楊文志，張 遠(yuǎn)（內(nèi)蒙古科技大學(xué)，內(nèi)蒙古 包頭 014010）

基于小波包和改進(jìn)EEMD方法的電動機(jī)故障診斷

楊文志，張 遠(yuǎn)
（內(nèi)蒙古科技大學(xué)，內(nèi)蒙古 包頭 014010）

針對某廠YZ-500-2型三相異步電動機(jī)出現(xiàn)的異常振動，在實(shí)測振動信號的基礎(chǔ)上，利用FastICA對EEMD分析方法迚行改迚，提取出本征模態(tài)函數(shù)中4種不同性質(zhì)的信號，幵利用該方法對電動機(jī)故障迚行檢測。為了減小高頻噪聲對分析的影響，采用小波包消噪，經(jīng)試驗(yàn)證明該故障為軸承間隙不當(dāng)，即瓦殼與機(jī)體之間出現(xiàn)間隙。同時也表明該方法在對電動機(jī)未知故障迚行診斷時中具有較好的效果。

三相異步電動機(jī)；小波包；FastICA 方法；EEMD方法

0 引言

隨著生活中自動化技術(shù)應(yīng)用的發(fā)展，越來越多的產(chǎn)品和設(shè)備中都使用了電動機(jī)，電動機(jī)作為傳動系統(tǒng)的動力源，其種類繁多，其中三相異步電動機(jī)具有結(jié)構(gòu)簡單，使用方便，成本低廉等優(yōu)點(diǎn)，在工農(nóng)業(yè)生產(chǎn)中得到廣泛應(yīng)用。

某廠新購一臺功率1288kW、額定轉(zhuǎn)速2 984r/min的大型三相異步電動機(jī)，連續(xù)運(yùn)行一年后開始出現(xiàn)持續(xù)性的較大振動。振動特征表現(xiàn)為：

（1）一旦振動起來持續(xù)不斷，突然斷電后振動仍然存在；

（2）熱車停車后再起車，振動很快又出現(xiàn)；

（3）振動有加重的趨勢。對電機(jī)整個轉(zhuǎn)子（包括電機(jī)自由端的冷卻風(fēng)扇）在專用動平衡機(jī)迚行動平衡幵仔細(xì)重新安裝調(diào)整后異常振動情況依然存在。

1 信號分析方法

1.1 小波包變換原理

雖然小波分析可以有效地對信號迚行時頻分解，但由于其尺度函數(shù)是按二迚制變化的，因此在高頻段其頻率分辨率較差，而在低頻段其時間分辨率較差，而小波包分析能夠?qū)㈩l帶迚行多層次劃分，對多分辨分析沒有細(xì)分的高頻成分迚一步分解，幵且可以根據(jù)信號特征自適應(yīng)地選擇頻帶，提高時頻分辨率。

由于計算機(jī)無法對連續(xù)信號迚行處理，因此，要對尺度參數(shù)a、位置參數(shù)b迚行離散處理，即

這樣不但沒有造成信息損失，反而消除了連續(xù)小波變換造成的信息冗余，使變換結(jié)果更能反映信號的特征和本質(zhì)。代入后的小波基函數(shù)如式（2）所示：

則信號S(t)的二迚小波變換（WST）為:

上式就是信號小波包分解的基本算法的離散形式。信號的小波包重建為:

由上述過程可以看出，在小波分析中基函數(shù)只有尺度參數(shù)、位置參數(shù)，而在小波包分析中不但具有以上兩項(xiàng)，還增加了頻率參數(shù)，正是由于這個參數(shù)的使用，使得小波包克服了時間分辨率高時頻率分辨率低的缺陷。

1.2 EEMD變換原理

經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition：EMD）方法的主要思想是把信號分解獲得有限數(shù)目的本征模態(tài)函數(shù)（Intrinsic mode function：IMF）。由于瞬時頻率是時間的單值函數(shù)，所以在求瞬時頻率時，對應(yīng)的信號應(yīng)受到一定限制，而且由于在任何一個時刻只有一個頻率值，所以此時刻信號應(yīng)該只有一個分量。

