DE112022000558T5

DE112022000558T5 - Klimaanlagensteuerungssystem und -verfahren mit künstlicher intelligenz unter verwendung eines interpolationsverfahrens

Info

Publication number: DE112022000558T5
Application number: DE112022000558.0T
Authority: DE
Inventors: Wonshick KO; Jeong Hoon Lee; Joong Jae Kim
Original assignee: Hanon Systems Corp
Current assignee: Hanon Systems Corp
Priority date: 2021-04-12
Filing date: 2022-03-08
Publication date: 2023-11-23
Also published as: KR20220141086A; WO2022220407A1; US20240117985A1

Abstract

Die vorliegende Erfindung bezieht sich auf ein Klimaanlagensteuerungssystem und - verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation. Die vorliegende Erfindung stellt ein Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation bereit, die in der Lage sind, einen optimalen Steuerwert durch Schätzen des gewünschten Klimaanlagensollwerts vermittels Interpolation auf den Ausgangswerten aus dem Training lediglich auf minimalen Klimaanlagendaten resultierend anzufahren.

Description

[Technisches Gebiet]
Die vorliegende Erfindung betrifft ein Klimaanlagensystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation, und insbesondere ein Klimaanlagensystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation, die in der Lage sind, eine Lernzeit und Konvergenz des Lernalgorithmus zu verbessern, indem mit minimalen Klimasteuerungsdaten trainiert wird und eine Interpolation an den Ausgangssteuerungswerten durchgeführt wird, um die optimalen Steuerungswerte für die gewünschten Klimaanlagensollwerte schnell zu schätzen.
[Technischer Hintergrund]
Eine Fahrzeugklimaanlage ist ein Gerät, welches die Luft kühlt oder erwärmt und im Fahrzeuginneren umwälzt, indem es Außenluft in den Fahrzeuginnenraum leitet oder die Luft im Innenraum umwälzt, um für Kühlung oder Heizung zu sorgen. In letzter Zeit werden Technologien zur automatischen Steuerung der Klimaanlage entwickelt, um die Konzentration des Fahrers während der Fahrt zu verbessern.
Obwohl es eine Entwicklung von Technologien gibt, insbesondere unter Verwendung von Techniken der künstlichen Intelligenz, um Steuerwerte auszugeben, die den gewünschten Klimatisierungsleistungsfaktor auf Grundlage der aktuellen Zustandsinformationen der Klimatisierungsleistungsfaktoren unter verschiedenen Umgebungsbedingungen folgen, stellen die große Bandbreite der Umgebungsbedingungen, die von unter -10 Grad Celsius bis über 30 Grad Celsius reichen, und die Bandbreite der vom Fahrer (oder den Fahrgästen) eingegebenen Ziel-Klimatisierungsleistungsfaktoren mit so kleinen Schritten wie 0.5 Grad Celsius, je nach den Einstellungen des Fahrzeugs, stellen eine Herausforderung bei der Generierung von Trainingsdaten für alle möglichen Szenarien dar, solange die Klimabedingungen nicht die Durchschnittstemperatur während des ganzen Jahres beibehalten, was zu einer langen und kostspieligen Vorbereitungs- und Verarbeitungszeit für das Training führt, obwohl eine hohe Genauigkeit der Ausgabewerte (Tracking-Werte/Steuerwerte) erreicht wird.
Diesbezüglich offenbart die koreanische Patentveröffentlichung Nr. 10-2019-0112681 (Vorrichtung und Verfahren zur Steuerung der Klimaanlage eines Fahrzeugs) ein Verfahren zum Betrieb einer Fahrzeug-Klimaanlagensteuerung durch die Ausführung von Algorithmen der künstlichen Intelligenz und maschinellen Lernverfahren.
[Dokumente des Stands der Technik]
[Patentdokument]
Koreanische Patentveröffentlichung Nr. 10-2019-0112681 (07.10.2019.)
[Offenbarung]
[Technisches Problem]
Die vorliegende Erfindung wurde entwickelt, um die Nachteile der oben beschriebenen Technologien aus dem Stand der Technik zu beheben, und es ist eine Aufgabe der vorliegenden Erfindung, eine Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation bereitzustellen, die in der Lage, die Lernzeit und Konvergenz des Lernalgorithmus durch Training mit minimalen Klimaanlage-Steuerdaten und Durchführung von Interpolation auf den Ausgabesteuerwerten zu verbessern, um die optimalen Steuerwerte für die gewünschte Klimaanlagen-Sollwerte schnell zu schätzen.
[Technische Lösung]
Um die obige Aufgabe zu lösen, umfasst ein Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß der vorliegenden Erfindung eine erste Eingabeeinheit 100, die Leistungsfaktor-Soll-Informationen für die Klimaanlagensteuerung durch externe Eingabe erfasst, eine zweite Eingabeeinheit 200, die Leistungsfaktor-Ist-Informationen von einem vorgeschalteten Klimaanlagensystem erfasst, eine Steuereinheit, die eine Vielzahl von Lernmodelleinheiten mit künstlicher Intelligenz 310 aufweist, die mit unterschiedlichen externen Umgebungsbedingungen konfiguriert sind und anfängliche Steuerwerte ausgeben, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 den Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 auf Grundlage der konfigurierten externen Umgebungsbedingungen folgen, und eine Interpolationseinheit 400, welche die anfänglichen Steuerwerte, die von den Lernmodelleinheiten 310 mit künstlicher Intelligenz erzeugt wurden, von der Steuereinheit empfängt, um eine Interpolationsfunktion zu erzeugen, und die einen finalen Steuerwert erzeugt, indem sie eine aktuelle externe Umgebungsbedingung, die in Echtzeit eingegeben wird, auf die Interpolationsfunktion anwendet, wobei die Interpolationseinheit 400 den finalen Steuerwert bevorzugt an das Klimaanlagensystem für die Klimatisierung mit künstlicher Intelligenz überträgt.
Zudem umfasst die Steuereinheit bevorzugt ferner eine lernende bzw. Lern-Verarbeitungseinheit 320, welche die Leistungsfaktor-Soll-Informationen und die Leistungsfaktor-Ist-Informationen, die auf Grundlage von externen Umgebungsbedingungen verschiedener vorbestimmter Temperaturen in Verbindung mit einer zuvor ausgeführten Klimaanlagensteuerung gesammelt werden, unter Verwendung eines vorbestimmten KI-Algorithmus trainiert, externe Umgebungsbedingungen-spezifische Lernmodelle der künstlichen Intelligenz erzeugt und die Lernmodelle der künstlichen Intelligenz an die Lernmodelleinheit 310 überträgt.
Zudem setzt die Lern-Verarbeitungseinheit 320 bevorzugt Intervalle für die gesammelten Leistungsfaktor-Soll-Informationen, die mit der zuvor ausgeführten Klimaanlagensteuerung verbunden sind, innerhalb vorbestimmter Bereiche und legt einen Mittelpunkt oder einen spezifischen Wert für jedes Intervall als repräsentative Soll-Informationen fest, setzt Intervalle für die gesammelten Leistungsfaktor-Ist-Informationen, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet sind, innerhalb vorbestimmter Bereiche und legt einen Mittelpunkt oder einen spezifischen Wert für jedes Intervall als repräsentative Zustandsinformationen fest, erzeugt Trainingsdaten, indem die eingestellten repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen und Steuerwerte, die den repräsentativen Soll-Informationen und Zustandsinformationen entsprechen, abgeglichen werden, und führt den Trainingsprozess der Trainingsdaten unter Verwendung des vorbestimmten KI-Algorithmus auf Grundlage verschiedener vorbestimmter Temperaturwerte der äußeren Umgebungsbedingungen durch.
