sibadiНаучный рецензируемый журнал "Вестник СибАДИ"The Russian Automobile and Highway Industry Journal2071-72962658-5626The Siberian State Automobile and Highway University10.26518/2071-7296-2026-23-2-334-348TLWSIMsibadi-2221Research ArticleТРАНСПОРТTRANSPORTМетод бортовой диагностики дефектов подшипников тягового синхронного двигателя с постоянными магнитами по спектру токов статораOn-board diagnostics method for detecting bearing defects in traction synchronous permanent magnet motors based on stator current spectrumhttps://orcid.org/0009-0004-0930-4737ДвоеглазовЕ. А.DvoeglazovE. A.

Двоеглазов Егор Александрович – аспирант; ведущий инженер-программист службы электрифицированных автомобилей

107023, г. Москва, ул. Б. Семёновская, д. 38

121205, г. Москва, территория Инновационного центра Сколково, Большой бульвар, д. 62

Dvoeglazov Egor A. – postgraduate student

38 B. Semenovskaya St., Moscow, 107023

2 Bolshoy Boulevard, Skolkovo Innovation Center, Moscow, 121205

egor11022d@yandex.ruhttps://orcid.org/0009-0009-4163-3721КозелковО. А.KozelkovO. A.

Козелков Олег Александрович – д-р техн. наук, проф.

107023, г. Москва, ул. Б. Семёновская, д. 38

Kozelkov Oleg A. – Dr. of Sci. (Engineering), Professor

38 B. Semenovskaya St., Moscow, 107023

kozelkow@mail.ruhttps://orcid.org/0009-0003-3041-9363ДьяковФ. К.DyakovP. K.

Дьяков Филипп Кириллович – канд. техн. наук, доц.

125319, г. Москва, Ленинградский просп., д. 64

Dyakov Philip K. – Cand. of Sci. (Engineering), Associate Professor

64 Leningradsky ave., Moscow, 125319

f.dyakov@madi.ruМосковский политехнический университет; ООО «Инновационный центр «КАМАЗ»РоссияMoscow Polytechnic University; KAMAZ Innovation Center LLCRussian FederationМосковский политехнический университетРоссияMoscow Polytechnic UniversityRussian FederationМосковский автомобильно-дорожный государственный технический университет (МАДИ)РоссияMoscow Automobile and Road Construction State Technical University (MADI)Russian Federation202606052026232334348Copyright © Двоеглазов Е.А., Козелков О.А., Дьяков Ф.К., 20262026Двоеглазов Е.А., Козелков О.А., Дьяков Ф.К.Dvoeglazov E.A., Kozelkov O.A., Dyakov P.K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibadi.org/jour/article/view/2221

Введение. Надёжность тягового электропривода является ключевым фактором, определяющим эксплуатационную эффективность городского электрического транспорта. Подшипниковые узлы электродвигателей остаются одной из самых частых причин отказов, приводящих к простоям транспортного средства.Материалы и методы. Разработан метод бортовой диагностики дефектов подшипников качения тягового синхронного двигателя с постоянными магнитами (СДПМ) на основе анализа спектра токов статора (Motor Current Signature Analysis, MCSA) с использованием эквивалентного действующего тока трёхфазной системы для нормализации диагностических признаков. Исследование проведено с помощью имитационного моделирования в среде MATLAB/Simulink, охватывающего диапазон угловых протяжённостей дефектов от 0° до 8° и скоростей от 1500 до 8000 об/мин.Результаты. Предложенный метод устанавливает чёткие границы эффективности: максимальная скорость для надёжного обнаружения дефектов составляет 5000 об/мин. На этой и более низких скоростях в спектре тока статора наблюдается пик на механической частоте вращения ротора (fr), амплитуда которого коррелирует с угловой протяжённостью дефекта. Нормализация по эквивалентному действующему току повышает точность диагностики.Обсуждение и заключение. Предложенный метод позволяет внедрять систему бортовой диагностики без установки дополнительных датчиков, что особенно актуально для городских электробусов, эксплуатируемых преимущественно в диапазоне 2000–5000 об/мин. Разработан новый метод, впервые интегрирующий нормализацию по эквивалентному действующему току для количественной зависимости диагностической чувствительности анализа спектра тока статора от скорости вращения ротора в синхронном двигателе с постоянными магнитами и определяющий критический порог скорости 5000 об/мин.

