基于EEMD和HHT的低壓異步電動機(jī)故障診斷

湯 成，張 懿，魏海峰，周嘯偉，丁 偉

(1.江蘇科技大學(xué) 電子信息學(xué)院，鎮(zhèn)江 212003；2.常熟瑞特電氣股份有限公司，常熟 215500；3.大全集團(tuán)有限公司，鎮(zhèn)江 212200)

0 引 言

在船舶行業(yè)中，船舶上的設(shè)備運作幾乎都需要通過電機(jī)來實現(xiàn)。電機(jī)是電能和機(jī)械能相互轉(zhuǎn)化的一種設(shè)備，低壓異步電動機(jī)是目前應(yīng)用最廣的機(jī)電傳動裝置，有著功率容量大、性能穩(wěn)定、制造成本低、適應(yīng)性強等優(yōu)點。然而，船舶上的中小型電動機(jī)數(shù)量多、位置分散、安裝環(huán)境各異、起動方式多樣、無法進(jìn)行全生命周期的全過程監(jiān)測。隨著長時間的運作，電機(jī)各個部件的可靠性降低，出現(xiàn)故障的概率升高，電動機(jī)的性能下降、磨損加劇，甚至最終發(fā)生災(zāi)難性故障，造成嚴(yán)重的人力物力損失。電機(jī)狀態(tài)監(jiān)測及故障診斷技術(shù)提供了一種“治未病”的方法，應(yīng)用各種信號分析與處理技術(shù)對取得的電機(jī)參數(shù)進(jìn)行分析，在此基礎(chǔ)上提取出對特定故障敏感的特征信息，在電機(jī)出現(xiàn)小型故障時發(fā)現(xiàn)并準(zhǔn)確定位故障，避免災(zāi)難性故障的發(fā)生。

近年來，針對使用振動傳感器進(jìn)行電機(jī)故障診斷，國內(nèi)外學(xué)者進(jìn)行了深入研究。目前，較為常用的特征提取方法是快速傅里葉變換(以下簡稱FFT)和短時傅里葉變換(以下簡稱STFT)。文獻(xiàn)[1]對FFT分析具體故障進(jìn)行了實際工業(yè)應(yīng)用。FFT就是將信號變換到頻域，是快速計算離散傅里葉變換(DFT)的計算機(jī)算法，在頻域上對時域上的信號進(jìn)行描述，具有降低計算復(fù)雜度、減少計算時間的特點。但FFT對于時間不敏感，不能對時間域上的信號的某一局部進(jìn)行刻畫，對突變和非平穩(wěn)信號的描述效果也不理想。為了解決這些問題，利用STFT進(jìn)行信號處理[2]，它在FFT的基礎(chǔ)上增加了窗函數(shù)，利用窗函數(shù)對信號進(jìn)行截取，這樣就可以描述不同時刻的頻譜，便于非平穩(wěn)信號的處理。然而，它的窗函數(shù)不能隨信號頻率的變化而變化，往往會出現(xiàn)頻率分辨率差或時間分辨率差的現(xiàn)象。因此，使用小波變換的方式對信號進(jìn)行分析。小波變換對傅里葉變換的基底進(jìn)行變換，把基函數(shù)由正弦信號變?yōu)殚L度有限、會衰減的小波基(一般是兩個正交基的分解)[3]，克服了STFT窗函數(shù)不能隨頻率變化的缺點。文獻(xiàn)[4]利用小波變換進(jìn)行感應(yīng)電動機(jī)轉(zhuǎn)子偏心故障診斷，證明了可以同時觀察頻率和時間軸，達(dá)到時間和頻率的最優(yōu)化。但是，小波變換在處理信號和噪聲頻帶混疊的情況下效果不理想。Norden Huang提出了經(jīng)驗?zāi)B(tài)分解(以下簡稱EMD)方法，它是一種針對非平穩(wěn)信號的信號處理方法，這種方法將原始信號分解成一系列具有時變頻率的基本模態(tài)函數(shù)，能夠反映出非平穩(wěn)信號的局部特征，無需預(yù)先選擇基函數(shù)，直接進(jìn)行分解，對不同的特征尺度具有自適應(yīng)性，適合非線性非平穩(wěn)信號的分解[5-6]。然而，EMD存在模態(tài)混疊問題[7]。Flandrin又解決了EMD分解出現(xiàn)的模態(tài)混疊現(xiàn)象，提出了集合經(jīng)驗?zāi)B(tài)分解。集合經(jīng)驗?zāi)B(tài)分解的方法運用白噪聲在任何頻率上分布均勻的特征把白噪聲加入EMD分解中，有效解決了模態(tài)混疊現(xiàn)象，但是在引入噪聲后出現(xiàn)了不確定性[8]。

