Modelo de aprendizado de máquina para detecção e diagnóstico de falhas operacionais em sistemas de refrigeração
Carregando...
Data de Submissão
Data de Defesa
2026-05-08
Edição
Autores
Orientadores
Coorientadores
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
Desde a invenção das primeiras máquinas de refrigeração por compressão de vapor até os sistemas modernos, a refrigeração tornou-se necessária para a conservação de alimentos . Diante dessa relevância, garantir a continuidade operacional dos sistemas de refrigeração por meio de uma manutenção planejada permite que estabelecimentos e indústrias evitem perdas econômicas e riscos sanitários. Nesse contexto, as abordagens tradicionais apresentam limitações importantes, como a dependência de inspeções manuais, medições pontuais, subjetividade na análise e natureza predominantemente reativa. A utilização de modelos tradicionais pode apresentar limitações em cenários com dados desbalanceados e dificuldades de formulação devido à variabilidade construtiva dos sistemas de refrigeração. Contudo, uma transição para uma manutenção preditiva baseada em dados e aprendizado de máquina pode contornar essas limitações, pois é capaz de antecipar falhas, aumentar a confiabilidade e a viabilizar estratégias eficazes. Esse trabalho tem por objetivo construir um modelo de aprendizado de máquina capaz de detectar e diagnosticar falhas de forma automatizada de uma mini câmara fria de conservação. O sistema proposto utiliza sensores de pressão e temperatura para detectar desvios operacionais (falhas), classificado em operação normal quando há ausência de anomalias ou em três possíveis estados de falha quando o comportamento ultrapassa os limites operacionais estabelecidos de acordo com o equipamento. Na implementação da solução, utilizaram-se dois tipos de classificadores, um paramétrico e outro não paramétrico, com o intuito de identificar o melhor modelo de aprendizado. Para avaliar a solução, uma base de dados foi coletada em tempo real no intervalo de temperatura interna compreendida entre -10 ºC a -20 ºC e externa entre 18 ºC e 35 ºC, representando as diferentes condições de operação da mini câmara fria. Dentre os algoritmos avaliados, o classificador Support Vector Machines apresentou o melhor desempenho na base de dados experimental, atingindo um F1-score de 99,4%, superando o Multi-Layer Perceptron. Consequentemente, os resultados demonstram que uma ferramenta de aprendizado de máquina pode detectar e diagnosticar anomalias em sistemas de refrigeração reais, a partir do monitoramento de variáveis de pressão e temperatura. [resumo fornecido pelo autor]
Resumo
Since the invention of the first vapor compression refrigeration machines up to modern systems, refrigeration has become essential for food preservation. Given this importance, ensuring the operational continuity of refrigeration systems through planned maintenance allows businesses and industries to avoid economic losses and sanitary risks. In this context, traditional approaches present important limitations, such as reliance on manual inspections, point based measurements, subjectivity in analysis, and a predominantly reactive nature. The use of generalized mathematical models tends to show low performance in scenarios with unbalanced data and difficulties in formulation due to the constructive variability of refrigeration systems. However, a transition to data driven predictive maintenance based on machine learning can overcome these limitations, as such methods can anticipate failures, increase reliability, and enable more effective strategies. This work aims to build a machine learning model capable of automatically detecting and diagnosing faults in a small cold storage chamber. The proposed system uses pressure and temperature sensors to detect operational deviations (faults), classifying the state as normal operation when no anomalies are present or into three possible fault states when behavior exceeds the operational limits established for the equipment. Data was collected in real time with internal temperature ranging from -10 ºC to -20 ºC and external temperature between 18 ºC and 35 ºC, representing different operating conditions of the mini cold chamber. In the implementation of the solution, two different classifiers were used one parametric and the other nonparametric, with the intent of identifying the best learning model. Among the algorithms evaluated, the Support Vector Machines classifier achieved the best performance on the experimental dataset, reaching an F1-score of 99.4%, outperforming the Multi-Layer Perceptron. Consequently, the results demonstrate that a machine learning tool can detect and diagnose anomalies in a real environment by monitoring pressure and temperature variables. [resumo fornecido pelo autor]
Citação
Maurício Dalzochio