異步電機故障診斷方法的應用探究

張偉波

（廣東省粵電集團有限公司沙角A電廠，廣東 東莞523936）

異步電機故障診斷方法的應用探究

張偉波

（廣東省粵電集團有限公司沙角A電廠，廣東 東莞523936）

異步電機故障診斷方法綜合機械振動理論、人工智能技術、數字信號處理以及電子技術等多門理論的實用技術，同時在診斷中要通過多種檢測量提高診斷的精度，并利用各種診斷方法而建立基于數據融合的故障診斷系統。本文對其中較為常用的兩種故障診斷方法進行應用探究。

異步電機；故障診斷；方法；應用探究

0 引言

隨著工業經濟以及技術水平的升級換代，各行各業在生產活動過程中使用的異步電機的數量也在以驚人的速度上升，同時單機容量逐漸提高，所以異步電機的日常運行工作情況和狀態難免會影響到各行各業的生產以及運行。如果異步電機出現故障，那么不僅僅可能會損壞電機，甚至有可能會影響到整個生產系統，乃至于給生產以及工作人員的生命安全帶來危險，進而造成非常嚴重的經濟損失并且帶來不良的輿論影響。

1 異步電機的構造和工作特性

異步電機在通常的情況下是由定子和轉子兩部分組成。異步電機的定子由鐵心、繞組、端蓋和機座這四部分組成，定子和轉子之間預留有一小部分的氣隙。定子鐵芯是由相互絕緣的硅鋼片所疊壓而成的筒形鐵芯，是異步電機主磁通磁路的主要組成部分，主要作用為導磁。

定子繞組由許多高強度漆包線繞制成的線圈按照一定的規則而聯接成，嵌入在鐵芯槽內。根據定子繞組槽內布置不同，可以分成單層繞組和雙層繞組這兩種基本的型式，雙層繞組型式通常在容量較大的異步電機上使用。機座和端蓋起著固定、保護定子鐵心的作用。

在原理方面，異步電機通電后，定子上的繞組在電流的作用下形成旋轉的磁場，旋轉磁場與轉子相對運動，轉子的繞組切割旋轉磁場產生感應電動勢，從而產生感應電流。轉子中的感應電流再與旋轉磁場作用，從而產生電磁轉矩，最終拖動轉子沿著旋轉磁場的方向旋轉。

異步電機工作特性指的是在額定電壓以及額定頻率的情況下，電機轉速n、定子電流I1、電磁轉矩T、功率因數cosφ1、效率η同輸出功率P2之間的關系。因為異步電動機是交流電動機，因此對電機而言需要考慮到功率因數，并且因為負載電流以及勵磁電流共同存在于定子繞組當中，定子電流的變化可以反映電機的運行狀態，而轉子電流往往無法直接測取。

2 常用的異步電機故障診斷方法

異步電機故障診斷的方法很多，在此簡要介紹其中較為常用的兩種。一種是概率神經網絡。一種是概率神經網絡。所謂概率神經網絡（Probabilistic Neural Network，PNN）指的是訓練簡潔、結構簡單以及應用廣泛的神經網絡［1]，能夠用于故障診斷。PNN作為能夠用于分類模式的神經網絡，實質是從貝葉斯的最小風險準則（即貝葉斯決策理論）發展起來的并行算法。而異步電機在運行的過程當中，轉子偏心、斷條以及失電是較為常見故障，并且異步電機在長期的運行當中，因為周期性的間歇運行或者頻繁起動，從而導致轉子電磁應力的急劇變化，再加上熱應力、機械應力以及環境應力等方面的作用，容易導致轉子的鼠籠條過熱而使得振動加劇，最終引發鼠籠條斷裂。

異步電機的結構特殊，轉動部分難以準確監測，故障原因不好判斷，因此能夠使用PNN實現故障診斷。在異步電機的故障診斷當中通常選用3個特征參數，即A相電流、B相電流以及C相電流，同時在診斷過程中提取相關特征參數并使用PNN診斷。首先是建立模型，在輸入層中的神經元個數要根據異步電機的特征參數而確定的。

設定選取異步電機的特征參數是A相、B相以及C相電流和異步電機的正常狀態，PNN輸入層的神經元設為4，即PNN網絡的輸入層有4個輸入的結點，而輸出則是正常以及故障這兩種狀態，故障則具體分成轉子斷條、失電、偏心以及殘壓，可以用二進制來描述四種故障：（0，1，0，0）、（1，0，0，0）、（0，0，0，1）以及（0，0，1，0）。圖1設計兩個PNN來進行故障診斷。其中PNN1輸入層有2個神經元，分別對應A相電流以及正常狀態，模式層也有兩個神經元而對應正常以及故障模式。PNN 2輸人層有3個結點對應A相、B相以及C相電流，而模式層則有6個神經元對應正常以及故障的模式，其輸出層則有4個神經元對應轉子的斷條、失電殘壓、偏心以及正常狀態，通過4種狀態來判定哪種故障［2]。

圖1 基于PNN的異步電機診斷模型

另一種是異類信息融合技術。信息融合技術應用于異步電機的故障診斷主要是同類信息的多傳感器或者多特征量融合，以及異類信息決策層的融合等方面。其中異類信息有著較強的互補性，因此其融合信息有著更大的實用價值，所以可以利用異類信息的融合來對異步電機的故障進行綜合診斷，通常能夠獲得比根據同類信息融合診斷而更為精確的效果。

在異類信息的特征提取方面，主要包括振動信號以及電流信號。在振動信號的特征提取方面，異步電機出現故障會導致振動信號的時域特征參數出現變化。因此為有效反映出異步電機的運行狀態，可以組合選用數個時域特征的參數來進行故障診斷，例如均值、峰值、均方根、幅值平方和、標準差、方根幅值、偏度、脈沖因子以及裕度因子等域特征參數，從而構成振動信號多維度特征向量［3]。

在電流信號的特征提取方面，小波包作為小波變換延伸，可以對信號低頻以及高頻部分進行多尺度分解，最終保證信息量的完整。信息熵作為特定狀態下的定位系統信息測度，是對異步電機電流序列未知程度的度量，能夠用來估計信號復雜性。因為振動信號特征以及電流信號特征能夠包含異步電機不同狀態空間具有的那些故障信息，將這兩類特征融合利用，從而實現異類信息的互補，能夠獲得比單一特征更加豐富的特征信息量。其中最直接的特征融合方法是將這兩類特征進行串行組合，不過需要注意的是組合特征高維性以及冗余性容易引發分類器出現識別能力的下降問題。

3 結論

綜上所述，對異步電機常見故障診斷方法加以應用探究，能夠有效降低異步電機的故障率，減少因突發事故而引發的停產損失，同時也降低維修的成本，并消除對工作人員的安全威脅。

［1]沈標正．電機故障診斷技術［M].北京：機械工業出版社，2012：456-459.

［2]高景德，王祥衍．交流電機及其系統的分析［M].北京：清華大學出版社，2013：268-269

［3]葉銀忠．故障診斷技術的發展趨勢及我們的對策［M].自動化博覽，2012，10（3）：153-154.