趙慧敏，房才華，徐智超，聶冰

(1.大連交通大學(xué) 軟件學(xué)院，遼寧 大連 116028;2.大連科技學(xué)院 ，遼寧 大連 116052)*

0 引言

交流電機(jī)具有結(jié)構(gòu)簡單、性能良好、使用維護(hù)方便等特點(diǎn)，被廣泛地應(yīng)用于工業(yè)、國防等領(lǐng)域.由于交流電機(jī)在應(yīng)用中受到頻繁啟動、負(fù)載波動、工作環(huán)境惡劣等因素的影響，因此電機(jī)在壽命周期內(nèi)發(fā)生故障是難以避免的.為了避免電機(jī)失效、保障安全生產(chǎn)、防止因電機(jī)故障造成的經(jīng)濟(jì)損失及發(fā)生事故災(zāi)難，對電機(jī)進(jìn)行故障診斷具有重要的意義，因此一直受到各相關(guān)領(lǐng)域的重視［1］.隨著科學(xué)技術(shù)的不斷進(jìn)步，新的信號處理方法的出現(xiàn)也促進(jìn)了電機(jī)故障診斷與新技術(shù)的發(fā)展.

目前，有許多交流電機(jī)故障診斷方面的研究成果［2-5］.小波包分解后子頻段的頻率分析范圍能覆蓋一定的頻率段，通過選擇采樣頻率和分解的層數(shù)，可使子頻段的頻率分析范圍覆蓋某個特征頻率，因此引起了許多研究者的興趣.文獻(xiàn)［6］提出了基于小波包分析的電機(jī)故障振聲診斷方法，文獻(xiàn)［7］提出了基于小波包分解的振動信號頻帶能量的特征向量提取方法，用于精密離心機(jī)的故障特征提取，文獻(xiàn)［8］提出了基于小波包分解的定子故障特征提取方法，這些文獻(xiàn)均不同程度地提高了交流電機(jī)故障診斷的可靠性.

本文針對交流電機(jī)故障診斷中的特征提取方法進(jìn)行研究，提出了一種能夠?qū)崿F(xiàn)混合振動源的分離、特征頻帶選擇和特征強(qiáng)化的電機(jī)故障診斷中的特征提取新方法.

1 特征提取與強(qiáng)化方法總體流程

圖1為本文所提出方法的具體實(shí)現(xiàn)流程，包括以下步驟:

(1)通過布置在電機(jī)各處的振動加速度傳感器采集多處的振動加速度信號;

(2)對振動加速度信號進(jìn)行數(shù)據(jù)預(yù)處理;

(3)采用盲源分離方法對預(yù)處理后的振動加速度信號進(jìn)行振源分離，得到分離后的振動加速度信號;

(7)將RE2輸入交流電機(jī)故障診斷模型進(jìn)行故障診斷.

圖1 特征提取與強(qiáng)化模型結(jié)構(gòu)

2 交流電機(jī)振動信號的盲源分離

盲源分離(Blind source separation)是盲信號源分離的簡稱，它是指從若干觀測到的混合信號中恢復(fù)出無法直接觀測到的原始信號的一種方法［9］.通常，觀測信號來自于一組傳感器的輸出，而每一個傳感器所接收到的信號是多個原始信號的混合.下面給出盲源分離問題的基本描述.

設(shè) x(t)= ［x1(t)，x2(t)，…，xm(t)］T是由m個傳感器采集且經(jīng)過預(yù)處理的m個觀測信號，s(t)=［s1(t)，s2(t)，…，sn(t)］T是產(chǎn)生觀測信號的n個相互統(tǒng)計(jì)獨(dú)立的源信號，且觀測信號是源信號經(jīng)過線性混合而產(chǎn)生的，可用式(1)表示x(t)和s(t)的關(guān)系:

式中，A∈Rm×n是元素為aji的混合矩陣.

