Programa de Engenharia Civil

PEC COPPE/UFRJ

Expansão em Séries de Fourier

- Implementação do DFT -

Dinâmica de Sistemas Discretos

Prof.: Webe Mansur
Aluno: Michael Leone Madureira de Souza
DRE: 118080837
[Link]@[Link]
Sumário

1 Introdução 1

1.1 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 Abordagem Teórica 2

2.1 Expansões em séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 2

2.2 Formulação numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

2.3 Considerações sobre a análise no domı́nio da frequência . . . . . . . . . . . 3

2.3.1 Teorema de Nyquist e o fenômeno de aliasing . . . . . . . . . . . . 4

2.3.2 Ruı́dos no sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3 Aplicações 5

3.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.2 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.2.1 Sinal ı́ntegro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.2.2 Sinal com ruı́do . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

3.3 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.3.1 Sinal ı́ntegro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.3.2 Sinal com ruı́do . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3.3.3 Sinal medido com aliasing . . . . . . . . . . . . . . . . . . . . . . . 11

3.4 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3.4.1 Sinal aleatório . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

Referências 17
Lista de Figuras

1 Análise em frequência de y(t) = 5sen(2πt) . . . . . . . . . . . . . . . . . . 6

2 Ilustração do conceito de ângulo de fase . . . . . . . . . . . . . . . . . . . . 7

3 Análise em frequência de y(t) = 5sen(2πt) + ruı́do . . . . . . . . . . . . . . 8

4 Análise em frequência de y(t) = 0, 7sen(2πt) + sen(6πt) . . . . . . . . . . . 9

5 Análise em frequência de y(t) = 0, 7sen(2πt) + sen(6πt)+ ruı́do . . . . . . 11

6 Análise em frequência de y(t) = 0, 7sen(2πt) + sen(6πt) medido com aliasing 12

7 Ilustração do conceito de ângulo de fase . . . . . . . . . . . . . . . . . . . . 13

8 Análise em frequência de um sinal aleatório com fa = 8 Hz . . . . . . . . . 14

9 Análise em frequência de um sinal aleatório com fa = 80 Hz . . . . . . . . 15

10 Análise em frequência de um sinal aleatório com fa = 500 Hz . . . . . . . . 16

Expansão em Séries de Fourier Michael L. M. de Souza

1 Introdução

Sistemas fı́sicos reais são estudados em diversas áreas do conhecimento através de

medições experimentais. No caso da dinâmica estrutural essas medições ocorrem com
o auxı́lio de acelerômetros, por exemplo, que invariavelmente são ligados a sistemas de
aquisição, associados à filtros, condicionadores e amplificadores.

O objetivo é a medição dos sinais produzidos pelo fenômeno ou sistema fı́sico estudado
que são captados de forma discreta em função das limitações dos instrumentos utilizados
nos ensaios, bem como na capacidade de armazenamento computacional de informações.

O estudo de sinais é complexo e está presente na engenharia civil, mecânica, naval,

elétrica, de telecomunicações, entre outras. Diversas técnicas foram formuladas para
identificar as informações contidas nesses sinais. A análise dessas informações pode
ocorrer nos domı́nios do tempo ou da frequência. É necessário ressaltar que existem
outros domı́nios que foram propostos na literatura, porém não fazem parte do escopo do
presente trabalho. Para mais informações sobre outros domı́nios e suas aplicações ver
(Bucher, 2001).

A transformação da análise do domı́nio do tempo para frequência, ou vice-versa, ocorre

em função das limitações inerentes aos respectivos domı́nios para acesso de informações
de interesse para um projeto ou pesquisa. Por exemplo, é possı́vel obter a taxa de
amortecimento do 1º modo de vibração a partir do sinal no domı́nio do tempo (técnica
de decremento logarı́tmico), porém, não é possı́vel verificar as frequências naturais mais
excitadas e suas amplitudes.

Uma das abordagens mais difundidas na análise de sinais são as transformadas de

Fourier que levam esse nome em homenagem ao matemático francês Jean Baptiste Joseph
Fourier. Essas formulações tratam mais especificamente de expansões de funções periódicas
em termos de um somatório de senos e cossenos com o objetivo de criar uma ponte
entre o domı́nio do tempo e da frequência. A técnica mais simples de transformação
tempo-frequência é denominada DFT (discrete Fourier transform) e será o objeto de
estudo deste trabalho.