Introduction. The reliability of traction electric drive is a key factor determining the operational efficiency of urban electric transport. Bearing assemblies of electric motors remain one of the most common causes of failures leading to vehicle downtime.Materials and methods. A method has been developed for on-board diagnostics of rolling bearing defects in a traction synchronous motor with permanent magnets (SDM) based on the analysis of stator current spectrum (MCSA) with equivalent three-phase current used to normalize diagnostic features. In the study simulation modeling in the MATLAB/Simulink environment was carried out, covering the range of defect angular dimension from 0° to 8° and speeds from 1500 to 8000 rpm.Results. The method proposed sets clear limits to efficiency: the maximum speed for reliable defect detection is 5,000 rpm. At these and lower speeds in the stator current spectrum, a peak is observed of the mechanical rotor speed (fr), the amplitude of which correlates with the defect angular dimension. Normalization by equivalent operating current increases diagnostic accuracy.Discussion and conclusions. The proposed method makes it possible to implement an on-board diagnostic system without installing additional sensors, which is especially important for urban electric buses operating mainly in the range of 2000-5000 rpm. A new method has been developed that integrates normalization by equivalent operating current to quantify the diagnostic sensitivity of the analysis of the stator current spectrum depending on the rotor rotation speed in a permanent magnet synchronous motor and determines the critical speed threshold of 5000 rpm.

