Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/48979 |
Resumo: | No mundo inteiro, os edifícios são responsáveis por cerca de 30% do consumo energético, e dentre os edifícios, aqueles que necessitam de sistemas de refrigeração, como supermercados e pequenas mercearias, figuram entre os com uso mais intensivo de energia. Dispositivos de refrigeração, sejam comerciais ou residenciais, correspondem por uma grande parcela das emissões do setor de energia. Autores mais conservadores têm estimado que nesse grupo, há um potencial de reduzir o consumo entre 5% e 15% apenas pelo aprimoramento das técnicas de detecção e diagnóstico de falhas. Por isso, aprimorar programas de manutenção através de tecnologias de informação e controle é uma das dimensões necessárias para alcançar metas de emissões e consumo. A oferta de tecnologias como o 5G, agora permitem que as redes suportem o trânsito de milhares de dados de equipamentos interagindo remotamente com algoritmos, como os de aprendizagem por reforço, por exemplo, de forma inteligente e até autônoma, através de interfaces de Internet of Things aplicados a smart building e smart cities. Nesse trabalho, um framework de aprendizagem por reforço foi usado para desenvolver uma política de manutenção para refrigeradores baseados em compressão mecânica. Primeiro, foi construído um test bench, que é o ambiente de avaliação do algoritmo de solução, e é constituído do freezer e da sua degradação. Em seguida, a política ótima de manutenção foi encontrada através da solução de um processo de decisão de Markov por um algoritmo de aprendizagem por reforço. Os resultados mostram que a aplicação do modelo de AR ao proposto test bench pode reduzir as emissões, o consumo, os custos de manutenção e aumentar a disponibilidade do sistema. Obteve-se que a aplicação da AR é inovadora e apresenta desafios, mas também é promissora frente às técnicas preventiva e corretiva. |
id |
UFPE_718e9adb4a84a9da2f8878a5b9f396f7 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/48979 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
MUNGUBA, Caio Filipe de Limahttp://lattes.cnpq.br/1244373774615886http://lattes.cnpq.br/4772819975495579http://lattes.cnpq.br/7705065437695677VILLA, Alvaro Antonio OchoaLEITE, Gustavo de Novaes Pires2023-02-08T13:18:32Z2023-02-08T13:18:32Z2022-12-06MUNGUBA, Caio Filipe de Lima. Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço. 2022. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/48979No mundo inteiro, os edifícios são responsáveis por cerca de 30% do consumo energético, e dentre os edifícios, aqueles que necessitam de sistemas de refrigeração, como supermercados e pequenas mercearias, figuram entre os com uso mais intensivo de energia. Dispositivos de refrigeração, sejam comerciais ou residenciais, correspondem por uma grande parcela das emissões do setor de energia. Autores mais conservadores têm estimado que nesse grupo, há um potencial de reduzir o consumo entre 5% e 15% apenas pelo aprimoramento das técnicas de detecção e diagnóstico de falhas. Por isso, aprimorar programas de manutenção através de tecnologias de informação e controle é uma das dimensões necessárias para alcançar metas de emissões e consumo. A oferta de tecnologias como o 5G, agora permitem que as redes suportem o trânsito de milhares de dados de equipamentos interagindo remotamente com algoritmos, como os de aprendizagem por reforço, por exemplo, de forma inteligente e até autônoma, através de interfaces de Internet of Things aplicados a smart building e smart cities. Nesse trabalho, um framework de aprendizagem por reforço foi usado para desenvolver uma política de manutenção para refrigeradores baseados em compressão mecânica. Primeiro, foi construído um test bench, que é o ambiente de avaliação do algoritmo de solução, e é constituído do freezer e da sua degradação. Em seguida, a política ótima de manutenção foi encontrada através da solução de um processo de decisão de Markov por um algoritmo de aprendizagem por reforço. Os resultados mostram que a aplicação do modelo de AR ao proposto test bench pode reduzir as emissões, o consumo, os custos de manutenção e aumentar a disponibilidade do sistema. Obteve-se que a aplicação da AR é inovadora e apresenta desafios, mas também é promissora frente às técnicas preventiva e corretiva.CAPESWorldwide, buildings are responsible for 30% of energy consumption, and among buildings, those which intensively use refrigeration systems, such as supermarkets and grocery stores, also figure among the most energy-intensive consumers. Whether commercial or residential, refrigeration devices are responsible for a great part of net emissions. Based on careful measurements, it is possible to reduce energy consumption in these devices by 5% to 15% only by improving the detection and diagnosis techniques of breakdowns. Thus, enhancing maintenance programs has become a crucial area in energy management in recent years. Nowadays, the market has experienced a hike after smart systems, and the offer of new network interfaces applied to smart buildings and smart cities. It has allowed previously isolated devices to become smart devices, interacting with control algorithms smartly and, to some extent, autonomously. As a result, many researchers have applied reinforcement learning to operations and maintenance management. This work used a reinforcement learning framework to develop a maintenance policy for vapor compression refrigeration devices. Firstly, a test bench was built in which each component was assigned to be individually repairable and individually degradable in parallel and interconnected processes. Then, a reinforcement learning algorithm modelled the degradation process via the hidden Markov model and solved it as a Markov decision process. The agent proposed maintenance program for the test bench was successful in reducing emissions, energy use, and maintenance costs while increasing system availability. It was found that the AR frameworks applied to maintenance have a series of challenges but are innovative and can show promising results compared to traditional maintenance techniques, such as preventive and corrective ones.