KR102040953B1

KR102040953B1 - 인공지능에 기반하여 영역 선택적으로 동작하는 공기 조화기, 클라우드 서버, 및 이들의 동작 방법

Info

Publication number: KR102040953B1
Application number: KR1020180041551A
Authority: KR
Inventors: 송태엽; 한동우
Original assignee: 엘지전자 주식회사
Priority date: 2018-04-10
Filing date: 2018-04-10
Publication date: 2019-11-27
Also published as: KR20190118337A; US11301779B2; US20190309978A1; EP3553401A2; CN110360715A; CN110360715B; EP3553401A3

Abstract

본 발명은 인공지능에 기반하여 영역 선택적으로 동작하는 공기 조화기, 클라우드 서버, 및 이들의 동작 방법에 관한 기술로, 본 발명의 일 실시예에 의한 공기조화기는 공기 조화기의 송풍 영역에서 센싱된 재실자의 거리와 방향에 대응하여 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하며, 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 운전하도록 지시하며, 집중 운전 모드로 동작이 완료하면 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 운전 모드로 동작한다.

Description

인공지능에 기반하여 영역 선택적으로 동작하는 공기 조화기, 클라우드 서버, 및 이들의 동작 방법{AIR-CONDITIONER WITH REGION SELECTIVE OPERATION BASED ON ARTIFICIAL INTELLIGENCE, CLOUD SERVER, AND METHOD OF OPERATING THEREOF}

본 발명은 영역 선택적으로 동작하는 공기 조화기, 클라우드 서버, 및 이들의 동작 방법에 관한 기술이다.

공기조화기는, 쾌적한 실내 환경을 조성하기 위해 실내로 냉온의 공기를 토출하여, 실내 온도를 조절하고, 실내 공기를 정화하도록 함으로서 인간에게 보다 쾌적한 실내 환경을 제공하기 위해 설치된다.

일반적으로 공기조화기는, 실내에 설치되는 실내기와, 압축기 및 열교환기 등으로 구성되어 실내기로 냉매를 공급하는 실외기를 포함한다.

한편, 공기조화기는, 실내기 및 실외기가 분리되어 제어될 수 있다. 또한 공기조화기는, 실외기에 적어도 하나의 실내기가 연결될 수 있으며, 요청되는 운전 상태에 따라, 실내기로 냉매를 공급하여, 냉방 또는 난방모드로 운전된다.

최근 사용자의 편의를 위해 공기조화기를 제어함에 있어서 사용자가 선호하는 온도에 적합하게 공기조화기를 제어하는 기술이 제시되고 있다. 본 발명의 출원인이 출원한 10-2017-0105041 출원의 경우, 쾌속 모드와 쾌적 모드로 동작하는 과정을 제시한다. 도 1에서 보다 상세히 살펴본다.

도 1은 쾌속 모드와 쾌적 모드로 동작하는 공기조화기의 동작 과정을 보여주는 도면이다. 공기조화기가 ON되면(S1). 소정의 설정온도(Ts)에 따라 공기조화기는 쾌속모드(또는 쾌속 구간)로 운전된다(S2) 이때, 설정온도(Ts)는 사용자가 선택하거나 소정의 조건에 따라 자동으로 설정될 수 있다. 쾌속 모드는 공간을 빠르게 냉방(혹은 난방)시키는 구성이다. 이후, 쾌속모드에서 공기조화기가 최대 냉방능력으로 운전하여 신속하게 실내공간을 냉방(혹은 난방)한다. 이 과정에서 설정온도와 실내온도를 비교하여(S3), 설정 온도에 도달하면, 실내 습도를 확인하고(S4), 실내 습도가 소정 수치 이상이면 제습모드로 운전한다(S6). 한편, 실내 습도가 소정 수치 이하이면 쾌적 모드로 운전한다(S5).

여기서 쾌적 모드(또는 쾌적 구간)란 설정온도(Ts) 보다 높은 새로운 설정 온도(Tsa)를 기준으로 운전하는 것을 의미한다. 환경을 감지하여 냉방 부하를 조절하여 쾌적한 냉방(또는 난방)을 유지하는 절전 기능의 동작을 포함한다. 이는 공기조화기가 켜진 상태에서 최초에는 쾌속 모드로 동작하고 이후 일정한 온도에 도달하면 쾌적 모드로의 동작 전환을 제시한다.

그런데, 이러한 쾌적 모드와 쾌속 모드는 미리 설정된 상태에서 주변 환경의 변화를 동적으로 적용하지 못하는 한계가 있다. 예를 들어 온도의 변화나 재실 인원의 수, 재실 인원이 거주하는 위치, 또는 습도 등에 따라 쾌속 모드와 쾌적 모드의 동작에 영향을 주는 변수들이 다양해질 수 있는데 이러한 부분을 반영하는 것에 있어서 한계가 있었다.

따라서, 공기조화기의 실내기는 특정한 공간에 배치되어 동작하는데, 다수의 실내기들이 동작하는 과정에서 파생된 정보들을 취합하여 공기조화기의 성능을 높이는 방안에 대한 연구가 요청되고 있다. 이에, 본 명세서에서는 다수의 실내기들의 동작 과정에서 도출되는 정보를 이용하여 각 실내기들이 필요한 영역을 중점으로 하여 다양한 운전 모드의 구간에서 최적으로 동작할 수 있도록 제어하는 방법 및 이를 적용한 공기조화기에 대해 살펴본다.

본 명세서에서는 전술한 문제점을 해결하기 위한 것으로, 공기조화기가 재실 인원의 위치나 수 등에 따라 냉방 또는 난방 효율의 체감 효율을 높이고자 한다.

본 명세서에서는 별도의 조작 없이도 공기조화기가 공간 내의 생활 영역을 인지하여 동작할 수 있도록 한다.

본 명세서에서는 집중적으로 동작하는 구간에서 산출되는 파라미터들에 기반하여 공기조화기의 이후 동작을 제어하는 학습 기반의 장치와 방법을 제공하고자 한다.

본 명세서에서는 다수의 공기조화기의 실내기가 산출한 파라미터를 학습 인자로 하여 공기조화기의 최적의 운전 모드를 산출하는 장치 및 방법을 제공하고자 한다.

본 명세서에서는 실내기가 동작하는 과정에서 온도를 쾌속으로 변화시키는 과정에서 발생한 파라미터에 기반하여 이후 단계의 운전을 제어하는 장치 및 방법을 제공하고자 한다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

본 발명의 일 실시예에 의한 공기조화기는 공기 조화기의 송풍 영역에서 센싱된 재실자의 거리와 방향에 대응하여 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 영역 인식 모듈을 포함한다.

본 발명의 일 실시예에 의한 공기조화기는 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 운전하도록 지시하며, 집중 운전 모드로 동작이 완료하면 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 운전 모드로 동작한다.

본 발명의 일 실시예에 의한 클라우드 서버는 공기조화기가 송신한 재실자의 거리 및 방향 정보에 대응하여 공기 조화기의 송풍 영역에서 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 영역인식부를 포함한다.

본 발명의 일 실시예에 의한 클라우드 서버는 영역 인식부에서 구분된 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 동작한 이후 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 비집중 운전 모드를 지시하는 운전모드 지시부를 포함한다.

본 발명의 일 실시예에 의한 영역 선택적으로 공기조화기가 동작하는 방법은 공기조화기의 영역인식모듈이 공기 조화기의 송풍 영역에서 센싱된 재실자의 거리와 방향에 대응하여 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 단계와 공기조화기의 운전모드제어모듈이 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 운전하도록 지시하는 단계를 포함한다.

본 발명의 일 실시예에 의한 영역 선택적으로 공기조화기가 동작하는 방법은 집중 운전 모드로 동작이 완료하면 공기조화기의 제어부가 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 운전 모드로 공기조화기가 동작하도록 제어하는 단계를 포함한다.

본 발명의 일 실시예에 의한 공기 조화기의 영역 선택적 동작을 클라우드 서버가 지시하는 방법은 클라우드 서버의 영역인식부가 공기조화기의 송풍 영역에서 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 단계와 클라우드 서버의 운전모드 지시부가 수신한 파라미터를 이용하여 공기조화기의 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 비집중 운전 모드의 정보를 산출하는 단계를 포함한다.

본 발명의 실시예들을 적용할 경우, 공기조화기는 생활 영역을 판단한 결과 사용자가 주로 거주하는 공간을 중심으로 냉방 또는 난방을 수행하며, 이들 공간에 대응하여 상이한 운전 모드로 동작할 수 있도록 한다.

본 발명의 실시예들을 적용할 경우, 공기조화기가 설치된 공간의 특성을 확인하여 지속적으로 업데이트되는 재실 인원의 위치 정보에 기반하여 변경되는 생활 영역의 정보를 취득하고 이를 공기조화기의 동작에 적용할 수 있다.

본 발명의 실시예들을 적용할 경우, 주요 생활 공간에서 공기조화기가 동작하는 과정에서 산출된 파라미터를 학습 인자로 하여 그에 후속하는 운전 모드를 산출할 수 있다.

본 발명의 실시예들을 적용할 경우, 클라우드 서버는 다수의 공기조화기가 동작 과정에서 산출하여 제공한 파라미터들에 기반하여 학습 후 각 공기조화기에 적합한 운전 모드를 산출할 수 있다.

본 발명의 일 실시예들을 적용할 경우, 공기조화기가 일정한 목표 도달 온도에 도달하도록 동작한 후, 보다 작은 단위시간당 소비 전력량에 기반하여 목표 도달 온도를 일정 범위 내에 유지할 수 있다.

본 발명의 일 실시예를 적용할 경우, 효율적인 에어컨의 냉방 혹은 난방 제어를 위해 학습 기반에 따라 송풍 영역을 구분하는 방법과 운전 모드에 따라 부하를 추정하는 방법 및 이를 적용한 장치를 제공할 수 있다.

본 발명의 효과는 전술한 효과에 한정되지 않으며, 본 발명의 당업자들은 본 발명의 구성에서 본 발명의 다양한 효과를 쉽게 도출할 수 있다.

도 1은 쾌속 모드와 쾌적 모드로 동작하는 공기조화기의 동작 과정을 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 공기조화기의 간략한 개념도이고, 도 3은 본 발명의 일 실시예에 따른 공기조화기의 주요 구성들 간의 제어관계를 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 의한 영역 인식 모듈이 영역을 인식하는 과정을 보여주는 도면이다.
도 5 내지 도 7은 본 발명의 실시예에서 적용하는 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다.
도 8은 본 발명의 일 실시예에 따른 송풍 영역의 인식 과정을 도시한 순서도이다.
도 9는 본 발명의 일 실시예에 의한 영역 구분에 필요한 데이터 전처리 과정을 보여주는 도면이다.
도 10은 본 발명의 일 실시예에 의한 돌출맵과 2차원의 히스토그램을 보여주는 도면이다.
도 11은 본 발명의 일 실시예에 의한 영역 구분에 필요한 특징 추출 과정을 보여주는 도면이다.
도 12는 본 발명의 일 실시예에 의한 송풍 영역을 인식하는 과정을 보여주는 도면이다.
도 13은 본 발명의 일 실시예에 의한 공기조화기가 카메라를 통하여 실내 공간을 촬영하여 영상을 획득하고, 획득한 영상에서 재실자의 존재 여부 및 위치를 인식하는 도면이다.
도 14는 본 발명의 일 실시예에 의한 최종 공간을 감지한 결과를 보여주는 도면이다.
도 15 내지 17은 본 발명의 일 실시예에 의한 운전모드 제어모듈이 집중 운전 모드와 비집중 운전 모드로 구분하여 동작하는 구성을 보여주는 도면이다.
도 18은 본 발명의 일 실시예에 의한 클라우드 서버의 구성을 보여주는 도면이다.
도 19는 본 발명의 일 실시예에 의한 공기조화기와 클라우드 서버 간의 동작 과정을 보여주는 도면이다.
도 20은 본 발명의 일 실시예에 의한 집중 운전 모드와 비집중 운전모드에 대응하는 송풍부의 동작을 보여주는 도면이다.

이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.

본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.

본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

본 명세서에서 공조조화기를 구성하는 구성요소로 실외기와 실내기로 구분한다. 하나의 공조 시스템은 하나 이상의 실외기와 하나 이상의 실내기로 구성된다. 실외기와 실내기 사이의 관계는 1:1, 1:N, 또는 M:1이 될 수 있다.

본 발명은 냉방 또는 난방을 제어하는 모든 장치에 적용될 수 있다. 다만, 설명의 편의를 위하여 냉방에 중점을 두고 설명한다. 난방에 적용될 경우에는 온도를 높이는 과정과 높인 온도를 유지하는 메커니즘에 본 발명의 실시예들을 적용할 수 있다.

한편, 본 명세서에서는 본 발명에 따른 실시예를 냉방을 위주로 설명하지만 난방의 경우에도 동일 또는 유사하게 실시될 수 있다.

도 2는 본 발명의 일 실시예에 따른 공기조화기의 간략한 개념도이고, 도 3은 본 발명의 일 실시예에 따른 공기조화기의 주요 구성들 간의 제어관계를 도시한 블록도이다.

본 실시예에서, 공기조화기(100)는 스탠드형 공기조화기인 것으로 예시된다. 그러나 본 발명은 이에 한정되는 것은 아니며, 스탠드형 공기조화기 외에도 벽걸이형 공기조화기나 천장형 공기조화기 등과 같은 공기조화기 또한 본 발명의 공기조화기(100)로서 적용될 수 있음은 물론이다.

도 2와 도 3을 참조하면, 본 발명의 일 실시예에 따른 공기조화기(100)는, 외부의 영상을 획득하는 카메라(193), 카메라(193)가 획득하는 영상에서 복수의 영역으로 구분되는 실내 공간 내에 재실자가 위치하는 영역을 인식하고, 재실자의 위치 인식 결과를 머신 러닝(machine learning)으로 기학습된 인공 신경망(Artificial Neural Network)을 포함하며, 이 인공 신경망에 데이터의 입력으로 사용하여 복수의 영역에 대하여 집중적으로 송풍하는 집중 송풍 영역과 비집중 송풍 영역으로 구분하는 영역 인식 모듈(150), 실내에 적합한 운전 모드를 선택하여 제어하는 운전모드 제어모듈(170), 그리고 구분된 송풍 영역 및 운전모드에 기초하여 기류 및 실내기의 동작을 제어하는 중앙제어부(110)를 포함할 수 있다.

도 2을 참조하면, 공기조화기의 실내기에는 실내공기가 흡입되도록 흡입구(미도시)와 흡입구를 통해 흡입된 공기가 다시 실내로 토출되도록 송풍부(15)가 형성될 수 있다.

또한, 송풍부(15)에는, 송풍부(15)를 개폐시키고, 토출되는 공기의 풍향을 조절하는 풍향 조절 수단이 배치되고, 중앙제어부(110)의 제어에 따라 모터 등을 구동하여 풍향 조절 수단의 각도 및 방향을 전환할 수 있다. 이에 따라, 송풍부(15)를 통해 토출되는 공기의 풍향을 조절할 수 있다.

