基于PSO_SVM模型的感應(yīng)電機(jī)故障診斷研究

1、 PAGE64 / NUMPAGES72學(xué) 位 論 文基于PSO-SVM模型的感應(yīng)電機(jī)故障診斷應(yīng)用申專(zhuān)業(yè)名稱(chēng)：控制工程論文題目：PSO-SVM模型在感應(yīng)電機(jī)故障診斷中的應(yīng)用摘 要感應(yīng)電動(dòng)機(jī)能夠適應(yīng)各種復(fù)雜的工作環(huán)境因而在工業(yè)、農(nóng)業(yè)、科學(xué)技術(shù)現(xiàn)代化和國(guó)防中得到了廣泛的應(yīng)用。它是一種覆蓋面最廣、使用量最大的電動(dòng)機(jī)。感應(yīng)電動(dòng)機(jī)的正常運(yùn)行，可以保證生產(chǎn)過(guò)程中的高效，安全，快捷，電動(dòng)機(jī)發(fā)生故障不僅會(huì)導(dǎo)致生產(chǎn)設(shè)備的毀壞，影響生產(chǎn)的進(jìn)行，甚至停產(chǎn)，還會(huì)危與工人的人身安全，造成巨大的經(jīng)濟(jì)損失，因此對(duì)電動(dòng)機(jī)進(jìn)行故障檢測(cè)，特別是早期故障檢測(cè)，是很有必要的。目前很多故障診斷技術(shù)的主觀性較強(qiáng)，研究一種能以客觀的方式進(jìn)

2、行故障診斷的技術(shù)勢(shì)在必行；智能診斷技術(shù)十分符合現(xiàn)實(shí)的需要，其強(qiáng)大的自我學(xué)習(xí)能力能客觀的發(fā)掘歷史數(shù)據(jù)中的潛在故障規(guī)則，能更好的指導(dǎo)故障定位與檢修。本文主要以智能診斷技術(shù)為研究方向，分析傳統(tǒng)的智能診斷技術(shù)的研究現(xiàn)狀以與存在缺陷，提出了基于支持向量機(jī)理論的故障診斷技術(shù)方法。支持向量機(jī)(Support Vector Machine,SVM)具有嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)以與良好的泛化能力，在處理小樣本事件中能保證很高的準(zhǔn)確率，它在處理許多工程實(shí)際問(wèn)題方面獲得了成功的應(yīng)用，本文試著將一種改進(jìn)的支持向量機(jī)模型引入電機(jī)故障診斷中，主要容如下：1. 分析了軸承和轉(zhuǎn)子斷條兩種故障的特征機(jī)理，給出了兩種故障特征頻率的計(jì)算公式

3、，并對(duì)目前常用的故障診斷方法進(jìn)行了分析和總結(jié)。2. 研究了統(tǒng)計(jì)分析方法、模糊系統(tǒng)以與神經(jīng)網(wǎng)絡(luò)等的故障診斷方法。這些傳統(tǒng)的方法都是在樣本數(shù)目足夠大的前提下進(jìn)行故障診斷的，模糊系統(tǒng)缺乏自學(xué)習(xí)能力，隸屬度函數(shù)和模糊規(guī)則的選取帶有一定的主觀性且依賴(lài)于專(zhuān)家；神經(jīng)網(wǎng)絡(luò)易陷入局部極小值、學(xué)習(xí)能力差、隱含層節(jié)點(diǎn)數(shù)難以確定，嚴(yán)重影響了故障診斷的準(zhǔn)確率。針對(duì)以上缺點(diǎn)，提出了基于PSO-SVM模型的故障診斷方法，此改進(jìn)的支持向量機(jī)模型不僅克服了以上缺點(diǎn)，而且采用PSO算法對(duì)SVM模型的參數(shù)進(jìn)行優(yōu)化，使得故障診斷結(jié)果更加準(zhǔn)確。3. 結(jié)合強(qiáng)大的MATLAB語(yǔ)言系統(tǒng)與工具箱，運(yùn)用故障樣本數(shù)據(jù)對(duì)PSO-SVM模型進(jìn)行訓(xùn)練，

4、通過(guò)測(cè)試樣本驗(yàn)證訓(xùn)練結(jié)果，并與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比證明其模型具有更高的準(zhǔn)確性與實(shí)用性。關(guān)鍵詞： 感應(yīng)電機(jī) 故障診斷 支持向量機(jī) 粒子群ABSTRACTInduction motor can adapt to all kinds of complicated work environment.Therefore,theyhave been widely used in industry,agriculture,science,technology and national defensemodernization.It is a kind of coverage broadest and usage

5、 of the biggest motor.Inductionmotor can guarantee the normal operation of the process of production efficiency,safety,promptness.Motor failure will not only lead to the destruction of production facilities,affecting the conduct of production,or even stop production,but also endanger the safety ofwo

6、rkers,resulting in huge economic losses.So the motor fault detection,especially in earlyfault detection,it is very necessary.Currently, there are very strong subjective on some fault diagnosis technology, it is necessary to study a way can be an objective fault diagnosis;Intelligent diagnosis techno

7、logy is in line with real needs, it can objectively identify the potential failure of historical data rules by powerful self-learning ability, to better guide the fault location and repair.This paper, the intelligent diagnosis technology as the main research direction, analysis the status and defici

8、encies of traditional intelligent diagnosis technology, proposed fault diagnosis method based on support vector machine theory.SVMhas a rigorous theoretical basis and good generalization ability，can guarantee a high accuracy rate in dealing with small sample case, which it has been successful applic

9、ations in dealing with many practical engineering problems. This essay will be an improved support vector machine model into the motor fault diagnosis; the main contents are as follows:1The fundamental rules or principle of the detecting bearing fault and rotor broken isanalyzed.The fault mechanism

10、of the two faults is discussed by using the fault frequencycharacteristics analysis.The existing fault detection and diagnosis methods are further studiedin this paper.2Study of fault diagnosis methods, such as statistical analysis, fuzzy systems and neural networks.These traditional methods must be

11、 large enough sample size as a prerequisite for fault diagnosis,Lack of self-learning fuzzy systems, membership functions and fuzzy rules with a certain degree of subjectivity and the selection depends on the experts;Neural networks easy to fall into local minima, poor learning ability, hidden nodes

12、 is difficult to be determined, seriously affecting the accuracy of fault diagnosis. To solve the above shortcomings, proposed PSO-SVM model based fault diagnosis method, the improved support vector machine model not only to overcome the above disadvantages, and the use of PSO algorithm to optimize

13、the SVM model parameters, making the results more accurate diagnosis.3Combined with powerful MATLAB language system and toolbox, the use of fault sample data, PSO-SVM model is trained. Itis verified that there is more proof accuracy and usefulnessby testing samples and compared with the traditional

14、neural network model.目 錄TOC o 1-2 h z uHYPERLINK l _Toc2915951681 緒論 PAGEREF _Toc291595168 h 1HYPERLINK l _Toc2915951691.1 課題研究背景 PAGEREF _Toc291595169 h 1HYPERLINK l _Toc2915951701.2智能故障診斷算法的研究狀況 PAGEREF _Toc291595170 h 2HYPERLINK l _Toc2915951711.3主要研究方法與研究容 PAGEREF _Toc291595171 h 3HYPERLINK l _T

15、oc2915951722 設(shè)備故障診斷理論5HYPERLINK l _Toc2915951732.1 設(shè)備故障診斷的定義與意義5HYPERLINK l _Toc2915951742.2故障診斷技術(shù)的發(fā)展現(xiàn)狀5HYPERLINK l _Toc2915951752.3 設(shè)備故障診斷的方法分類(lèi)8HYPERLINK l _Toc2915951762.4感應(yīng)電動(dòng)機(jī)常見(jiàn)故障研究9HYPERLINK l _Toc2915951772.5感應(yīng)電機(jī)常見(jiàn)故障診斷技術(shù)研究 PAGEREF _Toc291595177 h 13HYPERLINK l _Toc2915951783 感應(yīng)電動(dòng)機(jī)故障機(jī)理分析 PAGEREF