Zudem empfängt die Lernmodelleinheit 310 mit künstlicher Intelligenz bevorzugt die externen Umgebungsbedingungen verschiedener vorbestimmter Temperaturen als Referenzlernmodelle auf Grundlage des Trainingsverarbeitungsergebnisses von der Lernverarbeitungseinheit 320 und gibt die anfänglichen Steuerwerte aus, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 den Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 folgen, indem sie die für jedes Lernmodell spezifischen externen Umgebungsbedingungen widerspiegeln.
Zudem wählt die Lernmodelleinheit 310 mit künstlicher Intelligenz bevorzugt ein Intervall aus, das der Leistungsfaktor-Soll-Information von der ersten Eingabeeinheit 10 entspricht, sowie ein Intervall aus, das der Leistungsfaktor-Ist-Information von der zweiten Eingabeeinheit 200 entspricht, indem sie die von der Lernverarbeitungseinheit 320 eingestellten Bereiche widerspiegelt, und gibt die anfänglichen Steuerwerte aus, indem sie spezifische Ergebnisinformationen auf jedes Lernmodell anwendet.
Zudem erzeugt die Interpolationseinheit 400 bevorzugt eine Interpolationsfunktion für die anfänglichen Steuerwerte unter Verwendung eines vorgegebenen Interpolationsalgorithmus und wendet eine aktuelle externe Umgebungsbedingung, die in Echtzeit eingegeben wird, auf die Interpolationsfunktion an, um den finalen Steuerwert zu erzeugen.
Um die obige Aufgabe zu lösen, umfasst ein Verfahren zur Steuerung von Klimaanlagen mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß der vorliegenden Erfindung einen Zieleingabeschritt S 100, der durch eine erste Eingabeeinheit Leistungsfaktor-Soll-Informationen für die Steuerung von Klimaanlagen durch externe Eingabe erfasst, einen Zustandseingabeschritt S200, der durch eine zweite Eingabeeinheit Leistungsfaktor-Ist-Informationen von einer vorgeschalteten Klimaanlage erfasst, einen Zustands-Eingabeschritt S200, der durch eine zweite Eingabeeinheit Leistungsfaktor-Ist-Informationen von einer vorgeschalteten Klimaanlage erfasst, einen KI-Steuerschritt S300, der anfängliche Steuerwerte ausgibt, die es den Leistungsfaktor-Ist-Informationen ermöglichen, den Leistungsfaktor-Soll-Informationen zu folgen, indem die im Zieleingabeschritt S100 erfassten Leistungsfaktor-Soll-Informationen und die im Zustands-Eingabeschritt S200 erfassten Leistungsfaktor-Ist-Informationen eingegeben werden, einen finalen Steuerungsschritt S400, der durch eine Interpolationseinheit einen finalen Steuerungswert erzeugt, indem eine aktuelle externe Umgebungsbedingung, die in Echtzeit eingegeben wird, auf eine Interpolationsfunktion angewendet wird, die unter Verwendung der anfänglichen Steuerungswerte aus dem KI-Steuerungsschritt S300 erzeugt wird, und einen Klimaanlagensteuerungsschritt S500, der durch die Interpolationseinheit eine Klimatisierung mit künstlicher Intelligenz durchführt, indem der finale Steuerungswert, der in dem finalen Steuerungsschritt S400 erzeugt wird, an das Klimaanlagensystem gesendet wird.
Zudem umfasst der KI-Steuerungsschritt S300 bevorzugt einen Lernverarbeitungsschritt S310, der externe Umgebungsbedingungen-spezifische Lernmodelle der künstlichen Intelligenz erzeugt, indem die Leistungsfaktor-Soll-Informationen und die Leistungsfaktor-Ist-Informationen, die mit den Leistungsfaktor-Soll-Informationen übereinstimmen, trainiert werden, die auf Grundlage externer Umgebungsbedingungen verschiedener vorbestimmter Temperaturen in Verbindung mit einer zuvor ausgeführten Klimaanlagensteuerung unter Verwendung eines vorbestimmten KI-Algorithmus gesammelt werden.
Zudem umfasst der Lernverarbeitungsschritt S310 bevorzugt das Einstellen von Intervallen für die gesammelten Leistungsfaktor-Soll-Informationen, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet sind, innerhalb vorbestimmter Bereiche und das Festlegen eines Mittelpunkts oder eines spezifischen Werts für jedes Intervall als repräsentative Soll-Informationen; das Einstellen von Intervallen für die gesammelten Leistungsfaktor-Ist-Informationen, die mit der zuvor ausgeführten Klimaanlagensteuerung verbunden sind, innerhalb vorbestimmter Bereiche und das Festlegen eines Mittelpunkts oder eines spezifischen Werts für jedes Intervall als repräsentative Zustandsinformation; Erzeugen von Trainingsdaten durch Abgleichen der eingestellten repräsentativen Soll-Information und der repräsentativen Zustandsinformation und der Steuerwerte, die der repräsentativen Soll-Information und der Zustandsinformation entsprechen; und Durchführen des Trainingsprozesses der Trainingsdaten unter Verwendung des vorbestimmten KI-Algorithmus auf Grundlage verschiedener vorbestimmter Temperaturwerte der äußeren Umgebungsbedingungen.
Zudem umfasst der KI-Steuerungsschritt S300 bevorzugt das Bestimmen eines Intervalls, das den im Zieleingabeschritt S100 erfassten Leistungsfaktor-Soll-Informationen entspricht, und eines Intervalls, das den im Zustandseingabeschritt S200 erfassten Leistungsfaktor-Ist-Informationen entspricht, indem die im Lernverarbeitungsschritt S310 festgelegten Bereiche berücksichtigt werden, und das Ausgeben der anfänglichen Steuerwerte durch Anwendung spezifischer Ergebnisinformationen auf jedes Lernmodell.
[Vorteilhafte Wirkungen]
Das Klimaanlagensystem und -verfahren mit künstlicher Intelligenz, das die Interpolation gemäß der vorliegenden Erfindung verwendet, hat den Vorteil, dass es die Lernzeit und die Konvergenz des Lernalgorithmus verbessert, indem es mit minimalen Klimaanlagensteuerungsdaten trainiert und eine Interpolation der Ausgangssteuerungswerte durchführt, um schnell die optimalen Steuerungswerte für die gewünschten Klimasollwerte zu schätzen.
Insbesondere ist das Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der Erfindung vorteilhaft in Bezug auf das Beheben der Nachteile im Zusammenhang mit einem Lernen der künstlicher Intelligenz durch Festlegen mehrerer vorgegebener Temperaturniveaus als externe Umgebungsbedingungen, die bei einem Fahrzeug auftreten können, Abgleichen der Leistungsfaktor-Ist-Informationen und der Leistungsfaktor-Soll-Informationen der Klimaanlage, die von den Fahrgästen eingegeben werden, bei jedem einzelnen Temperaturniveau, Erzeugen von Trainingsdaten, die aus den entsprechenden Steuerwerten bestehen, und dem Training von nur einer Teilmenge der Umgebungsbedingungen.
