開展機械系統故障診斷研究不僅可以提高數控機床和工業機器人設備的安全性、可靠性和可維護性，預防重大生產安全事故，延長設備使用壽命，而且有助于提升集成電路制造、航空航天裝備、海洋工程裝備、軌道交通裝備等一系列關鍵領域產品的智能化水平。

近年來，隨著智能診斷理論與方法，尤其是大數據技術的進步，故障特征提取、故障識別及壽命預測研究都得到了長足的發展。然而，這些研究多直接以外部附加傳感器作為數據來源，在信號獲取便捷化、信息維度豐富化方面，還有待解決與深入。

電機作為電能到機械能的轉換裝置，被廣泛地應用在工業生產的各個領域。國際能源署2019年發布的《世界能源展望》報告中指出，電力需求增速是全球能源增速的兩倍多，而全球電力需求增長的主要驅動力是在工業生產領域使用的電機，尤其是中國的工業電機。其中，采用閉環控制策略的電機驅動系統以其高精度、寬調速范圍的特點廣泛用于航空航天、集成電路制造、海洋工程裝備等工業和制造業部門。

通常，電機通過絲杠、齒輪、聯軸器等傳動機構，按照指定的位置、速度和力矩指令，驅動負載進行運動。同時，包含傳動機構在內的機械設備的運行狀態也會反饋到電機驅動系統中。基于電機結構特點和能量轉換關系，威斯康星大學麥迪遜分校的R. D. Lorenz教授提出了“自傳感”概念：在電機驅動系統有限的測量信息的基礎上，通過觀測、估算的方式得到電機的運動和磁場信息，從而將電機驅動系統構造為“集成傳感系統”。應用自傳感信息既可改善電機控制效果，又可輔助進行故障檢測。

與基于振動、位移、噪聲、熱成像信號的故障診斷方法相比，將電機驅動器作為感知器可以避免外部附加傳感器帶來的安裝不便、安裝位置影響信號一致性、信號來源單一、使用成本較高等問題。為了發揮電機驅動器自身的感知能力，可以利用電機和驅動器內置的傳感器測量電流、位置信號，提取電機控制過程中蘊含機械運動狀態的控制信息，構建觀測器、辨識器獲取電機轉矩、功率和機械參數，從而構建多物理維度的電機驅動系統自傳感信息庫。

電機驅動系統中蘊含豐富的機械負載運行狀態信息，研究基于電機驅動系統自傳感的故障診斷方法可在不安裝附加傳感器的基礎上豐富機械故障診斷的數據來源，為提升制造裝備智能化水平提供助力。電機驅動系統自傳感信息庫如圖1所示。

圖1 電機驅動系統自傳感信息庫

河南工業大學電氣工程學院等單位的研究人員認為將電機驅動系統作為智能制造中的傳感節點，既有助于在現有設備基礎上實現全生命周期健康管理，也符合智能制造中萬物互聯的發展趨勢。他們聚焦電機驅動系統自傳感這一新型信息感知方案，以不同物理屬性的自傳感信息為出發點，綜述了基于定子電流、矢量電信號、電機轉矩、功率、位置和機械特性的故障診斷研究，對比了不同類別傳感信息的優勢和局限性。

表1 機械故障診斷中不同傳感信息的優勢與局限性

研究人員指出，將電機驅動系統作為感知器可以避免安裝附加外部傳感器，但在實際應用場合中還存在信號有效性不高、機電故障易耦合、自傳感信息與外部傳感器間信息融合不緊密等問題。此外，如何建立精確的機電系統模型，如何設計兼顧控制與傳感需求的電機驅動系統也是值得研究的重要問題。對此，他們系統性地歸納了上述關鍵性問題并提出了潛在解決方案，可為機械故障診斷領域的研究學者和工程技術人員提供參考。

圖2 電機驅動系統自傳感研究中存在的關鍵性問題及其潛在解決方案

1 電機驅動系統自傳感信號有效性問題

現有研究表明，電機驅動器可以感知機械系統運行狀態信息，然而電機驅動系統的閉環控制特性和機械故障信號在傳動系統中的傳播過程均會削弱電機驅動系統自傳感信號中故障特征分量的幅值，降低電機驅動系統作為感知器的靈敏度和準確度，阻礙對機械故障的有效感知。

1.1 閉環控制系統影響

為滿足高速高精度加工要求，電機驅動系統多采用閉環控制方案，然而，在電機閉環控制系統中，機械故障的影響會被閉環控制系統等效為外部擾動，進而受到閉環控制的抑制。清華大學的楊耕也引述了R. D. Lorenz教授的觀點，指出閉環控制系統中構建的轉矩觀測器的帶寬會受到閉環控制的限制。

