KR20190103086A - 지능형 진단 디바이스와 이를 구비하는 냉장고 - Google Patents

지능형 진단 디바이스와 이를 구비하는 냉장고 Download PDF

Info

Publication number
KR20190103086A
KR20190103086A KR1020190099974A KR20190099974A KR20190103086A KR 20190103086 A KR20190103086 A KR 20190103086A KR 1020190099974 A KR1020190099974 A KR 1020190099974A KR 20190099974 A KR20190099974 A KR 20190099974A KR 20190103086 A KR20190103086 A KR 20190103086A
Authority
KR
South Korea
Prior art keywords
sound
refrigerator
processor
diagnostic device
operation sound
Prior art date
Application number
KR1020190099974A
Other languages
English (en)
Inventor
한준수
양영훈
엄용환
정준성
한초록
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190099974A priority Critical patent/KR20190103086A/ko
Publication of KR20190103086A publication Critical patent/KR20190103086A/ko
Priority to US16/685,144 priority patent/US11614278B2/en

Links

Images

Classifications

    • 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
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F25D29/006—Safety devices
    • 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
    • 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
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F25D29/008—Alarm devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G08B13/19639—Details of the system layout
    • G08B13/19647—Systems specially adapted for intrusion detection in or around a vehicle
    • G08B13/1965—Systems specially adapted for intrusion detection in or around a vehicle the vehicle being an aircraft
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H04W72/21—Control channels or signalling for resource management in the uplink direction of a wireless link, i.e. towards the network
    • 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
    • F25B2500/00—Problems to be solved
    • F25B2500/12—Sound
    • 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
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2400/00—General features of, or devices for refrigerators, cold rooms, ice-boxes, or for cooling or freezing apparatus not covered by any other subclass
    • F25D2400/36—Visual displays
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0232—Processing in the frequency domain
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 발명의 지능형 진단 디바이스는 냉장고에서 발생하는 제1 작동음을 집음하고, 집음된 상기 제1 작동음을 저장하는 집음부, 상기 집음부에 저장된 상기 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 상기 기준음을 기반으로 기준음범위를 설정하는 기준음설정부 및 상기 기준음범위가 설정된 이후에 상기 냉장고에서 발생하는 제2 작동음을 상기 집음부를 통해 집음하고, 상기 제2 작동음과 상기 기준음범위를 비교하고, 비교된 결과에 따라 상기 냉장고에 대한 고장여부를 진단하는 프로세서를 포함한다.
본 발명의 지능형 진단 디바이스는, 사용자 단말기 및 서버 중 하나 이상이 인공 지능(Artificail Intelligenfce) 모듈, 드론(Unmanned Aerial Vehicle, UAV), 로봇, 증강 현실(Augmented Reality, AR) 장치, 가상 현실(virtual reality, VR) 장치, 5G 서비스와 관련된 장치 등과 연계될 수 있다.

Description

지능형 진단 디바이스와 이를 구비하는 냉장고{Intelligent inspection devices and refrigerator with same}
본 발명은 지능형 진단 디바이스와 이를 구비하는 냉장고에 관한 것으로, 더욱 자세하게는 냉장고에서 발생되는 소음을 집음하고, 집음된 소음을 정상 동작음과 비교 학습하여 인공지능형 학습 결과에 따라 냉장고의 고장여부를 진단할 수 있는 지능형 진단 디바이스와 이를 구비하는 냉장고에 관한 것이다.
일반적으로 냉장고는 복수의 펌프와 모터과 배치되었다. 복수의 펌프와 모터를 계속해서 사용하는 냉장고는 고장의 위험에 노출되어 있으며, 연속적으로 사용하는 시간이 길수록 고장의 위험성은 한층 높아진다.
냉장고는 고장이 난 후에 사후 조치를 취하는 경우에는 비용도 많이 지출될 뿐만 아니라 필요할 때에 사용하지 못하는 불편을 초래하게 된다. 따라서, 냉장고의 고장을 미리 예측할 수 있는 고장 예측에 대한 관심이 높아지고 있다.
그러나, 일반적인 고장 예측은 냉장고에 대한 전문적인 지식을 가지고 있는 숙련된 사람에 의해 이루어지거나, 복잡하고 값비싼 장치를 이용하여 이루어지기 때문에 일반인이 간편하게 제품에 대한 고장여부를 진단할 수 없다는 문제점이 있다.
본 발명은 전술한 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은 냉장고에서 발생되는 소음을 집음하고, 집음된 소음을 정상 동작음과 비교 학습하여 인공지능형 학습 결과에 따라 냉장고의 고장여부를 진단할 수 있는 지능형 진단 디바이스와 이를 구비하는 냉장고를 제공하는데 그 목적이 있다.
본 발명의 일 실시 예에 따른 지능형 진단 디바이스는 냉장고에서 발생하는 제1 작동음을 집음하고, 집음된 상기 제1 작동음을 저장하는 집음부; 상기 집음부에 저장된 상기 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 상기 기준음을 기반으로 기준음범위를 설정하는 기준음설정부; 및 상기 기준음범위가 설정된 이후에 상기 냉장고에서 발생하는 제2 작동음을 상기 집음부를 통해 집음하고, 상기 제2 작동음과 상기 기준음범위를 비교하고, 비교된 결과에 따라 상기 냉장고에 대한 고장여부를 진단하는 프로세서;를 포함한다.
또한, 상기 집음부를 통해 집음되는 상기 제1 작동음 또는 상기 제2 작동음에서 노이즈를 제거하는 노이즈 제거부;를 더 포함할 수 있다.
또한, 상기 프로세서는, 상기 제1 작동음 또는 상기 제2 작동음에 대한 주파수 특성을 추출하고, 추출된 상기 주파수 특성을 기초하여 상기 제1 작동음 또는 상기 제2 작동음에서 상기 노이즈를 제거하도록 상기 노이즈 제거부를 제어하는 것을 포함할 수 있다.
또한, 네트워크를 통해 지정된 서버와 통신을 연결하고, 상기 프로세서에서 진단되는 결과를 상기 서버에 전송하고, 상기 서버로부터 그에 대응하는 판단을 피드백하는 통신부;를 포함할 수 있다.,
또한, 상기 냉장고의 제1 작동음은, 가정에 처음 설치거나 재설치된 후, 소정의 시간 동안 집음한 소리인 것을 포함할 수 있다.
또한, 상기 냉장고의 제1 작동음은, 상기 냉장고에 설치된 기계실에서 발생되는 떨림음, 상기 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 상기 냉장고에 장착된 파이프에 흐르는 냉매음, 상기 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나인 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 냉장고와의 거리에 대응하여 상기 주파수 특성을 다르게 설정하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고, 상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하고, 이에 대응하는 판단을 피드백하는 것을 포함할 수 있다.
또한, 상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고, 고장 진단 프로그램을 실행시켜 상기 진단한 결과에 대응하는 판단을 디스플레이하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 고장 진단 프로그램에서 상기 판단을 검색하지 못한 경우에, 상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하여, 이에 대응하는 판단을 피드백하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 지능형 진단 디바이스에서 진단되는 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 진단되는 상기 결과 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 포함할 수 있다.
또한, 상기 프로세서는, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 진단되는 상기 결과 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고, 상기 AI 프로세싱된 정보는, 상기 냉장고의 고장 상태 또는 상기 냉장고의 이상 상태 중 어느 하나로 판단한 정보인 것을 포함할 수 있다.
또한, 본 발명의 일 실시 예에 따른 지능형 진단 디바이스를 구비한 냉장고는 냉장실과 냉동실을 포함하는 본체와 상기 본체에 장착되어 상기 냉장실 또는 상기 냉동실에서 발생되는 제1 작동음 또는 제2 작동음을 집음하고, 집음된 상기 제1 작동음 또는 상기 제2 작동음을 학습하고, 분석하여 상기 냉장실 또는 상기 냉동실에 대한 고장여부를 진단하는 지능형 진단 디바이스를 포함하고, 상기 지능형 진단 디바이스는, 냉장고에서 발생하는 제1 작동음을 집음하고, 집음된 상기 제1 작동음을 저장하는 집음부; 상기 집음부에 저장된 상기 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 상기 기준음을 기반으로 기준음범위를 설정하는 기준음설정부; 및 상기 기준음범위가 설정된 이후에 상기 냉장고에서 발생하는 제2 작동음을 상기 집음부를 통해 집음하고, 상기 제2 작동음과 상기 기준음범위를 비교하고, 비교된 결과에 따라 상기 냉장고에 대한 고장여부를 진단하는 프로세서;를 포함한다.
또한, 상기 집음부를 통해 집음되는 상기 제1 작동음 또는 상기 제2 작동음에서 노이즈를 제거하는 노이즈 제거부;를 더 포함할 수 있다.
또한, 상기 프로세서는, 상기 제1 작동음 또는 상기 제2 작동음에 대한 주파수 특성을 추출하고, 추출된 상기 주파수 특성을 기초하여 상기 제1 작동음 또는 상기 제2 작동음에서 상기 노이즈를 제거하도록 상기 노이즈 제거부를 제어하는 것을 포함할 수 있다.
또한, 네트워크를 통해 지정된 서버와 통신을 연결하고, 상기 프로세서에서 진단되는 결과를 상기 서버에 전송하고, 상기 서버로부터 그에 대응하는 판단을 피드백하는 통신부;를 포함할 수 있다.
또한, 상기 냉장고의 제1 작동음은, 가정에 처음 설치거나 재설치된 후, 소정의 시간 동안 집음한 소리인 것을 포함할 수 있다.
또한, 상기 냉장고의 제1 작동음은, 상기 냉장고에 설치된 기계실에서 발생되는 떨림음, 상기 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 상기 냉장고에 장착된 파이프에 흐르는 냉매음, 상기 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나인 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 냉장고와의 거리에 대응하여 상기 주파수 특성을 다르게 설정하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고, 상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하고, 이에 대응하는 판단을 피드백하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고, 고장 진단 프로그램을 실행시켜 상기 진단부에서 진단한 결과에 대응하는 판단을 디스플레이하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 고장 진단 프로그램에서 상기 판단을 검색하지 못한 경우에, 상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하여, 이에 대응하는 판단을 피드백하는 것을 포함할 수 있다.
