电机故障检测：基于小波变换的噪声抵消方法

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报3（2016）411基于小波变换的异步电动机轴承故障噪声抵消检测K.C. DeekshitK ompellaa， Rao Mannamb， Sriniv asa Rao Rayapudica K.L.大学电气&电子工程系，Guntur，A.P.，印度b电气&电子工程系，PVPSIT，Kanuru，A.P.，印度cJNTUK电气&电子工程系，Kakinada，A.P.，印度接收日期：2015年2月10日;接收日期：2016年6月5日;接受日期：2016年7月6日2016年8月3日在线发布摘要提出了一种利用电机电流特征分析（MCSA）检测感应电机轴承故障的方法。在轴承故障的初期阶段，由于定子电流中故障前分量占主导地位，电流特征分析表现出较差的性能因此，在本文中的优势，故障前的成分是使用维纳滤波器的噪声抵消抑制使用离散小波变换（DWT）进行频谱分析。通过计算小波系数的故障指标参数来估计故障的严重程度。进一步提出了基于小波系数功率谱密度（PSD）的故障指数化方法。在2.2 kW试验台上进行了仿真和实验验证© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：故障检测;电机电流特征分析;离散小波变换;功率谱密度;维纳滤波器1. 介绍由于鼠笼式感应电动机结构坚固、功率重量比高、可靠性高和易于设计，大多数行业都依赖于尽管这些电机结构坚固，但如果长时间运行而不受监控，它们通常会面临许多故障（报告，1985 a，b）。 在感应电动机所经历的故障中，轴承故障在200马力电动机中占41%，如图所示。 1（Soualhi等人，2015; Zhang等人，2011年）。轴承故障的贡献在大范围到小范围机器中可以从40%到90%变化（El Houssin等人， 2013年）。当这些故障变得严重时，可能会出现工业过程的意外中断为了防止这种意外的损害，有必要在早期阶段预测这些故障传统的振动传感器用于监测这些*通讯作者。电子邮件地址：kkcd10@gmail.com（K.C.D. Kompella）。电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2016.07.0022314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。412KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）4112PD2PDf球=2BDfr1−科索PDFig. 1.感应电动机故障饼图。故障，这是昂贵的，并且只适合于大范围的机器（Blodt等人，2008年）。与此相反，当前的特征分析已经克服了这些缺点，并且即使在嘈杂的环境中也给出了良好的性能（Eren和Devaney，2004; Stack等人，2004a;Filippetti等人，1995; Obaid等人，2003; Bellini等人，2008年a）。 电机电流信号分析（MCSA）的这些优点吸引了许多研究人员在过去的几年里。使用FFT的常规当前频谱分析具有许多缺点，如频谱泄漏、分辨率差并且不能提供时间频率关系等。为了克服FFT中的缺点，通常采用窗函数（Jung等人，2006; Liu等人， 2008年，在光谱分析中。使用时间-频率技术的故障检测，例如短时傅立叶变换（STFT）（Kim等人，2007）、Wigner-Ville分布（WVD）（Vicente等人，2014;Kim等人，2007）具有很少的缺点，如STFT对所有频率使用固定窗口，这给出了差的分辨率，并且WVD由于交叉项而复杂。为了克服时频分析中的这些缺点，基于小波变换（WT）的故障检测在Lau和Ngan（2010）、Sun等人（2011）、Wavelet transform（Wavelettransform）中被提出。（2013），Luo et al. （2013）和Wei et al. （2011年）。根据故障的位置，轴承缺陷可分为两种类型：（1）单点缺陷（循环）和(2)广义粗糙度（非循环）。此外，单点缺陷可以细分为（a）外圈故障，（b）内圈故障，（c）球缺陷和（d）保持架故障（Frosini和Bassi，2010）。 这些周期性故障将通过在球和滚道之间产生冲击而产生可检测的振动。由这些故障引起的特征振动频率（1）-（4），（Frosini和Bassi，2010年）。