3. 负载状态与电流关系
在TinyML电机电流分析中，理解负载状态与电流波形之间的映射关系是构建智能诊断模型的核心前提。电机作为机电能量转换装置，其定子电流波形不仅包含基波分量，还携带着与负载机械特性、磁场饱和程度、温升状态及故障征兆相关的丰富信息。不同负载状态下，电流的幅值、谐波构成、包络形状及瞬态特征均呈现规律性差异。本章将系统剖析空载、轻载、额定、过载与堵转五种典型工况下的电流波形特征，为后续基于边缘AI的特征提取与状态分类奠定物理基础。
3.1 核心原理：电机负载与电流的电磁耦合机制
电机定子电流的幅值与波形形态本质上由电磁转矩平衡方程决定。当负载转矩\( T_L \)变化时，转子转速\( n \)发生瞬态偏移，转差率\( s = (n_s - n)/n_s \)随之改变（\( n_s \)为同步转速）。对于异步电机，转差率增大导致转子感应电动势和转子电流上升，进而通过磁动势平衡使定子电流增大。这一过程可用简化等效电路描述：定子电流\( I_1 = I_0 + I_2' \)，其中\( I_0 \)为励磁电流（主要决定空载电流），\( I_2' \)为折算后的转子电流分量（与负载成正比）。
从波形分析角度看，负载变化不仅改变电流基波幅值，还影响谐波频谱分布。空载时，电机主要从电网吸收励磁电流，该电流含有较高的3、5、7次谐波（由铁心饱和引起），波形呈现明显的尖顶波特征。随着负载增加，转子电流增大，气隙磁场畸变加剧，谐波成分从低次向高次扩展，总谐波畸变率（THD）呈非线性上升。当电机进入过载区，磁路深度饱和，电流波形出现平顶或削波现象；而堵转状态则相当于次级短路，电流可达额定值的5~8倍，波形严重畸变并伴随强烈的瞬态冲击。
3.2 判断方法：基于波形特征的五态识别流程
在实际TinyML部署中，电流波形特征提取通常采用滑动窗口技术，对采样率为1~8kHz的电流信号进行分帧处理。每帧长度建议覆盖2~5个工频周期（50Hz下即40~100ms），以保证频率分辨率足够。以下是五种负载状态的量化判断标准：
| 负载状态 | 电流RMS值（标幺值） | THD范围 | 波形特征 | 功率因数 |
|---|---|---|---|---|
| 空载 | 0.2~0.4 | 5%~15% | 正弦波，轻微尖顶，幅值小 | <0.3 |
| 轻载 | 0.4~0.7 | 3%~8% | 接近正弦，幅值适中 | 0.3~0.6 |
| 额定 | 0.9~1.1 | 2%~5% | 标准正弦，对称性好 | 0.75~0.9 |
| 过载 | 1.2~2.0 | 8%~20% | 幅值超限，谐波明显，可能有削波 | 0.5~0.7 |
| 堵转 | 5.0~8.0 | >25% | 大电流，严重畸变，含大量高次谐波 | <0.2 |
在边缘设备上实现上述判断，通常采用以下流程：首先对原始电流信号进行去直流和带通滤波（20Hz~2kHz），然后计算RMS值、峰值因子（峰值/RMS）、THD以及特定阶次谐波幅值。对于瞬态特征，可提取短时能量或小波包系数。最后将这些特征输入轻量级分类器（如决策树、1D-CNN或随机森林），输出负载状态标签。
// 伪代码示例：基于RMS和THD的初步状态判断
float rms = computeRMS(current_frame);
float thd = computeTHD(current_frame);
if (rms < 0.4f) state = NO_LOAD;
else if (rms < 0.7f) state = LIGHT_LOAD;
else if (rms < 1.1f) state = RATED_LOAD;
else if (rms < 2.0f) state = OVERLOAD;
else state = LOCKED_ROTOR;3.3 案例拆解：工业风机负载状态监测的TinyML实现
某水泥厂对一台55kW离心风机进行状态监测，目标是通过电流波形识别五种负载状态，以便及时发现堵转和过载故障。现场采样率为4kHz，每帧取200ms数据（800个采样点）。初始阶段，工程师发现空载电流RMS为18A（额定电流110A的0.16倍），THD为12%，波形呈明显尖顶波。轻载（风门开度30%）时RMS升至42A，THD降至6%。额定工况（风门开度80%）RMS为105A，THD为3.5%，波形接近理想正弦。
在一次运行中，系统检测到RMS突然升至620A（约5.6倍额定），THD飙升至32%，波形呈现密集的毛刺状冲击。工程师通过波形回放发现，电流在0.5秒内从105A跃升至620A，且伴随强烈的间歇性尖峰——这是典型的堵转特征（轴承卡死导致转子无法转动）。由于TinyML模型在边缘侧实时识别出该状态，系统在2秒内触发了急停保护，避免了电机烧毁事故。
事后复盘发现，模型训练时堵转样本仅占总数据集的5%，但通过数据增强（对堵转波形添加噪声、时间偏移）和类别权重调整，分类准确率仍达到98.7%。关键经验是：堵转与过载的区分不能仅依赖RMS值，必须结合波形形态特征——过载时波形仍保持周期性，而堵转时波形呈现非周期的剧烈振荡。
3.4 常见误区与总结复盘
误区一：仅用RMS值判断负载状态。RMS值虽然直观，但受电网电压波动影响较大。当电压跌落10%时，同样负载下RMS可能下降15%，导致误判。应引入电压归一化或使用电流与电压的相位差作为辅助特征。
误区二：忽视启动瞬态过程。电机启动电流可达额定值6~8倍，若采样窗口恰好落在启动阶段，极易误判为堵转。解决方案是设置启动抑制逻辑——在电机上电后前2秒内不进行状态判断，或采用双窗口策略（短窗口检测瞬态，长窗口判断稳态）。
误区三：THD计算窗口过短。若FFT窗口不足2个工频周期，频谱泄漏会严重污染谐波幅值。建议窗口长度取10个周期（200ms@50Hz），并采用汉宁窗抑制泄漏。
误区四：忽略温度对电流的影响。电机温升会导致绕组电阻增大，在相同负载下电流略有下降（约每10℃变化1%~2%）。对于长时间运行的监测系统，应引入温度补偿系数或定期重新校准基线。
总结而言，负载状态与电流波形的关系可归纳为：幅值定区间、谐波定畸变、瞬态定故障。空载与轻载主要靠RMS和THD区分；额定状态波形最“干净”；过载状态谐波显著增加且功率因数下降；堵转状态则以超大电流和严重波形畸变为标志。在TinyML边缘推理中，应综合运用时域特征（RMS、峰值因子）、频域特征（THD、特定谐波幅值）和形态特征（波形对称性、包络波动），并针对不同电机类型（异步、同步、直流）调整阈值和特征组合。通过合理的特征工程与轻量级分类器设计，可在资源受限的MCU上实现高精度的负载状态实时识别，为预测性维护提供可靠的数据支撑。