KR102664805B1 - 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 시스템 및 그 방법 - Google Patents

Abstract

적어도 하나의 프로세서에 의해 수행되는, 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 방법으로, 상기 방법은,
자동제어 운영 데이터 및 에너지 사용량 데이터를 기초로 인공지능 고장진단 모델을 사용하여, 고장 상황 및 상기 고장 상황과 관련된 각각의 장비마다 고장 확률을 예측하는 단계; 상기 예측된 각각의 고장 확률이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하는 단계; 상기 고장 상황 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하는 단계; 및 상기 고장진단 보고서를 운영자 단말기에 전달하는 단계를 포함할 수 있다.

Description

인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 시스템 및 그 방법{BUILDING AUTOMATIC SYSTEM WITH EMBEDDED FAULT DIAGNOSIS FUNCTION UTILIZING ARTIFICIAL INTELLIGENCE AND THE METHOD THEREOF}

본 발명은, 빌딩 자동제어 운영데이터 및 계측된 에너지 사용량 데이터를 사용하여 해당 빌딩에 설치된 장비 및 자동제어기기들의 작동상태에 대한 고장 예측 및 진단을 수행하는 인공지능 모델과 관련된 것이다.

예를 들어, 본 발명은, 빌딩의 BAS, BEMS, 및 에너지 계측기 등으로부터 계측된 데이터를 기초로, 인공지능 고장진단 모델을 통해 정상상태와 비정상상태를 비교하여 각종 장비 및 자동제어기기 등의 고장을 예측하고 진단하는 것과 관련된다.

또한, 본 발명은, 인공지능 고장진단 모델을 기초로, 장비의 고장 후보를 예측하여 유지보수 운영자가 효율적으로 작업을 수행할 수 있도록 고장진단 보고서를 제공하는 것과 관련된다.

그러나, 본 발명의 기술분야는 앞서 언급된 것들에 한정되지는 아니하고, 발명을 실시하는 자의 목적에 따라 다양한 분야에서 사용될 수 있다.

본 발명에서 언급되는 빌딩자동제어시스템(BAS)은 도입된 빌딩의 운영 효율성을 향상시키고 에너지 비용을 절감할 수 있어, 많은 빌딩 소유자와 운영자가 BAS를 도입하여 빌딩 운영을 최적화하고 환경적 이점을 얻고 있다.

그러나, 기존의 BAS를 활용한 빌딩 운용방법은 HVAC을 비롯한 빌딩 내의 시설 및 장비 상태를 모니터링하고 최적의 제어를 위한 데이터 계측은 이루어지고 있으나,

빌딩 내에서 고장 상황이 발생하였을 때, 어떤 장비가 원인이 될 수 있는지에 대한 고장 후보를 운영자에게 제공하는 것은 어려움이 따르므로, 고장 상황 발생에 따른 유지보수는 운영자의 지식과 경험에 의존이 되는 경향이 있다.

그러나, 이렇게 운영자의 지식과 경험에 의존하는 방식은, 인적 오류가 발생할 가능성이 있고, 인적 자원에 많은 비용이 사용된다는 비효율이 발생할 수 있다.

따라서, 효율적이고 안정적인 빌딩 운영을 위하여 빌딩 자동제어 운영 데이터 및 계측된 에너지 사용량 데이터 들로부터, 이상상태가 발생될 수 있는 장비인 고장 후보를 식별하고, 운영자에게 고장 상황에 대하여 어떤 장비를 확인해야 하는지에 대한 정보를 제공할 새로운 방법이 필요하다.

한국 등록특허문헌 : '10-1899514(2018.09.11)'은 BEMS기능이 임베디드된 빌딩자동제어시스템에 관한 것이다.

본 발명은 다음과 같은 목적을 가질 수 있다.

본 발명의 목적은 계측된 데이터를 획득한 후 인공지능을 통해 고장 진단 대상(ex 제어대상 장비, 자동제어기기 등) 중 어느 장비가 고장 상태인지 여부를 자동 진단하기 위한 것이다. 이때, 제어대상 장비는 공조기, 냉동기, 펌프, 열교환기 등을 포함할 수 있고, 자동제어기기는 센서, 구동기, 컨트롤러, DDC 등이 포함될 수 있다.

본 발명의 다른 목적은, 기존의 빌딩자동제어시스템과 같이 경보를 출력하는 것에 한정되지 아니하고, 고장의 원인이 될 수 있는 고장 후보들을 포함하는 보고서를 생성하는 것이 있을 수 있다. 본 발명의 또 다른 목적은, 고장의 원인이 될 수 있는 고장 후보들을 포함하는 보고서를 생성하되, 고장 후보들 중 하나의 확률을 기초로 우선순위에 따라 상기 보고서에 배치되는 고장 후보들의 개수를 결정하는 것이 있을 수 있다.

본 발명의 또 다른 목적은, 고장의 원인이 될 수 있는 고장 후보들을 포함하는 보고서를 생성하되, 고장 후보들 중 하나의 시스템 계통 관계에 기초하여 상기 보고서에 배치되는 고장 후보들의 순서를 결정하는 것이 있을 수 있다.

본 발명의 또 다른 목적은, 본 발명의 일 실시례를 통해 생성된 보고서와 상기 보고서에 사용자가 작성한 고장 여부를 기초로 인공지능 모델을 위한 학습 데이터를 생성하는 것이 있을 수 있다.

전술한 과제를 해결하기 위하여, 적어도 하나의 프로세서에 의해 수행되는, 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 방법으로, 상기 방법은, 자동제어 운영 데이터 및 에너지 사용량 데이터를 기초로 인공지능 고장진단 모델을 사용하여, 고장 상황 및 상기 고장 상황과 관련된 각각의 장비마다 고장 확률을 예측하는 단계; 상기 예측된 각각의 고장 확률이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하는 단계; 상기 고장 상황 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하는 단계; 및 상기 고장진단 보고서를 운영자 단말기에 전달하는 단계를 포함한다.

