劉 文，周智勇，蔡 巍

艦船異步電動機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）

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

異步電動機 軸承故障 定子繞組匝間短路 轉(zhuǎn)子斷條 故障診斷

0 引言

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

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

1 電機軸承故障及其診斷技術(shù)

1.1 電機軸承故障

在電機的主要構(gòu)成部件中，軸承起到固定、支撐等作用，對電機長期穩(wěn)定運轉(zhuǎn)起到重要作用。因長期承受高強壓力和較高溫度，電機軸承極易發(fā)生故障。在電機所有故障類型中，軸承故障占比達40%以上，屬于電機最主要的故障類型[2]。在軸承故障中，可根據(jù)故障部位與種類進行細分，如按照部位分類，可分為內(nèi)圈故障、外圈故障和滾動體損傷等；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 電機軸承故障診斷技術(shù)

電機軸承故障診斷通常以電機工作時的電流、溫度、振動信號等為分析對象，表1中對部分電機軸承故障診斷技術(shù)進行了歸納。

表1 電機軸承故障診斷技術(shù)

基于振動信號分析的方法是目前電機軸承故障診斷領(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，大致包含兩項主要內(nèi)容。

一是信號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?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)[3]等。如文獻[3]通過小波包分解和方差貢獻率檢驗對經(jīng)驗?zāi)B(tài)分解(EMD)方法進行改進，結(jié)合雙譜分析，提取調(diào)制在高頻信號中的故障特征頻率，實現(xiàn)電機軸承故障診斷；文獻[4]將極點對稱模態(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，即模式識別，包括支持向量機(Support Vector Machine, SVM）、相關(guān)向量機(Relevant Vector Machine, RVM)、核極限學(xué)習(xí)機(Kernel Extreme Learning Machine, KELM)、隨機森林算法等。文獻[5]提出基于深度學(xué)習(xí)的電機軸承故障診斷方法，無需對振動信號原始數(shù)據(jù)進行預(yù)處理，將原始振動數(shù)據(jù)直接輸入CNN網(wǎng)絡(luò)，通過卷積神經(jīng)網(wǎng)絡(luò)對原始振動信號特征頻率進行有效提取，并通過softmax分類器對輸出結(jié)果分類。文獻[6]采用改進的粒子群優(yōu)化算法對相關(guān)向量機的核函數(shù)參數(shù)進行優(yōu)化，提高了相關(guān)向量機的分類準(zhǔn)確率。使用單一的技術(shù)方法進行故障診斷，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[7]利用多尺度基本熵(Multiscale Base-scale Entropy, MBSE)算法對原始振動信號進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進行故障分類識別，分類精度得到有效提高。文獻[8]通過融合小波包分析和貝葉斯分類法進行故障分類診斷，較BP神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機具有更好的準(zhǔn)確率，且診斷速度更快。文獻[9]提出將特征選取技術(shù)與人工智能相結(jié)合，通過對多種信號所包含的信息進行融合以實現(xiàn)不同故障程度下的軸承外滾道故障分類與檢測。

除了基于電機振動信號的電機軸承故障診斷方法，近年來基于定子電流的信號分析方法也逐漸成為國內(nèi)外專家研究的熱點。文獻[10]提出利用WELCH分析法對定子電流信號進行分析處理，提取峰度、偏度等參數(shù)作為支持向量機的特征向量，利用交叉驗證法對支持向量機進行參數(shù)尋優(yōu)，輸出故障類別。但經(jīng)典的電機電流信號特征分析是基于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)強噪聲的影響，在電機低負(fù)載運行時難以通過此方法對軸承故障進行準(zhǔn)確判斷[11]。

2 電機定子故障及其診斷技術(shù)

2.1 電機定子故障

在電機故障中，定子故障占比在30%以上，包括電機繞組短路故障、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，因此對電機定子繞組匝間短路故障的早期診斷就顯得尤為重要。

2.2 電機定子匝間短路故障診斷技術(shù)

電機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對其中部分方法進行了歸納。

表2 電機定子匝間短路故障診斷技術(shù)

