07 Vibraciones Aleatorias 21-22-1

AMPLIACIÓN DE DISEÑO Y ENSAYO DE MÁQUINAS
Máster en Ingeniería Industrial

Dr. Alejandro Bustos Caballero
VIBRACIONES
ALEATORIAS

Monitorizado del Estado de las Máquinas
por Vibraciones
Ejemplo de señal aleatoria real
Línea Madrid - Sevilla Sentido: Madrid - Sevilla V = 267.1 km/h Fecha: 06/02/2014 Hora: 14:40:29 Vib. Axial 1
40
Amplitud (m/s )
2
20
-20
-40
0 0.5 1 1.5 2 2.5 3 3.5
Tiempo (s)
Espectro de Potencia
0.5
0.4
Amplitud
0.3
0.2
0.1
0
0 500 1000 1500 2000 2500 3000
Frecuencia (Hz)
Espectro de Potencia de la Envolvente

1.5
Amplitud
0.5
0
0 20 40 60 80 100 120 140 160
Frecuencia (Hz)
3
Tratamiento de señales
 El procesado o tratamiento de las señales (en particular, mecánicas)

de salida de un sistema en estudio es una tarea que permite extraer
funciones o parámetros que describan el comportamiento del sistema,
proporcionar la posibilidad de monitorizar, clasificar o diagnosticar el
sistema.
 Los parámetros extraídos abarcan desde los más básicos como el
RMS hasta parámetros sensibles a los picos.
 Las funciones que describen el comportamiento pueden ser funciones
de correlación, densidad espectral, etc.,
 Las perturbaciones pueden ser controladas: ensayos estructurales
modales o consistir en perturbaciones, como por ejemplo fuerzas de
viento actuando.
 La identificación de los resultados puede consistir en la forma de la
función descrita (función de respuesta en frecuencia), una respuesta
impulso o incluso un modelo de estructura. 4
Clasificación de las señales
 El tipo de tratamiento a aplicar para caracterizar y analizar una señal

dada, depende de la estructura y propiedades de la señal.
 Podemos clasificarlas de las siguientes formas:
► Señal de tipo determinista frente a señal aleatoria
► Señal determinista transitoria frente a señal determinista continua en el tiempo
► Señal aleatoria estacionaria frente a señal aleatoria no estacionaria
 Una señal determinista se puede asociar a la representación de una
generada a partir de un ecuación.
 Una señal aleatoria sólo puede ser descrita en términos estadísticos.
5
según su tipología
Señales
Estacionarias No estacionarias
Aleatorias Deterministas Continuas Transitorias
Periódicas Ciclo-estacionarias
Cuasi-periódicas Variación continua
6
según su tipología
Tiempo Tiempo
Periódica Cuasi-periódica
Tiempo Tiempo
Aleatoria estacionaria Cicloestacionaria

7
 En la práctica nos solemos encontrar con combinaciones de distintos

tipos de señal (por ejemplo, señal armónica con ruido aleatorio).
 En general las vibraciones asociadas a fenómenos de impacto se
pueden considerar deterministas, si está bien definida la percusión que
las genera.
 En otros casos, las vibraciones pueden ser deterministas, pero ser
inducidas por fricciones de origen aleatorio.
 La señales deterministas pueden ser periódicas o no periódicas
(transitorios).
 Las señales aleatorias pueden ser estacionarias, cuando sus
propiedades estadísticas son invariables en el tiempo, o ser no
estacionarias.
8
Descomposición
 Prisma de luz
De Lucas Vieira - Trabajo propio, Dominio público,

https://commons.wikimedia.org/w/index.php?curid=3270145
9
VIBRACIONES: COMPOSICIÓN DE
SEÑALES ARMÓNICAS
10
VIBRACIONES: COMPOSICIÓN DE
SEÑALES ARMÓNICAS
X1 = A1· sin(2· π·f1t)
X2 = A1· sin(2· π·f1t) + A2· sin(2· π·f2t)
11
VIBRACIONES
Señal temporal y frecuencial
a) X1 = A1· sin(2· π·f1t)

b) X2 = A2· sin(2· π·f2t)
c) Xtotal = X1+ X2
b) REPRESENTACIÓN
TEMPORAL
c) REPRESENTACIÓN
FRECUENCIAL
12
VIBRACIONES
Dr. Alejandro Bustos Caballero Señal temporal y frecuencial
13
Dominio de la frecuencia
 La señal se descompone en una suma de componentes armónicos.

