異步電機運行過程中轉(zhuǎn)子故障診斷綜述

陽桂蓉，王冰峰

（電子科技大學(xué)自動化工程學(xué)院，成都 611731）

1 引言

電機在電力設(shè)備中占據(jù)著十分重要的地位，隨著電力系統(tǒng)復(fù)雜化程度的加深，對其性能要求也就越高。從電機的使用過程中發(fā)現(xiàn)，電機初期輕微故障很可能導(dǎo)致整個生產(chǎn)過程出現(xiàn)不良現(xiàn)象。因此，對其進行在線監(jiān)測和故障診斷顯得尤其重要。目前，電機故障檢測技術(shù)可概括為兩類：一類是基于檢測信號，如定子電流、振動、磁通及轉(zhuǎn)速等；另一類是根據(jù)診斷方法的不同，分為基于模型、基于信號處理、基于知識等。由于定子電流信號具有采集方便、受外界噪聲污染小、可實現(xiàn)故障在線監(jiān)測等優(yōu)點，目前，普遍選用它作為檢測電機故障的分析信號。本文主要對基于定子電流信號的電機轉(zhuǎn)子故障診斷方法進行概括總結(jié)，目的是為從事電機故障診斷的研究人員提供一定參考。其中，診斷方法根據(jù)電機運行的三種狀態(tài)（起動、穩(wěn)定及失電）分別進行闡述，診斷方法各有其優(yōu)缺點。在實際分析電機故障時，應(yīng)根據(jù)具體場合，選擇適合方法進行電機故障診斷。

2 定子電流信號檢測轉(zhuǎn)子故障常用方法

2.1 異步電機穩(wěn)態(tài)過程的轉(zhuǎn)子故障診斷方法

當(dāng)異步電機轉(zhuǎn)子有缺陷時，其穩(wěn)態(tài)定子電流中的(1±2s)f頻率分量（忽略高次諧波）是診斷轉(zhuǎn)子故障與否的主要特征頻率電流分量。因此，可通過提取該頻率來分析電機轉(zhuǎn)子是否存在缺陷。其中，s為轉(zhuǎn)差率，f為電源頻率。當(dāng)電機穩(wěn)態(tài)輕載運行時，其轉(zhuǎn)差率s為很小的恒定值（一般為0.01～0.05）。此時的轉(zhuǎn)子故障特征頻率分量(1±2s)f相對工頻f非常接近，很容易被工頻淹沒，轉(zhuǎn)子故障與否不易判斷。以下歸納幾種常見的基于穩(wěn)態(tài)定子電流的轉(zhuǎn)子故障診斷方法。

（1）自適應(yīng)濾波法

自適應(yīng)濾波法主要是通過濾除工頻分量f，只顯示故障特征頻率(1±2s)f，從而實現(xiàn)轉(zhuǎn)子故障與否的診斷。自適應(yīng)濾波原理如圖1所示。

圖1 自適應(yīng)濾波原理

圖1中，把工頻分量f當(dāng)作噪聲源n1(t)，n2(t)與n1(t)同頻率。其中，n2(t)頻率可通過s(t)時頻分析得到。根據(jù)誤差信號e(n)的大小，由自適應(yīng)算法調(diào)節(jié)濾波器參數(shù)，使n2(t)與n1(t)達到最大相關(guān)。通過加法器濾除工頻分量，從而使e(n)僅顯示(1±2s)f處頻率。文獻[1]用人工神經(jīng)元提取電機斷條故障特征。它把基波電流信號同源的電壓信號經(jīng)過神經(jīng)元計算，使其與基波相關(guān)。通過將電機定子基波電流大部分濾除，最終實現(xiàn)有效的電機斷條故障診斷。

