电机故障诊断

电力传动系统中故障的诊断是全局系统监测的重要组成部分，可提高系统的可靠性和耐用性。故障诊断可通过各种技术来实现，包括参数估计、状态观测、卡尔曼滤波、频谱分析、神经网络、模糊逻辑、人工智能等。本书还特别强调了在故障情况下电机的建模问题。本书给出了由法国多个领域研究人员得出的关于电机故障诊断方面的原创性研究成果，可为高可靠性电机设计及电力传动系统监测和维护工程师提供指南。由于电机的监测和故障诊断仍然是一个亟需深入研究的问题，本书对相关科研人员也具有重要参考价值。

书是法国多所大学和研究机构跨学科研究团队多年原创性研究成果的总结，系统深入地介绍了电机及电力传动系统的故障检测与诊断技术，主要内容包括：电机故障类型及常见故障诊断方法，故障情况下电机的数学建模，基于参数辨识、观测器、热监测等技术的电机故障诊断，蓄电池内阻估计及汽车起动性能评估方法，电机机电故障诊断的频谱分析方法，基于神经网络的电机故障检测与定位，变流器故障分析及诊断方法。本书内容紧密结合实际，所讨论的故障诊断方法均包括理论分析及实际验证等各个方面，具有重要的理论意义和实际参考价值。本书可作为电气、机械、信息等专业本科高年级学生及研究生教学、科研用书，亦可作为相关领域工程技术人员的参考书籍。

Jean-Claude Trigeassou 于1988~2006年在法国普瓦捷大学（Université de Poitiers）高等工程师学校（École Supérieure d'Ingénieurs de Poitiers, ESIP）担任教授，主要研究兴趣是矩量法及其在参数辨识和控制中的应用、连续系统参数估计及其在电机故障诊断中的应用。目前，Trigeassou教授在法国波尔多大学（Université de Bordeaux）的IMS-LAPS实验室工作，主要研究工作涉及分数阶系统的建模、稳定性分析、参数辨识和控制等。

