本發(fā)明屬于旋轉(zhuǎn)機械設備領(lǐng)域，具體涉及一種基于電流信號的轉(zhuǎn)子系統(tǒng)典型故障診斷方法。

背景技術(shù)：

旋轉(zhuǎn)機械是生產(chǎn)企業(yè)中應用最為廣泛的機械設備，而轉(zhuǎn)子系統(tǒng)作為旋轉(zhuǎn)機械的核心部件，一旦出現(xiàn)故障將造成巨大的經(jīng)濟損失甚至人員的傷亡。目前，對轉(zhuǎn)子系統(tǒng)進行故障診斷的方法主要以振動分析為主，采集轉(zhuǎn)子系統(tǒng)運行過程中的振動信號，結(jié)合相應的信號處理技術(shù)，判斷轉(zhuǎn)子系統(tǒng)是否存在故障。例如，公開號為cn101294845a的專利公開了一種“轉(zhuǎn)子早期故障的多頻率微弱信號檢測方法”，公開號為cn104697767a的專利公開了“一種基于振動分析的轉(zhuǎn)子系統(tǒng)診斷方法及裝置”，公開號為cn101929917a的專利公開了“一種旋轉(zhuǎn)機械的故障診斷方法”。這三種方法都是以振動檢測理論為基礎，通過采集轉(zhuǎn)子系統(tǒng)的振動信號，利用特定的信號處理技術(shù)提取振動信號的不同故障特征，以實現(xiàn)故障診斷的目的。公開號為cn103245491a的專利公開了一種“基于確定學習理論的轉(zhuǎn)子系統(tǒng)故障診斷方法”。此方法同樣以振動檢測為基礎，但其從機器學習理論角度出發(fā)，利用確定學習理論實現(xiàn)對轉(zhuǎn)子系統(tǒng)的故障診斷。

振動檢測手段在理論上已經(jīng)較為成熟，應用上也十分廣泛，然而在信號采集過程中，振動信號極易受現(xiàn)場惡劣環(huán)境的影響，造成信號中噪聲成分過多，有用信號被湮沒，對故障診斷結(jié)果產(chǎn)生較大的影響。電機電流分析法(motorcurrentsignalanalysis,mcsa)是利用電動機的定子電流信號來對電機及其拖動系統(tǒng)進行狀態(tài)監(jiān)測的新方法，其優(yōu)點在于：mcsa能夠有效的減小監(jiān)測成本，幾乎不會對機械系統(tǒng)產(chǎn)生干擾，同時電流信號抗干擾能力更強，電流信號較振動信號信噪比更高，信號更為準確。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種基于電機電流信號、診斷準確、易于實施的轉(zhuǎn)子系統(tǒng)典型故障診斷方法，可用于轉(zhuǎn)子系統(tǒng)質(zhì)量不平衡、偏角不對中和平行不對中等故障的診斷。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種基于電流信號的轉(zhuǎn)子系統(tǒng)典型故障診斷方案分，包括下述步驟：

(1)在驅(qū)動電機電源輸入端布置霍爾電流傳感器，采集電機電流信號；

(2)利用改進的小波閾值去噪法對電流信號進行去噪處理；

(3)針對傳統(tǒng)的經(jīng)驗模態(tài)分解存在模態(tài)混疊的缺點，利用總體平均經(jīng)驗模態(tài)分解方法改善模態(tài)混疊現(xiàn)象，對去噪后的電流信號進行分解；

(4)去除無意義的imf分量，提取剩余imf分量的幅值域和時頻域特征，組成特征向量；

(5)針對特征向量維數(shù)過多的缺點，利用主成分分析法對多維特征向量進行降維處理，得到維數(shù)較少、互相獨立的特征向量；

(6)將步驟五得到的特征向量作為輸入，以轉(zhuǎn)子系統(tǒng)故障類型作為輸出，利用支持向量機建立特征向量與故障類型的非線性映射關(guān)系，實現(xiàn)對不同故障的診斷。

本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點：

1、本發(fā)明故障診斷方法利用電機電流信號實現(xiàn)對轉(zhuǎn)子系統(tǒng)的故障診斷，相比傳統(tǒng)的振動檢測技術(shù)，抗干擾能力更強，信號更加準確，電流傳感器成本更低，實施更為方便。

2、本發(fā)明對小波閾值去噪函數(shù)進行改進，提出了一種新的閾值函數(shù)，結(jié)合信號本身的特點，選取不同閾值進行去噪處理，具有一定的自適應性。該方法可推廣至其他領(lǐng)域的信號處理，有效的對信號進行去噪預處理。

3、本發(fā)明利用eemd對電流信號進行分解，提取各imf分量的幅值域和時頻域特征。這可以克服電流信號工頻強大、故障特征易被湮沒的缺點，有效的提取電流信號中微弱的故障特征信息。該特征提取方法還可用于其他機械系統(tǒng)的故障特征提取，有效提取故障特征信息。

