Aprendizado de máquina para monitoramento de ciclo de vida em componentes de sistemas de refrigeração

Abstract

Esta tese propõe técnicas de sensoriamento virtual e aprendizado de máquina para estimação do ciclo de vida de componentes do sistemas de refrigeração, com foco em compressores e seus sistemas de acionamento. O objetivo é ampliar o monitoramento desses dispositivos de forma não invasiva e automática utilizando métodos de aprendizado de máquina. Dois problemas são abordados: (i) identificar o término do amaciamento tribológico em compressores; e (ii) estimar o fim da vida útil dos capacitores do barramento de corrente contínua de conversores que os acionam. Na primeira frente, um método não supervisionado com agrupamento e análise probabilística foi desenvolvido, mostrando que indicadores derivados da corrente elétrica concentraram até 99% das detecções válidas. Um novo núcleo de agrupamento, usando função de base radial e distância de Mahalanobis, atingiu 93% de acertos em um modelo de compressor, enquanto o núcleo clássico foi mais eficaz em outro modelo (67%). Para aplicação on-line, foi desenvolvido um modelo semissupervisionado por autotreinamento otimizado por algoritmos de otimização com múltiplos objetivos. Na segunda frente, um sensor virtual de capacitância baseado em variáveis elétricas do conversor foi apresentado. O método combina extração recursiva de características nos domínios do tempo e da frequência, utilizando uma rede neural de memória longa de curto prazo para regressão. Com 500 ensaios experimentais, o modelo apresentou erro médio de 6,9 µF e desvio padrão de 5,0 µF, superando em 40% o erro médio de outras abordagens. Os resultados confirmam a viabilidade do sensoriamento virtual e aprendizado de máquina para monitoramento e manutenção preditiva dos componentes propostos em sistemas de refrigeração. Esta tese contribui para a literatura com: (i) um novo núcleo para agrupamento por kernel k-médias combinando função de base radial e distância de Mahalanobis, (ii) um método baseado em aprendizado não supervisionado para detecção off-line de transições tribológicas, aplicado em um estudo de caso para identificação do amaciamento em compressores alternativos, (iii) uma aplicação de autotreinamento para identificação do amaciamento e (iv) um novo método para estimação de capacitância em capacitores de conversores de frequência baseado em redes neurais artificiais.

Abstract: This thesis proposes virtual sensing and machine learning techniques for estimating the lifecycle of components in refrigeration systems, with a focus on compressors and their drive systems. The objective is to expand the monitoring of these devices in a non-invasive and automatic manner using machine learning methods. Two problems are addressed: (i) identifying the end of the tribological running-in process in compressors; and (ii) estimating the end of life of the DC-link capacitors in the converters that drive them. In the first part, an unsupervised method based on clustering and probabilistic analysis was developed, showing that indicators derived from the electric current accounted for up to 99% of valid detections. A new clustering kernel, combining a radial basis function with the Mahalanobis distance, achieved 93% accuracy for one compressor model, while the classical kernel was more effective for another model (67%). For online application, a semi-supervised self-training model optimized by multi-objective optimization algorithms was developed. In the second part, a virtual capacitance sensor based on electrical variables of the converter was presented. The method combines recursive feature extraction in the time and frequency domains and employs a long short-term memory neural network for regression. Based on 500 experimental tests, the model achieved a mean absolute error of 6.9 µF with a standard deviation of 5.0 µF, outperforming the mean error of other approaches by 40%. The results confirm the feasibility of virtual sensing and machine learning for monitoring and predictive maintenance of the proposed components in refrigeration systems. This thesis contributes to the literature with: (i) a novel kernel for k-means clustering that combines a radial basis function with the Mahalanobis distance; (ii) an unsupervised learning method for offline detection of tribological transitions, applied to a case study of running-in identification in reciprocating compressors; (iii) a self-training approach for running-in identification; and (iv) a novel capacitance estimation method for frequency-converter capacitors based on artificial neural networks.