Klimatutmaningar, lagändringar och ett ökat miljötänk har tvingat transportsektorn att ställa om till eldrift. Batterier och elmotorer har utvecklats kraftigt och är nu ett alternativ även för tunga fordon. Ett vanligt förekommande problem med elmotorer i fordon är lagerströmmar, här kallat gnista eller blixthändelser. Dessa uppstår på grund av oönskade urladdningar i motorn och förorsakar skador på lagren i motorn. Syftet med motorlager är att avlasta och minska friktionen kring motoraxeln. För att förebygga problemet och se förbättringar eller försämringar av olika åtgärder som görs krävs att lagerströmmar kan identifieras utifrån mätdata.

Detta examensarbete analyserar relevant forskning inom området för att sedan introducera en metod och en algoritm för att identifiera lagerströmmar i samarbete med Scania CV. Algoritmen består av tre olika parametrar som påverkar identifieringen av de oönskade strömmarna på olika sätt. Verktyget lyckades identifierade lagerströmmar i olika mätdata, och hittade skillnader i antalet blixthändelser mellan olika körningar av provobjektet. Dock krävs vidare utveckling av verktyget och möjligheten att bearbeta annan typ av data som exempelvis spänningar i motorn för atthitta bättre samband.

A changing climate, changing laws and an increased environmental consciousnesshas forced the transport sector to transition to electric power. Batteries and electric motors have seen a quick and powerful development which means that they are now an alternative even for heavy vehicles. A common problem with electric motors forvehicles is bearing currents. The bearing currents occur as a result of electrical discharges in the motor and can damage the bearings inside the motor. The purpose of motor bearings is to offload and reduce friction for the motor shaft. To prevent the issue and to see improvements or deteriorations from different preventativemeasures it is critical to be able to identify bearing currents from data.

This thesis analyzes relevant research in the area before introducing a method and an algorithm for detecting bearing currents in cooperation with Scania CV. The algorithm is composed of three different parameters which affects the identification in different ways. The tool was able to identify bearing currents from various data and found differences between the number of bearing currents between different test runs of the motor. However, more development of the tool and the possibility to process different kinds of data like voltages inside the motor is needed to be able to find better patterns in the data.