또한, 상기 프로세서는, 상기 지능형 진단 디바이스에서 진단되는 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고, 진단되는 상기 결과 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 것을 포함할 수 있다.
또한, SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고, 진단되는 상기 결과 정보는 PUSCH를 통해 상기 네트워크로 전송되며, 상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 것을 포함할 수 있다.
상기 프로세서는, 상기 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고, 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고, 상기 AI 프로세싱된 정보는, 상기 냉장고의 고장 상태 또는 상기 냉장고의 이상 상태 중 어느 하나로 판단한 정보인 것을 포함할 수 있다.
또한, 상기 지능형 진단 디바이스는 상기 냉장고에 노트온 기능이 턴 온되면, 상기 집음부를 통해 상기 제2 작동음을 집음하는 것을 포함할 수 있다.
본 발명에 따른 지능형 진단 디바이스와 이를 구비하는 냉장고의 효과에 대해 설명하면 다음과 같다.
또한, 본 발명은 냉장고에서 발생되는 소음을 집음하고, 집음된 소음을 정상 동작음과 비교 학습하여 인공지능형 학습 결과에 따라 냉장고의 고장여부를 진단함으로써, 서비스를 개선시킬 수 있다.
본 발명은 냉장고에서 발생되는 소음을 집음하고, 집음된 소음을 정상 동작음과 비교 학습하여 인공지능형 학습 결과에 따라 냉장고의 고장여부를 정확하게 진단함으로써, 고객의 불편함을 현저하게 줄일 수 있다.
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
도 4는 본 발명의 일실시 예에 따른 지능형 진단 디바이스를 설명하기 위한 도이다.
도 5는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
도 6은 본 발명의 일 실시예에 따른 지능형 진단 디바이스와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 7은 본 발명의 일실시 예에 따른 지능형 진단 디바이스를 이용하여 냉장고를 진단하는 방법을 설명하기 위한 순서도이다.
도 8은 본 발명의 일 실시예에서 소음을 진단하는 예를 설명하기 위한 도면이다.
도 9는 본 발명의 일 실시예에서 냉장고의 고장여부 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
도 10은 본 발명의 일실시 예에 따라 냉장고의 소음을 측정하기 위한 것을 설명하기 위한 도이다.
도 11은 본 발명의 일실시 예에 따라 진단한 결과를 디스플레이하는 것을 설명하기 위한 도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
A. UE 및 5G 네트워크 블록도 예시
도 1은 본 명세서에서 제안하는 방법들이 적용될 수 있는 무선 통신 시스템의 블록 구성도를 예시한다.
도 1을 참조하면, AI 모듈을 포함하는 장치(AI 장치)를 제1 통신 장치로 정의(910)하고, 프로세서(911)가 AI 상세 동작을 수행할 수 있다.
AI 장치와 통신하는 다른 장치(AI 서버)를 포함하는 5G 네트워크를 제2 통신 장치(920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제1 통신 장치로, AI 장치가 제2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제1 통신 장치 또는 상기 제2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, AI(Artificial Intelligence) 장치 등일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털 방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기(smartwatch), 글래스형 단말기(smart glass), HMD(head mounted display)) 등을 포함할 수 있다. 예를 들어, HMD는 머리에 착용하는 형태의 디스플레이 장치일 수 있다. 예를 들어, HMD는 VR, AR 또는 MR을 구현하기 위해 사용될 수 있다. 도 1을 참고하면, 제1 통신 장치(910)와 제2 통신 장치(920)은 프로세서(processor, 911,921), 메모리(memory, 914,924), 하나 이상의 Tx/Rx RF 모듈(radio frequency module, 915,925), Tx 프로세서(912,922), Rx 프로세서(913,923), 안테나(916,926)를 포함한다. Tx/Rx 모듈(915)은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)은 각각의 안테나(926)를 통해 신호를 전송한다. 프로세서는 앞서 살핀 기능, 과정 및/또는 방법을 구현한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다. 보다 구체적으로, DL(제1 통신 장치에서 제2 통신 장치로의 통신)에서, 전송(TX) 프로세서(912)는 L1 계층(즉, 물리 계층)에 대한 다양한 신호 처리 기능을 구현한다. 수신(RX) 프로세서는 L1(즉, 물리 계층)의 다양한 신호 프로세싱 기능을 구현한다.
UL(제2 통신 장치에서 제1 통신 장치로의 통신)은 제2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)은 각각의 안테나(926)를 통해 신호를 수신한다. 각각의 Tx/Rx 모듈은 RF 반송파 및 정보를 RX 프로세서(923)에 제공한다. 프로세서(921)는 프로그램 코드 및 데이터를 저장하는 메모리(924)와 관련될 수 있다. 메모리는 컴퓨터 판독 가능 매체로서 지칭될 수 있다.
B. 무선 통신 시스템에서 신호 송/수신 방법
도 2는 무선 통신 시스템에서 신호 송/수신 방법의 일례를 나타낸 도이다.
도 2를 참고하면, UE는 전원이 켜지거나 새로이 셀에 진입한 경우 BS와 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다(S201). 이를 위해, UE는 BS로부터 1차 동기 채널(primary synchronization channel, P-SCH) 및 2차 동기 채널(secondary synchronization channel, S-SCH)을 수신하여 BS와 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다. LTE 시스템과 NR 시스템에서 P-SCH와 S-SCH는 각각 1차 동기 신호(primary synchronization signal, PSS)와 2차 동기 신호(secondary synchronization signal, SSS)로 불린다. 초기 셀 탐색 후, UE는 BS로부터 물리 브로드캐스트 채널(physical broadcast channel, PBCH)를 수신하여 셀 내 브로드캐스트 정보를 획득할 수 있다. 한편, UE는 초기 셀 탐색 단계에서 하향링크 참조 신호(downlink reference Signal, DL RS)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 UE는 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(physical downlink shared Channel, PDSCH)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S202).
한편, BS에 최초로 접속하거나 신호 전송을 위한 무선 자원이 없는 경우 UE는 BS에 대해 임의 접속 과정(random access procedure, RACH)을 수행할 수 있다(단계 S203 내지 단계 S206). 이를 위해, UE는 물리 임의 접속 채널(physical random access Channel, PRACH)을 통해 특정 시퀀스를 프리앰블로서 전송하고(S203 및 S205), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 임의 접속 응답(random access response, RAR) 메시지를 수신할 수 있다(S204 및 S206). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 과정(contention resolution procedure)를 수행할 수 있다.
상술한 바와 같은 과정을 수행한 UE는 이후 일반적인 상향링크/하향링크 신호 전송 과정으로서 PDCCH/PDSCH 수신(S207) 및 물리 상향링크 공유 채널(physical uplink shared Channel, PUSCH)/물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 전송(S208)을 수행할 수 있다. 특히 UE는 PDCCH를 통하여 하향링크 제어 정보(downlink control information, DCI)를 수신한다. UE는 해당 탐색 공간 설정(configuration)들에 따라 서빙 셀 상의 하나 이상의 제어 요소 세트(control element set, CORESET)들에 설정된 모니터링 기회(occasion)들에서 PDCCH 후보(candidate)들의 세트를 모니터링한다. UE가 모니터할 PDCCH 후보들의 세트는 탐색 공간 세트들의 면에서 정의되며, 탐색 공간 세트는 공통 탐색 공간 세트 또는 UE-특정 탐색 공간 세트일 수 있다. CORESET은 1~3개 OFDM 심볼들의 시간 지속기간을 갖는 (물리) 자원 블록들의 세트로 구성된다. 네트워크는 UE가 복수의 CORESET들을 갖도록 설정할 수 있다. UE는 하나 이상의 탐색 공간 세트들 내 PDCCH 후보들을 모니터링한다. 여기서 모니터링이라 함은 탐색 공간 내 PDCCH 후보(들)에 대한 디코딩 시도하는 것을 의미한다. UE가 탐색 공간 내 PDCCH 후보들 중 하나에 대한 디코딩에 성공하면, 상기 UE는 해당 PDCCH 후보에서 PDCCH를 검출했다고 판단하고, 상기 검출된 PDCCH 내 DCI를 기반으로 PDSCH 수신 혹은 PUSCH 전송을 수행한다. PDCCH는 PDSCH 상의 DL 전송들 및 PUSCH 상의 UL 전송들을 스케줄링하는 데 사용될 수 있다. 여기서 PDCCH 상의 DCI는 하향링크 공유 채널과 관련된, 변조(modulation) 및 코딩 포맷과 자원 할당(resource allocation) 정보를 적어도 포함하는 하향링크 배정(assignment)(즉, downlink grant; DL grant), 또는 상향링크 공유 채널과 관련된, 변조 및 코딩 포맷과 자원 할당 정보를 포함하는 상향링크 그랜트(uplink grant; UL grant)를 포함한다.
도 2를 참고하여, 5G 통신 시스템에서의 초기 접속(Initial Access, IA) 절차에 대해 추가적으로 살펴본다.
UE는 SSB에 기반하여 셀 탐색(search), 시스템 정보 획득, 초기 접속을 위한 빔 정렬, DL 측정 등을 수행할 수 있다. SSB는 SS/PBCH(Synchronization Signal/Physical Broadcast channel) 블록과 혼용된다.
SSB는 PSS, SSS와 PBCH로 구성된다. SSB는 4개의 연속된 OFDM 심볼들에 구성되며, OFDM 심볼별로 PSS, PBCH, SSS/PBCH 또는 PBCH가 전송된다. PSS와 SSS는 각각 1개의 OFDM 심볼과 127개의 부반송파들로 구성되고, PBCH는 3개의 OFDM 심볼과 576개의 부반송파들로 구성된다.
셀 탐색은 UE가 셀의 시간/주파수 동기를 획득하고, 상기 셀의 셀 ID(Identifier)(예, Physical layer Cell ID, PCI)를 검출하는 과정을 의미한다. PSS는 셀 ID 그룹 내에서 셀 ID를 검출하는데 사용되고, SSS는 셀 ID 그룹을 검출하는데 사용된다. PBCH는 SSB (시간) 인덱스 검출 및 하프-프레임 검출에 사용된다.
