★ 中國鋁業廣西分公司 陸燦

關鍵詞：故障診斷；廠用電機；信息融合；振動信號；電流信號；智能診斷

1   廠用電機故障類型與信號分析

1.1   廠用電機常見故障類型及機理

軸承故障是廠用電機最為常見的機械故障類型。當軸承出現故障時，電機運行過程中會產生異常的振動和噪聲，使振動信號的幅值和頻率特征發生明顯變化。轉子故障主要表現為轉子斷條和轉子不平衡 ^{[ 1 -4]} 。其中，轉子斷條通常是由于電機頻繁啟動、重載運行，使轉子導條承受過大的電磁力和熱應力，導致導條斷裂。轉子斷條會引起電機電流的波動，在電流頻譜中出現特定的諧波成分，同時電機的轉矩輸出也會不穩定，導致轉速波動。定子故障主要包括定子繞組短路、斷路和絕緣老化。

1.2   振動信號故障特征分析

在時域內計算信號的統計特征，如均方根值、峭度等，可以初步判斷信號的整體能量水平和沖擊成分。將信號轉換至頻域，通過頻譜分析精確識別由特定故障所引發的特征頻率成分及其幅值。為進一步分析非平穩信號，引入時頻分析，提取信號能量在時頻面上的分布特征，全面表征故障信息^[5]。

從時間波形序列中提取統計指標，可以初步評估振動信號的總體水平和性質。對于采集到的離散振動信號序列x(n)，其中n = 1,2,…,N，N為采樣點數，可計算有量綱和無量綱指標。其中， 均方根值（Root Mean Square， RMS）是衡量振動能量強度的關鍵參數，其計算公式如式（1）所示：

式中，X_RMS值反映振動的平均能量，對軸承磨損等分布式故障比較敏感。另一個指標是峭度，表征信號概率密度分布的尖峰程度，計算公式如式（2）所示：

式中，為信號均值。峭度值對信號中的沖擊成分更敏感。當軸承出現點蝕等局部損傷時，滾動體劃過損傷點會產生周期性沖擊， 導致峭度值顯著增大。在故障早期， RMS變化不明顯時， 峭度已升高，因此其具有早期故障預警能力。

然而，電機不同零部件的故障會激發特定頻率的振動，時域波形混雜了所有頻率成分，難以區分故障來源。通過快速傅里葉變換將振動信號x(n)從時域轉換到頻域，得到其幅值譜x(f)，可以觀察到信號中各個頻率分量的分布情況。通過識別幅值譜中顯著突出的譜線對應的頻率，并將其與根據設備結構參數計算出的理論故障特征頻率進行比對， 即可實現對故障部位的精準定位。

分析非平穩工況下的振動信號，需進行時頻特征分析。傅里葉變換假設信號是平穩的，但當電機轉速或負載變化時，其振動信號的頻率成分也會隨時間動態變化。此時，小波包變換等時頻分析能將信號同時在時間和頻率兩個維度進行分解。通過分析特定頻帶內能量的時變規律，可以提取出更具魯棒性的故障特征，顯著提升了復雜工況下故障診斷的準確性與可靠性。

1.3   電流信號故障特征分析

利用Park矢量變換將三相交流電流轉換為二維矢量，通過觀察其軌跡從理想圓形到橢圓的畸變，可定性判斷是否存在電氣或磁場不對稱性故障。在此基礎上，對定子電流信號進行頻譜分析，通過傅里葉變換提取基頻兩側因故障特征頻率調制產生的邊頻帶成分。通過分析邊頻帶的幅值、頻率間隔及其諧波，可實現轉子斷條、氣隙偏心等故障的精準定位與嚴重程度評估。

本文采用Park矢量變換進行定性分析。通過Clark變換，可將相位互差120度的三相定子電流i_a(t),i_b(t),i_c(t)轉換為兩相正交的靜止坐標系下的電流i_a(t)和i_β(t)。對于理想對稱的健康電機，其Park矢量軌跡i_a(t)與i_β(t)構成一個標準的圓。轉子斷條、氣隙偏心等故障會造成磁場不對稱，導致該軌跡畸變為橢圓狀。因此， 通過觀察Park矢量軌跡的形狀， 可以直觀、定性地判斷電機是否存在不平衡故障。

