Вы находитесь на странице: 1из 40

Introduo: Anlise Espectral

Prof. Dr. Samuel da Silva


sam.silva13@gmail.com

Universidade Estadual do Oeste do Paran


Centro de Engenharias e Cincias Exatas

Tpicos e Conceitos Importantes

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 2

O que anlise espectral?


Definies iniciais
Densidade espectral de potncia
Periodograma e suas propriedades estatsticas
Periodograma de Welch
Estimativa no-paramtrica de funes de transferncia
Exemplos prticos
Referncias para estudo

O que anlise espectral?

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 3

Meta: Descrever a distribuio sobre freqncia da potncia contida em


um sinal com base em um conjunto finito de amostras.
Ferramentas so teis em anlise modal, acstica, telecomunicaes,
identificao de sistemas, processamento de imagens, etc.

Importante: Assume-se que os sinais, tanto de entrada como de sada de


um sistema linear qualquer, so aleatrios, ou seja, no se consegue
prever seus estados futuros. Estes sinais tambm no so peridicos e
nem transientes, portanto a rigor no podemos utilizar diretamente as
ferramentas de anlise de Fourier estudadas at o momento
necessrio utilizar ferramentas estatsticas A maioria dos casos
reais contm estas caractersticas e portanto devem ser analisados
com as ferramentas clssicas desta aula.

Definies Bsicas

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 4

Vrios termos utilizados em anlise espectral so novos para a maioria


dos alunos de graduao, portanto interessante fazer uma definio de
alguns termos bsicos.
Processo estocstico: graficamente pode ser expresso por um conjunto
de testes com amostras aleatrias xk[n] com k=1,2,..,K realizaes e
n=1,2,...,N pontos cada, ou seja:
x1

-5

10

20

30

40

50
Amostras

60

70

80

90

100

10

20

30

40

50
Amostras

60

70

80

90

100

10

20

30

40

50
Amostras

60

70

80

90

100

2
x2

0
-2
-4

x3

Portanto, s possvel
investigar as caractersticas
mdias deste processo.

-5

Definies Bsicas

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 5

Momentos estatsticos: mtricas utilizadas para descrever as


caractersticas de processos estocsticos:
1 K
m[k ] = lim x k [n ]
K K
k =1

Valor mdio: momento de 1. ordem.

Entres os momentos estatsticos mais importantes se destacam as


funes de autocorrelao (FAC) e funes de correlaes cruzadas
(FCC).
Sendo m: o nmero de atrasos
FAC:
1 K
FAC: mdia do produto entre
R xx (n , m ) = lim x k [n ]x k [n + m]
K K
xk[n] e xk[n+m].
k =1
FCC:
FCC: mdia do produto entre
K
1
xk[n] e yk[n+m].
R xy (n , m ) = lim x k [n ]y k [n + m]
K

k =1

Definies Bsicas

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 6

Processo estacionrio: Um processo dito estacionrio se suas


propriedades estatsticas no variam com o tempo (se mantm constante).
2.5
2

12

15

1.5

10

x1

1
0.5

-0.5

10

-1

-1.5

0
-3

-2
-2.5

20

40

60

80

100
120
Amostras

140

160

180

-2

-1

0
-3

-2

-1

200

10

Sinais no-estacionrios
so comuns em engenharia
e devem ser tratados com
ferramentas de
processamento adaptativo.

12
10

8
6
6
4
4
2
0
-4

2
-2

0
-4

-2

Definies Bsicas

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 7

Processo ergdico: Um processo dito ergdico quando as propriedades


mdias calculadas no tempo para qualquer realizao so iguais s
propriedades calculadas a partir das mdias do conjunto. Assim as FAC e
FCC de processos estacionrios e ergdicos se tornam dependentes
apenas dos atrasos m:
R xx (n , m ) = R xx (m )

R xy (n , m ) = R xy (m )

Existem vrios mtodos temporais para se estimar as correlaes (pois


dificilmente elas so conhecidas por serem baseadas na definio de um
limite). Um dos mais conhecidos o mtodo de Levinson-Durbin.
A rigor deveramos utilizar os termos funo de
autocovarincia e funo de covarincia cruzada, que so
iguais as FAC e FCC, mas retirando o efeito da mdia.

