Facultad

de
Ciencias

SERIES DE FOURIER Y SUS

APLICACIONES
(FOURIER SERIES AND THEIR
APPLICATIONS)

Trabajo de Fin de Grado

para acceder al

GRADO EN MATEMÁTICAS

Autor: Irene Goñi Ibaceta

Director: Rafael Granero Belinchón

Co-Director: Carlos Alberto Meneses Agudo

Noviembre - 2021
Resumen
Las series de Fourier, además del enorme papel jugado en el desarrollo histórico del
Análisis, tienen importantes aplicaciones fuera de las matemáticas en áreas como por
ejemplo el tratamiento de señales. En este trabajo revisaremos algunas de sus propie-
dades matemáticas básicas, ası́ como los algoritmos que permiten calcularlas de manera
aproximada.
Además, mostraremos un ejemplo del funcionamiento de estos algoritmos y su utilidad.
Finalmente estudiaremos algunas de sus aplicaciones, como el análisis en el dominio de
frecuencia de vibraciones para el mantenimiento predictivo de máquinas industriales.

Palabras clave: series de Fourier, transformada de Fourier, transformada

rápida de Fourier, mantenimiento predictivo, procesamiento de señales.

Abstract
Fourier series, in addition to the enormous role played in the historical development of
Analysis, have important applications beyond mathematics in areas such as signal proces-
sing. This work aims to review some of their basic mathematical properties, as well as the
algorithms that allow us to calculate them in an approximate way.
In addition, we will show an example of how these algorithms work and their usefulness.
Finally, we will study some of their applications, such as the analysis in the frequency
domain of vibrations for the predictive maintenance of industrial machines.

Key words: Fourier series, Fourier transform, Fast Fourier Transform, pre-
dictive maintenance, signal processing.
Agradecimientos
En primer lugar, me gustarı́a agradecer a Rafa por su ayuda y colaboración, facilitándo-
me la realización de este trabajo. A Carlos, por estar disponible para cualquier duda, por
ı́nfima que fuese.

A mis padres, por su confianza y apoyo. A mi hermana, por haber sido mi gran referente
y haberme apoyado en todo momento.
A Iker, por haberme acompañado durante todos estos años y haber soñado mis sueños.

A la familia que escogı́, por sus ánimos y por celebrar mis logros como suyos. Espe-
cialmente a Dorina, por ser colchón en el que caer, hombro en el que llorar y fuerza para
levantarme.

Gracias a todas las personas que me he cruzado a lo largo de estos años y que han hecho
esta etapa inolvidable. Os habéis vuelto indispensables en mi vida.

Agradecer especialmente a la persona que más me ha ayudado durante estos años: Del-
fina. Gracias por tu paciencia y apoyo, por haberme animado a seguir y por tu consejo. Sin
ti este dı́a no hubiera llegado.

Y por último a Constanza porque... tenı́as razón.

Índice general

1. Series de Fourier 1
1.1. Introducción histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. El espacio L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1. Una base para nuestro espacio L2 . . . . . . . . . . . . . . . . . . . 8
1.3. Introducción a las series de Fourier . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Convergencia de las series de Fourier . . . . . . . . . . . . . . . . . . . . . 13
1.4.1. Teoremas que aseguran convergencia puntual o uniforme . . . . . . 15
1.5. Series de Fourier trigonométricas en [−l, l] . . . . . . . . . . . . . . . . . . 17
1.6. Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2. La transformada de Fourier 20
2.1. La transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.1. Resultados más relevantes . . . . . . . . . . . . . . . . . . . . . . . 21
2.2. Algoritmos para calcular la transformada de Fourier . . . . . . . . . . . . . 23
2.2.1. La Transformada Discreta de Fourier . . . . . . . . . . . . . . . . . 23
2.2.2. La Transformada Rápida de Fourier . . . . . . . . . . . . . . . . . . 25
2.3. Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3. Caso práctico 33
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2. Descripción del proyecto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3. Primeros análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4. Análisis en el dominio de frecuencia . . . . . . . . . . . . . . . . . . . . . . 38
3.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

A. Teoremas útiles 47

B. Resultados 49

3
Capı́tulo 1

Series de Fourier

1.1. Introducción histórica

Las series de Fourier son series de la forma f (x) = ∞ ˆ
P
n=−∞ f (n)φn (x). La idea general
de las series de Fourier es que toda función periódica de perı́odo T puede expresarse como
una suma trigonométrica de senos y cosenos de ese mismo perı́odo T.

El desarrollo del análisis de Fourier tiene una larga historia e involucra a un gran
número de personas y además la investigación de muchos fenómenos fı́sicos. Asimismo, tie-
ne enormes aplicaciones en diferentes campos como en procesamiento de señales, análisis
de vibraciones, mecánica cuántica, econometrı́a, teorı́a de números, etc.

La historia de las series de Fourier comenzó con D’Alembert (1747) y su tratado de las
oscilaciones de las cuerdas de un violı́n. Este problema puede describirse de la siguiente
forma: supongamos que tenemos una cuerda flexible y la tensamos, fijando sus extremos en
los puntos (0,0) y (π, 0) por conveniencia. Tiramos de la cuerda hasta que ésta adopte la
forma de una curva dada por y = f (x) y entonces, soltamos. ¿Cuál es el movimiento des-
crito por la cuerda? Si los desplazamientos de la cuerda están siempre en un mismo plano
y el vector del desplazamiento es perpendicular al eje de abscisas, el movimiento vendrá
dado por una función u(x, t) que representará el desplazamiento vertical de la cuerda en la
coordenada x (0 ≤ x ≤ π) en el tiempo t (t ≥ 0). Por tanto, para cada valor fijo de t, u(x, t)
será la forma que tendrá la cuerda en nuestro instante t. El problema que planteamos es
obtener u(x, t) a partir de f (x).

Bajo ciertas hipótesis, D’Alembert demostró que la función debe satisfacer el siguiente
problema de valores iniciales y de contorno para la ecuación de ondas, lo que supondrı́a la

1
CAPÍTULO 1. SERIES DE FOURIER 2

primera aparición de una EDP en la historia:


∂u(x, t) ∂u(x, t)
= 0 < x < π, t > 0, Ec. de Ondas (1.1)


 2



 ∂t ∂x2
 u(0, t) = u(π, t) = 0 t ≥ 0, Condiciones de contorno (1.2)

 u(x, 0) = f (x) 0≤x≤π (1.3)

∂u(x, 0)


0 ≤ x ≤ π, Condición inicial


 =0 (1.4)
∂t

La ecuación (1.1) es una ecuación en derivadas parciales de segundo orden, conocida como
Ecuación de Ondas. (1.2) muestra que la cuerda está fija en sus extremos. (1.3) repre-
senta la posición inicial de la cuerda y (1.4) significa que la velocidad inicial es cero.

D’Alembert también demostró que la solución a esta ecuación viene dada por:
1
u(x, t) = [f (x + t) + f (x − t)] (1.2)
2
donde f es la extensión a R, impar y 2π−periódica de nuestra función f . Este resultado
muestra que la posición alcanzada por nuestra cuerda está completamente condicionada
por su posición inicial.
En 1748, Euler propuso que la solución a esta ecuación podı́a ser expresada de la siguiente
forma: ∞
X
f (x) = fˆ(n) sin(nx) (1.3)
n=1

Por tanto,
∞
X
u(x, t) = fˆ(n) sin(nx) cos(nt) (1.4)
n=1

Estas mismas ideas fueron luego expuestas por Bernoulli (1753) y Lagrange (1759). La
fórmula del cálculo de los coeficientes apareció por primera vez en un artı́culo escrito por
Euler en 1777. Z 1
f (n) = 2 f (x) sin(nx)dx (1.5)
0
La contribución de Fourier comenzó en 1807, con sus estudios del problema del flujo de
calor. Hizo un intento de demostrar que cualquier función diferenciable puede ser expan-
dida en una serie trigonométrica. En una sesión de la Academia Francesa de las Ciencias,
presentó la creación del Análisis Armónico.

Fourier habı́a deducido una ecuación que describı́a la conducción del calor a través de
los cuerpos sólidos, la Ecuación del calor:

Supongamos que queremos estudiar cómo el calor se difunde en un alambre homogéneo

de longitud L a lo largo del tiempo t. Para ello, necesitamos conocer la temperatura inicial
CAPÍTULO 1. SERIES DE FOURIER 3

en cada punto del alambre. Además, necesitamos saber lo que sucede en los extremos del
alambre. Podemos comenzar suponiendo que esta temperatura es cero durante todo el
proceso. Además, supongamos que el alambre es lo suficientemente fino para que el calor
esté igualmente distribuido sobre cada sección transversal en cada instante de tiempo t.
Por último, supongamos que no hay fuentes internas para el calor y que está aislado (no
hay pérdida del calor). Sea u(x, t) la temperatura del alambre en el punto x en el instante
t. Este problema lo podemos formular de la siguiente forma:

 ∂ 2 u(x, t) ∂u(x, t)


2
= x ∈ (0, π), t > 0, Ec. del Calor (1.6)
∂x ∂t


 u(0, t) = u(π, t) = 0, t > 0, Condiciones de contorno (1.7)

 u(x, 0) = f (x), x ∈ (0, π), Condición inicial (1.8)

Partiendo de las ideas de Bernoulli para la ecuación de ondas, Fourier buscó las so-
luciones más sencillas para la ecuación del calor: aquellas de la forma u(x, t) = F (x)G(t).
Si imponemos que se satisfacen tales funciones obtenemos los dos problemas siguientes de
ecuaciones diferenciales ordinarias:

F 00 (x) + λF (x) = 0, x ∈ (0, L), F (0) = F (L) = 0 (1.7)

G0 (t) + λG(t) = 0, t > 0 (1.8)

Queremos determinar los valores de λ que nos proporcionan soluciones no nulas. Puede
encontrarse un proceso detallado de este procedimiento en [1]. La solución de (1.7) viene
dada por:
N
X
u(x, t) = bn sin(nx) exp (−n2 t) (1.9)
n=1

La aportación que hizo Fourier fue imaginar que cualquier función arbitraria f (x) puede
ser expresada de la siguiente forma:
∞
X  nπx 
f (x) = bn sin (1.10)
n=1
L

donde, en nuestro caso L = π. Esto le condujo además a mostrar que la expresión (1.6)
puede expresarse en forma de serie trigonométrica:
∞  2 2 
X  nπx  −n π t
u(x, t) = bn sin exp 2
(1.11)
n=1
L L

Para ello, encontró además las fórmulas, las cuales nos permiten calcular los coeficientes
de la serie asociada a la función.

Sin embargo, este trabajo no fue aceptado a la primera. El auditorio estaba formado por
matemáticos como Lagrange, Laplace y Legendre, quienes criticaron la falta de rigor del
CAPÍTULO 1. SERIES DE FOURIER 4

tratamiento de Fourier. Por ello, tuvo que rehacer su trabajo. Finalmente, su trabajo fue
aceptado y expuesto años después en su obra de 1822, Théorie analytique de la chaleur. Es
importante añadir que este estudio contribuyó a aclarar la idea de función que tenemos hoy
en dı́a. Este tratamiento posterior está asociado a Dirichlet, Riemann, Cantor y Lebesgue.

Finalmente, Carleson y Hunt respondieron a la pregunta de qué funciones pueden de-

sarrollarse como serie de Fourier:
Teorema 1.1 Sea f una función periódica sobre Lp para algunos p ∈ (1, ∞), con coefi-
cientes de Fourier fˆ(n). Entonces:

X
lı́m fˆ(n)einx = f (x) (1.12)
N →∞
|n|≤N

para casi todo x.

