The growing demand for dependable manufacturing techniques has sped up research into condition monitoring and fault diagnosis of critical motor parts. On the other hand, in modern industry, machine maintenance is becoming increasingly necessary. An insufficient maintenance strategy can result in unnecessarily high downtime or accidental machine failure, resulting in significant financial and even human life losses. Downtime and repair costs rise as a result of failure. Furthermore, developing an online condition monitoring method may be one solution to come up for the problem. Early detection of faults is very vital since they grow quickly and can cause further problems to the motor. This paper proposes an effective strategy for the classification of broken rotor bars (BRBs) for induction motors (IMs) that uses a new approach based on Artificial Neural Network (ANN) and stator current envelope. The stator current envelope is extracted using the cubic spline interpolation process. This is based on the idea that the amplitude-modulated motor current signal can be revealed using the motor current envelope. The stator current envelope is used to select seven features, which will be used as input for the neural network. Five IM conditions were experimentally used in this study, including a part of BRB, 1 BRB, 2 BRBs and 3 BRBs. The new feature extraction and selection approach achieves a higher level of accuracy than the conventional method for motor fault classification, according to the experimental results. Indeed, the results are impressive, and it is capable of detecting the exact number of broken rotor bars under full load conditions, Растущий спрос на надежные технологии производства ускорил исследования в области мониторинга состояния и диагностики неисправностей критически важных деталей двигателя. С другой стороны, в современной промышленности все более необходимым становится техническое обслуживание машин. Недостаточная стратегия технического обслуживания может привести к неоправданно длительному простою или аварийному выходу машины из строя, что приведет к значительным финансовым и даже человеческим потерям. В результате неисправности увеличиваются простои и затраты на ремонт. Поэтому, одним из решений этой проблемы может быть разработка метода онлайн-мониторинга состояния. Раннее обнаружение неисправностей имеет большое значение, поскольку их количество быстро растет, что может вызвать дополнительные проблемы с двигателем. В данной статье предлагается эффективная стратегия классификации обрывов стержней ротора (ОСР) асинхронных двигателей (АД) с использованием нового подхода, основанного на искусственной нейронной сети (ИНС) и огибающей тока статора. Огибающая тока статора извлекается с помощью процесса интерполяции кубическими сплайнами. Он основан на идее, что с помощью огибающей тока двигателя можно выявить амплитудно-модулированный сигнал тока двигателя. Огибающая тока статора используется для выбора семи признаков, которые будут использоваться в качестве входных данных для нейронной сети. В исследовании экспериментально использованы пять состояний АД, которые включают обрыв части стержня ротора, обрыв 1 стержня ротора, обрыв 2 стержней ротора и обрыв 3 стержней ротора. Согласно результатам эксперимента, новый подход к выделению и выбору признаков обеспечивает более высокий уровень точности, чем обычный метод классификации неисправностей двигателя. Результаты действительно впечатляют, он способен определять точное количество обрывов стержней ротора в условиях полной нагрузки, Зростаючий попит на надійні технології виробництва прискорив дослідження в області моніторингу стану та діагностики несправностей критично важливих деталей двигуна. З іншого боку, в сучасній промисловості все більш необхідним стає технічне обслуговування машин. Недостатня стратегія технічного обслуговування може призвести до невиправдано тривалого простою або аварійного виходу машини з ладу, що призведе до значних фінансових і навіть людських втрат. В результаті несправності збільшуються простої і витрати на ремонт. Тому, одним з рішень цієї проблеми може бути розробка методу онлайн-моніторингу стану. Раннє виявлення несправностей має велике значення, оскільки їхня кількість швидко зростає, що може викликати додаткові проблеми з двигуном. У даній статті пропонується ефективна стратегія класифікації обривів стрижнів ротора (ОСР) асинхронних двигунів (АД) з використанням нового підходу, заснованого на штучній нейронній мережі (ШНМ) і обвідній струму статора. Обвідна струму статора вилучається за допомогою процесу інтерполяції кубічними сплайнами. Він заснований на ідеї, що за допомогою обвідної струму двигуна можна виявити амплітудно-модульований сигнал струму двигуна. Обвідна струму статора використовується для вибору семи ознак, які будуть використовуватися в якості вхідних даних для нейронної мережі. У дослідженні експериментально використані п'ять станів АД, які включають обрив частини стрижня ротора, обрив 1 стрижня ротора, обрив 2 стрижнів ротора і обрив 3 стрижнів ротора. Згідно з результатами експерименту, новий підхід до виділення і вибору ознак забезпечує більш високий рівень точності, ніж звичайний метод класифікації несправностей двигуна. Результати дійсно вражають, він здатний визначати точну кількість обривів стрижнів ротора в умовах повного навантаження