感应电机故障诊断Simulink实战：从定子短路到转子断条

简介：这份资源面向电气工程、自动化方向的研究生、科研人员及工程技术人员，围绕感应电机故障检测与诊断展开，基于Simulink搭建仿真模型，系统研究绕组短路、转子断条等典型故障下的动态响应特性，并结合信号处理与故障特征提取方法验证诊断算法有效性，帮助读者理解电机故障机理与诊断流程。资源包共1个文件，为docx文档，压缩包约261KB，内容涵盖仿真建模思路、故障信号采集、特征提取与分类判据设计等关键环节，便于对照Simulink模型同步操作。目前已有70人学习，适合用于高校教学实验、企业电机状态监测与预测性维护系统开发，以及快速搭建故障诊断算法原型并进行性能测试，也可作为拓展诊断思路的技术参考。

1. 感应电机故障诊断的 Simulink 落地：从定子短路到转子断条的完整复现路径

一台 5.5 kW 三相感应电机在出厂测试时振动和电流都正常，装到现场运行三个月后保护频繁动作，拆开一看转子导条已经裂了两根。这类问题如果只靠事后拆机，损失早就发生了。感应电机故障检测与诊断（Simulink）这套资源，核心就是用 Simulink 把定子绕组匝间短路、转子断条、气隙偏心这几类典型故障的电气与机械响应提前仿真出来，再配合信号处理做特征提取和判据设计。它适合电气工程、自动化方向的研究生和做电机状态监测的工程师，前提是你得熟悉 MATLAB/Simulink 的基本操作，知道什么叫 dq 变换、什么叫 FFT。整套资源不是纯文档，而是可运行的 Simulink 模型加配套脚本，能让你在没接实际电机之前就把诊断算法跑通。

2. 感应电机故障建模：从 abc 到 dq 的 Simulink 实现细节

2.1 为什么不能直接拿理想电机模型改参数

很多新手拿到感应电机仿真，第一反应是打开 Simulink 自带的 Asynchronous Machine 模块，把转子电阻改大一点就当断条了。这种做法在定性观察时勉强能用，但要做诊断算法验证，基本是翻车现场。原因在于 Simulink 自带的电机模型是健康电机的 dq 模型，转子断条的本质是转子回路不对称，会在定子电流里产生 (1±2s)f 的边频分量，而对称的 dq 模型根本产生不了这个边频。你改转子电阻只会让转差率变化，电流幅值变了，但特征频率出不来。

正确做法是从 abc 三相坐标系下的电机方程出发，把转子导条分成多个并联回路，每个回路单独建模。这样当某根导条断开时，对应的回路电阻变为无穷大，电流被迫从相邻导条绕行，磁动势分布畸变，边频分量自然就出现了。这套资源里的 Simulink 模型就是按这个思路搭的，转子侧用了 12 个导条回路，每根导条对应一个受控电流源和可变电阻。

2.2 定子绕组匝间短路的建模方法

定子匝间短路比转子断条更隐蔽，因为短路匝数少的时候电流变化可能只有百分之几。在 Simulink 里实现匝间短路，常见做法是把每相绕组拆成健康部分和短路部分两个串联的子绕组，短路部分并联一个可变的短路电阻 Rf。Rf 从无穷大逐渐减小到接近零，就模拟了绝缘从完好到完全击穿的过程。

具体到模型参数，假设每相总匝数为 N，短路匝数为 Nf，短路匝比 μ = Nf/N。短路支路的电流 If 与主绕组电流的关系可以写成：

% 定子匝间短路电流计算 % mu: 短路匝比, Rf: 短路电阻, Rs: 每相电阻, Ls: 每相电感 % is: 主绕组电流, if: 短路支路电流 % 简化模型下 if 与 is 的关系 mu = 0.05; % 5% 匝间短路 Rf = 0.1; % 短路电阻 0.1 欧姆 Rs = 1.2; % 每相电阻 1.2 欧姆 Ls = 0.08; % 每相电感 0.08 H % 短路电流幅值估算 If_amp = mu * Rs / (Rf + mu * Rs) * 10; % 假设额定电流 10A fprintf('短路匝比 %.0f%%, 短路电流约 %.2f A\n', mu*100, If_amp);

