异步电机因其结构简单、运行可靠及坚固耐用等优点,已广泛应用于农业、商业和工业等各个领域。作为重要的能源转换装置,异步电机的健康、可靠运行对保证生产连续性、降低系统维护成本具有重要意义。在诸多故障类型中,轴承故障是电机最易发生的故障,约占电机故障总数的40%。因此,轴承故障诊断一直是电机故障诊断领域的研究热点之一。
异步电机轴承发生故障类型按其受损区域的大小可分为局部损伤类故障和磨损类故障。当前,对异步电机轴承故障诊断普遍采用振动信号分析方法。但是这种检测方法需要在电机上安装振动传感器,不仅增加了投资及维护工作量,而且在很多场合下安装振动传感器设备颇为不便。
电机电流信号特征分析(Motor Current Signature Analysis, MCSA)方法获取信号方便,能够有效降低监控成本,并易于构成非侵入式的电机连续状态监测系统。因此,基于电机定子电流信号分析的轴承故障诊断方法已成为轴承故障诊断研究的热点。
经典MCSA方法是一种基于快速傅里叶变换(Fast Fourier Transform, FFT)的频域分析方法,当异步电机稳定运行时,采集单相定子电流信号,然后对定子电流信号做FFT频谱分析以达到对故障特征识别的目的。然而电机轴承故障引发定子电流的变化一般比较微弱,加之基频频谱泄露和偏心谐波以及供电系统强噪声的影响,电机低负载运行时直接通过经典的MCSA故障诊断方法很难判定电机轴承是否发生故障。
近年来,很多学者采用多种信号分析方法进行电机轴承故障诊断。Y. Imaouchen等[9]提出通过Hilbert变换提取电机电流信号的包络线,使用小波包分解将包络线信号自适应分解为不同频带,并将每个节点的能量当作特征值对轴承故障作进一步分析。Y. Amirat等[10]提出将采集到的电流信号经Hilbert变换提取包络信号之后,通过统计分析获得包络信号的方差作为故障特征值,进而利用设定的阈值判断双馈感应发电机是否发生轴承故障。
J. Zarei等[11]根据轴承发生故障时的定子电流特征,求出三相电流的Park矢量模信号,并利用FFT频谱分析提取故障特征,通过仿真和实验验证该方法可以有效诊断电机轴承早期故障。薛征宇等[12]则提出一种基于Park矢量的改进聚类处理算法,该方法通过辨识电动机三相定子电流中的故障信息进行轴承故障诊断。
而S. B. Salem等[13]运用Hilbert变换和Park变换相结合的技术提取三相定子电流的希尔伯特幅值空间矢量信号(Hilbert Modulus Current Space Vector, HMCSV)和希尔伯特相角空间矢量信号(Hilbert Space Current Space Vector, HPCSV),并进一步使用FFT频谱分析提取电机偏心和轴承外圈故障特征值,最后利用支持向量机(Suppore Vector Machine, SVM)对电机故障分类。
然而,使用小波包分解对包络线信号进行分析的轴承故障诊断方法需要较大的计算量,不利于故障的在线诊断;对包络线信号进行统计分析通过人为设定阈值来判断轴承是否发生故障使得诊断方法的通用性差;而基于Park矢量方法的轴承故障诊断方法容易受供电电网频率波动造成三相电压不平衡等外界因素的影响。
本文提出一种基于定子电流Hilbert解调的异步电机轴承外圈故障无速度传感器诊断方法。该方法通过采用Hilbert解调求取平方包络线信号,可以克服供电电网频率波动造成的影响,而且直接对求取的平方包络线信号做FFT频谱分析,根据平方包络线频谱中是否存在轴承外圈故障特征频率就可以判断轴承是否发生故障,使得其计算量少且通用性强。
主要思路是使用Hilbert变换构造定子电流解析信号,在此基础上,提取解析信号的平方包络线并做FFT频谱分析,同时采用齿谐波(Rotor Slot Harmonics, RSH)进行电机转速估计以求取轴承外圈故障特征频率,最后根据FFT频谱中是否存在轴承外圈故障特征频率以判断电机是否发生故障。
该方法能够将故障特征频率的检测从传统的边频带成分转换为对轴承外圈故障特征频率的直接检测,可以有效消除基频频谱泄露和供电系统噪声的干扰,改善频谱质量,便于捕捉故障信息。
图3 电机数据采集实验台和实验用外圈故障轴承示意图