Purpose. The purpose of this research is to analyze machine learning algorithms, select the most accurate and efficient algorithm for diagnosing the technical condition of an induction traction motor based on operating parameters such as temperature, noise, and vibration, and study the features of using Internet of Things (IoT) technology to assess technical conditions in real time. Methodology. The machine learning algorithm suitable for diagnosing the technical condition of asynchronous traction motors was identified through analysis and comparative methods. Findings. Machine learning algorithms were analyzed, and two distinct algorithms, K-means and Extreme Machine Learning (EML), were selected for diagnosing the technical condition of asynchronous motors. The algorithms were compared based on performance metrics such as accuracy, specificity, sensitivity, positive predictive value, and negative predictive value. The results revealed that the EML algorithm outperformed K-means in these metrics, achieving an overall performance score of 93%. Originality. A novel system was proposed that integrates a machine learning model with IoT technology for real-time diagnostics of the technical condition of traction electric motors. This innovative approach enables dynamic monitoring of the motor's technical state. Compared to traditional temperature diagnostic systems, such a multi-parameter system will allow you to determine a specific malfunction. Practical value. The proposed system, based on a machine learning model, evaluates the technical condition of traction motors in real-time using IoT. It provides recommendations on when maintenance should be performed, based on the actual condition of the motor. The system allows for maintenance planning based on real-time diagnostics, facilitating a shift from scheduled maintenance to predictive maintenance strategies. This, in turn, increases operational lifespan and minimizes unplanned downtime. By leveraging IoT, the diagnostic system can integrate with motor control systems or SCADA systems, enabling remote monitoring and control of motor operations.

Мета. Основною метою цього дослідження є аналіз алгоритмів машинного навчання, вибір найбільш точного й ефективного алгоритму діагностики технічного стану асинхронного тягового двигуна на основі таких робочих параметрів, як температура, рівень шуму та вібрації, а також вивчення особливостей застосування технології інтернету речей (IoT) для оцінки технічних умов у реальному часі. Методика. За допомогою аналізу та порівняльних методів визначено алгоритм машинного навчання, придатний для діагностики технічного стану асинхронного тягового двигуна. Результати. Проаналізовано алгоритми машинного навчання та обрано два різних алгоритми K-means та Extreme Mаchineаrning (EML) для діагностики технічного стану асинхронних двигунів. Алгоритми порівнювали на основі показників ефективності, таких як точність, специфічність, чутливість, позитивне прогностичне значення та негативне прогностичне значення. Результати показали, що алгоритм EML перевершив K-середні за цими показниками, досягнувши загального показника продуктивності 93 %. Наукова новизна. Запропоновано нову систему, яка інтегрує модель машинного навчання з технологією IoT для діагностики технічного стану тягових електродвигунів у реальному часі. Цей інноваційний підхід дозволяє динамічно контролювати технічний стан двигуна. Практична значимість. Запропонована система на основі моделі машинного навчання оцінює технічний стан тягових двигунів у реальному часі за допомогою IoT. Він містить рекомендації щодо того, коли слід виконувати технічне обслуговування з урахуванням фактичного стану двигуна. Система дозволяє планувати технічне обслуговування на основі діагностики в реальному часі, полегшуючи перехід від планового техобслуговування до стратегій прогнозного техобслуговування. Це, у свою чергу, збільшує термін експлуатації та мінімізує незаплановані простої. Використання IoT дає можливість інтегрувати діагностичну систему із системами керування двигуном або системами SCADA, що забезпечує дистанційний моніторинг і контроль роботи двигуна.