In-situ-Wirkungsgrad- und Parameterschätzung für Asynchronmotoren mittels heuristischer Optimierung

Warum intelligentere Motoren wichtig sind

Versteckt in Fabriken, Pumpen und Lüftungsanlagen verbrauchen Elektromotoren stillschweigend den Großteil des industriellen Stroms weltweit. Selbst kleine Verbesserungen darin, wie effizient diese Maschinen elektrische Energie in Bewegung umsetzen, können große Energiemengen einsparen und Treibhausgasemissionen reduzieren. Doch um wirklich zu prüfen, wie gut ein Motor arbeitet, muss die Produktion häufig angehalten und die Maschine ins Labor gebracht werden — das können viele Betriebe schlicht nicht leisten. Dieser Beitrag stellt eine Methode vor, mit der sich der Wirkungsgrad eines Motors schätzen lässt, während er weiterhin auf der Produktionsstätte läuft, und zwar allein anhand standardmäßiger elektrischer Messgrößen und fortgeschrittener Suchalgorithmen aus der künstlichen Intelligenz.

Das Problem bei großen Arbeitstieren

Drehstrom-Asynchronmotoren sind die robusten Arbeitstiere der Industrie, weil sie einfach, günstig und langlebig sind. Die meisten installierten Motoren laufen jedoch unter ihrer idealen Last, was über die Zeit Energie und Geld verschwendet. Offizielle Prüfstandards wie IEEE 112 definieren sehr genaue Messverfahren für den Wirkungsgrad, sie erfordern jedoch spezielle Prüfstände, Bremsmaschinen und direkte Drehmomentmessungen. Solche Tests sind teuer, störend und oft unmöglich für bereits in Produktionslinien eingebaute Großmotoren. Auf den Typenschildangaben der Hersteller kann man sich zudem nicht immer verlassen, besonders nachdem ein Motor gealtert oder repariert wurde. Die Industrie braucht daher eine Möglichkeit, Motoren vor Ort zu prüfen, ohne sie stillzulegen oder zusätzliche mechanische Sensoren einzubauen.

Eine neue Methode, den Zustand eines Motors zu lesen

Die Autoren begegnen dieser Herausforderung, indem sie den Motor als elektrisches Rätsel betrachten. Anstatt alle Verluste direkt zu messen, konzentrieren sie sich auf ein vereinfachtes elektrisches Modell des Motors, aufgebaut aus einer kleinen Menge wichtiger interner Parameter wie Widerständen und Reaktanzen. Wenn diese Parameter bekannt sind, lassen sich Wirkungsgrad und Drehmoment für verschiedene Lasten berechnen. Die zentrale Idee ist, nur Größen zu verwenden, die im Feld leicht messbar sind — Leiterspannung, Strom, Eingangsleistung und Drehzahl — und dann computerbasierte Suchmethoden die verborgenen Modellparameter so anpassen zu lassen, dass das Modellverhalten mit den Messungen übereinstimmt. Sobald das Modell passt, können dieselben Standardgleichungen wie im Labor angewendet werden, um den Wirkungsgrad zu berechnen, aber nun in-situ.

Naturinspirierte Algorithmen die Suche überlassen

Die richtige Kombination interner Parameter zu finden ist kompliziert, weil der Suchraum groß ist und die Parameter auf komplexe Weise interagieren. Um damit umzugehen, nutzt die Studie acht „heuristische“ Optimierungsalgorithmen, die von natürlichem Verhalten inspiriert sind: Vogelschwärme, Wolfsrudel, jagende Falken, wandernde Wale und weitere. Jeder Algorithmus startet mit vielen Testlösungen und schiebt diese über hunderte Iterationen zu besseren Anpassungen. Die Autoren führen außerdem eine physikalisch begründete Eingrenzung der zulässigen Parameterbereiche ein, basierend auf Typenschilddaten, Herstellerinformationen und elektrischen Prüfbeziehungen. Das verhindert unrealistische Lösungen und hilft den Algorithmen, schneller und zuverlässiger zu konvergieren, insbesondere bei empfindlichen Größen wie dem Läuferwiderstand.

Prüfung an realen Motoren verschiedenster Größen

Die Methode wurde an sechs Industriemotoren getestet, von 1,1 Kilowatt bis 132 Kilowatt, bei vier Laststufen zwischen einem Viertel- und Volllast. Es wurden zwei Schätzschemata verwendet. In Methode I stützten sich die Algorithmen nur auf Feldmessungen und ignorierten die auf dem Typenschild angegebene Nennleistung, um gegenüber ungenauen Angaben robust zu sein. In Methode II wurde die Nennleistung als zusätzliche Einschränkung hinzugefügt. Für jeden Motor und jede Last wurden die geschätzten Wirkungsgrade mit Werten aus den offiziellen IEEE-112-Verfahren verglichen, die vollständige Laboraufbauten verwenden. Über alle Motoren lag der mittlere Fehler bei Volllast bei unter etwa 0,7 Prozent, und mehrere Algorithmen — insbesondere Partikelschwarmoptimierung, Walsuche und Differential Search — zeigten sowohl hohe Genauigkeit als auch stabile, reproduzierbare Ergebnisse. Bei sehr leichter Last stiegen die Fehler an, hauptsächlich weil Standardmotormodelle einige Verluste als konstant behandeln, selbst wenn der Motor kaum arbeitet.

Was das für Fabriken und Energieeinsparungen bedeutet

Für den Laien ist die Hauptaussage, dass Fabriken jetzt abschätzen können, wie effizient ihre Motoren laufen, ohne die Produktion zu stoppen oder komplexe mechanische Sensoren zu installieren. Indem nur elektrische Signale gelesen werden, die in vielen Anlagen bereits überwacht werden, kann diese Methode den Wirkungsgrad über die Zeit verfolgen, unterperformende oder degradierte Maschinen aufspüren und Energieaudits sowie Wartungsplanung unterstützen. Zwar ist der Ansatz bei sehr niedrigen Lasten weniger präzise und kann empfindlich auf fehlerhafte Typenschilddaten reagieren, doch die Autoren zeigen, dass er unter typischen Betriebsbedingungen sehr nahe an standardisierte Labortests herankommt. Praktisch bedeutet das, dass Unternehmen nahezu laborqualitative Einblicke in den Zustand ihrer stromintensivsten Geräte erhalten können — kostengünstig und ohne Unterbrechung — ein nützliches Werkzeug zur Senkung von Energiekosten und zur Reduktion der Umweltbelastung.

Zitation: Göztaş, M., Sahman, M.A. & Çunkaş, M. In-situ efficiency and parameter estimation for induction motors using heuristic optimization. Sci Rep 16, 9643 (2026). https://doi.org/10.1038/s41598-025-34932-1

Schlüsselwörter: Wirkungsgrad von Asynchronmotoren, In-situ-Überwachung, heuristische Optimierung, industrielle Energieeinsparungen, Schätzung von Motorparametern