滚针轴承型号大全(无内圈滚针轴承型号尺寸表)

滚针轴承规格表

英文地址示例显示了如何根据加速度信号对滚动轴承进行故障排除，特别是在存在来自其他机器组件的强烈屏蔽信号的情况下。此示例将演示如何使用包络频谱分析和频谱峰度来诊断轴承故障，并可以扩展到大数据应用程序。滚动轴承的部分失效可能发生在外圈，内圈，保持架或滚动零件上。当滚动元件碰到外圈或内圈的局部故障，或者滚动元件上的故障碰到外圈或内环时，轴承和响应传感器之间的高频共振就会被激发。下图显示了滚动部件击中内圈的部分故障。问题是如何检测和识别各种类型的故障。 MFPT质询数据包含在不同故障条件下从机器收集的23个数据集。在轴承测试台上收集了前20组数据，其中3组处于良好工作状态，3组外圈故障为恒定载荷，7组外圈故障为各种载荷，7组内圈缺点是各种负载。其余3组数据来自真实机器：油泵轴承，中速轴承和行星轴承。故障位置未知。在此示例中，仅使用从已知条件下的测试设备收集的数据。每个数据集包含加速度信号“ gs”，采样率“ sr”，轴速度“ rate”，负载重量“ load”以及代表不同故障位置的四个关键频率：滚珠通过频率外圈（BPFO），滚珠通过频率内圈（BPFI），基本火车频率（FTF）和球自旋频率（BSF）。这是临界频率的公式。如图所示，d是球直径，d是节圆直径。可变的fr轴速度，n是滚动原稿的数量，ϕ是轴承接触角。在MFPT数​​据集​​中，轴向速度是恒定的，因此不需要使用跟踪作为预处理步骤来消除轴向速度变化的影响。当滚动元件碰到外圈或内圈的局部故障时，或者当滚动元件碰到外圈或内圈的局部故障时，冲击将调制相应的临界频率，例如BPFO，BPFI，FTF，BSF。因此，由幅度解调产生的包络信号传达了更多原始信号频谱分析无法提供的诊断信息。以MFPT数​​据集​​中的内部种族故障信号为例。在时域中可视化原始内圈故障数据。在BPFI及其谐波中看不到清晰的图案。原始信号的频率分析无法提供有用的诊断信息。从时域数据可以看出，
调制的主要频率约为1 / 0。009Hz≈111Hz。众所周知，滚动单元内圈的局部故障，即BPFI的频率为118。875Hz。这表明轴承可能有内圈故障。为了提取调制幅度，计算原始信号的包络并显示在底图上。现在，对正常数据和外圈故障数据重复相同的包络频谱分析。不出所料，正常方位信号的包络谱在BPFO或BPFI处未显示任何明显的峰值。对于外环故障信号，BPFO谐波也没有明显的峰值。包络频谱分析能不能区分外圈故障轴承和普通轴承吗？让我们回头看看不同条件下时域中的信号。首先，让我们再次在时域中可视化这些信号并计算其峰度。峰度是随机变量的第四个归一化矩。它描述了信号的脉冲性或随机变量的粗尾。结果表明，内圆故障信号具有较大的冲动，这使得包络谱分析可以有效地捕获BPFI处的故障信号特征。对于外环故障信号，BPFO处的幅度调制稍显明显，但被强噪声覆盖。正常信号未显示任何幅度调制。在包络频谱分析之前，BPFO的调幅以提取脉冲信号（或增加信噪比）是关键的预处理步骤。下一节将介绍峰度图和光谱峰度，提取峰度最高的信号，并对滤波后的信号进行包络频谱分析。峰度图和频谱峰度计算出频带内的局部峰度。它们是用于定位峰度最高（或信噪比最高）的频段的强大工具。确定峰度最高的频带后，可以对原始信号进行带通滤波以获得更强的脉冲信号，用于包络频谱分析。峰度图显示，以2。67 kHz为中心的带宽为0。763 kHz的频带具有最高峰度，即2。71。现在使用最佳窗口长度建议的Kurtogram计算光谱峰度。要可视化频谱图上的频带，请计算频谱图并将频谱峰度放在一边。解释频谱峰度的另一种方法是，高频谱峰度值表示相应频率下功率的高方差，这使频谱峰度成为定位信号非平稳分量的有用工具。通过对中心频率和带宽推荐信号进行带通滤波，可以增强峰度并可以恢复外环故障的调制幅度。可以看出，带通滤波后峰度值增大。现在可以在频域中可视化包络信号。
通过对原始信号进行带通滤波并使用峰度和频谱峰度建议的频带，包络频谱分析可以更好地揭示BPFO的故障特征和谐波特征。现在，让我们使用文件集成数据存储将算法应用于一批训练数据。工具箱中提供了数据集的有限部分。将数据集复制到当前文件夹并启用写权限：对于完整的数据集，请转到此链接数据，将整个存储库下载为zip文件，并将其保存在活动脚本所在的目录中。使用以下命令创建文件：该示例中的结果是从完整的数据集生成的。整个数据集包含一个训练数据集，该训练数据集包含14个mat文件（2个正常，4个内部种族故障，7个外种族故障）和一个测试数据集，包含6个mat文件（1个正常，2个内部种族故障，3个外部种族故障） 。通过为ReadFcn和WriteToMemberFcn分配功能句柄，文件集成数据存储区将能够导航到文件中并以所需格式检索数据。例如，MFPT数​​据具有存储振动信号gs，采样率sr等的结构方位。而不是返回轴承结构本身，而是编写readmfpt支持功能，以便文件集成数据存储返回轴承数据结构内部的振动信号gs。从分析的最后部分可以看出，BPFO和BPFI处的带通滤波器包络谱的幅度是轴承故障诊断的两个条件指标。因此，下一步是从所有训练数据中提取这两个状态指标。为了使算法更健壮，请在BPFO BPFI周围设置一个窄带（带宽=10Δf，Δf功率谱的频率分辨率），然后在此窄间隔中找到最大幅度。该算法包含在下面的bearingFeatureExtraction函数中。注意，在本示例的其余部分中，BPFI和BPFO周围的包络频谱幅度称为“ BPFIAmplitude”和“ BPFOAmplitude”。新条件指示器添加到文件集成数据存储后，
并创建一个包含提取的条件指标的特征表。可视化创建的特性表的相对值BPFI幅度和BPFO幅度可用作判断不同故障类型的有效指标。在此创建一个新功能，即两个现有功能的对数比率，并显示为按不同故障类型分组的直方图。现在，让我们将工作流程应用于测试数据集，并验证在上一节中获得的分类器。测试数据包括1个正常数据集，2个内环故障数据集和3个外环故障数据集。测试数据集的BPFI和BPFO幅度的对数比率与训练数据集的对数比率一致。在上一节中获得的朴素分类器在测试数据集上获得了良好的准确性。应该注意的是，单个特征通常不足以获得良好的广义分类器。通过将数据分为多个部分（创建更多数据点），提取多个与诊断相关的特征，基于特征的重要性选择子集，以及使用分类学习器应用程序来训练Statistics＆中的各种分类器，您可以获得更多复杂的分类器机器学习工具。有关此工作流程的详细信息，请参考示例“使用Simulink生成故障数据”。该示例说明如何使用峰度图，峰度峰度和包络线谱来识别不同类型的滚动轴承故障。将该算法应用于磁盘上的一批数据集，表明带通滤波器包络谱在BPFI和BPFO处的振幅是轴承诊断的两个重要条件指标。