外圈故障引起的振动频率fout由下式给出：fout=nfr.1−BD cosπ（1）由内圈故障引起的振动频率f_inn由下式给出：finn=nfr.1+BD cos双头（2）由于球缺陷引起的振动频率f球由下式给出：警局.BD2012年2月（三）KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411413∅2PD由于保持架故障引起的振动频率f保持架由下式给出：f笼=1fr.1−BDcosπ（4）其中n是球的数量，是接触角，PD是节圆直径，BD是轴承的球直径，fr是转子速度（Hz），如图所示。 二、414KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411图二. 轴承的几何形状由于轴承缺陷引起的这些振动频率将通过影响气隙磁通密度而反映到定子电流频谱中（Obaid等人，2003年）。定子电流中的故障频率可以通过振动频率和基波分量使用以下公式计算。f轴承=|fs±m.fv|（五）其中m = 1，2，3。. . ，fbearing是定子电流中的特征故障频率，fs是基频，fv是不同故障的振动频率。类似地，广义粗糙度故障可分为（a）密封变形和（b）腐蚀（Frosini和Bassi，2010年）。广义粗糙度故障的预测是困难的，因为它们肉眼不可见，并且它们可能不会在振动和定子电流中产生特征故障频率（Schoen等人，1995;Stack等人，2004年c）。许多研究人员（Sun等人，2013年;Luo等人，2013;Wei等人，2011;Schoen等人，1995;Stack等人，2006;Zhongming等人，2001; Bellini等人，2008b; Kia等人，2007; Garcia-Perez等人，2011; Kim等人， 2013）集中于故障位置和严重性，其适合于第一类故障，即，单点缺陷另一方面，广义故障的检测是一个具有挑战性的任务，研究人员，由于其渐进的性质。 即使在Stack等人提出的广义故障的估计。（2004 b），Zhou et al.（2009），Kompellaet al. （2013）和El Houssin et al. （2013年）有几个缺点。 例如，在Stack et al.（2004b），它需要关于频谱分布、谐波和偏心率等的详细知识。 在Zhou et al. （2009）提出的广义粗糙度故障检测方法可以通过消除健康分量来检测广义粗糙度故障，并通过消除噪声后定子电流的均方根值来估计故障。但是，作者没有讨论在噪声存在下的故障分析和分类。在Kompella等人（2013）中使用FFT进行故障分类和分析，存在噪声问题，并且故障分量被噪声抑制，特别是在早期阶段。 在El Houssin et al.（2013）离散小波变换（DWT）分析是用频率减法提出的，由于谱减法是在没有任何滤波器的情况下执行的，所以它没有给出好的结果。与此相反，本文提出了轴承故障的检测，使用噪声消除与DWT分析的自适应滤波器（维纳滤波器）。定子电流中的故障前分量的主导被抑制，通过使用维纳滤波器以实时方式消除它们。为了提高分辨率，采用离散小波变换对噪声消除后的定子电流进行除此之外，故障的严重程度可以估计使用统计参数，即标准偏差（SD）和小波系数的能量作为故障索引参数。为了提高故障指标参数，更好地指示故障，提出了小波系数的功率谱密度2. 系统建模提出的轴承故障检测拓扑结构的框图如图所示。3.第三章。 在第一阶段，利用电流传感器获得轴承正常和故障状态下的定子电流，并由数据采集系统进行处理。在第二阶段，对定子电流信号进行维纳滤波，抑制故障前分量的主导分量。之后，噪声消除定子电流分解使用DWT在足够的水平取决于采样频率，额定转速等。在下一阶段的小波系数的功率谱密度（PSD）的计算，并用于估计故障的严重程度。在故障检测的最后阶段，统计参数SD和能量的计算，以指示故障的严重程度。KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411415Σ图三.提出的轴承故障检测拓扑结构框图。2.1. 噪声消除在感应电机的健康条件下（相对于轴承缺陷），定子电流通常包括基波分量、谐波和噪声分量（传感器和EMI）（Zhou等人，2009年）。这些分量在轴承故障发生后仍会保留下来，并在故障初期占主导地位。因此，在定子电流中的健康成分的预测和取消在一个实时的方式使用维纳滤波器。下面描述维纳滤波器的设计定子电流的数学模型由下式给出：Mx（n）=x0（n）+ Aksin（hω0n）+xn（n）（6）h=0哪里x0（n）基本分量xn（n）传感器和EMIωo基频谐波分量的hb（n）轴承故障分量Xf（n）轴承故障时的定子电流n0延迟单元维纳滤波器的PW（z）维纳滤波器每当轴承故障发展时，故障分量将被添加到定子电流和等式中。