Содержание к диссертации
Введение
Глава 1 Насосное оборудование и методы определения его технического состояния
1.1 Классификация насосных агрегатов 14
1.2 Вибродиагностика как вид неразрушающего контроля технического состояния оборудования
1.3 Преобразование Фурье. Спектр вибросигнала 25
1.3.1 Гармонические и полигармонические сигналы 36
1.3.2 Неуравновешенность (дисбаланс) ротора 37
1.3.3 Расцентровка агрегата 37
1.3.4 Нарушение жесткости опор 49
1.3.5 Механическое расшатывание 40
1.3.6 Модулированные сигналы по амплитуде 41
1.3.7 Модулированные сигналы по частоте 42
1.3.8 Произвольные сигналы 43
1.4 Выводы 47
Глава 2 Вейвлет-анализ как средство обработки сигналов 48
2.1 Выводы 61
Глава 3 Исследование гармонических колебаний с использованием теории вейвлетов и мультифрактальной параметризации
3.1 Сравнение свойств вейвлетов для обработки сигнала 63
3.2 Анализ гармонического сигнала 65
3.3 Определение масштабов расположения несущих частот вибросигнала насосного агрегата
3.4 Определение влияния степени зашумления вейвлет-картин от наличия в сигнале высокочастотной составляющей
3.5 Анализ сигнала с частотной модуляцией 72
3.6 Обнаружение самоподобия в сигнале 73 3.7 Мультифрактальная параметризация вейвлет-картин 76
3.7.1 Описание ПК MFRDROM 79
3.7.2 Влияние шумовой составляющей вибросигнала при определении мультифрактальных параметров
3.7.3 Анализ вейвлет-картин развития неисправности дисбаланса 84
3.7.4 Мультифрактальная параметризация искусственного сигнала 86
3.7.5 Определение предельного состояния степени однородности 87
3.7.6 Оценка реальной неисправности. Дисбаланс 89
3.7.7 Неисправность вида «расцентровка». Моделирование искусственного сигнала
3.7.8 Оценка реальной неисправности. Расцентровка 96
3.7.9 Моделирование искусственного сигнала. Неисправность вида «нарушение жесткости опор (мягкие опоры)»
3.7.10 Оценка реальной неисправности. Нарушение жесткости опор 102
3.8 Выводы 104
Глава 4 Объекты и средства исследований для отработки методики оценки технического состояния центробежных насосных агрегатов консольного типа
4.1 Технические характеристики и описание конструкции 108 насосного агрегата в составе гидравлического стенда
4.2 Средства измерения CSI 1900, CSI 2115, CSI 2120, 2130 111
4.3 Контрольные точки измерения вибросигнала 115
4.4 Применение программы пост-обработки вибросигналов MASTERTREND
4.5 Отработка методики вейвлет-преобразования сигналов насосного агрегата на гидравлическом стенде
4.5.1 Выявление расцентровки по устойчивым гармоникам в вибрационных сигналах Д1В, Д1А
4.5.2 Выявление дисбаланса по устойчивым гармоникам 120 в вибрационных сигналах Н1Г, Н1А
4.5.3 Выявление ослабления жесткости по устойчивой гармонике в вибрационном сигнале Д1В
4.5.4 Обнаружение частотной модуляции сигнала Н1Г 123
4.5.5 Обнаружение тренда в сигнале Д2Г с помощью дискретного вейвлет-преобразования 4.6 Выводы 126
Глава 5 Вейвлет-преобразование вибросигналов насосных 128 агрегатов в технологических условиях
5.1 Оценка параметров очистки сигнала от шума 130
5.2 Применение результатов двухмерного непрерывного вейвлет-преобразования
5.3 Применение трехмерных картин непрерывного вейвлет-преобразования
5.3.1 Выявление неисправности типа нарушения жесткости опор 141
5.3.2 Обнаружение дисбаланса ротора электродвигателя при совместном влиянии неисправностей
5.3.3 Деградация подшипника 148
5.3.4 Скол покрывного диска рабочего колеса под влиянием нарушения гидродинамики потока жидкости
5.3.5 Износ соединительной муфты 156
5.3.6 Коррозионно-эрозионный износ корпуса улитки и разрушение рабочего колеса
5.3.7 Выявление коррозионно-эрозионный износа проточной части 160
5.4 Составление алгоритма комплексного подхода к диагностике ЦНА с применением непрерывного вейвлет-анализа и мультифрактальной параметризации
5.5 Выводы 165
Основные выводы
Библиографический список использованной литературы
- Вибродиагностика как вид неразрушающего контроля технического состояния оборудования
- Определение масштабов расположения несущих частот вибросигнала насосного агрегата
- Применение программы пост-обработки вибросигналов MASTERTREND
- Обнаружение дисбаланса ротора электродвигателя при совместном влиянии неисправностей
Вибродиагностика как вид неразрушающего контроля технического состояния оборудования
Неразрушающие методы выявления скрытых дефектов различных деталей и контроля за их развитием увеличивают степень надежности и долговечности работы машин и аппаратов. Применение неразрушающих методов контроля, особенно автоматизированных методов, совместно с передовой технологией производства приводит к значительной экономии средств и повышению технического потенциала используемого оборудования.
