Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração

Detalhes bibliográficos
Autor(a) principal: Iervolino, Lucas Arrigoni
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/215372
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.
id UFSC_54d6e4e21c4a04a1dc1ad628c344e125
oai_identifier_str oai:repositorio.ufsc.br:123456789/215372
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaIervolino, Lucas ArrigoniFlesch, Carlos AlbertoPacheco, Antonio Luiz Schalata2020-10-21T21:15:54Z2020-10-21T21:15:54Z2019369534https://repositorio.ufsc.br/handle/123456789/215372Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.As pressões associadas à sucção e à descarga de compressores herméticos são correlacionadas com as condições termodinâmicas dos sistemas de refrigeração aos quais estão inseridos, estando intimamente ligadas às temperaturas em que ocorrem a evaporação e a condensação. Elas podem fornecer informações sobre o desempenho do sistema e de seus componentes, contribuindo para colocar os compressores em condições favoráveis de operação, por exemplo, visando reduzir o consumo de energia e o ruído e aumentar a sua vida útil. Além disso, é de grande valia na predição de falhas e na identificação de defeitos. Um trabalho anterior explorou a obtenção das pressões a partir da corrente do compressor e de sinais obtidos do inversor associado à alimentação do compressor. Tais informações foram usadas para estimar o perfil de velocidade instantânea do compressor durante uma revolução completa. O mesmo trabalho mostrou a existência de correlação entre o perfil de velocidade angular do eixo do motor do compressor e tais pressões. O presente trabalho analisou diferentes formas de processamento dos dados, com ênfase na utilização de recursos de inteligência artificial, para estimação de tais pressões a partir de tais informações. Para obtenção dos dados foi utilizada uma bancada que emula diversas condições de operação de compressores. Foram desenvolvidos modelos de regressão linear múltipla, redes neurais artificiais, random forests, light gradient boosting machines (LGBM) e máquinas de vetor suporte. Os resultados obtidos mostraram o bom desempenho das ferramentas para a estimativa da pressão de sucção, destacando-se os modelos baseados em técnicas de seleção de árvore de decisão, como LGBM e aqueles constituídos por máquinas de vetor suporte. Estratégias de segmentação do domínio para compor um conjunto de estimadores especialistas para a inferência da pressão de descarga mostraram-se necessárias para melhorar o desempenho geral da tarefa. Os resultados obtidos mostraram melhoria no desempenho das ferramentas para a estimativa da pressão de descarga, com destaque para os modelos de árvore de decisão por random forests.Abstract: Discharge and suction pressures inside a hermetic sealed refrigeration compressor are closely related to the thermodynamic condition of the refrigerating system, being therefore linked to the temperatures in which evaporation and condensation occurs. These pressures can provide crucial information about the system?s overall performance and help to establish favorable conditions on which the compressor can achieve lower noise and power consumption, improving its life cycle, besides being valuable on defect identification and quality assessment tasks. Previous works have explored ways of obtaining pressures from the compressors electrical current and from signals coming from the inverter, responsible for the compressor?s current source, which was then used to estimate the angular velocity profile for one complete revolution. Results also indicated that the angular velocity profile and the pressures inside the sealed compressor are correlated. This paper proposes to collect and analyze data from sealed compressors through different data processing techniques, with the final goal of predicting the pressures inside a sealed compressor using artificial intelligence models. The dataset was constructed based on data collected in an automated workbench, where sealed compressors were tested at several different operation conditions. The models used on the predictive task were Multiple Linear Regression, Artificial Neural Networks, Random Forests, Light Gradient Boosting Machines (LGBM) and Support Vector Machines. Results indicate that the models achieved a good overall performance on estimating the suction pressure, with highlights for methods based on decision trees (LGBM) and support vectors. A dataset segmentation approach with the objective of training multiple specialist models was developed to improve the overall performance of predicting the discharge pressure. Results obtained indicate that the overall performance of the models improved for predicting the discharge pressure, with highlights for decision tree based method Random Forests.120 p.| il., gráfs.porEngenharia mecânicaCompressores herméticosInteligencia artificial -Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeraçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEMC2053-D.pdfPEMC2053-D.pdfapplication/pdf4735842https://repositorio.ufsc.br/bitstream/123456789/215372/-1/PEMC2053-D.pdf86d2fe65223f4304e385220230639b06MD5-1123456789/2153722020-10-21 18:15:55.121oai:repositorio.ufsc.br:123456789/215372Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732020-10-21T21:15:55Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
title Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
spellingShingle Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
Iervolino, Lucas Arrigoni
Engenharia mecânica
Compressores herméticos
Inteligencia artificial -
title_short Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
title_full Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
title_fullStr Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
title_full_unstemmed Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
title_sort Processamento de dados em medições indiretas não invasivas de pressões de sucção e de descarga de compressores herméticos de refrigeração
author Iervolino, Lucas Arrigoni
author_facet Iervolino, Lucas Arrigoni
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Iervolino, Lucas Arrigoni
dc.contributor.advisor1.fl_str_mv Flesch, Carlos Alberto
dc.contributor.advisor-co1.fl_str_mv Pacheco, Antonio Luiz Schalata
contributor_str_mv Flesch, Carlos Alberto
Pacheco, Antonio Luiz Schalata
dc.subject.classification.none.fl_str_mv Engenharia mecânica
Compressores herméticos
Inteligencia artificial -
topic Engenharia mecânica
Compressores herméticos
Inteligencia artificial -
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2019.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-10-21T21:15:54Z
dc.date.available.fl_str_mv 2020-10-21T21:15:54Z
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.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/215372
dc.identifier.other.none.fl_str_mv 369534
identifier_str_mv 369534
url https://repositorio.ufsc.br/handle/123456789/215372
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 120 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/215372/-1/PEMC2053-D.pdf
bitstream.checksum.fl_str_mv 86d2fe65223f4304e385220230639b06
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766804966249332736

Registros relacionados