⚡ génie électrique

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

Cet article présente un modèle NARX récursif à faible complexité avec adaptation de gain statique qui discrimine efficacement les courts-circuits entre spires naissants du stator des variations de charge dans les moteurs à induction triphasés en détectant les écarts dans les coefficients récursifs, atteignant une grande précision et une réponse rapide adaptées à la surveillance de l'état embarquée sans nécessiter de calculs complexes ou de classificateurs.

Auteurs originaux : Márcio Falcão Santos Barroso, Lane Maria Rabelo, Ana Paula Lima dos Santos

Publié 2026-10-15

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Márcio Falcão Santos Barroso, Lane Maria Rabelo, Ana Paula Lima dos Santos

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde industriel, le moteur à induction triphasé est le bourreau de travail silencieux. Présents dans tout, des pompes d'usine aux ventilateurs de ventilation, ces machines maintiennent les lignes de production en mouvement. Cependant, comme tout système mécanique, ils sont sujets à l'usure et à l'érosion. L'un des défauts les plus dangereux est un court-circuit entre les minuscules bobinages de cuivre à l'intérieur du stator du moteur, la partie stationnaire qui crée le champ magnétique. Lorsque seulement quelques tours de fil se touchent, un courant localisé et de faible intensité commence à circuler. S'il n'est pas détecté, cela peut surchauffer l'isolation, entraînant une défaillance catastrophique qui arrête toute la machine. Le défi pour les ingénieurs n'est pas seulement de trouver un moteur en panne, mais de repérer le problème lorsqu'il est encore petit et gérable. Cela est difficile car les signaux électriques qui révèlent un défaut minuscule changent également lorsque le moteur travaille simplement plus dur ou supporte une charge plus lourde. Distinguer un défaut en développement d'un changement normal de la charge de travail a longtemps été un obstacle pour une surveillance automatisée et fiable.

Une équipe de chercheurs de l'Université Fédérale de São João del-Rei au Brésil a développé une nouvelle façon de résoudre ce problème spécifique. Ils ont créé un outil numérique simple et à bas coût capable de faire la différence entre un moteur qui travaille simplement dur et un moteur présentant un minuscule court-circuit à un stade précoce. Au lieu d'essayer de construire une copie numérique parfaite et de haute fidélité du moteur qui imite chaque détail physique, les chercheurs ont adopté une approche différente. Ils ont construit un modèle mathématique très petit et simplifié qui agit comme un détecteur sensible. Ce modèle est conçu pour rester fixe dans sa structure, ce qui signifie qu'il ne change ni sa forme ni sa complexité. Au lieu de cela, lorsque le comportement du moteur change en raison d'un défaut, les nombres à l'intérieur du modèle sont contraints de changer pour suivre le rythme. En observant comment ces nombres dérivent, le système peut identifier un défaut même lorsque le moteur subit des changements importants de charge.

Pour tester cette idée, les chercheurs ont mis en place une expérience de laboratoire utilisant un moteur à induction triphasé standard. Ils ont créé soigneusement des défauts contrôlés en court-circuitant un petit nombre de tours dans les bobinages du moteur. Dans un scénario, ils ont court-circuité environ 1,5 % des tours dans une seule phase, et dans un autre, ils ont court-circuité environ 3 %. Ce sont des défauts très mineurs, le genre de défauts difficiles à détecter avant qu'ils ne causent des dommages majeurs. Pour rendre le test réaliste, ils ont également soumis le moteur à un changement important et normal de la charge de travail, augmentant le courant électrique de près de 49 %. L'objectif était de voir si leur système pouvait ignorer ce changement massif de charge tout en déclenchant une alerte pour les minuscules courts-circuits.

Le système qu'ils ont construit repose sur une méthode appelée estimation récursive des paramètres. En termes simples, cela signifie que le système met à jour sa compréhension du comportement du moteur instant après instant, en utilisant uniquement les lectures de tension et de courant les plus récentes. Il n'a pas besoin de stocker de vastes quantités de données historiques ou d'effectuer des calculs complexes nécessitant des ordinateurs puissants. Le modèle utilise seulement quatre nombres ajustables pour décrire la relation entre la tension injectée dans le moteur et le courant qui en sort. Lorsque le moteur est sain, ces nombres restent relativement stables. Lorsqu'un défaut survient, les propriétés physiques du moteur changent, et le système doit ajuster ces quatre nombres pour correspondre à la nouvelle réalité. Les chercheurs ont constaté qu'en figeant la structure du modèle et en ne permettant qu'à ces nombres de bouger, ils pouvaient clairement voir la différence entre un défaut et un changement de charge.

