摘要：隨著電機技術(shù)的不斷發(fā)展，電機故障診斷技術(shù)也面臨著新的挑戰(zhàn)和機遇。其中，傳統(tǒng)的電機故障診斷，基于單參數(shù)、單特征的電機故障診斷方法，往往在診斷過程當中存在不確定性問題，這難以保證診斷的精確度。因此，主要研究多傳感器信息融合技術(shù)在電機故障診斷中的應(yīng)用，旨在通過綜合多個傳感器的信息，提高診斷的準確性和可靠性。

關(guān)鍵詞：多傳感器 信息融合技術(shù) 電機故障 診斷方法

Research on the Application of Multi-Sensor Information Fusion Technology in MotorFault Diagnosis

JIANG Haiyan

Hengyang Preschool Normal College， Hengyang ，Hunan Province，421001 China

Abstract： With the continuous development of motor technology， motor fault diagnosis technology is also facing new challenges and opportunities. Intraditional motor fault diagnosis，themotor fault diagnosis method based on asingle parameter and a single feature often has uncertainty in the diagnosis process， which is difficult to ensure the accuracy of diagnosis. Therefore， this paper mainly studies the application of multi-sensor information fusion technology in motor fault diagnosis， aiming to improve the accuracy and reliability of diagnosis by synthesizing the information of multiple sensors.

Key Words： Multisensor; Information fusion technology; Motor failure ; Diagnostic method

當前，由于電機結(jié)構(gòu)的復雜性和工作環(huán)境的多樣性，電機在運行過程中會出現(xiàn)各種故障，若故障問題不能及時處理，不僅會影響電機的正常運行，還可能對生產(chǎn)設(shè)備和人員安全造成嚴重威脅。因此，本文旨在探討多傳感器信息融合技術(shù)在電機故障診斷中的應(yīng)用，通過構(gòu)建多傳感器信息融合技術(shù)下的電機故障診斷系統(tǒng)模型，實現(xiàn)對電機故障的準確診斷和預警。

1技術(shù)體系架構(gòu)

關(guān)于多傳感器信息融合技術(shù)的體系架構(gòu)，是需要多層次化的，而且也要在多空間下，實現(xiàn)一種信息互補的處理情況。多傳感器信息融合技術(shù)在不同的體系架構(gòu)下，可以實現(xiàn)多信息資源的有效整合，并且能夠自動化分析信息來源，之后在系統(tǒng)當中加以系統(tǒng)化處理，從而在特定環(huán)境下產(chǎn)生一種定性化的反應(yīng)[1]。

從處理方式的角度出發(fā)，多傳感器信息融合技術(shù)的體系架構(gòu)可以分為三種：分布式、集中式和混合式。表1列出了三種融合結(jié)構(gòu)的性能對比情況。

1.1分布式體系架構(gòu)

首先，要對獨立的傳感器中所獲取的最初信息數(shù)據(jù)進行部分信息化處理；其次，對信息處理結(jié)果進行智能化融合，融合過程在信息融合中心系統(tǒng)當中實現(xiàn)，從而獲取最優(yōu)化的數(shù)據(jù)結(jié)果[2]。其中，分布式的體系架構(gòu)，可靠性程度非常高，而且系統(tǒng)延續(xù)性也非常好 ，但跟蹤精度相對較低。

1.2集中式體系架構(gòu)

集中式體系架構(gòu) 能夠?qū)λ械膫鞲衅髦兴@得的信息數(shù)據(jù)進行綜合處理，該處理過程是在中央處理器中實現(xiàn)的，最后能夠形成一種融合數(shù)據(jù)信息[3]。在集中式體系架構(gòu)中，所處理的信息數(shù)據(jù)精確度很高，信息算法非常靈活，而且此體系架構(gòu)對處理器的結(jié)構(gòu)以及各方面的要求也非常高。 集中式體系架構(gòu)的可靠性 相對較低，而且數(shù)據(jù)融合度較大，從而導致架構(gòu)實現(xiàn)度也是非常高。

1.3混合式體系架構(gòu)

在此體系架構(gòu)當中的部分傳感器需要在集中的方式下對信息資源進行融合，之后剩余的傳感器需要采用分布式的信息資源融合方式[4]。其中，混合式體系架構(gòu)具有非常強的適應(yīng)能力，而且融合性、穩(wěn)定性也非常強的。 但其結(jié)構(gòu)復雜，增加了通信和計算成本。

