一种基于模糊推理的电机气隙偏心故障诊断方法

摘要

本发明提出一种基于模糊推理的电机气隙偏心故障诊断方法，该方法利用气隙偏心和机械故障间的模糊关系，依据模糊算法，推理导致电机气隙偏心故障的机械故障原因，提供气隙偏心故障的维修指导。

说明书

技术领域

本发明涉及一种电机气隙偏心故障诊断方法，特别的涉及一种基于模糊推理 的交流感应电机气隙偏心故障诊断方法。

背景技术

交流感应电机广泛的应用于工业和国防军事领域，其安全运行至关重要。电 机故障在线诊断是通过在线监测电机相关参数(如电压、电流、磁通、转速、温 度、噪声、振动等)，并采取适当的手段对电机当前的状态进行评估，进一步的 可以确定电机的故障类型和严重程度，并给予推荐行动。

交流感应电机的故障类型大体可以分为机械故障与电气故障，更具体的可以 细分为定子故障、转子故障、气隙偏心与轴承故障等。气隙偏心作为一种常见的 感应电机故障，大多与感应电机机械故障有关，其中，静态偏心的故障原因包括 柔性基础、软脚以及轴承松动等，动态偏心的故障原因包括转轴弯曲挠度、轴承 磨损以及机械共振等。因此，当感应电机出现气息偏心时，必然伴随着一种或多 种机械故障的发生，此时，如果能够根据有关的故障特征，推理出导致气隙偏心 的机械故障原因(或者贡献最大的机械故障原因)，将对感应电机的诊断和维修 起到重要的指导意义。

基于知识和基于神经网络的诊断方法在电机故障诊断应用上已经取得了较 大的成功，但是，还未见有关的研究和报导将基于知识和基于模糊诊断方法应用 于电机气隙偏心故障的诊断，往往只是诊断出气隙偏心的存在，而不能给出导致 气隙偏心的机械故障原因。

发明内容

因此，本发明提出基于模糊推理的电机气隙偏心故障诊断，利用气隙偏心和 机械故障间的模糊关系，依据模糊算法，推理导致电机气隙偏心故障的机械故障 原因，提供气隙偏心故障的维修指导。

本发明提出了基于模糊推理的交流感应电机气隙偏心故障诊断方法，主要包 含以下步骤：

第一步：将与导致电机气隙偏心的机械故障有关的信号参数作为电机故障征 兆集S＝{s₁,s₂,…,s_n}，其中s₁,s₂,…,s_n为故障征兆；

第二步：确定产生所述故障征兆的故障模式，所有故障模式的集合称为故障 模式集M，其中M＝{M₁,M₂,…,M_m}；

第三步：根据模糊关系，建立所述故障征兆集S与所述故障模式集的模糊关 系矩阵W；

第四步：利用所述模糊关系矩阵W，计算电机当前状态所对应的故障特征 集S^k对各种故障模式M_p(p＝1,2,…,m)的隶属度，并将隶属度进行从大到小的排序， 隶属度最大值所对应的故障模式即为当前产生气隙偏心的故障原因。

附图说明

下面结合附图对本发明作进一步详细的说明。

图1为本发明中基于模糊推理的交流感应电机气隙偏心故障诊断的流程图。

图2为本发明中计算故障特征集对故障模式隶属度的流程图。

具体实施方式

下面结合具体实施例，参照附图对本发明的具体实施方式进行详细的说明。

参照附图1，本发明的基于模糊推理的交流感应电机气隙偏心故障诊断方法 主要包含以下步骤：

步骤一：确定电机气隙偏心故障征兆集S。将与电机气隙偏心和与导致电机 气隙偏心的机械故障有关的电、磁、振动、声等信号参数作为故障征兆 s_i,(i＝1,2,……,n)故障征兆的集合称为故障征兆集S：

S＝{s₁,s₂,…,s_n}

对于ESA(电信号分析)方法，更为详细的说是与气隙偏心和导致气隙偏心 的机械故障有关的电流频率分量，包括反映偏心的频率特征、静态偏心的频率特 征、动态偏心的频率特征、柔性基础的频率特征、轴承磨损的频率特征以及更多 相关的机械故障频率特征。为便于阐述方法思路，简单的选择偏心的频率特征 f_ecc、静态偏心的频率特征f_eccs以及动态偏心的频率特征f_eccd作为故障征兆s₁， s₂，s₃，来研究交流感应电机气隙偏心故障诊断。取故障征兆集为：

S＝{s₁,s₂,s₃}

对s₁，s₂，s₃进行模糊处理，设置正大(PB)、正中(PM)、正小(PS)三种模糊 状态，在理论上组成27种故障征兆的特征状态，构成S集合群 P＝{S_j},j＝1,2,...,27。

步骤二：确定电机气隙偏心故障模式集M。产生这些故障征兆的原因叫故 障模式，所有故障原因的集合叫故障模式集M，M＝{M₁,M₂,…,M_m}。

简化分析，初步设定交流感应电机气隙偏心故障模式集M为：

M＝{M_p},p＝1,2,3,4

其中：

M₁——软脚；

M₂——轴承松动：

M₃——转轴弯曲挠度；

M₄——轴承磨损。

步骤三：根据模糊关系建立电机气隙偏心故障征兆集S与电机气隙偏心故障 模式集M的模糊关系矩阵W。

故障模式M_p与故障征兆集S_j之间常常是一种非线性模糊对应关系，根据模 糊关系原理建立M与S之间的关系矩阵为：

对于故障模式M_p，可根据经验、试验结果及统计规律给每个故障征兆的特 征状态s_i′,i′＝1,2...,9赋予相应的权值W_pi′，详见上述矩阵。

步骤四：计算电机当前状态所对应的特征集S^k对各种故障模式M_p的隶属度，得 出特征集S^k所对应的故障情况，其中S^k∈P。

根据检查结果，确定电机当前状态所对应的特征集其中， 对于故障模式M_p，各特征所具有的权值分别为W_pl,l＝1,2,3，

当时，W_pl取W_pi′的值。

隶属度计算采用加权平均算法，任一特征集S^k对给定故障模式M_p的隶属度 为：

${\mathrm{\mu M}}_p\left(S^k\right)=\underset{l}{\Sigma }{W}_{\mathrm{pl}}/\underset{i^{\prime }}{\Sigma }{W}_{{\mathrm{pi}}^{\prime }},i^{\prime }=\mathrm{1,2}...,9,p=\mathrm{1,2,3,4}$

其中，μM_p(S^k)的取值区间为[0,1]，算法流程如图2所示。

根据上式计算出特征集S^k对各种故障模式M_p的隶属度μM_p(S^k)，从大到小 进行排序，根据最大隶属度原则确定所发生的故障模式，隶属度最大值所对应的 故障即为当前产生气隙偏心的故障原因。

本发明的基于模糊推理的交流感应电机气隙偏心故障诊断方法，利用气隙偏 心和机械故障间的模糊关系，依据模糊算法，推理导致电机气隙偏心故障的机械 故障原因，对感应电机的诊断和维修起到重要的指导作用。

以上实施例是本发明较优选具体实施方式的一种，本领域技术人员在本技术 方案范围内进行的通常变化和替换应包含在本发明的保护范围内。