CN106357036A - 一种电机定子与机座的定位结构及其故障诊断方法 - Google Patents

Abstract

本发明公开了一种电机定子与机座的定位结构，包括：转子；定子冲片，其外周圆上设置有定位凸起，能够定位；机座，其内部设置有定位凹槽，能够与所述定位凸起相互配合，实现与定子周向定位；其中，所述定位凸起和所述定位凹槽的形状包括：半圆形、梯形、矩形中的一种。在定子冲片外周圆上设置凸起结构，将定子冲片叠压而形成带有定位凸起的定子，并将定子与机座内壁的定位凹槽相互配合，实现定子的周向定位，采用EMD分解法对降噪信号进行分解，并采用CMF方法对相邻信号进行组合，能够得到更加平滑、稳定和完整的振动信号，并通过小波包分解和BP神经网络方法进行电机的故障诊断，能够准确及时检测出电机故障，防止电机故障带来的损失。

Description

一种电机定子与机座的定位结构及其故障诊断方法

技术领域

本发明涉及一种电机定子与机座的定位结构及其故障诊断方法，属于电机制造领域。

背景技术

随着现代科学技术的进步和社会经济的不断发展，电机在生产和日常生活在发挥着和越来越重要的作用，它是现代社会生产中应用最广泛的一种驱动机械。随着计算机和电子技术的发展，生产设备不断向着大型化、高速化、连续化和自动化方向发展，因此，对电机设备有着很大的需求数量和很高的质量要求。

现有的电机，为了减轻电动汽车的整车重量，其驱动电机采用铝合金外壳，由于铝的膨胀系数大于铁的膨胀系数，因此，在电机运行时，常常会使电机温度升高，导致定子铁芯机座受热膨胀。由于机座的膨胀系数大于定子铁芯的膨胀系数，为了防止在运行过程中定子与机座发生相对转动，需要对机座和定子进行定位。

现有的方法大多采用在机座上打顶丝孔，通过顶丝进行定位，这种方法不仅增加了零部件和加工、装配工序和难度，浪费时间，使生产成本增加，同时，在电机长时间使用后容易出现顶丝松动的显现，仍然不能从根本上解决问题。

发明内容

本发明设计开发了一种电机定子与机座的定位结构，采用定位凸起和定位凹槽相互配合，对定子和机座进行固定，能够克服电机在运行过程中温度升高而引起的定子与机座的相对转动的问题。

本发明还有一个目的，提供一种电机故障诊断方法，能够更加准确、及时的检测电机故障，提高电机运行的稳定性。

本发明提供的技术方案为：

一种电机定子与机座的定位结构，包括：

转子；

定子冲片，其外周圆上设置有定位凸起，能够定位；

机座，其内部设置有定位凹槽，能够与所述定位凸起相互配合，实现与定子周向定位；

其中，所述定位凸起和所述定位凹槽的形状为半圆形、梯形和矩形中的一种。

优选的是，所述定子冲片内周圆上等间距设置有多个绕组槽。

优选的是，所述定位凸起和所述定位凹槽的形状采用半圆形。

优选的是，还包括上端盖和下端盖，其分别设置在所述定子的轴向两侧。

优选的是，所述定子冲片外周圆上等间距的设置有槽口。

优选的是，所述转子与轴固定连接。

优选的是，所述定子冲片采用硅钢材质。

本发明的目的还可以进一步通过一种电机定子与机座的定位结构的电机故障诊断方法来实现，包括如下步骤：

步骤1、通过传感器，采集电机的振动信号，并对振动信号进行EMD分解，得到IMF分量；

步骤2、采用CMF方法，组合相邻IMF分量c_i,c_i+1,…,c_i+m为组合分量c_s：c_s＝c_i+c_i+1+…+c_i+m 1≤i≤n-m，式中，n为EMD分解中最大IMF分量数，保证完整的信号；

步骤3、对步骤2中得到的信号X(t)进行3层小波包分解，设定信号X(t)中最低频率为0，最高频率为f；对各层小波包系数进行重构，提取各子带信号，用X_i,j表示第i层的第j个节点，得到总的信号重构为：X＝X₃₀+X₃₁+X₃₂+X₃₃+X₃₄+X₃₅+X₃₆+X₃₇；