Dadurch bietet das Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung den Vorteil des Behebens der Nachteile im Zusammenhang mit Lernen der künstlichen Intelligenz, wie der Anforderung für große Mengen von Trainingsdaten, Datenerfassung zum Training, und der Zeit, die es benötigt, um die gesammelten Daten zu verarbeiten, während die Vorteile der Genauigkeit in den Ergebnissen durch Lernen der künstlichen Intelligenz erhalten bleiben.
[Beschreibung der Zeichnungen]

1 ist ein Diagramm, das die Konfiguration eines Klimaanlagensystems mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
2 ist ein Diagramm, das ein Beispiel des Einstellens von Trainingsdaten in einem Klimaanlagensystem mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
3 ist ein Diagramm, das ein Beispiel des Erzeugens eines finalen Steuerwertes durch Anwendung von Interpolation auf anfängliche Steuerwerte in einem Klimaanlagensystem mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung zeigt; und
4 ist ein Ablaufdiagramm, das ein Verfahren zur Steuerung von Klimaanlagen mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung zeigt.

[Ausführungsformen]
Nachfolgend werden das Klimaanlagensystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation, die wie oben beschrieben konfiguriert sind, unter Bezugnahme auf die beigefügten Zeichnungen ausführlich beschrieben.
Zudem bezieht sich der Begriff „System“ auf eine Ansammlung von Komponenten, Geräten, Mechanismen oder Mitteln, die so organisiert sind und in regelmäßiger Weise zusammenwirken, dass sie die erforderlichen Funktionen erfüllen.
Das Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der Erfindung wird verwendet, um schnell und bequem die Temperatur im Inneren des Fahrzeugs zu steuern durch die Anwendung der aktuellen Leistungsfaktor-Ist-Informationen und der Leistungsfaktor-Soll-Informationen der Klimaanlage, die von dem Fahrer (oder Passagiere) eingegeben werden, auf das Lernmodell, das durch die Lern-Verarbeitung der Trainingsdaten vermittels Techniken künstlicher Intelligenz und Ausgeben von optimalen Steuerwerten, die es den aktuellen Leistungsfaktor-Ist-Informationen ermöglichen, den Leistungsfaktor-Soll-Information zu folgen.
Bei der Verwendung von Techniken der künstlichen Intelligenz ist zu erwarten, dass sich die Genauigkeit der Ergebnisse verbessert, wenn das Lernmodell mit einer größeren Menge von Trainingsdaten trainiert wird, und daher müssen, um die optimalen Steuerwerte zu erhalten, daher so viele Steuerwerte wie möglich erzeugt werden, indem die aktuellen Leistungsfaktor-Ist-Informationen für alle Umgebungsbedingungen und die von dem Fahrer (oder den Fahrgästen) erhaltenen Leistungsfaktor-Soll-Informationen der Klimaanlage für alle möglichen Bedingungen berücksichtigt werden.
Im Falle von Fahrzeugen handelt es sich jedoch nicht um einen besonderen geschlossenen Raum, in dem die Innentemperatur empfindlich gehalten oder gefordert werden muss, und die meisten Fahrgäste reagieren auch nicht empfindlich auf Temperaturunterschiede von 1 bis 2 Grad. Das heißt, die Fahrgäste verlangen in erster Linie eine Klimaanlagensteuerung, die im Vergleich zur Außenluft relativ kühle Luft in das Fahrzeug bringt, so dass die Luft im Fahrzeuginneren angenehm ist, und die Forderung nach einer Klimaanlagensteuerung, die eine Luft mit einer bestimmten Temperatur verlangt, die 10 Grad niedriger ist als jene der Außenluft, um die Luft im Fahrzeuginneren angenehm zu machen, ist eindeutig ein sehr spezifisches und begrenztes Szenario.
Unter Berücksichtigung dieser Faktoren behebt das Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung die Nachteile, die mit dem Lernen mit künstlicher Intelligenz verbunden sind, indem mehrere vorgegebene Temperaturniveaus als externe Umgebungsbedingungen festgelegt werden, denen ein Fahrzeug begegnen kann, indem Trainingsdaten aus den Leistungsfaktor-Ist-Informationen der Klimaanlage und den von den Fahrgästen eingegebenen Leistungsfaktor-Soll-Informationen und den entsprechenden Steuerwerten erzeugt werden, die bei jeder spezifischen Temperatur übereinstimmen, und indem nur ein Teil der Umgebungsbedingungen trainiert wird.
Ferner geht das Klimaanlagensteuerungssystem und -verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung aktiv auf die Nachteile ein, die mit dem Lernen mit künstlicher Intelligenz verbunden sind, indem es Intervalle für bestimmte Bereiche Leistungsfaktor-Ist-Informationen der Klimaanlage und der Leistungsfaktor-Soll-Informationen definiert, repräsentative Informationen für jedes Intervall festlegt und Trainingsdaten unter Verwendung der repräsentativen Informationen und der entsprechenden Steuerwerte erzeugt, wobei die potenzielle feinkörnige Natur dieser Faktoren auf Grundlage der Herstellungsoptionen des Fahrzeugs berücksichtigt wird.
Da jedoch nur eine minimale Menge an Trainingsdaten zum Lernen verwendet wird, ist das Lernmodell möglicherweise nicht in der Lage, genaue Ausgabewerte zu erzeugen, wenn externe Umgebungsbedingungen, die nicht mit den Trainingsdaten übereinstimmen, oder Informationen, die von den repräsentativen Informationen abweichen, in das Lernmodell eingegeben werden, d.h. in nicht gelernten Bereichen.
Um dieses Problem zu lösen, kann das Klimaanlagensteuerungssystem und - verfahren mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung eine Interpolationsfunktion für die anfänglichen Steuerwerte erzeugen, die von dem Lernmodell ausgegeben werden, das Informationen über jede externe Umgebungsbedingung unter Verwendung von Interpolation gelernt hat, und die erzeugte Interpolationsfunktion verwenden, um die finalen Steuerwerte herzuleiten und abzuleiten.
1 ist ein Diagramm, das eine Konfiguration eines Klimaanlagensteuerungssystems mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung veranschaulicht, und es wird eine Beschreibung des Klimaanlagensteuerungssystems mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung unter Bezugnahme auf 1 ausführlich dargelegt.
Wie in 1 gezeigt, ist das Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung bevorzugt so konfiguriert, dass es eine erste Eingabeeinheit 100, eine zweite Eingabeeinheit 200, eine Steuereinheit 300 und eine Interpolationseinheit 400 aufweist, und jede dieser Komponenten kann als eine einzelne Verarbeitungseinrichtung implementiert sein oder in entsprechenden Verarbeitungseinrichtungen enthalten sein, um entsprechende Operationen durchzuführen.
Konkret ist es vorteilhaft, wenn die erste Eingabeeinheit 100 die Leistungsfaktor-Soll-Information für die Klimaanlagensteuerung auf Grundlage der gewünschten Klimatisierungszustandsinformation, die durch die externe Eingabe von einem Fahrzeuginsassen ausgewählt wird, erfasst.
Wenn der Fahrgast beispielsweise eine bestimmte Temperatur eingibt, die der Kühlung entspricht, ist es wünschenswert, dass die Leistungsfaktor-Soll-Information zur Steuerung der Klimaanlage auf dieser Grundlage die spezifische Temperatur des Verdampfers ist.
