本論文は、結合された多機械電動駆動システムに対する知的故障診断および予測的ヘルスモニタリングのための適応的デジタルツイン・フレームワークを提案する。実験プラットフォームは、相互接続された電気機械構成に配置された2台の同期モータと同期発電機から構成され、Lucas-Nülle実験室プラットフォームを通じて計測される。物理ベースのデジタル表現を実験計測と統合し、異なる運転条件下での駆動システムの電気的・機械的挙動を再現する。続いて、物理からデジタルの残差を用いて、ヘルス評価、故障検出、故障隔離、知的分類を行う。負荷条件5通りでの実験的検証により、トルクで平均二乗平均平方根誤差（RMSE）0.0391 N·m、モータ電流で0.1079 A、モータ電圧で0.4555 V、全体の平均正規化RMSEは4.16%となった。実験的に検証された健康状態のデジタルツインは、その後、モデルベースの電流センサ、電圧センサ、トルク劣化のシナリオを用いて評価された。チャネル固有の残差解析により、対象とする異常を確実に検出・隔離できた。デジタルツイン残差の特徴量を用いて、アンサンブル分類器は98.61%のテスト精度を達成し、ANNおよびSVM分類器を上回った。さらに、劣化の進行を特徴づける予兆指標を開発し、電圧センサ偏差、トルク劣化、電流センサ偏差について、それぞれシミュレーションした深刻度1.26%、12.44%、17.37%でしきい値の超過が観測された。これらの結果は、実験的に検証されたデジタルツインモデリング、残差ベースの診断、知的分類、劣化モニタリングを統合することで、結合された多機械電動駆動システムの状態評価に対する統一的な枠組みが提供できることを示している。
https://doi.org/10.20944/preprints202609.0070.v1