附圖說明

圖1是本發(fā)明的實施流程圖；

圖2是本發(fā)明改進小波閾值去噪法實施流程圖；

圖3是本發(fā)明的電流信號特征提取流程圖；

具體實施方式

下面結(jié)合附圖對本發(fā)明的實施例作詳細說明：本實施例在以本發(fā)明技術(shù)方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程。

如圖1所示，本實施例包括如下步驟：

1、采集轉(zhuǎn)子系統(tǒng)不同故障下的電機電流信號。轉(zhuǎn)子系統(tǒng)發(fā)生故障時，會引起轉(zhuǎn)軸上扭矩的波動，這個扭矩波動反饋給電動機進而造成電機電流的變化。

2、為避免電機啟動階段電流變化的影響，采集電機勻速轉(zhuǎn)動時的電流信號，以此作為待處理的時域信號x(t)；其中，t＝1,2,…,n表示信號采集的時間間隔，n表示采樣點數(shù)。

3、對采集的電流信號進行去噪預處理，得到信號

去噪預處理具體操作步驟如下：

(1)軟閾值函數(shù)為：

其中，λ是設定的閾值，采用通用閾值σ為噪聲方差，n為信號長度。

硬閾值函數(shù)為：

為了克服傳統(tǒng)軟、硬閾值函數(shù)的缺點，對其進行改進，得到新的折衷閾值函數(shù)表達式：

其中，λ是設定的閾值，wj,k表示去噪后第j層小波分解分量的第k個系數(shù)，為閾值處理后的分解系數(shù)，0≤μ≤1。當μ趨于0時，折衷函數(shù)趨近于軟閾值函數(shù)，此時去噪信號更為光滑；當μ趨于1時，折衷函數(shù)趨近于硬閾值函數(shù)，此時去噪能力更強。然而μ的取值仍需大量實驗來獲得，有很大的不便。

(2)采取μ為非定值的方法。令

當|wj,k|較大時，說明噪聲信號中突變較多，此時μ增加，折衷函數(shù)偏向于硬閾值函數(shù)，有很好的去噪能力；當wj,k較小時，說明噪聲信號較為平滑穩(wěn)定，此時μ減小，折衷函數(shù)偏向軟閾值函數(shù)，有很好的光滑性。

4、將去噪后的信號進行eemd分解，并篩選出前p個imf分量；

5、對篩選出的imf分量提取幅值域和時頻域特征。

本發(fā)明選取13種幅值域特征和1種時頻域特征。

13種幅值域特征分別為：

(1)均值：(2)均方根值：

(3)方根幅值：(4)絕對平均值：

(5)偏斜度：(6)峭度：

(7)方差：(8)峰峰值：h＝max(xi)-min(xi)；

(9)波形指標：(10)峰值指標：

(11)脈沖指標：(12)裕度指標：

(13)峭度指標：

時頻域特征為：

能量熵：

6、利用主成分分析法對特征向量進行降維處理，進而組成新特征向量：

(1)將特征向量進行歸一化，歸一化函數(shù)為：

其中，xmax為特征向量的最大值，xmin為特征向量的最小值，x^*為歸一化后的特征向量，x^*∈[0,1]。

(2)對歸一化后的特征向量進行主成分分析降維處理，選取貢獻率超過95％的特征組成新特征向量。

7、采用粒子群優(yōu)化的支持向量機算法建立特征向量與不同故障類型之間的非線性映射關(guān)系，得到最終識別結(jié)果：

(1)建立訓練及識別樣本集：即將新特征向量作為輸入樣本，以不同的故障類型作為估計目標，采用轉(zhuǎn)子試驗臺不同故障下的320組電機電流數(shù)據(jù)，隨機選取265組作為訓練樣本，其余的55組作為測試樣本。

(2)支持向量機參數(shù)的選擇：本發(fā)明應用支持向量機算法對故障類型進行識別，核函數(shù)采用徑向基核函數(shù)其中，σ是核函數(shù)的半徑。利用粒子群優(yōu)化算法對參數(shù)懲罰因子c和松弛因子g進行尋優(yōu)，以均勻絕對誤差為適應度測評參數(shù)的性能，其中,yi為相應參數(shù)的輸出值，為相應參數(shù)的實際值，me為適應度值。

表1為故障診斷結(jié)果，結(jié)果顯示本發(fā)明所述的故障診斷方法可以獲得較好的準確率。

表1本發(fā)明所述方法得到的故障診斷結(jié)果

綜合實施例的上述分析，利用電流信號進行轉(zhuǎn)子系統(tǒng)的故障診斷是可行的，本發(fā)明所述方法能夠有效的提取電流信號中的微弱故障特征，采用粒子群優(yōu)化的支持向量機算法能夠?qū)收项愋妥鞒鲇行袛?，故障診斷率較高，該方法也可推廣至其他旋轉(zhuǎn)機械的故障診斷中。