Neue Fehlerdiagnosemethode für E-Auto-Motoren
In der dynamischen Welt der Elektrofahrzeugtechnologie, wo Leistung, Effizienz und Sicherheit oberste Priorität haben, erweitern Forscher kontinuierlich die Grenzen der Motorenkonstruktion und Fehlererkennung. Ein bahnbrechender Durchbruch in der Motorendiagnostik, veröffentlicht in den Proceedings of the CSEE, stellt eine neuartige Methode zur Erkennung von internen Wicklungsfehlern in einer speziellen Art von Permanentmagnetmotoren vor, die häufig für Elektrofahrzeuge der nächsten Generation in Betracht gezogen werden. Die von Zhenfei Chen und ihrem Team der Hohai-Universität geleitete Arbeit bietet eine intelligente, kostengünstige Lösung für eine langjährige Herausforderung der Motorzuverlässigkeit: die Erkennung von Unterbrechungsfehlern in unzugänglichen internen Wicklungen.
Da Automobilhersteller bestrebt sind, Fahrzeuge mit smoother Leistung, größerer Reichweite und höherer Haltbarkeit zu liefern, bleibt der Elektromotor eine Kernkomponente, die ständig genauestens überprüft wird. Unter den verschiedenen Motortopologien haben Permanentmagnetmotoren mit Bruchlochnuten (FS-PMMs) aufgrund ihrer hohen Leistungsdichte, kompakten Bauweise und reduzierten Drehmomentwelligkeit Aufmerksamkeit erregt – Schlüsseleigenschaften für hochwertige Fahrerlebnisse. Allerdings weist eine Variante, der stern-dreieck (Y-Δ) hybridgeschaltete FS-PMM, trotz überlegener Oberwellenunterdrückung und geringerer Verluste eine versteckte Schwachstelle auf: seine inneren dreieckgeschalteten Wicklungen sind physikalisch isoliert und nicht direkt für Strommessungen zugänglich.
Dieses architektonische Merkmal, obwohl vorteilhaft für die elektromagnetische Leistung, erzeugt einen toten Winkel in der Fehlerüberwachung. Wenn eine einzelne Phase in der inneren Dreieckwicklung einen Unterbrechungsfehler erleidet – im Wesentlichen ein gebrochener Draht – gibt es keine unmittelbare Anzeige an den Motoranschlüssen, wo Sensoren typischerweise platziert sind. Im Gegensatz zu Fehlern in den äußeren sterngeschalteten Wicklungen, die einen offensichtlichen Abfall des gemessenen Phasenstroms verursachen, können interne Dreiecksfehler in frühen Stadien unbemerkt bleiben. Unentdeckt können solche Fehler zu erhöhter thermischer Belastung, unausgeglichenen magnetischen Kräften und letztlich katastrophalem Motorversagen führen. Dies stellt ein erhebliches Risiko dar, insbesondere in sicherheitskritischen Anwendungen wie elektrischen Antriebssystemen.
Konventionelle Fehlerdiagnosemethoden stützen sich oft auf die Messung von Nullstromströmen oder Sternpunktspannungen – Signale, die nur in sterngeschalteten Systemen vorhanden sind. Diese Techniken sind für dreieckgeschaltete oder hybride Y-Δ-Konfigurationen unwirksam. Andere Ansätze, wie modellbasierte prädiktive Regelung oder dq-Achsen-Oberwellenanalyse, erfordern komplexe Regelungsmodifikationen und zusätzlichen Rechenaufwand, was sie für Echtzeit-, kostengünstige Implementierungen weniger attraktiv macht. Das Fehlen einer zuverlässigen, nicht-invasiven Diagnosemethode für interne Dreiecksfehler war eine bemerkenswerte Lücke in diesem Bereich.
