Dirección de Formación Mediatizada

Área de Transferencia Tecnológica y Desarrollo

Principio de adquisición digital de datos y del

análisis espectral
Fuentei : Dr Pedro Saavedra. Departamento de Ingeniería Mecánica.
Universidad de Concepción – Chile.

Los recolectores de datos y analizadores en el tiempo real son equipos

electrónicos que basan su funcionamiento en la adquisicion digital de datos y
el análisis espectral o frecuencial, basado este último en la transformada de
Fourier.

Un ejemplo de análisis espectral análisis frecuencial puede ser las barritas o

lucecitas que suben y bajan en una ventana de un equipo de música. Estas
barritas representan las frecuencia de las diferentes señales que componen
el sonido que se escucha por los parlantes, y la ventana justamente se llama
analizador de espectro. Esto lo realiza un circuito integrado que utiliza la
transformada de Fourier de la forma más rápida posible, que es la
trasformada rápida de Fourier o FFT (Fast Fourier Transformation)

1. Transformada de Fourier.

La transformada de Fourier es una función que se aplica a la representación

matemática de una onda o vibración en el tiempo, y que permite obtener las
frecuencias de las señales u ondas que componen esa vibración, y
representarlas todas en una misma gráfica llamada espectro. A esto se le
llama pasar del dominio tiempo al dominio de las frecuencias. Como se
existe la transformada, también se tiene la transformada inversa o
antitransformada, las que se muestran a continuación.

∫ x ( t )e
− j 2π f t
X(f )= dt = Transaformada de Fourier Directa (TFD )
−∞
(1)

∞
x ( t ) = ∫ X ( t ) e j 2 π f t df = Transforma de Fourier Inversa (TFI )
−∞
(2)

El espectro obtenido es simétrico con respecto al origen, o sea, entrega

componentes de frecuencias positivas como negativas (se llama entonces
espectro a dos lados). Considerando que en ingeniería las frecuencias
negativas aún no tienen significado físico, los analizadores de vibraciones
presentan el espectro sólo para frecuencias positivas (llamadas espectro a
un lado) multiplicando su valor por dos. Note que X(f) s un número complejo
y por lo tanto tiene una componente real XR (f) y una imaginaria XI (f). Es
costumbre, sin embargo, expresar un número imaginario por su módulo IX(f)I
y su fase como se indica en la figura número 1.

1
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Fig. 1. Transformada de Fourier

2. Transformada discreta de Fourier.

Matemáticamente, la transformada de Fourier se aplica a funciones

continuas, proceso que no realiza directamente un computador, siendo
necesario trabajar con la transformada discreta de Fourier que es una
aproximación de la transformada de Fourier. En forma general se realizan
dos aproximaciones:

• El espectro se calcula a partir de un registro de vibraciones de longitud T,

finito, que es un segmento de la señal de longitud infinita. A esto se llama
truncado de la señal.
• Se realiza el cálculo con valores discretos de la señal.

A continuación se muestra el proceso de cálculo de la transformada discreta

de Fourier, pero solo para las frecuencias positivas. El primer paso es
discretizar la señal temporal, es decir, tomar N puntos discretos de ella: X(1),
X(2), X(3), …, X(n), separados entre ellos por ∆t (intervalos de discretización
de la señal temporal), como se ve en la figura número 2.

2
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Fig. 2. Discretización de la señal temporal.

Luego se aplica la ecuación (3) para obtener N/2 puntos discretos en el

espectro: X(1), X(2), X(3), …, X(N/2), los cuales quedan separados entre
ellos por ∆f (resolución en frecuencias). Para diferenciar los puntos tomados
en la señal temporal de los puntos en el espectro, se le llama a estos últimos
líneas.

n
2
X (k ) =
N
∑ x (n) e
n =1
− j2 πk n / N
, k =1, 2 ,...,N / 2. (3)

n
1
X (0 )=
N
∑ x ( n ) = componente continua o valor medio
n =1

En la que:

x(n) : valores discretos de la señal temporal.

N : número de puntos de discretización de la señal temporal.
∆t : intervalo de discretización de la señal temporal.
T = N ∆t: tiempo de muestro (tiempo tomado de la señal temporal para
realizar el cálculo del espectro
fs 1/∆t = frecuencia de muestreo (sampling)

es decir, la TDF entrega valores en frecuencia separados por ∆f, donde:

∆f = 1/T : resolución en frecuencias.

