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

Nel mondo industriale, il motore a induzione trifase è il silenzioso cavallo di battaglia. Trovato in tutto, dalle pompe di fabbrica ai ventilatori di ventilazione, queste macchine mantengono attive le linee di produzione. Tuttavia, come ogni sistema meccanico, sono soggetti a usura e deterioramento. Uno dei guasti più pericolosi è un cortocircuito tra le minuscole avvolgimenti di rame all'interno dello statore del motore, la parte stazionaria che crea il campo magnetico. Quando anche solo pochi giri di filo si toccano, inizia a circolare una piccola corrente localizzata. Se lasciato non controllato, questo può surriscaldare l'isolamento, portando a un guasto catastrofico che ferma l'intera macchina. La sfida per gli ingegneri non è solo trovare un motore rotto, ma individuare il problema quando è ancora piccolo e gestibile. Ciò è difficile perché i segnali elettrici che rivelano un piccolo guasto cambiano anche quando il motore lavora semplicemente più duramente o trasporta un carico più pesante. Distinguere un difetto in fase di sviluppo da un normale spostamento del carico è stato a lungo un ostacolo per un monitoraggio affidabile e automatizzato.

Un team di ricercatori dell'Università Federale di São João del-Rei in Brasile ha sviluppato un nuovo modo per risolvere questo problema specifico. Hanno creato uno strumento digitale semplice e a basso costo che può distinguere tra un motore che sta solo lavorando duramente e uno che ha un piccolo cortocircuito nelle prime fasi. Invece di cercare di costruire una copia digitale perfetta e ad alta fedeltà del motore che imiti ogni dettaglio fisico, i ricercatori hanno adottato un approccio diverso. Hanno costruito un modello matematico molto piccolo e semplificato che agisce come un rilevatore sensibile. Questo modello è progettato per mantenere una struttura fissa, il che significa che non cambia forma o complessità. Invece, quando il comportamento del motore cambia a causa di un guasto, i numeri all'interno del modello sono costretti a cambiare per tenere il passo. Osservando come questi numeri derivano, il sistema può identificare un guasto anche quando il motore sta subendo cambiamenti significativi nel carico.

Per testare questa idea, i ricercatori hanno allestito un esperimento di laboratorio utilizzando un motore a induzione trifase standard. Hanno creato con cura guasti controllati cortocircuitando un piccolo numero di spire negli avvolgimenti del motore. In uno scenario, hanno cortocircuitato circa l'1,5% delle spire in una singola fase e in un altro scenario circa il 3%. Questi sono difetti molto piccoli, del tipo difficile da rilevare prima che causino danni maggiori. Per rendere il test realistico, hanno anche sottoposto il motore a un grande cambiamento normale del carico di lavoro, aumentando la corrente elettrica di quasi il 4%、. L'obiettivo era vedere se il loro sistema potesse ignorare questo massiccio cambiamento di carico pur facendo scattare l'allarme per i piccoli cortocircuiti.

Il sistema che hanno costruito si basa su un metodo chiamato stima ricorsiva dei parametri. In termini semplici, significa che il sistema aggiorna la sua comprensione del comportamento del motore momento per momento, utilizzando solo le letture più recenti di tensione e corrente. Non ha bisogno di memorizzare grandi quantità di dati storici o di eseguire calcoli complessi che richiedono computer potenti. Il modello utilizza solo quattro numeri regolabili per descrivere la relazione tra la tensione che entra nel motore e la corrente che ne esce. Quando il motore è sano, questi numeri rimangono relativamente stabili. Quando si verifica un guasto, le proprietà fisiche del motore cambiano e il sistema deve regolare questi quattro numeri per adattarsi alla nuova realtà. I ricercatori hanno scoperto che, congelando la struttura del modello e permettendo solo a questi numeri di muoversi, potevano vedere chiaramente la differenza tra un guasto e un cambiamento di carico.

