ఆటో-స్పెక్ట్రమ్ను అర్థం చేసుకోవడం
The auto-spectrum — autospectrum అని కూడా రాస్తారు, మరియు సరళంగా పవర్ స్పెక్ట్రమ్ లేదా “స్పెక్ట్రమ్” అని పిలుస్తారు — ఒకే ఒక సిగ్నల్ యొక్క ఫ్రీక్వెన్సీ-డొమైన్ రిప్రెజెంటేషన్ vibration సిగ్నల్, ఆ సిగ్నల్’యొక్క శక్తి లేదా amplitude ఫ్రీక్వెన్సీ అంతటా ఎలా పంపిణీ చేయబడిందో చూపిస్తుంది. ఒక టైమ్ రికార్డ్ యొక్క ఫాస్ట్ ఫోరియర్ ట్రాన్స్ఫార్మ్ (FFT) తీసుకొని ప్రతి ఫ్రీక్వెన్సీ కాంపొనెంట్ యొక్క మాగ్నిట్యూడ్ ప్రదర్శించడం ద్వారా ఉత్పత్తి చేయబడుతుంది. “auto-” అనే ఉపసర్గ దీన్ని cross-spectrum, ఇది రెండు వేర్వేరు సిగ్నల్లను సంబంధపరుస్తుంది: auto-spectrum అనేది ఒక సిగ్నల్ను దానితో తానే తీసుకున్న స్పెక్ట్రమ్.
రోజువారీ పనిలో చాలా మంది సాంకేతిక నిపుణులు “స్పెక్ట్రమ్” లేదా “FFT” అని చెప్పినప్పుడు సరిగ్గా ఇదే అర్థం చేసుకుంటారు — ప్రతి వైబ్రేషన్ విశ్లేషణ పరికరం, దాని శిఖరాలతో unbalance, బేరింగ్ లోపం పౌనఃపున్యాలు, gear mesh, మరియు మిగిలినవి. ఈ రోజువారీ సాధనం సాంకేతికంగా ఒక auto-spectrum అని గుర్తించడం అత్యంత ముఖ్యం, ముఖ్యంగా మీరు multi-channel పనిలోకి అడుగుపెట్టినప్పుడు, అక్కడ cross-spectra, coherence, మరియు ఇతర correlation functions చిత్రంలోకి వస్తాయి.
1. గణిత పునాది
ఒకే ఫలితానికి రెండు మార్గాలు
auto-spectrum కు చేరుకోవడానికి గణితపరంగా సమానమైన రెండు మార్గాలు ఉన్నాయి:
- Direct FFT: time signal ను రూపాంతరం చేసి, ప్రతి complex FFT bin యొక్క magnitude (లేదా magnitude squared) తీసుకుని, దానిని frequency కి వ్యతిరేకంగా plot చేయండి. ఇది దాదాపు ప్రతి పరికరంలోనూ ఉపయోగించే సాధారణ, సరళమైన మార్గం.
- autocorrelation ద్వారా: ముందుగా సంకేతం యొక్క autocorrelation function లెక్కించి, తర్వాత దాని FFT తీసుకోండి. Wiener–Khinchin theorem ప్రకారం ఫలితం direct method కు సమానంగా ఉంటుంది — వేరే computational path ద్వారా చేరుకున్న అదే spectrum.
magnitude ని squared చేసి unit frequency కి నార్మలైజ్ చేసినప్పుడు, అదే పరిమాణం ఒక పవర్ స్పెక్ట్రల్ డెన్సిటీ, ఇది broadband random vibration కు preferred form.
స్థిరత్వం కోసం సగటు లెక్కింపు
ఒకే FFT గణాంకపరంగా నాయిజీగా ఉంటుంది, కాబట్టి వరుస time records నుండి లెక్కించిన అనేక auto-spectra అంచనాను స్థిరపరచడానికి మరియు యాదృచ్ఛిక scatter తగ్గించడానికి కలిపి average చేయబడతాయి. నిత్యకృత్య యంత్ర వ్యాధి నిర్ధారణకు 4–16 averages సాధారణమైనది; broadband random vibration కు 50–100 లేదా అంతకంటే ఎక్కువ అవసరం కావచ్చు. ఈ ప్రయోజనం measurement time కు వ్యయంగా వస్తుంది, అందుకే average count “ఎక్కువ ఎప్పుడూ మంచిది” అని కాకుండా ఒక ఉద్దేశపూర్వక trade-off.
2. లక్షణాలను నిర్వచించడం
ఏదైనా spectrum చదివేటప్పుడు దృష్టిలో ఉంచుకోవలసిన మూడు లక్షణాలు నేరుగా గణితం నుండి వస్తాయి:
- Real-valued: auto-spectrum కు imaginary part ఉండదు. ఇది magnitude మాత్రమే సూచిస్తుంది, కాబట్టి మూల సంకేతం యొక్క phase phase సంబంధం magnitude calculation లో విస్మరించబడుతుంది. ఒకే-పాయింట్ fault గుర్తింపుకు ఇది నష్టం కాదు; అయితే balancing లేదా transfer-function పని కోసం, phase అత్యవసరమైన చోట, ఇది నిజమైన పరిమితి.
