En este artículo se presentan dos algoritmos para estimar el periodo de una señal, dado un conjunto de datos discretos, estos algoritmos superponen dos secciones de datos a varios periodos. El primer algoritmo cuenta el número de puntos que se mezclan por cada periodo, mientras el segundo, calcula la distancia entre los puntos cuando se ordenan por tiempo. De esta manera, el mejor candidato para periodo maximiza el número de puntos que se mezclan en el primer algoritmo, mientras que en el segundo, minimiza la distancia entre puntos.
La validación experimental con señales sin ruido, demuestra que el error relativo de las estimaciones cae por debajo de la mitad del periodo de muestreo, y a su vez, muestra que ese error no depende del contenido armónico de la señal, como ocurre con los algoritmos para estimar periodo. La aplicación de los algoritmos demuestra que pueden seguir la frecuencia de un sistema de potencia y además, pueden aproximar el periodo de un oscilador Van der Pol, lo cual sirve para confirmar que estos algoritmos se pueden aplicar para solucionar problemas en tiempo real.
Introducción
La discretización realizada por un dispositivo electrónico para registrar muestras de una señal analógica depende de la memoria del dispositivo, de la frecuencia de su reloj interno y de la precisión requerida. Sin embargo, en general, no depende del periodo de la señal en sí, ya que este valor casi siempre es desconocido. Así, en general, la medición de señales discretas produce puntos de datos que no coinciden con el periodo de la señal y, en consecuencia, el cálculo del periodo resulta en una mera aproximación al valor real. Los inevitables errores que se producen al estimar un periodo influyen en una gran variedad de procesos, como la reconstrucción y la predicción de la señal.
Dada la disponibilidad de varios métodos para reconstruir una señal dado su periodo y dados los datos apropiados muestreados a una tasa adecuada (Petrovic y Stevanovic, 2011), el problema consiste en estimar el periodo de una señal o, de forma equivalente, aproximar su frecuencia fundamental.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Video:
Cinco pasos fáciles para resolver sus retos de marketing digital usando analítica de datos masivos
Artículo:
Metodología simplificada para el análisis de fiabilidad y la asignación de componentes no idénticos con 3 modos de fallo en sistemas en serie y en paralelo
Artículo:
Datos masivos en diseño e ingeniería de fabricación
Artículo:
Perspectivas sobre datos masivos y analítica de datos masivos
Artículo:
Una revisión sobre inteligencia empresarial y datos masivos
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Software:
Simulación del proceso de extracción sólido-líquido EXTSL