또한, 풍향 조절 수단은 상하 또는 좌우 또는 특정 방향으로의 동작을 제어함으로써, 기류의 송풍방향, 송풍범위 등을 조절할 수 있다.

풍향 조절 수단은 영역인식 모듈(150)이 인식하여 산출된 영역에 대해, 운전 모드 제어 모듈(170)이 산출한 운전 모드에 따라 냉방 또는 난방을 수행하도록 송풍한다. 예를 들어 집중 송풍 영역에 대해 송풍부(15)에서 토출되는 바람의 방향와 각도, 또는 풍량, 풍속 등을 제어할 수 있다.

한편, 공기조화기 내부에는 흡입구로 흡입된 실내의 공기가 송풍부(15)를 통해 실내 공간으로 배출되는 흐름을 제어하기 위한 팬이 설치되어 있는데, 팬은 팬 모터에 의해 회전이 조절되고, 팬 모터의 작동은 중앙제어부(110)에 의해 제어된다.

따라서, 중앙제어부(110)는 풍향 조절 수단 및 팬 모터를 제어하여 영역인식 모듈(150)이 인식하여 산출된 영역에 대해, 공기조화기(100)로부터 토출되는 공기의 흐름(기류)의 방향을 제어할 수 있다. 또한, 중앙제어부(110)는 운전 모드 제어 모듈(170)이 산출한 운전 모드에 따라 팬 모터의 속도를 제어하여 기류의 양과 속도를 제어할 수 있다.

특히, 중앙제어부(110)는 영역인식 모듈(150)이 인식하여 산출된 영역, 예를 들어 특정 객체가 위치하는 영역을 운전 모드 제어 모듈(170)이 산출한 운전 모드에 따라 빨리 냉방(또는 난방)할 수 있도록 기류의 방향과 속도를 제어할 수 있는데, 예를 들어 중앙제어부(110)는 구분되는 송풍 영역(집중 송풍 또는 비집중 송풍 영역)에 따라 냉방 속도를 조절할 수 있다.

예를 들어, 중앙제어부(110)는 공기조화기가 설치된 실내 공간 내에, 다수의 재실자가 위치하거나 많은 시간 동안 위치하는 주로 생활하는 영역이 인식되면, 해당 생활 영역을 집중 송풍 영역으로 설정하여 냉방 또는 난방 강도를 더 높일 수 있도록 기류를 제어할 수 있다.

또한, 중앙제어부(110)는 집중 송풍 영역에 대하여 운전모드 제어모듈(170)이 산출한 운전 모드에 따라 집중 냉방을 수행하도록 제어할 수 있다.

따라서, 본 발명의 일 실시예에 따른 공기조화기는 복수의 영역으로 구분되는 실내 공간 내에서 복수의 송풍 영역에 대하여 머신 러닝(machine learning) 기반의 집중 송풍 영역 구분(인식)을 수행할 수 있으며 인체 감지에 기반하여 재실자의 위치(거리와 방향) 인식 역시 머신 러닝에 기반하여 수행할 수 있다. 제어부(110)는 영역 인식 모듈(150)과 협업하여 송풍부(15)에서 토출하는 바람의 방향 또는 바람의 세기, 바람의 양 등을 제어할 수 있다.

영역 인식 모듈(150)에 대해 상세히 살펴보면, 카메라(193)를 통하여 일정 주기 혹은 미리 설정된 시점에서 혹은 재실 인원의 변화 등의 시점에서 획득된(입력된 또는 촬영된) 영상을 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 영상 내에 포함되는 재실자 및 재실자의 위치와 거리, 각도를 인식할 수 있다. 인체 인식부(151)가 재실자의 위치, 각도, 거리를 탐색할 수 있다.

또한, 재실자 위치 정보를 누적하여 영역인식부(153)는 학습된 머신러닝 알고리즘을 이용하여 생활영역 분류를 수행하여, 실제 사용자가 주로 거주하는 영역을 추정할 수 있다.

뿐만 아니라, 영역 인식 모듈(150)은, 카메라(193)를 통하여 획득된 영상을 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 실내 공간을 복수의 영역으로 구분하고 구분된 복수의 영역을 둘 이상 구분되는 영역, 예를 들어 재실자가 주로 생활하는 영역(집중 송풍 영역)과 미생활 영역(비집중 송풍 영역)으로 구분할 수 있다. 그 결과 실제 거주자가 주로 거주하는 영역(집중 송풍 영역)과 이 영역과 공기조화기 사이의 거리 등을 추정할 수 있다. 또는, 생활영역을 보다 세분화하여 상주영역(제1집중 송풍 영역), 이동영역(제2집중 송풍 영역)으로 구분할 수 있다. 반대로, 미생활 영역을 세분화하여 이동영역(제1비집중 송풍 영역) 및 이동이 없는 영역(제2비집중 송풍 영역)으로 구분할 수 도 있다.

이는 재실자가 센싱된 영역과 거리 정보, 재실자가 감지되는 빈도, 또는 이러한 정보들이 누적된 결과 등을 이용하여 산출될 수 있다. 이를 통해 송풍부(15)가 사람이 있는 곳 또는 사람이 있을 확률이 높은 곳을 대상으로 집중하여 바람을 송풍하여 냉방 또는 난방 효율을 높일 수 있다.

영역 인식 모듈(150)은 구분된 송풍 영역을 중앙제어부(110)에게 제공하면, 제어부(110)는 구분된 송풍 영역을 중심으로 송풍이 되도록 제어 신호를 생성할 수 있다. 보다 상세히, 구분된 송풍 영역에 기초하여 송풍부(15)를 구성하는 팬 모터 및 풍향 조절 수단을 제어할 수 있다. 즉, 송풍 영역 추정 결과를 이용하여 실제 사용자가 주로 거주하는 공간에 한정하여 기류를 제어하여, 벽면 등의 불필요한 영역에 기류를 제한하고, 사용자 맞춤 운전이 가능하여, 냉방효율을 증대와 함께, 사용자에게 편의성 및 쾌적감 제공이 기능하다.

기학습된 인공신경망은 영역인식부(153)를 구성할 수 있다. 또는 외부의 클라우드 서버 내에 배치된 별도의 학습부가 기학습된 인공신경망을 포함할 수 있다. 중앙제어부(110)는 영역 인식 모듈(150)의 영역 구분 결과에 따라 기류의 방향과 세기 등을 제어할 수 있다. 예를 들어, 중앙제어부(110)는 인식된 재실자의 위치에 기초하여 복수의 영역 중 집중 송풍 영역과 비집중 송풍 영역을 구분하고, 집중 송풍 영역에 대응하는 영역을 빨리 냉방할 수 있도록 팬 모터 및 풍향 조절 수단 등을 제어하여 최적화된 기류의 방향과 세기를 제어할 수 있다.

인체인식부(151)와 영역 인식부(153)는 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 인식 과정을 수행할 수 있다.

인체인식부(151)는 인체 감지에 기반하여 재실자의 존재 여부 및 위치를 인식하고, 영역 인식부(153)는 재실자의 위치 인식 결과에 기초하여 복수의 영역에 대하여 집중 송풍 영역을 구분함으로써, 실내 공간 내의 생활 영역을 구분할 수 있다. 즉, 인체감지 정보를 이용하여 생활(상주/이동)영역과 미생활 영역으로 구분할 수 있다. 그 결과 구분된 생활 영역인 집중 송풍 영역에 대해 효율적으로 냉방을 수행할 수 있도록 기류를 제어함으로써, 냉방 효율 및 에너지 효율을 향상시킬 수 있다.

또한, 본 발명의 일 실시예에 따른 공기조화기는 실내 공기의 상태를 측정하여 설정된 상태에 도달하도록 운전한다. 그런데, 특정한 상태에 도달하는 과정에서 실내기의 동작이 효율적으로 진행되기 위해서는 특정한 상태 이전, 그리고 특정한 상태 이후의 다양한 요소들을 반영하는 것이 필요하다. 그리고 각 요소들에 기반한 학습 모델을 통해 보다 정밀하게 실내기의 동작을 제어할 경우, 효율적인 운전을 가능하게 한다.

이를 위해, 중앙제어부(110) 및 운전모드제어모듈(170)은 실내에 대한 상태를 센싱하여 적합한 운전 모드를 산출할 수 있다. 그리고 앞서 산출된 특정한 영역(집중 송풍 영역)에만 집중적으로 쾌속 모드로 운전을 한 후, 이후 전체 영역(집중 송풍 영역 및 비집중 송풍 영역) 또는 일부 영역에 대해서 쾌적 모드로 운전을 할 수 있다.

운전모드제어모듈(170)은 앞서 영역인식모듈(150)이 산출한 영역들에 대해 운전 모드를 결정한다. 운전 모드의 일 실시예는 쾌속 운전 모드와 쾌적 운전 모드 두 개의 모드로 구성할 수 있다. 또는 다른 실시예에 의하면 운전 모드는 쾌속 운전 모드, 전환 운전 모드, 쾌적 운전 모드로 나뉘어질 수 있다.

이들 운전 모드는 바람의 세기, 운전 과정에서의 온도의 변화 크기, 또는 에너지 소모량 등으로 구분할 수 있는데, 시간당 에너지 소모량으로 비교할 때, 쾌속 운전 모드가 가장 크며, 쾌적 운전 모드가 가장 작도록 구성될 수 있다.

운전 모드 제어 모듈(170)이 운전 모드를 선택하기 위한 구성요소를 살펴본다. 파라미터 생성부(171)는 공기조화기(100)에서 측정하거나 센싱하는 온도나 습도, 또는 온도와 습도의 변화율, 각각의 변화에 소요된 시간 등의 파라미터를 생성한다. 센싱부(173)는 파라미터 생성부(171)가 생성하는 파라미터를 위해 송풍 영역의 온도나 습도를 또는 이들의 변화를 센싱할 수 있다. 센싱된 값은 파라미터 생성부(171)에 제공되고, 파라미터 생성부(110)는 센싱된 값들을 별도의 메모리에 누적한 후 파라미터를 생성할 수 있다. 따라서, 파라미터 생성부(171)는 환경인자 및 제품 제어 정보 등에 기반하여 파라미터를 산출하고, 기반으로 하여 운전 모드를 결정한다.

파라미터 생성부(171)에서 산출되는 파라미터의 일 실시예로는 송풍 영역에서 비집중 송풍 영역과 집중 송풍 영역의 위치와 면적, 집중 운전 모드로 운전하는 구간의 시작 시점의 실내 초기 온도, 구간의 목표 설정 온도, 구간의 미리 설정된 초기 구간의 온도 변화율, 구간의 온도 변화율, 및 구간의 시작 시점 및 종료 시점 사이의 시간 크기 중 어느 하나 이상을 파라미터로 생성한다. 특히, 집중/비집중 운전 모드를 수행하는 대상이 되는 집중/비집중 송풍 영역의 위치와 면적을 파라미터로 적용할 수 있다.

이후, 운전 모드 지시부(175)는 초기 N분(공기조화기의 턴온 시점) 또는 특정 시점(스마트 온 시점)을 기준으로 N분동안의 집중 운전 모드 및 N분 이후의 비집중 운전 모드를 지시할 수 있다. 스마트온이란 공기조화기가 동작하는 과정에서 사용자가 별도의 제어 없이 공기조화기가 실내 온도나 습도 등을 확인하여 동작하는 것을 의미한다.

운전 모드 지시부(175)는 설정된 목표 온도 혹은 목표 습도 등 목표 상태에 대한 정보를 저장할 수 있다. 목표 상태는 하나 이상의 온도 혹은 하나 이상의 습도를 포함할 수 있다. 또한, 운전 모드 지시부(175)는 둘 이상의 온도 혹은 둘 이상의 습도를 선택적으로 포함할 수도 있으며, 이 경우, 어느 값을 현재 동작 중인 실내기의 목표 온도 혹은 목표 습도로 설정할 것인지는 중앙제어부(110)의 제어에 따라 선택 및 설정될 수 있다.

운전모드 제어 모듈(170)의 운전모드지시부(175)는 운전모드를 제어하여 각 모드에서 어떤 풍속과 온도, 혹은 바람의 세기 등을 조절할 것인지를 제공할 수 있다. 예를 들어, 영역 인식 모듈(150)에서 제시하는 영역에 대해 운전모드제어모듈(170)에서 쾌속 운전모드를 수행하는 경우, 이 과정에서 도출된 정보들에 기반하여 이후 쾌적 운전 모드에서의 운전 상태(예를 들어 과부하, 소부하, 중부하 등)를 결정할 수 있다.

운전모드지시부(175)는 추가적으로 공기조화기(100)에 설정된 목표 온도 혹은 목표 습도 등의 목표 상태에 대한 정보를 포함하여 운전모드를 지시할 수 있다. 목표 상태는 하나 이상의 온도 혹은 하나 이상의 습도를 포함할 수 있다. 또한, 운전모드지시부(175)는 둘 이상의 온도 혹은 둘 이상의 습도를 선택적으로 포함할 수도 있으며, 이 경우, 어느 값을 현재 동작 중인 공기조화기의 목표 온도 혹은 목표 습도로 설정할 것인지는 중앙제어부(150)의 제어에 따라 선택 및 설정될 수 있다.

인터페이스부(191)는 사용자가 공기조화기(100)의 온도나 습도, 풍량이나 풍향 등을 제어할 수 있도록 하는 것으로, 버튼 식 혹은 리모컨 식, 혹은 원격 조정 등의 인터페이스를 제공한다. 또한, 인터페이스부(191)는 송풍부(15)에서 토출하는 공기의 풍속, 풍량 또는 온도를 변경하는 인터럽트 입력을 수신할 수 있다. 인터럽트 입력은 영역인식부(153) 또는 운전모드 지시부(175)에 소정의 정보로 제공될 수 있다.

운전모드지시부(175)는 영역 인식 모듈(150)에서 산출된 송풍 영역들에 대한 정보와 센싱부(173) 및 파라미터 생성부(171)가 산출한 정보에 기반하여 운전 모드를 결정할 수 있다.

영역 인식 모듈(150)에 기반할 경우 공기조화기의 냉방 또는 난방 효율 및 사용자 쾌적성을 증대를 위해 사용자 실생활을 영역 인식에 기반하여 파악할 수 있다. 이 과정에서 미리 학습된 인체 인식부(151) 및 영역 인식부(152)를 이용하여 재실자가 존재하는 영역을 카메라를 이용하여 인식한다.

영역 인식 모듈(150)의 인체 감지 결과에 따라 풍량과 풍향을 제어하는 방식으로 공간을 파악하며, 이에 적합하게 운전 모드 제어모듈(170)에 공기조화기를 동작시켜 필요한 영역에 필요한 방식으로 공기조화기가 동작할 수 있다.

따라서, 운전모드 지시부(175)는 공기조화기가 턴온 또는 스마트온 시점을 기준으로 영역 인식 모듈(150)이 판단한 집중 송풍 영역에 대해 미리 설정된 시간 동안 집중 운전 모드를 지시하며, 집중 운전 모드가 종료하면 비집중 송풍 영역과 집중 송풍 영역에 대해 비집중 운전 모드를 지시할 수 있다.

