Συντάχθηκε 19-01-2026 08:37
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 28/01/2026 10:00
Λήξη: 28/01/2026 11:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Αντωνίου Καραβιτάκη
με θέμα
Εφαρμογές Μηχανικής Μάθησης σε Διάγνωση Σφαλμάτων Ηλεκτρικών Μηχανών
Machine Learning Applications in Electrical Machines Fault Diagnosis
Εξεταστική Επιτροπή
Καθηγητής Κωνσταντίνος Γυφτάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Καθηγητής Βασίλειος Διγαλάκης
Περίληψη
Η έγκαιρη και αξιόπιστη διάγνωση σφαλμάτων σε ηλεκτρικές μηχανές είναι καθοριστικής σημασίας για τη βελτίωση της λειτουργικής ασφάλειας, τη μείωση του χρόνου εκτός λειτουργίας και την υλοποίηση προγνωστικής συντήρησης. Οι παραδοσιακές διαγνωστικές προσεγγίσεις συνήθως διαχωρίζουν την εξαγωγή χαρακτηριστικών από την ταξινόμηση, βασιζόμενες σε χειροποίητους ηλεκτρικούς ή μηχανικούς δείκτες, οι οποίοι συχνά είναι υποβέλτιστοι και υπολογιστικά απαιτητικοί. Η παρούσα εργασία προτείνει δύο διαγνωστικές προσεγγίσεις βασισμένες στη Μηχανική Μάθηση. Αρχικά, παρουσιάζεται μία αρχιτεκτονική νευρωνικού δικτύου για δυαδική ταξινόμηση σφαλμάτων, με στόχο την ανίχνευση σπασμένης μπάρας ρότορα. Επιπλέον, το κύριο αντικείμενο της εργασίας αποτελεί ένα σύστημα διάγνωσης σφαλμάτων σε πραγματικό χρόνο, βασισμένο σε ένα νευρωνικό δίκτυο σύντηξης δύο κλάδων, το οποίο μαθαίνει από κοινού διακριτές αναπαραστάσεις από ηλεκτρικές και μηχανικές μετρήσεις. Οι δύο κλάδοι λειτουργούν παράλληλα, καταγράφοντας συμπληρωματικές υπογραφές σφαλμάτων, και συνδυάζονται σε ένα ενιαίο επίπεδο απόφασης, το οποίο αντανακλά τις υποκείμενες φυσικές ευαισθησίες κάθε αισθητηριακής πηγής. Η πειραματική αξιολόγηση σε πραγματικά δεδομένα κινητήρα καταδεικνύει ότι η προτεινόμενη αρχιτεκτονική σύντηξης βελτιώνει τη σταθερότητα της ταξινόμησης υπό διαφορετικές συνθήκες λειτουργίας, διατηρώντας ταυτόχρονα χαμηλή υπολογιστική πολυπλοκότητα, κατάλληλη για διαδικτυακή παρακολούθηση.
Abstract
Early and reliable fault diagnosis in electrical machines is essential for improving operational safety, reducing downtime, and enabling predictive maintenance. Traditional diagnostic pipelines typically separate feature extraction from classification, often relying on hand-crafted electrical or mechanical indicators that may be
suboptimal and computationally demanding. This work proposes two machine learning–based diagnostic approaches. First, a neural network architecture is presented for binary fault classification, targeting the detection of broken rotor bar faults. Moreover, the main focus of this work, consists of a real-time fault diagnosis system based on a two-branch fusion neural network that jointly learns discriminative representations from electrical and mechanical measurements. The two branches operate in parallel, capturing complementary fault signatures, and are fused into a unified decision layer that reflects the underlying physical sensitivities of each sensing modality. Experimental evaluation on real motor data demonstrates that the proposed fusion architecture improves classification robustness across varying operating conditions, while maintaining low computational complexity suitable for online monitoring.
