摘要：滚动轴承是保证交流电机正常运转的重要组成部件。相比于传统轴承故障诊断方法，电机电流和转速信号特征分析具有非侵入式且与控制系统共享信号的优势，逐渐被应用于交流电机轴承故障诊断领域。该文从理论模型和故障诊断两个方面，对相关领域的重要技术和前沿研究成果进行梳理归纳。对于故障诊断，主要介绍采用电机电流信号特征分析和电机转速信号特征分析的轴承故障诊断技术，同时指出各自的优缺点。最后，分析现有研究所面临的问题和挑战，并对未来发展趋势进行展望。
关键词：交流电机;滚动轴承;故障诊断;电流信号特征分析;转速信号特征分析
0引言
近年来，随着电力电子技术的快速发展以及新能源技术的推广，交流电机在机床、压缩机、风力发电、电动汽车等领域广泛应用。交流电机作为重要的能源转换装置，其自身运行状况直接影响着整个传动系统的稳定性和安全性。然而，由于交流电机在传动系统中的重用作用，对其运行维护上投入的成本也越来越多[1]。因此，研究交流电机故障诊断和监测技术，实现精确运维和早期故障预警，具有重要的理论意义和应用价值。
滚动轴承是支撑交流电机转子进行旋转的关键部件，其内外圈存在相对运行并且同时承受径向和轴向的联合负荷作用，这种长期复杂的工作环境导致其极易发生损坏。据相关统计，40%左右的电机故障是由轴承失效引起的[2]。因此，对轴承运行状态进行监测与故障诊断，及时准确识别早期微弱故障并进行停机维修或更换，不仅可以提高电机运行效率实现节能效益，而且能够有效保障生产安全且显著地提高经济效益。
轴承故障信号的表现形式有多种，如振动、温度、声发射、电流以及转速信号等。相应的轴承故障诊断策略根据是否通过电机控制系统获取故障信息可分为两种：需要安装额外的传感器，如振动分析法、温度以及声发射检测法等;不需要安装额外的传感器，利用电机控制系统中已有的传感器，如电流或转速信号特征分析等。交流电机信号特征分析是一种非侵入式的轴承故障诊断方法，利用电机控制系统已有传感器通过驱动过程获取包含轴承故障信息的信号，不仅可以避免额外加速度或声发射等传感器的安装，而且传感器受外界因素和安装位置影响较小，在很大程度上降低了投资及维护工作量。此外，该类方法与嵌入式系统可以良好结合，有利于工程化实施。从既有文献看，采用振动信号诊断轴承故障的研究比较成熟，应用较为广泛[3];虽然采用电机信号特征分析的轴承状态监测研究开展的相对较晚，但该领域也受到国内外研究学者的重视，并取得了相当数量的研究成果。
采用电机信号特征分析的轴承故障诊断方法与控制系统共享信号，能够有效促进轴承故障在线诊断系统与电机驱动控制系统进行集成，形成闭环“驱动—诊断”融合系统，及时发现轴承早期微弱故障并合理安排进行轴承更换，在提高电机系统安全性的同时显著性地降低维护费用。为此，本文对近年来国内外该研究领域的相关成果归纳总结，分析滚动轴承损伤调制到电机信号中的作用机理，揭示不同轴承故障振动特征分量与电机电气信号特征谐波的映射关系;整理采用电机信号特征分析的轴承故障诊断方法，包括电机电流信号特征分析、电机转速信号特征分析以及其他诊断方法等。此外，结合电机信号特征分析诊断轴承故障亟待解决的关键问题，对未来发展趋势进行展望，以期为后续研究提供帮助。
1轴承故障对交流电机信号的作用机理
滚动轴承主要由外圈、内圈、滚动体和保持架四部分组成。外圈通常安装在机座孔中保持不动，起到支撑作用;内圈与转轴紧密配合，并与转轴一起运转;滚动体借助于保持架均匀分布在内外圈之间，滚动轴承典型几何结构及其相关参数如图1所示。
滚动轴承故障根据其产生的振动信号特征可分为局部损伤和磨损类故障[4,5]。磨损类故障是渐变性故障，其故障特征表现为随机性较强的无规则振动波形。一般来说，轴承磨损不会立刻引起电机性能下降，其危害程度远小于局部损伤类故障，故往往比较重视局部损伤类故障的研究。局部损伤类故障通常表现为疲劳剥落、局部点蚀、微小裂纹等，在受载运行过程中这些故障会产生周期性振动，该振动频率与轴承几何尺寸、损伤点位置以及转轴速度相关，称为滚动轴承故障振动特征频率。
