本發(fā)明涉及電機故障診斷與狀態(tài)檢測領域，提供了一種旋轉電機的故障診斷方法，包括一種旋轉電機故障診斷的時頻分析方法；本發(fā)明涉及通過單相電流信號診斷包括轉子故障，軸承故障，傳動系統部件故障等。

背景技術：

關于電機及電機系統的故障診斷，拋開逆變器部分不談，電機本體的轉子故障和電機系統傳動軸部件的故障尤為常見。以電機本體的轉子故障為例，如果是異步電機，常見故障主要有：斷條故障，氣隙偏心故障，軸承故障；如果是永磁同步電機，常見的故障主要有：退磁故障，氣隙偏心故障，軸承故障?；陔姍C電流信號分析的故障診斷方法在目前的工業(yè)應用中處于主流。

所有基于電機電流信號分析的故障診斷方法大致可以被分成三類：時域分析方法，頻域分析方法，和時頻域分析方法。時域分析方法罕見；頻域分析方法包括熟知的FFT，MUSIC，Matrix Pencil，ESPRIT，Prony等。時頻域分析方法有熟知的Gabor變換，小波變換，短時FFT變換，Wigner-Ville變換等。其中，FFT的分辨率與信號采樣頻率和采樣點個數有關，存在頻譜泄漏，供電頻率的泄漏頻譜容易將附近的邊頻帶淹沒，例如轉子斷條故障，既然如此，在處理斷條故障時，我們不得不增加采樣數據長度，然而電機在實際應用場合不可能按照故障診斷人員的意志，在檢測故障期間保持一定時間的穩(wěn)態(tài)運行，因此需要時頻分析方法。時頻分析方法具有跟蹤非穩(wěn)態(tài)信號，突變信號的優(yōu)勢。但是，根據海德堡不確定原理，所選定的基函數在時域和頻域的支撐寬度乘積不可能小于1/2；而且，時域分析方法能夠在時域和頻域同時分析的代價就是犧牲頻域精度，因此從精度上講，時域分析方法不可能比FFT更好。所以，我們需要一類能夠在短時數據上估計出高精度的諧波參數的方法，這類現代信號處理方法包括MUSIC，Matrix Pencil，ESPRIT，Prony等，它們是基于參數估計的角度，因此不存在頻譜泄漏的問題，對數據長度的要求非常低，抗噪聲能力強，但其缺點是計算量巨大，而且抗信號波動能力差，因此比較適合用于電力系統電網電壓檢測，不適合診斷電機，尤其是牽引電機這種經常存在負載和轉速波動的場合。

中國專利申請?zhí)?01510791082.0公開了一種用于電機故障診斷的自適應Matrix Pencil方法，該發(fā)明聲稱解決了Matrix Pencil在電機不同運行工況下信號階數的估計，同時能夠抑制供電頻率分量，凸顯故障特征諧波。但是該發(fā)明的方法依然沒有解決此類算法計算量大，只能用于不同工況的穩(wěn)態(tài)，不能很好地在在負載和轉速波動的似穩(wěn)態(tài)場合被使用三個主要問題。

技術實現要素：

本發(fā)明解決了這一類高精度諧波參數估計方法計算量大，不能被用于瞬態(tài)故障特征跟蹤，不能很好地在負載和轉速波動的似穩(wěn)態(tài)場合準確估計故障特征幅值，這三個問題。提供了一種用于旋轉電機的故障診斷方法，并包括一種用于旋轉電機故障診斷的時頻分析方法。

首先，本發(fā)明提供一種旋轉電機故障診斷的時頻分析方法。所述方法的步驟包括a.采集旋轉電機單相的電流數據；b.用單相鎖相環(huán)計算出所述電流數據實時的供電頻率曲線；c.用滑動窗在被采集的電流數據上滑動；d.對所述被滑動窗覆蓋的電流數據在[0,B_p]的頻帶內實施自適應細化過程，得到細化后的電流數據；其中B_p是細化頻帶寬度，B_p由供電頻率確定；e.對所述新的電流數據實施自適應高精度諧波估計算法，估計出新的電流數據所包含的全部諧波信息，所述諧波信息包括諧波的頻率和幅值；f.重復上述c-e步驟，直至所述滑動窗移動到被采集的電流數據的末尾，最終生成時頻圖案；g.根據時頻圖案出現的故障特征脊線，確定存在的故障類型。