一是基于信號分析的故障診斷[12]。目前電機電流信號分析方法(Motor Current Signal Analysis, MCSA)是一種主流信號分析方法，通過多種信號處理方法提取故障特征值實現(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[13]建立異步電機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變換到兩相靜止αβ0坐標(biāo)系下，對Park矢量模進行譜分析，利用二倍頻分量與直流分量的比值判斷電機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，定子電流中也會產(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)對定子電流進行處理的方法，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，以此排除其對于定子匝間短路故障檢測的影響，通過仿真和實驗，驗證了所提方法的有效性。

二是基于人工智能的故障診斷。此方法常與信號分析的方法進行結(jié)合，能夠有效提高診斷準(zhǔn)確率。有學(xué)者通過最優(yōu)小波樹和改進的優(yōu)化神經(jīng)網(wǎng)絡(luò)實現(xiàn)感應(yīng)電機定子繞組匝間故障的診斷，利用最優(yōu)小波樹對濾除基波分量的定子電流信號進行處理，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BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進行優(yōu)化，最終實現(xiàn)對定子繞組匝間短路故障的診斷。另有文獻提出一種基于派克變換和模糊神經(jīng)網(wǎng)絡(luò)的電機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[14]提出使用瞬時對稱分量分析(Instantaneous Symmetrical Components Analysis, ISCA)的方法對定子電流進行預(yù)處理，使用FFT進行故障特征提取，利用Kohonen自組織神經(jīng)網(wǎng)絡(luò)進行故障分類。經(jīng)驗證所提方法能夠有效識別定子和轉(zhuǎn)子早期繞組故障并進行分類。

三是采用多信號融合分析判斷定子繞組匝間短路故障，通過多信號融合，可有效改善依托單一信號故障特征進行故障診斷的漏判、誤判問題，有效提高診斷的準(zhǔn)確率，如文獻[15]通過對定子電流信號的負(fù)序電流差和定子振動信號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)理論融合進行故障診斷，準(zhǔn)確率明顯高于依托單一信號故障特征的診斷結(jié)果；也有學(xué)者通過對負(fù)序電壓、電流分量進行李薩如融合，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負(fù)載變化具有較好的魯棒性，實驗驗證負(fù)序李薩如圖形橢圓傾角對定子匝間短路故障最為敏感，適合用來對匝間短路故障進行診斷。

3 電機轉(zhuǎn)子故障及其診斷技術(shù)

3.1 電機轉(zhuǎn)子故障

電機轉(zhuǎn)子故障約占到異步電機故障的5～10%，異步電機在啟動時具有較大的電流和啟動轉(zhuǎn)矩，會在轉(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，從而影響電機正常工作甚至產(chǎn)生更為嚴(yán)重的后果。

3.2 電機轉(zhuǎn)子斷條故障診斷技術(shù)

異步電機轉(zhuǎn)子斷條故障診斷的主流技術(shù)是MCSA方法。當(dāng)電機轉(zhuǎn)子出現(xiàn)斷條故障時，會在電機電流頻譜信號中出現(xiàn)故障特征諧波分量，通過對故障特征分量的提取，達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，對數(shù)據(jù)存儲和傳輸造成很大負(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[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)存儲和傳輸占有率，提高數(shù)據(jù)利用率；文獻[17]在利用矩陣束算法識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，籍此提高短時數(shù)據(jù)分辨率，有效提取故障特征頻率判斷故障；文獻[18]將多重信號分類(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)的情況下進行故障檢測且具有較好的抗噪能力。文獻[19]采用MCSA、包絡(luò)分析和過零時間信號分析3種信號處理方法對定子電流信號進行分析并計算統(tǒng)計特征量，之后利用Relief特征選擇算法提取有效特征并實現(xiàn)特征空間降維，最后利用自組織映射神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障可視化診斷和分類。針對MCSA方法在電機低轉(zhuǎn)差率情況下診斷精度較差的問題，許伯強等人通過理論推導(dǎo)，得出電機瞬時無功功率信號與電機轉(zhuǎn)子斷條數(shù)量對應(yīng)關(guān)系，從而在低轉(zhuǎn)差率情況下消除基頻分量對邊頻分量影響，判斷轉(zhuǎn)子斷條數(shù)量[20]。

