Understanding Spectral Analysis
நிறமாலை பகுப்பாய்வு என்பது சிக்கலான சமிக்ஞையை — உதாரணமாக ஒரு time waveform ஒரு அதிர்வு சென்சாரிலிருந்து — மற்றும் அதனை தனிப்பட்ட அதிர்வெண் கூறுகளாக பிரித்தறிதல். சமிக்ஞையை time domain (வீச்சு மற்றும் நேரம்) என்பதிலிருந்து அதிர்வெண் பெறுஞ்சரத்தில் (வீச்சு மற்றும் அதிர்வெண்) ஆக மாற்றுவதே இதன் நோக்கம். வெளியீடு ஒரு spectrum (பன்மை: spectra): ஒவ்வொரு குறிப்பிட்ட அதிர்வெண்ணிலும் அதிர்வின் வீச்சைக் காட்டும் வரைபடம். நிறமாலை பகுப்பாய்வு என்பது அதிர்வு கண்டறிதல்இல் மிகவும் அடிப்படையான மற்றும் சக்திவாய்ந்த நுட்பமாகும், ஏனெனில் இது ஒரு பகுப்பாய்வாளருக்கு வெவ்வேறு இயந்திர தோஷங்களுடன் தொடர்புடைய தனிப்பட்ட அதிர்வெண் அடையாளங்களை அங்கீகரிக்க உதவுகிறது.
1. வரையறை: நிறமாலை பகுப்பாய்வு என்றால் என்ன?
ஒரு இயந்திரத்தின்’ அதிர்வு என்பது பல ஒரே நேரத்தில் நடக்கும் ஆவர்த்தன விசைகளின் கூடுதலாகும், மேலும் நேர மண்டலத்தில் அந்த விசைகள் ஒரு சிக்கலான தடமாக மங்கிவிடுகின்றன, அதனை விளக்குவது கடினம். நிறமாலை பகுப்பாய்வு அந்த தடத்தை அவிழ்க்கிறது. கணித அடிப்படை Fourier கொள்கை: எந்தவொரு ஆவர்த்தன சமிக்ஞையையும், எவ்வளவு சிக்கலானதாயினும், தனிதனி அதிர்வெண், வீச்சு மற்றும் கட்டத்துடன் கூடிய எளிய சைன் அலைகளின் கூடுதலாக வெளிப்படுத்தலாம். நிறமாலை பகுப்பாய்வு அந்த சைன் அலைகளின் பட்டியலை மீட்டெடுத்து ஒரு நிறமாலையாக காட்டுகிறது — “காலத்தில் குழப்பமான அலைவு” என்பதை “அறியப்பட்ட அதிர்வெண்களில் நேர்த்தியான சிகரங்களின் தொகுப்பு” ஆக மாற்றுகிறது. அந்த மாற்றமே முழு நோக்கமும், மற்ற எல்லாமும் அதிலிருந்தே தொடர்கின்றன.
2. வேகமான Fourier மாற்றத்தின் (FFT) பங்கு
நவீன நிறமாலை பகுப்பாய்வை நடைமுறையில் சாத்தியமாக்குவது மிகவும் திறமையான ஒரு வழிமுறையால், அதன் பெயர் வேகமான ஃபோரியர் உருமாற்றம் (FFT). FFT என்பது ஒவ்வொரு டிஜிட்டல் அதிர்வ பகுப்பாய்ப்பிஇலும் நிரலாக்கப்பட்ட ஒரு கணித நடைமுறையாகும். இது டிஜிட்டல் வடிவமைக்கப்பட்ட நேர-அலைவடிவ தரவை உள்ளீடாக எடுத்து, அதிர்வெண் நிறமாலையை வெளியீடாக உருவாக்குகிறது — முன்பு கைமுறையாக மணிக்கணக்கில் எடுத்திருந்த கணக்கீட்டை மில்லி வினாடிகளில் செய்கிறது.