（2）希爾伯特(Hilbert)變換法

給定信號x(t)，其Hilbert變換定義為：

若將x(t)作為實部，式（1）作為虛部，可構(gòu)成解析信號z(t)：

Hilbert模量定義為：

文獻[2]對電機穩(wěn)態(tài)定子電流信號作Hilbert變換，對所獲得的調(diào)制信號進行譜分析，以是否存在2sf頻率作為轉(zhuǎn)子斷條故障與否的判據(jù)。由于此時的轉(zhuǎn)子故障特征頻率2sf幅值尤其明顯，因此，該方法適合負(fù)荷波動較大的轉(zhuǎn)子故障診斷研究場合。式（4）是數(shù)字仿真轉(zhuǎn)子故障定子電流信號，其中，w(n)為（均值0、方差0.1）均勻分布高斯白噪聲。利用Hilbert模量提取的轉(zhuǎn)子故障特征如圖2所示。從圖2可知，提取的轉(zhuǎn)子故障特征頻率2sf=3Hz，該結(jié)果與仿真信號(1-2s)f= 47Hz相同。然而，當(dāng)噪聲強度、電機類型及運行狀況未知時，s不同，表現(xiàn)的故障頻率也不同，轉(zhuǎn)子故障與否不易判斷。

圖2 Hilbert變換提取轉(zhuǎn)子故障特征2sf = 3Hz

為提高信噪比和故障檢測的適用性，文獻[3]提出了基于Hilbert模量，利用自適應(yīng)隨機共振理論對轉(zhuǎn)子故障分量進行檢測。由于Hilbert模量容易被噪聲淹沒，故先判斷基頻信噪比是否低于某一經(jīng)驗閾值。如果低，則對其進行小波去噪預(yù)處理。如果高，則直接進行Hilbert變換。接著調(diào)節(jié)隨機共振勢參數(shù)，使在頻率2sf處達到隨機共振效果。通過隨機共振處理，使Hilbert模量中頻率為2sf的弱信號能量得以加強，有利于轉(zhuǎn)子故障特征提取。

（3）頻譜細化分析法

頻譜細化分析法主要目的是提高頻率分辨率，突出故障特征頻率，從而便于電機故障特征提取。細化方法可分為細化頻率和細化頻譜兩種方法。細化頻率方法即連續(xù)細化FFT變換，其要求數(shù)據(jù)長度N不變，細化顯示頻率f。其主要原理如下：

采樣頻率為fs、采樣點數(shù)為N的時間序列i(tk)，其離散的傅立葉級數(shù)表示為：

其中，n= 0、1、2、…、N-1，tk=kTs，Ts= 1/fs，k= 0、1、2、…、N-1，頻率分辨單元Δf=fs/N。若要提高頻率分辨力，則必須以成倍地增加采樣點數(shù)N為前提。當(dāng)N一定時，頻率分辨力將無法再提高。由于時間序列i(tk)中已含有從0至fs/2的頻域信息，如果把頻譜曲線看成是連續(xù)的，即把式（5）中的n看作是一個在區(qū)間[0，N/2]內(nèi)的連續(xù)實數(shù)，則上式變?yōu)椋?/p>

式（6）仍具有物理意義，此時的頻率分辨力已不受采樣點數(shù)N的限制。為了獲得較高的頻率分辨率，可將f間隔取得較小，這主要由f的細化間隔所決定。

文獻[4]為解決傳統(tǒng) FFT存在靈敏度低（頻譜淹沒）問題，采用連續(xù)細化分析的傅里葉變換方法提高轉(zhuǎn)子故障診斷精度。它借助異步電機定子電壓過零時刻提取電路，準(zhǔn)確抵消定子電流中的工頻f分量，從根本上解決了頻譜淹沒問題。文獻[5]用傳統(tǒng)復(fù)調(diào)制細化譜分析方法（ZOOM-FFT）提高頻譜分析精度，其原理如圖3所示。此種方法能避免細化頻率帶來的頻譜泄漏問題，提高頻率分辨率。但前提條件是，要求有足夠多的采樣數(shù)據(jù)N。另外，在相同的分析點數(shù)和細化倍數(shù)前提下，該方法的計算時間相比細化頻率方法短。然而，該方法由于需要進行頻率調(diào)整，所占用的計算機內(nèi)存空間較大。

圖3 ZOOM-FFT原理

（4）小波分析法

給定一個基本小波函數(shù)Ψ(t)，令：

式中：a、b均為常數(shù)，且a＞ 0?？梢钥吹?，等式左端是基本小波函數(shù)Ψ(t)經(jīng)移位和伸縮后得到的函數(shù)。若a、b不斷地變化，可得到一簇函數(shù)Ψab(t)。給定平方可積的信號f(t)，即f(t)∈L2(R)，則f(t)的小波變換定義為：