Un élément crucial de leur succès a été une technique appelée adaptation du gain statique. Sans cette caractéristique, le système confondrait une charge lourde avec un défaut, car les deux provoquent des changements dans les signaux électriques. L'adaptation agit comme un bouton de volume qui ajuste automatiquement la sensibilité du modèle au niveau de fonctionnement actuel. Cela permet au système d'ignorer les changements normaux et attendus de performance causés par la charge, tout en restant hautement sensible aux changements irréguliers spécifiques causés par un court-circuit. Lorsque les chercheurs ont testé leur système sans cette adaptation, il n'a pas réussi à détecter les plus petits défauts et a eu du mal à distinguer les plus importants des variations normales de charge. Avec l'adaptation en place, le système a réussi à séparer les signaux de défaut des signaux de charge.

Les résultats ont montré que le modèle non linéaire qu'ils ont choisi était nettement meilleur que le modèle linéaire traditionnel pour suivre le comportement du moteur. Dans leurs tests, l'approche non linéaire a réduit l'erreur de prédiction de la sortie du moteur d'environ 22 % par rapport à la version linéaire. Plus important encore, le système pouvait clairement distinguer le moteur sain, le moteur avec un court-circuit de 1,5 % et le moteur avec un court-circuit de 3 %, même alors que la charge variait de près de moitié. Les chercheurs ont observé que différents nombres de leur modèle réagissaient de différentes manières. Un nombre spécifique, lié à la façon dont la tension d'entrée affecte le courant après un certain délai, s'est avéré être l'indicateur le plus fiable d'un défaut. Un autre nombre était très sensible aux changements de charge, ce qui aidait le système à comprendre le contexte de l'opération.

Le système fonctionne à une vitesse de 1 000 échantillons par seconde, ce qui est assez rapide pour capter ces premiers signes de problèmes. Cependant, le temps nécessaire pour déclencher une alarme n'est pas limité par la vitesse de calcul de l'ordinateur. Au lieu de cela, le délai est d'environ 1,2 seconde, ce qui est le temps requis pour que le système recueille suffisamment de preuves pour être sûr que le changement dans les nombres est un véritable défaut et non un simple bruit aléatoire ou une fluctuation temporaire. Ce délai est acceptable pour un système de maintenance prédictive, qui vise à avertir les opérateurs avant qu'une défaillance ne se produise, plutôt que de couper instantanément un disjoncteur comme un dispositif de sécurité traditionnel.

L'étude a également souligné que le système doit surveiller les trois phases de l'alimentation électrique du moteur. Lorsqu'un défaut se produit dans une phase, les nombres du modèle pour cette phase spécifique montrent une déviation claire. Les phases qui ne sont pas affectées présentent des changements beaucoup plus faibles. Cela signifie que dans une installation réelle, le système ferait fonctionner trois moniteurs parallèles, un pour chaque phase, et signalerait celui qui présente la dérive la plus significative. Cette approche ne nécessite pas de savoir à l'avance quelle phase pourrait tomber en panne.

Les chercheurs soulignent que leur méthode est conçue pour les systèmes embarqués, ce qui signifie qu'elle pourrait fonctionner sur les microcontrôleurs petits et peu coûteux déjà présents dans de nombreux variateurs industriels et relais de protection. Elle ne nécessite pas la puissance de calcul lourde requise par les algorithmes d'apprentissage automatique complexes ou le stockage de données massif des simulations de jumeaux numériques. Tout le processus implique des opérations arithmétiques simples qui peuvent être effectuées avec très peu de mémoire. Cela en fait un candidat pratique pour le rétrofit de machines existantes, permettant de surveiller les anciens moteurs avec des diagnostics modernes et intelligents sans remplacer le matériel.