1.1 Objetivo

O presente trabalho tem o objetivo de introduzir o estudo de sinais no domı́nio da

frequência, através das chamadas transformadas de Fourier. Para tal, será desenvolvido
um algoritmo que aplique a técnica denominada DFT (discrete Fourier transform) em
sinais sintéticos obtidos por simulações computacionais.

Serão abordadas também algumas considerações sobre a análise de sinais, tais como o
fenômeno de aliasing, a presença de ruı́dos e sinais aleatórios.

1
Expansão em Séries de Fourier Michael L. M. de Souza

2 Abordagem Teórica

2.1 Expansões em séries de Fourier

Qualquer função periódica em relação ao tempo pode ser representada através de uma
soma infinita de séries de senos e cossenos. A essa formulação foi dado o nome de expansão
de séries de Fouries que é expressa matematicamente pela Eq. 1, (Rao, 2011).

∞
a0 X
x(t) = + an cos(nωt) + bn sen(nωt) (1)
2 n=1

onde a0 , an e bn representam os coeficientes dados pelas Eq. 2, 3 e 4, ω a velocidade

angular, n o ı́ndice da série, t o tempo e τ representa o perı́odo da função, τ = 2π
ω
. É
1
válido relembrar neste momento que a frequência é o inverso do perı́odo, f = τ .

2π
Z Z τ
ω ω 2
a0 = x(t)dt = x(t)dt (2)
π 0 τ 0

2π
Z Z τ
ω ω 2
an = x(t)cos(nωt)dt = x(t)cos(nωt)dt (3)
π 0 τ 0

2π
Z Z τ
ω ω 2
bn = x(t)sen(nωt)dt = x(t)sen(nωt)dt (4)
π 0 τ 0

A partir da fórmula de Euler, Eq. 5, é possı́vel representar a série de Fourier em

termos complexos, Eq. 6. Apesar de inicialmente parecer uma escolha questionável, a
formulação complexa da expansão de séries de Fourier diminui o número de integrais e
coeficientes a determinar, ou seja, reduz de três coeficientes (a0 , an e bn ) para somente
um, cn .

eir = cosr + i senr ou e−ir = cosr − i senr (5)

∞
X
x(t) = cn einωt dt (6)
n=−∞

onde cn é o coeficiente dado pela Eq. 7.

Z τ
1
cn = x(t)e−inωt dt (7)
τ 0

2
Expansão em Séries de Fourier Michael L. M. de Souza

2.2 Formulação numérica

Conforme exposto no Capı́tulo 1, o estudo de sistemas fı́sicos se da a partir de medições

discretas, e não contı́nuas, dos fenômenos de interesse. Além disso, o elevado número de
dados obtidos durante uma medição torna quase que impositivo o uso de computadores
no processamento de sinais. Surge então a necessidade de revisar a formulação descrita
no item 2.1 para que seja possı́vel seu cálculo a partir de métodos numéricos.

A DFT é a metodologia mais simples de transformação de um sinal no domı́nio do

tempo para o domı́nio da frequência. Sua formulação é dada pela Eq. 8.

N −1
1 X −i2πnk
Xk = xn e N (8)
N n=0

onde k representa o ı́ndice da resposta na frequência, n, que varia n = 0, 1, 2, ... (N − 1),

representa o ı́ndice da resposta no tempo, X a resposta no domı́nio da frequência, x o
valor da função periódica e N o número de amostras obtidas.

Após calcular Xk é possı́vel visualizar a resposta real e imaginária para cada valor de
frequência avaliado. Os gráficos Re(X) × A (parte real versus amplitude), bem como
Im(X) × A (parte real versus amplitude), são simétricos, conforme demonstrado no
Capı́tulo 3.

Para a obtenção do espectro e ângulo de fase esse vetor X deve ser multiplicado por 2
e reduzido à primeira metade de seus valores, descartando, portanto, sua metade inferior.
Esse processo ocorre para que seja possı́vel representar os valores corretos das amplitudes
de cada frequência identificada, com seus respectivos ângulos de fase.

