★ 中国铝业广西分公司 陆灿

关键词：故障诊断；厂用电机；信息融合；振动信号；电流信号；智能诊断

1   厂用电机故障类型与信号分析

1.1   厂用电机常见故障类型及机理

轴承故障是厂用电机最为常见的机械故障类型。当轴承出现故障时，电机运行过程中会产生异常的振动和噪声，使振动信号的幅值和频率特征发生明显变化。转子故障主要表现为转子断条和转子不平衡 ^{[ 1 -4]} 。其中，转子断条通常是由于电机频繁启动、重载运行，使转子导条承受过大的电磁力和热应力，导致导条断裂。转子断条会引起电机电流的波动，在电流频谱中出现特定的谐波成分，同时电机的转矩输出也会不稳定，导致转速波动。定子故障主要包括定子绕组短路、断路和绝缘老化。

1.2   振动信号故障特征分析

在时域内计算信号的统计特征，如均方根值、峭度等，可以初步判断信号的整体能量水平和冲击成分。将信号转换至频域，通过频谱分析精确识别由特定故障所引发的特征频率成分及其幅值。为进一步分析非平稳信号，引入时频分析，提取信号能量在时频面上的分布特征，全面表征故障信息^[5]。

从时间波形序列中提取统计指标，可以初步评估振动信号的总体水平和性质。对于采集到的离散振动信号序列x(n)，其中n = 1,2,…,N，N为采样点数，可计算有量纲和无量纲指标。其中， 均方根值（Root Mean Square， RMS）是衡量振动能量强度的关键参数，其计算公式如式（1）所示：

式中，X_RMS值反映振动的平均能量，对轴承磨损等分布式故障比较敏感。另一个指标是峭度，表征信号概率密度分布的尖峰程度，计算公式如式（2）所示：

式中，为信号均值。峭度值对信号中的冲击成分更敏感。当轴承出现点蚀等局部损伤时，滚动体划过损伤点会产生周期性冲击， 导致峭度值显著增大。在故障早期， RMS变化不明显时， 峭度已升高，因此其具有早期故障预警能力。

然而，电机不同零部件的故障会激发特定频率的振动，时域波形混杂了所有频率成分，难以区分故障来源。通过快速傅里叶变换将振动信号x(n)从时域转换到频域，得到其幅值谱x(f)，可以观察到信号中各个频率分量的分布情况。通过识别幅值谱中显著突出的谱线对应的频率，并将其与根据设备结构参数计算出的理论故障特征频率进行比对， 即可实现对故障部位的精准定位。

分析非平稳工况下的振动信号，需进行时频特征分析。傅里叶变换假设信号是平稳的，但当电机转速或负载变化时，其振动信号的频率成分也会随时间动态变化。此时，小波包变换等时频分析能将信号同时在时间和频率两个维度进行分解。通过分析特定频带内能量的时变规律，可以提取出更具鲁棒性的故障特征，显著提升了复杂工况下故障诊断的准确性与可靠性。

1.3   电流信号故障特征分析

利用Park矢量变换将三相交流电流转换为二维矢量，通过观察其轨迹从理想圆形到椭圆的畸变，可定性判断是否存在电气或磁场不对称性故障。在此基础上，对定子电流信号进行频谱分析，通过傅里叶变换提取基频两侧因故障特征频率调制产生的边频带成分。通过分析边频带的幅值、频率间隔及其谐波，可实现转子断条、气隙偏心等故障的精准定位与严重程度评估。

本文采用Park矢量变换进行定性分析。通过Clark变换，可将相位互差120度的三相定子电流i_a(t),i_b(t),i_c(t)转换为两相正交的静止坐标系下的电流i_a(t)和i_β(t)。对于理想对称的健康电机，其Park矢量轨迹i_a(t)与i_β(t)构成一个标准的圆。转子断条、气隙偏心等故障会造成磁场不对称，导致该轨迹畸变为椭圆状。因此， 通过观察Park矢量轨迹的形状， 可以直观、定性地判断电机是否存在不平衡故障。

