Zintegrowany system predykcji i detekcji usterek urządzeń chłodniczych z wykorzystaniem bezprzewodowych sensorów IoT i algorytmów sztucznej inteligencji

pol Artykuł w języku polskim DOI: 10.14313/PAR_259/45

wyślij Piotr Szydłowski *, Karol Zaręba *, Bartosz Kozłowski *, Piotr Andrzej Kowalski ** * Efento Sp. z o.o., ul. Przemysłowa 12, 30-701 Kraków ** Akademia Górniczo-Hutnicza, Wydział Fizyki i Informatyki Stosowanej, al. Mickiewicza 30, 30-059 Kraków

Pobierz Artykuł

Streszczenie

W artykule zaprezentowano kompleksowe podejście do projektowania i wdrażania systemu wykrywania oraz predykcji usterek urządzeń chłodniczych, opartego na bezprzewodowych sensorach Internetu Rzeczy i algorytmach sztucznej inteligencji. Zaproponowany system umożliwia wczesne wykrywanie awarii sprzętu chłodniczego, takich jak usterki wentylatorów, sprężarki czy sterownika, co w praktyce pozwala ograniczyć przestoje oraz zminimalizować straty wynikające z uszkodzeń urządzeń i przechowywanych w nich produktów. Rozwiązanie zrealizowano w architekturze rozproszonej, z przesyłem danych pomiarowych do chmury obliczeniowej, gdzie odbywa się ich analiza. Do opracowania modeli diagnostycznych użyto różnych sieci neuronowych, a najlepsze wyłoniono na podstawie analizy skuteczności klasyfikacyjnej i wydajności obliczeniowej. System składa się z klasyfikatora ogólnego wykrywającego odstępstwa od normalnej pracy oraz zestawu detektorów przypisanych konkretnym typom usterek. Przeprowadzone testy na danych rzeczywistych oraz symulowanych potwierdziły wysoką skuteczność detekcji – dokładność klasyfikatora ogólnego i detektorów dedykowanych przekroczyła 98 % w większości scenariuszy. Artykuł kończy się wskazaniem możliwych kierunków dalszego rozwoju, w tym adaptacji systemu do innych klas urządzeń oraz optymalizacji liczby sensorów w celu redukcji kosztów wdrożenia.

Słowa kluczowe

internet rzeczy, predykcyjne utrzymanie ruchu, sensory bezprzewodowe, sztuczna inteligencja, urządzenia chłodnicze

Integrated System for Fault Prediction and Detection in Refrigeration Equipment Based on Wireless IoT Sensors and Artificial Intelligence Algorithms

Abstract

This paper presents a comprehensive approach to the design and implementation of a system for fault detection and prediction in refrigeration equipment, based on wireless Internet of Things sensors and artificial intelligence algorithms. The proposed system enables early identification of the most common refrigeration equipment failures, such as fan, compressor, or controller malfunctions, which in practice helps to reduce downtime and minimize losses resulting from
equipment damage and spoiled products. The solution is implemented in a distributed architecture, with measurement data transmitted to a cloud platform for analysis. Various types of neural networks were employed to develop diagnostic models, and the most effective ones were selected based on classification accuracy and computational efficiency. The system consists of a general classifier for detecting deviations from normal operation and a set of dedicated detectors assigned to specific types of faults. Tests conducted on both real and simulated datasets confirmed high detection effectiveness – the accuracy of the general classifier and dedicated detectors exceeded 98 % in most scenarios. The paper concludes by outlining potential directions for further development, including system adaptation to other classes of devices and optimization of the number of sensors to reduce implementation costs.

Keywords

artificial intelligence, Internet of Things, predictive maintenance, refrigeration equipment, wireless sensors

