KR102619200B1 - 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 - Google Patents
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102619200B1 KR102619200B1 KR1020220091686A KR20220091686A KR102619200B1 KR 102619200 B1 KR102619200 B1 KR 102619200B1 KR 1020220091686 A KR1020220091686 A KR 1020220091686A KR 20220091686 A KR20220091686 A KR 20220091686A KR 102619200 B1 KR102619200 B1 KR 102619200B1
- Authority
- KR
- South Korea
- Prior art keywords
- air quality
- indoor
- index
- outdoor
- neural network
- Prior art date
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000007613 environmental effect Effects 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000004590 computer program Methods 0.000 title claims abstract description 12
- 239000000428 dust Substances 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 22
- 239000013618 particulate matter Substances 0.000 claims description 12
- 239000012855 volatile organic compound Substances 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 11
- 239000001569 carbon dioxide Substances 0.000 claims description 11
- 238000009423 ventilation Methods 0.000 abstract description 141
- 230000006870 function Effects 0.000 description 33
- 238000013528 artificial neural network Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 19
- 238000013527 convolutional neural network Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000010365 information processing Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000006399 behavior Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
- F24F2130/10—Weather information or forecasts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Air Conditioning Control Device (AREA)
- Ventilation (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
기존의 환기설비와 연동 가능하고, 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있는 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램에 관한 것으로, 실내외 미세먼지, 실내외 습도, 풍량 및 가동 시간 중 적어도 하나를 포함하는 IoT 데이터를 수집하는 단계; 상기 수집된 IoT 데이터에 대한 전처리 및 정규화를 수행하는 단계; 상기 수집된 IoT 데이터를 입력 데이터로서 생성하고, 타겟 데이터를 생성 및 샘플 데이터를 생성하는 단계; 상기 수집된 IoT 데이터를 이용하여 머신러닝 알고리즘을 기반으로 하는 뉴럴 네트워크 모델을 생성하는 단계; 및 상기 샘플 데이터를 이용하여 상기 뉴럴 네트워크 모델을 검증하는 단계를 포함하며, 상기 뉴럴 네트워크 모델은, 입력되는 실내공기질지수, 실내불쾌지수, 실외공기질지수 및 실외불쾌지수를 기반으로 실내 환경을 예측하되, 상기 실내공기질지수 및 상기 실외공기질지수는, 공기질 요소로 분류된 정보를 기반으로 산출되고, 상기 실내불쾌지수 및 상기 실외불쾌지수는, 불쾌 요소로 분류된 정보를 기반으로 산출될 수 있다.
Description
본 발명은 환기설비 연동 범용 제어 방법에 관한 것으로, 보다 구체적으로 기존의 환기설비와 연동 가능하고, 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있도록 하는 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램에 관한 것이다.
일반적으로, 밀폐된 공간 내에 거주하는 실내 거주자들은, 실내 거주자의 호흡에 의해 시간이 지나면서 밀폐된 공간 내의 공기 중에 이산화탄소 함량이 증가하게 되어 실내 거주자의 호흡 건강에 악영향을 줄 수 있다.
그러므로, 사무실, 아파트 및 차량 등과 같이 여러 사람들이 머무는 실내 공간에는, 실내의 오염 공기를 실외의 신선한 공기로 수시로 대체해 줄 수 있는 환기설비가 필수적이다.
또한, 최근 들어 대기 오염이 심해짐에 따라서 인간의 호흡 환경에 대한 중요성이 갈수록 높아져 실내에서도 단순한 환기가 아니라 보다 쾌적한 실내 환경을 유지하기 위한 다양한 노력들이 이루어지고 있다.
이처럼, 쾌적한 실내 환경을 위하여, 실내를 난방하는 난방 장치, 실내를 냉방하거나 제습하는 냉방 장치, 및 실내와 실외의 공기를 환기시키는 환기장치 등과 같이 거주 공간의 실내 환경을 최적의 상태로 유지시키기 위한 다양한 종류의 환기설비들이 구비되고 있다.
하지만, 이러한 환기설비들은, 각각의 개별 설정에 따라 동작하므로, 사용자가 실내 환경을 고려하여 다양한 환기설비들을 개별적으로 수동 제어해야 하는 불편함이 있을 뿐만 아니라, 외부 또는 내부 환경에 따라 대응하여 동작하지 않으므로 불필요한 에너지 소비로 인한 경제적 손실을 초래할 수 있었다.
따라서, 향후, 기존의 환기설비와 연동 가능하고, 실내 및 실외 환경에 따라 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있는 환기설비 연동 범용 제어 기술의 개발이 요구되고 있다.
상술한 바와 같은 문제점을 해결하기 위한 본 발명의 일 목적은, 실내외공기질 정보와 기상정보를 수집하여 실내외공기질지수 및 실내외불쾌지수를 산출하고, 산출된 지수를 기반으로 환기설비의 자동 제어함으로써, 기존의 환기설비와 연동 가능하고, 실내 및 실외 환경에 따라 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있도록 하는 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램을 제공하는 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법은, 실내외 미세먼지, 실내외 습도, 풍량 및 가동 시간 중 적어도 하나를 포함하는 IoT 데이터를 수집하는 단계; 상기 수집된 IoT 데이터에 대한 전처리 및 정규화를 수행하는 단계; 상기 수집된 IoT 데이터를 입력 데이터로서 생성하고, 타겟 데이터를 생성 및 샘플 데이터를 생성하는 단계; 상기 수집된 IoT 데이터를 이용하여 머신러닝 알고리즘을 기반으로 하는 뉴럴 네트워크 모델을 생성하는 단계; 및 상기 샘플 데이터를 이용하여 상기 뉴럴 네트워크 모델을 검증하는 단계를 포함하며, 상기 뉴럴 네트워크 모델은, 입력되는 실내공기질지수, 실내불쾌지수, 실외공기질지수 및 실외불쾌지수를 기반으로 실내 환경을 예측하되, 상기 실내공기질지수 및 상기 실외공기질지수는, 공기질 요소로 분류된 정보를 기반으로 산출되고, 상기 실내불쾌지수 및 상기 실외불쾌지수는, 불쾌 요소로 분류된 정보를 기반으로 산출될 수 있다.
실시 예에 있어서, 상기 뉴럴 네트워크 모델은, 상기 공기질 요소별로 분류된 정보 및 상기 불쾌 요소별로 분류된 정보 각각에 대한 정보량 또는 신뢰도를 기반으로 상기 실내공기질지수, 상기 실내불쾌지수, 상기 실외공기질지수, 상기 실외불쾌지수를 산출할 수 있다.