Chen Zhenfei, außerordentliche Professorin an der School of Electrical and Power Engineering der Hohai-Universität, erkannte diese Herausforderung und leitete ein Team zur Entwicklung einer neuen Diagnosestrategie, die inhärente Motoreigenschaften nutzt anstatt neue Hardware zu erfordern. Ihr Ansatz, detailliert in der November-2024-Ausgabe der Proceedings of the CSEE, konzentriert sich auf die dritte Oberschwingungskomponente des Statorstroms – ein Signal, das oft als Rauschen betrachtet wird, aber in diesem Fall zu einem leistungsstarken Diagnoseindikator wird.
Die Erkenntnis hinter der Methode liegt im Verständnis des elektromagnetischen Verhaltens des Y-Δ-Hybridsystems unter Fehlerbedingungen. Im Normalbetrieb löschen die symmetrischen Drehstromströme in both den Stern- und Dreieckwicklungen Dreifach-Oberschwingungen (wie die dritte, neunte etc.) aus, was zu vernachlässigbarem drittem Oberschwingungsgehalt in den messbaren äußeren Phasenströmen führt. Wenn jedoch eine einzelne Phase in der inneren Dreieckwicklung unterbrochen wird, wird diese Symmetrie gestört. Die unterbrochene Schaltung verhindert die normale Zirkulation der dritten Oberschwingungsströme innerhalb der Dreiecksschleife, was diese Oberschwingungen zwingt, einen alternativen Weg durch die äußeren Sternwicklungen zu suchen.
Infolgedessen weisen die Phasenströme in der zugänglichen sterngeschalteten Wicklung einen messbaren Anstieg der dritten Oberschwingungsamplitude auf. Entscheidend ist, dass die Verteilung dieser Oberschwingung nicht gleichmäßig über alle drei Phasen ist. Die Analyse des Teams enthüllte ein deutliches Muster: im Falle eines X-Phasen-Unterbrechungsfehlers zeigen die A- und C-Phasenströme erhöhte dritte Oberschwingungspegel, während die B-Phase relativ unberührt bleibt. Ähnlich erhöht ein Y-Phasen-Fehler die Oberschwingungen in A und B, lässt C unberührt, und ein Z-Phasen-Fehler betrifft B und C, verschont A. Diese einzigartige „Signatur“ ermöglicht nicht nur die Fehlererkennung, sondern auch die genaue Identifizierung der fehlerhaften Phase.
Während dieser oberwellenbasierte Ansatz in der Theorie elegant ist, sieht die praktische Umsetzung Hürden, insbesondere bei niedrigen Motordrehzahlen. Bei niedrigen U/min ist die Größe des dritten Oberschwingungsstroms von Natur aus klein, oft vergleichbar mit dem Rauschpegel, der durch Stromsensoren und Signalverarbeitungsschaltungen eingeführt wird. Unter solchen Bedingungen wird die Unterscheidung eines echten Fehlersignals von Messfehlern schwierig, was möglicherweise zu Fehlalarmen oder übersehenen Erkennungen führt.
Um diese Einschränkung zu überwinden, führten Chen und ihre Kollegen einen zweistufigen Signalverstärkungsprozess ein. Zuerst wenden sie eine Quadrierungsoperation auf die extrahierten dritten Oberschwingungsamplituden an. Diese nichtlineare Transformation verstärkt die Unterschiede zwischen Phasen mit hohen Oberschwingungen und denen mit niedrigen, was die Fehlersignatur deutlicher macht. Zweitens skalieren sie die quadrierten Werte mit einem Verstärkungsfaktor, was effektiv das Signal-Rausch-Verhältnis verbessert. Dieses verstärkte Signal wird dann mit einem vordefinierten Schwellenwert verglichen, um einen binären „Fehlerphasenpositionsindex“ zu generieren.
Der Index ist für Klarheit und Zuverlässigkeit ausgelegt. Im gesunden Betrieb sind alle drei Phasenindizes null. Wenn ein Fehler auftritt, werden zwei Indizes „1“, während derjenige, der der am wenigsten betroffenen Phase entspricht, „0“ bleibt. Zum Beispiel, wenn der B-Phasen-Index bei null bleibt, während A und C auf eins steigen, identifiziert das System einen X-Phasen-Fehler in der inneren Dreieckwicklung. Diese logische Abbildung ermöglicht sowohl schnelle Fehlererkennung als auch genaue Phasenlokalisierung mit minimalem Rechenaufwand.
