Spektralanalyse verstehen
Spektralanalyse ist der Prozess, bei dem ein komplexes Signal - wie etwa eine Zeitwellenform von einem Vibrationssensor - und zerlegt es in seine einzelnen Frequenzkomponenten. Ziel ist die Umwandlung des Signals vom Zeitbereich (Amplitude über der Zeit) in die Frequenzbereich (Amplitude gegen Frequenz). Der Ausgang ist ein Spektrum (Plural: Spektren): ein Diagramm, das die Amplitude der Schwingung bei jeder spezifischen Frequenz anzeigt. Die Spektralanalyse ist die grundlegendste und leistungsfähigste Technik in Schwingungsdiagnostik, da sie einem Analytiker ermöglicht, die einzigartigen Frequenzsignaturen zu erkennen, die mit verschiedenen Maschinenfehlern verbunden sind.
1. Definition: Was ist Spektralanalyse?
Die Schwingung einer Maschine ist die Summe vieler gleichzeitiger periodischer Kräfte, und im Zeitbereich verschwimmen diese Kräfte zu einer einzigen komplizierten Spur, die sich der Interpretation entzieht. Die Spektralanalyse entwirrt diese Spur. Die mathematische Grundlage ist das Fourier-Prinzip: Jedes periodische Signal, wie komplex es auch sein mag, kann als Summe einfacher Sinuswellen dargestellt werden, jede mit ihrer eigenen Frequenz, Amplitude und Phase. Mit der Spektralanalyse wird diese Liste von Sinuswellen wiedergewonnen und als Spektrum dargestellt — sie wandelt “ein verwirrendes Wackeln im Zeitverlauf” in “eine ordentliche Reihe von Spitzenwerten bei bekannten Frequenzen” um. Diese Umwandlung ist der springende Punkt, und alles andere ergibt sich aus ihr.
2. Die Rolle der schnellen Fourier-Transformation (FFT)
Die moderne Spektralanalyse wird durch einen hocheffizienten Algorithmus mit der Bezeichnung Schnelle Fourier-Transformation (FFT). Die FFT ist ein mathematisches Verfahren, das in jedem digitalen Schwingungsanalysator. Es nimmt die digitalisierten Zeit-Wellenform-Daten als Eingabe und erzeugt das Frequenzspektrum als Ausgabe, wobei es in Millisekunden eine Berechnung durchführt, für die man früher Stunden gebraucht hätte.
Die FFT ermöglicht es, ein komplexes, scheinbar chaotisches Signal - das im Zeitbereich sehr schwer zu lesen ist - im Frequenzbereich als eine klare Reihe von eindeutigen Frequenzspitzen zu betrachten. Damit die FFT gültig ist, muss das Signal zunächst korrekt abgetastet werden und vor Aliasing, weshalb der Transformation immer ein Anti-Aliasing-Filter vorausgeht.
3. Die diagnostische Kraft des Spektrums
Die Spektralanalyse ist deshalb so effektiv, weil verschiedene mechanische und elektrische Probleme in rotierenden Maschinen Vibrationen bei vorhersehbaren, charakteristischen Frequenzen erzeugen. Durch die Untersuchung des Spektrums kann ein Analytiker die Grundursache eines Problems diagnostizieren, indem er die Frequenzen der Spitzen mit einem bekannten Fehlermuster abgleicht. Gängige Beispiele sind:
- Ein großer Peak bei 1× der Betriebsdrehzahl weist oft darauf hin Unwucht — das Stichwort für eine Auswuchtarbeit.
- Eine große Spitze bei 2× der Laufgeschwindigkeit ist ein klassisches Zeichen für Fehlausrichtung.
- Eine Reihe von Oberschwingungen bei laufender Drehzahl deutet in der Regel auf mechanische Lockerheit hin.
- Eine Reihe von Spitzen bei nicht ganzzahligen Vielfachen der Laufgeschwindigkeit kann darauf hinweisen, Lagerdefekte, oft am besten bestätigt mit Hüllkurvenanalyse.
- Eine hochamplitudige Spitze bei der Zahneingriffsfrequenz mit Seitenbänder zeigt an Getriebedefekte.
- Eine Spitze bei der 2-fachen Netzfrequenz kann auf ein Problem mit dem Motorstator hinweisen.
4. Wichtige Parameter der Spektralanalyse
Um ein brauchbares Spektrum zu erhalten, muss ein Analytiker mehrere Schlüsselparameter festlegen. Wenn diese falsch sind, führt selbst eine perfekte FFT in die Irre:
- Fmax (Höchstfrequenz): die höchste im Spektrum enthaltene Frequenz. Sie muss hoch genug eingestellt werden, um die vermuteten Fehler zu erfassen – hoch für Getriebe- und Lagerprobleme, niedriger für Unwucht bei niedrigen Drehzahlen.
- Auflösung (Spektrallinien): Dies bestimmt den Detaillierungsgrad. Mehr Linien ermöglichen eine feinere Frequenzauflösung, so dass der Analysator zwei nahe beieinander liegende Spitzenwerte trennen kann - eine wichtige Voraussetzung für die Auflösung von Seitenbändern bei der Analyse von Getrieben. Der Preis dafür ist eine längere Erfassungszeit, ein Verhältnis, das Sie mit einem FFT-Auflösungsrechner.
- Mittelwertbildung: Um ein sauberes, stabiles Spektrum zu erhalten, nimmt der Analysator mehrere “Schnappschüsse” auf und mittelt sie, um zufälliges Rauschen zu unterdrücken und die tatsächliche Schwingung im stationären Zustand zu erkennen.
- Fensterung: eine mathematische Funktion, wie z. B. ein Hanning-Fenster, auf jeden Datenblock angewendet wird, um zu verhindern Leckeffekt, die sonst die Amplituden und Formen der Peaks verwischen und verzerren würden.
5. Spektralanalyse in der Praxis
Die Spektralanalyse ist nicht auf das Labor beschränkt - sie ist genau das, was ein Wartungstechniker vor Ort mit einem tragbaren Gerät durchführt. Ein Zweikanal-Analysegerät wie das Balanset-1A tastet das Signal von einer Beschleunigungsmesser auf dem Lagergehäuse, führt die FFT durch und präsentiert das Spektrum vor Ort, sodass der Techniker einen Fehler erkennen und vor der nächsten Schicht handeln kann. Da dasselbe Instrument auch die Welle misst Phase von einer Drehzahlmesser, so kann eine Diagnose von 1× Unwucht direkt in eine Auswuchtkorrektur münden, ohne das Werkzeug zu wechseln – Diagnose und Reparatur in einem Arbeitsgang.
6. Spektralanalyse im Vergleich zur zeitlichen Wellenform
Das Spektrum ist aussagekräftig, aber es ist nicht das ganze Bild. Die Mittelwertbildung und die FFT können kurze, scharfe transiente Ereignisse verbergen – die Stoßimpulse eines gebrochenen Zahnradzahns oder eines abgeplatzten Lagers – die in der rohen Zeitsignalform deutlich hervortreten. Erfahrene Analytiker behandeln daher die beiden Ansichten als Partner: das Spektrum zum Auffinden die Frequenzen Energie transportieren, die zu untersuchende Zeitwellenform Wie diese Energie abgegeben wird. Die Spektralanalyse ist das Herzstück der modernen Schwingungsdiagnostik. Sie liefert einen klaren “Röntgenblick” auf die Kräfte und Bewegungen innerhalb einer Maschine und verwandelt die Rohschwingungen zusammen mit der Wellenform und einer soliden Basislinie in zuverlässige Entscheidungen.