16、 _Toc291595178 h 18HYPERLINK l _Toc2915951793.1轉(zhuǎn)子斷條故障特征機(jī)理分析 PAGEREF _Toc291595179 h 18HYPERLINK l _Toc2915951803.2感應(yīng)電動(dòng)機(jī)軸承故障機(jī)理分析 PAGEREF _Toc291595180 h 25HYPERLINK l _Toc2915951814 PSO-SVM模型理論知識(shí) PAGEREF _Toc291595181 h 36HYPERLINK l _Toc2915951824.1粒子群優(yōu)化算法原理 PAGEREF _Toc291595182 h 36HYPERLINK l _To

17、c2915951834.2 支持向量機(jī)原理 PAGEREF _Toc291595183 h 38HYPERLINK l _Toc2915951845 基于PSO-SVM模型的感應(yīng)電機(jī)故障診斷系統(tǒng) PAGEREF _Toc291595184 h 50HYPERLINK l _Toc2915951855.1感應(yīng)電機(jī)故障診斷系統(tǒng)模型的選取 PAGEREF _Toc291595185 h 50HYPERLINK l _Toc2915951865.2 感應(yīng)電機(jī)故障診斷系統(tǒng)開(kāi)發(fā) PAGEREF _Toc291595186 h 50HYPERLINK l _Toc2915951875.3基于PSO-SVM模

18、型的感應(yīng)電機(jī)故障診斷實(shí)例分析 PAGEREF _Toc291595187 h 52HYPERLINK l _Toc2915951886 總結(jié) PAGEREF _Toc291595188 h 59HYPERLINK l _Toc291595189致60HYPERLINK l _Toc291595190參考文獻(xiàn) PAGEREF _Toc291595190 h 61ContentsIntroduction11.1 Raising of Project1 1.2 The Study Situation about Intelligent Fault Diagnosis Algorithm2 1.3 R

19、esearch Contents and Methods 3Fault Diagnosis Theory52.1Definition and Significance of Fault Diagnosis52.2 Development ofFault Diagnosis Technology5 2.3 Classification Method ofFault Diagnosis8 2.4 Common Faults Of Induction Motor92.5 Common Fault Diagnosis Technology of Induction Motor13Mechanical

20、Study of Induction Motor Fault183.1 Characteristics MechanismStudy ofRotor Fault18 3.2 Mechanism Study ofInduction MotorBearing Fault25Knowledge Theory of PSO-SVM Model364.1 Principle ofParticle Swarm Optimization364.2 Support Vector Machine38Fault Diagnosis Systemof InductionMotor Based onPSO-SVMMo

21、del 50 5.1 The Fault Diagnosis System Selection Of Induction Motor Model 50 5.2 System Develop On Induction Motor Fault Diagnosis50 5.3 Example Study of Induction MotorFaultDiagnosis Based on PSO-SVMModel52Main Research Result and Conclusion 59Thanks60Main Reference Documents611 緒論1.1 課題研究背景在生產(chǎn)技術(shù)不斷革

22、新的社會(huì)大背景下，現(xiàn)代機(jī)械設(shè)備的技術(shù)水平與復(fù)雜程度都在不斷提高，工業(yè)生產(chǎn)中的回轉(zhuǎn)機(jī)械設(shè)備為滿(mǎn)足社會(huì)生產(chǎn)的需要，必須朝高速化、大型化、精密化的方向發(fā)展，隨著機(jī)械性能的不斷提高，工業(yè)企業(yè)的生產(chǎn)效率與自動(dòng)化程度也隨之改善；同時(shí)，機(jī)械設(shè)備還朝一體化、集成化發(fā)展，使得企業(yè)機(jī)械設(shè)備整體結(jié)構(gòu)趨于復(fù)雜，其中的某一部分出現(xiàn)了故障，會(huì)使企業(yè)產(chǎn)品的質(zhì)量受到影響，可能使整個(gè)生產(chǎn)線(xiàn)癱瘓，也可能導(dǎo)致嚴(yán)重的生產(chǎn)安全事故，讓企業(yè)蒙受巨大的經(jīng)濟(jì)損失。過(guò)去的幾十年里，由于機(jī)械設(shè)備故障導(dǎo)致嚴(yán)重后果的屢見(jiàn)不鮮。1979年3月著名的美國(guó)三里島核泄漏事件，由于錯(cuò)誤的機(jī)械設(shè)備檢測(cè)與診斷，導(dǎo)致核反應(yīng)堆堆芯嚴(yán)重?fù)p壞，使得放射性物質(zhì)泄漏，造成了

23、不可估量的經(jīng)濟(jì)損失;1984年美國(guó)在印度的一家碳化物公司農(nóng)藥廠(chǎng)由于未與時(shí)發(fā)現(xiàn)故障，導(dǎo)致毒氣泄漏造成30多萬(wàn)人3000多人死亡;1986年美國(guó)的挑戰(zhàn)者號(hào)航天飛機(jī)在升空后不久突然爆炸，機(jī)毀人亡，正是由于沒(méi)有準(zhǔn)確的火箭故障檢測(cè)系統(tǒng)，造成12億美元的損失;1986年前聯(lián)切爾諾貝利核電站發(fā)生爆炸，放射性物質(zhì)大量泄漏，使2000多人喪命，數(shù)萬(wàn)人口緊急轉(zhuǎn)移，直接經(jīng)濟(jì)損失達(dá)30億美元。在我國(guó)由于機(jī)械故障產(chǎn)生的事故也很多，80年代初棲霞山化肥廠(chǎng)機(jī)組轉(zhuǎn)子斷裂，1985年鎮(zhèn)海石化總廠(chǎng)機(jī)組轉(zhuǎn)子毀壞，這兩事故各造成經(jīng)濟(jì)損失多達(dá)1000萬(wàn)；之后1985嶺電廠(chǎng)、1988年電廠(chǎng)的發(fā)電機(jī)組先后發(fā)生故障，造成2億元的經(jīng)濟(jì)損失，如

24、此多的經(jīng)濟(jì)損失以與人員傷亡，迫使企業(yè)必須進(jìn)行大量的故障診斷研究，大力發(fā)展故障診斷技術(shù)?？梢詮膰?guó)外一些研究數(shù)據(jù)看出，企業(yè)實(shí)施有效的故障診斷技術(shù)已取得了非常好的經(jīng)濟(jì)效益:據(jù)日本的統(tǒng)計(jì)數(shù)據(jù)，日本企業(yè)在普與故障診斷技術(shù)之后，機(jī)械故障事故率降低了75%，維修成本減少了約50%;歐美國(guó)家3000多個(gè)大型企業(yè)自從采用故障診斷技術(shù)之后，每年可以減少5億美元的維修費(fèi)用開(kāi)支，而總共用于機(jī)械故障診斷的費(fèi)用只有5000多萬(wàn);在我國(guó)，據(jù)專(zhuān)家分析若是大力推廣機(jī)械故障診斷技術(shù)，鋼鐵行業(yè)每年用于機(jī)械設(shè)備維修的費(fèi)用可以從250億元降到約170億，每年的事故率也可以降低50%，可見(jiàn)故障診斷技術(shù)的研究不容忽視，對(duì)企業(yè)與國(guó)家的發(fā)展具

25、有重要的意義。雖然近年來(lái)機(jī)械故障診斷技術(shù)得到了很大的發(fā)展，但如何提高診斷的準(zhǔn)確率還是值得進(jìn)一步研究的；比如大量的計(jì)算機(jī)智能診斷系統(tǒng)的出現(xiàn)，給工業(yè)企業(yè)機(jī)械故障診斷提供了新的解決途徑，但是一些智能診斷由于自身的缺陷，無(wú)法保證較好的準(zhǔn)確率。所謂機(jī)械故障診斷，是指通過(guò)各種各樣的監(jiān)測(cè)手段，從各種信息提取中判斷機(jī)械設(shè)備的運(yùn)行現(xiàn)狀，發(fā)現(xiàn)故障、分析原因、進(jìn)行維修；還有的診斷技術(shù)是在未發(fā)生故障之前，根據(jù)收集的機(jī)械設(shè)備信息預(yù)測(cè)可能發(fā)生的故障，讓企業(yè)提前采取措施，從而達(dá)到避免事故發(fā)生的效果。設(shè)備故障診斷技術(shù)的目的與意義主要表現(xiàn)在有效保護(hù)機(jī)械設(shè)備以增加其運(yùn)行時(shí)間，減少維修成本與維修時(shí)間，同時(shí)最大限度的降低機(jī)械故障事故

