On-device learning for anomaly detection on brushless electric motors

Anomaly detection in electric motors is a critical task for predictive maintenance and industrial reliability. Traditional approaches rely on pre-trained models deployed on ex- ternal systems, limiting their adaptability to real-time domain shifts such as load changes, mechanical wear, or motor replacement. This thesis addresses the challenge of detecting anomalies in brushless DC motors using only onboard resources, enabling model adapta- tion without external retraining. We develop an adaptive anomaly detection system running directly on the STWIN.box development kit, featuring the ultra-low-power STM32U585AI microcontroller. The sys- tem processes real-time asynchronous data from a triaxial accelerometer and a current sensor, aligned through an aggregation step. A compact autoencoder neural network is deployed and incrementally fine-tuned using online stochastic gradient descent. To ensure robust performance across speeds, a dynamic thresholding mechanism is intro- duced. It assigns speed-specific loss thresholds based on normal data distributions, allow- ing accurate anomaly decisions while avoiding false positives in high-variability regimes. Thiscombinedlearningandthresholdingstrategyenablesthemodeltoadaptautonomously to changing operating conditions. Experiments on a controlled testbench with pro- grammable faults—such as magnetic interference, load increases, and imbalance—show that the system maintains high detection accuracy over time. These results validate the feasibility of real-time embedded learning for smart actuators, supporting more au- tonomous and resilient industrial IoT applications.

Il rilevamento di anomalie nei motori elettrici è una funzione cruciale per la manuten- zione predittiva e l’affidabilità industriale. I metodi tradizionali si basano su modelli pre-addestrati eseguiti su sistemi esterni, limitando la loro adattabilità a variazioni oper- ative in tempo reale, come cambi di carico, usura meccanica o sostituzione del motore. Questa tesi affronta il problema del rilevamento di anomalie nei motori brushless DC uti- lizzando esclusivamente risorse a bordo, consentendo l’adattamento del modello senza la necessità di riaddestramento esterno. È stato sviluppato un sistema di rilevamento adattivo delle anomalie eseguito diret- tamente sul kit di sviluppo STWIN.box, basato sul microcontrollore ultra-low-power STM32U585AI. Il sistema elabora in tempo reale dati asincroni provenienti da un ac- celerometro triassiale e da un sensore di corrente, allineati temporalmente tramite un modulo di aggregazione. Una rete neurale autoencoder compatta viene distribuita sul dispositivo e ottimizzata progressivamente tramite discesa del gradiente stocastica online. Per garantire prestazioni robuste su tutto l’intervallo di velocità, è stato introdotto un meccanismo di soglia dinamica. Esso assegna soglie specifiche per ciascuna velocità in base alla distribuzione degli errori di ricostruzione su dati normali, permettendo decisioni accurate anche in presenza di alta variabilità. Questa strategia, che unisce apprendimento e sogliatura, consente al modello di adattarsi autonomamente a condizioni operative mutevoli. Esperimenti condotti su un banco di prova controllato con guasti programmabili—tra cui interferenze magnetiche, aumento del carico e squilibrio meccanico—dimostrano che il sistema mantiene alte prestazioni nel tempo. I risultati confermano la fattibilità dell’apprendimento embedded in tempo reale per attuatori intelligenti, ponendo le basi per applicazioni IoT industriali più autonome e resilienti.