Bevorzugt erfasst die zweite Eingabeeinheit 200 die Leistungsfaktor-Ist-Informationen von der Klimaanlage (dem Klimagerät), die vorgelagert ist, d.h. der Klimaanlage, auf die das Klimaanlagensystem mit künstlicher Intelligenz vermittels Interpolation gemäß einer Ausführungsform der Erfindung angewendet werden soll. Zusätzlich zu dem obigen Beispiel ist es bevorzugt, die aktuelle Temperatur des Verdampfers zu erfassen.
Bevorzugt legt die Steuereinheit 300 den Steuerwert zur Steuerung des Klimatisierungszustands unter Verwendung der eingegebenen Leistungsfaktor-Soll-Informationen und der Leistungsfaktor-Ist-Informationen fest, und zu diesem Zweck umfasst die Steuereinheit 300 bevorzugt eine KI-Lernmodelleinheit 310 mit einer Vielzahl von KI-Lernmodellen und einer Lernverarbeitungseinheit 320, wie in 1 dargestellt.
Bevorzugt wendet die KI-Lernmodelleinheit 310 die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 und die Informationen über den Zielwert des Leistungsfaktors von der ersten Eingabeeinheit 100 auf mehrere KI-Lernmodelle an, die mit unterschiedlichen externen Umgebungsbedingungen trainiert wurden, um mehrere anfängliche Steuerwerte auszugeben, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen den Informationen über den Zielwert des Leistungsfaktors folgen.
Das heißt, die KI-Lernmodelleinheit 310 ignoriert die aktuellen externen Umgebungsbedingungen und gibt stattdessen die Leistungsfaktor-Ist-Informationen und die Leistungsfaktor-Soll-Information in mehrere KI-Lernmodelle ein, die mit unterschiedlichen externen Umgebungsbedingungen trainiert wurden, und gibt mehrere anfängliche Steuerwerte aus, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen den Leistungsfaktor-Soll-Information folgen.
Die Lernverarbeitungseinheit 320 steuert den Trainingsprozess für jede unterschiedliche externe Umgebungsbedingung wie oben beschrieben, und im Detail ist es bevorzugt, dass die Lernverarbeitungseinheit 320 einen vorbestimmten KI-Algorithmus verwendet, um unter Verwendung von vorab gesammelten Leistungsfaktor-Soll-Informationen, Leistungsfaktor-Ist-Informationen und den Steuerwerten (die darauf abzielen, die Differenz zwischen den Leistungsfaktor-Ist-Informationen und den Leistungsfaktor-Soll-Informationen auf Null zu konvergieren) zu trainieren, die auf Grundlage unterschiedlicher vorbestimmter externer Umgebungsbedingungen erhalten wurden, und KI-Lernmodelle für jede externe Umgebungsbedingung zu erzeugen und an die KI-Lernmodelleinheit 310 zu übertragen.
Um hier mögliche Probleme mit der Konvergenz des Algorithmus im Falle der Verwendung aller Steuerwerte des Klimatisierungsleistungsfaktors zu vermeiden, ist es bevorzugt, dass die lernende bzw. Lern-Verarbeitungseinheit 320 Trainingszieldaten (repräsentative Informationen) innerhalb der in regelmäßigen Abständen unterteilten Bereiche auswählt und ein Training durchführt, indem nur die ausgewählten repräsentativen Informationen als Trainingsdaten festgelegt werden.
Für die Bereiche, die nicht von den Trainingsdaten abgedeckt sind, ist es natürlich möglich, Steuerwerte abzuleiten, indem der umgebende Bereich (Abdeckungsbereich) der repräsentativen Informationen durch Interpolation mit Hilfe der Interpolationseinheit 400 in der Zukunft verfolgt wird. Die Funktionsweise der Interpolationseinheit 400 wird später im Detail beschrieben.
Indem die Lernziel-Daten (repräsentative Informationen) innerhalb der in regelmäßigen Abständen durch die Lernverarbeitungseinheit 320 unterteilten Bereiche ausgewählt werden und nur die ausgewählten repräsentativen Informationen als Lerndaten festgelegt werden, ist es möglich, die Lernzeit zu verkürzen und die Konvergenz des Lernalgorithmus der künstlichen Intelligenz zu verbessern.
Hier ist es bevorzugt, die äußeren Umgebungsbedingungen, die der spezifischen Temperatur entsprechen, auf Grundlage des Bereichs der Umgebungstemperaturen zu definieren, denen das Fahrzeug ausgesetzt sein kann, wobei vorgegebene Temperaturintervalle wie -10°C, 0°C, 10°C und 20°C als Bezugspunkte verwendet werden, die Leistungsfaktor-Soll-Information, die Leistungsfaktor-Ist-Informationen und die Steuerwerte zu sammeln, die von der zuvor ausgeführten Klimaanlagensteuerung bei diesen spezifischen Umgebungstemperaturen erhalten wurden, und die Trainingsverarbeitung auf Grundlage der gesammelten Informationen durchzuführen.
Obwohl man annehmen könnte, dass der Steuerwert für eine 10-Grad-Differenz zwischen der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Information unabhängig von den externen Umgebungsbedingungen ausgegeben wird, ist es bevorzugt, die Trainingsverarbeitung auf Grundlage jeder einzelnen externen Umgebungsbedingung als Referenz durchzuführen, da der Steuerwert des Leistungsfaktors der Klimaanlage zur Steuerung der Differenz von 10 Grad bei einer Außentemperatur von -10 Grad und der Steuerwert des Leistungsfaktors der Klimaanlage zur Steuerung der Differenz von 10 Grad bei einer Außentemperatur von 20 Grad aufgrund der Betriebsbedingungen des Fahrzeugs natürlich verschieden sind.
Zudem ist es bevorzugt, wenn die lernenden bzw. Lern-Verarbeitungseinheit 320 Intervalle für den vorbestimmten Bereich der gesammelten Leistungsfaktor-Soll-Informationen festlegt, wie in 2 gezeigt, um die repräsentativen Informationen festzulegen, den Mittelpunkt oder einen spezifischen Wert jedes Intervalls als die repräsentativen Soll-Informationen festlegt, Intervalle innerhalb des vorbestimmten Bereichs für aktuelle Zustandsinformationen festlegt, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet gesammelt wurden, und den Mittelpunkt oder spezifischen Wert jedes Intervalls als repräsentative Zustandsinformationen festlegt.
In diesem Fall ist es vorteilhaft, die vorbestimmten Bereiche für die Leistungsfaktor-Soll-Information und die Leistungsfaktor-Ist-Informationen auf Grundlage des anfänglich angewendeten Klimaanlagensteuerungsbereichs des Fahrzeugs festzulegen, ohne jedoch darauf beschränkt zu sein.
Allerdings können, wenn die Einstellung der Bereiche zu eng erfolgt, Konvergenz-Probleme des KI-Lernalgorithmus entstehen, dem Hauptproblem, das durch die vorliegende Erfindung zu lösen ist, während, wenn sie sie zu breit eingestellt werden, eine geringere Genauigkeit oder höhere Rechenkomplexität in den Prozess der Verfolgung und Ableitung von Steuerwerten durch die Interpolationseinheit 400 resultieren kann, weshalb es besonders bevorzugt ist, die Bereiche auf Grundlage des anfänglich angewandten Klimaanlagen-Steuerbereichs des Fahrzeugs einzustellen.
