摘要

電機是工業(yè)發(fā)展的支柱，它們的可靠和安全運行對各行各業(yè)都至關重要。目前，基于電流特征分析的電機故障診斷因其非侵入性而受到青睞。本文總結了用于電機故障診斷的電流特征分析方法最新進展。首先，闡述了電機診斷的背景和需求，以及電流特征分析的優(yōu)勢。然后，分析了應用最廣泛的感應電機和永磁同步電機常見故障的機理和影響，總結了軸承損傷、定子繞組匝間短路、轉(zhuǎn)子斷條等典型電機故障的檢測標準。接著，從頻譜分析、解調(diào)變換、時頻分析、參數(shù)估計、人工智能等角度總結了基于電流特征分析的電機診斷技術，同時介紹了每種技術的優(yōu)缺點。最后，根據(jù)現(xiàn)有技術在工程中面臨的挑戰(zhàn)，建議未來的研究重點放在機電耦合對電流信號的影響分析、早期故障特征提取、非穩(wěn)態(tài)信號分析、無標簽數(shù)據(jù)利用和故障嚴重性評估等方面。

關鍵詞：電機電流特征分析，軸承損傷，匝間短路，轉(zhuǎn)子斷條，故障診斷

#01 引  言

現(xiàn)代經(jīng)濟依賴于制造、能源、石化、交通和國防設備的可靠和不間斷運行。實施故障預測和健康管理（PHM）技術是確保設備安全運行的重要方向。電機具有成本低、經(jīng)久耐用、功率重量比高、能量轉(zhuǎn)換率高等特點，已逐漸成為各行各業(yè)的核心驅(qū)動設備。

電機故障普遍存在，因此狀態(tài)監(jiān)測和故障診斷至關重要。惡劣的工作環(huán)境和頻繁的負載變化是電機故障的主要原因。電機故障或突然停止運行，除了對電機本身造成危害外，還會嚴重危及整個生產(chǎn)系統(tǒng)的安全，造成重大的生產(chǎn)損失。因此，需要對電機進行及時的狀態(tài)監(jiān)測和故障診斷，以防止意外事故的發(fā)生。對電機進行及時評估還能安排最佳維護策略，例如：何時更換關鍵部件、最大限度地提高可用性、減少停機時間和降低維護成本。

據(jù)統(tǒng)計，風力發(fā)電機發(fā)生電機故障的概率約為22.8%，采煤機電機故障率約為19.78%，井下排水泵電機故障率約為26.85%。因此，研究電機故障、及時發(fā)現(xiàn)早期故障并進行維護，對于確保電機安全運行、降低維護成本具有重要意義。

電機故障診斷可采用多種信號，包括振動、電流、電壓、磁通、紅外熱成像等信號。其中，通過振動信號診斷電機的研究最多。振動信號分析通常效果很好，但振動傳感器價格昂貴，安裝也很困難，尤其是在空間緊湊的環(huán)境中。此外，振動激勵源經(jīng)過較長的傳播路徑才能到達振動傳感器，這就導致振動信號中會包含噪聲和其他部件的振動信息。上述因素使振動信號分析變得復雜，限制了其在工業(yè)領域的廣泛應用。

作為一種非侵入式診斷方法，電機電流純粹地反映了電機的運行情況?；陔姍C電流特征分析(MCSA)的故障診斷具有以下幾個優(yōu)點：a)電流信號易于采集，只需將電源線穿過電流傳感器即可；b)信號采集不會干擾系統(tǒng)運行；c)采集的信號對環(huán)境噪聲具有魯棒性；d)電流傳感器價格便宜。鑒于上述優(yōu)點，基于MCSA 的故障診斷技術越來越受到研究人員的青睞。

為了實現(xiàn)電機故障檢測，出現(xiàn)了各種基于 MCSA 的方法。本文在Web of Science數(shù)據(jù)庫中以"電流特征分析"和"電機故障"為關鍵詞進行搜索，共檢索到 142 篇研究論文。搜索時間范圍設定為 1990 年至 2022 年，圖1是檢索到的論文分布條形圖?？梢钥闯觯?011年以來，基于MCSA的研究文章數(shù)量顯著增加。

圖1 檢索到的論文

盡管 MCSA 發(fā)展迅速，但目前還沒有系統(tǒng)的綜述。Mehrjou 等人僅綜述了感應電機轉(zhuǎn)子的典型故障及其診斷方法。Choudhaly 等人綜述了使用振動、聲發(fā)射、扭矩、電流和紅外熱成像等不同傳感器信號監(jiān)測電機的方法。Gangsar 和 Tiwari綜述了用于電機診斷的振動信號和電流信號分析方法，并著重總結了人工智能技術在電機診斷中的應用。還有一些相關領域的綜述論文，但都沒有全面地總結基于電流信號分析的電機故障診斷方法。

#02 電機故障模式、成因及電流特征

理論上，電機正常運行時的電流信號只包含電源頻率。電機退化會改變電機內(nèi)部的氣隙磁場和轉(zhuǎn)矩，從而在定子電流信號中產(chǎn)生諧波。電機的類型按其結構和工作原理可分為直流電機、異步電機和同步電機。異步電機包括感應電機和交流換向器電機，同步電機包括永磁同步電機(PMSM)、磁阻同步電機和磁滯同步電機。其中，感應電機和永磁同步電機的應用最為廣泛。交流感應電機具有成本低和高堅固性的優(yōu)點，因此被廣泛應用于軌道交通系統(tǒng)中。永磁同步電機具有性能高、功率密度大、體積小等優(yōu)點，目前廣泛應用于電動汽車、醫(yī)療設備、家用電器等領域。感應電機故障可分為兩類：電氣故障和機械故障。表1列出了感應電機的典型故障模式、原因和影響。對于感應電機，電氣故障主要包括定子繞組匝間短路、轉(zhuǎn)子斷條和轉(zhuǎn)子環(huán)斷裂；機械故障包括軸承故障和氣隙偏心。除電機制造缺陷外，惡劣的運行環(huán)境和長期超負荷運行也容易導致電機故障。

表1 感應電機故障成因及影響

如圖2所示，永磁同步電機也存在機械故障或電氣故障，永磁故障是永磁同步電機特有的故障模式。由于永磁材料的穩(wěn)定性容易受到影響，當外部磁場發(fā)生變化或在高溫下運行時，電機中的永磁體就會出現(xiàn)退磁現(xiàn)象。此外制造缺陷和負載波動過大也會導致此類故障。退磁故障會導致轉(zhuǎn)矩異常、轉(zhuǎn)速波動和振動異常，進而導致電機性能嚴重下降甚至損壞。

