1

UNIVERSIDAD TECNOLÓGICA ISRAEL

TRABAJO DE TITULACIÓN

TELECOMUNICACIONES

TEMA:
SISTEMA DE CONTROL DE INVERNADERO
INTELIGENTE

AUTORES:
Vinicio Cuzco
Bryan Vargas

PROFESOR:
Mg. Flavio Morales

QUITO, ECUADOR

2024
 2

DESARROLLO

Objetivos.

Objetivo General.

Simular en la herramienta Proteus un sistema de control de invernadero inteligente.

Objetivos Específicos

● Investigar modelos de crecimiento de plantas y condiciones ambientales en

invernaderos.

● Estudiar técnicas de control avanzado como PID, control predictivo y lógica difusa.

● Analizar protocolos de comunicación IoT como MQTT.

● Diseñar el sistema de control de invernadero inteligente mediante el uso de sensores,

actuadores y microcontroladores.

● Simular el sistema de control de invernadero inteligente en el software Kicad.

● Realizar pruebas de funcionamiento y análisis de resultados.

Componentes del Sistema

Modelos matemáticos de crecimiento de plantas y condiciones ambientales en

invernaderos

Estos modelos se diseñan para describir, predecir y analizar la influencia de factores

ambientales como la temperatura, la humedad, la luz, la concentración de dióxido de carbono y

los nutrientes en los procesos fisiológicos de las plantas, incluyendo la fotosíntesis, la

transpiración, la absorción de agua y nutrientes, así como el crecimiento en general. Para su

desarrollo, los investigadores suelen combinar datos experimentales con ecuaciones y algoritmos

que capturan la dinámica entre las condiciones del invernadero y las respuestas de las plantas.

Estos datos se obtienen a partir de sensores estratégicamente ubicados en el invernadero para

monitorear continuamente las variables ambientales, lo que permite validar y ajustar los modelos

en situaciones reales.

Los modelos suelen dividirse en dos categorías: mecanicistas y empíricos. Los modelos

mecanicistas, también conocidos como determinísticos, se basan en principios biológicos y físicos

fundamentales, como la transferencia de calor, el balance de masa y los procesos de transporte en

 3

las plantas. En contraste, los modelos empíricos se construyen a partir de relaciones estadísticas

derivadas de datos experimentales y tienden a ser específicos para ciertos cultivos y condiciones

ambientales. Cada enfoque tiene sus ventajas dependiendo del objetivo del estudio: mientras que

los modelos mecanicistas ofrecen una comprensión más profunda y generalizable, los empíricos

son más sencillos de implementar y ajustar para casos específicos.

Los modelos avanzados también integran variables como la interacción entre plantas y

suelo, considerando cómo los cambios en la humedad o la composición de nutrientes del sustrato

afectan el desarrollo radicular y la absorción de agua. Además, las simulaciones climáticas dentro

del invernadero permiten prever cómo las modificaciones en los sistemas de ventilación, riego o

iluminación pueden impactar la productividad. Por ejemplo, al simular diferentes escenarios de

manejo de temperatura o de iluminación artificial, los agricultores pueden optimizar el uso de

recursos y reducir costos sin comprometer la calidad de los cultivos.

Modelo de Balance Energético

Este modelo analiza cómo se distribuye y transfiere la energía dentro del invernadero.

Los factores clave que considera incluyen:

• Radiación Solar: Describe la entrada de energía al invernadero, que depende de la

orientación, los materiales de cubierta y las condiciones climáticas externas.

• Transferencia de Calor: Modela el intercambio de calor entre el interior del invernadero

y el ambiente exterior. Esto incluye la conducción a través de las paredes y techo, la

convección por el flujo de aire y la radiación infrarroja.

• Evapotranspiración: Evalúa la pérdida de calor debido a la evaporación del agua en el

suelo y la transpiración de las plantas.

• Sistemas de Control: Considera dispositivos como calefactores, ventiladores y pantallas

térmicas, los cuales se regulan para mantener un rango óptimo de temperatura.

Modelo de Fotosíntesis y Transpiración

Este modelo estudia cómo las plantas convierten la energía lumínica en biomasa y el papel

de la transpiración en la regulación del microclima.

 4

• Fotosíntesis: Basada en la ecuación de Farquhar, que considera la absorción de CO₂, la

intensidad de la luz y la temperatura para estimar la tasa de fijación de carbono. Factores

como el déficit hídrico o la saturación de CO₂ pueden limitar el proceso.

• Transpiración: Se modela usando ecuaciones como Penman-Monteith, que calculan la

cantidad de agua perdida a través de las estomas de las hojas. Esto depende de la humedad

relativa, la temperatura y el viento.

Modelo de Crecimiento de Biomasa

Se centra en cómo las plantas transforman la energía capturada en tejido vegetal.

• Modelo RUE (Radiation Use Efficiency): Calcula la eficiencia con la que las plantas

convierten la radiación solar absorbida en biomasa. Es útil para predecir el rendimiento

del cultivo bajo diferentes niveles de luz.

• Modelo Logístico o de Richards: Describe el crecimiento de las plantas como una curva

sigmoidal, con tres fases principales: inicial lenta, crecimiento exponencial y saturación.

Este modelo es particularmente útil para entender cuándo las plantas alcanzan su

capacidad máxima de crecimiento.

• Partición de Biomasa: Algunos modelos más avanzados dividen la biomasa total en hojas,

tallos, raíces y frutos, analizando cómo cada componente crece y responde a factores

externos.

Modelo de Balance Hídrico

Este modelo evalúa el flujo de agua en el sistema suelo-planta-atmósfera.

• Movimiento del Agua en el Suelo: Utiliza la ecuación de Richards, que describe cómo el

agua se mueve en el suelo debido a gradientes de presión y contenido de humedad.

• Absorción de Agua por las Raíces: Modela cómo las plantas absorben agua para suplir la

demanda de transpiración.

• Evapotranspiración: Se estima con el método de Penman-Monteith, que combina factores

meteorológicos y fisiológicos para determinar la cantidad de agua perdida al ambiente.

Modelo de Dinámica de Nutrientes

 5

Se enfoca en cómo las plantas adquieren y utilizan los nutrientes esenciales.

• Absorción de Nutrientes: Basado en la cinética de Michaelis-Menten, que describe la

velocidad de absorción de un nutriente en función de su concentración en el suelo.

• Movimiento de Nutrientes en el Suelo: Modelado por ecuaciones de difusión, que

describen cómo los nutrientes se desplazan hacia las raíces.

