,n

Calcular la predicción

para la siguiente

iteración

Xn,n+1

Valor medidoZn

Estado inicial del sistema

Tiempo de espera

n+1Xn,n-1

Figura 2.8: Proceso de estimación

La ecuación de ganancia de Kalman debe ser entre 0 y 1 el cálculo se observa en la ecuación 2.10

Kn =Incertidumbre en Estimacion

Incertidumbre en Estimacion + Incertidumbre en medicion=

pn,n−1pn,n−1 + rn

(2.10)

Donde: pn,n−1es la incertidumbre estimada extrapolada y rn es la incertidumbre de la medición.

Cuando la incertidumbre de medición es muy grande y la incertidumbre estimada es muy peque-

ña, la ganancia de Kalman es cercana a cero. La actualización de incertidumbre estimada (ecuación

de actualización de covarianza) se muestra en la ecuacion 2.11.

21


pn,n = (1−Kn)pn,n−1 (2.11)

Donde: Kn es la ganancia de Kalman, pn,n−1 es la incertidumbre estimada que se calculó durante la

estimación del filtro anterior y pn,n es la incertidumbre estimada del estado actual. Cuando la incer-

tidumbre de medición es grande, la ganancia de Kalman será baja, por lo tanto, la convergencia de la

incertidumbre estimada sería lenta. Sin embargo, cuando la incertidumbre de medición es pequeña,

la ganancia de Kalman será alta y la incertidumbre estimada convergería rápidamente hacia cero. La

extrapolación de incertidumbre estimada se observa en la ecuación 2.12.

pxn,n−1 = pxn−1,n−1 + ∆t2 · pvn−1,n−1pvn,n−1 = pvn−1,n−1 (2.12)

Donde: px es la incertidumbre estimada de posición y pv es la incertidumbre estimada de velocidad

[41] [42].

2.1.10. Telemetría

La telemetría es una tecnología que permite medir y rastrear magnitudes físicas de forma remota

e inalámbrica, la telemetría se basa en la conversión de señales captadas por un sensor a señales

eléctricas que son transmitidas para su registro y posterior medición. Existen sistemas telemétricos

que aportan información sobre el estado de procesos específicos y controlarlos a distancia [43].

2.1.11. Internet de las cosas (IoT en inglés Internet of Things)

Es una red de área extendida que está integrada por millones de redes privadas, públicas, acadé-

micas, comerciales y gubernamentales, de alcance local a global, estan vinculadas por una gama de

tecnologías de redes electrónicas, inalámbricas y ópticas. Hoy en día más de 100 países están vincula-

dos a intercambios de datos, noticias y opiniones a través de Internet. IoT describe un mundo donde

se puede conectar caualquier dispositivo que se comunica de manera inteligente como servidores,

computadoras, tabletas, teléfonos y teléfonos inteligentes. Internet de las cosas implica el uso de sen-

sores y actuadores incrustados en objetos físicos, desde carreteras hasta marcapasos, están vinculados

a través de redes cableadas e inalámbricas, a menudo utilizando la misma IP de Internet que conecta

Internet. Estas redes producen grandes volúmenes de datos que fluyen a las computadoras para su

análisis. El Internet de las cosas entonces es la codificación y la creación de redes de objetos cotidianos

para hacerlos individualmente legibles y rastreables. La arquitectura de IoT se describe en la Fig. 2.9.

En la primera etapa los sensores recopilan los datos del entorno u objeto bajo medición y los

convierten en datos útiles. Si se esta trabajando con actuadores pueden intervenir para cambiar las

22


SensoresActuadores

Adquisición de datos

Pre-procesamiento

Nube

Eta

pa 1

Eta

pa 2

Eta

pa 3

Eta

pa 4

Figura 2.9: Digrama general de la arquitectura propuesta. En esta figura se muestra la arquitecturapropuesta para IoT, sin embargo dicha arquitectura va a depender de la solución que se le este dando.La Fig. muestra los componentes principales. La etapa 1 se denomina también capa de dispositivosen donde los sensores y los actuadores a menudo se conectan directamente o de forma inalámbrica,a través de tecnologías como Bluetooth o ZigBee a dispositivos de IoT. En la etapa 2 los sistemas seencuentran cerca de los sensores y actuadores, en donde un dispositivo o servidor de puerta de enlaceadyacente procesará los datos y los reenviará a los sistemas de la etapa 3. El objetivo de la etapa 3 ocapa Edge es el preprocesamiento, como el filtrado y la agregación de datos, se ejecutan en el límitey luego los datos principales preprocesados se transfieren en sentido ascendente hacia los servicios yaplicaciones de la nube para procesarlos. En la etapa 4 o capa de la nube las aplicaciones en la nubeque realizan el procesado de datos, se complementan con aplicaciones móviles y de clientes basadasen la web, que presentan los datos a los usuarios finales y brindan acceso a herramientas para explorary analizar.

23


condiciones físicas que generan los datos, algunos de estos tipos pueden ser cámaras robóticas, detec-

tores de nivel de agua, sensores de calidad del aire, acelerómetros y monitores de frecuencia cardíaca.

En la segunda etapa un dispositivo o servidor de puerta de enlace adyacente procesará los datos y los

reenviará a los sistemas etapa 3 o etapa 4. En la etapa 3 los datos pueden requerir un procesamiento

adicional antes de ingresar al centro de datos, los sistemas de procesamiento pueden estar ubicados

en oficinas remotas. Finalmente los datos de la etapa 3 se envían al centro de datos físico o a los siste-

mas basados en la nube, donde sistemas de más potentes pueden analizar, administrar y almacenar

de forma segura los datos. El procesamiento de la etapa 4 puede realizarse localmente, en la nube o

en un sistema de nube híbrido, pero el tipo de procesamiento ejecutado en esta etapa sigue siendo el

mismo, independientemente de la plataforma [44] [45].

En general Internet de las cosas son los dispositivos que se conectan a la red para tener cierto

control sobre otros dispositivos electrónicos y mecánicos de manera remota usando módulos WI-FI

o GSM . Para configurar IoT es necesario desarrollar una infraestructura adecuada para que todos

los nodos esten conectados al dispositivo del nodo maestro (puede ser un dispositivo maestro local

o un control remoto Servidor). Para conectar el sistema interno de IoT se debe construir un servidor

cliente para que el sistema local y remoto esten siempre conectados a través de protocolos como

MQTT, HTTP, entre otros [46].

JSON (JavaScript Object Notation)

JSON es un formato liviano para almacenar y transportar datos, se usa a menudo cuando los datos

se envían desde un servidor a una página web. Se basa en un subconjunto del estándar de lenguaje de

programación JavaScript. JSON es un conjunto desordenado de pares de nombre / valor. EL objeto

comienza con llave izquierda y termina con llave derecha. Cada nombre es seguido por: dos puntos

y los pares de nombre / valor están separados por una coma [47] [48].

Modelo TCP/IP

Es una colección de protocolos que se han especificado como estándares de Internet por parte de

IAB (Internet Architecture Board). La capas de este modelo se describen a continuación:

Capa física: Esta capa se encarga de la especificación de las características del medio de trans-

misión, la naturaleza de las señales y la velocidad de datos. Define la interfaz física entre el

dispositivo de transmisión de datos y el medio de transmisión o red.

Capa de acceso a la red: Esta capa es responsable del intercambio de datos entre el sistema final y

la red a la cual está conectado. El emisor debe proporcionar a la red la dirección del destino, de

tal manera que ésta pueda encaminar los datos hasta el destino.

24


Capa internet: El protocolo internet (IP Internet Protocol) se utiliza en esta capa para ofrecer el

servicio de encaminamiento a través de varias redes. Este protocolo se implementa tanto en los

sistemas finales como en los encaminadores intermedios. Un encaminador es un procesador que

conecta dos redes y cuya función principal es retransmitir datos desde una red a otra siguiendo

la ruta adecuada para alcanzar el destino.

Capa extremo-a-extremo o de transporte: El protocolo para el control de la transmisión, TCP (Trans-

mission Control Protocol), es el más utilizado para agrupar los mecanismos y garantizar que los

paquetes lleguen en secuencia y sin errores, al intercambiar la confirmación de la recepción de

los datos y retransmitir los paquetes perdidos, además de que se intercambien de forma fiable.

Capa de aplicación: Esta capa contiene toda la lógica necesaria para definir las aplicaciones de red

y los servicios de Internet además permite el envío de mensajes y señales entre diferentes redes.

Facilita la posibilidad de acceder a los servicios de las demás capas y define los protocolos que

utilizan las aplicaciones para intercambiar datos, como correo electrónico [49] [50].

En la Fig. 2.10 se muestra la jerarquía de las capas que integran el modelo TCP/IP.

Transporte

origen-destino

Internet

Acceso a la red

Física

Aplicación

Figura 2.10: La arquitectura TCP/IP utiliza el protocolo TCP sin embargo también hace uso del pro-tocolo de datagramas de usuario, UDP (User Datagram Protocol), el cual no garantiza la entrega, elorden secuencial, ni la protección frente a duplicados.

25


Protocolo HTTP vs MQTT

MQTT (Message Queue Telemetry Transport) es un protocolo de mensajería ligera inventado por

IBM para IoT, funciona a través de los métodos publicar y suscribir. En el Modelo OSI basado en

TCP/IP, es una capa de aplicación protocolo que tiene una sobrecarga muy ligera ya que tiene tamaño

de encabezado fijo de 2 bytes. Los mensajes se clasifican como topics los cuales deben ser gestiona-

dos por un servidor llamado Broker. Un broker es un servidor que recibe todos los mensajes de los

clientes y redirige estos mensajes a los clientes de destino. En la Fig. 2.11 se observa la estructura de

el protocolo MQTT [51].