圖2 PMSM故障模式

為了闡明基于電流信號的電機故障診斷，本節(jié)分析了軸承故障、定子繞組匝間短路、轉(zhuǎn)子斷條和氣隙偏心等故障的產(chǎn)生機理，并給出了電流信號中相應的故障特征頻率。

2.1 軸承故障

軸承缺陷會在電機運行過程中引起周期性振動。這種周期性振動頻率又稱滾動軸承故障振動特征頻率，與軸承的幾何形狀、損壞位置和轉(zhuǎn)速有關。滾動軸承內(nèi)圈、外圈和滾珠故障的振動特征頻率可表示為

其中，N表示滾動球的數(shù)量；fr表示轉(zhuǎn)速；d是滾動體直徑；D是節(jié)圓直徑；α是軸承的接觸角。

一旦軸承發(fā)生故障，伴隨的機械位移將改變氣隙，氣隙的變化將產(chǎn)生相應的電流諧波，其頻率受振動和電源頻率的影響。因此，電流信號中軸承故障的特征頻率表示為

其中，；表示供電頻率；表示軸承損傷的振動特征頻率。

2.2 定子繞組匝間短路

定子繞組匝間短路大多是由于絕緣層損壞或某個繞組的線圈性能下降造成的。在所有電機故障模式中，定子繞組匝間短路故障約占 30%，是第二大容易發(fā)生的故障。以感應電機A相匝間短路為例，其故障原理如圖3所示。定子繞組 Ra 分為正常繞組和故障繞組。此外，為短路電阻，為短路電流。

匝間短路故障主要是由于過壓、過載、繞組阻尼、磨損、異物侵入電機內(nèi)部等原因造成絕緣層失效。在故障初期，電機仍能正常運行。但是，如果不及時處理這種早期故障，短路部分的電流增大會導致線圈局部過熱，從而破壞相鄰線圈的絕緣層，使短路匝數(shù)繼續(xù)增加。一方面，有觀點認為絕緣層達到擊穿溫度的時間只有1-2秒。另一方面，雖然沒有實驗數(shù)據(jù)表明匝間絕緣擊穿和地壁絕緣擊穿之間的時間延遲，但這兩種狀態(tài)之間的轉(zhuǎn)換可能不是瞬時的。因此，匝間短路的早期檢測值得研究。在電流信號頻譜中，故障的特征頻率表示為

其中，k = 2m-1 (m ? N+)；n ? N+； fs表示供電頻率；s 表示滑差；p 表示極對數(shù)。

對于定子繞組匝間短路的診斷，可以利用電流的負序分量來構建故障指標。當故障發(fā)生時，定子繞組不再對稱，因此會產(chǎn)生相應的負序分量。然而，負序分量的產(chǎn)生并不局限于這種故障。電源電壓不平衡、電機和負載固有的不對稱、轉(zhuǎn)子斷條等都會導致電流信號負序分量的產(chǎn)生。此外，負序分量的大小與轉(zhuǎn)子斷條的嚴重程度呈正相關。因此，僅使用負序電流很難識別定子繞組的匝間短路。

2.3 轉(zhuǎn)子斷條

圖 4 顯示了不同故障嚴重程度的轉(zhuǎn)子斷條。電機結構和材料的缺陷會導致轉(zhuǎn)子斷裂。此外，電機啟動或重載時，流經(jīng)轉(zhuǎn)子條的電流較大，溫度升高，也容易導致轉(zhuǎn)子斷條。

圖4 轉(zhuǎn)子斷條 (a) half-BRB (b) 1BRB (c) 2BRB

理想情況下，電機正常運行時電流信號中只顯示電源頻率。當斷條迫使轉(zhuǎn)子不對稱時，磁通中會出現(xiàn)頻率為 (1±2s)fs 的附加分量，從而導致定子電流信號中產(chǎn)生相同頻率的諧波。隨后，增加的頻率為 (1±2s)fs 的諧波不斷產(chǎn)生頻率為 (1±4s)fs 的電流諧波。根據(jù)上述原理，轉(zhuǎn)子斷條最終在定子電流中產(chǎn)生的特征頻率為

其中，k ? N+； fs表示電源頻率；s 表示轉(zhuǎn)差。由于 (1±2s)fs 頻率在各故障諧波中最為突出，因此大多數(shù)轉(zhuǎn)子斷條診斷方法都是通過分析該頻率來進行故障識別的。

2.4 氣隙偏心

對于健康的感應電機，定子和轉(zhuǎn)子之間的氣隙是對稱的，定子和轉(zhuǎn)子的幾何中心重合。但是，如果旋轉(zhuǎn)軸與定子的幾何中心不重合，氣隙就會發(fā)生變化，這就是氣隙偏心。如圖 5 所示，氣隙偏心可分為靜態(tài)偏心和動態(tài)偏心，藍色箭頭表示轉(zhuǎn)子旋轉(zhuǎn)的路徑。靜態(tài)偏心是指轉(zhuǎn)子軸線偏離定子軸線，但在旋轉(zhuǎn)過程中轉(zhuǎn)子軸線不會發(fā)生變化。相反，在動態(tài)偏心電機中，轉(zhuǎn)子除了旋轉(zhuǎn)外，還相對于定子軸線旋轉(zhuǎn)。

圖5 氣隙偏心 （a）靜偏心 （b）動偏心

高負載、材料不均勻和裝配誤差都可能導致氣隙偏心。電機的氣隙偏心會導致磁拉力不平衡或徑向力不平衡。此外，氣隙偏心還會在電流信號中產(chǎn)生額外的諧波，其特征頻率為

其中，k ? N+；fs表示電源頻率；s 表示轉(zhuǎn)差；p表示極對數(shù)。

#03 基于電流特征分析的電機診斷方法

傳統(tǒng)的 MCSA 技術使用快速傅立葉變換 (FFT) 對電流信號進行頻域分析，計算出電機各部件的故障特征頻率，進而識別電機的健康狀態(tài)。然而，這種方法通常只能有效分析電機在穩(wěn)態(tài)下采集的數(shù)據(jù)。此外，由于電源諧波、負載波動、轉(zhuǎn)速變化等因素的影響，電機在輕載或空載運行時很難準確檢測出故障，基于傳統(tǒng) MCSA 技術的 PHM 應用案例也鮮有報道。因此，學者們針對傳統(tǒng)技術存在的問題開展了一系列研究。

