Beoordeling van een 40 jaar oude asynchrone motor met hybride diagnostische en AI‑gebaseerde voorspellende technieken

Waarom oude motoren nog steeds belangrijk zijn

In fabrieken, waterzuiveringsinstallaties en energiecentrales houden grote elektromotoren onze wereld stilletjes draaiend. Veel van deze werkpaarden draaien al decennia en vervanging kan duur en ingrijpend zijn. Dit artikel onderzoekt of een 40 jaar oude industriële motor — ruimschoots voorbij de gebruikelijke ontwerplevensduur — nog steeds betrouwbaar is. Door klassieke elektrische controles te combineren met thermische beeldvorming en moderne kunstmatige intelligentie laten de onderzoekers zien hoe je kunt beslissen of een verouderende motor een risico vormt of een goed onderhouden actief blijft.

Een verouderd werkpaard onder de loep

De studie richt zich op een asynchrone motor van 150 kilowatt die een pomp voor waterverplaatsing aandrijft en al ongeveer 40 jaar in bedrijf is, aanzienlijk langer dan de gebruikelijke 20–25 jaar. In plaats van simpelweg leeftijd als reden tot buitendienststelling te nemen, voerde het team een volledige gezondheidscheck uit. Ze maten hoe goed de interne isolatie stroom tegenhoudt, hoeveel lekstroom naar aarde loopt en hoe gelijkmatig de wikkelingen elektriciteit weerstaan. Samen geven deze tests aan of de verborgen “zenuwen” van de motor uitdrogen, barsten of vocht opnemen — problemen die kunnen leiden tot plotselinge en kostbare uitval.

Elektrische controles en warmtekaarten

Verschillende klassieke tests gaven een verrassend positief beeld. Metingen van isolatieweerstand lagen ruim boven de 1 gigaohm-drempel die normen als acceptabel voor oude motoren beschouwen. Eén fase toonde een sterke polarisatie-index — een aanwijzing dat de isolatie onder spanning goed uitdroogt — terwijl de andere twee fasen aan de grens zaten, wat wijst op milde veroudering of vocht. Lekstroom, een andere vroege waarschuwing voor doorbraak, bleef ver onder typische gevarenniveaus, hoewel één fase ook hier zwakker leek dan de anderen. Bij het meten van de weerstand van elke wikkeling vonden ze enige onbalans, maar niet genoeg om tijdens bedrijf hotspots of duidelijke problemen te veroorzaken.

Om te zien hoe de motor zich onder reële belasting gedroeg, voerden de onderzoekers een volledige prestatietest uit. Koppel-, stroom- en efficiëntiecurves kwamen nauw overeen met wat leerboeken verwachten van een gezonde asynchrone motor, zelfs bij hoge slip (het verschil tussen de motorsnelheid en de snelheid van het roterende magnetische veld). Infraroodthermografie — in wezen een warmtecamera — toonde oppervlaktetemperaturen die ongeveer 65 °C boven de omgevingstemperatuur kwamen, nog steeds acceptabel voor de isolatieklasse van de motor. De thermische beelden lieten wel milde temperatuurverschillen tussen fasen zien, wat de ongelijkheid in de elektrische metingen weerspiegelt en wijst op gebieden die extra aandacht verdienen.

Een machine leren problemen te herkennen

Buiten eenmalige tests vroeg het team zich af of gegevens van deze en soortgelijke motoren een voorspellend instrument kunnen voeden dat problemen vooraf signaleert. Ze stelden een dataset van drie jaar samen van meerdere grote, oudere motoren; elk datapunt bevatte isolatiemetingen op verschillende momenten, lekstroom, voor temperatuur aangepaste wikkelweerstand, thermische indices uit infraroodbeelden en basisbedrijfstoestanden. Met deze informatie trainden ze een Random Forest‑model — een type beslissingsboomensemble — om motorstaten in te delen als “normaal” of “isolatie in gevaar”. Ondanks relatief weinig echte faalgevallen bereikte het model ongeveer 87% nauwkeurigheid en kon het veel, maar niet alle, verzwakte gevallen herkennen. De analyse liet ook zien welke metingen het meest tellen: wikkelweerstand en thermische indicatoren staken licht uit boven isolatieweerstand en lekstroom, wat het belang benadrukt van het combineren van elektrische en thermische inzichten.

Het voorspellen van de resterende levensduur van de motor

De auteurs hielden het niet bij de huidige conditie; ze vroegen ook hoe de isolatie in de komende jaren zou kunnen verouderen. Met behulp van historische testresultaten van leeftijd 25 tot 40 pasten ze een eenvoudige exponentiële curve toe om te beschrijven hoe de isolatieweerstand in de tijd afneemt. Deze curve kwam goed overeen met de historische gegevens en voorspelt dat rond een leeftijd van 45 jaar de isolatieweerstand van de motor nog steeds dicht bij 2 gigaohm zal liggen — boven de gebruikelijke veiligheidsvloer. De onderzoekers benadrukken echter dat zulke prognoses slechts zo goed zijn als de onderliggende data. Omdat er weinig langetermijnmetingen zijn en veel reële invloeden zoals temperatuurschommelingen en verontreiniging meespelen, beschouwen ze het model als een geïnformeerde schatting met onzekerheid, niet als een garantie.

Wat dit betekent voor het in bedrijf houden van motoren

Alles samenvoegend concluderen de onderzoekers dat deze specifieke 40 jaar oude motor veilig in bedrijf kan blijven, mits zorgvuldig gemonitord. De elektrische isolatie, warmtegedrag, trillingen en betrouwbaarheidscijfers (met een beschikbaarheid van ongeveer 99,94%) ondersteunen verlengde inzet, hoewel twee fasen vroege tekenen van veroudering vertonen. De gecombineerde aanpak — regelmatige elektrische tests, thermische beeldvorming, trillingscontroles en AI‑ondersteunde analyse — biedt installatiebeheerders een praktische manier om te bepalen wanneer ingrijpend onderhoud, wikkelen of uiteindelijk vervanging nodig is. In praktische zin toont het werk dat een oude motor niet per se uit dienst hoeft omdat hij oud is; met goede administratie, slimme monitoring en gerichte onderhoudsacties kan hij betrouwbaar blijven draaien en tegelijkertijd geld en stilstand besparen.

Bronvermelding: Butukuri, K.R., Giri, N.C., Yemula, P.K. et al. Assessment of a 40-year-old induction motor using hybrid diagnostic and AI-based predictive techniques. Sci Rep 16, 13739 (2026). https://doi.org/10.1038/s41598-026-44319-5

Trefwoorden: asynchrone motor, predictief onderhoud, isolatieconditie, thermografie, machine learning