基于电流特征分析的电机故障诊断研究进展

现代经济依赖于制造、能源、石化、交通和国防设备的可靠和不间断运行。实施故障预测和健康管理（PHM）技术是确保设备安全运行的重要方向。电机具有成本低、经久耐用、功率重量比高、能量转换率高等特点，已逐渐成为各行各业的核心驱动设备。 

电机故障普遍存在，因此状态监测和故障诊断至关重要。恶劣的工作环境和频繁的负载变化是电机故障的主要原因。电机故障或突然停止运行，除了对电机本身造成危害外，还会严重危及整个生产系统的安全，造成重大的生产损失。因此，需要对电机进行及时的状态监测和故障诊断，以防止意外事故的发生。对电机进行及时评估还能安排最佳维护策略，例如：何时更换关键部件、最大限度地提高可用性、减少停机时间和降低维护成本。

据统计，风力发电机发生电机故障的概率约为22.8%，采煤机电机故障率约为19.78%，井下排水泵电机故障率约为26.85%。因此，研究电机故障、及时发现早期故障并进行维护，对于确保电机安全运行、降低维护成本具有重要意义。

电机故障诊断可采用多种信号，包括振动、电流、电压、磁通、红外热成像等信号。其中，通过振动信号诊断电机的研究最多。振动信号分析通常效果很好，但振动传感器价格昂贵，安装也很困难，尤其是在空间紧凑的环境中。此外，振动激励源经过较长的传播路径才能到达振动传感器，这就导致振动信号中会包含噪声和其他部件的振动信息。上述因素使振动信号分析变得复杂，限制了其在工业领域的广泛应用。

作为一种非侵入式诊断方法，电机电流纯粹地反映了电机的运行情况。基于电机电流特征分析(MCSA)的故障诊断具有以下几个优点：a)电流信号易于采集，只需将电源线穿过电流传感器即可；b)信号采集不会干扰系统运行；c)采集的信号对环境噪声具有鲁棒性；d)电流传感器价格便宜。鉴于上述优点，基于MCSA 的故障诊断技术越来越受到研究人员的青睐。

为了实现电机故障检测，出现了各种基于 MCSA 的方法。本文在Web of Science数据库中以"电流特征分析"和"电机故障"为关键词进行搜索，共检索到 142 篇研究论文。搜索时间范围设定为 1990 年至 2022 年，图1是检索到的论文分布条形图。可以看出，自2011年以来，基于MCSA的研究文章数量显著增加。 

图1 检索到的论文

尽管 MCSA 发展迅速，但目前还没有系统的综述。Mehrjou 等人仅综述了感应电机转子的典型故障及其诊断方法。Choudhaly 等人综述了使用振动、声发射、扭矩、电流和红外热成像等不同传感器信号监测电机的方法。Gangsar 和 Tiwari综述了用于电机诊断的振动信号和电流信号分析方法，并着重总结了人工智能技术在电机诊断中的应用。还有一些相关领域的综述论文，但都没有全面地总结基于电流信号分析的电机故障诊断方法。

理论上，电机正常运行时的电流信号只包含电源频率。电机退化会改变电机内部的气隙磁场和转矩，从而在定子电流信号中产生谐波。电机的类型按其结构和工作原理可分为直流电机、异步电机和同步电机。异步电机包括感应电机和交流换向器电机，同步电机包括永磁同步电机(PMSM)、磁阻同步电机和磁滞同步电机。其中，感应电机和永磁同步电机的应用最为广泛。交流感应电机具有成本低和高坚固性的优点，因此被广泛应用于轨道交通系统中。永磁同步电机具有性能高、功率密度大、体积小等优点，目前广泛应用于电动汽车、医疗设备、家用电器等领域。感应电机故障可分为两类：电气故障和机械故障。表1列出了感应电机的典型故障模式、原因和影响。对于感应电机，电气故障主要包括定子绕组匝间短路、转子断条和转子环断裂；机械故障包括轴承故障和气隙偏心。除电机制造缺陷外，恶劣的运行环境和长期超负荷运行也容易导致电机故障。   

表1 感应电机故障成因及影响

如图2所示，永磁同步电机也存在机械故障或电气故障，永磁故障是永磁同步电机特有的故障模式。由于永磁材料的稳定性容易受到影响，当外部磁场发生变化或在高温下运行时，电机中的永磁体就会出现退磁现象。此外制造缺陷和负载波动过大也会导致此类故障。退磁故障会导致转矩异常、转速波动和振动异常，进而导致电机性能严重下降甚至损坏。   

图2 PMSM故障模式

为了阐明基于电流信号的电机故障诊断，本节分析了轴承故障、定子绕组匝间短路、转子断条和气隙偏心等故障的产生机理，并给出了电流信号中相应的故障特征频率。

2.1 轴承故障

轴承缺陷会在电机运行过程中引起周期性振动。这种周期性振动频率又称滚动轴承故障振动特征频率，与轴承的几何形状、损坏位置和转速有关。滚动轴承内圈、外圈和滚珠故障的振动特征频率可表示为

