Early diagnostics of incipient faults in induction motors is an important aspect of preventive maintenance strategies. In this thesis, frequently encountered induction motor fault types are detected and classified using stator current, vibration and acoustic data. Current, vibration and acoustic that data are acquired from the experiments realized under different loading conditions of induction motors on which different fault types created synthetically are used for feature extraction by means of different signal processing techniques including Wavelet Packet Decomposition, 2D Wavelet Transform and Local Binary Patterns. Conversion of one-dimensional data signals into two-dimensional grayscale images whose sizes are arranged due to their autocorrelation value provide the opportunity of utilization of texture based methods for feature extraction. Novel feature vectors are proposed for fault classification and their performances are tested with Neural Network and Bayesian based classifiers. Besides, a remarkable benchmark database is constructed consisting of stator current, vibration and acoustic data acquired under many operating conditions. This database is expected to be used as medium for future works of fault diagnosis related to preventive maintenance strategies of the induction motors.

Asenkron motorların başlangıç seviyesindeki arızalarının önceden tespit edilmesi koruyucu bakım stratejilerinin önemli bir unsurudur. Bu tez çalışmasında stator akımı, titreşim ve ses verileri kullanılarak asenkron motorlarda sıklıkla karşılaşılan arıza tipleri tespit edilmiş ve sınıflandırılmıştır. Üzerlerinde farklı arıza tiplerinin kasıtlı olarak oluşturulduğu asenkron motorların farklı yükleme koşulları altında çalıştırması deneylerinden elde edilen akım, titreşim ve ses verilerinden Dalgacık Paket Ayrıştırması, İki-boyutlu Dalgacık Dönüşümü, Yerel İkili Örüntüler gibi çeşitli sinyal işleme yöntemleri ile sınıflandırmada kullanılacak öznitelikler çıkarılmıştır. Tek boyutlu veri sinyallerinin otokorelasyon değerlerine göre boyutları ayarlanmış iki boyutlu gri tonlu imgelere dönüştürülmesi öznitelik çıkarımında doku analizi tabanlı yöntemlerin kullanılmasına olanak tanımıştır. Arıza sınıflandırma için yenilikçi öznitelik vektörleri önerilmiş ve sınıflandırma performansları Yapay Sinir Ağları ve Bayes tabanlı sınıflandırıcılar ile test edilmiştir. Farklı arıza tiplerine sahip motorlardan farklı yükleme koşulları altında elde edilmiş, stator akımı, titreşim ve ses verilerini içeren bir veri tabanı oluşmuş olup bu veri tabanının gelecekte yapılacak koruyucu bakım çalışmaları için değerli bir kaynak olması beklenmektedir.