Neuronales Netz für Motordiagnose: 99 % Genauigkeit

# Signatur-geleitete Datenaugmentation: Neuronales Netzwerk zur Diagnose von Störungen in Asynchronmotoren

Die Methode der Signatur-geleiteten Datenaugmentation, entwickelt von Spezialisten der HSE University, ermöglicht es neuronalen Netzen, Störungen in Dreiphasen-Asynchronmotoren mit 99%iger Genauigkeit zu erkennen. Die Klassifikation der Störungstypen erreicht 86%. Der Ansatz erzeugt synthetische Daten basierend auf Stromsignalen gesunder Motoren und simuliert reale Defekte, ohne die Ausrüstung physisch zu beschädigen. Damit wird das Problem des Mangels an realen Störungsdatensätzen in der Industrie gelöst.

Dreiphasen-Asynchronmotoren sind ein Schlüsselkomponente von Produktionssystemen: von Montagelinien in Autofabriken bis zu Pumpen in Wasserversorgungsnetzen. Störungen führen zu Ausfällen, Verlusten und Sicherheitsrisiken. Die traditionelle Stromspektralanalyse erfordert manuelle Filteranpassung, Frequenzextraktion und Fachwissen, was den Prozess verlangsamt.

Herausforderungen traditioneller Methoden und ML-Ansätze

Klassische MCSA (Motor Current Signature Analysis) basiert auf visueller Inspektion des Stromspektrums. Ingenieure suchen nach charakteristischen Harmonischen, die mit Statorwicklungsbrüchen, Rotorexzentricität oder Kurzschlüssen assoziiert sind. Der Prozess ist arbeitsintensiv: Er erfordert Kalibrierung für spezifische Motoren unter Berücksichtigung von Last und Betriebsbedingungen.

Machine Learning verspricht Automatisierung, stößt aber auf Datenmangel. Reale Störungen sind selten, und Archive von Störungssignalen werden nicht geführt. Standard-Augmentationen (Rauschen, Verschiebungen) berücksichtigen nicht die Physik der Defekte und mindern die Generalisierbarkeit des Modells.

Das HSE-Team – Artem Ryzhikov, Sara Ali, Alexander Khizhik, Stepan Svirin, Denis Derkach – hat den Signatur-geleiteten Ansatz eingeführt. Der Algorithmus extrahiert „Signaturen“ typischer Störungen aus physikalischen Modellen und injiziert sie in saubere Signale.

Funktionsweise der Signatur-geleiteten Datenaugmentation

Die Methode basiert auf physikalischen Mustern:

• Statorwicklungsbrüche: Hinzufügen von Nebenbandharmonischen um die Grundfrequenz.
• Rotorexzentricität: Modulation mit Rotationsfrequenz und Koeffizienten 2f_r.
• Kurzschluss: Phasen-Asymmetrie mit erhöhten Nullsequenzströmen.
• Lagerschäden: Impulsive Spitzen bei BPFO/BPFI-Frequenzen.

Signale werden erzeugt, indem diese Signaturen auf normale Spektren überlagert werden. Das neuronale Netz (CNN oder Transformer-basiert) trainiert auf einem gemischten Datensatz: 80% synthetisch + 20% real (falls verfügbar).

Ablauf:

• Strom in Normalbetrieb aufzeichnen (FFT-Spektrum).
• Basis-Signatur des Motors extrahieren.
• Störungen erzeugen: Harmonische basierend auf Modellen injizieren.
• Klassifikator trainieren (binär: gesund/fehlerhaft; multiklassig: Störungstyp).
• Auf Hold-out-Set validieren.

Denis Derkach betont: Die Methode erfordert keine FEM-Simulationen oder reale Störungstests – sie nutzt nur analytische Formeln aus der MCSA.

Ergebnisse der Experimente

Tests auf Datensätzen von zwei Motoren (4- und 6-polig, 50 Hz):

| Aufgabe | Genauigkeit | Rückruf | F1-Score |

|--------|----------|--------|----------|

| Binär (gesund/fehlerhaft) | 99% | 98.5% | 98.7% |

| Multiklasse (5 Typen) | 86% | 84% | 85% |

Sara Ali merkt an: Das System startet mit Normaldaten und entwickelt sich zu einem Detektor ohne historische Ausfälle. Generalisierung auf neue Motoren gelingt durch erneute Aufzeichnung der Basis-Signatur.

Vorteile für Mid-/Senior-Entwickler:

• Minimale Datenanforderungen: ein gesundes Signal.
• Physikalische Interpretierbarkeit: nachverfolgbar zu Harmonischen.
• Skalierbarkeit: anwendbar auf beliebige Parameter (Leistung, Pole).
• Früherkennung: Schwellwert auf Konfidenzscore.

Wichtige Erkenntnisse

• 99% Genauigkeit bei binärer Klassifikation ohne reale Störungsdaten.
• Erzeugung basierend auf MCSA-Signaturen gewährleistet Realismus.
• Reduzierte Ausfallzeiten durch prädiktive Wartung.
• Geplante Validierung an Industrieanlagen.
• Offenheit: Methode nicht an spezifische Hardware gebunden.

Der Ansatz lässt sich in SCADA/IIoT-Systeme integrieren: Edge-Geräte analysieren Strom in Echtzeit und senden Alarme. Zukünftige Pläne umfassen Erweiterung auf Vibration und Temperatur.

— Editorial Team