Dispositivo 1

Dispositivo 2

Dispositivo 3

Servidor Cliente

Publicar

Suscribir

Suscribir

Publicar

Figura 2.11: Este protocolo es útil cuando se intercambian pequeños mensajes que requieren menosancho de banda en redes inalámbricas y en las que se experimenta latencia debido al ancho de banda.

Por otro lado el protocolo de transferencia de hipertexto (HTTP en inglés Hypertext Transfer Pro-

tocol) utiliza una arquitectura de solicitud/respuesta. HTTP puede transferir un gran cantidad de

datos en pequeños paquetes que pueden posiblemente causar problemas de ancho de banda. Se es-

tila incluir el cliente en el dispositivo IoT y no el servidor por cuestiones de seguridad. La solicitud

HTTP usa un formato de encabezado complejo de TCP (Protocolo de Control de Transmisión) con

9 paquetes que no son necesarios en la mayoría casos de IoT ya que es una pérdida innecesaria de

recursos. El protocolo HTTP se usa comúnmente donde se encuentran datos que son activados por el

cliente, por ejemplo, informes meteorológicos, estado de contaminación, entre otros [52]. La estructu-

ra del protocolo HTTP se muestra en la Fig. 2.12.

26


Dispositivo 1

Dispositivo 2

Dispositivo 3

Servidor

Cliente 1

HTTP solicitud

HTTP respuesta

Cliente 2

HTTP solicitud

HTTP respuesta

Figura 2.12: HTTP funciona en TCP/IP, lo cual proporciona una comunicación confiable. En cualquierarquitectura de IoT, existe un servidor y dispositivos IoT que se conectarán todo el tiempo para queel proceso sea controlado por el servidor y los dispositivos IoT se encarguen de enviar y recibir datosdel propio servidor.

Las ventajas de utilizar el protocolo HTTP para IoT, se describen a continuación:

HTTP es un protocolo de la capa de aplicación, lo cual permite en IoT utilizar la infraestructura

web (servidores y clientes) para implementar el intercambio de mensajes.

La integración de las comunicaciones de IoT con interfaces de usuario se vueleve muy práctica ,

tanto del lado del desarrollador como del usuario final, ya que ambos están muy familiarizados

con aplicaciones web.

Existe una infraestrucutura muy robusta soportando las comunicaciones vía web. La conectivi-

dad a nivel físico está ampliamente difundida, así como las tecnologías de desarrollo de soft-

ware (lenguajes, APIs, web services, cloud computing), por lo que el desarrollo de aplicaciones

de gestión y monitoreo de dispositivos IoT en web es muy práctica y rápida.

Es sencillo implementar un nivel de seguridad en el intercambio de mensajes utilizando HTTPS

(comunicación encriptada con SSL sobre el protocolo HTTP)

La aplicación web IoT, puede implementarse de forma prácticamente inmediata sobre un ser-

vidor web, sin la necesidad de middleware adicional que funcione como intermediario entre la

gestión de los datos y la presentación al usuario final.

Existe abundante documentación y herramientas de acceso libre sobre el desarrollo de aplicacio-

nes web y la implementación del protocolo HTTP. Este hecho puede impactar favorablemente

en el costo de desarrollo de aplicaciones IoT, puesto que no hay dependencias fuertes con tec-

nologías de propietario.

27


Tabla 2.4: Comparación de los protocolos HTTP Y MQTT

Protocolo HTTP Protocolo MQTT

El protocolo HTTP envía varios paquetes pe-queños a el servidor para conectarse.

El protocolo MQTT está diseñado para enviarun mensaje a uno o más dispositivos con me-nos latencia la cantidad de mensajes puedeser de 0-256 Mb, pero no se vuelve a enviar.

Cuando se envían varios paquetes, requiereuna alta demanda en la red y puede provocardemoras.

En las aplicaciones IoT, la cantidad de datoses demasiado baja para que se pueda usar es-te protocolo para enviar mensajes a través deredes frágiles.

HTTP funciona en el protocolo TCP/IP, elcual proporciona una comunicación confia-ble.

La entrega del paquete está 100 % asegura-da. El mensaje se entregará al menos una vez.Garantiza que cada mensaje sea recibido solouna vez por el receptor.

Las llamadas HTTP no tienen estado, lo queconduce a la autenticación cada vez que se co-necta, ya que está conectado a una IP o URLpara relaizar llamadas API (Interfaz de Pro-gramación de Aplicaciones) que es una formade describir la forma en que los programas olos sitios webs intercambian datos, por lo quela sesión no se guarda.

Según las mediciones en redes 3G, el rendi-miento de MQTT es 90 veces más rápido queHTTP.

Después de obtener respuesta, el dispositivocierra la conexión. Por lo tanto, IoT causa gas-tos generales graves en la comunicación dered.

MQTT tiene una especificación muy peque-ña, conectar, publicar, suscribir y desconectar.

Cuando el usuario se conecta a una aplicacióncliente, envía una solicitud HTTP al servidor.

MQTT tiene un encabezado y paquete demensaje muy pequeño El tamaño del mensajetambién es muy pequeño de 2 bytes.

Como se puede observar ambos protocolos de comunicación tienen ventajas y desventajas. El pro-

tocolo se debe elegir según los requerimientos del proyecto a desarrollar. Se debe tomar en cuenta el

tipo de información a enviar. Si se trata de pequeños mensajes es mejor MQTT, mientras que para blo-

ques de datos conviene HTTP. MQTT es conveniente cuando los nodos son alimentados por baterías

ya que mejora el uso de la energía. HTTP es útil en gateways para transferir toda la información de

una sola vez, en lugar de enviar varios mensajes [53].

28


2.2. Trabajo relacionado

Entre los sistemas que integran una sola plataforma para la medición de variables se encuentran

los siguientes trabajos: Arizaga y Rincón [54] desarrollaron un sistema telemétrico en un servidor

web. El sistema está basado en un microcontrolador, una memoria y una pantalla de LCD. Dicho

sistema es responsable de detectar la temperatura, la presión atmosférica y la humedad y es capaz

de enviar la información a través de la comunicación Ethernet. En el trabajo de Vera y Romero [55]

se desarrolló una aplicación que utiliza un módulo Xbee para la transmisión de los datos de varia-

bles ambientales que se han medido a través de una red sensores especializados. En el estudio de

Palacios y Ríos [56] se desarrolló un instrumento que permite medir la concentración de CO, CH4,

temperatura y presión ambiental. El dispositivo está integrado por un microcontrolador, una pantalla

LCD, un reloj y una microSD que sirve para almacenar los datos obtenidos. Kumar and Jasuja [57]

presentan el desarrollo de un sistema de monitoreo para la calidad del aire en tiempo real, que in-

cluye los parámetros de PM 2.5, monóxido de carbono, dióxido de carbono, temperatura, humedad,

aire y presión. Además hace uso de Internet de las Cosas para la gestión de los datos provenientes de

los diferentes sensores recopilados y transmitidos por una microcomputadora Raspberry Pi, los datos

son mostrados a través de la plataforma IBM Bluemix. Ilie and Vaccaro [58] desarrollaron un dispo-

sitivo para detectar y medir el gas metano en áreas de almacenamiento de gas natural. Puede medir

la calidad del aire y del agua como temperatura, pH, conductividad eléctrica así como CH4 y CO2.

El nodo del sensor se basa en el microcontrolador Arduino UNO, que recibe los datos de los sensores

y los transmite a la base de datos en Raspberry Pi 3, accediendo de forma remota a todos los datos.

Mois, et al. [59] presentan el desarrollo de un sensor ambiental de eficiencia energética que envía da-

tos de medición a una plataforma en la nube mediante solicitudes HTTP (Protocolo de transferencia

de hipertexto). El dispositivo se basa en un sistema en chip programable (PSoC) y está equipado con

un sensor de temperatura y humedad relativa para tomar medidas y con un módulo WLAN (red

de área local inalámbrica) para enviar datos al servidor. Parmar, et al. [60] desarrollaron un sistema

de monitoreo para concentraciones de los principales gases contaminantes del aire. El sistema utiliza

nodos de monitoreo de de bajo costo que están integrados por sensores de gas y módulos Wi-Fi. Este

sistema mide las concentraciones de gases como CO, CO2, SO2 y NO2 utilizando sensores semicon-

ductores. Los sensores recopilan los datos de varios parámetros ambientales y se los proporcionarán

a la microcomputadora Raspberry Pi, que actúa como estación base. Los valores se muestran en el

servidor web basado en la misma microcomputadora. Ahmed, et al. [61] proponen un sistema de

monitoreo en tiempo real para medir gases, cuenta con alerta de emergencia basado en Internet de

las cosas (IoT), permite a los usuarios rastrear la calidad del aire circundante de su hogar u oficina o

industrias desde cualquier lugar. El sistema mide gases como CH4, CO, CO2, entre otros. Holovatyy,

et al. [62] desarrollaron un sistema de detección y medición de la concentración para gases tóxicos y

vapores en tiempo real. Este sistema mantiene dos estados: uno de monitoreo y otro de alarma, este

29


último se acciona cuando sobrepasa el grado de concentración según la norma de los gases tóxicos,

enviando un mensaje SMS a través de un módulo GSM y un mensaje a la PC por medio de la interfaz

serie. Rosero-Montalvo, et al. [63] desarrollaron un sistema de monitoreo para la calidad del aire con

diferentes nodos establecidos en la ciudad de Ibarra, Ecuador a través de sensores que evalúan los

parámetros de CO2, NOx, Luz UV, temperatura y humedad. Los datos adquiridos mediante técnicas

y algoritmos de aprendizaje de máquina permiten al sistema clasificar de forma autónoma si una de-

terminada ubicación geográfica se encuentra excediendo los límites establecidos de emisión de gases.

