2006年第21卷第3期 电 力 学 报 Vol.21No.32006 (总第76期) JOURNAL OF ELECT RIC POWER (Sum.76)文章编号: 1005-6548(2006)03-0310-04笼型异步电动机转子断条故障诊断技术安永红, 夏昌浩(三峡大学,宜昌湖北 443002)Techniques of Broken Rotor Bar Fault Diagnosis ForSquirrel Cage Induction MotorAN Yong hong, XIA Chang hao(Three Gorge University,Yichang 443002,China)摘 要: 对笼型异步电动机转子断条故障诊断进行了研究,归纳和总结出几种方法。
这些方法均由研究人员进行了仿真或实验验证,对检测笼型异步电动机的转子故障是有效的。
并对各种方法进行了分析比较,指出了各自的优缺点。
关键词: 异步电动机;转子断条;故障检测中图分类号: TM343+.3 文献标识码: A Abstract: This paper focuses on the study of bro ken rotor bar fault diagnosis for squirrel cage induc tion motor,and concludes several effective methods. All of the methods have been tested by reseachers to simulate or identify their validity in motor rotor fault analysis.This paper compares these methods and points out their advantages and disadvantages.Key Words: induction motor;broken rotor bar; fault detection鼠笼式异步电动机的转子绕组比较坚固,但如果转子温度过高或作用在端环的离心负荷过大,可能会导致转子故障。
另外,在制造过程中的某些缺陷(如铸导条或焊端环时的质量不良)也会导致电阻过高,从而引起过热。
而在高温条件下,鼠笼的强度降低,鼠笼条可能出现裂纹,导致笼条伸出转子槽外而得不到转子铁芯的支撑。
导条与转子槽的相对位移,连续的高温运行可引起端环和导条变形,并最终导致端环与鼠笼条的断裂[1]。
笼型异步电动机转子断条故障将导致电机出力下降,运行性能恶化,一旦发生,不仅会损坏电动机本身,而且会影响整个生产系统,甚至会危及人身安全,造成巨大的经济损失和恶劣的社会影响[2]。
因此必须对其进行检测,特别是进行早期检测,早期检测系统可以在故障发生初期及时告警,有助于现场组织,安排维修,避免事故停机,具有显著经济效益。
1 转子断条故障诊断方法笼型异步电动机转子故障的检测与诊断方法有许多种,如:磁通检测法,定子电流检测法,机械信号检测法,傅立叶变换法等。
但这些方法有时很难提取转子故障特征,因此,必须寻求其它的检测与诊断方法。
1 1 基于小波变换的方法笼型异步电动机正常运行时,定子绕组中只含收稿日期: 2006-04-27 修回日期: 2006-09-10作者简介: 安永红(1967-),男,湖北钟祥人,硕士研究生,小波理论及应用;夏昌浩(1965-),男,湖北江陵人,副教授,硕士生导师,检测与自控,智能信号处理。
频率为f的电流[3]。
而当转子发生断条故障后,由文献[4 5]可知,其定子电流中将出现(1 2s)f频率的附加电流分量(s为转差率,f为供电频率),该电流分量称为边频分量,可将其作为转子断条的故障特征[6]。
在转子断条故障发展初期,其特征即定子电流(1 2s)f频率分量是细小微弱的,其幅值相对于f 频率电流的幅值仅为1%~3%,故利用它来检测转子故障,必须提高灵敏度。
文献[7 8]解决了这一问题。
但另一方面,因异步电机稳态运行时转差率比较小,特别是在轻载或空载的情况下,转差率更小,使定子电流中的(1 2s)f分量与f分量特别接近,故在作频谱分析时需要很高的分辨率。
一般的定子电流检测法由于分辨率低,所以很难提取故障特征信号。
而小波分析在时域和频域上同时具有良好的局部化性质,能对不同的频率成分采用逐渐精细的采样步长,聚焦到信号的任意细节。
这对检测高频和低频信号均很有效,特别适用于分析奇异信号及其大小,并且能比较准确地反映故障发生的时间和位置等信息,所以它可以用来对定子电流中的故障特征信号进行提取[9]。
通过选取适当的小波,首先对原信号进行小波分解,然后再进行小波重构(参见文献[10]),由小波变换系数可以得到定子电流中f频率分量i f(t),从原信号中减去这个分量就能大大削弱工频分量的影响。
该方法的好处是充分利用小波变换的良好频域特性,最大程度地消除电源频率分量的影响,从而提高对故障特征信号的检测精度。
这点可从对实际的异步电动机转子故障特征提取上看出。
选择电机型号Y315M1-4,其参数指标:额定功率132kW,额定转速1450r/m in,转子槽数64,定子槽数72。
采集参数:采样长度4096,采样频率1kHz。
经计算电机的转差率为s=0.0071,电网频率为50.2Hz,转子断条故障的特征频率分量49.5 Hz((1-2s)f分量)和50.9Hz((1+2s)f分量)。
图1、2分别为电机正常运行和转子断条故障时的电流信号对数谱。
对比两图可见,在故障信号的对数谱中除了包含电网频率分量外,还存在着转子故障的频率分量,只是由于转差率非常小,所以被湮没在电网频率信号中不易准确识别。
对上述2种状态的电流信号分别进行小波-奇异值分解计算,获得的重构电流信号波形频谱的仿真图如图3、4所示。
图1 正常状态电流信号对数谱图2 转子故障电流信号对数谱图3 正常状态电流信号重构信号的频谱图4 转子故障重构电流信号的频谱从图3、4中可看出,电网频率分量50.2Hz被有效地抑制。
另外,在图3所示的正常信号频谱中,电网频率附近只有噪声干扰,没有其它的特征分量出现,而在图4所示的重构信号频谱中,转子故障特征频率49.5H z((1-2s)f分量)和50.9H z ((1+2s)f分量)被有效地提取出来,表明了该方法在转子故障特征提取中的有效性。
1 2 温升检测法与小波分析法从定子电流中提取故障特征信311第3期 安永红等:笼型异步电动机转子断条故障诊断技术号不同,温升检测法是从转子中提取故障特征信号。
它是经分析电机在出现转子断条故障时各导条电流和温升分布规律来检测转子故障的1种途径。
通过作适当的假设,得出计算导条温升的热模型,如图5所示。
热源P 热容C 热阻R 导条温升图5 计算导条温升的热模型由该模型可以导出以导条温升为状态变量的状态方程d d t =P C -1CR 。
(1)式中:C =C p G ;R =1/ A ;C p 、G 、A 及 分别为导条的比热容、导条重量,导条表面积及导条表面散热系数。
由此式来计算转子有无故障时的温升。
设电机外加额定电压,且运行于额定转速。
在转子无故障情况下,计算得到的导条电流及温升应是平衡的,即各导条电流和温升近似相等。
当出现导条断裂故障时,其相邻两侧导条的电流和温升明显高于其它导条的电流和温升,即导条电流和温升出现显著的不平衡,并且导条断裂数目越多,这种不平衡就越显著[11]。
因此,如果在电机正常运行时检测到转子导条温升,不仅能准确揭示电机是否存在转子断条故障,而且还能判断出转子故障的程度,这是目前常用的定子电流检测法难以实现的。
1 3 输出功率检测法该方法通过判断电动机输出功率信号中是否含有余弦分量来判断鼠笼转子是否有断条故障,它避开了对定子电流中边频分量成份的检测。
由电机学理论可知,正常运行时电动机的输出功率为 P D =32U m I mcos 1。
(2)式中:U m 、I m 、 1分别为相电压,相电流的幅值和电动机的功率因数角。
由式(2)可见,正常运行时电动机的输出功率信号中仅含直流分量,只有1个与时间无关的常量。
当转子出现断条故障后,定子电流中除了基波分量外,还有(1 2s)f 的分量。
经计算,这时电动机的输出功率为P Df =32U m I mf cos 1f +32a 2+b 2cos(2s !0t -∀)。
(3)a =U m I 1+2s cos 1+2s +U m I 1-2s cos 1-2s ,b =U m I 1+2s sin 1+2s -U m I 1-2s sin 1-2s ,∀=arccot (a/b)。
式中:I m f 、I 1-2s 、I 1+2s 和 1f 、 1-2s 、 1+2s 分别为基波分量、(1-2s )f )边频分量、(1+2s)f 边频分量电流的幅值和滞后角;!0为电源角频率。
由式(3)可见,故障后电动机的输出功率信号中除直流分量外,还有1个转速为2s !0的余弦分量。
根据此特点,可判断鼠笼转子有无断条故障。
1 4 park 变换法该方法的基本思想是将定子三相电流从a 、b 、c 坐标系下转换到d 、q 坐标系下,即i d =23i a -16i b -16i c ;i q =12i b -12i c。
(4)对于理想状态的异步电动机,有i d =62I msin (!0t);i q =62I m sin (!0t -#2)。
(5)在d 、q 坐标系中,由i d 、i q 形成的矢量轨迹为一以原点为中心的圆。
当转子出现断条故障时,其矢量轨迹就不再是圆,而变成1个椭圆,椭圆长短轴的长度和偏转方向与故障程度有一定的联系[12]。
因此可以用这种方法进行故障诊断和检测。
1 5 神经网络法为了利用异步电动机的特征输出序列:x (k -n), ,x (k -2),x (k -1)来预测特征输出x (k ),可以用1个具有n 个输入节点、1个输出节点的神经网络来模拟并通过进化学习来实现模型。
神经网络的权值训练实际上是1个多变量函数优化的过程,求解多变量函数优化问题的许多搜索方法都能进行神经网络的权值训练[13]。
为了提高搜索的效率,可采用遗传算法来进行。
设传感器的实际输出为x (k ),利用均方误差来定义目标函数∃=1N N i=1(x (k )-x ^(k ))2。
(6)事先设定∃的值(阈值),并设定算法的最大循环次数,以避免出现过长时间的搜索。
若传感器的312 电 力 学 报 2006年第k步输出x(k)与神经网络的预测输出x^(k)之间的偏差低于设定阈值,则表明异步电机工作正常,当电机特征的实际输出x(k)与神经网络的预测输出x^(k)的偏差大于设定阈值时,则表明电机出现了故障。