• Transporte Interno: Analiza cómo los nutrientes se distribuyen dentro de la planta,

apoyando el crecimiento de diferentes órganos.

Modelo de Control Climático

Integra variables ambientales para mantener condiciones óptimas dentro del invernadero.

• Temperatura y Humedad: Simula cómo se controlan mediante sistemas de calefacción,

enfriamiento y ventilación.

• CO₂: Analiza el impacto de sistemas de enriquecimiento de CO₂ en la fotosíntesis y el

rendimiento del cultivo.

• Radiación Solar: Considera el uso de pantallas o sombreadores para regular la cantidad

de luz que ingresa.

Modelos de Simulación de Luz

Simulan cómo se distribuye la luz en el invernadero.

• Distribución Espacial: Analizan cómo la luz solar y la iluminación artificial llegan a

diferentes partes del cultivo.

• Eficiencia de Iluminación Artificial: Ayudan a diseñar sistemas de luz que complementen

la radiación solar, optimizando la fotosíntesis.

Modelos Fenológicos

Describen las etapas de desarrollo de las plantas en función del tiempo térmico

acumulado, que se mide en grados-día.

• Germinación: Estima el momento óptimo para sembrar las plantas.

• Floración y Fructificación: Predice cuándo las plantas alcanzarán estas etapas críticas

para planificar la cosecha.

 6

Modelos Basados en Redes Neuronales Artificiales (RNA)

Utilizan algoritmos de aprendizaje automático para predecir el crecimiento de las plantas

y las condiciones del invernadero.

• Entrada de Datos: Incluyen variables como temperatura, humedad, luz y CO₂.

• Predicciones: Ayudan a estimar el rendimiento del cultivo y el impacto de cambios en las

condiciones ambientales.

Modelos de Optimización de Recursos

Utilizan programación matemática para maximizar el rendimiento y minimizar el

consumo de recursos.

• Riego: Optimizan la cantidad y la frecuencia del riego.

• Energía: Ajustan los sistemas de calefacción, ventilación e iluminación para reducir

costos.

Estudiar técnicas de control avanzado como PID, control predictivo y lógica difusa

Analizar protocolos de comunicación IoT como MQTT

La investigación de técnicas avanzadas de control, como el control PID (Proporcional,

Integral y Derivativo), el control predictivo y la lógica difusa, es crucial en sistemas que necesitan

precisión, adaptabilidad y eficiencia. Estas técnicas se aplican ampliamente en sectores

industriales, científicos y tecnológicos debido a su capacidad para gestionar dinámicas complejas

y entornos variables. Cada técnica tiene características específicas que las hacen adecuadas para

distintos contextos, lo que resalta la importancia de comprenderlas profundamente para su

correcta implementación.

El control PID es una de las técnicas más veteranas y extendidas en el campo del control

automático. Se centra en ajustar la salida en función de la desviación entre un valor deseado

(setpoint) y el valor medido del sistema. Esta desviación, o error, se corrige mediante tres

componentes clave: una acción proporcional que responde directamente al tamaño del error; una

acción integral que acumula el error a lo largo del tiempo para corregir desviaciones persistentes;

y una acción derivativa que anticipa el comportamiento futuro del error para suavizar la respuesta.

La simplicidad y efectividad del control PID lo convierten en la opción favorita para aplicaciones
 7

como el control de temperatura, velocidad y presión. Sin embargo, presenta limitaciones en

sistemas no lineales o con múltiples variables, lo que ha impulsado el desarrollo de técnicas más

avanzadas.

El control predictivo, conocido por sus siglas en inglés MPC, es una técnica moderna que

utiliza modelos matemáticos del sistema para predecir su comportamiento futuro. A diferencia del

control PID, el MPC no solo reacciona al error actual, sino que anticipa y optimiza las acciones

de control basándose en predicciones a lo largo de un horizonte temporal. Esto lo hace ideal para

sistemas con restricciones o múltiples variables interdependientes, como el control de procesos

químicos, plantas de energía y sistemas robóticos. El control predictivo requiere una mayor

capacidad de cálculo, ya que implica resolver problemas de optimización en tiempo real, pero su

capacidad para gestionar sistemas complejos y asegurar un rendimiento óptimo lo convierte en

una herramienta poderosa en entornos avanzados.

La lógica difusa, por su parte, ofrece un enfoque diferente al basarse en conceptos de

lógica matemática que simulan el razonamiento humano. En lugar de depender de ecuaciones

precisas, utiliza reglas lingüísticas ("si-entonces") para tomar decisiones, permitiéndole manejar

incertidumbres y ambigüedades. Esta técnica es especialmente útil en sistemas donde las

relaciones entre las variables no son claramente definibles o donde la experiencia humana juega

un papel importante en el control. Por ejemplo, la lógica difusa se aplica en la regulación de

sistemas de climatización, el control de motores y dispositivos electrónicos de consumo, como

cámaras y electrodomésticos inteligentes. Aunque su implementación puede ser más intuitiva en

ciertos casos, requiere un diseño cuidadoso de las reglas y funciones de pertenencia para

garantizar su efectividad.

Elementos del Sistema de Control de Invernadero parafraseade diferente todo..La pantalla

LCD 16x2 I2C es un componente esencial en la simulación de un sistema de control para un

invernadero inteligente debido a su capacidad para mostrar información de manera clara y

eficiente. Este tipo de pantalla utiliza una interfaz I2C (Inter-Integrated Circuit), lo que reduce

significativamente el número de pines necesarios para su conexión al microcontrolador, liberando

recursos para otros sensores y actuadores. En un invernadero inteligente, la pantalla LCD puede
 8

mostrar datos críticos en tiempo real, como la temperatura, humedad, niveles de luz y estado de

los sistemas de control (ventilación, riego, etc.).

Esto permite a los usuarios tener un monitoreo directo del ambiente sin depender

exclusivamente de aplicaciones externas, simulando un sistema autónomo y práctico para

condiciones reales. El microcontrolador ESP32-S3 se elige debido a su alta capacidad de

procesamiento, conectividad Wi-Fi y Bluetooth, y múltiples pines GPIO, lo que lo convierte en

una solución versátil para controlar un sistema IoT como el de un invernadero inteligente. Este

microcontrolador permite integrar sensores y actuadores, además de gestionar la comunicación

con plataformas externas mediante protocolos como MQTT. La inclusión de capacidades de

procesamiento de imágenes y su bajo consumo energético lo hacen ideal para invernaderos donde

la eficiencia energética y la capacidad de integración con sistemas avanzados son decisivos.

