Author(s):
Borja, José Antonio Tumialán
Date: 2020
Origin: Oasisbr
Subject(s): CNPQ::ENGENHARIAS; Detecção de falhas; Diagnostico de falhas; Sistemas de refrigeração; Redes neurais; Fault detection; Fault diagnosis; Refrigeration systems; Neural networks; Refrigeração; Redes neurais (Computação); CNPQ::ENGENHARIAS; CNPQ::ENGENHARIAS; Detecção de falhas; Detecção de falhas; Diagnostico de falhas; Diagnostico de falhas; Sistemas de refrigeração; Sistemas de refrigeração; Redes neurais; Redes neurais; Fault detection; Fault detection; Fault diagnosis; Fault diagnosis; Refrigeration systems; Refrigeration systems; Neural networks; Neural networks; Refrigeração; Refrigeração; Redes neurais (Computação); Redes neurais (Computação)
Description
Este trabalho apresenta uma metodologia de identificação de falhas, baseadas na análise de inter-relação de alguns parâmetros sensíveis para uma falha específica, imposta artificialmente em um protótipo de sistema de refrigeração, usando redes neurais artificiais (ANN). Esta metodologia é testada em um sistema de refrigeração de pequeno porte, as ANNs são treinadas inicialmente em operação normal do sistema (sem-falhas). Foram introduzidas três falhas artificiais ao sistema de refrigeração: redução da vazão de água do evaporador, fechamento brusco na válvula de expansão e obstrução na linha de sucção do compressor. A ANNs compara a operação normal e defeituosa, usando a análise do erro residuais na maioria dos parâmetros sensíveis, para detectar a falha imposta. Também é apresentado o método de treinamento empregado na estrutura básica da lógica usada para operar o método de detecção e diagnóstico da falha (FDD) proposto. A metodologia proposta mostrou-se bastante robusta, conseguindo identificar com bom nível de precisão a falhas introduzida ao sistema.
This work presents a methodology of failure identification based on the inter-relation analysis of some sensitive parameters to specific fails artificially imposed on a prototype refrigeration system using Artificial Neural Network (ANN) modeling. This methodology is tested in a small refrigeration system, the ANN are initially trained in a normal operation of the system (without faults). Were introduces three artificial faults on the refrigeration system: reduction of evaporator water flow, suddenly expansion valve closure and obstruction on the compressor suction line. The ANN compares the normal and failure operation using a residual error analysis in the majority of two sensitive parameters to detect an imposed fault. Also, is presented the training method used in the basic structure of the logic used to operate the proposed detection and failure diagnostic method (DFD). The methodology proposed is robust, achieving a good precision levei in the identification of faults introduced to the system.
Dissertação (Mestrado)