FFT ஆனது சிக்கலான, ஒருவித குழப்பமான சமிக்ஞையை — நேர மண்டலத்தில் படிக்கவே மிகவும் கடினமான — அதிர்வெண் மண்டலத்தில் தெளிவான தனிப்பட்ட அதிர்வெண் சிகரங்களின் வரிசையாக பார்க்க அனுமதிக்கிறது. FFT சரியாக இருக்க, சமிக்ஞை முதலில் சரியாக மாதிரிசெய்யப்பட்டு aliasingஇலிருந்து பாதுகாக்கப்படவேண்டும், அதனாலேயே anti-aliasing வடிகட்டி எப்போதும் மாற்றத்திற்கு முன் வருகிறது.
3. நிறமாலையின் கண்டறியும் சக்தி
நிறமாலை பகுப்பாய்வு மிகவும் பயனுள்ளதாக இருக்கிறது, ஏனெனில் சுழலும் இயந்திரங்களில் வெவ்வேறு இயந்திர மற்றும் மின்சார பிரச்சினைகள் கணிக்கக்கூடிய, குறிப்பிட்ட அதிர்வெண்களில் அதிர்வை உருவாக்குகின்றன. நிறமாலையை பரிசோதிப்பதன் மூலம், ஒரு பகுப்பாய்வாளர் சிகரங்களின் அதிர்வெண்களை அறியப்பட்ட தோஷ வடிவங்களுடன் பொருத்துவதன் மூலம் ஒரு பிரச்சினையின் மூல காரணத்தை கண்டறியலாம். பொதுவான எடுத்துக்காட்டுகள் பின்வருமாறு:
- 1× இயக்க வேகத்தில் ஒரு பெரிய சிகரம் running speed often indicates unbalance — சமன்செய்தல் பணிக்கான சமிக்ஞை.
- 2× இயக்க வேகத்தில் ஒரு பெரிய சிகரம் என்பது misalignment.
- இயக்க வேக harmonics-ன் வரிசை பொதுவாக இயந்திர தளர்வை குறிக்கிறது.
- இயக்க வேகத்தின் முழுசெல்லா பெருக்கங்களில் சிகரங்களின் வரிசை தாங்கு குறைபாடுகள்ஐ சுட்டிக்காட்டலாம், அதனை பெரும்பாலும் envelope analysis.
- கியர் mesh அதிர்வெண்ணில் உயர்-வீச்சு சிகரம் sidebands indicates gear defects.
- மின்சார வரிசை அதிர்வெண்ணின் 2× இல் ஒரு சிகரம் மோட்டார் stator பிரச்சினையை குறிக்கலாம்.
4. நிறமாலை பகுப்பாய்வில் முக்கிய அளவுருக்கள்
பயனுள்ள நிறமாலையை பெற, ஒரு பகுப்பாய்வாளர் சில முக்கிய அளவுருக்களை வரையறுக்க வேண்டும். இவற்றை தவறாக அமைத்தால், சரியான FFT கூட உங்களை தவறாக வழிநடத்தும்:
- Fmax (அதிகபட்ச அதிர்வெண்): நிரலில் (spectrum) சேர்க்கப்படும் மிக உயர்ந்த அதிர்வெண். சந்தேகிக்கப்படும் குறைபாடுகளைப் பதிவுசெய்யுமாறு இது போதுமான அளவு உயர்வாக அமைக்கப்பட வேண்டும் — கியர் மற்றும் தாங்கி (bearing) பிரச்சனைகளுக்கு அதிகமாகவும், மெதுவான வேகத்தில் உள்ள unbalance-க்குக் குறைவாகவும்.
- தெளிவுத்திறன் (resolution) (தெளிவுக் கோடுகள்): இது விவரமான தகவலின் அளவை நிர்ணயிக்கிறது. அதிக கோடுகள் மெல்லிய அதிர்வெண் தெளிவுத்திறனை வழங்குகின்றன, ஒன்றுக்கொன்று நெருக்கமாக அமைந்த இரண்டு உச்சிகளை (peaks) பகுப்பாய்வி பிரிக்க உதவுகின்றன — கியர்பாக்ஸ் பகுப்பாய்வில் பக்க இசைகளை (sidebands) பிரிக்கவும் இது இன்றியமையாதது. தொடர்புடைய சமரசம் என்னவென்றால் கையகப்படுத்தல் நேரம் அதிகரிக்கும்; இந்த உறவை ஒரு FFT தெளிவாக்கம் கணக்கியல்.
