omnaОмский научный вестникOmsk Scientific Bulletin1813-82252541-7541Омский государственный технический университет10.25206/1813-8225-2026-197-88-95LZQKBLomna-334Research ArticleЭНЕРГЕТИКА И ЭЛЕКТРОТЕХНИКАENERGY AND ELECTRICAL ENGINEERINGНейросетевой идентификатор давления насосной установки с асинхронным электроприводом центробежного насосаNeural network pressure identifier of a pumping unit with asynchronous electric drive of a centrifugal pumphttps://orcid.org/0000-0002-7924-5494ЛысенкоO. А.LysenkoO. A.

Лысенко Олег Александрович, кандидат технических наук, доцент, доцент кафедры «Электрическая техника»,

644050, г. Омск, пр. Мира, 11.

AuthorID (РИНЦ): 643928.

AuthorID (SCOPUS): 5650338820.

ReseearcherID: N-5528-2015.

Lysenko Oleg Aleksandrovich, Candidate of Technical Sciences, Associate Professor, Associate Professor of the Electrical Engineering Department,

11, Mira Ave., Omsk, 644050.

AuthorID (RSCI): 643928.

AuthorID (SCOPUS): 5650338820.

ReseearcherID: N-5528-2015.

oalisenko@omgtu.ruОмский государственный технический университетРоссияOmsk State Technical UniversityRussian Federation202624022026018895Copyright © Лысенко O.А., 20262026Лысенко O.А.Lysenko O.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://onv.omgtu.ru/jour/article/view/334

Статья рассматривает разработку идентификатора давления насосной установки с асинхронным электроприводом. Широкое распространение таких установок обусловливает актуальность указанной

Цель исследования — разработка идентификатора давления насосной установки в составе электротехнического комплекса на основе нейронных сетей. Вычисление текущего значения давления производилось с помощью значений статорного тока и напряжения асинхронного электродвигателя. В рассматриваемой статье для определения давления используют нейронные сети прямого распространения, а также нелинейные авторегрессионные сети с внешними входными параметрами, в отличие от существующих способов косвенного определения давления. Дополнительно для повышения точности и снижения шума на вход сети подают значения модулей статорного тока электродвигателя и значение модуля напряжения статорного тока.

В результате, были получены структуры нейросетевых идентификаторов давления с асинхронными электроприводами. С помощью интегральных критериев определены размеры скрытых слоев. В статье приводятся сравнительные осциллограммы давления, показывающие работоспособность нейро- идентификатора.

The article considers the development of a pressure identifier for a pumping unit with an asynchronous electric drive. The widespread use of such installations determines the relevance of this subject.

The purpose of the study is to develop a pressure identifier for a pumping unit as a part of an electrical complex based on neural networks. The current pressure value is calculated using the values of the stator current and voltage of the asynchronous electric motor. In the article under consideration, direct neural networks and nonlinear autoregressive networks with external input parameters are used to determine pressure, in contrast to existing methods for indirectly determining pressure.. Furthermore, to increase accuracy and reduce noise, the values of stator current modules of the electric motor and the value of the stator current voltage module are supplied to the network input.

As a result, the author obtains structures of neural network pressure identifiers with asynchronous electric drives and also determines the sizes of the hidden layers using integral criteria. The article provides comparative pressure waveforms showing the operability of the neuroidentifier.

