基于灰狼优化支持向量机的三相感应电机鲁棒故障分类方法及其软硬件验证

《IEEE Access》：Robust Fault Classification Of Three Phase Induction Motor Using GWO-SVM With Simulation And Hardware Validation

本文针对三相感应电机传统故障诊断方法存在的故障范围窄、计算效率低及缺乏硬件验证等局限，提出了一种结合灰狼优化算法(GWO)与支持向量机(SVM)的故障分类框架。研究通过MATLAB仿真与XPO MFS故障训练器硬件平台，采集电机在空载条件下的电流信号，利用诊断特征设计器(DFD)提取9种时域特征，采用GWO-SVM对五种电气故障（单相、绕组断路、绕组短路、欠压、过压）进行分类。结果表明GWO-SVM在仿真与硬件环境中分类准确率分别达99.93%和90.2%，显著优于SVM、KNN等传统分类器，为资源受限的边缘应用提供了可靠解决方案。

　　

在工业自动化和能源转换领域，三相感应电机作为关键动力设备，其可靠性直接关系到生产系统的连续性和安全性。然而，长时间运行在复杂工况下，电机易因绝缘老化、电压不平衡等因_素发生故障，据统计全球每年有超2100万台电机提前失效，造成高达500亿美元的经济损失。传统诊断方法主要依赖阈值判断或规则系统，存在故障覆盖范围有限、对动态工况适应性差、且多局限于仿真验证等问题，难以满足工业现场对高精度实时故障诊断的需求。

为解决上述问题，来自KIIT大学的研究团队在《IEEE Access》发表论文，提出了一种融合灰狼优化算法与支持向量机的智能故障分类框架。该研究创新性地将硬件验证纳入评估体系，通过模拟与实验双验证模式，系统分析了五种典型电气故障的辨识能力。研究团队设计了一套完整的故障注入与数据采集系统，利用MATLAB/Simulink 2023a构建仿真模型，同时采用XPO MFS故障训练器套件和三相感应电机搭建硬件平台，通过数字存储示波器以15 kHz采样率捕获电流信号，确保符合奈奎斯特准则。特征提取阶段，借助MATLAB的诊断特征设计器（DFD）从残差电流中自动计算九类时域特征，包括均方根值（RMS）、峰值因子、峭度等参数，有效强化了故障特征的区分度。

关键技术方法包括：①基于残差电流I(t)=I_R(t)+I_Y(t)+I_B(t)的信号预处理与分段分析；②利用DFD工具提取均值、RMS、熵等9维时域特征；③采用GWO算法优化SVM的惩罚参数C和核参数γ，搜索范围设定为C∈[10^-1,10⁴]，γ∈[10^-4,10¹]；④通过5折交叉验证评估模型性能，确保泛化能力。

研究结果部分，仿真波形清晰展示了各类故障的独特 signatures。过电压故障时三相电流幅值同步增大（图4），单相故障中R相电流归零导致健康相电流畸变（图5），绕组短路故障则呈现特定相电流的剧烈波动与波形失真（图9）。特征分析表明，不同故障在RMS、峭度等参数上存在显著差异，例如绕组短路故障的熵值达0.977（仿真）与51.218（硬件），远超正常状态的0.38-0.99范围。

分类性能方面，GWO-SVM在仿真环境中实现99.93%的准确率，硬件环境下仍保持90.2%的优异表现。混淆矩阵显示（图16），该算法对单相、绕组断路等复杂故障的识别率均超99%，显著优于传统SVM（83.6%）及KNN、决策树等对照算法。抗噪测试中，在信噪比低至10dB时模型仍保持95.01%的分类精度，证实其强鲁棒性。

结论表明，GWO-SVM框架通过智能优化SVM超参数，有效解决了传统方法在非线性、高维特征空间中的局限性。该研究不仅实现了电机故障从“单一类型诊断”到“多类别精准分类”的跨越，更通过硬件验证推动了算法向工业应用的落地。未来研究方向包括扩展负载工况测试、融合深度学习技术以及开发嵌入式实时诊断系统，为工业4.0时代的预测性维护提供关键技术支撑。