将高频率分辨力谱估计技术与优化算法相结合而提出一种新的异步电动机转子故障检测方法。针对两种典型的高频率分辨力谱估计技术——多重信号分类(multiple signalclassification,MUSIC)与旋转不变信号参数估计技术(estimation of signal parameters via rotational invariancetechnique,ESPRIT),应用模拟转子故障的定子电流信号测试其频率分辨力、精度等性能,结果表明:即使对于短时信号,二者仍具高频率分辨力,可以准确地分辨定子电流信号中转子故障特征分量、主频分量之频率;但对其幅值、初相角,仅能提供"粗糙"估计。为此,尝试以优化算法——模拟退火算法(simulated annealing algorithm,SAA)与模式搜索算法(pattern search algorithm,PSA)确定各分量的幅值与初相角。同时,分别对MUSIC与ESPRIT、SAA与PSA做了性能对比,遴选优者并应用于转子故障检测。最后,针对转子断条故障进行实验,结果表明:基于高频率分辨力谱估计技术与优化算法的异步电动机转子故障检测方法有效、可行,即使在负载波动、噪声等干扰严重情况下仍然适用。
提出了一种基于奇异值分解(Singular Value Decomposition,SVD)滤波和快速四阶累积量(Speedy Fourth-Order Cumulants,SFOC)旋转不变信号参数估计技术(Estimation of Signal Parameters via Rotational Invariance Technique,ESPRIT)的异步电动机转子断条故障检测方法。SVD滤波方法可以理想地滤除电机定子电流信号的基频分量与背景噪声,从而凸显转子断条故障特征频率分量;四阶累积量ESPRIT方法可以有效减少噪声干扰、扩展信号阵元并以高频率分辨力提取定子电流信号中的转子断条故障特征频率分量;特别是,将二者结合即可在短时采样信号条件下以高频率分辨力提取转子断条故障特征频率分量。为了改善四阶累积量ESPRIT方法的快速性,提出了精简算法以消除均匀线阵的DOA(direction ofarrival)估计中的大量冗余数据,从而大幅减小计算量。转子断条故障检测实验表明:基于SVD和SFOC-ESPRIT的异步电动机转子断条故障检测方法效果良好。
