艦船異步電動(dòng)機(jī)故障模式及其診斷技術(shù)綜述

劉 文，周智勇，蔡 巍

艦船異步電動(dòng)機(jī)故障模式及其診斷技術(shù)綜述

劉 文，周智勇，蔡 巍

（海軍潛艇學(xué)院，山東青島 266000）

以艦船異步電動(dòng)機(jī)軸承故障、定子繞組匝間短路、轉(zhuǎn)子斷條等故障為研究對(duì)象，介紹其產(chǎn)生與分類。針對(duì)不同故障類型，梳理了目前主要的故障診斷方法，并進(jìn)行歸納比較。最后，就基于數(shù)據(jù)驅(qū)動(dòng)的異步電動(dòng)機(jī)故障診斷技術(shù)發(fā)展趨勢(shì)進(jìn)行了展望。

異步電動(dòng)機(jī) 軸承故障 定子繞組匝間短路 轉(zhuǎn)子斷條 故障診斷

0 引言

異步電動(dòng)機(jī)是艦船中不可或缺的電氣設(shè)備，其應(yīng)用范圍廣泛，可作為輔機(jī)拖動(dòng)設(shè)備使用，如空壓機(jī)、錨機(jī)絞盤、水泵等，還可應(yīng)用于推進(jìn)系統(tǒng)。但在實(shí)際應(yīng)用中，由于電機(jī)設(shè)計(jì)制造工藝復(fù)雜，長(zhǎng)期處于高溫、高濕惡劣環(huán)境，隨時(shí)面臨超負(fù)荷運(yùn)轉(zhuǎn)等問題，其故障發(fā)生概率很高。據(jù)統(tǒng)計(jì)，在各類異步電機(jī)故障中，40～50%與電機(jī)軸承有關(guān)，30～40%為電機(jī)定子或電樞故障，5～10%為電機(jī)轉(zhuǎn)子故障，以及部分氣隙偏心故障。

電機(jī)故障的發(fā)生不僅對(duì)其本身造成損害，還可能因此造成設(shè)備和經(jīng)濟(jì)損失，甚至影響艦船電力系統(tǒng)。因此，分析異步電機(jī)常見故障，研究相應(yīng)的電機(jī)故障診斷技術(shù)，對(duì)提高設(shè)備運(yùn)行的可靠性、減少故障停機(jī)損失、降低維修費(fèi)用等有著重要意義[1]。本文簡(jiǎn)要介紹異步電機(jī)幾類常見故障，梳理了主要故障診斷方法，并對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的異步電機(jī)故障診斷技術(shù)發(fā)展趨勢(shì)作了展望。

1 電機(jī)軸承故障及其診斷技術(shù)

1.1 電機(jī)軸承故障

在電機(jī)的主要構(gòu)成部件中，軸承起到固定、支撐等作用，對(duì)電機(jī)長(zhǎng)期穩(wěn)定運(yùn)轉(zhuǎn)起到重要作用。因長(zhǎng)期承受高強(qiáng)壓力和較高溫度，電機(jī)軸承極易發(fā)生故障。在電機(jī)所有故障類型中，軸承故障占比達(dá)40%以上，屬于電機(jī)最主要的故障類型[2]。在軸承故障中，可根據(jù)故障部位與種類進(jìn)行細(xì)分，如按照部位分類，可分為內(nèi)圈故障、外圈故障和滾動(dòng)體損傷等；如按照種類分類，大致包括磨損失效、軸裂紋、腐蝕失效、斷裂失效、壓痕失效、膠合失效和保持架損壞等。

1.2 電機(jī)軸承故障診斷技術(shù)

電機(jī)軸承故障診斷通常以電機(jī)工作時(shí)的電流、溫度、振動(dòng)信號(hào)等為分析對(duì)象，表1中對(duì)部分電機(jī)軸承故障診斷技術(shù)進(jìn)行了歸納。

表1 電機(jī)軸承故障診斷技術(shù)

基于振動(dòng)信號(hào)分析的方法是目前電機(jī)軸承故障診斷領(lǐng)域的主流。隨著技術(shù)不斷發(fā)展，故障診斷呈現(xiàn)出多技術(shù)融合的發(fā)展趨勢(shì)，大致包含兩項(xiàng)主要內(nèi)容。