步骤4、设X_3i对应的能量为E_3i，i＝0,1,2...7，为第i个节点，则各子带信号的能量为其中t为自变量，x_i,k为重构信号X_3i的离散点的幅值，i＝0,1,2,...7；k＝1,2...,n，k为信号采样点数；

步骤5、对能量E_3i进行归一化处理，得到归一化后的特征向量为I＝{I₀，I₁，I₂，I₃，I₄，I₅，I₆，I₇}。

步骤6、将小波包分析作为BP神经网络的前处理器，构建三层BP神经网络体系，包括输入层、隐层和输出层，将小波包分析提取的信号特征向量I＝{I₀，I₁，I₂，I₃，I₄，I₅，I₆，I₇}作为BP神经网络训练的输入向量，输入神经元个数8个，隐层神经元个数5个，输出神经元个数为2个，l代表输出控制量的模糊集分别由l₀～l₁表示；0和1表示故障和正常；当输出l₀＝0，l₁＝1时，表示电机运转正常；当l₀＝1，l₁＝0时，表示转子不对中；当l₀＝1，l₁＝1时表示轴承碰磨。

本发明所述的有益效果：在定子冲片外周圆上设置凸起结构，将定子冲片叠压而形成带有定位凸起的定子，并将定子与机座内壁的定位凹槽相互配合，实现定子的周向定位，在定子冲片叠压过程中，定子冲片上的凸起结构能够起到防错的作用，使叠压时冲片的毛刺方向一致。采用此种定位结构，能够防止电机在运行过程中随着温度升高而产生机座受热膨胀，导致定子与机座发生相对转动，能够替代固有的顶丝定位方式，操作简单，节约时间，提高电机的运转效率。

采用EMD分解法对降噪信号进行分解，并采用CMF方法对相邻信号进行组合，能够得到更加平滑、稳定和完整的振动信号，并通过小波包分解和BP神经网络方法进行电机的故障诊断，能够更加准确、及时检测出电机故障，防止电机故障带来的损失，提高电机运行的稳定性。本装置结构简单，定位可靠，使用方便，成本低廉，适合大范围的推广和使用。

附图说明

图1为本发明所述的电机的结构示意图。

图2为本发明所述的定子冲片的结构示意图。

图3为本发明所述的机座的剖面图。

图4为本发明所述的电机故障诊断过程图。

图5为本发明所述的三层小波包分解图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1-3所示，本发明提供一种电机定子与机座的定位结构，包括机座30，其为圆柱结构，内部中空，机座30的内壁上设置有向外壁凹陷的定位凹槽31；定子冲片21，其为圆形结构，外周圆上设置有定位凸起211，多片相同的定子冲片21按照相同的方向叠压在一起，形成定子20，定位凸起211能够与机座30上的定位凹槽31相互配合，实现定子的周向定位。在定子冲片21叠压的过程中，能够使定子冲片毛刺叠压的方向一致，在叠压过程中能够起到防错的作用。

在定子冲片21的内周圆上等间距的设置有多个朝向圆心方向的绕组齿213，相邻绕组齿之间形成绕组槽，能够缠绕线圈。在定子冲片21的外周圆上设置有多个等间距的内向凹槽212，作为一种优选，本发明选用6个内向凹槽212。

上端盖10和下端盖50对称设置在定子的轴向两侧，并与机座30相配合；转子60能够与定子20相互配合实现电能与机械能、机械能与电能的相互转换，同时定子20与电机的轴固定连接。

本发明的定位凸起211和定位凹槽31的形状包括半圆形、梯形、矩形中的一种，作为一种优选，本发明采用半圆形结构作为定位凸起211和定位凹槽31的定位结构，实现定子的周向固定，保证电机持续运转，提高电机运行的稳定性。

作为一种优选，本发明的定子冲片21选用硅钢材质，其铁损低，在较强磁场下磁感应强度高，能够减小电机和定子铁心的体积与重量，节约硅钢片和其他材料，减小成本。

如图4所示，一种电机故障诊断方法，包括如下步骤

步骤1、采用传感器对电机进行振动信号提取，采用时空滤波器进行滤波降噪，对振动信号进行消噪预处理，得到降噪信号，包括稳态和非稳态信号；

步骤2、原始数据序列最终可以表示为：其中，r_n(t)为残余项，代表信号的平均趋势，IMF分量c_i(t)代表信号的不同频段成分。采用经验模态分解(EMD)方法对降噪信号进行分解，得到相应平稳的的IMF分量；