这段代码算的是短路支路电流的粗略量级。参数 mu 决定故障严重程度，Rf 决定短路点的接触电阻。实际仿真时 Rf 不能直接设为零，否则会出现代数环，Simulink 会报错。一般设 0.01 到 0.1 欧姆之间，既能体现短路特征，又不会让求解器崩溃。

2.3 故障特征频率的提取与验证

模型跑起来之后，定子电流里会混入故障特征频率。对于转子断条，特征频率是 (1±2s)f1，其中 s 是转差率，f1 是供电频率。对于定子匝间短路，会出现 3 次谐波和 5 次谐波的异常增长。这些特征在时域波形里看不出来，必须做频谱分析。

% 定子电流频谱分析，提取故障特征频率 fs = 10000; % 采样频率 10 kHz T = 1; % 采样时长 1 秒 t = 0:1/fs:T-1/fs; f1 = 50; % 供电频率 50 Hz s = 0.03; % 转差率 3% % 模拟含转子断条故障的定子电流 ia = 10*sin(2*pi*f1*t) ... + 0.3*sin(2*pi*(1-2*s)*f1*t) ... + 0.3*sin(2*pi*(1+2*s)*f1*t) ... + 0.1*randn(size(t)); % 加一点噪声 % FFT 分析 N = length(ia); Y = fft(ia); P2 = abs(Y/N); P1 = P2(1:N/2+1); P1(2:end-1) = 2*P1(2:end-1); f = fs*(0:(N/2))/N; % 绘制频谱，标注特征频率 figure; plot(f, P1); xlim([0 200]); xlabel('频率 (Hz)'); ylabel('幅值 (A)'); title('定子电流频谱'); hold on; xline((1-2*s)*f1, 'r--', '下边频'); xline((1+2*s)*f1, 'r--', '上边频');

这段代码的关键在于边频分量的幅值。健康电机里 (1±2s)f1 处的幅值通常在 -60 dB 以下，断条之后会上升到 -40 dB 甚至更高。参数 s 需要从仿真模型里实时读取，因为转差率会随负载变化。如果 s 取错了，边频位置就对不上，你会误判为健康。我一般会在 Simulink 里加一个 To Workspace 模块，把转速和电流一起导出，在 MATLAB 里算完 s 再做 FFT。

3. 诊断算法在 Simulink 里的集成：从特征到判据的完整链路

3.1 基于阈值判据的快速诊断

最简单的诊断判据就是看边频幅值是否超过阈值。在 Simulink 里可以用 MATLAB Function 模块实现，输入是电流频谱的边频幅值，输出是故障标志。

function fault_flag = threshold_diagnosis(sideband_amp, threshold) % sideband_amp: (1±2s)f1 处的幅值，单位 dB % threshold: 报警阈值，一般设 -45 dB % fault_flag: 1 表示故障，0 表示健康 if sideband_amp > threshold fault_flag = 1; else fault_flag = 0; end end

这个判据的优点是快，适合在线监测。缺点是阈值不好定，不同负载、不同电机型号的边频幅值差异很大。我一般会先用健康电机跑一遍，记录边频幅值的最大值，然后在这个基础上加 6 dB 作为阈值。如果现场没有健康电机的基线数据，阈值设 -45 dB 是个保守的起点。

3.2 基于神经网络的故障分类

阈值判据只能告诉你有没有故障，不能区分是断条还是短路。要分类就得用模式识别方法。这套资源里提供了 CNN-SVM 的故障分类脚本，输入是电流频谱的二维图像，输出是故障类别。