336개의 셀 ID 그룹이 존재하고, 셀 ID 그룹 별로 3개의 셀 ID가 존재한다. 총 1008개의 셀 ID가 존재한다. 셀의 셀 ID가 속한 셀 ID 그룹에 관한 정보는 상기 셀의 SSS를 통해 제공/획득되며, 상기 셀 ID 내 336개 셀들 중 상기 셀 ID에 관한 정보는 PSS를 통해 제공/획득된다
SSB는 SSB 주기(periodicity)에 맞춰 주기적으로 전송된다. 초기 셀 탐색 시에 UE가 가정하는 SSB 기본 주기는 20ms로 정의된다. 셀 접속 후, SSB 주기는 네트워크(예, BS)에 의해 {5ms, 10ms, 20ms, 40ms, 80ms, 160ms} 중 하나로 설정될 수 있다.
다음으로, 시스템 정보 (system information; SI) 획득에 대해 살펴본다.
SI는 마스터 정보 블록(master information block, MIB)와 복수의 시스템 정보 블록(system information block, SIB)들로 나눠진다. MIB 외의 SI는 RMSI(Remaining Minimum System Information)으로 지칭될 수 있다. MIB는 SIB1(SystemInformationBlock1)을 나르는 PDSCH를 스케줄링하는 PDCCH의 모니터링을 위한 정보/파라미터를 포함하며 SSB의 PBCH를 통해 BS에 의해 전송된다. SIB1은 나머지 SIB들(이하, SIBx, x는 2 이상의 정수)의 가용성(availability) 및 스케줄링(예, 전송 주기, SI-윈도우 크기)과 관련된 정보를 포함한다. SIBx는 SI 메시지에 포함되며 PDSCH를 통해 전송된다. 각각의 SI 메시지는 주기적으로 발생하는 시간 윈도우(즉, SI-윈도우) 내에서 전송된다.
도 2를 참고하여, 5G 통신 시스템에서의 임의 접속(Random Access, RA) 과정에 대해 추가적으로 살펴본다.
임의 접속 과정은 다양한 용도로 사용된다. 예를 들어, 임의 접속 과정은 네트워크 초기 접속, 핸드오버, UE-트리거드(triggered) UL 데이터 전송에 사용될 수 있다. UE는 임의 접속 과정을 통해 UL 동기와 UL 전송 자원을 획득할 수 있다. 임의 접속 과정은 경쟁 기반(contention-based) 임의 접속 과정과 경쟁 프리(contention free) 임의 접속 과정으로 구분된다. 경쟁 기반의 임의 접속 과정에 대한 구체적인 절차는 아래와 같다.
UE가 UL에서 임의 접속 과정의 Msg1로서 임의 접속 프리앰블을 PRACH를 통해 전송할 수 있다. 서로 다른 두 길이를 가지는 임의 접속 프리앰블 시퀀스들이 지원된다. 긴 시퀀스 길이 839는 1.25 및 5 kHz의 부반송파 간격(subcarrier spacing)에 대해 적용되며, 짧은 시퀀스 길이 139는 15, 30, 60 및 120 kHz의 부반송파 간격에 대해 적용된다.
BS가 UE로부터 임의 접속 프리앰블을 수신하면, BS는 임의 접속 응답(random access response, RAR) 메시지(Msg2)를 상기 UE에게 전송한다. RAR을 나르는 PDSCH를 스케줄링하는 PDCCH는 임의 접속(random access, RA) 무선 네트워크 임시 식별자(radio network temporary identifier, RNTI)(RA-RNTI)로 CRC 마스킹되어 전송된다. RA-RNTI로 마스킹된 PDCCH를 검출한 UE는 상기 PDCCH가 나르는 DCI가 스케줄링하는 PDSCH로부터 RAR을 수신할 수 있다. UE는 자신이 전송한 프리앰블, 즉, Msg1에 대한 임의 접속 응답 정보가 상기 RAR 내에 있는지 확인한다. 자신이 전송한 Msg1에 대한 임의 접속 정보가 존재하는지 여부는 상기 UE가 전송한 프리앰블에 대한 임의 접속 프리앰블 ID가 존재하는지 여부에 의해 판단될 수 있다. Msg1에 대한 응답이 없으면, UE는 전력 램핑(power ramping)을 수행하면서 RACH 프리앰블을 소정의 횟수 이내에서 재전송할 수 있다. UE는 가장 최근의 경로 손실 및 전력 램핑 카운터를 기반으로 프리앰블의 재전송에 대한 PRACH 전송 전력을 계산한다.
상기 UE는 임의 접속 응답 정보를 기반으로 상향링크 공유 채널 상에서 UL 전송을 임의 접속 과정의 Msg3로서 전송할 수 있다. Msg3은 RRC 연결 요청 및 UE 식별자를 포함할 수 있다. Msg3에 대한 응답으로서, 네트워크는 Msg4를 전송할 수 있으며, 이는 DL 상에서의 경쟁 해결 메시지로 취급될 수 있다. Msg4를 수신함으로써, UE는 RRC 연결된 상태에 진입할 수 있다.
C. 5G 통신 시스템의 빔 관리(Beam Management, BM) 절차
BM 과정은 (1) SSB 또는 CSI-RS를 이용하는 DL BM 과정과, (2) SRS(sounding reference signal)을 이용하는 UL BM 과정으로 구분될 수 있다. 또한, 각 BM 과정은 Tx 빔을 결정하기 위한 Tx 빔 스위핑과 Rx 빔을 결정하기 위한 Rx 빔 스위핑을 포함할 수 있다.
SSB를 이용한 DL BM 과정에 대해 살펴본다.
SSB를 이용한 빔 보고(beam report)에 대한 설정은 RRC_CONNECTED에서 채널 상태 정보(channel state information, CSI)/빔 설정 시에 수행된다.
- UE는 BM을 위해 사용되는 SSB 자원들에 대한 CSI-SSB-ResourceSetList를 포함하는 CSI-ResourceConfig IE를 BS로부터 수신한다. RRC 파라미터 csi-SSB-ResourceSetList는 하나의 자원 세트에서 빔 관리 및 보고를 위해 사용되는 SSB 자원들의 리스트를 나타낸다. 여기서, SSB 자원 세트는 {SSBx1, SSBx2, SSBx3, SSBx4, ?}으로 설정될 수 있다. SSB 인덱스는 0부터 63까지 정의될 수 있다.
- UE는 상기 CSI-SSB-ResourceSetList에 기초하여 SSB 자원들 상의 신호들을 상기 BS로부터 수신한다.
- SSBRI 및 참조 신호 수신 전력(reference signal received power, RSRP)에 대한 보고와 관련된 CSI-RS reportConfig가 설정된 경우, 상기 UE는 최선(best) SSBRI 및 이에 대응하는 RSRP를 BS에게 보고한다. 예를 들어, 상기 CSI-RS reportConfig IE의 reportQuantity가 'ssb-Index-RSRP'로 설정된 경우, UE는 BS으로 최선 SSBRI 및 이에 대응하는 RSRP를 보고한다.
UE는 SSB와 동일한 OFDM 심볼(들)에 CSI-RS 자원이 설정되고, 'QCL-TypeD'가 적용 가능한 경우, 상기 UE는 CSI-RS와 SSB가 'QCL-TypeD' 관점에서 유사 동일 위치된(quasi co-located, QCL) 것으로 가정할 수 있다. 여기서, QCL-TypeD는 공간(spatial) Rx 파라미터 관점에서 안테나 포트들 간에 QCL되어 있음을 의미할 수 있다. UE가 QCL-TypeD 관계에 있는 복수의 DL 안테나 포트들의 신호들을 수신 시에는 동일한 수신 빔을 적용해도 무방하다.
다음으로, CSI-RS를 이용한 DL BM 과정에 대해 살펴본다.
CSI-RS를 이용한 UE의 Rx 빔 결정(또는 정제(refinement)) 과정과 BS의 Tx 빔 스위핑 과정에 대해 차례대로 살펴본다. UE의 Rx 빔 결정 과정은 반복 파라미터가 'ON'으로 설정되며, BS의 Tx 빔 스위핑 과정은 반복 파라미터가 'OFF'로 설정된다.
먼저, UE의 Rx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'ON'으로 세팅되어 있다.
- UE는 상기 RRC 파라미터 'repetition'이 'ON'으로 설정된 CSI-RS 자원 세트 내의 자원(들) 상에서의 신호들을 BS의 동일 Tx 빔(또는 DL 공간 도메인 전송 필터)을 통해 서로 다른 OFDM 심볼에서 반복 수신한다.
- UE는 자신의 Rx 빔을 결정한다.
- UE는 CSI 보고를 생략한다. 즉, UE는 상가 RRC 파라미터 'repetition'이 'ON'으로 설정된 경우, CSI 보고를 생략할 수 있다.
다음으로, BS의 Tx 빔 결정 과정에 대해 살펴본다.
- UE는 'repetition'에 관한 RRC 파라미터를 포함하는 NZP CSI-RS resource set IE를 RRC 시그널링을 통해 BS로부터 수신한다. 여기서, 상기 RRC 파라미터 'repetition'이 'OFF'로 세팅되어 있으며, BS의 Tx 빔 스위핑 과정과 관련된다.
- UE는 상기 RRC 파라미터 'repetition'이 'OFF'로 설정된 CSI-RS 자원 세트 내의 자원들 상에서의 신호들을 BS의 서로 다른 Tx 빔(DL 공간 도메인 전송 필터)을 통해 수신한다.
- UE는 최상의(best) 빔을 선택(또는 결정)한다.
- UE는 선택된 빔에 대한 ID(예, CRI) 및 관련 품질 정보(예, RSRP)를 BS으로 보고한다. 즉, UE는 CSI-RS가 BM을 위해 전송되는 경우 CRI와 이에 대한 RSRP를 BS으로 보고한다.
다음으로, SRS를 이용한 UL BM 과정에 대해 살펴본다.
- UE는 'beam management'로 설정된 (RRC 파라미터) 용도 파라미터를 포함하는 RRC 시그널링(예, SRS-Config IE)를 BS로부터 수신한다. SRS-Config IE는 SRS 전송 설정을 위해 사용된다. SRS-Config IE는 SRS-Resources의 리스트와 SRS-ResourceSet들의 리스트를 포함한다. 각 SRS 자원 세트는 SRS-resource들의 세트를 의미한다.
- UE는 상기 SRS-Config IE에 포함된 SRS-SpatialRelation Info에 기초하여 전송할 SRS 자원에 대한 Tx 빔포밍을 결정한다. 여기서, SRS-SpatialRelation Info는 SRS 자원별로 설정되고, SRS 자원별로 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용할지를 나타낸다.
