異步電機(jī)故障特征提取方法研究綜述

劉 飛，趙志偉，張晨玥

(1.西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054；2.西安市電氣設(shè)備狀態(tài)監(jiān)測(cè)與供電安全重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710054)

0 前言

隨著世界經(jīng)濟(jì)的快速發(fā)展和電氣化程度的不斷提高，電機(jī)驅(qū)動(dòng)的負(fù)載越來越復(fù)雜，進(jìn)而導(dǎo)致電機(jī)故障發(fā)生的頻率也越來越高。異步電機(jī)在運(yùn)行過程中，常見的故障主要有軸承故障、轉(zhuǎn)子斷條故障以及定子繞組匝間短路故障，分別約占電機(jī)總故障發(fā)生率的30%、30%、10%。因此，對(duì)電機(jī)的故障進(jìn)行診斷就顯得尤為重要。

異步電機(jī)的故障診斷是以信號(hào)處理和模式識(shí)別為基礎(chǔ)的，主要包括三個(gè)環(huán)節(jié)：信號(hào)采集、特征提取和狀態(tài)識(shí)別。異步電機(jī)故障診斷的流程如圖1所示，首先利用傳感器對(duì)異步電機(jī)的故障信號(hào)進(jìn)行采集，然后對(duì)采集到的信號(hào)進(jìn)行特征提取，最后對(duì)故障特征進(jìn)行識(shí)別，得到最終的診斷結(jié)果。

圖1 異步電機(jī)故障診斷流程圖

在異步電機(jī)故障診斷中，特征提取的準(zhǔn)確度的高低決定著故障識(shí)別效果的好壞，所以最重要的一步就是特征提取，好的特征提取方法能夠提高最終診斷結(jié)果的識(shí)別準(zhǔn)確率。

由于采集到的信號(hào)包含了大量的多余信息，因此需要對(duì)信號(hào)進(jìn)行特征提取，得到需要的故障信息。常用的故障特征提取方法主要包括時(shí)域特征提取方法、頻域特征提取方法和時(shí)頻域特征提取方法[1]。

1 時(shí)域故障特征提取法

時(shí)域特征提取方法是選擇合適的動(dòng)態(tài)信號(hào)，估算該信號(hào)的時(shí)域參數(shù)，根據(jù)其參數(shù)和相關(guān)指標(biāo)的不同，從而對(duì)電機(jī)上出現(xiàn)的不同故障進(jìn)行分析和精確判斷。

時(shí)域特征提取法主要包括振幅域分析法、概率密度分析法以及相關(guān)性分析法等，這些方法通常使用信號(hào)的基本物理量特征以及概率分布特征進(jìn)行故障診斷分析。

當(dāng)電機(jī)發(fā)生故障時(shí)，時(shí)域信號(hào)中某些特征值參數(shù)會(huì)發(fā)生變化，通過觀察和分析其中的各項(xiàng)指標(biāo)，可以對(duì)電機(jī)故障做出判斷。利用檢測(cè)信號(hào)的時(shí)域波形提取故障特征是信號(hào)特征提取的有效手段之一，該方法在時(shí)域內(nèi)通過對(duì)信號(hào)的分析，尋找和總結(jié)出信號(hào)跟隨時(shí)間變化的規(guī)律，選取適當(dāng)?shù)臅r(shí)域特征參數(shù)作為故障特征量，構(gòu)成時(shí)域特征向量。

常用的時(shí)域特征參數(shù)指標(biāo)主要包括：均值μ、標(biāo)準(zhǔn)差σ、均方根值Xrms、峰值XP、脈沖因子Cf、裕度因子Ce、峭度因子Cq及偏斜度因子Cw。為了有效反映異步電機(jī)的運(yùn)行狀態(tài)，通常組合選用若干個(gè)時(shí)域特征參數(shù)進(jìn)行故障診斷，以上述8個(gè)時(shí)域特征參數(shù)為故障特征量形成的時(shí)域特征向量可表示為：

X=(μ，σ，Xrms，Xp，Cf，Ce，Cq，Cw)T

(1)

在低速或變速運(yùn)轉(zhuǎn)的機(jī)械設(shè)備中，通常使用時(shí)域特征提取法提取信號(hào)故障特征，克服了振動(dòng)信號(hào)中頻率分量少的缺點(diǎn)。選用時(shí)域特征提取法時(shí)，時(shí)域波形沒有經(jīng)過變換丟失信息，直接展示了振動(dòng)信號(hào)最原始的信息，因此時(shí)域特征提取法具有方便、簡(jiǎn)單、信息全面、直觀等特點(diǎn)。