本節(jié)從頻譜分析、時頻分析、解調(diào)變換和人工智能等方面總結了基于 MCSA 的電機故障診斷方法。

3.1 頻譜分析

頻譜分析是基于 MCSA 的電機故障診斷的經(jīng)典技術。電機故障會在電流信號中產(chǎn)生諧波，而這些諧波在時域中很難被檢測到。頻譜分析將時域電流信號轉(zhuǎn)換為頻域信號，然后利用頻率、幅值和相位來識別故障。然而，電壓不平衡和負載波動產(chǎn)生的諧波很容易與轉(zhuǎn)子斷條和定子繞組匝間短路等故障諧波相混淆。因此，簡單的頻譜分析技術已不能滿足電機診斷的需要。如表2所示，近年來提出了很多基于 MCSA 的診斷方法。我們將在本小節(jié)的其余部分回顧各子類的詳細情況。

表2 基于頻譜分析的電機診斷方法

1) 電源頻率抑制和特征增強

由于大多數(shù)機電系統(tǒng)使用 50/60 Hz 的電源頻率，如果直接對采集到的電流信號執(zhí)行 MCSA-FFT，則電機故障時的頻譜將以電源頻率為主，與健康狀態(tài)下的頻譜無異。陷波濾波器和反傅里葉變換都能成功去除穩(wěn)態(tài)電流信號的電源頻率。此外，電流信號的特征增強和去噪也有助于故障檢測和識別。在這方面，人們提出了許多有效的技術。Rangel 等人利用數(shù)學形態(tài)學中的擴展運算對電流信號進行處理，擴展出需要檢測的目標，進而在穩(wěn)態(tài)條件下有效識別出轉(zhuǎn)子斷條。Rivera-Guillen 等人在對電機啟動瞬態(tài)電流信號進行 FFT 處理后，使用頻譜減法有效抑制了電源頻率和噪聲。圖 6 顯示了一種利用時移消除電流噪聲的方法，通過將采集到的電流信號與自身的延遲信號相加，可以消除電流信號中的基波電流和奇次諧波。Drif 和 Marques 利用瞬時有功功率和瞬時無功功率的頻譜來區(qū)分匝間短路和靜態(tài)偏心，然后利用定子電壓模量的頻譜來區(qū)分電壓不平衡和匝間短路。為了預測新出現(xiàn)的故障，Allal 和 Khechekhouche提出了電機電流歸一化殘差諧波分析方法。該方法分別對健康和故障條件下的電流信號進行線性歸一化，然后使用頻譜減法構建故障指標，以檢測轉(zhuǎn)子斷條和定子繞組匝間短路。

圖6 基于時移的電流信號噪聲消除技術[34]

電源頻率抑制技術對于基于 MCSA 的電機診斷非常重要，結合適當?shù)奶卣髟鰪姺椒?，可以有效提高故障識別精度。

2) 高分辨率頻譜分析

高分辨率頻譜分析是提高頻譜估計分辨率的技術，是為了解決傳統(tǒng)頻譜分析技術分辨率弱的問題而提出的。如圖 7 所示，Singh 和 Naikan使用多種信號分類技術分析電流信號。在該方法中，首先估算感應電機的轉(zhuǎn)差，使用陷波濾波器處理電流信號，然后計算處理后信號的平方值。最后，該算法用于識別各種負載條件下的轉(zhuǎn)子斷條。Azouzi 等人結合奇異值分解（SVD）和卡爾曼濾波器（KF）來估計轉(zhuǎn)子斷條電流信號的故障頻率、幅值和相位，如圖 8 所示。這種方法可以在很短的采集時間內(nèi)提高頻域分辨率，而傳統(tǒng)的周期圖方法很難實現(xiàn)這一點。Samanta 等人提出了一種基于瑞利熵的頻譜估計方法，故障檢測方案如圖 9 所示。在故障檢測方案中，首先使用擴展卡爾曼濾波器去除基頻，然后使用提出的頻譜估計器估計轉(zhuǎn)差、故障頻率和振幅。該方法的優(yōu)點是能快速估計故障頻率和振幅、精度高、計算復雜度低，還能在輕載情況下檢測轉(zhuǎn)子斷條。Guajardo 等人提出了一種用于診斷鼠籠式感應電機轉(zhuǎn)子斷條的多尺度泰勒卡爾曼方法。Elbouchikhi 等人利用最大似然原理從去噪信號中估計出故障頻率，然后實現(xiàn)了穩(wěn)態(tài)條件下軸承故障、轉(zhuǎn)子斷條和氣隙偏心的故障識別。

圖7 基于電流信號的MUSIC

圖8 融合了SVD與KF的MCSA

圖9 基于瑞利商的檢測方法

上述高分辨率頻譜分析方法能有效估計故障頻率和振幅，故障識別精度高。憑借這一優(yōu)勢，高分辨率頻譜分析吸引了眾多研究人員。然而，許多頻譜估算器在估算故障頻率和振幅時計算復雜度高、實時性差，這限制了此類方法在工業(yè)領域的應用。

3) 高階譜分析

有學者發(fā)現(xiàn)，大多數(shù)頻譜分析方法通常只關注故障頻率的幅值信息，而忽略了相位信息。因此，得益于故障相位的敏感性，高階頻譜分析被應用于電機定子和轉(zhuǎn)子的故障檢測。Saidi 等人利用雙譜分析法準確識別了輕負載下的轉(zhuǎn)子斷條，但無法區(qū)分故障的嚴重程度。轉(zhuǎn)子斷條產(chǎn)生的邊帶振幅受轉(zhuǎn)子慣性、負載變化、功率因數(shù)和機器阻抗的影響。為了準確評估故障嚴重程度，Gu 等人提出了一種調(diào)制信號雙譜-邊帶估算方法，該方法能有效區(qū)分轉(zhuǎn)子斷條的嚴重程度。Ji 和 Liang 通過高階頻譜分析發(fā)現(xiàn)，定子匝間短路發(fā)生前后電流信號最大幅值處的雙譜水平切片圖完全不同。故障越嚴重，諧波越多，幅值越大。

雖然上述方法在檢測電機故障方面較為準確，但它們都是在穩(wěn)態(tài)信號下驗證的，處理瞬態(tài)信號的能力尚不清楚。

3.2 時頻分析

頻譜分析只能反映信號的頻域特征，不能反映信號的時域特征，只能用于處理穩(wěn)態(tài)信號。為了同時分析時域和頻域特征，利用時頻分析技術獲得信號的時頻特征，進而提取故障特征，以滿足非穩(wěn)態(tài)條件下電機故障診斷需要。針對 MCSA，人們提出并應用了多種時頻分析方法。這些方法包括線性時頻表征法、雙線性時頻表征法、自適應參數(shù)時頻分析法和自適應非參數(shù)時頻分析法。

