KR19990006753A - 냉각 회로에서의 냉매 충전량을 모니터링하는 방법 - Google Patents

냉각 회로에서의 냉매 충전량을 모니터링하는 방법 Download PDF

Info

Publication number
KR19990006753A
KR19990006753A KR1019980021085A KR19980021085A KR19990006753A KR 19990006753 A KR19990006753 A KR 19990006753A KR 1019980021085 A KR1019980021085 A KR 1019980021085A KR 19980021085 A KR19980021085 A KR 19980021085A KR 19990006753 A KR19990006753 A KR 19990006753A
Authority
KR
South Korea
Prior art keywords
value
refrigerant charge
heating
refrigerant
node
Prior art date
Application number
KR1019980021085A
Other languages
English (en)
Other versions
KR100277219B1 (ko
Inventor
쉐레이유 털퓰
Original Assignee
윌리엄 더블유. 하벨트
캐리어 코포레이션
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 윌리엄 더블유. 하벨트, 캐리어 코포레이션 filed Critical 윌리엄 더블유. 하벨트
Publication of KR19990006753A publication Critical patent/KR19990006753A/ko
Application granted granted Critical
Publication of KR100277219B1 publication Critical patent/KR100277219B1/ko

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B49/00—Arrangement or mounting of control or safety devices
    • F25B49/02—Arrangement or mounting of control or safety devices for compression type machines, plants or systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2400/00—General features or devices for refrigeration machines, plants or systems, combined heating and refrigeration systems or heat-pump systems, i.e. not limited to a particular subgroup of F25B
    • F25B2400/06—Several compression cycles arranged in parallel
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/04—Refrigerant level
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/21—Temperatures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/21—Temperatures
    • F25B2700/2115—Temperatures of a compressor or the drive means therefor
    • F25B2700/21151—Temperatures of a compressor or the drive means therefor at the suction side of the compressor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/21—Temperatures
    • F25B2700/2115—Temperatures of a compressor or the drive means therefor
    • F25B2700/21152—Temperatures of a compressor or the drive means therefor at the discharge side of the compressor
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B45/00—Arrangements for charging or discharging refrigerant
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B49/00—Arrangement or mounting of control or safety devices
    • F25B49/005—Arrangement or mounting of control or safety devices of safety devices

Abstract

본 발명의 가열 또는 냉각 시스템용 냉매 모니터링 시스템은 이 시스템의 적어도 하나의 냉각 회로에서의 냉매 충전량을 계산하는 데 사용되는 신경망을 포함한다. 이 신경망은 개발 동작 모드 동안 가열 또는 냉각 시스템의 일정한 특성을 학습하도록 트레이닝된다. 이와 같이 트레이닝된 신경망은 실행 시간 동작 모드 동안 시기 적절하게 냉매 충전량을 계산한다. 계산된 냉매 충전량은 적어도 하나의 냉각 회로의 명목 냉매 충전량에 따라 변화하는 것에 관한 정보는 실행 시간 동작 모드 동안 평가를 행하는 데 유용하다.

