基于EMD和改进多重信号分类的感应电机故障检测方法

魏艳鸣,海本斋

(1.河南经贸职业学院,郑州450018;2.河南师范大学,新乡453007)

0 引 言

感应电机具备自由变速控制、耐用性高、成本低、可靠性强等优点,在工业领域广泛应用[1]。然而,其也时常会出现故障情况,为了降低电机故障对机电设备的影响,电机故障检测系统变得越发重要。目前,学者已经进行了许多针对电机故障检测的研究。然而,大多数方法都只针对单个故障或不同时出现的多个故障[2]。但是,在实际情况中,两个或更多类型的故障可能会同时发生,这会导致单一故障检测系统的失效。

针对感应电机的故障检测,一般是通过对电机的定子电流信号、转矩谐波信号和轴向振动信号等特征信号进行时域和频域分析,找出各种故障发生时的时频域特征来检测故障[3]。其中,稳态时的定子电流信号所包含的有用信息较多。目前,最基本的信号频域分析方法为快速傅里叶变换法(以下简称FFT)[4]。然而,FFT没有考虑电机的非线性和非稳定的运转方式。为此,学者提出了一些更先进的信号处理技术,如小波分析和高分辨率光谱分析等[5]。例如,文献[6]基于小波变换(以下简称WT)来分析电机定子电流,提出一种用于检测3种故障(转子断条、扭矩波动、线圈短路)的方法。但是WT不是一种自适应的方法,必须选择出合适的小波基函数。

经验模态分解(以下简称EMD)[7]是一种时域分析方法,其可把信号分解为包含信号局部时间特征的本征模态函数(以下简称IMF),非常适用于非平稳、非线性过程。另外,多重信号分类(以下简称MUSIC)方法[8]是一种新型的频率估计方法,与FFT相比,它能够解决采样点数的限制,具有频率的高分辨能力,非常适用于电机故障检测。然而,MUSIC算法存在不能准确估计出各频率分量幅值的缺陷。

针对上述问题,提出一种基于EMD和改进型MUSIC的感应电机故障检测方法。通过EMD将电机稳态电流信号分解为IMF;再利用MUSIC算法对IMF进行频域分析,获得故障的频域特征;同时引入了Prony算法对MUSIC算法进行改进,用来确定IMF频谱中的幅值,从而检测故障。实验中对电机的转子断条、轴承缺陷和转子质量不平衡3种故障进行检测,结果证明了提出方法的有效性和可行性。

1 提出的故障检测方法

1.1 方法框架

由于电机稳态定子电流信号能够描述感应电机的动态特性,所以本研究基于对稳态定子电流信号的分析来检测单个或多个故障并分的情况。

首先,通过电流钳采集电机稳态时的电流信号,并对信号进行调整和模数转换;然后,使用EMD方法将信号分解成多个IMF,并选择出具有代表性的IMF;最后,利用融入Prony算法的改进型MUSIC算法对IMF进行频域分析,确定相关故障的特征频率和幅值,从而来识别故障。提出的故障检测方法框架如图1所示。

图1 提出的感应电机故障检测系统框图

1.2 电机故障类型

本研究考虑了3种不同的感应电机故障:转子断条(以下简称BRB)、轴承缺陷(以下简称BD)和转子质量不平衡(以下简称RMU)。

正常状态下,电机转子的频率计算如下:

式中:fs为电机交流电源频率;s为单位电机滑差;p为电机的极数;k/p=1,3,5,…表示电机的特征值。当转子断条(BRB)故障发生时,该频率上信号的振幅会显著增加,可利用这个特征来诊断BRB故障。

轴承通常由外圈、内圈和滚动球组成。轴承缺陷(BD)故障通常由轴承发生腐蚀、润滑不当或滚动球破损等情况引起[9]。理论上,轴承外圈滚道中滚动球的频率fBPOF表达式如下:

式中:fr为内圈滚道处滚动球的转速频率,等于轴的频率;θ为轴承表面之间的接触角;Dc为轴承的承笼架直径,该直径是从滚动球中心到对面球中心的距离;Db为滚动球的直径;NB为轴承中滚动球的数量。