其中，N表示滚动球的数量；fr表示转速；d是滚动体直径；D是节圆直径；α是轴承的接触角。

一旦轴承发生故障，伴随的机械位移将改变气隙，气隙的变化将产生相应的电流谐波，其频率受振动和电源频率的影响。因此，电流信号中轴承故障的特征频率表示为

其中，；表示供电频率；表示轴承损伤的振动特征频率。   

2.2 定子绕组匝间短路

定子绕组匝间短路大多是由于绝缘层损坏或某个绕组的线圈性能下降造成的。在所有电机故障模式中，定子绕组匝间短路故障约占 30%，是第二大容易发生的故障。以感应电机A相匝间短路为例，其故障原理如图3所示。定子绕组 Ra 分为正常绕组和故障绕组。此外，为短路电阻，为短路电流。

图3 定子绕组ITSC原理

匝间短路故障主要是由于过压、过载、绕组阻尼、磨损、异物侵入电机内部等原因造成绝缘层失效。在故障初期，电机仍能正常运行。但是，如果不及时处理这种早期故障，短路部分的电流增大会导致线圈局部过热，从而破坏相邻线圈的绝缘层，使短路匝数继续增加。一方面，有观点认为绝缘层达到击穿温度的时间只有1-2秒。另一方面，虽然没有实验数据表明匝间绝缘击穿和地壁绝缘击穿之间的时间延迟，但这两种状态之间的转换可能不是瞬时的。因此，匝间短路的早期检测值得研究。在电流信号频谱中，故障的特征频率表示为

对于定子绕组匝间短路的诊断，可以利用电流的负序分量来构建故障指标。当故障发生时，定子绕组不再对称，因此会产生相应的负序分量。然而，负序分量的产生并不局限于这种故障。电源电压不平衡、电机和负载固有的不对称、转子断条等都会导致电流信号负序分量的产生。此外，负序分量的大小与转子断条的严重程度呈正相关。因此，仅使用负序电流很难识别定子绕组的匝间短路。   

2.3 转子断条

图 4 显示了不同故障严重程度的转子断条。电机结构和材料的缺陷会导致转子断裂。此外，电机启动或重载时，流经转子条的电流较大，温度升高，也容易导致转子断条。

图4 转子断条 (a) half-BRB (b) 1BRB (c) 2BRB 

理想情况下，电机正常运行时电流信号中只显示电源频率。当断条迫使转子不对称时，磁通中会出现频率为 (1±2s)fs 的附加分量，从而导致定子电流信号中产生相同频率的谐波。随后，增加的频率为 (1±2s)fs 的谐波不断产生频率为 (1±4s)fs 的电流谐波。根据上述原理，转子断条最终在定子电流中产生的特征频率为

2.4 气隙偏心

对于健康的感应电机，定子和转子之间的气隙是对称的，定子和转子的几何中心重合。但是，如果旋转轴与定子的几何中心不重合，气隙就会发生变化，这就是气隙偏心。如图 5 所示，气隙偏心可分为静态偏心和动态偏心，蓝色箭头表示转子旋转的路径。静态偏心是指转子轴线偏离定子轴线，但在旋转过程中转子轴线不会发生变化。相反，在动态偏心电机中，转子除了旋转外，还相对于定子轴线旋转。   

图5 气隙偏心 （a）静偏心 （b）动偏心

高负载、材料不均匀和装配误差都可能导致气隙偏心。电机的气隙偏心会导致磁拉力不平衡或径向力不平衡。此外，气隙偏心还会在电流信号中产生额外的谐波，其特征频率为

传统的 MCSA 技术使用快速傅立叶变换 (FFT) 对电流信号进行频域分析，计算出电机各部件的故障特征频率，进而识别电机的健康状态。然而，这种方法通常只能有效分析电机在稳态下采集的数据。此外，由于电源谐波、负载波动、转速变化等因素的影响，电机在轻载或空载运行时很难准确检测出故障，基于传统 MCSA 技术的 PHM 应用案例也鲜有报道。因此，学者们针对传统技术存在的问题开展了一系列研究。

本节从频谱分析、时频分析、解调变换和人工智能等方面总结了基于 MCSA 的电机故障诊断方法。

3.1 频谱分析

频谱分析是基于 MCSA 的电机故障诊断的经典技术。电机故障会在电流信号中产生谐波，而这些谐波在时域中很难被检测到。频谱分析将时域电流信号转换为频域信号，然后利用频率、幅值和相位来识别故障。然而，电压不平衡和负载波动产生的谐波很容易与转子断条和定子绕组匝间短路等故障谐波相混淆。因此，简单的频谱分析技术已不能满足电机诊断的需要。如表2所示，近年来提出了很多基于 MCSA 的诊断方法。我们将在本小节的其余部分回顾各子类的详细情况。 