在異步電機(jī)故障特征提取中，直接用電流、振動(dòng)信號(hào)進(jìn)行時(shí)域分析得出結(jié)果，是最直接最簡(jiǎn)單的故障特征提取方法。現(xiàn)代振動(dòng)信號(hào)分析技術(shù)作為一種提取手段被應(yīng)用于電機(jī)故障特征提取中，用峭度來區(qū)分判別故障信息，驗(yàn)證了時(shí)域故障特征提取的有效性。而為了能夠有效簡(jiǎn)便地對(duì)故障特征進(jìn)行提取，電機(jī)電流信號(hào)經(jīng)過動(dòng)態(tài)時(shí)間規(guī)整處理后，故障分量更加突出[2]。相比于其他常規(guī)的時(shí)域特征，波形長(zhǎng)度、斜率符號(hào)變化、簡(jiǎn)單符號(hào)積分、威爾遜振幅、平均絕對(duì)值和過零6個(gè)時(shí)域特征參數(shù)能更好地反映電機(jī)的故障分量信息[3]。

雖然基于時(shí)域的故障特征提取方法研究時(shí)間較早，方法和理論也比較完善，其不僅能夠提取故障而且還能定位故障位置，在許多行業(yè)上得到了應(yīng)用，但從目前文獻(xiàn)上了解的情況是：由于電機(jī)發(fā)生故障時(shí)產(chǎn)生的信號(hào)是非線性的，基于時(shí)域的故障特征提取方法難以有效實(shí)施。

2 頻域故障特征提取法

頻域特征提取法就是利用FFT技術(shù)把時(shí)域的信號(hào)轉(zhuǎn)化到頻域，并從中提取出原時(shí)域波形和相位波形的特征。它描述的是原信號(hào)在頻域中的分布，其特征信息要優(yōu)于時(shí)域圖像，因此被普遍用于提取故障的特征。表1總結(jié)了常用的頻域特征提取方法。

表1 異步電機(jī)頻域特征常用提取方法

頻域信號(hào)處理技術(shù)能夠更為快速并準(zhǔn)確地找出故障部件的故障所在。和時(shí)域特征提取方法相比，頻域特征提取方法能夠展示出更加直觀和清晰的特征信息，更加簡(jiǎn)單快捷地對(duì)故障特征進(jìn)行提取。但是頻域特征提取法的局限性也很明顯，只能在有限的區(qū)間內(nèi)進(jìn)行，由于時(shí)域截?cái)鄷?huì)帶來能量泄漏，可能會(huì)導(dǎo)致離散頻譜產(chǎn)生較大的誤差。頻域特征提取方法以傅里葉變換作為基礎(chǔ)，而傅里葉變換則適合于對(duì)時(shí)域內(nèi)連續(xù)平穩(wěn)信號(hào)的分析，但是由于電機(jī)的故障會(huì)導(dǎo)致信號(hào)的不穩(wěn)定，所以傅里葉變換無法體現(xiàn)出時(shí)域信號(hào)的特性。

3 時(shí)頻域故障特征提取法

正常運(yùn)行的電機(jī)產(chǎn)生的信號(hào)可以看作相對(duì)平穩(wěn)信號(hào)，但當(dāng)電機(jī)出現(xiàn)故障時(shí)，信號(hào)中會(huì)出現(xiàn)尖端、毛刺等不穩(wěn)定的信號(hào)成分。

在實(shí)際應(yīng)用過程中獲取的信號(hào)往往具有相對(duì)平穩(wěn)性，但是非平穩(wěn)性卻是絕對(duì)的。平穩(wěn)性在一定程度上可以反映電機(jī)的運(yùn)行狀況，而非平穩(wěn)信號(hào)是跟隨時(shí)間的改變而不斷地發(fā)生變化。如果只通過時(shí)域或者頻域方法提取特征信號(hào)，得到的信息只能是時(shí)域和頻域部分的故障特征，這是遠(yuǎn)遠(yuǎn)不夠的。因此必須了解非平穩(wěn)信號(hào)和時(shí)間兩者之間的變化關(guān)系，建立一種時(shí)間和頻率二者之間的關(guān)系來表達(dá)這些信號(hào)。于是專家學(xué)者們就提出了小波分析和小波包分析等時(shí)頻域特征提取方法來解決上述的問題。