26、的發(fā)生率?？傮w來(lái)說(shuō)，不管從經(jīng)濟(jì)利益的角度出發(fā)，還是從防止安全隱患的角度出發(fā)，低成本、高準(zhǔn)確率的故障診斷系統(tǒng)都具有非常重要的研究意義。1.2 智能故障診斷算法的研究狀況近年來(lái)，智能算法模型在解決電氣工程領(lǐng)域的許多實(shí)際問(wèn)題中發(fā)揮了巨大的作用，催生出關(guān)于電氣工程領(lǐng)域的新技術(shù)，如智能故障診斷技術(shù)、智能故障預(yù)測(cè)技術(shù)等。文獻(xiàn)1中提出了運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)拖拉機(jī)變速箱齒輪和軸承故障進(jìn)行診斷。文獻(xiàn)2將波神經(jīng)網(wǎng)絡(luò)并應(yīng)用于故障診斷實(shí)例中，從而避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)收斂速度慢的缺點(diǎn)，并有效的改善了網(wǎng)絡(luò)的自學(xué)習(xí)性能。文獻(xiàn)3提出灰色馬爾柯夫故障預(yù)測(cè)模型，用GM(1,1)預(yù)測(cè)曲線(xiàn)來(lái)找出故障宏觀波動(dòng)的規(guī)律,在此基礎(chǔ)上將其劃分

27、若干個(gè)動(dòng)態(tài)的狀態(tài),再用Markov轉(zhuǎn)移概率來(lái)分析各個(gè)狀態(tài)量的微觀波動(dòng)規(guī)律，并將其模型應(yīng)用于軸承故障的預(yù)測(cè)，得到了很好的效果。文獻(xiàn)4在對(duì)軸承故障的診斷中,先對(duì)一組較為完整的故障特征數(shù)據(jù)進(jìn)行聚類(lèi),獲得幾類(lèi)典型樣本模式,對(duì)于測(cè)試數(shù)據(jù)采取求隸屬度的方法將其劃到哪類(lèi)故障模式下。隨著電氣設(shè)備的結(jié)構(gòu)日趨復(fù)雜，其故障特征數(shù)據(jù)也呈現(xiàn)出復(fù)雜性，又由于傳統(tǒng)的智能診斷技術(shù)存在著缺點(diǎn)；如專(zhuān)家系統(tǒng)缺乏自學(xué)習(xí)、自組織的能力，同時(shí)還存在著知識(shí)獲取瓶頸問(wèn)題，神經(jīng)網(wǎng)絡(luò)存在泛化能力弱，容易陷入局部極小值，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)難以確定等缺點(diǎn)。支持向量機(jī)是解決小樣本事件的最優(yōu)方法之一，克服了神經(jīng)網(wǎng)絡(luò)收斂速度慢，局部最小，過(guò)學(xué)習(xí)、欠學(xué)習(xí)以與需要

28、大量故障樣本數(shù)據(jù)等不足，為電氣設(shè)備的智能故障診斷開(kāi)辟了一條新路徑。文獻(xiàn)5結(jié)合支持向量機(jī)理論,建立了SVM故障診斷模型,通過(guò)實(shí)例驗(yàn)證了SVM模型所需樣本少，并與BP網(wǎng)絡(luò)進(jìn)行對(duì)比，其診斷結(jié)果明顯優(yōu)于BP網(wǎng)絡(luò)。文獻(xiàn)6研究了基于支持向量機(jī)的液壓泵的故障診斷,重點(diǎn)對(duì)核函數(shù)的選取進(jìn)行了討論，試驗(yàn)分析的結(jié)果表明,采用不同的核函數(shù)其診斷結(jié)果存在差異。支持向量機(jī)模型中常見(jiàn)的參數(shù)選擇方法是網(wǎng)格搜索法，粒子群搜索是一種智能全局搜索算法，與網(wǎng)格搜索法相比較，能夠在更大的參數(shù)空間用較少的搜索次數(shù)尋找出更優(yōu)的結(jié)果。關(guān)于粒子群與支持向量機(jī)的結(jié)合在故障診斷領(lǐng)域已經(jīng)取得很好的效果，文獻(xiàn)7將PSO算法和LS-SVM相結(jié)合,提出了

29、基于粒子群支持向量機(jī)的故障診斷方法,其方法可以對(duì)參數(shù)進(jìn)行快速動(dòng)態(tài)選取, 實(shí)驗(yàn)表明該方法提高故障診斷的準(zhǔn)確率和效率。1.3主要研究方法與研究容1.3.1主要研究方法(1) 文獻(xiàn)閱讀法。本文參考了大量的相關(guān)文獻(xiàn)，對(duì)前人關(guān)于故障診斷的研究成果以與電機(jī)故障理論進(jìn)行了認(rèn)真學(xué)習(xí)。(2) 系統(tǒng)分析法。在總結(jié)相關(guān)研究成果的基礎(chǔ)上，對(duì)感應(yīng)電機(jī)系統(tǒng)的電氣故障和機(jī)械故障進(jìn)行系統(tǒng)的分析，之后提出了感應(yīng)電機(jī)故障的綜合診斷方法。(3) 定量分析法。采用PSO-SVM數(shù)學(xué)模型對(duì)感應(yīng)電機(jī)故障進(jìn)行精確診斷。(4) 實(shí)證分析法。本文在最后一章擬采用實(shí)例，對(duì)以上數(shù)學(xué)模型進(jìn)行驗(yàn)證，證明其科學(xué)可行性。1.3.2主要研究容綜上所述，本論

30、文采用粒子群-支持向量機(jī)模型來(lái)實(shí)現(xiàn)對(duì)感應(yīng)電動(dòng)機(jī)故障診斷研究。在各類(lèi)電機(jī)中，根據(jù)使用的廣泛性，本文側(cè)重于對(duì)三相鼠籠型感應(yīng)電動(dòng)機(jī)進(jìn)行分析。為此，本文所做的主要工作如下：(1) 對(duì)Y132S4 型感應(yīng)電動(dòng)機(jī)系統(tǒng)的電氣故障和機(jī)械故障進(jìn)行分析，指出其基于電流法的故障特征；(2) 根據(jù)所指出的故障特征，提出粒子群-支持向量機(jī)識(shí)別方法來(lái)實(shí)現(xiàn)對(duì)感應(yīng)電動(dòng)機(jī)的電氣故障和機(jī)械故障的綜合診斷；(3) 利用Matlab軟件對(duì)所提出的診斷方法進(jìn)行仿真，驗(yàn)證算法的有效性。根據(jù)上述容，本論文的安排如下：第二章：對(duì)設(shè)備故障診斷的定義、分類(lèi)、特點(diǎn)、技術(shù)方法以與感應(yīng)電動(dòng)機(jī)故障診斷的常用技術(shù)與特點(diǎn)進(jìn)行詳細(xì)描述。第三章：對(duì)Y132S4

