KR101657137B1 - 지능형 축사 환풍구 제어방법 - Google Patents

Abstract

자동제어 알고리즘을 이용하는 지능형 축사 환기 컨트롤러에 있어서, 상기 축사 내부의 측정온도를 검출하는 단계; 검출된 상기 축사 내부의 측정온도를 DB에 저장하는 단계; 상기 DB에 저장된 상기 축사 내부 측정온도의 이동평균값을 도출하는 단계; 및 상기 이동평균값을 분석하여 최적의 설정 온도값을 도출하는 단계;를 포함하는 것을 특징으로 하는 지능형 축사 환풍구 제어방법이 소개된다.

Description

지능형 축사 환풍구 제어방법{Intelligent Pigsty Air Vent Method Of Control}

본 발명은 밀폐형 축사를 외기온도와 축사 내부온도에 따라 자동으로 환기를 시켜주는 장치에 관한 것이다. 더욱 상세하게는 과거의 온도데이터와 현재의 온도데이터를 종합적으로 분석하여 환풍구의 회전수를 자동으로 조절하여 축사의 온도편차를 최소화하고 축사에서 발생 되는 유해가스를 효율적으로 배출하는 장치에 관한 것이다.

이하의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.

현재 가축을 기르는 축사는 노동력의 고령화와 외국인 노동자 수의 증가로 인해 축사관리를 자동으로 하는 장치를 설치하는 농가가 점점 늘어나고 있다. 특히 축사를 자동으로 환기 되도록 하여 축사에서 발생되는 유해가스와 축사 내부의 온도를 자동으로 맞추어 주는 장치가 한국등록특허 10-1425204호에 개시되어 있다.

그러나 종래의 자동 환기장치는 구조가 복잡하고 조작이 어려워 작업자의 조작 미숙으로 환기효율이 저하되거나 고장 또는 사고가 발생 되기도 하고, 이로 인해 계절별, 사육단계별, 축사의 단열 수준 등 여러 가지 환경요인에 능동적으로 대처하지 못하게 된다.

이 때문에 과도한 환기에 의해 축사 내 온도차가 심해지면서 가축들에게 호흡기 질병이 발생하여 가축의 상품성이 저하되는 등의 문제가 있다.

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 과거의 온도데이터와 현재의 온도데이터를 종합적으로 분석하여 입기팬과 환기팬의 회전수를 자동으로 조절하여 축사의 온도편차를 최소화하고, 축사에서 발생 되는 유해가스를 효율적으로 배출하는 지능형 축사 환풍구 제어방법을 제공하는데 그 목적이 있다.

본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기의 목적을 달성하기 위한 본 발명에 따른 자동제어 알고리즘을 이용하는 지능형 축사 환풍구 제어방법은, 상기 축사 내부의 측정온도를 검출하는 단계; 검출된 상기 축사 내부의 측정온도를 DB에 저장하는 단계; 상기 DB에 저장된 상기 축사 내부 측정온도의 이동평균값을 도출하는 단계; 및 상기 이동평균값을 분석하여 최적의 설정 온도값을 도출하는 단계;를 포함한다.

상기 이동평균값은 가중이동평균값 또는 지수이동평균값 중 적어도 하나일 수 있다.

상기 검출된 온도를 DB에 저장하는 단계는 1년 또는 1년 6개월 간의 데이터가 저장될 수 있다.

또한, 본 발명의 또 다른 일실시예에 따르면, 축사 내부의 현재온도를 측정하는 단계; 상기 축사 내부온도의 평균값을 도출하는 단계; 상기 축사 내부온도의 이동평균값을 도출하는 단계; 상기 축사 내부의 온도와 상기 축사 내부 온도의 평균값 및 이동평균값을 데이터마이닝 입력값으로 입력하는 단계; 및 상기 데이터마이닝 입력값을 시그모이드함수(sigmoid function)로 설정온도를 도출하는 단계;를 포함한다.

