Senkron Reaktans Motoru (SynRM) arızaları için makine öğrenimine dayalı bir sınıflandırma yöntemi

Neden daha akıllı motor sağlığı önemli

Elektrik motorları fabrikaları, trenleri ve sayısız makineyi sessizce çalıştırır; beklenmedik arızalar ise maliyetli duruşlara veya tehlikeli kazalara yol açabilir. Nadir toprak mıknatıslarına ihtiyaç duymadan yüksek verim vaat eden yeni bir motor türü olan senkron reaktans motoru, düşük karbonlu bir gelecek için caziptir. Ancak bu motorları çekici kılan özellikler, erken uyarı işaretlerini okumayı da zorlaştırır. Bu çalışma, dikkatle tasarlanmış makine öğreniminin motorun elektriksel nabzını izleyerek birkaç farklı hasar türünü hızlı ve güvenilir biçimde tespit edebileceğini gösteriyor; bu da daha güvenli, daha çevreci ve daha dayanıklı sürücüler için olanak açıyor.

Yeni bir motor türü, yeni bir problem

Senkron reaktans motorları, iç yapıları bakımından geleneksel indüksiyon ya da manyetik tabanlı motorlardan farklıdır: rotor sarımları veya sürekli mıknatısları yoktur ve manyetik yolları güçlü bir yöndeseldir. Bu iç yapı, elektriksel arızaların motor akımında nasıl ortaya çıktığını değiştirir. Diğer motorlar için iyi çalışan yöntemler burada sıkça başarısız olur; özellikle yüklerin değiştiği ve ölçümlere gürültünün karıştığı gerçek fabrikalarda. Bugüne dek çoğu araştırma ya tek bir arızayı simüle etti, ya yalnızca bir algoritmayı test etti ya da bir çözümün gerçek donanımda gerçek zamanda nasıl çalışacağını göz ardı etti. Yazarlar, bu motor tipine ve tek tek arızalardan ziyade arıza kombinasyonlarına odaklanan tam, adil ve tekrarlanabilir bir test düzeni kurmayı hedeflediler.

Öğrenmek için gerçek ve sanal arızalar oluşturmak

Bilgisayarlara sorunun nasıl göründüğünü öğretmek için ekip hem fiziksel hem de simüle edilmiş hasarlar yarattı. Laboratuvarda 2,2 kilovatlık bir motor kullandılar ve kasıtlı olarak iki yaygın ve tehlikeli problemi uyguladılar: stator sarımlarında kısa devreli turlar ve rulman iç bileziğinde kusurlar. Motoru boşta, yarım yükte ve tam yükte çalıştırdılar; her koşul için üç fazlı akım sinyallerini defalarca kaydederek tekrarlanabilirliği sağladılar. Üçüncü bir arıza türü—rotor ile stator arasındaki dengesiz hava boşluğu, yani eksantriklik—ayrıntılı elektromanyetik simülasyonlarla modellenmiş, sonra laboratuvarda ölçülen akım desenlerine benzetmek için dikkatlice "gürültülendirilip" ölçeklendirilmiştir. Deneylerden veya simülasyonlardan gelen tüm sinyaller aynı şekilde işlendi, böylece öğrenme algoritmaları verinin nasıl üretildiğinin artefaktları yerine fiziksel arıza desenlerine odaklanabildi.

Zamanda ve frekansta akımı dinlemek

Arızalı bir motorun akımı zaman içinde ve geniş bir frekans aralığında değiştiği için yazarlar ayrık dalgacık dönüşümü adlı bir araç kullandılar. Bu yöntem basit bir spektrum üretmek yerine akımı birkaç banda ayırır; hem yavaş, düşük frekanslı dalgalanmaları hem de keskin, yüksek frekanslı sivrilikleri yakalar. Her kısa akım diliminden—yaklaşık onda bir saniye uzunluğunda—bantlar arasındaki enerji ve rastlantısallığın nasıl dağıldığını tanımlayan 12 sayılık sıkıştırılmış bir küme çıkardılar. Bu sayılar motorun durumuna dair bir parmak izi oluşturur. Analiz penceresini uzun kayıtlarda kaydırarak ve örnekleri dengede tutarak, her sınıf için 10.000 "parmak izi" içeren geniş, iyi kontrol edilmiş veri kümeleri inşa ettiler; bunlar sağlam çalışma ile her bir arıza senaryosunu tek başına ve kombinasyon halinde kapsıyordu.

Makine öğrenimi modellerini adil bir teste sokmak

Bu veri kümesiyle ekip, basit doğrusal şemalardan karar ağaçları topluluklarının sofistike versiyonlarına kadar sekiz popüler makine öğrenimi yöntemini karşılaştırdı. Yaygın hatalardan kaçınmak için katı kurallar uyguladılar: belirli bir koşudan alınan tüm pencereler eğitim veya test setinde tamamen tutuldu (veri sızıntısını önlemek için), parametreler çapraz doğrulamalı sistematik ızgara aramalarıyla ayarlandı ve performans doğruluk, kesinlik ve—en önemlisi—geribesleme (recall) kullanılarak değerlendirildi; geribesleme gerçek arızaların ne sıklıkla doğru yakalandığını ölçer. Sarım ve rulmanlardaki tekil arızalar için, birçok sığ ağacın bir araya geldiği rastgele ormanlar öne çıktı ve kaçırılan arıza olmadan yaklaşık %99,98 doğruluğa ulaştı. Eksantriklikte ise AdaBoost ve XGBoost gibi kuvvetlendirme yöntemleri destek vektör makinelerine benzer doğrulukla ulaşıp, ancak veri boyutuyla kötü ölçeklenen SVM'lere kıyasla çok daha az eğitim süresi harcadı.

Laboratuvar doğruluğundan gerçek zamanlı korumaya

En zorlu test, birçok olası arıza kombinasyonunu yansıtan 16 sınıflı bir görevdi. Burada CatBoost adındaki daha yeni bir topluluk yöntemi en iyi dengeyi sağladı; vakaların %99,9'undan fazlasını doğru tanımladı ve kaçırılan arızaları olağanüstü derecede nadir tuttu. Bu model diğerlerine göre daha fazla bellek kullansa da, tepki süresi onlarca mikrosaniye düzeyinde kaldı—bir şey ters gittiğinde motorların milisaniyeler içinde devre dışı bırakılmasını gerektiren endüstriyel koruma gereksinimleri için yeterince hızlı. Tüm testler boyunca çalışma, dikkatle seçilip ayarlanmış ağaç tabanlı toplulukların gürültülü akım ölçümlerini yüksek güvenilirlikte bir erken uyarı sistemine dönüştürebileceğini gösteriyor. Basitçe söylemek gerekirse, doğru veri ve modellerle üreticilerin bu verimli motorları gerçek zamanlı izleyebileceği, küçük sorunları maliyetli veya tehlikeli arızalara dönüşmeden önce yakalayabileceği gösterildi.

Atıf: 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

Anahtar kelimeler: senkron reaktans motoru, arıza teşhisi, motor akım analizi, makine öğrenimi, durum izleme