相关学者依据旋转磁场和调制磁场理论，从轴承故障引起电机内部气隙磁场变化和转矩波动的角度，研究不同故障类型下交流电机信号特征变化规律。在这方面研究最早的是美国佐治亚理工学院ThomasG.Habetler教授等[6]和法国格勒诺布尔国立综合理工学院学者[7]，分别提出的径向运动传递模型和扭转运动传递模型，揭示了轴承故障振动特征分量fc(fc可分别是fof、fif或fbf)与电流信号边带故障谐波、转矩转速信号特征谐波nfc的内在联系，也是使用电流转速转矩信号分析判断轴承是否损坏的理论基础。
由于上述理论模型是在假设电机为理想电机的情况下提出的，其后，陆续有学者对这一理论进行了完善。大连海事大学学者分别将混合偏心、齿槽效应与轴承故障共同作用考虑在内，研究轴承损伤经由电机内部磁场调制到定子电流的作用机理，在定子电流频谱中发现了新的边带故障分量，而且边带故障分量幅值不仅与损害深度有关，还与损坏区域大小相关[8-9]。宋向金等人则研究了同时考虑电机固有偏心和齿槽效应与轴承故障的共同作用，并发现了新的轴承故障特征分量[10]。清华大学褚福磊教授等将非线性气隙磁导、非线性铁材料以及磁饱和等因素考虑在内，利用等效磁路法求取了轴承故障电机定子电流信号解析模型[11]。伊朗德黑兰大学JawadFaiz教授等将固有偏心和饱和效应考虑在内，通过定义适当的气隙函数，采用以改进绕组函数法为核心的多回路理论建立了局部轴承故障电机解析模型[12]。意大利摩德纳雷焦艾米利亚大学学者研究了外部振动产生的转轴周期性径向载荷对电机电流参数以及轴承故障诊断的影响[13-15]。上述不同研究结果中，定子电流频谱中与轴承故障相关频率分量总结如表1所示。其中，fe为电流基频分量，R为转子槽数，frsh为齿谐波，fcage为轴承保持架旋转频率。
学者们在研究固有偏心、磁饱和以及齿槽效应等因素对轴承故障电机内部气隙磁场分布的影响上取得了阶段性成果，进一步完善了轴承故障诊断理论模型，为形成精确的故障诊断技术起到了重要的推动作用。但是，现有绝大部分研究成果针对的是异步电机，对应用越来越广泛的永磁同步电机研究较少，同时并未充分考虑交流电机转子凸极、变频器谐波等非理想特性。因此，亟需综合考虑不同类型交流电机的非理想特性，建立轴承故障电机物理模型，并就该故障对电机内部磁场、电流及输出特性(转速转矩等)的影响进行深入细致的研究。
2交流电机电流和转速信号特征分析的轴承故障诊断方法
采用交流电机信号特征分析的轴承故诊断方法核心是寻找易于采集、性能可靠的故障特征量，利用上述理论模型研究成果，探讨采用何种技术手段，实现电机复杂运行工况下的轴承故障特征提取，最终达到故障诊断、类型判别以及严重程度评估的目的，其实施方案如图2所示。从现有文献来看，依据所选择故障特征量的不同，本文将轴承故障诊断方法分类为电流信号特征分析方法、转速信号特征分析方法以及其它信号特征分析方法(电压、负载转矩、瞬时功率、瞬时功率因子等)。
2.1电机电流信号特征分析
经典的电机电流信号特征分析(motorcurrentsignatureanalysis，MCSA)是一种采用快速傅里叶变换(fastfouriertransform，FFT)的频域分析方法，交流电机处于稳态工况时，采集单相定子电流数据并做FFT分析，以实现轴承故障特征的提取[16]。但是，过长的传递路径导致定子电流中的轴承故障分量比较微弱，同时又由于基频分量、固有偏心分量、逆变器输出谐波、负载波动以及不同负载工况下故障特征敏感度不同等因素的影响，导致交流电机空载或轻载高速运行时，很难直接通过经典MCSA方法判断轴承是否出现故障。为改善诊断性能，国内外相关学者从不同角度采用不同的方式对其进行了深入研究。