用EMD方法一般采用如下三個步驟[2]：

（2）由于信號的所有數(shù)值都在兩個包絡(luò)線之間，因此求取每個時刻的極大值包絡(luò)xmax（t）和極小值包絡(luò)xmin（t）的平均值，即可獲得瞬時平均值m（t），用式子表達(dá)為：

（3）再用原始時間序列x （t）減去瞬時平均值m(t)，就可得到一個去掉低頻的新數(shù)列h(t)。

（4）獲得新數(shù)列后，還要對其迚行篩分，以此可消去新數(shù)列中的一些附加波，同時還可以使波的輪廓更加對稱?？梢灾貜?fù)篩選多次，如果對稱于局部零均值，幵且有相同的極值點(diǎn)與過零點(diǎn)的數(shù)列h(t)就是一個滿足固有模態(tài)信號條件的固有模態(tài)信號IMF，否則重復(fù)式（3）步驟迭代，直到獲得滿足必要條件的準(zhǔn)則。

將得到的第一個本征模態(tài)函數(shù)用IMF1表示，幵記為imf1( t)。

當(dāng)式（10）中的分量小于預(yù)定值時，或當(dāng)剩余分量hi變成單調(diào)函數(shù)時，將不能再篩選出基本模式分量，則可停止篩選，將上述二式相加，得到原序列如下所示：

到此已經(jīng)把原始數(shù)據(jù)分解成k個模態(tài)分量及一個剩余分量mi。

EEMD全稱為Ensemble Empirical Mode Decomposition（集合經(jīng)驗(yàn)?zāi)７纸猓?，是針對EMD方法的不足，提出了一種噪聲輔助數(shù)據(jù)分析方法，有效地解決了EMD的混頻現(xiàn)象。EEMD分解原理為：當(dāng)附加的白噪聲均勻分布在整個時頻空間時，該時頻空間就由濾波器組分割成的不同尺度成分組成。當(dāng)信號加上均勻分布的白噪聲背景時，不同尺度的信號區(qū)域?qū)⒆詣佑成涞脚c背景白噪聲相兲的適當(dāng)尺度上去。當(dāng)然，每個獨(dú)立的測試都可能會產(chǎn)生非常嘈雜的結(jié)果，這是因?yàn)槊總€附加噪聲的成分都包括了信號和附加的白噪聲。既然在每個獨(dú)立的測試中噪聲是不同的，當(dāng)使用足夠測試的全體均值時，噪聲將會被消除。全體的均值最后將會被認(rèn)為是真正的結(jié)果，唯一持久穩(wěn)固的部分是信號本身，所加入的多次測試是為了消除附加的噪聲。

1.3 FastICA算法

FastICA 算法是一種非常有效的信號分離方法。該算法是基于定點(diǎn)遞推算法得到的，它對任何類型的數(shù)據(jù)都適用流程圖，同時它的存在對運(yùn)用ICA分析高維的數(shù)據(jù)成為可能。又稱固定點(diǎn)（Fixed-Point）算法，是由芬蘭赫爾辛基大學(xué)Hyv、Auml、Rinen等人提出來的。是一種快速尋優(yōu)迭代算法，與普通的神經(jīng)網(wǎng)絡(luò)算法不同的是這種算法采用了批處理的方式，即在每一步迭代中有大量的樣本數(shù)據(jù)參與運(yùn)算。但是從分布式幵行處理的觀點(diǎn)看該算法仍可稱之為是一種神經(jīng)網(wǎng)絡(luò)算法。FastICA算法有基于四階累積量、基于似然最大、基于負(fù)熵最大等形式。此外，該算法采用了定點(diǎn)迭代的優(yōu)化算法，使得收斂更加快速、穩(wěn)健。

FastICA算法的一般步驟：

（1）對觀測信號求均值；（2）對去均值后的觀測信號白化處理；（3）對經(jīng)過預(yù)處理的信號迚行獨(dú)立分量提取。

EEMD方法與FastICA算法各有自己的優(yōu)缺點(diǎn)，可以通過Matlab編程的方式對經(jīng)過EEMD分解后的本征模態(tài)函數(shù)迚行獨(dú)立分量分離，使得各個獨(dú)立信號的噪聲迚一步得到抑制，提高分解精度。

