多传感器信息融合技术在电机故障诊断中的应用研究

摘要：随着电机技术的不断发展，电机故障诊断技术也面临着新的挑战和机遇。其中，传统的电机故障诊断，基于单参数、单特征的电机故障诊断方法，往往在诊断过程当中存在不确定性问题，这难以保证诊断的精确度。因此，主要研究多传感器信息融合技术在电机故障诊断中的应用，旨在通过综合多个传感器的信息，提高诊断的准确性和可靠性。

关键词：多传感器 信息融合技术 电机故障 诊断方法

Research on the Application of Multi-Sensor Information Fusion Technology in MotorFault Diagnosis

JIANG Haiyan

Hengyang Preschool Normal College， Hengyang ，Hunan Province，421001 China

Abstract： With the continuous development of motor technology， motor fault diagnosis technology is also facing new challenges and opportunities. Intraditional motor fault diagnosis，themotor fault diagnosis method based on asingle parameter and a single feature often has uncertainty in the diagnosis process， which is difficult to ensure the accuracy of diagnosis. Therefore， this paper mainly studies the application of multi-sensor information fusion technology in motor fault diagnosis， aiming to improve the accuracy and reliability of diagnosis by synthesizing the information of multiple sensors.

Key Words： Multisensor; Information fusion technology; Motor failure ; Diagnostic method

当前，由于电机结构的复杂性和工作环境的多样性，电机在运行过程中会出现各种故障，若故障问题不能及时处理，不仅会影响电机的正常运行，还可能对生产设备和人员安全造成严重威胁。因此，本文旨在探讨多传感器信息融合技术在电机故障诊断中的应用，通过构建多传感器信息融合技术下的电机故障诊断系统模型，实现对电机故障的准确诊断和预警。

1技术体系架构

关于多传感器信息融合技术的体系架构，是需要多层次化的，而且也要在多空间下，实现一种信息互补的处理情况。多传感器信息融合技术在不同的体系架构下，可以实现多信息资源的有效整合，并且能够自动化分析信息来源，之后在系统当中加以系统化处理，从而在特定环境下产生一种定性化的反应[1]。

从处理方式的角度出发，多传感器信息融合技术的体系架构可以分为三种：分布式、集中式和混合式。表1列出了三种融合结构的性能对比情况。

1.1分布式体系架构

首先，要对独立的传感器中所获取的最初信息数据进行部分信息化处理；其次，对信息处理结果进行智能化融合，融合过程在信息融合中心系统当中实现，从而获取最优化的数据结果[2]。其中，分布式的体系架构，可靠性程度非常高，而且系统延续性也非常好 ，但跟踪精度相对较低。

1.2集中式体系架构

集中式体系架构 能够对所有的传感器中所获得的信息数据进行综合处理，该处理过程是在中央处理器中实现的，最后能够形成一种融合数据信息[3]。在集中式体系架构中，所处理的信息数据精确度很高，信息算法非常灵活，而且此体系架构对处理器的结构以及各方面的要求也非常高。 集中式体系架构的可靠性 相对较低，而且数据融合度较大，从而导致架构实现度也是非常高。

1.3混合式体系架构

在此体系架构当中的部分传感器需要在集中的方式下对信息资源进行融合，之后剩余的传感器需要采用分布式的信息资源融合方式[4]。其中，混合式体系架构具有非常强的适应能力，而且融合性、稳定性也非常强的。 但其结构复杂，增加了通信和计算成本。

2电机常见故障分析

2.1电机定子故障

（1）定子绕组短路：由于键槽灰尘堆积、绕组绝缘老化等因素导致短路，可能产生异响和震动。

（2）定子轴向跳动：由定子绕组紧固不当或轴承磨损导致，引起电机振动、噪声加剧。

（3）定子轴承过紧或过松：影响电机运动，导致振动、噪 声等问题。

2.2电机转子故障

（1）转子不平衡故障：转子出现质量缺陷问题以及偏心问题，从而引起电机异常振动。

（2）转子不对中故障：转子之间的轴线出现位置移动以及角度移动问题，从而导致机器异常振动。

2.3电机轴承故障

（1）保持器声：“唏利唏利”声，由保持器与滚动体振动、冲撞产生。

（2）连续蜂鸣声：“嗡嗡”声，多发润滑状态不好或轴向异常振动。

（3）漆锈：电机轴承机壳漆油后挥发出的化学成分腐蚀轴承，产生异常音。

2.4电机气隙偏心故障

气隙偏心故障是感应电机中常见的一种故障类型，主要是由于负载过重、转速过高、装配不当或元件磨损等因素导致，进而影响电机的性能和稳定性。

3信号处理及特征提取

3.1希尔伯特-黄变换（HHT）

希尔伯特-黄变换（Hilbert-Huang Transform，简称HHT），引入Hilbert谱的概念和Hilbert谱分析的方法，将信号分解为固有模态函数（IMF）。经验模态分解（Empirical Mode Decomposition， EMD），每个IMF都满足以下两个条件。

（1）在所有的数据集中，极值点和过零点的数据数目基本相同，或最多相差一个。

（2）在每个时间段中，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值都为零。

3.2改进的经验模态分解（EMD）方法

经验模态分解（Empirical Mode Decomposition， EMD）是一种用于处理非线性、非平稳信号的方法，其能将复杂的信号分解成一系列本征模态函数（Intrinsic Mode Functions， IMFs）[5]。然而，传统的EMD方法在处理某些信号时可能会遇到模态混叠（Mode Mixing）和虚假分量（Spurious Components）的问题。为了改进这些问题，提出了多种EMD的改进方法，其中之一就是集合经验模态分解（Ensemble Empirical Mode Decomposition， EEMD）。

