Estimación de la distribución térmica interna de los motores eléctricos
Por: Anna Bonanomi para https://www.electricmotorengineering.com/
Los motores eléctricos modernos son cada vez más compactos, ligeros y de alto rendimiento. Esta tendencia trae consigo un desafío creciente: el sobrecalentamiento. Cuando un motor tiene que entregar alta potencia dentro de un recinto pequeño, las temperaturas internas aumentan de manera desigual, lo que lleva a la formación de puntos calientes que aceleran el envejecimiento del material, reducen el rendimiento y pueden causar fallas prematuras. En este contexto, la gestión térmica ciertamente no es un aspecto secundario del diseño, sino que se convierte en un factor que influye directamente en el rendimiento, la fiabilidad y la vida útil del sistema. Monitorear lo que realmente está sucediendo dentro del motor durante el funcionamiento no es sencillo, pero sería extremadamente útil.
La integración de sensores térmicos dentro de un motor eléctrico presenta obvias limitaciones prácticas. El espacio disponible es a menudo mínimo, especialmente en máquinas compactas. Además, los puntos de mayor interés de diagnóstico no coinciden necesariamente con las zonas más accesibles. La monitorización de los componentes móviles, como el rotor, durante el funcionamiento a alta velocidad complica aún más la imagen. Los métodos tradicionales de medición interna son a menudo complejos y costosos, en la medida en que normalmente no se adoptan en aplicaciones prácticas.
Esta limitación dio lugar al proyecto desarrollado en la de por el grupo de investigación del profesor Matthias Nienhaus: estimando la distribución térmica interna sin añadir sensores dedicados, sino utilizando información ya disponible para el impulso.
La idea forma parte de una línea de investigación que el grupo ha estado llevando a cabo durante algún tiempo: utilizando el motor como sensor de sí mismo, extrayendo información de diagnóstico de sus propias señales electromagnéticas.
(El Prof. Dr. Ing. Matthias Nienhaus es un destacado ingeniero y académico alemán, conocido por ser el titular de la cátedra de Sistemas de Accionamiento Eléctrico (Drive Systems Engineering) en la Universidad del Sarre (Universität des Saarlandes) en Saarbrücken, Alemania)
El enfoque
Saeed Farzami, M.Sc., investigador del grupo de trabajo, explica el enfoque técnico. «El sistema», explica Farzami, «usa solo señales disponibles en un accionamiento estándar: corrientes y voltajes en los ejes d-q, corrientes de fase, velocidad del rotor y condiciones límite como la temperatura ambiente. A esta información se añaden más parámetros derivados a través de la ingeniería de características, pero sin introducir nueva instrumentación física.» Las variaciones en todos estos parámetros también reflejan indirectamente el estado térmico de la máquina. El aspecto interesante es que el principio no se limita a una arquitectura de motor único. Según Farzami, el método es aplicable a diferentes topologías, incluyendo PMSM, motores de inducción y otras configuraciones.
Esto no significa, sin embargo, que exista un modelo universal listo para usar. Farzami señala: «Cada tipo de motor requiere su propio proceso de entrenamiento específico, porque los mecanismos de pérdida y las trayectorias térmicas varían dependiendo de la arquitectura». Aquí es donde entra en juego la inteligencia artificial.
¿Cómo se forma cada modelo?
Para construir el sistema, los investigadores instalaron un banco de pruebas (que se muestra en la figura 2 equipado con sensores colocados en los puntos térmicamente críticos del motor: en los devanados, en el rotor y en la carcasa. Luego se adquirió una gran cantidad de datos: datos eléctricos, mecánicos y térmicos en diversas condiciones de funcionamiento, de bajas a altas velocidades, incluidos diferentes perfiles de carga. Los datos de medición en bruto se someten posteriormente a un extenso procesamiento y a una ingeniería sistemática de características. En este paso, los datos se refinan, se extraen características físicamente significativas y los datos se transforman en una representación que es óptimamente adecuada para el proceso de aprendizaje posterior.
El conjunto de datos final se utilizó para entrenar una red neuronal capaz de correlacionar las señales disponibles en el accionamiento con la distribución térmica interna. Farzami explica que para entrenar un nuevo modelo, se requieren datos de banco de prueba que contengan señales eléctricas y mecánicas, junto con temperaturas de referencia obtenidas a través de sensores o modelos térmicos validados, como simulaciones FEM. El método de entrenamiento empleado utilizó diversas técnicas de regularización de los campos del aprendizaje automático y el aprendizaje profundo, con el objetivo de mejorar el rendimiento del método de aprendizaje y la generalización de los modelos, así como prevenir el sobreajuste.
En términos de tiempo, el proceso requiere entre unas pocas horas y unos pocos días de adquisición de datos, dependiendo del nivel de cobertura deseado. Además, el conjunto de datos cubre una amplia gama de escenarios operativos, desde velocidades de rotación bajas a altas, con ciclos de carga que son representativos en términos de torque, velocidad y transitorios térmicos. Según Farzami, el método ha sido diseñado para ser replicable en un contexto industrial, con perfiles de excitación estandarizados, conjuntos de características definidos y procedimientos de ajuste automatizados. El uso del aprendizaje de transferencia también debería reducir el esfuerzo necesario para adaptar el sistema a las variantes dentro de la misma familia de productos.
