Physical and data-driven modeling of heat pump circuit in household tumble dryers

The scope of this thesis is to develop a dynamic model for the vapor compression system of a heat pump tumble dryer, to be used for control purpose. In the first part of the thesis it is presented the development and simulation of a first principles modeling framework for the heat pump tumble dryer, where the thermodynamic laws of the drying cycle process have been studied and used to build the model. The work is focused to the heat pump, that is the most challenging part to be modelled of the entire tumble dryer. The main components (compressor, valve, condenser and evaporator) are singularly modelled and implemented in MATLAB/Simulink environment; the results are then validated with the available data measurements. In order to overcome the difficulties of the complex physical system, a data-driven approach emerges as a valuable solution. An introduction to neural networks (NN) is provided, recalling the different types existing, the architecture of a singular neuron, the learning algorithm and the issues that may occur during their training. The networks employed in this work are the Long Short-Term Memory networks, particular recurrent NN used for modelling systems with long dependencies on time. An explanation on the LSTM architecture is presented, showing the working principle and the mathematical expressions related to the LSTM cell. A section is dedicated to the variables selection for the identification process, where the results obtained are reported and compared with data. After the section describing the modeling based on neural networks, there is a brief section where black box identification is performed using a linear model.

Questo elaborato di tesi ha come obbiettivo la modellizzazione matematica del ciclo a compressione di vapore in un'asciugatrice a pompa di calore per uso domestico. La prima parte riguarda lo sviluppo di un modello fisico della pompa di calore, in cui vengono applicate le leggi della termodinamica del ciclo di compressione del vapore e dell'aria umida. Viene riportata un introduzione teorica, richiamando i concetti di termodinamica e scambio di calore che interessano il sistema. I principali elementi che compongono la pompa di calore, ovvero il compressore, la valvola, l'evaporatore e il condensatore, sono modellizzati singolarmenti e implementati in ambiente Matlab/Simulink con l'obbiettivo di valutarne l'efficacia, validandoli su dati misurati sperimentalmente.\\ Al fine di superare le difficoltà del modello fisico, nella seconda sezione viene proposto un modello data-driven. Inizialmente è presentata un'introduzione alle reti neurali, fornendo una panoramica sulle diverse tipologie esistenti; successivamente, viene approfondita la struttura di un singolo neurone, e riportato l'algoritmo di apprendimento della rete con i potenziali rischi che possono presentarsi durante la fase di training. In questa tesi vengono impiegate le reti LSTM (Long short-term memory), particolari reti ricorsive utilizzate per identificare sistemi con lunga dipendenza nel tempo. Un'introduzione alle reti LSTM è inizialmente fornita, mostrando i prinicipi operativi della rete, l'algoritmo di apprendimento e le relazioni matematiche alla base di una singola cella. Una sezione è dedicata alla selezione delle variabili input/output da utilizzare per l'identificazione, riportando successivamente i risultati ottenuti sul sistema in esame. Una breve sezione è inoltre dedicata all'identificazione black-box del sistema attraverso un modello lineare ARX.