在近日舉辦的中國運動控制/直驅技術產業發展高峰論壇上，哈爾濱工業大學電氣工程及自動化學院副院長楊明教授著重介紹了有關基于電氣信號分析的傳動機構故障診斷技術的最新研究動向。

旋轉結構作為電機設備傳輸力和載荷的關鍵部件正朝著高精化、高性能、高可靠性、智能化方向發展，廣泛用于工業生產的各個環節。其中，故障診斷與健康維護技術顯得越來越重要，在機床、機器人等智能化維護過程中越來越受到人們的重視。

哈爾濱工業大學電氣工程及自動化學院副院長 楊明教授

01

故障診斷技術的目的

故障診斷以及狀態監測屬于智能技術大領域中的一個分支，實際上跟我們的醫學概念特別相似，比如人在看病是，中醫講究望聞問切，而在電機系統中，則希望通過傳感器以及智能算法進行診斷，也會涉及到多科“會診”的情況，我們希望通過振動法+電氣法有效結合，來進行綜合診斷。

另外，在醫學上，更多是疾病預防，而在電機系統中，我們希望把故障診斷和維護從事后轉變成事前，增加系統的可靠運行周期，降低系統整體成本，另外更重要的是，為將來設計以及評估工控產品系統，提供豐富的歷史數據，并朝著大數據人工智能方向發展。

02

電氣法智能化診斷技術的重點

傳統的電機故障診斷技術主要有以下幾種方式：如振動法、超聲波法、油液法、紅外成像法等等，故障診斷不是一個新的研究方向，而是傳統機械學科幾十年研究的成果。在電氣方面，由于一般需要增加額外的傳感器，傳感器的成本較高，且應用環境也受到一系列制約，包括安裝條件會影響診斷效果等等。其次是有的場合不允許安裝傳感器，因此需要克服這些傳統傳感器應用的弊端。

因此，實際上電氣法主要的研究方向有三個方面：第一，研究信號源，振動傳感器等各種傳感器都是故障信號的載體，我們希望用電氣信號進行診斷；第二，特征的提取是重中之重，故障的提取涉及到數字信號處理算法和一系列分析方法；第三，狀態識別，從簡單的閾值法到大數據分析，借此形成遠程無損的診斷技術，從而實現具有低成本、智能化的應用優勢。

在目前國內外產品中，一類是以歐美系品牌為代表，已推出了實際產品，一種是硬件監測系統，需要配數據采集卡和傳感器，有硬件支持，其次是分析軟件比較強大，給用戶很好的選擇，可以診斷出故障的特征頻率，包括軸承電機故障等，也需要一系列傳感器軟件。另一類是日本品牌為代表，例如三菱公司最新的J5系列伺服系統具備自動診斷功能，是三菱Maisart人工智能應用的體現，接入伺服系統，可診斷滾珠絲杠間隙、振動預測，皮帶帶打滑、齒形帶張力惡化失效預測，傳動齒輪故障預測等，不需要人為參與，是目前唯一具備這一功能的產品。

03

基于電氣法的故障診斷技術最新研究動向

在數字信號處理技術的研究方面，故障特征提取方法，包括從時域方法、頻域方法和時頻域方法。

電機傳動系統機械故障大致分為三類：

第一，傳動機構本身故障，比如齒輪、滾珠絲杠等。各個傳動機構中齒輪應用比例最高；而在齒輪故障當中，斷齒故障是發生率最高的。

第二，電機本體故障主要指機械故障，例如軸承故障等，這是出現率最高的形式。軸承故障有分布式和局部式，早期的故障是局部式，最大的特征是信噪比極低，要比齒輪故障等小一到兩個數量級，除非聽到明顯噪聲才發現徹底損壞，滾珠是經常故障的，主要是跟傳動運動耦合起來。