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Engenharia MecanicaUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessEngenharia mecânicaRefrigeraçãoDegradaçãoEnergiaManutenção baseada em condiçãoAprendizagem por esforçoOtimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforçoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPECC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/48979/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/48979/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53TEXTDISSERTAÇÃO Caio Filipe de Lima Munguba.pdf.txtDISSERTAÇÃO Caio Filipe de Lima Munguba.pdf.txtExtracted texttext/plain209944https://repositorio.ufpe.br/bitstream/123456789/48979/4/DISSERTA%c3%87%c3%83O%20Caio%20Filipe%20de%20Lima%20Munguba.pdf.txt578efbe171de11b1d311798d55b5ac53MD54THUMBNAILDISSERTAÇÃO Caio Filipe de Lima Munguba.pdf.jpgDISSERTAÇÃO Caio Filipe de Lima Munguba.pdf.jpgGenerated Thumbnailimage/jpeg1230https://repositorio.ufpe.br/bitstream/123456789/48979/5/DISSERTA%c3%87%c3%83O%20Caio%20Filipe%20de%20Lima%20Munguba.pdf.jpg1c516d364361cc2f14d02163afc270e1MD55ORIGINALDISSERTAÇÃO Caio Filipe de Lima Munguba.pdfDISSERTAÇÃO Caio Filipe de Lima Munguba.pdfapplication/pdf1966753https://repositorio.ufpe.br/bitstream/123456789/48979/1/DISSERTA%c3%87%c3%83O%20Caio%20Filipe%20de%20Lima%20Munguba.pdf2818452305fbd29052f7ae7b373e551aMD51123456789/489792023-02-09 02:20:50.48oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212023-02-09T05:20:50Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
title |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
spellingShingle |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço MUNGUBA, Caio Filipe de Lima Engenharia mecânica Refrigeração Degradação Energia Manutenção baseada em condição Aprendizagem por esforço |
title_short |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
title_full |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
title_fullStr |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
title_full_unstemmed |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
title_sort |
Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço |
author |
MUNGUBA, Caio Filipe de Lima |
author_facet |
MUNGUBA, Caio Filipe de Lima |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/1244373774615886 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/4772819975495579 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7705065437695677 |
dc.contributor.author.fl_str_mv |
MUNGUBA, Caio Filipe de Lima |
dc.contributor.advisor1.fl_str_mv |
VILLA, Alvaro Antonio Ochoa |
dc.contributor.advisor-co1.fl_str_mv |
LEITE, Gustavo de Novaes Pires |
contributor_str_mv |
VILLA, Alvaro Antonio Ochoa LEITE, Gustavo de Novaes Pires |
dc.subject.por.fl_str_mv |
Engenharia mecânica Refrigeração Degradação Energia Manutenção baseada em condição Aprendizagem por esforço |
topic |
Engenharia mecânica Refrigeração Degradação Energia Manutenção baseada em condição Aprendizagem por esforço |
description |
No mundo inteiro, os edifícios são responsáveis por cerca de 30% do consumo energético, e dentre os edifícios, aqueles que necessitam de sistemas de refrigeração, como supermercados e pequenas mercearias, figuram entre os com uso mais intensivo de energia. Dispositivos de refrigeração, sejam comerciais ou residenciais, correspondem por uma grande parcela das emissões do setor de energia. Autores mais conservadores têm estimado que nesse grupo, há um potencial de reduzir o consumo entre 5% e 15% apenas pelo aprimoramento das técnicas de detecção e diagnóstico de falhas. Por isso, aprimorar programas de manutenção através de tecnologias de informação e controle é uma das dimensões necessárias para alcançar metas de emissões e consumo. A oferta de tecnologias como o 5G, agora permitem que as redes suportem o trânsito de milhares de dados de equipamentos interagindo remotamente com algoritmos, como os de aprendizagem por reforço, por exemplo, de forma inteligente e até autônoma, através de interfaces de Internet of Things aplicados a smart building e smart cities. Nesse trabalho, um framework de aprendizagem por reforço foi usado para desenvolver uma política de manutenção para refrigeradores baseados em compressão mecânica. Primeiro, foi construído um test bench, que é o ambiente de avaliação do algoritmo de solução, e é constituído do freezer e da sua degradação. Em seguida, a política ótima de manutenção foi encontrada através da solução de um processo de decisão de Markov por um algoritmo de aprendizagem por reforço. Os resultados mostram que a aplicação do modelo de AR ao proposto test bench pode reduzir as emissões, o consumo, os custos de manutenção e aumentar a disponibilidade do sistema. Obteve-se que a aplicação da AR é inovadora e apresenta desafios, mas também é promissora frente às técnicas preventiva e corretiva. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12-06 |
dc.date.accessioned.fl_str_mv |
2023-02-08T13:18:32Z |
dc.date.available.fl_str_mv |
2023-02-08T13:18:32Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
MUNGUBA, Caio Filipe de Lima. Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço. 2022. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/48979 |
identifier_str_mv |
MUNGUBA, Caio Filipe de Lima. Otimizando o programa de manutenção de sistemas de refrigeração por compressão mecânica através de aprendizagem por reforço. 2022. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/48979 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Engenharia Mecanica |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/48979/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/48979/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/48979/4/DISSERTA%c3%87%c3%83O%20Caio%20Filipe%20de%20Lima%20Munguba.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/48979/5/DISSERTA%c3%87%c3%83O%20Caio%20Filipe%20de%20Lima%20Munguba.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/48979/1/DISSERTA%c3%87%c3%83O%20Caio%20Filipe%20de%20Lima%20Munguba.pdf |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 5e89a1613ddc8510c6576f4b23a78973 578efbe171de11b1d311798d55b5ac53 1c516d364361cc2f14d02163afc270e1 2818452305fbd29052f7ae7b373e551a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310896782934016 |