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

एक बड़ी तस्वीर: एयर कंडीशनर की "गूँज" का पूर्वानुमान लगाना

कल्पना कीजिए कि आपके पास एक हाई-टेक एयर कंडीशनर (विशेष रूप से एक VRF यूनिट) है जो पूरे भवन को शक्ति प्रदान करता है। इसके अंदर, एक ट्विन-रोटरी कंप्रेसर होता है जो सिस्टम के हृदय की तरह काम करता है। जब यह धड़कता है, तो यह एक विशिष्ट कम आवृत्ति वाली "गूँज" (जिसे 2f शोर कहा जाता है) पैदा करता है।

समस्या यह है कि एयर कंडीशनर कितनी ज़ोर से काम कर रहा है, इसके आधार पर इस गूँज की आवाज़ और स्वर बदल जाता है। यदि बाहर ठंड है, या यदि अंदर के वाल्व अलग तरह से खुलते और बंद होते हैं, तो "गूँज" बदल जाती है। पुराने ज़माने के भौतिकी सूत्रों (physics formulas) का उपयोग करके यह अनुमान लगाने की कोशिश करना कि यह कितनी तेज़ होगी, वैसा ही है जैसे अपने गृहनगर के मौसम को देखकर किसी नए शहर के मौसम का अनुमान लगाने की कोशिश करना—यह अक्सर विफल हो जाता है क्योंकि स्थितियाँ बहुत अलग होती हैं।

समाधान: एक स्मार्ट "अनुवादक" (ट्रांसफर लर्निंग)

शोधकर्ताओं ने एक कंप्यूटर मॉडल बनाना चाहा जो इस शोर के स्तर का सटीक अनुमान लगा सके, भले ही एयर कंडीशनर किसी ऐसी नई स्थिति में चल रहा हो जिसे उसने पहले कभी नहीं देखा है।

उन्होंने ट्रांसफर लर्निंग (Transfer Learning) नामक तकनीक का उपयोग किया। इसे इस प्रकार समझें:

• पुराना तरीका (Standard PLS): कल्पना कीजिए कि आप एक ऐसे शेफ हैं जिसने गैस स्टोव वाले किचन में बेहतरीन सूप बनाना सीखा है। यदि अचानक आपको इलेक्ट्रिक स्टोव वाले किचन में खाना बनाना पड़े, तो आपकी पुरानी रेसिपी विफल हो सकती है क्योंकि गर्मी का स्रोत अलग है।
• नया तरीका (Di-PLS): यह एक "मास्टर शेफ ट्रांसलेटर" की तरह है। यह केवल विशिष्ट स्टोव सेटिंग्स को रटने के बजाय इस बात के सार को सीखता है कि सूप को स्वादिष्ट बनाने के लिए क्या आवश्यक है (मुख्य सामग्री और तकनीकें)। इसके बाद यह उन मूल पाठों को ले सकता है और उन्हें नए इलेक्ट्रिक स्टोव के लिए पूरी तरह से अनुकूलित कर सकता है, भले ही गर्मी का वितरण पूरी तरह से अलग क्यों न हो।

इस शोध पत्र में, यह "अनुवादक" एक एल्गोरिदम है जिसे डोमेन-इनवेरिएंट पार्शियल लीस्ट स्क्वायर्स (Di-PLS) कहा जाता है। यह ज्ञात स्थितियों ( "स्रोत" या Source) से डेटा देखता है और सीखता है कि अज्ञात स्थितियों ( "लक्ष्य" या Target) में उस ज्ञान को कैसे लागू किया जाए, बिना भ्रमित हुए।

दो सामग्रियाँ: तापमान बनाम कंपन

अपने मॉडल को सिखाने के लिए, शोधकर्ताओं ने दो अलग-अलग प्रकार के "सुरागों" (इनपुट) का उपयोग किया:

1. ऊष्मागतिक संकेत (Thermodynamic Signals - "तापमान मानचित्र"): ये गर्मी, दबाव और रेफ्रिजरेंट प्रवाह के माप हैं। यह मौसम के मानचित्र को देखने जैसा है।
2. कंपन संकेत (Vibration Signals - "थरथराहट"): ये इस बात के माप हैं कि मशीन के धातु के हिस्से कितनी अधिक हिल रहे हैं। यह भारी ट्रक के गुजरने पर फर्श के कंपन को महसूस करने जैसा है।