一是信號(hào)處理和故障特征提取，包括快速傅里葉變換(Fast Fourier Transform, FFT)、Hilbert變換、小波變換(Wavelet Transform, WT)、雙譜分析、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)[3]等。如文獻(xiàn)[3]通過小波包分解和方差貢獻(xiàn)率檢驗(yàn)對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)方法進(jìn)行改進(jìn)，結(jié)合雙譜分析，提取調(diào)制在高頻信號(hào)中的故障特征頻率，實(shí)現(xiàn)電機(jī)軸承故障診斷；文獻(xiàn)[4]將極點(diǎn)對(duì)稱模態(tài)分解算法(Extreme-point Symmetric Code Decomposition, ESMD)、信息熵與相關(guān)性篩選方法和Hilbert變換相結(jié)合，利用快速峭度圖優(yōu)化帶通濾波器，能夠消除高頻噪聲的影響。

二是故障分類判斷，即模式識(shí)別，包括支持向量機(jī)(Support Vector Machine, SVM）、相關(guān)向量機(jī)(Relevant Vector Machine, RVM)、核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine, KELM)、隨機(jī)森林算法等。文獻(xiàn)[5]提出基于深度學(xué)習(xí)的電機(jī)軸承故障診斷方法，無需對(duì)振動(dòng)信號(hào)原始數(shù)據(jù)進(jìn)行預(yù)處理，將原始振動(dòng)數(shù)據(jù)直接輸入CNN網(wǎng)絡(luò)，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)原始振動(dòng)信號(hào)特征頻率進(jìn)行有效提取，并通過softmax分類器對(duì)輸出結(jié)果分類。文獻(xiàn)[6]采用改進(jìn)的粒子群優(yōu)化算法對(duì)相關(guān)向量機(jī)的核函數(shù)參數(shù)進(jìn)行優(yōu)化，提高了相關(guān)向量機(jī)的分類準(zhǔn)確率。使用單一的技術(shù)方法進(jìn)行故障診斷，易受外界環(huán)境因素干擾影響診斷結(jié)果。通過多技術(shù)融合的方法，能夠有效提高故障診斷精度，避免誤判。文獻(xiàn)[7]利用多尺度基本熵(Multiscale Base-scale Entropy, MBSE)算法對(duì)原始振動(dòng)信號(hào)進(jìn)行處理并提取故障特征向量，輸入經(jīng)過人工魚群算法優(yōu)化參數(shù)后的KELM進(jìn)行故障分類識(shí)別，分類精度得到有效提高。文獻(xiàn)[8]通過融合小波包分析和貝葉斯分類法進(jìn)行故障分類診斷，較BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)具有更好的準(zhǔn)確率，且診斷速度更快。文獻(xiàn)[9]提出將特征選取技術(shù)與人工智能相結(jié)合，通過對(duì)多種信號(hào)所包含的信息進(jìn)行融合以實(shí)現(xiàn)不同故障程度下的軸承外滾道故障分類與檢測(cè)。

除了基于電機(jī)振動(dòng)信號(hào)的電機(jī)軸承故障診斷方法，近年來基于定子電流的信號(hào)分析方法也逐漸成為國內(nèi)外專家研究的熱點(diǎn)。文獻(xiàn)[10]提出利用WELCH分析法對(duì)定子電流信號(hào)進(jìn)行分析處理，提取峰度、偏度等參數(shù)作為支持向量機(jī)的特征向量，利用交叉驗(yàn)證法對(duì)支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，輸出故障類別。但經(jīng)典的電機(jī)電流信號(hào)特征分析是基于FFT的頻域分析方法，易受基頻頻譜泄露和偏心諧波以及供電系統(tǒng)強(qiáng)噪聲的影響，在電機(jī)低負(fù)載運(yùn)行時(shí)難以通過此方法對(duì)軸承故障進(jìn)行準(zhǔn)確判斷[11]。

2 電機(jī)定子故障及其診斷技術(shù)

2.1 電機(jī)定子故障

在電機(jī)故障中，定子故障占比在30%以上，包括電機(jī)繞組短路故障、斷路故障和接地故障。定子故障一般從匝間短路故障開始[12]，進(jìn)而一步步發(fā)展成線圈短路、相間短路等更加嚴(yán)重的故障，因此對(duì)電機(jī)定子繞組匝間短路故障的早期診斷就顯得尤為重要。

2.2 電機(jī)定子匝間短路故障診斷技術(shù)

