21 Августа 2026

Современные методы диагностики и выявления дефектов бесколлекторных электродвигателей постоянного тока

Методы обнаружения неисправностей классифицируются по пяти основным категориям: обработка сигналов, моделирование, искусственный интеллект, анализ данных, тепловой и магнитный мониторинг. Каждый подход имеет свои преимущества и ограничения, в зависимости от типа неисправности, структуры системы и имеющихся данных.

1. Методы обработки сигналов

Эти методы основаны на математическом и статистическом анализе сигналов тока, напряжения, вибрации или акустического шума. Анализ во временной области эффективен, особенно для понимания переходного поведения: повреждение подшипниковой системы можно наблюдать в виде пиков и нерегулярных вибраций во временном сигнале. О характере и тяжести неисправности судят по статистическим характеристикам сигнала, в частности по его среднему уровню, разбросу (дисперсии) и амплитуде пиковых отклонений. Этот метод позволяет обнаруживать не только неисправности бесколлекторных двигателей постоянного тока, но и неисправности регуляторов скорости.

Электрические неисправности, такие как короткие замыкания или обрывы фаз в обмотках статора, создают характерные гармонические компоненты. Быстрое преобразование Фурье (математический алгоритм, который раскладывает любой сложный сигнал (звук, вибрацию, ток, напряжение) на отдельные частоты (синусоидальные волны)) позволяет диагностировать неисправности путем выделения этих компонентов. Кроме того, анализ спектральной плотности мощности выявляет источники шума или магнитные дисбалансы путем изучения распределения энергии двигателя в частотной области. Например, в случае смещения вала ротора в токе статора наблюдаются заметные боковые полосы частот. Хотя эти методы обеспечивают высокую точность при непрерывной работе, они могут быть ограничены в обнаружении кратковременных, внезапных неисправностей.

Преобразование Фурье делит сигнал двигателя на определенные временные интервалы и выполняет частотный анализ в каждом из них. Этот метод позволяет отслеживать, как со временем изменяются мгновенные изменения нагрузки или внезапные дисбалансы напряжения в бесщеточных двигателях постоянного тока. Более совершенные методы вейвлет-преобразования (математический метод анализа сигналов, который в отличие от преобразования Фурье позволяет одновременно видеть и частоту, и время появления этой частоты) особенно подходят для анализа переходных и нелинейных сигналов. Кратковременные события, такие как отказ магнитов ротора или ослабление изоляции, становятся очевидными благодаря вейвлет-анализу. В последние годы преобразование Гильберта-Хуанга (это математический метод анализа сигналов, который, в отличие от преобразования Фурье, позволяет одновременно видеть и частоту, и время ее появления, а в отличие от вейвлет-преобразования, не требует априорного выбора базисной функции, поскольку адаптируется к структуре сигнала и выделяет его внутренние колебательные компоненты) также стало предпочтительным для разделения нелинейных и нестационарных сигналов двигателя. Этот подход обеспечивает более детальное понимание механических и электрических неисправностей путем изучения сложных вибрационных паттернов двигателя.

В целом, очевидно, что методы обработки сигналов играют важную роль в двигателях BLDC как для ранней диагностики неисправностей, так и для планирования периодического технического обслуживания. Когда двигатель BLDC используется в компрессорной системе, сигналы вибрации могут быть первоначально проанализированы во временной области для предварительной оценки. Затем частоты неисправностей могут быть определены с помощью частотного анализа. Наконец, переходный характер неисправности может быть детально исследован с помощью вейвлет-преобразования. Это обеспечивает высокую надежность обнаружения как постоянных, так и переходных неисправностей.

2. Методы, основанные на моделях

Методы диагностики неисправностей, основанные на моделировании, включают создание физической или математической модели системы и последующее сравнение прогнозируемого поведения с фактическими данными системы. Основная цель этого подхода — создание эталонной модели, представляющей нормальные условия работы двигателя, и использование различий между измеренными данными и этой моделью в качестве индикаторов неисправностей. В целом, существует два основных подхода к методам, основанным на моделировании: аналитическое моделирование и моделирование на основе наблюдателя состояния. Аналитическое моделирование включает математическое представление двигателя, а взаимосвязи между током, крутящим моментом, скоростью и электродвижущей силой обычно описываются дифференциальными уравнениями. Значительные отклонения от этой математической модели наблюдаются при возникновении таких условий, как короткое замыкание обмоток, отказ магнитов ротора или колебания крутящего момента в бесщеточных двигателях постоянного тока. Поэтому наличие и тип неисправности можно определить, анализируя величину ошибки между измеренными сигналами и выходными данными модели.