2電機常見故障分析

2.1電機定子故障

（1）定子繞組短路：由于鍵槽灰塵堆積、繞組絕緣老化等因素導致短路，可能產(chǎn)生異響和震動。

（2）定子軸向跳動：由定子繞組緊固不當或軸承磨損導致，引起電機振動、噪聲加劇。

（3）定子軸承過緊或過松：影響電機運動，導致振動、噪 聲等問題。

2.2電機轉(zhuǎn)子故障

（1）轉(zhuǎn)子不平衡故障：轉(zhuǎn)子出現(xiàn)質(zhì)量缺陷問題以及偏心問題，從而引起電機異常振動。

（2）轉(zhuǎn)子不對中故障：轉(zhuǎn)子之間的軸線出現(xiàn)位置移動以及角度移動問題，從而導致機器異常振動。

2.3電機軸承故障

（1）保持器聲：“唏利唏利”聲，由保持器與滾動體振動、沖撞產(chǎn)生。

（2）連續(xù)蜂鳴聲：“嗡嗡”聲，多發(fā)潤滑狀態(tài)不好或軸向異常振動。

（3）漆銹：電機軸承機殼漆油后揮發(fā)出的化學成分腐蝕軸承，產(chǎn)生異常音。

2.4電機氣隙偏心故障

氣隙偏心故障是感應(yīng)電機中常見的一種故障類型，主要是由于負載過重、轉(zhuǎn)速過高、裝配不當或元件磨損等因素導致，進而影響電機的性能和穩(wěn)定性。

3信號處理及特征提取

3.1希爾伯特-黃變換（HHT）

希爾伯特-黃變換（Hilbert-Huang Transform，簡稱HHT），引入Hilbert譜的概念和Hilbert譜分析的方法，將信號分解為固有模態(tài)函數(shù)（IMF）。經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition， EMD），每個IMF都滿足以下兩個條件。

（1）在所有的數(shù)據(jù)集中，極值點和過零點的數(shù)據(jù)數(shù)目基本相同，或最多相差一個。

（2）在每個時間段中，由局部極大值點形成的上包絡(luò)線和由局部極小值點形成的下包絡(luò)線的平均值都為零。

3.2改進的經(jīng)驗?zāi)B(tài)分解（EMD）方法

經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition， EMD）是一種用于處理非線性、非平穩(wěn)信號的方法，其能將復雜的信號分解成一系列本征模態(tài)函數(shù)（Intrinsic Mode Functions， IMFs）[5]。然而，傳統(tǒng)的EMD方法在處理某些信號時可能會遇到模態(tài)混疊（Mode Mixing）和虛假分量（Spurious Components）的問題。為了改進這些問題，提出了多種EMD的改進方法，其中之一就是集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition， EEMD）。

3.2.1EEMD方法步驟

（1）添加白噪聲：在原始信號中添加一系列具有不同標準偏差的白噪聲序列。這些白噪聲的幅度應(yīng)該足夠小，以避免改變信號的主要特征。

（2）應(yīng)用EMD：對每個加入白噪聲的信號應(yīng)用EMD，得到一組IMFs。

（3）集成平均：將所有添加了白噪聲的信號分解得到的IMFs進行集成平均，以消除白噪聲的影響，并得到最終的IMFs。

3.2.2EEMD方法驗證

（1）選擇測試信號。選擇一個具有明顯模態(tài)混疊現(xiàn)象的信號作為測試信號，這可以是一個合成信號，也可以是一個實際采集的信號。

（2）應(yīng)用傳統(tǒng)EMD。首先，對測試信號應(yīng)用傳統(tǒng)的EMD方法，觀察分解得到的IMFs是否存在模態(tài)混疊現(xiàn)象。

（3）應(yīng)用EEMD。對測試信號應(yīng)用EEMD方法，通過添加適當幅度的白噪聲并集成平均來得到IMFs。

（4）對比分析。比較傳統(tǒng)EMD和EEMD方法得到的IMFs，觀察EEMD是否能夠有效抑制模態(tài)混疊現(xiàn)象。通過計算IMFs之間的相關(guān)性、獨立性等指標來進行定量評估。

（5）進一步驗證。為了更全面地驗證EEMD的性能，可以選擇不同的測試信號、不同的白噪聲幅度和不同的集成次數(shù)進行多次實驗。

4 故障局部診斷方法

4.1 神經(jīng)網(wǎng)絡(luò)診斷方法

（1）數(shù)據(jù)預處理。對多傳感器采集的電機狀態(tài)數(shù)據(jù)進行預處理，如濾波、標準化或歸一化，以去除噪聲和統(tǒng)一數(shù)據(jù)尺度。

（2）特征提取。利用小波分析提取數(shù)據(jù)信息當中的主要特征，這些特征可能包括頻率、幅值、相位等。

（3）神經(jīng)網(wǎng)絡(luò)模型構(gòu)建。選擇合適的神經(jīng)網(wǎng)絡(luò)模型，如反向傳播（Backpropagation，BP）神經(jīng)網(wǎng)絡(luò)。