El Teorema de Carleson es un resultado fundamental en análisis matemático que esta-
blece, según la medida de Lebesgue, la convergencia en casi cualquier punto de las series
de Fourier para funciones de cuadrado integrable (ver [4]).

1.2. El espacio L2
Antes de presentar las series de Fourier, queremos encontrar una clase de funciones
para las que tenga sentido. Estamos interesados en encontar una equivalencia entre algún
espacio de funciones y algún espacio de sucesiones y ası́ obtener una equivalencia entre los
coeficientes de Fourier, que expondremos más adelante y las funciones que ellos representan.
Por ello, introducimos a continuación el espacio L2 , el cual veremos que es un espacio
de Hilbert y encontraremos un sistema ortonormal completo formado por sucesiones de
funciones.

Definición 1.2 Definimos L2 [−π, π] como el espacio de funciones medibles que satisfacen:
Z π
|f (t)|2 dt < ∞
−π

Definimos en L2 [−π, π] la siguiente relación de equivalencia:

f ∼ g si y sólo si el conjunto {t ∈ [−π, π] : f (t) 6= g(t)} tiene medida nula.

Definición 1.3 Se define L2 ([−π, π]) como:

L2 [−π, π] := L2 [−π, π]/ ∼

A este espacio vectorial lo dotamos del producto interno

Z π
hf, giL2 = f (x)g(x)dx (1.13)
−π
CAPÍTULO 1. SERIES DE FOURIER 5

y de la norma:

Z π 1/2
2
||f ||L2 = |f (x)| dx (1.14)
−π

Veamos que el producto interno está bien definido:

1. Z
hf, f i = |f (x)|2 dx > 0 ⇔ f (x) > 0 en casi todo punto.

hf, f i = 0 ⇒ f (x) = 0 en casi todo punto.

Si f (x) = 0 c.t.p ⇒ h0, 0i = 0.

2. Z Z
hαf + βg, hi = (αf + βg)hdx = (αf h + βgh)dx
Z Z
= α f hdx + β ghdx

= hαhf, hi + βhg, hi

∀α, β ∈ C, ∀f, g, h ∈ L2 .

3. Z
hf, gi = g(x)f (x)dx = hg, f i

Para ayudarnos a probar que la norma está bien definida nos ayudaremos del siguiente
resultado:

Proposición 1.4 Las funciones en este espacio verifican:

1. Teorema de Pitágoras: Sean f1 , f2 , ..., fn ∈ L2 ortogonales dos a dos, entonces

||f1 + f2 + ... + fn ||2 = ||f1 ||2 + ||f2 ||2 + ... + ||fn ||2 .

2. Desigualdad de Cauchy-Schwarz:
Z π
f (x)g(x)dx ≤ ||f ||L2 ([−π,π]) ||g||L2 ([π,π]) .
−π

3. Desigualdad triangular:

||f + g||L2 ≤ ||f ||L2 + ||g||L2 .

CAPÍTULO 1. SERIES DE FOURIER 6

Demostración: La demostración del Teorema de Pitágoras se obtiene de forma inmediata

gracias a la definición de producto interno. Veamos la demostración de la desigualdad de
Cauchy-Schwarz:
Si hf, gi = 0 el resultado es evidente. Supongamos que es distinto de cero. Sean

hf, gi
α= y z = αg
|hf, gi|

Para todo a ∈ R se cumple:

0 ≤ hf − az, f − azi
= hf, f − azi − ahz, f − azi
= hf, f i − ahf, zi − ahz, f i + a2 hz, zi
= ||f ||2 − a(hf, zi + hf,¯zi) + a2 hαg, αgi
= ||f ||2 − 2aRehf, zi + a2 αᾱhg, gi
hf, gi
= ||f ||2 − 2aRehf, yi + a2 |α|2 ||g||2
|hf, gi|
hf, gi
= ||f ||2 − 2aRe hf, gi + a2 ||g||2
|hf, gi|
= ||f ||2 − 2a|hf, gi| + a2 ||g||2

Consideramos la función h(a) = ||f ||2 − 2a|hf, gi| + a2 ||g||2 . Sabemos que esta función es no
negativa. El mı́nimo de la función se alcanza en a0 = |hf,gi|
||g||2
. Por tanto, h(a0 ) ≤ h(a) ∀a ∈ R.
Además, h(a0 ) ≥ 0. Es decir:

|hf, gi|2 |hf, gi|2 |hf, gi|2

||f ||2 − 2 + = ||f ||2
− ≥0
||g||2 ||g||2 ||g||2

de donde despejando se obtiene la desigualdad buscada.

Veamos por úlimo que se verifica la desigualdad triangular. Para f, g ∈ L2 se tiene que:

||f + g||2 = hf + g, f + gi
= hf, f i + hf, gi + hf, gi + hg, gi
= ||f ||2 + hf, gi + hf, gi + ||g||2
= ||f ||2 + 2Rehf, gi + ||g||2
≤ ||f ||2 + 2|hf, gi| + ||g||2
≤ ||f ||2 + 2||f ||||g|| + ||g||2
= (||f || + ||g||)2

donde en la última desigualdad hemos aplicado la desigualdad de Cauchy-Schwarz. 

Por tanto, para la norma definida se cumple:

CAPÍTULO 1. SERIES DE FOURIER 7

1. Si |f (x)|2 es no negativo en casi todo punto entonces la integral es no negativa.

Si ||f (x)|| = 0 entonces f (x) = 0 en c.t.p y si f (x) = 0 en c.t.p entonces ||f (x)|| = 0
en c.t.p.

2. p p p
||αf || = hαf, αf i = αᾱhf, f i = |α| hf, f i = |α| · ||f ||

3.
||f + g||2 = hf + g, f + gi
= ||f ||2 + ||g||2 + hf, gi + hg, f i
= ||f ||2 + ||g||2 + 2|hf, gi|
≤ ||f ||2 + ||g||2 + 2||f || · ||g|| ≤ (||f || + ||g||)2

por la desigualdad de Cauchy-Schwarz.

Tenemos entonces que (L2 [−π, π], || · ||) es un espacio normado.

Es por esto que tiene sentido preguntarse si L2 es espacio de Hilbert. Veámoslo:

Proposición 1.5 Se tiene que L2 ([−π, π]) es un espacio de Hilbert.

Demostración: Consideramos una sucesión de funciones de Cauchy en L2 ([−π, π]). Supo-

nemos que:
1
kfn+1 − fn k ≤ n
2
Consideramos ahora otra sucesión g definida de la siguiente forma:

g1 = 0, g2 = |f1 |, g3 = |f1 | + |f2 − f1 |, ... gn = |f1 + |f2 − f1 | + ... + |fn − fn−1 |

Esta sucesión es creciente y no negativa. Además:

∞
!2
Z π X
|gn |2 dµ ≤ kf1 k + kfi − fi−1 k ≤ (kf1 k + 1)2
−π i=1

Por tanto, por el teorema de Levi, gn converge en casi todo punto a una función g ∈
L2 ([−π, π]). Asimismo, tenemos:
n+k
X n+k
X
|fn+k − fn | = | (fi (x) − fi−1 (x))| ≤ |fi (x) − fi−1 (x)| = gn+k (x) − gn (x)
i=n+1 i=n+1

Por tanto, vemos que fn es de Cauchy y converge puntualmente a una función f . Nos
falta ver que f ∈ L2 ([−π, π]) y que fn converge en norma a f . Veámoslo:
n
X
|fn (x)| = |f1 (x) + (fi (x) − fi−1 (x))| ≤ gn (x) ≤ g(x) para casi todo n
i=2
CAPÍTULO 1. SERIES DE FOURIER 8

Luego |f (x)| ≤ g(x) y por tanto f ∈ L2 ([−π, π]). También, tenemos que:

|f (x) − fn (x)| ≤ 2g(x) c.t.p

Como
lı́m |f (x) − fn (x)|2 = 0,
n→∞

por el teorema de la convergencia dominada, tenemos que

lı́m kf − fn k = 0.
n→∞

1.2.1. Una base para nuestro espacio L2

Antes de mostrar las posibles bases para L2 ([−π, π]) nos será de utilidad el siguiente
resultado sobre la caracterización de las bases de Hilbert:

Teorema 1.6 Sea {xn : n ∈ N} un sistema ortonormal en un espacio de Hilbert H. Las

siguientes afirmaciones son equivalentes:

1. {xn : n ∈ N} es una base de Hilbert.

2. Si existe un x ∈ H tal que < x, xn >= 0 ∀n ∈ N, entonces x = 0.

3. Para todo x ∈ H se verifica que:

∞
X
x= < x, xn > xn . (1.15)
n=1

4. Para todo x ∈ H se cumple

∞
X
2
kxk = | < x, xn > |2 . (Identidad de Parseval). (1.16)
n=1

Demostración:

(i) ⇒ (ii) Supongamos que existe un x ∈ H distintos de cero tal que {x, xn } = 0
∀n ∈ N. Tenemos que probrar que {xn : n ∈ N} no es una base de Hilbert. Sea x̄ =
x
||x||
. Este elemento es unitario y ortogonal a todo elemento del sistema {xn : n ∈ N}.
Por lo tanto, el sistema
{xn : n ∈ N} ∪ {x̄}
es un sistema ortonormal que contiene estrictamente al sistema inicial con lo cual
este sistema no es base de Hilbert.
CAPÍTULO 1. SERIES DE FOURIER 9

(ii) ⇒ (iii) Dado x ∈ H fijo, consideramos la sucesión

n
X
yn = hx, xk ixk .
k=1

Veamos que esta sucesión es de Cauchy: Para todo n, m ∈ N con n < m tenemos que
m
X
2
||yn − ym || = |hx, xk i|2 .
k=n+1

Por la desigualdadad de Bessel, la serie

∞
X
|hx, xk i|2
k=n+1

es convergente y por tanto

m
X
lı́m |hx, xk i|2 = 0.
n,m→∞
k=n+1

Sea y = lı́mm→∞ ym y veamos que y = x. Por (ii) sólo debemos probar que
hx − y, xn i = 0 ∀n ∈ N.
Observemos que
 Pm
 k=1 hx, xk ihxk , xn i = hx, xn i si m ≥ n
hym , xn i = (1.17)
0 si m < n


Por tanto,
hx - y, xn i = hx − lı́m ym , xn i = hx, xn − lı́m ym , xn i = hx, xn i − hx, xn i = 0
m→∞ m→∞

donde la segunda igualdad se obtiene debido a la linealidad del producto interior y a

la desigualdad de Cauchy-Schwarz.
(iii) ⇒ (iv) Sea
n
X
yn = hx, xk ixk .
k=1
Se tiene que
n
X n
X
2
||x − yn || = hx − hx, xk ixk , x − hx, xk ixk i
k=1 k=1
n
X n
X
2
= hx, xi − 2 |hx, xk i| + hx, xk ihx, xk ihxk , xk i
k=1 k=1
n
X
= ||x||2 − |hx, xk i|2 .
k=1
CAPÍTULO 1. SERIES DE FOURIER 10

Cuando n → ∞ ∞
X
0 = ||x||2 − |hx, xk i|2 .
k=1

(iv) ⇒ (i) Procedemos por reducción al absurdo: Supongamos que existe un sistema
ortonormal S que contiene estrictamente {xn : n ∈ N}. Sea z ∈ S, z 6= xn ∀n ∈ N.
Por la identidad de Parseval tenemos que:
∞
X
2
||z|| = |hz, xk i|2 = 0
k=1

ya que hz, xk i = 0 ∀k ∈ N. Por tanto z = 0 lo que contradice nuestra hipótesis

(z ∈ S).

