UNE APPROCHE AMÉLIORÉE PAR FLUX DE VAGABOND POUR LA DÉTECTION DES DÉFAUTS DE BARRES DE ROTOR DANS LES MACHINES À INDUCTION
DOI :
https://doi.org/10.59277/RRST-EE.2026.3.3Mots-clés :
Barres interrompues, Diagnostic, Analyse par éléments finis, Moteurs à induction, Modélisation, Surveillance, Traitement du signalRésumé
Cet article présente une méthode améliorée de détection des défauts de barres de rotor cassées (BRB) dans les moteurs à induction à cage d'écureuil (SCIM), en particulier à faible charge et à vide. L'approche repose sur l'analyse harmonique du flux magnétique de fuite et est comparée à l'analyse conventionnelle de la signature du courant moteur (MCSA). Différents scénarios de défauts, incluant des barres cassées uniques et multiples, adjacentes ou non, sont étudiés au moyen de simulations par éléments finis d'un moteur de 2,2 kW. Les résultats montrent que les indicateurs de flux de fuite offrent une sensibilité et une précision supérieures à celles des méthodes basées sur le courant statorique. La validation expérimentale, sous différentes conditions de charge (glissement de 0,049 à 0,092), confirme l'efficacité de l'approche proposée, notamment à vide. Ces résultats soulignent son intérêt pour la surveillance en temps réel et la maintenance prédictive des SCIM.
Références
1. A. G. Yetgin and M. M. Tezcan, “Effect of the Lambda Parameter on Three-Phase Induction Motor Design by Analytical and Magnetic Methods,” Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., Vol. 70, No. 4, pp. 435–440, Nov. 2025, doi: 10.59277/rrst-ee.2025.4.1.
2. E.-G. Boudissa, M. Bounekhla, and F. Habbi. “Enhanced Spiral Dynamic Algorithm with Application to Induction Motor Parameters Identification”, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., Vol. 70, No. 4, pp. 441–446, Nov. 2025, doi:10.59277/rrst-ee.2025.4.2
3. J. Li, C. Zheng, Z. Wu, H. Chen, X.-B. Wang, and Z.-X. Yang, “Review of fault diagnosis for rotating machinery: Prior knowledge integration in data-driven methods benefits model interpretability and generalizability,” Mechanical Systems and Signal Processing, Vol. 242, pp. 113623, Jan. 2026, doi: 10.1016/j.ymssp.2025.113623.
4. R. R. Kumar, L. O. Waisale, J. L. Tamata, A. Tortella, S. H. Kia, and M. Andriollo, “Advanced Fault Detection and Severity Analysis of Broken Rotor Bars in Induction Motors: Comparative Classification and Feature Study Using Dimensionality Reduction Techniques,” Machines, Vol. 12, No. 12, pp. 890, Dec. 2024, doi: 10.3390/machines12120890.
5. S. Reza Mortezaei, M. Hosseini Aliabadi, and S. Javadi, “Eccentricity fault detection in surface-mounted permanent magnet synchronous motors by analytical prediction, FEM evaluation, and experimental magnetic sensing of the stray flux density,” Journal of Magnetism and Magnetic Materials, Vol. 589, pp. 171441, Jan. 2024, doi: 10.1016/j.jmmm.2023.171441.
6. N. A. R. Maciejewski, R. Z. Freire, A. L. Szejka, T. P. M. Bazzo, V. B. Frencl, and A. E. Treml, “Comparative analysis of feature selection and classification techniques for robust broken rotor bar diagnosis in induction motors using current and vibration signals”, Auton. Intell. Syst., Vol. 5, No. 1, Oct. 2025, doi: 10.1007/s43684-025-00113-0.
7. M. B. Shahid et al., “Model predictive control for energy efficient AC motor drives: An overview”, IET Electric Power Appl, Vol. 18, No. 12, pp. 1894–1920, Nov. 2024, doi: 10.1049/elp2.12517.
8. R. P. P. de Souza, C. M. Agulhari, A. Goedtel, D. Moriñigo-Sotelo, Ó. Duque-Pérez, and V. Fernández-Cavero, “Broken rotor bar fault detection — A virtual current approach combined with a robust linear parameter-varying observer,” Control Engineering Practice, Vol. 156, pp. 106233, Mar. 2025, doi: 10.1016/j.conengprac.2024.106233.
9. P. Pohakar, R. Gandhi, S. Hans, G. Sharma, and P. N. Bokoro, “Analysis of multiple faults in induction motor using machine learning techniques”, e-Prime - Advances in Electrical Engineering, Electronics and Energy, Vol. 12, p. 101007, Jun. 2025, doi: 10.1016/j.prime.2025.101007.
10. R. R. Kumar, L. O. Waisale, J. L. Tamata, A. Tortella, S. H. Kia, and M. Andriollo, “Advanced Fault Detection and Severity Analysis of Broken Rotor Bars in Induction Motors: Comparative Classification and Feature Study Using Dimensionality Reduction Techniques,” Machines, Vol. 12, No. 12, p. 890, Dec. 2024, doi: 10.3390/machines12120890.
11. Y. Bendjeddou, A. Seghiour, M. Taib, H. Sellamna, A. Tertag, And N. Benouzza, “Design Sensitivity Analysis And Performance Improvement Of A Six-Phase Squirrel-Cage Induction Machine”, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., Vol. 71, No. 1, pp. 3–8, Mar. 2026, doi: 10.59277/rrst-ee.2026.1.1.
12. A. Mabrek, Z. Elyazid, B. Selmoune, and K. E. Hemsas, “Modeling broken rotor bar faults in induction motors: a combined SSFR and FEM approach”, Bulletin EEI, Vol. 14, No. 6, pp. 4356–4367, Dec. 2025, doi: 10.11591/eei.v14i6.10455.
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
