異步電機故障特征提取方法研究綜述

劉 飛，趙志偉，張晨玥

(1.西安科技大學 電氣與控制工程學院，陜西 西安 710054；2.西安市電氣設備狀態監測與供電安全重點實驗室，陜西 西安 710054)

0 前言

隨著世界經濟的快速發展和電氣化程度的不斷提高，電機驅動的負載越來越復雜，進而導致電機故障發生的頻率也越來越高。異步電機在運行過程中，常見的故障主要有軸承故障、轉子斷條故障以及定子繞組匝間短路故障，分別約占電機總故障發生率的30%、30%、10%。因此，對電機的故障進行診斷就顯得尤為重要。

異步電機的故障診斷是以信號處理和模式識別為基礎的，主要包括三個環節：信號采集、特征提取和狀態識別。異步電機故障診斷的流程如圖1所示，首先利用傳感器對異步電機的故障信號進行采集，然后對采集到的信號進行特征提取，最后對故障特征進行識別，得到最終的診斷結果。

圖1 異步電機故障診斷流程圖

在異步電機故障診斷中，特征提取的準確度的高低決定著故障識別效果的好壞，所以最重要的一步就是特征提取，好的特征提取方法能夠提高最終診斷結果的識別準確率。

由于采集到的信號包含了大量的多余信息，因此需要對信號進行特征提取，得到需要的故障信息。常用的故障特征提取方法主要包括時域特征提取方法、頻域特征提取方法和時頻域特征提取方法[1]。

1 時域故障特征提取法

時域特征提取方法是選擇合適的動態信號，估算該信號的時域參數，根據其參數和相關指標的不同，從而對電機上出現的不同故障進行分析和精確判斷。

時域特征提取法主要包括振幅域分析法、概率密度分析法以及相關性分析法等，這些方法通常使用信號的基本物理量特征以及概率分布特征進行故障診斷分析。

當電機發生故障時，時域信號中某些特征值參數會發生變化，通過觀察和分析其中的各項指標，可以對電機故障做出判斷。利用檢測信號的時域波形提取故障特征是信號特征提取的有效手段之一，該方法在時域內通過對信號的分析，尋找和總結出信號跟隨時間變化的規律，選取適當的時域特征參數作為故障特征量，構成時域特征向量。

常用的時域特征參數指標主要包括：均值μ、標準差σ、均方根值Xrms、峰值XP、脈沖因子Cf、裕度因子Ce、峭度因子Cq及偏斜度因子Cw。為了有效反映異步電機的運行狀態，通常組合選用若干個時域特征參數進行故障診斷，以上述8個時域特征參數為故障特征量形成的時域特征向量可表示為：

X=(μ，σ，Xrms，Xp，Cf，Ce，Cq，Cw)T

(1)

在低速或變速運轉的機械設備中，通常使用時域特征提取法提取信號故障特征，克服了振動信號中頻率分量少的缺點。選用時域特征提取法時，時域波形沒有經過變換丟失信息，直接展示了振動信號最原始的信息，因此時域特征提取法具有方便、簡單、信息全面、直觀等特點。

在異步電機故障特征提取中，直接用電流、振動信號進行時域分析得出結果，是最直接最簡單的故障特征提取方法?，F代振動信號分析技術作為一種提取手段被應用于電機故障特征提取中，用峭度來區分判別故障信息，驗證了時域故障特征提取的有效性。而為了能夠有效簡便地對故障特征進行提取，電機電流信號經過動態時間規整處理后，故障分量更加突出[2]。相比于其他常規的時域特征，波形長度、斜率符號變化、簡單符號積分、威爾遜振幅、平均絕對值和過零6個時域特征參數能更好地反映電機的故障分量信息[3]。

雖然基于時域的故障特征提取方法研究時間較早，方法和理論也比較完善，其不僅能夠提取故障而且還能定位故障位置，在許多行業上得到了應用，但從目前文獻上了解的情況是：由于電機發生故障時產生的信號是非線性的，基于時域的故障特征提取方法難以有效實施。

2 頻域故障特征提取法

頻域特征提取法就是利用FFT技術把時域的信號轉化到頻域，并從中提取出原時域波形和相位波形的特征。它描述的是原信號在頻域中的分布，其特征信息要優于時域圖像，因此被普遍用于提取故障的特征。表1總結了常用的頻域特征提取方法。