Description

냉각 회로에서의 냉매 충전량을 모니터링하는 방법
본 발명은 가열 또는 냉각 시스템의동작을 모니터링하는 것에 관한 것으로, 보다 상세하게는 이러한 시스템의 냉각 회로에 존재하는 냉매 충전량 레벨을 모니터링하는 것에 관한 것이다.
많은 종류의 가열 및/또는 냉각 시스템에서는 냉각 회로들을 사용한다. 예를 들어, 히트 펌프(heat pump)에서는 냉각 회로를 사용하여 대지(ground) 아래로부터 열을 흡수하여 열 교환기를 통해 빌딩 내의 공기(air)로 전달함으로써 히트 펌프에 의해 이 공기가 가열되어진다. 반면, 냉각기 시스템(chiller system)에서는 증발기를 통해 흐르는 물로부터 열을 흡수함으로써 이 물을 냉각시킨다. 최종적으로는, 이와 같이 냉각된 물을 사용함으로써 이 냉각수에 의해 열 교환기를 통해 흐르는 공기로부터 열이 흡수되어 빌딩 내의 공기가 냉각된다. 히트 펌프와 냉각기 모두에서 그들 각각의 기능을 달성하기 위해서는 충분히 또는 적당히 충전된 냉매를 갖는 것이 중요하다.
또한 가열 또는 냉각 시스템이 장기간 동안 미충전량 또는 과충전량 상태로 작동되기 전에 냉매의 충전량에서의 임의 변화량을 검출하는 것이 중요하다. 이러한 점에서, 이러한 임의 변화량이 상당한 경우 시스템에 손상을 입힐 수 있다. 또한 냉매 충전량에서의 이러한 임의 변화가 냉매의 누설로 인한 것인 경우 대기를 오염시킬 가능성이 있다.
따라서, 종래의 가열 또는 냉각 시스템에서는 부적절한 냉매의 충전량을 검출할 수 있는 다양한 종류의 알람(alarms)을 갖추고 있다. 예를 들어, 하나 이상의 시스템의 압축기의 입구측에 우선적으로 배치된 알람을 갖춘 냉각기 시스템은 낮은 냉매 충전량에 의해 트리거될 수 있다. 그러나, 이들 알람은 또한 시스템 내부에서 발생하는 다른 문제에 의해서도 트리거될 수 있다. 예를 들어, 압축기의 입구에서 흡인 압력 또는 흡인 온도를 모니터링하기 위한 알람은 또한 스턱(stuck) 연장 밸브 또는 팬 고장으로 인해 트리거될 수 있다.
이들 경보 장치는 또한 냉매량이 거의 소실될 때까지도 트리거되지 않을 수 있다. 이것은 알람에 대한 임계치가 부절절하게 설정될 경우 발생될 것이다. 예를 들어, 압축기의 입구에서 흡인 압력 또는 흡인 온도를 모니터링하기 위한 알람이 너무 낮게 설정될 수 있다.
특별히 모니터된 냉매 상태의 알람을 트리거하기 위한 가변 한계를 규정하려는 시도가 행해져 왔다. 예를 들어, 냉각기 내의 응축기 유닛의 냉매 압력의 한계는 미국 특허 제 5,539,385호에서 특정의 부하 상태에 대해 가변한다. 그러나, 이것은 냉각기 시스템 내에 존재하는 상태의 결합을 모니터링하는 것에 반하여 단지 특정 상태에 대한 가변 한계이다.
따라서, 본 발명의 목적은 초과되는 각각의 하나 이상의 알람 임계치에 의존하지 않고 소량의 냉매 소실을 조기에 검출하는 것이다.
본 발명의 다른 목적은 가능성있는 여러 원인에 의해 트리거될 수 있는 하나 이상의 알람에 의존하지 않고 냄애 충전량에서의 증분 변화량을 검출하는 것이다.
상기 및 그 외의 목적 및 장점들은 적어도 하나의 냉매 회로를 갖는 가열 또는 냉각 시스템 내에서 발생하는 감지된 다수 상태에 대해 집합적 분석을 행할 수 있는 능력을 갖춘 냉매 모니터링 시스템을 제공함으로써 달성된다. 이 모니터링 시스템은 우선 개밸 동작 모드 동안 감지된 각종 상태에 대한 다차원 공간의 고유 기호(signatures)를 규정한다. 고유 기호는 공지된 냉각 회로에 대해 가열 또는 냉각 시스템에서 직면하게 되는 각종의 가변하는 분위기 및 빌딩 부하 상태에 대해 멀티디멘젼 공간에서 이 기호를 일정하게 조정하는 신경망에 의해 발생되는 것이 바람직하다. 바람직한 실시예에서는 공지된 냉매 충전량은 냉각기 내의 특정 냉각 회로에 대한 명목 냉매 충전량, 명목 냉매 충전량에 30%의 냉매 충전량이 가산된 것과, 명목 냉매 충전량에서 30%의 냉매 충전량을 감산한 것이다. 고유 기호는 신경망 내의 클러스터 어레이로 투영되는 것이 바람직하고 클러스터 어레이 내의 각 노드는 특정 냉매 충전량 중 하나에 대해 멀티디멘젼 공간에서의 기호를 정의하는 기억된 웨이티드 값을 포함한다.
모니터링 시스템은 또한 개발 동작 모드 동안 클러스터 어레이 내의 노드와 보간 계층 내의 일련의 노드 사이에서의 임의 웨이티드 코넥션을 정의하도록 동작한다. 모니터링 시스템은 또한 개발 동작 모드의 단계 동안 보간 계층의 노드와 출력 노드 사이에서의 임의 웨이티드 코넥션을 정의한다. 출력 노드에서 모니터링 시스템에 제공되는 각종 트레이닝 데이타 셋트에 대한 냉매 충전량 값이 발생된다. 클러스터 어레이 노드, 보간 계층 노드와 출력 노드 간의 웨이티드 코넥션은 출력 노드에서 발생되 냉매 충전량 값이 제공된 트레이닝 데이타에 대한 공지된 값의 냉매 충전량으로 사실상 수렴할 때까지 연속적으로 조정된다. 최종적으로 조정된 웨이티드 코넥션은 실행 시간 동작 모드 동안 모니터링 시스템에서 사용되도록 기억된다.
본 발명의 바람직한 실시예에서, 냉매 충전량은 냉각기의 특정 냉각 회로에서 모니터된다. 모니터링 시스템은 실행 시간 동작 모드 동안 냉각기 내의 8개 센서로부터 한 셋트의 데이타를 수신한다. 각 데이타 셋트는 8 디멘젼 공간에서 기호 또는 패턴을 생성한다. 이 기호는 개발 동작 모드 동안 정의된 클러스터 어레이의 노드에 대한 8개 디멘젼 기호와 비교된다. 생성된 기호에 가장 근사한 8개 디멘젼 기호를 갖는 클러스터 어레이 내의 3개 노드는 그들의 각 기호에 대한 다른 처리를 위해 선택되는 것이 바람직하다. 이러한 처리는 선택된 3개 노드의 각 기호에 대한 생성된 기호의 근사성에 대한 상대 평가에 기초하여 행해진다. 선택된노드 기호에 대한 처리는 클러스터 어레이 노드와 개발 동작 모드 동안 학습된 보간 노드 간에서의 웨이티드 코넥션에 따른 한 셋트의 보간 계산에서 발생될 것이다. 이들 계산 결과가 결국에는 출력 노드를 통해 처리되고, 출력 노드는 보간 노드로부터의 계산 결과와, 출력 노드와 개발 동작 모드 동안 학습된 보간 노드 간에서의 웨이티드 코넥션에 기초하여 냉매 충전량 값을 계산할 것이다. 계산값은 8개 센서로부터 수신된 각 데이타 셋트에 대해 출력 노드에서 발생될 것이다. 이들 계산된 값은 소정 시간에 걸쳐 기억 및 평균된다. 최종의 냉매 충전량은 모니터링 시스템의 출력으로서 디스플레이된다. 이와 같이 디스플레이된 충전량은 냉각기 시스템이 디스플레이된 냉매 충전량 상태에 의해 적절한 서비스를 행하기 위해 중단(shut down)되어야 하는지의 여부를 표시하는 데 사용할 수 있다.
도 1은 독립된 두개의 냉각기용 냉각 회로를 포함하는 냉각기의 개략도.
도 2는 도 1의 냉각기용 제어기와 냉각기의 한 냉각 회로에서의 냉매 충전량을 계산하기 위한 신경망 소프트웨어를 포함하는 프로세서의 개략도.
도 3은 신경망 소프트웨어의 각종 계층 내 노드 간에서의 코넥션을 도시하는 도면.
도 4는 도 3의 임의 노드 어레이를 도시하는 블럭도.
도 5a 및 도 5b는 개발 동작 모드 동안 도 2의 프로세서에 의해 실행되는 신경망 프로세스의 흐름도.
도 6은 개발 동작 모드 동안 도 2의 프로세서에 의해 실행되는 다른 신경망 프로세스의 흐름도.
도 7a 및 도 7b는 실행 시간 동작 모드 동안 도 4의 어레이를 사용하여 도 2의 프로세서에 의해 실행되는 신경망 프로세스의 흐름도.
도면의 주요 부분에 대한 부호의 설명
10, 12 : 응축기
14, 16 : 압축기
20 : 팽창 밸브
22 : 증발기
24 : 입력
26 : 출력
40 : 제어기
44 : 프로세서
46 내지 72 : 센서
68 : 기억 장치
도 1을 참조해 보면, 냉각기는 각각 응축기(10 도는 12)를 갖고 있는 독립된 두 냉각 회로 A 및 B를 포함한다. 냉각수를 생성하기 위해 각각의 냉각 회로 내의 냉각기 부품들을 통해 냉매가 처리된다. 이러한 점에서, 냉매 가스는 회로 A 중의 한 쌍의 압축기(14 및 16)에서 고압 및 고온으로 압축된다. 이 냉매는 응축기(10)를 통해 흐르는 공기로 한 셋트의 팬(18)에 의해 열을 방출하는 액체로 응축되어진다. 응축기는 바람직하게도 액화 냉매를 냉각시켜 응고점 이하로 냉각된 액체(subcooled liquid)로 다시 만든다. 이와 같이 응고점 이하로 냉각된 액체가 팽창 밸브(20)를 통해 냉각 회로 B와 공통으로 공유된 증발기(22)로 입력된다. 이 냉매는 증발기(22)를 통해 입구(24)로부터 출구(26)로 순환하는 물로부터 열을 흡수하는 증발기(22)에서 증발한다. 증발기 내의 물은 냉매로 열을 방출시켜 냉각된다. 냉각된 물이 최종적으로 빌딩에 냉방(cooling)을 제공한다. 빌딩의 냉방은 종종 순환하는 공기가 냉각수에 열을 방출하는 다른 열 교환기(도시 안됨)에 의해 달성된다. 냉매는 또한 냉각 회로 B의 한 셋트의 압축기(28 및 30)를 통해 고온 및 고압으로 압축된다. 이 냉매는 그 후에 한셋트의 팬(32)이 결합되어 있는 응축기(12)에서 액체로 응축된다. 응축기(12)는 바람직하게도 이 액화 냉매를 더 냉각시켜 응고점 이하로 냉각된 액체로 만든다. 이와 같이 응고점 이하로 냉각된 액화 냉매가 팽창 밸브(34)를 증발기(22)로 입력된다.