Potncia Espectral

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 8

Agora podemos definir o Espectro de Potncia (EP) de um sinal aleatrio


x[n] descrito por um processo estocstico, estacionrio e ergdico atravs
da transformada de Fourier da FAC Rxx[m] em funo da freqncia
normalizada (rad/amostra):

Sxx () =
A partir da relao: = 2 f F

Sxx (f ) =

R xx (m )e

m =

2 jf m

Fs

j m
(
)
R
m
e
xx

m =

sendo Fs a taxa de amostragem se


obtm o EP em funo da freqncia
fsica em Hz:
Na prtica calculadas a partir da
TDF usando algoritmos FFT.

Potncia Espectral

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 9

A partir da transformada inversa de Foueir do EP pode-se obter as funes


de correlaes:
Fs

1
1
j m
(
)
R xx (m ) =
S

e
d

=
xx
2
Fs

Fs

Sxx (f ) e

2 jf m

Fs

df

A potncia mdia de um sinal x[n] em um intervalo de Nyquist pode ser


calculada por:
Definem-se:
R xx (0 ) =

Sxx ()
d =
2

Fs

Fs

Sxx (f )
df
Fs

Sxx ()
Pxx () =
2
Sxx (f )
Pxx (f ) =
Fs

Densidade Espectral de Potncia


Sxx ()
(
)
Pxx =
2

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 10

Sxx (f )
Pxx (f ) =
Fs

Pxx() e Pxx(f) so definidos como Densidade Espectral de Potncia


(PSD) do sinal x[n].
PSD representa a potncia contida em um sinal em uma banda de
freqncia infinitesimal, da o a definio de densidade.
As unidades da PSD so potncia (e.g, watts) por unidade de freqncia.
No caso de
watts/radianos.

Pxx()

watts/radiano/amostra

J para o caso de Pxx(f) watts/Hz.

ou

simplesmente

Densidade Espectral de Potncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 11

A potncia mdia de um sinal x[n] sobre uma banda de freqncia em


particular, [1, 2], pode ser calculada pela integral da PSD:
2

P[1 , 2 ] = Pxx ()d +


1

P ()d
xx

Para sinais reais x[n] a PSD simtrica e portanto o intervalo de 0 at


suficiente para descrever completamente a PSD.
Entretanto, para obter a potncia mdia no intervalo de Nyquist
necessrio introduzir o conceito de PSD one-sided:

0
Ponesided () =
2Pxx ()

<0
0<

Densidade Espectral de Potncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 12

A potncia mdia de um sinal x[n] real sobre uma banda de freqncia em


particular, [1, 2], pode alternativamente ser calculada a partir da PSD
one-sided:
2

P[1 , 2 ] = Ponesided ()d


1

Mtodos para estimar PSD

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 13

O clculo da PSD partir da FAC no usual:

Sxx () =

j m
(
)
R
m
e
xx

m =

Sxx ()
(
)
Pxx =
2

Alternativamente existem trs categorias de mtodos para estimar a PSD:


Mtodos no-paramtricos (Periodograma, Welch, Correlograma, etc).
Mtodos paramtricos (Modelos AR, Yule-Walker, etc).
Mtodos de subespao.
Iremos estudar resumidamente apenas os mtodos noparamtricos clssicos: Periodograma e Periodograma de Welch.

