船用電機智能故障診斷與健康管理技術(shù)

楊 靈，湯 成，鄧建華

（1.招商局郵輪制造有限公司，江蘇南通 226116；2.江蘇科技大學(xué)，江蘇鎮(zhèn)江 2121003；3.上海中車漢格船舶與海洋工程有限公司，上海 200082）

0 引言

21世紀以來，對船舶電機管理的自動化要求也越來越高，其中，故障預(yù)測與健康管理成為研究的關(guān)鍵問題。現(xiàn)代船舶上的電機種類各異，位置分散，起動方式多樣。船用電機智能故障診斷與健康管理技術(shù)研究在船舶電力系統(tǒng)和輔機裝置等系統(tǒng)中起著相當重要的作用。船用電機智能故障診斷與健康管理技術(shù)順應(yīng)了當今船舶網(wǎng)絡(luò)化、信息化、智能化的發(fā)展趨勢[1]，應(yīng)用各種信號分析與處理技術(shù)對取得的電機參數(shù)進行分析，在此基礎(chǔ)上提取出對特故障敏感的特征信息，在電機出現(xiàn)小型故障時發(fā)現(xiàn)并準確定位故障，避免最終災(zāi)難性故障的發(fā)生。

針對船用電機智能故障診斷與健康管理技術(shù)的問題，國內(nèi)外學(xué)者進行了深入研究。其中，特征提取和特征集的選擇直接影響到分類器的性能，從而影響到故障診斷的準確性、有效性和效率。特征集的選擇在分類中扮演著重要的角色[2]。筆者以中小型船（自主豪華游輪）用電機為研究對象，對于船用電機智能故障診斷與健康管理技術(shù)進行分析，并對該監(jiān)測系統(tǒng)的電機故障辨識方法進行研究，最終通過對電機故障類別及表征參數(shù)的歸納總結(jié)，設(shè)計智能電機在線監(jiān)測系統(tǒng)方案。

1 信號的采集

振動信號采集是利用振動信號進行電機故障診斷的基礎(chǔ)，必須選擇一款適合進行數(shù)據(jù)特征提取、篩選的，精度較高的振動傳感器。常見的振動傳感器包括速度振動傳感器、加速度振動傳感器和渦流振動傳感器，見表1。

表1 振動傳感器分類及特點

對于電機振動信號的采集，采用加速度傳感器測量三相異步電動機，具有速度快、精度高、兼容性佳、針對性強的獨特優(yōu)勢，可以實時監(jiān)測不同頻率下振動信號的信號振幅。

在試驗環(huán)境搭建時，將試驗所用的三相低壓異步電動機用螺柱進行固定，在風(fēng)機軸承正上方安裝壓電式加速度振動傳感器，安裝方式采用膠粘劑粘接加磁鐵轉(zhuǎn)換吸盤連接雙重固定的方式，以保證安裝牢固，不會掉落或影響安裝剛度。試驗平臺選用傳感器的參數(shù)如表2所示。

表2 振動傳感器參數(shù)表

2 信號特征的提取

經(jīng)過壓電加速度傳感器采集到的信號，需要通過特征提取，才能進行故障的識別和預(yù)測。通常來說，利用合理的手段進行振動信號的故障特征提取是系統(tǒng)故障診斷中的重要一環(huán)，信號的提取既保證了將振動信號中的有用信息準確地提取，又可以明確機械故障信息的信息表征。對于振動信號而言，較為常用的特征提取方法是快速傅里葉變換（FFT）和短時傅里葉變換（STFT）。FFT就是將信號變換到頻域，在頻域上對時域上的信號進行描述，但FFT對于時間不敏感[3]，不能對時間域上信號的某一局部進行刻畫，對突變和非平穩(wěn)信號的描述效果也不理想。

為了解決這些問題，利用短時傅里葉變換進行信號處理，它在FFT的基礎(chǔ)上增加了窗函數(shù)，利用窗函數(shù)對信號進行截取，這樣就可以描述不同時刻的頻譜，便于非平穩(wěn)信號的處理，然而它的窗函數(shù)不能隨信號頻率的變化而變化，往往會出現(xiàn)頻率分辨率差或時間分辨率差的現(xiàn)象。小波變換對傅里葉變換的基底進行變換，把基由正弦信號變?yōu)殚L度有限、會衰減的小波基（一般是2個正交基的分解）[4]，克服了STFT窗函數(shù)不能隨頻率變化的缺點，雖然比FFT增加了窗函數(shù)，但在處理信號和噪聲頻帶混疊的情況下效果仍不理想。

