گیربکس ها از اجزای اصلی در بسیاری از ماشین‌آلات صنعتی هستند. خرابی ناگهانی آن‌ها می‌تواند زیان‌های اقتصادی جدی به بار آورد. بنابراین پایش وضعیت و تشخیص عیوب در مراحل اولیه بسیار مهم است. یکی از بهترین روش‌ها برای این کار، آنالیز ارتعاشات گیربکس است. بیش از ۶۵ درصد خرابی‌های گیربکس‌ها به عیوب دندانه‌ها مانند پیتینگ، ترک، سایش، شکست و پوسته‌ریزی مربوط می‌شود. هرگونه خطا در طراحی، ساخت یا نصب می‌تواند موجب تغییر در الگوی ارتعاشی سیستم گردد و عملکرد آن را تحت تأثیر قرار دهد. به همین دلیل، آنالیز ارتعاشات گیربکس به‌عنوان روشی مؤثر قادر است نشانه‌های اولیه خرابی را آشکار کرده و از بروز آسیب‌های جدی‌تر جلوگیری کند.
علل خرابی گیربکس:
علل خرابی گیربکس را می‌توان در چند دسته کلی بررسی کرد. یکی از مهم‌ترین دلایل، خطاهای طراحی است. انتخاب مواد نامناسب، طراحی ضعیف قطعات و سیستم روانکاری ناکافی می‌تواند منجر به کاهش دوام و افزایش احتمال خرابی در گیربکس شود.
دسته دیگر، خطاهای کاربردی هستند. عواملی مانند ارتعاش بیش از حد، نصب نادرست و همچنین نگهداری ناکافی می‌توانند فشارهای اضافی بر گیربکس وارد کنند و باعث ایجاد سایش یا ترک در اجزا شوند. این نوع خطاها معمولاً در طول بهره‌برداری نمایان می‌شوند و با پایش صحیح قابل پیشگیری هستند.
در نهایت، خطاهای ساخت نیز نقش مهمی در کاهش عمر گیربکس دارند. ماشین‌کاری نادرست قطعات یا انجام ناقص عملیات حرارتی می‌تواند استحکام مکانیکی دنده‌ها و سایر اجزا را تضعیف کند. چنین خطاهایی اغلب در مراحل اولیه کارکرد گیربکس باعث بروز مشکلات جدی می‌شوند.
این خرابی‌ها مستقیماً در سیگنال‌های ارتعاش منعکس می‌شوند و بنابراین با آنالیز ارتعاشات گیربکس قابل شناسایی هستند.
روش‌های آنالیز ارتعاشات گیربکس
۱. تحلیل دامنه زمان
تحلیل شکل موج (Waveform):
در این روش، سیگنال خام ارتعاش به‌صورت مستقیم مورد بررسی قرار می‌گیرد. مشاهده ضربه‌های ناگهانی، نوسانات غیرعادی و پدیده‌های گذرا می‌تواند نشانه‌ای از وجود عیب در اجزای مکانیکی باشد. تحلیل شکل موج معمولاً اولین گام در عیب‌یابی ارتعاشی است.
شاخص‌های (RMS، پیک، Crest Factor):
این شاخص‌ها مقادیر ساده‌ای هستند که شدت ارتعاش را به‌صورت کمی نشان می‌دهند. RMS بیانگر انرژی کلی ارتعاش، مقدار پیک نشان‌دهنده بیشینه ارتعاش و Crest Factor نسبت این دو است. معمولاً Crest Factor بالاتر از ۴٫۵ به‌عنوان نشانه‌ای از وجود خرابی یا ضربه‌های شدید در سیستم تلقی می‌شود.
روش‌های آماری (کورتوزیس و چولگی):
شاخص‌های آماری برای بررسی توزیع ارتعاشات و شناسایی ناهنجاری‌ها به‌کار می‌روند. کورتوزیس میزان پهنای توزیع و شدت قله‌ها را مشخص می‌کند و در تشخیص ترک و شکست اجزا بسیار کاربردی است. چولگی نیز عدم تقارن در سیگنال را نشان می‌دهد که می‌تواند بیانگر عدم بالانس یا عیوب دیگر باشد.
این بخش پایه‌ای‌ترین روش در آنالیز ارتعاشات گیربکس است و برای خرابی‌های ساده کاربرد دارد.
۲. تحلیل دامنه فرکانس
استفاده از FFT و DFT برای مشاهده فرکانس‌های خطا:
تبدیل فوریه سریع (FFT) و تبدیل گسسته فوریه (DFT) ابزارهایی قدرتمند برای تحلیل ارتعاشات در حوزه فرکانس هستند. این روش‌ها امکان شناسایی فرکانس‌های مشخص مربوط به عیوب مختلف را فراهم می‌کنند. با بررسی طیف فرکانسی می‌توان به‌راحتی منبع ارتعاش و نوع خرابی را تشخیص داد.
