基于电流特征信号的感应电动机故障诊断方法概述

李海 魏昶宇 杨爱璜

摘要：本文对感应电动机的故障类型和常用故障诊断方法进行了综述，基于电流特征分析对感应电动机三种主要故障的诊断方法进行分析，得到了以下结论：结合槽谐波转差率计算，Nuttall窗三谱线插值修正算法，CZT频谱细化技术，分析选取Rat作为转子断条故障特征量。但当负载波动量超阈值时会造成误判，此时宜采用Hilbert模量频谱分析法。分析采集不同工况下定子稳态电流，剔除由供电电压不平衡和感应电动机本身固有不平衡引起的负序电流分量，提取残差负序电流分量作为匝间短路故障的诊断判据。本文依据自相关函数的统计特性，确定噪声、信号主导的IMF分量节点，结合软阈值降噪，对轴承故障时的重构定子电流进行多窗口谱分析，能够突出轴承故障特征频率。

Abstract： In this paper， the fault types and common fault diagnosis methods of induction motors are reviewed. Based on the analysis of current characteristics， the diagnosis methods of the three main faults of induction motors are analyzed. The following conclusions are obtained： With the calculation of slot harmonic slip， Nuttall Window three-line interpolation correction algorithm， CZT spectral refinement technology， Rat is selected as the fault feature of the rotor broken bar. However， when the load fluctuation exceeds the threshold， it will cause misjudgment. In this case， Hilbert modulus spectrum analysis method should be adopted. The steady-state current of the stator under different working conditions is analyzed and the negative sequence current components caused by the unbalanced supply voltage and the inherent unbalance of the induction motor itself are removed. The residual negative sequence current component is extracted as the diagnosis criterion for interturn short circuit faults. Based on the statistical characteristics of the autocorrelation function， this paper determines the noise and signal-dominated IMF component nodes. Combined with the soft threshold noise reduction， the multi-window spectrum analysis of the reconstructed stator current in bearing failure can highlight the bearing fault feature frequency.

关键词： 故障诊断；电流特征；电机能效；气隙转矩；在线估计

Key words： fault diagnosis；current characteristics；motor energy efficiency；air gap torque；online estimation

中图分类号：TM452 文献标识码：A 文章编号：1006-4311（2018）26-0159-03

0 引言

感应电动机是占比最大的电力负荷。感应电动机在长期运行过程中，负载变动、工作环境恶劣及自身部件老化等影响，导致其在运行中会发生故障，造成电动机本体不可逆的损坏，甚至影响整个系统的运行和发生安全事故。

而感应电动机的故障并不是立即发生的，如果在电机故障早期就能捕捉到故障征兆，就能避免因电机故障导致意外安全事故。因此，电机的状态监测为生产安全、可靠运行提供了强有力的技术支撑。

1 故障类型及诊断方法

1.1 故障类型对比 感应电动机具有复杂的机、电、磁耦合，由于电机常需长时间运行且易受众多因素的影响使其引起各类故障。本节对某工业行业2596台10kW以上的笼型感应电动机的故障类型数量及其所占比例进行统计分析，如表1所示[3]。电动机本体主要故障类型为轴承故障、定子绕组故障、轉子断条故障。

1.2故障诊断方法 针对不同故障反映出来的不同征兆，感应电动机故障诊断方法选取的检测量不同，常用的诊断方法有：振动诊断法（Vibration Diagnosis）；电流特征分析（Motor current signature analysis）；温度诊断法（Temperature Diagnosis）；绝缘诊断法（Insulation Diagnosis）与振声诊断法（Vibrational Diagnosis）。

2 故障诊断系统的框架与安装

2.1系统基本框架 感应电机故障诊断技术主要包括信号检测、特征提取、状态识别、诊断决策等步骤如图1所示。

2.2系统的安装方式 实际应用中，感应电动机故障诊断系统接线如图2所示。

3 故障诊断技术和方法的对比分析

3.1 感应电动机转子断条故障诊断实现

为避免基波分量对转子断条故障特征频率分量的泄露影响，结合槽谐波转差率计算、Nuttall窗三谱线插值修正算法、CZT频谱细化技术对转子断条故障进行诊断分析。

3.2 Nuttall窗三谱线插值和频谱细化的转子断条故障诊断方法 记基波频率f1的幅值为A，（1-2s）f1、（1+2s）f1故障频率分量的幅值分别为A、A，则即Rat1-2s=A，Rat1+2s=A。根据相关文献中的研究分析表明，Rat1-2s、Rat1+2s与感应电动机的转动惯量有关，Rat1-2s随转动惯量增加而增大，Rat1+2s则反之，但在同一运行状态下，二者之和近似恒定。本文即选Rat作为转子断条故障诊断的特征量：

