Modeling of parasitic currents and fault detection in electrical traction drives

Quabeck, Stefan; Mütze, Annette; de Doncker, Rik W.

doi:HT030599408

Modeling of parasitic currents and fault detection in electrical traction drives

Quabeck, Stefan^RWTH*

2023

VerantwortlichkeitsangabeStefan Quabeck

ImpressumAachen : Institute for Power Electronics and Electrical Drives (ISEA) 2023

Umfang1 Online-Ressource : Illustrationen

ReiheAachener Beiträge des ISEA ; 170

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
de Doncker, Rik W. (Thesis advisor)^RWTH* ; Mütze, Annette (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2023-02-24

Online
DOI: 10.18154/RWTH-2023-10920
URL: https://publications.rwth-aachen.de/record/973652/files/973652.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
bearing currents (frei) ; condition monitoring (frei) ; electric machine (frei) ; parasitics (frei)

Thematische Einordnung (Klassifikation)
DDC: 621.3

Kurzfassung
Der Trend zur zunehmenden Integration von elektrischer Maschine, Wechselrichter und Getriebe in einer E-Achse bringt erhebliche Vorteile in Bezug auf die Leistungsdichte mit sich. Außerdem kann der Wechselrichter, dank der geringeren Größe und der höheren Temperaturbeständigkeit von Halbleitern mit breiter Bandlücke, näher an den Wicklungen der Maschine integriert werden. Dies reduziert die Länge der Motorzuleitungen und erhöht die Leistungsdichte noch weiter. Allerdings bringt diese enge Integration auch einige neue Herausforderungen mit sich, die bewältigt werden müssen. Parasitäre kapazitive und induktive Kopplung zwischen den Wicklungen und anderen Teilen des Antriebs nimmt aufgrund des engen Bauraums zu. Die Kombination aus steilen Spannungsflanken der Bauteile mit breiter Bandlücke und erhöhten parasitären Kapazitäten führt zu hohen parasitären Strömen durch den gesamten Antrieb. Diese parasitären Ströme können die Lebensdauer eines elektrischen Antriebs erheblich verringern. Sie fließen durch die Lager und alle mit der Welle verbundenen Komponenten und können schwere Schäden an den Lagern und dem Getriebe verursachen, und die Wicklungsisolation und die in der Maschine verwendeten Schmiermittel schädigen. Um die physikalischen Ursachen der parasitären Ströme in elektrischen Maschinen zu verstehen und ihren Einfluss abzuschätzen, wird in dieser Arbeit ein Hochfrequenzmodell einer elektrischen Maschine vorgestellt. Ein automatisiertes Parameter-Feinabstimmungsverfahren hilft, die Modellgenauigkeit zu erhöhen und den Parametrierungsaufwand zu reduzieren. Das Modell wird experimentell mit einer eigens entwickelten, minimal-invasiven Lagerstrom-Messmethode verifiziert. Das Modell prognostiziert präzise die Amplitude der Lagerspannungen und wird zur Bewertung von Gegenmaßnahmen, wie z. B. einer Wellenerdungsbürste, verwendet. Die Wirksamkeit dieser Wellenerdungsbürste wird durch Messungen bestätigt. Allerdings sind Fehler in der Maschine auch dann noch vorprogrammiert, wenn die parasitären Lagerströme reduziert werden. Für einen zuverlässigen elektrischen Antriebsstrang ist daher eine frühzeitige Fehlererkennung unerlässlich. Zu diesem Zweck kann das Frequenzspektrum des Phasenstroms analysiert werden, da es viel mehr Informationen enthält als nur das Drehmoment und die Drehzahl der Maschine. Viele Fehler hinterlassen nachweisbare Signaturen im Spektrum. Die Genauigkeit herkömmlicher spektrumbasierter Fehlererkennungsmethoden hängt jedoch stark vom Betriebspunkt ab. In dieser Arbeit wird eine Kombination aus spektrumsbasierten Fehlererkennungsmethoden, aus der Regelung bekannten Informationen und maschinellem Lernen vorgeschlagen. Diese Kombination führt zu einer hohen Fehlererkennungs- und Klassifizierungsgenauigkeit über den gesamten Betriebsbereich. Selbst minimale Fehler werden zuverlässig erkannt. Fehler beeinflussen auch das parasitäre Verhalten von elektrischen Maschinen. Dieser Zusammenhang wird im Detail untersucht und das Auftreten von vollständigen und teilweisen Einbrüchen der Lagerspannung wird analysiert. Damit liefert diese Arbeit ein vertieftes Verständnis der parasitären Effekte in elektrischen Maschinen und wie diese durch Maschinenfehler beeinflusst werden. Während Lagerschäden dafür sorgen, dass die Lagerspannung früher und häufiger einbricht, wird bei gebrochenen Rotorstäben kein solcher Einfluss beobachtet.

The trend towards increasing integration of electric machine, inverter, and gearbox into ane-axle yields significant advantages in terms of power density and ease-of-use. Moreover,with the reduced size and increased temperature resilience of wide-bandgap semiconductors,the inverter can be integrated closer to the windings of the machine. This reducescable length and increases the power density even further. However, this close integrationalso poses several new challenges that must be overcome. Parasitic capacitive andinductive coupling between the windings and other parts of the drive increases due to the close proximity. The combination of steep voltage slopes from the wide-bandgap devicesand increased parasitic capacitances causes high parasitic currents to flow through thedrive. These parasitic currents can significantly reduce the lifetime of an electrical drive. Theyflow through the bearings and any components connected to the shaft, can cause severedamage to the bearings and gearbox, and deteriorate the insulation and the lubricantsused in the machine. To understand the physical causes and to estimate parasitic currentsinside electric machines, this work, therefore, presents a high-frequency model of anelectrical machine. An automated parameter fine-tuning procedure helps to increase themodel accuracy and reduces parameterization effort. The model is experimentally verifiedwith a minimally-invasive bearing current measurement method. The model successfullypredicts the amplitude of bearing voltages and is used to evaluate countermeasures, suchas a shaft grounding brush. The effectiveness of this shaft grounding brush is confirmedwith measurements. However, faults are still bound to occur in the machine even when parasitic bearing currentsare mitigated. For reliable electrical powertrains, fault detection is therefore essential. For this purpose, the frequency spectrum of the phase current can be analyzed, sinceit contains much more information than only the torque and speed of the machine. Manyfaults leave detectable signatures in the spectrum. The accuracy of traditional spectrumbasedfault detection methods, however, severely depends on the operating point. This work proposes a combination of spectrum-based fault detection methods, informationknown from the controller, and machine learning. This combination leads to high faultdetection and classification accuracy over the whole operating range. Even incipient faultsare reliably detected. Faults also influence the parasitic behavior of electric machines. This interdependence isinvestigated in detail and the occurrence of full and partial bearing voltage breakdowns is analyzed. Thus, this thesis delivers an in-depth understanding of the parasitic effectsin electric machines and how they are influenced by machine faults. While bearing faultscause more bearing voltage breakdowns to occur, for broken rotor bars, no such influenceis observed.

OpenAccess:
PDF
(zusätzliche Dateien)