Bien que les tests aient été menés sur un seul moteur dans un cadre de laboratoire contrôlé, les conclusions offrent une voie prometteuse pour la fiabilité industrielle. L'étude démontre qu'un modèle simple et interprétable, combiné à une adaptation intelligente aux conditions changeantes, peut surpasser des approches plus complexes dans la tâche spécifique de séparer les défauts précoces des changements opérationnels normaux. Le travail suggère que l'avenir de la surveillance des moteurs ne réside peut-être pas dans une intelligence artificielle de plus en plus complexe, mais dans le perfectionnement d'outils simples, basés sur la physique, qui sont robustes, rapides et faciles à mettre en œuvre dans le monde réel. Les chercheurs prévoient de valider leur approche sur des moteurs alimentés par des variateurs de vitesse et sous une gamme plus large de conditions de défaut, mais les résultats initiaux fournissent une base solide pour une nouvelle stratégie à bas coût afin de maintenir les machines industrielles en fonctionnement en toute sécurité.

Résumé Technique : Modèle NARX Récursif à Faible Complexité pour la Discrimination des Courts-Circuits Entre Spires Incipients dans les Stators

Énoncé du Problème
La détection précoce des courts-circuits entre spires (ITSC) dans les stators de moteurs à induction triphasés (TIM) représente un défi de diagnostic significatif. Bien que les défauts incipients (impliquant seulement quelques spires) puissent entraîner une dégradation sévère de l'isolation et une défaillance catastrophique, ils produisent des changements subtils dans les variables terminales. Une difficulté majeure consiste à distinguer ces dynamiques induites par le défaut des variations légitimes et de grande ampleur des points de fonctionnement, telles que les changements de charge. Les détecteurs industriels doivent rester robustes face aux fluctuations normales de charge (par exemple, une variation de courant de ~48,5 %) tout en restant assez sensibles pour détecter des défauts aussi petits que 1,5 % d'une phase statorique. Les modèles de haute fidélité existants ou les approches d'apprentissage automatique manquent souvent de l'interprétabilité physique, de la faible charge de calcul ou du mécanisme explicite de découplage des effets de charge des signatures de défaut requis pour une implémentation embarquée.

Méthodologie
L'étude propose une stratégie à faible complexité basée sur un modèle NARX (Autorégressif Non Linéaire avec Entrées Exogènes) récursif. L'approche diverge des objectifs traditionnels de « jumeau numérique » ; le modèle identifié n'est pas conçu pour minimiser l'erreur de simulation en régime libre, mais pour agir comme un détecteur de changement dynamique.

Génération de Données : Un modèle $dq$ symétrique basé sur la physique, paramétré avec des données de test standards, a été utilisé pour générer des données saines présentant une excitation persistante. Cette référence « boîte blanche » garantit que le processus d'identification démarre avec des dynamiques physiquement cohérentes.
Structure du Modèle : Un substitut NARX polynomial de second ordre, délibérément de bas ordre, a été sélectionné. La structure est figée après l'identification par lots, consistant en quatre termes déterministes :
$y(k) = \theta_1 u(k-1) + \theta_2 y(k-2) + \theta_3 u(k-2) + \theta_4 u(k-1)y(k-1)$
où $u$ est la tension de phase et $y$ le courant de phase.
Estimation Récursive : Un algorithme de Moindres Carrés Récursifs (RLS) en ligne avec un facteur d'oubli ( $\lambda$ ) suit les quatre coefficients ( $\theta_1$ à $\theta_4$ ) échantillon par échantillon. L'implémentation évite l'inversion de matrice en utilisant des mises à jour de rang un, ne nécessitant qu'une matrice de covariance $4 \times 4$ et des opérations scalaires par échantillon.
Adaptation du Gain Statique : Une caractéristique statique auxiliaire adapte le gain du modèle au point de fonctionnement. Ce mécanisme est crucial pour absorber les changements de gain bénins dépendants de la charge, empênant qu'ils ne soient interprétés à tort comme des signatures de défaut dynamiques dans les coefficients récursifs.
Interprétation Locale : Les coefficients sont interprétés via une linéarisation locale. $\theta_2$ se rapporte aux pôles effectifs (dénominateur), $\theta_1$ et $\theta_3$ aux zéros effectifs (numérateur), et $\theta_4$ à la dépendance au point de fonctionnement. Les défauts se manifestent par une dérive de ces coefficients plutôt que par des changements de la structure du modèle.