本文旨在利用集合經(jīng)驗?zāi)B(tài)分解和希爾伯特-黃變換對低壓異步電動機(jī)的振動信號進(jìn)行分析，對電機(jī)常見故障進(jìn)行分析。利用壓電式振動傳感器采集電機(jī)運行時的振動信號，采集到的信號將采用集合經(jīng)驗?zāi)B(tài)分解(以下簡稱EEMD)的方法進(jìn)行分解，利用相關(guān)系數(shù)提取出關(guān)聯(lián)性較大的分量，對振動信號進(jìn)行重構(gòu)，重構(gòu)后的信號使用希爾伯特-黃變換(以下簡稱HHT)信號處理方法，進(jìn)行故障的判斷。這樣，既能解決EMD留下的模態(tài)混疊現(xiàn)象，又可以利用相關(guān)系數(shù)進(jìn)行篩選，將低相關(guān)系數(shù)甚至負(fù)相關(guān)系數(shù)的分量進(jìn)行去除，解決引入噪聲后的不確定性。

1 振動信號的采集

根據(jù)2015年中國船級社發(fā)布的《智能船舶規(guī)范》[9]，智能故障診斷技術(shù)中應(yīng)注重以下幾個方面：

1)故障診斷思維的延申。要從通過故障現(xiàn)象分析故障機(jī)理、通過經(jīng)驗解決問題，轉(zhuǎn)向以經(jīng)驗機(jī)理為基礎(chǔ)、故障現(xiàn)象為表征、監(jiān)測數(shù)據(jù)為內(nèi)核、智能算法為手段、故障預(yù)測和狀態(tài)監(jiān)測為目的的新方向。

2)診斷目標(biāo)的延申。從傳統(tǒng)的故障之后分析解決問題，轉(zhuǎn)向及時識別機(jī)械故障的出現(xiàn)和演變、實時監(jiān)測系統(tǒng)運行狀態(tài)、提前預(yù)測并化解、減少或避免事故的新方向。

3)診斷方法的延申。從人工搜集并篩選數(shù)據(jù)、基于機(jī)理提取故障特征的切片式診斷方法，轉(zhuǎn)向多工況、多隨機(jī)因素干擾下利用智能算法提取、篩選數(shù)據(jù)特征，并進(jìn)行故障數(shù)據(jù)解析和全局分析的新方向。

振動信號采集是利用振動信號進(jìn)行電機(jī)故障診斷的基礎(chǔ)。要想達(dá)到《智能船舶規(guī)范》中的要求，必須選擇一款適合進(jìn)行數(shù)據(jù)特征提取、篩選的，精度較高的振動傳感器。常見的振動傳感器包括速度振動傳感器、加速度振動傳感器和渦流振動傳感器，如表1所示。

表1 振動傳感器分類及特點

從表1中可以看出，加速度振動傳感器是唯一適合于測量中高頻旋轉(zhuǎn)機(jī)械的振動傳感器。加速度振動傳感器不僅具有適合測量電機(jī)振動的特點，同時還具有結(jié)構(gòu)緊密、體積小，安裝方式多樣等特點，并且可以利用其頻譜比較廣的特點，在整個頻譜范圍內(nèi)進(jìn)行頻譜分析，以便及時發(fā)現(xiàn)微小的故障。因此，相比于表1中的其他兩種傳感器，采用加速度傳感器測量異步電動機(jī)有著速度快、精度高、兼容性佳、針對性強的獨到優(yōu)勢，可以實時監(jiān)測不同頻率下振動信號的信號振幅，以滿足《智能船舶規(guī)范》智能故障診斷技術(shù)中要求的數(shù)據(jù)的實時性和準(zhǔn)確性。

加速度振動傳感器可分為磁電式和壓電式兩種。壓電式加速度振動傳感器具有1 Hz～9 000 Hz的寬大頻率測量范圍，并具有更廉價、更耐用等優(yōu)勢。此外，由于船舶上中小型電動機(jī)位置分散,安裝環(huán)境各異，而壓電式加速度振動傳感器安裝方式多樣，可以采用金屬螺栓安裝、對地絕緣轉(zhuǎn)換螺栓連接、膠粘劑粘接和磁鐵轉(zhuǎn)換吸盤連接四種安裝方式。因此，船用振動信號采集使用壓電式加速度振動傳感器。實驗平臺選用CA5005 M10型壓電式加速度振動傳感器，傳感器參數(shù)如表2所示。