실시 예에 있어서, 상기 뉴럴 네트워크 모델은, 상기 공기질 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 이상이면 상기 실내공기질지수 및 상기 실외공기질지수를 산출하고, 상기 공기질 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 미만이면 상기 실내공기질지수 및 상기 실외공기질지수를 미산출하고, 상기 불쾌 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 이상이면 상기 실내불쾌지수 및 상기 실외불쾌지수를 산출하고, 상기 불쾌 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 미만이면 상기 실내불쾌지수 및 상기 실외불쾌지수를 미산출할 수 있다.
실시 예에 있어서, 상기 뉴럴 네트워크 모델은, 상기 실내공기질지수 및 상기 실외공기질지수를 기반으로 하여 실내공기질 및 실외공기질을 1에서 10까지 값으로 지수화하고, 상기 실내불쾌지수와 상기 실외불쾌지수를 기반으로 하여 실내불쾌정도 및 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있다.
실시 예에 있어서, 상기 뉴럴 네트워크 모델은, 상기 실내공기질지수, 상기 실내불쾌지수, 상기 실외공기질지수 및 상기 실외불쾌지수를 기반으로 실내 환경을 예측하고, 상기 예측한 실내 환경에 기반하여 최적 환경에 도달하도록 상기 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
실시 예에 있어서, 상기 공기질 요소별로 분류된 정보는, 온도, 습도, 이산화탄소(CO2), VOC(Volatile Organic Compounds), 미세먼지 PM(Particulate Matter)2.5 및 미세먼지 PM10 중 적어도 하나를 포함할 수 있다.
실시 예에 있어서, 상기 뉴럴 네트워크 모델은, 상기 공기질 요소별로 분류된 정보를 기반으로 공기질 단계를 구별하되, 상기 공기질 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계 및 매우나쁨 단계 중 어느 하나일 수 있다.
실시 예에 있어서, 상기 불쾌 요소별로 분류된 정보는, 온도, 습도, 소음, 풍량, 지역, 밀집도 및 교통량 중 적어도 하나를 포함할 수 있다.
실시 예에 있어서, 상기 뉴럴 네트워크 모델은, 상기 불쾌요소별로 분류된 정보를 기반으로 불쾌 단계를 구별하되, 상기 불쾌 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계 및 매우나쁨 단계 중 어느 하나일 수 있다.
상술한 과제를 해결하기 위한 본 발명의 다른 실시 예에 따른 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법을 제공하는 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상술한 방법 중 어느 하나의 방법을 수행하기 위해 매체에 저장된다.
삭제
삭제
삭제
삭제
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
상기와 같이 본 발명에 따르면, 실내외공기질 정보와 기상정보를 수집하여 실내외공기질지수 및 실내외불쾌지수를 산출하고, 산출된 지수를 기반으로 환기설비의 자동 제어함으로써, 기존의 환기설비와 연동 가능하고, 실내 및 실외 환경에 따라 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있다.
또한, 본 발명은, 환기설비의 가동/중지 및 풍량 제어 이외에도 다양한 운전모드를 상황에 맞게 제어하므로, 변화하는 대기환경에 대처가 가능하다.
또한, 본 발명은, 인공 지능을 이용하여 환기설비의 가동을 자동 제어하고, 지수 개선 및 에너지 절약의 최적화를 지속적으로 수행할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 방법을 제공하기 위한 동작을 수행하는 환기설비 연동 범용 제어 장치를 설명하기 위한 개념도이다.
도 2는, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 장치를 설명하기 위한 블럭구성도이다.
도 3 내지 도 5는, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 방법을 설명하기 위한 흐름도이다.
도 6은, 뉴럴 네트워크 모델을 이용한 공기질 및 불쾌정도의 지수화 과정을 설명하기 위한 도면이다.
도 7은, 뉴럴 네트워크 모델을 이용한 환기설비 자동 제어 과정을 설명하기 위한 도면이다.
도 8 및 도 9는, 뉴럴 네트워크 모델의 생성 과정을 설명하기 위한 도면이다.
도 2는, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 장치를 설명하기 위한 블럭구성도이다.
도 3 내지 도 5는, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 방법을 설명하기 위한 흐름도이다.
도 6은, 뉴럴 네트워크 모델을 이용한 공기질 및 불쾌정도의 지수화 과정을 설명하기 위한 도면이다.
도 7은, 뉴럴 네트워크 모델을 이용한 환기설비 자동 제어 과정을 설명하기 위한 도면이다.
도 8 및 도 9는, 뉴럴 네트워크 모델의 생성 과정을 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 발명을 한정하는 사항으로 기재하지 않은 경우에 본 발명의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
본 명세서에서 신경망, 인공 신경망, 네트워크 함수는 종종 상호 교환 가능하게 사용될 수 있다.
또한, 본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은, “뉴런(neuron)”들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.
도 1은, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 방법을 제공하기 위한 동작을 수행하는 환기설비 연동 범용 제어 장치를 설명하기 위한 개념도이고, 도 2는, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 장치를 설명하기 위한 블럭구성도이다.
도 1 및 도 2에 도시된 환기설비 연동 범용 제어 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 발명의 일 실시예에서 환기설비 연동 범용 제어 장치(100)는 환기설비 연동 범용 제어 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 환기설비 연동 범용 제어 장치(100)를 구성할 수도 있다.
환기설비 연동 범용 제어 장치(100)는, 실내공기질 측정기(310), 실외공기질 측정기(320), 외부 서버(330) 등과 같이 다양한 환경 측정 장치(300)들과 통신 연결되어 다양한 환경 정보를 수집할 수 있으며, 에어컨(210), 환기시스템(220), 가습기(230), 공기청정기(240) 등과 같이 실내의 환기설비(200)와 무선 또는 유선으로 통신 연결되어 환기설비(200)를 자동 제어할 수 있다.
일 예로, 환기설비 연동 범용 제어 장치(100)와 환기설비(200)는, 범용 통신 프로토콜인 RS-485 등으로 통신 연결될 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
환기설비 연동 범용 제어 장치(100)는, 정보 수집부(110), 정보 처리부(120), 환기 제어부(130), 메모리(140), 네트워크부(150)를 포함할 수 있다.
여기서, 정보 수집부(110)는, 실내공기질 정보, 실외공기질 정보 및 기상 정보를 수집할 수 있다.
정보 수집부(110)는, 실내공기질 측정기로부터 측정된 실내공기질 정보를 수집하고, 국가측정망 기반 외부 측정기로부터 측정된 실외공기질 정보 및 기상 정보를 수집하며, 수집한 정보들을 공기질 요소 및 불쾌 요소를 포함하는 환경 요소별로 분류할 수 있다.
