![](http://emc.ufsc.br/portal/wp-content/uploads/2019/11/Rafael-Hoffmann.png)
![](http://emc.ufsc.br/portal/wp-content/uploads/2019/11/Rafael-Hoffmann.png)
O estudante Rafael Hoffmann Fallgatter, orientado pelo Rodolfo César Costa Flesch, defenderá seu TCC na próxima segunda-feira (25/11) às 13h30 no Auditório do EMC. A defesa é vinculada ao Programa de Pós-Graduação em Engenharia Mecânica. O auditório tem capacidade para cerca de 64 pessoas.
Título: “Machine Learning Methods for the Prediction of Suction and Discharge Pressures of Compressors Using Vibration Data”
Resumo:
A medição das condições de operação de compressores de refrigeração, caracterizadas parcialmente pelas pressões de sucção e descarga, são costumeiras durante etapas de desenvolvimento de novos produtos, assim como para teste e controle de qualidade da produção. Especificamente para a medição dessas duas pressões, existe o interesse de realizá-la de maneira não-intrusiva. Uma alternativa é a utilização do chamado sensoriamento virtual, no qual uma outra grandeza é medida e correlacionada com a grandeza de interesse, neste caso as pressões. No presente trabalho, dados de vibração medidos no corpo do compressor são utilizados, uma vez que estes apresentam uma grande quantidade de informação a respeito de sua condição de operação. Como a correlação da vibração com a pressão é de alta complexidade, métodos de Aprendizado de Máquina são utilizados. Este trabalho propõe um procedimento para o processamento do sinal de vibração utilizando a transformada rápida de Fourier para a geração de um conjunto de dados de entrada para o treinamento do algoritmo. Diferentes algoritmos de Aprendizado de Máquina foram testados e comparados, com foco em métodos ensemble baseados em Árvores de Decisão. Os hiperparâmetros destes métodos foram ajustados utilizando-se de um algoritmo de Otimização Bayesiana. Neste trabalho, optou-se por construir um algoritmo que realiza a previsão das temperaturas de evaporação e condensação do fluido, grandezas estas que são representativas, respectivamente, da pressão de sucção e descarga, mas que podem ser generalizadas para diferentes tipos de compressores. O sistema final é capaz de prever a temperatura de evaporação do fluido com um Erro Médio Absoluto (MAE) de 1.22 °C e da temperatura de condensação com um MAE de 2.95 °C. Finalmente, este modelo é utilizado para analisar a influência das pressões do fluido, frequência rotacional do compressor e eixos de medição da vibração na qualidade das estimações do método, conhecimento este que pode ser utilizado no desenvolvimento de sistemas comerciais de medição.
Palavras-chave: Compressores herméticos, Sensoriamento virtual, Aprendizado de máquina, Árvores de decisão.