En Proteus, su simulación permite validar el diseño lógico del sistema, probar algoritmos

de control y garantizar que el hardware funcione correctamente antes de implementar el sistema

físicamente. Los relés de 5V son componentes fundamentales para conectar y controlar

dispositivos de potencia, como sistemas de ventilación, luminancia, o bombas de agua, con el

microcontrolador.

Estos relés funcionan como interruptores eléctricos controlados que permiten manejar

corrientes más altas requeridas por los sistemas mencionados, mientras se mantienen aislados del

circuito de control de bajo voltaje. En la simulación, los relés permiten replicar el comportamiento

del sistema en respuesta a las condiciones del ambiente (por ejemplo, activar ventiladores cuando

la temperatura es alta o encender lámparas en condiciones de poca luz), asegurando que los

actuadores cumplan con su función de manera adecuada. Los sensores DHT11 y YL-69 son

fundamentales para medir las condiciones ambientales en el invernadero. El DHT11 se encarga

de medir la temperatura y humedad del aire con alta precisión, lo cual es vital para garantizar un

ambiente adecuado para el crecimiento de las plantas. Por otro lado, el sensor YL-69 mide la

humedad del suelo, permitiendo automatizar el riego según las necesidades específicas del

cultivo. En Proteus, la simulación de estos sensores permite probar algoritmos de control y

 9

automatización sin necesidad de implementarlos físicamente, ofreciendo un entorno seguro para

optimizar las condiciones del sistema.

La incorporación de paneles solares, un regulador de voltaje, y baterías de

almacenamiento de energía es concluyente en un sistema de invernadero inteligente,

especialmente en entornos donde se busca eficiencia energética y autonomía. Los paneles solares

proporcionan una fuente de energía renovable, reduciendo la dependencia de fuentes externas y

contribuyendo a la sostenibilidad del sistema. El regulador de voltaje asegura que la energía

generada por los paneles solares sea compatible con los dispositivos electrónicos del sistema,

mientras que las baterías permiten almacenar la energía para su uso durante la noche o en

condiciones de baja irradiación solar. En Proteus, estos componentes pueden ser simulados para

analizar el rendimiento energético y optimizar la configuración del sistema antes de

implementarlo en un entorno real. El sensor BH1750 es utilizado para medir la intensidad de luz

en el invernadero. Este sensor es clave para evaluar la cantidad de luz disponible para las plantas

y para controlar sistemas de iluminación artificial que complementen la luz natural.

El sensor MH-Z19B, por su parte, mide la concentración de dióxido de carbono (CO2),

un parámetro perentorio para el crecimiento de las plantas, ya que influye en el proceso de

fotosíntesis. En la simulación, ambos sensores permiten desarrollar estrategias de control más

complejas, como ajustar la iluminación o abrir ventanas en función de las mediciones realizadas.

Los sistemas de luminancia y ventilación son esenciales para mantener condiciones óptimas en el

invernadero. La iluminación artificial asegura que las plantas reciban suficiente luz incluso en

días nublados o durante la noche, mientras que los ventiladores ayudan a regular la temperatura

y la humedad, evitando problemas como el sobrecalentamiento o la acumulación de humedad

excesiva que podría dañar los cultivos. En Proteus, estos sistemas se simulan para validar el

comportamiento del sistema frente a diferentes escenarios climáticos. El servomotor utilizado

para la apertura y cierre de ventanas es un elemento crítico para el control de la ventilación natural

en el invernadero. Este componente permite ajustar de manera precisa la posición de las ventanas

según las condiciones internas y externas del ambiente, como la temperatura o los niveles de CO2.
 10

En la simulación, el servomotor permite probar las estrategias de control automatizado para

garantizar que las ventanas se ajusten de manera eficiente y sin fallos.

La pantalla LCD 16x2 con interfaz I2C es fundamental en la simulación de un sistema de

control para un invernadero inteligente, gracias a su capacidad para mostrar información de

manera clara y eficiente. Utiliza una interfaz I2C (Inter-Integrated Circuit), que reduce

considerablemente el número de pines necesarios para conectarse al microcontrolador, liberando

recursos para otros sensores y actuadores. En un invernadero inteligente, esta pantalla puede

mostrar datos críticos en tiempo real, como la temperatura, humedad, niveles de luz y estado de

los sistemas de control (ventilación, riego, etc.). Esto permite a los usuarios monitorear

directamente el ambiente sin depender exclusivamente de aplicaciones externas, simulando un

sistema autónomo y práctico para condiciones reales.

El microcontrolador ESP32-S3 se selecciona por su alta capacidad de procesamiento,

conectividad Wi-Fi y Bluetooth, y múltiples pines GPIO, lo que lo convierte en una solución

versátil para controlar un sistema IoT como el de un invernadero inteligente. Este

microcontrolador permite integrar sensores y actuadores, además de gestionar la comunicación

con plataformas externas mediante protocolos como MQTT. Su capacidad de procesamiento de

imágenes y bajo consumo energético lo hacen ideal para invernaderos donde la eficiencia

energética y la integración con sistemas avanzados son esenciales. En Proteus, su simulación

permite validar el diseño lógico del sistema, probar algoritmos de control y garantizar el correcto

funcionamiento del hardware antes de implementar el sistema físicamente.

Los relés de 5V son esenciales para conectar y controlar dispositivos de potencia, como

sistemas de ventilación, luminancia o bombas de agua, con el microcontrolador. Estos relés

funcionan como interruptores eléctricos controlados, permitiendo manejar corrientes más altas

necesarias para los sistemas mencionados, mientras se mantienen aislados del circuito de control

de bajo voltaje. En la simulación, los relés replican el comportamiento del sistema en respuesta a

las condiciones ambientales (por ejemplo, activar ventiladores cuando la temperatura es alta o

encender lámparas en condiciones de poca luz), asegurando que los actuadores funcionen

adecuadamente.
 11

Los sensores DHT11 y YL-69 son fundamentales para medir las condiciones ambientales

en el invernadero. El DHT11 mide la temperatura y humedad del aire con alta precisión, crucial

para garantizar un ambiente adecuado para el crecimiento de las plantas. El sensor YL-69 mide

la humedad del suelo, permitiendo automatizar el riego según las necesidades específicas del

cultivo. En Proteus, la simulación de estos sensores permite probar algoritmos de control y

automatización sin necesidad de implementarlos físicamente, ofreciendo un entorno seguro para

optimizar las condiciones del sistema.