Die Robustheit der Methode wurde rigoros an einem physischen Prototyp eines 10-poligen, 12-Nut Y-Δ-Hybrid-FS-PMM getestet. Der experimentelle Aufbau umfasste einen programmierbaren Lastmotor, einen hochpräzisen Drehmomentsensor und ein Echtzeit-Regelungssystem basierend auf RTUBox, was den Forschern ermöglichte, Unterbrechungsfehler durch fernes Öffnen von Leistungsschaltern in den inneren Wicklungsverbindungen zu simulieren. Tests wurden über eine breite Palette von Betriebsbedingungen durchgeführt, einschließlich variierender Geschwindigkeiten vom Stillstand bis 800 U/min und dynamischer Laständerungen.
Die Ergebnisse bestätigten die theoretischen Vorhersagen. Unter Normalbedingungen war der dritte Oberschwingungsgehalt in den äußeren Phasenströmen vernachlässigbar. Nach Auslösung eines Unterbrechungsfehlers in der X-Phase der inneren Dreieckwicklung stiegen die dritten Oberschwingungsamplituden in den A- und C-Phasen der äußeren Sternwicklung sofort an, während die B-Phasen-Oberschwingung nahe null blieb. Der Fehlerphasenpositionsindex reagierte sofort, wechselte von allen Nullen zum korrekten „1-0-1“-Muster und zeigte deutlich einen X-Phasen-Fehler an.
Vielleicht am beeindruckendsten zeigte die Methode außergewöhnliche Leistung bei niedrigen Geschwindigkeiten, wo traditionelle Ansätze oft versagen. Selbst bei 200 U/min unterschied das verstärkte Oberschwingungssignal klar die fehlerhafte Bedingung von Rauschen, dank der Quadrierungs- und Skalierungstechnik. Das Team wählte sorgfältig den Verstärkungsfaktor und den Schwellenwert aus, um Empfindlichkeit und Zuverlässigkeit auszugleichen, und stellte sicher, dass geringfügige Schwankungen aufgrund von Sensorenrauschen keine Fehlalarme auslösen würden. Zusätzliche Tests mit plötzlichen Laständerungen – die realistische Fahrbedingungen wie schnelle Beschleunigung oder Bergauffahren simulierten – zeigten, dass der Diagnoseindex stabil und genau blieb, unbeeinflusst von transienten Drehmomenterfordernissen.
Einer der überzeugendsten Vorteile dieser neuen Methode ist ihre Praktikabilität. Sie benötigt keine zusätzlichen Sensoren, keine Modifikation der physikalischen Motorenstruktur und keinen Zugang zu den internen Wicklungen. Sie arbeitet ausschließlich mit den standardmäßigen Phasenstrommessungen, die bereits in den meisten Motorregelsystemen verfügbar sind. Dies macht sie zu einem idealen Kandidaten für die Integration in bestehende Elektrofahrzeug-Motorcontroller, fügt eine Ebene des Fehlerschutzes hinzu, ohne Systemkosten oder Komplexität zu erhöhen.
Aus Herstellungs- und Wartungsperspektive bietet diese Technologie erheblichen Wert. Früherkennung von Wicklungsfehlern ermöglicht vorausschauende Wartung, verhindert unerwartete Ausfälle und reduziert langfristige Besitzkosten. Für Automobilhersteller verbessert sie die wahrgenommene Zuverlässigkeit und Sicherheit ihrer Elektrofahrzeuge, ein wichtiges Verkaufsargument in einem wettbewerbsintensiven Markt. Die Methode unterstützt auch die breitere Einführung von Y-Δ-Hybridmotoren, die trotz ihrer Leistungsvorteile aufgrund diagnostischer Herausforderungen untergenutzt wurden.
