Experimentell validering av sensorlös MRAS-direkt momentreglering med ANN för asynkronmotorer i ett pumpsystem

Smartare pumpar för energibesparing

Elektriska pumpar flyttar i det tysta stora mängder vatten i städer, på gårdar och i fabriker, men motorerna som driver dem kan slösa energi och slitas snabbare om vridmoment och hastighet inte kontrolleras noggrant. Denna artikel presenterar ett nytt sätt att köra vanliga industrimotorer i pumpsystem utan att använda känsliga mekaniska hastighetssensorer, samtidigt som pumpen förblir responsiv, effektiv och skonsam mot utrustningen. Genom att blanda en välbeprövad motorstyrningsmetod med modern artificiell intelligens visar författarna hur man kan minska energiförluster och förbättra prestanda i realistiska laboratorietester.

Varför vanliga motorer är svåra att styra väl

Arbetet fokuserar på asynkronmotorer, industrins robusta ”arbetsdjur” som driver allt från hissar till bevattningspumpar. Dessa maskiner är billiga och pålitliga men svåra att styra precist eftersom deras interna beteende är icke‑linjärt och vissa viktiga storheter, såsom rotorns magnetiska flöde, inte kan mätas direkt. En populär strategi kallad direkt momentreglering (Direct Torque Control, DTC) hanterar detta genom att verka nästan direkt på effektkraftelektroniken som matar motorn, vilket ger mycket snabb momentrespons och god funktion vid låga hastigheter. Klassisk DTC förlitar sig dock på hastighetssensorer och enkel av‑/på‑logik, vilket kan orsaka betydande momentripplar, elektriskt brus, vibrationer och ökade hårdvarukostnader.

Ta bort sensorer utan att förlora kontrollen

För att avlägsna mekaniska hastighetssensorer uppskattar ingenjörer ofta hastigheten från elektriska mätningar istället. En allmänt använd metod, Model Reference Adaptive System (MRAS), kör två parallella modeller av motorn: en referensmodell som inte beror på hastighet och en justerbar modell som gör det. Genom att jämföra deras utgångar kan algoritmen härleda motorns faktiska hastighet. MRAS är attraktiv eftersom den är relativt enkel och beräkningsmässigt lätt, men den fungerar dåligt vid mycket låga hastigheter och är känslig för förändringar i motorparametrar som resistans och temperatur. När MRAS kombineras med DTC tenderar dessa begränsningar att öka momentripplar och förvränga växlingsmönster som styr motorn.

Låta neurala nät välja brytarna

Författarna föreslår en hybridstyrning de kallar DTC‑ANN+MRAS, där artificiella neurala nät tar över flera nyckelbeslutsblock inom DTC‑schemat. Istället för fasta hystereskomparatorer, en enkel PI‑hastighetsregulator och en handgjord växlingsstabell använder systemet tränade neurala nät för att beräkna hur inverterbrytarna ska styras för att hålla moment, flöde och hastighet nära sina mål. MRAS‑blocket uppskattar fortfarande hastigheten från uppmätta spänningar och strömmar, men dess utdata matas till de neurala kontrollerna, som har lärt sig från simuleringsdata att motverka de uppskattningsfel och parameterförändringar som annars skulle försämra prestanda.

Från datormodell till verklig hårdvara

Teamet byggde först detaljerade matematiska modeller av asynkronmotorn, effektinvertern och en centrifugalpump vars belastning ökar med hastigheten. De implementerade sedan flera styrstrategier i MATLAB/Simulink och testade dem både i simulering och på ett dSPACE DS1104 realtidsstyrkort som drev en 1,5 kW laboratoriemotor. Fyra angreppssätt jämfördes: konventionell DTC, DTC förbättrad med neurala nät (DTC‑ANN), DTC med MRAS‑hastighetsuppskattning (DTC‑MRAS) och den fulla hybriden DTC‑ANN+MRAS som föreslås i denna artikel. Prestandan utvärderades med avseende på responstid vid hastighetsändringar, storleken på momentripplar och total harmonisk distorsion (THD) i motorströmmen, en viktig indikator på elektrisk ”renhet” och effektivitet.

Vad experimenten avslöjade

Resultaten visar att tillägg av neurala nät redan förbättrar klassisk DTC: responstiden minskar från 0,80 till 0,72 sekunder och momentrippel samt strömdistorsion reduceras betydligt. Att enbart lägga MRAS till DTC försämrar däremot strömkvaliteten, med THD som ökar från 9,76 % till 11,40 % och ökade momentripplar, trots att hastighetsuppskattningen blir sensorlös. Den hybrida designen som kombinerar MRAS med neuralkontroll återhämtar dessa förluster och går längre: responstiden kortas till 0,58 sekunder, momentrippeln minskar jämfört med DTC‑MRAS och THD sänks från 11,40 % till 7,80 %. I pumpscenarier håller regulatorn en jämn hastighet över ett brett lastintervall (−10 till 10 N·m) och hastigheter (−157 till 157 rad/s), vilket ger stabil vattenflöde samtidigt som elektrisk och mekanisk belastning minskas.

Vad detta betyder för verkliga pumpsystem

För icke‑specialister är budskapet att författarna har utvecklat ett sätt att köra standardindustripumpar mer effektivt och tillförlitligt utan att förlita sig på ömtåliga hastighetssensorer. Genom att låta ett neuralt nät lära sig hur motorernas effektbrytare bäst ska aktiveras, medan en adaptiv modell uppskattar hastigheten från enkla elektriska mätningar, levererar systemet snabbare respons, renare strömmar och mindre momentenvariationer än flera etablerade alternativ. Studien antyder att intelligent, sensorlös styrning kan minska energianvändningen i pumpsystem med cirka 15 %, förlänga utrustningens livslängd och sänka underhållskostnader, med framtida förfiningar som använder andra optimeringstekniker som lovar ytterligare vinster.

Citering: 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

Nyckelord: sensorlös motorstyrning, asynkronmotordrift, neuronätstyrning, pumpsystem, energieffektiva drivsystem