（6）成为xf（n）=x（n）+b（n）（7）其中b（n）是轴承故障分量，并且通过消除电机电流的健康分量来估计。从故障电流中简单减去健康分量（ElHoussin等人，2013）由于噪声的随机性质而不会给出良好的性能。因此，在本文中的定子电流的健康成分被视为噪声，并通过使用自适应滤波器（维纳滤波器）在一个实时的方式被取消。使用维纳滤波器消除噪声的过程如图4所示，并在图4中重新绘制。五、见图4。 定子电流噪声消除。416KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411Σp⎬--p⎭Σw（k）w（k）⎭图五.基于维纳滤波器的噪声消除。2.2. 滤波器设计在本节中，采用Zhou等人（2009）中的维纳滤波器设计来获得滤波器的系数。滤波器系数在最小均方意义上被设计以最小化预测误差ε。这种误差的出现是由于估计的分量与定子电流的原始分量的偏差。如果预测的分量与轴承健康状况下的原始分量相同，则滤波器被认为是理想的。 即 x<$（n）<$x（n）. 噪声的预测分量由下式给出：px（n）=w（k）xf（n−n0−k）（8）k=0其中p是滤波器的阶数，并且n0是延迟单元的数量预测误差由下式给出：e（n）=|x（n）− x（n）|（九）然后是方程的均方误差。（8）和（9）由下式给出E=E. e（n）e（n）=E，|e（n）|第二条第十款E=E 、|e（n）|二、=E|x(n) −k=02w（k）xf（n−n0−k）|（十一）其中E.代表着期待。为了最小化等式中的预测误差，（11），关于w（k）对k求导并等于零。然后E=E.2e（n）e（n）=0（12）通过简化Eq. （十二）E{e（n）x（n-n 0-k）}= 0，k = 0，1，. . 中文（简体）这就是所谓的正交性原理，可以修改如下⎧⎨⎡Σ⎤⎫⎬Ex（n）−j=0w（j）x（n−n0−j）<$x（n−n0−k）=0（14）由于假设信号x（n）是广义平稳的，因此x（n）的自相关序列由下式给出：p⎫KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411417w（j）r x（k-j）= r x（n0+ k），k = 0，1，2，. . . p（15）j=0418KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411⎢⎥Σjωn⎢⎥⎢=⎥.n在矩阵形式中，（15）可以写为rx（0）rx（1）···rx（p）中文（简体）rx（n0）<$rx（1）rx（0） ···rx（p−1）<$$>w（1）<$....rx（n0+1）- 是的..⎦⎣（）。⎦r x（p） rx（p−1）··· rx（0）w p当量（6）可以写得更简短，rx（n0+p）Rx W=rdx（17）其中Rx是自相关矩阵，W是滤波器系数，并且是期望信号和观测信号之间的rdx互相关矩阵滤波器系数可以如下获得：W=R−x1rdx（18）2.3. 故障估计当轴承故障发展时，滤波器的预测能力下降。然后，噪声消除后的预测误差将增加，轴承故障频率可以很容易地从定子电流中提取出来，如下所示pb（n）=x（n）− w（k）xf（n−n0−k）（19）k=0在轴承的健康状态下，Eq。（19）由于预测误差而具有最小值，并且将随着轴承故障的发展而增加如果发生严重故障，该值变高特别是在故障的初期阶段在现阶段，从定子电流中提取故障分量是非常困难的。因此，噪声消除后的定子电流的频谱分析在下面的小节中给出在从（19）评估故障分量之后，可以用两种方式进行频率分析。2.3.1. FFT轴承故障分量的FFT分析将给出故障的完整细节，如频率响应和幅度响应。FFT分析可以使用下面的表达式来完成。N−1B（ω）= b（n）e−（20）n=0例其中N是信号b（n）的长度，ω = 2 πmn/N，m = 0，1，. . . N-1。2.3.2. DWT轴承故障信号b（n）可以使用DWT表示为近似系数和细节系数，其分别表示低频分量和高频分量（Hedayati Kia等人， 2009年）。 在这项工作中，采用Daubechies小波来使用以下表达式计算每个级别中的近似和细节系数（HedayatiKia等人， 2009年）。