Nuova Tecnica Rivoluziona Diagnosi Guasti Motori Elettrici
In un’epoca caratterizzata dall’elettrificazione e da una rapida evoluzione tecnologica, l’affidabilità dei sistemi di propulsione dei veicoli elettrici è emersa come determinante cruciale per la fiducia dei consumatori e la sostenibilità a lungo termine. Tra le minacce più persistenti e elusive a questa affidabilità vi è il degrado dell’isolamento degli avvolgimenti dello statore nei macchinari elettrici alimentati da inverter – un guasto che, se non rilevato, può trasformarsi in un fallimento catastrofico del motore nel giro di secondi. Un nuovo metodo diagnostico che utilizza la trasformata frazionaria di Fourier combinata con un filtro Mel specializzato (FrFT-Mel) sta stabilendo uno standard di sensibilità senza precedenti, consentendo agli ingegneri di identificare il deterioramento dell’isolamento nelle sue fasi iniziali, ben prima che i metodi tradizionali sarebbero in grado di segnalarlo.
Questa innovazione, sviluppata da ricercatori dell’Università di Elettrotecnica di Shanghai e dell’Università di Tongji in collaborazione con istituzioni della State Grid, offre una soluzione non invasiva e in tempo reale che si allinea perfettamente con le esigenze operative dei moderni powertrain per veicoli elettrici. A differenza degli approcci convenzionali che richiedono sollecitazioni in alta tensione esterne o test offline – metodi troppo invasivi per l’uso continuativo o insufficientemente sensibili per la rilevazione precoce – la tecnica FrFT-Mel sfrutta le oscillazioni ad alta frequenza generate durante le normali operazioni di commutazione degli inverter al carburo di silicio (SiC) o nitruro di gallio (GaN). Queste oscillazioni, precedentemente considerate rumore elettrico, sono state reinterpretate come segnali diagnostici ricchi di informazioni in grado di rivelare minimi cambiamenti nella capacità di isolamento collegati all’invecchiamento dell’isolamento.
Al centro di questa svolta risiede una comprensione sofisticata di come il degrado dell’isolamento alteri il comportamento elettromagnetico degli avvolgimenti del motore. Mentre l’isolamento in poliestere-imide – materiale comune nei motori di trazione per veicoli elettrici – invecchia sotto stress termico ed elettrico, le sue proprietà dielettriche subiscono modifiche. Questo cambiamento si manifesta come un aumento sottile ma misurabile della capacità tra le spire, tipicamente compreso tra il 20% e il 50% prima del guasto completo. Tuttavia, poiché i valori di capacità di base sono estremamente piccoli – dell’ordine di poche centinaia di picofarad – rilevare tali cambiamenti in un ambiente rumoroso e ad alta potenza ha storicamente rappresentato una sfida formidabile.
L’analisi tradizionale basata su Fourier, che scompone i segnali in componenti sinusoidali fisse, fatica a risolvere queste caratteristiche deboli e localizzate nel tempo a causa delle limitazioni fondamentali descritte dal principio di indeterminazione di Heisenberg: l’alta precisione temporale avviene a scapito della risoluzione in frequenza, e viceversa. Per superare questo problema, il team di ricerca ha rivolto la propria attenzione alla trasformata frazionaria di Fourier (FrFT), uno strumento tempo-frequenza generalizzato che ruota un segnale in un dominio intermedio dove le caratteristiche di risonanza transitoria diventano più pronunciate. Modulando l’ordine frazionario – un parametro analogo all’angolo di rotazione nel piano tempo-frequenza – il metodo isola le firme spettrali più sensibili ai cambiamenti dell’isolamento.
Ma la sola trasformazione del segnale non basta. Le uscite FrFT grezze contengono ancora interferenze irrilevanti ad alta frequenza provenienti dalle armoniche di commutazione dell’inverter e dall’accoppiamento elettromagnetico. Qui, il team ha introdotto un banco di filtri Mel riprogettato, tradizionalmente utilizzato nel riconoscimento vocale per la sua rilevanza percettiva per l’udito umano. In questo contesto, tuttavia, la scala Mel è stata riconfigurata non per la fedeltà acustica, ma per la precisione diagnostica elettromagnetica. La frequenza centrale del filtro è stata ancorata al punto di risonanza parallelo in modo comune della macchina – circa 400 kHz nel motore sincrono a magneti permanenti (PMSM) da 3 kW testato – e la sua larghezza di banda è stata espansa per comprendere la regione più responsiva (Fsen) identificata attraverso la modellazione dell’impedenza. Questo approccio a “regione centrale” sopprime efficacemente il rumore fuori banda amplificando al contempo le caratteristiche diagnosticamente rilevanti.
Il risultato è una pipeline di elaborazione del segnale semplificata: le correnti di oscillazione ad alta frequenza vengono catturate tramite sensori di corrente non invasivi durante il normale funzionamento dell’inverter; i transitori di commutazione individuali vengono segmentati; ogni segmento subisce FrFT con un ordine frazionario ottimizzato (p = 0,88 nella validazione sperimentale); il segnale trasformato viene fatto passare attraverso il filtro Mel personalizzato; infine, un indice di errore assoluto medio (MAE) confronta il segnale elaborato con una linea di base di riferimento proveniente da isolamento sano. Man mano che l’isolamento si degrada, il valore MAE aumenta in modo prevedibile, fornendo una metrica quantitativa dello stato di salute.