La incorporación de paneles solares, un regulador de voltaje y baterías de almacenamiento

de energía es esencial en un sistema de invernadero inteligente, especialmente en entornos donde

se busca eficiencia energética y autonomía. Los paneles solares proporcionan una fuente de

energía renovable, reduciendo la dependencia de fuentes externas y contribuyendo a la

sostenibilidad del sistema. El regulador de voltaje asegura que la energía generada por los paneles

solares sea compatible con los dispositivos electrónicos del sistema, mientras que las baterías

permiten almacenar la energía para su uso durante la noche o en condiciones de baja irradiación

solar. En Proteus, estos componentes pueden ser simulados para analizar el rendimiento

energético y optimizar la configuración del sistema antes de implementarlo en un entorno real.

El sensor BH1750 mide la intensidad de luz en el invernadero. Este sensor es clave para

evaluar la cantidad de luz disponible para las plantas y para controlar sistemas de iluminación

artificial que complementen la luz natural. El sensor MH-Z19B mide la concentración de dióxido

de carbono (CO2), un parámetro crucial para el crecimiento de las plantas, ya que influye en el

proceso de fotosíntesis. En la simulación, ambos sensores permiten desarrollar estrategias de

control más complejas, como ajustar la iluminación o abrir ventanas en función de las mediciones

realizadas.

Los sistemas de iluminación y ventilación son esenciales para mantener condiciones

óptimas en el invernadero. La iluminación artificial asegura que las plantas reciban suficiente luz

incluso en días nublados o durante la noche, mientras que los ventiladores ayudan a regular la

temperatura y la humedad, evitando problemas como el sobrecalentamiento o la acumulación de

 12

humedad excesiva que podría dañar los cultivos. En Proteus, estos sistemas se simulan para

validar su comportamiento frente a diferentes escenarios climáticos.

El servomotor para la apertura y cierre de ventanas es crucial para el control de la

ventilación natural en el invernadero. Este componente permite ajustar de manera precisa la

posición de las ventanas según las condiciones internas y externas del ambiente, como la

temperatura o los niveles de CO2. En la simulación, el servomotor permite probar estrategias de

control automatizado para garantizar que las ventanas se ajusten de manera eficiente y sin fallos.

Diseño Esquemático del Sistema

Las conexiones físicas de este sistema integran varios sensores, actuadores y elementos

de control necesarios para simular y gestionar un invernadero inteligente. Cada componente tiene

un propósito específico y debe conectarse correctamente al microcontrolador ESP32-S3 para

garantizar el funcionamiento adecuado del sistema. A continuación, se detallan las conexiones

físicas entre cada elemento:

La pantalla LCD utiliza un módulo I2C, que simplifica las conexiones al requerir

únicamente dos pines para la comunicación: SDA (datos) y SCL (reloj). Estos pines se conectan

a los correspondientes del ESP32-S3 (generalmente, los pines GPIO21 y GPIO22). Además, el

módulo I2C requiere alimentación eléctrica, por lo que sus pines VCC y GND deben conectarse

al pin de 3.3V o 5V y al pin de tierra del ESP32-S3, respectivamente. Esto asegura la visualización

de información como temperatura, humedad y estado del sistema.

El sistema incluye dos sensores DHT11: uno para medir la temperatura y humedad del

aire (ambiente) y otro para medir la humedad del suelo. Cada sensor tiene tres pines: VCC, GND,

y DATA. El pin VCC se conecta a la alimentación del microcontrolador (3.3V o 5V), el pin GND

se conecta a tierra, y el pin DATA se conecta a las entradas analógicas del ESP32-S3, en este caso,

A0 para el sensor de ambiente y A1 para el sensor de suelo. Es importante colocar resistencias

pull-up (generalmente de 10kΩ) entre el pin DATA y VCC para garantizar la estabilidad de las

lecturas.

El sensor de luz está conectado al pin analógico A2 del ESP32-S3. Este sensor, que mide

la intensidad lumínica en términos de voltaje, tiene tres pines: VCC, GND, y OUT. El pin OUT
 13

envía la señal analógica correspondiente a la intensidad de luz al microcontrolador, mientras que

VCC y GND se conectan a la alimentación y a tierra, respectivamente.

El sensor de CO2 tiene múltiples opciones de conexión, pero en este caso se utiliza su

salida analógica, que está conectada al pin A3 del ESP32-S3. Además, el sensor requiere

alimentación a través de sus pines VCC y GND, conectados al pin de 5V y al pin de tierra del

ESP32-S3. Este sensor mide la concentración de CO2 en el aire y convierte la lectura en una señal

analógica proporcional que puede ser interpretada por el microcontrolador.

Los relés actúan como interruptores eléctricos controlados por el ESP32-S3 para manejar

dispositivos como ventiladores, lámparas y electroválvulas, que operan a voltajes más altos. Cada

relé tiene tres conexiones principales: un pin de control (IN), un pin de alimentación (VCC) y un

pin de tierra (GND). El pin IN de cada relé está conectado a los pines digitales del ESP32-S3: el

relé para la lámpara se conecta al pin 5, el relé para la electroválvula al pin 8, y el relé para el

ventilador al pin 10. Los pines VCC y GND se conectan a la alimentación del relé (generalmente

5V) y al pin de tierra, respectivamente.

El sistema utiliza dos salidas digitales del ESP32-S3 para controlar el movimiento de

apertura y cierre de las ventanas mediante un motor o mecanismo similar. Los pines digitales 3 y

2 controlan las señales de apertura y cierre, respectivamente. Estos pines están conectados a un

controlador de motor o directamente a un sistema de actuador que regula el movimiento de las

ventanas. Es esencial conectar diodos de protección en paralelo con el motor para evitar picos de

corriente inversa que puedan dañar el microcontrolador.

La lámpara que simula la iluminación nocturna está conectada al relé correspondiente,

controlado por el pin 5 del ESP32-S3. El relé permite encender o apagar la lámpara según los

niveles de luz detectados por el sensor. La lámpara recibe alimentación de una fuente externa, que

es interrumpida o permitida por el relé.