Como resultado el algoritmo k-Nearest Neighbor presentó un gran rendimiento de clasificación al

seleccionar los sectores de mayor contaminación. Asthana and Bahl [64] desarrollaron un proyecto

que tiene como objetivo proporcionar soluciones inteligentes para monitorear gases tóxicos de aguas

residuales. Cuando se cruza cierto umbral, se envía una alerta al usuario que está examinando las

condiciones desde una ubicación remota. La información se reenvía junto con diferentes valores de

ppm de gas que indican si es seguro para el trabajador limpiar o trabajar en ese entorno o no. El equi-

po de monitoreo integra una plataforma IoT. Los sensores utilizados requieren de calibración para

fines industriales y la determinación de los niveles de umbral correctos para plantas e instalaciones

sépticas. Abdullah and Farhat [65] presentan un diseño para un sistema de monitoreo que tiene como

objetivo notificar a los residentes del nivel de concentración de COV(compuestos orgánicos volátiles)

y TVOC (Compuestos orgánicos volátiles totales) en ambientes interiores y exteriores. El sistema está

basado en Arduino e informa al usuario los valores de estos a través de su sistema de comunicación

inalámbrica.

Por otro lado, entre los sistemas que incluyen un VANT para superar las restricciones espaciales

se encuentran los siguientes. Malaver Rojas, et al. [66] desarrollaron un sistema de monitoreo para

gases contaminantes como NO2 (Dióxido de nitrógeno) y NH3 (Amoniaco), este sistema recopila los

datos así como la ubicación en la que se hizo dicha recolección, cuenta con dos sistemas: un portátil

ligero de sensor de gas y un VANT eléctrico-solar que puede ser usado opcionalmente. El prototipo

opera en la troposfera inferior sobre los 100 y hasta 500 metros, el objetivo es servir de apoyo para la

comunidad científica, que puede ayudar a analizar el comportamiento y los gases contaminantes. En

el estudio de Sidek y Abdullahfue [67], se propone un prototipo para el monitoreo de gases de efecto

invernadero. El sistema recopila datos utilizando un VANT; también utiliza la tecnología Zigbee para

transferir datos en un canal inalámbrico. Vargas y Lange [68] proponen un sistema de medición de

aire para gases contaminantes, como el ozono, el monóxido de carbono, así como la temperatura y

la presión atmosférica utilizando un VANT. Abou-Elnour, et al. [69] desarrollaron un sistema de bajo

costo que se encarga de medir gases de efecto invernadero (GEI), además de temperatura, presión y

humedad a través de un VANT, el cual está integrado por un sistema de comunicación inalámbrica

implementado en un microcontrolador que recolecta las mediciones constantemente, enviando los

datos a un centro de monitoreo. Si la conexión inalámbrica es débil el sistema cuenta con un disposi-

30


tivo para respaldar los datos sin que se pierda la información. Tripolitsiotis, et al. [70], desarrollaron

una plataforma en la cual se puede adaptar casi cualquier tipo de sensor para el monitoreo ambiental,

transmitiendo las mediciones de cada sensor hacía controlador del VANT. El sistema tiene integra-

do un protocolo de comunicación para proximidad entre sensores para evitar colisiones entre estos.

También incorpora un módulo de telecomunicaciones mediante el uso de dispositivos móviles, estos

datos se pueden observar en tiempo real a través de mapas animados. Elloumi, et al. [71] proponen

un sistema de monitoreo de tráfico vial que utiliza varios VANTs, en el cual desarrollaron un método

para generar VANTs adaptativos que se basan en el seguimiento de puntos en movimiento en el cam-

po de visión del VANT. También generaron trayectorias de VANTs usando modelos de movilidad.

Los VANTs monitorean el tráfico en una carretera de la ciudad, son responsables de recopilar y en-

viar, en tiempo real la información del vehículo a un centro de procesamiento de tráfico para fines de

regulación del tráfico. En el estudio de Marinov, et al. [72] presentan el desarrollo de una aplicación

para estudiar la calidad del aire a diferentes altitudes. El enfoque se basa principalmente en el uso de

VANTs y sensores de bajo costo. Su objetivo es recopilar los datos tridimensionales de concentración

de contaminantes del aire.

La similitud que existe entre los sistemas de monitoreo antes mencionados y el proyecto desarro-

llado, es que ambos se encargan de medir variables ambientales y gases de efecto invernadero. La

novedad de este sistema es la integración del filtro de Kalman para ayudar a filtrar el ruido creado

por los sensores, además de predecir el estado aunque el sensor deje de funcionar por cortos pe-

riodos de tiempo. También cuenta con un sistema de transmisión en tiempo real para observar el

comportamiento de dichos gases. En las tablas 2.5, 2.6 y 2.7 se puede observar el resumen de los tra-

bajos relacionados, se clasificaron en sistemas de monitoreo fijos, móviles, si trabajan en tiempo real

o manual y si agregan un tipo de filtrado para sus datos. Además se añade el sistema de monitoreo

para gases de efecto invernadero desarrollado en este documento para observar qué características lo

identifican y lo hacen similar o diferente al resto de los trabajos mencionados.

31


Tabla 2.5: Resumen de trabajos relacionados

Trabajos

Restriccionesespaciales

Restriccionestemporales Filtrado

Fijo Móvil Tiemporeal

Manual

I. Rincon, F. Oswaldo, G.Manzanilla and J. A. ArizagaSilva, “Sistema de monitoreode variables ambientales uti-lizando ethernet”

x x

C. A. V. Romero, “Acople desensores en la medición devariables ambientales usan-do tecnología zigbee”

x x

E. A. M. Rios, J. Palacios, andN. Falcón, “Diseño y cons-trucción de sensores automa-tizados de gases de efecto in-vernadero en la baja tropos-fera”

x x

S. Kumar and A. Jasuja, “Airquality monitoring systembased on iot using raspberrypi”

x x

A. M. C. Ilie and C. Vaccaro,“Design of a smart gas detec-tion system in areas of natu-ral gas storage”

x x

G. Mois, Z. Szilagyi, T. Sanis-lav, and S. Folea, “An http-based environmental moni-toring system using powerharvesting”

x x

G. Parmar, S. Lakhani, andM. K. Chattopadhyay, “Aniot based low cost air pollu-tion monitoring system”

x x

M. M. Ahmed, S. Banu, andB. Paul, “Real-time air qua-lity monitoring system forbangladesh’s perspective ba-sed on internet of things”

x x

A. Holovatyy, V. Teslyuk, M.Lobur, S. Pobereyko, and Y.Sokolovsky, “Developmentof arduinobased embeddedsystem for detection of toxicgases in air”

x x

32



Trabajos




Manual

P. D. Rosero-Montalvo, J.A. Caraguay-Procel, E. D.Jaramillo, J. M. Michilena-Calderón, A. C. Umaquinga-Criollo, M. Mediavilla-Valverde, M. A. Ruiz, L. A.Beltrán, and D. H. Peluffo,“Air quality monitoring inte-lligent system using machinelearning techniques”

x x

N. Asthana and R. Bahl, “Iotdevice for sewage gas moni-toring and alert system”

x x

A. J. Alabdullah, B. I. Far-hat, and S. Chtourou, “Airquality arduino based moni-toring system”

x x

J. A. Malaver Rojas, N. Mot-ta, L. F. Gonzalez, P. Corke,and A. Depari, “Towards thedevelopment of a gas sensorsystem for monitoring pollu-tant gases in the low troposp-here using small unmannedaerial vehicles”

x x x

O. Sidek, A. Abdullah, U.Za’bah, N. Amran, H. Ja-far, M. A. Hadi, F. Nikmat,Z. Halim, and M. Mansor,“Development of prototypesystem for monitoring andcomputing greenhouse gaseswith unmanned aerial vehi-cle (uav) deployment”

x x

V. Vargas, V. Lange, et al.,“Sistema aéreo de mediciónde gases contaminantes ba-sado en un uav, resultadospreliminares”

x x

A. Abou-Elnour, M. Odeh,M. Abdelrhman, A. Balkis,and A. Amira, “Measure-ment of greenhouse gases inuae by using unmanned ae-rial vehicle (uav)”

x x

33



Trabajos




Manual

A. Tripolitsiotis, N. Pro-kas, S. Kyritsis, A. Dollas,I. Papaefstathiou, and P.Partsinevelos, “Dronesour-cing: a modular, expandablemulti-sensor uav platformfor combined, real-timeenvironmental monitoring”

x x

M. Elloumi, R. Dhaou, B. Es-crig, H. Idoudi, and L. A. Sai-dane, “Monitoring road traf-fic with a uav-based system”

x x

M. B. Marinov, I. Topalov, B.Ganev, E. Gieva, and V. Ga-labov, “Uavs based particu-late matter pollution monito-ring”

x x

E. V. Vázquez. “Sistema pa-ra el monitoreo de gases deefecto invernadero utilizan-do internet de las cosas yvehículos aéreos no tripula-dos”

x x x

34

Capítulo 3

Sistema de monitoreo de variables

ambientales y gases del efecto

invernadero

En este capítulo se plantea el desarrollo del sistema de monitoreo, así como los módulos que lo

integran. El capítulo inicia con la descripción del módulo de sensores seguido por el módulo de pro-

cesamiento, el módulo de comunicación inalámbrica e IoT y finalmente por el diseño del hardware,

etapa de la integración del sistema embebido en conjunto.

El sistema está integrado por un módulo de adquisición de datos que está conformado por un

conjunto de sensores de bajo costo interconectados hacía la tarjeta Arduino Nano. El segundo mó-

dulo es un módulo de procesamiento, el cual tiene implementado el filtro de Kalman para el filtrado

óptimo de estos datos, estos módulos se encuentran montados sobre un VANT. Posteriormente estos

datos van hacía un módulo de comunicación inalámbrica a través de una antena de telemetría, los

datos de esta antena son enviados a una antena receptora que se encuentra integrada en un equipo de

cómputo fijo. Posteriormente los datos son enviados hacía la nube a través del uso de una plataforma

IoT. La Fig. 3.1 muestra la arquitectura del sistema embebido.

