基于振動信號分析的電機故障診斷應(yīng)用研究

蔡少輝

（中國南方電網(wǎng)有限責任公司超高壓輸電公司廣州局，廣東廣州，510000）

1 電機故障診斷方法的研究現(xiàn)狀

電機故障診斷開始于上世紀六七十年代，歷經(jīng)事后維修、基于CBM狀態(tài)維修(Condition-based maintenance)、PM預(yù)測維修(Predictive Maintenance)等階段，從而逐步加強電機運行系統(tǒng)的穩(wěn)定性、安全性、可靠性、維修經(jīng)濟性。但是由于電機故障診斷來自于電機本身結(jié)構(gòu)復(fù)雜性，故障關(guān)聯(lián)影響，以及電機涉及機械、電氣等故障診斷問題，因而對電機故障診斷極為復(fù)雜，涉及技術(shù)較多。基于傳統(tǒng)電機故障診斷方法一般根據(jù)建實際測量電機運行參數(shù)基礎(chǔ)上，采用信號處理方法，提取一些故障特征量進行診斷分析。隨著對電機模型深入研究及實際應(yīng)用工程參數(shù)分析的研究，對異步電機定子電流包含的電機運行狀態(tài)信息及信號的分析，開展了電機電氣類故障檢測和電機振動信號、故障交互影響等研究，并且基于電機運行狀態(tài)的特征量分析，提取出關(guān)鍵故障特征量進行電機故障診斷識別，大大提高了故障檢測水平和能力。通過對比分析現(xiàn)場動力運行系統(tǒng)中記錄的各類電機運行歷史數(shù)據(jù)，對于電機運行條件、調(diào)節(jié)方式、變負荷運行狀態(tài)、電機軸承振動特性、節(jié)能效果等方面進行分析，研究轉(zhuǎn)速大范圍變化狀態(tài)下的電機結(jié)構(gòu)共振問題，同時研究故障信號特征提取方法，比如傅里葉短時變換算法、魏格納一維爾分布、經(jīng)驗?zāi)B(tài)分解、小波變換等，引入信號分析應(yīng)用到電機運行狀態(tài)檢測和故障診斷中，極大提高了信號高頻部分的頻率分辨率。

隨著人工智能、機器學習技術(shù)的應(yīng)用，智能獲取數(shù)據(jù)驅(qū)動信息，實現(xiàn)設(shè)備自動學習及記憶診斷，最大程度減少人為性干預(yù)，從而實現(xiàn)機械故障診斷大數(shù)據(jù)化與智能化，完成整個電機運行狀態(tài)的識別，利用小波尺度域濾波消除干擾噪聲，提高關(guān)聯(lián)維數(shù)計算的準確性和穩(wěn)定性。經(jīng)過對實測振動信號的小波尺度域濾波重構(gòu)處理，從而實現(xiàn)關(guān)聯(lián)維數(shù)的非線性系統(tǒng)特征量數(shù)據(jù)的提取，實現(xiàn)集中存儲、分析和精細故障診斷[1]。

2 電機振動監(jiān)測及故障診斷技術(shù)

電機振動監(jiān)測、故障診斷技術(shù)系統(tǒng)圖1所示，主要監(jiān)測動力設(shè)備的運行特性、機械動力學、振動測試、故障機理、信號分析、模式識別與人工智能等多學科技術(shù)。電機等動力設(shè)備實際運行過程中，在內(nèi)、外部載荷效應(yīng)激勵下會產(chǎn)生振動響應(yīng)。一旦動力設(shè)備內(nèi)部零部件出現(xiàn)故障，通常會引起載荷狀態(tài)結(jié)構(gòu)特性等特性的變化，所以動力設(shè)備結(jié)構(gòu)振動響應(yīng)會出現(xiàn)變化。通過結(jié)構(gòu)振動信號的測量，并且依靠信號分析原理，提取特定故障信息，利用人工學習或自動記憶學習模式或者信號分析實現(xiàn)對故障的判斷、預(yù)測，實現(xiàn)電機等動力設(shè)備振動信號的不失真、高信噪比測量，實現(xiàn)故障特征有效提取，并且綜合運用已有知識對故障部位、類型、程度及發(fā)展趨勢的有效性診斷分析。

圖1 電機等動力設(shè)備振動診斷分析系統(tǒng)

