1.

Introducción
• La aparición de los microprocesadores supuso una
revolución en el mundo de la ingeniería de control.

• Con su uso, el ingeniero es capaz de ajustar o cambiar

la ley de control de forma mucho mas rápida.

• La potencia calculo de estos dispositivos ha permitido

desarrollar nuevas estrategias de control.

• La dificultad que plantea el uso de microprocesadores

es trasladar todos los conceptos clásicos de control a
un nuevo escenario en el que las señales no son
conocidas en todo instante de tiempo.

A este tipo de sistemas, se les llama sistemas de tiempo

discreto.
El controlador (P, I, PI, PD, PID, avance, retardo, retardo- Ejemplo de implementación analógica vs digital
avance, etc.) se sustituye por un microprocesador que
adquiere la magnitud del error (E) por los puertos de
entrada (ADC) y envía la acción de control (U) a la planta a
través de los puertos de salida (DAC).

La operación del microprocesador está gobernada por un

reloj (interno o externo), que marca los instantes en los
Sistema de control
que se ejecutan las sentencias del programa. Este
programa puede estar almacenado en una memoria
interna o externa.

El reloj marca la frecuencia de las lecturas ADC y escrituras

DAC.

Para modificar el controlador (un determinado programa),

basta con modificar unas líneas de código y volverlo a
compilar. No es necesario que cambie el hardware ni las
conexiones. Esto hace que el diseño del control digital sea Circuito analógico para un Microprocesador que
mucho más versátil que el analógico. compensador de adelanto controla el sistema
 double T = 20000; // 50Hz
float R,E,U,C;
float Kp = 0.25;

void setup() {
Timer1.attachInterrupt(Pcontroller).setPeriod(T).start();
}

Salidas PWM
void loop() {
//acción vacía
}

Entradas analógicas
void Pcontroller(){
R = analogRead(A0);
C = analogRead(A1);
E = R – C;
U = Kp*E; //acción de control
analogWrite(DAC1,U);
} 3,3 ∙ 1ൗ6 = 0,55𝑉
3,3 ∙ 5ൗ6 = 2,75𝑉
DAC
value = {0 – 4095}
Cuidado, la salida (u) debería escalarse
entre 0 y 4095. A parte, normalmente se
analogWrite(DAC1, value )
tiene que limitar.
¿Qué datos (variables) se pueden usar en el programa para calcular la salida (señal de control)?

➢ Lectura actual de la entrada.

➢ Entradas y salidas en instantes anteriores.

• Se requieren variables para almacenarlas, uno o mas valores (matriz).
• No se pueden usar valores futuros de la señal de entada, sistemas causales.
• La memoria es finita, no se disponen de infinitos valores de entrada y salida anteriores en el tiempo.

➢ El valor de la salida en cada instante será una combinación de sumas, restas, multiplicaciones y divisiones de un
número finito de valores, correspondientes a las entradas actuales (y anteriores en el tiempo), y salidas anteriores
en el tiempo. Ecuación en diferencias.

¿Es posible controlar el sistema de la misma manera

que se hacía con el circuito analógico?

➢ Depende de la frecuencia (Hz) o periodo (s) de

muestreo. Se verá cómo la frecuencia de
ejecución del programa juega un rol
fundamental en el control digital.
 Concepto de muestreo
Una señal continua en el tiempo se encuentra muestreada cuando sólo se conoce información de dicha señal en
determinados momentos de tiempo. La figura representa una señal continua y la misma señal muestreada a intervalos.

Las señales se pueden muestrear de diversas maneras. Lo más habitual será obtener información puntual a intervalos
regulares de tiempo. A la duración de esos intervalos se le llama periodo de muestreo (sampling period) y se designa con
la variable Ts(s). Para la frecuencia de muestreo se usa fs (Hz) o bien ωs (rad/s).

• El periodo de muestreo es crucial en los

sistemas de control.
𝑇𝑠
• El comportamiento de los sistemas cambia con 1 1

dicho periodo de muestreo.

• Un mismo sistema puede ser estable o no,

dependiendo de periodo de muestreo.
1 rad

1
𝑓𝑠 = 𝐻𝑧 2𝜋 𝑟𝑎𝑑
𝑇𝑠
0.14159... rad 1 rad 𝜔𝑠 =
𝑟𝑎𝑑 𝑇𝑠 𝑠
𝜔𝑠 = 2𝜋𝑓𝑠
𝑠
 Concepto de cuantificación

Los ADC transforman (redondean) una señal analógica a un

cierto valor decimal.
• Para representar dicho valor decimal se utilizan n bits.
• Con n bits se obstinen 2n niveles cuánticos.
• El valor (Q) entre 2 niveles cuánticos contiguos es:

𝐹𝑆𝑅
𝑄= 𝑛
2 Ejemplo 1: Se desea medir el voltaje de una señal eléctrica
con un convertidor de 14 bits, la resolución que se obtiene
siendo FSR (full-scale range) el rango de valores de la señal cuando el fondo de escala es de −10 a +10 V, es de 1.22 mV.
analógica. A consecuencia de la cuantificación, la señal Cambios en la tensión por debajo de este umbral no serán
medida no es continua en el tiempo, es continua a intervalos detectables por el sistema. 𝑄 = 10−(−10) = 1,2210−3
142
y “escalonada”.
Arduino Mega:
• Numero de bits: 10 bits [0 – 1023]
• Rango de medida: 0 – 5V
• Resolución (Q): 4.9 mV / unidad.
Arduino Due:
• Numero de bits: 12 bits [0 – 4095]
Aunque el fenómeno de la cuantificación puede ser crítico en • Rango de medida: 0 – 3.3V
determinadas circunstancias, lo habitual es que se pueda • Resolución (Q): 0.8 mV / unidad.
despreciar (se trata como ruido).
Clasificación de los sistemas

a) Sistemas continuos. Son aquellos en los que sólo intervienen señales continuas en el tiempo.

b) Sistemas cuantificados. Son aquellos en los que existe, al menos, un proceso de cuantificación de alguna de las
señales que intervienen en el mismo.

c) Sistemas muestreados o discretos en el tiempo. Son aquellos en los que existe, al menos, un proceso de muestreo en
alguna de las señales que intervienen en el mismo.

d) Sistemas digitales (b y c). Son aquellos en los que existe, a la vez, al menos un proceso cuantificación y de muestreo
de alguna de las señales que intervienen en el mismo.

