Machine Learning-Based Fault Detection and Diagnosis in Synchronous Motors. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (MSc Thesis - MACHINE LEARNING-BASED FAULT DETECTION AND DIAGNOSIS IN SYNCHRONOUS MOTORS) ms_thesis.pdf Restricted to Repository staff only until 30 July 2026. Download (9MB)

Arabic Abstract

تقدم هذه الرسالة إطارًا قائمًا على تقنيات التعلم الآلي للكشف عن أعطال لفائف العضو الثابت وتقدير شدتها في مراحلها المبكرة في محركات متزامنة منخفضة القدرة تعمل على البدء المباشر (LSPMSM). يستخدم النظام المقترح للكشف والتشخيص (FDD) تقنيات معالجة إشارات متعددة المجالات والتعلم الإحصائي للتعرف على أعطال القصر بين اللفات (ITSC) في ظروف تشغيل مختلفة تشمل التغير في الحمل ومقاومة العطل. يعتمد المنهج على استخراج الميزات من النطاق التفصيلي في المستوى الخامس (D5) من تحويل المويجات المتقطع (DWT) والمطبق على إشارات التيار والجهد والسرعة. تم تقييم الميزات الإحصائية والمعتمدة على التحويلات مثل القيمة من قمة إلى قمة، والطاقة باستخدام عامل طاقة TEO، والمتوسط باستخدام TEO، ضمن إطار تقييم منظم يعتمد على الخطية، التدرج الأحادي، التباين عند 0\%، التناسق داخل الفئة، ومقاومة الضوضاء. تم اختيار أكثر الميزات تميّزًا لتدريب نموذج تصنيف باستخدام الغابة العشوائية لتحديد الأعطال ومكانها، وكذلك لتدريب نموذج انحدار مستمر لتقدير شدة العطل. أظهر الإطار أداءً قويًا على كل من البيانات التجريبية والمحاكاة. حيث حقق نموذج التصنيف دقة عالية وأظهر صمودًا جيدًا حتى في مستويات ضوضاء تصل إلى 20 ديسيبل. كما قدم نموذج الانحدار نتائج دقيقة في الظروف النظيفة والضوضائية المعتدلة، وأظهر قدرة على التعميم إلى مستويات شدة غير مُستخدمة أثناء التدريب. كما أظهرت التقييمات الخاصة على مجموعة شدة مستبعدة مسبقًا مدى حساسية النموذج للأنماط غير المرصودة. تؤكد هذه النتائج جدوى استخدام نماذج التعلم الآلي خفيفة الوزن المعتمدة على ميزات محسّنة في الكشف والتشخيص FDD في محركات LSPMSM منخفضة القدرة. ويقدم هذا العمل إطارًا قابلًا للتعميم والتوسع لأنظمة الصيانة التنبؤية في الزمن الحقيقي.

English Abstract

This thesis introduces a machine learning framework to detect and assess the severity of early-stage stator winding faults in low-power line-start permanent magnet synchronous motors (LSPMSMs). The proposed fault detection and diagnosis (FDD) system employs multi-domain signal processing and statistical learning techniques to identify incipient inter-turn short-circuit (ITSC) faults across varying load conditions and fault resistance levels. The methodology is based on extracting features from the fifth-level detail subband (D5) of the discrete wavelet transform (DWT), applied to stator current, voltage, and speed signals. A variety of statistical and transformation-based features—such as Peak-to-Peak (raw), Energy using the Teager Energy Operator (TEO), and Mean TEO—were benchmarked using a structured evaluation framework. This framework assessed key factors including monotonicity, linearity, contrast at the healthy state (0%), intra-class consistency, and robustness to noise. The most discriminative features were selected to train a Random Forest classifier for fault detection and localisation, as well as a Random Forest regressor for continuous severity estimation. The framework was validated on both simulated and experimental datasets. The classification model achieved high accuracy and demonstrated robustness under noise levels up to 20 dB. The regression model produced reliable predictions on clean and moderately noisy signals and generalised well to unseen severity levels. A special evaluation using a previously excluded severity set highlighted the model’s sensitivity to patterns not included during training. These findings confirm the viability of using lightweight, feature-engineered machine learning models for dependable and noise-resilient fault detection and diagnosis in low-power LSPMSMs. The work presents a generalisable and scalable approach suitable for real-time predictive maintenance systems.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Kassas, Mahmoud
Committee Members:	Abido, M. A. and Tran, Van Dinh
Depositing User:	JIMMY PALOMINO HUILCAPI (g202216520)
Date Deposited:	31 Jul 2025 05:33
Last Modified:	31 Jul 2025 05:33
URI:	http://eprints.kfupm.edu.sa/id/eprint/143630