相對(duì)小波包能量譜的電機(jī)振聲信號(hào)故障分類方法研究*

莫慧芳，谷愛昱，饒明輝

(1. 廣州科技貿(mào)易職業(yè)學(xué)院 機(jī)電系，廣州 511442；2. 廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣州 510006)

相對(duì)小波包能量譜的電機(jī)振聲信號(hào)故障分類方法研究*

莫慧芳1，谷愛昱2，饒明輝1

(1. 廣州科技貿(mào)易職業(yè)學(xué)院 機(jī)電系，廣州 511442；2. 廣東工業(yè)大學(xué) 自動(dòng)化學(xué)院，廣州 510006)

文章研究利用相對(duì)小波能量譜作為特征的電機(jī)振聲信號(hào)故障分類方法。對(duì)振聲信號(hào)采用小波包分解，利用重構(gòu)系數(shù)計(jì)算各個(gè)頻段內(nèi)的相對(duì)小波能量譜值，各頻帶的能量變化反映電機(jī)是否有故障；再根據(jù)標(biāo)準(zhǔn)樣本故障結(jié)果建立“特征-故障”對(duì)應(yīng)關(guān)系的信息表；以容差范圍作為誤差判別標(biāo)準(zhǔn)，力使故障診斷誤差最小化，從而確定待測(cè)信號(hào)為何種故障；最后通過比較各頻帶相對(duì)小波能量譜大小判斷故障所處的頻帶位置。電機(jī)振聲信號(hào)診斷實(shí)例驗(yàn)證了該方法的有效性。

電機(jī)噪聲；故障分類；相對(duì)小波包能量譜

0 引言

電機(jī)是目前各行業(yè)應(yīng)用最廣的供電設(shè)備和驅(qū)動(dòng)裝置，當(dāng)前絕大多數(shù)設(shè)備的運(yùn)轉(zhuǎn)和工作都是由各種電動(dòng)機(jī)驅(qū)動(dòng)完成。其應(yīng)用廣泛、使用環(huán)境各異、負(fù)載性質(zhì)不盡相同，這使得電機(jī)故障時(shí)有發(fā)生，在一些運(yùn)行環(huán)境惡劣、負(fù)載沖擊性很大的場(chǎng)合中運(yùn)行的電機(jī)故障率更高[1]。我們研究電機(jī)的故障診斷就是為了減少事故停機(jī)損失，提高設(shè)備運(yùn)行的可靠性和經(jīng)濟(jì)效益，降低維修費(fèi)用[2]。

傳統(tǒng)的電機(jī)故障診斷方法有定子電流分析法、絕緣診斷、溫度診斷、振動(dòng)診斷等。監(jiān)測(cè)方法的選擇應(yīng)考慮監(jiān)測(cè)對(duì)象的要求，要成本低，易于測(cè)量。絕緣診斷技術(shù)只針對(duì)某一種故障或某一類電機(jī)，不具有廣泛性；溫度診斷技術(shù)需設(shè)置多溫度計(jì)，不易于測(cè)量；振動(dòng)診斷技術(shù)是接觸式測(cè)量，所需設(shè)備結(jié)構(gòu)復(fù)雜[3]。當(dāng)電機(jī)出現(xiàn)故障時(shí)其聲音及其振動(dòng)頻譜都會(huì)發(fā)生變化，振聲信號(hào)的測(cè)量是非接觸式的診斷方法，拾取方便，用一般的錄音設(shè)備即可，避免了價(jià)格昂貴的振動(dòng)測(cè)量設(shè)備，這就為聲頻故障診斷方法的研究提供了現(xiàn)實(shí)基礎(chǔ)。

多分辨分析是近年來處理非平穩(wěn)信號(hào)的主要手段，但其在高頻段頻率分辨率較差，在低頻段時(shí)間分辨率較差。小波包分解是將頻帶進(jìn)行多層次劃分，對(duì)高頻部分進(jìn)一步分解，從而提高頻率分辨率[4]，因此小波包具有更廣泛的應(yīng)用價(jià)值。

