使用ANN的MRAS无传感直接转矩控制在泵浦系统感应电机上的实验验证

更智能的泵以节能

电动泵在城市、农场和工厂中默默输送大量水，但如果不对驱动它们的电机的转矩和速度进行精确控制，电机可能浪费能量并提前损耗。本文提出了一种在泵浦系统中运行常见工业电机的新方法——无需使用易损的机械速度传感器，同时保持泵的响应性、高效性和对设备的温和性。通过将一种长期使用的电机控制方法与现代人工智能相结合，作者在现实实验室测试中展示了如何减少能量损失并改善性能。

为何普通电机难以良好控制

研究聚焦于感应电机，即驱动电梯到灌溉泵等各种设备的坚固“力工作马”。这些机器价格低且可靠，但精确控制困难，因为其内部行为是非线性的，某些关键量（例如转子磁通）无法直接测量。一种流行策略称为直接转矩控制（DTC），它几乎直接作用于为电机供电的电力电子器件，从而提供非常快的转矩响应和低速下良好的运行。然而，经典DTC依赖速度传感器和简单的开关逻辑，这会导致较大的转矩波动、电气噪声、振动以及额外的硬件成本。

去掉传感器而不丢失控制

为去除机械速度传感器，工程师通常从电气测量中估算速度。一种被广泛使用的方法是模型参考自适应系统（MRAS），它运行两个并行的电机模型：一个不依赖速度的参考模型和一个依赖速度的可调模型。通过比较它们的输出，算法可以推断电机的实际速度。MRAS的吸引力在于其相对简单且计算量小，但在极低速时表现不佳，并且对电机参数（如电阻和温度）的变化敏感。当MRAS与DTC结合时，这些限制往往会增加转矩波动并扭曲驱动电机的换相模式。

让神经网络选择换相

作者提出了一种混合控制方法，称为DTC‑ANN+MRAS，其中人工神经网络接管了DTC方案内的若干关键决策模块。系统不再使用固定的滞环比较器、基本的比例‑积分速度控制器和人工设计的换相表，而是使用训练好的神经网络来计算逆变器应如何触发开关，以使转矩、磁通和速度接近目标。MRAS模块仍从测得的电压和电流中估算速度，但其输出供给神经控制器使用，后者已从仿真数据中学习如何抵消估计误差和参数变化，这些误差和变化否则会降低性能。

从计算模型到真实硬件

研究团队首先建立了感应电机、逆变器和负载随速度增加而上升的离心泵的详尽数学模型。随后他们在MATLAB/Simulink中实现了若干控制策略，并在仿真和一块驱动1.5 kW实验电机的dSPACE DS1104实时控制板上进行了测试。比较了四种方法：传统DTC、用神经网络改进的DTC（DTC‑ANN）、带MRAS速度估计的DTC（DTC‑MRAS）以及本文提出的完整混合DTC‑ANN+MRAS。性能通过对速度变化的响应时间、转矩波动大小以及电机电流的总谐波失真（THD，一项衡量电气“洁净度”和效率的关键指标）来评估。

实验揭示了什么

结果显示，仅加入神经网络就已改进了经典DTC：响应时间从0.80秒降至0.72秒，转矩波动和电流畸变显著减少。然而，简单将MRAS并入DTC反而恶化了电流质量，将THD从9.76%提高到11.40%，并增加了转矩波动，尽管速度估计实现了无传感。将MRAS与神经控制结合的混合设计恢复了这些损失并更进一步：响应时间缩短至0.58秒，与DTC‑MRAS相比转矩波动下降，THD从11.40%降至7.80%。在泵浦场景中，该控制器在宽负载（−10到10 N·m）和速度（−157到157 rad/s）范围内维持平稳速度，使水流稳定，同时减少电气和机械应力。

这对实际泵浦系统意味着什么

对非专业读者而言，结论是作者设计了一种方式，可以在不依赖脆弱速度传感器的情况下，更高效、更可靠地运行标准工业泵。通过让神经网络学习如何最佳触发电机的功率开关，同时用自适应模型从简单电测量中估算速度，系统比若干现有替代方案能提供更快的响应、更干净的电流和更小的转矩波动。研究表明，智能无传感控制可在泵浦系统中大约减少15%的能耗、延长设备寿命并降低维护成本，未来利用其他优化技术的改进还有望带来更大收益。

引用: 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

关键词: 无传感电机控制, 感应电机驱动, 神经网络控制, 泵浦系统, 节能驱动