TELKOM NIKA , Vol. 11, No. 9, September 20 13, pp.  5336 ~53 4 3   ISSN: 2302-4 046           5336      Re cei v ed  Jan uary 19, 201 3 ;  Revi sed  Jun e  11, 2013; A c cepted  Jun e  21, 2013   Motor Fault Diagnosis Based on Wavelet Transform       Lijun Wang* , Huijuan Gu o, Shenfeng  Zhang   Dep a rtment of Mecha n ica l  En gin eeri ng, Nort h Chi na  Un iver sit y  of W a ter Resourc e s an d Electric Po w e r,  Z hengz ho u 45 001 1, Hen an, Chin a   *Corres p o ndi n g  author, e-ma i l :  w l jmb@ 16 3.com      A b st r a ct  T he w a velet transfor m  the o r y  is used to  motor fa ult di agn osis i n  thi s  pap er, consi deri ng it s   character i stics  of  multi-r e so luti o n  a nd str ong er featur e  extracti o n  a b ility th an Fo urier. The  pa pe r   emph asi z e s  d e -no i sin g  a nd  eli m i nati ng th e  sing ul ar  val u e po int of th e  w a velet trans form  in th e n on- stationary si gn al. And it ma kes a detai le d  and in- d e p th  analys is ab o u t how  to detect the freque ncy  compo nents  of  w eak si gn al  b y  usi n g  eq uiv a l ent p o w e r  sp ec trum  of rec onst r uction  sig n a l ,  w h ich is  ac quir e d   by usin g the w a velet transform. T h rou gh  the co mpar is o n  ana lysis of the si mu latio n  sign al an d mo to r   vibrati on sig n a l ’ s  exp e ri me ntal dat a, the c o rresp ond in g ener gy of orig inal s i gn al ’ s   e quiv a le nt pow e r   spectru m   a nd reconstructi ng sign al ’ s  eq uiva lent  p o w e r sp ectrum  are c o mp are d  to d e termine  the fa ul t   freque ncy, so as to accurate l y  find out the  motor fa ult.     Ke y w ords :   w a velet transfor m , motor, equ iva l ent pow er sp e c trum, w eak signa l     Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  The no rmal o peratio n of the motor i s  of great   signifi cance for the  safety, high e fficiency,   high q uality a nd lo w con s u m ption op era t ion in t he p r oce s s of man u facturi ng a n d  pro d u c tion.  In   the operation  process, the perfo rman ce of the motor gra duall y  deteriorate s, influenced  by  variou s fa ctors,  such  a s  el ectri c al,  ther m a l, mech ani cal factors and   the su rro u nding   environ ment,  whi c h  ultim a tely ma ke t he m o tor  break do wn.  T hus the  re qu ireme n t of e a rly  diagn osi s  a n d  ea rly wa rni ng is  be comi ng in cre a si ng ly urgent. Th rough  analy s i s  of the vib r a t ion   colle ction  sig nal, the fault sou r ce sepa ration and fa ul t pattern re co gnition in mot o r ru nnin g  st ate,  the motor fa u l t can b e  dete c ted a nd furt her d e te ri orat ion can b e  prevent ed, re d u cin g  produ ct ion  losse s  ca use d  by unexpe cted incid ents.   The  re sea r ch  of motor fau l t diagno si s t e ch nolo g y ha s b egun  si nce the 1 960 s  abro ad;  the importa nce of the motor equipm ent fault  diagno si s tech nique h a s already b een re co gni zed  in Chin a. But until the 198 0 s , we  are  ded icated to th e  study of ele c t r ical  equi pme n t failure o n li ne   diagn osi s   system. In rece nt ten yea r s,  motor fa ult  diagn osi s  te chnolo g y ha s  been  develo ped  rapidly; the  a nalytical m o d e l metho d , si gnal  pro c e s si ng a nd exp e rt kno w le dge  are  acco unte d   the main rese arch compo n ents of fault d i agno si s  tech nology, incl u d ing relevant  function hi gh er- orde r stati s tics, spe c trum analysi s , etc.  Howeve r, these meth od s are only co n f ined to the fault  appe arin g in the stable o p e ration p r o c e ss of the  mot o r. People p a y  more and  more attentio n to   real -time dia g nosi s  of the f aults u nde r d y namic  co nd itio n s   s u c h  as in  th e  s t ar ting , a c c e ler a tion ,   bra k ing a nd  other dyna mi c pe riod s of the motor.  