基于電機(jī)驅(qū)動系統(tǒng)自傳感的機(jī)械故障診斷研究綜述

姚 遠(yuǎn) 李葉松 雷 力,3 謝 斌 王耀輝

基于電機(jī)驅(qū)動系統(tǒng)自傳感的機(jī)械故障診斷研究綜述

姚 遠(yuǎn)1李葉松2雷 力2,3謝 斌2王耀輝2

（1. 河南工業(yè)大學(xué)電氣工程學(xué)院 鄭州 450001 2. 華中科技大學(xué)人工智能與自動化學(xué)院 武漢 430074 3. 武漢華中數(shù)控股份有限公司 武漢 430223）

對數(shù)控機(jī)床和工業(yè)機(jī)器人等關(guān)鍵制造裝備開展?fàn)顟B(tài)監(jiān)控與故障診斷研究，有助于提高設(shè)備安全性、可靠性，提升制造業(yè)智能化水平。與傳統(tǒng)振動分析方法相比，將機(jī)電系統(tǒng)的執(zhí)行 器——電機(jī)驅(qū)動器作為感知器有助于實現(xiàn)無附加傳感裝置的機(jī)械故障診斷。該文聚焦電機(jī)驅(qū)動系統(tǒng)在機(jī)械設(shè)備運行狀態(tài)感知領(lǐng)域的應(yīng)用，綜述了國內(nèi)外基于電機(jī)驅(qū)動系統(tǒng)測量、控制和觀測信號的機(jī)械故障診斷研究，并結(jié)合電機(jī)驅(qū)動系統(tǒng)自身特性和工程實踐需求，提出自傳感方法在應(yīng)用中存在的一些關(guān)鍵性問題與可能的解決途徑。

故障診斷 電機(jī)驅(qū)動 自傳感 故障分離 信息融合

0 引言

開展機(jī)械系統(tǒng)故障診斷研究不僅可以提高數(shù)控機(jī)床和工業(yè)機(jī)器人設(shè)備的安全性、可靠性和可維護(hù)性，預(yù)防重大生產(chǎn)安全事故，延長設(shè)備使用壽命，而且有助于提升集成電路制造、航空航天裝備、海洋工程裝備、軌道交通裝備等一系列關(guān)鍵領(lǐng)域產(chǎn)品的智能化水平。

近年來，隨著智能診斷理論與方法，尤其是大數(shù)據(jù)技術(shù)的進(jìn)步，故障特征提取、故障識別及壽命預(yù)測研究都得到了長足的發(fā)展。然而，這些研究多直接以外部附加傳感器作為數(shù)據(jù)來源，在信號獲取便捷化、信息維度豐富化方面，還有待解決與深入。

電機(jī)作為電能到機(jī)械能的轉(zhuǎn)換裝置，被廣泛地應(yīng)用在工業(yè)生產(chǎn)的各個領(lǐng)域。國際能源署2019年發(fā)布的《世界能源展望》報告中指出，電力需求增速是全球能源增速的兩倍多，而全球電力需求增長的主要驅(qū)動力是在工業(yè)生產(chǎn)領(lǐng)域使用的電機(jī)，尤其是中國的工業(yè)電機(jī)[1]。其中，采用閉環(huán)控制策略的電機(jī)驅(qū)動系統(tǒng)以其高精度、寬調(diào)速范圍的特點廣泛用于航空航天、集成電路制造、海洋工程裝備等工業(yè)和制造業(yè)部門。

通常，電機(jī)通過絲杠、齒輪、聯(lián)軸器等傳動機(jī)構(gòu)，按照指定的位置、速度和力矩指令，驅(qū)動負(fù)載進(jìn)行運動。同時，包含傳動機(jī)構(gòu)在內(nèi)的機(jī)械設(shè)備的運行狀態(tài)也會反饋到電機(jī)驅(qū)動系統(tǒng)中?；陔姍C(jī)結(jié)構(gòu)特點和能量轉(zhuǎn)換關(guān)系，威斯康星大學(xué)麥迪遜分校的R. D. Lorenz教授提出了“自傳感”概念：在電機(jī)驅(qū)動系統(tǒng)有限的測量信息的基礎(chǔ)上，通過觀測、估算的方式得到電機(jī)的運動和磁場信息，從而將電機(jī)驅(qū)動系統(tǒng)構(gòu)造為“集成傳感系統(tǒng)”[2]。應(yīng)用自傳感信息既可改善電機(jī)控制效果[3]，又可輔助進(jìn)行故障檢測[4]。

與基于振動、位移、噪聲、熱成像信號的故障診斷方法相比，將電機(jī)驅(qū)動器作為感知器可以避免外部附加傳感器帶來的安裝不便、安裝位置影響信號一致性、信號來源單一、使用成本較高等問題[4]。為了發(fā)揮電機(jī)驅(qū)動器自身的感知能力，可以利用電機(jī)和驅(qū)動器內(nèi)置的傳感器測量電流、位置信號，提取電機(jī)控制過程中蘊含機(jī)械運動狀態(tài)的控制信息，構(gòu)建觀測器、辨識器獲取電機(jī)轉(zhuǎn)矩、功率和機(jī)械參數(shù)，從而構(gòu)建多物理維度的電機(jī)驅(qū)動系統(tǒng)自傳感信息庫。

電機(jī)驅(qū)動系統(tǒng)中蘊含豐富的機(jī)械負(fù)載運行狀態(tài)信息，研究基于電機(jī)驅(qū)動系統(tǒng)自傳感的故障診斷方法可在不安裝附加傳感器的基礎(chǔ)上豐富機(jī)械故障診斷的數(shù)據(jù)來源，為提升制造裝備智能化水平提供助力。電機(jī)驅(qū)動系統(tǒng)自傳感信息庫如圖1所示。

圖1 電機(jī)驅(qū)動系統(tǒng)自傳感信息庫

本文聚焦電機(jī)驅(qū)動系統(tǒng)自傳感這一新型信息感知方案，在歸納整理近年來基于電機(jī)定子電流、負(fù)載轉(zhuǎn)矩、矢量電信號、電功率、位置信號和機(jī)械特性信息的機(jī)械故障診斷文獻(xiàn)的基礎(chǔ)上，提出了基于電機(jī)驅(qū)動系統(tǒng)自傳感的機(jī)械故障中存在的關(guān)鍵性問題，并指出了可能的解決途徑，可為后續(xù)研究提供參考。

1 基于電機(jī)驅(qū)動系統(tǒng)自傳感的機(jī)械故障診斷研究

機(jī)械故障診斷包括數(shù)據(jù)采集、特征提取和故障識別三個環(huán)節(jié)[5]。其中，數(shù)據(jù)采集是診斷的基礎(chǔ)，數(shù)據(jù)的物理意義及其蘊含故障信息的豐富程度直接影響了故障診斷的準(zhǔn)確性。

電機(jī)通過傳動系統(tǒng)驅(qū)動機(jī)械負(fù)載按照指定軌跡進(jìn)行運動。同時，當(dāng)機(jī)械系統(tǒng)發(fā)生故障時，機(jī)械故障特征信號也會通過傳動系統(tǒng)反饋在電機(jī)驅(qū)動器中。目前，關(guān)于機(jī)械故障對電機(jī)驅(qū)動系統(tǒng)的影響機(jī)理存在兩種觀點：一是機(jī)械故障可等效為電機(jī)驅(qū)動系統(tǒng)負(fù)載轉(zhuǎn)矩的波動，進(jìn)而引起電機(jī)電流、轉(zhuǎn)速和功率的波動[4, 6]；二是機(jī)械振動會傳遞到電機(jī)軸上，進(jìn)而引發(fā)電機(jī)氣隙磁場的偏心和磁導(dǎo)率的變化[7]，并反映在電流和轉(zhuǎn)速信號中。一般認(rèn)為，前者對應(yīng)早期和常規(guī)故障狀態(tài)，而后者對應(yīng)嚴(yán)重的軸承故障情形[8]。

電機(jī)驅(qū)動系統(tǒng)是典型的多變量耦合系統(tǒng)，當(dāng)發(fā)生外部機(jī)械故障時：一方面，可從定子電流、轉(zhuǎn)矩電流、編碼器反饋信號中提取故障特征；另一方面，可設(shè)計功率估算器，構(gòu)造基于矢量電信號的故障觀測器獲取故障特征信息。此外，通過電機(jī)驅(qū)動器施加激勵信號可辨識系統(tǒng)響應(yīng)特性和機(jī)械參數(shù)，主動檢測機(jī)械系統(tǒng)的運行狀態(tài)。

