Proceedings of Petersburg Transport University Proceedings of Petersburg Transport University Известия Петербургского университета путей сообщения/Proceedings of Petersburg Transport University 1815-588X 2658-6851 6ac04db4f4b844fa8a62f7a1 10.20295/1815-588X-2026-3-596-603 Проблематика транспортных систем PROBLEMATIC OF TRANSPORT SYSTEM Проблематика транспортных систем Study of Direct Neural Control of an Induction Motor Trained in a Digital Twin Исследование особенностей нейроуправления асинхронным двигателем с обучением в цифровом двойнике Марикин Александр Николаевич Marikin Aleksandr Nikolaevich marikin_s@mail.ru

доктор технических наук;

doctor of technical sciences;

 Евстафьев Андрей Михайлович Evstaf'ev Andrey Mihaylovich elt@pgups.ru

доктор технических наук;

doctor of technical sciences;

 Жемчугов Валерий Григорьевич Zhemchugov Valeriy Grigor'evich zhem@mail.ru

кандидат технических наук;

candidate of technical sciences;

 Онофрийчук Андрей Дмитриевич Onofriychuk Andrey Dmitrievich 11lisov11@gmail.ru Петербургский государственный университет путей сообщения Императора Александра I Санкт-Петербург Россия Emperor Alexander I St. Petersburg State University of Railway Engineering St. Petersburg Russian Federation Петербургский государственный университет путей сообщения Императора Александра I Россия Emperor Alexander I St. Petersburg State Transport University Russian Federation Петербургский государственный университет путей сообщения Императора Александра I Санкт-Петербург Россия Emperor Alexander I Petersburg State Transport University Saint Petersburg Russian Federation Петербургский государственный университет путей сообщения Императора Александра I, Санкт-Петербург Россия Emperor Alexander I Petersburg State Transport University Saint Petersburg Russian Federation 06 10 2026 06 10 2026 23 3 596 603 12 05 2026 06 07 2026 © 2026 Марикин А.Н., Евстафьев А.М., Жемчугов В.Г., Онофрийчук А.Д. © 2026 Marikin A.N., Evstaf'ev A.M., Zhemchugov V.G., Onofriychuk A.D. 2026 Марикин Александр Николаевич, Евстафьев Андрей Михайлович, Жемчугов Валерий Григорьевич, Онофрийчук Андрей Дмитриевич Marikin Aleksandr Nikolaevich, Evstaf'ev Andrey Mihaylovich, Zhemchugov Valeriy Grigor'evich, Onofriychuk Andrey Dmitrievich https://itt-pgups.ru/en/nauka/publications/6ac04db4f4b844fa8a62f7a1/view

Цель: исследование возможности прямого нейросетевого управления асинхронным электроприводом без предварительного задания полной математической модели двигателя и оценка влияния предлагаемого способа управления на потребляемую мощность при сохранении качества регулирования скорости на уровне, сопоставимом с классическим FOC. Методы: исследование выполнено на модели системы «инвертор — асинхронный двигатель — регулятор» в среде цифрового двойника. RL-агент обучали формировать управляющие воздействия в d-q-координатах, после чего результаты сопоставляли с FOC по среднеквадратичному току статора, активной мощности и ошибке регулирования скорости. Практическая значимость: полученная политика может быть перенесена на встроенную платформу управления электроприводом. Такой подход уменьшает зависимость качества регулирования от точности параметрической идентификации двигателя и поэтому представляет интерес для разработки энергоэффективных приводных систем.

Objective: to assess the feasibility of direct neural control of an induction motor drive without a fully specified mathematical model of the motor and to determine whether this approach can reduce active power consumption while maintaining speed-control quality comparable to classical field-oriented control. Methods: the study was carried out on a digital-twin model of the inverter-induction motor-controller system. A reinforcement learning agent was trained to generate control actions in the d-q reference frame, and its performance was compared with FOC using the stator RMS current, active power, and speed-control error as evaluation criteria. Practical significance: the trained policy can potentially be transferred to an embedded drive-control platform. This reduces the dependence of control quality on accurate parameter identification and makes the approach relevant for energy-efficient electric drives.