2   基于振动与电流信号的特征提取

2.1   振动信号特征提取

时域特征主要分为两类：反映信号平均能量强度的有量纲参数，如均方根值，对缓慢发展的均匀磨损类故障比较敏感；对故障类型更具鉴别力的无量纲指标，如波形指标、峰值指标、脉冲指标和峭度等。峭度计算公式如式（3）所示：

式中， K是计算得到的峭度值；  x(")是第n个采样点的振动幅值； 是整段信号的平均值； σ是信号的标准差；是总采样点数。对于正态分布的平稳信号，峭度值理论上约为3。当轴承或齿轮出现局部点蚀等损伤时， 滚动体划过损伤点会产生周期性冲击脉冲，导致信号分布中出现明显的“重尾”现象，使峭度值显著大于3。

快速傅里叶变换可将时域振动信号转换为频域信号，但其仅适用于平稳信号。当电机处于启动、停机或负载变化的非平稳工况时，其振动信号的频率是随时间变化的。

2.2   电流信号特征提取

三相电流均方根值可将交流电转换为等效直流以反映负载变化，如公式（4）所示：

式中，i²u (t),  i²v(t),  i²w (t)分别为三相瞬时电流， T为信号周期。

为降低波动干扰，需进行滑动窗平滑处理，如公式（5）所示：

式中，Y_j为第j个平滑数据点， W为滑动窗长（常按电机转频设定）， IRMS_k为原始均方根序列。频域分析则通过提取谐波幅值占比等特征，结合定子、转子故障的特征频率，实现了故障类型的精准识别。

3   信息融合与智能诊断模型构建

3.1   信息融合策略

由于从振动信号中提取的特征与从电流信号中提取的特征具有不同的量纲和数值范围，因此采用最大-最小归一化方法对每个特征进行标准化处理，如公式（6）所示：

式中， X为原始特征值， X_min和X_max分别为该特征在所有样本中的最小值和最大值， X_norm为归一化后的特征值，其取值范围为[0,1]。

将归 一 化后的振动特征向量 T_v = [t_v1 , t_v2,t_vm ]和电流特 征 向 量 T_c =[ t_c1 , t_c2, t_cm]进 行 拼 接， 可 得 到 初 步 融 合 特征向量T_fused = [T_v , T_c ]，维度为 m+n。为消除冗余信息并降低计算复杂度，本文采用主成分分析（Principal Component Analysis， PCA）对融合后的特征进行降维处理。PCA通过求解特征方程提取主要成分，计算公式如式（7）所示：

式中， Σ为融合特征集的协方差矩阵，λ为特征值，v为对应的特征向量。分层融合策略， 既保留了振动信号对机械冲击的敏感性和电流信号对电磁异常的特异性，又通过降维优化了特征集的质量。

3.2   诊断模型构建

本文选取支持向量机（S u pport  Vector Machine， SVM）作为故障基础分类器。 SVM通过寻找最优分类超平面实现故障分类，其核心思想是最大化分类间隔。对于线性可分情况，分类超平面计算公式为式（8）。

式中，W是法向量，决定超平面的方向； b是位移项，决定超平面与原点之间的距离；  x是输入的特征向量。算法的优化目标是求解w和b，让样本分类间隔2/||W||最大化。

通过非线性映射将原始特征空间转换到高维空间，可使在原始空间中线性不可分的样本在新空间中线性可分。本文采用径向基核函数完成映射，如公式（9）所示：

式中，X_i和X_j是样本特征向量，||X_i,X_j|| 表示向量间的欧氏距离，σ是核函数的带宽参数， 控制核函数的局部影响范围。

具体故障诊断过程如图1所示。

图1 厂用电机故障诊断流程

4   实验验证

4.1   实验平台搭建

平台硬件组成：实验设备为一台Y系列三相异步电动机（额定功率1.5kW，额定转速2890r/min）， 通过联轴器驱动一台磁粉制动器。电机由变频器供电，以实现转速的精确控制；磁粉制动器通过调节励磁电流改变电机负载，可模拟电机在不同工况下的运行。

为模拟真实故障，实验准备了故障轴承，以及经过加工的缺陷转子，通过更换相应部件，可设置单一或复合故障。压电式加速度传感器通过磁座固定于电机驱动端轴承座上，用以测量径向振动；传感器信号经由电荷放大器调理后，输入数据采集卡。高精度电流互感器钳于电机三相供电线路的某一相，可直接获取电流信号并输入采集卡。 NIcDAQ-9174紧凑型数据采集卡及其配套模块，可确保振动与电流信号能够被严格同步采集，采样频率设置为12.8kHz，满足故障特征频率的分析要求。

4.2   故障诊断结果与分析

将构建的数据集按7:3的比例随机划分为训练集与测试集，分别训练基于振动信号、电流信号以及融合信号的诊断模型（以SVM为例）。各模型在测试集上的平均性能对比如表1所示。

表1 不同信号源的诊断模型性能对比

分析表1数据可知，单一信号诊断方法存在明显局限性：振动信号对轴承故障等机械冲击敏感，诊断准确率较高（89.5%），但对转子断条等初期电磁故障不敏感，易发生漏诊；电流信号虽能有效检测电磁不对称故障，但对纯粹的机械故障响应较弱，导致其整体准确率最低（82.3%）。本文提出的特征层融合方法准确率达96.8%。表明振动与电流信号在故障表征上具有互补性，融合诊断模型能够同时捕捉机械与电气故障的特征，提升了故障识别与分类精度。

接下来，在固定转速（50Hz）下，测试模型从空载到50%额定负载的诊断性能，具体结果如表2所示。

表2 不同负载条件下各诊断模型准确率对比

根据表2结果可知，融合模型的准确率波动范围小于±2%， 而单一振动或电流模型的波动范围均超过±5%， 证明融合方法有效克服了单一信号对运行工况的敏感性。负载变化对振动和电流的影响机制不同，融合特征通过信息互补，抵消了工况变动带来的干扰。

综上所述，基于振动与电流信号特征层融合的诊断方法，在准确性、可靠性和工况鲁棒性上均优于单一信号方法，有效解决了厂用电机复杂故障诊断的难题。

5   结束语

本文通过振动信号与电流信号特征的融合，构建了厂用电机故障智能诊断模型，有效解决了传统单一信号分析方法在复杂工况下诊断能力不足的问题。实验结果表明，该融合方法显著提升了故障分类的准确性与稳定性，克服了负载与转速波动对诊断结果的干扰。该方法充分挖掘了多源信号之间的互补特性，为电机状态监测与早期故障预警提供了可靠的技术途径。

作者简介：

陆   灿（1983-），男，广西北流人，助理工程师，本科，现就职于中国铝业广西分公司，主要从事热电厂电气运行检修工作。

参考文献：

[1] 李浩, 魏繁荣, 王浩, 等. 基于振动信号与深度学习的电力变压器故障诊断方法[J]. 电工电能新技术, 2024, 43 (10) : 1 - 12.

[2] 陈学标, 肖远辉, 肖富锋, 等. 基于EEMD - SD振动信号分析的水电机组故障预警方法[J]. 水电与新能源, 2023, 37 (2) : 1 - 5.

[3] 郑则君, 宋冬利, 贾晨, 等. 基于振动加速度与声音信号融合的轨道交通列车轴箱轴承故障诊断方法[J]. 城市轨道交通研究, 2024, 27 (9) : 40 - 46.

[4] 陈康, 安康, 王骁贤, 等. 基于振动和电流信号深度融合的电动机转速估计及轴承故障诊断[J]. 轴承, 2023, (2) : 54 - 60.

[5] 张秋昕, 吕渊, 简红英, 等. 基于振动信号时域特性的传动系统故障分类与诊断[J]. 机电工程, 2024, 41 (11) : 1995 - 2002.

摘自《自动化博览》2026年7月刊