電機(jī)定子匝間短路故障診斷技術(shù)的研究方法大致可分為三類，表2對(duì)其中部分方法進(jìn)行了歸納。

表2 電機(jī)定子匝間短路故障診斷技術(shù)

一是基于信號(hào)分析的故障診斷[12]。目前電機(jī)電流信號(hào)分析方法(Motor Current Signal Analysis, MCSA)是一種主流信號(hào)分析方法，通過多種信號(hào)處理方法提取故障特征值實(shí)現(xiàn)故障診斷，如負(fù)序電流法、負(fù)序視在阻抗法、派克變換法等。文獻(xiàn)[13]建立異步電機(jī)定子繞組匝間短路故障診斷數(shù)學(xué)模型，利用Park's矢量法將三相靜止坐標(biāo)系中的定子電流信號(hào)變換到兩相靜止αβ0坐標(biāo)系下，對(duì)Park矢量模進(jìn)行譜分析，利用二倍頻分量與直流分量的比值判斷電機(jī)匝間短路故障及故障嚴(yán)重程度。定子電流中的負(fù)序電流分量能夠有效反映定子匝間短路故障，但當(dāng)轉(zhuǎn)子存在斷條故障時(shí)，定子電流中也會(huì)產(chǎn)生負(fù)序電流分量，有學(xué)者提出一種預(yù)先使用頻譜校正技術(shù)和自適應(yīng)濾波技術(shù)對(duì)定子電流進(jìn)行處理的方法，消除其中轉(zhuǎn)子故障（斷條或偏心）可能引起的定子電流負(fù)序分量，以此排除其對(duì)于定子匝間短路故障檢測(cè)的影響，通過仿真和實(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。

二是基于人工智能的故障診斷。此方法常與信號(hào)分析的方法進(jìn)行結(jié)合，能夠有效提高診斷準(zhǔn)確率。有學(xué)者通過最優(yōu)小波樹和改進(jìn)的優(yōu)化神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)感應(yīng)電機(jī)定子繞組匝間故障的診斷，利用最優(yōu)小波樹對(duì)濾除基波分量的定子電流信號(hào)進(jìn)行處理，得到適合輸入BP神經(jīng)網(wǎng)絡(luò)的特征向量，再利用捕食搜索算法優(yōu)化的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行優(yōu)化，最終實(shí)現(xiàn)對(duì)定子繞組匝間短路故障的診斷。另有文獻(xiàn)提出一種基于派克變換和模糊神經(jīng)網(wǎng)絡(luò)的電機(jī)定子繞組匝間短路故障的在線診斷方法，通過構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)的短路匝數(shù)診斷模型，解決派克矢量模的幾何形狀無法確定短路匝數(shù)的問題。文獻(xiàn)[14]提出使用瞬時(shí)對(duì)稱分量分析(Instantaneous Symmetrical Components Analysis, ISCA)的方法對(duì)定子電流進(jìn)行預(yù)處理，使用FFT進(jìn)行故障特征提取，利用Kohonen自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類。經(jīng)驗(yàn)證所提方法能夠有效識(shí)別定子和轉(zhuǎn)子早期繞組故障并進(jìn)行分類。

三是采用多信號(hào)融合分析判斷定子繞組匝間短路故障，通過多信號(hào)融合，可有效改善依托單一信號(hào)故障特征進(jìn)行故障診斷的漏判、誤判問題，有效提高診斷的準(zhǔn)確率，如文獻(xiàn)[15]通過對(duì)定子電流信號(hào)的負(fù)序電流差和定子振動(dòng)信號(hào)的二倍頻分量的故障特征提取，利用多源特征信息的證據(jù)理論融合進(jìn)行故障診斷，準(zhǔn)確率明顯高于依托單一信號(hào)故障特征的診斷結(jié)果；也有學(xué)者通過對(duì)負(fù)序電壓、電流分量進(jìn)行李薩如融合，在圖形特征圖中提取故障特征，通過仿真分析得出在不同負(fù)載下負(fù)序視在阻抗、負(fù)序阻抗角以及橢圓傾角作為圖形特征量對(duì)負(fù)載變化具有較好的魯棒性，實(shí)驗(yàn)驗(yàn)證負(fù)序李薩如圖形橢圓傾角對(duì)定子匝間短路故障最為敏感，適合用來對(duì)匝間短路故障進(jìn)行診斷。

3 電機(jī)轉(zhuǎn)子故障及其診斷技術(shù)