3 電機振動故障類型分析

電動機振動故障主要由于機軸承振動超標、電機軸承溫度過高、葉片磨損、動葉卡澀、漏油、旋轉(zhuǎn)失速與喘振、電磁振動和轉(zhuǎn)子產(chǎn)生的機械振動等原因造成。電機軸承振動超標主要原因在于葉片非工作面積灰、葉片磨損、葉片腐蝕等。電機軸承振動超標極容易造成電動機螺栓松動、軸承和葉片的損壞、機殼等部位的損壞故障。電機葉輪氣流由在葉片非工作面產(chǎn)生旋渦，氣流中積灰累積達到一定閥值時，將在各葉片上積灰不均勻，容易造成葉輪質(zhì)量的動態(tài)不平衡分布，造成電機振動增大。電機葉片發(fā)生磨損時，葉輪動平衡狀態(tài)發(fā)生變化，導(dǎo)致導(dǎo)致電機振動緩慢上升；另外電動機處于低溫腐蝕狀態(tài)下，容易造成腐蝕小薄鋼片脫落直接打在葉片上，造成葉片的動不平衡鞥形成振動；再有，風道系統(tǒng)振動導(dǎo)致電機負荷增大，電機軸承的振動會逐漸加大，再有電機內(nèi)風葉與靜止結(jié)構(gòu)發(fā)生碰摩、葉片松動使其晃度變大、軸與軸承松動、軸承損壞、主軸彎曲等也容易引起電動機振動加劇。另外，轉(zhuǎn)子過臨界轉(zhuǎn)速引起共振、聯(lián)軸器中心偏差大、基礎(chǔ)或機座剛性不夠、原動機振動等原因，產(chǎn)生電動機振動超標現(xiàn)象。電動機軸承溫度異常升高原因主要在于軸承冷卻不足、潤滑效果不良、軸承發(fā)生異常；電動機漏油主要是因為軸承骨架油封密封老化、變形、潤滑油質(zhì)不合格、軸承雜質(zhì)進入潤滑系統(tǒng)損傷磨壞密封件，軸承箱骨架油封壓環(huán)外鎖緊螺母松動造成潤滑油系統(tǒng)漏油等原因引起；動葉卡澀主要在于電動機動葉片與輪毅間存在空隙，不完全燃燒碳垢、灰塵落入空隙，引起動葉調(diào)節(jié)困難；旋轉(zhuǎn)失速和喘振是電動機的兩種基本異常工況，由于氣流發(fā)生離心造成大量區(qū)域渦流容易引起電機旋轉(zhuǎn)失速。喘振是因為電機處在不穩(wěn)定的工作區(qū)運行出現(xiàn)流量、風壓大幅度波動的現(xiàn)象，產(chǎn)生旋轉(zhuǎn)氣流。電機內(nèi)電氣回路產(chǎn)生電磁振動和轉(zhuǎn)子產(chǎn)生機械振動，導(dǎo)致三相電壓、電流不平衡、轉(zhuǎn)子籠條斷裂、各相電阻電抗不平衡、電機設(shè)計缺陷、定轉(zhuǎn)子氣隙不均勻、線圈松動等引起電磁振動增大；再有軸頸橢圓、電機轉(zhuǎn)子動平衡不良、軸承座固定螺絲松動、軸承跑內(nèi)圈、軸承跑外圈、軸承中心不正、軸頸軸套配合緊力不夠，軸承間隙過大等容易引起電機轉(zhuǎn)子機械振動增大[2]。

4 電機震動小波多尺度包絡(luò)分析

對電機監(jiān)測信號做連續(xù)小波變換，小波基函數(shù)取某種復(fù)數(shù)小波，得到小波系數(shù)的復(fù)函數(shù)，用來表示幅值函數(shù)和相位函數(shù)。根據(jù)幅值包絡(luò)譜圖、能量包絡(luò)譜圖中與故障相關(guān)能量異常頻帶的部位和強弱，實現(xiàn)電機故障類型或程度的判斷分析。同時基于Hilbert變換包絡(luò)分析方法，利用幅值包絡(luò)譜圖橫向切片進一步識別電機振動信號中故障特征頻率對應(yīng)的邊帶成分，實現(xiàn)故障定位；幅值包絡(luò)譜圖縱向切片可以實現(xiàn)振動狀態(tài)變化的辨別分析[3]。如圖2所示。

圖2 小波尺度系數(shù)與頻率關(guān)系、電機軸承振動復(fù)數(shù)小波分解系數(shù)包絡(luò)譜圖

對電機軸承振動監(jiān)測信號進行復(fù)小波多尺度包絡(luò)分析，圖2表明，復(fù)數(shù)小波與電機軸承局部故障產(chǎn)生的沖擊振動響應(yīng)成分較為接近，電機振動故障特征提取較為明顯。采用8000Hz采樣頻率進行1s長度振動數(shù)據(jù)的復(fù)數(shù)小波變換計算，復(fù)數(shù)基小波中心1Hz頻率，計算尺度范圍a=2-30，時間間隔為0.2s，電機葉輪軸承振動信號中主要成分所在的頻率范圍為4000-320Hz.，進行傅里葉變換計算后，可得到幅值包絡(luò)譜圖，研究表明，計算尺度越小，小波函數(shù)波動和衰減越快，振動信號的頻率越高，反之亦然[4]。

5 結(jié)論

電動機廣泛應(yīng)用與工業(yè)領(lǐng)域，是主要動力設(shè)備，由于電動機結(jié)構(gòu)不同，運行環(huán)境不同、負荷狀態(tài)不同，故障原因較多，尤其是振動引起的故障。系統(tǒng)分析了電機振動故障的研究歷史；針對電機振動故障遠近進行了詳細分析；針對電機軸承故障特征提取方法提出了利用復(fù)數(shù)小波變換及包絡(luò)分析。該方法有助于突出顯示微弱故障信息的能力，有效識別強干擾噪聲下的故障沖擊成分，同時實現(xiàn)多尺度帶通濾波和幅值包絡(luò)提取，有效解決了傳統(tǒng)分析中預(yù)知故障頻帶缺點，提高了信號分析的效率。