- 만약 SRS 자원에 SRS-SpatialRelationInfo가 설정되면 SSB, CSI-RS 또는 SRS에서 사용되는 빔포밍과 동일한 빔포밍을 적용하여 전송한다. 하지만, SRS 자원에 SRS-SpatialRelationInfo가 설정되지 않으면, 상기 UE는 임의로 Tx 빔포밍을 결정하여 결정된 Tx 빔포밍을 통해 SRS를 전송한다.
다음으로, 빔 실패 복구(beam failure recovery, BFR) 과정에 대해 살펴본다.
빔포밍된 시스템에서, RLF(Radio Link Failure)는 UE의 회전(rotation), 이동(movement) 또는 빔포밍 블로키지(blockage)로 인해 자주 발생할 수 있다. 따라서, 잦은 RLF가 발생하는 것을 방지하기 위해 BFR이 NR에서 지원된다. BFR은 무선 링크 실패 복구 과정과 유사하고, UE가 새로운 후보 빔(들)을 아는 경우에 지원될 수 있다. 빔 실패 검출을 위해, BS는 UE에게 빔 실패 검출 참조 신호들을 설정하고, 상기 UE는 상기 UE의 물리 계층으로부터의 빔 실패 지시(indication)들의 횟수가 BS의 RRC 시그널링에 의해 설정된 기간(period) 내에 RRC 시그널링에 의해 설정된 임계치(threshold)에 이르면(reach), 빔 실패를 선언(declare)한다. 빔 실패가 검출된 후, 상기 UE는 PCell 상의 임의 접속 과정을 개시(initiate)함으로써 빔 실패 복구를 트리거하고, 적절한(suitable) 빔을 선택하여 빔 실패 복구를 수행한다(BS가 어떤(certain) 빔들에 대해 전용 임의 접속 자원들을 제공한 경우, 이들이 상기 UE에 의해 우선화된다). 상기 임의 접속 절차의 완료(completion) 시, 빔 실패 복구가 완료된 것으로 간주된다.
D. URLLC (Ultra-Reliable and Low Latency Communication)
NR에서 정의하는 URLLC 전송은 (1) 상대적으로 낮은 트래픽 크기, (2) 상대적으로 낮은 도착 레이트(low arrival rate), (3) 극도의 낮은 레이턴시 요구사항(requirement)(예, 0.5, 1ms), (4) 상대적으로 짧은 전송 지속기간(duration)(예, 2 OFDM symbols), (5) 긴급한 서비스/메시지 등에 대한 전송을 의미할 수 있다. UL의 경우, 보다 엄격(stringent)한 레이턴시 요구 사항(latency requirement)을 만족시키기 위해 특정 타입의 트래픽(예컨대, URLLC)에 대한 전송이 앞서서 스케줄링된 다른 전송(예컨대, eMBB)과 다중화(multiplexing)되어야 할 필요가 있다. 이와 관련하여 한 가지 방안으로, 앞서 스케줄링 받은 UE에게 특정 자원에 대해서 프리엠션(preemption)될 것이라는 정보를 주고, 해당 자원을 URLLC UE가 UL 전송에 사용하도록 한다.
NR의 경우, eMBB와 URLLC 사이의 동적 자원 공유(sharing)이 지원된다. eMBB와 URLLC 서비스들은 비-중첩(non-overlapping) 시간/주파수 자원들 상에서 스케줄될 수 있으며, URLLC 전송은 진행 중인(ongoing) eMBB 트래픽에 대해 스케줄된 자원들에서 발생할 수 있다. eMBB UE는 해당 UE의 PDSCH 전송이 부분적으로 펑처링(puncturing)되었는지 여부를 알 수 없을 수 있고, 손상된 코딩된 비트(corrupted coded bit)들로 인해 UE는 PDSCH를 디코딩하지 못할 수 있다. 이 점을 고려하여, NR에서는 프리엠션 지시(preemption indication)를 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)로 지칭될 수도 있다.
프리엠션 지시와 관련하여, UE는 BS로부터의 RRC 시그널링을 통해 DownlinkPreemption IE를 수신한다. UE가 DownlinkPreemption IE를 제공받으면, DCI 포맷 2_1을 운반(convey)하는 PDCCH의 모니터링을 위해 상기 UE는 DownlinkPreemption IE 내 파라미터 int-RNTI에 의해 제공된 INT-RNTI를 가지고 설정된다. 상기 UE는 추가적으로 servingCellID에 의해 제공되는 서빙 셀 인덱스들의 세트를 포함하는 INT-ConfigurationPerServing Cell에 의해 서빙 셀들의 세트와 positionInDCI에 의해 DCI 포맷 2_1 내 필드들을 위한 위치들의 해당 세트를 가지고 설정되고, dci-PayloadSize에 의해 DCI 포맷 2_1을 위한 정보 페이로드 크기를 가지고 설졍되며, timeFrequencySect에 의한 시간-주파수 자원들의 지시 입도(granularity)를 가지고 설정된다.
상기 UE는 상기 DownlinkPreemption IE에 기초하여 DCI 포맷 2_1을 상기 BS로부터 수신한다.
UE가 서빙 셀들의 설정된 세트 내 서빙 셀에 대한 DCI 포맷 2_1을 검출하면, 상기 UE는 상기 DCI 포맷 2_1이 속한 모니터링 기간의 바로 앞(last) 모니터링 기간의 PRB들의 세트 및 심볼들의 세트 중 상기 DCI 포맷 2_1에 의해 지시되는 PRB들 및 심볼들 내에는 상기 UE로의 아무런 전송도 없다고 가정할 수 있다. 예를 들어, UE는 프리엠션에 의해 지시된 시간-주파수 자원 내 신호는 자신에게 스케줄링된 DL 전송이 아니라고 보고 나머지 자원 영역에서 수신된 신호들을 기반으로 데이터를 디코딩한다.
E. mMTC (massive MTC )
mMTC(massive Machine Type Communication)은 많은 수의 UE와 동시에 통신하는 초연결 서비스를 지원하기 위한 5G의 시나리오 중 하나이다. 이 환경에서, UE는 굉장히 낮은 전송 속도와 이동성을 가지고 간헐적으로 통신하게 된다. 따라서, mMTC는 UE를 얼마나 낮은 비용으로 오랫동안 구동할 수 있는지를 주요 목표로 하고 있다. mMTC 기술과 관련하여 3GPP에서는 MTC와 NB(NarrowBand)-IoT를 다루고 있다.
mMTC 기술은 PDCCH, PUCCH, PDSCH(physical downlink shared channel), PUSCH 등의 반복 전송, 주파수 호핑(hopping), 리튜닝(retuning), 가드 구간(guard period) 등의 특징을 가진다.
즉, 특정 정보를 포함하는 PUSCH(또는 PUCCH(특히, long PUCCH) 또는 PRACH) 및 특정 정보에 대한 응답을 포함하는 PDSCH(또는 PDCCH)가 반복 전송된다. 반복 전송은 주파수 호핑(frequency hopping)을 통해 수행되며, 반복 전송을 위해, 제1 주파수 자원에서 제2 주파수 자원으로 가드 구간(guard period)에서 (RF)리튜닝(retuning)이 수행되고, 특정 정보 및 특정 정보에 대한 응답은 협대역(narrowband)(ex. 6 RB (resource block) or 1 RB)을 통해 송/수신될 수 있다.
F. 5G 통신을 이용한 AI 기본 동작
도 3은 5G 통신 시스템에서 사용자 단말과 5G 네트워크의 기본동작의 일 예를 나타낸다.
UE는 특정 정보 전송을 5G 네트워크로 전송한다(S1). 그리고, 상기 5G 네트워크는 상기 특정 정보에 대한 5G 프로세싱을 수행한다(S2). 여기서, 5G 프로세싱은 AI 프로세싱을 포함할 수 있다. 그리고, 상기 5G 네트워크는 AI 프로세싱 결과를 포함하는 응답을 상기 UE로 전송한다(S3).
G. 5G 통신 시스템에서 사용자 단말과 5G 네트워크 간의 응용 동작
이하, 도 1 및 도 2와 앞서 살핀 무선 통신 기술(BM 절차, URLLC, Mmtc 등)을 참고하여 5G 통신을 이용한 AI 동작에 대해 보다 구체적으로 살펴본다.
먼저, 후술할 본 발명에서 제안하는 방법과 5G 통신의 eMBB 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 S1 단계 및 S3 단계와 같이, UE가 5G 네트워크와 신호, 정보 등을 송/수신하기 위해, UE는 도 3의 S1 단계 이전에 5G 네트워크와 초기 접속(initial access) 절차 및 임의 접속(random access) 절차를 수행한다.
보다 구체적으로, UE는 DL 동기 및 시스템 정보를 획득하기 위해 SSB에 기초하여 5G 네트워크와 초기 접속 절차를 수행한다. 상기 초기 접속 절차 과정에서 빔 관리(beam management, BM) 과정, 빔 실패 복구(beam failure recovery) 과정이 추가될 수 있으며, UE가 5G 네트워크로부터 신호를 수신하는 과정에서 QCL(quasi-co location) 관계가 추가될 수 있다.
또한, UE는 UL 동기 획득 및/또는 UL 전송을 위해 5G 네트워크와 임의 접속 절차를 수행한다. 그리고, 상기 5G 네트워크는 상기 UE로 특정 정보의 전송을 스케쥴링하기 위한 UL grant를 전송할 수 있다. 따라서, 상기 UE는 상기 UL grant에 기초하여 상기 5G 네트워크로 특정 정보를 전송한다. 그리고, 상기 5G 네트워크는 상기 UE로 상기 특정 정보에 대한 5G 프로세싱 결과의 전송을 스케쥴링하기 위한 DL grant를 전송한다. 따라서, 상기 5G 네트워크는 상기 DL grant에 기초하여 상기 UE로 AI 프로세싱 결과를 포함하는 응답을 전송할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 URLLC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
앞서 설명한 바와 같이, UE가 5G 네트워크와 초기 접속 절차 및/또는 임의 접속 절차를 수행한 후, UE는 5G 네트워크로부터 DownlinkPreemption IE를 수신할 수 있다. 그리고, UE는 DownlinkPreemption IE에 기초하여 프리엠션 지시(pre-emption indication)을 포함하는 DCI 포맷 2_1을 5G 네트워크로부터 수신한다. 그리고, UE는 프리엠션 지시(pre-emption indication)에 의해 지시된 자원(PRB 및/또는 OFDM 심볼)에서 eMBB data의 수신을 수행(또는 기대 또는 가정)하지 않는다. 이후, UE는 특정 정보를 전송할 필요가 있는 경우 5G 네트워크로부터 UL grant를 수신할 수 있다.
