نسل جدید سردخانه‌های هوشمند، امکان کنترل دقیق تجهیزات برودتی سردخانه را در زمان کوتاه فراهم می‌کند. امروزه با به‌کارگیری تکنولوژی‌های پیشرفته مانند AI، IoT و…، امکان کنترل انواع سردخانه‌های صنعتی به صورت خودکار و در نتیجه کاهش مصرف انرژی و افزایش راندمان فراهم شده است. بخش نسبتاً زیادی از مصرف انرژی در صنعت به سرمایش و تبرید اختصاص دارد. راندمان مصرف انرژی، یکی از اولویت‌های مهم دولت‌ها و کمپانی‌های بزرگ است. امروزه به دلیل منابع انرژی محدود و تحولات زیست محیطی، ذخیره انرژی برای جوامع مدرن از اهمیت بالایی برخوردار است.

ویژگی های نسل جدید سردخانه های هوشمند

صنعت تبرید، حدود ۲۰ درصد از انرژی تولیدی در جهان را مصرف می‌کند.

تاثیر انقلاب صنعتی چهارم بر نسل جدید سردخانه‌های هوشمند

در سال‌های اخیر، الگوی کار بخش‌های صنعتی با تاثیرپذیری از فناوری اطلاعات و ارتباطات، دچار تغییرات بزرگی شده است. تولید و توسعه تکنولوژی‌هایی همچون اینترنت اشیا -IoT-، هوش مصنوعی -AI- و پردازش ابری و کلان داده، منجر به انقلاب صنعتی چهارم شده‌اند.
مراحل انقلاب صنعتی

هر یک از انقلاب‌های صنعتی، منجر به تغییر الگوی صنایع و افزایش سرعت آن‌ها شده‌اند.

انقلاب صنعتی چهارم بر پایه سه اصل بنا شده است:
  • ارتباط متقابل تجهیزات؛
  • جمع‌آوری داده‌های کلان؛
  • پردازش و مدیریت اطلاعات برای تصمیم‌گیری.
اصول سه گانه انقلاب صنعتی چهارم

اینترنت اشیا

اینترنت اشیا به معنی ارتباط و انتقال اطلاعات بین ماشین‌ها و تجهیزات -M2M- است به صورتی که تجهیزات هوشمند، توانایی تصمیم‌گیری خودکار را داشته باشند. این تجهیزات شامل سنسورهای ساده مجهز به سیستم‌های ارتباطی تا سیستم‌های پیچیده‌تر هستند. تجهیزات و اجزا سیستم، مقدار زیادی از اطلاعات را به شبکه منتقل می‌کنند و در آنجا، این اطلاعات ذخیره و پردازش می‌شوند.

پردازش ابری و کلان داده

پردازش ابری، روشی است که برای پردازش مقدار زیاد اطلاعات به‌کار گرفته می‌شود. با استفاده از تکنولوژی‌های جدیدی چون اینترنت اشیا، حجم زیادی از اطلاعات را می‌توان بدست آورد. تمامی اطلاعات بدست آمده از بخش‌های مختلف شبکه باید به گونه‌ای سازمان یافته، جمع‌آوری و ذخیره شوند تا آنالیز آن‌ها به خوبی انجام شود. این اطلاعات، بخشی از دارایی شرکت‌ها است و ارزش افزوده قابل توجهی برای آن‌ها به همراه دارد. در نتیجه، در اختیار داشتن تکنولوژی‌هایی که امکان جمع‌آوری، پردازش و نمایش تصویری حجم زیادی از اطلاعات را فراهم کند، اهمیت بالایی دارد. داده بزرگ -کلان داده- و پردازش ابری به صورت هم‌زمان در سرورهای از راه دور به‌کار گرفته می‌شوند. در نتیجه، دسترسی به اطلاعات آسان‌تر می‌شود و محافظت از اطلاعات و یکپارچگی آن‌ها ارتقا می‌یابد.

