Modern Transportation Systems and TechnologiesModern Transportation Systems and TechnologiesИнновационные транспортные системы и технологии2782-3733Eco-Vector71661610.17816/transsyst716616Original studiesОригинальные статьиResearch ArticleApplication of physics-informed machine learning models for diagnosis of inter-turn short circuits in an induction motorПрименение физически-информированных моделей машинного обучения для диагностики межвитковых замыканий в асинхронном двигателеhttps://orcid.org/0009-0001-2408-18401594-5049SolovyovAndrey S.СоловьевАндрей Сергеевич
Russian Federation

post-graduate student

аспирант

vgvhyjh@mail.ruhttps://orcid.org/0000-0002-5699-04246864-5678NikitinVictor V.НикитинВиктор Валерьевич
Russian Federation

Dr. Sci. (Engineering), professor

д-р техн. наук, доцент

pgups.emks@mail.ruEmperor Alexander I St. Petersburg State Transport UniversityПетербургский государственный университет путей сообщения Императора Александра I280920261233683802007202620072026Copyright ©; 2026, Solovyov A.S., Nikitin V.V.Copyright ©; 2026, Соловьев А.С., Никитин В.В.2026Solovyov A.S., Nikitin V.V.Соловьев А.С., Никитин В.В.https://creativecommons.org/licenses/by/4.0https://transsyst.ru/transj/article/view/716616

Aim. To develop a physics-informed machine learning model capable of diagnosing inter-turn short circuits in the windings of squirrel-cage induction motors with high accuracy.

Materials and Methods. This study utilized a neural network training method using stator current data and FFT analysis, along with programming in Python and C++. A laboratory test bench was created to simulate the signs of inter-turn short circuits in the motor stator winding.

Results. A machine learning model capable of detecting inter-turn short circuits in the stator windings of induction motors with high accuracy was developed. The volume of labeled data required for model training was determined. A laboratory test bench was created to simulate inter-turn short circuits in the motor winding.

Conclusion. The obtained results allow us to address a number of issues associated with the effective use of neural networks for diagnosing induction motors, including the need for large volumes of data, low interpretability, poor generalization ability, and high sensitivity to the quality of the recorded data.

Цель. Разработка физически-информированной модели машинного обучения, способной с высокой точностью диагностировать межвитковые замыкания обмотки асинхронных двигателей с короткозамкнутым ротором.

Материалы и методы. В работе применен метод обучения нейронной сети с помощью данных о токе статора и FFT анализа, программирование на языках Python и С++. Создан лабораторный стенд, позволяющий имитировать признаки межвитковых замыканий обмотки статора двигателя.

Результаты. Получена модель машинного обучения, способная с высокой точностью определять межвитковые замыкания в обмотке статора асинхронных двигателей. Определен объем размеченных данных, необходимых для обучения модели. Создан лабораторный стенд, позволяющий имитировать межвитковое замыкание обмотки двигателя.

Заключение. Полученные результаты позволяют решить ряд проблем, связанных с эффективным применением нейронных сетей для диагностики асинхронных двигателей, таких как потребность в больших объемах данных, низкая интерпретируемость, плохая обобщающая способность и высокая чувствительность к качеству записанных данных.