表2 基于频谱分析的电机诊断方法

1) 电源频率抑制和特征增强

由于大多数机电系统使用 50/60 Hz 的电源频率，如果直接对采集到的电流信号执行 MCSA-FFT，则电机故障时的频谱将以电源频率为主，与健康状态下的频谱无异。陷波滤波器和反傅里叶变换都能成功去除稳态电流信号的电源频率。此外，电流信号的特征增强和去噪也有助于故障检测和识别。在这方面，人们提出了许多有效的技术。Rangel 等人利用数学形态学中的扩展运算对电流信号进行处理，扩展出需要检测的目标，进而在稳态条件下有效识别出转子断条。Rivera-Guillen 等人在对电机启动瞬态电流信号进行 FFT 处理后，使用频谱减法有效抑制了电源频率和噪声。图 6 显示了一种利用时移消除电流噪声的方法，通过将采集到的电流信号与自身的延迟信号相加，可以消除电流信号中的基波电流和奇次谐波。Drif 和 Marques 利用瞬时有功功率和瞬时无功功率的频谱来区分匝间短路和静态偏心，然后利用定子电压模量的频谱来区分电压不平衡和匝间短路。为了预测新出现的故障，Allal 和 Khechekhouche提出了电机电流归一化残差谐波分析方法。该方法分别对健康和故障条件下的电流信号进行线性归一化，然后使用频谱减法构建故障指标，以检测转子断条和定子绕组匝间短路。   

图6 基于时移的电流信号噪声消除技术[34]

电源频率抑制技术对于基于 MCSA 的电机诊断非常重要，结合适当的特征增强方法，可以有效提高故障识别精度。

2) 高分辨率频谱分析

高分辨率频谱分析是提高频谱估计分辨率的技术，是为了解决传统频谱分析技术分辨率弱的问题而提出的。如图 7 所示，Singh 和 Naikan使用多种信号分类技术分析电流信号。在该方法中，首先估算感应电机的转差，使用陷波滤波器处理电流信号，然后计算处理后信号的平方值。最后，该算法用于识别各种负载条件下的转子断条。Azouzi 等人结合奇异值分解（SVD）和卡尔曼滤波器（KF）来估计转子断条电流信号的故障频率、幅值和相位，如图 8 所示。这种方法可以在很短的采集时间内提高频域分辨率，而传统的周期图方法很难实现这一点。Samanta 等人提出了一种基于瑞利熵的频谱估计方法，故障检测方案如图 9 所示。在故障检测方案中，首先使用扩展卡尔曼滤波器去除基频，然后使用提出的频谱估计器估计转差、故障频率和振幅。该方法的优点是能快速估计故障频率和振幅、精度高、计算复杂度低，还能在轻载情况下检测转子断条。Guajardo 等人提出了一种用于诊断鼠笼式感应电机转子断条的多尺度泰勒卡尔曼方法。Elbouchikhi 等人利用最大似然原理从去噪信号中估计出故障频率，然后实现了稳态条件下轴承故障、转子断条和气隙偏心的故障识别。   

图7 基于电流信号的MUSIC

图8 融合了SVD与KF的MCSA

图9 基于瑞利商的检测方法

上述高分辨率频谱分析方法能有效估计故障频率和振幅，故障识别精度高。凭借这一优势，高分辨率频谱分析吸引了众多研究人员。然而，许多频谱估算器在估算故障频率和振幅时计算复杂度高、实时性差，这限制了此类方法在工业领域的应用。  

3) 高阶谱分析

有学者发现，大多数频谱分析方法通常只关注故障频率的幅值信息，而忽略了相位信息。因此，得益于故障相位的敏感性，高阶频谱分析被应用于电机定子和转子的故障检测。Saidi 等人利用双谱分析法准确识别了轻负载下的转子断条，但无法区分故障的严重程度。转子断条产生的边带振幅受转子惯性、负载变化、功率因数和机器阻抗的影响。为了准确评估故障严重程度，Gu 等人提出了一种调制信号双谱-边带估算方法，该方法能有效区分转子断条的严重程度。Ji 和 Liang 通过高阶频谱分析发现，定子匝间短路发生前后电流信号最大幅值处的双谱水平切片图完全不同。故障越严重，谐波越多，幅值越大。

虽然上述方法在检测电机故障方面较为准确，但它们都是在稳态信号下验证的，处理瞬态信号的能力尚不清楚。

3.2 时频分析

频谱分析只能反映信号的频域特征，不能反映信号的时域特征，只能用于处理稳态信号。为了同时分析时域和频域特征，利用时频分析技术获得信号的时频特征，进而提取故障特征，以满足非稳态条件下电机故障诊断需要。针对 MCSA，人们提出并应用了多种时频分析方法。这些方法包括线性时频表征法、双线性时频表征法、自适应参数时频分析法和自适应非参数时频分析法。

1) 线性时频表征法

线性时频表征是将信号分解为一系列时域和频域基的加权和的过程。为了分析非稳态信号，Antonino 等人使用基于 MCSA 的短时傅里叶变换（MCSA-STFT）来分析瞬时电流信号，从而有效地检测出早期转子断条。然而，MCSA-STFT 的窗宽是恒定的，无法进行自适应调整。

对于带窗口的时频分析，时间分辨率随采样频率的增加而提高，频率分辨率随采样时间的增加而提高。当信号信噪比较低时，需要提高采样频率以包含足够的故障信息。此外，还需要较高的频率分辨率。但是，时间分辨率和频率分辨率不能同时很高，否则计算量将过大。面对这一问题，可变时间定位和频率分辨率的特性使小波变换具有适合非稳态信号分析的缩放和自适应窗口功能。基于 MCSA 的连续小波变换（MCSA-CWT）和基于 MCSA 的离散小波变换（MCSA-DWT）也被应用于非稳态运行下基于电流信号的电机故障检测。  

