Συλλογή, επεξεργασία, ανάλυση και διαχείριση δεδομένων σε σύστημα ψύξης/ θέρμανσης

Δήμας, Γεώργιος

Data collection, processing, analysis and management in a cooling/ heating system

Διπλωματική εργασία

Author

Δήμας, Γεώργιος

Date

2024-10-11

Advisor

Pallis, Evangelos

Georgios-Dimas_Thesis-Final-signed.pdf (18.44Mb)

Keywords

Διαδίκτυο πραγμάτων ; Τεχνητή νοημοσύνη ; Μηχανική μάθηση ; Νευρωνικά δίκτυα μακράς βραχυπρόθεσμης μνήμης ; Συστήματα θέρμανσης ; Συστήματα ψύξης ; Θέρμανση ; Αερισμός ; Κλιματισμός ; Ψύξη ; Προγνωστική συντήρηση ; Συντήρηση ηλεκτρομηχανολογικών συστημάτων ; Μικροελεγκτής ESP-32 ; LSTM ; Internet of things ; ESP32 ; HVAC συστήματα ; Artificial intelligence

Abstract

Στην παρούσα διπλωματική εργασία σχεδιάστηκε και υλοποιήθηκε ένα σύστημα συλλογής, επεξεργασίας, ανάλυσης και διαχείρισης δεδομένων κλιματισμού, κάνοντας χρήση του «Διαδικτύου των Πραγμάτων» (Internet of Things – IoT), υπολογιστικών νεφών και μηχανισμών τεχνητής νοημοσύνης, με στόχο την πρόβλεψη δυσλειτουργιών, την αποφυγή βλαβών και την έγκαιρη αντικατάσταση ελλαττωματικών μηχανισμών σε συστήματα ψύξης/θέρμανσης. Πιο συγκεκριμένα, η συλλογή των δεδομένων πραγματοποιήθηκε μέσω αισθητήρων θερμοκρασίας και πίεσης σε επιλεγμένα σημεία ενός κλειστού κυκλώματος θέρμανσης, ενώ για την επεξεργασία τους σε τοπικό επίπεδο (τελική συσκευή – end device) χρησιμοποιήθηκε ο μικροελεγκτής ESP-32. Για την περαιτέρω επεξεργασία των δεδομένων, έγινε χρήση νεφοϋπολογιστικής υποδομής, η οποία επικοινωνούσε με την τελική συσκευή (ESP32) μέσω της τεχνολογίας Wi-Fi, κάνοντας χρήση του πρωτοκόλλου ανταλλαγής μηνυμάτων “MQTT”. Για την αποθήκευση των δεδομένων στο υπολογιστικό νέφος, σχεδιάστηκε και υλοποιήθηκε μια μη-σχεσιακή βάση δεδομένων - χρονοσειρών (NoSQL), ενώ για την περαιτέρω επεξεργασία και η ανάλυση τους έγινε χρήση αλγορίθμου τεχνητής νοημοσύνης και «Νευρωνικών Δικτύων Μακράς Βραχυπρόθεσμης Μνήμης» (LSTM Networks), με στόχο την έγκαιρη πρόβλεψη δυσλειτουργιών στο σύστημα ψύξης/θέρμανσης. Στα πλαίσια επικύρωσης της εγκυρότητας της προτεινόμενης αρχιτεκτονικής και της αξιολόγησης των επιδόσεων του συστήματος, μελετήθηκε και υλοποιήθηκε μοντέλο προσομοίωσης κτηριακού συστήματος θέρμανσης «δωμάτιο φούρνου», στο οποίο χρησιμοποιήθηκαν κατάλληλα αισθητήρια, τόσο βιομηχανικών όσο και οικιακών προδιαγραφών. Η καταγραφή της συμπεριφοράς του μοντέλου σε συνδυασμό με την εκπαίδευση του αλγορίθμου τεχνητής νοημοσύνης, επέτρεψε την βελτιστοποίηση του μηχανισμού πρόβλεψης ανωμαλιών και δυσλειτουργιών, συγκρίνοντας τις τρέχουσες τιμές με εκείνες προηγούμενων (γνωστών) καταστάσεων υγειούς λειτουργίας. Οι δοκιμές και τα πειραματικά αποτελέσματα ανέδειξαν το εύρος του πεδίου εφαρμογής του Διαδικτύου των Πραγμάτων και της τεχνητής νοημοσύνης σε συστήματα ψύξης/θέρμανσης, και επιβεβαίωσαν την αποτελεσματικότητα της προτεινόμενης προγνωστικής μεθόδου, αναδεικνύοντας την αξία της στην αποδοτική λειτουργία και την έγκαιρη διάγνωση προβλημάτων. Τέλος από τα συμπεράσματα της έρευνας και των δοκιμών, η διπλωματική προσδιορίζει πεδία έρευνας και ανάπτυξης, με στόχο την βέλτιστη λειτουργία της προτεινόμενης προσέγγισης.

Abstract

The aim of this diploma thesis was to design and implement a system for data collection, processing, analysis and management for HVAC platforms, by utilizing Internet of Things (IoT) technologies, cloud computing infrastructures and artificial intelligence mechanisms, towards predicting potential malfunctions, avoiding down-time periods, besides proactively replacing defective parts/equipment in Heating/Cooling systems. More specifically, the collection of the data was accomplished by exploiting temperature and pressure sensors in specific points of a closed loop heating system, while processing of the collected data was performed locally at the end device level by utilizing the ESP-32 microcontroller. For the next level of data processing, cloud computing utilities were taken into account by connecting the end device (ESP-32) to the internet via Wi-Fi, the message transmission protocol “MQTT” were used. For the storage of the data in the cloud computing infrastructure, it was design and implemented a non-relational - time based (NoSQL) data base engine. As a next level of processing and analysis, Artificial Intelligence took place by utilizing “Long Short Term Memory Neural Networks” (LSTM Networks), the point was to promptly predict malfunctions in a heating/cooling system. In the scope of confirming the validity of the recommended architecture and for evaluating the effective performance of the designed system, it was necessary to develop and construct a simulation model of a heating system for a building, “a room oven”. In the design model, proper sensors were used based on industrial and residential infrastructure standards. The logging of the behavior from the simulation model in combination with the training of the built artificial intelligence model, allowed the optimization of the machine failure prediction mechanism by comparing the live measured data to previous measurements of know healthy operations. The tests and the experiment results point out the big advantage of IoT and AI in the Heating/Cooling Systems (HVAC). Furthermore, the effectiveness of the recommended predictive maintenance approach was came out highly confirmed due to the important role of the accurate and quick prediction of malfunctions. Finally, as a result of the studying and the experiments, the conclusion of this thesis diploma pointed out the next steps of development, which aim to a more optimized performance of the predictive maintenance approach.