同期リアクタンスモータ故障のための機械学習ベース分類法

なぜモーターの健全性を賢く監視することが重要か

電動モーターは工場や列車、無数の機械の裏で静かに動き続け、予告なく故障すると高額な稼働停止や危険な事故につながり得ます。新しい種類のモーターである同期リアクタンスモータは、希土類磁石に頼らず高効率を実現できるため、低炭素社会に適した選択肢として注目されています。しかし、このモータの魅力となる特徴が、同時に早期の異常兆候を読み取りにくくしています。本研究は、綿密に設計した機械学習がモーターの電気的な“心拍”を監視し、複数種類の損傷を迅速かつ信頼性高く検出できることを示し、安全で環境負荷の低い、より信頼できる駆動系の実現に道を開きます。

新しいモーター、新しい課題

同期リアクタンスモータは内部構造が誘導電動機や磁石式モータと異なり、回転子に巻線や永久磁石がなく、磁路が強く方向性を持ちます。その内部構造は電気的故障が電流に現れる様相を変えます。他のモータで有効な手法がここではうまく機能しないことが多く、特に負荷が変動しノイズが混入する実際の工場環境では課題が顕著です。これまでの研究の多くは単一故障のシミュレーション、あるいは単一アルゴリズムの検証にとどまり、実機でリアルタイムに動作するかを無視してきました。著者らはこのモータ種に特化し、単独の故障だけでなく複合故障も扱う、完全かつ公正で再現可能なテストベッドの構築を目指しました。

実機と仮想の故障をつくり学習させる

コンピュータに異常の姿を教えるため、研究チームは実機での損傷とシミュレーションの両方を作成しました。実験室では2.2キロワットのモータを用い、ステータ巻線の短絡ターンや軸受内輪の欠陥といった一般的かつ危険な2種類の故障を意図的に発生させました。無負荷・半負荷・全負荷でモータを運転し、それぞれの条件で三相電流信号を繰り返し記録して再現性を確保しました。3つ目の故障タイプである偏心（回転子とステータ間の不均一な気隙）は詳細な電磁界シミュレーションでモデル化し、実験で得た電流パターンに似せるためにノイズを付与・スケーリングしました。実験由来の信号もシミュレーション由来の信号も同一の処理を施すことで、学習アルゴリズムがデータ生成の差異ではなく物理的な故障パターンに注目するようにしています。

時間と周波数の両面から電流を聞く

故障したモータの電流は時間的にも周波数的にも変化するため、著者らは離散ウェーブレット変換という手法を用いました。この方法は単純なスペクトルを出すのではなく、低周波のゆっくりした揺らぎから高周波の鋭いスパイクまでを捉える複数の帯域に電流を分解します。1つの短いスライス（約0.1秒）から、各帯域に分配されたエネルギーや乱雑さを表す12個の要約数値を抽出し、これがモータの状態を示すフィンガープリントになります。長時間の記録に対して解析窓をスライドさせ、サンプルのバランスをとることで、正常運転や各故障単独および複合を含むクラスごとに1万件の“フィンガープリント”を備えた大規模で制御されたデータセットを構築しました。

機械学習モデルを公正に比較する

このデータセットを用いて、研究者らは単純な線形手法から決定木の洗練されたアンサンブルまで、8種類の代表的な機械学習手法を比較しました。データリークを防ぐために1回の試行から得られたすべての窓は訓練かテストのどちらか一方に完全に割り当て、パラメータはグリッドサーチと交差検証で体系的に調整し、評価は精度・適合率、そして特に重要な指標である再現率（実際の故障をどれだけ取りこぼさず検出できるか）で行いました。巻線と軸受の単一故障では、多数の浅い木を組み合わせたランダムフォレストが際立ち、ほぼ99.98%の精度で故障を取りこぼしませんでした。偏心については、AdaBoostやXGBoostのようなブースティング手法が、同等の性能を示したサポートベクターマシンよりもはるかに短い学習時間で完全な精度に達しました（SVMはデータ量に対して拡張性が劣りました）。

実験室での精度からリアルタイム保護へ

最も厳しい検証は、多数の故障の組合せを反映した16クラス問題でした。ここではCatBoostという新しいアンサンブル法が最良のバランスを示し、99.9%以上の正確な識別率と極めて稀な見逃しを達成しました。このモデルはメモリ使用量がやや大きいものの、応答時間は数十マイクロ秒のオーダーに収まり、異常発生時にミリ秒単位でモータを遮断する産業用保護基準を満たす速さです。全体を通して、本研究は慎重に選択・調整した木ベースのアンサンブルが、ノイズを含む電流計測から高信頼の早期警報システムを構築できることを示しました。要するに、適切なデータとモデルがあれば、メーカーはこれら効率的なモータをリアルタイムで監視し、小さな問題をコストや危険が増大する前に検出できるということです。

引用: 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

キーワード: 同期リアクタンスモータ, 故障診断, 電流解析, 機械学習, 状態監視