Hình 4.11:Phổ tần số của tín hiệu đo lần đầu tiên (a) và đo sau đó 50 ngày (b)
Khi phân tích dữ liệu đo từ hệ thống giám sát được trình bày trong phần 4.4.1 bằng phổ tần số, ta nhận thấy sau một thời gian hoạt động các tín hiệu trong vùng tần số từ 9kHz đến 11kHz có biên độ tăng nhanh nhiều khả năng sẽ phản ánh sự
phát triển của hư hỏng (hình 4.11). Vì vậy, ta sử dụng một bộ lọc thông dải để nhận
được các thành phần tín hiệu nằm trong vùng tần số trên.
Hình 4.12:Tốc độ quay tức thời của trục (a) và phổđường bao của tín hiệu
Khi tốc độquay không đổi, để nhận dạng hư hỏng ổlăn, ta chỉ cần sử dụng phổ đường bao của tín hiệu. Tuy nhiên, do ảnh hưởng của tốc độ gió, tốc độ quay của trục thay đổi nên các giá trị tần sốđặc trưng hư hỏng cũng sẽthay đổi theo thời gian (các giá trị BPFI thay đổi từ 290 đến 295 Hz), ta cũng không quan sát được các
a)
b)
b) a)
90
thành phần dải biên xung quanh, gây khó khăn trong việc giám sát và chẩn đoán
tình trạng (hình 4.12).
Khi sử dụng các phương pháp phân tích thời gian - tần số, ta có thể quan sát
được sự thay đổi của BPFI theo thời gian cũng như các thành phần dải biên. Tuy
nhiên, phương pháp GST nhờcó độ phân giải cao hơn nên biểu diễn BPFI một cách
chính xác hơn hình 4.13.
Hình 4.13: Phân tích WFT (a), (c) và GST của tín hiệu (b), (d)
Kết luận chương 4
Chương 4 trình bày quy trình áp dụng phương pháp nén đồng bộ suy rộng trong giám sát và nhận dạng hư hỏng của bánh răng và ổlăn. Việc ứng dụng phương pháp
này với tín hiệu mô phỏng và kết quả đo thực đều cho kết quả tốt. Nhờ biểu diễn
a) b)
91
được tín hiệu đồng thời theo thời gian và theo tần số, với độ phân giải được nâng cao rõ rệt so với phân tích Fourier cửa sổ và Wavelet thông thường, phương pháp
mô tả chính xác tín hiệu ngay cả khi tần số thay đổi nhanh theo thời gian, ta quan
sát được các thành phần tần số biến đổi theo thời gian nằm rất gần nhau mà các
92
KẾT LUẬN
Trên cơ sở nghiên cứu những vấn đềhư hỏng của máy quay và các phương pháp
phân tích thời gian - tần số, luận văn đã đi sâu giải quyết bài toán nâng cao hiệu quả
phân tích thời gian - tần số và ứng dụng trong nhận dạng hư hỏng bánh răng và ổ lăn có tốc độ quay biến đổi.
Sử dụng các phương pháp phân tích thời gian - tần số như Fourier dạng cửa sổ
và Wavelet ta có thể biểu diễn tín hiệu đồng thời trong miền thời gian và miền tần số. Luận văn tập trung vào nghiên cứu phép biến đổi nén và nén đồng bộ suy rộng nhằm nâng cao độ phân giải của phân bố thời gian - tần số thu được từ hai phép biến đổi cơ bản trên. Nhờ có độ phân giải thời gian - tần số cao, phương pháp nén
đồng bộ suy rộng giúp ta nhận dạng được hư hỏng trong trường hợp tốc độ quay biến đổi vốn khó phát hiện được bằng các phương pháp phân tích tín hiệu truyền thống.
Dựa trên các kết quả toán học đã có, tác giảđã xây dựng được chương trình tính
toán phép biến đổi nén đồng bộ suy rộng trên cơ sở Fourier cửa sổ và trên cơ sở
Wavelet. Các chương trình tính này được áp dụng để phân tích và nhận dạng hư
hỏng với tín hiệu mô phỏng và tín hiệu đo thực tế trong các trường hợp tốc độ quay
không đổi và tốc độ quay biến đổi. Kết quảthu được đã minh chứng khảnăng nhận dạng hư hỏng vượt trội của phương pháp nén đồng bộ suy rộng so với phép biến đổi Fourier dạng cửa sổ hay Wavelet. Nhìn chung, luận văn đã thực hiện được các mục
93
TÀI LIỆU THAM KHẢO
1. Điền, P. T. N. P. (2015). Kỹ thuật đo và phân tích tín hiệu dao động cơ học: Nxb Giáo dục.
2. Hải, N. (2002). Phân tích dao động máy: Nxb Khoa học và kỹ thuật.
3. Du, N. T. (2015). Chẩn đoán hư hỏng của hộp sốbánh răng bằng phân tích thời gian-tần sốcác dao động cơ học.Trường Đại học Bách Khoa Hà Nội.
4. A. L. Bilosova, J. B. (2012). Vibration Diagnostics. Technical University of Ostrava, Czech republic.
5. Nguyễn Phong Điền, N. T. D., Nguyễn Thanh Hải. (2015). Chẩn đoán dao động cho thiết bị quay bằng phương pháp trung bình hóa đồng bộ cải tiến. Paper presented at the Hội nghị Cơ học kỹ thuật toàn quốc, Đà Nẵng.
6. Mallat, S. (1999). A Wavelet Tour of Signal Processing. New York.
7. Iatsenko, D., McClintock, P. V. E., & Stefanovska, A. (2015). Linear and synchrosqueezed time–frequency representations revisited: Overview, standards of use, resolution, reconstruction, concentration, and algorithms. Digital Signal Processing, 42, 1-26.
8. Gaurav Thakur, H.-T. W. (2011). Synchrosqueezing-based Recovery of Instantaneous Frequency from nonuniform Samples. International Journal of Applied Mathematics, 43, 2078-2095.
9. Ingrid Daubechies, J. L., Hau-Tieng Wu. (2010). Synchrosqueezed wavelet transform: An empirical mode decomposition-liked tool. Applied and Computational Harmonic Analysis.
10. Olhede, S., & Walden, A. T. (2005). A generalized demodulation approach to time-frequency projections for multicomponent signals.
11. Chuan Li, M. L. (2012). Time-frequency signal analysis for gearbox fault diagnosis using a generalized synchrosqueezing transform. Mechanical Systems and Signal Processing.
12. Eric Bechhoefer, B. V. H., David He. (2013). Processing for Improved Spectral Analysis. Paper presented at the Annual Conference of Prognostics and Health Management Society 2013.