Validación experimental del control directo de par sin sensor MRAS usando RNA para motores de inducción en un sistema de bombeo

Bombas más inteligentes para ahorrar energía

Las bombas eléctricas mueven silenciosamente grandes cantidades de agua en ciudades, explotaciones agrícolas y fábricas, pero los motores que las impulsan pueden desperdiciar energía y desgastarse prematuramente si no se controlan con precisión el par y la velocidad. Este artículo presenta una nueva forma de operar motores industriales comunes en sistemas de bombeo sin emplear delicados sensores mecánicos de velocidad, manteniendo al mismo tiempo la respuesta, la eficiencia y el cuidado del equipo. Al combinar un método de control de motor de larga trayectoria con inteligencia artificial moderna, los autores muestran cómo reducir pérdidas de energía y mejorar el rendimiento en pruebas de laboratorio realistas.

Por qué es difícil controlar bien los motores corrientes

El trabajo se centra en los motores de inducción, los robustos “caballos de batalla” de la industria que accionan desde ascensores hasta bombas de riego. Estas máquinas son económicas y fiables, pero difíciles de controlar con precisión porque su comportamiento interno es no lineal y algunas magnitudes clave, como el flujo magnético en el rotor, no pueden medirse directamente. Una estrategia popular llamada Control Directo de Par (DTC) afronta esto actuando casi directamente sobre la electrónica de potencia que alimenta el motor, ofreciendo una respuesta de par muy rápida y buen comportamiento a bajas velocidades. Sin embargo, el DTC clásico depende de sensores de velocidad y de lógica on–off sencilla, lo que puede provocar considerables ondulaciones de par, ruido eléctrico, vibración y mayor coste de hardware.

Quitar los sensores sin perder el control

Para eliminar los sensores mecánicos de velocidad, los ingenieros suelen estimar la velocidad a partir de medidas eléctricas. Un método ampliamente usado, el Sistema Adaptativo de Referencia de Modelo (MRAS), ejecuta dos modelos paralelos del motor: un modelo de referencia que no depende de la velocidad y un modelo ajustable que sí lo hace. Al comparar sus salidas, el algoritmo puede inferir la velocidad real del motor. MRAS es atractivo porque es relativamente simple y ligero computacionalmente, pero funciona mal a velocidades muy bajas y es sensible a cambios en parámetros del motor como la resistencia y la temperatura. Cuando MRAS se combina con DTC, estas limitaciones tienden a aumentar las ondulaciones de par y a distorsionar los patrones de conmutación que accionan el motor.

Dejar que las redes neuronales elijan las conmutaciones

Los autores proponen un método de control híbrido que denominan DTC‑ANN+MRAS, en el que redes neuronales artificiales asumen varios bloques clave de toma de decisiones dentro del esquema DTC. En lugar de usar comparadores de histéresis fijos, un controlador de velocidad proporcional‑integral básico y una tabla de conmutación diseñada a mano, el sistema emplea redes neuronales entrenadas para calcular cómo deben dispararse las conmutaciones del inversor para mantener el par, el flujo y la velocidad cerca de sus valores objetivo. El bloque MRAS sigue estimando la velocidad a partir de tensiones y corrientes medidas, pero su salida alimenta a los controladores neuronales, que han aprendido a partir de datos de simulación cómo contrarrestar los errores de estimación y los cambios de parámetros que de otro modo degradarían el rendimiento.

Del modelo por ordenador al hardware real

El equipo primero construyó modelos matemáticos detallados del motor de inducción, del inversor de potencia y de una bomba centrífuga cuya carga aumenta con la velocidad. A continuación implementaron varias estrategias de control en MATLAB/Simulink y las probaron tanto en simulación como en una tarjeta de control en tiempo real dSPACE DS1104 que accionaba un motor de laboratorio de 1,5 kW. Se compararon cuatro enfoques: DTC convencional, DTC mejorado con redes neuronales (DTC‑ANN), DTC con estimación de velocidad MRAS (DTC‑MRAS) y el híbrido completo DTC‑ANN+MRAS propuesto en este artículo. El rendimiento se evaluó usando el tiempo de respuesta ante cambios de velocidad, la magnitud de las ondulaciones de par y la distorsión armónica total (THD) en la corriente del motor, un indicador clave de la “limpieza” eléctrica y la eficiencia.

Lo que revelaron los experimentos

Los resultados muestran que añadir redes neuronales por sí solo ya mejora el DTC clásico: el tiempo de respuesta baja de 0,80 a 0,72 segundos y las ondulaciones de par y la distorsión de la corriente se reducen significativamente. Sin embargo, añadir MRAS al DTC empeora en realidad la calidad de la corriente, elevando la THD del 9,76% al 11,40% y aumentando las ondulaciones de par, aunque la estimación de la velocidad se vuelva sin sensor. El diseño híbrido que combina MRAS con control neuronal recupera estas pérdidas y va más allá: el tiempo de respuesta se acorta a 0,58 segundos, la ondulación de par disminuye respecto a DTC‑MRAS y la THD se reduce del 11,40% al 7,80%. En escenarios de bombeo, el controlador mantiene una velocidad suave en un amplio rango de cargas (−10 a 10 N·m) y velocidades (−157 a 157 rad/s), conservando un flujo de agua estable mientras reduce el estrés eléctrico y mecánico.

Qué significa esto para los sistemas de bombeo del mundo real

Para no especialistas, la conclusión es que los autores han ideado una manera de operar bombas industriales estándar de forma más eficiente y fiable sin depender de delicados sensores de velocidad. Al permitir que una red neuronal aprenda la mejor forma de accionar los interruptores de potencia del motor, mientras un modelo adaptativo estima la velocidad a partir de medidas eléctricas sencillas, el sistema ofrece respuesta más rápida, corrientes más limpias y menores fluctuaciones de par que varias alternativas consolidadas. El estudio sugiere que el control inteligente sin sensores podría reducir el consumo energético en sistemas de bombeo en torno al 15%, prolongar la vida útil del equipo y disminuir los costes de mantenimiento, con refinamientos futuros mediante otras técnicas de optimización que prometen ganancias adicionales.

Cita: 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

Palabras clave: control de motor sin sensores, accionamientos de motores de inducción, control por redes neuronales, sistemas de bombeo, accionamientos energéticamente eficientes