[EN]

The holidays are over, and we are back to our master's degree obligations. For those who don't know, my area of research is fault detection in electric motors. One of the main challenges we have faced is related to detecting these faults when the motor is powered by a frequency inverter. This is because the inverter ends up masking the spectral components of interest due to the harmonics generated during the switching process.

As a result, the method we currently use is unable to detect faults satisfactorily. The problem becomes even more critical because our goal is precisely to detect faults in electric vehicle motors, which use frequency inverters for starting, acceleration, and deceleration. Thus, the application of the current method is quite limited in this context.

When researching the literature, it is possible to find several methods capable of detecting faults even in the presence of frequency inverters. However, many of them require long sampling periods or have high computational costs, which hinders their practical application.

We are currently investigating some of these approaches, with the expectation of implementing a method that is both simple and robust for this situation. To this end, we have started using an oscilloscope that allows measurements over longer time windows and has the capacity to acquire up to four channels. Previously, we performed measurements on only one channel; now, we are simultaneously acquiring the three phases of the motor.

The greater the amount of data, the greater the possibilities for fault detection. There are methods that use linear transformations, i.e., matrix transformations to other vector spaces, in which fault analysis is performed—in the case of electrical signals, negative sequence component analysis stands out.

We performed several tests with this new oscilloscope, which was kindly loaned to us by another research group. The tests were performed considering three acceleration ramps (0.5 s, 3 s, and 10 s) and different motor supply voltage levels (40%, 60%, and 100% of the nominal voltage). These experiments allow us to apply the methods and compare the results obtained, contributing to the validation of the techniques analyzed.

To date, we have tested several methods, including Current Signature Analysis (MCSA), Discrete Wavelet Transform (DWT), Hilbert Transform, and digital filters, such as the Gaussian filter. However, none of them have fully met our expectations so far.

Among the alternatives for fault detection with frequency inverters, methods based on neural networks, artificial intelligence, or combinations of these techniques with conventional methods stand out. However, these approaches generally require a large volume of samples and often have high computational costs.

We are racing against time, as we still need to assemble the prototype, and for that, it is essential that a reliable method is in place for detecting faults in electric vehicle motors. Wish us luck and plenty of focus so that everything works out!

[PT]

As férias chegaram ao fim e estamos de volta às obrigações do mestrado. Para quem não sabe, minha área de pesquisa é a detecção de falhas em motores elétricos. Um dos principais desafios que temos enfrentado está relacionado à detecção dessas falhas quando o motor é alimentado por um inversor de frequência. Isso acontece porque o inversor acaba mascarando as componentes espectrais de interesse, devido às harmônicas geradas durante o processo de chaveamento.

Dessa forma, o método que utilizamos atualmente não consegue detectar as falhas de maneira satisfatória. O problema se torna ainda mais crítico porque o nosso objetivo é justamente a detecção de falhas em motores de veículos elétricos, que utilizam inversores de frequência para a partida, aceleração e desaceleração. Assim, a aplicação do método atual se mostra bastante limitada nesse contexto.

Ao pesquisar a literatura, é possível encontrar diversos métodos capazes de detectar falhas mesmo na presença de inversores de frequência. No entanto, muitos deles exigem longos períodos de amostragem ou apresentam elevado custo computacional, o que dificulta sua aplicação prática.

No momento, estamos investigando algumas dessas abordagens, com a expectativa de implementar um método que seja ao mesmo tempo simples e robusto para essa situação. Para isso, passamos a utilizar um osciloscópio que permite medições em janelas de tempo mais longas e conta com a capacidade de aquisição de até quatro canais. Antes, realizávamos medições em apenas um canal; agora, estamos adquirindo simultaneamente as três fases do motor.

Quanto maior a quantidade de dados, maiores são as possibilidades de detecção de falhas. Existem métodos que utilizam transformações lineares, ou seja, transformações matriciais para outros espaços vetoriais, nos quais é realizada a análise de falhas — no caso de sinais elétricos, destaca-se a análise por componentes de sequência negativa.

Realizamos diversos ensaios com esse novo osciloscópio, que foi gentilmente emprestado por outro grupo de pesquisa. Os testes foram feitos considerando três rampas de aceleração (0,5 s, 3 s e 10 s) e diferentes níveis de tensão de alimentação do motor (40%, 60% e 100% da tensão nominal). Esses experimentos permitem aplicar os métodos e comparar os resultados obtidos, contribuindo para a validação das técnicas analisadas.

Até o momento, já testamos vários métodos, entre eles a Análise de Assinatura da Corrente (MCSA), a Transformada Wavelet Discreta (DWT), a Transformada de Hilbert e filtros digitais, como o filtro Gaussiano. No entanto, nenhum deles atendeu plenamente às nossas expectativas até agora.

Entre as alternativas para detecção de falhas com inversores de frequência, destacam-se métodos baseados em redes neurais, inteligência artificial ou combinações dessas técnicas com métodos convencionais. Porém, essas abordagens geralmente exigem um grande volume de amostras e, muitas vezes, apresentam alto custo computacional.

Estamos correndo contra o tempo, pois ainda é necessário montar o protótipo, e para isso é fundamental que um método confiável esteja funcionando para a detecção de falhas em motores de veículos elétricos. Nos desejem sorte e bastante foco para que tudo dê certo!