Метод бортовой диагностики дефектов подшипников тягового синхронного двигателя с постоянными магнитами по спектру токов статора

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.

1. Tavner PJ. Review of condition monitoring of rotating electrical machines. IET Electric Power Applications. 2008; 2(4): 215–247. DOI:10.1049/iet-epa:20070280

2. Khan 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/en16010296

3. Santer 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.2025.103294

4. Randall RB, Antoni J. Rolling element bearing diagnostics – a tutorial. Mechanical Systems and Signal Processing. 2011;25(2):485-520. DOI: 10.1016/j.ymssp.2010.07.017

5. He 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/s25154591

6. 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.

7. 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.2008.917108

8. Thomson 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.

9. 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/s13369-024-09488-3

10. Lee 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.2013.06.004

11. Кодкин 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:10.25206/1813-8225-2019-167-39-45

12. 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:10.17816/2074-0530-100232

13. 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.2022.108219

14. Kumar 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/RESEM57584.2023.10236344

15. Двоеглазов 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: 10.36652/1684-1298-2023-8-25-30

16. 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.2025.3536425

17. Min 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/electronics14081679

18. Климов 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: 10.17816/0321-4443-56920

19. 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: 10.17816/2074-0530-456459

20. 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/ICoPESA56898.2023.10141103

21. Zhang 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/s24113373

22. Ye 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/ad4bfc

23. Mohanty 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.2004.07.006

24. De 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/machines13050357

25. Белоусов 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.

26. 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.2024.125137

27. Li 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: 10.1145/3727648.3727748

28. Kumar 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/s42452-025-07758-9

29. Zsuga 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.2023.3344483

30. Келлер 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: 10.17816/0321-4443-568209