Большинство методов неразрушающего контроля качества и состояния структуры деталей сводится к выявлению дефектов сплошности материала таких как трещины, расслоения, непровары, и определению их количества, геометрии, размеров и т.д. Чтобы обеспечить надежность эксплуатации контролируемых объектов необходимо определять как наличие усталостных трещин, так и состояние деталей, которое предшествовало появлению дефектов во время эксплуатации. В связи с этим кроме решения традиционных задач дефектоскопии существует актуальная необходимость в создании универсальных методов вибродиагностики, направленных на решение обеих этих задач [11]. «Вибродиагностика, являясь разделом технической диагностики, есть отрасль знаний, включающая в себя теорию и методы организации процессов распознавания технических состояний машин и механизмов по исходной информации, содержащейся в виброакустическом сигнале» [12, С. 6]. Оценка технического состояния агрегата во время эксплуатации и выявление причин и условий, вызывающих неисправности, являются двумя основными задачами виброакустической диагностики [12]. Вибросигнал содержит насыщенную информацию о работе деталей и узлов исследуемой машины, вследствие чего может являться достоверной характеристикой ее технического состояния. Однако достоверность данной характеристики реализуется только путем подробного анализа вибросигнала, поскольку первоначально вибросигнал представляет собой слишком комплексное отражение колебательного процесса. Термин вибрация чаще всего употребляют тогда, когда колебания совершаются с относительно малой амплитудой и обладают не слишком низкой частотой.
Вибрация элементов динамической машины является реакцией на происходящие внутри нее процессы. Вибрация и шум сопровождают работу машинного оборудования, трубопроводных коммуникаций и при этом возбуждаются динамическими силами, которые также являются причинами износа и различных типов неисправностей [13]. Уровень вибрации является одним из важнейших индикаторов состояния машины. Повышенная вибрация приводит к преждевременному износу и повреждениям отдельных деталей и узлов агрегата, что приводит к простоям технологического оборудования, затратам на ремонт и прочим связанным с этим материальным издержкам. Снижение уровня вибрации ведет к увеличению показателей надежности, эффективности эксплуатации агрегата и уменьшению эксплуатационных затрат.
В простейшем случае источником вибрации является условная точечная масса с определенным эксцентриситетом, которая приводит к появлению при вращении центробежной силы и вызывает во время вращения ротора переменные нагрузки на опорах и изгиб ротора, называемая неуравновешенной (точечной) массой. Увеличение мощности и быстроходности машин и оборудования приводит к повышению вибраций агрегатов [14, 15, 16, 17].
Динамические силы, которые возбуждают вибрацию в роторных машинах, к числу которых относятся насосные агрегаты, приведены в таблице 1.3.
К силам механической природы, которые появляются в роторных машинах, относят следующие [9, 13, 18, 19, 20, 21, 22]:
Механические источники вибраций относят преимущественным образом к центробежным машинам, характеризующимся высокой частотой вращения. Дисбаланс при неравномерном расположении масс в плоскостях вращающихся тел может появиться в результате перемотки обмоток роторов электродвигателей, также после ремонта роторов и при эксплуатации из-за разрушения дисков или лопаток роторов центробежных насосов. Дисбаланс, возникающий вследствие отклонения центральной оси инерции детали или сборочной единицы по отношению к оси вращения, может появиться как результат проточки шеек, при ослаблении посадки деталей на валах, при расцентровке соединяемых валов, их изгибе и других неисправностях [23].
