基于小波包支持向量机的感应电机转子断条故障诊断方法与流程

本发明属于感应电机故障诊断领域，涉及一种基于小波包支持向量机的感应电机转子断条故障诊断方法，解决故障信号的提取、判别难题，将基于相关算法的感应电机转子断条故障信号分解提取方法与支持向量机结合，实现感应电机转子断条故障的诊断。

背景技术：

感应电机具有坚固耐用、价格低廉、便于维护等优点，在电力、矿业、船舶以及冶金等工业领域内得到了广泛的应用，由于感应电机的工作环境较为复杂，通常面临着长时间连续运作、频繁制动与启动以及复杂的工作环境等恶劣考验，所以容易发生各式的故障现象。

转子断条故障是感应电机的常见故障之一，据统计，转子断条故障约占所有故障的10％左右，感应电机的工作环境较为复杂，持续运作时间较长，此外，感应电机的转子导条和端环由于受到复杂的应力作用，如热应力、电磁力以及离心力等，因此会导致感应电机的转子导条和端环较为容易发生断裂故障，这种故障现象被称为转子断条现象。

感应电机在运行中，一旦有故障发生，不仅会导致电机本体受到损坏，还将造成工业生产企业的重大经济损失，甚至可能导致人员安全事故的发生。因此，准确的诊断感应电机转子断条故障是十分必要的，准确、及时地发现该故障，并在故障初期就需进行故障维修和电机维护，防止故障的扩散、蔓延，这样就可以延长电动机使用寿命，保证动力系统的安全高效运行。因此，对感应电机转子断条故障进行早期的检测和故障诊断有重要的实际意义。

目前，常用的感应电机转子断条故障检测方法有：定子电流检测法、振动监测法、失电残压法、功率监测法、转速波动检测法以及基于稚嫩故散发的检测方法等等。

其中，定子电流检测法的检测装置较为简单，容易采集，因而得到了广泛的应用。当感应电机的转子发生断条故障的时候，转速波动将导致定子绕组中会出现一个频率为(1±2s)f1的谐波电流分量，通常可以据此作为判断感应电机转子断条故障的特征向量。根据谐波电流的幅值以及它与基频电流幅值的比值大小，可以推断出断裂导条的根数以及故障发生的严重程度。然而，感应电机在运行状态下，转差率s一般都很小，因此造成在转子断条故障发生的初期，(1±2s)f1分量幅值也很小，难以判别故障的发生与否。

技术实现要素：

本发明的目的在于针对上述现有技术中的问题，提供一种基于小波包支持向量机的感应电机转子断条故障诊断方法，采取小波包变换对定子电流信号进行分解，得到信号在其子频带内的低频分量以及高频分量，建立转子断条故障的故障特征向量，并作为支持向量机的训练样本，建立基于小波包分解算法的感应电机转子断条故障支持向量机诊断模型。

为了实现上述目的，本发明采用的技术方案包括以下步骤：

步骤一、对检测到的感应电机转子断条故障定子电流进行预处理，滤除故障定子电流中夹杂的工频定子电流分量和高频噪声分量，仅保留故障分量并将数据存储；

步骤二、对消噪后的电流信号进行小波包分解，得到各子频带故障电流信号分量；

步骤三、对小波包分解系数进行重构并计算各频段内信号能量总和；

步骤四、对各频段内的信号能量进行归一化处理并构造特征向量；

步骤五、构建支持向量机模型，将特征向量划分为训练样本和预测样本，利用训练样本对支持向量机模型进行训练，利用预测样本对训练后的模型进行测试，判断特征向量对应信号所属的故障类型，并获得测试集的诊断准确率作为对模型的验证结果。