Hay que advertir que los adjetivos “muestreado”, “discreto” y “digital” se suelen usar como sinónimos. Esto se debe a
que la cuantificación se pueda despreciar en la mayoría de los casos.
Errores de cuantificación debidos a
un ADC de pocos bits
Con un ADC de mayor resolución la
señal muestreada y la señal digital
son casi idénticas
 http://robotica.udl.cat/simulador/
Sample and hold
sampleAndHoldCircuit.txt

salida
entrada

Una señal Señal

continua continua
cualquiera retenida

Interruptor Interruptor
abierto abierto

Interruptor cerrado
(carga/descarga del condensador)
 Muestreo, retención y ADC
successive approximation register
Valor Binario
end of conversion 𝐷𝑁−1 𝐷𝑁−2 ⋯ 𝐷2 𝐷1 𝐷0

• Numero de bits: 10 bits [0 – 1023]

• VREF: 5V
• VIN = 1 V
• EOC = 11001100 [204]

Sample and hold

Arduino Due: 575 ns (1.74 MHz)

 Diagrama de bloques de un sistema de control digital

1Microcontrolador Gc(z) Sistema continuo G(s)

ADC

DAC

1Los microcontroladores modernos incluyen ADC y DAC

2. Tratamiento matemático de
la señal muestreada

https://www.youtube.com/watch?v=r18Gi8lSkfM 15 min
https://www.youtube.com/watch?v=spUNpyF58BY 21 min
https://www.youtube.com/watch?v=r6sGWTCMz2k 24 min
1
r = 0:0.01:10*2*pi;
f = zeros(1,numel(r));
nSen = 10000;
for i=1:2:2*nSen
f = f + 4/(i*pi) .* sin(i*r);
end
plot(r,f);

sumaSenos.m 2
Definición de muestreo periódico

• Desde un punto de vista matemático, el muestreo de una función consiste en el producto de 2 funciones:
f*(t) = f(t) p(t)
• Donde:
• f(t) es una función continua en el tiempo.
• p(t) es una función periódica en el tiempo.
• f*(t) es la señal muestreada (el operador * indica señal muestreada).

• De f*(t) sólo se conoce su evolución en pequeños intervalos de duración a cada cierto tiempo T (con a < T).

x =
3
 𝑎𝑥
𝑒
Dado que p(t) es una función periódica se puede definir de dos maneras. න 𝑒 𝑎𝑥 𝑑𝑥 =
𝑎

Valores de la función
dentro de su periodo

Desarrollo en
serie de Fourier

⋮
Función temporal muestreada

cn = coeficientes de Fourier
2𝜋
ωs = frecuencia de muestro [ 𝑇 rad/s].
4
Módulo y argumento de los coeficientes de Fourier cn de la función periódica

Como se vera mas

adelante, el valor de los
coeficientes de Fourier es
de gran importancia ya
que indica el factor de
escala del espectro en las
distintas replicas de este.

Se vera que, en el caso del

muestreo ideal, dichos
coeficientes son
constantes.

5
 −𝑗𝑛𝜔𝑠 𝑎
𝑎 −𝑗𝑛𝜔𝑠 𝑎 𝑛𝜔𝑠 𝑎 1 − 𝑒𝑎
𝑐𝑛 = 𝑒 2 𝑠𝑖𝑛𝑐 𝑐𝑛 =
𝑇 2 𝑗𝑛𝜔𝑠 𝑇
subplot(2,2,1); T = 0.1; subplot(2,2,2);
stem(n,abs(cn1),'k'); ws = 2*pi/T; stem(n,abs(cn2),'k');
hold off; hold off;
n = -50:1:50;
xlabel('$n$','Interpreter','latex'); xlabel('$n$','Interpreter','latex');
ylabel('$|c_n|$','Interpreter','latex'); a = 0.01; ylabel('$|c_n|$','Interpreter','latex');
set(gca,'fontsize',18); set(gca,'fontsize',18);
cn1 = (a/T) .* exp(-1j*n*ws*a/2) .* sinc(n*ws*a/(pi*2));
subplot(2,2,3); subplot(2,2,4);
an = unwrap(angle(cn1)); cn2
= (1 -exp(-1j*n*ws*a))./(1j*n*ws*T); an = unwrap(angle(cn2));
stem(n,an,'k'); stem(n,an,'k');
xlabel('$n$','Interpreter','latex'); xlabel('$n$','Interpreter','latex');
ylabel('$\angle{c_n} (rad)$','Interpreter','latex'); ylabel('$\angle{c_n} (rad)$','Interpreter','latex');
set(gca,'fontsize',20,'ytick',[-pi 0 pi],'yticklabel',{'-\pi','0','\pi'}); set(gca,'fontsize',20,'ytick',[-pi 0 pi],'yticklabel',{'-\pi','0','\pi'});

6
Transformada de Fourier de la función muestreada

• F(ω) es una función compleja de variable real que ofrece información del contenido en frecuencia de f(t).
• Si la variable t tiene unidades de segundos, la variable ω tiene unidades de rad/s.
• Las dos variables reales, t y ω, se extienden desde −∞ a ∞.

La propiedad de traslación de la transformada de Fourier dice que:

Por tanto, la transformada de Fourier de la función muestreada es:

El resultado es independiente del tipo o la
forma de muestreo. La función periodica
p(t) sólo influye en los coeficientes
complejos cn

Es decir, la transformada de Fourier de una función muestreada es igual a una suma con infinitos sumandos, y cada
sumando es una copia de la transformada de Fourier de la función original trasladada en frecuencia (un múltiplo de la
frecuencia de muestreo) y ponderada por el coeficiente cn 7
Suponiendo que f(t) tiene un ancho de banda limitado entre -ωm y ωm ωs = frecuencia de muestro
ωm = ancho de banda de f(t)
ωN = frecuencia de Nyquist

Modulo de la Transformada
de Fourier de f(t). -ωN ωN

Lóbulo principal
Modulo de la Transformada
de Fourier de f*(t) Lóbulos secundarios o “alias”

8
A la mitad de la frecuencia de muestreo se le conoce como frecuencia de Nyquist:
 Según el Teorema de muestreo de Nyquist-Shannon, para digitalizar
El problema del Aliasing una señal analógica y poder recuperarla con la máxima fidelidad
posible, se requiere que la señal analógica sea muestreada al menos
∞ dos veces su frecuencia máxima 𝝎𝒔 ≥ 𝟐𝝎𝒎
Teorema de Shannon del muestreo: ωs > 2 ωm
𝐹 ∗ 𝜔 = ෍ 𝑐𝑛 𝐹 𝜔 − 𝑛𝜔𝑠 El Teorema es independiente de los coeficientes cn, por tanto, es
ωs = frecuencia de muestro
𝑛=−∞ también independiente del tipo de muestreo que se haya efectuado.
ωm = ancho de banda de f(t)

ωs > 2 ωm

Aliasing: Las frecuencias bajas y altas se

mezclan y es imposible de recuperar la
señal original .

ωs < 2 ωm 9
10
 Ejemplo de muestreo que no cumple el Si se muestrea por debajo del umbral del teorema de Shannon:
teorema de Shannon • Se pierde información del contenido en alta frecuencia
• Las señales de alta frecuencia pueden ser observadas con una
frecuencia inferior a la que realmente tienen.
señal continua y
muestreada

Para determinar la frecuencia de muestreo y asegurar que no se

produce aliasing, habrá que calcular el ancho de banda de la
señal a partir de su espectro.

Llega un momento en que la respuesta de alta frecuencia posee

una amplitud tan pequeña que está por debajo de la resolución
señal muestreada

del sensor de medida y se puede suponer nula.

distinta a la original
señal continua

11
Aliasing y ruido en la medida de la señal • Un problema a la hora de tratar las señales
muestreadas es el ruido introducido en la lectura del
sensor de medida.

• Ese ruido se puede malinterpretar como parte de la

función continua original y ser causante de aliasing.