physics-informed neural networksinter-turn winding short circuitsinduction motor diagnosticsфизически-информированные нейронные сетимежвитковые замыкания обмоткидиагностика асинхронных двигателейVainshtein RA. Additional losses in asynchronous motors with non-sinusoidal voltages. Saint-Petersburg: Energotech; 2020. (In Russ).Вайнштейн Р.А. Дополнительные потери в асинхронных двигателях при несинусоидальных напряжениях. СПб: Энерготех, 2020.Gromov LP, editor. The impact of power quality on the operation of electrical receivers. Novosibirsk: Nauka; 2022. (In Russ).Влияние качества электроэнергии на работу электроприемников / под ред. Л.П. Громова. Новосибирск: Наука, 2022.Ryzhova EL, Kim KK, Ivanov SN. Evaluation оf Traction Motor Reliability Based On The State Of Winding Electrical Insulation. KnASTU Scientific Notes. 2023;5(69):8-14. (In Russ.). https://doi.org/10.17084/20764359-2023-69-8Рыжова Е.Л., Ким К.К., Иванов С.Н. Оценка надежности тяговых двигателей на основе состояния электрической изоляции обмотки // Ученые записки Комсомольского-на-Амуре государственного технического университета. 2023. Т. 69, № 5. С. 8-14. doi: 10.17084/20764359-2023-69-8 EDN: UNPQVUKozjaruk AE, Vasilev BU, Shtop SA, Serdukov NA. Currents in bearings of induction motors of electric drives with semiconductor converter. In: 17th International Ural Conference on AC Electric Drives (ACED); 2018. Ekaterinburg; 1–5. https://doi.org/10.1109/ACED.2018.8341707Kozjaruk AE, Vasilev BU, Shtop SA, Serdukov NA. Currents in bearings of induction motors of electric drives with semiconductor converter. In: 17th International Ural Conference on AC Electric Drives (ACED); 2018; Ekaterinburg, Russia. Pp. 1-5, doi: 10.1109/ACED.2018.8341707 EDN: VBBWVIErdman JM, Kerkman RJ, Schlegel DW, Skibinski GL. Effect of PWM inverters on AC motor bearing currents and shaft voltages. IEEE Transactions on Industry Applications. 1996;32(2):250-259. https://doi.org/10.1109/28.491472Erdman JM, Kerkman RJ, Schlegel DW, Skibinski GL. Effect of PWM inverters on AC motor bearing currents and shaft voltages // IEEE Transactions on Industry Applications. 1996;32(6):250-259. doi: 10.1109/28.491472Zhu W, De Gaetano D, Chen X, Jewell GW, Hu Y. A Review of Modeling and Mitigation Techniques for Bearing Currents in Electrical Machines with Variable-Frequency Drives. IEEE Access, 2022;10:125279-125297. https://doi.org/10.1109/ACCESS.2022.3225119Zhu W, De Gaetano D, Chen X, Jewell GW, Hu Y. A Review of Modeling and Mitigation Techniques for Bearing Currents in Electrical Machines with Variable-Frequency Drives // IEEE Access. 2022;10:125279-125297. doi: 10.1109/ACCESS.2022.3225119 EDN: EEEANASubrata Karmakar, Surajit Chattopadhyay, Madhuchhanda Mitra, Samarjit Sengupta. Induction Motor Fault Diagnosis. In: Power Systems. 2016. https://doi.org/10.1007/978-981-10-0624-1Subrata Karmakar, Surajit Chattopadhyay, Madhuchhanda Mitra, Samarjit Sengupta. Induction Motor Fault Diagnosis. Power Systems. 2016. doi: 10.1007/978-981-10-0624-1Podrezov NN, Gunin PA, Iliasova AS. Requirements for the qualifications of personnel for diagnostic monitoring at power engineering enterprises. Global Nuclear Safety. 2015;16(3):90–94. (In Russ). http://gns.mephi.ru/sites/default/files/journal/file/en.2015.3-11.pdfПодрезов Н. Н., Гунин П. А., Ильясова А. С. Требования к квалификации персонала для диагностического мониторинга на предприятиях энергомашиностроения // Глобальная ядерная безопасность. 2015. Т. 16, № 3. C. 90-94. EDN: VHYASTVillada F, Cadavid D, Munoz N, et al. Fault Diagnosis in Induction Motors Fed by PWM Inverters. In: 4th IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, 2003. SDEMPED:229–234. https://doi.org/10.1109/DEMPED.2003.1234578Villada F, Cadavid D, Munoz N, et al. Fault Diagnosis in Induction Motors Fed by PWM Inverters. In: 4th IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives; 2003. SDEMPED. Pp. 229-234. doi: 10.1109/DEMPED.2003.1234578Siddique A, Yadava G, Singh B. A review of stator fault monitoring techniques of induction motors. IEEE transactions on energy conversion. 