KR102583019B1 - 고장 예측 기능을 구비한 인공지능 냉장고 - Google Patents

Abstract

본 발명의 고장 예측 기능을 구비한 인공지능 냉장고(100)는, 냉동 사이클을 이루는단말장치와 상기 단말장치를 제어하는 제어장치(300)을 포함하고, 상기 제어장치(300)은 상기 단말장치들 각각에 설치되는 센서(310)들로 부터 측정된 측정값들을 연산하는 제어부(330), 상기 제어부(330)에서 연산된 데이타가 저장되는 메모리부(320)를 포함하며, 상기 기준값 설정부(332는 상기 보정값 메모리(322)에 저장된 진폭 및 진동에너지계수에 고장계수를 곱하여 기준값으로 설정하여 기준값 메모리(323)에 저장하고, 고장 예측부(334)는 측정값이 기준값보다 클 경우에는 해당 단말장치에 고장이 발생할 수 있다는 예측을 하고, 제어장치는 해당 단말장치에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하는 것을 특징으로 한다.

Description

고장 예측 기능을 구비한 인공지능 냉장고 {Artificial Intelligence Refrigerator with failure prediction function}

본 발명은 고장을 예측하는 냉장고에 관한 것으로, 보다 상세하게는 인공지능을 활용하여 고장의 발생이나 진행 전에 고장 발생을 예측하는 냉장고에 관한 것이다.

냉장고는 냉장창고, 냉동창고, 백신등을 저장하는 의료용 냉장고, 가정용 냉장고 등 저장공간을 실온보다 낮은 저온으로 유지하는 장치이다.

이러한 냉장고는 저장실을 구비하는 본체를 구비하며, 압축기, 응축기, 팽창기, 증발기 등 본체 내부의 저장실을 저온 상태로 냉각하기 위한 냉동 사이클 장치, 냉동 사이클 장치 사이를 연결하는 관로 장치, 저장실 내부의 냉기를 순환시키기 위한 순환팬 장치 등의 각종 단말장치들이 용도에 따라 본체의 내부 또는 외부에 배치되어 구성된다.

냉장고가 제대로 작동되기 위해서는 각종 부품에 대한 유지, 점검 및 보수가 지속적으로 이루어져야만 하며, 특히, 위에 언급한 단말장치들은 타 부품에 비해 고장 발생 가능성이 높고, 고장이 발생하는 경우, 보관 제품의 손상에 이를 수 있으므로, 이들 부품에 대한 고장은 고장의 발생이나 진행 전에 고장 발생을 예측해야 한다는 필요성이 제시되어 왔다.

특허문헌1에는 냉장고의 소비 전력을 측정하고, 이를 근거로 냉장고에 포함된 복수의 단말장치 각각에 대해 고장을 진단함으로써, 냉장고에 포함된 복수의 단말장치에 대해 고장을 진단하는 기술이 공개되어 있다.

이러한 고장진단 장치들은 냉장고가 고장이 난 상태에서 작동 전류값이 상이한 상태를 기초로 고장을 판단하므로, 냉장고에 고장이 진행되어 작동이 불가능한 된 상태가 되어야 진단이 가능하나, 일단 고장이 나면 수리시까지 상당한 시간이 경과되어 보관실내의 온도변화가 불가피하므로, 온도변화에 따라 손상을 받게 되는 백신, 약품, 식료품 등의 타인의 물품을 보관하는 대형 냉장창고, 산업용 냉장고 등 전문 냉장고의 경우에는 심각한 경제적, 신용적 피해를 받게 되는 문제점이 있다.

이에 따라, 냉장고의 예방 정비 등이 가능하도록 선제적인 고장의 예측이 필요한데, 냉장고의 단말장치들은 내부 구조 및 설치 구조가 복잡하기 때문에 상당량의 파손이 진행된 상태가 아니라면 고장 여부를 판단하기 힘든 문제가 있다.

따라서 적은 용량의 컴퓨터로 효율적으로 사전에 냉장고의 고장을 예측할 수 있는 기술의 개발이 필요하다.

특허문헌

(특허문헌1) 대한민국 공개특허 10-2017-0091423( 2017.08.09 공개)

이에, 본 발명이 해결하고자 하는 과제는 냉장고의 작동상태를 기초로 냉장고의 고장 발생 가능성과 고장 위치를 사전에 판단할 수 있는 고장 예측 기능을 구비한 인공지능 냉장고를 제공하는 것이다.

