基于特征權值-小波包能量分析的異步電動機電氣故障特征提取

郭昱君, 王愛元,2, 姚曉東,2

(1.上海電機學院 電氣學院, 上海 201306；2.佛山市高明區明戈新型電機電控研究院, 廣東 佛山 528500)

在當前的工業生產中,異步電動機在傳動機構中的地位不可替代。異步電動機若發生一系列故障,必然會對整個生產流程造成影響,導致工廠的生產效率和效益受到損害。因此,從根源上阻止這一連串故障的發生,對異步電動機進行早期故障干預及可靠監測就顯得尤為重要[1]。

基于信號處理的異步電動機故障診斷方法如圖1所示。小波分析只能對信號的低頻部分進行分析,雖然分解的效果是很可觀的,但是對于信號的高頻部分卻無法分解。譜分析又稱快速傅立葉變換(Fast Fourier Transform,FFT)分析,其分析范圍是信號的時域和頻域。小波包分析既能分析信號的低頻部分,也能夠分析高頻部分[1]。異步電動機的故障時常出現在信號的高頻部分,因此用小波包分析來處理異步電動機的故障信號是合適的。

圖1 異步電動機故障診斷方法

文獻[3]的研究對象為無人機,主要研究飛行器電機故障和角速度傳感器故障。通過FFT分析法對故障信號進行處理,提取出時域和頻域的特征,再通過概率神經網絡進行故障分類。由于故障信號的干擾因素過多,直接進行FFT分析會使結果不夠精確。

文獻[4]的研究對象為機械設備故障,對故障設備的振動信號進行提取,通過FFT分析法,對機械設備進行及時故障診斷。雖然FFT分析法實時高效,但是對于振動信號這種不穩定的信號,很多時候其診斷結果不夠精確。

文獻[5-7]研究的都是電動機的各種故障,對于提取到的故障信號運用了小波分析的方法進行處理,提取到相應的故障特征再進行后續的診斷工作。為了減少多余的干擾,通過小波分析可使研究結果更加準確[8]。但是,小波變換對于高頻信號處理不是很敏感,所以該方法還存在一定的改進空間。

電動機故障信號不是很平穩的信號,夾雜著很多各種各樣的干擾信號,會對FFT 分析和小波分析這兩種方法造成較大影響。小波包分析能夠同時處理低頻和高頻信號,對信號特征的分析更為精確。Relief算法可以篩選特征值,將其控制在一定的閾值內,能夠提高后續的故障診斷速度。因此,本文采用小波包能量分析法及特征權值Relief算法對電機故障信號特征進行提取,使所采集到的信號波形更加平滑,減少其他信號對研究的影響。研究對象選擇轉子斷條和定子匝間短路這兩種電動機常見電氣故障。

1 兩種異步電動機電氣故障分析

在異步電動機的各種電氣故障中,轉子斷條故障、定子匝間短路故障占了非常大的比例。下面對這兩種故障進行分析。

1.1 轉子斷條故障

轉子導條在異步電動機工作的時候,會受到各種各樣應力的影響,這些應力隨著電動機的運轉起停和負載高低而變化。轉子本身在生產制造的過程中,會存在很多的不足,這也是電動機出現轉子斷條故障很重要的原因之一[9]。異步電動機發生轉子斷條故障時的頻率為ns為電動機同步轉速；nr為電動機實際轉速[9]。

異步電動機發生轉子斷條時,定子電流會出現(1±2s)fp的特征頻率分量[10]。FFT分析是特征信號進行頻譜分析的慣用方法。但是FFT也是存在缺陷的,由于電動機的故障信號不是平穩信號,在頻譜分析的過程中,會帶來許多干擾,不僅不能分辨出故障特征頻率,而且也無法生成頻譜圖。這也是電動機的故障識別研究工作中,需要繼續鉆研的方面。

我關之林是個俗女子，俗不可耐，所以，我愛錢。我這個人就是這樣，很現實。我從來不遮掩自己的目標，對金錢的渴望，對豪華闊綽的向往。我夢想床罩被單都是紅晃晃的人民幣拼湊而成的，枕頭里塞的不是棉絮，而是金鏈金耳環鉆石戒指；我夢想住的是山頂別墅，出門是法拉利，傭人保鏢們對我畢恭畢敬。本姑娘我一高興，纖纖玉指從隨身攜帶的小包里掏出一疊人民幣，眼睛不眨地打賞他們。

1.2 定子匝間短路故障

異步電動機在工作過程中,由于承受各種應力的作用,所以定子繞組匝間會容易損壞。定子繞組破損的程度會隨著時間的增加而加重。匝間短路電流持續增大,使得損壞部分溫度上升,進而造成更大范圍的短路,最終導致電動機無法運行[11]。當電動機定子發生匝間短路故障后,氣隙磁密發生變化,電動機各定子極間的對稱性受到破壞,造成定子電流波形變形,出現故障特征諧波分量,其表達式為

2 基于特征權值算法-小波包能量分析的故障特征提取

2.1 小波包理論

小波包具有很好的時頻特征,與小波相比,它能夠更好地對所采集信號的高頻部分進行分解。小波包分解圖如圖2所示。初始信號(0,0),小波包分解后得到低頻信號(1,0)和高頻信號(1,1)。繼續對分解得到的高頻和低頻信號進行分解,又得到了相應的低頻和高頻信號。循此往復,就能夠得到i層小波包分解的低頻與高頻信號。