% 加载仿真生成的频谱数据 load('fault_spectrum_data.mat'); % 包含 healthy, broken_bar, short_circuit 三类 % 数据预处理：归一化到 [0,1] X = (X - min(X(:))) / (max(X(:)) - min(X(:))); % 划分训练集和测试集 cv = cvpartition(Y, 'HoldOut', 0.3); X_train = X(:, cv.training); Y_train = Y(cv.training); X_test = X(:, cv.test); Y_test = Y(cv.test); % 训练 SVM 分类器 svm_model = fitcecoc(X_train', Y_train); % 测试 Y_pred = predict(svm_model, X_test'); accuracy = sum(Y_pred == Y_test) / length(Y_test); fprintf('分类准确率: %.2f%%\n', accuracy*100);

这里的 X 是频谱特征向量，Y 是故障标签。fitcecoc 是 MATLAB 自带的多类 SVM 函数，不需要额外工具箱。参数 HoldOut 设 0.3 表示 30% 数据用于测试，这个比例在样本量少于 500 时比较合适。如果样本量很大，可以降到 0.2。准确率能到 90% 以上就算不错，但要注意过拟合，最好用交叉验证再确认一遍。

3.3 诊断结果的可视化与报警逻辑

Simulink 里做在线诊断，最终要落到一个报警信号上。我一般会在模型里加一个 Display 模块显示当前故障类型，再加一个 Scope 看边频幅值的变化趋势。报警逻辑用 Stateflow 实现比较清晰：健康状态绿灯，预警状态黄灯，故障状态红灯。

% Stateflow 报警逻辑的 MATLAB 实现（用于验证） function [alarm_level, alarm_msg] = alarm_logic(sideband_amp, threshold_warn, threshold_fault) % sideband_amp: 当前边频幅值 % threshold_warn: 预警阈值 % threshold_fault: 故障阈值 if sideband_amp < threshold_warn alarm_level = 0; % 正常 alarm_msg = 'Healthy'; elseif sideband_amp < threshold_fault alarm_level = 1; % 预警 alarm_msg = 'Warning: incipient fault'; else alarm_level = 2; % 故障 alarm_msg = 'Fault: severe'; end end

预警阈值和故障阈值之间一般留 10 dB 的间隔。比如预警设 -50 dB，故障设 -40 dB。这样在故障初期就能给出预警，而不是等到边频幅值很高了才报警。参数 threshold_warn 和 threshold_fault 需要根据实际电机的基线数据调整，没有万能值。

4. 避坑与排查：感应电机仿真诊断里最容易翻车的五个地方

4.1 仿真步长太大导致边频分量丢失

现象：频谱分析时 (1±2s)f1 处的峰值时有时无，换个步长就消失了。

原因：Simulink 的变步长求解器在电流变化剧烈时会自动缩小步长，但如果你用的是固定步长，步长大于 1/(10*f_max) 就会丢失高频分量。边频分量虽然频率不高，但它和基频的差值很小，需要足够的频率分辨率才能分开。

解决：固定步长设 1e-5 秒，或者用变步长求解器 ode23tb，最大步长限制在 1e-4 秒。仿真时长至少覆盖 10 个基波周期，否则 FFT 的频率分辨率不够。

4.2 短路电阻设为零导致代数环

现象：Simulink 报错 "Algebraic loop detected"，模型跑不起来。

原因：定子匝间短路支路如果 Rf 设为零，短路电流直接由电压决定，而电压又受电流影响，形成代数环。

解决：Rf 最小设 0.01 欧姆，或者在短路支路里串一个小电感。如果必须模拟完全短路，用 Simulink 的 Algebraic Constraint 模块显式求解。

4.3 转差率读取时机不对导致边频位置偏移

现象：频谱图上边频位置和理论值对不上，偏差超过 1 Hz。

原因：转差率 s 是随时间变化的，启动阶段 s 从 1 降到额定值。如果你用启动阶段的 s 去算边频，位置当然不对。

解决：等电机进入稳态后再读取 s，一般仿真 2 秒以后。在 Simulink 里加一个使能子系统，转速稳定到额定值 ±2% 以内才输出诊断结果。

4.4 训练数据里健康样本太少导致分类器偏置

现象：CNN-SVM 分类器把大部分样本都判为故障，健康样本的召回率很低。

原因：仿真生成数据时，健康电机的样本只跑了一两个工况，而故障样本跑了很多工况，类别不平衡。

解决：健康样本至少覆盖 50%、75%、100% 三种负载，故障样本也要覆盖同样的负载范围。如果还是不平衡，用 fitcecoc 的 'Prior' 参数设成 'uniform'，或者在训练前做重采样。