일 예로, 공기질 요소별로 분류된 정보는, 실내공기질지수 또는 실외공기질지수를 산출하기 위한 필요 정보이고, 불쾌 요소별로 분류된 정보는, 실내불쾌지수 또는 실외불쾌지수를 산출하기 위한 필요 정보일 수 있다.
예를 들면, 공기질 요소별로 분류된 정보는, 온도, 습도, 이산화탄소(CO2), VOC(Volatile Organic Compounds), 미세먼지 PM(Particulate Matter)2.5, 미세먼지 PM10 등을 포함하고, 불쾌 요소별로 분류된 정보는, 온도, 습도, 소음, 풍량, 지역 밀집도, 교통량 등을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
다음, 정보 처리부(120)는, 수집된 실내공기질 정보, 실외공기질 정보 및 기상정보를 기반으로 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 수 있다.
여기서, 정보 처리부(120)는, 실내공기질 정보, 실외공기질 정보 및 기상 정보로부터 분류된 공기질 요소 정보를 기반으로 실내공기질지수와 실외공기질지수를 산출하여 실내공기질과 실외공기질을 1에서 10까지 값으로 지수화하고, 실내공기질 정보, 실외공기질 정보 및 기상 정보로부터 분류된 불쾌 요소 정보를 기반으로 실내불쾌지수와 실외불쾌지수를 산출하여 실내불쾌정도와 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있다.
또한, 정보 처리부(120)는, 실내공기질 정보, 실외공기질 정보 및 기상 정보로부터 분류된 공기질 요소 정보를 기반으로 공기질 단계를 구별하고, 실내공기질지수와 실외공기질지수를 산출하여 구별한 공기질 단계에 상응하는 실내공기질과 실외공기질을 1에서 10까지 값으로 지수화하고, 실내공기질 정보, 실외공기질 정보 및 기상 정보로부터 분류된 불쾌 요소 정보를 기반으로 불쾌 단계를 구별하고, 실내불쾌지수와 실외불쾌지수를 산출하여 구별한 불쾌 단계에 상응하는 실내불쾌정도와 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있다.
일 예로, 공기질 요소 정보는, 온도, 습도, 이산화탄소(CO2), VOC(Volatile Organic Compounds), 미세먼지 PM(Particulate Matter)2.5, 미세먼지 PM10 등을 포함하고, 불쾌 요소 정보는, 온도, 습도, 소음, 풍량, 지역 밀집도, 교통량 등을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
그리고, 구별한 공기질 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계 중 어느 하나이고, 구별한 불쾌 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계 중 어느 하나일 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
여기서, 정보 처리부(120)는, 실내공기질과 실외공기질을 지수화할 때, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계별로 실내공기질과 실외공기질을 1에서 10까지 값으로 지수화하고, 실내불쾌정도와 실외불쾌정도를 지수화하는 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계별로 실내불쾌정도와 실외불쾌정도를 1에서 10까지 값으로 지수화할 수도 있다.
또한, 정보 처리부(120)는, 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 때, 수집된 실내공기질 정보, 실외공기질 정보 및 기상정보를 미리 학습된 뉴럴 네트워크 모델에 입력하여 공기질 및 불쾌정도를 지수화하여 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수 중 적어도 어느 하나를 제공할 수 있다.
일 예로, 뉴럴 네트워크 모델은, 실내공기질, 실내불쾌정도, 실외공기질, 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
또한, 정보 처리부(120)는, 공기질 요소별로 분류된 정보 및 불쾌 요소별로 분류된 정보에 대한 정보량을 기반으로 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 수 있다.
일 예로, 정보 처리부(120)는, 공기질 요소별로 분류된 정보에 대한 정보량이 기준량 이상이면 실내공기질 지수와 실외공기질지수를 산출하고, 공기질 요소별로 분류된 정보에 대한 정보량이 기준량 미만이면 실내공기질 지수와 실외공기질지수를 미산출하며, 불쾌 요소별로 분류된 정보에 대한 정보량이 기준량 이상이면 실내불쾌지수와 실외불쾌지수를 산출하고, 불쾌 요소별로 분류된 정보에 대한 정보량이 기준량 미만이면 실내불쾌지수와 실외불쾌지수를 미산출할 수 있다.
경우에 따라, 정보 처리부(120)는, 공기질 요소별로 분류된 정보 및 불쾌 요소별로 분류된 정보에 대한 신뢰도를 기반으로 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 수도 있다.
일 예로, 정보 처리부(120)는, 공기질 요소별로 분류된 정보에 대한 신뢰도가 기준값 이상이면 실내공기질 지수와 실외공기질지수를 산출하고, 공기질 요소별로 분류된 정보에 대한 신뢰도가 기준값 미만이면 실내공기질 지수와 실외공기질지수를 미산출하며, 불쾌 요소별로 분류된 정보에 대한 신뢰도가 기준값 이상이면 실내불쾌지수와 실외불쾌지수를 산출하고, 불쾌 요소별로 분류된 정보에 대한 신뢰도가 기준값 미만이면 실내불쾌지수와 실외불쾌지수를 미산출할 수 있다.
다음, 환기 제어부(130)는, 산출된 지수를 기반으로 환기설비의 가동/중지, 운전모드 및 풍량을 자동 제어할 수 있다.
여기서, 환기 제어부(130)는, 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 미리 학습된 뉴럴 네트워크 모델에 입력하여 실내 환경을 예측하고, 예측한 실내 환경에 기반하여 최적 환경에 도달하도록 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
일 예로, 환기 제어부(130)는, 환기설비를 자동 제어할 때, 최적 환경에 가장 빨리 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
여기서, 환기 제어부(130)는, 최적 환경에 가장 빨리 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
다른 일 예로, 환기 제어부(130)는, 환기설비를 자동 제어할 때, 최소의 에너지로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
여기서, 환기 제어부(130)는, 최소의 에너지로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또 다른 일 예로, 환기 제어부(130)는, 환기설비를 자동 제어할 때, 환기설비의 제어 기능들 중 최소 제어 기능만으로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수도 있다.
여기서, 환기 제어부(130)는, 환기설비의 제어 기능들 중 최소 제어 기능만으로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또 다른 일 예로, 환기 제어부(130)는, 환기설비를 자동 제어할 때, 미리 설정된 시간별 최적 환경 조건 정보를 추출하여 시간별로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
여기서, 환기 제어부(130)는, 시간별로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또 다른 일 예로, 환기 제어부(130)는, 환기설비를 자동 제어할 때, 사용자 행동 패턴을 미리 예측하여 예측한 사용자 행동 패턴별로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수도 있다.