1.1 基于定子電流

電機(jī)定子電流分析方法在電機(jī)和機(jī)械故障診斷中都有廣泛的應(yīng)用。在控制過程中，當(dāng)機(jī)械故障引發(fā)外部負(fù)載轉(zhuǎn)矩波動時，電機(jī)電磁轉(zhuǎn)矩將產(chǎn)生一個起平衡作用的波動轉(zhuǎn)矩分量，從而導(dǎo)致電機(jī)定子電流中也產(chǎn)生相應(yīng)的波動。電機(jī)定子電流分析方法的優(yōu)點在于信號采集簡便快捷，且不會對機(jī)械負(fù)載機(jī)構(gòu)的運行產(chǎn)生影響。在電機(jī)驅(qū)動系統(tǒng)閉環(huán)控制過程中，通過驅(qū)動器內(nèi)置的電流霍爾元件可測量電機(jī)定子電流。同時，也可以在電機(jī)動力線上安裝霍爾傳感器測量定子電流。

圖2 故障狀態(tài)下電機(jī)驅(qū)動系統(tǒng)的負(fù)載轉(zhuǎn)矩、定子電流和q軸電流時域信號及其頻譜示意圖

1.2 基于矢量電信號

為避免定子電流信號中的電角頻率對邊頻帶提取的影響，研究人員提出了基于矢量電信號的故障診斷指標(biāo)和故障觀測器。

亞眠大學(xué)的S. H. Kia和博洛尼亞大學(xué)的Y. Gritli等通過電機(jī)矢量控制方案中d軸電流、電壓構(gòu)建了空間矢量電信號作為故障診斷指標(biāo)，分別實現(xiàn)了齒輪磨損和轉(zhuǎn)子偏心故障的檢測[12-13]。里昂大學(xué)的M. Frini等總結(jié)了基于矢量電信號軌跡的齒輪故障診斷方法[14]，包含基于dq軸電流、電壓信號（d,d,q,q），繪制了李薩如圖形[15]和弗萊納（Frenet- Serrt）標(biāo)架[16]下三相定子電流空間曲線。與定子電流的對比實驗表明，基于幾何指標(biāo)的齒輪故障診斷方案能夠克服電流信號中噪聲的影響。

1.3 基于電機(jī)轉(zhuǎn)矩估測

當(dāng)永磁同步電機(jī)采用d軸電流等于0的矢量控制方案時，可認(rèn)為q軸電流與電機(jī)轉(zhuǎn)矩間具有近似線性關(guān)系。在其他控制方案中，也可通過構(gòu)建轉(zhuǎn)矩觀測器、估算器的方式計算電機(jī)負(fù)載轉(zhuǎn)矩。為了統(tǒng)一表述，本文采用電機(jī)轉(zhuǎn)矩估測值來描述基于q軸電流、觀測器和估算器的轉(zhuǎn)矩估測方式。

與定子電流相比，轉(zhuǎn)矩信號能夠直接反映電機(jī)與機(jī)械負(fù)載間的動力學(xué)關(guān)聯(lián)。同時，電機(jī)轉(zhuǎn)矩頻譜中的故障特征頻率不會受到電機(jī)電角頻率調(diào)制作用的影響而與機(jī)械故障特征頻率保持一致（見圖2）。伊朗學(xué)者M(jìn). H. Marzebali和阿根廷學(xué)者C. Verucchi等通過對比基于電磁轉(zhuǎn)矩估測值和定子電流在多種聯(lián)軸器偏心故障診斷中的應(yīng)用，指出轉(zhuǎn)矩估測值和定子電流頻譜中故障特征分量幅值隨負(fù)載轉(zhuǎn)矩的變化規(guī)律[17-18]。針對聯(lián)軸器不對中故障，華中科技大學(xué)Yao Yuan等從電機(jī)控制過程中同時獲取編碼器反饋相位和q軸電流信號，通過轉(zhuǎn)矩相位圖方法定位了不對中故障發(fā)生的位置[4]。相比于定子電流，通過對電機(jī)轉(zhuǎn)矩進(jìn)行頻譜分析可直接得到故障特征頻率，簡化故障特征提取與故障識別流程。但電機(jī)轉(zhuǎn)矩估測信號的有效頻率范圍會受到控制器、觀測器帶寬的約束，難以有效表征高頻故障特征[2]。

1.4 基于功率信號

電機(jī)有功功率可反映機(jī)械負(fù)載運行過程中的能量消耗情況，電機(jī)無功功率能夠反映電機(jī)磁場和逆變器特性[19-20]，監(jiān)控電機(jī)功率信號可對機(jī)電系統(tǒng)運行狀態(tài)評估提供有力支持。

在矢量控制方案中，通過獲取同步旋轉(zhuǎn)坐標(biāo)系下的dq軸電流、電壓可以估算有功功率和無功功率[21]，有

德黑蘭大學(xué)J. Faiz等先估算了電機(jī)功率信號，然后從無功功率頻譜中提取了偏心故障因子，實現(xiàn)了風(fēng)力發(fā)電機(jī)偏心故障的診斷[20]。針對軸承磨損故障，馬來西亞理工大學(xué)的M. Irfan等根據(jù)瞬時定子電流與電壓計算了電機(jī)瞬時功率，并從瞬時功率譜中提取了故障特征分量[22]。該研究表明，電機(jī)輕載狀態(tài)下，基于瞬時功率譜的故障診斷方法比定子電流頻譜分析方法更為敏感。

相比于矢量電信號，電機(jī)功率具有更加明確的物理意義，且能夠描述機(jī)械設(shè)備在一段時間內(nèi)的運行狀態(tài)[23]。但一般電機(jī)驅(qū)動器僅內(nèi)置兩相電流傳感器而不含電壓傳感器，因此需要重構(gòu)電壓信號。同時，逆變器非線性、電流測量噪聲及電流電壓信號間同步性的問題都會影響功率信號的準(zhǔn)確估算。

1.5 基于位置信號

通過電機(jī)編碼器或位置觀測器可以獲取電機(jī)的位置和速度信號用于故障診斷。西安交通大學(xué)的Zhao Ming等設(shè)計了一種基于峭度的局部多項式微分算子，對旋轉(zhuǎn)機(jī)械系統(tǒng)的角速度進(jìn)行估計，并通過捕捉機(jī)械故障引發(fā)的速度抖動，實現(xiàn)了行星齒輪箱的健康監(jiān)測[24]。

除了直接觀測速度和位置信號外，R. D. Lorenz教授團(tuán)隊在電機(jī)驅(qū)動系統(tǒng)自傳感概念[25-27]后，進(jìn)一步提出了一種級聯(lián)式的運動誤差觀測器[28]對齒輪表面磨損故障進(jìn)行檢測。哈爾濱工業(yè)大學(xué)楊明等分別利用位域誤差信號和速度信號，實現(xiàn)了加減速運行狀態(tài)下齒輪和軸承故障的診斷[29-30]。但受限于速度、位置閉環(huán)控制結(jié)構(gòu)，電機(jī)驅(qū)動系統(tǒng)位置和速度信號中的故障相關(guān)諧波分量會受到抑制，進(jìn)而影響診斷效果。

1.6 基于機(jī)械特性

當(dāng)機(jī)械系統(tǒng)發(fā)生故障時，機(jī)電系統(tǒng)的頻域響應(yīng)特性和機(jī)械參數(shù)都會發(fā)生變化。通過檢測健康和故障狀態(tài)下系統(tǒng)機(jī)械特性的差異，可以診斷機(jī)械故障。但機(jī)械設(shè)備安裝完成后，難以再通過錘擊法[31]等常規(guī)實驗方法測量機(jī)械特性。同時，動力學(xué)仿真[32]和數(shù)學(xué)建模方法[33]也不易準(zhǔn)確獲取機(jī)電系統(tǒng)的物理特性。

控制系統(tǒng)頻域分析方法常被用于描述電機(jī)驅(qū)動系統(tǒng)的控制性能：一方面，這種方法可用于檢測電機(jī)繞組故障[34]；另一方面，作為機(jī)電系統(tǒng)的執(zhí)行器和感知器，電機(jī)驅(qū)動器也可用于激發(fā)系統(tǒng)頻域響應(yīng)特性，辨識機(jī)械參數(shù)[35]。錫根大學(xué)的H. Zoubek等通過在電機(jī)速度控制器輸出中注入偽隨機(jī)信號，并利用內(nèi)置編碼器測量電機(jī)運行速度的方式獲取了包括電機(jī)、軸承和負(fù)載在內(nèi)的機(jī)電系統(tǒng)的頻域響應(yīng)特性。隨后，根據(jù)幅頻響應(yīng)中故障特征頻率的幅值可以實現(xiàn)軸承點蝕故障的檢測[36]。