當(dāng)電機(jī)出現(xiàn)故障時(shí)，會(huì)對(duì)電機(jī)運(yùn)行聲音的各頻率成分抑制或增強(qiáng)，某種能量的改變代表了一種故障情況。相對(duì)小波包能量能反映信號(hào)在各頻帶內(nèi)的能量變化，可做為故障診斷的特征向量。當(dāng)偏差超過了允許的范圍，定義為出現(xiàn)故障[5]，為了使故障診斷誤差最小化，引入能量容差的概念。本文先對(duì)采集的聲音信號(hào)進(jìn)行小波包分解，然后進(jìn)行相對(duì)小波包能量譜計(jì)算，確定電機(jī)是否有故障；再根據(jù)標(biāo)準(zhǔn)樣本故障結(jié)果建立“特征-故障”對(duì)應(yīng)關(guān)系的信息表；最后對(duì)待測(cè)故障計(jì)算進(jìn)行容差范圍估計(jì)，從而確定電機(jī)為何種故障，以及判斷故障所處的頻帶。

1 相對(duì)小波包能量譜

1.1 小波包分解

(1)

其中m=0,1,...,2k-1;l=1,2,...,j。

1.2 相對(duì)小波包能量譜特征提取

由于保持了多分辨分析中的正交分解特性, 每一個(gè)節(jié)點(diǎn)分解后的兩個(gè)頻帶互不交疊, 輸出兩個(gè)頻帶的帶寬減半[6]。小波包分解后，將各頻帶分解系數(shù)重構(gòu)，得到各頻帶范圍的信號(hào)。小波包能量譜就是指以能量形式表示小波包分解的結(jié)果。設(shè)Xjk為各頻帶重構(gòu)信號(hào)的離散點(diǎn)幅值，Eij為信號(hào)在各頻帶上的小波包能量譜，則Eij可表示為

(2)

(i,j)表示第i層的第j個(gè)節(jié)點(diǎn)，其中j=0,1,…,7,k=0,1,...,2j-1。信號(hào)總能量E為各子帶能量Eij之和，令

(3)

本文將采集到的振聲信號(hào)進(jìn)行3層小波包分解，對(duì)各系數(shù)進(jìn)行重構(gòu)，并提取第3層從低頻到高頻8個(gè)頻率成分的信號(hào)特征，以各個(gè)子帶內(nèi)的能量元素構(gòu)建故障特征向量T=[E30,E31,E32,E33,E34,E35,E36,E37]。

根據(jù)式(3)計(jì)算各個(gè)頻帶的總能量，得到各頻帶的相對(duì)小波包能量譜ρj，構(gòu)建相對(duì)小波包能量譜特征向量ρ=[ρ0,ρ1,ρ2,ρ3,ρ4,ρ5,ρ6,ρ7]。

1.3 能量容差

在建立故障特征向量時(shí)進(jìn)行了多次測(cè)量，建立故障的試驗(yàn)數(shù)據(jù)樣本，計(jì)算樣本的相對(duì)小波包能量譜特征向量，并對(duì)其統(tǒng)計(jì)平均。假設(shè)n次測(cè)量，統(tǒng)計(jì)平均值為Ck，則

(4)

以實(shí)驗(yàn)統(tǒng)計(jì)的方法確定容差范圍ΔCj,以此作為元素構(gòu)成誤差判別向量。

(5)

其中n為實(shí)驗(yàn)次數(shù)，N為容差系數(shù)，σ為樣本標(biāo)準(zhǔn)差。

我們將電機(jī)故障與能量特征向量的對(duì)應(yīng)關(guān)系列成故障信息表，事先存儲(chǔ)在計(jì)算中，計(jì)算實(shí)際測(cè)得的特征向量，如果在預(yù)先確定的特征向量容差范圍內(nèi)，則對(duì)向量進(jìn)行分類決策，就可以確定故障類別。

2 電機(jī)故障診斷實(shí)例分析

電機(jī)常見的故障主要有軸承故障，電磁故障，松動(dòng)故障等，發(fā)生故障時(shí)會(huì)對(duì)外輻射噪聲，每種故障噪聲帶有的頻率即為故障特征頻率[7]。由于安裝不良、電機(jī)底座損毀等原因造成電機(jī)松動(dòng)故障，其故障特征頻率是4X-10X高倍頻，嚴(yán)重時(shí)會(huì)出現(xiàn)0.5X、1.5X半倍頻；由于部件的不精確裝配、溫度變化引起的機(jī)械變形等原因，轉(zhuǎn)子中心線與設(shè)備中心線不對(duì)齊，為不對(duì)中故障，其特征頻率以2X為主，并伴有1X的分量。