其中，a、b、t是連續(xù)變量，a是尺度因子，b是時移參數(shù)，*表示復(fù)數(shù)的共軛。上式又稱為連續(xù)小波變換（CWT）。

文獻[6]采用小波奇異值分解提取轉(zhuǎn)子故障特征。通過連續(xù)小波變換將定子電流信號中的各頻率分量轉(zhuǎn)換到時頻域分布空間。對該空間進行奇異值分解，使各頻率分量分解到不同的正交特征子空間。通過對特征子空間進行選擇重構(gòu)，可有效地濾除工頻分量。理論和實驗證明，即使故障特征分量非常微弱，重構(gòu)出信號的效果也十分明顯。并且，該方法能抑制背景噪聲干擾，用于電機故障信號的時頻分析。

（5）其它分析法

文獻[7]采用改進的 MUSIC譜分析法來實現(xiàn)轉(zhuǎn)子故障特征的提取。通過將信號子空間中對應(yīng)最大的主分量特征向量移到噪聲子空間，可自適應(yīng)地削掉基波的譜峰，從而有效地提取轉(zhuǎn)子故障特征分量。該方法只需采集單相定子電流信號，硬件實現(xiàn)簡單。由于沒有引入平方運算，頻譜分析中不存在交叉項，適合復(fù)合故障檢測。另外，該方法對噪聲有很好的抑制作用，非常適合處理噪聲環(huán)境下的故障信號。文獻[8]采用雙 PQ變換法對轉(zhuǎn)子故障進行診斷。將采集的定子電壓與電流信號相乘形成功率信號P，電流與電壓信號希爾伯特變換結(jié)果相乘形成功率信號 Q，由PQ構(gòu)成的曲線來診斷電機轉(zhuǎn)子故障與否。正常電機的P、Q值都為常數(shù)，在PQ曲線上表現(xiàn)為一個點。當(dāng)電機轉(zhuǎn)子存在缺陷時，由于定子電流增加了其它頻率成分，PQ曲線就成為橢圓。另外，橢圓的形狀與轉(zhuǎn)子故障嚴(yán)重程度明顯相關(guān)，因此，可據(jù)此判斷故障嚴(yán)重與否。

2.2 異步電機起動過程的轉(zhuǎn)子故障診斷方法

當(dāng)電機穩(wěn)態(tài)輕載運行時，如果斷條數(shù)較少，則定子電流中感應(yīng)出的(1±2s)f故障特征頻率分量將非常小，作頻譜分析時很容易被工頻或零頻分量淹沒。另外，負(fù)載的不平穩(wěn)運行，會使定子電流發(fā)生波動。反映在頻譜圖上常表現(xiàn)為工頻的各種調(diào)制成分，從而使電機轉(zhuǎn)子故障診斷變得相對困難。為克服以上不足，很多學(xué)者提出對異步電機起動過程的定子電流作時變頻譜的分析方法。眾所周知，異步電機在起動過程中，轉(zhuǎn)速n從0逐漸上升到略低于同步轉(zhuǎn)速的n0。其中，n0= 60f/p，f為工頻，p為電機磁極對數(shù)，轉(zhuǎn)差率s= (n0-n)/n0。當(dāng)電機轉(zhuǎn)子有缺陷時，定子電流的譜分析圖上表現(xiàn)為工頻的兩邊會產(chǎn)生邊頻帶分量。該分量|1-2s|f隨著起動過程的進行（轉(zhuǎn)差率s由1到0逐漸改變），故障特征頻率發(fā)生明顯的頻移現(xiàn)象，即從f→0→f變化。通過觀察是否存在頻移現(xiàn)象，即可診斷電機轉(zhuǎn)子是否存在缺陷。以下為幾種常見時頻分析法在電機轉(zhuǎn)子故障診斷中的應(yīng)用。

