基于定子电流监测方法的电机故障诊断肖蕙蕙1,　熊隽迪2,　李　川1,　何　莉1(1.重庆工学院电子信息与自动化学院,重庆　400050;2.重庆电力高等专科学校实践部,重庆　400053) 摘　要:电机是一种复杂的旋转机械,其故障种类多而且难以辨别。

为了对小功率异步电机的常见故障进行正确快速地诊断,采用小波分析技术对几种常见故障所引起的定子电流变化进行了多分辨率分析。

从能量分布的角度出发,快速且较为准确地诊断出电机故障。

诊断效果表明,小波分析是对电机故障进行定子电流诊断的有效方法,同时为电机故障在线实时诊断提供了理论依据。

关键词:异步电机;小波分析;定子电流监测;故障诊断中图分类号:T M307+.1　文献标识码:A　文章编号:167326540(2008)0120054204M otor Fault D i a gnosis Usi n g Sta tor Curren t M on itor i n gX I AO Hu i2hui1,　X I ON G Jun2di2,　L I Chuan1,　HE L i1(1.Dep t.of Electr onic I nfor mati on and Aut omati on,Chongqing I nstitute of Technol ogy,Chongqing 400050,China;2.Practice Depart m ent,Chongqing Electric Power College,Chongqing400053,China) Abstract:It is difficult t o identify vari ous faults of electric mot ors.W avelet theory and app lies it t o the common fault diagnosis of m icr o2power inducti on mot or is intr oduced.Several types of fault noise are analyzed with multi2res o2 luti on analysis.The results show that the p r oposed method has a better perf or mance in rap idity and validity.It als o sheds light on further research.Key words:a synchronous m otor;wavelet ana lysis;st a tor curren t m on itor i n g;fault d i a gnosis0　引　言电机故障时,电流变化相对较小,因此电流监测一直被认为难以用来监测故障。

随着各种技术的发展及进一步研究发现,对已知的振动频率而言,定子电流的变化直接与振动幅度的变化有关[1]。

因此,电流信号不仅可以和振动信号一样用来监测故障[225],并且具有成本低、易操作的优点。

当前,用电流监测方法已成为电机故障诊断的新趋势。

本文根据小波多分辨率分析的特点,提取异步电机定子电流信号的局部特征,利用径向基函数神经网络在函数逼近能力、分类和学习速度方面的优势,对电机常见的转子故障、气隙不均匀典型故障进行分析。

1　基于“能量2故障”的小波预处理神经网络故障诊断方法 分析各类电机故障前后的频域特征,可以得出以下结论:当系统发生故障时,其幅频特性和相频特性都一定会有明显的变化。

从幅频特性上看,主要表现为对不同频段信号具有不同的抑制或增强效果,通常故障会明显地对某些频率成分起抑制作用,而对另外一些频率成分起增强作用。

因此,其输出相对于正常系统来说,相同频带内信号的能量会有较大的差别,某些频带内信号能量会减小,相应地,另外一些频带内信号能量会增大。

而且,在各频率信号成分的能量中,包含丰富的故障信息,某一种或某几种频率成分能量的变化就代表了一种故障类型。

或者说,正是由于系统的某种故障才导致了系统频域特性能量的某种对应的改变。

充分利用这一特点,就可以建立能量变化到电机故障的映射关系表,从而提取表征电机故障的特征向量。

选取异步电机定子电流信号进行小波预处理,并将故障特征输入径向基(RBF)网络进行训练学习,从而确定故障类别。

具体步骤如下。

(1)首先对采集来的信号进行3层小波分—45—解,分别提取第3层从低频到高频8个频率成份的信号特征。

其分解结构如图1所示。

图1　小波包3层分解的树形结构图 图1中,括号中数字表示第i 层的第j 个结点。

其中:i =0,1,2,3;j =0,1,…,7。

每个结点都代表一定的信号特征。

其中:(0,0)结点代表原始信号S;(1,0)结点代表小波包分解的第1层低频系数X 10;(1,1)结点代表小波包分解的第1层高频系数X 11;(3,0)结点代表第3层第0个结点的系数;其它依此类推。

