- 頭條西安交通大學科研人員提出交流變頻電機轉子斷條故障識別的新方法2022-04-14 來源：《電工技術學報》 | 點擊率：導語西安交通大學機械工程學院、西安交通大學現代設計及轉子軸承系統教育部重點實驗室、機械制造系統工程國家重點實驗室（西安交通大學）的研究人員李睿彧、劉飛、梁霖、羅愛玲、徐光華，在2021年第18期《電工技術學報》上撰文，提出一種基于變分模態分解（VMD）和Park變換的交流變頻電機早期轉子斷條故障識別方法。仿真與實驗結果表明，該方法檢測電機早期轉子斷條故障特征優于經驗模態分解（EMD）方法，并可實現故障特征頻率的早期定位，這對電機的故障辨識和預警具有重要支撐意義。
交流變頻電機是工業中應用廣泛的動力驅動部件，其運行狀態將直接影響設備運行的安全性及穩定性。轉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、隱含性強的特點，致使工業檢測中識別率較低。
盡管利用振動信號檢測電機故障已開展了眾多研究，但振動信號在強電磁干擾環境下往往成分復雜，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、非侵入式檢測的優點，能直接反映電機的內部動態機械與電氣特性。因此，西安交通大學科研人員利用電流信號檢測交流變頻電機早期轉子斷條故障作為研究的關鍵。
目前，電流信號檢測技術（Motor Current Signature Analysis, MCSA）以信號基頻及旁瓣分量為分析特征已被應用于電機故障監測中。但對于交流變頻電機來說，由于受工作特性的限制，電機在低速狀態下的轉子斷條故障初期階段，(1±2s)fs（s為轉差率，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者的重點關注。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，以提高轉子斷條故障檢測的靈敏度。在此基礎上，孫麗玲等提出一種MUSIC與模擬退火算法相結合的電機轉子斷條故障檢測方法，以實現對轉子斷條故障特征頻率幅值和相位的準確估計。T. R. J. Romero等將完全集成經驗模態分解與MUSIC算法相結合，實現了基于瞬態電流和穩態電流的轉子斷條故障的檢測。
在抑制基頻分量增強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行離散小波變換來抑制基頻分量，同時突出轉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濾波的轉子斷條故障診斷方法，同樣達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，為實現電流信號與故障信息的解耦，在電流信號解調研究方面，M. B. Abd-El-Malek等通過對電流信號進行Hilbert解調，以包絡信號標準差的波動值作為故障特征，已實現不同負載下轉子斷條故障的定量分析。趙妍等提出以譜峭度法為基礎結合Hilbert包絡解調的轉子斷條電機故障檢測新方法。目前，一些增強電流信號故障特征信息的檢測方法也在進一步完善，以上相關研究都為電機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電流信號中的故障頻率作為出發點，而弱化了電流基頻與高次諧波分量的分離。在電機故障早期，轉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，同時會給轉子斷條故障特征頻率和轉差率的計算帶來誤差。變分模態分解（Variational Mode Decomposition, VMD）通過迭代搜尋變分模型最優解來確定每個分量的頻率中心和帶寬，從而自適應地將原信號分解為預設分解個數的多個單分量信號。
因此，針對低速狀態下交流變頻電機早期轉子斷條故障在電流信號中難識別的問題，西安交通大學科研人員以電機電流信號高次諧波分量與基頻分量的分離為目標，研究基于VMD的交流變頻電機轉子斷條故障識別方法。
圖1 轉子斷條故障識別方法流程
他們通過設定VMD分解個數和初始化各模態分量的中心頻率分布，以適應交流變頻電機定子電流信號的頻率分布特性。針對懲罰參數的獲取，研究利用螢火蟲群優化算法（Firefly Algorithm, FA）實現對懲罰參數的尋優，以增強VMD對電流信號的自適應分解能力。并在此基礎上，結合Park變換，利用電流信號相位關系實現轉子斷條故障調制頻率的提取，以避免MCSA分析中基頻譜泄漏對旁瓣分量的影響，實現交流變頻電機在低速狀態下轉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的交流變頻電機早期轉子斷條故障的檢測能力。他們的理論和實驗表明：
1）基于交流變頻電機定子電流信號自身特點和FA尋優算法可以有效設定VMD分解參數，提高了VMD的分解效率，進一步強化了其針對電流信號的自適應分解能力。
2）通過VMD分解可以實現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生的轉差率和故障特征頻率估計誤差問題。并通過與EMD方法進行對比驗證了本方法分解電流信號的準確性。
3）在此基礎上綜合利用定子三相電流間的相位關系并基于Park變換成功在低頻段檢測到轉子斷條故障特征調制頻率，從而避免了傳統MCSA分析時基頻譜泄漏的影響，實現了轉子斷條故障特征頻率的早期定位。
本文編自2021年第18期《電工技術學報》，論文標題為“基于參數優化變分模態分解的交流變頻電機轉子斷條故障識別方法”，作者為李睿彧、劉飛 等。