El ventilador está conectado al relé controlado por el pin 10 del ESP32-S3. Al igual que

la lámpara, el ventilador recibe alimentación de una fuente externa controlada por el relé. Este

actuador se activa o desactiva según la temperatura ambiente detectada por el sensor DHT11.
 14

La electroválvula, encargada de automatizar el riego, está conectada al relé controlado

por el pin 8 del ESP32-S3. El relé regula el paso de corriente hacia la electroválvula, permitiendo

abrirla o cerrarla según las lecturas de humedad del suelo proporcionadas por el sensor DHT11

correspondiente.

Todos los componentes comparten una conexión común a tierra para mantener la

referencia eléctrica uniforme en el sistema. Además, es fundamental proteger el ESP32-S3 de

sobrecargas eléctricas mediante el uso de resistencias limitadoras y diodos de protección donde

sea necesario.

El sistema de alimentación principal está basado en un panel solar que se dimensiona para

cubrir el consumo total del sistema. Este panel solar se conecta a un controlador de carga que

regula la corriente y voltaje hacia una batería de almacenamiento (ciclo profundo de 12V). La

salida del controlador de carga se conecta a un convertidor DC-DC buck que reduce el voltaje de

12V a 5V estables para alimentar el Arduino y los sensores de baja potencia. Se garantiza que el

regulador de voltaje proporciona una salida estable y compatible con los requerimientos de los

sensores y actuadores.

Figura 1 Conexiones del sistema en KiCad

 15

Figura 2 Conexiones del sistema en Proteus

 16

Pruebas de Funcionamiento

Para validar el correcto funcionamiento del sistema implementado, se realizan las

siguientes pruebas, evaluando cada subsistema y verificando la respuesta de acuerdo con las

condiciones establecidas:

Prueba del sensor DHT11 de temperatura y humedad ambiental

• Se conecta el sensor DHT11 al pin A0 y se simulan condiciones de temperatura y

humedad variables.

• Actualmente, se observa en el LCD la lectura de la temperatura ambiente, verificando

que, si es superior a 37 °C, el ventilador conectado al pin 10 se enciende.

• Simultáneamente, se observa la etiqueta "ESTADO: ELEVADO" en la pantalla. Si la

temperatura es menor o igual a 37 °C, el ventilador se apaga y la pantalla muestra

"ESTADO: ESTABLE".
 17

• La humedad ambiental también se visualiza y, al superar el 40 %, se registra "ESTADO:

ALTO". De lo contrario, se etiqueta como "ESTADO: ESTABLE".

Figura 3 Prueba del sensor DHT11 de temperatura y humedad ambiental

Prueba del sensor YL-69 de humedad del suelo

• El sensor YL-69 conectado al pin A1 mide actualmente la humedad del suelo.

• Cuando la lectura indica valores superiores al 35 %, el LCD muestra "ESTADO: SECO",

y la electroválvula en el pin 8 se activa, permitiendo el riego.

• Si la humedad es inferior o igual al 35 %, el LCD indica "ESTADO: HUMEDO" y la

electroválvula se desactiva.

• Las lecturas son verificadas al cambiar manualmente las condiciones de humedad del

sensor.

Figura 4 Prueba del sensor YL-69 de humedad del suelo

 18

Prueba del sensor de luz

• El sensor analógico de luz, conectado al pin A2, actualmente mide la intensidad de luz en

el ambiente.

• Se observa en el LCD el voltaje equivalente y se comprueba que si este es menor a 1.5 V,

se registra "DIA", y la lámpara en el pin 5 permanece apagada.

• Si el voltaje es superior a 3.5 V, el LCD muestra "NOCHE" y la lámpara se enciende.

Para valores intermedios, la pantalla indica "TARDE", con la lámpara apagada.

• Estas pruebas se realizan colocando el sensor en diferentes niveles de luz (cubierto y

descubierto).

Figura 5 Prueba del sensor de luz

 19

Prueba del sensor de CO2

 20

• El sensor analógico de CO2, conectado al pin A3, se prueba generando diferentes

concentraciones de gas.

• Si el nivel de CO2 supera el 50 %, las ventanas controladas por los pines 3 (apertura) y 2

(cierre) cambian de estado. Actualmente, al detectar niveles altos, el pin 3 se activa,

permitiendo abrir las ventanas, y el pin 2 se desactiva. El LCD muestra "VENTANA:

ABRIR".

• Para niveles de CO2 seguros, el pin 2 se activa para cerrar las ventanas, desactivando el

pin 3. En este caso, el LCD muestra "VENTANA: CERRAR".

Figura 6 Prueba del sensor de CO2

 21

Prueba del cambio de pantallas en el LCD

• Se verifica que el LCD I2C muestra información alternada cada 300 ms. Actualmente, se

observa que las pantallas de temperatura, humedad ambiental, humedad del suelo, luz, y

CO2 se alternan secuencialmente.

• En cada cambio, los valores son precisos y reflejan el estado del sistema, además de

accionar las salidas correspondientes de manera efectiva.

Figura 7 Prueba del cambio de pantallas en el LCD

 22

Prueba de inicialización y estado del sistema

• Al encender el sistema, el LCD muestra el mensaje de inicio "SIS. INVERNADERO".

Se confirma que los pines de salida para las ventanas inicializan correctamente, con las

ventanas cerradas por defecto (pin 2 activado, pin 3 desactivado).

Figura 8 Prueba de inicialización y estado del sistema

Explicación del Sistema:

El sistema de invernadero inteligente integra diversos sensores y actuadores para crear un

ambiente controlado y óptimo para el crecimiento de plantas. Los sensores de temperatura y

humedad ambiental (DHT11) miden las condiciones climáticas internas. Si la temperatura supera

los 37 °C, el sistema activa un ventilador conectado al pin 10, reduciendo el calor.

Simultáneamente, monitorea la humedad del suelo con otro sensor DHT11; si esta cae por debajo

del umbral configurado (35%), activa una electroválvula en el pin 8 para regar el suelo. Un sensor

de luz (en el pin A2) mide la intensidad lumínica, y, dependiendo del voltaje leído, controla una

lámpara en el pin 5: se enciende en condiciones de oscuridad (noche) y se apaga durante el día.

El sensor de CO2, conectado al pin A3, mide la concentración de este gas en el ambiente.

Si el nivel supera el 50%, el sistema abre las ventanas del invernadero activando un actuador en

el pin 3 y desactiva el cierre del pin 2. Cuando el nivel de CO2 vuelve a la normalidad, las ventanas

se cierran automáticamente. Un LCD 16x2 con interfaz I2C muestra los datos de los sensores de

forma cíclica, incluyendo temperatura, humedad ambiental, humedad del suelo, intensidad de luz

y nivel de CO2, junto con el estado de los actuadores (ventilador, lámpara, electroválvula y
 23

ventanas), proporcionando al usuario una visualización clara de las condiciones del invernadero

y las acciones realizadas por el sistema.