Contributions Clés
L'article présente huit contributions spécifiques :

Un chemin d'identification transparent allant des modèles physiques vers un substitut de diagnostic minimal.
Une analyse comparative montrant que le modèle NARX non linéaire atteint une erreur de validation environ 22 % plus faible qu'un modèle linéaire correspondant.
Une interprétation par pôles/zéros locaux de la dérive des coefficients récursifs, liant les changements de paramètres à la dynamique effective du moteur.
Une ablation explicite démontrant que l'adaptation du gain statique est essentielle pour la discrimination défaut/charge.
Une validation expérimentale contre des ITSC de 1,5 % et 3 % par rapport à une variation de courant de charge de 48,5 %.
Une analyse du compromis du facteur d'oubli entre sensibilité, variance et délai de détection.
Une analyse par phase confirmant que les trois phases doivent être surveillées, car la signature du défaut est la plus forte dans la phase affectée.
Une évaluation de l'implémentation industrielle soulignant l'aptitude de la méthode pour les systèmes embarqués (pas de FFT, pas de classificateurs entraînés, pas d'inversion de matrice).

Résultats Expérimentaux
Des expériences ont été menées sur un banc d'essai de moteur à induction de 3 cv, 220 V, 60 Hz avec des ITSC contrôlés (3 et 6 spires en court-circuit) et des transitions de charge.

Discrimination : Les coefficients récursifs ont réussi à distinguer les défauts incipients des variations de charge. Plus précisément, le coefficient du numérateur à retard d'entrée ( $\theta_3$ ) a fourni la discrimination la plus claire, montrant un déplacement significatif pour les défauts mais un mouvement minimal lors des changements de charge (après adaptation du gain).
Rôles des Coefficients : $\theta_2$ (lié au pôle) était très sensible à la fois aux défauts et aux changements de charge, ce qui le rendait moins spécifique. $\theta_4$ répondait principalement aux changements de point de fonctionnement, servant d'information contextuelle.
Performance : Le modèle non linéaire a surpassé son homologue linéaire. L'adaptation du gain statique s'est avérée critique ; sans elle, le système perdait sa sensibilité au défaut de 1,5 % et peinait à distinguer le défaut de 3 % des changements de charge.
Latence : Le délai de détection observé était d'environ 1,2 seconde (1 200 échantillons à 1 kHz). Les auteurs précisent qu'il s'agit d'une latence d'« accumulation de preuves » nécessaire pour séparer statistiquement le défaut du bruit, et non d'un délai d'exécution computationnelle.
Charge de Calcul : L'estimateur fonctionne échantillon par échantillon avec une complexité $O(p^2)$ ( $p=4$ ), ne nécessitant ni inversion de matrice ni fenêtrage, ce qui le rend réalisable sur des microcontrôleurs industriels standards.

Signification et Revendications
L'article positionne ce travail comme une solution industrielle pratique pour la maintenance prédictive plutôt que comme un outil de simulation de haute fidélité. Sa signification réside dans :

Séparation des Préoccupations : Il sépare explicitement l'objectif de simulation (haute fidélité) de celui du diagnostic (sensibilité au changement dynamique), en utilisant une structure de bas ordre figée pour forcer la dynamique du défaut dans la dérive des coefficients.
Faisabilité Embarquée : La méthode élimine les opérations coûteuses en calcul (FFT, inversion de matrice, inférence neuronale) typiques des diagnostics de défauts modernes, en s'appuyant plutôt sur de simples récursions scalaires.
Robustesse : En combinant une structure non linéaire et une adaptation du gain statique, la méthode atteint une robustesse face aux larges variations de charge tout en maintenant une sensibilité aux défauts incipients que les relais de protection conventionnels pourraient manquer.
Portée Modeste : Les auteurs reconnaissent des limites, notant que la validation actuelle est limitée à des moteurs de laboratoire alimentés par le réseau avec des défauts introduits. Ils indiquent que des travaux futurs sont nécessaires pour évaluer les temps d'exécution sur du matériel cible et valider les performances sous opération pilotée par onduleur (PWM) et diverses perturbations de l'alimentation. La méthode est présentée comme une couche complémentaire à la protection conventionnelle, ciblant le stade incipient de la dégradation.

Articles similaires