然而，小波变换会对低频近似信号进行迭代分解，但不会对高频细节信号进行进一步处理。因此，它的时间定位能力较强，但对高频谐波的频率分辨率较低。为了增强高频谐波的频率分辨率，提出了基于 MCSA 的小波包分解（MCSA-WPD）。Teotrakool 等人在检测变速情况下的滚珠轴承缺陷时，首先使用二阶陷波滤波器抑制电流信号的基波。然后，MCSA-WPD 作为双通道滤波器，通过连续滤波和下采样实现，与故障频带相对应的小波包系数可用于计算故障检测的均方根值。

尽管小波变换在分析自相似或分形信号方面非常有效，但如何选择合适的小波基与电流信号结构相匹配仍然是一个问题。

2) 双线性时频表征法

双线性时频表征法反映了信号能量在时频域的分布。几乎所有的双线性时频分布方法都是在基于 MCSA 的 Wigner-Ville 分布（MCSA-WVD）基础上扩展而来的。它在时域和频域都有很高的分辨率。为了跟踪感应电机中的偏心相关分量，Alarcon 等人使用 MCSA-WVD 算法对启动瞬态电流信号进行时频分解。Jia 等人提出了一种基于 MCSA-WVD 的方法，用于检测启动瞬态下早期转子断条。由于 MCSA-WVD 存在交叉项，他使用离散小波变换对定子电流信号进行预处理，以消除谐波干扰和交叉项的影响。

MCSA-WVD 不涉及任何窗函数，因此具有较高的时频分辨率。但是，对于多分量电流信号，交叉干扰会降低该方法的有效性。为了减少交叉项干扰，人们提出了一些方法，如科恩类分布、仿射类分布和自适应最优核函数。这些方法的时频分析效果已在振动信号上得到验证，但在 MCSA 中却很少被提及。与 MCSA-WVD 相比，虽然这些方法的交叉项干扰得到了抑制，但时频聚焦也有所降低，因此如何实现这两方面的平衡至关重要。

3) 自适应参数时频分析法  

自适应参数时频分析方法基于原子分解，根据信号的结构特征，它们使用一组最符合时频特征的扩展函数来表示信号，扩展函数称为原子，由原子组成的集合称为字典。在文献中，Wang 等人设计了基于定子电流信号的时变余弦包字典，然后构建了稀疏表征模型，用于检测变转速下的轴承故障。Mohammad 等人使用匹配追寻技术处理电流信号以提取特征。Peng 等人提出了一种动态时间扭曲的移位不变字典来诊断非稳态条件下的退磁故障。首先，根据退磁故障下电流信号的特征，构建移位不变字典。然后，使用匹配追寻来表示电流信号，进而得到稀疏系数序列。最后，使用动态时间扭曲法计算测试数据与数据库之间的稀疏系数序列距离，并将其纳入训练过程。

自适应参数时频分析在非稳态信号分析中具有良好的潜力。时频字典是参数化谐波的集合，它是原子分解的基础，影响信号表征的稀疏性和时频分辨率。因此，如何设计能反映多分量电流信号时频特征的字典是一个重要问题。另一方面，如何改进大尺寸信号分解的优化方法，从而减轻计算负担，也是电流信号处理中的一个实际问题。

4) 自适应非参数时频分析法

自适应非参数时频分析法通过数据拟合或数据平滑提取信号中的每个调制成分。该技术无需事先构建任何基函数，完全由信号驱动，因此在 MCSA 中得到广泛应用。MCSA 中广泛使用的方法包括模态分解、局部均值分解（MCSA-LMD）和广义解调。

为了突出电机的故障特征，Ricardo 等人使用基于 MCSA 的经验模态分解（MCSA-EMD）来分析电流信号，仅通过计算一些模态之和以及过零次数来检测转子断条，如图 10 所示。然而，在这种方法中，稳态信号和非稳态信号的故障识别方法有很大不同，需要事先明确分析的电流信号是否为稳态信号。为了缓解 MCSA-EMD 中模态重叠、端点效应和计算复杂等问题，Song 等人提出了一种名为带自适应噪声的完全集合经验模态分解（CEEMDAN）的方法，如图 11 所示。这种方法解决了模态重叠问题，减少了重构误差，而且计算复杂度低。随后，CEEMDAN 验证了该方法能有效检测轴承外圈故障。Shi 等人利用基于 MCSA 的变模态分解（MCSA-VMD）提取了电流信号中的微弱故障特征，然后利用包络分析确定了稳态下电机轴承的故障频率。与 MCSA-EMD 相比，MCSA-VMD 可以解决模态混叠问题。   

图10 基于EMD的检测方法[57]

图11 基于CEEMDAN的检测方法[58]