• Por este motivo, muchos sensores llevan incorporado

un filtro de ruido que se suele denominar como filtro
anti-aliasing. Y, si no los lleva, el ingeniero debe filtrar
Transformada de Fourier de una señal continua con convenientemente la señal medida para prevenir este
ancho de banda limitado y ruido de alta frecuencia. problema.

Aliasing producido debido al ruido. 12

3. El muestreo ideal
Definición de muestreo ideal
• Las conclusiones que se obtuvieron en el capítulo anterior son independientes del tipo de muestreo que se aplique.
• En la realidad, los convertidores ADC no graban la señal original en un intervalo de tiempo a, sino que conocen un
valor puntual de la función.
• Hay que definir una nueva función periódica que tome valores puntuales de la función continua.

Nueva función periódica

El muestreo ideal se consigue cuando se multiplica la Donde p(t) sigue siendo una función periódica y se puede
función continua f(t) con la función periódica p(t) expresar como una serie de Fourier, con coeficientes:
definida como (tren de deltas):
∞ 𝑇
1 2 1
𝑝 𝑡 = ෍ 𝑐𝑛 𝑒 𝑗𝑛𝜔𝑠 𝑡 𝑐𝑛 = න 𝑝 𝑡 𝑒 −𝑗𝑛𝜔𝑠 𝑡 𝑑𝑡 =
𝑇 −𝑇 𝑇
𝑛=−∞ 2

Se obtiene que todos los coeficientes son iguales y reales.

Por tanto:

∞ ∞
∞ 1
𝑝 𝑡 = ෍ 𝛿 𝑡 − 𝑛𝑇 𝑝 𝑡 = ෍ 𝑐𝑛 𝑒 𝑗𝑛𝜔𝑠 𝑡 = ෍ 𝑒 𝑗𝑛𝜔𝑠 𝑡
𝑇
𝑛=−∞ 𝑛=−∞
𝑛=−∞
Expresiones equivalentes
Función temporal muestreada
𝑓 𝑡 𝛿 𝑡 − 𝑎 = 𝑓(𝑎)𝛿 𝑡 − 𝑎

∞ ∞ ∞

𝑓∗ 𝑡 = 𝑓 𝑡 𝑝 𝑡 = 𝑓 𝑡 ෍ 𝛿 𝑡 − 𝑛𝑇 = ෍ 𝑓 𝑡 𝛿 𝑡 − 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 𝛿 𝑡 − 𝑛𝑇
𝑛=−∞ 𝑛=−∞ 𝑛=−∞
Expresiones
∞ ∞
equivalentes
∗
1 𝑗𝑛𝜔𝑠 𝑡
1
𝑓 𝑡 =𝑓 𝑡 𝑝 𝑡 =𝑓 𝑡 ෍ 𝑒 = ෍ 𝑓 𝑡 𝑒 𝑗𝑛𝜔𝑠 𝑡
𝑇 𝑇
𝑛=−∞ 𝑛=−∞

𝑓(𝑡)
Transformada de Fourier de la función muestreada ℱ 𝛿 𝑡 =1

𝐹∗ 𝜔 = ℱ 𝑓 ∗ 𝑡 Recordar que: ℱ 𝑓 𝑡 𝑒 𝑗𝜔0𝑡 = 𝐹 𝜔 − 𝜔0

Son valores que no dependen de t,
la única función es la delta ℱ 𝑓 𝑡 − 𝑡0 = 𝐹 𝜔 𝑒 −𝑗𝜔𝑡0

∞ ∞

𝐹∗ 𝜔 = ℱ 𝑓 ∗ 𝑡 =ℱ ෍ 𝑓 𝑛𝑇 𝛿 𝑡 − 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑗𝜔𝑛𝑇
𝑛=−∞ 𝑛=−∞
Expresiones
∞ ∞ equivalentes
1 1
𝐹∗ 𝜔 = ℱ 𝑓 ∗ 𝑡 =ℱ ෍ 𝑓 𝑡 𝑒 𝑗𝑛𝜔𝑠 𝑡 = ෍ 𝐹 𝜔 − 𝑛𝜔𝑠
𝑇 𝑇
𝑛=−∞ 𝑛=−∞

Con la transformada de Fourier y el teorema de Shannon se pude relacionar el espectro de una señal con un periodo de
muestreo adecuado, que permita su posterior reconstrucción.
 ∞
∗
1
𝐹 𝜔 = ෍ 𝐹 𝜔 + 𝑛𝜔𝑠
𝑇
𝑛=−∞
 ∞
Transformada de Laplace de la función muestreada
Son valores que no dependen de t,
ℒ 𝑓 𝑡 = න 𝑓 𝑡 𝑒 −𝑠𝑡 𝑑𝑡
la única función es la delta 0

∞ ∞ ∞

𝐹∗ 𝑠 = ℒ 𝑓 ∗ 𝑡 =ℒ ෍ 𝑓 𝑛𝑇 𝛿 𝑡 − 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 ℒ 𝛿 𝑡 − 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇
𝑛=−∞ 𝑛=−∞ 𝑛=0

demostración
∞ ∞ ∞

෍ 𝑓 𝑛𝑇 ℒ 𝛿 𝑡 − 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 න 𝛿 𝑡 − 𝑛𝑇 𝑒 −𝑠𝑡 𝑑𝑡 = Se deduce que cada valor

𝑛=−∞ 𝑛=−∞ 0
muestreado de la función
temporal va multiplicado por una
∞ ∞ ∞ ∞
exponencial que indica:
= ෍ 𝑓 𝑛𝑇 න 𝛿 𝑡 − 𝑛𝑇 𝑒 −𝑠𝑛𝑇 𝑑𝑡 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 න 𝛿 𝑡 − 𝑛𝑇 𝑑𝑡 =
𝑛=−∞ 0 𝑛=−∞ 0 a) El instante del muestreo: nT
∞ ∞ b) El número de muestra: n
𝑝𝑎𝑟𝑎 𝑛 < 0 ⟹ න 𝛿 𝑡 − 𝑛𝑇 𝑑𝑡 = 0 𝑝𝑎𝑟𝑎 𝑛 ≥ 0 ⟹ න 𝛿 𝑡 − 𝑛𝑇 𝑑𝑡 = 1
0 0
∞

= ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇
𝑛=0
El producto de una función por una delta es igual a una
delta con área igual a la función en el punto que actúa la delta
Ejemplo 1: (una función cualquiera) ∞

𝐹 ∗ 𝑠 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇
𝑛=0

F*(s) = 5e-s0T + 4e-s1T + 9e-s2T + 7e-s3T + …

Si T = 0,5s
F*(s) = 5 + 4e-0,5s + 9e-1s + 7e-1,5s + …

Ejemplo2: (función escalón unidad) Transformada de Laplace de un escalón unitario

discretizado

෍ 1 𝑒 −𝑠𝑇 𝑛

𝑛=0

Recordad que si | r | < 1

 𝑓 𝑡
Periodicidad de la
transformada de Laplace 𝑓 𝑡 es periódica de periodo 𝑇
si 𝑓 𝑡 + 𝑘𝑇 = 𝑓 𝑡 ∀𝑘
0 𝑇 2𝑇 3𝑇 𝑡
A la mitad de la frecuencia
de muestreo (𝜔𝑠 ) se le
Polos del plano 𝑠 = 𝜎 ± 𝑗𝜔
conoce como frecuencia de 𝜎 𝐹∗ 𝑠
Nyquist 𝜔𝑁 :
𝐹 ∗ 𝑠 es periódica de periodo 𝑗𝜔𝑠
si 𝐹 ∗ 𝑠 + 𝑘𝑗𝜔𝑠 = 𝐹 ∗ 𝑠 ∀𝑘
−𝜔𝑁 0 𝜔𝑁 𝜔𝑠 2𝜔𝑠 3𝜔𝑠 𝑗𝜔
∞

