Mezizávitové zkraty v synchronních motorech s permanentními magnety: modelování a diagnostika poruchy

Abstract

Tato disertační práce pojednává o modelování a diagnostice mezizávitových zkratů v synchronních motorech s permanentními magnety. Jsou zde představeny modely motoru se zkratem ve statorovém vinutí pracující se spojitým a diskrétním časem, které zachycují nejen dopad samotné poruchy, ale také další vlivy, jako jsou radiální toky od permanentních magnetů, sériově-paralelní zapojení segmentů statorového vinutí a odpor přívodů motoru. Odvozený model s diskrétním časem vyvažuje přesnost predikcí s výpočetními nároky a následné laboratorní experimenty demonstrují dosažené zpřesnění oproti dopředné Eulerově aproximaci. Model pak tvoří základ diagnostického algoritmu, který kombinuje odhad parametrů, statistickou metodu pro srovnání modelů a Kalmanovu filtraci s Bayesovským rozhodováním tak, aby umožňoval detekci poruch, lokalizaci zkratů a následnou identifikaci závažnosti poruchy a sledování skrytých stavů. Laboratorní experimenty poté demonstrují funkčnost všech částí diagnostického algoritmu i při extrémně nízkých závažnostech poruchy a v přechodových dějích.

This doctoral thesis addresses the modeling and the diagnostics of interturn short circuits in synchronous motors with permanent magnets. Continuous-time and discrete-time models of a shorted motor are presented, capturing not only the impact of the fault itself but also additional effects such as radial fluxes from permanent magnets, series–parallel connections of stator phase segments, and motor connection resistance. The proposed discrete-time model achieves a trade-off between prediction accuracy and computational demands, with experimental validation confirming its superior precision compared to the forward Euler approximation. The model then forms the basis for the diagnostic algorithm, combining parameter estimation, statistical approach for model comparison, and Kalman filtering with Bayesian decision-making to enable fault detection, interturn short circuit localization, and subsequent identification of fault severity and hidden state monitoring. Laboratory experiments demonstrate that all parts of the diagnostic algorithm are fully functional, even at extremely low fault severities and in transient states.