상기 데이터마이닝 입력값은 현재온도값, 복수의 과거온도값, 복수의 평균온도값, 복수의 이동평균값 중 적어도 한 종류의 입력값을 포함하여 복수로 구성되는 입력값일 수 있다.

바람직하게는, 적어도 현재온도값이 함께 고려되며, 복수의 과거온도값 등 다른 종류의 복수 입력값과 함께 데이터마이닝 입력값으로 이용된다.

예컨대, 데이터마이닝 입력값은, 현재온도값과 복수의 과거온도값들로 구성될 수 있고, 또는, 현재온도값, 복수의 과거온도값, 복수의 평균온도값으로 구성될 수 있으며, 또한, 현재온도값, 복수의 과거온도값, 복수의 이동평균값으로 구성될 수도 있다.

또한, 상기 이동평균값은 가중이동평균값 또는 지수이동평균값 중 적어도 하나일 수 있다.

또한, 데이터마이닝에 의한 설정온도의 산출은 역전파알고리즘(Backpropagation Algorithm)으로 학습되어 그 정확성이 향상될 수 있다.

상술한 바와 같은 구조로 이루어진 지능형 환기 컨트롤러 제어방법에 따르면, 기존의 온도 값을 이동평균을 통해 최적의 설정온도를 도출하여 입기팬과 환기팬의 가동 여부와 팬의 회전수를 조절하여 축사의 유해가스 배출과 쾌적한 환경을 제공할 수 있는 장점이 있다.

더 나아가 1년 또는 1년 6개월간의 온도데이터가 누적되면 데이터마이닝을 통해 정확도가 향상된 설정온도를 도출할 수 있는 장점이 있다. 또한, 설정온도가 자동으로 도출되므로, 불필요한 입기팬 및 환기팬의 작동을 방지하여 전력사용량을 줄일 수 있는 장점도 있다.

도 1은 본 발명의 실시예에 따른 이동평균법을 이용한 축사 내부의 설정온도를 도출하는 방법에 대한 도면이다.
도 2는 본 발명의 실시예에 따른 데이터마이닝을 통한 축사 내부의 설정온도를 도출하는 방법에 대한 도면이다.
도 3은 본 발명의 실시예에 따른 축사 내부의 환풍구를 도시한 도면이다.

이하, 본 발명의 일 실시예를 예시적인 도면을 통해 상세하게 설명한다. 그러나 이는 본 발명의 범위를 한정하려고 의도된 것은 아니다.

각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

또한, 도면에 도시된 구성요소의 크기나 형상 등은 설명의 명료성과 편의상 과장되게 도시될 수 있다. 또한, 본 발명의 구성 및 작용을 고려하여 특별히 정의된 용어들은 본 발명의 실시예를 설명하기 위한 것일 뿐이고, 본 발명의 범위를 한정하는 것이 아니다.

도 1은 본 발명의 실시예에 따른 이동평균법을 이용한 축사 내부의 설정온도를 도출하는 방법에 대한 도면이다.

도 2는 본 발명의 실시예에 따른 축사 내부의 환풍구를 도시한 도면이다.

도 1 및 도 2를 참조하면, 축사 내부에는 내부온도를 감지하는 온도센서(미도시)가 있고, 공기를 배출하거나 유입시키는 환풍구(10)가 마련되어 있다.

온도센서(미도시)는 축사 내부의 온도를 감지하여 시스템제어부(미도시)로 전송한다. 환풍구(10)는 배기팬(100)과 입기팬(300) 그리고 열교환기(200)로 구성되어 있다.

배기팬(100)은 축사 내부의 공기를 외부로 배출하는 역할을 수행하고, 입기팬(200)은 외부공기를 내부로 유입시키는 역할을 수행한다. 배기팬(100)과 입기팬(300) 사이에는 열교환기(200)가 마련되어 축사 내부의 따뜻한 공기와 외부의 차가운 공기가 서로 열교환 되어 축사 내부의 온도가 낮아지는 것을 방지할 수 있다.