𝐹 ∗ 𝑠 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 2𝜋
𝜔𝑠 =
𝑛=0 𝑇
∞ ∞ ∞

𝐹 ∗ 𝑠 + 𝑘𝑗𝜔𝑠 = ෍ 𝑓 𝑛𝑇 𝑒 − 𝑠+𝑘𝑗𝜔𝑠 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 𝑒 −𝑘𝑗𝜔𝑠 𝑛𝑇 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 𝑒 −𝑗𝑘𝑛2𝜋

𝑛=0 𝑛=0 𝑛=0

El termino 𝑒 −𝑗𝑘𝑛2𝜋 equivale a 𝑐𝑜𝑠 𝑘𝑛2𝜋 − 𝑗𝑠𝑖𝑛 𝑘𝑛2𝜋 . Dado que las variables k y n son enteras, su
resultado es: 1 − 𝑗0 = 1, con la cual no modifica para nada la función original.
∞ ∞ ∞

𝐹 ∗ 𝑠 + 𝑘𝑗𝜔𝑠 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 𝑒 −𝑗𝑘𝑛2𝜋 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 ∙ 1 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 = 𝐹 ∗ 𝑠

𝑛=0 𝑛=0 𝑛=0
 𝐺 ∗ 𝑗𝜔 𝑗𝜔

3𝜔𝑠
−𝜔𝑁 0 𝜔𝑁 𝜔𝑠 2𝜔𝑠 3𝜔𝑠 𝑗𝜔

𝐺 𝜔 =ℱ 𝑔 𝑡

Plano s de 𝐺 ∗ 𝑠
2𝜔𝑠

𝐺 𝑠 =ℒ 𝑔 𝑡

𝜎
𝜔𝑠

𝜔𝑁

0
−𝜔𝑁 0 𝜔𝑁 𝜔𝑠 2𝜔𝑠 3𝜔𝑠 𝑗𝜔 𝜎
Plano s de 𝐺 ∗ 𝑠
Polos del plano 𝑠 = 𝜎 ± 𝑗𝜔 −𝜔𝑁
 𝑗𝜔 𝑗𝜔
Plano s
Franja primaria y complementarias
5𝜔𝑠
∞ 𝑗 +x
+x 2
𝐹 ∗ 𝑠 = ෍ 𝑓 𝑛𝑇 𝑒 −𝑠𝑛𝑇 complementaria complementaria
𝑛=0 -x 3𝜔𝑠 -x 5𝜔𝑠
𝑗 𝑗
+x 2 +x 2
complementaria complementaria 3𝜔𝑠
𝑗
𝜔𝑠 -x 2
-x 𝑗 𝜔𝑠
+x 2 +x 𝑗
𝜎 2
primaria primaria
𝜔𝑠
−𝑗
-x −𝑗
𝜔𝑠 -x 2
+x 2 +x 3𝜔𝑠
complementaria −𝑗
complementaria 2
-x 3𝜔𝑠 -x 5𝜔𝑠
−𝑗 +x −𝑗
+x 2 2
complementaria Aliasing!
complementaria

-x 5𝜔𝑠 -x
−𝑗
2
La función muestreada es periódica en el dominio de Laplace,
evidentemente la propia función muestreada no es periódica en el donde, ωN es la frecuencia de Nyquist y ωs la frecuencia de
dominio temporal. muestreo

A la mitad de la frecuencia de muestreo se le conoce como frecuencia de Nyquist:

4. Reconstrucción de la función
continua original
 Retardo de grupo y retardo de fase.

Al inyectar una sayal de entrada discreta a un sistema 𝐺 𝜔 , inmediatamente1 obtenemos una señal de salida con:
• Una amplitud proporcional al modulo del sistema, 𝐺 𝜔
• Un desfase indicado en el argumento del sistema, 𝜃 𝜔 = ∠𝐺 𝜔 𝑟𝑎𝑑. Si queremos ver este desfase expresado
𝜃 𝜔 𝑟𝑎𝑑 𝜃 𝜔
en segundos calculamos el retardo de fase, 𝑅𝑓 𝜔 = − =− 𝑠
𝜔 𝑟𝑎𝑑 𝜔
𝑠
𝑑
• Un retardo de grupo (cuando tardara la señal de entrada en “cruzar” el sistema), 𝑅𝑔 𝜔 = − 𝑑𝜔 𝜃 𝜔

Fijaros que si la fase del sistema es lineal (p.e. 𝜃 𝜔 = 𝑘𝑇𝜔), entonces el retardo de grupo y de fase coinciden y son
constantes (no dependen de 𝜔), en el ejemplo:
𝜃 𝜔 𝑘𝑇𝜔
𝑅𝑓 𝜔 = = = 𝑘𝑇, indicando que todas las frecuencias tendrán un retardo de 𝑘𝑇 y la señal no se vera alterada.
𝜔 𝜔
𝑑 𝑑
𝑅𝑔 𝜔 = 𝜃 𝜔 = 𝑘𝑇𝜔 = 𝑘𝑇, indicando que la señal tardara 𝑘𝑇 segundos en salir del sistema.
𝑑𝜔 𝑑𝜔

1Obtenemos muestras de forma inmediata pero no serán validas (“basura”) asta que hayan pasado Rg muestras
 ideal
Retenedor / Holder

orden cero
𝑓(𝑡)
ZOH
𝑓 ∗ (𝑡)

primer orden
Holder

FOH

polinomial
 Introducción: Retenedor Ideal

• A partir de una señal muestreada se

puede reconstruir la función continua
original utilizando un filtro.

• El proceso de reconstrucción introduce

Retenedor de orden cero
un error debido al aliasing y al tipo de
filtro. Para minimizar dicho error se
debe escoger muy bien la frecuencia de
muestreo, de tal forma que las colas de
alta frecuencia tengan un error
despreciable o asumible.

Retenedor de primer orden

• Los filtros utilizados para reconstruir
funciones temporales a partir de valores
muestreados se llaman retenedores o
holders (del Ingles).
Filtro ideal: Espectro

∞
∗
1
𝐹 𝜔 = ෍ 𝐹 𝜔 + 𝑛𝜔𝑠
𝑇
𝑛=−∞

A la mitad de la frecuencia de muestreo

se le conoce como frecuencia de Nyquist:
filtro ideal: Imposibilidad de construcción física

Conociendo el espectro del filtro ideal es posible obtener su función en el dominio del tiempo mediante la transformada
inversa de Fourier, definida como:

Como la transformada de Fourier del impulso unidad es la propia unidad, ℱ 𝛿 𝑡 = ∆ 𝜔 = 1 la

transformada de Fourier da la salida coincidirá con la expresión del filtro.

