Detecting refrigerant leakage in a remote supermarket refrigeration system

Abstract

Denne oppgaven utforsker hvorvidt det er mulig å oppdage lekkasje av kjølemiddel i et sentralisert kjølesystem i en dagligvarebutikk. Sentralisert betyr at systemet er samlet rundt en enkel maskin som leverer og mottar kjølemiddel fra alle kjøleskap i butikken. Kjølemiddelet som er brukt er R744 (CO2), noe som ikke er sett i mange andre artikler i litteraturen vi har funnet i vårt litteraturstudie. For å kunne utforske dette problemet har vi samlet et originalt datasett som ikke har blitt brukt til dette formålet tidligere. Oppgaven inneholder en beskrivelse av datasettet, dets egenskaper, de spesifikke lekkasjene vi undersøker og problemer vi har oppdaget med datasettet. Å modellere hele systemet er upraktisk, gitt at det består av én maskin og 22 kjøleskap, derfor har vi valgt å undersøke hvorvidt det er mulig å oppdage lekkasjene ved å observere oppførselen til enkle kjøleskap og maskinen, hver for seg. Eksperimentene indikerer at lekkasjene kan bli oppdaget ved bruk av begge metodene, men det er klare problemer med å etablere fakta med datasettet og medfølgende dokumentasjon, noe som gjør det utfordrende å evaluere resultatene vi har anskaffet. I tillegg virker det som at relatert litteratur i lignende felt og domener ikke er anvendbare på dette problemet og datasettet, gitt at de fleste metodene som er funnet er veldig generelle og antar at man har et idéelt datasett. Totalt har vi utviklet fire baseline-metoder og syv eksperimenter, hvor to baselines og fire eksperimenter anvender kjøleskapsdata, mens to baselines og tre eksperimenter avnender maskindata. Ingen av eksperimentene kan identifisere alle fire lekkasjene som er dokumentert i datasettet, antakeligvis grunnet forskjellen i omfang og synlighet for hver lekkasje, samt utfordringer med merking av dataen. Det er tydelige indikasjoner for at fremtidig arbeid er påkrevd for å kunne definitivt svare på forskningsspørsmålene som er stilt, men vi har lagt anbefalinger for videre arbeid som tar stilling til manglene i vårt arbeid.

This thesis explores the viability of detecting refrigerant leakages in a remote supermarket refrigeration system. Remote denotes the system being centralized around a single refrigeration machine, that provides refrigerant to and receives refrigerant from all refrigeration cases. The system uses R744 (CO2) as its refrigerant, which is largely unseen in related literature identified in our structured literature review. To explore this problem, we have collected an original dataset that has not previously been used for leakage detection. The thesis includes a description of the dataset and its features, the specific leakage events that we are investigating, and the shortcomings of the dataset. As modeling the entirety of the system (one machine and 22 refrigeration cases) is impractical, we investigate whether leakages can be detected by observing the behavior of single refrigeration cases and the central refrigeration machine respectively. The experimental results show indications that leakages can be detected using both methods, however, there is a clear problem of establishing ground truth with the dataset and its documentation, which makes evaluating attained results difficult. In addition, the related literature, both on similar subjects and in similar domains, seems not to be usable for this system and dataset, as most methods are very general and expect an ideal dataset. In total, we have developed four baselines and seven experiments, of which two baselines and four experiments are applied to refrigeration case data, while two baselines and three experiments are applied to machine data. None of the experiments can consistently identify all four leakage events in the dataset, this is likely due to the difference of magnitude for each leakage, challenges with labeling, and general observability of each event. There are clear indications that further work is required to answer the research questions posed definitively, we have however made recommendations for future work that addresses the shortcomings of our work.