Descripción
Una forma alternativa de identificar los parámetros de un modelo térmico de un motor de inducción es por medio de algoritmos genéticos. Este trabajo en su inicio, describe brevemente los conceptos relacionados con los modelos térmicos de motores, así como los principales conceptos de los algoritmos genéticos. Posteriormente plantea un modelo térmico simplificado para un motor trifásico Baldor modelo M3558, de 2 hp, 230V, 60 Hz, dicho modelo posee dos nodos para los cuales se plantean sus ecuaciones diferenciales y sus soluciones analíticas. Para determinar los parámetros de este modelo térmico se alimenta un algoritmo genético con el cálculo de las pérdidas del motor eléctrico así como las temperaturas del motor capturadas por un banco de pruebas construido para tal fin. El algoritmo genético va modificando cada parámetro de la solución analítica hasta que se cumplan los criterios de ajuste. En la parte final del trabajo se confrontan las capacitancias y conductancias térmicas obtenidas contra cálculos teóricos de las constantes físicas del motor. Se muestra que los parámetros obtenidos con el algoritmo genético presentan un mejor ajuste respecto a los datos y no requieren del conocimiento de las magnitudes y constantes físicas relacionadas con el motor.
Genetics algorithms are an alternative way to identify the parameters of an induction motor thermal model. Initially, this work briefly describes the concepts related to electric motors thermal models and the key concepts of genetic algorithms. Then it presents a simplified model for an M3558 Baldor motor, 2 HP, 230V, 60 Hz, the thermal model have two nodes, a set of differential equations and its analytical solutions is derived for each one. To determine the parameters of the thermal model, a genetic algorithm is fed with the calculation of motor losses and temperatures captured by a tests bench. The genetic algorithm changes each parameter of the analytical solution until adjustment criteria are met. At the end of this work, the thermal capacitances and inductances obtained are compared with theoretical calculations of the physical constants of the motor. We demonstrate that the parameters obtained with genetic algorithms fit better to the data and require little knowledge of the magnitude and physical constants related to the motor.