舰船异步电动机故障模式及其诊断技术综述

刘 文，周智勇，蔡 巍

舰船异步电动机故障模式及其诊断技术综述

刘 文，周智勇，蔡 巍

（海军潜艇学院，山东青岛 266000）

以舰船异步电动机轴承故障、定子绕组匝间短路、转子断条等故障为研究对象，介绍其产生与分类。针对不同故障类型，梳理了目前主要的故障诊断方法，并进行归纳比较。最后，就基于数据驱动的异步电动机故障诊断技术发展趋势进行了展望。

异步电动机 轴承故障 定子绕组匝间短路 转子断条 故障诊断

0 引言

异步电动机是舰船中不可或缺的电气设备，其应用范围广泛，可作为辅机拖动设备使用，如空压机、锚机绞盘、水泵等，还可应用于推进系统。但在实际应用中，由于电机设计制造工艺复杂，长期处于高温、高湿恶劣环境，随时面临超负荷运转等问题，其故障发生概率很高。据统计，在各类异步电机故障中，40～50%与电机轴承有关，30～40%为电机定子或电枢故障，5～10%为电机转子故障，以及部分气隙偏心故障。

电机故障的发生不仅对其本身造成损害，还可能因此造成设备和经济损失，甚至影响舰船电力系统。因此，分析异步电机常见故障，研究相应的电机故障诊断技术，对提高设备运行的可靠性、减少故障停机损失、降低维修费用等有着重要意义[1]。本文简要介绍异步电机几类常见故障，梳理了主要故障诊断方法，并对基于数据驱动的异步电机故障诊断技术发展趋势作了展望。

1 电机轴承故障及其诊断技术

1.1 电机轴承故障

在电机的主要构成部件中，轴承起到固定、支撑等作用，对电机长期稳定运转起到重要作用。因长期承受高强压力和较高温度，电机轴承极易发生故障。在电机所有故障类型中，轴承故障占比达40%以上，属于电机最主要的故障类型[2]。在轴承故障中，可根据故障部位与种类进行细分，如按照部位分类，可分为内圈故障、外圈故障和滚动体损伤等；如按照种类分类，大致包括磨损失效、轴裂纹、腐蚀失效、断裂失效、压痕失效、胶合失效和保持架损坏等。

1.2 电机轴承故障诊断技术

电机轴承故障诊断通常以电机工作时的电流、温度、振动信号等为分析对象，表1中对部分电机轴承故障诊断技术进行了归纳。

表1 电机轴承故障诊断技术

基于振动信号分析的方法是目前电机轴承故障诊断领域的主流。随着技术不断发展，故障诊断呈现出多技术融合的发展趋势，大致包含两项主要内容。

一是信号处理和故障特征提取，包括快速傅里叶变换(Fast Fourier Transform, FFT)、Hilbert变换、小波变换(Wavelet Transform, WT)、双谱分析、经验模态分解(Empirical Mode Decomposition, EMD)[3]等。如文献[3]通过小波包分解和方差贡献率检验对经验模态分解(EMD)方法进行改进，结合双谱分析，提取调制在高频信号中的故障特征频率，实现电机轴承故障诊断；文献[4]将极点对称模态分解算法(Extreme-point Symmetric Code Decomposition, ESMD)、信息熵与相关性筛选方法和Hilbert变换相结合，利用快速峭度图优化带通滤波器，能够消除高频噪声的影响。

二是故障分类判断，即模式识别，包括支持向量机(Support Vector Machine, SVM）、相关向量机(Relevant Vector Machine, RVM)、核极限学习机(Kernel Extreme Learning Machine, KELM)、随机森林算法等。文献[5]提出基于深度学习的电机轴承故障诊断方法，无需对振动信号原始数据进行预处理，将原始振动数据直接输入CNN网络，通过卷积神经网络对原始振动信号特征频率进行有效提取，并通过softmax分类器对输出结果分类。文献[6]采用改进的粒子群优化算法对相关向量机的核函数参数进行优化，提高了相关向量机的分类准确率。使用单一的技术方法进行故障诊断，易受外界环境因素干扰影响诊断结果。通过多技术融合的方法，能够有效提高故障诊断精度，避免误判。文献[7]利用多尺度基本熵(Multiscale Base-scale Entropy, MBSE)算法对原始振动信号进行处理并提取故障特征向量，输入经过人工鱼群算法优化参数后的KELM进行故障分类识别，分类精度得到有效提高。文献[8]通过融合小波包分析和贝叶斯分类法进行故障分类诊断，较BP神经网络和最小二乘支持向量机具有更好的准确率，且诊断速度更快。文献[9]提出将特征选取技术与人工智能相结合，通过对多种信号所包含的信息进行融合以实现不同故障程度下的轴承外滚道故障分类与检测。