3.1. Módulo de sensores

Este módulo recibe las señales analógicas del sensor y las convierte en señales digitales. Utiliza

una placa Arduino Nano [73] para integrar los siguientes sensores: GPS, humedad, presión, tempera-

tura, Dióxido de carbono, Metano, Óxidos de nitrógeno, Ozono y radiación solar. La Fig. 3.2 muestra

la interconexión de dispositivos. Las especificaciones de los sensores utilizados, tanto para gases am-

bientales como para gases de efecto invernadero, se muestran en las tablas 3.1 y 3.2. Se está tomando

35

Capítulo 3. Sistema de monitoreo de variables ambientales y gases del efecto invernadero

Módulo de

ProcesamientoMódulo

Sensores

Filtro de

kalman

Vehículo Aéreo

no Tripulado (VANT)

Datos

de

sensores

Internet

de las

Cosas

Nube

Telemetría

Ambiente

Figura 3.1: Sistema de monitoreo ambiental: el entorno se observa y los datos recopilados son proce-sados a través de un filtro Kalman. Luego, los datos se envían a la nube por telemetría y una interfazde Internet de las cosas.

en cuenta la recopilación de la información ambiental además del efecto invernadero previniendo

que el usuario final pueda hacer futuras correlaciones. Cabe destacar que la selección de sensores

está basado en la sección 2.1.2.

Tabla 3.1: Sensores de variables ambientales y GPS

Variable Sensor Frecuencia

Humedad DHT-22 0.5 Hz

Temperatura BMP-180 120 Hz

Presión BMP-180 120 Hz

UV Radiación SEN-0162 0.016 Hz

GPS NEO-6M 5 Hz

3.2. Módulo de procesamiento

Este módulo está integrado por una microcomputadora Raspberry Pi Zero W, el módulo de senso-

res, un proceso de estimación y un transmisor de telemetría. Los datos de la placa Arduino se envían

al filtro de Kalman que estima las variables y luego las estimaciones se envían por un canal de te-

36


SEN 0162Radiación

UVDHT-22

Humedad Temperatura

BMP-180Presión

MQ-135Óxidos de Nitrógeno

MQ-4Metano

Q-131Ozono

NEO-6MGPS

SEN 0159Dióxido deCarbono

Figura 3.2: Módulo de sensores. En este módulo se encuentran interconectados los sensores ha-cia el Arduino Nano. La frecuencia de muestreo con la que trabajan cada uno de los sensores es:BMP180-120 Hz, DHT22-0.5 Hz, NEO6M-5 Hz, Radiación UV-2 Hz, SEN 0159-0.016 Hz, MQ135-0.1Hz, MQ131- 0.03 Hz y MQ4-50 Hz.

lemetría. Este módulo se encarga del procesamiento de los datos. El filtro de Kalman se encuentra

implementado en está microcomputdora a través de un script en Python. La lectura de los datos que

provienen de los sensores son leídos por medio del puerto serie de la tarjeta Arduino hacía la micro-

computadora, la conexión se hace a través de un cable mini USB, mismo que provee la energía de la

tarjeta, cabe mencionar que para la ejecución del script se creó un servicio para configurar la línea de

comandos y que ejecuta automáticamente el script cada vez que se enciende la microcomputadora.

La Fig. 3.3 muestra un diagrama del módulo.

Microcomputadora Kit de telemetría

Figura 3.3: Módulo de procesamiento. En este módulo los datos provenientes de la placa Arduino, sonprocesados por la microcomputadora Raspberry Pi Zero W a través del filtro de Kalman, de maneraque retorne las mediciones obtenidas por éste, hacia la antena de telemetría.

37


Tabla 3.2: Sensores de gases del efecto invernadero.

Compuesto Características Sensor

Dióxido deCarbono CO2

Es un gas incoloro y vital para lavida en la Tierra, es parte de losgases de efecto invernadero.

SEN-0159

Óxidos deNitrógeno

NOx

El NOx es uno de los gases másrelevantes que contribuyen a lacontaminación del aire, se encar-ga de la formación de smog ylluvia ácida, además de afectarel ozono troposférico.

MQ-135

Ozono

O3

El ozono es un gas formado porla luz ultravioleta (UV) y des-cargas eléctricas dentro de la at-mósfera de la Tierra. La mayorconcentración se encuentra en lacapa de ozono de la estratósfera.

MQ-131

Metano

CH4

Es un gas incoloro e inflamable.Este gas se produce naturalmen-te por la descomposición de lamateria orgánica, donde funcio-na como un gas de efecto inver-nadero.

MQ-4

3.2.1. Estimación

Uno de los objetivos de este proyecto es desarrollar un sistema de bajo costo, ya que debe im-

plementarse en varios lugares de detección. La desventaja de los desarrollos de bajo costo es que los

datos adquiridos se ven comprometidos por la precisión de los sensores. En algunos casos, las medi-

ciones se ven afectadas por el ruido o se adquieren a bajas tasas. Para superar estos problemas, se ha

implementado un módulo de filtrado mediante el filtro Kalman. El filtro de Kalman no sólo ayuda a

filtrar el ruido, permite predecir el estado aunque el sensor deje de funcionar por cortos periodos de

tiempo. Cabe destacar que se puede sincronizar a una frecuencia según la tasa de transmisión de da-

tos. El filtro de Kalman, propuesto por Rudolf E. Kalman a finales de 1950, es un algoritmo de filtrado

lineal óptimo que funciona en dos pasos iterativos [74]:

Predicción. Consiste en estimar el estado actual de un sistema en función del estado de creencia

anterior y la ecuación de transición de estado.

Actualización. Ajusta la estimación de creencias de acuerdo con las observaciones.

38


Una forma de implementar el filtro de Kalman es rastrear un vector de medias y mantener la incer-

tidumbre del sistema con una sola matriz de correlación. Sin embargo, dado que se esta asumiendo

independencia en las variables, mantener el seguimiento en una matriz de covarianzas de 9 × 9 ele-

mentos (variables que integran el sistema de monitoreo) es muy costoso para un sistema embebido

debido a las operaciones matriciales. Por esa razón, se esta modelando el estado de cada variable

observada como:

µi =

xixi

(3.1)

donde xi es la variable observada y xi es su respectiva tasa de cambio. De acuerdo a lo anterior, para

cada una de las nueve variables se estima la media de la magnitud y su tasa de cambio. De forma

similar, para cada variable observada se define la matriz de covarianzas como:

σi =

σ2xx σ2

xx

σ2xx σ2

xx

(3.2)

Finalmente las lecturas del sensor se escriben como:

zi = sensori() (3.3)

Utilizando las definiciones anteriores el filtro de Kalman se resume en el Algoritmo 1. Donde µ y

Algoritmo 1 Algoritmo del filtro de Kalman

1: procedure KALMAN FILTER(µt−1, σt−1, µt, zt)2: µ = Atµt−1 +Btut3: ˜σt−1 = At

T +Qt

4: Kt = ˜σt−1CtT (CtσtCt

T +Rt)−1

5: µt = µt +Kt(zt − Ctµt)6: σt = (I −KtCt)σt7: return µt, σt

˜σt−1 son las predicciones, Kt, µt y σt indican la ganancia de Kalman y las variables corregidas con

la observación, Qt modela la incertidumbre del proceso observado y Ct indica la relación entre las

mediciones y el vector de estado. Dado que se está ultilizando un modelo de magnitud y velocidad

entonces:

At =

1 dt

0 1

(3.4)

donde dt es el intervalo de tiempo. Por otro lado, dado que no se está controlando el estado ambiental

entonces: µt = 0 y

Bt =

0

0

(3.5)

39


Las variables Qt y Rt se definen para cada sensor como se indica en los experimentos. Hasta ahora,

el filtro de Kalman se implementó para cada una de las variables, en cada una de sus etapas, que son

predicción y actualización permitiendo así estimar la siguiente medición sobre cada variable.

3.3. Módulo de comunicación inalámbrica e IoT

El objetivo de este módulo es recibir los datos que provienen de la microcomputadora Raspberry

Pi y enviarlos a una plataforma de Internet de las Cosas, a través de algún protocolo como MQTT,

CoAP o HTTP; este último es el que se utiliza en el sistema desarrollado. Este módulo recibe los datos

al ejecutar un script en Python, a el cual se le añadieron parámetros como el puerto al que se conecta,

velocidad de los datos y los baudios en este caso 57600 es la tasa de baudios para realizar la conexión

entre estas antenas. Una vez que recibe los datos, estos son convertidos a una trama en formato JSON,

la cual se caracteriza por tener como parámetros el nombre del HOST (nombre del sitio o ip que es el

punto de inicio y final de las transferencias de datos) hacía donde van dirigidos los datos, el dato a

enviar y un identificador que la plataforma provee para relacionar el dispositivo.

3.3.1. Comunicación inalámbrica a través de telemetría

La telemetría funciona a través de un transductor (dispositivo que convierte una señal eléctrica)

como un dispositivo de entrada y un transmisor (ondas de radio) a una distancia para efectos de

registro. Para esta investigación, se utiliza un kit de telemetría con una frecuencia de 915 Mhz y

un alcance de 1000 metros, el peso es aproximadamente de 24 gramos del receptor. En la Fig. 3.4,

se observan el kit de telemetría que se utiliza en el módulo de comunicación inalámbrica, en este

caso es una computadora, a la cual se le interconecta dicha antena receptora para el intercambio de

información. La antena que realiza el envió de datos se conecta a la microcomputadora Raspberry Pi

Figura 3.4: Antenas para telemetría. Los datos enviados por el módulo de procesamiento son recibidospor la antena receptora que se encuentra interconectada a través de una computadora.

a través de módulo FTDI, el cual es una interfaz que permite establecer comunicación desde USB a

40


TTL. El voltaje de 5V lo convierte a 3.3 V que es el suministro de energía que permite la Raspberry Pi

Zero W. El envío de datos se hace a través de un script en Python que tiene como parámetros la tasa

de baudios, paridad, el número de bytes, el puerto al que hay que conectarse, en este caso se utiliza

el puerto 57600. Una vez que los datos han sido enviados la computadora lee los datos recibidos a

través del puerto serie indicando lo mismos parámetros mencionados.