1) 線性時頻表征法

線性時頻表征是將信號分解為一系列時域和頻域基的加權和的過程。為了分析非穩(wěn)態(tài)信號，Antonino 等人使用基于 MCSA 的短時傅里葉變換（MCSA-STFT）來分析瞬時電流信號，從而有效地檢測出早期轉(zhuǎn)子斷條。然而，MCSA-STFT 的窗寬是恒定的，無法進行自適應調(diào)整。

對于帶窗口的時頻分析，時間分辨率隨采樣頻率的增加而提高，頻率分辨率隨采樣時間的增加而提高。當信號信噪比較低時，需要提高采樣頻率以包含足夠的故障信息。此外，還需要較高的頻率分辨率。但是，時間分辨率和頻率分辨率不能同時很高，否則計算量將過大。面對這一問題，可變時間定位和頻率分辨率的特性使小波變換具有適合非穩(wěn)態(tài)信號分析的縮放和自適應窗口功能?；?MCSA 的連續(xù)小波變換（MCSA-CWT）和基于 MCSA 的離散小波變換（MCSA-DWT）也被應用于非穩(wěn)態(tài)運行下基于電流信號的電機故障檢測。

然而，小波變換會對低頻近似信號進行迭代分解，但不會對高頻細節(jié)信號進行進一步處理。因此，它的時間定位能力較強，但對高頻諧波的頻率分辨率較低。為了增強高頻諧波的頻率分辨率，提出了基于 MCSA 的小波包分解（MCSA-WPD）。Teotrakool 等人在檢測變速情況下的滾珠軸承缺陷時，首先使用二階陷波濾波器抑制電流信號的基波。然后，MCSA-WPD 作為雙通道濾波器，通過連續(xù)濾波和下采樣實現(xiàn)，與故障頻帶相對應的小波包系數(shù)可用于計算故障檢測的均方根值。

盡管小波變換在分析自相似或分形信號方面非常有效，但如何選擇合適的小波基與電流信號結構相匹配仍然是一個問題。

2) 雙線性時頻表征法

雙線性時頻表征法反映了信號能量在時頻域的分布。幾乎所有的雙線性時頻分布方法都是在基于 MCSA 的 Wigner-Ville 分布（MCSA-WVD）基礎上擴展而來的。它在時域和頻域都有很高的分辨率。為了跟蹤感應電機中的偏心相關分量，Alarcon 等人使用 MCSA-WVD 算法對啟動瞬態(tài)電流信號進行時頻分解。Jia 等人提出了一種基于 MCSA-WVD 的方法，用于檢測啟動瞬態(tài)下早期轉(zhuǎn)子斷條。由于 MCSA-WVD 存在交叉項，他使用離散小波變換對定子電流信號進行預處理，以消除諧波干擾和交叉項的影響。

MCSA-WVD 不涉及任何窗函數(shù)，因此具有較高的時頻分辨率。但是，對于多分量電流信號，交叉干擾會降低該方法的有效性。為了減少交叉項干擾，人們提出了一些方法，如科恩類分布、仿射類分布和自適應最優(yōu)核函數(shù)。這些方法的時頻分析效果已在振動信號上得到驗證，但在 MCSA 中卻很少被提及。與 MCSA-WVD 相比，雖然這些方法的交叉項干擾得到了抑制，但時頻聚焦也有所降低，因此如何實現(xiàn)這兩方面的平衡至關重要。

3) 自適應參數(shù)時頻分析法

自適應參數(shù)時頻分析方法基于原子分解，根據(jù)信號的結構特征，它們使用一組最符合時頻特征的擴展函數(shù)來表示信號，擴展函數(shù)稱為原子，由原子組成的集合稱為字典。在文獻中，Wang 等人設計了基于定子電流信號的時變余弦包字典，然后構建了稀疏表征模型，用于檢測變轉(zhuǎn)速下的軸承故障。Mohammad 等人使用匹配追尋技術處理電流信號以提取特征。Peng 等人提出了一種動態(tài)時間扭曲的移位不變字典來診斷非穩(wěn)態(tài)條件下的退磁故障。首先，根據(jù)退磁故障下電流信號的特征，構建移位不變字典。然后，使用匹配追尋來表示電流信號，進而得到稀疏系數(shù)序列。最后，使用動態(tài)時間扭曲法計算測試數(shù)據(jù)與數(shù)據(jù)庫之間的稀疏系數(shù)序列距離，并將其納入訓練過程。

自適應參數(shù)時頻分析在非穩(wěn)態(tài)信號分析中具有良好的潛力。時頻字典是參數(shù)化諧波的集合，它是原子分解的基礎，影響信號表征的稀疏性和時頻分辨率。因此，如何設計能反映多分量電流信號時頻特征的字典是一個重要問題。另一方面，如何改進大尺寸信號分解的優(yōu)化方法，從而減輕計算負擔，也是電流信號處理中的一個實際問題。

4) 自適應非參數(shù)時頻分析法

自適應非參數(shù)時頻分析法通過數(shù)據(jù)擬合或數(shù)據(jù)平滑提取信號中的每個調(diào)制成分。該技術無需事先構建任何基函數(shù)，完全由信號驅(qū)動，因此在 MCSA 中得到廣泛應用。MCSA 中廣泛使用的方法包括模態(tài)分解、局部均值分解（MCSA-LMD）和廣義解調(diào)。

為了突出電機的故障特征，Ricardo 等人使用基于 MCSA 的經(jīng)驗模態(tài)分解（MCSA-EMD）來分析電流信號，僅通過計算一些模態(tài)之和以及過零次數(shù)來檢測轉(zhuǎn)子斷條，如圖 10 所示。然而，在這種方法中，穩(wěn)態(tài)信號和非穩(wěn)態(tài)信號的故障識別方法有很大不同，需要事先明確分析的電流信號是否為穩(wěn)態(tài)信號。為了緩解 MCSA-EMD 中模態(tài)重疊、端點效應和計算復雜等問題，Song 等人提出了一種名為帶自適應噪聲的完全集合經(jīng)驗模態(tài)分解（CEEMDAN）的方法，如圖 11 所示。這種方法解決了模態(tài)重疊問題，減少了重構誤差，而且計算復雜度低。隨后，CEEMDAN 驗證了該方法能有效檢測軸承外圈故障。Shi 等人利用基于 MCSA 的變模態(tài)分解（MCSA-VMD）提取了電流信號中的微弱故障特征，然后利用包絡分析確定了穩(wěn)態(tài)下電機軸承的故障頻率。與 MCSA-EMD 相比，MCSA-VMD 可以解決模態(tài)混疊問題。

