Förstå Auto-Spektrumet
Den autospektrum — också skrivet autospektrum, och löst kallat effektspektrum eller helt enkelt “spektrumet” — är frekvensdomänrepresentationen av en enskild vibrationer signal, som visar hur signalens’ energi eller amplitud fördelas över frekvens. Den produceras genom att ta Snabb Fouriertransform (FFT) av ett tidsregister och visning av storleken på varje frekvenskomponent. Prefixet “auto-” skiljer det från cross-spectrum, som relaterar två olika signaler: ett autospektrum är spektrumet av en signal taget med sig självt.
I det dagliga arbetet är detta precis vad de flesta tekniker menar när de säger “spektrumet” eller “FFT:n” — standardfrekvensvisningen i varje vibrationsanalysator, med sina toppar vid obalans, lagerfelfrekvenser, kugghjulsnät, och övriga. Att inse att detta vardagliga verktyg tekniskt sett är ett autospektrum har störst betydelse när du går in i flerkanalsmätningar, där korsspektra, koherens, och andra korrelationsfunktioner kommer in i bilden.
1. Den matematiska grunden
Två vägar till samma resultat
Det finns två matematiskt ekvivalenta sätt att beräkna ett autospektrum:
- Direct FFT: transformera tidssignalen, ta beloppet (eller beloppet i kvadrat) av varje komplex FFT-bin och rita det mot frekvensen. Detta är den vanliga, raka vägen som används i nästan varje instrument.
- Via autokorrelation: beräkna signalens autokorrelationsfunktion först och ta sedan dess FFT. Enligt Wiener–Khinchin-satsen är resultatet identiskt med den direkta metoden — samma spektrum nått via en annan beräkningsväg.
När beloppet kvadreras och normaliseras per frekvensenhet blir samma storhet ett effektspektral densitet, vilket är den föredragna formen för bredbandiga slumpmässiga vibrationer.
Medelvärdesbildning för stabilitet
Ett enskilt FFT är statistiskt brusigt, varför flera autospektra beräknade från sekventiella tidsregister medelvärdesbildas för att stabilisera skattningen och minska slumpmässig spridning. Vid rutindiagnostik av maskiner är 4–16 medelvärden typiskt; bredbandiga slumpmässiga vibrationer kan kräva 50–100 eller fler. Fördelen erhålls till priset av mättid, vilket är varför antalet medelvärden är en medveten avvägning snarare än att “mer alltid är bättre.”
2. Definerande egenskaper
Tre egenskaper följer direkt ur matematiken och är värda att ha i åtanke när man läser ett spektrum:
- Real-valued: autospektrumet har ingen imaginärdel. Det representerar enbart belopp, så fas förhållandet i originalsignalen förkastas i beloppsberäkningen. Vid identifiering av enstaka felpunkter är det ingen förlust; för balansering eller arbete med överföringsfunktioner, där fas är väsentlig, är det en verklig begränsning.
- Alltid positivt: värdena är alltid större än eller lika med noll eftersom de representerar energi eller effekt, som inte kan vara negativ.
- Symmetriskt för reella signaler: spektrumet för en reell tidssignal är symmetriskt kring Nyquist-frekvensen — de negativa frekvenserna speglar helt enkelt de positiva — så bara den positiva halvan visas, och den innehåller all information.
3. Auto-spektrumet inom maskindiagnostik
Analytikerns dagliga visning
Det är denna graf teknikerna lever i. Den visar varje vibrationsfrekvenskomponent på en gång, och analytikerns uppgift är att identifiera varje topp och koppla den till en feltyp — vilket gör auto-spektrumet till det primära verktyget för feldiagnos och för rutinmässig tillståndsbedömning.
Egenskaper att leta efter
- 1× peak: körhastighet vibration, dominerad av obalans och andra källor med en händelse per varv.
- 2× peak: commonly feljustering eller mekaniskt glapp.
- Lagerfrekvenser: BPFO, BPFI, BSFoch FTF, ofta omgivet av sidband.