3.4. Diseño de hardware

Como se mencionó anteriormente, el sistema embebido se dividió en varios módulos. El diseño

de hardware se puede ver en la Fig. 3.5, en la cual se puede observar el módulo de sensores, el

módulo de procesamiento y las baterías que serán la fuente para el sistema. En la Fig. 3.6, se puede

observar el dron utilizado para la experimentación es un 3DR Solo cuyas características se describen

en la Tabla 3.3. El sistema embebido, con sus respectivos módulos, se implementó en una placa de

Figura 3.5: Diseño del módulo de sensores y procesamiento. El peso total aproximado del sistema demonitoreo es de 30 gramos. La intención de utilizar una placa de circuito impreso (PCB) es dismi-nuir el espacio entre los componentes que se genera durante el cableado, así como la reducción delvolumen y el peso de los productos electrónicos.

Tabla 3.3: Características del vehículo aéreo no tripulado (VANT) utilizado para la experimentación

Características

Peso 1.5 kg

Batería 22 minutos (14.7 V 5200-mAh)

Dimensiones 25 cm x 46 cm

Carga máxima 420 gramos

Tiempo de vuelo 20-25 min

Altura (modo seguro) 121.9 m

circuito impreso, de tal forma que en conjunto forman el sistema de monitoreo. En la Fig. 3.6, se

puede observar el sistema de monitoreo montado en la parte baja del dron; se decidió que fuera en la

41


parte baja ya que al montarlo sobre el dron, las hélices creaban un ambiente de interferencia entre los

sensores, tal como se reporta en [75].

Figura 3.6: Sistema de monitoreo montado en el dron. El monitoreo se realiza en la capa más baja dela atmósfera terrestre llamada tropósfera. La troposfera se extiende desde el nivel del suelo hasta los11 Km de altura.

3.4.1. Alimentación del sistema

La alimentación del circuito se basa principlamente en el uso de baterías de litio (el ánodo de me-

tal es de litio o tiene compuestos de litio), las cuales se observan en la Fig. 3.7, se caracterizan por ser

baterías recargables. Estas baterías producen voltajes de 1.5 V y 3.7 V y . Sin embargo el sistema se

alimenta con 5 V, por lo que se preciso de un arreglo de baterías en serie, sin embargo este tipo de

arreglo brinda 7.4 V de manera que uso el módulo LM2596 el cual se muestra en la Fig.3.8 y es un

regulador de voltaje que en principio funciona con una entrada mayor de voltaje y posteriormente

lo convierte en uno menor a su salida, a diferencia de otros esta fuente de alimentación de corriente

directa puede proveer hasta 3 amperes, cabe destacar que el sistema completo absorbe 3 A aproxi-

madamente, ya que la microcomputadora Raspberry Pi requiere 1.2 A [76], mientras que la tarjeta

Arduino Nano absorbe 19 miliamperios, los sensores en total requieren de 1.2 A aproximadamente.

Adicionalmente se integró un módulo de carga TP4056 el cual se observa en la Fig. 3.9, funciona para

la carga de las baterias LiPo o Li-ion a través del puerto micro USB hembra, la ventaja de este módulo

es el uso de un cargador común de smartphone, este módulo ofrece una corriente de carga de 1A,

posteriormente cuando las baterías esten totalmente cargadas, la corriente de carga se interrumpirá.

Por otro lado las baterías cuentan con un cargador externo que se conecta directamente a la corriente,

el cargador se puede observar en la Fig. 3.10. Finalmente para el envío de datos hacía la nube, se

utilizó un equipo de cómputo portátil que cuenta con la antena receptora de telemetría y se comunica

de forma inalámbrica hacía el sistema de monitoreo. Los datos recibidos se leen desde el puerto serie

del equipo a través de un script en Python, que se encarga de generar una trama de datos en forma-

to JSON (JavaScript Object Notation) para comunicarse con la plataforma de propietario con opción

gratuita llamada ThingsBoard que cuenta con los servicios necesarios para monitorear los datos de los

sensores en tiempo de real y así tomar decisiones dependiendo de la información. La comunicación

42


Figura 3.7: Baterías de iones de litio marca Samsung.

Figura 3.8: Regulador LM2596.

hacía ThingsBoard se hace a través del protocolo HTTP y un servidor local que cuenta con IP fija y que

forma parte de la trama JSON. Dicha IP se encuentra oculta por cuestiones de seguridad bajo un host,

de manera que en cualquier lugar se pueda acceder a dichos datos.La Fig. 3.11 muestra la integración

de dicho sistema. En la Fig. 3.12 se muestran las variables monitoreadas por el sistema desarrollado

vistas de la plataforma.

43


Figura 3.9: Módulo de carga USB TP4056.

Figura 3.10: Cargador baterías LiPo o Li-ion.

44


Servidor local

Sistema demonitoreo

Recepción de datos

docloudiot.ddns.net

Figura 3.11: La dirección del host que contiene los datos en la nube es: docloudiot.ddns.net:8080. Elpuerto 8080 se utiliza cuando un servidor HTTP recibe la petición hecha por un cliente en este caso lapetición la realiza una PC.

45


(a) Humedad (b) Temperatura (c) Presión

(d) Altitud (e) Ozono (f) NOx

(g) Metano (h) CO2 (i) RayosUV

Figura 3.12: Visualización de las variables monitoreadas vistas desde la plataforma IoT. Los datos queprovenienen del filtro de Kalman son los datos que la plataforma está mostrando.

46

Capítulo 4

Experimentos y resultados

En este capítulo se plantean los experimentos que se realizaron, con el fin de demostrar el funcio-

namiento de filtro de kalman sección 3.2.1. En el primer experimento se pone en marcha el módulo

de sensores y el filtro de Kalman. El segundo experimento realiza la comparación de los datos obte-

nidos por los sensores con una EMA y el rendimiento del sistema (alta disponibilidad del sistema de

cómputo que en este caso es la Raspberry Pi Zero W) con el filtro de Kalman.

4.1. Filtrado

En esta sección se presentan dos experimentos. En el primer experimento se compararon la me-

diciones del sensor y el filtrado contra las mediciones provistas por una EMA oficial a fin de validar

nuestros resultados. Cabe señalar que la EMA de referencia no provee todas las variables que se están

midiendo por lo cual el segundo experimento presenta el filtrado de las señales provenientes de los

sensores con el filtro de Kalman sin valores de referencia.

Para todos los experimentos se usó la siguiente configuración de filtrado. Las variables Rt que

modelan la icertidumbre del sensor fueron capturadas en su mayoría a partir de la información pro-

vista por cada fabricante. De tal forma que:

Rt−Humedad = 2.0

Rt−Temperatura= 0.1

Rt−Presion= 1.0

Rt−Altitud= 1.0

Rt−UV = 1.0

Para los casos donde el fabricante no provee información se utilizaron los siguientes valores:

Rt−Ozono= 2.0

Rt−NOx= 2.0

Rt−Metano= 2.0

47

Capítulo 4. Experimentos y resultados

Rt−CO2= 2.0

Estos valores son relativamente pequeños en comparación con las magnitudes medidas, implicando

sensores confiables. La obtención de parámetros óptimos queda fuera del alcance de este estudio. En

el caso de Qt, ésta se define a partir de la naturaleza aleatoria del cambio ambiental, sin embargo,

modelar el cambio ambiental es un proceso difícil [77], por lo cual, se establecieron los valores de

forma empírica.

Los valores de Qt utilizados son:

QHumedadt =

0.042 0

0 0.012

(4.1)

QTemperaturat =

0.042 0

0 0.012

(4.2)

QPresiont =

0.082 0

0 0.012

(4.3)

QAltitudt =

0.082 0

0 0.012

(4.4)

QOzonot =

0.082 0

0 0.012

(4.5)

QNOxt =

0.082 0

0 0.012

(4.6)

QMetanot =

0.082 0

0 0.012

(4.7)

QCO2t =

0.082 0

0 0.012

(4.8)

QUVt =

0.082 0

0 0.012

(4.9)

4.2. Comparación con EMA

Este experimento consiste en comparar los datos de los sensores de bajo costo y los datos del ob-

tenidos por el filtro de Kalman contra una EMA utilizando el error cuadrático medio (ECM). La EMA

de referencia fue la estación del Centro de Ciencias de la Atmósfera de la UNAM [78] dado que sus

48


datos son públicos. Para realizar la comparación el sistema se colocó a 539 metros de distancia debido

a las restricciones de la misma EMA. El muestreo se realizó durante 21.5 horas. Las tasas de muestreo

de la EMA son menores a nuestro sistema, por lo cual se ajustaron nuestros datos a la frecuencia de

la EMA. En total se obtuvieron 1266 muestras para los sensores de temperatura, humedad y presión

(1 muestra por minuto). Para los sensores de CO2 y CH4 se obtuvieron 248 muestras (1 muestra cada

5 minutos). Los gráficas comparativas se pueden observan en la Fig. 4.1, 4.2, 4.3, 4.4 y 4.5.

20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

12

14

16

18

20

22

24

Temperatura °C

Sensor de temperaturaFiltro de KalmanTemperatura CCA

Figura 4.1: Mediciones obtenidas por el sensor de temperatura BMP-180 en comparación con el sensorde referencia.

49


20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

800

900

1000

1100

1200

Presión hPa

Sensor de presiónFiltro de KalmanPresión CCA

Figura 4.2: Mediciones obtenidas por el sensor de presión BMP-180 en comparación con el sensor dereferencia.