전술한 과제를 해결하기 위한 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 시스템으로서, 상기 빌딩자동제어 시스템은, 제어의 대상이 되는 복수 개의 장비들 및 빌딩자동제어 장치를 포함하고, 상기 빌딩자동제어 장치는, 적어도 하나의 프로세서, 메모리, 통신부를 포함하고, 상기 자동제어 운영 데이터 및 에너지 사용량 데이터를 기초로 인공지능 고장진단 모델을 사용하여, 고장 상황 및 상기 고장 상황과 관련된 각각의 장비의 고장 확률을 예측하고, 상기 예측된 각각의 고장 확률이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하고, 상기 고장 상황 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하고, 상기 고장진단 보고서를 운영자 단말기에 전달하도록 구성되는 빌딩자동제어 시스템을 포함한다.

이와 같이 본 발명에 따르면, 다음과 같은 효과가 있다.

본 발명에 따르면,

본 발명의 목적은 계측된 데이터를 획득한 후 인공지능을 통해 고장 진단 대상(ex 제어대상 장비, 자동제어기기 등) 중 어느 장비가 고장 상태인지 여부를 자동 진단하는 효과가 있다.

본 발명의 다른 효과는, 기존의 빌딩자동제어시스템과 같이 경보를 출력하는 것에 한정되지 아니하고, 고장의 원인이 될 수 있는 고장 후보들을 포함하는 보고서를 생성하는 것이 있을 수 있다.본 발명의 또 다른 목적은, 고장의 원인이 될 수 있는 고장 후보들을 포함하는 보고서를 생성하되, 고장 후보들 중 하나의 확률을 기초로 우선순위에 따라 상기 보고서에 배치되는 고장 후보들의 개수를 결정하는 것이 있을 수 있다.

본 발명의 또 다른 효과는, 고장의 원인이 될 수 있는 고장 후보들을 포함하는 보고서를 생성하되, 고장 후보들 중 하나의 시스템 계통 관계에 기초하여 상기 보고서에 배치되는 고장 후보들의 순서를 결정하는 것이 있을 수 있다.

본 발명의 또 다른 효과는, 본 발명의 일 실시례를 통해 생성된 보고서와 상기 보고서에 사용자가 작성한 고장 여부를 기초로 인공지능 모델을 위한 학습 데이터를 생성하는 것이 있을 수 있다.

자동제어 운영 데이터와 에너지 사용량 데이터를 활용하여 장비와 자동제어기기에서 잠재적인 오작동을 사전에 예측할 수 있다. 또한, 고장 상황 발생시 고장 상황을 식별하고, 고장 상황과 장비들을 확률 혹은 우선순위 순으로 나열하여 운영자에게 제공할 수 있다. 이를 통해 운영자는 고장 상황에서 유지보수함에 있어서, 상황의 식별이 용이하고, 유지보수 동선을 계획하기 용이하여, 유지보수 효율을 높일 수 있다.

도 1은 본 발명의 일 실시례에 따라 빌딩자동제어 장치의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시례에 따라 고장진단 보고서를 생성하는 방법에 대한 블록 구성도이다.
도 3은 본 발명의 일 실시례에 따라 에너지 사용량 데이터와 자동제어 운영 데이터를 획득하는 방법에 대한 블록 구성도이다.
도 4는 본 발명의 일 실시례에 따라 생성된 고장진단 보고서의 예시를 나타낸 도면이다.
도 5는 본 발명의 일 실시례에 따라 사용될 수 있는 인공지능 모델인 장비 고장진단 모델의 예시를 나타낸 예시도이다.
도 6은 본 발명의 일 실시례에 따라 고장진단 보고서를 생성하고 운영자 단말기에 전달하는 방법의 개략적인 흐름을 나타낸 흐름도이다.
도 7은 본 발명의 일 실시례에 따라 생성될 수 있는 고장 후보 표식을 표현한 예시도이다.

다양한 실시례들이 이제 도면을 참조하여 설명된다. 본 발명에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시례들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 발명에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 서버에서 실행되는 애플리케이션 및 서버 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 발명에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 발명과 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", B 만을 포함하는 경우" "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.

통상의 기술자들은 추가적으로 여기서 개시된 실시례들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.

제시된 실시례들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시례들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시례들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시례들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1에 도시된 빌딩자동제어 장치(100)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 발명의 일 실시례에서 빌딩자동제어 장치(100)는 빌딩자동제어 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 빌딩자동제어 장치(100)를 구성할 수도 있다.

빌딩자동제어 장치(100)는 컴퓨팅 장치의 일종으로써, 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.

이때, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 서버의 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, 인공지능(인공지능 모델의 학습, 인퍼런스(inference))을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시례에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일 실시례에 따라 프로세서(110)는 인공지능 모델인 인공지능 고장진단 모델의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 인공지능(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 인공지능 모델의 가중치 업데이트 등의 인공지능 고장진단 모델의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 인공지능 고장진단 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 인공지능 고장진단 모델의 학습, 인공지능 고장진단 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시례에서 복수의 서버의 프로세서를 함께 사용하여 인공지능 고장진단 모델의 학습, 인공지능 고장진단 모델을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시례에 따른 서버에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 발명의 일 실시례에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.

본 발명의 일 실시례에 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. 빌딩자동제어 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 발명은 이에 제한되지 않는다.

본 발명의 일 실시례에 따른 네트워크부(150)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 발명에서 제시되는 네트워크부(150)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 발명에서 네트워크부(150)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 발명에서 설명된 기술들은 위에서 언급된 다른 네트워크들 에서도 사용될 수 있다.

본 발명의 인공지능 고장진단 모델(250)은 장비 오작동 예측과 관련된 태스크(task)를 수행하도록 미리 학습되거나, 실시간으로 학습되는 인공지능 모델의 일종일 수 있다. 명세서에 걸쳐 인공지능 모델, 인공 신경망, 네트워크 함수, 신경망(neural network)는 서로 동일한 의미로 사용될 수 있다. 인공지능 모델은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.

