Estymacja sprawności i parametrów silników indukcyjnych in-situ z użyciem heurystycznej optymalizacji

Dlaczego inteligentniejsze silniki mają znaczenie

Ukryte w fabrykach, pompach i systemach wentylacyjnych, silniki elektryczne cicho pochłaniają większość przemysłowej energii elektrycznej na świecie. Nawet drobne poprawy w tym, jak efektywnie te urządzenia zamieniają prąd na ruch, mogą przynieść znaczne oszczędności energii i ograniczyć emisje gazów cieplarnianych. Tymczasem sprawdzenie rzeczywistej wydajności silnika zwykle oznacza zatrzymanie produkcji i przewiezienie maszyny do laboratorium — co wiele zakładów po prostu przekracza możliwości. Artykuł przedstawia metodę oszacowania sprawności silnika podczas jego pracy na hali produkcyjnej, wykorzystując wyłącznie standardowe pomiary elektryczne i zaawansowane algorytmy poszukujące zapożyczone ze sztucznej inteligencji.

Problem z kontrolą dużych silników roboczych

Trójfazowe silniki indukcyjne są niezawodnymi koniami roboczymi przemysłu ze względu na prostotę, niskie koszty i trwałość. Większość zainstalowanych silników pracuje jednak poniżej optymalnego obciążenia, co z czasem marnuje energię i pieniądze. Oficjalne normy testowe, takie jak IEEE 112, definiują bardzo dokładne sposoby pomiaru sprawności, ale wymagają specjalnych stanowisk badawczych, maszyn hamujących i bezpośrednich pomiarów momentu. Testy te są kosztowne, inwazyjne i często niemożliwe do przeprowadzenia dla dużych silników zamontowanych w liniach produkcyjnych. Dane z tabliczek znamionowych producentów również nie zawsze są wiarygodne, zwłaszcza po starzeniu się lub naprawach silnika. Przemysł potrzebuje zatem sposobu na „audyt” silników na miejscu, bez wyłączania ich ani instalowania dodatkowych czujników mechanicznych.

Nowy sposób odczytu rzeczywistego stanu silnika

Autorzy podchodzą do tego wyzwania traktując silnik jako zagadkę elektryczną. Zamiast mierzyć każdą stratę bezpośrednio, koncentrują się na uproszczonym modelu elektrycznym silnika, zbudowanym z niewielkiego zestawu kluczowych parametrów wewnętrznych, takich jak rezystancje i reaktancje. Jeśli te parametry są znane, można obliczyć sprawność i moment obrotowy przy różnych obciążeniach. Kluczowa idea polega na uwzględnieniu tylko wielkości łatwych do zmierzenia w terenie — napięcia sieciowego, prądu, mocy wejściowej i prędkości — i następnie pozwoleniu metodom poszukiwania komputerowego na dopasowanie ukrytych parametrów modelu aż zachowanie modelu zacznie zgadzać się z pomiarami. Gdy model pasuje, można zastosować te same standardowe równania, co w testach laboratoryjnych, aby obliczyć sprawność, ale teraz in-situ.

Pozwolenie algorytmom inspirowanym naturą na poszukiwania

Znajdowanie właściwej kombinacji parametrów wewnętrznych jest skomplikowane, ponieważ przestrzeń poszukiwań jest duża, a parametry wzajemnie na siebie wpływają. Aby sobie z tym poradzić, badanie wykorzystuje osiem heurystycznych algorytmów optymalizacyjnych inspirowanych zachowaniami natury: klucza ptaków, watah wilków, drapieżnych jastrzębi, wędrujących wielorybów i innych. Każdy algorytm zaczyna od wielu próbnych rozwiązań i przesuwa je w kierunku lepszego dopasowania przez setki iteracji. Autorzy wprowadzają także metodę opartą na fizyce, aby zawęzić dopuszczalny zakres dla każdego parametru, wykorzystując dane z tabliczki znamionowej, informacje producenta i zależności pomiarów elektrycznych. Zapobiega to nierealistycznym rozwiązaniom i pomaga algorytmom szybciej i bardziej niezawodnie zbiegać, szczególnie dla wrażliwych wielkości, jak rezystancja wirnika.

Testy na rzeczywistych silnikach o różnych mocach

Metoda została przetestowana na sześciu silnikach przemysłowych, o mocach od 1,1 kilowata do 132 kilowatów, przy czterech poziomach obciążenia między ćwierć a pełnym obciążeniem. Zastosowano dwa schematy estymacji. W Metodzie I algorytmy opierały się wyłącznie na pomiarach polowych, ignorując moc znamionową z tabliczki, aby były odporne na błędne etykiety. W Metodzie II moc znamionowa została dodana jako dodatkowe ograniczenie. Dla każdego silnika i obciążenia oszacowane sprawności porównywano z wartościami uzyskanymi według oficjalnych procedur IEEE 112 przy użyciu pełnych stanowisk laboratoryjnych. Dla wszystkich silników średni błąd przy pełnym obciążeniu utrzymywał się poniżej około 0,7 procent, a kilka algorytmów — zwłaszcza optymalizacja roju cząstek, optymalizacja wielorybów i poszukiwanie różnicowe — wykazało wysoką dokładność oraz stabilne, powtarzalne wyniki. Błędy rosły przy bardzo lekkim obciążeniu, głównie dlatego, że standardowe modele silników traktują niektóre straty jako stałe nawet gdy silnik pracuje ledwie.

Co to oznacza dla fabryk i oszczędności energii

Dla czytelnika niebędącego specjalistą główny wniosek jest taki, że zakłady mogą teraz oszacować, jak efektywnie pracują ich silniki, bez zatrzymywania produkcji czy instalowania skomplikowanych czujników mechanicznych. Korzystając tylko z sygnałów elektrycznych, które są już monitorowane w wielu zakładach, ta metoda może śledzić sprawność w czasie, wykrywać niedomagające lub zdegradowane maszyny oraz wspierać audyty energetyczne i planowanie konserwacji. Choć podejście jest mniej precyzyjne przy bardzo niskich obciążeniach i może być wrażliwe na błędne dane z tabliczek znamionowych, autorzy pokazują, że w typowych warunkach eksploatacji metoda zbliża się bardzo blisko do testów laboratoryjnych będących standardem. W praktyce oznacza to, że firmy mogą uzyskać wgląd zbliżony do laboratoryjnego w stan swoich najbardziej energochłonnych urządzeń, przy niskich kosztach i bez zakłóceń — co jest przydatnym narzędziem do obniżenia rachunków za energię i zmniejszenia wpływu na środowisko.

Cytowanie: 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

Słowa kluczowe: sprawność silnika indukcyjnego, monitorowanie in-situ, heurystyczna optymalizacja, oszczędność energii w przemyśle, estymacja parametrów silnika