3.1 電機(jī)轉(zhuǎn)子故障

電機(jī)轉(zhuǎn)子故障約占到異步電機(jī)故障的5～10%，異步電機(jī)在啟動(dòng)時(shí)具有較大的電流和啟動(dòng)轉(zhuǎn)矩，會(huì)在轉(zhuǎn)子導(dǎo)條和端環(huán)產(chǎn)生高溫和巨大應(yīng)力，可能導(dǎo)致導(dǎo)條斷裂或端環(huán)斷裂，從而影響電機(jī)正常工作甚至產(chǎn)生更為嚴(yán)重的后果。

3.2 電機(jī)轉(zhuǎn)子斷條故障診斷技術(shù)

異步電機(jī)轉(zhuǎn)子斷條故障診斷的主流技術(shù)是MCSA方法。當(dāng)電機(jī)轉(zhuǎn)子出現(xiàn)斷條故障時(shí)，會(huì)在電機(jī)電流頻譜信號(hào)中出現(xiàn)故障特征諧波分量，通過對(duì)故障特征分量的提取，達(dá)到斷條故障診斷的目的。但MCSA方法仍存在一些問題，如故障診斷所需數(shù)據(jù)量龐大，對(duì)數(shù)據(jù)存儲(chǔ)和傳輸造成很大負(fù)擔(dān)，診斷效率不高；故障特征邊頻分量易被基頻分量所淹沒，造成故障診斷精度不高或誤判漏判。針對(duì)上述問題，多數(shù)學(xué)者嘗試將MCSA方法與其他優(yōu)化算法相結(jié)合，借以提高故障診斷精度，提高診斷效率，如文獻(xiàn)[16]將不相關(guān)流形的連續(xù)投影算法(Successive Projections onto Incoherent Manifolds, SPIN)與MCSA技術(shù)結(jié)合，通過分離故障特征分量有效減少數(shù)據(jù)存儲(chǔ)和傳輸占有率，提高數(shù)據(jù)利用率；文獻(xiàn)[17]在利用矩陣束算法識(shí)別定子電流基波頻率的基礎(chǔ)上，通過旋轉(zhuǎn)濾波技術(shù)消除基波對(duì)故障特征頻率的淹沒效果，再通過矩陣束算法分辨故障特征頻率，籍此提高短時(shí)數(shù)據(jù)分辨率，有效提取故障特征頻率判斷故障；文獻(xiàn)[18]將多重信號(hào)分類(Multiple Signal Classification, MUSIC)與支持向量回歸(Support Vector Regression Machine, SVRM)算法結(jié)合，彌補(bǔ)了傳統(tǒng)MCSA方法中邊頻分量易淹沒于基頻分量的問題，能夠在少量數(shù)據(jù)的情況下進(jìn)行故障檢測(cè)且具有較好的抗噪能力。文獻(xiàn)[19]采用MCSA、包絡(luò)分析和過零時(shí)間信號(hào)分析3種信號(hào)處理方法對(duì)定子電流信號(hào)進(jìn)行分析并計(jì)算統(tǒng)計(jì)特征量，之后利用Relief特征選擇算法提取有效特征并實(shí)現(xiàn)特征空間降維，最后利用自組織映射神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障可視化診斷和分類。針對(duì)MCSA方法在電機(jī)低轉(zhuǎn)差率情況下診斷精度較差的問題，許伯強(qiáng)等人通過理論推導(dǎo)，得出電機(jī)瞬時(shí)無功功率信號(hào)與電機(jī)轉(zhuǎn)子斷條數(shù)量對(duì)應(yīng)關(guān)系，從而在低轉(zhuǎn)差率情況下消除基頻分量對(duì)邊頻分量影響，判斷轉(zhuǎn)子斷條數(shù)量[20]。

4 異步電動(dòng)機(jī)故障診斷技術(shù)研究展望

目前，依托單一信號(hào)源的異步電機(jī)故障診斷技術(shù)仍占主要地位，但多數(shù)故障診斷技術(shù)普適性不強(qiáng)，且易受多種因素影響。隨著數(shù)據(jù)驅(qū)動(dòng)技術(shù)的深入發(fā)展，結(jié)合現(xiàn)有技術(shù)研究，未來可深入研究的方向包括以下幾點(diǎn)：

4.1 充分利用數(shù)據(jù)融合與數(shù)據(jù)挖掘技術(shù)