다음으로, 후술할 본 발명에서 제안하는 방법과 5G 통신의 mMTC 기술이 적용되는 응용 동작의 기본 절차에 대해 설명한다.
도 3의 단계들 중 mMTC 기술의 적용으로 달라지는 부분 위주로 설명하기로 한다.
도 3의 S1 단계에서, UE는 특정 정보를 5G 네트워크로 전송하기 위해 5G 네트워크로부터 UL grant를 수신한다. 여기서, 상기 UL grant는 상기 특정 정보의 전송에 대한 반복 횟수에 대한 정보를 포함하고, 상기 특정 정보는 상기 반복 횟수에 대한 정보에 기초하여 반복하여 전송될 수 있다. 즉, 상기 UE는 상기 UL grant에 기초하여 특정 정보를 5G 네트워크로 전송한다. 그리고, 특정 정보의 반복 전송은 주파수 호핑을 통해 수행되고, 첫 번째 특정 정보의 전송은 제1 주파수 자원에서, 두 번째 특정 정보의 전송은 제2 주파수 자원에서 전송될 수 있다. 상기 특정 정보는 6RB(Resource Block) 또는 1RB(Resource Block)의 협대역(narrowband)을 통해 전송될 수 있다.
앞서 살핀 5G 통신 기술은 후술할 본 발명에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 발명에서 제안하는 방법들의 기술적 특징을 구체화하거나 명확하게 하는데 보충될 수 있다.
도 4는 본 발명의 일실시 예에 따라 지능형 냉장고를 설명하기 위한 도이다.
도 4를 참조하면, 본 발명의 일실시 예에 따른 지능형 냉장고(100)는 냉장실(11)과 냉동실(12)을 구비하는 냉장고 본체(10)와 냉장고 본체(10)의 냉장실(11)과 냉동실(12)을 개폐하는 냉장실 도어(13) 및 냉동실 도어(14)를 포함할 수 있다.
지능형 냉장고(100)는 지능형 진단 디바이스(110)를 포함할 수 있다. 지능형 진단 디바이스(미도시)는 지능형 냉장고(100)에 장착되거나 분리될 수 있다. 지능형 냉장고(100)는 냉장고라 칭할 수 있다.
지능형 진단 디바이스(110)는 냉장고(100)에서 발생하는 제1 작동음을 집음하고, 집음된 제1 작동음을 저장하는 집음부(111), 집음부(111)에 저장된 제1 작동음과 기설정된 냉장고(100)의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 기준음을 기반으로 기준음범위를 설정하는 기준음설정부(112) 및 기준음범위가 설정된 이후에 냉장고(100)에서 발생하는 제2 작동음을 집음부(111)를 통해 집음하고, 제2 작동음과 기준음범위를 비교하고, 비교된 결과에 따라 냉장고(100)에 대한 고장여부를 진단하는 프로세서(113)를 포함할 수 있다.
제1 작동음은 가정에 처음 설치거나 재설치된 후, 소정의 시간 동안 집음한 소리일 수 있다. 즉, 제1 작동음은 전문가에 의해 처음으로 설치되거나 이사한 후 재설치된 후, 처음 작동하는 냉장고에서 발생하는 소음일 수 있다. 예를 들어, 제1 작동음은 냉장고에 설치된 기계실에서 발생되는 떨림음, 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 냉장고에 장착된 파이프에 흐르는 냉매음, 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나인 것을 포함할 수 있다.
제2 작동음은 기준음범위가 설정된 이후에 냉장고에서 발생하는 소음일 수 있다. 프로세서는 집음부를 통해 제1 작동음이 집음되면, 기준음설정부를 제어하여 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 기준음을 기반으로 기준음범위를 설정할 수 있다.
기설정된 냉장고의 정상음은 공장에서 생산되어 전문가의 점검을 모두 마친 상태에서 발생하는 냉장고의 소음으로 정의될 수 있다. 냉장고의 정상음은 모든 냉장고에서 실질적으로 오차범위 내에서 동일한 값을 가질 수 있다.
기준음은 제1 작동음과 정상음을 기초로 학습된 결과 값으로, 설치되는 장소에 따라 서로 다른 값을 가질 수 있다. 기준음은 냉장고가 설치되는 주변 환경에 따라 달라질 수 있다. 예를 들어, 가정에 설치되는 냉장고와 매장에 설치되는 냉장고 각각의 정상음은 실질적으로 동일할 수 있으나, 기준음은 다를 수 있다.
도 5는 본 발명의 일 실시예에 따른 AI 장치의 블록도이다.
상기 AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 상기 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, 상기 AI 장치(20)는 도 4에 도시된 지능형 냉장고(100) 또는 지능형 진단 디바이스(110)의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
상기 AI 프로세싱은, 도 4에 도시된 지능형 진단 디바이스(110)의 구동과 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 지능형 진단 디바이스(110)는 센싱 데이터를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다. 또한, 예를 들어, 지능형 진단 디바이스는 냉장고 내에 구비된 다른 전자 기기와의 인터랙션(interaction)을 통해 획득되는 데이터를 AI 프로세싱 하여 냉장실의 고장여부를 진단할 수 있다.
상기 AI 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
상기 AI 장치(20)는 신경망을 학습할 수 있는 컴퓨팅 장치로서, 서버, 데스크탑 PC, 노트북 PC, 태블릿 PC 등과 같은 다양한 전자 장치로 구현될 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 냉장고의 고장진단과 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 냉장고의 고장진단과 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하는, 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다. 여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
한편, 전술한 바와 같은 기능을 수행하는 프로세서는 범용 프로세서(예를 들어, CPU)일 수 있으나, 인공지능 학습을 위한 AI 전용 프로세서(예를 들어, GPU)일 수 있다.
메모리(25)는 AI 장치(20)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 메모리(25)는 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등으로 구현할 수 있다. 메모리(25)는 AI 프로세서(21)에 의해 액세스되며, AI 프로세서(21)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 또한, 메모리(25)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델(26))을 저장할 수 있다.
한편, AI 프로세서(21)는 데이터 분류/인식을 위한 신경망을 학습하는 데이터 학습부(22)를 포함할 수 있다. 데이터 학습부(22)는 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 데이터 학습부(22)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
데이터 학습부(22)는 적어도 하나의 하드웨어 칩 형태로 제작되어 AI 장치(20)에 탑재될 수 있다. 예를 들어, 데이터 학습부(22)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 AI 장치(20)에 탑재될 수도 있다. 또한, 데이터 학습부(22)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
데이터 학습부(22)는 학습 데이터 획득부(23) 및 모델 학습부(24)를 포함할 수 있다.
학습 데이터 획득부(23)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(23)는 학습 데이터로서, 신경망 모델에 입력하기 위한 지능형 냉장고에 설치된 기계실에서 발생되는 떨림음, 지능형 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 지능형 냉장고에 장착된 파이프에 흐르는 냉매음, 지능형 냉장고에 장착된 팬에서 발생되는 팬음을 획득할 수 있다.
모델 학습부(24)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이때 모델 학습부(24)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또는 모델 학습부(24)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(24)는 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(24)는 학습된 신경망 모델을 메모리(25)에 저장할 수 있다. 모델 학습부(24)는 학습된 신경망 모델을 AI 장치(20)와 유선 또는 무선 네트워크로 연결된 서버의 메모리에 저장할 수도 있다.
데이터 학습부(22)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는, 모델 학습부(24)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는, 학습 데이터 획득부(23)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(24)에 제공될 수 있다. 예를 들어, 학습 데이터 선택부는, 지능형 냉장고에 설치된 기계실에서 발생되는 떨림음, 지능형 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 지능형 냉장고에 장착된 파이프에 흐르는 냉매음, 지능형 냉장고에 장착된 팬에서 발생되는 팬음을 통해 획득한 데이터 중 특정 기간 동안 검출함으로써, 특정 기간에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 데이터 학습부(22)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
모델 평가부는, 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(22)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식 모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식 모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
통신부(27)는 AI 프로세서(21)에 의한 AI 프로세싱 결과를 외부 전자 기기로 전송할 수 있다.
여기서 외부 전자 기기는 사용자의 스마트 기기로 정의될 수 있다. 또한, AI 장치(20)는 지능형 진단 디바이스와 통신하는 다른 사용자의 스마트 기기 또는 5G 네트워크로 정의될 수 있다. 한편, AI 장치(20)는 지능형 진단 디바이스 내에 구비된 AI 모듈에 기능적으로 임베딩되어 구현될 수도 있다. 또한, 5G 네트워크는 AI 관련 제어를 수행하는 서버 또는 모듈을 포함할 수 있다.
한편, 도 5에 도시된 AI 장치(20)는 AI 프로세서(21)와 메모리(25), 통신부(27) 등으로 기능적으로 구분하여 설명하였지만, 전술한 구성요소들이 하나의 모듈로 통합되어 AI 모듈로 호칭될 수도 있음을 밝혀둔다.
도 6은 본 발명의 실시예에 따른 지능형 냉장고와 AI 장치가 연계된 시스템을 설명하기 위한 도면이다.
도 6을 참조하면, 지능형 냉장고(100)는 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 지능형 냉장고(100)로 전송할 수 있다. AI 장치(20)는 도 5에 설명한 내용을 참조할 수 있다.
지능형 냉장고(100)는 메모리(180), 메인 프로세서(170), 전원 공급부(190)를 포함할 수 있으며, 메인 프로세서(170)는 AI 프로세서(171)를 더 구비할 수 있다. 또한, 지능형 냉장고(100)는 지능형 냉장고(100) 내에 구비되는 적어도 하나의 전자 장치와 유선 또는 무선으로 연결되어 지능형 냉장고(100)의 구동 또는 내부 온도 제어에 필요한 데이터를 교환할 수 있는 인터페이스부를 포함할 수 있다. 인터페이스부를 통해 연결된 적어도 하나의 전자 장치는 지능형 진단 디바이스(110), 통신부(160), 메인 ECU(140), 모터 구동부(130) 및 센싱부(120)를 포함할 수 있다.
