CN103267947A - 一种交流电机故障诊断与预测中的特征提取方法 - Google Patents

Abstract

本发明公开了一种交流电机故障诊断与预测中的特征提取方法，包括以下步骤：采集振动加速度信号；对振动加速度信号去噪；采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离；采用小波包方法对分离后的振动加速度信号进行特征提取；简化能量比向量；对简化后的能量比向量进行特征强化；输入交流电机故障诊断与预测模型进行故障诊断与预测。本发明对振动加速度信号进行分离,能够分离出混合信号中的独立信号源，提高了故障特征提取的正确率和准确度；对特征频带进行分解，计算能量比及化简，减少了故障诊断与预测模型的输入，简化了模型的结构；并对能量比向量进行特征强化，使模型能够更有效地识别故障状态及进行故障预测。

Description

一种交流电机故障诊断与预测中的特征提取方法

技术领域

本发明涉及一种电机故障诊断与预测中的数据预处理方法，特别是一种交流电机故障诊断与预测中的特征提取方法。

背景技术

交流电机因其具有结构简单、性能良好、使用维护方便等特点而在工业生产中得到了广泛的应用。但由于其在应用中受到频繁启动、负载波动、工作环境恶劣等因素的影响，电机发生故障是不可避免的。因此，电机故障诊断与预测一直受到各相关领域的重视。同时，随着科学技术的不断发展，新的信号处理方法促进了电机故障诊断与预测新技术的不断出现。

众所周知，故障诊断的正确率与所采用的故障诊断样本数据质量紧密相关。然而，在实际数据采集过程中，所采集的样本数据质量通常受其系统结构复杂性、电机运行环境等因素的影响。以电机振动数据的采集为例，安装在电机外壳上的传感器所测得的振动信号数据不仅包含了与其相联接部件的机械振动，还包含了其自身零部件所产生的振动。同理，所测得的振动信号数据不仅包含了电机脉动转矩引起的振动，还包含了电机故障所产生的振动等等。因此，所采集到的振动信号实际上是多个振源构成的一个混合振动信号，这无疑给故障诊断和预测带来一定的难度。目前，有许多关于基于小波包分析的交流电机故障诊断与预测方面的研究成果报告，详见下列文献：

[1]曹豫宁,李永丽,梅云,李斌.基于小波变换的频谱细化方法在电动机故障检测中的应用.继电器,2002,30(6)：1-3；

[2]田慕玲,王晓玲.电机故障诊断中的小波分析方法和小波基的选取.煤矿机械2007,28(5)：176-179；

[3]付华,尹丽娜.小波包分解在电机故障诊断中的应用[J].微电机，2007,40(5)：86-89；

[4]葛文谦.小波神经网络在旋转机械故障诊断中的应用研究：[硕士学位论文].河北：燕山大学电气工程学院，2005；

[5]何建军.小波变换及其在电机故障信号检测和分析中的应用研究.[博士学位论文].重庆：重庆大学博士学位论文，1999。

这些文献均不同程度地提高了交流电机故障诊断与预测的可靠性。这些方法的主要思想是利用电机无故障状态与故障状态时子频带能量分布不同的特点，通过小波包分解将振动数据分解成多个正交的子频带，之后计算各子频带与全频带总能量的能量比，这个过程称之为特征提取，特征提取之后得到一个能量比向量，然后将这个向量输入故障诊断与预测网络进行网络模型的训练。流程见图1所示。但是在研究中发现，这些研究成果存在以下几方面的问题：

问题一：在实际中采集到的振动数据多为多振源的混合信号，如果直接进行小波包分解，会直接影响到故障特征提取及其后的故障诊断与预测的效果；

问题二：在小波包分解之后得到的频带个数如果太多，会增加其后模型训练的复杂度；

问题三：直接使用小波包分解进行特征提取之后得到的能量比向量进行故障诊断与预测模型的训练时，训练的效果不好，不能有效地识别电机的故障特征或进行故障预测。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种能够实现混合振动源的分离、特征频带选择和特征强化的交流电机故障诊断与预测中的特征提取方法。

