依托分解改变和毛糙集的船只马达转子危害判断方法

针对实验室环境下测量得到的电机的电流数据进行

6 层小波包分解，得到的前 4 个重

构的分解系数如（

a）所示。横轴表示采样点数，纵轴表示分解系数。针对同样的电流数据进

行希尔伯特变换处理，然后再进行

6 层小波包分解，得到的前 4 个重构的分解系数如（b）

所示。

希尔伯特变换前后的小波包分解系数比较从可以看出，在进行希尔伯特变换预处理后，

在

d1 的 2550Hz 这一频段，4Hz 的霍尔变送器直流泄露频率已经显著减少，且该频段的分

解系数幅值明显降低；在

d3 的 5075Hz 这一频段，50Hz 的特征频率已经基本消失，并且可

以辨别出

75Hz 的特征频率。

小波包分解子频段节点系数的均方根值（

rootmeansquare，RMS），是目前提取小波

分解系数特征频率信息的常用方法。电机在故障情况下的信号与正常信号相比，在相同的子
频段内信号的能量发生了较大的变化，其相应子频段的小波包分解系数的均方根值将会明
显改变。

异步电机的远程故障诊断过程中，故障状况下的数据样本少，依靠的是数据的

逐渐积累，因此如果收敛速度过快，会减少能诊断的故障种类

<7>。为此，本文选择收敛速

度较慢，但聚类结果理想的一次函数型学习速率（

t）

基于粗糙集的诊断规则的建立在粗糙集理论中，知识库

S 可以表示为 S=（U，A，

{d}），其中 U 是对象的论域，A 是独立属性值的集合，d 是非独立属性值的集合<9>。

为了实现故障诊断，需要建立一个可分辨矩阵。知识库

S 的可分辨矩阵是一个 nn 维的

队列，矩阵的每一个元素就是从对象

j 中分辨出对象 i 所需要的属性值，表示析取运算；表

示合取运算。基于可分辨矩阵和可分辨函数来得到决策表的最小约简，利用该方法，可求出
概括性最强（含有最少条件属性）的分类规则

<10>，即长度最小的规则。

增加新的数据（如学习样本）时，只需修正现有的可分辨矩阵和可分辨函数，实现对

原有的规则进行修正，便可得到新数据集的规则，而不需重新计算可分辨矩阵和可分辨函
数。

实验研究为验证上述方法的可行性，在实验室条件下设计了电机定子故障的实验。实

验用的三相交流异步电机的参数为：功率

3kW；额定电压 380V，频率 50Hz，额定电流

5.7A；额定转速 1450rmin；极对数 2；设置的定子故障是在电机的定子绕组中一相绕组的
两匝之间以及四匝之间的短路情况，由于是空载运行，转差率很小。对定子绕组匝间短路的
2 个阶段获取的故障数据，计算出小波包分解子频段节点重构系数的均方根值，如所示。

可以看出，几个与故障相关的子频段（

0、2、6、11）的均方根值增长的幅度较大。从变

化的具体数值来看，高频段的变化值明显高于低频段，这是因为在高频段本来就存在
3、5、7 次谐波，在进行希尔波特变化去掉基波后，特征信号的能量主要集中在 3、5、7 次谐
波处，一旦电机出现定子类故障，

3、5、7 次谐波的变化数值就会明显偏高。如果直接对小波

包分解系数的均方根值进行分类，则可能导致特征频率的分类更依赖于高频部分的信息，
使得分类精度受到影响。