盲源分離的目的就是尋找一個分離矩陣W，用于對x(t)進(jìn)行線性變換，得到

如果yj(t)之間相關(guān)性比較小，即在一定程度上保持獨(dú)立，則y(t)是源信號s(t)的一個估計(jì).

y(t)與源信號s(t)相比存在不確定性，也就是y(t)的幅值和排序是不確定的.但在實(shí)際應(yīng)用中，只要保持波形不變，這兩個不確定性是可以接受的［10］.

本文采用快速獨(dú)立成分分析方法對數(shù)據(jù)預(yù)處理后的4路振動加速度信號進(jìn)行振源分離，分離過程包括以下步驟:

Step1:對振動加速度信號進(jìn)行去均值處理;

Step2:對去均值后的信號做去相關(guān)處理;

Step3:對去相關(guān)后的振動加速度信號進(jìn)行獨(dú)立振動源的分離，得到分離后的振動數(shù)據(jù).

以1.5 kW流電機(jī)為例，采集在某一轉(zhuǎn)速下的4路振動加速度信號，在去噪后使用盲源分離方法進(jìn)行混疊振動源的分離.分離前后部分頻段的功率譜對比圖如圖2和圖3所示.

圖2 分離前振動信號的功率譜圖

圖2為4路傳感器采集的振動數(shù)據(jù)(數(shù)據(jù)經(jīng)過預(yù)處理)的功率譜圖，圖3為對圖2的4路振動數(shù)據(jù)進(jìn)行盲源分離之后的功率譜圖，對比圖2和圖3，可以看到，頻率為15 Hz、25 Hz被清晰地被分離出來.因此使用分離后的數(shù)據(jù)進(jìn)行特征提取將降低信號的復(fù)雜度，提高故障診斷正確率和有效性.

圖3 分離后振動信號的功率譜圖

3 基于小波包分析的特征提取及化簡

從信號濾波的角度理解，小波包分解將待分析信號通過一個高通濾波器和一個低通濾波器進(jìn)行濾波，得到一組低頻信號和一組高頻信號，并且對高頻信號和低頻信號分別分解.隨著分解層數(shù)的增加，小波包分解對信號的高頻成分和低頻成分的分解都可達(dá)到很精細(xì)的程度，從而可以得到信號在某些頻段內(nèi)的特征信息.可以把小波包分解看成是一個首尾相接的恒帶寬濾波器組，小波包分解的結(jié)果使得信號的能量被分到一系列正交的頻帶上.

因此采用小波包分解方法將經(jīng)過盲源分離后的振動信號進(jìn)行三層分解，得到8個正交的恒帶寬子頻帶，然后計(jì)算每個頻帶的能量相對于總能量的比值，得到由8個大于0小于1的數(shù)值構(gòu)成的能量比向量.

由于對于變頻器控制的交流電機(jī)來說，高頻段的信號多為電磁干擾，有用的信號多集中在低頻段，實(shí)際計(jì)算出來的高頻段信號的能量比也很小，因此可以去掉對高頻段的能量比向量，以達(dá)到減少模型輸入，簡化模型結(jié)構(gòu)的目的.

特征分解及化簡的具體步驟為:

Step2:計(jì)算每個子頻帶內(nèi)信號的能量Ei(i=1，…，8)及信號的總能量E;

這里頻帶范圍的上界n為采樣頻率的1/2.

4 特征強(qiáng)化

實(shí)際應(yīng)用中，發(fā)現(xiàn)直接使用小波包進(jìn)行特征提取之后得到的能量比向量進(jìn)行故障診斷時，診斷的效果不好，即不能有效地識別電機(jī)的故障特征或進(jìn)行故障預(yù)測，經(jīng)研究發(fā)現(xiàn)經(jīng)小波包分解后的得到的能量比向量，其特征區(qū)分度不夠，這是由于在故障早期，故障的特征并不明顯，或者不同故障的能量比表現(xiàn)出相似的特征.因此本文在特征提取之后又增加了特征強(qiáng)化的處理環(huán)節(jié)，經(jīng)特征強(qiáng)化處理后訓(xùn)練出來的模型能夠有效地識別故障狀態(tài)并進(jìn)行故障預(yù)測.