- Averaging: தெளிவான, நிலையான நிரலை (spectrum) பெற, பகுப்பாய்வி பல “மாதிரிகள்” எடுத்து அவற்றை சராசரியிடுகிறது; இதன் மூலம் தோராயமான இரைச்சலை (noise) ஒடுக்கி, உண்மையான நிலையான நிலை அதிர்வை வெளிப்படுத்துகிறது.
- Windowing: Hanning window போன்ற ஒரு கணித சார்பு ஒவ்வொரு தரவு தொகுதிக்கும் பயன்படுத்தப்படுகிறது, இதனை தடுக்க நிறமாலை கசிவு, இல்லையெனில் இது உச்சிகளின் வீச்சுகளையும் (amplitudes) வடிவங்களையும் மங்கச்செய்து திரிபடையச் செய்யும்.
5. துறையில் நிரல் பகுப்பாய்வு (Spectral Analysis)
நிரல் பகுப்பாய்வு (spectral analysis) ஆய்வகத்திற்கு மட்டுமானது அல்ல — இது ஒரு பராமரிப்பு பொறியாளர் ஒரு சுடுகட்டு கருவியுடன் தள (on-site) பகுப்பாய்வு செய்வதுதான். இரு-சேனல் பகுப்பாய்வி (analyser) போன்ற Balanset-1A ஒரு சமிக்ஞையை மாதிரியிடுகிறது accelerometer தாங்கி (bearing) உறையில் (housing), FFT இயக்கி, நிரலை (spectrum) உடனடியாகக் காட்டுகிறது; இதனால் தொழில்நுட்ப வல்லுநர் அடுத்த பணி முறைக்கு முன்பே குறைபாட்டை அடையாளம் கண்டு நடவடிக்கை எடுக்க முடியும். அதே கருவி தண்டு (shaft) அளவீட்டையும் படிக்கும் என்பதால் phase from a tachometer, 1× unbalance-இன் கண்டறிதல் நேரடியாக ஒரு சமப்படுத்தல் (balancing) திருத்தத்திற்கு செல்லலாம் — கருவி மாற்றாமல் கண்டறிதலும் சரிசெய்தலும் ஒரே பணிப்பாய்வில் நடைபெறும்.
6. நிரல் பகுப்பாய்வு எதிராக காலவரிசை அலை வடிவம் (Time Waveform)
நிரல் சக்திவாய்ந்தது, ஆனால் இது முழுமையான படமல்ல. சராசரியிடல் மற்றும் FFT குறுகிய, கூர்மையான கணப்பொழுது நிகழ்வுகளை மறைத்துவிடலாம் — வெடிப்பு கியர் பல்லின் தாக்கங்கள் அல்லது spalled தாங்கி — இவை மூலமான காலவரிசை அலை வடிவத்தில் (raw time waveform) தெளிவாகத் தெரியும். திறமையான பகுப்பாய்வாளர்கள் இரண்டு காட்சிகளையும் கூட்டாளிகளாக நடத்துகின்றனர்: எந்த which அதிர்வெண்கள் ஆற்றலை ஏற்றுக்கொள்கின்றன என்பதை நிரல் மூலமும், காலவரிசை அலை வடிவம் மூலம் how அந்த ஆற்றல் எவ்வாறு வழங்கப்படுகிறது என்பதையும் ஆராய்கின்றனர். சாராம்சத்தில், நிரல் பகுப்பாய்வு (spectral analysis) நவீன அதிர்வு கண்டறிதலின் (vibration diagnostics) மையமாகும்; இது ஒரு இயந்திரத்தின் உள்ளே நடக்கும் விசைகளும் இயக்கங்களும் குறித்த “எக்ஸ்-ரே” காட்சியை வழங்குகிறது — மேலும் அலை வடிவம் மற்றும் ஒரு நல்ல அடிப்படை குறிப்பு ஆகியவற்றுடன் படிக்கப்படும்போது, இது மூல அதிர்வை நம்பிக்கையான முடிவுகளாக மாற்றுகிறது.
