GoniIbacetaIrene TFG Matematicas
GoniIbacetaIrene TFG Matematicas
GoniIbacetaIrene TFG Matematicas
de
Ciencias
GRADO EN MATEMÁTICAS
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.
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.
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
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
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:
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:
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.
X
lı́m fˆ(n)einx = f (x) (1.12)
N →∞
|n|≤N
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
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
1. Z
hf, f i = |f (x)|2 dx > 0 ⇔ f (x) > 0 en casi todo punto.
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:
||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:
hf, gi
α= y z = αg
|hf, gi|
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:
||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
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 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:
Como
lı́m |f (x) − fn (x)|2 = 0,
n→∞
lı́m kf − fn k = 0.
n→∞
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
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
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→∞
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
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.
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:
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
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
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
donde
1
1 sin (N + 2 )z
DN (z) = 2π sin z2
Usando que:
k
X 1 − rk+1
j
r =
j=0
1−r
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
Usando la periodicidad:
π
cos((N + 12 z)
Z
2π
|I| ≤ ∂z f (z) 1 dz ≤ kf kC 1
−π (N + 2 (N + 12 )
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
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
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
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)
∞
X
ḡ(x) = ĝ(n)einx
−∞
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
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 −∞ −∞
20
CAPÍTULO 2. LA TRANSFORMADA DE FOURIER 21
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
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=
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.
n=0 n=0
n=0 n=0
−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
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.
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
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.
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.
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:
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:
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:
Para poder mostrar mejor qué realiza nuestra función mostramos la siguiente imagen,
en la que mostramos las frecuencias comprendidas sólo entre 0 y 6.
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:
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.
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.
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.
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
Drive end
BPFI 5.4152*f r
BPFO 3.5848*f r
Frecuencia de Muestreo, f s 12000/24000
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:
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 ]
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
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
Figura 3.4: Espectro de frecuencia de un rodamiento sano, uno con fallo de carrera interna
y otro 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.
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.
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)
1
ĥ(t) = √ isign(ξ)
2π
obtenemos el resultado.
CAPÍTULO 3. CASO PRÁCTICO 41
1. Rodamiento sano:
Figura 3.9: Envolvente espectral de un rodamiento sano con fallo de carrera externa.
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
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
[2] J.A. Facenda, F.J. Freniche. Integración de Funciones de Varias Variables. Ediciones
Pirámide (2002).
[4] L. Carleson. On convergence and growth of partial sums of Fourier series. Acta Math,
Vol. 116, 1 (1996), 135- 137.
[7] G. B. Folland. Fourier Analysis and its Aplications. The Wadswordth & Books/Cole
Mathematics Series (1992).
[13] L. Manuel, M. González. Matemática Aplicada II. Dpto. Fı́sica, Universidad Nacional
de Rosario, Argentina (2011).
45
BIBLIOGRAFÍA 46
[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.
[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
Teoremas útiles
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→∞
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
49
APÉNDICE B. RESULTADOS 50