21:00 PM

00:00 AM

03:00 AM

06:00 AM

09:00 AM

12:00 PM

15:00 PM

Horas por muestra

0

50

100

150

200

250

300

350

Metan

o pp

m

Sensor de metanoFiltro de KalmanMetano CCA

Figura 4.3: Mediciones obtenidas por el sensor de metano MQ-4 en comparación con el sensor dereferencia.

50


21:00 PM

00:00 AM

03:00 AM

06:00 AM

09:00 AM

12:00 PM

15:00 PM

Horas por muestra

0

5000

10000

15000

20000

25000

30000

Dióx

ido pp

mSensor de CO2Filtro de KalmanCO2 CCA

Figura 4.4: Mediciones obtenidas por el sensor de dióxido de carbono SEN-0159 en comparación conel sensor de referencia.

20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

0

20

40

60

80

100

Humed

ad %

RH

Sensor de humedadFiltro de KalmanHumedad CCA

Figura 4.5: Mediciones obtenidas por el sensor de humedad DHT-22 en comparación con el sensor dereferencia.

51


Tabla 4.1: Comparación del de error cuadrático medio entre la señal de los sensores y la señal filtradacontra la señal del referencia de la EMA.

Variable ECM Sensor ECM F. Kalman

Humedad 888.727 886.132

Temperatura 8.400 8.306

Presión 3.083E+03 621.929

CO2 5.403E+07 2.692E+07

CH4 8.736E+04 8.729E+04

4.2.1. Resultados de comparación EMA

Los errores obtenidos al comparar los sensores de bajo costo y el filtrado contra la EMA se pueden

observar en la tabla 4.1. Como se puede observar en la tabla el filtro del Kalman muestra un menor

error para todas las variables comparadas. Por lo tanto, se concluye que el sistema que integra el filtra-

do provee mediciones más confiables. Este comportamiento se debe a que el filtro en todo momento

obtiene la media de las observaciones eliminando valores atípicos lejanos. Como caso particular se

puede destacar el efecto del filtro en la medición de la presión atmosférica (Fig. 4.2) donde al final

de las observaciones el sensor presentó valores atípicos, vistos como picos en la señal, y fueron com-

pensados en el filtrado. También se puede observar que hay discrepancia entre los datos de la EMA

y los sensores, esto se debe a la menor precisión de los sensores y a la diferencia de su ubicación con

respecto de la EMA. El objetivo de este experimento es comprobar el correcto funcionamiento del

filtro de Kalman en comparación con un sensor de referencia. El valor del sensor de referencia se está

tomando como el valor verdadero, dicho valor se resta con el valor del sensor y posteriormente se

eleva al cuadrado. La magnitud de los datos obtenidos son grandes para normalizarlos se requiere

de un proceso de calibración.

4.3. Experimento del filtro de Kalman

En este experimento se pusieron a prueba los sensores y el módulo de procesamiento. Dado que

no se cuenta con valores de referencia para estos sensores, el objetivo de este experimento es co-

rroborar el funcionamiento sistema completo. En la Fig. 4.6,4.7,4.8 y 4.9 se comparan las mediciones

adquiridas por los sensores de altitud, ozono, óxido de nitrógeno y rayos UV, respectivamente, contra

la estimación del filtro de Kalman representado por las curvas en color rojo.

52


4.3.1. Resultados filtro de Kalman

Para este experimento se concluye que el filtro de Kalman elimina el ruido generado por los sen-

sores. Como se puede observar en el gráfico de manera cualitativa, el filtro suaviza las señales de

manera efectiva. El comportamiento se debe al hecho de que el filtro Kalman está actualizando las

señales de acuerdo con la distribución de errores del sensor. El tiempo promedio de retraso desde

la medición hasta su despliegue en la computadora del usuario final es en 10 segundos. La tasa de

cambio de las variables para este experimento es de 5 segundos aproximadamente.

20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

−3000

−2000

−1000

0

1000

2000

Altitud

m.s.n.m

Sensor altitudFiltro de Kalman

Figura 4.6: Mediciones obtenidas por el sensor de altitud en a través del filtro de Kalman.

53


20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

300

400

500

600

700

Ozon

o pp

mSensor de ozonoFiltro de Kalman

Figura 4.7: Mediciones obtenidas por el sensor de ozono a través del filtro de Kalman.

20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

320

340

360

380

400

NOx pp

m

Sensor de NOxFiltro de Kalman

Figura 4.8: Mediciones obtenidas por el sensor de NOx a través del filtro de Kalman.

54


20:00 PM

23:00 PM

02:00 AM

05:00 AM

08:00 AM

11:00 AM

14:00 PM

17:00 PM

Horas por muestra

320

340

360

380

400

Índice

UV

Sensor de UVFiltro de Kalman

Figura 4.9: Mediciones obtenidas por el sensor de UV a través del filtro de Kalman.

55

Capítulo 5

Conclusiones

Este capítulo se centra en presentar las conclusiones con base al desarrollo de un sistema de mo-

nitoreo para gases de efecto invernadero. Adicionalmente se presentan los trabajos a futuro que se

pretenden realizar con respecto al filtro de Kalman y los sensores.

5.1. Conclusiones

Para este trabajo se desarrolló un sistema embebido de bajo costo para monitorear gases de efecto

invernadero y variables ambientales que funciona en tiempo cercano al real usando un vehículo aéreo

no tripulado e Internet de las cosas. El sistema implementa e integra un filtro de Kalman para tratar el

ruido producido por los sensores de bajo costo. El hardware integra todos los dispositivos en una sola

plataforma. Se llevaron a cabo varios experimentos para validar el correcto funcionamiento del filtro

y la plataforma obteniendo resultados satisfactorios. Los experimentos realizados muestran que el

error cuadrático medio, se reduce con respecto a una estación de monitoreo ambiental de referencia.

El filtro de Kalman reduce el ruido generado por los sensores, predice el estado siguiente en caso de

que el sensor deje de funcionar como se puede observar en la sección 4. En cuanto al hardware se

observó que los sensores manejan un valor considerable en base a su incertidumbre. Para acoplar el

sistema embebido al VANT se observó que los sensores deben estar en ciertas condiciones en cuanto

a temperatura y humedad, ya que estos factores influyen de manera considerable en su desempeño.

De acuerdo a los resultados obtenidos se concluye lo siguiente:

Es factible monitorear diversos gases tanto con muestreo espacial y temporal mediante el uso

del sistema propuesto.

El muestreo temporal está disponible al usuario en tiempo casi real, considerando que el tiempo

de latencia es de 10 segundos y las variaciones en las mediciones no son abruptas.

56

Capítulo 5. Conclusiones

El filtrado disminuye el error cuadrático medio de los experimentos realizados, por lo tanto el

sistema presenta mediciones más cercanas a los valores de referencia.

5.2. Trabajo a futuro

Para futuros trabajos, se utilizará el sistema desarrollado en conjunto con un algoritmo de pla-

nificación para realizar la cobertura de cierta área y recopilar la información de diferentes espacios

así como buscar correlaciones entre las variables. Para estabilizar las mediciones de los sensores se

propone un proceso de calibración el cual podría mejorar significativamente la precisión. El traba-

jo que puede desarrollarse a partir de este proyecto, podría ser un sistema que realice el envío de

alertas hacía un dispositivo móvil cuando las concentraciones de gases puedan afectar la salud de la

población.

57

Bibliografía

[1] Inventario de emsiones 2016, CDMX, “Aire.cdmx.gob.mx.” [Online].Available:http:

//www.aire.cdmx.gob.mx/descargas/publicaciones/flippingbook/

inventario-emisiones-2016/mobile/inventario-emisiones-2016.pdf. [Ac-

cessed: 29- Oct- 2019].

[2] R. A. Bernabeo, H. A. Khalifeh, A. Andretta, I. T. Al Khatib, and M. H. Ghori, “The impact of

climate change and weather on air transport in the uae: Reduction of co2 emissions,” in 2018

Advances in Science and Engineering Technology International Conferences (ASET), pp. 1–7, Feb 2018.

[3] C. K. Wikle and J. A. Royle, “Space: time dynamic design of environmental monitoring net-

works,” Journal of Agricultural, Biological, and Environmental Statistics, pp. 489–507, 1999.

[4] O. Evangelatos and J. Rolim, “An airborne wireless sensor system for near-real time air pollution

monitoring,” Sensors & Transducers, vol. 189, no. 6, p. 12, 2015.

[5] W. Ren and U. M. Al-Saggaf, “Distributed kalman–bucy filter with embedded dynamic avera-

ging algorithm,” IEEE Systems Journal, vol. 12, pp. 1722–1730, June 2018.

[6] A. Carrasquilla-Batista, A. Chacón-Rodríguez, and M. Solórzano-Quintana, “Using iot resour-

ces to enhance the accuracy of overdrain measurements in greenhouse horticulture,” in Central

American and Panama Convention (CONCAPAN XXXVI), 2016 IEEE 36th, pp. 1–5, IEEE, 2016.

[7] M. Noor-A-Rahim, M. O. Khyam, G. G. M. N. Ali, Z. Liu, D. Pesch, and P. H. J. Chong, “Reliable

state estimation of an unmanned aerial vehicle over a distributed wireless iot network,” IEEE

Transactions on Reliability, vol. 68, pp. 1061–1069, Sep. 2019.

[8] A. Al-Fuqaha, M. Guizani, M. Mohammadi, M. Aledhari, and M. Ayyash, “Internet of things:

A survey on enabling technologies, protocols, and applications,” IEEE Communications Surveys

Tutorials, vol. 17, pp. 2347–2376, Fourthquarter 2015.

[9] Scientific American, “El niño y el calentamiento global son responsables de la propagación

del zika.” [Online].Available:https://www.scientificamerican.com/espanol/

58

Bibliografía

noticias/el-nino-y-el-calentamiento-global-son-responsables-de-la-propagacion-del-zika/.

[Accessed: 17-Nov-2019].