2.3 Considerações sobre a análise no domı́nio da frequência

Alguns conceitos sobre amostragem e processamento de sinais devem ser estabelecidos

para facilitar o entendimento da análise em frequência.

A análise no domı́nio da frequência permite verificar de forma direta as frequências

contidas no sinal, assim como suas respectivas amplitudes, a partir de gráficos conhecidos
na literatura como ”espectros de frequências”. Esses ”espectros”são calculados através do
módulo da resposta complexa obtido para cada valor discreto Xk calculado pela Eq. 8.

O ”ângulo de fase”representa o deslocamento (no eixo dos graus) de cada frequência

que compõe o sinal em relação a função cosseno. Para tal, verifica-se o ângulo que cada
resposta que compõe o vetor complexo X faz com o eixo horizontal Re no plano Re × Im.

Define-se frequência de amostragem, fa , como o número de amostras (pontos discretos)

obtidas no intervalo de 1 segundo. Então, a partir do conhecimento do tempo de duração

3
Expansão em Séries de Fourier Michael L. M. de Souza

T do sinal avaliado, obtém-se o número de amostras N aplicando a Eq. 9

N = T × fa (9)

A resolução em frequência é obtida a partir da Eq. 10 e representa as frequências

avaliadas nos gráficos de espectros de frequência.

fa
Rf = (10)
N

2.3.1 Teorema de Nyquist e o fenômeno de aliasing

De acordo com o Teorema de Nyquist a frequência de amostragem de um sinal deve ser,

no mı́nimo, o dobro da máxima frequência presente no sinal. Quando esse critério é violado
ocorre o fenômeno denominado aliasing, que é caracterizado por uma representação errônea
das frequências presentes no sinal estudado, (Arco-Verde, 2008).

Neste trabalho é fácil evitar o aliasing em função de o sinal ser conhecido. Porém, essa
informação não é trivial quando da análise de sistemas reais. Portanto, para evitar esse
fenômeno, são utilizados filtros anti-aliasing, também conhecidos por filtros passa-baixo.

Ainda de acordo com Nyquist a resposta no espectro deve ser limitada à metade da
frequência de amostragem, em função de frequências superiores a esse valor serem de
difı́cil medição, Eq. 11.

fa
Fmax = (11)
2

2.3.2 Ruı́dos no sinal

A presença de ruı́dos no sinal de medição é um fator presente quando da análise

de sinais reais. Esse processo ocorre por inúmeros motivos, tais como interferência da
rede elétrica, limitações dos sistemas de aquisição e arquivamento de dados, etc. O nı́vel
de ruı́do interfere diretamente na qualidade do espectro em frequência obtido, conforme
demonstrado no Capı́tulo 3.

4
Expansão em Séries de Fourier Michael L. M. de Souza

3 Aplicações

3.1 Introdução

De forma a exemplificar a análise de um sinal no domı́nio da frequência foi desenvolvida

uma rotina em Matlab para aplicar a transformada de Fourier denominada DFT. De forma
complementar, em alguns desses exemplos são abordados os conceitos de amostragem, do
fenômeno de aliasing e a presença de ruı́dos. Os sinais escolhidos são:

(i) y(t) = 5sen(2πt)

(ii) y(t) = 0, 7sen(2πt) + sen(6πt)

(iii) sinal aleatório

3.2 Exemplo 1

3.2.1 Sinal ı́ntegro

Função: y(t) = 5sen(2πt)

Frequência de amostragem: fa = 8 Hz

Duração do sinal: T = 2 s

5
Expansão em Séries de Fourier Michael L. M. de Souza

5
Sinal
Amostragem

Amplitude
0

-5
0 0.5 1 1.5 2
Tempo [s]

(a) Sinal de y(t) no tempo e amostragem realizada

3 1

2
0.5
Parte Imaginária

0 Parte Real 0

-1
-0.5
-2

-3 -1
0 2 4 6 8 0 2 4 6 8
Frequência [Hz] Frequência [Hz]

