相對小波包能量譜的電機振聲信號故障分類方法研究*

莫慧芳，谷愛昱，饒明輝

(1. 廣州科技貿易職業學院 機電系，廣州 511442；2. 廣東工業大學 自動化學院，廣州 510006)

相對小波包能量譜的電機振聲信號故障分類方法研究*

莫慧芳1，谷愛昱2，饒明輝1

(1. 廣州科技貿易職業學院 機電系，廣州 511442；2. 廣東工業大學 自動化學院，廣州 510006)

文章研究利用相對小波能量譜作為特征的電機振聲信號故障分類方法。對振聲信號采用小波包分解，利用重構系數計算各個頻段內的相對小波能量譜值，各頻帶的能量變化反映電機是否有故障；再根據標準樣本故障結果建立“特征-故障”對應關系的信息表；以容差范圍作為誤差判別標準，力使故障診斷誤差最小化，從而確定待測信號為何種故障；最后通過比較各頻帶相對小波能量譜大小判斷故障所處的頻帶位置。電機振聲信號診斷實例驗證了該方法的有效性。

電機噪聲；故障分類；相對小波包能量譜

0 引言

電機是目前各行業應用最廣的供電設備和驅動裝置，當前絕大多數設備的運轉和工作都是由各種電動機驅動完成。其應用廣泛、使用環境各異、負載性質不盡相同，這使得電機故障時有發生，在一些運行環境惡劣、負載沖擊性很大的場合中運行的電機故障率更高[1]。我們研究電機的故障診斷就是為了減少事故停機損失，提高設備運行的可靠性和經濟效益，降低維修費用[2]。

傳統的電機故障診斷方法有定子電流分析法、絕緣診斷、溫度診斷、振動診斷等。監測方法的選擇應考慮監測對象的要求，要成本低，易于測量。絕緣診斷技術只針對某一種故障或某一類電機，不具有廣泛性；溫度診斷技術需設置多溫度計，不易于測量；振動診斷技術是接觸式測量，所需設備結構復雜[3]。當電機出現故障時其聲音及其振動頻譜都會發生變化，振聲信號的測量是非接觸式的診斷方法，拾取方便，用一般的錄音設備即可，避免了價格昂貴的振動測量設備，這就為聲頻故障診斷方法的研究提供了現實基礎。

多分辨分析是近年來處理非平穩信號的主要手段，但其在高頻段頻率分辨率較差，在低頻段時間分辨率較差。小波包分解是將頻帶進行多層次劃分，對高頻部分進一步分解，從而提高頻率分辨率[4]，因此小波包具有更廣泛的應用價值。

當電機出現故障時，會對電機運行聲音的各頻率成分抑制或增強，某種能量的改變代表了一種故障情況。相對小波包能量能反映信號在各頻帶內的能量變化，可做為故障診斷的特征向量。當偏差超過了允許的范圍，定義為出現故障[5]，為了使故障診斷誤差最小化，引入能量容差的概念。本文先對采集的聲音信號進行小波包分解，然后進行相對小波包能量譜計算，確定電機是否有故障；再根據標準樣本故障結果建立“特征-故障”對應關系的信息表；最后對待測故障計算進行容差范圍估計，從而確定電機為何種故障，以及判斷故障所處的頻帶。

1 相對小波包能量譜

1.1 小波包分解

(1)

其中m=0,1,...,2k-1;l=1,2,...,j。

1.2 相對小波包能量譜特征提取

由于保持了多分辨分析中的正交分解特性, 每一個節點分解后的兩個頻帶互不交疊, 輸出兩個頻帶的帶寬減半[6]。小波包分解后，將各頻帶分解系數重構，得到各頻帶范圍的信號。小波包能量譜就是指以能量形式表示小波包分解的結果。設Xjk為各頻帶重構信號的離散點幅值，Eij為信號在各頻帶上的小波包能量譜，則Eij可表示為

(2)

(i,j)表示第i層的第j個節點，其中j=0,1,…,7,k=0,1,...,2j-1。信號總能量E為各子帶能量Eij之和，令

(3)

