張正勇，茍旭丹，嚴(yán)居斌，陳健飛，張玉鴻(.國網(wǎng)四川省電力公司經(jīng)濟(jì)技術(shù)研究院，四川 成都　6004; 2.成都城電電力工程設(shè)計(jì)有限公司，四川 成都　6004)

0　引　言

異步電動機(jī)轉(zhuǎn)子斷條故障在常見電機(jī)故障中占有較高的比例，其將導(dǎo)致電動機(jī)運(yùn)行性能下降，嚴(yán)重時(shí)電機(jī)會因此無法驅(qū)動負(fù)載而出現(xiàn)堵轉(zhuǎn)、停轉(zhuǎn)，甚至燒壞電機(jī)，威脅工業(yè)生產(chǎn)的可靠性和安全性，同時(shí)增加生產(chǎn)成本[1]。因此對該故障及早進(jìn)行檢測頗為重要。

研究表明，定子電流中包含電機(jī)的故障特征，因而通過提取定子電流故障特征可以準(zhǔn)確地檢測電機(jī)故障[2]。當(dāng)電機(jī)發(fā)生轉(zhuǎn)子斷條故障時(shí)定子電流中便會出現(xiàn)(1+2s)f1頻率分量(f1為供電頻率，即定子電流基頻分量，s為轉(zhuǎn)差率)時(shí)，因此可以以該邊頻分量作為斷條故障的特征向量[3]。

在眾多電機(jī)故障診斷方法中，F(xiàn)FT是最常用的電流特性分析方法，可是直接基于定子電流的FFT方法也存在諸多缺陷。尤其是當(dāng)電機(jī)負(fù)載比較小時(shí)，轉(zhuǎn)差率s非常低，邊頻分量(1+2s)f1極其接近基頻f1，同時(shí)邊頻分量的幅值較基頻很小且由于噪聲干擾，這就導(dǎo)致邊頻分量極易被淹沒，此時(shí)基于FFT的定子電流特征分量提取方法的精確度表現(xiàn)比較遜色[4]。

從而，文獻(xiàn)[5]使用混合骨干微粒群優(yōu)化算法獲得基波參數(shù)后構(gòu)造出基波表達(dá)式，并將其從原始信號中剔除，以突出故障特征頻率成分，但此方法過程繁瑣，計(jì)算量大；文獻(xiàn)[6]采用PARK矢量變換把基波成分轉(zhuǎn)換成直流信號從而使故障特征更加明顯，但該方法需要同時(shí)采集定子三相電流，增加了硬件和軟件的費(fèi)用。

文獻(xiàn)[7-10]引入MUSIC算法提高了頻率分辨率，同時(shí)對于短時(shí)采樣信號也具有良好的性能。因此本文將Hilbert模量與MUSIC相結(jié)合用于異步電動機(jī)轉(zhuǎn)子斷條故障檢測，既可以消除工頻分量的影響，提高檢測精度，又可以縮短采樣時(shí)間，提高檢測及時(shí)性。

1　Hilbert量模

將給定信號x(t)經(jīng)過Hilbert變換就可以得到以下表達(dá)式[11]：

(1)

(2)

將信號進(jìn)行Hilbert變換，正頻率做-90°移相，負(fù)頻率做+90°移相，而幅值不變化。

當(dāng)異步電動機(jī)轉(zhuǎn)子發(fā)生斷條故障時(shí)，定子電流中會出現(xiàn)邊頻分量fb=(1±2ks)f1(為簡化起見，令k=1)，故定子一相的電流便可以用下列形式表達(dá)[12]：

i=Ifcos(ωt-α)+Idlcos[(1-2s)ωt-βl]+
Idrcos[(1+2s)ωt-βr]

(3)

式中：If、α為基波電流f1的幅值、初相位；Idl、βl為左邊頻分量(1-2s)f1的幅值、初相位；Idr、βr為右邊頻分量(1+2s)f1的幅值、初相位。

將式(3)進(jìn)行Hilbert變換，得到式(4)：

(4)

則Hilbert模量為：

(5)

由式(5)可以看出，轉(zhuǎn)子斷條時(shí)Hilbert模量的主要成分為直流、2sf1、4sf1。因?yàn)樵ㄗ与娏髦谢l分量變?yōu)橹绷鞣至?，降低了其對特征分量的影響，故?sf1、4sf1分量作為感應(yīng)電機(jī)轉(zhuǎn)子斷條故障診斷的特征分量是可行的。此方法由于只需要采集一相定子即可，相比Park矢量方法在軟硬件成本上大幅度減少。