[10] Gobierno de la ciudad de México, “Estrategia nacional de la calidad del aire.”

[Online].Available:https://www.gob.mx/cms/uploads/attachment/file/

195809/Estrategia_Nacional_Calidad_del_Aire.pdf. [Accessed: 17-Nov-2019].

[11] Organización Meteorológica Mundial, “Los niveles de gases de efec-

to invernadero en la atmósfera alcanzan un nuevo récord.” [Online]

.Available:https://public.wmo.int/es/media/comunicados-de-prensa/

los-niveles-de-gases-de-efecto-invernadero-en-la-atmÃssfera-alcanzan-un.


[12] P. Vimal and K. Shivaprakasha, “Iot based greenhouse environment monitoring and controlling

system using arduino platform,” in Intelligent Computing, Instrumentation and Control Technologies

(ICICICT), 2017 International Conference on, pp. 1514–1519, IEEE, 2017.

[13] G. M. Bolla, M. Casagrande, A. Comazzetto, R. D. Moro, M. Destro, E. Fantin, G. Colombatti,

A. Aboudan, and E. C. Lorenzini, “Aria: Air pollutants monitoring using uavs,” in 2018 5th IEEE

International Workshop on Metrology for AeroSpace (MetroAeroSpace), pp. 225–229, June 2018.

[14] Geografía y medio ambiente, “Capas internas y externas de la tierra.” [Online]

.Available:https://geografia-y-medio-ambiente130.webnode.mx/

capas-internas-y-externas-de-la-tierre/. [Accessed: 17-Nov-2019].

[15] Centro Internacional para la Investigación del Fenómeno de El Niño, “Efecto invernadero.”

[Online].Available:http://www.ciifen.org/index.php?option=com_content&

view=category&layout=blog&id=99&Itemid=342&lang=es. [Accessed: 17-Nov-2019].

[16] twenergy, “¿qué es el efecto invernadero y cuáles son sus consecuencias?.” [Online]

.Available:https://twenergy.com/ecologia-y-reciclaje/contaminacion/

consecuencias-del-efecto-invernadero-609/. [Accessed: 17-Nov-2019].

[17] Gobierno de la ciudad de México, “El monitoreo de la calidad del aire.” [Online]

.Available:http://www.aire.cdmx.gob.mx. [Accessed: 3- Dic- 2019].

[18] J. E. O. R. Darío Sbarato, Viviana Sbarato, Predicción y evaluación de impactos ambientales sobre la

atmósfera. Encuentro.

[19] Suministros Hidráulicos del sureste S.A. DE C.V., “Suhissa.” [Online].Available:https:

//suhissa.com.mx/sistemas-de-monitoreo/. [Accessed: 17-Nov-2019].

59

Bibliografía

[20] Escuela Politécnica Nacional, “Interfaces de comunicación industrial.” [Online]

.Available:https://bibdigital.epn.edu.ec. [Accessed: 17-Nov-2019].

[21] A. R. Penin, Sistemas SCADA: guía práctica. Marcombo, first ed., 2007.

[22] J. P. S. J. R. L. Vizcaino, Sistemas integrados con Arduino. Alfaomega, first ed., nov 2013.

[23] I. R. G. Bravo, Sistemas digitales con Microcontroladores. Universidad Autónoma Metropolitana,

2018.

[24] A. Ollero, I. Maza, A. R. Castaño, J. M. de Dios, F. Caballero, and J. Capitán, “Proyecto aware.

integración de vehículos aéreos no tripulados con redes inalámbricas de sensores y actuadores,”

Revista Iberoamericana de Automática e Informática industrial, vol. 9, no. 1, pp. 46–56, 2012.

[25] Mecatrónica LATAM, “Sensor ¿qué es y tipos de sensores?.” [Online].Available:https:

//www.mecatronicalatam.com/tutorial/es/sensores. [Accessed: 17-Nov-2019].

[26] Arduino.org, “What is arduino?.” [Online].Available:https://www.arduino.cc/en/

Guide/Introduction. [Accessed: 17-Nov-2019].

[27] Arduino.cl, “Arduino.” [Online].Available:https://arduino.cl/arduino-2/. [Ac-

cessed: 17-Nov-2019].

[28] Arduino.cl, “Arduino.” [Online].Available:https://arduino.cl/arduino-nano/.


[29] Arduino.cl, “Arduino.” [Online].Available:https://arduino.cl/

que-es-arduino/. [Accessed: 17-Nov-2019].

[30] J. Sobota, R. PiSl, P. Balda, and M. Schlegel, “Raspberry pi and arduino boards in control educa-

tion,” IFAC Proceedings Volumes, vol. 46, no. 17, pp. 7–12, 2013.

[31] Ingeniería, informática y diseño, “Modelos y características de raspberry pi.” [Online]

.Available:https://www.luisllamas.es/modelos-de-raspberry-pi/. [Accessed:

17-Nov-2019].

[32] https://www.sparkfun.com, “Atmega328.” [Online].Available:https://www.

sparkfun.com/datasheets/Components/SMD/ATMega328.pdf. [Accessed: 3-Dic-2019].

[33] EcuRed, “Señales analógicas y digitales.” [Online].Available:https://www.ecured.

cu/SeÃsales_analÃsgicas_y_digitales. [Accessed: 17-Nov-2019].

[34] A. Ambardar, Procesamiento de señales analógicas y digitales. S.A. Ediciones Paraninfo, second ed.,

2003.

60

Bibliografía

[35] ConceptoDefinición, “Puerto serie.” [Online].Available:https://

conceptodefinicion.de/puerto-serie/. [Accessed: 17-Nov-2019].

[36] Departamento de Física, “Introducción a la teoría de errores de medición.” [Online]

.Available:http://www.fisica.uns.edu.ar. [Accessed: 1-Dic-2019].

[37] M. H. DeGroot, Probability and Statistics. Pearson, fourth ed., 2011.

[38] G. Dudek and M. Jenkin, Computational principles of mobile robotics. Cambridge University Press,

second ed., 2010.

[39] A. N. R. Juan Manuel Martín Sánchez, Pedro CABRERA CÁMARA, Conceptos básicos de filtrado,

estimación e identificación. UNED, 2006.

[40] Universitat de València, “Matriz de varianzas-covarianzas.” [Online].Available:https:

//www.uv.es/ceaces/base/descriptiva/mvarcovar.htm. [Accessed: 17-Nov-2019].

[41] kalmanfilter.net, “Kalman filter.” [Online].Available:https://www.kalmanfilter.

net/kalman1d.html. [Accessed: 1-Dic-2019].

[42] D. S. Roland Siegwart, Illah Reza Nourbakhsh, Introduction to Autonomous Mobile Robots. Mit Pr,

second ed., 2011.

[43] Cengage, “¿qué es la telemetría?.” [Online].Available:https://latinoamerica.

cengage.com/que-es-la-telemetria/. [Accessed: 17-Nov-2019].

[44] S. Madakam, R. Ramaswamy, and S. Tripathi, “Internet of things (iot): A literature review,” Jour-

nal of Computer and Communications, vol. 3, pp. 164–173, 04 2015.

[45] IBM, “Simplifique el desarrollo de sus soluciones de iot con arquitecturas de iot.”

[Online].Available:https://www.ibm.com/developerworks/ssa/library/

iot-lp201-iot-architectures/index.html. [Accessed: 17-Nov-2019].

[46] Quora, “What is iot architecture?.” [Online].Available:https://www.quora.com/

What-is-IoT-architecture. [Accessed: 17-Nov-2019].

[47] Json.org, “Introducing json.” [Online].Available:http://www.json.org. [Accessed:

17-Nov-2019].

[48] w3schools, “What is json?.” [Online].Available:https://www.w3schools.com/

whatis/whatis_json.asp. [Accessed: 17-Nov-2019].

[49] W. Stallings, Comunicaciones y redes de computadoras. PEARSON Prentice Hall, seventh ed., 2004.

61

Bibliografía

[50] Oracle, “Modelo de arquitectura del protocolo tcp/ip.” [Online].Available:https://

docs.oracle.com/cd/E19957-01/820-2981/ipov-10/. [Accessed: 17-Nov-2019].

[51] B. Wukkadada, K. Wankhede, R. Nambiar, and A. Nair, “Comparison with http and mqtt in inter-

net of things (iot),” in 2018 International Conference on Inventive Research in Computing Applications

(ICIRCA), pp. 249–253, July 2018.

[52] T. Yokotani and Y. Sasaki, “Comparison with http and mqtt on required network resources for

iot,” in 2016 International Conference on Control, Electronics, Renewable Energy and Communications

(ICCEREC), pp. 1–6, Sep. 2016.

[53] IoT Consulting, “Mqtt vs http – qué elegir para tu proyec-

to iot.” [Online].Available:https://iotconsulting.tech/

mqtt-vs-http-que-elegir-para-tu-proyecto-iot/. [Accessed: 17-Nov-2019].

[54] I. Rincon, F. Oswaldo, G. Manzanilla, and J. A. Arizaga Silva, “Sistema de monitoreo de varia-

bles ambientales utilizando de ethernet,” Congreso Internacional de Informática aplicada, At

Mizantla, Veracruz, 2013.

[55] C. A. V. Romero, “Acople de sensores en la medición de variables ambientales usando tecnología

zigbee,” Scientia et technica, vol. 19, no. 4, pp. 419–424, 2014.

[56] E. A. M. Rios, J. Palacios, and N. Falcón, “Diseño y construcción de sensores automatizados de

gases de efecto invernadero en la baja troposfera,” Ingenius, vol. 1, no. 14, pp. 21–29, 2016.

[57] S. Kumar and A. Jasuja, “Air quality monitoring system based on iot using raspberry pi,” in

2017 International Conference on Computing, Communication and Automation (ICCCA), pp. 1341–

1346, May 2017.