- ఎల్లప్పుడూ ధనాత్మకంగా ఉంటుంది: విలువలు ఎల్లప్పుడూ సున్నా కంటే ఎక్కువగా లేదా సమానంగా ఉంటాయి ఎందుకంటే అవి శక్తి లేదా power సూచిస్తాయి, ఇవి ఋణాత్మకంగా ఉండవు.
- real signals కు సమరూపం: real time signal యొక్క spectrum Nyquist frequency చుట్టూ సమరూపంగా ఉంటుంది — negative frequencies సానుకూల వాటిని అద్దంలో ప్రతిబింబిస్తాయి — కాబట్టి positive half మాత్రమే ప్రదర్శించబడుతుంది, మరియు ఇందులో అన్ని సమాచారాలు ఉంటాయి.
3. యంత్ర వ్యాధి నిర్ధారణలో Auto-Spectrum
విశ్లేషకుని రోజువారీ ప్రదర్శన
ఇది సాంకేతిక నిపుణులు ఉపయోగించే plot. ఇది ప్రతి vibration frequency component ను ఒకే సారి చూపిస్తుంది, మరియు విశ్లేషకుని పని ప్రతి శిఖరాన్ని గుర్తించి దానిని ఒక fault type తో సరిపోల్చడం — auto-spectrum ను లోప నిర్ధారణ మరియు నిత్యకృత్య స్థితి అంచనాకు ప్రాథమిక సాధనంగా చేస్తోంది.
వెతకవలసిన లక్షణాలు
- 1× peak: running-speed vibration, unbalance మరియు ఇతర once-per-revolution వనరులచే ఆధిపత్యం వహించబడుతుంది.
- 2× peak: commonly misalignment or మెకానికల్ లూజ్నెస్.
- బేరింగ్ పౌనఃపున్యాలు: BPFO, BPFI, BSF, and FTF, తరచుగా చుట్టూ ఉన్న sidebands.
- Gear mesh: tooth-engagement frequency మరియు దాని harmonics.
- Electrical: line frequency రెట్టింపు (60 Hz సరఫరాపై 120 Hz, 50 Hz సరఫరాపై 100 Hz).
- Noise floor: random vibration మరియు పరికర noise వల్ల ఏర్పడే నేపథ్య స్థాయి, దానికి వ్యతిరేకంగా నిజమైన శిఖరాలు స్పష్టంగా కనిపించాలి.
4. ఆటో-స్పెక్ట్రమ్ మరియు క్రాస్-స్పెక్ట్రమ్ పోలిక
సింగిల్-చానెల్ auto-spectrum “ఏ frequencies ఉన్నాయి?” అనే ప్రశ్నకు సమాధానమిస్తుంది, అయితే దాని రెండు-చానెల్ వేరియంట్ “రెండు signals ఏ విధంగా పరస్పరం సంబంధం కలిగి ఉన్నాయి?” అనే ప్రశ్నకు సమాధానమిస్తుంది. ఈ తేడాను స్పష్టంగా వివరించడం అవసరం:
| ఆటో-స్పెక్ట్రమ్ (సింగిల్ ఛానెల్) | క్రాస్-స్పెక్ట్రమ్ (రెండు ఛానెళ్ళు) |
|---|---|
| ఒకే సిగ్నల్ యొక్క స్పెక్ట్రమ్ | రెండు సిగ్నళ్ళ మధ్య సంబంధం |
| ఆ signal యొక్క frequency కంటెంట్ను చూపిస్తుంది | రెండింటికీ ఉమ్మడిగా ఉన్న frequency కంటెంట్ను చూపిస్తుంది |
| ఫేజ్ సమాచారం లేదు | ఫేజ్ సంబంధాన్ని కలిగి ఉంటుంది |
| చాలా డయాగ్నాస్టిక్స్కు సరిపోతుంది | Underpins ట్రాన్స్ఫర్ ఫంక్షన్ మరియు కోహెరెన్స్ విశ్లేషణ |
| ప్రామాణిక సింగిల్-చానెల్ FFT | రెండు సమకాలీకృత చానెళ్ళు అవసరం |
5. Averaging మోడ్లు మరియు డిస్ప్లే ఎంపికలు
సగటు మోడ్ ఎంచుకోవడం
- లీనియర్ averaging: వరుస spectra యొక్క నేరుగా అంకగణిత సగటు, ఇది యాదృచ్ఛిక నాయిస్ను తగ్గించి నిజమైన spectrum వైపు కలుస్తుంది — యంత్రపరమైన విశ్లేషణకు ప్రమాణ పద్ధతి.
