基于EEMD和HHT的低壓異步電動機故障診斷

湯 成，張 懿，魏海峰，周嘯偉，丁 偉

(1.江蘇科技大學 電子信息學院，鎮江 212003；2.常熟瑞特電氣股份有限公司，常熟 215500；3.大全集團有限公司，鎮江 212200)

0 引 言

在船舶行業中，船舶上的設備運作幾乎都需要通過電機來實現。電機是電能和機械能相互轉化的一種設備，低壓異步電動機是目前應用最廣的機電傳動裝置，有著功率容量大、性能穩定、制造成本低、適應性強等優點。然而，船舶上的中小型電動機數量多、位置分散、安裝環境各異、起動方式多樣、無法進行全生命周期的全過程監測。隨著長時間的運作，電機各個部件的可靠性降低，出現故障的概率升高，電動機的性能下降、磨損加劇，甚至最終發生災難性故障，造成嚴重的人力物力損失。電機狀態監測及故障診斷技術提供了一種“治未病”的方法，應用各種信號分析與處理技術對取得的電機參數進行分析，在此基礎上提取出對特定故障敏感的特征信息，在電機出現小型故障時發現并準確定位故障，避免災難性故障的發生。

近年來，針對使用振動傳感器進行電機故障診斷，國內外學者進行了深入研究。目前，較為常用的特征提取方法是快速傅里葉變換(以下簡稱FFT)和短時傅里葉變換(以下簡稱STFT)。文獻[1]對FFT分析具體故障進行了實際工業應用。FFT就是將信號變換到頻域，是快速計算離散傅里葉變換(DFT)的計算機算法，在頻域上對時域上的信號進行描述，具有降低計算復雜度、減少計算時間的特點。但FFT對于時間不敏感，不能對時間域上的信號的某一局部進行刻畫，對突變和非平穩信號的描述效果也不理想。為了解決這些問題，利用STFT進行信號處理[2]，它在FFT的基礎上增加了窗函數，利用窗函數對信號進行截取，這樣就可以描述不同時刻的頻譜，便于非平穩信號的處理。然而，它的窗函數不能隨信號頻率的變化而變化，往往會出現頻率分辨率差或時間分辨率差的現象。因此，使用小波變換的方式對信號進行分析。小波變換對傅里葉變換的基底進行變換，把基函數由正弦信號變為長度有限、會衰減的小波基(一般是兩個正交基的分解)[3]，克服了STFT窗函數不能隨頻率變化的缺點。文獻[4]利用小波變換進行感應電動機轉子偏心故障診斷，證明了可以同時觀察頻率和時間軸，達到時間和頻率的最優化。但是，小波變換在處理信號和噪聲頻帶混疊的情況下效果不理想。Norden Huang提出了經驗模態分解(以下簡稱EMD)方法，它是一種針對非平穩信號的信號處理方法，這種方法將原始信號分解成一系列具有時變頻率的基本模態函數，能夠反映出非平穩信號的局部特征，無需預先選擇基函數，直接進行分解，對不同的特征尺度具有自適應性，適合非線性非平穩信號的分解[5-6]。然而，EMD存在模態混疊問題[7]。Flandrin又解決了EMD分解出現的模態混疊現象，提出了集合經驗模態分解。集合經驗模態分解的方法運用白噪聲在任何頻率上分布均勻的特征把白噪聲加入EMD分解中，有效解決了模態混疊現象，但是在引入噪聲后出現了不確定性[8]。

本文旨在利用集合經驗模態分解和希爾伯特-黃變換對低壓異步電動機的振動信號進行分析，對電機常見故障進行分析。利用壓電式振動傳感器采集電機運行時的振動信號，采集到的信號將采用集合經驗模態分解(以下簡稱EEMD)的方法進行分解，利用相關系數提取出關聯性較大的分量，對振動信號進行重構，重構后的信號使用希爾伯特-黃變換(以下簡稱HHT)信號處理方法，進行故障的判斷。這樣，既能解決EMD留下的模態混疊現象，又可以利用相關系數進行篩選，將低相關系數甚至負相關系數的分量進行去除，解決引入噪聲后的不確定性。