[58] A. M. C. Ilie and C. Vaccaro, “Design of a smart gas detection system in areas of natural gas

storage,” in 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), pp. 5954–

5957, July 2017.

[59] G. Mois, Z. Szilagyi, T. Sanislav, and S. Folea, “An http-based environmental monitoring sys-

tem using power harvesting,” in 2017 21st International Conference on System Theory, Control and

Computing (ICSTCC), pp. 845–848, Oct 2017.

[60] G. Parmar, S. Lakhani, and M. K. Chattopadhyay, “An iot based low cost air pollution monitoring

system,” in 2017 International Conference on Recent Innovations in Signal processing and Embedded

Systems (RISE), pp. 524–528, Oct 2017.

[61] M. M. Ahmed, S. Banu, and B. Paul, “Real-time air quality monitoring system for bangladesh’s

perspective based on internet of things,” in 2017 3rd International Conference on Electrical Informa-

tion and Communication Technology (EICT), pp. 1–5, Dec 2017.

62

Bibliografía

[62] A. Holovatyy, V. Teslyuk, M. Lobur, S. Pobereyko, and Y. Sokolovsky, “Development of arduino-

based embedded system for detection of toxic gases in air,” in 2018 IEEE 13th International Scienti-

fic and Technical Conference on Computer Sciences and Information Technologies (CSIT), vol. 1, pp. 139–

142, Sep. 2018.

[63] P. D. Rosero-Montalvo, J. A. Caraguay-Procel, E. D. Jaramillo, J. M. Michilena-Calderón, A. C.

Umaquinga-Criollo, M. Mediavilla-Valverde, M. A. Ruiz, L. A. Beltrán, and D. H. Peluffo, “Air

quality monitoring intelligent system using machine learning techniques,” in 2018 International

Conference on Information Systems and Computer Science (INCISCOS), pp. 75–80, Nov 2018.

[64] N. Asthana and R. Bahl, “Iot device for sewage gas monitoring and alert system,” in 2019 1st In-

ternational Conference on Innovations in Information and Communication Technology (ICIICT), pp. 1–7,

April 2019.

[65] A. J. Alabdullah, B. I. Farhat, and S. Chtourou, “Air quality arduino based monitoring system,”

in 2019 2nd International Conference on Computer Applications Information Security (ICCAIS), pp. 1–

5, May 2019.

[66] J. A. Malaver Rojas, N. Motta, L. F. Gonzalez, P. Corke, and A. Depari, “Towards the develop-

ment of a gas sensor system for monitoring pollutant gases in the low troposphere using small

unmanned aerial vehicles,” In Smith, Ryan N. (Ed.) Workshop on Robotics for Environmental Moni-

toring, 11 July 2012, Sydney University, N. S. W., 2012.

[67] O. Sidek, A. Abdullah, U. Za’bah, N. Amran, H. Jafar, M. A. Hadi, F. Nikmat, Z. Halim, and

M. Mansor, “Development of prototype system for monitoring and computing greenhouse ga-

ses with unmanned aerial vehicle (uav) deployment,” in Technology Management and Emerging

Technologies (ISTMET), 2014 International Symposium on, pp. 98–101, IEEE, 2014.

[68] V. Vargas, V. Lange, et al., “Sistema aéreo de medición de gases contaminantes basado en un uav,

resultados preliminares,” Acta Nova, vol. 7, no. 2, pp. 194–212, 2015.

[69] A. Abou-Elnour, M. Odeh, M. Abdelrhman, A. Balkis, and A. Amira, “Measurement of green-

house gases in uae by using unmanned aerial vehicle (uav),” in Sensors and Smart Structures

Technologies for Civil, Mechanical, and Aerospace Systems 2017, vol. 10168, p. 101682S, International

Society for Optics and Photonics, 2017.

[70] A. Tripolitsiotis, N. Prokas, S. Kyritsis, A. Dollas, I. Papaefstathiou, and P. Partsinevelos, “Dro-

nesourcing: a modular, expandable multi-sensor uav platform for combined, real-time environ-

mental monitoring,” International journal of remote sensing, vol. 38, no. 8-10, pp. 2757–2770, 2017.

63

Bibliografía

[71] M. Elloumi, R. Dhaou, B. Escrig, H. Idoudi, and L. A. Saidane, “Monitoring road traffic with

a uav-based system,” in 2018 IEEE Wireless Communications and Networking Conference (WCNC),

pp. 1–6, April 2018.

[72] M. B. Marinov, I. Topalov, B. Ganev, E. Gieva, and V. Galabov, “Uavs based particulate mat-

ter pollution monitoring,” in 2019 IEEE XXVIII International Scientific Conference Electronics (ET),

pp. 1–4, Sep. 2019.

[73] P. Singh and S. Saikia, “Arduino-based smart irrigation using water flow sensor, soil moistu-

re sensor, temperature sensor and esp8266 wifi module,” in Humanitarian Technology Conference

(R10-HTC), 2016 IEEE Region 10, pp. 1–4, IEEE, 2016.

[74] S. Thrun, W. Burgard, and D. Fox, Probabilistic robotics. Cambridge, Mass.: MIT Press, 2005.

[75] O. Ruiz-Espitia, J. Martinez-Carranza, and C. Rascon, “Aira-uas: an evaluation corpus for audio

processing in unmanned aerial system,” in 2018 International Conference on Unmanned Aircraft

Systems (ICUAS), pp. 836–845, June 2018.

[76] Raspberrypi.org, “Documentation-faqs.” [Online].Available:https://www.

raspberrypi.org/documentation/faqs/#pi-power. [Accessed: 17-Nov-2019].

[77] J. Fabry, S. Liebich, P. Vary, and P. Jax, “Active noise control with reduced-complexity kalman

filter,” in 2018 16th International Workshop on Acoustic Signal Enhancement (IWAENC), pp. 166–

170, Sep. 2018.

[78] R. U. de Observatorios Atmosféricos de la Universidad Nacional Autónoma de México, “red

universitaria de observatorios atmosféricos".” [Online].Available:https://www.ruoa.

unam.mx/. [Accessed: 26- Oct- 2019].

64

Apéndice

65

Apéndice A

Inventario Nacional de Emisiones de

Gases y Compuestos de Efecto

Invernadero en la Ciudad de México

en 2015.

66

Apéndice A. Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero en laCiudad de México en 2015.

Figura A.1: Inventario Nacional de Emisiones de Gases y Compuestos de Efecto Invernadero enla Ciudad de México en 2015. INEEC. Recuperado de https://www.gob.mx/inecc/acciones-y-programas/inventario-nacional-de-emisiones-de-gases-y-compuestos-de-efecto-invernadero

67

Apéndice B

Productividad

R. Vázquez López, E. V. Vázquez Carmona, J. C. Herrera Lozada, M. Hernández Bolaños y M.

Marciano Melchor, “PROTOTIPO DE APOYO PARA EMULAR EL FUNCIONAMIENTO DEL

PROTOCOLO MESI”, Pistas Educativas No. 130, vol. 40, ISSN: 2448-847X, 2018

E. V. Vázquez Carmona, R. Vázquez López y J. C. Herrera Lozada, “APLICACIONES CON

ARDUINO: MANEJO DE DISPLAY DE 7 SEGMENTOS Y LED RGB”, Boletín UPIITA, No.67,

ISSN: 2007-6150. Jul. 2018

E. V. Vázquez Carmona, R. Vázquez López, N. F. Encarnación, Ávalos y J. C. Herrera Lozada,

“CONTROL DE PANTALLAS DE LCD Y OLED UTILIZANDO ARDUINO”, Boletín UPIITA,

No.69, ISSN: 2007-6150. Nov. 2018

R. Vázquez López, E. V. Vázquez Carmona, J. C. Herrera Lozada y J. Sandoval Gutiérrez, “DO-

MÓTICA: CONTROL DE ENCENDIDO DE DISPOSITIVOS POR MEDIO DE UNA APLICA-

CIÓN MÓVIL Y UNA RASPBERRY PI”, Boletín UPIITA, No.74, ISSN: 2007-6150. Sep. 2019

E. V. Vázquez Carmona, R. Vázquez López, y J. C. Herrera Lozada, “ARDUINO: MONITO-

REO DE VARIABLES CLIMÁTICAS HACIENDO USO DE LOS SENSORES BMP-180, DHT-22

Y NEO-6M”, Boletín UPIITA, No.74, ISSN: 2007-6150. Sep.2019

E. V. Vázquez Carmona, J. I. Vásquez Gómez y J. C. Herrera Lozada “SISTEMA PARA EL MO-

NITOREO DE GASES DE EFECTO INVERNADERO UTILIZANDO INTERNET DE LAS CO-

SAS y VEHÍCULOS AÉREOS NO TRIPULADOS”, Foro PIFI 2019, UPDCE, México, Agosto,

2019

E. V. Vázquez Carmona, R. Vázquez López y J. C. Herrera Lozada, “REPRESENTACIÓN GRÁ-

FICA DE DATOS ESTADÍSTICOS EN PYTHON UTILIZANDO LA BIBLIOTECA MATPLOTLIB”,

Boletín UPIITA, No.75, ISSN: 2007-6150. Nov. 2019

68

Apéndice B. Productividad

E. V. Vázquez Carmona, R. Vázquez López y J. C. Herrera Lozada, “USO DE LA PLATAFORMA

CLOUDERA CDH COMO UNA HERRAMIENTA DE BIG DATA Y CIENCIA DE DATOS”,

Boletín UPIITA, No.75, ISSN: 2007-6150. Nov. 2019

E. V. Vázquez Carmona, J. I. Vásquez Gómez y J. C. Herrera Lozada, .Environmental Monitoring

using Embedded Systems on UAVs", IEEE Latin America Transactions Special Issue on Embed-

ded Systems. (en revisión)

69

Instituto Polit ecnico Nacional - WordPress.com

Documents

Transcript of Instituto Polit ecnico Nacional - WordPress.com