31、 型感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子斷條故障、軸承故障的機(jī)理以與特征頻率進(jìn)行分析，得到兩種狀態(tài)下的故障特征。第四章：根據(jù)支持向量機(jī)分類(lèi)方法以與粒子群優(yōu)化算法的特征與優(yōu)點(diǎn)，詳細(xì)對(duì)兩種算法的理論知識(shí)進(jìn)行分析與研究，提出了基于PSO-SVM模型的感應(yīng)電機(jī)故障診斷方法，以滿(mǎn)足感應(yīng)電動(dòng)機(jī)的綜合故障診斷要求。第五章：基于Matlab軟件，運(yùn)用感應(yīng)電機(jī)正常狀態(tài)、轉(zhuǎn)子斷條故障、軸承故障三種狀態(tài)下真實(shí)特征數(shù)據(jù)對(duì)所提出的診斷模型進(jìn)行訓(xùn)練與測(cè)試，驗(yàn)證其可行性。2設(shè)備故障診斷理論2.1 設(shè)備故障診斷的定義與意義故障診斷這一名詞起源于仿生學(xué)領(lǐng)域，故障診斷中的“故障”兩字是指機(jī)械設(shè)備的一個(gè)特征參數(shù)出現(xiàn)了比較大的反差或偏差，導(dǎo)致設(shè)備的性能或

32、者生產(chǎn)出來(lái)的產(chǎn)品性能低于正常水平；“診”字是指通過(guò)物理的、化學(xué)的方法對(duì)設(shè)備進(jìn)行測(cè)量、檢查與分析；“斷”則是通過(guò)某種手段分析設(shè)備故障的特征數(shù)據(jù)，確定故障的部位、類(lèi)別、性質(zhì)等。設(shè)備故障診斷的基本原理是根據(jù)檢測(cè)機(jī)電設(shè)備運(yùn)行中產(chǎn)生的各種類(lèi)別的信號(hào)，來(lái)判斷設(shè)備的運(yùn)行狀態(tài)是否正常，其基本理念是在不進(jìn)行設(shè)備拆卸的情況下，對(duì)正在運(yùn)行機(jī)械設(shè)備的某種參數(shù)進(jìn)行檢測(cè)分析，找出故障原因以與故障部位，或者對(duì)機(jī)械設(shè)備的未來(lái)狀態(tài)進(jìn)行提前預(yù)測(cè)。現(xiàn)代工業(yè)生產(chǎn)中設(shè)備系統(tǒng)結(jié)構(gòu)日趨復(fù)雜，并且在高負(fù)荷、大功率的條件下連續(xù)運(yùn)轉(zhuǎn)，隨時(shí)間的推移和設(shè)備部、外部條件的變化下，生產(chǎn)設(shè)備系統(tǒng)在工作中會(huì)不可避免地發(fā)生一些故障。這些故障發(fā)生時(shí)，輕則使設(shè)備

33、性能降低，縮短使用年限，重則毀壞設(shè)備系統(tǒng)，停機(jī)停產(chǎn)，造成嚴(yán)重的經(jīng)濟(jì)損失和人員傷亡，同時(shí)對(duì)于社會(huì)的和諧也會(huì)產(chǎn)生不利的影響。如何與時(shí)、準(zhǔn)確地發(fā)現(xiàn)故障，在必要時(shí)預(yù)測(cè)故障，保證設(shè)備系統(tǒng)在工作期間始終能保持高效、安全、可靠地運(yùn)轉(zhuǎn)，故障診斷技術(shù)在提高設(shè)備運(yùn)行的安全性和高效性方面發(fā)揮了極其重要的作用。2.2故障診斷技術(shù)的發(fā)展現(xiàn)狀2.2.1故障診斷技術(shù)的發(fā)展歷程故障診斷技術(shù)的發(fā)展是與設(shè)備系統(tǒng)的維修方式緊密相連的。一般來(lái)說(shuō)，按照測(cè)試手段，我們可將故障診斷技術(shù)分為六個(gè)階段，分別為感官診斷、簡(jiǎn)易診斷、綜合診斷、在線(xiàn)監(jiān)測(cè)、精密診斷和遠(yuǎn)程監(jiān)測(cè)。概括起來(lái)故障診斷技術(shù)的發(fā)展大體經(jīng)歷了三個(gè)大的階段：階段一：感官診斷，這是故障

34、診斷的初始階段。在20世紀(jì)60年代以前，各國(guó)往往采用事后維修(不壞不修)和定期維修，所定的維修時(shí)間間隔難以掌握，經(jīng)常發(fā)生過(guò)度維修和突發(fā)停機(jī)(沒(méi)到維修期設(shè)備已發(fā)生故障)的事故。鑒于這些弊端，美國(guó)軍方在20世紀(jì)60年代首先提出了預(yù)知維修，具體做法是定期檢查，視情(視狀態(tài))維修。由于這種主動(dòng)維修的方式具有很多優(yōu)點(diǎn)，在許多國(guó)家和其他行業(yè)得到應(yīng)用，設(shè)備故障診斷技術(shù)很快發(fā)展起來(lái)。階段二：20世紀(jì)60年代到80年代主要是以建模處理和信號(hào)處理為基礎(chǔ)、以傳感器技術(shù)和動(dòng)態(tài)測(cè)試技術(shù)為手段的常規(guī)診斷技術(shù)。其中，建模處理主要包括模式識(shí)別、參數(shù)估計(jì)、系統(tǒng)辨識(shí)等，其理論基礎(chǔ)是控制論、系統(tǒng)論和信息論；信號(hào)處理包括小波分析方法

35、、統(tǒng)計(jì)分析方法、頻譜分析方法、相關(guān)分析方法和模態(tài)分析方法等。當(dāng)時(shí)的故障診斷技術(shù)分為簡(jiǎn)易診斷和精密診斷兩類(lèi)，前者相當(dāng)于狀態(tài)監(jiān)測(cè)，主要監(jiān)視設(shè)備的運(yùn)行狀態(tài)是否正常；后者則要求定量掌握設(shè)備的狀態(tài)，確定故障的產(chǎn)生部位和原因，預(yù)測(cè)故障對(duì)設(shè)備將來(lái)的影響。對(duì)于回轉(zhuǎn)設(shè)備來(lái)說(shuō)，現(xiàn)場(chǎng)使用較多的診斷方法為振動(dòng)法，其次是油-磨屑分析法，對(duì)于重載往復(fù)運(yùn)動(dòng)、低速的設(shè)備，使用振動(dòng)診斷方法比較困難，而油-磨屑分析技術(shù)較為有效。另外，在設(shè)備運(yùn)行中都會(huì)產(chǎn)生諸如機(jī)械結(jié)構(gòu)上、溫度、噪聲以與電磁等種種物理和化學(xué)上的變化，比如力、振動(dòng)、噪聲、扭矩、溫度、壓力、聲光、功率、電流等等，這些反映設(shè)備運(yùn)行狀態(tài)變化的信號(hào)均有其各自的特點(diǎn)，通常情況下

36、，設(shè)備的一個(gè)故障可能表現(xiàn)出多個(gè)相關(guān)特征信息，而一個(gè)特征信息通常又包含在幾種狀態(tài)信息之中。因而除振動(dòng)診斷法和油-磨屑分析法之外，實(shí)用的故障診斷方法還有應(yīng)力測(cè)定法、聲響法、壓力法、溫度分布法(紅外診斷技術(shù))、流量測(cè)定法、聲發(fā)射法等等。這些診斷方法所用的儀器方法簡(jiǎn)便、講效，同時(shí)，從信息處理的角度出發(fā)，對(duì)能夠反映設(shè)備故障的特征信息，通過(guò)利用信號(hào)模型，直接分析可測(cè)量信號(hào)，提取特征值，從而診斷出故障。一個(gè)設(shè)備的故障，往往包含在幾種狀態(tài)信息中，因此利用各種診斷方法對(duì)同一個(gè)故障進(jìn)行綜合分析和診斷就顯得十分必要，就像醫(yī)生診斷病人的疾病一樣，要盡可能的調(diào)動(dòng)更多的測(cè)試、診斷方法，從各個(gè)方面、各個(gè)角度進(jìn)行判斷和分析，

