相对小波包能量谱的电机振声信号故障分类方法研究*

莫慧芳，谷爱昱，饶明辉

(1. 广州科技贸易职业学院 机电系，广州 511442；2. 广东工业大学 自动化学院，广州 510006)

相对小波包能量谱的电机振声信号故障分类方法研究*

莫慧芳1，谷爱昱2，饶明辉1

(1. 广州科技贸易职业学院 机电系，广州 511442；2. 广东工业大学 自动化学院，广州 510006)

文章研究利用相对小波能量谱作为特征的电机振声信号故障分类方法。对振声信号采用小波包分解，利用重构系数计算各个频段内的相对小波能量谱值，各频带的能量变化反映电机是否有故障；再根据标准样本故障结果建立“特征-故障”对应关系的信息表；以容差范围作为误差判别标准，力使故障诊断误差最小化，从而确定待测信号为何种故障；最后通过比较各频带相对小波能量谱大小判断故障所处的频带位置。电机振声信号诊断实例验证了该方法的有效性。

电机噪声；故障分类；相对小波包能量谱

0 引言

电机是目前各行业应用最广的供电设备和驱动装置，当前绝大多数设备的运转和工作都是由各种电动机驱动完成。其应用广泛、使用环境各异、负载性质不尽相同，这使得电机故障时有发生，在一些运行环境恶劣、负载冲击性很大的场合中运行的电机故障率更高[1]。我们研究电机的故障诊断就是为了减少事故停机损失，提高设备运行的可靠性和经济效益，降低维修费用[2]。

传统的电机故障诊断方法有定子电流分析法、绝缘诊断、温度诊断、振动诊断等。监测方法的选择应考虑监测对象的要求，要成本低，易于测量。绝缘诊断技术只针对某一种故障或某一类电机，不具有广泛性；温度诊断技术需设置多温度计，不易于测量；振动诊断技术是接触式测量，所需设备结构复杂[3]。当电机出现故障时其声音及其振动频谱都会发生变化，振声信号的测量是非接触式的诊断方法，拾取方便，用一般的录音设备即可，避免了价格昂贵的振动测量设备，这就为声频故障诊断方法的研究提供了现实基础。

多分辨分析是近年来处理非平稳信号的主要手段，但其在高频段频率分辨率较差，在低频段时间分辨率较差。小波包分解是将频带进行多层次划分，对高频部分进一步分解，从而提高频率分辨率[4]，因此小波包具有更广泛的应用价值。

当电机出现故障时，会对电机运行声音的各频率成分抑制或增强，某种能量的改变代表了一种故障情况。相对小波包能量能反映信号在各频带内的能量变化，可做为故障诊断的特征向量。当偏差超过了允许的范围，定义为出现故障[5]，为了使故障诊断误差最小化，引入能量容差的概念。本文先对采集的声音信号进行小波包分解，然后进行相对小波包能量谱计算，确定电机是否有故障；再根据标准样本故障结果建立“特征-故障”对应关系的信息表；最后对待测故障计算进行容差范围估计，从而确定电机为何种故障，以及判断故障所处的频带。

1 相对小波包能量谱

1.1 小波包分解

(1)

其中m=0,1,...,2k-1;l=1,2,...,j。

1.2 相对小波包能量谱特征提取

由于保持了多分辨分析中的正交分解特性, 每一个节点分解后的两个频带互不交叠, 输出两个频带的带宽减半[6]。小波包分解后，将各频带分解系数重构，得到各频带范围的信号。小波包能量谱就是指以能量形式表示小波包分解的结果。设Xjk为各频带重构信号的离散点幅值，Eij为信号在各频带上的小波包能量谱，则Eij可表示为

(2)

(i,j)表示第i层的第j个节点，其中j=0,1,…,7,k=0,1,...,2j-1。信号总能量E为各子带能量Eij之和，令

(3)