2　MUSIC

MUSIC是一種基于矩陣特征值分解的方法，其原理如下。

采樣信號x(n)用p個(gè)諧波分量的組合表示：

(6)

式中：p、N分別為諧波個(gè)數(shù)和采樣點(diǎn)數(shù)；fi、Ai、φi則表示第i個(gè)諧波的頻率、幅值、初相角；w(n)為零均值、方差為σ2的白噪聲。

引入一個(gè)m×N階矩陣(一般取m=3N/4以保證m≥p)。

X(n)=[x(n)x(n+1) …x(n+m-1)]H

(7)

則X(n)的自相關(guān)矩陣為:

RXX=E{X(n)XH(n)}

(8)

式中:H表示共軛轉(zhuǎn)置;E表示數(shù)學(xué)期望。

MUSIC算法的步驟如下：

步驟1：構(gòu)造相關(guān)矩陣RXX并將其進(jìn)行特征值分解。

步驟2：將步驟1中的特征值按降序排列，同時(shí)定前p個(gè)為主特征值，后m-p個(gè)為次特征值σ2，然后求出所有特征值對應(yīng)的特征向量vi(i=1,2,3,…,m)。

步驟3：構(gòu)造譜估計(jì)表達(dá)式：

(9)

式中:s(fi)=[1ej2πfi…ej2π(N-1)fi]H。

步驟4：取fi=Δf，計(jì)算P(fi)。Δf即為頻率分辨率，本文取值為0.001 Hz。

步驟5：根據(jù)計(jì)算結(jié)果搜索出最大的p個(gè)峰值所對應(yīng)的頻率f1，f2，…fp即為所求。

3　轉(zhuǎn)子斷條故障仿真

采用式(4)模擬異步電動機(jī)轉(zhuǎn)子斷條時(shí)定子電流信號：

is=A1cos(2πf1t+φ1)+A2cos[2π(1-2s)f1t+φ2]+
A3cos[2π(1+2s)f1t+φ3]+e(t)

(10)

式中:e(t)為模擬電機(jī)運(yùn)行過程中的噪聲。

模擬信號的各個(gè)參數(shù)賦值如表1所示。

表1　仿真參數(shù)賦值

以采樣頻率為fs=5 000 Hz，轉(zhuǎn)差率s=0.018，采樣時(shí)間t=1.5 s對仿真信號進(jìn)行仿真。Hilbert模量及故障特征信號頻譜如圖1所示。

圖1　仿真結(jié)果(s=0.018)

由仿真結(jié)果可以分析得出：Hilbert模量可以濾除定子電流信號中的基頻信號，同時(shí)降低噪聲干擾，MUSIC可以準(zhǔn)確檢測出電機(jī)斷條故障特征頻率。文中所提方法可用于異步電動機(jī)轉(zhuǎn)子斷條故障檢測。

4　試驗(yàn)驗(yàn)證

試驗(yàn)采用的電機(jī)型號為Y132M-4型感應(yīng)電機(jī)，其技術(shù)參數(shù)如表2所示。

表2　試驗(yàn)電機(jī)主要技術(shù)參數(shù)

通過在電機(jī)導(dǎo)條距端環(huán)10 mm處打鉆孔的方式模擬工程實(shí)際中的斷條故障，其中一個(gè)轉(zhuǎn)子只有一根導(dǎo)條有鉆孔，如圖2所示(一根斷條)，另一個(gè)轉(zhuǎn)子連續(xù)兩根導(dǎo)條有鉆孔，如圖3所示(兩根斷條)，同時(shí)以一臺磁粉制動器作為負(fù)載。通過調(diào)節(jié)與磁粉制動器配套的張力控制器的輸出電流改變負(fù)載大小。轉(zhuǎn)子一根斷條時(shí)轉(zhuǎn)差率s=0.03，轉(zhuǎn)子兩根斷條時(shí)轉(zhuǎn)差率s=0.04。

圖2　試驗(yàn)結(jié)果(一根斷條)

圖3　試驗(yàn)結(jié)果(兩根斷條)

由試驗(yàn)結(jié)果可知，經(jīng)過Hilbert模量變換之后的定子電流可以有效剔除基頻分量的干擾，凸顯特征分量，便于故障辨識。而借助MUSIC算法的高分辨率性能提高了故障特征頻率提取能力，同時(shí)由于其需要采集的數(shù)據(jù)少，大大減少了計(jì)算量，提高了運(yùn)算速度，為異步電機(jī)轉(zhuǎn)子斷條故障在線檢測與診斷提供可能。

