Гибридное моделирование двухступенчатых холодильных систем с помощью машинного обучения

Двухступенчатые холодильные системы широко применяются в промышленности для достижения низких температур. Холодильные циклы, используемые для охлаждения процессов в промышленных условиях, известны своей высокой энергоёмкостью. В условиях роста глобального спроса на энергию необходимо, чтобы эти системы мониторились и оптимизировались для повышения тепловой эффективности и минимизации энергопотребления.

Гибридное моделирование

Исследование, опубликованное в журнале M2 MTMT, представляет гибридный подход, сочетающий физическое моделирование с машинным обучением. Хотя симуляторы процессов широко используются для мониторинга холодильных систем для оптимизации и сценариев «что если», они, как правило, не подходят для удалённого мониторинга из-за высокой вычислительной стоимости. Именно здесь выделяются модели машинного обучения, которые могут выполняться на несколько порядков быстрее, чем соответствующие модели симуляции на основе первых принципов.

Сравнение алгоритмов

В исследовании тестировались пять различных алгоритмов ML: многомерная линейная регрессия (MLR), деревья регрессии (RT), случайные леса (RF), extreme gradient boosting (XGBoost) и искусственные нейронные сети (ANN) для определения наиболее подходящего алгоритма для представления поведения холодильной системы.

Результаты

Результаты показали, что алгоритм XGBoost превзошёл другие четыре алгоритма, продемонстрировав наименьшую среднюю абсолютную ошибку (MAE) и среднеквадратичную ошибку (RMSE). Значительное улучшение производительности было достигнуто после оптимизации модели XGBoost через настройку гиперпараметров: улучшение MAE на 86,40% и RMSE на 82,35%.

Рабочий процесс

Исследование представляет кейс для двухступенчатой холодильной системы, охватывающий управление данными, гибридное моделирование (сочетающее симуляцию процесса и ML), оптимизацию и онлайн-развёртывание. Кейс демонстрирует рабочий процесс для построения ML-модели холодильной системы и её развёртывания на панели онлайн-мониторинга и прогнозирования.

Перспективы

Гибридные модели становятся предпочтительным инструментом для цифровых двойников сложных холодильных систем, где чисто термодинамические модели недостаточно точны, а чисто data-driven модели лишены физической интерпретируемости. Результаты исследования служат хорошим ориентиром для будущего моделирования холодильных систем с помощью XGBoost.

По всем вопросам звоните нам по номеру +7 (383) 305-43-15