배기팬(100)과 입기팬(300)은 시스템제어부(미도시)에 의해 조종되며, 시스템제어부(미도시)는 설정온도를 통해 배기팬(100)과 입기팬(300)의 회전수를 제어하여 축사 내부의 온도를 조절한다.

설정온도는 현재 측정된 온도와 데이터 베이스에 저장된 복수의 기존온도를 통해 이동평균을 도출하여 결정한다. 예컨대, 현재 온도 및 과거 온도들을 이용하여 그 이동평균을 구하고 그 결과값을 설정온도로 결정할 수 있다.

기존온도는 전술한 온도센서를 통해 측정한 축사 내부의 온도로서 과거의 온도 데이터이다. 이러한 기존온도는 저장되어 축적된 데이터 양이 많으면 많을수록 좋다.

한편, 기존온도는 시스템을 처음 세팅할 때에는 데이터가 없어 이동평균을 도출할 수 없다. 따라서, 기존데이터를 확보할 필요가 있는데, 이동평균을 도출하기 위해 기존온도가 필요한 경우에는 다른 축사에 누적된 온도를 시스템에 입력할 수도 있고 전문가가 이론적으로 계산한 온도를 입력할 수도 있다.

이동평균은 단순이동평균, 지수이동평균, 가중이동평균 중 적어도 어느 하나가 이용될 수 있다.

단순이동평균은 측정온도의 단순평균값을 계산한 것으로, 예컨데 10일 동안의 측정온도 값이 있다면, 10일 동안의 단순평균온도를 구하는 방식이다. 다만, 단순이동평균은 구하는 방식이 단순한 장점이 있지만 과거의 온도까지 단순평균을 구하게 되다 보니 현재온도의 영향력이 희석되어 정확한 설정온도를 도출하는 데는 한계가 있을 수 있다.

가중이동평균은 현재 값에 가중치를 두고, 과거값에는 보다 적은 가중치를 주어 현재의 추세를 잘 반영하도록 만든 것이다. 가중이동평균은 현재값을 잘 반영한다. 그러나, 가중치 값이 정수로 계산하다 보니 기울기 값이 커지게 되어 최근 값이 급격히 변하면 기울기가 커지게 된다. 온도는 상황에 따라서 급격하게 증가하거나 감소하는 특성이 있다. 따라서 현재온도가 급격히 변동되는 때에는 정확한 설정온도를 도출하기에 부족한 면이 있다.

한편, 지수 이동평균은 단순이동평균의 단점을 보완한 것으로 가중이동평균 중 정수가 아닌 지수, 즉 비율에 따른 수치로 계산을 하여 단순이동평균보다는 현재를 좀더 반영할 수 있게 된다. 가중이동평균보다는 한쪽에 치우치지 않는 지수이동평균이 설정온도를 도출하는데 적합하므로 지수이동평균법을 사용하여 설정온도를 도출하는 것이 바람직할 수 있다.

설정온도가 도출되면 시스템 제어부는 현재온도와 비교하여 환풍기의 회전수를 정밀 제어한다. 환풍기의 회전수는 전기의 위상을 제어하여 환풍기의 회전수를 조절한다.

다음으로 본 발명의 또 다른 실시 예인 데이터마이닝을 통한 설정온도 도출 방법에 대해 설명하고자 한다. 온도데이터가 상당 기간에 걸쳐 축적되면, 예컨대, 1년 또는 1년 6개월간 누적되었을 경우, 데이터마이닝을 통해 설정온도를 산출할 수 있다.

도 2는 본 발명의 실시예에 따른 데이터마이닝을 통한 축사 내부의 설정온도를 도출하는 방법에 대한 도면이다.