бортовая диагностикатяговый электроприводгородской электротранспортподшипник качениясинхронный двигатель с постоянными магнитамианализ спектра токов статораспектральный анализматематическое моделированиемомент сопротивленияпредиктивное обслуживаниеток статорамеханическая частота вращения ротораэквивалентный действующий ток трёхфазной системыon-board diagnosticstraction electric driveurban electric transportrolling bearingpermanent magnet synchronous motorstator current spectrum analysisspectral analysismathematical modelingmoment of resistancepredictive maintenancestator currentmechanical rotor speedequivalent operating current of a three-phase systemReferencesTavner PJ. Review of condition monitoring of rotating electrical machines. IET Electric Power Applications. 2008; 2(4): 215–247. DOI:10.1049/iet-epa:20070280Tavner PJ. Review of condition monitoring of rotating electrical machines. IET Electric Power Applications. 2008;2(4):215-247. DOI: 10.1049/iet-epa:20070280Khan MA, Asad B, Kudelina K, Vaimann T, Kallaste A. The Bearing Faults Detection Methods for Electrical Machines–The State of the Art. Energies. 2023; 16(1): 296. DOI: 10.3390/en16010296Khan MA, Asad B, Kudelina K, Vaimann T, Kallaste A. The Bearing Faults Detection Methods for Electrical Machines–The State of the Art. Energies. 2023; 16(1): 296. DOI: 10.3390/en16010296Santer P, Reinhard J, Schindler A, Graichen K. Detection of localized bearing faults in PMSMs by means of envelope analysis and wavelet packet transform using motor speed and current signals. Mechatronics. 2025;106:103294. DOI: 10.1016/j.mechatron-ics.2025.103294Santer P, Reinhard J, Schindler A, Graichen K. Detection of localized bearing faults in PMSMs by means of envelope analysis and wavelet packet transform using motor speed and current signals. Mechatronics. 2025; 106: 103294. DOI: 10.1016/j.mechatron-ics.2025.103294Randall RB, Antoni J. Rolling element bearing diagnostics – a tutorial. Mechanical Systems and Signal Processing. 2011;25(2):485-520. DOI: 10.1016/j.ymssp.2010.07.017Randall RB, Antoni J. Rolling element bearing diagnostics – a tutorial. Mechanical Systems and Signal Processing. 2011; 25(2): 485-520. DOI: 10.1016/j.ymssp.2010.07.017He X, Liu X, Lin C, Fu M, Wang J, Zhang J. Early bearing fault diagnosis in PMSMs based on HO-VMD and weighted evidence fusion of current– vibration signals. Sensors. 2025;25(15):4591. DOI: 10.3390/s25154591He X, Liu X, Lin C, Fu M, Wang J, Zhang J. Early bearing fault diagnosis in PMSMs based on HOVMD and weighted evidence fusion of current–vibration signals. Sensors. 2025; 25(15): 4591. DOI: 10.3390/s25154591Janrao S, Ambekar R. Fault diagnosis of an induction motor using motor current signature analysis. Int J Appl Eng Res. 2018; 13(12): 11002-11008.Janrao S, Ambekar R. Fault diagnosis of an induction motor using motor current signature analysis. Int J Appl Eng Res. 2018;13(12):11002-11008.Blödt M, Granjon P, Raison B, Rostaing G. Models for bearing damage detection in induction motors using stator current monitoring. IEEE Transactions on Industrial Electronics. 2008; 55(4): 1813–1822. DOI: 10.1109/TIE.2008.917108Blödt M, Granjon P, Raison B, Rostaing G. Models for bearing damage detection in induction motors using stator current monitoring. IEEE Transactions on Industrial Electronics. 2008; 55(4): 1813-1822. DOI: 10.1109/TIE.2008.917108Thomson WT, Gilmore RJ. Motor current signature analysis to detect faults in induction motor drives. In: Proceedings of the 32nd Turbomachinery Symposium; 2003. p. 145-156.Thomson WT, Gilmore RJ. Motor current signature analysis to detect faults in induction motor drives. Proceedings of the 32nd Turbomachinery Symposium. 2003: 145-156.Ghorbel A, Eddai S, Limam B, Feki N, Haddar M. Bearing fault diagnosis based on artificial intelligence methods: machine learning and deep learning. Arab J Sci Eng. 2025;50:13605-13622. DOI: 10.1007/s13369-024-09488-3Ghorbel A, Eddai S, Limam B, Feki N, Haddar M. Bearing fault diagnosis based on artificial intelligence methods: machine learning and deep learning. Arab J Sci Eng. 2025; 50: 13605-13622. DOI: 10.1007/s13369-024-09488-3Lee J, Wu F, Zhao W, Ghaffari M, Liao L, Siegel D. Prognostics and health management design for rotary machinery systems. Mechanical Systems and Signal Processing. 2014;42:314-334. DOI: 10.1016/j.ymssp.2013.06.004Lee J, Wu F, Zhao W, Ghaffari M, Liao L, Siegel D. Prognostics and health management design for rotary machinery systems. Mechanical Systems and Signal Processing. 2014; 42: 314-334. DOI: 10.1016/j.ymssp.2013.06.004Кодкин В.Л., Аникин А.С., Балденков А.