本文采用的故障識(shí)別診斷技術(shù)，其基本流程圖如圖1所示。

圖1 故障診斷基本流程圖

本文實(shí)驗(yàn)數(shù)據(jù)來自廣東威靈電機(jī)制造公司的單相異步電動(dòng)機(jī)噪聲樣本。電機(jī)型號(hào)為YDK24-6T，250W，額定電流為2.2A，轉(zhuǎn)速為2800r/min，相應(yīng)的頻率為46.6Hz。根據(jù)香農(nóng)定理，fS≥2fmax，才能保證信號(hào)不失真。在實(shí)際應(yīng)用中，fS一般取fmax的5～6倍[8]。本實(shí)驗(yàn)聲卡的采樣頻率為22.05kHz，由此決定了被測(cè)信號(hào)的最高頻率范圍。

我們構(gòu)建兩種故障狀態(tài)，轉(zhuǎn)子不對(duì)中故障和蓋松故障。用db12小波對(duì)聲音采樣信號(hào)進(jìn)行3層小波包分解，如圖2、圖3、圖4所示。

圖2 正常信號(hào)的小波包分解

圖3 蓋松故障的小波包分解

圖4 轉(zhuǎn)子不對(duì)中故障的小波包分解

從圖2可以看出，當(dāng)電機(jī)無故障時(shí)，振聲信號(hào)相對(duì)穩(wěn)定；圖3、圖4表明當(dāng)發(fā)生故障時(shí)，振聲信號(hào)產(chǎn)生振蕩，不同故障時(shí)相同頻帶的振聲信號(hào)也顯示出幅值變化不同的波形。我們對(duì)各層系數(shù)進(jìn)行重構(gòu)提取相對(duì)小波包能量譜特征值，形成待檢模式；其次，將待檢模式與數(shù)據(jù)庫中存儲(chǔ)的樣本模式進(jìn)行比較和狀態(tài)分類；最后根據(jù)得到的分析結(jié)果，作出相應(yīng)的決策。

本文中對(duì)信號(hào)進(jìn)行3層分解，得到對(duì)應(yīng)的8個(gè)頻帶分布，如表1所示。

表1 重構(gòu)信號(hào)各個(gè)頻段帶寬

根據(jù)相對(duì)小波包能量譜特征量提取方法，計(jì)算出各個(gè)頻段的相對(duì)小波包能量譜，并以此作為特征向量。在此分別提取正常工作、軸承不對(duì)中故障和蓋松故障3種運(yùn)行狀態(tài)，由于實(shí)驗(yàn)樣本重復(fù)性較好，所以n取值不用太大，我們重復(fù)采集了10個(gè)樣本，即n取10。本文列出每個(gè)工況的3組數(shù)據(jù)作為診斷的標(biāo)準(zhǔn)樣本，計(jì)算各頻段相對(duì)小波包能量譜ρj，如表2所示。

表2 不同狀態(tài)各頻段的相對(duì)小波包能量譜分布

用式(4)對(duì)表2各個(gè)頻帶能量譜特征值求其平均值Ck，如表3所示。并由式(5)得到N=4時(shí)的能量容差范圍ΔCj，構(gòu)成誤差判別向量，如表4所示。

表3 不同狀態(tài)的相對(duì)小波包能量譜均值

表4 不同狀態(tài)的相對(duì)小波包能量容差

3 結(jié)果分析

(1)由表3和表4觀察能量容差向量可以發(fā)現(xiàn)，正常信號(hào)特征向量容差范圍均在1%以內(nèi)，且分布比較均勻，第4頻帶的信號(hào)能量特征值最大。故障情況下容差范圍明顯偏大，而且分布不均勻。第2類故障運(yùn)行狀態(tài)下，削弱了第4頻帶的能量，第1、2頻帶的信號(hào)能量明顯增強(qiáng)，在此頻率段放大了故障信號(hào)，突出了故障特征頻率對(duì)應(yīng)的能量信息，表示蓋松故障特征頻率發(fā)生的頻率范圍是[0～625Hz]，第3類故障的第1頻帶信號(hào)能量最強(qiáng)，說明轉(zhuǎn)子不對(duì)中故障發(fā)生的頻率范圍是[0～312.5Hz]，通過對(duì)表4的分析可以得出，相對(duì)小波能量可以用作電機(jī)故障診斷的特征。

