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)子故障嚴重程度明顯相關(guān)，因此，可據(jù)此判斷故障嚴重與否。

2.2 異步電機起動過程的轉(zhuǎn)子故障診斷方法

當電機穩(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)橹绷鞣至俊Ｍㄟ^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，當轉(zhuǎn)子故障程度較輕時，如何在改變的外界環(huán)境下準確地提取轉(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.