（1）Wigner分布分析法

文獻[9]采用Wigner分布對鼠籠異步電機定子起動電流進行分析，利用起動電流的時變譜圖來診斷電機轉(zhuǎn)子是否存在故障。其先利用梳妝濾波和自適應(yīng)抵消法對原始數(shù)據(jù)進行去工頻預(yù)處理，再通過 Wigner分布獲得定子起動電流時頻圖。當(dāng)定子電流中存在(1-2s)f轉(zhuǎn)子故障特征分量時，由時頻分布圖可看到譜線在頻率軸上有明顯的移動。通過觀察是否存在頻移現(xiàn)象，即可診斷電機轉(zhuǎn)子故障與否。該方法尤其適合雙籠電機故障檢測。但不足是，要求起動時間足夠長，一般不少于 2.5s。通常對于小型異步電機的起動時間不到 1s，為采用該方法，可通過降低起動電壓來延長電機起動時間。

（2）小波分析法

小波技術(shù)具有良好的時頻局部化能力，能準(zhǔn)確地抓住瞬變信號的時頻特征，在動態(tài)信號的分析上有著明顯的優(yōu)勢。文獻[10]采集起動瞬間的定子電流信號，利用離散小波變換對定子電流信號進行分解。通過對分解的高階小波信號進行研究，發(fā)現(xiàn)其明顯帶有轉(zhuǎn)子故障特征形式。該方法與穩(wěn)態(tài)定子電流直接FFT譜分析結(jié)果相比，可明顯減少故障的誤判。

（3）EMD法

EMD（經(jīng)驗?zāi)Ｊ椒纸猓┦亲赃m應(yīng)信號處理方法，它使瞬時頻率具有了物理意義。文獻[11]對定子起動電流信號進行EMD，利用瞬時頻率來提取異步電機轉(zhuǎn)子故障特征。定子起動電流的空間向量自適應(yīng)的被分解為多個內(nèi)稟模態(tài)函數(shù)（IMF），分析電機瞬時頻率能反映電機起動過程的轉(zhuǎn)差率s的變化情況，即可用|1-2s|f按f-＞0-＞f連續(xù)變化作為轉(zhuǎn)子斷條故障特征。波動較小，說明轉(zhuǎn)子故障嚴(yán)重，故障特征易于提取。文獻[12]將Hilbert-Huang變換（HHT）與離散小波變換（DWT）進行對比研究，說明兩種方法在基于電機起動過程的轉(zhuǎn)子故障特征提取中各有其優(yōu)勢。

2.3 異步電機失電過程的轉(zhuǎn)子故障診斷方法

電機運行過程中切斷三相電源，定子電流會迅速降為零，此時的轉(zhuǎn)子電流會在定子繞組中感應(yīng)出電壓。當(dāng)轉(zhuǎn)子出現(xiàn)斷條故障后，轉(zhuǎn)子電流將在失電殘余電壓中引起(6m±1)次諧波分量（m= 0、1、2…），通過檢測與分析該分量便能診斷轉(zhuǎn)子故障與否[13]。文獻[14]利用失電殘壓診斷異步電機轉(zhuǎn)子斷條故障。該方法不僅能克服電機起動時間短、消除電源不完善和負(fù)載波動等影響，還可避免由飽和引起的電機磁化特性非線性影響。但不足是，在電機失電后，轉(zhuǎn)子電流很快衰減，它對失電殘壓的影響也很快減小，這便給失電殘壓信號的檢測帶來影響。此外，在轉(zhuǎn)子沒有出現(xiàn)故障情況下，定子的失電殘壓也會存在幅值小的諧波分量，從而影響故障診斷效果。