針對閉環控制系統的影響，研究人員多通過設計故障觀測器、構造受閉環控制影響較小的診斷指標及高頻信號注入方法來應對閉環控制的影響。此外，通過建立系統閉環控制特性模型，并設計基于模型的信號補償方法也可強化電信號中被閉環控制抑制的故障特征。

對于特定頻率的機械故障信號，閉環控制特性也能起到積極的作用。普瓦捷大學的M. L. Masmoudi等將閉環控制系統幅頻特性等效為觀測器，通過調整觀測器參數，放大了q軸電流頻譜內故障特征信號的幅值。

1.2 柔性傳動系統影響

當機械故障發生在遠離電機軸位置時，故障信號從故障源位置傳遞到電機驅動器的過程中，故障信號能量會發生衰減，尤其是傳動鏈中含有柔性元件時，能量衰減現象會更加顯著。華中科技大學Yao Yuan等從工程實踐角度出發，分析了柔性傳動系統對故障信號傳遞過程的影響，針對故障信號在傳播過程中的衰減現象設計了基于故障傳播路徑的信號增強方法，以增強機械故障信號的能量。

然而，該研究只是在實驗室環境下進行了測試，在實際工程應用中的效果還有待驗證。此外，實際應用中故障部件的不確定性也給故障傳播路徑建模帶來了困難。

2 機電故障分離問題

故障定位是故障診斷的主要任務之一，也是維修決策的重要支撐。電機驅動系統由驅動器、電機、傳動機構和機械負載構成，各部件間緊密關聯。由于大部分機械故障具有傳遞性，一旦故障發生，故障信號會在各部件間傳播蔓延。

基于外部傳感器的故障診斷方案可以通過安裝多個傳感器的方式獲取多個部件的運行狀態，從而分析故障傳播關系，確定故障源位置。在電機驅動系統自傳感方案中，電機位置相對固定，難以按照常規方式進行故障定位。此外，潛在的電機和驅動器故障也可能引發機械振動現象，給故障定位帶來困難。針對機電系統中的故障分離與定位問題，可從以下兩方面展開研究。

2.1 基于機理知識的故障分離研究

電機驅動系統是電磁場、溫度場、應力場等物理場組合而成的多物理場混合系統。根據基本物理規律與電機驅動系統運行機理，可開展機電故障分離研究。

交流電機輸入功率可分為有功功率和無功功率，其中有功功率主要用于驅動機械負載，而無功功率主要用于建立和維持磁場。由此，可以認為無功功率對電機故障診斷更為敏感。德黑蘭大學的J. Faiz等也指出，在異步電機偏心故障診斷中，基于無功功率構造的故障診斷指標比基于定子電流構造的診斷指標更敏感。相應地，有功功率多被用于電機驅動的機械傳動和負載機構的故障診斷中。

電機定子電流常用于電機診斷和機械故障診斷，其典型故障特征是頻譜中電角頻率兩側的邊頻帶。意大利學者D. Bellini和F. Filippetti等指出，在異步電機轉子故障中，定子電流頻譜中的左側邊頻分量的幅值與故障直接相關，而右側邊頻帶是受轉速波動效應的影響才產生的，其幅值也會受到轉速波動幅度的影響。

然而，在機械故障影響下，根據理論推導和實驗驗證，定子電流頻譜中的左右邊頻分量幅值大小幾乎相等。就筆者所知，目前的研究和實驗中沒有證據表明轉速波動會影響機械故障情況下的定子電流頻譜中邊頻分量之間的相對幅值。

上述現象可以作為分離電氣與機械故障的一種潛在思路。此外，依據電機驅動系統運行規律構造故障觀測器也有助于確定具體故障類型。

2.2 基于數據驅動的故障分離方法

除基于機理知識的機電故障分離方案外，盲源分離技術、圖論算法和機器學習算法也提供了另一種基于數據的故障分離渠道。近年來，深度學習軟硬件技術的發展也增強了機電故障分離的可能性。實現機電故障分離需要獲取足夠多的機械和電機驅動器故障數據，但在實際應用中深度學習算法常面臨故障數據少、健康數據多、故障傳遞性強及工況變化多等問題。

有研究學者認為，生成對抗神經網絡（Generative Adversarial Network, GAN）[56-57]和深度遷移學習（Transfer Learning Network, TLN）將是解決上述問題的突破口。河南師范大學毛文濤等將原始信號的頻譜信息作為堆疊降噪自動編碼器（Stacked Denoising Auto Encoder, SDAE）的輸入，并采用生成對抗神經網絡彌補了故障樣本不足的問題。