表2 振動傳感器參數(shù)表

在實驗環(huán)境搭建時，將實驗用風(fēng)機(jī)(三相低壓異步電動機(jī))用四只螺柱進(jìn)行固定，在風(fēng)機(jī)軸承正上方安裝壓電式加速度振動傳感器，安裝采用膠粘劑粘接加磁鐵轉(zhuǎn)換吸盤連接雙重固定方式，以保證安裝牢固，不會掉落或影響安裝剛度。

綜上，實驗平臺采用壓電式加速度振動傳感器，利用風(fēng)機(jī)作為低壓異步電動機(jī)進(jìn)行實驗，風(fēng)機(jī)及振動傳感器安裝位置如圖1所示。

圖1 振動信號故障診斷實驗平臺

平臺使用的風(fēng)機(jī)為低壓異步電動機(jī)，外接三相交流電壓380 V電源，電機(jī)參數(shù)如表3所示。

表3 低壓異步電機(jī)參數(shù)

2 振動信號的處理

壓電式加速度傳感器采集到的信號，需要通過特征提取，才能進(jìn)行故障識別和預(yù)測。利用合理的手段進(jìn)行振動信號的故障特征提取，是系統(tǒng)故障診斷中的重要一環(huán)，信號的提取既保證了將振動信號中的有用信息準(zhǔn)確提取，又可以明確機(jī)械故障信息表征。目前,對于振動信號的處理通常采用的都是FFT或STFT，雖然STFT在FFT的基礎(chǔ)上增加了取樣的窗函數(shù)，但是兩者對于非平穩(wěn)信號的處理都不甚理想。使用EEMD可以對不同特征尺度的信號進(jìn)行自適應(yīng)，更適合于非線性非平穩(wěn)信號的分解。

2.1 EEMD

EMD是一種新型、自適應(yīng)時頻局部的時頻分析法，不僅能夠處理非靜態(tài)過程，還能使用按初始數(shù)據(jù)確定的自適應(yīng)變換基的變換[10]。EEMD是一種噪聲輔助的數(shù)據(jù)分析手段，從EMD發(fā)展而來并解決了EMD發(fā)生的模態(tài)混疊現(xiàn)象。下面從EMD開始對EEMD的原理及特性進(jìn)行分析。

對于非平穩(wěn)信號x(t)而言，每一時刻的頻率都隨時間變化，不能用傅里葉變換中的全局性概念進(jìn)行分析，需要采用瞬時頻率來表示信號的瞬時特性。采用希爾伯特變換可以將給定非平穩(wěn)信號x(t)變換為y(t)：

構(gòu)造解析函數(shù)z(t)：

把瞬時相位進(jìn)行微分，得到瞬時頻率：

EEMD是在EMD的基礎(chǔ)上加入白噪聲，并使用EMD算法進(jìn)行分解，可以得到本征模態(tài)函數(shù)(以下簡稱IMF)。根據(jù)白噪聲具有統(tǒng)一的頻率分布，將白噪聲添加進(jìn)原信號中，因為白噪聲不同，因此在獲得IMF分量時相鄰IMF分量不會產(chǎn)生關(guān)聯(lián)，即EEMD解決了EMD的模態(tài)混疊現(xiàn)象。

假設(shè)任何復(fù)雜信號都是多個固有模態(tài)函數(shù)的和，任何模態(tài)函數(shù)都可以在線性和非線性之間相互獨立，則非平穩(wěn)信號x(t)的EEMD分解步驟如圖2所示。

圖2 EEMD分解流程圖

2.2 相關(guān)系數(shù)

在得到各級IMF分量后，可以利用相關(guān)系數(shù)的方法對IMF分量進(jìn)行篩選。相關(guān)系數(shù)是兩個變量之間的線性關(guān)系度量，在本文中，各級IMF分量的相關(guān)系數(shù)是指各級IMF分量和原信號之間的線性關(guān)系大小。相關(guān)系數(shù)的公式：

