FFT và phân tích phổ là gì?

Thực hiện phân tích rung động FFT như thế nào?

Quy trình phân tích rung động FFT điển hình bao gồm nhiều bước, mỗi giai đoạn đều ảnh hưởng trực tiếp đến độ chính xác dữ liệu và hiệu quả chẩn đoán. Đây không chỉ là phép biến đổi toán học của tín hiệu, mà là quá trình xây dựng một “hệ thống kiểm tra sức khỏe thiết bị và hỗ trợ ra quyết định”. Từ lắp đặt cảm biến, thu thập dữ liệu, chuyển đổi FFT đến phân tích phổ và hành động dự đoán, mỗi khâu đều cần sự kết hợp giữa kiến thức công nghiệp và khoa học dữ liệu.

Trước tiên, kỹ sư sẽ lắp đặt các cảm biến gia tốc có độ nhạy cao tại những vị trí then chốt của thiết bị, như bệ động cơ, vòng ngoài ổ bi, ray trượt hoặc trục truyền động. Đây là những “điểm nóng tín hiệu” dễ phát sinh rung động bất thường và cũng là vị trí quan trọng để phân tích cơ chế hư hỏng. Cảm biến thường được cố định bằng nam châm, bu lông hoặc keo dán công nghiệp nhằm đảm bảo tính ổn định và nhất quán khi đo.

Các cảm biến này sẽ thu thập dữ liệu rung động liên tục hoặc theo chu kỳ trong quá trình thiết bị vận hành. Ở giai đoạn này, thường kết hợp mô-đun điện toán biên (Edge Computing) để lọc và lưu trữ dữ liệu sơ bộ, giúp giảm lưu lượng truyền và tăng tính thời gian thực. Tín hiệu cũng có thể được truyền ngay lên đám mây hoặc máy chủ nội bộ thông qua các giao thức công nghiệp như Modbus, CANopen, OPC UA.

Tiếp theo là giai đoạn chuyển đổi FFT. Dữ liệu rung động ban đầu ở miền thời gian không thể trực tiếp thể hiện đặc tính tần số. Thông qua thuật toán FFT, dữ liệu sẽ được chuyển thành biểu đồ phổ, thể hiện cường độ năng lượng tại từng tần số. Các phổ này giống như “ảnh X-quang sức khỏe” của thiết bị, giúp nhanh chóng nhận ra các đỉnh tần số bất thường như bội tần (harmonic), tần số biên (sideband) hay các đỉnh không đối xứng – đều là dấu hiệu hư hỏng thường gặp.

Tuy nhiên, để thực sự rút ra chẩn đoán từ phổ tần số, cần tiến hành phân tích phổ (Spectrum Analysis) sâu hơn. Giai đoạn này không chỉ là quan sát đồ thị, mà còn phải đối chiếu cấu trúc thiết bị và nguyên lý vật lý để xác định bộ phận tương ứng với từng tần số. Ví dụ, hư hỏng vòng trong ổ bi sẽ xuất hiện tại tần số BPFI (Ball Pass Frequency of Inner Race), trong khi mòn bánh răng sẽ thể hiện ở tần số cơ bản của bánh răng và các dải tần phụ. Thông qua các tần số đặc trưng này, kỹ sư có thể xác định bộ phận bất thường và theo dõi xu hướng suy giảm theo thời gian.

Khi kết hợp thêm mô hình AI và phân tích dữ liệu lịch sử, độ chính xác chẩn đoán sẽ được nâng cao đáng kể. Hệ thống AI có thể học “đặc trưng phổ bình thường” của từng thiết bị và phát cảnh báo khi xuất hiện sai lệch. Đồng thời, kết hợp phân tích xu hướng (Trend Analysis) để ước tính thời điểm năng lượng tại một dải tần đạt ngưỡng nguy hiểm, từ đó thực hiện bảo trì dự đoán (Predictive Maintenance) một cách thực sự hiệu quả.