3 診斷方法評價

在基于電機穩(wěn)態(tài)過程的轉(zhuǎn)子故障診斷研究中，自適應(yīng)濾波尤其適合工頻已知或者具有某種函數(shù)表達的場合。因為只有已知工頻才能通過自適應(yīng)濾波器將定子電流中的工頻分量濾除，從而減少工頻分量淹沒轉(zhuǎn)子故障特征頻率分量的可能。Hilbert變換法主要通過求取定子電流信號的 Hilbert模量來實現(xiàn)將基波分量變?yōu)橹绷鞣至?。通過去直流分量實現(xiàn)去工頻處理，從而故障特征只表現(xiàn)為2sf形式。該方法能消除工頻淹沒故障特征頻率的影響。但不足是，當(dāng)電機輕載運行時，也會面臨零頻淹沒故障特征頻率2sf情況。此方法尤其適合電機拖動穩(wěn)定或波動較大負(fù)荷運行情況。因為此時的2sf相對遠離零頻、且有較大的幅值，故障特征易于提取。細化頻率的傅里葉變換法是一種可提高頻率分辨力的方法，但其很容易造成頻譜的泄漏。如果故障特征頻率處的幅值與泄漏處的幅值相當(dāng)或低于泄漏處的幅值，則故障特征難以提取。ZOOM-FFT對采樣頻率無限制，但其高分辨率的代價是需要有較長的采樣數(shù)據(jù)。

小波分析法在突變點檢測方面效果尤佳。圖4是利用小波系數(shù)絕對值對式（9）進行波動時刻提取的結(jié)果。需要說明的是，首先對數(shù)字仿真負(fù)荷波動、轉(zhuǎn)子故障的定子電流信號式（9）進行Hilbert變換去工頻預(yù)處理，再利用小波系數(shù)絕對值提取波動時刻。從圖4可知，提取的波動時刻為1024，等效處理為 1s（其中，采樣頻率為1024Hz），這與實際仿真信號相同。但不足是，在轉(zhuǎn)子故障特征提取的應(yīng)用中，小波變換存在一定局限。因為特有的特征頻率分布特征，使采樣頻率、分解層數(shù)、及小波基函數(shù)的選擇變得相對困難。另外，在進行小波分析時，很容易出現(xiàn)頻率混疊現(xiàn)象，從而影響轉(zhuǎn)子故障特征提取。然而，小波分析運用于起動過程分析的轉(zhuǎn)子故障檢測優(yōu)勢比較明顯。瞬時功率法提取轉(zhuǎn)子故障特征精度高。但同時要求采集多相電壓和電流信號，硬件開銷大，對于小型應(yīng)用場合不適合。如果電機工作環(huán)境要求較高，則可適當(dāng)考慮該方法。

基于電機穩(wěn)態(tài)過程的轉(zhuǎn)子故障診斷方法適合故障在線檢測研究，通過對電機故障特征進行實時監(jiān)測，可預(yù)防嚴(yán)重事故發(fā)生?；陔姍C起動過程的轉(zhuǎn)子故障診斷方法相比穩(wěn)態(tài)過程的方法具有相對靈敏度高、故障特征明顯等優(yōu)勢。但不足是，要求起動時間必須相對較長，且必須在電機起動時，方能進行故障特征提取。由于該方法對電機運行過程中的轉(zhuǎn)子特征變化沒有考慮，故很難實現(xiàn)電機實時預(yù)防維修?；陔姍C失電過程的轉(zhuǎn)子故障診斷方法能消除電源不完善和負(fù)荷波動等影響，但失電后的轉(zhuǎn)子電流很快衰減，失電殘壓檢測困難。另外，該方法也不適合轉(zhuǎn)子故障在線監(jiān)測。

4 結(jié)論

本文主要對基于定子電流信號的異步電機轉(zhuǎn)子故障診斷方法進行總結(jié)。通過對電機運行在起動、穩(wěn)態(tài)及失電過程的定子電流信號進行分析，提取轉(zhuǎn)子故障特征，實現(xiàn)轉(zhuǎn)子故障與否的診斷。三種過程所采用的轉(zhuǎn)子故障診斷方法各有其優(yōu)缺點，應(yīng)根據(jù)實際情況，選擇適合方法進行轉(zhuǎn)子故障診斷。最后，從目前的電機故障診斷研究現(xiàn)狀來看，可將其未來的發(fā)展趨勢作個簡單概括：

（1）電機工作的外界環(huán)境改變，如：負(fù)荷波動、電壓不平衡、慣性影響等，如何正確地區(qū)別轉(zhuǎn)子故障與外界工作環(huán)境。另外，當(dāng)轉(zhuǎn)子故障程度較輕時，如何在改變的外界環(huán)境下準(zhǔn)確地提取轉(zhuǎn)子故障特征。此類問題的解決仍是現(xiàn)在及未來進行電機故障診斷研究需要考慮的問題；