여기서, 환기 제어부(130)는, 예측한 사용자 행동 패턴별로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또한, 전술한 뉴럴 네트워크 모델은, 딥 뉴럴 네트워크일 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는, 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크 (CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다.
컨벌루셔널 뉴럴 네트워크는, 딥 뉴럴 네트워크의 일종으로서, 컨벌루셔널 레이어를 포함하는 신경망을 포함한다. 컨벌루셔널 뉴럴 네트워크는, 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은, 하나 또는 여러 개의 컨벌루셔널 레이어와 이와 결합된 인공 신경망 계층들로 구성될 수 있다. CNN은, 가중치와 풀링 레이어(pooling layer)들을 추가로 활용할 수 있다. 이러한 구조 덕분에 CNN은, 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지에서 오브젝트를 인식하기 위하여 사용될 수 있다. 컨벌루셔널 뉴럴 네트워크는, 이미지 데이터를 차원을 가진 행렬로 나타내어 처리할 수 있다. 예를 들어 RGB(red-green-blue)로 인코딩 된 이미지 데이터의 경우, R, G, B 색상별로 각각 2차원(예를 들어, 2 차원 이미지 인 경우) 행렬로 나타내 질 수 있다. 즉, 이미지 데이터의 각 픽셀의 색상 값이 행렬의 성분이 될 수 있으며 행렬의 크기는 이미지의 크기와 같을 수 있다. 따라서, 이미지 데이터는, 3개의 2차원 행렬로(3차원의 데이터 어레이)로 나타내질 수 있다.
컨벌루셔널 뉴럴 네트워크에서, 컨벌루셔널 필터를 이동해가며 컨벌루셔널 필터와 이미지의 각 위치에서의 행렬 성분끼리 곱하는 것으로 컨벌루셔널 과정(컨벌루셔널 레이어의 입출력)을 수행할 수 있다. 컨벌루셔널 필터는, n*n 형태의 행렬로 구성될 수 있다. 컨벌루셔널 필터는, 일반적으로 이미지의 전체 픽셀의 수보다 작은 고정된 형태의 필터로 구성될 수 있다. 즉, m*m 이미지를 컨벌루셔널 레이어(예를 들어, 컨벌루셔널 필터의 사이즈가 n*n인 컨벌루셔널 레이어)입력시키는 경우, 이미지의 각 픽셀을 포함하는 n*n 픽셀을 나타내는 행렬이 컨벌루셔널 필터와 성분 곱 (즉, 행렬의 각 성분끼리의 곱) 될 수 있다. 컨벌루셔널 필터와의 곱에 의하여 이 미지에서 컨벌루셔널 필터와 매칭되는 성분이 추출될 수 있다. 예를 들어, 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터는 [[0,1,0], [0,1,0], [0,1,0]] 와 같이 구성될 수 있다. 이미지에서 상하 직선 성분을 추출하기 위한 3*3 컨벌루셔널 필터가 입력 이미지에 적용되면 이미지에서 컨벌루셔널 필터와 매칭되는 상하 직선 성분이 추출되어 출력될 수 있다. 컨벌루셔널 레이어는 이미지를 나타낸 각각의 채널에 대한 각각의 행렬(즉, R, G, B 코딩 이미지의 경우, R, G, B 색상)에 컨벌루셔널 필터를 적용할 수 있다. 컨벌루셔널 레이어는 입력 이미지에 컨벌루셔널 필터를 적용하여 입력 이미지에서 컨벌루셔널 필터와 매칭되는 피쳐를 추출할 수 있다. 컨벌루셔널 필터의 필터 값(즉, 행렬의 각 성분의 값)은 컨벌루셔널 뉴럴 네트워크의 학습 과정에서 역전파에 의하여 업데이트 될 수 있다.
컨벌루셔널 레이어의 출력에는, 서브샘플링 레이어가 연결되어 컨벌루셔널 레이어의 출력을 단순화하여 메모리 사용량과 연산량을 줄일 수 있다. 예를 들어, 2*2 맥스 풀링 필터를 가지는 풀링 레이어에 컨벌루셔널 레이어의 출력을 입력시키는 경우, 이미지의 각 픽셀에서 2*2 패치마다 각 패치에 포함되는 최대값을 출력하여 이미지를 압축할 수 있다. 전술한 풀링은 패치에서 최소값을 출력하거나, 패치의 평균값을 출력하는 방식일 수도 있으며 임의의 풀링 방식이 본 발명에 포함될 수 있다.
컨벌루셔널 뉴럴 네트워크는, 하나 이상의 컨벌루셔널 레이어, 서브 샘플링 레이어를 포함할 수 있다. 컨벌루셔널 뉴럴 네트워크는 컨벌루셔널 과정과 서브샘플링 과정(예를 들어, 전술한 맥스 풀링 등)을 반복적으로 수행하여 이미지에서 피쳐를 추출할 수 있다. 반복적인 컨벌루션널 과정과 서브샘플링 과정을 통해 뉴럴 네트워크는 이미지의 글로벌 피쳐를 추출할 수 있다.
컨벌루셔널 레이어 또는 서브샘플링 레이어의 출력은 풀 커넥티드 레이어(fully connected layer)에 입력될 수 있다. 풀 커넥티드 레이어는 하나의 레이어에 있는 모든 뉴런과 이웃한 레이어에 있는 모든 뉴런이 연결되는 레이어이다. 풀 커넥티드 레이어는 뉴럴 네트워크에서 각 레이어의 모든 노드가 다른 레이어의 모든 노드에 연결된 구조를 의미할 수 있다.
본 발명의 일 실시예에 따르면, 환기 제어부(130)는, 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 환기 제어부(130)는, 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일실시예에 따라 환기 제어부(130)는, 신경망의 학습을 위한 연산을 수행할 수 있다. 환기 제어부(130)는, 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 환기 제어부(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 환기설비 연동 범용 제어 장치에서 수행되는 컴퓨터 프로그램은, CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 환기설비 연동 범용 제어 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 환기 제어부(130)에 의하여 판독되어 구동될 수 있다. 메모리(130)는, 환기 제어부(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 발명의 일 실시예에 따르면, 메모리(130)는, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 환기설비 연동 범용 제어 장치(100)는 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 이에 제한되지 않는다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 환기설비 연동 범용 제어 방법 결과 정보 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 환기설비 연동 범용 제어 또는 모델의 학습을 위한 동작들이 분산 수행되도록 할 수 있다. 네트워크부(150)는, 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 환기설비 연동 범용 제어 또는 네트워크 함수를 사용한 모델 학습을 위한 연산을 분산 처리하도록 할 수 있다.
