Aplicação de aprendizado não supervisionado para identificação não destrutiva do amaciamento em compressores

  • Gabriel Thaler Departamento de Automação e Sistemas, Universidade Federal de Santa Catarina, SC
  • Nicolas A. Nunes Departamento de Automação e Sistemas, Universidade Federal de Santa Catarina, SC
  • Ahryman S. B. de S. Nascimento Departamento de Automação e Sistemas, Universidade Federal de Santa Catarina, SC
  • Antonio L. S. Pacheco Departamento de Engenharia Elétrica e Eletrônica, Universidade Federal de Santa Catarina, SC
  • Rodolfo C. C. Flesch Departamento de Automação e Sistemas, Universidade Federal de Santa Catarina, SC
Keywords: unsupervised machine learning, running-in, non-destructive analysis, hermetic reciprocating compressors

Abstract

Este trabalho apresenta um método de aprendizado não supervisionado para detecção do estado de amaciamento em compressores herméticos alternativos para refrigeração, informação importante para caracterização energética desse tipo de compressor. Para avaliar possíveis indicativos desse processo, foi desenvolvida uma bancada automática de ensaios capaz de medir de forma não destrutiva grandezas relacionadas à operação do dispositivo e possivelmente conectadas ao fenômeno do amaciamento. O algoritmo k-médias foi usado para agrupar dados de ensaios com compressores novos e já operados, buscando grandezas cuja divisão se adequasse à esperada devido ao amaciamento. Foram desenvolvidos três métodos de classificação baseados na distribuição de grupos ao longo dos ensaios. As avaliações realizadas mostraram um dos métodos propostos como o mais condizente com os dados experimentais, e sua aplicação na curtose da corrente elétrica do motor resultou em dados majoritariamente concordantes quanto ao final do processo de amaciamento.
Published
2021-10-20
Section
Articles