Sezgisel optimizasyon kullanarak indüksiyon motorları için yerinde verim ve parametre tahmini

Neden daha akıllı motorlar önemlidir

Fabrikaların, pompaların ve havalandırma sistemlerinin içinde gizlenmiş olarak, elektrik motorları dünya endüstriyel elektriğinin büyük kısmını sessizce tüketir. Bu makinelerin elektriği harekete dönüştürme verimliliğinde yapılacak küçük iyileştirmeler bile büyük miktarda enerji tasarrufu sağlayabilir ve sera gazı emisyonlarını azaltabilir. Yine de bir motorun gerçek performansını kontrol etmek çoğunlukla üretimi durdurmayı ve makineyi bir laboratuvara götürmeyi gerektirir—birçok tesisin bunu yapması mümkün değildir. Bu makale, yalnızca standart elektriksel ölçümleri ve yapay zekiden ödünç alınmış gelişmiş arama algoritmalarını kullanarak, bir motor çalışmaya devam ederken verimini tahmin etmenin bir yolunu tanıtıyor.

Büyük iş gücü motorlarını kontrol etmenin sorunu

Üç fazlı indüksiyon motorları basit, ucuz ve dayanıklı oldukları için endüstrinin sağlam iş güçleridir. Ancak, kurulu motorların çoğu ideal yüklerinin altında çalışır ve bu zaman içinde enerji ve para kaybına yol açar. IEEE 112 gibi resmi test standartları verimliliği çok hassas şekilde ölçmenin yollarını tanımlar, ancak bunlar özel test düzeneği, fren makineleri ve doğrudan tork ölçümleri gerektirir. Bu testler pahalı, müdahaleci ve üretim hatlarına yerleşmiş büyük motorlar için çoğunlukla imkansızdır. Üretici etiketlerindeki değerler de özellikle bir motor eskidikten veya tamir edildikten sonra her zaman güvenilir olmayabilir. Bu nedenle sanayi, motorları kapatmadan veya ekstra mekanik sensörler takmadan yerinde "denetleyebilecek" bir yönteme ihtiyaç duyar.

Bir motorun gerçek sağlığını okumanın yeni yolu

Yazarlar bu zorluğu motoru elektriksel bir bulmaca gibi ele alarak çözüyor. Her kaybı doğrudan ölçmek yerine, dirençler ve reaktanslar gibi küçük bir ana iç parametre setinden oluşturulmuş basitleştirilmiş bir elektrik modeline odaklanıyorlar. Bu parametreler biliniyorsa, verim ve tork farklı yükler altında hesaplanabilir. Ana fikir, sahada ölçmesi kolay niceliklere—hat gerilimi, akım, giriş gücü ve hız—sadece bakmak ve ardından bilgisayar tabanlı arama yöntemlerinin gizli model parametrelerini ölçümlerle modelin davranışı eşleşene kadar ayarlamasını sağlamaktır. Model uyduğunda, laboratuvar testlerinde kullanılan aynı standart denklemler yerinde verimi hesaplamak için uygulanabilir.

Aramayı doğadan ilham alan algoritmalara bırakmak

Doğru iç parametre kombinasyonunu bulmak zordur çünkü arama alanı büyüktür ve parametreler karmaşık şekillerde etkileşir. Bunu ele almak için çalışma, kuş sürüleri, kurt sürüleri, avcı doğanlar, dolaşan balinalar ve daha fazlası gibi doğal davranışlardan esinlenen sekiz "sezgisel" optimizasyon algoritması kullanır. Her algoritma çok sayıda deneme çözümüyle başlar ve yüzlerce yineleme boyunca bunları daha iyi uyumlara doğru iter. Yazarlar ayrıca her parametre için izin verilen aralığı daraltmak üzere ad plakası verileri, üretici bilgileri ve elektriksel test ilişkilerini kullanan fizik tabanlı bir yol sunar. Bu, gerçekçi olmayan çözümleri engeller ve özellikle rotor direnci gibi hassas nicelikler için algoritmaların daha hızlı ve daha güvenilir yakınsamasına yardımcı olur.

Çeşitli boyutlardaki gerçek motorlarda test

Yöntem, 1,1 kilovattan 132 kilovata kadar altı endüstriyel motorda, dört farklı yük seviyesinde — çeyrek yüke kadar ve tam yüke kadar — test edildi. İki tahmin şeması kullanıldı. Yöntem I’de algoritmalar yalnızca saha ölçümlerine dayandı ve hatalı etiketlere karşı dayanıklı olmak için ad plaka çıkış gücünü görmezden geldi. Yöntem II’de ise ad plakadaki nominal güç ek bir kısıt olarak eklendi. Her motor ve yük için, tahmin edilen verimler tam laboratuvar kurulumları kullanılarak resmi IEEE 112 prosedürlerinden elde edilen değerlerle karşılaştırıldı. Tüm motorlar genelinde, tam yükteki ortalama hata yaklaşık %0,7’nin altında kaldı ve özellikle parçacık sürü optimizasyonu, balina optimizasyonu ve diferansiyel arama algoritmaları yüksek doğruluk ve kararlı, tekrar edilebilir sonuçlar gösterdi. Çok düşük yükte hatalar arttı; bunun başlıca nedeni standart motor modellerinin bazı kayıpları motor neredeyse çalışmıyor olsa bile sabit kabul etmesidir.

Fabrikalar ve enerji tasarrufu açısından bunun anlamı

Bir düz okuyucu için temel çıkarım, fabrikaların üretimi durdurmadan veya karmaşık mekanik sensörler kurmadan motorlarının ne kadar verimli çalıştığını şimdi tahmin edebilmesidir. Birçok tesiste zaten izlenen yalnızca elektriksel sinyalleri okuyarak bu yöntem verimi zaman içinde takip edebilir, yeterince performans göstermeyen veya bozulan makineleri işaretleyebilir ve enerji denetimlerini ile bakım planlamasını destekleyebilir. Yöntem çok düşük yüklerde daha az hassas olabilir ve kötü ad plakası verilerine duyarlı olabilir, ancak yazarlar tipik işletme koşullarında laboratuvarın altın standart testlerine çok yakın sonuç verdiğini gösteriyor. Pratik anlamda bu, şirketlerin en çok enerji tüketen ekipmanlarının sağlığı hakkında neredeyse laboratuvar kalitesinde içgörüyü düşük maliyetle ve kesinti olmadan elde edebilecekleri anlamına gelir—enerji faturalarını azaltmak ve çevresel etkiyi düşürmek için yararlı bir araç.

Atıf: 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

Anahtar kelimeler: indüksiyon motoru verimliliği, yerinde izleme, sezgisel optimizasyon, endüstriyel enerji tasarrufu, motor parametre tahmini