Hur används FFT för att analysera maskiners vibrationer?

Maskiner vibrerar hela tiden när de är i gång – det är helt normalt. Men vissa vibrationer kan avslöja att något är på väg att gå sönder: en obalans, ett slitet lager eller en lös bult. För att hitta sådana problem i tid användes oftast vibrationsanalys och ett av de vanligaste verktygen för det är Fast Fourier Transform (FFT).

När du placerar en liten sensor – en så kallad accelerometer – på en motor eller ett lager, får du en signal som visar hur mycket maskinen vibrerar över tid. Den här signalen kan se ut som en ganska oorganiserad kurva – men gömmer mycket information.

Problemet? Människan har svårt att tolka den signalen med blotta ögat. Vi behöver verktyg som kan hjälpa oss att förstå vilka frekvenser som finns i signalen, och hur starka de är. Det är precis vad FFT gör.

FFT är en snabb metod för att omvandla en vibrationssignal från tidsdomän till frekvensdomän.

Tänk så här:

• I tidsdomänen ser du hur något vibrerar över tid (typ som ett hjärtslag på en EKG-skärm).
• I frekvensdomänen ser du vilka frekvenser som finns i vibrationerna, och hur mycket energi som ligger i varje frekvens.

Det är ungefär som att höra ett ackord på ett piano – FFT hjälper dig ta reda på exakt vilka toner som spelades, och hur högt varje ton lät.

När du kör en vibrationssignal genom FFT får du ett spektrum – en graf där X-axeln visar frekvenser (t.ex. 0 till 10 000 Hz), och Y-axeln visar amplitud (hur kraftig vibration det är vid varje frekvens).

Det hjälper dig att:

• Identifiera lagerfel som ger typiska ”frekvenssteg”
• Upptäcka obalanser som syns vid maskinens rotationshastighet
• Hitta resonansproblem där vibrationerna förstärks kraftigt

Fördelar och begränsningar

Fördelar:

• Snabb och effektiv
• Enkel att tolka när signalen är stabil
• Bra för att upptäcka periodiska problem

Begränsningar:

• Antar att signalen är stationär (dvs. inte förändras över tid)
• Missar lätt korta störningar eller övergående fel
• Ingen information om när ett visst problem uppstod – bara att det finns

FFT vs. WPT – vad är skillnaden?

Tidigare har jag lyft att man i forskningssammanhang använt olika modeller för maskininlärning använt Walvelet Packet Transform (WPT) i stället för FFT, därför listar jag några skillnader mellan dom två. Det kommer ett eget inlägg om WPT för att beskriva den tekniken, så vi återkommer till ämnet längre fram.

Egenskap	FFT	WPT (Wavelet Packet Transform)
Tid-frekvens-upplösning	Endast frekvens	Både tid och frekvens
Stationära signaler	Fungerar bra	Fungerar även för icke-stationära
Tydlighet i spektrum	Mycket bra	Bra, men mer komplex analys
Beräkningstid	Snabb	Långsammare