3.2.1EEMD方法步骤

（1）添加白噪声：在原始信号中添加一系列具有不同标准偏差的白噪声序列。这些白噪声的幅度应该足够小，以避免改变信号的主要特征。

（2）应用EMD：对每个加入白噪声的信号应用EMD，得到一组IMFs。

（3）集成平均：将所有添加了白噪声的信号分解得到的IMFs进行集成平均，以消除白噪声的影响，并得到最终的IMFs。

3.2.2EEMD方法验证

（1）选择测试信号。选择一个具有明显模态混叠现象的信号作为测试信号，这可以是一个合成信号，也可以是一个实际采集的信号。

（2）应用传统EMD。首先，对测试信号应用传统的EMD方法，观察分解得到的IMFs是否存在模态混叠现象。

（3）应用EEMD。对测试信号应用EEMD方法，通过添加适当幅度的白噪声并集成平均来得到IMFs。

（4）对比分析。比较传统EMD和EEMD方法得到的IMFs，观察EEMD是否能够有效抑制模态混叠现象。通过计算IMFs之间的相关性、独立性等指标来进行定量评估。

（5）进一步验证。为了更全面地验证EEMD的性能，可以选择不同的测试信号、不同的白噪声幅度和不同的集成次数进行多次实验。

4 故障局部诊断方法

4.1 神经网络诊断方法

（1）数据预处理。对多传感器采集的电机状态数据进行预处理，如滤波、标准化或归一化，以去除噪声和统一数据尺度。

（2）特征提取。利用小波分析提取数据信息当中的主要特征，这些特征可能包括频率、幅值、相位等。

（3）神经网络模型构建。选择合适的神经网络模型，如反向传播（Backpropagation，BP）神经网络。

4.2 BP神经网络在电机故障诊断中的应用

4.2.1数据采集

（1）传感器选择。根据电机的特性和诊断需求，选择合适的传感器进行数据采集。例如：对振动信号的采集。

（2）数据采集频率。根据电机的运行速度和诊断精度要求，设定合适的数据采集频率。较高的采集频率可以提供更详细的数据信息。

4.2.2数据预处理

（1）去除噪声：电机运行过程中可能会受到各种噪声的干扰，如电磁噪声、机械噪声等。通过滤波算法或信号处理技术，可以有效去除这些噪声，提高数据的信噪比。

（2）滤波：根据数据的特性和需求，选择合适的滤波算法对原始数据进行滤波处理。例如，可以使用低通滤波器去除高频噪声，或使用带通滤波器提取特定频段内的信息。

（3）标准化或归一化：由于不同传感器采集到的数据可能具有不同的量纲和单位，直接使用这些原始数据进行神经网络训练可能会导致训练效果不佳。

4.2.3特征提取

（1）时域特征：包括振动信号的幅值、均方根值、峰值、峰值因子等。

（2）频域特征：通过傅里叶变换等频谱分析方法，将振动信号从时间域转换到频率域，进而提取出频率特征。

（3）时频域特征：结合了时域和频域信息的特征。

（4）温度特征：包括电机不同部位的温度值、温度变化趋势、温度分布等。

（5）电流特征：包括电机电流的幅值、相位、谐波成分等。

4.2.4 BP神经网络模型构建

BP神经网络模型是由多层构建组成的，包括输入层结构、隐藏层结构以及输出层结构。其中，输入层结构当中的神经元数目和故障类型所反映出的数目是基本相同的。隐藏层的数量和每层的神经元数量可以根据具体任务进行调整。

4.2.5故障诊断

当电机出现故障时，采集故障数据并进行预处理和特征提取。然后，对这些已经提取到的特征信息要进行系统处理，将其融合到BP神经网络模型过程中。之后，模型将输出预测的故障类型，接着系统根据故障类型基本情况做出对应性的故障诊断，并根据诊断情况做出基本的故障应对对策，确保电机故障问题得到有效解决。

4.2.6局部诊断

根据BP神经网络系统当中所反映出的系统故障情况，再结合电机的结构和工作原理，对故障进行局部定位。例如，如果输出为轴承故障，则可以通过进一步检查轴承的振动、温度等参数来确定故障的具体位置和程度。在确定好轴承故障问题，技术故障人员根据局部故障进行故障检修。

5结语

综上所述，本文利用多传感器信息融合技术，结合技术体系架构，分析电机常见故障。关于信号处理及特征提取的方法，可采用希尔伯特-黄变换、经验模态分解方法等。另外，对于故障局部诊断方法，可采用神经网络诊断方法，可采用神经网络诊断方法， 对电机故障进行有效诊断，确保电机在多传感器信息融合技术下能够正常运行。

参考文献

[1]田亚娟，付大平，伍世辉.多传感器信息融合技术在机器人中的应用研究[J].自动化与仪表，2023，38（2）：51-53.

[2]陈书辉，章猛，刘辉，等.一种1D-CNN与多传感器信息融合的液压系统故障诊断方法[J].机械科学与技术，2023，42（5）：715-723.

[3]王涛.基于多传感器信息融合的电机故障诊断分析[J].电子技术，2023，55（3）：9-11.

[4]颜云华，金炜东.基于多传感器信息融合的列车转向架机械故障诊断方法[J].计算机应用与软件，2020，37（8）：402-403.

[5]刘建锋.基于传感器个数加权的分布式多传感器信息融合[J].信息技术，2020，53（2）：22-27.