一種交流電機故障診斷中的特征提取與強化

趙慧敏，房才華，徐智超，聶冰

(1.大連交通大學 軟件學院，遼寧 大連 116028;2.大連科技學院 ，遼寧 大連 116052)*

0 引言

交流電機具有結構簡單、性能良好、使用維護方便等特點，被廣泛地應用于工業、國防等領域.由于交流電機在應用中受到頻繁啟動、負載波動、工作環境惡劣等因素的影響，因此電機在壽命周期內發生故障是難以避免的.為了避免電機失效、保障安全生產、防止因電機故障造成的經濟損失及發生事故災難，對電機進行故障診斷具有重要的意義，因此一直受到各相關領域的重視［1］.隨著科學技術的不斷進步，新的信號處理方法的出現也促進了電機故障診斷與新技術的發展.

目前，有許多交流電機故障診斷方面的研究成果［2-5］.小波包分解后子頻段的頻率分析范圍能覆蓋一定的頻率段，通過選擇采樣頻率和分解的層數，可使子頻段的頻率分析范圍覆蓋某個特征頻率，因此引起了許多研究者的興趣.文獻［6］提出了基于小波包分析的電機故障振聲診斷方法，文獻［7］提出了基于小波包分解的振動信號頻帶能量的特征向量提取方法，用于精密離心機的故障特征提取，文獻［8］提出了基于小波包分解的定子故障特征提取方法，這些文獻均不同程度地提高了交流電機故障診斷的可靠性.

本文針對交流電機故障診斷中的特征提取方法進行研究，提出了一種能夠實現混合振動源的分離、特征頻帶選擇和特征強化的電機故障診斷中的特征提取新方法.

1 特征提取與強化方法總體流程

圖1為本文所提出方法的具體實現流程，包括以下步驟:

(1)通過布置在電機各處的振動加速度傳感器采集多處的振動加速度信號;

(2)對振動加速度信號進行數據預處理;

(3)采用盲源分離方法對預處理后的振動加速度信號進行振源分離，得到分離后的振動加速度信號;

(7)將RE2輸入交流電機故障診斷模型進行故障診斷.

圖1 特征提取與強化模型結構

2 交流電機振動信號的盲源分離

盲源分離(Blind source separation)是盲信號源分離的簡稱，它是指從若干觀測到的混合信號中恢復出無法直接觀測到的原始信號的一種方法［9］.通常，觀測信號來自于一組傳感器的輸出，而每一個傳感器所接收到的信號是多個原始信號的混合.下面給出盲源分離問題的基本描述.

設 x(t)= ［x1(t)，x2(t)，…，xm(t)］T是由m個傳感器采集且經過預處理的m個觀測信號，s(t)=［s1(t)，s2(t)，…，sn(t)］T是產生觀測信號的n個相互統計獨立的源信號，且觀測信號是源信號經過線性混合而產生的，可用式(1)表示x(t)和s(t)的關系:

式中，A∈Rm×n是元素為aji的混合矩陣.

盲源分離的目的就是尋找一個分離矩陣W，用于對x(t)進行線性變換，得到

如果yj(t)之間相關性比較小，即在一定程度上保持獨立，則y(t)是源信號s(t)的一個估計.

y(t)與源信號s(t)相比存在不確定性，也就是y(t)的幅值和排序是不確定的.但在實際應用中，只要保持波形不變，這兩個不確定性是可以接受的［10］.

本文采用快速獨立成分分析方法對數據預處理后的4路振動加速度信號進行振源分離，分離過程包括以下步驟:

Step1:對振動加速度信號進行去均值處理;

Step2:對去均值后的信號做去相關處理;

Step3:對去相關后的振動加速度信號進行獨立振動源的分離，得到分離后的振動數據.

以1.5 kW流電機為例，采集在某一轉速下的4路振動加速度信號，在去噪后使用盲源分離方法進行混疊振動源的分離.分離前后部分頻段的功率譜對比圖如圖2和圖3所示.

圖2 分離前振動信號的功率譜圖

圖2為4路傳感器采集的振動數據(數據經過預處理)的功率譜圖，圖3為對圖2的4路振動數據進行盲源分離之后的功率譜圖，對比圖2和圖3，可以看到，頻率為15 Hz、25 Hz被清晰地被分離出來.因此使用分離后的數據進行特征提取將降低信號的復雜度，提高故障診斷正確率和有效性.

圖3 分離后振動信號的功率譜圖

3 基于小波包分析的特征提取及化簡

從信號濾波的角度理解，小波包分解將待分析信號通過一個高通濾波器和一個低通濾波器進行濾波，得到一組低頻信號和一組高頻信號，并且對高頻信號和低頻信號分別分解.隨著分解層數的增加，小波包分解對信號的高頻成分和低頻成分的分解都可達到很精細的程度，從而可以得到信號在某些頻段內的特征信息.可以把小波包分解看成是一個首尾相接的恒帶寬濾波器組，小波包分解的結果使得信號的能量被分到一系列正交的頻帶上.

