Temperature control in an air conditioning system through cloud-based deep learning algorithms for adaptive tuning of the PI controller

Abstract

O objetivo deste trabalho é aplicar algoritmos de deep learning no controle adaptativo de um controlador PI, atuando na manutenção da temperatura por meio de um sistema de aquecimento, ventilação e ar condicionado (HVAC) em zonas térmicas genéricas. Para isso, foram experimentados cinco algoritmos, todos de aprendizado profundo. Um sem recorrência (Deep Feedforward), um com recorrência e sem bidirecionalidade (Deep Recurrent), um com recorrência e com bidirecionalidade (Deep Bid Recurrent), um LSTM sem bidirecionalidade e um LSTM com bidirecionalidade (LSTM Bid). A necessidade de estudar a aplicação desses algoritmos é justificada por sua maior capacidade de processamento e pela falta de estudos na literatura técnica sobre seu uso na sintonia do controlador PI. Quarenta simulações de controle foram realizadas com base em dados experimentais de temperatura publicados na literatura, e em todas foi observada a estabilidade do controle no setpoint de interesse. Quanto à implementação experimental, os parâmetros de ganho estático, constante de tempo e atraso de transporte foram determinados experimentalmente para duas plantas. Uma planta foi associada a uma carga térmica de 40 W e a outra a uma carga térmica de 100 W. Com base nesses parâmetros, os ganhos do controlador foram calculados e as redes aprenderam a identificalos. Nesse contexto, foi desenvolvido um projeto de infraestrutura computacional e em nuvem para viabilizar o uso de algoritmos de deep learning no controle PI. O projeto de controle apresentado posiciona a tarefa de controle na etapa final da Indústria 4.0, tendo em vista as características preditivas dos algoritmos e a visualização do controle em tempo real, acessível a qualquer lugar do mundo com internet. Em relação aos algoritmos de deep learning utilizados para sintonia adaptativa, os algoritmos recorrentes sem bidirecionalidade mostraram-se mais vantajosos no controle adaptativo. Estes, apresentaram 48,74% menos dispersão do que o controle não adaptativo e 23,26% menos dispersão do que o controle adaptativo por redes neurais profundas sem recorrência. A bidirecionalidade não mostrou vantagens significativas para a sintonia. Por fim, o controle adaptativo por deep learning foi mais vantajoso do que o controle clássico ON/OFF, o controle não adaptativo e o ajuste direto do sinal de controle por redes neurais profundas sem integração com o algoritmo PI.