(2)針對(duì)前文所述的正常狀態(tài)和2種故障又分別做了5次試驗(yàn)，共得到15個(gè)特征向量。實(shí)驗(yàn)驗(yàn)證，當(dāng)電機(jī)發(fā)生故障時(shí)，所測(cè)得的實(shí)際特征向量90%以上都與預(yù)先確定的特征向量一致(在表4所示的容差范圍內(nèi))。根據(jù)已經(jīng)建立的“特征—故障”的關(guān)系，就能確定被診斷系統(tǒng)中是否有故障，并確定故障類別。

(3)我們?cè)賹?duì)蓋松故障和軸承不對(duì)中故障做功率譜分析，進(jìn)一步確定故障所發(fā)生的具體時(shí)刻，蓋松故障發(fā)生頻率主要為4X-10X倍頻，基頻為電機(jī)轉(zhuǎn)頻46.6Hz，故障發(fā)生頻率范圍是[0～625Hz]；轉(zhuǎn)子不對(duì)中故障以2倍頻為主，伴有1倍頻分量，故障發(fā)生頻率范圍是[0～312.5Hz] ，如圖5、圖6所示，與(1)描述結(jié)果相符。

圖5 蓋松故障功率譜 圖6 轉(zhuǎn)子不對(duì)中故障功率譜

[1] 馬宏忠.電機(jī)狀態(tài)監(jiān)測(cè)與故障診斷[M].北京：機(jī)械工業(yè)出版社，2008.

[2]侯志祥，申群太，李河清.電機(jī)設(shè)備的現(xiàn)代故障診斷方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2003，15(6)：61-63.

[3]肖琳君.電機(jī)故障振聲診斷系統(tǒng)的研究[D].廣州：廣東工業(yè)大學(xué)，2007.

[4]胡昌華，李國華，劉濤，等.基于MATLAB 6.X的系統(tǒng)分析與設(shè)計(jì)—小波分析[M].西安：西安電子科技大學(xué)出版社，2004.

[5]劉澤華, 谷立臣.基于頻域能量特征的故障分類方法研究[J].液壓與氣動(dòng)，2007( 3)：67-70.

[6]孟永鵬,賈申利,榮命哲.小波包頻帶能量分解在斷路器機(jī)械狀態(tài)監(jiān)測(cè)中的應(yīng)用[J].西安交通大學(xué)學(xué)報(bào)，2004,30(10)：1013-1017.

[7]李小飛，趙生明，劉煒.小型鼠籠三相異步電機(jī)的故障診斷[J].機(jī)電技術(shù)，2013(4)：78-81.

[8]余熳燁，林穎.基于小波-神經(jīng)網(wǎng)絡(luò)的某電廠汽輪機(jī)振動(dòng)故障診斷系統(tǒng)的研究[J].機(jī)床與液壓，2013， 41(15)：194-196.

(編輯 李秀敏)

Audio Fault Classification Research Base on Relative Wavelet Packet Energy Spectrum

MO Hui-fang1，GU Ai-yu2，RAO Ming-hui1

(1.Department of Mechatronics ,Guangzhou Vocational College of Technology & Business，Guangzhou 511442, China;2.School of Automation ,Guangdong University of Technology ,Guangzhou 510006，China)

In this paper we reserch audio fault classification which use relative wavelet packet energy spectrum as the characteristics. It makes wavelet packet decomposition, uses decomposition coefficients to calculate the relative wavelet packet energy Spectrum, the energy changes in each frequency determine whether the motor is faulty. Establish “characteristics- fault” information table according standard faults. Tolerance range was introduced as an error standard to trive for diagnose error minization,which determine what kind of test fault. At last, comparing the relative wavelet energy spectrum in each frequency to determine the fault location. The example of audio fault detection has verified the effectiveness of the method.

motor noise; fault detection; relative wavelet packet energy spectrum

1001-2265(2014)07-0097-03

10.13462/j.cnki.mmtamt.2014.07.027

2013-08-29;

2013-11-03

粵港關(guān)鍵領(lǐng)域重點(diǎn)突破項(xiàng)目：高效變頻家用空調(diào)器關(guān)鍵技術(shù)的研究及其應(yīng)用(2010Z5104)

莫慧芳(1980—),女，廣東肇慶人，廣州科技貿(mào)易職業(yè)學(xué)院講師，碩士，主要從事電機(jī)智能控制研究，(E-mail)hs2000112@163.com 。

TH166;TG65

A