AI-Driven Fault Diagnosis in Induction Motors Using Infrared Thermal Imaging and Advanced Feature Extraction Techniques

Abstract

Industries must develop induction motor (IM) diagnostic systems in order to identify problems and save downtime. One non-invasive method for real-time monitoring that has a lot of potential for this is infrared thermography. However, achieving high accuracy in defect identification is difficult since existing TI-based approaches frequently rely on manual feature selection.

This study presents an approach for fault diagnosis in induction motors (IMs) based on transfer learning and time frequency images (TIs) in order to address this. In particular, three pre-trained models GoogLeNet, ResNet-50, and EfficientNet were used to apply transfer learning in order to identify the best model for categorizing infrared photos of IMs.

Custom layers, such as a fully connected layer, a softmax layer, and a classification layer matching the number of target classes, were used to replace the original classification heads in each model. To guarantee a fair comparison, the same hyperparameters were used to fine-tune each architecture. Six and eleven different health disorders were included in the datasets used to thoroughly assess the models. The findings show that both datasets' accuracy, precision, recall, and F1-score metrics have improved. تُعدّ الحاجة إلى تطوير أنظمة تشخيص للمحرّكات الحثّية أمراً ضرورياً في الصناعات الحديثة، وذلك من أجل الكشف المبكر عن الأعطال وتقليل فترات التوقف غير المخطط لها. ويُعد التصوير الحراري بالأشعة تحت الحمراء من الأساليب غير التداخلية الواعدة للمراقبة في الزمن الحقيقي. ومع ذلك، فإن تحقيق دقة عالية في تحديد العيوب يظل أمراً صعباً، نظراً لأن الأساليب الحالية المعتمدة على الصور الحرارية غالباً ما تعتمد على الاختيار اليدوي للخصائص

تقدم هذه الدراسة منهجية لتحديد الأعطال في المحركات الحثية باستخدام التعلم بالنقل بالاعتماد على الصور الحرارية، وذلك لمعالجة هذه الإشكالية. وعلى وجه الخصوص، تم استخدام ثلاثة نماذج مدرّبة مسبقاً هي GoogLeNet: وResNet-50 وEfficientNet، حيث تم تطبيق تقنية التعلم بالنقل بهدف تحديد النموذج الأكثر كفاءة في تصنيف الصور الحرارية للمحركات الحثية.

ولتحقيق ذلك، تم استبدال طبقات التصنيف الأصلية في كل نموذج بطبقات مخصصة، تضمنت طبقة اتصال كاملة، وطبقة سوفت ماكس، وطبقة تصنيف تتوافق مع عدد الفئات المستهدفة. ولضمان إجراء مقارنة عادلة بين النماذج المختلفة، تم استخدام نفس معاملات الضبط أثناء عملية إعادة التدريب الدقيق لكل بنية نموذجية.

وقد تضمنت مجموعات البيانات المستخدمة في التقييم ستة أنواع مختلفة من حالات الأعطال الصحية في مجموعة البيانات الأولى، وأحد عشر نوعاً من الأعطال في مجموعة البيانات الثانية، مما أتاح إجراء تقييم شامل لأداء النماذج. وتشير النتائج إلى تحسن ملحوظ في مؤشرات الأداء، بما في ذلك الدقة والدقة الإيجابية والاسترجاع ومقياس F1 عبر كلا مجموعتي البيانات.