هوش مصنوعی

هر چه کمیت و کیفیت داده‌های موجود در فرآیندهای صنعتی افزایش می‌یابد، نیاز به روش‌های جدید پردازش اطلاعات و کنترل نیز افزایش می‌یابد. تا امروز متختصصان بخش‌های مختلف، نحوه عملکرد سیستم‌های صنعتی را آنالیز می‌کردند تا بتوانند از آن‌ها به صورت بهینه استفاده کنند. امروزه، وجود حجم زیاد اطلاعات، ضرورت استفاده از تکنولوژی‌های جدید برای ذخیره و پردازش اطلاعات را افزایش داده است. الگوریتم‌های AI، توانایی آنالیز مقدار زیاد اطلاعات را با یادگیری از دیتا در جهت انجام وظایف مشخص و بدون برنامه از پیش تعیین شده، دارند.

یکی از مهم‌ترین پتانسیل‌های سیستم‌های مجهز به هوش مصنوعی، توانایی آن‌ها برای استخراج اطلاعات جدید همراه با ارزش افزوده از دیتاهایی است که به نظر می‌رسد غیرمرتبط باشند. بعلاوه، AI توانایی یافتن ارتباط بین دیتاهایی را که تشخیصشان به وسیله آنالیزهای مقداری اطلاعات، غیر ممکن است یا دیتاهایی که مدل کردن آن‌ها با روش‌های قدیمی پیچیده است، دارد.

AI منجر به توانمندی ماشین‌ها به یادگیری خودکار و در نتیجه، توانایی ماشین به تشخیص الگوهای پیچیده موجود در اطلاعات، نتیجه‌گیری از آن‌ها و عملکرد منطبق با آن‌ها می‌شود.

انقلاب صنعتی چهارم به صنعت برودت نیز راه پیدا کرده است. تکنولوژی‌های جدید همچون هوش مصنوعی، امکان عملکرد خودکار و دقیق تجهیزات سیستم برودتی را فراهم می‌کند و موجب بهینه‌سازی مصرف انرژی و افزایش راندمان می‌شود. در ادامه، به چند نمونه از کاربردهای هوش مصنوعی در صنعت برودت برای بهینه‌سازی مصرف انرژی، تشخیص و عیب‌یابی و بهینه‌سازی دیفراست اشاره می‌شود.

نقش AI در بهینه‌سازی مصرف انرژی نسل جدید سردخانه‌های هوشمند

سیستم‌های سرمایشی، هویت غیر قابل پیش‌بینی دارند و در نتیجه، مدل سازی آن‌ها کار پیچیده‌ای است. به همین دلیل، متخصصان این صنعت همواره به دنبال تکنولوژی های مدل سازی جدید با راندمان بالاتر و موثرتر هستند. به صورت کلی، مدل‌سازی سیستم‌های سرمایشی به صورت مسائل ریاضی است که در آن‌ها بهینه‌سازی یک یا چند پارامتر عملکردی سیستم در جهت کاهش هزینه انجام می‌شود. در مسائل راندمان انرژی، این پارامترها مربوط به مصرف انرژی سیستم هستند؛ مانند ضریب عملکرد -COP- و نسبت بهره‌وری انرژی -EER-. AI به صورت گسترده برای پیش‌بینی مصرف انرژی و کنترل سیستم‌های تبرید به‌کار می‌رود.
روش‌های مدل سازی هوش مصنوعی برای بهینه سازی مصرف انرژی سیستم های سرمایشی:
  1. مدل‌های مبتنی بر تجربه (Experience-based models)
  2. مدل‌های داده محور (Data-driven models)

روش‌های مدل سازی هوش مصنوعی برای بهینه سازی مصرف انرژی سیستم های سرمایشیمدل‌های بر پایه تجربه

مدل‌های بر پایه تجربه هوش مصنوعی، قابلیت برقراری ارتباط بین اجزا و درک سیستم بر پایه دانش اولیه‌ای از آن را دارند. این روش‌های مدل‌سازی بر پایه مدل‌های آماری با به‌کارگیری قوانین فیزیک و ویژگی‌های سیستم یا پارامترهای دینامیکی آن در شرایط مشخص هستند. همچنین این مدل‌ها می‌توانند بر پایه قوانین یا روش‌هایی باشند که حاصل دانش و تجربه یک متخصص یا اطلاعات مبتنی بر شرایط فعلی سیستم یا شرایط آن در یک آزمایش خاص است. به صورت کلی، استفاده از روش‌های مدل‌سازی هوش مصنوعی، مقید به دانش اولیه‌ای از سیستم -به صورت ریاضی یا تجربی- است. روش‌های مختلف هوش مصنوعی برای حل مسائل بهینه‌سازی انرژی سیستم‌های تبرید صنعتی با کمک مدل‌سازی experience based به‌کار گرفته شده‌اند. برخی از متداول‌ترین روش‌ها شامل منطق فازی، الگوریتم‌های ژنتیک، سیستم خبره و روش‌های بهینه سازی تصادفی هستند.

در برخی روش‌ها، تمرکز بر بهینه‌سازی مصرف توان الکتریکی است. مدل‌های پیشنهادی برای این روش بر پایه منطق فازی، قابلیت ثابت نگه داشتن دمای اتاق سردخانه به وسیله کنترل شیرها، فن‌ها و دیگر اجزا سیستم را دارند. با استفاده از این روش می‌توان ۳۰ درصد از انرژی روزانه را ذخیره کرد.

یکی از الگوریتم‌هایی که به صورت گسترده برای مسائل بهینه‌سازی و مدل‌سازی سیستم‌های سرمایشی به‌کار می‌رود، الگوریتم ژنتیک است. مدل‌های مختلف شبیه‌سازی هوش مصنوعی که بر پایه الگوریتم ژنتیک عمل می‌کنند، از کنترل سیستم برای افزایش راندمان انرژی استفاده می‌کنند.

الگوریتم ژنتیک در هوش مصنوعی

الگوریتم ژنتیک در هوش مصنوعی، بر اساس این فلوچارت عمل می‌کند.

مدل های داده محور

سیستم‌های سرمایشی روز به روز مجهز به سنسورهای بیشتری می‌شوند و در نتیجه امکان کنترل آن‌ها افزایش می‌یابد. هر چه اطلاعات ما درباره یک سیستم بیشتر باشد، ظرفیت موجود برای افزایش راندمان آن بیشتر خواهد بود. به همین علت است که روش‌های کلاسیک مدل‌سازی ریاضی، در حال جایگزینی با مدل‌های داده محور هستند. الگوریتم‌های داده محور هوش مصنوعی، قابلیت مدل‌سازی یک سیستم مشخص را بر اساس ارتباط میان ورودی و خروجی بدون در اختیار داشتن دانش اولیه از سیستم دارند. این روش‌ها به عنوان یادگیری ماشین (ML) شناخته می‌شوند و برجسته‌ترین آن‌ها، شبکه عصبی مصنوعی (ANN) است.

الگوریتم شبکه عصبی مصنوعی

الگوریتم شبکه عصبی مصنوعی مشابه با عملکرد نورون‌های عصبی انسان است.

شبکه‌های عصبی مصنوعی، الگوریتم‌هایی شامل گره‌های متصل به هم هستند که این گره‌ها، یک شبکه را تشکیل می‌دهند. این گره‌ها، نورون نام دارند. هر نورون، ورودی‌ها را دریافت می‌کند و خروجی‌ها را بر اساس مشخصات مختلف مانند وزن در نظر گرفته شده برای هر ورودی و تابع فعالسازی که میان ورودی و خروجی نورون ارتباط برقرار می‌کند، ارائه می‌دهد. ANN مانند دیگر الگوریتم‌های ML، از نمونه‌ها یاد می‌گیرد؛ در نتیجه، نیاز به یک فرآیند آموزش قبلی دارد. این فرآیند شامل انتخاب وزن و شرایط اولیه هر یک از نورون‌هاست. این پارامترها با اعمال الگوریتم‌های بهینه‌سازی مختلف بر تابع هزینه محاسبه می‌شوند. توابع هزینه، پس از چند بار سعی و خطا، هر یک از وزن‌ها را بر اساس مجموعه داده‌های ارائه شده در مرحله آموزش شبکه تنظیم می‌کنند. روش ANN، پتانسیل مدل کردن سیستم‌های پیچیده تنها بر اساس داده‌های تجربی را دارد. به همین علت، استفاده از آن در مدل‌سازی سیستم‌های صنعتی سرمایشی برای ذخیره انرژی، روز به روز افزایش می‌یابد.

در جدول زیر، چند دسته پارامتر ورودی برای بدست آوردن پارامتر خروجی مورد نظر سیستم سرمایشی با استفاده از شبکه عصبی مصنوعی‌ آورده شده است.

پارامتر خروجی

پارامتر ورودی

 ضریب عملکرد

 

 

دمای تبخیر مبرد.
نرخ جریان جرمی، دماهای تبخیر و تقطیر مبرد، سرعت کمپرسور.
دماهای تبخیر و تقطیر مبرد، بار سرمایشی
دمای مبرد، سرعت کمپرسور، نرخ جریان مبرد.
مصرف انرژی نرخ جریان جرمی، دمای کندانسور.
دما و فشار کندانسور و اواپراتور، بار سرمایشی.
دمای اواپراتور و کندانسور.
دمای هوا، رطوبت نسبی هوا.
نرخ جریان جرمی نرخ جریان جرمی، دمای کندانسور.
دما و فشار کندانسور و اواپراتور، بار سرمایشی.
دمای مبرد، نرخ جریان مبرد.
ظرفیت سرمایشی دما و فشار کندانسور و اواپراتور.
دمای هوا، رطوبت نسبی هوا.
سرعت کمپرسور.
شیر انبساط دما و فشار اواپراتور.

تشخیص و عیب‌یابی سیستم سرمایشی با هوش مصنوعی

تشخیص و عیب‌یابی (FDD) برای تعمیر و نگهداری پیش‌بینی شده و ارتقا عملکرد سیستم، یکی از مهم‌ترین کاربردهای مورد مطالعه هوش مصنوعی برای سیستم‌های سرمایشی است. پیش‌بینی عملکرد سیستم سرمایشی، امکان برنامه‌ریزی بهتر برای تعمیر و نگهداری سیستم سرمایشی را فراهم می‌کند. در نتیجه، از خرابی‌های قابل توجه -که به صورت ناگهانی رخ می‌دهند و ممکن است منجر به توقف ادامه عملکرد سیستم شوند- جلوگیری و هزینه‌های مربوط به خرابی‌های کوچک را -که منجر به تغییر چرخه ترمودینامیکی و در نتیجه کاهش عملکرد سیستم می‌شوند- محدود می‌کند. عیوب شارژ مبرد از نظر اضافه بار یا شارژ ناکافی، خرابی مبدل حرارتی بر اثر رسوب، ورود سیال دیگر به لوله‌ها و کاهش انتقال حرارت، نمونه‌هایی از خرابی‌های قابل پیش‌بینی هستند.

بهینه‌سازی دیفراست به وسیله هوش مصنوعی

 بهینه‌سازی دیفراست، یکی از مثال‌های مهم کاربرد الگوریتم‌های هوش مصنوعی است. به عنوان یک نمونه پژوهشی، از شبکه عصبی مصنوعی برای فرآیند دیفراست استفاده شده است. برای آموزش این الگوریتم از داده‌های تجربی استفاده شد و از آن برای بهینه کردن پارامترهایی چون زمان دیفراست، زمان سردسازی و سرعت هوا و کمینه کردن مصرف انرژی استفاده شد. در این پژوهش، کاهش ۲۷ درصدی مصرف انرژی بدست آمد.
بهینه‌سازی دیفراست به وسیله هوش مصنوعی

عمل دیفراست اواپراتور، مقدار قابل توجهی از انرژی مصرفی سردخانه را شامل می‌شود و هنگام بهینه‌سازی مصرف انرژی باید به این نکته توجه داشت.

انقلاب صنعتی چهارم که امرزه در حال شکل‌گیری است، منجر به کنترل خودکار تجهیزات صنعتی به ویژه در سردخانه هوشمند شده است. این کنترل خودکار بر مصرف انرژی، پیش‌بینی احتمال خحرابی و افزایش راندمان تاثیر چشم‌گیری دارد. هوش مصنوعی از ارکان اصلی نسل جدید سردخانه های هوشمند است. با به‌کارگیری الگوریتم‌های مختلف هوش مصنوعی می‌توان مصرف انرژی را حتی در سردخانه‌های هوشمند فعلی بیشتر بهینه کرد و احتمال خرابی آن را کاهش داد.