交流變頻電機(jī)是工業(yè)中應(yīng)用廣泛的動(dòng)力驅(qū)動(dòng)部件，其運(yùn)行狀態(tài)將直接影響設(shè)備運(yùn)行的安全性及穩(wěn)定性。轉(zhuǎn)子斷條作為最常見的故障形式，在早期故障檢測(cè)中具有識(shí)別難、隱含性強(qiáng)的特點(diǎn)，致使工業(yè)檢測(cè)中識(shí)別率較低。盡管利用振動(dòng)信號(hào)檢測(cè)電機(jī)故障已開展了眾多研究，但振動(dòng)信號(hào)在強(qiáng)電磁干擾環(huán)境下往往成分復(fù)雜，早期故障特征信息易被噪聲等不相干成分淹沒。而電流信號(hào)具有信噪比高、非侵入式檢測(cè)的優(yōu)點(diǎn)，能直接反映電機(jī)的內(nèi)部動(dòng)態(tài)機(jī)械與電氣特性。因此，西安交通大學(xué)科研人員利用電流信號(hào)檢測(cè)交流變頻電機(jī)早期轉(zhuǎn)子斷條故障作為研究的關(guān)鍵。目前，電流信號(hào)檢測(cè)技術(shù)（Motor Current Signature Analysis, MCSA）以信號(hào)基頻及旁瓣分量為分析特征已被應(yīng)用于電機(jī)故障監(jiān)測(cè)中。但對(duì)于交流變頻電機(jī)來說，由于受工作特性的限制，電機(jī)在低速狀態(tài)下的轉(zhuǎn)子斷條故障初期階段，(1±2s)fs（s為轉(zhuǎn)差率，fs為電流基頻）特征頻率分量相對(duì)微弱，且s和fs較低，導(dǎo)致特征頻率旁瓣分量容易與基頻混疊，難以識(shí)別。這一問題已引起一些學(xué)者的重點(diǎn)關(guān)注。就提高電流信號(hào)頻譜分辨率研究方面，G. Singh等利用多重信號(hào)分類（Multiple Signal Classification, MUSIC）算法來提高電流二次方偽譜的分辨率，以提高轉(zhuǎn)子斷條故障檢測(cè)的靈敏度。在此基礎(chǔ)上，孫麗玲等提出一種MUSIC與模擬退火算法相結(jié)合的電機(jī)轉(zhuǎn)子斷條故障檢測(cè)方法，以實(shí)現(xiàn)對(duì)轉(zhuǎn)子斷條故障特征頻率幅值和相位的準(zhǔn)確估計(jì)。T. R. J. Romero等將完全集成經(jīng)驗(yàn)?zāi)B(tài)分解與MUSIC算法相結(jié)合，實(shí)現(xiàn)了基于瞬態(tài)電流和穩(wěn)態(tài)電流的轉(zhuǎn)子斷條故障的檢測(cè)。在抑制基頻分量增強(qiáng)故障頻率特征研究方面，賈朱植等通過對(duì)定子三相電流Park矢量模二次方信號(hào)進(jìn)行離散小波變換來抑制基頻分量，同時(shí)突出轉(zhuǎn)子斷條故障特征信息。劉新正等提出基于最小方均誤差自適應(yīng)濾波的轉(zhuǎn)子斷條故障診斷方法，同樣達(dá)到了濾除電流信號(hào)基頻分量，突出故障特征信息的目的。另外，為實(shí)現(xiàn)電流信號(hào)與故障信息的解耦，在電流信號(hào)解調(diào)研究方面，M. B. Abd-El-Malek等通過對(duì)電流信號(hào)進(jìn)行Hilbert解調(diào)，以包絡(luò)信號(hào)標(biāo)準(zhǔn)差的波動(dòng)值作為故障特征，已實(shí)現(xiàn)不同負(fù)載下轉(zhuǎn)子斷條故障的定量分析。趙妍等提出以譜峭度法為基礎(chǔ)結(jié)合Hilbert包絡(luò)解調(diào)的轉(zhuǎn)子斷條電機(jī)故障檢測(cè)新方法。目前，一些增強(qiáng)電流信號(hào)故障特征信息的檢測(cè)方法也在進(jìn)一步完善，以上相關(guān)研究都為電機(jī)故障診斷方法提供了良好的理論借鑒。