對簡化后的能量比向量RE1進(jìn)行特征強(qiáng)化，步驟如下:

Step1:采集同類型無故障電機(jī)10組振動加速度數(shù)據(jù)，經(jīng)前述步驟處理后，得到簡化后的能量比向量組，用來表示，RE(j)1可以表示為一個維數(shù)為10×4的矩陣，記為 ARE1= ［ei，j］10×4;

Step2:對矩陣 ARE1= ［ei，j］10×4的每一列求均值，得到向量

將特征強(qiáng)化后的能量比向量RE2輸入交流電機(jī)故障診斷模型進(jìn)行故障診斷.

圖4(a)是使用小波包分解之后未經(jīng)特征強(qiáng)化的能量比向量送入故障診斷網(wǎng)絡(luò)，進(jìn)行故障診斷訓(xùn)練的效果圖，從圖中可以看出該診斷模型并不能有效區(qū)分故障狀態(tài)和無故障狀態(tài);圖4(b)是將特征強(qiáng)化后的能量比向量送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練的結(jié)果，可以發(fā)現(xiàn)此網(wǎng)絡(luò)能有效區(qū)分兩種狀態(tài)，即序號1～6為故障狀態(tài)，7～12為無故障狀態(tài).

圖4 特征分解、強(qiáng)化后故障診斷效果

5 結(jié)論

故障信號的特征提取是進(jìn)行故障診斷的基礎(chǔ)，特征提取的質(zhì)量好壞決定了其后進(jìn)行故障診斷的準(zhǔn)確率和正確性.本文采用盲源分離方法首先對交流電機(jī)振動加速度信號進(jìn)行混合振動源的分離，之后對分離后的信號進(jìn)行小波包分解進(jìn)行特征提取，并進(jìn)行了特征頻帶的化簡及進(jìn)行了特征強(qiáng)化，最終得到的能量比向量即為故障診斷模型的輸入.與常用的特征提取方法相比，增加了混合振動源的分離、特征頻帶化簡及特征提取環(huán)節(jié).使用本文所提出的方法得到的特征向量進(jìn)行故障診斷的結(jié)果表明，本文提出的方法是有效的.本文為交流電機(jī)故障診斷中的特征提取提供了新的思路和方法.

［1］邱阿瑞，孫健.電機(jī)故障模式識別與診斷［J］.清華大學(xué)學(xué)報(自然科學(xué)版)，1999，39(3):72-74.

［2］劉振興，尉宇，趙敏，等.基于RELAX頻譜分析方法的鼠籠式異步電動機(jī)轉(zhuǎn)子故障診斷［J］.中國電機(jī)工程學(xué)報，2006，26(22):146-150.

［3］張雄希，劉振興.共振解調(diào)與小波降噪在電機(jī)故障診斷中的應(yīng)用［J］.電機(jī)與控制學(xué)報，2010，14(6):66-70.

［4］董濤，程培源，樊波，等.基于單相功率頻譜分析的感應(yīng)電機(jī)故障診斷［J］.大電機(jī)技術(shù)，2011，2:20-22.

［5］朱偉，李東辰，閆琪嬌，等.基于支持向量機(jī)的電機(jī)故障預(yù)測研究［J］.煤礦機(jī)械，2011，32(3):253-254.

［6］邱赤東，薛征宇，邵萍波，等.基于小波包變換的電機(jī)定子故障特征提取方法［J］.電力系統(tǒng)保護(hù)與控制，2010，38(22):52 －57.

［7］呂鋒，孫楊，文成林，等.基于小波分析的電機(jī)故障振聲診斷方法［J］.電機(jī)與控制學(xué)報，2004，8(4):322-326.

［8］于志偉，蘇寶庫，曾鳴.小波包分析技術(shù)在大型電機(jī)轉(zhuǎn)子故障診斷系統(tǒng)中的應(yīng)用［J］.中國電機(jī)工程學(xué)報，2005，25(22):158-162.

［9］劉琚，何振亞.盲源分離和盲反卷積［J］.電子學(xué)報，2002，30(4):570-576.

［10］Com on P.Independent component analysis，a new concept［J］.Signal Processing，1994，36(3):287-314.