Entonces (demostración en la siguiente trasparencia),

𝜔𝑁
1 𝜔𝑠 𝑡
𝑦 𝑡 = න 𝑇𝑒 𝑗𝜔𝑡 𝑑𝜔 = 𝑠𝑖𝑛𝑐
2𝜋 2
−𝜔𝑁

Se observa que para una entrada impulso unidad se obtiene una salida y(t) que se inicia al inicio del los tiempos, antes de
que se produzca la entrada en t = 0. Esto no cumple el principio de causalidad, con lo cual, no es un filtro físicamente
realizable.
 𝜔𝑁
1 ∞ 𝑗𝜔𝑡 𝑑𝜔 1 𝜔𝑁 𝑗𝜔𝑡 𝑑𝜔
1 𝑗𝜔𝑡
𝜔𝑠 𝑡
𝑦 𝑡 = ‫׬‬
2𝜋 −∞
𝐹(𝜔)𝑒 = ‫׬‬
2𝜋 −𝜔𝑁
𝑇𝑒 = 𝑦 𝑡 = න 𝑇𝑒 𝑑𝜔 = 𝑠𝑖𝑛𝑐
2𝜋 2
El espectro del filtro ideal esta definido entre −𝜔𝑁 y 𝜔𝑁 −𝜔𝑁
Demostración

𝑇 𝜔𝑁 𝑗𝜔𝑡 𝑇 𝑒 𝑗𝜔𝑡 𝜔𝑁 𝑇 𝑒 𝑗𝜔𝑁 𝑡 −𝑒 −𝑗𝜔𝑁 𝑡

= ‫׬‬ 𝑒 𝑑𝜔 = = =
2𝜋 −𝜔𝑁 2𝜋 𝑗𝑡 −𝜔𝑁 2𝜋 𝑗𝑡
𝑒 𝑗𝑥 = cos 𝑥 + 𝑗𝑠𝑒𝑛(𝑥)
Sacamos la constante T de la integral e integramos 𝑒 −𝑗𝑥 = cos 𝑥 − 𝑗𝑠𝑒𝑛(𝑥)

𝑒 𝑗𝑥 −𝑒 −𝑗𝑥 = 2𝑗𝑠𝑒𝑛(𝑥)
𝑇 2𝑗𝑠𝑒𝑛 𝜔𝑁 𝑡 2𝑗𝑇 𝑇
= = 𝑠𝑒𝑛 𝜔𝑁 𝑡 = 𝑠𝑒𝑛 𝜔𝑁 𝑡 =
2𝜋 𝑗𝑡 2𝑗𝜋𝑡 𝜋𝑡
𝑒 𝑎𝑥
න 𝑒 𝑎𝑥 𝑑𝑥 =
Cancelación del termino 2𝑗 𝑎

𝜋 𝜔𝑠 𝜔𝑠 𝑒𝑓 𝑥
𝑇𝜔𝑁 𝑡 𝑠𝑒𝑛 𝜔𝑁 𝑡 𝑇 𝑡 𝑠𝑒𝑛 𝑡 𝑠𝑒𝑛 𝑡 𝜔𝑠 𝑡 න𝑒 𝑓 𝑥
𝑑𝑥 = ′
= 𝑇 2 = 2 = 𝑠𝑖𝑛𝑐 𝑓 𝑥
𝜋𝑡 𝜔𝑁 𝑡 𝜋𝑡 𝜔𝑠 𝜔𝑠 2
𝑡 𝑡
2 2
𝜋 𝜔𝑠
𝜋 𝜔𝑠
𝜔𝑁 = =
Se multiplica y divide por 𝜔𝑁 𝑡, luego se sustituye 𝜔𝑁 por 𝑇 y 𝑇 2
2
Retenedor de orden cero Transformada de Laplace del retenedor de arden cero
• El retenedor de orden cero (zero-order holder, ZOH)
utiliza un valor constante entre un periodo de
muestreo y el siguiente.

• La reconstrucción que hace el retenedor de orden cero

es una función no continua, o continua a tramos, con
saltos finitos cada periodo de muestreo.

El ZOH no viola el principio de causalidad, ya que el

efecto (la salida) es posterior a la causa (la entrada). Para
hallar Y(s) se puede utilizar la tabla de transformadas de
Laplace o la propia definición.
Respuesta en frecuencia del retenedor de arden cero (ZOH)

Procedimiento en
la siguiente
diapositiva

La opción mas sencilla es sustituir s por jω

También se puede obtener de la propia definición de la Transformada de Fourier

∞ 𝑇 𝑇
𝑒 −𝑗𝜔𝑡 𝑇 𝑒 −𝑗𝜔𝑇 − 𝑒 −𝑗𝜔0 𝑒 −𝑗𝜔𝑇 − 1 1 − 𝑒 −𝑗𝜔𝑇
𝐻0 𝜔 = න 𝑓 𝑡 𝑒 −𝑗𝜔𝑡 𝑑𝑡 = න 1𝑒 −𝑗𝜔𝑡 𝑑𝑡 = න 𝑒 −𝑗𝜔𝑡 𝑑𝑡 = = = =
−𝑗𝜔 0 −𝑗𝜔 −𝑗𝜔 𝑗𝜔
−∞ 0 0
 Demostración

𝑒 𝑗𝑥 = cos 𝑥 + 𝑗𝑠𝑒𝑛(𝑥)
1 − 𝑒 −𝑗𝜔𝑇 𝑒 𝑗𝜔𝑇/2 − 𝑒 −𝑗𝜔𝑇/2 𝑒 −𝑗𝜔𝑇/2 2𝑗 ∙ 𝑠𝑒𝑛(𝜔𝑇/2) ∙ 𝑒 −𝑗𝜔𝑇/2 𝑒 −𝑗𝑥 = cos 𝑥 − 𝑗𝑠𝑒𝑛(𝑥)
= = =
𝑗𝜔 𝑗𝜔 𝑗𝜔
𝑒 𝑗𝑥 −𝑒 −𝑗𝑥 = 2𝑗𝑠𝑒𝑛(𝑥)

𝜔𝑇 −𝑗𝜔𝑇/2
2𝑗𝑒 −𝑗𝜔𝑇/2 2𝑗𝑒 𝑠𝑒𝑛(𝜔𝑇/2) 𝜔𝑇 𝜔𝑇 𝑒 𝑥 = 𝑒 𝑥/2 ∙ 𝑒 𝑥/2
= 𝑠𝑒𝑛(𝜔𝑇/2) = 2 = 𝑇𝑒 −𝑗 2
∙ 𝑠𝑖𝑛𝑐
𝑗𝜔 𝑗𝜔 𝜔𝑇/2 2
1 = 𝑒 𝑥 ∙ 𝑒 −𝑥
 𝜔𝑇
−𝑗 2
−𝑗
𝜔𝑇 𝜔𝑇 𝑇𝑒 sen 𝜔𝑇/2
¿Como representar el modulo y el argumento del ZOH? 𝑍𝑂𝐻 𝜔 = 𝑇𝑒 2 ∙ 𝑠𝑖𝑛𝑐 =
2 𝜔𝑇/2
𝜔𝑇
−𝜔𝑇
El primer termino, 𝑇𝑒 −𝑗 2 ,es un numero complejo, con modulo 𝑇 y argumento .
2