도 3의 통신부(192)는 공기조화기(100) 내의 구성요소들을 업데이트시킬 수 있다. 일 실시예로 영역인식부(153) 및 운전모드 지시부(175)를 구성하는 학습 알고리즘을 업데이트 시키거나 혹은 이들을 구성하는 학습 네트워크(예를 들어 딥러닝 네트워크)를 업데이트 시키는 정보를 수신할 수 있다.

또는, 통신부(192)는 외부의 서버에 배치된 학습부를 이용하기 위해 영역인식모듈(150) 또는 운전모드제어모듈(170)이 산출한 정보를 외부의 서버에게 전송하고, 서버로부터 결과를 수신할 수 있다. 즉, 통신부(192)는 외부에 배치된 서버와 데이터를 송수신하는 기능을 제공하며, 통신부(192)가 수신한 데이터들은 다른 구성요소들을 업데이트하거나 업그레이드하는데 적용된다.

만약 외부의 서버에 학습부가 배치된 경우, 해당 학습부는 앞서 살펴본 영역인식부(153) 및 운전모드지시부(175)의 기능을 제공할 수 있다.

도 3을 정리하면 다음과 같다.

카메라(193)는 공기조화기를 기준으로 재실자의 거리와 방향을 센싱한다. 그리고 영역인식모듈(150)는 공기 조화기의 송풍 영역에서 센싱된 재실자의 거리와 방향에 대응하여 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분한다. 이후 운전모드제어모듈(170)은 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 운전하도록 지시한다.

중앙제어부(110)는 영역 인식 모듈(150)에서 구분된 집중 송풍 영역에 대해 지시된 집중 운전 모드로 공기조화기가 동작하도록 제어한다. 그리고 집중 운전 모드로 동작이 완료하면 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 운전 모드로 공기조화기가 동작하도록 제어한다. 이러한 모드의 지시는 운전모드제어모듈(170)에서 산출할 수 있다. 그 결과 공기조화기(100)는 특정한 송풍 영역에 대해 선택적으로 동작할 수 있다.

도 4는 본 발명의 일 실시예에 의한 영역 인식 모듈이 영역을 인식하는 과정을 보여주는 도면이다. 먼저, 카메라(193)를 통하여, 외부의 영상을 획득할 수 있다(S21). 영역 인식 모듈(150)은, 카메라(193)가 획득하는 영상에서 재실자의 존재 여부 및 재실자의 위치를 인식할 수 있다(S22). 예를 들어, 영역 인식 모듈(150)은 머신 러닝(machine learning)으로 기학습된 데이터에 기초하여 재실자의 위치, 보다 정확하게는 재실자의 거리와 방향을 인식할 수 있다(S22).

영역 인식 모듈(150)은 재실자의 위치 인식 결과를 머신 러닝(machine learning)으로 기학습된 데이터의 입력으로 사용하여 복수의 영역에 대하여 송풍 영역(집중 송풍 영역과 비집중 송풍 영역)을 구분할 수 있다(S23). 그리고 중앙 제어부(110)는 구분된 송풍 영역에 기초하여 기류를 제어하는 제어 신호를 생성할 수 있다(S24). 예를 들어, 복수의 영역으로 구분되는 실내 공간 중 사용자가 실제 생활하는 영역으로 구분된 집중 송풍 영역을 급속 냉/난방하거나 집중 냉/난방하기 위해 중앙제어부(110)는 송풍부(15)의 팬 모터 및 풍향 조절 수단을 제어할 수 있다.

그 결과 송풍 방향이 일정한 영역으로 포커싱되어 기류가 제어된다(S25). 여기서 기류는 좌우뿐만 아니라 상하 방향도 제어되는데, 사람이 있는 위치는 좌우의 폭뿐만 아니라 재실자와의 거리 정보도 포함되기 때문이다.

실시예에 따라서는, 공기조화기는, 소정의 서버로부터 머신 러닝과 관련된 데이터를 수신하면, 이에 기초하여 영역인식부(153)의 기학습된 데이터를 업데이트(update)할 수 있다.

S21 내지 S25 과정을 통해 공기조화기는 추가 장치 및 전문가의 조작 없이 설치 및 동작 수행만으로 생활영역 인지를 수행하고, 쾌적제어와 연동할 수 있다.

S21 내지 S25의 과정은 일정한 간격을 두고 업데이트될 수 있으며, 그 결과 변경된 생활 영역에 적응하여 최적의 기류를 제어할 수 있다.

S21 내지 S25 과정을 정리하면, 카메라(193)에서 촬영한 영상이 입력되면 인체인식부(151)에서 인체감지를 수행하며, 일정 시간 후 인체감지 결과 누적값을 이용하여 송풍 영역을 분류하는 작업이 영역인식부(153)에서 이루어진다. 이를 기반으로 집중 송풍 영역으로 바람을 송풍하도록 제어하는 제어신호가 생성되며, 이를 위해 펜 모터 로버 각도 및 풍량 조절 등 기류제어가 이루어진다. 또한, 운전모드제어모듈(170)의 제어에 기반하여 집중 송풍 영역에 대해 집중 운전을 수행한 후, 비집중 운전 모드, 예를 들어 쾌적 모드로 운전할 경우에는 집중 송풍 영역의 위치에 따라 다양하게 비집중 운전 모드를 설정할 수 있다. 예를 들어, 비집중 운전 모드로 과부하로 판단된 경우, 운전모드 지시부(175)는 집중 송풍 영역이 중거리 또는 원거리라면 목표 온도를 유지하고 중풍을 지시할 수 있다. 반면, 집중 송풍 영역이 근거리인 경우, 목표 온도를 유지하고 약풍을 지시할 수 있다. 운전모드제어모듈(170)은 집중 송풍 영역의 위치나 면적, 그리고 비집중 운전 모드에 적용할 부하 단계(과부하/중부하/소부하 등)에 따라 운전 모드를 달리 할 수 있다.

도 5 내지 도 7은 본 발명의 실시예에서 적용하는 딥러닝(Deep Learning)에 대한 설명에 참조되는 도면이다. 설명하게 되는 딥러닝은 영역인식부(153) 또는 운전모드지시부(175)를 구성할 수도 있고, 외부의 서버에 배치된 학습부를 구성할 수도 있다. 즉, 송풍 영역(생활 영역)을 인식하거나 운전 모드를 지시함에 있어서 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning)을 이용할 수 있으며, 이 과정에서 딥러닝 기반 인공 신경망을 적용할 수 있다. 이는 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다. 딥러닝(Deep learning)은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(ANN)를 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등 심층신경망(DNN)으로 구성될 수 있다

도 5를 참조하면, 인공신경망(ANN)은 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

예를 들어, 영역인식부(153)에 구성될 딥러닝은 입력 레이어에 입력되는 인자로, 송풍 영역을 다수의 서브 영역으로 나누고 이들 송풍 영역에 대해 재실자의 센싱 여부 또는 재실자가 센싱된 횟수 등을 입력할 수 있다. 그리고 출력 레이어에서 출력되는 인자로는 해당 서브 영역이 집중 송풍 영역인지 비집중 송풍영역인지, 혹은 비집중 송풍영역의 경우 다시 제1비집중 송풍 영역, 제2비집중 송풍영역 등으로 분화하여 세부적으로 영역의 정보를 산출할 수 있다.

마찬가지로, 운전모드 지시부(175)에 구성될 딥러닝은 집중 운전 모드로 운전하는 과정에서 산출된 정보들, 예를 들어 집중 운전 모드로 운전하는 구간)의 시작 시점의 실내 초기 온도, 집중 운전 모드 구간의 목표 설정 온도, 집중 운전 모드 구간의 미리 설정된 초기 시간 동안의 온도 변화율, 집중 운전 모드 구간 전체의 온도 변화율, 및 집중 운전 모드 구간의 시작 시점 및 종료 시점 사이의 시간 크기가 입력 레이어에 입력될 수 있다. 또한, 송풍 영역에서 집중 송풍 영역과 비집중 송풍 영역의 비율이나 크기, 위치 등도 입력 레이어에 입력될 수 있다. 그리고 출력 레이어는 집중 운전 모드가 끝난 후 동작하는 비집중 운전 모드를 어떤 방식으로 운전할 것인지를 지시하는 정보가 출력될 수 있다. 예를 들어 과부하/중부하/소부하 등으로 나눌 수도 있고, 온도를 조절하거나 풍력을 조절하는 지시 정보가 출력될 수도 있다. 또한 집중 송풍 영역과 비집중 송풍 영역의 면적이나 위치에 따라 집중 송풍 영역에 대해 집중 운전 모드로 운전하며 제공된 냉기 또는 열기가 주변으로 이동하는 가능성을 히든 레이어에서 산출하여 과부하/중부하/소부하를 판별할 수 있다.

도 6을 참조하면, 컴퓨터(머신)는 투입된 입력 데이터(31)로부터 일정한 패턴을 발견해 특징맵(Feature Map)을 형성한다. 컴퓨터(머신)는 하위레벨 특징(32)부터, 중간레벨 특징(33), 상위레벨 특징(34)까지 추출하여, 대상을 인식하고 그 결과를 출력(35)할 수 있다.

인공신경망은 다음 순서의 레이어로 갈수록 더욱 상위레벨의 특징으로 추상화할 수 있다.

도 5와 도 6을 참조하면, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다.

임의의 노드, 예를 들어, 하위레벨 특징(32)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(33)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(33)의 노드는 하위레벨 특징(32)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

이 때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드간의 연결 강도를 의미할 수 있다. 또한, 딥러닝 과정은 적절한 웨이트(weight)를 찾아내는 과정으로도 볼 수 있다. 뿐만 아니라, 딥러닝 과정은 적절한 바이어스(bias)를 찾는 과정이기도 한다. 바이어스는 노드 간의 값을 특정한 방향으로 치우치도록 제공되는 것을 의미한다.

한편, 임의의 노드, 예를 들어, 중간레벨 특징(33)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징(34)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징(34)의 노드는 중간레벨 특징(33)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

인공신경망은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있다. 인공신경망은 순차적으로 추상화하여, 가장 상위 레벨의 특징 정보를 활용하여 소정 대상을 인식할 수 있다.

예를 들어, 딥러닝에 의한 얼굴인식 과정을 살펴보면, 컴퓨터는 입력 영상으로부터, 픽셀의 밝기에 따라 밝은 픽셀과 어두운 픽셀을 구분하고, 테두리, 에지 등 단순한 형태를 구분한 후, 조금 더 복잡한 형태와 사물을 구분할 수 있다. 최종적으로 컴퓨터는 인간의 얼굴을 규정하는 형태를 파악할 수 있다.

본 발명에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등일 수 있다.

RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.

CNN(Convolutional Neural Network)은, 특히 객체 인식 분야에서 많이 사용되는 구조로써, 도 7을 참조하여 설명한다. CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.

도 7은 CNN(Convolutional Neural Network) 구조를 도시한 도면이다.

CNN(Convolutional Neural Network)도 입력 레이어(Input Layer), 히든 레이어(Hiddent Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다.

입력 레이어(Input Layer)에는 소정 이미지(710)가 입력된다.

도 7을 참조하면, 히든 레이어(Hiddent Layer)는 복수의 레이어로 구성되고, 컨볼루션 레이어(convolution layer)와 서브-샘플링 레이어(sub-sampling layer)를 포함할 수 있다.

CNN(Convolutional Neural Network)에서는 기본적으로 컨볼루션(convolution) 연산을 통해 영상의 특징을 추출하기 위한 다양한 필터와 비선형적인 특성을 더하기 위한 풀링(pooling) 또는 비선형 활성화(non-linear activation) 함수 등이 함께 사용된다.

컨볼루션(convolution)은 영상 처리 분야에서 주로 필터 연산에 사용되며 영상으로부터 특징(feature)을 추출하기 위한 필터를 구현하는데 사용된다.

예를 들어, 소정 크기의 윈도우를 이동하면서 영상 전체에 대해서 컨볼루션 연산을 반복적으로 수행하게 되면 윈도우의 가중치(weight) 값에 따라 적정한 결과를 얻을 수 있다.

컨볼루션 레이어(convolution layer)는 컨볼루션 필터를 이용하여 입력된 영상 데이터(41, 43)에 컨볼루션 연산을 수행하고, 입력 이미지(41)의 특징이 표현된 특징맵(42, 44)을 생성한다.

컨볼루션 필터링의 결과로서, 컨볼루션 레이어(convolution layer)에 포함된 필터의 개수에 따라 필터 개수만큼의 필터링 영상들이 생성될 수 있다. 컨볼루션 레이어는 필터링 영상들에 포함된 노드들로 구성될 수 있다.

또한, 컨볼루션 레이어(convolution layer)와 쌍을 이루는 서브-샘플링 레이어(sub-sampling layer)는 쌍을 이루는 컨볼루션 레이어(convolution layer)와 동일한 수의 특징맵들을 포함할 수 있다.

서브-샘플링 레이어(sub-sampling layer)는 샘플링 또는 풀링(pooling)을 통해 특징맵(42, 44)의 차원을 감소시킨다.

출력 레이어(Output Layer)는 특징맵(45)에 표현된 다양한 특징을 조합하여 입력 이미지(41)를 인식한다.

본 발명에 따른 공기조화기의 영역 인식 모듈은 상술한 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 본 발명이 한정되는 것은 아니나, 영상 내 객체 인식에서 많이 사용되고 있는 CNN(Convolutional Neural Network) 구조를 이용할 수 있다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드 간 연결선의 웨이트(weight)를 조정함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.

본 발명의 일 실시예에 따른 영역 인식 모듈(150)은, 카메라(193)를 통하여 획득된 영상을 머신 러닝(machine learning)으로 기학습된 인공신경망(Artificial Neural Network)의 입력 데이터로 사용하여 실내 공간을 복수의 영역으로 구분하고 구분된 복수의 송풍 영역을 집중 송풍 영역과 비집중 송풍 영역으로 구분할 수 있다.

또는, 영역 인식 모듈(150)은, 송풍 영역을 더 세분화하여, 다수의 집중 송풍 영역과 다수의 비집중 송풍 영역으로 구분할 수 있다.

또한, 영역 인식 모듈(150)은, 재실자의 위치 인식 결과를 누적하며, 누적된 위치 인식 결과에 기초하여 복수의 영역에 대하여 송풍 영역을 구분할 수 있다.

전술한 설명들에 기반할 때, 본 명세서의 일 실시예에 의하면 재실자의 거리 및 방향 등 위치 정보에 따라 집중 송풍 영역과 비집중 송풍 영역을 구분하고, 각 영역에 적합하게 운전 모드를 적용할 수 있다. 일 실시예로 집중 송풍 영역에 대해 집중 운전 모드를 적용하여 쾌속 운전(빠르게 실내 온도를 목표 온도까지 도달시키는 운전)이 가능하게 한다. 공기조화기를 구성하는 팬 모터의 회전수, 로버의 각도, 가이드의 각도 또는 집중 송풍 영역까지 바람이 도달하도록 풍량을 조절할 수 있다. 이후 비집중 운전 모드에서는 쾌적 운전(현재의 온도를 유지시키거나 서서히 목표 온도에 가까이 가도록 유지시키는 운전)에 기반하여 비집중 송풍 영역까지 포함하도록 공기조화기가 동작할 수 있다.

