哈工大杨明教授谈：基于电气信号分析的电动传动系统故障诊断算法研究

在近日举办的中国运动控制/直驱技术产业发展高峰论坛上，哈尔滨工业大学电气工程及自动化学院副院长杨明教授着重介绍了有关基于电气信号分析的传动机构故障诊断技术的最新研究动向。

旋转结构作为电机设备传输力和载荷的关键部件正朝着高精化、高性能、高可靠性、智能化方向发展，广泛用于工业生产的各个环节。其中，故障诊断与健康维护技术显得越来越重要，在机床、机器人等智能化维护过程中越来越受到人们的重视。

哈尔滨工业大学电气工程及自动化学院副院长 杨明教授

01

故障诊断技术的目的

故障诊断以及状态监测属于智能技术大领域中的一个分支，实际上跟我们的医学概念特别相似，比如人在看病是，中医讲究望闻问切，而在电机系统中，则希望通过传感器以及智能算法进行诊断，也会涉及到多科“会诊”的情况，我们希望通过振动法+电气法有效结合，来进行综合诊断。

另外，在医学上，更多是疾病预防，而在电机系统中，我们希望把故障诊断和维护从事后转变成事前，增加系统的可靠运行周期，降低系统整体成本，另外更重要的是，为将来设计以及评估工控产品系统，提供丰富的历史数据，并朝着大数据人工智能方向发展。

02

电气法智能化诊断技术的重点

传统的电机故障诊断技术主要有以下几种方式：如振动法、超声波法、油液法、红外成像法等等，故障诊断不是一个新的研究方向，而是传统机械学科几十年研究的成果。在电气方面，由于一般需要增加额外的传感器，传感器的成本较高，且应用环境也受到一系列制约，包括安装条件会影响诊断效果等等。其次是有的场合不允许安装传感器，因此需要克服这些传统传感器应用的弊端。

因此，实际上电气法主要的研究方向有三个方面：第一，研究信号源，振动传感器等各种传感器都是故障信号的载体，我们希望用电气信号进行诊断；第二，特征的提取是重中之重，故障的提取涉及到数字信号处理算法和一系列分析方法；第三，状态识别，从简单的阈值法到大数据分析，借此形成远程无损的诊断技术，从而实现具有低成本、智能化的应用优势。

在目前国内外产品中，一类是以欧美系品牌为代表，已推出了实际产品，一种是硬件监测系统，需要配数据采集卡和传感器，有硬件支持，其次是分析软件比较强大，给用户很好的选择，可以诊断出故障的特征频率，包括轴承电机故障等，也需要一系列传感器软件。另一类是日本品牌为代表，例如三菱公司最新的J5系列伺服系统具备自动诊断功能，是三菱Maisart人工智能应用的体现，接入伺服系统，可诊断滚珠丝杠间隙、振动预测，皮带带打滑、齿形带张力恶化失效预测，传动齿轮故障预测等，不需要人为参与，是目前唯一具备这一功能的产品。

03

基于电气法的故障诊断技术最新研究动向

在数字信号处理技术的研究方面，故障特征提取方法，包括从时域方法、频域方法和时频域方法。

电机传动系统机械故障大致分为三类：

第一，传动机构本身故障，比如齿轮、滚珠丝杠等。各个传动机构中齿轮应用比例最高；而在齿轮故障当中，断齿故障是发生率最高的。

第二，电机本体故障主要指机械故障，例如轴承故障等，这是出现率最高的形式。轴承故障有分布式和局部式，早期的故障是局部式，最大的特征是信噪比极低，要比齿轮故障等小一到两个数量级，除非听到明显噪声才发现彻底损坏，滚珠是经常故障的，主要是跟传动运动耦合起来。

第三，安装故障。安装对中只是相对的概念，而“不对中”是绝对的。不对中又分为平行不对中和角度不对中，德国西门子工程师一般都会用到激光对中仪，国内大多企业现场工程师都没有见过激光对中仪，完全靠人工经验来安装、调试。因此造成电机传动系统很多偶发故障往往是早期安装不对中引起的，随着市场大规模应用，这个比例越来越高。

因此，我们根据前面的故障类型将研究分为以下四个方面：齿轮故障诊断、轴承故障诊断、不对中的故障诊断，以及谐振故障诊断，下面主要阐述前三个故障诊断技术的最新研究成果。

第一，齿轮故障诊断研究。齿轮往往工作在高速重载等恶劣环境下，容易发生断齿、齿面点蚀等局部式故障，影响设备的传动性能。我们的研究主要是针对数字信号处理算法，提取更多故障特征细节，算法的过程有点像发现微弱信号的过程，最开使用眼睛看就可以了，最简单的分析方法就可以看到；再微弱的故障就需要用复杂信号处理算法RSSD（共振稀疏分解），如借助光学显微镜观测一样；如果更加隐秘更加微弱的信号，就需要用电子放大镜设备一样，需要更加复杂的数字信号处理算法。这些算法研究的应用就是大致按照这样的思路开展的。

下面是我们搭建的一个实验平台，由一个健康齿轮和一个断齿齿轮组成。

通过分析不同运行条件下实验结果（FFT、RSSD、双重优化RSSD）、基于同步位域运动误差分析的齿轮故障诊断，我们得出以下的结论：

第二，电机轴承故障诊断研究。包括三个内容：MCSA电机电流特征分析与MSSA的对比；轴承局部式特征故障提取方案；结合驱动算法的预降噪方案。我们搭建出下面的实验平台：

从轴承故障机理的判断，可以看到故障产生到转速波动，引起磁动势角度调制，最后影响到传速的变化，因此，我们在伺服驱动系统中利用上位机采集的转速信号进行轴承故障诊断，并对轴承内外圈故障进行了判断，用基于谱峭度的方式寻找最优的滤波器中心频率和带宽。

我们进行了电机相电流与转速不同故障载体信号源的对比，发现转速信息非常直观，得到了一个明确的轴承故障，并且通过对比，针对信号相电流、电机转距做了大量的对比测试。下面是我们对电机轴承故障诊断研究的小结：

第三，电机安装不对中故障诊断研究，我们在机理分析的实验中发现，电机安装不对中故障有分为：平行不对中故障、角度不对中故障、组合不对中故障；并且电机安装不对中故障会产生1倍或2倍的转矩波动量，由此也找到了电气法研究方案。在此基础上，我们搭建出下面一套实验平台：

通过故障与健康状态FFT幅值的对比，可以发现，各种转速下，发生平行不对中或角度不对中故障时，FFT频谱中转速1倍、2倍转频分量都明显升高，下面是我们对电机安装不对中故障诊断研究的小结：

针对首次安装条件下的不对中故障诊断，我们通过首次安装建模，并参考西门子公司对首次安装不对中误差的限定范围和标准，得出以下结论：

最后做一个简单的总结，现在我们的故障诊断技术正朝着人工智能、大数据的方向探索，相当于把原来基于故障特征频率辨识的数字信号诊断，越来越多引入人工神经网络，这是真正的大数据处理故障诊断的具体方式，也是人工智能、大数据等学科在电气领域的尝试。

在机器人减速机故障诊断的研究中，这是真正工业化应用的最复杂的传动结构形式，特别是国产减速机的故障率比较高，现在很多学者通过这种方式在做建模的工作，我们希望一方面可以通过数据模型建模做故障特征，另一方面可以从大数据分析的角度，来判断工业机器人减速机故障诊断，并在此基础上，实现对工业机器人减速机的寿命预测。