Está en la página 1de 17

Gonzalo Navarro Fernández José María Medianero Martín

1. Introducción …………………………………………………………………… 2

2. Conceptos teóricos ………………………….................................. 3

3. Análisis práctico ……………………...……..…………………………….... 8

1
1. Introducción

En este informe se describirá el análisis mediante un ejemplo práctico de


sistemas de un grado de libertad ante vibraciones de carácter aleatorio,
calculando los parámetros necesarios que se describan a lo largo de este
documento.
Para ello, previamente se realizará una breve exposición de diversos
conceptos teóricos que introduzcan en el análisis de fenómenos aleatorios:
la diferencia entre fenómenos deterministas y aleatorios, qué son los
procesos estacionarios, qué son los procesos ergódicos y otras definiciones
que se irán desarrollando en los sucesivos apartados.
Seguidamente, con un sistema de 1 grado de libertad como ejemplo y dada
su relación de autocorrelación, se procederá a cumplimentar los apartados
especificados en la memoria, para finalizar con los apartados relacionados
con los efectos de rudo blanco sobre ese mismo sistema de 1 grado de
libertad.

2
2. Conceptos teóricos

Los fenómenos estudiados por el ser humano pueden tener dos clases de
variables asociadas: variables deterministas o variables aleatorias.

• Variable determinista: Dicha variable se encuentra perfectamente


definida en el eje temporal, por lo que podemos conocer sus valores
a lo largo del tiempo gracias a una expresión analítico o registro
definido. Un ejemplo sería los fenómenos de vibración estudiados
hasta este momento en la asignatura

Ejemplo determinista de la práctica anterior

• Variable aleatoria: El estudio de dicha variable desde un enfoque


determinista resulta del todo erróneo, pues nos encontramos ante
un fenómeno que no asegura la repetición ni de las condiciones de
ensayo ni de los resultados obtenidos tras varios ensayos con esta
variable, por lo que estos fenómenos deben de tratarse desde un
punto de vista probabilístico o estadístico para obtener sus
parámetros y respuesta. Un ejemplo para esta clase sería lo asociado
al ensayo de la amortiguación de un vehículo en el trayecto de Sevilla

3
a Huelva. Nunca (prácticamente imposible) se producirá
exactamente las mismas condiciones de tráfico, estado del terreno
(se puede circular por otro carril o incluso más a la izquierda o
derecha dentro de un mismo carril), velocidad, meteorología y otras
variables asociadas a la respuesta de la amortiguación del vehículo,
por lo que no podemos establecer una respuesta analítica o registro
que permita una certidumbre total sobre la respuesta.

Suspensión de un vehículo

De igual forma, los procesos aleatorios estudiados pueden clasificarse


también en procesos estacionarios y ergódicos, y dentro de cada uno de
ellos entre fuertemente o débilmente estacionarios o ergódicos:

• Procesos estacionarios

 Fuertemente estacionarios: Todos los parámetros estadísticos son


independientes del tiempo

4
 Débilmente estacionarios: Se cumplen las siguientes relaciones

𝐸[𝑥(𝑡1 )] = 𝐸[𝑥(𝑡2 )]
Valor esperado en un tiempo t1 es el valor esperado en cualquier otro tiempo
t2
𝐸[𝑥(𝑡1 ) · 𝑥(𝑡1 + 𝜏)] = 𝐸[𝑥(𝑡2 ) · 𝑥(𝑡2 + 𝜏)]
La función de autocorrelación en un tiempo t1 es la función de
autocorrelación en cualquier otro tiempo t2

Para el caso de procesos regidos por la distribución de Gauss si son


débilmente estacionarios, también son fuertemente estacionarios.

• Procesos ergódicos

 Fuertemente ergódicos: Todos los parámetros estadísticos en un


instante t son iguales a los obtenidos en un registro cualquiera a
lo largo del tiempo

 Débilmente ergódicos: Se cumplen las siguientes relaciones

𝐸[𝑥(𝑡1 )] =< 𝑥𝑟 (𝑡) >


Valor esperado en un tiempo t1 es la media en el tiempo del registro
𝐸[𝑥(𝑡1 ) · 𝑥(𝑡1 + 𝜏)] =< 𝑥𝑟 (𝑡) · 𝑥𝑟 (𝑡 + 𝜏) >
La función de autocorrelación en un tiempo t1 es la media en el tiempo del
registro

Para el caso de procesos regidos por la distribución de Gauss si son


débilmente ergódicos, también son fuertemente ergódicos.
En procesos ergódicos, en conclusión, un solo registro cualquiera
representa al proceso en su conjunto.