이하, 본 명세서의 일 실시예 의한 영역 인식 모듈이 재실자의 위치(거리와 방향)에 기반하여 송풍 영역을 집중 송풍 영역과 비집중 송풍 영역으로 구분하는 실시예를 살펴본다.

도 8은 본 발명의 일 실시예에 따른 송풍 영역의 인식 과정을 도시한 순서도이다. 도 8은 영역 인식 모듈(150)이 실내 공간 중 사용자가 주로 생활하는 영역을 집중 송풍 영역으로 인식 및 구분하는 과정을 도시한 것이다.

도 8을 참조하면, 영역 인식부(153)는, 인체인식부(151)로부터 재실자의 위치 인식 결과를 포함하는 인체감지 데이터를 입력받고(S51), 입력받은 인체감지 데이터를 누적할 수 있다(S52). 여기서 인체 감지 데이터는 실내기 기준 위치를 각도와 거리로 구성할 수 있다. 거리 정보는 세밀하게 미터 또는 센티미터로 구분할 수도 있고 근거리/중거리/원거리로 구분할 수도 있다.

영역 인식부(153)는 인체감지 데이터를 누적하며 카운팅(counting)하다가(S53), 일정수(M) 이상의 데이터가 누적되었다면, 2차원의 히스토그램을 생성할 수 있다(S54). 2차원 히스토그램은 재실자를 감지한 결과 산출되는 각도와 거리를 반영할 수 있도록 2차원으로 구성된다. 히스토그램 생성에 대해서는 후술한다.

이후, 2차원 히스토그램에 기반하여 송풍 영역을 감지하기 위해 각 데이터에 대해 전처리를 수행하고 특징을 추출한다(S55). 그리고 영역 인식부(153)는 생성한 히스토그램을 입력데이터로 사용하여 머신러닝 기반으로 송풍 영역을 다수의 영역으로 구분한다(S56). 일 실시예로 집중 송풍 영역과 비집중 송풍 영역으로 구분할 수 있다. 또는 더 세분화하여 제1집중 송풍 영역, 제2집중 송풍 영역, ..., 제1비집중 송풍 영역, 제2비집중 송풍 영역, ... 등으로 구분할 수 있다. 머신러닝은 SVM(Support Vector Machine), Adaboost와 같은 기법을 이용할 수 있고, 더욱 바람직하게는 딥러닝(Deep Learning) 기법을 이용할 수 있다.

그리고 일정하게 결과가 누적되면(S57), 머신 러닝 기반 송풍 영역을 최종적으로 분류한 결과를 도출한다(S58).

즉, 영역 인식부(153)는, 머신러닝으로 기학습된 인공신경망(Artificial Neural Network)을 포함하고, 재실자의 거리와 방향을 인식한 결과를 누적하여 복수의 영역별 히스토그램을 생성하며, 생성된 히스토그램을 인공신경망의 입력데이터로 사용하여 집중 송풍 영역과 비집중 송풍 영역을 구분할 수 있다.

또한, 실시예에 따라서는, 송풍 영역을 구분한 결과의 정확도를 높이기 위하여, S55의 과정을 반복 수행하면서(S57), 복수의 구분 결과를 취합하여 취합된 결과에 기초하여 최종적으로 실내 공간의 복수의 송풍 영역을 하나 이상의 집중 송풍 영역과 하나 이상의 비집중 송풍 영역으로 분류할 수 있다(S58).

즉, 생활 영역 구분 결과가 일정 수 이상 누적되었을 때, 최종 결과를 도출함으로써, 생활영역 인식 결과의 신뢰성을 확보하고, 인체감지 오류로 인해 발생한 미생활 영역의 일시적인 오류를 제거할 수 있다.

도 9는 본 발명의 일 실시예에 의한 영역 구분에 필요한 데이터 전처리 과정을 보여주는 도면이다.

도 8의 S55에서 전처리를 수행하는 것은 크게 두 가지의 단계로 구성될 수 있다. 영역 인식 모듈(150)에서 동작 가능하다. 인체 인식부(151)가 인체를 감지한 결과(즉 감지된 위치의 각도와 거리)를 영역 인식부(153)에 입력하면(S61), 영역 인식부(153)는 돌출맵 (saliency map)을 구성한다(S62). 이는 인체 인식부(151)로부터 감지된 인체의 위치 정보 (각도/거리)를 양자화한 후 빈도수를 갱신하는 것을 의미한다. 이 과정에서 영역을 잘 표현하게 하기 위해 상하, 좌우 영역도 함께 누적시킨다. 이 과정을 N개의 감지 결과가 입력될 때까지 반복한다(S63).

충분히 감지 결과가 중복될 만큼 반복된 경우, 필터링 및 보간(Filtering and Interpolation)을 수행한다(S64). 이는 특정 각도/거리 영역에 편중된 감지 결과를 방지하기 위해 최대/최소 빈도값 필터링 및 보간(interpolation)을 수행하여 연속적인 2차원의 히스토그램(2 Dimensional Histogram)으로 변환한다(S65).

도 9를 정리하면 다음과 같다. 인체 인식부(151)는 카메라(193)가 획득하는 영상에서 재실자의 존재 여부 및 재실자의 거리와 방향을 인식한다. 그리고 영역 인식부(153)는 재실자에 대해 인식한 결과에 기초하여 복수의 영역에 대하여 생활 영역을 구분한다. 구분 결과는 도 14와 같다.

도 10은 본 발명의 일 실시예에 의한 돌출맵과 2차원의 히스토그램을 보여주는 도면이다. 도 10의 67은 돌출맵 기반으로 거리와 각도에 대응하여 X-Y 축으로 돌출맵이 배치된 구성이다. 68은 돌출맵이 지속하여 누적된 결과 생성된 2차원의 히스토그램을 보여준다.

도 11은 본 발명의 일 실시예에 의한 영역 구분에 필요한 특징 추출 과정을 보여주는 도면이다. 도 10과 같이 2차원의 히스토그램이 생성되면 도 8의 S55에서 제시한 바와 같이 특징을 추출할 수 있다. 도 10의 68과 같은 히스토그램에서 각도 별로 특징 백터 n를 추출한다. 추출하고자 하는 각도의 히스토그램 계열값과 주변 계열 값 w를 특징 값으로 사용한다. 히스토그램 좌/우 끝(0~5도 100~105도 등) 주변 계열값이 존재하지 않는 경우 해당 값을 0으로 설정하여 특징을 추출한다. 도 11의 히스토그램의 Y축은 재실자와 공기조화기 사이의 거리에 따라 정의되며, X 축은 공기조화기를 기준으로 재실자가 위치한 각도에 따라 정의된다. 재실자의 위치는 특정한 셀에 숫자로 표시되며, 재실자가 센싱된 횟수에 따라 숫자는 증가할 수 있다.

그리고 3x3 크기의 DNN(71)을 적용하여 송풍 영역(70)의 각 셀을 중심으로 3x3의 인접 셀들을 앞서 도 5에서 살펴본 입력 레이어에 입력하면, 출력 레이어를 통해 해당 영역이 집중 송풍 영역/비집중 송풍영역에 속하는지를 판단한 결과가 산출된다. 이는 송풍 영역(70)의 모든 셀에 대해 수행할 수 있다. 그 결과 각 셀이 집중 송풍 영역 또는 비집중 송풍영역에 속하는지에 따라 전체 송풍 영역을 집중 송풍 영역과 비집중 송풍영역으로 구분할 수 있다. 물론, 이 과정에서 집중 송풍 영역과 비집중 송풍영역을 다시 세부적으로 구분하여 하나 이상의 집중 송풍 영역 및 하나 이상의 비집중 송풍 영역으로 구분할 수 있음은 앞서 살펴보았다.

도 12는 본 발명의 일 실시예에 의한 송풍 영역을 인식하는 과정을 보여주는 도면이다. 앞서 송풍 영역의 인식은 영역 인식부(153)에서 수행된다. 또는 영역 인식부(153)의 기능은 서버의 학습부가 제공할 수 있다. 영역 인식부(153)는 학습 과정과 인식과정 두 가지로 나뉘어져 동작할 수 있다.

도 12를 살펴보면, 영역 인식부(153)는 학습 과정(점선 표시)과 인식 과정(실선 표시)을 가진다. 일정한 수준으로 학습이 이루어지면 이후에는 학습 없이 영역을 인식하는 과정만을 수행할 수 있다.

학습 과정에 대해 살펴보면, 점선으로 표시된 학습 과정은 학습 전 수집된 송풍 영역에 대한 인식 데이터베이스에 대해 모두 특징을 추출하고, 영역 인식부(153)를 학습하는 과정이다. 이때 영상 데이터베이스는 각각 특정 영역이 어떤 범주에 속하는지 확인할 수 있는 영상이다. 앞서 도 5에서 살펴본 바와 같이 송풍 영역에 대한 히스토그램(예를 들어 각 셀 및 주변 셀의 값)을 입력 레이어에 입력하고, 해당 입력에 대응하여 설정된 영역(집중 송풍 영역/비집중 송풍 영역)을 출력 레이어의 출력 값으로 하여 신경망 학습을 통해 신경망의 파라미터(parameter)들(가중치(weight)와 편향(bias))을 추정하여 모델을 구할 수 있다. 이러한 학습은 공기조화기(100)가 설치되어 동작되면 소정 시간 동안 자체적으로 이루어질 수 있다. 또한, 설정된 수준 이상으로 학습된 이후에도 매번 인식 결과가 도출될 때마다 기존의 합습된 모델 파라미터에 반영하여 업데이트될 수 있다.

또는, 카메라가 촬영하는 영상들 중 적어도 일부를 외부 서버로 전송하고, 외부 서버를 통해 학습이 수행된 데이터를 수신하여 인공 신경망을 업데이트할 수도 있다. 이후, 실선 흐름과 같이 영역 인식부(153)는 인식과정을 수행하는데, 학습된 모델 파라미터(웨이트와 바이어스가 결정된 딥러닝 네트워크)를 이용하여 카메라(193)가 획득하여 새로 입력되는 영상에 기초하여 송풍 영역을 집중 송풍 영역/비집중 송풍 영역으로 구분하여 인식할 수 있다(실선 흐름).

도 12와 같이 학습을 수행하면 도 5와 같은 DNN(Deep Neural Network)를 구성하는 가중치(weight), 바이어스(bias) 활성함수(activation function)가 결정된다. 이들 가중치 및 바이어스 활성함수는 각 레이어들 간의 단일 노드 간의 복잡한 연결의 집합들으로, 학습 과정에서 입력 레이어 및 출력 레이어를 만족시키도록 가중치와 바이어스들이 계산될 수 있으며, 반복적인 학습을 통해 최적의 가중치와 바이어스들이 산출된다. 그리고 이렇게 생성된 DNN에 대해 영역을 인식하기 위해 입력 값으로 히스토그램의 셀(예를 들어 특정 셀 및 주변 셀들을 포함하는 3x3의 셀)이 입력되면 출력단에서 특정 셀에 대한 영역 인식 결과(집중 송풍 영역/비집중 송풍 영역)를 산출한다. 또는 송풍 영역을 셋 이상 산출하여 제1집중 송풍 영역/제2집중 송풍 영역/비집중 송풍 영역 중 어느 하나로 산출하게 하거나, 집중 송풍 영역/제1비집중 송풍 영역/제2비집중 송풍 영역으로 산출할 수 있다. 이를 집중 송풍 영역/간헐적 송풍 영역/미송풍 영역으로 구분할 수도 있다.

그리고 운전모드 제어모듈(170)은 집중 송풍 영역에 대해 집중 운전 모드로 공기조화기가 동작한 후, 그 외 영역들에 대해 비집중 운전 모드로 공기조화기를 동작시킬 수 있다.

도 13은 본 발명의 일 실시예에 의한 공기조화기(100)가 카메라를 통하여 실내 공간을 촬영하여 영상을 획득하고, 획득한 영상에서 재실자(201, 202)의 존재 여부 및 위치를 인식하는 도면이다.

이 때, 인식된 재실자(201, 202)의 위치 정보는 각도 정보(ang1, ang2) 및 거리 정보(dist1, dist2)를 포함할 수 있다. 각도 및 거리는 일정한 범위로 나눌 수 있다. 예를 들어 각도는 전체 송풍 영역이 0~105도로 나뉘어질 경우 5도 단위로 히스토그램의 셀을 구분지을 수 있다. 마찬가지로 거리는 근, 중, 원으로 히스토그램의 셀을 구분지을 수 있다.

이를 거리 및 각도 별 감지 빈도를 복수의 행과 열을 가지는 매트릭스(matrix) 타입으로 히스토그램으로 구현하면 205와 같다. 재실자 인식 결과를 누적하여 히스토그램(205)을 생성하고, 재실자 인식 결과가 일정 시간 혹은 일정 횟수 이상이 되었을 때 영역 인식부(153)는 송풍 영역의 구분을 수행할 수 있다.

실시예에 따라서는, 1회의 인식 결과를 동등한 수준으로 반영하지 않고, 특정 인식 결과에 가중치를 반영할 수 있다. 예를 들어, 연속적으로 동일 위치에 재실자가 인식되거나 소정 기간 내에 인식 빈도가 높은 위치에 높은 가중치를 부여할 수 있다. 한편, 정확도 향상을 위해 송풍 영역 구분 결과가 일정 수 이상 누적되었을 때, 딥러닝(Deep Learning) 기반 알고리즘으로 분석하여 집중 송풍 영역과 비집중 송풍 영역을 최종적으로 구분할 수 있다. 딥러닝 알고리즘 적용함으로써 강인성 및 신뢰성을 획득할 수 있다.

2차원 히스토그램(205)의 좌측 하단부의 셀(0도에 원거리)이 재실자(202)를 감지하였으므로 +1이 된다. 마찬가지로 2차원 히스토그램(205)의 우측 상단부의 셀(105도에 근거리) 역시 재실자(201)를 감지하였으므로 +1이 된다. 재실자들의 감지 상황에 따라 히스토그램의 각 셀의 값이 변경되며 일정한 수준에 이르면 도 11 및 도 12와 같이 영역 인식부(153)에 입력하여 각 셀별로 집중/비집중 송풍 영역을 구분할 수 있다.

3x3 셀을 입력하는 것으로 살펴보았으나, 구현 방식에 따라 5x5 셀을 입력할 수도 있다. 이 경우 송풍 영역 외부에 대해 0으로 설정하는 영역이 각각 모서리별로 2칸씩 증가할 수 있다.

도 14는 본 발명의 일 실시예에 의한 최종 공간을 감지한 결과를 보여주는 도면이다. 도 14는 송풍 영역을 집중 송풍 영역과 제1비집중 송풍 영역, 제2비집중 송풍 영역으로 구분한 실시예이다. 영역 인식부(153)에서 집중 송풍 영역으로 판단한 공간에 대해 공기조화기(100)는 집중 운전 모드로 동작할 수 있다. 그리고 일정 기간 집중 운전 모드로 동작한 후, 제1비집중 송풍 영역과 집중 송풍 영역에 대해 비집중 운전 모드로 동작할 수 있다. 이 과정에서 집중 운전 모드는 온도를 빨리 목표 온도에 도달 시키는 것을 의미하고, 비집중 운전 모드는 집중 운전 모드의 동작이 완료한 후 운전모드 제어모듈(170)의 지시에 따라 공기조화기(100)의 운전을 제어하는 것을 일 실시예로 한다.