Mô tả ứng dụng:

Lấy ứng dụng máy móc quay (rotating machinery) làm ví dụ: khi card thu tín hiệu lấy mẫu tín hiệu điện áp, trước tiên hệ thống sẽ thu được dữ liệu gốc ở miền thời gian. Sau đó, FFT được sử dụng để chuyển đổi dữ liệu miền thời gian này sang miền tần số, nhằm thu được phân bố năng lượng của tín hiệu tại các tần số khác nhau. Dữ liệu miền tần số giúp chúng ta phân tích các thành phần tần số của tín hiệu, xác định tần số chính và biên độ tương ứng.

Tiếp theo, theo các tiêu chuẩn ISO, cần thực hiện chuyển đổi đơn vị cho các thành phần tần số trong dữ liệu miền tần số. Việc chuyển đổi các hệ số này nhằm đối chiếu kết quả với các đơn vị tiêu chuẩn do ISO quy định, chẳng hạn như gia tốc rung, vận tốc rung hoặc độ dịch chuyển rung. Sau khi hoàn tất chuyển đổi, có thể so sánh đặc tính tín hiệu với các giới hạn trong tiêu chuẩn ISO để xác định tín hiệu hiện tại có đạt chuẩn hay vượt ngưỡng cho phép hay không.

Quy trình này giúp đảm bảo chúng ta có cái nhìn rõ ràng về tình trạng sức khỏe của hệ thống, phát hiện sớm các bất thường vượt chuẩn và kịp thời đưa ra biện pháp xử lý phù hợp.

Quy trình ứng dụng FFT trong bảo trì dự đoán thiết bị
1. Lắp đặt cảm biến: Gắn cảm biến gia tốc ba trục tại các vị trí quan trọng (như bệ động cơ, vòng ngoài ổ bi).
2. Thu thập dữ liệu: Ghi nhận dữ liệu rung động khi thiết bị vận hành, theo chu kỳ hoặc liên tục.
3. Chuyển đổi FFT: Chuyển dữ liệu chuỗi thời gian sang biểu đồ phổ để tách các thành phần tần số khác nhau.
4. Nhận diện bất thường:
。 Ví dụ: Biên độ tần số 60Hz tăng ⇒ tốc độ quay động cơ tăng
。 Xuất hiện đỉnh ở bội tần đặc trưng ⇒ mòn vòng trong ổ bi hoặc hư hỏng bánh răng
5. Cảnh báo và dự đoán: Kết hợp mô hình học máy để phân tích xu hướng, dự đoán thời điểm hỏng hóc và chủ động lên kế hoạch bảo trì.

Vì sao FFT chính xác hơn các phương pháp truyền thống?

Nhiều doanh nghiệp sản xuất khi triển khai công nghệ bảo trì dự đoán thường đặt câu hỏi: “Tại sao phải phức tạp như vậy với FFT? Trước đây tôi chỉ cần dựa vào kinh nghiệm hoặc nghe âm thanh cũng đoán rất chính xác.” Câu hỏi này hoàn toàn hợp lý, bởi trong các nhà máy truyền thống, kỹ sư lâu năm thường dựa vào kinh nghiệm và cảm nhận để phát hiện tiếng ồn hoặc rung động bất thường của máy móc. Tuy nhiên, khi mức độ phức tạp của thiết bị ngày càng tăng và tự động hóa dây chuyền được đẩy nhanh, việc chỉ dựa vào giác quan và kinh nghiệm đã không còn đủ để nắm bắt các bất thường tiềm ẩn bên trong hệ thống.

Lúc này, FFT trở thành một bước đột phá công nghệ then chốt. Không chỉ mang lại độ phân giải tín hiệu và độ chính xác chẩn đoán cao hơn, quan trọng hơn cả là FFT mở ra khả năng trực quan hóa, định lượng và dự đoán trong phân tích phổ.

Trước hết, xét về độ phân giải, dữ liệu dạng sóng theo miền thời gian (Time Domain) truyền thống chỉ cho biết mức độ rung lớn hay nhỏ (ví dụ: giá trị RMS, Peak), nhưng không thể chỉ ra “bất thường nằm ở đâu” hay “vì sao xảy ra bất thường”. Điều này giống như việc dùng nhiệt kế chỉ biết cơ thể bị sốt, nhưng không thể xác định nguyên nhân là nhiễm trùng, xuất huyết nội hay viêm thần kinh. Khi FFT chuyển tín hiệu sang miền tần số, chúng ta có thể quan sát phân bố năng lượng của từng thành phần tần số. Các tần số này có mối liên hệ trực tiếp với tốc độ quay, hình học ổ bi và số răng bánh răng của thiết bị, giúp đội ngũ bảo trì xác định chính xác bộ phận gây ra bất thường. Khả năng liên kết này chính là nguồn dữ liệu cốt lõi mà phân tích phổ phụ thuộc.