도 2를 참조해 보면, 제어기(40)는 응축기(10 및 12)를 통해 순환하는 공기의 양을 통제하는 팬 셋트(18 및 32)뿐 아니라 팽창 밸브(20 및 22)를 제어한다. 이 제어기는 압축기(14, 16, 28 및 30)를 턴 온 및 턴 오프시켜 증발기(22)를 통해 흐르는 물에 대해 필요로 하는 소정의 냉각을 달성한다. 도 1의 냉각기 내의 적절한 지점에 배치된 한 셋트의 센서는 I/O 버스(42)를 통해 제어기(40)에 정보를 제공한다. 이들 센서 중 8개는 또한 I/O 버스(42)에 관련된 프로세서(44)에 정보를 제공한다. 특히, 센서(46)는 냉각 회로 A 내의 응축기(10)로 입력되는 공기의 온도를 감지한다. 센서(48)는 이 응축기(10)에서 방출되는 공기의 온도를 감지한다. 이들 온도를 이하에서는 응축기로 입력되는 공기의 온도에 대해서는 CEAT라 칭하고, 응축기에서 방출되는 공기의 온도에 대해서는 CLAT라 칭하기로 한다. 프로세서(44)는 또한 압축기(14)의 배출구측에 배치된 센서(50)에 의해 측정된 압축기(14)의 압축기 흡인 온도를 수신한다. 프로세서(44)는 또한 이 압축기(14)의 배출구측에 배치된 센서(54)를 통해 압축기(14)의 압축기 배출 온도를 수신한다. 센서(50)에서 감지된 압축기 흡인 온도를 이하에서는 ST_A라 칭하는 한편, 센서(54)에서 감지된 압축기 배출 온도를 DT_A라 칭하기로 한다. 프로세서(44)는 또한 팽창 밸브(20) 위에 배치된 센서(56)로부터 응고점 이하로 냉각된 냉매 온도를 수신한다. 이와 같은 특정한 온도를 이하에서 SUBCA라 칭하기로 한다.
프로세서(44)는 또한 냉각 회로 B로부터 감지된 소정치를 수신한다. 이러한 점에서, 팽창 밸브(34)의 위에 배치된 센서(58)로부터감지된 응고점 이하로 냉각된 냉매 온도가 프로세서(44)에 제공된다. 이것을 이하에서는 SUBCB라 칭하기로 한다. 센서(60)에서 측정된 압축기(28)의 압축기 배출 온도 및 센서(62)에서 측정된 압축기(28)의 압축기 흡인 온도 또한 프로세서(44)에 제공된다. 센서(60)에서 측정된 압축기(28)의 압축기 배출 온도를 이하에서는 DT_B라 칭하기로 한다. 센서(62)에서 측정된 압축기(28)의 압축기 흡인 온도를 이하에서는 ST_B라 칭하기로 한다.
프로세서(44)는 전체 냉각기에 대해 제어 패널의 일부가 될 수 있는 도 2의 디스플레이 패널(64)에 연결된다. 디스플레이 패널(64)은 프로세서(44)에 의해 도 1의 냉각기의 제어 패널을 관찰하는 누군가에게 냉매 충전량 정보를 제공하는 데 사용된다.
프로세서(44)는 또한 키보드 입력 장치(66) 및 하드 디스크 기억 장치(68)에 직접 연결된다. 키보드 입력 장치는 트레이닝 데이타(training data)를 프로세서로 입력시켜 기억 장치(68)에 기억시키는 데 사용될 수 있다. 이하에서 설명될 바와 같이, 트레이닝 데이타는 제어기(40)로부터 프로세서로 직접 다운로드(download)되어 기억 장치(68)에 기억될 수 있다. 이 트레이닝 데이타는 그 후에 개발 동작 모드 동안 프로세서(44) 내에 상주하는 신경망(neural-network) 소프트웨어에 의해 처리된다.
프로세서(44)에 의해 실행되는 신경망 소프트웨어는 상호 접속된 노드들, 예를 들어, 도 3에서 도시된 참조 부호(70)의 대량 병행성의 다이나믹 시스템(massively parallel dynamic system)이다. 이들 노드는 입력 계층(72) 등의 계층, 하나 이상의 은폐 계층(예를 들어, 참조 부호(74)), 보간 계층(interpolation layer; 76), 및 하나의 출력 노드로 이루어지는 출력 계층(78)으로 구성된다. 노드들은 연속하는 계층 간에 풀(full) 또는 랜덤 코넥션 (random connections)을 갖는다. 이들 고넥션은 개발 동작 모드 동안 정해진 가중치(weighted values)를 갖는다.
도 4를 참조해 보면, 냉매 충전량을 계산하기 위해 프로세서(44)에서 특별히 사용되는 신경망 아키텍쳐가 도시되어 있다. 이 아키텍쳐는 독립된 두 모듈로 구성된 것으로 보여지는 데, 그 중 하나는 클러스터 시킹 모듈(cluster seeking module; 80)로서 식별되고, 나머지 하나는 보간 모듈(82)로서 식별된다. 클러스트 시킹 모듈(80)은 센서(46 내지 62)로부터의 8개 센서 측정치를 나타내는 1×8 노드 어레이를 구비하는 입력 계층(72)을 포함한다. 이들 측정치는 CEAT, CLAT, ST_A, DT_A, SUBCA, SUBCB, DT_B, 및 ST_B이다. 클러스트 시킹 모듈(80) 내의 제2 어레이 또는 계층은 클러스터 어레이(84)로서 식별된다. 이것은 4개의 은폐 행과 각 행 내에 16개의 노드를갖는 4×16 어레이이다. 클러스트 시킹 모듈(80)로부터의 출력들을 수신하는 보간 모듈은 16개 노드를 갖는 1×16 어레이인 보간 계층(76)으로 구성된다. 보간 모듈(82) 내의 최종 계층은 1개 노드를 구비하는 1×1 어레이인 출력 계층(78)이다.
이하에서 기술될 바와 같이, 프로세서(44)는 개발 모드 동작 동안 제1 어댑트(adapt)로 동작하고 그 후에는 클러스터 어레(84)의 노드에 관련된 웨이트를 수정한다. 이것은 모듈(80)을 통해 트레이닝 데이타를 반복적으로 처리하고 클러스터 어레이 내의 노드의 웨이트를 조정함으로써 달성된다. 클러스터 어레이 내의 노드가 최종적으로 조정된 후에는, 프로세서(44)는 모듈(82)의 트레이닝으로 진행한다. 프로세서(44)는 이 경우에 어댑트로 동작하고 그 후에는 클러스터 어레이의 노드와 보간 계층(76)의 노드 사이의 웨이티드 코넥션을 수정한다. 프로세서(44)는 또한 업댑터로 동작하고 그 후에는 보간 계층(76)의 노드와 출력 계층(78)의 노드 사이의 웨이티드 코넥션을 수정한다. 모듈(82)의 이러한 트레이닝은 모듈(80 및 82)을 통해 트레이닝 데이타를 반복적으로 처리함으로써 달성된다. 일단 신경망이 이와 같이 구성되면, 이것은 실행 동작 모드 동안 사용하도록 기억될 것이다.
지금부터 도 5a 및 5b를 참조해 보면, 개발 동작 모드의 제1 단계 동안 신경망 트레이닝 소프트웨어를 실행하는 프로세서(44)의 흐름도가 도시되어 있다. 개발 동작 모드의 제1 단계에서 신경망을 트레이닝하여 클러스트 어레이(84) 내의 노드의 웨이트를 학습한다(learn). 이러한 트레이닝은 학습 레이트 변수 α의 초기값이 설정되는 단계(90)에서 개시된다. 이하에서 기술될 바와 같이, 이 변수의 초기값은 신경망 트레이닝 소프트웨어의 일정한 계산 단계의 연속적인 반복에 따라 감소된다. 선택된 초기값은 0보다는 크고 1보다는 작아야 한다.
프로세서는 단계(92)로 진행하여 클러스터 어레이(84) 내에서 동일하게 간격을 이루는 8개의 센터 노드를 선택한다. 프로세서(44)는 여기서 단계(94)로 진행하여 선택된 각 센터 노드 주변의 7개 노드의 이웃(neighborhood)를 선택한다. 프로세서는 다음에 단계(96)로 진행하여 랜덤값을 센터 노드 및 주변의 이웃 노드에 할당한다. 각 노드에는 8개 치수 공간에서 8개의 독립된 도체 치수에 대한 랜덤값이 할당되어지는 것이 바람직한 것으로 여겨진다. 이들 8개 좌표 치수 각각은 또한 8개 센서값 중 하나에 대응하는 측정된 좌표값을 한장하는 데 사용될 것이다. 프로세서(44)는 단계(98)로 진행하여 기억 장치(68)로부터 한 셋트의 입력 트레이닝 데이타를 판독한다. 한 셋트의 입력 트레이닝 데이타는 냉각기가 냉각 회로 A에서 공지된 냉매량을 갖고 특정의 분위기 및 특정의 부하 조건을 받을 때 8개 센서(46 내지 62) 각각으로부터 이전에 얻어진 8개 값으로 이루어진다. 냉각 회로 B는 또한 공지된 양의 냉매를 가질 것이다. 공지된 양은 냉각 회로에서 명목 냉매 충전량으로 유지되는 것이 바람직할 것이다.
냉각기는 또한 각 부하 상태에서 회로 A의 공지된 냉매량을 갖는 상당수의다른 분위기 및 부하 상태에 종속될 것이라는 것을 인식할 수 있다. 냉각기를 다른 부하 상태에 종속시키기 위해, 증발기(22)를 통해 온수(hot water)를 순환시켜 각종 빌딩 부하 상태를 시뮬레이트(simulate)할 수 있다. 공지된 양의 냉매 충전량은 회로 A의 명목 냉매 충전량, 명목 냉매 충전량에 30%를 가산한 것, 명목 냉매 충전량에 30%를 감산한 것이 바람직할 것이다. 이들 냉매 충전량의 30% 가산 및 감산은 이들 각각이 모니터해야 할 냉매량의 적절한 범위를 정의하는 명목 냉매 충전량에서 비교적 큰 변화를 나타내기 때문에 선택한 것이었다. 프로세서(44)는 냉각기에서 직면하게 되는 분위기 상태, 빌딩 부하 상태 및 공지된 냉매 충전량의 특정 각 결합에 대해 8개 센서(46 내지 72)로부터 값을 수신할 것이다. 이들 값은 냉각기가 특정 냉매 충전량에 대해 특정 분위기 및 빌딩 부하 상태에 종속될 때 센서를 주기적으로 판독하는 제어기(40)를 통해 제공되는 것이 바람직할 것이다. 이들 8개 값은 한 셋트의 트레이닝 데이타의 8개 각 값으로서 기억 장치에 기억될 것이다. 프로세서(44)는 또한 키보드 장치(66)로부터 타이핑된 공지된 냉매 충전량의 입력을 수신할 것이다. 이 냉매 충전량은 냉각기가 특별히 공지된 냉매 충전량를 갖는 것으로 표시될 때 제어기로부터 수신된 8개 각 센서의 트레이닝 데이타 셋트에 연관하여 기억되는 것이 바람직하다.
단계(98)를 참조해 보면, 한 셋트의 트레이닝 데이타의 8개 값은 기억 장치(68)로부터 판독되어 이 단계가 실행될 때마다 트레이닝 데이타 포인트 x에 대해 8개 좌표값 x1,x2,x3,x4,x5,x6,x7,x8로서 기억된다. 기억 장치로부터 이와 같이 판독된 트레이닝 데이타 셋트수의 인덱스된 카운트는 프로세서에 의해 유지될 것이다. 이들 좌표값은 프로세세서의 내부 메모리 내의 입력 계층(72)에 기억될 것이다. 프로세서는 단계(100)로 진행하여 트레이닝 데이타 포인트 x와 중심 노드의 멀티디멘젼 웨이트 간에서의 거리 메트릭(distance metrics)을 계산한다. 클러스터 어레이 내의 힐당된 각 중심 노드 i는 트레이닝 데이타 포인트 x의 좌표값을 정의하는 데 사용된 8개 디멘젼 좌표에 할당된 각각의 웨이티드 값을 가질 것이다라는 것에 인식해야 한다. 이들 웨이티드 값은 초기에는 멀티디멘젼 웨티드 값vi에 대해 vi1, vi2, vi3, vi4, vi5, vi6, vi7, vi8로서 식별될 수 있는 할당된 랜덤값일 것이다. 초기에 8개 중심 노드가 존재하므로, 중심 노드 i의 값은 이들 중심 노드에 대해 1 내지 8이 될 것이다. 이 거리 메트릭은 아래의 수학식 1로 계산된 유클리드 거리이다.
