درک Auto-Spectrum
The طیف خودکار — همچنین نوشته شده autospectrum، و بهطور شل طیف توان یا صرفاً “طیف” نامیده میشود — نمایش فرکانسی از یک لرزش سیگنال، نشاندهندگی نحوه توزیع انرژی یا دامنه سیگنال در سرتاسر فرکانس. این با گرفتن تبدیل فوریه سریع (FFT) یک رکورد زمانی و نمایش بزرگی هر جزء فرکانسی ایجاد میشود. پیشوند “auto-” آن را از فرا-طیفمتمایز میسازد، که دو سیگنال متفاوت را مربوط میسازد: یک طیف خودکار، طیف سیگنالی است که با خودش گرفته شده است.
در کار روزمره این دقیقاً همان چیزی است که بیشتر تکنسینها منظور دارند وقتی میگویند “طیف” یا “FFT” — نمایش فرکانسی استاندارد در هر آنالیزور ارتعاش، با قلههای آن در عدم تعادل, فرکانسهای خطای یاتاقان, مش دنده، و غیره. درک این موضوع که این ابزار روزمره از لحاظ فنی یک طیف خودهمبستگی است در زمان کار چند کانال اهمیت دارد، جایی که طیف متقابلها، انسجام، و سایر توابع همبستگی در میدان ظاهر میشوند.
۱. بنیاد ریاضی
دو مسیر به یک نتیجه
دو روش ریاضی معادل برای رسیدن به طیف خودهمبستگی وجود دارد:
- Direct FFT: سیگنال زمانی را تبدیل کنید، قدرمطلق (یا قدرمطلق به توان دو) هر بینفاز FFT پیچیده را بگیرید، و آن را بر حسب فرکانس رسم کنید. این مسیر معمول و سردرست است که در تقریباً هر ابزار استفاده میشود.
- از طریق خودهمبستگی: ابتدا تابع خودهمبستگی سیگنال را محاسبه کنید، سپس FFT آن را بگیرید. بر اساس قضیه وینر–خینچین نتیجه با روش مستقیم یکسان است — همان طیف که از مسیر محاسباتی متفاوت رسیده است.
هنگامی که قدرمطلق به توان دو میرسد و بر واحد فرکانس نرمال شود، کمیت یکسان به چگالی طیفی توانتبدیل میشود، که شکل ترجیحشده برای ارتعاش تصادفی گسترده است.
میانگینگیری برای پایداری
یک FFT واحد از لحاظ آماری نویزی است، بنابراین چندین طیف خودهمبستگی محاسبهشده از رکوردهای زمانی متوالی با هم میانگینگیری میشوند تا برآورد تسکینیابد و پراکندگی تصادفی کاهشیابد. برای تشخیصهای روتین ماشین ۴–۱۶ میانگین معمول است؛ ارتعاش تصادفی گسترده ممکن است ۵۰–۱۰۰ یا بیشتر نیاز داشته باشد. فایده با هزینه زمان اندازهگیری همراه است، به همین دلیل تعداد میانگین تبادل آگاهانه است نه “بیشتر همیشه بهتر است.”
۲. خصوصیات تعریفکننده
سه مشخصه مستقیماً از ریاضیات ناشی میشوند و شایسته توجه هستند هنگام خواندن هر طیف:
- Real-valued: طیف خودهمبستگی جزء موهومی ندارد. این تنها قدرمطلق را نشان میدهد، بنابراین فاز رابطهٔ سیگنال اصلی در محاسبهٔ بزرگی حذف میشود. برای شناسایی خرابی یک نقطهای این از دست دادن مشکل نیست؛ برای کار تعادل یا تابع انتقال، جایی که فاز ضروری است، این محدودیت واقعی است.
- همیشه مثبت: مقادیر همیشه بزرگتر یا مساوی صفر هستند زیرا انرژی یا توان را نشان میدهند، که نمیتواند منفی باشد.
- متقارن برای سیگنالهای واقعی: طیف سیگنال زمانی واقعی حول فرکانس نایکویست متقارن است — فرکانسهای منفی صرفاً فرکانسهای مثبت را منعکس میکنند — بنابراین تنها نیمهٔ مثبت نمایش داده میشود، و تمام اطلاعات را شامل میشود.
3. طیف اتو در تشخیص خرابی ماشینآلات
نمایشگر روزانهٔ تحلیلگر
این نموداری است که تکنسینها در آن زندگی میکنند. تمام اجزای فرکانسی لرزش را بهطور همزمان نشان میدهد، و وظیفهٔ تحلیلگر شناسایی هر قله و تطابق آن با نوع خرابی است — طیف اتو را ابزار اصلی برای تشخیص خرابی و برای ارزیابی شرایط روتین.
ویژگیهایی که باید جستجو کنید
- 1× peak: سرعت دویدن لرزش، تحت سلطهٔ عدمتعادل و منابع دیگر یک دورهٔ درهرانقلاب.
- 2× peak: commonly ناهمترازی یا شلشدگی مکانیکی.
- فرکانسهای یاتاقان: بی پی اف او, بی پی اف آی, بی اس اف، و اف تی اف، اغلب احاطه شده توسط نوارهای کناری.
