ETNeXt: מסגרת משולבת להנדסת תכונות וסיווג לזיהוי תקלות במנועי BLDC

האזנה למכונות עבור התרעות מוקדמות

מפעלים מודרניים, מכוניות חשמליות ומסירי משלוחים מסתמכים על מנועי DC ללא מברשות (BLDC) — קטנים, חזקים ובדרך‑כלל שקטים מאוד. כאשר משהו מתחיל להשתבש בתוך מנועים אלה, לעיתים קרובות הם נותנים רמזים באמצעות שינויים עדינים בקול עוד הרבה לפני כשל מלא. מאמר זה מציג את ETNeXt, שיטה חדשה ל"האזנה" למנועים וזיהוי אוטומטי של בעיות מוקדם באמצעות הקלטות קול קצרות, שמאפשרת לצוותי תחזוקה לתקן תקלות לפני שהן הופכות לקריסות יקרות.

מדוע צלילי המנוע חשובים

מנועי BLDC נמצאים בכל מקום — מרובוטים תעשייתיים ומסועי חומרים ועד למכשירי חשמל ביתיים וכלים אוויריים בלתי מאוישים. פופולריותם נובעת מיעילותם ואמינותם, אך הם אינם חסינים בפני בלאי. מיסבים עלולים להתדרדר, רוטורים עלולים לאבד איזון ועומסים כבדים עלולים ללחוץ על רכיבים. שיטות ניטור מסורתיות רבות נשענות על מדידות חשמליות או חיישני רעידות ועלולות לפספס סימנים עדינים מוקדמים. לעומת זאת, קול קל ללכידה באמצעות מיקרופון פשוט ומכיל רמזים עשירים לגבי עד כמה המנוע פועל בצורה חלקה. האתגר הוא להפוך הקלטות מוכות רעש מהעולם האמיתי לאיתותי תקלה מהימנים בזמן אמת בלי צורך במחשבים עוצמתיים מאוד.

הפיכת רעש גולמי לרמזים שימושיים

ETNeXt מתמודדת עם האתגר הזה על‑ידי עיצוב מחדש של כל הקלטת מנוע של שלוש שניות למערך גדול של טביעות אצבע מספריות המתארות כיצד הקול מתנהג לאורך הזמן ובתדרים שונים. ראשית, השיטה מפצלת את הקול לשבע שכבות של פירוט באמצעות כלי מתמטי הנקרא טרנספורם וויבלט, שמפריד בין מגמות איטיות וחלקות לשינויים מהירים וחדים. לאחר מכן, עבור כל שכבה, ETNeXt מיישמת שלושה חוקים פשוטים הבוחנים חלונות זעירים של האות ושואלים האם הצליל עולה, יורד או נשאר בערך זהה. תבניות מקומיות אלה נספרות להיסטוגרמות קומפקטיות — בסה"כ סיכומים חוזת‑מספרים שמראים כמה פעמים מופיעה כל סוגית מיקרו־תבנית. חיבור השכבות יוצר אלפי תכונות מועמדות שמתארות יחד את "מרקם" קול המנוע.

להשאיר לנתונים לבחור מה חשוב

לא כל אותן אלפי תכונות מועמדות אינפורמטיביות באותו מידה. כדי למנוע בזבוז חישובי ולשמור על המערכת מהירה מספיק לשימוש בזמן אמת, ETNeXt כוללת שלב בחירה עצמי‑מארגן. שתי טכניקות משלימות — אחת שלומדת אילו תכונות מפרידות הכי טוב בין דוגמאות שנשמעות שונה ואחת שמדרגת עד כמה כל תכונה קשורה לקטגוריית בריאות המנוע — עובדות יחד כדי לדרג את המועמדות. מתוך דירוג זה, המסגרת מצמצמת בעקביות את התיאור של כל קליפ קול למספר עשרות של המספרים המשמעותיים ביותר. התכונות המזקקות הללו מוזנות אז לשני מועדיעים פשוטים — שיטת שכנים קרובים משופרת ושיטת גבול החלטה מעוקל — וניבוייהם נבחנים שוב ושוב על פרוסות שונות של הנתונים כדי למנוע התאמה יתרה.

כמה טוב השיטה עובדת בפועל

המחברים העריכו את ETNeXt על מאגר ציבורי של 2,021 קטעי קול מתויגים ממנועי BLDC שפעלו בשלוש מצבים: בריא, פגוע מכנית ועומס כבד. למרות רעשי רקע כגון דיבור, אווירת מפעל ורעש לבן, המערכת סיווגה נכון כמעט כל קליפ, והגיעה לדיוק מושלם עם אחד הממיינים וכמעט מושלם עם האחר. היא גם שמרה על ביצועים מרשימים דומים כאשר נבחנה על אוסף שונה לחלוטין של הקלטות מנועים שכלל תקלות במיסבים ובמדחפים. חשוב לציין שכל צנרת העיבוד נשארת קלה: היא רצה על מחשב רגיל מבלי צורך בחומרת גרפיקה מיוחדת והיא קומפקטית דיו כדי להיות מופעלת על התקני edge קטנים ליד המכונות עצמן.

משיטה מעבדתית למכשיר בטיחות יומיומי

באופן פשוט, עבודה זו מראה ששיטה חכמה ומהונדסת היטב של ספירת דפוסי קול זעירים יכולה להתחרות ואף לעלות על מערכות למידה עמוקה אופנתיות, תוך דרישה לכוח חישוב נמוך בהרבה. ETNeXt הופכת קטעי רעש מנוע קצרים לאותות התרעה מוקדמת על בלאי, עומס יתר או תקלות שמתפתחות, הכל בזמן כמעט אמת. אם תוטמע בציוד תעשייתי, ברכבים חשמליים או ברחפנים, מערכות האזנה כאלה יכולות לקצץ בהפסקות עבודה בלתי מתוכננות, לשפר את הבטיחות ולהאריך את חיי המכונות — בעבודה שקטה ברקע כל עוד המנוע פועל.

ציטוט: Celik, B., Taskin, E., Akbal, A. et al. ETNeXt: integrated feature engineering and classification framework for BLDC motor fault detection. Sci Rep 16, 11820 (2026). https://doi.org/10.1038/s41598-026-37590-z

מילות מפתח: זיהוי תקלות במנוע, מעקב אקוסטי, תחזוקה תחזיתית, edge computing, מעקב מצב מכונה