프로세서(44)는 거리 di중 어느 것이 최소인지를 판단함으로써 단계(102)에서 입력 트레이닝 데이타 셋트에 가장 근사한 중심 노드를 식별하도록 진행한다.
프로세서는 현재 단계(104)로 진행하여 숭자(winner)와 패자(loser) 중심 노드의 멀티디멘젼 웨이트 값 vi의 웨이트 값과 그들에 관련된 이웃 노드의 멀티디멘젼 웨이트 값을 갱신한다. 승자 중심 노드 및 그 이웃 노드의 경우, 각 디멘젼 좌표값의 웨이트 값은 아래의 수학식 2에 따라 조정된다.
여기서 α는 단계(90)에서 초기값으로 설정된 학습 레이트(learning rate)이다. 패자 중심 노드 및 그들의 이웃 노드의 웨이트 값 vi에 대한 조정은 행하지 않는다.
프로세서는 단계(106)로 진행하여 M 셋트의 트레이닝 데이타가 처리되었는지를 조회한다. 이것은 단계(98)에서 설정된 판독되어진 트레이닝 데이타 셋트의 인덱스된 카운트를 검사하는 문제이다. 다른 트레이닝 데이타 셋트를 처리해야 하는 경우, 프로세서(44)는 단계(98)로 복귀하여 트레이닝 데이타 셋트를 다시 판독하여 이것을 현재 x 좌표값으로서 기억할 것이다. 이와 같이 판독된 트레이닝 데이타 셋트의 인덱스된 카운트는 증분될 것이다. 프로세서(44)는 모든 M 셋트의 트레이닝 데이타가 처리될 때까지 단계(98 내지 106)를 반복적으로 실행할 것이다. 이것은 단계(98)에서 판독되어진 트레이닝 데이타 셋트의 인덱스된 카운트를 검사함으로써 판단된다. 여기서는 처리되어지는 것으로 참조되는 M 셋트의 트레이닝 데이타는 기억 장치(68)에 초기에 기억된 트레이닝 데이타 셋트의 전체수 모두나 대부분인 것에 인식해야 한다. 이들 M 셋트의 트레이닝 데이타는 기억 장치 내 어드레스가능 기억 영역에 적절하게 기억되어 트레이닝 데이타 셋트의 인덱스된 카운트가 제1 카운트에서 M번째 카운트로 증분될 때마다 다음 셋트를 액세스할 수 있다.
모든 M 트레이닝 데이타가 처리되면, 프로세서(44)는 판독된 트레이닝 데이타 셋트의 인덱스된 카운트를 리셋트시킬 것이다. 그 후 프로세서는 단계(108)로 진행하여 학습 레이트 α를 그 초기값의 10분의 1로 감소시킨다. 다음에 프로세서는 학습 레이트가 특정 이웃 사이즈에 대해 감소되었는지에 대한 조회를 한다. 그렇지 않으면, 프로세서는 단계(98)로 복귀하여 모든 M 트레이닝 데이타는 학습 레이트의 감소값 이외에 동일한 이웃 사이즈에 대해 다시 연속하여 액세스될 것이다.
프로세서는 모든 셋트의 트레이닝 데이타가 처리될 때 다시 단계(108)에서 학습 레이트를 감소시킨다. 학습 레이트가 특정의 이웃 사이즈에 대해 사전에 감소될 것이므로, 프로세서는 단계(110 내지 112)를 통해 처리되어 이웃 사이즈를 1만큼 감소시킬 것이다. 프로세서는 또한 감소된 이웃 사이즈에 기초하여 서로 등간격으로 이격되어 있는 다른 셋트의 중심 노드를 선택한다.
프로세서는 또한 단계(114)로 진행하여 이웃 사이즈가 3보다 작은지를 조회할 것이다. 이웃 사이즈가 3이상이면, 프로세서는 단계(98)로 복귀하여 다시 새로운 이웃 사이즈 및 새로운 학습 레이트에 대한 모든 M 트레이닝 데이타를 처리할 것이다. 학습 레이트가 특정 이웃 사이즈에 대해다시 조정되면 프로세서는 다시 단계(110, 112 및 114)를 실행할 것이다. 임의 포인트에서 7 이하 3을 포함한 모든 이웃 사이즈가 처리될 것이다. 학습 레이트는 그 초기값의 10분의 1까지 감소될 것이다. 이 점에서, 클러스터 어레이(84)의 모드 노드에 대해 모든 입력 트레이닝 데이타의 균일한 표시가 달성될 것이다. 이것이 발생하면, 프로세서는 단계(114)에서 단계(116)로 진행하여 클러스터 어레이의 64 노드 각각에 대한 최종 8개 좌표값을 기억한다. 각 최종 8개 좌표값은 특별히 지정된 노드에 대한 멀티디멘젼 웨이트 vnm을 정의하고, 여기서 n은 열(column)을 나타내고 m은 노드가 클러스터 어레이에서 발견될 수 있는 행(row)을 나타낸다.
프로세서(44)는 현재 개빌 동작 모드의 제2 단계로 진행할 것이다. 이 특정 단계에서, 신경망은 클러스터 어레이와 보간 계층의 노드 간의 코넥션에 대한 특정 웨이트 값을 학습할 것이다. 프로세서(44)는 또한 보간 계층의 노드와 출력 계층의 단일 노드 간의 코넥션에 대한 특정 웨이트 값을 학습할 것이다. 프로세서는 단계(120)에서 코넥션 웨이트 wknm및 wk에 초기값을 할당함으로써 이 프로세스를 개시한다. 프로세서는 단계(122)로 진행하여 바이어스 bk및 bo에 초기값을 할당한다. 이들 바이어스는 보간 계층과 출력 계층 노드의 각 출력값을 계산하는 데 사용된다. 이들 바이어스의 초기값은 0와 1 사이의 분수이다. 프로세서는 또한 단계(122)에서 변수 Θ에 초기값을 할당한다. 이 초기값은 1보다는 0에 근사한 10분의 1 등의 소수값인 것이 바람직하다. 개발 동작 모드의 제2 단계 동안 bk, bo및 Θ에 대해 다른값이 계산될 것이다. 프로세서는 다음에 단계(124)로 진행하여 학습 레이트에 γ 및 Γ에 초기값을 할당한다. 이들 학습 레이트는 이하에서 기술될 바와 같이 보간 계층 및 출력 계층 계산에 각각 사용된다. 학습 레이트의 초기값은 0보다는 크고 1보다는 작은 소수값이다.
프로세서(44)는 다음에 입력 트레이닝 데이타 셋트 값을 판독하여 이것을 단계(98)에서 사전에 판독되고 기억된 트레이닝 데이타 셋트와 같이 데이타 포인트 x에 대한 좌표값으로서 기억한다. 프로세서는 단계9127)로 진행하여 클러스터 어레이의 각 노드의 멀티디멘젼 웨이트에 대한 x 좌표값과 가억된 8개 좌표값 각각 간의 거리 메트릭 hnm을 계산한다. 각 노드의 멀티디멘젼 웨이트 vnm에 대해 기억된 8개 좌표값은 vnm1, vnm2, vnm3, vnm4, vnm5, vnm6, vnm7, vnm8이 될 것이다. 거리 메트릭은 아래 수학식 3에서 계산된 유클리드 거리이다.
프로세서는 단계(128)로 진행하여 보간 계층(76)의 각 노드에 대한 출력값 zk를 게산한다. 출력값 zk는 아래 수학식 4로 표현된 변수 t의 쌍곡선 탄젠트 함수로서 계산되는 것이 바람직하다.
여기서 t =
hnm= m번째 행과 n본째 열의 클러스터 노드에 대해 단계(127)에서 계산된 거리 메트릭,
wknm= m번째 행과 nqjs째 열의 클러스터 노드에 연결된 k번째 보간 계층의 코넥션 웨이트 및
bk= k번째 보간 계층 노드의 바이어스.
프로세서는 현재 단계(130)으로 진행하여 아래 수학식 5에 따라 출력 노드와의 각 보간 계층 노드 코넥션에 대한 로컬 에러 θk를 계산한다.
여기서, zk는 단계(128)에서 계산된 k번째 노드의 보간 노드값
Θ는 단계(122)의 초기 할당 에러값 또는 트레이닝 데이타 셋트의 이전 처리 동안 계산된 에러값
wk는 k번째 보간 노드에 연결된 출력 노드의 코넥션 웨이트.
프로세서는 단계(130)로 진행하여 아래 수학식 6에 따라 보간 계층 노드와 클러스터 어레이 노드 간의 코넥션 웨이트를 갱신한다.
Δwknm,old= γθk,newhnm
여기서, hnm은 m번째 행과 n본째 열의 클러스터 노드에 대해 단계(127)에서 계산된 거리 메트릭,
γ는 스칼라 학습 레이트 계수,
θk,new는 단계(130)에서 계산된 스칼라된 로컬 에러.
프로세서는 다음에 단계(134)로 진행하여 다음 수학식 7에 따라 각 보간 노드에 대한 각 바이어스 bk를 갱신한다.
프로세서는 현재 단계(136)로 진행하여 출력 계층(76)의단일 노드로부터 출력을 계산한다. 이 출력 노드값 y는 다음의 수학식 8에서 표현된 변수 u의 쌍속선 탄젠트 함수로서 계산되는 것이 바람직하다.
여기서 u =
zk는 보간값, k=1, 2, ...16.
wk는 k번째 보간 노드에 연결된 출력 노드의 코넥션 웨이트
bo는 출력 노드의 바이어스.
y의 계산된 값은 처리된 트레이닝 데이타의 n번째 셋트에 대한 출력 노드의 n번째 계산된 출력으로서 기억된다. 이 값은 이하에서 yn으로 기술한다. 트레이닝 데이타의 n번째 셋트에 대한 공지된 냉매값은 Yn으로서 기억되어 처리되어진 트레이닝 데이타 각 셋트에 대해 계산된 yn및 공지된 출력 Yn이 존재할 것이다. 상술된 바와 같이, 공지된 냉매값은 디스크 기억 장치(68)에 트레이닝 데이타의 특정 셋트에 관련하여 기억되는 것이 바람직하다. 이로써 특정 셋트의 트레이닝 데이타가 처리될 때 공지된 냉매값을 액세스하여 yn으로서 기억할 수 있다.
프로세서는 단계(138)로 진행하여 다음 수학식 9에 따라 출력 계층에서 로컬 에러 Θ를 계산한다.
프로세서는 단계(140)로 진행하여 다음 수학식 10에 따라 백 전파 학습 규칙(back propagation learning rule)을 사용하여 출력 노드와의 보간 노드 코넥션의 웨이트를 겡신한다.
Δwk,old= ΓΘnewzk
여기서, k는 보간 계층의 k번째 노드와의 코넥션을 나타냄,
Γ는 단계(124)에서 초기에 할당되거나 또는 노드의 이전 처리 동안 계산된 학습 레이트,
Θnew는 단계(138)에서 계산된 로컬 에러.
프로세서는 다음 수학식 11에 따라 단계(142)에서 바이어스 bo를 갱신한다.
프로세서는 현재 단계(144)로 진행하여 모든 M 트레이닝 데이타가 처리되었는지에 대한 조회를 행한다. N은 개발 동작 모드의 두 단계 동안 처리되어질 기억 장치(68)에 기억된 트레이닝 데이타 셋트의 전체수이다. N은 개발 동작 모드의 두 단계에서 처리된 트레이닝 데이타 셋트와 동수가 될 것이다. 그러한 경우, 개발 동작 모드의 한 단계 동안 기억 장치(68)에 기억된 트레이닝 데이타의 M 셋트는 다시 어드레스되어 단계(126 내지 144)에서 처리될 것이다. 한편, 기억 장치(68)로부터 다른 그룹의 트레이닝 데이타 셋트를 사용하기를 원하면, 이 그룹은 적당히 어드레스가능한 기억 영역에 기억되어 순차로 어드레스되어 단계(126 내지 144)에서 처리될 수 있다. 어느 경우라도, 프로세서는 트레이닝 데이타의 M 셋 트가 처리될 때까지 단계(126 내지 142)에서의 여러 계산을 행할 것이다. 이 때, 프로세서는 단계(146)로 진행하여 단계(136)에서 계산된 냉매 충전량의 기억된 값과 이러한 계산된 냉매 충전량 각각에 대한 대응하는 공지된 값의 냉매 충전량 간의 RMS 에러값을 계산할 것이다.