当感应电机的机械负荷分布不均匀时,则会出现转子质量不平衡(RMU)故障。RMU故障会使电机质心偏离旋转中心,如果不被及时检查到,将会进一步增加不平衡性,从而引起一些机械组件出现故障,产生严重后果。

1.3 基于EMD的时域分解

本研究利用EMD对电机的稳态电流信号进行时域分析,分解成多个近似正交的IMF,每个IMF分量继承了信号不同的局部特征时间尺度[10]。假设信号表示为x(t),则获得IMF的过程如下:

(1)提取x(t)的局部极大值和极小值,利用三次样条函数插值法将所有最大值和最小值连接起来以创建信号的上包络xu(t)和下包络xb(t)。

(2)将上下包络的均值定义为 m1=信号x(t)和m1之间的差定义为第一个分量,即h1=x(t)-m1。

如果h1满足IMF的条件,则将其当成x(t)的第一个IMF。否则,则将其作为初始信号,并重复前两个步骤直到h1k满足IMF的条件,从而获得第一个IMF,即 c1=h1k。

(3)从初始信号x(t)中减去c11,即r1=x(t)-c10。

(4)将r1作为初始信号,并应用以上相同的过程来获得其他IMF,即c2,c3,…,cn。

(5)当rn成为一个单调函数,且从该单调函数中不能再提取更多的IMF时,停止分解过程。最终将信号x(t)分解成n个IMF和一个提取IMF后信号x(t)的残差rn,表达式:

1.4 基于MUSIC算法的频率估计

在EMD对故障信号进行分解后,选择出主要的IMF。然后利用MUSIC对这些IMF进行频谱分析,获得故障特征频率。MUSIC是一种基于矩阵特征值分解的信号参数估计方法,用来估计接近噪声信号的复杂正弦波的频率[11],分析过程如下:

首先,将IMF分量c(t)考虑为由p个谐波分量(正弦波)和一个白噪声的总和,表达式如下:

式中:Ik,fk和φk分别为第k个谐波的振幅,频率和相位。j为,v(t)为均值为0、方差为σ2的白噪声。将信号分解为相互正交的信号子空间和噪声子空间,从而构建谐波的MUSIC伪功率谱Q,如下:

式中:sH(Fk)为由[1 s-j2πF1… s-j2πF1(N-1)]表示的信号向量,ηk为噪声特征向量。式(5)展示了在主正弦分量频率处的峰值,此处的信号和噪声子空间的投影为零((Fk)ηk=0) 。

1.5 基于Prony算法的幅值估计

在通过上述MUSIC算法获得IMF中的故障特征频率后,为了有效检测故障,还必须要准确估计出频域中各频率处的幅值。为此,采用Prony算法[12]来弥补MUSIC算法在幅值估计方面的不足。Prony算法是一种使用指数函数的线性组合来描述样本的数学模型,可用来进行功率谱估计。Prony算法幅值估计过程如下:

将式(4)表示的IMF分量c(t)重新表示:

2 实验及分析

2.1 实验装置

实验对象为一个型号为WEG 00136APE48T的小功率三相感应电机,用来验证提出方法的性能。该受测电机的功率为0.7 kW,极数为2,转子线棒(导条)数为28,供电电压为50 Hz的220 V交流电。另外,将一个普通的交流发电机与被测电机连接,作为所施加的机械负载。通过利用 FLUKE I200S电流钳来获得电机电流信号,利用12位四通道串行输出模数转换器(ADS7841)来获取数据,采样频率f0为1 500 Hz。实验中,在感应电机稳态期间捕获4 096个电流信号样本,并发送到PC机上。同时,利用MATLAB软件编译出故障检测算法,以此实现故障检测。实验平台如图2所示。

