پایش وضعیت و تحلیل سیگنال - شرکت فناوری ارتعاشات مدرس

پایش وضعیت و تحلیل

فناوری ارتعاشات و آکوستیک مدرس با داشتن نیروی انسانی با تجربه توانایی ارائه خدمات در زمینه های پایش وضعیت (Condition Monitoring)، تحلیل و پردازش سیگنال های ارتعاشی (Signal Processing)، حذف نویز (denoising)، ماشین یادگیرنده SVM، کشف نوظهوری (Novelty Detection) و … را دارد. در ادامه توضیحات مختصری در رابطه با هر یک از این موارد ارائه می گردد.

پایش وضعیت (Condition Monitoring)

پایش وضعیت بر پایه بررسی و پایش وضعیت جاری ماشین در حال کار و پیش بینی آینده وضعیت آن می باشد. این بدان معنی است که اطلاعات از شرایط داخلی ماشین در حال کار، از خارج از آن به دست آید. پایش وضعیت یکی از اجزای اصلی نگهداری پیش‌بینانه می‌باشد

روشهای مختلف پایش وضعیت

تحلیل ارتعاشات

آنالیز روغن

تحلیل بازدهی

گرما نگاری

نشر آوایی (Acoustic Emission)

تحلیل ارتعاشات مهمترین و پر کاربردترین آنهاست

تحلیل ارتعاشات

در شرایط استاندارد، هر ماشین اثرات ارتعاشی خاصی دارد. (گسترش عیب، این اثرات را به گونه ای تغییر می دهد که مرتبط با همان عیب است.) بسیاری از این ارتعاشات به رویدادهای متناوب در عملکرد ماشین آلات مرتبط است. نظیر شفت های دوار، درگیر شدن دندانه های چرخ دنده ها، میدان های الکتریکی دوار و مانند آن. فرکانس چنین رویدادهایی معمولا تکرار شونده بوده و مستقیما نشانگر منبع آن می باشد. تحلیل ارتعاشات به دو روش اصلی انجام می گیرد:

مبتنی بر مدل (model-based): مدلهای خطی، غیر خطی و …
داده محور (data driven): پردازش سیگنالهای ارتعاشی

تحلیل و پردازش سیگنالهای ارتعاشی (Signal Processing)

در موضوع عیب یابی ماشین های دوار، استفاده از سیگنال های ارتعاشی نظیر شتاب، سرعت و جابجایی از آنرو که این سیگنال ها حاوی اطلاعات دینامیکی از وضعیت ماشین می باشند؛ در شناسایی و تمایز بین عیوب گوناگون موثر است. روش های تحلیل و تشخیص عیب در ماشین های دوار به کمک سیگنال های ارتعاشی می تواند به سه دسته زیر تقسیم بندی شود:

تحلیل های حوزه زمان
تحلیل های حوزه فرکانس
تحلیل های حوزه زمان- فرکانس

تحلیل های حوزه زمان مستقیما مبتنی بر شکل موج زمانی است. تحلیل های سنتی حوزه زمان ویژگی های مشخصه ای را به صورت توصیفات آماری از سیگنال های شکل موج زمانی محاسبه می کند. ویژگی هایی نظیر میانگین، قله، ضریب کرست، و آمارهای مرتبه بالا نظیر root mean square، skewness، kortosis و غیره. این گونه ویژگی ها که عمدتا ویژگی های حوزه زمان نامیده می شود با توانایی های محدود در شناسایی عیوب محلی بکار گرفته شده اند. رویکردهای تحلیلی رایج حوزه زمان نظیر میانگین گیری همزمان ، و مدل خود برگشت کننده ، به صورت گسترده ای برای عیب یابی ماشین های دوار استفاده می گردد.