步骤一通过基于奇异值分解的svd滤波法滤除工频定子电流分量和高频噪声分量。

所述的步骤二对消噪后的电流信号进行5层小波包分解。

所述的步骤三当转子出现断条故障时，则各子频带内的信号能量产生影响。

所述的步骤三将第n层中的特征向量提取出来，以xnj代表第n层中从低频到高频的2ⁿ个子频带分解系数向量，然后得到2n个子频带的特征信号为snj；

通过下式计算各子频带能量总和enj：

所述的步骤四对各子频带能量综合按照下式进行归一化处理：

构造的特征向量为：

所述的步骤五建立基于交叉优化算法的支持向量机模型，支持向量机模型以rbf径向基为核函数，对样本进行交叉优化，实现对惩罚参数c和参数g的赋值。

与现有技术相比，本发明具有如下的有益效果：能够实现对感应电机转子断条故障下，定子绕组电流所包含故障信号的分解和提取，并实现感应电机转子断条故障的预测诊断。本发明采用小波包分解算法实现对感应电机转子断条故障定子电流信号中故障电流信号的提取和分解，相较于通过fourier频谱分析法、工频消去法、park矢量法、hilberttransform法等算法提取特征向量，避免了信号采样时间过长、负荷波动干扰以及无法检测轻微故障的局限性。此外，构建支持向量机模型为算法的后续扩展奠定了基础，若采用“一对多”的支持向量机分类器结构，则可以诊断更多的故障类型，具有可靠的实用意义。

附图说明

图1本发明的故障诊断方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

参见图1，本发明基于小波包支持向量机的感应电机转子断条故障诊断方法，步骤如下：

第一步：故障电流信号的预处理，对定子绕组原始故障电流进行消噪。将检测到的感应电机转子断条故障定子电流数据进行预处理，并通过基于奇异值分解的svd滤波技术滤除定子电流故障信号中的工频定子电流分量和高频噪声分量，仅保留故障分量，并将数据存储。

第二步，对故障电流信号进行5阶小波包分解，得到各子频带故障电流信号分量。对消噪后的定子绕组原始故障电流信号进行5层小波包分解，得到信号在其子频带内的信号低频分量以及高频分量。其中，(0，0)节点代表原始信号，(1，0)代表小波包分解的第一层低频系数，(1，1)节点代表小波包分解的第一层高频系数。

第三步，对小波包分解系数进行重构，并计算各频段内信号能量总和；利用步骤二中已经得到小波包分解后的分解系数，对小波包分解系数进行重构，提取各个子频带范围内的信号。当转子出现断条故障时，将对各子频带内的信号能量产生较大影响。将第n层中的特征向量提取出来，以xnj代表第n层中从低频到高频的2ⁿ个子频带的分解系数向量，然后得到2n个子频带的特征信号为snj，通过以下公式计算各子频带能量总和enj：

第四步，对各频段内信号能量进行归一化处理并构造特征向量。

对各子频带能量综合按照下式进行归一化处理：

构造的特征向量如下所示：

第五步，利用训练样本对支持向量机模型进行训练。建立基于交叉优化算法的以rbf径向基为核函数的支持向量机模型，对样本进行交叉优化，实现对惩罚参数c和参数g的赋值。将定子电流故障信号分为训练样本和预测样本，利用训练样本对支持向量机模型进行训练。

第六步，用训练后的支持向量机模型对测试样本信号进行诊断预测作为验证，判断特征向量对应信号所属故障类型，并获得测试集的诊断准确率作为对模型的验证。

本发明通过对感应电机转子断条故障特征的机理进行研究分析，确定通过感应电机定子电流频率分析来诊断转子断条的工作原理，为解决定子绕组基波电流幅值过小以至于难以判断故障的问题，提出基于小波包变换的分析方法，将所采集到的定子电流信号运用小波包运算，得到包含转子断条故障时的电流特征向量，最后提出的基于小波包分解的支持向量机故障诊断方法，建立了最佳小波包分解的支持向量机故障诊断模型，并验证其正确性。

以上显示和描述了本发明的基本原理、主要特征以及技术方案所能带来的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的基本原理，在不脱离本发明精神和原则的前提下，本发明还可以有各种变化和替换，这些变化和替换都会落入本发明权利要求书及其等效物所界定的保护范围之内。