Ударные нагрузки, возникающие в результате перекладки зазоров в механизме движения, и нарушения смазки в подшипниковых узлах относятся к механическим причинам возникновения вибрации. Этому же способствуют неравномерное и нерасчетное изменение параметров технологического процесса, изменяющие напряженное состояние трубопроводной обвязки, ослабления в подшипниковых узлах, а также отрыв фундаментных рам из-за некачественной бетонной подливки рамы или ее разрушения при эксплуатации [24, 25, 26].
Силы электромагнитного происхождения, возникающие в электродвигателях, можно подразделить на [9, 12, 21, 27]: - магнитные силы, которые определяются переменой магнитной энергии в ограниченном пространстве, как правило, в участке воздушного зазора; - электродинамические силы, обусловленные взаимодействием электрического тока с магнитным полем; - магнитострикционные силы, определяемые эффектом магнитострикции, то есть изменением линейных размеров магнитного материала под действием магнитного поля.
Определение масштабов расположения несущих частот вибросигнала насосного агрегата
Эффективность вейвлет-анализа и его преимущество перед спектральным преобразованием Фурье сигналов демонстрируется следующим примером, представленным на рисунке 2.4. Вейвлет-анализ однозначно определяет границу участков и прослеживает всю динамику развития сигнала на первом участке (рисунок 2.4, в), где частота изменяется, чего не выявляет спектральный анализ преобразования Фурье. Хотя это несет такую же важную информацию, как и резкие изменения по частоте или амплитуде сигнала.
При непрерывном вейвлет-преобразовании процесс масштабирования вейвлета от выбранного исходного до некоторого максимального, определяется лишь потребностями детального анализа. Также непрерывен процесс сдвига вейвлета по всему сигналу. Поэтому главный недостаток непрерывного вейвлет-преобразования - большой вычислительный процесс и огромное количество выходных данных.
На самом деле необходимо различать две разные версии вейвлет-преобразования, непрерывное и дискретное вейвлет-преобразование. Непрерывное вейвлет-преобразование играет ту же самую роль, что и преобразование Фурье и в основном применяется для анализа и выявления особенностей в сигналах, тогда как дискретное вейвлет-преобразование - это аналог дискретного преобразования Фурье и является более подходящим для сжатия данных и реконструирования сигнала. Ситуация может быть обыграна утверждением что непрерывное вейвлет-преобразование более естественно для физиков, в то время как дискретное вейвлет-преобразование больше соответствует специалистам по обработке сигналов и цифровой обработке [56].
В этом отношении, s - квадратичная интегрируемая функция и функция \/, анализирующий вейвлет, подразумевается хорошо локализованным как в пространственно-временной области, так и в области частоты [56].
Концепция дискретного вейвлет-преобразования заключается в следующем. Для некоторых сигналов главной частью является низкочастотный компонент, когда высокочастотное содержание определяет лишь нюансы. В дискретном вейв-лет-анализе существуют такие понятия как аппроксимации (в переводе с англ. приближение) и детали.
Аппроксимации (на англ. approximations) представляют собой высоко-смасштабированные низкочастотные компоненты сигнала. Детали (на англ. details) - низко-смаштабированные высокочастотные компоненты. Процесс фильтрации - процесс отделения аппроксимаций от деталей.
Первоначальный сигнал проходит сквозь два дополняющих друг друга фильтра и разбивается на два сигнала. После фильтрации коэффициенты одного сигнала содержат главным образом высокочастотные компоненты главного сигнала, а другого - низкочастотные [61, 62].
На выходе после процесса фильтрации получается в два раза больше данных. Для решения этой проблемы вводится понятие нисходящей выборки или учета каждого второго коэффициента сигнала. Дерево вейвлет-декомпозиции (разбиения) - повторяющийся несколько раз процесс фильтрации сигнала представлено на рисунке 2.5. Несмотря на то, что дерево может быть бесконечным, на практике процесс разбиения продолжается до дискретной составляющей сигнала или пиксела. Здесь уровень разбиения определяется природой сигнала или другими критериями, например, энтропией [61, 62, 67]. Вейвлет-восстановление сигнала или обратное дискретное вейвлет-преобразование легко объяснимы с помощью этого дерева. Так, оригинальный сигнал S может быть легко восстановлен одним из следующих вариантов.
Если возможно восстановление оригинального сигнала через коэффициенты аппроксимаций и деталей, то также возможно восстановить сами аппроксимации и детали из их векторов коэффициентов. Для этого восстановленная аппроксимация вместо сложения с деталями заполняется вектором нулей в тех местах, где должны присутствовали детали. В результате образуется преобразованная аппроксимация, которая имеет ту же длину, что и оригинальный сигнал.