بررسی فرکانس مش دنده و هارمونیک‌ها:
در گیربکس‌ها، فرکانس مش دنده و هارمونیک‌های آن اهمیت زیادی دارند. هرگونه خرابی دندانه مانند سایش یا ترک باعث ایجاد سایدبندها در اطراف این فرکانس می‌شود. شناسایی این الگوها کمک می‌کند تا عیب در مراحل اولیه شناسایی شود.
فیلتر باندی (Band-pass):
فیلتر باندی برای جداسازی محدوده‌های مهم ارتعاشی به‌کار می‌رود. با این روش، نویزهای اضافی حذف شده و سیگنال مفید مربوط به خرابی بهتر قابل مشاهده می‌شود. استفاده از فیلتر مناسب، دقت تحلیل ارتعاش را به‌طور چشمگیری افزایش می‌دهد.
آنالیز سفسترال (Cepstrum):
این روش برای آشکارسازی الگوهای تکراری در سیگنال ارتعاشی استفاده می‌شود. سفستروم قادر است فرکانس‌های پنهان یا تداخلات ناشی از ضربه‌های متوالی را مشخص کند. به‌ویژه در عیب‌یابی گیربکس‌ها، سفستروم ابزاری بسیار کاربردی برای تشخیص مشکلات دندانه است.
این روش در آنالیز ارتعاشات گیربکس قدرت بیشتری در تشخیص نوع خرابی دارد ولی گاهی به دلیل همپوشانی فرکانس‌ها محدودیت دارد.
۳. تحلیل زمان–فرکانس
این روش برای سیگنال‌های غیرایستا بسیار مناسب است.
تبدیل فوریه کوتاه‌مدت (STFT):
در این روش، سیگنال در بازه‌های زمانی کوتاه تقسیم و سپس بر روی هر بازه تبدیل فوریه اعمال می‌شود. این کار امکان بررسی تغییرات فرکانسی سیگنال در طول زمان را فراهم می‌سازد. هرچند، محدودیت آن در دقت همزمانی زمان و فرکانس است که به اندازه پنجره بستگی دارد.
توزیع ویگنر–ویل و کوهن:
این روش‌ها متعلق به خانواده توزیع‌های زمان–فرکانس هستند که دیدی دقیق‌تر نسبت به STFT ارائه می‌دهند. آن‌ها می‌توانند جزئیات ریزتر سیگنال را آشکار کنند و برای تحلیل ارتعاشات پیچیده مناسب‌اند. با این حال، مشکل اصلی آن‌ها وجود تداخل‌های متقاطع (Cross-terms) است که تفسیر نتایج را دشوار می‌کند.
موجک (Wavelet analysis):
در تحلیل موجک، سیگنال با موجک‌های مقیاس‌پذیر و انتقال‌پذیر تجزیه می‌شود تا همزمان در زمان و فرکانس بررسی شود. این روش قابلیت بالایی در آشکارسازی پدیده‌های گذرا و تغییرات ناگهانی سیگنال دارد. به همین دلیل، در پایش وضعیت گیربکس به‌ویژه برای شناسایی ترک‌های اولیه دندانه‌ها بسیار کارآمد است.
۴. تکنیک‌های خاص
آنالیز مرتبه‌ای (Order Analysis):
این روش بر پایه همگام‌سازی ارتعاش با سرعت دوران عمل می‌کند و امکان بررسی ارتعاشات در حوزه مرتبه (Order domain) را فراهم می‌آورد. با استفاده از آن می‌توان تغییرات ارتعاشات اجزاء دوار را هنگام تغییر سرعت به‌دقت بررسی کرد. در سیستم‌های با سرعت متغیر، این روش ابزاری کلیدی برای آشکارسازی نامیزانی‌ها و عیوب دورانی است.
میانگین‌گیری همزمان (TSA):
TSA با همگام‌سازی سیگنال ارتعاش با یک مرجع دورانی (معمولاً پالس انکودر) انجام می‌شود. این روش نویزهای ناخواسته و ارتعاشات غیرمرتبط را حذف کرده و تنها مؤلفه‌های هم‌فاز با دوران باقی می‌مانند. به همین دلیل، یکی از قوی‌ترین ابزارها برای برجسته‌سازی عیوب چرخ‌دنده‌ها به شمار می‌رود.