因此采用小波包分解方法將經過盲源分離后的振動信號進行三層分解，得到8個正交的恒帶寬子頻帶，然后計算每個頻帶的能量相對于總能量的比值，得到由8個大于0小于1的數值構成的能量比向量.

由于對于變頻器控制的交流電機來說，高頻段的信號多為電磁干擾，有用的信號多集中在低頻段，實際計算出來的高頻段信號的能量比也很小，因此可以去掉對高頻段的能量比向量，以達到減少模型輸入，簡化模型結構的目的.

特征分解及化簡的具體步驟為:

Step2:計算每個子頻帶內信號的能量Ei(i=1，…，8)及信號的總能量E;

這里頻帶范圍的上界n為采樣頻率的1/2.

4 特征強化

實際應用中，發現直接使用小波包進行特征提取之后得到的能量比向量進行故障診斷時，診斷的效果不好，即不能有效地識別電機的故障特征或進行故障預測，經研究發現經小波包分解后的得到的能量比向量，其特征區分度不夠，這是由于在故障早期，故障的特征并不明顯，或者不同故障的能量比表現出相似的特征.因此本文在特征提取之后又增加了特征強化的處理環節，經特征強化處理后訓練出來的模型能夠有效地識別故障狀態并進行故障預測.

對簡化后的能量比向量RE1進行特征強化，步驟如下:

Step1:采集同類型無故障電機10組振動加速度數據，經前述步驟處理后，得到簡化后的能量比向量組，用來表示，RE(j)1可以表示為一個維數為10×4的矩陣，記為 ARE1= ［ei，j］10×4;

Step2:對矩陣 ARE1= ［ei，j］10×4的每一列求均值，得到向量

將特征強化后的能量比向量RE2輸入交流電機故障診斷模型進行故障診斷.

圖4(a)是使用小波包分解之后未經特征強化的能量比向量送入故障診斷網絡，進行故障診斷訓練的效果圖，從圖中可以看出該診斷模型并不能有效區分故障狀態和無故障狀態;圖4(b)是將特征強化后的能量比向量送入網絡進行訓練的結果，可以發現此網絡能有效區分兩種狀態，即序號1～6為故障狀態，7～12為無故障狀態.

圖4 特征分解、強化后故障診斷效果

5 結論

故障信號的特征提取是進行故障診斷的基礎，特征提取的質量好壞決定了其后進行故障診斷的準確率和正確性.本文采用盲源分離方法首先對交流電機振動加速度信號進行混合振動源的分離，之后對分離后的信號進行小波包分解進行特征提取，并進行了特征頻帶的化簡及進行了特征強化，最終得到的能量比向量即為故障診斷模型的輸入.與常用的特征提取方法相比，增加了混合振動源的分離、特征頻帶化簡及特征提取環節.使用本文所提出的方法得到的特征向量進行故障診斷的結果表明，本文提出的方法是有效的.本文為交流電機故障診斷中的特征提取提供了新的思路和方法.

［1］邱阿瑞，孫健.電機故障模式識別與診斷［J］.清華大學學報(自然科學版)，1999，39(3):72-74.

［2］劉振興，尉宇，趙敏，等.基于RELAX頻譜分析方法的鼠籠式異步電動機轉子故障診斷［J］.中國電機工程學報，2006，26(22):146-150.

［3］張雄希，劉振興.共振解調與小波降噪在電機故障診斷中的應用［J］.電機與控制學報，2010，14(6):66-70.

［4］董濤，程培源，樊波，等.基于單相功率頻譜分析的感應電機故障診斷［J］.大電機技術，2011，2:20-22.

［5］朱偉，李東辰，閆琪嬌，等.基于支持向量機的電機故障預測研究［J］.煤礦機械，2011，32(3):253-254.

［6］邱赤東，薛征宇，邵萍波，等.基于小波包變換的電機定子故障特征提取方法［J］.電力系統保護與控制，2010，38(22):52 －57.

［7］呂鋒，孫楊，文成林，等.基于小波分析的電機故障振聲診斷方法［J］.電機與控制學報，2004，8(4):322-326.

［8］于志偉，蘇寶庫，曾鳴.小波包分析技術在大型電機轉子故障診斷系統中的應用［J］.中國電機工程學報，2005，25(22):158-162.

［9］劉琚，何振亞.盲源分離和盲反卷積［J］.電子學報，2002，30(4):570-576.

［10］Com on P.Independent component analysis，a new concept［J］.Signal Processing，1994，36(3):287-314.