圖10 基于EMD的檢測方法[57]

圖11 基于CEEMDAN的檢測方法[58]

MCSA-LMD 是 Smith 提出的一種自適應非穩(wěn)態(tài)信號處理方法，可用于評估信號的瞬時頻率和包絡幅值。它將信號分解為幅值調(diào)制和頻率調(diào)制的乘積，然后迭代分離信號的瞬時幅值和頻率。在 MCSA 中，Zhang 等人使用 MCSA-LMD 算法從定子電流信號中提取瞬時幅值和頻率，然后構建瞬時幅值的樣本熵和瞬時頻率的峰峰值，分別反映負載轉(zhuǎn)矩變化和轉(zhuǎn)速變化。最后，提出的方法被用于評估車床伺服轉(zhuǎn)臺的瞬態(tài)性能。然而，當瞬態(tài)運動不重復且與其他運動隔離時，MCSA-LMD 算法的末端效應可能會很明顯，影響所獲得的瞬時振幅和頻率的準確性。

廣義解調(diào)時頻分析方法利用廣義解調(diào)將時頻分布為曲線的信號轉(zhuǎn)化為時頻分布為平行于時間坐標軸的直線的信號。Li 等人測量了感應電機的非穩(wěn)態(tài)單相電流信號，然后利用廣義解調(diào)進行時頻變換，以突出軸承故障特征。電流信號中往往混雜著電壓不平衡和電機固有不對稱引起的諧波。對于這種多分量的非穩(wěn)態(tài)信號，如何解決迭代廣義解調(diào)過程中參數(shù)選取引起的頻譜混疊現(xiàn)象是一個重要難點。

上述時頻分析方法雖然在電流信號上得到了驗證，但每種方法存在的問題都不容忽視，如時頻分辨率低、交叉項干擾、原子字典構建困難、缺乏參數(shù)選擇標準、多分量頻譜混疊等。

3.3 解調(diào)變換

當電機發(fā)生故障時，電流信號不僅受到電源基波和故障的調(diào)制，還包括電源波動和負載變化產(chǎn)生的諧波。解調(diào)變換技術的目的就是將原始電流信號分解為基波、故障諧波和環(huán)境噪聲等多個分量，在抑制噪聲的同時，防止故障被淹沒在基波中。作為解調(diào)變換的典型技術，Park矢量變換、希爾伯特變換（MCSA-HT）、TKEO能量算子（MCSA-TKEO）等被廣泛應用于基于 MCSA 的電機故障診斷中。圖 12 顯示了利用解調(diào)變換進行電機診斷的過程。該技術的基本步驟按順時針方向顯示，主要包括數(shù)據(jù)采集、解調(diào)變換和故障診斷。

Park矢量變換將三相定子電流信號轉(zhuǎn)換為正交直流信號，可以消除工頻的影響，突出信號中的故障特征。在傳統(tǒng)的 MCSA 技術中，電壓不平衡和匝間短路等故障頻率相近，容易造成誤判。在此基礎上，Das 等人提出了擴展Park向量法（EPVA），通過檢測不同頻段的高頻信號，有效區(qū)分電壓不平衡和匝間短路。Sharma 等人在矩形坐標系上繪制了經(jīng)過Park變換后的直流信號，并根據(jù)繪制的矢量圓與坐標軸的交點提出了故障指數(shù)。該方法可通過觀察 Park 矢量圓的偏差來診斷定子繞組匝間短路的相位，同時通過指標的大小來評估故障嚴重程度。Mabrouk 等人提出了一種基于瞬時有功電流和無功電流來區(qū)分轉(zhuǎn)子故障和負載振蕩的方法。在該方法中，對基頻附近的分量進行比較，轉(zhuǎn)子斷條下瞬時無功分量的幅值大于瞬時有功分量的幅值。

Ferhat 等人收集了 PMSM 在不同負載和轉(zhuǎn)速條件下的三相電流和電壓信號，并將其轉(zhuǎn)換為正交空間矢量。然后對這些空間矢量進行FFT變換，以獲得電流和電壓的負序和正序諧波，并通過觀察正序和負序諧波的變化來檢測定子繞組的匝間短路。如圖 13 所示，Hang 等人在同步旋轉(zhuǎn)坐標系下建立了 PMSM 在健康和故障條件下的數(shù)學模型，并使用 Luenberger 觀察器估計定子繞組匝間短路引起的電流殘差。然后，根據(jù)電流殘差矢量模平方的二次諧波構建故障檢測指標和故障相位指標。Wei 等人提出了一種基于 Adaline 的短時諧波提取方法，用于從時變電流信號中分離出所需的二次諧波分量。這個故障指標可用于檢測早期匝間短路故障，模型如下：

其中，為常數(shù)系數(shù)，取決于磁通量和故障狀況；；和為 ITSC 故障時的 dq 軸電流。可以看出，故障電流項與 k、ω 和 sin2θ 成正比，它們以二次諧波的形式存在。

圖13 基于殘差電流的檢測方法[69]

上述文獻中，基于Park矢量變換的方法在定子繞組匝間短路和轉(zhuǎn)子斷條的故障診斷中得到了有效驗證。雖然該方法效果顯著，但該方法無法對單相電流信號進行分析，需要同步采集電機的三相定子電流信號。這一特點無疑增加了工業(yè)應用的成本，因此該技術并不是電機 PHM 的首選。

除了Park矢量變換，解調(diào)變換技術中的代表性算法，如 MCSA-HT 和 MCSA-TKEO通常也能有效處理非線性和非穩(wěn)態(tài)信號。Abdel-Malek 等人使用 HT 對電機啟動時的瞬時電流信號進行包絡分析，即使在空載條件下也能檢測到轉(zhuǎn)子斷條。在此基礎上，引入了統(tǒng)計分析技術，實現(xiàn)對轉(zhuǎn)子輕微斷條的檢測，并有效評估斷條程度。如圖 14 所示，通過獲取電流頻譜來檢查故障是否存在，該頻譜顯示了以低振幅頻率邊帶分量表示的斷條數(shù)量。根據(jù)檢測到的斷條數(shù)量，選擇合適的數(shù)學公式。然后，在不同故障嚴重程度的情況下，使用所選公式為所有可能的位置生成多條曲線。最后，將測量信號的標準偏差與生成的曲線相匹配，以獲得準確的位置，同時也表明故障的嚴重程度。

