ETNeXt：用于无刷直流电机（BLDC）故障检测的集成功能工程与分类框架

通过“听”机器获得早期预警

现代工厂、电动汽车和送货无人机都依赖于体积小、功率高且通常非常安静的无刷直流（BLDC）电机。当这些电机内部出现问题时，往往在完全失效前很久就通过声音的细微变化暴露出来。本文提出了 ETNeXt，一种通过短音频录音“听”电机并自动及早发现故障的新方法，使维护团队能够在问题演变成高成本故障前进行修复。

为什么电机声音很重要

BLDC 电机无处不在——从工业机器人和传送带到家用电器与无人飞行器。它们受欢迎的原因在于高效和可靠，但并非不会磨损。轴承可能退化，转子可能失衡，重负载会使部件承压。传统监测方法通常依赖电气测量或振动传感器，可能会错过早期的、细微的故障迹象。而声音可以用简单麦克风轻松捕捉，包含有关电机运行平滑程度的丰富线索。挑战在于如何将这些嘈杂的真实世界录音转化为可靠的实时故障警报，同时不依赖超强计算资源。

把原始噪声变成有用线索

ETNeXt 通过将每段三秒的电机录音重塑为大量数值指纹来应对这一挑战，这些指纹描述了声音随时间和频率的行为。首先，该方法用一种称为小波变换的数学工具把声音分成七个层级，区分慢的、平滑的趋势与更快、更尖锐的变化。然后，对于每个层级，ETNeXt 应用三联规则，在信号的微小窗口上判断声音是在上升、下降还是保持不变。将这些局部模式计数为紧凑的直方图——本质上是对每种微观模式出现频率的“上色摘要”。在各层级叠加后，这一过程产生成千上万的候选特征，共同描绘出电机声音的“纹理”。

让数据自己选择重要特征

这些成千上万的特征并非同等有用。为避免浪费计算并保持系统适合实时使用，ETNeXt 包含一个自组织的特征选择阶段。两种互补技术协同工作：一种学习哪些特征最能区分听起来不同的样本，另一种为每个特征与电机健康类别的关联强度打分，从而对候选特征进行排序。根据该排序，框架稳定地将每段声音描述裁剪到仅包含几十个最具判别力的数值。然后把这些精简特征输入两个直接的模式识别器——一个精化的最近邻方法和一个具有弯曲决策边界的方法——并在数据的不同切片上反复测试它们的预测以防止过拟合。

方法在实践中的表现如何

作者在一个公开数据集上评估了 ETNeXt，该数据集包含 2,021 个带标签的 BLDC 电机音频片段，电机处于三种状态：健康、机械损伤和重载。尽管存在说话声、工厂环境噪声和白噪声等背景干扰，该系统几乎正确分类了每一段音频，其中一个分类器实现了完美准确率，另一个也接近完美。在对一组完全不同的电机录音（包括轴承和螺旋桨故障）进行测试时，也保持了同样令人印象深刻的表现。重要的是，整个管道资源占用很小：它能在普通电脑上运行，无需专用图形硬件，并且足够紧凑，可部署在靠近机器的小型边缘设备上。

从实验室方法到日常保护

简而言之，这项工作表明，经过精心设计的微小声音模式计数方法可以与甚至超越更流行的深度学习系统，同时对计算资源的需求要低得多。ETNeXt 将短暂的电机噪声片段转化为关于磨损、过载或潜在故障的早期预警信号，几乎实时地工作。如果将其集成到工业设备、电动汽车或无人机中，这类监听系统可以减少计划外停机、提高安全性并延长机器寿命——在电机运行时默默地在后台工作。

引用: Celik, B., Taskin, E., Akbal, A. et al. ETNeXt: integrated feature engineering and classification framework for BLDC motor fault detection. Sci Rep 16, 11820 (2026). https://doi.org/10.1038/s41598-026-37590-z

关键词: 电机故障检测, 声学监测, 预测性维护, 边缘计算, 机况监测