除系統(tǒng)頻域響應(yīng)外，基于電機(jī)驅(qū)動系統(tǒng)開展機(jī)械參數(shù)辨識也有助于實現(xiàn)故障診斷。華中科技大學(xué)的Luo Bo等[37]先利用深度學(xué)習(xí)方法從海量運行數(shù)據(jù)中篩選沖激響應(yīng)過程數(shù)據(jù)，然后根據(jù)沖激響應(yīng)數(shù)據(jù)辨識機(jī)械系統(tǒng)的自然振蕩頻率與阻尼系統(tǒng)，并構(gòu)造了故障特征向量，實現(xiàn)了數(shù)控機(jī)床早期故障診斷。

表1總結(jié)了機(jī)械故障診斷中自傳感信息與振動信號及不同自傳感信息間的優(yōu)勢與局限性。

表1 機(jī)械故障診斷中不同傳感信息的優(yōu)勢與局限性

Tab.1 The advantages and limitations of different sensing information in mechanical fault diagnosis

（續(xù)）

2 電機(jī)驅(qū)動系統(tǒng)自傳感的關(guān)鍵性問題

將電機(jī)驅(qū)動器作為感知器獲取機(jī)械負(fù)載運行狀態(tài)信息有助于擺脫外部傳感器帶來的問題。但當(dāng)前基于電機(jī)驅(qū)動系統(tǒng)自傳感信息的信號處理和故障識別技術(shù)與振動信號分析方法相比，具有高度的一致性。這些方法雖然可以診斷機(jī)械故障，但未能充分考慮電機(jī)驅(qū)動系統(tǒng)自身的特性。此外，作為一種通過傳動機(jī)構(gòu)間接獲取機(jī)械系統(tǒng)運行狀態(tài)的手段，電機(jī)驅(qū)動系統(tǒng)自傳感方法在應(yīng)用中還存在信號有效性和機(jī)電故障耦合問題。因此，本文在綜述近年研究成果的基礎(chǔ)上，以數(shù)控機(jī)床與工業(yè)機(jī)器人為主要應(yīng)用對象，結(jié)合機(jī)電傳動系統(tǒng)、電機(jī)驅(qū)動系統(tǒng)自身特點與工程實踐需求，歸納了實際應(yīng)用過程中存在的自傳感信息有效性、機(jī)電故障分離、機(jī)電信息融合、機(jī)電系統(tǒng)建模、自傳感系統(tǒng)設(shè)計等關(guān)鍵性問題，并提出了潛在解決方案。

圖3 電機(jī)驅(qū)動系統(tǒng)自傳感研究中存在的關(guān)鍵性問題及其潛在解決方案

2.1 電機(jī)驅(qū)動系統(tǒng)自傳感信號有效性問題

現(xiàn)有研究表明，電機(jī)驅(qū)動器可以感知機(jī)械系統(tǒng)運行狀態(tài)信息，然而電機(jī)驅(qū)動系統(tǒng)的閉環(huán)控制特性和機(jī)械故障信號在傳動系統(tǒng)中的傳播過程均會削弱電機(jī)驅(qū)動系統(tǒng)自傳感信號中故障特征分量的幅值，降低電機(jī)驅(qū)動系統(tǒng)作為感知器的靈敏度和準(zhǔn)確度，阻礙對機(jī)械故障的有效感知。

2.1.1 閉環(huán)控制系統(tǒng)影響

為滿足高速高精度加工要求，電機(jī)驅(qū)動系統(tǒng)多采用閉環(huán)控制方案，然而，在電機(jī)閉環(huán)控制系統(tǒng)中，機(jī)械故障的影響會被閉環(huán)控制系統(tǒng)等效為外部擾動，進(jìn)而受到閉環(huán)控制的抑制[38]。清華大學(xué)的楊耕也引述了R. D. Lorenz教授的觀點，指出閉環(huán)控制系統(tǒng)中構(gòu)建的轉(zhuǎn)矩觀測器的帶寬會受到閉環(huán)控制的限制[39]。

針對閉環(huán)控制系統(tǒng)的影響，研究人員多通過設(shè)計故障觀測器[40]、構(gòu)造受閉環(huán)控制影響較小的診斷指標(biāo)[41-42]及高頻信號注入方法[43]來應(yīng)對閉環(huán)控制的影響。此外，通過建立系統(tǒng)閉環(huán)控制特性模型，并設(shè)計基于模型的信號補(bǔ)償方法也可強(qiáng)化電信號中被閉環(huán)控制抑制的故障特征[44]。對于特定頻率的機(jī)械故障信號，閉環(huán)控制特性也能起到積極的作用。普瓦捷大學(xué)的M. L. Masmoudi等將閉環(huán)控制系統(tǒng)幅頻特性等效為觀測器，通過調(diào)整觀測器參數(shù)，放大了q軸電流頻譜內(nèi)故障特征信號的幅值[10]。

2.1.2 柔性傳動系統(tǒng)影響

當(dāng)機(jī)械故障發(fā)生在遠(yuǎn)離電機(jī)軸位置時，故障信號從故障源位置傳遞到電機(jī)驅(qū)動器的過程中，故障信號能量會發(fā)生衰減，尤其是傳動鏈中含有柔性元件時，能量衰減現(xiàn)象會更加顯著[17]。華中科技大學(xué)Yao Yuan等從工程實踐角度出發(fā)，分析了柔性傳動系統(tǒng)對故障信號傳遞過程的影響，針對故障信號在傳播過程中的衰減現(xiàn)象設(shè)計了基于故障傳播路徑的信號增強(qiáng)方法，以增強(qiáng)機(jī)械故障信號的能量[45]。然而，該研究只在實驗室環(huán)境下進(jìn)行了測試，在實際工程應(yīng)用中的效果還有待驗證。此外，實際應(yīng)用中故障部件的不確定性也給故障傳播路徑建模帶來了困難。

2.2 機(jī)電故障分離問題

故障定位是故障診斷的主要任務(wù)之一，也是維修決策的重要支撐[46]。電機(jī)驅(qū)動系統(tǒng)由驅(qū)動器、電機(jī)、傳動機(jī)構(gòu)和機(jī)械負(fù)載構(gòu)成，各部件間緊密關(guān)聯(lián)。由于大部分機(jī)械故障具有傳遞性，一旦故障發(fā)生，故障信號會在各部件間傳播蔓延[4]。

基于外部傳感器的故障診斷方案可以通過安裝多個傳感器的方式獲取多個部件的運行狀態(tài)，從而分析故障傳播關(guān)系，確定故障源位置。在電機(jī)驅(qū)動系統(tǒng)自傳感方案中，電機(jī)位置相對固定，難以按照常規(guī)方式進(jìn)行故障定位。此外，潛在的電機(jī)和驅(qū)動器故障也可能引發(fā)機(jī)械振動現(xiàn)象，給故障定位帶來困難。針對機(jī)電系統(tǒng)中的故障分離與定位問題，可從以下兩方面展開研究。

2.2.1 基于機(jī)理知識的故障分離研究

電機(jī)驅(qū)動系統(tǒng)是電磁場、溫度場、應(yīng)力場等物理場組合而成的多物理場混合系統(tǒng)。根據(jù)基本物理規(guī)律與電機(jī)驅(qū)動系統(tǒng)運行機(jī)理，可開展機(jī)電故障分離研究。

交流電機(jī)輸入功率可分為有功功率和無功功率，其中有功功率主要用于驅(qū)動機(jī)械負(fù)載，而無功功率主要用于建立和維持磁場。由此，可以認(rèn)為無功功率對電機(jī)故障診斷更為敏感。德黑蘭大學(xué)的J. Faiz等也指出，在異步電機(jī)偏心故障診斷中，基于無功功率構(gòu)造的故障診斷指標(biāo)比基于定子電流構(gòu)造的診斷指標(biāo)更敏感[20]。相應(yīng)地，有功功率多被用于電機(jī)驅(qū)動的機(jī)械傳動和負(fù)載機(jī)構(gòu)的故障診斷中[22-23]。