Proposición 1.7 Consideremos en L2 ([−π, π]; R) los sistemas:

S1 = {1, cos x, sin x, cos 2x, sin 2x, ..., cos nx, sin nx, ...}
y
S2 = {einx }
Se tiene que S1 y S2 son sistemas ortogonales.

Demostración: Para cada n ∈ N se tiene que

Z π
< 1, cos nx >= cos nxdx = 0
−π

y Z π
< 1, sin nx >= sin nxdx = 0
−π

Si n 6= m, obtenemos1 :
π
1 π
Z Z
< cos mx, cos nx > = cos mx cos nxdx = (cos (m + n)x + cos (m − n)x) dx
−π 2 −π
 π
1 sin (m + n)x sin (m − n)x
= + =0
2 (m + n) (m − n) −π

1
Nótese que nos hemos ayudado de:

2 cos A cos B = cos (A + B) + cos (A − B) 2 sin A sin B = sin (A + B) + sin (A − B)

CAPÍTULO 1. SERIES DE FOURIER 11

y análogamente, Z π
< sin mx, sin nx >= sin mx sin nxdx = 0
−π

y ∀n, m ∈ N, Z π
< cos nx, sin mx >= cos nx sin mxdx = 0
−π

Además, Z π
< 1, 1 >= dx = 2π,
−π

Z π Z π   π
1 2 1 sin 2nx
< cos nx, cos nx > = cos nx = (cos 2nx + cos 0xdx) = +x =π
−π 2 −π 2 2x −π

y, Z π
< sin nx, sin nx >= sin2 nx = π
−π

Por lo tanto,
 
1 cos x sin x cos 2x sin 2x cos nx sin nx
Ŝ1 = √ , √ , √ , √ , √ , ..., √ , √ , ...
2π π π π π π π

es un sistema ortonormal en L2 ([−π, π]; R).

Por otro lado,

Z π Z π
inx inx inx −inx
he ,e i= e e dx = dx = 2π
−π −π

y, si n 6= m,2
π π π
eix(n−m) eiπ(n−m) − e−iπ(n−m)
Z Z
inx imx inx −imx
he ,e i= e e dx = eix(n−m) dx = =
−π −π i(n − m) −π i(n − m)
= 2 sin ((n − m)π) = 0

Por lo tanto,
1
Ŝ2 = { √ einx }
2π
es un sistema ortonormal en L2 ([−π, π]). 

Teorema 1.8 Los conjuntos Sˆ1 y Sˆ2 definidos anteriormente son bases ortonormales para
L2 ([−π, π]).
2 eix −e−ix
Notemos que hemos hecho uso de sin(x) = 2i
CAPÍTULO 1. SERIES DE FOURIER 12

Demostración: Para la realización de esta demostración basta con tener en cuenta el Teo-
rema 1.6 expuesto anteriormente. Sabemos que son equivalentes:
{xn : n ∈ N} es una base de Hilbert.
Si existe un x ∈ H tal que hx, xn i = 0 ∀n ∈ N, entonces x = 0.
Supongamos que existe x ∈ L2 ([−π, π]) tal que hx, √12π einx i = 0 ∀n ∈ N. Entonces:
Z π Z π
1 inx 1 int 1
hx, √ e i = x √ e dt = √ xeint dt = 0
2π −π 2π 2π −π

Necesariamente x debe ser 0.

De manera análoga, si:
1
hx, √ i = 0
2π
y x es distinto de cos nx y de sin nx ∀n ∈ N, x debe ser 0.
Por tanto, concluimos el resultado.


1.3. Introducción a las series de Fourier

Definición 1.9 Sea f una función integrable definida en [−π, π]. Para cada n ∈ Z defini-
mos el n-ésimo coeficiente de Fourier de f como
Z π
ˆ 1
f (n) := f (x)e−inx dx
2π −π
y la serie de Fourier asociada a f como
∞
X
f (x) ∼ fˆ(n)einx (1.18)
−∞

Observación 1.10 Cuando la función f ∈ L2 ([−π, π]) es real, es habitual usar su expan-
sión en serie trigonométrica real.
Utilizando la fórmula de Euler eiθ = cos(θ) + i sin(θ) es fácil ver que (1.18) implica:
∞
a0 X
f (x) ∼ + (an cos (nx) + bn sin (nx)) (1.19)
2 n=1

Consideramos: Z π
1
an = fˆ(n) + fˆ(−n) = f (x) cos (nx)dx
π −π
y Z π
1
bn = i(fˆ(n) + fˆ(−n)) = f (x) sin (nx)dx
π −π
para n = 0, 1, 2, ... y obtenemos el resultado.
CAPÍTULO 1. SERIES DE FOURIER 13

1.4. Convergencia de las series de Fourier

Definición 1.11 Dada una sucesión un (x) y una función u(s) definidas en un intervalo I
tenemos:

1. un converge puntualmente a u si lı́mn→∞ un (x) = u(x) ∀x ∈ I.

2. un converge uniformemente a u si:

lı́mn→∞ ||un − u||C(I) = lı́mn→∞ máxx∈I |un (x) − u(x)| = 0.

Definición 1.12 Definimos la suma parcial

N Z π 
X 1 −izl
SN u(x) = u(z)e dz eizl .
l=−N
2π −π

Lema 1.13 Se tiene que:

Z π
SN u(x) = u(z)DN (x − z)dz,
−π

donde
1
1 sin (N + 2 )z
DN (z) = 2π sin z2

se denomina Núcleo de Dirichlet.

Demostración: Gracias a la definición 1.12 tenemos:

N Z π 
X 1 −izl
SN u(x) = u(z)e dz eixl
l=−N
2π −π
Z π N
1 X
= u(z) eil(x−z) dz
2π −π l=−N
Z π N
1 X
l
= u(z) ei(x−z) dz
2π −π l=−N
Z π N
1 i(x−z)N
X
l
= u(z)e ei(x−z)N ei(x−z) dz
2π −π l=−N
Z π N
1 −i(x−z)N
X
N +l
= u(z)e ei(x−z) dz
2π −π l=−N
Z 2N
1 i(x−z)N
X
n
= πu(z)e ei(x−z) dz.
2π −π n=0
CAPÍTULO 1. SERIES DE FOURIER 14

Usando que:
k
X 1 − rk+1
j
r =
j=0
1−r

y teniendo en cuenta que:

1 1 1
1 − rk+1 r− 2 1 − rk+1 r− 2 − rk+ 2
= −1 = −1 1 ,
1−r r 2 1−r r 2 − r2
podemos concluir que:

1 i(x−z)N 1 − e(2N +1)i(x−z)

 
DN (x − z) = e
2π 1 − ei(x−z)
1 e−(N +1/2)i(x−z) − e(N +1/2)i(x−z)
=
2π ei(x−z)/2 − ei(x−z)/2
1 sin((N + 12 )(x − z))
= .
2π sin( x−z
2
)

Rπ
Lema 1.14 Se tiene que −π
DN (z)dz = 1. Como además DN (z) es par, se tiene que:
Z π Z 0
1
DN (z)dz = DN (z) = .
0 −π 2

Demostración:
Tenemos que:
N
X N
X
inz
e =1+ 2 cos(nz)
n=−N n=1

Por tanto:
N
1 X1
DN (x) = + cos (nz) .
2π n=1 π
y podemos concluir el resultado. 

Lema 1.15 Lema de Riemann-Lebesgue. Sea f ∈ C 1 ([−π, π]) una función periódica.
Entonces se tiene que Z π  
1
lı́m f (z) sin N + zdz = 0.
N →∞ −π 2
CAPÍTULO 1. SERIES DE FOURIER 15

Demostración: Tenemos que:

Z π   
1
I= f (z) sin N+ z dz
−π 2
− cos((N + 12 )z)
Z π  
= f (x)∂z dz
−π (N + 21 )
cos((N + 12 )z)
Z π
= ∂z f (z)
−π (N + 12 )
−f (z) cos((N + 12 )z) z=π
 
+
(N + 12 ) z=−π

Usando la periodicidad:
π
cos((N + 12 z)
Z
2π
|I| ≤ ∂z f (z) 1 dz ≤ kf kC 1
−π (N + 2 (N + 12 )

Ahora, tomando el lı́mite:

Z π   
1
lı́m f (z) N+ z dz = 0
N →∞ −π 2

1.4.1. Teoremas que aseguran convergencia puntual o uniforme

Teorema 1.16 Sea u(x) ∈ C 2 ((−π, π)) una función periódica. Entonces la serie de Fou-
rier converge uniformemente a u. Es decir

lı́m ||SN u − u||C(I) = 0.

N →∞

En particular, tenemos que

lı́m SN u(x) = u(x), ∀x ∈ [−π, π].

N →∞

Demostración: Tenemos que ver que u(x) − SN u(x) converge a cero. Para ello tenemos que
ver que: Z π
IN = (u(x) − u(x − z))DN (z)dz = 0
−π

Teniendo en cuenta que el núcleo de Dirichlet es una función par tenemos que
Z π
∂x u(x)zDN (z)dz = 0
−π
CAPÍTULO 1. SERIES DE FOURIER 16

Por lo tanto,
Z π Z π
IN = (u(x) − u(x − z))DN (z)dz − ∂x u(x)zDN (z)dz,
−π −π

de donde
π Z π
u(x) − u(x − z)
Z
1 1 ∂x u(x)z 1
IN = sin (N + )zdz − sin (N + )zdz
2π −π sin z2 2 −π
z
sin 2 2
Z π
1 u(x) − u(x − z) − ∂x u(x)z 1
= sin (N + )zdz
2π −π sin z2 2

Definimos
u(x) − u(x − z) − ∂x u(x)z
f (x) (z) =
sin z2
Tenemos que f (x) (z) ∈ C 1 ([−π, π]) para cualquier x. Aplicando el Lema de Riemann-
Lebesgue a la integral anterior obtenemos el resultado. 

Teorema 1.17 Dirichlet. Sea u(x) una función continua a trozos cuya derivada ux (x)
también es continua a trozos. Entonces se verifica que

u(x+) + u(x−)
lı́m SN u(x) = .
N →∞ 2
donde x+ y x− denotan los lı́mites laterales. Es decir, la serie de Fourier converge pun-
tualmente a la medida de los lı́mites laterales.

Demostración: Sea x ∈ [−π, π] fijo. Gracias a los lemas anteriores tenemos que:
Z 0 Z π
u(x+) + u(x−)
= u(x+) DN (z)dz + u(x−) DN (z)dz,
2 −π 0

por lo tanto,

u(x+) + u(x−)
IN = − SN u(x)
2
Z 0 Z π
= (u(x+) − u(x − z))DN (z)dz + (u(x−) − u(x − z))DN (z)dz =
−π 0
π
u(x−) − u(x − z) sin (N + 21 )z 0
u(x+) − u(x − z) sin (N + 12 )z
Z Z
dz + dz
0 sin z2 2π −π sin z2 2π

Observamos que:
sin (N + 12 )z
φN (z) = ,
2π
CAPÍTULO 1. SERIES DE FOURIER 17

cumplen Z π
1 n
φn (z)φl (z)dz =
δ ,
0 8π l
donde δln es la Delta de Kronecker que vale 1 si n = l y 0 si no. Por lo tanto, basta
comprobar utilizando la Desigualdad de Bessel que
u(x−) − u(x − z) u(x+) − u(x − z)
y
sin z2 sin z2

están en L2 ([0, π]) y L2 ([0, −π]) respectivamente. Como u es derivable a trozos con
derivada continua a trozos se tiene que las funciones anteriores son continuas a trozos por
lo que pertenecen a los espacios mencionados. Ası́, conlcuimos que

u(x+) − u(x − z) sin (N + 21 )z

Z 0
dz → 0,
−π sin z2 2π
y
π
u(x−) − u(x − z) sin (N + 12 )z
Z
dz → 0
0 sin z2 2π

concluyendo ası́ el resultado. 