 асинхронный электродвигатель электропривод обучение с подкреплением цифровой двойник нейросетевое управление векторное управление electric drive reinforcement learning digital twin neural network control field-oriented control

Kazemikia D. Reinforcement Learning for Motor Control: a Comprehensive Review // arXiv preprint. 2024. URL: https://arxiv.org/abs/2412.17936 (дата Kazemikia D. Reinforcement Learning for Motor Control: a Comprehensive Review // arXiv preprint. 2024. URL: https://arxiv.org/abs/2412.17936 (data Field-Oriented of Reinforcement Learning // MathWorks Motor Control Blockset Example. URL: https://www.mathworks. com/help/mcb/gs/foc-of-pmsm-using-reinforcement- learning.html (дата обращения: 15.12.2025). Field-Oriented of Reinforcement Learning // MathWorks Motor Control Blockset Example. URL: https://www.mathworks. com/help/mcb/gs/focofmsmsing-reinforcement-learning.html (data obrascheniya: 15.12.2025). AI-Based Field-Oriented Control for Induction Motors / E. Benmalek [et al.] // IAPGOS. 2024. Vol. 14, № 4. Pp. 75–81. URL: https://doi.org/10.35784/ iapgos.6253 (дата обращения: 15.12.2025). AI-Based Field-Oriented Control for Induction Motors / E. Benmalek [et al.] // IAPGOS. 2024. Vol. 14, № 4. Pp. 75–81. URL: https://doi.org/10.35784/ iapgos.6253 (data obrascheniya: 15.12.2025). Enhanced Induction Motor Control Using Deep Reinforcement Learning and PWM with DTC / P. Saurabh [et al.] // Electric Power Components and Systems. 2023. Vol. 51, no. 12. Pp. 1083–1095. URL: https://doi.org/10.1080/15325008.2023.2274357 (дата Enhanced Induction Motor Control Using Deep Reinforcement Learning and PWM with DTC / P. Saurabh [et al.] // Electric Power Components and Systems. 2023. Vol. 51, no. 12. Pp. 1083–1095. URL: https://doi.org/10.1080/15325008.2023.2274357 (data Lenz I., Knepper R., Saxena A. DeepMPC: Control // Proc. of Robotics: Science and Systems. 2015. URL: https://doi.org/10.15607/RSS.2015.XI.012 Lenz I., Knepper R., Saxena A. DeepMPC: Control // Proc. of Robotics: Science and Systems. 2015. URL: https://doi.org/10.15607/RSS.2015.XI.012 Sensorless Speed Control of Induction Motor Drives Using Reinforcement Learning and Self-Tuning Simplified Fuzzy Logic Controller / Q. Abdullah [et al.] // IEEE Access. 2024. Vol. 12. Pp. 136485–136501. URL: https://doi.org/10.1109/ACCESS.2024.3435529 (дата Sensorless Speed Control of Induction Motor Drives Using Reinforcement Learning and Self-Tuning Simplified Fuzzy Logic Controller / Q. Abdullah [et al.] // IEEE Access. 2024. Vol. 12. Pp. 136485–136501. URL: https://doi.org/10.1109/ACCESS.2024.3435529 (data Eschmann J., Albani D., Loianno G. RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control // Journal of Machine Learning Research. 2024. Vol. 25, no. 301. Pp. 1–19. URL: https://www.jmlr.org/papers/v25/24-0248.html (дата Eschmann J., Albani D., Loianno G. RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control // Journal of Machine Learning Research. 2024. Vol. 25, no. 301. Pp. 1–19. URL: https://www.jmlr.org/papers/v25/24-0248.html (data TinyRL: Towards Reinforcement Learning on Tiny Embedded Devices / T. Szydlo [et al.] // Proc. of the 31st ACM Int. Conf. on Information and Knowledge Management (CIKM). 2022. Pp. 4985–4988. URL: https://doi.org/10.1145/3511808.3557206 (дата обра- щения: 15.12.2025). TinyRL: Towards Reinforcement Learning on Tiny Embedded Devices / T. Szydlo [et al.] // Proc. of the 31st ACM Int. Conf. on Information and Knowledge Management (CIKM). 2022. Pp. 4985–4988. URL: https://doi.org/10.1145/3511808.3557206 (data obrascheniya: 15.12.2025). Enhancing Field-Oriented Control of Electric Drives with Tiny Neural Network Optimized for Microcontrollers / M. J. Mouk Elele [et al.] // arXiv preprint. 2025. URL: https://arxiv.org/abs/2502.00532 Enhancing Field-Oriented Control of Electric Drives with Tiny Neural Network Optimized for Microcontrollers / M. J. Mouk Elele [et al.] // arXiv preprint. 2025. URL: https://arxiv.org/abs/2502.00532 A Survey of Reinforcement Learning-Driven Knowledge Distillation: Techniques, Challenges, and Applications / Z. Xu [et al.] // Preprints. 2025. URL: https://doi.org/10.20944/preprints202503.0903.v2 A Survey of Reinforcement Learning-Driven Knowledge Distillation: Techniques, Challenges, and Applications / Z. Xu [et al.] // Preprints. 2025. URL: https://doi.org/10.20944/preprints202503.0903.v2