Air-gap eccentricity estimation in induction motors: the advantages of a physics-informed machine learning approach

In modern industrial environments, the reliability and efficiency of machinery are paramount, particularly for widely used induction motors. These motors, essential to numerous industrial applications, are susceptible to faults that can result in costly downtime and repairs. Condition Monitoring (CM) and Fault Detection (FD) have become crucial in predicting and diagnosing potential issues before they lead to catastrophic failures. Among the various faults, air-gap eccentricity — where the rotor's rotational axis misaligns with the stator's axis — stands out as one of the most common and damaging. This thesis presents an innovative non-invasive solution to the quantitative estimation of air-gap eccentricity in induction motors. The use of current sensors, which are often already integrated into the safety systems, guarantees a non-invasive approach to be integrated into industrial production systems. Traditional CM techniques, while effective, often struggle with accurately diagnosing and quantifying faults in complex, noisy environments. By integrating physical models with ML, PIML overcomes these limitations, offering a robust solution to the eccentricity estimation problem. Through a comparative analysis, this research demonstrates the superiority of PIML over both fully model-based and pure ML approaches. The proposed PIML method significantly enhances the accuracy of fault severity estimation, as evidenced by a more than 20% improvement in inference performance on experimental data, measured by the R^2 metric. The results confirm that PIML not only outperforms traditional methods but also provides a cost-effective, seamless solution for real-time CM and FD in industrial settings.

Nell'ambito dei moderni ambienti industriali, l'affidabilità e l'efficienza dei macchinari sono fondamentali, in particolare per i motori a induzione, ampiamente impiegati. Questi motori, essenziali per numerose applicazioni industriali, sono soggetti a guasti che possono comportare costosi tempi di inattività e riparazioni. Il monitoraggio delle condizioni (CM) e la rilevazione dei guasti (FD) sono diventati cruciali per prevedere e diagnosticare potenziali problemi prima che portino a guasti catastrofici. Tra i vari guasti, l'eccentricità al traferro — in cui l'asse di rotazione del rotore si disallinea con l'asse dello statore — si distingue come uno dei più comuni e dannosi. Questa tesi presenta una soluzione innovativa e non invasiva per la stima quantitativa dell'eccentricità al traferro nei motori a induzione. L'uso di sensori di corrente, spesso già integrati nei sistemi di sicurezza, garantisce un approccio non invasivo che può essere integrato nei sistemi di produzione industriale. Le tecniche tradizionali di CM, sebbene efficaci, spesso incontrano difficoltà nel diagnosticare e quantificare accuratamente i guasti in ambienti complessi e rumorosi. Integrando modelli fisici con il Machine Learning (ML), il Machine Learning informato dalla fisica (PIML) supera queste limitazioni, offrendo una soluzione robusta al problema della stima dell'eccentricità. Mediante un'analisi comparativa, questa ricerca dimostra la superiorità del PIML rispetto agli approcci basati unicamente su modelli fisici o su ML puro. Il metodo PIML proposto migliora significativamente l'accuratezza della stima della gravità del guasto, con un miglioramento delle prestazioni di inferenza di oltre il 20% sui dati sperimentali, misurato tramite il parametro R^2. I risultati confermano che il PIML non solo supera i metodi tradizionali, ma fornisce anche una soluzione economica e facilmente integrabile per il monitoraggio delle condizioni e la rilevazione dei guasti in tempo reale negli ambienti industriali.