पॉवर स्पेक्ट्रल डेन्सिटी समजून घेणे
पॉवर स्पेक्ट्रल डेन्सिटी (PSD) हे vibration ऊर्जा वारंवारितीवर कशी वितरित होते हे दर्शवते; ती वारंवारिता bandwidth च्या प्रति एकक ऊर्जेच्या रूपात व्यक्त केली जाते — acceleration साठी (m/s²)²/Hz किंवा velocity साठी (mm/s)²/Hz. सामान्य आयाम स्पेक्ट्रम प्रत्येक वारंवारितेवर असलेला amplitude दाखवते, तर PSD प्रति hertz शक्ती प्रत्येक वारंवारितेवर दर्शवते, जी analysis bandwidth नुसार normalise केलेली असते. ही normalisation ची एकच कृती PSD ला त्याचे विशेष महत्त्व देते: ते FFT गणनेसाठी वापरलेल्या resolution पासून स्वतंत्र असते, त्यामुळे भिन्न settings वर — किंवा वेगवेगळ्या instruments वर — घेतलेले spectra थेट आणि न्याय्यरीत्या तुलना करता येतात.
PSD विशेषतः यादृच्छिक कंपन, जिथे ऊर्जा काही ठराविक peaks वर केंद्रित न होता संपूर्ण frequency axis वर सतत पसरलेली असते, तिथे PSD विशेष उपयुक्त ठरते. noise analysis, environmental आणि qualification testing, तसेच spectrum चे bandwidth-independent वर्णन आवश्यक असलेल्या कोणत्याही कामासाठी ती नैसर्गिक भाषा आहे. याउलट नियमित machinery fault-finding साठी परिचित amplitude spectrum साधारणपणे अधिक सोयीचे दृश्य राहते.
1. PSD विरुद्ध Amplitude Spectrum
ही दोन्ही प्रदर्शनं वेगवेगळ्या प्रश्नांची उत्तरे देतात, आणि कोणते वापरायचे हे जाणणे म्हणजे कौशल्याचा अर्धा भाग.
Amplitude spectrum
- कंपन दर्शवते amplitude प्रत्येक वारंवारितेवरील मूल्य mm/s, m/s² किंवा mils सारख्या नेहमीच्या units मध्ये दाखवते.
- ते ठराविक वारंवारितींवर तीक्ष्ण peaks दाखवते — 1× वरील unbalance, bearing-fault tones, gear mesh — आणि निदानासाठी हेच आवश्यक असते.
- त्याची peak values FFT resolution bandwidth वर अवलंबून असतात, त्यामुळे एकाच मशीनचे वाचन वेगवेगळ्या settings वर वेगळे दिसू शकते.
- यंत्रसामग्री निदानासाठीचे मानक प्रदर्शन.
पॉवर स्पेक्ट्रल डेन्सिटी
- हे (mm/s)²/Hz किंवा (m/s²)²/Hz सारख्या units मध्ये bandwidth च्या प्रति hertz कंपन शक्ती दाखवते.
- हे स्वतंत्र रेषांची उंची न दाखवता वारंवारितीवरील ऊर्जा-वितरण दर्शवते.
- हे analysis bandwidth पासून स्वतंत्र असते — हा त्याचा मुख्य फायदा आहे.
- यादृच्छिक कंपनासाठीचे मानक वर्णन.
यांच्यातील संबंध
PSD = (Amplitude)² / Δf, जिथे Δf ही frequency resolution (bin width) आहे.
amplitude चे वर्ग केल्याने सर्वात मोठे घटक अधोरेखित होतात, आणि Δf ने भाग दिल्याने bandwidth वरचे अवलंबित्व नाहीसे होते. bin width स्वतः transform च्या span आणि line count वर ठरते; हा संबंध FFT रेजोल्यूशन कॅलक्युलेटर स्पष्ट करते — आणि म्हणूनच अरुंद Δf मुळे raw amplitude spectrum चे peaks वाढतात, पण PSD बदलत नाही हे समजते.