1.5. Series de Fourier trigonométricas en [−l, l]

Utilizando la fórmula de Euler

eiz = cos(z) + sin(z),

se tiene que
∞ Z π  ∞ Z π 
X 1 −izl izl
X 1 −izl
u(x) = u(z)e dz e = u(z)e dz [cos xl + i sin xl]
l=−∞
2π −π l=−∞
2π −π

Emparejando los términos l y −l llegamos a:

Rπ ∞ Z π
u(z)dz X

−π 1  −i π zl izl

u(x) = + u(z) e π + e dz cos xl
2π l=1
2π −π
∞ Z π 
X 1  −izl izl

+i u(z) e − e dz sin xl
2π −π
Rl=1
π ∞ Z π ∞ Z π
u(z)dz X
 
−π 1 X 1
= + u(z) cos zldz cos xl + u(z) sin zldz sin xl
2π l=1
π −π l=1
π −π
∞
X ∞
X
= b0 + bl cos xl + al sin xl,
l=1 l=1
CAPÍTULO 1. SERIES DE FOURIER 18

donde
Z π  Z π 
1 1
al = u(z) sin zldz , bl = u(z) cos zldz , l≥1
π −π π −π

y Z π
1
a0 = 0, b0 = u(z)dz
2π −π

Los resultados de convergencia se siguen de 1.4.

1.6. Convolución
Definición 1.18 Producto de convolución. Sean f y g dos funciones definidas en todo
R. Se denomina producto de convolución de f y g a la función que para cada x ∈ R se define
como: Z ∞
(f ∗ g)(x) = f (y)g(x − y)dy
−∞

Teorema 1.19 Convolución de series de Fourier. Sean f, g ∈ L2 [−π, π]. Sea h(x) =
f (x) ∗ g(x). Denotamos por f¯(x), ḡ(x), h̄(x) a las series de Fourier asociadas a f, g y h
respectivamente. Se tiene que:

h̄(x) = 2π f¯(x)ḡ(x)

Demostración: Sean f (x) y g(x). Su series de Fourier asociadas son:

∞
X
f¯(x) = fˆ(n)einx
−∞

∞
X
ḡ(x) = ĝ(n)einx
−∞

donde fˆ(n) es el n-ésimo coeficiente de Fourier de f

Z π
1
fˆ(n) = f (x)e−inx dx
2π −π

De manera análoga definimos ĝ(n).

CAPÍTULO 1. SERIES DE FOURIER 19

R∞
Sea ahora h(x) = f (x) ∗ g(x) = −∞
f (y)g(x − y)dy. Tenemos que:
∞
X
h̄(x) = ĥ(n)einx
−∞
∞  Z π 
X 1 −inx
= h(x)e dx einx
−∞
2π −π
∞  Z π Z ∞  
X 1 −inx
= f (y)g(x − y)dy e dx einx
−∞
2π −π −∞
∞
X
= 2π fˆ(n)ĝ(n)einx
−∞

= 2π f¯(x)ḡ(x)


Capı́tulo 2

La transformada de Fourier

2.1. La transformada de Fourier

Notemos que durante las secciones anteriores hemos trabajado tomando como perı́odo
L = π. De una forma más general, podemos escribir las funciones 2L-periódicas en L2 [−L, L]
de la siguiente forma:
∞ Z L 
1 X π
−i L zl π
u(x) = u(z)e dz eixl L (2.1)
2L l=−∞ −L

Nos interesa considerar perı́odos cada vez mayores. De hecho nos gustarı́a no imponer pe-
riodicidad a nuestra función u(x), es decir, tomar L = ∞.

Si definimos:
π
ξ= l,
L
tenemos que
π
dξ = .
L
Tenemos entonces que (2.1) puede escribirse como:
∞ Z L 
1 X −iξz
u(x) = u(z)e dz eiξx dξ.
2π −∞ −L

Si L → ∞ entonces dξ → 0 y obtenemos:
Z ∞Z ∞
1
u(x) = u(z)e−iξz dzeiξx dξ.
2π −∞ −∞

Definición 2.1 Definimos la transformada de Fourier de la función u(x) como

Z ∞
1
û(ξ) := √ u(x)e−iξx dx (2.2)
2π −∞
para los valores de ξ ∈ R en los que la integral definida anteriormente exista.

20
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 21

Definición 2.2 Definimos la transformada de Fourier inversa de la función de la función

v(ξ) como Z ∞
1
v̌(x) := √ v(ξ)eiξx dξ
2π −∞
Si calculamos la transformada de Fourier inversa de la transformada de Fourier de
nuestra función u(x) tenemos:
Z ∞ Z ∞
ˇ 1 1
û(x) =√ √ û(ξ)eiξx dξe−iψx dx
2π −∞ 2π −∞
Aplicando el teorema de Fubini:
Z ∞Z ∞
1
u(z)e−iξz dzeiξx dξ = u(x).
2π −∞ −∞
ˇ
Por tanto, concluimos que u(x) = û(x).

Es importante notar que no siempre podremos definir la transformada de Fourier

R de una
1
R suficiente que nuestra función sea L para que ésta exista (si |f (x)| < ∞
función pero es
entonces √12π f (x)e−iξx < ∞). Además, se cumple que:
Z
|f (ξ)| ≤ |f (x)|dx ∀ξ ∈ R.
R

2.1.1. Resultados más relevantes

Proposición 2.3 Propiedades de la transformada de Fourier.
1. La transformada de Fourier de una función real y par es una función real y par.

2. La transformada de Fourier de una función real e impar es una función imaginaria

pura e impar.
ˆ ˆ
1 + βf2 = αf1 + β f2 para todo α, β ∈ C.
3. αf\

4. Lema de Riemann-Lebesgue: Si f es L1 . Entonces:

lı́m fˆ(ξ) = 0.
|ξ|→∞

Demostración:
1. Debemos tener en cuenta que el seno es una función impar en R y el coseno es una
función par en R. Además, el producto de dos funciones pares es una función par y el
producto de una función impar por otra par tiene como resultado una función impar.
Ası́: Z ∞ Z ∞
ˆ
f (ξ) = f (x)(cos(ξx) − i sin(ξx))dx = f (x) cos(ξx)dx.
−∞ 0
Resulta que esta función es una función par respecto de ξ.
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 22

2. Utilizamos el argumento del apartado anterior. Además, tenemos en cuenta que el

producto de dos funciones impares es una función par. Por lo tanto:
Z ∞ Z ∞
ˆ
f (ξ) = f (x)(cos(ξx) − i sin(ξx))dx = −2i f (x) sin(ξx)dx.
−∞ 0

Resulta que esta función es una función impar respecto de ξ.

3. Sean u y v dos funciones cuyas respectivas transformadas de Fourier son:

Z ∞
1
û(ξ) = √ u(x)e−iξx dx
2π −∞
Z ∞
1
v̂(ξ) = √ v(x)e−iξx dx
2π −∞
Consideramos w(x) = αu(x) + βv(x). Entonces se tiene que:
Z ∞
1
ŵ(ξ) = √ w(x)e−iξx dx
2π −∞
Z ∞
1
=√ (αu(x) + βv(x))e−iξx dx
2π −∞
Z ∞
1
=√ (αu(x)e−iξx + βv(x)e−iξx )dx
2π −∞
Z ∞ Z ∞
α −iξx β
= √ u(x)e dx + √ v(x)e−iξx dx
2π −∞ 2π −∞
= αû(ξ) + βv̂(ξ)

4. Si nuestra función es de clase C ∞ y el conjunto de puntos donde no se anula es

compacto entonces basta con integrar por partes:

f (x)e−iξx
Z Z
−iξx 1 0
f (x)e dx = − + f (x)e−iξx dx ≤
iξ iξ
Z
1
≤ |f 0 (x)|dx → 0 si |ξ| → ∞
|ξ|
Si f es una función integrable cualquiera podemos escoger una función g de clase C ∞
de tal forma que ||f − g|| <  para cualquier  > 0. Por tanto:
Z Z
ˆ
lı́m sup |f (z)| ≤ lı́m sup | (f (x) − g(x))e−iξx
dx| + lı́m sup | g(x)e−iξx dx|
|ξ|→∞ |ξ|→∞ |ξ|→∞

≤+0=

Como  es arbitrariamente pequeño, concluimos el resultado.


CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 23

2.2. Algoritmos para calcular la transformada de Fou-

rier
Hemos comentado en la introducción la importancia y la utilidad de las series de Fourier
en una gran variedad de problemas. En esta sección vamos a hablar sobre los algoritmos
para el cálculo de la Transformada de Fourier, explicaremos en más detalle el algoritmo de
la transformada rápida de Fourier (FFT), popularizado por J.W.Cooley y Tukey en 1965
y finalmente expondremos un ejemplo para poder observar su utilidad y funcionamiento.

Antes de comenzar a hablar sobre la Transformada Rápida de Fourier, será necesario

mostrar algunos conceptos.

2.2.1. La Transformada Discreta de Fourier

Definición 2.4 Sea xn una función discreta de perı́odo N. Definimos la Transformada
Discreta de Fourier (DFT) como:
N −1
2πi
X
Xk = xn e− N kn
k = 0, ..., N − 1 (2.3)
n=0

2πi
donde i denota la unidad imaginaria y e− N kn
es la N-ésima raı́z de la unidad.

La importancia de esta definición se debe a que puede ser calculada de forma eficiente
en la práctica utilizando el algoritmo de la transformada rápida de Fourier.

Definición 2.5 Definimos la Transformada inversa de Fourier Discreta (IDFT)

como:
N −1
1 X 2πi
xn = Xk e N kn n = 0, ..., N − 1
N k=0

Observación 2.6 Notemos que, por lo general tenemos:

1
xn = IDF T {Xk } = (DF T {X̄k })
N
donde DF T y X̄ denotan el complejo conjudado.

En la siguiente proposición veremos las propiedades que se cumplen en la DFT. Para

evitar confusión en la notación y hacer más sencilla la lectura denotamos por g, f1 , ..., fm , f
a distintas funciones discretas de perı́odo N, ĝ, fˆ1 , ..., fˆm , fˆ a sus correspondientes transfor-
madas discretas y f¯ al complejo conjugado de una función f .

Proposición 2.7 Propiedades de la DFT. Se tiene que:

1. Linealidad: Si g = c1 f1 + ... + cm fm . entonces su transformada de Fourier es ĝ =
c1 fˆ1 + ... + cm fˆm .
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 24

2. Reflexión: Si g(n) = f (−n) entonces ĝ(ξ) = fˆ(−ξ).

3. Conjugación: Si g(n) = f¯(n) entonces ĝ(ξ) = fˆ(ξ).

−2iπkn0
4. Translación: Si g(n) = f (n − n0 ) entonces ĝ(ξ) = e N fˆ(ξ) para n0 ∈ Z.
2iπk0 n
5. Modulación: Si g(n) = e N f (n) entonces ĝ(ξ) = fˆ(k − k0 ) para k ∈ Z.