(b) Parcela imaginária (c) Parcela real

5 0

4
-0.5
Fase [π rad]
Amplitude

3
-1
2

-1.5
1

0 -2
0 1 2 3 4 0 1 2 3 4
Frequência [Hz] Frequência [Hz]

(d) Espectro de frequências (e) Ângulo de fase

Figura 1: Análise em frequência de y(t) = 5sen(2πt)

É possı́vel verificar que a análise em frequência está coerente com o sinal estudado.
Tanto o espectro quanto o ângulo de fase retratam as informações da função y(t) =
5sen(2πt), a saber:

a) frequência presente no sinal: ω = 2π rad/s, f = τ1 , então f = 1 Hz

b) amplitude: valor escalar que multiplica a função y(t), A = 5

b) ângulo de fase: o sinal de y(t) pode ser reproduzido por uma função cosseno se a
considerarmos partindo do valor 3π 2
. Porém, de forma a facilitar a comunicação,

6
Expansão em Séries de Fourier Michael L. M. de Souza

diz-se que os sinais estão defasados de π2 . Mais precisamente, como demonstra a

Figura 2, o sinal da função seno está atrasado, em relação a função cosseno, de π2 .

1
sin(2πt)
0.8 cos(2πt)
cte × cos(2πt - π/2)
0.6

0.4

0.2
Amplitude

-0.2

-0.4

-0.6

-0.8

-1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo [s]

Figura 2: Ilustração do conceito de ângulo de fase

3.2.2 Sinal com ruı́do

Função: y(t) = 5sen(2πt) + ruı́do

Frequência de amostragem: fa = 8 Hz

Duração do sinal: T = 2 s

7
Expansão em Séries de Fourier Michael L. M. de Souza

10
Sinal
Amostragem
5

Amplitude
0

-5

-10
0 0.5 1 1.5 2
Tempo [s]

(a) Sinal de y(t) com ruı́do e amostragem realizada

3 0.4

2 0.3

0.2
Parte Imaginária

Parte Real
0.1
0
0
-1
-0.1
-2 -0.2

-3 -0.3
0 2 4 6 8 0 2 4 6 8
Frequência [Hz] Frequência [Hz]

(b) Parcela imaginária (c) Parcela real

6 3

5 2

4 1
Fase [π rad]
Amplitude

3 0

2 -1

1 -2

0 -3
0 1 2 3 4 0 1 2 3 4
Frequência [Hz] Frequência [Hz]

(d) Espectro de frequências (e) Ângulo de fase

Figura 3: Análise em frequência de y(t) = 5sen(2πt) + ruı́do

Neste caso, é possı́vel verificar a influência negativa da presença de ruı́dos. Surgem

frequências inesperadas tanto no gráfico de espectros como no de ângulos de fase.

De forma mais precisa, verifica-se que a amplitude do sinal não é mais exatamente 5
e ainda esta acompanhada de frequências com amplitudes bem inferiores. Em análises de
sistemas reais, o fato de existirem frequências com amplitudes muito inferiores a outras
pode sugerir presença de ruı́dos no sinal medido. O comportamento é semelhante na
análise do ângulo de fase.

8
Expansão em Séries de Fourier Michael L. M. de Souza

3.3 Exemplo 2

3.3.1 Sinal ı́ntegro

Função: y(t) = 0, 7sen(2πt) + sen(6πt)

Frequência de amostragem: fa = 8 Hz

Duração do sinal: T = 2 s

1.5
Sinal
1 Amostragem

0.5
Amplitude

-0.5

-1

-1.5
0 0.5 1 1.5 2
Tempo [s]

(a) Sinal de y(t) no tempo e amostragem realizada

0.5 1

0.5
Parte Imaginária

Parte Real

0 0

-0.5

-0.5 -1
0 2 4 6 8 0 2 4 6 8
Frequência [Hz] Frequência [Hz]

(b) Parcela imaginária (c) Parcela real

1 0

0.8
-0.5
Fase [π rad]
Amplitude

0.6
-1
0.4

-1.5
0.2

0 -2
0 1 2 3 4 0 1 2 3 4
Frequência [Hz] Frequência [Hz]

(d) Espectro de frequências (e) Ângulo de fase

Figura 4: Análise em frequência de y(t) = 0, 7sen(2πt) + sen(6πt)