В отличие от этого, методы, основанные на наблюдателях состояния, направлены на оценку переменных состояния системы в реальном времени. Для этой цели часто используются фильтры Калмана (математический алгоритм, который позволяет получить наиболее точную оценку состояния системы (например, скорости, положения, тока или потока двигателя) из зашумленных и неполных данных измерений), расширенные фильтры Калмана, наблюдатели скользящего режима и наблюдатели Луенбергера (математический алгоритм для оценки внутреннего состояния динамической системы по доступным измерениям на выходе). Методы, основанные на фильтрах Калмана, широко предпочтительны для обнаружения неисправностей, поскольку они могут точно оценивать параметры двигателя в условиях высокого уровня шума измерений. Разница между прогнозом и коррекцией, превышающая определенный порог, указывает на потенциальную неисправность.

В приложениях для бесколлекторных двигателей постоянного тока подходы, основанные на моделях, весьма эффективны для раннего обнаружения возмущений, влияющих на динамику системы, таких как электрические неисправности и магнитные дисбалансы. Дисбаланс фазных токов или изменения электромагнитного момента могут вызывать отклонения от прогнозов модели, и эти различия могут быть использованы для определения величины и местоположения неисправности. Кроме того, в гибридных системах, где интегрированы тепловые модели, изменения параметров двигателя, вызванные повышением температуры, могут отслеживаться с помощью контроллеров, основанных на моделях, что позволяет прогнозировать неисправности, возникающие в результате перегрева.

3. Методы, основанные на искусственном интеллекте

В последние годы методы, основанные на искусственном интеллекте и машинном обучении, все чаще заменяют традиционные аналитические подходы в обнаружении неисправностей двигателей. Классические математические модели часто не могут описать все поведение таких систем, поэтому подходы, основанные на данных и обучении, предлагают более гибкое и адаптируемое решение. Сложная электромеханическая структура бесщеточных двигателей постоянного тока с их нелинейной и изменяющейся во времени динамикой делает модели на основе ИИ более успешными, чем другие методы. Диагностика неисправностей на основе ИИ начинается с извлечения статистических или спектральных характеристик из сигналов, полученных во время работы двигателя. Затем эти характеристики преобразуются в вектор характеристик и подаются в алгоритмы классификации, регрессии или кластеризации. Методы, основанные на классификации, являются наиболее широко используемой стратегией для определения типа неисправности. Такие алгоритмы, как искусственные нейронные сети, машины опорных векторов, деревья решений, случайные леса и метод k-ближайших соседей, обеспечивают высокую точность в различении неисправных и исправных состояний. Для обнаружения коротких замыканий обмоток в неисправном бесколлекторном двигателе постоянного тока в нейронную сеть подаются частотно-временные характеристики, извлеченные из фазных токов, сеть прогнозирует наличие неисправности на основе различий между этими паттернами.

Помимо методов машинного обучения, в последние годы все большую популярность приобретают подходы, основанные на глубоком обучении. Сверточные нейронные сети могут обнаруживать неисправности непосредственно на необработанных данных, устраняя необходимость ручного извлечения признаков из сигналов двигателя. Модели CNN (Convolutional Neural Network) имеют высокую степень успешности в анализе сложных сигнальных паттернов, особенно тех, что характерны для бесщеточных двигателей постоянного тока, таких как магнитный дисбаланс и отказ подшипников. Кроме того, рекуррентные нейронные сети и сети с долговременной кратковременной памятью эффективно используются для прогнозирования развития неисправностей путем изучения зависящих от времени паттернов во временных рядах данных

4. Методы, основанные на данных

Этот подход осуществляет процесс обнаружения неисправностей на основе статистических свойств данных измерений, не полагаясь напрямую на физическую модель или теоретические уравнения системы. Основной принцип заключается в анализе закономерностей и различий между большими объемами данных, полученных из исправного и неисправного состояний двигателя, и извлечении индикаторов неисправностей из этих различий. Таким образом, методы, основанные на данных, имеют структуру, основанную на наблюдениях и эмпирическом обучении. Главное преимущество этих методов заключается в том, что они устраняют необходимость в сложных физических моделях. Поскольку бесколлекторные двигатели постоянного тока являются нелинейными, многомерными и динамическими системами, точное моделирование всех физических параметров является как сложной, так и трудоемкой задачей. Анализ на основе данных преодолевает эту проблему, генерируя значимую информацию непосредственно из измеренных сигналов. Цель состоит в прогнозировании состояния системы путем обнаружения скрытых закономерностей, тенденций или аномалий во временных рядах данных.

