Técnicas de Inteligência Artificial para Inferência e Prognóstico em Ensaios de Compressores

Abstract

Técnicas de inteligência artificial têm sido amplamente usadas no mundo inteiro para resolver os mais variados problemas. Um problema muito comum é o de se prever o comportamento de sistemas, e existem abordagens de Machine Learning muito apropriadas para lidar com estes tipos de problema. O prognóstico de variáveis de interesse em ensaios de desempenho de compressores de refrigeração é um desses problemas, e redes neurais é uma das abordagens usadas. Várias pesquisas já comprovaram que sistemas neurais podem fazer o prognóstico de grandezas como: capacidade de refrigeração, consumo energético e coeficiente de desempenho. O prognóstico feito, em testes, tem uma taxa de erro baixa o suficiente para ser utilizado em ensaios reais de compressores. Estes sistemas de prognósticos, assim, reduzem o tempo dos ensaios (de 4 ou 5 horas para cerca de 1 hora), levando a ganhos de produtividade muito significativos na indústria. Mesmo que ganhos já tenham sido alcançados, a busca incessante por soluções ainda melhores não para. O sistema utilizado atualmente pela Embraco emprega um comitê de redes neurais para realizar este prognóstico. Este trabalho propõe e testa outras formas diferentes de se combinar a resposta dos integrantes deste comitê para se obter o prognóstico do valor final dos ensaios. Além disso, uma outra abordagem, baseada em redes neurais recorrentes, é proposta e testada. Para se criar este novo sistema, além das próprias redes neurais treinadas, utiliza-se técnicas de "clusterização"para se classificar e organizar os dados utilizados para o treinamento das redes neurais.

Artificial intelligence techniques have been broadly used world-wide to solve various problems. A very common problem is the one to predict the behaviour of systems, and there are various Machine Learning approaches that are appropriate to deal with such problems. The prognosis of interest variables in performance tests of refrigeration compressors is one of those problems, and recurrent neural networks is one of the approaches used. Various researches have proven that neural systems can do the prognosis of variables such as: refrigeration capacity, energy consumption and performance coefficient. The prognosis done, in tests, have an error rate low enough to be used in real compressors’ tests. These prognosis’ systems reduce the tests’ time (from 4 or 5 hours to around 1 hour), leading to very significant productivity gains in the industry. Although those gains have been reached, the incessant search for even better solutions doesn’t stop. The system currently used at Embraco uses an ensemble of neural networks to do the prognosis. This work proposes and tests different ways of combining the result given by the members of this ensemble in order to obtain the prognosis of the final value of the tests. Moreover, another approach, based on recurrent neural networks, is proposed and tested. To create this new system, besides the trained neural networks, clustering techniques are used to classify and organize the data used to train the neural networks.