Procedimentos para prover confiabilidade ao uso de inteligência artificial em ensaios de desempenho de compressores herméticos de refrigeração

Abstract

Técnicas de inteligência artificial têm sido usadas com sucesso nos mais diversos campos do conhecimento. Uma aplicação ainda incipiente, mas altamente promissora, é a inferência de resultados de regime a partir de dados de transitório em ensaios de desempenho de compressores de refrigeração com emprego de redes neurais. Os parâmetros de desempenho usuais são capacidade de refrigeração, consumo e coeficiente de performance. Tais ensaios são realizados em larga escala nas indústrias fabricantes de compressores, tanto no desenvolvimento e na determinação de dados de catálogo, quanto no dia-a-dia do controle da qualidade. Pesquisas recentes que tiveram a participação do autor demonstraram que com o emprego de redes neurais é possível se conseguir redução significativa no tempo médio de ensaio por compressor, que de quatro a cinco horas passa para cerca de uma hora. O problema está em garantir a confiabilidade dos resultados, para que a aplicação de tais métodos possa ser aceita pelas comunidades técnico-científica e industrial. Nesse contexto, o presente trabalho de doutorado propõe uma abordagem inédita de conjugação de ferramentas de inteligência artificial com técnicas que representam o estado-da-arte em metrologia, objetivando garantir confiabilidade aos resultados de ensaios de desempenho de compressores de refrigeração. A abordagem proposta contempla tanto as incertezas inerentes à medição das grandezas envolvidas, quanto os processos de treinamento e aplicação das redes neurais. Como contribuições adicionais são propostas: utilização de redes fuzzy-bayesianas para inferência do regime permanente de variáveis relacionadas ao desempenho de compressores; aplicação simultânea de meios físicos de aceleração de transitórios e das ferramentas desenvolvidas. Para analisar a efetividade das propostas, foram realizados 210 ensaios em condições normais de transitório e 65 em condições de transitório acelerado. Por normas vigentes aplicáveis a ensaios de desempenho de compressores, quando aplicados dois métodos de medição independentes, os resultados são admitidos válidos quando não divergirem entre si de mais do que 4%. Os resultados deste trabalho mostram que em 100% dos casos de aplicação das técnicas a ensaios com redução do transitório se alcançaram diferenças menores que 1,5% em relação a resultados de ensaios realizados pelos meios tradicionais. O tempo médio de ensaio passou para 48 minutos. Os resultados alcançados mostram que o conjunto de técnicas propostas, além de agregar confiabilidade ao processo, permite reduzir de forma substancial o tempo demandado por tais ensaios.

Artificial Intelligence (AI) has been playing a successful role in different fields of engineering and science. An incipient AI application, but highly promising, is the steady-state prediction of refrigeration compressor performance tests based on unsteady-state data analysis. Neural networks are used for such prediction. Performance tests are typical experimental activities which aim in measuring fundamental compressor performance characteristics such as: refrigerating capacity; power consumption and coefficient of performance. These tests have three main purposes: research and development activities, determination of catalog parameters, and quality control. Recent research projects demonstrate that neural networks techniques can be used to reduce performance test time from the typical 4-5 hour to less than one hour. The main issue is ensuring confidence to the predictions and therefore making them acceptable to scientific and industrial communities. In this sense, the present doctoral thesis conceives a novel way for integrating AI and metrological tools aiming confidence assurance on refrigeration compressor performance tests. In this sense, measurement uncertainties - related to quantities used for prediction - are taken into account during training and operation phases of neural networks. Additional contributions are: a fuzzy-bayesian network to infer steady-state during compressor performance tests; simultaneous use of unsteady-state reduction tools and the AI tools developed in this thesis. The proposal's effectiveness is evaluated on 210 performance tests run under typical unsteady-state conditions and 65 tests run under reduced unsteady-state conditions. The standards - related to refrigeration compressor performance tests - impose the use of two independent methods for refrigerating capacity measurement which results must not disagree more than 4%. The results - obtained using AI tools enhanced by this thesis proposed techniques - show that all reduced unsteady-state tests achieved differences to standards methods within 1.5%. Moreover, the mean test duration was reduced to 48 minutes. The achieved results show that more than ensuring confidence the proposed techniques allow substantial reduction in test duration.