Una parte cruciale del loro successo è stata una tecnica chiamata adattamento del guadagno statico. Senza questa caratteristica, il sistema scambierebbe un carico pesante per un guasto, poiché entrambi causano variazioni nei segnali elettrici. L'adattamento agisce come una manopola del volume che regola automaticamente la sensibilità del modello al livello operativo corrente. Ciò consente al sistema di ignorare le normali e attese variazioni di prestazioni causate dal carico, pur rimanendo altamente sensibile ai cambiamenti specifici e irregolari causati da un cortocircuito. Quando i ricercatori hanno testato il loro sistema senza questo adattamento, esso non è riuscito a rilevare i guasti più piccoli e ha faticato a distinguere quelli più grandi dalle normali variazioni di carico. Con l'adattamento in funzione, il sistema è riuscito a separare i segnali di guasto dai segnali di carico.

I risultati hanno mostrato che il modello non lineare che hanno scelto era significativamente migliore di un modello lineare tradizionale nel tracciare il comportamento del motore. Nei loro test, l'approccio non lineare ha ridotto l'errore nella previsione dell'output del motore di circa il 22% rispetto alla versione lineare. Ancora più importante, il sistema poteva distinguere chiaramente tra il motore sano, il motore con un cortocircuito dell'1,5% e il motore con un cortocircuito del 3%, anche mentre il carico cambiava di quasi la metà. I ricercatori hanno osservato che numeri diversi nel loro modello reagivano in modi diversi. Un numero specifico, relativo a come la tensione di ingresso influisce sulla corrente dopo un breve ritardo, si è rivelato l'indicatore di guasto più affidabile. Un altro numero era molto sensibile ai cambiamenti di carico, il che ha aiutato il sistema a comprendere il contesto dell'operazione.

Il sistema opera a una velocità di 1.000 campioni al secondo, il che è sufficientemente veloce per catturare questi primi segni di problemi. Tuttavia, il tempo necessario per far scattare un allarme non è limitato dalla velocità con cui il computer calcola. Invece, il ritardo è di circa 1,2 secondi, che è il tempo necessario affinché il sistema raccolga prove sufficienti per essere sicuro che il cambiamento nei numeri sia un guasto reale e non solo rumore casuale o una fluttuazione temporanea. Questo ritardo è accettabile per un sistema di manutenzione predittiva, che mira ad avvisare gli operatori prima che si verifichi un guasto, piuttosto che far scattare istantaneamente un interruttore magnetotermico come un dispositivo di sicurezza tradizionale.

Lo studio ha anche evidenziato che il sistema deve monitorare tutte e tre le fasi dell'alimentazione elettrica del motore. Quando si verifica un guasto in una fase, i numeri del modello per quella specifica fase mostrano una chiara deviazione. Le fasi non colpite mostrano cambiamenti molto più piccoli. Ciò significa che in un'installazione reale, il sistema eseguirebbe tre monitor paralleli, uno per ogni fase, e segnalerebbe la fase che mostra la deriva più significativa. Questo approccio non richiede di sapere in anticipo quale fase potrebbe guastarsi.

I ricercatori sottolineano che il loro metodo è progettato per sistemi embedded, il che significa che potrebbe girare sui piccoli e poco costosi microcontrollori già presenti in molti azionamenti industriali e relè di protezione. Non richiede la potenza computazionale necessaria per gli algoritmi complessi di machine learning o la massiccia archiviazione di dati delle simulazioni di digital twin. L'intero processo prevede semplici operazioni aritmetiche che possono essere eseguite con pochissima memoria. Ciò lo rende un candidato pratico per l'ammodernamento (retrofitting) di macchinari esistenti, consentendo di monitorare i motori più vecchi con diagnostiche intelligenti moderne senza sostituire l'hardware.

Sebbene i test siano stati condotti su un singolo motore in un ambiente di laboratorio controllato, le scoperte offrono una strada promettente verso l'affidabilità industriale. Lo studio dimostra che un modello semplice e interpretabile, combinato con un adattamento intelligente alle condizioni variabili, può superare approcci più complessi nel compito specifico di separare i guasti precoci dai normali cambiamenti operativi. Il lavoro suggerisce che il futuro del monitoraggio dei motori potrebbe non risiedere in un'intelligenza artificiale sempre più complessa, ma nel perfezionamento di strumenti semplici basati sulla fisica, che siano robusti, veloci e facili da implementare nel mondo reale. I ricercatori intendono validare il loro approccio su motori alimentati da azionamenti a velocità variabile e sotto una gamma più ampia di condizioni di guasto, ma i risultati iniziali forniscono una solida base per una nuova strategia a basso costo per mantenere in sicurezza il funzionamento dei macchinari industriali.