Investigadores portugueses utilizan inteligencia artificial para detectar fallos en bombas de calor

Investigadores portugueses han llevado a cabo un estudio comparativo de diversas técnicas de aprendizaje automático aplicado para detectar fallos en las bombas de calor de aire a aire en modo de refrigeración. Los resultados han demostrado un alto nivel de rendimiento basado en cuatro métricas: precisión, exactitud, recall y la puntuación F1, que es una figura clave utilizada para medir el rendimiento de las clasificaciones.

El equipo de investigación, liderado por Pedro Barandier, ha destacado la importancia de la inteligencia artificial (IA) en la detección temprana de fallos en los sistemas de calefacción, ventilación y aire acondicionado (HVAC). Según Barandier, el crecimiento notable de las bombas de calor y la promesa de los algoritmos de clasificación, las redes neuronales y otras herramientas de IA para mejorar la fiabilidad de estos sistemas, especialmente cuando se emplean junto con tecnologías del internet de las cosas, motivaron la realización del estudio.

Para llevar a cabo el análisis comparativo, se utilizó Python y se estudiaron algoritmos de clasificación de aprendizaje supervisado para la detección de fallos, incluyendo Naïve Bayes, Máquina de Vectores de Soporte, Regresión Logística y K-vecinos más cercanos. Se evaluaron en base a las métricas mencionadas anteriormente.

El equipo seleccionó fallos típicos en el modo de refrigeración, como fugas en el compresor y la válvula inversora, ensuciamiento inadecuado del condensador y del evaporador, restricción de la línea de líquido, carga insuficiente y excesiva de refrigerante, y la presencia de gases no condensables.

El conjunto de datos utilizado se derivó de una investigación anterior que involucra una bomba de calor residencial de 8.8 kW con un compresor de desplazamiento y un dispositivo de expansión termostático. Contenía 96 variables y se construyó a partir de 7,374 pruebas realizadas en modo de refrigeración.

Después de varias rondas de selección de características y un análisis de componentes principales, se observó que diez componentes explicaban más del 90% de la varianza. También se realizó un estudio de ablación para identificar las variables con mayor impacto en los resultados.

Los mejores resultados se obtuvieron con K-vecinos más cercanos, que mostraron los valores más altos para cada una de las cuatro métricas, superando el 99% después de una validación cruzada considerando un número reducido de componentes. Sin embargo, Naïve Bayes, Máquina de Vectores de Soporte y Regresión Logística también lograron métricas de rendimiento superiores al 90%.

El equipo de investigación planea expandir su trabajo más allá de la detección de fallos. El próximo objetivo es desarrollar un sistema completo y eficiente para el diagnóstico de fallos en las bombas de calor que pueda ser utilizado por ingenieros y profesionales en todo el mundo.

El estudio ha sido publicado en «Comparative analysis of four classification algorithms for fault detection of heat pumps», publicado por Energy and Buildings. Los investigadores son de la Universidad Politécnica de Coimbra y CISE – Centro de Investigación en Sistemas Electromecatrónicos, Universidad de Beira Interior en Portugal.

Fuente: https://www.pv-magazine.com/2024/07/17/new-fault-detection-techniques-for-air-to-air-heat-pumps/