Аналогично мы можем получить преобразованные детали. Преобразованные детали (Di) и аппроксимации (Ai) являются действительными составляющими оригинального сигнала (S), т.е. Ai + Di = S. (2.9) Выбор подходящего фильтра не только определяет насколько эффективно возможно разложение или восстановление для конкретной задачи, но также определяет форму вейвлета для проведения анализа [68, 69, 70].
Характер исследуемого сигнала влияет на выбор используемого вейвлета и на глубину разложения сигнала. Более гладкие вейвлеты создают более гладкую аппроксимацию сигнала, и наоборот – «сжатые» вейвлеты лучше отслеживают пики аппроксимируемой функции; глубина разложения влияет на масштаб отсеиваемых деталей. Таким образом, с увеличением глубины разложения модель вычитает шум все большего уровня, до тех пор пока «переукрупнение» масштаба деталей не начнет искажать форму исходного сигнала. При дальнейшем увеличении глубины разложения вейвлет-преобразование начинает образовывать сглаженную версию сигнала, то есть фильтром отсеевается не только шум, но и некоторые локальные особенности исходного исследуемого сигнала [55, 66, 71-73].
Одно из самых ярких свойств вейвлета является обнаружение в сигнале самоподобия, или признаков фрактальности. Большинство сигналов по своей природе являются фрактальными, то есть имеют повторяющуюся структуру сигнала на разных масштабах. В области вибродиагностики такие сигналы могут образовывать гармоники какого-либо дефекта. Вейвлет-анализ как нельзя лучше подходит для анализа сигналов с фрактальной природой [55, 65, 57, 74 - 77, 78, 79, 80].
Применение программы пост-обработки вибросигналов MASTERTREND
В настоящее время выбор вейвлетов довольно обширен, только в пакете WAVELET TOOLBOX представлено порядка пятнадцати базовых типов вейвле-тов и множество вариантов для ряда базовых вейвлетов. При решении серьезных задач в области обработки сигналов и изображений необходимо применение хотя бы нескольких типов вейвлетов с последующим сравнением результатов и выбором наилучших из них.
Вейвлеты Гауссова типа (gaus), Морле (morlet) и Сомбреро (mexihat) относятся к группе грубых вейвлетов и обладают минимальными свойствами, которыми должны обладать вейвлеты, обеспечивающие полноценные возможности в преобразования сигналов. Анализ с помощью данных вейвлетов не является ортогональным; невозможны быстрые алгоритмы преобразования и точная реконструкция, вместе с тем существует возможность непрерывной декомпозиции.
Обладая симметричностью, вейвлет Морле представляет собой перемноженные функции синусоиды и кривой Гаусса, отсюда имеет сходство по форме волны с искаженной и ограниченной по времени синусоидой, используемой в преобразованиях Фурье. Следующий пример показывает преимущество вейвлета Морле по сравнению с вейвлетом Сомбреро (рисунок 3.1). При изучении одного и того же сигнала с помощью вейвлета Морле картина вейвлет-преобразования показывает четкие светлые области на высоких масштабах (М) как показано на рисунок 3.1, проявляющие динамику различных частот в сигнале. Тогда как в преобразовании с применением вейвлета Сомбреро несущие частоты образуют светлые области на более низких масштабах, сливаясь между собой.
Вейвлет Морле выбран наиболее подходящим для непрерывного вейвлет-преобразования вибросигналов ЦНА, поскольку его форма волны имеет сходство с ограниченной по времени синусоидой и многократные эксперименты исследования вибросигналов насосных агрегатов с помощью различных типов вейвлетов показали его эффективность.
К ортогональным вейвлетам с компактным носителем относятся вейвлеты Добеши (dbN), Симлета (symN) и Койфлета (coifN). имеют возможность непрерывного и дискретного преобразования и реконструкции сигналов и функций. На основании многократных экспериментов, вейвлет Добеши тип 3 выбран для дискретного вейвлет-преобразования вибросигналов насосного оборудования для вы 65 явления на определенных уровнях разложения сигналов с амплитудной модуляцией.
На основании описанных в главе 2 свойств вейвлета разработаны следующие процедуры и приложения в обработке сигналов: - анализ гармонического сигнала; - определение масштабов расположения несущих частот вибросигнала насосного агрегата; - определение влияния степени зашумления вейвлет-картин от наличия в сигнале высокочастотной составляющей; - анализ сигнала с частотной модуляцией; - обнаружение самоподобия в сигнале.
