Desenvolvimento de ferramentas baseadas em redes neurais artificiais para inferência de parâmetros de desempenho de compressores herméticos por meio de ensaios de capacidade de elevação de pressão

Abstract

Capacidade de refrigeração e consumo elétrico estão entre os principais parâmetros de desempenho de compressores de refrigeração. Tais parâmetros são usualmente determinados em ensaios que demandam longos períodos de tempo, tipicamente de 2 a 5 horas, realizados em bancadas laboratoriais. Devido ao elevado tempo, poucas amostras são testadas dentro de um lote de compressores produzidos. Com intuito de possibilitar uma avaliação mais rápida de tais parâmetros e expandir a quantidade de compressores testados por lote, trabalhos anteriores modelaram, com o uso de redes neurais artificiais, a correlação entre parâmetros obtidos em um teste rápido na linha de produção e os parâmetros de desempenho obtidos em laboratório. Apesar dos excelentes resultados obtidos, tais trabalhos esbarraram em restrições relacionadas ao tempo de ciclo de produção e variabilidades encontradas no teste em linha. No presente trabalho foram desenvolvidas ferramentas baseadas em redes neurais artificiais para, com uso de uma concepção aprimorada do teste de linha de produção, se conseguir estimativas melhores de capacidade de refrigeração e de consumo elétrico em laboratório, em poucos minutos. Essa nova situação permitiu boa repetibilidade e reprodutibilidade dos ensaios, possibilitando-se alcançar diferenças tipicamente menores que 1% entre ensaios rápidos e ensaios tradicionais de laboratório.

Abstract: Refrigeration capacity and electrical consumption are among the main performance parameters of refrigeration compressors. Such parameters are usually determined in tests that require long periods of time, typically from 2 to 5 hours, performed on laboratory benches. Due to the high time, few samples are tested within a batch of produced compressors. In order to allow a faster evaluation of such parameters and expand the number of compressors tested per batch, previous works have established, using artificial neural networks, the correlation between parameters obtained in a quick test in the production line and the parameters of performance obtained in the laboratory. Despite the excellent results obtained, such works bumped into restrictions related to the production cycle time and variability found in the inline test. In the present work, tools based on artificial neural networks were developed to, using an improved design of the production line test, to obtain better estimates of cooling capacity and electrical consumption in the laboratory in a few minutes. This new situation allowed good repeatability and reproducibility of assays, allowing to reach differences typically less than 1% between rapid assays and traditional laboratory assays.