2.1.1噪声抑制技术
电流信号在传输过程中不可避免地受到外界和电机内部噪声干扰，一些学者采用噪声消除技术抑制与轴承故障无关的主要分量。例如，美国佐治亚理工学院ThomasG.Habetler教授等将定子电流中与轴承故障无关的所有分量视为噪声，首先在电流信号采样之前使用模拟陷波滤波器消除电源基波，然后使用数字陷波滤波器或维纳滤波器抑制其他噪声分量，最后使用主要由轴承故障引起的分量建立轴承故障指标[17,18]。这些学者又对滤波算法进行改进，采用维纳滤波器抑制电流信号中所有与轴承故障无关的噪声分量，取消使用模拟陷波滤波器[19]。法国布雷斯特大学学者采用短时傅里叶变换对定子电流做频谱分析，通过谱减法去噪来监测电机轴承的状态[20]。印度尼赫鲁科技大学学者分别使用离散小波变换、平稳小波变换和小波包分解对电流信号分析，进而采用频谱减法抑制电流信号中的主要分量，并通过比较残差信号的统计指标判断轴承运行状态[21]。
相关期刊推荐：《中国电机工程学报》(旬刊)是中国电力行业的一流学术期刊。主要报道电力系统及其自动化、发电及动力工程、电工电机领域的新理论、新方法、新技术、新成果。设有：学术论文、新技术、新成果、新经验、专家论坛、专家建议、标准讨论、科学通报、国外科技动态、会议报告等栏目。
美国马里兰大学MichaelPecht教授等提出一种时移的电流噪声消除方法。通过将采集的电流信号与其自身的延迟信号相加，以消除电流信号中的电源基波及奇数次谐波，延迟量仅取决于供电电源和采样频率[22]。2018年，这些作者提出一种采用线性预测方法的噪声抑制策略。根据轴承故障电机定子电流信号的特点，将其分为可预测分量(电源基频分量及其奇数次谐波分量、固有偏心谐波分量、槽谐波分量)和不可预测分量(轴承故障分量、高斯噪声以及速度波动引起的谐波分量)，对不可预测分量不进行处理，采用最优线性预测理论对可预测分量进行建模，然后与电流信号相减得到残差信号，可同时实现局部损伤和磨损两类故障诊断，其所提两种噪声消除策略的流程图如图3所示[23]。
2.1.2高分辨率频谱分析技术
电机在稳定运行条件下，fe和fc为恒量，经典MCSA采用FFT技术提取电流信号中的边带故障分量。然而，FFT频谱分析一个主要的缺点是由于有限数据点的窗口化而产生的频谱泄露现象，调整窗函数长度和形状可以在一定程度上削弱频谱泄漏，但频谱分辨率也会相应下降，导致电机空载或轻载运行状态下的边带故障分量很难识别。为了克服这些问题，一些学者提出使用高分辨率频谱分析技术诊断轴承故障。例如，法国布雷斯特大学学者提出了最大似然估计、多维MUSIC以及最小描述长度准则相结合的高分辨率谱分析方法[24-25]。2016年，这些学者将定子电流信号假设为包含L个相互独立的指数成分，建立其解析模型，利用贝叶斯信息准则确定模型阶次L，采用Root-MUSIC和ESPRIT技术估计的频率进行轴承故障检测，并通过使用最小二乘估计获得频率的幅值定义了相应的故障严重程度评估指标[26]。
加拿大滑铁卢大学学者认为上述MUSIC及ESPRIT方法主要使用频率幅值信息进行轴承故障检测，忽略了频率分量之间相位信息的作用。于是，提出一种具有辅助频率(auxiliaryfrequency，AF)注入的增强双谱(enhancedbispectrum，EB)分析技术EB-AF用于不同转速和负载条件下的电机轴承故障检测[27]。但是，EB-AF技术只能检测一些特定故障分量的信息，容易导致轴承故障漏诊或误诊。因此，这些学者又提出一种频谱同步技术，能够突出显示分布在多个故障局部频带的相关故障分量的峰值，然后将这些频带进一步同步形成故障信息频谱以增强轴承故障特征[28]。为了改进常规双谱对电机电流信号特征的描述，华中科技大学学者针对提出采用调制信号双谱分析更准确地识别轴承故障，其所提方法原理框图如图4所示[29]。