Modulo
El modulo del 𝑍𝑂𝐻 𝜔 es: El argumento del seno se calcula del siguiente modo
𝜔𝑇 𝜋/2
𝜔𝑇 sen sen 𝜔𝑇/2 𝑗𝜔
𝑇 𝑠𝑖𝑛𝑐 =𝑇 2 =2
2 𝑇 𝜔 Seno de 𝜑
𝜔
2 𝜑 0
𝜋
2𝜋 𝜎
Argumento 𝜽 𝝎 −1 0 1
El argumento del 𝑍𝑂𝐻 𝜔 es:
3𝜋/2
−𝜔𝑇 𝜔𝑇 0
𝜃 𝜔 = + ∠sin − atan 𝜔𝑇

sin 𝜑
2 2 0 𝑟𝑎𝑑 ±𝜋 rad
2 2𝜋
2𝜋 𝑇=
−𝜔𝑇 𝜔 𝜔𝑠 𝜑 𝑟𝑎𝑑
𝜔𝑠
𝜃 𝜔 = + ∠sin −0 0<𝜑<𝜋 ∠sin 𝜑 = 0 𝑟𝑎𝑑
2 2
−𝜔𝑇 𝜔𝜋 𝜋 < 𝜑 < 2𝜋 ∠sin 𝜑 = ±𝜋 𝑟𝑎𝑑
𝜃 𝜔 = + ∠sin
2 𝜔𝑠 Cada vez que 𝜑 = 𝑘𝜋, al argumento se le suma ±𝜋 rad. Igualando las expresiones 𝜑 = 𝑘𝜋 y 𝜑 =
𝜔𝜋
,
𝜔𝑠
resulta que esto sucederá siempre que 𝜔 = 𝑘𝜔𝑠
Respuesta en frecuencia del retenedor de arden cero (ZOH)

+180

+180

−180 −180

El ZOH tiene una fase lineal e introduce un retardo de grupo de media

𝑑 𝑑 𝜔𝑇 𝑇 muestra (T/2). Suponiendo que T = 1s, nos tendremos que esperar 0,5s
𝑅𝑔 𝜔 = − 𝜃 𝜔 =− − +𝐶 = para que la señal de la salida sea correcta.
𝑑𝜔 𝑑𝜔 2 2
Retenedor de primer orden (FOH)

La ecuación de la recta es: fn(t)=at+b, donde a es la pendiente y b 𝑓 𝑛𝑇 −𝑓(𝑛𝑇−𝑇)

En este caso, 𝑎 = y 𝑏 = 𝑓(𝑛𝑇)
el valor de f en el origen del intervalo, f(nT). 𝑇
Se substituye t por 𝑡 − 𝑛𝑇 para asegurar que la
𝑓 𝑛𝑇 − 𝑓 𝑛𝑇 − 𝑇 variable t este comprendida entre 0 y T.
𝑓𝑛 𝑡 = 𝑡 − 𝑛𝑇 + 𝑓 𝑛𝑇 ∀ 𝒏𝑻 ≤ 𝒕 ≤ 𝒏𝑻 + 𝑻
𝑇
• Este modo de reconstrucción es se ajusta:

𝑓𝑛 𝑡 Bien si 𝑎 ≈ 𝑎′ 𝑓 𝑛𝑇 + 1 − 𝑓(𝑛𝑇)
𝑎′ =
Mal si 𝑎 ≠ 𝑎′ 𝑇

𝑓(𝑡) • El valor de 𝑎′ no se conoce hasta la siguiente

muestra 𝑛𝑇 + 𝑇 , así que a priori, no se sabe
calidad del retenedor en el periodo actual.
𝑡
𝑛𝑇 − 𝑇

𝑛𝑇 + 𝑇
𝑛𝑇

𝑡 𝑠
• la reconstrucción que hace el FOH(s) también
presenta discontinuidades cada muestreo.
Expresión de Laplace del retenedor de primer orden 𝑓 𝑛𝑇 − 𝑓 𝑛𝑇 − 𝑇
𝑓𝑛 𝑡 = 𝑡 − 𝑛𝑇 + 𝑓 𝑛𝑇 ∀ 𝒏𝑻 ≤ 𝒕 ≤ 𝒏𝑻 + 𝑻
𝑇

2
Si 𝑓 𝑡 = 𝛿 𝑡
0 𝑠𝑖 𝑡<0
𝑡
1+ 𝑠𝑖 0≤𝑡<𝑇
𝑦 𝑡 = 𝑇
𝑡
1− 𝑠𝑖 𝑇 ≤ 𝑡 < 2𝑇
𝑇
0 𝑠𝑖 𝑡 ≥ 2𝑇

−1

1 2 1
𝑦 𝑡 = 𝑢 𝑡 + 𝑡𝑢(𝑡) − 2𝑢 𝑡 − 𝑇 − 𝑡 − 𝑇 𝑢 𝑡 − 𝑇 + 𝑢 𝑡 − 2𝑇 + (𝑡 − 2𝑇)𝑢 𝑡 − 2𝑇
𝑇 𝑇 𝑇

𝟏 𝟏 𝟐 𝟐 𝟏 𝟏
𝒀 𝒔 = + 𝟐 − 𝒆−𝒔𝑻 − 𝟐 𝒆−𝒔𝑻 + 𝒆−𝟐𝒔𝑻 + 𝟐 𝒆−𝟐𝒔𝑻
𝒔 𝑻𝒔 𝒔 𝑻𝒔 𝒔 𝑻𝒔

2
𝑌 𝑠 1 − 𝑒 −𝑠𝑡 1 + 𝑇𝑠 2
1 + 𝑇𝑠
𝐻𝐼 𝑠 = 𝐹𝑂𝐻 𝑠 = = = 𝑍𝑂𝐻 𝑠
∆ 𝑠 𝑠 𝑇 𝑇
Respuesta en frecuencia del retenedor de primer arden (FOH)

• El retenedor de orden uno no es claramente superior al retenedor de orden cero.

• La fase no es lineal, esto implica que el retado de fase y de grupo no es constante.
• Es mucho más difícil de implementar que el de orden cero.
• Por estos motivos, el que más se usa es el retenedor de orden cero.
Retenedor polinomial
La ecuación de la recta es: fn(t)=at+b, donde a es la pendiente y b el valor de f en el origen, f(0).
𝑓 𝑛𝑇 − 𝑇 − 𝑓 𝑛𝑇 − 2𝑇
𝑓𝑛 𝑡 = 𝑡 − 𝑛𝑇 − 𝑇 + 𝑓 𝑛𝑇 − 2𝑇 ∀ 𝒏𝑻 − 𝑻 ≤ 𝒕 < 𝒏𝑻
𝑇
𝑓0 𝑡 𝑓1 𝑡 𝑓2 𝑡 𝑓3 𝑡 𝑓4 𝑡 𝑓5 𝑡 𝑓6 𝑡 𝑓7 𝑡 𝑓8 𝑡 𝑓9 𝑡 𝑓10 𝑡 𝑓11 𝑡 𝑓12 𝑡 𝑓13 𝑡 𝑓14 𝑡 𝑓15 𝑡 𝑓16 𝑡 𝑓17 𝑡

