一種基于解調技術的電機故障診斷方法

張雄希

（武漢科技大學 信息科學與工程學院，湖北 武漢430081）

0 前言

現代工業生產幾乎都離不開電機，電機己經是當今生產活動和日常生活中最主要的原動力和驅動裝置。電機發生故障和停止運行，會影響整個生產系統的正常工作，甚至會危及人身安全，因此，對電機故障的診斷要求十分迫切。通過對電機常見故障的診斷和分析，可以及早發現故障和預防故障的進一步惡化，同時，對電機故障定位、決策及維修都極為重要。

電機出現故障時，故障信號中往往含有大量的時變、短時突發性質的成分，傳統的信號分析方法如Fourier、小波變換等不能有效地提取電機的故障特征，在此基礎上的改進方法也不能完全滿足分析非線性、非平穩過程的要求。尋找其它有效的信號處理方法成為電機故障診斷的迫切要求[1]。

1 經驗模式分解的包絡解調技術

經驗模式分解(empirical mode decomposition,簡稱EMD)作為一種新的主成分分析法，可以根據被分析信號本身的特點，自適應選擇頻帶，確定信號在不同頻段的分辨率，具有更準確的譜結構，可對信號的頻譜結構作出精確的局部時頻分辨，比較適用于非線性、非平穩的信號分析。電機的許多故障信息是以調制的形式存在于所監測的電氣信號及振動信號之中，希爾伯特變換包絡解調方法有一定的局限性，即將不包括調制信息的兩時域相加信號也以其頻率之差作為解調信號而解出，使得在解調譜上出現無法分析或引起誤診斷的頻率成分。利用EMD方法良好的時頻分辨能力和它對信號的精確刻畫能力，結合希爾伯特包絡解調技術應用于電機的故障診斷中，為電機故障診斷提供了新的解決手段和方法。

通常，電機故障特征頻率分量較低，如和其他故障耦合或在強大的背景噪聲中，很難發現和提取故障特征。經驗模式分解依據信號的特征時間尺度分解任意信號，若干個本征模函數IMF1～IMFn分別反映信號中內嵌的簡單振蕩模式，依次包含從高頻到低頻的信號頻率成分，頻帶寬度由信號本身的特點所決定，利用經驗模式分解這一特性，能夠將電機監測信號中的各故障信息與背景噪聲進行有效分離。

通過經驗模式分解將復雜信號分解為若干個本征模函數(IMF)，將分離出的各本征模分量與原始信號進行相關分析，求得與各分量相對應的相關系數，依據相關系數序列值及其極值點特征確定包含原始信號主要信息的主IMF。在提取的主IMF分量中，對各分量進行希爾伯特包絡解調分析或一般頻譜分析，提取與故障相對應的頻率特征[2]，從而有效地判斷電機故障類型。

2 電機故障診斷總體過程

以鼠籠式異步電機作為研究對象，依據現場采集到的電機故障信號，分別對電機起動和穩定工作時的故障信號進行分析。先對監測信號作預處理如小波降噪等以提高信噪比，再利用EMD的自適應分解特性分離振動信號中的各故障特征信息及噪聲，然后經相關分析及EMD分解特征確定信號中代表故障特征信息主要分量，再對這些包含故障特征信息主要模式分量進行包絡解調分析以提取故障特征信息，確定電機所發生的故障類別。整個故障信號處理流程先后順序為：小波降噪、EMD分解、提取主本征模分量、包絡檢波、提取故障特征。該方法利用經驗模式分解來實現故障信息的有效分離，從而提高了診斷信號的信噪比，可有效地克服傳統希爾伯特包絡解調技術的局限性。

3 總結

基于經驗模式分解的包絡解調診斷技術能夠更有效和直觀地描述電機非線性、非平穩故障信號的特征。有效地克服傳統希爾伯特包絡解調技術中容易出現無法分析或引起頻率成分誤診斷的局限性，及時、準確地地判斷電機故障類型。能有效解決因電機故障頻率分量較低，在和其他故障耦合或在強大的背景噪聲中，很難發現和提取故障特征等難題。

［1］劉振興，尹項根，張哲.基于 Hilbert模量頻譜分析的異步電動機轉子故障在線監測與診斷方法[J].中國電機工程學報,2003，7.

［2］周粉利.基于 HHT 變換的電機故障診斷研究[D].武漢科技大學，2009，5.

［3］時獻江，張春喜，邵俊鵬.異步電機斷條故障診斷的細化包絡方法[J].電機與控制學報，2008(3).

［4］楊宇，于德介.經驗模態分解(EMD)在滾動軸承故障診斷中的應用[J].湖南大學學報，2003，30(5).

［5］沈標正.電機故障診斷技術[M].北京：機械工業出版社，1996.