3.3基于Hilbert模量频谱分析的转子断条故障诊断方法

基于Hilbert模量AHil频谱分析的转子断条故障诊断方法，是通过对定子电流的Hilbert变换，分析其Hilbert模量AHil频谱，在一定频率范围内查找故障特征分量2sf1来判定故障是否发生。

综上分析，计及负载波动的感应电动机转子断条故障诊断的诊断流程如图3所示。

3.4 感应电动机定子匝间短路故障诊断实现

由于定子电流中匝间故障的特征频率分量幅值较小，易受到系统谐波及其他噪声的影响，造成故障识别不准确，而转子断条、轴承故障等发生时并不会引起定子绕组的不平衡。所以本文中选取定子电流负序分量作为感应电动机定子匝间短路故障的特征量。

本文研究的基于定子电流负序分量的定子匝间短路故障诊断具体为：结合实际监测电动机的运行情况，将在每种工况下稳定运行时由感应电动机固有不平衡产生的负序电流分量Ir-视为常量，由采集计算得到的负序电流、电压进行拟合分析，剔除由供电电压不平衡及电机先天固有不平衡产生的负序电流分量，以负序电流残差作为故障的特征量，对比正常时的负序电流阈值进行定子匝间短路的诊断分析。诊断流程如图4所示。

3.5应电动机轴承故障诊断实现

轴承故障是感应电动机常见的机械类故障，本章结合经验模态分解和多窗口谱分析技术，基于定子电流特征，采用EMD-MTM轴承故障诊断方法，对比自适应滤波分析其诊断效果。

感应电动机轴承故障时，定子电流中的故障特征频率分量■幅值较小，易受到系统谐波及噪声的干扰。EMD分解具有优良的自适应分解和局部分析能力，将信号分解成从高到低不同频率、不等带宽的IMF。MTM采用一簇正交的数据窗对信号完成不同的采样，每一个数据窗丢失的信息可被后面的数据窗恢复，减少由于数据的有限长度所带来的频谱泄漏，很好的权衡了分辨率和方差。其流程图如图5所示。

本文结合自相关函数统计特性、EMD分解和MTM技术，提出EMD-MTM诊断法，有效限制了定子电流中的噪声干扰，比基于自适应滤波技术具有更好的轴承故障诊断效果。

4 结论

基于定子电流特征分析的故障诊断方法，不但能监测较为广泛的故障类型，而且能做到尽可能非侵入，较为理想；利用四项五阶Nuttall窗三谱线插值的修正公式，能确定基波的具体参数。结合槽谐波转差率计算、CZT频谱细化技术，并设定检测阈值能够有效判定转子断条故障的发生和故障程度。断条故障特征频率可用Hilbert模量频谱分析转换为2sf1予以识别；基于自相关函数的统计特性，对噪声主导的IMF分量进行软阈值降噪，重构得到的定子电流的MTM频谱中凸显了轴承故障特征频率，诊断效果明显优于基于自适应滤波的轴承故障诊断方法。

参考文献：

[1]Nickerson G. W， Nemarich C P. A mechanical system condition-based maintenance demonstration model. IEEE System Readiness Technology Conference Autotestcon90， Conference record， 1990，529-533.

[2]沈标正，电机故障诊断技术[M].北京：机械工业出版社，1996.

[3]Thorsen O.V， Dalva M.. A survey of faults on induction motors in offshore oil industry， petrochemical industry， gas terminals， and oil refineries[J]. Industry Applications， 1995，31（5）：1186-1196.

[4]Pat ODonnell. Report of large motor reliability survey of industrial and commercial installations， Part II [R]. Atlanta： IEEE Industry Applications Society， 1984.

[5]Pat ODonnell. Report of large motor reliability survey of industrial and commercial installations， Part III [R]. Philadelphia： IEEE Industry Applications Society， 1986.

[6]葛苏鞍，帕尔哈提·阿布都克里木，赵海森，葛永广. 用于系统能效动态评估的异步电机参数辨识[J]. 华北电力大学学报（自然科学版），2014，41（05）：62-67，94.

[7]李建军，王庆，汪玉山.笼型異步电机能效辨识方法对比[J].电机与控制应用，2015，42（05）：69-74.

[8]王庆，张蓬鹤，赵海森，刘晓芳，杜中兰.基于可测电气量鼠笼式异步电机能效在线监测方法[J].微特电机，2013，41（12）：26-30.

[9]J.Stephan；M.Minami，Real-time estimation of the parameters and fluxes of induction motors[J].IEEE Transactions on Industry Applications，1994，30（3）.