𝑓(𝑡)

−𝑇 0 𝑇 2𝑇 3𝑇 4𝑇 5𝑇 6𝑇 7𝑇 8𝑇 9𝑇 10𝑇 11𝑇 12𝑇 13𝑇 14𝑇 15𝑇 16𝑇 17𝑇 𝑡 𝑠

𝑛𝑇 − 2𝑇 𝑛𝑇 − 𝑇 𝑡 𝑛𝑇

𝑓 0𝑇 − 𝑇 − 𝑓 0𝑇 − 2𝑇 𝑓 1𝑇 − 𝑇 − 𝑓 1𝑇 − 2𝑇
𝑓0 𝑡 = 𝑡 − 0𝑇 − 𝑇 + 𝑓 0𝑇 − 2𝑇 ∀ 𝟎𝑻 − 𝑻 ≤ 𝒕 < 𝟎𝑻 𝑓1 𝑡 = 𝑡 − 1𝑇 − 𝑇 + 𝑓 1𝑇 − 2𝑇 ∀ 𝟏𝑻 − 𝑻 ≤ 𝒕 < 𝟏𝑻
𝑇 𝑇
𝑓 0 − 𝑓 −𝑇
𝑓 −𝑇 − 𝑓 −2𝑇 𝑓1 𝑡 = 𝑡 + 𝑓 −𝑇 ∀𝟎≤𝒕<𝑻
𝑓0 𝑡 = 𝑡 + 𝑇 + 𝑓 −2𝑇 ∀ −𝑻≤𝒕<𝟎 𝑇
𝑇
𝑓 0 −0
0−0 𝑓1 𝑡 = 𝑡 +0 ∀𝟎≤𝒕<𝑻
𝑓0 𝑡 = 𝑡+𝑇 +0 ∀ −𝑻≤𝒕<𝟎 𝑇
𝑇 𝑓 9𝑇 − 𝑇 − 𝑓 9𝑇 − 2𝑇
𝑓9 𝑡 = 𝑡 − 9𝑇 − 𝑇 + 𝑓 9𝑇 − 2𝑇 ∀ 𝟗𝑻 − 𝑻 ≤ 𝒕 < 𝟗𝑻
𝑇 𝑓 0
𝑓0 𝑡 = 0 ∀ − 𝑻 ≤ 𝒕 < 𝟎 𝑓1 𝑡 = 𝑡 ∀𝟎≤𝒕<𝑻
𝑓 8𝑇 − 𝑓 7𝑇 𝑇
𝑓9 𝑡 = 𝑡 − 8𝑇 + 𝑓 7𝑇 ∀ 𝟖𝑻 ≤ 𝒕 < 𝟗𝑻
𝑇
 Retenedor polinomial

𝑓 𝑛𝑇 − 𝑇 − 𝑓 𝑛𝑇 − 2𝑇
𝑓𝑛 𝑡 = 𝑡 − 𝑛𝑇 − 𝑇 + 𝑓 𝑛𝑇 − 2𝑇 ∀ 𝑛𝑇 − 𝑇 ≤ 𝑡 < 𝑛𝑇
𝑇

Si 𝑓 𝑡 = 𝛿 𝑡

𝑓 −𝑇 − 𝑓 −2𝑇
𝑓0 𝑡 = 𝑡 + 𝑇 + 𝑓 −2𝑇 ∀ − 𝑇 ≤ 𝑡 ≤ 0 𝑓0 𝑡 = 0 ∀ 𝑛𝑇 − 𝑇 ≤ 𝑡 < 0
𝑇 0 𝑠𝑖 𝑡<0
𝑡
𝑠𝑖 0≤𝑡<𝑇
𝑇
𝑦 𝑡 = 2𝑇 − 𝑡
𝑓 0 − 𝑓 −𝑇 1
𝑓1 𝑡 = 𝑡 + 𝑓 −𝑇 ∀ 0 ≤ 𝑡 ≤ 𝑇 𝑓1 𝑡 = 𝑡∀0≤𝑡 <𝑇 +1 𝑠𝑖 𝑇 ≤ 𝑡 < 2𝑇
𝑇 𝑇 𝑇
0 𝑠𝑖 𝑡 ≥ 2𝑇

𝑓 𝑇 −𝑓 0 −1
𝑓2 𝑡 = 𝑡 − 𝑇 + 𝑓 0 ∀ 𝑇 ≤ 𝑡 ≤ 2𝑇 𝑓2 𝑡 = 𝑡 − 𝑇 + 1 ∀ 𝑇 ≤ 𝑡 < 2𝑇
𝑇 𝑇
2𝑇 − 𝑡
𝑓2 𝑡 = ∀ 𝑇 ≤ 𝑡 < 2𝑇
𝑇

𝑓 2𝑇 − 𝑓 𝑇
𝑓3 𝑡 = 𝑡 − 2𝑇 + 𝑓 𝑇 ∀ 2𝑇 ≤ 𝑡 ≤ 3𝑇 𝑓3 𝑡 = 0 ∀ 2𝑇 ≤ 𝑡 < 3𝑇
𝑇
Retenedor polinomial

• Se consigue una función continua (con puntos angulosos) que une los valores de la función muestreada.

1 1 2𝑒 −𝑠𝑇 𝑒 −2𝑠𝑇 1 2
Y 𝑠 = − 2 + 2 𝑎 − 2𝑎𝑏 + 𝑏 2
𝑇 𝑠2 𝑠 𝑠 𝑇

1 − 𝑒 −𝑠𝑇 1 𝑒 −𝑠𝑇
= −
𝑠 𝑠 𝑠
𝑎 𝑏
Respuesta en frecuencia del retenedor de polinomial (PH)

Con este retenedor se consigue:

• Un mejor filtro pasa-bajo que con el retenedor de orden

cero.

• Una fase lineal con retardo de grupo de 1 muestra.

• Un problema que tiene el retenedor polinomial es que, si se

vuelve a muestrear el resultado de la reconstrucción, no se
obtiene la misma señal muestreada de la que se ha partido,
cosa que sí ocurría con los retenedores anteriores.

Dado que la
derivada es la
𝜃 𝜔

𝑑 pendiente −𝜋 2𝜋 2𝜋
𝑅𝑔 𝜔 = − 𝜃 𝜔 = 𝑅𝑔 𝜔 = − 𝜔 = = = 𝑇𝑠
𝑑𝜔 𝑠 𝜔𝑠 2𝜋
2 𝑇𝑠

2𝜋
𝜔𝑠 =
𝑇𝑠
Repàs Temes 1-3
 CONTROL DIGITAL vs CONTROL ANALÒGIC
EL CONTROL DIGITAL TÉ AVANTATGES:

• Versatilitat, flexibilitat, cost.

PERÒ:
• La precisió depèn de la qualitat del convertidor
• Els retards (adquisició, rutina interrupció..) poden fer un sistema inestable
 CONVERSIÓ A/D -
• LA CONVERSIÓ A/D CONSTA DE LES ETAPES: MOSTREIG, QUANTIFICACIÓ I CODIFICACIÓ.

• EL MOSTREIG DISCRETITZA EL TEMPS, LA QUANTIFICACIÓ DISCRETITZA AMPLITUD.