또한, 본 발명이 해결하고자 하는 과제는 적은 용량의 컴퓨터를 포함하는 제어장치로 냉장고의 고장 발생 가능성과 고장 위치를 사전에 판단할 수 있는 고장 예측 기능을 구비한 인공지능 냉장고를 제공하는 것이다.

또한, 본 발명이 해결하고자 하는 과제는 인공지능 알고리즘을 이용하여 제어장치 스스로 고장예측 기능을 발전시켜 정확한 판단을 할 수 있게 하는 고장 예측 기능을 구비한 인공지능 냉장고를 제공하는 것이다.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 인공지능 냉장고는 냉장고(100)는, 냉동 사이클을 이루는 압축기(110), 응축기(120), 전자 팽창 밸브(130), 증발기(140) 등 단말장치와 상기 단말장치를 제어하는 제어장치(300)을 포함하고, 상기 제어장치(300)은 상기 단말장치들 각각에 설치되는 센서(310)들로 부터 측정된 측정값들을 연산하는 제어부(330), 상기 제어부(330)에서 연산된 데이타가 저장되는 메모리부(320)를 포함하며, 상기 제어부(330)는 데이터 처리부(331), 기준값 설정부(332) 고장 예측부(334) 및 고장 패턴 모델 학습부(333)를 포함하며, 상기 데이터 처리부(331)는 일정 시간 간격으로 각 단말장치에 부착되어 있는 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여

측정값 메모리(321)에 저장하고, 일정한 주기에 따라 전문가가 상기 각 단말장치의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(322)에 저장하며. 상기 기준값 설정부(332는 상기 보정값 메모리(322)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(323)에 저장하며, 고장 예측부(334)는 측정값이 기준값보다 클 경우에는 해당 단말장치에 고장이 발생할 수 있다는 예측을 하고, 제어장치는 해당 단말장치에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하는 것을 특징으로 한다.

본 발명의 다른 특징에 따르면, 상기 진동에너지계수는 진동의 진동수와 진폭을 적분한 데이터를 사용하는 것으로 아래의 수학식(1)에 의해 계산되는 것을 특징으로 한다.

[수학식 1]

여기서 Ei는 i 번째 단말장치의 진동에너지계수를 의미하며, X, Y은 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진동수, A, B는 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진폭, a, b는 i 번째 단말장치에 부착된 1, 2번째 센서의 중요도 비례상수를 의미하며, Δt는 분석시간을 의미한다.

본 발명의 또 다른 특징에 따르면, 상기 제어장치로부터 고장 예측 통보를 받은 사용자는 정밀 점검을 실시하고 실제 고장이 난 경우에는 고장이 발생하였다는 메시지를 고장 패턴 모델 학습부에 입력하고, 고장 패턴 모델 학습부는 고장이 발생하였다는 메시지를 받기 직전 고장 예측시의 측정값을 보정값 메모리에 저장하며, 상기 고장 패턴 모델 학습부(333)는 데이터 처리부(331)에 의해 생성된 보정값을 포함하는 통계 데이터 및 실제 고장 직전의 데이터를 기초로 고장 여부 판단을 타겟으로 하는 인공지능 머신러닝 알고리즘을 이용하여, 냉장고(100)에 포함된 다양한 단말장치별로 단위 시간당 진폭과 진동수 및 진동에너지계수를 포함하는 특징 패턴과 고장 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습하고, 학습된 고장 패턴 모델은 메모리부(320)에 저장하는 것을 특징으로 한다.

본 발명의 또 다른 특징에 따르면, 상기 기준값 설정부(332)는 상기 보정값 메모리(322)에 저장된 진동에너지계수에 고장계수를 곱하여 기준값으로 설정하여 기준값 메모리(323)에 저장하고, 상기 기준값 설정부(332)는 상기 보정값 메모리(322)에 저장된 진동에너지계수에 고장계수를 곱하여 기준값으로 설정하여 기준값 메모리(323)에 저장하며, 상기 고장 계수는 최초에는 2로 설정하여 기준값을 설정하고, 추후 실제 고장이 일어날 때의 최대 진폭과 진동에너지를 학습하여 자동적으로 변경하여 설정하도록 하는 것을 특징으로 한다.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명은 실제 고장 전에 고장을 예측하므로 고장에 따른 경제적, 신용적 피해를 저감할 수 있다.