Dadurch erzeugt die Lern-Verarbeitungseinheit 320 Trainingsdaten, indem sie die repräsentativen Soll-Informationen und die repräsentativen Zustandsinformationen sowie die den repräsentativen Soll-Informationen und den repräsentativen Zustandsinformationen entsprechenden Steuerwerte (Werte, welche die Differenz zwischen den repräsentativen Zustandsinformationen und den repräsentativen Soll-Informationen auf Null konvergieren) festlegt und eine Trainingsverarbeitung der erzeugten Trainingsdaten unter Verwendung eines vordefinierten KI-Algorithmus auf Grundlage der vorbestimmten Bereiche der externen Umgebungsbedingungen durchführt.
Dementsprechend ist es für die KI-Lernmodelleinheit 310 bevorzugt, mehrere Lernmodelle zu empfangen, die auf verschiedenen vorbestimmten Bereichen von externen Umgebungsbedingungen gemäß den Trainingsverarbeitungsergebnissen von der Lernverarbeitungseinheit 320 basieren. Danach empfängt die KI-Lernmodelleinheit 310 bevorzugt die Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 und die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 und gibt lernmodellspezifische Steuerwerte aus, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 den Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 folgen.
Das heißt, die KI-Lernmodelleinheit 310 erhält die Steuerwerte (anfängliche Steuerwerte) auf Grundlage der vorgegebenen externen Umgebungsbedingungen, ohne die externen Umgebungsbedingungen zu berücksichtigen.
Da die Lern-Verarbeitungseinheit 320 die eingestellten repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen sowie die Steuerwerte, die den eingestellten repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen entsprechen, wie oben beschrieben erlernt, kann es sein, dass sie keinen Steuerwert ausgeben kann oder einen ungenauen Steuerwert ausgibt, wenn Informationen außerhalb des Lernbereichs über die erste Eingabeeinheit 100 und die zweite Eingabeeinheit 200 eingegeben werden.
Daher ist es für die KI-Lernmodelleinheit 310 bevorzugt, die Genauigkeit der Ausgabewerte zu verbessern, indem sie eine Vorverarbeitung der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Informationen vornimmt, bevor diese in mehrere Lernmodelle eingegeben werden.
Konkret ist es bevorzugt, dass die KI-Lernmodelleinheit 310 ein Intervall für die Leistungsfaktor-Soll-Information von der ersten Eingabeeinheit 100 und ein Intervall für die Leistungsfaktor-Ist-Information von der zweiten Eingabeeinheit 200 bestimmt, das die vorbestimmten Bereiche der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Information widerspiegelt, die von der Lernverarbeitungseinheit 320 festgelegt wurden.
Wenn die Leistungsfaktor-Soll-Information beispielsweise 8 Grad beträgt und der vorgegebene Bereich der Leistungsfaktor-Soll-Information von -20 Grad mit einer Schrittgröße von 10 Grad festgelegt ist, ist es bevorzugt, das Intervall, das der Leistungsfaktor-Soll-Information entspricht, als den Bereich von 1 bis 10 Grad zu bestimmen.
Daher ist es bevorzugt, wenn die KI-Lernmodelleinheit 310 die Ausgabe für jedes Intervall vornimmt, indem sie repräsentative Informationen jedes Intervalls auf die j eweiligen Lernmodelle anwendet, indem sie die Intervallinformationen, die den spezifischen Leistungsfaktor-Soll-Informationen entsprechen, und die Intervallinformationen, die den Leistungsfaktor-Ist-Informationen entsprechen, verwendet.
Das heißt, wenn im obigen Beispiel die repräsentative Soll-Information für das Intervall von 1 bis 10 Grad, die der Leistungsfaktor-Soll-Information entspricht, 5 Grad beträgt, ist es für die KI-Lernmodelleinheit 310 besser, 5 Grad als die Eingabedaten anstelle von 8 Grad einzustellen, die als Leistungsfaktor-Soll-Information eingegeben wurden. Es gibt einen Unterschied von 3 Grad zwischen dem tatsächlichen Eingabewert und dem repräsentativen Wert in diesem Beispiel, das mit Intervallen von 10 Grad zum Zweck der einfacheren Erklärung angegeben wird; jedoch ist es möglich, abhängig vom Ausmaß der Intervalleinstellung, anfängliche Steuerwerte zu erhalten, die basierend auf den repräsentativen Informationen für Temperaturbereiche erzeugt werden, welche die Fahrgäste möglicherweise nicht wahrnehmen.
Bevorzugt empfängt die Interpolationseinheit 400 die anfänglichen Steuerwerte von den KI-Lernmodellen in der Steuereinheit 300 und erzeugt Interpolationsfunktionen, wie in 3 dargestellt.
Bevorzugt verwendet die Interpolationseinheit 400 ein Polynominterpolationsverfahren, um die Interpolationsfunktionen zu erzeugen und den Grad des Polynoms auf Grundlage der Anzahl der externen Umgebungsbedingungen (m) und der dem Polynomgrad zugeordneten Steuerleistung auszuwählen; obwohl ein lineares Interpolationsverfahren, das zwei benachbarte Punkte mit einer geraden Linie verbindet, als Polynominterpolationsverfahren verwendet wird, ist dies nur eine Ausführungsform der vorliegenden Erfindung.
Bevorzugt wendet die Interpolationseinheit 400 die aktuellen externen Umgebungsbedingungen, die in Echtzeit eingegeben werden, auf die Interpolationsfunktionen an und erzeugt die finalen Steuerwerte.
Zudem ist es vorteilhaft, wenn die Interpolationseinheit 400 die erzeugten finalen Steuerwerte an das Klimaanlagensystem für die KI-basierte Klimaanlagensteuerung überträgt.
Durch das Sammeln von Leistungsfaktor-Soll-Informationen und Leistungsfaktor-Ist-Informationen für die zuvor ausgeführte Klimaanlagensteuerung bei Temperaturen von -10 Grad, 0 Grad, 10 Grad und 20 Grad als Bezugspunkte für externe Umgebungsbedingungen und der Steuerwerte, die auf Grundlage der Leistungsfaktor-Soll-Informationen und der Leistungsfaktor-Ist-Informationen erzeugt wurden, und durch Ausführen einer Lernverarbeitung kann die Interpolationseinheit den Steuerwert ableiten, der einer Außentemperatur von 7 Grad entspricht, die als aktuelle externe Umgebungsbedingung in Echtzeit eingegeben wird, indem zwischen den Steuerwerten interpoliert wird, die durch die Lernmodelle bei 0 Grad und 10 Grad erzeugt wurden.
Dadurch ist das KI-basierte Klimaanlagensteuerungssystem, das die Interpolationsmethode gemäß der offenbarten Ausführungsform der vorliegenden Erfindung verwendet, in der Lage, die Nachteile des Sammelns einer großen Anzahl von Trainingsdaten und der langen Trainingsverarbeitungszeit zu mildern und gleichzeitig die dem KI-Lernen innewohnende Genauigkeit beizubehalten.
4 ist ein Ablaufdiagramm, das ein Verfahren zur Steuerung von Klimaanlagen mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung veranschaulicht, und eine Beschreibung des Verfahrens zur Steuerung von Klimaanlagen mit künstlicher Intelligenz unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung wird unter Bezugnahme auf 4 ausführlich dargelegt.