인공지능 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 인공지능 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 인공지능 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 인공지능 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 인공지능 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 인공지능 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 인공지능 모델을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 인공지능 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 인공지능 모델 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 인공지능 모델 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 인공지능 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 인공지능 모델을 구성하는 노드들을 의미할 수 있다.

본 발명의 일 실시례에 따른 인공지능 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 인공지능 모델일 수 있다. 또한, 본 발명의 다른 일 실시례에 따른 인공지능 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 인공지능 모델일 수 있다. 또한, 본 발명의 또 다른 일 실시례에 따른 인공지능 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 인공지능 모델일 수 있다. 본 발명의 또 다른 일 실시례에 따른 인공지능 모델은 상술한 인공지능 모델들의 조합된 형태의 인공지능 모델일 수 있다.

딥 신경망(DNN: deep neural network, 심층인공지능 모델)은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 인공지능 모델을 의미할 수 있다. 딥 신경망을 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 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 신경망의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.

본 발명의 일 실시례에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 인공지능 모델의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 강화학습 방법에 대하여는 자세히 후술한다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

본 발명의 목적은 빌딩자동제어 운영 데이터 및 에너지 사용량 데이터를 획득한 후 인공지능 고장진단 모델을 통해 정상상태와 비정상상태를 비교하여 어느 장비가 고장 상태인지 여부를 자동 진단하기 위한 것이다. 이때, 제어대상 장비는 공조기, 냉동기, 펌프, 열교환기 등을 포함할 수 있고, 자동제어기기는 센서, 구동기, 컨트롤러, DDC 등이 포함될 수 있다. 본 발명에서 언급되는 장비들의 시스템 계통 관계는 장비마다의 직/간접적으로 연관성 있는 장비를 의미할 수 있다. 예를 들어, 공조장비일 경우, 급/배기휀(fan), 덕트(duct)용 온습도 센서, 댐퍼(damper) 및 댐퍼 구동기, 냉온수 코일(coil) 및 제어벨브(valve) 등이 서로 시스템 계통 관계에 있다고 할 수 있다. 한편, 시스템 계통 관계에 대한 정보는 운영자에 의해 미리 저장된 메타 데이터에 의해 매핑된 것일 수도 있다.

도 2는 본 발명의 일 실시례에 따라 고장진단 보고서를 생성하는 방법에 대한 블록 구성도이다.

설명에 앞서, 본 발명의 운영자 단말기(220)는 주로 사용자(운영자)와 본 발명의 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 시스템 간의 상호작용을 위해 사용된다. 운영자 단말기는, 본 발명의 인공지능을 활용한 고장진단 기능이 내장된 빌딩자동제어 시스템으로부터 고장진단 보고서를 수신받고 읽을 수 있다. 상기 운영자 단말기는 휴대전화(스마트폰을 포함), PDA, 개인용 PC, 서버, 테블릿 또는 아두이노, 라즈베리파이 등을 포함하는, 기기일 수 있다. 그러나, 이에 한정되지 않고, 다양한 종류의 컴퓨팅 장치들이 운영자 단말기로 사용될 수 있다.

또한, 상기 고장진단 보고서는 상기 운영자 단말기(220)뿐 아니라 전체 빌딩을 관리하는 컴퓨팅 장치의 자동제어 화면 상에서도 디스플레이(display)될 수 있다.

이때, 상기 고장진단 보고서는 상기 운영자 단말기가 읽을 수 있는 형태인 웹페이지(web page), 어플리케이션(application), 스프레드시트 파일, 문서 파일 등의 형태로 제공될 수 있다. 그러나, 본 발명의 고장진단 보고서는 이에 한정되지 않고 다양한 형태로 제공될 수 있다.

이제부터 도 2를 참조하여, 본 발명의 일 실시례에 따른, 고장진단 보고서를 생성하는 방법에 대하여 설명된다.

앞서, 본 발명의 빌딩자동제어 장치(100)는, 프로세서(110)를 포함할 수 있고, 프로세서(110)로 하여금 메모리(130)에 저장된 데이터를 읽거나, 수정하거나, 연산할 수 있다. 또한, 프로세서(110)는 네트워크부(150)를 사용하여 작업한 데이터를 외부로 출력하거나, 데이터를 수신할 수 있다. 이때, 본 발명의 빌딩자동제어 장치(100)는 클라우드 서버로서, 빌딩과 원격(예컨대, 인터넷)으로 통신하는 형태로 존재할 수 있으나, 단일 빌딩을 관리하기 위한 근거리(예컨대, 인트라넷) 서버의 형태로 존재할 수도 있다. 이는, 빌딩자동제어 장치(100)의 하드웨어적 특징의 예시일 뿐, 이에 한정되지는 않는다.

일 실시례로, 프로세서(110)는 자동제어 운영 데이터(230) 및 에너지 사용량 데이터(240)를 기초로 인공지능 고장진단 모델(250)을 사용하여 고장 상황(260)과 상기 빌딩자동제어 장치(100)가 소속된 빌딩자동제어 시스템과 연동되는 장비마다의 고장 확률을 예측할 수 있다. 예를 들어, 상기 빌딩제어 시스템에 소속된 장비-1, 장비-2, …, 장비-n(통칭 장비들) 이 존재한다고 할 때, 상기 자동제어 운영 데이터(230)는, 상기 장비들의 센서들로부터 센싱된 값, 제어 값, 제어 결과 값 등을 포함할 수 있다. 그리고, 상기 에너지 사용량 데이터(240)는 장비들의 시간에 따른 에너지 사용량 데이터(이는, 각 장비마다, 시간이 한축이되고, 에너지 사용량이 한축이되는 그래프로 표현 가능한 데이터를 포함할 수 있다.)를 포함할 수 있다. 상기 인공지능 고장진단 모델, 복수 개의 노드(node)와 에지(edge)로 구성되는 인공지능 모델 형태의 인공지능 모델일 수 있다.