表1 異步電機頻域特征常用提取方法

頻域信號處理技術能夠更為快速并準確地找出故障部件的故障所在。和時域特征提取方法相比，頻域特征提取方法能夠展示出更加直觀和清晰的特征信息，更加簡單快捷地對故障特征進行提取。但是頻域特征提取法的局限性也很明顯，只能在有限的區間內進行，由于時域截斷會帶來能量泄漏，可能會導致離散頻譜產生較大的誤差。頻域特征提取方法以傅里葉變換作為基礎，而傅里葉變換則適合于對時域內連續平穩信號的分析，但是由于電機的故障會導致信號的不穩定，所以傅里葉變換無法體現出時域信號的特性。

3 時頻域故障特征提取法

正常運行的電機產生的信號可以看作相對平穩信號，但當電機出現故障時，信號中會出現尖端、毛刺等不穩定的信號成分。

在實際應用過程中獲取的信號往往具有相對平穩性，但是非平穩性卻是絕對的。平穩性在一定程度上可以反映電機的運行狀況，而非平穩信號是跟隨時間的改變而不斷地發生變化。如果只通過時域或者頻域方法提取特征信號，得到的信息只能是時域和頻域部分的故障特征，這是遠遠不夠的。因此必須了解非平穩信號和時間兩者之間的變化關系，建立一種時間和頻率二者之間的關系來表達這些信號。于是專家學者們就提出了小波分析和小波包分析等時頻域特征提取方法來解決上述的問題。

在時頻域中，常見的故障特征提取方法有：小波變換、小波包分析、短時傅里葉變換、經驗模態分解和集合經驗模態分解。

3.1 小波變換

小波變換[14]是時域和頻域的局部變換，通過選擇合適的小波基函數，能夠實現信號不同時刻、不同頻率的分離，對信號的局部特征進行描述；通過伸縮平移變換能夠對信號進行多尺度細化分析，進而突出被測信號的故障特征。所以小波變換在故障特征提取方面得到了廣泛的應用。但小波變換存在小波基難以選取的問題，極大可能導致后續的故障特征提取過程中提取出的故障不完整。

當異步電機出現故障時，其定子電流中會出現不同的故障分量，根據對故障分量的分析診斷，從而判斷異步電機故障類型。由于電流易獲取，只需要增加一個電流傳感器，所以在電機故障特征提取中，常常對電流進行處理。將小波變換和希爾伯特變換結合起來，在定子電流中成功地提取出了能夠表征齒輪故障特征的頻率成分，這說明兩者相結合在對電流信號故障特征提取方面有獨特的優勢[15]。

由于振動信號有非常強的抗干擾能力，所以在電機故障特征提取領域中，利用異步電機運行時產生的振動信號進行分析，是獲取故障特征的有效方法。文獻[16]對電機的原始振動信號進行了基于小波分解的特征向量提取。相比于單一的對信號進行小波變換，采用小波濾波與共振解調相結合的方式，從頻域中提取出故障的頻域特征，該方法還可以高效地提升信噪比[17]。

軸承作為異步電機最基本的部件之一，也是所有部件中最容易損壞的，為了保證異步電機在正常狀態下運行，因此對軸承的檢測是非常重要的。在小波變換的基礎上提出的一種基于時間-小波能量譜的信號處理方法，能夠有效地提取軸承故障信號中的沖擊成分特征[18]。把小波變換和其他方法相結合，能更有效地提取故障特征。利用小波變換和卷積神經網絡結合的方式能夠實現電機軸承故障特征的自動提取，并且能夠高度有效地利用樣本[19]；利用多小波對軸承信號去噪，結合包絡解調提取故障特征，能夠簡單準確地提取出滾動軸承的早期故障信息[20]。

小波變換有許多優點：時間分辨率在頻率很高時比較高，而頻率分辨率在頻率很低時比較高；對于輸入信號而言，要求比較低；計算工作量較??；克服噪聲能力強；本身靈敏度也很高。缺點也很明顯，小波變換不是自適應的，需要人工選擇小波基，這也就導致了故障特征提取的不確定性，而且還存在能量泄露等問題。

3.2 小波包分析法

1992年，Coifman和Wickerhauser提出了小波包分析法[21]，小波包分析方法是小波變換的一種改進，該方法用一些帶寬相同但中心頻率不同的高、低通濾波器對原信號進行濾波，并分解為多個頻帶的子信號，能夠分解高頻段信號，使信號在整個頻帶上劃分得更加細致，提高了信號高頻部分的頻率分辨率，因此被廣泛應用于電機故障特征提取中。