但是，上述研究中多以提取與增強(qiáng)電流信號(hào)中的故障頻率作為出發(fā)點(diǎn)，而弱化了電流基頻與高次諧波分量的分離。在電機(jī)故障早期，轉(zhuǎn)差率低容易造成高次諧波分量與基頻混疊，致使頻譜分辨率低、故障難以識(shí)別，同時(shí)會(huì)給轉(zhuǎn)子斷條故障特征頻率和轉(zhuǎn)差率的計(jì)算帶來誤差。變分模態(tài)分解（Variational Mode Decomposition, VMD）通過迭代搜尋變分模型最優(yōu)解來確定每個(gè)分量的頻率中心和帶寬，從而自適應(yīng)地將原信號(hào)分解為預(yù)設(shè)分解個(gè)數(shù)的多個(gè)單分量信號(hào)。因此，針對(duì)低速狀態(tài)下交流變頻電機(jī)早期轉(zhuǎn)子斷條故障在電流信號(hào)中難識(shí)別的問題，西安交通大學(xué)科研人員以電機(jī)電流信號(hào)高次諧波分量與基頻分量的分離為目標(biāo)，研究基于VMD的交流變頻電機(jī)轉(zhuǎn)子斷條故障識(shí)別方法。
圖1 轉(zhuǎn)子斷條故障識(shí)別方法流程
他們通過設(shè)定VMD分解個(gè)數(shù)和初始化各模態(tài)分量的中心頻率分布，以適應(yīng)交流變頻電機(jī)定子電流信號(hào)的頻率分布特性。針對(duì)懲罰參數(shù)的獲取，研究利用螢火蟲群優(yōu)化算法（Firefly Algorithm, FA）實(shí)現(xiàn)對(duì)懲罰參數(shù)的尋優(yōu)，以增強(qiáng)VMD對(duì)電流信號(hào)的自適應(yīng)分解能力。并在此基礎(chǔ)上，結(jié)合Park變換，利用電流信號(hào)相位關(guān)系實(shí)現(xiàn)轉(zhuǎn)子斷條故障調(diào)制頻率的提取，以避免MCSA分析中基頻譜泄漏對(duì)旁瓣分量的影響，實(shí)現(xiàn)交流變頻電機(jī)在低速狀態(tài)下轉(zhuǎn)子斷條早期故障的識(shí)別。
圖2 實(shí)驗(yàn)測(cè)試平臺(tái)
科研人員指出，本研究成果將有助于提高以電流信號(hào)為基礎(chǔ)的交流變頻電機(jī)早期轉(zhuǎn)子斷條故障的檢測(cè)能力。他們的理論和實(shí)驗(yàn)表明：
1）基于交流變頻電機(jī)定子電流信號(hào)自身特點(diǎn)和FA尋優(yōu)算法可以有效設(shè)定VMD分解參數(shù)，提高了VMD的分解效率，進(jìn)一步強(qiáng)化了其針對(duì)電流信號(hào)的自適應(yīng)分解能力。2）通過VMD分解可以實(shí)現(xiàn)電流基頻分量與其高次諧波分量的分離，從而避免高次諧波干擾產(chǎn)生的轉(zhuǎn)差率和故障特征頻率估計(jì)誤差問題。并通過與EMD方法進(jìn)行對(duì)比驗(yàn)證了本方法分解電流信號(hào)的準(zhǔn)確性。3）在此基礎(chǔ)上綜合利用定子三相電流間的相位關(guān)系并基于Park變換成功在低頻段檢測(cè)到轉(zhuǎn)子斷條故障特征調(diào)制頻率，從而避免了傳統(tǒng)MCSA分析時(shí)基頻譜泄漏的影響，實(shí)現(xiàn)了轉(zhuǎn)子斷條故障特征頻率的早期定位。本文編自2021年第18期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于參數(shù)優(yōu)化變分模態(tài)分解的交流變頻電機(jī)轉(zhuǎn)子斷條故障識(shí)別方法”，作者為李睿彧、劉飛 等。