2005;20(1):106–114. https://doi.org/10.1109/TEC.2004.837304Siddique A, Yadava G, Singh B. A review of stator fault monitoring techniques of induction motors // IEEE transactions on energy conversion. 2005. Т. 20, № 1. С. 106-114. doi: 10.1109/TEC.2004.837304Salnikov SV, Solodkiy EM, Vishnyakov DD, Iudin RY, Petrochenkov AB. Induction Motor Diagnosis Based on Machine Learning. In: XXVI International Conference on Soft Computing and Measurements (SCM), 2023. Saint Petersburg:210-214. https://doi.org/10.1109/SCM58628.2023.10159097Salnikov SV, Solodkiy EM, Vishnyakov DD, Iudin RY, Petrochenkov AB. Induction Motor Diagnosis Based on Machine Learning. In: XXVI International Conference on Soft Computing and Measurements (SCM), 2023; Saint Petersburg, Russia. С. 210-214. doi: 10.1109/SCM58628.2023.10159097Khalyasmaa A. Machine Learning as a Tool of High-Voltage Electrical Equipment Lifecycle Control Enhancement. Proceedings of Irkutsk State Technical University. 2020;24(5):1093-1094. (In Russ). https://doi.org/10.21285/1814-3520-2020-5-1093-1104Хальясмаа А.И. Машинное обучение как инструмент повышения эффективности управления жизненным циклом высоковольтного электрооборудования // Вестник Иркутского государственного технического университета. 2020. Т. 24, № 5. С. 1093-1104. doi: 10.21285/1814-3520-2020-5-1093-1104 EDN: ASXEEOKorobeinikov AB, Sarvarov AS. Analysis of Existing Methods for Diagnostics of Electric Motors and Perspectives of their Development. Electrotechnical Systems and Complexes. 2015;26(1):4-9. (In Russ). https://doi.org/10.18503/2311-8318Коробейников А.Б., Сарваров А.С. Анализ существующих методов диагностирования электродвигателей и перспективы их развития // Электротехнические системы и комплексы 2015. №1 (26). С. 4-9. EDN: TNHCANBreiman L. Random Forests. Machine Learning. 2001;45(1):5-32. https://doi.org/10.1023/A:1010933404324Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, N. 1. P. 5-32. doi: 10.1023/A:1010933404324 EDN: ARROTHSereda EG, Solovyov AS. Asynchronous Motor Fault Detection Using Machine Learning Algorithms. Modern Transportation Systems and Technologies. 2025;11(2):261–272. https://doi.org/10.17816/transsyst682000Середа Е.Г., Соловьев А.С. Определение неисправностей асинхронных двигателей с помощью алгоритмов машинного обучения // Инновационные транспортные системы и технологии. 2025. Т. 11, № 2. С. 261-272. doi: 10.17816/transsyst682000 EDN: KMVRGFPuja Pohakar, Ravi Gandhi, Surender Hans, Gulshan Sharma, Pitshou N. Bokoro. Analysis of multiple faults in induction motor using machine learning techniques. In: e-Prime – Advances in Electrical Engineering, Electronics and Energy. 2025; 12. 101007. https://doi.org/10.1007/s42369-025-00101-xPuja Pohakar, Ravi Gandhi, Surender Hans, Gulshan Sharma, Pitshou N. Bokoro. Analysis of multiple faults in induction motor using machine learning techniques. In: e-Prime – Advances in Electrical Engineering, Electronics and Energy. 2025; 12. 101007. doi: 10.1007/s42369-025-00101-xSoloviev AS, Mikhailov MV, Nikitin VV, Kobzar EN. Fault Diagnosis of Induction Motors Based on Machine Learning: Approaches, Requirements and Current Trends. In: ElCon Conference of Young Researchers in Power, Energy & Industry Applications (ElCon-PEIA), 2026. Saint Petersburg, Russia:169-171. https://doi.org/10.1109/ElCon-PEIA69858.2026.11452073Soloviev AS, Mikhailov MV, Nikitin VV, Kobzar EN. Fault Diagnosis of Induction Motors Based on Machine Learning: Approaches, Requirements and Current Trends. In: ElCon Conference of Young Researchers in Power, Energy & Industry Applications (ElCon-PEIA), 2026; Saint Petersburg, Russia. Pp. 169-171. doi: 10.1109/ElCon-PEIA69858.2026.11452073