作為優(yōu)選的，所述滑動窗每次滑動的長度不能大于所述滑動窗的寬度；作為優(yōu)選的，所述細化頻帶寬度B_p由滑動窗中心的供電頻率f_s確定；更進一步的，B_p＝2f_s。作為優(yōu)選的，所述自適應細化過程包括抗混疊濾波和降采樣，其中所述抗混疊濾波的抗混疊濾波器的階數N_o和所述降采樣的降采樣倍數D都隨所述細化頻帶寬度B_p自動調整；作為優(yōu)選的，所述抗混疊濾波器是等紋波FIR濾波器；其中抗混疊濾波器的階數N_o由所述細化頻帶寬度B_p經Parks-McClellan算法得到；作為優(yōu)選的，所述降采樣器的降采樣倍數D按公式計算，其中F_s是電流數據的采樣頻率，Ω_x是考慮低通濾波過渡帶的帶寬，η是大于0且小于1的裕度系數，符號表示對x向下取整，B_p是所述細化頻帶寬度；η是預先被確定的常值，Ω_x與B_p的差值是預先被確定的常值，二者均可以根據技術人員的需要確定。

在具體實施過程中，自適應高精度諧波估計算法是指高精度諧波估計算法中的階數估計過程不需要人工調整，而是由數學算法計算得到，比如中國專利申請?zhí)?01510791082.0發(fā)明的基于最大似然估計的信號階數估計，不僅可以被用于Matrix Pencil，也可以被用于ESPRIT，MUSIC，Prony等這一類的高精度諧波估計算法。

另一方面，本發(fā)明公開一種旋轉電機的故障診斷方法，所述方法包括用于旋轉電機故障診斷的時頻分析方法，以及一種故障提取方法。首先，由所述時頻分析方法得到的全部諧波信息需要被整理成{(f_i,A_i)|i∈N⁺}的集合形式給所述故障提取方法處理，其中f_i表示第i個數據樣本的頻率，A_i表示第i個數據樣本的幅值。

所述故障提取方法的步驟包括：記錄所述集合中每一個頻率點的出現次數，做出頻率分布圖，其橫軸量綱是頻率，縱軸量綱是出現次數；當樣本數量足夠，凡是存在的諧波都會在所述頻率分布圖中有一個尖峰；提取處于尖峰的故障特征頻率作為故障特征邊頻頻率；將所述集合中所有和故障特征邊頻頻率相匹配的幅值提取出來，記錄每個幅值的出現次數，做出故障特征邊頻幅值分布圖，其橫軸量綱是分貝，縱軸量綱是出現次數；用分布函數擬合所述故障特征邊頻幅值分布圖的統計分布，得到所述故障特征邊頻的幅值期望與幅值方差；所述幅值期望表示故障程度，所述幅值方差表示故障程度偏差。

本發(fā)明提出的方法解決了這一類高精度諧波估計算法共有的計算量巨大的問題，實現了這一類高精度諧波估計算法在瞬態(tài)電機運行工況下的故障特征跟蹤，最后本發(fā)明提出的方法可以被用于在轉速波動，負載波動的似穩(wěn)態(tài)過程的故障程度估計，診斷結果偏差小。

附圖說明

下面將參考附圖詳細闡述本發(fā)明的優(yōu)選實施例。

圖1是本發(fā)明旋轉電機故障診斷的時頻分析方法流程圖。

圖2是本發(fā)明的一個具體實施例中所述時頻分析方法產生的時頻圖案。

圖3是本發(fā)明的一種旋轉電機的故障診斷方法流程圖。

圖4是本發(fā)明的一個具體實施例中所述故障診斷方法產生的頻率分布圖。

圖5是本發(fā)明的一個具體實施例中所述故障診斷方法產生的斷條故障特征邊頻幅值分布及其擬合圖。

具體實施方式

應當理解，優(yōu)選實施例僅為了說明本發(fā)明，而不是為了限制本發(fā)明的保護范圍。

以異步電機常見的轉子故障，如偏心故障和斷條故障為例。已知偏心故障在相電流中存在特征頻率為[1±k(1-s)/p]f_s的諧波，斷條故障在相電流中存在特征頻率為(1±2ks)f_s的特征諧波，其中k是正整數，f_s是供電頻率，f_r是轉子旋轉機械頻率，s是轉差率，p是極對數。

