异步电机运行过程中转子故障诊断综述

阳桂蓉，王冰峰

（电子科技大学自动化工程学院，成都 611731）

1 引言

电机在电力设备中占据着十分重要的地位，随着电力系统复杂化程度的加深，对其性能要求也就越高。从电机的使用过程中发现，电机初期轻微故障很可能导致整个生产过程出现不良现象。因此，对其进行在线监测和故障诊断显得尤其重要。目前，电机故障检测技术可概括为两类：一类是基于检测信号，如定子电流、振动、磁通及转速等；另一类是根据诊断方法的不同，分为基于模型、基于信号处理、基于知识等。由于定子电流信号具有采集方便、受外界噪声污染小、可实现故障在线监测等优点，目前，普遍选用它作为检测电机故障的分析信号。本文主要对基于定子电流信号的电机转子故障诊断方法进行概括总结，目的是为从事电机故障诊断的研究人员提供一定参考。其中，诊断方法根据电机运行的三种状态（起动、稳定及失电）分别进行阐述，诊断方法各有其优缺点。在实际分析电机故障时，应根据具体场合，选择适合方法进行电机故障诊断。

2 定子电流信号检测转子故障常用方法

2.1 异步电机稳态过程的转子故障诊断方法

当异步电机转子有缺陷时，其稳态定子电流中的(1±2s)f频率分量（忽略高次谐波）是诊断转子故障与否的主要特征频率电流分量。因此，可通过提取该频率来分析电机转子是否存在缺陷。其中，s为转差率，f为电源频率。当电机稳态轻载运行时，其转差率s为很小的恒定值（一般为0.01～0.05）。此时的转子故障特征频率分量(1±2s)f相对工频f非常接近，很容易被工频淹没，转子故障与否不易判断。以下归纳几种常见的基于稳态定子电流的转子故障诊断方法。

（1）自适应滤波法

自适应滤波法主要是通过滤除工频分量f，只显示故障特征频率(1±2s)f，从而实现转子故障与否的诊断。自适应滤波原理如图1所示。

图1 自适应滤波原理

图1中，把工频分量f当作噪声源n1(t)，n2(t)与n1(t)同频率。其中，n2(t)频率可通过s(t)时频分析得到。根据误差信号e(n)的大小，由自适应算法调节滤波器参数，使n2(t)与n1(t)达到最大相关。通过加法器滤除工频分量，从而使e(n)仅显示(1±2s)f处频率。文献[1]用人工神经元提取电机断条故障特征。它把基波电流信号同源的电压信号经过神经元计算，使其与基波相关。通过将电机定子基波电流大部分滤除，最终实现有效的电机断条故障诊断。

（2）希尔伯特(Hilbert)变换法

给定信号x(t)，其Hilbert变换定义为：

若将x(t)作为实部，式（1）作为虚部，可构成解析信号z(t)：

Hilbert模量定义为：

文献[2]对电机稳态定子电流信号作Hilbert变换，对所获得的调制信号进行谱分析，以是否存在2sf频率作为转子断条故障与否的判据。由于此时的转子故障特征频率2sf幅值尤其明显，因此，该方法适合负荷波动较大的转子故障诊断研究场合。式（4）是数字仿真转子故障定子电流信号，其中，w(n)为（均值0、方差0.1）均匀分布高斯白噪声。利用Hilbert模量提取的转子故障特征如图2所示。从图2可知，提取的转子故障特征频率2sf=3Hz，该结果与仿真信号(1-2s)f= 47Hz相同。然而，当噪声强度、电机类型及运行状况未知时，s不同，表现的故障频率也不同，转子故障与否不易判断。

图2 Hilbert变换提取转子故障特征2sf = 3Hz

为提高信噪比和故障检测的适用性，文献[3]提出了基于Hilbert模量，利用自适应随机共振理论对转子故障分量进行检测。由于Hilbert模量容易被噪声淹没，故先判断基频信噪比是否低于某一经验阈值。如果低，则对其进行小波去噪预处理。如果高，则直接进行Hilbert变换。接着调节随机共振势参数，使在频率2sf处达到随机共振效果。通过随机共振处理，使Hilbert模量中频率为2sf的弱信号能量得以加强，有利于转子故障特征提取。