 Para funciones periódicas se usa la descomposición en series de
Fourier. ∞
x(t ) =  X k cos ( 2π kf 0t + θ k )
k =0
 donde, f0 frecuencia fundamental, es la recíproca del periodo de

repetición de la señal, normalmente coincide con un ciclo de máquina
o un múltiplo del mismo.
 La función X k (kf 0 ) se suele denominar espectro.

 En el caso de procesar una señal periódica, el espectro es discreto
(cuantizado), compuesto sólo por las frecuencias discretas , enteros
múltiplos de f0.
14
Dominio de la frecuencia
 Para señales no periódicas (transitorios) la descomposición genera un

espectro continuo para todas las frecuencias.
∞
x(t ) =  X ( f ) exp( j 2π f )df
−∞
transformada de Fourier
(herramienta para describir señales en el dominio de frecuencia).
15
Métodos de Fourier
 Muchas tareas en el procesamiento de señal utilizan el dominio de la

frecuencia.
 Estas técnicas se aprovechan de los avances en capacidad de
procesado de los PC.
 Es conveniente describir varias herramientas que usan métodos de
Fourier de acuerdo a algunas clasificaciones:
 Métodos para señales continuas:

Series de Fourier, Transformada de Fourier
 Métodos para señales discretas:

Transformada discreta de Fourier
16
Métodos de Fourier
Principio de incertidumbre
 Este principio fundamental relaciona el ancho de banda B ocupada por
una señal con su duración T en el tiempo (K está usualmente en el
rango 0.5-2).
BT ≥ K
 Para señales analógicas, el ancho de banda es la longitud, medida en
Hz, del rango de frecuencias en el que se concentra la mayor parte de
la potencia de la señal.
Posibilidad de identificar en
un espectro de frecuencia líneas
espectrales distintas ubicadas en
frecuencias cercanas
17
Métodos de Fourier
Series de Fourier
FORMULACION TRIGONOMETRICA
 Estas series se usan para descomponer señales periódicas en sus
componentes armónicos, obteniendo un espectro discreto.
Espectro de un solo lado
1 600
x(t ) = x(t + Tp ) con f0 = 500
Tp 400
∞
a0
x(t ) = +  [ ak cos(2π kf 0t ) + bk sin(2π kf 0t ) ]
300
2 k =1 200
100
 Para k=1 tenemos la componente fundamental 0

0 20 40 60 80 100
 Para k>1 tenemos los armónicos del fundamental Frecuencia
 La media (o DC), de frecuencia nula, es representada por el término a0/2.
 La forma trigonométrica muestra sólo “un lado” de la representación, con

frecuencias positivas exclusivamente (ONE SIDED).
18
Métodos de Fourier
Series de Fourier
FORMULACION POLAR
componentes armónicos, obteniendo un espectro discreto.
1
x(t ) = x(t + Tp ) con f0 =
Tp
Forma polar
1/ 2
Ck =  ak2 + bk2  2
x(t ) cos ( 2π kf 0 ) dt
T T
ak =
∞
x(t ) =  [Ck cos(2π kf 0t + θ k )]
k =0  bk 
θ k = arctan 
2
x(t )sin ( 2π kf 0 ) dt
T T
bk =

