一种交流电机故障诊断中的特征提取与强化

赵慧敏，房才华，徐智超，聂冰

(1.大连交通大学 软件学院，辽宁 大连 116028;2.大连科技学院 ，辽宁 大连 116052)*

0 引言

交流电机具有结构简单、性能良好、使用维护方便等特点，被广泛地应用于工业、国防等领域.由于交流电机在应用中受到频繁启动、负载波动、工作环境恶劣等因素的影响，因此电机在寿命周期内发生故障是难以避免的.为了避免电机失效、保障安全生产、防止因电机故障造成的经济损失及发生事故灾难，对电机进行故障诊断具有重要的意义，因此一直受到各相关领域的重视［1］.随着科学技术的不断进步，新的信号处理方法的出现也促进了电机故障诊断与新技术的发展.

目前，有许多交流电机故障诊断方面的研究成果［2-5］.小波包分解后子频段的频率分析范围能覆盖一定的频率段，通过选择采样频率和分解的层数，可使子频段的频率分析范围覆盖某个特征频率，因此引起了许多研究者的兴趣.文献［6］提出了基于小波包分析的电机故障振声诊断方法，文献［7］提出了基于小波包分解的振动信号频带能量的特征向量提取方法，用于精密离心机的故障特征提取，文献［8］提出了基于小波包分解的定子故障特征提取方法，这些文献均不同程度地提高了交流电机故障诊断的可靠性.

本文针对交流电机故障诊断中的特征提取方法进行研究，提出了一种能够实现混合振动源的分离、特征频带选择和特征强化的电机故障诊断中的特征提取新方法.

1 特征提取与强化方法总体流程

图1为本文所提出方法的具体实现流程，包括以下步骤:

(1)通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号;

(2)对振动加速度信号进行数据预处理;

(3)采用盲源分离方法对预处理后的振动加速度信号进行振源分离，得到分离后的振动加速度信号;

(7)将RE2输入交流电机故障诊断模型进行故障诊断.

图1 特征提取与强化模型结构

2 交流电机振动信号的盲源分离

盲源分离(Blind source separation)是盲信号源分离的简称，它是指从若干观测到的混合信号中恢复出无法直接观测到的原始信号的一种方法［9］.通常，观测信号来自于一组传感器的输出，而每一个传感器所接收到的信号是多个原始信号的混合.下面给出盲源分离问题的基本描述.

设 x(t)= ［x1(t)，x2(t)，…，xm(t)］T是由m个传感器采集且经过预处理的m个观测信号，s(t)=［s1(t)，s2(t)，…，sn(t)］T是产生观测信号的n个相互统计独立的源信号，且观测信号是源信号经过线性混合而产生的，可用式(1)表示x(t)和s(t)的关系:

式中，A∈Rm×n是元素为aji的混合矩阵.

盲源分离的目的就是寻找一个分离矩阵W，用于对x(t)进行线性变换，得到

如果yj(t)之间相关性比较小，即在一定程度上保持独立，则y(t)是源信号s(t)的一个估计.

y(t)与源信号s(t)相比存在不确定性，也就是y(t)的幅值和排序是不确定的.但在实际应用中，只要保持波形不变，这两个不确定性是可以接受的［10］.

本文采用快速独立成分分析方法对数据预处理后的4路振动加速度信号进行振源分离，分离过程包括以下步骤:

Step1:对振动加速度信号进行去均值处理;

Step2:对去均值后的信号做去相关处理;

Step3:对去相关后的振动加速度信号进行独立振动源的分离，得到分离后的振动数据.

以1.5 kW流电机为例，采集在某一转速下的4路振动加速度信号，在去噪后使用盲源分离方法进行混叠振动源的分离.分离前后部分频段的功率谱对比图如图2和图3所示.

图2 分离前振动信号的功率谱图

图2为4路传感器采集的振动数据(数据经过预处理)的功率谱图，图3为对图2的4路振动数据进行盲源分离之后的功率谱图，对比图2和图3，可以看到，频率为15 Hz、25 Hz被清晰地被分离出来.因此使用分离后的数据进行特征提取将降低信号的复杂度，提高故障诊断正确率和有效性.

图3 分离后振动信号的功率谱图

3 基于小波包分析的特征提取及化简

从信号滤波的角度理解，小波包分解将待分析信号通过一个高通滤波器和一个低通滤波器进行滤波，得到一组低频信号和一组高频信号，并且对高频信号和低频信号分别分解.随着分解层数的增加，小波包分解对信号的高频成分和低频成分的分解都可达到很精细的程度，从而可以得到信号在某些频段内的特征信息.可以把小波包分解看成是一个首尾相接的恒带宽滤波器组，小波包分解的结果使得信号的能量被分到一系列正交的频带上.