- ఎక్స్పొనెన్షియల్ averaging: అత్యంత తాజా రికార్డులకు ప్రాధాన్యతనిచ్చే భారితమైన సగటు, పరిస్థితులు మారుతున్న real-time మానిటరింగ్కు అనువైనది.
- పీక్ హోల్డ్ (గరిష్ట స్పెక్ట్రమ్): ప్రతి ఫ్రీక్వెన్సీ బిన్ దాని అత్యధిక విలువను నిలుపుకుంటుంది, ట్రాన్సియెంట్ భాగాలను గ్రహిస్తుంది — అత్యంత విలువైనది run-up and coastdown testing.
అక్షాల స్కేలింగ్
amplitude యాక్సిస్ను linear scale (mm/s, m/s²) లో చూపించవచ్చు, ఇది సంపూర్ణ విలువలను చదవడం సులభం చేస్తుంది కానీ పెద్ద శిఖరాల పక్కన చిన్న శిఖరాలను దాచవచ్చు, లేదా లఘుగణక dB స్కేల్ (20·log[amplitude/reference]), which compresses a wide dynamic range చిన్న మరియు పెద్ద శిఖరాలు రెండూ కలిసి కనిపించేలా చేస్తుంది — వివరణాత్మక మరియు పరిశోధన పనికి ప్రాధాన్య వీక్షణ. frequency యాక్సిస్ సాధారణంగా linear యంత్రాల కోసం Hz లో ఉంటుంది, అయినప్పటికీ logarithmic సమాన octave స్పేసింగ్ కలిగిన యాక్సిస్ చాలా విశాలమైన frequency పరిధులకు అనుకూలంగా ఉంటుంది.
6. నాణ్యత మరియు లోపాలు
ఒక spectrum దాని వెనుక ఉన్న డేటా అంత మాత్రమే మంచిది. ఒక clean spectrum తక్కువ నాయిస్ ఫ్లోర్ పైన స్పష్టమైన శిఖరాలు చూపిస్తుంది; ఒక noisy spectrum శిఖరాలను అధిక నేపథ్యంలో పూడ్చుకుంటుంది, దీన్ని మరింత averaging మరియు తగినంత frequency resolution ద్వారా సరిచేయవచ్చు. రెండు అక్విజిషన్ తనిఖీలు అవసరం: దగ్గరగా ఉన్న శిఖరాలను వేరు చేయడానికి frequency resolution తగినంత సూక్ష్మంగా ఉందని నిర్ధారించండి, మరియు input overload, ఇది signalను క్లిప్ చేసి తప్పుడు spectral కాంపొనెంట్లను సృష్టిస్తుంది — ఇది సంభవిస్తే, ఇన్పుట్ గెయిన్ తగ్గించి మళ్ళీ అక్వైర్ చేయండి. FFT రిజల్యూషన్ కాల్క్యులేటర్ మీకు అవసరమైన శిఖరాలను resolve చేసే line కౌంట్ మరియు bandwidth ఎంచుకోవడానికి సహాయపడుతుంది.
ఫీల్డ్ పరికరాలు ఎక్కడ సరిపోతాయి
Balanset-1A వంటి పోర్టబుల్ రెండు-చానెల్ పరికరంలో Balanset-1A, auto-spectrum అనేది ఒక సాంకేతిక నిపుణుడు యంత్రం వద్ద చదివే రోజువారీ డయాగ్నొస్టిక్ వీక్షణ — energy 1× వద్ద కేంద్రీకృతమై ఉందా (అనువ్య అసమతుల్యతను సూచిస్తూ, ఇది field balancingకోసం అభ్యర్థి) లేదా bearing మరియు gear-mesh frequencies అంతటా వ్యాపించి ఉందా — ఇవి పూర్తిగా వేరే లోపాన్ని సంకేతిస్తాయి — అన్నింటినీ ఆపరేటింగ్ వేగంతో యంత్రం యొక్క స్వంత bearings లో క్యాప్చర్ చేస్తుంది.
Auto-spectrum అనేది vibration డయాగ్నొస్టిక్స్ యొక్క మూలభూత frequency-విశ్లేషణ సాధనం: సాంకేతిక నిపుణులు లోప గుర్తింపు మరియు స్థితి అంచనా కోసం రోజువారీగా ఆధారపడే సింగిల్-చానెల్ FFT. “spectrum” సాంకేతికంగా auto-spectrum అని — మరియు అది cross-spectra మరియు ఇతర spectral ఫంక్షన్లతో ఏ విధంగా సంబంధం కలిగి ఉందో — అర్థం చేసుకోవడం అధునాతన మల్టీ-చానెల్ విశ్లేషణ మరియు సమగ్ర యంత్రపరమైన డయాగ్నొస్టిక్స్కు పునాది వేస్తుంది.
