异步电机故障特征提取方法研究综述

刘 飞，赵志伟，张晨玥

(1.西安科技大学 电气与控制工程学院，陕西 西安 710054；2.西安市电气设备状态监测与供电安全重点实验室，陕西 西安 710054)

0 前言

随着世界经济的快速发展和电气化程度的不断提高，电机驱动的负载越来越复杂，进而导致电机故障发生的频率也越来越高。异步电机在运行过程中，常见的故障主要有轴承故障、转子断条故障以及定子绕组匝间短路故障，分别约占电机总故障发生率的30%、30%、10%。因此，对电机的故障进行诊断就显得尤为重要。

异步电机的故障诊断是以信号处理和模式识别为基础的，主要包括三个环节：信号采集、特征提取和状态识别。异步电机故障诊断的流程如图1所示，首先利用传感器对异步电机的故障信号进行采集，然后对采集到的信号进行特征提取，最后对故障特征进行识别，得到最终的诊断结果。

图1 异步电机故障诊断流程图

在异步电机故障诊断中，特征提取的准确度的高低决定着故障识别效果的好坏，所以最重要的一步就是特征提取，好的特征提取方法能够提高最终诊断结果的识别准确率。

由于采集到的信号包含了大量的多余信息，因此需要对信号进行特征提取，得到需要的故障信息。常用的故障特征提取方法主要包括时域特征提取方法、频域特征提取方法和时频域特征提取方法[1]。

1 时域故障特征提取法

时域特征提取方法是选择合适的动态信号，估算该信号的时域参数，根据其参数和相关指标的不同，从而对电机上出现的不同故障进行分析和精确判断。

时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关性分析法等，这些方法通常使用信号的基本物理量特征以及概率分布特征进行故障诊断分析。

当电机发生故障时，时域信号中某些特征值参数会发生变化，通过观察和分析其中的各项指标，可以对电机故障做出判断。利用检测信号的时域波形提取故障特征是信号特征提取的有效手段之一，该方法在时域内通过对信号的分析，寻找和总结出信号跟随时间变化的规律，选取适当的时域特征参数作为故障特征量，构成时域特征向量。

常用的时域特征参数指标主要包括：均值μ、标准差σ、均方根值Xrms、峰值XP、脉冲因子Cf、裕度因子Ce、峭度因子Cq及偏斜度因子Cw。为了有效反映异步电机的运行状态，通常组合选用若干个时域特征参数进行故障诊断，以上述8个时域特征参数为故障特征量形成的时域特征向量可表示为：

X=(μ，σ，Xrms，Xp，Cf，Ce，Cq，Cw)T

(1)

在低速或变速运转的机械设备中，通常使用时域特征提取法提取信号故障特征，克服了振动信号中频率分量少的缺点。选用时域特征提取法时，时域波形没有经过变换丢失信息，直接展示了振动信号最原始的信息，因此时域特征提取法具有方便、简单、信息全面、直观等特点。

在异步电机故障特征提取中，直接用电流、振动信号进行时域分析得出结果，是最直接最简单的故障特征提取方法。现代振动信号分析技术作为一种提取手段被应用于电机故障特征提取中，用峭度来区分判别故障信息，验证了时域故障特征提取的有效性。而为了能够有效简便地对故障特征进行提取，电机电流信号经过动态时间规整处理后，故障分量更加突出[2]。相比于其他常规的时域特征，波形长度、斜率符号变化、简单符号积分、威尔逊振幅、平均绝对值和过零6个时域特征参数能更好地反映电机的故障分量信息[3]。

虽然基于时域的故障特征提取方法研究时间较早，方法和理论也比较完善，其不仅能够提取故障而且还能定位故障位置，在许多行业上得到了应用，但从目前文献上了解的情况是：由于电机发生故障时产生的信号是非线性的，基于时域的故障特征提取方法难以有效实施。

2 频域故障特征提取法

频域特征提取法就是利用FFT技术把时域的信号转化到频域，并从中提取出原时域波形和相位波形的特征。它描述的是原信号在频域中的分布，其特征信息要优于时域图像，因此被普遍用于提取故障的特征。表1总结了常用的频域特征提取方法。