9
Expansão em Séries de Fourier Michael L. M. de Souza

Ao verificar a Figura 4 é possı́vel constatar que análise em frequência está coerente

com o sinal estudado. Tanto o espectro quanto o ângulo de fase retratam as informações
da função estudada, a saber:

a) frequências presentes no sinal: ω1 = 2π rad/s, ω2 = 6π rad/s, f = τ1 , então f1 = 1

Hz e f2 = 3 Hz

b) amplitude: valor escalar que multiplica cada termo da função, A1 = 0, 7 e A2 = 1

b) ângulo de fase: o sinal de y(t) pode ser reproduzido por uma função cosseno se a
considerarmos partindo do valor 3π 2
. Como são duas funções seno com frequências
diferentes, cada sinal possui seu respectivo ângulo de fase, porém, ambos atrasados
em relação a função cosseno de π2 .

3.3.2 Sinal com ruı́do

Função: y(t) = 0, 7sen(2πt) + sen(6πt) + ruı́do

Frequência de amostragem: fa = 8 Hz

Duração do sinal: T = 2 s

10
Expansão em Séries de Fourier Michael L. M. de Souza

2
Sinal
Amostragem
1

Amplitude
0

-1

-2
0 0.5 1 1.5 2
Tempo [s]

(a) Sinal de y(t) no tempo e amostragem realizada

0.5 0.05

0
Parte Imaginária

0 Parte Real -0.05

-0.1

-0.5 -0.15
0 2 4 6 8 0 2 4 6 8
Frequência [Hz] Frequência [Hz]

(b) Parcela imaginária (c) Parcela real

1.2 4

1 3

0.8 2
Fase [π rad]
Amplitude

0.6 1

0.4 0

0.2 -1

0 -2
0 1 2 3 4 0 1 2 3 4
Frequência [Hz] Frequência [Hz]

(d) Espectro de frequências (e) Ângulo de fase

Figura 5: Análise em frequência de y(t) = 0, 7sen(2πt) + sen(6πt)+ ruı́do

As conclusões obtidas aqui são análogas as verificadas no sinal com ruı́do do 1º

exemplo.

3.3.3 Sinal medido com aliasing

Função: y(t) = 0, 7sen(2πt) + sen(6πt)

Frequência de amostragem: fa = 4 Hz

11
Expansão em Séries de Fourier Michael L. M. de Souza

Duração do sinal: T = 2 s

1.5
Sinal
1 Amostragem

0.5

Amplitude
0

-0.5

-1

-1.5
0 0.5 1 1.5 2
Tempo [s]

(a) Sinal de y(t) no tempo e amostragem realizada com aliasing

0.2 1

0.15
0.5
0.1
Parte Imaginária

Parte Real

0.05
0
0

-0.05
-0.5
-0.1

-0.15 -1
0 1 2 3 4 0 1 2 3 4
Frequência [Hz] Frequência [Hz]

(b) Parcela imaginária (c) Parcela real

0.35 2

0.3
1.5
0.25
Fase [π rad]
Amplitude

0.2
1
0.15

0.1
0.5
0.05

0 0
0 0.5 1 1.5 0 0.5 1 1.5
Frequência [Hz] Frequência [Hz]

(d) Espectro de frequências (e) Ângulo de fase

Figura 6: Análise em frequência de y(t) = 0, 7sen(2πt) + sen(6πt) medido com aliasing

Neste momento verifica-se que tanto o espectro quanto o ângulo de fase não representam
o sinal y(t). Conforme mencionado anteriormente, o fenômeno de aliasing ocorre quando
a amostragem não é bem realizada. Retomando o Teorema de Nyquist, sabe-se que a
frequência de amostragem deve ser o dobro da máxima frequência presente no sinal.

No presente caso, a maior frequência é f2 = 3 Hz. Portanto, a amostragem deve ser no

mı́nimo o dobro, fmin, N yquist = 2f2 = 6 Hz, , o que não ocorreu, fa = 4 Hz. A observação

12
Expansão em Séries de Fourier Michael L. M. de Souza

mais atenta ao sinal no tempo e a amostragem realizada, Figura 6a, já permite verificar
que a amostragem não representa o sinal medido.