A1（m）=<$L（n−2m）b（n）（21）D1（m）=H（n−2m）b（n）（22）（十六）KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411419n420KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）4118srf=Σm=0m=1=nn表1机器详情。S. 号铭牌详图评级1额定功率2.2 kW2额定转速14353额定电压415 V4额定电流4.4 A其中，A1、D1是第1级的近似系数和细节系数，L、H分别是低通滤波器和高通下一级的近似系数和细节系数可以使用A1、D1从以下等式获得。A2（m）=<$L（n−2m）A1（n）（23）D2（m）=H（n−2m）D1（n）（24）n类似地，可以如下从第j-1级系数获得第j级系数Aj（m）=<$L（n−2m）Aj−1（n）（25）Dj（m）=H（n−2m）Dj−1（n）（26）n分解级别j可以通过使用在这里。Fsj=整数<$ln2−1<$（27）其中Sr是滑移，f是基本分量。在计算第j层系数之后，可以使用两个参数来进行故障估计这些准则是故障系数与健康系数的标准差之比λ和故障系数与健康系数的能量比λ。.中国（D（m）-D平均值（m））2（二十八）λ=0。N2m=1（Dh（m）-Dh平均值（m））N−1|D（m）|2N−1|D h（m）|2这些参数也被用来指示故障的严重性。3. 轴承故障频率实验装置（二十九）实验装置如图所示。 六、感应电动机的铭牌详情见表1。机器通过三相自动Transformer运行。该电机是机械加载的，以获得健康和故障条件下的电流样本。数据采集系统（NI MY DAQ）和电流传感器LEM LA 55P用于获取两种情况下的定子电流。采样频率取10 KHz。将从数据采集器采集到的定子电流数据处理到MATLAB中，对算法进行了实际测试本实验采用SKF6206ZZ单列深沟球轴承作为试验轴承。试验轴承6206ZZ安装在驱动端轴上。轴承的规格为：PD = 1.83英寸，BD = 0.375 in.，n= 9和00。表2显示了使用（1）-（5）计算的上述试验机的故障频率。KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411421见图6。轴承故障检测实验装置。表2轴承故障频率。空载频率（Hz）满载（12.73 N-M）频率（Hz）Foutf客栈f球f融合器Foutf客栈f球f融合器fr24.824.824.824.823.923.923.923.9m= 1138.8184.610870135179.610664.4m= 2227.7319.216680221309.3161.878.8m=−1 38.8 84.6 8353579.6635.5m=−2127.7219.26620121209.361.821.84. 结果讨论在这一部分中，仿真和实验结果的轴承故障检测的三相感应电动机已被提交。所提出的拓扑结构的流程图如图所示。7.第一次会议。 首先从数据采集系统中提取定子电流，并进行恒频校验。如果它具有恒定的频率，则该电流被用于第一次设计维纳滤波器系数，并且在下一次中它被处理用于噪声消除。否则，再次检测定子电流，直到频率恒定。然后，利用小波分析将消噪后的定子电流分解为近似系数和细节系数，并计算各系数的功率谱密度。利用所需水平系数的功率谱密度计算故障指标参数，以估计故障严重程度。422KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411见图7。提出的故障检测拓扑的流程图。4.1. 仿真结果在该仿真工作中，定子电流的故障前分量使用（6）建模，其基频为50 Hz，其5次、7次和11次谐波分量分别为250 Hz、350 Hz和550 Hz。传感器和EMI噪声通过具有较小信噪比（SNR）的高斯白噪声（WGN）来建模。维纳滤波器使用阶数p= 2000的（18）设计，并使用宽范围的故障频率进行训练4.1.1. FFT分析在这方面，健康的定子电流与噪声消除和没有进行FFT分析，并与故障条件下的轴承。单点缺陷的轴承故障频率取自表2，并引入定子电流以测试滤波器性能。广义粗糙度故障测试与不同的故障严重程度。噪声消除之前和之后的健康定子电流分别如图8（a）（b）所示。在健康条件下噪声消除后的该噪声本底将变得严重，特别是在故障的初始阶段。KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411423基波分量五次谐波七次谐波十一次谐波噪声基底5（一）0.80.60.40.200 200 400 600 800 1000 1200 1400 1600 1800 2000频率（HZ）（b）x 10-4432100 200 400 600 800 1000 1200 1400 1600 1800 2000频率（Hz）见图8。