Fmax. = N/2 ∆f : frecuencia máxima del espectro.
X(k) = valor de la componente en el espectro correspondiente a la
frecuencia fk = k ∆f.
IX(k)I = amplitud de la componente correspondiente a la frecuencia fk.

Así, para obtener un espectro de 400 líneas debería utilizarse 800 puntos en
el tiempo. Sin embargo , los analizadores digitales comerciales trabajan de la
siguiente forma:

N puntos en el N / 2.56 líneas en el dominio de

dominio tiempo las frecuencias

3
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Ejemplo : Determine el espectro de la señal x(t) = 1 sen 2πf0t.

Se usarán N = 8 puntos de discretización de la señal temporal, separados en

∆t = T0 /4. es decir, se usará un tiempo T de muestreo que será:

T = N ∆t = 8 * T0 / 4 = 2 * T0 (dos períodos de la señal)

∆f = 1/T = f0 / 2

n
2
X (k ) =
N
∑ x (n) e
n =1
− j2 πk n / N
, k =1, 2 ,...,N / 2.

Luego se tiene:

X(k=0) = x(1) + x(2) + x(3) + x(4) + x(5) + x(6)+ x(7) + x(8) = 0

- 45 - 90 - 135 - 180 - 225 - 270 - 315 - 360

X(k=1) = e x(1) + e x(2) + e x(3) + e x(4) + e x(5) + e x(6) + e x(7) + e x(8) = 0

X(k=1) = î x(1) + ê x(2) + í x(3) + ç x(4) + ë x(5) + é x(6) + ì x(7) + è x(8) = 0

X(k=2) = 0 + x(2) + 0 + x(4) + 0 + x(6) + 0 + x(8) = 4

X(k=3) = 0 + x(2) + 0 + x(4) + 0 + x(6) + 0 + x(8) = 0

X(k=4) = 0 + x(2) + 0 + x(4) + 0 + x(6) + 0 + x(8) = 4

La transformación se muestra gráficamente en la figura siguiente:

Fig. 3. Transformada de Fourier de una señal senoidal.

4
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

La transformada rápida de Fourier, FFT, es un algoritmo que se utiliza para

calcular la transformada discreta de Fourier. De la ecuación (3) y del ejemplo
se observa que para calcular un espectro de N/2 líneas es necesario manejar
N*N/2 términos complejos, lo que lo hace muy lento. La FFT maneja
solamente N log N términos, por lo que es significativamente más rápido.

3. Problemas que se pueden generar con el uso de la FFT.

3.1 Aliasing.

Este problema se genera cuando se utiliza una frecuencia de muestreo, fs,

inadecuada, y consiste en que la FFT calcula una frecuencia de menor valor
que la real, como se ilustra en la figura número 4; de aquí el nombre aliasing,
de alias (sobrenombre)

Fig. 4. a) Discretización adecuada.

b) Componente falsa fa debido al aliasing

Este problema se produce cuando no se satisface el teorema de Shanon ( o

teorema de muestreo de Niquist), que establece que:

fmax < fs / 2 (4)

Donde fmax = máxima frecuencia de muestreo.

fs = frecuencia de muestreo.

3.1.1 Necesidad de un filtro antialiasing.

5
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

La única manera de asegurar que la frecuencia máxima en la señal a

analizar sea menor que la frecuencia de muestreo, es limitar el rango de
frecuencias de la señal utilizando un filtro pasa bajos antes de realizar la
conversión A/D (análoga / digital) de la señal. Este filtro se llama filtro
antialiasing.

La frecuencia de corte fc de filtro antialiasing debe satisfacer la ecuación (4),

luego fc debe ser menor que fs / 2; generalmente fmax = fc = fs/2.56. Por
ejemplo, si se quiere analizar hasta fmax = 20 kHz, con fs = 51.2 kHz, se
obtiene que fc = 20000 Hz satisface la ecuación (4)

Ejemplo 2: Considere un espectro de 6400 líneas y fmax = 20 kHz.