전술한 실시예들을 적용할 경우, 공기조화기(100)는 송풍 영역에서 집중 송풍 영역, 즉 생활영역을 상주/비상주영역으로 추정한 결과를 이용하여 사용자가 주로 거주하는 공간에 한정하여 기류를 제어할 수 있다. 그 결과, 벽면 등의 불필요한 영역으로 향하는 기류를 제한하고, 사용자 맞춤 운전이 가능하여, 냉방/난방 효율을 증대화할 수 있으며 사용자에게 편의성 및 쾌적감 제공할 수 있다. 또한, 집중 운전 모드와 비집중 운전 모드를 나눌 수 있어 사용자에게 빠른 시간 내에 주된 송풍 공간(집중 송풍 영역)의 온도를 목표 온도에 도달시킬 수 있다.

또한 실시예들을 적용할 경우, 설치 환경에 독립적인 알고리즘을 지속적으로 업데이트하여 변경된 생활영역 정보를 습득하여 적응할 수 있다. 송풍 영역을 구분하는 것 역시 공간 내를 지속적으로 촬영하여 재실자의 위치를 업데이트할 수 있다. 그리고 통신부(192)는 외부로부터 소프트웨어 업그레이드에 필요한 데이터를 수신하여 영역인식부(153) 또는 운전모드지시부(175)를 구성하는 딥러닝을 지속적으로 업데이트하여 보다 높은 정확도를 가지는 딥러닝 모듈로 업데이트될 수 있도록 한다.

도 15 내지 17은 본 발명의 일 실시예에 의한 운전모드 제어모듈이 집중 운전 모드와 비집중 운전 모드로 구분하여 동작하는 구성을 보여주는 도면이다. 집중 운전 모드는 실내 온도가 빠르게 목표온도에 도달하도록 집중 운전하는 모드를 의미한다. 비집중 운전 모드는 실내 온도가 목표 온도에 도달하였거나, 혹은 목표 온도에 근접한 경우, 온도를 유지하거나 점차적으로 목표 온도에 도달하도록 운전하는 모드를 의미한다.

본 발명의 일 실시예에 의하면, 집중 운전 모드는 집중 송풍 영역에 대해서만 수행할 수 있다. 또한 본 발명의 다른 실시예에 의하면 비집중 운전 모드는 집중 송풍 영역과 비집중 송풍 영역에 대해서 수행할 수 있다. 따라서, 운전 모두 제어 모듈(170)은 영역 인식 모듈(150)에서 산출된 집중 송풍 영역에 대해 미리 설정된 기간 동안 수행할 집중 운전 모드를 지시하여, 그 결과 해당 집중 송풍 영역에서 집중 운전 모드로 공기조화기(100)가 동작한다.

또한, 집중 운전 모드가 종료하면 운전 모두 제어 모듈(170)은 비집중 송풍 영역과 집중 송풍 영역에 대해 수행할 비집중 운전 모드를 지시하는데, 이는 앞서 집중 운전 모드와 비교할 때, 집중 운전 모드의 시간당 에너지 소비량은 비집중 운전 모드의 시간당 에너지 소비량 보다 크게 설정될 수 있다. 왜냐하면 바람의 양을 감소시키거나 바람의 세기를 감소시키거나 또는 냉풍/난풍의 온도 변화에 필요한 에너지 소모가 줄어들 수 있다. 또한, 집중 운전모드에서는 짧은 시간동안 에너지 소비량이 높으나, 비집중 운전모드에서는 긴 시간동안 점차적으로 에너지 소비를 줄여나가므로, 결과적을 시간딩 에너지 소비량이 집중 운전 모드에서 크게 산출된다. 보다 상세히 살펴본다.

도 15는 본 발명의 일 실시예에 의한 파라미터 생성부가 집중 운전 모드에서 입력 인자를 산출하여 비집중 운전 모드의 운전을 지시하는 정보를 산출하는 도면이다. 온도를 Y축으로, 시간을 X축으로 하며, 시간의 변화에 따른 온도의 변화를 보여준다. 도 15는 학습을 위한 입력 인자에 대한 예시로, 제품 단에서의 제어 정보 및 시간 대비 온도 변화에 대해 도출된 온도 변화율 등 학습 인자의 산출 예시이다.

파라미터 생성부(171)가 생성할 수 있는 입력 인자로는 실내 초기 온도, 목표 설정 온도, 그리고 초기 N분 온도 변화율, 쾌속 구간 온도 변화율, 그리고 목표 온도 도달 시간 등을 살펴보았다. 여기서 N은 다양하게 선택될 수 있는데, 도 15의 실시예에서는 3분으로 한다.

도 15에서는 파라미터 생성부(171)가 초기 온도(TempInit)와 목표 설정 온도(TempTarget)를 산출할 수 있음을 보여준다. 초기 온도(TempInit)는 실내의 초기 온도를 센싱부(173)가 센싱하여 산출할 수 있다. 목표 설정 온도(TempTarget)는 운전모드제어모듈(170)에 저장된 목표 설정 온도에 기반하여 산출된다. 한편, 파라미터 생성부(171)는 초기 3분 온도 변화율(InitRate)을 a/b로 산출할 수 있다.

b는 에어컨이 동작한 후 시간의 경과를 의미한다. 예를 들어 3분 혹은 5분이 될 수 있다. a는 b라는 시간이 경과하는 동안 TempInit에서 온도가 변화한 크기를 의미한다.

한편 쾌속 구간 온도 변화율(PowerRate) 역시 c/d로 산출할 수 있다. c는 TempTarget과 TempInit 사이의 온도 차이를 의미한다. 따라서. c는 "TempInit - TempTarget"이 될 수 있다. 그리고 목표 온도까지 도달한 시간(PowerTime)을 d로 산출할 수 있다. d의 일 실시예로는 최대 M분 동안 최대 냉방 능력으로 운전을 수행하여 설정 온도에 최대한 빨리 도달하는데 필요한 시간을 의미하며 일 실시예로 15분 또는 20분의 시간 크기를 포함한다. 그리고, d 시점에서 쾌적모드(제2구간)에서 수행할 냉방 능력을 설정하여 과부하/표준부하/소부하를 결정할 수 있다.

집중운전모드 구간(쾌속 모드 또는 쾌속 구간)은 초기에 에이컨이 구동한 후 목표 온도에 도달하도록 운전하는 모드를 의미한다. 일 실시예로, 초기 냉방시 에어컨 최대 냉력으로 목표 설정 온도까지 고속 냉방 운전을 하는 것을 집중운전모드의 일 실시예로 한다.

도 15에서 목표 온도는 특정한 목표 온도값으로 설정될 수도 있으나, 일정한 범위 내의 온도가 해당할 수도 있다. 예를 들어, 목표 온도값이 20도인경우, 목표 온도에 도달한 것의 일 실시예로 현재 온도가 20도에 도달한 것이 될 수 있다. 그러나, 목표 온도에 도달한 다른 실시예로 현재 온도가 20도를 기준으로 +1도 혹은 -1도의 상태(즉 19도~21도)에 도달한 경우에도 목표 온도에 도달한 것으로 판단할 수 있다.

이는 집중운전모드 구간을 동작시킬 수 있는 시간적 범위가 미리 설정된 경우에 적용할 수 있다. 예를 들어 최대 쾌속 구간으로 운전할 수 있는 시간(쾌속가능시간)이 10분, 혹은 15분과 같이 미리 정해진 경우를 가정한다. 에어컨이 가동을 시작하여 쾌속가능시간을 넘어서 운전하여도 목표 온도에 도달하지 않은 경우, 파라미터 생성부(110, 210)는 현재 도달한 온도를 목표 온도를 대신하여 학습 인자에 포함될 수 있다.

이후 목표 온도에 도달하면 집중운전모드 구간(쾌속 구간)에서 비집중운전모드 구간(쾌적 모드 또는 쾌적 구간)으로 변화할 수 있다. 또한 목표 온도에 도달하지 않아도 일정한 시간이 되거나 목표 온도에 근접하면 에어컨의 동작 모드는 비집중운전모드 구간으로 변화할 수 있다. 비집중운전모드 구간(쾌적 구간)은 쾌적 운전을 일 실시예로 하는데, 목표 온도 도달 후 설정 온도 유지하며 오토모드(간접풍)로 동작하는 것을 포함한다.

실내 온도가 목표 온도에 도달하지 않는 상황이란, 공간에 미치는 외부의 영향이 크거나 공간이 넓은 경우 등에 해당할 수 있다. 따라서, 목표 온도에 어느 정도 근접한 경우에도 집중운전모드 구간에서 비집중운전모드 구간으로 모드를 변경할 수 있다.

이후, 비집중운전모드 구간은 집중운전모드 구간과 상이한 방식의 운전 모드를 선택할 수 있는데, 앞서 살펴본 바와 같이 운전모드지시부(175)는 파라미터 생성부(171)가 생성한 5개의 학습 인자들(TempInit, TempTarget, InitRate, PowerRate, PowerTime)을 이용하여 쾌적구간에서의 에어컨의 동작 모드, 즉 운전 모드를 산출할 수 있다.

도 15에서 살펴본 실시예에 따를 경우, 에어컨이 산출할 수 있는 환경인자들에 기반하여 부하를 추정할 수 있다. 이는 에어컨이 배치된 공간의 냉방 환경이 가지는 특성을 다양한 학습 인자로 산출하여, 이에 기반하여 부하를 산출하는 것을 포함한다. 또한, 부하의 산출은 단순한 함수에 기반한 것이 아니라, 외부 서버의 학습부 또는 에어컨 내의 운전모드제어모듈(170) 내의 운전모드지시부(175)가 제공하는 딥러닝 알고리즘을 이용하여 학습 인자에 대응하는 최적의 부하를 산출할 수 있다. 그 결과, 집중운전모드구간에서 부하 단계에 따른 절전 또는 쾌적 냉방 등을 선택하여 에어컨이 동작할 수 있도록 한다.

종래에는 쾌속 구간 이후에 환경적인 변화를 고려하지 않음으로써 쾌속 구간이 종료한 후 쾌적 구간에서 사용자가 다시 온도를 제어하는 문제가 발생할 수 있었으나, 본 발명의 실시예는 초기 학습 및 지속적인 학습에 기반하여 쾌적 구간 상태에서 사용자가 별도의 온도 제어 없이 냉방 상태를 유지할 수 있도록 한다.

특히, 사용자가 별도의 에어컨 조절을 하지 않으면서도 사용자에게 쾌적감을 주기 위해서 초기에는 목표 온도 부근까지 빠르게 냉방(혹은 난방)을 수행하고(집중운전모드 구간), 목표 온도 부근에 도달하면 냉방 또는 난방을 유지하면서 집중운전모드 구간의 운전 모드를 그대로 유지할 것인지 혹은 비집중운전모드구간의 운전 모드보다 더 많은 전력을 소비할 것인지, 혹은 그보다 적은 전력을 소비할 것인지 등을 판단할 수 있다. 일 실시예로 부하 판단을 수행한다.

부하 판단을 위해 운전모드지시부(175)에 입력되는 값으로 지금까지 살펴본 집중운전모드 구간에서 산출되는 시간 혹은 온도의 변화, 초기값, 결과값 혹은 이들의 크기 등을 파라미터로 함을 살펴보았다. 또한, 운전모드 지시부(175)는 집중 송풍 영역이 차지하는 면적 혹은 집중 송풍 영역과 비집중 송풍 영역이 차지하는 면적의 비율 혹은 위치 등을 반영하여 비집중 운전 모드에서의 운전 방식을 결정할 수도 있다. 정리하면 운전모드 지시부(175)는 집중 운전 모드 구간에서의 센싱된 변화와 집중 송풍 영역과 비집중 송풍 영역의 물리적 특징(면적, 비율, 위치)에 기반하여 비집중 운전 모드에서의 운전 방식을 결정하고, 비집중 운전 모드에서 과부하/표준부하/소부하 또는 풍량과 풍속 등을 결정할 수 있다.

운전모드 지시부(175)에서 수행하는 인식 과정은 외부의 서버에 배치된 학습부를 이용하여 수행할 수도 있다. 즉, 운전모드 지시부(175)는 머신러닝으로 기학습된 인공신경망을 포함하는 구성에 기반하여 파라미터 생성부(171)에서 산출된 파라미터를 인공신경망의 입력 데이터로 사용하여 비집중 운전 모드에서의 부하 크기 또는 송풍 영역을 지시할 수 있다. 즉, 집중 송풍 영역에 대해 집중 운전 모드로 동작한 후, 비집중 운전 모드에서 도 16에서 설명할 과부하/표준부하/소부하를 판단하거나, 송풍 영역을 결정할 수 있다.

운전모드 지시부(175) 또는 외부의 서버에 배치된 학습부에 포함된 딥러닝 모듈은 앞서 도 5에서 살펴본 DNN을 일 실시예로 한다. 파라미터 생성부(171)가 생성한 5개의 학습 인자들(TempInit, TempTarget, InitRate, PowerRate, PowerTime) 및 집중 송풍 영역과 비집중 송풍 영역의 물리적 특징(면적, 비율, 위치) 정보가 입력 레이어의 입력 값으로 입력되고, 출력 레이어의 출력값은 과부하/표준부하/소부하 중 어느 하나를 지시하는 것을 출력될 수 있다.

도 5의 히든 레이어들 및 입력인자들은 초기에 입력/결과 인자 추출을　위해　실제 여러 가구에서의 실사용(필드) 데이터와 표준 환경 테스트를 위한 챔버(실험) 데이터를 수집하여 이를 기반으로 사전 학습하여 히든 레이어의　초기 가중치 값을 설정할 수 있다. 이후, 외부의 서버를 통해, 또는 동일 실내기 내의 공기조화기(100)가 지속적으로 실사용 데이터를 수집할 경우, 전체 데이터에 대한 재학습을　적용하여 히든레이어의 노드 별, 링크 별 가중치 업데이트를 주기적으로 수행할 수 있다.

일 실시예로, 출력 인자에 대한 판단을 위해 에어컨 가동 시 일정 시간에 대한 DB 수집을 하여, 부하 기준 분류에 있어서도 클러스터링 기법(비지도 학습: k-means 알고리즘)을 활용할 수 있다.

또한, 각 히든 레이어는 일반적인 딥러닝 방식을 그대로 사용할 수도 있으나, 학습을 위한 각 히든 레이어의 구조를 변경하거나 가중치를 업데이트할 수 있는데, 예를 들어 클라우드 서버(300)가 다수의 실내기들이 제공하는 정보들을 DB화 시킨 후 분석하여 DNN의 레이어들 및 노드, 링크의 구조를 변화시킬 수 있다. 또한, 목표 온도 설정 후 쾌적 구간 상태에서 일정 시간 이내에 사용자가 온도를 조절하는 것을 감지하여 이를 반영할 수 있다.