нейроидентификатор давленияавторегрессионные сетиэлектрический двигательцентробежный насоскосвенный способ определениянасосная станцияpressure neural identifierautoregressive networkselectric motorcentrifugal pumpindirect method of determinationpumping stationReferencesСтепанов С. Е., Васенин А. Б., Груздев В. В. [и др.] Цифровой двойник системы «пласт–скважина–электроприводной центробежный насос» нефтегазовых месторождений // Автоматизация и IT в нефтегазовой области. 2024. № 2 (56). С. 16–26. EDN: WQBTNP.Stepanov S. E., Vasenin A. B., Gruzdev V. V. [et al.]. Tsifrovoy dvoynik sistemy “plast–skvazhina–elektroprivodnoy tsentrobezhnyy nasos” neftegazovykh mestorozhdeniy [Digital twin of the system “Remat–well–electric drive centrifugal pump” oil and gas deposits]. Avtomatizatsiya i IT v Neftegazovoy Oblasti. 2024. No. 2 (56). P. 16–26. EDN: WQBTNP. (In Russ.).Wolstrup A. F., Spangenberg J., Yamamoto A. [et al.]. Advances in 3D printed electromechanical sensors: Performance comparison, trends, and future directions. Additive Manufacturing. 2025. Vol. 106. P. 104799. DOI: 10.1016/j.addma.2025.104799.Wolstrup A. F., Spangenberg J., Yamamoto A. [et al.]. Advances in 3D printed electromechanical sensors: Performance comparison, trends, and future directions. Additive Manufacturing. 2025. Vol. 106. P. 104799. DOI: 10.1016/j.addma.2025.104799.Пат. 2476983 C1 Российская Федерация, МПК H 02 P 23/14, H 02 P 27/04. Способ определения оценки частоты вращения асинхронного двигателя / Глазырин А. С., Тка- чук Р. Ю., Глазырина Т. А. [и др.]. № 2011135823/07; заявл. 26.08.2011; опубл. 27.02.2013. EDN: LZDPIE.Patent No. 2476983 C1 Russian Federation, IPC H 02 P 23/14, H 02 P 27/04. Sposob opredeleniya otsenki chastoty vrashcheniya asinkhronnogo dvigatelya [A method for determining the estimate of the rotational speed of an asynchronous motor] / Glazy- rin A. S., Tkachuk R. Yu., Glazyrina T. A. [et al.]. No. 2011135823/07. EDN: LZDPIE. (In Russ.).Han Y., Zou J., Gong B. [et al.]. The use of model-based voltage and current analysis for torque oscillation detection and improved condition monitoring of centrifugal pumps. Mechanical Systems and Signal Processing. 2025. Vol. 222. P. 111781. DOI: 10.1016/j.ymssp.2024.111781.Han Y., Zou J., Gong B. [et al.]. The use of model-based voltage and current analysis for torque oscillation detection and improved condition monitoring of centrifugal pumps. Mechanical Systems and Signal Processing. 2025. Vol. 222. P. 111781. DOI: 10.1016/j.ymssp.2024.111781.Кузьменко А. А. Архитектуры нейронных сетей // Инфокоммуникационные технологии. 2022. Т. 20, № 2. С. 121– 132. DOI: 10.18469/ikt.2022.20.2.15. EDN: UGDBAM.Kuz’menko A. A. Arkhitektury neyronnykh setey [Neural network architectures]. Infokommunikacionnye Technologii. 2022. Vol. 20, no. 2. P. 121–132. DOI: 10.18469/ikt.2022.20.2.15. EDN: UGDBAM. (In Russ.).Славутский А. Л., Славутский Л. А., Алексеев В. В. [и др.]. Нейросетевой алгоритм восстановления в реальном времени сигнала промышленной частоты при нелинейных искажениях // Электротехника. 2021. № 8. С. 21–25. EDN: MDRKRB.Slavutskiy A. L., Slavutskiy L. A., Alekseyev V. V. [et al.]. Neyrosetevoy algoritm vosstanovleniya v real’nom vremeni signala promyshlennoy chastoty pri nelineynykh iskazheniyakh [A neural-network algorithm for real-time recovery of an industrialfrequency signal upon nonlinear distortions]. Elektrotekhnika. Electrotechnics. 2021. No. 8. P. 21–25. EDN: MDRKRB. (In Russ.).Кузнецов В. П. Комплексная рекуррентная нейронная сеть // Вестник Рязанского государственного радиотехнического университета. 2025. № 92. С. 160–169. DOI: 10.21667/1995-4565-2025-92-160-169. EDN: HUBJMV.Kuznetsov V. P. Kompleksnaya rekurrentnaya neyronnaya set’ [Complex recurrent neural network]. Vestnik Ryazanskogo gosudarstvennogo radiotekhnicheskogo universiteta. Vestnik of Ryazan State Radioengineering University. 2025. No. 92. P. 160–169. DOI: 10.21667/1995-4565-2025-92-160-169. EDN: HUBJMV. (In Russ.).Leung H., Haykin S. The complex backpropagation algorithm. IEEE Transactions on Signal Processing. 1991. Vol. 39, no. 9. P. 2101–2104. DOI: 10.1109/78.134446.Leung H., Haykin S. The complex backpropagation algorithm. IEEE Transactions on Signal Processing. 1991. Vol. 39, no. 9. P. 2101–2104. DOI: 10.1109/78.134446.Marcjasz G., Uniejewski B., Weron R. Probabilistic electricity price forecasting with NARX networks: Combine point or probabilistic forecasts. International Journal of Forecasting. 2020. Vol. 36, Issue 2. P. 466–479. DOI: 10.1016/j.ijforecast.2019.07.002.Marcjasz G., Uniejewski B., Weron R. Probabilistic electricity price forecasting with NARX networks: Combine point or probabilistic forecasts. International Journal of Forecasting. 2020. Vol. 36, Issue 2. P. 466–479. DOI: 10.1016/j.ijforecast.2019.07.002.Hagan M., Demuth H., Beale M. [et al.]. Neural network design. 2nd ed. Martin Hagan. 2014. P. 800. ISBN 978-0-97173211-7.Hagan M., Demuth H., Beale M. [et al.]. Neural network design. 2nd ed. Martin Hagan. 2014. P. 800. ISBN 978-0-97173211-7.Jesús O. De., Hagan M. T. Backpropagation algorithms for a broad class of dynamic networks. IEEE Transactions on Neural Networks. 2007. Vol. 18, no. 1. P. 14–27. DOI: 10.1109/TNN.2006.882371. EDN: MEAGNJ.Jesús O. De., Hagan M. T. Backpropagation algorithms for a broad class of dynamic networks. IEEE Transactions on Neural Networks. 2007. Vol. 18, no. 1. P. 14–27. DOI: 10.1109/TNN.2006.882371. EDN: MEAGNJ.Кочергин М. И. Реализация нейронных сетей в методе многоуровневых компонентных цепей // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 6. С. 1162–1170. DOI: 10.17586/2226-1494-202323-6-1162-1170. EDN: SCZVOA.Kochergin M. I. Realizatsiya neyronnykh setey v metode mnogourovnevykh komponentnykh tsepey [Implementation of neural networks in the method of multilevel component circuits]. Nauchno-tekhnicheskiy vestnik informatsionnykh tekhnologiy, mekhaniki i optiki. Scientific and Technical Journal of Information Technologies, Mechanics and Optics. 2023. Vol. 23, no. 6. P. 1162–1170. DOI: 10.17586/2226-1494-2023-23-6-1162-1170. EDN: SCZVOA. (In Russ.).

The authors declare that there are no conflicts of interest present.