Presentacion TEMA 6 Electrometría
Presentacion TEMA 6 Electrometría
Presentacion TEMA 6 Electrometría
Procesamiento de señales
Señal: “magnitud física de interés que varía con el tiempo, el espacio o
cualquier otra variable o variables independientes. Matemáticamente,
describimos una señal como una función de una o más variables
independientes. Existen casos en los que dicha relación funcional es
desconocida o demasiado complicada.”.
Sistema: dispositivo físico que realiza una operación sobre una señal.
Se caracteriza por el tipo de operación que realiza sobre la señal.
• Si la operación es lineal, el sistema se denomina lineal
• Si la operación es no lineal, el sistema se dice no lineal, etc.
Estas operaciones se denominan habitualmente procesamiento de señales
Clasificación de la señales
Se pueden clasificar en cuatro categorías dependiendo de las
características de la variable tiempo y de los valores que puede tomar:
• Analógicas, x(t): amplitud y tiempo continuos: definidas para todo t
y pueden tomar cualquier valor en el intervalo continuo (a,b),
donde a puede ser -∞ y b puede ser ∞.
• Muestreadas, xS[n]: tiempo discreto, amplitud continua. Los
instantes del tiempo no necesitan ser equidistantes. Si usamos el
índice n como la variable independiente que representa al tiempo,
la señal pasa a ser una función de una variable entera (es decir, una
secuencia de números). Por lo tanto, una señal en tiempo discreto
se puede representar matemáticamente como una secuencia de
números reales o complejos. Pueden originar de dos maneras:
• Eligiendo valores de una señal analógica en determinados
instantes de tiempo. Este proceso se denomina muestreo.
• Acumulando una variable a lo largo de un determinado periodo
de tiempo.
Procesamiento de señales
Clasificación de la señales
• Cuantizadas, xQ(t): tiempo continuo, amplitud discreta: Si una señal
toma todos los valores posibles en un intervalo tanto finito como
infinito, se dice que es continua.
• Digitales, xQ[n]: tiempo y amplitud discretos: Si toma valores de un
conjunto finito se dice que es discreta. Normalmente, estos valores
son equidistantes y por tanto pueden expresarse como un múltiplo
de la distancia entre dos valores sucesivos. Una señal en tiempo
discreto, que toma valores en un conjunto discreto se denomina
señal digital.
Procesamiento de señales
Otro inconveniente del procesado digital es que las señales reales son
analógicas, de variable continua; la precisión es infinita (rango y
dominio: continuos). Estas señales deben ser muestreadas y
digitalizadas para obtener una secuencia discreta de valores discretos
(rango y dominio: discretos) por lo que se ha de tener en cuenta que
se comenten errores en el muestreo y en la digitalización.
Procesamiento de señales
1. Acondicionamiento de la señal
Genera una señal aceptable por las tarjetas de adquisición de datos.
Las tarjetas de adquisición de datos suelen admitir niveles de tensión
entre unos márgenes determinados: -10V a 10V, 0 a 10V, 0 a 5V, etc...
Funciones principales:
• Transformación: Los sensores proporcionan ΔV, o ΔI. Las tarjetas de
adquisición de datos admiten ΔV, que no siempre coincide con las
que proporciona el sensor.
• Amplificación: La señal de los sensores deben ser amplificada para
ser detectada por la tarjeta de adquisición de datos. La
amplificación ha de recorrer todo el margen de la tarjeta de
adquisición de datos.
• Conversión por medio de optoacopladores: Conversión de una
señal eléctrica en una señal óptica. Con el objetivo de aislar
eléctricamente los sensores de la tarjeta de adquisición evitando
problemas de derivación de corrientes.
Procesamiento de señales
1. Acondicionamiento de la señal
• Filtrado: Elimina ruidos de alta frecuencia que pueden hacer perder
exactitud al sistema de adquisición de datos.
• Excitación: Hay muchos sensores que necesitan de una excitación,
bien en corriente, bien en tensión, para producir la variación
proporcional a la magnitud a medir.