Fo r the failure o f  the motor st ator, the Hilb ert  transfo rm i s  use d  to sign al pre p ro ce ssing, adopt in g  wavelet pa cket de com p o s ition to achi eve   stator fault feature s  extra c tion. The re co nstru c ted  coe fficients u s ing  sub-ban d no de RMS rate  of  cha nge a r e  con s id ere d  a s  the fault feature indi cat o r [1]. It adopts Park's v e ctor m e thod  to   diagn ose mo tor pha se fai l ure, ma ki ng  stator thre e  phase cu rrent from ,, ab c  coordin a tes  down-conve r sion    , dq  coo r di n a tes. T he ve ctor traje c to ry of no rmal  o peratio n m o tor  ca n o n ly  be clo s e to a circl e , it becomes a n  ellip se wh en there are all kin d s  of faults [2]. But only when  the faults go to a cert ain extent, and it will  have a certa i n influen ce o n  the trajecto ry.  Wavelet tran sform i s  a ho t technolo g y in sign al pro c essing. Beca use it ha s go od time- freque ncy  l o calizatio n cha r acteri stics, a nd can   a c cu rately gra s p s   the tra n sie n t  sign al [3], it i s   very suitabl e for the analy s is of the m o tor dynami c   sign al. The result s of the  study show t hat:  the wavel e t d e com p o s ition  and  re con s truction  ca n no t only be abl e  to remove  th e sin gula r  poi nt  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Motor Fa ult Diagno si s Based on Wavele t Transfo rm  (Lijun Wang )  5337 of acqui sition  signal, a c cording to the hi gh-frequ en cy coefficie n ts  also  can a ccurately dete r mine  the lo cation  of the p o int  appe arin g  si ngula r  valu e  ,which i s  the  time poi nt o f  failure. By t h e   equivalent p o we r sp ect r u m  of the wavelet coe ffici ents, useful frequ en cy informatio n can  be  extracted a n d  thus the mot o r fault is dia gno sed a c curately.      2. Wav e let Transform   As a n e w  sig nal p r o c essin g  metho d  [4], wavelet a nal ysis m a kes t he vari ous freque ncy   comp one nts  decompo se d  into  non -ov e rlap ping  ba nd, p r oviding  an  effective  way  for si g nal  filtering, sig n a l-to-noi se separat ion a n d  feature ext r actio n . After wavelet tran sform, the  si gnal  cha r a c teri stics (su c h a s   sing ular  poin t ) have  the  same tim e   domain l o cation at different  decompo sitio n  scale s , an d remai n  un cha nge d with  original  sign al analysi s  freque ncy. In the   time domain,  the total informatio n of every decom p o se d is more  than the original sig nal, the   time-dom ain  cha r a c teri stics of the orig inal si g nal can be mai n tained; an d h a s a go od fil t er  cha r a c teri stic in the freque ncy domai n,  each scale b and bet wee n  the overlap p i ng.  Figure 1 i s   wavelet tran sform p r in cipl e of 3  scale s . The 1 t , 2 t  and 3 t  is the  approximatio n coefficie n ts  and th e 1 t ,   2 t and 3 t    is  the   d e tail coefficient s wh en  the  scale  j = 1, 2 and 3.  And the hz ,    2 hz and 4 hz is the low-pa ss and the g z , 2 g z and 4 g z   is the   high-pa ss filter. He re:              11 22 1 33 2 1 xz z z zz z zz z z                                                                                                                          (1)    Like thi s  co nstantly decom positio n, so it can r eali z e th e sign al multi-re sol u tion de comp ositio n.                                                                                                   Figure 1. Wa velet Tran sform Principl e       2.1. Wav e let Trans f orm De-noising   Signal noi se  redu ction p r o c essing i s  an i m porta nt app lication of  wa velet analysi s . In th e   pra c tical  en gi neeri ng  appli c ation s , the   analyzed  sig nal may  co ntain ma ny pe aks o r  m u tation   parts,  an d th e noi se  i s  n o t sm ooth  white noi se.   T o  the  noi se  redu ction  pro c e ssi ng  of  such  sign als, the t r adition al Fo urie r tran sfo r m analys i s  m e thod a ppea rs hel ple ss, b e ca use it ca n not  give the cha n ges of the si g nal at a point in time.  