4 異步電動機故障診斷技術(shù)研究展望

目前，依托單一信號源的異步電機故障診斷技術(shù)仍占主要地位，但多數(shù)故障診斷技術(shù)普適性不強，且易受多種因素影響。隨著數(shù)據(jù)驅(qū)動技術(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：

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)將多種信號提取的故障特征進行匯總、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)在電機故障診斷領(lǐng)域的應(yīng)用，多為兩種信號的綜合分析，如何開發(fā)更多的有效信號故障特征提取，并將其統(tǒng)一融合應(yīng)用于故障診斷需要進一步研究。電機在工作中會產(chǎn)生大量的信號數(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)用到電機故障診斷中，從數(shù)據(jù)庫中挖掘出有效知識，提取并驗證故障診斷規(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或一類故障，很難將其進行推廣應(yīng)用，如支持向量機作為模式識別領(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)用價值，但當(dāng)其應(yīng)用于不同類型故障診斷時，往往需要結(jié)合不同的信號預(yù)處理和故障特征提取方法，沒有哪種方法能夠?qū)?shù)種故障類型同時進行分類。這一問題需要進一步研究解決。

4.3 復(fù)雜運行環(huán)境下的故障診斷

目前電機故障診斷，多數(shù)處在良好環(huán)境、穩(wěn)定工況下，且故障單一。但電機實際往往運行于復(fù)雜環(huán)境中，現(xiàn)場采集數(shù)據(jù)噪聲大，環(huán)境條件、平臺振動、外界干擾、工況變化均可能導(dǎo)致診斷誤報。例如，環(huán)境會對電機絕緣材料性質(zhì)產(chǎn)生影響[12]；電機自身不對稱、供電不平衡等因素將弱化其輕載運行時的故障特征；電機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機故障類別及診斷技術(shù)現(xiàn)狀，針對當(dāng)前研究中存在的問題與不足，結(jié)合診斷技術(shù)發(fā)展趨勢進行了分析與展望。隨著數(shù)據(jù)采集技術(shù)的不斷進步，必須緊跟數(shù)據(jù)時代發(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，促進艦船異步電動機故障診斷技術(shù)研究進一步完善提高。

[1] 丁石川, 厲雪衣, 杭俊等.深度學(xué)習(xí)理論及其在電機故障診斷中的研究現(xiàn)狀與展望[J]. 電力系統(tǒng)保護與控制, 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].電機與控制學(xué)報, 2020, 24(8):9-17.

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

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

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

[6] 杜堅, 胡潔, 仇芝.基于改進粒子群相關(guān)向量機電機軸承故障診斷[J]. 應(yīng)用力學(xué)學(xué)報, 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的電機軸承故障診斷[J]. 組合機床與自動加工技術(shù), 2018, 4: 139-144.

[8] 楊曉珍, 周繼續(xù), 鄧舉明. 基于改進貝葉斯分類的電機軸承故障診斷系統(tǒng)研究[J]. 機床與液壓， 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. 基于支持向量機的船舶感應(yīng)電機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軸承故障[J]. 電工技術(shù)學(xué)報, 2018, 33(21): 4941-4948.

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

[13] 羅昊. 基于擴展Park's矢量法的異步電機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. 基于機電信號融合的DFIG定子繞組匝間短路故障診斷[J]. 電力系統(tǒng)自動化, 2020, 44(9): 171-178.

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

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

[18] 劉志堅, 李德路, 吳瑋. 基于MUSIC與SVRM的感應(yīng)電動機轉(zhuǎn)子斷條故障檢測[J]. 微特電機, 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, 孫麗玲. 基于MIRPSA的感應(yīng)電動機轉(zhuǎn)子斷條數(shù)目診斷判據(jù)[J]. 電力自動化設(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：艦船動力裝置管理與保障。E-mail: 546375921@qq.com