이어서, 상기 고장 상황(260)은 프로세서(110)가 연산하기 용이한 형태의 컴퓨팅 해석가능한 코드형태로 존재할 수 있다. 또한, 상기 고장 상황(260)의 코드마다 미리 결정된 설명과 관련된 자연어 텍스트를 포함할 수 있고, 고장진단 보고서(290)에 고장 상황(260)이 포함될 때, 자연어 텍스트로 제공될 수 있다. 예를 들어, 프로세서(110)가 인공지능 고장진단 모델(250)을 사용하여 예측한 고장 상황이 “D-1” 일 수 있다. 이때, 프로세서(110)는 “D-1 : 사용자가 설정한 희망온도에 오랜 시간동안 도달하지 못하고 있습니다.” 와 같은 자연어 텍스트를 고장진단 보고서(290)에 포함시킬 수 있다.

이어서, 프로세서(110)는 상기 장비들의 고장 확률(270)을 총합 100%가 되는 퍼센트의 형태로, 예측할 수 있다. 예를 들어, 프로세서(110)가 장비 진단 모델(250)을 사용하여 예측한 장비들의 고장 확률(270)이 장비A : 50% 장비B : 20% 장비C : 15% 장비D : 10% 장비E : 5%일 수 있다. 이때, 장비 A 내지 E의 확률들을 합산한 연산은 “50%p + 20%p + 15%p + 10%p + 5%p = 100%” 일 수 있다. 이때, 프로세서(110)는, 상기 고장 확률(270)을 기초로 복수의 장비들 중에서 고장 후보 (280)를 선별할 수 있다.

일 실시례로, 프로세서(110)는 복수 개의 장비들의 고장 확률(270) 중 확률이 상위 n(상기 n 은 미리 결정된 변수이다.) 개의 장비들을 고장 후보(280)로 선별할 수 있다. 예를 들어, 고장 확률(270)이 장비A : 50% 장비B : 20% 장비C : 15% 장비D : 10% 장비E : 5% 이고, n 이 3개 일 때, 고장 후보는 장비A; 장비B; 및 장비C가 될 수 있다.

대안적인 일 실시례로, 프로세서(110)는 복수 개의 장비들의 고장 확률(270) 중 확률이 미리 결정된 확률 n 이상인 장비들을 고장 후보(280)로 선별할 수 있다. 예를 들어, 고장 확률(270)이 장비A : 50% 장비B : 20% 장비C : 15% 장비D : 10% 장비E : 5% 이고, 미리 결정된 확률 n이 10%일 때, 확률이 10% 이하인 장비E를 제외한 장비A; 장비B; 장비C; 및 장비D가 될 수 있다.

직전의 실시례들은 프로세서(110)가 고장 후보(280)를 선별할 경우, 고장진단 보고서(290)에 너무 많은 고장 후보(280)가 포함되어, 운영자가 상기 고장진단 보고서(290) 해석하는데 어려움이 따를 수 있는 문제를 완화할 수 있다. 즉, 운영자가 의사결정을 내림에 있어서, 노이즈 적인 정보를 줄일 수 있다는 장점이 있다.

또한 대안적인 실시례로, 프로세서(110)는 가장 고장 확률이 높은 장비를 선택하는 단계; 상기 가장 고장 확률이 높은 장비를 고장 후보(280)에 포함시키는 단계; 상기 가장 고장 확률이 높은 장비를 선택하고, 선택된 고장 후보의 고장 확률이 높을수록 낮아지는 자연수 변수 N을 결정하는 단계; 복수 개의 장비들의 고장 확률(270) 중 확률이 상위 N개의 장비들을 고장 후보(280)로 추가로 포함시키는 단계를 수행할 수 있다. 이는 어느 1개 이상의 장비의 고장 확률이 높다고 판단되는 경우, 굳이 다수의 다른 장비의 낮은 고장 확률을 보여줄 필요가 없기 때문이다.

예컨대, 고장 확률이 가장 높은 장비(도 5에서는 장비 A-1(에어컨))의 고장 확률이 장비70% 이상인 경우 자연수 변수 N은 3이 될 수 있고, 고장 확률이 가장 높은 장비의 고장 확률이 70% 미만 50% 이상인 경우 자연수 변수 N은 4가 될 수 있고, 고장 확률이 가장 높은 장비의 고장 확률이 50% 미만장비인 경우 자연수 변수 N은 5가 될 수 있다. 그러나, 상기 N을 결정하는 방법은 이에 한정되지 않는다.

참고로, 상기 복수 개의 장비 각각의 고장 확률은 운영자 단말기(220) 또는 컴퓨팅 장치의 자동제어 화면 상에서 디스플레이될 수 있다.

도 3은 본 발명의 일 실시례에 따라 에너지 사용량 데이터와 자동제어 운영 데이터를 획득하는 방법에 대한 블록 구성도이다.

도 3을 참조하면, 프로세서(110)는 에너지 사용량 데이터(230) 및 자동제어 운영 데이터(240)를 기초로 인공지능 고장진단 모델(250)를 사용하여 고장 상황(260)과 복수 개의 장비의 고장 확률을 예측할 수 있다고 언급하였다.이때, 상기 에너지 사용량 데이터(230)는 BEMS(300) 및 에너지 계측기(310)를 기초로 획득될 수 있고, 자동제어 운영 데이터(240)는 BAS(320)를 기초로 획득될 수 있다.

본 발명에서 언급되는 빌딩 자동제어 시스템(BAS), 빌딩 에너지관리 시스템(BEMS), 에너지 사용량 계측기 및 운영자 단말기에 관하여 설명된다.

