Innovaciones en el sector de las máquinas eléctricas aplicando IA

 

Innovaciones en el sector de las máquinas eléctricas aplicando IA

Por: Andrea Mura, Departamento de Ingeniería Mecánica y Aeroespacial, Politecnico di Torino,Italia

Las tecnologías emergentes en el campo de las máquinas eléctricas están transformando profundamente el sector de la movilidad y la energía, haciendo mayor hincapié en la innovación, la optimización y el uso de la inteligencia artificial (IA). Máquinas de reticencia sincrónica, motores de imanes permanentes y máquinas excitadas externamente se benefician de soluciones avanzadas como el enfriamiento optimizado y algoritmos de aprendizaje automático para la previsión de pérdidas y el diseño de componentes más eficientes.  

 En este artículo estamos ilustrando una encuesta de interesantes innovaciones en términos de diseño, integración de IA para la optimización de motores y las metodologías emergentes que están revolucionando la sostenibilidad y la eficiencia de las máquinas eléctricas, presentada en el ICEM (Conferencia Internacional sobre Máquinas Eléctricas), que se celebró el pasado septiembre de 2024 en Turin Polytechnics.

El papel desempeñado por la IA en la optimización de las máquinas eléctricas

En las últimas décadas, la evolución de las máquinas eléctricas ha experimentado una profunda transformación, con un enfoque cada vez más importante en las tecnologías innovadoras, la optimización de procesos y la integración de la inteligencia artificial (IA). La industria ha dado grandes pasos en la optimización de máquinas como motores de inducción, modelos de reluctancia sincrónica y máquinas de imanes permanentes. La integración de la IA y de las técnicas automáticas de aprendizaje ha permitido acelerar los procesos de diseño y mejorar la eficiencia y el rendimiento, con importantes beneficios en términos de sostenibilidad ambiental y reducción de costos, también.

 Uno de los avances primarios en la optimización de las máquinas eléctricas está representado por el uso de la inteligencia artificial y de algoritmos de aprendizaje automático. La optimización bayesiana multi objetivo (MOBO), por ejemplo, se aplica a máquinas de inducción de la jaula de ardilla para mejorar significativamente el proceso de diseño. La complejidad de las simulaciones necesarias para optimizar las máquinas eléctricas es uno de los principales obstáculos. En el pasado, el proceso de optimización necesitaba numerosas simulaciones del Análisis de Elemento Finito (FEA), que implican largos tiempos de cálculo y altos costos. La integración de modelos predictivos basados en el aprendizaje automático, como la regresión del proceso gaussiano (GPR), ha permitido reducir drásticamente el número de simulaciones necesarias, mejorando la rapidez y la eficacia del proceso de diseño.

 Mediante modelos GPR, es posible prever las prestaciones de una máquina eléctrica con un bajo número de muestras de entrenamiento, lo que permite identificar rápidamente a los mejores candidatos para el diseño óptimo. En motores de inducción, por ejemplo, el proceso de optimización se centra en parámetros como la eficiencia electromagnética, la onda de torque y el costo de la máquina, investigando un equilibrio entre estas variables. Este enfoque permite obtener mayores resultados, mientras tanto, disminuyen los costos de desarrollo y el tiempo.

  

Predicción de pérdidas magnéticas y desmagnetización irreversible

Uno de los problemas más críticos en las máquinas de imanes permanentes es la desmagnetización irreversible, un fenómeno que se produce especialmente a altas temperaturas. La desmagnetización puede afectar significativamente el rendimiento de la máquina, reduciendo la potencia y la eficiencia general. La inteligencia artificial se ha utilizado con éxito para predecir y prevenir este fenómeno, combinando simulaciones FEM con modelos predictivos que permiten identificar riesgos de desmagnetización antes de que tengan lugar.

Además, la introducción de configuraciones de imanes híbridas ha contribuido a reducir el riesgo de desmagnetización. El uso, por ejemplo, de una combinación de imanes hechos de tierras raras y ferrites en las áreas menos estresadas ha permitido mejorar el rendimiento de la máquina, mientras que disminuye el costo total de los materiales. Este tipo de innovación ha permitido nuevas vías para el diseño de máquinas eléctricas más resistentes y sostenibles, capaces de operar bajo altas condiciones de tensión y estrés sin afectar los rendimientos.

  

Problemas relacionados con el diseño de máquinas eléctricas

El diseño de máquinas eléctricas emite varios desafíos técnicos, especialmente cuando intentamos optimizar las prestaciones en presencia de limitaciones como espacio, materiales y costes. Entre los problemas más comunes se encuentra la gestión de tensiones electromagnéticas desequilibradas (UMP) y la necesidad de reducir el rizado de par.

La excentricidad del rotor es una de las principales causas de tensiones electromagnéticas desequilibradas (UMP) en las máquinas eléctricas, en particular en máquinas sincrónicas de imán permanente (PMSM). La excentricidad del rotor provoca una distribución no uniforme del campo magnético, generando vibraciones y ruido que puede disminuir la eficiencia operativa y afectar la vida útil de la máquina.