Precisión: errores en el orden de unos pocos kelvins
Los resultados experimentales documentados por el grupo de investigación confirman la eficacia del enfoque. Farzami informa de errores promedio del orden de 3-7 K para las temperaturas de devanado del estator y 2-4 K para los rotores e imanes. En los peores transitorios, el error generalmente se mantiene por debajo de 10-15 K, pero esto depende de la cobertura del conjunto de datos de entrenamiento y la fase operativa inicial, cuando el modelo aún no tiene suficiente información temporal para producir estimaciones estables.
(En este contexto, la K significa Kelvin, que es la unidad de medida de la temperatura absoluta en el Sistema Internacional de Unidades. Un error de 3-7 K es exactamente equivalente a un error de 3-7 °C (grados Celsius))
Farzami señala: «La precisión es más alta en condiciones de estado estacionario y disminuye ligeramente para puntos operativos raros o dinámicas extremas, así como en la puesta en marcha, cuando el modelo aún no ha acumulado suficiente contexto temporal para estabilizar sus estimaciones. Sin embargo, estos niveles de precisión son totalmente compatibles con aplicaciones industriales y automotrices.
Por ejemplo, la figura 3 muestra los resultados de estimación para la temperatura de devanado del estator de fase 2 (T_WP2) en base a 35 horas de datos de medición. El error de cuadrado medio (RMSE) de esta estimación es de 3,18 °C en todo el proceso de validación.
El reto de la integración industrial
Desde una perspectiva de hardware, la integración no parece ser el principal obstáculo: según el equipo, los modelos compactos se pueden ejecutar en los controladores integrados actuales de un inversor estándar, sin hardware dedicado. Los desafíos más significativos se relacionan en cambio con la certificación funcional y la robustez industrial, especialmente cuando se utilizan modelos de IA de caja negra que son difíciles de interpretar. Por esta razón, los enfoques híbridos que combinan el aprendizaje automático y los modelos de sistemas físicos ahora parecen más realistas para el despliegue comercial.
Topología-agnóstica versus motor-específica
Como explica Farzami, el método desarrollado se puede aplicar a toda la gama de motores de un OEM, utilizando el aprendizaje de transferencia para reducir el esfuerzo requerido para cada variante. Es “topología-agnóstica” (compatible con PMSM, motores de inducción y otras arquitecturas), pero el modelo entrenado es “específico del motor”: el método es independiente de la topología del motor, en el sentido de que el principio se puede aplicar a los PMSM, motores asíncronos y otras arquitecturas. Sin embargo, el modelo de IA no es universal: cada motor requiere entrenamiento dedicado, ya que las pérdidas, las trayectorias térmicas y el comportamiento electromagnético varían de una máquina a otra.
Los beneficios pueden ser inmediatos términos de aplicaciones, Farzami identifica los contextos más prometedores en tracción automotriz, accionamientos industriales de alto rendimiento y robótica. En términos más generales, el enfoque parece prometedor en todas las aplicaciones donde el coste, la complejidad o la imposibilidad física de la integración de sensores representan una limitación.
Para los fabricantes, el beneficio potencial no se limita a simplemente ahorrar en los componentes. Farzami menciona explícitamente una mayor eficiencia en el uso de los recursos y una mayor densidad de potencia gracias a la posibilidad de reducir los márgenes térmicos conservadores. A esto se añaden limitaciones térmicas reducidas en el rendimiento en condiciones de alta temperatura, una vida útil más larga del motor debido a la prevención del sobrecalentamiento y la reducción de los costes asociados con los sensores, el cableado y la implementación, particularmente cuando de otro modo se requeriría la monitorización del rotor.
Más allá del sensor virtual
Quizás el aspecto más interesante del proyecto no es la sustitución de un sensor físico por un algoritmo, sino el posible cambio de paradigma en la gestión del motor. Hoy en día, muchos sistemas operan con márgenes térmicos conservadores porque lo que sucede internamente no es completamente observable. Si esta opacidad se redujera, el control podría volverse más dinámico y menos conservador.
La pregunta, por lo tanto, no es simplemente si la IA puede estimar la temperatura de un motor, sino si esta capacidad puede redefinir la forma en que se diseñan y utilizan los accionamientos. Para el mundo de los impulsos, aquí es probablemente donde se juega el juego más interesante.
Cuando el conocimiento térmico se convierte en rendimiento
La estimación más precisa en tiempo real del estado térmico interno puede permitir estrategias de reducción menos conservadoras. Al reducir la incertidumbre sobre las temperaturas críticas, el accionamiento puede funcionar más cerca de los verdaderos límites térmicos de la máquina, permitiendo que las reservas térmicas disponibles se utilicen de manera más efectiva. Esto no solo admite un diseño de motor más compacto, sino que también puede desbloquear potencia máxima adicional. Durante el funcionamiento dinámico, la visibilidad térmica mejorada permite además estrategias de control adaptativo dependientes de la temperatura que maximizan la eficiencia energética. En este sentido, la estimación térmica mejorada no solo refina la monitorización, sino que proporciona una base para explotar dinámicamente la envolvente de rendimiento real del motor.
