基于振動信號分析的電機故障診斷應用研究

蔡少輝

（中國南方電網有限責任公司超高壓輸電公司廣州局，廣東廣州，510000）

1 電機故障診斷方法的研究現狀

電機故障診斷開始于上世紀六七十年代，歷經事后維修、基于CBM狀態維修(Condition-based maintenance)、PM預測維修(Predictive Maintenance)等階段，從而逐步加強電機運行系統的穩定性、安全性、可靠性、維修經濟性。但是由于電機故障診斷來自于電機本身結構復雜性，故障關聯影響，以及電機涉及機械、電氣等故障診斷問題，因而對電機故障診斷極為復雜，涉及技術較多。基于傳統電機故障診斷方法一般根據建實際測量電機運行參數基礎上，采用信號處理方法，提取一些故障特征量進行診斷分析。隨著對電機模型深入研究及實際應用工程參數分析的研究，對異步電機定子電流包含的電機運行狀態信息及信號的分析，開展了電機電氣類故障檢測和電機振動信號、故障交互影響等研究，并且基于電機運行狀態的特征量分析，提取出關鍵故障特征量進行電機故障診斷識別，大大提高了故障檢測水平和能力。通過對比分析現場動力運行系統中記錄的各類電機運行歷史數據，對于電機運行條件、調節方式、變負荷運行狀態、電機軸承振動特性、節能效果等方面進行分析，研究轉速大范圍變化狀態下的電機結構共振問題，同時研究故障信號特征提取方法，比如傅里葉短時變換算法、魏格納一維爾分布、經驗模態分解、小波變換等，引入信號分析應用到電機運行狀態檢測和故障診斷中，極大提高了信號高頻部分的頻率分辨率。

隨著人工智能、機器學習技術的應用，智能獲取數據驅動信息，實現設備自動學習及記憶診斷，最大程度減少人為性干預，從而實現機械故障診斷大數據化與智能化，完成整個電機運行狀態的識別，利用小波尺度域濾波消除干擾噪聲，提高關聯維數計算的準確性和穩定性。經過對實測振動信號的小波尺度域濾波重構處理，從而實現關聯維數的非線性系統特征量數據的提取，實現集中存儲、分析和精細故障診斷[1]。

2 電機振動監測及故障診斷技術

電機振動監測、故障診斷技術系統圖1所示，主要監測動力設備的運行特性、機械動力學、振動測試、故障機理、信號分析、模式識別與人工智能等多學科技術。電機等動力設備實際運行過程中，在內、外部載荷效應激勵下會產生振動響應。一旦動力設備內部零部件出現故障，通常會引起載荷狀態結構特性等特性的變化，所以動力設備結構振動響應會出現變化。通過結構振動信號的測量，并且依靠信號分析原理，提取特定故障信息，利用人工學習或自動記憶學習模式或者信號分析實現對故障的判斷、預測，實現電機等動力設備振動信號的不失真、高信噪比測量，實現故障特征有效提取，并且綜合運用已有知識對故障部位、類型、程度及發展趨勢的有效性診斷分析。