本文将采集到的振声信号进行3层小波包分解，对各系数进行重构，并提取第3层从低频到高频8个频率成分的信号特征，以各个子带内的能量元素构建故障特征向量T=[E30,E31,E32,E33,E34,E35,E36,E37]。

根据式(3)计算各个频带的总能量，得到各频带的相对小波包能量谱ρj，构建相对小波包能量谱特征向量ρ=[ρ0,ρ1,ρ2,ρ3,ρ4,ρ5,ρ6,ρ7]。

1.3 能量容差

在建立故障特征向量时进行了多次测量，建立故障的试验数据样本，计算样本的相对小波包能量谱特征向量，并对其统计平均。假设n次测量，统计平均值为Ck，则

(4)

以实验统计的方法确定容差范围ΔCj,以此作为元素构成误差判别向量。

(5)

其中n为实验次数，N为容差系数，σ为样本标准差。

我们将电机故障与能量特征向量的对应关系列成故障信息表，事先存储在计算中，计算实际测得的特征向量，如果在预先确定的特征向量容差范围内，则对向量进行分类决策，就可以确定故障类别。

2 电机故障诊断实例分析

电机常见的故障主要有轴承故障，电磁故障，松动故障等，发生故障时会对外辐射噪声，每种故障噪声带有的频率即为故障特征频率[7]。由于安装不良、电机底座损毁等原因造成电机松动故障，其故障特征频率是4X-10X高倍频，严重时会出现0.5X、1.5X半倍频；由于部件的不精确装配、温度变化引起的机械变形等原因，转子中心线与设备中心线不对齐，为不对中故障，其特征频率以2X为主，并伴有1X的分量。

本文采用的故障识别诊断技术，其基本流程图如图1所示。

图1 故障诊断基本流程图

本文实验数据来自广东威灵电机制造公司的单相异步电动机噪声样本。电机型号为YDK24-6T，250W，额定电流为2.2A，转速为2800r/min，相应的频率为46.6Hz。根据香农定理，fS≥2fmax，才能保证信号不失真。在实际应用中，fS一般取fmax的5～6倍[8]。本实验声卡的采样频率为22.05kHz，由此决定了被测信号的最高频率范围。

我们构建两种故障状态，转子不对中故障和盖松故障。用db12小波对声音采样信号进行3层小波包分解，如图2、图3、图4所示。

图2 正常信号的小波包分解

图3 盖松故障的小波包分解

图4 转子不对中故障的小波包分解

从图2可以看出，当电机无故障时，振声信号相对稳定；图3、图4表明当发生故障时，振声信号产生振荡，不同故障时相同频带的振声信号也显示出幅值变化不同的波形。我们对各层系数进行重构提取相对小波包能量谱特征值，形成待检模式；其次，将待检模式与数据库中存储的样本模式进行比较和状态分类；最后根据得到的分析结果，作出相应的决策。

本文中对信号进行3层分解，得到对应的8个频带分布，如表1所示。

表1 重构信号各个频段带宽

根据相对小波包能量谱特征量提取方法，计算出各个频段的相对小波包能量谱，并以此作为特征向量。在此分别提取正常工作、轴承不对中故障和盖松故障3种运行状态，由于实验样本重复性较好，所以n取值不用太大，我们重复采集了10个样本，即n取10。本文列出每个工况的3组数据作为诊断的标准样本，计算各频段相对小波包能量谱ρj，如表2所示。

表2 不同状态各频段的相对小波包能量谱分布

用式(4)对表2各个频带能量谱特征值求其平均值Ck，如表3所示。并由式(5)得到N=4时的能量容差范围ΔCj，构成误差判别向量，如表4所示。

表3 不同状态的相对小波包能量谱均值

表4 不同状态的相对小波包能量容差

3 结果分析

(1)由表3和表4观察能量容差向量可以发现，正常信号特征向量容差范围均在1%以内，且分布比较均匀，第4频带的信号能量特征值最大。故障情况下容差范围明显偏大，而且分布不均匀。第2类故障运行状态下，削弱了第4频带的能量，第1、2频带的信号能量明显增强，在此频率段放大了故障信号，突出了故障特征频率对应的能量信息，表示盖松故障特征频率发生的频率范围是[0～625Hz]，第3类故障的第1频带信号能量最强，说明转子不对中故障发生的频率范围是[0～312.5Hz]，通过对表4的分析可以得出，相对小波能量可以用作电机故障诊断的特征。

