基于机器学习的同步磁阻电机故障分类方法

更智能的电机健康监测为何重要

电动机在工厂、列车和无数机械中默默运行，当它们毫无征兆地失效时，可能导致高昂的停机成本甚至危险事故。一种较新的电机类型——同步磁阻电机，在不依赖稀土磁体的情况下承诺高效率，这使其在低碳未来中颇具吸引力。但正是这些使其优越的特性，也让早期故障的信号更难识别。该研究展示了如何通过精心设计的机器学习方法监测电机的电气“心跳”，快速且可靠地识别出多种损伤，从而为更安全、更环保、更可靠的传动系统打开了可能性。

新型电机带来新问题

同步磁阻电机在内部结构上不同于传统的感应电机或基于磁体的电机：它们没有转子绕组或永磁体，磁通路径具有很强的方向性。这种内部结构改变了电气故障在电流中呈现的方式。对其他电机有效的方法在这里常常遇到困难，尤其是在负载变化和测量噪声存在的真实工厂环境中。迄今为止，大多数研究要么只模拟单一故障，要么仅测试一种算法，或忽视了解决方案在实际硬件上实时运行的可行性。作者的目标是构建一个完整、公平且可重复的测试平台，专注于这一电机类型以及故障的组合，而不仅仅是一次一个故障。

制造真实与虚拟故障以供学习

为了教计算机识别故障样态，团队同时创建了物理和模拟的损伤。在实验室中，他们使用了一台2.2千瓦的电机，有意引入两种常见且危险的问题：定子绕组的匝间短路和轴承内圈缺陷。他们在空载、半载和满载工况下运行电机，对每种工况重复记录三相电流信号多次以确保可重复性。第三种故障——转子与定子之间不均匀的气隙，称为偏心（eccentricity）——通过详细的电磁仿真建模，然后经过小心的加噪和缩放，使其电流特征与实验室测得的信号相似。所有信号，无论来自实验还是仿真，都以相同方式处理，使学习算法关注物理故障模式，而非数据生成方式的人工痕迹。

在时域与频域中聆听电流

由于故障电机的电流会随时间变化并涵盖宽频带，作者使用了一种称为离散小波变换的工具。该方法不仅给出简单的频谱，而是将电流分解为多个频段，同时捕捉缓慢的低频波动和尖锐的高频脉冲。从每个约0.1秒长的短时片段中，他们提取出一组12个紧凑的数值，描述能量和随机性在这些频段中的分布。这些数值构成了电机状态的指纹。通过在长时记录上滑动分析窗口并平衡样本，他们构建了大型且受控的数据集，每个类别包含10000个“指纹”，覆盖健康运行及每种单一故障与组合故障场景。

对机器学习模型进行公平评测

基于该数据集，研究者比较了八种流行的机器学习方法，从简单的线性方案到复杂的决策树集成。他们遵循严格规则以避免常见陷阱：同一次运行的所有窗口要么全部放在训练集中，要么全部放在测试集中以防止信息泄露；通过系统的网格搜索与交叉验证对参数进行调优；并使用准确率、精确率以及最重要的召回率来评估性能，召回率衡量真实故障被正确捕捉的频率。对于绕组和轴承的单一故障，随机森林（由许多浅树组成的集成）表现突出，达到约99.98%的准确率且未漏检故障。对于偏心故障，诸如AdaBoost和XGBoost的提升方法在训练时间远短于表现相近但随数据规模扩展性差的支持向量机的情况下达到了完美的准确率。

从实验室准确性到实时保护

最具挑战性的测试是一个反映多种故障组合的16类任务。在这里，一种较新的集成方法CatBoost提供了最佳平衡，正确识别率超过99.9%，且漏检故障极为罕见。尽管该模型在内存占用上比其他模型更重，但其响应时间仍保持在数十微秒级——足够满足工业保护标准，后者要求在出现故障时在毫秒内切断电机。总体来说，研究表明，经谨慎选择和调优的树基集成方法可以将嘈杂的电流测量转化为高度可靠的早期预警系统。简单地说，这项工作证明了在合适的数据和模型支持下，制造商可以实时监护这些高效电机，在小问题演变成昂贵或危险故障之前将其发现并处理。

引用: 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

关键词: 同步磁阻电机, 故障诊断, 电流分析, 机器学习, 状态监测