شاخص‌های FM0, FM4, NA4, NB4:
این شاخص‌ها مقادیر آماری و محاسباتی هستند که از سیگنال ارتعاش استخراج می‌شوند. هرکدام از آن‌ها نسبت به نوع خاصی از خرابی (مانند شکستگی دندانه یا ساییدگی) حساسیت نشان می‌دهند. با پایش روند این شاخص‌ها در طول زمان، می‌توان رشد خرابی را پیش‌بینی و از خرابی ناگهانی جلوگیری کرد.
دمودولاسیون (Demodulation):
در این روش، بخش مدوله‌شده سیگنال ارتعاش استخراج می‌شود تا تغییرات در دامنه یا فاز آشکار گردد. این تغییرات معمولاً ناشی از عیوبی مانند ترک یا برخورد در چرخ‌دنده‌ها هستند. دمودولاسیون به‌ویژه برای آشکارسازی فرکانس‌های مشخص مرتبط با خرابی بسیار مؤثر است.
سیستم‌های هوشمند در آنالیز ارتعاشات گیربکس
برای افزایش دقت و سرعت، روش‌های هوش مصنوعی با سیگنال‌های ارتعاشی ترکیب شده‌اند:
- شبکه‌های عصبی :(ANN) قابلیت یادگیری و دسته‌بندی خرابی‌ها با دقت بالا.
- منطق فازی: (Fuzzy) استفاده از قواعد تقریبی اپراتور برای تصمیم‌گیری.
- سیستم‌های ترکیبی: (Hybrid AI) ادغام ANN، فازی و سایر الگوریتم‌ها برای ایجاد یک سیستم پایش قوی.
جمع‌بندی
این مطالعه نشان می‌دهد که ارتعاشات گیربکس به دلیل ماهیت تناوبی و نویز زیاد، نیازمند روش‌های پیشرفته برای تحلیل دقیق هستند. در این میان، تکنیک‌های زمان–فرکانس بهترین ابزار برای حذف نویز و آشکارسازی تغییرات سیگنال در شرایط کاری متغیر محسوب می‌شوند. این موضوع اهمیت ویژه‌ای در کاربردهای صنعتی دارد که سیگنال‌ها اغلب غیرایستا و پیچیده‌اند.
روش‌های حوزه زمان مانند RMS و Crest factor اگرچه شاخص‌های مفیدی برای توصیف کلی شدت ارتعاش به شمار می‌روند، اما توانایی محدودی در شناسایی دقیق نوع و محل خرابی دارند. در مقابل، روش‌های حوزه فرکانس نظیر FFT و فیلتر باندی قادرند جزئیات دقیق‌تر ارتعاشات و مؤلفه‌های مشخص مربوط به خرابی را آشکار کنند، اگرچه در مواجهه با سیگنال‌های غیرایستا محدودیت‌هایی دارند.
از سوی دیگر، میانگین‌گیری همزمان (TSA) به‌عنوان یکی از قوی‌ترین روش‌های پردازش سیگنال گیربکس مطرح است. این روش با همگام‌سازی سیگنال با دوران اجزا، نویزهای ناخواسته را حذف و مؤلفه‌های مربوط به خطا را برجسته می‌کند. به همین دلیل، نقش مهمی در پایش وضعیت و شناسایی خرابی‌های اولیه چرخ‌دنده‌ها دارد.
با وجود توانایی‌های هر روش، هیچ‌کدام به‌تنهایی پاسخگوی تمام نیازهای تشخیص خرابی نیستند. ترکیب چندین رویکرد در حوزه زمان، فرکانس و زمان–فرکانس می‌تواند دقت و قابلیت اطمینان سیستم پایش را به شکل چشمگیری افزایش دهد. این رویکرد چندوجهی بهترین گزینه برای پوشش طیف گسترده‌ای از خرابی‌ها در شرایط کاری مختلف است.
در نهایت، افزودن الگوریتم‌های هوش مصنوعی به همراه ویژگی‌های استخراج‌شده از ارتعاشات، آینده‌ای نویدبخش در زمینه تشخیص سریع و دقیق خرابی گیربکس ترسیم می‌کند. این سیستم‌های هوشمند قادرند با یادگیری از داده‌ها، روند خرابی را پیش‌بینی کرده و امکان مداخله پیشگیرانه را فراهم آورند. بدین ترتیب، ترکیب روش‌های کلاسیک پردازش سیگنال با فناوری‌های نوین یادگیری ماشین، مسیر بهینه‌ای برای پایش وضعیت و افزایش طول عمر تجهیزات دوار خواهد بود.
مراجع
Aherwar, Amit. “An investigation on gearbox fault detection using vibration analysis techniques: A review.” Australian Journal of Mechanical Engineering 10.2 (2012): 169-183.