|
1.引言 當發生轉子斷條故障時，在其定子電流中將會出現和頻率的附加電流分量（s為轉差率，為供電頻率）。但是分量的絕對幅值很小，若直接作傅里葉頻譜分析時，由于柵欄效應分量的泄漏有可能淹沒頻率分量。自適應濾波和希爾伯特變換法這兩種方法可以有效的解決檢測頻率分量困難的問題，是目前最具代表性的異步電動機轉子斷條在線檢測方法。但是這兩種方法只適用于電動機拖動平穩負荷的運行工況。當負荷波動較大時無法取得令人滿意的結果，對故障診斷的準確性產生一定影響。小波包分析不僅對信號的低頻部分進行分解，同時也對高頻部分進行分解，自適應的確定信號在不同頻段的分辨率，在故障診斷中比小波分析更精細。本文嘗試用小波包分析研究電機轉子斷條故障診斷問題。 2.實驗數據采集 下面針對正常、轉子斷條的三相鼠籠式異步電動機兩臺電機的電流信號進行采集和分析研究。三相異步鼠籠電動機額定功率3KW，額定轉速1430轉/分。 在轉差率s=5.6%，采樣頻率為=1000Hz，采樣點數的情況下采用虛擬儀器對電流信號進行采集。圖1為異步電動機正常運行時定子電流信號及其頻譜，圖2為異步電動機鼠籠斷條一根的情況下定子電流信號及頻譜圖。 從圖1、2中可知，在相同負載情況下，很難從頻譜圖上判斷電機斷條故障特征，僅僅能看見微小的變化。 從表1中可以看出，故障狀態和正常狀態下，數值沒有明顯的變化，因此，很難從這些特征參數提取故障信息。 3.實驗分析 下面采用小波包變換對電機電流信號進行分析，并在最優小波包基下提取各節點的小波包分解系數。分析對比各節點小波包分解系數的變化。 根據小波包分解頻帶劃分特性，根據轉子故障特征頻率（44.4HZ，55.6HZ）,可將電流信號進行5層小波包分解，小波基函數選擇sym4。 在圖3所示的最優小波包基下每個節點均對應一個小波包分解系數，而適當的節點的小波包分解系數可以體現信號的特征。由圖4和圖5可知在不考慮邊緣效應的影響下正常信號和故障信號的節點（5,4）、（5,5）及（5,6）的小波包分解系數存在明顯的差異。據此可以得出以下結論： （1）可以根據小波包分解系數來對電機的狀態進行簡單判別。 （2）電機正常時，節點（5,4）、（5,5）及（5,6）等小波包分解系數近似為零，且平穩。 （3）電機斷條時，節點（5,4）、（5,5）及（5,6）等小波包分解系數存在著一定的幅度振蕩。 下面對最優小波包基下的節點進行重構，然后根據重構后信號的波形分析一下正常和故障情況下的區別。 從圖6和圖7可知，重構信號在近似部分區別很小，而在細節部分存在著明顯的區別，特別是在節點（5,4），（5,6）處的差別最大。從而可以得出一個結論：從小波包分解系數和重構波形可以簡單判斷出電機是否發生轉子斷條。 4.結論 本文通過對電機正常時和轉子斷條時的電流信號的小波包分解，并提取和重構各節點小波包分解系數，從小波包系數的變化可以判斷出電機是否發生故障。 |
