为了提高电机运行的安全性和可靠性，减少电机首次安装中存在的角度不对中现象，哈尔滨工业大学电气工程系的科研人员杨明、黄旭、任博阳、柴娜、徐殿国，在2021年第15期《电工技术学报》上撰文，提出一种基于电机转速信号的电机首次安装角度不对中故障检测方法。该方法不需要任何健康数据及历史数据信息，更不需要额外安装振动传感器，具有广阔的应用前景。

近年来，针对转子轴承系统进行的不对中故障诊断与监测方面的研究非常普遍。旋转机械的不对中故障会对整个系统的可靠运行构成严重威胁，往往会导致停机甚至带来巨大的经济财产损失和人员伤亡。据统计，工业界每年大约要花费维护费用的40%来解决旋转机械的不对中问题。

不对中故障主要包括轴承不对中和联轴器不对中，联轴器不对中又分为平行不对中和角度不对中两大类。在电机安装环节，由于电机安装误差而导致的驱动和从动机械轴偏心是联轴器角度不对中故障的主要来源，其示意图如图1所示。

图1 角度不对中示意图

目前国内外学者对不对中故障诊断已经取得了一定的研究成果。这些关于不对中故障的研究都是基于振动信号，但振动信号的获取需要额外安装传感器，传感器不仅价格昂贵而且还会受到实际工作条件的限制，后期维护也不方便，并不能很好地适用于电机初始安装环节的不对中检测。

近年来，基于电气法的机械故障诊断作为一种非入侵式的手段而备受关注。

有学者基于电机的起动电流信号对不对中故障进行了诊断与辨识，初步的研究结果表明采用电机电流信号来实现机械故障诊断与监测具有良好的应用前景；有学者表明电流信号和负载转矩信号在不同类型的联轴器下对角度不对中故障的诊断效果不尽相同，且随负载的变化而变化；有学者通过采用快速傅里叶变换（Fast Fourier Transformation, FFT）并结合小波变换分析了转矩信号的频谱特性，初步实现了对不对中故障的检测，并表明转矩信号用于不对中故障诊断的有效性；有学者基于转速信号的特征分析法对电机轴承进行故障诊断，初步表明转速信号特征分析法用于典型性机械故障诊断的可行性。

目前基于电气法的不对中故障诊断大多基于电流信号，但电流信号的采集会受到嵌入式系统采样偏置、电流基频分量和谐波的干扰，需要配合一定的数字信号处理方法才能提取到有用的故障信息。相比而言，从编码器采集的转速信号获取方便且采样精度较高，成本较低，能够实现实时状态监测，有很好的应用前景。

为了能够有效地对不对中故障进行诊断、监测与预测，在上述理论研究的基础上，国内外已经开发出各种用于状态监测的定量和定性模型，各种定量模型基于线性和非线性技术，包括主成分回归（Principal Component Regression, PCR）、偏最小二乘（Partial Least Squares, PLS）、核回归（Kernel Regression, KR）、支持向量机（Support Vector Regression, SVR）和人工神经网络（Artificial Neural Network, ANN）。

两种常见的定性模型是专家系统（Expert System, ES）和定性趋势分析（Qualitative Trend Analysis, QTA）。有学者使用主成分回归和偏最小二乘来预测轴平行度和角度未对准。有学者提出一种基于转矩信号自回归（Autoregressive, AR）模型的不对中故障诊断方法，将AR模型结合自组织神经网络、最小冗余和最大相关性进行故障模式判别。但状态监测通常是基于连续收集的数据，在实际中样本量通常很少。此外，状态监测的学习概念会随着时间而变化。

目前针对转子轴承系统角度不对中的故障诊断及状态监测都是通过比较和分析故障及健康状况所获得的振动信号或电流信号，传统的角度不对中故障诊断、监测和预测始终无法摆脱对健康状态下运行数据或历史数据信息的依赖，但在实际的工业应用中几乎不存在完全健康的数据或者很难获取相对健康的数据，而且健康状态的数据还会随着时间、工作环境及其他外界因素的变化而变化。健康数据的获取对测量仪器的精度有一定的要求，还需要不定期地对数据进行更新，这就需要耗费大量的人力和物力成本。

在工业领域，通常使用百分表、应变仪等仪器指导电机的首次安装过程。虽然这类方法能够在一定程度上减少电机的安装误差且成本较低，但在实际操作中十分依赖工人的经验，而且会耗费大量时间。随着传感器等测量仪器精度的提高，出现了像激光对中仪等光学仪器来辅助电机的首次安装。虽然这类仪器大大降低了对技术人员的经验要求，但其对设备的工作环境要求更高，而且存在价格昂贵和操作复杂等诸多问题。所以，如何得出一个有效的方法来检测和评价电机的初始安装不对中情况就显得至关重要。

基于此研究现状，哈尔滨工业大学电气工程系的科研人员提出一种基于永磁同步电机转速信号的电机首次安装角度不对中故障检测方法。主要针对转子系统中弹性联轴器的角度不对中故障，提出一种适用于中小功率伺服电动机首次安装环节的角度不对中故障检测。

图2 不对中故障检测流程

图3 仿真模型

科研人员首先分析了角度不对中故障影响转速信号的机理；然后利用快速傅里叶变换及最小二乘法对转速信号进行处理，根据其二倍转频幅值随转速变化所拟合曲线的二次项系数，并结合S型分布隶属度函数，综合评判电机的首次安装不对中程度；最后搭建了永磁同步电机角度不对中故障的仿真模型和实验平台。

图4 实验平台示意图

图5 SKF激光对中仪示意图

理论推导、仿真及初步的实验结果表明：

1）根据转速信号中2fr的幅值随转速的变化趋势可以检测电机的初始安装环节是否存在角度不对中故障，即当电机存在角度不对中故障时，2fr的幅值随转速的升高而增大，整体呈上升趋势。

2）根据所拟合曲线的二次项系数并结合隶属度函数可以评价电机的初始安装不对中程度，并结合模糊综合评价对不同故障程度做了区分；不对中程度越大，相对应的隶属度函数值越大。

科研人员指出，该方法不需要安装额外的传感器，通过电机驱动系统本身作为传感器采集转速信号，在没有健康数据或历史数据信号的前提下，可以诊断出电机是否存在角度不对中故障，用于指导电机的首次安装过程。该方法可以结合模糊综合评价中的隶属度函数来评价电机的初始安装不对中情况，将电机对中情况划分为健康、轻度不对中、中度不对中、严重不对中四种状态。

该方法降低了监测成本且诊断效果良好，节约了大量的人力和物力资源，且算法简单易实现，有着广阔的应用前景。另外，科研人员也表示，对于如何将振动法的标准与电气法准确对应起来，也是后期工作的重点和研究难点。

以上研究成果发表在2021年第15期《电工技术学报》，论文标题为“基于转速信号的电机首次安装角度不对中故障检测”，作者为杨明、黄旭 等。