- Gear mesh: فرکانس درگیری دندان و هارمونیک ها.
- برق: دو برابر فرکانس خط (120 هرتز روی منبع 60 هرتز، 100 هرتز روی منبع 50 هرتز).
- سطح نویز: سطح پیشزمینه تعیین شده توسط لرزش تصادفی و نویز ابزار، برابر آن قلل واقعی باید برجسته باشند.
4. طیف اتو در مقابل طیف متقاطع
طیف اتو تککانال به سؤال “چه فرکانسهایی موجود هستند؟” پاسخ میدهد، درحالیکه نسخهٔ دوکانالی آن به سؤال “دو سیگنال چگونه مرتبط هستند؟” پاسخ میدهد. تناقض ارزش دارد که بهصراحت بیان شود:
| طیف اتو (کانال تنها) | طیف متقاطع (دوکانال) |
|---|---|
| طیف یک سیگنال | رابطه بین دو سیگنال |
| محتوای فرکانسی آن سیگنال را نشان میدهد | محتوای فرکانسی مشترک بین هردو را نشان میدهد |
| اطلاعات فاز وجود ندارد | رابطه فاز را شامل میشود |
| برای اکثر تشخیصها کافی است | Underpins تابع انتقال و تحلیل همبستگی |
| تبدیل فوریه سریع تک کاناله استاندارد | نیاز به دو کانال هماهنگ شده دارد |
۵. حالتهای میانگینگیری و گزینههای نمایش
انتخاب یک حالت میانگینگیری
- میانگینگیری خطی: میانگین حسابی ساده طیفهای متوالی که نویز تصادفی را کاهش میدهد و به طیف واقعی همگرا میشود — استاندارد برای تحلیل ماشینآلات.
- میانگینگیری نمایی: میانگین وزندار که رکوردهای اخیر را ترجیح میدهد، ایدهآل برای نظارت بیدرنگ جایی که شرایط تغییر میکند.
- قفل بیشینه (طیف بیشینه): هر دسته فرکانسی بالاترین مقدار دیدهشده خود را حفظ میکند، اجزای گذرا را ثبت میکند — بسیار ارزشمند در حین مقدمهچینی and ساحلداون testing.
مقیاسبندی محورها
محور دامنه را میتوان روی یک linear scale (میلیمتر بر ثانیه، متر بر ثانیه مربع)، که مقادیر مطلق را برای خواندن آسان میسازد اما میتواند قلههای کوچک را کنار قلههای بزرگ پنهان کند، یا روی یک مقیاس لگاریتمی دسیبل (20·log[amplitude/reference]), which compresses a wide dynamic range را فشرده میکند، بنابراین قلههای کوچک و بزرگ باهم قابل رؤیت هستند — نمایش ترجیحی برای کار تفصیلی و تحقیقاتی. محور فرکانسی معمولاً linear به هرتز برای ماشینآلات، اگرچه یک logarithmic محور با فاصلهگذاری هشتام برابری برای دامنههای فرکانسی بسیار وسیع مناسب است.
6. کیفیت و خطرات احتمالی
طیفنگاری تنها به خوبی دادههای پشتسر آن است. یک clean spectrum قلههای واضحی را بالای کف نویز کم نشان میدهد؛ یک noisy spectrum قلهها را در یک پسزمینه پر سر و صدا پنهان میکند، که میانگینگیری بیشتر و تفکیک فرکانسی مناسب میتوانند آن را برطرف کنند. دو بررسی اساسی برای کسبوکار ضروریاند: تأیید کنید که تفکیک فرکانسی بهاندازه کافی ریز است تا قلههای نزدیکبههم را جدا کند، و دقت کنید بر روی input overload، که سیگنال را قطع میکند و اجزای طیفی نادرست ایجاد میکند — اگر اتفاق افتد، بهره ورودی را کاهش دهید و دوباره کسب کنید. ماشین حساب تفکیک پذیری FFT کمک میکند یک تعداد خط و پهنای باند را انتخاب کنید که قلههایی را که به آنها اهمیت میدهید حل کند.
مکان قرارگیری ابزارهای میدانی
در دستگاه دوکاناله قابلحمل مانند بالانس-1a، طیفنگاری خود نمای تشخیصی روزمره است که تکنسین در دستگاه میخواند تا ببیند آیا انرژی در 1× متمرکز شدهاست (اشارهکننده به عدمتعادل و نامزد برای متعادل سازی میدان) یا در فرکانسهای یاتاقان و خردایش دنده پخش شدهاست که نشاندهنده یک نقص کاملاً متفاوت است — همه در بلبرینگهای خود دستگاه در سرعت کاری ثبت شدهاند.
طیفنگاری خود ابزار بنیادی تحلیل فرکانس تشخیص لرزش است: FFT تککاناله که تکنسینها روزانه برای شناسایی نقص و ارزیابی وضعیت به آن متکیاند. درک اینکه «طیفنگاری» از نظر فنی طیفنگاری خود است — و چگونه با طیفهای متقاطع و سایر توابع طیفی مرتبط است — زمینه را برای تحلیل پیشرفته چندکاناله و تشخیصدقیق ماشینآلات فراهم میکند.
