Eksperymentalna walidacja bezczujnikowego bezpośredniego sterowania momentem MRAS z użyciem SIE dla silników indukcyjnych w układzie pompowym

Sprytniejsze pompy dla oszczędności energii

Pompy elektryczne w dyskretny sposób przemieszczają ogromne ilości wody w miastach, na farmach i w fabrykach, jednak silniki je napędzające mogą marnować energię i zużywać się przedwcześnie, jeśli moment obrotowy i prędkość nie są starannie kontrolowane. W artykule przedstawiono nowy sposób eksploatacji powszechnych przemysłowych silników w układach pompowych bez użycia delikatnych mechanicznych czujników prędkości, przy jednoczesnym zachowaniu responsywności, efektywności i łagodnego traktowania sprzętu. Poprzez połączenie długo stosowanej metody sterowania silnikiem z nowoczesną sztuczną inteligencją autorzy pokazują, jak zmniejszyć straty energii i poprawić osiągi w realistycznych testach laboratoryjnych.

Dlaczego zwykłe silniki trudno jest dobrze kontrolować

Praca koncentruje się na silnikach indukcyjnych, wytrzymałych „koniach roboczych” przemysłu, które napędzają wszystko, od wind po pompy irygacyjne. Te maszyny są tanie i niezawodne, ale trudne do precyzyjnego sterowania, ponieważ ich wewnętrzne zachowanie jest nieliniowe, a niektórych kluczowych wielkości, takich jak strumień magnetyczny wirnika, nie da się zmierzyć bezpośrednio. Popularna strategia zwana bezpośrednim sterowaniem momentem (DTC) radzi sobie z tym, działając niemal bezpośrednio na elektronikę mocy zasilającą silnik, co daje bardzo szybką odpowiedź momentu i dobrą pracę przy niskich prędkościach. Klasyczne DTC opiera się jednak na czujnikach prędkości i prostej logice włącz/wyłącz, co może powodować znaczne tętnienia momentu, szumy elektryczne, wibracje oraz zwiększone koszty sprzętowe.

Usunięcie czujników bez utraty kontroli

Aby zrezygnować z mechanicznych czujników prędkości, inżynierowie często estymują prędkość na podstawie pomiarów elektrycznych. Jedną z powszechnie stosowanych metod jest Model Reference Adaptive System (MRAS), który uruchamia dwa równoległe modele silnika: model referencyjny niezależny od prędkości oraz model regulowany zależny od prędkości. Porównując ich wyjścia, algorytm potrafi wywnioskować rzeczywistą prędkość silnika. MRAS jest atrakcyjny, ponieważ jest stosunkowo prosty i małe są jego wymagania obliczeniowe, lecz działa słabo przy bardzo niskich prędkościach i jest wrażliwy na zmiany parametrów silnika, takie jak rezystancja czy temperatura. Gdy MRAS łączy się z DTC, te ograniczenia zwykle zwiększają tętnienia momentu i zniekształcają wzorce przełączania napędu.

Pozwolenie sieciom neuronowym wybierać przełączniki

Autorzy proponują hybrydową metodę sterowania nazwaną DTC‑ANN+MRAS, w której sztuczne sieci neuronowe przejmują kilka kluczowych bloków decyzyjnych w schemacie DTC. Zamiast stosować stałe komparatory histerezowe, prosty regulator proporcjonalno-całkujący prędkości i ręcznie zaprojektowaną tabelę przełączania, system wykorzystuje wyszkolone sieci neuronowe do obliczania, jak należy wyzwalać przełączniki falownika, aby utrzymać moment, strumień i prędkość w pobliżu zadanych wartości. Blok MRAS nadal estymuje prędkość na podstawie mierzonego napięcia i prądu, lecz jego wyjście zasila sterowniki neuronowe, które nauczyły się ze danych symulacyjnych, jak przeciwdziałać błędom estymacji i zmianom parametrów, które w innym wypadku pogarszałyby działanie.

Od modelu komputerowego do rzeczywistego sprzętu

Zespół najpierw zbudował szczegółowe modele matematyczne silnika indukcyjnego, falownika mocy oraz pompy odśrodkowej, której obciążenie rośnie wraz z prędkością. Następnie zaimplementowali kilka strategii sterowania w MATLAB/Simulink i przetestowali je zarówno w symulacji, jak i na rzeczywistej karcie sterującej czasu rzeczywistego dSPACE DS1104 napędzającej silnik laboratoryjny 1,5 kW. Porównano cztery podejścia: konwencjonalne DTC, DTC usprawnione sieciami neuronowymi (DTC‑ANN), DTC ze sterowaniem prędkości MRAS (DTC‑MRAS) oraz pełne hybrydowe DTC‑ANN+MRAS zaproponowane w artykule. Wydajność oceniano na podstawie czasu odpowiedzi na zmiany prędkości, wielkości tętnień momentu oraz całkowitego zniekształcenia harmonicznego (THD) prądu silnika — kluczowego wskaźnika „czystości” elektrycznej i efektywności.

Co ujawniły eksperymenty

Wyniki pokazują, że samo dodanie sieci neuronowych już poprawia klasyczne DTC: czas odpowiedzi spada z 0,80 do 0,72 s, a tętnienia momentu i zniekształcenia prądu są znacząco zmniejszone. Jednak proste dołączenie MRAS do DTC faktycznie pogarsza jakość prądu — THD wzrasta z 9,76% do 11,40% i zwiększają się tętnienia momentu, mimo że estymacja prędkości staje się bezczujnikowa. Projekt hybrydowy łączący MRAS ze sterowaniem neuronowym odzyskuje te straty i idzie dalej: czas odpowiedzi skraca się do 0,58 s, tętnienia momentu maleją w porównaniu z DTC‑MRAS, a THD obniża się z 11,40% do 7,80%. W scenariuszach pompowych regulator utrzymuje płynną prędkość w szerokim zakresie obciążeń (−10 do 10 N·m) i prędkości (−157 do 157 rad/s), utrzymując stabilny przepływ wody przy jednoczesnym zmniejszeniu obciążeń elektrycznych i mechanicznych.

Co to oznacza dla rzeczywistych systemów pompowych

Dla osób niezwiązanych specjalistycznie z tematem kluczowy wniosek jest taki, że autorzy opracowali sposób eksploatacji standardowych pomp przemysłowych bardziej efektywnie i niezawodnie, bez polegania na delikatnych czujnikach prędkości. Pozwalając sieci neuronowej nauczyć się optymalnego wyzwalania przełączników mocy silnika, a jednocześnie stosując adaptacyjny model estymujący prędkość z prostych pomiarów elektrycznych, system osiąga szybszą reakcję, „czystsze” prądy i mniejsze wahania momentu niż kilka ustalonych alternatyw. Badanie sugeruje, że inteligentne sterowanie bezczujnikowe może zmniejszyć zużycie energii w systemach pompowych o około 15%, wydłużyć żywotność sprzętu i obniżyć koszty utrzymania, przy czym przyszłe udoskonalenia przy użyciu innych technik optymalizacji zapowiadają dalsze korzyści.

Cytowanie: 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

Słowa kluczowe: bezczujnikowe sterowanie silnikiem, napędy silników indukcyjnych, sterowanie siecią neuronową, systemy pompowe, energooszczędne napędy