• Linealización: Proceso de conversión de la respuesta del sensor en
lineal.
Procesamiento de señales
1. Acondicionamiento de la señal
Procesamiento de señales
3. PC de Procesamiento
El ámbito industrial o científico demandan procesos que requieren:
• Control automático que se realiza sin presencia humana
• Control inteligente toma decisiones en función del estado del proceso.
El desarrollo de los PCs en los últimos años ha posibilitado soluciones de
este tipo con un coste relativamente bajo.
Para relacionarse con el exterior necesita de una vía de comunicación, un
canal de transmisión y recepción de datos.
Las interfaces habituales entre el PC y el usuario son:
• El teclado para la entrada de datos
• La pantalla o impresora para la salida de datos.
• Comunicación a través de un módem que utiliza la línea telefónica
y que permite la transmisión de datos.
• El teléfono móvil o cualquier dispositivo capaz de comunicarse por
Wifi.
Procesamiento de señales
Ejemplo: Una onda senoidal con una frecuencia de 100 Hz. El Teorema de
Nyquist indica que debemos utilizar una frecuencia de muestreo> 200 Hz.
Procesamiento de señales
La diferencia principal entre estos dos tipos es que los AIC están
disponibles para un rango más amplio de aplicaciones, mientras que los
CODEC se orientan generalmente a las telecomunicaciones utilizando
cuantificación logarítmica y un ancho de banda fijo.
Procesamiento de señales
PROCESADO DE LA SEÑAL
El Procesamiento de señales trata de la representación, transformación y
manipulación de señales y de la importancia que contienen.
Con frecuencia se desea que estos sistemas funcionen en tiempo real, lo
que significa que el sistema en tiempo discreto se implementa de forma
que las muestras de salida se calculan a la misma velocidad a la que se
muestrea la señal en tiempo continuo.
Otro tipo de problemas del tratamiento de señales al que se enfrenta es
la interpretación de señales. Necesitan un procesado digital previo
(filtrado, estimación de parámetros, etc.) seguido por un sistema de
reconocimiento que produzca una representación simbólica.
Muchas aplicaciones requieren del análisis espectral de la señal, con las
nuevas transformadas rápidas se reduce el tiempo de cómputo. Los
algoritmos se pueden implementar en hardware digital específico.
Una de estas transformaciones es la Transformada de Fourier, que es una
herramienta utilizada para obtener la información frecuencial de una
determinada función.
Procesamiento de señales
TRANSFORMADAS
Las transformadas son herramientas matemáticas que convierte la señal
del dominio del tiempo al dominio de la frecuencia. Unas convierten las
señales temporales en señales de frecuencias simples (análisis de
Fourier) , y otras en señales que contienen una banda fija de frecuencia
(análisis wavelet).
Los dos instrumentos fundamentales en el Análisis de Fourier
relacionados con el estudio y procesamiento de señales son:
• Series de Fourier, que permiten la representación de una señal
periódica como superposición de ondas de base llamadas armónicos
• Transformada de Fourier, para las señales aperiódicas, tanto en su
versión continua como en su versión discreta.
Procesamiento de señales
TRANSFORMADAS
1. Series de Fourier
Joseph Fourier encontró que una función periódica se puede representar
como una suma infinita ponderada de términos en senos y cosenos (la
serie de Fourier).
Análisis Armónico, estudia la representación de funciones o señales
como superposición de ondas de base (los armónicos). En las series de
Fourier estos son sinusoidales y por tanto las series son trigonométricas.
El Teorema de Fourier establece que cualquier señal continua periódica
puede representarse como: 1 ∞
𝑓𝑓 (𝑡𝑡) = 𝑎𝑎0 + � [𝑎𝑎𝑛𝑛 cos(𝑛𝑛𝜔𝜔0 𝑡𝑡) + 𝑏𝑏𝑛𝑛 sin(𝑛𝑛𝜔𝜔0 𝑡𝑡)]
2 𝑛𝑛=1
∞
= 𝐶𝐶0 + � 𝐶𝐶𝑛𝑛 cos(𝑛𝑛𝜔𝜔0 𝑡𝑡 − 𝜃𝜃𝑛𝑛 )
𝑛𝑛=1
• ω0 (fr=ω0/2π) es la frecuencia frecuencia fundamental.