인터페이스부는 통신 모듈, 단자, 핀, 케이블, 포트, 회로, 소자 및 장치 중 적어도 어느 하나로 구성될 수 있다.
메모리(180)는 메인 프로세서(170)와 전기적으로 연결된다. 메모리(180)는 유닛에 대한 기본데이터, 유닛의 동작 제어를 위한 제어 데이터, 입출력되는 데이터를 저장할 수 있다. 메모리(180)는 메인 프로세서(170)에서 처리된 데이터를 저장할 수 있다. 메모리(180)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 중 적어도 어느 하나로 구성될 수 있다. 메모리(180)는 메인 프로세서(170)의 처리 또는 제어를 위한 프로그램 등, 지능형 냉장고(100)에 대한 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 예를 들어, 메모리(180)는 지능형 진단 디바이스(110)에 구비된 집음부(도 4 참조)를 통해 집음되는 제1 작동음, 제2 작동음, 정상음, 기준음 등을 저장할 수 있다.
메모리(180)는 메인 프로세서(170)와 일체형으로 구현될 수 있다. 실시예에 따라, 메모리(180)는 메인 프로세서(170)의 하위 구성으로 분류될 수 있다.
전원 공급부(190)는 지능형 냉장고(100)에 전원을 공급할 수 있다. 전원 공급부(190)는 지능형 냉장고(100)에 포함된 파워 소스로부터 전원을 공급받아, 냉장고의 각 유닛에 전원을 공급할 수 있다. 전원 공급부(190)는 메인 ECU(140)로부터 제공되는 제어 신호에 따라 동작될 수 있다. 전원 공급부(190)는 SMPS(switched-mode power supply)를 포함할 수 있다.
메인 프로세서(170)는 메모리(180), 인터페이스부, 전원 공급부(190)와 전기적으로 연결되어 신호를 교환할 수 있다. 메인 프로세서(110)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
메인 프로세서(170)는 전원 공급부(190)로부터 제공되는 전원에 의해 구동될 수 있다. 메인 프로세서(170)는 전원 공급부(190)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
메인 프로세서(170)는 인터페이스부를 통해, 지능형 냉장고(100) 내 다른 전자 장치로부터 정보를 수신할 수 있다. 메인 프로세서(170)는 인터페이스부를 통해, 지능형 냉장고(100) 내 다른 전자 장치로 제어 신호를 제공할 수 있다.
메인 프로세서(170)는 지능형 진단 디바이스(110)를 이용하여 기준음범위가 설정된 이후에 지능형 냉장고(100)에서 발생하는 제2 작동음을 집음부를 통해 집음하고, 제2 작동음과 기준음범위를 비교하고, 비교된 결과에 따라 지능형 냉장고에 대한 고장여부를 진단할 수 있다. 메인 프로세서(170)는 냉장고 프로세서(110) 또는 냉장고 제어부(110)라 칭할 수 있다.
지능형 냉장고(100)는 적어도 하나의 인쇄 회로 기판(printed circuit board, PCB)을 포함할 수 있다. 메모리(180), 인터페이스부, 전원 공급부(190) 및 메인 프로세서(170)는 인쇄 회로 기판에 전기적으로 연결될 수 있다.
이하, 인터페이스부와 연결된 메인 프로세서(170) 내 다른 전자 장치 및 AI 프로세서(111)에 대하여 보다 구체적으로 설명한다.
지능형 진단 디바이스(110)는 도 5에서 설명한 바와 같이, 집음부(111), 기준음 설정부(112) 및 프로세서(113)를 포함할 수 있다.
집음부(111)는 지능형 냉장고(100)에서 발생하는 제1 작동음 또는 제2 작동음을 집음하고, 집음된 제1 작동음 또는 제2 작동음을 메모리(180)에 저장할 수 있다. 집음부(111)는 지능형 냉장고(100)에 적어도 하나 이상이 배치될 수 있다.
지능형 냉장고(100)의 제1 작동음은 가정에 처음 설치거나 재설치된 후, 소정의 시간 동안 집음한 소리일 수 있다. 예를 들어, 지능형 냉장고(100)의 제1 작동음은 지능형 냉장고(100)에 설치된 기계실(미도시)에서 발생되는 떨림음, 지능형 냉장고(100)에 장착된 컴프레서(미도시)에서 발생되는 컴프음, 지능형 냉장고(100)에 장착된 파이프(미도시)에 흐르는 냉매음, 지능형 냉장고(100)에 장착된 팬(미도시)에서 발생되는 팬음 중 적어도 하나일 수 있다.
기준음설정부(112)는 집음부(111)에 저장된 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 기준음을 기반으로 기준음범위를 설정할 수 있다.
노이즈 제거부(114)는 집음부(111)를 통해 집음되는 제1 작동음 또는 제2 작동음에서 노이즈를 제거할 수 있다. 노이즈 제거부(114)는 집음부(111)에 의해 집음되는 주변의 여러 소음 또는 진동들 중에서 선택된 제품의 제품음원 파라미터 또는 제품진동 파라미터와 동일 또는 유사한 음원 또는 진동을 제외한 다른 소음 또는 진동을 제거할 수 있다. 노이즈 제거부(114)는 다른 소음 또는 진동에 대응하는 반대 음파 또는 파형을 생성하여 결합함으로써 선택된 제품에 대응하는 음원 또는 진동만을 남길 수 있다.
프로세서(113)는 노이즈가 제거된 제2 작동음과 기준음범위를 비교하여 냉장고에 대한 이상여부 또는 고장여부를 진단할 수 있다. 예를 들어, 프로세서(113)는 음원 파라미터 또는 진동 파라미터에 기초하여 제1 작동음 또는 제2 작동음에 대응하는 특정 제품의 주파수 특성을 이용하여 기준음범위를 설정할 수 있다. 진단부(115)는 설정된 기준음범위를 기초하여 제2 작동음을 비교하고, 비교된 결과를 딥러닝(deep learning) 알고리즘을 이용함으로써, 냉장고에 대한 이상여부 또는 고장여부를 진단할 수 있다.
즉, 프로세서(113)는 기준음범위가 설정된 이후에 지능형 냉장고(100)에서 발생하는 제2 작동음을 집음부(111)를 통해 집음하고, 제2 작동음과 기준음범위를 비교하고, 비교된 결과에 따라 지능형 냉장고(100)에 대한 고장여부를 진단할 수 있다.
프로세서(113)는 제1 작동음 또는 상기 제2 작동음에 대한 주파수 특성을 추출하고, 추출된 주파수 특성을 기초하여 제1 작동음 또는 제2 작동음에서 노이즈를 제거하도록 노이즈 제거부(114)를 제어할 수 있다.
한편, 냉장고(100)는 적어도 하나의 센서를 통해 획득된 데이터를 통신부(160)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 데이터에 신경망 모델(26)을 적용함으로써 생성된 AI 프로세싱 데이터를 냉장고(100)로 전송할 수 있다. 냉장고(100)는 수신된 AI 프로세싱 데이터에 기초하여 작동음에 대한 정보를 인식하고, 상기 인식한 작동음에 대한 정보를 이용하여 냉장고에 대한 고장여부를 인식할 수 있다.
또한, 통신부(160)는 냉장고(100)의 외부에 위치하는 디바이스와 신호를 교환할 수 있다. 통신부(160)는 스마트 기기 또는 스마트 단말기 중 적어도 어느 하나와 신호를 교환할 수 있다. 통신부(160)는 통신을 수행하기 위해 송신 안테나, 수신 안테나, 각종 통신 프로토콜이 구현 가능한 RF(Radio Frequency) 회로 및 RF 소자 중 적어도 어느 하나를 포함할 수 있다.
메인 ECU(140)는, 냉장고(100) 내에 구비되는 적어도 하나의 전자 장치의 전반적인 동작을 제어할 수 있다.
모터 구동부(130)는 냉장고(100) 내 각종 구동 장치를 전기적으로 제어하는 장치이다. 예를 들어 모터 구동부(130)는 압축기, 증발기, 응축기를 제어할 수 있다. 모터 구동부(130)는 적어도 하나의 전자적 제어 장치(예를 들면, 제어 ECU(Electronic Control Unit))를 포함할 수 있다.
센싱부(120)는 냉장고(100)의 상태를 센싱할 수 있다. 센싱부(120)는 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 소리 센서 중 적어도 어느 하나를 포함할 수 있다.
AI 프로세서(171)는 적어도 하나의 센서에서 생성되는 센싱 데이터에 신경망 모델을 적용함으로써, 냉장고(100)의 AI 프로세싱 데이터를 생성할 수 있다. 상기 신경망 모델을 적용하여 생성되는 AI 프로세싱 데이터는 냉장고에 설치된 기계실에서 발생되는 떨림음, 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 냉장고에 장착된 파이프에 흐르는 냉매음, 상기 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나를 포함할 수 있다.
냉장고(100)는 적어도 하나의 센서를 통해 획득된 센싱 데이터를 통신부(22)를 통해 AI 장치(20)로 전송하고, AI 장치(20)가, 전달된 센싱 데이터에 신경망 모델(26)을 적용함으로써, 생성된 AI 프로세싱 데이터를 냉장고(100)로 전송할 수 있다.
일 실시예에 따라, AI 프로세서(111)는 센싱부(120)에서 센싱되는 복수의 데이터에 기초하여 딥러닝 연산을 수행하고, 생성된 AI 프로세싱 데이터에 기초하여 냉장고(100)의 내부 온도 데이터를 보정할 수 있다.
냉장고(100)는, 내부 통신 시스템(미도시)을 포함할 수 있다. 냉장고(100)에 포함되는 복수의 전자 장치는 내부 통신 시스템(50)을 매개로 신호를 교환할 수 있다. 신호에는 데이터가 포함될 수 있다. 내부 통신 시스템(미도시)은, 적어도 하나의 통신 프로토콜(예를 들면, CAN, LIN, FlexRay, MOST, 이더넷)을 이용할 수 있다.
AI 프로세서(111)는, 냉장고(100)에 구비된 적어도 하나의 센서, 외부 기기로부터 수신된 소음 관련 정보를 신경망 모델에 적용할 수 있다.