北京工业大学学者采用改进的绕组函数建立了感应电机的机电-磁耦合计算模型，实现了定子电流信号中的故障谐波分量和幅值提取，并提出一个指标对轴承故障严重程度进行评估[30]。上述这些频率估计技术，能够实现各频率分量的有效分离，包括与基频分量幅值相差较多的边带故障分量，利于实现不同负载工况下的轴承故障诊断，但是需要的计算量较大。
2.1.3解调变换技术
电机轴承发生故障时，电流信号不仅受到幅值调制，而且受到相角调制作用，因此，一些学者提出使用解调变换技术，将基频分量转换为直流分量，解决边带故障分量容易被基频淹没、难以检测的问题，实现轴承故障振动特征分量的直接提取，其通用原理框图如图5所示。例如，西班牙瓦伦西亚理工大学学者使用Teager-Kaiser能量算子(Teager-Kaiserenergyoperator，TKEO)对定子电流信号进行处理[31]。宋向金等人提出使用Hilbert方法对电流信号进行幅值解调和相角解调，然后对提出的平方包络线和瞬时角频率信号作FFT频谱分析，并依据频谱中是否存在特征频率分量fc判断轴承是否发生故障[16,32]。还有一些学者认为多相的电流信号包含更多的故障信息，采用Park变换或Concordia变换对三相电流信号进行变换以抑制基频分量的影响[33-35]。海军工程大学学者采用小波包变换对电流信号Park矢量模进行处理，同时提取相应子频带小波包分解系数的统计特征，对轴承运行状态进行评估[36]。
巴西伊塔茹巴联邦大学学者为进一步改善电流信号的信噪比，采用快速谱峭度算法计算电流信号的最大谱峭度值，确定最优带通滤波器参数并对电流信号进行处理，突出故障冲击成分，最后提取电流平方包络线频谱分析，提取轴承故障特征频率分量fc[37]。在对定子电流进行解调处理的过程中，能够实现基频分量到直流分量的变换，进而将故障特征频率从边带分量fe±fc转化为振动特征分量fc，使得轴承故障特征在频谱中得以显露，最终达到不同负载工况下的故障特征分量准确识别。
2.1.4统计分析技术
采用频谱分析技术提取轴承故障特征分量的诊断策略，在仿真分析和实验结果中都取得了较成熟的效果。但是，在相同损伤程度下，轴承故障特征频率分量的幅值随着负载的增加而增加，导致故障阈值与故障严重程度指标难以确定，采用统计方法提取的统计指标经过标准化处理之后可以有效地克服这一问题，因此，一些学者提出了基于时频域统计特征提取的轴承故障诊断方法。例如，法国图卢兹大学学者为了获得稳定、标准化的故障指标，采用统计过程对Welch周期图法估计的电流信号功率谱进行分析，构建了相应的故障统计指标并进行了阈值评估[38]。德国亚琛工业大学学者采用Welch法估计电流信号的功率谱密度，提取以故障特征频率为中心的频带，从每个提取的频带计算出六个频域统计特征组成特征矩阵，进一步利用线性判别分析降低特征维数，最终使用贝叶斯分类器实现了不同负载运行状态下的两种轴承故障类型诊断[39]。
天津大学学者采用独立主元分析电流频谱进一步处理，并将处理得到的特征标准化形成知识数据库，用于轴承故障在线诊断[40]。墨西哥瓜纳华托大学学者提出一种采用统计四元分析的故障诊断策略。该策略将四元数建立为电流测量值，变量X，Y和Z是电机底盘上的三轴加速度计的测量值，通过四元数的旋转并应用四元数旋转统计数据(例如均值，聚类阴影和聚类突出)以获取它们的特征，然后使用分类算法将它们用于电动机状态分类[41]。墨西哥普埃布拉国家天体物理、光学与电子学研究所学者利用拟合优度测试实现了电机不同供电条件下的轴承故障诊断，其所提方法的流程图如图6所示[42]。美国阿肯色大学学者通过统计分析发现，定子电流信号中给定频率幅值可以使用伽玛分布建模，并且故障发生时会影响伽玛分布的参数，因此，定义了一个新的参数测量故障对伽玛分布的影响，实现了轴承故障的实时诊断[43]。
