Experimentelle Validierung einer sensorenlosen MRAS-Direktmomentregelung mit ANN für Asynchronmotoren in einem Pumpensystem

Intelligente Pumpen zur Energieeinsparung

Elektrische Pumpen fördern in Städten, auf landwirtschaftlichen Flächen und in Fabriken große Wassermengen im Verborgenen. Ihre Antriebsmotoren können jedoch Energie verschwenden und vorzeitig verschleißen, wenn Drehmoment und Drehzahl nicht sorgfältig geregelt werden. Dieser Beitrag stellt eine neue Methode vor, um gebräuchliche Industriemotoren in Pumpensystemen ohne empfindliche mechanische Drehzahlsensoren zu betreiben und dabei dennoch reaktionsschnell, effizient und schonend für die Ausrüstung zu bleiben. Durch die Kombination einer seit langem verwendeten Motorregelung mit moderner künstlicher Intelligenz zeigen die Autoren, wie sich in realistischen Labortests Energieverluste reduzieren und die Leistung verbessern lassen.

Warum gewöhnliche Motoren schwer präzise zu regeln sind

Die Arbeit konzentriert sich auf Asynchronmotoren, die robusten „Arbeitspferde“ der Industrie, die alles antreiben von Aufzügen bis zu Bewässerungspumpen. Diese Maschinen sind preiswert und zuverlässig, aber schwer präzise zu regeln, weil ihr inneres Verhalten nichtlinear ist und einige Schlüsselgrößen, wie der magnetische Fluss im Rotor, nicht direkt gemessen werden können. Eine verbreitete Strategie, die Direktmomentregelung (DTC), greift dies auf, indem sie nahezu direkt auf die Leistungselektronik wirkt, die den Motor speist, wodurch sehr schnelle Drehmomentantworten und gutes Verhalten bei niedrigen Drehzahlen erreicht werden. Klassisches DTC setzt jedoch auf Drehzahlsensoren und einfache Ein/Aus-Logik, was zu beträchtlichen Drehmomentwelligkeiten, elektrischem Rauschen, Vibrationen und zusätzlichen Hardwarekosten führen kann.

Sensoren entfernen, Kontrolle behalten

Um mechanische Drehzahlsensoren zu vermeiden, schätzen Ingenieure die Drehzahl stattdessen aus elektrischen Messgrößen. Eine weit verbreitete Methode, das Model Reference Adaptive System (MRAS), betreibt zwei parallele Modelle des Motors: ein referenzielles Modell, das nicht von der Drehzahl abhängt, und ein anpassbares Modell, das es tut. Durch den Vergleich ihrer Ausgänge kann der Algorithmus die tatsächliche Drehzahl ableiten. MRAS ist attraktiv, weil es relativ einfach und rechnerisch leicht ist, jedoch bei sehr niedrigen Drehzahlen schlecht arbeitet und empfindlich auf Änderungen von Motorparametern wie Widerstand und Temperatur reagiert. Wird MRAS mit DTC kombiniert, verstärken sich diese Einschränkungen häufig und führen zu größeren Drehmomentwelligkeiten und verzerrten Schaltmustern, die den Motor antreiben.

Neuronale Netze entscheiden über die Schalter

Die Autoren schlagen eine hybride Regelmethode vor, die sie DTC‑ANN+MRAS nennen, bei der künstliche neuronale Netze mehrere wichtige Entscheidungsblöcke innerhalb des DTC‑Schemas übernehmen. Anstelle von festen Hysteresevergleichen, einem einfachen PI-Drehzahlregler und einer handgefertigten Schaltetabelle verwendet das System trainierte neuronale Netze, um zu berechnen, wie die Wechselrichterschalter angesteuert werden sollten, damit Drehmoment, Fluss und Drehzahl nahe ihren Sollwerten bleiben. Der MRAS-Block schätzt weiterhin die Drehzahl aus gemessenen Spannungen und Strömen, doch dessen Ausgang speist die neuronalen Regler, die aus Simulationsdaten gelernt haben, wie sie Schätzfehler und Parameteränderungen kompensieren können, die sonst die Leistung verschlechtern würden.

