交流变频电机是工业中应用广泛的动力驱动部件，其运行状态将直接影响设备运行的安全性及稳定性。转子断条作为最常见的故障形式，在早期故障检测中具有识别难、隐含性强的特点，致使工业检测中识别率较低。尽管利用振动信号检测电机故障已开展了众多研究，但振动信号在强电磁干扰环境下往往成分复杂，早期故障特征信息易被噪声等不相干成分淹没。而电流信号具有信噪比高、非侵入式检测的优点，能直接反映电机的内部动态机械与电气特性。因此，西安交通大学科研人员利用电流信号检测交流变频电机早期转子断条故障作为研究的关键。目前，电流信号检测技术（Motor Current Signature Analysis, MCSA）以信号基频及旁瓣分量为分析特征已被应用于电机故障监测中。但对于交流变频电机来说，由于受工作特性的限制，电机在低速状态下的转子断条故障初期阶段，(1±2s)fs（s为转差率，fs为电流基频）特征频率分量相对微弱，且s和fs较低，导致特征频率旁瓣分量容易与基频混叠，难以识别。这一问题已引起一些学者的重点关注。就提高电流信号频谱分辨率研究方面，G. Singh等利用多重信号分类（Multiple Signal Classification, MUSIC）算法来提高电流二次方伪谱的分辨率，以提高转子断条故障检测的灵敏度。在此基础上，孙丽玲等提出一种MUSIC与模拟退火算法相结合的电机转子断条故障检测方法，以实现对转子断条故障特征频率幅值和相位的准确估计。T. R. J. Romero等将完全集成经验模态分解与MUSIC算法相结合，实现了基于瞬态电流和稳态电流的转子断条故障的检测。在抑制基频分量增强故障频率特征研究方面，贾朱植等通过对定子三相电流Park矢量模二次方信号进行离散小波变换来抑制基频分量，同时突出转子断条故障特征信息。刘新正等提出基于最小方均误差自适应滤波的转子断条故障诊断方法，同样达到了滤除电流信号基频分量，突出故障特征信息的目的。另外，为实现电流信号与故障信息的解耦，在电流信号解调研究方面，M. B. Abd-El-Malek等通过对电流信号进行Hilbert解调，以包络信号标准差的波动值作为故障特征，已实现不同负载下转子断条故障的定量分析。赵妍等提出以谱峭度法为基础结合Hilbert包络解调的转子断条电机故障检测新方法。目前，一些增强电流信号故障特征信息的检测方法也在进一步完善，以上相关研究都为电机故障诊断方法提供了良好的理论借鉴。但是，上述研究中多以提取与增强电流信号中的故障频率作为出发点，而弱化了电流基频与高次谐波分量的分离。在电机故障早期，转差率低容易造成高次谐波分量与基频混叠，致使频谱分辨率低、故障难以识别，同时会给转子断条故障特征频率和转差率的计算带来误差。变分模态分解（Variational Mode Decomposition, VMD）通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而自适应地将原信号分解为预设分解个数的多个单分量信号。
因此，针对低速状态下交流变频电机早期转子断条故障在电流信号中难识别的问题，西安交通大学科研人员以电机电流信号高次谐波分量与基频分量的分离为目标，研究基于VMD的交流变频电机转子断条故障识别方法。
他们通过设定VMD分解个数和初始化各模态分量的中心频率分布，以适应交流变频电机定子电流信号的频率分布特性。针对惩罚参数的获取，研究利用萤火虫群优化算法（Firefly Algorithm, FA）实现对惩罚参数的寻优，以增强VMD对电流信号的自适应分解能力。并在此基础上，结合Park变换，利用电流信号相位关系实现转子断条故障调制频率的提取，以避免MCSA分析中基频谱泄漏对旁瓣分量的影响，实现交流变频电机在低速状态下转子断条早期故障的识别。
科研人员指出，本研究成果将有助于提高以电流信号为基础的交流变频电机早期转子断条故障的检测能力。他们的理论和实验表明：
1）基于交流变频电机定子电流信号自身特点和FA寻优算法可以有效设定VMD分解参数，提高了VMD的分解效率，进一步强化了其针对电流信号的自适应分解能力。2）通过VMD分解可以实现电流基频分量与其高次谐波分量的分离，从而避免高次谐波干扰产生的转差率和故障特征频率估计误差问题。并通过与EMD方法进行对比验证了本方法分解电流信号的准确性。3）在此基础上综合利用定子三相电流间的相位关系并基于Park变换成功在低频段检测到转子断条故障特征调制频率，从而避免了传统MCSA分析时基频谱泄漏的影响，实现了转子断条故障特征频率的早期定位。
本文编自2021年第18期《电工技术学报》，论文标题为“基于参数优化变分模态分解的交流变频电机转子断条故障识别方法”，作者为李睿彧、刘飞 等。