圖1 電機等動力設備振動診斷分析系統

3 電機振動故障類型分析

電動機振動故障主要由于機軸承振動超標、電機軸承溫度過高、葉片磨損、動葉卡澀、漏油、旋轉失速與喘振、電磁振動和轉子產生的機械振動等原因造成。電機軸承振動超標主要原因在于葉片非工作面積灰、葉片磨損、葉片腐蝕等。電機軸承振動超標極容易造成電動機螺栓松動、軸承和葉片的損壞、機殼等部位的損壞故障。電機葉輪氣流由在葉片非工作面產生旋渦，氣流中積灰累積達到一定閥值時，將在各葉片上積灰不均勻，容易造成葉輪質量的動態不平衡分布，造成電機振動增大。電機葉片發生磨損時，葉輪動平衡狀態發生變化，導致導致電機振動緩慢上升；另外電動機處于低溫腐蝕狀態下，容易造成腐蝕小薄鋼片脫落直接打在葉片上，造成葉片的動不平衡鞥形成振動；再有，風道系統振動導致電機負荷增大，電機軸承的振動會逐漸加大，再有電機內風葉與靜止結構發生碰摩、葉片松動使其晃度變大、軸與軸承松動、軸承損壞、主軸彎曲等也容易引起電動機振動加劇。另外，轉子過臨界轉速引起共振、聯軸器中心偏差大、基礎或機座剛性不夠、原動機振動等原因，產生電動機振動超標現象。電動機軸承溫度異常升高原因主要在于軸承冷卻不足、潤滑效果不良、軸承發生異常；電動機漏油主要是因為軸承骨架油封密封老化、變形、潤滑油質不合格、軸承雜質進入潤滑系統損傷磨壞密封件，軸承箱骨架油封壓環外鎖緊螺母松動造成潤滑油系統漏油等原因引起；動葉卡澀主要在于電動機動葉片與輪毅間存在空隙，不完全燃燒碳垢、灰塵落入空隙，引起動葉調節困難；旋轉失速和喘振是電動機的兩種基本異常工況，由于氣流發生離心造成大量區域渦流容易引起電機旋轉失速。喘振是因為電機處在不穩定的工作區運行出現流量、風壓大幅度波動的現象，產生旋轉氣流。電機內電氣回路產生電磁振動和轉子產生機械振動，導致三相電壓、電流不平衡、轉子籠條斷裂、各相電阻電抗不平衡、電機設計缺陷、定轉子氣隙不均勻、線圈松動等引起電磁振動增大；再有軸頸橢圓、電機轉子動平衡不良、軸承座固定螺絲松動、軸承跑內圈、軸承跑外圈、軸承中心不正、軸頸軸套配合緊力不夠，軸承間隙過大等容易引起電機轉子機械振動增大[2]。

4 電機震動小波多尺度包絡分析

對電機監測信號做連續小波變換，小波基函數取某種復數小波，得到小波系數的復函數，用來表示幅值函數和相位函數。根據幅值包絡譜圖、能量包絡譜圖中與故障相關能量異常頻帶的部位和強弱，實現電機故障類型或程度的判斷分析。同時基于Hilbert變換包絡分析方法，利用幅值包絡譜圖橫向切片進一步識別電機振動信號中故障特征頻率對應的邊帶成分，實現故障定位；幅值包絡譜圖縱向切片可以實現振動狀態變化的辨別分析[3]。如圖2所示。

圖2 小波尺度系數與頻率關系、電機軸承振動復數小波分解系數包絡譜圖

對電機軸承振動監測信號進行復小波多尺度包絡分析，圖2表明，復數小波與電機軸承局部故障產生的沖擊振動響應成分較為接近，電機振動故障特征提取較為明顯。采用8000Hz采樣頻率進行1s長度振動數據的復數小波變換計算，復數基小波中心1Hz頻率，計算尺度范圍a=2-30，時間間隔為0.2s，電機葉輪軸承振動信號中主要成分所在的頻率范圍為4000-320Hz.，進行傅里葉變換計算后，可得到幅值包絡譜圖，研究表明，計算尺度越小，小波函數波動和衰減越快，振動信號的頻率越高，反之亦然[4]。

5 結論

電動機廣泛應用與工業領域，是主要動力設備，由于電動機結構不同，運行環境不同、負荷狀態不同，故障原因較多，尤其是振動引起的故障。系統分析了電機振動故障的研究歷史；針對電機振動故障遠近進行了詳細分析；針對電機軸承故障特征提取方法提出了利用復數小波變換及包絡分析。該方法有助于突出顯示微弱故障信息的能力，有效識別強干擾噪聲下的故障沖擊成分，同時實現多尺度帶通濾波和幅值包絡提取，有效解決了傳統分析中預知故障頻帶缺點，提高了信號分析的效率。