Метод классификации на основе машинного обучения для диагностики неисправностей синхронных роторов с релуктансностью

Почему важна более умная диагностика состояния двигателей

Электродвигатели тихо приводят в действие фабрики, поезда и множество механизмов; когда они выходят из строя внезапно, это может привести к дорогостоящим простоям или даже опасным инцидентам. Новый тип двигателя — синхронный релуктансный мотор — обещает высокую эффективность без использования редкоземельных магнитов, что делает его привлекательным для низкоуглеродного будущего. Но те самые особенности, которые делают такие двигатели выгодными, также усложняют распознавание ранних признаков неисправностей. В этом исследовании показано, как тщательно спроектированные методы машинного обучения могут «слушать» электрический пульс двигателя и быстро и надежно выявлять несколько типов повреждений, открывая путь к более безопасным, экологичным и надежным приводам.

Новый тип двигателя — новая задача

Синхронные релуктансные двигатели внутренне отличаются от традиционных асинхронных или двигателей с магнитами: у них нет обмоток ротора или постоянных магнитов, а магнитные пути выраженно направленные. Эта внутренняя структура меняет то, как электрические неисправности проявляются в токе двигателя. Методы, хорошо работающие для других типов двигателей, здесь часто дают сбои, особенно в реальных заводских условиях, где нагрузка меняется, а в измерения просачивается шум. До настоящей работы большинство исследований либо моделировали одиночные дефекты, либо тестировали один алгоритм, либо не учитывали, как решение будет работать в реальном времени на практическом оборудовании. Авторы поставили цель создать полную, честную и повторяемую тестовую среду, ориентированную специально на этот тип двигателя и на сочетания неисправностей, а не только на отдельные случаи.

Создание реальных и виртуальных повреждений для обучения

Чтобы научить компьютеры распознавать признаки неисправностей, команда создала как физические, так и моделируемые повреждения. В лаборатории использовали двигатель мощностью 2,2 кВт и намеренно внесли два распространенных и опасных дефекта: замыкания витков в обмотках статора и повреждения внутреннего дорожки подшипника. Двигатель запускали при холостом ходе, на половинной нагрузке и при полной нагрузке, многократно записывая трехфазные токи для каждого состояния, чтобы обеспечить воспроизводимость. Третий тип дефекта — неравномерный воздушный зазор между ротором и статором, называемый эксцентриситетом — был смоделирован с помощью детализированных электромагнитных расчетов, затем осторожно «зашумлён» и масштабирован так, чтобы его паттерны тока напоминали лабораторные измерения. Все сигналы, как экспериментальные, так и моделируемые, обрабатывали одинаково, чтобы алгоритмы обучения фокусировались на физических признаках неисправностей, а не на артефактах способа генерации данных.

Анализ тока по времени и по частоте

Поскольку ток неисправного двигателя меняется во времени и охватывает широкий диапазон частот, авторы использовали дискретное вейвлет‑преобразование. Вместо простого спектра этот метод разбивает сигнал на несколько полос, захватывающих как медленные низкочастотные колебания, так и резкие высокочастотные всплески. Из каждого короткого фрагмента тока — примерно десятую долю секунды — они выделяли компактный набор из 12 чисел, описывающих распределение энергии и степени случайности по этим полосам. Эти числа образуют отпечаток состояния двигателя. Сдвигая окно анализа по длинным записям и балансируя выборки, исследователи сформировали большие, хорошо контролируемые наборы данных с 10 000 «отпечатков» на класс, покрывающие нормальную работу и каждую комбинацию дефектов по отдельности и вместе.

Честная проверка моделей машинного обучения

Вооруженные этим набором данных, исследователи сравнили восемь популярных методов машинного обучения — от простых линейных схем до сложных ансамблей решающих деревьев. Они следовали строгим правилам, чтобы избежать распространенных ошибок: все окна из одного прогонки оставляли полностью в обучающей или тестовой выборке, чтобы предотвратить утечку; параметры настраивали через систематический перебор с кросс‑валидацией; а производительность оценивали по точности, точности положительных срабатываний и — что важнее всего — полноте (recall), которая показывает, как часто реальные дефекты правильно обнаруживаются. Для одиночных дефектов в обмотках и подшипниках лучшими оказались случайные леса — ансамбль многих мелких деревьев — достигая примерно 99,98% точности без пропущенных дефектов. Для эксцентриситета методы бустинга, такие как AdaBoost и XGBoost, достигли идеальной точности при значительно меньшем времени обучения по сравнению с методами опорных векторов, показавшими схожую точность, но плохо масштабирующимися с ростом объема данных.

От лабораторной точности к защите в реальном времени

Самым требовательным испытанием стала задача с 16 классами, отражающая множество возможных комбинаций дефектов. Здесь новый ансамблевый метод CatBoost обеспечил наилучший баланс, правильно идентифицировав более 99,9% случаев и сделав пропуски дефектов исключительно редкими. Хотя эта модель требовала больше памяти, её время отклика оставалось на уровне десятков микросекунд — достаточно быстро для промышленных стандартов защиты, где моторы должны быть отключены в течение миллисекунд при обнаружении неисправности. В целом работа показывает, что ансамбли на основе деревьев, выбранные и настроенные с надлежащей тщательностью, способны превращать шумные измерения тока в высоконадежную систему раннего предупреждения. Проще говоря, при наличии правильных данных и моделей производители могут отслеживать состояние этих эффективных двигателей в реальном времени, замечая мелкие проблемы до того, как они перерастут в дорогостоящие или опасные отказы.

Цитирование: 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

Ключевые слова: синхронный релуктансный двигатель, диагностика неисправностей, анализ тока двигателя, машинное обучение, мониторинг состояния