¿Qué es la FFT y cómo interpretarla en el análisis de vibración industrial?

Entender qué es FFT (Fast Fourier Transform) es esencial para profesionales de mantenimiento predictivo y confiabilidad que buscan interpretar correctamente las señales de vibración de sus equipos.

Así, se trata de una técnica matemática que permite transformar datos del tiempo en información en el dominio de la frecuencia, revelando detalles sobre el comportamiento dinámico de motores, bombas, reductores y otros activos industriales.

En la práctica, la FFT en el mantenimiento predictivo es lo que posibilita identificar fallas incipientes, como desbalances, desalineamientos y defectos en rodamientos, antes de que se conviertan en paradas no programadas.

De esta forma, por medio del análisis del espectro de frecuencia, el ingeniero consigue visualizar picos y armónicos que indican el origen del problema, haciendo que el diagnóstico sea más rápido, preciso y basado en datos reales recopilados por los sensores de vibración IoT.

En este artículo, vas a entender qué es la FFT, cómo funciona y de qué forma puede aplicarse en el análisis de vibración industrial.

También vamos a mostrar cómo interpretar gráficos de FFT, cuáles parámetros influyen en la lectura, y cómo Dynamox utiliza sensores y la Dynamox Platform para automatizar diagnósticos y aumentar la confiabilidad operacional.

¿Qué es FFT (Fast Fourier Transform)?

Para comprender qué es FFT, es importante recordar que todo equipo en operación genera vibraciones, y esas vibraciones contienen información valiosa sobre el estado mecánico de la máquina.

La Transformada Rápida de Fourier (FFT) es un algoritmo matemático que permite descomponer una señal compleja —como la de una criba vibratoria— en sus frecuencias constituyentes, lo que permite exhibir información escondida en la señal.

En otras palabras, lo que antes era solo una señal oscilando en el tiempo pasa a ser visualizado como un espectro de frecuencia, permitiendo identificar qué componentes (rodamientos, engranajes, ejes) están contribuyendo a la vibración total.

De esta forma, la FFT es una forma práctica y eficiente de aplicar la Transformada de Fourier, una técnica fundamental en ingeniería y física para el análisis de señales (vibraciones). Mientras la transformada original demanda alto poder computacional, la versión rápida (FFT) simplifica el cálculo, permitiendo que sensores y plataformas digitales procesen datos de vibración en cortos espacios de tiempo. Luego, esa eficiencia es lo que vuelve posible el análisis continuo de activos en ambientes industriales, viabilizando el mantenimiento predictivo con base en datos confiables.

FFT en la práctica

Entender qué es FFT en la práctica es esencial para diferenciar los dos tipos de representación de una señal:

• Dominio del tiempo: muestra cómo la señal varía a lo largo del tiempo. Es la forma bruta capturada por el sensor, exhibiendo variaciones de amplitud, picos y oscilaciones.
• Dominio de la frecuencia: muestra cómo la energía de la señal se distribuye entre diferentes frecuencias. Cada pico en el gráfico de FFT corresponde a una fuente de vibración, asociada a un componente específico de la máquina (como el eje, el rodamiento o el engranaje).

Por lo tanto, al convertir la señal del tiempo a la frecuencia, la FFT revela patrones de comportamiento que serían invisibles a simple vista. Por ejemplo, un aumento en la amplitud en una determinada franja de frecuencia puede indicar desbalanceo, mientras que múltiples armónicos pueden sugerir desalineamiento o holguras mecánicas.

¿Por qué la FFT es esencial en el mantenimiento basado en vibración?

En el mantenimiento predictivo, la FFT es la base para el diagnóstico de fallas mecánicas. Ella permite identificar síntomas de degradación antes de que la falla ocurra, ayudando a los ingenieros a planear intervenciones con antecedencia.

Sin la FFT, las señales de vibración serían solo oscilaciones complejas y difíciles de interpretar. Entretanto, con ella, es posible asociar frecuencias específicas a causas conocidas de falla, como por ejemplo:

• Desbalance: pico en la frecuencia de rotación del eje.
• Desalineamiento: presencia de armónicos múltiples de la frecuencia fundamental.
• Holguras mecánicas: amplitud irregular y armónicos dispersos.
• Defectos en rodamientos: picos en frecuencias específicas (BPFO, BPFI, BSF, FTF).

Comprender qué es la FFT es entender el corazón del análisis de vibración.
Esta técnica transforma datos brutos en información valiosa, permitiendo decisiones acertadas, reducción de paradas y aumento de la confiabilidad operativa.