華裔科學(xué)家Norden.e.Huang提出了經(jīng)驗?zāi)B(tài)分解（EMD）的方法，是一種針對非平穩(wěn)信號的信號處理方法[5]。Flandrin解決了EMD分解出現(xiàn)的模態(tài)混疊現(xiàn)象，提出了集合經(jīng)驗?zāi)B(tài)分解EEMD。EEMD是在EMD的基礎(chǔ)上加入白噪聲，并使用EMD算法進行分解，得到本征模態(tài)函數(shù)（Intrinsic Mode Function,imf）。根據(jù)白噪聲具有統(tǒng)一的頻率分布，將白噪聲添加入原信號中，因為白噪聲不同，因此在獲得imf分量時，相鄰的imf分量不會產(chǎn)生關(guān)聯(lián)，即EEMD解決了EMD的模態(tài)混疊現(xiàn)象[6-7]。

3 EEMD仿真

利用EEMD的方式進行分解就可以得到很好的非平穩(wěn)信號本真模態(tài)分解，再利用相關(guān)系數(shù)的方法對imf分量進行重構(gòu)，利用HHT變換可以很好地得到信號包絡(luò)，對振動信號的故障特征提取有著非常好的效果。電機故障診斷模型如圖1所示。

圖1 電機故障診斷模型

根據(jù)EEMD的原理，用MATLAB對采集到的數(shù)據(jù)進行信號處理。下面列舉出三相異步低壓電動機在正常、底座松動狀態(tài)下采集到的數(shù)據(jù)利用EEMD進行信號處理的結(jié)果。

3.1 正常狀態(tài)下電機健康狀態(tài)分析

在正常情況下，將采集到的振動信號通過集合經(jīng)驗?zāi)B(tài)分解，得到各級imf分量，即imf 1～imf 12，imf分量如圖2所示。

圖2 正常狀態(tài)下振動信號EEMD分解結(jié)果

對imf'分量進行重構(gòu)，得到重構(gòu)后的信號，經(jīng)重構(gòu)的振動信號如圖3所示。

利用希爾伯特-黃變換，得到重構(gòu)信號的包絡(luò)，如圖4所示。

圖3 正常狀態(tài)下的信號重構(gòu)

圖4 正常狀態(tài)下的包絡(luò)譜函數(shù)

由圖4可以看出：正常狀態(tài)下，在頻率極小時，提取到的幅值＞0.18 m/s2；頻率為300 Hz時，幅值有一次明顯的提升；頻率略高于550 Hz時，幅值達到第二次高峰，提取的幅值略大于0.04 m/s2。

3.2 底座松動狀態(tài)下電機健康狀態(tài)分析

發(fā)生底座松動故障時，將提取到的imf分量相關(guān)系數(shù)cov＞10?4的分量進行提取，并定義為新的imf'分量。對imf'分量進行重構(gòu)，得到底座松動情況下重構(gòu)后的信號，利用希爾伯特-黃變換，得到重構(gòu)信號的包絡(luò)，如圖5所示。

圖5 底座松動情況下的包絡(luò)譜函數(shù)

由圖5可以看出：底座松動情況與正常狀態(tài)相比，在頻率極小時，提取到的幅值略大于0.14 m/s2，小于正常情況下的幅值（＞0.18 m/s2）；同時，頻率約為25 Hz時，幅值并未能取得一個略小于0.04 m/s2的極大值。

4 結(jié)論

EEMD對于非平穩(wěn)信號的分解有著很好的作用，HHT所得的包絡(luò)譜函數(shù)也可以對船用三相異步電動機的常見故障進行準確識別。此種方法僅使用1個加速度傳感器，安裝簡單，診斷結(jié)果明了，對船舶行業(yè)分布式電機的實時監(jiān)測和故障診斷具有較高的實用價值和經(jīng)濟價值。