利用小波包頻率分辨率高的特點，對電機故障信號進行小波包分解，然后根據基頻分量的周期性進行濾波，能夠有效消除其他分量的干擾，提取出其故障特征頻率分量[22]。

為了克服異步電機故障特征表現不唯一的缺點，要根據不同的故障，按照不同的方法進行故障特征提取，使得故障特征更加突出，更加準確，可以把小波包分析法和其他故障特征提取方法相結合來共同對故障特征進行處理。例如：可以使用峭度指標和小波包分析相結合的算法，提取異步電機的故障特征[23]；使用小波分解對振動信號進行降噪，然后結合小波包分解提取能量特征[24]。

當異步電機發生故障時，不同的故障會使故障信號中某些頻段的能量發生不同的變化，因此可以對故障信號的能量進行對比分析，從而對異步電機故障進行診斷。常用的方法是采用小波包變換來分解故障信號，并通過對其各個頻段的能量進行分析對比，從而生成具有故障特征的矢量[25-27]。但也可以先使用小波包分析方法對故障信號進行分析，計算得到小波包能量譜熵和系數熵，組合形成故障信號的信息熵特征向量，可有效地提取異步電機的故障信息[28]。

為了使提取出的故障特征信息更加完整和有效，對多源故障特征信息進行融合。在異步電機轉子故障特征提取領域中，小波包分析和信號融合相結合的方法得到了廣泛的應用，它把采集到的振動信號和定子電流信號的頻譜特征相融合，把融合后的特征作為判斷異步電機轉子斷條的依據[29]。也有人把經過小波包分解得到的信號提取不同近似熵構成集合，然后采用自適應算法進行加權融合，最后提取出異步電機故障狀態下的特征[30]。

3.3 短時傅里葉變換

短時傅里葉變換(short-time Fourier transform，STFT)的原理是把非平穩過程看作是一系列短時平穩信號的疊加，由于短時性是在時間上加窗來實現的，也被稱為加窗傅里葉變換。短時傅里葉變換在時域和頻域上分析能力都很強，但是它匹配信號的特定頻率內容需要建立在合適的窗口上，因此在分析之前要選定窗口函數以保證時域和頻域的計算精度。

在使用短時傅里葉變換對故障信號進行時頻分析過程中，不但能夠提取出異步電機的故障特征，而且在一定條件下還能夠反映出故障頻率的變化。短時傅里葉變換可用于稀疏分解信號，獲得分解系數，然后優化獲得的系數，提取出所需要的故障特征信息[31]；一般也可利用短時傅里葉變換和小波變換相結合的方式來共同對異步電機故障信號進行時頻分析[32-33]。文獻[34]采用短時傅里葉變換對定子啟動電流進行分析，解決了故障信號和工頻信號難以分離和提取的問題，也反映出了故障特征頻率的變化趨勢。

短時傅里葉變換應用于異步電機故障診斷領域有一個很大的優點，它能夠得到不同時刻的頻譜，使得故障信息更加清晰明了。但是它對信號突然的變化反應不是很靈敏，而且窗口的大小是不能夠調整的，這導致它在異步電機故障診斷領域應用不多。

3.4 EMD經驗模態分解法

1998年美籍華人Norden E.Huang通過深入分析信號瞬時頻率特征后提出了經驗模態分解法(empirical mode decomposition，EMD)[35]，該方法假定所有信號都是是由多個本征模態功能函數(intrinsic mode function，IMF)組成，并且IMF分量之間彼此重疊以構成復合信號。EMD可以將任意的信號分解成IMF組合的形式，進行時頻域分析。

由于實驗獲取的原始信號中，通常包含著噪聲，噪聲使得信號波形雜亂、毛刺明顯，提取到有用的故障特征不是很容易，因此需要先使用EMD方法對信號去噪，從含噪聲的原始信號中恢復出有用的信號波形，并提取出故障特征。大部分研究都是用EMD方法對得到的信號進行濾波分解，進一步從中提取出故障特征[36]。但是文獻[37]利用EMD把振動和聲音信號分解為高頻和低頻模式，從中提取出高階統計參數，并且從IMF中還可以觀察到故障的發展變化，該方法可以為診斷斜齒輪局部故障的嚴重程度提供新的思路。

相較于單一的使用EMD方法，EMD與其他方法相結合來進行故障特征提取，更能適應復雜的系統。文獻[38]將EMD和信息熵結合在一起，提取出異步電機振動信號中的故障特征。另一方面文獻[39]利用EMD、希爾伯特變化和快速傅里葉變換從定子電流中提取出能夠表征轉子斷條的故障特征頻率，能夠有效地避免電流信號中高頻分量的影響。繼而，文獻[40]采用主成分分析方法(principal component analysis，PCA)對振動信號進行處理，經過EMD分解后得到能量熵，使之作為新的故障特征量，該方法克服了傳統提取方法花費大量精力和時間提取故障特征頻率的難題。