圖2 小波包分解圖

對信號進行小波包分解:

2.2 小波包能量譜

輸出的定子電流信號的各個頻段能量會隨著異步電動機發生的故障而相應發生變化[14]。按照帕塞瓦爾恒等式得出能量之間處于相等關系的結論,表示為

2.3 特征權值Relief算法

Relief算法主要用于計算特征權重,對于不同的類別賦予相應的權值,再定義一個閾值,將該閾值外的權值剔除,篩選出最合適的權值[16]。

3 異步電動機電氣故障仿真

3.1 異步電動機電磁場有限元仿真

仿真的研究對象為2.2 kW 的籠型異步電動機,其主要參數如表1所示。

表1 異步電動機的主要參數

在電磁場有限元仿真中,對于轉子斷條的故障設置,采用減小轉子導條的材料電導率的方法。搭建外電路,實現定子匝間短路故障的模擬。對某相的短路線圈設置一個短路電路,模擬某相繞組線圈匝數缺失。圖3、4、5所示分別為正常電動機的仿真模型、轉子斷條電動機的仿真模型、電動機定子匝間短路的仿真模型。轉子斷條設定為第26號轉子槽里的導條斷條。

圖4 轉子斷條電動機的仿真模型

圖6為定子A相繞組匝間短路的外電路仿真模型。

圖5中定子A相繞組短路線圈所在的槽號為1號和9號,正常的設計為43匝線圈。故障模型設定槽內20匝線圈出現匝間短路,對應圖6外電路20匝線圈短路標識,剩余23匝線圈與A 相繞組的其他線圈串聯接入。

圖5 定子匝間短路電動機的仿真模型

圖6 定子A相匝間短路的外電路仿真模型

圖7、8、9所示為仿真后3種運行狀況下的電磁場電流波形。對A相定子電流信號進行小波包能量分析,可從中提取能量不同的信號頻段,繼而通過Relief算法處理能量譜,得到相應的特征權值。

圖7 正常電流波形

由圖7、8、9可以看出,正常狀態下的電流波形在10 ms處與兩種故障狀態下的電流波形在幅度上有微小的變化。在40 ms后,正常電流波形呈現出-15～15 A 范圍內的正弦波變換,而圖8轉子斷條故障下的電流波形變換范圍在-5～5 A,圖9定子匝間短路故障下的電流波形變換范圍在-10～10 A。由此看出,憑借定子電流可以判斷異步電動機是否發生了故障。

圖8 轉子斷條電流波形

圖9 定子匝間短路電流波形

3.2 定子電流信號處理仿真

圖10、11、12所示為小波包能量分解重構的結果。

圖10 電動機正常時小波包重構波形

圖11 轉子斷條的小波包重構波形

圖10所示為電動機正常時波形重構的每個頻段的狀態。第1張圖為正常狀態下去除干擾信號后的波形,與圖7所示的波形相比,該圖明顯更加平滑,沒有多余的毛刺。轉子斷條和定子匝間短路的小波包分解重構的波形與原始波形相比也是如此。因此,采用小波包分析進行信號處理比直接進行信號處理在特征提取上更加準確。從圖10、11、12可以看出,當電動機發生故障時,每個頻段里的波形是不一樣的,代表著它們的能量值是不一樣的。以此可以采集很多種故障下,不同的頻段內的能量值,建立特征向量。

圖13所示為3種狀況下8個頻段的能量比較。A0為定子匝間短路故障,A1 為轉子斷條故障,A2為正常狀態。由此可見,每個狀態下的在各個頻段內的能量值是有差別的。通過每個頻段內能量的差異,可以對故障的類別進行識別。

圖12 定子匝間短路的小波包重構波形

圖13 小波包的能量占比圖

數據處理最重要的是利用小波包能量分析與重構的方法得到故障信息的特征向量,特征向量差異越大,得到的故障信息就越多。借助db8小波函數對樣本進行3層小波包分解,得到了1組由8個特征能量組成的故障特征向量。再將得到的特征向量運用Relief算法進行特征權值的提取,每個頻段節點的權值都為0.66。可以得知,每個頻段的特征在所有提取的特征中比重是相同的,每一個頻段內的變化都是故障產生的結果。3種狀況下8個頻段的特征能量如表2所示。

表2 3種狀況下8個頻段的特征能量

從表2給出的數據可以看出,每個故障在各個頻段處的特征向量都會發生變化,而且在許多的節點處能看出能量顯著不同。因此,借助小波包分解得到的特征向量對故障識別的應用是行之有效的,不但可以在保證精確的基礎上,過濾掉不必要的信息量,而且能夠節省診斷時間。

4 結 論

對異步電動機電氣故障進行仿真與模擬后,得到電氣故障信號,再通過小波包能量分解和重構得到的信號,對分解后的8個頻段內的能量值進行求解,得出電動機正常狀態、轉子斷條及定子匝間短路這3種狀態下的特征向量。通過數據比較發現,在節點(3,0)、(3,1)和(3,2)處的能量差異值較大,可以作為判定電機故障類別的依據。通過Relief算法對小波包能量譜進行優化后得到特征權值為0.66,為輸入神經網絡中進行故障模式識別奠定基礎。通過一系列仿真,得到的結果與預想中的效果相差無幾,證明采取特征權值-小波包能量分析的方法可以提取出相應的故障特征向量和特征權值,有可行性。此外,該方法也可以給其他類型的故障診斷提供一定的參考。