تحلیل های حوزه فرکانس یا تحلیل طیفی عموما به وسیله تبدیل فوریه انجام می گیرد. تحلیل فوریه یک سیگنال حوزه زمان f(t) را به حوزه فرکانس تبدیل می کند؛ به گونه ای که طیف تولید شده F(ω) شامل کلیه محتوای فرکانسی سیگنال (پایه ای و هارمونیک) که به صورت رابطه زیر تعریف می شود:

اما مهم ترین نقص FFT عدم توانایی آن در ارائه اطلاعاتی راجع به شرایط زمانی طیف سیگنال تحلیل شده است؛ به طوری که نتایج آن به صورت میانگینی بر کل بازه سیگنال است. این موضوع در تحلیل سیگنال های غیرایستا مشکل آفرین خواهد شد. در چنین مواردی داشتن ارتباط مابین زمان و محتوای فرکانسی سیگنال می تواند مفید باشد. این محدودیت جدی FFT منجر به بکارگیری ابزارهای تحلیل سیگنال زمان-فرکانس نظیر “تبدیل فوریه زمان کوتاه” (STFT)، یا “توزیع وینگر وایل ” (WVD) و غیره شد. روش STFT یک سیگنال را به یک تابع دو بعدی زمان و فرکانس تصویر می کند. تبدیل فوریه زمان کوتاه یا همان STFT با بکار گیری یک تابع پنجره لغزان g(t) به مرکزیت زمانی τ، یک تبدیل فوریه “time-localized” بر روی سیگنال x(t) به صورت پی در پی، انجام می دهد. در نتیجه تغییرات محتوای فرکانسی سیگنالی که درون تابع پنجره زمانی قرار گرفته ظاهر می شود. در شکل زیر این فرآیند دیده می شود:

مشکل در استفاده از STFT آن است که، دقت آن در استخراج محتوای فرکانسی به وسیله طول پنجره نسبت به بازه سیگنال، محدود می شود. وقتی تابع پنجره تعریف می شود، مساحت تابع پنجره (حاصل زمان درپهنای باند) در صفحه زمان- فرکانس، ثابت می ماند. این بدان معناست که تفکیک زمان و تفکیک فرکانس به طور همزمان افزایش نمی یابد. لذا در STFT مصالحه ای بین تفکیک زمانی و فرکانسی وجود دارد.

در تحلیل های حوزه زمان- فرکانس تبدیل موجک روشی نسبتا جدید و ابزاری قدرتمند در زمینه تحلیل سیگنال است که توانسته بر محدودیت های سایر روش ها – علی الخصوص در تحلیل سیگنال های غیر ایستا- غلبه کند. این تبدیل امکان استفاده از بازه های زمانی طولانی را که در آن اطلاعات فرکانس پایین به صورت دقیق تر مطلوب است؛ فراهم می کند. همچنین می توان از بازه های زمانی کوتاهتر که در آن اطلاعات فرکانس بالای دقیق مطلوب است؛ استفاده کرد. همچنین این تبدیل در استخراج سیگنال های با پهنای باند باریک فرکانسی بکار گرفته می شود. مهمترین مزیت استفاده از موجک توانایی آن در تحلیل محلی یک سیگنال و یا تمرکز بر هر بازه زمانی بدون از دست دادن اطلاعات طیفی موجود در سیگنال است. از این رو تحلیل موجک می¬تواند برخی جنبه های داده را که تکنیک های تحلیلی قدیمی قادر به یافتن آن نیستند، ظاهر کند. این ویژگی علی الخصوص جهت کشف عیوب و یا آسیب هایی نظیر ترک بسیار مهم است.

در مقایسه با روش STFT که در آن اندازه پنجره ثابت است، تبدیل موجک امکان تغییر اندازه پنجره را در تحلیل ترکیبات مختلف فرکانسی در یک سیگنال فراهم می کند. این موضوع با مقایسه سیگنال، با مجموعه ای از توابع که از اتساع و انقباض و انتقال (انتقال در زمان) یک موجک پایه (t)ψ به دست آمده؛ و یافتن شباهت های آنها، حاصل می شود. در شکل زیر این فرآیند دیده می شود: