Desenvolvimento de métodos não invasivos para avaliação do processo de amaciamento de compressores herméticos alternativos

Abstract

Esta dissertação de mestrado apresenta uma análise do processo de amaciamento em compressores herméticos alternativos, buscando padrões característicos do fenômeno que possibilitem a detecção automática do término do processo. O amaciamento ocorre nas primeiras horas de operação dos compressores, e ensaios realizados durante esse período podem não apresentar resultados correspondentes com os obtidos durante a operação normal dos compressores. Como o fenômeno não pode ser diretamente medido durante o funcionamento do compressor, dado que esse é hermético, foram selecionadas a vibração, a corrente elétrica e a vazão mássica como grandezas que possivelmente poderiam apresentar correlação entre os valores medidos e o efetivo amaciamento dos compressores. Em uma bancada experimental, capaz de controlar as condições de operação dos dispositivos, foram ensaiadas 11 unidades de compressores que nunca haviam operado antes, divididas em 2 modelos de compressores. Os dados obtidos foram comparados, buscando, por meio da análise e processamento dos sinais obtidos em ensaios com compressores instrumentados, formas de diferenciar a operação do compressor amaciado e em processo de amaciamento. Essa análise preliminar apontou que, em um dos modelos, a curtose e o valor eficaz da corrente elétrica possuem comportamento em ensaios de amaciamento distinto do observado com a unidade já amaciada, e portanto foram utilizados como base para a avaliação dos métodos automáticos. Para detecção do término do amaciamento posteriormente aos ensaios foram analisados métodos desenvolvidos com base no agrupamento por k-médias de dados experimentais, que sugerem que a vazão mássica e os valores eficaz, de variância e de curtose da corrente elétrica podem ser representativos do fenômeno. Considerando tais grandezas e os valores detectados pela aplicação dos métodos de agrupamento, foram avaliados métodos estatísticos e de aprendizado supervisionado para possível detecção do término do fenômeno durante ensaios, sendo que para esses últimos foram aplicadas também técnicas para balanceamento do conjunto. Tais métodos foram classificados segundo o coeficiente de correlação de Matthews de sua aplicação na validação cruzada e na classificação de um conjunto de teste. Para ambos os modelos de compressor, o método de melhor desempenho na classificação do conjunto de teste foi o método pela estatística $R$. Os resultados apontam também que os métodos por aprendizado de máquina supervisionado podem ainda ser aprimorados, contanto que sejam aplicadas técnicas para reduzir o sobreajuste dos modelos.

Abstract: This dissertation presents an analysis of the running-in process in reciprocating hermetic compressors, which aims to recognize behaviors possibly related to the phenomenon and to develop techniques for its evaluation. Running-in takes place in the first few hours of the device operation, and tests which take place during this time interval might not provide results which are equivalent to the ones obtained after the running-in process ends. As this phenomenon cannot be directly measured in a hermetic compressor, the vibration of the shell, the current of the electric motor, and the mass flow rate of refrigerant were selected as variables possibly related to the running-in process. Eleven brand new compressor units from two distinct models were evaluated in an experimental test rig, capable of controlling the operating condition of the units. Experimental data obtained on the test rig were used to compare the behavior of devices during and after the running-in process. This early analysis showed that, for one of the tested models, the root mean square and the kurtosis of the electric current presented a behavior when running-in which was distinct from the one observed after its conclusion, and therefore they were considered as base for the evaluation of automatic detection methods. Methods for offline running-in detection based on the k-means method were developed by means of clustering the experimental data. The results of the clustering process suggest that the mass flow rate and the root mean square, variance, and kurtosis of the electric current are representative of the phenomenon. Such variables, together with the offline estimated running-in transitions, were adopted to evaluate statistical methods and supervised machine learning models, applied in such a manner as to allow online detection of the running-in process. Such methods and models were ranked by their performance on the cross-validation of the training set and on the classification of the validation set, measured using the Matthews correlation coefficient. The method with best performance on the validation set, for both compressor models, was the statistical method based on R-statistics. The results also suggest that the supervised machine learning methods might still be improved for this application, as all results point to overfitting of the models, which might be mitigated by means of regularization techniques and increasing the training set diversity.