نسل جدید سردخانههای هوشمند چه مزایایی برای صنایع برودتی بهمراه دارند؟
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.
تاثیر انقلاب صنعتی چهارم بر نسل جدید سردخانههای هوشمند
- ارتباط متقابل تجهیزات؛
- جمعآوری دادههای کلان؛
- پردازش و مدیریت اطلاعات برای تصمیمگیری.
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.
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
- مدلهای مبتنی بر تجربه (Experience-based models)
- مدلهای داده محور (Data-driven models)
مدلهای 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.
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.
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
بهینهسازی دیفراست به وسیله هوش مصنوعی
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.
دیـــدگـاه خـود را بـه اشــتراک گــذاریــد