a
 k
19
Métodos de Fourier
Series de Fourier
FORMULACION EXPONENCIAL
componentes armónicos, obteniendo un espectro discreto. Espectro dos lados
300
1
x(t ) = x(t + Tp ) con f0 = 250
Tp 200
Forma exponencial 150
X exp ( j 2π kf 0t )
100
x(t ) = k 50
k =−∞ 0
1
x(t ) exp ( − j 2π kf 0t ) dt
-100 -50 0 50 100
Xk =
Tp Tp
Frecuencia
 La forma exponencial es una representación de “dos lados”, pues incluye las frecuencias
positivas y negativas (TWO SIDED).
 Para la representación del complejo con espectro de dos lados, todas las magnitudes
(excepto DC a frecuencia cero) tienen el 50% del valor comparado con el primero. 20
Métodos de Fourier
Transformada de Fourier
 La transformada de Fourier se utiliza para descomponer señales continuas no

periódicas en sus componentes armónicos.
x(t ) ↔ X ( f )
∞ ∞
x(t) =  X ( f ) exp ( j 2π f ) df ↔ X ( f ) =  x(t ) exp ( − j 2π ft ) dt
−∞ −∞
 Se necesita un rango continuo de frecuencias para representar x(t) como

una suma de funciones armónicas desde f = -∞ a f = ∞
 Al contrario que una función (señal) periódica, una función (señal) no

periódica se caracteriza por un espectro continuo.
21
Métodos de Fourier
Transformada Discreta de Fourier
 Formalmente la serie de Fourier discreta temporal (DTFS). En la
práctica (DFT).
 Relaciona dos secuencias periódicas: x(n) ↔ X (k)
N −1
 2π 
 X(k) en el dominio de frecuencia: X (k ) =  x(n) exp  − j kn 
n =0  N 
1 N −1  2π 
 x(n) en el dominio del tiempo: x(n) =  X ( K ) exp  j kn 
N k =0  N 
 Ambas secuencias son periódicas cada N (longitud de la muestra).

 x(n) y X(k) son los pares de DFTS, N valores de X(k) pueden ser
obtenidos desde N valores de x(n) y viceversa.
22
Métodos de Fourier
 Formalmente la serie de Fourier discreta temporal (DTFS). En la

práctica (DFT). Representaciones de 1 y 2 lados del espectro.
 Relaciona dos secuencias periódicas: x(n) ↔ X (k)
X(k) en el dominio de frecuencia. x(n) en el dominio del tiempo

N −1
 2π  1 N −1  2π 
X (k ) =  x(n) exp  − j kn  x ( n) =  X ( K ) exp  j kn 
n=0  N  N k =0  N 
Secuencia DFT, K=32. Secuencia temporal, N=32.

1200 600 60
1000 500
40
800 400
20
600 300
0
400 200
-20
200 100
0 0 -40
0 5 10 15 20 25 30 0 5 10 15 20 25 30 0 5 10 15 20 25 30
K K K 23
Métodos de Fourier
 Por la periodicidad N, las relaciones x(n) ↔ X (k) toman la forma:
N −1
 2π 
X (k ) =  x(n) exp  − j kn  Ambas secuencias son periódicas
n =0  N  cada N.
x(n) y X(k) son los pares de DFTS,

1 N −1  2π 
x(n) =  X ( K ) exp  j kn  N valores de X(k) pueden ser
N k =0  N  obtenidos desde
N valores de x(n) y viceversa
 Se establece una relación entre ∆f y ∆t

1 1 1
∆f = = ∆t = 1 ∆f =
N ∆t Ttotal N
24
Métodos de Fourier
 Se establece una relación entre ∆f y ∆t
1 1
∆f = = ∆f
N ∆t Ttotal
Incrementar el tiempo de medida proporciona
una resolución en frecuencia menor
 Además, Fmuestreo y ∆t
1
∆t =
Fm
Incrementar la frecuencia de muestreo
∆t
resulta en una resolución temporal menor 25
Métodos de Fourier
 Por lo tanto la siguiente interpretación se puede dar para X(k) para un k

específico:
► k=0, es frecuencia cero. Excepto por el factor 1/N, X(0) es la media

de la señal.
► k=N/2, es la frecuencia de Nyquist. Es la frecuencia máxima que
aparece en una señal discreta.
► De k=-1 a k=–N/2-1 corresponde a frecuencias negativas.
► De k=1 a k=N/2-1 corresponde a frecuencias positivas.
► La simetría existirá con X(k) en el rango de N/2 para x reales.
26
Métodos de Fourier
Tiempo Método Frecuencia Representación