電機(jī)定子電流常用于電機(jī)診斷和機(jī)械故障診斷，其典型故障特征是頻譜中電角頻率兩側(cè)的邊頻帶。意大利學(xué)者D. Bellini和F. Filippetti等指出，在異步電機(jī)轉(zhuǎn)子故障中，定子電流頻譜中的左側(cè)邊頻分量的幅值與故障直接相關(guān)，而右側(cè)邊頻帶是受轉(zhuǎn)速波動效應(yīng)的影響才產(chǎn)生的，其幅值也會受到轉(zhuǎn)速波動幅度的影響[47-48]。然而，在機(jī)械故障影響下，根據(jù)理論推導(dǎo)和實驗驗證，定子電流頻譜中的左右邊頻分量幅值大小幾乎相等[17-18]。就筆者所知，目前的研究和實驗中沒有證據(jù)表明轉(zhuǎn)速波動會影響機(jī)械故障情況下的定子電流頻譜中邊頻分量之間的相對幅值。上述現(xiàn)象可以作為分離電氣與機(jī)械故障的一種潛在思路。

此外，依據(jù)電機(jī)驅(qū)動系統(tǒng)運行規(guī)律構(gòu)造故障觀測器也有助于確定具體故障類型[49-50]。

2.2.2 基于數(shù)據(jù)驅(qū)動的故障分離方法

除基于機(jī)理知識的機(jī)電故障分離方案外，盲源分離技術(shù)[51]、圖論算法[52]和機(jī)器學(xué)習(xí)算法也提供了另一種基于數(shù)據(jù)的故障分離渠道。近年來，深度學(xué)習(xí)軟硬件技術(shù)的發(fā)展也增強(qiáng)了機(jī)電故障分離的可能性[53]。

實現(xiàn)機(jī)電故障分離需要獲取足夠多的機(jī)械和電機(jī)驅(qū)動器故障數(shù)據(jù)，但在實際應(yīng)用中深度學(xué)習(xí)算法常面臨故障數(shù)據(jù)少、健康數(shù)據(jù)多[54]、故障傳遞性強(qiáng)[4]及工況變化多[55]等問題。有研究學(xué)者認(rèn)為，生成對抗神經(jīng)網(wǎng)絡(luò)（Generative Adversarial Network, GAN）[56-57]和深度遷移學(xué)習(xí)（Transfer Learning Network, TLN）[58-60]將是解決上述問題的突破口。河南師范大學(xué)毛文濤等將原始信號的頻譜信息作為堆疊降噪自動編碼器（Stacked Denoising Auto Encoder, SDAE）的輸入，并采用生成對抗神經(jīng)網(wǎng)絡(luò)彌補(bǔ)了故障樣本不足的問題[61]。西安交通大學(xué)雷亞國等以故障特征分布與距離度量為遷移學(xué)習(xí)的橋梁，將故障診斷模型從實驗室環(huán)境遷移至實際工程應(yīng)用環(huán)境[62-63]。但受源域、目標(biāo)域間差異和模型算法自身性能限制，遷移學(xué)習(xí)過程中會產(chǎn)生負(fù)遷移現(xiàn)象。

深度學(xué)習(xí)的性能依賴數(shù)據(jù)樣本，合理利用深度學(xué)習(xí)算法可以充實故障數(shù)據(jù)集，擴(kuò)展故障類型，有助于實現(xiàn)機(jī)電故障分離。但在數(shù)據(jù)樣本不平衡的實際條件下，機(jī)電復(fù)合故障在實際工程中往往可遇而不可求；設(shè)計、制造可靠的機(jī)電復(fù)合故障實驗臺，實現(xiàn)準(zhǔn)確的故障表征也并非易事。

2.3 電機(jī)驅(qū)動系統(tǒng)自傳感信息與外部傳感器信息的融合問題

利用電機(jī)驅(qū)動器進(jìn)行信息感知可以帶來諸多優(yōu)勢，但也應(yīng)注意到，隨著傳感器技術(shù)、無線通信技術(shù)的發(fā)展，外部傳感器的精度和使用便捷性都在提升，而成本在不斷降低。為了適應(yīng)這種新變化，基于電信號進(jìn)行故障診斷的研究有必要主動探索融合電機(jī)驅(qū)動系統(tǒng)自傳感信息與外部傳感器信息的新型故障診斷方案。

在機(jī)械故障診斷領(lǐng)域，包含定子電流、轉(zhuǎn)矩、功率等信號在內(nèi)的電機(jī)驅(qū)動系統(tǒng)自傳感信息與振動、轉(zhuǎn)矩、噪聲等外部傳感器測量信號間的關(guān)系經(jīng)歷了有效性驗證、主輔協(xié)作到相互融合的發(fā)展歷程。

在基于電機(jī)驅(qū)動系統(tǒng)信息檢測機(jī)械故障研究的發(fā)展初期，振動信號分析等機(jī)械故障診斷方法常被用于驗證電流信號分析方案的有效性[7, 64]。意大利學(xué)者F. Immovilli和韓國學(xué)者J. Jung等對比了電信號和振動信號在軸承故障診斷中的應(yīng)用，證明了基于電信號的機(jī)械故障診斷結(jié)果與振動信號分析結(jié)果的一致性[65-66]。F. Immovilli等還指出，在故障特征頻率較低時，定子電流能夠起到與振動信號同等的故障診斷效果[65]。這一前提條件也與本文中關(guān)于信號有效性的分析相吻合。

在驗證了電信號感知機(jī)械系統(tǒng)運行狀態(tài)的有效性后，電流信號逐漸開始被用于輔助振動信號開展故障診斷。針對轉(zhuǎn)速變化狀態(tài)下的風(fēng)力發(fā)電機(jī)，內(nèi)布拉斯加林肯大學(xué)的Wang Jun等從定子電流信號中提取電機(jī)旋轉(zhuǎn)頻率，實現(xiàn)了對振動信號頻譜中故障特征頻率的追蹤[67]。波蘭學(xué)者V. H. Jaramillo等先從加速度、電流、電壓和溫度傳感器采集的數(shù)據(jù)中提取故障特征，再利用分層貝葉斯模型開展特征級信息融合，并分離了多種不同類別的機(jī)械故障[68]。

近年來，深度學(xué)習(xí)方法常被用于處理各類傳感裝置采集的信息。除將原始時序信號直接作為深度學(xué)習(xí)模型的輸入外，融合多種傳感信號后得到的信號灰度矩陣、電矢量軌跡和信號時頻圖譜也被證明能夠滿足故障檢測和健康狀態(tài)定量評估的需求[69-71]。目前，基于深度學(xué)習(xí)的信息融合技術(shù)還停留在對原始信號進(jìn)行簡單處理和疊加的階段，缺乏更深層次的信號融合方法。

機(jī)械故障通常表現(xiàn)為空間位置的函數(shù)[72]，將電機(jī)驅(qū)動系統(tǒng)自傳感信號與外部傳感器測量的位置信號相融合有助于實現(xiàn)機(jī)械故障定位[73]。隨著對故障機(jī)理認(rèn)知的不斷深入，可考慮將故障機(jī)理引入自傳感信息與外部傳感器信息的融合研究中，實現(xiàn)從表象融合到深層機(jī)理融合的突破。

2.4 基于電機(jī)驅(qū)動系統(tǒng)自傳感的系統(tǒng)建模問題

故障診斷方法可分為基于模型和基于數(shù)據(jù)兩大類，基于模型的方法又包括基于物理規(guī)律的解析模型法和基于概率論的統(tǒng)計模型法[74]。其中，基于解析模型的故障診斷方法利用目標(biāo)的內(nèi)在物理規(guī)律建立等價空間模型[75]，設(shè)計狀態(tài)觀測器[41]和參數(shù)估計器[37]，對系統(tǒng)的運行狀態(tài)進(jìn)行估計和預(yù)測，并通過分析理想輸出與實際輸出之間的殘差信號實現(xiàn)故障診斷[76-77]。解析模型不僅能提供一種高實時性的故障檢測手段，而且也有助于了解故障演化過程與故障表征形式，為基于數(shù)據(jù)的診斷方法提供理論依據(jù)和故障特征指標(biāo)。燕山大學(xué)的時培明[78]、重慶大學(xué)的邵毅敏[79]等分別對齒輪和軸承傳動系統(tǒng)進(jìn)行了故障動力學(xué)分析，指出了故障狀態(tài)下振動信號的頻域特征，為機(jī)械系統(tǒng)狀態(tài)監(jiān)控與故障診斷提供了理論支持。

但在實際工程應(yīng)用中，機(jī)電設(shè)備結(jié)構(gòu)復(fù)雜，工作任務(wù)差異性大，外界干擾和噪聲等問題都可能降低解析模型的精確性，影響診斷效果。作為機(jī)械設(shè)備的動力源，電機(jī)驅(qū)動系統(tǒng)兼具執(zhí)行器與感知器的作用，在機(jī)電系統(tǒng)建模方面具有獨特的優(yōu)勢。