빌딩 자동제어 시스템(Building Automatic System)은 영문 약칭으로 BAS(320)라고 칭해지는 것으로, 빌딩의 다양한 장비와 시스템을 자동으로 제어하고 모니터링하기 위한 통합된 솔루션일 수 있다. 주로 냉난방, 급탕, 환기, 조명 등 빌딩 내의 다양한 시스템을 효율적으로 운영하고 최적의 환경을 제공하는데 사용될 수 있다. 이때, BAS(320)는 온 습도 등을 모니터링하여 HVAC 시스템을 제어하고, 센서 또는 시간에 따라 조명을 제어하고, 빌딩의 다양한 센서 및 장치에서 수집된 데이터를 중앙 집중식으로 저장하고 분석할 수 있다. 또한, 이를 통해 장비를 제어하고 제어된 장비와 관련된 데이터를 생성할 수 있다.(본 발명에서는 앞서 언급한 것과 같이 건물 운영 중에 발생될 수 에너지 사용량을 제외한 적어도 한종의 데이터를 자동제어 운영 데이터(230)라고 칭한다.)

빌딩 에너지관리 시스템(Building Energy Management System)은 영문 약칭으로 BEMS(300)라고 칭해지는 것으로, 빌딩 내의 에너지 사용을 모니터링하고 조절하는 시스템이다. BEMS(300)의 주요 목표는 빌딩의 에너지 효율성을 향상시키고 에너지 비용을 절감하는 것이다. BEMS(300)는 센서 및 모니터링 장치를 사용하여 빌딩의 전력, 가스, 열량, 유량 등과 같은 에너지 사용량을 실시간으로 모니터링할 수 있다(본 발명에서, 이러한 에너지 사용량과 관련된 데이터는 에너지 사용량 데이터(240)로 칭한다.)

앞서 언급한 BAS(320)와 BEMS(300)는 건물 관리 및 운영을 위한 서로 다른 유형의 시스템으로 이해될 수 있다. 건물을 제어할 수 있다는 점에서는 두 시스템이 공통점을 가지고 있지만, BAS(320)는 건물 내에서 발생하는 데이터들을 기초로 장비들을 최적화된 장비 제어를 목표로 하고, BEMS(300)는 에너지 소비를 모니터링하고 장비들을 최적화하여 에너지 사용량을 줄이는 것을 목표로 할 수 있다. 본 발명의 일부 실시례에서는 BAS(320)로부터 자동제어 운영 데이터를 획득할 수 있고, BEMS(300)로부터 에너지 사용량 데이터를 획득할 수 있다. 다만, BEMS(300)의 에너지 사용량 데이터는 에너지 계측기(310)가 생성하는 에너지 사용 데이터로 치환되어 사용될 수 있다.

에너지 계측기(310)는 건물에서 전기, 가스, 열량 및 유량 등의 에너지 소비를 계측하고 기록하는 장치이다. 이러한 에너지 계측기(310)는 에너지 사용량 데이터(240)를 생성할 수 있어, 건물의 에너지 효율성을 평가하고 관리하는 데 중요한 도구로 사용될 수 있다. 에너지 계측기(310)에는 다양한 유형이 있으며, 주로 전력계측기, 가스계측기, 열량 및 유량 계측기 등이 포함될 수 있다.

도 4는 본 발명의 일 실시례에 따라 생성된 고장진단 보고서의 예시를 나타낸 도면이다.

도 5는 본 발명의 일 실시례에 따라 생성된 고장진단 보고서의 다른 예시를 나타낸 도면이다.

이제부터, 도 4를 참조하여 프로세서(110)가 생성할 수 있는, 고장진단 보고서(290)와 관련된 일 실시례들이 설명된다.

프로세서(110)는 예측된 고장 확률이 미리 결정된 수치 이상인 장비를 고장 후보(280)로 결정하고, 상기 고장 상황(260)에 대한 고장 확률이 높은 순으로 상기 고장 후보(280)를 포함하는 고장진단 보고서를 생성하고, 상기 고장진단 보고서(290)를 운영자 단말기(220)에 전달할 수 있다.

도 4를 참조하면, 상기 고장진단 보고서(290)는 자연어 형태의 고장 상황(260); 고장 후보 표(420); 제1 버튼(400) 및 제2 버튼(410)을 포함할 수 있다.

운영자가 고장 후보 표(420)에 노출된 고장 후보이외의 나머지 고장 후보를 확인하고 싶을 수 있다. 이때, 프로세서(110)는 운영자가 상호작용할 수 있는 제1 버튼(400)의 신호를 수신 받을 경우, 상기 고장 후보 표(420)에 포함된 고장 후보 이외의 고장 후보를 노출 시킬 수 있다. 상기 노출 되는 고장 후보는 이전에 노출되었던 고장 후보보다 확률이 낮은 고장 후보를 포함할 수 있다. 그러나, 프로세서(110)는 이에 한정되지 않고 다양한 기준으로 노출될 고장 후보를 결정할 수 있다.(본 발명에서는 이러한 과정을 고장진단 보고서 재생성이라는 명칭으로 표현할 수 있다.)

반면, 운영자가 고장 후보 표(420)에 노출된 고장 후보를 확인하며 고장 장비와 정상 장비를 모두 확인하여 상황을 종료 시키고 싶을 수 있다. 이때, 프로세서(110)는 제2 버튼(410)이 상호작용 되었을 때, 상기 고장 상황을 종료 시키고, 상기 고장진단 보고서에 포함된 고장 후보마다의 고장 여부 및 정상 여부를 수신하여, 운영자 피드백 데이터를 생성할 수 있다. 일 실시례로, 프로세서(110)는 고장진단 보고서(290)의 제2 버튼(410)이 상호작용 되었다는 정보를 받았을 때, 상기 고장진단 보고서(290)에 포함된 고장 후보마다의 고장 여부 및 정상 여부를 포함하여, 운영자 피드백 데이터를 생성할 수 있다.

