Neue Diagnosetechnik verbessert Früherkennung von Isolationsschäden in E-Auto-Motoren
Die Zuverlässigkeit des Antriebsstrangs von Elektrofahrzeugen hat sich zu einem entscheidenden Faktor für das Verbrauchervertrauen und die langfristige Nachhaltigkeit entwickelt. Eine der hartnäckigsten und schwer fassbaren Gefahren für diese Zuverlässigkeit ist die Degradation der Isolierung von Statorwicklungen in umrichtergespeisten Elektromaschinen – ein Fehler, der sich innerhalb von Sekunden zu einem katastrophalen Motorversagen entwickeln kann, wenn er unentdeckt bleibt. Eine neu vorgeschlagene Diagnosemethode, die die fraktionierte Fourier-Transformation mit einem spezialisierten Mel-Filter (FrFT-Mel) kombiniert, setzt nun einen neuen Maßstab für die Empfindlichkeit und ermöglicht es Ingenieuren, Isolationsverschlechterungen in frühesten Stadien zu identifizieren, lange bevor traditionelle Methoden einen Alarm auslösen würden.
Diese Innovation, die von Forschern der Shanghai University of Electric Power und der Tongji University in Zusammenarbeit mit State Grid-Institutionen entwickelt wurde, bietet eine nicht-invasive Echtzeitlösung, die präzise mit den Betriebsanforderungen moderner EV-Antriebsstränge übereinstimmt. Im Gegensatz zu konventionellen Ansätzen, die externe Hochspannungsstöße oder Offline-Tests erfordern – Methoden, die entweder zu disruptiv für den kontinuierlichen Einsatz oder unempfindlich für die Früherkennung sind – nutzt die FrFT-Mel-Technik die inherenten hochfrequenten Oszillationen, die während normaler Schaltvorgänge von Siliziumkarbid (SiC)- oder Galliumnitrid (GaN)-Umrichtern erzeugt werden. Diese Oszillationen, die bisher als elektrisches Rauschen betrachtet wurden, werden nun als reichhaltige Diagnosesignale neu interpretiert, die minimale Änderungen der Isolationskapazität im Zusammenhang mit der Isolationsalterung aufdecken können.
Im Kern dieses Durchbruchs liegt ein nuanciertes Verständnis dafür, wie Isolationsdegradation das elektromagnetische Verhalten von Motorwicklungen verändert. Wenn sich Polyesterimid-Isolierung – ein gängiges Material in EV-Traktionsmotoren – unter thermischer und elektrischer Belastung altert, verschieben sich ihre dielektrischen Eigenschaften. Diese Verschiebung manifestiert sich als subtiler, aber messbarer Anstieg der Zwischenwendekapazität, typischerweise im Bereich von 20 % bis 50 % vor dem vollständigen Ausfall. Da die Basiswerte der Kapazität jedoch extrem klein sind – in der Größenordnung von einigen hundert Pikofarad – stellte die Detektion solcher Änderungen in einer lauten, hochleistungsstarken Umgebung historisch eine enorme Herausforderung dar.
Traditionelle Fourier-basierte Analysen, die Signale in feste sinusförmige Komponenten zerlegen, kämpfen damit, diese schwachen, zeitlich lokalisierten Merkmale aufzulösen, aufgrund der grundlegenden Einschränkungen, die durch Heisenbergs Unschärferelation beschrieben werden: Hohe zeitliche Präzision geht auf Kosten der Frequenzauflösung und umgekehrt. Um dies zu überwinden, wandte sich das Forschungsteam der fraktionierten Fourier-Transformation (FrFT) zu, einem verallgemeinerten Zeit-Frequenz-Werkzeug, das ein Signal in einen Zwischenbereich rotiert, in dem transiente Resonanzeigenschaften deutlicher hervortreten. Durch das Abstimmen der fraktionalen Ordnung – ein Parameter, der analog zum Rotationswinkel in der Zeit-Frequenz-Ebene ist – isoliert die Methode die spektralen Signaturen, die am empfindlichsten auf Isolationsänderungen reagieren.
