Assessment of deep learning techniques for diagnosis in thermal systems through anomaly detection

Abstract

A la hora de evaluar el desempeño de sistemas térmicos, mantener registros temporales de temperatura y caudal permiten obtener información sobre el rendimiento y estado de operación del sistema. Estudios de confiabilidad en equipos y componentes son un proceso fundamental para reducir costos de mantención y aumentar la vida útil de estos. La identificación de comportamientos anómalos se puede utilizar para detectar variaciones inesperadas en patrones de consumo o en la degradación de componentes en el sistema. En los últimos años, diversas técnicas de aprendizaje profundo se han aplicado de manera exitosa en la identificación y cuantificación de daño en distintos sistemas mecánicos. Por lo anterior, es de interés evaluar su uso para el análisis de desempeño en sistemas térmicos, en particular, técnicas especializadas para el análisis de series temporales. Los sistemas solares térmicos son una fuente de energía viable y sustentable para aplicaciones de agua caliente a nivel domiciliario e industrial. Su operación requiere una correcta integración y mantención para efectivamente reducir el consumo de combustibles fósiles. Sin embargo, un sistema de monitoreo aumenta los costos del sistema, por lo que se deben tomar decisiones estratégicas para seleccionar componentes críticos a los cuales observar. Temperaturas y caudales en colectores solares, bombas y acumuladores de calor son las principales variables para analizar bajo diferentes condiciones meteorológicas. El presente Trabajo de Título consiste en la evaluación de distintas técnicas de Aprendizaje Profundo para el desarrollo de un modelo de diagnóstico de detección de anomalías en sistemas térmicos. El caso de estudio utilizado es el sistema de agua caliente solar del edificio Beauchef 851, el cual es analizado y simulado con el software TRNSYS. A través de esta representación, es posible generar grandes cantidades de datos tales como temperatura, flujo y las condiciones ambientales para representar condiciones nominales y anómalas inducidas en el sistema. Se plantea utilizar técnicas de aprendizaje profundo para el análisis de información secuencial correspondiente a los datos generados a través de la simulación en TRNSYS. Se evalúan diferentes técnicas para el análisis temporal como, por ejemplo, Redes Neuronales Recurrentes Profundas para predicción de temperaturas bajo variadas configuraciones y horizontes de evaluación. Esto, con el fin de desarrollar un método para la detección de anomalías en patrones de consumo, eficiencia de los colectores solares y operación de las bombas. El aumento de la temperatura registrada a la salida del campo solar causada por una alteración en la demanda de agua caliente es identificada como anomalía con una exactitud de un 86% en las muestras estudiadas. A su vez, la detección de la reducción de la misma temperatura debido a anomalías inducidas en la eficiencia del colector obtiene una exactitud de un 70%. A pesar de la sensibilidad del modelo de detección, estos resultados son prometedores ante la posibilidad de integrar mediciones y validaciones experimentales de este.