Wie in 4 gezeigt, ist es bevorzugt, wenn das KI-basierte Klimaanlagensteuerungsverfahren unter Verwendung von Interpolation gemäß einer Ausführungsform der vorliegenden Erfindung einen Zieleingabeschritt S 100, einen Zustandseingabeschritt S200, einen KI-Steuerungsschritt S300, einen finalen Steuerungsschritt S400 und einen Klimaanlagensteuerungsschritt S500 umfasst.
Die erste Eingabeeinheit 100 erwirbt die Leistungsfaktor-Soll-Information für die Klimaanlagensteuerung auf Grundlage der gewünschten Klimatisierungszustandsinformation, die durch die externe Eingabe von einem Fahrzeuginsassen im ersten Eingabeschritt S 100 ausgewählt wird.
In dem Zustands-Eingabeschritt S200 empfängt die zweite Eingabeeinheit 200 die Leistungsfaktor-Ist-Informationen von der vorgelagerten Klimaanlage.
In dem KI-Steuerungsschritt S300 gibt die KI-Lernmodelleinheit 310 anfängliche Steuerwerte für jedes KI-Lernmodell aus, indem sie die Leistungsfaktor-Soll-Informationen aus dem Zieleingabeschritt S 100 und die Leistungsfaktor-Ist-Informationen aus dem Zustandseingabeschritt S200 in die mehreren KI-Lernmodelle eingibt, wobei sie darauf abzielt, dass die Leistungsfaktor-Ist-Informationen den Leistungsfaktor-Soll-Informationen folgen.
Genauer gesagt werden im KI-Steuerungsschritt S300 ohne Berücksichtigung der aktuellen externen Umgebungsbedingungen die Leistungsfaktor-Ist-Informationen und die Leistungsfaktor-Soll-Informationen in die mehreren KI-Lernmodelle eingegeben, die mit unterschiedlichen externen Umgebungsbedingungen trainiert wurden, um mehrere anfängliche Steuerwerte auszugeben, die darauf abzielen, dass die Leistungsfaktor-Ist-Informationen den entsprechenden Leistungsfaktor-Soll-Informationen folgen.
Bevorzugt werden die mehreren KI-Lernmodelle durch den Trainingsverarbeitungsschritt S310 erzeugt.
In dem Trainingsverarbeitungsschritt S310 verwendet die Lernverarbeitungseinheit 320 einen vorbestimmten KI-Algorithmus, um die KI-Lernmodelle für jede externe Umgebungsbedingung zu trainieren und zu erzeugen, indem sie die Leistungsfaktor-Soll-Informationen und die Leistungsfaktor-Ist-Informationen verwendet, die auf Grundlage verschiedener vorbestimmter externer Umgebungsbedingungen und Steuerwerte, die den Leistungsfaktor-Soll-Informationen und den Leistungsfaktor-Ist-Informationen entsprechen, vorab gesammelt wurden (um die Differenz zwischen den Leistungsfaktor-Ist-Informationen und den Leistungsfaktor-Soll-Informationen auf Null zu konvergieren).
Um hier mögliche Probleme mit der Konvergenz des Algorithmus zu vermeiden, wenn alle Steuerwerte über den gesamten Bereich des Klimatisierungsleistungsfaktors als Trainingsdaten verwendet werden, ist es bevorzugt, repräsentative Trainingszieldaten (repräsentative Informationen) innerhalb der in regelmäßigen Abständen unterteilten Bereiche auszuwählen und das Training durchzuführen, indem nur die ausgewählten repräsentativen Informationen als Trainingsdaten verwendet werden.
Für die Bereiche, die nicht von den Trainingsdaten abgedeckt werden, ist es natürlich möglich, Steuerwerte abzuleiten, indem die Umgebung (Abdeckungsbereich) der repräsentativen Informationen durch Interpolation mit Hilfe des finalen Steuerschritts S400 in Zukunft verfolgt wird.
Hier ist es vorteilhaft, die äußeren Umgebungsbedingungen, die der spezifischen Temperatur entsprechen, auf Grundlage des Bereichs der Umgebungstemperaturen zu definieren, denen das Fahrzeug ausgesetzt sein kann, wobei vorgegebene Temperaturintervalle wie -10°C, 0°C, 10°C und 20°C als Referenzpunkte verwendet werden, die Leistungsfaktor-Soll-Information, die Leistungsfaktor-Ist-Informationen und die Steuerwerte zu sammeln, die aus der zuvor durchgeführten Steuerung der Klimaanlage bei diesen spezifischen Umgebungstemperaturen gewonnen wurden, und die Trainingsverarbeitung auf Grundlage der gesammelten Informationen durchzuführen.
Obwohl man annehmen könnte, dass der Steuerwert für eine 10-Grad-Differenz zwischen der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Information unabhängig von den externen Umgebungsbedingungen ausgegeben wird, ist es bevorzugt, die Trainingsverarbeitung auf Grundlage jeder einzelnen externen Umgebungsbedingung als Referenz durchzuführen, da der Steuerwert des Leistungsfaktors der Klimaanlage zur Steuerung der Differenz von 10 Grad bei einer Außentemperatur von -10 Grad und der Steuerwert des Leistungsfaktors der Klimaanlage zur Steuerung der Differenz von 10 Grad bei einer Außentemperatur von 20 Grad aufgrund der Betriebsbedingungen des Fahrzeugs natürlich verschieden sind.
Durch die Auswahl repräsentativer Trainingszieldaten (repräsentative Informationen) innerhalb der in regelmäßigen Abständen unterteilten Bereiche und die Durchführung des Trainings, indem nur die ausgewählten repräsentativen Informationen als Trainingsdaten im Trainingsverarbeitungsschritt S310 festgelegt werden, ist es außerdem möglich, die Lernzeit des KI-Lernalgorithmus zu verkürzen und seine Konvergenz zu verbessern.
Zu diesem Zweck ist es vorteilhaft, im Lernverarbeitungsschritt S310 Intervalle für den vorbestimmten Bereich der gesammelten Leistungsfaktor-Soll-Informationen festzulegen, um die repräsentativen Informationen zu erstellen, den Mittelpunkt oder einen spezifischen Wert jedes Intervalls als die repräsentativen Soll-Informationen festzulegen, Intervalle innerhalb des vorbestimmten Bereichs für aktuelle Zustandsinformationen festzulegen, die in Verbindung mit der zuvor durchgeführten Klimaanlagensteuerung gesammelt wurden, und den Mittelpunkt oder den spezifischen Wert jedes Intervalls als repräsentative Zustandsinformationen festzulegen.
In diesem Fall ist es vorteilhaft, die vorbestimmten Bereiche für die Leistungsfaktor-Soll-Information und die Leistungsfaktor-Ist-Informationen auf Grundlage des anfänglich angewendeten Klimaanlagensteuerungsbereichs des Fahrzeugs festzulegen, ist aber nicht darauf beschränkt.
Allerdings kann es, wenn die Einstellung der Bereiche zu eng erfolgt, zu Konvergenz-Problemen des KI-Lernalgorithmus kommen, den Hauptproblem, das durch die vorliegende Erfindung zu lösen ist, während wenn sie zu breit eingestellt werden, geringere Genauigkeit oder höhere Rechenkomplexität in den Prozess der Verfolgung und Ableitung von Steuerwerten durch den Interpolationsschritt S400 resultieren können, weshalb es besonders bevorzugt ist, die Bereiche auf Grundlage des anfänglichen angewandten Klimaanlagen-Steuerbereichs des Fahrzeugs angemessen einzustellen.