이상, 본 발명의 일 실시예에 따른 냉장고를 제어하는 방법을 구현하기 위하여 필요한 5G 통신 및 상기 5G 통신을 적용하여 AI 프로세싱을 수행하고, AI 프로세싱 결과를 송수신하기 위한 개략적인 내용을 살펴보았다.
이하, 본 발명의 일 실시예에 따라 냉장고(100)에서 발생하는 제1 작동음 또는 제2 작동음에 기초하여 냉장고(100)의 고장여부 상태에 대하여 소극적으로 개입하거나 적극적 개입하는 구체적인 방법에 대하여 필요한 도면들을 참조하여 설명한다.
도 7은 본 발명의 일실시 예에 따른 지능형 진단 디바이스를 이용하여 냉장고를 진단하는 방법을 설명하기 위한 순서도이다.
도 7을 참조하면, 지능형 진단 디바이스는 소음을 아래와 같은 순서로 진단할 수 있다.
프로세서는 냉장고에 장착되는 집음부를 통해 냉장고 소음 데이터를 확보할 수 있다(S110). 프로세서는 집음부를 제어하여 냉장고에서 발생하는 제1 작동음 또는 제2 작동음을 집음함으로써, 냉장고 소음 데이터를 확보할 수 있다.
프로세서는 확보된 냉장고 소음 데이터를 가공할 수 있다(S120). 프로세서는 확보된 냉장고 소음 데이터를 가공하고, 가공된 냉장고 소음 데이터를 적어도 하나 이상의 소음원으로 분류할 수 있다. 즉, 분류된 소음원은 냉장고의 불량에 따라 다른 소음을 발생하는 분류될 수 있다.
프로세서는 가공된 소음 데이터를 딥러닝 학습할 수 있다(S120). 프로세서는 심층 신경망(Deep Neural Network, DNN)을 포함할 수 있다. 심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진　인공신경망(Artificial Neural Network, ANN)일 수 있다. 심층 신경망은 일반적인　인공신경망과 마찬가지로 복잡한　비선형　관계(non-linear relationship)들을　모델링할 수 있다. 예를 들어, 물체 식별　모델을 위한 심층 신경망 구조에서는 각 물체가 영상의 기본적 요소들의 계층적 구성으로 표현될 수 있다.　이때, 추가 계층들은 점진적으로 모여진 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된　인공신경망에 비해 더 적은 수의　유닛(unit, node)들 만으로도 복잡한　데이터를　모델링할 수 있다.
프로세서는 분류된 소음원을 심층 신경망(Deep Neural Network, DNN)에 적용시킴으로써, 냉장고 Type 또는 소음원에 따른 모듈별 학습할 수 있다. 프로세서는 분류된 소음원을 심층 신경망(Deep Neural Network, DNN)에 적용시킴으로써, 다양한 환경 조건을 고려한 데이터 수집/ 학습 등을 할 수 있다.
프로세서는 적어도 하나 이상의 집음부를 이용하여 냉장고의 작동음을 실시간으로 센싱할 수 있다(S140).
프로세서는 센싱된 제1 작동음 또는 제2 작동음을 진단할 수 있다(S150). 프로세서는 센싱된 제1 작동음 또는 제2 작동음에 대한 주파수 특성을 추출하고, 추출된 주파수 특성을 기초하여 제1 작동음 또는 제2 작동음에서 노이즈를 제거할 수 있다. 프로세서는 추출된 제1 작동음 또는 제2 작동음의 주파수 특성을 기준음범위와 비교하고, 비교된 결과에 따라 냉장고에 대한 고장여부를 진단할 수 있다.
또한, 프로세서는 네트워크를 통해 지정된 서버와 통신을 연결하고, 진단되는 결과를 서버에 전송하고, 서버로부터 그에 대응하는 판단을 피드백할 수 있다. 예를 들어 프로세서는, 제2 작동음이 기준음범위를 벗어난 경우, 냉장고를 고장이라 판단하고, 통신부를 통해 진단한 결과를 서버에 전송하고, 이에 대응하는 판단을 피드백하는 것을 포함할 수 있다.
또는 프로세서는 제2 작동음이 기준음범위를 벗어난 경우, 냉장고를 고장이라 판단하고, 고장 진단 프로그램을 실행시켜 진단한 결과에 대응하는 판단을 디스플레이할 수 있다.
또한, 프로세서는, 고장 진단 프로그램에서 판단을 검색하지 못한 경우에, 통신부를 통해 진단한 결과를 서버에 전송하여, 이에 대응하는 판단을 피드백할 수 있다.
이후 프로세서는 피드백된 판단을 기반으로 서비스 기사에게 정보를 제공하는 동시에 출동을 예약할 수 있다(S160).
도 8은 본 발명의 일 실시예에서 소음을 진단하는 예를 설명하기 위한 도면이다.
도 8을 참조하면, 프로세서는 냉장고에 작동시 발생하는 다양한 소음을 집음하기 위하여 적어도 하나의 센서를 통해 획득되는 센싱 정보로부터 특징값들을 추출할 수 있다(S800)
예를 들어, 프로세서는 적어도 하나의 센서(예를 들어, 집음부)로부터 소음 정보를 수신할 수 있다. 프로세서(170)는 소음 정보로부터 특징값을 추출할 수 있다. 특징값은 소음 정보에서 추출할 수 있는 적어도 하나의 특징들 중에서 냉장고가 작동하는 동안 발생하는 냉장고에 설치된 기계실에서 발생되는 떨림음, 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 냉장고에 장착된 파이프에 흐르는 냉매음, 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나를 통해 구체적으로 나타낼 수 있다. 예를 들어, 기계실에서 발생되는 떨림음은 떨리는 소리인 웅~소리일 수 있다. 컴프음은 쇠 갈리는 소리인 윙~소리일 수 있다. 냉매음은 물 흐르는 소리 또는 끓는 소리일 수 있다. 팬음은 휘파람 소리 또는 귀신소리일 수 있다.
프로세서는 특징값들을 냉장고의 고장 상태 또는 냉장고의 정상 상태를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력되도록 제어할 수 있다(S810).
프로세서는 추출된 특징값이 결합되어 냉장고에 대한 고장 정보를 생성할 수 있다. 냉장고 고장 정보는 추출된 특징값에 기초하여 냉장고의 고장 여부 상태를 구별하도록 트레이닝된 인공 신경망(ANN) 분류기에 입력될 수 있다.
프로세서(170)는 인공 신경망의 출력값을 분석하고(S820), 인공 신경망 출력값에 기초하여 냉장고의 고장여부 상태를 판단할 수 있다(S830).
프로세서(170)는 인공 신경망 분류기의 출력으로부터 냉장고가 고장인지 정상인지를 판별할 수 있다.
한편, 도 8에서는 AI 프로세싱을 통해 부하 적재량의 과부하 상태를 식별하는 동작이 지능형 진단 디바이스의 프로세싱에서 구현되는 예를 설명하였으나, 본 발명은 이에 한정되지 않는다. 예를 들어, AI 프로세싱은 지능형 진단 디바이스로부터 수신된 센싱 정보에 기초하여 5G 네트워크 상에서 이루어질 수도 있다.
도 9는 본 발명의 일 실시예에서 냉장고의 고장여부 상태를 판단하는 다른 예를 설명하기 위한 도면이다.
프로세서는 냉장고의 소음 정보를 5G 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어할 수 있다. 또한, 프로세서(170)는 상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어할 수 있다.
상기 AI 프로세싱된 정보는, 냉장고가 고장인지 정상인지를 판단한 정보일 수 있다.
한편, 지능형 진단 디바이스는 5G 네트워크로 냉장고의 고장여부 상태 정보를 전송하기 위하여, 5G 네트워크와 초기 접속 절차를 수행할 수 있다. 지능형 진단 디바이스는 SSB(Synchronization signal block)에 기초하여 5G 네트워크와 초기 접속 절차를 수행할 수 있다.
또한, 지능형 진단 디바이스는 무선 통신부를 통해 지능형 진단 디바이스의 내부에 구비된 적어도 하나의 센서로부터 획득되는 냉장고의 고장여부 상태 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신할 수 있다.
프로세서(170)는 DCI에 기초하여 냉장고의 고장여부 상태 정보를 네트워크로 전송할 수 있다.
냉장고의 고장여부 상태 정보는 PUSCH를 통해 네트워크로 전송되며, SSB와 PUSCH의 DM-RS는 QCL type D에 대해 QCL될 수 있다.
도 9를 참조하면, 지능형 진단 디바이스는 센싱 정보로부터 추출된 특징값을 5G 네트워크로 전송할 수 있다(S900).
여기서 5G 네트워크는 AI 프로세서 또는 AI 시스템을 포함할 수 있으며, 5G 네트워크의 AI 시스템은 수신된 센싱 정보에 기초하여 AI 프로세싱을 수행할 수 있다(S810).
AI 시스템은, 지능형 진단 디바이스로부터 수신된 특징값들을 ANN 분류기에 입력할 수 있다(S911). AI 시스템은, ANN 출력값을 분석하고(9813), 상기 ANN 출력값으로부터 냉장고의 고장 상태 또는 냉장고의 정상 상태를 판단할 수 있다(S915). 5G 네트워크는 AI 시스템에서 판단한 냉장고의 상태 정보를 무선 통신부를 통해 냉장고 또는 지능형 진단 디바이스로 전송할 수 있다.
여기서 냉장고의 상태 정보는, 고장인 상태인지 정상인 상태인지 여부 등을 포함할 수 있다.
AI 시스템은, 냉장고가 고장인 상태로 판단한 경우(S917), 이에 대응하는 진단 값을 디스플레이할 수 있다.
AI 시스템은 냉장고가 고장인 상태로 판단한 경우, 서비스 기사에게 알림 신호 전송을 결정할 수 있다(S919). 또한, AI 시스템은 알림 신호와 관련된 정보(또는 신호)를 지능형 진단 디바이스로 전송할 수 있다.
한편, 상기 지능형 진단 디바이스는 센싱 정보만을 5G 네트워크로 전송하고, 상기 5G 네트워크에 포함된 AI 시스템 내에서 상기 센싱 정보로부터 부하 적재량의 과부하 상태를 판단하기 위한 인공 신경망의 입력으로 이용될 과부하 검출 입력에 대응하는 특징값을 추출할 수도 있다.