А. Спектральный состав тока ротора асинхронного двигателя – показатель его эффективности // Омский научный вестник. 2019; (5): 39–45. DOI:10.25206/1813-8225-2019-167-39-45Kodkin VL, Anikin AS, Baldenkov AA. Spectral composition of induction motor rotor current as an indicator of its efficiency. Omsk Scientific Bulletin. 2019; (5): 39-45. DOI: 10.25206/1813-8225-2019-167-39-45 (In Russ.)Жилейкин М.М., Климов А.В., Масленников И.К. Алгоритм формирования управляющего сигнала со стороны педали акселератора, обеспечивающий энергоэффективное потребление электроэнергии тяговым приводом электробуса // Известия МГТУ «МАМИ». 2022; 16(1): 51–60. DOI:10.17816/2074-0530-100232Zhileikin MM, Klimov AV, Maslennikov IK. Algorithm for generating accelerator pedal control signal providing energy-efficient power consumption of electric bus traction drive. Izvestiya MGTU «MAMI». 2022; 16(1): 51-60. DOI:10.17816/2074-0530-100232 (In Russ.)Allal A, Khechekhouche A. Diagnosis of induction motor faults using the motor current normalized residual harmonic analysis method. International Journal of Electrical Power & Energy Systems. 2022; 141: 108219. DOI: 10.1016/j.ijepes.2022.108219Allal A, Khechekhouche A. Diagnosis of induction motor faults using the motor current normalized residual harmonic analysis method. International Journal of Electrical Power & Energy Systems. 2022; 141: 108219. DOI: 10.1016/j.ijepes.2022.108219Kumar M, Deosarkar P, Inamdar S, Mahanty RN. Field oriented control of traction PMSM drive using WBG devices for EV application. In: Proceedings of the 2023 IEEE Renewable Energy and Sustainable E-Mobility Conference (RESEM); 2023; Bhopal, India. p. 1-8. DOI: 10.1109/RESEM57584.2023.10236344Kumar M, Deosarkar P, Inamdar S, Mahanty RN. Field oriented control of traction PMSM drive using WBG devices for EV application. In: Proceedings of the 2023 IEEE Renewable Energy and Sustainable E-Mobility Conference (RESEM); 2023; Bhopal, India. p. 1-8. DOI: 10.1109/RESEM57584.2023.10236344Двоеглазов Е.А., Жилейкин М.М., Оспанбеков Б.К., Климов А.В. Диагностирование выкрашивания материала на беговой дорожке кольца подшипника синхронного электродвигателя с постоянными магнитами // Грузовик. 2023; (8): 25–30. DOI: 10.36652/1684-1298-2023-8-25-30Dvoeglazov EA, Zhileikin MM, Ospanbekov BK, Klimov AV. Diagnosis of material spalling on the bearing ring raceway of a permanent magnet synchronous electric motor. Gruzovik. 2023; (8): 25-30. DOI: 10.36652/1684-1298-2023-8-25-30 (In Russ.)Hosseini N, Toshani H, Abdi S, Sharifzadeh S. Enhanced Bearing Fault Detection in Induction Motors Using Projection-Based SVM. IEEE Trans Ind Appl. 2025; PP: 1-13. DOI: 10.1109/TIA.2025.3536425Ruiz-Sarrio JE, Antonino-Daviu JA, Martis C. Localized bearing fault analysis for different induction machine start-up modes via vibration time–frequency envelope spectrum. Sensors. 2024; 24(21): 6935. DOI: 10.3390/s24216935Min TH, Lee JH, Choi BK. CNN-based fault classification in induction motors using feature vector images of symmetrical components. Electronics. 2025; 14(8): 1679. DOI: 10.3390/electronics14081679Min TH, Lee JH, Choi BK. CNN-based fault classification in induction motors using feature vector images of symmetrical components. Electronics. 2025; 14(8): 1679. DOI: 10.3390/electronics14081679Климов А.В. Исследование методов повышения энергоэффективности с учётом режимов работы тягового электропривода методами виртуального математического моделирования // Тракторы и сельхозмашины. 2024; 91(1): 65–74. DOI: 10.17816/0321-4443-56920Klimov AV. Investigation of methods for improving energy efficiency considering operating modes of traction electric drive using virtual mathematical modeling. Traktory i Selkhozmashiny. 2024; 91(1): 65-74. DOI: 10.17816/0321-4443-569208 (In Russ.)Максимов Р.О. Методика проведения виртуальных стендовых испытаний для анализа совместимости технических характеристик систем транспортного средства для выявления и предотвращения возможностей возникновения резонансных явлений в подрессоренной кабине // Известия МГТУ «МАМИ». 2023; 17(4): 387–400. DOI: 10.17816/2074-0530-456459Maksimov RO. Methodology of virtual bench testing for analysis of compatibility of vehicle system technical characteristics to detect and prevent resonance phenomena in the sprung cabin. Izvestiya MGTU «MAMI». 