电机故障诊断的智能方法论述

电机故障诊断的智能方法论述

裴传福 孟繁光 张春雨

华能沁北发电有限责任公司，河南济源 459012

摘要：随着电动汽车产业、轨道交通行业以及国防工业的迅速崛起，电机已经成为工业生产的重要设备，为了满足不同领域的需求，电机结构设计得越来越复杂，电机发生故障的概率也有所增大。电机出现故障会降低工作效率甚至可能引发事故，因此，研究不同状态下电机故障诊断的方法是保证系统安全运行的重要措施。传统的故障诊断方法通过提取电机故障状态的特征向量进行识别。电机故障的突变性、非线性以及并发性等，使得传统的电机故障诊断困难重重。随着智能化的发展完善，融合了智能化的电机故障诊断方法有效弥补了传统方法的不足。本文综述了国内外电机故障诊断的智能方法，并对所述的诊断方法进行分析，提出了电机故障诊断智能方法的发展趋势。

关键词：电机故障；智能诊断；模糊理论

电机作为电能转换或传递的一种电磁装置，其故障诊断技术为电能安全转换提供了有力保障。本文首先论述了常用电机故障类型及特点，然后基于电机故障诊断领域的研究现状，具体阐述了小波包分析、人工神经网络、支持向量机、模糊理论等电机故障智能诊断方法，分析各个方法的优势和不足，最后结合当前电机故障诊断领域的研究难点，探讨该领域今后研究的发展趋势以及新的思路。

1电机故障类型、特点及诊断

电机故障种类庞杂，从故障位置的角度可以分为定子故障、转子故障以及轴故障三类。当电机发生故障时，通常表现为电机不能启动、电机温度过高、电机转速异常或转动时噪声过大、电机内部电路的电流异常以及电机外壳带电这五种形式。而电机故障智能诊断方法技术涉及电路磁路系统、机械系统、散热系统等多个领域。由于电机设备故障信号与故障类型之间复杂的非线性映射关系，使得故障识别及后续的诊断较为复杂，因此进一步采用多学科领域的智能诊断技术是目前发展的一大趋势，这将会提高故障诊断的容错性、抗噪性以及精确性。

2电机故障诊断的智能方法研究现状

2.1基于信号变换的故障诊断方法

电机的故障信息表现为特征参量的变化，存在于被测信号中。但是，表征早期故障的信号较弱，噪声较强，如果借助特殊的处理方法对信号进行提取，就能获得故障特征信息，从而确定电机的故障类型。最初信号处理方法是Fourier变换，后来由此发展出小波变换。小波变换是时间和频域的局部变换，通过伸缩平移变换对信号进行多尺度细化分析，从而突出被测信号的故障特征。通过对电机转子振动信号进行小波分解，通过奇异性分析，准确获得了信号畸变的时间以及瞬态特征，实现了有效的电机故障智能诊断。利用小波包变换有效克服了小波变换在高频段频率分辨率较差，在低频段时间分辨率较差的困难，对开关磁阻电机功率变换器故障做出准确快速诊断。信号变换适合探测正常信号中夹带的瞬态异常信号并展示其特征，广泛应用于电机设备的故障诊断中，但此类诊断方法不能进行学习。

2.2基于人工神经网络的故障诊断方法

人工神经网络是模仿人的神经网络处理复杂信息的一种运算模型。ANN由大量简单的人工神经元广泛连接,具有非线性关系、一定的整体性以及自学习能力等，能够建立从征兆现象到故障类型的映射，因此，ANN非常适合用在电机故障智能诊断。ANN在电机故障智能诊断中不依赖其内部运行情况，也不苛求定量的数学模型。采用有监督式学习神经网络对全贯流电机泵进行故障诊断。先用频谱分析确定表征全贯流电机泵每种故障的频率特性，利用特征频谱中的谱峰能量值作为神经网络的输入样本，以对应的故障类型作为神经网络的输出样本，对该神经网络采用BP算法进行机器学习，得到故障特征到故障类型的映射关系。利用神经网络的分布式系统对全贯通电机泵故障进行诊断。BP网络通过对样本的训练、学习和推广，能得到自适应能力很强、容错性很好的一般性规律。它能进行故障类型识别,还能进行故障程度的评估，因此广泛应用在电机故障智能诊断中。但由于BP算法采用全局逼近的神经网络，存在收敛速度慢、振荡以及易陷入局部极小值等问题，以及由于其不具备增量学习能力导致对异常故障的诊断能力低，降低了诊断的可靠性。