또한, 본 발명은 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산한 진동에너지계수를 이용하여 고장을 예측하므로 고장을 예측하는데 많은 메모리와 고도의 연산을 하지 않고도 고장을 예측할 수 있어 적은 용량의 컴퓨터를 포함하는 제어장치로 냉장고의 고장 발생 가능성을 판단할 수 있다.

또한, 본 발명은 실제 고장 직전의 데이터를 기초로 인공지능 머신러닝 알고리즘에 의해 학습을 하므로 고장예측 기능을 발전시켜 정확한 판단을 할 수 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 인공지능 냉장고의 블록도이다.
도 2는 본 발명의 일 실시예에 따른 고장 예측 기능을 구비한 인공지능 냉장고의 제어부와 메모리부의 블록도이다.

이하, 첨부한 도면을 참조하여 본 발명의 실시예에 대하여 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조부호를 붙였다.

또한 본 발명에서 냉장고라 함은 냉장창고, 냉동창고, 백신등을 저장하는 산업용 냉장고, 가정용 냉장고등 저장공간을 일정한 온도로 유지하는 장치를 통칭한다.

도 1 및 도 2를 참조하여 설명하면, 본 발명의 일 실시에 따른 고장 예측 기능을 구비한 인공지능 냉장고(100)는, 냉동 사이클을 이루는 압축기(110), 응축기(120), 전자 팽창 밸브(130), 증발기(140) , 송풍덕트(210), 공기조절댐퍼(220), 리턴덕트(230) 등 단말장치와 단말장치를 제어하는 제어장치(300)을 포함하여 구성된다.

상기 제어장치(300)은 단말장치들 각각에 설치되는 센서(310)들로 부터 측정된 측정값들을 연산하는 제어부(330), 제어부(330)에서 연산된 데이타가 저장되는 메모리부(320)를 포함한다.

또한 제어부(330)는 데이터 처리부(331), 기준값 설정부(332), 고장 예측부(334) 및 고장 패턴 모델 학습부(333)를 포함한다.

냉장고의 각 단말장치들의 대부분은 일정한 주파수의 전기를 이용하여 작동되는데 단말장치의 부품에 불량이 발생하면 불량의 원인과 그 불량 정도에 따라 다양한 형태의 진동이 발생하게 되고, 진폭과 진동수 등 진동에너지도 변화하게 된다.

이러한 불량으로 인한 진동 형태를 분석하여 고장 직전의 진동과 유사한 형태의 진동이 발생할 시는 다시 고장이 발생할 것을 예측할 수 있는데, 단말장치가 다양하고 진동의 원인도 다양하여 진동의 형태 전체의 유사도를 분석하기 위해서는 대용량의 컴퓨터가 필요하다.

본 발명자는 대부분의 불량으로 인한 진동의 형태는 다양하나, 진동에너지의 변화를 이용하여 불량을 판단하는 경우 대부분의 불량을 검출할 수 있다는 사실을 발견하게 되어 본 발명에 이르게 되었다.

예를 들면 냉장고 휀의 모터 베어링과 휀 날개에 불량이 있는 경우에 그 위치에 따라 진동 파형의 형상은 상이하나 최대 진폭과 진동에너지는 유사하다. 따라서 이미지 형태인 파형 전체를 분석하여 유사도를 판단하지 않고도 최대 진폭과 진동 에너지만을 비교하여도 공조기 휀의 모터 베어링과 휀 날개에 불량을 검출할 수가 있음을 알 수 있었다.

본 발명은 이와 같은 물리적 원리를 기초로 진동에너지의 변화를 이용하여 불량의 정도를 판단하고 고장을 예측하게 된다.

고장을 예측하기 위하여 데이터 처리부(331)는 일정 시간 간격으로 각 단말장치에 부착되어 있는 1개 이상의 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 진동에너지계수를 생성하여 수신한 진동신호의 진폭과 진동수와 함께 메모리부(320)에 저장한다.

바람직하게는 수신한 진동신호의 진폭과 진동수의 연산 간격은 10분이고, 각 단위 연산 시간은 10분 간격으로 10초간인 것이 바람직하다

본 발명에서는 각 단말장치의 질량이 다양하여 단말장치의 질량을 감안하지 않는 단말장치별 진동에너지계수를 산출하여 사용하는데, 진동에너지계수는 진동의 진동수와 진폭을 적분한 데이터를 사용하는 것으로 진동수 X의 제곱과 진폭 A를 제곱한 것의 1/2를 단위시간 t 에서 t+Δt 까지 적분하는 식인 아래의 수학식(1)에 의해 계산되는 것이 바람직하다.

