In diesem Artikel erfahren Sie, wie die neue Komponententechnologie mit mittleren Bandbreiten von Analog Devices und die Simulationssoftware LTspice® bei der Analyse großer Datenmengen aus zustandsorientierten Überwachungssystemen helfen können.
Der Fortschritt der digitalen Technologie ist ungebremst und durchdringt alle Bereiche unseres Lebens. Maschinen mit Intelligenz auszustatten ist alles andere als eine Orwellsche Dystopie, sondern führt zu Effizienzsteigerungen in der Fabrikautomation, da automatisierte Rückkopplungsschleifen den direkten Wartungsaufwand verringern können. Ohne die richtigen Tools und Software kann es jedoch schwierig sein, die zugrundeliegenden Daten zu visualisieren und zu verstehen – was es wiederum schwierig macht, umsetzbare Entscheidungen zu treffen. In diesem Artikel erfahren Sie, wie die neue Komponententechnologie mit mittleren Bandbreiten von Analog Devices und die Simulationssoftware LTspice® bei der Analyse großer Datenmengen aus zustandsorientierten Überwachungssystemen helfen können.
Industrie 4.0 ist die Bezeichnung für das Konzept, die Vorteile von Big Data in der Werkshalle zu nutzen. Mit Sensoren ausgestattete Maschinen können ihre eigene Leistung überwachen und miteinander kommunizieren. Sie teilen sich die Gesamtarbeitslast und können gleichzeitig wichtige Diagnoseinformationen an das Backoffice weitergeben, egal auf im selben Gebäude oder auf einem anderen Kontinent.
Ein kurzer Überblick über das Produktangebot von Analog Devices zeigt, dass ADI sich stark für die Bereitstellung von Lösungen für das industrielle Internet der Dinge (IIOT) engagiert, insbesondere durch das Angebot robuster, leistungsstarker Signalkettenkomponenten vom Sensor bis zur Cloud.
Ein solcher Bereich der Industrieautomatisierung ist die zustandsabhängige Überwachung (Condition Based Monitoring, CbM), bei der die nominalen Betriebseigenschaften einer Maschine sorgfältig kalibriert werden und dann die Maschine selbst mit lokalen Sensoren genau überwacht wird. Vom Sollsignal abweichende Zustände bedeuten, dass die Maschine gewartet werden muss. So können Maschinen, die mit zustandsabhängigen Überwachungssystemen ausgestattet sind, dann gewartet werden, wenn sie tatsächlich gewartet werden müssen, und nicht einem relativ willkürlichen Wartungsplan folgend.
Die wichtigste Methode, um den Zustand eines Motors zu bestimmen, ist die Untersuchung seiner Vibrationssignatur. Die MEMS-Technologie von Analog Devices ermöglicht die kontinuierliche Überwachung der Vibrationssignatur eines Motors und gibt Aufschluss über den Zustand des Motors, wenn seine Signatur mit der eines bekannten, fehlerfreien Motors verglichen wird. Tatsächlich hat jeder Motorfehler seine eigene Oberwellensignatur. Durch die Betrachtung des Oberwellengehalts des Vibrationsmusters können Fehler in den Lagern, Innen- und Außenringen und sogar in der Verzahnung des Getriebes erkannt werden.
Analyse von Vibrationsdaten in LTspice
Um Daten für die Fourier-Analyse in LTspice zu erzeugen, wurden drei ADXL1002-Beschleunigungsmesser an einen Motor angeschlossen, wie in Abbildung 1 dargestellt, um die Vibrationen von Seite zu Seite, vertikal und von vorne nach hinten (X, Y und Z) zu messen.
Abbildung 1. In den Kanälen X, Y und Z wurden die Vibrationen von Seite zu Seite, vertikal und von vorne nach hinten gemessen.
Die Vibrationsdaten wurden heruntergeladen und in einem Microsoft Excel-Tabellenblatt gespeichert. Die Daten wurden mit 500 kSPS abgetastet, d. h. eine Sekunde Vibrationsdaten ergab drei Spalten mit Microsoft Excel-Daten, die jeweils 500.000 Zeilen lang waren. Ein Beispiel für die X-, Y- und Z-Daten finden Sie in Abbildung 2.
Abbildung 2. Ein Auszug der X-, Y- und Z-Daten.
Der Oberwellengehalt dieser Daten kann nun untersucht werden, um den Zustand des Motors zu bestimmen. Die Fourier-Analyse ist der mathematische Prozess der Extraktion der Frequenzkomponenten aus einer Wellenform. Der spektrale Inhalt einer reinen Sinuswelle besteht nur aus einer Frequenz, der so genannten Grundschwingung. Wenn die Sinuswelle verzerrt ist, erscheinen neben der Grundschwingung auch andere Frequenzen. Durch die Analyse des Frequenzinhalts des Vibrationsmusters des Motors lässt sich eine genaue Diagnose seines Zustands erstellen.
