Interturn Short-Circuit Fault Detection and Diagnosis in Permanent Magnet Synchronous Motors Using Interactive Multiple Model Strategy
Notice bibliographique
Résumé
This paper introduces a novel approach for diagnosing Inter-Turn Short Circuit (ITSC) faults in Permanent Magnet Synchronous Motors (PMSMs) using a two-layer Interactive Multiple Model (IMM) strategy tailored for real-time applications. The first layer employs an IMM-Constrained Extended Kalman Filter (CEKF) framework for fault detection, while the second layer uses an Extended Kalman Filter (EKF) framework for fault diagnosis. In the first layer, four models are employed: the healthy motor model and three models with ITSC faults in each of the PMSM phases. The short-circuit resistance is estimated as an augmented state alongside system states. Upon detecting a fault in one of the phases, the second layer estimates the number of shorted turns and refines the estimated short-circuit resistance value. This study addresses three key challenges in applying the IMM framework to this problem. First, distinguishing between the healthy motor and faulty models with large short-circuit resistances is difficult due to their similar dynamic responses. This issue is resolved by imposing constraints on the estimated resistance, enabling better model separation. Second, the diversity of state variables across models is managed by zero-padding the state vector and estimation error covariance matrix, with matrix-based mode probabilities mitigating errors from augmented zeros. Third, uncertainty in the number of shorted turns is addressed in the second layer by using a secondary model set to determine the exact number of shorted turns and refine the short circuit resistance estimate. Experimental validation, conducted with a custom relay box for controlled fault injection, demonstrates the method's effectiveness in detecting and diagnosing ITSC faults using the first and second model banks, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».