Determinar:

N = Número de puntos en el tiempo.

∆f = Resolución en frecuencias.
T = Tiempo (longitud) de toma de muestras.
∆t = Intervalo de muestreo.
fs = Frecuencia de muestreo.

Luego:

N = 2.56 N1 = 2.56 * 6400 = 16384

∆f = fmax / N1 = 20000 (Hz) / 6400 = 3.125 Hz = 187.5 (cpm)

T = 1 / ∆f = 1/3.125 = 0.32 (seg)

∆t = T/N = 0.32 / 16384 = 1.953 *10 -5

(seg)

fs = 1 / ∆t = 51200

3.1.2 Filtrado digital.

En un analizador digital la fmax de análisis se puede graduar grandemente, en

general de 1 Hz a 20 kHz. De acuerdo al ejemplo anterior, para reducir fmax
se puede reducir también en la misma cantidad la razón de muestreo fs y la
frecuencia de corte fmax del filtro antialiasing, Para cubrir varios rangos de
frecuencias se necesitaría entonces varios filtros antialiasing, los que son
caros (particularmente los de más baja frecuencia). Como procedimiento
alternativo, se usa un solo filtro análogo antialiasing y luego filtros digitales
agregados después de realizar la conversión A/D

3.2 Fugas laterales.

La transformada de Fourier de una señal armónica de amplitud A, frecuencia

f0 y longitud infinita, es una sola línea de amplitud A, a la frecuencia f0 como
se muestra en la figura 5 a). La transformada de Fourier de esta señal
cuando se toma un registro de longitud T finito (señal truncada) es un
espectro continuo que tiene la forma indicada en la figura 5 b). En este caso
la energía no se encuentra concentrada en una línea como en el caso
anterior, sino que está esparcida en lóbulos laterales. Este efecto, causado
por la truncación de la señal, se conoce como fugas laterales.

6
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Fig. 5. Fugas laterales y efecto rendija

3.3 Efecto de rendija.

Los analizadores digitales calculan el espectro realizando la FFT de un

registro de vibraciones de longitud T. Para obtener un espectro discreto
(valores discretos a un cierto número de líneas) se requiere de una vibración
periódica, que el algoritmo construye repitiendo este registro de tiempo
varias veces, como lo ilustra la figura 5 c) simulando así una señal periódica.

En la figura 5 c) y d) se ilustran las consecuencias de obtener un espectro

discreto en un cierto número de líneas (efecto rendija). En la figura 5 c) se
observa que cuando en el registro de tiempo hay un número entero de ciclos
de la componente, se obtiene la amplitud A y la frecuencia f0 reales.

7
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Si en el registro de tiempo T no hay un número entero de ciclos de la

componente, no se obtienen los valores reales de amplitud y frecuencia. La
figura 5 d) muestra el caso más desfavorable, que es cuando en un registro
de tiempo T se toma un número entero de períodos más medio período. Se
observa que en este caso las fugas laterales generan dos componentes de
igual amplitud de valor 0.64 A (36% de error) a frecuencias f0 - ∆t/2 y f0 + ∆t/2
respectivamente.

4. Procedimientos para disminuir el efecto de las fugas laterales.

Si las componentes de una señal vibratoria no son armónicas entre ellas, no

es posible obtener una longitud de registro T de manera que se tome un
número entero de períodos para cada una de ellas, es decir, no es posible
en este caso evitar las fugas laterales en algunas componentes, y como se
explicó anteriormente, ni la amplitud ni la frecuencia serán exactas.

4.1 Ventanas de ponderación.

Para disminuir las fugas laterales se utilizan diferentes formas de ventanas

de ponderación. Los analizadores ofrecen comúnmente tres ventanas:
Uniforme o Rectangular, Hanning y Flat Top.

El problema de las fugas laterales se debe a la discontinuidad que se genera

en la señal simulada por el analizador, que como ya se dijo, se construye
repitiendo periódicamente el registro de tiempo T; en la figura 5 d) se
muestra que la discontinuidad se genera en el punto en que se unen los
registros de tiempo T, por lo tanto una solución es multiplicar dicho registro
por una ventana de ponderación que tenga valor cero en sus extremos.