2.4.1 位域變化系統(tǒng)建模

機(jī)電系統(tǒng)的特性不僅會隨時間發(fā)生變化[80]，而且會隨運動部件空間位置的改變而發(fā)生變化。例如，齒輪的嚙合剛度受參與嚙合齒輪間的相對空間位置的影響，機(jī)床進(jìn)給系統(tǒng)的剛度、阻尼系數(shù)會隨著工作臺位置的改變而發(fā)生變化。同時，機(jī)械故障表征信號也常表現(xiàn)為空間位置的函數(shù)[29, 72]。因此，構(gòu)建具有空間位域變化特性的機(jī)電系統(tǒng)解析模型具有重要意義。電機(jī)驅(qū)動系統(tǒng)不僅能夠感知電流、轉(zhuǎn)矩、功率等運行狀態(tài)信號，而且能夠獲取電機(jī)旋轉(zhuǎn)相位和運動部件的空間位置信息，為基于位域變化的系統(tǒng)建模與觀測研究提供支持。

2.4.2 指令參考建模

隨著制造業(yè)的不斷轉(zhuǎn)型升級，以數(shù)控機(jī)床和工業(yè)機(jī)器人為代表的制造裝備的工作任務(wù)也變得更加復(fù)雜。僅以電流[27]、電壓[77]、位置[29]等測量信號作為觀測器的輸入可能不足以反映系統(tǒng)隨加工任務(wù)要求而產(chǎn)生的運行狀態(tài)變化，進(jìn)而影響診斷效果。因此，有必要構(gòu)建系統(tǒng)模型與加工任務(wù)間的關(guān)聯(lián)。作為機(jī)電系統(tǒng)的執(zhí)行器，電機(jī)驅(qū)動系統(tǒng)從數(shù)控系統(tǒng)、機(jī)器人控制器等控制裝置接收位置、速度、轉(zhuǎn)矩指令驅(qū)動負(fù)載機(jī)構(gòu)按預(yù)定軌跡執(zhí)行運動。這些指令信號描述了制造過程中的產(chǎn)品、工藝信息。通過參考電機(jī)驅(qū)動系統(tǒng)的指令信號，可構(gòu)建不同工作任務(wù)下系統(tǒng)的運行狀態(tài)觀測模型，從而提取實際運行狀態(tài)與指令信號參考模型的殘差，開展故障診斷研究。

2.4.3 多物理信息系統(tǒng)建模

作為典型的多物理場混合系統(tǒng)，如何建立機(jī)電系統(tǒng)的多物理信息模型一直是故障診斷研究的熱點[5]。近年來，研究學(xué)者已開展了基于多源異構(gòu)數(shù)據(jù)的機(jī)電系統(tǒng)建模研究[68, 81-82]，但數(shù)據(jù)采樣時刻不同步、存儲格式各異等問題會增加建模難度。得益于統(tǒng)一的物理硬件平臺，電機(jī)驅(qū)動系統(tǒng)自傳感信號具有高時間同步性、相同的數(shù)據(jù)存儲和傳輸格式，可在一定程度上解決建模中的不確定性與復(fù)雜性問題。此外，若能將電機(jī)驅(qū)動系統(tǒng)感知的多物理維度的機(jī)械運行狀態(tài)信息與大數(shù)據(jù)智能建模算法相結(jié)合，更可為全面、精確建立機(jī)電系統(tǒng)多物理信息模型提供新的解決方案。

2.5 以自傳感為目標(biāo)的電機(jī)驅(qū)動系統(tǒng)設(shè)計問題

在現(xiàn)階段的工業(yè)應(yīng)用中，能夠滿足機(jī)械故障實時在線診斷的工程應(yīng)用實例較少，但仍有部分行業(yè)領(lǐng)先企業(yè)開發(fā)了相關(guān)解決方案。例如，倍福公司的Twin CAT3軟件平臺可搭載機(jī)器學(xué)習(xí)模型，并依據(jù)實時監(jiān)控數(shù)據(jù)開展在線故障診斷[83]。國內(nèi)企業(yè)華中數(shù)控開發(fā)的華中9型數(shù)控系統(tǒng)也具備依據(jù)負(fù)載電流數(shù)據(jù)進(jìn)行機(jī)床健康狀態(tài)自檢的功能[84]。

作為感知器，電機(jī)驅(qū)動系統(tǒng)可為設(shè)備邊緣側(cè)的故障診斷工業(yè)應(yīng)用提供數(shù)據(jù)源。但應(yīng)注意到，現(xiàn)有電機(jī)驅(qū)動系統(tǒng)是以控制為首要目標(biāo)而設(shè)計的。受成本、能耗和空間等多方面限制，電機(jī)驅(qū)動器內(nèi)置傳感器的測量精度、靈敏度、動態(tài)范圍通常低于專用檢測儀器。同時，自傳感信號的采樣頻率也會受到電機(jī)驅(qū)動器控制周期、內(nèi)置模數(shù)轉(zhuǎn)換器性能和總線數(shù)據(jù)通信速率等因素的制約。目前，電機(jī)驅(qū)動系統(tǒng)自傳感信息更適合作為外部傳感器故障診斷方法的補(bǔ)充，在裝配過程中和日常加工間隙對目標(biāo)設(shè)備進(jìn)行故障診斷與健康狀態(tài)評估。

為了強(qiáng)化電機(jī)驅(qū)動系統(tǒng)感知能力，提升自傳感信號的豐富度和準(zhǔn)確性，有必要設(shè)計一類兼顧控制與傳感的電機(jī)驅(qū)動系統(tǒng)軟硬件解決方案。在硬件設(shè)計方面：電機(jī)驅(qū)動系統(tǒng)需要使用高精度、高動態(tài)范圍的傳感器以保證傳感精度，并配合高速通信總線、多核處理器以提升計算能力、采樣速率和信息交互能力。在軟件設(shè)計方面，需要進(jìn)一步提升自傳感信號的觀測、估算精度，降低時延，并設(shè)計新的故障指標(biāo)觀測器，以提升自傳感信號的豐富度，并滿足不同設(shè)備在結(jié)構(gòu)和工藝上的個性化需求。

為了實現(xiàn)機(jī)械故障的實時在線診斷，除提升電機(jī)驅(qū)動系統(tǒng)的計算能力與設(shè)計適宜的診斷策略外，還可通過外聯(lián)邊緣計算設(shè)備分擔(dān)電機(jī)驅(qū)動系統(tǒng)的算力和數(shù)據(jù)傳輸、存儲需求[85]。如能在電機(jī)驅(qū)動系統(tǒng)設(shè)計過程中為SINUMERIK Edge[86]、TwinCAT3[87]、Edgecross[88]等邊緣計算設(shè)備及其配備的綜合工程開發(fā)軟件平臺預(yù)留接口及通信協(xié)議，將有助于信號處理與故障診斷算法的實現(xiàn)，從而提高機(jī)械故障診斷實時性和精確性，提升機(jī)電設(shè)備智能化程度。

3 結(jié)論

將電機(jī)驅(qū)動系統(tǒng)作為智能制造中的傳感節(jié)點既有助于在現(xiàn)有設(shè)備基礎(chǔ)上實現(xiàn)全生命周期健康管理，也符合智能制造中萬物互聯(lián)的發(fā)展趨勢。本文以不同物理屬性的自傳感信息為出發(fā)點，綜述了基于定子電流、矢量電信號、電機(jī)轉(zhuǎn)矩、功率、位置和機(jī)械特性的故障診斷研究，對比了不同類別傳感信息的優(yōu)勢和局限性。將電機(jī)驅(qū)動系統(tǒng)作為感知器可以避免安裝附加外部傳感器，但在實際應(yīng)用場合中還存在信號有效性不高、機(jī)電故障易耦合、自傳感信息與外部傳感器間信息融合不緊密等問題。此外，如何建立精確的機(jī)電系統(tǒng)模型，如何設(shè)計兼顧控制與傳感需求的電機(jī)驅(qū)動系統(tǒng)也是值得研究的重要問題。本文系統(tǒng)性地歸納了上述關(guān)鍵性問題并提出了潛在解決方案，可為機(jī)械故障診斷領(lǐng)域的研究學(xué)者和工程技術(shù)人員提供參考。

[1] International energy agency, world energy outlook 2019[EB/OL]. [2019-11]. https://www.iea.org/reports/ world-energy-outlook-2019.

