05基于小波包能量谱分析的电机故障诊断要点.docx

1、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

2、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 :AB ased on w avelet p acked energy motor fau lt diagnosisHaitao L uo Shan Jiang Zhe(College of Engineering Corps , Nanjing 210007Abstract :The wavelet packed is presented as a new kind of multisc

3、ale analysis technique followed Wavelet analysis. it re 2solved t he wavelet analysis disadvantage on t he part of high frequency resolution lower , showed better treat ment effect t han wavelet analysis. The f undamental and it s realization arit hmetic of t he wavelet packed analysis met hod are d

4、escribed in t his paper. A new application approach of t he wavelet packed met hod on t he motor fault diagnosis from energy distrib 2uting angle is expatiated. And given t he experimental met hod and t he conclusion. and a new application approach which is convenient for t he microchip to process a

5、nd judge by using t he wavelet packed analysis met hod to make the f uzzy motor fault diagnosis signals quantized and analyzed is proposed in t his paper. K inds of motor fault s experiment s are simulated in t he lab and t he experiment s prove t hat it is a more convenient and accurate motor fault

6、 diagnosis met hod which is based on wavelet packed enemy spectrum analysis.K eyw ords :wavelet packed ;failure diagnosis ;enemy spectrum ;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

7、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 (fou 2rier 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

8、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 ,

9、 设 S k , k N 为离散序列 , 定义算子 :F 0S k (j =k Nh k-2j S k (1F 1S k (j =k Ng k-2j S k (2 设 f p (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:f p (2n , j +1 =F 0f (n , j (p (3 f p (2n +1, j +1 =F 1f (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

10、的信号能量进行统计分析 ,量。 各个频段能量表示为 :E =Nk =1S jk 2(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 =E 0, E 1, E 2, E 3, E 4, E 5, E 6, E 7(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

11、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

12、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 f 1与主轴旋转频率一致 :

13、f 1=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 f s =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

14、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 3,0062. 5结点 3,4250. 0372. 5结点 3,162. 6125. 0结点 3,5372. 5375. 0结点 3,2125. 0187. 5结点 3,6375. 0437. 0结点 3,3187. 5250. 0结点 3,7437. 0500. 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 S jk 。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

15、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 062. 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