Low-Complexity Recursive NARX for Discriminating Incipient Stator Inter-Turn Short Circuits from Load Variations in Three-Phase Induction Motors

In der industriellen Welt ist der Drehstrom-Asynchronionsmotor der stille Arbeitspferd. Zu finden in allem, von Fabrikpumpen bis hin zu Lüftern für die Belüftung, halten diese Maschinen die Produktionslinien in Bewegung. Doch wie jedes mechanische System sind auch sie anfällig für Verschleiß und Abnutzung. Einer der gefährlichsten Fehler ist ein Kurzschluss zwischen den winzigen Kupferwicklungen im Stator des Motors, dem stationären Teil, der das Magnetfeld erzeugt. Wenn nur wenige Windungen eines Drahtes einander berühren, beginnt ein kleiner, lokalisierter Strom zu zirkulieren. Bleibt dies unentdeckt, kann dies die Isolierung überhitzen und zu einem katastrophalen Ausfall führen, der die gesamte Maschine zum Stillstand bringt. Die Herausforderung für Ingenieure besteht nicht nur darin, einen defekten Motor zu finden, sondern das Problem zu erkennen, solange es noch klein und handhabbar ist. Dies ist schwierig, da sich die elektrischen Signale, die einen winzigen Fehler offenbaren, auch dann ändern, wenn der Motor einfach härter arbeitet oder eine schwerere Last trägt. Die Unterscheidung zwischen einem sich entwickelnden Defekt und einer normalen Änderung der Arbeitslast war lange Zeit eine Hürde für eine zuverlässige, automatisierte Überwachung.

Ein Team von Forschern an der Federal University of São João del-Rei in Brasilien hat einen neuen Weg entwickelt, um genau dieses Problem zu lösen. Sie haben ein einfaches, kostengünstiges digitales Werkzeug entwickelt, das den Unterschied zwischen einem Motor, der nur hart arbeitet, und einem Motor mit einem winzigen, frühen Kurzschluss erkennen kann. Anstatt zu versuchen, ein perfektes, hochpräzises digitales Abbild des Motors zu bauen, das jedes physikalische Detail nachahmt, wählten die Forscher einen anderen Ansatz. Sie bauten ein sehr kleines, vereinfachtes mathematisches Modell, das als sensibler Detektor fungiert. Dieses Modell ist so konzipiert, dass seine Struktur fest bleibt, was bedeutet, dass es weder seine Form noch seine Komplexität ändert. Stattdessen werden, wenn sich das Verhalten des Motors aufgrund eines Fehlers verschiebt, die Zahlen innerhalb des Modells gezwungen, sich anzupassen, um Schritt zu halten. Durch die Beobachtung, wie diese Zahlen driften, kann das System einen Fehler identifizieren, selbst wenn der Motor erheblichen Änderungen in der Last unterliegt.

Um diese Idee zu testen, richteten die Forscher ein Laborexperiment mit einem Standard-Drehstrom-Asynchronionsmotor ein. Sie erzeugten sorgfältig kontrollierte Fehler, indem sie eine geringe Anzahl von Windungen in den Wicklungen des Motors kurzschlossen. In einem Szenario schlossen sie etwa 1,5 % der Windungen in einer einzelnen Phase kurz, in einem anderen Szenario etwa 3 %. Dies sind sehr kleine Defekte, der Art von Fehlern, die schwierig zu entdecken sind, bevor sie großen Schaden anrichten. Um den Test realistisch zu gestalten, setzten sie den Motor auch einer großen, normalen Änderung der Arbeitslast aus, wobei der elektrische Strom um fast 49 % anstieg. Das Ziel war es zu sehen, ob ihr System diese massive Laständerung ignorieren kann, während es gleichzeitig Alarm wegen der winzigen Kurzschlüsse schlägt.

Das von ihnen gebaute System beruht auf einer Methode namens rekursiver Parameterschätzung. In einfachen Worten ausgedrückt bedeutet dies, dass das System sein Verständnis des Motorverhaltens Moment für Moment aktualisiert, indem es nur die aktuellsten Spannungs- und Strommesswerte verwendet. Es muss keine riesigen Mengen an historischen Daten speichern oder komplexe Berechnungen durchführen, die leistungsstarke Computer erfordern. Das Modell verwendet nur vier anpassbare Zahlen, um die Beziehung zwischen der in den Motor fließenden Spannung und dem aus dem Motor kommenden Strom zu beschreiben. Wenn der Motor gesund ist, bleiben diese Zahlen relativ stabil. Tritt ein Fehler auf, ändern sich die physikalischen Eigenschaften des Motors, und das System muss diese vier Zahlen anpassen, um der neuen Realität gerecht zu werden. Die Forscher fanden heraus, dass sie durch das Einfrieren der Struktur des Modells und das Zulassen der Bewegung dieser Zahlen klar den Unterschied zwischen einem Fehler und einer Laständerung erkennen konnten.