 Estudios recientes han demostrado que el uso de imanes excéntricos puede disminuir significativamente la UMP, mejorando la estabilidad de la máquina y reduciendo los problemas relacionados con el ruido y las vibraciones. Las simulaciones FEM son esenciales para evaluar los efectos de la excentricidad del rotor y optimizar la configuración de los imanes para asegurar un funcionamiento más estable y eficiente. Además, el uso de modelos predictivos basados en la inteligencia artificial permite anticipar los problemas de UMP y corregir el diseño antes de fabricar, mejorando la calidad y la fiabilidad de las máquinas eléctricas.

 

Optimización para la reducción de la onda de torque

Las ondas de torque son otro problema común en las máquinas eléctricas, en particular en las máquinas de imanes permanentes de flujo axial con bobinado de anillo (RWAFPM). La onda de par causa variaciones no deseadas en el movimiento de la máquina, influyendo negativamente en la calidad del control y disminuyendo la eficiencia general. Para reducir la onda de par, se utilizan técnicas de optimización geométrica, como el biselado de los polos magnéticos, que permite mejorar el perfil del par y disminuir las vibraciones.

 La optimización basada en el Diseño de Experimentos (DOE) es otro enfoque eficaz para resolver los problemas relacionados con la onda de torque. Este método permite explorar una amplia gama de configuraciones de diseño, reduciendo la complejidad computacional e identificando rápidamente las soluciones más prometedoras. De esta manera, es posible optimizar el diseño de máquinas eléctricas, asegurando altas prestaciones y una operación de fluido en una amplia gama de condiciones operativas.

 

El uso de nuevos materiales y configuraciones

Además de los problemas anteriormente descritos, la innovación en el diseño de máquinas eléctricas también se está centrando en el uso de nuevos materiales y configuraciones para mejorar los rendimientos y disminuir los costos. La optimización del diseño de máquinas de imanes permanentes, por ejemplo, incluye el desarrollo de nuevas configuraciones híbridas que reduzcan el uso de materiales raros, manteniendo altas prestaciones. En este contexto, la optimización de las máquinas de imanes permanentes de flujo axial  (RWAFPM) ha sido particularmente eficaz.

 Además, en las máquinas de reluctancia sincrónica (SynRM), la optimización del flujo magnético mediante el uso de técnicas de IA ha permitido mejorar la eficiencia energética y reducir las pérdidas magnéticas. Las configuraciones de refrigeración de vanguardia, como los sistemas de enfriamiento de aceite y de intercambio térmico, contribuyen a mantener las temperaturas operativas óptimas, mejorando las prestaciones sin afectar la fiabilidad.

 En resumen

La integración de la inteligencia artificial y de técnicas de optimización avanzada está revolucionando el sector de las máquinas eléctricas. AI permite acortar significativamente los tiempos de diseño, mientras tanto mejora las prestaciones y reduciendo costos. Las innovaciones en el diseño, como las configuraciones híbridas de imanes y la optimización geométrica, están mejorando la eficiencia energética y reduciendo los problemas vinculados a fenómenos físicos como la desmagnetización irreversible y las fuerzas electromagnéticas desequilibradas.

Las máquinas eléctricas optimizadas mediante el uso de la IA representan el futuro del sector, permitiendo alcanzar niveles de rendimiento y sostenibilidad sin precedentes.

Las avanzadas técnicas de simulación y optimización permiten afrontar retos de diseño más complejos, asegurando máquinas más eficientes, sostenibles y de rendimiento en una amplia gama de aplicaciones industriales.

 

Fuente: https://www.electricmotorengineering.com

 

Notas del  traductor:

La optimización bayesiana multiobjetivo (MOBO) es un algoritmo que busca un compromiso entre múltiples funciones de costo. Se utiliza para optimizar problemas que requieren encontrar un equilibrio entre varios objetivos.

Cómo funciona: Se crea un modelo sustituto que refleja la relación entre los vectores de decisión y sus valores objetivos. Se utiliza un optimizador para buscar un punto prometedor que maximice o minimice un criterio de relleno. Se actualiza el modelo sustituto con el punto óptimo y los valores de la función objetivo. Se repite el proceso para encontrar múltiples propuestas.

Aplicaciones: La optimización bayesiana multiobjetivo se utiliza en diversos campos, como la física de aceleradores, la exploración de materiales y el aprendizaje automático.

 La regresión del proceso gaussiano (GPR) es una técnica estadística que se usa para predecir valores desconocidos. Se basa en procesos gaussianos (modelo estadístico que utiliza probabilidades para predecir resultados de datos que pueden variar), que son conjuntos de variables aleatorias.

Ventajas:    Es útil para modelar sistemas complejos y no lineales. Funciona bien con conjuntos de datos pequeños. Genera una probabilidad para un intervalo de confianza. Es una herramienta valiosa para varias aplicaciones, incluida la optimización y la previsión de series de tiempo.

 Las simulaciones FEM son simulaciones por computadora que permiten predecir cómo se comportará un producto en el futuro. Se basan en el análisis de elementos finitos (FEA), una técnica numérica que divide un componente en elementos más pequeños.

 El diseño de experimentos (DOE) es un método estadístico que se utiliza para planificar, realizar, analizar e interpretar pruebas controladas. Su objetivo es optimizar procesos y reacciones.

  Ricardo Berizzo

Ingeniero Electricista                                                                                 2025.-