Heat pump and refrigeration systems consume a large amount of energy, and faults in these systems can cause significant wasted energy, so it is important to perform predictive maintenance for them. We propose a predictive maintenance approach that monitors isentropic efficiency in compressors based on historical data and machine learning. The results of monitoring can be used to detect faults in the systems. We predict the isentropic efficiency and compare it with the measured value to detect a fault, which is viewed as the difference between prediction and measurement. The difference implies that the current pattern of the system operation is different from the pattern of the time when historical data were collected. Isentropic efficiency is selected as an indicator that characterizes the operating conditions of compressors, using suitable feature variables for isentropic efficiency prediction. Real data of representative systems are selected for validation. Different structures and optimizers of neural networks are designed and validated. Results show that such models can accurately predict the isentropic efficiency and exhibit better performance than linear models and support vector regression. The problem of an imbalanced dataset is also studied. A Gaussian Mixture Model is used to analyse the distribution of historical data. A method is proposed that decides whether the model should be updated with new data when the distribution of input data has changed. It is assumed that if a proportion of new data proves that the system is fault-free and the rest of the data follow a different distribution and thus cannot provide persuasive results, the system is fault-free for the whole period. The model of one system is also applied on another similar system, in order to investigate the generalization performance of the model.

Värmepumpar och kylsystem förbrukar en stor mängd energi, och fel i dessa system kan orsaka betydande slöseri med energi, så det är viktigt att utföra förebyggande underhåll för dem. Vi föreslår en metod för prediktivt underhåll som övervakar isentropisk effektivitet i kompressorer baserat på historiska data och maskininlärning. Resultaten av övervakningen kan användas för att upptäcka fel i systemen.

Vi predikterar den isentropiska verkningsgraden och jämför den med det uppmätta värdet för att upptäcka ett fel, vilket ses som skillnaden mellan prediktion och mätning. Skillnaden innebär att det aktuella mönstret för systemdriften skiljer sig från mönstret vid den tidpunkt då historiska data samlades in. Isentropisk verkningsgrad väljs som en indikator som karakteriserar driftsförhållandena för kompressorer, med hjälp av lämpliga egenskapsvariabler för isentropisk effektivitetsförutsägelse. Verkliga data från representativa system väljs ut för validering. Olika strukturer och optimerare av neurala nätverk designas och valideras. Resultaten visar att sådana modeller kan förutsäga den isentropiska effektiviteten och uppvisa bättre prestanda än linjära modeller och stödja vektorregression. Problemet med ett obalanserat dataset studeras också.

En Gaussisk blandningsmodell används för att analysera fördelningen av historiska data. En metod föreslås som avgör om modellen ska uppdateras med nya data när fördelningen av indata har förändrats. Det antas att om en andel nya data visar att systemet är felfritt och resten av data följer en annan fördelning och därmed inte kan ge övertygande resultat, är systemet felfritt under hela perioden. Modellen för ett system tillämpas också på ett annat liknande system, för att undersöka modellens generaliseringsprestanda.