Les applications de l’intelligence artificielle aux installations frigorifiques

Lors de la conférence de l’IIF sur les propriétés thermophysiques et les processus de transfert des frigorigènes qui s'est tenue en septembre 2021 à Vicence, des chercheurs italiens ont présenté une évaluation des performances de 19 installations frigorifiques où des algorithmes basés sur l’intelligence artificielle ont été mis en œuvre. (1) 

 

L'intelligence artificielle (IA), y compris l'apprentissage automatique (ML), les réseaux de neurones artificiels (ANN) et l'apprentissage en profondeur (DL)  – qui sont des sous-domaines de l'IA – peuvent générer des avantages importants en termes d'exploitation et de maintenance des systèmes de froid et de conditionnement d’air. 

 

La détection et le diagnostic des défaillances (FDD) pour la maintenance prédictive et l'amélioration du fonctionnement des machines est l'une des applications de l'IA les plus étudiées dans ces domaines. À titre d’exemples concernant les défaillances prévisibles, les auteurs citent les défauts de charge de fluide frigorigène, en termes de surcharge ou de fuite/sous-charge, et les défaillances d'échangeurs de chaleur en termes d'encrassement, de débit massique de fluide secondaire et de réduction du transfert thermique. L'utilisation d'algorithmes d’IA plutôt que d'algorithmes basés sur la physique peut être intéressante si un temps de calcul réduit est nécessaire et si les effets cumulatifs opérationnels sont pris en compte à temps. La FDD permet une meilleure planification des opérations de maintenance afin d'éviter les pannes graves et de limiter les coûts liés aux pannes légères. 

 

L'IA est également de plus en plus utilisée pour la prédiction de la performance énergétique des équipements frigorifiques. La prévision des performances énergétiques est utile pour établir la stratégie de régulation optimale et maximiser les économies d'énergie. Par exemple, la prédiction du COP d'une pompe à chaleur géothermique avec un algorithme ANN utilisant la température du sol et la température d'entrée et de sortie de l'air du condenseur comme variables d'entrée, a entraîné une erreur de seulement 1 % entre le COP mesuré et le COP estimé. 

 

La commande prédictive est une application importante de l'IA. Grâce à leur simplicité et leur temps de calcul réduit, les algorithmes ANN peuvent être implémentés dans les principales cartes de commande des systèmes en fonctionnement en temps réel. Ces nouveaux systèmes de commande peuvent surmonter les limites des régulations thermostatiques et PID, largement utilisées, grâce à un temps de réponse inférieur pendant le fonctionnement transitoire, permettant ainsi de réaliser des économies d'énergie importantes. Les auteurs présentent, à titre d'exemple, la modélisation d'une installation à 4 refroidisseurs avec un algorithme à deux niveaux pour minimiser les coûts d'exploitation. Au premier niveau, un algorithme génétique est utilisé pour prédire le mode marche/arrêt du refroidisseur en fonction de la charge de refroidissement. Au deuxième niveau, l'optimisation par essaims particulaires est utilisée pour minimiser la consommation d'énergie du système en utilisant comme entrée principale la puissance de refroidissement, la différence de température de l'eau et l'enthalpie. Sur deux jours de fonctionnement, une économie d'énergie de 14 % a été réalisée ; de plus, grâce à une vitesse de calcul élevée, il est possible de mettre en œuvre cet algorithme pour contrôler l'ensemble de l'installation en temps réel. 

 

En revanche, peu de travaux ont été réalisés sur la prédiction de la formation de givre et sur les techniques d'optimisation de la commande de dégivrage, démontrant que ce domaine de recherche reste à explorer.

 

Tous les articles et les comptes-rendus de la conférence TPTPR de l'IIF peuvent être téléchargés en utilisant les liens suivants :

 

(1) Citarella B. et al, Use of Artificial Intelligence in the refrigeration field, IIR 2021 TPTR conference: lien.