Doch die Signaltransformation allein reicht nicht aus. Rohe FrFT-Ausgaben enthalten immer noch irrelevante Hochfrequenzstörungen von Umrichter-Schaltoberschwingungen und elektromagnetischen Kopplungen. Hier führte das Team eine neu gestaltete Mel-Filterbank ein, die traditionell in der Spracherkennung für ihre perzeptive Relevanz für das menschliche Gehör verwendet wird. In diesem Kontext wurde die Mel-Skala jedoch nicht für akustische Treue, sondern für elektromagnetische Diagnosepräzision neu konfiguriert. Die Mittenfrequenz des Filters wurde auf den common-mode Parallelresonanzpunkt der Maschine verankert – etwa 400 kHz im getesteten 3 kW Permanentmagnet-Synchronmotor (PMSM) – und ihre Bandbreite erweitert, um den responsivsten Bereich (Fsen) einzufassen, der durch Impedanzmodellierung identifiziert wurde. Dieser „Kernbereich“-Ansatz unterdrückt effektiv außerbandiges Rauschen und verstärkt gleichzeitig diagnostisch relevante Merkmale.
Das Ergebnis ist eine optimierte Signalverarbeitungspipeline: Hochfrequente Oszillationsströme werden während normalen Umrichterbetriebs über nicht-invasive Stromsensoren erfasst; einzelne Schalttransienten werden segmentiert; jedes Segment durchläuft FrFT mit einer optimierten fraktionalen Ordnung (p = 0,88 in der experimentellen Validierung); das transformierte Signal wird durch den benutzerdefinierten Mel-Filter geleitet; und schließlich vergleicht ein mittlerer absoluter Fehler (MAE)-Index das verarbeitete Signal mit einer Referenzbasislinie von gesunder Isolierung. Wenn sich die Isolierung verschlechtert, steigt der MAE-Wert vorhersagbar an und liefert eine quantitative Gesundheitsmetrik.
Die experimentelle Validierung an einem labor-scale PMSM-Aufbau bestätigte die Überlegenheit der Methode. Bei der Simulation von Isolationsdegradation im Frühstadium durch Hinzufügen externer Kondensatoren (von 100 pF bis 1.000 pF) über Statorwicklungsabgriffe zeigte der FrFT-Mel-Ansatz eine bis zu siebenfache Empfindlichkeitsverbesserung gegenüber der konventionellen schnellen Fourier-Transformation (FFT)-Analyse. Bei nur 220 pF zusätzlicher Kapazität – was einem bloßen Anstieg der effektiven Wendekapazität von 5,5 % entspricht – verzeichnete die FrFT-Mel-Methode eine Änderung des MAE-Index von 3,16 %, während FFT nur 0,41 % detektierte. Selbst im Vergleich zu anderen fortschrittlichen Techniken wie eigenständiger FrFT oder Tiefpassfilterung lieferte FrFT-Mel durchweg höhere Auflösung über alle Degradationsstufen hinweg, wobei die Leistungsgewinne in der beginnenden Phase am ausgeprägtesten waren, wenn Intervention am effektivsten und kostengünstigsten ist.
Dieser Fortschritt hat tiefgreifende Implikationen für die EV-Branche. Leistungselektronik in modernen Fahrzeugen arbeitet mit immer höheren Schaltfrequenzen – oft über 100 kHz – um die Effizienz zu verbessern und die Bauteilgröße zu reduzieren. Obwohl leistungsfördernd, setzen diese Bedingungen die Motorisolation stark unter Stress und beschleunigen die Alterung durch Teilentladungen und thermisches Zyklisieren. Aktuelle Onboard-Diagnosesysteme verlassen sich oft auf thermische Sensoren oder Stromungleichgewichtsdetektion, die erst reagieren, nachdem erheblicher Schaden aufgetreten ist. Die FrFT-Mel-Methode bietet hingegen ein Fenster in die Gesundheit des Isolationssystems selbst und ermöglicht vorausschauende Wartung, verlängerte Motorlebensdauer und verbesserte Sicherheit.
