In-situ efficiëntie- en parameterinschatting voor inductiemotoren met behulp van heuristische optimalisatie

Waarom slimme motoren ertoe doen

Verborgen in fabrieken, pompen en ventilatiesystemen verbruiken elektromotoren stilletjes het grootste deel van de industriële elektriciteit wereldwijd. Zelfs kleine verbeteringen in hoe efficiënt deze machines elektriciteit omzetten in beweging kunnen grote hoeveelheden energie besparen en de uitstoot van broeikasgassen verminderen. Toch betekent het controleren van de daadwerkelijke prestatie van een motor meestal dat de productie moet worden stilgelegd en de machine naar een laboratorium moet worden gebracht—iets wat veel fabrieken simpelweg niet kunnen doen. Dit artikel introduceert een manier om de efficiëntie van een motor te schatten terwijl deze in bedrijf blijft op de werkvloer, gebruikmakend van alleen standaard elektrische metingen en geavanceerde zoekalgoritmen uit de kunstmatige intelligentie.

Het probleem met het controleren van grote werkpaarden

Driestands inductiemotoren zijn de robuuste werkpaarden van de industrie omdat ze eenvoudig, goedkoop en duurzaam zijn. De meeste geïnstalleerde motoren draaien echter onder hun ideale belasting, wat na verloop van tijd energie en geld verspilt. Officiële testnormen, zoals IEEE 112, definiëren zeer nauwkeurige manieren om efficiëntie te meten, maar ze vereisen speciale testrigs, remmachines en directe koppelmetingen. Die testen zijn duur, ingrijpend en vaak onmogelijk voor grote motoren die al in productielijnen ingebouwd zijn. Typeplaatwaarden van fabrikanten zijn ook niet altijd betrouwbaar, vooral nadat een motor is verouderd of gerepareerd. De industrie heeft daarom een manier nodig om motoren ter plaatse te 'auditen', zonder ze stil te leggen of extra mechanische sensoren te installeren.

Een nieuwe manier om de werkelijke gezondheid van een motor af te lezen

De auteurs pakken deze uitdaging aan door de motor te behandelen als een elektrisch raadsel. In plaats van elke verliespost direct te meten richten ze zich op een vereenvoudigd elektrisch model van de motor, opgebouwd uit een klein aantal sleutelinterne parameters zoals weerstanden en reactanties. Als deze parameters bekend zijn, kunnen efficiëntie en koppel over verschillende belastingen worden berekend. Het kernidee is alleen te kijken naar grootheden die gemakkelijk in het veld te meten zijn—lijnspanning, stroom, invoervermogen en snelheid—en vervolgens computergebaseerde zoekmethoden de verborgen modelparameters te laten bijstellen totdat het modelgedrag overeenkomt met de metingen. Zodra het model past, kunnen dezelfde standaardvergelijkingen die in laboratoriumtests worden gebruikt worden toegepast om efficiëntie te berekenen, maar nu in situ.

Nature-geïnspireerde algoritmen het zoekwerk laten doen

Het vinden van de juiste combinatie van interne parameters is lastig omdat de zoekruimte groot is en de parameters op ingewikkelde manieren met elkaar interageren. Om dit aan te pakken gebruikt de studie acht "heuristische" optimalisatiealgoritmen geïnspireerd door natuurlijke gedragingen: zwermen vogels, roedels wolven, jagende haviken, zwervende walvissen en meer. Elk algoritme begint met veel proefoplossingen en stuurt ze gedurende honderden iteraties naar betere overeenkomsten. De auteurs introduceren ook een fysisch gebaseerde manier om het toegestane bereik voor elke parameter te beperken, gebruikmakend van typeplaatdata, informatie van de fabrikant en elektrische testrelaties. Dit voorkomt onrealistische oplossingen en helpt de algoritmen sneller en betrouwbaarder te convergeren, vooral voor gevoelige grootheden zoals rotorweerstand.

Testen op echte motoren in verschillende vermogensklassen

De methode is getest op zes industriële motoren, variërend van 1,1 kilowatt tot 132 kilowatt, bij vier belastingsniveaus tussen een kwart- en volle belasting. Er werden twee schattingsschema's gebruikt. In Methode I vertrouwden de algoritmen alleen op veldmetingen en negeerden ze het typeplaatvermogen zodat ze robuust zouden zijn tegen onnauwkeurige labels. In Methode II werd het nominale vermogen toegevoegd als een extra beperking. Voor elke motor en belasting werden de geschatte efficiënties vergeleken met waarden verkregen via de officiële IEEE 112-procedures met volledige laboratoriumopstellingen. Over alle motoren bleef de gemiddelde fout bij volle belasting onder ongeveer 0,7 procent, en verschillende algoritmen—met name particle swarm optimization, whale optimization en differential search—lieten zowel hoge nauwkeurigheid als stabiele, herhaalbare resultaten zien. Fouten namen toe bij zeer lichte belasting, vooral omdat standaard motormodellen sommige verliezen als constant beschouwen, zelfs wanneer de motor nauwelijks werkt.

Wat dit betekent voor fabrieken en energiebesparing

Voor een niet-specialistische lezer is de belangrijkste conclusie dat fabrieken nu kunnen inschatten hoe efficiënt hun motoren draaien zonder de productie te stoppen of complexe mechanische sensoren te installeren. Door alleen elektrische signalen te gebruiken die al in veel installaties worden gemonitord, kan deze methode efficiëntie in de tijd volgen, onderpresterende of gedegradeerde machines signaleren en energieaudits en onderhoudsplanning ondersteunen. Hoewel de benadering minder precies is bij zeer lage belastingen en gevoelig kan zijn voor onjuiste typeplaatgegevens, tonen de auteurs aan dat het onder typische bedrijfsomstandigheden zeer dicht bij laboratoriumnormen komt. In praktische termen betekent dit dat bedrijven bijna-laboratoriumkwaliteit inzicht kunnen krijgen in de staat van hun meest energie-intensieve apparatuur, tegen lage kosten en zonder verstoring—een bruikbaar instrument om energiekosten te verlagen en milieueffecten te verminderen.

Bronvermelding: 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

Trefwoorden: efficiëntie van inductiemotor, in-situ monitoring, heuristische optimalisatie, industriële energiebesparing, inschatting van motorkarakteristieken