Experimentele validatie van MRAS-sensorloze directe koppelregeling met ANN voor inductiemotoren in een pompsysteem

Slimmere pompen voor energiebesparing

Elektrische pompen verplaatsen geruisloos enorme hoeveelheden water in steden, op boerderijen en in fabrieken, maar de motoren die ze aandrijven kunnen energie verspillen en voortijdig slijten als hun koppel en snelheid niet nauwkeurig worden geregeld. Dit artikel presenteert een nieuwe manier om gebruikelijke industriële motoren in pompsystemen te laten draaien zonder kwetsbare mechanische snelheidsensoren, terwijl de pomp toch responsief, efficiënt en zacht voor de apparatuur blijft. Door een lang toegepaste motorregelstrategie te combineren met moderne kunstmatige intelligentie laten de auteurs zien hoe energieverliezen kunnen worden verminderd en de prestatie in realistische laboratoriumtests kan verbeteren.

Waarom gewone motoren moeilijk precies te regelen zijn

Het werk richt zich op inductiemotoren, de robuuste “werkpaarden” van de industrie die alles aandrijven, van liften tot irrigatiepompen. Deze machines zijn goedkoop en betrouwbaar maar moeilijk nauwkeurig te regelen omdat hun interne gedrag niet-lineair is en sommige sleutelgrootheden, zoals de magnetische flux in de rotor, niet rechtstreeks meetbaar zijn. Een populaire strategie genaamd Direct Torque Control (DTC) pakt dit aan door bijna direct op de vermogenselektronica die de motor voedt te werken, wat zeer snelle koppelreactie en goede werking bij lage snelheden oplevert. Klassieke DTC is echter afhankelijk van snelheidsensoren en eenvoudige aan/uit-logica, wat aanzienlijke koppelrimpels, elektrische ruis, vibratie en extra hardwarekosten kan veroorzaken.

Sensoren weghalen zonder controle te verliezen

Om mechanische snelheidsensoren te vermijden, schatten ingenieurs vaak de snelheid uit elektrische metingen. Een veelgebruikte methode, het Model Reference Adaptive System (MRAS), gebruikt twee parallelle modellen van de motor: een referentiemodel dat niet van snelheid afhankelijk is en een verstelbaar model dat dat wel is. Door hun outputs te vergelijken kan het algoritme de werkelijke snelheid van de motor afleiden. MRAS is aantrekkelijk omdat het relatief eenvoudig en licht qua rekencapaciteit is, maar het presteert slecht bij zeer lage snelheden en is gevoelig voor veranderingen in motorparameters zoals weerstand en temperatuur. Wanneer MRAS wordt gecombineerd met DTC, hebben deze beperkingen de neiging koppelrimpels te vergroten en de schakelpatterntjes die de motor aansturen te vervormen.

Neurale netwerken laten de schakelaars kiezen

De auteurs stellen een hybride regelmethode voor die ze DTC‑ANN+MRAS noemen, waarbij kunstmatige neurale netwerken verschillende sleutelbeslissingsblokken binnen het DTC‑schema overnemen. In plaats van vaste hysteresisvergelijkers, een eenvoudige proportioneel‑integraal snelheidsregelaar en een handgemaakte schakeltabel gebruikt het systeem getrainde neurale netwerken om te berekenen hoe de omvormerschakelaars aangestuurd moeten worden om koppel, flux en snelheid nabij hun doelwaarden te houden. Het MRAS‑blok schat nog steeds de snelheid uit gemeten spanningen en stromen, maar zijn output voedt de neurale controllers, die uit simulatiegegevens hebben geleerd hoe ze de schattingsfouten en parameterveranderingen kunnen compenseren die anders de prestatie zouden aantasten.

Van computermodel naar echte hardware

Het team bouwde eerst gedetailleerde wiskundige modellen van de inductiemotor, de vermogenomvormer en een centrifugaalpomp waarvan de belasting met de snelheid toeneemt. Vervolgens implementeerden ze meerdere regelstrategieën in MATLAB/Simulink en testten ze die zowel in simulatie als op een dSPACE DS1104 real‑time besturingskaart die een 1,5 kW laboratoriummotor aanstuurt. Vier benaderingen werden vergeleken: conventionele DTC, DTC verbeterd met neurale netwerken (DTC‑ANN), DTC met MRAS‑snelheidsschatting (DTC‑MRAS) en het volledige hybride DTC‑ANN+MRAS dat in dit artikel wordt voorgesteld. De prestatie werd geëvalueerd met reactietijd op snelheidsveranderingen, de grootte van koppelrimpels en de totale harmonische vervorming (THD) in de motorstroom, een belangrijke indicator van elektrische “schoonheid” en efficiëntie.

Wat de experimenten aan het licht brachten

De resultaten tonen aan dat het toevoegen van neurale netwerken op zichzelf al klassieke DTC verbetert: de reactietijd daalt van 0,80 naar 0,72 seconden en koppelrimpel en stroomvervorming nemen significant af. Het simpelweg koppelen van MRAS aan DTC verslechtert echter de stroomkwaliteit, waarbij de THD stijgt van 9,76% naar 11,40% en de koppelrimpel toeneemt, ondanks dat de snelheidschatting sensorloos wordt. Het hybride ontwerp dat MRAS met neurale besturing combineert herstelt deze verliezen en gaat verder: de reactietijd verkort tot 0,58 seconden, de koppelrimpel daalt vergeleken met DTC‑MRAS en de THD wordt verlaagd van 11,40% naar 7,80%. In pompscenario’s houdt de regelaar een soepele snelheid over een breed bereik van belastingen (−10 tot 10 N·m) en snelheden (−157 tot 157 rad/s), waardoor de waterstroom stabiel blijft terwijl elektrische en mechanische belasting wordt verminderd.

Wat dit betekent voor pompsystemen in de praktijk

Voor niet‑specialisten is de boodschap dat de auteurs een manier hebben ontwikkeld om standaard industriële pompen efficiënter en betrouwbaarder te laten draaien zonder te vertrouwen op gevoelige snelheidsensoren. Door een neuraal netwerk te laten leren hoe de vermogenschakelaars van de motor het beste aangestuurd kunnen worden, terwijl een adaptief model de snelheid schat uit eenvoudige elektrische metingen, levert het systeem snellere respons, schonere stromen en kleinere koppelvariaties dan meerdere gevestigde alternatieven. De studie suggereert dat intelligente, sensorloze besturing het energieverbruik in pompsystemen met ongeveer 15% kan verminderen, de levensduur van apparatuur kan verlengen en de onderhoudskosten kan verlagen, waarbij toekomstige verfijningen met andere optimalisatietechnieken verdere winst beloven.

Bronvermelding: 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

Trefwoorden: sensorloze motorbesturing, inductiemotoraandrijvingen, neurale netwerkbesturing, pompsystemen, energiezuinige aandrijvingen