步骤3、采用CMF方法，组合相邻IMF分量c_i,c_i+1,…,c_i+m为组合分量c_s：c_s＝c_i+c_i+1+…+c_i+m 1≤i≤n-m，式中，n为EMD分解中最大IMF分量数，保证信号的完整；

步骤4、对步骤3中得到的完整平稳信号X(t)进行3层小波包分解，如图5所示，设定信号X(t)中最低频率为0，最高频率为f，作为一种优选，本发明的最高频率f选用4800Hz，小波包分解的频率范围如表1所示；对各层小波包系数进行重构，提取各子带信号，用X_i,j表示节点(i,j)的重构信号，(i,j)表示第i层的第j个节点，得到总的信号重构为：X＝X₃₀+X₃₁+X₃₂+X₃₃+X₃₄+X₃₅+X₃₆+X₃₇。

表1

信号	频率范围
		X30	0-0.125f
X31	0.125f-0.25f
		X32	0.25f-0.375f
X33	0.375f-0.5f
		X34	0.5f-0.625f
X35	0.625f-0.75f
		X36	0.75f-0.825f
X37	0.825f-0f

步骤5、设X_3i对应的能量为E_3i，i＝0,1,2...7，为第i个节点，则各子带信号的能量为其中t为自变量，x_i,j为重构信号X_3i的离散点的幅值，i＝0,1,2,...7；k＝1,2...,n，n为信号采样点数；以能量为元素构造特征向量，M＝[E'₀,E′₁,E'₂,E′₃,E'₄,E'₅,E'₆,E'₇]，并进行归一化处理，得到归一化后的特征向量为I＝{I₀，I₁，I₂，I₃，I₄，I₅，I₆，I₇}。

步骤6、将小波包分析作为BP神经网络的前处理器，构建三层BP神经网络体系，包括输入层、隐层和输出层，将小波包分析提取的信号特征向量I＝{I₀，I₁，I₂，I₃，I₄，I₅，I₆，I₇}作为BP神经网络训练的输入向量，输出神经元个数为2个，l代表输出控制量的模糊集分别由l₀～l₁表示。0和1表示故障和正常；当输出l₀＝0，l₁＝1时，表示电机运转正常；当l₀＝1，l₁＝0时，表示转子不对中；当l₀＝1，l₁＝1时表示轴承碰磨。隐藏层节点数m由下式估算得出：输入层节点数为n＝8，输出层节点数为p＝2，隐层节点数m＝5；采用梯度下降BP算法对神经网络的权值进行学习和优化。对输入层到隐层和隐层到输出层的权值进行修改和优化。采样频率为1200Hz，目标误差为0.0001，学习速率为0.5。

步骤7、通过信号采集系统得到6组信号，通过MATLAB编写小波包信号分析程序，提取特征向量得到6组样本信号特征向量，如表2所示

表2

	I0	I1	I2	I3	I4	I5	I6	I7
									T1	0.8123	0.3147	0.2837	0.2589	0.2456	0.1789	0.1964	0.1665
T2	0.7345	0.4267	0.2844	0.2017	0.2668	0.1578	0.1794	0.1639
									T3	0.1839	0.8762	0.2368	0.1473	0.1789	0.0997	0.0864	0.1342
T4	0.1673	0.9728	0.2196	0.2251	0.1374	0.0842	0.0693	0.1724
									T5	0.1732	0.1449	0.8778	0.2034	0.2896	0.2315	0.0909	0.1654
T6	0.1598	0.1378	0.9147	0.1986	0.2193	0.2654	0.0847	0.1924