在時(shí)頻域中，常見的故障特征提取方法有：小波變換、小波包分析、短時(shí)傅里葉變換、經(jīng)驗(yàn)?zāi)B(tài)分解和集合經(jīng)驗(yàn)?zāi)B(tài)分解。

3.1 小波變換

小波變換[14]是時(shí)域和頻域的局部變換，通過選擇合適的小波基函數(shù)，能夠?qū)崿F(xiàn)信號(hào)不同時(shí)刻、不同頻率的分離，對(duì)信號(hào)的局部特征進(jìn)行描述；通過伸縮平移變換能夠?qū)π盘?hào)進(jìn)行多尺度細(xì)化分析，進(jìn)而突出被測(cè)信號(hào)的故障特征。所以小波變換在故障特征提取方面得到了廣泛的應(yīng)用。但小波變換存在小波基難以選取的問題，極大可能導(dǎo)致后續(xù)的故障特征提取過程中提取出的故障不完整。

當(dāng)異步電機(jī)出現(xiàn)故障時(shí)，其定子電流中會(huì)出現(xiàn)不同的故障分量，根據(jù)對(duì)故障分量的分析診斷，從而判斷異步電機(jī)故障類型。由于電流易獲取，只需要增加一個(gè)電流傳感器，所以在電機(jī)故障特征提取中，常常對(duì)電流進(jìn)行處理。將小波變換和希爾伯特變換結(jié)合起來，在定子電流中成功地提取出了能夠表征齒輪故障特征的頻率成分，這說明兩者相結(jié)合在對(duì)電流信號(hào)故障特征提取方面有獨(dú)特的優(yōu)勢(shì)[15]。

由于振動(dòng)信號(hào)有非常強(qiáng)的抗干擾能力，所以在電機(jī)故障特征提取領(lǐng)域中，利用異步電機(jī)運(yùn)行時(shí)產(chǎn)生的振動(dòng)信號(hào)進(jìn)行分析，是獲取故障特征的有效方法。文獻(xiàn)[16]對(duì)電機(jī)的原始振動(dòng)信號(hào)進(jìn)行了基于小波分解的特征向量提取。相比于單一的對(duì)信號(hào)進(jìn)行小波變換，采用小波濾波與共振解調(diào)相結(jié)合的方式，從頻域中提取出故障的頻域特征，該方法還可以高效地提升信噪比[17]。

軸承作為異步電機(jī)最基本的部件之一，也是所有部件中最容易損壞的，為了保證異步電機(jī)在正常狀態(tài)下運(yùn)行，因此對(duì)軸承的檢測(cè)是非常重要的。在小波變換的基礎(chǔ)上提出的一種基于時(shí)間-小波能量譜的信號(hào)處理方法，能夠有效地提取軸承故障信號(hào)中的沖擊成分特征[18]。把小波變換和其他方法相結(jié)合，能更有效地提取故障特征。利用小波變換和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的方式能夠?qū)崿F(xiàn)電機(jī)軸承故障特征的自動(dòng)提取，并且能夠高度有效地利用樣本[19]；利用多小波對(duì)軸承信號(hào)去噪，結(jié)合包絡(luò)解調(diào)提取故障特征，能夠簡(jiǎn)單準(zhǔn)確地提取出滾動(dòng)軸承的早期故障信息[20]。

小波變換有許多優(yōu)點(diǎn)：時(shí)間分辨率在頻率很高時(shí)比較高，而頻率分辨率在頻率很低時(shí)比較高；對(duì)于輸入信號(hào)而言，要求比較低；計(jì)算工作量較小；克服噪聲能力強(qiáng)；本身靈敏度也很高。缺點(diǎn)也很明顯，小波變換不是自適應(yīng)的，需要人工選擇小波基，這也就導(dǎo)致了故障特征提取的不確定性，而且還存在能量泄露等問題。

3.2 小波包分析法

1992年，Coifman和Wickerhauser提出了小波包分析法[21]，小波包分析方法是小波變換的一種改進(jìn)，該方法用一些帶寬相同但中心頻率不同的高、低通濾波器對(duì)原信號(hào)進(jìn)行濾波，并分解為多個(gè)頻帶的子信號(hào)，能夠分解高頻段信號(hào)，使信號(hào)在整個(gè)頻帶上劃分得更加細(xì)致，提高了信號(hào)高頻部分的頻率分辨率，因此被廣泛應(yīng)用于電機(jī)故障特征提取中。

利用小波包頻率分辨率高的特點(diǎn)，對(duì)電機(jī)故障信號(hào)進(jìn)行小波包分解，然后根據(jù)基頻分量的周期性進(jìn)行濾波，能夠有效消除其他分量的干擾，提取出其故障特征頻率分量[22]。