Dadurch werden im Lernverarbeitungsschritt S310 Trainingsdaten erzeugt, indem die eingestellten repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen und die Steuerwerte, die den repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen entsprechen (Werte, welche die Differenz zwischen den repräsentativen Zustandsinformationen und den repräsentativen Soll-Informationen auf Null konvergieren), abgeglichen werden, und die Trainingsverarbeitung der erzeugten Trainingsdaten wird unter Verwendung eines vordefinierten KI-Algorithmus auf Grundlage der vorbestimmten Bereiche der externen Umgebungsbedingungen durchgeführt.
Auf diese Weise werden in dem KI-Steuerungsschritt S300 die Leistungsfaktor-Soll-Informationen aus dem Zieleingabeschritt S 100 und die Leistungsfaktor-Ist-Informationen aus dem Zustandseingabeschritt S200 unter Verwendung der mehreren KI-Lernmodelle eingegeben, die im Lernverarbeitungsschritt S310 für verschiedene vorbestimmte externe Umgebungsbedingungen erzeugt wurden, um lernmodellspezifische Steuerwerte auszugeben, die es den Leistungsfaktor-Ist-Informationen aus dem Zustandseingabeschritt S200 ermöglichen, den Leistungsfaktor-Soll-Informationen aus dem Zieleingabeschritt S 100 zu folgen. Das heißt, dass die in dem KI-Steuerungsschritt S300 erzeugten anfänglichen Steuerwerte bevorzugt auf einer vorgegebenen externen Umgebungsbedingung basieren, ohne die aktuellen externen Umgebungsbedingungen zu berücksichtigen.
Wenn in diesem Fall die Leistungsfaktor-Soll-Informationen aus dem Zieleingabeschritt S 100 und die Leistungsfaktor-Ist-Informationen aus dem Zustandseingabeschritt S200 in den KI-Steuerungsschritt S300 eingegeben werden und außerhalb des Bereichs liegen, der durch das Training der repräsentativen Soll-Informationen und Zustandsinformationen und der Steuerwerte bestimmt wurde, die den repräsentativen Soll-Informationen und Zustandsinformationen entsprechen, die in dem Lernverarbeitungsschritt S310 festgelegt wurden, kann es sein, dass kein Steuerwert ausgegeben wird oder ein ungenauer Steuerwert ausgegeben wird.
Daher ist es bevorzugt, in dem KI-Steuerungsschritt S300 eine Vorverarbeitung der Leistungsfaktor-Soll-Information aus dem Zieleingabeschritt S 100 und der Leistungsfaktor-Ist-Informationen aus dem Zustandseingabeschritt S200 durchzuführen, bevor sie in die mehrfachen Lernmodelle eingegeben werden, um die Genauigkeit der Ausgangswerte zu verbessern.
Konkret ist es vorteilhaft, in dem KI-Steuerungsschritt S300 ein spezifisches Intervall für die Leistungsfaktor-Soll-Information aus dem Zieleingabeschritt S100 und ein spezifisches Intervall für die Leistungsfaktor-Ist-Information aus dem Zustandseingabeschritt S200 zu bestimmen, indem die vorbestimmten Bereiche der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Information, die in dem Lernverarbeitungsschritt S310 eingestellt werden, berücksichtigt werden.
Es ist daher bevorzugt, die anfänglichen Steuerwerte für jedes Lernmodell auszugeben, indem repräsentative Informationen jedes Intervalls auf die jeweiligen Lernmodelle angewendet werden, wobei die Intervallinformationen, die den spezifischen Leistungsfaktor-Soll-Informationen entsprechen, und die Intervallinformationen, die den Leistungsfaktor-Ist-Informationen entsprechen, verwendet werden.
In dem finalen Steuerungsschritt S400 erzeugt die Interpolationseinheit 400 eine Interpolationsfunktion unter Verwendung der anfänglichen Steuerwerte, die in dem KI-Steuerungsschritt S300 erzeugt wurden, und erzeugt dann die finalen Steuerwerte, indem sie die aktuellen externen Umgebungsbedingungen, die in Echtzeit eingegeben werden, auf die Interpolationsfunktion anwendet.
Zum Beispiel ist es durch das Sammeln der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Information für eine zuvor ausgeführte Klimaanlagensteuerung bei Temperaturen von -10 Grad, 0 Grad, 10 Grad und 20 Grad als Referenzpunkte für externe Umgebungsbedingungen und der Steuerwerte, die basierend auf der Leistungsfaktor-Soll-Information und der Leistungsfaktor-Ist-Information erzeugt werden, und der Durchführung einer Lernverarbeitung möglich, bei dem finalen Steuerschritt S400 den Steuerwert abzuleiten, der einer Außentemperatur von 7 Grad entspricht, die als die aktuelle externe Umgebungsbedingung in Echtzeit eingegeben wird, indem zwischen den Steuerwerten interpoliert wird, die durch die Lernmodelle bei 0 Grad und 10 Grad erzeugt werden.
In dem Klimaanlagensteuerungsschritt S500 überträgt die Interpolationseinheit 400 bevorzugt die in dem finalen Steuerungsschritt S400 erzeugten finalen Steuerwerte an das Klimaanlagensystem, so dass die KI-basierte Klimaanlagensteuerung erfolgen kann.
Die vorliegende Erfindung ist nicht auf die oben beschriebenen Ausführungsformen beschränkt und hat eine breite Palette von Anwendungen, und ein Fachmann wird erkennen, dass verschiedene Änderungen innerhalb des Schutzumfangs der Ansprüche vorgenommen werden können, ohne vom Grundgedanken der vorliegenden Erfindung abweichen.
LISTE DER BEZUGSZEICHEN

100: erste Eingabeeinheit
200: zweite Eingabeeinheit
300: Steuereinheit
310: KI-Lernmodelleinheit
320: Lern-Verarbeitungseinheit
400: Interpolationseinheit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 1020190112681 [0005]

Claims

Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation, wobei das System aufweist: eine erste Eingabeeinheit 100, die durch externe Eingabe Leistungsfaktor-Soll-Informationen zur Steuerung der Klimaanlage erlangt; eine zweite Eingabeeinheit 200, die Leistungsfaktor-Ist-Informationen von einer vorgelagerten Klimaanlage erlangt; eine Steuereinheit 300, die eine Vielzahl von Lernmodelleinheiten mit künstlicher Intelligenz 310 aufweist, die mit unterschiedlichen externen Umgebungsbedingungen konfiguriert werden und anfängliche Steuerwerte ausgeben, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 den Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 auf Grundlage der konfigurierten externen Umgebungsbedingungen folgen; und eine Interpolationseinheit 400, welche die anfänglichen Steuerwerte, die durch die Lernmodelleinheiten 310 mit künstlicher Intelligenz erzeugt werden, von der Steuereinheit 300 empfängt, um eine Interpolationsfunktion zu erzeugen, und die einen finalen Steuerwert erzeugt, indem eine aktuelle externe Umgebungsbedingung, die in Echtzeit eingegeben wird, auf die Interpolationsfunktion angewendet wird, wobei die Interpolationseinheit 400 den finalen Steuerwert an das Klimaanlagensystem zur Klimatisierung mit künstlicher Intelligenz überträgt.
Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 1, wobei die Steuereinheit 300 ferner eine Lern-Verarbeitungseinheit 320 aufweist, welche die Leistungsfaktor-Soll-Informationen und die Leistungsfaktor-Ist-Informationen, die auf Grundlage von externen Umgebungsbedingungen verschiedener vorbestimmter Temperaturen einer zuvor ausgeführten Klimaanlagensteuerung zugeordnet gesammelt wurden, unter Verwendung eines vorbestimmten KI-Algorithmus trainiert, externe Umgebungsbedingungs-spezifische Lernmodelle mit künstlicher Intelligenz erzeugt und die Lernmodelle mit künstlicher Intelligenz an die Lernmodelleinheit 310 mit künstlicher Intelligenz überträgt.
Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 2, wobei die Lern-Verarbeitungseinheit 320 Intervalle für die gesammelten Leistungsfaktor-Soll-Informationen, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet sind, innerhalb vorbestimmter Bereiche einstellt und einen Mittelpunkt oder einen spezifischen Wert für jedes Intervall als repräsentative Soll-Informationen festlegt, Intervalle für die gesammelten Leistungsfaktor-Ist-Informationen, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet sind, innerhalb vorbestimmter Bereiche einstellt und einen Mittelpunkt oder einen spezifischen Wert für jedes Intervall als repräsentative Zustandsinformation festlegt, Trainingsdaten erzeugt, indem die eingestellten repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen und Steuerwerte, die den repräsentativen Soll-Informationen und Zustandsinformationen entsprechen, abgeglichen werden, und den Trainingsprozess der Trainingsdaten unter Verwendung des vorbestimmten KI-Algorithmus auf Grundlage verschiedener vorbestimmter Temperaturwerte der äußeren Umgebungsbedingungen durchführt.
Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 3, wobei die Lernmodelleinheit 310 mit künstlicher Intelligenz die externen Umgebungsbedingungen verschiedener vorbestimmter Temperaturen als Referenzlernmodelle auf Grundlage des Trainingsverarbeitungsergebnisses von der Lernverarbeitungseinheit 320 empfängt und die anfänglichen Steuerwerte ausgibt, die es ermöglichen, dass die Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 den Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 folgen, indem sie die für jedes Lernmodell spezifischen externen Umgebungsbedingungen widerspiegeln.
Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 4, wobei die Lernmodelleinheit 310 mit künstlicher Intelligenz ein Intervall auswählt, das den Leistungsfaktor-Soll-Informationen von der ersten Eingabeeinheit 100 entspricht, und ein Intervall auswählt, das den Leistungsfaktor-Ist-Informationen von der zweiten Eingabeeinheit 200 entspricht, indem sie die von der Lern-Verarbeitungseinheit 320 eingestellten Bereiche widerspiegelt, und die anfänglichen Steuerwerte ausgibt, indem sie spezifische Ergebnisinformationen auf jedes Lernmodell anwendet.
Klimaanlagensteuerungssystem mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 5, wobei die Interpolationseinheit 400 eine Interpolationsfunktion für die anfänglichen Steuerwerte unter Verwendung eines vorbestimmten Interpolationsalgorithmus erzeugt und eine aktuelle externe Umgebungsbedingung, die in Echtzeit eingegeben wird, auf die Interpolationsfunktion anwendet, um den finalen Steuerwert zu erzeugen.
Klimaanlagensteuerungsverfahren mit künstlicher Intelligenz unter Verwendung von Interpolation, wobei das Verfahren umfasst: einen Zieleingabeschritt S 100, der durch eine erste Eingabeeinheit Leistungsfaktor-Soll-Informationen für die Klimaanlagensteuerung durch externe Eingabe erfasst; einen Zustandseingabeschritt S200, der durch eine zweite Eingabeeinheit Leistungsfaktor-Ist-Informationen von einem vorgeschalteten Klimaanlagensystem erfasst; einen KI-Steuerschritt S300, der anfängliche Steuerwerte ausgibt, die es den Leistungsfaktor-Ist-Informationen ermöglichen, den Leistungsfaktor-Soll-Informationen zu folgen, indem die in dem Zieleingabeschritt S100 erfassten Leistungsfaktor-Soll-Informationen und die in dem Zustandseingabeschritt S200 erfassten Leistungsfaktor-Ist-Informationen eingegeben werden; einen finalen Steuerungsschritt S400, der durch eine Interpolationseinheit einen finalen Steuerungswert erzeugt, indem eine aktuelle externe Umgebungsbedingung, die in Echtzeit eingegeben wird, auf eine Interpolationsfunktion angewendet wird, die unter Verwendung der anfänglichen Steuerungswerte aus dem KI-Steuerungsschritt S300 erzeugt wird; und einen Klimaanlagensteuerungsschritt S500, der durch die Interpolationseinheit eine Klimatisierung mit künstlicher Intelligenz durchführt, indem der in dem finalen Steuerungsschritt S400 erzeugte finale Steuerungswert an das Klimaanlagensystem übertragen wird.
Klimaanlagensteuerungsverfahren mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 7, wobei der KI-Steuerungsschritt S300 ferner einen LernVerarbeitungsschritt S310 umfasst, der externe Umgebungsbedingungen-spezifische Lernmodelle mit künstlicher Intelligenz erzeugt, indem die Leistungsfaktor-Soll-Informationen und die Leistungsfaktor-Ist-Informationen, die auf Grundlage externer Umgebungsbedingungen verschiedener vorbestimmter Temperaturen einer zuvor ausgeführten Klimaanlagensteuerung zugeordnet gesammelt wurden, und die Steuerwerte, die den Leistungsfaktor-Soll-Informationen und den Leistungsfaktor-Ist-Informationen entsprechen, unter Verwendung eines vorbestimmten KI-Algorithmus trainiert werden.
Klimaanlagensteuerungsverfahren mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 8, wobei der Lernverarbeitungsschritt S310 umfasst: das Einstellen von Intervallen für die gesammelten Leistungsfaktor-Soll-Informationen, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet sind, innerhalb vorbestimmter Bereiche und das Festlegen eines Mittelpunkts oder eines spezifischen Werts für jedes Intervall als repräsentative Soll-Informationen; das Einstellen von Intervallen für die gesammelten Leistungsfaktor-Ist-Informationen, die der zuvor ausgeführten Klimaanlagensteuerung zugeordnet sind, innerhalb vorbestimmter Bereiche und Festlegen eines Mittelpunkts oder eines spezifischen Werts für jedes Intervall als repräsentative Zustandsinformationen; Erzeugen von Trainingsdaten durch Abgleichen der eingestellten repräsentativen Soll-Informationen und repräsentativen Zustandsinformationen und Steuerwerten, die den repräsentativen Soll-Informationen und Zustandsinformationen entsprechen; und Durchführen des Trainingsprozesses der Trainingsdaten unter Verwendung des vorbestimmten KI-Algorithmus auf Grundlage verschiedener vorbestimmter Temperaturwerte der externen Umgebungsbedingungen.
Klimaanlagensteuerungsverfahren mit künstlicher Intelligenz unter Verwendung von Interpolation nach Anspruch 9, wobei der KI-Steuerungsschritt S300 das Bestimmen eines Intervalls, das der in dem Zieleingabeschritt S 100 erlangten Leistungsfaktor-Soll-Information entspricht, und eines Intervalls, das der in dem Zustandseingabeschritt S200 erlangten Leistungsfaktor-Ist-Information entspricht, unter Berücksichtigung der in dem Lernverarbeitungsschritt S310 eingestellten Bereiche und das Ausgeben der anfänglichen Steuerwerte durch Anwendung spezifischer Ergebnisinformation auf jedes Lernmodell umfasst.