본 발명의 일 실시예에 따른 네트워크부(150)는, 근거리(단거리), 원거리, 유선 및 무선 등과 같은 현재 사용 및 구현되는 임의의 형태의 유무선 통신 기술에 기반하여 동작할 수 있으며, 다른 네트워크들에서도 사용될 수 있다.
본 발명의 환기설비 연동 범용 제어 장치(100)는, 출력부 및 입력부를 더 포함할 수도 있다.
본 발명의 일 실시예에 따른 출력부는, 환기설비 연동 범용 제어 방법을 수행하기 위한 사용자 인터페이스(UI, user interface)를 표시할 수 있다. 출력부는, 환기 제어부(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.
본 발명의 일 실시예에서, 출력부는, 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은, 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
본 발명의 일 실시예에 따른 입력부는, 사용자 입력을 수신할 수 있다. 입력부는, 사용자 입력을 수신받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 발명의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
본 발명의 실시예들에 따른 입력부는, 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(Speech Recognition) 기술 또는 동작 인식(Motion Recognition) 기술들이 사용될 수 있다.
본 발명의 실시예들에 따른 입력부는, 환기설비 연동 범용 제어 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 이에 제한되는 것은 아니다.
본 발명의 일 실시예에 따른 입력부는, 사용자 터치 입력을 인식할 수 있다. 본 발명의 일 실시예에 따른 입력부는, 출력부와 동일한 구성일 수도 있다. 입력부는, 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은, 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는, 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 환기설비 연동 범용 제어 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는, 터치 센서를 포함할 수 있다. 터치 센서는, 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는, 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는, 그 신호(들)를 처리한 다음 대응하는 데이터를 환기 제어부(130)로 전송할 수 있다. 이로써, 환기 제어부(130)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 발명의 일 실시예에서, 서버는, 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는, 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다.
본 발명의 일 실시예에 따른 환기설비 연동 범용 제어 결과를 표시하는 사용자 인터페이스를 사용자 단말로 제공하기 위한 동작을 수행하는 서버(미도시)는, 네트워크부, 프로세서 및 메모리를 포함할 수 있다.
서버는, 본 발명의 실시예들에 따른 사용자 인터페이스를 생성할 수 있다. 서버는, 클라이언트(예를 들어, 사용자 단말)에게 네트워크를 통해 정보를 제공하는 컴퓨팅 시스템일 수 있다. 서버는, 생성한 사용자 인터페이스를 사용자 단말로 전송할 수 있다. 이러한 경우, 사용자 단말은, 서버에 액세스할 수 있는 임의의 형태의 환기설비 연동 범용 제어 장치(100)일 수 있다. 서버의 프로세서는, 네트워크부를 통해 사용자 단말로 사용자 인터페이스를 전송할 수 있다. 본 발명의 실시예들에 따른 서버는 예를 들어, 클라우드 서버일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 이에 제한되지 않는다.
이와 같이, 본 발명은, 실내외공기질 정보와 기상정보를 수집하여 실내외공기질지수 및 실내외불쾌지수를 산출하고, 산출된 지수를 기반으로 환기설비의 자동 제어함으로써, 기존의 환기설비와 연동 가능하고, 실내 및 실외 환경에 따라 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있다.
또한, 본 발명은, 환기설비의 가동/중지 및 풍량 제어 이외에도 다양한 운전모드를 상황에 맞게 제어하므로, 변화하는 대기환경에 대처가 가능하다.
또한, 본 발명은, 인공 지능을 이용하여 환기설비의 가동을 자동 제어하고, 지수 개선 및 에너지 절약의 최적화를 지속적으로 수행할 수 있다.
도 3 내지 도 5는, 본 발명의 일 실시예에 따라, 환기설비 연동 범용 제어 방법을 설명하기 위한 흐름도이다.
도 3에 도시된 바와 같이, 본 발명은, 실내공기질 정보, 실외공기질 정보 및 기상 정보를 수집할 수 있다(S10).
여기서, 본 발명은, 실내공기질 측정기로부터 측정된 실내공기질 정보를 수집하고, 국가측정망 기반 외부 측정기로부터 측정된 실외공기질 정보 및 기상 정보를 수집하며, 수집한 정보들을 공기질 요소 및 불쾌 요소를 포함하는 환경 요소별로 분류할 수 있다.
이어, 본 발명은, 수집된 실내공기질 정보, 실외공기질 정보 및 기상정보를 기반으로 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 수 있다(S20).
여기서, 본 발명은, 실내공기질 정보, 실외공기질 정보 및 기상 정보로부터 분류된 공기질 요소 정보를 기반으로 실내공기질지수와 실외공기질지수를 산출하여 실내공기질과 실외공기질을 1에서 10까지 값으로 지수화하고, 실내공기질 정보, 실외공기질 정보 및 기상 정보로부터 분류된 불쾌 요소 정보를 기반으로 실내불쾌지수와 실외불쾌지수를 산출하여 실내불쾌정도와 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있다.
다음, 본 발명은, 산출된 지수를 기반으로 환기설비의 가동/중지, 운전모드 및 풍량을 자동 제어할 수 있다(S30).
여기서, 본 발명은, 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 미리 학습된 뉴럴 네트워크 모델에 입력하여 실내 환경을 예측하고, 예측한 실내 환경에 기반하여 최적 환경에 도달하도록 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
그리고, 본 발명은, 환기설비 제어 종료 요청이 있는지를 확인하고, 환기설비 제어 종료 요청이 있으면 환비설비 제어를 종료할 수 있다.
또한, 본 발명은, 도 4에 도시된 바와 같이, 실내공기질 정보, 실외공기질 정보 및 기상 정보를 수집하는 단계(S10)를 좀 더 상세히 설명하면 다음과 같다.
본 발명은, 실내공기질 측정기로부터 측정된 실내공기질 정보를 수집하고, 국가측정망 기반 외부 측정기로부터 측정된 실외공기질 정보 및 기상 정보를 수집할 수 있다(S12).
그리고, 본 발명은, 수집한 실내공기질 정보, 실외공기질 정보 및 기상 정보를 저장할 수 있다(S13).
이어, 본 발명은, 수집한 정보들을 공기질 요소 및 불쾌 요소를 포함하는 환경 요소별로 분류할 수 있다(S14).
여기서, 공기질 요소별로 분류된 정보는, 실내공기질지수 또는 실외공기질지수를 산출하기 위한 필요 정보이고, 불쾌 요소별로 분류된 정보는, 실내불쾌지수 또는 실외불쾌지수를 산출하기 위한 필요 정보일 수 있다.
