針對生產實際和日常維護管理的需要，我們對近年來發生的三相交流異步電動機的機械故障作了統計，總結分析了電動機振動原因及相關振動監測值的特點，對監測數據進行模糊識別，確定被監測設備的運行狀態，為電機運行的故障類別和狀態提供有效判據，保證了電動機的可靠運行。
一、三相異步電動機故障的特點及診斷方法電動機日常維護檢修的實踐證實，常見電機故障原因主要有電磁振動、電機不對中、轉子不平衡、軸承磨損、潤滑不良、基礎剛性不足和機械松動。電動機電氣故障可采用測量運行電流、電機絕緣和繞組直流電阻等方法判斷；機械故障常采用振動監測診斷、沖擊脈沖法、電流診斷法和頻譜分析法等。根據電機振動速度標準IS02373對電動機六個測點位置的規定，振動加速度、速度、位移振幅的特點，以及使用儀器的功能，確定振動監測項目為各監測點上的振動幅值、速度值、加速度高頻值Hi和Lo，根據中小型電機的結構取消了非軸伸端軸向的測量值。電動機運行過程中存在著許多不確定因素，因此對其進行故障診斷也存在一定的模糊性，主要表現在：(1)診斷參數的模糊性。用于故障診斷的振動參數的頻率范圍帶有一定的模糊性，不同參數、部位及方向上的振動值超標，所反映的故障狀態存在模糊性；(2)診斷方法的模糊性。造成電動機故障的原因常常不是單一的，例如軸承損壞、基礎松動等故障常由電磁振動、不對中或動不平衡等引起，因此使用哪種或哪幾種方法綜合診斷故障，具有模糊性；(3)診斷標準的模糊性。診斷標準是故障診斷的依據，使用哪種標準進行診斷較為準確，現場溫度、負荷等運行工況變化時，診斷標準如何修正，都會影響診斷的準確性，且存在較大的模糊性。因此，采用多參數綜合分析的模糊振動診斷法符合電動機故障診斷的實際情況，可以收到良好的效果。
二、模糊診斷模型的建立由于是針對每臺電機建立診斷標準，因此，采用直接方法進行模式識別。多因素綜合評判模糊向量的計算式為Y=R?X’其中：模糊關系矩陣R的行向量表示振動故障特征，列向量表示故障原因，“?”表示模糊邏輯算子。由于普通矩陣相乘法則能夠避免故障信息的損失，因此，模糊邏輯算子選用普通矩陣相乘的法則。隸屬函數反映出現故障的可能性程度。可以采用類似于評判記分的方法確定癥狀論域的隸屬度，即將監測到的各參數值與其對應的故障診斷標準相除，并進行適當的修正，確定隸屬度。該方法簡單實用，經驗證，符合電動機常見振動故障的診斷要求。其計算方法如公式(1)式中：Ux—隸屬度；Xi—故障特征參量的實際值；Sx—被診斷電動機相應監測參數的診斷標準；MX—修正系數。所用狀態監測儀器測量的振動幅值(雙倍幅值)和振動速度值均為中頻范圍下的有效值，加速度所測的低頻值L。為10Hz~1kHz，高頻值Hi為1~15kHz，故確定各參數的修正系數如表1所示。
模糊綜合診斷必須選擇合適的診斷標準。由于電動機轉子在工作時需承受各種復雜和交變的應力作用，有些故障診斷的*標準不適用或診斷準確性差，故采用相對標準判斷較為合理。把電動機自身的狀態作前后縱向比較，參數的變化能比較準確地反映其狀態的變化，判別的可靠性更大一些，因此，*終確定采用統計法針對每臺電機建立其相對標準。
由于電機各監測部位的不同監測參數反映不同部件的運行狀況，而各部件對電動機的影響程度不同，因此需分別設定所對應的閾值，然后用*大隸屬度原則判定*可能出現的原因。閾值原則是指，凡隸屬度大于閾值的項所對應的就是故障原因所在，而其中*大隸屬度項就是*可能出現的故障原因。通過對各類故障電機的監測數據進行統計匯總，計算其隸屬度，求出同類故障的每臺電機對應的故障診斷值，并結合對設備影響程度的大小，確定對應故障的閾值如表2所示。
利用專家知識建立知識庫是模糊推理的關鍵，故障診斷模糊矩陣反映的是故障原因與故障征兆之間的關系。原因與故障之間錯綜復雜，為了能從征兆中找出原因，需預先訂出征兆與原因之間的相關程度，即模糊診斷矩陣。
通過總結分析電機日常檢修資料和對應的狀態監測數據，對所有進行狀態監測的故障電機進行故障類型的標識，計算出每臺電機診斷標準的隸屬度值即標準隸屬度，求出同類故障下每個監測參數中對應隸屬度大于相應標準隸屬度的個數，將各監測參數所占的百分比作為征兆與原因之間的權系數，以此構成模糊診斷矩陣，見表3。
三、診斷實例
1.過程分析。2003年4月，該電機振動劇烈，軸承噪聲較大，診斷為動平衡不良和前軸承磨損。對前后軸承補充潤滑脂后，振動值仍然偏大。后于6月檢修時對電機轉子進行了動平衡試驗，發現轉子兩端分別有125g和99.7g的不平衡量，分別調整至7.02g和19.5g，并更換了前后軸承，振動消除，運行狀況良好。
2.診斷分析。通過對不同階段監測數據的分析計算，得到隸屬度值如表5，結合模糊矩陣和診斷閾值進行綜合計算，
熱線： 13802711167
地址： 珠海市香洲區華威路319號中濠大廈二棟301