MCSA-LMD 是 Smith 提出的一种自适应非稳态信号处理方法，可用于评估信号的瞬时频率和包络幅值。它将信号分解为幅值调制和频率调制的乘积，然后迭代分离信号的瞬时幅值和频率。在 MCSA 中，Zhang 等人使用 MCSA-LMD 算法从定子电流信号中提取瞬时幅值和频率，然后构建瞬时幅值的样本熵和瞬时频率的峰峰值，分别反映负载转矩变化和转速变化。最后，提出的方法被用于评估车床伺服转台的瞬态性能。然而，当瞬态运动不重复且与其他运动隔离时，MCSA-LMD 算法的末端效应可能会很明显，影响所获得的瞬时振幅和频率的准确性。   

广义解调时频分析方法利用广义解调将时频分布为曲线的信号转化为时频分布为平行于时间坐标轴的直线的信号。Li 等人测量了感应电机的非稳态单相电流信号，然后利用广义解调进行时频变换，以突出轴承故障特征。电流信号中往往混杂着电压不平衡和电机固有不对称引起的谐波。对于这种多分量的非稳态信号，如何解决迭代广义解调过程中参数选取引起的频谱混叠现象是一个重要难点。

上述时频分析方法虽然在电流信号上得到了验证，但每种方法存在的问题都不容忽视，如时频分辨率低、交叉项干扰、原子字典构建困难、缺乏参数选择标准、多分量频谱混叠等。

3.3 解调变换

当电机发生故障时，电流信号不仅受到电源基波和故障的调制，还包括电源波动和负载变化产生的谐波。解调变换技术的目的就是将原始电流信号分解为基波、故障谐波和环境噪声等多个分量，在抑制噪声的同时，防止故障被淹没在基波中。作为解调变换的典型技术，Park矢量变换、希尔伯特变换（MCSA-HT）、TKEO能量算子（MCSA-TKEO）等被广泛应用于基于 MCSA 的电机故障诊断中。图 12 显示了利用解调变换进行电机诊断的过程。该技术的基本步骤按顺时针方向显示，主要包括数据采集、解调变换和故障诊断。 

图12 基于解调变换技术的电机诊断流程图

Park矢量变换将三相定子电流信号转换为正交直流信号，可以消除工频的影响，突出信号中的故障特征。在传统的 MCSA 技术中，电压不平衡和匝间短路等故障频率相近，容易造成误判。在此基础上，Das 等人提出了扩展Park向量法（EPVA），通过检测不同频段的高频信号，有效区分电压不平衡和匝间短路。Sharma 等人在矩形坐标系上绘制了经过Park变换后的直流信号，并根据绘制的矢量圆与坐标轴的交点提出了故障指数。该方法可通过观察 Park 矢量圆的偏差来诊断定子绕组匝间短路的相位，同时通过指标的大小来评估故障严重程度。Mabrouk 等人提出了一种基于瞬时有功电流和无功电流来区分转子故障和负载振荡的方法。在该方法中，对基频附近的分量进行比较，转子断条下瞬时无功分量的幅值大于瞬时有功分量的幅值。

Ferhat 等人收集了 PMSM 在不同负载和转速条件下的三相电流和电压信号，并将其转换为正交空间矢量。然后对这些空间矢量进行FFT变换，以获得电流和电压的负序和正序谐波，并通过观察正序和负序谐波的变化来检测定子绕组的匝间短路。如图 13 所示，Hang 等人在同步旋转坐标系下建立了 PMSM 在健康和故障条件下的数学模型，并使用 Luenberger 观察器估计定子绕组匝间短路引起的电流残差。然后，根据电流残差矢量模平方的二次谐波构建故障检测指标和故障相位指标。Wei 等人提出了一种基于 Adaline 的短时谐波提取方法，用于从时变电流信号中分离出所需的二次谐波分量。这个故障指标可用于检测早期匝间短路故障，模型如下：  

其中，为常数系数，取决于磁通量和故障状况；；和为 ITSC 故障时的 dq 轴电流。可以看出，故障电流项与 k、ω 和 sin2θ 成正比，它们以二次谐波的形式存在。

图13 基于残差电流的检测方法[69]

上述文献中，基于Park矢量变换的方法在定子绕组匝间短路和转子断条的故障诊断中得到了有效验证。虽然该方法效果显著，但该方法无法对单相电流信号进行分析，需要同步采集电机的三相定子电流信号。这一特点无疑增加了工业应用的成本，因此该技术并不是电机 PHM 的首选。

除了Park矢量变换，解调变换技术中的代表性算法，如 MCSA-HT 和 MCSA-TKEO通常也能有效处理非线性和非稳态信号。Abdel-Malek 等人使用 HT 对电机启动时的瞬时电流信号进行包络分析，即使在空载条件下也能检测到转子断条。在此基础上，引入了统计分析技术，实现对转子轻微断条的检测，并有效评估断条程度。如图 14 所示，通过获取电流频谱来检查故障是否存在，该频谱显示了以低振幅频率边带分量表示的断条数量。根据检测到的断条数量，选择合适的数学公式。然后，在不同故障严重程度的情况下，使用所选公式为所有可能的位置生成多条曲线。最后，将测量信号的标准偏差与生成的曲线相匹配，以获得准确的位置，同时也表明故障的严重程度。 