（3）频谱细化分析法

频谱细化分析法主要目的是提高频率分辨率，突出故障特征频率，从而便于电机故障特征提取。细化方法可分为细化频率和细化频谱两种方法。细化频率方法即连续细化FFT变换，其要求数据长度N不变，细化显示频率f。其主要原理如下：

采样频率为fs、采样点数为N的时间序列i(tk)，其离散的傅立叶级数表示为：

其中，n= 0、1、2、…、N-1，tk=kTs，Ts= 1/fs，k= 0、1、2、…、N-1，频率分辨单元Δf=fs/N。若要提高频率分辨力，则必须以成倍地增加采样点数N为前提。当N一定时，频率分辨力将无法再提高。由于时间序列i(tk)中已含有从0至fs/2的频域信息，如果把频谱曲线看成是连续的，即把式（5）中的n看作是一个在区间[0，N/2]内的连续实数，则上式变为：

式（6）仍具有物理意义，此时的频率分辨力已不受采样点数N的限制。为了获得较高的频率分辨率，可将f间隔取得较小，这主要由f的细化间隔所决定。

文献[4]为解决传统 FFT存在灵敏度低（频谱淹没）问题，采用连续细化分析的傅里叶变换方法提高转子故障诊断精度。它借助异步电机定子电压过零时刻提取电路，准确抵消定子电流中的工频f分量，从根本上解决了频谱淹没问题。文献[5]用传统复调制细化谱分析方法（ZOOM-FFT）提高频谱分析精度，其原理如图3所示。此种方法能避免细化频率带来的频谱泄漏问题，提高频率分辨率。但前提条件是，要求有足够多的采样数据N。另外，在相同的分析点数和细化倍数前提下，该方法的计算时间相比细化频率方法短。然而，该方法由于需要进行频率调整，所占用的计算机内存空间较大。

图3 ZOOM-FFT原理

（4）小波分析法

给定一个基本小波函数Ψ(t)，令：

式中：a、b均为常数，且a＞ 0。可以看到，等式左端是基本小波函数Ψ(t)经移位和伸缩后得到的函数。若a、b不断地变化，可得到一簇函数Ψab(t)。给定平方可积的信号f(t)，即f(t)∈L2(R)，则f(t)的小波变换定义为：

其中，a、b、t是连续变量，a是尺度因子，b是时移参数，*表示复数的共轭。上式又称为连续小波变换（CWT）。

文献[6]采用小波奇异值分解提取转子故障特征。通过连续小波变换将定子电流信号中的各频率分量转换到时频域分布空间。对该空间进行奇异值分解，使各频率分量分解到不同的正交特征子空间。通过对特征子空间进行选择重构，可有效地滤除工频分量。理论和实验证明，即使故障特征分量非常微弱，重构出信号的效果也十分明显。并且，该方法能抑制背景噪声干扰，用于电机故障信号的时频分析。

（5）其它分析法

文献[7]采用改进的 MUSIC谱分析法来实现转子故障特征的提取。通过将信号子空间中对应最大的主分量特征向量移到噪声子空间，可自适应地削掉基波的谱峰，从而有效地提取转子故障特征分量。该方法只需采集单相定子电流信号，硬件实现简单。由于没有引入平方运算，频谱分析中不存在交叉项，适合复合故障检测。另外，该方法对噪声有很好的抑制作用，非常适合处理噪声环境下的故障信号。文献[8]采用双 PQ变换法对转子故障进行诊断。将采集的定子电压与电流信号相乘形成功率信号P，电流与电压信号希尔伯特变换结果相乘形成功率信号 Q，由PQ构成的曲线来诊断电机转子故障与否。正常电机的P、Q值都为常数，在PQ曲线上表现为一个点。当电机转子存在缺陷时，由于定子电流增加了其它频率成分，PQ曲线就成为椭圆。另外，椭圆的形状与转子故障严重程度明显相关，因此，可据此判断故障严重与否。

