Transfer Learning for Tonal Noise Prediction in VRF Units Using Thermodynamic and Vibration Signals

La vue d'ensemble : Prédire le « bourdonnement » d'un climatiseur

Imaginez que vous possédez un climatiseur haute technologie (spécifiquement une unité VRF) qui alimente tout un bâtiment. À l'intérieur, il y a un compresseur à double rotor qui agit comme le cœur du système. Lorsqu'il bat, il produit un « bourdonnement » spécifique à basse fréquence (appelé le bruit 2f).

Le problème est que ce bourdonnement change de volume et de tonalité selon l'effort fourni par le climatiseur. S'il gèle à l'extérieur, ou si les valves à l'intérieur s'ouvrent et se ferment différemment, le « bourdonnement » change. Tenter de prédire exactement son volume en utilisant d'anciennes formules de physique, c'est comme essayer de deviner la météo d'une nouvelle ville en regardant simplement la météo de votre ville natale : cela échoue souvent car les conditions sont trop différentes.

La solution : Un « traducteur » intelligent (Apprentissage par transfert)

Les chercheurs voulaient construire un modèle informatique capable de prédire ce volume de bruit avec précision, même lorsque le climatiseur fonctionne dans une situation totalement nouvelle qu'il n'a jamais rencontrée auparavant.

Ils ont utilisé une technique appelée Apprentissage par transfert. Imaginez cela ainsi :

• L'ancienne méthode (PLS standard) : Imaginez que vous êtes un chef qui a appris à cuisiner une soupe parfaite dans une cuisine équipée d'une cuisinière à gaz. Si vous devez soudainement cuisiner dans une cuisine équipée d'une cuisinière électrique, votre ancienne recette pourrait échouer car la source de chaleur est différente.
• La nouvelle méthode (Di-PLS) : C'est comme un « Traducteur de Chef Maître ». Il apprend l'essence de ce qui rend la soupe délicieuse (les ingrédients de base et les techniques) plutôt que de simplement mémoriser les réglages spécifiques de la cuisinière. Il peut ensuite prendre ces leçons fondamentales et les adapter parfaitement à la nouvelle cuisinière électrique, même si la répartition de la chaleur est totalement différente.

Dans le document, ce « Traducteur » est un algorithme appelé Moindres Carrés Partiels Invariants par Domaine (Di-PLS). Il examine les données de situations connues (la « Source ») et apprend comment appliquer ces connaissances à des situations inconnues (la « Cible ») sans se laisser troubler par les différences.

Les deux ingrédients : Température vs Vibration

Pour entraîner leur modèle, les chercheurs ont utilisé deux types différents d'« indices » (entrées) :

1. Signaux thermodynamiques (La « Carte de température ») : Ce sont des mesures de chaleur, de pression et de débit de réfrigérant. C'est comme regarder une carte météorologique.
2. Signaux de vibration (Le « Secousse ») : Ce sont des mesures de l'intensité avec laquelle les pièces métalliques de la machine vibrent. C'est comme sentir le sol vibrer lorsqu'un camion lourd passe.

L'expérience : Le test « Laisser-un-dehors »

Les chercheurs ont testé leur modèle en utilisant une stratégie appelée « Laisser-un-état-dehors ».
Imaginez que vous avez 19 scénarios différents (comme 19 journées différentes avec des températures et des réglages de valves variés). Vous entraînez le modèle sur 18 d'entre eux, puis vous lui demandez de prédire le bruit pour le 19ème qu'il n'a jamais vu. Ensuite, vous les échangez et vous recommencez pour chaque scénario individuel. Cela prouve si le modèle est vraiment intelligent ou s'il mémorise simplement les réponses.

Les résultats : Pourquoi le « Secousse » a gagné

Voici ce qu'ils ont découvert :

• La « Carte de température » (Thermodynamique) a lutté : Lorsque le climatiseur était dans un état étrange (comme lorsqu'une valve était complètement fermée ou en ajustement automatique), les indices de température devenaient confus. Le modèle s'est perdu. C'était comme essayer de naviguer dans une ville en utilisant une carte qui ne fonctionne que par temps ensoleillé ; lorsqu'il pleut, la carte est inutile. Les prédictions étaient souvent très éloignées de la réalité.
• Le « Secousse » (Vibration) a réussi : Les signaux de vibration étaient les gagnants. Peu importe comment les valves bougeaient ou comment la température changeait, les secousses physiques de la machine restaient un indice fiable.
  • L'analogie : Si vous voulez savoir à quel point un tambour est fort, vous n'avez pas besoin de connaître l'humidité de la pièce (thermodynamique) ; vous avez juste besoin de sentir à quel point la baguette frappe la peau (vibration). La vibration est la cause directe du son.
  • Le score : Le modèle basé sur les vibrations utilisant le « Traducteur » (Di-PLS) était incroyablement précis. Il prédisait le niveau de bruit avec une marge d'erreur inférieure à 3 décibels (une marge très faible) pour presque chaque cas de test. En fait, il était si bon que 99,6 % de ses prédictions se situaient dans cette minuscule plage de 3 dB.

Le cas de test « Valve fermée »

Pour tester vraiment le modèle sous pression, ils ont examiné un scénario spécifique où la valve d'« injection de vapeur » était complètement fermée. Cela a modifié tout le mécanisme interne du compresseur.

• L'ancien modèle : A échoué complètement. C'était comme un chef essayant de cuire un gâteau sans four. L'erreur était énorme.
• Le nouveau modèle (Di-PLS) : A toujours fonctionné parfaitement. Parce qu'il avait appris la relation fondamentale entre la façon dont le métal vibre et le son qu'il produit, cela ne lui importait pas que la « recette » interne ait changé. Il pouvait toujours « traduire » les secousses en une prédiction de bruit correcte.

La conclusion

Le document conclut que si vous voulez prédire le bruit de ces climatiseurs complexes, ne regardez pas seulement la température et la pression. Au lieu de cela, écoutez les vibrations.

En utilisant leur algorithme de « Traducteur » intelligent (Di-PLS) sur les données de vibration, ils ont créé un système capable de prédire avec précision les niveaux de bruit, même lorsque le climatiseur fonctionne dans des conditions qu'il n'a jamais expérimentées auparavant. C'est une grande avancée pour créer des systèmes de climatisation plus silencieux et meilleurs, sans avoir besoin de tests personnalisés et coûteux pour chaque condition météorologique possible.