译者序原书前言章电机常见故障及其诊断方法11.1概述11.2感应电机的组成31.2.1定子31.2.2转子31.2.3轴承41.3感应电机的故障41.3.1机械故障61.3.2电气故障71.4感应电机故障诊断方法概述81.4.1基于解析模型的故障诊断方法91.4.2无需解析模型的故障诊断方法111.5本章小结141.6参考文献14第2章感应电机绕组故障建模182.1概述182.1.1仿真模型与诊断模型182.1.2模型选择的目标182.1.3模型选择的方法192.1.4本章结构安排202.2研究框架与一般方法202.2.1前提假设202.2.2绕组的等效202.2.3无故障等效两相电机272.2.4考虑定子绕组故障292.3定子绝缘故障时的电机建模322.3.1定子短路时的电机方程322.3.2任意参考系下的状态模型342.3.3三相定子模型的扩展382.3.4诊断模型的验证392.4定/转子耦合故障建模方法的普适化422.4.1转子不平衡时的电机方程432.4.2定/转子故障时的一般电机模型452.5感应电机的监测方法472.5.1感应电机故障诊断的参数估计472.5.2监测方法的实验验证502.6本章小结532.7参考文献54第3章感应电机的闭环诊断563.1概述563.2闭环辨识573.2.1闭环辨识中存在的问题573.2.2电机故障诊断中的参数辨识问题593.3感应电机闭环辨识的一般方法593.3.1考虑控制的作用593.3.2基于闭环解耦的电机参数辨识613.3.3辨识结果643.4定/转子同时故障时的闭环诊断663.4.1感应电机通用故障模型663.4.2具有先验知识的参数估计673.4.3故障的检测与定位683.4.4直接辨识和间接辨识的结果比较703.5本章小结723.6参考文献73第4章基于观测器的感应电机故障诊断764.1概述764.2建立数学模型784.2.1三相感应电机无故障时的模型784.2.2感应电机无故障时的Park模型814.2.3感应电机出现故障时的模型844.3故障观测器844.3.1基本原理844.3.2不同种类的故障观测器874.3.3扩展观测器924.4基于观测器的故障诊断944.4.1使用Park模型944.4.2使用三相电机模型974.4.3观测器重构转矩的频谱分析994.5本章小结1004.6参考文献101第5章感应电机的热监测1035.1概述1035.1.1感应电机温度监测的目的1035.1.2感应电机温度监测的主要方法1045.2基于卡尔曼滤波器的实时参数估计1075.2.1卡尔曼滤波器的特征及优点1075.2.2扩展卡尔曼滤波器的实现1085.3热监测的电气模型1115.3.1连续时间模型1115.3.2全阶模型1125.3.3离散化的扩展模型1145.4实验系统1155.4.1实验平台简介1155.4.2热仪表1175.4.3电气仪表1185.5实验结果1215.5.1卡尔曼滤波器的调节1215.5.2磁饱和的影响1245.6本章小结1265.7附录感应电机特性1265.8参考文献127第6章基于模型失效方法的汽车铅酸蓄电池内阻估计：在汽车起动性能评估中的应用1306.1概述1306.2汽车起动阶段铅酸蓄电池的分数阶模型1316.3分数阶模型的辨识1336.3.1输出误差辨识算法1346.3.2输出灵敏度计算1356.3.3估计参数的验证1356.3.4应用到起动信号中1356.4用电池电阻作为起动能力的指示器1366.5模型验证及电池内阻的估计1386.5.1模型验证的频率法1386.5.2电池内阻估计的应用1406.5.3简化的阻值估计器1436.6电池状态的估计1466.7本章小结1486.8参考文献148第7章基于信号分析技术的感应电机机电故障诊断1517.1概述1517.2电流的频谱1527.3信号处理1537.3.1傅里叶变换1537.3.2周期图1547.4实验中的信号分析1557.4.1断条引起的故障1567.4.2轴承故障1607.4.3静态不对中故障1667.4.4匝间短路1737.5本章小结1767.6附录1767.6.1附录A实验使用电机的部分特性参数1767.6.2附录B实验使用滚珠轴承的部分特性参数1777.7参考文献177第8章基于神经网络的感应电机故障诊断1798.1概述1798.2在故障诊断问题中ANN的使用方法1808.2.1选择故障指示器1808.2.2选择神经网的结构1818.2.3建立学习和测试数据库1828.2.4神经网络的学习和测试1828.3监测系统概述1838.4故障检测可能出现的问题1848.5提出的鲁棒检测新方法1848.5.1产生估计的残差1858.6定/转子故障的特征1868.6.1正常运行时的残差分析1868.6.2定子故障时的残差分析1868.6.3转子故障时的残差分析1888.6.4同时存在定/转子故障时的残差分析1908.7利用RNd神经网络检测故障1918.7.1提取故障指示器1918.7.2RNd神经网络的学习过程1918.7.3RNd网络的结构1938.7.4RNd网络的训练结果1938.7.5RNd网络的测试结果1948.8定子故障的故障诊断1978.8.1选择RNcc网络故障指示器1978.8.2RNcc网络的学习序列1988.8.3RNcc网络结构1998.8.4RNcc网络的学习结果2018.8.5RNcc网络的测试结果2018.8.6RNcc网络的实验验证2038.9转子故障的故障诊断2088.9.1选择RNbc网络的故障指示器2088.9.2RNbc网络的学习序列2088.9.3学习、测试和验证结果2098.10感应电机完整的监测系统2108.11本章小结2128.12参考文献212第9章静态变流器中的故障检测与诊断2149.1概述2149.2故障检测和诊断2159.2.1神经网络方法2159.2.2模糊逻辑方法2219.2.3多维数据分析2249.3功率电子模块的热疲劳和失效模式2319.3.1功率电子模块的相关技术2319.3.2电力电子模块性能退化的原因及主要类型2399.3.3连接件损坏对电气特性的影响以及对故障诊断的潜在作用2449.3.4接触面接触不良对热特性的影响和在故障诊断中的潜在应用2469.4本章小结2489.5参考文献249