37、最終得到正確的診斷結(jié)論。除此之外，各種狀態(tài)信息要通過(guò)一些特定的測(cè)試手段獲得，存在各種測(cè)量誤差在所難免，對(duì)這些已測(cè)得的信號(hào)進(jìn)行處理，以便去除雜質(zhì)數(shù)據(jù)、提高設(shè)備故障診斷的準(zhǔn)確率也是非常重要的。把現(xiàn)代信號(hào)處理理論和技術(shù)引入到設(shè)備管理和設(shè)備故障診斷當(dāng)中是一種有效的方法。常用的信號(hào)模型有小波變換、相關(guān)函數(shù)、頻譜自回歸滑動(dòng)平均等等；從可測(cè)信號(hào)中提取出的特征值常用的有頻率、幅度、方差等。以信息處理技術(shù)為基礎(chǔ)，構(gòu)成了20世紀(jì)60年代到80年代設(shè)備故障診斷技術(shù)。階段三：從20世紀(jì)80年代中后期到90年代初期，故障診斷技術(shù)進(jìn)入了智能診斷的新時(shí)期。隨著科學(xué)技術(shù)的不斷發(fā)展，設(shè)備系統(tǒng)的規(guī)模日趨增大，復(fù)雜程度更加提高，生

38、產(chǎn)的效率與過(guò)去相比也是有質(zhì)的飛躍，利用專(zhuān)家人工分析判斷，對(duì)信號(hào)進(jìn)行處理已經(jīng)很難達(dá)到在線(xiàn)精確診斷的要求。這時(shí)出現(xiàn)的專(zhuān)家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)在一定程度上滿(mǎn)足了上述的要求，值得一提的是，在某些方面專(zhuān)家診斷系統(tǒng)的診斷能力與精度已經(jīng)能夠與人類(lèi)專(zhuān)家相媲美。但是，每種方法都有自身的局限性，同樣專(zhuān)家系統(tǒng)在知識(shí)獲取方面存在難題，所以不太可能獲得較完備的知識(shí)庫(kù)，這就可能使專(zhuān)家診斷系統(tǒng)不能進(jìn)行正確的推理，想要得到正確的結(jié)論就更無(wú)從談起。特定的專(zhuān)家系統(tǒng)的應(yīng)用圍很窄，只能解決專(zhuān)家知識(shí)領(lǐng)域圍的某些問(wèn)題。專(zhuān)家系統(tǒng)推理方法通常推理速度較慢，效率較低。機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等開(kāi)始發(fā)展，已經(jīng)應(yīng)用到了實(shí)際工程當(dāng)中，使故障診斷技術(shù)智能

39、化的程度大為提高。由于智能診斷技術(shù)具有極強(qiáng)的實(shí)用性，它已成為當(dāng)今故障診斷領(lǐng)域的研究熱點(diǎn)之一。2.2.2故障診斷技術(shù)的發(fā)展趨勢(shì)早期的設(shè)備系統(tǒng)故障診斷，人們通常是采用由工作人員到現(xiàn)場(chǎng)拆卸機(jī)器的方法，用肉眼檢查故障的發(fā)生點(diǎn)，如果不能直接進(jìn)行檢查，則需用專(zhuān)門(mén)的儀器進(jìn)行參數(shù)測(cè)量，從而得到故障的現(xiàn)象與原因之間的聯(lián)系，形成專(zhuān)家經(jīng)驗(yàn)，以此指導(dǎo)設(shè)備系統(tǒng)的修理與維護(hù)；后期提出了基于模型的故障診斷方法，通過(guò)觀測(cè)器的構(gòu)造，可以對(duì)系統(tǒng)的輸出值進(jìn)行估計(jì)，將估計(jì)值與測(cè)量值進(jìn)行比較，從而就能獲取故障信息；基于信號(hào)處理的故障診斷方法是一種利用觀測(cè)器信號(hào)的奇異性和信號(hào)頻率結(jié)構(gòu)的變化進(jìn)行故障診斷的方法。上述這些方法通常都有這樣或那

40、樣的缺點(diǎn)，主要有以下幾方面，比如系統(tǒng)的專(zhuān)家診斷模型難以建立、故障檢測(cè)系統(tǒng)不能通用、故障歷史數(shù)據(jù)得不到有效的利用、不能預(yù)測(cè)系統(tǒng)的故障等。這些方法往往無(wú)法應(yīng)對(duì)由設(shè)備系統(tǒng)的不斷復(fù)雜化帶來(lái)的故障多樣性、復(fù)雜性和隱蔽性等問(wèn)題。在現(xiàn)代工業(yè)中，很多設(shè)備系統(tǒng)在運(yùn)行時(shí)，其各個(gè)關(guān)鍵點(diǎn)的數(shù)據(jù)已經(jīng)通過(guò)數(shù)據(jù)采集系統(tǒng)采集到上位機(jī)上，這些數(shù)據(jù)以一定的時(shí)間間隔進(jìn)行采集，能夠較為精確地記錄各測(cè)量點(diǎn)數(shù)據(jù)的實(shí)時(shí)變化，各個(gè)采集點(diǎn)傳感器采集的指標(biāo)包括諸如壓力、溫度、加速度等物理量，這些采集點(diǎn)都是能夠體現(xiàn)出設(shè)備系統(tǒng)整體運(yùn)行狀態(tài)的關(guān)鍵部位。關(guān)鍵點(diǎn)的數(shù)據(jù)都保存在過(guò)程歷史數(shù)據(jù)庫(kù)中，大多數(shù)沒(méi)有被充分利用，被人們所忽略，遺忘在數(shù)據(jù)庫(kù)的角落。然而這

41、些關(guān)鍵點(diǎn)數(shù)據(jù)就像是一個(gè)巨大的礦山，里面的許多寶藏可以再次被利用。例如，在對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單的分析后，可以發(fā)現(xiàn)某個(gè)關(guān)鍵點(diǎn)的參數(shù)在一定圍發(fā)生變化，就有可能引起某個(gè)故障的發(fā)生。由于關(guān)鍵點(diǎn)數(shù)據(jù)的變化總是和設(shè)備系統(tǒng)的故障存在某種關(guān)聯(lián)關(guān)系，通過(guò)長(zhǎng)期的經(jīng)驗(yàn)總結(jié)，專(zhuān)家也可以得到一些規(guī)則，但由于這些規(guī)則具有很強(qiáng)的主觀性，不同的專(zhuān)家可能會(huì)得到各不一樣的規(guī)則，同時(shí)這種專(zhuān)家系統(tǒng)的通用性很差，其他人很難對(duì)這些規(guī)則進(jìn)行應(yīng)用。因此，研究一種能以客觀的方式獲取故障判定規(guī)則的技術(shù)就勢(shì)在必行。綜合我們所面臨問(wèn)題的特點(diǎn)，智能診斷技術(shù)十分符合現(xiàn)實(shí)的需要，它可以客觀地挖掘出歷史數(shù)據(jù)庫(kù)中潛在的故障規(guī)則，這些規(guī)則能更好地指導(dǎo)故障的定位與檢修，

42、并對(duì)潛在的故障做出預(yù)測(cè)。隨著數(shù)據(jù)的不斷增長(zhǎng)，如何能自動(dòng)獲取知識(shí)已經(jīng)成為故障診斷技術(shù)發(fā)展的主要制約條件，而智能診斷技術(shù)為解決這個(gè)“瓶頸”問(wèn)題提供了一條有效的途徑。2.3設(shè)備故障診斷的方法分類(lèi)現(xiàn)階段機(jī)械設(shè)備故障診斷的方法大致可以歸納為三種類(lèi)別：基于專(zhuān)家系統(tǒng)的診斷、基于特征信號(hào)數(shù)據(jù)處理的診斷、基于智能算法模型的診斷?；趯?zhuān)家系統(tǒng)的診斷的方法，它把機(jī)械設(shè)備故障的信息進(jìn)行收集整理到數(shù)據(jù)庫(kù)中，充分利用專(zhuān)家的經(jīng)驗(yàn)知識(shí)對(duì)帶負(fù)荷工作的機(jī)械設(shè)備進(jìn)行故障檢測(cè)，從而確定機(jī)械設(shè)備的運(yùn)行狀況。特征信號(hào)處理技術(shù)是事先從多種角度對(duì)機(jī)械設(shè)備的故障信息進(jìn)行采集提取，分析信號(hào)與機(jī)械故障之間的因果關(guān)系，在充分掌握這些信號(hào)故障特征的基