¿Cómo se aplica la FFT en el mantenimiento predictivo?

Entender qué es la FFT y cómo aplicarla es el primer paso para transformar datos de vibración en diagnósticos de alta precisión. En el mantenimiento predictivo, la FFT convierte las señales recolectadas por los sensores de vibración, como los DynaLoggers, en información útil.
Estos datos indican condiciones anormales de operación antes de que la falla se manifieste de manera crítica.

Función de la FFT en el análisis de vibración

La función principal de la FFT es aislar las frecuencias de vibración presentes en un equipo, lo que permite correlacionarlas con sus componentes mecánicos. Cada parte de la máquina —eje, rodamiento, engranaje, acoplamiento— vibra en una frecuencia característica.

Así, cuando ocurre una anomalía, como desgaste, desbalance u holgura, esa frecuencia se altera y el gráfico FFT muestra un pico específico o armónicos adicionales, permitiendo al analista identificar el origen del problema.

De este modo, la FFT funciona como una especie de “radiografía” del comportamiento dinámico del activo. Ofrece una firma vibracional que puede compararse con mediciones anteriores para detectar tendencias de falla. Este análisis continuo sustenta el mantenimiento basado en condición, una de las etapas más avanzadas en la jornada predictiva.

Diferencia entre la señal en el tiempo y el espectro de frecuencia

La señal en el dominio del tiempo es la vibración registrada directamente por el sensor, reflejando la forma bruta del movimiento. Esta señal es en realidad una combinación de varias componentes más simples (o frecuencias del señal), cada una relacionada con diferentes partes o fenómenos de la máquina. Sin embargo, al analizar solo en el tiempo, estas componentes se encuentran superpuestas, lo que dificulta identificarlas e interpretarlas individualmente.

Al aplicar la FFT, la señal se convierte al dominio de la frecuencia, donde cada frecuencia aparece aislada, permitiendo visualizar su intensidad e identificar su origen. Esto hace que el análisis de fallas sea mucho más preciso y eficiente.

Así, mientras la señal en el tiempo muestra cuándo ocurre una vibración, el espectro de frecuencia revela por qué ocurre, indicando el origen físico del problema. Esta es la diferencia fundamental entre observar el comportamiento aparente y comprender la causa raíz de la falla.

Por eso, la FFT es considerada el vínculo entre el dato bruto y la decisión técnica.
Traduce el comportamiento de la máquina a un formato que el ingeniero puede interpretar, correlacionar y utilizar para planificar intervenciones con anticipación, reduciendo costos y evitando paradas no programadas.

Como interpretar um gráfico FFT

Entender qué es la FFT es fundamental, pero el verdadero valor de la técnica está en interpretar el espectro de frecuencia.
El gráfico FFT revela cómo se distribuye la energía vibracional entre diferentes frecuencias, lo que permite identificar patrones de fallas mecánicas a partir de picos, armónicos y ruidos.

Significado de los ejes: frecuencia y amplitud

Un gráfico FFT está compuesto por dos ejes principales:

• Frecuencia (Hz): muestra cuántas veces se repite el movimiento vibratorio por segundo. Cada componente de la máquina vibra en una frecuencia característica.
• Amplitud: indica la intensidad de la vibración en cada frecuencia; puede mostrarse en aceleración (g, m/s²), velocidad (mm/s) o desplazamiento (µm). Cuanto mayor es el pico, mayor es la energía asociada a esa vibración.

Cada unidad destaca un fenómeno físico distinto:

• Las altas frecuencias se observan mejor en aceleración.
• Las fallas moderadas y el equilibrio dinámico, en velocidad.
• Las muy bajas frecuencias, en desplazamiento.

Qué son los armónicos, picos y ruidos

Los armónicos, picos y ruidos conforman el “vocabulario” del espectro. Por eso, entender su origen físico es decisivo para asociarlos a causas de falla.

