Een machine learning-gebaseerde classificatiemethode voor SynRM-fouten

Waarom slimmer motoronderhoud ertoe doet

Elektrische motoren draaien geruisloos in fabrieken, treinen en talloze machines; wanneer ze onverwacht uitvallen, kan dat leiden tot kostbare stilstand of zelfs gevaarlijke ongevallen. Een nieuw type motor, de synchrone reluctantiemotor, belooft hoge efficiëntie zonder afhankelijk te zijn van zeldzame aardmetalen, wat hem aantrekkelijk maakt voor een koolstofarme toekomst. Maar juist de eigenschappen die deze motoren aantrekkelijk maken, maken vroege waarschuwingssignalen ook lastiger te interpreteren. Deze studie laat zien hoe zorgvuldig ontworpen machine learning het elektrische “hartslag”-patroon van de motor kan volgen en verschillende soorten schade snel en betrouwbaar kan herkennen, waardoor veiliger, groener en betrouwbaarder gebruik mogelijk wordt.

Een nieuw type motor, een nieuw soort uitdaging

Synchrone reluctantiemotoren verschillen van binnen aanzienlijk van traditionele asynchrone of magnetische motoren: ze hebben geen rotorspoelen of permanente magneten en hun magnetische banen zijn sterk directioneel. Die interne structuur verandert hoe elektrische fouten zich in de motorstroom manifesteren. Methoden die goed werken voor andere motoren vallen hier vaak door de mand, zeker in echte fabrieksomgevingen waar de belasting varieert en ruis in de metingen sluipt. Tot nu toe simuleerde veel onderzoek enkelvoudige fouten, testte meestal maar één algoritme of negeerde hoe een oplossing in realtime op praktische hardware zou draaien. De auteurs hebben een compleet, eerlijk en reproduceerbaar testplatform opgezet dat zich specifiek richt op dit motortype en op combinaties van fouten, niet alleen op één fout tegelijk.

Reële en virtuele fouten creëren om van te leren

Om computers te leren hoe problemen eruitzien, maakte het team zowel fysieke als gesimuleerde schade. In het laboratorium gebruikten ze een 2,2 kilowatt-motor en introduceerden opzettelijk twee veelvoorkomende en gevaarlijke problemen: kortgesloten windingen in de stator en defecten in de binnenring van de lagers. Ze draaiden de motor zonder belasting, bij halve belasting en bij volle belasting, en namen voor elke situatie meerdere keren driefasige stroomsignalen op om herhaalbaarheid te garanderen. Een derde fouttype—een onregelmatige luchtgit tussen rotor en stator, aangeduid als excentriciteit—werd gemodelleerd met gedetailleerde elektromagnetische simulaties en daarna zorgvuldig met ruis en schaalcorrectie bewerkt zodat de stroompatronen overeenkwamen met die in het lab. Alle signalen, zowel experimenteel als gesimuleerd, werden op dezelfde manier verwerkt zodat de leeralgoritmen zich op fysieke foutpatronen concentreerden in plaats van op artefacten van de datageneratie.

De stroom in tijd en frequentie beluisteren

Omdat de stroom van een defecte motor in de tijd verandert en over een breed frequentiebereik spreidt, gebruikten de auteurs de discrete wavelettransformatie. In plaats van slechts een eenvoudig spectrum te leveren, splitst deze methode de stroom in meerdere banden die zowel trage, lagefrequente variaties als scherpe, hogefrequente pieken vastleggen. Uit elk kort segment stroom—ongeveer een tiende van een seconde—distilleerden ze een compacte set van 12 getallen die beschrijven hoe energie en willekeur verdeeld zijn over die banden. Deze getallen vormen een vingerafdruk voor de toestand van de motor. Door het analysevenster over lange opnames te schuiven en de samples te balanceren, bouwden ze grote, goed gecontroleerde datasets met 10.000 “vingerafdrukken” per klasse, die gezond functioneren en elk foutscenario afzonderlijk en in combinatie beslaan.

Machine-learningmodellen eerlijk op de proef stellen

Met deze dataset vergeleken de onderzoekers acht populaire machine-learningmethoden, van eenvoudige lineaire schema’s tot geavanceerde ensembles van beslissingsbomen. Ze volgden strikte regels om veelvoorkomende valkuilen te vermijden: alle vensters van een gegeven testopstelling werden volledig in de trainings- of testsets gehouden om datalekken te voorkomen, parameters werden getuned via systematische gridsearches met cross‑validatie, en de prestaties werden beoordeeld met nauwkeurigheid, precisie en—het belangrijkst—recall, die meet hoe vaak echte fouten correct worden gedetecteerd. Voor enkelvoudige fouten in windingen en lagers sprongen random forests—een ensemble van vele ondiepe bomen—eruit, met ongeveer 99,98% nauwkeurigheid zonder gemiste fouten. Voor excentriciteit bereikten boosting-methoden zoals AdaBoost en XGBoost perfecte nauwkeurigheid met veel minder trainingstijd dan support vector machines, die vergelijkbare prestaties leverden maar slecht schaalden met datasetgrootte.

Van laboratoriumnauwkeurigheid naar realtimebescherming

De zwaarste test was een taak met 16 klassen die veel mogelijke combinaties van fouten weerspiegelt. Hier bood een nieuwer ensemble-algoritme genaamd CatBoost de beste balans en identificeerde het meer dan 99,9% van de gevallen correct, waarbij gemiste fouten uitzonderlijk zeldzaam waren. Hoewel dit model meer geheugen vereist dan andere, bleef de reactietijd in de tientallen microseconden—snel genoeg voor industriële beschermingsnormen die vereisen dat motoren binnen milliseconden worden losgekoppeld wanneer er iets misgaat. Over alle tests laat de studie zien dat boomgebaseerde ensembles, zorgvuldig gekozen en getuned, ruisige stroommetingen kunnen omzetten in een zeer betrouwbaar vroegwaarschuwingssysteem. In gewone bewoordingen toont het werk aan dat fabrikanten met het juiste type data en modellen deze efficiënte motoren realtime kunnen bewaken en kleine problemen kunnen opvangen voordat ze uitgroeien tot kostbare of gevaarlijke storingen.

Bronvermelding: 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

Trefwoorden: synchronous reluctance motor, foutdiagnose, motorstroomanalyse, machine learning, conditiemonitoring