為了克服異步電機(jī)故障特征表現(xiàn)不唯一的缺點(diǎn)，要根據(jù)不同的故障，按照不同的方法進(jìn)行故障特征提取，使得故障特征更加突出，更加準(zhǔn)確，可以把小波包分析法和其他故障特征提取方法相結(jié)合來共同對(duì)故障特征進(jìn)行處理。例如：可以使用峭度指標(biāo)和小波包分析相結(jié)合的算法，提取異步電機(jī)的故障特征[23]；使用小波分解對(duì)振動(dòng)信號(hào)進(jìn)行降噪，然后結(jié)合小波包分解提取能量特征[24]。

當(dāng)異步電機(jī)發(fā)生故障時(shí)，不同的故障會(huì)使故障信號(hào)中某些頻段的能量發(fā)生不同的變化，因此可以對(duì)故障信號(hào)的能量進(jìn)行對(duì)比分析，從而對(duì)異步電機(jī)故障進(jìn)行診斷。常用的方法是采用小波包變換來分解故障信號(hào)，并通過對(duì)其各個(gè)頻段的能量進(jìn)行分析對(duì)比，從而生成具有故障特征的矢量[25-27]。但也可以先使用小波包分析方法對(duì)故障信號(hào)進(jìn)行分析，計(jì)算得到小波包能量譜熵和系數(shù)熵，組合形成故障信號(hào)的信息熵特征向量，可有效地提取異步電機(jī)的故障信息[28]。

為了使提取出的故障特征信息更加完整和有效，對(duì)多源故障特征信息進(jìn)行融合。在異步電機(jī)轉(zhuǎn)子故障特征提取領(lǐng)域中，小波包分析和信號(hào)融合相結(jié)合的方法得到了廣泛的應(yīng)用，它把采集到的振動(dòng)信號(hào)和定子電流信號(hào)的頻譜特征相融合，把融合后的特征作為判斷異步電機(jī)轉(zhuǎn)子斷條的依據(jù)[29]。也有人把經(jīng)過小波包分解得到的信號(hào)提取不同近似熵構(gòu)成集合，然后采用自適應(yīng)算法進(jìn)行加權(quán)融合，最后提取出異步電機(jī)故障狀態(tài)下的特征[30]。

3.3 短時(shí)傅里葉變換

短時(shí)傅里葉變換(short-time Fourier transform，STFT)的原理是把非平穩(wěn)過程看作是一系列短時(shí)平穩(wěn)信號(hào)的疊加，由于短時(shí)性是在時(shí)間上加窗來實(shí)現(xiàn)的，也被稱為加窗傅里葉變換。短時(shí)傅里葉變換在時(shí)域和頻域上分析能力都很強(qiáng)，但是它匹配信號(hào)的特定頻率內(nèi)容需要建立在合適的窗口上，因此在分析之前要選定窗口函數(shù)以保證時(shí)域和頻域的計(jì)算精度。

在使用短時(shí)傅里葉變換對(duì)故障信號(hào)進(jìn)行時(shí)頻分析過程中，不但能夠提取出異步電機(jī)的故障特征，而且在一定條件下還能夠反映出故障頻率的變化。短時(shí)傅里葉變換可用于稀疏分解信號(hào)，獲得分解系數(shù)，然后優(yōu)化獲得的系數(shù)，提取出所需要的故障特征信息[31]；一般也可利用短時(shí)傅里葉變換和小波變換相結(jié)合的方式來共同對(duì)異步電機(jī)故障信號(hào)進(jìn)行時(shí)頻分析[32-33]。文獻(xiàn)[34]采用短時(shí)傅里葉變換對(duì)定子啟動(dòng)電流進(jìn)行分析，解決了故障信號(hào)和工頻信號(hào)難以分離和提取的問題，也反映出了故障特征頻率的變化趨勢(shì)。

短時(shí)傅里葉變換應(yīng)用于異步電機(jī)故障診斷領(lǐng)域有一個(gè)很大的優(yōu)點(diǎn)，它能夠得到不同時(shí)刻的頻譜，使得故障信息更加清晰明了。但是它對(duì)信號(hào)突然的變化反應(yīng)不是很靈敏，而且窗口的大小是不能夠調(diào)整的，這導(dǎo)致它在異步電機(jī)故障診斷領(lǐng)域應(yīng)用不多。