도 16은 본 발명의 일 실시예를 적용하는 경우 운전 모드의 변화를 보여주는 도면이다.

앞서 도 15에서 살펴본 바와 같이, 파라미터 생성부(171)는 에어컨이 동작을 시작하면 지속적으로 온도를 센싱하여 도 15과 같은 그래프를 산출할 수 있으며, 이 과정에서 학습 인자를 산출할 수 있다. 도 15에서는 3가지의 상이한 산출 그래프를 보여준다. 먼저, 과부하로 운전모드가 산출되는 그래프는 이점쇄선으로 표시된 그래프(G-Over로 지시)이며, 표준부하로 운전모드가 산출되는 그래프(G-Medium으로 지시)는 실선으로 표시된 그래프이며, 소부하로 운전모드가 산출되는 그래프(G-Under로 지시)는 일점쇄선으로 표시된 그래프이다.

집중 운전 모드 구간은 압축기가 최대 출력 혹은 많은 출력으로 빠른 시간 내에 온도를 급강하시키는 구간이다. 이때 집중 송풍 영역을 대상으로 집중 운전 모드로 동작하도록 송풍부(15)에서 바람의 좌우 각도 또는 상하 각도를 제어할 수 있다. 예를 들어 도 14의 집중 송풍 영역에 대해서만 집중 운전 모드로 공기조화기(100)가 바람을 송풍할 수 있다. 그리고 공간의 상황에 따라 목표 온도(TempTarget)에 도달하거나 혹은 목표 온도에 일정한 온도차이를 두고 도달한 시점이 PowerTime이다. 이 시점에 이르기까지 파라미터 생성부(171)는 다양한 파라미터를 생성하여 이를 운전모드지시부(175)에게 제공한다.

운전모드지시부(175)는 PowerTime 시점에 제공된 파라미터들을 이용하여 운전 모드를 산출할 수 있다. 221에서 지시하는 시기에 집중 운전 모드 구간의 냉방에 따른 변화 패턴을 운전모드지시부(175)가 분석할 수 있다. 그리고 비집중 운전 모드 구간에서의 에어컨이 전력 소비를 줄이면서도 사용자에게 쾌적감을 제공하는 운전 모드를 선택할 수 있다.

변화 패턴에 따라 집중 운전 모드 구간에서 목표 온도에 충분히 도달하지 못하거나 온도 도달에 시간이 많이 소요되었거나 혹은 초기 N분 간의 변화율 등을 반영하여 과부하 운전 모드가 운전모드지시부(175)에 의해 산출된 경우 G-Over가 지시하는 그래프와 같이 과부하 모드로 에어컨이 동작할 수 있다.

변화 패턴에 따라 집중 운전 모드 구간에서 목표 온도에 충분히 도달했거나 온도 도달에 시간이 기준값에 대응하여 소요된 경우, 혹은 초기 N분 간의 변화율 등을 반영하여 현재의 온도 또는 목표 온도를 유지하도록 표준부하 운전 모드가 운전모드지시부(175)에 의해 산출된 경우 G-Medium가 지시하는 그래프와 같이 과부하 모드로 에어컨이 동작할 수 있다.

변화 패턴에 따라 집중 운전 모드 구간에서 목표 온도 보다 낮은 온도에 도달했거나 온도 도달에 시간이 짧게 소요된 경우, 혹은 초기 N분 간의 변화율 등을 반영하여 소부하 운전 모드가 운전모드지시부(175)에 의해 산출된 경우 G-Under가 지시하는 그래프와 같이 과부하 모드로 에어컨이 동작할 수 있다.

목표 온도가 동일한 경우라 하여도, 목표 온도에 도달하기까지의 변화 패턴이 상이한 경우, 에어컨은 상이하게 동작할 수 있다. 즉, 살펴본 학습 인자들의 상이함에 따라 목표 온도에 도달한 이후 냉방에 따른 온도 변화 패턴이 다르게 분석된 결과에 기반할 경우, 실내 환경의 조건에 대응하여 적절하게 더 냉방을 시키거나 혹은 냉방을 줄이는 등의 운전 모드를 수행할 수 있다.

종래에는 상이한 실내 환경 조건으로 인해 동일하게 집중 운전 모드 구간에서 냉방(혹은 난방)을 하여도 이후 공간에 따라 약냉방(혹은 약난방) 또는 과냉방(혹은 과난방)의 상황이 발생하였다. 그러나 본 발명의 실시예들을 적용하면 실내 환경 조건에 적절하게 비집중 운전 모드 구간에서 냉방(혹은 난방)이 가능하므로 에너지 소비를 줄이면서도 쾌적환 실내 환경을 유지할 수 있다. 특히 비집중 운전 모드에서는 집중 송풍 영역 및 비집중 송풍 영역을 대상으로 동작하도록 송풍부(15)에서 바람의 좌우 각도 또는 상하 각도를 제어할 수 있다. 예를 들어 도 14의 집중 송풍 영역과 제1비집중 송풍 영역에 대해서만 비집중 운전 모드로 공기조화기(100)가 바람을 송풍할 수 있다.

도 17은 본 발명의 일 실시예에 의한 부하 단계에 따른 운전모드 제어모듈이 운전 모드를 제어하는 과정을 보여주는 도면이다. 일 실시예로 소부하로 산출된 경우를 살펴본다. 에어컨은 초기 온도(TempInit)에서 목표 온도가 되도록 쾌속 모드로 운전한다. 도 17에서 집중 운전 모드 구간으로 표시된 시간 영역에서는 목표 설정 온도에 도달하기 전의 상태이므로 쾌속 모드로 에어컨이 운전할 수 있으며, 이 경우, 에어컨의 최대 냉력을 사용하는 쿨파워 모드로 동작할 수 있다. 이 과정에서 에어컨은 인체를 감지하거나 공간 영역을 감지하여 보다 효과적으로 공간 내의 온도를 낮출 수 있다.

한편, 비집중 운전 모드 구간으로 표시된 시간 영역은 목표 설정 온도에 도달한 후의 상태이므로 쾌적 모드로 에어컨이 운전할 수 있다. 본 발명의 일 실시예에 의한 운전모드 지시부(175) 또는 클라우드 서버의 학습부는 t1 시점에서 파라미터 생성부(171)가 생성한 학습 인자를 이용하여 운전 모드를 판단한다. 즉, 비집중 운전 모드 구간에서 에어컨이 동작하는데 필요한 부하를 판단한다. 판단 결과 도 17은 소부하로 판단하여 동작한다. 이는 집중 운전 모드 구간의 쾌속 모드 이후 비집중 운전 모드 구간에서는 인체 순응 시간을 낮추며, 온도를 상승시키고, 풍량을 낮추도록 중앙제어부(110)가 실내기 및 실외기 등을 제어할 수 있다.

따라서, 집중 운전모드 구간에서 집중 송풍 영역에 대해서만 냉방 또는 난방을 수행한 후, 비집중 운전모드 구간에서는 비집중 송풍 영역을 포함하여 냉방 또는 난방을 수행할 수 있다.

소부하 제어에 대응하여 t1 시점에서 목표 온도의 상태(Temp-a)에서 t2시점에서는 Temp-aa와 같이 온도가 일부 상승하며, t3시점에서 다시 Temp-ab와 같이 온도가 상승하여 Temp-ab로 온도를 유지할 수 있다. 목표 온도는 사용자가 주로 사용하는 온도로 자동 설정되는 것을 일 실시예로 하는데, 최근 N회(예를 들어 20회) 동안 가장 많이 사용자가 설정한 온도가 될 수 있다. 또는 외부의 서버가 현재 온도에 대응하여 빅데이터 기반으로 선호하는 온도가 목표 온도로 설정될 수 있다.

t1에서는 목표 온도까지 도달하는데 산출된 다양한 파라미터에 기반하여 t1 이후의 냉방 능력을 설정할 수 있다. 예를 들어 현재 상태에서 과부하의 냉방 능력을 제공할 것인지, 표준 부하의 냉방 능력을 제공할 것인지 혹은 소부하의 냉방 능력을 제공할 것인지를 기존에 학습된 정보 및 산출 파라미터에 기반하여 설정할 수 있다.

이후 t2, t3 단계에서 점차적으로 냉방 능력을 조절하여 절전 운전으로 동작할 수 있다. 이 과정에서 습도가 높을 경우 별도의 습도 제어 연동에 따라 목표 습도에 맞출 수 있다. 또한, 사용자의 패턴에 따라 온도를 상승시키는 시점(t2, t3) 등을 산출할 수 있다.

또한, 이 과정에서 송풍 영역을 구분하여 냉방(또는 난방)할 수 있다. 예를 들어 전체 공간이 집중 송풍 영역, 제1비집중 송풍 영역(간헐적 송풍 영역), 제2비집중 송풍영역(미송풍 영역)으로 나눠질 경우 t1에서 t2까지는 집중 및 제1비집중 송풍 영역에 대해, 그리고 t2에서 t3 까지는 전 영역에 대해 냉방 또는 난방을 수행할 수 있다.

도면에 도시되지 않았으나, 표준 부하로 판단될 경우에는 표준 조건으로 인체 순응 시간을 반영하여 온도는 상승시키고 풍량을 약풍으로 전환할 수 있다. 또한, 과부하로 판단될 경우, 인체순응 조건에 따른 온도 상승 없이 풍량을 강화시킬 수 있다.

즉, 본 명세서의 일 실시예에서 과부하란 풍량 또는 풍속을 증가시키는 것을 일 실시예로 하며, 소부하는 풍량 또는 풍속을 감소시키는 것을 일 실시예로 한다. 표준 부하는 풍량 또는 풍속을 유지하는 것을 일 실시예로 한다.

목표 온도 도달 전/후의 운전 모드에 대한 예시로, 목표 온도 도달 전까지 에어컨 최대 냉력으로 운전하는 모드(집중 운전 모드 구간)와 목표 온도 도달 이후는 도달 시점(t1)에서 판단되는 부하에 따라 맞춤 제어하는 운전 모드(비집중 운전 모드 구간)를 나누어서, t1 시점에서 추정된 부하 단계에 따른 절전, 또는 쾌적 냉방을 위해 온도, 풍량 가변을 통해 다양한 운전 모드를 제공할 수 있다.

이는 에어컨이 동작을 시작할 때의 시작 온도와 목표 온도, 그리고 이 사이에서 발생하는 다양한 환경의 변수들을 학습 인자로 추출하여 최대 냉력을 이용하는 쾌속 모드 이후 쾌적 모드로 에어컨의 동작을 변화시키며, 이 과정에서 사용자가 온도가 더워지는 것을 느끼지 않도록 적합한 부하를 선택하여 에어컨의 동작을 제어할 수 있다.

또한, 다양한 환경 인자를 이용하여 부하를 결정하고 쾌적 모드로 동작하는 과정에서 에어컨의 동작을 제어하는 외부 조작(온도를 증감시키거나 풍량을 조절하는 등)이 발생하면, 외부 조작을 새로운 결과 노드가 되도록 운전모드지시부(175)에 입력하여 보다 정확하게 부하를 추정할 수 있도록 한다.

도 17에 제시된 바와 같이, 비집중 운전 모드 구간에서 동작할 운전 모드 정보는 시간 정보(t2, t3) 및 온도 정보(Temp-ab, Temp-aa)를 포함할 수 있다. 또한, 송풍 영역에 대한 정보 역시 포함될 수 있다.

도 18은 본 발명의 일 실시예에 의한 클라우드 서버의 구성을 보여주는 도면이다. 통신부(370)는 공기조화기와 미리 설정된 방식으로 정보를 송수신한다. 앞서 도 3에서 영역 인식부(153) 또는 운전모드 지시부(175)는 머신 러닝에 기반하여 송풍 영역을 판단하거나 비집중 운전 모드에서의 동작 방식(부하의 크기, 송풍 영역 등)을 판단한다. 이러한 영역 인식부(153) 또는 운전모드 지시부(175)의 판단은 클라우드 서버(300)에서 이루어질 수 있으며, 클라우드 서버(300)의 학습부(360)는 영역인식부(363) 및 운전모드지시부(365)를 포함한다. 클라우드 서버(300)의 영역 인식부(363)는 공기조화기가 송신한 재실자의 거리 및 방향 정보에 대응하여 공기 조화기의 송풍 영역에서 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하며, 이들의 세부적인 동작은 앞서 살펴보았다.

또한, 클라우드 서버(300)의 운전모드지시부(365) 역시 앞서 살펴본 바와 같이, 영역 인식부(363(에서 구분된 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 동작한 이후 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 비집중 운전 모드를 지시한다.

이들 영역인식부(363) 및 운전모드지시부(365)의 동작은 앞서 도 3의 영역 인식부(153) 또는 운전모드 지시부(175)에서 판단하는 동작과 동일하다. 다만 클라우드 서버(300)는 다수의 공기조화기들로부터 정보를 수신하여 이에 기반하여 송풍 영역과 비집중 운전 모드를 결정한다는 점에서 차이가 있다. 서버 제어부(350)는 전술한 구성요소들을 제어한다.

도 19는 본 발명의 일 실시예에 의한 공기조화기와 클라우드 서버 간의 동작 과정을 보여주는 도면이다.

공기조화기(100)는 재실자의 거리와 방향 정보를 산출한다(S381). 그리고 산출된 정보를 클라우드 서버(300)에게 전송한다(S382). 이때, 재실자의 거리나 방향 정보를 포함하는 영상 정보도 송신되는 정보의 일 실시예가 된다.

클라우드 서버(300)의 통신부(370)가 수신한 재실자의 거리 및 방향 정보는 클라우드 서버(300)의 영역인식부(363)에게 제공된다. 영역인식부(363)는 공기조화기의 송풍 영역에서 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하고(S383), 클라우드 서버(300)의 통신부(370)는 집중 송풍 영역과 비집중 영역에 대한 정보를 공기조화기(100)에게 송신한다(S384).

이후 공기조화기(100)는 수신한 정보에 기반하여 집중 송풍 영역에 대해 집중 운전 모드로 동작한다(S385). 이 과정에서 공기조화기(100)의 파라미터 생성부(171)가 앞서 살펴본 종류의 파라미터를 생성한다(S386). 그리고 생성된 파라미터는 클라우드 서버(300)에게 송신되고(S387), 클라우드 서버(300)의 운전모드 지시부(365)는 수신한 파라미터를 이용하여 공기조화기(100)의 집중 송풍 영역 및 비집중 송풍 영역에 대해 집중 운전 모드와 구별되는 비집중 운전 모드의 정보를 산출한다(S388).

그리고 클라우드 서버(300)의 통신부(370)가 비집중 운전 모드에 대한 정보를 공기조화기에게 송신하면(S389), 공기조화기(100)는 집중 송풍 영역 및 비집중 송풍 영역에 대해 비집중 운전 모드로 동작한다(S390). 여기서 정보는 부하의 크기, 바람의 세기, 토출하는 냉기 또는 온기의 온도 등이 될 수 있다.

도 20은 본 발명의 일 실시예에 의한 집중 운전 모드와 비집중 운전모드에 대응하는 송풍부의 동작을 보여주는 도면이다.