[수학식 1]

여기서 Ei는 i 번째 단말장치의 진동에너지계수를 의미하며, X, Y은 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진동수, A, B는 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진폭, a, b는 i 번째 단말장치에 부착된 1, 2번째 센서의 중요도 비례상수를 의미하며, Δt는 분석시간을 의미한다.

본 실시예에서는 압축기의 경우 압축기 모터에 1개의 센서를 부착하고 압축기 케이싱에 1개의 센서가 부착하여 2개의 센서를 부착한 것과 같이 각 단발장치에 2개의 센서가 부착된 것으로 설명하고 있으나 각 단말장치의 구성에 따라 1개 또는 다수개의 센서가 부착될 수 있다. 이때 센서의 중요도 비례상수 a, b는 센서의 부착 위치에 따른 비례상수로 압축기의 경우 압축기 모터는 3, 케이싱은 2와 같이 그 부품 고장의 중요도에 따라 경험에 의해 선정하여 적용한다.

메모리부(320)는 측정과 연산 기준에 따라 여러 가지 형태로 데이터를 저장하는 메모리를 포함한다. 예를 들면 일정 시간 간격으로 각 단말장치에 부착되어 있는 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여 측정값 메모리(321)에 저장하고, 일정한 주기에 따라 전문가가 상기 각 단말장치의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(322)에 저장한다.

또한 상기 기준값 설정부(332는 상기 보정값 메모리(322)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(323)에 저장하며,

이때 고장 계수는 보통의 단말장치들이 안전율을 2배로 하여 설계하므로 최초에는 보통의 안전율과 같이 2로 설정하여 기준값을 설정하고, 추후 실제 고장이 일어날 때의 최대 진폭과 진동에너지를 인공지능이 학습하여 자동적으로 변경하여 설정하도록 하는 것이 바람직하다.

제어장치의 고장 예측부(334)는 측정값이 기준값보다 클 경우에는 해당 단말장치에 고장이 발생할 수 있다는 예측을 하고, 제어장치는 해당 단말장치에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 통신부(35)를 통하여 사용자에게 통지한다. 이때 예측 메시지는 해당 단말장치를 식별할 수 있는 데이터, 고장이 발생한 시점을 식별할 수 있는 데이터 등을 포함할 수 있다. 생성된 고장 메시지는 별도의 통신장치(340)를 통해 관리자의 단말기나 휴대폰등으로 전송된다. 또한, 고장 메시지가 포함하는 데이터들은 고장 패턴 모델 학습부(333)로 전달되어 특징 패턴과 고장 사이의 맵핑 관계를 검출하는 인공지능 알고리즘에 반영되도록 할 수도 있다.

고장 예측 통보를 받은 사용자는 정밀 점검을 실시하고 실제 고장이 난 경우에는 고장이 발생하였다는 메시지를 입출력장치(340)을 활용하여 고장 패턴 모델 학습부에 입력하고, 고장 패턴 모델 학습부는 고장이 발생하였다는 메시지를 받기 직전 고장 예측시의 측정값을 보정값 메모리에 저장한다.

고장 패턴 모델 학습부(333)는 데이터 처리부(331)에 의해 생성된 보정값을 포함하는 통계 데이터 및 실제 고장 직전의 데이터를 기초로 고장 여부 판단을 타겟으로 하는 인공지능 머신러닝 알고리즘을 이용하여, 냉장고(100)에 포함된 다양한 단말장치별로 단위 시간당 진폭과 진동수 및 진동에너지계수를 포함하는 특징 패턴과 고장 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습한다. 또한, 이렇게 학습된 고장 패턴 모델은 메모리부(320)에 저장될 수도 있다.

고장 패턴 모델 학습부(333)는 인공 신경망 기법과 같은 머신러닝 알고리즘을 사용할 수 있으나, 이에 제한되지 않고, 다양한 기 공지된 머신러닝 알고리즘을 사용할 수도 있다. 즉, 고장 패턴 모델 학습부(333)는 데이터 처리부(331)에 의해 생성된 패턴 데이터와 메모리부(320)에 저장된 고장 여부 판단을 타겟으로 하는 머신 러닝 알고리즘을 사용하여 특징 패턴과 고장 간의 맵핑 관계를 학습 및 검출하여, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다.