式中：x(t)表示原信號，yi表示第i級的IMF分量。利用x(t)和yi(t)的相關(guān)系數(shù)可以得到EEMD分解結(jié)果與原信號之間的線性相關(guān)性。根據(jù)公式可知，在原信號和IMF分量呈現(xiàn)負(fù)相關(guān)時，相關(guān)系數(shù)的值為負(fù)，且線性相關(guān)性越高，相關(guān)系數(shù)的值越大。在相關(guān)系數(shù)Q<0或低于設(shè)定閾值時，IMF分量是原信號的偽分量。這樣，就可以利用相關(guān)系數(shù)解決EEMD引入噪聲后IMF分量的不確定性。

2.3 HHT變換

在剔除偽IMF分量后,對IMF分量進(jìn)行重構(gòu)，重構(gòu)步驟和EMD分解相反。接著，對重構(gòu)后的信號進(jìn)行HHT變換，得到重構(gòu)信號的包絡(luò)。定義重構(gòu)信號為H(ω)，則邊際譜函數(shù)h(ω)：

邊際譜函數(shù)H(ω)提供了每個頻率上的總振幅，即反映了在每個頻率上振動的情況，是對整個數(shù)據(jù)跨度的振幅的累積。

3 電動機(jī)故障診斷

電動機(jī)故障診斷實驗流程如圖3所示，實驗通過對風(fēng)機(jī)振動信號的采集、數(shù)據(jù)處理，最終得到電機(jī)的故障診斷結(jié)果。

圖3 電機(jī)故障診斷模型

根據(jù)圖3的過程，利用MATLAB對采集到的數(shù)據(jù)進(jìn)行信號處理，數(shù)據(jù)由每組3 304個分布在不同頻率上采集點所構(gòu)成，上傳的數(shù)據(jù)采樣間隔為3 s。利用20組數(shù)據(jù)對近60 s電動機(jī)的振動狀態(tài)進(jìn)行描述。下面列舉出異步低壓電動機(jī)在正常、堵轉(zhuǎn)、三相不平衡三種狀態(tài)下對采集到的數(shù)據(jù)進(jìn)行信號處理的結(jié)果。

3.1 正常狀態(tài)下的EEMD分析

在正常情況下起動風(fēng)機(jī)，采集風(fēng)機(jī)的振動信號，通過EEMD，得到各級IMF分量，即IMF1～I(xiàn)MF12，各級IMF分量如圖4所示。

圖4 正常狀態(tài)下振動信號EEMD分解結(jié)果

在電機(jī)運行過程中，振動量值的采集往往同時包含著噪聲等無關(guān)分量，因此在EEMD分解后的各級IMF分量中包含著無關(guān)分量，甚至負(fù)相關(guān)分量，稱為偽分量?？衫酶骷壏至康南嚓P(guān)系數(shù)，將IMF分量中相關(guān)系數(shù)Q>10-4的分量進(jìn)行提取，并定義提出偽分量后的分量為IMF’，各級IMF’分量如圖5所示。在IMF’分量中，每個分量與原信號都保持著較高的相關(guān)系數(shù)。

圖5 正常狀態(tài)下利用相關(guān)系數(shù)提取IMF分量結(jié)果

對經(jīng)過篩選后的IMF分量,IMF’分量進(jìn)行重構(gòu)，得到重構(gòu)后的信號，經(jīng)重構(gòu)的振動信號如圖6所示。

圖6 正常狀態(tài)下的信號重構(gòu)

利用HHT，得到重構(gòu)信號的包絡(luò)，如圖7所示。

圖7 正常狀態(tài)下的邊際譜函數(shù)

經(jīng)過觀察正常狀態(tài)下的幅頻曲線可以看出，在正常狀態(tài)下，在頻率極小時，取到的幅值>0.18 m/s2；在頻率為300 Hz時，幅值有一次明顯的提升；在頻率略高于550 Hz時，幅值達(dá)到第二次高峰，取到的幅值略大于0.04 m/s2。

3.2 堵轉(zhuǎn)狀態(tài)下的EEMD分析

在風(fēng)機(jī)成功起動后，將風(fēng)機(jī)出風(fēng)口用重物封住，使氣流無法從出風(fēng)口排出風(fēng)機(jī)。對于風(fēng)機(jī)，這種措施可以造成輕微的堵轉(zhuǎn)故障。將風(fēng)機(jī)開啟后堵住出風(fēng)口，將采集到的振動信號通過EEMD，得到各級IMF分量，即IMF1～I(xiàn)MF12，IMF分量如圖8所示。

圖8 堵轉(zhuǎn)狀態(tài)下振動信號EEMD分解結(jié)果

堵轉(zhuǎn)時，將IMF分量相關(guān)系數(shù)Q>10-4的分量進(jìn)行提取，并定義新的經(jīng)過篩選后的分量為IMF’，各級經(jīng)過篩選后的IMF’分量如圖9所示。