[2] Lorenz R D. Key technologies for future motor drives[C]//2005 International Conference on Elec- trical Machines and Systems (ICEMS), Nanjing, 2005: 1-6.

[3] Gagas B S, Sasaki K, Fukushige T, et al. Analysis of magnetizing trajectories for variable flux PM synchronous machines considering voltage, high- speed capability, torque ripple, and time duration[J]. IEEE Transactions on Industry Applications, 2016, 52(5): 4029-4038.

[4] Yao Yuan, Li Yesong, Yin Quan. A novel method based on self-sensing motor drive system for misalignment detection[J]. Mechanical Systems and Signal Processing, 2019, 116: 217-229.

[5] 雷亞國, 賈峰, 孔德同, 等. 大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 機(jī)械工程學(xué)報, 2018, 54(5): 94-104.

Lei Yaguo, Jia Feng, Kong Detong, et al. Oppor- tunities and challenges of machinery intelligent fault diagnosis in big data era[J]. Journal of Mechanical Engineering, 2018, 54(5): 94-104.

[6] Concari C, Ftanceschini G, Tassoni C, et al. Torque and field currents peculiarities under different indu- ction machine troubles[C]//IEEE International Sympo- sium on Diagnostics for Electric Machines, Power Electronics and Drives (SDEMPED), Cracow, 2007: 349-355.

[7] Riley C M, Lin B K, Habetler T G, et al. Stator current harmonics and their causal vibrations: a preliminary investigation of sensorless vibration monitoring applications[J]. IEEE Transactions on Industry Applications, 1999, 35(1): 94-99.

[8] Gritli Y, Bellini A, Rossi C, et al. Condition monitoring of mechanical faults in induction machines from electrical signatures: review of different techniques[C]//The 2017 IEEE 11th Inter- national Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives (SDEMPED), Tinos, 2017: 77-84.

[9] 張璋, 楊江天, 薛燦燦, 等. 基于電機(jī)定子電流分析的機(jī)車齒輪箱故障診斷[J]. 鐵道學(xué)報, 2020, 42(5): 51-57.

Zhang Zhang, Yang Jiangtian, Xue Cancan, et al. Locomotive gearbox fault detection based on drive motor stator current analysis[J]. Journal of the China Railway Society, 2020, 42(5): 51-57.

[10] Masmoudi M L, Etien E, Moreau S, et al. Ampli- fication of single mechanical fault signatures using full adaptive PMSM observer[J]. IEEE Transactions on Industrial Electronics, 2017, 64(1): 615-623.

[11] Chen Xiaowang, Feng Zhipeng. Time-frequency space vector modulus analysis of motor current for planetary gearbox fault diagnosis under variable speed conditions[J]. Mechanical Systems and Signal Processing, 2019, 121: 636-654.

[12] Kia S H, Henao H, Capolino G. Fault index statistical study for gear fault detection using stator current space vector analysis[J]. IEEE Transactions on Industry Applications, 2016, 52(6): 4781-4788.

[13] Gritli Y, Rossi C, Casadei D, et al. A diagnostic space vector-based index for rotor electrical fault detection in wound-rotor induction machines under speed transient[J]. IEEE Transactions on Industrial Elec- tronics, 2017, 64(5): 3892-3902.

[14] Frini M, Soualhi A, El Badaoui M. Gear faults diagnosis based on the geometric indicators of electrical signals in three-phase induction motors[J]. Mechanism and Machine Theory, 2019, 138: 1-15.

[15] Hameed A, Gul S T, Khan A Q. A Park's vector approach using process monitoring statistics of principal component analysis for machine fault detection[C]//The 2016 International Conference on Emerging Technologies (ICET), Islamabad, 2016: 1-5.

[16] Granjon P, Phua G S L. Estimation of geometric properties of three-component signals for system monitoring[J]. Mechanical Systems and Signal Pro- cessing, 2017, 97: 95-111.

[17] Marzebali M H, Faiz J, Capolino G, et al. Planetary gear fault detection based on mechanical torque and stator current signatures of a wound rotor induction generator[J]. IEEE Transactions on Energy Con- version, 2018, 33(3): 1072-1085.

[18] Verucchi C, Bossio J, Bossio G, et al. Misalignment detection in induction motors with flexible coupling by means of estimated torque analysis and MCSA[J]. Mechanical Systems and Signal Processing, 2016, 80: 570-581.

[19] Kim J, Shin S, Lee S B, et al. Power spectrum-based detection of induction motor rotor faults for immunity to false alarms[J]. IEEE Transactions on Energy Conversion, 2015, 30(3): 1123-1132.

[20] Faiz J, Moosavi S M M. Detection of mixed eccentricity fault in doubly-fed induction generator based on reactive power spectrum[J]. IET Electric Power Applications, 2017, 11(6): 1076-1084.

[21] Cruz S M A. An active-reactive power method for the diagnosis of rotor faults in three-phase induction motors operating under time-varying load con- ditions[J]. IEEE Transactions on Energy Conversion, 2012, 27(1): 71-84.

[22] Irfan M, Saad N, Ibrahim R, et al. A non-invasive method for condition monitoring of induction motors operating under arbitrary loading conditions[J]. Arabian Journal for Science and Engineering, 2016, 41(9): 3463-3471.

[23] Shao Hua, Wang Haili, Zhao Xiaming. A cutting power model for tool wear monitoring in milling[J]. International Journal of Machine Tools and Manu- facture, 2004, 44(14): 1503-1509.

[24] Zhao Ming, Lin Jing. Health assessment of rotating machinery using a rotary encoder[J]. IEEE Transa- ctions on Industrial Electronics, 2018, 65(3): 2548- 2556.

[25] Wolf C M, Lorenz R D. Using the motor drive as a sensor to extract spatially dependent information for motion control applications[J]. IEEE Transactions on Industry Applications, 2011, 47(3): 1344-1351.

[26] Wolf C M, Hanson K M, Lorenz R D, et al. Using the traction drive as the sensor to evaluate and track deterioration in electrified vehicle gearboxes[J]. IEEE Transactions on Industry Applications, 2013, 49(6): 2610-2618.

[27] Wang Kang, Baloch N A, Lorenz R D. Improvement of back-EMF self-sensing for induction machines when using deadbeat-direct torque and flux control (DB-DTFC)[J]. IEEE Transactions on Industry Appli- cations, 2017, 53(5): 4569-4578.

[28] Huh K K, Lorenz R D, Nagel N J. Gear fault diagnostics integrated in the motion servo drive for electromechanical actuators[J]. IEEE Transactions on Industry Applications, 2012, 48(1): 142-150.

[29] 楊明, 柴娜, 李廣, 等. 基于位域運動誤差觀測器的齒輪斷齒故障診斷[J]. 電工技術(shù)學(xué)報, 2018, 33(6): 1285-1292.

Yang Ming, Chai Na, Li Guang, et al. Diagnosis of the gear tooth-broken fault based on the kinematic error observer in spatial domain[J]. Transactions of China Electrotechnical Society, 2018, 33(6): 1285- 1292.

[30] 楊冪, 黃旭, 任博陽, 等. 基于轉(zhuǎn)速信號的電機(jī)首次安裝角度不對中故障檢測[J]. 電工技術(shù)學(xué)報, 2021, 36(15): 3191-3199.

Yang Mi, Huang Xu, Ren Boyang, et al. Angle misalignment fault detection method of motor’s first installation based on speed signal[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3191- 3199.

[31] 朱鈺, 章文豐, 潘國培, 等. 用于原點阻抗測量的改進(jìn)錘擊法[J]. 船舶工程, 2018, 40(增刊1): 179- 181.

Zhu Yu, Zhang Wenfeng, Pan Guopei, et al. Improved impact method for driving point impedance mea- surement[J]. Ship Engineering, 2018, 40(S1): 179-181.

[32] Mohammed O D, Rantantatalo M. Dynamic response and time-frequency analysis for gear tooth crack detection[J]. Mechanical Systems and Signal Pro- cessing, 2016, 66-67: 612-624.

[33] Saxena A, Chouksey M, Parey A. Effect of mesh stiffness of healthy and cracked gear tooth on modal and frequency response characteristics of geared rotor system[J]. Mechanism and Machine Theory, 2017, 107: 261-273.

[34] Blánquez F R, Platero C A, Rebollo E, et al. Field- winding fault detection in synchronous machines with static excitation through frequency response analysis[J]. International Journal of Electrical Power & Energy Systems, 2015, 73: 229-239.

