阅读说明：本技术 基于机器视觉的异步电机转子断条故障识别方法 (Asynchronous motor rotor broken bar fault identification method based on machine vision ) 是由 王攀攀 张阳 徐泽涵 高利强 童志刚 卢俊结 许浩 孙绍峰 高志宇 于 2019-10-25 设计创作，主要内容包括：本发明公开了一种基于机器视觉的异步电机转子断条故障识别方法。首先测取三相定子电流瞬时信号,利用Park矢量法对电流信号进行分析,获得Park矢量轨迹图；然后利用方向梯度直方图方法提取出Park矢量轨迹的图像特征,形成特征向量；最后将提取出的特征向量输入到电机故障分类支持向量机(SVM)模型中,得到电机故障的识别结果。本发明不仅可准确识别出转子断条故障,而且解决了人工识别电机转子断条故障的问题。(The invention discloses a machine vision-based asynchronous motor rotor broken bar fault identification method. Firstly, measuring a three-phase stator current instantaneous signal, and analyzing the current signal by using a Park vector method to obtain a Park vector trajectory diagram; then, extracting image features of the Park vector trajectory by using a direction gradient histogram method to form feature vectors; and finally, inputting the extracted feature vector into a motor fault classification Support Vector Machine (SVM) model to obtain a motor fault recognition result. The method not only can accurately identify the rotor broken bar fault, but also solves the problem of manually identifying the motor rotor broken bar fault.)

基于机器视觉的异步电机转子断条故障识别方法

技术领域

本发明涉及一种基于机器视觉的异步电机转子断条故障识别方法，属于电机故障诊断领域。

背景技术

异步电机具有很多优点，如结构简单、寿命长和制作成本低等，所以异步电机的应用范围十分广泛。但电机运行环境比较恶劣（频繁启动、过载运行、机械应力以及过大的热应力），易出现转子断条故障，断条故障的发生率约占电机全部故障的10%。

转子断条故障是渐进性故障，断条位置的相邻导条与端环连接处的热应力明显增大，继而容易造成邻近导条的相继断裂，而后逐渐发展至电机出力下降甚至停机，因此对电机转子断条故障进行检测尤为重要。

异步电机转子发生断条故障时，会在定子电流中产生频率为(1±2ks)f ₁的附加电流分量（其中，k=1,2,3…，s表示电机的转差率，f ₁为供电电源的频率），此电流分量可作为断条故障的特征量，依据该特征，目前已提出许多检测方法，如快速傅里叶方法、Hilbert模量方法和瞬时功率法等。除上述方法频谱分析法外，Park矢量法也可用于检测转子断条故障，其特点是将电流中的故障特征以图形的方式表现出来。上述检测方法仅做到将电流分析结果呈现出来，电机是否发生转子断条故障需要人工分析和辨识。

发明内容

发明目的：为解决基于信号处理的电机故障检测方法中无法自动辨识电机故障类型的问题，提出一种基于机器视觉的异步电机转子断条故障识别方法。

为了实现上述技术目标，本发明采用下述技术方案：

首先测取三相定子电流瞬时信号，利用Park矢量法对电流信号进行分析，获得Park矢量轨迹图；然后利用方向梯度直方图方法提取出Park矢量轨迹的图像特征，形成特征向量；最后将提取出的特征向量输入到电机故障分类支持向量机(SVM)模型中，得到电机故障的识别结果。

上述基于机器视觉的异步电机转子断条故障识别方法，具体包括以下几个步骤：

步骤一：采集三相定子电流瞬时信号；

步骤二：利用Park矢量法对电流信号进行分析得到Park矢量轨迹图，Park矢量法是将电机定子电流从(A, B, C)三相静止坐标系转换到(D, Q)两相静止坐标中，其中相应坐标上的电流分量i _D和i _Q构成一个Park矢量，随着时间的推移，在DQ坐标系中形成Park矢量轨迹，i _D和i _Q与定子三相电流(i _A, i _B, i _C)之间的转换关系为：

步骤三：利用方向梯度直方图方法提取出Park矢量轨迹的图像特征，形成特征向量，输入电机故障分类支持向量机(SVM)模型，得到Park矢量轨迹的识别结果。

近一步地，上述步骤三中识别Park矢量轨迹的具体步骤为：

步骤1：选取一部分Park矢量轨迹作为训练样本，利用方向梯度直方图方法提取出图像特征形成特征向量；

步骤2：利用步骤一提取出的特征向量训练支持向量机得到电机故障分类模型；

步骤3：将剩下的Park矢量轨迹作为测试样本，利用方向梯度直方图方法提取出图像特征形成特征向量，输入电机故障分类模型；

步骤4：电机故障分类模型输出测试样本及其故障类别。

近一步地，上述步骤1和3中提取图像的方向梯度直方图特征的具体步骤为：

步骤(1)：将图像样本的大小统一；

步骤(2)：采用Gamma校正法对输入图像进行颜色空间的标准化；

步骤(3)：计算梯度；

图像中像素点(x, y)的梯度为：

式中：G _x (x, y)、G _y (x, y)、H(x,y)分别表示输入像素点(x, y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：