由于EMD具有完備性和正交性等優點，因此非常適合處理非線性、非平穩的電機故障信號，所以EMD在電機設備故障特征提取領域有一定的應用。然而EMD本身會存在模態混疊的問題[41]，這樣會使IMF失去物理意義，給正確分析信號的時頻分布帶來困難，因此EMD在故障特征提取中受到一定的限制[42]。

3.5 EEMD集合經驗模態分解法

針對EMD存在的模態混疊問題，吳兆華與Norden E.Huang 等人提出了集合經驗模態分解法(ensemble empirical mode decomposition，EEMD)[43]。該方法的基本原理是先把多組頻譜均勻分布的白噪聲加入到待分解的信號中，然后再對它進行EMD分解，利用白噪聲均值為零、方差相等的特性，對分解得到的所有IMF本征模態功能函數求均值，消除了白噪聲的影響，最后把得到的均值作為最終EEMD分解得到的IMF本征模態功能函數。EEMD提供了一個相對一致的參照尺度，以確保每一個IMF分量時域的連續性。

利用EEMD把電機定子電流信號分解為一系列IMF，選取信息最豐富的IMF分量構建故障特征向量[44]；也可以使用EEMD把信號分解為一定數量的IMF和殘差，接著對其進行包絡分析來解調出對應的故障特征頻率[45]。文獻[46]使用EEMD提取非平穩振動信號的數據特征向量，解決了模式混疊問題。以上EEMD算法完全繼承了EMD算法的優點，和EMD算法相比，EEMD具有更高的信噪比，非常適合處理非線性、非平穩的信號，還很好地克服了EMD中的混疊問題。

在EEMD 算法的基礎上，與其他的方法結合，能夠為故障提取提供更加可靠的依據。文獻[47]使用EEMD和希爾伯特變換相結合的方式對三相異步電機的故障進行特征提取。然而文獻[48]提出的一種基于EEMD和能量矩的特征提取方法，該方法使用IMF能量矩作為故障特征向量，相比于傳統的特征提取方法增加了時間特征因素，可以更加有效準確地提取出必要的信號特征。

隨著系統越來越復雜，一種改進的集成經驗模態分解(MEEMD)被提出來。它將定子電流分解，然后利用互相關準則，選取出包含最豐富信息的IMF分量，再通過計算得到它的能量熵，以此來構建出故障特征向量。該方法能夠很好地減少故障特征中的虛幻成分數量。該算法是對EEMD算法的改進，改進后的算法能夠進一步抑制模態混疊的狀況，得到更好的模態分量[49]。

4 其他故障特征提取法

除了上述所提到的常用的方法外，一些很少用到的提取方法也被用在異步電機的故障診斷領域，表2總結了一些其他的故障特征提取方法以及特點。

表2 異步電機其他故障特征提取方法

5 結束語

雖然經過幾十年的發展，故障診斷領域的內容得到了極大的豐富，取得了很大的進步，在工程實踐中得到了廣泛的應用和滿意的效果，但也暴露了許多需要解決的問題。針對異步電機故障診斷方面，有以下幾點值得注意：

(1)本文所提及的故障特征提取方法僅限于電機設備穩態運行狀態下，對起動、加速、制動等動態運行的研究較少。因此，在動態條件下實時地提取電機設備的故障特征也變得越來越重要。

(2)隨著電機系統復雜性的提高，當異步電機多種故障共存時，故障信號也會相互影響，進而增加故障特征提取的困難。因此，如何在復雜的系統環境中準確提取和分離故障特征也是一個值得研究的問題。

(3)為了充分利用獲得的不同信號的信息，使得提取出的異步電機故障特征更加準確，可以對各種信息進行融合，相互補充，克服單一型傳感器故障信號采集的不確定性帶來的影響。

(4)由于實際異步電機系統的復雜性和各種提取方法的局限性，只應用一種故障特征提取方法就完全提取出對象的故障特征幾乎是不可能的，此時就要同時使用多種故障特征提取方法來對故障特征進行綜合提取。因此，研究如何將多種提取方法有效地集成在一起，發揮各自的優勢，從而提高故障特征的完整性、準確性就成為一個具有重要現實意義的課題。

隨著異步電機所在系統復雜程度的提高，新的提取方法、優化算法、應用領域和應用產品的不斷出現，對異步電機故障特征的提取提出了更高的要求。在傳統的故障特征提取方法不斷完善的同時，人工智能技術和傳感器技術最新的研究成果一定會源源不斷地注入到異步電機故障特征提取領域。