1 振動信號的采集

根據2015年中國船級社發布的《智能船舶規范》[9]，智能故障診斷技術中應注重以下幾個方面：

1)故障診斷思維的延申。要從通過故障現象分析故障機理、通過經驗解決問題，轉向以經驗機理為基礎、故障現象為表征、監測數據為內核、智能算法為手段、故障預測和狀態監測為目的的新方向。

2)診斷目標的延申。從傳統的故障之后分析解決問題，轉向及時識別機械故障的出現和演變、實時監測系統運行狀態、提前預測并化解、減少或避免事故的新方向。

3)診斷方法的延申。從人工搜集并篩選數據、基于機理提取故障特征的切片式診斷方法，轉向多工況、多隨機因素干擾下利用智能算法提取、篩選數據特征，并進行故障數據解析和全局分析的新方向。

振動信號采集是利用振動信號進行電機故障診斷的基礎。要想達到《智能船舶規范》中的要求，必須選擇一款適合進行數據特征提取、篩選的，精度較高的振動傳感器。常見的振動傳感器包括速度振動傳感器、加速度振動傳感器和渦流振動傳感器，如表1所示。

表1 振動傳感器分類及特點

從表1中可以看出，加速度振動傳感器是唯一適合于測量中高頻旋轉機械的振動傳感器。加速度振動傳感器不僅具有適合測量電機振動的特點，同時還具有結構緊密、體積小，安裝方式多樣等特點，并且可以利用其頻譜比較廣的特點，在整個頻譜范圍內進行頻譜分析，以便及時發現微小的故障。因此，相比于表1中的其他兩種傳感器，采用加速度傳感器測量異步電動機有著速度快、精度高、兼容性佳、針對性強的獨到優勢，可以實時監測不同頻率下振動信號的信號振幅，以滿足《智能船舶規范》智能故障診斷技術中要求的數據的實時性和準確性。

加速度振動傳感器可分為磁電式和壓電式兩種。壓電式加速度振動傳感器具有1 Hz～9 000 Hz的寬大頻率測量范圍，并具有更廉價、更耐用等優勢。此外，由于船舶上中小型電動機位置分散,安裝環境各異，而壓電式加速度振動傳感器安裝方式多樣，可以采用金屬螺栓安裝、對地絕緣轉換螺栓連接、膠粘劑粘接和磁鐵轉換吸盤連接四種安裝方式。因此，船用振動信號采集使用壓電式加速度振動傳感器。實驗平臺選用CA5005 M10型壓電式加速度振動傳感器，傳感器參數如表2所示。

表2 振動傳感器參數表

在實驗環境搭建時，將實驗用風機(三相低壓異步電動機)用四只螺柱進行固定，在風機軸承正上方安裝壓電式加速度振動傳感器，安裝采用膠粘劑粘接加磁鐵轉換吸盤連接雙重固定方式，以保證安裝牢固，不會掉落或影響安裝剛度。

綜上，實驗平臺采用壓電式加速度振動傳感器，利用風機作為低壓異步電動機進行實驗，風機及振動傳感器安裝位置如圖1所示。

圖1 振動信號故障診斷實驗平臺

平臺使用的風機為低壓異步電動機，外接三相交流電壓380 V電源，電機參數如表3所示。

表3 低壓異步電機參數

2 振動信號的處理

壓電式加速度傳感器采集到的信號，需要通過特征提取，才能進行故障識別和預測。利用合理的手段進行振動信號的故障特征提取，是系統故障診斷中的重要一環，信號的提取既保證了將振動信號中的有用信息準確提取，又可以明確機械故障信息表征。目前,對于振動信號的處理通常采用的都是FFT或STFT，雖然STFT在FFT的基礎上增加了取樣的窗函數，但是兩者對于非平穩信號的處理都不甚理想。使用EEMD可以對不同特征尺度的信號進行自適應，更適合于非線性非平穩信號的分解。

