APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA DETECÇÃO DE FALHAS E DIAGNÓSTICO TERMODINÂMICO NOS COMPONENTES DE UM SISTEMA DE REFRIGERAÇÃO COMERCIAL E INDUSTRIAL
Sistemas de refrigeração são
responsáveis por uma parcela significativa do
consumo de energia atualmente. Degradações
nos mesmos podem aumentar esse consumo
de energia, o que justifica o estudo. O objetivo
deste trabalho foi avaliar três técnicas de
inteligência computacional como ferramentas
de diagnóstico termodinâmico. Para tanto,
as ferramentas foram treinadas a partir de
um modelo computacional que gerou dados
que representavam situações de operação
normal e situações de degradações em um
ou múltiplos componentes. Para a avaliação
dos resultados foi observada a acurácia obtida
na classificação de cada técnica, bem como
o seu tempo de execução. As técnicas
utilizadas foram Redes Neurais Artificiais
(RNAs) tradicionais, Máquinas de Aprendizado
Extremo (Extreme Learning Machines –
ELMs) e Máquinas de Vetores de Suporte
(Support Vector Machines – SVMs). Observouse
que as RNAs demandaram elevado
custo computacional. Além disso, para esse
modelo os resultados da identificação da
degradação foram muito baixos, chegando a
apenas 74% de acerto. As ELMs não precisaram de
ajuste fino de parâmetros, tendo um treinamento
bem rápido. Com o modelo selecionado
alcançou-se 93% de acerto.As SVMs também
tiveram elevado custo computacional, mas o
modelo foi capaz classificar corretamente 99%
dos dados de teste. Dessa forma, concluiu-se
que as SVMs são o melhor modelo para realizar
o diagnóstico termodinâmico do sistema
estudado. Apesar de terem elevado custo
computacional para o ajuste de parâmetros e o
treinamento, uma vez.
APLICAÇÃO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL PARA DETECÇÃO DE FALHAS E DIAGNÓSTICO TERMODINÂMICO NOS COMPONENTES DE UM SISTEMA DE REFRIGERAÇÃO COMERCIAL E INDUSTRIAL
-
DOI: 10.22533/at.ed.3951904043
-
Palavras-chave: Refrigeração, Inteligência Artificial, Diagnóstico Termodinâmico
-
Keywords: Refrigeration, Artificial Intelligence, Thermodynamic Diagnosis
-
Abstract:
Cooling systems account for
a significant portion of energy consumption
today. Degradations in them can increase this
energy consumption, which justifies the study.
The objective of this work was to evaluate
three computational intelligence techniques as
thermodynamic diagnostic tools. For this, the
tools were trained from a computational model
that generated data that represented operating
situations normal and degradation situations
in one or multiple components. For the evaluation of the results it was observed the
accuracy obtained in the classification of each technique, as well as its execution time.
The techniques were used were traditional Artificial Neural Networks (RNAs), Extreme
Learning Machines (ELMs) and Support (Support Vector Machines - SVMs). It was
observed that ANNs demanded a high computational cost. In addition, for this The
results of the degradation identification were very low. only 74% correct. The ELMs did
not need fine-tuning of parameters, training very fast. With the selected model, 93%
accuracy was achieved. At SVMs also had high computational cost, but the model
was able to correctly rank 99% of the test data. Thus, it was concluded that the SVMs
are the best model for to perform the thermodynamic diagnosis of the studied system.
Although they have computational cost for parameter adjustment and training, since
the model is trained the same can be used to monitor the system in time real.
-
Número de páginas: 15
- Euler Guimarães Horta
- Ronald de Paiva Gonçalves
