Оценка 40‑летнего асинхронного двигателя с использованием гибридной диагностики и предиктивных методов на базе ИИ

Почему старые двигатели всё ещё важны

На заводах, водоочистных сооружениях и электростанциях крупные электрические моторы тихо поддерживают работу нашей инфраструктуры. Многие из этих «рабочих лошадок» эксплуатируются десятилетиями, а их замена может быть дорогостоящей и нарушать технологические процессы. В этой статье рассматривается, можно ли доверять 40‑летнему промышленному мотору, давно превысившему проектный ресурс. Сочетая классические электрические проверки с тепловизионной съёмкой и современными методами искусственного интеллекта, исследователи показывают, как решить, является ли стареющий двигатель риском или хорошо обслуживаемым активом.

Стареющая рабочая лошадка под микроскопом

Исследование сосредоточено на асинхронном двигателе мощностью 150 кВт, который приводит в движение насос для перекачки воды и эксплуатируется около 40 лет — значительно дольше типичных 20–25 лет. Вместо того чтобы на основании возраста списать его на замену, команда провела полную проверку состояния. Они измеряли, насколько хорошо внутренняя изоляция препятствует прохождению тока, сколько тока утекает на землю, и насколько равномерно сопротивления обмоток. В совокупности эти тесты показывают, не высыхают ли «нервы» двигателя, не трескается ли изоляция и не впитывает ли она влагу — проблемы, которые могут привести к внезапным и дорогостоящим отказам.

Электрические проверки и тепловые карты

Несколько классических испытаний дали обнадёживающую картину. Измерения сопротивления изоляции были значительно выше порога в 1 гигаом, который стандарты считают приемлемым для старых двигателей. В одной фазе наблюдался высокий показатель индекса поляризации — признак того, что изоляция правильно высыхает под напряжением — тогда как две другие фазы были на грани, указывая на лёгкое старение или наличие влаги. Утечка тока, ещё один ранний индикатор риска пробоя, оставалась значительно ниже типичных опасных уровней, хотя одна фаза снова выглядела слабее. При измерении сопротивления каждой обмотки была обнаружена некоторая несимметрия, но не в такой степени, чтобы вызывать горячие точки или явные проявления при работе.

Чтобы увидеть поведение мотора при реальной нагрузке, исследователи провели полное испытание производительности. Кривые момента, тока и КПД в целом соответствовали книжным ожиданиям для здорового асинхронного двигателя, даже при большом скольжении (разнице между скоростью ротора и скоростью вращающегося магнитного поля). Инфракрасная термография — по сути тепловая камера — показала повышение поверхностной температуры примерно на 65 °C выше окружающей, что остаётся допустимым для класса изоляции двигателя. Термограммы выявили небольшие температурные различия между фазами, что отражает неравномерность электрических показателей и указывает на участки, требующие более пристального наблюдения.

Обучение машины обнаруживать неполадки

Помимо разовых тестов, команда задала вопрос, можно ли использовать данные от этого и похожих моторов для предиктивного инструмента, который заблаговременно сигнализировал бы о проблемах. Они собрали трёхлетний набор данных по нескольким крупным старым двигателям; каждая запись включала измерения изоляции в разные моменты времени, утечки тока, сопротивление обмоток, скорректированное по температуре, термические индексы из инфракрасных изображений и базовые условия эксплуатации. На основе этих данных обучили модель Random Forest — тип ансамбля решающих деревьев — для классификации состояния двигателя как «нормальное» или «риск изоляции». Несмотря на относительно малое число реальных примеров отказов, модель достигла примерно 87% общей точности и смогла распознавать многие, но не все случаи деградации. Анализ также показал, какие измерения наиболее информативны: сопротивление обмоток и тепловые индексы немного превзошли по значимости сопротивление изоляции и утечку тока, подчёркивая ценность комбинированного электрического и теплового контроля.

Прогноз оставшегося ресурса мотора

Авторы не ограничились текущим состоянием — они также оценили, как может стареть изоляция в ближайшие годы. Используя исторические результаты измерений с 25 до 40 лет, они подогнали простую экспоненциальную кривую, описывающую снижение сопротивления изоляции со временем. Эта кривая хорошо соответствовала прошлым данным и предсказывает, что к примерно 45 годам сопротивление изоляции всё ещё будет близко к 2 гигаомам — выше обычного безопасного порога. Тем не менее исследователи подчёркивают, что такие прогнозы лишь настолько надежны, насколько надежны исходные данные. Поскольку существует мало долгосрочных измерений и множество реальных факторов, таких как перепады температур и загрязнения, модель следует рассматривать как информированную оценку с неопределённостью, а не как гарантированный результат.

Что это значит для эксплуатации двигателей

Суммируя все показатели, исследование приходит к выводу, что данный 40‑летний мотор может безопасно продолжать работу при условии тщательного наблюдения. Его электрическая изоляция, тепловое поведение, вибрации и статистика надежности (с доступностью примерно 99,94%) поддерживают продление срока службы, хотя в двух фазах наблюдаются ранние признаки старения. Комбинированный подход — регулярные электрические испытания, тепловизионный мониторинг, проверка вибраций и анализ с поддержкой ИИ — даёт операторам установок практический способ принимать решения о ремонте, перемотке или окончательной замене дорогостоящего оборудования. Проще говоря, работа показывает: старый двигатель не обязательно нужно списывать только из‑за возраста; при хорошей документации, разумном мониторинге и целевом обслуживании он может продолжать надёжно работать, экономя деньги и время простоя.

Цитирование: Butukuri, K.R., Giri, N.C., Yemula, P.K. et al. Assessment of a 40-year-old induction motor using hybrid diagnostic and AI-based predictive techniques. Sci Rep 16, 13739 (2026). https://doi.org/10.1038/s41598-026-44319-5

Ключевые слова: асинхронный двигатель, предиктивное обслуживание, состояние изоляции, термография, машинное обучение