• an, bn, Cn y θn son los coeficientes de la Serie de Fourier que definen las
senoides cuya frecuencia es múltiplo de la fundamental
Componente fundamental: aquella cuya frecuencia coincide con la
fundamental (n=1). El resto son las componentes armónicas
Procesamiento de señales
TRANSFORMADAS
1. Series de Fourier
Cn y θn, son amplitud armónica y ángulo de fase.
a0/2 y C0 representan el valor medio de la función f(t) a lo largo de un
período por lo que reciben el nombre de componente continua.
2
𝑎𝑎0 = �𝑓𝑓(𝑡𝑡)𝑑𝑑𝑑𝑑
𝑇𝑇 𝑇𝑇
2 2
𝑎𝑎𝑛𝑛 = � 𝑓𝑓 (𝑡𝑡) ∙ cos(𝑛𝑛𝜔𝜔0 𝑡𝑡) 𝑑𝑑𝑑𝑑 𝑏𝑏𝑛𝑛 = �𝑓𝑓 (𝑡𝑡) ∙ sin(𝑛𝑛𝜔𝜔0 𝑡𝑡) 𝑑𝑑𝑑𝑑
𝑇𝑇 𝑇𝑇 𝑇𝑇 𝑇𝑇
𝑎𝑎0 𝑏𝑏𝑛𝑛
𝐶𝐶0 = 𝐶𝐶𝑛𝑛 = �𝑎𝑎𝑛𝑛2 + 𝑏𝑏𝑛𝑛2 𝜃𝜃𝑛𝑛 = tan−1 � �
2 𝑎𝑎𝑛𝑛
La Serie de Fourier se puede representar de forma que incluya los valores
eficaces de los distintos armónicos:
∞ 𝐶𝐶𝑛𝑛
𝑓𝑓 (𝑡𝑡) = 𝐶𝐶0 + � √2𝐶𝐶𝑛𝑛′ cos(𝑛𝑛𝜔𝜔0 𝑡𝑡 − 𝜃𝜃𝑛𝑛 ) donde 𝐶𝐶𝑛𝑛′ =
𝑛𝑛=1 √2
Una función periódica se descompone en una serie infinita de funciones
sinusoidales que tienen diferentes frecuencias, todas ellas múltiplos de la
frecuencia fundamental ω0
Procesamiento de señales
TRANSFORMADAS
1. Series de Fourier
Procesamiento de señales
TRANSFORMADAS
Forma compleja de las series de Fourier
En las series de Fourier es necesario especificar dos números para cada
frecuencia, la amplitud y la fase. Tales valores pueden representarse
mediante un sólo número complejo. Se consigue una notación más
compacta y una simplificación en la resolución de algunos problemas.
La forma compleja de la Serie de Fourier es:
𝑇𝑇
+∞ 2
1
𝑓𝑓 (𝑡𝑡) = � 𝑑𝑑𝑛𝑛 ∙ 𝑒𝑒 𝑗𝑗𝑗𝑗 𝜔𝜔 0 𝑡𝑡 𝑑𝑑𝑛𝑛 = � 𝑓𝑓(𝑡𝑡) ∙ 𝑒𝑒 −𝑗𝑗𝑗𝑗 𝜔𝜔 0 𝑡𝑡 𝑑𝑑𝑑𝑑
𝑇𝑇
𝑛𝑛 =−∞ 𝑇𝑇
−
2
TRANSFORMADAS
2. Transformada de Fourier
La Transformada de Fourier es aplicable a prácticamente cualquier tipo
de función, periódica o no, mediante las siguientes relaciones:
TRANSFORMADAS
2. Transformada de Fourier
Significado físico de la Transformada de Fourier
TRANSFORMADAS
3. La Transformada de Fourier Discreta (DFT)
Las funciones asociadas a la Transformada de Fourier son ecuaciones en
el dominio continuo del tiempo y de la frecuencia, o sea, que toman
infinitos valores en un intervalo finito de tiempo y de frecuencia. La
Transformada de Fourier Discreta ó DFT, posibilita el análisis de Fourier
en sistemas digitales.
