一种基于电流信号的转子系统典型故障诊断方法与流程

本发明属于旋转机械设备领域，具体涉及一种基于电流信号的转子系统典型故障诊断方法。

背景技术：

旋转机械是生产企业中应用最为广泛的机械设备，而转子系统作为旋转机械的核心部件，一旦出现故障将造成巨大的经济损失甚至人员的伤亡。目前，对转子系统进行故障诊断的方法主要以振动分析为主，采集转子系统运行过程中的振动信号，结合相应的信号处理技术，判断转子系统是否存在故障。例如，公开号为cn101294845a的专利公开了一种“转子早期故障的多频率微弱信号检测方法”，公开号为cn104697767a的专利公开了“一种基于振动分析的转子系统诊断方法及装置”，公开号为cn101929917a的专利公开了“一种旋转机械的故障诊断方法”。这三种方法都是以振动检测理论为基础，通过采集转子系统的振动信号，利用特定的信号处理技术提取振动信号的不同故障特征，以实现故障诊断的目的。公开号为cn103245491a的专利公开了一种“基于确定学习理论的转子系统故障诊断方法”。此方法同样以振动检测为基础，但其从机器学习理论角度出发，利用确定学习理论实现对转子系统的故障诊断。

振动检测手段在理论上已经较为成熟，应用上也十分广泛，然而在信号采集过程中，振动信号极易受现场恶劣环境的影响，造成信号中噪声成分过多，有用信号被湮没，对故障诊断结果产生较大的影响。电机电流分析法(motorcurrentsignalanalysis,mcsa)是利用电动机的定子电流信号来对电机及其拖动系统进行状态监测的新方法，其优点在于：mcsa能够有效的减小监测成本，几乎不会对机械系统产生干扰，同时电流信号抗干扰能力更强，电流信号较振动信号信噪比更高，信号更为准确。

技术实现要素：

本发明的目的是提供一种基于电机电流信号、诊断准确、易于实施的转子系统典型故障诊断方法，可用于转子系统质量不平衡、偏角不对中和平行不对中等故障的诊断。

为了实现上述目的，本发明采用如下技术方案：一种基于电流信号的转子系统典型故障诊断方案分，包括下述步骤：

(1)在驱动电机电源输入端布置霍尔电流传感器，采集电机电流信号；

(2)利用改进的小波阈值去噪法对电流信号进行去噪处理；

(3)针对传统的经验模态分解存在模态混叠的缺点，利用总体平均经验模态分解方法改善模态混叠现象，对去噪后的电流信号进行分解；

(4)去除无意义的imf分量，提取剩余imf分量的幅值域和时频域特征，组成特征向量；

(5)针对特征向量维数过多的缺点，利用主成分分析法对多维特征向量进行降维处理，得到维数较少、互相独立的特征向量；

(6)将步骤五得到的特征向量作为输入，以转子系统故障类型作为输出，利用支持向量机建立特征向量与故障类型的非线性映射关系，实现对不同故障的诊断。

本发明与现有技术相比具有如下优点：

1、本发明故障诊断方法利用电机电流信号实现对转子系统的故障诊断，相比传统的振动检测技术，抗干扰能力更强，信号更加准确，电流传感器成本更低，实施更为方便。

2、本发明对小波阈值去噪函数进行改进，提出了一种新的阈值函数，结合信号本身的特点，选取不同阈值进行去噪处理，具有一定的自适应性。该方法可推广至其他领域的信号处理，有效的对信号进行去噪预处理。

3、本发明利用eemd对电流信号进行分解，提取各imf分量的幅值域和时频域特征。这可以克服电流信号工频强大、故障特征易被湮没的缺点，有效的提取电流信号中微弱的故障特征信息。该特征提取方法还可用于其他机械系统的故障特征提取，有效提取故障特征信息。

附图说明

图1是本发明的实施流程图；

图2是本发明改进小波阈值去噪法实施流程图；

图3是本发明的电流信号特征提取流程图；

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

如图1所示，本实施例包括如下步骤：

1、采集转子系统不同故障下的电机电流信号。转子系统发生故障时，会引起转轴上扭矩的波动，这个扭矩波动反馈给电动机进而造成电机电流的变化。

2、为避免电机启动阶段电流变化的影响，采集电机匀速转动时的电流信号，以此作为待处理的时域信号x(t)；其中，t＝1,2,…,n表示信号采集的时间间隔，n表示采样点数。

3、对采集的电流信号进行去噪预处理，得到信号

去噪预处理具体操作步骤如下：

(1)软阈值函数为：

其中，λ是设定的阈值，采用通用阈值σ为噪声方差，n为信号长度。

硬阈值函数为：

为了克服传统软、硬阈值函数的缺点，对其进行改进，得到新的折衷阈值函数表达式：

其中，λ是设定的阈值，wj,k表示去噪后第j层小波分解分量的第k个系数，为阈值处理后的分解系数，0≤μ≤1。当μ趋于0时，折衷函数趋近于软阈值函数，此时去噪信号更为光滑；当μ趋于1时，折衷函数趋近于硬阈值函数，此时去噪能力更强。然而μ的取值仍需大量实验来获得，有很大的不便。

(2)采取μ为非定值的方法。令

当|wj,k|较大时，说明噪声信号中突变较多，此时μ增加，折衷函数偏向于硬阈值函数，有很好的去噪能力；当wj,k较小时，说明噪声信号较为平滑稳定，此时μ减小，折衷函数偏向软阈值函数，有很好的光滑性。

4、将去噪后的信号进行eemd分解，并筛选出前p个imf分量；

5、对筛选出的imf分量提取幅值域和时频域特征。

本发明选取13种幅值域特征和1种时频域特征。

13种幅值域特征分别为：

(1)均值：(2)均方根值：

(3)方根幅值：(4)绝对平均值：

(5)偏斜度：(6)峭度：

(7)方差：(8)峰峰值：h＝max(xi)-min(xi)；

(9)波形指标：(10)峰值指标：

(11)脉冲指标：(12)裕度指标：

(13)峭度指标：

时频域特征为：

能量熵：

6、利用主成分分析法对特征向量进行降维处理，进而组成新特征向量：

(1)将特征向量进行归一化，归一化函数为：

其中，xmax为特征向量的最大值，xmin为特征向量的最小值，x^*为归一化后的特征向量，x^*∈[0,1]。

(2)对归一化后的特征向量进行主成分分析降维处理，选取贡献率超过95％的特征组成新特征向量。

7、采用粒子群优化的支持向量机算法建立特征向量与不同故障类型之间的非线性映射关系，得到最终识别结果：

(1)建立训练及识别样本集：即将新特征向量作为输入样本，以不同的故障类型作为估计目标，采用转子试验台不同故障下的320组电机电流数据，随机选取265组作为训练样本，其余的55组作为测试样本。

(2)支持向量机参数的选择：本发明应用支持向量机算法对故障类型进行识别，核函数采用径向基核函数其中，σ是核函数的半径。利用粒子群优化算法对参数惩罚因子c和松弛因子g进行寻优，以均匀绝对误差为适应度测评参数的性能，其中,yi为相应参数的输出值，为相应参数的实际值，me为适应度值。

表1为故障诊断结果，结果显示本发明所述的故障诊断方法可以获得较好的准确率。

表1本发明所述方法得到的故障诊断结果

综合实施例的上述分析，利用电流信号进行转子系统的故障诊断是可行的，本发明所述方法能够有效的提取电流信号中的微弱故障特征，采用粒子群优化的支持向量机算法能够对故障类型作出有效判断，故障诊断率较高，该方法也可推广至其他旋转机械的故障诊断中。