روش‌های پیشرفته پردازش سیگنال برای پایش وضعیت ماشین‌های القایی

ماشین‌های القایی یکی از پرکاربردترین تجهیزات در صنایع مختلف هستند و نقش حیاتی در تولید، حمل‌ونقل و فرآیندهای صنعتی ایفا می‌کنند. به همین دلیل، پایش وضعیت (Condition Monitoring) این ماشین‌ها اهمیت فراوانی دارد. خرابی در موتورهای القایی می‌تواند منجر به توقف خط تولید، کاهش بهره‌وری و خسارت‌های مالی شود. از این‌رو، شناسایی به‌موقع عیوب و پیش‌بینی خرابی‌ها با استفاده از روش‌های پیشرفته پردازش سیگنال به یک ضرورت در مهندسی نگهداری تبدیل شده است.

در گذشته، پایش وضعیت بیشتر به روش‌های سنتی و اندازه‌گیری مستقیم پارامترهایی مثل دما، جریان یا ارتعاش محدود بود. اما با پیشرفت فناوری پردازش سیگنال و محاسبات هوشمند، امکان تحلیل دقیق‌تر پدیده‌های گذرا و الگوهای پنهان فراهم شده است. مقاله‌ی حاضر به بررسی این روش‌های نوین پرداخته و کارایی آن‌ها در شناسایی انواع خرابی‌ها در ماشین‌های القایی را مورد بحث قرار می‌دهد.

خرابی‌های رایج در ماشین‌های القایی

برای درک بهتر اهمیت پردازش سیگنال، ابتدا باید با خرابی‌های رایج در موتورهای القایی آشنا شویم. برخی از مهم‌ترین آن‌ها عبارتند از:

• خرابی استاتور: شامل اتصال کوتاه بین سیم‌پیچ‌ها یا آسیب عایقی.
• خرابی روتور: ترک‌خوردگی میله‌های روتور یا شکستگی حلقه انتهایی.
• خرابی یاتاقان‌ها: سایش، ترک یا روانکاری نامناسب.
• عدم هم ‌محوری و مشکلات مکانیکی: که منجر به ارتعاشات غیرعادی می‌شوند.

هر یک از این خرابی‌ها نشانه‌هایی در سیگنال‌های الکتریکی یا مکانیکی ماشین ایجاد می‌کنند. روش‌های پیشرفته پردازش سیگنال کمک می‌کنند این نشانه‌ها آشکار شده و در مراحل اولیه خرابی تشخیص داده شوند.

روش‌های پردازش سیگنال

1. آنالیز فوریه (FFT)

روش آنالیز فوریه سریع (FFT) یکی از روش‌های پرکاربرد در حوزه پایش وضعیت تجهیزات دوار است که به کمک آن می‌توان سیگنال‌های ارتعاشی را از حوزه زمان به حوزه فرکانس تبدیل کرد. این روش به‌ویژه برای تشخیص نامیزانی، نابالانسی و خرابی یاتاقان‌ها بسیار کاربردی است، زیرا هر عیب دارای الگوی فرکانسی مشخصی است. مزیت اصلی FFT سرعت بالای پردازش و سادگی در تفسیر نتایج است که آن را به ابزاری محبوب در صنعت تبدیل کرده است. با این حال، از آنجا که FFT تنها برای سیگنال‌های پایدار و ایستا مناسب است، در شناسایی رخدادهای گذرا یا تغییرات لحظه‌ای سیگنال کارایی محدودی دارد. به همین دلیل در بسیاری از کاربردها، FFT به همراه روش‌های پیشرفته‌تر مانند موجک یا تحلیل زمان–فرکانس استفاده می‌شود تا تصویر کامل‌تری از وضعیت ماشین به دست آید.

2. تبدیل موجک (Wavelet Transform)

تبدیل موجک (Wavelet Transform) روشی پیشرفته برای تحلیل سیگنال است که به‌منظور رفع محدودیت‌های FFT توسعه یافته است. این روش امکان بررسی هم‌زمان سیگنال در دو حوزه زمان و فرکانس را فراهم می‌کند. با استفاده از موجک می‌توان تغییرات ناگهانی و گذرای سیگنال را به‌خوبی شناسایی کرد. از جمله کاربردهای مهم آن تشخیص ترک‌خوردگی در روتور، ضربه‌های یاتاقان و خرابی‌های لحظه‌ای است. به همین دلیل موجک در پایش وضعیت تجهیزات دوار، جایگاه ویژه‌ای پیدا کرده است.

3. روش‌های مبتنی بر هیلبرت–هوانگ (HHT)

روش هیلبرت–هوانگ (Hilbert–Huang Transform) یک روش نوین و تطبیقی برای تحلیل سیگنال‌های پیچیده به شمار می‌رود. برخلاف FFT که فقط برای سیگنال‌های ایستا مناسب است، HHT توانایی بررسی سیگنال‌های غیرخطی و غیرایستا را دارد. در این روش ابتدا سیگنال به مجموعه‌ای از مؤلفه‌های ذاتی یا همان IMFها تجزیه می‌شود که هر کدام یک نوسان خاص را نمایش می‌دهند. سپس با استفاده از تبدیل هیلبرت، طیف لحظه‌ای هر مؤلفه استخراج می‌گردد. این ویژگی امکان نمایش تغییرات فرکانس و دامنه در طول زمان را فراهم می‌کند. به همین دلیل HHT ابزار قدرتمندی برای شناسایی خرابی‌های پیچیده و پدیده‌های دینامیکی در ماشین‌آلات است. در نهایت، این روش دقت بالاتری در تحلیل گذراها و عیوب متغیر نسبت به روش‌های کلاسیک ارائه می‌دهد.

