Sviluppo di un digital twin di una pompa di calore finalizzato alla manutenzione predittiva

In the current industrial scenario the pursuit of advanced methods to optimize maintenance and enhance machine performance has become crucial. In this context digital twins present themselves as an innovative and promising solution. These digital replicas, by virtually replicating the behavior of a physical system, offer an effective means to monitor, diagnose, and predict the operation of complex machinery such as heat pumps. The digital twin implemented in this Thesis consists of a virtual model of the machine capable of detecting operational anomalies by comparing the actual operating condition with that predicted by the model. To achieve this result a hybrid approach was adopted, combining the creation of a model based on the physical laws of the heat pump with the use of this model to generate a database for training a neural network. In doing so, the digital twin is interpretable, accurate, and computationally fast. Subsequently a model was developed to predict the percentage of refrigerant discharge based on machine learning algorithms. Finally a user interface was created using the Matlab "App Designer" application to simplify the use of the digital twin and visually display detected anomalies. Experimental tests were conducted during which the heat pump was tested by varying operational conditions within its operating range and progressively reducing the refrigerant charge. The results show how it was possible to develop an accurate digital twin even in the absence of historical or real-time data. Specifically, temperatures are estimated with an error below 3.1K, pressures with an error below 0.95bar, or 5.2\% in relative terms, power exchanged in the evaporator with an error of 960W, or 6.9\% in relative terms, while absorbed power with an error of 195W, or 5.5\% in relative terms. The methodologies employed for conducting experimental tests have proven effective in balancing costs with the necessary information for building a reliable model. Finally the developed graphical visualization offers a clear and immediate representation of the impact of operational anomalies, providing operators with an effective tool to make informed decisions and improve the efficiency and reliability of the heat pump.

Nell'attuale scenario industriale la ricerca di metodi avanzati per ottimizzare la manutenzione e migliorare le prestazioni delle macchine è diventata cruciale. In questo contesto i digital twin si presentano come soluzione innovativa e promettente. Questi gemelli digitali, replicando virtualmente il comportamento di un sistema fisico, offrono un mezzo efficace per monitorare, diagnosticare e prevedere il funzionamento di macchinari complessi come le pompe di calore. Il gemello digitale implementato in questa Tesi consiste in un modello virtuale della macchina, capace di individuare anomalie di funzionamento confrontando la reale condizione operativa con quella predetta dal modello. Per ottenere questo risultato, è stato adottato un approccio ibrido che combina la creazione di un modello basato sulle leggi fisiche della pompa di calore con l'utilizzo di questo modello per generare un database per l'addestramento di una rete neurale. Così facendo il gemello digitale risulta interpretabile, accurato e computazionalmente veloce. Successivamente, è stato sviluppato un modello per prevedere la percentuale di scarica di refrigerante basato su algoritmi di machine learning. Infine, è stata creata un'interfaccia utente tramite l'applicazione Matlab "App Designer" per semplificare l'utilizzo del gemello digitale e visualizzare graficamente le anomalie rilevate. Sono state condotte delle prove sperimentali durante le quali la pompa di calore è stata testata variando le condizioni operative all'interno del suo campo di funzionamento e riducendo progressivamente la carica di refrigerante. I risultati mostrano come sia stato possibile sviluppare un gemello digitale accurato anche in assenza di dati storici o in tempo reale. Nello specifico le temperature vengono stimate con un errore sempre inferiore a 3.1K, le pressioni con un errore sempre inferiore a 0.95bar, ossia in termini relativi 5.2\%, la potenza resa all’evaporatore con un errore pari a 960W, ossia in termini relativi 6.9\%, mentre la potenza assorbita con un errore pari a 195W, ossia in termini relativi 5.5\%. Le metodologie messe in atto per la conduzione delle prove sperimentali hanno dimostrato di essere efficaci nel bilanciare i costi con le informazioni necessarie per la costruzione di un modello affidabile. Infine, la visualizzazione grafica sviluppata offre una chiara e immediata rappresentazione dell’impatto delle anomalie di funzionamento, fornendo agli operatori uno strumento efficace per prendere decisioni informate e migliorare l’efficienza e l’affidabilità della pompa di calore.