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

産業界において、三相誘導電動機は「静かなる働き手」です。工場のポンプから換気扇に至るまで、あらゆるものに搭載されており、生産ラインを動かし続けています。しかし、あらゆる機械システムと同様に、これらも摩耗や損傷が生じやすいものです。最も危険な故障の一つは、磁場を生成する静止部分であるステーター内部の、極めて小さな銅線巻線の間で発生する短絡（ショート）です。わずか数ターンの電線が接触するだけで、局所的な微小電流が流れ始めます。放置すると、これは絶縁体の過熱を招き、機械全体を停止させる致命的な故障につながります。エンジニアにとっての課題は、単に壊れたモーターを見つけることではなく、問題がまだ小さく管理可能な段階のうちに察知することです。これは、微細な故障を示す電気信号が、モーターが単に負荷が増えたり、より重い負荷を運んだりした際の変化とも似ているため、非常に困難です。発生しつつある欠陥と、通常の負荷変動を区別することは、信頼性の高い自動監視における長年の障壁となってきました。

ブラジルのサン・ジョアン・デル・レイ連邦大学の研究チームは、この特定の問題を解決する新しい方法を開発しました。彼らは、モーターが単に懸命に働いているのか、それとも微小な初期段階の短絡が発生しているのかを判別できる、シンプルで低コストなデジタルツールを作成しました。研究者たちは、モーターのあらゆる物理的詳細を模倣する完璧で高精度なデジタルのコピーを作ろうとする代わりに、異なるアプローチを取りました。彼らは、感度の高い検出器として機能する、非常に小さく簡略化された数学的モデルを構築しました。このモデルは、その構造を固定するように設計されており、形状や複雑さが変化することはありません。その代わりに、故障によってモーターの挙動が変化した際、モデル内の数値がそれに追いつくように強制的に変化します。これらの数値のドリフト（漂流）を観察することで、システムはモーターが大幅な負荷変動を起こしている最中であっても、故障を特定することができます。

このアイデアを検証するため、研究者たちは標準的な三相誘導電動機を用いた実験室実験を設定しました。彼らは、モーターの巻線の少数のターンを短絡させることで、制御された故障を慎重に作り出しました。一つのシナリオでは単相の巻線の約1.5%を短絡させ、別のシナリオでは約3%を短絡させました。これらは、重大な損傷を引き起こす前に検出することが困難な、非常に小さな欠陥です。テストを現実的なものにするため、彼らはモーターに大規模かつ正常な負荷変動を与え、電流を49%近く増加させました。目標は、この膨大な負荷変動を無視しながら、微小な短絡に対してアラームを鳴らすことができるかどうかを確認することでした。

彼らが構築したシステムは、「再帰的パラメータ推定」と呼ばれる手法に基づいています。簡単に言えば、これはシステムが最新の電圧および電流の読み取り値のみを使用して、一瞬ごとにモーターの挙動に対する理解を更新することを意味します。膨大な履歴データを保存したり、強力なコンピュータを必要とする複雑な計算を行ったりする必要はありません。このモデルは、モーターに入る電圧と出てくる電流の関係を記述するために、わずか4つの調整可能な数値を使用します。モーターが健全な状態では、これらの数値は比較的安定しています。故障が発生すると、モーターの物理的特性が変化し、システムはこれら4つの数値を新しい現実に合わせて調整しなければなりません。研究者たちは、モデルの構造を固定し、これらの数値のみを動かすことで、故障と負荷変動の違いを明確に識別できることを見出しました。

彼らの成功の鍵となったのは、「静的ゲイン適応（static-gain adaptation）」と呼ばれる技術です。この機能がなければ、システムは重い負荷を故障と誤認してしまいます。なぜなら、重い負荷も故障も、どちらも電気信号を変化させるからです。この適応機能は、現在の動作レベルに対するモデルの感度を自動的に調整する「ボリュームノブ」のように機能します。これにより、システムは負荷によって引き起こされる正常で予想される性能の変化を無視しつつ、短絡によって引き起こされる特有の不規則な変化に対して高い感度を維持することができます。研究者たちがこの適応機能なしでテストを行ったところ、最小の故障を検出できず、大きな負荷変動と故障を区別することにも苦慮しました。適応機能を組み込んだ状態では、システムは故障信号と負荷信号を正常に分離することに成功しました。

結果として、彼らが選択した非線形モデルは、モーターの挙動を追跡する上で従来の線形モデルよりも大幅に優れていることが示されました。テストにおいて、この非線形のアプローチは、線形バージョンと比較して、モーターの出力予測における誤差を約22%削減しました。さらに重要なことに、システムは、負荷が半分近く変化している状況下でも、健全なモーター、1.5%の短絡があるモーター、そして3%の短絡があるモーターを明確に区別できました。研究者たちは、モデル内の異なる数値が異なる方法で反応することを観察しました。入力電圧が遅延を伴って電流に影響を与える度合いに関連する特定の数値が、最も信頼できる故障の指標であることが判明しました。また、別の数値は負荷変動に非常に敏感であり、これがシステムのコンテキスト（状況）把握に役立ちました。

システムは毎秒1,000サンプルの速度で動作しており、これはトラブルの初期兆候を捉えるのに十分な速さです。しかし、アラームを発するまでの時間は、コンピュータの計算速度によって制限されるわけではありません。むしろ、遅延は約1.2秒であり、これは数値の変化が単なるランダムなノイズや一時的な変動ではなく、真の故障であることを確信するために十分な証拠を集めるのに必要な時間です。この遅延は、故障が起こる前にオペレーターに警告することを目指す予知保全システムとしては、許容範囲内です（従来の安全装置のように回路を即座に遮断するためのものではないため）。

この研究はまた、システムがモーターの電力供給の全三相を監視する必要があることも強調しています。一相で故障が発生すると、その特定の相のモデル内の数値に明確な偏差が現れます。影響を受けていない相では、変化ははるかに小さくなります。これは、実世界の設置環境において、システムが各相に対して並行して3つのモニターを実行し、最も顕著なドリフトを示している相を特定してフラグを立てることを意味します。このアプローチは、どの相が故障するかを事前に知る必要がありません。

研究者たちは、彼らの手法が「組み込みシステム」向けに設計されていることを強調しています。つまり、多くの産業用ドライブや保護リレーにすでに搭載されている、安価で小型のマイクロコントローラ上で動作させることができるということです。複雑な機械学習アルゴアルゴリズムに必要な重い計算能力や、デジタルツイン・シミュレーションのような膨大なデータストレージは必要としません。プロセス全体は、メモリをほとんど消費しない単純な算術演算で構成されています。これにより、既存の機械への後付け（レトロフィット）が可能となり、古いモーターをハードウェアごと交換することなく、現代的でインテリジェントな診断機能で監視できるようになります。

テストは制御された実験室環境の単一のモーターで行われましたが、その知見は産業界の信頼性向上に向けた有望な道筋を示しています。この研究は、単純で解釈可能なモデルを、変化する条件へのスマートな適応と組み合わせることで、特定のタスク（初期故障と通常の運用変化の分離）において、より複雑なアプローチを凌駕できることを証明しました。彼らの研究は、モーター監視の未来が、ますます複雑化する人工知能にあるのではなく、堅牢で高速、かつ実世界での実装が容易な、洗練された物理ベースのツールにある可能性を示唆しています。研究者たちは、可変速ドライブによって駆動されるモーターや、より幅広い故障条件下での検証を計画していますが、初期の結果は、産業用機械を安全に稼働させ続けるための、低コストで新しい戦略の強固な基礎を提供しています。