2.3基于支持向量机的故障诊断方法

支持向量机是一种对数据进行二元分类的按监督学习方法。通过核方法进行非线性分类时，使用高维空间转换，将非线性可分问题映射到高维空间上的线性分类问题，从而得到SVM一般结构，接着，寻找最优分类面将样本分离，因此SVM具有通用性。它广泛应用在模式识别和故障诊断等领域。电机故障诊断问题本质上是一种分类问题，SVM也是可以在小样本条件下获得最优解的方法，这正解决了电机故障中样本较少的问题。在感应电机轴承故障的诊断中，采用加权交叠平均法结合SVM对电机的定子信号进行处理，通过优化的核函数实现轴承外沟通故障的在线诊断分析。这种方式需要的样本量少、成本低廉，但对于多分类情况效果较差。

2.4基于模糊理论的诊断方法

模糊理论是通过建立连续隶属函数，用模糊控制对待考察的不确定信息进行决策。在电机故障诊断中，模糊属性经常出现，例如，对征兆的描述：转速“较慢”，波形“不稳”等都具有模糊属性；在信息的采集的过程中也经常有噪声的影响，模糊理论的有效运用能一定程度上抵抗噪声的干扰，优化诊断结果；而且故障类型与征兆之间也是模糊关系，模糊理论是解决这类问题最有效的工具。模糊理论诊断故障通常有两种方式，其一是先构建特征量与故障状态的因果关系矩阵，再建立故障类型与征兆的模糊关系方程，这是基于合成算法及模糊关系的智能诊断方法。其二是先建立征兆与故障类型之间的模糊规则库，再运用模糊逻辑推理进行诊断，这是基于知识处理的智能诊断方法。模糊语言比较接近自然语言，可读性较强，推理逻辑严谨，非常适用于处理电机故障这类不确定性问题。然而，模糊诊断在获取模糊规则及隶属函数时比较困难且具有一定的主观性，而且不同的电路对应的模糊规则不同，给电机故障诊断带来相当大的计算量。但是，将模糊理论引入电机故障智能诊断已是必然趋势。

3结语

在电机故障诊断领域，使用智能方法进行数据提取并对数据做出分析处理是当今的主流趋势，并且一些研究成果已经得到实际应用。本文首先概述了电机故障的特点及类别，并对应用广泛的电机故障智能诊断方法进行概括总结，接着，阐述了智能方法的研究现状、优势以及不足之处。随着电机应用领域的日渐广泛，电路拓扑结构的改变对故障诊断的进行会有影响，而现今的电机故障诊断多数从特定拓扑结构出发做进一步研究，具有普适性的智能诊断方法相对较少。随着人工智能的飞速发展，将新的智能技术引入电机故障诊断领域中，取长补短，形成诊断过程更方便、诊断效果更好的理论和技术，这是该领域发展的趋势。同时，随着电机所在系统越来越复杂，基于多种数据源信息相互融合的技术将得到重视。使用多传感器的融合方式将不同数据源的信息进行融合，更能综合反映故障的特征信息，可以提高故障诊断的全面性和准确性。

参考文献：

[1]孙文珺.基于深度学习模型的感应电机故障诊断方法研究[D].东南大学,2017.

[2]马宏忠,胡虔生.交流电机故障诊断原理与方法[J].江苏机械制造与自动化,1998(03):26-29.

[3]陈冬娣.基于小波变换与经验模态分解的电机转子振动信号处理方法的研究[D].南京师范大学,2013.

[4]甘醇,吴建华,杨仕友.基于小波包能量分析的开关磁阻电机功率变换器故障诊断[J].中国电机工程学报,2014,34(09):1415-1422.