基于特征权值-小波包能量分析的异步电动机电气故障特征提取

郭昱君, 王爱元,2, 姚晓东,2

(1.上海电机学院 电气学院, 上海 201306；2.佛山市高明区明戈新型电机电控研究院, 广东 佛山 528500)

在当前的工业生产中,异步电动机在传动机构中的地位不可替代。异步电动机若发生一系列故障,必然会对整个生产流程造成影响,导致工厂的生产效率和效益受到损害。因此,从根源上阻止这一连串故障的发生,对异步电动机进行早期故障干预及可靠监测就显得尤为重要[1]。

基于信号处理的异步电动机故障诊断方法如图1所示。小波分析只能对信号的低频部分进行分析,虽然分解的效果是很可观的,但是对于信号的高频部分却无法分解。谱分析又称快速傅立叶变换(Fast Fourier Transform,FFT)分析,其分析范围是信号的时域和频域。小波包分析既能分析信号的低频部分,也能够分析高频部分[1]。异步电动机的故障时常出现在信号的高频部分,因此用小波包分析来处理异步电动机的故障信号是合适的。

图1 异步电动机故障诊断方法

文献[3]的研究对象为无人机,主要研究飞行器电机故障和角速度传感器故障。通过FFT分析法对故障信号进行处理,提取出时域和频域的特征,再通过概率神经网络进行故障分类。由于故障信号的干扰因素过多,直接进行FFT分析会使结果不够精确。

文献[4]的研究对象为机械设备故障,对故障设备的振动信号进行提取,通过FFT分析法,对机械设备进行及时故障诊断。虽然FFT分析法实时高效,但是对于振动信号这种不稳定的信号,很多时候其诊断结果不够精确。

文献[5-7]研究的都是电动机的各种故障,对于提取到的故障信号运用了小波分析的方法进行处理,提取到相应的故障特征再进行后续的诊断工作。为了减少多余的干扰,通过小波分析可使研究结果更加准确[8]。但是,小波变换对于高频信号处理不是很敏感,所以该方法还存在一定的改进空间。

电动机故障信号不是很平稳的信号,夹杂着很多各种各样的干扰信号,会对FFT 分析和小波分析这两种方法造成较大影响。小波包分析能够同时处理低频和高频信号,对信号特征的分析更为精确。Relief算法可以筛选特征值,将其控制在一定的阈值内,能够提高后续的故障诊断速度。因此,本文采用小波包能量分析法及特征权值Relief算法对电机故障信号特征进行提取,使所采集到的信号波形更加平滑,减少其他信号对研究的影响。研究对象选择转子断条和定子匝间短路这两种电动机常见电气故障。

1 两种异步电动机电气故障分析

在异步电动机的各种电气故障中,转子断条故障、定子匝间短路故障占了非常大的比例。下面对这两种故障进行分析。

1.1 转子断条故障

转子导条在异步电动机工作的时候,会受到各种各样应力的影响,这些应力随着电动机的运转起停和负载高低而变化。转子本身在生产制造的过程中,会存在很多的不足,这也是电动机出现转子断条故障很重要的原因之一[9]。异步电动机发生转子断条故障时的频率为ns为电动机同步转速；nr为电动机实际转速[9]。

异步电动机发生转子断条时,定子电流会出现(1±2s)fp的特征频率分量[10]。FFT分析是特征信号进行频谱分析的惯用方法。但是FFT也是存在缺陷的,由于电动机的故障信号不是平稳信号,在频谱分析的过程中,会带来许多干扰,不仅不能分辨出故障特征频率,而且也无法生成频谱图。这也是电动机的故障识别研究工作中,需要继续钻研的方面。

我关之林是个俗女子，俗不可耐，所以，我爱钱。我这个人就是这样，很现实。我从来不遮掩自己的目标，对金钱的渴望，对豪华阔绰的向往。我梦想床罩被单都是红晃晃的人民币拼凑而成的，枕头里塞的不是棉絮，而是金链金耳环钻石戒指；我梦想住的是山顶别墅，出门是法拉利，佣人保镖们对我毕恭毕敬。本姑娘我一高兴，纤纤玉指从随身携带的小包里掏出一叠人民币，眼睛不眨地打赏他们。

1.2 定子匝间短路故障

异步电动机在工作过程中,由于承受各种应力的作用,所以定子绕组匝间会容易损坏。定子绕组破损的程度会随着时间的增加而加重。匝间短路电流持续增大,使得损坏部分温度上升,进而造成更大范围的短路,最终导致电动机无法运行[11]。当电动机定子发生匝间短路故障后,气隙磁密发生变化,电动机各定子极间的对称性受到破坏,造成定子电流波形变形,出现故障特征谐波分量,其表达式为

2 基于特征权值算法-小波包能量分析的故障特征提取

2.1 小波包理论

小波包具有很好的时频特征,与小波相比,它能够更好地对所采集信号的高频部分进行分解。小波包分解图如图2所示。初始信号(0,0),小波包分解后得到低频信号(1,0)和高频信号(1,1)。继续对分解得到的高频和低频信号进行分解,又得到了相应的低频和高频信号。循此往复,就能够得到i层小波包分解的低频与高频信号。

