Адаптивные алгоритмы управления электроприводами насосных установок оросительных систем в условиях цифровизации агропромышленного комплекса: стендовые исследования и производственная верификация

Представлены результаты разработки и экспериментального исследования адаптивных алгоритмов управления электроприводами насосных установок оросительных систем, основанных на анализе ваттметрограммы — зависимости потребляемой электроприводом активной мощности от времени. Алгоритм предусматривает автоматическое формирование эталона нагрузки при пуске (предварительный эталон — через 30 минут, окончательный — через 60 минут после стабилизации режима), допусковый контроль «меньше — норма — больше» относительно эталона и мажоритарную логику принятия решений «два из трех», исключающую ложные срабатывания защит. Исследование выполнено на специализированном испытательном стенде Казанского государственного энергетического университета с системой нагружения на основе асинхронного электродвигателя с прямым управлением моментом (DTC) и цифровым ПИД-регулятором момента (перерегулирование не более 10%, время регулирования 0,1 с); нагрузочные профили сформированы по ваттметрограммам действующей насосной станции капельного орошения. В 140 стендовых опытах воспроизводились нормальный режим, засорение фильтров и капельных линий, сухой ход и кавитация; вероятность правильной идентификации режимов составила 96,4%, среднее время обнаружения сухого хода — 14 ± 3 с, кавитации — 85 ± 12 с. Производственная верификация на насосной станции сельскохозяйственного предприятия Республики Татарстан (оросительный сезон 2025 г., наработка 720 ч) подтвердила корректность стендовой настройки без перенастройки алгоритмов: своевременно идентифицированы шесть эпизодов прогрессирующего засорения и два эпизода сухого хода, отфильтрованы три ложных возмущения. Зафиксированное за сезон снижение удельного энергопотребления станции на 11,3% относится к переходу от дроссельного регулирования подачи к частотному в целом и представляет расчетную оценку, справедливую при сохранении гидравлических условий водоподачи; вклад адаптивных алгоритмов в этот результат отдельно не выделялся. Показана возможность интеграции алгоритмов в цифровую платформу предприятия по протоколам Modbus TCP и MQTT в качестве элемента цифровизации агропромышленного комплекса.

1. Mansoor S., Iqbal S., Popescu S.M., Kim S.L., Chung Y.S., Baek J.-H. Integration of smart sensors and IOT in precision agriculture: trends, challenges and future prospectives. Frontiers in Plant Science. 2025; 16: 1587869. https://doi.org/10.3389/fpls.2025.1587869

2. Soussi A., Zero E., Sacile R., Trinchero D., Fossa M. Smart Sensors and Smart Data for Precision Agriculture: A Review. Sensors. 2024; 24(8): 2647. https://doi.org/10.3390/s24082647

3. García L., Parra L., Jimenez J.M., Lloret J., Lorenz P. IoT-Based Smart Irrigation Systems: An Overview on the Recent Trends on Sensors and IoT Systems for Irrigation in Precision Agriculture. Sensors. 2020; 20(4): 1042. https://doi.org/10.3390/s20041042

4. Nsoh B. et al. Internet of Things-Based Automated Solutions Utilizing Machine Learning for Smart and Real-Time Irrigation Management: A Review. Sensors. 2024; 24(23): 7480. https://doi.org/10.3390/ s24237480

5. Cingöz T., Toylan H., Uğurlu A. Optimization of Variable Frequency Drive Used in Water Pumping Systems for Energy Efficiency. Water. 2026; 18(12): 1405. https://doi.org/10.3390/w18121405

6. Lakhiar I.A. et al. A Review of Precision Irrigation Water-Saving Technology under Changing Climate for Enhancing Water Use Efficiency, Crop Yield, and Environmental Footprints. Agriculture. 2024; 14(7): 1141. https://doi.org/10.3390/agriculture14071141

7. Liang C., Hao Y., Tengzhou X., Zhiguo L. Identification of cavitation state of centrifugal pump based on current signal. Frontiers in Energy Research. 2023; 11: 1204300. https://doi.org/10.3389/fenrg.2023.1204300

8. Luo Y., Zhixiang X., Sun H., Yuan S., Yuan J. Research on the induction motor current signature for centrifugal pump at cavitation condition. Advances in Mechanical Engineering. 2015; 7(11): 1687814015617134. https://doi.org/10.1177/1687814015617134

9. Tsvetkov A.N., Safin A.R., Ivshin I.V., Petrov T.I., Misbakhov R.Sh., Kornilov V.Yu. Adaptive Control System of the Pumping Unit. International Journal of Engineering and Advanced Technology. 2019; 8(5S3): 289–291. https://doi.org/10.35940/ijeat.E1064.0785S319

10. Цветков А.Н., Корнилов В.Ю., Сафин А.Р., Кувшинов Н.Е., Петров Т.И., Гибадуллин Р.Р. Разработка стенда для исследования электроприводов станков-качалок. Вестник МГТУ. Труды Мурманского государственного технического университета. 2020; 23(4): 364–375. EDN EAZOPH

11. Оськин С.П., Кузнецов А.В., Конева Н.Е. Функциональное моделирование и параметрическая оценка компонентов IoTсистемы сбора данных для задач точного земледелия. Аграрная наука. 2026; (4): 137–143. https://doi.org/10.32634/0869-8155-2026-405-04-137-143

12. Омельченко Е.Я., Белый А.В., Енин С.С., Фомин Н.В. Энергоэффективные испытательные стенды для электродвигателей. Электротехнические системы и комплексы. 2018; (3): 12–19. https://doi.org/10.18503/2311-8318-2018-3(40)-12-19

13. Kalyani Y., Collier R. A Systematic Survey on the Role of Cloud, Fog, and Edge Computing Combination in Smart Agriculture. Sensors. 2021; 21(17): 5922. https://doi.org/10.3390/s21175922

14. Peladarinos N., Piromalis D., Cheimaras V., Tserepas E., Munteanu R.A., Papageorgas P. Enhancing Smart Agriculture by Implementing Digital Twins: A Comprehensive Review. Sensors. 2023; 23(16): 7128. https://doi.org/10.3390/s23167128

15. Yu P., Teng F., Zhu W., Shen C., Chen Z., Song J. Cloud–edge– device collaborative computing in smart agriculture: architectures, applications, and future perspectives. Frontiers in Plant Science. 2025; 16: 1668545. https://doi.org/10.3389/fpls.2025.1668545

16. Sathupadi K., Achar S., Bhaskaran S.V., Faruqui N., Abdullah-AlWadud M., Uddin J. Edge-Cloud Synergy for AI-Enhanced Sensor Network Data: A Real-Time Predictive Maintenance Framework. Sensors. 2024; 24(24): 7918. https://doi.org/10.3390/s24247918