송풍부는 바람의 방향을 제어할 수 있다. 예를 들어, 송풍부(15)는 좌측 베인과 우측 베인으로 구성될 수 있다. 또는 상측 베인과 하측 베인으로 구성될 수 있다. 이러한 좌우 베인(vane)은 바람의 좌우 방향을, 상하 베인은 바람의 거리를 결정할 수 있다. 집중 운전 모드에서는 집중 송풍 영역을 향하도록 좌우 베인 및 상하 베인이 고정되거나, 집중 송풍 영역 내에서만 좌우 또는 상하로 각도 조절을 할 수 있다. 또한, 풍향 역시 강풍(파워풍)으로 동작할 수 있다.

이후, 비집중 운전 모드에서는 집중 송풍 영역을 포함하여 비집중 송풍 영역까지도 송풍한다. 예를 들어, 집중 송풍 영역과 간헐적 송풍 영역까지 바람이 도달하도록 좌우 베인 및 상하 베인이 좌우 또는 상하로 각도 조절을 할 수 있다.

특히, 송풍부(15)의 바람을 중앙을 기준으로 좌측 베인과 우측 베인으로 구분하는 경우, 예를 들어 도 14의 공기조화기(100)에서 좌측 베인과 우측 베인이 구분된 것을 확인할 수 있다. 도 14의 좌측 및 우측은 공조기의 정면을 중심으로 결정한다. 이 경우, 공기조화기(100)의 송풍부(15)는 좌측 베인(15b)과 우측 베인(15a)을 기준으로 송풍하는 영역을 좌측 영역(402) 및 우측 영역(401)으로 나누어 각각의 영역에 대응하여 좌측 베인 및 우측 베인을 독립적으로 제어할 수 있다. 그리고 중앙제어부(150)는 집중 송풍 영역 및 비집중 송풍 영역에 대해 송풍부의 좌측 베인(15b)과 우측 베인(15a)을 독립적으로 제어할 수 있다.

만약, 집중 송풍 영역이 결정되지 않는 경우, 운전모드 제어모듈(170)은 좌측 베인(15b) 및 우측 베인(15a)이 정중앙을 향하도록 고정하여 동작하는 집중 운전 모드를 지시할 수 있다.

한편, 집중 송풍 영역 혹은 비집중 송풍 영역을 좌측 영역(402)과 우측 영역(401)으로 나누고, 좌측과 우측 영역에서 집중 송풍 영역 혹은 비집중 송풍 영역이 불연속적으로 배치되는 경우에 좌우 베인(15a, 15b)이 독립적으로 제어될 수 있다. 예를 들어, 공간 영역에서 거리 정보를 제외하고 다음과 같이 집중 송풍 영역, 제1비집중 송풍 영역, 제2비집중 송풍영역으로 구성될 수 있다.

아래 표 1 내지 표 5는 좌측 베인이 담당하는 각도 영역(5도~55도) 및 우측 베인이 담당하는 각도 영역(60도~105도)에서의 집중 송풍 영역(H) 및 제1비집중 송풍 영역(L)을 표시한 것이다.

좌측 베인											우측 베인
5	10	15	20	25	30	35	40	45	50	55	60	65	70	75	80	85	90	95	100	105
			L	L	L	H	H	H	H	H	H	L	L	H	H	H	H

표 1과 같은 구성에서는 좌측 베인(15b)은 20도~55도를 커버하도록 제어되며 우측 베인(15a)은 60도~90도를 커버하도록 제어되며 이들은 각각 제어될 수 있다. 예를 들어 집중 운전 모드에서는 H로 표시된 영역을 커버하도록, 그리고 비집중 운전 모드에서는 H 및 L로 표시된 영역을 커버하도록 좌측 및 우측 베인들(15a, 15b)이 독립적으로 제어될 수 있다.

좌측 베인											우측 베인
5	10	15	20	25	30	35	40	45	50	55	60	65	70	75	80	85	90	95	100	105
													L	H	H	H	H

표 2와 같은 구성에서는 좌측 베인(15b)에는 H/L이 모두 없으므로 집중 송풍 영역이 설정되지 않은 경우이다. 따라서, 좌측 베인(15b)의 경우 정중앙을 향하도록 고정하여 동작하고, 우측 베인(15a)은 70도~90들 커버하도록 제어되며 이들은 각각 제어될 수 있다. 표 2의 경우 집중 송풍 영역(H)은 좌측 집중 송풍 영역(도 14의 402 내의 영역)과 우측 집중 송풍 영역(도 14의 401 내의 영역)으로 구성되며, 좌측 집중 송풍 영역과 우측 집중 송풍 영역은 표 2와 같이 연속하지 않을 수 있다. 중앙제어부(150)는 좌측 집중 송풍 영역에 송풍하기 위해 좌측 베인을 제어하고, 우측 집중 송풍 영역에 송풍하기 위해 우측 베인을 제어하되, 어느 한쪽에 집중 송풍 영역이 배치되지 않으면 해당 측면의 베인은 정중앙을 향하도록 제어될 수 있다. 표 2에서 집중 송풍 영역인 75~90도에 대응하여 우측 베인이 제어되며, 좌측 베인은 정중앙을 향할 수 있다. 이는 비집중 송풍 영역(H & L 포함하여 비집중 운전 모드의 송풍 영역)에도 동일하게 적용될 수 있다. 즉, 비집중 송풍 영역을 좌측 비집중 송풍 영역(도 14의 402 내의 영역)과 우측 비집중 송풍 영역(도 14의 401 내의 영역)으로 구성되며, 좌측 비집중 송풍 영역과 비우측 집중 송풍 영역은 표 2와 같이 연속하지 않을 수 있다. 중앙제어부(150)는 좌측 비집중 송풍 영역에 송풍하기 위해 좌측 베인을 제어하고, 우측 비집중 송풍 영역에 송풍하기 위해 우측 베인을 제어하되, 어느 한쪽에 비집중 송풍 영역이 배치되지 않으면 해당 측면의 베인은 정중앙을 향하도록 제어될 수 있다. 표 2에서 집중 송풍 영역인 70~90도에 대응하여 우측 베인이 제어되며, 좌측 베인은 정중앙을 향할 수 있다.

정리하면, 도 14를 중심으로 운전모드 제어모듈(170) 또는 중앙제어부(150)는 좌측 영역(402) 또는 우측 영역(401) 중 어느 하나의 영역이 집중 송풍 영역에 포함되지 않는 경우 상기 포함되지 않은 영역(좌측 또는 우측)의 베인을 중앙으로 고정하여 제어할 수 있다.

좌측 베인											우측 베인
5	10	15	20	25	30	35	40	45	50	55	60	65	70	75	80	85	90	95	100	105
			L	L	L	H	H	H					L	H			H

표 3과 같은 구성에서는 좌측 베인(15b)은 20도~45도를 커버하도록 제어되며 우측 베인(15a)은 70도~90도를 커버하도록 제어되며 이들은 각각 제어될 수 있다.

좌측 베인											우측 베인
5	10	15	20	25	30	35	40	45	50	55	60	65	70	75	80	85	90	95	100	105
			L	L	L	H	H	H		H						H	H

표 4와 같은 구성에서는 좌측 베인(15b)은 20도~55도를 커버하도록 제어되며 우측 베인(15a)은 85도~90도 커버하도록 제어되며 이들은 각각 제어될 수 있다. 이 과정에서 만약 좌측 또는 우측 베인이 회전할 수 있는 각도가 10도 이하인 경우(예를 들어 표 4의 우측 베인의 회전 각도가 85~90도) 좌측 베인 또는 우측 베인을 해당 집중 송풍 영역 또는 비집중 송풍 영역을 향하여 고정시킬 수 있다. 표 4의 경우 우측 베인은 85~90도를 향하여 고정될 수 있다.

좌측 베인											우측 베인
5	10	15	20	25	30	35	40	45	50	55	60	65	70	75	80	85	90	95	100	105

표 5와 같이 좌측 및 우측 영역 어디에도 집중 및 비집중 송풍 영역이 배치되지 않은 경우, 좌측 베인(15b)과 우측 베인(15a) 모두 풀 스윙으로 동작할 수 있다. 또는 집중 운전 모드에서는 정중앙을 향하도록 제어되고, 비집중 운전 모드에서는 좌우 5도~105도까지를 커버하는 풀 스윙응로 동작할 수 있다. 표 1 내지 표 5를 정리하면 다음과 같다.

집중 송풍 영역(혹은 비집중 송풍 영역)은 좌측 베인(15b)의 제어로 풍향이 결정되는 좌측 집중 송풍 영역(402 내의 영역)과 우측 베인(15a)의 제어로 풍향이 결정되는 우측 집중 송풍 영역(401 내의 영역)으로 나뉘어지며, 운전모드 제어모듈(170) 또는 중앙제어부(150)는 좌측 집중 송풍 영역을 향하여 좌측 베인을 조절하여 좌측 풍향을 제어하고, 우측 집중 송풍 영역을 향하여 우측 베인을 조절하여 우측 풍향을 제어할 수 있다.

도 20의 231은 집중 운전 모드 구간에서 집중 송풍 영역을 대상으로 송풍하는 운전 모드를 도시하고 있다. 집중 송풍 영역에 적합하도록 송풍부의 좌우 베인의 좌우 이동 각도와 상하 베인의 상하 이동 각도가 결정된다.

232는 비집중 운전 모드 구간에서 집중 송풍 영역과 제1비집중 송풍 영역을 대상으로 송풍하는 운전 모드를 도시하고 있다. 좌우 송풍 각도와 상하 각도가 231과 비교할 때 훨씬 증가함을 확인할 수 있다. 물론, 비집중 운전 모드는 집중 운전 모드와 다른 풍량으로도 동작할 수 있다. 예를 들어 약풍 혹은 미풍으로 동작할 수 있다.

본 명세서에서 집중 운전 모드와 비집중 운전 모드는 다양하게 구현될 수 있다. 예를 들어, 집중 운전 모드에서는 집중 송풍 영역에만 바람을 보낼 수도 있지만, 이와 달리 집중 송풍 영역 외에 비집중 송풍 영역에 대해서도 간헐적으로 송풍할 수 있다. 예를 들어, 집중 운전 모드에서는 231과 같이 동작하는 횟수가 10회이고 232와 같이 동작하는 횟수가 3회이지만, 비집중 운전 모드에서는 231과 같이 동작하는 횟수가 5회이고 232와 같이 동작하는 횟수가 10회로 변경될 수 있다. 즉, 집중 운전 모드에서 집중 송풍 영역으로 송풍하는 실시예에 대해 주로 설명하였으나 이외에도 다양하게 변형된 방식으로 인접한 영역 또는 다른 영역에 대해 바람을 송풍할 수 있다.

도 15 내지 17에서 살펴본 바와 같이, 공기조화기는 집중 운전모드로 동작한 후, 여기서 산출된 정보에 기반하여 비집중 운전 모드로 동작하며, 또한 비집중 운전 모드는 집중 운전모드와 상이한 송풍 영역에 대해 송풍함으로써, 초기 혹은 특정 시점을 기준으로 일정 기간 동안은 사람이 다수 존재하거나 빠르게 온도를 목표온도로 도달시켜야 하는 영역에 대해서만 집중하여 송풍하고, 그 이후 시점부터는 보다 넓은 영역에 대해 송풍하여 빠른 시간 내에 쾌속 운전 및 이를 유지하는 쾌적 운전이 가능하다.

따라서, 카메라를 통해 확인된 재실자 및 이들의 위치(거리, 각도 등) 정보에 기반하여 집중 송풍 영역(상주 영역)을 비상주 영역 또는 미생활 영역과 구분하여 집중 송풍 영역으로 기류를 제어하거나 본체에 설치된 팬 모터의 회전수, 로버의 각도, 가이드의 각도 및 풍량 등을 조절할 수 있다. 뿐만 아니라, 집중 송풍 영역에서 집중 운전 모드를 수행한 후 여기서 산출된 온도/습도/영역의 넓이나 위치 등에 기반하여 비집중 운전 모드를 수행할 수 있다. 이를 위해 직접 또는 간접 기류를 이용하여 쾌적 제어가 가능하며, 실제 사용자가 생활하는 영역(송풍 영역)과 공기조화기의 거리에 기반하여 냉방 또는 난방 부하를 판단하여 풍량이나 푹속 등을 적응적으로 조절할 수 있다.

본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 목적 범위 내에서 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 반도체 기록소자를 포함하는 저장매체를 포함한다. 또한 본 발명의 실시예를 구현하는 컴퓨터 프로그램은 외부의 장치를 통하여 실시간으로 전송되는 프로그램 모듈을 포함한다.

이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 통상의 기술자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 따라서, 이러한 변경과 변형이 본 발명의 범위를 벗어나지 않는 한 본 발명의 범주 내에 포함되는 것으로 이해할 수 있을 것이다.

100: 공기조화기 110: 중앙제어부
150: 영영인식모듈 151: 인체인식부
153, 353: 영역인식부 170: 운전모드제어모듈
171: 파라미터 생성부 175, 365: 운전모드 지시부
300: 클라우드 서버