2   基于振動與電流信號的特征提取

2.1   振動信號特征提取

時域特征主要分為兩類：反映信號平均能量強度的有量綱參數，如均方根值，對緩慢發展的均勻磨損類故障比較敏感；對故障類型更具鑒別力的無量綱指標，如波形指標、峰值指標、脈沖指標和峭度等。峭度計算公式如式（3）所示：

式中， K是計算得到的峭度值；  x(")是第n個采樣點的振動幅值； 是整段信號的平均值； σ是信號的標準差；是總采樣點數。對于正態分布的平穩信號，峭度值理論上約為3。當軸承或齒輪出現局部點蝕等損傷時， 滾動體劃過損傷點會產生周期性沖擊脈沖，導致信號分布中出現明顯的“重尾”現象，使峭度值顯著大于3。

快速傅里葉變換可將時域振動信號轉換為頻域信號，但其僅適用于平穩信號。當電機處于啟動、停機或負載變化的非平穩工況時，其振動信號的頻率是隨時間變化的。

2.2   電流信號特征提取

三相電流均方根值可將交流電轉換為等效直流以反映負載變化，如公式（4）所示：

式中，i²u (t),  i²v(t),  i²w (t)分別為三相瞬時電流， T為信號周期。

為降低波動干擾，需進行滑動窗平滑處理，如公式（5）所示：

式中，Y_j為第j個平滑數據點， W為滑動窗長（常按電機轉頻設定）， IRMS_k為原始均方根序列。頻域分析則通過提取諧波幅值占比等特征，結合定子、轉子故障的特征頻率，實現了故障類型的精準識別。

3   信息融合與智能診斷模型構建

3.1   信息融合策略

由于從振動信號中提取的特征與從電流信號中提取的特征具有不同的量綱和數值范圍，因此采用最大-最小歸一化方法對每個特征進行標準化處理，如公式（6）所示：

式中， X為原始特征值， X_min和X_max分別為該特征在所有樣本中的最小值和最大值， X_norm為歸一化后的特征值，其取值范圍為[0,1]。

將歸 一 化后的振動特征向量 T_v = [t_v1 , t_v2,t_vm ]和電流特 征 向 量 T_c =[ t_c1 , t_c2, t_cm]進 行 拼 接， 可 得 到 初 步 融 合 特征向量T_fused = [T_v , T_c ]，維度為 m+n。為消除冗余信息并降低計算復雜度，本文采用主成分分析（Principal Component Analysis， PCA）對融合后的特征進行降維處理。PCA通過求解特征方程提取主要成分，計算公式如式（7）所示：

式中， Σ為融合特征集的協方差矩陣，λ為特征值，v為對應的特征向量。分層融合策略， 既保留了振動信號對機械沖擊的敏感性和電流信號對電磁異常的特異性，又通過降維優化了特征集的質量。

3.2   診斷模型構建

本文選取支持向量機（S u pport  Vector Machine， SVM）作為故障基礎分類器。 SVM通過尋找最優分類超平面實現故障分類，其核心思想是最大化分類間隔。對于線性可分情況，分類超平面計算公式為式（8）。

式中，W是法向量，決定超平面的方向； b是位移項，決定超平面與原點之間的距離；  x是輸入的特征向量。算法的優化目標是求解w和b，讓樣本分類間隔2/||W||最大化。

通過非線性映射將原始特征空間轉換到高維空間，可使在原始空間中線性不可分的樣本在新空間中線性可分。本文采用徑向基核函數完成映射，如公式（9）所示：

式中，X_i和X_j是樣本特征向量，||X_i,X_j|| 表示向量間的歐氏距離，σ是核函數的帶寬參數， 控制核函數的局部影響范圍。

具體故障診斷過程如圖1所示。

圖1 廠用電機故障診斷流程

4   實驗驗證

4.1   實驗平臺搭建

平臺硬件組成：實驗設備為一臺Y系列三相異步電動機（額定功率1.5kW，額定轉速2890r/min）， 通過聯軸器驅動一臺磁粉制動器。電機由變頻器供電，以實現轉速的精確控制；磁粉制動器通過調節勵磁電流改變電機負載，可模擬電機在不同工況下的運行。