Hardware und Software, mit denen Fourier-Analysen durchgeführt werden können, können teuer sein. Daher zeigen wir hier eine Methode zur Durchführung von Fourier-Analysen an MEMS-Daten, die praktisch kostenlos ist.
LTspice ist ein leistungsfähiger und kostenloser Schaltkreissimulator, der den Frequenzinhalt beliebiger Wellenformen mithilfe der Fourier-Analyse darstellen kann, einschließlich der vom MEMS-Sensor in einem zustandsabhängigen Überwachungssystem gewonnenen Vibrationsdaten.
LTspice kann ein Fourier-Analyse-Diagramm erstellen, wenn die Daten das in Abbildung 3 gezeigte Format haben, in dem jeder Vibrationsdatenpunkt mit dem entsprechenden Zeitstempel gepaart ist.
Abbildung 3. Format der Zeit- und Spannungsinstanzen.
Es ist relativ einfach, die Daten mit Microsoft Excel in dieses Format zu bringen. Hier ist das Verfahren dazu.
Trennen Sie zunächst die Datenspalten in Abbildung 2 in drei Arbeitsblätter in der Excel-Datei mit den Namen X, Y und Z, wie in Abbildung 4 dargestellt.
Abbildung 4. Es wurden drei Blätter erstellt, und die X-, Y- und Z-Daten wurden in die jeweiligen Blätter kopiert.
Fügen Sie links von den Daten eine Spalte ein, die den Zeitstempel jedes Datenwerts enthält.
Da über einen Zeitraum von einer Sekunde 500.000 Datenproben genommen wurden, wurde jeder Datenpunkt im Abstand von 2 µs genommen. Geben Sie daher in die erste Zelle der neuen Spalte
2E-6
ein, was den ersten Zeitstempel bei 2 µs darstellt.
Der einfachste Weg, den Rest der Zeitstempelspalte auszufüllen, ist die Verwendung des Befehls Serie. Geben Sie in das Feld Suche in Microsoft Excel den Begriff „Serie“ ein, um die in Abbildung 5 dargestellten Menüoptionen aufzurufen.
Wählen Sie im Dropdown-Menü Serie oder Muster befüllen und dann Serie….
Abbildung 5. Füllen vieler Zellen in Microsoft Excel.
Das in Abbildung 6 dargestellte Dialogfeld wird angezeigt, mit den Optionsschaltflächen Spalten und Linear ausgewählt. Geben Sie einen Schrittwert von 2E-6 und einen Stoppwert von 1 ein.
Abbildung 6. Füllen Sie die Zellen mit einem linear expandierenden Datensatz.
Klicken Sie auf OK, um die linke Spalte mit Zeitstempeln zu füllen, die von 2 µs bis 1 Sekunde gehen. Das Gleiche lässt sich erreichen, indem man die ersten Werte einträgt und dann den Cursor auf die unterste Zelle am Ende des Datenbereichs zieht – bei 500.000 Datenzeilen müsste man jedoch sehr lange ziehen.
Die Daten liegen nun in einem Format vor, das von LTspice verarbeitet werden kann, wie in Abbildung 7 dargestellt.
Abbildung 7. Spalten mit dem Zeitstempel und der entsprechenden Datenprobe.
Wenn der Datensatz groß und das Stichprobenintervall gering ist, ist es möglich, dass Microsoft Excel die Zeitstempel auf eine unangemessene Anzahl von Dezimalstellen rundet. Markieren Sie in diesem Fall die erste Spalte und wählen Sie dann Format > Zellen formatieren aus, wie in Abbildung 8 dargestellt.
Abbildung 8. Formatieren Sie die Zellen neu, um Rundungsfehler zu beseitigen.
Wählen Sie die entsprechende Anzahl von Dezimalstellen, wie in Abbildung 9 dargestellt.
Abbildung 9. Erhöhung der Auflösung des Zeitstempels auf fünf Dezimalstellen.
Sobald die Spalte mit dem Zeitstempel ausgefüllt und die signifikanten Ziffern erweitert sind, kopieren Sie beide Spalten jedes Blattes in eine eigene Notepad- oder eine andere Texteditor-Datei, wie in Abbildung 10 dargestellt.
Abbildung 10. Textdatei mit Zeit- und Vibrationsdaten.
Sie sollten drei Textdateien mit den Vibrationsdaten für die Achsen X, Y und Z im zustandsabhängigen Überwachungssystem haben.
Diese Daten können nun direkt in LTspice eingelesen werden.
Konstruieren Sie einen Schaltplan in LTspice, wie in Abbildung 11 dargestellt. In diesem Entwurf gibt es sechs Spannungsquellen, die den Daten für die Achsen X, Y und Z entsprechen. Dies ermöglicht eine Fourier-Analyse der Vibrationsdaten eines neuen Motors, sodass sie mit der Fourier-Analyse der Daten eines vermutlich defekten Motors verglichen werden können. Ein großer Vorteil dieser Methode ist, dass die Frequenzkurve eines neuen (nicht defekten) Motors mit der eines mutmaßlich defekten Motors überlagert werden kann, sodass der Leistungsunterschied sichtbar wird.