Darüber hinaus ist die Kompatibilität der Technik mit bestehender Hardware ein großer praktischer Vorteil. Sie benötigt keine zusätzlichen Erregungsquellen, Hochspannungsprüfspitzen oder invasive Modifikationen – nur Standard-Stromsensoren mit hoher Bandbreite, die in vielen Umrichtersteuerungssystemen bereits für andere Zwecke vorhanden sind (z.B. Fehlerstromüberwachung). Diese Plug-and-Play-Adaptierbarkeit senkt die Integrationshürde sowohl für neue Fahrzeugplattformen als auch für Nachrüstanwendungen bei industriellen Motorantrieben, wie sie in Hochgeschwindigkeitszügen oder erneuerbaren Energiesystemen verwendet werden.
Aus regulatorischer und sicherheitstechnischer Sicht adressiert die Fähigkeit, die Isolationsgesundheit in Echtzeit zu überwachen, eine wachsende Besorgnis unter Automobilsicherheitsgremien. Standards wie ISO 26262 betonen funktionale Sicherheit throughout the entire vehicle lifecycle, and early detection of latent faults is increasingly seen as essential. Die FrFT-Mel-Methode bietet einen technisch soliden, empirisch validierten Weg, diese sich entwickelnden Anforderungen zu erfüllen, ohne die Systemeffizienz zu beeinträchtigen oder erhebliche Kosten zu verursachen.
In die Zukunft blickend plant das Forschungsteam weitere Verfeinerungen, insbesondere bei der Automatisierung der Auswahl der optimalen FrFT-Ordnung. Während der aktuelle Prozess empirisches Abstimmen basierend auf Resonanzeigenschaften beinhaltet, könnten zukünftige Iterationen Machine-Learning-Algorithmen einbeziehen, um sich dynamisch an verschiedene Motortypen, Betriebsbedingungen und Alterungspfade anzupassen. Solche Verbesserungen würden nicht nur die Genauigkeit steigern, sondern auch den Rechenaufwand reduzieren – entscheidend für die Echtzeitimplementierung auf eingebetteten Automobilsteuergeräten mit begrenzter Rechenleistung.
Kritisch betrachtet verkörpert diese Arbeit die Konvergenz von Signalverarbeitungsinnovation und domainspezifischer Ingenieurkenntnis. Anstatt ein generisches KI-Modell auf Rohsensordaten anzuwenden – ein verbreiteter, aber oft undurchsichtiger Ansatz – bauten die Forscher einen physikinformierten Diagnoserahmen, der auf dem elektromagnetischen Verhalten von umrichtergespeisten Maschinen basiert. Diese Befolgung der ersten Prinzipien verbessert die Interpretierbarkeit, Zuverlässigkeit und Vertrauenswürdigkeit – Kernprinzipien von Googles EEAT (Experience, Expertise, Authoritativeness, Trustworthiness)-Richtlinien für hochwertige technische Inhalte.
Für Automobilhersteller und Tier-1-Zulieferer, die darum ringen, immer effizientere, langlebigere und sicherere elektrische Antriebsstränge zu liefern, stellt die FrFT-Mel-Methode mehr als nur eine diagnostische Verbesserung dar; sie ist ein strategischer Enabler. Indem sie ein bisher übersehenes Nebenprodukt des Umrichterbetriebs in einen leistungsstarken Gesundheitsindikator verwandelt, erschließt sie eine neue Dimension prädiktiver Intelligenz innerhalb des EV-Antriebsstrangs. Dadurch mildert sie nicht nur einen kritischen Fehlermodus, sondern verstärkt auch den breiteren Branchenwandel hin zu zustandsbasierter Wartung und intelligentem Asset-Management – Eckpfeiler der nächsten Generation nachhaltiger Mobilität.
Ruitian Fan¹, Xing Lei², Tao Jia³, Menglong Qin¹, Hao Li¹, Dawei Xiang⁴ ¹College für Elektroenergietechnik, Shanghai Universität für Elektroenergie, Shanghai 200090, VR China ²State Grid Shanghai Municipal Electric Power Company, Shanghai 200437, VR China ³State Grid Technology College, Shandong 250002, VR China ⁴College für Elektronik- und Informationstechnik, Tongji Universität, Shanghai 201804, VR China Global Energy Interconnection, Band 7, Ausgabe 2, April 2024, Seiten 155–165 DOI: 10.1016/j.gloei.2024.04.004