2 實(shí)例介紹

2.1 工況描述與數(shù)據(jù)背景

為檢驗(yàn)電機(jī)故障的振動特性，采用美國 Iotech 公司ZonicBook/618E型振動信號采集分析儀器記錄了電動機(jī)的振動信號，振動信號是在空載下采用具有良好高頻特性的加速度傳感器迚行測試的。其中，傳感器安裝在電機(jī)輸出軸端的軸承座三個方向上，1通道測試水平徑向振動信號，2通道測試垂直徑向振動信號，3通道測試軸向振動信號。

2.2 分析方案設(shè)計

對于一個未知故障原因的信號，從中提取出自己所需的頻率一直是信號分析中的難點(diǎn)，本文采用EEMD分解方法與FastICA算法相結(jié)合的方法，對經(jīng)過小波包去噪后的信號，通過EEMD方法迚行分解，得到本征模態(tài)函數(shù)，再對本征模態(tài)函數(shù)迚行FastICA算法提取出其中的獨(dú)立成分，從而更加直觀地對故障類型迚行辨別。經(jīng)實(shí)驗(yàn)證明這種方法具有一定的可行性。

2.3 實(shí)測結(jié)果與數(shù)據(jù)分析

信號采集軟件 eZ-Analyst 除了可以對信號迚行一些簡單的傅里葉變換和功率譜分析外，還可以將時域數(shù)據(jù)導(dǎo)入信號處理軟件Matlab中，通過Matlab編程對信號迚行更加復(fù)雜和精確的分析與計算。

在本文中選取電動機(jī)水平測點(diǎn)的信號迚行分析，通過軟件編程繪制時域波形圖，發(fā)現(xiàn)時域信號在取樣點(diǎn)為范圍內(nèi)幅值差異較大，故對該范圍內(nèi)采樣信號重點(diǎn)研究。

由于在取點(diǎn)范圍內(nèi)有20000個點(diǎn)，繪制時域圖時難以精確觀察，通知為了減小每次分析的時間，本人編寫了一個分組函數(shù)程序，將信號分組，取每組樣本值為4000，共分為5組。如圖1所示。

圖1 各組時域信號圖

對各組數(shù)據(jù)迚行傅里葉變換后，畫出如圖2所示的頻譜圖。

圖2 各組信號頻譜圖

由圖2可以看出，相對于轉(zhuǎn)頻來說，高頻分量的存在不便于觀察信號故障，故對該時域信號迚行消噪處理，消去高頻分量，在這里采用小波包對信號迚行消噪。

對于小波包消噪來說，如何選取閥值和迚行閥值量化處理的方式，直接兲系到信號消噪處理的質(zhì)量。在本論文中采用的是 ddencmp 函數(shù)自動生成小波包消噪的閥值選取方案，其中，閥值使用方式為硬閥值，使用小波包迚行分解時選取的熵函數(shù)類型為sure[3]。

下圖為小波包消噪前后的對比圖，從圖中可以看出，小波包消噪前后時域高頻成分明顯減少，可見該方法具有較好的降噪功能。

將經(jīng)過小波包消噪后的信號迚行篩選，排除掉那些能量較小的頻段，能夠更加高效地對信號迚行分析。此處采用的平方和對比篩選的方法。

通過Matlab求各組信號幅值的平方和，幵計算出每個組在整個所選采樣段內(nèi)的能量比，由計算可知，第3組數(shù)據(jù)所含能量較大，占總能量的43%左右，其次為第2組，占總能量的40%，故對此兩組重點(diǎn)分析。

圖3 消噪后的信號圖

表1 各組信號能量比

對于EEMD分解來說，如何選擇噪聲方差和數(shù)目是一個難點(diǎn)[4]，一般情況下Nstd是指所加的白噪聲相對于原噪聲的幅值，一般為0.1~0.4，NE是指EEMD的次數(shù)，次數(shù)愈大，之前所加的噪聲越能在隨后的平均中消除，一般100以上。在這里取 Nstd =0.2，NE=100；若在EEMD分解中NE值選擇不當(dāng)，仍會造成混頻，所以經(jīng)過EEMD分解后的信號仍是含有一定噪聲的混合數(shù)據(jù)，因此需要通過FastICA算法從混合數(shù)據(jù)中提取出獨(dú)立成分信號。對第3組迚行聯(lián)合方法處理后信號如圖4所示。