이때, 상기 고장 후보 표(420)는 고장 후보의 순번; 고장 후보의 명칭; 고장 후보의 예측된 고장 확률; 고장 여부 체크박스; 및 정상 여부 체크박스를 포함할 수 있다. 이때, 상기 고장 여부 및 정상 여부 체크박스는 운영자가 상호작용할 수 있는 체크박스로, 운영자가 고장 후보가 고장인지 정상인지 여부를 각각 표기할 수 있는 기능을 제공한다.

일 실시례로, 프로세서(110)는 고장진단 보고서(290)를 생성할 때, 가 고장 장비일 확률이 높은 순으로 고장 후보(280)를 나열한 고장 후보 표를 상기 고장진단 보고서(290)에 포함시킬 수 있다. 이때, 운영자의 입장에서 고장 장비일 가능성이 높은 고장 후보(280)가 최상단에 노출되므로, 고장 장비일 확률이 높은 장비를 우선적으로 확인할 수 있다.(도 4의 식별번호 420을 통해 예시를 확인할 수 있다.)

또한, 본 발명의 일 실시례에 따라, 프로세서(110)는, 가장 높은 장비의 고장 확률, 고장 후보 간의 시스템 계통 관계 등을 기초로 고장진단 보고서 상의 고장 후보의 나열 순서가 변경할 수 있다.

구체적으로, 도 5(a)를 참조하면, 고장 확률이 가장 높은 특정 고장 후보의 고장 확률이 일정 수치(ex 70%) 이상인 경우, 프로세서(110)는, 고장 확률이 가장 높은 특정 고장 후보를 제외한 나머지 고장 후보의 나열 순서가 고장 확률순이 아닌 특정 고장 후보와의 미리 결정된 시스템 계통 관계를 기초로 나타낼 수 있다. 참고로, 상기 특정 장비의 고장 확률이 상기 일정 수치(ex 70%) 미만인 경우, 나머지 장비의 나열 순서는 고장 확률순이 될 수 있을 것이다(도 5(b) 참조).

도 5은 본 발명의 일 실시례에 따라 사용될 수 있는 인공지능 모델인 인공지능 고장진단 모델의 예시를 나타낸 예시도이다.

도 5를 참조하면, 일 실시례로, 프로세서(110)는 BAS(320)로부터 자동제어 운영 데이터 1 내지 자동제어 운영 데이터 x를 획득하고, BEMS(300) 및 에너지 계측기(310)로부터 에너지 사용량 데이터 1 내지 에너지 사용량 데이터 y를 획득할 수 있다. 프로세서(110)는 상기 자동제어 운영 데이터 1 내지 자동제어 운영 데이터 x 및 에너지 사용량 데이터 1 내지 에너지 사용량 데이터 y를 기초로 인공지능 고장진단 모델을 사용하여 각 장비들의 고장 상황 및 상기 고장 상황과 관련된 적어도 하나의 장비마다의 고장 확률을 예측할 수 있다. 이때, 상기 오작동 예측 모델은, 입력층(input layer), 중간층(hidden layer) 및 출력층(output layer)을 포함할 수 있고, 입력층에 자동제어 운영 데이터 및 에너지 사용량 데이터에 비례한 'x + y'개의 노드를 포함할 수 있고, 출력층은 장비의 개수와 비례한 'z' 개의 노드를 포함할 수 있다. 입력층에 포함된 각각의 노드들은 자동제어 운영 데이터 또는 에너지 사용량 데이터를 하나씩 입력 받을 수 있으며, 출력층에 포함된 각각의 노드들은 각각 장비와 관련된 장비가 고장 장비일 확률을 포함할 수 있다. 그러나 상기 오작동 예측모델은 위의 형태에 한정되지 아니하고 다양한 형태의 인공지능 모델 또는 룰 기반 모델이 대안적으로 사용될 수 있다.

한편, 프로세서(110)는 상기 운영자 피드백 데이터(500)를 사용하여, 인공지능 고장진단 모델(250)을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 상기 운영자 피드백 데이터를 기초로 고장 상황(260)을 상황 정보로 구성하고, 상기 피드백 데이터의 고장 후보마다의 고장 여부 및 정상 여부를 기초로 정답 정보를 포함하는 학습 데이터를 생성할 수 있다. 이어서, 프로세서(110)는 생성된 학습 데이터를 미리 생성된 학습 데이터셋에 포함시켜, 인공지능 고장진단 모델(250)을 학습시키기 위한 양질의 학습 데이터를 확보할 수 있다.

도 6은 본 발명의 일 실시례에 따라 고장진단 보고서를 생성하고 운영자 단말기에 전달하는 방법의 개략적인 흐름을 나타낸 흐름도이다.

이제부터, 도 6을 참조하여 본 발명의 개략적인 실시례를 순서대로 되짚는다.

본 발명의 빌딩자동제어 방법으로, 상기 방법은, 자동제어 운영 데이터(230) 및 에너지 사용량 데이터(240)를 기초로 인공지능 고장진단 모델(250)을 사용하여, 고장 상황(260) 및 상기 고장 상황(260)과 관련된 각각의 장비마다 고장 확률(270)을 예측하는 단계(S100);

상기 예측된 각각의 고장 확률(270)이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하는 단계(S110);

상기 고장 상황(260) 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하는 단계(S120); 및

상기 고장진단 보고서를 운영자 단말기(220)에 전달하는 단계(S130)를 포함한다.

이때, 상기 고장진단 보고서는, 상기 고장 후보가 고장 확률(270)이 높은 순으로 표기되고, 상기 표기된 고장 후보마다, 고장 확률(270)이 표기될 수 있다.

또한, 상기 고장진단 보고서는, 프로세서(110)에 의하여 고장 확률이 가장 높은 특정 고장 후보의 고장확률이 일정 수치 이상인 경우, 상기 특정 고장 후보를 제외한 나머지 고장 후보의 나열 순서가 미리 결정된 시스템 계통 관계 순으로 표기될 수 있다.