图2 所使用的实验工作台

为了构建故障状态,在不损害电机转轴的情况下,通过在电机转子上钻一个直径为7.769 mm的孔,以此形成转子断条(BRB)故障,如图3(a)所示。在轴承外圈上钻一个直径为1.267 mm的孔,以此形成轴承缺陷(BD)故障,如图3(b)所示。在电机转子输出滑轮组中钻一个直径为10 mm的孔,并插入一个螺栓和螺母,相互固定,以此形成转子质量不平衡(RMU)故障,如图3(c)所示。

图3 故障装置

2.2 单一故障下的检测分析

首先,对于采集到的稳态电流信号进行EMD分解。为了提高系统的检测效率,只选择了前两个包含丰富BRB,RMU和BD故障信息的IMF。接着,对这两个IMF使用MUSIC算法进行进一步分析。另外,MUSIC算法的阶直接影响计算所需的时间,较低阶的MUSIC算法只能检测单一故障状态下的频率,不能检测故障并发时的相关频率。通过大量实验,在兼顾频率检测性能和算法计算时间下,设置MUSIC算法的阶为8。

在4类状态(正常、BRB故障、RMU故障和BD故障)单独发生时,其电流信号的两个IMF的Prony-MUSIC频谱分析结果如图4所示。

图4 单一故障下的IMF频谱分析结果

对于BRB故障,将图4(a)显示的正常状态IMF频谱与图4(b)显示的BRB故障状态IMF频谱进行对比,可以明显看出,BRB故障状态IMF1频谱的主频两边出现两个故障信号频谱峰值,分别在46和54 Hz处。为了简单起见,选择IMF1中46 Hz处的频谱峰值作为特征来识别BRB故障。

对于BD故障,根据式(2)的理论计算,其会存在一个95 Hz的故障信号。但与正常IMF2频谱相比,其在190 Hz处多出一个明显峰值,这是因为通过EMD分解后,95 Hz频率的信号没有出现在所选择的IMF频谱中。然而,其二次谐波(2fBPOF=190 Hz)会出现IMF2中,如图4(c)所示。另外,其IMF1频谱的46 Hz和54 Hz处也与正常状态具有很大的区别。为了简单起见,选择IMF2中190 Hz处的频谱峰值作为特征来识别BD故障。

对于RMU故障,通过比较可以看出,IMF1中在基频(50 Hz)处的峰值相比于正常状态有明显增加,如图4(d)所示。另外IMF2中211 Hz处也出现了一个明显峰值。为了简单起见,选择IMF1中的基频峰值作为特征来识别BD故障。

2.3 多故障并发下的检测分析

为了验证提出方法对多故障并发时的有效检测性能,构建BD+RMU,BRB+RMU,BRB+BD和BRB+BD+RMU同时发生的实验。同样,对不同故障组合下的稳态电流信号进行EMD和Prony-MUSIC分析,结果如图5所示。

图5 多故障下的IMF频谱分析结果

图5(a)中可以看出,IMF1中基频峰值明显增大,IMF2中处出现二次谐波峰值,这就表明同时存在RMU和BD故障。图5(b)中可以看出,IMF1中左边带存在峰值,且基频峰值明显增大,这就表明同时存在BRB和RMU故障。至于IMF2中出现了一个大约230 Hz的峰值,这是由于多个故障同时发生,当一些故障信号的多次谐波恰好重叠时,幅度会加大,这就导致频谱中出现一些峰值。图5(c)中可以看出,IMF1中左边带存在峰值,IMF2中处出现二次谐波峰值,这就表明同时存在BRB和BD故障。图5(d)中可以看出,其同时具备3种故障的特征,所以同时存在BRB,BD和RMU故障。

2.4 性能比较

为了方便不同方法之间的比较,定义一个性能指标:故障检测能力。故障检测能力为各种方法中用来识别故障类型的特征的判别能力。故障状态与正常状态时的特征值差异越大,说明该方法对故障的识别能力越强。这里,定义故障状态与正常状况下,IMF频谱中特征频率点处的频谱幅度比(dB)作为检测能力的指标。