圖14 BRB檢測方法

Song 等人提出了一種不同負載條件下的軸承故障診斷方法，該方法利用 HT 提取定子電流信號的平方包絡。隨后，他們利用希爾伯特-黃變換（MCSA-HHT）獲取軸承的瞬時相位并計算瞬時頻率，從而消除了電源頻率波動，準確識別軸承外圈損壞。Li 等人比較了 MCSA-FFT、包絡分析和 MCSA-TKEO 在電流信號上的性能，發(fā)現(xiàn) MCSA-TKEO 可以消除工頻的影響。隨后，他們將能量算子引入頻域，構建了歸一化頻域能量算子，增強了故障特征，成功檢測出轉(zhuǎn)子斷條。

從上述文獻來看，解調(diào)變換能有效檢測典型故障，如電機軸承損壞、定子繞組匝間短路、轉(zhuǎn)子斷條等。然而，利用解調(diào)變換進行故障嚴重性評估還有待進一步研究。因此，后續(xù)研究可從建立故障程度評估指標入手，這對制定電機智能維護策略大有裨益。

3.4 人工智能

近年來，人工智能技術發(fā)展迅速，憑借強大的特征學習和分類能力，受到研究人員的青睞。如表3所示，應用于 MCSA 的人工智能技術可分為淺層學習算法和深度學習算法。

表3 基于人工智能的MCSA研究方法

淺層學習算法主要包括多層感知器（MLP）、隨機森林（RF）、模糊邏輯（FL）、支持向量機（SVM）、決策樹（DT）和線性判別分析（LDA）等。Seera 等人提出了一種混合智能模型，該模型由模糊最小最大（FMM）神經(jīng)網(wǎng)絡和隨機森林組成，并將電流信號的功率譜密度輸入該模型，以檢測不同噪聲水平的電機故障。Misra 和 Pahuja利用基頻周圍二次轉(zhuǎn)差頻率的上下邊帶構建故障指標，然后將該指標輸入 FL 系統(tǒng)，以檢測穩(wěn)態(tài)條件下的轉(zhuǎn)子斷條情況。Abid 等人和 Gangsar 等人將電流信號的小波包特征輸入 SVM，用于不同轉(zhuǎn)速和負載條件下的故障分類。Dias 等人結合 FL 和 SVM 檢測穩(wěn)態(tài)下的轉(zhuǎn)子斷條。Haddad 和 Strangas使用 LDA 識別退磁、偏心和匝間短路等故障。Toma 等人首先使用遺傳算法降低電流信號統(tǒng)計特征的維度，然后使用 RF、DT 和 k 近鄰法識別變載荷下的軸承故障。Bazan 等人使用 MLP 和 DT 處理延遲定子電流信號估算出的互信息，從而檢測出定子繞組故障。值得注意的是，這些測試都考慮了負載轉(zhuǎn)矩和電源電壓不平衡。Garcia-Bracamonte 等人通過 FFT 和獨立分量分析從電流信號中提取故障特征，然后將特征輸入神經(jīng)網(wǎng)絡，用于檢測兩種負載電機條件（50% 和 75%）下的轉(zhuǎn)子斷條情況。Krishna 和 Kishan利用 MLP 成功檢測了轉(zhuǎn)子斷條。Júnior 等人使用多元線性回歸建模技術，結合遺傳算法優(yōu)化和方差分析方法，檢測了早期匝間短路。Bessam 等人提出了一種基于神經(jīng)網(wǎng)絡和希爾伯特變換的方法，用于診斷低負載感應電機轉(zhuǎn)子斷條。

在這些淺層學習算法中，需要對原始電流信號進行預處理并提取特征，然后將特征向量輸入算法進行訓練和分類。在工業(yè)應用中，信號預處理和特征提取需要先驗知識，否則會降低淺層學習算法的分類精度。

深度學習算法的代表方法包括卷積神經(jīng)網(wǎng)絡（CNN）、自動編碼器（AE）、深度置信網(wǎng)絡（DBN）、生成對抗網(wǎng)絡（GAN）等。CNN 可以通過卷積和池化直接對原始電流信號進行特征學習和分類，分類性能強于淺層網(wǎng)絡。Ince 等人將原始電流信號輸入 CNN 診斷軸承故障。Shao 等人首先使用小波變換得到電流信號和振動信號的時頻譜，然后將時頻譜輸入深度 CNN，以識別穩(wěn)態(tài)條件下的電機故障。Jimenez-Guarneros 等提出了一種基于最大重疊 DWT 和輕量級一維 CNN 的診斷方法，該方法在不同負載下具有較高的故障檢測精度。Zhu 等人設計了一種殘差多尺度特征融合 CNN 模型，提取信號的高階特征，便于轉(zhuǎn)子的故障識別。Tang 等人將電流信號轉(zhuǎn)換為灰度圖像，然后使用 CNN 進行特征學習。最后，他融合了決策層的信息，實現(xiàn)了穩(wěn)態(tài)條件下的軸承故障診斷。Huangfu等人提出了一種基于遷移學習的 VGG16 深度 CNN 故障診斷方法，并通過網(wǎng)格搜索和交叉驗證方法完成了故障診斷模型超參數(shù)的微調(diào)。最后，基于遷移學習 VGG16 模型，診斷并驗證了 PMSM 的匝間短路。然而，實驗中的速度和負載是不可變的。

AE 是一種用于半監(jiān)督學習和無監(jiān)督學習的人工神經(jīng)網(wǎng)絡，它包含一個編碼器和一個解碼器。AE 具有表征學習的能力，常用于還原和異常檢測。在異常檢測中，AE 可以使用健康狀態(tài)下的數(shù)據(jù)來訓練網(wǎng)絡，并在測試過程中通過計算重建信號與原始信號之間的誤差來檢測故障。Xu 等人利用堆疊 AE 降低電流信號的維度，然后改進 LightGBM 對重建數(shù)據(jù)進行分類，從而實現(xiàn)了不同負載下定子繞組匝間短路和轉(zhuǎn)子斷條的診斷。Seghiour 等人將電流信號的頻譜輸入稀疏 AE 來識別轉(zhuǎn)子斷條。Wang 等人提出了一種基于深度 AE 和 softmax 分類器的電機定子匝間短路故障診斷方法，該方法還能區(qū)分不同轉(zhuǎn)速或負載下的匝間短路和電壓不平衡。

