Image processing and machine learning application for fault diagnosis in synchronous motors

Abstract

Synkronmotor feildiagnose gir innsikt i motorhelse og driftssikkerhet. Diagnostisk analyse utføres vanligvis ved å undersøke endringer i frekvenskomponenter. Denne oppgaven presenterer en bildebehandlings- og maskinlærings tilnærming for å oppdage feil i motoren automatisk. Bildebehandlingsmetoden vil bruke kontinuerlige wavelet-transformasjonsplott som input, generert på eksperimentell og simuleringsdata. Maskinlærings metoden, gradientforsterkning på beslutningstrær, vil bruke romlige og statistiske bildeområde beskrivelser som input. Effektiviteten til den utviklede metoden ga en klassifiseringsnøyaktighet på 92%. Metoden er avhengig av sunn data, men det argumenters for at med en mer omfattende datainnsamling vil metoden kunne bli uavhengig av sunn data og potensielt bli anvendelig som et diagnostisk verktøy i praktiske anvendelser

Synchronous motor fault diagnosis provides insight into motor health and operational reliability. Diagnostic analysis is typically performed by examining changes in frequency components. This thesis presents an image processing and machine learning approach to detect faults in the motor automatically. The image processing method would use continuous wavelet transformation plots as input, generated on experimental and simulation data. The machine learning method, gradient boosting on decision trees, would use spatial and statistical image region descriptors as input. The effectiveness of the developed method produced a classification accuracy of 92%. The method is dependent on healthy data, but it is argued that with a more extensive sampling size, the method could become independent of healthy data and could potentially become applicable as a diagnostic tool in practical applications