단계(146)에서 계산된 RMS 에러값이 바람직하게 0.001의 임계값 미만인지에 대해 단계(148)에서 조회한다. RMS 에러가 이 특정의 임계값 미만이 아니면, 프로세서는 경로없이 단계(150)로 진행하여 학습 레이트 γ 및 Γ의 값을 감소시킨다. 이들 값은 그들에 할당된 초기값의 10분의 1만큼 감소될 수 있다.
프로세서는 다시 단계(127 내지 146)의 계산을 행한 후 새로이 계사뇐 RMS 에러가 0.001의 임계값 미만인지를 조회하여 M 트레이닝 데이타 셋트를 처리한다. 임의 시점에서, 게산된 RMS 에러는 이 임계값 미만으로 될 것이다. 이것은 프로세서에게 보간 계층(76)의 각 노드와 출력 계층(78)의 단일 노드에 대한 모든 최종 바이어스 값과 계산된 모든 코넥션 웨이트를 기억시키도록 할 것이다.
도 4를 참조해 보면, 개발 동작 모드에 후속하여클러스터 어레이, 보간 계층 및 출력 게층의 단일 노드의 노드에 대한 모든 웨이티드 코넥션 값 이외에 클러스터 어레이(84) 및 보간 계층(76)의 모든 노드값이 기억 장치(68)에 기억된다. 기술될 바와 같이, 이들 기억값은 프로세서의 실행 시간 동작 모드 동안 시용되어 냉각 회로 A 내의 냉매 충전량을 계산한다.
도 7을 참조해 보면, 프로세서(44)의 실행 시간 동작 모드는 단계(160)에서 개시되고, 여기서 임의 스칼라 보간값이 0로 초기화된다. 후술될 바와 같이, 이들 값 중 일부는 실행 시간 동작 모드 동안 넌-제로 값과동일하게 설정된다. 프로세서는 단계(162)로 진행하여 센서(46 내지 62)로부터 얻어진 측정된 온도값을 판독한다. 이러한 점에서, 프로세서는 냉각기의 제어기(40)로부터 새로운 셋트의 센서값이 제어기(40)에 의해 판독되어 제어기와 프로세서에서 사용되도록 기억된 것에 대한 표시(indication)를 대기할 것이다. 이것은 소정의 시간 주기가 경과할 때마다 셍서 정보를 수집하여 기억하는 제어기의 결과로서 주기적으로 발생한다. 이 시간 주기는 3분으로 설정되는 것이 바람직하다. 이들센서값은 8 디멘젼 공간에서 포인트 x에 대한 좌표값으로서 기억될 것이다.
프로세서는 단계(164)로 진행하여 x1,x2, x3,x4,x5, x6, x7, x8로서 정의된 기억된 x 좌표값을 클러스터 어레이(84) 내의 열 인덱스 n 및 행 인덱스 m으로식별된 클러스터 어레이의 각 노드에 대한 멀티디멘젼 웨이트 vnm에 대해 거리 메트릭을 계산하는 데 사용된다. 각 노드에 대한 거리 hnm은 아래 수학식 13에 따라 계산된다.
여기서, vnm1,... vnm8은 클러스터 어레이의 m번째 행과 n번째 열 내의 노드의 멀티디멘젼 노드 웨이트에 대한 기억된 멀티디멘젼 웨이트 값.
프로세서는 각 노드에 대한 현재 x 좌표값에 대해 거리 메트릭을 계산한 후 단계(166)로 진행하여 최소한의 거리 메트릭을 갖는 3개 노드를 식별한다. 이들 노드 각각은 노드 a, b, c로서 표시되고, 그들의 거리값은 다음 수학식 14에 따라 표시된다.
노드 b의 경우: D2 = min (hnm), 노드 a를 제외한 모든 n, m의 경우,
노드 c의 경우: D3 = min (hnm), 노드 b 및 c를 제외한 모든 n, m의 경우.
프로세서는 단계(170)로 진행하여 보간 계층(76)의 각 16개 노드에 대해 노드값 zk를 계산한다. 각 노드값 zk는 다음 수학식 15에 따라 변수 t의 쌍속선 탄젠트 함수로서 계산되는 것이 바람직하다.
여기서 t =
zk= 보간 계층 내 k번째 노드의 출력 (k=1, 2, ...16)
hnm= m번째 행과 n번째 열의 클러스터 노드의 거리 메트릭,
wknm= m번째 행과 n번째 열의 클러스터 노드에 연결된 k번째 보간 계층의 코넥션 웨이트 및
bk= k번째 보간 계층 노드의 기억된 바이어스.
Anm= 클러스터 어레이의 m번째 행과 n번째 열의노드의 스칼라 보간 값
프로세서는 단계(170)에서 단계(172)로 진행하여 출력 노드값 y이 다음 수학식 16으로서 표현된 쌍곡선 탄젠트 함수로서 계산되는 것이 바람직하다.
여기서 u =
zk는 단계(170)에서 계산된 보간 노드값, k=1, 2, ...16.
wk는 k번째 보간 노드에 연결된 출력 노드의 코넥션 웨이트
bo는 출력 노드의 기억된 바이어스.
프로세서는 단계(174)로 진행하여 추정된 냉매 충전량으로서 출력 노드의 계산된 값 y를 기억한다. 단계(176)에서 단계(174)에 20가지의 독립된 냉매 충전량이 기억되었는지에 대한 조회를 행한다. 이러한 가지수의 냉매 충전량이 기억되어 있지 않으면, 프로세서는 단계(176)로 진행하여 스칼라 보간 Anm을 초기화시킨 후 다음 셋트의 센서값을 판독한다. 상술된 바와 같이, 제어기(40)에 의해 센서의 시간 주기 판독에 후속하여 다음 셋트의 센서값을 프로세서에 이용할 것이다. 제어기에 의한 시간 주기 판독은 3분마다인 것이 바람직하다. 이들 새로운 센서 판독은 프로세서(44)에 의해 즉시 판독되고 계산 단계(164, 166, 168, 170 및 172)를 다시 행하므로써 프로세서는 단계(174)에서 추정된 냉매 충전량의 다른 값을 기억할 것이다. 임의 시점에서, 프로세서는 단계(176)에서 20가지의 독립된 셋트의 센서값이 처리된 것을 표시한다. 이것은 프로세서에게 단계(178)로 진행하도록 하게 하여 단계(174) 에서 기억된 추정된 모든 냉매 충전량의 평균이 계산될 것이다. 프로세서는 단계(180)로 진행하여 계산된 평균 냉매 충전량과 도 1의 냉각기 시스템 내의 특정 냉각 회로 A의 공지된 명목 냉매 충전량을 비교할 것이다. 공지된 명목 냉매 충전량은 실행 시간 모드 동작 동안 사용하기 위해 프로세서의 메모리에 기억될 것이다. 추정된 평균 냉매 충전량이 공지된 명목 냉매 충전량미만인 경우, 프로세서는 단계(182)로 진행하여 냉매 충전량이 명목 냉매 충전량으로부터 벗어난 양 또는 실제 계산된 냉매 충전량을 나타내는 미충전 상태를 디스플레이하는 것이 바람직하다. 이러한 디스플에이는 제어 패널의 디스플에이(66) 상에 나타나는 것이 바람직하다. 추정된 평균 냉매 충전량이 명목 냉매 충전량이거나 그 이상인 경우, 프로세서는 단계(184)로 진행한다. 단계(184)에서 평균 냉매 충전량이 공지된 명목 냉매 충전량 이상인지를 조회한다. 아단계(184)에서 응답이 예인 경우, 프로세서는 단계(186)로 진행하여 냉매 충전량이 명목 냉매 충전량을 초과하는 양 또는 실제 계산된 냉매 충전량의 디스플레이를 포함할 수 있는 과충전 상태를 디스플레이한다. 추정된 평균 냉매 충전량이 명목 냉매 충전량과 동일한 경우 프로세서는 단계(188)로 진행할 것이다.
디스플레이 단계(182, 184, 188)를 참조해 보면, 프로세서는 표시된 냉매 충전량 상태 중 하나의 디스플레이로부터 빠져나가 단계(160)로 복구한다. 프로세서는 다시 단계(162)에서 새로운 셋트의 센서값을 판독하기에 앞서 스칼라 보간값을 초기화시킬 것이다. 이들 값은 제어기(40)로부터이용가능한 것으로 표시될 때 프로세서(44)의 메모리 내로 판독 입력될 것이다. 프로세서는 최종적으로 새로운 20가지의 추전된 냉매 충전량을 게산할 것이다. 이들 새로이 계산된 냉매 충전량은 기억된 냉매 충전량값의 이전 평균에 대해 계산된 프로세서의메모리에 사전에 기억된 냉매 충전량값을 대체할 것이다. 프로세서는 그 후 이전에 계산된 냉매 충전량으로부터 새로운 평균을계산할 것이다. 이러한 점에서, 프로세서는 센서 정보의 새로운 20가지 셋트를 연속하여 판독하여 처리하고 각 셋트는 3분 간격으로 연속하여 판독될 것이다. 새로이 디스플레이된 평균 냉매 충전량 상태는 디스플레이(66) 상에 디스플레이될 것이다.
상기로부터 디스플레이는 냉각기 시스템의 냉각 회로 A에 존재하는 냉매 충전량 레벨에 대해 온-고잉 원리(on-going basis)로 이루어진다. 이와 같이 디스플레이된 냉매 충전량은 명목 냉매 충전량에서 마이너스 30%와 플러스 30% 사이에 속하는 냉각기 시스템의 냉각 회로 A의 임의 냉매 충전량을정확하게 반영할 것이다. 계산 및 디스플레이된 냉매 충전량은 명목 냉매 충전량값의 5 내지 7%의 미량 증분에 정확할 것이다. 가시 디스플레이 정보의 결과, 냉각기 시스템의 임의 오퍼레이터는 문제가 냉매 충전량의 레벨에 대해 발생할 때 적절한 조처를 취할 수 있다.
지금까지 본 발명의 특정 실시예에 대해 기술하였다. 당업자라면 수정, 변형 및 개량 실시예가 가능할 것이다. 예를 들어, 프로세서는 제어기없이 센서로부터 데이타를 시기 적절하게 판독하도록 프로그램될 수 있다. 냉각기는 또한개발 동작 모드 동안 신경망값을 정의하고 실행 시간 동작 모드 동안 실시간 냉매 충전량을 계산하는 데 사용되는 센서값에 따라 가변될 수 있다. 냉각 회로 B에서의 냉매량은 각 회로의 공지된 냉매량에 응답하여 트레이닝되는 신경망에 따라 냉각 회로 A에서의 냉매량과 함께 변화될 수 있어 두 회로에서의 결합된 냉매량에 대한 단을 출력 노드를 발생한다. 다르게는, 제2 출력 노드가 신경망 내로 도입될 수 있다. 신경망은 각 출력 노드에서 독립적으로 계산된 각 회로의 냉매량을 발생하도록 트레이닝될 것이다. 따라서, 상술한 바는 본 발명의 단지 일례에 불과한 것으로 본 발명은 첨부된 청구범위와 그 등가물에 의해서만 제한되어져야 한다는 것에 주목해야 할 것이다.