3.4 EMD經(jīng)驗(yàn)?zāi)B(tài)分解法

1998年美籍華人Norden E.Huang通過深入分析信號(hào)瞬時(shí)頻率特征后提出了經(jīng)驗(yàn)?zāi)B(tài)分解法(empirical mode decomposition，EMD)[35]，該方法假定所有信號(hào)都是是由多個(gè)本征模態(tài)功能函數(shù)(intrinsic mode function，IMF)組成，并且IMF分量之間彼此重疊以構(gòu)成復(fù)合信號(hào)。EMD可以將任意的信號(hào)分解成IMF組合的形式，進(jìn)行時(shí)頻域分析。

由于實(shí)驗(yàn)獲取的原始信號(hào)中，通常包含著噪聲，噪聲使得信號(hào)波形雜亂、毛刺明顯，提取到有用的故障特征不是很容易，因此需要先使用EMD方法對(duì)信號(hào)去噪，從含噪聲的原始信號(hào)中恢復(fù)出有用的信號(hào)波形，并提取出故障特征。大部分研究都是用EMD方法對(duì)得到的信號(hào)進(jìn)行濾波分解，進(jìn)一步從中提取出故障特征[36]。但是文獻(xiàn)[37]利用EMD把振動(dòng)和聲音信號(hào)分解為高頻和低頻模式，從中提取出高階統(tǒng)計(jì)參數(shù)，并且從IMF中還可以觀察到故障的發(fā)展變化，該方法可以為診斷斜齒輪局部故障的嚴(yán)重程度提供新的思路。

相較于單一的使用EMD方法，EMD與其他方法相結(jié)合來進(jìn)行故障特征提取，更能適應(yīng)復(fù)雜的系統(tǒng)。文獻(xiàn)[38]將EMD和信息熵結(jié)合在一起，提取出異步電機(jī)振動(dòng)信號(hào)中的故障特征。另一方面文獻(xiàn)[39]利用EMD、希爾伯特變化和快速傅里葉變換從定子電流中提取出能夠表征轉(zhuǎn)子斷條的故障特征頻率，能夠有效地避免電流信號(hào)中高頻分量的影響。繼而，文獻(xiàn)[40]采用主成分分析方法(principal component analysis，PCA)對(duì)振動(dòng)信號(hào)進(jìn)行處理，經(jīng)過EMD分解后得到能量熵，使之作為新的故障特征量，該方法克服了傳統(tǒng)提取方法花費(fèi)大量精力和時(shí)間提取故障特征頻率的難題。

由于EMD具有完備性和正交性等優(yōu)點(diǎn)，因此非常適合處理非線性、非平穩(wěn)的電機(jī)故障信號(hào)，所以EMD在電機(jī)設(shè)備故障特征提取領(lǐng)域有一定的應(yīng)用。然而EMD本身會(huì)存在模態(tài)混疊的問題[41]，這樣會(huì)使IMF失去物理意義，給正確分析信號(hào)的時(shí)頻分布帶來困難，因此EMD在故障特征提取中受到一定的限制[42]。

3.5 EEMD集合經(jīng)驗(yàn)?zāi)B(tài)分解法

針對(duì)EMD存在的模態(tài)混疊問題，吳兆華與Norden E.Huang 等人提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解法(ensemble empirical mode decomposition，EEMD)[43]。該方法的基本原理是先把多組頻譜均勻分布的白噪聲加入到待分解的信號(hào)中，然后再對(duì)它進(jìn)行EMD分解，利用白噪聲均值為零、方差相等的特性，對(duì)分解得到的所有IMF本征模態(tài)功能函數(shù)求均值，消除了白噪聲的影響，最后把得到的均值作為最終EEMD分解得到的IMF本征模態(tài)功能函數(shù)。EEMD提供了一個(gè)相對(duì)一致的參照尺度，以確保每一個(gè)IMF分量時(shí)域的連續(xù)性。

利用EEMD把電機(jī)定子電流信號(hào)分解為一系列IMF，選取信息最豐富的IMF分量構(gòu)建故障特征向量[44]；也可以使用EEMD把信號(hào)分解為一定數(shù)量的IMF和殘差，接著對(duì)其進(jìn)行包絡(luò)分析來解調(diào)出對(duì)應(yīng)的故障特征頻率[45]。文獻(xiàn)[46]使用EEMD提取非平穩(wěn)振動(dòng)信號(hào)的數(shù)據(jù)特征向量，解決了模式混疊問題。以上EEMD算法完全繼承了EMD算法的優(yōu)點(diǎn)，和EMD算法相比，EEMD具有更高的信噪比，非常適合處理非線性、非平穩(wěn)的信號(hào)，還很好地克服了EMD中的混疊問題。