單一信號(hào)故障特征提取分析易受到各種環(huán)境因素影響，且在不同工況下模型提取的敏感性受到限制，其可信度和準(zhǔn)確度易受到質(zhì)疑。通過數(shù)據(jù)融合技術(shù)將多種信號(hào)提取的故障特征進(jìn)行匯總、融合，綜合分析，能夠有效避免故障誤判，現(xiàn)階段數(shù)據(jù)融合技術(shù)在電機(jī)故障診斷領(lǐng)域的應(yīng)用，多為兩種信號(hào)的綜合分析，如何開發(fā)更多的有效信號(hào)故障特征提取，并將其統(tǒng)一融合應(yīng)用于故障診斷需要進(jìn)一步研究。電機(jī)在工作中會(huì)產(chǎn)生大量的信號(hào)數(shù)據(jù)，故障診斷需要在海量的數(shù)據(jù)中提取出能夠有效判斷電機(jī)故障的特征量，龐大的數(shù)據(jù)量和有限的數(shù)據(jù)傳輸效率都增大了故障診斷難度，將數(shù)據(jù)挖掘技術(shù)應(yīng)用到電機(jī)故障診斷中，從數(shù)據(jù)庫中挖掘出有效知識(shí)，提取并驗(yàn)證故障診斷規(guī)則，提高故障診斷效率。這些都需要研究探索。

4.2 提高故障診斷模型普適性

目前多數(shù)故障診斷技術(shù)的提出僅適用于一型電機(jī)或一類故障，很難將其進(jìn)行推廣應(yīng)用，如支持向量機(jī)作為模式識(shí)別領(lǐng)域的一種有效分類方法，大量研究表明其在故障診斷領(lǐng)域具有很好的應(yīng)用價(jià)值，但當(dāng)其應(yīng)用于不同類型故障診斷時(shí)，往往需要結(jié)合不同的信號(hào)預(yù)處理和故障特征提取方法，沒有哪種方法能夠?qū)?shù)種故障類型同時(shí)進(jìn)行分類。這一問題需要進(jìn)一步研究解決。

4.3 復(fù)雜運(yùn)行環(huán)境下的故障診斷

目前電機(jī)故障診斷，多數(shù)處在良好環(huán)境、穩(wěn)定工況下，且故障單一。但電機(jī)實(shí)際往往運(yùn)行于復(fù)雜環(huán)境中，現(xiàn)場(chǎng)采集數(shù)據(jù)噪聲大，環(huán)境條件、平臺(tái)振動(dòng)、外界干擾、工況變化均可能導(dǎo)致診斷誤報(bào)。例如，環(huán)境會(huì)對(duì)電機(jī)絕緣材料性質(zhì)產(chǎn)生影響[12]；電機(jī)自身不對(duì)稱、供電不平衡等因素將弱化其輕載運(yùn)行時(shí)的故障特征；電機(jī)多種故障間可能存在相互影響等。通過何種方法能夠有效消除、抑制各類因素對(duì)故障診斷的干擾，以及各種故障之間是否存在相互干擾等都是值得繼續(xù)深入探索的問題。

5 結(jié)語

本文綜合闡述了艦船異步電動(dòng)機(jī)故障類別及診斷技術(shù)現(xiàn)狀，針對(duì)當(dāng)前研究中存在的問題與不足，結(jié)合診斷技術(shù)發(fā)展趨勢(shì)進(jìn)行了分析與展望。隨著數(shù)據(jù)采集技術(shù)的不斷進(jìn)步，必須緊跟數(shù)據(jù)時(shí)代發(fā)展，充分將數(shù)據(jù)融合、挖掘技術(shù)與傳統(tǒng)診斷技術(shù)相結(jié)合，促進(jìn)艦船異步電動(dòng)機(jī)故障診斷技術(shù)研究進(jìn)一步完善提高。

[1] 丁石川, 厲雪衣, 杭俊等.深度學(xué)習(xí)理論及其在電機(jī)故障診斷中的研究現(xiàn)狀與展望[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(8): 172-187.

[2] 葛興來, 鄒丹. 多層降噪技術(shù)及Hilbert變換的軸承故障診斷方法[J].電機(jī)與控制學(xué)報(bào), 2020, 24(8):9-17.

[3] 陳宗祥, 陳明星, 焦民勝等.基于改進(jìn)EMD和雙譜分析的電機(jī)軸承故障故障診斷實(shí)現(xiàn)[J]. 電機(jī)與控制學(xué)報(bào), 2018, 22(5): 78-83.

