Estimativa in situ de eficiência e parâmetros para motores de indução usando otimização heurística

Por que motores mais inteligentes importam

Escondidos em fábricas, bombas e sistemas de ventilação, os motores elétricos consomem discretamente a maior parte da eletricidade industrial do mundo. Mesmo pequenas melhorias na forma como essas máquinas convertem eletricidade em movimento podem economizar grandes quantidades de energia e reduzir as emissões de gases de efeito estufa. Ainda assim, verificar o desempenho real de um motor geralmente significa parar a produção e levar a máquina a um laboratório — algo que muitas unidades simplesmente não podem fazer. Este artigo apresenta uma maneira de estimar a eficiência de um motor enquanto ele continua em operação no chão de fábrica, usando apenas medições elétricas padrão e algoritmos de busca avançados emprestados da inteligência artificial.

O problema de testar os grandes motores de trabalho

Motores de indução trifásicos são os robustos cavalos de trabalho da indústria porque são simples, baratos e duráveis. No entanto, a maioria dos motores instalados opera abaixo de sua carga ideal, o que desperdiça energia e dinheiro ao longo do tempo. Normas oficiais de teste, como a IEEE 112, definem formas muito precisas de medir a eficiência, mas exigem bancos de ensaio especiais, máquinas de freio e medições diretas de torque. Esses testes são caros, intrusivos e frequentemente impossíveis para motores grandes já integrados em linhas de produção. Valores da placa de identificação fornecidos pelos fabricantes também nem sempre são confiáveis, especialmente depois que um motor envelheceu ou foi reparado. A indústria, portanto, precisa de uma forma de “auditar” motores no local, sem desligá-los ou instalar sensores mecânicos adicionais.

Uma nova forma de ler a saúde real do motor

Os autores enfrentam esse desafio tratando o motor como um quebra-cabeça elétrico. Em vez de medir cada perda diretamente, eles se concentram em um modelo elétrico simplificado do motor, construído a partir de um pequeno conjunto de parâmetros internos-chave, como resistências e reatâncias. Se esses parâmetros são conhecidos, a eficiência e o torque podem ser calculados para diferentes cargas. A ideia central é observar apenas quantidades que são fáceis de medir em campo — tensão de linha, corrente, potência de entrada e velocidade — e então deixar métodos de busca computacionais ajustarem os parâmetros ocultos do modelo até que o comportamento do modelo corresponda às medições. Uma vez que o modelo se ajusta, as mesmas equações padrão usadas em testes laboratoriais podem ser aplicadas para calcular a eficiência, mas agora in situ.

Deixando algoritmos inspirados na natureza fazerem a busca

Encontrar a combinação correta de parâmetros internos é complicado porque o espaço de busca é grande e os parâmetros interagem de maneiras complexas. Para lidar com isso, o estudo utiliza oito algoritmos de otimização “heurísticos” inspirados em comportamentos naturais: bandos de pássaros, alcateias de lobos, falcões caçadores, baleias vagantes e outros. Cada algoritmo começa com muitas soluções de teste e as empurra em direção a ajustes melhores ao longo de centenas de iterações. Os autores também introduzem uma forma baseada na física para reduzir a faixa permitida para cada parâmetro, usando dados da placa de identificação, informações do fabricante e relações elétricas de teste. Isso evita soluções irrealistas e ajuda os algoritmos a convergir mais rápido e de forma mais confiável, especialmente para quantidades sensíveis como a resistência do rotor.

Testes em motores reais de vários tamanhos

O método foi testado em seis motores industriais, variando de 1,1 quilowatts a 132 quilowatts, em quatro níveis de carga entre um quarto e a carga plena. Duas estratégias de estimação foram usadas. No Método I, os algoritmos basearam-se apenas em medições de campo, ignorando a potência nominal da placa para que fossem robustos a rótulos imprecisos. No Método II, a potência nominal foi adicionada como uma restrição extra. Para cada motor e carga, as eficiências estimadas foram comparadas com valores obtidos pelos procedimentos oficiais da IEEE 112 usando instalações laboratoriais completas. Em todos os motores, o erro médio em carga plena permaneceu abaixo de cerca de 0,7 por cento, e vários algoritmos — especialmente otimização por enxame de partículas, otimização por baleia e busca diferencial — apresentaram alta precisão e resultados estáveis e repetíveis. Os erros aumentaram em cargas muito baixas, principalmente porque modelos de motor padrão tratam algumas perdas como constantes mesmo quando o motor está trabalhando muito pouco.

O que isso significa para fábricas e economia de energia

Para um leitor leigo, a principal conclusão é que as fábricas agora podem estimar quão eficientemente seus motores estão funcionando sem parar a produção ou instalar sensores mecânicos complexos. Lendo apenas sinais elétricos que já são monitorados em muitas plantas, este método pode acompanhar a eficiência ao longo do tempo, sinalizar máquinas com desempenho abaixo do esperado ou degradadas, e dar suporte a auditorias de energia e planejamento de manutenção. Embora a abordagem seja menos precisa em cargas muito baixas e possa ser sensível a dados incorretos da placa de identificação, os autores mostram que, em condições de operação típicas, ela chega muito perto dos testes laboratoriais padrão-ouro. Em termos práticos, isso significa que empresas podem obter um insight próximo ao de laboratório sobre a saúde de seus equipamentos mais consumidores de energia, a baixo custo e sem interrupção — uma ferramenta útil para reduzir contas de energia e o impacto ambiental.

Citação: 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

Palavras-chave: eficiência de motor de indução, monitoramento in situ, otimização heurística, economia de energia industrial, estimativa de parâmetros do motor