Machine learning-based monitoring and diagnosis of industrial devices through current measurements

This thesis deals with the creation of an algorithm to detect anomalies or faults in a device. The algorithm input is current measurement and the output is the status of the device. The algorithm is obtained through machine learning techniques, in particular, support vector machines and feedforward neural networks are applied. The algorithm is obtained after a training phase in which data, collected from both faulty and healthy devices, are processed. Features are extracted from current measurement both in time and frequency domain. Also features that deal with the correlation between current and voltage measurements are proposed. The discussed procedure is applied to two case studies. The first one consists in the identification of noisy DC permanent-magnets gearmotors of two different models. Results, obtained both through support vector machines and neural networks, show that the algorithm is able to detect particularly noisy gearmotors, by using only time domain features. The second case study is about two dishwashers. The objective is to identify active components, in particular, if spry arms are moving and, in case, which one. The proposed algorithm for this task is obtained applying multi-class support vector machines through error-correcting output codes. The objective is achieved for one dishwasher while, for the other, the algorithm is not able to identify which spry arm is moving but can only detect if one of them is active.

Questa tesi si occupa della creazione di un algoritmo per rilevare se un dispositivo presenta anomalie o guasti. L'algoritmo riceve in ingresso la misura di corrente assorbita dal dispositivo e l'uscita è lo stato del dispositivo stesso. Esso è ottenuto tramite tecniche di machine learning, in particolare si utilizzano support vector machines e reti neurali feedforward. L'algoritmo si ottiene dopo una fase di training in cui vengono elaborati i dati raccolti sia da dispositivi guasti che integri. Le features sono estratte dalle misure di corrente, sia nel dominio del tempo che in quello della frequenza, e sono proposte anche features che riguardano la correlazione tra misure di corrente e tensione. Il procedimento descritto è applicato a due casi di studio. Il primo riguarda due diversi modelli di motoriduttori in corrente continua a magneti permanenti e consiste nell'identificazione dei motoriduttori rumorosi. I risultati, ottenuti sia attraverso support vector machines che reti neurali, mostrano che l'algoritmo è in grado di identificare i motoriduttori particolarmente rumorosi, utilizzando solo features nel dominio del tempo. Il secondo caso di studio riguarda due lavastoviglie. L'obiettivo è quello di identificare i componenti attivi, in particolare se le pale sono in movimento e, nel caso, quale sta ruotando. L'algoritmo proposto a tal fine è ottenuto applicando multi-class support vector machines tramite error-correcting output codes. Per una lavastoviglie l'obiettivo è raggiunto, mentre per l'altra l'algoritmo non è in grado di identificare quale pala si stia muovendo, ma può rilevare solo se ve n'è una attiva.