表1 异步电机频域特征常用提取方法

频域信号处理技术能够更为快速并准确地找出故障部件的故障所在。和时域特征提取方法相比，频域特征提取方法能够展示出更加直观和清晰的特征信息，更加简单快捷地对故障特征进行提取。但是频域特征提取法的局限性也很明显，只能在有限的区间内进行，由于时域截断会带来能量泄漏，可能会导致离散频谱产生较大的误差。频域特征提取方法以傅里叶变换作为基础，而傅里叶变换则适合于对时域内连续平稳信号的分析，但是由于电机的故障会导致信号的不稳定，所以傅里叶变换无法体现出时域信号的特性。

3 时频域故障特征提取法

正常运行的电机产生的信号可以看作相对平稳信号，但当电机出现故障时，信号中会出现尖端、毛刺等不稳定的信号成分。

在实际应用过程中获取的信号往往具有相对平稳性，但是非平稳性却是绝对的。平稳性在一定程度上可以反映电机的运行状况，而非平稳信号是跟随时间的改变而不断地发生变化。如果只通过时域或者频域方法提取特征信号，得到的信息只能是时域和频域部分的故障特征，这是远远不够的。因此必须了解非平稳信号和时间两者之间的变化关系，建立一种时间和频率二者之间的关系来表达这些信号。于是专家学者们就提出了小波分析和小波包分析等时频域特征提取方法来解决上述的问题。

在时频域中，常见的故障特征提取方法有：小波变换、小波包分析、短时傅里叶变换、经验模态分解和集合经验模态分解。

3.1 小波变换

小波变换[14]是时域和频域的局部变换，通过选择合适的小波基函数，能够实现信号不同时刻、不同频率的分离，对信号的局部特征进行描述；通过伸缩平移变换能够对信号进行多尺度细化分析，进而突出被测信号的故障特征。所以小波变换在故障特征提取方面得到了广泛的应用。但小波变换存在小波基难以选取的问题，极大可能导致后续的故障特征提取过程中提取出的故障不完整。

当异步电机出现故障时，其定子电流中会出现不同的故障分量，根据对故障分量的分析诊断，从而判断异步电机故障类型。由于电流易获取，只需要增加一个电流传感器，所以在电机故障特征提取中，常常对电流进行处理。将小波变换和希尔伯特变换结合起来，在定子电流中成功地提取出了能够表征齿轮故障特征的频率成分，这说明两者相结合在对电流信号故障特征提取方面有独特的优势[15]。

由于振动信号有非常强的抗干扰能力，所以在电机故障特征提取领域中，利用异步电机运行时产生的振动信号进行分析，是获取故障特征的有效方法。文献[16]对电机的原始振动信号进行了基于小波分解的特征向量提取。相比于单一的对信号进行小波变换，采用小波滤波与共振解调相结合的方式，从频域中提取出故障的频域特征，该方法还可以高效地提升信噪比[17]。

轴承作为异步电机最基本的部件之一，也是所有部件中最容易损坏的，为了保证异步电机在正常状态下运行，因此对轴承的检测是非常重要的。在小波变换的基础上提出的一种基于时间-小波能量谱的信号处理方法，能够有效地提取轴承故障信号中的冲击成分特征[18]。把小波变换和其他方法相结合，能更有效地提取故障特征。利用小波变换和卷积神经网络结合的方式能够实现电机轴承故障特征的自动提取，并且能够高度有效地利用样本[19]；利用多小波对轴承信号去噪，结合包络解调提取故障特征，能够简单准确地提取出滚动轴承的早期故障信息[20]。

小波变换有许多优点：时间分辨率在频率很高时比较高，而频率分辨率在频率很低时比较高；对于输入信号而言，要求比较低；计算工作量较小；克服噪声能力强；本身灵敏度也很高。缺点也很明显，小波变换不是自适应的，需要人工选择小波基，这也就导致了故障特征提取的不确定性，而且还存在能量泄露等问题。

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变换的一种改进，该方法用一些带宽相同但中心频率不同的高、低通滤波器对原信号进行滤波，并分解为多个频带的子信号，能够分解高频段信号，使信号在整个频带上划分得更加细致，提高了信号高频部分的频率分辨率，因此被广泛应用于电机故障特征提取中。

