Экспериментальная проверка бездатчиковой прямой регуляции крутящего момента MRAS с использованием ИНС для асинхронных двигателей в насосной системе

Более умные насосы для экономии энергии

Электрические насосы тихо перекачивают огромные объёмы воды в городах, на фермах и на производствах, однако двигатели, приводящие их в действие, могут расходовать лишнюю энергию и преждевременно изнашиваться, если крутящий момент и скорость не контролируются точно. В статье представлен новый способ управления распространёнными промышленными двигателями в насосных системах без использования хрупких механических датчиков скорости, при этом насос остаётся отзывчивым, эффективным и щадящим для оборудования. Смешав давно применяемый метод управления двигателем с современным искусственным интеллектом, авторы показывают, как можно сократить потери энергии и улучшить характеристики в реалистичных лабораторных испытаниях.

Почему обычные двигатели трудно хорошо контролировать

Работа сосредоточена на асинхронных двигателях — прочных «рабочих лошадках» промышленности, приводящих в движение всё: от лифтов до ирригационных насосов. Эти машины недороги и надёжны, но их трудно точно управлять, поскольку внутреннее поведение нелинейно, а некоторые ключевые величины, такие как магнитный поток в роторе, нельзя измерить напрямую. Популярная стратегия — прямая регуляция крутящего момента (Direct Torque Control, DTC) — действует почти непосредственно на силовую электронику, питающую двигатель, обеспечивая очень быстрый отклик по крутящему моменту и хорошую работу на низких скоростях. Тем не менее классический DTC полагается на датчики скорости и простую логику вкл/выкл, что может вызывать значительные пульсации крутящего момента, электрические помехи, вибрацию и дополнительные аппаратные расходы.

Убирая датчики без потери контроля

Чтобы убрать механические датчики скорости, инженеры часто оценивают скорость по электрическим измерениям. Один широко используемый метод — адаптивная система со ссылочной моделью (Model Reference Adaptive System, MRAS) — запускает два параллельных математических описания двигателя: опорную модель, не зависящую от скорости, и настраиваемую модель, которая зависит. Сравнивая их выходы, алгоритм может вывести фактическую скорость двигателя. MRAS привлекателен своей относительной простотой и низкой вычислительной нагрузкой, но он плохо работает на очень низких скоростях и чувствителен к изменениям параметров двигателя, таким как сопротивление и температура. В сочетании с DTC эти ограничения, как правило, увеличивают пульсации крутящего момента и искажают схемы коммутации, управляющие двигателем.

Пусть нейросети выбирают переключения

Авторы предлагают гибридный метод управления, который они обозначают DTC‑ANN+MRAS, где искусственные нейронные сети берут на себя несколько ключевых блоков принятия решений внутри схемы DTC. Вместо фиксированных компараторов с гистерезисом, простого пропорционально-интегрального регулятора скорости и вручную составленной таблицы переключений система использует обученные нейронные сети для расчёта порядка срабатывания ключей инвертора, чтобы удерживать крутящий момент, поток и скорость вблизи заданных значений. Блок MRAS по-прежнему оценивает скорость по измеренным напряжениям и токам, но его выход подаётся на нейроконтроллеры, которые научились по данным моделирования компенсировать ошибки оценки и изменения параметров, которые в противном случае ухудшили бы характеристики.

От компьютерной модели к реальному оборудованию

Сначала команда построила подробные математические модели асинхронного двигателя, силового инвертора и центробежного насоса с нагрузкой, растущей с оборотами. Затем они реализовали несколько стратегий управления в MATLAB/Simulink и протестировали их как в моделировании, так и на плате реального времени dSPACE DS1104, управлявшей лабораторным двигателем мощностью 1,5 кВт. Сравнивались четыре подхода: обычный DTC, DTC с улучшением на нейросетях (DTC‑ANN), DTC с оценкой скорости MRAS (DTC‑MRAS) и полный гибрид DTC‑ANN+MRAS, предложенный в статье. Оценка производилась по времени отклика на изменение скорости, величине пульсаций крутящего момента и общему коэффициенту гармоник (THD) тока двигателя — ключевому показателю электрической «чистоты» и эффективности.

Что показали эксперименты

Результаты показывают, что добавление нейронных сетей само по себе уже улучшает классический DTC: время отклика снижается с 0,80 до 0,72 секунды, а пульсации крутящего момента и искажение тока заметно уменьшаются. Простое добавление MRAS к DTC, однако, фактически ухудшает качество тока, повышая THD с 9,76% до 11,40% и увеличивая пульсации крутящего момента, хотя оценка скорости становится бесдатчиковой. Гибридная схема, которая сочетает MRAS с нейронным управлением, возвращает эти потери и идёт дальше: время отклика сокращается до 0,58 с, пульсации крутящего момента уменьшаются по сравнению с DTC‑MRAS, а THD падает с 11,40% до 7,80%. В сценариях перекачки контроллер сохраняет плавность скорости в широком диапазоне нагрузок (−10 до 10 Н·м) и скоростей (−157 до 157 рад/с), поддерживая стабильный поток воды и снижая электрические и механические нагрузки.

Что это значит для реальных насосных систем

Для неспециалистов суть в том, что авторы разработали способ эксплуатировать стандартные промышленные насосы более эффективно и надёжно без опоры на деликатные датчики скорости. Позволив нейронной сети научиться оптимально управлять коммутацией силовых ключей двигателя, в то время как адаптивная модель оценивает скорость по простым электрическим измерениям, система обеспечивает более быстрый отклик, чище токи и меньшие флуктуации крутящего момента по сравнению с несколькими устоявшимися альтернативами. Исследование показывает, что интеллектуальное бесдатчиковое управление может сократить энергопотребление в насосных системах примерно на 15%, продлить срок службы оборудования и снизить затраты на обслуживание, а дальнейшие доработки с использованием других методов оптимизации обещают дополнительные улучшения.

Цитирование: 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

Ключевые слова: бесдатчиковое управление двигателем, приводы асинхронных двигателей, управление на основе нейронных сетей, насосные системы, энергоэффективные приводы