[4] 宿文才, 張樹團(tuán), 賀英政. 基于ESMD和快速譜峭度的電機(jī)軸承故障診斷[J].微電機(jī), 2019, 52(1):6-10.

[5] 許愛華, 杜洋, 袁濤.基于深度學(xué)習(xí)的電機(jī)軸承故障診斷研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2020(3): 45-48.

[6] 杜堅(jiān), 胡潔, 仇芝.基于改進(jìn)粒子群相關(guān)向量機(jī)電機(jī)軸承故障診斷[J]. 應(yīng)用力學(xué)學(xué)報(bào), 2019, 36(4): 779-784.

[7] 王冬梅, 車一鳴, 宋慧欣. 基于多尺度基本熵和參數(shù)優(yōu)化KELM的電機(jī)軸承故障診斷[J]. 組合機(jī)床與自動(dòng)加工技術(shù), 2018, 4: 139-144.

[8] 楊曉珍, 周繼續(xù), 鄧舉明. 基于改進(jìn)貝葉斯分類的電機(jī)軸承故障診斷系統(tǒng)研究[J]. 機(jī)床與液壓， 2020, 48(20): 172-175．

[9] Juan-Jose S D, Israel Z R, Jonathan C O, et al. Condition monitoring method for the detection of fault graduality in outer race bearing based on vibration-current fusion, statistical features and neural network[J]. Applied Sciences, 2021, 11(17): 8033-8051.

[10] 薛征宇, 鄭新潮, 邱翔等. 基于支持向量機(jī)的船舶感應(yīng)電機(jī)軸承故障在線診斷方法[J]. 船海工程, 2020, 49(5): 1-9.

[11] 宋向金, 王卓, 胡靜濤等. Hilbert解調(diào)制方法診斷異步電機(jī)軸承故障[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(21): 4941-4948.

[12] 鄭大勇, 張品佳. 交流電機(jī)定子絕緣故障診斷與在線檢測(cè)技術(shù)綜述[J]. 中國電機(jī)工程學(xué)報(bào), 2019,39(2): 395-406.

[13] 羅昊. 基于擴(kuò)展Park's矢量法的異步電機(jī)定子繞組匝間短路故障診斷技術(shù)研究[J]. 電氣工程與自動(dòng)化, 2020, 33: 16-17.

[14] Maciej S, Marcin W, Teresa O K, et al. Application of self-organizing neural networks to electrical fault classification in induction motors[J]. Applied Sciences, 2019, 9(4): 616-637.

[15] 王棟悅, 谷懷廣, 魏書榮等. 基于機(jī)電信號(hào)融合的DFIG定子繞組匝間短路故障診斷[J]. 電力系統(tǒng)自動(dòng)化, 2020, 44(9): 171-178.

[16] 王劍英, 董唯光, 高鋒陽等. 基于SPIN算法的異步電機(jī)轉(zhuǎn)子斷條故障信號(hào)分離[J]. 蘭州交通大學(xué)學(xué)報(bào), 2018, 37(5): 57-61.

[17] 林志芳. 基于旋轉(zhuǎn)濾波-矩陣束的異步電機(jī)轉(zhuǎn)子斷條故障診斷[J]. 電機(jī)與控制應(yīng)用, 2019, 46(4): 110-114.

[18] 劉志堅(jiān), 李德路, 吳瑋. 基于MUSIC與SVRM的感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子斷條故障檢測(cè)[J]. 微特電機(jī), 2018, 46(12): 30-37.

[19] Haroun S，Seghir A N，Touati S. Self-Organizing Map and feature selection for of IM broken rotor bars faults detection and diagnosis[C]. 2018 International Conference on Electrical Sciences and Technologies in Maghreb(CISTEM). IEEE, 2018:1-6.

[20] 許伯強(qiáng), 孫麗玲. 基于MIRPSA的感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子斷條數(shù)目診斷判據(jù)[J]. 電力自動(dòng)化設(shè)備, 2019, 39(3): 132-136.

Overview of faults and diagnosis technology of marine asynchronous motors

Liu Wen, Zhou Zhiyong, Cai Wei

（Navy Submarine Academy, Qingdao 266000, China）

TM343

A

1003-4862（2022）08-0048-05

2022-04-14

劉文（1991-），男，碩士研究生。研究方向：艦船動(dòng)力裝置管理與保障。E-mail: 546375921@qq.com