Endüstriyel sürücü sistemlerinde verimlilikleri, sağlamlıkları, güç ve boyut çeşitlilikleri nedeniyle asenkron motorlar sıklıkla kullanılmaktadırlar. Asenkron motorlarda meydana gelen kırık rotor çubuğu arızaları, sistemin verimliliğini doğrudan etkilediğinden arıza teşhisi gittikçe önem kazanmaktadır. Kırık rotor çubuğu arızalarının teşhisi için hem stator akım sinyali hem de motor titreşim sinyali kullanılmaktadır. Son zamanlarda bu konuda yapılan çalışmalarda bazı sinyal işlemle teknikleri ile birlikte makine öğrenmesi yöntemleri kullanılmaktadır. Bu çalışmada, ampirik mod ayrışımı (AMA) ve makine öğrenmesi yöntemleri kullanılarak kırık rotor çubuğu sayısının sınıflandırılması gerçekleştirilmiştir. İlk olarak arızalı motor veri setinden alınan bir faz akımı ve motor titreşim sinyali filtrelenip zarflanmıştır. İkinci adımda bu sinyaller AMA yöntemiyle 5 adet içsel mod fonksiyonuna (İMF) ayrıştırılıp spektral entropi ve anlık frekans öznitelikleri elde edilmiştir. Üçüncü adımda bu öznitelikler uç uca eklenip yeni öznitelik vektörü oluşturulmuştur. Dördüncü adımda, öznitelik vektörleri destek vektör makinesi (DVM), k en yakın komşu (KEK) ve karar ağacı (KA) makine öğrenmesi yöntemleriyle sınıflandırılmıştır. Başarı parametresi olarak sınıflandırma doğruluğu kullanılmış ve en yüksek başarı %93,9 ile DVM sınıflandırma yönteminden elde edilmiştir. Çalışmanın sonunda literatürde aynı veri seti için yapılan çalışmalar ile performans karşılaştırılması yapılmış ve bunların sonucunda kırık rotor çubuğu sayısının sınıflandırılmasının AMA ve DVM ile yapılabileceği görülmüştür.