Una ventaja de la DFT, es la existencia de algoritmos de cálculo que
permiten realizar este análisis con un número mínimo de operaciones.
Estos algoritmos se agrupan bajo la denominación de FFT (Fast Fourier
Transform o Transformada Rápida de Fourier), y optimizan los cálculos
necesarios para la DFT, siempre y cuando las señales implicadas cumplan
una serie de requisitos, como que el número de muestras sea una
potencia de 2.
Una vez alcanzada la expresión para la DFT, es necesario ver bajo qué
condiciones ésta es capaz de alcanzar la mejor aproximación a la
Transformada de Fourier.
Procesamiento de señales
TRANSFORMADAS
3. La Transformada de Fourier Discreta (DFT)
La DFT implica un muestreo, un truncado y la convolución de la señal
resultante con un tren de impulsos cuyo resultado es una señal periódica
discreta.
Para que el muestreo no implique pérdida de información, se debe
muestrear a una frecuencia superior a la que nos da el límite de Nyquist,
su Transformada de Fourier ha de tener una frecuencia máxima.
En el truncado y convolución, el objetivo es el de obtener una señal
periódica a partir de una porción de información de la señal original. En
primer lugar, como la señal a la que se llega es una señal periódica, la
señal original lo ha de ser también. Al hacer la convolución la señal
truncada pasa a ser un período representativo de nuestra señal final, por
lo tanto el truncado ha de abarcar exactamente a uno o varios períodos
de la señal original si se no se desea introducir error en este paso.
Si la señal original es periódica, después del muestreo ha de seguir
siéndolo. La frecuencia de muestreo debe ser múltiplo de la original.
Procesamiento de señales
TRANSFORMADAS
3. La Transformada de Fourier Discreta (DFT)
TRANSFORMADAS
3. La Transformada de Fourier Discreta (DFT)
Procesamiento de señales
TRANSFORMADAS
4. La Transformada Rápida de Fourier (FFT)
Es un algoritmo de cálculo de la DFT que requiere mucho menor esfuerzo
computacional que el cálculo directo de la DFT. Se basa en un cálculo
iterativo de los coeficientes de la DFT, se optimiza el número de
operaciones a realizar y el tiempo de cómputo de la transformada.
Tanto el tiempo de cálculo como el error de redondeo se reducen un
factor de (log2N/N), donde N es el número de muestras de la señal a
tratar. Por ejemplo si N=1024=210, el factor vale 102.4, o sea, que si el
cálculo directo de la DFT tarda 1 hora, la FFT estaría disponible en
solamente 35 segundos.
La FFT es un algoritmo relativamente sencillo.
Se han invertido grandes esfuerzos, ya sea en la búsqueda de algoritmos
que agilicen el cálculo de la DFT, por ejemplo los algoritmos de FFT, como
en el desarrollo de un hardware apropiado para este tipo de cálculos, tal
es el caso de los DSP
Procesamiento de señales
TRANSFORMADAS
5. Métodos básicos de Análisis Conjunto Tiempo-Frecuencia (ACTF)
El método más sencillo para caracterizar la frecuencia de una señal como
una función del tiempo era dividir la señal en varios bloques que se
podían solapar. Se aplica la Transformada de Fourier a cada bloque para
extraer los contenidos de frecuencia de cada uno de ellos. Este proceso
llegó a conocerse como la Transformada de Fourier en Tiempo Corto
(STFT) y refleja cómo los contenidos de frecuencia cambian con el
tiempo.
El tamaño de los bloques determina la precisión en tiempo. Cuanto más
pequeño es el bloque, mejor es la resolución temporal. Sin embargo, la
resolución en frecuencia es inversamente proporcional al tamaño del
bloque. Tradicionalmente, este fenómeno se conoce como efecto
ventana.
