Metoda klasyfikacji oparta na uczeniu maszynowym dla usterek SynRM

Dlaczego mądrzejsze monitorowanie stanu silników ma znaczenie

Silniki elektryczne cicho napędzają fabryki, pociągi i niezliczone maszyny, a gdy zawodzą niespodziewanie, skutkiem mogą być kosztowne przestoje lub nawet niebezpieczne wypadki. Nowszy typ silnika, synchroniczny silnik reluktancyjny, obiecuje wysoką sprawność bez korzystania z metali ziem rzadkich, co czyni go atrakcyjnym w perspektywie niskoemisyjnej przyszłości. Jednak cechy, które czynią te silniki korzystnymi, równocześnie utrudniają wczesne odczyty sygnałów ostrzegawczych. W badaniu pokazano, jak starannie zaprojektowane metody uczenia maszynowego mogą obserwować elektryczne „bicie serca” silnika i szybko oraz niezawodnie wykrywać kilka różnych rodzajów uszkodzeń, otwierając drogę do bezpieczniejszych, bardziej ekologicznych i bardziej niezawodnych napędów.

Nowy typ silnika, nowy typ problemu

Synchroniczne silniki reluktancyjne różnią się wewnętrznie od tradycyjnych silników indukcyjnych czy napędzanych magnesami: nie mają uzwojeń wirnika ani magnesów trwałych, a ich drogi magnetyczne są wyraźnie kierunkowe. Ta wewnętrzna struktura zmienia sposób, w jaki usterki elektryczne manifestują się w prądzie silnika. Metody skuteczne dla innych typów silników często zawodzą tutaj, szczególnie w rzeczywistych warunkach przemysłowych, gdzie obciążenia się zmieniają, a do pomiarów wkrada się szum. Dotąd większość badań albo symulowała pojedyncze usterki, testowała tylko jeden algorytm, albo pomijała kwestie pracy rozwiązania w czasie rzeczywistym na praktycznym sprzęcie. Autorzy postanowili zbudować kompletne, uczciwe i powtarzalne stanowisko testowe skupione specyficznie na tym typie silnika i na kombinacjach usterek, a nie tylko na pojedynczych awariach.

Tworzenie rzeczywistych i wirtualnych usterek, by się na nich uczyć

Aby nauczyć komputery rozpoznawać awarie, zespół stworzył zarówno fizyczne, jak i symulowane uszkodzenia. W laboratorium użyto silnika o mocy 2,2 kW i celowo wprowadzono dwa powszechne i niebezpieczne problemy: zwarcia między zwojami w uzwojeniach stojana oraz defekty bieżnika wewnętrznego łożyska. Silnik pracował bez obciążenia, przy połowie obciążenia i przy pełnym obciążeniu, przy czym wielokrotnie rejestrowano sygnały prądu trójfazowego dla każdego stanu, aby zapewnić powtarzalność. Trzeci rodzaj usterki — nierówny szczelin powietrzna między wirnikiem a stojanem, zwany ekscentrycznością — został zamodelowany przy użyciu szczegółowych symulacji elektromagnetycznych, a następnie ostrożnie „zaszumiony” i skalowany tak, by jego wzorce prądowe przypominały te zmierzone w laboratorium. Wszystkie sygnały, zarówno eksperymentalne, jak i symulowane, były przetwarzane w ten sam sposób, tak aby algorytmy uczące się koncentrowały się na fizycznych wzorcach usterek, a nie na artefaktach związanych z metodą pozyskania danych.

Słuchanie prądu w dziedzinie czasu i częstotliwości

Ponieważ prąd uszkodzonego silnika zmienia się w czasie i obejmuje szerokie pasmo częstotliwości, autorzy wykorzystali narzędzie zwane dyskretną transformacją falkową. Zamiast prostego widma, metoda ta dzieli sygnał prądu na kilka pasm, które uchwytują zarówno powolne, niskoczęstotliwościowe wahania, jak i ostre, wysokoczęstotliwościowe piki. Z każdego krótkiego fragmentu prądu — trwającego około jednej dziesiątej sekundy — wydestylowano zwięzły zestaw 12 liczb opisujących rozkład energii i losowości w tych pasmach. Te liczby tworzą odcisk palca stanu silnika. Przesuwając okno analizy wzdłuż długich nagrań i równoważąc próbki, zbudowano duże, dobrze kontrolowane zbiory danych zawierające po 10 000 „odcisków” na klasę, obejmujące pracę prawidłową oraz każdą scenę usterek osobno i w kombinacjach.

Postawienie modeli uczenia maszynowego przed uczciwym testem

Posiadając ten zbiór danych, badacze porównali osiem popularnych metod uczenia maszynowego, od prostych schematów liniowych po zaawansowane zespoły drzew decyzyjnych. Przestrzegali ścisłych zasad, aby uniknąć typowych pułapek: wszystkie okna z jednego cyklu pomiarowego trzymano w całości w zbiorze treningowym lub testowym, by zapobiec wyciekowi informacji, parametry strojon o poprzez systematyczne przeszukiwania siatką z walidacją krzyżową, a wydajność oceniano za pomocą trafności, precyzji i — co najważniejsze — recall (czułości), która mierzy, jak często rzeczywiste usterki są poprawnie wykrywane. Dla pojedynczych usterek w uzwojeniach i łożyskach wyróżniały się lasy losowe — zespół wielu płytkich drzew — osiągając około 99,98% trafności bez pominiętych usterek. Dla ekscentryczności metody boostingu takie jak AdaBoost i XGBoost osiągnęły perfekcyjną trafność przy znacznie krótszym czasie treningu niż maszyny wektorów nośnych, które uzyskały podobne wyniki, lecz słabo skalowały się ze wzrostem ilości danych.

Od dokładności laboratoryjnej do ochrony w czasie rzeczywistym

Najtrudniejszym testem było zadanie 16-klasowe odzwierciedlające wiele możliwych kombinacji usterek. W tym przypadku nowocześniejsza metoda zespołowa o nazwie CatBoost zapewniła najlepszą równowagę, poprawnie identyfikując ponad 99,9% przypadków i utrzymując wyjątkowo rzadkie pominięcia usterek. Chociaż model ten zużywa więcej pamięci niż inne, jego czas reakcji pozostał na poziomie dziesiątek mikrosekund — wystarczająco szybko dla norm przemysłowych wymagających odłączenia silników w ciągu milisekund, gdy coś idzie nie tak. We wszystkich testach badanie pokazuje, że zespoły drzew decyzyjnych, odpowiednio dobrane i dostrojone, potrafią zamienić zaszumione pomiary prądu w wysoce niezawodny system wczesnego ostrzegania. Mówiąc prościej, praca demonstruje, że przy odpowiednich danych i modelach producenci mogą w czasie rzeczywistym nadzorować te wydajne silniki, wychwytując drobne problemy zanim przekształcą się w kosztowne lub niebezpieczne awarie.

Cytowanie: 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

Słowa kluczowe: silnik synchroniczny reluktancyjny, diagnozowanie usterek, analiza prądu silnika, uczenie maszynowe, monitorowanie stanu