4.2 BP神經(jīng)網(wǎng)絡(luò)在電機故障診斷中的應(yīng)用

4.2.1數(shù)據(jù)采集

（1）傳感器選擇。根據(jù)電機的特性和診斷需求，選擇合適的傳感器進行數(shù)據(jù)采集。例如：對振動信號的采集。

（2）數(shù)據(jù)采集頻率。根據(jù)電機的運行速度和診斷精度要求，設(shè)定合適的數(shù)據(jù)采集頻率。較高的采集頻率可以提供更詳細的數(shù)據(jù)信息。

4.2.2數(shù)據(jù)預處理

（1）去除噪聲：電機運行過程中可能會受到各種噪聲的干擾，如電磁噪聲、機械噪聲等。通過濾波算法或信號處理技術(shù)，可以有效去除這些噪聲，提高數(shù)據(jù)的信噪比。

（2）濾波：根據(jù)數(shù)據(jù)的特性和需求，選擇合適的濾波算法對原始數(shù)據(jù)進行濾波處理。例如，可以使用低通濾波器去除高頻噪聲，或使用帶通濾波器提取特定頻段內(nèi)的信息。

（3）標準化或歸一化：由于不同傳感器采集到的數(shù)據(jù)可能具有不同的量綱和單位，直接使用這些原始數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓練可能會導致訓練效果不佳。

4.2.3特征提取

（1）時域特征：包括振動信號的幅值、均方根值、峰值、峰值因子等。

（2）頻域特征：通過傅里葉變換等頻譜分析方法，將振動信號從時間域轉(zhuǎn)換到頻率域，進而提取出頻率特征。

（3）時頻域特征：結(jié)合了時域和頻域信息的特征。

（4）溫度特征：包括電機不同部位的溫度值、溫度變化趨勢、溫度分布等。

（5）電流特征：包括電機電流的幅值、相位、諧波成分等。

4.2.4 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)模型是由多層構(gòu)建組成的，包括輸入層結(jié)構(gòu)、隱藏層結(jié)構(gòu)以及輸出層結(jié)構(gòu)。其中，輸入層結(jié)構(gòu)當中的神經(jīng)元數(shù)目和故障類型所反映出的數(shù)目是基本相同的。隱藏層的數(shù)量和每層的神經(jīng)元數(shù)量可以根據(jù)具體任務(wù)進行調(diào)整。

4.2.5故障診斷

當電機出現(xiàn)故障時，采集故障數(shù)據(jù)并進行預處理和特征提取。然后，對這些已經(jīng)提取到的特征信息要進行系統(tǒng)處理，將其融合到BP神經(jīng)網(wǎng)絡(luò)模型過程中。之后，模型將輸出預測的故障類型，接著系統(tǒng)根據(jù)故障類型基本情況做出對應(yīng)性的故障診斷，并根據(jù)診斷情況做出基本的故障應(yīng)對對策，確保電機故障問題得到有效解決。

4.2.6局部診斷

根據(jù)BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)當中所反映出的系統(tǒng)故障情況，再結(jié)合電機的結(jié)構(gòu)和工作原理，對故障進行局部定位。例如，如果輸出為軸承故障，則可以通過進一步檢查軸承的振動、溫度等參數(shù)來確定故障的具體位置和程度。在確定好軸承故障問題，技術(shù)故障人員根據(jù)局部故障進行故障檢修。

5結(jié)語

綜上所述，本文利用多傳感器信息融合技術(shù)，結(jié)合技術(shù)體系架構(gòu)，分析電機常見故障。關(guān)于信號處理及特征提取的方法，可采用希爾伯特-黃變換、經(jīng)驗?zāi)B(tài)分解方法等。另外，對于故障局部診斷方法，可采用神經(jīng)網(wǎng)絡(luò)診斷方法，可采用神經(jīng)網(wǎng)絡(luò)診斷方法， 對電機故障進行有效診斷，確保電機在多傳感器信息融合技術(shù)下能夠正常運行。

參考文獻

[1]田亞娟，付大平，伍世輝.多傳感器信息融合技術(shù)在機器人中的應(yīng)用研究[J].自動化與儀表，2023，38（2）：51-53.

[2]陳書輝，章猛，劉輝，等.一種1D-CNN與多傳感器信息融合的液壓系統(tǒng)故障診斷方法[J].機械科學與技術(shù)，2023，42（5）：715-723.

[3]王濤.基于多傳感器信息融合的電機故障診斷分析[J].電子技術(shù)，2023，55（3）：9-11.

[4]顏云華，金煒東.基于多傳感器信息融合的列車轉(zhuǎn)向架機械故障診斷方法[J].計算機應(yīng)用與軟件，2020，37（8）：402-403.

[5]劉建鋒.基于傳感器個數(shù)加權(quán)的分布式多傳感器信息融合[J].信息技術(shù)，2020，53（2）：22-27.