또한, 상기 고장진단 보고서는, 프로세서(110)에 의하여 고장 후보마다의 고장 여부 및 정상 여부를 포함되고, 프로세서(110)가 제1 버튼 또는 제2 버튼이 상호작용 되었다는, 정보를 받았을 때, 프로세서(110)에 의하여 상기 고장 상황 및 상기 고장 후보마다의 고장 여부 및 정상 여부가 포함될 수 있다.

또한, 상기 S120 단계 이후에, 프로세서(110)는 상기 운영자 피드백 데이터를 기초로 고장 상황을 상황 정보로 구성하고, 상기 피드백 데이터와 관련된 고장 후보마다의 고장 여부 및 정상 여부를 기초로 정답 정보를 포함하는 학습 데이터를 생성 할 수 있다.

또한, 상기 인공지능 고장진단 모델(250)은, 복수 개의 노드를 포함하는 입력층; 중간층; 및 출력층을 포함하고, 상기 에너지 사용량 데이터(240)와 비례한 개수의 입력 노드를 포함하고, 상기 인공지능 고장진단 모델(250)의 상기 출력층은 장비와 비례한 개수의 출력 노드를 포함할 수 있다.

또한, 상기 자동제어 운영 데이터(230) 및 에너지 사용량 데이터(240)는, 복수 개의 장비들을 기초로 빌딩 자동제어 시스템(BAS(320)), 빌딩에너지관리 시스템(BEMS(300)) 또는, 에너지 사용량 계측기 중 적어도 하나를 사용하여 생성될 수 있다.

한편 본 발명의 빌딩자동제어 장치(100)는, 빌딩자동제어 시스템에 소속되고, 상기 빌딩자동제어 시스템은, 제어의 대상이 되는 복수 개의 장비들 및 빌딩자동제어 장치(100)를 포함하고, 상기 빌딩자동제어 장치(100)는, 적어도 하나의 프로세서, 메모리(130), 통신부를 포함하고, 상기 자동제어 운영 데이터(230) 및 에너지 사용량 데이터(240)를 기초로 인공지능 고장진단 모델(250)을 사용하여, 고장 상황(260) 및 상기 고장 상황(260)과 관련된 각각의 장비의 고장 확률(270)을 예측하고, 상기 예측된 각각의 고장 확률(270)이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하고, 상기 고장 상황(260) 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하고, 상기 고장진단 보고서를 운영자 단말기(220)에 전달하도록 구성될 수 있다.

도 7은 본 발명의 일 실시례에 따라 생성될 수 있는 고장 후보 표식을 표현한 예시도이다.

앞서, 프로세서(110)는 고장 후보를 예측하여, 보고서의 형태로 운영자에게 제공할 수 있다고 언급하였다. 이에 대안적인 실시례로, 프로세서(110)는 고장 후보를 장비들이 표현된 자동제어 화면 상에서 표식(심볼)을 생성할 수 있다. 이는, 건물의 운영자가 어떠한 장비가 고장 후보로 예측이 되었는지 시각적으로, 그리고 직관적으로 이해하기위한 참고자료가 될 수 있다.

이때, 상기 자동제어 화면은 운영자가 관리하는 건물에 어떠한 장비(자동제어 기기, 제어대상 장비 및 제어용 컨트롤러)들이 존재하고, 제어값(예컨대, 센싱값, 제어값 등)이 존재할 수 있다. 또한, 장비들이 어떤 시스템 계통 관계를 가지는지에 대한 정보를 포함할 수 있다. 운영자는 특정 장비에 대한 심볼(symbol)을 선택하여 해당 장비에 대한 제어를 수행할 수 있고, 해당 장비에 대한 상세한 정보를 획득할 수도 있다.그러나, 상기 자동제어 화면은 이에 한정되지 아니하고 다양한 형태로 제공될 수 있다.

도 7을 참조하면, 식별번호 800은 자동제어 화면일 수 있다. 앞서 언급하였듯 상기 자동제어 화면은, 건물 내에 어떠한 장비가 존재하고, 장비들의 시스템 계통 관계가 어떠하고, 제어값이 어떻게 되는지 등에 대한 정보를 포함할 수 있다. 여기에 추가적으로, 프로세서(110)는 인공지능 고장진단 모델을 사용하여 고장 후보를 예측할 수 있다. 이어서 프로세서(110)는 식별번호 810, 820, 830 및 840과 같이 예측된 고장 후보에 해당하는 이미지 좌표에 고장 후보임을 나타내는 표식을 생성할 수 있다. 상기 표현되는 표식의 개수는 미리 결정된 개수가 표현될 수 있으나, 고장진단 보고서에 표현된 고장 후보에 대응되는 고장 후보만 표현될 수도 있다.

예를 들어, 프로세서(110)가 상기 고장 후보에 해당하는 이미지 좌표에 고장 후보임을 나타내는 표식을 생성할 때, N개의 고장 후보를 선택하고, 각각의 고장 후보에 대응되는 이미지 좌표에 고장 후보임을 나타내는 표식을 각각 생성하여 총 N개의 표식을 생성할 수 있다.

일 실시례로, 프로세서(110)는 상기 고장 후보들 중 가장 고장 확률이 높은 고장 후보를 선택하고, 선택된 고장 후보의 시스템 계통 관계를 고려하여 관계가 있는 N개의 고장 후보를 선택하여 표식을 생성할 수 있다. 시스템 계통 관계에 따라 표현된 표식은 운영자로 하여금 어떠한 계통에 문제가 발생하였는지 직감적으로 이해할 수 있게 만드는 자료가 될 수 있다.

대안적으로, 프로세서(110)는 상기 고장 후보들을 고장 확률이 높은 순으로 나열하고, 상위 N개의 고장 후보를 선택하여 표식을 생성할 수 있다.

앞서 언급한 변수인 N은 운영자의 가독성에 영향을 끼치는 변수이므로, 운영자의 판단에 따라 자유롭게 설정될 수 있다. 과도하게 많은 표식은 운영자에게 혼란을 줄 수 있기 때문이다.