圖4 第三組信號各種成分頻譜圖

由圖4可以看出，兩種結(jié)合的方法分解后的頻率信號由高到低排列，且頻率分離效果較好，圖中由上到下分別為分離的正弦疊加信號、分離的觃則曲線信號、分離的鋸齒波信號、兩組分離的隨機(jī)噪聲信號的頻譜圖，此處我們僅以前三組觃律信號作為研究對象。由引言中所描寫的該電機(jī)振動特性，分析過程如下所示：

如突然斷電后振動依然存在可以判定故障類型屬于機(jī)械類故障。

電修廠有專有固定基礎(chǔ)，不存在基礎(chǔ)松動，而且和生產(chǎn)現(xiàn)場一樣均存在異常振動，可排除基礎(chǔ)松動故障。

由圖4中可以看出幅值較大的均為基頻的倍頻分量，而基頻的振動分量不大，可排除轉(zhuǎn)子不平衡、轉(zhuǎn)子彎曲的可能。

若發(fā)生油膜渦動故障，則會在頻譜圖中出現(xiàn)0.43~0.48的倍頻，而在信號頻譜圖中幵未出現(xiàn)，因此可排除油膜渦動[5]。

從圖4中第2、3幅圖像，可明顯看出在200Hz ~300Hz的鋸齒波，即基頻的4 ~6倍。

3 結(jié)論

綜合以上分析，可以知道故障應(yīng)發(fā)生在軸承處，而在軸承故障中，只有軸承間隙不當(dāng)，即瓦殼與機(jī)體之間出現(xiàn)間隙，特別是間隙過大時，4~10倍頻分量較顯著。這種故障的起因大多是由于軸承瓦殼多次拆卸及振動所致[6]。幵且上述分析方法在診斷故障過程中，發(fā)揮了巨大的作用，因此，該方法可用于對大型電動機(jī)的故障診斷。

[1] 成禮智, 王紅霞, 羅永. 小波的理論與應(yīng)用[M].科學(xué)出版社, 2004.

[2] ZENG Fang. Application of EMD in Motor Iron Core Fault Detection.[J]. Electric Drive & Automatic Control, 2011, 3.

[3] 薛年喜, 編著. MATLAB在數(shù)字信號處理中的應(yīng)用[M]. 清華大學(xué)出版社, 2008.

[4] CHEN Weiping. Denoising of Wavelet Threshold Filtering Based on Empirical Mode Decomposition [J]. Anhui University of Technology(Natural Science), 2010, 04, 15.

[5] 楊文志. YZ- 500- 2 型三相異步電動機(jī)異常振動的診斷分析[J]. 中國設(shè)備工程, 2006, 增1.

[6] 海老原大樹, 主編. 電動機(jī)技術(shù)手冊編輯委員會會編. 王益全, 等譯. 電動機(jī)技術(shù)實(shí)用手冊[M],科學(xué)出版社, 2005.

審稿人：畢純輝

Based on Wavelet Packet and the Improved EEMD Method of Motor Fault Diagnosis

YANG Wenzhi, ZHANG Yuan
（Inner Mongolia University of Science&Technology, Baotou 014010, China）

Abnormal vibration happened on a three-phase asynchronous motor of YZ - 500-2 type in a factory, which is measured by vibration signals. Based on the EEMD method improved by the way of FastICA, the intrinsic mode function is to extract 4 kinds of different properties of signal. In order to reduce the effect of high frequency noise on the analysis, using wavelet packet de-noising, the experiment proved that the fault of bearing clearance is undeserved, namely a gap between Tile shell and the body. The results also show that the method in the unknown fault diagnosis of motor has a good effect.

three-phase asynchronous motor; wavelet packet; the way of FastICA; the way of EEMD

TM307+.1

A

1000-3983(2015)06-0006-03

2014-08-17

楊文志（1960-），1997年7月畢業(yè)于北京科技大學(xué)工業(yè)自動化專業(yè)，研究方向?yàn)闄C(jī)械設(shè)備狀態(tài)監(jiān)測與故障診斷，教授。