В программе MATLAB смоделированы элементарные сигналы согласно процедуре, описанной в приложении А. Результатом моделирования стала синусоида, показанная на рисунке 3.2, и описываемая уравнением гармонических колебаний: N – число оборотов. Из практики известно, что для агрегата с частотой, приблизительно равной 3000 об/мин, частота около 50 Гц соответствует первой оборотной частоте, и на спектре гармонического анализа, представленном на рисунке 3.3, отражается первым пиком (первой гармоникой) [12, 41].
Картина вейвлет-преобразования синусоиды с частотой 50 Гц (для двигателя с частотой вращения ротора 3000 об/мин) Некоторое видимое усложнение по краям картины связано с краевыми разрывами, вызванными ограниченной во времени областью существования сигнала. В процессе исследования картин, получаемых при вейвлет-преобразовании моделированных элементарных сигналов, удалось также установить, что границы ребер (светлых участков) лежат в точках экстремумов синусоидальной функции, как это видно из рисунка 3.5.
Для проверки данного предположения смоделирован, а затем подвергнут вейвлет-преобразованию сигнал, состоящий из суммы двух синусоид с разными частотами, показанный на рисунке 3.6. На рисунке 3.6, б хорошо виден переход от одной частоты к другой. Таким образом, установлено, что при анализе реального сигнала, который содержит гораздо большее количество частот, существует возможность четко различить границы частотных составляющих спектра вибрации, и идентифицировать конкретную неисправность или дефект ЦНА.
На картинах, получаемых при вейвлет-преобразовании искусственно созданных сигналов можно заметить, что светлая полоса, соответствующая какой-либо частоте, не меняет свою интенсивность по всей длине, как это видно по рисунку 3.6, б. а) б)
Суммарный сигнал с разными частотами У реальных полигармонических сигналов иногда наблюдаются некоторые отклонения от данной картины, например, на второй оборотной частоте, как показано на рисунке 3.7. Это связано с тем, что коэффициенты корреляции отображаются соответствующими цветовыми значениями, где максимальное совпадение выбранного вейвлета с участком сигнала выражено наиболее яркой областью.
Результат непрерывного вейвлет-анализа реального вибросигнала с изменением интенсивности цвета по длине полосы Следовательно, чередование светлых и темных участков по длине одной полосы на рисунке 3.7 говорит о том, что в сигнале улавливается амплитудная модуляция (изменение амплитуды у сигнала одной частоты во времени). Описанная особенность вейвлет-преобразования и является значительным преимуществом перед спектральным методом анализа.
Для того чтобы определить, на каких масштабах лежат остальные несущие (оборотные) частот ЦНА, процедура моделирования синусоиды и ее вейвлет-преобразования, описанная в приложении А, проведена для синусоид различной частоты. Зависимость между масштабами картин вейвлет-анализа сигналов различной частоты, и частотами этих сигналов показана на рисунке 3.8.
Как видно из рисунка 3.8, шаг дискретизации (Ts) вибросигнала влияет на масштаб проявления частоты, тем меньше шаг дискретизации Ts, тем выше располагаются гармоники несущих частот сигнала.
Обнаружение дисбаланса ротора электродвигателя при совместном влиянии неисправностей
Принципы обработки сигналов, описанные в главах 3 и 4, получили применение при оценке технического состояния центробежных насосных агрегатов консольного типа и положили основание дальнейшему изучению проблемы применения вейвлет-анализа в вибродиагностике нефтяных центробежных насосных агрегатов.
В дальнейшем работа проводилась на общей базе вибрационных сигналов одного из нефтеперерабатывающих заводов. В качестве объектов дальнейшего исследования выбраны насосные агрегаты консольного типа марок НК, НКВ, ТКА, наиболее подходящие с точки зрения распространенной конструкции и применения разработанной специфики, описанной в первых трех главах. Данные ЦНА эксплуатируются на установках предприятия нефтепереработки и в разных технологических условиях, пример которых указан в таблицах В.1, В.2, В.3 приложения В.
За исходные данные взята зависимость амплитуды от времени в цифровом виде, полученная при замерах вибрации каждого насоса во всех контрольных точках, за период времени с I квартала 2010 года по III квартал 2014 года, в качестве примера представленная в приложении Г.