• QUANTIFICACIÓ:

• Nivells de quantificació: L = 2𝑏𝑏 , 𝑏𝑏 𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏

• Fons d’escala: FSR (rang amplitud)
𝑥𝑥 −𝑥𝑥
• Resolució: ∆= 𝑚𝑚𝑚𝑚𝑚𝑚 𝑚𝑚𝑚𝑚𝑚𝑚
𝐿𝐿−1
• La quantificació introdueix un error (no ho considera--
∆2
rem en detall). 𝑒𝑒𝑅𝑅𝑅𝑅𝑅𝑅 =
2
𝑃𝑃𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
• Relació Senyal-Soroll: 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑑𝑑𝑑𝑑 = 10 · log( )
𝑃𝑃𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
• Regla 6dBs: cada bit addicional proporciona una millora de 6dBs en la SNRQ
 TEMPS DISCRET – TEMPS CONTINU
Els senyals en temps continu:
• x(t) -∞< t < +∞
• cos 2𝜋𝜋𝜋𝜋0 𝑡𝑡, periòdica per a tot 𝐹𝐹0
1
• Període fonamental T0 =
𝐹𝐹0

Els senyals en temps discret:

• x[n], n=±0, ±1,±2…
• n, vector mostres, podem tenir
Informació temporal o no.
• Senyal discret /discretitzat.
• Ex: Temp. Màxima diària (n=dies)
 Temps continu/discret: Anàlisi de Fourier
El conjunt de senyals en temps continu: 𝑒𝑒 ±𝑗𝑗𝑗𝑗𝜔𝜔0𝑡𝑡 = cos 𝑘𝑘𝜔𝜔0 𝑡𝑡 ± 𝑗𝑗 sin 𝑘𝑘𝜔𝜔0𝑡𝑡
• Definides en -∞< ω < +∞
• Totes periòdiques: 𝑇𝑇0 =
2𝜋𝜋 (EULER)
𝑘𝑘ω0
• Freqüències diferents = senyals diferents.
• Si augmenta 𝐹𝐹0 sempre augmenta oscil·lació
• Són base per generar moltes funcions (FOURIER)
• La resposta de sistemes LTI és senzilla de
calcular.

Els senyals en temps discret:

• 𝑥𝑥𝑘𝑘 𝑛𝑛 = 𝑒𝑒 ±𝑗𝑗𝑗𝑗𝜔𝜔0𝑛𝑛 , periòdiques?
𝑘𝑘𝜔𝜔0 𝑚𝑚
• 𝑥𝑥𝑘𝑘 𝑛𝑛 + 𝑁𝑁 = 𝑥𝑥𝑘𝑘 𝑛𝑛 , N enter? =
2𝜋𝜋 𝑁𝑁
• Rang de freqüències?
−𝜋𝜋 ≤ 𝜔𝜔0 ≤ 𝜋𝜋 −1/2 ≤ 𝐹𝐹0 ≤ 1/2
CONVERSIÓ A/D-MOSTREIG
• IDEALMENT, EN EL PROCÈS DE MOSTREIG NO HI HA PÈRDUA D’INFORMACIÓ.

• QUAN MOSTREGEM UN SENYAL DE BANDA LIMITADA:

• El seu espectre es replica a intervals de la freqüència de mostreig.
• Podrem recuperar el senyal original sempre que Fs>2·Fmax (Teorema de Nyquist).
• En cas contrari es produeix aliasing (solapament de freqüències)
MOSTREIG – senyals mostrejats
𝜔𝜔0

2𝜋𝜋𝐹𝐹0 𝑘𝑘𝑘𝑘𝑘𝑘
• Reemplacem: 𝑡𝑡 = 𝑛𝑛 · 𝑇𝑇𝑠𝑠 𝑇𝑇𝑆𝑆
1
• 𝑇𝑇𝑠𝑠 = , període de mostreig
𝐹𝐹𝑠𝑠
2𝜋𝜋𝐹𝐹0
• f nTs = cos 2𝜋𝜋𝐹𝐹0 𝑛𝑛𝑇𝑇𝑠𝑠 = cos 𝑛𝑛
𝐹𝐹𝑠𝑠 0 𝜔𝜔0
𝐹𝐹0 𝜔𝜔𝑆𝑆 /2 𝜔𝜔0 𝜔𝜔
• 𝑓𝑓 = , freq digital o normalitzada 𝜔𝜔0
𝐹𝐹𝑠𝑠
• Nou rang freqüències:
1 𝐹𝐹0 1 ? ? 𝑘𝑘𝑘𝑘𝑘𝑘 7 𝑘𝑘𝑘𝑘𝑘𝑘
− ≤ ≤
2 𝐹𝐹𝑠𝑠 2

𝐹𝐹𝑠𝑠 𝐹𝐹𝐹𝐹
− ≤ 𝐹𝐹0 ≤
2 2 0 𝜔𝜔0 − 𝑘𝑘𝜔𝜔𝑠𝑠
𝜔𝜔𝑆𝑆 /2 𝜔𝜔0 𝜔𝜔
MOSTREIG - ALIASING
Funció senoidal mostrejada, 5 𝑘𝑘𝑘𝑘𝑘𝑘
Fo=1KHz, Fs=10KHz
1 𝑘𝑘𝑘𝑘𝑘𝑘
Si fixem Fs i augmentem Fo:

• Quan la freqüència supera Fs/2, es genera un àlias. 0

𝜔𝜔0 𝜔𝜔𝑆𝑆 /2 𝜔𝜔
• Com que els àlies verifiquen:
? ? 𝑘𝑘𝑘𝑘𝑘𝑘 7 𝑘𝑘𝑘𝑘𝑘𝑘
𝐹𝐹𝑘𝑘 = 𝐹𝐹0 ± 𝑘𝑘𝐹𝐹𝑠𝑠
𝐹𝐹0 = 𝐹𝐹𝑘𝑘 ∓ 𝑘𝑘𝐹𝐹𝑠𝑠
0 𝜔𝜔0 − 𝑘𝑘𝜔𝜔𝑠𝑠
• Tenim aquesta freqüència aparent en l’interval: 𝜔𝜔𝑆𝑆 /2 𝜔𝜔0 𝜔𝜔
𝐹𝐹𝑠𝑠 𝐹𝐹𝐹𝐹
− ≤ 𝐹𝐹0 ≤
2 2
%%
%EXEMPLE MOSTREIG I ALIASING
%%
clear all; close all; clf
omega_0=1;omega_s=7;
Tsim=0.0001; % Simulation sampling period
T=2*pi/omega_0; t=0:Tsim:T; % Tsim=0.001
x2=cos(omega_0*t); x1=cos((omega_0+omega_s)*t);
N=length(t); Ts=2*pi/omega_s; % sampling period
M=fix(Ts/Tsim); imp=zeros(1,N);
for k=1:M:N-1.
imp(k)=1;
end
x1_s=imp.*x1;
plot(t,x1,'k'); hold on;pause;
stem(t,x1_s,'r','filled');axis([0 max(t) -1.1 1.1]);
xlabel('t'); grid
pause;plot(t,x2,'b');
legend('x_1(t)','x_1(nTs)','x_2(t)'); xlabel('t');
ylabel('x_1(t), x_2(t), x_1(nTs)');