图2 小波包分解图

对信号进行小波包分解:

2.2 小波包能量谱

输出的定子电流信号的各个频段能量会随着异步电动机发生的故障而相应发生变化[14]。按照帕塞瓦尔恒等式得出能量之间处于相等关系的结论,表示为

2.3 特征权值Relief算法

Relief算法主要用于计算特征权重,对于不同的类别赋予相应的权值,再定义一个阈值,将该阈值外的权值剔除,筛选出最合适的权值[16]。

3 异步电动机电气故障仿真

3.1 异步电动机电磁场有限元仿真

仿真的研究对象为2.2 kW 的笼型异步电动机,其主要参数如表1所示。

表1 异步电动机的主要参数

在电磁场有限元仿真中,对于转子断条的故障设置,采用减小转子导条的材料电导率的方法。搭建外电路,实现定子匝间短路故障的模拟。对某相的短路线圈设置一个短路电路,模拟某相绕组线圈匝数缺失。图3、4、5所示分别为正常电动机的仿真模型、转子断条电动机的仿真模型、电动机定子匝间短路的仿真模型。转子断条设定为第26号转子槽里的导条断条。

图4 转子断条电动机的仿真模型

图6为定子A相绕组匝间短路的外电路仿真模型。

图5中定子A相绕组短路线圈所在的槽号为1号和9号,正常的设计为43匝线圈。故障模型设定槽内20匝线圈出现匝间短路,对应图6外电路20匝线圈短路标识,剩余23匝线圈与A 相绕组的其他线圈串联接入。

图5 定子匝间短路电动机的仿真模型

图6 定子A相匝间短路的外电路仿真模型

图7、8、9所示为仿真后3种运行状况下的电磁场电流波形。对A相定子电流信号进行小波包能量分析,可从中提取能量不同的信号频段,继而通过Relief算法处理能量谱,得到相应的特征权值。

图7 正常电流波形

由图7、8、9可以看出,正常状态下的电流波形在10 ms处与两种故障状态下的电流波形在幅度上有微小的变化。在40 ms后,正常电流波形呈现出-15～15 A 范围内的正弦波变换,而图8转子断条故障下的电流波形变换范围在-5～5 A,图9定子匝间短路故障下的电流波形变换范围在-10～10 A。由此看出,凭借定子电流可以判断异步电动机是否发生了故障。

图8 转子断条电流波形

图9 定子匝间短路电流波形

3.2 定子电流信号处理仿真

图10、11、12所示为小波包能量分解重构的结果。

图10 电动机正常时小波包重构波形

图11 转子断条的小波包重构波形

图10所示为电动机正常时波形重构的每个频段的状态。第1张图为正常状态下去除干扰信号后的波形,与图7所示的波形相比,该图明显更加平滑,没有多余的毛刺。转子断条和定子匝间短路的小波包分解重构的波形与原始波形相比也是如此。因此,采用小波包分析进行信号处理比直接进行信号处理在特征提取上更加准确。从图10、11、12可以看出,当电动机发生故障时,每个频段里的波形是不一样的,代表着它们的能量值是不一样的。以此可以采集很多种故障下,不同的频段内的能量值,建立特征向量。

图13所示为3种状况下8个频段的能量比较。A0为定子匝间短路故障,A1 为转子断条故障,A2为正常状态。由此可见,每个状态下的在各个频段内的能量值是有差别的。通过每个频段内能量的差异,可以对故障的类别进行识别。

图12 定子匝间短路的小波包重构波形

图13 小波包的能量占比图

数据处理最重要的是利用小波包能量分析与重构的方法得到故障信息的特征向量,特征向量差异越大,得到的故障信息就越多。借助db8小波函数对样本进行3层小波包分解,得到了1组由8个特征能量组成的故障特征向量。再将得到的特征向量运用Relief算法进行特征权值的提取,每个频段节点的权值都为0.66。可以得知,每个频段的特征在所有提取的特征中比重是相同的,每一个频段内的变化都是故障产生的结果。3种状况下8个频段的特征能量如表2所示。

表2 3种状况下8个频段的特征能量

从表2给出的数据可以看出,每个故障在各个频段处的特征向量都会发生变化,而且在许多的节点处能看出能量显著不同。因此,借助小波包分解得到的特征向量对故障识别的应用是行之有效的,不但可以在保证精确的基础上,过滤掉不必要的信息量,而且能够节省诊断时间。

4 结 论

对异步电动机电气故障进行仿真与模拟后,得到电气故障信号,再通过小波包能量分解和重构得到的信号,对分解后的8个频段内的能量值进行求解,得出电动机正常状态、转子断条及定子匝间短路这3种状态下的特征向量。通过数据比较发现,在节点(3,0)、(3,1)和(3,2)处的能量差异值较大,可以作为判定电机故障类别的依据。通过Relief算法对小波包能量谱进行优化后得到特征权值为0.66,为输入神经网络中进行故障模式识别奠定基础。通过一系列仿真,得到的结果与预想中的效果相差无几,证明采取特征权值-小波包能量分析的方法可以提取出相应的故障特征向量和特征权值,有可行性。此外,该方法也可以给其他类型的故障诊断提供一定的参考。