Команда доктора Вэньтао Хуана из Цзяннаньского университета решила проблему, которая годами мешала инженерам: как точно оценить серьезность межвиткового замыкания в пятифазных двигателях с постоянными магнитами. Раньше методы диагностики лишь констатировали факт неисправности, но не могли сказать, насколько она критична. Новый подход объединяет две технологии: систему, которая в реальном времени отслеживает поломки, и алгоритм на основе нейросети, анализирующий сигналы и рассчитывающий степень повреждения.

Межвитковое замыкание (ITSC) — это повреждение изоляции проводов в обмотке двигателя, из-за которого ток начинает течь по укороченному пути, минуя часть витков. Это приводит к перегреву, потере мощности и, в худшем случае, к полному выходу двигателя из строя.

Результаты опубликованы в издании CES Transactions on Electrical Machines and Systems.

Главная сложность была в том, чтобы разделить параметры неисправности — например, понять, какая часть обмотки замкнута и каково сопротивление в месте пробоя. Обычные методы с этим не справлялись, из-за чего двигатель мог перегреться или даже лишиться намагниченности без предупреждения. Здесь же используется расширенный наблюдатель состояний (ESO) и сверточная нейросеть (CNN), которые не просто находят замыкание, но и точно определяют его масштаб. Это позволяет сразу принять меры — например, снизить нагрузку или отправить двигатель в ремонт.

Почему это важно

• В электромобилях необнаруженное замыкание может привести к возгоранию. Теперь систему можно остановить до катастрофы.
• Снижаются затраты на ремонт: двигатель не доводят до критического состояния.

Следующий шаг — сделать двигатели «умнее». Они смогут автоматически уменьшать мощность при неисправности и передавать данные на сервер для мониторинга. Такие технологии пригодятся не только в промышленности, но и в авиации или ветрогенераторах, где поломки опасны и дороги в устранении.

Главный плюс — предотвращение аварийных ситуаций. Например, в электромобиле незамеченное замыкание может привести к пожару, а в промышленности — к остановке производства. Метод позволяет точно оценить риск и действовать на опережение. Кроме того, снижаются затраты: ремонт на ранней стадии дешевле, чем замена двигателя. Для ветряков или дронов это особенно актуально — диагностика без остановки работы сэкономит миллионы.

Метод требует точных данных и сложных вычислений. В реальных условиях, где есть помехи или неидеальные условия эксплуатации, точность может снижаться. Кроме того, нейросети нуждаются в обучении на большом объеме данных — для редких типов замыканий алгоритм может ошибаться.

Ранее ученые улучшили модель для предсказания работы прототипа двигателя в реальных условиях.