توضیح تحلیل کپستروم در تشخیص ارتعاش • بالانس کننده قابل حمل، تحلیل کننده ارتعاش "Balanset" برای بالانس دینامیکی سنگ شکن ها، فن ها، مالچرها، حلزونی ها روی کمباین ها، شفت ها، سانتریفیوژها، توربین ها و بسیاری از روتورهای دیگر توضیح تحلیل کپستروم در تشخیص ارتعاش • بالانس کننده قابل حمل، تحلیل کننده ارتعاش "Balanset" برای بالانس دینامیکی سنگ شکن ها، فن ها، مالچرها، حلزونی ها روی کمباین ها، شفت ها، سانتریفیوژها، توربین ها و بسیاری از روتورهای دیگر

آنالیز کپستروم در تشخیص ارتعاش

تعریف: کپستروم چیست؟

تجزیه و تحلیل کپستروم یک تکنیک پردازش سیگنال پیشرفته است که اطلاعاتی در مورد ساختارهای تناوبی در یک طیف فرکانسی ارائه می‌دهد. نام "سپستروم" (cepstrum) آناگرام کلمه "طیف" (spectrum) است که به ماهیت آن اشاره دارد: در واقع "طیف یک طیف" است. این روش با گرفتن لگاریتم یک طیف فرکانسی و سپس انجام تبدیل فوریه معکوس بر روی نتیجه محاسبه می‌شود. این فرآیند الگوهای تناوبی در طیف، مانند خانواده‌های هارمونیک یا باندهای جانبی را برجسته می‌کند که تشخیص آنها با نگاه مستقیم به طیف ممکن است دشوار باشد.

در نمودار کپستروم، محور x نامیده می‌شود. quefrency (وارونه ای از فرکانس) و دارای واحدهای زمانی است. قله های روی این محور، که رحمونیک، دوره تناوب (بر حسب ثانیه) الگوهای تکرارشونده در طیف اصلی را نشان می‌دهند.

چرا از تحلیل کپستروم استفاده کنیم؟

اگرچه طیف استاندارد FFT برای شناسایی اجزای فرکانسی منفرد عالی است، اما وقتی یک خطای ماشین تعداد زیادی هارمونیک و باند جانبی تولید می‌کند، می‌تواند بهم‌ریخته و تفسیر آن دشوار شود. تجزیه و تحلیل Cepstrum با تجمیع کل یک خانواده از فرکانس‌های تکراری در یک پیک واحد و واضح، این کار را ساده می‌کند. کاربردهای اصلی آن عبارتند از:

  • تشخیص خانواده‌های هارمونیک: این دستگاه به راحتی می‌تواند فرکانس پایه و هارمونیک‌های آن را شناسایی کند، حتی اگر خود فرکانس پایه در طیف ضعیف باشد یا وجود نداشته باشد.
  • شناسایی خانواده‌های باند جانبی: این روش در یافتن باندهای جانبی که اغلب دامنه کمی دارند و در نویز پنهان شده‌اند، بسیار عالی عمل می‌کند. کپستروم می‌تواند به وضوح وجود باندهای جانبی را نشان داده و فاصله آنها را اندازه‌گیری کند.
  • جداسازی اثرات منبع و مسیر: در برخی کاربردها، می‌تواند به جداسازی سیگنال منبع ارتعاش از پاسخ سازه‌ای دستگاه کمک کند.
  • تشخیص پژواک: می‌تواند پژواک‌ها یا بازتاب‌ها را در یک سیگنال شناسایی کند.

کاربردهای کلیدی در تشخیص ماشین

۱. عیب‌یابی گیربکس

این رایج‌ترین و قدرتمندترین کاربرد تحلیل کپستروم است. یک دندانه چرخ‌دنده آسیب‌دیده، فرکانس مش چرخ‌دنده (GMF) را تعدیل می‌کند و نوارهای جانبی در اطراف پیک GMF ایجاد می‌کند که با سرعت چرخش آن چرخ‌دنده فاصله دارند. در یک گیربکس پیچیده با چندین شفت و چرخ‌دنده، طیف می‌تواند ترکیبی گیج‌کننده از GMFها و نوارهای جانبی مختلف باشد. کپستروم این پیچیدگی را از بین می‌برد:

  • یک پیک در کپستروم در quefrency مربوط به دوره چرخش چرخ‌دنده (1 / RPM) نشانگر واضحی از وجود عیب در آن چرخ‌دنده خاص است.
  • دامنه پیک کپستروم را می‌توان برای نظارت بر پیشرفت سایش دنده، روندیابی کرد.

۲. تحلیل یاتاقان غلتشی

مشابه گیربکس‌ها، نقص‌های یاتاقان نیز نوارهای جانبی ایجاد می‌کنند. به عنوان مثال، یک نقص در حلقه داخلی، نوارهای جانبی ایجاد می‌کند که با سرعت شفت، حول فرکانس نقص حلقه داخلی (BPFI) و هارمونیک‌های آن فاصله دارند. کپستروم می‌تواند به تأیید وجود این الگوها کمک کند، به خصوص زمانی که در طیف آشکار نباشند.

۳. تحلیل توربوماشین‌ها

در توربین‌ها و کمپرسورها، کپستروم می‌تواند برای شناسایی هارمونیک‌های فرکانس عبور پره و تشخیص مسائل مربوط به آسیب پره یا مشکلات آیرودینامیکی مورد استفاده قرار گیرد.

چگونه یک نمودار کپستروم را تفسیر کنیم

  1. محاسبه دوره‌های تناوب: قبل از بررسی کپستروم، دوره‌های زمانی اجزای چرخان اصلی را محاسبه کنید (مثلاً برای یک شفت با سرعت ۱۸۰۰ دور در دقیقه یا ۳۰ هرتز، دوره تناوب ۱/۳۰ = ۰.۰۳۳ ثانیه است).
  2. به دنبال قله‌ها در دوره‌های زمانی شناخته شده باشید: کپستروم را برای یافتن پیک‌های (رهمونیک‌های) قابل توجه که با این دوره‌های زمانی محاسبه شده مطابقت دارند، بررسی کنید.
  3. شناسایی هارمونیک‌ها: به دنبال پیک‌هایی در مضرب‌های صحیحی از فرکانس پایه باشید. این پیک‌ها نشان‌دهنده‌ی وجود خانواده‌های هارمونیک قوی در طیف اصلی هستند.
  4. دامنه‌های روند: دامنه پیک‌های کپستروم را در طول زمان زیر نظر داشته باشید. افزایش دامنه نشان دهنده بدتر شدن وضعیت است.

تحلیل کپستروم ابزاری قدرتمند است که برای استفاده‌ی مؤثر به تجربه نیاز دارد، اما برای ماشین‌آلات پیچیده‌ای مانند گیربکس‌ها، می‌تواند وضوح تشخیصی ارائه دهد که با تحلیل طیفی به تنهایی قابل مقایسه نیست.


← بازگشت به فهرست اصلی

fa_IRFA
واتساپ