An IoT-Driven Framework for Predictive Maintenance of Induction Motors Using Machine Learning

Abstract

Machine Learning tThis work proposes an IoT-driven predictive maintenance framework combined with o monitor induction motors and estimate their Remaining Useful Life (RUL). The methodology integrates a conceptual IoT architecture for data telemetry with ML- driven prognostic modeling. To evaluate the framework under varying complexities, a MATLAB/Simulink simulation was developed to generate progressive Broken Rotor Bar (BRB) fault trajectories, complemented by the real-world XJTU-SY bearing dataset. Following rigorous preprocessing and feature extraction, two regression models were investigated: Random Forest (RF) and Long Short-Term Memory (LSTM) networks. Experimental results demonstrated that while RF offers stable predictions using statistical time-domain features, LSTM excels in capturing sequential temporal degradation trends. The findings demonstrate that coupling simulated fault benchmarks with real-world failure datasets provides a reliable approach for evaluating automated RUL estimation models under industrial noise, establishing a scalable foundation for future edge hardware deployments.قترح هذا العمل إطار عمل للصيانة التنبؤية يعتمد على إنترنت األشياء (IoT (بتقنيات تعلم مدمجا اآللة لمراقبة المحركات الحثية وتقدير عمرها التشغيلي المتبقي .(RUL (تدمج المنهجية المتبعة بين بنية مفاهيمية إلنترنت األشياء ومحاكاة تدفق البيانات، وبين نمذجة التنبؤ القائمة على الذكاء االصطناعي. ولتقييم النظام تحت تعقيدات مختلفة، تم تطوير نموذج محاكاة ببرنامج Simulink/MATLAB لتوليد مسارات تدهور تدريجية ألعطال قضبان الدوار المكسورة (BRB (، تعززها قاعدة بيانات المحامل الحقيقية .(SY-XJTU(وبعد عمليات معالجة مسبقة واستخل ص صارم للميزات، تم فحص نموذجين للتنبؤ: خوارزمية الغابة العشوائية (Forest Random (وشبكات الذاكرة طويلة قصيرة المدى .(LSTM (وأظهرت النتائج التجريبية أنه بينما توفر الغابة العشوائية تنبؤات مستقرة باستخدام الميزات اإلحصائية الزمنية، تفوقت شبكات LSTM في التقاط اتجاهات التدهور الزمني المتسلسل. وتؤكد النتائج أن دمج نماذج األعطال ً لتقييم نماذج التقدير اآللي لعمر المعدات تحت تأثير ً موثوقا المحاكاة مع بيانات الفشل الواقعية يوفر نهجا الضوضاء الصناعية، مما يضع أساسا (Computing Edge (ً قابلً للتطوير لتطبيقات الحوسبة الطرفية مستقبل.ً