基于MUSIC算法的電動(dòng)機(jī)斷條故障檢測(cè).pdf

1、電機(jī)故障診斷是指在線監(jiān)測(cè)電機(jī)運(yùn)行相關(guān)參數(shù)(如電流、電壓、磁通、轉(zhuǎn)速、溫度、噪聲、振動(dòng)、局部放電等)并采用適當(dāng)?shù)姆椒ㄔu(píng)估電機(jī)當(dāng)前的運(yùn)行狀態(tài)；若電機(jī)處于故障狀態(tài)，則進(jìn)一步確定故障的類型、發(fā)生部位、嚴(yán)重程度。這項(xiàng)技術(shù)的出現(xiàn)是電機(jī)在線監(jiān)測(cè)領(lǐng)域的一次革命，它使傳統(tǒng)的事后維修方式轉(zhuǎn)變?yōu)轭A(yù)知維修方式，極大地提高了電機(jī)運(yùn)行的安全性，減少了很多不必要的經(jīng)濟(jì)損失。
　　 電機(jī)電流信號(hào)分析方法(Motor Current Signature Anal

2、ysis)是電機(jī)故障診斷技術(shù)的一個(gè)分支，它的主要原理是通過對(duì)電機(jī)電流的監(jiān)測(cè)來檢測(cè)電機(jī)的故障情況。具體到籠型異步電機(jī)的斷條故障檢測(cè)，是通過對(duì)電機(jī)定子電流作頻譜分析，提取故障特征分量，從而達(dá)到檢測(cè)目的。傳統(tǒng)的頻譜分析方法是用傅里葉變換，然而，異步電動(dòng)機(jī)轉(zhuǎn)子斷條后，定子電流中出現(xiàn)的故障特征分量(1±2s)f0離基頻分量極近且幅值很小，傅里葉變換要得到這么高的分辨率必須有足夠的采樣數(shù)據(jù)長(zhǎng)度(即較長(zhǎng)的采樣時(shí)間)，這樣不僅使運(yùn)算量加大，而且易受到負(fù)

3、荷波動(dòng)的影響，所以，傅里葉變換并不適用于異步電子轉(zhuǎn)子斷條故障的檢測(cè)。
　　 MUSIC算法即多信號(hào)分類算法(Multiple Signal Classification)是空間譜估計(jì)發(fā)展史上具有里程碑意義的算法。它的基本思想是通過對(duì)信號(hào)的自相關(guān)矩陣的特征值分解，將信號(hào)的特征空間分解為同信號(hào)分量對(duì)應(yīng)的信號(hào)子空間和同信號(hào)分量相正交的噪聲子空間，利用這兩個(gè)空間的正交性來估計(jì)信號(hào)的頻率。它在理論上具有任意高的分辨率，通過仿真還表明它還具