OTIMIZANDO O PROGRAMA DE MANUTENÇÃO DE SISTEMAS DE REFRIGERAÇÃO POR COMPRESSÃO MECÂNICA ATRAVÉS DE APRENDIZAGEM POR REFORÇO
Refrigeração; Degradação; Energia; Manutenção Baseada em Condição; Aprendizagem por reforço.
No mundo inteiro, os edifícios são responsáveis por cerca de 30% do consumo energético, e dentre os edifícios, aqueles que necessitam de sistemas de refrigeração, como supermercados e pequenas mercearias, figuram entre os com uso mais intensivo de energia. Dispositivos de refrigeração, sejam comerciais ou residenciais, correspondem por uma grande parcela das emissões do setor de energia. Autores mais conservadores têm estimado que nesse grupo, há um potencial de reduzir o consumo entre 5% e 15% apenas pelo aprimoramento das técnicas de detecção e diagnóstico de falhas. Por isso, aprimorar programas de manutenção através de tecnologias de informação e controle é uma das dimensões necessárias para alcançar metas de emissões e consumo. A oferta de tecnologias como o 5G, agora permitem que as redes suportem o trânsito de milhares de dados de equipamentos interagindo remotamente com algoritmos, como os de aprendizagem por reforço, por exemplo, de forma inteligente e até autônoma, através de interfaces de Internet of Things aplicados a smart building e smart cities. Nesse trabalho, um framework de aprendizagem por reforço foi usado para desenvolver uma política de manutenção para refrigeradores baseados em compressão mecânica. Primeiro, foi construído um test-bench, que é o ambiente de avaliação do algoritmo de solução, e é constituído do freezer e da sua degradação. Em seguida, a política ótima de manutenção foi encontrada através da solução de um processo de decisão de Markov por um algoritmo de aprendizagem por reforço. Os resultados mostram que a aplicação do modelo de AR ao proposto test-bench pode reduzir as emissões, o consumo, os custos de manutenção e aumentar a disponibilidade do sistema. Obteve-se que a aplicação do AR é inovador e apresenta desafios, mas também é promissora frente às técnicas tradicionais de manutenção, e as baseada em condição por aprendizagem supervisionada e não supervisionada.