Becau s e th e  engin e  sig nal  of each  stat e is p r e s ent i n terferen ce,  and the inte rf eren ce   affects  the e x traction   of chara c te risti c  para m et ers o f  fault, the in terfere n ce  si gnal  sh ould   be   remove d first. We can rem o ve the interferen ce  sign al by using the excellent filtering p r op erti es  of the wavele t transform, and get the ch ara c teri stic in formation of the different st ates.     2.2. Wav e let Trans f orm Discontinu o u s  Point De te ction   The a b ru pt cha nge  poin t  of the sig nal o ften  co ntains im po rtant informat ion for  equipm ent op erating  statu s ; they reflect the failure  ca u s ed by the  crash, o scill atio ns, frictio n  an d   stru ctural def ormatio n , etc. The abrupt  cha nge p o in t of the sign al is al so  kn own a s   sing ular  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 9, September 201 3:  533 6 – 5343   5338 point. Judgi n g  the  eme r ge nce  mom ent  of sin gula r  va lues of  status sig nal  to  real ize  qua ntitative  descri p tion of  the sig nal  si ngula r ity has  importa nt  me aning i n  the fi eld of si gnal  pro c e ssi ng a nd  fault diagno si s.  Gene rally sp eaki ng, if the function i s  some whe r e di scontinuity or  the derivative of a  given ord e r is discontinuo u s ; it sa ys the function ha s the cha r a c teri st ic of sing ula r ity at this point  [5]. In order t o  investigate  the relatio n sh ip of  different  scale wavel e t transfo rm  and si ngul arity,  we a dopt the  convolutio n  of the wavele t transfo rm. T r eated  scale  a   as inde pen d ent variabl es,  thus expressi on of wavelet   trans form is   as  follows :       1 , a R xt Wf a x f t dt f t aa aR x R       ，                                                                                                   (2 )     Whe n  wav e l e t    has  comp a c t sup p o r t, i.e. there is 0 k . If  x k ， 0 x . For the formula  (2), if xt k a ,  0 xt a    . Thus formula (2) e qual s to zero outsid e , x ak x a k  . Namely:      1 , xa k xa k xt Wf a k f x d t aa                                                                                                             (3)     Whe n 0 a , wavelet tran sform i s  on th e rea c tion of the lo calize d  state s   in the poi nt  x , namely  we can take advantag e of wavelet tran sform  to judge  the local  sing ularity of function.  Since the Fo urie r tran sform conve r ts the sig nal into  a pure fre q u ency dom ain  sign al, it  doe s not h a ve time re sol u tion, so th e ch ange  point  of  the sig nal fre quen cy can't  be dete c ted  b y   it. The time p o int of the  sig nal mutatio n   can  be  accu rately dete c te d by u s ing  wavelet tran sfo r m.  Thro ugh the  sign al’s multi-scale an alysi s , whe n   the signal app ea rs mutation, the coeffici ents of  its wavelet transfo rm  hav e mo dulu s  m a xima. We  can d e termi n e  the p o int in  t i me of th e fai l ure  throug h the modulu s  max i ma point det ection.     2.3.   Signal Identific a tion  of Wav e let Transform   In the actu al  pro b lem, si g nals th at nee d  to be a d d r essed  are  often mixed  wit h  othe r   element s, for example, the  high-f r eq uen cy inform atio n like  noi se.  Gene rally, th e gen eral f a ctors  of rea c ting system itself n a ture a r e oft en so me  sl o w ly cha ngin g  information.  Thro ugh  wav e le t  transfo rm,  al ong with  the increa sing nu mber of  la yers of the  wav e let tran sform decomp o si tion,  approximate coeffici ents contain  le ss  high freq uen cy informatio n. With the high freq uen cy  comp one nt filtered  out ste p  by ste p , th e rem a in in g i ngre d ient s a r e getting  clo s e to the ove r all  trend s of the sign al.    2.4.   Identific a tion Signal Spectr u m Componen t s   In the a c tual   sign al p r o c e s sing, th e  sign al  often co nta i ns a  lot of  fre quen cy comp onent s.  