도 2를 참조하면 데이터마이닝을 할 때 별도의 입력 값이 몇 가지 필요하다. 데이터마이닝 입력값은 현재온도값, 복수의 과거온도값, 복수의 평균온도값, 복수의 이동평균값 등이 입력될 수 있다.

여기서 현재온도값은 현재의 온도값이다. 따라서 당일의 온도라 할 수 있다. 과거온도값은 전날을 포함하여 복수의 과거일에 측정된 온도로써 전날온도, 2일전 온도, 3일전 온도, ..., n일전 온도일 수 있다. 평균온도값은 단순평균을 구한 값이다. 누적된 과거온도값을 단순하게 평균을 내어 1년 또는 1년 6개월간의 평균온도가 몇 도였는지 파악하는 것이다. 평균온도값은 3일 평균온도, 7일평균온도, 14일 평균온도, ..., n일 평균온도일 수 있다.

이동평균값은 단순평균으로 평균을 내면 갑작스러운 온도변화는 평균을 통해 희석시키므로 좀더 정확한 평균값을 도출하기 위해 도출된 평균값이다. 이동평균값은 7일 이동평균, 14일 이동평균, 20일 이동평균, ..., n일 이동평균일 수 있다. 이동평균에 대한 설명은 상기의 내용에 설명되어 있으므로 상세한 설명은 생략한다.

상기의 데이터 마이닝 입력값이 입력되면 상기의 입력 값은 시그모이드 함수를 통해 연산 되어 설정온도를 도출하게 된다.

시그모이드 함수는 인공지능 컴퓨터에서 많이 사용하는 함수로써 인간의 신경체계와 유사한 특성이 있다.

신경체계가 단순한 신경세포들의 대단위 병렬연결로 이루어져 있듯이, 인공 신경망도 많은 노드(node)로 이루어져 있다. 인공신경망에서 인공 뉴런이라고 불리는 노드들은 외부로부터 값을 받으면, 가중치(weight)를 이용해 n개의 입력 값들을 합산하게 되며, 그 결과들을 활성화 함수(transfer function)로 전환하여 최종결과를 전달하는 기능을 수행한다.

신경망 모델에 있어서 뉴런의 입력 가중합이란 각각의 입력 x와 연결강도 w 를 곱하여 이들을 모두 더한 것이다. 따라서 가중한 NET는 다음 식과 같이 구할 수 있다.

상기의 시그모이드 함수를 통해 설정온도를 도출하면 정확성을 향상하기 위해서는 별도의 학습이 필요하다.

여기서, 학습 알고리즘은 역전파 알고리즘을 사용한다. 역전파 알고리즘은 다층(multilayer)이고, 순행 공급(feedforward) 신경망에서 사용되는 학습 알고리즘이며, 학습 방법은 지도 학습(supervised learning)이다. 즉, 학습을 하기 위해서는 입력 데이터와 원하는 출력(o) 데이터가 있어야 한다. 입력이 신경망의 가중치(weights)와 곱하고 더하는 과정을 몇 번 반복하면 입력의 결과 값인 출력(y)이 나온다. 이때 출력(y)은 학습 데이터에서 주어진 원하는 출력(o)과 다르다. 결국, 신경망에서는 (y - o)만큼의 오차(e = y - o)가 발생하며, 오차에 비례하여 출력층의 가중치를 갱신하고, 그 다음 은닉층의 가중치를 갱신한다. 가중치를 갱신하는 방향은 신경망의 처리 방향과는 반대가 된다. 이 때문에 역전파 알고리즘이라고 한다.

본 발명의 일 실시 예에서 역전파 알고리즘을 통한 학습방법은 다음과 같다. 먼저, 기존 축사에서 이동평균법을 통해 도출된 설정온도의 누적치와 랜덤으로 생정된 데이터를 70%로 하고 전문가가 최적온도로 입력한 데이터 30%를 더해서 100% 데이터를 만든 뒤 학습을 시키는 방법으로 실시될 수 있다.