4. تجزیه حالت تجربی (EMD)

تجزیه حالت تجربی (EMD) یکی از روش‌های قدرتمند پردازش سیگنال است که به‌عنوان پایه اصلی در تبدیل هیلبرت–هوانگ به کار می‌رود. این روش سیگنال پیچیده را به تعدادی مؤلفه ذاتی یا IMF تجزیه می‌کند که هر کدام بیانگر یک رفتار خاص در سیگنال هستند. جداسازی این اجزا باعث می‌شود بتوان الگوهای پنهان و تغییرات مهم در سیگنال را شناسایی کرد. در ترکیب با HHT، تحلیل EMD امکان استخراج ویژگی‌های دقیق‌تر خرابی و رفتار دینامیکی تجهیزات را فراهم می‌آورد. به همین دلیل EMD در پایش وضعیت ماشین‌آلات و شناسایی عیوب گذرا کاربرد گسترده‌ای دارد.

5. تحلیل سیگنال گذرا

بسیاری از خرابی‌ها تنها در زمان‌های کوتاه و در شرایط خاص ظاهر می‌شوند. این شرایط معمولاً هنگام راه‌اندازی موتور، تغییرات ناگهانی بار یا توقف ماشین به وجود می‌آیند. در چنین مواقعی، سیگنال ماهیت غیرایستا دارد و روش‌های معمولی مانند FFT قادر به نمایش دقیق تغییرات آن نیستند. به همین دلیل، روش‌هایی مانند STFT (تبدیل فوریه کوتاه‌مدت) یا موجک‌های تطبیقی برای تحلیل این سیگنال‌ها استفاده می‌شوند. این روش‌ها امکان بررسی هم‌زمان اطلاعات زمانی و فرکانسی را فراهم می‌کنند و در شناسایی عیوب گذرای یاتاقان‌ها، ترک‌خوردگی‌ها و ضربه‌های لحظه‌ای بسیار مؤثر هستند. در نهایت، تحلیل سیگنال‌های گذرا دید عمیق‌تری از رفتار دینامیکی ماشین ارائه می‌دهد و تکمیل‌کننده روش‌های کلاسیک محسوب می‌شود.

استخراج ویژگی‌ها و طبقه‌بندی

پس از پردازش سیگنال، گام مهم بعدی استخراج ویژگی‌ها و طبقه‌بندی خرابی‌ها است. ویژگی‌هایی مثل انرژی باندهای فرکانسی، ضرایب موجک، یا شاخص‌های آماری (میانگین، واریانس، کشیدگی و …) به عنوان ورودی الگوریتم‌های طبقه‌بندی استفاده می‌شوند.

روش‌های مختلف یادگیری ماشین برای طبقه‌بندی خرابی‌ها به‌کار می‌روند، از جمله:

• شبکه‌های عصبی مصنوعی (ANN)
• ماشین‌های بردار پشتیبان (SVM)
• الگوریتم‌های یادگیری عمیق (Deep Learning)
• روش‌های هیبریدی که چند تکنیک مختلف را ترکیب می‌کنند.

این الگوریتم‌ها با استفاده از داده‌های آموزشی می‌توانند الگوهای خرابی را یاد گرفته و در زمان واقعی (Real-Time) خرابی‌های جدید را تشخیص دهند.

مقایسه روش‌ها

• FFT: ساده، سریع، اما محدود در شرایط غیرایستا.
• Wavelet: مناسب برای سیگنال‌های گذرا، تحلیل چندرزولوشنی.
• HHT وEMD : قوی در تحلیل سیگنال‌های غیرخطی و غیرایستا.
• روش‌های ترکیبی: بیشترین دقت را دارند چون نقاط ضعف یکدیگر را پوشش می‌دهند.

کاربردهای صنعتی

در صنایع مختلف از این روش‌ها استفاده می‌شود:

• نیروگاه‌ها: پایش موتورهای القایی در ژنراتورها و پمپ‌ها.
• صنایع نفت و گاز: تشخیص خرابی یاتاقان‌ها در کمپرسورها.
• صنایع خودروسازی: کنترل کیفیت موتورها در خط تولید.
• حمل‌ونقل ریلی: پایش وضعیت موتورهای لوکوموتیو.

چالش‌ها و مسیر آینده

هرچند این روش‌ها توانسته‌اند تشخیص خرابی‌ها را دقیق‌تر کنند، اما همچنان چالش‌هایی وجود دارد:

• نیاز به داده‌های آموزشی گسترده برای الگوریتم‌های یادگیری ماشین
• حساسیت به نویز و شرایط عملیاتی متغیر
• هزینه بالای پیاده‌سازی سیستم‌های آنلاین

روش‌های پیشرفته پردازش سیگنال نقش کلیدی در پایش وضعیت ماشین‌های القایی دارند. این روش‌ها از تحلیل‌های ساده مثل FFT تا تکنیک‌های پیچیده‌ای چون HHT و الگوریتم‌های یادگیری ماشین گسترده‌اند. انتخاب بهترین روش بستگی به نوع خرابی، شرایط کاری و نیاز صنعت دارد. با پیشرفت فناوری‌های نوین، پایش وضعیت به سمت تشخیص هوشمند، آنلاین و بلادرنگ حرکت خواهد کرد که می‌تواند هزینه‌های نگهداری را کاهش داده و بهره‌وری صنایع را افزایش دهد.

مراجع

Jaros, Rene, et al. “Advanced Signal Processing Methods for Condition Monitoring.” Archives of Computational Methods in Engineering 30.3 (2023).