Auf einen Blick
- Neuronale Netze ermöglichen automatisierte Fehlerdiagnose an Drehstrommotoren mittels Infrarot-Thermografie
- Kombination aus Wärmebildaufnahmen und Deep Learning erkennt Fehlermuster frühzeitiger als herkömmliche Methoden
- Praktische Anwendung für Elektrotechniker bei Wartung und Inbetriebnahme elektrischer Antriebsysteme
- Transferlernen reduziert den Aufwand für Trainingsdaten und macht die Technologie für KMU nutzbar
- Verschiedene Fehlerarten wie Lagerfehler, Wicklungsfehler und Unsymmetrien können klassifiziert werden
Die Publikation „Thermal imaging fault diagnosis of three-phase induction motors using neural networks" (2026) stellt ein innovatives Verfahren zur Fehlerdiagnose an Drehstrommotoren vor, das Infrarot-Thermografie mit neuronalen Netzen kombiniert. Für Elektrotechniker eröffnet dieser Ansatz neue Möglichkeiten der präventiven Instandhaltung und Früherkennung von Anlagendefekten, ohne dass Motoren demontiert oder Stillstände provoziert werden müssen. Die Methode verspricht eine objektivere und reproduzierbare Bewertung von Motorzuständen im Vergleich zur rein visuellen Inspektion oder traditionellen Messverfahren.
Thermografie-basierte Fehlererkennung mit Deep Learning
Die Publikation untersucht, wie sich charakteristische Wärmemuster auf der Motoroberfläche mithilfe neuronaler Netze automatisiert klassifizieren lassen. Drehstrommotoren weisen bei unterschiedlichen Fehlern – etwa Wicklungsschlüsse, Lagerfehler oder Unsymmetrien im Versorgungsnetz – distinktive Temperaturverteilungen auf, die mit Infrarotkameras erfasst werden können. Während herkömmliche Diagnoseverfahren oft auf einzelne Messgrößen wie Strom, Spannung oder Vibration beschränkt sind, liefert die Thermografie ein ganzheitliches Bild des thermischen Motorzustands. Die Forschungsarbeit zeigt, dass neuronale Netze in der Lage sind, diese komplexen Wärmemuster zu analysieren und verschiedenen Fehlerklassen zuzuordnen. In verwandten Studien erreichten vergleichbare Ansätze Klassifikationsgenauigkeiten von über 95% bei der Unterscheidung mehrerer Fehlerarten. Besonders relevant für die Praxis: Die Aufnahmen können contactless während des laufenden Betriebs erfolgen, was Stillstandszeiten minimiert und die Sicherheit des Prüfpersonals erhöht.
Transferlernen reduziert Trainingsaufwand
Ein zentrales Ergebnis der Forschungsarbeit ist der Einsatz von Transferlernen für die Fehlerdiagnose. Anstatt neuronale Netze von Grund auf mit tausenden Thermogrammen zu trainieren, können vortrainierte Modelle wie ResNet-50 oder MobileNet V2 auf die spezifische Aufgabe der Motorfehlerklassifikation angepasst werden. Diese Vorgehensweise ist besonders für kleine und mittlere Unternehmen relevant, die nicht über umfangreiche Datensätze verfügen. Verwandte Studien zeigen, dass mit Transferlernen bereits deutlich weniger als 100 Trainingsbilder ausreichen können, um brauchbare Ergebnisse zu erzielen. Die vortrainierten Modelle haben bereits gelernt, allgemeine visuelle Merkmale wie Kanten, Texturen und Formen zu erkennen – Fähigkeiten, die sich auch auf Thermogramme übertragen lassen. Für Elektrotechniker bedeutet dies: Die Einstiegshürde für die praktische Anwendung sinkt erheblich, da nicht erst umfangreiche Datenbanken mit Fehlerbildern erstellt werden müssen.
Vielfältige Fehlerarten detektierbar
Die Forschungsergebnisse belegen, dass mittels Thermografie und neuronalen Netzen verschiedenste Fehlerarten bei Drehstrommotoren erkannt werden können. Dazu zählen Wicklungsfehler wie Windungsschlüsse und Phasenfehler, mechanische Defekte an den Lagern sowie elektrische Unsymmetrien durch fehlerhafte Versorgungsnetze. Besonders Lagerfehler bilden sich durch erhöhte Reibung als lokale Hotspots im Thermogramm ab und können so frühzeitig erkannt werden. Eine verwandte Studie aus dem Jahr 2020 zeigte, dass verschiedene Lagerfehlergrade mit einer Genauigkeit von 97,8% klassifiziert werden konnten. Wicklungsfehler hingegen führen zu ungleichmäßigen Temperaturverteilungen über den Motorumfang. Die Fähigkeit des Systems, mehrere Fehlerarten gleichzeitig zu erkennen, ist besonders wertvoll für die präventive Instandhaltung – Elektrotechniker können so gezielt Wartungsmaßnahmen planen, bevor es zu kritischen Anlagenausfällen kommt.