2.1.5时频分析技术
经典MCSA方法假设交流电机处于稳定工况，然而，由于电源波动、负载扰动、环境噪声等因素的影响，导致电流信号并非严格意义上的平稳信号，尤其在变工况下，基频时变，与基频相关联的故障特征频率也会产生变化，于是一些学者采用短时傅里叶变换[44]、维格纳分布[45-46]、小波包变换[47-49]、连续小波变换[50]等时频分析方法，判断电机轴承的运行状态。但是，上述时频分析方法复杂性较高，分辨率差，或存在交叉项干扰。因此，法国布雷斯特大学学者提出采用集合经验模态分解将两相交流坐标系中的零相电流分解为一系列独立的模态分量，并提取第四个模态分量的方差作为故障判据[51]。美国内布拉斯加林肯大学学者对暂态电流的幅值和频率解调信号进行降采样，将时变轴旋转频率转化为恒量，然后求取降采样解调信号的功率谱密度，进而可以有效识别轴承故障特征分量[52]。针对上述方法带来的量化(截断)误差问题，为了进一步提高算法的检测精度，2015年，该学者则采用电流同步重采样和脉冲检测的轴承故障诊断方法[53]。
2.1.6人工智能技术
近些年来，机器学习技术在工业界和学术界取得了广泛的成功，其已成为目前主流的智能故障诊断方法[54]。部分学者利用不同的信号处理算法，得到电流信号中表征滚动轴承状态的特征量后，将这些特征量与支持向量机[55-58]、自适应神经模糊系统[59]、蚁群聚类算法[60]等相结合，通过设置合适的参数并进行训练，进而实现轴承运行状态在线监测及其早期故障智能识别。然而，这些智能诊断算法普遍存在诸如需人为特征提取和一定的先验知识、泛化能力差、易产生局部最小等问题。
深度学习作为机器学习中的一个新兴领域，能够直接将原始电机数据作为输入，通过多层模型逐层学习数据特征，进而达到故障特征的有效表达，为电机轴承故障智能诊断提供了有益思路[61]。例如，韩国蔚山大学学者采集多相电流信号并保存为单独的数据集，然后分别转换为二图形数据作为二维卷积神经网络的输入，最后在决策层将不同数据集的信息融合，实现了永磁同步电机的轴承故障诊断，其所提诊断框图如图7所示[62]。国立中山大学学者提出使用包含softmax函数的一维卷积神经网络诊断永磁电机退磁和轴承故障[63]。突尼斯迦太基大学学者针对现有的深度学习算法缺乏物理可解释性，提出一种称为deep-SincNet深度学习框架的端到端故障诊断方法，可以实现较好的可解释性，并且对环境噪声有较好鲁棒性，轴承故障识别准确率也较高[64]。
然而，工业生产中记录数据大多数是正常/健康的，获取故障数据往往需要付出昂贵的代价。针对小样本/不平衡数据下的智能轴承故障诊断，西安交通大学学者提出一种采用对抗思想的自适应半监督框架，仅从正常电流信号中学习故障知识，其次采用带有梯度惩罚的沃瑟斯坦生成对抗网络获得沃瑟斯坦距离指数评估轴承是否发生故障以及故障类别[65]。一些采用电流信号分析的轴承故障诊断技术如表2所示。
2.2电机转速信号特征分析
编码器作为一种高分辨率高精度的轴角位置测量装置，已经成为永磁电机调速控制系统必备的基本组成部分，在异步电机闭环控制装置中也得到越来越多的应用。编码器信号对轴承故障引起的瞬态冲击具有较为敏感的特性，其所包含的扭转振动信息非常丰富，可以在一定程度上降低转速带来的故障冲击弱化的影响[66]。但是，原始编码器信号的表现形式难以体现故障冲击，为了更好地监测电机轴承的运行状态，有必要将位置序列转换为更有意义的动力学变量[66-67]。电机转速信号特征分析(motorspeedsignatureanalysis，MSSA)即是使用电机控制系统中已有的编码器进行采集，再从原始编码器信号转化为转速信号，通过采用不同信号处理技术提取轴承故障特征。——论文作者：宋向金，赵文祥
