Оценка эффективности и параметров индукционных двигателей в полевых условиях с помощью эвристической оптимизации

Почему умные двигатели имеют значение

Скрытые внутри фабрик, насосов и систем вентиляции, электрические двигатели тихо потребляют большую часть промышленного электричества в мире. Даже небольшие улучшения в том, насколько эффективно эти машины превращают электричество в движение, могут сэкономить значительные объёмы энергии и сократить выбросы парниковых газов. Тем не менее проверка реальной производительности двигателя обычно означает остановку производства и отправку машины в лабораторию — то, чего многие предприятия просто не могут себе позволить. В этой статье представлен подход для оценки эффективности двигателя прямо на рабочем месте, пока он продолжает работать, с использованием только стандартных электрических измерений и продвинутых поисковых алгоритмов, позаимствованных из области искусственного интеллекта.

Проблема проверки тяжёлых рабочих лошадок

Трёхфазные асинхронные двигатели — надёжные рабочие лошадки промышленности, потому что они просты, недороги и долговечны. Однако большинство установленных двигателей работает ниже своего оптимального уровня загрузки, что со временем приводит к потере энергии и денег. Официальные стандарты испытаний, такие как IEEE 112, задают очень точные методы измерения эффективности, но они требуют специальных испытательных стендов, тормозных машин и прямых измерений момента. Такие тесты дороги, вторгаются в процесс и часто невозможны для крупных двигателей, уже встроенных в производственные линии. Заявленные на табличке параметры производителя также не всегда внушают доверие, особенно после износа или ремонта двигателя. Поэтому промышленности нужен способ «аудитировать» двигатели на месте, не останавливая их и не устанавливая дополнительные механические датчики.

Новый способ оценить реальное состояние двигателя

Авторы решают эту задачу, рассматривая двигатель как электрическую головоломку. Вместо того чтобы измерять каждую потерю напрямую, они фокусируются на упрощённой электрической модели двигателя, построенной на небольшом наборе ключевых внутренних параметров, таких как сопротивления и реактивности. Если эти параметры известны, эффективность и крутящий момент можно вычислить при разных нагрузках. Ключевая идея — учитывать только величины, которые легко измерить в полевых условиях — линейное напряжение, токи, входную мощность и скорость — и позволить компьютерным поисковым методам подбирать скрытые параметры модели до тех пор, пока поведение модели не совпадёт с измерениями. Как только модель подгонена, те же стандартные уравнения, используемые в лабораторных испытаниях, можно применить для расчёта эффективности, но теперь на месте.

Пусть алгоритмы, вдохновлённые природой, ищут решение

Поиск правильной комбинации внутренних параметров сложен, потому что пространство поиска велико, а параметры взаимодействуют запутанными способами. Для решения этой задачи в исследовании использованы восемь «эвристических» алгоритмов оптимизации, вдохновлённых природными поведениями: стаи птиц, стаи волков, охотящиеся ястребы, бродящие киты и другие. Каждый алгоритм стартует с множества пробных решений и в течение сотен итераций постепенно подводит их к лучшим подгонам. Авторы также предлагают физически обоснованный способ сузить допустимые диапазоны для каждого параметра, используя данные с таблички, информацию производителя и электрические соотношения тестов. Это препятствует нереалистичным решениям и помогает алгоритмам сходиться быстрее и надёжнее, особенно по чувствительным величинам, таким как сопротивление ротора.

Тестирование на реальных двигателях разной мощности

Метод был протестирован на шести промышленных двигателях мощностью от 1,1 кВт до 132 кВт на четырёх уровнях загрузки от одной четверти до полной нагрузки. Были использованы две схемы оценки. В Методе I алгоритмы опирались только на полевые измерения, игнорируя номинальную мощность с таблички, чтобы быть устойчивыми к неточным данным маркировки. В Методе II номинальная мощность добавлялась как дополнительное ограничение. Для каждого двигателя и уровня нагрузки оценённые значения эффективности сравнивались со значениями, полученными по официальным процедурам IEEE 112 с использованием лабораторного оборудования. По всем двигателям средняя ошибка при полной нагрузке держалась ниже примерно 0,7 процента, и несколько алгоритмов — особенно оптимизация роя частиц, оптимизация китов и дифференциальный поиск — показали и высокую точность, и стабильные, воспроизводимые результаты. Ошибки возрастали при очень малой нагрузке, в основном потому, что стандартные модели двигателей рассматривают некоторые потери как постоянные даже тогда, когда двигатель едва работает.

Что это означает для заводов и энергосбережения

Для неспециалиста главный вывод заключается в том, что теперь заводы могут оценивать, насколько эффективно работают их двигатели, не останавливая производство и не устанавливая сложные механические датчики. Считывая только электрические сигналы, которые уже контролируются во многих цехах, этот метод может отслеживать эффективность с течением времени, выявлять недостаточно работающие или деградировавшие машины и поддерживать энергетику и планирование техобслуживания. Хотя подход менее точен при очень низких нагрузках и может быть чувствителен к некорректным данным с таблички, авторы показывают, что при типичных условиях эксплуатации он близок к лабораторным тестам «золотого стандарта». На практике это означает, что компании могут получить информацию о состоянии своих самых энергозатратных устройств близкую к лабораторной, с невысокими затратами и без нарушений производства — полезный инструмент для снижения энергозатрат и уменьшения воздействия на окружающую среду.

Цитирование: 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

Ключевые слова: эффективность индукционного двигателя, полевой мониторинг, эвристическая оптимизация, энергосбережение в промышленности, оценка параметров двигателя