La expansión de Gabor puede considerarse como la inversa de la STFT.
Procesamiento de señales
TRANSFORMADAS
5. Métodos básicos de Análisis Conjunto Tiempo-Frecuencia (ACTF)
Los algoritmos ACTF permiten examinar el espectro instantáneo. Se
obtiene una mayor comprensión de la naturaleza de la señal.
1. Espectrograma STFT
El espectrograma basado en la STFT se define como el cuadrado de la
STFT, es simple y rápido pero sufre el efecto ventana.
TRANSFORMADAS
5. Métodos básicos de Análisis Conjunto Tiempo-Frecuencia (ACTF)
Señal de 3 tonos centrados (0.005s, 350Hz),(0.18s, 100Hz),(0.18s, 350Hz).
Con una ventana de banda estrecha el Con un ancho de banda mayor, el espectro
espectro dependiente del tiempo tiene dependiente del tiempo tiene una resolución
alta resolución en frecuencia pero baja en frecuencia pobre pero alta resolución
resolución temporal. temporal.
Procesamiento de señales
TRANSFORMADAS
5. Métodos básicos de Análisis Conjunto Tiempo-Frecuencia (ACTF)
2. Espectrograma de Gabor
El espectrograma de Gabor de cuarto orden para la señal test de tres
tonos. Presenta una alta resolución en tiempo y en frecuencia y no tiene
los términos cruzados de interferencia que aparecen en otras
distribuciones como las cónicas, Choi-Williams o Wigner-Ville.
Procesamiento de señales
TRANSFORMADAS
6. Teoría de wavelets
La STFT está limitada a una anchura de la ventana fija, lo cual significa
que la relación entre la resolución de la frecuencia y del tiempo, que a su
vez depende de la señal a analizar, debe ser fijada a priori para capturar
un fenómeno en particular.
Las wavelets son estructuras matemáticas más avanzadas capaces de
analizar señales no estacionarias en tiempo y frecuencia que implican no
sólo el análisis espectral sino también el temporal.
La Transformada Wavelet (TW) proporciona mayor resolución en el
tiempo para componentes de alta frecuencia de una señal y mayor
resolución en la frecuencia para componentes de baja frecuencia de una
señal. La TW proporciona una ventana que se ajusta automáticamente
para dar la resolución adecuada. El análisis Wavelet descompone una
señal conforme a una escala temporal, en lugar de la frecuencia, usando
funciones de base que tienen propiedades de variación de escala.
Procesamiento de señales
TRANSFORMADAS
6. Teoría de wavelets
Análisis tiempo frecuencia con la STFT Análisis tiempo frecuencia con la WT
Área constante
∆t frecuencia frecuencia
f f
∆f
TRANSFORMADAS
6. Teoría de wavelets
j y k son enteros y ψj,k(t) son las funciones wavelet que forman una base
ortogonal. La descomposición wavelet se basa en dilataciones y
traslaciones de la función ψ(t) o "wavelet madre". Los subíndices j y k
representan estas dilataciones y traslaciones.
Procesamiento de señales
TRANSFORMADAS
6. Teoría de wavelets
Procesamiento de señales
TRANSFORMADAS
6. Teoría de wavelets
Procesamiento de señales
TRANSFORMADAS
6. Teoría de wavelets
Descomposición wavelet de una señal discreta
La descomposición wavelet de una señal discreta f(n), donde n es el
número de muestras, es una suma de funciones expresada:
TRANSFORMADAS
6. Teoría de wavelets
Descomposición wavelet de una señal discreta
f(n) [0,fm/2] Hz
[fm/2,fm/4] Hz [0,fm/4] Hz
d1(n) a1(n)
[fm/4,fm/8] Hz [0,fm/8] Hz
d2(n) a2(n)
[fm/8,fm/16] Hz [0,fm/16] Hz
d3(n) a3(n)
Procesamiento de señales
TRANSFORMADAS
6. Teoría de wavelets
Descomposición wavelet de una señal discreta