除了基于电机振动信号的电机轴承故障诊断方法，近年来基于定子电流的信号分析方法也逐渐成为国内外专家研究的热点。文献[10]提出利用WELCH分析法对定子电流信号进行分析处理，提取峰度、偏度等参数作为支持向量机的特征向量，利用交叉验证法对支持向量机进行参数寻优，输出故障类别。但经典的电机电流信号特征分析是基于FFT的频域分析方法，易受基频频谱泄露和偏心谐波以及供电系统强噪声的影响，在电机低负载运行时难以通过此方法对轴承故障进行准确判断[11]。

2 电机定子故障及其诊断技术

2.1 电机定子故障

在电机故障中，定子故障占比在30%以上，包括电机绕组短路故障、断路故障和接地故障。定子故障一般从匝间短路故障开始[12]，进而一步步发展成线圈短路、相间短路等更加严重的故障，因此对电机定子绕组匝间短路故障的早期诊断就显得尤为重要。

2.2 电机定子匝间短路故障诊断技术

电机定子匝间短路故障诊断技术的研究方法大致可分为三类，表2对其中部分方法进行了归纳。

表2 电机定子匝间短路故障诊断技术

一是基于信号分析的故障诊断[12]。目前电机电流信号分析方法(Motor Current Signal Analysis, MCSA)是一种主流信号分析方法，通过多种信号处理方法提取故障特征值实现故障诊断，如负序电流法、负序视在阻抗法、派克变换法等。文献[13]建立异步电机定子绕组匝间短路故障诊断数学模型，利用Park's矢量法将三相静止坐标系中的定子电流信号变换到两相静止αβ0坐标系下，对Park矢量模进行谱分析，利用二倍频分量与直流分量的比值判断电机匝间短路故障及故障严重程度。定子电流中的负序电流分量能够有效反映定子匝间短路故障，但当转子存在断条故障时，定子电流中也会产生负序电流分量，有学者提出一种预先使用频谱校正技术和自适应滤波技术对定子电流进行处理的方法，消除其中转子故障（断条或偏心）可能引起的定子电流负序分量，以此排除其对于定子匝间短路故障检测的影响，通过仿真和实验，验证了所提方法的有效性。

二是基于人工智能的故障诊断。此方法常与信号分析的方法进行结合，能够有效提高诊断准确率。有学者通过最优小波树和改进的优化神经网络实现感应电机定子绕组匝间故障的诊断，利用最优小波树对滤除基波分量的定子电流信号进行处理，得到适合输入BP神经网络的特征向量，再利用捕食搜索算法优化的遗传算法对BP神经网络的权值、阈值进行优化，最终实现对定子绕组匝间短路故障的诊断。另有文献提出一种基于派克变换和模糊神经网络的电机定子绕组匝间短路故障的在线诊断方法，通过构建模糊神经网络的短路匝数诊断模型，解决派克矢量模的几何形状无法确定短路匝数的问题。文献[14]提出使用瞬时对称分量分析(Instantaneous Symmetrical Components Analysis, ISCA)的方法对定子电流进行预处理，使用FFT进行故障特征提取，利用Kohonen自组织神经网络进行故障分类。经验证所提方法能够有效识别定子和转子早期绕组故障并进行分类。

三是采用多信号融合分析判断定子绕组匝间短路故障，通过多信号融合，可有效改善依托单一信号故障特征进行故障诊断的漏判、误判问题，有效提高诊断的准确率，如文献[15]通过对定子电流信号的负序电流差和定子振动信号的二倍频分量的故障特征提取，利用多源特征信息的证据理论融合进行故障诊断，准确率明显高于依托单一信号故障特征的诊断结果；也有学者通过对负序电压、电流分量进行李萨如融合，在图形特征图中提取故障特征，通过仿真分析得出在不同负载下负序视在阻抗、负序阻抗角以及椭圆倾角作为图形特征量对负载变化具有较好的鲁棒性，实验验证负序李萨如图形椭圆倾角对定子匝间短路故障最为敏感，适合用来对匝间短路故障进行诊断。

