ヴェローア工科大学の研究チームは、三相誘導電動機（IM）の故障検知と分類を目的とした統一的な深層学習（DL）フレームワークを開発した。2026年7月22日に学術誌Natureに掲載されたこの研究は、電気的故障による生産停止やメンテナンスコストの増大に対処するため、マルチセンサーおよびマルチモデルの手法を採用している。システムは起動時の過渡現象、相欠相故障、負荷変化に伴う正常および故障状態など、8つの異なる動作シナリオで検証された。

研究では、モーター状態を分類するために4種類のリカレントニューラルネットワーク（RNN）アーキテクチャを用いた。比較評価の結果、診断精度はモデルごとに異なり、GRUアーキテクチャが最高値の94.19%を記録した。次いでBiLSTMが92.24%、LSTMが90.19%、単純なRNNが85.14%という結果となった。

本研究は、電気駆動システムにおけるインテリジェントな状態監視に深層学習が有効であることを示している。正常状態と故障状態を効果的に区別することで、工業現場での信頼性向上が期待される。研究を主導したセンティル・クマール・ラムは、これらの時間的深層学習モデルが機械故障診断の堅牢なメカニズムを提供し、製造現場におけるエネルギー損失やメンテナンス費用の削減に寄与する可能性があると結論付けた。

ヴェローア工科大学の研究チームは、三相誘導電動機（IM）の故障検知と分類を目的とした統一的な深層学習（DL）フレームワークを開発した。2026年7月22日に学術誌Natureに掲載されたこの研究は、電気的故障による生産停止やメンテナンスコストの増大に対処するため、マルチセンサーおよびマルチモデルの手法を採用している。システムは起動時の過渡現象、相欠相故障、負荷変化に伴う正常および故障状態など、8つの異なる動作シナリオで検証された。

研究では、モーター状態を分類するために4種類のリカレントニューラルネットワーク（RNN）アーキテクチャを用いた。比較評価の結果、診断精度はモデルごとに異なり、GRUアーキテクチャが最高値の94.19%を記録した。次いでBiLSTMが92.24%、LSTMが90.19%、単純なRNNが85.14%という結果となった。

本研究は、電気駆動システムにおけるインテリジェントな状態監視に深層学習が有効であることを示している。正常状態と故障状態を効果的に区別することで、工業現場での信頼性向上が期待される。研究を主導したセンティル・クマール・ラムは、これらの時間的深層学習モデルが機械故障診断の堅牢なメカニズムを提供し、製造現場におけるエネルギー損失やメンテナンス費用の削減に寄与する可能性があると結論付けた。