为了实现上述目的，本发明的技术方案如下：一种交流电机故障诊断与预测中的特征提取方法，包括以下步骤：

A：通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号；

B：对振动加速度信号进行必要的去噪处理；

C：采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离，分离方法包括以下步骤：

C1：对振动加速度信号进行去均值处理；

C2：对去均值后的信号做去相关处理；

C3：对去相关后的振动加速度信号进行独立振动源的分离，得到分离后的振动加速度信号；

D:采用小波包方法对分离后的振动加速度信号进行特征提取，得到各个子频带的能量比值，采用三层分解的方式进行分解，分解之后得到8个频率由低到高的正交子频带的能量比分量，构成的能量比向量用RE₀＝{re_i|i＝1,…,8}来表示；

E：为了简化故障诊断与预测模型，去掉RE₀＝{re_i|i＝1,…,8}中能量比较小的第5-8个高频能量比分量，用剩余的第1-4个低频能量比分量构成新的向量，用RE₁＝{re_i|i＝1,…,4}来表示；

F：对向量RE₁＝{re_i|i＝1,…,4}进行特征强化，得到特征强化后的能量比向量RE₂＝{re_i|i＝1,…,4}；

G：将特征强化后的能量比向量RE₂输入交流电机故障诊断与预测模型进行故障诊断与预测。

与现有技术相比，本发明具有以下有益效果：

1、本发明采用快速独立成分分析方法(盲分离方法的一种)对降噪后的振动加速度信号进行分离,能够分离出混合信号中的原始的独立信号源，提高了故障特征提取的正确率和准确度。

2、本发明对特征频带进行分解，计算能量比及化简，减少了故障诊断模型的输入，进而简化了模型的结构。具体分析如下：

（1）从信号滤波的角度理解，小波包分解将待分析信号通过一个高通滤波器和一个低通滤波器进行滤波，得到一组低频信号和一组高频信号，并且对高频信号和低频信号分别分解。随着分解层数的增加，小波包分解对信号的高频成分和低频成分的分解都可达到很精细的程度，从而可以得到信号在某些频段内的特征信息。可以把小波包分解看成是一个首尾相接的恒带宽滤波器组，小波包分解的结果使得信号的能量被分到一系列首尾相接的频带上。因此采用小波包分解方法将振动信号进行三层分解，得到8个正交的恒带宽子频带，然后计算每个频带的能量相对于总能量的比值，得到由8个大于0小于1的数值构成的能量比向量。

（2）由于对于变频器控制的交流电机来说，高频段的信号多为电磁干扰，有用的信号多集中在低频段，实际计算出来的高频段信号的能量比也很小，因此可以去掉对高频段的分析，以达到减少模型输入，简化模型结构的目的。本发明中，去掉了第5到第8个高频段的4个能量比分量，留下了第1到第4个低频段的能量比分量进行进一步的处理。

3、本发明采用特征强化的方法，以提高故障诊断模型的有效性。实际应用中，发现直接使用小波包进行特征提取之后得到的能量比向量进行故障诊断与预测模型的训练时，训练的效果不好，即不能有效地识别电机的故障特征或进行故障预测，究其原因，发现经小波包分解后得到的能量比向量，其特征区分度不够，这是由于在故障早期，故障的特征并不明显，或者不同故障的能量比表现出相似的特征。因此本成果在特征提取之后又进行了特征强化的处理(实际上是一种表达形式的变换)，这样经特征强化处理后训练出来的模型能够有效地识别故障状态及进行故障预测。

附图说明

本发明共有附图6张，其中：

图1基于小波包分析的交流电机故障诊断与预测流程示意图。

图2是本发明的流程示意图。

图3是分离前振动信号的功率谱图。

图4是分离后振动信号的功率谱图。

图5是特征分解后故障诊断效果图。

图6是特征强化后故障诊断效果图。

具体实施方式

下面结合附图对本发明进行进一步地描述。如图2所示，一种交流电机故障诊断与预测中的特征提取方法，包括以下步骤：

A：通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号；

B：对振动加速度信号进行必要的去噪处理；

C：采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离，分离方法包括以下步骤：

C1：对振动加速度信号进行去均值处理；

C2：对去均值后的信号做去相关处理，即通过一个线性变换，对原信号进行转换，转换后的信号设为Z，使其满足E{ZZ^T}＝I；

C3：对去相关后的振动加速度信号进行独立振动源的分离，得到分离后的振动数据；

D:接着采用小波包方法对分离后的振动数据进行特征提取，特征提取包括以下步骤：

D1:采用三层分解的方式对分离后的振动数据进行分解，将原来在0-nHZ的频带范围内的信号即振动数据，分解到

$\frac{3}{8}n~\frac{1}{2}\mathrm{nHZ},\frac{1}{2}n~\frac{5}{8}\mathrm{nHZ},\frac{5}{8}n~\frac{3}{4}\mathrm{nHZ},\frac{3}{4}n~\frac{7}{8}\mathrm{nHZ},\frac{7}{8}n~\mathrm{nHZ}$ 这8个子频带上；