If the accurate position of the sign al co mpone nt  is need not to determine, the tradition al Fou r ie r  transfo rm  m e thod i s  ve ry effective  to solv e thi s  p r obl em.  Becau s e  after the  wavelet  decompo sitio n , different scale s  have d i fferent time and fre quen cy resol u tion s, and thu s  the   different freq uen cy comp o nents in si gn al can be  sep a rated by usi ng wavelet d e com p o s ition .  By   mean s of eq uivalent po wer spe c trum,  most of  frequ ency compo n ents contain e d  in the sign al  can b e  reveal ed.   Then, thro ug h an example ,  we prove th e possi bility a nd usefulne ss of wavelet tran sform   applie d in pra c tice. Con s tru c ts a si gnal, li ke:         12 11 2 23 4 0. 08 c o s 2 1 0 c o s 2 0.2 c os 2 0 .5 cos 2 xt x t x t x tf t f t x tf t f t                                                                                                     (4)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Motor Fa ult Diagno si s Based on Wavele t Transfo rm  (Lijun Wang )  5339 Her e ,   1 25 f Hz , 2 50 f Hz   3 150 f Hz and 4 300 f Hz .  In the simula tion signal, random  white   noise followi ng a no rmal  distrib u tion i s  added. Sam p ling fre que n c y is 200 0 H z . The si mulation  sign al and it s po we r spe c trum  are  sh own i n  Figu re 2. In the p o we r spe c tru m  diag ram,  only  freque ncy  2 f  can be se en .        Figure 2. Simulation Signal  and its Powe r Spect r um       The sim u latio n  sign al is a n a lyzed by u s i ng 5  layer m u lti-re sol u tion  throug h the  sele ction  of mother  wa velet 5 db and the  result is  sho w n in Fi gure  3.   5 a  is a low freque ncy coef ficient of  scale 5 and  1~ 5 dd  is resp ectiv e ly the low frequ en cy co efficient of scale  1~ 5 . Due to the  sampli ng fre quen cy is 200 0 H z , the main fre quen cy ban d  range of 1~ 5 dd  is respectively  500 ~ 1 000 H zH z ,  25 0 ~ 5 0 0 H zH z ,  125 H z ~ 250 H z   62 .5 ~ 1 2 5 H zH z and 3 2 .1 25 ~ 6 2.5 H zH z . The  freque ncy ba nd ran ge of 5 a is  0 ~ 32.12 5 H zH z . Clearly,  500 ~ 1 000 H zH z doe s not co n t ain the  main  com p o nents of th e  sig nal,  and  its m a in  compon ent i s  the  noi se.  Becau s e  of  the  interferen ce of  noise,  the developm ent trend of  t he signal i s  not vi sible. T he d e velopment tre n d   of the signal  after wavelet  de-n o isi ng is  clea re r.  The fre que ncy spe c trum  o f  a sign al m ean s that th e sig nal i s  transfo rme d  from time  domain  to a freque ncy d o m a in, and it i s   only different   rep r e s entatio n metho d  of the same  kin d  of  sign al. But the sig nal i s   studied  by the  power  spe c trum [6, 7] tha t  is from th e  energy point  of  view, which  shows th e u n it ban d  sign al  power  ch ang es  with f r eq u ency  co nversion. Th e Fo urier  transfo rm of the ran dom  si gnal do es n o t exis t; therefo r e, we  study its power  spe c trum.         Figure 3. Wa velet Analysis of Simulation  Signal   Figure 4. Equivalent Powe r Spectru m  Di agra m   of Simulation Signal       In orde r to ef fectively extract the  wea k  co mp one nt of the sig nal,  high-f r eq uen cy noi se  comp one nt  1 d is ignore d . The  powe r  sp ect r um of 2~ 5 dd  and 5 a  are obtain ed separately. The   power  sp ectrum dia g ra m  is no rmali z e d  to det ermin e  the maxim u m value  of  each spe c tru m .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 9, September 201 3:  533 6 – 5343   5340 Since the  sa mpling fre que ncy of ea ch scale i s  t he sa me, so they h a ve the sam e  freque ncy. T h e   equivalent  po wer spe c trum  can  be  obtai ned by th e  superpo sition  of the po we r  spe c tru m  g r a ph.  The re sult is  sho w n in Fig u re 4. The p o w er  spe c trum  peak of  1 25 f Hz ,  2 50 f Hz , 3 150 f Hz   and  4 30 0 f Hz of the  si mulation  sig n a l can  clea rly be o b serve d   in Figu re  4. T h rou gh  equiv a lent  power  sp ectrum of the  wa velet tran sform co effi cient s, the  wea k e r  frequ en cy co mpone nts i n  the   origin al sig nal  can be d e tected.      