Park矢量方法在電動機故障綜合診斷中的應用

韓 星 海

（濰坊學院，山東 濰坊 261061）

引言

三相交流異步電動機是應用最為廣泛的一種電氣設備，在生產過程中屬核心設備。電動機在運行中存有多種隱形的、不可預測的故障，直接影響到整個生產過程的安全、產品質量和生產效率。因此，研究電動機運行工況與監測技術及時掌握電動機在線運行情況，及時、準確地診斷出電動機故障并采取相應措施，對于保障電動機設備的安全運行以及企業的安全生產，具有重大的經濟效益。

國內雖然有部分生產設備具備自動化檢測和控制接口，但是絕大多數現用和將用的設備還沒有采用現代化的監測手段，對電動機運行的電壓、電流、電機溫升及軸承振動工況進行在線監測和控制，將Park矢量方法與信息融合技術應用于電動機故障綜合診斷。

1 Park矢量及其擴展方法應用理論

所謂的Park矢量(Park's Vector)由兩個分量組成，可表示為（iα，iβ），這兩個分量都是電動機定子繞組三相電流（ia，ib，ic）的函數，分別為：

在理想情況下，三相電流ia，ib，ic相互平衡，Park矢量具有下列形式

式中：iM——電源相電流幅值，A；

ω——電源角頻率，rad/s；

t ——時間變量，s。

如果以Park矢量的兩個分量分別作為橫縱坐標，隨著時間t的變化，其軌跡為一個圓，圓心為坐標系原點。在這種理想情況下，Park矢量的模為常數（對應于常量或直流）。

當電動機發生故障時，理想條件被破壞，三相電流不再平衡，同時可能會出現一些諧波或變頻分量。這時Park矢量的軌跡不再是一個圓，可能是橢圓，也可能是不規則的閉合曲線。具體形狀，決定于故障性質及其嚴重程度。圖1～4分別表示良好狀態和有不同故障的電動機三相電流的Park矢量軌跡圖像。

圖2 匝間短路故障的Park矢量軌跡

圖4 斷條和匝間短路故障的Park矢量軌跡

表1 派克矢量的模中包含的頻率成分

關于電動機定子繞組匝間短路故障相別的判定，通過實驗和理論分析，獲得如下判據：

（1）電動機三相繞組為三角形接法，不論轉子旋轉方向為順時針還是逆時針，也不論電源頻率是否為工頻，當Park矢量軌跡長軸指向150°時，從電源端看匝間短路相為A相；當Park矢量軌跡長軸指向90°時，匝間短路故障相為B相；當Park矢量軌跡長軸指向30°時，匝間短路故障相為C相。

（2）電動機三相繞組為星形接法，Park矢量軌跡長軸呈水平方向時，從電源端看匝間短路相為A相；當Park矢量軌跡長軸指向120°時，匝間短路故障相為B相；當Park矢量軌跡長軸指向60°時，匝間短路故障相為C相。

基于Park矢量的診斷電動機故障的基本方法，就是識別不同故障所對應的 Park矢量軌跡。運用 ANN的學習和模式識別能力，將斷相三相電壓不平衡等不同故障所對應的Park矢量軌跡作為學習樣本；通過學習，將不同故障所對應的Park矢量軌跡特征分別存儲在ANN當中，使之具有識別不同故障的能力。

擴展派克矢量方法(Extended Park'sVector Approach)，該方法是對Park矢量方法的延伸和擴展，該方法是以 Park矢量為基礎，對 Park矢量的模進行譜分析。因為對Park矢量取模后，將三相電流（ia，ib，ic）中的對稱分量轉換為直流分量(DC)，突出了轉子斷條、端環開裂等故障產生的邊頻分量（2ksf1），這樣故障特征頻率就很容易與電源基頻分量（f1）區分開來。而采用傳統的電流譜分析方法，難以將故障特征頻率(1±2ks)f1，與基頻分量 f1進行有效區分，特別是在電動機負載波動頻繁的情況下。圖5（a）和（b）分別為正常的電流信號和斷條故障狀態下的電流信號，圖 5（c）和（d）分別為對應的傳統的 FFT結果，圖 5（e）和（f）為對應的擴展 Park矢量方法結果。

圖5 傳統的FFT結果和擴展Park矢量方法結果的比較

2 Park矢量方法的信息融合的應用

基于信息融合的實質，Park矢量及其擴展方法其實就是一種典型的信息融合故障診斷方法。與全息譜技術進行對比，Park矢量方法是對電動機的三相電流信號直接進行時域內的融合，而全息譜技術則是對多維的機械振動位移信號通過相位信息在頻域內進行集成和融合。通過信息融合，兩種方法均突破了傳統的FFT分析的基本框架，提取到了單一的FFT分析所無法獲得的故障特征幾何圖形和圖像。按照信息融合的層次結構，通過與全息譜技術的對比，可以將Park矢量及其擴展方法劃歸為數據層融合方法。基于Park矢量診斷電動機故障的基本思路，就是識別不同故障所對應的Park矢量軌跡。國外的研究結果初步表明，可以通過識別Park矢量軌跡“橢圓”的形狀，來判斷定子繞組匝間短路故障；并且隨著故障程度的加重，橢圓的“扁平程度”越來越大，而且橢圓主軸方向與故障相有直接聯系（發生同相匝間短路故障時，橢圓主軸方向趨于一致）。

綜合信息融合的一般模型和數據融合的層次結構，構建電動機故障的信息融合診斷模型，如圖6所示。該模型涵蓋了數據融合的數據層、特征層、決策層三個層次，充分利用可用故障信息，進行多層次融合；采用了兩級診斷策略，以進一步提高故障診斷的準確性和靈敏性。

3 小結

將先進的理論應用到診斷電動機的轉子斷條、氣隙偏心、匝間短路故障的判斷，進一步提高故障診斷的準確性和靈敏性，使得電動機故障能夠提前預測，以便事前采取針對性措施來控制和防止事故的發生，從而避免設備突發性故障造成的設備損壞以及停工停產等巨大損失，減少計劃維修所造成的一些浪費，不斷提高設備完好率和設備使用率。

圖6 電機故障信息融合診斷模型

[1]陳理淵, 黃進. 基于支持向量機的電機轉子斷條故障診斷[J]. 電工技術學報, 2006(08).

[2]劉振興.電機故障在線監測診斷新原理和新技術研究[D]. 華中科技大學, 2004.

[3]陳理淵. 多傳感器數據融合及其在電機故障診斷中的應用研究[D]. 浙江大學, 2005.

[4]王旭紅.高壓旋轉電機的狀態監測和故障診斷研究[D]. 湖南大學, 2002.

[5]馬宏忠. 異步電動機轉子繞組故障后轉矩轉速的分析與計算[J]. 電工技術學報, 2004(04).