Validação experimental do controle direto de torque sem sensor MRAS usando RNA para motores de indução em um sistema de bombeamento

Bombas mais inteligentes para economizar energia

Bombas elétricas deslocam silenciosamente grandes volumes de água em cidades, fazendas e fábricas, mas os motores que as acionam podem desperdiçar energia e se desgastar precocemente se o torque e a velocidade não forem controlados com cuidado. Este artigo apresenta uma nova forma de operar motores industriais comuns em sistemas de bombeamento sem usar sensores mecânicos de velocidade frágeis, mantendo a bomba responsiva, eficiente e suave para os equipamentos. Ao combinar um método de controle de motor consolidado com inteligência artificial moderna, os autores mostram como reduzir perdas de energia e melhorar o desempenho em testes laboratoriais realistas.

Por que motores comuns são difíceis de controlar bem

O trabalho foca em motores de indução, os “cavalos de batalha” robustos da indústria que acionam desde elevadores até bombas de irrigação. Essas máquinas são baratas e confiáveis, mas difíceis de controlar com precisão porque seu comportamento interno é não linear e algumas grandezas chave, como o fluxo magnético no rotor, não podem ser medidas diretamente. Uma estratégia popular chamada Controle Direto de Torque (DTC) resolve isso atuando quase diretamente sobre a eletrônica de potência que alimenta o motor, proporcionando resposta de torque muito rápida e bom desempenho em baixas velocidades. No entanto, o DTC clássico depende de sensores de velocidade e de lógica on–off simples, o que pode causar ondulações significativas de torque, ruído elétrico, vibração e aumento do custo de hardware.

Retirando sensores sem perder o controle

Para eliminar sensores mecânicos de velocidade, os engenheiros frequentemente estimam a velocidade a partir de medições elétricas. Um método amplamente usado, o Sistema Adaptativo de Referência de Modelo (MRAS), executa dois modelos paralelos do motor: um modelo de referência que não depende da velocidade e um modelo ajustável que depende. Ao comparar suas saídas, o algoritmo pode inferir a velocidade real do motor. O MRAS é atraente porque é relativamente simples e leve em termos computacionais, mas tem desempenho ruim em velocidades muito baixas e é sensível a mudanças em parâmetros do motor, como resistência e temperatura. Quando o MRAS é combinado com DTC, essas limitações tendem a aumentar as ondulações de torque e a distorcer os padrões de comutação que acionam o motor.

Deixando redes neurais escolherem as chaves

Os autores propõem um método de controle híbrido que chamam DTC‑RNA+MRAS, no qual redes neurais artificiais assumem vários blocos decisórios chave dentro do esquema DTC. Em vez de usar comparadores de histerese fixos, um controlador de velocidade proporcional‑integral básico e uma tabela de comutação feita manualmente, o sistema usa redes neurais treinadas para calcular como as chaves do inversor devem ser acionadas para manter torque, fluxo e velocidade próximos aos seus alvos. O bloco MRAS ainda estima a velocidade a partir das tensões e correntes medidas, mas sua saída alimenta os controladores neurais, que aprenderam a partir de dados de simulação como contrabalançar os erros de estimativa e as variações de parâmetros que, de outra forma, degradariam o desempenho.

Do modelo de computador para o hardware real

A equipe primeiro construiu modelos matemáticos detalhados do motor de indução, do inversor de potência e de uma bomba centrífuga cuja carga aumenta com a velocidade. Em seguida, implementaram várias estratégias de controle no MATLAB/Simulink e as testaram tanto em simulação quanto em uma placa de controle em tempo real dSPACE DS1104, que acionou um motor de bancada de 1,5 kW. Quatro abordagens foram comparadas: DTC convencional, DTC melhorado com redes neurais (DTC‑RNA), DTC com estimativa de velocidade por MRAS (DTC‑MRAS) e o híbrido completo DTC‑RNA+MRAS proposto neste artigo. O desempenho foi avaliado usando tempo de resposta a mudanças de velocidade, magnitude das ondulações de torque e distorção harmônica total (THD) na corrente do motor, um indicador chave da “limpeza” elétrica e da eficiência.

O que os experimentos revelaram

Os resultados mostram que acrescentar redes neurais já melhora o DTC clássico: o tempo de resposta cai de 0,80 para 0,72 segundos e as ondulações de torque e a distorção de corrente são significativamente reduzidas. No entanto, simplesmente acoplar MRAS ao DTC piora a qualidade da corrente, elevando a THD de 9,76% para 11,40% e aumentando a ondulação de torque, embora a estimativa de velocidade passe a ser sem sensor. O projeto híbrido que combina MRAS com controle neural recupera essas perdas e vai além: o tempo de resposta reduz para 0,58 segundos, a ondulação de torque diminui em comparação com o DTC‑MRAS, e a THD é reduzida de 11,40% para 7,80%. Em cenários de bombeamento, o controlador mantém velocidade suave numa ampla faixa de cargas (−10 a 10 N·m) e velocidades (−157 a 157 rad/s), preservando o fluxo de água estável enquanto reduz o estresse elétrico e mecânico.

O que isso significa para sistemas de bombeamento no mundo real

Para não especialistas, a mensagem é que os autores desenvolveram uma forma de operar bombas industriais padrão de maneira mais eficiente e confiável sem depender de sensores sensíveis de velocidade. Ao permitir que uma rede neural aprenda a melhor forma de acionar as chaves de potência do motor, enquanto um modelo adaptativo estima a velocidade a partir de medições elétricas simples, o sistema entrega resposta mais rápida, correntes mais limpas e flutuações de torque menores do que várias alternativas consolidadas. O estudo sugere que o controle inteligente e sem sensor poderia reduzir o consumo de energia em sistemas de bombeamento em cerca de 15%, prolongar a vida útil dos equipamentos e diminuir custos de manutenção, com refinamentos futuros usando outras técnicas de otimização prometendo ganhos adicionais.

Citação: 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

Palavras-chave: controle de motor sem sensor, acionamentos de motor de indução, controle por rede neural, sistemas de bombeamento, acionamentos energeticamente eficientes