Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração

Abstract

As pressões associadas à sucção e à descarga de compressores herméticos são correlacionadas com as condições termodinâmicas dos sistemas de refrigeração aos quais estão inseridos, estando intimamente ligadas às temperaturas em que ocorrem a evaporação e a condensação. Elas podem fornecer informações sobre o desempenho do sistema e de seus componentes, contribuindo para colocar os compressores em condições favoráveis de operação, por exemplo, visando reduzir o consumo de energia e o ruído e aumentar a sua vida útil. Além disso, é de grande valia na predição de falhas e na identificação de defeitos. Um trabalho anterior explorou a obtenção das pressões a partir da corrente do compressor e de sinais obtidos do inversor associado à alimentação do compressor. Tais informações foram usadas para estimar o perfil de velocidade instantânea do compressor durante uma revolução completa. O mesmo trabalho mostrou a existência de correlação entre o perfil de velocidade angular do eixo do motor do compressor e tais pressões. O presente trabalho analisou diferentes formas de processamento dos dados, com ênfase na utilização de recursos de inteligência artificial, para estimação de tais pressões a partir de tais informações. Para obtenção dos dados foi utilizada uma bancada que emula diversas condições de operação de compressores. Foram desenvolvidos modelos de regressão linear múltipla, redes neurais artificiais, random forests, light gradient boosting machines (LGBM) e máquinas de vetor suporte. Os resultados obtidos mostraram o bom desempenho das ferramentas para a estimativa da pressão de sucção, destacando-se os modelos baseados em técnicas de seleção de árvore de decisão, como LGBM e aqueles constituídos por máquinas de vetor suporte. Estratégias de segmentação do domínio para compor um conjunto de estimadores especialistas para a inferência da pressão de descarga mostraram-se necessárias para melhorar o desempenho geral da tarefa. Os resultados obtidos mostraram melhoria no desempenho das ferramentas para a estimativa da pressão de descarga, com destaque para os modelos de árvore de decisão por random forests.

Abstract: Discharge and suction pressures inside a hermetic sealed refrigeration compressor are closely related to the thermodynamic condition of the refrigerating system, being therefore linked to the temperatures in which evaporation and condensation occurs. These pressures can provide crucial information about the system?s overall performance and help to establish favorable conditions on which the compressor can achieve lower noise and power consumption, improving its life cycle, besides being valuable on defect identification and quality assessment tasks. Previous works have explored ways of obtaining pressures from the compressors electrical current and from signals coming from the inverter, responsible for the compressor?s current source, which was then used to estimate the angular velocity profile for one complete revolution. Results also indicated that the angular velocity profile and the pressures inside the sealed compressor are correlated. This paper proposes to collect and analyze data from sealed compressors through different data processing techniques, with the final goal of predicting the pressures inside a sealed compressor using artificial intelligence models. The dataset was constructed based on data collected in an automated workbench, where sealed compressors were tested at several different operation conditions. The models used on the predictive task were Multiple Linear Regression, Artificial Neural Networks, Random Forests, Light Gradient Boosting Machines (LGBM) and Support Vector Machines. Results indicate that the models achieved a good overall performance on estimating the suction pressure, with highlights for methods based on decision trees (LGBM) and support vectors. A dataset segmentation approach with the objective of training multiple specialist models was developed to improve the overall performance of predicting the discharge pressure. Results obtained indicate that the overall performance of the models improved for predicting the discharge pressure, with highlights for decision tree based method Random Forests.