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

In de industriële wereld is de driefasige inductiemotor de stille werkpaard. Te vinden in alles van fabriekspompen tot ventilatoren, deze machines houden productielijnen in beweging. Echter, net als elk mechanisch systeem, zijn ze gevoelig voor slijtage. Een van de gevaarlijkste defecten is een kortsluiting tussen de kleine koperen wikkelingen binnenin de stator van de motor, het stilstaande deel dat het magnetische veld opwekt. Wanneer slechts een paar wikkelingen draad elkaar raken, begint er een kleine, gelokaliseerde stroom te circuleren. Als dit onopgemerkt blijft, kan dit de isolatie oververhitten, wat leidt tot een catastrofale uitval die de hele machine tot stilstand brengt. De uitdaging voor ingenieurs is niet alleen om een defecte motor te vinden, maar om het probleem te ontdekken terwijl het nog klein en beheersbaar is. Dit is moeilijk omdat de elektrische signalen die een klein defect onthullen, ook veranderen wanneer de motor simpelweg harder werkt of een zwaardere belasting draagt. Het onderscheiden van een ontwikkelend defect van een normale verschuiving in de werklast is lang een hindernis geweest voor betrouwbare, geautomatiseerde monitoring.

Een team onderzoekers aan de Federal University of São João del-Rei in Brazilië heeft een nieuwe manier ontwikkeld om dit specifieke probleem op te lossen. Ze creëerden een eenvoudig, goedkoop digitaal hulpmiddel dat het verschil kan zien tussen een motor die gewoon hard werkt en een motor met een kleine, vroegtijdige kortsluiting. In plaats van te proberen een perfecte, hoogwaardige digitale kopie van de motor te bous die elk fysiek detail nabootst, kozen de onderzoekers voor een andere aanpak. Ze bouwden een zeer klein, vereenvoudigd wiskundig model dat fungeert als een gevoelige detector. Dit model is ontworpen om in zijn structuur vast te blijven staan, wat betekent dat het niet van vorm of complexiteit verandert. In plaats daarvan, wanneer het gedrag van de motor verschuift door een defect, worden de getallen binnen het model gedwongen te veranderen om bij te houden. Door te kijken naar hoe deze getallen driften, kan het systeem een defect identificeren, zelfs wanneer de motor onderhevende is aan significante veranderingen in belasting.

Om dit idee te testen, zetten de onderzoekers een laboratoriumexperiment op met een standaard driefasige inductiemotor. Ze creëerden zorgvuldig gecontroleerde defecten door een klein aantal wikkelingen in de motorwikkelingen kort te sluiten. In één scenario kortten ze ongeveer 1,5% van de wikkelingen in een enkele fase kort, en in een ander scenario kortten ze ongeveer 3% kort. Dit zijn zeer kleine defecten, het soort dat moeilijk te detecteren is voordat ze grote schade veroorzaken. Om de test realistisch te maken, onderwierpen ze de motor ook aan een grote, normale verandering in werklast, waarbij de elektrische stroom met bijna 49% toenam. Het doel was om te zien of hun systeem deze enorme lastverandering kon negeren terwijl het toch een alarm zou laten afgaan voor de kleine kortsluitingen.

Het systeem dat zij gebouwd hebben, vertrouwt op een methode genaamd recursieve parameterchatting. In gewone taal betekent dit dat het systeem het begrip van het gedrag van de motor moment voor moment bijwerkt, gebruikmakend van alleen de meest recente spanning- en stroommetingen. Het hoeft geen enorme hoeveelheden historische gegevens op te slaan of complexe berekeningen uit te voeren die krachtige computers vereisen. Het model gebruikt slechts vier aanpasbare getallen om de relatie te beschrijven tussen de spanning die de motor ingaat en de stroom die eruit komt. Wanneer de motor gezond is, blijven deze getallen relatief stabiel. Wanneer een defect optreedt, veranderen de fysieke eigenschappen van de motor en moet het systeem deze vier getallen aanpassen om aan de nieuwe realiteit te voldoen. De onderzoekers ontdekten dat door de structuur van het model te bevriezen en alleen toe te staan dat deze getallen bewegen, zij het verschil tussen een defect en een lastverandering duidelijk konden zien.