因此采用小波包分解方法将经过盲源分离后的振动信号进行三层分解，得到8个正交的恒带宽子频带，然后计算每个频带的能量相对于总能量的比值，得到由8个大于0小于1的数值构成的能量比向量.

由于对于变频器控制的交流电机来说，高频段的信号多为电磁干扰，有用的信号多集中在低频段，实际计算出来的高频段信号的能量比也很小，因此可以去掉对高频段的能量比向量，以达到减少模型输入，简化模型结构的目的.

特征分解及化简的具体步骤为:

Step2:计算每个子频带内信号的能量Ei(i=1，…，8)及信号的总能量E;

这里频带范围的上界n为采样频率的1/2.

4 特征强化

实际应用中，发现直接使用小波包进行特征提取之后得到的能量比向量进行故障诊断时，诊断的效果不好，即不能有效地识别电机的故障特征或进行故障预测，经研究发现经小波包分解后的得到的能量比向量，其特征区分度不够，这是由于在故障早期，故障的特征并不明显，或者不同故障的能量比表现出相似的特征.因此本文在特征提取之后又增加了特征强化的处理环节，经特征强化处理后训练出来的模型能够有效地识别故障状态并进行故障预测.

对简化后的能量比向量RE1进行特征强化，步骤如下:

Step1:采集同类型无故障电机10组振动加速度数据，经前述步骤处理后，得到简化后的能量比向量组，用来表示，RE(j)1可以表示为一个维数为10×4的矩阵，记为 ARE1= ［ei，j］10×4;

Step2:对矩阵 ARE1= ［ei，j］10×4的每一列求均值，得到向量

将特征强化后的能量比向量RE2输入交流电机故障诊断模型进行故障诊断.

图4(a)是使用小波包分解之后未经特征强化的能量比向量送入故障诊断网络，进行故障诊断训练的效果图，从图中可以看出该诊断模型并不能有效区分故障状态和无故障状态;图4(b)是将特征强化后的能量比向量送入网络进行训练的结果，可以发现此网络能有效区分两种状态，即序号1～6为故障状态，7～12为无故障状态.

图4 特征分解、强化后故障诊断效果

5 结论

故障信号的特征提取是进行故障诊断的基础，特征提取的质量好坏决定了其后进行故障诊断的准确率和正确性.本文采用盲源分离方法首先对交流电机振动加速度信号进行混合振动源的分离，之后对分离后的信号进行小波包分解进行特征提取，并进行了特征频带的化简及进行了特征强化，最终得到的能量比向量即为故障诊断模型的输入.与常用的特征提取方法相比，增加了混合振动源的分离、特征频带化简及特征提取环节.使用本文所提出的方法得到的特征向量进行故障诊断的结果表明，本文提出的方法是有效的.本文为交流电机故障诊断中的特征提取提供了新的思路和方法.

［1］邱阿瑞，孙健.电机故障模式识别与诊断［J］.清华大学学报(自然科学版)，1999，39(3):72-74.

［2］刘振兴，尉宇，赵敏，等.基于RELAX频谱分析方法的鼠笼式异步电动机转子故障诊断［J］.中国电机工程学报，2006，26(22):146-150.

［3］张雄希，刘振兴.共振解调与小波降噪在电机故障诊断中的应用［J］.电机与控制学报，2010，14(6):66-70.

［4］董涛，程培源，樊波，等.基于单相功率频谱分析的感应电机故障诊断［J］.大电机技术，2011，2:20-22.

［5］朱伟，李东辰，闫琪娇，等.基于支持向量机的电机故障预测研究［J］.煤矿机械，2011，32(3):253-254.

［6］邱赤东，薛征宇，邵萍波，等.基于小波包变换的电机定子故障特征提取方法［J］.电力系统保护与控制，2010，38(22):52 －57.

［7］吕锋，孙杨，文成林，等.基于小波分析的电机故障振声诊断方法［J］.电机与控制学报，2004，8(4):322-326.

［8］于志伟，苏宝库，曾鸣.小波包分析技术在大型电机转子故障诊断系统中的应用［J］.中国电机工程学报，2005，25(22):158-162.

［9］刘琚，何振亚.盲源分离和盲反卷积［J］.电子学报，2002，30(4):570-576.

［10］Com on P.Independent component analysis，a new concept［J］.Signal Processing，1994，36(3):287-314.