Park矢量方法在电动机故障综合诊断中的应用

韩 星 海

（潍坊学院，山东 潍坊 261061）

引言

三相交流异步电动机是应用最为广泛的一种电气设备，在生产过程中属核心设备。电动机在运行中存有多种隐形的、不可预测的故障，直接影响到整个生产过程的安全、产品质量和生产效率。因此，研究电动机运行工况与监测技术及时掌握电动机在线运行情况，及时、准确地诊断出电动机故障并采取相应措施，对于保障电动机设备的安全运行以及企业的安全生产，具有重大的经济效益。

国内虽然有部分生产设备具备自动化检测和控制接口，但是绝大多数现用和将用的设备还没有采用现代化的监测手段，对电动机运行的电压、电流、电机温升及轴承振动工况进行在线监测和控制，将Park矢量方法与信息融合技术应用于电动机故障综合诊断。

1 Park矢量及其扩展方法应用理论

所谓的Park矢量(Park's Vector)由两个分量组成，可表示为（iα，iβ），这两个分量都是电动机定子绕组三相电流（ia，ib，ic）的函数，分别为：

在理想情况下，三相电流ia，ib，ic相互平衡，Park矢量具有下列形式

式中：iM——电源相电流幅值，A；

ω——电源角频率，rad/s；

t ——时间变量，s。

如果以Park矢量的两个分量分别作为横纵坐标，随着时间t的变化，其轨迹为一个圆，圆心为坐标系原点。在这种理想情况下，Park矢量的模为常数（对应于常量或直流）。

当电动机发生故障时，理想条件被破坏，三相电流不再平衡，同时可能会出现一些谐波或变频分量。这时Park矢量的轨迹不再是一个圆，可能是椭圆，也可能是不规则的闭合曲线。具体形状，决定于故障性质及其严重程度。图1～4分别表示良好状态和有不同故障的电动机三相电流的Park矢量轨迹图像。

图2 匝间短路故障的Park矢量轨迹

图4 断条和匝间短路故障的Park矢量轨迹

表1 派克矢量的模中包含的频率成分

关于电动机定子绕组匝间短路故障相别的判定，通过实验和理论分析，获得如下判据：

（1）电动机三相绕组为三角形接法，不论转子旋转方向为顺时针还是逆时针，也不论电源频率是否为工频，当Park矢量轨迹长轴指向150°时，从电源端看匝间短路相为A相；当Park矢量轨迹长轴指向90°时，匝间短路故障相为B相；当Park矢量轨迹长轴指向30°时，匝间短路故障相为C相。

（2）电动机三相绕组为星形接法，Park矢量轨迹长轴呈水平方向时，从电源端看匝间短路相为A相；当Park矢量轨迹长轴指向120°时，匝间短路故障相为B相；当Park矢量轨迹长轴指向60°时，匝间短路故障相为C相。

基于Park矢量的诊断电动机故障的基本方法，就是识别不同故障所对应的 Park矢量轨迹。运用 ANN的学习和模式识别能力，将断相三相电压不平衡等不同故障所对应的Park矢量轨迹作为学习样本；通过学习，将不同故障所对应的Park矢量轨迹特征分别存储在ANN当中，使之具有识别不同故障的能力。

扩展派克矢量方法(Extended Park'sVector Approach)，该方法是对Park矢量方法的延伸和扩展，该方法是以 Park矢量为基础，对 Park矢量的模进行谱分析。因为对Park矢量取模后，将三相电流（ia，ib，ic）中的对称分量转换为直流分量(DC)，突出了转子断条、端环开裂等故障产生的边频分量（2ksf1），这样故障特征频率就很容易与电源基频分量（f1）区分开来。而采用传统的电流谱分析方法，难以将故障特征频率(1±2ks)f1，与基频分量 f1进行有效区分，特别是在电动机负载波动频繁的情况下。图5（a）和（b）分别为正常的电流信号和断条故障状态下的电流信号，图 5（c）和（d）分别为对应的传统的 FFT结果，图 5（e）和（f）为对应的扩展 Park矢量方法结果。

图5 传统的FFT结果和扩展Park矢量方法结果的比较

2 Park矢量方法的信息融合的应用

基于信息融合的实质，Park矢量及其扩展方法其实就是一种典型的信息融合故障诊断方法。与全息谱技术进行对比，Park矢量方法是对电动机的三相电流信号直接进行时域内的融合，而全息谱技术则是对多维的机械振动位移信号通过相位信息在频域内进行集成和融合。通过信息融合，两种方法均突破了传统的FFT分析的基本框架，提取到了单一的FFT分析所无法获得的故障特征几何图形和图像。按照信息融合的层次结构，通过与全息谱技术的对比，可以将Park矢量及其扩展方法划归为数据层融合方法。基于Park矢量诊断电动机故障的基本思路，就是识别不同故障所对应的Park矢量轨迹。国外的研究结果初步表明，可以通过识别Park矢量轨迹“椭圆”的形状，来判断定子绕组匝间短路故障；并且随着故障程度的加重，椭圆的“扁平程度”越来越大，而且椭圆主轴方向与故障相有直接联系（发生同相匝间短路故障时，椭圆主轴方向趋于一致）。

综合信息融合的一般模型和数据融合的层次结构，构建电动机故障的信息融合诊断模型，如图6所示。该模型涵盖了数据融合的数据层、特征层、决策层三个层次，充分利用可用故障信息，进行多层次融合；采用了两级诊断策略，以进一步提高故障诊断的准确性和灵敏性。

3 小结

将先进的理论应用到诊断电动机的转子断条、气隙偏心、匝间短路故障的判断，进一步提高故障诊断的准确性和灵敏性，使得电动机故障能够提前预测，以便事前采取针对性措施来控制和防止事故的发生，从而避免设备突发性故障造成的设备损坏以及停工停产等巨大损失，减少计划维修所造成的一些浪费，不断提高设备完好率和设备使用率。

图6 电机故障信息融合诊断模型

[1]陈理渊, 黄进. 基于支持向量机的电机转子断条故障诊断[J]. 电工技术学报, 2006(08).

[2]刘振兴.电机故障在线监测诊断新原理和新技术研究[D]. 华中科技大学, 2004.

[3]陈理渊. 多传感器数据融合及其在电机故障诊断中的应用研究[D]. 浙江大学, 2005.

[4]王旭红.高压旋转电机的状态监测和故障诊断研究[D]. 湖南大学, 2002.

[5]马宏忠. 异步电动机转子绕组故障后转矩转速的分析与计算[J]. 电工技术学报, 2004(04).