Periodograma

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 14

O estimador espectral no-paramtrico mais usado e simples o


Periodograma definido como:

P (f ) = X(f )
xx
Fs L

Sendo X (f) a TF do sinal


aleatrio x[n] com L pontos:

X(f ) =

x[n ]e

2 jf n

Fs

n =

J a PSD cruzada entre dois sinais x[n] e y[n] pode ser obtida por:
*
(
)
(f )
X
f
Y
P (f ) =
xy
Fs L

Periodograma

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 15

Lembrando que no clculo da TDF o espectro divido em N pontos:


fk =

Fs
k , k = 0,1, L , N 1
N

O Periodograma pode ser definido em funo da TDF X(fk) com N pontos:

Pxx (f k ) =

X(f k )

Fs L
Infelizmente o periodograma obtido a partir da operao acima fornece
estimativas pobres devido problemas relacionados resoluo,
polarizao e varincia.
Soluo: Utilizao de janelas, o que d origem ao Periodograma
Ponderado e/ou diviso em segmentos o que d origem ao Periodograma
de Welch.

Periodograma Ponderado

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 16

Visando melhorar a estimativa espectral o periodograma modificado


considerando o efeito de janelas no-retangulares:
P (f ) = X(f )
xx
Fs LU

Sendo X(f) a TDF do sinal janelado e U uma constante de normalizao do


efeito da janela:
1 L 1
2
U = w [n ]
L n =0

Onde w[n] a janela e L o comprimento do sinal x[n]. U independente


da escolha da janela.

Propriedades do Periodograma

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 17

A resoluo um dos aspectos chaves em anlise espectral, principalmente


em caso de sinais com dois componentes de freqncias f1 e f2 muito
prximos. Nestes casos aconselhvel que a resoluo f seja:

f = (f1 f 2 ) >

Fs
L

Polarizao do Periodograma: O valor esperado do periodograma


definido como (sendo E(.) a esperana matemtica):

X(f )
E
Fs L

Fs

1 2
2
Pxx ( ) W (f ) d
=

Fs L Fs
2

Sendo W[f] o espectro da janela.


O periodograma ponderado assintoticamente no-polarizado.

Propriedades do Periodograma

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 18

Outra propriedade importante do periodograma a sua varincia, que pode


ser responsvel por estimativas pobres. Sua definio dada abaixo:
Varincia do Periodograma: aproximadamente:

sen 2L f
X(f )
2

Fs
var
Pxx (f )1 +
Lsen 2 f
Fs L
Fs

2

)
)
2

Ou seja, a varincia no tende zero quando o nmero de pontos de x[n]


tende ao infinito. Varincia e Polarizao so questes conflitantes!
Em termos estatsticos o Periodograma s fornece estimativas razoveis se
a relao sinal rudo (SNR) for alta.

Periodograma de Welch

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 19

O Periodograma de Welch pode ser interpretado como uma tentativa de


se implementar o Periodograma ponderado quando se dispe de apenas
uma realizao de x[n].

O sinal disponvel x[n] dividido em I trechos com comprimento M e


com sobreposio (overlap) entre trechos (tipicamente 50% ou 75%).

Em seguida calcula-se o periodograma Pxx() para cada trecho e em


seguida calcula-se a mdia aritmtica dos mesmos.

Como conseqncia deste procedimento a varincia do Periodograma


reduzida.

Porm uma reduo na varincia produz um aumento da polarizao, e


portanto uma reduo da resoluo espectral, pois os segmentos tem
comprimento M<L+1.

Periodograma de Welch

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 20

O uso de janelas tambm provoca fatores conflitantes: quanto mais


suave o comportamento da janela no tempo, maior a reduo da
varincia do estimador, porm, menor a resoluo em freqncia.

Isto ocorre, porque comportamento suave no tempo reduz a amplitude


dos lbulos laterais do espectro da janela, o que reduz a varincia da
estimativa espectral.

Concluso: com o mtodo de Welch ganha-se em termos de varincia


mas perde-se em termos de resoluo, e portanto, de polarizao.

O periodograma de Welch pode ser calculado no Matlab com o auxlio da


funo pwelch.m. que j foi utilizada neste curso.
Na prtica deve-se testar vrios comprimentos dos segmentos at se
chegar uma concluso razovel.