Señal continua 1 cara (trig. y polar)
Series de Fourier Espectro discreto
periódica 2 caras (exponencial)
Señal continua no Transformada de
Espectro continuo 2 caras
periódica Fourier
Transformada
Señal discreta Espectro discreto 2 caras
Discreta de Fourier
27
Métodos de Fourier
 El algoritmo Fast Fourier Transform (FFT) al ser un procedimiento

extremadamente eficiente para la computación de la DFT ha
posibilitado la implantación del procesado de señales en la industria
(tiempo real).
 El algoritmos FFT en la versión radix 2, con valores de N iguales a
potencias de 2, N=16, 32, … 1024, 2048, etc., es el usado
generalmente por su eficiencia.
 El uso práctico de la FFT implica la siguiente metodología:
► Elegir t (a partir de la máxima frecuencia deseada en el análisis).
► Elegir la frecuencia de espaciamiento deseada f.
► Calcular el valor de N necesario.
► Elegir N lo más cercano a una potencia de 2.
28
EJEMPLOS
Uso práctico de la FFT (1/2)
 La frecuencia de análisis es 5.000 Hz

 Se desea una resolución en frecuencia de 0,1 Hz
 Se pide obtener ∆t, N, N* (N aproximado a la potencia de 2 más

cercana) y T.
1 1
1 ∆ f = =
F = 5.000 Hz → ∆t = = 0,0002 s ∆f = 0,1 Hz N ∆t Ttotal
F
1 1
N= = = 50.000 log 2 ( N ) = 15,6 → N * = 216 = 65.536
∆f ∆t 0,1 ⋅ 0,0002
N * 65.536
T= = = 13,1072 s
F 5.000
29
EJEMPLOS
Uso práctico de la FFT (2/2)
 La frecuencia de análisis es 5.000 Hz

 Se desea una resolución en frecuencia de 0,3 Hz
 Se pide obtener ∆t, N, N* (N aproximado a la potencia de 2 más

cercana) y T.
1 1
1 ∆f = =
F = 5.000 Hz → ∆t = = 0,0002 s ∆f = 0,3 Hz N ∆t Ttotal
F
1 1
N= = = 16.667 log 2 ( N ) = 14,02 → N * = 214 = 16.384
∆f ∆t 0,3 ⋅ 0,0002
N * 16.384
T= = = 3, 2768 s
F 5.000
30
Métodos de Fourier
31
Análisis espectral
 El análisis espectral es un método de procesamiento de señal enfocado a

analizar y representar los patrones dinámicos de la señal en el dominio de
frecuencia.
 Cuando el análisis temporal de las señales no permite obtener información
relevante de la señal en estudio, el paso al dominio de la frecuencia permite
profundizar en el análisis de la composición en frecuencias de la señal.
 La herramienta básica de análisis es la DFT, que se calcula mediante el
algoritmo FFT (“fast fourier transform”- Transformada rápida de Fourier).
 La aplicación de diferentes técnicas de análisis espectral según el tipo de
señal nos permite obtener el máximo de información de interés:
► Las series de Fourier se usan para el caso de señales periódicas.
► La transformada de Fourier permite el análisis de las señales de transitorios.
► La densidad de potencial espectral se usa con señales aleatorias.
32
Análisis espectral
Señales aleatorias
 La descripción de una señal aleatoria en el dominio de frecuencia viene dado por
la función de distribución de densidad de potencia (PSD).
 Una posible definición para la PSD es aquella que parte de la función de
distribución general S(k), tal que su integración (suma, para el caso discreto)
sobre todo el rango de frecuencia obtener la potencia P de la señal.
 N
 2 S ( k ); k = 1... −1
 Por consiguiente: S (k )unsololado = 2
 S (k ); k = 0, k = N
 2
N −1 N /2
P =  S (k )∆f =  Sunsololado (k )∆f
k =0 k =0
33
Análisis espectral
Señales aleatorias
 La descripción de una señal aleatoria en el dominio de frecuencia viene dado por
la función de distribución de densidad de potencia (PSD).
1
 La misma PSD se calcula a partir de la FFT:
N ∆t
 x 2
∆t
1
 que debe ser igual a la potencia total:  S ∆f =
N ∆t
 S
N −1 2
1 N −1
 Sustituyendo en la ley de Parseval:

n =0
x ( n) =  X ( k )
2
N k =0
∆t
S (k ) =
 Por consiguiente: 2
X (k )
N
34
Análisis espectral
PSD
 La PSD (Power Spectral Density o Densidad de Potencia Espectral) se

calcula a partir de la transformada de Fourier.
 Para el caso de una señal discreta, se calculará a partir de la DFT (FFT).
∆t ∆t
S (k ) = X (k ) = ⋅ X (k ) ⋅ X * (k )
2
N N
 Podemos obtener la representación de 1 o 2 lados.

 Tiene unidades de V2/Hz.
 El valor RMS es igual a la raíz cuadrada de la PSD (para frecuencias
positivas).
RMS = S (k )
35
Análisis espectral
Errores
 Al realizar el análisis espectral de señales podemos encontrar tres tipos

principales de errores:
► Errores de “leakage” o discretización.
► Errores de “bias” o sistemático.
► Errores “random” o aleatorios.
 Cada tipo de error requiere la aplicación de un técnica distinta para

minimizar su influencia en el análisis espectral.
36
Análisis espectral
Error de “leakage”
 Se caracteriza por la aparición de frecuencias falsas en el espectro.
 Se minimiza multiplicando la señal analizada x(n) por una ventana w(n)
con la forma adecuada.
xw (n) = x(n) w(n)

37
Análisis espectral
Error de “bias”
 Se debe a una resolución en frecuencia insuficiente: 1

► Máximos locales se subestiman y mínimos se sobreestiman
∆f =
N∆t
► Difícil identificación de picos muy próximos
38
Análisis espectral
Error aleatorio
 Se puede mitigar mediante métodos estadísticos, obteniendo una PSD

media de varias realizaciones.
 En la práctica, se recurre al “Overlapping”, troceando la señal en varios
segmentos que se superponen.
► Requiere el uso de ventanas para dar menos peso a los datos repetidos.
39
Adquisición de datos
 Un diagrama de bloques de un típico sistema comercial de medida (incluye

adquisición de datos y capacidades de procesado).
 Los sensores son analógicos, es decir, generan una señal de voltaje continua en
el tiempo.
 La señal analógica del sensor sufre varias transformaciones:
► unidad de acondicionamiento de señal,
► amplificando la señal para el rango de entrada de un digitalizador,
► el convertidor digital a analógico (ADC).
 La adquisición de datos y las fases de procesado de señales deben ser
consideradas juntas cuando se diseña o evalúa un trabajo de procesado de
señales.
40
Cuantificación de la amplitud
 Para el procesamiento de señales digitales, la señal debe ser discretizada
(cuantificada) en dos dominios: el tiempo y el dominio de la amplitud.
 La operación básica de una clásica ADC está

representado en la figura:
► El dominio de la amplitud está dividido en bandas
iguales.
► Para cada instante de la toma de muestras, se
determina la banda que la contiene.
► El valor digital de la señal analógica del sensor se
elegirá entre los 2 valores límites de banda.
► El número de bandas dictamina la resolución de la
cuantificación.
41
 La operación básica de una clásica ADC está representado en la figura
 Resolución de la cuantificación: nº bits  nº estados.
 Ésta es una función del número de bits del ADC,