Vom Computermodell zur realen Hardware

Das Team erstellte zunächst detaillierte mathematische Modelle des Asynchronmotors, des Leistungswechselrichters und einer Kreiselpumpe, deren Last mit der Drehzahl ansteigt. Anschließend implementierten sie mehrere Regelstrategien in MATLAB/Simulink und testeten diese sowohl in Simulation als auch auf einer dSPACE DS1104 Echtzeitregelkarte, die einen 1,5 kW Labor­motor antreibt. Verglichen wurden vier Ansätze: konventionelles DTC, DTC verbessert mit neuronalen Netzen (DTC‑ANN), DTC mit MRAS-Drehzahlschätzung (DTC‑MRAS) und das hier vorgeschlagene hybride DTC‑ANN+MRAS. Bewertet wurden Reaktionszeit auf Drehzahländerungen, Ausmaß der Drehmomentwelligkeit und die Total Harmonic Distortion (THD) im Motorstrom, ein wichtiger Indikator für elektrische „Reinheit“ und Effizienz.

Was die Experimente zeigten

Die Ergebnisse zeigen, dass das Hinzufügen neuronaler Netze allein das klassische DTC bereits verbessert: Die Reaktionszeit sinkt von 0,80 auf 0,72 Sekunden und Drehmomentwelligkeit sowie Stromverzerrung werden deutlich reduziert. Das bloße Ergänzen von DTC durch MRAS verschlechtert jedoch die Stromqualität tatsächlich, erhöht die THD von 9,76 % auf 11,40 % und vergrößert die Drehmomentwelligkeit, obwohl die Drehzahlsensorik entfällt. Das hybride Design, das MRAS mit neuronaler Steuerung kombiniert, holt diese Verluste wieder herein und geht darüber hinaus: Die Reaktionszeit verkürzt sich auf 0,58 Sekunden, die Drehmomentwelligkeit sinkt im Vergleich zu DTC‑MRAS, und die THD wird von 11,40 % auf 7,80 % reduziert. In Pumpenszenarien hält der Regler die Drehzahl über einen weiten Lastbereich (−10 bis 10 N·m) und Geschwindigkeiten (−157 bis 157 rad/s) stabil, wodurch der Wasserfluss konstant bleibt und elektrische sowie mechanische Belastungen reduziert werden.

Was das für reale Pumpensysteme bedeutet

Für Nicht‑Spezialisten lautet die Botschaft: Die Autoren haben eine Möglichkeit entwickelt, Standard‑Industriepumpen effizienter und zuverlässiger zu betreiben, ohne auf empfindliche Drehzahlsensoren angewiesen zu sein. Indem ein neuronales Netz lernt, wie die Leistungsschalter des Motors am besten angesteuert werden, während ein adaptives Modell die Drehzahl aus einfachen elektrischen Messgrößen schätzt, liefert das System schnellere Reaktion, sauberere Ströme und geringere Drehmomentfluktuationen als mehrere etablierte Alternativen. Die Studie legt nahe, dass intelligente, sensorenlose Regelung den Energieverbrauch in Pumpensystemen um rund 15 % senken, die Lebensdauer der Anlage verlängern und die Wartungskosten reduzieren könnte; künftige Verfeinerungen durch andere Optimierungstechniken versprechen weitere Verbesserungen.

Zitation: Ech-chaouy, H., Derouich, A., Mahfoud, S. et al. Experimental validation of MRAS sensorless direct torque control using ANN for induction motors in a pumping system. Sci Rep 16, 10434 (2026). https://doi.org/10.1038/s41598-026-41127-9

Schlüsselwörter: sensorlose Motorregelung, Asynchronmotorantriebe, Neuronale Netzwerksteuerung, Pumpensysteme, energieeffiziente Antriebe