Obtendo Espectro de um sinal usando fft

Aula de 11/11/2026 Assunto: Aprendendo a usar algoritmo fft para obter espectro de um sinal

 

Sugere-se fortemente, se basear na página:

O material abaixo está associado com a resolução da TDE2. Acompanhe pela página TDE2, o que está sendo realizado aqui.

Poderiámos já fazer y=y1+y2+y3 e plotar a forma de onda (t, x). Mas antes mesmo de fazer isto, repara como ficou a amostragem do sinal mais rápido, de 250 Hz:

E temos a figura abaixo:

fig1.png

Notamos que amostramos poucos e apenas certos pontos da senóide da onda de 250 Hz, justamente os pontos nos quais a senóide passa por zero ou nos seus valores máximos e mínimos. O resultado (para um computador ou uP que vai trabalhar com estes dados, é que este sinal é onda triangular, não uma onda senoidal.

Temos que aumentar a quantidade de pontos amostrados na onda de 250 Hz, para melhorar esta impressão.

Figura resultante:

ig2.png

Notamos que esta quantidade de amostras permite distinguir visualmente entre onda triangular e senoidal. Mas poderíamos aumentar ainda mais a freq. de amostragem usada, ou quantidade de pontos por amostra.

A onda de 250 Hz, amostrada numa frequênica 20 vezes maior (20 pontos por ciclo), rende a figura abaixo:

fig3.png

Sintetizando as outras ondas e compondo o sinal final:

Obtemos o seguinte resultado:

y_100pts

A principio, este sinal parece incorrento. Não conseguimos detectar um "padrão", ou perceber que o mesmo é periódico.

Revisando os comandos, percebemos que não fizemos nada de errado. O problema está na quantidade de amostras; 100 amostras é insuficiente para que se possa perceber alguma periodicidade do sinal y(t).

Necessitamos incrementar o número de amostras. Decidimos por subir de 100 para 500 amostras.

O sinal y(t), sintetizado usando fs= 5 KHz e 500 amostras fica:

y_500pts.png

A ideia agora (e era o objetivo inicial) é usar o algoritmo fft sobre o sinal y(t) e confirmar se conseguimos (ou não), recuperar/entender os componentes originais da onda através dos Diagramas Espectrais do sinal.

Note: o algoritmo fft não devolve o eixo X associado com frequência. É você, o usuário do algoritmo que deve saber como sintetizar este vetor.

Cada amostra (novo valor, cada componente) do vetor Y(Ω) gerado usando algoritmo fft está associado com um bin de frequência. O intervalo frequencial entre cada elemento de Y(Ω) depende da quantidade de pontos do vetor de entrada y(t), e funciona assim:

Δf(bin)=fsN (1)

onde: fs= período de amostragem do sinal y(t) passado como vetor de entrada; N= número de pontos/amostras passadas.

Então podemos calcular o que chamamos de "Resolução frequencial" (eq. (1)), neste caso:

Note que não resultou um valor inteiro. Se tivéssemos tomado o cuidado de limitar o vetor y(y) à 500 pontos, teríamos obtido uma resolução espectral mais conveniente para o nosso caso:

Δf(bin)=5000500=10 (Hz)

Mas, vamos continuar assim mesmo...

Confirmando a resolução frequencial:

O gráfico inicial ficou:

fft_inicial.png

E então percebemos que o algoritmo fft calcula a transformada de Fourier bilateralmente no espectro (calcula a transformada bilateral de Fourier).

Note que o gráfico é simétrico em relação a sua frequência central, que é justamente a frequência de Nyquist.

A maior frequência calculada corresponde à frequência de Nyquist, que é:

fNyquist=fs2=50002= 2500 Hz.

Limitando o gráfico para a região unilateral, lado esquerdo:

Transformamos o gráfico original de |Y(Ω)|, num gráfico unilateral:

fft_unilateral.png

Agora vamos analizar melhor este gráfico e entender o que fez o algoritmo fft.

Note que as amplitudes calculadas não correspondem às esperadas, falta considerar que o resultado calculado pelo algoritmo fft acaba ficando proporcional ao número de amostradas usadas. Então temos que "corrigir" isto:

Finalmente segue a figura desejada, o Espectro de Magnitudes (com as amplitudes corretas):

espectro_magnitude.png

Descobrindo agora os índices relacionados as principais frequencias. A idéia aqui é descobrir a defasageem angular de cada uma delas:

Temos a figura das defasagens angulares (que não parece tão "simpático"):

espectro_fase.png

Modificando o gráfico anterior, considerando que é comum esperar defasagens de um sinal na faixa de [−90o,+90o] ou [−180p,+180o]:

E então temos o esperado gráfico do Espectro de Defasagens:

fft_fase2.png

Ficando mais claro que praticamente não há defasagens nas frequências calculadas. Valores diferentes de zero e muito próximos de zero de devem à erros de truncagem no cálculo da FFT.

 

Montando agora uma espécie de tabela final relacionando Frequênica × Magnitude × Defasagem dos principais componentes da FFT:

Fim da aula.

Salvando esta seção de trabalho e fechando o arquivo diary.


Fernando Passold, em 11/11/2026