Eine auf maschinellem Lernen basierende Klassifikationsmethode für SynRM-Fehler

Warum intelligente Zustandsüberwachung von Motoren wichtig ist

Elektromotoren betreiben still und zuverlässig Fabriken, Züge und zahllose Maschinen; fallen sie unerwartet aus, kann das teure Stillstandszeiten oder sogar gefährliche Unfälle zur Folge haben. Ein neuer Motortyp, der synchrone Reluktanzmotor, verspricht hohe Effizienz ohne den Einsatz seltener Erden-Magnete und ist damit für eine CO2-ärmere Zukunft attraktiv. Gerade die Eigenschaften, die diese Motoren vorteilhaft machen, erschweren jedoch das frühe Erkennen von Störungen. Diese Studie zeigt, wie sorgfältig gestaltetes maschinelles Lernen den elektrischen Herzschlag des Motors überwachen und mehrere Schadensarten schnell und zuverlässig erkennen kann — ein Schritt hin zu sichereren, umweltfreundlicheren und verlässlicheren Antrieben.

Ein neuer Motortyp, ein neues Problem

Synchrone Reluktanzmotoren unterscheiden sich innen von herkömmlichen Asynchron- oder magnetbasierten Motoren: Sie haben keine Ankerwicklungen oder Permanentmagneten, und ihre magnetischen Wege sind stark richtungsabhängig. Diese innere Struktur verändert, wie sich elektrische Fehler im Motorstrom zeigen. Methoden, die bei anderen Motoren gut funktionieren, stoßen hier oft an Grenzen — besonders in realen Fabriken, in denen die Lasten variieren und Messungen verrauscht sind. Bislang simulierte ein Großteil der Forschung einzelne Fehler, testete nur einen Algorithmus oder vernachlässigte, wie eine Lösung in Echtzeit auf praxisnaher Hardware läuft. Die Autoren wollten ein vollständiges, faires und reproduzierbares Testfeld speziell für diesen Motortyp und für Kombinationen von Fehlern aufbauen, nicht nur für einzelne Fehlerfälle.

Reale und virtuelle Fehler zur Lernvorbereitung

Um Computern beizubringen, wie Probleme aussehen, erzeugte das Team sowohl physische als auch simulierte Schäden. Im Labor setzten sie einen 2,2-kW-Motor ein und fügten gezielt zwei häufige und gefährliche Fehler ein: Kurzgeschlossene Wicklungsschleifen im Stator und Defekte an der Innenlaufringbahn der Lager. Sie betrieben den Motor im Leerlauf, bei halber und voller Last und zeichneten die dreiphasigen Stromsignale für jede Bedingung mehrfach auf, um Wiederholbarkeit sicherzustellen. Ein dritter Fehlertyp — eine ungleichmäßige Luftspaltverteilung zwischen Rotor und Stator, genannt Exzentrizität — wurde mittels detaillierter elektromagnetischer Simulationen modelliert und anschließend so mit Rauschen versehen und skaliert, dass seine Strommuster denen aus dem Labor ähnelten. Alle Signale, ob experimentell oder simuliert, wurden auf dieselbe Weise verarbeitet, damit die Lernalgorithmen sich auf physikalische Fehlerbilder und nicht auf Artefakte der Datenerzeugung konzentrieren.

Den Strom in Zeit und Frequenz zuhören

Weil sich der Strom eines fehlerhaften Motors sowohl über die Zeit als auch über ein breites Frequenzspektrum verändert, nutzten die Autoren die diskrete Wavelet-Transformation. Anstatt nur ein einfaches Spektrum zu liefern, zerlegt diese Methode den Strom in mehrere Bänder, die sowohl langsame, niederfrequente Schwankungen als auch scharfe, hochfrequente Spitzen erfassen. Aus jedem kurzen Stromabschnitt — etwa ein Zehntelsekunde lang — extrahierten sie einen kompakten Satz von 12 Kennzahlen, die beschreiben, wie Energie und Zufälligkeit über diese Bänder verteilt sind. Diese Zahlen bilden einen Fingerabdruck für den Zustand des Motors. Durch Verschieben des Analysefensters über lange Aufzeichnungen und Ausgleichen der Stichproben bauten sie große, gut kontrollierte Datensätze mit jeweils 10.000 „Fingerabdrücken“ pro Klasse auf, die gesunden Betrieb sowie jede Fehlerkonstellation einzeln und in Kombination abdecken.

Maschinelle Lernmodelle einem fairen Test unterziehen

Mit diesem Datensatz verglichen die Forschenden acht gängige Methoden des maschinellen Lernens, von einfachen linearen Verfahren bis zu komplexen Ensembleverfahren aus Entscheidungsbäumen. Sie befolgten strenge Regeln, um typische Fallen zu vermeiden: Alle Fenster einer Messreihe blieben vollständig im Trainings- oder Testset, um Datenlecks zu verhindern; Parameter wurden systematisch per Grid-Search mit Kreuzvalidierung abgestimmt; die Leistung wurde mit Genauigkeit, Präzision und — am wichtigsten — Recall bewertet, der misst, wie oft echte Fehler korrekt erkannt werden. Bei einzelnen Fehlern in Wicklungen und Lagern stachen Random Forests — ein Ensemble vieler flacher Bäume — hervor und erreichten etwa 99,98 % Genauigkeit ohne verpasste Fehler. Bei Exzentrizität erzielten Boosting-Methoden wie AdaBoost und XGBoost perfekte Genauigkeit mit deutlich geringerer Trainingszeit als Support Vector Machines, die zwar ähnlich gut abschnitten, aber mit wachsender Datenmenge schlechter skalieren.

Von Laborergebnissen zum Echtzeitschutz

Die anspruchsvollste Prüfung war eine 16‑Klassen-Aufgabe, die viele mögliche Fehlerkombinationen abbildet. Hier bot eine neuere Ensemblemethode namens CatBoost die beste Balance und identifizierte mehr als 99,9 % der Fälle korrekt, wobei verpasste Fehler extrem selten blieben. Obwohl dieses Modell mehr Speicher benötigt als andere, lag seine Reaktionszeit weiterhin im Bereich von einigen zehn Mikrosekunden — schnell genug für industrielle Schutzanforderungen, die verlangen, Motoren innerhalb von Millisekunden bei Störungen abzuschalten. Über alle Tests hinweg zeigt die Studie, dass baumbasierte Ensembles, richtig ausgewählt und feinabgestimmt, verrauschte Strommessungen in ein hochzuverlässiges Frühwarnsystem verwandeln können. Kurz gesagt demonstriert die Arbeit, dass Hersteller mit den richtigen Daten und Modellen diese effizienten Motoren in Echtzeit überwachen und kleine Probleme abfangen können, bevor sie zu teuren oder gefährlichen Ausfällen wachsen.

Zitation: 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

Schlüsselwörter: synchroner Reluktanzmotor, Fehlerdiagnose, Analyse des Motorstroms, maschinelles Lernen, Zustandsüberwachung