本文將采集到的振聲信號進行3層小波包分解，對各系數進行重構，并提取第3層從低頻到高頻8個頻率成分的信號特征，以各個子帶內的能量元素構建故障特征向量T=[E30,E31,E32,E33,E34,E35,E36,E37]。

根據式(3)計算各個頻帶的總能量，得到各頻帶的相對小波包能量譜ρj，構建相對小波包能量譜特征向量ρ=[ρ0,ρ1,ρ2,ρ3,ρ4,ρ5,ρ6,ρ7]。

1.3 能量容差

在建立故障特征向量時進行了多次測量，建立故障的試驗數據樣本，計算樣本的相對小波包能量譜特征向量，并對其統計平均。假設n次測量，統計平均值為Ck，則

(4)

以實驗統計的方法確定容差范圍ΔCj,以此作為元素構成誤差判別向量。

(5)

其中n為實驗次數，N為容差系數，σ為樣本標準差。

我們將電機故障與能量特征向量的對應關系列成故障信息表，事先存儲在計算中，計算實際測得的特征向量，如果在預先確定的特征向量容差范圍內，則對向量進行分類決策，就可以確定故障類別。

2 電機故障診斷實例分析

電機常見的故障主要有軸承故障，電磁故障，松動故障等，發生故障時會對外輻射噪聲，每種故障噪聲帶有的頻率即為故障特征頻率[7]。由于安裝不良、電機底座損毀等原因造成電機松動故障，其故障特征頻率是4X-10X高倍頻，嚴重時會出現0.5X、1.5X半倍頻；由于部件的不精確裝配、溫度變化引起的機械變形等原因，轉子中心線與設備中心線不對齊，為不對中故障，其特征頻率以2X為主，并伴有1X的分量。

本文采用的故障識別診斷技術，其基本流程圖如圖1所示。

圖1 故障診斷基本流程圖

本文實驗數據來自廣東威靈電機制造公司的單相異步電動機噪聲樣本。電機型號為YDK24-6T，250W，額定電流為2.2A，轉速為2800r/min，相應的頻率為46.6Hz。根據香農定理，fS≥2fmax，才能保證信號不失真。在實際應用中，fS一般取fmax的5～6倍[8]。本實驗聲卡的采樣頻率為22.05kHz，由此決定了被測信號的最高頻率范圍。

我們構建兩種故障狀態，轉子不對中故障和蓋松故障。用db12小波對聲音采樣信號進行3層小波包分解，如圖2、圖3、圖4所示。

圖2 正常信號的小波包分解

圖3 蓋松故障的小波包分解

圖4 轉子不對中故障的小波包分解

從圖2可以看出，當電機無故障時，振聲信號相對穩定；圖3、圖4表明當發生故障時，振聲信號產生振蕩，不同故障時相同頻帶的振聲信號也顯示出幅值變化不同的波形。我們對各層系數進行重構提取相對小波包能量譜特征值，形成待檢模式；其次，將待檢模式與數據庫中存儲的樣本模式進行比較和狀態分類；最后根據得到的分析結果，作出相應的決策。

本文中對信號進行3層分解，得到對應的8個頻帶分布，如表1所示。

表1 重構信號各個頻段帶寬

根據相對小波包能量譜特征量提取方法，計算出各個頻段的相對小波包能量譜，并以此作為特征向量。在此分別提取正常工作、軸承不對中故障和蓋松故障3種運行狀態，由于實驗樣本重復性較好，所以n取值不用太大，我們重復采集了10個樣本，即n取10。本文列出每個工況的3組數據作為診斷的標準樣本，計算各頻段相對小波包能量譜ρj，如表2所示。