将表2中的特征向量作为神经网络的输入，通过网络训练，得到测试结果如表3所示

表3

通过表3可知测试结果符合实际测试信号对应的电机运行状态，正面了利用小波包分析能够有效提取故障特征向量，同时采用BP神经网络能够对电机故障作出诊断分析。

在定子冲片外周圆上设置凸起结构，将定子冲片叠压而形成带有定位凸起的定子，并将定子与机座内壁的定位凹槽相互配合，实现定子的周向定位，在定子冲片叠压过程中，定子冲片上的凸起结构能够起到防错的作用，使叠压时冲片的毛刺方向一致。采用此种定位结构，能够防止电机在运行过程中随着温度升高而产生机座受热膨胀，导致定子与机座发生相对转动，能够替代固有的顶丝定位方式，操作简单，节约时间，提高电机的运转效率。

采用EMD分解法对降噪信号进行分解，并采用CMF方法对相邻信号进行组合，能够得到更加平滑、稳定和完整的振动信号，并通过小波包分解和BP神经网络方法进行电机的故障诊断，能够更加准确、及时检测出电机故障，防止电机故障带来的损失，提高电机运行的稳定性。本装置结构简单，定位可靠，使用方便，成本低廉，适合大范围的推广和使用。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种电机定子与机座的定位结构，其特征在于，包括：

转子；

定子冲片，其外周圆上设置有定位凸起，能够定位；

机座，其内部设置有定位凹槽，能够与所述定位凸起相互配合，实现与定子周向定位；

其中，所述定位凸起和所述定位凹槽的形状为半圆形、梯形和矩形中的一种。

2.根据权利要求1所述的电机定子与机座的定位结构，其特征在于，所述定子冲片内周圆上等间距设置有多个绕组槽。

3.根据权利要求1所述的电机定子与机座的定位结构，其特征在于，所述定位凸起和所述定位凹槽的形状采用半圆形。

4.根据权利要求1所述的电机定子与机座的定位结构，其特征在于，还包括上端盖和下端盖，其分别设置在所述定子的轴向两侧。

5.根据权利要求2所述的电机定子与机座的定位结构，其特征在于，所述定子冲片外周圆上等间距的设置有槽口。

6.根据权利要求1所述的电机定子与机座的定位结构，其特征在于，所述转子与轴固定连接。

7.根据权利要求5所述的电机定子与机座的定位结构，其特征在于，所述定子冲片采用硅钢材质。

8.一种使用权利要求1-7任意一项所述的电机定子与机座的定位结构的电机故障诊断方法，还包括：

步骤1、通过传感器，采集电机的振动信号，并对振动信号进行EMD分解，得到IMF分量；

步骤2、采用CMF方法，组合相邻IMF分量c_i,c_i+1,…,c_i+m为组合分量c_s：c_s＝c_i+c_i+1+…+c_i+m 1≤i≤n-m，式中，n为EMD分解中最大IMF分量数，保证完整的信号；

步骤3、对步骤2中得到的信号X(t)进行3层小波包分解，设定信号X(t)中最低频率为0，最高频率为f；对各层小波包系数进行重构，提取各子带信号，用X_i,j表示第i层的第j个节点，得到总的信号重构为：X＝X₃₀+X₃₁+X₃₂+X₃₃+X₃₄+X₃₅+X₃₆+X₃₇；

步骤4、设X_3i对应的能量为E_3i，i＝0,1,2...7，为第i个节点，则各子带信号的能量为其中t为自变量，x_i,k为重构信号X_3i的离散点的幅值，i＝0,1,2,...7；k＝1,2...,n，k为信号采样点数；

步骤5、对能量E_3i进行归一化处理，得到归一化后的特征向量为I＝{I₀，I₁，I₂，I₃，I₄，I₅，I₆，I₇}；

步骤6、将小波包分析作为BP神经网络的前处理器，构建三层BP神经网络体系，包括输入层、隐层和输出层，将小波包分析提取的信号特征向量I＝{I₀，I₁，I₂，I₃，I₄，I₅，I₆，I₇}作为BP神经网络训练的输入向量，输入神经元个数8个，隐层神经元个数5个，输出神经元个数为2个，l代表输出控制量的模糊集分别由l₀～l₁表示；0和1表示故障和正常；当输出l₀＝0，l₁＝1时，表示电机运转正常；当l₀＝1，l₁＝0时，表示转子不对中；当l₀＝1，l₁＝1时表示轴承碰磨。