Estimativa da pressão de descarga em compressores herméticos a partir de sinais de vibração

Abstract

A crescente adoção de tubos de descarga poliméricos em compressores herméticos de refrigeração, motivada pela redução de ruído e vibração estrutural, introduz novos requisitos de monitoramento operacional, uma vez que a menor resistência mecânica desse material torna o sistema mais suscetível a falhas por sobrepressão. O monitoramento da pressão de descarga em campo, entretanto, é tipicamente realizado por transdutores físicos. A instalação desses dispositivos exige a abertura do circuito de refrigeração, um procedimento invasivo, que pode gerar custos e alterar as condições originais do sistema. Este trabalho avalia a possibilidade de estimar a pressão de descarga de compressores herméticos a partir de sinais de vibração medidos externamente no corpo do compressor, de forma não invasiva, por meio de um sensor virtual baseado em aprendizado de máquina. Para isso, foi desenvolvido um pipeline de processamento que realiza a extração de métricas estatísticas no domínio do tempo a partir de sinais filtrados em bandas de frequência e de componentes associadas às harmônicas da frequência fundamental de rotação. Uma estratégia de normalização por grupos e um processo sequencial de seleção de atributos foram adotados para lidar com a variabilidade entre unidades distintas e reduzir a dimensionalidade do espaço de características. O modelo de regressão, baseado em eXtreme Gradient Boosting (XGBoost) com hiperparâmetros otimizados, foi treinado utilizando dados de quatro unidades de compressor e avaliado em uma quinta unidade completamente isolada durante o desenvolvimento. Os resultados obtidos indicaram coeficiente de determinação (R²) de aproximadamente 0,80, erro absoluto médio de 0,33 bar e raiz do erro quadrático médio de 0,43 bar. Os resultados são preliminares e indicam que os sinais de vibração contêm informação relevante para a estimativa da pressão de descarga, mas não são conclusivos quanto à viabilidade da abordagem para aplicação industrial, motivando investigações futuras com estratégias mais sofisticadas de extração de atributos e modelagem.

The increasing adoption of polymer discharge tubes in hermetic refrigeration compressors, driven by the need to reduce noise and structural vibration, introduces new operational monitoring requirements, as the lower mechanical strength of this material makes the system more susceptible to failures caused by overpressure. In field applications, discharge pressure is typically monitored using physical pressure transducers. However, installing these sensors requires opening the refrigeration circuit, an invasive procedure that increases costs and may alter the system’s original operating conditions.This work investigates the feasibility of estimating the discharge pressure of hermetic compressors from vibration signals measured externally on the compressor shell through a non-invasive virtual sensor based on machine learning. To this end, a processing pipeline was developed to extract statistical time-domain features from signals filtered into frequency bands, as well as features associated with the harmonic components of the fundamental rotational frequency.A group-wise normalization strategy and a sequential feature selection process were employed to address variability among different compressor units and reduce the dimensionality of the feature space. The regression model, based on eXtreme Gradient Boosting (XGBoost) with optimized hyperparameters, was trained using data from four compressor units and evaluated on a fifth unit that was completely excluded from the development process.The obtained results achieved a coefficient of determination (R²) of approximately 0.80, a mean absolute error (MAE) of 0,33 bar, and a root mean squared error (RMSE) of 0,43 bar. These preliminary results indicate that vibration signals contain relevant information for estimating discharge pressure. However, they are not yet sufficient to demonstrate the feasibility of the proposed approach for industrial application, motivating future investigations involving more advanced feature extraction and modeling strategies.