Exemplo

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 21

Este exemplo mostra a anlise espectral do mesmo sinal utilizado no


laboratrio sobre janelas.

Exemplo

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 22

Exemplo

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 23

Potncia mdia obtida pelo Periodograma: 1.7581


10

10

Amplitude [watts/Hz]

10

10

10

10

10

-1

-2

-3

-4

-5

-6

PSD obtido pelo periodograma


PSD do sinal obtido por Welch

10

-7

10

15

20
25
30
Freqncia [Hz]

Potncia mdia obtida por Welch: 1.7547

35

40

45

50

Estimativas de Funes de Transferncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 24

Uma das aplicaes mais comuns de PSD para estimar de forma noparamtrica funes de transferncia de sistemas no-lineares e invariantes
com o tempo a partir de dados de entrada/sada obtidos de testes
experimentais.

x[n]

y[n]
h[n]

Ou seja, conhecidos os sinais de excitao x[n] e de resposta y[n] qual


o sistema h[n]?

Estimativas de Funes de Transferncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 25

O mtodo mais simples o de varredura em freqncia, ou seja, aplicando


um sinal puramente aleatrio x[n] (rudo branco) que contm espectro em
toda a banda e calculando o espectro do sinal de sada, chega-se :
Y()

H() =
X()

Na prtica esta relao obtida a partir da TDF. Este mtodo conhecido


como Estimativa emprica das funes de resposta em freqncia.
Infelizmente este estimador se mostra pssimo em termos prticos!
Razo: efeitos de rudo fazem com que este estimador seja altamente
polarizado.
Na prtica estes estimadores so escritos em funo das FAC e FCC.

Estimativas de Funes de Transferncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 26

Pode-se mostrar que a FCC entre x[n] e y[n], Rxy[i], igual a convoluo
entre h[n] e a FAC de x[n], Rxx[i]. Esta relao conhecida como equao
de Wiener-Hopf:

R xy [i ] = h[ j]R xx [i j]
j= 0

Rxx[n]

Rxy[n]
h[n]

Atravs da estimativa das FAC e FCC pode-se calcular h[n] a partir desta
equao. Este mtodo conhecido como Mtodo das Correlaes.
Porm, a meta aqui obter esta estimativa em termos espectrais. Para isto
vamos utilizar as PSD e PSD cruzada dos sinais x[n] e y[n].

Estimativas de Funes de Transferncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 27

Um dos estimadores espectrais clssicos de funes de tranferncia o


estimador H1 definido como:

H1 (f ) =

Pxy (f )

Pxx (f )

O estimador H1 utilizado principalmente quando o rudo afeta mais os


sinais de respostas. Este estimador j esta implementado no Matlab com a
funo tfestimate.m.
Outro estimador usual o H2 utilizado quando o rudo afeta mais o sinal de
entrada:

H 2 (f ) =

Pyy (f )

Pyx (f )

Estimativas de Funes de Transferncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 28

Um dos estimadores espectrais mais genrico o Hv, utilizado quando o


rudo afeta bastante tanto os sinais de entrada quanto os sinais de sada:
H v (f ) = H1 (f )H 2 (f )

Funo de Coerncia

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 29

A magnitude quadrada da funo de coerncia entre dois sinais x[n] e y[n]


definida por:

C xy () =

Sxy ()

Sxx ()S yy ()

O resultado da funo de coerncia sempre um valor real entre 0 e 1.


Se a coerncia de um sinal prxima 1 para uma determinada banda de
freqncia, significa que nesta faixa obteve-se uma boa estimativa da
funo de transferncia de um sistema, quando este recebe como entrada
x[n] e produz na sada y[n]. Ou seja, as estimativas de H1 e H2 so
prximas.
No matlab a funo de coerncia estimada a partir do mtodo de Welch
com o auxlio da funo mscohere.m.