D2:计算每个子频带内信号的能量E_i(i＝1,…,8)及信号的总能量E；

D3:求E_i(i＝1,…,8)与E的比，得到各个子频带的能量比re_i(i＝1,…,8)，构成的能量比向量用RE₀＝{re_i|i＝1,…,8}来表示；

E：为了简化故障诊断与预测模型，去掉能量比较小的第5-8个高频能量比分量，用剩余的第1-4个低频能量比分量构成新向量，用RE₁＝{re_i|i＝1,…,4}来表示；

F：对简化后的能量比向量RE₁进行特征强化，步骤如下：

F1:采集同类型无故障电机10组振动加速度数据，经前述步骤处理后，得到简化后的能量比向量组，用来表示，

表示为一个维数为10×4的矩阵，记为矩阵ARE₁＝[e_i,j]_10×4；

F2:对矩阵ARE₁＝[e_i,j]_10×4的每一列求均值，得到向量ave_RE＝{ave_re_i|i＝1,…,4}；

F3:将RE₁＝{re_i|i＝1,…,4}与ave_RE＝{ave_re_i|i＝1,…,4}相减，得到特征强化后的向量RE₂；

G：将特征强化后的向量RE₂输入交流电机故障诊断与预测模型进行故障诊断与预测。

为了阐明本发明的有益效果1，现举例说明。

以1.5kw交流电机为例，采集在某一转速下的4路振动加速度信号，在去噪后使用盲分离方法(这里采用快速独立成分分析方法)进行混合振动源的分离。分离前后的功率谱对比图如图3和图4所示。

图3为4路传感器采集的振动加速度信号（经过去噪处理）的功率谱图，图4为对图3的4路振动加速度信号进行盲分离之后的功率谱图，对比图3和图4，我们可以看到，频率为15Hz、25Hz被清晰地被分离出来。因此使用分离后的数据进行特征提取将降低信号的复杂度，提高故障诊断与预测的正确率和有效性。

为了阐明本发明的有益效果3，现举例说明。

以1.5kw无故障交流电机为例，图5是使用小波包分解之后未经特征强化的能量比向量送入故障诊断与预测网络，进行故障诊断训练的效果图，从图中可以看出该诊断模型并不能有效区分故障状态和无故障状态；图6是将特征强化后的能量比向量送入网络进行训练的结果，可以发现此网络能有效区分2种状态，即序号1-6为故障状态，7-12为无故障状态。

Claims (1)

1.一种交流电机故障诊断与预测中的特征提取方法，其特征在于：包括以下步骤：

A：通过布置在电机各处的振动加速度传感器采集多处的振动加速度信号；

B：对振动加速度信号进行必要的去噪处理；

C：采用快速独立成分分析方法对去噪处理后的振动加速度信号进行振源分离，分离方法包括以下步骤：

C1：对振动加速度信号进行去均值处理；

C2：对去均值后的信号做去相关处理；

C3：对去相关后的振动加速度信号进行独立振动源的分离，得到分离后的振动加速度信号；

D:采用小波包方法对分离后的振动加速度信号进行特征提取，得到各个子频带的能量比值，采用三层分解的方式进行分解，分解之后得到8个频率由低到高的正交子频带的能量比分量，构成的能量比向量用RE₀＝{re_i|i＝1,…,8}来表示；

E：为了简化故障诊断与预测模型，去掉RE₀＝{re_i|i＝1,…,8}中能量比较小的第5-8个高频能量比分量，用剩余的第1-4个低频能量比分量构成新的向量，用RE₁＝{re_i|i＝1,…,4}来表示；

F：对向量RE₁＝{re_i|i＝1,…,4}进行特征强化，得到特征强化后的能量比向量RE₂＝{re_i|i＝1,…,4}；

G：将特征强化后的能量比向量RE₂输入交流电机故障诊断与预测模型进行故障诊断与预测。

Images