盖世汽车讯 据外媒报道，由江南大学（Jiangnan University）黄文涛博士领导的一项研究克服了五相永磁同步电机（PMSM）诊断中的一个关键缺陷：传统方法无法评估匝间短路（ITSC）的严重程度。该方法集成了两项技术：一个用于诊断故障的实时跟踪器，以及一个用于处理信号以量化损坏并估算短路参数的人工智能分析仪。

图片来源： 期刊《CES Transactions on Electrical Machines and Systems》

多年来，量化运行中电机匝间短路严重程度的挑战一直困扰着工程师们，因为传统方法难以分离复杂的故障参数。传统的诊断方法在实时评估方面存在不足，导致不可逆退磁等关键风险无法被检测到。

该方法由江南大学基于扩展状态观测器（ESO）和卷积神经网络（CNN）开发，代表着一项根本性的飞跃。至关重要的是，该方法能够将短路匝数比与故障电阻隔离，消除了故障诊断中的一个关键障碍，从而能够精确实时地对故障严重程度进行分级，从而指导有针对性的保护响应。

相关研究论文发表在期刊《CES Transactions on Electrical Machines and Systems》上。

该方法提供了关键的实际保护：通过精确的故障定位和实时的严重程度评估，它为实施有效的容错措施提供了充足的信息。此外，还可以大幅降低潜在的维护成本。尤其对于电动汽车而言，该技术是一项至关重要的保障措施，可防止未检测到的电机短路升级为危及生命的电气火灾。

展望未来：更智能、更具自我保护功能的电机

下一阶段的开发将使电机具备自我保护功能：在故障检测期间自动降低功率以防止损坏，同时与工厂网络无缝集成，实现机组健康状况的实时监控。

除了工业用途外，这项技术还可以应用于关键基础设施——例如，增强风力涡轮机在恶劣环境下抵御发电机故障的能力，并将保护系统融入航空航天电力推进系统，以减轻飞行中的危险。

这项革新充分利用了在实时故障解耦方面的核心突破，使机器能够在电气故障升级之前自主响应。想象一下，风力发电场能够在暴风雨期间自动报告问题，或者电动飞机能够在飞行中主动控制部件过热——所有这些都得益于先进的诊断智能。