Synkronisen keskiarvon ymmärtäminen
Synkroninen keskiarvoistus — kutsutaan myös aikatasokeskiarvoistatamiseksi tai aikasynkroniseksi keskiarvoistatamiseksi (TSA) — on signaalinkäsittelytekniikka, jota käytetään värähtelyanalyysi joka parantaa jaksollista, nopeussynkronista tärinä samalla kun satunnainen kohina ja kaikki akselinpyörimiseen sitoutumaton tärinä vaimennetaan. Menetelmä ottaa toistuvasti tärinänäytteitä useiden akselikierrosten aikana, jokainen lohko laukaistaen kerran-per-kierros- kierroslukumittari pulssilla, minkä jälkeen vastaavat pisteet keskiarvoistetaan jokaiselta kierrokselta. Komponentit, jotka toistuvat identtisinä joka kierroksella, vahvistavat toisiaan, kun taas satunnainen kohina ja asynchronous komponentit kumoavat toisensa, tuottaen merkittävän parannuksen signaali-kohina-suhteeseen. Se on erityisen tehokas hammaspyörädiagnostiikassa — eristämään yksittäisen hammaspyörän hammastuskuvio — ja voi paljastaa hienovaraisia jaksollisia kuvioita kohinaan hautautuneina, jotka olisivat täysin näkymättömiä tavallisessa aika-aaltomuoto tai FFT-spektri.
1. Kuinka synkroninen keskiarvoistataminen toimii
Prosessi vaihe vaiheelta
- Laukaisusignaali: kerran-per-kierros-pulssi takymetristä tai Keyphasor määrittää jokaisen kierroksen alkupisteen.
- Tiedon segmentointi: Värähtelysignaali jaettuna yhtä pitkiin segmentteihin, yksi kierrosta kohden
- Kohdistuminen: jokainen segmentti kohdistetaan laukaisupulssiinsa niin, että niillä on yhteinen kulmallinen lähtöpiste.
- Piste pisteeltä -keskiarvoistataminen: kaikkien segmenttien vastaavat näytteet keskiarvoistetaan yhteen.
- Tulos: yksittäinen keskiarvotettu aaltomuoto, joka edustaa yhtä idealisoitua kierrosta.
- Melunvaimennus: satunnaiset komponentit kumoavat toisensa tilastollisesti samalla kun jaksolliset vahvistuvat.
Taustan matematiikka
- Jaksolliset, vaiheeseen lukitut signaalit summautuvat coherently (ne summautuvat samanvaiheisina, kasvaten lineaarisesti keskiarvoistusten lukumäärän myötä).
- Satunnainen melu summautuu incoherently (se kumoaa tilastollisesti, kasvaten vain havaintojen lukumäärän neliöjuurta vastaavasti).
- Signaali-kohinasuhteen parannus on siis verrannollinen √N, missä N on keskiarvoistuskertojen lukumäärä.
- Esimerkiksi 100 keskiarvoistuskertaa parantaa SNR:ää 10-kertaisesti (20 dB); 400 kertaa 20-kertaisesti (26 dB).
Koska laukaisusignaali tulee akselilta itseltään, synkroninen keskiarvoistus on luonnostaan kertalukuanalyysi — keskiarvoistettu tietue on lukittu akselin kulmaan, ei kellonaikaan, joten se sietää pienen nopeuden vaihtelun, joka hämärtäisi tavallisen kiinteän näytteenottotaajuuden FFT:n.
2. Sovellutukset
Vaihteistodiagnostiikka — tärkein käyttökohde
Tämä on yleisin ja tehokkain sovellus.
- Hammaspyörän välityksen eristäminen: synkroninen keskiarvoistaminen kiinnostavan hammaspyörän mukaan vahvistaa kyseisen hammaspyörän mesh pattern samalla vaimentaen muita hammaspyöriä ja laakereita, mikä auttaa vahvistamaan vaihdevikoja.
- Analyysi hammaalta hampaalle: keskiarvoistettu aaltomuoto näyttää jokaisen hammaskytkennän selkeästi, vaurioitunut hammas ilmenee paikallisena poikkeamana muuten toistuvassa kuviossa, ja poikkeaman perusteella voidaan tunnistaa mikä hammas on vaurioitunut ja arvioida sen vakavuus.
Muut sovellukset
- Laakerin analyysin parantaminen: ulkoradan periodin yli tapahtuva keskiarvoistaminen eristää ja vahvistaa laakerivika, leikaten muiden lähteiden peittävän vaikutuksen läpi — erityisen hyödyllinen runsasmeluisissa ympäristöissä.
- Vääntövärähtely: vahvistaa pyörimisen kanssa synkroniset komponentit samalla vaimentaen sivittäistä värähtelyä ja kohinaa, paljastaen vääntö resonanssit ja jännitteet.
- Tasapainottaminen: parantaa amplitudi ja vaihe mittaus meluisissa olosuhteissa, antaen luotettavammat vaikutuskerroin determination.
3. Edut
- Melunvaimennus: merkittävä signaali-kohinasuhteen parannus, joka voi poimia esiin 20–30 dB kohinatason alapuolelle hautautuneet signaalit, mahdollistaen mittaukset aidosti vaativissa ympäristöissä.
- Vian eristäminen: erottaa yhden komponentin sormenjäljen kaikista muista — esimerkiksi eristäen pinionin hammastuksen vaihteiston hammastuksesta — ja tunnistaa siten, mikä komponentti on viallinen.
- Parantunut erotuskyky: paljastaa hienovaraiset kuviot ja viat, näyttää raakasignaalissa peittyneen yksityiskohtaisen tiedon ja mahdollistaa aidosti varhaisen vian havaitseminen.