西安交通大學雷亞國等以故障特征分布與距離度量為遷移學習的橋梁，將故障診斷模型從實驗室環境遷移至實際工程應用環境。但受源域、目標域間差異和模型算法自身性能限制，遷移學習過程中會產生負遷移現象。

深度學習的性能依賴數據樣本，合理利用深度學習算法可以充實故障數據集，擴展故障類型，有助于實現機電故障分離。但在數據樣本不平衡的實際條件下，機電復合故障在實際工程中往往可遇而不可求；設計、制造可靠的機電復合故障實驗臺，實現準確的故障表征也并非易事。

3 電機驅動系統自傳感信息與外部傳感器信息的融合問題

利用電機驅動器進行信息感知可以帶來諸多優勢，但也應注意到，隨著傳感器技術、無線通信技術的發展，外部傳感器的精度和使用便捷性都在提升，而成本在不斷降低。為了適應這種新變化，基于電信號進行故障診斷的研究有必要主動探索融合電機驅動系統自傳感信息與外部傳感器信息的新型故障診斷方案。

在機械故障診斷領域，包含定子電流、轉矩、功率等信號在內的電機驅動系統自傳感信息與振動、轉矩、噪聲等外部傳感器測量信號間的關系經歷了有效性驗證、主輔協作到相互融合的發展歷程。

在基于電機驅動系統信息檢測機械故障研究的發展初期，振動信號分析等機械故障診斷方法常被用于驗證電流信號分析方案的有效性。意大利學者F. Immovilli和韓國學者J. Jung等對比了電信號和振動信號在軸承故障診斷中的應用，證明了基于電信號的機械故障診斷結果與振動信號分析結果的一致性。F. Immovilli等還指出，在故障特征頻率較低時，定子電流能夠起到與振動信號同等的故障診斷效果。這一前提條件也與本文中關于信號有效性的分析相吻合。

在驗證了電信號感知機械系統運行狀態的有效性后，電流信號逐漸開始被用于輔助振動信號開展故障診斷。針對轉速變化狀態下的風力發電機，內布拉斯加林肯大學的Wang Jun等從定子電流信號中提取電機旋轉頻率，實現了對振動信號頻譜中故障特征頻率的追蹤。波蘭學者V. H. Jaramillo等先從加速度、電流、電壓和溫度傳感器采集的數據中提取故障特征，再利用分層貝葉斯模型開展特征級信息融合，并分離了多種不同類別的機械故障。

近年來，深度學習方法常被用于處理各類傳感裝置采集的信息。除將原始時序信號直接作為深度學習模型的輸入外，融合多種傳感信號后得到的信號灰度矩陣、電矢量軌跡和信號時頻圖譜也被證明能夠滿足故障檢測和健康狀態定量評估的需求。目前，基于深度學習的信息融合技術還停留在對原始信號進行簡單處理和疊加的階段，缺乏更深層次的信號融合方法。

機械故障通常表現為空間位置的函數，將電機驅動系統自傳感信號與外部傳感器測量的位置信號相融合有助于實現機械故障定位。隨著對故障機理認知的不斷深入，可考慮將故障機理引入自傳感信息與外部傳感器信息的融合研究中，實現從表象融合到深層機理融合的突破。

4 基于電機驅動系統自傳感的系統建模問題

故障診斷方法可分為基于模型和基于數據兩大類，基于模型的方法又包括基于物理規律的解析模型法和基于概率論的統計模型法。

其中，基于解析模型的故障診斷方法利用目標的內在物理規律建立等價空間模型，設計狀態觀測器和參數估計器，對系統的運行狀態進行估計和預測，并通過分析理想輸出與實際輸出之間的殘差信號實現故障診斷。解析模型不僅能提供一種高實時性的故障檢測手段，而且也有助于了解故障演化過程與故障表征形式，為基于數據的診斷方法提供理論依據和故障特征指標。

燕山大學的時培明、重慶大學的邵毅敏等分別對齒輪和軸承傳動系統進行了故障動力學分析，指出了故障狀態下振動信號的頻域特征，為機械系統狀態監控與故障診斷提供了理論支持。

但在實際工程應用中，機電設備結構復雜，工作任務差異性大，外界干擾和噪聲等問題都可能降低解析模型的精確性，影響診斷效果。作為機械設備的動力源，電機驅動系統兼具執行器與感知器的作用，在機電系統建模方面具有獨特的優勢。