प्रयोग: "लेफ्ट-वन-आउट" टेस्ट

शोधकर्ताओं ने अपने मॉडल का परीक्षण करने के लिए "लीव-वन-कंडीशन-आउट" (Leave-One-Condition-Out) नामक रणनीति का उपयोग किया।
कल्पना कीजिए कि आपके पास 19 अलग-अलग परिदृश्य हैं (जैसे अलग-अलग तापमान और वाल्व सेटिंग्स वाले 19 अलग-अलग दिन)। आप मॉडल को उनमें से 18 पर प्रशिक्षित करते हैं, और फिर उससे 19वें परिदृश्य के लिए शोर का अनुमान लगाने के लिए कहते हैं जिसे उसने कभी नहीं देखा है। फिर वे हर एक परिदृश्य के लिए इसे दोहराते हैं। यह साबित करता है कि मॉडल वास्तव में स्मार्ट है या केवल उत्तरों को रट रहा है।

परिणाम: "थरथराहट" की जीत क्यों हुई

यहाँ उन्हें यह पता चला:

• "तापमान मानचित्र" (Thermodynamics) संघर्ष करता रहा: जब एयर कंडीशनर एक अजीब स्थिति में था (जैसे जब कोई वाल्व पूरी तरह से बंद था या स्वचालित रूप से एडजस्ट हो रहा था), तो तापमान के सुराग भ्रमित करने वाले हो गए। मॉडल भटक गया। यह एक ऐसे शहर में नेविगेट करने जैसा था जिसका नक्शा केवल धूप वाले दिनों में काम करता है; जब बारिश होती है, तो नक्शा बेकार हो जाता है। अनुमान अक्सर बहुत गलत थे।
• "थरथराहट" (Vibration) सफल रही: कंपन संकेत विजेता रहे। चाहे वाल्व कैसे भी हिले या तापमान कैसे भी बदला, मशीन की भौतिक थरथराहट एक विश्वसनीय सुराग बनी रही।
  • उपमा: यदि आप जानना चाहते हैं कि एक ड्रम कितना तेज़ है, तो आपको कमरे की आर्द्रता (humidity) जानने की आवश्यकता नहीं है (thermodynamics); आपको बस यह महसूस करने की आवश्यकता है कि ड्रमस्टिक त्वचा पर कितनी ज़ोर से टकराती है (vibration)। कंपन ही ध्वनि का प्रत्यक्ष कारण है।
  • स्कोर: "अनुवादक" (Di-PLS) का उपयोग करने वाला कंपन-आधारित मॉडल अविश्वसनीय रूप से सटीक था। इसने लगभग हर एक टेस्ट केस के लिए शोर के स्तर का 3 डेसिबल (त्रुटि का बहुत छोटा मार्जिन) के भीतर सटीक अनुमान लगाया। वास्तव में, यह इतना अच्छा था कि इसके 99.6% अनुमान उस छोटे से 3 dB रेंज के भीतर थे।

"वाल्व क्लोज्ड" टेस्ट केस

मॉडल का कड़ा परीक्षण करने के लिए, उन्होंने एक विशिष्ट परिदृश्य देखा जहाँ "वेपर इंजेक्शन" वाल्व को पूरी तरह से बंद कर दिया गया था। इसने कंप्रेसर के पूरे आंतरिक तंत्र को बदल दिया।

• पुराना मॉडल: पूरी तरह से विफल रहा। यह बिना ओवन के केक बनाने की कोशिश करने वाले शेफ जैसा था। त्रुटि बहुत बड़ी थी।
• नया मॉडल (Di-PLS): अभी भी पूरी तरह से काम करता रहा। क्योंकि इसने इस मौलिक संबंध को सीखा कि धातु कैसे हिलती है और वह ध्वनि कैसे पैदा करती है, इसे इस बात से कोई फर्क नहीं पड़ा कि आंतरिक "रेसिपी" बदल गई है। यह अभी भी थरथराहट को सही शोर के अनुमान में "अनुवादित" कर सका।

निष्कर्ष

यह शोध पत्र निष्कर्ष निकालता है कि यदि आप इन जटिल एयर कंडीशनरों के शोर का अनुमान लगाना चाहते हैं, तो केवल तापमान और दबाव को न देखें। इसके बजाय, कंपन (vibrations) को सुनें।

कंपन डेटा पर अपने स्मार्ट "अनुवादक" एल्गोरिदम (Di-PLS) का उपयोग करके, उन्होंने शोर के स्तर का सटीक अनुमान लगाने के लिए एक प्रणाली बनाई है, भले ही एयर कंडीशनर उन स्थितियों में चल रहा हो जिनका उसने पहले कभी अनुभव नहीं किया है। यह हर मौसम की स्थिति के लिए महंगे, कस्टम परीक्षणों की आवश्यकता के बिना, शांत और बेहतर एयर कंडीशनिंग सिस्टम बनाने की दिशा में एक बड़ा कदम है।