圖9 堵轉(zhuǎn)狀態(tài)下利用相關(guān)系數(shù)提取IMF分量結(jié)果

在堵轉(zhuǎn)情況下，對經(jīng)過篩選后的IMF分量，IMF’分量進(jìn)行重構(gòu)，得到堵轉(zhuǎn)情況下重構(gòu)后的信號，經(jīng)重構(gòu)的振動信號如圖10所示。

圖10 堵轉(zhuǎn)狀態(tài)下的信號重構(gòu)

利用HHT，得到重構(gòu)信號的邊際譜函數(shù)，如圖11所示。

圖11 堵轉(zhuǎn)狀態(tài)下的邊際譜函數(shù)

可以看出，在堵轉(zhuǎn)情況下，和正常狀態(tài)下相比，在頻率極小時，取到的幅值約為0.12 m/s2，遠(yuǎn)小于正常情況下的0.18 m/s2以上；在頻率為300 Hz時，幅值有一次明顯的提升，與正常狀態(tài)下相同；在頻率略高于550 Hz時，幅值未超過頻率為25 Hz左右的極大值，取到的幅值小于0.04 m/s2。

3.3 三相不平衡狀態(tài)下EEMD分析

將一個螺栓固定在風(fēng)機(jī)的鐵片上，人為制造一個三相不平衡故障。開啟風(fēng)機(jī)，采集到的振動信號通過EEMD，得到各級IMF分量，即IMF1～I(xiàn)MF12，IMF分量如圖12所示。

圖12 三相不平衡狀態(tài)下振動信號EEMD分解結(jié)果

發(fā)生三相不平衡故障時，將提取到的IMF分量相關(guān)系數(shù)Q>10-4的分量進(jìn)行提取，并定義去除偽分量的各級本征模態(tài)函數(shù)為IMF’，各級經(jīng)過篩選后的IMF’分量如圖13所示。

圖13 三相不平衡狀態(tài)下利用相關(guān)系數(shù)提取IMF分量結(jié)果

在三相不平衡情況下，對經(jīng)過篩選后的IMF分量,IMF’分量進(jìn)行重構(gòu)，得到堵轉(zhuǎn)情況下重構(gòu)后的信號，經(jīng)重構(gòu)的振動信號如圖14所示。

圖14 三相不平衡狀態(tài)下的信號重構(gòu)

利用HHT，得到重構(gòu)信號的邊際譜函數(shù)，如圖15所示。

圖15 三相不平衡狀態(tài)下的邊際譜函數(shù)

可以看出，在三相不平衡狀態(tài)下，和正常狀態(tài)下相比，在頻率極小時，取到的幅值略大于0.14 m/s2，小于正常情況下的0.18 m/s2以上；在頻率為250 Hz時，幅值有一次明顯的提升，比正常狀態(tài)下相同下早了50 Hz左右；在頻率略高于550 Hz時，幅值未超過頻率為25 Hz左右的極大值，取到的幅值小于0.04 m/s2。

3.4 重復(fù)實驗

按照故障診斷模型的方法，對上述三種狀態(tài)進(jìn)行其余87次實驗，得到了全部90組數(shù)據(jù)的診斷結(jié)果，其中有88次診斷結(jié)果和人為設(shè)置的故障相一致，其余2次正常情況被認(rèn)作堵轉(zhuǎn)，診斷正確率為97.7%。

4 結(jié) 語

利用振動信號，進(jìn)行EEMD、相關(guān)系數(shù)提取、重構(gòu)信號和HHT得到信號的包絡(luò)，利用包絡(luò)進(jìn)行故障診斷，并通過實例對此方法進(jìn)行了驗證。結(jié)果證明，EEMD對于非平穩(wěn)信號的分解有著很好的作用，HHT所得的邊際譜函數(shù)也可以對異步電動機(jī)的常見故障進(jìn)行準(zhǔn)確的識別。此種方法僅僅通過一個壓電式加速度振動傳感器，使用磁鐵轉(zhuǎn)換吸盤加膠粘安裝，診斷結(jié)果明了、準(zhǔn)確，在至多60 s的時間內(nèi)就能發(fā)現(xiàn)輕微的電機(jī)常見故障，在實際船舶行業(yè)分布式電機(jī)的實時監(jiān)測和故障診斷中具有較高的使用價值和經(jīng)濟(jì)價值。