En maskininlärningsbaserad klassificeringsmetod för fel i SynRM

Varför smartare motorövervakning spelar roll

Elektriska motorer driver tyst fabriker, tåg och otaliga maskiner, och när de fallerar utan varning kan det leda till kostsamma driftstopp eller till och med farliga olyckor. En nyare motortyp, den synkrona reluctansmotorn, lovar hög effektivitet utan att förlita sig på sällsynta jordartsmetaller, vilket gör den attraktiv för en lågkoldioxidframtid. Men just de egenskaper som gör dessa motorer fördelaktiga försvårar också tolkningen av tidiga varningstecken på fel. Denna studie visar hur noggrant utformad maskininlärning kan övervaka motorns elektriska hjärtslag och snabbt och pålitligt upptäcka flera olika skadetyper, vilket öppnar dörren till säkrare, grönare och mer pålitliga drivningar.

En ny motortyp, ett nytt problem

Synkrona reluctansmotorer skiljer sig inuti från traditionella induktions- eller magnetbaserade motorer: de har inga rotorviklingar eller permanenta magneter, och deras magnetiska vägar är starkt riktade. Denna interna struktur förändrar hur elektriska fel visar sig i motorns ström. Metoder som fungerar väl för andra motorer stöter ofta på problem här, särskilt i verkliga fabriker där belastningar varierar och brus smyger sig in i mätningar. Hittills har de flesta studier antingen simulerat enstaka fel, testat bara en algoritm eller ignorerat hur en lösning skulle köras i realtid på praktisk hårdvara. Författarna satte som mål att bygga en komplett, rättvis och upprepbar testmiljö med fokus specifikt på denna motortyp och på kombinationer av fel, inte bara ett fel i taget.

Skapa verkliga och simulerade fel att lära av

För att lära datorer vad problem ser ut som skapade teamet både fysisk och simulerad skada. I labbet använde de en 2,2 kilowatts motor och introducerade avsiktligt två vanliga och farliga problem: kortslutna varv i statorviklingarna och defekter i lagrets inre bana. De körde motorn utan last, vid halvlast och full last och spelade in trefasiga strömsignaler för varje tillstånd flera gånger för att säkerställa upprepbarhet. En tredje feltyp—en ojämn luftspalt mellan rotor och stator, kallad excentricitet—modellades med detaljerade elektromagnetiska simuleringar och ”brusades upp” och skalades därefter så att dess strömmönster liknade de som mättes i labbet. Alla signaler, oavsett om de kom från experiment eller simuleringar, bearbetades på samma sätt så att inlärningsalgoritmerna skulle fokusera på fysiska felmönster snarare än artefakter från hur data genererats.

Lyssna på strömmen i tid och frekvens

Eftersom en felaktig motors ström förändras över tid och över ett brett frekvensspektrum använde författarna ett verktyg kallat diskret vågtransform. Istället för att bara producera ett enkelt spektrum delar denna metod upp strömmen i flera band som fångar både långsamma, lågfreventa svängningar och skarpa, högfrekventa spikar. Från varje korta strömsnitt—ungefär en tiondels sekund långt—destillerade de en kompakt uppsättning av 12 tal som beskriver hur energi och slumpmässighet fördelas över dessa band. Dessa tal bildar ett fingeravtryck för motorns tillstånd. Genom att förflytta analysfönstret över långa inspelningar och balansera provtagningen byggde de stora, välkontrollerade dataset med 10 000 ”fingeravtryck” per klass, som täckte både friskt tillstånd och varje felscenario ensam och i kombination.

Att sätta maskininlärningsmodeller på en rättvis prövning

Beväpnade med detta dataset jämförde forskarna åtta populära maskininlärningsmetoder, från enkla linjära scheman till sofistikerade ensemblemetoder av beslutsträd. De följde strikta regler för att undvika vanliga fallgropar: alla fönster från en given körning hölls antingen helt i tränings- eller testuppsättning för att förhindra läckage, parametrar ställdes in genom systematiska rutnätssökningar med korsvalidering, och prestanda bedömdes med noggrannhet, precision och—viktigast av allt—recall, som mäter hur ofta verkliga fel korrekt fångas. För enstaka fel i viklingar och lager utmärkte sig random forests—en ensemble av många grunda träd—och nådde omkring 99,98 % noggrannhet utan missade fel. För excentricitet nådde boostingmetoder såsom AdaBoost och XGBoost perfekt noggrannhet med avsevärt kortare träningstid än supportvektormaskiner som presterade liknande men skalade dåligt med datamängd.

Från laboratorienoggrannhet till realtidsskydd

Det mest krävande testet var en 16-klassuppgift som speglade många möjliga kombinationer av fel. Här gav en nyare ensemblmetod kallad CatBoost den bästa balansen och identifierade korrekt mer än 99,9 % av fallen samtidigt som missade fel hölls exceptionellt sällsynta. Även om denna modell kräver mer minne än andra, låg dess svarstid kvar i tiotals mikrosekunder—snabbt nog för industriella skyddskrav som kräver att motorer kopplas bort inom millisekunder när något går fel. Över alla tester visar studien att träd-baserade ensemblemetoder, valda och finjusterade med omsorg, kan omvandla brusiga strömmätningar till ett mycket tillförlitligt tidigt varningssystem. Kort sagt visar arbetet att med rätt typ av data och modeller kan tillverkare övervaka dessa effektiva motorer i realtid och fånga små problem innan de växer till kostsamma eller farliga fel.

Citering: 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

Nyckelord: synchronous reluctance motor, fault diagnosis, motor current analysis, machine learning, condition monitoring