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

在工业领域，三相感应电动机是沉默的劳动力。从工厂泵到通风扇，这些机器无处不在，维持着生产线的运转。然而，像任何机械系统一样，它们也容易出现磨损。其中最危险的故障之一是电机定子内部（即产生磁场的静止部分）微小的铜绕组之间发生短路。当仅仅几圈导线接触在一起时，微小的局部电流就会开始循环。如果任其发展，这会导致绝缘层过热，从而引发导致整个机器停机的灾难性故障。工程师面临的挑战不仅在于寻找损坏的电机，更在于如何在问题尚处于微小且可控阶段时就发现它。这之所以困难，是因为揭示微小故障的电信号也会随着电机工作强度增加或负载加重而发生变化。将正在发展的缺陷与正常的负载变化区分开来，长期以来一直是实现可靠、自动化监测的一大障碍。

巴西圣若昂德尔雷联邦大学的一个研究小组开发了一种新方法来解决这个特定问题。他们创建了一个简单、低成本的数字工具，能够分辨出电机是在“努力工作”还是存在微小的早期短路。研究人员并没有试图构建一个能够模拟每一个物理细节的完美、高保真数字副本，而是采取了另一种方法。他们构建了一个非常小型的、简化的数学模型，作为一个敏感的检测器。该模型被设计为保持其结构固定，这意味着它不会改变形状或复杂度。相反，当电机的行为因故障而发生偏移时，模型内部的数值会被迫发生变化以跟上变化。通过观察这些数值如何漂移，系统可以识别出故障，即使电机正经历显著的负载变化。

为了测试这个想法，研究人员使用一台标准的三相感应电动机搭建了实验室实验。他们通过使电机绕组中的少量匝数短路，精心制造了受控故障。在一种情景中，他们使单相中的约1.5%的匝数短路；在另一种情景中，则使约3%的匝数短路。这些都是非常微小的缺陷，是那种在造成重大破坏之前很难被检测到的类型。为了使测试更具现实意义，他们还使电机承受了巨大的正常负载变化，使电流增加了近49%。目标是观察他们的系统是否能在忽略这种大规模负载变化的同时，依然能为微小的短路发出警报。

他们构建的系统依赖于一种称为递归参数估计的方法。通俗地说，这意味着系统会利用最新的电压和电流读数，逐时刻更新其对电机行为的理解。它不需要存储大量的历史数据，也不需要进行需要强大计算机支持的复杂计算。该模型仅使用四个可调数值来描述输入电机的电压与输出电流之间的关系。当电机健康时，这些数值保持相对稳定。当故障发生时，电机的物理特性发生变化，系统必须调整这四个数值以匹配新的现实。研究人员发现，通过冻结模型的结构并仅允许这些数值移动，他们可以清晰地看到故障与负载变化之间的区别。

成功的关键在于一种称为静态增益自适应的技术。如果没有这个功能，系统会将重负载误认为故障，因为两者都会导致电信号发生变化。这种自适应功能就像一个音量旋钮，能够自动调节模型对当前运行水平的敏感度。这使得系统能够忽略由负载引起的正常、预期的性能变化，同时对由短路引起的特定、不规则变化保持高度敏感。当研究人员在没有这种自适应功能的情况下测试系统时，系统无法检测到最小的故障，并且难以将较大的故障与正常的负载变化区分开来。在加入自适应功能后，系统成功地将故障信号从负载信号中分离出来。

结果表明，他们选择的非线性模型在追踪电机行为方面明显优于传统的线性模型。在测试中，这种非线性方法在预测电机输出方面的误差比线性版本降低了约22%。更重要的是，即使在负载变化近一半的情况下，该系统也能清晰地分辨出健康电机、存在1.5%短路的电机以及存在3%短路的电机。研究人员观察到，他们模型中的不同数值反应方式各异。其中一个与输入电压在经过一段延迟后如何影响电流相关的特定数值，被证明是衡量故障最可靠的指标。另一个数值对负载变化非常敏感，这有助于系统理解运行背景。

该系统的运行速度为每秒1,000次采样，足以捕捉到这些早期的故障迹象。然而，发出警报所需的时间并不受计算机计算速度的限制。相反，延迟约为1.2秒，这是系统收集足够证据以确定数值变化是真实故障而非随机噪声或临时波动的所需时间。对于旨在预警而非像传统安全装置那样立即跳闸的预测性维护系统来说，这种延迟是可以接受的。

研究还强调，系统需要监测电机供电的所有三相。当某一相发生故障时，该特定相的模型数值会显示出明显的偏差。未受影响的相位显示的变化要小得多。这意味着在实际安装中，系统将运行三个并行的监测器（每个相位一个），并标记出显示出最显著漂移的那一个相位。这种方法不需要预先知道哪个相位可能会失效。

研究人员强调，他们的方法是为嵌入式系统设计的，这意味着它可以在许多工业驱动器和保护继电器中现有的廉价微控制器上运行。它不需要复杂机器学习算法所需的沉重计算能力，也不需要数字孪生模拟的大规模数据存储。整个过程涉及简单的算术运算，可以用极少的内存完成。这使得它成为改造现有机械的实用方案，让旧电机无需更换硬件即可具备现代智能诊断功能。

虽然测试是在受控实验室环境下的单台电机上进行的，但研究结果为提高工业可靠性提供了一条充满希望的路径。研究表明，一个简单的、具有解释性的模型，结合对变化条件的智能自适应，在将早期故障与正常操作变化区分开来的特定任务中，可以胜过更复杂的方法。这项工作表明，未来电机监测的重点可能不在于日益复杂的人工智能，而在于完善那些鲁棒、快速且易于在现实世界中实施的基于物理学的简单工具。研究人员计划在由变频驱动器供电的电机以及更广泛的故障条件下验证他们的方法，但初步结果为这种低成本、保持工业机械安全运行的新策略奠定了坚实的基础。