(2)对小波包分解系数重构,提取各频带范围的信号特征。

以S 30表示X 30的重构信号,以S 31表示X 31的重构信号,其它依次类推。

在这里,只对第3层的所有结点进行分析。

总信号S 可以表示为S =S 30+S 31+…+S 37(1) (3)求各频带信号的总能量。

设S 3j (j =0,1,…,7)对应的能量为E 3j (j =0,1,…,7),则E 3j =∫|S 3j (t )|2d t =∑nj =1|X jx |2(2)式中:X jk (j =0,1,…,7;k =1,2,…,n )表示重构信号S 3j 的离散点的幅值。

(4)构造特征向量。

定义信号的全部能量为E tot =∑7j =1E3j(3) 定义某频段的相对小波包能量为p 3j =E 3j E tot(4) 则相对小波包能量的特征向量为S =[p 30,p 31,…,p 37](5)S 就称为能量特征向量,并作为径向基函数神经网络的输入元素。

(5)经过RBF 神经网络训练学习后,建立能量变化到各类故障之间的映射关系,最终确定故障类别。

2　试验及结果分析在实验台上,对型号为Y80124的一批三相异步电动机进行试验。

其额定功率均为0.55k W ,额定电流均为1.5A ,额定电压均为380V 。

本试验仅针对转子故障、气隙不均匀两类故障进行试验验证。

采集2000个数据点(实际采集25组数据,见表1)。

正常运行、转子故障、气隙不均三种情况定子电流的波形分别如图2、3、4所示。

图2　正常情况的定子电流图3　转子故障时的定子电流图4　气隙不均匀时的定子电流 由图2、3、4可以看出,三种情况下定子电流信号区别并不明显,为区别微弱信号,运用先前所提到的小波包分解,得到能量特征。

由于需要训练RBF 神经网络,于是采集多组数据,并分别得到各自的能量特征值,如表1所示(这里定义1是正常信号,2表示转子故障信号,3表示气隙不均匀信号)。

—55—表1　25组数据的能量特征向量样本能量特征向量E30E31E32E33E34E35E36E37状态诊断结果10.14350.10060.13680.12400.12940.11750.12440.12381120.14120.12160.11120.14450.10270.13270.13640.1097131330.16520.11730.12170.12080.11470.12230.09970.13831140.13400.11570.12400.11950.11070.11010.15450.1314131350.14870.11500.14920.12850.11440.09000.14460.10971160.15930.10310.12340.12140.11280.12290.12780.12931170.14690.10200.11850.11550.15910.11740.13020.11051180.14980.13990.12200.12240.11050.12730.09670.13141190.15880.11770.13270.09000.13440.10560.13990.121022100.18130.10440.14370.11010.12400.11500.11370.107722 110.16920.10640.11900.10550.12830.12180.12570.124122 120.15060.11040.10110.16210.14030.10850.12880.098222 130.16460.10890.13470.12020.12780.13250.10160.109622 140.14730.11560.09840.15920.10830.13310.13060.107422 150.13380.11190.11080.13420.12480.14640.11640.121922 160.16260.10790.10310.11960.14790.13220.11140.11522323 170.16900.13360.11810.12550.12620.12570.10400.09782323 180.16120.12460.11580.10560.13280.11720.11970.12323333 190.12950.12220.10930.13190.11520.12260.11580.153533 200.17810.11190.11560.13040.10250.13640.11750.10753333 210.14270.09360.13690.12160.15430.12590.11220.112833 220.16440.13150.09710.13550.10730.14090.10990.113333 230.15380.11900.11810.12300.10730.11680.13340.128633 240.16360.10850.10770.12270.13250.13510.09950.130333 250.14440.11290.13090.12420.12240.10180.14000.123533 注:带3号的数据为试验数据,其余为训练样本。

采用RBF神经网络的概率神经网络(P NN)结构对上述的特征向量进行分类,对输入的验证特征向量P1=[0.14120.13400.16260.16900.17810.16120.12160.11570.10790.13360.11190.12460.11120.12400.10310.11810.11560.11580.14450.11950.11960.12550.13040.10560.10270.11070.14790.12620.10250.13280.13270.11010.13220.12570.13640.11720.13640.15450.11140.10400.11750.11970.10970.13140.11520.0979　0.1075　0.1232]T有结果X1=[1　1　2　2　3　3]根据前面的定义可知,验证信号分别属于“正常、正常、1类故障、1类故障、2类故障、2类故障”。