1
-sin(2πt)
0.8 cos(2πt)
cte × cos(2πt + π/2)
0.6

0.4

0.2
Amplitude

-0.2

-0.4

-0.6

-0.8

-1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tempo [s]

Figura 7: Ilustração do conceito de ângulo de fase

Adicionalmente, é possı́vel verificar da Figura 6a que o sinal resultante da medição com

aliasing é equivalente a uma função seno negativa. Neste caso, o sinal está adiantado
em relação a função cosseno, como demonstra a Figura 7.

3.4 Exemplo 3

3.4.1 Sinal aleatório

Duração do sinal: T = 2 s

13
Expansão em Séries de Fourier Michael L. M. de Souza

1 0.1
Sinal
Amostragem
0.5 0.05

Parte Imaginária
Amplitude

0 0

-0.5 -0.05

-1 -0.1
0 0.5 1 1.5 2 0 2 4 6 8
Tempo [s] Frequência [Hz]

(a) Sinal medido com fa = 8 Hz (b) Parcela imaginária

0 0.2

-0.01
0.15
-0.02
Parte Real

-0.03 Amplitude 0.1

-0.04
0.05
-0.05

-0.06 0
0 2 4 6 8 0 1 2 3 4
Frequência [Hz] Frequência [Hz]

(c) Parcela real (d) Espectro de frequências

Figura 8: Análise em frequência de um sinal aleatório com fa = 8 Hz

14
Expansão em Séries de Fourier Michael L. M. de Souza

1.5 0.05
Sinal
Amostragem
1

Parte Imaginária
Amplitude

0.5
0
0

-0.5

-1 -0.05
0 0.5 1 1.5 2 0 20 40 60 80
Tempo [s] Frequência [Hz]

(a) Sinal medido com fa = 80 Hz (b) Parcela imaginária

0.06 0.12

0.1
0.04

0.08
Parte Real

Amplitude
0.02
0.06
0
0.04

-0.02
0.02

-0.04 0
0 20 40 60 80 0 10 20 30 40
Frequência [Hz] Frequência [Hz]

(c) Parcela real (d) Espectro de frequências

Figura 9: Análise em frequência de um sinal aleatório com fa = 80 Hz

15
Expansão em Séries de Fourier Michael L. M. de Souza

1 0.05
Sinal
Amostragem
0.5

Parte Imaginária
Amplitude

0 0

-0.5

-1 -0.05
0 0.5 1 1.5 2 0 100 200 300 400 500
Tempo [s] Frequência [Hz]

(a) Sinal medido com fa = 500 Hz (b) Parcela imaginária

0.06 0.07

0.06
0.04
0.05
Parte Real

Amplitude
0.02 0.04

0 0.03

0.02
-0.02
0.01

-0.04 0
0 100 200 300 400 500 0 50 100 150 200 250
Frequência [Hz] Frequência [Hz]

(c) Parcela real (d) Espectro de frequências

Figura 10: Análise em frequência de um sinal aleatório com fa = 500 Hz

Neste caso fica evidente a importância da frequência de amostragem na análise de

sinais. Ao passo que fa aumenta, o DFT consegue levar para o domı́nio da frequência
mais informações a respeito do sinal.

É interessante notar também que, no caso de sinais aleatórios, não é possı́vel identificar
precisamente quais frequências fazem parte do sinal e qual seriam suas amplitudes. O que
existe é uma dispersão em frequência com forte influência de um determinado intervalo
de valores, onde neste caso é possı́vel verificar que iria até de 0 a 50 Hz.

16
Expansão em Séries de Fourier Michael L. M. de Souza

Referências

Arco-Verde, M. M. (2008). Identificação de falhas em sistemas rotativos empregando

técnicas não lineares (Dissertação de [Link].). COPPE/UFRJ, Rio de Janeiro, RJ,
Brasil.
Bucher, H. F. (2001). Metodologias para a aplicação de técnicas tempo-frequência
em dinâmica estrutural e ao método dos elementos de contorno (Tese de [Link].).
COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.
Rao, S. S. (2011). Mechanical vibrations (5a ed.). Upper Saddle River, NJ: Prentice Hall.

17