- Kugghjulsnät: tandingripningsfrekvensen och dess övertoner.
- Elektrisk: dubbla nätfrekvensen (120 Hz vid 60 Hz matning, 100 Hz vid 50 Hz matning).
- Noise floor: bakgrundsnivån satt av slumpmässig vibration och instrumentbrus, mot vilken äkta toppar måste urskilja sig.
4. Auto-Spektrum kontra Korssspektrum
Enkanalens auto-spektrum svarar på “vilka frekvenser förekommer?”, medan dess tvåkanalsvarianten svarar på “hur är två signaler relaterade?”. Kontrasten är värd att göra tydlig:
| Auto-Spektrum (enkelpol) | Korssspektrum (tvåpol) |
|---|---|
| Spektrum för en signal | Sambandet mellan två signaler |
| Visar den signalens frekvensinnehåll | Visar frekvensinnehåll som är gemensamt för båda |
| Ingen fasinformation | Inkluderar fasfasförhållandet |
| Tillräcklig för de flesta diagnostikmetoder | Underpins överföringsfunktion och koherensanalys |
| Standard enkanalig FFT | Kräver två synkroniserade kanaler |
5. Medelvärdesmoder och visningsalternativ
Välja ett medelvärdesläge
- Linjärt medelvärde: ett rakt aritmetiskt medelvärde av successiva spektra som reducerar slumpmässigt brus och konvergerar mot det sanna spektrumet — standard för maskinanalys.
- Exponentiellt medelvärde: ett viktat medelvärde som prioriterar de senaste mätningarna, idealiskt för realtidsövervakning där förhållandena förändras.
- Toppfreeze (max-spektrum): varje frekvensbin behåller sitt högsta värde, vilket fångar transienta komponenter — ovärderligt under uppkörning och kustnedgång testing.
Skalering av axlarna
Amplitudaxeln kan visas på en linear scale (mm/s, m/s²), vilket gör att absolutvärden är lätta att avläsa men kan dölja små toppar intill stora, eller på en logaritmisk dB-skala (20·log[amplitude/reference]), which compresses a wide dynamiskt omfång så att små och stora toppar är synliga tillsammans — den föredragna vyn för detaljerat och analytiskt arbete. Frekvensaxeln är vanligtvis linjär i Hz för maskiner, men en logarithmic axel med jämna oktavavstånd lämpar sig för mycket breda frekvensområden.
6. Kvalitet och fallgropar
Ett spektrum är bara så bra som data bakom det. En clean spectrum visar tydliga toppar över ett lågt brusgolv; ett noisy spectrum begravde toppar i en hög bakgrundsnivå, vilket kan avhjälpas med mer medelvärdesbildning och tillräcklig frekvensupplösning. Två kontroller vid datainsamlingen är avgörande: bekräfta att frekvensupplösningen är tillräcklig för att separera tätt liggande toppar, och se upp för input overload, vilket klipper signalen och skapar falska spektralkomponenter — om det inträffar, sänk ingångsförstärkningen och samla in data på nytt. Det FFT-upplösningskalkylator hjälper till att välja antal linjer och bandbredd som löser upp de toppar du vill studera.
Var fältinstrumenten kommer till sin rätt
På ett bärbart tvåkanalsinstrument som Balanset-la, är autospektrumet den dagliga diagnostikvyn som en tekniker läser vid maskinen för att avgöra om energin är koncentrerad vid 1× (vilket pekar på obalans och är ett kandidatfall för fältbalansering) eller spridd över lager- och kuggmeshfrekvenser som indikerar ett helt annat fel — allt avläst i maskinens egna lager vid drifthastighet.
Autospektrumet är det grundläggande frekvensanalysverktyget inom vibrationsdiagnostik: enkanaligs FFT som tekniker dagligen förlitar sig på för felfidentifiering och tillståndsbedömning. Att förstå att “spektrumet” tekniskt sett är ett autospektrum — och hur det relaterar till korsspektrum och andra spectralfunktioner — lägger grunden för avancerad flerkanalig analys och grundlig maskindiagnostik.
