Les applications de l’Intelligence Artificielle aux systèmes frigorifiques

Les auteurs espagnols d'un papier (1) présenté lors de la récente conférence CYTEF, coparrainée par l'IIF soulignent qu'au cours de la dernière décennie, le secteur industriel a connu une grande révolution en raison de l'adoption de nouvelles stratégies basées sur l'amélioration des technologies de l'information et de la communication (TIC) et la numérisation. Les nouvelles technologies telles que la virtualisation des systèmes, l'Internet des objets (IoT), le Big Data, le cloud computing ou l'intelligence artificielle (IA) ont façonné ce que l'on appelle l'industrie 4.0 ou la quatrième révolution industrielle. Toutes ces technologies supportent les trois bases fondamentales de l'Industrie 4.0 que sont l'interconnexion des systèmes et des appareils, l'acquisition massive de données et le traitement de ces informations.

 

L'IoT consiste en l'interconnexion de toutes sortes d'appareils et d'objets dans un réseau de données afin qu'ils puissent échanger des informations avec d'autres. Le big data est une technologie utilisée pour traiter de gros volumes d'informations. Grâce à des technologies telles que l'IoT, un volume croissant de données est disponible dans les industries. Toutes ces informations générées par les différents nœuds du réseau doivent être collectées et stockées de manière structurée pour analyse. 

 

Les algorithmes d'IA ont la capacité d'analyser de grandes quantités d'informations pour apprendre des données et utiliser ces connaissances pour effectuer certaines tâches sans avoir besoin de programmer explicitement chaque scénario possible. De cette manière, l'IA donne aux machines la capacité d'apprendre de manière autonome pour détecter des modèles et des tendances complexes dans les données, tirer des conclusions et agir en conséquence, tout comme le ferait un expert. 

 

La modélisation des systèmes frigorifiques repose principalement sur la résolution d'un problème mathématique dans lequel on cherche à optimiser un ou plusieurs paramètres du système en réduisant le coût d'une fonction objectif. Dans les problèmes d'efficacité énergétique, ces paramètres sont liés aux performances énergétiques du système telles que le coefficient de performance (COP) ou le taux d'efficacité énergétique (EER). Deux principaux types de modèles d’IA peuvent être distingués pour l'optimisation des systèmes frigorifiques : les modèles basés sur l'expérience et les modèles basés sur les données. 

 

Les modèles d'intelligence artificielle basés sur l'expérience ont la capacité d'établir des relations et de comprendre un système sur la base d'une connaissance préalable du système. Dans ce domaine, différentes techniques d’IA ont été utilisées avec succès pour résoudre des problèmes d'optimisation énergétique dans les systèmes de froid industriel. Certaines des méthodes les plus couramment utilisées sont la logique floue, les algorithmes génétiques, les systèmes experts et les méthodes d'optimisation stochastique. L'application de ces techniques de contrôle a permis de réaliser des économies d'énergie de plus de 30 % par jour. 

 

Les algorithmes d'intelligence artificielle basés sur les données ont la capacité de modéliser un système exclusivement basé sur la corrélation entre les données d'entrée et de sortie, sans aucune information ou connaissance préalable du système. Cet ensemble de techniques est connu sous le nom d'apprentissage automatique (ML) et parmi euxces techniques, figurent les réseaux de neurones artificiels (ANN). Les ANN sont de plus en plus utilisés dans la modélisation des systèmes de froid industriel, permettant de générer des économies d'énergie allant jusqu'à 17 %, selon les auteurs. 

 

Dans un papier (2) présenté lors de la dernière conférence TPTPR de l’IIF, des chercheurs italiens ont passé en revue les résultats pratiques de 19 travaux portant sur l'utilisation des algorithmes d'IA dans le secteur du froid. 

 

La détection et le diagnostic de pannes (FDD) grâce à l’apprentissage automatique est l'une des applications d'IA les plus étudiées. Prévoir le fonctionnement du système frigorifique permet de mieux programmer les opérations de maintenance pour éviter les défautsillances graves, qui surviennent brutalement et peuvent entraîner l'arrêt du système, et de limiter les coûts liés aux défautsillences légeèrers, qui entraînent une variation du cycle thermodynamique et donc une dégradation des performances du système. 

 

L'IA est également de plus en plus utilisée pour la prédiction de la performance énergétique et le contrôle des systèmes frigorifiques avec la possibilité d'améliorer les économies d'énergie en utilisant des approches de modélisation par boîte noire, calibrées sur des données provenant d'études de cas sur le terrain ou d'expériences en laboratoire. 

 

L'optimisation du dégivrage est un exemple significatif des avantages potentiels des algorithmes d'IA. Les auteurs donnent l'exemple d'un meuble de vente vertical ouvert pour lequel un algorithme ANN a été développé pour le processus de dégivrage. L'algorithme a été entraîné avec des données obtenues lors d'une campagne expérimentale, puis il a été utilisé pour optimiser les paramètres contrôlés de la durée de fonctionnement du système frigorifique, de la durée du dégivrage et de la vitesse de l'air et minimiser la consommation d'énergie du processus. Une réduction d'environ 27 % de la consommation totale d'énergie par rapport à la surface totale du meuble de vente a été obtenue. 

 

(1) Cerdán Cartagena F., Application of artificial intelligence to refrigeration systems. Voir dans FRIDOC. 

(2) Citarella B. et al, Use of artificial Intelligence in the refrigeration field. Voir dans FRIDOC.

 

Résultats de recherche sur le thème de l'IA dans FRIDOC