Tomar un registro de la señal de longitud T, en la figura 5 b), es equivalente

a multiplicar la señal de longitud infinita por una ventana de forma
rectangular que tiene un valor 1 durante el tiempo T de registro y valor cero
fuera de ella. Esta ventana es la llamada uniforme o rectangular.

Cuando se usa la ventana hanning, se multiplica el registro de tiempo T por

una ventana de forma cosenoidal que tiene valor 1 en su centro y cero en
sus extremos como se muestra en la figura 6 a). Al atenuar las
discontinuidades se disminuyen las fugas laterales. La figura 6 b) muestra en
un gráfico logarítmico la disminución de las fugas laterales al usar la ventana
hanning y la flat top.

La figura 7 a) muestra en un gráfico logarítmico el espectro de una

componente senoidal, utilizando una ventana uniforme o rectangular, cuando
se ha tomado un número entero de períodos (6 períodos). Observe que no
se ven fugas laterales. La figura 7 b) muestra el espectro de la misma
componente, utilizando una ventana rectangular, pero ahora se ha tomado
un número no entero de períodos (12 períodos + 1/2), observándose
claramente el problema de fugas laterales. La figura 7 c) muestra la FFT de
la señal que aparece en la figura 7 b), pero ahora utilizando una ventana
hanning, en la que se observa una disminución de las fugas laterales.

8
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Fig. 6. a) Uso de una función de ventana Hanning.

b) Comparación de diferentes ventanas para una onda senoidal.
c) Pérdida de información de una señal transiente al utilizar una ventana
Hanning

En la tabla número 1 se comparan los tres tipos de ventanas de ponderación

que se han descrito. Se muestra el mayor error que se puede obtener en la
amplitud de una componente cuando se toma un número entero de períodos
más medio período). Se observa que se obtiene un menor error utilizando
una ventana del tipo flat top, pero en la misma tabla se observa que esto se
consigue perdiendo resolución en frecuencias. La resolución en frecuencias
se cuantifica a través del ancho de banda con el que se realiza el análisis. El
ancho de banda se define por:

( rango de frecuencia s ) ( factor de ventana )

ancho de banda =
( número de líneas )

9
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Donde:

Ancho de banda: Es la mínima separación entre frecuencias a la cual el filtro

pasa banda de análisis atenúa la señal en 3 dB. Para que dos componentes
en frecuencias de aproximadamente el mismo valor puedan ser mostradas
en el espectro deben estar separadas al menos por un ancho de banda.

Factor de ventana = 1.0 para ventana rectangular.

1.5 para ventana hanning.
3.63 para ventana flat top.

Fig. 7. Reducción de las fugas laterales utilizando una ventana Hanning

10
 Dirección de Formación Mediatizada
Área de Transferencia Tecnológica y Desarrollo

Tabla Nº 1: Ventanas de ponderación.

Exactitud en amplitud Flat Top error hasta 1 %

Hanning. error hasta 16 %
Rectangular error hasta 36 %
Resolución en frecuencias Flat Top
Hanning. ↓ disminuye la resolución
Rectangular
Compromiso entre exactitud en amplitud y Usar ventana Hanning
resolución en frecuencias
Vibraciones transientes Utilizar ventana rectangular
para no perder información

De la tabla número 1 también se puede concluir lo siguiente:

Cuando se requiere obtener exactitud en la amplitud de las componentes se

recomienda utilizar la ventana flat top. Cuando se requiere obtener mayor
resolución en frecuencias se recomienda utilizar la ventana rectangular. Sin
embargo, en el análisis de vibraciones se utiliza corrientemente la ventana
hanning, que proporciona niveles suficientes de exactitud en amplitud y
resolución en frecuencias.

Para el análisis de vibraciones transientes, como en el caso de los ensayos

de impacto para determinar frecuencias naturales, es conveniente utilizar la
ventana rectangular considerando que con las ventanas hanning o flat top se
pierde información en el inicio del transiente, como se ilustra en la figura 4 c).

i
El apunte ha sido elaborado tomando como referencia el Apunte de Adquisición Digital de
Señales del Curso de Mantenimiento Predictivo Nivel I, del Dr. Pedro Saavedra. Se han
hecho modificaciones y actualizaciones para ser adaptado al presente curso.

11