图14 BRB检测方法 

Song 等人提出了一种不同负载条件下的轴承故障诊断方法，该方法利用 HT 提取定子电流信号的平方包络。随后，他们利用希尔伯特-黄变换（MCSA-HHT）获取轴承的瞬时相位并计算瞬时频率，从而消除了电源频率波动，准确识别轴承外圈损坏。Li 等人比较了 MCSA-FFT、包络分析和 MCSA-TKEO 在电流信号上的性能，发现 MCSA-TKEO 可以消除工频的影响。随后，他们将能量算子引入频域，构建了归一化频域能量算子，增强了故障特征，成功检测出转子断条。 

从上述文献来看，解调变换能有效检测典型故障，如电机轴承损坏、定子绕组匝间短路、转子断条等。然而，利用解调变换进行故障严重性评估还有待进一步研究。因此，后续研究可从建立故障程度评估指标入手，这对制定电机智能维护策略大有裨益。

3.4 人工智能

近年来，人工智能技术发展迅速，凭借强大的特征学习和分类能力，受到研究人员的青睐。如表3所示，应用于 MCSA 的人工智能技术可分为浅层学习算法和深度学习算法。

表3 基于人工智能的MCSA研究方法

浅层学习算法主要包括多层感知器（MLP）、随机森林（RF）、模糊逻辑（FL）、支持向量机（SVM）、决策树（DT）和线性判别分析（LDA）等。Seera 等人提出了一种混合智能模型，该模型由模糊最小最大（FMM）神经网络和随机森林组成，并将电流信号的功率谱密度输入该模型，以检测不同噪声水平的电机故障。Misra 和 Pahuja利用基频周围二次转差频率的上下边带构建故障指标，然后将该指标输入 FL 系统，以检测稳态条件下的转子断条情况。Abid 等人和 Gangsar 等人将电流信号的小波包特征输入 SVM，用于不同转速和负载条件下的故障分类。Dias 等人结合 FL 和 SVM 检测稳态下的转子断条。Haddad 和 Strangas使用 LDA 识别退磁、偏心和匝间短路等故障。Toma 等人首先使用遗传算法降低电流信号统计特征的维度，然后使用 RF、DT 和 k 近邻法识别变载荷下的轴承故障。Bazan 等人使用 MLP 和 DT 处理延迟定子电流信号估算出的互信息，从而检测出定子绕组故障。值得注意的是，这些测试都考虑了负载转矩和电源电压不平衡。Garcia-Bracamonte 等人通过 FFT 和独立分量分析从电流信号中提取故障特征，然后将特征输入神经网络，用于检测两种负载电机条件（50% 和 75%）下的转子断条情况。Krishna 和 Kishan利用 MLP 成功检测了转子断条。Júnior 等人使用多元线性回归建模技术，结合遗传算法优化和方差分析方法，检测了早期匝间短路。Bessam 等人提出了一种基于神经网络和希尔伯特变换的方法，用于诊断低负载感应电机转子断条。   

在这些浅层学习算法中，需要对原始电流信号进行预处理并提取特征，然后将特征向量输入算法进行训练和分类。在工业应用中，信号预处理和特征提取需要先验知识，否则会降低浅层学习算法的分类精度。

深度学习算法的代表方法包括卷积神经网络（CNN）、自动编码器（AE）、深度置信网络（DBN）、生成对抗网络（GAN）等。CNN 可以通过卷积和池化直接对原始电流信号进行特征学习和分类，分类性能强于浅层网络。Ince 等人将原始电流信号输入 CNN 诊断轴承故障。Shao 等人首先使用小波变换得到电流信号和振动信号的时频谱，然后将时频谱输入深度 CNN，以识别稳态条件下的电机故障。Jimenez-Guarneros 等提出了一种基于最大重叠 DWT 和轻量级一维 CNN 的诊断方法，该方法在不同负载下具有较高的故障检测精度。Zhu 等人设计了一种残差多尺度特征融合 CNN 模型，提取信号的高阶特征，便于转子的故障识别。Tang 等人将电流信号转换为灰度图像，然后使用 CNN 进行特征学习。最后，他融合了决策层的信息，实现了稳态条件下的轴承故障诊断。Huangfu等人提出了一种基于迁移学习的 VGG16 深度 CNN 故障诊断方法，并通过网格搜索和交叉验证方法完成了故障诊断模型超参数的微调。最后，基于迁移学习 VGG16 模型，诊断并验证了 PMSM 的匝间短路。然而，实验中的速度和负载是不可变的。

AE 是一种用于半监督学习和无监督学习的人工神经网络，它包含一个编码器和一个解码器。AE 具有表征学习的能力，常用于还原和异常检测。在异常检测中，AE 可以使用健康状态下的数据来训练网络，并在测试过程中通过计算重建信号与原始信号之间的误差来检测故障。Xu 等人利用堆叠 AE 降低电流信号的维度，然后改进 LightGBM 对重建数据进行分类，从而实现了不同负载下定子绕组匝间短路和转子断条的诊断。Seghiour 等人将电流信号的频谱输入稀疏 AE 来识别转子断条。Wang 等人提出了一种基于深度 AE 和 softmax 分类器的电机定子匝间短路故障诊断方法，该方法还能区分不同转速或负载下的匝间短路和电压不平衡。   

