O foco deste projeto de doutorado é engajar-se no monitoramento baseado em condição (CBM) de máquinas síncronas usadas em aplicações automotivas. O CBM é realizado para a máquina monitorando seus sinais elétricos, por exemplo, corrente, tensão, etc., para detectar falhas elétricas e mecânicas que ocorrem nos rolamentos, estator e inversor da máquina. As funções desenvolvidas para diagnóstico de falhas são montadas na máquina elétrica. A vantagem de ter essas funções a bordo é que a condição da máquina pode ser avaliada a qualquer momento, mesmo durante as operações. Em segundo lugar, as perdas econômicas resultantes do tempo de inatividade dos veículos podem ser reduzidas planejando a manutenção da máquina com antecedência. As seguintes falhas são consideradas na máquina síncrona de cinco fases conhecida como Boost Recuperation Machine ou BRM: 1. falha de circuito aberto nos enrolamentos do estator; 2. falha de circuito aberto no MOSFET do inversor; e 3. falha na pista interna e externa no rolamento. Os seguintes sinais foram usados com taxa de amostragem de 1 kHz para detecção de falhas: • corrente CC do E-Drive; • tensão CC do E-Drive; • velocidade; e • torque. O conjunto de dados para treinamento da rede neural convolucional 1D de aprendizado profundo foi coletado da simulação da máquina no PLECS, dados experimentais da medição das máquinas no banco de testes e dados gerados usando rede adversarial generativa (GAN). A tarefa foi concluída com sucesso com uma acurácia de classificação de falhas acima de 90%. A metodologia foi desenvolvida para uma faixa de velocidade de 500 rpm a 8000 rpm e faixa de torque de -20 Nm a 40 Nm.
Russell Sabir (Qui,) estudou esta questão.