Código Implementado

#include <Wire.h>

#include <LiquidCrystal_I2C.h>

#include <DHT.h>

#define I2C_ADDRESS 0x3F

LiquidCrystal_I2C lcd(I2C_ADDRESS, 16, 2);

#define DHT_PIN A0 // DHT11 para temperatura y humedad ambiente

#define SOIL_PIN A1 // YL-69 para humedad del suelo

#define LIGHT_PIN A2 // Sensor de luz

#define CO2_PIN A3 // Sensor de CO2

#define DHTTYPE DHT11

DHT dhtSensor(DHT_PIN, DHTTYPE); // Sensor DHT11 para temp y

humedad ambiente

DHT soilSensor(SOIL_PIN, DHTTYPE); // Sensor DHT11 para humedad del

suelo

// Pines para LEDs, ventilador y electrovalvula

#define VENTILATOR 10

#define ELECTROVALVE 8

#define LAMP 5 // Lámpara para la noche

#define VENTANA_OPEN 3 // Control apertura ventana

#define VENTANA_CLOSE 2 // Control cierre ventana

 24

unsigned long previousMillis = 0;

int displayState = 0;

bool windowsOpen = false; // Estado de las ventanas

void setup() {

[Link]();

[Link]();

// Configuración de pines

pinMode(LAMP, OUTPUT);

pinMode(VENTILATOR, OUTPUT);

pinMode(ELECTROVALVE, OUTPUT);

pinMode(VENTANA_OPEN, OUTPUT);

pinMode(VENTANA_CLOSE, OUTPUT);

pinMode(LIGHT_PIN, INPUT);

pinMode(CO2_PIN, INPUT);

// Estado inicial de ventanas (cerradas)

digitalWrite(VENTANA_OPEN, LOW);

digitalWrite(VENTANA_CLOSE, HIGH);

// Mensaje de inicio

[Link]();

[Link](0, 0);

[Link]("SIS. INVERNADERO");

delay(500);
 25

// Inicializar sensores DHT11

[Link]();

[Link]();

void loop() {

// Lectura de sensores

float temperature = readTemperature();

float airHumidity = readAirHumidity();

float soilHumidity = readSoilHumidity();

float lightVoltage = readLightVoltage();

int co2Percentage = readCO2Percentage();

// Control de CO2 y ventanas

controlWindows(co2Percentage);

// Control de iluminación

controlLighting(lightVoltage);

// Actualización de pantalla LCD

updateLCD(temperature, airHumidity, soilHumidity, lightVoltage,

co2Percentage);

float readTemperature() {

float temperature = [Link](); // Temperatura ambiente

 26

if (isnan(temperature)) temperature = 0;

return temperature;

float readAirHumidity() {

float airHumidity = [Link](); // Humedad ambiente

if (isnan(airHumidity)) airHumidity = 0;

return airHumidity;

float readSoilHumidity() {

float soilHumidity = [Link](); // Humedad del suelo

if (isnan(soilHumidity)) soilHumidity = 0;

return soilHumidity;

float readLightVoltage() {

int lightRaw = analogRead(LIGHT_PIN);

return (lightRaw * 5.0) / 1023.0; // Conversión a voltaje (0-5V)

int readCO2Percentage() {

int co2Raw = analogRead(CO2_PIN);

return map(co2Raw, 0, 1023, 0, 100); // Conversión a porcentaje

void controlWindows(int co2Percentage) {

 27

if (co2Percentage > 50) { // Nivel peligroso de CO2

if (!windowsOpen) { // Si las ventanas están cerradas

digitalWrite(VENTANA_OPEN, HIGH); // Activar apertura

digitalWrite(VENTANA_CLOSE, LOW); // Desactivar cierre

windowsOpen = true;

} else { // Nivel seguro de CO2

if (windowsOpen) { // Si las ventanas están abiertas

digitalWrite(VENTANA_OPEN, LOW); // Desactivar apertura

digitalWrite(VENTANA_CLOSE, HIGH); // Activar cierre

windowsOpen = false;

void controlLighting(float lightVoltage) {

if (lightVoltage < 1.5) { // Consideramos día

digitalWrite(LAMP, LOW);

else if (lightVoltage > 3.5) { // Consideramos noche

digitalWrite(LAMP, HIGH);

else { // Estado normal

digitalWrite(LAMP, LOW);

}
 28

void updateLCD(float temperature, float airHumidity, float soilHumidity, float

lightVoltage, int co2Percentage) {

unsigned long currentMillis = millis();

if (currentMillis - previousMillis >= 300) {

previousMillis = currentMillis;

[Link]();

switch(displayState) {

case 0: // Pantalla de temperatura

[Link](0, 0);

[Link]("TEMP AMB: ");

[Link](temperature);

[Link]("C");

[Link](0, 1);

if (temperature > 37) {

[Link]("ESTADO: ELEVADO");

digitalWrite(VENTILATOR, HIGH);

} else {

[Link]("ESTADO: ESTABLE");

digitalWrite(VENTILATOR, LOW);

displayState = 1;

break;

case 1: // Pantalla de humedad ambiente

[Link](0, 0);

[Link]("HUM AMB: ");

 29

[Link](airHumidity);

[Link]("%");

[Link](0, 1);

if (airHumidity > 40) {

[Link]("ESTADO: ALTO");

} else {

[Link]("ESTADO: ESTABLE");

displayState = 2;

break;

case 2: // Pantalla de humedad del suelo

[Link](0, 0);

[Link]("HUM SUE: ");

[Link](soilHumidity);

[Link]("%");

[Link](0, 1);

if (soilHumidity > 35) {

[Link]("ESTADO: SECO");

digitalWrite(ELECTROVALVE, HIGH);

} else {

[Link]("ESTADO: HUMEDO");

digitalWrite(ELECTROVALVE, LOW);

displayState = 3;

break;
 30

case 3: // Pantalla de nivel de luz

[Link](0, 0);

[Link]("VOL LUZ: ");

[Link](lightVoltage);

[Link]("V");

[Link](0, 1);

[Link]("AMBIENTE: ");

if (lightVoltage < 1.5) {

[Link]("DIA");

else if (lightVoltage > 3.5) {

[Link]("NOCHE");

else {

[Link]("TARDE");

displayState = 4;

break;

case 4: // Pantalla de CO2

[Link](0, 0);

