Diagnostica nei motori elettrici multifase in condizione di guasto

La tesi si concentra sull'implementazione e valutazione di modelli predittivi per dataset di macchine elettriche multifase. Grazie alla riduzione della corrente di fase e alla diminuzione della dimensione degli interruttori elettronici del convertitore statico, gli azionamenti multifase stanno guadagnando attenzione nel settore industriale per la loro maggiore efficienza e tolleranza ai guasti. Per l'estrazione delle caratteristiche rilevanti dai dataset, sono state utilizzate tecniche di feature selection come Extra Trees Classifier, Kneighbors Classifier, Boruta, RFE e XGBoost. Queste tecniche identificano le variabili chiave per i modelli predittivi. I dataset sono stati manipolati con librerie apposite, e per la creazione dei modelli sono stati impiegati algoritmi come DecisionTreeClassifier. I modelli predittivi sono stati valutati per accuratezza, capacità di generalizzazione e robustezza. Gli alberi decisionali sono stati creati usando l'entropia come criterio di suddivisione e limitando la profondità per prevenire l'overfitting. I regolatori PI, essenziali nei sistemi di controllo industriale, combinano l'azione proporzionale con quella integrale per mantenere la stabilità del sistema e raggiungere le prestazioni desiderate. Nei motori sincroni a magneti permanenti, il regolatore PI controlla la velocità regolando tensione o corrente, riducendo rapidamente l'errore ed eliminando l'errore stazionario. Nei generatori sincroni, mantiene una tensione stabile regolando la tensione di eccitazione. I parametri Kp e Ki sono sintonizzati per ottenere prestazioni dinamiche e garantire la stabilità del sistema. Sarà essenziale migliorare gli algoritmi di selezione delle feature e i modelli predittivi per adattarli alle esigenze specifiche delle applicazioni industriali. La personalizzazione e l'ottimizzazione delle prestazioni delle macchine multifase continueranno a essere aree di grande interesse.