2.2 异步电机起动过程的转子故障诊断方法

当电机稳态轻载运行时，如果断条数较少，则定子电流中感应出的(1±2s)f故障特征频率分量将非常小，作频谱分析时很容易被工频或零频分量淹没。另外，负载的不平稳运行，会使定子电流发生波动。反映在频谱图上常表现为工频的各种调制成分，从而使电机转子故障诊断变得相对困难。为克服以上不足，很多学者提出对异步电机起动过程的定子电流作时变频谱的分析方法。众所周知，异步电机在起动过程中，转速n从0逐渐上升到略低于同步转速的n0。其中，n0= 60f/p，f为工频，p为电机磁极对数，转差率s= (n0-n)/n0。当电机转子有缺陷时，定子电流的谱分析图上表现为工频的两边会产生边频带分量。该分量|1-2s|f随着起动过程的进行（转差率s由1到0逐渐改变），故障特征频率发生明显的频移现象，即从f→0→f变化。通过观察是否存在频移现象，即可诊断电机转子是否存在缺陷。以下为几种常见时频分析法在电机转子故障诊断中的应用。

（1）Wigner分布分析法

文献[9]采用Wigner分布对鼠笼异步电机定子起动电流进行分析，利用起动电流的时变谱图来诊断电机转子是否存在故障。其先利用梳妆滤波和自适应抵消法对原始数据进行去工频预处理，再通过 Wigner分布获得定子起动电流时频图。当定子电流中存在(1-2s)f转子故障特征分量时，由时频分布图可看到谱线在频率轴上有明显的移动。通过观察是否存在频移现象，即可诊断电机转子故障与否。该方法尤其适合双笼电机故障检测。但不足是，要求起动时间足够长，一般不少于 2.5s。通常对于小型异步电机的起动时间不到 1s，为采用该方法，可通过降低起动电压来延长电机起动时间。

（2）小波分析法

小波技术具有良好的时频局部化能力，能准确地抓住瞬变信号的时频特征，在动态信号的分析上有着明显的优势。文献[10]采集起动瞬间的定子电流信号，利用离散小波变换对定子电流信号进行分解。通过对分解的高阶小波信号进行研究，发现其明显带有转子故障特征形式。该方法与稳态定子电流直接FFT谱分析结果相比，可明显减少故障的误判。

（3）EMD法

EMD（经验模式分解）是自适应信号处理方法，它使瞬时频率具有了物理意义。文献[11]对定子起动电流信号进行EMD，利用瞬时频率来提取异步电机转子故障特征。定子起动电流的空间向量自适应的被分解为多个内禀模态函数（IMF），分析电机瞬时频率能反映电机起动过程的转差率s的变化情况，即可用|1-2s|f按f-＞0-＞f连续变化作为转子断条故障特征。波动较小，说明转子故障严重，故障特征易于提取。文献[12]将Hilbert-Huang变换（HHT）与离散小波变换（DWT）进行对比研究，说明两种方法在基于电机起动过程的转子故障特征提取中各有其优势。

2.3 异步电机失电过程的转子故障诊断方法

电机运行过程中切断三相电源，定子电流会迅速降为零，此时的转子电流会在定子绕组中感应出电压。当转子出现断条故障后，转子电流将在失电残余电压中引起(6m±1)次谐波分量（m= 0、1、2…），通过检测与分析该分量便能诊断转子故障与否[13]。文献[14]利用失电残压诊断异步电机转子断条故障。该方法不仅能克服电机起动时间短、消除电源不完善和负载波动等影响，还可避免由饱和引起的电机磁化特性非线性影响。但不足是，在电机失电后，转子电流很快衰减，它对失电残压的影响也很快减小，这便给失电残压信号的检测带来影响。此外，在转子没有出现故障情况下，定子的失电残压也会存在幅值小的谐波分量，从而影响故障诊断效果。

3 诊断方法评价

在基于电机稳态过程的转子故障诊断研究中，自适应滤波尤其适合工频已知或者具有某种函数表达的场合。因为只有已知工频才能通过自适应滤波器将定子电流中的工频分量滤除，从而减少工频分量淹没转子故障特征频率分量的可能。Hilbert变换法主要通过求取定子电流信号的 Hilbert模量来实现将基波分量变为直流分量。通过去直流分量实现去工频处理，从而故障特征只表现为2sf形式。该方法能消除工频淹没故障特征频率的影响。但不足是，当电机轻载运行时，也会面临零频淹没故障特征频率2sf情况。此方法尤其适合电机拖动稳定或波动较大负荷运行情况。因为此时的2sf相对远离零频、且有较大的幅值，故障特征易于提取。细化频率的傅里叶变换法是一种可提高频率分辨力的方法，但其很容易造成频谱的泄漏。如果故障特征频率处的幅值与泄漏处的幅值相当或低于泄漏处的幅值，则故障特征难以提取。ZOOM-FFT对采样频率无限制，但其高分辨率的代价是需要有较长的采样数据。

