CAPÍTULO 6

6 Conclusiones

En este trabajo se aborda el problema de la identificación de los parámetros de los

modelos de circuito de los motores de inducción, a partir de la información
suministrada por los fabricantes en sus catálogos. Tradicionalmente, la
identificación de los parámetros se realiza a partir de los ensayos de las máquinas.
Este enfoque, si bien conduce a buenos resultados, tiene algunos inconvenientes
que hace que no siempre pueda utilizarse. De entre ellos cabe citar los costes de
realización de los ensayos o la imposibilidad de disponer a una máquina en
operación dentro de una planta. En otras ocasiones, como en la fase de proyecto o
diseño de instalaciones, puede ser conveniente disponer de los parámetros de un
motor determinado, a fin de realizar estudios o simulaciones previas, que permitan
estimar el impacto de la presencia de ese motor en la respuesta global de la
instalación. En situaciones como esta, solo está disponible la información de los
catálogos de los fabricantes.
No obstante, la identificación de los parámetros de los modelos de circuito de los
motores de inducción, a partir de la información suministrada por los fabricantes
en sus catálogos, presenta dificultades de diverso índole. En líneas generales
podría hablarse de dificultades relacionadas con la topología o estructura del
modelo y dificultades relacionadas con la naturaleza de la información disponible
(catálogos).
Por un lado, los modelos de circuito, tanto de jaula simple como doble (o
cualquier otro), son herramientas que permiten describir los fenómenos que se
producen en los motores de inducción, con cierto nivel de precisión. De hecho,
existe una gran variedad de modelos de circuito para los motores de inducción, de
entre los que cabe destacar los modelos de jaula simple (incluyendo su variante
con los parámetros rotóricos ajustados en función del deslizamiento) y doble (con
diversas variantes también). Esto quiere decir que las diferencias observables
entre las predicciones de los modelos y la realidad, en un cierto rango de
funcionamiento de los motores, se encuentran dentro de un límite aceptable para
el usuario del modelo. En consecuencia, siempre hay que esperar diferencias, más
o menos pequeñas, entre las predicciones de los modelos y las medidas u
observaciones de laboratorio.
Por otro lado están las dificultades relacionadas con la naturaleza de la
información disponible para la identificación de los parámetros que puede
CAPÍTULO 6. Conclusiones 96

desagregarse en dos grandes capítulos. El primero serían los clásicos errores

asociados a la cadena de instrumentación (errores en los transductores e
instrumentos de medida) y al propio sistema de medida (por ejemplo, el cociente
para la determinación de resistencias, o el método de los dos vatímetros para la
determinación de la potencia trifásica) utilizados para determinar los valores que
caracterizan el funcionamiento del motor en unas condiciones dadas. El segundo
está directamente relacionado con la fuente de información utilizada en este
trabajo: la contenida en los catálogos. Esta información no corresponde a ningún
motor concreto sino que representa valores medios obtenidos de una serie de
motores de las mismas características nominales, que han sido fabricados de la
misma forma. Como es lógico, aunque el fabricante intente que todos los motores
de una serie o de un tipo se fabriquen de la misma manera y usando los mismos
materiales, el propio proceso de fabricación hace que sus características
individuales no resulten idénticas. Las normas indican a los fabricantes los límites
de tolerancia máximos, es decir, las desviaciones máximas de un motor concreto
con respecto a la información del catálogo, para cada una de las magnitudes que
deben aparecer en el catálogo. En resumen, la información que aparece en los
catálogos adolece de errores de medida, representa valores medios de una serie de
máquinas y está sujeta a unos límites de tolerancia máximos fijados en las normas.
En consecuencia, el problema de la identificación de los parámetros de los
modelos de circuito de los motores de inducción (cualquiera que sea el circuito
utilizado) planteado obliga a encajar las predicciones de un determinado modelo
de circuito con los datos de catálogo de los fabricantes, datos que no corresponden
a ninguna máquina concreta, sino que representan valores medios obtenidos en
una serie de máquinas. Por tanto, la dificultad del problema de identificación
planteado se presenta en núcleo mismo del problema y estriba en la dificultad de
encajar las predicciones de los modelos de circuito (cualesquiera que sean los
modelos utilizados) con la información del catálogo. Esto hace que no puedan
utilizarse métodos analíticos o numéricos para resolver los sistemas de ecuaciones
no lineales que resultan de igualar las predicciones de los modelos con los datos
de catálogo, siendo necesario recurrir a la utilización de técnicas de optimización
que intentan minimizar las diferencias (errores) entre los datos de catálogo y las
predicciones que resultan de un determinado conjunto de valores de los
parámetros.