6. Inversión: Si g(n) = fˆ(n) entonces ĝ(ξ) = N f (−ξ).

Demostración:
1. Sea g = cf . Entonces:
N −1 N −1
−2iπkn −2iπkn
X X
ĝ = cf e N =c e N = cfˆ
n=0 n=0

Sea g = f1 + f2 . Tenemos que:

N −1 N −1 N −1 N −1
−2iπkn −2iπkn −2iπkn −2iπkn
X X X X
ĝ = ge N = (f1 + f2 )e N = f1 e N + f2 e N = fˆ1 + fˆ2
n=0 n=0 n=0 n=0

2. Sea g(n) = f (−n). Tenemos:

N −1 N −1
−2iπkn −2iπkn
X X
ĝ(ξ) = g(n)e N = f (−n)e N

n=0 n=0

Sea ahora u = −n.

N −1
−2iπ−kn
X
ĝ(ξ) = f (u)e N = fˆ(−ξ)
n=0

3. Sea g(n) = f¯(n). Entonces

N −1 N −1 N −1
−2iπkn −2iπkn −2iπ−kn
X X X
ĝ(ξ) = g(n)e N = f¯(n)e N = f¯(n)e N = fˆ(−k)
n=0 n=0 n=0

4. Para este apartado consideramos g(n) = f (n − n0 ). De esta forma, tenemos:

N −1 N −1
−2iπkn −2iπkn
X X
ĝ(ξ) = g(n)e N = f (n − n0 )e N

n=0 n=0

Si consideramos u = n − n0 tenemos que n = 0 si y solo si u = −n0 y n = N − 1 si

y solo si u = N − 1 − n0 . Por tanto, el resultado de nuestra expresión es el siguiente:
N −n0 −1
−2iπkn0 X −2iπku −2iπkn0
ĝ(ξ) = e N f (u)e N =e N fˆ(ξ)
u=n0
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 25

−2iπk0 n
5. Sea g(n) = e N f (n). Tenemos:
N −1 N −1
X −2iπkn
X 2iπk0 n −2iπkn
ĝ(ξ) = g(n)e N = f (n)e N e N = fˆ(k − k0 )
n=0 n=0

6. Sea g(n) = fˆ(n).

N −1 N −1
−2iπkn −2iπkn
X X
ĝ(ξ) = g(n)e N = fˆ(n)e N = N f (−k)
n=0 n=0

2.2.2. La Transformada Rápida de Fourier

Consideramos la Transformada Discreta de Fourier definida en 2.3. Notemos que:
P −1
Para k = 0, X0 = N 0
n=0 xn e precisa del cálculo de N − 1 sumas complejas.
P −1 −2πin
Para k = 1, X1 = N n=0 xn e
N , lo que precisa de N − 1 productos y N − 1 sumas
complejas.
..
.
PN −1 −2πi(N −1)n
Para k = N − 1, XN −1 = n=0 xn e N , lo que precisa de N − 1 productos y
N − 1 sumas complejas.
Esto nos muestra que el cálculo directo de la Transformada Discreta de Fourier requiere
de un total de N (N − 1) + (N − 1)2 operaciones.

La transformada rápida de Fourier (FFT) es un algoritmo eficiente que permite cal-

cular la Transformada de Fourier Discreta y su inversa con un coste computacional de
Θ(N log N ). Como hemos mencionado antes, este algoritmo fue popularizado por James
William Cooley y John Wilder Tukey en 1965. La idea básica de este tipo de algoritmo de
divide y vencerás reside en la descomposición de nuestra función discreta en funciones más
simples y ası́ sucesivamente hasta llegar a tener que realizar transformadas de 2 elementos
donde en este caso k tomará valores 0 o 1. Una vez tengamos resueltas las transformadas
más simples reagruparemos el resto iterativamente hasta llegar al tamaño de la función
original. Una vez finalizado el proceso, reordenaremos los datos.

Como veremos en el capı́tulo siguiente, este tipo de método nos será muy útil para
el análisis de señales periódicas, ya que aprovecharemos su periodicidad y simetrı́a para
reducir gran parte de los cálculos.

Consideramos:  2πin 2πi(N −1)n


wn = 1, e N , ..., e N
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 26

2πikn
Si no existe error de confusión lo denotaremos w. Denotamos por w[k] = e N . De esta
forma, podemos reescribir la Transformada Discreta de Fourier de la siguiente forma:
N
X −1
Xk = xn w[−k]
n=0

Vamos a mostrar un ejemplo para N = 4 = 22 con el objetivo de entender el funciona-

miento de este algoritmo.

Sea xN una función discreta de perı́odo 4. Tenemos que:

3
−2πikn
X
Xk = xn e 4 k= 0,..., 3
n=0

Mostrando el cálculo detalladamente tenemos:

2πi 2πi 2πi 2πi
X 0 = x0 e − 4
0·0
+ x1 e − 4
1·0
+ x2 e− 4
2·0
+ x3 e− 4
3·0

2πi 2πi 2πi 2πi

X 1 = x0 e − 4
0·1
+ x1 e − 4
1·1
+ x2 e− 4
2·1
+ x3 e− 4
3·1

2πi 2πi 2πi 2πi

X 2 = x0 e − 4
0·2
+ x1 e − 4
1·2
+ x2 e− 4
2·2
+ x3 e− 4
3·2

2πi 2πi 2πi 2πi

X 3 = x0 e − 4
0·3
+ x1 e − 4
1·3
+ x2 e− 4
2·3
+ x3 e− 4
3·3

Representándolo de forma matricial tenemos:

    
X[0] w[0] w[0] w[0] w[0] x[0]
X[1] w[0] w[1] w[2] w[3]
 x[1]
 
X[2] = w[0] w[2] w[4]
  
w[6] x[2]
X[3] w[0] w[3] w[6] w[9] x[3]

Gracias a la periodicidad (4 en nuestro caso), podemos simplificar cálculos y, haciendo

uso de 6 = 2 mod 4 y 9 = 1 mod 4, obtenemos:
    
X[0] 1 1 1 1 x[0]
X[1] 1 w[1] w[2] w[3] x[1]
X[2] = 1 w[2] 1 w[2] x[2]
    

X[3] 1 w[3] w[2] w[1] x[3]

Si alternamos las filas 2 y 3, el resultado que obtenemos es el siguiente:

    
X[0] 1 1 1 1 x[0]
X[2] 1 w[2] 1 w[2] x[1]
X[1] = 1 w[1] w[2] w[3] x[2]
    

X[3] 1 w[3] w[2] w[1] x[3]

Observemos que las dos primeras filas estan formadas por dos matrices 2 × 2 iguales.
Además, la tercera y la cuarta fila son la misma alternada (salvo por los términos de la
primera columna). Esto hace posible la factorización de la matriz de la siguiente forma:
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 27

    
1 1 1 1 1 1 0 0 1 0 1 0
1 w[2] 1 w[2] 1 w[2] 0 0  0 1 0 1 
1 w[1] w[2] w[3] = 0 0 1 w[1] 1
    
0 w[2] 0 
1 w[3] w[2] w[1] 0 0 1 w[3] 0 1 0 w[2]

De esta forma obtenemos que el número de operaciones que necesitamos realizar son
cuatro multiplicaciones complejas y ocho sumas.

Si N = 2p , el algoritmo de la FFT factoriza matrices N × N en p matrices del mismo

tamaño de tal forma que se minimiza el número de multiplicaciones y sumas. Por ello, en
los casos prácticos lo más habitual es tener funciones cuyo perı́odo sea una potencia de 2.
Sólo nos faltarı́a reordenar X, pero esto es un problema menor. Si reemplazamos n por
su equivalente binario tenemos:
   
X[0] X[00]
X[2] X[10]
X[1] = X[01]
   

X[3] X[11]

Si realizamos una inversión de bit (si por ejemplo tenemos 01 lo cambiamos por 10)
obtenemos:    
X[00] X[00]
X[10]
 → X[01] = X
 

X[01] X[10]
X[11] X[11]
Para más información sobre la Transformada Rápida de Fourier, pueden consultarse
[14]-[16].

2.3. Convolución
Como ya hemos mencionado, en el siguiente capı́tulo realizaremos el análisis de fun-
ciones periódicas y mostraremos la utilidad de la Transformada Rápida de Fourier para el
diagnóstico de fallos en rodamientos.
Uno de los procesos más utilizados para realizar este diagnóstico es el filtrado de las señales
para poder observar mejor sus caracterı́sticas eliminando el ruido que puedan presentar.
Este filtrado es posible gracias a la convolución de funciones.

Para expresar el producto de convolución de dos funciones discretas f y g de tamaño

N1 y N2 respectivamente debemos considerar sus funciones extendidas:

f (x) 0 ≤ x < N1
fe (x) =
0 N1 ≤ x < N

f (x) 0 ≤ x < N2
ge (x) =
0 N2 ≤ x < N
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 28

donde N = N1 + N2 − 1. De esta forma, definimos la convolución de nuestras funciones

f y g de la siguiente forma:
N
X −1
f (x) ∗ g(x) = fe (n)ge (x − n) para x = 0, 1, ..., N − 1 (2.4)
n=0

En muchas ocasiones, como veremos en el siguiente ejemplo, el filtrado que realizamos

a una función es lineal y puede expresarse mediante una convolución:

h(x) = f (t) ∗ g(t)

donde h será el resultado del producto de convolución entre nuestra función f y un

impulso g. La importancia de la convolución y su utilidad en la práctica puede verse en el
siguiente resultado:

Teorema 2.8 Teorema de convolución. Sean f, g ∈ L2 . Consideramos h(x) = f (x) ∗

g(x). Se tiene que: √
ĥ(ξ) = 2π fˆ(ξ)ĝ(ξ)

Demostración: Sea h(x) = f (x) ∗ g(x). Tenemos que:

Z ∞ Z ∞ 
1 −iξx
∗ g(ξ) = √
ĥ(ξ) = f[ e f (y)g(x − y)dy dx
2π −∞ −∞

Consideramos el siguiente cambio de variable: τ = x − y. Entonces:

Z ∞ Z ∞ 
1 −iξ(τ +y)
f ∗ g(ξ) = √
[ e f (y)g(τ )dy dτ
2π −∞ −∞
Z ∞ Z ∞ 
1 −iξτ −iξy
=√ e e f (y)g(τ )dy dτ
2π −∞ −∞
Z ∞ Z ∞
1 −iξy
=√ e f (y)dy e−iξτ g(τ )dτ =
2π −∞ −∞
1 √ ˆ √
=√ 2π f (ξ) 2πĝ(ξ)
2π
√
= 2π fˆ(ξ)ĝ(ξ)

Veamos ahora que la transformada discreta del producto de convolución de dos fun-
ciones discretas es el producto punto a punto de sus respectivas transformadas discretas.
Consideramos h(k) = f (k) ∗ g(k) definido en (2.4). Denotaremos por Hk , Fk y Gk a las
transformadas de h(k), f (k) y g(k) respectivamente. Calculemos su transformada discreta:
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 29

N −1
−2πi
X
kn
Hk = (f (k) ∗ g(k)) e N

n=0
N −1 N −1
−2πi
X X
kn
= fe (m)ge (k − m)e N

n=0 m=0
N −1 N −1
−2πi −2πin
X X
kn (m−m)
= fe (m)ge (k − m)e N e N

n=0 m=0
N −1 N −1
−2πi −2πi
X X
nm n(k−m)
= fe (m)e N ge (k − m)e n

n=0 m=0
= Fk Gk

2.4. Ejemplo
En esta sección vamos a realizar un ejemplo para poder observar el funcionamiento de
la transformada de Fourier y su utilidad. Para ello consideramos la siguiente función:

f (t) = cos(t) + 2 cos (3t)

Donde en este caso, hemos considerado N = 27 . A esta función le añadimos un ruido blanco.
Mostramos a continuación una imagen en la que podemos ver la función y el resultado de
añadirle ruido:

Figura 2.1: Comparación funciones en el dominio del tiempo.

