[論文レビュー] Fault Diagnosis on Induction Motor using Machine Learning and Signal Processing

Muhammad Samiullah, Hasan Ali+2 more|arXiv (Cornell University)|Jan 27, 2024

Machine Fault Diagnosis Techniques被引用数 4

ひとこと要約

本研究では、MATLAB Simulinkを用いた機械学習および信号処理フレームワークを提案し、三相誘導モーターの故障診断を実施した。150,000件のデータポイント（健全状態および4種類の故障形態：断線、短絡、過負荷、ローターバー破損）を生成し、特徴抽出にFFTを適用し、複数のモデルを評価した。その結果、意思決定木が92％の精度を達成し、産業分野における故障分類において高い解釈可能性と頑丈さを示した。

ABSTRACT

The detection and identification of induction motor faults using machine learning and signal processing is a valuable approach to avoiding plant disturbances and shutdowns in the context of Industry 4.0. In this work, we present a study on the detection and identification of induction motor faults using machine learning and signal processing with MATLAB Simulink. We developed a model of a three-phase induction motor in MATLAB Simulink to generate healthy and faulty motor data. The data collected included stator currents, rotor currents, input power, slip, rotor speed, and efficiency. We generated four faults in the induction motor: open circuit fault, short circuit fault, overload, and broken rotor bars. We collected a total of 150,000 data points with a 60-40% ratio of healthy to faulty motor data. We applied Fast Fourier Transform (FFT) to detect and identify healthy and unhealthy conditions and added a distinctive feature in our data. The generated dataset was trained different machine learning models. On comparing the accuracy of the models on the test set, we concluded that the Decision Tree algorithm performed the best with an accuracy of about 92%. Our study contributes to the literature by providing a valuable approach to fault detection and classification with machine learning models for industrial applications.

研究の動機と目的

• 産業現場における予期しない停止を防ぐために、早期に誘導モーターの故障を検出できる信頼性の高い自動化システムの開発。
• 電気的故障が原因で35–40％の故障が発生するという高い故障率に対処し、データ駆動型手法による予知保全を可能にする。
• リアルタイムのモーター特性を用いて、多様な故障タイプを分類する複数の機械学習モデルの性能を評価・比較すること。
• 信号処理（FFT）と機械学習を統合することで、シミュレートされたモーターのデータ上で故障検出の精度を向上させること。
• MATLAB Simulinkを用いた実用的で解釈可能かつ頑丈なソリューションを提供し、Industry 4.0アプリケーションに適したものとする。

提案手法

• ステータ電流、ロータ電流、入力電力、スリップ、ロータ回転数、効率をモニタリングするセンサーを備えた三相誘導モーターのモデルをMATLAB Simulinkで構築した。
• 断線、短絡、過負荷、ローターバー破損の4種類の故障を、専用ブロック（例：三相ブレーカー、故障ブロック、調和成分を再現するRLC回路）を用いてシミュレートした。
• 健全状態と故障状態の間で60-40％の比率で、合計150,000件のデータポイントを収集し、トレーニングとテストのバランスを確保した。
• 周波数ドメイン特徴量を抽出するために高速フーリエ変換（FFT）を適用し、特定の故障を示す調和歪みを同定した。
• MATLABのClassification Learnerアプリを用いて、複数のモデル（意思決定木、サポートベクターマシン、ロジスティック回帰、ナイーブベイズ）をトレーニングおよび比較した。
• 精度、適合率、再現率、F1スコアを用いてモデルの性能を評価し、特徴量の重要度と混同行列を用いて結果の解釈を行った。

Figure 1: Simulink Model of Three-Phase Induction Motor

実験結果

リサーチクエスチョン

• RQ1 シミュレートされたデータを用いた三相誘導モーターの多様な故障タイプを分類する際、どの機械学習モデルが最も高い精度を達成するか？
• RQ2 FFTに基づく信号処理は、モーター電流および電力信号の故障検出における判別力の向上にどの程度効果的か？
• RQ3 意思決定木における特徴量の重要度順位は、故障診断におけるモーター特性の物理的意味をどの程度反映しているか？
• RQ4 実際の産業現場のデータ環境において、ノイズおよび外れ値に対して各アルゴリズムのモデルの頑丈さはどのように比較されるか？
• RQ5 信号処理と解釈可能な機械学習を統合したハイブリッド手法は、Industry 4.0システムに適した信頼性の高いリアルタイム故障診断を可能にするか？

主な発見

• 意思決定木アルゴリズムが92％の最高テスト精度を達成し、サポートベクターマシン、ロジスティック回帰、ナイーブベイズを上回った。
• 混同行列の結果、断線および短絡故障の分類において100％の正確性が確認され、それらの信号シグネチャの明確な特徴が示された。
• 特徴量の重要度分析により、ステータ電流、ロータ電流、入力電力が故障分類において最も影響力のある変数であることが確認された。
• 意思決定木モデルはノイズおよび外れ値に対して強い頑丈さを示し、不完全なデータを含む実際の産業環境に適していることがわかった。
• FFTベースの前処理により、特にローターバー破損故障に特徴的な周波数成分が効果的に抽出された。この故障は調和歪みを引き起こす。
• プロットマトリクス分析により、データセットに冗長な特徴量が存在しないことが確認され、主成分分析（PCA）の必要がなく、モデルの解釈可能性が保たれた。

Figure 2: Stator Currents of Healthy Motor