• Picos fundamentales: corresponden a la frecuencia principal de excitación (p. ej., 1×RPM). De este modo, su aumento en amplitud suele indicar condiciones anómalas asociadas al mismo mecanismo de excitación.
• Armónicos (n× fundamental): múltiplos enteros de la frecuencia principal. Indican no linealidades y asimetrías mecánicas, comunes en casos de desalineamiento o holguras, por ejemplo. Además, la relación de amplitudes entre los armónicos ayuda en la clasificación de la falla.
• Bandas laterales (sidebands): picos regularmente espaciados alrededor de una frecuencia dada (p. ej., engrane). Sugieren modulación por variación de carga, excentricidad o defectos periódicos. Cuando el espaciamiento corresponde a la frecuencia de rotación, son característicos de modulación mecánica.
• Ruido de fondo: elevación difusa del nivel espectral sin picos definidos. Puede deberse a turbulencia, fricción generalizada, interferencias eléctricas o acoplamientos estructurales. Así, el aumento del ruido en alta frecuencia puede indicar etapas iniciales de fallas en rodamientos, siendo aún más sensible cuando se analiza mediante técnicas de demodulación (envelope).

Parámetros que influyen en el análisis FFT

La calidad del análisis de vibración depende directamente de cómo se adquiere y procesa la señal. Por eso, incluso comprendiendo qué es la FFT y cómo interpretar el espectro, errores en la configuración de los parámetros de medición pueden distorsionar el resultado y llevar a diagnósticos incorrectos.

Entre los factores más importantes están la tasa de muestreo, la resolución espectral, el tipo de ventana aplicada a la señal y el tiempo total de adquisición. Cada uno de estos elementos define el nivel de detalle y la fidelidad de la información obtenida. A continuación:

Tasa de muestreo, resolución y número de líneas

La tasa de muestreo determina cuántos puntos por segundo el sistema captura de la señal de vibración. De acuerdo con el Teorema de Nyquist, la frecuencia máxima (Fmax) analizable es igual a la mitad de la tasa de muestreo. Por eso, investigaciones de defectos en alta frecuencia, como fallas iniciales en rodamientos, requieren tasas elevadas para garantizar una cobertura adecuada de la banda de interés.

La resolución espectral depende de la cantidad de líneas de análisis (N) y de la Fmax configurada. La relación entre ambas es:

Una resolución mayor (más líneas) permite diferenciar picos muy cercanos, lo cual es esencial para distinguir, por ejemplo, la frecuencia de rotación de un eje de las frecuencias armónicas de un engranaje.

Por otro lado, resoluciones excesivamente altas aumentan el tiempo de procesamiento y el volumen de datos; por lo tanto, los equipos deben equilibrarlas según el tipo de activo monitoreado.

Buenas prácticas para el análisis espectral

En mediciones industriales prácticas, muchos analistas utilizan 1.600 líneas de resolución como punto de partida para el monitoreo de valores globales. Para equipos con mayor contenido en alta frecuencia, suele ampliarse a 3.200, 6.400 o más líneas, con el fin de capturar detalles en frecuencias superiores.

Además, el número ideal depende de la frecuencia máxima (Fmax), de la criticidad del activo y de la capacidad del sistema de adquisición. Consulta la tabla a continuación:

En este escenario de diagnósticos avanzados, las soluciones de monitoreo inalámbrico de Dynamox, como los DynaLoggers HF+, elevan la capacidad de análisis al permitir configuraciones de altísima fidelidad.

Nuestros sensores son capaces de recolectar datos y generar espectros con hasta 98.304 líneas de resolución (LOR) en mediciones uniaxiales y 32.768 en mediciones triaxiales. Este poder de procesamiento garantiza la resolución espectral necesaria para distinguir incluso las frecuencias armónicas más sutiles en fallas complejas de rodamientos y engranajes, atendiendo a los activos más críticos y exigentes.

Tipos de ventanas: Hanning, Hamming y Flat Top

Durante la recolección, la señal de vibración rara vez contiene un número entero de ciclos. Para evitar discontinuidades entre el inicio y el fin de la muestra —lo que genera un fenómeno conocido como fuga espectral (leakage)— se aplica una ventana de ponderación, que suaviza los bordes de la señal antes de calcular la FFT.

• Ventana Hanning: la más utilizada en mediciones de vibración. Ofrece un buen equilibrio entre resolución en frecuencia y precisión en amplitud, siendo indicada para diagnóstico general.
• Ventana Hamming: similar a la Hanning, pero con una atenuación lateral ligeramente menor. La ventana Hamming reduce el leakage de forma más agresiva, aunque con una leve pérdida en la capacidad de separar frecuencias muy próximas. Se utiliza cuando se desea minimizar discontinuidades, incluso sacrificando un poco la resolución fina.
• Ventana Flat Top: ideal cuando la prioridad es medir la amplitud absoluta con alta precisión, aun sacrificando la resolución. Indicada para calibraciones y pruebas comparativas.