Nos planteamos eliminar el ruido de esta función ayudándonos de las propiedades de

la transformada de Fourier. Para ello, realizamos la FFT de la función. Mostramos a
continuación una imagen del espectro de potencia de ambas funciones para poder observar
la diferencia.
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 30

Figura 2.2: Espectro de potencia de las funciones.

Notemos que, como hemos definido antes, la transformada discreta de Fourier sólo está
definida dentro del perı́odo. Fuera de este la función vale 0. Por ello sabemos que aquellas
frecuencias que no sean 0 fuera del perı́odo de nuestra función pertenecen al ruido. En
nuestro caso nos interesa eliminar las frecuencias mayores que 3. Para ello, hemos creado
una función que, pasándole como parámetros la función que queremos filtrar, la frecuencia a
partir de la que deseamos filtrar y el vector de frecuencias nos realizará este procedimiento,
devolviéndonos la función filtrada.
Mostramos a continuación una imagen de la función una vez hemos aplicado este pro-
cedimiento junto con la función original y la función con ruido para poder observar las
diferencias:

Figura 2.3: Transformada de la función con ruido, original y filtrada.

CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 31

Para poder mostrar mejor qué realiza nuestra función mostramos la siguiente imagen,
en la que mostramos las frecuencias comprendidas sólo entre 0 y 6.

Figura 2.4: Imagen ampliada de las transformadas de las 3 funciones.

Es posible observar que el ruido que se ha introducido a la función y que afecta a las
frecuencias comprendidas entre [−3, 3] no será posible de eliminar, por lo que la función que
obtengamos finalmente deberá asemejarse a nuestra función original pero no serán iguales.
El resultado de este procedimiento es posible gracias al producto de convolución de
funciones y al resultado visto en la sección anterior sobre la transformada de Fourier del
producto de convolución. En nuestro caso, hemos considerado h(t) = g(t) ∗ f (t) donde
f (t) = cos t + 2 cos 3t. Sea A el conjunto de puntos donde f está definida. Nuestra función
g(t) = 1A (t) (función indicatriz). Por último, realizamos la transformada inversa de nuestra
función y mostramos el resultado. Como hemos mencionado antes, no obtendremos la
función original pero sı́ que deberá parecerse más:

Figura 2.5: Función con ruido, original y filtrada.

CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 32

El algoritmo para la eliminación del ruido es el siguiente:

Algorithm 1 Eliminación de frecuencias no deseadas.

Input: Función, f unction;
Input: Frecuencia a partir de la cual eliminar frecuencias, w0;
Input: Vector de frecuencias, w;
Output: Función filtrada, f ;
Output: Transformada de la función filtrada, f t;
1: Guardamos en una variable la longitud de la función, n;
2: Realizamos la FFT de la funcion, F ;
3: for 1 : n do
4: if w(i) es mayor que w0 or w(i) es menor que -w0 then
5: F=0
6: end if
7: end for
8: Normalizamos F, f t;
9: Transformada inversa: Función filtrada en dominio de tiempo, f ;
10: return f, f t;
Capı́tulo 3

Caso práctico

3.1. Introducción
En esta sección vamos a presentar un caso práctico sobre la utilidad de la transformada
de Fourier: análisis espectral para la detección de fallos en rodamientos.

Este proyecto se inició en verano de 2020 durante la estancia en prácticas, donde se

comenzó con la búsqueda, los primeros análisis y las primeras pruebas no concluyentes (ver
[19]). En este capı́tulo mostraremos los resultados finales, algunos de los cuales pudieron
ser obtenidos gracias a ciertos análisis ya realizados el verano.

Los rodamientos son componentes mecánicos cuya función radica principalmente en

servir de apoyo o guı́a para piezas mecánicas que giran, oscilan o se deslizan. En la siguiente
figura mostramos las componentes de un rodamiento:

Figura 3.1: Partes de un rodamiento.

Su vida útil depende de diversos factores, entre los que destacamos: la carga, el nivel de
trabajo, posibles desalineaciones, etc. Existen muchos factores que afectan a su vida útil
por lo que intentar determinar su duración por métodos analı́ticos podrı́a ser excesivamen-
te costoso. Es por ello que nos planteamos técnicas basadas en el análisis en el espectro

33
CAPÍTULO 3. CASO PRÁCTICO 34

de frecuencia para poder determinar su estado. Este tipo de técnicas para la detección de
fallos recibe el nombre de Mantenimiento Predictivo.

La relevancia del análisis espectral reside en que, gracias a la periodicidad, dependiendo

de en qué lugar se encuentre el fallo podremos visualizar los armónicos correspondientes a
dicho fallo en el espectro de frecuencia, facilitándonos el diagnóstico. En este proyecto nos
centraremos en clasificar dos posibles tipos de fallo: de pista exterior y de pista interior.
Estos fallos estarán asociados a los siguientes armónicos:

1. BPFI (Ball Pass Frequency Inner o frecuencia de deterioro de pista interior). Número
de bolas que pasan por un punto de la carrera interior en un giro completo.

2. BPFO (Ball Pass Frequency Outer o frecuencia de deterioro de pista exterior). Núme-
ro de bolas que pasan por un punto de la carrera exterior en un giro completo.

Las ecuaciones correspondientes para el cálculo de estos armónicos son:

   
NB D1 NB D1
BP F I = 1+ cos(β) f r BP F O = 1− cos(β) f r
2 D2 2 D2

donde D1 y D2 son los radios correspondientes a la pista interior y exterior, NB es el número

de bolas y β el ángulo que forma con la superficie de contacto. La frecuencia angular, f r,
variará dependiendo de cada caso.

3.2. Descripción del proyecto.

En este capı́tulo nos centraremos principalmente en la clasificación de 2 tipos de fallos
de una base de datos de rodamientos que podemos encontrar en [17]. Cabe señalar que
estos rodamientos están analizados a velocidad constante, a diferencia de los rodamientos
analizados durante la estancia de prácticas. La variación de velocidad dificulta conside-
rablemente el diagnóstico de los fallos en rodamientos con las técnicas que probaremos
utilizando la teorı́a expuesta en este trabajo. Existen otras técnicas pero su ejecución pue-
de ser costosa por lo que para este tipo de análisis se han realizado técnicas de Machine
Learning, las cuales exceden al contenido de este trabajo.

En este proyecto, las mediciones se han realizado en dos posiciones distintas: FE (Fan
end ) y DE (Fan end ). Nos centraremos en analizar las mediciones realizadas en DE. Mos-
tramos a continuación una imagen de la posición en la que se realiza cada medición:
CAPÍTULO 3. CASO PRÁCTICO 35

Figura 3.2: Lugares de medición.

Teniendo en cuenta estas posiciones, las caracterı́sticas principales de los rodamientos

son:

Drive end
BPFI 5.4152*f r
BPFO 3.5848*f r
Frecuencia de Muestreo, f s 12000/24000

Cuadro 3.1: Caracterı́sticas de los rodamientos.

3.3. Primeros análisis

En primer lugar, aprovechando que conocemos cada tipo de fallo, nos centramos en
visualizar varios rodamientos para poder observar cómo son los datos que analizaremos a
primera vista. Mostramos a continuación 3 datos: un rodamiento sano, un rodamiento con
fallo de carrera interna y uno con fallo de carrera externa:
CAPÍTULO 3. CASO PRÁCTICO 36

Figura 3.3: Representacion rodamiento sano, con fallo de carrera interna y con fallo de
carrera externa.

Como podemos observar, las tres imágenes son distintas. Cabe destacar la diferencia
de amplitud entre ellas. Sin embargo, a pesar de la diferencia entre estas tres imágenes, no
somos capaces de determinar qué tipo de fallo presenta cada rodamiento.

Una vez realizada la visualización de los datos procedemos a extraer sus caracterı́sticas
principales. Los estadı́sticos que hemos utilizado son:

1. Valores mı́nimos y máximos de cada rodamiento.

2. Media aritmética: n
1X
x̄ = xi
n i=1

3. Varianza:
σ 2 = E[(X − E(X))2 ]
donde E es el operador de la esperanza.
4. Momentos centrados de órdenes 3 y 4:

µk = E[(X − E(X))k ]

donde k tomará valores 3 y 4 en este caso.

5. Asimetrı́a de los datos (Skewness): Se define el coeficiente de asimetrı́a de Fisher
como:
µ3
γ1 = 3
σ
donde µ3 es el momento centrado de orden 3 y σ es la desviación estándar.
CAPÍTULO 3. CASO PRÁCTICO 37

6. Curtosis (Kurtosis):
µ4
β2 =
σ4
donde µ4 es el momento centrado de orden 4 y σ es la desviación estándar. Una
curtosis grande implica una mayor concentración de valores tanto muy cerca de la
media como muy lejos de ella y una menor frecuencia de valores intermedios.
7. Media cuadrática (Root Mean Square, RMS ):
v
u
u1 X N
xRM S = t x2
N i=1 i

8. Factor de forma (Shape Factor, SF ).

xRM S
xSF = 1
PN
N i=1 |xi |

9. Factor de impulso (Impulse Factor, IF ): compara la altura de un pico con el valor

promedio de la señal.
kxk∞
xIF = 1 PN
N i=1 |xi |

10. Factor de cresta (Crest Factor, CF ): Esta magnitud nos da una idea del impacto
que se está produciendo en forma de onda. Suponiendo que tengamos una√onda
sinusoidal perfecta de amplitud 1, RM S = sin(π/4) y el factor de cresta será 2. Si
una onda presenta un factor de cresta superior entonces hay algún grado de impacto.
kxk∞
xCF =
xRM S
11. Factor de margen (Margin Factor, MF ).
kxk∞
xM F =
x2RM S
Los resultados de estos análisis pueden encontrarse en el apéndice B. Destacamos los
estadı́sticos de tres rodamientos, uno sano, uno con fallo de carrera interna y otro con fallo
de carrera externa para mostrar las diferencias:
Max Min Var MO3 MO4 Skew Kurt IF RMS MF SF CF
Sano 97 3.11e-01 -2.87e-01 5.28e-03 3.96e-06 -7.45e-08 -3.54e-02 -2.36e-01 2.48e+01 3.64e+01 2.35e-04 2.90e+03 8.54e-03
Fallo Inner 172 2.13e+00 -2.02e+00 3.27e-02 6.28e-08 3.50e-10 3.34e-02 1.52e+01 7.06e+02 6.31e+01 5.35e-04 2.09e+04 3.37e-02
Fallo Outer 133 3.24e+00 -3.00e+00 3.37e-01 1.74e-07 1.74e-09 -2.11e-03 4.96e+00 7.15e+02 2.03e+02 7.84e-05 4.49e+04 1.59e-02

En la gran mayorı́a de los casos la amplitud de las señales en rodamientos que presentan
algún tipo de fallo es mayor en comparación a un rodamiento sano. Otros valores destaca-
bles son la curtosis, el factor de impulso, el factor de forma y la media cuadrática. Estos
estadı́sticos nos hacen sospechar la posibilidad de que haya un fallo en nuestro rodamiento.
Sin embargo, no podemos diferenciar qué tipo de fallo. Por ello, y gacias a la periodicidad
de las señales, nos planteamos realizar un análisis en el dominio de frecuencia.
CAPÍTULO 3. CASO PRÁCTICO 38

3.4. Análisis en el dominio de frecuencia

Nos planteamos en un principio calcular la transformada rápida de Fourier de cada
canal. Si el rodamiento no presenta ningún deterioro, sus frecuencias principales deberán
estar concentradas alrededor del cero, como vimos en el ejemplo del capı́tulo anterior.
Mostramos a continuación una imagen de la representación de tres rodamientos:

Figura 3.4: Espectro de frecuencia de un rodamiento sano, uno con fallo de carrera interna
y otro con fallo de carrera externa.