4.1 位域變化系統建模

機電系統的特性不僅會隨時間發生變化，而且會隨運動部件空間位置的改變而發生變化。例如，齒輪的嚙合剛度受參與嚙合齒輪間的相對空間位置的影響，機床進給系統的剛度、阻尼系數會隨著工作臺位置的改變而發生變化。同時，機械故障表征信號也常表現為空間位置的函數。

因此，構建具有空間位域變化特性的機電系統解析模型具有重要意義。電機驅動系統不僅能夠感知電流、轉矩、功率等運行狀態信號，而且能夠獲取電機旋轉相位和運動部件的空間位置信息，為基于位域變化的系統建模與觀測研究提供支持。

4.2 指令參考建模

隨著制造業的不斷轉型升級，以數控機床和工業機器人為代表的制造裝備的工作任務也變得更加復雜。僅以電流、電壓、位置等測量信號作為觀測器的輸入可能不足以反映系統隨加工任務要求而產生的運行狀態變化，進而影響診斷效果。因此，有必要構建系統模型與加工任務間的關聯。

作為機電系統的執行器，電機驅動系統從數控系統、機器人控制器等控制裝置接收位置、速度、轉矩指令驅動負載機構按預定軌跡執行運動。這些指令信號描述了制造過程中的產品、工藝信息。通過參考電機驅動系統的指令信號，可構建不同工作任務下系統的運行狀態觀測模型，從而提取實際運行狀態與指令信號參考模型的殘差，開展故障診斷研究。

4.3 多物理信息系統建模

作為典型的多物理場混合系統，如何建立機電系統的多物理信息模型一直是故障診斷研究的熱點。近年來，研究學者已開展了基于多源異構數據的機電系統建模研究，但數據采樣時刻不同步、存儲格式各異等問題會增加建模難度。

得益于統一的物理硬件平臺，電機驅動系統自傳感信號具有高時間同步性、相同的數據存儲和傳輸格式，可在一定程度上解決建模中的不確定性與復雜性問題。此外，若能將電機驅動系統感知的多物理維度的機械運行狀態信息與大數據智能建模算法相結合，更可為全面、精確建立機電系統多物理信息模型提供新的解決方案。

5 以自傳感為目標的電機驅動系統設計問題

在現階段的工業應用中，能夠滿足機械故障實時在線診斷的工程應用實例較少，但仍有部分行業領先企業開發了相關解決方案。例如，倍福公司的Twin CAT3軟件平臺可搭載機器學習模型，并依據實時監控數據開展在線故障診斷。國內企業華中數控開發的華中9型數控系統也具備依據負載電流數據進行機床健康狀態自檢的功能。

作為感知器，電機驅動系統可為設備邊緣側的故障診斷工業應用提供數據源。但應注意到，現有電機驅動系統是以控制為首要目標而設計的。受成本、能耗和空間等多方面限制，電機驅動器內置傳感器的測量精度、靈敏度、動態范圍通常低于專用檢測儀器。

同時，自傳感信號的采樣頻率也會受到電機驅動器控制周期、內置模數轉換器性能和總線數據通信速率等因素的制約。目前，電機驅動系統自傳感信息更適合作為外部傳感器故障診斷方法的補充，在裝配過程中和日常加工間隙對目標設備進行故障診斷與健康狀態評估。

為了強化電機驅動系統感知能力，提升自傳感信號的豐富度和準確性，有必要設計一類兼顧控制與傳感的電機驅動系統軟硬件解決方案。

在硬件設計方面：電機驅動系統需要使用高精度、高動態范圍的傳感器以保證傳感精度，并配合高速通信總線、多核處理器以提升計算能力、采樣速率和信息交互能力。

在軟件設計方面，需要進一步提升自傳感信號的觀測、估算精度，降低時延，并設計新的故障指標觀測器，以提升自傳感信號的豐富度，并滿足不同設備在結構和工藝上的個性化需求。

為了實現機械故障的實時在線診斷，除提升電機驅動系統的計算能力與設計適宜的診斷策略外，還可通過外聯邊緣計算設備分擔電機驅動系統的算力和數據傳輸、存儲需求。如能在電機驅動系統設計過程中為SINUMERIK Edge、TwinCAT3、Edgecross等邊緣計算設備及其配備的綜合工程開發軟件平臺預留接口及通信協議，將有助于信號處理與故障診斷算法的實現，從而提高機械故障診斷實時性和精確性，提升機電設備智能化程度。

本文編自2022年第12期《電工技術學報》，論文標題為“基于電機驅動系統自傳感的機械故障診斷研究綜述”。本課題得到了科技部國家十三五重大專項和河南工業大學自然科學基金資助項目的支持。