4. Vaatimukset ja rajoitukset
Mitä se vaatii
- Kierroslukumittari: luotettava kerran kierrosta kohti annettu käynnistyssignaali on välttämätön — ilman sitä menetelmä ei pysty kohdistamaan segmenttejä.
- Vakaa nopeus: nopeuden on pysyttävä kohtuullisen tasaisena, tyypillisesti ±1–2 % vaihtelussa.
- Riittävä määrä mittausjakoja: yleensä 50–200 kierrosta hyvän tuloksen saavuttamiseksi.
- Jaksollinen signaali: vain aidosti jaksollisia, vaihelukittuja komponentteja vahvistetaan.
Missä se on heikko
- Se vaimentaa ei-synkronisia vialoja: satunnaisia vikoja ja suurinta osaa laakerivikataajuudet ovat reduced, joten tekniikka on väärä työkalu, jos ne ovat kohteena (käytä verhokäyräanalyysi instead).
- Nopeuden vaihtelu: nopeuden muuttuminen keskiarvostusikkunan aikana hämärtää tulosta.
- Vaadittava aika: data on kerättävä useiden kierrosten aikana.
- Ei reaaliaikainen: jonkinlainen jälkikäsittely on tarpeen.
5. Vertailu muihin tekniikoihin
Synkroninen keskiarvoistaminen vs lineaarinen keskiarvoistaminen
- Synkroninen: keskiarvostaa aikatasossa, lukittuna pyörimiseen, ja vahvistaa jaksollisia komponentteja.
- Lineaarinen: laskee FFT-spektrien keskiarvon ja vähentää satunnaista vaihtelua kaikilla taajuuksilla erottelematta.
- Use cases: synkroninen hammaspyörille ja tietyille komponenteille; lineaarinen yleiseen spektrin tasoitukseen.
Synkroninen keskiarvoistaminen vs verhokäyräanalyysi
- Synkroninen keskiarvoistaminen: aikatasossa, korostaa säännöllisiä kuvioita.
- Verhöanalyysi: taajuustasossa, havaitsee toistuvat iskut, kuten vioittuneen laakerin radan aiheuttamat.
- Täydentävä: näitä kahta voidaan yhdistellä kattavaa analyysia varten — tasoita hammaspyöräverkko pois, ja hae sitten jäljelle jäävästä verhokäyrä laakerivikojen löytämiseksi.
6. Käytännön toteutus
Asennus, tiedonkeruu ja tulkinta
- Asetukset: asenna takymetri, joka tuottaa selkeän kerran kierrosta kohti annetun pulssin — nauha heijastava teippi optisella anturilla on tavallinen kenttävalinta — aseta keskiarvostusten lukumäärä (50–200), määritä signaalin pituus (yksi kierros, kymmenen kierrosta jne.) ja varmista nopeuden vakaus.
- Tietojen kerääminen: hanki tiedot keskiarvostusjakson aikana; laite segmentoi ja laskee keskiarvon automaattisesti, näyttää keskiarvoistetun aaltomuodon ja laskee usein myös kyseisen keskiarvoistetun signaalin FFT:n parannetun spektrin saamiseksi.
- Tulkinta: tutki keskiarvoistettu aaltomuoto jaksollisten kuvioiden varalta, etsi poikkeamia, jotka viittaavat vikoihin, ja vertaa tunnettuun hyvään lähtötaso allekirjoituksia ja kvantifioi vakavuuden poikkeama-amplitudin perusteella.
Kentällä koko tämä työnkulku on riippuvainen puhtaasta vaiheen referenssistä. Kaksikanavainen kannettava laite, kuten Balanset-1A toimittaa juuri sen: sen optinen lasernopeusanturi laukaisee akselin pienestä heijastavasta teipistä, tuottaen yhden pulssin per kierros, joka ankkuroi jokaisen keskiarvostusikkunan — sama pulssi, jota laite jo käyttää kenttätasapainotus. Vakaalla laukaisulla ja tasaisella nopeudella sekunneissa taltioidusta keskiarvostetusta aaltomuodosta voidaan paljastaa yksittäinen lohjennut hammasratashampaan, jonka raakaspektri peitsi täysin.
7. Edistyneet muunnelmat
- Vaihteistoon synkronoitu keskiarvoistaminen: laukaiseminen kiinnostavan hammaspyörän eikä akselin mukaan näyttää kyseisen hammaspyörän verkostomallin, vaikka se vaatii enkooderin tai monipulssisen nopeusanturin.
- Monijärjestyskes kiarvostus: laskee useita kertalukuja samanaikaisesti erottamaan 1×-, 2×- ja 3×-komponentit ja antamaan kattavan kertalukusisällön.
- Erotussignaali: vähentämällä keskiarvostettu signaali raakasiGnaalista jää jäännös, joka sisältää täsmälleen poistetun — asynkronisen sisällön — mikä on hyödyllinen tapa paljastaa laakeriviat, kun hammasratasverkosto on poistettu.
Synkroninen keskiarvostus on kehittynyt tekniikka, joka parantaa merkittävästi jaksollisten, nopeussynkronisten mallien näkyvyyttä samalla kun se vaimentaa kohinaa ja asynkronisia komponentteja. Sen hallitseminen avaa edistyneen vaihteistodiagnostiikan, varhaisen vikaehtoisen tunnistamisen kohinaisissa ympäristöissä sekä yksittäisten komponenttien allekirjoitusten puhtaan eristämisen muuten läpitunkemattomissa koneissa.