Die Implikationen erstrecken sich über Personenfahrzeuge hinaus. Diese Diagnosetechnik könnte auf jedes System angewendet werden, das Y-Δ-hybridgeschaltete Motoren verwendet, einschließlich Elektrobussen, Nutzfahrzeugen, industriellen Antrieben und sogar Luftfahrtanwendungen, wo Motorzuverlässigkeit kritisch ist. Das Prinzip, inhärenten Oberschwingungsgehalt als Diagnosesignal zu verwenden, könnte ähnliche Ansätze für andere Arten elektrischer Maschinen und Fehlerbedingungen inspirieren.
Chen Zhenfeis Arbeit repräsentiert einen Wandel von reaktiver zu proaktiver Motorzustandsüberwachung. Anstatt zu warten, bis sich ein Fehler zu einem größeren Ausfall eskaliert, kann das System das Problem bei seiner Entstehung identifizieren, was rechtzeitiges Eingreifen ermöglicht. Dies passt sich dem wachsenden Trend in der Automobilindustrie zu prädiktiver Analytik und digitalen Zwillingen an, wo Fahrzeugsysteme kontinuierlich ihren eigenen Zustand und Leistung überwachen.
Die Forschung unterstreicht auch die Bedeutung interdisziplinären Denkens in der Technikinnovation. Durch Kombination von tiefem Wissen der Motorelektromagnetiktheorie mit praktischen Signalverarbeitungstechniken konnte das Team eine potenzielle Schwäche – das Vorhandensein von Oberschwingungen – in ein leistungsstarkes Diagnosewerkzeug verwandeln. Diese Art kreativer Problemlösung ist essentiell für das Vorantreiben des Standes der Technik in der elektrischen Mobilität.
Da Elektrofahrzeuge komplexer werden, mit mehreren Motoren, fortschrittlicher Leistungselektronik und anspruchsvollen Regelalgorithmen, wird der Bedarf an intelligenter, eingebetteter Diagnostik nur wachsen. Methoden wie die von Chen und ihrem Team entwickelte bieten eine Blaupause für den Aufbau intelligenterer, widerstandsfähigerer elektrischer Antriebssysteme. Sie demonstrieren, dass manchmal die effektivsten Lösungen nicht die komplexesten sind, sondern jene, die das natürliche Verhalten des Systems clever nutzen.
In Zukunft könnte dieser Diagnoserahmen erweitert werden, um andere Fehlerarten zu erkennen, wie Kurzschlüsse oder partielle Wicklungsverschlechterung, durch Analyse verschiedener Oberschwingungskomponenten oder Einsatz von maschinellem Lernen zur Identifizierung subtilerer Muster. Integration mit Fahrzeugtelematiksystemen könnte Fernüberwachung des Motorzustands ermöglichen, was Flottenbetreibern Echtzeiteinblicke in den Zustand ihrer Fahrzeuge bietet.
Zusammenfassend markiert die Forschung von Zhenfei Chen, Feng Wang, Zhixin Li, Xiangmin Wan und Zhihao Ling an der Hohai-Universität einen bedeutenden Schritt vorwärts in der Zuverlässigkeit und Sicherheit von Elektromotoren für automobile Anwendungen. Ihre oberwellenbasierte Fehlerdiagnosemethode für Y-Δ-Hybrid-FS-PMMs ist nicht nur wissenschaftlich fundiert, sondern auch äußerst praktisch und bietet eine robuste, kostengünstige Lösung für eine anhaltende technische Herausforderung. Während die Automobilindustrie ihre Elektrifizierungsreise fortsetzt, werden Innovationen wie diese eine entscheidende Rolle spielen, um sicherzustellen, dass Elektrofahrzeuge nicht nur effizient und leistungsstark, sondern auch zuverlässig und sicher sind.
Zhenfei Chen, Feng Wang, Zhixin Li, Xiangmin Wan, Zhihao Ling, Hohai-Universität, Proceedings of the CSEE, DOI: 10.13334/j.0258-8013.pcsee.231539