usualmente una potencia de dos.
 Un ADC de 12-bit podría, de este modo, dividir el
rango de amplitud en 212 = 4096 posibles valores.
 La resolución de la medida dependerá de dos
parámetros:
► el Rango del ADC ( p.ej.: (FS) de 0-10 [V] )
► N, el número de bits (p. Ej.: 12-bit, 212 = 4096)
V 10
 La resolución de la medida es: ∆V = FS ∆V = = 2, 44mV
2N 4096 42
 La cuantificación introduce una incertidumbre,
conocida como el error de cuantificación.
 La señal real puede caer en cualquier zona de la
banda
 en el momento de la toma de muestras.
 La incertidumbre se cuantifica mediante el error de
cuantificación = e,
 La cota superior del error de cuantificación es la mitad de la resolución, es decir,
0.5 ∆ [V].
 Una cifra más realista de errores es considerar un error principal, asumiendo una
probabilidad igual de caída de los valores de la señal en cualquier lugar dentro
de la banda.
 Entonces, el valor RMS del error de cuantificación es: ERMS=0.29 V
 El error de cuantificación añade ruido a la señal. Éste se minimiza adaptando el
nivel de la señal aplicado al ADC 43
Teorema del muestreo o de Nyquist
 Si se intenta reconstruir una señal a partir de N puntos muestreados cada ∆t, la
frecuencia máxima que se puede conseguir es la mitad de la frecuencia de muestreo.
 Esa frecuencia máxima es la frecuencia de Nyquist.
Para reconstruir un periodo T se necesitan,

como mínimo, dos intervalos temporales ∆t
∆t ∆t
T ≥ 2∆t
1 2
≥
F Fs
Fs
Fs ≥ 2 Fmax ≥ Fmax
2
T T T
44
Cuantificación en el tiempo
TEORMA DE MUESTREO
 El teorema de muestreo (también llamado el Nyquist) indica la posibilidad de
evitar el solapamiento y por tanto evitar las interferencias por frecuencias
fantasma para una señal de banda-limitada.
 Una señal de banda-limitada es aquella cuyo espectro se anula a partir de una
frecuencia dada denominada máxima, fmax
S ( f ) f ≤ f max
S =
 0 f > f max
1 1
f max ≤ ES DECIR: ∆t ≤
2∆t 2 f max
 La frecuencia DE MUESTREO MÍNIMA fs para poder reconstruir el espectro sin

pérdida de información será, al menos, el doble de la frecuencia máxima
 En la práctica se suele operar con un factor de seguridad, requiriendo una
frecuencia de muestreo de 2.5 veces. f s = 2.56 f max 45
Error de aliasing
 En la Figura se muestra el muestreo de una señal armónica de 10 [Hz] por una
frecuencia de muestreo de 11 [Hz].
 La inspección visual muestra que los
muestreos podrían ser indistinguibles de
una señal armónica de 1 [Hz] muestreada
a 11 [Hz].
 Los muestreos parecen describir una
señal de 1 Hz.
 Este error es llamado un error de
solapamiento (aliasing).
 Calculando un PSD se mostraría un pico
de potencia espectral en la región de 1
Hz.
 En principio, un error de solapamiento no
se puede corregir. Sólo puede ser evitado
o minimizado en la fase de muestreo.
46
EJEMPLOS
Parámetros de muestreo
 Se muestrea una señal a 5120 Hz durante 3,2 s.

 Se pide obtener todos los parámetros (∆t, ∆f, N y T) y la frecuencia
máxima que se obtendrá en el espectro.
1
Fs = 5.120 Hz → ∆t = = 1,953125 ⋅ 10−4 s 1 1
Fs ∆f = =
11 N ∆t Ttotal
∆f = =
= 0,3125 Hz
Ttotal 3, 2
1 1
N= = = 16.384 T = Ttotal = 3, 2 s
∆f ∆t 0,3125 ⋅ 1,953125 ⋅ 10−4
Fs 5.120
Aplicando el teorema de muestreo (Nyquist) Fmax = = = 2.560 Hz
2 2
47
EJERCICIOS
Parámetros de muestreo (1/2)
 Se desea analizar una señal de vibración entre 0 y 6.500 Hz con una