3 电机转子故障及其诊断技术

3.1 电机转子故障

电机转子故障约占到异步电机故障的5～10%，异步电机在启动时具有较大的电流和启动转矩，会在转子导条和端环产生高温和巨大应力，可能导致导条断裂或端环断裂，从而影响电机正常工作甚至产生更为严重的后果。

3.2 电机转子断条故障诊断技术

异步电机转子断条故障诊断的主流技术是MCSA方法。当电机转子出现断条故障时，会在电机电流频谱信号中出现故障特征谐波分量，通过对故障特征分量的提取，达到断条故障诊断的目的。但MCSA方法仍存在一些问题，如故障诊断所需数据量庞大，对数据存储和传输造成很大负担，诊断效率不高；故障特征边频分量易被基频分量所淹没，造成故障诊断精度不高或误判漏判。针对上述问题，多数学者尝试将MCSA方法与其他优化算法相结合，借以提高故障诊断精度，提高诊断效率，如文献[16]将不相关流形的连续投影算法(Successive Projections onto Incoherent Manifolds, SPIN)与MCSA技术结合，通过分离故障特征分量有效减少数据存储和传输占有率，提高数据利用率；文献[17]在利用矩阵束算法识别定子电流基波频率的基础上，通过旋转滤波技术消除基波对故障特征频率的淹没效果，再通过矩阵束算法分辨故障特征频率，籍此提高短时数据分辨率，有效提取故障特征频率判断故障；文献[18]将多重信号分类(Multiple Signal Classification, MUSIC)与支持向量回归(Support Vector Regression Machine, SVRM)算法结合，弥补了传统MCSA方法中边频分量易淹没于基频分量的问题，能够在少量数据的情况下进行故障检测且具有较好的抗噪能力。文献[19]采用MCSA、包络分析和过零时间信号分析3种信号处理方法对定子电流信号进行分析并计算统计特征量，之后利用Relief特征选择算法提取有效特征并实现特征空间降维，最后利用自组织映射神经网络实现故障可视化诊断和分类。针对MCSA方法在电机低转差率情况下诊断精度较差的问题，许伯强等人通过理论推导，得出电机瞬时无功功率信号与电机转子断条数量对应关系，从而在低转差率情况下消除基频分量对边频分量影响，判断转子断条数量[20]。

4 异步电动机故障诊断技术研究展望

目前，依托单一信号源的异步电机故障诊断技术仍占主要地位，但多数故障诊断技术普适性不强，且易受多种因素影响。随着数据驱动技术的深入发展，结合现有技术研究，未来可深入研究的方向包括以下几点：

4.1 充分利用数据融合与数据挖掘技术

单一信号故障特征提取分析易受到各种环境因素影响，且在不同工况下模型提取的敏感性受到限制，其可信度和准确度易受到质疑。通过数据融合技术将多种信号提取的故障特征进行汇总、融合，综合分析，能够有效避免故障误判，现阶段数据融合技术在电机故障诊断领域的应用，多为两种信号的综合分析，如何开发更多的有效信号故障特征提取，并将其统一融合应用于故障诊断需要进一步研究。电机在工作中会产生大量的信号数据，故障诊断需要在海量的数据中提取出能够有效判断电机故障的特征量，庞大的数据量和有限的数据传输效率都增大了故障诊断难度，将数据挖掘技术应用到电机故障诊断中，从数据库中挖掘出有效知识，提取并验证故障诊断规则，提高故障诊断效率。这些都需要研究探索。

4.2 提高故障诊断模型普适性

目前多数故障诊断技术的提出仅适用于一型电机或一类故障，很难将其进行推广应用，如支持向量机作为模式识别领域的一种有效分类方法，大量研究表明其在故障诊断领域具有很好的应用价值，但当其应用于不同类型故障诊断时，往往需要结合不同的信号预处理和故障特征提取方法，没有哪种方法能够将数种故障类型同时进行分类。这一问题需要进一步研究解决。