Abbildung 11. LTspice-Schaltplan mit Spannungsausgängen für fehlerhafte und nicht fehlerhafte Vibrationsdaten.
Der LTspice-Befehl
.options plotwinsize=0 numdgt=15
entfernt die Standardkompression in LTspice und führt manchmal zu klareren Ergebnissen. Die Simulation läuft schneller, wenn diese Zeile weggelassen wird, kann aber weniger genaue Ergebnisse liefern.
Wenn der Schaltplan vollständig ist, klicken Sie mit der rechten Maustaste auf jede Spannungsquelle, wählen Sie die Schaltfläche Erweitert und anschließend auf die Optionsschaltfläche PWL-Datei. Geben Sie dann den Dateinamen der entsprechenden Textdatei ein, die die Vibrationsdaten enthält, wie in Abbildung 12 gezeigt. Dadurch entsteht eine stückweise lineare Spannungsquelle, die aus einer Reihe von Spannungen und den entsprechenden Zeitpunkten besteht. Es erleichtert Ihnen das Leben, wenn diese Textdateien im gleichen Verzeichnis wie die LTspice-Datei gespeichert sind.
Abbildung 12. Erstellen einer stückweisen linearen Spannungsquelle aus den Vibrationsdaten.
Die transiente Analyse sollte dann so konfiguriert werden, dass sie für die Dauer des ursprünglichen Vibrationstests läuft, indem der Befehl
.tran
Run the simulation verwendet wird. Die Simulation kann abhängig von der Anzahl der Datenpunkte und der Länge der transienten Analyse einige Zeit in Anspruch nehmen.
Die Simulationsergebnisse für die fehlerhaften und die nicht fehlerhaften Motoren sind in Abbildung 13 dargestellt. Das Experiment wurde an einem Motor durchgeführt, der sich mit 587,3 U/min drehte und bei dem ein Lagerfehler vorlag (der Außenring war nicht richtig ausgerichtet) und der mit einer Last von 12 Pfund belastet wurde. Die Diagramme zeigen auch das Vibrationsmuster eines Motors ohne Fehler, der sich mit der gleichen Drehzahl dreht. Es ist klar, dass der fehlerhafte Motor eine deutlich höhere Amplitude in der Vibrationssignatur aufweist als der nicht fehlerhafte Motor.
Abbildung 13. Zeitdomänenergebnisse der Vibrationsdaten für einen fehlerhaften und einen nicht fehlerhaften Motor.
Wählen Sie mit markiertem Fenster Wellenform Ansicht > FFT in der Menüleiste aus. Damit wird die FFT auf der Grundlage der transienten Daten berechnet.
Betrachtet man die Daten in Abbildung 2, so zeigen die Zahlen eine geringe Schwankung um einen großen Offset von etwa 35.000. Bei der Simulation in LTspice ergibt sich eine Offset-Gleichspannung von 35.000 V mit einer Wechselstrom-Wellenform, die über diesem Offset liegt.
In der Fourier-Darstellung zeigt sich diese Offset-Spannung als große Gleichstromspur, sodass bei der automatischen Skalierung der Y-Achse durch LTspice die relevanten Oberwellen zu klein skaliert werden. Klicken Sie mit der rechten Maustaste auf die X-Achse, um einen Frequenzbereich oberhalb des Gleichstroms anzugeben, sodass die Offset-Gleichspannung ignoriert wird – ein Bereich von 5 Hz bis 1 kHz sollte ausreichen.
Klicken Sie mit der rechten Maustaste auf die Y-Achse und wählen Sie die Optionsschaltfläche Linear, um die Oberwellen anzuzeigen, wie in Abbildung 14 dargestellt.
Abbildung 14. Die Fourier-Darstellung ohne Gleichstromspur und auf einer linearen Skala.
Wenn Sie mit der rechten Maustaste in den Diagrammbereich klicken, können Sie zusätzliche Diagrammbereiche hinzufügen, die es ermöglichen, den Spektralinhalt der Vibration in X-, Y- und Z-Diagramme aufzuteilen, wie in Abbildung 15 dargestellt.
Abbildung 15. Die X-, Y- und Z-Vibrationsdiagramme werden getrennt dargestellt.
Fazit
Die MEMS-Beschleunigungsmesser von Analog Devices liefern wichtige Daten für die frühzeitige Erkennung von Motorausfällen, aber das ist nur die halbe Lösung. Die Daten müssen mithilfe der Fourier-Analyse sorgfältig untersucht werden. Leider sind Geräte oder Software, die eine Fourier-Analyse durchführen können, in der Regel teuer. LTspice bietet einen kostenlosen Weg zur genauen Analyse von CbM-Daten und ermöglicht die frühzeitige Erkennung und Diagnose von Maschinenausfällen.