43、礎(chǔ)上，對(duì)現(xiàn)有的機(jī)械設(shè)備進(jìn)行信號(hào)提取，觀測(cè)判斷被檢測(cè)設(shè)備的故障狀態(tài)。關(guān)于智能數(shù)學(xué)模型的診斷方法是為機(jī)械設(shè)備故障數(shù)據(jù)建立精確的數(shù)學(xué)模型，通過(guò)對(duì)歷史數(shù)據(jù)的分析研究，擬合出適合準(zhǔn)確進(jìn)行故障診斷數(shù)學(xué)模型參數(shù)。如神經(jīng)網(wǎng)絡(luò)就具有很強(qiáng)的自我學(xué)習(xí)能力以與擬合出任意連續(xù)非線(xiàn)性函數(shù)的能力，并且可以進(jìn)行并行處理，這些優(yōu)勢(shì)使得數(shù)學(xué)模型在處理故障診斷中的一些非線(xiàn)性問(wèn)題具有很好的效果。本文以第三類(lèi)故障診斷方法為主要研究方向，較為深入的研究以支持向量機(jī)數(shù)學(xué)模型為代表的一類(lèi)故障模式識(shí)別方法在感應(yīng)電動(dòng)機(jī)系統(tǒng)故障診斷中的應(yīng)用。機(jī)械設(shè)備故障診斷技術(shù)的過(guò)程為：運(yùn)行設(shè)備檢測(cè)、特征信號(hào)提取、狀態(tài)分析。其中最關(guān)鍵的問(wèn)題在于機(jī)械設(shè)備故障的特征

44、信號(hào)的提取，提取的有效性直接關(guān)系著機(jī)械設(shè)備故障診斷的準(zhǔn)確性以與早期故障的預(yù)警預(yù)防工作。機(jī)械設(shè)備的故障特征通過(guò)檢測(cè)出來(lái)的信號(hào)反映，但信號(hào)的提取工作有很多阻力，如早期故障的信號(hào)一般比較弱，往往被正常狀態(tài)下的信號(hào)所掩蓋，不能非常強(qiáng)的反映出來(lái)，需要通過(guò)特殊處理才能提取出來(lái)。機(jī)械設(shè)備故障診斷成為企業(yè)必須努力研究開(kāi)展的工作之一，正式企業(yè)的重視程度，使得故障診斷的技術(shù)不斷革新，同時(shí)也促進(jìn)了機(jī)械設(shè)備故障的維修方式。隨著機(jī)械設(shè)備故障診斷技術(shù)的發(fā)展，企業(yè)從中獲得了不可估量的效益，在促進(jìn)企業(yè)發(fā)展的同時(shí)也提高機(jī)械設(shè)備的管理水平，機(jī)械設(shè)備的管理以與維護(hù)成為了工礦企業(yè)進(jìn)行生產(chǎn)活動(dòng)的一個(gè)必要工作。機(jī)械設(shè)備的管理以與維護(hù)已經(jīng)

45、擁有了較為完整的體制，主要有事后維修、故障預(yù)測(cè)維修以與故障預(yù)防維修。2.4感應(yīng)電動(dòng)機(jī)常見(jiàn)故障研究2.4.1感應(yīng)電動(dòng)機(jī)的常見(jiàn)故障感應(yīng)電動(dòng)機(jī)的故障依據(jù)故障性質(zhì)分類(lèi)可以分成電氣性故障和機(jī)械性故障兩類(lèi):電氣性故障主要包括轉(zhuǎn)子斷條故障和定子繞組故障;機(jī)械性故障則包括氣隙偏心故障和軸承故障。下面則分別介紹各種常見(jiàn)故障，其中著重介紹轉(zhuǎn)子斷條故障和軸承故障。（1）轉(zhuǎn)子斷條故障轉(zhuǎn)子斷條故障主要有斷條脫焊和斷裂以與端環(huán)的損壞，約占感應(yīng)電動(dòng)機(jī)故障種類(lèi)的10%左右。產(chǎn)生這些故障的原因既有可能是制造工藝等因，也有可能是工作環(huán)境惡劣、電機(jī)起動(dòng)頻繁等外因。在實(shí)際應(yīng)用中，制造工藝受廠(chǎng)家技術(shù)水平的制約，而工作條件和頻繁起動(dòng)又是

46、實(shí)際應(yīng)用所需。因此轉(zhuǎn)子斷條故障是難以避免的。轉(zhuǎn)子斷條故障又可分為輕微故障和比較嚴(yán)重的故障。當(dāng)轉(zhuǎn)子斷條出現(xiàn)輕微故障時(shí)，一般只會(huì)引起感應(yīng)電動(dòng)機(jī)在恒轉(zhuǎn)矩負(fù)載下的轉(zhuǎn)差率增大，并相應(yīng)地定子電流和輸入功率也會(huì)增加。當(dāng)轉(zhuǎn)子斷條出現(xiàn)比較嚴(yán)重的故障時(shí)，感應(yīng)電動(dòng)機(jī)的起動(dòng)時(shí)間會(huì)明顯延長(zhǎng)，甚至?xí)饎?dòng)不起來(lái)。如果不能與時(shí)的發(fā)現(xiàn)轉(zhuǎn)子斷條故障并對(duì)其采取措施，則將會(huì)造成更嚴(yán)重的故障，如斷條斷裂有可能會(huì)引起相鄰斷條連續(xù)發(fā)生斷裂。并且斷裂的斷條在告訴運(yùn)轉(zhuǎn)的情況下有可能和定子繞組產(chǎn)生劃擦，造成掃膛故障，從而使定子絕緣損壞，造成定子繞組故障。（2）軸承故障感應(yīng)電動(dòng)機(jī)軸承故障是造成電動(dòng)機(jī)故障的主要原因之一，其故障率約占感應(yīng)電動(dòng)機(jī)故障的

47、40%。軸承是感應(yīng)電動(dòng)機(jī)中工作條件最為惡劣的部件之一，它的作用是承受載荷和傳遞載荷。軸承能否正常運(yùn)行直接影響到整臺(tái)機(jī)器的性能。造成軸承故障的原因主要有：負(fù)載過(guò)重、潤(rùn)滑不良、義務(wù)進(jìn)入、軸電流等。軸承故障又可分為表面損傷類(lèi)故障和磨損類(lèi)故障。其中表面損傷類(lèi)故障主要包括點(diǎn)蝕、擦傷、剝落等。磨損類(lèi)故障則是軸承使用過(guò)程中不可避免會(huì)出現(xiàn)的一類(lèi)故障。軸承故障將會(huì)引起感應(yīng)電動(dòng)機(jī)的異常振動(dòng)。（3）氣隙偏心故障生產(chǎn)或裝配不正確，軸承彎曲，軸承磨損與電動(dòng)機(jī)轉(zhuǎn)速太高等原因都有可能會(huì)導(dǎo)致產(chǎn)生氣隙偏心故障。氣隙偏心可以分為靜態(tài)偏心和動(dòng)態(tài)偏心兩種。靜態(tài)偏心是指定轉(zhuǎn)子氣隙之間的最小氣隙在空間分布上是靜止的，一般是由定轉(zhuǎn)子鐵心橢

