Jahrbuch 2008 - IALB - Universität Bremen

Waveletbasierte Echtzeit–Signalverarbeitung zur Überwachung
von Prozess– und Maschinenzustandsänderungen
Bei höherwertigen Aufgaben wie der Erkennung von
Werkzeugzuständen oder der Lager- und Getriebeüberwachung
ergeben sich häufig überlagerte Zustandsänderungen
oder geringe Nutzpegel der relevanten
Signalerscheinungen, sodass sich die Bestimmung einfacher
Grenzwerte als schwierig erweist. Die ständig
weiter entwickelten Zeit-Frequenztransformationen erweisen
sich als ein wertvolles Werkzeug, um transiente,
instationäre, nichtperiodische oder stochastische Signalvorgänge
anhand der zeitlich aufgelösten Spektren zu erkennen.
Als populärer Vertreter moderner Zeit-Frequenzanalysen
bietet die Wavelettransformation gegenüber der
gefensterten Fouriertransformation (STFT) den Vorteil,
kurzwellige Ereignisse zeitlich höher aufzulösen als
langwellige. Der hier vorgestellte Ansatz zur Zustandsüberwachung
besteht darin, die Wavelets direkt aus den
überwachungsrelevanten Signalvorgängen zu generieren.
Abb.1: a) Beispielsignal, b) prozessangepasstes Wavelet
Zur Demonstration des Verfahrens wird in Bild 1a
ein Beispielsignal angeführt. Die zu erkennenden
Signalereignisse in den markierten Intervallen beinhalten
mehrere Frequenzkomponenten und liegen
in zwei unterschiedlichen Periodenlängen vor.
Mit einem aus dem Ereignis I generierten Wavelet in
Bild 1b wird eine kontinuierliche Selflettransformation
(CST) des Beispielsignals durchgeführt.
Abb.2: Koeffizientenvergleich: a) STFT, b) CWT, c) CST
Bei den drei verglichenen Transformierten in Bild 2 wird
die Zeit über die X-Achse und die Amplitude über die
Farbskala dargestellt. Die spektrale Zerlegung erfolgt entlang
der Y-Achse vom langwelligen (unten) in den kurzwelligen
Bereich (oben). Dabei ist die Art der spektralen
Zerlegung für das jeweilige Verfahren unterschiedlich.
Zu den bedeutendsten Überwachungsanwendungen zählt
neben der Wellen-, Lager- oder Getriebe-Überwachung
die Pumpenüberwachung. Neben der Überwachung von
Störzuständen der mechanischen Komponenten ist das
Erkennen von Prozessstörungen wie z. B. Überdruck-
Abb.3: Überdruckeinfluss im Körperschall:
a) Zeitsignal, b) Selflet, c) STFT, d) CST
Trockenlauf und Kavitationssituationen von besonderem
Interesse. Für das in Bild 3a exemplarisch dargestellte Körperschallsignal
wurde der Pumpendruck kontinuierlich bis
in den kritischen Überdruckbereich erhöht und wieder auf
das Ausgangsniveau gedrosselt. Der geringe Amplitudenanstieg
infolge der Druckerhöhung erweist sich für eine zuverlässige
Überdruckerkennung als ungeeignet. Aufgrund
des ungeregelten Antriebs resultieren aus dem Druckanstieg
Rückwirkungen auf die Drehzahl, die im Körperschall detektiert
werden können. Der verzerrte Signalcharakter der
Drehperiode wird durch die STFT in Bild 3c durch ein Linienspektrum
mit vielen höheren Harmonischen dargestellt.
Die Drehfrequenz ändert sich lediglich von 6,7 auf 6,5 Hz.
Das Linienspektrum aus der STFT wird in den Selfletkoeffizienten
in Bild 3d auf eine Skala komprimiert dargestellt.
Der kompakte PC104plus IPC mit dem Echtzeitbetriebssystem
RT-Linux 2.6.09 und einer TMS320-F2812 DSP-
Rechnerkarte bewältigt komplexe “Online” Überwachungsaufgaben.
Die Signalprozessorkarte mit Dual-Port-RAM
zur Anbindung an den IPC über den PCI-Bus erlaubt den
Einsatz kontinuierlicher Wavelettransformationen zur echtzeitfähigen
Zustandsüberwachung mit zeitnaher Rückführung
in die Prozessesregelung
IALB Jahrbuch 2008 0