Efficacité in situ et estimation des paramètres des moteurs à induction par optimisation heuristique

Pourquoi des moteurs plus intelligents comptent

Cachés dans les usines, les pompes et les systèmes de ventilation, les moteurs électriques consomment silencieusement la majeure partie de l’électricité industrielle mondiale. Même de petites améliorations de la manière dont ces machines convertissent l’électricité en mouvement peuvent permettre d’importantes économies d’énergie et réduire les émissions de gaz à effet de serre. Pourtant, vérifier la performance réelle d’un moteur signifie généralement arrêter la production et transporter la machine en laboratoire—ce que de nombreuses usines ne peuvent tout simplement pas faire. Cet article présente une méthode pour estimer l’efficacité d’un moteur pendant qu’il fonctionne sur le plancher de production, en n’utilisant que des mesures électriques standard et des algorithmes de recherche avancés empruntés à l’intelligence artificielle.

Le problème des gros moteurs de service

Les moteurs asynchrones triphasés sont les solides chevaux de bataille de l’industrie : simples, bon marché et robustes. Cependant, la plupart des moteurs installés fonctionnent en dessous de leur charge idéale, ce qui gaspille de l’énergie et de l’argent sur le long terme. Les normes d’essai officielles, telles que l’IEEE 112, définissent des moyens très précis de mesurer l’efficacité, mais elles nécessitent des bancs d’essai spéciaux, des machines de freinage et des mesures directes du couple. Ces essais sont coûteux, intrusifs et souvent impossibles pour les gros moteurs déjà intégrés aux lignes de production. Les valeurs indiquées sur la plaque signalétique du fabricant ne sont pas toujours fiables, surtout après vieillissement ou réparation. L’industrie a donc besoin d’une méthode pour « auditer » les moteurs sur site, sans les arrêter ni installer de capteurs mécaniques supplémentaires.

Une nouvelle façon d’évaluer la santé réelle d’un moteur

Les auteurs abordent ce défi en considérant le moteur comme une énigme électrique. Plutôt que de mesurer chaque perte directement, ils se concentrent sur un modèle électrique simplifié du moteur, construit à partir d’un petit ensemble de paramètres internes clés tels que résistances et réactances. Si ces paramètres sont connus, l’efficacité et le couple peuvent être calculés pour différentes charges. L’idée principale est de ne regarder que des grandeurs faciles à mesurer sur le terrain—tension de ligne, courant, puissance d’entrée et vitesse—puis de laisser des méthodes de recherche informatiques ajuster les paramètres cachés du modèle jusqu’à ce que le comportement du modèle corresponde aux mesures. Une fois le modèle ajusté, les mêmes équations standard utilisées en laboratoire peuvent être appliquées pour calculer l’efficacité, mais cette fois in situ.

Laisser des algorithmes inspirés de la nature effectuer la recherche

Trouver la bonne combinaison de paramètres internes est délicat car l’espace de recherche est vaste et les paramètres interagissent de façon complexe. Pour y faire face, l’étude utilise huit algorithmes d’optimisation « heuristiques » inspirés de comportements naturels : vol d’oiseaux, meutes de loups, faucons chasseurs, baleines errantes, et d’autres. Chaque algorithme démarre avec de nombreuses solutions d’essai et les oriente vers de meilleures correspondances sur des centaines d’itérations. Les auteurs introduisent également une méthode basée sur la physique pour restreindre l’intervalle autorisé de chaque paramètre, en utilisant les données de la plaque signalétique, les informations du fabricant et les relations électriques de test. Cela évite des solutions irréalistes et aide les algorithmes à converger plus rapidement et de manière plus fiable, en particulier pour des grandeurs sensibles comme la résistance du rotor.

Tests sur des moteurs réels de différentes puissances

La méthode a été testée sur six moteurs industriels, de 1,1 kilowatt à 132 kilowatts, à quatre niveaux de charge entre un quart et la charge nominale. Deux schémas d’estimation ont été utilisés. Dans la Méthode I, les algorithmes ne s’appuyaient que sur les mesures de terrain, en ignorant la puissance nominale inscrite sur la plaque afin d’être robustes face à des étiquettes inexactes. Dans la Méthode II, la puissance nominale a été ajoutée comme contrainte supplémentaire. Pour chaque moteur et chaque charge, les efficacités estimées ont été comparées aux valeurs obtenues selon les procédures officielles IEEE 112 en laboratoire. Sur l’ensemble des moteurs, l’erreur moyenne en charge nominale est restée inférieure à environ 0,7 %, et plusieurs algorithmes—en particulier l’optimisation par essaim de particules, l’optimisation des baleines et la recherche différentielle—ont montré à la fois une grande précision et des résultats stables et reproductibles. Les erreurs augmentent à très faible charge, principalement parce que les modèles moteurs standards traitent certaines pertes comme constantes même lorsque le moteur travaille très peu.

Ce que cela signifie pour les usines et les économies d’énergie

Pour un lecteur non spécialiste, la conclusion principale est que les usines peuvent désormais estimer l’efficacité de leurs moteurs sans arrêter la production ni installer des capteurs mécaniques complexes. En n’utilisant que des signaux électriques déjà surveillés dans de nombreuses installations, cette méthode peut suivre l’efficacité dans le temps, repérer les machines sous-performantes ou dégradées, et soutenir les audits énergétiques et la planification de la maintenance. Bien que l’approche soit moins précise à très faible charge et puisse être sensible à de mauvaises données de plaque signalétique, les auteurs montrent que, dans des conditions de fonctionnement typiques, elle se rapproche fortement des essais de laboratoire de référence. En termes pratiques, cela signifie que les entreprises peuvent obtenir des informations proches de la qualité laboratoire sur la santé de leurs équipements les plus consommateurs d’énergie, à faible coût et sans perturbation—un outil utile pour réduire les factures d’énergie et l’impact environnemental.

Citation: 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

Mots-clés: efficacité des moteurs à induction, surveillance in situ, optimisation heuristique, économies d'énergie industrielles, estimation des paramètres du moteur