在无刷直流电机（BLDC）中，早期和可靠的故障检测对于提高系统可靠性和减少意外工业停机至关重要。本研究呈现了对数据驱动的机器学习方法进行受控实验性调查，以分类多种常见的BLDC电机故障。在系统设计的操作条件下获得了四个代表性故障相关指标，并在模型开发之前进行了统一的特征提取程序。使用多层感知器（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。所有模型在相同数据集上进行训练和测试，并采用相同的验证协议，以确保方法的公正性和可重复性。通过标准分类指标评估性能，从而实现预测能力和稳定性的透明比较。结果表明，MLP模型实现了最高的总体分类准确率（91.6%），紧随其后的是SVM（91.4%）和kNN（90.2%）。尽管性能差异适中，但在故障特征表现出重叠特征的场景中，神经网络表现出更一致的行为。这些发现表明，非线性特征相互作用在BLDC故障鉴别中起着重要作用，并能够有效被多层架构捕获。本研究提供了一个可重复的实验框架和一个平衡的性能评估，可能支持学术研究和无刷电机驱动应用智能状态监测系统的实际开发。
Şen等（周二）研究了这个问题。