除了 CNN 和 AE，其他深度學習方法也被用于MCSA。Li 等人提出了一種基于電流信號的自適應半監(jiān)督軸承故障檢測框架。在該方法中，采用了帶有梯度懲罰的 Wasserstein 生成對抗網(wǎng)絡，僅從正常電流信號中提取可識別的特征。隨后，利用特征提取技術去除電流信號的主頻成分。最后，引入表示偏離正態(tài)分布程度的指數(shù)，以識別不同轉(zhuǎn)速條件下（300 和 600 rpm）的軸承故障。Li 等人提出了一種基于 DBN 的非穩(wěn)態(tài)條件下同步發(fā)電機故障診斷方法，并使用貪婪學習算法優(yōu)化了網(wǎng)絡中的連接權重。Jiang 等人提出了一種多視角增強型故障診斷框架。首先，從原始電流和振動信號中提取多種統(tǒng)計特征。然后，開發(fā)了一種基于典型相關分析的無監(jiān)督多視角學習方法，以學習振動和電流特征之間的最大相關性。最后，利用學習到的增強特征識別不同轉(zhuǎn)速條件（400 和 600 rpm）下的軸承故障。Han 等人利用可解釋人工智能對電流信號的微小變化進行分類，有效識別了穩(wěn)態(tài)條件下電機的機械故障。

聯(lián)邦學習是利用分布式數(shù)據(jù)解決稀疏樣本問題的有效框架。其全局模型由本地客戶端更新，每輪更新無需共享數(shù)據(jù)?？紤]到多個客戶端的計算資源和通信損耗，Zhang 等人提出了一種基于堆疊稀疏自動編碼器和連體網(wǎng)絡的高效方法，用于檢測永磁同步電機的匝間短路故障，如算法 1 所示。

從上述文獻來看，深度學習算法即使只使用原始電流信號進行診斷，也能取得很好的效果，這與淺層學習算法有所不同。圖15顯示了人工智能技術應用于基于電流信號的電機診斷的流程。兩種技術的主要區(qū)別在于如何獲取特征。顯然，強大的特征學習能力是深度學習算法快速發(fā)展的重要因素。

圖15 基于人工智能技術的MCSA流程

雖然人工智能技術在基于 MCSA 的電機診斷領域得到了廣泛的研究，但仍存在一些挑戰(zhàn)：a) 帶標簽故障信號的缺乏限制了人工智能技術在基于 MCSA 的電機診斷領域的發(fā)展。在實踐中，獲取故障數(shù)據(jù)的成本相當高，而且?guī)缀醪豢赡茉陔姍C中注入如此多的故障。b) 泛化是人工智能技術的另一個挑戰(zhàn)。電機模型眾多、運行條件復雜多變、故障模式繁多、故障嚴重程度各不相同，由于上述條件的組合數(shù)量相當大，因此在訓練網(wǎng)絡時考慮所有情況是不現(xiàn)實的。不同條件下產(chǎn)生的故障信號也不盡相同，這使得訓練后的網(wǎng)絡在面對新信號時表現(xiàn)平平。特別是從一臺設備上訓練出來的模型是否適用于其他設備，這一點值得懷疑。c) 在工業(yè)場景中，診斷方法的可靠性和安全性至關重要。深度學習算法的可解釋性很差，這類方法更像是一個黑盒，只能觀察其輸入和輸出，特征學習和分類過程沒有實際物理意義。除了故障檢測和診斷結果之外，這些方法無法提供更多有意義的信息。技術人員無法根據(jù)結果了解故障的原因或機理，這限制了他們分析故障和做出進一步的維護決策。

3.5 其它方法

除上述技術外，一些學者還利用其他技術對電機電流特征進行分析。Martin 等人提出了一種基于氣隙分析、結合電流和空間矢量法計算轉(zhuǎn)子斷條左帶幅值的方法。Tomasz 提出了一種名為歸一化三重協(xié)方差的故障指數(shù)，可以檢測不同程度的軸承故障。Eren 等人利用四通道 FIR 濾波器檢測電機故障，大大提高了計算效率。Ukil 等人利用電流信號連續(xù)兩個零交叉點的時間差重建數(shù)據(jù)，然后進行頻譜分析，找出定子繞組匝間短路的故障頻率。Zhang 等人提出了一種基于高頻信號注入的故障診斷方法。首先，根據(jù)零序電壓和轉(zhuǎn)子位置計算零序電壓的直流分量幅值，進行異常檢測。檢測到異常后，注入高頻電流信號，計算高頻分量的幅值，構建故障指數(shù)，以區(qū)分匝間短路和電阻不平衡。在這種技術中，故障指數(shù)受轉(zhuǎn)速和負載的影響不大。Zhu 等人開發(fā)了一種新型儀器，用于檢測和定量分析鼠籠式感應電機的轉(zhuǎn)子質(zhì)量。Bouzid 等人首先利用健康電機的電流信號計算由固有不對稱和測量誤差引起的負序電流的幅值和相位，然后將上述分量從匝間短路電流信號中分離出來，得到僅由匝間短路產(chǎn)生的負序電流，實現(xiàn)了電機故障檢測。Dlamini 等人提出了一種在電機實際轉(zhuǎn)速未知的情況下估算電機轉(zhuǎn)速并計算轉(zhuǎn)差的方法，可檢測變負載下定子繞組的匝間短路。Gherabi 等人利用三相電流信號的幅值構建指示器，然后計算兩倍電源頻率下指示器的幅值和相位，并用極坐標系表示，以區(qū)分匝間短路和磁飽和現(xiàn)象。Wang 等人利用三相電流和零序電壓信號檢測高阻連接和匝間短路，進而定位故障相位。值得注意的是，匝間短路的程度也可以估算。

#04 研究展望

盡管基于電流特征分析的電機診斷技術已逐漸引起學術界和工業(yè)界的關注，但已報道的技術還不能完全滿足工業(yè)應用的需求。

主要局限如下:

a) 頻譜分析的診斷精度容易受到電源頻率波動和負載變化的影響。雖然高階頻譜的診斷精度很高，但只對穩(wěn)態(tài)信號有效。

b) 時頻分析技術對基本函數(shù)或模型參數(shù)的選擇要求較高，當參數(shù)或函數(shù)不同時，模型診斷結果可能會有較大差異。由于缺乏參數(shù)選擇標準，檢測結果受主觀因素影響較大，因此此類方法難以實現(xiàn)工業(yè)化應用。

c) 解調(diào)變換技術需要同步采集三相定子電流，無法通過單相電流實現(xiàn)電機診斷。對于時變信號，故障特征頻率的波動增加了診斷的難度。

d) 人工智能技術需要大量數(shù)據(jù)來訓練模型。如果測試數(shù)據(jù)與訓練數(shù)據(jù)差異較大，診斷效果就會很差，而缺乏電機各種故障模式下的標注數(shù)據(jù)是現(xiàn)階段最大的問題。