6.1. Conclusiones
A fin de cubrir esta laguna, en este trabajo se ha desarrollado una aplicación
informática, basada en Matlab, que permite utilizar dos métodos capaces de
identificar los parámetros de los modelos de circuito del motor de inducción,
partiendo de los datos de catálogo. La aplicación ha sido probada con datos
procedentes de más de 700 motores de diferentes fabricantes, utilizando dos
modelos de circuito distintos, uno de jaula simple y otro de jaula doble.
Los métodos propuestos permiten, de una forma sencilla, trasladar la información
proporcionada por el fabricante a información útil para la simulación de máquinas
CAPÍTULO 6. Conclusiones 97

de inducción sin tener que recurrir a costosas pruebas o suponer los valores de los
parámetros, utilizando los de otras máquinas similares.
En primer lugar, se ha desarrollado un método de identificación basado en
mínimos cuadrados. Este es el método que tradicionalmente se ha usado para la
resolución de sistemas de ecuaciones no lineales. Se ha comprobado que es un
método rápido de identificación de los parámetros, pero que necesita de una buena
solución inicial para poder converger hacia la solución óptima.
En segundo lugar, se ha desarrollado un algoritmo genético capaz de identificar
los parámetros del modelo de circuito del motor de inducción. Los resultados
obtenidos indican que los algoritmos genéticos pueden usarse para este propósito,
presentando ventajas fundamentales que hacen que sean una opción a tener en
cuenta. A lo largo del trabajo se ha podido probar que la principal ventaja del
algoritmo genético sobre el método de los mínimos cuadrados es su capacidad
para converger a una solución óptima sin necesidad de una buena solución inicial
de partida. El algoritmo genético no es un método rápido pero sí es muy robusto.
Tanto el algoritmo genético como el método de los mínimos cuadrados poseen
ventajas e inconvenientes y son, potencialmente, dos metodologías
complementarias. En este trabajo se han combinado los dos métodos para obtener
las ventajas de cada uno de ellos, utilizando el algoritmo genético para la
búsqueda de una buena solución inicial de partida y el método de los mínimos
cuadrados para la etapa final de optimización. Este algoritmo de optimización
híbrido (algoritmo genético seguido de mínimos cuadrados) previene al método de
los mínimos cuadrados de quedar atrapado en mínimos locales o no encontrar
solución y, además, reduce el tiempo total de optimización con respecto a la
optimización mediante el algoritmo genético.
Se ha analizado la sensibilidad de los métodos de identificación a variaciones en
los datos de entrada (datos de catalogo), observándose que la identificación de los
parámetros es más sensible a la variación de los datos, en el caso de motores de
baja tensión.
Los resultados obtenidos por los distintos métodos desarrollados en este trabajo se
han comparado con los resultados obtenidos por otras fuentes, habiendo obtenido
niveles de error del mismo orden a los de algunas publicaciones.
Se ha creado una base de datos con la información de catálogo correspondiente a
más de 700 motores, tanto IEC como NEMA, de diferentes características y
fabricantes, así como con los valores identificados de los parámetros de sus
correspondientes modelos de circuito y los errores en las principales magnitudes,
tanto para el modelo de jaula simple con parámetros ajustados con el
deslizamiento como para el modelo de doble jaula. Esta base de datos constituye
una útil referencia para otros trabajos relacionados con las máquinas de inducción.

6.2. Posibles líneas de continuación y mejora

Ciertos aspectos de este trabajo se prestan a seguir siendo investigados:
CAPÍTULO 6. Conclusiones 98

Algunos catálogos de motores ofrecidos por los fabricantes proporcionan

más información de la que ha sido utilizada en la identificación de
parámetros realizada en este trabajo. Utilizar más información significa
obtener un modelo más exacto del motor de inducción pero también
significa que el sistema de ecuaciones no lineales a resolver será más
complejo. El modelo de circuito utilizado podría contener, de esa forma,
más parámetros o menos relaciones entre ellos y, por tanto, ser más
exacto. Si se dispone de cinco datos sólo puede aspirarse a identificar un
modelo con cinco parámetros, pero si se dispone de diez datos podría
utilizarse un modelo más sofisticado, con más parámetros.
Las funciones objetivo utilizadas han sido, minimizar la diferencia entre el
par de arranque real y el calculado o minimizar la diferencia entre la
intensidad de arranque real y la calculada, pero la combinación de ambos
criterios con el mismo peso no ha dado buenos resultados. Se podría
investigar una función objetivo más elaborada que permitiera obtener una
mejor predicción de las características en el arranque para el modelo de
circuito de jaula simple.
Existen otras técnicas avanzadas para resolver problemas de optimización
que se adaptan al problema de identificación de parámetros:
o Lógica difusa o borrosa (fuzzy logic): Esta técnica aplicada a la
optimización, permite relajar las restricciones del problema. Por
ello, es adecuada cuando los datos contienen errores o
incertidumbre sobre su valor exacto y cuando el ajuste de una
variable puede desajustar otras. En el caso de la identificación de
parámetros de modelos del motor de inducción se dan ambas
circunstancias.
o Nube de partículas (swarm particles): Se trata de una técnica de
optimización basada en una población de soluciones que se guía a
través de la inteligencia colectiva de dicha población. Este
algoritmo parte de una población para iniciar un proceso de
búsqueda, donde cada individuo se refiere a una partícula que está
agrupada dentro de una nube. Cada partícula dentro de la nube
representa un candidato a la solución del problema de
optimización. Cada partícula se desplaza a través de un espacio de
búsqueda multidimensional, ajustando su posición de acuerdo a su
propia experiencia y la de otras partículas en su vecindario, es
decir, una partícula hace uso de la mejor posición encontrada por sí
misma y de la mejor posición de su vecindario, para dirigirse hacia
la solución optima.