Studio e sviluppo di algoritmi di fault detection e classification su piattaforma STM32 tramite tecniche di intelligenza artificiale

The detection of faults in electric motors has been a subject of intense research for years: the early identification of issues can significantly reduce repair costs and downtime. This work presents the study and implementation of neural networks for fault detection and classification in induction motors, with particular focus on the Inter-turn Short Circuit Fault (ISCF) case. The study involved the analysis of pre-trained models provided, the execution of inferences on a PC using Python and its machine learning libraries, and the subsequent porting to an STM32 board. This final phase required the study and use of software tools provided by STMicroelectronics to facilitate and optimize the process: STM32CubeMX for hardware configuration and the X-Cube-AI tool for integrating and analyzing artificial intelligence models within the project. The ultimate goal is to analyze performance on both PC and embedded hardware and explore solutions for better optimization of hardware resources, evaluating trade-offs between computational efficiency and model accuracy on the microcontroller

Il rilevamento di guasti nei motori elettrici è da anni un tema oggetto di intensa ricerca: una pronta individuazione del problema può permettere di ridurre notevolmente i costi di riparazione e i tempi di inattività. Questo elaborato presenta lo studio e l'implementazione di reti neurali per il rilevamento e la classificazione di guasti nei motori a induzione, con particolare attenzione al caso Inter-turn Short Circuit Fault (ISCF). Il lavoro ha previsto l'analisi dei modelli pre-addestrati forniti, l’esecuzione delle inferenze su PC mediante Python e le sue librerie per il machine learning, e il successivo porting su scheda STM32. Quest’ultima fase ha richiesto lo studio e l’impiego di strumenti software messi a disposizione da STMicroelectronics per facilitare e ottimizzare il lavoro: STM32CubeMX per la configurazione hardware e il tool X-Cube-AI per l’integrazione e l’analisi di modelli di intelligenza artificiale nel progetto. L'obiettivo finale è un’analisi delle prestazioni su PC e su scheda, e l’esplorazione di soluzioni per una migliore ottimizzazione delle risorse hardware, analizzando compromessi tra efficienza computazionale e accuratezza del modello su microcontrollore.