Ein entscheidender Teil ihres Erfolgs war eine Technik namens statische Verstärkungsadaptation (static-gain adaptation). Ohne dieses Merkmal würde das System eine schwere Last mit einem Fehler verwechseln, da beide die elektrischen Signale verändern. Die Adaptation wirkt wie ein Lautstärkeregler, der die Empfindlichkeit des Modells automatisch an das aktuelle Betriebsniveau anpasst. Dies ermöglicht es dem System, die normalen, erwarteten Leistungsänderungen durch die Last zu ignorieren, während es gleichzeitig hochsensibel für die spezifischen, unregelmäßigen Änderungen durch einen Kurzschluss bleibt. Als die Forscher ihr System ohne diese Adaptation testeten, konnte es die kleinsten Fehler nicht erkennen und hatte Schwierigkeiten, die größeren Fehler von normalen Lastschwankungen zu unterscheiden. Mit der Adaptation im Einsatz konnte das System die Fehlersignale erfolgreich von den Lastsignalen trennen.

Die Ergebnisse zeigten, dass das von ihnen gewählte nichtlineare Modell deutlich besser darin war, das Verhalten des Motors zu verfolgen, als ein traditionelles lineares Modell. In ihren Tests reduzierte der nichtlineare Ansatz den Fehler bei der Vorhersage des Motorausgangs um etwa 22 % im Vergleich zur linearen Version.ت Wichtiger noch: Das System konnte deutlich zwischen einem gesunden Motor, einem Motor mit einem 1,5 % Kurzschluss und einem Motor mit einem 3 % Kurzschluss unterscheiden, selbst während sich die Last um fast die Hälfte änderte. Die Forscher beobachteten, dass verschiedene Zahlen in ihrem Modell auf unterschiedliche Weise reagierten. Eine spezifische Zahl, die damit zusammenhängt, wie die Eingangsspannung die Stromstärke nach einer kurzen Verzögerung beeinflusst, erwies sich als der zuverlässigste Indikator für einen Fehler. Eine andere Zahl war sehr empfindlich gegenüber Laständerungen, was dem System half, den Kontext des Betriebs zu verstehen.

Das System arbeitet mit einer Geschwindigkeit von 1.000 Abtastwerten pro Sekunde, was schnell genug ist, um diese frühen Anzeichen von Problemen zu erfassen. Die Zeit, die benötigt wird, um einen Alarm auszulösen, wird jedoch nicht durch die Geschwindigkeit begrenzt, mit der der Computer rechnen kann. Stattdessen beträgt die Verzögerung etwa 1,2 Sekunden – die Zeit, die das System benötigt, um genügend Beweise zu sammeln, um sicher zu sein, dass die Änderung der Zahlen ein echter Fehler und nicht nur ein zufälliges Rauschen oder eine vorübergehende Fluktuation ist. Diese Verzögerung ist für ein System zur vorausschauenden Wartung akzeptabel, das darauf abzielt, Betreiber zu warnen, bevor ein Ausfall eintritt, anstatt wie ein herkömmliches Sicherheitsgerät sofort einen Leistungsschalter auszulösen.

Die Studie hob auch hervor, dass das System die Stromversorgung aller drei Phasen des Motors überwachen muss. Wenn in einer Phase ein Fehler auftritt, zeigen die Zahlen des Modells für diese spezifische Phase eine klare Abweichung. Die Phasen, die nicht betroffen sind, zeigen wesentlich kleinere Änderungen. Dies bedeutet, dass das System in einer realen Installation drei parallele Monitore laufen lassen würde, einen für jede Phase, und diejenve Phase markiert, die die signifikanteste Drift aufweist. Dieser Ansatz erfordert nicht das Vorauswissen darüber, welche Phase ausfallen könnte.

Die Forscher betonen, dass ihre Methode für eingebettete Systeme (embedded systems) konzipiert ist, was bedeutet, dass sie auf den kleinen, kostengünstigen Mikrocontrollern laufen könnte, die bereits in vielen Industrieantrieben und Schutzrelais zu finden sind. Sie benötigt nicht die enorme Rechenleistung, die für komplexe Algorithmen des maschinellen Lernens oder die massiven Datenspeicher von Digital-Twin-Simulationen erforderlich ist. Der gesamte Prozess umfasst einfache arithmetische Operationen, die mit sehr wenig Speicher ausgeführt werden können. Dies macht sie zu einem praktischen Kandidaten für die Nachrüstung bestehender Maschinen, wodurch ältere Motoren mit moderner, intelligenter Diagnostik überwacht werden können, ohne die Hardware ersetzen zu müssen.

Obwohl die Tests an einem einzelnen Motor in einer kontrollierten Laborumgebung durchgeführt wurden, bieten die Ergebnisse einen vielversprechenden Weg für die industrielle Zuverlässigkeit. Die Studie zeigt, dass ein einfaches, interpretierbares Modell in Kombination mit einer intelligenten Anpassung an wechselnde Bedingungen die Aufgabe, frühe Fehler von normalen Betriebsänderungen zu trennen, besser bewältigen kann als komplexere Ansätze. Die Arbeit legt nahe, dass die Zukunft der Motorüberwachung vielleicht nicht in immer komplexerer künstlicher Intelligenz liegt, sondern in der Verfeinerung einfacher, physikbasierter Werkzeuge, die robust, schnell und in der realen Welt leicht zu implementieren sind. Die Forscher planen, ihren Ansatz an Motoren zu validieren, die durch frequenzgesteuerte Antriebe betrieben werden, sowie unter einem breiteren Spektrum von Fehlerbedingungen, aber die ersten Ergebnisse bieten eine starke Grundlage für eine neue, kostengünstige Strategie, um industrielle Maschinen sicher am Laufen zu halten.