אמידת יעילות ופרמטרים של מנועי אינדוקציה באתר באמצעות אופטימיזציה היוריסטית

מדוע מנועים חכמים חשובים

מוסתרים בתוך מפעלים, משאבות ומערכות אוורור, מנועי חשמל בולעים בשקט את רוב החשמל התעשייתי בעולם. אפילו שיפורים קטנים ביעילות שבהם מכונות אלה ממירות חשמל לתנועה יכולים לחסוך כמויות גדולות של אנרגיה ולצמצם פליטות גזי חממה. עם זאת, בדיקה של הביצועים האמיתיים של מנוע בדרך כלל מחייבת עצירת הייצור והעברתו למעבדה — דבר שרבים מהמפעלים פשוט אינם יכולים לעשות. מאמר זה מציע דרך לאמידת יעילות מנוע בזמן שהוא ממשיך לפעול במפעל, תוך שימוש רק במדידות חשמליות סטנדרטיות ובאלגוריתמי חיפוש מתקדמים שמקורם בבינה המלאכותית.

הבעיה בבדיקת מנועים כבדים

מנועי אינדוקציה תלת־פאזיים הם סוסי העבודה החזקים של התעשייה כי הם פשוטים, זולים ועמידים. עם זאת, רוב המנועים המותקנים פועלים מתחת לעומס האידיאלי שלהם, מה שמבזבז אנרגיה וכסף לאורך זמן. תקני בדיקה רשמיים, כגון IEEE 112, מגדירים שיטות מדויקות למדידת יעילות, אך הן דורשות ערכות בדיקה מיוחדות, דממי בלימה ומדידות מומנט ישירות. בדיקות אלה יקרות, פולשניות ולעתים בלתי אפשריות עבור מנועים גדולים כבר משולבים בקווי ייצור. גם ערכי נתוני המפעל (nameplate) מהיצרנים אינם תמיד אמינים, במיוחד לאחר הזדקנות או תיקון המנוע. לכן התעשייה זקוקה לדרך ל"לבדוק" מנועים במקום, מבלי לכבות אותם או להתקין חיישנים מכניים נוספים.

דרך חדשה לקרוא את מצבו האמיתי של המנוע

המחברים מתמודדים עם האתגר הזה באמצעות התייחסות למנוע כתעלומה חשמלית. במקום למדוד כל אובדן ישירות, הם מתמקדים במודל חשמלי מפושט של המנוע, הנבנה ממערך קטן של פרמטרים פנימיים מרכזיים כגון התנגדויות וריאקטנסים. אם פרמטרים אלה ידועים, ניתן לחשב יעילות ומומנט עבור עומסים שונים. הרעיון המרכזי הוא להסתכל רק על כמויות שקל למדוד בשטח — מתח קו, זרם, הספק כניסה ומהירות — ואז לאפשר לשיטות חיפוש ממוחשבות לכוונן את פרמטרי המודל הנסתרים עד שהתנהגות המודל תתאים למדידות. ברגע שהמודל מתאים, אותן משוואות תקניות המשמשות בבדיקות מעבדה יכולות לשמש לחישוב יעילות, אך עתה במקום.

להשאיר את החיפוש לאלגוריתמים בהשראת הטבע

מציאת השילוב הנכון של פרמטרים פנימיים מורכבת כי מרחב החיפוש גדול והפרמטרים מתקשרים זה עם זה בצורה מורכבת. כדי להתמודד עם זאת, המחקר משתמש בשמונה אלגוריתמים "היוריסטיים" של אופטימיזציה בהשראת התנהגויות טבעיות: להקות ציפורים, עדרי זאבים, דורסי ציד, לווייתנים נודדים ועוד. כל אלגוריתם מתחיל עם רבות של פתרונות ניסיוניים ומטפח אותם לכיוונים של התאמות טובות יותר לאורך מאות איטרציות. המחברים גם מציגים דרך מבוססת פיזיקה לצמצום טווחי הפרמטרים המותרים, תוך שימוש בנתוני שם־הלוח, מידע יצרן ויחסי בדיקה חשמליים. זאת כדי למנוע פתרונות בלתי מציאותיים ולעזור לאלגוריתמים להתכנס מהר יותר ובאמינות גבוהה יותר, במיוחד עבור כמויות רגישות כמו התנגדות הרוטור.

בדיקות על מנועים אמיתיים בגדלים שונים

השיטה נבדקה על שישה מנועים תעשייתיים, בטווח של 1.1 קילוואט עד 132 קילוואט, בארבע רמות עומס בין רבע העומס לעומס מלא. שימשו שתי סכמות אמידה. בשיטה I הסתמכו האלגוריתמים רק על מדידות השדה, תוך התעלמות מהספק הנקוב של הלוח כדי שיהיו חסינים לתוויות לא מדויקות. בשיטה II נוסף הספק המדורג כהגבלה נוספת. עבור כל מנוע ועומס הושוו היעילות המוערכת לערכים שהתקבלו מהליכי IEEE 112 הרשמיים באמצעות מערכי מעבדה מלאים. על פני כל המנועים, השגיאה הממוצעת בעומס מלא נשארה מתחת לכ־0.7 אחוז, ומספר אלגוריתמים — במיוחד אופטימיזציית עדר חלקיקים, אופטימיזציית לווייתן וחיפוש דיפרנציאלי — הראו דיוק גבוה ותוצאות יציבות שניתן לשחזר. השגיאות עלו בעומס נמוך מאוד, בעיקר מפני שמודלים סטנדרטיים של מנועים מתייחסים לחלק מההפסדים כקבועים גם כאשר המנוע כמעט אינו עובד.

מה זה אומר עבור מפעלים וחיסכון באנרגיה

לקורא שאינו מומחה, המסקנה העיקרית היא שכעת מפעלים יכולים לאמוד כמה ביעילות פועלים המנועים שלהם מבלי להפסיק ייצור או להתקין חיישנים מכניים מורכבים. על ידי קריאת אותות חשמליים שכבר מפוקחים במתקנים רבים, שיטה זו יכולה לעקוב אחר יעילות לאורך זמן, לאתר מכונות בעלות ביצועים לקויים או שנפגמו, ולתמוך בביקורות אנרגיה ובתכנון תחזוקה. בעוד שהגישה פחות מדויקת בעומסים נמוכים מאוד ועלולה להיות רגישה לנתוני לוח גרועים, המחברים מראים שבליקויים תפעוליים טיפוסיים היא מתקרבת מאוד לבדיקות מעבדה ברמת זהב. במונחים פרקטיים, זה אומר שחברות יכולות לקבל תובנות קרובות לאיכות מעבדה על מצב הציוד הצורך ביותר בהספק, בעלות נמוכה וללא שיבוש — כלי שימושי להפחתת חשבונות חשמל והשפעה סביבתית.

ציטוט: 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

מילות מפתח: יעילות מנועי אינדוקציה, ניטור באתר, אופטימיזציה היוריסטית, חיסכון אנרגטי תעשייתי, אמידת פרמטרי מנוע