مقالات
FFT در آنالیز ارتعاشات چیست و چگونه از آن برای عیب‌یابی ماشین استفاده می‌کنیم؟
در ماشین‌های دوار، هدف نهایی پیدا کردن یک پیک در FFT نیست؛ هدف این است که بفهمیم آن پیک از کدام رفتار فیزیکی ماشین ایجاد شده است.
وقتی یک سنسور ارتعاش را روی یاتاقان یک موتور، پمپ، کمپرسور یا توربین قرار می‌دهیم، سیگنالی که دریافت می‌کنیم معمولاً حاصل یک منبع ارتعاش نیست.
دور روتور، نابالانسی، ناهم‌راستایی، بیرینگ، چرخ‌دنده، لقی، نیروهای الکترومغناطیسی و حتی شرایط فرآیندی می‌توانند هم‌زمان در همان سیگنال حضور داشته باشند.
مشکل اینجاست که در شکل موج زمانی، بسیاری از این مؤلفه‌ها روی یکدیگر قرار گرفته‌اند و تشخیص آنها فقط با نگاه کردن به سیگنال زمانی همیشه آسان نیست.
اینجاست که FFT وارد تحلیل می‌شود.
نمودارFFT چه کاری انجام می‌دهد؟
FFT یا Fast Fourier Transform سیگنال ارتعاش را از حوزه زمان به حوزه فرکانس تبدیل می‌کند.
به زبان ساده، به‌جای اینکه فقط ببینیم ارتعاش در طول زمان چگونه تغییر کرده است، می‌توانیم ببینیم:
چه فرکانس‌هایی در ارتعاش ماشین وجود دارند و دامنه هر کدام چقدر است.
برای مثال اگر یک ماشین با سرعت 1500 rpm کار کند، فرکانس دوران آن برابر است با:
1500 / 60 = 25 Hz
بنابراین ممکن است در طیف فرکانسی پیک‌هایی در این نقاط ببینیم:
- 25 Hz = 1X
- 50 Hz = 2X
- 75 Hz = 3X
اما همین‌جا یک نکته مهم وجود دارد: وجود یک پیک در یک فرکانس خاص، به‌تنهایی به معنی وجود یک عیب مشخص نیست.
اشتباه رایج؛ دیدن یک پیک و اعلام عیب
یکی از خطاهایی که در تحلیل ارتعاشات زیاد دیده می‌شود این است که فقط بر اساس بزرگ‌ترین پیک FFT تشخیص صادر شود.
مثلاً:
1X بالاست، پس ماشین نابالانس است.
در عمل همیشه نمی‌توان به این شکل نتیجه‌گیری کرد.
دامنه بالای 1X می‌تواند تحت تأثیر نابالانسی باشد، اما رزونانس، لقی، شرایط سازه، تغییر بار یا حتی نحوه اندازه‌گیری هم ممکن است باعث افزایش آن شود.
بنابراین FFT باید در کنار اطلاعات دیگری دیده شود:
- جهت اندازه‌گیری
- سرعت واقعی دوران
- زاویه فاز
- Time Waveform
- شرایط بار
- سابقه Trend
- وضعیت سایر نقاط اندازه‌گیری
- وضعیت سازه و فونداسیون
به همین دلیل، FFT را بهتر است یک ابزار برای پیدا کردن سرنخ عیب بدانیم، نه دستگاهی که خودش نام عیب را اعلام می‌کند.
یک روش ساده برای خواندن FFT
ابتدا دور ماشین را پیدا کنید
اولین سؤال این است: 1X ماشین کجاست؟
اگر سرعت ماشین 3000 rpm باشد:
1X = 50 Hz
اگر سرعت واقعی هنگام برداشت 2980 rpm باشد، فرکانس دوران تقریباً 49.7 Hz خواهد بود.
این اختلاف در بعضی تحلیل‌ها اهمیت زیادی دارد، مخصوصاً زمانی که چند فرکانس نزدیک به هم در طیف وجود داشته باشند.
هارمونیک‌های دور را بررسی کنید
بعد از مشخص کردن 1X، نوبت به 2X، 3X، 4X و سایر هارمونیک‌ها می‌رسد.
الگوی هارمونیک‌ها در برخی عیوب اطلاعات مهمی ایجاد می‌کند، اما باز هم نباید فقط با دیدن یک هارمونیک، تشخیص نهایی صادر کرد.