5
La función de autocorrelación RX, que ya se ha mostrado su expresión en
este documento anteriormente, nos indica cómo de relacionado está un
punto del registro respecto a otro punto cualquiera del mismo.

𝑅𝑋 (𝑡1 , 𝜏) = 𝐸[𝑥(𝑡1 ) · 𝑥(𝑡1 + 𝜏)]

Si el proceso es estacionario, la dependencia respecto al tiempo se elimina,


resultando la expresión que define a la variable así:

𝑅𝑋 (𝜏) = 𝐸[𝑥(𝑡) · 𝑥(𝑡 + 𝜏)]

En procesos de media igual a cero (E[x]=0), la autocorrelación coincide con


la covarianza de x(t) y x(t+):

𝜇 = 𝐸[(𝑥(𝑡) − 𝐸[𝑥(𝑡)]) · (𝑥(𝑡 + 𝜏) − 𝐸[𝑥(𝑡 + 𝜏)])] = 𝐸[𝑥(𝑡) · 𝑥(𝑡 + 𝜏)]


= 𝑅𝑋 (𝜏)

Si además hacemos =0, la autocorrelación coincide con la varianza de x(t):

𝑅𝑋 (0) = 𝐸[𝑥(𝑡) · 𝑥(𝑡)] = 𝐸[(𝑥(𝑡) − 𝐸[𝑥(𝑡)])2 ]

La función de densidad espectral SX se obtiene a partir del registro de las


frecuencias de muestras de un proceso aleatorio, a través de la media
cuadrática de esas muestras, realizando una media de las funciones de
muestra del proceso. Si nos encontráramos ante un proceso ergódico, una
sola muestra nos daría la función del proceso, por ser un proceso ergódico.

La densidad espectral se relaciona con la autocorrelación a través de la


transformada de Fourier de la propia función de autocorrelación:

6

1
𝑆𝑋 (𝜔) = · ∫ 𝑅𝑋 (𝜏) · 𝑒 −𝑖𝜔𝜏 𝑑𝜏
2𝜋 −∞

Mediante esta misma relación se puede sacar otra interesante propiedad:


2]
𝑅𝑋 (0) = 𝐸[𝑥 = ∫ 𝑆𝑋 (𝜔) 𝑑𝜔
−∞

Gracias a esta propiedad, podemos conocer la varianza de un proceso


aleatorio, pudiéndose definir plenamente las variables estadísticas del
proceso a través de este dato.

Como conclusión:

Rx permite conocer el proceso


Ergodicidad

Distribución de
Gauss

Media cero

7
3. Análisis práctico
La primera cuestión que se nos plantea corresponde a un proceso aleatorio
de banda estrecha del cual conocemos su función de autocorrelación, que
viene dada por la expresión y gráfica siguientes:

En primer lugar, se nos pide comprobar si Rx (0) se corresponde con el área


bajo la curva de la gráfica.

8
Según la gráfica, el área sería la siguiente:

2 · 𝑆0 · 𝜔2 − 2 · 𝑆0 · 𝜔1 =
= 2 · 𝑆0 · (𝜔2 − 𝜔1 )

Analíticamente, resolviendo Rx (0):

2 · 𝑆0 0
𝑅𝑥 (0) = (𝑠𝑖𝑛(𝜔2 · 0) − sin(𝜔1 · 0)) =
0 0

Resolviendo la indeterminación mediante la regla de L’Hôpital, por ejemplo,


se obtiene lo siguiente:

2 · 𝑆0
𝑅𝑥 (0) = ( 𝜔2 · 𝑐𝑜𝑠(𝜔2 · 0) − 𝜔1 · cos(𝜔1 · 0)) = 2 · 𝑆0 · (𝜔2 − 𝜔1 )
1

Si este proceso tuviera una media igual a cero, el valor coincidiría con la
varianza de la variable, pudiendo llegar a ser un proceso estadísticamente
conocido en todos sus aspectos, asumiendo que fuera ergódico con
distribución de Gauss.

Por último, se nos pide conocer RX a través de la transformada inversa de


Fourier y compararlo con la expresión analítica proporcionada en el
enunciado.

9
10
clear, clc;

%%% Función de autocorrelación teórica %%%


tau=0:0.01:50;
S0=20;
w1=24;
w2=36;
Rx=(2*S0./tau).*(sin(w2*tau)-sin(w1*tau));

%%% Función de autocorrelación con transformada de fourier %%%


w0=0.01;
T=2*pi/w0;
w=-100:w0:100; % Vector de w
N=length(w);
t=0:T/N:T-T/N;

for i=1:length(w)

if (w(i)<-w1 && w(i)>-w2)||(w(i)>w1 && w(i)<w2)


s(i)=S0;
else
s(i)=0;
end

end

figure(1)
plot(w,s)
title('Densidad espectral')
xlabel('Frecuencia (Hz)');
ylabel('Valor Sx (x)');

s=ifftshift(s);
R2=ifft(s);
R2=2*pi*N/T*R2;%R2=(N*(2*pi)/L)

figure(2)
plot(t(1:length(tau)/3),R2(1:length(tau)/3),tau,Rx)
title('Antitransformada VS Expresión analítica')
xlabel('Tau');
ylabel('Valor Rx (x)');
legend('Antitransformada','Expresión analítica')

11
En el último apartado de la práctica se nos pide definir un sistema de un
grado de libertad al que se someterá a un ruido blanco, es decir, a una
excitación que origina un valor constante de densidad espectral a lo largo
del eje de frecuencias, para calcular los parámetros y variables
especificados en los subapartados.
El sistema analizado posee los siguientes parámetros:

𝑚 = 2,5 𝑘𝑔
𝑘 = 1,5 𝑁/𝑚
𝑁
𝑐 = 0,05 𝑚
𝑠

El ruido blanco poseerá una amplitud S0 de 0,2, el cual se representa en la


siguiente gráfica.

12
Para el cálculo de la densidad espectral de la respuesta, calculamos en
primer lugar los valores de 𝜔𝑛 y 𝜉 del sistema objeto de estudio:

𝑘
𝜔𝑛 = √
𝑚

𝑐
𝜉=
2𝜔𝑛

Para cada frecuencia del espectro, se procede a calcular su función de


respuesta en frecuencia, que viene dada por la siguiente expresión:

1⁄
𝐻(𝜔) = 𝑘
2 2
√(1 − ( 𝜔 ) ) + (2 · 𝜉 · 𝜔 )2
𝜔 𝑛 𝜔 𝑛

Finalmente, se obtiene el valor de la densidad espectral para cada


frecuencia del espectro mediante la siguiente expresión:

𝑆𝑦 (𝜔) = 𝑆0 (𝜔) · |𝐻(𝜔)|2

Al ser un ruido blanco, la expresión de S0 no depende de la frecuencia,


puesto que es un valor constante.

Se procede a representar la densidad espectral de la respuesta ante el ruido


blanco:

13
Seguidamente, para obtener la función de autocorrelación de la respuesta,
se realiza al igual que en el apartado anterior la transformada inversa de
Fourier de la densidad espectral, representándose a continuación la
respuesta:

14
Por último, se nos pide comparar el valor de la varianza obtenido por
nosotros frente al propuesto en el enunciado. Al tratarse de un proceso con
media igual a cero, implica que la varianza debe de coincidir con el valor de
la función de autocorrelación en t=0 (Ry (0)).

𝑅𝑦 (0) = 8,3776
𝜋 · 𝑆0 𝜋 · 0,2
𝐸[𝑦 2 ] = = = 8,3776
𝑘·𝑐 1,5 · 0,05

Se comprueba que ambos valores son idénticos.

15
clc,clear;

%%% Condiciones de operación %%%


m=2.5;
c=0.05;
k=1.5;
S0=0.2;

%%% Cálculo de la densidad espectral de la respuesta %%%


w0=0.01;
T=2*pi/w0;
frec=-50:w0/2:50;
N=length(frec);
wn=sqrt(k/m);
eps=c/(2*sqrt(k*m));

for i=1:length(frec)
sp(i)=S0;
tau=frec(i)/wn;
H(i)=(1/k)/sqrt((1-tau^2)^2+(2*eps*tau)^2);
end

figure(1)
wo=frec;
plot(wo,sp);
title('Densidad espectral ruido blanco')
xlabel('Frecuencia (Hz)');
ylabel('Valor Sx (x)');

sy=H.^2.*sp;
figure(2)
plot(frec,sy)
title('Densidad espectral de la respuesta Sy(w)')
xlabel('Frecuencia (Hz)');
ylabel('Valor Sx (x)');

%%% Función de autocorrelación de la respuesta %%%

sy=ifftshift(sy);
Ry=2*pi*N/(2*T)*ifft(sy);
npuntos2=length(frec);
L2=npuntos2/(20/(2*pi));
t=0:L2/npuntos2:L2-L2/npuntos2;

figure(3)
plot(t(1:length(t)/2),Ry(1:length(Ry)/2))
title('Función de autocorrelación de la respuesta')
xlabel('Tau');
ylabel('Valor Rx (x)');

16

También podría gustarte