在EEMD 算法的基礎(chǔ)上，與其他的方法結(jié)合，能夠?yàn)楣收咸崛√峁└涌煽康囊罁?jù)。文獻(xiàn)[47]使用EEMD和希爾伯特變換相結(jié)合的方式對(duì)三相異步電機(jī)的故障進(jìn)行特征提取。然而文獻(xiàn)[48]提出的一種基于EEMD和能量矩的特征提取方法，該方法使用IMF能量矩作為故障特征向量，相比于傳統(tǒng)的特征提取方法增加了時(shí)間特征因素，可以更加有效準(zhǔn)確地提取出必要的信號(hào)特征。

隨著系統(tǒng)越來越復(fù)雜，一種改進(jìn)的集成經(jīng)驗(yàn)?zāi)B(tài)分解(MEEMD)被提出來。它將定子電流分解，然后利用互相關(guān)準(zhǔn)則，選取出包含最豐富信息的IMF分量，再通過計(jì)算得到它的能量熵，以此來構(gòu)建出故障特征向量。該方法能夠很好地減少故障特征中的虛幻成分?jǐn)?shù)量。該算法是對(duì)EEMD算法的改進(jìn)，改進(jìn)后的算法能夠進(jìn)一步抑制模態(tài)混疊的狀況，得到更好的模態(tài)分量[49]。

4 其他故障特征提取法

除了上述所提到的常用的方法外，一些很少用到的提取方法也被用在異步電機(jī)的故障診斷領(lǐng)域，表2總結(jié)了一些其他的故障特征提取方法以及特點(diǎn)。

表2 異步電機(jī)其他故障特征提取方法

5 結(jié)束語

雖然經(jīng)過幾十年的發(fā)展，故障診斷領(lǐng)域的內(nèi)容得到了極大的豐富，取得了很大的進(jìn)步，在工程實(shí)踐中得到了廣泛的應(yīng)用和滿意的效果，但也暴露了許多需要解決的問題。針對(duì)異步電機(jī)故障診斷方面，有以下幾點(diǎn)值得注意：

(1)本文所提及的故障特征提取方法僅限于電機(jī)設(shè)備穩(wěn)態(tài)運(yùn)行狀態(tài)下，對(duì)起動(dòng)、加速、制動(dòng)等動(dòng)態(tài)運(yùn)行的研究較少。因此，在動(dòng)態(tài)條件下實(shí)時(shí)地提取電機(jī)設(shè)備的故障特征也變得越來越重要。

(2)隨著電機(jī)系統(tǒng)復(fù)雜性的提高，當(dāng)異步電機(jī)多種故障共存時(shí)，故障信號(hào)也會(huì)相互影響，進(jìn)而增加故障特征提取的困難。因此，如何在復(fù)雜的系統(tǒng)環(huán)境中準(zhǔn)確提取和分離故障特征也是一個(gè)值得研究的問題。

(3)為了充分利用獲得的不同信號(hào)的信息，使得提取出的異步電機(jī)故障特征更加準(zhǔn)確，可以對(duì)各種信息進(jìn)行融合，相互補(bǔ)充，克服單一型傳感器故障信號(hào)采集的不確定性帶來的影響。

(4)由于實(shí)際異步電機(jī)系統(tǒng)的復(fù)雜性和各種提取方法的局限性，只應(yīng)用一種故障特征提取方法就完全提取出對(duì)象的故障特征幾乎是不可能的，此時(shí)就要同時(shí)使用多種故障特征提取方法來對(duì)故障特征進(jìn)行綜合提取。因此，研究如何將多種提取方法有效地集成在一起，發(fā)揮各自的優(yōu)勢(shì)，從而提高故障特征的完整性、準(zhǔn)確性就成為一個(gè)具有重要現(xiàn)實(shí)意義的課題。

隨著異步電機(jī)所在系統(tǒng)復(fù)雜程度的提高，新的提取方法、優(yōu)化算法、應(yīng)用領(lǐng)域和應(yīng)用產(chǎn)品的不斷出現(xiàn)，對(duì)異步電機(jī)故障特征的提取提出了更高的要求。在傳統(tǒng)的故障特征提取方法不斷完善的同時(shí)，人工智能技術(shù)和傳感器技術(shù)最新的研究成果一定會(huì)源源不斷地注入到異步電機(jī)故障特征提取領(lǐng)域。