2. PSD कुठे वापरले जाते
याचे उपयोग प्रामुख्याने randomness, broadband energy, आणि तुलना करण्याच्या गरजेभोवती केंद्रित असतात.
यादृच्छिक कंपन विश्लेषण
हा याचा मुख्य उपयोग आहे. flow अशांत प्रवाह, road inputs, seismic motion, acoustic excitation अशा यादृच्छिक प्रक्रियांमुळे discrete peaks नसलेले सतत spectrum तयार होते, आणि त्यांची ऊर्जा कशी पसरली आहे याचे योग्य सांख्यिक वर्णन PSD करते. कंपन-चाचणी specifications याच कारणासाठी PSD मध्ये लिहिलेल्या असतात.
Broadband noise चे वर्णन
PSD broadband घटनांना स्वच्छपणे पकडते: कॅव्हिटेशन pumps मधील noise, fans मधील turbulent-flow noise, aerodynamic noise, आणि peak-based दृश्यात संक्षेपित करणे कठीण जाणारा bearing-defect noise मधील broadband content.
Bandwidth-independent तुलना
PSD Δf ने normalise केलेले असल्यामुळे ते वेगवेगळ्या FFT settings वर घेतलेले spectra, वेगवेगळ्या instruments किंवा resolutions मधील data, आणि कोणी analysis parameters नोंदवले नसलेल्या ऐतिहासिक records यांची तुलना करू देते. bandwidth काहीही असो, PSD values थेट तुलना करता येतात.
पर्यावरणीय आणि पात्रता चाचणी
कंपन-चाचणी profiles PSD विरुद्ध frequency म्हणून निर्दिष्ट केले जातात, shaker-table controllers PSD target वर नियंत्रण ठेवतात, आणि product-qualification तसेच shock-and-vibration standards ह्याच संज्ञांमध्ये मांडलेले असतात — त्यामुळे अशा चाचण्या चालवणाऱ्या किंवा त्यांचे विश्लेषण करणाऱ्या कोणासाठीही PSD मधील प्राविण्य अत्यावश्यक असते.
3. PSD ची गणना
ही गणना थेट व्याख्येतूनच पुढे येते:
- कंपन सिग्नलचा FFT काढा.
- प्रत्येक amplitude value चा वर्ग करा.
- frequency resolution ने भाग द्या, Δf = Fmax ÷ lines ची संख्या.
- निकाल (units)²/Hz मधील PSD असतो.
units मूळ parameter नुसार बदलतात — acceleration PSD (m/s²)²/Hz किंवा g²/Hz मध्ये, velocity PSD (mm/s)²/Hz किंवा (in/s)²/Hz मध्ये, displacement PSD (µm)²/Hz किंवा (mils)²/Hz मध्ये — आणि PSD चा विस्तृत dynamic range मांडण्यासाठी ते अनेकदा logarithmic (dB-relative-to-reference) scale वर plot केले जाते. अचूक PSD साठी योग्य विंडोइंग आणि time data ची averaging देखील आवश्यक असते, कारण स्थिर अंदाज मिळवण्यासाठी random signals वर अनेक records ची averaging करावी लागते.
4. PSD plots चे अर्थ लावणे
PSD curve चा आकार स्वतःच निदानात्मक अर्थ बाळगतो.
- सपाट spectrum (white noise): वारंवारितीभर स्थिर PSD म्हणजे सर्वत्र प्रति hertz समान ऊर्जा — आदर्श broadband random vibration ची खूण, आणि random-vibration testing मधील अनेक चाचण्यांसाठीचे target profile.
- उतार असलेला spectrum (coloured noise): frequency नुसार बदलणारा PSD. वाढता उतार उच्च वारंवारितींवर ऊर्जा केंद्रित करतो; घटता उतार कमी वारंवारितींवर ऊर्जा केंद्रित करतो, आणि हे प्रत्यक्ष यंत्रसामग्रीत सामान्य आहे.