Exemplo Prtico 1

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 30

Considere um sistema massa-mola-amortecedor de dois graus de liberdade


descrito pelas matrizes de massa, amortecimento e rigidez:
1 0
M=

0 1
3.21 - 2.00
C=

- 2.00 2.01
3200 2000
K=

2000 2000

A excitao um sinal aleatrio x[n] (rudo branco) na massa 1. O


sinal medido o deslocamento na massa 1.

Exemplo Prtico 1

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 31

Exemplo Prtico 1

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 32

Estimadores H1, H2 e Hv da FRF H(1,1). Utilizou-se Periodograma de


Welch com janela retangular, overlap de 50%, nmero de pontos por
registro de 1500 amostras.

Exemplo Prtico 1

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 33

Estimadores H1, H2 e Hv da FRF H(1,1). Utilizou-se Periodograma de


Welch com janela Hanning, overlap de 50%, nmero de pontos por
registro de 1500 amostras.

Exemplo Prtico 1

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 34

Estimadores H1, H2 e Hv da FRF H(1,1). Utilizou-se Periodograma de


Welch com janela Hanning, overlap de 75%, nmero de pontos por
segmento de 500 amostras.

Exemplo Prtico 2

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 35

Este exemplo tem como meta identificar de forma no-paramtrica a


funo de transferncia entre a voltagem de entrada/sada em atuadores
piezocermicos (PZTs) colados em uma viga de alumnio.

Exemplo Prtico 2

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 36

Uma relao tpica entre sinais de entrada e sada medidos com taxa de
amostragem de 102.4 kHz e 8192 pontos apresentado abaixo:
Baseline - Without Damage - PZT1
1

Input [V]

0.5
0
-0.5
-1

0.01

0.02

0.03

0.04
Time [s]

0.05

0.06

0.07

0.08

0.01

0.02

0.03

0.04
Time [s]

0.05

0.06

0.07

0.08

Response [V]

4
2
0
-2
-4

Exemplo Prtico 2

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 37

Resultados da estimativa das funes de transferncia (H1) atravs do


mtodo de Welch com janela Hanning com 4096 pontos e 3000 pontos de
sobreposio. Range de freqncia de interesse de 25 45 kHz.
PZT1

Real Part [V/V]

-1
-2
-3
-4
-5
2.5

Baseline
Damage 1
Damage 2
Damage 3
3

3.5
Frequency [Hz]

4.5
x 10

Imaginary Part [V/V]

-1
Baseline
Damage 1
Damage 2
Damage 3

-2
-3
-4
-5
2.5

3.5
Frequency [Hz]

4.5
x 10

Exemplo Prtico 2

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 38

PZT2

Real Part [V/V]

-1

-2

-3

-4
2.5

Baseline
Damage 1
Damage 2
Damage 3
3

3.5
Frequency [Hz]

4.5
x 10

Imaginary Part [V/V]

-1
Baseline
Damage 1
Damage 2
Damage 3

-2
-3
-4
-5
2.5

3.5
Frequency [Hz]

4.5
x 10

Exemplo Prtico 2

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 39

Funo de coerncia das estimativas no PZT1 e PZT2


Magnitude - PZT1

1
0.98
0.96
0.94
0.92
0.9
2.5

3.5
Frequency [Hz]

3.5
Frequency [Hz]

4.5
x 10

Magnitude - PZT2

1
0.95
0.9
0.85
0.8
2.5

4.5
x 10

Referncias

S. Silva, CECE/UNIOESTE
Introduo: Anlise Espectral 40

Para saber mais:


Stoica, P. and Moses, R. L. Introduction to Spectral Analysis. PrenticeHall, 1997.
Oppenheim, A. V. and Shafer, R.W. Discrete-Time Signal Processing.
Pretince-Hall, 1989, p. 730-742.
Kay, S. M. Modern Spectral Estimation Theory and Application,
Pretince Hall Signal Processing Series, Englewood Cliffs, N. J.
Arruda, J.R. F. and Huallpa, B. N. Anlise Espectral de Sinais e
Sistemas Mecnicos Lineares, Livro em publicao, 2006.