利用小波包频率分辨率高的特点，对电机故障信号进行小波包分解，然后根据基频分量的周期性进行滤波，能够有效消除其他分量的干扰，提取出其故障特征频率分量[22]。

为了克服异步电机故障特征表现不唯一的缺点，要根据不同的故障，按照不同的方法进行故障特征提取，使得故障特征更加突出，更加准确，可以把小波包分析法和其他故障特征提取方法相结合来共同对故障特征进行处理。例如：可以使用峭度指标和小波包分析相结合的算法，提取异步电机的故障特征[23]；使用小波分解对振动信号进行降噪，然后结合小波包分解提取能量特征[24]。

当异步电机发生故障时，不同的故障会使故障信号中某些频段的能量发生不同的变化，因此可以对故障信号的能量进行对比分析，从而对异步电机故障进行诊断。常用的方法是采用小波包变换来分解故障信号，并通过对其各个频段的能量进行分析对比，从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对故障信号进行分析，计算得到小波包能量谱熵和系数熵，组合形成故障信号的信息熵特征向量，可有效地提取异步电机的故障信息[28]。

为了使提取出的故障特征信息更加完整和有效，对多源故障特征信息进行融合。在异步电机转子故障特征提取领域中，小波包分析和信号融合相结合的方法得到了广泛的应用，它把采集到的振动信号和定子电流信号的频谱特征相融合，把融合后的特征作为判断异步电机转子断条的依据[29]。也有人把经过小波包分解得到的信号提取不同近似熵构成集合，然后采用自适应算法进行加权融合，最后提取出异步电机故障状态下的特征[30]。

3.3 短时傅里叶变换

短时傅里叶变换(short-time Fourier transform，STFT)的原理是把非平稳过程看作是一系列短时平稳信号的叠加，由于短时性是在时间上加窗来实现的，也被称为加窗傅里叶变换。短时傅里叶变换在时域和频域上分析能力都很强，但是它匹配信号的特定频率内容需要建立在合适的窗口上，因此在分析之前要选定窗口函数以保证时域和频域的计算精度。

在使用短时傅里叶变换对故障信号进行时频分析过程中，不但能够提取出异步电机的故障特征，而且在一定条件下还能够反映出故障频率的变化。短时傅里叶变换可用于稀疏分解信号，获得分解系数，然后优化获得的系数，提取出所需要的故障特征信息[31]；一般也可利用短时傅里叶变换和小波变换相结合的方式来共同对异步电机故障信号进行时频分析[32-33]。文献[34]采用短时傅里叶变换对定子启动电流进行分析，解决了故障信号和工频信号难以分离和提取的问题，也反映出了故障特征频率的变化趋势。

短时傅里叶变换应用于异步电机故障诊断领域有一个很大的优点，它能够得到不同时刻的频谱，使得故障信息更加清晰明了。但是它对信号突然的变化反应不是很灵敏，而且窗口的大小是不能够调整的，这导致它在异步电机故障诊断领域应用不多。

3.4 EMD经验模态分解法

1998年美籍华人Norden E.Huang通过深入分析信号瞬时频率特征后提出了经验模态分解法(empirical mode decomposition，EMD)[35]，该方法假定所有信号都是是由多个本征模态功能函数(intrinsic mode function，IMF)组成，并且IMF分量之间彼此重叠以构成复合信号。EMD可以将任意的信号分解成IMF组合的形式，进行时频域分析。

由于实验获取的原始信号中，通常包含着噪声，噪声使得信号波形杂乱、毛刺明显，提取到有用的故障特征不是很容易，因此需要先使用EMD方法对信号去噪，从含噪声的原始信号中恢复出有用的信号波形，并提取出故障特征。大部分研究都是用EMD方法对得到的信号进行滤波分解，进一步从中提取出故障特征[36]。但是文献[37]利用EMD把振动和声音信号分解为高频和低频模式，从中提取出高阶统计参数，并且从IMF中还可以观察到故障的发展变化，该方法可以为诊断斜齿轮局部故障的严重程度提供新的思路。

相较于单一的使用EMD方法，EMD与其他方法相结合来进行故障特征提取，更能适应复杂的系统。文献[38]将EMD和信息熵结合在一起，提取出异步电机振动信号中的故障特征。另一方面文献[39]利用EMD、希尔伯特变化和快速傅里叶变换从定子电流中提取出能够表征转子断条的故障特征频率，能够有效地避免电流信号中高频分量的影响。继而，文献[40]采用主成分分析方法(principal component analysis，PCA)对振动信号进行处理，经过EMD分解后得到能量熵，使之作为新的故障特征量，该方法克服了传统提取方法花费大量精力和时间提取故障特征频率的难题。

