Un metodo di classificazione basato su machine learning per i guasti delle SynRM

Perché la salute dei motori più intelligente conta

I motori elettrici fanno funzionare silenziosamente fabbriche, treni e innumerevoli macchine; quando si guastano senza preavviso il risultato può essere costosi fermi macchina o addirittura incidenti pericolosi. Un tipo più recente di motore, il motore sincrono a riluttanza, promette alta efficienza senza fare affidamento su magneti di terre rare, rendendolo interessante per un futuro a basse emissioni di carbonio. Ma proprio le caratteristiche che rendono questi motori attraenti rendono anche più difficili da interpretare i segnali di allarme precoce. Questo studio mostra come un machine learning attentamente progettato possa sorvegliare il “battito elettrico” del motore e individuare rapidamente e con affidabilità diversi tipi di danno, aprendo la strada a azionamenti più sicuri, più ecologici e più affidabili.

Un nuovo tipo di motore, un nuovo tipo di problema

I motori sincroni a riluttanza sono diversi internamente rispetto ai motori a induzione tradizionali o a quelli con magneti: non hanno avvolgimenti sul rotore né magneti permanenti, e i loro percorsi magnetici sono fortemente direzionali. Questa struttura interna cambia il modo in cui i guasti elettrici si manifestano nella corrente del motore. Metodi che funzionano bene per altri motori spesso inciampano qui, soprattutto in impianti reali dove i carichi variano e il rumore si insinua nelle misure. Finora, la maggior parte delle ricerche ha simulato guasti singoli, testato un solo algoritmo o ignorato come una soluzione sarebbe eseguita in tempo reale su hardware pratico. Gli autori si sono prefissati di costruire un banco di prova completo, equo e ripetibile focalizzato specificamente su questo tipo di motore e sulle combinazioni di guasti, non solo su un guasto alla volta.

Creare guasti reali e virtuali da cui apprendere

Per insegnare al computer come si presenta un problema, il team ha creato sia danni fisici sia simulati. In laboratorio hanno usato un motore da 2,2 kilowatt e introdotto deliberatamente due problemi comuni e pericolosi: spire in cortocircuito negli avvolgimenti dello statore e difetti nella pista interna dei cuscinetti. Hanno fatto funzionare il motore a vuoto, a metà carico e a pieno carico, registrando segnali di corrente trifase per ciascuna condizione molte volte per garantire ripetibilità. Un terzo tipo di guasto — un gap d’aria irregolare tra rotore e statore, chiamato eccentricità — è stato modellato mediante dettagliate simulazioni elettromagnetiche, quindi accuratamente “inquinato” e scalato in modo che i suoi pattern di corrente somigliassero a quelli misurati in laboratorio. Tutti i segnali, sperimentali o simulati, sono stati elaborati allo stesso modo affinché gli algoritmi di apprendimento si concentrassero sui pattern fisici dei guasti piuttosto che su artefatti dovuti al modo in cui i dati erano stati generati.

Ascoltare la corrente nel dominio del tempo e della frequenza

Poiché la corrente di un motore guasto cambia nel tempo e su un’ampia gamma di frequenze, gli autori hanno usato uno strumento chiamato trasformata wavelet discreta. Piuttosto che produrre un semplice spettro, questo metodo scompone la corrente in diverse bande che catturano sia ondulazioni lente a bassa frequenza sia picchi acuti ad alta frequenza. Da ogni breve porzione di corrente — lunga circa un decimo di secondo — hanno estratto un set compatto di 12 numeri che descrivono come energia e casualità sono distribuite tra queste bande. Questi numeri formano un’impronta digitale per la condizione del motore. Scorrendo la finestra di analisi su lunghe registrazioni e bilanciando i campioni, hanno costruito dataset grandi e ben controllati con 10.000 “impronte” per classe, coprendo il funzionamento sano e ciascuno degli scenari di guasto da soli e in combinazione.

Mettere i modelli di machine learning a una prova equa

Dotati di questo dataset, i ricercatori hanno confrontato otto metodi di machine learning popolari, da schemi lineari semplici a ensemble sofisticati di alberi decisionali. Hanno seguito regole rigorose per evitare trappole comuni: tutte le finestre di una stessa prova sono state mantenute interamente nei set di addestramento o di test per evitare fughe di informazione, i parametri sono stati ottimizzati tramite ricerche a griglia sistematiche con validazione incrociata e le prestazioni sono state giudicate usando accuratezza, precisione e — cosa più importante — richiamo (recall), che misura quanto spesso i guasti reali vengono effettivamente catturati. Per i guasti singoli negli avvolgimenti e nei cuscinetti, i random forest — un ensemble di molti alberi poco profondi — si sono distinti, raggiungendo circa il 99,98% di accuratezza senza guasti mancati. Per l’eccentricità, metodi di boosting come AdaBoost e XGBoost hanno raggiunto accuratezza perfetta con tempi di addestramento molto inferiori rispetto alle macchine a vettori di supporto, che pur ottenendo risultati simili scalavano peggio con l’aumento dei dati.

Dall’accuratezza di laboratorio alla protezione in tempo reale

La prova più impegnativa è stata un compito a 16 classi che riflette molte possibili combinazioni di guasti. Qui, un metodo di ensemble più recente chiamato CatBoost ha fornito il miglior equilibrio, identificando correttamente oltre il 99,9% dei casi e mantenendo i guasti non rilevati eccezionalmente rari. Sebbene questo modello consumi più memoria rispetto ad altri, il suo tempo di risposta è rimasto nell’ordine delle decine di microsecondi — sufficientemente rapido per gli standard di protezione industriale che richiedono la disconnessione dei motori entro millisecondi quando qualcosa va storto. In tutti i test, lo studio dimostra che gli ensemble basati su alberi, scelti e ottimizzati con cura, possono trasformare misure di corrente rumorose in un sistema di allarme precoce altamente affidabile. In termini semplici, il lavoro mostra che con il giusto tipo di dati e modelli i costruttori possono sorvegliare questi motori efficienti in tempo reale, intercettando piccoli problemi prima che diventino guasti costosi o pericolosi.

Citazione: 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

Parole chiave: motore sincrono a riluttanza, diagnosi dei guasti, analisi della corrente del motore, machine learning, monitoraggio delle condizioni