步骤(4)：构建梯度方向的直方图。

近一步地，上述步骤(4)中构建梯度方向的直方图的具体步骤为：

步骤①：将图像分成许多个单元格，计算每个单元格上各个方向的梯度分布；

步骤②：将几个单元格组成一个块，串联块中所有单元格的梯度分布即可得到该块的方向梯度直方图特征；

步骤③：通过滑动块，把图像所有块的方向梯度直方图特征串联起来，进而得到该图像的方向梯度直方图特征向量。

本发明显著的优势为：1）只需采集电机的定子三相电流，所需的硬件成本较低；2）可准确识别出电机转子断条故障，且在转子断条故障初期即可识别出故障；3）输出的结果是测试图像及其故障类别，结果直观明了，解决了人工分析和辨识电机转子断条故障的问题，是一种智能识别方法。

附图说明：

图1为基于机器视觉的异步电机转子断条故障识别方法流程图；

图2为实验台原理图；

图3为正常电机满载运行时电流的Park矢量轨迹；

图4为电机连续断条2根满载运行时电流的Park矢量轨迹；

图5为正常电机满载运行时电流的Park矢量轨迹可视化方向梯度直方图特征；

图6为电机连续断条2根满载运行时电流的Park矢量轨迹可视化方向梯度直方图特征。

具体实施方式

：

下面结合附图及电机检测实例对本发明作进一步的说明。

图2为实验台的原理图。实验电机为Y90S-4型感应电机，其技术参数如表1所示，另外配备了正常转子和断条两根转子。分别在电机正常和电机断条2根两种情况下进行实验。

表1电机技术参数

具体操作过程如下：

步骤1：采集电机三相定子电流：

利用3只电流钳直接钳在定子绕组的三相接线端，测取定子瞬时电流信号，然后通过NI采集卡采集定子电流数据，改变电机负载，采集电机在多种负载强度下的电流数据。其中采样频率为1000Hz，采样时长为1秒；

步骤2：利用Park矢量法对三相电流进行分析，获得Park矢量轨迹图片样本；

步骤3：选取其中的一部分图片作为训练样本分别放入两个文件夹中，即健康和断条2根，然后提取出训练样本的方向梯度直方图特征形成特征向量：

3.1：统一图像样本的大小为256×256个像素；

3.2：采用Gamma校正法对输入图像进行颜色空间的标准化；

3.3：计算图像中像素点的梯度；

3.4：构建梯度方向的直方图；

3.4.1将图像分成多个单元格，单元格大小为16×16个像素，单元格中的梯度方向的范围设置为0°~360°，梯度方向分成9个区间，即每个单元格中都有1个9维特征向量表示梯度方向直方图的大小；

3.4.2将2×2个单元格组成一个块，则每个块上有2×2×9=36维特征向量表示梯度方向直方图的大小；

3.4.3滑动块得到该图像的方向梯度直方图特征，一幅图像共有(16-2+1)×(16-2+1)=225个块，每块中含有36维特征向量，则一幅图像共有225×36=8100维特征向量；

步骤4：利用步骤3提取出的特征向量训练支持向量机得到电机故障分类模型；

步骤5：将剩下的图片作为测试样本，提取出其方向梯度直方图特征形成特征向量输入电机故障分类模型：

5.1：统一图像样本的大小为256×256个像素；

5.2：采用Gamma校正法对输入图像进行颜色空间的标准化；

5.3：计算图像中像素点的梯度；

5.4：构建梯度方向的直方图；

5.4.1将图像分成多个单元格，单元格大小为16×16个像素，单元格中的梯度方向的范围设置为0°~360°，梯度方向分成9个区间，即每个单元格中都有1个9维特征向量表示梯度方向直方图的大小；

5.4.2将2×2个单元格组成一个块，则每个块上有2×2×9=36维特征向量表示梯度方向直方图的大小；

5.4.3滑动块得到该图像的方向梯度直方图特征，一幅图像共有(16-2+1)×(16-2+1)=225个块，每块中含有36维特征向量，则一幅图像共有225×36=8100维特征向量；

步骤6：电机故障分类模型输出测试样本及其故障类别。

图3和图4分别是正常电机和电机断条2根电流的Park矢量轨迹，电机正常时，电流的Park矢量轨迹接近一个圆，这是由于电机制造工艺不够完美以及供电电压不是标准的正弦波；电机断条2根时，由于定子电流中的谐波分量调制了基波的幅值，使得Park矢量轨迹的半径发生周期性的脉动，进而形成一个圆环。

图5和图6分别是正常电机和电机断条2根电流的Park矢量轨迹可视化方向梯度直方图特征。从图中可见，方向梯度直方图特征准确地展现了两种状态下Park矢量轨迹的形状特征。轨迹内外空白部分由于各个方向的梯度大小均为0，故该部分的方向梯度直方图特征是非常小的圆点；而轨迹周围的方向梯度直方图特征则是由较大的不规则形状组成，这是因为轨迹周围各个方向的梯度大小不等，使得线条的长短不一。基于上述原理，方向梯度直方图准确地提取出了图像的轮廓信息。图5是电机完好时的方向梯度直方图特征，此时梯度方向分布与Park矢量轨迹一致具有圆形的规律性；图6是电机断条2根时的方向梯度直方图特征，梯度方向分布同样具有圆形的规律性，但与图5相比，规律分布的厚度明显增加。

选取图像样本中16×2组方向梯度直方图特征数据作为训练样本，剩下的8×2组作为测试样本。先用训练样本数据训练SVM，获得电机故障分类模型；然后用8×2组测试样本对其进行分类实验。测试结果如表2所示。由表2可见，在16个测试样本中仅有1个样本分类错误，总体的准确率高达93.75%，验证了所提方法的有效性，也为基于信号处理的故障检测方法中实现故障的自动辨识提供了一种新方法。

表2识别结果