طريقة تصنيف مستندة إلى تعلم الآلة لأعطال محركات SynRM

لماذا تهم معرفة حالة المحرك بذكاء أكبر

تشغل المحركات الكهربائية المصانع والقطارات والعديد من الآلات بصمت، وعندما تتعطل دون سابق إنذار قد يؤدي ذلك إلى توقف مكلف أو حتى حوادث خطرة. يعد نوع أحدث من المحركات، وهو محرك الارتباط التزامني (SynRM)، واعدًا بكفاءة عالية دون الاعتماد على مغناطيسات الأرض النادرة، مما يجعله جذابًا لمستقبل منخفض الكربون. لكن الميزات نفسها التي تجعل هذه المحركات جذابة تجعل أيضًا إشارات الإنذار المبكر عن المشاكل أصعب قراءة. تُظهر هذه الدراسة كيف يمكن لتعلم الآلة المصمم بعناية أن يراقب "نبض" التيار الكهربائي للمحرك ويكشف عدة أنواع من التلف بسرعة وموثوقية، فاتحًا الباب أمام محركات أكثر أمانًا وخضرة واعتمادية.

نوع جديد من المحركات، ونوع جديد من المشكلات

تختلف محركات الارتباط التزامني داخليًا عن المحركات التقليدية الحثية أو المعتمدة على المغناطيسات الدائمة: فهي لا تحتوي على ملفات دوار أو مغناطيسات دائمة، ومساراتها المغناطيسية ذات اتجاهية قوية. هذا البنية الداخلية تغير طريقة ظهور الأعطال الكهربائية في تيار المحرك. الطرق التي تعمل جيدًا مع محركات أخرى غالبًا ما تتعثر هنا، لا سيما في المصانع الحقيقية حيث تتغير الأحمال ويتسلل الضجيج إلى القياسات. حتى الآن، ركزت معظم الأبحاث إما على محاكاة أعطال مفردة، أو اختبار خوارزمية واحدة فقط، أو تجاهلت كيف سيعمل الحل في الزمن الحقيقي على أجهزة عملية. انطلق المؤلفون لبناء منصة اختبار كاملة وعادلة وقابلة للتكرار تركز تحديدًا على هذا النوع من المحركات وعلى مجموعات الأعطال، وليس عطلًا واحدًا في كل مرة.

ابتكار أعطال فعلية وافتراضية للتعلّم منها

لتعليم الحواسيب شكل المشكلة، خلق الفريق تلفًا فعليًا ومحاكًى. في المختبر استخدموا محركًا بقوة 2.2 كيلوواط وأدخلوا عمدًا مشكلتين شائعتين وخطرتين: لفات قصر في ملفات الستاتور وعيوب في الحلبة الداخلية للمحامل. شغّلوا المحرك عند حالة عدم حمل ونصف حمل والحمل الكامل، وسجلوا إشارات التيار ثلاثي الطور لكل حالة عدة مرات لضمان قابلية التكرار. نوع ثالث من الأعطال—فجوة هواء غير متساوية بين الدوار والستاتور، تسمى اللامركزية—تم نمذجته باستخدام محاكاة كهرومغناطيسية مفصّلة، ثم أُضيفت إليه ضوضاء وتمت مراجعته بحيث تشبه أنماط التيار المقاسة في المختبر. تمت معالجة كل الإشارات، سواء من التجارب أو المحاكاة، بنفس الطريقة حتى تركز خوارزميات التعلم على أنماط الأعطال الفيزيائية بدلاً من خواص توليد البيانات.

الاستماع إلى التيار في الزمن والتردد

نظرًا لأن تيار المحرك المعطّل يتغير عبر الزمن وبين نطاقات ترددية واسعة، استخدم المؤلفون أداة تسمى تحويل المويجة المنفصلة. بدلاً من إنتاج طيف بسيط فقط، يكسر هذا الأسلوب التيار إلى عدة نطاقات تلتقط كلًا من التموجات البطيئة منخفضة التردد والنبضات الحادة عالية التردد. من كل شريحة قصيرة من التيار—طولها نحو عُشر ثانية—استخلصوا مجموعة مدمجة مكونة من 12 رقمًا توضح كيف توزع الطاقة والعشوائية عبر هذه النطاقات. تشكل هذه الأرقام بصمة لحالة المحرك. من خلال تحريك نافذة التحليل عبر تسجيلات طويلة وموازنة العينات، بنوا مجموعات بيانات كبيرة ومضبوطة جيدًا تحتوي على 10,000 «بصمة» لكل فئة، تغطي التشغيل السليم وكل سيناريو خلل منفرد ومركب.

اختبار نماذج تعلم الآلة بطريقة عادلة

مسلحين بهذه المجموعة من البيانات، قارن الباحثون ثمانية طرق شائعة لتعلم الآلة، من الأساليب الخطية البسيطة إلى مجموعات متقدمة من أشجار القرار. اتبعوا قواعد صارمة لتجنب الأخطاء الشائعة: أُبقيت كل النوافذ من تشغيل معين كاملة إما في مجموعات التدريب أو الاختبار لمنع تسريب البيانات، وتم ضبط المعاملات عبر بحث منظّم على الشبكة مع التحقق المتقاطع، وقُيِّم الأداء باستخدام الدقة والدقة النوعية والأهم من ذلك الاستدعاء، الذي يقيس عدد المرات التي يتم فيها اكتشاف الأعطال الحقيقية بشكل صحيح. بالنسبة للأعطال المفردة في اللفات والمحامل، برزت الغابات العشوائية—مجموعة من العديد من الأشجار الضحلة—محققة دقة تقارب 99.98% دون أخطاء مفقودة. بالنسبة للامركزية، حققت طرق التعزيز مثل AdaBoost وXGBoost دقة كاملة مع وقت تدريب أقل بكثير من آلات المتجه الداعم التي أدت أداءً مماثلًا لكنها سيئة التوسع مع حجم البيانات.

من دقة المختبر إلى الحماية في الزمن الحقيقي

كان الاختبار الأكثر صعوبة مهمة من 16 فئة تعكس العديد من تركيبات الأعطال المحتملة. هنا، وفرت طريقة تجميع أحدث تُسمى CatBoost أفضل توازن، محددةً أكثر من 99.9% من الحالات بشكل صحيح وحافظةً على ندرة استثناء الأعطال. على الرغم من أن هذا النموذج يستهلك ذاكرة أكثر من غيره، ظل زمن استجابته في عشرات الميكروثواني—سريعًا بما يكفي لمعايير الحماية الصناعية التي تتطلب فصل المحركات خلال ميليثواني عندما يحدث خلل. عبر جميع الاختبارات، تُظهر الدراسة أن مجموعات الأشجار، عند اختيارها وضبطها بعناية، يمكنها تحويل قياسات التيار المليئة بالضجيج إلى نظام إنذار مبكر عالي الموثوقية. بعبارات بسيطة، يبرهن العمل على أنه مع نوع البيانات والنماذج المناسبة، يمكن للمصنّعين مراقبة هذه المحركات الفعّالة في الزمن الحقيقي، كاشفين عن مشكلات صغيرة قبل أن تتطور إلى أعطال مكلفة أو خطرة.

الاستشهاد: Rajini, V., Nagarajan, V.S., Gulbarga, M.I. et al. A machine learning-based classification method for SynRM faults. Sci Rep 16, 13790 (2026). https://doi.org/10.1038/s41598-026-42396-0

الكلمات المفتاحية: محرك الارتباط التزامني للممانعة, تشخيص الأعطال, تحليل تيار المحرك, تعلم الآلة, مراقبة الحالة