resolución en frecuencia máxima de 0,3 Hz. Determine todos los
parámetros de muestreo de la señal (Fs, ∆freal, ∆t, N, N* (N aproximado
a la potencia de 2 más cercana) y T).
48
EJERCICIOS
Parámetros de muestreo (2/2)
 Se desea analizar una señal de vibración entre 0 y 6.500 Hz con una

resolución en frecuencia máxima de 0,3 Hz. Determine todos los
parámetros de muestreo de la señal (Fs, ∆freal, ∆t, N, N* (N aproximado
a la potencia de 2 inmediatamente superior) y T).
49
SEÑALES MODULADAS
50
Métodos de Fourier
Modulación en amplitud (AM)
 Si un señal x(t) está modulada en amplitud (AM), la señal es modelada como:
x(t)
xAM (t) = A[1+ kAM cos(2π fmt)] cos(2π fct)
 Si desarrollamos el producto trigonométrico, obtenemos:

AkAM
xAM (t) = Acos(2π fct) +
2
[ cos(2π ( fc + fm )t) + cos(2π ( fc − fm )t)]
 Es decir, se generan 3 frecuencias: fc, fc-fm, fc+fm
 La primera componente es la frecuencia de la señal portadora, los otros dos
son las denominadas bandas laterales, cuya amplitud viene modulada por el
índice kAM.
 Las amplitudes de banda son simétricas respecto a la señal portadora.
51
Métodos de Fourier
Modulación en amplitud (AM)
52
Métodos de Fourier
Modulación en frecuencia (FM)
 Si un señal está modulada en frecuencia (FM), la señal es modelada como:
xFM (t) = Acos(2π fct + kFM cos(2π fmt))
con índice de modulación: kFM
 La señal se puede descomponer de nuevo en una suma de componentes

armónicos usando funciones de Bessel de primera especie, resultando:
∞
xFM = A  J(kFM )cos [ 2π ( fc + kfm )t ]
k=−∞
 La portadora (k = 0) y multitud de bandas con frecuencias .

 De nuevo, las bandas a los lados son simétricas respecto a la línea principal.
53
Métodos de Fourier
Modulación en frecuencia (FM)
54
Métodos de Fourier
Modulación en fase (PM)
 Si un señal está modulada en frecuencia (PM), la señal es modelada como:
xPM (t) = Acos(2π fct + kPM cos(2π fmt))
55
Métodos de Fourier
Modulación combinada AM y PM
 Si un señal está modulada en fase y amplitud, la señal es modelada como:

∞
xAM −PM = A [1+ kAM cos(2π fmt)] cos(2π fct)  J(kPM )cos [ 2π ( fc + kfm )t ]
k=−∞
 Aplicando relaciones trigonométricas, se puede descomponer en una línea
principal portadora y multitud de bandas.
 Sin embargo, la interacción entre las expresiones de AM y PM puede destruir
la simetría de las bandas respecto a la línea principal.
 Con la descomposición en frecuencias específicas, todas las potencias de la
señal existentes para cada una de las frecuencias, generando un espectro
discreto.
56
Métodos de Fourier
57
Métodos de Fourier
 Discontinuidades en las señales suponen fenómenos específicos cuando usamos los
métodos de Fourier. Por ejemplo, intentando sintetizar señales periódicas con sumas
finitas de componentes armónicos (discontinuidades) efecto Gibbs.
58
Referencias
 S. Braun, Discover signal processing: an interactive guide for

engineers. Chicester, West Sussex (England): John Wiley & Sons,
2008.
 S. Braun, Procesamiento de señales: guía interactiva para ingenieros.
Madrid: Universidad Nacional de Educación a Distancia, 2012.
 R. B. Randall, Vibration-based Condition Monitoring: Industrial,
Aerospace and Automotive Applications. West Sussex, UK: John Wiley
& Sons, Ltd, 2010.
 J. G. Proakis y D. G. Manolakis, Tratamiento digital de señales, 4a ed.
Madrid: Pearson Educación, 2007.
59

