An alise e Implanta c~ao de Ferramentas de Intelig^encia Arti cial para Infer^encia e Progn ostico em Ensaios de Desempenho de Compressores Herm eticos

Abstract

Inteligência Artificial (IA) tem sido usada na mais variada gama de aplicações. Uma aplicação proeminente e a interferência de valores de regime permanente usando valores de regime transitório em ensaios de desempenho energético de compressores de refrigeração. Esses ensaios são usados para medir variáveis de desempenho como a capacidade de refrigeração, potência consumida e coeficiente de desempenho, os quais são usados para pesquisa e desenvolvimento, controle de qualidade e geração de dados de catálogo. Pesquisas recentes mostraram que abordagens usando comitês de redes neurais para a inferência de regime permanente e posterior prognostico de capacidade de refrigeração são apropriadas para a resolução do problema, sendo possível uma redução no tempo médio de ensaio por compressor, que de quatro a cinco horas passa para cerca de uma hora. Este projeto mostra a implementação de um conjunto de ferramentas para a melhoria da qualidade das inferências de regime permanente e prognóstico de capacidade de refrigeração para utilização em software supervisório de uma bancada de ensaios de desempenho. As contribuições deste trabalho foram: implementação do suporte a um banco de dados contendo valores t típicos das variáveis de desempenho; desenvolvimento de comitês de redes neurais para a tarefa de inferência e prognóstico; proposição de uma metodologia para avaliação da dinâmica da resposta do comitê de redes neurais para inferência; proposição de metodologia para a atualização online de ferramentas de IA para inferência.

Arti cial Intelligence (AI) has been used in a wide range of applications., one of the most promising is the steady-state value prediction of refrigeration compressor performance tests using unsteady-state data analysis. These tests are used for measuring performance characteristics like the refrigerant capacity, the power consumption and the performance coe cient, which are mainly used for research and development (R&D), determination of catalog parameters, and quality control. Recent research shows that neural networks committee machines are suitable for steady-state prediction and refrigerant capacity prognosis, being able to reduce average test duration of ve hours to about one hour. This project presents the improvement of a set of tools for steady-state prediction and refrigerant capacity prognosis, used in supervisory software of a test rig. The main contributions of this work are: implementation of a typical performance characteristics database and a neural network committee machine for prediction and prognosis of refrigerant capacity; proposal of a method for rating the committee's dynamic response; proposal of a method for online update of AI tools.