예를 들면, 공기질 요소별로 분류된 정보는, 온도, 습도, 이산화탄소(CO2), VOC(Volatile Organic Compounds), 미세먼지 PM(Particulate Matter)2.5, 미세먼지 PM10 등을 포함하고, 불쾌 요소별로 분류된 정보는, 온도, 습도, 소음, 풍량, 지역 밀집도, 교통량 등을 포함할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
또한, 본 발명은, 도 5에 도시된 바와 같이, 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출하는 단계(S20)를 좀 더 상세히 설명하면 다음과 같다.
도 5에 도시된 바와 같이, 본 발명은, 수집한 정보들을 공기질 요소 및 불쾌 요소를 포함하는 환경 요소별로 분류하였는지를 확인할 수 있다(S21).
이어, 본 발명은, 수집한 정보들을 공기질 요소 및 불쾌 요소를 포함하는 환경 요소별로 분류하면 분류된 정보가 공기질 요소 정보인지를 확인할 수 있다(S22).
여기서, 공기질 요소 정보는, 온도, 습도, 이산화탄소(CO2), VOC(Volatile Organic Compounds), 미세먼지 PM(Particulate Matter)2.5, 미세먼지 PM10 등을 포함할 수 있다.
다음, 본 발명은, 분류된 정보가 공기질 요소 정보이면 분류된 공기질 요소 정보를 기반으로 공기질 단계를 구별할 수 있다(S23).
여기서, 구별한 공기질 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계 중 어느 하나일 수 있다.
그리고, 본 발명은, 실내공기질지수와 실외공기질지수를 산출하여 구별한 공기질 단계에 상응하는 실내공기질과 실외공기질을 1에서 10까지 값으로 지수화할 수 있다(S24).
여기서, 본 발명은, 실내공기질과 실외공기질을 지수화할 때, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계별로 실내공기질과 실외공기질을 1에서 10까지 값으로 지수화할 수 있다.
또한, 본 발명은, 분류된 정보가 공기질 요소 정보인지를 확인하는 단계(S22)에서, 분류된 정보가 공기질 요소 정보가 아니면 분류된 정보가 불쾌 요소 정보인지를 확인할 수 있다(S25).
여기서, 불쾌 요소 정보는, 온도, 습도, 소음, 풍량, 지역 밀집도, 교통량 등을 포함할 수 있다.
이어, 본 발명은, 분류된 정보가 불쾌 요소 정보이면 분류된 불쾌 요소 정보를 기반으로 불쾌 단계를 구별할 수 있다(S26).
여기서, 구별한 불쾌 단계는, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계 중 어느 하나일 수 있다.
다음, 본 발명은, 실내불쾌지수와 실외불쾌지수를 산출하여 구별한 불쾌 단계에 상응하는 실내불쾌정도와 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있다(S27).
여기서, 본 발명은, 좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계, 매우나쁨 단계별로 실내불쾌정도와 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있다.
도 6은, 뉴럴 네트워크 모델을 이용한 공기질 및 불쾌정도의 지수화 과정을 설명하기 위한 도면이다.
도 6에 도시된 바와 같이, 본 발명은, 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 때, 수집된 실내공기질 정보, 실외공기질 정보 및 기상정보를 미리 학습된 뉴럴 네트워크 모델에 입력하여 공기질 및 불쾌정도를 지수화하여 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수 중 적어도 어느 하나를 제공할 수 있다.
일 예로, 뉴럴 네트워크 모델은, 실내공기질, 실내불쾌정도, 실외공기질, 실외불쾌정도를 1에서 10까지 값으로 지수화할 수 있는데, 이는 일 실시예일 뿐, 이에 한정되지는 않는다.
경우에 따라, 본 발명은, 공기질 요소별로 분류된 정보 및 불쾌 요소별로 분류된 정보에 대한 정보량을 기반으로 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 수 있다.
일 예로, 본 발명은, 공기질 요소별로 분류된 정보에 대한 정보량이 기준량 이상이면 실내공기질 지수와 실외공기질지수를 산출하고, 공기질 요소별로 분류된 정보에 대한 정보량이 기준량 미만이면 실내공기질 지수와 실외공기질지수를 미산출하며, 불쾌 요소별로 분류된 정보에 대한 정보량이 기준량 이상이면 실내불쾌지수와 실외불쾌지수를 산출하고, 불쾌 요소별로 분류된 정보에 대한 정보량이 기준량 미만이면 실내불쾌지수와 실외불쾌지수를 미산출할 수 있다.
다른 경우로서, 본 발명은, 공기질 요소별로 분류된 정보 및 불쾌 요소별로 분류된 정보에 대한 신뢰도를 기반으로 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 산출할 수도 있다.
일 예로, 본 발명은, 공기질 요소별로 분류된 정보에 대한 신뢰도가 기준값 이상이면 실내공기질 지수와 실외공기질지수를 산출하고, 공기질 요소별로 분류된 정보에 대한 신뢰도가 기준값 미만이면 실내공기질 지수와 실외공기질지수를 미산출하며, 불쾌 요소별로 분류된 정보에 대한 신뢰도가 기준값 이상이면 실내불쾌지수와 실외불쾌지수를 산출하고, 불쾌 요소별로 분류된 정보에 대한 신뢰도가 기준값 미만이면 실내불쾌지수와 실외불쾌지수를 미산출할 수 있다.
도 7은, 뉴럴 네트워크 모델을 이용한 환기설비 자동 제어 과정을 설명하기 위한 도면이다.
도 7에 도시된 바와 같이, 본 발명은, 실내공기질지수, 실내불쾌지수, 실외공기질지수, 실외불쾌지수를 미리 학습된 뉴럴 네트워크 모델에 입력하여 실내 환경을 예측하고, 예측한 실내 환경에 기반하여 최적 환경에 도달하도록 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
일 예로, 본 발명은, 환기설비를 자동 제어할 때, 최적 환경에 가장 빨리 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
여기서, 본 발명은, 최적 환경에 가장 빨리 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
다른 일 예로, 본 발명은, 환기설비를 자동 제어할 때, 최소의 에너지로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
여기서, 본 발명은, 최소의 에너지로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또 다른 일 예로, 본 발명은, 환기설비를 자동 제어할 때, 환기설비의 제어 기능들 중 최소 제어 기능만으로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수도 있다.
여기서, 본 발명은, 환기설비의 제어 기능들 중 최소 제어 기능만으로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또 다른 일 예로, 본 발명은, 환기설비를 자동 제어할 때, 미리 설정된 시간별 최적 환경 조건 정보를 추출하여 시간별로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
여기서, 본 발명은, 시간별로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
또 다른 일 예로, 본 발명은, 환기설비를 자동 제어할 때, 사용자 행동 패턴을 미리 예측하여 예측한 사용자 행동 패턴별로 최적 환경에 도달하는 제어 조건을 선정하고, 선정한 제어 조건에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수도 있다.
