Performance comparison of machine learning algorithms for three-phase induction motors fault detection

This dissertation aims at the detection of short-circuit incipient fault condition in a threephase squirrel-cage induction motor fed by a sinusoidal PWM inverter. In order to detect this fault, a test bench is used to impose different operation conditions to an induction motor, and each sample of the data set is taken from the line currents of the PWM inverter aforementioned. For feature extraction, the Motor Current Signature Analysis is used. The detection of this fault is treated as a classification problem, therefore different supervised algorithms of machine learning are used so as to solve it: Ordinary Least Squares, Singlelayer Perceptron, Multi-layer Perceptron, Extreme Learning Machine, Support-Vector Machine, Least-Squares Support-Vector Machine, the Minimal Learning Machine, and Gaussian Classifiers. Together with Reject Option technique, these classifiers are tested and the results are compared with other works that use the same data set. Maximum accuracy rates of 100% with Support-Vector Machine and Least-Squares Support-Vector Machine classifiers suggest that, in near future, an embedded system can be developed with these algorithms.Esta dissertação visa a detecção de falhas incipientes por curto-circuito entre espiras de um motor de indução trifásico do tipo gaiola de esquilo acionado por conversor de frequência com modulação por largura de pulso do tipo senoidal. Para detectar este tipo de falha, uma bancada de testes é utilizada para impor diferentes condições de operação ao motor, e cada amostra do conjunto de dados foi extraída das correntes de linha do conversor de frequência supracitado. Para extração de características, a análise da assinatura de corrente do motor foi utilizada. Para solucionar este problema, a detecção desta falha é tratada como um problema de classificação, por isso, diferentes algoritmos supervisionados de aprendizado de máquina são utilizados: Mínimos Quadrados Ordinários, Redes Perceptron Simples, Redes Perceptron Multicamadas, Máquina de Aprendizado Extremo, Máquina de Vetor de Suporte, Máquina de Vetor de Suporte por Mínimos Quadrados, Máquina de Aprendizado Mínimo, e Classificadores Gaussianos. Juntamente com a técnica de opção de rejeição, estes classificadores são testados e os resultados destes são comparados entre si e com outros trabalhos que fizeram uso mesmo banco de dados. Taxas de acerto máximo de 100% com os classificadores Máquina de Vetor de Suporte e Máquina de Vetor de Suporte por Mínimos Quadrados sugerem que, em um futuro próximo, um sistema embarcado pode ser desenvolvido com estes algoritmos