久久88香港三级台湾三级中文-久久91-久久91精品国产91久-久久91精品国产91久久-久久91精品国产91久久户

交流變頻電機(jī)是工業(yè)中應(yīng)用廣泛的動力驅(qū)動部件，其運(yùn)行狀態(tài)將直接影響設(shè)備運(yùn)行的安全性及穩(wěn)定性。轉(zhuǎn)子斷條作為最常見的故障形式，在早期故障檢測中具有識別難、隱含性強(qiáng)的特點，致使工業(yè)檢測中識別率較低。

盡管利用振動信號檢測電機(jī)故障已開展了眾多研究，但振動信號在強(qiáng)電磁干擾環(huán)境下往往成分復(fù)雜，早期故障特征信息易被噪聲等不相干成分淹沒。而電流信號具有信噪比高、非侵入式檢測的優(yōu)點，能直接反映電機(jī)的內(nèi)部動態(tài)機(jī)械與電氣特性。因此，西安交通大學(xué)科研人員利用電流信號檢測交流變頻電機(jī)早期轉(zhuǎn)子斷條故障作為研究的關(guān)鍵。

目前，電流信號檢測技術(shù)（Motor Current Signature Analysis, MCSA）以信號基頻及旁瓣分量為分析特征已被應(yīng)用于電機(jī)故障監(jiān)測中。但對于交流變頻電機(jī)來說，由于受工作特性的限制，電機(jī)在低速狀態(tài)下的轉(zhuǎn)子斷條故障初期階段，(1±2s)fs（s為轉(zhuǎn)差率，fs為電流基頻）特征頻率分量相對微弱，且s和fs較低，導(dǎo)致特征頻率旁瓣分量容易與基頻混疊，難以識別。

這一問題已引起一些學(xué)者的重點關(guān)注。就提高電流信號頻譜分辨率研究方面，G. Singh等利用多重信號分類（Multiple Signal Classification, MUSIC）算法來提高電流二次方偽譜的分辨率，以提高轉(zhuǎn)子斷條故障檢測的靈敏度。在此基礎(chǔ)上，孫麗玲等提出一種MUSIC與模擬退火算法相結(jié)合的電機(jī)轉(zhuǎn)子斷條故障檢測方法，以實現(xiàn)對轉(zhuǎn)子斷條故障特征頻率幅值和相位的準(zhǔn)確估計。T. R. J. Romero等將完全集成經(jīng)驗?zāi)B(tài)分解與MUSIC算法相結(jié)合，實現(xiàn)了基于瞬態(tài)電流和穩(wěn)態(tài)電流的轉(zhuǎn)子斷條故障的檢測。

在抑制基頻分量增強(qiáng)故障頻率特征研究方面，賈朱植等通過對定子三相電流Park矢量模二次方信號進(jìn)行離散小波變換來抑制基頻分量，同時突出轉(zhuǎn)子斷條故障特征信息。劉新正等提出基于最小方均誤差自適應(yīng)濾波的轉(zhuǎn)子斷條故障診斷方法，同樣達(dá)到了濾除電流信號基頻分量，突出故障特征信息的目的。

另外，為實現(xiàn)電流信號與故障信息的解耦，在電流信號解調(diào)研究方面，M. B. Abd-El-Malek等通過對電流信號進(jìn)行Hilbert解調(diào)，以包絡(luò)信號標(biāo)準(zhǔn)差的波動值作為故障特征，已實現(xiàn)不同負(fù)載下轉(zhuǎn)子斷條故障的定量分析。趙妍等提出以譜峭度法為基礎(chǔ)結(jié)合Hilbert包絡(luò)解調(diào)的轉(zhuǎn)子斷條電機(jī)故障檢測新方法。目前，一些增強(qiáng)電流信號故障特征信息的檢測方法也在進(jìn)一步完善，以上相關(guān)研究都為電機(jī)故障診斷方法提供了良好的理論借鑒。

但是，上述研究中多以提取與增強(qiáng)電流信號中的故障頻率作為出發(fā)點，而弱化了電流基頻與高次諧波分量的分離。在電機(jī)故障早期，轉(zhuǎn)差率低容易造成高次諧波分量與基頻混疊，致使頻譜分辨率低、故障難以識別，同時會給轉(zhuǎn)子斷條故障特征頻率和轉(zhuǎn)差率的計算帶來誤差。變分模態(tài)分解（Variational Mode Decomposition, VMD）通過迭代搜尋變分模型最優(yōu)解來確定每個分量的頻率中心和帶寬，從而自適應(yīng)地將原信號分解為預(yù)設(shè)分解個數(shù)的多個單分量信號。

因此，針對低速狀態(tài)下交流變頻電機(jī)早期轉(zhuǎn)子斷條故障在電流信號中難識別的問題，西安交通大學(xué)科研人員以電機(jī)電流信號高次諧波分量與基頻分量的分離為目標(biāo)，研究基于VMD的交流變頻電機(jī)轉(zhuǎn)子斷條故障識別方法。

圖1 轉(zhuǎn)子斷條故障識別方法流程

他們通過設(shè)定VMD分解個數(shù)和初始化各模態(tài)分量的中心頻率分布，以適應(yīng)交流變頻電機(jī)定子電流信號的頻率分布特性。針對懲罰參數(shù)的獲取，研究利用螢火蟲群優(yōu)化算法（Firefly Algorithm, FA）實現(xiàn)對懲罰參數(shù)的尋優(yōu)，以增強(qiáng)VMD對電流信號的自適應(yīng)分解能力。并在此基礎(chǔ)上，結(jié)合Park變換，利用電流信號相位關(guān)系實現(xiàn)轉(zhuǎn)子斷條故障調(diào)制頻率的提取，以避免MCSA分析中基頻譜泄漏對旁瓣分量的影響，實現(xiàn)交流變頻電機(jī)在低速狀態(tài)下轉(zhuǎn)子斷條早期故障的識別。

圖2 實驗測試平臺

科研人員指出，本研究成果將有助于提高以電流信號為基礎(chǔ)的交流變頻電機(jī)早期轉(zhuǎn)子斷條故障的檢測能力。他們的理論和實驗表明：

1）基于交流變頻電機(jī)定子電流信號自身特點和FA尋優(yōu)算法可以有效設(shè)定VMD分解參數(shù)，提高了VMD的分解效率，進(jìn)一步強(qiáng)化了其針對電流信號的自適應(yīng)分解能力。

2）通過VMD分解可以實現(xiàn)電流基頻分量與其高次諧波分量的分離，從而避免高次諧波干擾產(chǎn)生的轉(zhuǎn)差率和故障特征頻率估計誤差問題。并通過與EMD方法進(jìn)行對比驗證了本方法分解電流信號的準(zhǔn)確性。

3）在此基礎(chǔ)上綜合利用定子三相電流間的相位關(guān)系并基于Park變換成功在低頻段檢測到轉(zhuǎn)子斷條故障特征調(diào)制頻率，從而避免了傳統(tǒng)MCSA分析時基頻譜泄漏的影響，實現(xiàn)了轉(zhuǎn)子斷條故障特征頻率的早期定位。

本文編自2021年第18期《電工技術(shù)學(xué)報》，論文標(biāo)題為“基于參數(shù)優(yōu)化變分模態(tài)分解的交流變頻電機(jī)轉(zhuǎn)子斷條故障識別方法”，作者為李睿彧、劉飛 等。