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

Het Grote Plaatje: De "Zoem" van een Airconditioner Voorspellen

Stel je voor dat je een high-tech airconditioner hebt (specifiek een VRF-unit) die een heel gebouw van energie voorziet. Daarin zit een twin-rotary compressor die fungeert als het hart van het systeem. Wanneer dit hart slaat, maakt het een specifieke laagfrequente "zoem" (de 2f-ruis genoemd).

Het probleem is dat deze zoem zijn volume en toon verandert afhankelijk van hoe hard de airconditioner werkt. Als het buiten vriest, of als de kleppen erin anders openen en sluiten, verandert de "zoem". Proberen exact te voorspellen hoe luid het zal zijn met oude natuurkundige formules is als proberen het weer in een nieuwe stad te raden door alleen naar het weer in je eigen stad te kijken; het faalt vaak omdat de omstandigheden te verschillend zijn.

De Oplossing: Een Slimme "Vertaler" (Transfer Learning)

De onderzoekers wilden een computermodel bouwen dat dit ruisvolume nauwkeurig kon voorspellen, zelfs wanneer de airconditioner in een volledig nieuwe situatie draait die het nog nooit heeft gezien.

Ze gebruikten een techniek genaamd Transfer Learning. Denk hierbij aan het volgende:

• De Oude Manier (Standaard PLS): Stel je voor dat je een kok bent die perfect soep heeft leren koken in een keuken met een gaskachel. Als je plotseling in een keuken met een elektrische kachel moet koken, kan je oude recept falen omdat de warmtebron anders is.
• De Nieuwe Manier (Di-PLS): Dit is als een "Meesterkok-Vertaler". Het leert de essentie van wat de soep lekker maakt (de kerningrediënten en technieken) in plaats van alleen de specifieke kachelinstellingen te onthouden. Het kan die kernlessen dan perfect aanpassen aan de nieuwe elektrische kachel, zelfs als de warmteverdeling totaal anders is.

In het artikel is deze "Vertaler" een algoritme genaamd Domain-invariant Partial Least Squares (Di-PLS). Het kijkt naar data van bekende situaties (de "Bron") en leert hoe het die kennis kan toepassen op onbekende situaties (de "Doel") zonder in de war te raken door de verschillen.

De Twee Ingrediënten: Temperatuur versus Trillingen

Om hun model te leren, gebruikten de onderzoekers twee verschillende soorten "aanwijzingen" (inputs):

1. Thermodynamische Signalen (De "Temperatuurkaart"): Dit zijn metingen van warmte, druk en koelmiddelvloeistof. Het is als kijken naar een weerkaart.
2. Trillingssignalen (Het "Schudden"): Dit zijn metingen van hoe hard de metalen onderdelen van de machine trillen. Het is als voelen hoe de vloer trilt wanneer een zware vrachtwagen voorbijrijdt.

Het Experiment: De "Laat-Eén-Voorbij"-Test

De onderzoekers testten hun model met een strategie genaamd "Leave-One-Condition-Out".
Stel je voor dat je 19 verschillende scenario's hebt (zoals 19 verschillende dagen met verschillende temperaturen en klepinstellingen). Je traint het model op 18 ervan, en vraagt het dan om de ruis te voorspellen voor de 19e die het nooit heeft gezien. Vervolgens wissel je ze om en doe je dit opnieuw voor elk enkel scenario. Dit bewijst of het model echt slim is of alleen de antwoorden uit het hoofd leert.

De Resultaten: Waarom "Schudden" Won

Hier is wat ze ontdekten:

• De "Temperatuurkaart" (Thermodynamica) Had Moeite: Wanneer de airconditioner in een vreemde staat verkeerde (zoals wanneer een klep volledig gesloten was of automatisch aanpaste), werden de temperatuuraanwijzingen verwarrend. Het model raakte de weg kwijt. Het was als proberen een stad te navigeren met een kaart die alleen werkt op zonnige dagen; als het regent, is de kaart nutteloos. De voorspellingen waren vaak erg onnauwkeurig.
• Het "Schudden" (Trillingen) Was Succesvol: De trillingssignalen waren de winnaars. Het maakt niet uit hoe de kleppen bewogen of hoe de temperatuur veranderde, de fysieke trilling van de machine bleef een betrouwbare aanwijzing.
  • De Analogie: Als je wilt weten hoe luid een trommel is, hoef je de luchtvochtigheid in de kamer niet te kennen (thermodynamica); je hoeft alleen maar te voelen hoe hard de trommelstok op het vel slaat (trilling). De trilling is de directe oorzaak van het geluid.
  • De Score: Het op trillingen gebaseerde model met de "Vertaler" (Di-PLS) was ongelooflijk nauwkeurig. Het voorspelde het geluidsniveau binnen 3 decibel (een zeer kleine foutmarge) voor bijna elke testcase. In feite was het zo goed dat 99,6% van zijn voorspellingen binnen die kleine 3 dB-marge lag.

De "Klep Gesloten"-Testcase

Om het model echt op de proef te stellen, keken ze naar een specifiek scenario waarbij de "dampinjectie"-klep volledig gesloten was. Dit veranderde het hele interne mechanisme van de compressor.

• Het Oude Model: Faalde volledig. Het was als een kok die probeerde een cake te bakken zonder oven. De fout was enorm.
• Het Nieuwe Model (Di-PLS): Werkte nog steeds perfect. Omdat het de fundamentele relatie had geleerd tussen hoe het metaal trilt en het geluid dat het maakt, gaf het er niets om dat het interne "recept" was veranderd. Het kon de trilling nog steeds "vertalen" naar de juiste ruisvoorspelling.

De Conclusie

Het artikel concludeert dat als je het geluid van deze complexe airconditioners wilt voorspellen, je niet alleen naar temperatuur en druk moet kijken. Luister in plaats daarvan naar de trillingen.

Door hun slimme "Vertaler"-algoritme (Di-PLS) toe te passen op trillingsdata, hebben ze een systeem gecreëerd dat geluidsniveaus nauwkeurig kan voorspellen, zelfs wanneer de airconditioner draait onder omstandigheden die het nog nooit heeft ervaren. Dit is een grote stap voorwaarts voor het maken van stillere, betere airconditioningsystemen zonder dat er voor elke enkele weersomstandigheid dure, maatwerktests nodig zijn.