基于EMD-AR模型的电动机断条故障特征提取方法

本文主要探讨了在电动机故障诊断领域的一种创新性方法，即利用经验模态分解（EMD）和自回归（AR）模型相结合的技术来提取电动机故障特征。作者是许允之、牛曼和仝年，他们分别来自中国矿业大学、河海大学和华北电力大学的电气与动力工程学院。 EMD是一种强大的信号处理工具，它能够将非平稳的时间序列信号分解成一系列具有不同内在周期成分的固有模态函数（IMF），这些IMF代表了信号的不同频率成分。在这个研究中，电流信号被分解成IMF1至IMF3等多个部分，这有助于分离信号中的关键特征。 AR模型通常用于分析线性时间序列数据，它假设信号的变化趋势可以通过自身过去的值来预测。通过将AR模型应用于前三个IMF分量，研究者能够捕捉到这些分量的动态特性，并进行功率谱分析，以揭示故障模式下信号的频域特性变化。 作者特别关注于电机断条故障的诊断，这是电机常见的一种问题，表现为电流波形的异常。通过对比正常运行的电动机、一根断条满载电动机和一根断条空载电动机的A相电流信号，可以明显看出断条故障对IMF1至IMF3的影响。AR模型估计的功率谱图提供了定量的故障特征指标，使得故障的识别和定位更为精确。 实验证明，这种方法在识别电动机断条故障方面表现出较高的准确性。它结合了EMD的信号分解能力与AR模型的预测性能，为电机故障诊断提供了一种有效且直观的分析手段。该研究不仅提升了电机故障检测的精度，而且对于提高电力系统维护效率和保障设备安全具有重要意义。 关键词包括经验模态分解、自回归模型、固有模态函数、故障特征提取以及转子断条，这些都是本文的核心技术元素和讨论焦点。整体而言，这篇文章是针对电力工程领域的一项重要研究，为电动机故障诊断领域的实践和技术发展提供了新的思路和方法。