<nav id="som8u"><strong id="som8u"></strong></nav>
<xmp id="som8u"><menu id="som8u"></menu>
<menu id="som8u"><menu id="som8u"></menu></menu>
  • <menu id="som8u"><tt id="som8u"></tt></menu>
    <menu id="som8u"><nav id="som8u"></nav></menu>
    <tt id="som8u"></tt>
  • <menu id="som8u"><strong id="som8u"></strong></menu>
    主營:軸承回收、回收軸承
    公司主營:軸承回收回收軸承業務
    高價回收進口軸承、回收國產軸承,價格高、講誠信
    所在位置 > 首頁 > 新聞中心 > 軸承技術

    樂邦軸承回收關于滾動軸承故障檢測重要性的探討

    [ 關鍵詞:滾動軸承故障檢測重要性的探討 發表日期:2020-08-24 13:39:02 ]

      小編每次在軸承回收貨物中都會整理出許多損壞的軸承,都是沒有達到使用壽命的,還有的非常新,備感可惜。因此,針對滾動軸承故障檢測重要性一題,與大家做出探討。

    一、滾動軸承故障檢測的重要性

      滾動軸承被稱為 “工業的關節 ”。滾動軸承的應用非常廣泛 , 其狀態好壞直接關系到機械設備的運行狀態。有資料表明,在旋轉機械中有 70%的故障是由滾動軸承引起的,在齒輪箱的各類故障中軸承的故障僅次于齒輪而占到 19%,電機故障中有 80%表現為電機軸承故障。而滾動軸承的失效必然導致機械裝置運行的不正常,甚至引發災難性的后果。因此,關注滾動軸承故障檢測研究顯得十分重要。

    二、軸承常見故障和軸承狀態信號的采集

    1、滾動軸承常見故障以及產生原因

      滾動軸承常見的故障主要有如下幾種:

    (1)承受負荷的內外圈、滾動體 (滾珠、滾柱等 )表面磨損和剝落。造成滾動軸承的徑向間隙、軸向間隙增大。

    (2)磨損(由于滾道和滾動體的相對運動以及塵埃異物的侵入引起表面磨損。磨損的結果是配合間隙變大,表面出現刮痕或凹坑,使振動和噪聲加大)。

    (3)塑性變形。軸承的滾道與滾子接觸面上出現不均勻的凹坑(受到過大的沖擊載荷、靜載荷,或因熱變形增加載荷,或硬度很高的異物侵入,產生凹陷和劃痕)。

    (4)斷裂(殘余應力及過大的載荷引起軸承零件的破裂)。

    (5)銹蝕(有水分或腐蝕性化學物質進入,以致在軸承元件表面上產生斑痕或點蝕)。

    (6)軸承燒傷(由于潤滑不良,或者高速重載,造成高溫使表面燒傷及膠和)。

    2、狀態信號的采集

      軸承的振動來源是在軸承運作過程中,其他的零構件作用于或傳輸到軸承上的力是不穩定的,隨時間的變化也在不停改變; 即使是一個加工非常精密的軸承也會產生振動。但對于一個完好的軸承來說,軸承的接觸力是時間連續的,此時的振動信號是一個普通的振動信號,要提取出其中特征。然而,當軸承元件的工作表面出現疲勞剝落、 壓痕或局部腐蝕時,軸承的性能就會大大降低,軸承運行中會出現表征故障的周期性的脈沖信號,當然,同樣需要進行特征提取以便準確識別。這種周期性信號可由安裝在軸承座上的傳感器 ( 速度計或加速度計 ) 來接收,但其中也包含了機械振動,所以必須通過對振動信號的分析和處理來診斷軸承的故障。

    三、應用于軸承狀態的信號分析方法

      信號分析的目的是提取出軸承的運行信息,有效地信號處理和運行信息提取是完成狀態監測和故障診斷的關鍵。在滾動軸承的狀態監測中,對于信號特征的提取,采用的發放也是多樣的。而通常的方法有以下一些:

    1、Fourier 變換

      傅立葉分析提供了信號的頻域分析方法,通過變換將時域和頻率聯系在一起,使在時域內隱藏的現象和特征在頻域內顯示出來。Fourier 變換將信號由時域轉換為頻域分析。對于平穩性時間序列而言,這種方法物理意義明確、 實時性也較高,到目前為止,FFT譜分析仍是對振動信號進行處理,提取回轉部件運行狀態變化和故障信息,實現大型旋轉機械的故障診斷和運行狀態監測。

    2、小波變換 (WaveletTransformation ,WT)

      小波變換是近年來出現的一種研究非平穩信號有力的時頻域分析工具,在不同尺度下由粗到精的處理方式,使其不僅反映信號的整體特性,同時也能反映信號的局部信息。由于小波變換的分析精度可調,使其既能對信號中的短時高頻成份進行定位,又能對信號中的低頻成分進行分析,克服了 Fourier 分析在時域上無任何分辨率的缺陷,并較短時 Fourier 變換能提取更詳盡的信號信息。

    四、滾動軸承故障信號的模式識別

      采用 BP神經網絡技術,即誤差反傳誤差反向傳播算法的學習過程,由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經元負責接收來自外界的輸入信息,并傳遞給中間層各神經元; 中間層是內部信息處理層,負責信息變換,根據信息變化能力的需求,中間層可以設計為單隱層或者多隱層結構; 最后一個隱層傳遞到輸出層各神經元的信息,經進一步處理后,完成一次學習的正向傳播處理過程,由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時,進入誤差的反向傳播階段。誤差通過輸出層,按誤差梯度下降的方式修正各層權值,向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程,是各層權值不斷調整的過程,也是神經網絡學習訓練的過程,此過程一直進行到網絡輸出的誤差減少到可以接受的程度,或者預先設定的學習次數為止。

    五、總結

      本章節主要論述了滾動軸承狀態監測的重要性,常見的故障及產生原因,還介紹了信號的采集需要何種傳感器以及采集到的信號有哪幾種處理的方法,最后通過選用 BP神經網絡技術來進行模式識別。希望達到的目的是:

    (1)能及時、正確地對軸承各種異常狀態或故障狀態做出診斷,預防或消除故障。

    (2)保證軸承發揮最大的設計能力,制定合理的檢測維修制度,以便在允許的條件下充分挖掘設備潛力,延長使用壽命,降低設備安全壽命周期費用。

      近些年來,隨著傳感技術和信號分析技術的斷發展將會使軸承故障診斷變得越來越可靠。

    红鹰彩票