例如,对于单一BRB故障的情况,将其IMF1中左边带特征频率46 Hz处的峰值(Df)与正常状态下的分贝值(Dh)进行比较。根据图4可知,约为-10 dB,约为-50 dB,因此,检测能力DV(DV=Df-Dh)约为40 dB。

对于单一BD故障,使用频率为190Hz处的频谱值,根据图4可知,其峰值约为-20dB,正常状况下的振频谱值约为-50 dB,所以检测能力为30 dB。

对于单一RMU故障,其基频(50 Hz)的频谱峰值有明显增加。因此,通过比较基频峰值来计算检测能力。根据图4可知,RMU下的基频峰值约为35 dB,正常状态下约11 dB,所以,检测能力为24 dB。

将提出的方法(EMD-Prony-MUSIC)与传统快速傅里叶变换(FFT)方法、单独MUSIC算法在故障检测能力方面进行比较,结果如表1所示。可以看出,在各种故障状态下,提出方法的检测能力都最大,且都在20 dB以上。这是因为本文采用了Prony

算法来优化MUSIC频谱分析过程,准确估计出了频谱幅度值。综合结果表明,提出的EMD-Prony-MUSIC方法获得的故障特征具有良好的辨别性能。

表1 3种方法在各种故障状态下的检测能力比较

3 结 语

感应电机中存在多种故障并发的情况,为此提出了一种基于EMD和Prony-MUSIC的故障检测方法。通过对感应电机中稳态电流信号的分析,找到各种故障类型的频率特征,从而构建故障检测模型。实际实验结果表明,提出方法能够获得转子断条、轴承缺陷和转子质量不平衡这3种故障的有效特征,使其能够实现在单一故障和多故障并发时的故障检测,具有较高的实际应用价值。

[1] 阳同光,桂卫华.基于KPCA与RVM感应电机故障诊断研究[J].电机与控制学报,2016,20(9):89-95.

[2] 孟凡宇,姚奇.基于高频信号注入的异步电动机转子故障诊断方法研究[J].微特电机,2013,41(6):10-13.

[3] 张海刚,尹怡欣,祝乔,等.基于定子电流监控的轴承故障在线监测[J].控制理论与应用,2015,32(1):513-520.

[4] LIU Y,GUO L,WANG Q,et al.Application to induction motor faults diagnosis of the amplitude recovery method combined with FFT[J].Mechanical Systems&Signal Processing,2010,24(8):2961-2971.

[5] 崔玉敏,和卫星,高彩虹.基于小波变换及HHT的轴承故障诊断应用研究[J].计算机仿真,2010,27(10):294-296.

[6] MENACER A,KECHIDA R,CHAMPENOIS G,et al.Application of the fourier and the wavelet transform for the fault detection in induction motors at the startup electromagnetic torque[C]//IEEE International Symposium on Diagnostics for Electric Machines,Power Electronics&Drives.IEEE,2013:664-668.

[7] ZENG Y C,CHEN Y Y,MAO Y H,et al.Mel frequency cepstrum coefficient extraction method based on empirical mode decomposition and combined spectrum of fourier transform and wigner distribution[J].Natural Science Journal of Xiangtan University,2015,37(2):20-26.

[8] 许伯强,孙丽玲,李和明.基于多重信号分类与模式搜索算法的笼型异步电动机转子断条故障检测新方法[J].中国电机工程学报,2012,32(9):93-99.

[9] 李珂,邰能灵,张沈习.基于小波包熵和概率神经网络的微特电机轴承故障监控[J].微特电机,2016,44(4):37-39.

[10] 张海如,王国富,张法全,等.改进的随机共振和EMD混合模型用于转子早期故障检测[J].电机与控制学报,2014,18(2):83-89.

[11] LIU F,XU W N,HU W B.Rotor faults detection in variable frequency motor based on MUSIC algorithm[J].Marine Electric&Electronic Engineering,2012,52(9):473-477.

[12] 朱天敬,许伯强.MUSIC和Prony在电动机断条故障检测中的应用[J].电力系统及其自动化学报,2015,27(1):54-59.