فرکانس‌های مرتبط با اجزای ماشین را پیدا کنید
همه پیک‌ها مربوط به دور شفت نیستند. در یک ماشین ممکن است فرکانس‌های دیگری هم وجود داشته باشند:
- فرکانس عبور پره
- Gear Mesh Frequency
- فرکانس‌های خرابی بیرینگ
- فرکانس برق
- فرکانس طبیعی سازه
- فرکانس‌های ناشی از فرآیند
ارزش واقعی FFT زمانی مشخص می‌شود که بتوانیم یک فرکانس را به یک رفتار فیزیکی در ماشین ارتباط دهیم.
نمودارFFT چه چیزهایی را به ما نمی‌گوید؟
این بخش به اندازه خود FFT مهم است.
FFT نشان می‌دهد چه مؤلفه‌های فرکانسی در رکورد وجود دارند، اما دقیقاً نشان نمی‌دهد این اتفاق‌ها در چه لحظه‌ای از زمان رخ داده‌اند.
اگر سیگنال دارای ضربه‌های کوتاه، تغییرات لحظه‌ای یا رفتار ناپایدار باشد، نگاه کردن فقط به FFT ممکن است بخشی از اطلاعات را پنهان کند.
در این شرایط Time Waveform می‌تواند بسیار مفید باشد.
در ماشین‌هایی که سرعت در طول برداشت تغییر می‌کند، FFT معمولی هم ممکن است تصویر مناسبی از رفتار ماشین ندهد و روش‌هایی مانند Order Analysis ارزش بیشتری پیدا کنند.
محدودیت دیگر FFT به Resolution برمی‌گردد. اگر تنظیمات برداشت مناسب نباشد، دو فرکانس نزدیک ممکن است در طیف از یکدیگر قابل تفکیک نباشند.
چرا Window در FFT اهمیت دارد؟
رکوردی که دستگاه اندازه‌گیری می‌کند طول محدودی دارد.
اگر ابتدا و انتهای این رکورد به‌صورت طبیعی به هم متصل نباشند، پدیده‌ای به نام Spectral Leakage یا نشت طیفی ایجاد می‌شود.
در این حالت بخشی از انرژی یک فرکانس روی خطوط فرکانسی اطراف پخش می‌شود و شکل پیک واقعی تغییر می‌کند.
برای کاهش این اثر از Windowهایی مانند Hanning استفاده می‌شود.
پس تنظیمات دستگاه بخشی از تحلیل است و فقط نگاه کردن به نمودار کافی نیست.
یک FFT خوب از یک برداشت خوب شروع می‌شود
اگر داده اولیه مناسب نباشد، حتی بهترین نرم‌افزار آنالیز هم نمی‌تواند نتیجه قابل اعتمادی تولید کند.
قبل از تحلیل باید مواردی مانند این‌ها مشخص باشند:
- محل نصب سنسور
- جهت اندازه‌گیری
- نوع سنسور
- سرعت واقعی ماشین
- Fmax
- Resolution
- تعداد Lines
- Window
- شرایط بار و فرآیند
گاهی تفاوت بین یک تشخیص صحیح و یک تشخیص اشتباه، نه در مهارت خواندن FFT، بلکه در کیفیت دیتابرداری است.
نمونه واقعی از کاربرد FFT
در عیب‌یابی واقعی، FFT معمولاً در کنار Time Waveform و سایر پارامترها بررسی می‌شود.
یک نمونه خوب، کیس سایش یا مالش پره در توربین گاز است. در آن کیس، اگر فقط به پیک‌های فرکانسی نگاه کنیم بخشی از رفتار ماشین را از دست می‌دهیم، اما شکل موج زمانی نشان می‌دهد یک رویداد مکانیکی با الگوی مشخص در حال تکرار است.
این نمونه را در مقاله جداگانه «تشخیص سایش پره توربین گاز با استفاده از FFT و Time Waveform» بررسی کرده‌ایم.
جمع‌بندی
در واقع FFT یکی از اصلی‌ترین ابزارهای آنالیز ارتعاشات است، اما یک ماشین تشخیص عیب نیست.
یک تحلیل قابل اعتماد زمانی شکل می‌گیرد که طیف فرکانسی در کنار شرایط واقعی ماشین، سرعت، فاز، شکل موج زمانی، Trend و اطلاعات فرآیندی بررسی شود.
در ماشین‌های دوار، هدف نهایی پیدا کردن یک پیک در FFT نیست؛ هدف این است که بفهمیم آن پیک از کدام رفتار فیزیکی ماشین ایجاد شده است.