随着对电力传动系统可靠性和耐用性的要求越来越高，电机的故障检测和诊断不仅仅是科学问题，更涉及经济问题。自电机首次投入工业应用以来，电工领域的工程师一直密切关注电机持续工作时的可靠性。为了避免故障，工程师们通过实验反馈来改善电机结构，增强其鲁棒性。此外，他们通过已发现的故障和改进的技术来积累经验，并将经验应用于“人工故障诊断”，在本书中列举了机械领域、特别是在汽车维护保养方面的例子。20世纪五六十年代以来，基于电力电子电源的广泛使用及20世纪70年代末出现的微型计算机，使得 “自动”诊断技术被广泛使用，快速地改变了机器维护保养的方法。数字控制和计算机系统的不断发展为自动控制技术开辟了新的天地，如实时识别与在线自适应控制算法等新功能被集成应用。系统监测已成为日趋复杂的自动化系统中必不可少的管理类功能，自动故障检测和诊断作为监测系统的一个功能，其概念在20世纪80年代已经形成。不幸的是，电机控制方面的新技术同时也会引起新的电机故障。现在，除了传统的电气故障、机械故障和热故障外，还会出现电力电子和信息系统故障，以及由于脉宽调制电源产生的故障。不管是随之可能出现的电机电源断电还是重构，这些故障可能会立刻产生破坏性的后果，而这些严重的后果都能凸显早期故障诊断技术的必要性。因此，电机的故障诊断技术，或者更大范围内的电力传动系统故障诊断技术，必将成为调速系统设计、使用和维护的一个基本组成部分。大功率设备成本高昂，其系统完整性必须得到保证，这也体现了对应故障诊断技术的重要性。然而，我们也不能忽视小功率设备，其故障一样会产生巨大的经济损失，甚至导致整条生产线瘫痪。得益于先进数字控制算法的应用，新的故障诊断方法不断出现。如傅里叶分析的引入就是人工诊断方法的自然扩展，该方法采用振动传感器和电流传感器，可以检测机械轴承故障或笼型电机转子故障。另一方面，这一领域起初就较重视人工智能相关技术的研究，这是因为传统故障诊断方法中有些就是基于专业知识的诊断方法。基于数学模型的故障检测是第三类故障检测方法，例如状态观测和识别，这类方法最早是在自动控制领域发展起来的。1995年，为了协调电力传动系统故障检测方面的工作， “GDR Electrote- chnique”和“GDR Automatique”（电气工程和自动控制）两大研究组织共同对感应电机的监测和诊断课题展开了联合研究。来自这两大领域的法国研究团队和几个来自信号处理领域的研究团队定期举行会议，展示工作成果，讨论联合研究方案。同样的，“参数辨识”研究团队主要在连续系统的系统辨识和电机物理参数估计方面开展研究工作。经过这些研究团队的共同努力，一致认为故障电机的建模和早期故障检测中的参数辨识是极其重要的。 具体来说，E. Schaeffer在定子绕组短路故障建模（详见第2章）方面的研究，推动了故障检测技术的发展。该方法使得在早期故障检测中建立宏观模型，以及在交流电机电气故障仿真中建立更加完善的模型成为可能。同样地，J. Faucher及其学生的相关研究工作提出了可替代硬件实验的故障仿真技术，有效地避免了故障实验的潜在破坏性。参数辨识方法很适合电机内部故障的检测（如定子绕组短路、转子断条等），而状态观测的方法则更适合于电机外部故障的诊断，例如传感器或执行器故障。此外，故障模型和包含（关于正常系统）先验知识的物理参数估计方法的结合，使得针对感应电机定／转子的故障诊断方法不断完善。这些方法在另一本专著中有两章进行详细介绍，本书中只在第2章和第3章中有所提及。本书中给出的研究成果来自于与前文提到过的研究团队的合作，他们致力于电机故障诊断方法、以及可用于电力传动系统故障诊断的更为普适方法的研究。这里的故障主要是指电机故障，但故障也可能存在于电力电子设备或电池的能量存储系统中。故障类型种类繁多，如定子或转子故障、机械故障、热故障、逆变器故障和充电状态估计等。同时我们发现处理这些故障的方法也多种多样，这些方法主要可分为两大类：一类是基于模型的方法，如参数识别法、状态观测法、无效模型法等；另一类是不依赖于模型的方法，例如频谱分析、神经网络和模糊逻辑等人工智能方法。读者必须注意的是，故障诊断结果存在概率的问题。检测一个故障，特别是一个早期故障，其检测结果对应某个可信度，最终系统是正常运行或是异常运行的可能性均存在。比如说，由参数识别算法给出的检测结果是电阻增大，这有可能导致转子发热（正常情况），也有可能导致断条（异常情况）。因此，至今为止也没有一个完美的方法可以解决电机故障监测问题，我们需要得到可靠的诊断结果以降低故障的误报率。本书中，第１章描述了电机的故障类型、何时发生，并分析了它们的物理成因（内部或外部的原因），如轴承中的感应电流、导体和绝缘体间不断的热循环；然后，介绍了文献中最常用的诊断方法。第２章介绍了一种基于短路位置感应电流的短路绕组建模新方法，该感应电流会在电机气隙中产生干扰磁场。该方法的物理分析推导得到一种考虑定子短路绕组的全新Ｐａｒｋ模型，并可扩展到笼