이상에서, 본 발명의 실시례를 구성하는 모든 구성 요소들이 하나로 결합하거나 결합하여 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시례에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재할 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다. 기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 게시된 실시례들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시례에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 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 : 빌딩자동제어 장치 110 : 프로세서
130 : 메모리 150 : 네트워크부
220 : 운영자 단말기 230 : 자동제어 운영 데이터
240 : 에너지 사용량 데이터 250 : 인공지능 고장진단 모델
260 : 고장 상황 270 : 고장 확률
300 : BEMS 310 : 에너지 계측기
320 : BAS 400 : 제1 버튼
410 : 제2 버튼 420 : 고장 후보 표
500 : 운영자 피드백 데이터

Claims (8)

1. 인공지능을 활용한 고장진단 기능이 내장된 빌딩 자동제어 방법으로서,
   프로세서가 BAS를 기초로 자동제어 운영 데이터를 획득하고 BEMS 또는 에너지 계측기를 기초로 에너지 사용량 데이터를 획득하는 단계;
   상기 프로세서가 상기 자동제어 운영 데이터 및 상기 에너지 사용량 데이터를 기초로 인공지능 고장진단 모델을 사용하여, 고장 상황 및 상기 고장 상황과 관련된 각각의 장비마다 고장 확률을 예측하는 단계;
   상기 프로세서가 상기 예측된 각각의 고장 확률이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하는 단계;
   상기 프로세서가 상기 고장 상황 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하는 단계; 및
   상기 프로세서가 상기 고장진단 보고서를 운영자 단말기에 전달하는 단계
   를 포함하고,
   상기 고장진단 보고서는, 상기 고장 후보마다의 고장 여부 및 정상 여부를 포함하고,
   제1 버튼 또는 제2 버튼이 상호작용 되었다는, 정보를 받았을 때, 상기 고장 상황 및 상기 고장 후보마다의 고장 여부 및 정상 여부를 포함하고,
   상기 프로세서는,
   상기 제1 버튼의 신호를 수신 받은 경우, 결정된 상기 고장 후보 이외의 고장 후보를 노출시키고, 상기 제2 버튼이 상호작용 되었을 때, 상기 고장진단 보고서에 포함된 상기 고장 후보마다의 고장 여부; 및 정상 여부를 기초로 운영자 피드백 데이터를 생성하는 것을 특징으로 하는, 방법.
   
2. 제1 항에 있어서,
   상기 고장진단 보고서는,
   상기 고장 후보가 고장 확률이 높은 순으로 표기되고,
   상기 표기된 고장 후보마다, 고장 확률이 표기되는, 방법.
   
3. 제2 항에 있어서,
   상기 고장진단 보고서는,
   고장 확률이 가장 높은 특정 고장 후보의 고장확률이 일정 수치 이상인 경우, 상기 특정 고장 후보를 제외한 나머지 고장 후보의 나열 순서가 미리 결정된 시스템 계통 관계 순으로 표기되는 것인,
   방법.
   
4. 삭제
5. 제1 항에 있어서,
   상기 방법은,
   상기 운영자 피드백 데이터를 기초로 고장 상황을 상황 정보로 구성하고, 상기 피드백 데이터와 관련된 고장 후보마다의 고장 여부 및 정상 여부를 기초로 인공지능 모델을 학습시키기 위한 정답 정보를 포함하는 학습 데이터를 생성하는 단계
   를 더 포함하는,
   방법.
   
6. 제1 항에 있어서,
   상기 인공지능 고장진단 모델은, 복수 개의 노드를 포함하는 입력층; 중간층; 및 출력층을 포함하고, 상기 에너지 사용량 데이터와 비례한 개수의 입력 노드를 포함하고,
   상기 인공지능 고장진단 모델의 상기 출력층은 장비와 비례한 개수의 출력 노드를 포함하는, 방법.
   
7. 삭제
8. 인공지능을 활용한 고장진단 기능이 내장된 빌딩 자동제어 시스템으로서,
   상기 빌딩 자동제어 시스템은,
   제어의 대상이 되는 복수 개의 장비들 및
   빌딩 자동제어 장치를 포함하고,
   상기 빌딩 자동제어 장치는,
   적어도 하나의 프로세서, 메모리, 통신부를 포함하고,
   상기 빌딩 자동제어 장치는
   BAS를 기초로 자동제어 운영 데이터를 획득하고 BEMS 또는 에너지 계측기를 기초로 에너지 사용량 데이터를 획득하고,
   상기 자동제어 운영 데이터 및 상기 에너지 사용량 데이터를 기초로 인공지능 고장진단 모델을 사용하여, 고장 상황 및 상기 고장 상황과 관련된 각각의 장비마다 고장 확률을 예측하고,
   상기 예측된 각각의 고장 확률이 미리 결정된 수치 이상인 장비를 고장 후보로 결정하고,
   상기 고장 상황 및 상기 고장 후보를 기초로, 고장진단 보고서를 생성하고,
   상기 고장진단 보고서를 운영자 단말기에 전달하되,
   상기 고장진단 보고서는,
   상기 고장 후보마다의 고장 여부 및 정상 여부를 포함하고,
   제1 버튼 또는 제2 버튼이 상호작용 되었다는, 정보를 받았을 때, 상기 고장 상황 및 상기 고장 후보마다의 고장 여부 및 정상 여부를 포함하고,
   상기 프로세서는,
   상기 제1 버튼의 신호를 수신 받은 경우, 결정된 상기 고장 후보 이외의 고장 후보를 노출시키고, 상기 제2 버튼이 상호작용 되었을 때, 상기 고장진단 보고서에 포함된 상기 고장 후보마다의 고장 여부; 및 정상 여부를 기초로 운영자 피드백 데이터를 생성하는 것을 특징으로 하는,
   빌딩 자동제어 시스템.