Así, la elección de la ventana influye directamente en la claridad y la confiabilidad del espectro FFT. En mediciones industriales, la ventana Hanning suele ser el estándar recomendado por las normas ISO 10816 y ISO 20816.

Tiempo de colecta y cuidados para evitar aliasing

El tiempo total de colecta determina el intervalo sobre el cual se calculará la FFT. De este modo, tiempos de muestreo demasiado cortos reducen la resolución; adquisiciones muy largas pueden incluir variaciones transitorias que distorsionan el espectro.

Por eso, lo ideal es seleccionar una duración que capture ciclos completos de rotación del activo, garantizando estabilidad en la señal.

Otro cuidado fundamental es evitar el aliasing, un error que ocurre cuando la tasa de muestreo es insuficiente para representar correctamente las frecuencias de la señal. En esos casos, aparecen picos falsos en regiones incorrectas del espectro, comprometiendo el análisis.

• Recomendación práctica: en mediciones vibracionales, defina la tasa de muestreo con un margen de seguridad adecuado respecto a la frecuencia máxima de interés (Fmax). Esto garantiza la actuación eficaz del filtro antialiasing. De este modo, el espectro FFT representa fielmente el comportamiento de la señal. En términos técnicos, la Fmax debe mantenerse por debajo de la mitad de la tasa de muestreo, conocida como frecuencia de Nyquist, para evitar aliasing y distorsiones en el espectro.

En el caso de los sensores DynaLoggers, este riesgo se elimina gracias a los filtros antialiasing, que garantizan que la Fmax de interés se mantenga dentro de la frecuencia de Nyquist. Esto asegura que el espectro FFT refleje únicamente la vibración real de la máquina, protegiendo el análisis contra artefactos y distorsiones.

Por último, comprender qué es la FFT también implica entender cómo configurarla correctamente. Así, la elección adecuada de la tasa de muestreo, la ventana y el tiempo de adquisición garantiza espectros confiables y diagnósticos precisos, reduciendo el ruido analítico y aumentando la sensibilidad para detectar fallas incipientes.

Cómo utiliza Dynamox el análisis de vibración para apoyar diagnósticos predictivos

Dynamox ofrece un ecosistema completo de monitoreo de condición para mantenimiento predictivo, combinando sensores IoT, gateways, software analítico e inteligencia artificial. De este modo, la integración permite transformar datos de vibración y temperatura en información práctica para el diagnóstico de fallas y la gestión de activos.

Los DynaLogger monitorean vibración y temperatura de forma continua, registrando tendencias y espectros de frecuencia que reflejan el comportamiento dinámico de los activos. Luego, los DynaGateway envían automáticamente los datos a la Dynamox Platform, que organiza las mediciones en paneles y reportes intuitivos, facilitando la visualización de patrones y anomalías.

El módulo de inteligencia artificial, DynaDetect, complementa el proceso analizando las señales recolectadas y emitiendo alertas automáticas sobre posibles fallas mecánicas, como desbalanceos, desalineamientos o defectos en rodamientos. Esta automatización agiliza la interpretación técnica, aumenta la confiabilidad de los diagnósticos y reduce el tiempo de respuesta de los equipos de mantenimiento.

En conjunto, estas herramientas hacen que el monitoreo sea más eficiente, estandarizado y orientado por datos, contribuyendo a una mayor disponibilidad operativa y confiabilidad de los activos industriales.

Para saber más, habla con un especialista de Dynamox y descubre cómo aplicar análisis de vibración, sensores inteligentes e inteligencia artificial para aumentar la confiabilidad y reducir los costos de mantenimiento en su industria.

Caso de éxito

La precisión de los parámetros de la FFT es esencial en activos críticos, como las cintas transportadoras de baja rotación. En un caso de éxito en Ferro+ Mineração, los DynaLoggers y la Dynamox Platform demostraron el valor de la alta resolución espectral.

El equipo logró detectar y aislar la frecuencia exacta de una falla en la pista externa del rodamiento (BPFO), incluso con la máquina operando a solo 60 RPM.

A bajas velocidades, las amplitudes características de los rodamientos son naturalmente bajas en el espectro bruto, lo que hace indispensable utilizar señales y resoluciones de alta fidelidad. El diagnóstico preciso permitió a la minera planificar el reemplazo del componente, evitando una falla catastrófica y paradas no programadas.

Descubre cómo las soluciones Dynamox transforman datos brutos en un diagnóstico predictivo de alta confiabilidad. Haz clic y lee el caso completo.

FAQ – Preguntas frecuentes sobre FFT