Наиболее распространенные методы, используемые в обнаружении неисправностей на основе данных, включают статистический контроль процессов, анализ главных компонентов, анализ независимых компонентов, кластерный анализ и методы мониторинга на основе корреляции. Эти методы выявляют отклонения, связанные с возникновением неисправностей, путем установления статистических взаимосвязей в сигналах работы двигателя. Сила подходов, основанных на данных, заключается в их потенциале для создания систем раннего предупреждения. Неисправности в бесколлекторных двигателях постоянного тока обычно развиваются постепенно. Повреждение подшипников начинается с небольшого увеличения вибрации, за которым следуют колебания тока и термическая нестабильность. Системы мониторинга на основе данных могут обеспечить раннее обнаружение путем статистического анализа этих небольших изменений до того, как произойдет какое-либо видимое ухудшение. Анализ на основе скользящего окна может динамически оценивать состояние двигателя путем мониторинга тенденций в изменяющихся во времени сигналах. В этих системах непрерывные потоки данных от двигателя собираются с помощью датчиков, анализируются в режиме реального времени и передаются в системы поддержки принятия решений. Это обеспечивает информацию о рабочем состоянии двигателя в режиме реального времени, позволяя принимать решения по профилактическому техническому обслуживанию в случае потенциальных отказов.

Точность методов, основанных на данных, во многом зависит от качества данных, частоты дискретизации и надежности измерений. Неточные оценки могут возникать из-за шума или отсутствия данных. Кроме того, обработка многомерных данных может повлечь за собой значительные вычислительные затраты. Тем не менее, несмотря на эти недостатки, возможность обнаружения сигналов неисправности непосредственно из данных измерений без необходимости физической модели делает этот метод практичным и надежным. По мере развития цифровых сенсорных технологий и распространения инфраструктур больших данных подходы, основанные на данных, все чаще используются в системах диагностики неисправностей в реальном времени.

5. Методы, основанные на тепловом и магнитном слежении

Термический анализ и методы обнаружения неисправностей на основе визуализации — это методы, которые оценивают состояние двигателя путем изучения тепловых отражений электрических и механических неисправностей. Ненормальные условия эксплуатации бесколлекторных двигателей постоянного тока часто приводят к локальному повышению температуры. Поэтому мониторинг распределения температуры имеет решающее значение для раннего обнаружения и предотвращения неисправностей. Термический анализ оценивает динамику теплопередачи в двигателе. В нормальных условиях эксплуатации распределение температуры на поверхности двигателя равномерное. Однако в случае неисправности тепло интенсивно накапливается в определенных точках. Частичное короткое замыкание в обмотках статора неисправного бесщеточного двигателя постоянного тока приводит к увеличению плотности тока в этой области и аномальному нагреву. Аналогично, смещение вала ротора или выход из строя подшипников приводят к тому, что механические потери от трения преобразуются в тепловую энергию. Такие условия не только снижают общую эффективность двигателя, но и могут привести к более серьезным долгосрочным последствиям, таким как деградация изоляции и потеря остаточной намагниченности магнитов.

Инфракрасная термография является одним из наиболее широко используемых методов обнаружения таких тепловых аномалий. Карты температуры поверхности, полученные с помощью тепловизионных камер, предоставляют визуальные и количественные данные о рабочих условиях двигателя. Термографические изображения могут использоваться как в автономных, так и в онлайн-системах мониторинга. Высокоскоростные инфракрасные камеры, в частности, фиксируют изменения температуры в миллисекундном масштабе, что позволяет создавать системы раннего предупреждения. Многочисленные исследования в литературе успешно обнаружили локальные температурные аномалии в обмотках статора, магнитах ротора и подшипниковых областях бесщеточных двигателей постоянного тока с помощью ИК-термографии. В последние годы анализ на основе тепловизионных изображений был объединен с алгоритмами обработки изображений на основе искусственного интеллекта. Сверточные нейронные сети на основе глубокого обучения могут автоматически классифицировать нормальные и неисправные состояния путем анализа закономерностей, полученных из тепловых изображений. Этот подход предлагает значительное преимущество, особенно при обнаружении небольших температурных различий, незаметных для человеческого глаза. Кроме того, пространственные характеристики карт распределения тепла используются для понимания тепловых реакций компонентов двигателя при различных условиях нагрузки, что позволяет обнаруживать неисправности в зависимости от нагрузки. Методы теплового анализа предоставляют ценные данные не только для обнаружения неисправностей, но и для планирования стратегий профилактического обслуживания.

Методы обработки сигналов обеспечивают базовую основу, позволяя выявлять гармонические и переходные аномалии в токах и вибрациях. Модельные подходы дают точную оценку состояния через сравнение с эталоном, но требуют детального знания физики системы. ИИ- и методы на основе данных эффективны при работе со сложной нелинейной динамикой, однако нуждаются в больших размеченных выборках и вычислительных ресурсах. Тепловой мониторинг предоставляет независимый канал диагностики, особенно ценный для обнаружения перегрева и износа изоляции.
Наиболее перспективным представляется гибридный подход, объединяющий физические модели и алгоритмы машинного. Такая комбинация позволяет повысить надёжность, снизить вероятность ложных срабатываний и реализовать системы раннего предупреждения отказов в реальном времени. Дальнейшее развитие цифровых сенсорных технологий и методов глубокого обучения сделает такие гибридные диагностические комплексы стандартом для промышленной эксплуатации бесколлекторных электродвигателей.

13