[Link]("GASES: ");

[Link](co2Percentage);

[Link]("%");

[Link](0, 1);

[Link]("VENTANA: ");

if (windowsOpen) {
 31

[Link]("ABRIR");

} else {

[Link]("CERRAR");

displayState = 0;

break;

Análisis de Resultados

Limitaciones en Desarrollar algoritmos de control avanzados

En el código proporcionado, junto con la simulación en Proteus, no es necesario

implementar algoritmos de control avanzados como el Control Predictivo Basado en Modelos

(MPC) o un Sistema de Inferencia Difusa debido a la simplicidad del sistema y los objetivos del

proyecto. El sistema que se está desarrollando tiene una función específica y bastante directa:

controlar los parámetros ambientales de un invernadero, como la temperatura, humedad, nivel de

luz y CO2, a través de sensores y actuadores. Este tipo de control no requiere predicción dinámica

o la toma de decisiones complejas basadas en múltiples variables a gran escala, ya que el

comportamiento del sistema sigue reglas básicas que pueden ser fácilmente programadas con

condicionales. Por ejemplo, cuando la temperatura supera cierto umbral, se activa el ventilador, y

cuando la humedad del suelo es baja, se activa la electroválvula. No hay una necesidad de

anticiparse a cambios futuros en el comportamiento del sistema ni de realizar cálculos complejos

para optimizar el uso de los recursos, lo cual sería la razón principal para aplicar MPC. La lógica

de control basada en reglas simples es suficiente para lograr el objetivo del sistema, sin requerir

la sofisticación de un algoritmo de control avanzado.

Además, la interfaz de usuario en este caso es bastante simple y se maneja mediante un

LCD, lo que permite visualizar la información del estado de los sensores y actuadores sin
 32

necesidad de una interfaz de usuario gráfica avanzada o un sistema de monitoreo y control

complejo. Un sistema de inferencia difusa sería útil si las decisiones sobre el control de los

dispositivos dependieran de múltiples factores difusos y menos precisos, pero en este caso, las

acciones a tomar son claras y se basan en umbrales fijos (como temperatura, humedad y niveles

de luz). La implementación de un sistema de control avanzado o una interfaz gráfica compleja

añadiría una sobrecarga innecesaria al microcontrolador, también incrementaría el tiempo de

desarrollo y los recursos requeridos sin aportar un valor significativo en el contexto del proyecto.

La solución planteada es adecuada y eficiente, cubriendo las necesidades del sistema sin la

complejidad de tecnologías de control avanzadas o interfaces de usuario sofisticadas.

Limitaciones en la Simulación de Conectividad IoT

En este código y su implementación en Proteus, no es necesario implementar una

simulación de conectividad IoT ni la integración con un broker MQTT, ya que el sistema no está

diseñado para operar en una red distribuida ni necesita interactuar con otros dispositivos o

servicios en la nube. El proyecto se enfoca en el control autónomo y local de un invernadero,

utilizando sensores como el DHT11 para temperatura, humedad, y otros como el sensor de CO2

y luz, junto con actuadores para controlar dispositivos como el ventilador, la electroválvula y la

iluminación. Las decisiones de control, como la activación del ventilador cuando la temperatura

excede un umbral o la apertura de las ventanas cuando el nivel de CO2 es alto, se toman de manera

local, sin necesidad de comunicación remota ni de integración con sistemas externos. El flujo de

datos entre los sensores y actuadores se gestiona internamente en el microcontrolador, y no se

requiere la transmisión de estos datos hacia servidores o servicios en la nube, lo que haría

innecesaria la implementación de una infraestructura de conectividad IoT como un broker MQTT.

La simulación de IoT y la integración con la nube son útiles cuando el sistema necesita

interactuar con plataformas remotas para la recopilación, análisis, y almacenamiento de grandes

volúmenes de datos o para realizar tareas de monitoreo y control a distancia. Sin embargo, en este

caso, el sistema tiene un propósito limitado de controlar y monitorear parámetros dentro del

invernadero sin necesidad de enviar estos datos a través de la red o almacenarlos en un servidor

remoto. Además, la simulación en Proteus está orientada a emular el comportamiento de hardware

 33

y dispositivos locales, lo que hace innecesaria la adición de una infraestructura de red IoT.

Implementar MQTT y la conectividad con la nube implicaría agregar complejidad al sistema sin

un beneficio claro en el contexto del control local del ambiente del invernadero. Por lo tanto,

mantener el sistema simple y autónomo dentro del microcontrolador es más eficiente y adecuado

a los objetivos del proyecto.

Limitaciones del modelo simulado

La simulación realizada en este proyecto tiene varias limitaciones que deben ser

consideradas para una evaluación más precisa y efectiva del sistema en su aplicación real. Una de

las principales limitaciones es que el entorno simulado en Proteus no replica completamente las

condiciones y variaciones del mundo real, como los cambios dinámicos en los parámetros

ambientales (temperatura, humedad, luz) que podrían afectar el comportamiento de los sensores

y actuadores. En una simulación, estos parámetros pueden ser relativamente estáticos o no tener

una variabilidad realista, lo que limita la capacidad del modelo para detectar fallas o problemas

en el rendimiento bajo condiciones cambiantes. Además, el sistema no contempla aspectos de

comunicación en red o la integración con otros sistemas de monitoreo remotos, lo que restringe

su aplicabilidad en un entorno IoT más complejo donde la conectividad y la interacción remota

son decisivos.

Para futuras mejoras, se podrían considerar varias propuestas que amplíen la

funcionalidad y precisión del modelo simulado. Una de ellas es incorporar algoritmos de control

más avanzados, como el control predictivo basado en modelos (MPC) o el control difuso, que

puedan adaptarse dinámicamente a las condiciones cambiantes del invernadero, optimizando el

uso de recursos como el agua, la energía y el aire. La implementación de estos algoritmos

permitiría una respuesta más flexible y eficiente a las fluctuaciones en los parámetros ambientales.

También sería útil integrar la conectividad IoT en la simulación, permitiendo la recopilación y

análisis de datos en tiempo real a través de un broker MQTT, lo que abriría la posibilidad de

monitoreo y control remoto del sistema. Además, la integración con servicios en la nube para

almacenar y analizar grandes volúmenes de datos mejoraría la capacidad para prever problemas

y optimizar el rendimiento del sistema a largo plazo.

