تبدیل فوریه سریع (FFT) در تحلیل ارتعاشات

تعریف: تبدیل فوریه سریع (FFT) چیست؟

The تبدیل فوریه سریع (FFT) یک الگوریتم ریاضی بسیار کارآمد است که برای تبدیل سیگنال از حوزه زمان به حوزه فرکانس استفاده می‌شود. در آنالیز ارتعاش، این به معنی تبدیل یک سیگنال خام و پیچیده است. شکل موج زمانی (نمودار دامنه ارتعاش در مقابل زمان) به صورت طیف فرکانسی (نمودار دامنه ارتعاش در مقابل فرکانس). این تبدیل، مهمترین و اساسی‌ترین فرآیند در تشخیص عیب ماشین‌آلات مدرن است.

چرا FFT برای تشخیص ضروری است؟

یک شکل موج خام زمانی از یک دستگاه در حال کار، مجموعه‌ای پیچیده از ارتعاشات مختلف است که همگی به طور همزمان اتفاق می‌افتند. تقریباً غیرممکن است که با نگاه کردن به این سیگنال، سلامت دستگاه را تعیین کرد. تبدیل فوریه سریع (FFT) مانند یک منشور عمل می‌کند و این سیگنال پیچیده را به اجزای فرکانسی جداگانه‌اش تفکیک می‌کند. نتیجه، یک نمودار واضح و کاربردی است که به یک تحلیلگر اجازه می‌دهد موارد زیر را ببیند:

• چه فرکانس‌هایی وجود دارند؟
• انرژی (دامنه) در هر فرکانس چقدر است؟
• چه رابطه‌ای بین این فرکانس‌ها وجود دارد؟

از آنجا که عیوب مکانیکی و الکتریکی مختلف (مانند عدم تعادل، ناهمراستایی، نقص یاتاقان و لقی) هر کدام ارتعاشاتی در فرکانس‌های بسیار خاص و قابل پیش‌بینی ایجاد می‌کنند، طیف FFT یک نقشه راه مستقیم به علت اصلی یک مشکل ارائه می‌دهد.

پارامترهای کلیدی یک تحلیل FFT

برای به دست آوردن یک طیف FFT مفید، یک تحلیلگر ارتعاش باید چندین پارامتر کلیدی را در جمع کننده داده یا نرم افزار تعریف کند:

۱. فرکانس ماکزیمم (Fmax)

این بالاترین فرکانسی است که در طیف قرار می‌گیرد. باید به اندازه کافی بالا تنظیم شود تا بالاترین فرکانس خطای مورد نظر شما (مثلاً صدای مش دنده یا یاتاقان با فرکانس بالا) را ثبت کند.

۲. تفکیک‌پذیری (خطوط تفکیک‌پذیری)

این، سطح جزئیات در طیف را تعیین می‌کند. این به عنوان تعداد «باندهای» فرکانس گسسته یا نقاط داده‌ای تعریف می‌شود که در سراسر فرکانس ماکزیمم محاسبه می‌شوند. تعداد خطوط بیشتر (مثلاً ۳۲۰۰ یا ۶۴۰۰) منجر به وضوح فرکانسی بهتر می‌شود، به این معنی که توانایی جداسازی دو فرکانس ارتعاشی که بسیار نزدیک به هم هستند، وجود دارد. وضوح بالا برای تشخیص فرکانس‌های ضربان یا تجزیه و تحلیل باندهای جانبی در تجزیه و تحلیل گیربکس بسیار مهم است.

۳. میانگین‌گیری

از آنجا که ارتعاش ماشین می‌تواند نوسان داشته باشد، یک تبدیل فوریه سریع (FFT) «لحظه‌ای» می‌تواند گمراه‌کننده باشد. میانگین‌گیری شامل به دست آوردن چندین تبدیل فوریه سریع (FFT) به صورت متوالی و سپس میانگین‌گیری آنها با هم است. این فرآیند نویز تصادفی را کاهش می‌دهد و طیفی بسیار پایدارتر، تکرارپذیرتر و نماینده‌تر از وضعیت واقعی ماشین ارائه می‌دهد.

۴. پنجره بندی

تابع پنجره (مانند هنینگ) یک وزن‌دهی ریاضی است که قبل از محاسبه FFT به داده‌های شکل موج زمانی اعمال می‌شود. این یک تکنیک پردازش سیگنال است که برای به حداقل رساندن خطایی به نام «نشت طیفی» استفاده می‌شود و تضمین می‌کند که دامنه و فرکانس سیگنال‌ها در طیف تا حد امکان دقیق باشند.

تفسیر طیف FFT

یک تحلیلگر آموزش‌دیده، طیف FFT را با جستجوی الگوهای مشخصه تفسیر می‌کند:

• یک قله بزرگ در ۱ برابر سرعت دویدن نشان می‌دهد عدم تعادل.
• یک قله بزرگ در دو برابر سرعت دویدن اغلب اشاره می‌کند ناهم‌ترازی.
• یک سری از هارمونیک ها (پیک‌ها در ۱x، ۲x، ۳x، ۴x و غیره) نشانه‌ی کلاسیک شل‌شدگی مکانیکی است.
• یک پیک فرکانس بالا با نوارهای کناری فاصله بین آنها در سرعت حرکت، نشانه‌ی آشکاری از ایراد گیربکس یا یاتاقان است.
• یک «کف» بلند از نویز پهنای باند می‌تواند نشان‌دهنده کاویتاسیون در پمپ یا اصطکاک باشد.

با مقایسه طیف FFT فعلی با یک خط پایه که در زمان سلامت دستگاه گرفته شده است، تحلیلگران می‌توانند به راحتی تغییرات را تشخیص داده و مشکلات در حال توسعه را مدت‌ها قبل از تبدیل شدن به خرابی‌های بحرانی تشخیص دهند.

← بازگشت به فهرست اصلی