2.1 EEMD

EMD是一種新型、自適應時頻局部的時頻分析法，不僅能夠處理非靜態過程，還能使用按初始數據確定的自適應變換基的變換[10]。EEMD是一種噪聲輔助的數據分析手段，從EMD發展而來并解決了EMD發生的模態混疊現象。下面從EMD開始對EEMD的原理及特性進行分析。

對于非平穩信號x(t)而言，每一時刻的頻率都隨時間變化，不能用傅里葉變換中的全局性概念進行分析，需要采用瞬時頻率來表示信號的瞬時特性。采用希爾伯特變換可以將給定非平穩信號x(t)變換為y(t)：

構造解析函數z(t)：

把瞬時相位進行微分，得到瞬時頻率：

EEMD是在EMD的基礎上加入白噪聲，并使用EMD算法進行分解，可以得到本征模態函數(以下簡稱IMF)。根據白噪聲具有統一的頻率分布，將白噪聲添加進原信號中，因為白噪聲不同，因此在獲得IMF分量時相鄰IMF分量不會產生關聯，即EEMD解決了EMD的模態混疊現象。

假設任何復雜信號都是多個固有模態函數的和，任何模態函數都可以在線性和非線性之間相互獨立，則非平穩信號x(t)的EEMD分解步驟如圖2所示。

圖2 EEMD分解流程圖

2.2 相關系數

在得到各級IMF分量后，可以利用相關系數的方法對IMF分量進行篩選。相關系數是兩個變量之間的線性關系度量，在本文中，各級IMF分量的相關系數是指各級IMF分量和原信號之間的線性關系大小。相關系數的公式：

式中：x(t)表示原信號，yi表示第i級的IMF分量。利用x(t)和yi(t)的相關系數可以得到EEMD分解結果與原信號之間的線性相關性。根據公式可知，在原信號和IMF分量呈現負相關時，相關系數的值為負，且線性相關性越高，相關系數的值越大。在相關系數Q<0或低于設定閾值時，IMF分量是原信號的偽分量。這樣，就可以利用相關系數解決EEMD引入噪聲后IMF分量的不確定性。

2.3 HHT變換

在剔除偽IMF分量后,對IMF分量進行重構，重構步驟和EMD分解相反。接著，對重構后的信號進行HHT變換，得到重構信號的包絡。定義重構信號為H(ω)，則邊際譜函數h(ω)：

邊際譜函數H(ω)提供了每個頻率上的總振幅，即反映了在每個頻率上振動的情況，是對整個數據跨度的振幅的累積。

3 電動機故障診斷

電動機故障診斷實驗流程如圖3所示，實驗通過對風機振動信號的采集、數據處理，最終得到電機的故障診斷結果。

圖3 電機故障診斷模型

根據圖3的過程，利用MATLAB對采集到的數據進行信號處理，數據由每組3 304個分布在不同頻率上采集點所構成，上傳的數據采樣間隔為3 s。利用20組數據對近60 s電動機的振動狀態進行描述。下面列舉出異步低壓電動機在正常、堵轉、三相不平衡三種狀態下對采集到的數據進行信號處理的結果。

3.1 正常狀態下的EEMD分析

在正常情況下起動風機，采集風機的振動信號，通過EEMD，得到各級IMF分量，即IMF1～IMF12，各級IMF分量如圖4所示。

圖4 正常狀態下振動信號EEMD分解結果

在電機運行過程中，振動量值的采集往往同時包含著噪聲等無關分量，因此在EEMD分解后的各級IMF分量中包含著無關分量，甚至負相關分量，稱為偽分量。可利用各級分量的相關系數，將IMF分量中相關系數Q>10-4的分量進行提取，并定義提出偽分量后的分量為IMF’，各級IMF’分量如圖5所示。在IMF’分量中，每個分量與原信號都保持著較高的相關系數。

圖5 正常狀態下利用相關系數提取IMF分量結果

對經過篩選后的IMF分量,IMF’分量進行重構，得到重構后的信號，經重構的振動信號如圖6所示。

圖6 正常狀態下的信號重構

利用HHT，得到重構信號的包絡，如圖7所示。

圖7 正常狀態下的邊際譜函數

經過觀察正常狀態下的幅頻曲線可以看出，在正常狀態下，在頻率極小時，取到的幅值>0.18 m/s2；在頻率為300 Hz時，幅值有一次明顯的提升；在頻率略高于550 Hz時，幅值達到第二次高峰，取到的幅值略大于0.04 m/s2。