48、圓、不同心和安裝等因素造成的。動(dòng)態(tài)偏心是指當(dāng)轉(zhuǎn)子旋轉(zhuǎn)中心和轉(zhuǎn)子質(zhì)心不同心時(shí)引起的，是時(shí)間和空間的函數(shù)。轉(zhuǎn)抽彎曲、安裝不同心、軸承磨損等因素均能造成動(dòng)態(tài)偏心故障。（4）定子繞組故障定子繞組故障主要有以下三種：主絕緣、匝間絕緣損壞和線(xiàn)圈燒損。產(chǎn)生故障的原因主要是外界因素，如通風(fēng)冷卻不好、油或水蒸汽泄入部、操作不當(dāng)引起的過(guò)電流或過(guò)電壓、損壞絕緣等等。因此只要在電機(jī)的使用過(guò)程中改善工作條件，保證操作爭(zhēng)取，便可大大降低定子的故障率。尤其是近年來(lái)，感應(yīng)電動(dòng)機(jī)定子繞組的設(shè)計(jì)和制造取得了很大進(jìn)步，定子繞組產(chǎn)生故障的幾率也隨之大大降低。定子繞組故障對(duì)感應(yīng)電動(dòng)機(jī)的電、磁、熱、力都有較大影響。當(dāng)定子繞組短路匝數(shù)比較

49、少時(shí)，故障征兆不明顯。當(dāng)是由于短路處的溫度較高長(zhǎng)期便會(huì)將周?chē)^緣破壞，導(dǎo)致嚴(yán)重的匝間短路，甚至有可能造成相間短路、線(xiàn)圈和定子鐵芯的燒損、單相對(duì)地短路等故障。電動(dòng)機(jī)故障檢測(cè)技術(shù)是設(shè)備檢測(cè)技術(shù)的一個(gè)部分。設(shè)備檢測(cè)技術(shù)是近年來(lái)興起的一門(mén)包含有很多新科技容的綜合性技術(shù)。其本質(zhì)是一個(gè)模式識(shí)別問(wèn)題，首先判斷設(shè)備運(yùn)行是否正常，進(jìn)而識(shí)別出設(shè)備或機(jī)器是否發(fā)生故障。它能實(shí)現(xiàn)設(shè)備在負(fù)荷運(yùn)行時(shí)，或者基本上在不拆卸設(shè)備的情況下，通過(guò)對(duì)其狀態(tài)參數(shù)進(jìn)行檢測(cè)和分析，判定設(shè)備是否存在故障（即故障的位置和原因）、異常，并能對(duì)設(shè)備的未來(lái)狀態(tài)進(jìn)行預(yù)測(cè)。近年來(lái)，電動(dòng)機(jī)檢測(cè)技術(shù)有了突飛猛進(jìn)的發(fā)展，其主要研究容包括以下兩個(gè)方面：第一個(gè)方面

50、是信號(hào)采集技術(shù)的研究，首先利用傳感器采集到能反映電動(dòng)機(jī)運(yùn)行工況的信號(hào)，這是第二個(gè)方面信號(hào)分析與處理技術(shù)的基礎(chǔ)，因?yàn)槲覀兛梢岳貌杉降男盘?hào)進(jìn)行融合和分析，從而達(dá)到對(duì)感應(yīng)電動(dòng)機(jī)的故障進(jìn)行診斷的目的。第二個(gè)方面是信號(hào)分析與處理技術(shù)的研究，利用傳感器采集到的信號(hào)，含有大量的噪聲和短時(shí)沖擊成分，且此類(lèi)型的信號(hào)是時(shí)變的，非平穩(wěn)的，直接對(duì)這種信號(hào)進(jìn)行頻譜分析，診斷精度太低，甚至不能檢測(cè)出電動(dòng)機(jī)的故障，第二方面是電動(dòng)機(jī)檢測(cè)技術(shù)的關(guān)鍵所在，也是電動(dòng)機(jī)檢測(cè)技術(shù)研究的主要容。近來(lái)流行的小波分析，小波包分析，HHT(希爾伯特-黃變換)理論，可以對(duì)采集到的信號(hào)進(jìn)行濾波處理，提取故障特征頻率，從而達(dá)到診斷出電動(dòng)機(jī)故障的

51、目的。小波分析具有良好的時(shí)間局部特性和頻率局部特性，它不僅可以用來(lái)分析平穩(wěn)信號(hào)，還可以用來(lái)分析非平穩(wěn)信號(hào)。小波包分析具有優(yōu)良的時(shí)頻分析能力和多分辨分析的能力，即它能對(duì)頻帶進(jìn)行多層次劃分，它不僅可以分析信號(hào)的整體特性，還能提取出信號(hào)的非平穩(wěn)，短時(shí)沖擊成分故障特征頻率分量。HHT（希爾伯特-黃變換）理論最重要，最核心的一步是EMD分解，如果信號(hào)中包含有某種特征，通過(guò)EMD使特征突出或特征分離，這是基于EMD提取故障特征的基本思路。2.4.2感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子斷條故障研究現(xiàn)狀當(dāng)感應(yīng)電動(dòng)機(jī)發(fā)生轉(zhuǎn)子斷條故障時(shí)，其定子相電流中會(huì)出現(xiàn)頻率的電流分量。該電流分量可以作為感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子斷條故障的特征量。最初的轉(zhuǎn)子斷

52、條故障診斷方法是以傅立葉變換作為其理論基礎(chǔ)，即對(duì)穩(wěn)態(tài)定子電流信號(hào)直接進(jìn)行頻譜分析，從頻譜中是否存在頻率分量去診斷轉(zhuǎn)子有無(wú)斷條故障。實(shí)測(cè)結(jié)果證明，這種方法是行之有效的。但是，當(dāng)轉(zhuǎn)子輕微斷條時(shí)，相對(duì)于分量的電流幅值，分量的電流幅值很小。同時(shí)，感應(yīng)電動(dòng)機(jī)運(yùn)行時(shí)轉(zhuǎn)差率s很小，使得與這兩個(gè)頻率分量非常接近。因此，用FFT直接作頻譜分析時(shí)，由于柵欄效應(yīng)，分量常常會(huì)因分量的泄漏而被淹沒(méi)，從而使檢測(cè)頻率分量是否存在變得極度困難。復(fù)小波變換，自適應(yīng)濾波，Hilbert模量頻譜分析方法，連續(xù)細(xì)化Fourier的分析方法，小波包結(jié)合FFT的分析方法，Park變換的分析方法，雙PQ變換的分析方法,小波變換和Hilbe

53、rt模量結(jié)合Duffing振子的分析方法可以有效的解決這一問(wèn)題。文獻(xiàn)23在動(dòng)態(tài)系統(tǒng)的故障檢測(cè)與診斷方法中提出了利用復(fù)小波變換，從感應(yīng)電動(dòng)機(jī)啟動(dòng)過(guò)程時(shí)的定子電流中提取故障特征分量。文獻(xiàn)24提出了自適應(yīng)濾波方法，首先對(duì)定子電流信號(hào)采用自適應(yīng)濾波處理，然后再進(jìn)行快速傅里葉分析。該方法將抵消定子電流信號(hào)中的頻率分量，突出頻率分量。但是，該方法有一定的局限性，僅在電動(dòng)機(jī)拖動(dòng)平穩(wěn)負(fù)荷的工作情況下適用。文獻(xiàn)25提出了Hilbert模量頻譜分析方法，首先構(gòu)造出定子電流信號(hào)的Hilbert模量，然后對(duì)其Hilbert模量進(jìn)行頻譜分析，并根據(jù)頻譜中是否存在頻率成分轉(zhuǎn)子斷條故障特征量去判斷轉(zhuǎn)子有無(wú)斷條。該方法將頻率

54、分量轉(zhuǎn)化成直流分量，將頻率成分轉(zhuǎn)化成頻率成分，突出了故障特征量，但是，它也有一定的局限性，當(dāng)感應(yīng)電動(dòng)機(jī)拖動(dòng)負(fù)荷波動(dòng)較大時(shí)，仍然有可能產(chǎn)生誤判。文獻(xiàn)26中提出了用連續(xù)細(xì)化Fourier的分析方法，在頻譜圖上突出斷條故障特征分量，取得了較為滿(mǎn)意的效果，不過(guò)，由于電動(dòng)機(jī)的轉(zhuǎn)差率經(jīng)常處于變化之中，突顯出來(lái)的分量是否就是轉(zhuǎn)子斷條故障特征分量還有待進(jìn)一步考證后，才能對(duì)感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子是否斷條作出正確的判斷。文獻(xiàn)27提出了利用小波包結(jié)合FFT的分析方法，首先對(duì)電動(dòng)機(jī)的定子電流信號(hào)進(jìn)行小波包分解，提取能夠反映電動(dòng)機(jī)轉(zhuǎn)子斷條故障的節(jié)點(diǎn)的小波包分解系數(shù)；其次重構(gòu)此節(jié)點(diǎn)的小波包的分解系數(shù)；然后對(duì)此節(jié)點(diǎn)的重構(gòu)系數(shù)進(jìn)行F