表2 不同狀態各頻段的相對小波包能量譜分布

用式(4)對表2各個頻帶能量譜特征值求其平均值Ck，如表3所示。并由式(5)得到N=4時的能量容差范圍ΔCj，構成誤差判別向量，如表4所示。

表3 不同狀態的相對小波包能量譜均值

表4 不同狀態的相對小波包能量容差

3 結果分析

(1)由表3和表4觀察能量容差向量可以發現，正常信號特征向量容差范圍均在1%以內，且分布比較均勻，第4頻帶的信號能量特征值最大。故障情況下容差范圍明顯偏大，而且分布不均勻。第2類故障運行狀態下，削弱了第4頻帶的能量，第1、2頻帶的信號能量明顯增強，在此頻率段放大了故障信號，突出了故障特征頻率對應的能量信息，表示蓋松故障特征頻率發生的頻率范圍是[0～625Hz]，第3類故障的第1頻帶信號能量最強，說明轉子不對中故障發生的頻率范圍是[0～312.5Hz]，通過對表4的分析可以得出，相對小波能量可以用作電機故障診斷的特征。

(2)針對前文所述的正常狀態和2種故障又分別做了5次試驗，共得到15個特征向量。實驗驗證，當電機發生故障時，所測得的實際特征向量90%以上都與預先確定的特征向量一致(在表4所示的容差范圍內)。根據已經建立的“特征—故障”的關系，就能確定被診斷系統中是否有故障，并確定故障類別。

(3)我們再對蓋松故障和軸承不對中故障做功率譜分析，進一步確定故障所發生的具體時刻，蓋松故障發生頻率主要為4X-10X倍頻，基頻為電機轉頻46.6Hz，故障發生頻率范圍是[0～625Hz]；轉子不對中故障以2倍頻為主，伴有1倍頻分量，故障發生頻率范圍是[0～312.5Hz] ，如圖5、圖6所示，與(1)描述結果相符。

圖5 蓋松故障功率譜 圖6 轉子不對中故障功率譜

[1] 馬宏忠.電機狀態監測與故障診斷[M].北京：機械工業出版社，2008.

[2]侯志祥，申群太，李河清.電機設備的現代故障診斷方法[J].電力系統及其自動化學報，2003，15(6)：61-63.

[3]肖琳君.電機故障振聲診斷系統的研究[D].廣州：廣東工業大學，2007.

[4]胡昌華，李國華，劉濤，等.基于MATLAB 6.X的系統分析與設計—小波分析[M].西安：西安電子科技大學出版社，2004.

[5]劉澤華, 谷立臣.基于頻域能量特征的故障分類方法研究[J].液壓與氣動，2007( 3)：67-70.

[6]孟永鵬,賈申利,榮命哲.小波包頻帶能量分解在斷路器機械狀態監測中的應用[J].西安交通大學學報，2004,30(10)：1013-1017.

[7]李小飛，趙生明，劉煒.小型鼠籠三相異步電機的故障診斷[J].機電技術，2013(4)：78-81.

[8]余熳燁，林穎.基于小波-神經網絡的某電廠汽輪機振動故障診斷系統的研究[J].機床與液壓，2013， 41(15)：194-196.

(編輯 李秀敏)

Audio Fault Classification Research Base on Relative Wavelet Packet Energy Spectrum

MO Hui-fang1，GU Ai-yu2，RAO Ming-hui1

(1.Department of Mechatronics ,Guangzhou Vocational College of Technology & Business，Guangzhou 511442, China;2.School of Automation ,Guangdong University of Technology ,Guangzhou 510006，China)

In this paper we reserch audio fault classification which use relative wavelet packet energy spectrum as the characteristics. It makes wavelet packet decomposition, uses decomposition coefficients to calculate the relative wavelet packet energy Spectrum, the energy changes in each frequency determine whether the motor is faulty. Establish “characteristics- fault” information table according standard faults. Tolerance range was introduced as an error standard to trive for diagnose error minization,which determine what kind of test fault. At last, comparing the relative wavelet energy spectrum in each frequency to determine the fault location. The example of audio fault detection has verified the effectiveness of the method.

motor noise; fault detection; relative wavelet packet energy spectrum

1001-2265(2014)07-0097-03

10.13462/j.cnki.mmtamt.2014.07.027

2013-08-29;

2013-11-03

粵港關鍵領域重點突破項目：高效變頻家用空調器關鍵技術的研究及其應用(2010Z5104)

莫慧芳(1980—),女，廣東肇慶人，廣州科技貿易職業學院講師，碩士，主要從事電機智能控制研究，(E-mail)hs2000112@163.com 。

TH166;TG65

A