Claims (32)

  1. 가열(heating) 또는 냉각 시스템(cooling system)의 적어도 하나의 냉각 회로에서의 냉매 충전량을 모니터링하기 위한 방법에 있어서,
    상기 가열 또는 냉각 시스템에서 발생하는 감지된 조건값-상기 조건값은 상기 가열 또는 냉각 시스템 내의 여러 장소에 위치되는 다수의 센서에 의해 생성됨-을 판독하는 단계와,
    상기 가열 또는 냉각 시스템에서 발생하는 상기 판독되어진 감지된 조건값을 신경망(neural network)을 통해 상기 판독되어진 감지된 조건값에 기초하는 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에 대한 계산된 냉매 충전량을 발생하도록 처리하는 단계와,
    상기 계산된 냉매 충전량과 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에 대한 명목 냉매 충전량을 비교하는 단계와,
    상기 계산된 냉매 충전량과 상기 명목 냉매 충전량을 비교하는 상기 단계에 응답하여 상기 냉각 회로 중 적어도 하나의 냉각 회로에서의 냉매 충전량에 관한 상태 메시지를 전달하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  2. 제1항에 있어서, 상기 신경망은 제1 노드 어레이를 포함하고, 상기 제1 어레이 내의 각 노드는 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에서의 특정량의 냉매 충전량에 대해 상기 신경망에 의해 학습되어진(learn) 기억값을 포함하고, 상기 판독되어진 감지된 조건값을 상기 신경망을 통해 처리하는 상기 단계는
    상기 제1 어레이 내의 노드 각각에 기억된 상기 학습값에 대한 상기 가열 또는 냉각 시스템에서 발생하는 상기 판독되어진 감지된 조건값의 근접성(proximity)을 판단하는 단계와,
    상기 기억된 노드 학습값에 대한 상기 판독되어진 감지된 조건값의 상기 판단된 근접성에 기초하여 상기 가열 또는 냉각 시스템에서 발생하는 상기 판독되어진 감지된 조건값에 가장 근접한 상기 제1 어레이 내의 노드수를 식별하는 단계를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  3. 제2항에 있어서, 상기 신경망은
    보간 노드(interpolation nodes) 어레이를 더 포함하고, 상기 각 보간 노드는 상기 신경망에 의해 사전에 학습되어진 웨이티드 코넥션(weighted connections)을 통해 상기 제1 어레이 내의 노드에 연결되고,
    상기 제1 어레이 내의 상기 식별된 노드수에 연결된 상기 각 보간 노드의 상기 웨이티드 코넥션값에 기초하여 상기 각 보간 노드의 값을 계산하는 단계를 더 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  4. 제3항에 있어서, 상기 신경망은
    상기 신경망에 의해 사전 학습되어진 웨이티드 코넥션을 통해 상기 각 보간 노드에 연결된 적어도 하나의 출력 노드를 더 포함하고,
    상기 각 보간 노드에 연결된 상기 출력 노드의 상기 웨이티드 코넥션값과 상기 각 보간 노드의 상기 계산값에 기초하여 출력 냉매 충전량값을 계산하는 단계를 더 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  5. 제2항에 있어서, 상기 적어도 하나의 냉각 회로에서의 특정량의 냉매 충전량은 적어도 두가지의 냉매 충전량을 포함하고, 상기 적어도 두가지의 냉매 충전량 중 하나는 상기 가열 또는 냉각 시스템의 상기 적어도 하나의 냉각 회로에서의 명목 냉매 충전량이고, 다른 하나는 상기 명목 냉매 충전량 이하인 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  6. 제2항에 있어서, 상기 적어도 하나의 냉각 회로에서의 특정량의 냉매 충전량은 적어도 두가지의 냉매 충전량을 포함하고, 상기 적어도 두가지의 냉매 충전량 중 하나는 상기 가열 또는 냉각 시스템의 상기 적어도 하나의 냉각 회로에서의 명목 냉매 충전량이고, 다른 하나는 상기 명목 냉매 충전량 이하에 속하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  7. 제1항에 있어서, 상기 가열 또는 냉각 시스템에서 발생하는 상기 감지된 조건값을 판독하는 상기 단계는
    상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 적어도 하나의 압축기에 대해 발생하는 적어도 하나의 감지된 조건값을 판독하는 단계와,
    상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 열 교환기(heat exchanger)에 대해 발생하는 적어도 하나의 감지된 조건값을 판독하는 단계와,
    상기 가열 또는 냉각 시스템의 냉각 회로 내의 상기 열 교환기의 하류(downstream) 및 팽창 밸브의 상류(upstream)에서의 냉매의 감지된 적어도 하나의 온도 상태값을 판독하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  8. 제7항에 있어서, 적어도 하나의 냉각 회로 내의 적어도 하나의 압축기에 대해 발생하는 적어도 하나의 상태값을 판독하는 상기 단계는
    상기 압축기의 입구에서의 상기 압축기의 흡인 온도를 판독하는 단계와,
    상기 압축기의 출구에서의 상기 압축기의 방출 온도를 판독하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  9. 제7항에 있어서, 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 적어도 하나의 열 교환기에 대해 발생하는 적어도 하나의 감지된 조건값을 판독하는 상기 단계는
    공기가 상기 열 교환기로 들어기기 전에 상기 공기의 온도를 판독하는 단계와,
    상기 열 교환기에서 방출되는 상기 공기의 온도를 판독하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  10. 제7항에 있어서,
    상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 적어도 하나의 압축기에 대해 발생하는 적어도 하나의 감지된 상태값을 판독하는 단계와,
    상기 가열 또는 냉각 시스템 내의 다른 냉각 회로에서의 팽창 밸브의 상류에서 상기 다른 냉각 회로에서의 냉매의 적어도 하나의 감지된 상태값을 판독하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량 모니터링 방법.
  11. 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에서의 냉매 충전량을 예측하기 위해 상기 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법에 있어서,
    상기 가열 또는 냉각 시스템이 상기 가열 또는 냉각 시스템의 하나 이상의 냉각 회로에서의 공지된 양의 냉매 충전량에 대해 각종 부하 및 분위기 상태에 종속될 때 상기 가열 또는 냉각 시스템에서 발생하는 감지된 상태에 대한 다수의 데이타 셋트를 기억하는 단계와,
    상기 다수의 기억된 데이타 셋트를 신경망을 통해 반복적으로 처리하되 상기 신경망을 적어도 하나의 냉각 회로에서의 특정 데이타 셋트에 대한 공지된 냉매 충전량을 정확하게 예측하도록 교습시킴으로써 상기 신경망을 사용하여 미지의 냉매 충전량에 대한 상기 가열 또는 냉각 시스템 내에서 발생하는 감지된 상태를 처리하여 상기 감지된 상태에 대한 데이타 셋트에 대해 적어도 하나의 냉각 회로에서의 계산된 냉매 충전량을 발생하는 단계
    를 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  12. 제11항에 있어서, 상기 신경망은 제1 어레이에 배열된 다수의 노드를 포함하고 상기 각 노드는 상기 각 노드에 할당된 한 셋트의 웨이티드 값을 가지고, 상기 신경망은 제2 어레이에 배열된 다수의 보간 노드를 더 포함하고 상기 제2 어레이 내의 상기 보간 노드는 상기 제1 어레이 내의 상기 노드와의 웨이티드 코넥션과 냉매 충전량을 계산하기 위한 출력 노드를 가지고, 상기 출력 노드는 상기 제2 어레이 내의 상기 보간 노드와의 웨이티드 코넥션을 갖는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  13. 제12항에 있어서,
    상기 기억된 데이타 셋트에 대한 상기 반복적인 처리에 응답하여 상기 제1 어레이의 상기 노드와 상기 제2 노드 내의 상기 보간 노드 사이에서의 상기 웨이티드 코넥션을 조정하는 단계와,
    상기 기억된 데이타 셋트에 대한 상기 반복적인 처리에 응답하여 상기 제2 어레이의 상기 보간 노드와 상기 출력 노드 사이에서의 상기 웨이티드 코넥션을 조정하는 단계와,
    상기 조정된 웨이티드 코넥션에 기초하여 냉매 충전량에 대한 새로운 값을 계산하여 모든 노드 사이에서의 상기 조정된 웨이티드 코넥션에 의해 최종적으로는 상기 신경망을 통해 반복적으로 처리되어지는 상기 데이타 셋트에 대한 공지값의 냉매 충전량으로 수렴하는 계산된 냉매 충전량이 발생되는 단계
    를 더 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  14. 제11항에 있어서, 상기 가열 또는 냉각 시스템 내에서 발생하는 감지된 상태에 대한 다수의 데이타 셋트를 기억하는 상기 단계는
    각 데이타 셋트를 상기 가열 또는 냉각 시스템 내의 센서에 의해 생성된 감지된 값을 나타내는 다수의 값으로서 기억하는 단계와,
    상기 감지된 값이 상기 센서에 의해 생성될 때 상기 가열 또는 냉각 시스템에 존재하는 공지된 냉매 충전량을 기억하는 단계
    를 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  15. 제14항에 있어서, 기억된 다수의 데이타 셋트를 신경망을 통해 공지된 냉매 충전량을 예측하도록 상기 신경망을 교습시켜 처리하는 상기 단계는
    (a) 한 셋트의 데이타를 판독하여 상기 판독된 데이타 셋트를 멀티디멘젼 공간(multidimension space)에서의 한 셋트의 좌표 디멘젼으로 기억하는 단계와,
    (b) 멀티디멘젼 공간에서의 상기 좌표 디멘젼 셋트에 근사한 웨이티드 값 셋트를 갖는 상기 제1 노드 어레이 내의 다수의 노드를 식별하는 단계와,
    (c) 상기 제1 어레이 내의 상기 식별된 노드에서의 상기 웨이티드 값 셋트를 조정하되 상기 조정된 웨이티드 값 셋트는 상기 식별된 노드에서의 웨이티드 값 셋트와 사익 판독된 데이타 셋트의 상기 좌표 디멘젼 간의 차의 함수로서 조정되는 단계
    를 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  16. 제15항에 있어서, 클러스터 어레이 내의 상기 식별된 노드에서의 상기 웨이티드 값 셋트는 식별된 각 노드에서의 이전의(old) 웨이티드 값 셋트와 상기 판독된 데이타 셋트의 상기 좌표 디멘젼 값 간의 차의 다수배인 학습 레이트(learning rate)의 값의 함수로서 조정되는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  17. 제15항에 있어서, 상기 (a), (b) 및 (c) 단계는 기억 장치에 기억된 소정의 다수 데이타 셋트가 처리될 때까지 반복되고,
