שיטת סיווג מבוססת למידת מכונה לאיתור תקלות ב-SynRM

מדוע חשוב לדעת יותר על בריאות המנועים

מנועים חשמליים מפעילים בשקט מפעלים, רכבות ומכונות רבות, וכשנהגים ללא אזהרה התוצאה יכולה להיות עצירה יקרה או אפילו תאונות מסוכנות. סוג חדש של מנוע, המנוע הרלוקטנס הסינכרוני, מציע יעילות גבוהה מבלי להסתמך על מגנטים של יסודות נדירים, מה שהופך אותו לאטרקטיבי לעתיד דל‑פחמן. אך דווקא התכונות שעושות מנועים אלה מושכים גם מקשות על קריאת הסימנים המוקדמים לבעיות. מחקר זה מראה כיצד עיצוב קפדני של למידת מכונה יכול לפקוח עין על פעימות החשמל של המנוע ולזהות מספר סוגי נזק במהירות ובאמינות, ולפתוח את הדרך לכוננים בטוחים, ירוקים ואמינים יותר.

סוג חדש של מנוע, סוג חדש של בעיה

מנועי רלוקטנס סינכרוניים שונים מבפנים ממנועים אינדקטיביים או מבוססי מגנטים: אין להם אום על הרוטור או מגנטים קבועים, ונתיבי השדה המגנטיים שלהם הם בעלי כיווניות חזקה. המבנה הפנימי הזה משנה את אופן הופעת התקלות החשמליות בזרם המנוע. שיטות שעובדות היטב עבור מנועים אחרים נתקעות כאן לעתים קרובות, במיוחד במפעלים אמתיים בהם העומס משתנה ורעשים מציפים את המדידות. עד כה רוב המחקרים סימולו תקלות בודדות, בחנו אלגוריתם אחד בלבד או התעלמו מאופן ריצת הפתרון בזמן אמת בחומרה מעשית. המחברים שנאו לבנות ערכת בדיקה מלאה, הוגנת וחזרתנית המתמקדת במיוחד בסוג מנוע זה ובשילובים של תקלות, ולא רק בתקלות יחידות.

יצירת תקלות אמיתיות ווירטואליות ללמידה

כדי ללמד מחשבים איך נראית בעיה, הצוות יצר נזק פיזי וסימולציות. במעבדה השתמשו במנוע של 2.2 קילוואט והחילו במכוון שתי תקלות נפוצות ומסוכנות: סלילי סטטור בעלי כניסות קצרות (shorted turns) ופגמים במשטח הפנימי של המסבים. הם הפעילו את המנוע ללא עומס, בחצי עומס ובעומס מלא, והקליטו אותות זרם תלת‑שלבי עבור כל תנאי פעמים רבות כדי להבטיח חזרתיות. סוג שלישי של תקלה — מרווח אוויר לא אחיד בין הרוטור לסטטור, הנקרא אקסצנטריות — הוקרן באמצעות סימולציות אלקטרומגנטיות מפורטות, ואז הוכנסו להן רעשים והותאמו כך שדפוסי הזרם ישקפו את אלה שנמדדו במעבדה. כל האותות, בין אם מניסויים ובין אם מסימולציות, עובדו באותו אופן כדי שהאלגוריתמים ילמדו דפוסי תקלה פיזיים ולא מאפייני יצירת הנתונים.

האזנה לזרם בזמן ובתדירות

מכיוון שזרם מנוע פגום משתנה בזמן ובטווח רחב של תדרים, המחברים השתמשו בכלי שנקרא המרה גליונית בדידה (discrete wavelet transform). במקום לייצר ספקטרום פשוט, שיטה זו מפרקת את הזרם למספר בנדים שתופסים גם גלים איטיים בתדירות נמוכה וגם זעזועים חדים בתדירויות גבוהות. מכל קטע קצר של הזרם — באורך של כעשירית השנייה — חילצו סט קומפקטי של 12 מספרים המתארים כיצד האנרגיה והאקראיות מפוזרות בין הבנדים הללו. מספרים אלה מהווים טביעת אצבע למצב המנוע. על ידי הזזת חלון הניתוח על פני הקלטות ארוכות ואיזון הדגימות, בנו מערכי נתונים גדולים ומבוקרים היטב עם 10,000 "טביעות אצבע" לכל קטגוריה, הכוללים פעולה תקינה וכל תרחיש תקלה לבד ובשילוב.

בחינת מודלי למידת מכונה בצורה הוגנת

מצוידים במערך נתונים זה, החוקרים השוו שמונה שיטות למידת מכונה פופולריות, מתוכניות ליניאריות פשוטות ועד אנשילים מתקדמים של עצי החלטה. הם פעלו לפי כללים נוקשים כדי להימנע ממלכודות נפוצות: כל החלונות מהרצה נתונה נשמרו בשלמותם בסטי האימון או המבחן כדי למנוע דליפה, הפרמטרים כוינו באמצעות חיפושי רשת שיטתיים עם ולידציה צולבת, והביצועים נשפטו באמצעות דיוק, דיוק חיובי (precision) — ובעיקר — אחזור (recall), שמודד כמה פעמים תקלות אמיתיות נתפסות כהלכה. עבור תקלות בודדות בסלילים ובמסבים, יערות אקראיות (random forests) — אנשיל של עצים שטוחים רבים — בלטו, והגיעו לכדי כ‑99.98% דיוק ללא תקלות שלא זוהו. עבור אקסצנטריות, שיטות בוסטינג כמו AdaBoost ו‑XGBoost השיגו דיוק מושלם עם זמן אימון נמוך בהרבה ממכונות וקטורים תומכות (SVM) שהשיגו ביצועים דומים אך התקשו בקנה מידה עם גידול נתונים.

מדיוק במעבדה להגנה בזמן אמת

המבחן המאתגר ביותר היה משימה בת 16 קטגוריות שהשתקפה בהרכב של שילובים רבים של תקלות. כאן, שיטת אנשיל חדשה בשם CatBoost סיפקה את האיזון הטוב ביותר, וזיהתה נכון יותר מ‑99.9% מהמקרים ושמרה על נדירות יוצאת דופן של תקלות שלא זוהו. למרות שמודל זה צורך יותר זיכרון מאחרים, זמן התגובה שלו נשאר בעשרות מיקרו‑שניות — מהיר דיו לעמידה בסטנדרטים תעשייתיים הדורשים ניתוק מנוע בתוך מילישניות כאשר משהו מתקלקל. בכל המבחנים, המחקר מראה שעצי החלטה ואנשילים על בסיסם, שנבחרו וכוונו בקפידה, יכולים להפוך מדידות זרם רועשות למערכת התרעה מוקדמת מהימנה ביותר. במילים פשוטות, העבודה מדגימה שעם סוג נתונים ומודלים נכונים, יצרנים יכולים לפקח על מנועים יעילים אלה בזמן אמת ולתפוס בעיות קטנות לפני שהן מתפתחות לכשלים יקרים או מסוכנים.

ציטוט: 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

מילות מפתח: מנוע רלוקטנס סינכרוני, אבחון תקלות, ניתוח זרם מנוע, למידת מכונה, ניטור מצב