여기서, 본 발명은, 예측한 사용자 행동 패턴별로 최적 환경에 도달하는 제어 조건이 선정되면 환기설비의 제어 기능들 중 미리 설정된 우선 순위에 상응하여 환기설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어할 수 있다.
도 8 및 도 9는, 뉴럴 네트워크 모델의 생성 과정을 설명하기 위한 도면이다.
도 8은, 뉴럴 네트워크 모델 생성을 위한 데이터 수집 및 전처리 단계로서, 도 8에 도시된 바와 같이, 본 발명은, 실내외 미세먼지, 실내외 습도, 풍량, 가동 시간 등을 포함하는 IoT(Internet of Things) 데이터를 획득하는 공기질 측정 단계를 수행할 수 있다(S110).
다음, 본 발명은, 실내외 미세먼지, 실내외 습도, 풍량, 가동 시간 등을 포함하는 IoT 데이터를 무선 통신을 통해 전송하는 데이터 전송 단계를 수행할 수 있다(S120).
이어, 본 발명은, 무선 통신을 통해 전송된 IoT 데이터를 수집하는 데이터 수집 단계를 수행할 수 있다(S130).
그리고, 본 발명은, 뉴럴 네트워크 모델 생성 및 적용을 위해 수집한 데이터를 서버에 저장하는 수집 데이터 서버 저장 단계를 수행할 수 있다(S140).
다음, 본 발명은, 이상치 및 널(NULL) 데이터를 전처리하는 데이터 전처리 단계를 수행할 수 있다(S150).
도 9는, 뉴럴 네트워크 모델 생성 단계로서, 도 9에 도시된 바와 같이, 본 발명은, 뉴럴 네트워크 모델 적용을 위해 수집한 데이터를 데이터 정규화하는 데이터 정규화 단계를 수행할 수 있다(S210).
다음, 본 발명은, 뉴럴 네트워크 모델의 훈련을 위하여 입력 데이터(IoT 데이터)와 타겟 데이터(풍랑 및 가동단계)를 생성 및 검증용 샘플 데이터를 생성하는 훈련 데이터 및 샘플 데이터 생성 단계를 수행할 수 있다(S220).
이어, 본 발명은, 수집한 데이터를 R 프로그램 및 파이썬 등의 머신러닝 알고리즘으로 뉴럴 네트워크 모델을 생성하고, 샘플 데이터로 뉴럴 네트워크 모델을 검증하는 뉴럴 네트워크 모델 생성 단계를 수행할 수 있다(S230).
그리고, 본 발명은, IoT 데이터를 생성한 뉴럴 네트워크 모델에 적용하여 풍량 데이터, 가동 단계 데이터 생성 및 역정규화하는 모델 적용 및 역정규화 단계를 수행할 수 있다(S240).
다음, 본 발명은, 생성된 데이터(풍량 및 가동 단계 등)를 출력하는 뉴럴 네트워크 모델의 데이터 출력 단계를 수행할 수 있다(S250).
이와 같이, 본 발명은, 실내외공기질 정보와 기상정보를 수집하여 실내외공기질지수 및 실내외불쾌지수를 산출하고, 산출된 지수를 기반으로 환기설비의 자동 제어함으로써, 기존의 환기설비와 연동 가능하고, 실내 및 실외 환경에 따라 연동된 환기설비를 자동으로 제어하여 쾌적한 공기 환경을 제공할 수 있다.
또한, 본 발명은, 환기설비의 가동/중지 및 풍량 제어 이외에도 다양한 운전모드를 상황에 맞게 제어하므로, 변화하는 대기환경에 대처가 가능하다.
또한, 본 발명은, 인공 지능을 이용하여 환기설비의 가동을 자동 제어하고, 지수 개선 및 에너지 절약의 최적화를 지속적으로 수행할 수 있다.
이상에서 전술한 본 발명의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (10)
- 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법에 있어서,
실내외 미세먼지, 실내외 습도, 풍량 및 가동 시간 중 적어도 하나를 포함하는 IoT 데이터를 수집하는 단계;
상기 수집된 IoT 데이터에 대한 전처리 및 정규화를 수행하는 단계;
상기 수집된 IoT 데이터를 입력 데이터로서 생성하고, 타겟 데이터를 생성 및 샘플 데이터를 생성하는 단계;
상기 수집된 IoT 데이터를 이용하여 머신러닝 알고리즘을 기반으로 하는 뉴럴 네트워크 모델을 생성하는 단계; 및
상기 샘플 데이터를 이용하여 상기 뉴럴 네트워크 모델을 검증하는 단계를 포함하며,
상기 뉴럴 네트워크 모델은, 입력되는 실내공기질지수, 실내불쾌지수, 실외공기질지수 및 실외불쾌지수를 기반으로 실내 환경을 예측하되,
상기 실내공기질지수 및 상기 실외공기질지수는, 공기질 요소로 분류된 정보를 기반으로 산출되고,
상기 실내불쾌지수 및 상기 실외불쾌지수는, 불쾌 요소로 분류된 정보를 기반으로 산출되는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제1항에 있어서,
상기 뉴럴 네트워크 모델은,
상기 공기질 요소별로 분류된 정보 및 상기 불쾌 요소별로 분류된 정보 각각에 대한 정보량 또는 신뢰도를 기반으로 상기 실내공기질지수, 상기 실내불쾌지수, 상기 실외공기질지수, 상기 실외불쾌지수를 산출하는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제2항에 있어서,
상기 뉴럴 네트워크 모델은,
상기 공기질 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 이상이면 상기 실내공기질지수 및 상기 실외공기질지수를 산출하고, 상기 공기질 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 미만이면 상기 실내공기질지수 및 상기 실외공기질지수를 미산출하고,
상기 불쾌 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 이상이면 상기 실내불쾌지수 및 상기 실외불쾌지수를 산출하고, 상기 불쾌 요소별로 분류된 정보에 대한 정보량 또는 신뢰도가 기 설정된 기준치 미만이면 상기 실내불쾌지수 및 상기 실외불쾌지수를 미산출하는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제3 항에 있어서,
상기 뉴럴 네트워크 모델은,
상기 실내공기질지수 및 상기 실외공기질지수를 기반으로 하여 실내공기질 및 실외공기질을 1에서 10까지 값으로 지수화하고,
상기 실내불쾌지수와 상기 실외불쾌지수를 기반으로 하여 실내불쾌정도 및 실외불쾌정도를 1에서 10까지 값으로 지수화하는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제4항에 있어서,
상기 뉴럴 네트워크 모델은,
상기 실내공기질지수, 상기 실내불쾌지수, 상기 실외공기질지수 및 상기 실외불쾌지수를 기반으로 실내 환경을 예측하고, 상기 예측한 실내 환경에 기반하여 최적 환경에 도달하도록 상기 환경설비의 가동/중지, 운전모드 및 풍량 중 적어도 어느 하나를 자동 제어하는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제1 항에 있어서,
상기 공기질 요소별로 분류된 정보는,
온도, 습도, 이산화탄소(CO2), VOC(Volatile Organic Compounds), 미세먼지 PM(Particulate Matter)2.5 및 미세먼지 PM10 중 적어도 하나를 포함하는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제6 항에 있어서,
상기 뉴럴 네트워크 모델은,
상기 공기질 요소별로 분류된 정보를 기반으로 공기질 단계를 구별하되,
상기 공기질 단계는,
좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계 및 매우나쁨 단계 중 어느 하나인 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제1 항에 있어서,
상기 불쾌 요소별로 분류된 정보는,
온도, 습도, 소음, 풍량, 지역, 밀집도 및 교통량 중 적어도 하나를 포함하는 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 제8항에 있어서,
상기 뉴럴 네트워크 모델은,
상기 불쾌요소별로 분류된 정보를 기반으로 불쾌 단계를 구별하되,
상기 불쾌 단계는,
좋음 단계, 보통 단계, 약간나쁨 단계, 나쁨 단계 및 매우나쁨 단계 중 어느 하나인 것을 특징으로 하는,
인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법.
