In-situ-effektivitets- och parameterestimering för asynkrona motorer med heuristisk optimering

Varför smartare motorer spelar roll

Gömt inne i fabriker, pumpar och ventilationssystem förbrukar elmotorer tyst majoriteten av industrins el. Även små förbättringar i hur effektivt dessa maskiner omvandlar elektricitet till rörelse kan spara stora mängder energi och minska växthusgasutsläpp. Att kontrollera hur väl en motor faktiskt presterar innebär dock ofta att produktionen måste stoppas och maskinen tas till ett laboratorium—något många anläggningar helt enkelt inte kan göra. Denna artikel presenterar ett sätt att uppskatta en motors effektivitet medan den fortsätter att gå på fabriksgolvet, med enbart standardmässiga elektriska mätningar och avancerade sökalgoritmer hämtade från artificiell intelligens.

Problemet med att kontrollera stora arbetshästmotorer

Trefas asynkrona motorer är industrins robusta arbetshästar eftersom de är enkla, billiga och hållbara. De flesta installerade motorer arbetar dock under sin ideala belastning, vilket över tid slösar energi och pengar. Officiella teststandarder, såsom IEEE 112, definierar mycket noggranna sätt att mäta effektivitet, men de kräver specialriggar, bromsmaskiner och direkta momentmätningar. Dessa tester är kostsamma, intrusiva och ofta omöjliga för stora motorer som redan är inbyggda i produktionslinjer. Tillverkares typskyltvärden kan heller inte alltid litas på, särskilt efter att en motor åldrats eller reparerats. Industrin behöver därför ett sätt att "audita" motorer på plats, utan att stänga ner dem eller installera extra mekaniska sensorer.

Ett nytt sätt att läsa av en motors verkliga skick

Författarna tacklar denna utmaning genom att betrakta motorn som ett elektriskt pussel. Istället för att mäta varje förlust direkt fokuserar de på en förenklad elektrisk modell av motorn, uppbyggd av ett litet antal nyckelparametrar som motstånd och reaktanser. Om dessa parametrar är kända kan effektivitet och vridmoment beräknas över olika belastningar. Nyckelidén är att endast titta på storheter som är lätta att mäta i fält—linjespänning, ström, insatt effekt och varvtal—och sedan låta datorbaserade sökmetoder justera de dolda modellparametrarna tills modellens beteende matchar mätningarna. När modellen väl passar kan samma standardekvationer som används i laboratorietillämpas för att beräkna effektiviteten, men nu in situ.

Låta naturinspirerade algoritmer göra sökningen

Att hitta rätt kombination av interna parametrar är svårt eftersom sökutrymmet är stort och parametrarna samverkar på komplicerade sätt. För att hantera detta använder studien åtta "heuristiska" optimeringsalgoritmer inspirerade av naturliga beteenden: fågelflockar, vargflockar, jaktande hökar, kringvandrande valar och fler. Varje algoritm startar med många provlösningar och för dem mot bättre passningar över hundratals iterationer. Författarna introducerar också ett fysikbaserat sätt att begränsa det tillåtna intervallet för varje parameter, med hjälp av typskyltsdata, tillverkarinformation och elektriska testrelationer. Detta förhindrar orealistiska lösningar och hjälper algoritmerna att konvergera snabbare och mer tillförlitligt, särskilt för känsliga storheter som rotormotståndet.

Testning på verkliga motorer i många storlekar

Metoden testades på sex industrimotorer, från 1,1 kilowatt till 132 kilowatt, vid fyra belastningsnivåer mellan en fjärdedel och full last. Två skattningsscheman användes. I Metod I förlitade sig algoritmerna endast på fältmätningar och ignorerade typskyltsmärkningen för uteffekt så att de skulle vara robusta mot felaktiga etiketter. I Metod II lades märkeffekten till som en extra begränsning. För varje motor och belastning jämfördes de uppskattade verkningsgraderna med värden erhållna från de officiella IEEE 112-förfarandena med fulla labbuppsättningar. Över alla motorer höll sig medelfelet vid full last under cirka 0,7 procent, och flera algoritmer—framför allt partikelsvärmsoptimering, valoptimering och differential search—visade både hög noggrannhet och stabila, repeterbara resultat. Felen ökade vid mycket låg last, främst därför att standardmotormodeller behandlar vissa förluster som konstanta även när motorn knappt arbetar.

Vad detta betyder för fabriker och energibesparingar

För en lekman är huvudpoängen att fabriker nu kan uppskatta hur effektivt deras motorer går utan att stoppa produktionen eller installera komplexa mekaniska sensorer. Genom att läsa enbart elektriska signaler som redan övervakas i många anläggningar kan denna metod spåra effektivitet över tid, flagga underpresterande eller degraderade maskiner och stödja energiinspektioner och underhållsplanering. Även om metoden är mindre exakt vid mycket låga laster och kan vara känslig för felaktiga typskyltsdata visar författarna att den under typiska driftförhållanden kommer mycket nära guldstandarden från laboratorietester. I praktiska termer betyder det att företag kan få laboratoriekvalitativ insikt i hälsan hos sina mest energikrävande utrustningar, till låg kostnad och utan störningar—ett användbart verktyg för att sänka energiräkningar och minska miljöpåverkan.

Citering: 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

Nyckelord: effektivitet för asynkronmotor, in-situ-övervakning, heuristisk optimering, industriella energibesparingar, uppskattning av motorkonstanter