The electrification of the automotive industry and artificial intelligence are both growing rapidly and can be greatly beneficial for a more sustainable future when combined. Induction machines exhibit many complex relationships between physical and electromagnetic properties that must be calculated in order to produce the correct quantities of torque and speed commanded by the driver. This is why calculations that depend on sensory information are often cross-monitored and supervised to prevent unsafe conditions or damage to the equipment. Safe torque estimation has a substantial role in safety which requires the fulfillment of ASIL C defined by ISO 26262. The calculation of safe torque is based on rotor temperature among other safety parameters. Traditional methods of obtaining rotor temperature include thermal models, state observers, and active parameter estimation. These methods rely on complex mathematical equations that have the risk of being incorrect and can sometimes be unfeasible in a practical environment. Naturally, we investigate whether we can embed Artificial Neural Networks in the software since we know that they can solve complex non-linear problems exceptionally well when combined with supervised machine learning. To supervise and train the network, we must first acquire the rotor temperature in an experimental setting with a temperature sensor. Then we embed the model into the software of an electrical inverter produced by Inmotion using a microcontroller framework. This way, predictions of rotor temperature can be made in a live environment without the sensor. Using the mean squared error of the output and k-fold cross-validation we can apply a corrected t-test to make a comparison and statistical evaluation of the models. The results in this research prove that a machine learning model can in fact be used to replace the current traditional state observer model that is based on stator temperature. We find that when stator and rotor temperatures are uncorrelated and different, the machine learning model is able to generalize much more accurately passing the t-test with an alpha threshold of  α  = 0.05. Results also reveal that the obtained rotor temperature can be used as reliable input for estimating safe torque by evaluating the measurements from a live motor with a realistic safety requirement. / Elektrifieringen av fordonsindustrin och artificiell intelligens växer i snabb takt där de båda har stor potential att vara välgörande för en mer hållbar framtid när de kombineras. Induktionsmotorer grundar sig på många komplicerade förhållanden mellan fysiska och elektromagnetiska egenskaper som måste beräknas för att förse rätt vridmoment och hastighet som föraren begär. Därför är ofta beräkningar som beror på sensorisk information ofta korsövervakad för att förhindra osäkra tillstånd eller skada på utrustningen. Säker vridmoment estimering spelar en stor roll i säkerhet vilket kräver ett uppfyllande av ASIL C definerad av ISO 26262. Beräkningen av denna estimering baseras bland annat på rotor temperatur och andra säkra parametrar. Traditionella metoder för att ta fram rotor temperatur inkluderar termala metoder, tillståndsobserverare och aktiv parameter estimering. Dessa metoder grundar sig på komplexa matematiska ekvationer som har en risk att vara inkorrekta och är ibland ogenomförbara i en praktisk miljö. Naturligt sett så vill vi istället undersöka om vi kan bädda in artificiella neuronnät i mjukvaran eftersom vi vet att de är exceptionellt bra på att lösa komplexa icke-linjära problem i kombination med övervakad maskininlärning. För att övervaka och träna nätverket så måste vi först erhålla rotor temperaturen i en experimentiell miljö med en temperatur sensor. Sedan så kan vi bädda in modellen i mjukvaran för en elektrisk inverterare skapad av Inmotion med ett mikrokontroller ramverk. På så vis så kan vi göra förutsägelser av rotor temperaturen utan behovet av en sensor. Genom att använda medelkvadratfelet och en form av flerstegs validering så kan vi applicera ett korrigerat t-test för att jämföra och göra en statistisk evaluering av modellerna. Resultaten i denna studie visar på att en maskininlärning modell kan användas för att ersätta den nuvarande traditionella modellen som baserar sig på stator temperatur. Vi finner att när stator och rotor temperatur och okorrolerade och olika så generaliserar maskininlärningsmodellen mycket mer exakt och klarar t-testet med en alpha gräns på α = 0.05. Resultaten visar också på att den erhållna rotor temperaturen kan användas som en pålitlig inmatning för att estimera säkert vridmoment genom att evaluera mätningar från en riktig motor med ett realistiskt säkerhetskrav.