2023; 17(4): 387-400. DOI: 10.17816/2074-0530-456459 (In Russ.)Qian D, Zhai X, Wei J. Modeling and Simulation of Complex Electromechanical System of More-Electric Aircraft Based on Distributed Simulation Technology. In: 2023 International Conference on Power Energy Systems and Applications (ICoPESA); 2023; Nanjing, China. Piscataway (NJ): IEEE; 2023. p. 868-873. DOI: 10.1109/ICoPESA56898.2023.10141103Qian D, Zhai X, Wei J. Modeling and Simulation of Complex Electromechanical System of More-Electric Aircraft Based on Distributed Simulation Technology. In: 2023 International Conference on Power Energy Systems and Applications (ICoPESA); 2023; Nanjing, China. Piscataway (NJ): IEEE; 2023. p. 868-873. DOI: 10.1109/ICoPESA56898.2023.10141103Zhang B, Li H, Kong W, Ma J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors (Basel). 2024; 24(11): 3373. DOI: 10.3390/s24113373Zhang B, Li H, Kong W, Ma J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors (Basel). 2024; 24(11): 3373. DOI: 10.3390/s24113373Ye X, Li G. An intelligent fault diagnosis method for rolling bearing using motor stator current signals. Meas Sci Technol. 2024; 35(8): 086131. DOI: 10.1088/1361-6501/ad4bfcYe X, Li G. An intelligent fault diagnosis method for rolling bearing using motor stator current signals. Meas Sci Technol. 2024; 35(8): 086131. DOI: 10.1088/1361-6501/ad4bfcMohanty AR, Kar C. Monitoring gear vibrations through motor current signature analysis and wavelet transform. Mech Syst Signal Process. 2006; 20(1): 158-187. DOI: 10.1016/j.ymssp.2004.07.006Mohanty AR, Kar C. Monitoring gear vibrations through motor current signature analysis and wavelet transform. Mech Syst Signal Process. 2006; 20(1): 158-187. DOI: 10.1016/j.ymssp.2005.02.015De las Morenas J, Belmonte LM, Morales R. Streamlined bearing fault detection using artificial intelligence in permanent magnet synchronous motors. Machines. 2025; 13(5): 357. DOI: 10.3390/machines13050357de las Morenas J, Belmonte LM, Morales R. Streamlined bearing fault detection using artificial intelligence in permanent magnet synchronous motors. Machines. 2025; 13(5): 357. DOI: 10.3390/ma-chines13050357Белоусов Б.Н., Келлер А.В., Харитончик С.В., Бахмутов С.В., Бердников А.А. Проблемы прикладной механики при создании тягово-транспортных средств с мехатронными модулями // Автомобильная промышленность. 2020; (1): 8–16.Belousov BN, Keller AV, Kharitonchik SV, Bakhmutov SV, Berdnikov AA. Problems of applied mechanics in the development of traction and transport vehicles with mechatronic modules. Avtomobilnaya Promyshlennost. 2020; (1): 8-16. (In Russ.)Raouf I, Kumar P, Kim HS. Deep learning-based fault diagnosis of servo motor bearing using the attention-guided feature aggregation network. Expert Syst Appl. 2024; 258: 125137. DOI: 10.1016/j.eswa.2024.125137Raouf I, Kumar P, Kim HS. Deep learning-based fault diagnosis of servo motor bearing using the attention-guided feature aggregation network. Expert Syst Appl. 2024; 258: 125137. DOI: 10.1016/j.eswa.2024.125137Li D, Wang W, Dong C, Fang T. Motor bearing fault diagnosis based on FFT-CNN-Transformer modeling. In: Proceedings of the 4th International Conference on Computer, Artificial Intelligence and Control Engineering; 2025 Jan 10-12; Hefei, China. p. 615-621. DOI: 10.1145/3727648.3727748Li D, Wang W, Dong C, Fang T. Motor bearing fault diagnosis based on FFT-CNN-Transformer modeling. In: Proceedings of the 4th International Conference on Computer, Artificial Intelligence and Control Engineering; 2025 Jan 10-12; Hefei, China. p. 615-621. DOI: 10.1145/3727648.3727748Kumar MP, Velpula S, Saiprakash C, Sahoo B. Advancements in fault detection and diagnosis methods for electric vehicles: a review. Discov Appl Sci. 2025; 7: 1235. DOI: 10.1007/s42452-025-07758-9Kumar MP, Velpula S, Saiprakash C, et al. Advancements in fault detection and diagnosis methods for electric vehicles: a review. Discov Appl Sci. 2025; 7: 1235. DOI: 10.1007/s42452-025-07758-9Zsuga A, Dineva A. Data-driven onboard inter-turn short circuit fault diagnosis for electric vehicles by using real-time simulation environment. IEEE Access. 2023; 11: 145447-145466. DOI: 10.1109/AC-CESS.2023.3344483Zsuga A, Dineva A. Data-driven onboard inter-turn short circuit fault diagnosis for electric vehicles by using real-time simulation environment. IEEE Access. 2023; 11: 145447-145466. DOI: 10.1109/AC-CESS.2023.3344483Келлер А.В., Попов А.В. Методика синтеза закономерностей распределения мощности между ведущими колёсами полноприводных автомобилей сельскохозяйственного назначения // Тракторы и сельхозмашины. 2023; 90(6): 505–514. DOI: 10.17816/0321-4443-568209Keller AV, Popov AV. Methodology for synthesizing power distribution patterns between driving wheels of all-wheel drive agricultural vehicles. Traktory i Selkhozmashiny. 2023; 90(6): 505-514. DOI:10.17816/0321-4443-568209 (In Russ.)

The authors declare that there are no conflicts of interest present.