Claims

공기조화기를 기준으로 재실자의 거리와 방향을 센싱하는 카메라;
상기 공기 조화기의 송풍 영역에서 상기 센싱된 재실자의 거리와 방향에 대응하여 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 영역 인식 모듈;
상기 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 운전하도록 지시하는 운전모드제어모듈;
상기 영역 인식 모듈에서 구분된 집중 송풍 영역에 대해 상기 지시된 집중 운전 모드로 공기조화기가 동작하도록 제어하며, 상기 집중 운전 모드로 동작이 완료하면 상기 집중 송풍 영역 및 상기 비집중 송풍 영역에 대해 상기 집중 운전 모드와 구별되는 운전 모드로 상기 공기조화기가 동작하도록 제어하는 중앙제어부를 포함하며,
상기 운전모드 제어모듈은
상기 집중 송풍 영역이 산출된 경우, 상기 집중 송풍 영역에 대해 미리 설정된 기간 동안 동작하는 집중 운전 모드를 지시하며,
상기 집중 운전 모드가 종료하면 상기 비집중 송풍 영역과 상기 집중 송풍 영역에 대해 수행할 비집중 운전 모드를 지시하며,
상기 집중 운전 모드의 시간당 에너지 소비량은 상기 비집중 운전 모드의 시간당 에너지 소비량 보다 크며,
상기 운전모드 제어모듈은 집중 운전 모드에서 산출된 입력 인자와 상기 집중 송풍 영역 및 상기 비집중 송풍 영역의 면적과 비율과 위치 정보를 입력받아 상기 비집중 운전 모드에서의 운전 상태인 부하를 출력하는, 영역 선택적으로 동작하는 공기 조화기.
제1항에 있어서,
상기 영역 인식 모듈은,
상기 카메라가 획득하는 영상에서 재실자의 존재 여부 및 상기 재실자의 거리와 방향을 인식하는 인체 인식부와
상기 재실자에 대해 인식한 결과에 기초하여 상기 복수의 영역에 대하여 생활 영역을 구분하는 영역 인식부를 포함하는, 영역 선택적으로 동작하는 공기조화기.
제2항에 있어서,
상기 영역 인식 모듈은,
머신러닝으로 기학습된 인공신경망(Artificial Neural Network)을 포함하고,
상기 재실자의 거리와 방향을 인식한 결과를 누적하여 상기 복수의 영역별 히스토그램을 생성하며, 상기 생성된 히스토그램을 상기 인공신경망의 입력데이터로 사용하여 상기 송풍 영역과 비송풍 영역으로 구분하는, 영역 선택적으로 동작하는 공기조화기.
제1항에 있어서,
상기 영역 인식 모듈은,
상기 비집중 송풍 영역을 간헐적 송풍 영역과 미송풍 영역으로 구분하는, 영역 선택적으로 동작하는 공기조화기.
제1항에 있어서,
상기 공기조화기는 좌측 베인과 우측 베인을 기준으로 송풍하는 영역을 좌측 영역 및 우측 영역으로 나누어 각각의 영역에 대응하여 좌측 베인 및 우측 베인을 독립적으로 제어하는 송풍부를 더 포함하며,
상기 중앙제어부는 상기 집중 송풍 영역 및 상기 비집중 송풍 영역에 대해 상기 송풍부의 상기 좌측 베인과 상기 우측 베인을 독립적으로 제어하는, 영역 선택적으로 동작하는 공기 조화기.
제5항에 있어서,
상기 집중 송풍 영역이 산출되지 않은 경우, 상기 운전모드 제어모듈은 상기 좌측 베인 및 상기 우측 베인이 정중앙을 향하도록 고정하여 동작하는 집중 운전 모드를 지시하는, 영역 선택적으로 동작하는 공기 조화기.
제5항에 있어서,
상기 집중 송풍 영역은 좌측 집중 송풍 영역과 우측 집중 송풍 영역으로 구성되며, 상기 좌측 집중 송풍 영역과 상기 우측 집중 송풍 영역은 연속하지 않으며,
상기 중앙제어부는 상기 좌측 집중 송풍 영역에 송풍하기 위해 상기 좌측 베인을 제어하고, 상기 우측 집중 송풍 영역에 송풍하기 위해 상기 우측 베인을 제어하는, 영역 선택적으로 동작하는 공기 조화기.
제5항에 있어서,
상기 비집중 송풍 영역은 좌측 비집중 송풍 영역과 우측 비집중 송풍 영역으로 구성되며, 상기 좌측 비집중 송풍 영역과 상기 우측 비집중 송풍 영역은 연속하지 않으며,
상기 중앙제어부는 상기 좌측 비집중 송풍 영역에 송풍하기 위해 상기 좌측 베인을 제어하고, 상기 우측 비집중 송풍 영역에 송풍하기 위해 상기 우측 베인을 제어하는, 영역 선택적으로 동작하는 공기 조화기.
제5항에 있어서,
상기 운전모드 제어모듈은
상기 집중 송풍 영역 또는 상기 비집중 송풍 영역에 대응하여 좌측 베인이 회전할 각도 또는 우측 베인이 회전할 각도가 10도 이하인 경우, 상기 좌측 베인 또는 상기 우측 베인을 해당 집중 송풍 영역 또는 비집중 송풍 영역을 향하여 고정시키며, 상기 집중 송풍 영역이 산출되지 않은 경우 좌측 및 우측과 중앙 전체에 대해 상기 좌측 베인과 상기 우측 베인이 스윙하도록 제어하는, 영역 선택적으로 동작하는 공기조화기.
제5항에 있어서,
상기 운전모드 제어모듈은
상기 좌측 영역 또는 우측 영역 중 어느 하나의 영역이 상기 집중 송풍 영역에 포함되지 않는 경우 상기 포함되지 않은 영역의 상기 베인을 중앙으로 고정하여 제어하는, 영역 선택적으로 동작하는 공기조화기.
제5항에 있어서,
상기 집중 송풍 영역은 상기 좌측 베인의 제어로 풍향이 결정되는 좌측 집중 송풍 영역과 상기 우측 베인의 제어로 풍향이 결정되는 우측 집중 송풍 영역으로 나뉘어지며,
상기 운전모드 제어모듈은
상기 좌측 집중 송풍 영역을 향하여 상기 좌측 베인을 조절하여 좌측 풍향을 제어하며,
상기 우측 집중 송풍 영역을 향하여 상기 우측 베인을 조절하여 우측 풍향을 제어하는, 영역 선택적으로 동작하는 공기조화기.
삭제
제1항에 있어서,
상기 운전모드 제어모듈은
상기 송풍 영역의 온도 또는 습도의 변화를 센싱하는 센싱부;
상기 송풍 영역에서 상기 비집중 송풍 영역과 상기 집중 송풍 영역의 위치와 면적, 상기 집중 운전 모드로 운전하는 구간의 시작 시점의 실내 초기 온도, 상기 구간의 목표 설정 온도, 상기 구간의 미리 설정된 초기 구간의 온도 변화율, 상기 구간의 온도 변화율, 및 상기 구간의 시작 시점 및 종료 시점 사이의 시간 크기 중 어느 하나 이상을 파라미터로 생성하는 파라미터 생성부; 및
상기 공기조화기가 턴온 또는 스마트온 시점을 기준으로 상기 영역 인식 모듈이 판단한 집중 송풍 영역에 대해 미리 설정된 시간 동안 집중 운전 모드를 지시하며, 상기 집중 운전 모드가 종료하면 상기 비집중 송풍 영역과 상기 집중 송풍 영역에 대해 비집중 운전 모드를 지시하는 운전 모드 지시부를 포함하는, 영역 선택적으로 동작하는 공기조화기.
공기조화기와 미리 설정된 방식으로 정보를 송수신하는 통신부;
상기 공기조화기가 송신한 재실자의 거리 및 방향 정보에 대응하여 상기 공기 조화기의 송풍 영역에서 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 영역인식부;
상기 영역 인식부에서 구분된 집중 송풍 영역에 대해 상기 공기조화기가 집중 운전 모드로 동작한 이후 상기 집중 송풍 영역 및 상기 비집중 송풍 영역에 대해 상기 집중 운전 모드와 구별되는 비집중 운전 모드를 지시하는 운전모드 지시부; 및
상기 통신부, 상기 영역인식부, 상기 운전모드 지시부를 제어하는 서버제어부를 포함하며,
상기 운전모드 지시부는
상기 집중 송풍 영역이 산출된 경우, 상기 집중 송풍 영역에 대해 미리 설정된 기간 동안 동작하는 집중 운전 모드를 지시하며,
상기 집중 운전 모드가 종료하면 상기 비집중 송풍 영역과 상기 집중 송풍 영역에 대해 수행할 비집중 운전 모드를 지시하며,
상기 집중 운전 모드의 시간당 에너지 소비량은 상기 비집중 운전 모드의 시간당 에너지 소비량 보다 크며,
상기 운전모드 지시부는 상기 공기조화기의 집중 운전 모드에 산출된 입력 인자와 상기 집중 송풍 영역 및 상기 비집중 송풍 영역의 면적과 비율과 위치 정보를 입력받아 상기 공기조화기의 비집중 운전 모드에서의 운전 상태인 부하를 출력하는, 공기 조화기의 영역 선택적 동작을 지시하는 클라우드 서버.
제14항에 있어서,
상기 영역인식부는 상기 공기조화기에 배치된 카메라가 획득하는 영상에서 인식된 재실자의 거리와 방향에 기초하여 상기 복수의 영역에 대하여 생활 영역을 구분하는, 공기 조화기의 영역 선택적 동작을 지시하는 클라우드 서버.
제15항에 있어서,
상기 영역인식부는 머신러닝으로 기학습된 인공신경망(Artificial Neural Network)을 포함하고,
상기 인식된 재실자의 거리와 방향을 누적하여 상기 복수의 영역별 히스토그램을 생성하며, 상기 생성된 히스토그램을 상기 인공신경망의 입력데이터로 사용하여 상기 송풍 영역과 비송풍 영역으로 구분하는, 공기 조화기의 영역 선택적 동작을 지시하는 클라우드 서버.
제14항에 있어서,
상기 영역인식부는 상기 비집중 송풍 영역을 간헐적 송풍 영역과 미송풍 영역으로 구분하는, 공기 조화기의 영역 선택적 동작을 지시하는 클라우드 서버.
제14항에 있어서,
상기 공기조화기가 송신한 상기 송풍 영역에서 상기 비집중 송풍 영역과 상기 집중 송풍 영역의 위치와 면적, 상기 집중 운전 모드로 운전하는 구간의 시작 시점의 실내 초기 온도, 상기 구간의 목표 설정 온도, 상기 구간의 미리 설정된 초기 구간의 온도 변화율, 상기 구간의 온도 변화율, 및 상기 구간의 시작 시점 및 종료 시점 사이의 시간 크기 중 어느 하나 이상을 이용하여,
상기 운전모드 지시부가 상기 공기조화기가 턴온 또는 스마트온 시점을 기준으로 상기 영역인식부가 판단한 집중 송풍 영역에 대해 미리 설정된 시간 동안 집중 운전 모드를 지시하며, 상기 집중 운전 모드가 종료하면 상기 비집중 송풍 영역과 상기 집중 송풍 영역에 대해 비집중 운전 모드를 지시하는, 공기 조화기의 영역 선택적 동작을 지시하는 클라우드 서버.
공기조화기의 카메라가 재실자의 거리와 방향을 센싱하는 단계;
상기 공기조화기의 영역인식모듈이 상기 공기 조화기의 송풍 영역에서 상기 센싱된 재실자의 거리와 방향에 대응하여 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 단계;
상기 공기조화기의 운전모드제어모듈이 상기 집중 송풍 영역에 대해 공기조화기가 집중 운전 모드로 운전하도록 지시하는 단계; 및
상기 집중 운전 모드로 동작이 완료하면 상기 공기조화기의 제어부가 상기 집중 송풍 영역 및 상기 비집중 송풍 영역에 대해 상기 집중 운전 모드와 구별되는 운전 모드로 상기 공기조화기가 동작하도록 제어하는 단계를 포함하며,
상기 지시하는 단계는 상기 집중 송풍 영역이 산출된 경우, 상기 집중 송풍 영역에 대해 미리 설정된 기간 동안 동작하는 집중 운전 모드를 지시하는 단계를 더 포함하며,
상기 제어하는 단계는 상기 집중 운전 모드가 종료하면 상기 비집중 송풍 영역과 상기 집중 송풍 영역에 대해 수행할 비집중 운전 모드를 지시하는 단계를 더 포함하며,
상기 집중 운전 모드의 시간당 에너지 소비량은 상기 비집중 운전 모드의 시간당 에너지 소비량 보다 크며,
상기 비집중 운전 모드를 지시하는 단계는 상기 운전모드 제어모듈이 집중 운전 모드에서 산출된 입력 인자와 상기 집중 송풍 영역 및 상기 비집중 송풍 영역의 면적과 비율과 위치 정보를 입력받아 상기 비집중 운전 모드에서의 운전 상태인 부하를 출력하는 단계를 더 포함하는, 영역 선택적으로 공기조화기가 동작하는 방법.
제19항에 있어서,
상기 영역 인식 모듈은,
상기 카메라가 획득하는 영상에서 재실자의 존재 여부 및 상기 재실자의 거리와 방향을 인식하는 인체 인식부와
상기 재실자에 대해 인식한 결과에 기초하여 상기 복수의 영역에 대하여 생활 영역을 구분하는 영역 인식부를 포함하는, 영역 선택적으로 공기조화기가 동작하는 방법.
제20항에 있어서,
상기 영역 인식 모듈은 머신러닝으로 기학습된 인공신경망(Artificial Neural Network)을 포함하고,
상기 영역 인식부가 상기 재실자의 거리와 방향을 인식한 결과를 누적하여 상기 복수의 영역별 히스토그램을 생성하는 단계;
상기 영역 인식부가 상기 생성된 히스토그램을 상기 인공신경망의 입력데이터로 사용하여 상기 송풍 영역과 비송풍 영역으로 구분하는 단계를 포함하는, 영역 선택적으로 공기조화기가 동작하는 방법.
클라우드 서버의 통신부가 공기조화기로부터 재실자의 거리 및 방향 정보를 수신하는 단계;
상기 클라우드 서버의 영역인식부가 상기 공기조화기의 송풍 영역에서 집중 송풍 영역을 판단하고 그 외 영역에 대해 비집중 송풍 영역으로 판단하여 구분하는 단계;
상기 통신부가 상기 집중 송풍 영역과 상기 비집중 송풍 영역에 대한 정보를 상기 공기조화기에게 송신하는 단계;
상기 공기조화기가 상기 집중 송풍 영역에 대해 집중 운전 모드로 동작한 이후 산출된 파라미터를 상기 통신부가 수신하는 단계;
상기 클라우드 서버의 운전모드 지시부가 상기 수신한 파라미터를 이용하여 상기 공기조화기의 상기 집중 송풍 영역 및 상기 비집중 송풍 영역에 대해 상기 집중 운전 모드와 구별되는 비집중 운전 모드의 정보를 산출하는 단계; 및
상기 통신부가 상기 비집중 운전 모드에 대한 정보를 상기 공기조화기에게 송신하는 단계를 포함하며,
상기 산출하는 단계는
상기 클라우드 서버의 상기 운전모드 지시부가
상기 집중 송풍 영역이 산출된 경우, 상기 집중 송풍 영역에 대해 미리 설정된 기간 동안 동작하는 집중 운전 모드를 지시하는 단계와,
상기 집중 운전 모드가 종료하면 상기 비집중 송풍 영역과 상기 집중 송풍 영역에 대해 수행할 비집중 운전 모드를 지시하는 단계를 더 포함하며,
상기 집중 운전 모드의 시간당 에너지 소비량은 상기 비집중 운전 모드의 시간당 에너지 소비량 보다 크며,
상기 비집중 운전 모드를 지시하는 단계는 상기 운전모드 지시부가 상기 공기조화기의 집중 운전 모드에 산출된 입력 인자와 상기 집중 송풍 영역 및 상기 비집중 송풍 영역의 면적과 비율과 위치 정보를 입력받아 상기 공기조화기의 비집중 운전 모드에서의 운전 상태인 부하를 출력하는 단계를 더 포함하는, 공기 조화기의 영역 선택적 동작을 클라우드 서버가 지시하는 방법.
제22항에 있어서,
상기 영역인식부가 상기 공기조화기에 배치된 카메라가 획득하는 영상에서 인식된 재실자의 거리와 방향에 기초하여 상기 복수의 영역에 대하여 생활 영역을 구분하는 단계를 더 포함하는, 공기 조화기의 영역 선택적 동작을 클라우드 서버가 지시하는 방법.
제23항에 있어서,
상기 영역인식부는 머신러닝으로 기학습된 인공신경망(Artificial Neural Network)을 포함하고,
상기 인식된 재실자의 거리와 방향을 누적하여 상기 복수의 영역별 히스토그램을 생성하며, 상기 생성된 히스토그램을 상기 인공신경망의 입력데이터로 사용하여 상기 송풍 영역과 비송풍 영역으로 구분하는, 공기 조화기의 영역 선택적 동작을 클라우드 서버가 지시하는 방법.