（2）克服各種方法的缺陷，尋找能實現(xiàn)電機復(fù)合故障診斷的方法，同樣是理論研究應(yīng)用于實際的一個研究重點。目前，針對多故障診斷系統(tǒng)，大都采用基于知識的方法實現(xiàn)，如人工智能方法中的神經(jīng)網(wǎng)絡(luò)、模糊技術(shù)、專家系統(tǒng)等，但該類方法需要大量的歷史數(shù)據(jù)作為訓(xùn)練樣本，而數(shù)據(jù)的獲取本身就相對困難。另外，其也存在訓(xùn)練時間較長，不便于實時監(jiān)測等缺陷。因此，理想的復(fù)合診斷技術(shù)有待進一步研究。

[1]湯紅誠. 基于人工神經(jīng)元的電機斷條故障診斷方法[J]. 大電機技術(shù), 2008(5): 27-30.

[2]邱阿瑞.提取感應(yīng)電動機轉(zhuǎn)子故障特征的新方法[J].清華大學(xué)學(xué)報(自然科學(xué)版), 1997, 37(1): 35-37.

[3]李天云, 李光, 楊春玲, 等. 基于自適應(yīng)隨機共振的異步電動機轉(zhuǎn)子斷條故障檢測[J]. 中國電機工程學(xué)報, 2007, 27(15): 88-92.

[4]許伯強, 李和明, 孫麗玲, 等.小波分析應(yīng)用于鼠籠型異步電動機轉(zhuǎn)子斷條在線檢測初探[J]. 中國電機工程學(xué)報, 2001, 21(11): 24-28.

[5]Yazidi A., Hena H., Capolino, G.A, et al.Improvement of Frequency Resolution for Three-Phase Induction Machine Fault Diagnosis [C].Industry Applications Conference, 2005:20-25.

[6]梁霖, 徐光華, 劉彈, 等. 小波—奇異值分解在異步電機轉(zhuǎn)子故障特征提取中的應(yīng)用[J]. 中國電機工程學(xué)報, 2005, 25(19): 111-115.

[7]方芳, 楊士元, 侯新國. 基于改進多信號分類法的異步電機轉(zhuǎn)子故障特征分量的提取[J]. 中國電機工程學(xué)報, 2007, 27(30): 72-76.

[8]Zhen-xing Liu, Xue Zhang, Yu Wei. Rotor Fault Diagnosis Way for Induction Motor Based on PQ Transformation [C]. IEEE Conference on Control and Automation, 2007: 1067-1071.

[9]邱阿瑞.用起動電流的時變頻譜診斷鼠籠異步電機轉(zhuǎn)子故障[J]. 中國電機工程學(xué)報, 1995,15(4): 267-273.

[10]Jose A.Antonino-Daviu, Martin Riera-Guasp,JoséRoger Folch, et al. Validation of a New Method for the Diagnosis of Rotor Bar Failures via Wavelet Transform in Industrial Induction Machines [J].IEEE Transactions on Industry Applications, 2006, 42(4): 990-996.

[11]Tsoumas. I. Georgoulas. G. Safacas. A, et al.Empirical Mode Decomposition of the stator start-up current for rotor fault diagnosis in asynchronous machines [C], ICEM 2008.18thInternational Conference , 1-6.

[12]Jose A. Antonono, Davin M.Riera, Guasp M.Pineda, et al. A Critical Comparison between DWT and Hilbert-Huang -Based Methods for the Diagnosis of Rotor bar Failures in Induction Machines [J]. IEEE Transactions on Industry Applications, 2009, 45(5):1794 -1803.

[13]Mlllmonfared J. A Novel Approach for Broken-Rotor-Bar Detection in Cage Induction Motors [J].IEEE Transactions on Industry Applications, 1999,35(5): 286-290.

[14]馬宏忠, 李訓(xùn)銘, 方瑞明, 等. 利用失電殘余電壓診斷異步電機轉(zhuǎn)子繞組故障[J]. 中國電機工程學(xué)報, 2004, 24(7): 183-187.