4.3 复杂运行环境下的故障诊断

目前电机故障诊断，多数处在良好环境、稳定工况下，且故障单一。但电机实际往往运行于复杂环境中，现场采集数据噪声大，环境条件、平台振动、外界干扰、工况变化均可能导致诊断误报。例如，环境会对电机绝缘材料性质产生影响[12]；电机自身不对称、供电不平衡等因素将弱化其轻载运行时的故障特征；电机多种故障间可能存在相互影响等。通过何种方法能够有效消除、抑制各类因素对故障诊断的干扰，以及各种故障之间是否存在相互干扰等都是值得继续深入探索的问题。

5 结语

本文综合阐述了舰船异步电动机故障类别及诊断技术现状，针对当前研究中存在的问题与不足，结合诊断技术发展趋势进行了分析与展望。随着数据采集技术的不断进步，必须紧跟数据时代发展，充分将数据融合、挖掘技术与传统诊断技术相结合，促进舰船异步电动机故障诊断技术研究进一步完善提高。

[1] 丁石川, 厉雪衣, 杭俊等.深度学习理论及其在电机故障诊断中的研究现状与展望[J]. 电力系统保护与控制, 2020, 48(8): 172-187.

[2] 葛兴来, 邹丹. 多层降噪技术及Hilbert变换的轴承故障诊断方法[J].电机与控制学报, 2020, 24(8):9-17.

[3] 陈宗祥, 陈明星, 焦民胜等.基于改进EMD和双谱分析的电机轴承故障故障诊断实现[J]. 电机与控制学报, 2018, 22(5): 78-83.

[4] 宿文才, 张树团, 贺英政. 基于ESMD和快速谱峭度的电机轴承故障诊断[J].微电机, 2019, 52(1):6-10.

[5] 许爱华, 杜洋, 袁涛.基于深度学习的电机轴承故障诊断研究[J]. 组合机床与自动化加工技术, 2020(3): 45-48.

[6] 杜坚, 胡洁, 仇芝.基于改进粒子群相关向量机电机轴承故障诊断[J]. 应用力学学报, 2019, 36(4): 779-784.

[7] 王冬梅, 车一鸣, 宋慧欣. 基于多尺度基本熵和参数优化KELM的电机轴承故障诊断[J]. 组合机床与自动加工技术, 2018, 4: 139-144.

[8] 杨晓珍, 周继续, 邓举明. 基于改进贝叶斯分类的电机轴承故障诊断系统研究[J]. 机床与液压， 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, 郑新潮, 邱翔等. 基于支持向量机的船舶感应电机轴承故障在线诊断方法[J]. 船海工程, 2020, 49(5): 1-9.

[11] 宋向金, 王卓, 胡静涛等. Hilbert解调制方法诊断异步电机轴承故障[J]. 电工技术学报, 2018, 33(21): 4941-4948.

[12] 郑大勇, 张品佳. 交流电机定子绝缘故障诊断与在线检测技术综述[J]. 中国电机工程学报, 2019,39(2): 395-406.

[13] 罗昊. 基于扩展Park's矢量法的异步电机定子绕组匝间短路故障诊断技术研究[J]. 电气工程与自动化, 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] 王栋悦, 谷怀广, 魏书荣等. 基于机电信号融合的DFIG定子绕组匝间短路故障诊断[J]. 电力系统自动化, 2020, 44(9): 171-178.

[16] 王剑英, 董唯光, 高锋阳等. 基于SPIN算法的异步电机转子断条故障信号分离[J]. 兰州交通大学学报, 2018, 37(5): 57-61.

[17] 林志芳. 基于旋转滤波-矩阵束的异步电机转子断条故障诊断[J]. 电机与控制应用, 2019, 46(4): 110-114.

[18] 刘志坚, 李德路, 吴玮. 基于MUSIC与SVRM的感应电动机转子断条故障检测[J]. 微特电机, 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] 许伯强, 孙丽玲. 基于MIRPSA的感应电动机转子断条数目诊断判据[J]. 电力自动化设备, 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

刘文（1991-），男，硕士研究生。研究方向：舰船动力装置管理与保障。E-mail: 546375921@qq.com