По исходным амплитудно-временным зависимостям (приложение Г) с помощью пакета программ для вибрационного мониторинга MASTERTREND, используемого совместно с виброанализаторами CSI-2115, CSI-2120, CSI-2130, для каждого вибросигнала построены форма волны и спектр. Спектры вибросигналов использовались затем в качестве сравнения при анализе картин, получаемых при вейвлет-преобразовании.
Каждый файл, в котором сохранена исходная амплитудно-временная характеристика, приведенному в приложении Г, подвергнут обработке с использованием математического программного пакета MatLab в следующей автоматической последовательности: - на первой стадии выбранный тип вейвлета сравнивался с участком оригинального сигнала и вычислялся коэффициент корреляции (степени его сходства с участком сигнала), затем вейвлет передвигался по всему сигналу и предыдущая операция повторялась; - на второй стадии производилось масштабирование вейвлета и аналогичное определение коэффициентов корреляции и так до последнего заданного масштаба.
Результатом являются картины, одна из которых показана на рисунке 5.1, на которых коэффициенты корреляции отображены соответствующими цветовыми значениями, где максимальное совпадение выбранного вейвлета с участком сигнала выражено наиболее яркой областью.
Для лучшего понимания картин, получаемых при вейвлет-преобразованиях различных сигналов, необходимо выделить и изучить его характерные особенности, которые приведены в главе 3. А также провести оценку параметров очистки сигнала.
Оценка параметров очистки сигнала от шума При выявлении дефекта «мягких опор», расцентровки исследуемый вибросигнал может быть зашумлен влиянием дефекта соединительной муфты, или случайными частотными составляющими спектра при измерении в осевом направлении. При этом результат непрерывного вейвлет-преобразования не позволяет однозначно определить области основных несущих частот в сигнале (рисунок 5.2).
Рисунок 5.2 - Зашумленный результат непрерывного вейвлет-преобразования Для очищения сигнала от шума использовалось дискретное вейвлет-преобразование сигнала (инструментарий программы WAVELET 1-D, вызываемый по команде wavemenu). Программа MATLAB разбивает сигнал на аппроксимацию (аs) и детализации (di, d2, (із, сЦ, ds) по частотам, di - самые высокие частоты, d5 - низкие. Дальше с помощью параметров очищения (рь р2, Рз, Р4, Р5 в зависимости от детализации) сигнал очищается по уровням разложения, при Р = 0 очищение отсутствует [66, 86].
При решении задачи шумоподавления необходимо: оценить спектральный состав шумовой компоненты, выбрать тип пороговой обработки (от английского «thresholding») и критерий расчета самого порога. От выбора порогового уровня фона (оценки дисперсии шума) зависит качество шумоподавления сигнала, оцениваемое в виде отношения сигнал/шум. Задание малых значений порога сохраняет фон в коэффициентах детализации и поэтому приводит лишь к незначительному увеличению отношения сигнал/шум. При больших значениях порога можно потерять коэффициенты, которые несут существенную информацию [114].
Окно установки порогов очистки зашумленного сигнала Проведенными исследованиями определено, что идентификация основных дефектов насосных агрегатов, в том числе дефектов подшипников с последующим непрерывным вейвлет-преобразованием достигается при следующих параметрах очищения сигнала: тип вейвлета db3, число уровней дискретизации от пяти до восьми. Максимальный уровень дискретизации – десять, использовался для более точной локализации детерминированной составляющей в определенном частотном диапазоне.
Утилита WAVELET 1D DE-NOISE позволяет устанавливать индивидуаль ные пороги очищения для участков сигнала, как показано на рисунке 5.4.
Разбиение сигнала на составляющие осуществляется программным образом. Выбор параметров очищения может проводиться либо встроенным программным модулем, либо вручную по требованию оператора.
При очистке сигнала встроенным программным модулем программа позволяет устанавливать различную степень очищения. Ручная установка параметров очищения позволила выбирать наиболее оптимальные варианты в зависимости от вида выявляемых дефектов: низкочастотные дефекты (дисбаланс, расцентровка), шумовая составляющая (зарождающиеся дефекты в подшипниках), высокочастотные дефекты (дефекты подшипников качения).
Необходимо отметить, что удаление шумовой составляющей сохранило амплитуду и форму сигнала, поскольку в незначительной степени затрагивало начальные уровни разложения сигнала, а именно детали d1 и d2, d3, которые несут наиболее высокочастотную информацию сигнала. При этом результат непрерывного вейвлет-преобразования может оказаться еще менее определенным, вследствие удаления вместе долей шумовой компоненты информации об основных несущих частотных сигнала (рисунок 5.5).