除了 CNN 和 AE，其他深度学习方法也被用于MCSA。Li 等人提出了一种基于电流信号的自适应半监督轴承故障检测框架。在该方法中，采用了带有梯度惩罚的 Wasserstein 生成对抗网络，仅从正常电流信号中提取可识别的特征。随后，利用特征提取技术去除电流信号的主频成分。最后，引入表示偏离正态分布程度的指数，以识别不同转速条件下（300 和 600 rpm）的轴承故障。Li 等人提出了一种基于 DBN 的非稳态条件下同步发电机故障诊断方法，并使用贪婪学习算法优化了网络中的连接权重。Jiang 等人提出了一种多视角增强型故障诊断框架。首先，从原始电流和振动信号中提取多种统计特征。然后，开发了一种基于典型相关分析的无监督多视角学习方法，以学习振动和电流特征之间的最大相关性。最后，利用学习到的增强特征识别不同转速条件（400 和 600 rpm）下的轴承故障。Han 等人利用可解释人工智能对电流信号的微小变化进行分类，有效识别了稳态条件下电机的机械故障。

联邦学习是利用分布式数据解决稀疏样本问题的有效框架。其全局模型由本地客户端更新，每轮更新无需共享数据。考虑到多个客户端的计算资源和通信损耗，Zhang 等人提出了一种基于堆叠稀疏自动编码器和连体网络的高效方法，用于检测永磁同步电机的匝间短路故障，如算法 1 所示。 

从上述文献来看，深度学习算法即使只使用原始电流信号进行诊断，也能取得很好的效果，这与浅层学习算法有所不同。图15显示了人工智能技术应用于基于电流信号的电机诊断的流程。两种技术的主要区别在于如何获取特征。显然，强大的特征学习能力是深度学习算法快速发展的重要因素。

图15 基于人工智能技术的MCSA流程

虽然人工智能技术在基于 MCSA 的电机诊断领域得到了广泛的研究，但仍存在一些挑战：a) 带标签故障信号的缺乏限制了人工智能技术在基于 MCSA 的电机诊断领域的发展。在实践中，获取故障数据的成本相当高，而且几乎不可能在电机中注入如此多的故障。b) 泛化是人工智能技术的另一个挑战。电机模型众多、运行条件复杂多变、故障模式繁多、故障严重程度各不相同，由于上述条件的组合数量相当大，因此在训练网络时考虑所有情况是不现实的。不同条件下产生的故障信号也不尽相同，这使得训练后的网络在面对新信号时表现平平。特别是从一台设备上训练出来的模型是否适用于其他设备，这一点值得怀疑。c) 在工业场景中，诊断方法的可靠性和安全性至关重要。深度学习算法的可解释性很差，这类方法更像是一个黑盒，只能观察其输入和输出，特征学习和分类过程没有实际物理意义。除了故障检测和诊断结果之外，这些方法无法提供更多有意义的信息。技术人员无法根据结果了解故障的原因或机理，这限制了他们分析故障和做出进一步的维护决策。

3.5 其它方法   

除上述技术外，一些学者还利用其他技术对电机电流特征进行分析。Martin 等人提出了一种基于气隙分析、结合电流和空间矢量法计算转子断条左带幅值的方法。Tomasz 提出了一种名为归一化三重协方差的故障指数，可以检测不同程度的轴承故障。Eren 等人利用四通道 FIR 滤波器检测电机故障，大大提高了计算效率。Ukil 等人利用电流信号连续两个零交叉点的时间差重建数据，然后进行频谱分析，找出定子绕组匝间短路的故障频率。Zhang 等人提出了一种基于高频信号注入的故障诊断方法。首先，根据零序电压和转子位置计算零序电压的直流分量幅值，进行异常检测。检测到异常后，注入高频电流信号，计算高频分量的幅值，构建故障指数，以区分匝间短路和电阻不平衡。在这种技术中，故障指数受转速和负载的影响不大。Zhu 等人开发了一种新型仪器，用于检测和定量分析鼠笼式感应电机的转子质量。Bouzid 等人首先利用健康电机的电流信号计算由固有不对称和测量误差引起的负序电流的幅值和相位，然后将上述分量从匝间短路电流信号中分离出来，得到仅由匝间短路产生的负序电流，实现了电机故障检测。Dlamini 等人提出了一种在电机实际转速未知的情况下估算电机转速并计算转差的方法，可检测变负载下定子绕组的匝间短路。Gherabi 等人利用三相电流信号的幅值构建指示器，然后计算两倍电源频率下指示器的幅值和相位，并用极坐标系表示，以区分匝间短路和磁饱和现象。Wang 等人利用三相电流和零序电压信号检测高阻连接和匝间短路，进而定位故障相位。值得注意的是，匝间短路的程度也可以估算。

