Aplicação de autoencoders para redução de dimensionalidade em dados de vibração de compressores herméticos para refrigeração doméstica

Abstract

Este projeto de conclusão de curso tem como objetivo desenvolver técnicas de aprendizado de máquina para reduzir a dimensionalidade de dados adquiridos em uma bancada experimental de ensaios de amaciamento em compressores herméticos alternativos. Os testes de amaciamento referem-se a procedimentos específicos que avaliam o desempenho dos compressores em operação. O principal objetivo deste trabalho é submeter como entrada do algoritmo as medições de vibração e avaliar a implementação de uma técnica que utiliza redes neurais, especificamente o autoencoder stacked, para detectar padrões nesses dados. Com o pré-processamento do dataset em bandas de potência, o autoencoder proposto utiliza os pesos obtidos no treinamento para identificar as features mais relevantes que possam evidenciar o processo de amaciamento. Essa escolha de características para compor o espaço latente pode permitir o mapeamento de perfis de funcionamento, contribuindo para a detecção e a previsão de falhas nesse tipo de equipamento. Ao identificar as faixas de frequência mais importantes associadas ao processo de amaciamento, a abordagem proposta pode fornecer ferramentas adicionais para análise em testes de desempenho de compressores. Explorar métodos de inteligência artificial para auxiliar na análise de dados pode otimizar o monitoramento operacional de equipamentos como compressores herméticos alternativos, possibilitando avanços tecnológicos que podem influenciar positivamente em durabilidade, desempenho energético e outros fatores que melhorem a qualidade desses dispositivos.

The objective of this project is to develop machine learning techniques to reduce the dimensionality of the data acquired in a test rig for the running-in of hermetic reciprocating compressors. Running-in tests refer to specific procedures that are used to evaluate the performance of a compressor during its operation. The main objective of this undergraduate thesis is to use vibration measurements as input to the algorithm and to evaluate the implementation of a technique that uses neural networks, in particular the stacked autoencoder, to detect patterns in these data. By pre-processing the dataset into power bands, the proposed autoencoder uses the weights obtained in training to identify the most relevant features that may be indicative of the running-in process. This choice of features to compose the latent space may allow the mapping of operating profiles and thus contribute to the detection and prediction of failures in this type of equipment. By identifying key frequency ranges associated with this process, the proposed approach may provide additional indicators to regular compressor performance testing. Exploiting artificial intelligence methods to support data analysis can optimise operational monitoring of equipment such as hermetic reciprocating compressors, facilitating technological advances that can positively influence durability, performance, and other quality factors.