Feature selection and diagnostics of bearings contaminated with external pollutants in induction motors.

This thesis aims to define a classification procedure for bearing faults through machine learning techniques, in order to plan predictive maintenance for induction motors in industrial processes. Starting from a grid-fed induction machine coupled with a magnetic powder brake, time-domain current signal is detected under six levels of bearing powder pollution. Then eighteen parameters are calculated (with Matlab software): some are typical of signal analysis and others of statistics. By applying different feature selection algorithms, the number of variables is reduced, leading to a lower computing time during online computation and to avoid overfitting phenomenon during the classifiers training process. After this, different classifiers are trained and tested; the evaluation of them is carried out with three metrics: precision, confusion matrixes and ROC curves. Feature selection and classification processes are performed by using WEKA software. The results provide a good starting point to carry out a proper predictive maintenance.

Selezione variabili e diagnostica di cuscinetti contaminati da agenti esterni nei motori asincroni. Questa tesi si pone lobiettivo di definire una procedura di classificazione dei guasti ai cuscinetti nei motori asincroni tramite tecniche di machine learning, al fine di pianificare la manutenzione predittiva di questi nei processi industriali. Partendo da un motore asincrono alimentato da rete e accoppiato con un freno a polveri magnetiche, il segnale della corrente nel dominio del tempo viene registrato sotto sei diversi livelli di contaminazione da polvere del cuscinetto. Diciotto parametri vengono quindi calcolati tramite il software Matlab: alcuni tipici dellanalisi dei segnali, altri tipici statistici. Applicando diversi algoritmi di selezione delle variabili, il numero di queste viene ridotto al fine di ridurre lonere computazionale per il calcolo online e per evitare il fenomeno delloverfitting durante il processo di classificazione. Successivamente, diversi classificatori sono stati allenati e testati; la valutazione di questi è stata eseguita seguendo tre parametri: precisione, matrici di confusione e curve ROC. I processi di selezione delle variabili e classificazione sono stati eseguiti con il software WEKA. I risultati mostrano un buon punto di partenza per eseguire unadeguata manutenzione predittiva.