滚动轴承特征频率计算推导过程
包络分析技术是轴承早期故障检测和诊断领域的一种非常有效的信号分析技术。这种技术最早由Mechanical Technology 公司于 1970 年代提出,最初叫做高频共振技术。由于这种技术非常有效,很快就获得了广泛的使用。这种技术还被称作幅度解调技术、解调共振分析技术、窄带包络分析技术和包络分析技术。
简单的说,当轴承内部工作面出现剥离等缺陷时,运动表面与缺陷部位相互碰撞产生冲击振动。这种冲击振动与正常情况下轴承的振动不同,持续时间非常的短,但是具有非常宽的频谱范围,可以激起轴承各部分的共振。由于轴承中运动部件旋转运行会周期性的通过故障点,因此激发出的轴承共振通常具有一定的周期性,并且不同故障类型对应的周期性是不同的。因此,根据探测这种高频共振的重复频率,我们可以获知当前轴承的故障类型。这也就是包络分析技术的基本原理。下面就来讲一讲如何确定轴承各种故障类型的特征频率。
下图给出的是一个典型的滚动轴承。与轴承故障特征频率相关的几何参数都标示在图上。
图 1 滚动轴承的几何参数
滚子(roller)中心对应的轴承直径称为轴承中径。根据上图中给出的几何关系,可知轴承中径等于:
Di (i表示 inner)为轴承内圈滚道(inner ring raceway)的直径,Do (o表示outer)为轴承外圈滚道(outer ring raceway)的直径。这两个直径与轴承中径的关系可以写为:
其中 d 为轴承滚子的直径。内外滚道的旋转线速度可以写为:
上式中,ωi 为内滚道的旋转角速度,ωo为外滚道的旋转角速度。假如滚子在滚道上为理想的滚动,那么保持架(cage)的旋转速度为内外圈旋转速度的平均值。
用频率表示的话,则为:
通常情况下,轴承的外圈是固定不动的。那么上面式子可以简化为:
保持架相对于内圈的滚动频率可以写为:
如果轴承有Z 个滚子,那么保持架相对内圈滚动一周时,滚子会通过内圈固定点Z次。那么滚子通过内圈固定点的通过频率为:
当外圈保持固定时,简化为:
保持架相对外圈的旋转频率可以类似计算:
类似的,滚子通过外圈固定点的通过频率为:
滚子的自旋频率可以写为:
上面这些特征频率都是在假设滚子在内外滚道上没有相对滑动的前提下计算出来的。实际上, 真实的应用场景中,滚子或多或少是要相对滚道产生些许的滑动的。因此,实际测量得到的特征频率与这里的计算值会有一些误差,需要做一些小的修正。
将上面的计算结果总结如下:
表 1 轴承的特征频率计算公式汇总
滚动轴承特征频率计算推导过程相关推荐
- arctanx麦克劳林公式推导过程_半桥 LLC 基波分析和参数计算过程推导
本文是 21Dianyuan 社区原创技术文章,作者 LLC 谐振,感谢作者的辛苦付出. 直流增益公式推导 直流 LLC 谐振电源,其实也相当于 buck-boost 电源.要想弄明白和推导理论公式, ...
- arctanx麦克劳林公式推导过程_多元正态分布的推导、n维球体积面积的计算
欢迎指正. 研究计划写到心累,大家读过的关于机器学习的图像识别的综述类论文私我看一下啊. 一维正态分布推广到多维正态分布 推导过程中会加入推导所必需的理论 从一维标准正态分布说起, ,其概率密度函数为 ...
- 机器学习——线性回归的原理,推导过程,源码,评价
https://www.toutiao.com/a6684490237105668620/ 2019-04-27 16:36:11 0.线性回归 做为机器学习入门的经典模型,线性回归是绝对值得大家深入 ...
- 【数字信号处理】相关函数 ( 卷积与交换性 | 相关函数不具有交换性 | 推导过程 )
文章目录 一.卷积与交换性 1.卷积概念 2.卷积交换律 二.相关函数交换性 一.卷积与交换性 1.卷积概念 对于 线性时不变系统 ( LTI - Linear time-invariant ) 来说 ...
- Softmax vs. SoftmaxWithLoss 推导过程
Softmax vs. SoftmaxWithLoss Softmax function: Softmax Loss function(cross-entropy): SoftmaxWithLoss的 ...
- 【机器学习基础】结合论文理解XGBoost推导过程
前言 XGBoost是一个可扩展的提升树模型,论文"XGBoost: A Scalable Tree Boosting System"发表在2016年的KDD会议上.文章包括了XG ...
- 余弦函数导数推导过程_人工智能数学基础----导数
人工智能数学基础----导数 人工智能数学基础系列文章 1. 人工智能数学基础----导数 2. 人工智能数学基础----矩阵 3. 人工智能数学基础----线性二阶近似 人工智能的学习对于数学要求还 ...
- 算法——贝叶斯公式的推导过程
全概率公式,贝叶斯公式推导过程 (1)条件概率公式 设A,B是两个事件,且P(B)>0,则在事件B发生的条件下,事件A发生的条件概率(conditional probability)为: P(A ...
- numpy求逆矩阵_线性代数精华2——逆矩阵的推导过程
点击上方蓝字,和我一起学技术. 上一讲当中我们复习了行列式的内容,行列式只是开胃小菜,线性代数的大头还是矩阵. 矩阵的定义很简单,就是若干个数按照顺序排列在一起的数表.比如m * n个数,排成一个m ...
最新文章
- 谈谈ogre中级教程中例子与appwizard冲突
- 读PPPOE/PPPOA白皮书小结
- 逆向工程核心原理学习笔记(十一):栈
- ppt文件限打开次数_PPT冷知识25条!看到第一条我就翻了车…
- 快速打造一个MINI自动发布系统
- c语言创建增加删除单向动态链表,C语言实现简单的单向链表(创建、插入、删除)及等效STL实现代码...
- DRLSE 水平集算法总结
- web前端之CSS——web字体详解
- 浏览器cookie被禁掉,该如何去解决
- 数模更新篇-3-因子分析模型
- 基本流水线与记分牌算法和Tomasulo算法
- 关系型数据库篇(MSSQL)
- 1NF,2NF,3NF,BCNF范式(学习笔记)
- FTP登录不上 显示“找不到元素” windows无法访问此文件夹,请确保输入的文件名是否正确,并且您有权访问此文件
- System.InvalidOperationException:“ConnectionString 属性尚未初始化。” 连接字符串的根本解决办法
- B2B和大宗B2C企业的自媒体代运营
- [知识库分享系列] 二、.NET(ASP.NET)
- OpenLayers6(6):绘制图形工具条封装(Draw、Snap、Modify)
- Python-心型照片墙
- 免费招募30名个人或商家参与电商实战训练营,手把手教你电商变现!