또, 실시예는 기존 축사에서 이동평균법을 통해 도출된 설정온도의 누적치와 랜덤으로 생성된 데이터를 100%로 형성한 뒤 30%의 전문가 데이터를 인위적으로 조금씩 입력하면서 학습값과 전문가데이터가 얼마나 맞는지 검증하는 방법이 사용될 수 있다.

학습할 데이터는 100%를 기준으로 하였을 때 50%에서 80% 사이로 조절할 수 있지만 학습할 데이터의 비율이 낮으면 정확도를 높이는데 시간이 많이 소요되고 학습데이터의 비율이 너무 많으면 정확도를 검증하기가 어려우므로 본 실시 예에서는 학습데이터의 비율 70%와 결과값을 미리 알고 있는 검증데이터 비율을 30%로 하여 학습을 진행하는 것이 바람직할 수 있다.

테스트데이터를 이용한 결과값이 일정 수준이상이 되어야 실무에 적용이 가능하다. 만일 학습이 미흡하여 정확성이 낮을 경우 다시 역전파 알고리즘으로 재학습을 실시한다.

재학습을 통해 축적된 데이터는 역전파 알고리즘을 통해 정확도가 지속적으로 향상될 수 있고, 정확성이 향상된 설정온도는 별도의 조작이 없이도 실제 축사에서 최적의 온도를 유지할 수 있다.

본 발명은 특정한 실시 예에 관련하여 도시하고 설명하였지만, 이하의 특허청구범위에 의해 제공되는 본 발명의 기술적 사상을 벗어나지 않는 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 업계에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.

10: 환풍구 100: 배기팬
200: 열교환기 300: 입기팬

Claims (9)

1. 자동제어 알고리즘을 이용하는 지능형 축사 환기 제어방법에 있어서,
   적어도 1년 또는 1년6개월 동안 누적된 복수개의 과거 온도값으로 이루어진 온도데이터를 저장하는 단계;
   상기 축사 내부의 현재온도를 측정하는 단계;
   상기 복수개의 과거 온도값과 상기 현재온도값을 이용하여 지수이동평균법을 통해 설정온도를 산출하는 단계;
   상기 산출된 설정온도를 상기 온도데이터에 추가하기 위해 DB에 저장하는 단계;
   상기 축사 내부의 온도를 측정하면서 상기 축사 내부의 온도가 상기 설정온도에 도달할 때 까지 입기팬 및 환기팬의 회전수를 제어하는 단계;
   를 포함하는 것을 특징으로 하는 지능형 축사 환풍구 제어방법.
2. 삭제
3. 제1항에 있어서,
   상기 산출된 설정온도를 DB에 저장하는 단계는 상기 설정온도가 1년 또는 1년 6개월간 저장되는 것을 특징으로 하는 지능형 축사 환풍구 제어방법.
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 축사 내부의 적어도 한 곳의 온도를 측정하기 위한 온도센서;
   상기 축사 내부로 외부 공기를 송풍하기 위한 입기팬;
   상기 축사 내부의 공기를 외부로 송풍하기 위한 배기팬;
   상기 입기팬에 의해 축사 내부로 유입되는 공기와 상기 배기팬에 의해 축사 외부로 배출되는 공기 사이에 열교환이 이루어지도록 하는 열교환기;
   상기 온도센서로부터 센싱된 온도를 저장하는 데이터베이스; 및
   상기 온도센서에 의해 센싱된 현재 온도값과 상기 데이터베이스에 미리 저장된 적어도 1년 또는 1년6개월 동안 누적된 복수의 과거 온도값을 이용하여 도출된 지수이동평균으로부터 설정온도를 산출하고, 상기 산출된 설정온도에 따라 상기 입기팬 및 배기팬의 회전수를 제어하는 시스템 제어부
   를 포함하는 것을 특징으로 하는 축사 온도 자동제어 장치.
9. 삭제

Images