由于采用MUSIC算法進(jìn)行頻率估計(jì)時(shí)可能產(chǎn)生虛假頻率，故采用轉(zhuǎn)子齒槽諧波轉(zhuǎn)差率估計(jì)技術(shù)解決MUSIC可能產(chǎn)生虛假頻率的問題。首先通過包含于定子電流中的齒槽諧波分量確定轉(zhuǎn)差率s，進(jìn)而便可以確定特征頻率2sf1、4sf1的大小。

5　結(jié)束語

通過將Hilbert模量與MUSIC算法相結(jié)合的感應(yīng)電機(jī)轉(zhuǎn)子斷條故障檢測方法用于仿真模擬和實(shí)際試驗(yàn)，可以得出以下結(jié)論：

(1)經(jīng)過Hilbert模量變換的定子電流可以有效轉(zhuǎn)工頻量為直流量，從而避免工頻量對特征量的干擾；

(2)MUSIC算法需要數(shù)據(jù)量小，計(jì)算速度快，頻率分辨率高，可以快速有效檢測出特征頻率大?。?/p>

(3)Hilbert模量與MUSIC相結(jié)合的故障檢測方法不能反應(yīng)故障特征頻率的幅值大小，因而無法準(zhǔn)確反應(yīng)電機(jī)斷條故障嚴(yán)重程度，亟需要進(jìn)一步予以解決；

(4)通過仿真與試驗(yàn)得出Hilbert模量與MUSIC相結(jié)合的故障檢測方法用于感應(yīng)電機(jī)轉(zhuǎn)子斷條故障檢測是行之有效的。

參考文獻(xiàn)：

[ 1 ] 劉振興, 尹項(xiàng)根, 張哲, 等. 基于瞬時(shí)功率信號頻譜分析的鼠籠式異步電動機(jī)轉(zhuǎn)子故障在線診斷方法[J]. 中國電機(jī)工程學(xué)報(bào), 2003,23(10):148-152.

[ 2 ] DELEROI W. Broken bar in a squirrel-cage rotor of an induction motor[J]. Archive for Electrical Engineering, 1984,67(3):141-149.

[ 3 ] 張建文. 電氣設(shè)備故障診斷技術(shù)[M]. 北京:中國水利水電出版社, 2006.

[ 4 ] 史麗萍, 王攀攀, 胡泳軍, 等. 基于骨干微粒群算法和支持向量機(jī)的電機(jī)轉(zhuǎn)子斷條故障診斷[J]. 電工技術(shù)學(xué)報(bào), 2014，14(1)：147-155.

[ 5 ] 王攀攀, 史麗萍, 張勇, 等. 采用一種混合骨干微粒群優(yōu)化算法的感應(yīng)電機(jī)轉(zhuǎn)子斷條故障診斷[J]. 中國電機(jī)工程學(xué)報(bào), 2012,32(30):73-81.

[ 6 ] 邵英. 采用Park變換感應(yīng)電機(jī)轉(zhuǎn)子復(fù)合故障檢測[J]. 電機(jī)與控制學(xué)報(bào), 2010,14(3):57-61.

[ 7 ] 朱天敬, 許伯強(qiáng). MUSIC和Prony在電動機(jī)斷條故障檢測中的應(yīng)用[J]. 電力系統(tǒng)及其自動化學(xué)報(bào), 2015,27(1):54-59.

[ 8 ] 孫麗玲, 許伯強(qiáng), 李志遠(yuǎn). 基于MUSIC與SAA的籠型異步電動機(jī)轉(zhuǎn)子斷條故障檢測[J]. 電工技術(shù)學(xué)報(bào), 2012,12(27):205-212.

[ 9 ] 許伯強(qiáng), 孫麗玲, 李和明. 基于多重信號分類與模式搜索算法的籠型異步電動機(jī)轉(zhuǎn)子斷條故障檢測新方法[J]. 中國電機(jī)工程學(xué)報(bào), 2012,32(9):93-99.

[10] 許伯強(qiáng), 孫麗玲, 李和明. 基于高頻率分辨力譜估計(jì)技術(shù)與優(yōu)化算法的異步電動機(jī)轉(zhuǎn)子故障檢測新方法[J]. 中國電機(jī)工程學(xué)報(bào), 2013,33(3):140-147.

[11] 趙淑青, 鄭薇. 隨機(jī)信號分析[M]. 北京:電子工業(yè)出版社, 2011.

[12] 張賢達(dá). 現(xiàn)代信號處理[M].2版. 北京:清華大學(xué)出版社, 2002.