异步电机故障诊断方法的应用探究

张伟波

（广东省粤电集团有限公司沙角A电厂，广东 东莞523936）

异步电机故障诊断方法的应用探究

张伟波

（广东省粤电集团有限公司沙角A电厂，广东 东莞523936）

异步电机故障诊断方法综合机械振动理论、人工智能技术、数字信号处理以及电子技术等多门理论的实用技术，同时在诊断中要通过多种检测量提高诊断的精度，并利用各种诊断方法而建立基于数据融合的故障诊断系统。本文对其中较为常用的两种故障诊断方法进行应用探究。

异步电机；故障诊断；方法；应用探究

0 引言

随着工业经济以及技术水平的升级换代，各行各业在生产活动过程中使用的异步电机的数量也在以惊人的速度上升，同时单机容量逐渐提高，所以异步电机的日常运行工作情况和状态难免会影响到各行各业的生产以及运行。如果异步电机出现故障，那么不仅仅可能会损坏电机，甚至有可能会影响到整个生产系统，乃至于给生产以及工作人员的生命安全带来危险，进而造成非常严重的经济损失并且带来不良的舆论影响。

1 异步电机的构造和工作特性

异步电机在通常的情况下是由定子和转子两部分组成。异步电机的定子由铁心、绕组、端盖和机座这四部分组成，定子和转子之间预留有一小部分的气隙。定子铁芯是由相互绝缘的硅钢片所叠压而成的筒形铁芯，是异步电机主磁通磁路的主要组成部分，主要作用为导磁。

定子绕组由许多高强度漆包线绕制成的线圈按照一定的规则而联接成，嵌入在铁芯槽内。根据定子绕组槽内布置不同，可以分成单层绕组和双层绕组这两种基本的型式，双层绕组型式通常在容量较大的异步电机上使用。机座和端盖起着固定、保护定子铁心的作用。

在原理方面，异步电机通电后，定子上的绕组在电流的作用下形成旋转的磁场，旋转磁场与转子相对运动，转子的绕组切割旋转磁场产生感应电动势，从而产生感应电流。转子中的感应电流再与旋转磁场作用，从而产生电磁转矩，最终拖动转子沿着旋转磁场的方向旋转。

异步电机工作特性指的是在额定电压以及额定频率的情况下，电机转速n、定子电流I1、电磁转矩T、功率因数cosφ1、效率η同输出功率P2之间的关系。因为异步电动机是交流电动机，因此对电机而言需要考虑到功率因数，并且因为负载电流以及励磁电流共同存在于定子绕组当中，定子电流的变化可以反映电机的运行状态，而转子电流往往无法直接测取。

2 常用的异步电机故障诊断方法

异步电机故障诊断的方法很多，在此简要介绍其中较为常用的两种。一种是概率神经网络。一种是概率神经网络。所谓概率神经网络（Probabilistic Neural Network，PNN）指的是训练简洁、结构简单以及应用广泛的神经网络［1]，能够用于故障诊断。PNN作为能够用于分类模式的神经网络，实质是从贝叶斯的最小风险准则（即贝叶斯决策理论）发展起来的并行算法。而异步电机在运行的过程当中，转子偏心、断条以及失电是较为常见故障，并且异步电机在长期的运行当中，因为周期性的间歇运行或者频繁起动，从而导致转子电磁应力的急剧变化，再加上热应力、机械应力以及环境应力等方面的作用，容易导致转子的鼠笼条过热而使得振动加剧，最终引发鼠笼条断裂。

异步电机的结构特殊，转动部分难以准确监测，故障原因不好判断，因此能够使用PNN实现故障诊断。在异步电机的故障诊断当中通常选用3个特征参数，即A相电流、B相电流以及C相电流，同时在诊断过程中提取相关特征参数并使用PNN诊断。首先是建立模型，在输入层中的神经元个数要根据异步电机的特征参数而确定的。

设定选取异步电机的特征参数是A相、B相以及C相电流和异步电机的正常状态，PNN输入层的神经元设为4，即PNN网络的输入层有4个输入的结点，而输出则是正常以及故障这两种状态，故障则具体分成转子断条、失电、偏心以及残压，可以用二进制来描述四种故障：（0，1，0，0）、（1，0，0，0）、（0，0，0，1）以及（0，0，1，0）。图1设计两个PNN来进行故障诊断。其中PNN1输入层有2个神经元，分别对应A相电流以及正常状态，模式层也有两个神经元而对应正常以及故障模式。PNN 2输人层有3个结点对应A相、B相以及C相电流，而模式层则有6个神经元对应正常以及故障的模式，其输出层则有4个神经元对应转子的断条、失电残压、偏心以及正常状态，通过4种状态来判定哪种故障［2]。

图1 基于PNN的异步电机诊断模型

另一种是异类信息融合技术。信息融合技术应用于异步电机的故障诊断主要是同类信息的多传感器或者多特征量融合，以及异类信息决策层的融合等方面。其中异类信息有着较强的互补性，因此其融合信息有着更大的实用价值，所以可以利用异类信息的融合来对异步电机的故障进行综合诊断，通常能够获得比根据同类信息融合诊断而更为精确的效果。

在异类信息的特征提取方面，主要包括振动信号以及电流信号。在振动信号的特征提取方面，异步电机出现故障会导致振动信号的时域特征参数出现变化。因此为有效反映出异步电机的运行状态，可以组合选用数个时域特征的参数来进行故障诊断，例如均值、峰值、均方根、幅值平方和、标准差、方根幅值、偏度、脉冲因子以及裕度因子等域特征参数，从而构成振动信号多维度特征向量［3]。

在电流信号的特征提取方面，小波包作为小波变换延伸，可以对信号低频以及高频部分进行多尺度分解，最终保证信息量的完整。信息熵作为特定状态下的定位系统信息测度，是对异步电机电流序列未知程度的度量，能够用来估计信号复杂性。因为振动信号特征以及电流信号特征能够包含异步电机不同状态空间具有的那些故障信息，将这两类特征融合利用，从而实现异类信息的互补，能够获得比单一特征更加丰富的特征信息量。其中最直接的特征融合方法是将这两类特征进行串行组合，不过需要注意的是组合特征高维性以及冗余性容易引发分类器出现识别能力的下降问题。

3 结论

综上所述，对异步电机常见故障诊断方法加以应用探究，能够有效降低异步电机的故障率，减少因突发事故而引发的停产损失，同时也降低维修的成本，并消除对工作人员的安全威胁。

［1]沈标正．电机故障诊断技术［M].北京：机械工业出版社，2012：456-459.

［2]高景德，王祥衍．交流电机及其系统的分析［M].北京：清华大学出版社，2013：268-269

［3]叶银忠．故障诊断技术的发展趋势及我们的对策［M].自动化博览，2012，10（3）：153-154.