在故障诊断领域,电机电流信号分析法(MCSA)已经逐渐应用于齿轮故障诊断中,但该方法在诊断行星轮缺齿故障时由于电流基频干扰较大,导致故障特征不明显,难以实现故障诊断。因此提出一种基于电流信号经验模态分解(EMD)的故障诊断方法。通过对电机电流信号进行EMD分解,选取合适的IMF分量经傅立叶变换求其频谱图,根据频谱图中是否存在与故障特征频率相关的频率,实现了对行星轮缺齿故障的有效诊断。并通过实验分析,验证了该方法的有效性。

针对机械类信号在齿轮泵故障识别与诊断中存在的信号获取成本高、信噪比低、故障特征不易获取等问题,提出一种基于电机电流信号的液压齿轮泵故障识别方法。分析通过驱动电机电流信号对齿轮泵故障进行识别的可行性,对所采用的VMD方法的参数进行了优化,结合齿轮泵运行工况对IMF分量的相关性进行分析,并重构了电流信号,依据其排列熵和均方根值所构造的特征样本并融合KFCM聚类算法,对齿轮泵进行故障识别与诊断。并通过机电液试验台对不同故障类型的齿轮泵进行试验,试验结果表明:所提电机电流信号分析与特征提取方法可准确而有效识别齿轮泵故障。

为通过监测电机电流信号以实现对转子系统故障的识别与诊断,考虑圆盘不平衡因素,建立平行不对中转子系统动力学模型,然后应用拉格朗日方程,推导出转子系统运动微分方程,并以电机的电磁扭矩为纽带,在MATLAB/Simulink环境下建立三相异步电动机—转子系统机电耦合模型,最后应用傅里叶变换对电流信号进行频谱分析,研究平行不对中故障激励下电机电流信号的耦合特性。仿真结果表明：不平行故障会使电流信号激发出的边频分量,随着不平衡量的增大,还会激发出的边频分量;考虑质量偏心,电流信号还会激发出的边频分量,但当时,的边频分量会被淹没,反之,该边频分量则比较明显。

为了通过监测电机电流以实现转子系统故障的识别与诊断,建立偏角不对中转子系统动力学模型,推导出转子系统的转角不对中力矩,并以电机的电磁扭矩为纽带,在MATLAB/Simulink环境下建立三相异步电动机—转子系统机电耦合仿真模型,应用傅里叶变换对定子电流信号进行频谱分析,研究偏角不对中故障激励下电机电流信号的耦合特性。仿真结果表明：正常状态下,电流信号会产生工频分量和奇数次倍频的谐波分量。当转子系统存在转角不对中故障时,三次谐波分量会出现明显的增强,而且其峰值会随着转角不对中量的增加而变大。

电动机电流信号分析广泛应用于电机本身的监测和故障诊断,但该技术与转动系统的研究却比较少。针对转子系统的轴系不对中故障,提出了基于经验模态分解(EMD)和遗传算法支持向量机(GA-SVM)的不对中故障诊断方法。首先通过EMD方法将电流信号分解成若干个本征模函数(IMF);然后计算各IMF分量的能量特征和峭度值;最后从包含有故障信息的IMF分量的能量特征和峭度值作为输入建立支持向量机(SVM)判断轴系故障类型。实验表明,该方法可以有效地实现对于转子系统不对中故障类型和故障程度的诊断,且相对于只依靠能量特征的诊断方法,该方法对于不对中故障的诊断正确率有了明显的提高。

针对传统转子系统故障诊断信号的单一性,提出了基于电机电流和多传感器振动信号的融合信号的转子系统故障诊断方法。首先在单跨转子试验台上模拟转子系统的不平衡、不对中、碰磨故障,并采集不同故障类型下拖动电机的电流信号及不同位置的振动信号,其次利用小波包能量法对采集的信号进行特征值提取,最后利用贝叶斯网络对转子系统故障类型进行识别。试验结果表明：与只利用电机电流信号或振动信号相比,利用融合信息进行转子系统故障诊断准确率明显提高。

电机电流量作为机电液系统的输入源信号，具有容易获取的特性。在机电液系统状态分析中，电流信号是理想的信息来源。文中通过对三相电机电流信号进行分析，研究机电液系统故障，并利用小波变换特征提取法对电流信号进行分析，提取设备故障特征。最后通过实验对提取方法的有效性进行验证。