Về độ chính xác, phân tích phổ cho phép kết hợp kết quả FFT với kiến thức kỹ thuật để đưa ra đánh giá có cơ sở. Ví dụ, nếu trên phổ xuất hiện các dải tần phụ (sidebands) phân bố đều, đó có thể là dấu hiệu của dao động điều biên do lỗi ổ bi; nếu năng lượng tại một dải tần cụ thể tăng cao và mang tính chu kỳ, có thể liên quan đến biến động tải hoặc hiện tượng cộng hưởng. Những kết luận này không thể đạt được chỉ bằng phép biến đổi FFT đơn thuần, mà cần đến phân tích phổ dựa trên hiểu biết về nguyên lý vận hành thiết bị và cơ chế hỏng hóc, hoặc thông qua mô hình AI. Nói cách khác, FFT giúp chúng ta “nhìn thấy”, còn phân tích phổ giúp chúng ta “hiểu”.

Hơn nữa, khi kết hợp FFT và phân tích phổ, giá trị lớn nhất nằm ở khả năng theo dõi xu hướng và diễn biến bất thường theo thời gian. Chúng ta có thể giám sát dài hạn sự thay đổi năng lượng của một tần số cụ thể: liệu nó có tăng dần hay không, có bắt đầu xuất hiện sideband hay không, hay chuyển từ dạng một tần số sang nhiều chế độ tần số. Những chi tiết này cung cấp cơ sở để dự đoán thời điểm hỏng hóc. Ví dụ, nếu một thiết bị trước đây có năng lượng ổn định tại 6 kHz, nhưng trong ba tuần gần đây bắt đầu tăng dần kèm theo nhiễu cao tần, điều đó có thể cho thấy quá trình mỏi vật liệu đang hình thành. Khi đó, có thể chủ động lên kế hoạch bảo trì sớm, hướng tới bảo trì không gián đoạn (Zero-Downtime Maintenance).

Cuối cùng, phân tích phổ còn là nền tảng quan trọng cho việc huấn luyện các mô hình học máy. Nhiều hệ thống AI trong bảo trì dự đoán thực chất dựa trên nhận dạng hình ảnh phổ (như mạng nơ-ron tích chập CNN) hoặc trích xuất vector đặc trưng từ phổ, chứ không chỉ dựa vào dữ liệu chuỗi thời gian thô. Điều này cho thấy giá trị thông tin của phân tích phổ vượt xa tín hiệu truyền thống, và FFT chính là công cụ cần thiết để “giải phóng” những thông tin đó.

Tóm lại, độ chính xác của FFT không chỉ đến từ khả năng chuyển đổi rung động sang miền tần số, mà còn từ việc kích hoạt toàn bộ quy trình phân tích phổ. Nhờ đó, chúng ta có thể tìm ra các tần số bất thường ẩn trong nhiễu rung, liên kết chúng với cấu trúc cơ khí, theo dõi tốc độ suy giảm và dự đoán thời điểm bảo trì. Trong bối cảnh sản xuất hiện đại, điều cần thiết không còn là “bảo trì phản ứng” hay “bảo trì theo lịch cố định”, mà là các quyết định thông minh – rõ ràng, có căn cứ và có thể dự đoán. Đây chính là sự thay đổi mang tính nền tảng mà FFT và phân tích phổ mang lại khi kết hợp cùng nhau.

Thiết bị phân tích động VMS-PH

Đo lường linh hoạt, phù hợp cho nhiều lĩnh vực. VMS®-PH là thiết bị phân tích rung động được thiết kế cho các thiết bị chính xác cao, tích hợp hơn 20 chức năng đo và phân tích rung động, bao gồm phân tích phổ, phân tích thời gian–tần số, hệ số truyền rung và phân tích động lực học.

Thiết bị phân tích động

Thiết bị phân tích động

＃Chuyển đổi số ＃IoT ＃ESG