- 하드웨어인 컴퓨터와 결합되어, 제1항 내지 제9항 중 어느 한 항에 따른 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법을 수행하기 위해 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220091686A KR102619200B1 (ko) | 2021-12-17 | 2022-07-25 | 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210181720A KR102426492B1 (ko) | 2021-12-17 | 2021-12-17 | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 |
| KR1020220091686A KR102619200B1 (ko) | 2021-12-17 | 2022-07-25 | 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210181720A Division KR102426492B1 (ko) | 2021-12-17 | 2021-12-17 | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20230093161A KR20230093161A (ko) | 2023-06-27 |
| KR102619200B1 true KR102619200B1 (ko) | 2024-01-02 |
| KR102619200B9 KR102619200B9 (ko) | 2024-03-13 |
Family
ID=82606297
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210181720A KR102426492B1 (ko) | 2021-12-17 | 2021-12-17 | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 |
| KR1020220091686A KR102619200B1 (ko) | 2021-12-17 | 2022-07-25 | 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210181720A KR102426492B1 (ko) | 2021-12-17 | 2021-12-17 | 환기설비 연동 범용 제어 방법, 장치 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102426492B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102619202B1 (ko) * | 2022-11-25 | 2024-01-02 | 주식회사 소어텍 | 실내외 공기질 정보를 이용하여 필터 교체 시기를 결정하는 공기정화시스템 및 실내외 공기질 정보를 이용하여 필터 교체 시기를 결정하는 공기정화장치 |
| WO2024161473A1 (ja) * | 2023-01-30 | 2024-08-08 | 三菱電機株式会社 | 空気調和制御システム、学習装置および推論装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100822384B1 (ko) | 2007-05-23 | 2008-04-17 | (주) 인바이런먼트 리딩 테크놀러지 | 실내 환경 제어 시스템의 통합형 컨트롤러 |
| KR102116160B1 (ko) * | 2014-11-28 | 2020-05-27 | 케이웨더(주) | 통합 실내 환경 관리 장치 |
| WO2020218632A1 (ko) * | 2019-04-23 | 2020-10-29 | 엘지전자 주식회사 | 인공지능 장치 |
-
2021
- 2021-12-17 KR KR1020210181720A patent/KR102426492B1/ko active IP Right Grant
-
2022
- 2022-07-25 KR KR1020220091686A patent/KR102619200B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230093161A (ko) | 2023-06-27 |
| KR102619200B9 (ko) | 2024-03-13 |
| KR102426492B1 (ko) | 2022-07-29 |
| KR102426492B9 (ko) | 2024-03-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102619200B1 (ko) | 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램 | |
| WO2021014878A1 (ja) | 推論装置、推論方法、及び推論プログラム | |
| CN110826453B (zh) | 一种通过提取人体关节点坐标的行为识别方法 | |
| KR20210073569A (ko) | 이미지 시맨틱 세그멘테이션 네트워크를 트레이닝하기 위한 방법, 장치, 디바이스 및 저장 매체 | |
| JP4708278B2 (ja) | タッチパネルシステム及びその動作方法 | |
| CN110851760B (zh) | 在web3D环境融入视觉问答的人机交互系统 | |
| KR102474246B1 (ko) | 복수 개의 전자 디바이스를 이용하여 신경망 모델을 처리하는 방법 및 시스템 | |
| CN110796018B (zh) | 一种基于深度图像和彩色图像的手部运动识别方法 | |
| CN111797288B (zh) | 数据筛选方法、装置、存储介质及电子设备 | |
| KR102637133B1 (ko) | 온-디바이스 활동 인식 | |
| CN111191136A (zh) | 一种信息推荐方法以及相关设备 | |
| KR20190096876A (ko) | 음성인식 성능 향상을 위한 비 지도 가중치 적용 학습 시스템 및 방법, 그리고 기록 매체 | |
| KR102416852B1 (ko) | 시험 점수를 예측하는 방법 및 장치 | |
| KR102305613B1 (ko) | 감정 인식 방법 및 장치 | |
| CN118397519B (zh) | 基于人工智能的校园学生安全监视系统及方法 | |
| CN115617217B (zh) | 一种车辆状态的显示方法、装置、设备及可读存储介质 | |
| KR20190096752A (ko) | 컨텐츠에 대한 텍스트 코멘트를 생성하는 방법 및 전자 장치 | |
| CN116307247A (zh) | 空气质量的预测方法、模型的训练方法、设备及存储介质 | |
| CN117036834A (zh) | 基于人工智能的数据分类方法、装置及电子设备 | |
| US11468270B2 (en) | Electronic device and feedback information acquisition method therefor | |
| CN115937662A (zh) | 智能家居系统控制方法、装置、服务器及存储介质 | |
| CN111797866A (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN118193999B (zh) | 一种基于大数据语义一致性的教育过程数据采集方法及系统 | |
| KR102701590B1 (ko) | 지식 추적을 위한 모델 경량화 방법 | |
| KR102576265B1 (ko) | 무인 항공체의 자율 무선 배터리 충전 장치, 방법 및 프로그램 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| G170 | Re-publication after modification of scope of protection [patent] |