Bibliografia

  1. Killeen P., Ding B., Kiringa I., Yeap T., IoT-based predictive maintenance for fleet management, “Procedia Computer Science”, Vol. 151, 2019, 607–613, DOI: 10.1016/j.procs.2019.04.184.
  2. Shamayleh A., Awad M., Farhat J., IoT Based Predictive Maintenance Management of Medical Equipment, “Journal of Medical Systems”, Vol. 44, 2020, DOI: 10.1007/s10916-020-1534-8.
  3. Mourtzis D., Angelopoulos J., Panopoulos N., Design and development of an IoT enabled platform for remote monitoring and predictive maintenance of industrial equipment, “Procedia Manufacturing”, Vol. 54, 2021, 166–171, DOI: 10.1016/j.promfg.2021.07.025.
  4. Civerchia F., Bocchino S., Salvadori C., Rossi E., Maggiani L., Petracca M., Industrial Internet of Things monitoring solution for advanced predictive maintenance applications, “Journal of Industrial Information Integration”, Vol. 7, 2017, 4–12, DOI: 10.1016/j.jii.2017.02.003.
  5. Bousdekis A., Apostolou D., Mentzas G., Predictive Maintenance in the 4th Industrial Revolution: Benefits, Business Opportunities, and Managerial Implications, “IEEE Engineering Management Review”, Vol. 48, No. 1, 2020, 57-62, DOI: 10.1109/EMR.2019.2958037.
  6. Nunes P., Santos J., Rocha E., Challenges in predictive maintenance – A review, “CIRP Journal of Manufacturing Science and Technology”, Vol. 40, 2023, 53–67, DOI: 10.1016/j.cirpj.2022.11.004.
  7. Sakib N., Wuest T., Challenges and Opportunities of Condition-based Predictive Maintenance: A Review, “Procedia CIRP”, Vol. 78, 2018, 267–272, DOI: 10.1016/j.procir.2018.08.318.
  8. Yao Y., Sharma A., Golubchik L., Govindan R., Online anomaly detection for sensor systems: A simple and efficient approach, “Performance Evaluation”, Vol. 67, No. 11, 2010, 1059–1075, DOI: 10.1016/j.peva.2010.08.018.
  9. Ge M., Bangui H., Buhnova B., Big Data for Internet of Things: A Survey, “Future Generation Computer Systems”, Vol. 87, 2018, 601–614, DOI: 10.1016/j.future.2018.04.053.
  10. Rondón R., Gidlund M., Landernäs K., Evaluating Bluetooth Low Energy Suitability for Time-Critical Industrial IoT Applications, “International Journal of Wireless Information Networks”, Vol. 24, 2017, 278–290, DOI: 10.1007/s10776-017-0357-0.
  11. Singh Bali M., Gupta K., Kour Bali K., Singh P., Towards energy efficient NB-IoT: A survey on evaluating its suitability for smart applications, “Materials Today: Proceedings”, Vol. 49, Part 8, 2022, 3227–3234, DOI: 10.1016/j.matpr.2020.11.1027.
  12. Kattenborn T., Leitloff J., Schiefer F., Hinz S., Review on Convolutional Neural Networks (CNN) in vegetation remote sensing, “ISPRS Journal of Photogrammetry and Remote Sensing”, Vol. 173, 2021, 24–49, DOI: 10.1016/j.isprsjprs.2020.12.010.
  13. Medsker L.R., Jain L.C., Recurrent neural networks Design and Applications, CRC Press, 2001, DOI: 10.5555/553011.
  14. Sherstinsky A., Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network, “Physica D: Nonlinear Phenomena”, Vol. 404, 2020, DOI: 10.1016/j.physd.2019.132306.
  15. Nosouhian S., Nosouhian F., Kazemi Khoshouei A., A Review of Recurrent Neural Network Architecture for Sequence Learning: Comparison between LSTM and GRU, “Preprints”, 2021, DOI: 10.20944/preprints202107.0252.v1.
  16. Bejani M.M., Ghatee M., A systematic review on overfitting control in shallow and deep neural networks, “Artificial Intelligence Review”, Vol. 54, No. 8, 2021, 6391–6438, DOI: 10.1007/s10462-021-09975-1.
  17. Schaffer C., Selecting a classification method by cross-validation, “Machine Learning”, Vol. 13, 1993, 135–143, DOI: 10.1007/BF00993106.
  18. Maxwell A.E., Warner T.A., Guillén L.A., Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies—Part 1: Literature Review, “Remote Sensing”, Vol. 13, No. 13, 2021, DOI: 10.3390/rs13132450.
  19. Kokosiński Z., Szydłowski P., Kozłowski B., Data-Driven Detection and Prediction of Refrigeration Equipment Failures Using Rough Sets Theory and the Internet of Things, “Processes”, Vol. 13, 2025, 3618, DOI: 10.3390/pr13113618