- PSD मधील peaks: स्वतंत्र घटक अजूनही एकूण पातळीच्या वर उठून दिसणाऱ्या peaks म्हणूनच दिसतात, आणि अनुनाद उच्च पातळीच्या भागांप्रमाणे दिसतात, त्यामुळे broadband पार्श्वभूमीतही प्रमुख ऊर्जा-योगदान देणारे घटक दिसत राहतात.
5. RMS आणि एकूण ऊर्जेशी संबंध
PSD चा संबंध अभियंते ज्यांवर अवलंबून असतात त्या single-number severity measures शी थेट आहे.
RMS = √[ ∫ PSD(f) df ]
पूर्ण frequency range वर PSD चे integration केल्यास mean-square value मिळते, आणि त्याचे square root म्हणजे एकूण RMS — हीच ती मात्रा जी एकूण कंपन स्तर कॅलक्युलेटर सारखे साधन spectrum मधून काढते. अरुंद band वर integration केल्यास फक्त त्या band मधील ऊर्जा मिळते, जी प्रत्येक frequency region चा एकूण ऊर्जेमधील वाटा किती आहे हे ठरवण्यासाठी अत्यंत उपयुक्त असते. ही सांख्यिक चौकट random-vibration थकवा सिद्धांताचीही पायाभूत रचना आहे: random loading अंतर्गत fatigue life चा अंदाज PSD पासूनच सुरू होतो, जसे fatigue life calculator दाखवते.
6. फायदे, आणि PSD कधी निवडावे
PSD च्या तीन मुख्य strengths आहेत. Resolution independence मुळे FFT settings काहीही असली तरी values ची तुलना करता येते, आणि instruments तसेच वर्षानुवर्षांच्या historical data मध्ये analysis standardise होते. ऊर्जा प्रतिमान म्हणजे curve थेट कंपन ऊर्जा कशी वितरित झाली आहे ते दाखवते, आणि वर्ग केल्यामुळे प्रमुख वारंवारिता नैसर्गिकरीत्या ठळक होतात. तसेच त्याची सांख्यिक चौकट random-vibration theory ला आधार देते, ज्यामुळे probabilistic analysis आणि fatigue prediction शक्य होते.
यादृच्छिक कंपन किंवा noise चे विश्लेषण करताना, भिन्न bandwidth वर घेतलेल्या data ची तुलना करताना, PSD मध्ये लिहिलेल्या test specification चे पालन करताना, broadband process चे वर्णन करताना, किंवा analysis मूलत: ऊर्जा-आधारित असेल तेव्हा PSD निवडा. याउलट वर्णक्रम विश्लेषण — किंवा त्याच्याशी जवळून संबंधित तंत्रे — ही routine machinery diagnostics, discrete fault frequencies ओळखणे, एखाद्या विशिष्ट घटकाचा trend पाहणे, आणि जिथे amplitude value स्वतःच अर्थपूर्ण संख्या असते तिथेच ठेवावीत. दैनंदिन field balancing आणि अशा portable analyser सह condition monitoring मध्ये Balanset-1A, amplitude spectrum आणि 1× amplitude-and-phase हीच कार्यरत साधने राहतात; PSD तेव्हा येते जेव्हा प्रश्न “कोणता घटक दोषपूर्ण आहे?” यापासून “broadband ऊर्जा कशी वितरित झाली आहे, आणि ती गेल्या वर्षीच्या data शी तुलना करता येते का?” याकडे वळतो.
Power spectral density हे random-vibration analysis चे एक मूलभूत आधारस्तंभ आहे आणि spectrum चे bandwidth-independent वर्णन प्रामाणिकपणे देण्याचा एकमेव मार्ग आहे. routine diagnostics मध्ये amplitude spectrum पेक्षा ते कमी वापरले जात असले, तरी random vibration, noise characterisation, environmental testing, आणि भिन्न analysis parameters किंवा वेगवेगळ्या instruments वर मोजलेल्या spectra ची तुलना करावी लागणाऱ्या कोणत्याही परिस्थितीत ते अपरिहार्य आहे.