Como esperábamos, en la primera gráfica tenemos un rodamiento sano y sus frecuencias

principales se encuentran concentradas cerca del cero. Las frecuencias rotacionales, f r, son
1796, 1728, 1725rpm para el canal sano, con fallo de carrera interna y con fallo de carrera
externa respectivamente. Teniendo en cuentra esto, mostramos a continuación una imagen
de los tres rodamientos y de los armónicos correspondientes a estas frecuencias.

Figura 3.5: Armónicos correspondientes a frecuencia rotacional de rodamiento sano, con

fallo de carrera interna y con fallo de carrera externa.

Notemos que hemos tenido en cuenta las propiedades de simetrı́a y por ello sólo re-
CAPÍTULO 3. CASO PRÁCTICO 39

presentamos la mitad positiva. Pueden observarse que ciertas frecuencias coinciden con los
armónicos correspondientes a múltiplos de la frecuencia rotacional de cada rodamiento, f r.
Además, en el caso del rodamiento sano, las frecuencias más altas están asociadas a estos
armónicos.
Es posible observar que la medición de los rodamientos puede verse afectada por factores
externos (ruido). Por ello nos planteamos el uso de una herramienta denominada envolven-
te espectral (envelope spectrum, ver [18]). Esta herramienta nos da información acerca de
cómo se distribuye la energı́a en el espectro. Observemos en las imágenes anteriores que
se producen ciertas tendencias en el espectro. La envolvente espectral es una curva que
representa esta variación de la amplitud en el dominio de frecuencia.

El uso de esta herramienta se basa principalmente en realizar la transformada de Hilbert

de nuestra función y después realizar la transformada rápida de Fourier a su envolvente.
Definición 3.1 Transformada de Hilbert. Se define la transformada de Hilbert H de
1
una función real, s(t), como la convolución de la función s(t) y h(t) = πt . Dicho de otro
modo:
1 ∞ s(τ )
Z
H{s}(t) = (h ∗ s)(t) = dτ
π −∞ t − τ
De esta forma, si tenemos una señal analı́tica g(t), podemos descomponerla del siguiente
modo:
g(t) = f (t) + iH{f }(t)
La transformada de Hilbert recibe este nombre en honor a David Hilbert, quien la intro-
ducijo en 1905 para resolver un caso especı́fico del problema de Riemann-Hilbert.

Figura 3.6: Representación de un canal sano y su transformada de Hilbert.

CAPÍTULO 3. CASO PRÁCTICO 40

Notemos que la función resultante (la cual sigue estando en el dominio temporal) es
una función compleja con las mismas componentes frecuenciales con un adelanto de fase
de π/2 radianes. La importancia de aplicar esta transformada reside en que la energı́a y
fase en cada instante vienen de la frecuencia dominante en ese instante. Ası́, las frecuencias
se localizan muy bien en el espectro realizando la Transformada de Fourier. Además, la
parte real y la parte imaginaria de la transformada de Fourier estarán vinculadas por la
transformada de Hilbert, lo que supondrá un avance para nuestro diagnóstico.

Proposición 3.2 Propiedades. Sean f y g ∈ L2 (R). Sea α ∈ C. Se tiene que:

1. H(αf + g)(t) = αH{f }(t) + H{g}(t)

2. H{f ∗ g}(t) = (H{f } ∗ g)(t) = (f ∗ H{g})(t) para todo x ∈ R.

\
3. H{f }(t) = (−isign(t))fˆ(t) donde sign denota la función signo de t.

Demostración:

1. Z ∞
αf (τ ) + g(τ )
H(αf + g)(t) = dτ
−∞ t−τ
Z ∞ Z ∞
f (τ ) g(τ )
=α dτ + dτ
−∞ t − τ −∞ t − τ
= αH{f }(t) + H{g}(t)

2. ∞
(f ∗ g)
Z
H{f ∗ g}(t) =
t−τ
Z∞∞ Z ∞
f (τ )g(x − τ )dx
= dτ
∞ ∞ t−τ
= H{f }(t) ∗ g(t)

Teniendo en cuenta que: f ∗ g = g ∗ f , concluimos el resultado.

3. Al ser la transformada de Hilbert un producto de convolución tenemos que

√
\
H{f }(t) = 2π ĥ(t)fˆ(t)
1
donde h(t) = πt
. Como

1
ĥ(t) = √ isign(ξ)
2π
obtenemos el resultado.
CAPÍTULO 3. CASO PRÁCTICO 41

Una vez tenemos calculada la transformada de Hilbert de nuestras señales analı́ticas

calcularemos su envolvente:

e(t) = |f (t) + iH{f }(t)| (3.1)

Realizaremos la transformada de Fourier de la envolvente de nuetras señales y obser-

varemos en el espectro de frecuencia si existen coincidencias con algún armónico BPFI o
BPFO. Los resultados para los tres rodamientos son los siguientes:

1. Rodamiento sano:

Figura 3.7: Envolvente espectral de un rodamiento sano.

Las frecuencias correspondientes a un fallo de carrera interna se encuentran en color

naranja y las correspondientes a un fallo de carrera externa en verde. Es posible
observar en esta imagen que no existen coincidencias con estos armónicos. Tal y
como esperábamos, nos encontramos con un rodamiento sano.

2. Rodamiento con fallo de carrera interna:

CAPÍTULO 3. CASO PRÁCTICO 42

Figura 3.8: Envolvente espectral de un rodamiento con fallo de carrera interna.

A diferencia de la imagen anterior, es posible observar entre las frecuencias más

altas varias coincidentes con los armónicos P BF I, 2BP F I, .... Sin embargo, puede
observarse en dos puntos concretos que existe una ligera coincidencia con armónicos
BPFO. Esto puede ser debido a errores computacionales, a presencia de ruido o a
la posibilidad de que un rodamiento presente ambos fallos. Analizaremos finalmente
el número de frecuencias coincidentes con dichos armónicos para poder concluir la
presencia de cada tipo de fallo.
3. Rodamiento con fallo de carrera externa:

Figura 3.9: Envolvente espectral de un rodamiento sano con fallo de carrera externa.

Como podemos observar, existen claras coincidencias con armónicos correspondientes

a fallos de carrera externa, BPFO. En este caso, como en el apartado anterior, también
existen varias frecuencias coincidentes con armónicos correspondientes a un fallo de
carrera interna.
CAPÍTULO 3. CASO PRÁCTICO 43

Para poder clasificar los rodamientos, tenemos en cuenta los impulsos más altos y sus
coincidencias con los respectivos armónicos. Teniendo en cuenta esto, obtuvimos la siguien-
te clasificación:

Clasificacion
CWRU 97: Sano Sano
CWRU 172: Inner Fallo Inner Race
CWRU 133: Outer Fallo Outer Race

Cuadro 3.2: Clasificación de los rodamientos.

Los resultados del resto de los rodamientos analizados pueden encontrarse en B.

El algoritmo que hemos utilizado para la envolvente espectral es el siguiente:

Algorithm 2 Envolvente espectral.

Input: Señal, signal;
Input: Frecuencia de muestreo, F s;
Input: Armónicos Inner, BP F I;
Input: Armónicos Outer, BP F O;
Input: Tı́tulo, title;
Input: Nivel de impresión, imp;
Output: Vector de frecuencias, f Spec;
Output: Picos, xSpec;
Output: Frecuencias a las que se encuentran los picos, f SpecG;
Output: Vector con armónicos Inner, BP F I coords;
Output: Vector con armónicos Outer, BP F O coords;
1: Restamos la media y realizamos la transformada de Hilbert, analytic signal;
2: Nos quedamos con el valor absoluto y normalizamos, amplitude envelope;
3: Calculamos el vector de frecuencias, f Spec;
4: Calculamos la transformada de Fourier y nos quedamos con el valor absoluto, xSpec;
5: Nos quedamos con la mitad del espectro, xSpec;
6: Calculamos el vector con armónicos Inner, BP F I coords;
7: Calculamos el vector con armónicos Outer, BP F O coords;
8: Encontramos las frecuencias a las que se encuentran los picos, f SpecG;
9: if El nivel de impresión es 1: queremos ver resultados then
10: Gráfica con la mitad positiva, mostrando los armónicos correspondientes;
11: end if
12: return f Spec, xSpec, f SpecG, BP F I coords, BP F O coords;

3.5. Conclusiones
En este capı́tulo hemos mostrado la utilidad del análisis de Fourier en un caso práctico:
el diagnóstico de fallos en rodamientos. Hemos realizado un primer análisis de distintos
CAPÍTULO 3. CASO PRÁCTICO 44

rodamientos para observar qué posibles diferencias podrı́amos encontrarnos y cómo serı́a
mejor abordarlas. Hemos visualizado nuestros datos y realizado una comparativa con los es-
tadı́sticos de cada rodamiento en busca de diferencias. Hemos podido observar que existı́an
claras diferencias entre rodamientos sanos y rodamientos con fallo pero no éramos capaces
de clasificar cada fallo. Es por esto que hemos decidido profundizar el análisis utilizando
distintas herramientas en el dominio espectral. Destacamos el uso de una herramienta de-
nominada envolvente espectral, la cual hace uso de la Transformada de Hilbert y de la
Transformada de Fourier, que nos ha permitido mostrar los armónicos más relevantes de
cada rodamiento y su posterior clasificación, obteniendo muy buenos resultados. Esto nos
permite concluir la utilidad y eficacia de esta herramienta para este tipo de análisis. Esta
herramienta tiene múltiples aplicaciones como el análisis de señales de comunicación sate-
lital para eliminar posibles perturbaciones y ası́ obtener la información deseada, análisis
sı́smico, etc. Sin embargo, tal y como introducimos al comienzo de este capı́tulo, es posi-
ble que para velocidad variable nos compense realizar técnicas más avanzadas de Machine
Learning, las cuales tendrán un coste menor.
Bibliografı́a

[1] L.A. Fernández. Introducción a las Ecuaciones en Derivadas Parciales. Departamento

de Matemáticas, Estadı́stica y Computación, Universidad de Cantabria (2020).

[2] J.A. Facenda, F.J. Freniche. Integración de Funciones de Varias Variables. Ediciones
Pirámide (2002).

[3] D. Chamorro. Espacios de Lebesgue y de Lorentz, Volumen I. Escuela Politécnica

Nacional (2010).

[4] L. Carleson. On convergence and growth of partial sums of Fourier series. Acta Math,
Vol. 116, 1 (1996), 135- 137.

[5] R. Granero-Belinchón. Ampliación de Análisis. Departamento de Matemáticas, Es-

tadı́stica y Computación, Universidad de Cantabria (2020).

[6] R. Granero-Belinchón. Métodos Matemáticos II: EDP. Departamento de Matemáticas,

Estadı́stica y Computación, Universidad de Cantabria (2020).

[7] G. B. Folland. Fourier Analysis and its Aplications. The Wadswordth & Books/Cole
Mathematics Series (1992).

[8] A. Cañada. Series de Fourier y Aplicaciones. Pirámide (2002).

[9] A. Cañada. Fourier y sus coeficientes. Departamento de Análisis Matemático, Univer-

sidad de Granada (2006).

[10] G. P. Curbera. Completitud de L2 . Departamento de Análisis Matemático, Universi-

dad de Sevilla ().

[11] J. Duoandikoetxea. Lecciones sobre las series y transformadas de Fourier. UNAN-

Managua (2003).

[12] F. Periago. Transformadas Integrales y Ecuaciones en Derivadas Parciales. Dpto.