[35] 何瀟, 郭亞琦, 張召, 等動態(tài)系統(tǒng)的主動故障診斷技術(shù)[J]. 自動化學(xué)報, 2020, 46(8): 1557-1570.

He Xiao, Guo Yaqi, Zhang Zhao, et al. Active fault diagnosis for dynamic systems[J]. Acta Automatica Sinica, 2020, 46(8): 1557-1570.

[36] Zoubek H, Villwock S, Pacas M. Frequency response analysis for rolling-bearing damage diagnosis[J]. IEEE Transactions on Industrial Electronics, 2008, 55(12): 4270-4276.

[37] Luo Bo, Wang Haoting, Liu Hongqi, et al. Early fault detection of machine tools based on deep learning and dynamic identification[J]. IEEE Transactions on Industrial Electronics, 2019, 66(1): 509-518.

[38] 周東華, 劉洋, 何瀟. 閉環(huán)系統(tǒng)故障診斷技術(shù)綜述[J]. 自動化學(xué)報, 2013, 39(11): 1933-1943.

Zhou Donghua, Liu Yang, He Xiao. Review on fault diagnosis techniques for closed-loop systems[J]. Acta Automatica Sinica, 2013, 39(11): 1933-1943.

[39] 楊耕, 劉俊嶺. 未來電機(jī)驅(qū)動系統(tǒng)的關(guān)鍵技術(shù)[J]. 電力電子, 2006(2): 27-32.

Yang Geng, Liu Junling. Key technologies for future motor drives[J]. System Control & Simulation, 2006(2): 27-32.

[40] Cheng L L, Kwok K E, Huang Biao. Closed-loop fault detection using the local approach[J]. Canadian Journal of Chemical Engineering, 2003, 81(5): 1101- 1108.

[41] Cruz S M A, Stefani A, Filippetti F, et al. A new model-based technique for the diagnosis of rotor faults in RFOC induction motor drives[J]. IEEE Transactions on Industrial Electronics, 2008, 55(12): 4218-4228.

[42] Hou Zhaowen, Huang Jin, Liu He, et al. Quantitative broken rotor bar fault detection for closed-loop controlled induction motors[J]. IET Electric Power Applications, 2016, 10(5): 403-410.

[43] Concari C, Franceschini G, Tassoni C. Rotor fault detection in closed loop induction motors drives by electric signal analysis[C]//The 2008 18th Inter- national Conference on Electrical Machines, Vilamoura, 2008: 1-6.

[44] Yao Yuan, Li Yesong, Yin Quan. Bandpass effect and its compensation method for diagnosis in a closed- loop control system[J]. IEEE/ASME Transactions on Mechatronics, 2020, 25(3): 1679-1689.

[45] Yao Yuan, Xie Bin, Lei Li, et al. Signal enhancement method for mechanical fault diagnosis in flexible drive-train[J]. IEEE Transactions on Industrial Elec- tronics, 2021, 68(3): 2554-2563.

[46] 張健磊, 高湛軍, 陳明, 等. 考慮復(fù)故障的有源配電網(wǎng)故障定位方法[J]. 電工技術(shù)學(xué)報, 2021, 36(11): 2265-2276.

Zhang Jianlei, Gao Zhanjun, Chen Ming, et al. Fault location method for active distribution networks considering combination faults[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2265- 2276.

[47] Bellini D, Concari C, Franceschini G, et al. Vibrations, currents and stray flux signals to asses induction motors rotor conditions[C]//The IECON 2006-32nd Annual Conference on IEEE Industrial Electronics, Paris, 2006: 4963-4968.

[48] Filippetti F, Franceschini G, Tassoni C, et al. AI techniques in induction machines diagnosis including the speed ripple effect[J]. IEEE Transactions on Industry Applications, 1998, 34(1): 98-108.

[49] Najafabadi T A, Salmasi F R, Jabehdar-Maralani P. Detection and isolation of speed-, DC-link voltage-, and current-sensor faults based on an adaptive observer in induction-motor drives[J]. IEEE Transa- ctions on Industrial Electronics, 2011, 58(5): 1662- 1672.

[50] Jlassi I, Cardoso A J M. A single method for multiple IGBT, current, and speed sensor faults diagnosis in regenerative PMSM drives[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2020, 8(3): 2583-2599.

[51] 彭聰, 劉彬, 周乾. 基于機(jī)器視覺和盲源分離的機(jī)械故障檢測[J]. 上海交通大學(xué)學(xué)報, 2020, 54(9): 953-960.

Peng Cong, Liu Bin, Zhou Qian. Mechanical fault detection based on machine vision and blind source separation[J]. Journal of Shanghai Jiao Tong Univer- sity, 2020, 54(9): 953-960.

[52] 盛博, 鄧超, 熊堯, 等. 基于圖論的數(shù)控機(jī)床故障診斷方法[J]. 計算機(jī)集成制造系統(tǒng), 2015, 21(6): 1559-1570.

Sheng Bo, Deng Chao, Xiong Yao, et al. Fault diagnosis for CNC machine tool based on graph theory[J]. Computer Integrated Manufacturing System, 2015, 21(6): 1559-1570.

[53] 沈濤, 李舜酩, 辛玉. 基于深度學(xué)習(xí)的旋轉(zhuǎn)機(jī)械故障診斷研究綜述. 計算機(jī)測量與控制, 2020, 28(9): 1-8.

Shen Tao, Li Shunming, Xin Yu. Review on fault diagnosis of rotation machinery based on deep learning[J]. Computer Measurement & Control, 2020, 28(9): 1-8.

[54] Cao Pei, Zhang Shengli, Tang Jiong. Preprocessing- free gear fault diagnosis using small datasets with deep convolutional neural network-based transfer learning[J]. IEEE Access, 2018, 6: 26241-26253.

[55] Udmale S S, Singh S K, Singh R, et al. Multi-fault bearing classification using sensors and ConvNet- based transfer learning approach[J]. IEEE Sensors Journal, 2020, 20(3): 1433-1444.

[56] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in Neural Information Processing Systems, 2014, 27: 2672- 2680.

[57] Zhou Funa, Yang Shuai, Fujita H, et al. Deep learning fault diagnosis method based on global optimization GAN for unbalanced data[J]. Knowledge-Based Systems, 2020, 187: 104837.

[58] 陳劍, 杜文娟, 王海風(fēng), 等. 采用深度遷移學(xué)習(xí)定位含直驅(qū)風(fēng)機(jī)次同步振蕩源機(jī)組的方法[J]. 電工技術(shù)學(xué)報, 2021, 36(1): 179-190.

Chen Jian, Du Wenjuan, Wang Haifeng, et al. A method of locating the power system subsynchronous oscillation source unit with grid-connected PMSG using deep transfer learning[J]. Transactions of China Electrotechnical Society, 2021, 36(1): 179-190.

[59] 楊志淳, 沈煜, 楊帆, 等. 考慮多元因素態(tài)勢演變的配電變壓器遷移學(xué)習(xí)故障診斷模型[J]. 電工技術(shù)學(xué)報, 2019, 34(7): 1505-1515.

Yang Zhichun, Shen Yu, Yang Fan, et al. A transfer learning fault diagnosis of distribution transformer considering multi-factor situation evolution[J]. Transa- ctions of China Electrotechnical Society, 2019, 34(7): 1505-1515.

[60] Lei Yaguo, Yang Bin, Jiang Xinwei, et al. Appli- cations of machine learning to machine fault diagnosis: a review and roadmap[J]. Mechanical Systems and Signal Processing, 2020, 138: 1-39.

[61] Mao Wentao, Liu Yamin, Ding Ling, et al. Imba- lanced fault diagnosis of rolling bearing based on generative adversarial network: a comparative study[J]. IEEE Access, 2019, 7: 9515-9530.

[62] Yang Bin, Lei Yaguo, Jia Feng, et al. A polynomial kernel induced distance metric to improve deep transfer learning for fault diagnosis of machines[J]. IEEE Transactions on Industrial Electronics, 2020, 67(11): 9747-9757.

[63] Yang Bin, Lei Yaguo, Jia Feng, et al. An intelligent fault diagnosis approach based on transfer learning from laboratory bearings to locomotive bearings[J]. Mechanical Systems and Signal Processing, 2019, 122: 692-706.

[64] Riley C M, Lin B K, Habetler T G, et al. A method for sensorless on-line vibration monitoring of induction machines[J]. IEEE Transactions on Industry Appli- cations, 1998, 34(6): 1240-1245.

[65] Immovilli F, Bellini A, Rubini R, et al. Diagnosis of bearing faults in induction machines by vibration or current signals: a critical comparison[J]. IEEE Transactions on Industry Applications, 2010, 46(4): 1350-1359.