3. Applicatio n of Wav e let Transform in Motor Fa ult Diagno sis   3.1. Acquisition Parameters of Vibra t ion Signal   The sa mplin g  frequen cy is:      20 00 s f Hz                                                                                                                                                                      (5 )     Sampling points is:     1024 N                                                                                                                                                                              (6 )     Acco rdi ng to  the Nyq u ist  sam p ling th eore m , it is  kno w n th at the hig h e s t standard   freque ncy:     ma x / 2 10 00 s f fH z                                                                                                                                                   (7 )     3.2.   Fault Ide n tifica tion a nd Trea tmen t   Comp ared t he a c tual  measured  chara c te rist i c s with the   archival  cha r acte ri stic  informatio n,  wheth e r the f a ilure  o c curred  can  be  d e termin ed. If  no failu re  o c curs,  co ntinu e  to   monitor the   motor  statu s .  If there  a r e   some  fault s ,  analyze d a ta  and  dete r min e  the  fault types.  Localized fea t ures of  wave let analysi s   m a ke  it wi d e ly  applie d in th e  sig nal p r ep ro ce ssi ng. Fig u r e   5 is a sig nal p r ep ro ce ssi ng  pro c e ss.         Figure 5. Signal Prep ro ce ssi ng       3.3. Motor F a ults   There are various fault s  [8, 9] in the operat ion p r ocess of the moto r and the vibration is  a wide sp re ad  pheno men o n  of all equip m ent duri ng  operation. Th e vibration of  the motor d u r ing  operation i s  divided  int o  two  ki nd s: mechani cal  vibration  a nd el ectrom agneti c  vibra t ion.  Mech ani cal vibration will   be ca used   wh en  th e motor roto r imbalan ce, rolling  b e a r in gs  abno rmalitie s, the plain be aring s  a bno rmal, in stallati on bad  and  adju s tment a d verse, amo ng it  the rotor u n b a lan c e is the  most co mmo n. The re a s o n  that cau s e the roto r imbal ance mainly has:   rotor part s fall off or shi ft, rotor coil  shift or  loose due to insulation contraction,  coupli n g  imbalan ce, a s  well as th e  coolin g fan  and the  roto r surfa c e  eve n ly fouling, e t c. The latter is   related to th e motor assembly, such as stato r   inte r-tu r n sh ort c i rcuit, bro k e n  rotor ba rs a n d  uneven ai r ga p.      4. Experimental Re sults  and An aly s is  In this  pape r,  the mai n  p u m p moto r of  hydr auli c   stat ion i s  taken  as  an exa m p l e. The  appli c ation of  wavelet tran sform in the  motor fault d i agno si s is e x pound ed. The main pu mp   motor of hyd r auli c  statio n  is a thre e-p hase  asyn ch ronou s moto r, and its rate d spe ed i s  1 480  RPM.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Motor Fa ult Diagno si s Based on Wavele t Transfo rm  (Lijun Wang )  5341 Motor fault di agno si s sig n a l  that is got throug h the ex perim ent is p r epro c e s sed  a t  first in   the pa per.  Th en the  wavel e t tran sform  tech niqu e is a pplied to  an al yze the  si gna l and  get  rid  of  the si ngul ar  points. By  eq uivalent p o wer  sp ectr um of  the re con s tructed  sign al ,  three   sub - b and  sign al compo nents 1 RP M ,  2 RP M  and 4 RP M  of the fault signal  can b e  extracted. T he  results confirm that the  met hod of e quivalent po wer  spe c tru m  of the wavelet analysis  coeffici ents  can effectively  improve th e  freque ncy d o main ali a si n g  phe nome n on an d a c hie v e   good h a rm oni c extra c tion result s.  The o r iginal  sign al is  sho w n in Fi gure  6. It  is evident that there  are two si ngu lar value   points in 50 0 n  and 80 0 n .          