井下马达转子故障监测是随钻测量（MWD）技术的重要组成部分，它能够有效防止马达的过早失效，延长工具寿命，减少停机时间，从而提高钻井效率。然而，大多数井下传感器需要持续的电力供应才能工作，但在这种环境中提供稳定且长期的电力是一项技术挑战，这通常限制了这些传感器的应用范围和使用寿命。

针对上述问题，我校工程技术学院博士研究生徐杰在王瑜教授、夏柏如教授的共同指导下，创新提出了一种用于井下马达转子故障监测的环形摩擦电传感器，为井下智能传感测量提供了新的研发思路。这项工作的亮点如下：

（1）该摩擦电传感器具有无需外部电源供电、结构简单、寿命长的特点。

（2）结合ResNet-18算法，该传感器能够精准识别转子的不平衡、不对中和碰摩故障，分类准确率高达100%。

（3）提出了一种用于井下马达转子故障诊断的智能离线分析系统，该系统融合了深度学习和可视化技术，可以高效识别转子故障并输出可视化结果。

图1. ATES的结构设计及工作原理。(a) ATES安装位置示意图。(b) ATES结构示意图。(c) ATES工作原理图。(d)基于COMSOL的ATES工作原理模拟

上述研究成果发表在能源材料领域国际权威刊物《Nano Energy》上：Jie Xu, Lingrong Kong *, Yu Wang *, et al. Using deep learning and an annular triboelectric sensor for monitoring downhole motor rotor faults. Nano Energy, 2024: 110478. [IF2023=16.8]

全文链接：https://doi.org/10.1016/j.nanoen.2024.110478