Proposta de algoritmo de aprendizado de máquina para detecção de amaciamento em compressores herméticos

Abstract

O compressor é parte fundamental dos sistemas de refrigeração, sendo responsável por elevar a pressão do gás refrigerante, permitindo a troca de calor eficiente nas outras partes do sistema. Inúmeros ensaios são realizados no compressor para pesquisa e desenvolvimento, para estabelecimento de especificações em catálogos e para análise da conformidade na produção. Para uma correta avaliação do desempenho de um compressor, é essencial que as condições dos ensaios sejam repetitíveis e reprodutíveis. No entanto, os resultados desses testes podem ser influenciados pelo estado de amaciamento do compressor. O amaciamento é um processo pelo qual o compressor passa antes de ser submetido aos ensaios, com o objetivo de permitir que as superfícies dos componentes, que nunca estiveram em contato deslizante, se ajustem gradualmente, removendo irregularidades. A duração dessa etapa de amaciamento não é normatizada e atualmente fica a critério do fabricante, que não costuma divulgar tal informação. Esta dissertação tem como objetivo aprofundar os estudos dos métodos de detecção da estabilização do amaciamento de compressores herméticos, de forma a garantir a redução de variabilidade nos ensaios de desempenho causada por tal fenômeno. Para inferir o instante de estabilização do período de amaciamento foi utilizada a vibração mecânica na superfície do compressor hermético alternativo por ser uma medição não invasiva e não interferir no funcionamento do compressor. Com os dados disponíveis de vibração, foram aplicadas técnicas de pré-processamento para melhor extrair possíveis informações ligadas ao amaciamento dos compressores. Ao fim, foram aplicadas diferentes ferramentas de aprendizado de máquina não supervisionado para verificar a possibilidade de indicar o fim do amaciamento por meio do sinal pré-processado. Das ferramentas avaliadas, destaca-se o DBSCAN (Density-based spatial clustering of applications with noise) que para os compressores analisados conseguiu separar em amostras de dados de medição os períodos adquiridos antes e depois da estabilização do amaciamento. O trabalho conseguiu evoluir o estado da arte do tema e oferecer um algoritmo com potencial de fornecer informação sobre o instante de estabilização do amaciamento.

Abstract: The compressor is a fundamental part of refrigeration systems, being responsible for raising the pressure of the refrigerant gas, allowing efficient heat exchange in the other parts of the system. Numerous tests are carried out on the compressor for research and development, to establish specifications in catalogs and to analyze conformity in production. For a correct assessment of a compressor's performance, it is essential that the test conditions are repeatable and reproducible. However, the results of these tests can be influenced by the run-in condition of the compressor. Run-in is a process that the compressor goes through before being subjected to the tests, with the objective of allowing the surfaces of the components, which have never been in sliding contact, to gradually adjust, removing irregularities. However, the duration of this running-in stage is not standardized and is currently left to the discretion of the manufacturer, who does not usually disclose this information. The purpose of this dissertation is to further study methods for detecting the stabilization of hermetic compressor running-in in order to guarantee a reduction in the variability of performance tests caused by this phenomenon. Mechanical vibration on the surface of the reciprocating hermetic compressor was used to infer the moment when the running-in period stabilizes, as it is a non-invasive measurement and does not interfere with the compressor's operation. With the available vibration data, pre-processing techniques were applied to better extract possible information linked to compressor running-in. Finally, different unsupervised machine learning tools were applied to verify the possibility of indicating the stabilization of running-in using the pre-processed signal. Of the tools evaluated, one of them stood out, the DBSCAN (Density-based spatial clustering of applications with noise), which was able to separate in measurement data samples the periods acquired before and after running-in stabilization for the compressors analyzed. The work has managed to evolve the state of the art on the subject and offer an algorithm with the potential to provide information on the moment when run-in stabilizes.