    (d) 상기 학습 레이트의 값을 감소시키는 단계와,
    (e) 상기 학습 레이트의 값이 소정값에 도달하였는지에 대해 조회하는 단계
    를 더 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  18. 제17항에 있어서, 상기 (a), (b), (c), (d) 및 (e) 단계는 상기 학습 레이트가 상기 소정값에 도달할 때까지 반복되고,
    상기 학습 레이트의 값이 상기 소정값에 도달하면 상기 제1 어레이 내의 모든 노드에서의 상기 최종으로 조정된 웨이티드 값을 기억하는 단계
    를 더 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  19. 제12항에 있어서, 데이타 셋트를 판독하는 단계와,
    상기 제1 어레이 내의 상기 노드와 상기 제2 어레이 내의 상기 보간 노드 사이에서의 상기 정해진 다수의 코넥션을 상기 판독된 데이타 셋트에 응답하여 조정하는 단계와,
    상기 제2 어레이 내의 상기 보간 노드와 상기 출력 노드 사이에서의 상기 정해진 다수의 코넥션을 상기 판독된 데이타 셋트에 응답하여 조정함으로써 상기 모든 노드 간에서의 상기 조정된 코넥션에 의해 반복적으로 처리되어지는 상기 데이타 셋트에 대한 공지된 값의 냉매 충전량으로 수렴하는 계산된 냉매 충전량을 최종적으로 발생시키는 단계
    를 더 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  20. 제12항에 있어서, 상기 가열 또는 냉각 시스템 내에서 발생하는 감지된 상태에 대한 다수의 데이타 셋트를 기억하는 상기 단계는
    각 데이타 셋트를 공지된 냉매 충전량에 대한 상기 가열 또는 냉각 시스템 내의 센서에 의해 생성된 감지된 값을 나타내는 다수의 값으로 기억하는 단계와,
    상기 센서가 상기 센서에 의해 생성된 상기 기억된 감지값의 각 셋트에 관련하여 특정 셋트의 값을 생성하였을 때 상기 가열 또는 냉각 시스템 내의 적어도 하나의 냉각 회로에 존재한 상기 공지된 냉매 충전량을 기억함으로써 상기 공지된 냉매 충전량이 상기 기억된 각각의 감지값 셋트에 관련될 수 있는 단계
    를 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  21. 제12항에 있어서, 각 데이타 셋트를 상기 가열 또는 냉각 시스템 내의 센서에 의해 생성된 감지값을 나타내는 다수의 값으로서 기억하는 상기 단계는
    상기 가열 또는 냉각 시스템 내의 압축기의 입구측에 장착된 센서에 의해 생성된 적어도 하나의 감지된 값을 기억하는 단계와,
    상기 압축기의 입구측에 장착된 센서에 의해 생성된 적어도 하나의 감지된 값을 기억하는 단계와,
    상기 가열 또는 냉각 시스템 내의 열 교환기로 들어가는 공기의 온도를 측정하는 센서에 의해 생성된 적어도 하나의 감지된 값을 기억하는 단계와,
    상기 가열 또는 냉각 시스템 내의 열 교환기에서 방출되는 공기의 온도를 측정하는 센서에 의해 생성된 적어도 하나의 감지된 값을 기억하는 단계
    를 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  22. 제21항에 있어서, 각 데이타 셋트를 상기 가열 또는 냉각 시스템 내의 센서에 의해 생성된 감지된 값을 나타내는 다수의 값으로서 기억하는 상기 단계는
    상기 가열 또는 냉각 시스템 내의 팽창 밸브에 대해 장착된 센서에 의해 생성된 냉매 온도의 적어도 하나의 감지된 값을 기억하는 단계
    를 포함하는 것을 특징으로 하는 가열 또는 냉각 시스템의 특성을 학습하기 위한 방법.
  23. 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에 존재하는 냉매 충전량을 모니터링하기 위한 방법에 있어서,
    상기 가열 또는 냉각 시스템 내 여러 장소에 배치된 다수의 센서에 의해 생성된 일정의 감지된 상태값을 반복적으로 판독하는 단계와,
    판독된 값 셋트에서의 기억된 각 값이 멀티디멘젼 공간에서 좌표 디멘젼을 규정하도록 판독된 값의 각 셋트를 소정의 방식으로 기억하는 단계와,
    기억된 값의 각 셋트를 신경망을 통해 처리함으로써 상기 신경망의 출력에서 기억된 값의 각 셋트에 대해 계산된 냉매 충전량이 발생되는 단계와,
    상기 출력 노드에서 소정 횟수의 계산된 냉매 충전량이 발생된 후 상기 기억된 계산된 냉매 충전량의 평균을 계산하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  24. 제23항에 있어서,
    상기 기억된 계산된 냉매 충전량의 상기 계산된 평균을 상기 가열 또는 냉각 시스템 내의 적어도 하나의 냉각 회로에 대한 공지된 명목 냉매 충전량과 비교하는 단계와,
    상기 기억된 냉매 충전량의 상기 계산된 평균이 상기 명목 냉매 충전량 이하일 때 메시지를 발생하는 단계
    를 더 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  25. 제23항에 있어서,
    상기 기억된 계산된 냉매 충전량의 상기 계산된 평균을 상기 가열 또는 냉각 시스템 내의 적어도 하나의 냉각 회로에 대한 공지된 명목 냉매 충전량과 비교하는 단계와,
    상기 기억된 냉매 충전량의 상기 계산된 평균이 상기 명목 냉매 충전량 이하일 때 메시지를 발생하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  26. 제23항에 있어서,
    일정의 감지된 상태값을 반복적으로 판독하는 상기 단계와, 판독된 값의 각 셋트를 기억하는 상기 단계와, 판독된 값의 기억된 각 셋트를 신경망을 통해 처리하는 상기 단계를 반복함으로써 판독된 값의 처리된 각 셋트에 대해 새로이 계산된 냉매 충전량이 발생되는 단계와,
    처리된 값의 각 셋트에 대해 새로이 계산된 냉매 충전량을 기억하는 단계와,
    상기 기억된 새로이 계산된 냉매 충전량의 평균을 계산하는 단계
    를 더 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  27. 제23항에 있어서, 상기 신경망은 제1 노드 어레이에서 다수의 노드를 포함하고 상기 제1 어레이 내의 각 노드는 상기 신경망에 의해 학숩된 기억된값을 포함하고, 상기 신경망을 통해 상기 감지된 상태의 판독값을 처리하는상기 단계는
    상기 제1 어레이 내의 상기 각 노드에서의 상기 기억된 학습값에 대한 상기 가열 또는 냉각 시스템 내의 상기 다수의 센서에 의해 생성된 감지된 상태의 판독 및 기억된 값의 근사성을 판단하는 단계와,
    상기 노드으이 상기 기억된 학습값에 대한 감지된 상태의 상기 판독 및 기억된 값의 상기 판단된 근사성에 기초하여 상기 가열 또는 냉각 시스템 내의 상기 다수의 센서에 의해 생성된 감지된 상태의 상기 판독 및 기억된 값에 가장 근사한 상기 제1 어레이 내의 노드수를 식별하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  28. 제27항에 있어서, 상기 신경망은 보간 노드 어레이를 더 포함하고 상기 각 보간 노드는 상기 신경망에 의해 사전에 학습되어진 웨이티드 코넥션을 통해 상기 제1 어레이 내의 상기 노드에 연결되고,
    상기 제1 어레이 내의 사익 식별된 노드수에 연결된 상기 각 보간 노드의 상기 웨이티드 코넥션의 값에 기초하여 상기 각 보간 노드에서의 값을 계산하는 단계
    를 더 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  29. 제28항에 있어서, 상기 신경망은 상기 신경망에 의해 사전에 학습되어진 상기 웨이티드 코넥션을 통해 상기 각 보간 노드에 연결된 적어도 하나의 출력 노드를 더 포함하고,
    상기 각 보간 노드와의 상기 웨이티드 코넥션의 값과 상기 제1 어레이 내의 상기 각 보간 노드의 계산된 값에 기초하여 추력 냉매 충전량 값을 계산하는 단계
    를 더 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  30. 제23항에 있어서, 상기 신경망은 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 적어도 두 가지의 냉매 충전량에 대해 사전에 학습되어진 신경망 값을 가지고 상기 두 가지 냉매 충전량 중 하나는 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에 대한 명목 냉매 충전량이고 다른 하나는 상기 명목 냉매 충전량 이하에 속하고, 상기 신경망을 통해 각 셋트의 판독값을 처리하는 상기 단계는
    상기 가열 또는 냉각 시스템 내에서 발생하는 감지된 상태의 상기 판독된 값 셋트를 사용하여 학습된 신경망 값들 간의 보간을 행함으로써 계산된 냉매 충전량을 발생하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  31. 제23항에 있어서, 상기 신경망은 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 적어도 두 가지의 냉매 충전량에 대해 사전에 학습되어진 신경망 값을 가지고 상기 두 가지 냉매 충전량 중 하나는 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에 대한 명목 냉매 충전량이고 다른 하나는 상기 명목 냉매 충전량 이상에 속하고, 상기 신경망을 통해 각 셋트의 판독값을 처리하는 상기 단계는
    상기 가열 또는 냉각 시스템 내에서 발생하는 감지된 상태의 상기 판독된 값 셋트를 사용하여 상기 학습된 신경망 값들 간의 보간을 행함으로써 계산된 냉매 충전량을 발생하는 단계
    를 포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
  32. 제23항에 있어서, 상기 신경망은 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로 내의 적어도 세 가지의 냉매 충전량에 대해 사전에 학습되어진 신경망 값을 가지고 상기 세 가지 냉매 충전량 중 하나는 상기 가열 또는 냉각 시스템의 적어도 하나의 냉각 회로에 대한 명목 냉매 충전량이고 다른 두 가지는 상기 명목 냉매 충전량의 상한 및 하한(either side)에 속하고, 상기 신경망을 통해 각 셋트의 판독값을 처리하는 상기 단계는
    상기 가열 또는 냉각 시스템 내에서 발생하는 감지된 상태의 상기 판독된 값 셋트를 사용하여 상기 학습된 신경망 값들 간의 보간을 행함으로써 계산된 냉매 충전량을 발생하는 단계
    포함하는 것을 특징으로 하는 냉각 회로에서의 냉매 충전량을 모니터링하는 방법.
KR1019980021085A 1997-06-06 1998-06-08 냉각 회로에서의 냉매 충전량을 모니터링하는 방법 KR100277219B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US8/869,536 1997-06-06
US08/869,536 US5860286A (en) 1997-06-06 1997-06-06 System monitoring refrigeration charge