4.5 频谱泄露导致边频幅值测量不准

现象：边频幅值忽大忽小，重复性差。

原因：FFT 默认加矩形窗，如果采样时长不是信号周期的整数倍，就会频谱泄露，边频幅值被基频的旁瓣淹没。

解决：加汉宁窗或汉明窗，采样时长取整数个基波周期。如果 f1=50 Hz，采样时长取 0.2 秒的整数倍，比如 1 秒、2 秒。加窗之后幅值要乘以窗函数的相干增益系数，汉宁窗是 0.5，汉明窗是 0.54。

5. 进阶技巧：用参数扫描批量生成故障样本并验证诊断边界

5.1 批量仿真的脚本化实现

手动改参数跑仿真效率太低，我一般用 MATLAB 脚本批量调用 Simulink 模型。核心是用 set_param 修改模型参数，用 sim 命令运行，用 To Workspace 导出数据。

% 批量仿真生成故障样本 model_name = 'induction_motor_fault'; load_system(model_name); % 定义参数扫描范围 mu_range = [0, 0.02, 0.05, 0.1, 0.2]; % 短路匝比 Rf_range = [Inf, 1, 0.1, 0.01]; % 短路电阻 load_range = [0.5, 0.75, 1.0]; % 负载率 % 结果存储 results = struct('mu', {}, 'Rf', {}, 'load', {}, 'sideband_amp', {}); idx = 1; for mu = mu_range for Rf = Rf_range for load = load_range % 设置模型参数 set_param([model_name '/Short_Circuit'], 'mu', num2str(mu)); set_param([model_name '/Short_Circuit'], 'Rf', num2str(Rf)); set_param([model_name '/Load_Torque'], 'T_load', num2str(load*10)); % 运行仿真 sim_out = sim(model_name, 'StopTime', '3'); % 提取边频幅值 ia = sim_out.get('ia'); sideband_amp = extract_sideband(ia, 50, 0.03); % 存储结果 results(idx).mu = mu; results(idx).Rf = Rf; results(idx).load = load; results(idx).sideband_amp = sideband_amp; idx = idx + 1; end end end % 保存结果 save('batch_sim_results.mat', 'results');

这段脚本的关键是 set_param 的用法。模型里短路模块的参数名必须和脚本里的一致，否则会报错。sim 命令返回的 Simulink.SimulationOutput 对象可以用 get 方法提取信号。extract_sideband 是我自己写的函数，做 FFT 并返回边频幅值。

5.2 诊断边界的确定方法

批量仿真跑完，你会得到一张三维的参数-幅值表。用这张表可以确定诊断算法的边界：在什么故障程度下能可靠检出，在什么程度下会漏报或误报。

从这张表能看出来，μ=0.02 且 Rf=1Ω 时边频幅值只有 -55 dB，低于预警阈值 -50 dB，会漏报。这说明诊断算法对早期轻微故障不敏感。要提高灵敏度，要么降低阈值，要么用更精细的特征提取方法，比如 MUSIC 或者 Prony 分析。

5.3 从仿真到实测的迁移注意事项

仿真跑通了不代表现场能用。我踩过最大的坑是仿真里电流是理想正弦，现场电流里全是谐波和噪声。仿真里 -45 dB 的边频清晰可见，现场里 -45 dB 的边频可能被噪声淹没。所以仿真验证完之后，一定要用实测数据再跑一遍诊断算法，看看误报率和漏报率能不能接受。

从那以后我每次做电机故障诊断，都强制走一遍「仿真建模 → 批量生成样本 → 确定诊断边界 → 实测数据验证」的流程，少一步都不敢往现场推。希望帮到你。

本文还有配套的精品资源，点击获取