05基于小波包能量谱分析的电机故障诊断要点.docx

05基于小波包能量谱分析的电机故障诊断要点.docx

《05基于小波包能量谱分析的电机故障诊断要点.docx》由会员分享，可在线阅读，更多相关《05基于小波包能量谱分析的电机故障诊断要点.docx（9页珍藏版）》请在冰豆网上搜索。

05基于小波包能量谱分析的电机故障诊断要点

应用天地2008年2月　第27卷　第2期

基于小波包能量谱分析的电机故障诊断

唐友怀　张海涛　罗　珊　姜　喆

（工程兵工程学院　南京　210007

摘　要:

小波包是继小波分析后提出的一种新型的多尺度分析方法[1],解决了小波分析在高频部分分辨率差的缺点,体现了比小波分析更好的处理效果。

文章描述了小波包分析方法的基本原理及其实现算法,并从能量分布的角度出发,阐述了在电机故障诊断中,利用小波包分析方法将模糊故障信号进行量化、分解,从而便于用单片机进行处理、判断的一种新的应用途径,在实验室中模拟各种电机故障进行了实验验证,实验进一步表明基于小波包能量谱分析的电机故障诊断方法是一种方便灵活并且准确度很高的故障诊断方法。

关键词:

小波包;故障诊断;能量谱;电机中图分类号:

TP182　　文献标识码:

A

Basedonwaveletpackedenergymotorfaultdiagnosis

Haitao　LuoShan　JiangZhe

（CollegeofEngineeringCorps,Nanjing210007

Abstract:

ThewaveletpackedispresentedasanewkindofmultiscaleanalysistechniquefollowedWaveletanalysis.itre2solvedthewaveletanalysisdisadvantageonthepartofhighfrequencyresolutionlower,showedbettertreatmenteffectthanwaveletanalysis.Thefundamentalanditsrealizationarithmeticofthewaveletpackedanalysismethodaredescribedinthispaper.Anewapplicationapproachofthewaveletpackedmethodonthemotorfaultdiagnosisfromenergydistrib2utingangleisexpatiated.Andgiventheexperimentalmethodandtheconclusion.andanewapplicationapproachwhichisconvenientforthemicrochiptoprocessandjudgebyusingthewaveletpackedanalysismethodtomakethefuzzymotorfaultdiagnosissignalsquantizedandanalyzedisproposedinthispaper.Kindsofmotorfaultsexperimentsaresimulatedinthelabandtheexperimentsprovethatitisamoreconvenientandaccuratemotorfaultdiagnosismethodwhichisbasedonwaveletpackedenemyspectrumanalysis.

Keywords:

waveletpacked;failurediagnosis;enemyspectrum;motor

作者简介:

唐友怀（19742,讲师,主要研究方向为电力工程及其自动化、氢能发电、机电一体化等。

0　引　言

电机由正常工作到损坏是一个渐变的过程,对电机常

见故障的诊断和分析,可以及早发现故障和预防故障的进一步恶化,减少突发事故造成的损失,为实现状态检修创造条件。

电机发生故障时,故障信号中往往含有大量时变、突发性质的成分,传统的信号分析方法如傅立叶（fou2rier变换不能有效地提取出电机的故障特征。

小波及小波分析是近几年蓬勃发展起来的一种新的方法,它突破了传统傅氏变换在时域没有任何分辨率的局限,具有良好的时频分析特性,特别适合于非平稳信号的处理。

小波分析可以对指定频带和时间段的信号成分进行分析,从而在时域和空域上同时具有良好的局部化性质。

并且由于可以

对频率成分采用逐渐精细的时域或空域取样步长,因此理论上可以聚焦到信号的任何细节,被人们誉为数学显微镜[2]。

小波分析可以对信号进行有效的时频分解,但由于其尺度是按二进制变化的,所以在高频频带其频率分辨率较差,而在低频频带其时间分辨率较差,即小波分析方法是对信号的频带进行指数等间隔划分。

小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对多分辨分析没有细分到的高频部分进一步分解,并能够根据被分析信号的特征,自适应地选择相应频带,使之与信号频谱相匹配,从而提高了时—频分辨率[3]。

2008年2月　第27卷　第2期应用天地

1　小波包能量谱分析的原理

实际应用中将从电机上采集来的故障信号经过传感器、前置滤波器、A/D转换后,变成数字信号。

为了实现数字信号的小波包分解,设{Sk,k∈N}为离散序列,定义算子:

F0{Sk}（j=∑

k∈N

hk-2jSk（1

F1{Sk}（j=∑

k∈N

gk-2jSk（2设{fp（00,p∈N}为原始电机故障信号的离散序列,小波包分解的算法为[1]:

fp（2n,j+1=F0{f（n,j}（p（3fp（2n+1,j+1=F1{f（n,j}（p（4式中:

p为小波包分解各序列序列点;j为小波包分解层数。

这样,A/D采样后的离散电机故障信号通过共扼正交镜像滤波器,把离散故障信号分解到各个频段内,实现了小波包分解。

分解后,

内的信号能量进行统计分析,

量。

各个频段能量表示为:

E=

N

k=1

Sjk2（5式中:

j为倍频小波分解层数;N为采样信号数。

由于进行了3层小波包分解,以能量为元素可以构造一个特征向量。

特征向量T构造如下:

T=[E0,E1,E2,E3,E4,E5,E6,E7]（6根据电机出现故障时的能量特征,建立能量变化到电动机故障的映射关系,从而得到表征电动机故障的特征向量。

选择合适的能量特征化向量对电动机故障进行特征化,可以得到每一种电动机故障的特征向量表。

根据计算出的正常信号与故障信号能量比较;将正常信号与故障信号在不同频率段重构的能量比较,分析能量相差悬殊的频段,确定故障信号的频段位置,从而诊断出可能发生的故障类型。

2　电机故障分析及诊断

2.1　基于振动信号的故障诊断

对实验室一台小型鼠笼三相异步电动机进行振动故障测试,电机功率为750W,额定工作电压为380V,工作电流1.8A,转速为1440r/min。

电源频率为50Hz,选取采样频率3000Hz。

对电机进行测试。

（1电机故障信号的频谱分析

试验首先对原始振动信号进行检测,分别对去噪后的正常与故障信号做出其时域图形和频谱图,进行对比分析,得到电机无故障的振动时域图见图1所示,发生故障时的振动时域图见图2所示。

从时域图上看出,故障后的振幅和频率比正常情况下发生了一些变化,但是根本不能看出哪一段信号发生了变化及发生了怎么样的变化。

调用FFT程序,将故障信号进行傅里叶变换,得到信号的频谱图。

如图3所示。

在图3中可以发现故障信号有各频率成分存在。

其中以约24Hz的频率成分很强。

根据电机转子不平衡故障机理,不平衡质量在旋转时产生离心力,其值与偏心质量、偏心距及旋转角速度的平方成正比。

不平衡故障的振动特征为[4]:

振幅随转速n（rpm的增大而增大,振动频率f1与主轴旋转频率一致:

f1=n/60Hz=24Hz。

显然从频谱分析中也可看到转子不平衡故障信号中的频率成分,但是故障信号十分不明显,需要进一步分析。

应用天地2008年2月　第27卷　第2期

（2电机故障信号的小波包分解

由频谱图知不平衡故障的故障信号相对微弱,为了有

效提出微弱信号。

本系统先采用sym4小波进行默认阈值消噪处理,把干扰信号对故障特征频率的影响降到最低;并选用正则性好的db9小波对消噪后的故障信号进行三层小波包分解。

由于电机振动信号的采样频率fs=1000Hz,由奈奎斯特定理可知本例中分析频率上限为500Hz。

经过三层小波包分解后的各个频段所代表的频率范围见表1所示。

表1　三层小波包分解后各频率段频率范围

结点情况

频率/Hz结点情况频率/Hz结点[3,0]0~62.5

结点[3,4]250.0~372.5

结点[3,1]62.6~125.0结点[3,5]372.5~375.0结点[3,2]125.0~187.5结点[3,6]

375.0~437.0结点[3,3]

187.5~250.0

结点[3,7]

437.0~500.0

分别对正常和故障的小波包分解系数进行重构,可得到各个频段上的重构信号Sjk。

图4列出了其中4构图。

图4　小波包分解后各频段上的重构振动信号

从图4中看出。

结点[3,0]对应的幅值最大,其他结点相对此结点而言其幅值几乎为零,初步说明结点[3,0]对应的频段0~62.5Hz有故障频率。

电机的转速频率f=24Hz位于此频段。

（3电机故障信号的能量分析

为了更加直观地显示故障特征,把小波包分解后的故障信号进行能量统计分析,8个频带的能量形成一个八维向量。

为了更方便比较各个频带能量的大小将能量差向量进行归一化处理得到故障信号的能量特征向量

[018943010230010005010001010000010000010002010008]。

从能量特征向量看出,频带1（S30的

能量很大,说明此频段有故障,而且信号的一倍基频正好位于频带1中,参照前面介绍的电机故障特征,因此可以诊断出电机发生了转子不平衡故障。

212　基于电流信号的故障测试

对实验室一三相异步电动机进行故障测试,电机功率为4.5kW,额定工作电压为380V,电源频率为50Hz,分数绕组、极数为8极。

选取采样频率2500Hz。

对电机的气隙偏心及转子断条故障进行测试。

根据公式计算知转子断条的特征频率与电网基频非常接近[5,6]（相差2Hz~3Hz,约为47Hz。

而气隙偏心故障频率为电源频率的奇数倍,为150H