Figure 6. The  Original Sig n a l  Figur e7. Wav e let Tran sform Results of  Origin al Sign al      The ori g inal  sign al is do n e  by 5 layer decompo sitio n  usin g moth er wavelet 5 db . The  wavelet coefficient s are  sh own in Fig u re  7. We  can fi nd the sin gul ar value poi nts are  contai n ed  in the d e tail signal 1 d , 2 d , 3 d and 4 d , an d the  sing ular values are in  good  ag ree m ent with i n  t h e   origin al sig nal .  In orde r to eliminate sin g u l arities a nd g e t reco nst r u c tion sign al,   1 d , 2 d , 3 d and 4 d are   equal to zero . The resultin g sign al wav e form is  a s  shown in Figure 8. Compa r i ng Figu re 6 a nd  Figure 8, the sing ular valu e point is  not  very obvious  after this met hod.   Equivalent p o we r sp ectru m  of recon s truction  si gnal  after eliminati ng the sing ul ar value   point is  sho w n in Figu re 9.  By contra st Figure  9 an d  Figure  2, the re sult ca n  be got that if the   origin al  sign a l  of moto r vi bration  i s  a n a lyzed  by  po wer spe c tru m   directly,  only   the sig nal with   large e n e r gy can b e  got. The ene rgy of the we ak  sign al is relatively  small and its  spe c tru m  is n o t  so  obviou s .  Thro ugh  the  equivalent  po wer spe c trum  of recon s tru c tion  sig nal  a fter the  wave let  coeffici ents, power sp ectrum  pe ak   of the wea k   sign al is  easi e r to  be  see n . Thi s  p r ovide s  a  ne w  method for ex tracting  wea k  signal s in the  motor fault diagno si s.            Figure 8. Wa veform after  Eliminating  Singula r ities  Figure 9. Equivalent Powe r Spectru m  of  Re con s tru c tio n  Signal   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 9, September 201 3:  533 6 – 5343   5342 As the motor spee d is 148 0 RP M , th e motor rotation frequenc y  is 148 0 6 0 2 4 . 7 H z  . In  Figure 9,  19.53 H z is aroun d 24 .7 H z . Due to the frequen cy accu ra cy of  spect r al anal ysis, there is  often not  pea k in  the th eoretical  rotation al fr eq uen cy.  If there a r e  o b vious freq ue ncy  comp one nt  in the theo ry rotation frequ ency f  rang e, then it ca n be  consi dered a s   the rotation al  freque ncy   of the m o tor.  Therefore 19.53 H z ca n  be  identified   the rotational  freq uen cy of  the m o tor. It  can  be   see n  that  sig nal en ergy in 1 RP M is big g e s t, also the  sign al  energy is big ger i n 2 RP M and in 4 RP M . Contra st to the cha r a c teri stic fre quen cy t able [10] shown in Tabl e 1, rotor un balan ce   and  bea ring  l oosene ss  ca n be  a s certai ned  as the  fa ult of the  mot o r  preli m ina r il y. And be ca u s e   the sign al en ergy in 1 RP M is bigg est, the rotor i m balan ce i s  deeme d  to the main motor  failure.       Table 1. Part  Cha r a c teri stic Fr equ en cy of the Motor Vibration   Fault  t y p e   Characteristic fre quenc y  rotor un balance   1×RPM  rotor misalignment  1×RPM,2×RPM    bearing loosenes s  various frequenc y doubling   fraction frequenc y doubling   clearance vibration  0.4~0.5×RPM,1~ 5×RPM  rotor an d station a r y   parts friction  higher harm onic, Lo w   harmonic and co mbination  harmonic      5. Conclusio n   Based  on  wa velet tran sform, the fault  d i agno si s met hod  ha s in co mparable  adv antage s  in the asp e ct  of fault diagnosi s . It does not nee d the mathem atical mod e l of  the object, the   cal c ulatio n i s  sm all an d it s a b ility to ov ercome  the  n o ise  is strong . It has  goo d  time-freque n c y  locali zation  chara c te risti c s and it has the abilit y to  make a daptiv e zoom an d multi-re sol u tion  analysi s  of si gnal s.  A simulation  sign al is take n as an  exam ple firstly. Through the  sele cted moth er  wavelet  function 5 db  , the simulatio n  si gnal is  analy z ed  with wavelet tran sform. With the  help of the   equivalent  po wer spe c trum  of the wavel e t coeffici ent s that al rea d y  has  got, we ca n verify t h e   effectivene ss and p r a c tica lity of this method in  extracting sign al cha r a c teri stic  freque ncy.  