系统介绍
电机健康监测诊断与智能维护系列套件：电机测试台+健康监测与故障诊断算法工具箱+电机智能维护系统平台+案例分析
案例分析
1.电机故障测试台
实验对象：步进直流电机
采集信号：振动信号，红外信号，声信号，声发射信号
功能：
不同工况负载条件下的电机故障诊断研究;
对电机模拟加载，加载转速连续可调，可恒转矩加载;
实时检测电机工作电流、电压、功率;
实时检测电机输出的转矩、转速、功率;
试验台：
关键部件参数：
| 技术规格参数 | |
| 步进电机 | 57 步进电机 |
| 扭矩传感器 | 量程0~1NM，负载0~1NM，允许最高转速8000RPM |
| 加载采集电源模块 | 手动旋钮加载扭矩。可手动调节电 机的转速，启停。包括采集模块。 |
| 磁粉制动器 | 量程50NM，外表允许最大温度80摄氏度。 最大转速1800RPM 风扇散热情况允许功率<700w |
| 磁粉制动器电源 | 输出220VAC，输出24VDC，0~4A。 |
配件列表
| 序号 | 配件名称 | 型号 |
| 1 | 步进直流电机 | 57HS09 |
| 2 | 扭矩传感器 | HLT |
| 3 | 电源模块 | HLT |
| 4 | 联轴器 | 蓝鼎 |
| 5 | 实验工装 | HLT |
可完成实验：
表1 工况描述
| 转速 | 健康状态 | |
| 工况1 | 100r/min | 健康；断条1、2；轴承1、2；不对中1、2（7种） |
| 工况2 | 200r/min | 健康；轴承1不对中1、2（4种） |
| 工况3 | 300r/min | 健康；轴承1不对中1、2（4种） |
实验只考虑机械故障，不考虑电气故障。机械故障包括电机定子、转子、轴承和机体安装等故障类型。具体设置共有七种故障类型，包括健康、两种级别的转子断条、两种级别的电机不对中故障和两种级别的轴承故障类型。每种故障类型的描述见表2。
表2 健康类型描述
| 故障类型 | 图片描述 | 备注 |
| 健康 | ------ | 健康数据 |
| 转子断条1 |  | 在转子的磁体铣掉1个齿，破坏掉磁体 |
| 转子断条2 |  | 在转子的磁体铣掉2个齿，破坏掉磁体 |
| 不对中1 |  | 电机底座被垫起1mm |
| 不对中2 |  | 电机底座被垫起2mm |
| 轴承故障（外圈）Level1 |  | 输出端轴承外圈故障（一个孔） |
| 轴承故障（外圈）Level2 |  | 输出端轴承外圈故障（两个孔） |
2.电机故障测试数据与数据测试采集服务
多传感数据采集：振动、声信号（麦克风）、声发射、红外数据文件夹均按时间顺序排列，依次为：
振动+声信号（一二通道为振动信号，三通道为麦克风信号）
声发射信号
红外信号
每种工况下振动、声信号长度为120万个点左右；红外120张图左右；声发射122万个点左右。
用深度学习模型对数据进行分析
| Labels | Operation condition | Health types | Data structure |
| C1 | 100r/min | healthy | 112×1024 |
| C2 | beaaring fault-level1 | 112×1024 | |
| C3 | beaaring fault-level2 | 112×1024 | |
| C4 | broken bar fault-level1 | 112×1024 | |
| C5 | broken bar fault-leve2 | 112×1024 | |
| C6 | Misalignment-level1 | 112×1024 | |
| C7 | Misalignment-level2 | 112×1024 |
振动信号和声信号（麦克风信号）图
红外热图
声发射信号图
用ResNet对振动信号和声信号进行故障诊断的混淆矩阵结果如下：振动信号的诊断准确率达到了97.8，声信号的诊断准确率为96.8。
振动信号故障诊断混淆矩阵
声信号诊断混淆矩阵
3.电机故障诊断与健康智能维护系统MotorHAgent
电机故障诊断与健康智能维护系统主要包括4个诊断部位：轴承模块、定子绕组模块、转子模块、传动系统模块。对每个模块进一步细化，每个模块都包含基础信号处理分析模块（时域指标分析、时频分析、降噪处理、分解处理）；健康评估模块（SOM、CAE、SAE、HMM等）；寿命预测模块（线性回归、逻辑回归、RNN等）；以及各自部位机理与数据驱动的故障诊断模块。基于机理的故障诊断模块分析诊断各类电机的故障现象及机理；基于数据的故障诊断模块包括一些适用于不同部位的通用算法（SVM、DBN、LSTM、CNN等）和适用与特定部位的专用算法（定子绕组：瞬时功率分解；转子：启动电流时变频谱等）。
本系统对电机关键部件提供了多传感智能感知、信号处理、故障诊断、特征提取、健康监测、寿命预测、声信号诊断等关键技术，实施对电机轴承模块、定子绕组模块、转子模块、传动系统模块的故障诊断、缺陷监测、健康评估与预测等。MotorHAgent故障诊断与健康预测系统主要融合了目前各种先进的信号处理算法，人工智能算法以及振动机理算法，采用全Python语言，以B/S模式，通过前端与后端集成开发，采用开放的、模块化、多层架构的设计思想实现型风机故障诊断与健康预测。
通过构建信号处理与深度学习驱动的电机故障诊断与健康预诊系统，实现变变速与变载荷条件下的电机的故障诊断与健康量化趋势评估与寿命预测，以提高电机可靠度以及有效延长机械使用寿命为目的。系统采集电机的振动、声信号、电流、电压、温度，开展电机的轴承、定子、转子等故障监测与健康预诊。通过各种信号处理算法的深入应用，建立基于信号去噪和缺陷特征提取的故障诊断和预示方法，达到提取强噪声下多传感信号的弱故障特征达到缺陷早期预示的目的。在信号智能感知技术攻关的基础上，利用多传感器技术和大数据技术，建立健康趋势监测与预测系统，对其进行有效监控与故障诊断。
（1）时域指标分析模块
（2）时频分析模块
电流谱图
局部优化Chirplet谱图
倒频谱分析
包络谱分析
相位分析
轴心轨迹分析
启停机伯德图
（3）降噪处理模块
小波降噪和主成分降噪
（4）分解处理模块
（5）健康评估模块
LSTM-AE监测
SOM监测
HMM监测
CAE监测
CNN监测
LSTM-AE监测模型训练
SOM监测模型训练
（6）寿命预测模块
ARMA预测
逻辑回归预测
RNN预测
（7）故障诊断模块
SVM诊断
LSTM诊断
CNN诊断
CAE诊断
（8）定子绕组故障诊断模块
不平衡电流模糊故障诊断
相关分析故障诊断
瞬时功率分解故障诊断
负序分量融合故障诊断
派克矢量与神经网络故障诊断
（9）转子故障诊断模块
启动电流时变频谱故障诊断
失电残余电压故障诊断
电磁转矩小波转换故障诊断
随机共振故障诊断
（10）声信号故障诊断模块
声信号数据层分析
声信号LSTM-AE健康监测
声信号CAE健康监测
瀑布声谱图
梅尔倒谱系数
梅尔滤波器
Gammatone滤波器倒谱系数
Bark倒谱系数
线性频率倒谱系数
线性预测系数
线性预测倒谱系数
基于幅度的谱根倒谱系数
归一化伽马倒谱系数
幂归一化倒谱系数
相位谱根倒谱系数
