Možnosti využití neuronových sítí při provozu tepelného čerpadla

Abstract

Tato diplomová práce se zabývá možnostmi využití neuronových sítí pro detekci poruchových stavů tepelného čerpadla vzduch-voda, které bylo instalováno k rodinnému domu. Výzkum zahrnoval sběr dat po dobu tří měsíců, během kterého byly zaznamenávány vybrané provozní parametry jak normálního chodu, tak i při simulovaných poruchách. Na připravených datech byly testovány neuronové sítě – autoenkodéry pro detekci anomálií, RNN a transformer pro identifikace konkrétních poruch. Lepší identifikace poruch byla dosažena transformerem: porucha zakrytí výparníku (99,6 vs. 30,7 %), porucha odpojení ventilátoru (100,0 vs. 93,8 %), porucha změny přehřátí (99,2 vs. 70,0 %). Navzdory tomu však RNN vykazovala nižší procento falešných poplachů (0,59 vs. 1,4 %). Získané výsledky prokázaly potenciál využití neuronových sítí pro identifikaci poruch tepelných čerpadel.

This master thesis deals with the possibilities of using neural networks for the detection of fault conditions of an air-to-water heat pump that has been installed to a family house. The research involved data collection over a period of three months, during which selected operating parameters were recorded both during normal operation and during simulated faults. Neural networks - autoencoders for anomaly detection, RNN and transformer for identification of specific faults were tested on the prepared data. Better fault identification was achieved by the transformer: covered evaporator fault (99.6 vs. 30.7 %), fan disconnection fault (100.0 vs. 93.8 %), changed superheat fault (99.2 vs. 70.0 %). However, despite this, RNNs showed a lower percentage of false alarms (0.59 vs. 1.4 %). The results obtained demonstrated the potential of using neural networks to identify heat pump faults.