T he  wea k   signal  in motor vib r ation is the  rese arch o b je ct in this p a per. Th e we ak  signal i n   the   origin al  sign a l  ha s b een  ef fectively extracted  by  thi s   method  and  i t s po we r  sp e c trum  pe ak al so   has  bee n cl e a rly sho w n. Compa r ing  po wer spe c trum  of the ori g ina l  sign al an d e quivalent p o wer  spe c tru m  of the recon s tru c ted si gnal, most of t he sign al frequ e n cy co ntaine d in the origi nal  sign al has b e en accu rately  acqui red, especi a lly t he freque ncy of weak si gnal th at is not easy   to   find by ge ne ral metho d . B y  the compa r ative analy s is of the  sig nal  frequ en cy correspon ding  to   each po we r  spe c tru m  pe ak a nd p a rt  of the charac teristic freq u ency of vib r a t ion motor, m o tor  fault diagno si s ba sed o n  wavelet transfo rm ha s bee n accurately re alize d .      Ackn o w l e dg ements   This wo rk wa s  suppo rted by  National Nature  S c ien c e Foun dation  of China  (51 0760 46),   Zheng zh ou  Measuri ng & Control  Tech nolo g y and Instrumentation s  Key Laboratory   (121PYF ZX1 81), Scie nce and Te ch nol ogy Re sea r ch  Key Project  of the Education De part m ent  Hen an Province  (13A 510 710), Sta r tup  Re sea r ch  F ound ation for High  Level  Talents of North   Chin a Unive r sity of Water  Re sou r ces a nd Electri c  Powe r.      Referen ces   [1]  Xu C ao, Hu a x un Z han g.  T r ansie nt Impact  Sign al ’ s  D e tec t ion Base d on  W a velet T r ansformati o n .  Advanc es in In tellig ent S y ste m s. 2012; 13 8: 309-3 13.   [2]  Marqu e s Card oso AJ. Inter-turn Stator W i n d in g F ault Di a gnos is in T h ree-ph ase Ind u ction Motors, b y   Park's Vector Approach.  Jour nals & Mag a z i nes.  199 9; 14( 3): 595-5 98.   [3]  Rachel E, Alan S.  A  W a vel e t Packet Approac h to T r ansie nt Signa l Classific a tio n . Appl ied a n d   Comp utation a l  Harmon i c Ana l ysis. 1 995; 2(3 ) : 265-27 8.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Motor Fa ult Diagno si s Based on Wavele t Transfo rm  (Lijun Wang )  5343 [4]  K y us un g Kim. Inductio n  Mo tor F ault Dia g nosis Bas ed  on Ne uro p red i ctors and W a velet Sig n a l   Processi ng.  Jo urna ls & Maga z i n e s . 20 02; 7( 2):201- 21 9.  [5] Jian  Cen,  Y i nb oW u.  F eature  Extraction Met hod for  F ault D i ag nosis  of Ma chin e Un it Bas ed o n  W a ve le t   Sing ular ity Prin ciple a nd Immuno logy Opti mi z a ti on Pri n cip l e . F r ontiers in Comp uter Edu c ation. 20 12;   133: 42 3-4 30.   [6]  Cusido J. Fault Detection  in  Ind u ction  Machi nes Usi ng Po w e r Sp ectral De nsit y in W a vel e t   Decom positi o n .   Journals & M aga z i nes.  2 008 ; 55(2): 633 – 6 43.   [7]  Stilia n Stoev a, Murad S T aqq ua,  Ch eol w o o   Parkb, JS Marr onc.  On the W a vel e t Spectru m  D i ag nostic   for Hurst Par a meter Estimation in  the  Analys is of In ternet T r affic . Comp uter N e t w o r ks. 2 005 ;   48(3):4 23-4 45.   [8]  Z hongm ing  Ye , Bin W u .  A Re view  on In ducti on Motor On li n e  F ault D i ag no sis.  T he  T h ird Internati o n a l   Po w e r El ectron ics and Moti on  Contro l Confer ence Proc ee di ngs. Beij ing. 2 000;   135 3 - 13 58.   [9]  Qing xi n Z han g, Jin Li, Ha ib in  Li an d Ch on g L i u.  Motor F ault  Diag nos is Bas ed o n  W a vel e t Analys is an d   F a st F ourier T r ansfor m .  Adva nced Mater i als  Rese arch. 20 1 1 ; 301-3 03:1 4 0 1 -14 05.   [10]  Liju n W ang, D ongfe i  W ang,  Yong lia ng Hu a ng. F ault Diag nosis for Moto r Based on E M D Algorithm.   Journ a l of T h e o retica l and A p plie d Infor m ati on T e chn o l ogy .  2012; 44( 2): 265-2 70.   Evaluation Warning : The document was created with Spire.PDF for Python.