健康定子电流频谱（a）噪声消除前（b）噪声消除后。4.1.1.1. 单点缺陷。在表2中的空载情况下，对单点缺陷类型的噪声消除后的轴承故障进行FFT分析。将外圈、内圈、保持架故障和钢球缺陷的故障频率依次以不同的幅值引入定子电流中，并通过噪声抵消从电流谱中提取出来，如图所示。 9（a）-d）。结果表明，对于严重故障，FFT分析具有良好的性能，且本底噪声较小在故障初期，噪声基底占主导地位的故障分量。这是FFT分析中的主要问题，特别是在故障的早期阶段。4.1.1.2. 广义粗糙度利用FFT分析估计非周期性（广义粗糙度）故障具有这样的局限性，即这些故障没有将任何特征故障频率施加到定子电流谱中。这些故障会将宽带和不可预测的频率施加到定子电流中。因此，在本节中，引入具有不同幅度的随机值的故障频率，以测试针对各种故障严重度的所提出的方法故障幅度0.1%、1%和5%用于测试。对噪声消除后的广义故障定子电流频谱进行FFT分析，如图所示。 10（a）-（c）. 这些结果表明，FFT分析适用于距离健康分量很远的频率，而对于距离健康分量较近的频率，如基波和谐波，则存在一些分辨率问题图10（b）（c）示出了本底噪声在故障分量中占主导地位，特别是在故障的初期阶段。这个问题可以通过下一节介绍的DWT分析来解决。4.1.2. 小波分析在本节中，基于小波变换的噪声消除由Daubechies族8（db8）小波函数执行，并且轴承故障信号b（n）使用等式（1）被分解为8级。（27）. 然后，取第8层的近似系数和细节系数，执行本文提出的两个准则。计算了标准差λ和能量λ的比值，并与PSD值的比值进行了比较。噪声消除后的健康定子电流和笼型故障的分解如图1和图2所示。 十一比十二 从图在图11 -12中观察到，小波系数的直接可视化不给出关于故障存在及其严重性的任何信息。因此，下面提出了基于故障索引的故障估计。图13示出了具有不同量级的4类故障的故障索引参数的条形图。在定子电流中引入不同幅值的故障频率，分别为0.1%、1%和5%，并利用所提出的轴承故障检测方法进行了检验。对于初期故障，即幅度为0.1%的故障在两个参数中的指示较少幅度（A）幅度（A）1424KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）41138.8Hz138.8Hz127.7Hz227.7Hz噪声基底83.7Hz227.3Hz183.7Hz317.4Hz噪声基底30.3Hz69.7Hz40.1Hz59.9Hz噪声基底7.7Hz107.7Hz165.4Hz65.4Hz噪声基底（一） 6x 10-44200 200 400 600 800 1000 1200 1400 1600 1800 2000频率（HZ）（b）x 10-4100 200 400 600 800 1000 1200 1400 1600 1800 2000频率（HZ）（c）第（1）款86x 10-54200 200 400 600 800 1000 1200 1400 1600 1800 2000频率（Hz）（d）4x10-532100 200 400 600 800 1000 1200 1400 1600 1800 2000频率（Hz）见图9。噪声消除后的定子电流。(a)外圈（b）内圈（c）保持架故障（d）滚珠故障。这是由于维纳滤波后噪声占主导地位直接计算故障指标参数分辨率低，故障信息少，特别是在早期阶段。因此，提出了基于功率谱密度的故障索引参数计算，并在下文中给出。图14中示出了基于功率谱密度的故障索引参数。功率谱密度提高了小波系数和故障指标参数。因此，提高了故障指标参数的指示性，并提供了有关故障的明确信息，特别是在早期阶段（0.1%）。图中的条形图。 14（a）&（d）与图相比有所提高。 13（a）&（d）. 这说明功率谱密度在小波分解中的重要性 以类似的方式，广义粗糙度故障具有相同的变化幅度（0.1%，1%和5%）与建议的拓扑结构进行了检查，并在图中示出。 十五岁 从该图可以看出，幅度（A）幅度（A）幅度（A）幅度（A）KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411425故障分量噪声基底故障分量噪声基底故障分量噪声基底（一）5x 10-5（b）第（1）款005005x 10-5频率（Hz）1000 1500（c）第（1）款005001x 10-50.500500频率（Hz）频率（Hz）1000 15001000 1500见图10。