따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 제한하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 제한되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 제한적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100 : 냉장고 110 : 압축기
220 : 공기조절댐퍼 300 : 제어장치
310 : 센서 320 : 메모리부
330 : 제어부(330) 331 : 데이터 처리부
332 : 기준값 설정부 333 : 고장 패턴 모델 학습부
334 : 고장 예측부

Claims (4)

1. 고장 예측 기능을 구비한 인공지능 냉장고에 있어서,
   상기 냉장고(100)는, 냉동 사이클을 이루는 압축기(110), 응축기(120), 전자 팽창 밸브(130), 증발기(140) 등 단말장치와 상기 단말장치를 제어하는 제어장치(300)을 포함하고,
   상기 제어장치(300)은 상기 단말장치들 각각에 설치되는 센서(310)들로 부터 측정된 측정값들을 연산하는 제어부(330), 상기 제어부(330)에서 연산된 데이타가 저장되는 메모리부(320)를 포함하며,
   상기 제어부(330)는 데이터 처리부(331), 기준값 설정부(332) 고장 예측부(334) 및 고장 패턴 모델 학습부(333)를 포함하며,
   상기 데이터 처리부(331)는 일정 시간 간격으로 각 단말장치에 부착되어 있는 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 측정 진동에너지계수를 생성하여 측정값 메모리(321)에 저장하고,
   일정한 주기에 따라 전문가가 상기 각 단말장치의 상태를 점검하는 전문 점검 후 안전한 것으로 판단했을 때 진동센서로부터 수신한 진동신호의 진폭과 진동수를 연산하여 각 단위 연산 시간 동안의 보정 진동에너지계수를 생성하여 보정값 메모리(322)에 저장하며.
   상기 기준값 설정부(332는 상기 보정값 메모리(322)에 저장된 보정 진동에너지계수에 고장계수를 곱하여 기준 진동에너지계수로 설정하여 기준값 메모리(323)에 저장하며,
   고장 예측부(334)는 측정값이 기준값보다 클 경우에는 해당 단말장치에 고장이 발생할 수 있다는 예측을 하고, 제어장치는 해당 단말장치에 대해 고장이 발생할 수 있다는 예측 메시지를 생성하여 사용자에게 통지하며
   상기 진동에너지계수는 진동의 진동수와 진폭을 적분한 데이터를 사용하는 것으로 아래의 수학식(1)에 의해 계산되는 것을 특징으로 하는 고장 예측 기능을 구비한 인공지능 냉장고
   [수학식 1]
   
   여기서 Ei는 i 번째 단말장치의 진동에너지계수를 의미하며, X, Y은 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진동수, A, B는 i 번째 단말장치에 부착된 1, 2번째 센서에서 측정되는 진폭, a, b는 i 번째 단말장치에 부착된 1, 2 번째 센서의 중요도 비례상수를 의미하며, Δt는 분석시간을 의미한다.
   
2. 삭제
3. 제 1항에 있어서,
   상기 제어장치로부터 고장 예측 통보를 받은 사용자는 정밀 점검을 실시하고 실제 고장이 난 경우에는 고장이 발생하였다는 메시지를 고장 패턴 모델 학습부에 입력하고, 고장 패턴 모델 학습부는 고장이 발생하였다는 메시지를 받기 직전 고장 예측시의 측정값을 보정값 메모리에 저장하며,
   상기 고장 패턴 모델 학습부(333)는 데이터 처리부(331)에 의해 생성된 보정값을 포함하는 통계 데이터 및 실제 고장 직전의 데이터를 기초로 고장 여부 판단을 타겟으로 하는 인공지능 머신러닝 알고리즘을 이용하여, 냉장고(100)에 포함된 다양한 단말장치별로 단위 시간당 진폭과 진동수 및 진동에너지계수를 포함하는 특징 패턴과 고장 사이의 맵핑 관계를 검출하고, 통계 데이터 및 맵핑 관계로부터 고장 패턴 모델을 학습하고, 학습된 고장 패턴 모델은 메모리부(320)에 저장하는 것을 특징으로 하는 고장 예측 기능을 구비한 인공지능 냉장고
4. 제 1항에 있어서,
   상기 기준값 설정부(332)는 상기 보정값 메모리(322)에 저장된 진동에너지계수에 고장계수를 곱하여 기준값으로 설정하여 기준값 메모리(323)에 저장하고,
   상기 고장 계수는 최초에는 2로 설정하여 기준값을 설정하고, 추후 실제 고장이 일어날 때의 최대 진폭과 진동에너지를 학습하여 자동적으로 변경하여 설정하도록 하는 것을 특징으로 하는 고장 예측 기능을 구비한 인공지능 냉장고