Nuevo YASKAWA MOTOR SERVO industrial 0,318 m 3000/min SGM-02A3G26 del motor servo

Otras técnicas incluyen análisis de la vibración, la medida de ruido acústica, el análisis del perfil del esfuerzo de torsión, el análisis de la temperatura, y el análisis del campo magnético [28, 30]. Estas técnicas requieren los sensores sofisticados y costosos, las instalaciones eléctricas y mecánicas adicionales, y mantenimiento frecuente. Por otra parte, el uso de un sensor físico en resultados del motor de la falta de un sistema de identificación en una confiabilidad de sistema más baja comparada
a otros sistemas de identificación de la falta que no requieren la instrumentación adicional. Esto debe a la susceptibilidad del sensor fallar añadió a la susceptibilidad inherente del motor de inducción para fallar.

Recientemente, las nuevas técnicas basadas en acercamientos de la inteligencia artificial (AI) se han introducido, usando conceptos tales como lógica confusa [32], algoritmos genéticos [28], y clasificadores Bayesian [18, 34]. Las técnicas AI-basadas pueden no sólo clasificar las faltas, pero también identificar la severidad de la falta. Estos métodos construyen firmas off-line para cada condición de funcionamiento del motor y una firma en línea para la situación de un motor que es supervisado.

el clasificador compara las firmas previamente doctas con la firma generada en línea para clasificar la condición de funcionamiento del motor e identificar la severidad de la falta.

Sin embargo, la mayor parte de estas técnicas AI-basadas requieren grupos de datos grandes. Este el grupo de datos se utiliza para aprender una firma para cada condición de funcionamiento del motor que se esté considerando para la clasificación. Así, una gran cantidad de datos son necesarios entrenar a tales algoritmos para cubrir las condiciones de funcionamiento del motor más común, y obtienen buena exactitud de la clasificación de la falta del motor. Por otra parte, las técnicas AI-basadas para la clasificación de la falta del motor pueden no ser suficientemente robustas clasificar faltas de diversos motores de ésos usados en el proceso de entrenamiento. Además, estos grupos de datos no están generalmente disponibles, no implican la prueba destructiva, y la considerable hora de generar.