With the fast evolution of the Industry 4.0, the increased use of sensors and the rapid development of the Internet of Things (IoT), and the adoption of artificial intelligence methods, smart factories can automate their processes to vastly improve their efficiency and production quality. However, even the most well cared-for machines develop faults eventually. Given that Prognostics and Health Management (PHM) is an indispensable aspect for proper machine performance, Predictive Maintenance (PdM) is an emerging topic within maintenance methodologies whose aim is to predict failure prior to occurrence with the goal of scheduling maintenance only when needed. As data can be collected faster than ever before, deep learning is an effective tool that can leverage big data for data-driven fault diagnosis methodologies. This thesis explores two different fault diagnosis methodologies associated with predictive maintenance: an anomaly detection using an Autoencoder Neural Network, and a fault classifier using a Convolutional Neural Network (CNN). The system under analysis is a 3phase AC induction motor commonly used in industry. Results show great performance and indicate the viability for the implementation of both methods in production applications. / Med den snabba utvecklingen av industri 4.0, den ökade användningen av sensorer och den snabba utvecklingen av Internet of Things samt införandet av metoder för artificiell intelligens kan smarta fabriker automatisera sina processer för att avsevärt förbättra effektiviteten och produktionskvaliteten. Även de mest välskötta maskinerna utvecklar dock fel så småningom. PHM är en oumbärlig aspekt för korrekt maskinunderhåll. PdM är ett nytt ämne inom underhållsmetodik som syftar till att förutsäga fel innan de inträffar, med målet att planera underhållet endast när det behövs. Eftersom data kan samlas in snabbare än någonsin tidigare är djupinlärning ett effektivt verktyg som kan utnyttja stora datamängder för datadrivna metoder för feldiagnostik. I den här uppsatsen undersöks två olika metoder för feldiagnostik i samband med förebyggande underhåll: en anomalidetektion med hjälp av ett neuralt nätverk med autoencoder och en felklassificering med hjälp av ett CNN. Det system som analyseras är en induktionsmotor med 3fas växelström som ofta används inom industrin. Resultaten visar på goda resultat och visar att det är möjligt att genomföra båda metoderna i produktionstillämpningar.

Our society moves towards digitalization and the industry is not an exception. Siemenshas developed a wireless condition monitoring device called Simotics Connect in order tohelp them to move forward in the world of digitalization. The Simotics Connect has threeinbuilt sensors. One for temperature, one for vibrations and one for magnetic flux density,a product that is new in the market. This master thesis has investigated its usability forthird party motors, which has not been done.Four areas were investigated, the status in the current market, creating a motorgeometry estimation based on nameplate data, presenting a temperature model to calculatea motor’s cross section temperature and, finally, proposed a stator current model using themagnetic field measurement.Market research has shown that a space for the Simotics Connect to thrive in mostdefinitely exists.The motor geometry estimation, that is based on preliminary electromagnetic sizing,creates a digital twin for the motor that has sufficient accuracy as a tool when calculatinge.g. temperature calculations but lacks accuracy for more advanced and sensitivecalculations e.g for magnetic flux density measurement usability.The temperature model that is presented shows great accuracy when calculating thecross section temperature in the stator but the accuracy decreases for the cross sectiontemperature in the rotor.A stator current model is proposed using a proportional relationship between themagnetic flux density and stator current. The results indicates a linear relationship, thoughusing the digital twin to calculate the proportional constant were concluded to not beaccurate enough. / Sammhället rör sig idag mot digitalisering och industrin är ej ett undantag. Siemens harutvecklat en trådlös underhållsmätare kallad Simotics Connect för att hjälpa dem strävamot en värld inom digitalisering. Simotics Connect hat tre inbyggda sensorer. En för temperatur,en för vibrationer och en för magnetisk flödestäthet, vilket är nytt på marknaden.Detta masterprojekt har undersökt användningen av Simotics Connect för tredjepartsmotorer,vilket ej har gjorts tidigare.Fyra områden undersöktes, statusen på den nuvarande marknaden, en motorgeometriuppskattningmodellbaserad på namnskylsdata, en temperaturmodell för att beräknamotorns tvärsnittstemperatur och, slutligen, en statorströmmodell som använder sig avmagnetiska flödestäthetsmätningen.Marknadsundersökningen har visat att det finns ett utrymme för Simotics Connectatt blomstra inom på den nuvarande marknaden.Motorns geometriska uppskattning, som är baserad i preliminär elektromagnetiskgeometribestämning, skapar en digital tvilling av motorn som är tillräckligt noggrann föratt aggera som ett verktyg vid t.ex. temperatursberäkningar men saknar noggrannhet förmer avancerade och känsliga beräkningar, t ex för användbarhet inom magnetisk flödestäthetsberäkningar.Temperaturmodellen som presenteras visar stor noggrannhet vid beräkning av statornstvärsnittstemperatur, men noggrannheten minskar för rotorns tvärsnittstemperatur.En statorströmmodell föreslås med ett proportionellt förhållande mellan magnetflödesdensitetenoch statorströmmen. Resultaten indikerar ett linjärt förhållande, men användandetav den digitala tvillingen för att beräkna proportionell konstant konstateras attinte vara tillräckligt noggrann metod.