La validazione sperimentale su una configurazione PMSM da laboratorio ha confermato la superiorità del metodo. Simulando il degrado dell’isolamento in fase iniziale aggiungendo condensatori esterni (da 100 pF a 1.000 pF) attraverso i morsetti degli avvolgimenti dello statore, l’approccio FrFT-Mel ha dimostrato un miglioramento della sensibilità fino a sette volte rispetto all’analisi convenzionale con trasformata veloce di Fourier (FFT). Con appena 220 pF di capacità aggiuntiva – che rappresenta un mero aumento del 5,5% della capacità di spira efficace – il metodo FrFT-Mel ha registrato una variazione del 3,16% nell’indice MAE, mentre la FFT ha rilevato solo lo 0,41%. Anche rispetto ad altre tecniche avanzate come la FrFT autonoma o il filtraggio passa-basso, FrFT-Mel ha costantemente offerto una risoluzione più elevata su tutti i livelli di degrado, con guadagni prestazionali più pronunciati nella fase incipiente quando l’intervento è più efficace e meno costoso.
Questo progresso comporta implicazioni profonde per l’industria dei veicoli elettrici. L’elettronica di potenza nei veicoli moderni opera a frequenze di commutazione sempre più elevate – spesso superiori a 100 kHz – per migliorare l’efficienza e ridurre le dimensioni dei componenti. Sebbene benefiche per le prestazioni, queste condizioni impongono uno stress severo sull’isolamento del motore, accelerando l’invecchiamento attraverso scariche parziali e cicli termici. Le diagnostiche attuali a bordo spesso si basano su sensori termici o rilevamento di squilibri di corrente, che rispondono solo dopo che si è verificato un danno significativo. Il metodo FrFT-Mel, al contrario, offre una finestra sullo stato di salute del sistema di isolamento stesso, consentendo manutenzione predittiva, prolungamento della durata del motore e sicurezza enhanced.
Inoltre, la compatibilità della tecnica con l’hardware esistente è un vantaggio pratico significativo. Non richiede sorgenti di eccitazione aggiuntive, sonde ad alta tensione o modifiche invasive – solo sensori di corrente standard ad alta larghezza di banda già presenti in molti sistemi di controllo inverter per altri scopi (ad esempio, monitoraggio della corrente di guasto). Questa adattabilità plug-and-play abbassa la barriera all’integrazione sia nelle nuove piattaforme veicolari che nelle applicazioni di retrofit per azionamenti industriali, come quelli utilizzati nei treni ad alta velocità o nei sistemi di energia rinnovabile.
Dal punto di vista normativo e della sicurezza, la capacità di monitorare la salute dell’isolamento in tempo reale affronta una preoccupazione crescente tra gli organismi di sicurezza automobilistica. Standard come ISO 26262 enfatizzano la sicurezza funzionale durante l’intero ciclo di vita del veicolo, e la rilevazione precoce di guasti latenti è sempre più vista come essenziale. Il metodo FrFT-Mel fornisce un percorso tecnicamente solido e validato empiricamente per soddisfare questi requisiti evolutivi senza compromettere l’efficienza del sistema o aggiungere costi significativi.
Guardando avanti, il team di ricerca prevede ulteriori perfezionamenti, in particolare nell’automatizzare la selezione dell’ordine FrFT ottimale. Sebbene il processo attuale implichi una sintonizzazione empirica basata sulle caratteristiche di risonanza, le future iterazioni potrebbero incorporare algoritmi di apprendimento automatico per adattarsi dinamicamente a vari tipi di motore, condizioni operative e traiettorie di invecchiamento. Tali miglioramenti non solo aumenterebbero l’accuratezza ma ridurrebbero anche il sovraccarico computazionale – critico per l’implementazione in tempo reale su unità di controllo automobilistiche embedded con potenza di elaborazione limitata.
Criticamente, questo lavoro esemplifica la convergenza tra innovazione nell’elaborazione del segnale e conoscenza ingegneristica specifica del dominio. Piuttosto che applicare un modello AI generico ai dati grezzi del sensore – un approccio comune ma spesso opaco – i ricercatori hanno costruito un framework diagnostico informato dalla fisica basato sul comportamento elettromagnetico delle macchine alimentate da inverter. Questa aderenza ai primi principi migliora l’interpretabilità, l’affidabilità e l’attendibilità – principi fondamentali delle linee guida EEAT (Esperienza, Competenza, Autorevolezza, Affidabilità) di Google per contenuti tecnici di alta qualità.
Per i produttori di automobili e i fornitori di primo livello che corrono per fornire sistemi di propulsione elettrica sempre più efficienti, duraturi e sicuri, il metodo FrFT-Mel rappresenta più di un miglioramento diagnostico; è un abilitatore strategico. Trasformando un sottoprodotto precedentemente trascurato dell’operazione dell’inverter in un potente indicatore di salute, sblocca una nuova dimensione di intelligenza predittiva all’interno del powertrain dei veicoli elettrici. Così facendo, non solo mitiga una modalità di guasto critica ma rafforza anche il più ampio cambiamento del settore verso la manutenzione basata sulle condizioni e la gestione intelligente degli asset – pietre angolari della prossima generazione di mobilità sostenibile.
Ruitian Fan¹, Xing Lei², Tao Jia³, Menglong Qin¹, Hao Li¹, Dawei Xiang⁴
¹College di Ingegneria Elettrica, Università di Elettrotecnica di Shanghai, Shanghai 200090, Cina
²State Grid Shanghai Municipal Electric Power Company, Shanghai 200437, Cina
³State Grid Technology College, Shandong 250002, Cina
⁴College di Ingegneria Elettronica e dell’Informazione, Università di Tongji, Shanghai 201804, Cina
Global Energy Interconnection, Volume 7, Numero 2, Aprile 2024, Pagine 155–165
DOI: 10.1016/j.gloei.2024.04.004