Matemática Aplicada y Estadı́stica, Universidad Politécnica de Cartagena (2004).

[13] L. Manuel, M. González. Matemática Aplicada II. Dpto. Fı́sica, Universidad Nacional
de Rosario, Argentina (2011).

[14] M.J. Splisbury, A. Euceda. Transformada Rápida de Fourier. Universidad Nacional

Autónoma de Honduras (2016).

45
BIBLIOGRAFÍA 46

[15] E. Brea. Transformada Rápida de Fourier: tres enfoques. Facultad de Ingenierı́a,

Universidad Central de Venezuela (2014).

[16] J.W. Cooley, J.W. Tukey. An algorithm for the Machine Calculation of Complex
Fourier Series. IBM Watson Research Center, Bell Telephone Laboratories, Princeton
University (1965).

[17] Case Western Reserve University Bearing Data Center Website. https://csegroups.
case.edu/bearingdatacenter/home. Fecha de consulta: 20 de abril de 2021.

[18] MATLAB. Función envspectrum. Envolvente espectral para mantenimiento predictivo

de rodamientos. https://www.mathworks.com/help/signal/ref/envspectrum.html.
Fecha de consulta: 20 de abril de 2021.

[19] GitHub. Repositorio con funciones utilizadas durante la estancia en prácticas en ve-
rano. https://github.com/irenegz/signalprocessing/tree/master. Fecha de con-
sulta: 21 de abril de 2021.

[20] Rolling element bearing diagnostics using the Case Western Reserve University data:
A benchmark study. Mechanical Systems and Signal Processing, Volume 64-65, páginas
100-131, 2015. https://doi.org/10.1016/j.ymssp.2015.04.021

[21] D. Neupane and J. Seok, Bearing Fault Detection and Diagnosis Using Case Western
Reserve University Dataset With Deep Learning Approaches: A Review . IEEE Access,
vol. 8, pp. 93155-93178, 2020, https://doi.org/10.1109/ACCESS.2020.2990528 .

[22] Boudiaf, A., Moussaoui, A., Dahane, A. et al. A Comparative Study of Various Methods
of Bearing Faults Diagnosis Using the Case Western Reserve University Data. J Fail.
Anal. and Preven. 16, 271–284 (2016). https://doi.org/10.1007/s11668-016-0080-7

[23] A. P. Aguilera Aguilera. La transfrmada de Hilbert en L2 (R). Universidad de Vene-

zuela (2012).
Apéndice A

Teoremas útiles

Teorema A.1 Teorema de Fubini para f integrable. Sea f : Rp → R una función

integrable. Entonces, para casi todo y ∈ Rn la sección fy : Rk → R es integrable, por lo que
la función Z
y ∈ Rn → f (x, y)dx ∈ R
Rk
está definida en casi todo Rn . Además, esta función es integrable en Rn y se verifica la
igualdad Z Z Z Z 
f (x, y)dxdy = f (x, y)dx dy
Rk ×Rn Rn Rk

Teorema A.2 Teorema de la convergencia monótona. Sea fn (x) una sucesión no-
decreciente de funciones absolutamente integrables. Sea f (s) su lı́mite puntual
lı́m fn (x) = f (x) para casi todo x
n→∞

Entonces f es medible y además

Z Z
lı́m fn (x)dx = lı́m fn (x)dx
n→∞ Ω Ω n→∞

Teorema A.3 Teorema de la convergencia monótona de Beppo Levi. Sea (X, A, µ)

un espacio medible y sean f una función A-medible y (fn )n∈N una sucesión creciente
de funciones A-medibles, ambas definidas sobre X a valores en R+ , tales que f (X) =
lı́mn→∞ fn (x) c.t.p. Entonces
Z Z
f (x)dµ = lı́m fn dµ
X n→∞ X

Teorema A.4 Teorema de la convergencia dominada. Sea fn una sucesión de fun-

ciones que converge puntualmente a f
lı́m fn (x) = f (x) para casi todo x
n→∞

47
APÉNDICE A. TEOREMAS ÚTILES 48

Las demostraciones de los teoremas A.1, A.2 y A.4 pueden encontrarse en [2]. La demos-
tración del teorema A.3 puede encontrarse en [3].
Apéndice B

Resultados

Hemos analizado los siguientes rodamientos:

Tipo de fallo Nombre de archivo

Sano 97
Sano 98
Sano 99
Sano 100

Cuadro B.1: Rodamientos sanos analizados.

Tipo de fallo Nombre de archivo

Inner 105
Inner 106
Inner 107
Inner 108
Inner 169
Inner 170
Inner 171
Inner 172

Cuadro B.2: Rodamientos con fallo de carrera interna analizados.

Tipo de fallo Nombre de archivo

Outer 130
Outer 131
Outer 132
Outer 133
Outer 144
Outer 145
Outer 146
Outer 147

Cuadro B.3: Rodamientos con fallo de carrera externa analizados.

49
APÉNDICE B. RESULTADOS 50

Estas mediciones se han realizado en DE y su frecuencia de muestreo es 12000Hz.

Los estadı́sticos de cada canal pueden encontrarse en las siguientes tablas:

Max Min Var MO3 MO4 Skew Kurt IF RMS MF SF CF

Normal Baseline 97 DE 3.11e-01 -2.87e-01 5.28e-03 3.96e-06 -7.43e-08 -3.54e-02 -2.36e-01 2.48e+01 3.64e+01 2.35e-04 2.90e+03 8.54e-03
Normal Baseline 98 DE 3.18e-01 -3.46e-01 4.24e-03 3.96e-06 -7.45e-08 -1.73e-01 -6.94e-02 2.75e+01 4.62e+01 1.62e-04 3.67e+03 7.49e-03
Normal Baseline 99 DE 3.59e-01 -3.27e-01 3.99e-03 3.68e-06 -6.76e-08 -1.67e-01 -7.49e-02 2.93e+01 4.48e+01 1.79e-04 3.65e+03 8.02e-03
Normal Baseline 100 DE 2.84e-01 -3.06e-01 4.19e-03 3.87e-06 -7.19e-08 -1.28e-01 -4.28e-02 2.46e+01 4.59e+01 1.45e-04 3.69e+03 6.67e-03
Max Min Var MO3 MO4 Skew Kurt IF RMS MF SF CF
Inner 12K 105 DE 1.74e+00 -1.38e+00 8.48e-02 4.84e-06 -9.12e-08 1.64e-01 2.40e+00 1.29e+02 1.02e+02 1.69e-04 7.55e+03 1.71e-02
Inner 12K 106 DE 1.58e+00 -1.40e+00 8.58e-02 3.70e-07 -3.16e-09 1.30e-01 2.54e+00 2.73e+02 1.02e+02 1.51e-04 1.76e+04 1.55e-02
Inner 12K 107 DE 1.64e+00 -1.43e+00 8.97e-02 1.74e-07 -1.15e-09 9.04e-02 2.56e+00 3.60e+02 1.05e+02 1.50e-04 2.30e+04 1.57e-02
Inner 12K 108 DE 1.67e+00 -1.54e+00 9.83e-02 1.73e-07 7.60e-10 -1.32e-02 2.29e+00 3.54e+02 1.10e+02 1.38e-04 2.33e+04 1.52e-02
Inner 12K 169 DE 1.93e+00 -2.01e+00 3.80e-02 8.14e-05 -4.20e-06 -5.88e-02 1.90e+01 5.84e+01 6.91e+01 4.22e-04 2.01e+03 2.91e-02
Inner 12K 170 DE 2.03e+00 -2.00e+00 2.74e-02 9.16e-08 -4.80e-10 3.00e-03 1.91e+01 5.64e+02 5.78e+01 6.08e-04 1.61e+04 3.51e-02
Inner 12K 171 DE 1.85e+00 -1.88e+00 2.66e-02 1.04e-07 4.38e-12 2.35e-02 1.87e+01 5.11e+02 5.69e+01 5.80e-04 1.55e+04 3.30e-02
Inner 12K 172 DE 2.13e+00 -2.02e+00 3.27e-02 5.20e-08 9.52e-10 3.34e-02 1.52e+01 7.06e+02 6.31e+01 5.35e-04 2.09e+04 3.37e-02
Max Min Var MO3 MO4 Skew Kurt IF RMS MF SF CF
Outer 12K 130 DE 3.63e+00 -3.41e+00 4.48e-01 2.45e-05 -8.46e-07 5.69e-02 4.65e+00 1.57e+02 2.34e+02 6.64e-05 1.01e+04 1.55e-02
Outer 12K 131 DE 3.11e+00 -3.01e+00 3.50e-01 1.21e-07 3.35e-11 3.34e-02 4.59e+00 7.66e+02 2.07e+02 7.25e-05 5.10e+04 1.50e-02
Outer 12K 132 DE 3.10e+00 -3.08e+00 3.25e-01 1.20e-07 3.87e-10 1.95e-02 4.85e+00 7.93e+02 1.99e+02 7.86e-05 5.08e+04 1.56e-02
Outer 12K 133 DE 3.24e+00 -3.00e+00 3.37e-01 1.16e-07 1.16e-08 -2.11e-03 4.96e+00 7.15e+02 2.03e+02 7.84e-05 4.49e+04 1.59e-02
Outer 12K 144 DE 3.35e+00 -3.26e+00 5.92e-01 4.15e-06 2.63e-06 6.58e-02 1.24e+00 4.66e+02 2.69e+02 4.63e-05 3.74e+04 1.24e-02
Outer 12K 145 DE 3.55e+00 -3.31e+00 7.19e-01 4.00e-07 -3.51e-09 7.34e-02 1.05e+00 5.99e+02 2.96e+02 4.06e-05 4.98e+04 1.20e-02
Outer 12K 146 DE 3.64e+00 -3.35e+00 7.30e-01 2.33e-05 3.57e-05 7.32e-02 9.41e-01 6.37e+02 2.98e+02 4.10e-05 5.22e+04 1.22e-02
Outer 12K 147 DE 3.62e+00 -3.32e+00 6.36e-01 2.44e-05 3.54e-05 8.34e-02 1.09e+00 5.42e+02 2.79e+02 4.65e-05 4.18e+04 1.30e-02

Cuadro B.4: Estadı́sticos de los rodamientos analizados.

Utilizando la envolvente espectral, los resultados obtenidos son:

Figura B.1: Envolvente espectral de rodamientos sanos.

APÉNDICE B. RESULTADOS 51

Figura B.2: Envolvente espectral de rodamientos con fallo de carrera interna.

APÉNDICE B. RESULTADOS 52

Figura B.3: Envolvente espectral de rodamientos con fallo de carrera externa.

Por último, mostramos la clasificación obtenida para estos rodamientos:

Clasificacion
CWRU 97: Sano Sano
CWRU 98: Sano Sano
CWRU 99: Sano Sano
CWRU 100: Sano Sano
Clasificacion Clasificacion
CWRU 105: Inner Fallo Inner Race CWRU 130: Outer Fallo Outer Race
CWRU 106: Inner Fallo Inner Race CWRU 131: Outer Fallo Outer Race
CWRU 107: Inner Fallo Inner Race CWRU 132: Outer Fallo Outer Race
CWRU 108: Inner Fallo Inner Race CWRU 133: Outer Fallo Outer Race
CWRU 169: Inner Fallo Inner Race CWRU 144: Outer Fallo Outer Race
CWRU 170: Inner Fallo Inner Race CWRU 145: Outer Fallo Outer Race
CWRU 171: Inner Fallo Inner Race CWRU 146: Outer Fallo Outer Race
CWRU 172: Inner Fallo Inner Race CWRU 147: Outer Fallo Outer Race

Cuadro B.5: Clasificación de los rodamientos analizados.