為模擬真實故障，實驗準備了故障軸承，以及經過加工的缺陷轉子，通過更換相應部件，可設置單一或復合故障。壓電式加速度傳感器通過磁座固定于電機驅動端軸承座上，用以測量徑向振動；傳感器信號經由電荷放大器調理后，輸入數據采集卡。高精度電流互感器鉗于電機三相供電線路的某一相，可直接獲取電流信號并輸入采集卡。 NIcDAQ-9174緊湊型數據采集卡及其配套模塊，可確保振動與電流信號能夠被嚴格同步采集，采樣頻率設置為12.8kHz，滿足故障特征頻率的分析要求。

4.2   故障診斷結果與分析

將構建的數據集按7:3的比例隨機劃分為訓練集與測試集，分別訓練基于振動信號、電流信號以及融合信號的診斷模型（以SVM為例）。各模型在測試集上的平均性能對比如表1所示。

表1 不同信號源的診斷模型性能對比

分析表1數據可知，單一信號診斷方法存在明顯局限性：振動信號對軸承故障等機械沖擊敏感，診斷準確率較高（89.5%），但對轉子斷條等初期電磁故障不敏感，易發生漏診；電流信號雖能有效檢測電磁不對稱故障，但對純粹的機械故障響應較弱，導致其整體準確率最低（82.3%）。本文提出的特征層融合方法準確率達96.8%。表明振動與電流信號在故障表征上具有互補性，融合診斷模型能夠同時捕捉機械與電氣故障的特征，提升了故障識別與分類精度。

接下來，在固定轉速（50Hz）下，測試模型從空載到50%額定負載的診斷性能，具體結果如表2所示。

表2 不同負載條件下各診斷模型準確率對比

根據表2結果可知，融合模型的準確率波動范圍小于±2%， 而單一振動或電流模型的波動范圍均超過±5%， 證明融合方法有效克服了單一信號對運行工況的敏感性。負載變化對振動和電流的影響機制不同，融合特征通過信息互補，抵消了工況變動帶來的干擾。

綜上所述，基于振動與電流信號特征層融合的診斷方法，在準確性、可靠性和工況魯棒性上均優于單一信號方法，有效解決了廠用電機復雜故障診斷的難題。

5   結束語

本文通過振動信號與電流信號特征的融合，構建了廠用電機故障智能診斷模型，有效解決了傳統單一信號分析方法在復雜工況下診斷能力不足的問題。實驗結果表明，該融合方法顯著提升了故障分類的準確性與穩定性，克服了負載與轉速波動對診斷結果的干擾。該方法充分挖掘了多源信號之間的互補特性，為電機狀態監測與早期故障預警提供了可靠的技術途徑。

作者簡介：

陸   燦（1983-），男，廣西北流人，助理工程師，本科，現就職于中國鋁業廣西分公司，主要從事熱電廠電氣運行檢修工作。

參考文獻：

[1] 李浩, 魏繁榮, 王浩, 等. 基于振動信號與深度學習的電力變壓器故障診斷方法[J]. 電工電能新技術, 2024, 43 (10) : 1 - 12.

[2] 陳學標, 肖遠輝, 肖富鋒, 等. 基于EEMD - SD振動信號分析的水電機組故障預警方法[J]. 水電與新能源, 2023, 37 (2) : 1 - 5.

[3] 鄭則君, 宋冬利, 賈晨, 等. 基于振動加速度與聲音信號融合的軌道交通列車軸箱軸承故障診斷方法[J]. 城市軌道交通研究, 2024, 27 (9) : 40 - 46.

[4] 陳康, 安康, 王驍賢, 等. 基于振動和電流信號深度融合的電動機轉速估計及軸承故障診斷[J]. 軸承, 2023, (2) : 54 - 60.

[5] 張秋昕, 呂淵, 簡紅英, 等. 基于振動信號時域特性的傳動系統故障分類與診斷[J]. 機電工程, 2024, 41 (11) : 1995 - 2002.

摘自《自動化博覽》2026年7月刊