尽管基于电流特征分析的电机诊断技术已逐渐引起学术界和工业界的关注，但已报道的技术还不能完全满足工业应用的需求。

主要局限如下:

a) 频谱分析的诊断精度容易受到电源频率波动和负载变化的影响。虽然高阶频谱的诊断精度很高，但只对稳态信号有效。  

b) 时频分析技术对基本函数或模型参数的选择要求较高，当参数或函数不同时，模型诊断结果可能会有较大差异。由于缺乏参数选择标准，检测结果受主观因素影响较大，因此此类方法难以实现工业化应用。

c) 解调变换技术需要同步采集三相定子电流，无法通过单相电流实现电机诊断。对于时变信号，故障特征频率的波动增加了诊断的难度。

d) 人工智能技术需要大量数据来训练模型。如果测试数据与训练数据差异较大，诊断效果就会很差，而缺乏电机各种故障模式下的标注数据是现阶段最大的问题。

为进一步推动非侵入式电机故障诊断技术的工程应用，建议今后从以下几个方面开展研究。

4.1 机电耦合对电流信号的影响

电机作为机械设备的动力源，与轴承、变速箱等传动部件配合组成电力牵引驱动系统。整个系统在多物理场耦合下的能量传递、转换、畸变情况复杂，多种故障的调制会引起一系列连锁反应，增加了故障检测的难度。除电机外，许多学者也通过 MCSA 诊断齿轮箱故障。然而，对电力驱动系统各组件的研究相对独立，并未充分考虑电机与齿轮箱之间的动态耦合。特别是当电机和变速箱同时发生故障时，复杂的故障谐波不是单一故障谐波的简单叠加，必须考虑组件之间的耦合。因此，未来的研究重点应放在如何构建电力牵引传动系统的机电耦合模型，以准确描述系统故障对电机电流信号的调制机理，探索“电-磁-力”多场耦合对系统故障的影响机理。这是牵引驱动系统建模与仿真的关键，也是基于电流信号的电机诊断技术研究的基础。

4.2 早期故障的特征提取

在故障初期，轴承、定子、转子等部件对电机运行的影响不大。但是，如果早期故障没有被及时发现，且问题越来越严重，则会危及整个系统的安全。在电机故障的初期，故障谐波的幅值较低，故障的特征频率容易被电源频率及其边带所覆盖，这给故障检测带来了困难。特别是电压不平衡和电机固有不对称产生的噪声谐波与定子绕组匝间短路的故障谐波非常相似。利用负序电流信号或频谱分析很难将故障与噪声区分开来，尤其是在匝间短路的早期阶段。因此，我们应该关注如何有效消除电流信号中的工频，抑制与故障无关的电流谐波。在此基础上，探索能提供丰富故障信息的边带，建立起早期微弱故障特征的提取和增强方法，是基于电流信号的电机诊断技术的重要研究方向。 

4.3 基于非稳态信号的故障诊断

在电机运行过程中，转速、负载和工作环境等条件会频繁发生变化，这使得采集到的信号呈现出非稳态特性。工况变化较大时，电流信号中的噪声谐波和故障谐波频率混叠，普通的滤波方法很难完全解调出故障分量。尤其是电流信号中各次谐波的频率分布相对密集，增加了频谱混叠的程度。非稳态电流信号的频谱混叠是制约MCSA技术在工程中应用的最重要因素。因此，考虑到运行环境的强噪声，研究非稳态条件下的多分量故障信号解调是MCSA的另一个重要方向。

4.4 基于无标签数据的智能诊断

虽然基于人工智能技术的电机诊断和预测方法已被证明在特征学习方面具有明显的优势，但它需要海量数据来支持模型的训练和验证，而且数据必须附带电机运行状况、环境和健康状态等标签信息。海量数据可以在生产现场获得，但其中大部分缺乏匹配的标签信息。此外，由于结构、尺寸和故障模式的多样性，很难获得所有电机故障模式的完整数据，可用数据的稀缺严重制约了电机诊断和预测技术的发展。虽然可以在试验台上获得丰富的电机故障数据，但这些数据与实际数据之间存在差异。因此，必须考虑如何量化试验台上的典型故障数据与实际故障数据之间的差异，然后利用迁移学习提高智能网络的识别率和泛化能力。在此基础上，建立无标签样本下的电机健康状态识别模型还有待进一步探索。

4.5 故障严重性评估

电力牵引驱动系统的意外停机或性能下降往往会造成严重的经济损失甚至安全事故。如果能通过MCSA技术实时评估电机各部件的健康阶段，就能根据设备状态合理制定维护计划。为满足电力驱动系统智能运维的需要，故障定量评估指标必不可少。除了定性评估，故障指标还应能够对故障进行定量评估。特别是要考虑电机结构、运行参数、负载等因素的变化。因此，如何减少电机尺寸、环境、运行状况等参数的影响，构建一个不依赖于上述参数，又能准确描述电机故障程度的定量评估指标，是MCSA技术工业化应用的一个难题。   

针对轨道交通、电动汽车等领域应用最为广泛的感应电机和永磁同步电机，本文总结了电机故障模式的成因和影响，分析了轴承故障、定子绕组匝间短路和转子断条的机理，并分别给出了故障判别条件。具体而言，从频谱分析、时频分析、解调变换和人工智能等几个方面总结了现有的MCSA技术，并分析了每种技术的核心优缺点。

尽管MCSA的研究工作前景广阔，但在电机状态监测和诊断方面仍有一些难题有待解决，如机电耦合对电流信号的影响、早期故障特征提取、非稳态信号分析、无标签数据利用和故障严重程度评估等。为便于今后的探索工作，本文尽力对MCSA技术进行全面研究，为相关研究人员提供详细参考。

/ END /