小波分析法在突变点检测方面效果尤佳。图4是利用小波系数绝对值对式（9）进行波动时刻提取的结果。需要说明的是，首先对数字仿真负荷波动、转子故障的定子电流信号式（9）进行Hilbert变换去工频预处理，再利用小波系数绝对值提取波动时刻。从图4可知，提取的波动时刻为1024，等效处理为 1s（其中，采样频率为1024Hz），这与实际仿真信号相同。但不足是，在转子故障特征提取的应用中，小波变换存在一定局限。因为特有的特征频率分布特征，使采样频率、分解层数、及小波基函数的选择变得相对困难。另外，在进行小波分析时，很容易出现频率混叠现象，从而影响转子故障特征提取。然而，小波分析运用于起动过程分析的转子故障检测优势比较明显。瞬时功率法提取转子故障特征精度高。但同时要求采集多相电压和电流信号，硬件开销大，对于小型应用场合不适合。如果电机工作环境要求较高，则可适当考虑该方法。

基于电机稳态过程的转子故障诊断方法适合故障在线检测研究，通过对电机故障特征进行实时监测，可预防严重事故发生。基于电机起动过程的转子故障诊断方法相比稳态过程的方法具有相对灵敏度高、故障特征明显等优势。但不足是，要求起动时间必须相对较长，且必须在电机起动时，方能进行故障特征提取。由于该方法对电机运行过程中的转子特征变化没有考虑，故很难实现电机实时预防维修。基于电机失电过程的转子故障诊断方法能消除电源不完善和负荷波动等影响，但失电后的转子电流很快衰减，失电残压检测困难。另外，该方法也不适合转子故障在线监测。

4 结论

本文主要对基于定子电流信号的异步电机转子故障诊断方法进行总结。通过对电机运行在起动、稳态及失电过程的定子电流信号进行分析，提取转子故障特征，实现转子故障与否的诊断。三种过程所采用的转子故障诊断方法各有其优缺点，应根据实际情况，选择适合方法进行转子故障诊断。最后，从目前的电机故障诊断研究现状来看，可将其未来的发展趋势作个简单概括：

（1）电机工作的外界环境改变，如：负荷波动、电压不平衡、惯性影响等，如何正确地区别转子故障与外界工作环境。另外，当转子故障程度较轻时，如何在改变的外界环境下准确地提取转子故障特征。此类问题的解决仍是现在及未来进行电机故障诊断研究需要考虑的问题；

（2）克服各种方法的缺陷，寻找能实现电机复合故障诊断的方法，同样是理论研究应用于实际的一个研究重点。目前，针对多故障诊断系统，大都采用基于知识的方法实现，如人工智能方法中的神经网络、模糊技术、专家系统等，但该类方法需要大量的历史数据作为训练样本，而数据的获取本身就相对困难。另外，其也存在训练时间较长，不便于实时监测等缺陷。因此，理想的复合诊断技术有待进一步研究。

[1]汤红诚. 基于人工神经元的电机断条故障诊断方法[J]. 大电机技术, 2008(5): 27-30.

[2]邱阿瑞.提取感应电动机转子故障特征的新方法[J].清华大学学报(自然科学版), 1997, 37(1): 35-37.

[3]李天云, 李光, 杨春玲, 等. 基于自适应随机共振的异步电动机转子断条故障检测[J]. 中国电机工程学报, 2007, 27(15): 88-92.

[4]许伯强, 李和明, 孙丽玲, 等.小波分析应用于鼠笼型异步电动机转子断条在线检测初探[J]. 中国电机工程学报, 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, 徐光华, 刘弹, 等. 小波—奇异值分解在异步电机转子故障特征提取中的应用[J]. 中国电机工程学报, 2005, 25(19): 111-115.

[7]方芳, 杨士元, 侯新国. 基于改进多信号分类法的异步电机转子故障特征分量的提取[J]. 中国电机工程学报, 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.用起动电流的时变频谱诊断鼠笼异步电机转子故障[J]. 中国电机工程学报, 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]马宏忠, 李训铭, 方瑞明, 等. 利用失电残余电压诊断异步电机转子绕组故障[J]. 中国电机工程学报, 2004, 24(7): 183-187.