(2)针对前文所述的正常状态和2种故障又分别做了5次试验，共得到15个特征向量。实验验证，当电机发生故障时，所测得的实际特征向量90%以上都与预先确定的特征向量一致(在表4所示的容差范围内)。根据已经建立的“特征—故障”的关系，就能确定被诊断系统中是否有故障，并确定故障类别。

(3)我们再对盖松故障和轴承不对中故障做功率谱分析，进一步确定故障所发生的具体时刻，盖松故障发生频率主要为4X-10X倍频，基频为电机转频46.6Hz，故障发生频率范围是[0～625Hz]；转子不对中故障以2倍频为主，伴有1倍频分量，故障发生频率范围是[0～312.5Hz] ，如图5、图6所示，与(1)描述结果相符。

图5 盖松故障功率谱 图6 转子不对中故障功率谱

[1] 马宏忠.电机状态监测与故障诊断[M].北京：机械工业出版社，2008.

[2]侯志祥，申群太，李河清.电机设备的现代故障诊断方法[J].电力系统及其自动化学报，2003，15(6)：61-63.

[3]肖琳君.电机故障振声诊断系统的研究[D].广州：广东工业大学，2007.

[4]胡昌华，李国华，刘涛，等.基于MATLAB 6.X的系统分析与设计—小波分析[M].西安：西安电子科技大学出版社，2004.

[5]刘泽华, 谷立臣.基于频域能量特征的故障分类方法研究[J].液压与气动，2007( 3)：67-70.

[6]孟永鹏,贾申利,荣命哲.小波包频带能量分解在断路器机械状态监测中的应用[J].西安交通大学学报，2004,30(10)：1013-1017.

[7]李小飞，赵生明，刘炜.小型鼠笼三相异步电机的故障诊断[J].机电技术，2013(4)：78-81.

[8]余熳烨，林颖.基于小波-神经网络的某电厂汽轮机振动故障诊断系统的研究[J].机床与液压，2013， 41(15)：194-196.

(编辑 李秀敏)

Audio Fault Classification Research Base on Relative Wavelet Packet Energy Spectrum

MO Hui-fang1，GU Ai-yu2，RAO Ming-hui1

(1.Department of Mechatronics ,Guangzhou Vocational College of Technology & Business，Guangzhou 511442, China;2.School of Automation ,Guangdong University of Technology ,Guangzhou 510006，China)

In this paper we reserch audio fault classification which use relative wavelet packet energy spectrum as the characteristics. It makes wavelet packet decomposition, uses decomposition coefficients to calculate the relative wavelet packet energy Spectrum, the energy changes in each frequency determine whether the motor is faulty. Establish “characteristics- fault” information table according standard faults. Tolerance range was introduced as an error standard to trive for diagnose error minization,which determine what kind of test fault. At last, comparing the relative wavelet energy spectrum in each frequency to determine the fault location. The example of audio fault detection has verified the effectiveness of the method.

motor noise; fault detection; relative wavelet packet energy spectrum

1001-2265(2014)07-0097-03

10.13462/j.cnki.mmtamt.2014.07.027

2013-08-29;

2013-11-03

粤港关键领域重点突破项目：高效变频家用空调器关键技术的研究及其应用(2010Z5104)

莫慧芳(1980—),女，广东肇庆人，广州科技贸易职业学院讲师，硕士，主要从事电机智能控制研究，(E-mail)hs2000112@163.com 。

TH166;TG65

A