《Eng》：Experimental Comparative Evaluation of Machine Learning Methods for Early Multi-Fault Detection in Brushless DC Motors
Mehmet ?en and
Mümtaz Mutluer
编辑推荐：
无刷直流（BLDC）电机的早期可靠故障检测对于提升系统可靠性和减少计划外工业停机至关重要。本研究开展了一项受控实验研究，利用数据驱动的机器学习方法对多种常见BLDC电机故障进行分类。研究人员在系统设计的运行条件下获取了四种代表性故障相关指标，并在模型开发前应用
无刷直流（BLDC）电机的早期可靠故障检测对于提升系统可靠性和减少计划外工业停机至关重要。本研究开展了一项受控实验研究，利用数据驱动的机器学习方法对多种常见BLDC电机故障进行分类。研究人员在系统设计的运行条件下获取了四种代表性故障相关指标，并在模型开发前应用了一致的特征提取流程。采用多层感知机（MLP）、支持向量机（SVM）、k近邻（kNN）和基于决策树的分类器进行了比较评估。所有模型均在同一数据集上使用相同的验证协议进行训练和测试，以确保方法公平性和可重复性。通过标准分类指标评估性能，实现了预测能力和稳定性的透明比较。结果表明，MLP模型取得了最高的整体分类准确率（91.6%），紧随其后的是SVM（91.4%）和kNN（90.2%）。尽管性能差异适中，但神经网络在故障特征表现出重叠特性的场景下展现了更一致的行为。这些发现表明，非线性特征交互在BLDC故障判别中起重要作用，并且可以通过多层架构有效捕获。本研究提供了一个可重复的实验框架和均衡的性能评估，可为BLDC驱动应用的智能状态监测系统的学术研究和实际开发提供支持。
**研究背景与意义**
现代工业系统中，电机的可靠性对生产连续性、效率和运行安全至关重要。电机意外故障不仅导致计划外停机，还增加维护成本、降低能效并影响产品质量。尽管传统维护方法依赖于事后干预，但当前工业实践越来越强调数据驱动的监测和预测性维护。无刷直流（BLDC）电机因高效率、长寿命、低维护需求及宽调速范围等优势，广泛应用于电动汽车、无人机、医疗设备等领域。然而，BLDC电机仍易出现轴承故障、定子绕组短路和轴不对中等问题，这些故障早期表现微妙，传统检测方法（如人工检查、频谱分析）在变工况下鲁棒性不足。现有研究多集中于单故障类型或单一传感器，缺乏对多故障、多传感器的系统比较。为此，研究人员开展了基于多传感器融合和多机器学习分类器的对比实验，旨在建立可重复的基准测试框架，提升早期多故障诊断的可靠性。论文发表在《Eng》。
**关键技术与方法**
研究人员构建了实验室规模实验平台，使用2300 KV BLDC电机（2204系列，常用于无人机），设置健康、轴承故障、绕组短路（约30%和50%严重度）及轴不对中（不同角度偏移）四种工况。数据采集系统包括三轴振动传感器（1 kHz采样）、霍尔效应电流传感器（1 kHz）、光学速度传感器（125 Hz）和热成像相机（50 Hz），利用Arduino Mega实时采集40,000个样本（健康占40%，各故障均分）。特征提取采用四层离散小波变换（DWT，Daubechies db7母小波）分解，从子带系数中提取均值、标准差、偏度、峰度、均方根（RMS）和峰峰值等统计特征及能量特征，并经Z-score标准化。四种分类器（MLP、SVM、kNN、决策树）通过交叉验证和网格搜索调优超参数，在相同验证协议下训练测试。
**研究结果**
- **分类性能比较**：通过标准分类指标评估，MLP模型达到最高整体准确率91.6%，SVM为91.4%，kNN为90.2%，决策树较低。随着故障严重度增加，传感器信号中故障特征更清晰，类可分离性提高，误分类率降低（图9）。
- **混淆矩阵与ROC分析**：混淆矩阵（图10）表明MLP在真阳性和真阴性分类上均优于其他方法，F1分数为0.915。ROC曲线（图11）采用一对多（OvR）策略，MLP各类别AUC最低达到0.97，显示对所有工况的高判别能力；SVM和kNN在样本密度较低区域误分类较多，决策树对噪声敏感。
- **传感器融合效果分析**：消融实验（表7）对比了单传感器（仅振动、仅电流、仅温度）及多传感器组合。多传感器融合（振动+电流+温度）显著提升AUC值，增强类可分离性并降低误分类率，证实了互补诊断信息的重要性。预测值分布（图12）显示MLP以高置信度准确分配数据点，降低假阳性和假阴性率。
**讨论与结论**
讨论部分指出，MLP基于神经网络架构的非线性学习能力能有效捕获BLDC故障信号中的复杂模式，在故障特征重叠时表现稳定，而SVM和kNN在高维非线性数据中泛化能力受限，决策树易受噪声影响。多传感器融合是提升判别力的关键因素。结论部分翻译如下：
本研究证明了数据驱动机器学习技术为BLDC电机常见故障的早期可靠诊断提供了稳健实用的框架。结果强调，在传统阈值或分析方法失效的运行条件下，机器学习方法的优势尤为突出。实验基于健康、轴承损坏、绕组短路和磁偏心四种工况的受控测量提取故障指标，所有分类器在同一验证协议下公平比较。MLP准确率达91.6%，略优于SVM（91.4%）、kNN（90.2%）及决策树模型，表明提取特征存在非线性关系，多层神经网络能更有效捕获。重要贡献在于集成多传感模态与多类故障分类的统一实验框架，振动、电流、温度和速度的同步测量提供了互补诊断信息。对于高KV值BLDC电机（高转速导致频谱重叠、故障信号低幅），机器学习模型能识别微弱早期模式，提供显著优势。MLP模型在信号模糊和噪声加剧时提供更稳定预测，在诊断性能与计算效率间取得平衡。总体而言，该框架不仅适用于学术分析，也适用于实际状态监测和预测性维护系统，尤其在高速BLDC电机中具有减少计划外停机、提高运行可靠性的潜力。未来工作将聚焦实时实现、变负载变转速评估及更多严重度等级，并考虑使用卷积和循环神经网络进行端到端学习比较。