為進一步推動非侵入式電機故障診斷技術的工程應用，建議今后從以下幾個方面開展研究。

4.1 機電耦合對電流信號的影響

電機作為機械設備的動力源，與軸承、變速箱等傳動部件配合組成電力牽引驅(qū)動系統(tǒng)。整個系統(tǒng)在多物理場耦合下的能量傳遞、轉(zhuǎn)換、畸變情況復雜，多種故障的調(diào)制會引起一系列連鎖反應，增加了故障檢測的難度。除電機外，許多學者也通過 MCSA 診斷齒輪箱故障。然而，對電力驅(qū)動系統(tǒng)各組件的研究相對獨立，并未充分考慮電機與齒輪箱之間的動態(tài)耦合。特別是當電機和變速箱同時發(fā)生故障時，復雜的故障諧波不是單一故障諧波的簡單疊加，必須考慮組件之間的耦合。因此，未來的研究重點應放在如何構建電力牽引傳動系統(tǒng)的機電耦合模型，以準確描述系統(tǒng)故障對電機電流信號的調(diào)制機理，探索“電-磁-力”多場耦合對系統(tǒng)故障的影響機理。這是牽引驅(qū)動系統(tǒng)建模與仿真的關鍵，也是基于電流信號的電機診斷技術研究的基礎。

4.2 早期故障的特征提取

在故障初期，軸承、定子、轉(zhuǎn)子等部件對電機運行的影響不大。但是，如果早期故障沒有被及時發(fā)現(xiàn)，且問題越來越嚴重，則會危及整個系統(tǒng)的安全。在電機故障的初期，故障諧波的幅值較低，故障的特征頻率容易被電源頻率及其邊帶所覆蓋，這給故障檢測帶來了困難。特別是電壓不平衡和電機固有不對稱產(chǎn)生的噪聲諧波與定子繞組匝間短路的故障諧波非常相似。利用負序電流信號或頻譜分析很難將故障與噪聲區(qū)分開來，尤其是在匝間短路的早期階段。因此，我們應該關注如何有效消除電流信號中的工頻，抑制與故障無關的電流諧波。在此基礎上，探索能提供豐富故障信息的邊帶，建立起早期微弱故障特征的提取和增強方法，是基于電流信號的電機診斷技術的重要研究方向。

4.3 基于非穩(wěn)態(tài)信號的故障診斷

在電機運行過程中，轉(zhuǎn)速、負載和工作環(huán)境等條件會頻繁發(fā)生變化，這使得采集到的信號呈現(xiàn)出非穩(wěn)態(tài)特性。工況變化較大時，電流信號中的噪聲諧波和故障諧波頻率混疊，普通的濾波方法很難完全解調(diào)出故障分量。尤其是電流信號中各次諧波的頻率分布相對密集，增加了頻譜混疊的程度。非穩(wěn)態(tài)電流信號的頻譜混疊是制約MCSA技術在工程中應用的最重要因素。因此，考慮到運行環(huán)境的強噪聲，研究非穩(wěn)態(tài)條件下的多分量故障信號解調(diào)是MCSA的另一個重要方向。

4.4 基于無標簽數(shù)據(jù)的智能診斷

雖然基于人工智能技術的電機診斷和預測方法已被證明在特征學習方面具有明顯的優(yōu)勢，但它需要海量數(shù)據(jù)來支持模型的訓練和驗證，而且數(shù)據(jù)必須附帶電機運行狀況、環(huán)境和健康狀態(tài)等標簽信息。海量數(shù)據(jù)可以在生產(chǎn)現(xiàn)場獲得，但其中大部分缺乏匹配的標簽信息。此外，由于結構、尺寸和故障模式的多樣性，很難獲得所有電機故障模式的完整數(shù)據(jù)，可用數(shù)據(jù)的稀缺嚴重制約了電機診斷和預測技術的發(fā)展。雖然可以在試驗臺上獲得豐富的電機故障數(shù)據(jù)，但這些數(shù)據(jù)與實際數(shù)據(jù)之間存在差異。因此，必須考慮如何量化試驗臺上的典型故障數(shù)據(jù)與實際故障數(shù)據(jù)之間的差異，然后利用遷移學習提高智能網(wǎng)絡的識別率和泛化能力。在此基礎上，建立無標簽樣本下的電機健康狀態(tài)識別模型還有待進一步探索。

4.5 故障嚴重性評估

電力牽引驅(qū)動系統(tǒng)的意外停機或性能下降往往會造成嚴重的經(jīng)濟損失甚至安全事故。如果能通過MCSA技術實時評估電機各部件的健康階段，就能根據(jù)設備狀態(tài)合理制定維護計劃。為滿足電力驅(qū)動系統(tǒng)智能運維的需要，故障定量評估指標必不可少。除了定性評估，故障指標還應能夠?qū)收线M行定量評估。特別是要考慮電機結構、運行參數(shù)、負載等因素的變化。因此，如何減少電機尺寸、環(huán)境、運行狀況等參數(shù)的影響，構建一個不依賴于上述參數(shù)，又能準確描述電機故障程度的定量評估指標，是MCSA技術工業(yè)化應用的一個難題。

#05 結  論

針對軌道交通、電動汽車等領域應用最為廣泛的感應電機和永磁同步電機，本文總結了電機故障模式的成因和影響，分析了軸承故障、定子繞組匝間短路和轉(zhuǎn)子斷條的機理，并分別給出了故障判別條件。具體而言，從頻譜分析、時頻分析、解調(diào)變換和人工智能等幾個方面總結了現(xiàn)有的MCSA技術，并分析了每種技術的核心優(yōu)缺點。

盡管MCSA的研究工作前景廣闊，但在電機狀態(tài)監(jiān)測和診斷方面仍有一些難題有待解決，如機電耦合對電流信號的影響、早期故障特征提取、非穩(wěn)態(tài)信號分析、無標簽數(shù)據(jù)利用和故障嚴重程度評估等。為便于今后的探索工作，本文盡力對MCSA技術進行全面研究，為相關研究人員提供詳細參考。

文稿來源

Niu G , Dong X , Chen Y .Motor Fault Diagnostics based on Current Signatures: A Review[J].IEEE Transactions on Instrumentation and Measurement, 2023, 72:1-19.DOI:10.1109/TIM.2023.3285999.

作者：牛剛，董勛，陳岳劍

單位：同濟大學智能維護與自主系統(tǒng)實驗室