Motor Current Data Generation and Analysis to Monitor and Identify the Health Status of a Ball Bearing

Promovendus/a
Amitabh, Praneet
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Elektromechanica, Systeem- en Metaalengineering
Curriculum
Master of Mechanical Engineering, KU Leuven, 2019
Academische graad
Doctor in de ingenieurswetenschappen: werktuigkunde-elektrotechniek
Taal proefschrift
Engels
Vertaling titel
Genereren en analyseren van motorstroomgegevens om de gezondheidstoestand van kogellagers op te volgen en te identificeren
Promotor(en)
prof. Frederik De Belie, vakgroep Elektromechanica, Systeem- en Metaalengineering - prof. Guillaume Crevecoeur, vakgroep Elektromechanica, Systeem- en Metaalengineering
Examencommissie
voorzitter em. prof. Luc Taerwe (eredecaan) - dr. ir. Dimitar Bozalakov, vakgroep Elektromechanica, Systeem- en Metaalengineering - dr. Bram Corne, Orbits - dr. ir. Mohamed Ibrahim, vakgroep Elektromechanica, Systeem- en Metaalengineering - prof. Hans Vande Sande, Universiteit Antwerpen - promotor prof. Frederik De Belie, vakgroep Elektromechanica, Systeem- en Metaalengineering - promotor prof. Guillaume Crevecoeur, vakgroep Elektromechanica, Systeem- en Metaalengineering

Korte beschrijving

Elektrische inductiemotoren zijn overal aanwezig, van industriële productielijnen tot huishoudelijke toestellen. Ze zijn betrouwbaar en efficiënt, maar kunnen toch onverwacht defect raken. Zulke storingen veroorzaken vaak grote financiële verliezen door ongeplande stilstand. Daarom is het belangrijk om problemen vroegtijdig te detecteren en niet alleen te weten dát er een fout is, maar ook hoe ernstig die is en hoe dringend ingrijpen nodig wordt. Dit proefschrift onderzoekt een alternatieve manier om motoren te bewaken via hun elektrische stroom, zonder extra sensoren of fysieke toegang tot de machine. Eerst werd een realistisch computermodel ontwikkeld dat verschillende lagerdefecten kan nabootsen en zo waardevolle testdata genereert. Daarnaast werden uitgebreide metingen uitgevoerd op echte motoren om te begrijpen hoe lagerproblemen zich in elektrische signalen tonen. Ten slotte werden nieuwe signaalverwerkingstechnieken en een hybride model met kunstmatige intelligentie ontwikkeld om de ernst van lagerschade betrouwbaar te schatten. Samen vormen deze bijdragen een belangrijke stap richting betaalbaar en voorspellend onderhoud op basis van elektrische metingen.

Praktisch

Datum
Dinsdag 21 april 2026, 16:00
Locatie
leslokaal Rudolf E. Richter, gebouw 131 Volta, gelijkvloers, Technologiepark Zwijnaarde 131, 9052 Zwijnaarde
Livestream
Volg online

Meer info

Contact
doctoraat.ea@ugent.be