不同幅值的定子电流的FFT分析，（a）5%故障幅值，（b）1%故障幅值和（c）0.1%故障幅值。1x 10-3b（n）0-102000400060008000100001x 10-3cd10-10 2000 4000 60005x 10-4cd305x 10-4ca80-50 20 40 605x 10-4cd20-50 1000 2000 30005x 10-4cd40-505x 10-40500CD510001500-505x 10-40200 400 600 800CD6-505x 10-40100 200 300400CD7-505x 10-4050 100 150 200CD8电话：+86-510 - 8888888传真：+86-510 - 8888888见图11。消噪后健康信号的小波分解SD在基于PSD的计算中显示出良好的变化，而参数能量即使在PSD之后也将保持不受影响。将使用第3节中提出的实验装置进行相同的检查，结果见以下小节。4.2. 实验结果在轴承故障检测拓扑的实验装置中，使用电流传感器在轴承健康状态下从感应电机获取定子电流，并由NI MYDAC进行噪声消除处理。定子电流以10 kHz的频率采样，并在MATLAB编程中进行归一化然后，定子电流进行处理，使用维纳滤波器系数的噪声消除和分解成8个层次，使用DWT分解。利用小波系数计算故障指标参数，无需功率谱密度（PSD）。对于PSD情况，对小波分解后的小波系数进行功率谱密度计算，然后利用功率谱密度计算故障指标参数。保存使用和不使用PSD的故障索引参数的这些值，用于计算前一节中提出的故障率M a g n it ud e（A）M a g n it ud e（A）M a g n itu d e（A）426KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）4111 2 3外圈故障内圈故障保持架故障焊球缺陷2x 10-3b（n）0-20 2000 4000 6000 8000 100001x 10-3cd10-10 2000 4000 60005x 10-4cd30-50 500 1000 15005x 10-3cd50-50 100 200 300 4005x 10-3cd70电话：+86-510 -8888888传真：+86-510 -88888882x 10-3ca80-20 20 40 601x 10-3cd20-10 1000 2000 30001x 10-3cd40-10 200 400 600 8005x 10-3cd60-50 50 100 150 2001x 10-3cd80-10 20 40 60见图12。噪声消除后外圈故障的小波分解。（一）21.510.50（d）其他事项3211 2 3（b）第（1）款1086420（五）3020101 2 3（c）第（1）款3020100（f）第（1）款1501005001 2 301 2 301 2 3图十三.无PSD的故障索引参数（1# CD6、2# CD7和3# CD8）。(a)0.1%故障的SD，（b）1%故障的SD，（c）5%故障的SD，（d）0.1%故障的能量，（e）1%故障的能量和（f）5%故障的能量。现在，为了测试所提出的轴承故障算法，将故障轴承（外圈、保持架和广义粗糙度）依次插入机器中，并重复整个过程，以获得每种情况下的故障索引参数故障参数与健康参数的比值如图16所示。在图16中，外圈故障的影响小于保持架故障。说明外圈故障处于早期阶段，保持架故障处于严重阶段。图中的标准差和KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411427能量。图16（a）&（b）显示了与能量相比，标准偏差的性能较差。特别是对于外圈故障，标准差的指示性较差，难以估计故障。在能量参数的情况下，小波变换系数具有良好的指示性，易于对故障分量进行早期预测。但是在计算小波系数的功率谱密度之后，两个参数中的早期故障指示都大大改善，并且具有良好的故障迹象，如图16（c）-（d）所示因此，小波系数的功率谱密度极大地突出了故障指示在这两个参数的所有类别的故障。在广义粗糙度故障的情况下，故障指示参数的比率如图所示。 十七岁 在这种情况下，故障索引参数也大大提高了使用功率谱密度，如在仿真部分中提到的。428KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）4110.1%故障1%故障5%故障（一）43210（d）其他事项864201 2 31 2 3（b）第（1）款806040200（五）30020010001 2 31 2 3（c）第（1）款4003002001000（f）第（1）款80060040020001 23外圈故障内圈故障笼故障焊球缺陷1 2 3见图14。