由于EMD具有完备性和正交性等优点，因此非常适合处理非线性、非平稳的电机故障信号，所以EMD在电机设备故障特征提取领域有一定的应用。然而EMD本身会存在模态混叠的问题[41]，这样会使IMF失去物理意义，给正确分析信号的时频分布带来困难，因此EMD在故障特征提取中受到一定的限制[42]。

3.5 EEMD集合经验模态分解法

针对EMD存在的模态混叠问题，吴兆华与Norden E.Huang 等人提出了集合经验模态分解法(ensemble empirical mode decomposition，EEMD)[43]。该方法的基本原理是先把多组频谱均匀分布的白噪声加入到待分解的信号中，然后再对它进行EMD分解，利用白噪声均值为零、方差相等的特性，对分解得到的所有IMF本征模态功能函数求均值，消除了白噪声的影响，最后把得到的均值作为最终EEMD分解得到的IMF本征模态功能函数。EEMD提供了一个相对一致的参照尺度，以确保每一个IMF分量时域的连续性。

利用EEMD把电机定子电流信号分解为一系列IMF，选取信息最丰富的IMF分量构建故障特征向量[44]；也可以使用EEMD把信号分解为一定数量的IMF和残差，接着对其进行包络分析来解调出对应的故障特征频率[45]。文献[46]使用EEMD提取非平稳振动信号的数据特征向量，解决了模式混叠问题。以上EEMD算法完全继承了EMD算法的优点，和EMD算法相比，EEMD具有更高的信噪比，非常适合处理非线性、非平稳的信号，还很好地克服了EMD中的混叠问题。

在EEMD 算法的基础上，与其他的方法结合，能够为故障提取提供更加可靠的依据。文献[47]使用EEMD和希尔伯特变换相结合的方式对三相异步电机的故障进行特征提取。然而文献[48]提出的一种基于EEMD和能量矩的特征提取方法，该方法使用IMF能量矩作为故障特征向量，相比于传统的特征提取方法增加了时间特征因素，可以更加有效准确地提取出必要的信号特征。

随着系统越来越复杂，一种改进的集成经验模态分解(MEEMD)被提出来。它将定子电流分解，然后利用互相关准则，选取出包含最丰富信息的IMF分量，再通过计算得到它的能量熵，以此来构建出故障特征向量。该方法能够很好地减少故障特征中的虚幻成分数量。该算法是对EEMD算法的改进，改进后的算法能够进一步抑制模态混叠的状况，得到更好的模态分量[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异步电机的故障诊断领域，表2总结了一些其他的故障特征提取方法以及特点。

表2 异步电机其他故障特征提取方法

5 结束语

虽然经过几十年的发展，故障诊断领域的内容得到了极大的丰富，取得了很大的进步，在工程实践中得到了广泛的应用和满意的效果，但也暴露了许多需要解决的问题。针对异步电机故障诊断方面，有以下几点值得注意：

(1)本文所提及的故障特征提取方法仅限于电机设备稳态运行状态下，对起动、加速、制动等动态运行的研究较少。因此，在动态条件下实时地提取电机设备的故障特征也变得越来越重要。

(2)随着电机系统复杂性的提高，当异步电机多种故障共存时，故障信号也会相互影响，进而增加故障特征提取的困难。因此，如何在复杂的系统环境中准确提取和分离故障特征也是一个值得研究的问题。

(3)为了充分利用获得的不同信号的信息，使得提取出的异步电机故障特征更加准确，可以对各种信息进行融合，相互补充，克服单一型传感器故障信号采集的不确定性带来的影响。

(4)由于实际异步电机系统的复杂性和各种提取方法的局限性，只应用一种故障特征提取方法就完全提取出对象的故障特征几乎是不可能的，此时就要同时使用多种故障特征提取方法来对故障特征进行综合提取。因此，研究如何将多种提取方法有效地集成在一起，发挥各自的优势，从而提高故障特征的完整性、准确性就成为一个具有重要现实意义的课题。

随着异步电机所在系统复杂程度的提高，新的提取方法、优化算法、应用领域和应用产品的不断出现，对异步电机故障特征的提取提出了更高的要求。在传统的故障特征提取方法不断完善的同时，人工智能技术和传感器技术最新的研究成果一定会源源不断地注入到异步电机故障特征提取领域。