Een cruciaal onderdeel van hun succes was een techniek genaamd statische winstadaptatie (static-gain adaptation). Zonder deze functie zou het systeem een zware last aanzien voor een defect, omdat beide de elektrische signalen doen veranderen. De adaptatie werkt als een volumeknop die de gevoeligheid van het model automatisch aanpast aan het huidige operationele niveau. Hierdoor kan het systeem de normale, verwachte prestatieverschuivingen veroorzaakt door de last negeren, terwijl het zeer gevoelig blijft voor de specifieke, onregelmatige veranderingen veroorzaakt door een kortsluiting. Toen de onderzoekers hun systeem zonder deze adaptatie testten, slaagde het er niet in de kleinste defecten te detecteren en had het moeite om de grotere defecten te onderscheiden van normale variaties in de last. Met de adaptatie in werking kon het systeem de defectsignalen succesvol scheiden van de lastsinalen.

De resultaten toonden aan dat het niet-lineaire model dat zij kozen aanzienlijk beter was in het volgen van het gedrag van de motor dan een traditioneel lineair model. In hun tests verminderde de niet-lineaire aanpak de fout in het voorspellen van de output van de motor met ongeveer 22% vergeleken met de lineaire versie. Nog belangrijker is dat het systeem duidelijk onderscheid kon maken tussen de gezonde motor, de motor met een 1,5% kortsluiting en de motor met een 3% kortsluiting, zelfs terwijl de last met bijna de helft veranderde. De onderzoekers observeerden dat verschillende getallen in hun model op verschillende manieren reageerden. Eén specifiek getal, gerelateerd aan hoe de ingangsspanning de stroom na een korte vertraging beïnvloedt, bleek de meest betrouwbare indicator van een defect te zijn. Een ander getal was zeer gevoelig voor de lastveranderingen, wat het systeem hielp de context van de operatie te begrijpen.

Het systeem werkt met een snelheid van 1.000 samples per seconde, wat snel genoeg is om deze vroege tekenen van problemen op te vangen. De tijd die nodig is om een alarm te laten afgaan, wordt echter niet beperkt door hoe snel de computer kan rekenen. In plaats daarvan is de vertraging ongeveer 1,2 seconden, wat de tijd is die nodig is om genoeg bewijs te verzamelen om zeker te weten dat de verandering in de getallen een echt defect is en geen willekeurige ruis of een tijdelijke fluctuatie. Deze vertraging is acceptabel voor een systeem voor predictief onderhoud, dat erop gericht is operators te waarschuwen voordat een defect optreedt, in plaats van direct een stroomonderbreker te laten trippen zoals een traditioneel veiligheidsapparaat.

De studie benadrukte ook dat het systeem alle drie de fasen van de elektrische toevoer van de motor moet monitoren. Wanneer een defect optreedt in één fase, vertonen de getallen in het model voor die specifieke fase een duidelijke afwijking. De fasen die niet worden beïnvloed, vertonen veel kleinere veranderingen. Dit betekent dat in een echte installatie het systeem drie parallelle monitors zou draaien, één voor elke fase, en de fase zou markeren die de meest significante drift vertoont. Deze aanpak vereist niet om vooraf te weten welke fase zou kunnen falen.

De onderzoekers benadrukken dat hun methode is ontworpen voor embedded systemen, wat betekent dat het kan draaien op de kleine, goedkope microcontrollers die al aanwezig zijn in veel industriële aandrijvingen en beveiligingsrelais. Het vereist niet de zware rekenkracht die nodig is voor complexe machine learning-algoritmen of de enorme gegevensopslag van digital twin-simulaties. Het hele proces omvat eenvoudige rekenkundige bewerkingen die met zeer weinig geheugen kunnen worden uitgevoerd. Dit maakt het een praktische kandidaat voor het retrofitten van bestaande machines, waardoor oudere motoren met moderne, intelligente diagnostiek kunnen worden gemonitord zonder de hardware te vervangen.

Hoewel de tests werden uitgevoerd op een enkele motor in een gecontroleerde laboratoriumomgeving, bieden de bevindingen een veelbelovend pad voor industriële betrouwbaarheid. De studie toont aan dat een eenvoudig, interpreteerbaar model, gecombineerd met slimme adaptatie aan veranderende omstandigheden, meer kan presteren dan complexere benaderingen bij de specifieke taak van het scheiden van vroege defecten van normale operationele veranderingen. Het werk suggereert dat de toekomst van motorbewaking niet ligt in steeds complexere kunstmatige intelligentie, maar in het verfijnen van eenvoudige, op fysica gebaseerde instrumenten die robuust, snel en gemakkelijk te implementeren zijn in de echte wereld. De onderzoekers zijn van plan hun aanpak te valideren op motoren die worden aangedreven door variabele snelheidregelaars en onder een breder scala aan defectcondities, maar de initiële resultaten bieden een sterk fundament voor een nieuwe, goedkope strategie om industriële machines veilig draaiende te houden.