3.2 堵轉狀態下的EEMD分析

在風機成功起動后，將風機出風口用重物封住，使氣流無法從出風口排出風機。對于風機，這種措施可以造成輕微的堵轉故障。將風機開啟后堵住出風口，將采集到的振動信號通過EEMD，得到各級IMF分量，即IMF1～IMF12，IMF分量如圖8所示。

圖8 堵轉狀態下振動信號EEMD分解結果

堵轉時，將IMF分量相關系數Q>10-4的分量進行提取，并定義新的經過篩選后的分量為IMF’，各級經過篩選后的IMF’分量如圖9所示。

圖9 堵轉狀態下利用相關系數提取IMF分量結果

在堵轉情況下，對經過篩選后的IMF分量，IMF’分量進行重構，得到堵轉情況下重構后的信號，經重構的振動信號如圖10所示。

圖10 堵轉狀態下的信號重構

利用HHT，得到重構信號的邊際譜函數，如圖11所示。

圖11 堵轉狀態下的邊際譜函數

可以看出，在堵轉情況下，和正常狀態下相比，在頻率極小時，取到的幅值約為0.12 m/s2，遠小于正常情況下的0.18 m/s2以上；在頻率為300 Hz時，幅值有一次明顯的提升，與正常狀態下相同；在頻率略高于550 Hz時，幅值未超過頻率為25 Hz左右的極大值，取到的幅值小于0.04 m/s2。

3.3 三相不平衡狀態下EEMD分析

將一個螺栓固定在風機的鐵片上，人為制造一個三相不平衡故障。開啟風機，采集到的振動信號通過EEMD，得到各級IMF分量，即IMF1～IMF12，IMF分量如圖12所示。

圖12 三相不平衡狀態下振動信號EEMD分解結果

發生三相不平衡故障時，將提取到的IMF分量相關系數Q>10-4的分量進行提取，并定義去除偽分量的各級本征模態函數為IMF’，各級經過篩選后的IMF’分量如圖13所示。

圖13 三相不平衡狀態下利用相關系數提取IMF分量結果

在三相不平衡情況下，對經過篩選后的IMF分量,IMF’分量進行重構，得到堵轉情況下重構后的信號，經重構的振動信號如圖14所示。

圖14 三相不平衡狀態下的信號重構

利用HHT，得到重構信號的邊際譜函數，如圖15所示。

圖15 三相不平衡狀態下的邊際譜函數

可以看出，在三相不平衡狀態下，和正常狀態下相比，在頻率極小時，取到的幅值略大于0.14 m/s2，小于正常情況下的0.18 m/s2以上；在頻率為250 Hz時，幅值有一次明顯的提升，比正常狀態下相同下早了50 Hz左右；在頻率略高于550 Hz時，幅值未超過頻率為25 Hz左右的極大值，取到的幅值小于0.04 m/s2。

3.4 重復實驗

按照故障診斷模型的方法，對上述三種狀態進行其余87次實驗，得到了全部90組數據的診斷結果，其中有88次診斷結果和人為設置的故障相一致，其余2次正常情況被認作堵轉，診斷正確率為97.7%。

4 結 語

利用振動信號，進行EEMD、相關系數提取、重構信號和HHT得到信號的包絡，利用包絡進行故障診斷，并通過實例對此方法進行了驗證。結果證明，EEMD對于非平穩信號的分解有著很好的作用，HHT所得的邊際譜函數也可以對異步電動機的常見故障進行準確的識別。此種方法僅僅通過一個壓電式加速度振動傳感器，使用磁鐵轉換吸盤加膠粘安裝，診斷結果明了、準確，在至多60 s的時間內就能發現輕微的電機常見故障，在實際船舶行業分布式電機的實時監測和故障診斷中具有較高的使用價值和經濟價值。