 34

Las limitaciones mencionadas son más pertinentes a la parte de simulación. Las

simulaciones en plataformas como Proteus pueden proporcionar una representación básica de

cómo funcionaría el sistema, pero no capturan completamente la dinámica y complejidad de los

entornos reales. Los sensores y actuadores en un entorno físico responden a una mayor variedad

de factores que no pueden ser simulados con precisión, como interferencias electromagnéticas,

cambios bruscos en las condiciones ambientales, y la precisión de los sensores, entre otros.

Además, la simulación no permite experimentar con la durabilidad o el comportamiento del

sistema en el largo plazo, lo que podría llevar a identificar problemas no evidentes durante la fase

de simulación.

Implementar el sistema en equipos físicos supera estas limitaciones, ya que los sensores

y actuadores reales permitirían una evaluación más precisa de cómo responde el sistema en

condiciones cambiantes. Además, el uso de hardware real permite la integración de tecnologías

avanzadas como la conectividad IoT, control remoto y monitoreo en tiempo real, los cuales serían

más difíciles de simular de manera efectiva. El uso de dispositivos físicos también permitiría

aplicar algoritmos de control avanzado como el MPC o difuso en un entorno real, donde la

interacción entre los diferentes componentes sería más compleja. Esto mejoraría la precisión del

control y monitoreo, también permitiría evaluar el rendimiento del sistema en situaciones reales,

haciendo más viable su implementación en entornos como invernaderos inteligentes, donde la

variabilidad ambiental cumple un rol importante.

CONCLUSIONES

La simulación de sistemas en Proteus ofrece una valiosa herramienta para la validación

inicial del diseño, pero tiene limitaciones significativas al no poder replicar con exactitud las

condiciones del mundo real. Si bien Proteus permite probar la funcionalidad básica de los circuitos

y la lógica de control, la simulación no puede capturar factores ambientales complejos,

interferencias, y la precisión de los sensores en condiciones variables. Esto hace que el sistema

simulado sea útil para la fase inicial de desarrollo, pero la implementación en hardware real es

esencial para evaluar el desempeño del sistema bajo condiciones reales, como fluctuaciones en la

temperatura, la humedad y la calidad del aire. Además, en un entorno simulado, se pierde la

 35

capacidad de experimentar con situaciones imprevistas que podrían surgir en el mundo real, como

fallos en los componentes o interferencias en la señal.

La falta de interacción con servicios en la nube y la simulación de conectividad IoT limita

el potencial del sistema para análisis y monitoreo en tiempo real. Aunque se podría incorporar la

conectividad IoT en la simulación, la integración con servicios en la nube para almacenar y

analizar datos en tiempo real ofrece un valor significativo que no puede ser replicado en un

entorno simulado como Proteus. La capacidad de enviar datos a través de protocolos como MQTT

y analizarlos en plataformas de la nube abre nuevas posibilidades para la toma de decisiones

basadas en grandes volúmenes de datos, lo cual sería especialmente útil en aplicaciones como el

monitoreo ambiental en invernaderos. Esta falta de integración limita la posibilidad de optimizar

el sistema de manera dinámica, ya que no se pueden implementar algoritmos avanzados de control

ni realizar ajustes en tiempo real basados en los datos recolectados.

El uso de algoritmos de control predictivo y sistemas de inferencia difusa en el entorno

simulado no tiene la misma efectividad que en un entorno físico. Aunque los modelos de control

avanzado como el MPC (Control Predictivo Basado en Modelos) y los sistemas de inferencia

difusa pueden mejorar el desempeño y la eficiencia de un sistema automatizado, su

implementación en una simulación no permite la prueba completa de su efectividad. La

simulación puede no reflejar con precisión las interacciones dinámicas entre los sensores, los

actuadores y el entorno, lo que puede afectar la capacidad de estos algoritmos para tomar

decisiones óptimas. Implementar estos algoritmos en hardware real permite una validación más

precisa, también la optimización continua del sistema mediante la recolección de datos en tiempo

real, algo que no se logra con la simulación de condiciones estáticas.

La implementación en hardware real mejora la robustez y la capacidad de escalabilidad

del sistema. Si bien el uso de Proteus es adecuado para pruebas preliminares, un sistema físico

permite probar la capacidad de manejar múltiples sensores y actuadores de manera más efectiva,

especialmente cuando se espera que el sistema escale a medida que se agregan más componentes.

Los sistemas físicos son capaces de responder a la demanda de recursos de manera más eficiente

y proporcionan una mejor integración de todos los elementos del sistema, como la gestión de la
 36

energía, la comunicación entre dispositivos, y la recolección de datos. Esto es particularmente

relevante en aplicaciones IoT, donde el número de dispositivos conectados puede aumentar

rápidamente y donde la capacidad para adaptarse a nuevas configuraciones es crucial para

garantizar la eficiencia operativa y la fiabilidad a largo plazo.

El diseño y la implementación de sistemas de automatización como el de un invernadero

inteligente requieren un enfoque iterativo que combine simulación y pruebas físicas para asegurar

su efectividad y sostenibilidad a largo plazo. La simulación en entornos como Proteus proporciona

una primera aproximación valiosa que permite a los diseñadores realizar pruebas de concepto,

verificar la conectividad de los circuitos y la lógica básica de control sin la necesidad de costosos

prototipos físicos. Sin embargo, para alcanzar un rendimiento óptimo y asegurar la resiliencia del

sistema en condiciones de operación reales, es decisivo realizar pruebas en hardware real. Solo

de esta manera se podrán identificar y corregir limitaciones del sistema, como la respuesta de los

sensores en condiciones extremas, el manejo de fallos de hardware, y la capacidad de adaptación

a entornos cambiantes. Este enfoque mixto permite desarrollar soluciones robustas y escalables,

esenciales para aplicaciones en entornos como los invernaderos, donde las condiciones pueden

variar ampliamente y requieren de un control preciso y fiable.

REFERENCIAS.

Males Maldonado, S. J. (18 de 05 de 2022). Implementación de un prototipo de control

de invernadero por medio de comandos de voz con Alexa. Obtenido de

[Link]

Åström, K. J., & Murray, R. M. (2008). Feedback Systems: An Introduction for

Scientists and Engineers. Princeton University Press.

Takagi, T., & Sugeno, M. (1985). Fuzzy identification of systems and its applications to

modeling and control. IEEE Transactions on Systems, Man, and Cybernetics, 15(1), 116-132.