[66] Jung J, Lee S B, Lim C, et al. Electrical monitoring of mechanical looseness for induction motors with sleeve bearings[J]. IEEE Transactions on Energy Conversion, 2016, 31(4): 1377-1386.

[67] Wang Jun, Peng Yayu, Qiao Wei. Current-aided order tracking of vibration signals for bearing fault diagnosis of direct-drive wind turbines[J]. IEEE Transactions on Industrial Electronics, 2016, 63(10): 6336-6346.

[68] Jaramillo V H, Ottewill J R, Dudek R, et al. Condition monitoring of distributed systems using two-stage Bayesian inference data fusion[J]. Mechanical Systems and Signal Processing, 2017, 87: 91-110.

[69] Jing Luyang, Zhao Ming, Li Pin, et al. A con- volutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox[J]. Measurement, 2017, 111: 1-10.

[70] Yao Yuan, Li Yesong, Zhang Pengfei, et al. Data fusion methods for convolutional neural network based on self-sensing motor drive system[C]//The IECON 2018-44th Annual Conference of the IEEE Industrial Electronics Society, Washington DC, 2018: 5371-5376.

[71] Zhao Minghang, Kang M, Tang Baoping, et al. Multiple wavelet coefficients fusion in deep residual networks for fault diagnosis[J]. IEEE Transactions on Industrial Electronics, 2019, 66(6): 4696-4706.

[72] 康宜華, 楊叔子, 盧文祥, 等. 空間域信號的采樣方法[J]. 華中理工大學(xué)學(xué)報, 1992, 20(增刊1): 183- 188.

Kang Yihua, Yang Shuzi, Lu Wenxiang, et al. Sampling method for spatial signals[J]. Journal of Huazhong University of Science and Technology, 1992, 20(S1): 183-188.

[73] 李葉松, 姚遠(yuǎn), 謝斌, 等. 一種基于空間域信息的直線運動系統(tǒng)健康監(jiān)測方法: 中國, 110927485[P]. 2020-12-08.

[74] 周東華, 史建濤, 何瀟. 動態(tài)系統(tǒng)間歇故障診斷技術(shù)綜述[J]. 自動化學(xué)報, 2014, 40(2): 161-171.

Zhou Donghua, Shi Jiantao, He Xiao. Review of intermittent fault diagnosis techniques for dynamic systems[J]. Acta Automatica Sinica, 2014, 40(2): 161-171.

[75] Sun Bowen, Wang Jiongqi, He Zhangming, et al. Fault detection for closed-loop control systems based on parity space transformation[J]. IEEE Access, 2019, 7: 75153-75165.

[76] Xu Zhen, Deng Hua, Zhang Yi. Piecewise nonlinear dynamic modeling for gear transmissions with rotary inertia and backlash[J]. IEEE Access, 2019, 7: 176495- 176503.

[77] Mazzoletti M A, Bossio G R, De Angelo C H, et al. A model-based strategy for interturn short-circuit fault diagnosis in PMSM[J]. IEEE Transactions on Indu- strial Electronics, 2017, 64(9): 7218-7228.

[78] 時培明, 趙娜, 梁凱, 等. 變載荷激勵下齒輪傳動系統(tǒng)齒根裂紋故障動力學(xué)特性分析[J]. 機(jī)械強(qiáng)度, 2017, 39(5): 1001-1006.

Shi Peiming, Zhao Na, Liang Kai, et al. Analysis on dynamic characteristics of tooth root crack of gear drive system under variable load excitation[J]. Journal of Mechanical Strength, 2017, 39(5): 1001- 1006.

[79] 邵毅敏, 涂文兵. 深溝球軸承三維非線性時變振動特性研究[J]. 振動工程學(xué)報, 2013, 26(6): 831-838.

Shao Yimin, Tu Wenbing. 3D nonlinear time-varing vibration characteristics of deep-groove ball bearing[J]. Journal of Vibration Engineering, 2013, 26(6): 831-838.

[80] 張坤鵬, 姜斌, 陳復(fù)揚. 牽引電機(jī)結(jié)構(gòu)損傷降階模型和復(fù)合故障分離[J]. 控制工程, 2020, 27(2): 212- 218.

Zhang Kunpeng, Jiang Bin, Chen Fuyang. Structural damage reduced-order model and coupled fault isolation for traction motor[J]. Control Engineering of China, 2020, 27(2): 212-218.

[81] 王芹芹, 劉瑞芳, 任雪嬌, 等. 基于多物理場分析的電機(jī)軸承放電擊穿[J]. 電工技術(shù)學(xué)報, 2020, 35(20): 4251-4257.

Wang Qinqin, Liu Ruifang, Ren Xuejiao, et al. The motor bearing discharge breakdown based on the multi-physics field analysis[J]. Transactions of China Electrotechnical Society, 2020, 35(20): 4251-4257.

[82] Liu Yang, Yan Xunshi, Zhang Chen’an, et al. An ensemble convolutional neural networks for bearing fault diagnosis using multi-sensor data[J]. Sensors, 2019, 19(23): 1-20.

[83] Beckhoff Automation (Shanghai) Co. Ltd. Twin Catmachine learning: scalable, open and in real time[EB/OL].[2021-06-23]. https://www.beckhoff.com. cn/zh-cn/products/automation/twincat-3-machine-learning/.

[84] 武漢華中數(shù)控股份有限公司. 華中數(shù)控: 引領(lǐng)智能機(jī)床變革, 助力中國機(jī)床“開道超車”[EB/OL]. [2021-04-23]. http://www.huazhongcnc.com/portal/ article/index/id/1442/cid/15.html.

[85] Wang Xiaoxian, Lu Siliang, Huang Wenbin, et al. Efficient data reduction at the edge of industrial internet of things for PMSM bearing fault dia- gnosis[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1-12.

[86] Siemens Aktiengesellschaf. The power of digitalization in manufacturing[EB/OL].[2021-02-17]. https://new. siemens.com/global/en/markets/machinebuilding/machine-tools/cnc4you/fokus-digitalisierung/sinumerik-edge.html.

[87] Beckhoff Automation (Shanghai) Co. Ltd. New features twinCAT 3.1[EB/OL]. [2021-06-23]. https:// www.beckhoff.com.cn/zh-cn/products/automation/twincat/twincat-3-build-4024/.

[88] Mitsubishi Electric Corporation. Announcing the founding of the edgecross consortium[EB/OL]. [2021-07-10]. http://www.mitsubishielectric.com/news/ 2017/1106-b.pdf.

A Research Review on Application of Motor Drive System Self-Sensing in Mechanical Fault Diagnosis

122,322

（1. College of Electrical Engineering Henan University of Technology Zhengzhou 450001 China 2. School of Artificial Intelligent and Automation Huazhong University of Science and Technology Wuhan 430074 China 3. Wuhan Huazhong Numerical Control Co. Ltd Wuhan 430223 China）

The development of condition monitoring and fault diagnosis for CNC machines, industrial robots and other key manufacturing equipment can improve their security and reliability. It also meets the requirement of intelligent manufacturing. Compared with the traditional vibration analysis method, the motor drive system, i.e. the actuator in the mechatronic system, can be served as a perceptron which provides a mechanical fault diagnosis approach without additional sensors. This paper focuses on the application of the motor drive in condition perception of mechanical equipment. The researches at home and abroad on mechanical fault diagnosis based on measuring, controlling and observing information are summarized. Meanwhile, according to the characteristics of the motor drive system and the requirements of engineering practice, some key issues and possible solutions for diagnosis with the self-sensing motor drive are proposed.

Fault diagnosis, motor drive, self-sensing, fault isolation, information fusion

10.19595/j.cnki.1000-6753.tces.210563

TM307

科技部國家十三五重大專項（2018ZX04035002）和河南工業(yè)大學(xué)自然科學(xué)基金（31401376）資助項目。

2021-04-21

2021-07-06

姚 遠(yuǎn) 男，1992年生，博士，講師，研究方向為機(jī)電系統(tǒng)故障診斷、智能制造與工業(yè)大數(shù)據(jù)應(yīng)用。E-mail: yuanyaoscholar@163.com

李葉松 男，1970年生，博士，教授，博士生導(dǎo)師，研究方向為數(shù)字化交流傳動控制系統(tǒng)、智能化控制以及現(xiàn)場總線網(wǎng)絡(luò)化運動控制。E-mail: yesongli@hust.edu.cn（通信作者）

（編輯 崔文靜）