PSD故障索引参数（1# CD6、2# CD7和3# CD8）。(a)0.1%故障的SD，（b）1%故障的SD，（c）5%故障的SD，（d）0.1%故障的能量，（e）1%故障的能量和（f）5%故障的能量。（一）54321012（b）第（1）款2001501005001 2图十五岁不同故障严重度（1#SD，2#能量）的广义粗糙度故障的故障指数参数（a）无PSD和（b）有PSD。（一）151050（c）第（1）款6040200KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）4114291 2 31 2 3（b）第（1）款3020100（d）其他事项2001501005001 2 3图十六岁使用无功率谱密度（1#CD6、2#CD7和3#CD8）的实验故障索引参数（a）无PSD的SD(b)不含PSD的能量，（c）含PSD的 SD和（d）含PSD的能量430KCD Kompella等人/Journal of Electrical Systems and Information Technology 3（2016）411健康状况STD能源25201510501 2图17.不使用功率谱密度（1#无PSD，2#有PSD）的广义粗糙度故障的实验故障索引参数有无PSD的标准偏差和能量如图所示。 十七岁如图17所示，在基于PSD的计算之后，参数得到了极大的改善。因此，利用小波分析的功率谱密度进行噪声抵消的轴承故障检测，与传统的小波分析相比，得到了良好的效果5. 结论本文提出了一种基于定子电流信号分析的异步电机轴承早期故障检测方法。定子电流的健康成分估计和消除使用维纳滤波器系数。计算故障定子电流与正常定子电流的标准差和能量比作为故障指标。提出了两种用于轴承故障检测的频域分析方法定子电流消噪后的离散小波变换分析克服了快速傅立叶变换分析早期故障的缺点所提出的方法已显示出改进的性能，使用基于功率谱密度的DWT分析。在严重故障阶段，故障指示参数SD和能量表现出几乎相同的性能在初期阶段，SD显示出一些良好的指示相比，PSD分析。尽管在PSD计算后SD仍保持相同的指示，但能量指示突然升高至最大值。因此，基于能量的PSD故障检测与其他故障检测相比，具有良好的效果结果证实了所提出的技术的有效性。在未来，可以通过适当的去噪技术（如小波去噪和反卷积）来减少严重噪声的影响，并且可以使用更好的误差最小化技术来设计维纳滤波器系数确认作者对R.Naga Sreenivasu，IRSE，印度铁路，他对研究工作的支持。引用Bellini，A.，Immovilli，F.，鲁比尼河，塔索尼角，2008年a。 用振动或电流信号诊断感应电机轴承故障的关键比较。In：ConfRec.IEEEIASAnnu. 会议，埃德蒙顿，AB，加拿大，10月，pp。1-8号。Bellini，A.，Yazidi，A.，Filippetti，F.，罗西角，澳-地Capolino，G.，2008年b。感应电机转子故障检测的高频分辨技术。IEEETrans.Ind.Electron.55（December（12）），4200-4209.Blodt，M.，Granjon，P.，Raiso，B.，Rostaing，G.，2008年 利用定子电流监测的感应电动机轴承损伤检测模型。IEEETrans. Ind.Electron.55（April（4）），1813-1822.El Houssin，El Bouchikhi，Choqueuse，Vincent，El Hachemi Benbouzid，Mohamed，2013. 电流频谱减法及其在感应电机轴承状态监测中的应用。IEEETrans. 能源转换器。28（March（1）），135-144.埃伦湖Devaney，M.J.，2004. 通过定子电流的小波包分解进行轴承损伤检测。IEEETrans. 仪器Meas. 53（April（2）），431-436.Filippetti，F.，Franceschini，G.，塔索尼角，一九九五年 神经网络辅助感应电动机转子故障在线诊断。 IEEE Trans. 印第安纳 Appl.31（July/August（4）），892-899.弗罗西尼湖Bassi，E.，2010. 定子电流和电机效率作为感应电机不同类型轴承故障的指标。IEEETrans.Ind.Electron.57（January（1）），244-251.