55、FT變換，提取轉(zhuǎn)子斷條的故障特征頻率，從而達(dá)到診斷感應(yīng)電動(dòng)機(jī)轉(zhuǎn)子斷條故障的目的。文獻(xiàn)28提出了Park變換的分析方法，首先對(duì)感應(yīng)電動(dòng)機(jī)的定子電流信號(hào)進(jìn)行Park變換，如果電動(dòng)機(jī)是正常運(yùn)行的，則其定子電流信號(hào)經(jīng)Park變換后在dq坐標(biāo)系中是一個(gè)圓，若電動(dòng)機(jī)出現(xiàn)轉(zhuǎn)子斷條故障，則其定子電流信號(hào)經(jīng)Park變換后在dq坐標(biāo)系中是一個(gè)“畸變”圓。文獻(xiàn)29提出了雙PQ變換的分析方法，對(duì)感應(yīng)電動(dòng)機(jī)的定子三相電流進(jìn)行PQ變換，若電動(dòng)機(jī)是正常運(yùn)行的，則其定子三相電流經(jīng)PQ變換后，對(duì)應(yīng)于PQ坐標(biāo)系下的一個(gè)點(diǎn)，如果電動(dòng)機(jī)發(fā)生轉(zhuǎn)子斷條故障，則其定子三相電流經(jīng)PQ變換后，對(duì)應(yīng)于PQ坐標(biāo)系下的一個(gè)橢圓。文獻(xiàn)30提出了Hil

56、bert模量結(jié)合Duffing振子的分析方法，首先對(duì)感應(yīng)電動(dòng)機(jī)的定子電流信號(hào)進(jìn)行小波變換，判斷電動(dòng)機(jī)是否發(fā)生負(fù)荷波動(dòng)，若電動(dòng)機(jī)沒(méi)有發(fā)生負(fù)荷波動(dòng)，則構(gòu)造其定子電流信號(hào)的Hilbert模量，然后用雙Hilbert變換濾除其Hilbert模量中的直流分量，若電動(dòng)機(jī)發(fā)生轉(zhuǎn)子斷條故障，則轉(zhuǎn)子斷條故障特征分量會(huì)使Duffing振子發(fā)生間歇混沌運(yùn)動(dòng)。2.4.3感應(yīng)電動(dòng)機(jī)的軸承故障研究現(xiàn)狀感應(yīng)電動(dòng)機(jī)的軸承故障檢測(cè)根據(jù)檢測(cè)的狀態(tài)量可以分為：噪聲法，油樣分析法，溫度法，振動(dòng)信號(hào)分析法。噪聲法是工程人員利用聽(tīng)音棒，電子聽(tīng)音器等設(shè)備，通過(guò)軸承的聲音來(lái)判斷軸承是否發(fā)生故障，此種方法依靠的是工程人員的主觀判斷，故靈敏度不

57、高，可靠性較低。油樣分析法是通過(guò)采集軸承使用過(guò)的潤(rùn)滑油樣品，分析潤(rùn)滑油樣品中金屬顆粒的含量，形狀和濃度，此種方法可以對(duì)軸承的早期故障做出初步判斷，需要結(jié)合其它的檢測(cè)方法，對(duì)軸承作出進(jìn)一步的診斷。溫度法是通過(guò)溫度計(jì)來(lái)測(cè)量箱體處或軸承座的溫度或溫升來(lái)診斷軸承是否正常運(yùn)行，此種方法操作簡(jiǎn)單，但是只有當(dāng)軸承的故障累積到一定程度，箱體處或軸承座有顯著的溫度變化，即是有顯著的溫升，才能檢測(cè)出軸承是否發(fā)生故障，所以溫度法不能用來(lái)檢測(cè)軸承的早期故障，有一定的局限性。振動(dòng)信號(hào)分析法式通過(guò)壓電傳感器提取滾動(dòng)軸承的振動(dòng)信號(hào)，通過(guò)信號(hào)處理與分析技術(shù)，提取軸承振動(dòng)信號(hào)的故障特征頻率，振動(dòng)信號(hào)攜帶了大量的狀態(tài)信息，并且用

58、于分析和處理振動(dòng)信號(hào)的方法很多，因此此種方法不僅可以檢測(cè)出軸承的異常，還能診斷出軸承的早期故障，是使用最廣泛，最有效的方法之一?；贓MD時(shí)頻分析方法，基于EMD和Hilbert包絡(luò)譜的分析方法，基于EMD和小波包的分析方法,基于Hilbert_Huang變換的分析方法都是振動(dòng)信號(hào)分析法。牛發(fā)亮等學(xué)者提出了基于EMD的時(shí)頻分析方法，對(duì)感應(yīng)電動(dòng)機(jī)的軸承故障進(jìn)行診斷，首先對(duì)采集到的滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行EMD分解，選擇那些能夠反映軸承故障特征的IMF，并對(duì)這些IMF進(jìn)行Hilbert邊際譜分析，提取軸承故障的特征頻率，從而達(dá)到診斷出電動(dòng)機(jī)軸承故障的目的。苗鋒學(xué)者提出了基于EMD和Hilbert包絡(luò)

59、譜的分析方法，對(duì)電動(dòng)機(jī)的滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行EMD分解，對(duì)得到的本征模函數(shù)，求其Hilbert包絡(luò)譜，因此能夠得到電動(dòng)機(jī)滾動(dòng)軸承的故障特征頻率。建元學(xué)者提出了基于EMD和小波包的分析方法，首先對(duì)感應(yīng)電動(dòng)機(jī)的滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行EMD分解，對(duì)低階的IMF進(jìn)行小波包分解，因?yàn)榈碗A的IMF包含有完整的滾動(dòng)軸承的故障信息。對(duì)得到的小波包節(jié)點(diǎn)進(jìn)行分析，就能提取出滾動(dòng)軸承的故障特征頻率。J.A.Antonino-Daviu等學(xué)者提出了基于Hilbert_Huang變換的分析方法，Hilbert_Huang變換對(duì)于分析振動(dòng)信號(hào)尤其適用，因?yàn)闈L動(dòng)軸承的故障信號(hào)是非平穩(wěn)的，包含有很多短時(shí)沖擊成分，所以需要從

60、時(shí)域和頻域兩個(gè)方面加以分析，而Hilbert_Huang變換是一種優(yōu)良的時(shí)頻分析方法。此種方法是對(duì)電動(dòng)機(jī)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行EMD分解，求其IMF的邊際譜，得到滾動(dòng)軸承的故障特征頻率，通過(guò)提取的滾動(dòng)軸承的故障特征頻率就能診斷出，軸承發(fā)生了何種類(lèi)型的故障。2.5感應(yīng)電機(jī)常見(jiàn)故障診斷技術(shù)研究2.5.1現(xiàn)代故障診斷技術(shù)1.貝葉斯法貝葉斯(Bayes)法是一種基于概率統(tǒng)計(jì)的診斷方法，它的基礎(chǔ)是概率密度函數(shù)，通過(guò)與故障信息的綜合來(lái)描述設(shè)備系統(tǒng)的運(yùn)行狀態(tài)，從而進(jìn)行故障診斷分析。診斷推理過(guò)程包括兩個(gè)部分：(1)先驗(yàn)概率估計(jì)；(2)后驗(yàn)概率計(jì)算。設(shè)備系統(tǒng)的運(yùn)行過(guò)程是典型的隨機(jī)過(guò)程，出現(xiàn)故障的概率通常是可以估