Transferpotenzial für Elektrotechniker
Für Elektrotechniker eröffnet die KI-gestützte Thermografie konkrete Anwendungsmöglichkeiten in der täglichen Praxis. Bei der Inbetriebnahme neuer Antriebe können Basisthermogramme erstellt werden, die als Referenz für spätere Zustandsvergleiche dienen. Im Rahmen regelmäßiger Wartungsintervalle können aktuelle Thermogramme mit diesen Referenzaufnahmen oder mit KI-modellierten Soll-Zuständen abgeglichen werden, um Verschleißerscheinungen frühzeitig zu identifizieren. Die Technologie eignet sich besonders für Betriebe mit wiederkehrenden Wartungsverträgen für Industrieanlagen, da sich so der Wartungsaufwand optimieren lässt: Motoren ohne erkennbare Fehlertendenzen benötigen weniger häufige Eingriffe, während kritische Zustände prioritär behandelt werden können.
Die praktische Umsetzung erfordert eine Infrarotkamera, deren Anschaffungskosten sich in den letzten Jahren deutlich reduziert haben, sowie eine Softwarelösung zur Bildanalyse. Erste kommerzielle Produkte integrieren bereits KI-Algorithmen und bieten Benutzeroberflächen, die keine tiefen Programmierkenntnisse erfordern. Für Elektrotechniker empfiehlt sich eine schrittweise Einführung: Start mit manueller Thermografie und visueller Auswertung, dann zunehmende Integration automatisierter Analysen bei steigendem Erfahrungsschatz. Die Kombination mit etablierten Prüfverfahren nach VDE-Normen – etwa Isolationswiderstandsmessung oder Überstromschutzprüfung – bietet redundante Absicherung der Diagnoseergebnisse.
Herausforderungen bestehen in der Standardisierung der Aufnahmebedingungen: Umgebungstemperatur, Motorbelastung und Betriebsdauer beeinflussen die Thermogramme und müssen für vergleichbare Ergebnisse konstant gehalten oder rechnerisch korrigiert werden. Weiterführende Schulungen im Bereich Bildverarbeitung und Data Science können die Kompetenzen von Elektrotechnikern in dieser neuen Technologie zusätzlich stärken.
Fazit
Die Kombination aus Infrarot-Thermografie und neuronalen Netzen stellt einen vielversprechenden Schritt zur Automatisierung der Fehlerdiagnose bei Drehstrommotoren dar. Für Elektrotechniker bietet das Verfahren die Möglichkeit, präzisere und frühzeitigere Diagnosen zu stellen, Stillstandszeiten zu minimieren und Wartungsressourcen gezielter einzusetzen. Während die Technologie im Labor bereits überzeugende Ergebnisse zeigt, stehen für die breite Praxisanwendung noch die Standardisierung der Aufnahmeprotokolle und die Verfügbarkeit benutzerfreundlicher Softwarelösungen im Fokus. Elektrotechnikbetriebe, die frühzeitig Kompetenzen in dieser Disziplin aufbauen, können sich einen Wettbewerbsvorteil im Bereich der prädiktiven Instandhaltung sichern.
Quellen
- Primär: Thermal imaging fault diagnosis of three-phase induction motors using neural networks (2026). https://doi.org/10.1016/j.infrared.2026.106490
- A transfer convolutional neural network for fault diagnosis based on ResNet-50 (2019). https://doi.org/10.1016/j.ymssp.2019.01.019
- Infrared Thermography-Based Fault Diagnosis of Induction Motor Bearings Using Machine Learning (2020). IEEE Sensors Journal.
- Highly Efficient Fault Diagnosis of Rotating Machinery Under Time-Varying Speeds Using LSISMM and Small Infrared Thermal Images (2022). IEEE Transactions on Industrial Informatics.
- Electrical fault detection in three-phase induction motor using deep network-based features of thermograms (2020). https://doi.org/10.1109/JSEN.2020.3019256
- Passive Thermography Based Bearing Fault Diagnosis Using Transfer Learning With Varying Working Conditions (2022). IEEE Transactions on Instrumentation and Measurement.
- Industrial gearbox fault diagnosis based on multi-scale convolutional neural networks and thermal imaging (2022). Measurement.