Publications (2)

Publication Number Publication Date
KR19990006753A true KR19990006753A (ko) 1999-01-25
KR100277219B1 KR100277219B1 (ko) 2001-03-02

Family

ID=25353744

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1019980021085A KR100277219B1 (ko) 1997-06-06 1998-06-08 냉각 회로에서의 냉매 충전량을 모니터링하는 방법

Country Status (8)

Country Link
US (1) US5860286A (ko)
EP (1) EP0883048B1 (ko)
JP (1) JP3165676B2 (ko)
KR (1) KR100277219B1 (ko)
CN (1) CN1092322C (ko)
AU (1) AU724610B2 (ko)
DE (1) DE69814737T2 (ko)
ES (1) ES2195279T3 (ko)

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2411821A1 (en) * 2000-06-16 2001-12-20 Verisae, Inc. Enterprise asset management system and method
US7474218B2 (en) 2000-06-16 2009-01-06 Verisae, Inc. Method and system of asset identification and tracking for enterprise asset management
US20070096899A1 (en) * 2000-06-16 2007-05-03 Johnson Daniel T System and method for tracking ships and ship cargo
US7512523B2 (en) * 2000-06-16 2009-03-31 Verisae, Inc. Refrigerant loss tracking and repair
US7369968B2 (en) * 2000-06-16 2008-05-06 Verisae, Inc. Enterprise energy management system
US20100121770A1 (en) * 2000-06-16 2010-05-13 Verisae, Inc. System and method for tracking ships and ship cargo
US6470695B2 (en) 2001-02-20 2002-10-29 Rheem Manufacturing Company Refrigerant gauge manifold with built-in charging calculator
US8463441B2 (en) 2002-12-09 2013-06-11 Hudson Technologies, Inc. Method and apparatus for optimizing refrigeration systems
US7440871B2 (en) * 2002-12-09 2008-10-21 Verisae, Inc. Method and system for tracking and reporting emissions
US8000938B2 (en) * 2002-12-09 2011-08-16 Verisae, Inc. Method and system for tracking and managing destruction, reconstitution, or reclamation of regulated substances
US7877235B2 (en) * 2003-01-31 2011-01-25 Verisae, Inc. Method and system for tracking and managing various operating parameters of enterprise assets
AU2003297910A1 (en) * 2002-12-13 2004-07-09 Verisae Notification system
AU2004209301A1 (en) * 2003-02-03 2004-08-19 Verisae Site equipment survey tool
KR100465013B1 (ko) * 2003-07-04 2005-01-13 주식회사 메타켐 전자식 충전압력 표시기
AU2004267826A1 (en) * 2003-08-20 2005-03-03 Verisae, Inc. Electronic payment system
US20050061008A1 (en) * 2003-09-24 2005-03-24 A. Ben-Nakhi Method and apparatus for monitoring an air conditioning / refrigeration unit
JP4396286B2 (ja) * 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
KR100550566B1 (ko) * 2004-02-25 2006-02-10 엘지전자 주식회사 멀티형 히트 펌프의 제어 방법
US7412842B2 (en) 2004-04-27 2008-08-19 Emerson Climate Technologies, Inc. Compressor diagnostic and protection system
US7159408B2 (en) * 2004-07-28 2007-01-09 Carrier Corporation Charge loss detection and prognostics for multi-modular split systems
US7275377B2 (en) 2004-08-11 2007-10-02 Lawrence Kates Method and apparatus for monitoring refrigerant-cycle systems
US7111469B2 (en) * 2004-09-22 2006-09-26 Horan Christopher J Process for refrigerant charge level detection using a neural net
US7134291B2 (en) * 2004-09-22 2006-11-14 Horan Christopher J Process for refrigerant charge level detection using a neural net having one output neuron
JP4120676B2 (ja) * 2005-12-16 2008-07-16 ダイキン工業株式会社 空気調和装置
US20070256434A1 (en) * 2006-05-04 2007-11-08 Kwangtaek Hong Monitoring System for Detecting Low-Charge Condition in a Heat-Exchange System
US7680751B2 (en) * 2006-05-31 2010-03-16 Honeywell International Inc. Neural network based refrigerant charge detection algorithm for vapor compression systems
US7866172B2 (en) * 2006-07-14 2011-01-11 Trane International Inc. System and method for controlling working fluid charge in a vapor compression air conditioning system
US8590325B2 (en) 2006-07-19 2013-11-26 Emerson Climate Technologies, Inc. Protection and diagnostic module for a refrigeration system
US20080216494A1 (en) 2006-09-07 2008-09-11 Pham Hung M Compressor data module
WO2008079111A1 (en) * 2006-12-20 2008-07-03 Carrier Corporation Method for determining refrigerant charge
WO2008079108A1 (en) * 2006-12-20 2008-07-03 Carrier Corporation Refrigerant charge indication
US8261561B2 (en) * 2006-12-28 2012-09-11 Carrier Corporation Free-cooling capacity control for air conditioning systems
US20090171975A1 (en) * 2007-03-06 2009-07-02 Mcconnell Robert S Method and system for tracking carbon credits and other carbon valuation units
US20090037142A1 (en) 2007-07-30 2009-02-05 Lawrence Kates Portable method and apparatus for monitoring refrigerant-cycle systems
US9140728B2 (en) 2007-11-02 2015-09-22 Emerson Climate Technologies, Inc. Compressor sensor module
JP5575784B2 (ja) 2008-10-31 2014-08-20 オプティマム・エナジー，エルエルシー エネルギ消費効率を制御するシステム及び方法
WO2012118830A2 (en) 2011-02-28 2012-09-07 Arensmeier Jeffrey N Residential solutions hvac monitoring and diagnosis
WO2013019537A2 (en) 2011-07-29 2013-02-07 Carrier Corporation Hvac systems
US9759465B2 (en) 2011-12-27 2017-09-12 Carrier Corporation Air conditioner self-charging and charge monitoring system
US9024765B2 (en) 2012-01-11 2015-05-05 International Business Machines Corporation Managing environmental control system efficiency
US8964338B2 (en) 2012-01-11 2015-02-24 Emerson Climate Technologies, Inc. System and method for compressor motor protection
WO2013119489A2 (en) 2012-02-10 2013-08-15 Carrier Corporation Method for detection of loss of refrigerant
US9310439B2 (en) 2012-09-25 2016-04-12 Emerson Climate Technologies, Inc. Compressor having a control and diagnostic module
US9803902B2 (en) 2013-03-15 2017-10-31 Emerson Climate Technologies, Inc. System for refrigerant charge verification using two condenser coil temperatures
US9551504B2 (en) 2013-03-15 2017-01-24 Emerson Electric Co. HVAC system remote monitoring and diagnosis
WO2014144446A1 (en) 2013-03-15 2014-09-18 Emerson Electric Co. Hvac system remote monitoring and diagnosis
AU2014248049B2 (en) 2013-04-05 2018-06-07 Emerson Climate Technologies, Inc. Heat-pump system with refrigerant charge diagnostics
CN105431693B (zh) 2013-08-01 2021-08-24 开利公司 用于制冷系统的制冷剂液位监控
CN104895790B (zh) * 2015-05-19 2017-12-08 西安交通大学 一种具有中间抽气功能的双螺杆压缩机及多温区热泵系统
US10788256B2 (en) * 2016-06-20 2020-09-29 Mitsubishi Electric Corporation Cooling device
FR3056706A1 (fr) * 2016-09-27 2018-03-30 Electricite De France Procede d'auto-parametrage auto-adaptatif d'un systeme de chauffage et de production d'eau chaude sanitaire
US11037330B2 (en) * 2017-04-08 2021-06-15 Intel Corporation Low rank matrix compression
DE102017117370A1 (de) * 2017-08-01 2019-02-07 Vaillant Gmbh Softsensor zur Identifikation und Regelung oder Steuerung eines Wärmepumpensystems
KR102071963B1 (ko) * 2018-03-09 2020-01-31 엘지전자 주식회사 냉매소음 저감형 공기조화기 실내기 및 그 제어 방법
CN109140665A (zh) * 2018-08-31 2019-01-04 珠海格力电器股份有限公司 控制空调的方法、装置和空调装置
WO2023056617A1 (en) * 2021-10-09 2023-04-13 Johnson Controls Tyco IP Holdings LLP Systems and methods for controlling variable refrigerant flow systems using artificial intelligence

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58103669U (ja) * 1982-01-08 1983-07-14 株式会社東芝 冷凍装置
US4660386A (en) * 1985-09-18 1987-04-28 Hansen John C Diagnostic system for detecting faulty sensors in liquid chiller air conditioning system
JPH0350471A (ja) * 1988-12-14 1991-03-05 Nippondenso Co Ltd 冷房装置の冷媒不足検出装置
JPH0692914B2 (ja) * 1989-04-14 1994-11-16 株式会社日立製作所 機器／設備の状態診断システム
US5009076A (en) * 1990-03-08 1991-04-23 Temperature Engineering Corp. Refrigerant loss monitor
US5260526A (en) * 1991-04-29 1993-11-09 Otis Elevator Company Elevator car assignment conditioned on minimum criteria
US5372015A (en) * 1991-07-05 1994-12-13 Kabushiki Kaisha Toshiba Air conditioner controller
US5152152A (en) * 1992-02-10 1992-10-06 Thermo King Corporation Method of determining refrigerant charge
JPH06207766A (ja) * 1992-03-31 1994-07-26 Unisia Jecs Corp 空調装置
JPH06309465A (ja) * 1993-04-21 1994-11-04 Nippon Telegr & Teleph Corp <Ntt> 線図形学習認識方法
US5586445A (en) * 1994-09-30 1996-12-24 General Electric Company Low refrigerant charge detection using a combined pressure/temperature sensor
JP2983853B2 (ja) * 1994-10-19 1999-11-29 三洋電機株式会社 蒸気圧縮式冷凍機
US5539385A (en) * 1995-04-21 1996-07-23 Carrier Corporation System for monitoring condenser pressure
JPH09113077A (ja) * 1995-10-16 1997-05-02 Matsushita Refrig Co Ltd 空気調和機
JPH09178306A (ja) * 1995-12-22 1997-07-11 Denso Corp 冷凍サイクル装置

Also Published As

Publication number Publication date
AU724610B2 (en) 2000-09-28
EP0883048A1 (en) 1998-12-09
AU6992298A (en) 1998-12-10
ES2195279T3 (es) 2003-12-01
JP3165676B2 (ja) 2001-05-14
CN1092322C (zh) 2002-10-09
KR100277219B1 (ko) 2001-03-02
JPH1183246A (ja) 1999-03-26
US5860286A (en) 1999-01-19
EP0883048B1 (en) 2003-05-21
DE69814737D1 (de) 2003-06-26
DE69814737T2 (de) 2004-03-25
CN1202604A (zh) 1998-12-23

Similar Documents

Publication Publication Date Title
KR100277219B1 (ko) 냉각 회로에서의 냉매 충전량을 모니터링하는 방법
JP2993563B2 (ja) 屋外熱交換器コイルを監視するためのシステム
AU727224B2 (en) System for monitoring expansion valve
US5009076A (en) Refrigerant loss monitor
Swider et al. Modelling of vapour-compression liquid chillers with neural networks
US7159408B2 (en) Charge loss detection and prognostics for multi-modular split systems
US20210018209A1 (en) Building management system with triggered feedback set-point signal for persistent excitation
Rossi et al. Minimizing operating costs of vapor compression equipment with optimal service scheduling
KR20190117094A (ko) 기후 모사에 기반하여 공기조화기 성능을 평가하는 장치 및 평가 방법
Chow et al. Applying neural network and genetic algorithm in chiller system optimization
US20060059924A1 (en) Process for refrigerant charge level detection using a neural net having one output neuron
Payne et al. A data-clustering technique for fault detection and diagnostics in field-assembled air conditioners
Ejenakevwe et al. Review of fault detection and diagnosis studies on residential HVAC systems
WO2021256119A1 (ja) 異常検出装置、プログラムおよび電気機器システム
JPH09184662A (ja) 空気調和機
Heo et al. Self-Training of a Fault-Free Model for Residential Air Conditioner Fault Detection and Diagnostics
CN115169079A (zh) 空调热负荷计算方法、装置、电子设备和存储介质
CN114659583A (zh) 气液分离器的液位检测方法、装置、云端服务器及介质
JP7372630B2 (ja) 推定装置、推定方法及びプログラム
Rueda et al. Fault detection and diagnosis in liquid chillers
KR102583019B1 (ko) 고장 예측 기능을 구비한 인공지능 냉장고
Assawamartbunlue et al. Refrigerant leakage detection and diagnosis for a distributed refrigeration system
US20230304713A1 (en) Refrigerant Quantity Diagnosis Device, Refrigerant System, and Refrigerant Quantity Diagnosis Method
CN117091273A (zh) 一种中央空调系统自适应学习数据模型的控制方法及装置
JP2023178242A (ja) 蒸気圧縮サイクルの動作を監視するためのシステムおよび方法

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20090930

Year of fee payment: 10

LAPS Lapse due to unpaid annual fee