第三，安裝故障。安裝對中只是相對的概念，而“不對中”是絕對的。不對中又分為平行不對中和角度不對中，德國西門子工程師一般都會用到激光對中儀，國內大多企業現場工程師都沒有見過激光對中儀，完全靠人工經驗來安裝、調試。因此造成電機傳動系統很多偶發故障往往是早期安裝不對中引起的，隨著市場大規模應用，這個比例越來越高。

因此，我們根據前面的故障類型將研究分為以下四個方面：齒輪故障診斷、軸承故障診斷、不對中的故障診斷，以及諧振故障診斷，下面主要闡述前三個故障診斷技術的最新研究成果。

第一，齒輪故障診斷研究。齒輪往往工作在高速重載等惡劣環境下，容易發生斷齒、齒面點蝕等局部式故障，影響設備的傳動性能。我們的研究主要是針對數字信號處理算法，提取更多故障特征細節，算法的過程有點像發現微弱信號的過程，最開使用眼睛看就可以了，最簡單的分析方法就可以看到；再微弱的故障就需要用復雜信號處理算法RSSD（共振稀疏分解），如借助光學顯微鏡觀測一樣；如果更加隱秘更加微弱的信號，就需要用電子放大鏡設備一樣，需要更加復雜的數字信號處理算法。這些算法研究的應用就是大致按照這樣的思路開展的。

下面是我們搭建的一個實驗平臺，由一個健康齒輪和一個斷齒齒輪組成。

通過分析不同運行條件下實驗結果（FFT、RSSD、雙重優化RSSD）、基于同步位域運動誤差分析的齒輪故障診斷，我們得出以下的結論：

第二，電機軸承故障診斷研究。包括三個內容：MCSA電機電流特征分析與MSSA的對比；軸承局部式特征故障提取方案；結合驅動算法的預降噪方案。我們搭建出下面的實驗平臺：

從軸承故障機理的判斷，可以看到故障產生到轉速波動，引起磁動勢角度調制，最后影響到傳速的變化，因此，我們在伺服驅動系統中利用上位機采集的轉速信號進行軸承故障診斷，并對軸承內外圈故障進行了判斷，用基于譜峭度的方式尋找最優的濾波器中心頻率和帶寬。

我們進行了電機相電流與轉速不同故障載體信號源的對比，發現轉速信息非常直觀，得到了一個明確的軸承故障，并且通過對比，針對信號相電流、電機轉距做了大量的對比測試。下面是我們對電機軸承故障診斷研究的小結：

第三，電機安裝不對中故障診斷研究，我們在機理分析的實驗中發現，電機安裝不對中故障有分為：平行不對中故障、角度不對中故障、組合不對中故障；并且電機安裝不對中故障會產生1倍或2倍的轉矩波動量，由此也找到了電氣法研究方案。在此基礎上，我們搭建出下面一套實驗平臺：

通過故障與健康狀態FFT幅值的對比，可以發現，各種轉速下，發生平行不對中或角度不對中故障時，FFT頻譜中轉速1倍、2倍轉頻分量都明顯升高，下面是我們對電機安裝不對中故障診斷研究的小結：

針對首次安裝條件下的不對中故障診斷，我們通過首次安裝建模，并參考西門子公司對首次安裝不對中誤差的限定范圍和標準，得出以下結論：

最后做一個簡單的總結，現在我們的故障診斷技術正朝著人工智能、大數據的方向探索，相當于把原來基于故障特征頻率辨識的數字信號診斷，越來越多引入人工神經網絡，這是真正的大數據處理故障診斷的具體方式，也是人工智能、大數據等學科在電氣領域的嘗試。

在機器人減速機故障診斷的研究中，這是真正工業化應用的最復雜的傳動結構形式，特別是國產減速機的故障率比較高，現在很多學者通過這種方式在做建模的工作，我們希望一方面可以通過數據模型建模做故障特征，另一方面可以從大數據分析的角度，來判斷工業機器人減速機故障診斷，并在此基礎上，實現對工業機器人減速機的壽命預測。