07 Vibraciones Aleatorias 21-22-1

Cargado por

Copyright:

Formatos disponibles

07 Vibraciones Aleatorias 21-22-1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

07 Vibraciones Aleatorias 21-22-1

Cargado por

Copyright:

Formatos disponibles

AMPLIACIÓN DE DISEÑO Y ENSAYO DE MÁQUINAS

Máster en Ingeniería Industrial

Dr. Alejandro Bustos Caballero

Espectro de Potencia de la Envolvente

 El procesado o tratamiento de las señales (en particular, mecánicas)

 El tipo de tratamiento a aplicar para caracterizar y analizar una señal

Aleatorias Deterministas Continuas Transitorias

Cuasi-periódicas Variación continua

Aleatoria estacionaria Cicloestacionaria

 En la práctica nos solemos encontrar con combinaciones de distintos

De Lucas Vieira - Trabajo propio, Dominio público,

X2 = A1· sin(2· π·f1t) + A2· sin(2· π·f2t)

a) X1 = A1· sin(2· π·f1t)

 La señal se descompone en una suma de componentes armónicos.

 donde, f0 frecuencia fundamental, es la recíproca del periodo de

 La función X k (kf 0 ) se suele denominar espectro.

 Para señales no periódicas (transitorios) la descomposición genera un

(herramienta para describir señales en el dominio de frecuencia).

 Muchas tareas en el procesamiento de señal utilizan el dominio de la

 Métodos para señales continuas:

 Métodos para señales discretas:

x(t ) = x(t + Tp ) con f0 = 500

 Para k=1 tenemos la componente fundamental 0

 Para k>1 tenemos los armónicos del fundamental Frecuencia

 La media (o DC), de frecuencia nula, es representada por el término a0/2.

 La forma trigonométrica muestra sólo “un lado” de la representación, con

Forma exponencial 150

 La transformada de Fourier se utiliza para descomponer señales continuas no

 Se necesita un rango continuo de frecuencias para representar x(t) como

 Al contrario que una función (señal) periódica, una función (señal) no

 Ambas secuencias son periódicas cada N (longitud de la muestra).

 Formalmente la serie de Fourier discreta temporal (DTFS). En la

X(k) en el dominio de frecuencia. x(n) en el dominio del tiempo

Secuencia DFT, K=32. Secuencia temporal, N=32.

 Por la periodicidad N, las relaciones x(n) ↔ X (k) toman la forma:

x(n) y X(k) son los pares de DFTS,

 Se establece una relación entre ∆f y ∆t

 Por lo tanto la siguiente interpretación se puede dar para X(k) para un k

► k=0, es frecuencia cero. Excepto por el factor 1/N, X(0) es la media

► De k=1 a k=N/2-1 corresponde a frecuencias positivas.

► La simetría existirá con X(k) en el rango de N/2 para x reales.

Tiempo Método Frecuencia Representación

 El algoritmo Fast Fourier Transform (FFT) al ser un procedimiento

 La frecuencia de análisis es 5.000 Hz

 Se pide obtener ∆t, N, N* (N aproximado a la potencia de 2 más

 La frecuencia de análisis es 5.000 Hz

 Se pide obtener ∆t, N, N* (N aproximado a la potencia de 2 más

 El análisis espectral es un método de procesamiento de señal enfocado a

 La PSD (Power Spectral Density o Densidad de Potencia Espectral) se

 Podemos obtener la representación de 1 o 2 lados.

 Al realizar el análisis espectral de señales podemos encontrar tres tipos

 Cada tipo de error requiere la aplicación de un técnica distinta para

xw (n) = x(n) w(n)

 Se debe a una resolución en frecuencia insuficiente: 1

 Se puede mitigar mediante métodos estadísticos, obteniendo una PSD

 Un diagrama de bloques de un típico sistema comercial de medida (incluye

 La operación básica de una clásica ADC está

 Resolución de la cuantificación: nº bits  nº estados.

 Ésta es una función del número de bits del ADC,