在本實施例中，逆變器輸出35Hz的電壓以VVVF的方式開環(huán)驅一臺15-kW，6-極的異步電機。具體的實施方式如圖1所示。采集所述電機其中任意一相電流數據，采集長度2秒，采樣頻率是10kHz。用單相鎖相環(huán)計算出所述電流數據實時的供電頻率f_s曲線；用滑動窗在被采集的電流數據上滑動，滑動窗每次滑動的長度不能大于滑動窗的寬度；處理被滑動窗覆蓋的電流數據；對每次被滑動窗覆蓋的數據的[0,B_p]的頻帶實施自適應細化過程，得到細化后新的電流數據，其中B_p是細化頻帶寬度，B_p＝2f_s，其中f_s是滑動窗中心的供電頻率。對所述新的電流數據實施自適應高精度諧波估計算法，估計出新的電流數據所包含的諧波信息，所述諧波信息包括出現的全部諧波的頻率和幅值；在一個優(yōu)選的實施例中，所謂的自適應高精度諧波算法是改進的Matrix Pencil算法，或者改進的ESPRIT算法，或者改進的Prony算法等，而這些算法改進的部分只是，算法中需要提前預知的信號階數，不再是由技術人員賦值，而是通過最大似然估計得到。在一個優(yōu)選的實施例中，選擇改進的Matrix Pencil算法作為自適應高精度諧波算法。

在一個優(yōu)選的實施例中，所述自適應細化過程包括抗混疊濾波和降采樣，其中所述抗混疊濾波的抗混疊濾波器的階數No和降采樣的降采樣倍數D都隨所述細化頻帶寬度B_p自動調整。所述抗混疊濾波器是等紋波FIR濾波器，所述細化頻帶寬度B_p經Parks-McClellan算法得到所述階數No。所述降采樣倍數D按公式計算，其中F_s是電流數據的采樣頻率，Ω_x是考慮低通濾波過渡帶的帶寬，η是大于0且小于1的裕度系數，符號表示對x向下取整；η可以等于0.8，Ω_x與B_p的差值始終保持不變。

直至滑動窗移動到被采集的電流數據的末尾，所述時頻分析方法最終生成時頻圖案，如圖2所示。根據圖2出現的故障特征脊線，結合前文所述的故障特征頻率公式，確定這臺異步電機存在斷條故障和轉子偏心故障。從圖2可以看出，轉子偏心，和尤其斷條故障特征一直在抖動，說明轉差頻率s一直在變化，這種抖動是電機開環(huán)運行存在轉速波動造成的，可以看到，本發(fā)明提出的時頻分析方法能夠準確地反映出這種抖動，說明本發(fā)明的確實現了短時高精度故障特征跟蹤。

與此同時，也應注意到，由于這臺異步電機處于似穩(wěn)態(tài)運行，因此僅憑一次或若干次的故障檢測不會得到一致的結果，會困擾技術人員。因此本發(fā)明進一步地將所述時頻分析方法與所述故障提取方法結合，發(fā)明一個完備的旋轉電機的故障診斷方法。所述時頻分析方法得到的全部諧波信息需要被整理成{(f_i,A_i)|i∈N⁺}的集合形式給所述故障提取方法處理，其中f_i表示第i個數據樣本的頻率，A_i表示第i個數據樣本的幅值。

如圖3所示，故障提取方法的步驟包括：記錄所述集合中每一個頻率點的出現次數，做出頻率分布圖，如圖4所示，提取處于尖峰的故障特征頻率作為故障特征邊頻頻率。將所述集合中所有和故障特征邊頻頻率相匹配的幅值提取出來，記錄每個幅值的出現次數，做出故障特征邊頻幅值分布圖，然后用分布函數擬合所述故障特征邊頻幅值分布圖的統計分布，如圖5所示，從圖5可以獲得所述故障特征邊頻的幅值期望與幅值方差。所述幅值期望表示故障程度，所述幅值方差表示故障程度偏差?？梢姡讲罘浅Ｐ?，說明故障程度得到良好的估計。