도 10은 본 발명의 일실시 예에 따라 냉장고의 소음을 측정하기 위한 것을 설명하기 위한 도이다. 도 11은 본 발명의 일실시 예에 따라 진단한 결과를 디스플레이하는 것을 설명하기 위한 도이다.
지금까지 상술한 지능형 진단 디바이스는 냉장고에 장착된 구성으로 설명하였으나, 이에 한정되는 것은 아니다. 지능형 진단 디바이스는 냉장고와 분리될 수 있다.
도 10 및 도 11을 살펴보면, 냉장고와 분리된 지능형 진단 디바이스는 냉장고의 소음을 측정할 수 있다. 지능형 진단 디바이스는 사용자가 사용하는 스마트 기기일 수 있다.
지능형 진단 디바이스는 고장 진단 프로그램 앱을 실행할 수 있다. 지능형 진단 디바이스는 실행되는 앱에 지시에 따라 냉장고와의 거리를 달리하면서 냉장고의 소음을 측정할 수 있다. 이에 지능형 진단 디바이스는 AR 기반의 소음 측정 위치 가이드를 응용할 수도 있고, 냉장고 전면에서 측정할 수 있다. 또한, 지능형 진단 디바이스는 냉장고에서 발생되는 소음원에 가까운 위치에서 정밀하게 측정할 수 있다.
지능형 진단 디바이스는 측정된 냉장고의 소음을 학습하고, 학습된 결과에 대응되는 진단내용을 디스플레이할 수 있다. 즉, 지능형 진단 디바이스는 진단내용 결과, 사용자가 냉장고를 직접 고칠 수 있다고 판단되면, 진단내용을 디스플레이할 수 있다. 사용자가 고장난 부분을 직접 수리할 수 있도록 동영상을 디스플레이할 수 있다.
이와 달리, 지능형 진단 디바이스는 진단내용 결과, 사용자가 냉장고를 직접 고칠 수 없다고 판단되면, 진단내용 결과를 디스플레이하면서, 서비스 기사를 호출할 수 있다.
상술한 바와 같이, 본 발명은 냉장고의 소음 진단 및 그 서비스에 관한 내용으로 냉장고에서 발생될 수 있는 소음에 대한 딥러닝 학습을 통해 얻어진 학습 모델을 기반으로 고객이 냉장고 소음에 대한 불만이 발생될 경우 App을 통해 소음을 측정하고, 학습 모델에 의해 이상 진단 및 소음 원인을 규명할 수 있다.
소음 원인을 규명하기 위해 스마트폰 App을 실행하여 소음을 레코딩하여 특정 구간에 대한 시간 및 주파수 도메인 또는 음질 지수로 계산될 수 있고, 측정 위치는 냉장고 앞 임의의 위치나 AR 기반의 냉장고 소음 소스 근처에서 측정할 수 있는 가이드를 제공하는 형태로 구현할 수 있다. 또한, 고장 진단 또는 이상 진단으로 파악된 소음원은 클라우드 서버를 통해 접수되고 서비스 기사를 통해 불량에 대한 조치가 가능하다. 이를 통해 냉장고 소음 불량 접수 시 재현되지 않는 감성 불만에 대한 확실한 조치가 가능하고, 가시적인 원인 분석을 통해 고객에게 믿음을 줄 수 있으며 추가 센서 장착 없이 진단이 가능함으로서 브랜드 인지도 및 사업화에 기여할 수 있다.
전술한 본 발명은 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는 HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어, 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (27)

  1. 냉장고에서 발생하는 제1 작동음을 집음하고, 집음된 상기 제1 작동음을 저장하는 집음부;
    상기 집음부에 저장된 상기 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 상기 기준음을 기반으로 기준음범위를 설정하는 기준음설정부; 및
    상기 기준음범위가 설정된 이후에 상기 냉장고에서 발생하는 제2 작동음을 상기 집음부를 통해 집음하고, 상기 제2 작동음과 상기 기준음범위를 비교하고, 비교된 결과에 따라 상기 냉장고에 대한 고장여부를 진단하는 프로세서;
    를 포함하는 지능형 진단 디바이스.
  2. 제1 항에 있어서,
    상기 집음부를 통해 집음되는 상기 제1 작동음 또는 상기 제2 작동음에서 노이즈를 제거하는 노이즈 제거부;를 더 포함하는 지능형 진단 디바이스.
  3. 제2 항에 있어서,
    상기 프로세서는,
    상기 제1 작동음 또는 상기 제2 작동음에 대한 주파수 특성을 추출하고,
    추출된 상기 주파수 특성을 기초하여 상기 제1 작동음 또는 상기 제2 작동음에서 상기 노이즈를 제거하도록 상기 노이즈 제거부를 제어하는 지능형 진단 디바이스.
  4. 제2 항 또는 제3 항에 있어서,
    네트워크를 통해 지정된 서버와 통신을 연결하고,
    상기 프로세서에서 진단되는 결과를 상기 서버에 전송하고, 상기 서버로부터 그에 대응하는 판단을 피드백하는 통신부;를 포함하는 지능셩 진단 서비스.
  5. 제1 항에 있어서,
    상기 냉장고의 제1 작동음은,
    가정에 처음 설치거나 재설치된 후, 소정의 시간 동안 집음한 소리인 지능형 진단 디바이스.
  6. 제1 항에 있어서,
    상기 냉장고의 제1 작동음은,
    상기 냉장고에 설치된 기계실에서 발생되는 떨림음, 상기 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 상기 냉장고에 장착된 파이프에 흐르는 냉매음, 상기 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나인 지능형 진단 디바이스.
  7. 제3 항에 있어서,
    상기 프로세서는,
    상기 냉장고와의 거리에 대응하여 상기 주파수 특성을 다르게 설정하는 지능형 진단 디바이스.
  8. 제4 항에 있어서,
    상기 프로세서는,
    상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고,
    상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하고, 이에 대응하는 판단을 피드백하는 지능형 진단 디바이스.
  9. 제4 항에 있어서,
    상기 프로세서는,
    상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고,
    고장 진단 프로그램을 실행시켜 상기 진단한 결과에 대응하는 판단을 디스플레이하는 지능형 진단 디바이스.
  10. 제9 항에 있어서,
    상기 프로세서는,
    상기 고장 진단 프로그램에서 상기 판단을 검색하지 못한 경우에,
    상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하여, 이에 대응하는 판단을 피드백하는 지능형 진단 디바이스.
  11. 제1 항에 있어서,
    상기 프로세서는,
    상기 지능형 진단 디바이스에서 진단되는 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고,
    진단되는 상기 결과 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 지능형 진단 디바이스.
  12. 제11 항에 있어서,
    상기 프로세서는,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고,
    진단되는 상기 결과 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 지능형 진단 디바이스.
  13. 제11 항에 있어서,
    상기 프로세서는,
    상기 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고,
    상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고,
    상기 AI 프로세싱된 정보는,
    상기 냉장고의 고장 상태 또는 상기 냉장고의 이상 상태 중 어느 하나로 판단한 정보인 지능형 진단 디바이스.
  14. 냉장실과 냉동실을 포함하는 본체;와
    상기 본체에 장착되어 상기 냉장실 또는 상기 냉동실에서 발생되는 제1 작동음 또는 제2 작동음을 집음하고, 집음된 상기 제1 작동음 또는 상기 제2 작동음을 학습하고, 분석하여 상기 냉장실 또는 상기 냉동실에 대한 고장여부를 진단하는 지능형 진단 디바이스;를 포함하고,
    상기 지능형 진단 디바이스는
    냉장고에서 발생하는 제1 작동음을 집음하고, 집음된 상기 제1 작동음을 저장하는 집음부;
    상기 집음부에 저장된 상기 제1 작동음과 기설정된 냉장고의 정상음을 비교하고, 비교되는 결과를 학습하여 기준음을 설정하고, 설정된 상기 기준음을 기반으로 기준음범위를 설정하는 기준음설정부; 및
    상기 기준음범위가 설정된 이후에 상기 냉장고에서 발생하는 제2 작동음을 상기 집음부를 통해 집음하고, 상기 제2 작동음과 상기 기준음범위를 비교하고, 비교된 결과에 따라 상기 냉장고에 대한 고장여부를 진단하는 프로세서;
    를 포함하는 지능형 진단 디바이스를 구비하는 냉장고.
  15. 제14 항에 있어서,
    상기 집음부를 통해 집음되는 상기 제1 작동음 또는 상기 제2 작동음에서 노이즈를 제거하는 노이즈 제거부;를 더 포함하는 지능형 진단 디바이스를 구비하는 냉장고.
  16. 제15 항에 있어서,
    상기 프로세서는,
    상기 제1 작동음 또는 상기 제2 작동음에 대한 주파수 특성을 추출하고,
    추출된 상기 주파수 특성을 기초하여 상기 제1 작동음 또는 상기 제2 작동음에서 상기 노이즈를 제거하도록 상기 노이즈 제거부를 제어하는 지능형 진단 디바이스를 구비하는 냉장고.
  17. 제15 항 또는 제16 항에 있어서,
    네트워크를 통해 지정된 서버와 통신을 연결하고,
    상기 프로세서에서 진단되는 결과를 상기 서버에 전송하고, 상기 서버로부터 그에 대응하는 판단을 피드백하는 통신부;를 포함하는 지능형 진단 디바이스를 구비하는 냉장고.
  18. 제14 항에 있어서,
    상기 냉장고의 제1 작동음은,
    가정에 처음 설치거나 재설치된 후, 소정의 시간 동안 집음한 소리인 지능형 진단 디바이스를 구비하는 냉장고.
  19. 제14 항에 있어서,
    상기 냉장고의 제1 작동음은,
    상기 냉장고에 설치된 기계실에서 발생되는 떨림음, 상기 냉장고에 장착된 컴프레서에서 발생되는 컴프음, 상기 냉장고에 장착된 파이프에 흐르는 냉매음, 상기 냉장고에 장착된 팬에서 발생되는 팬음 중 적어도 하나인 지능형 진단 디바이스를 구비하는 냉장고.
  20. 제17 항에 있어서,
    상기 프로세서는,
    상기 냉장고와의 거리에 대응하여 상기 주파수 특성을 다르게 설정하는 지능형 진단 디바이스를 구비하는 냉장고.
  21. 제18 항에 있어서,
    상기 프로세서는,
    상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고,
    상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하고, 이에 대응하는 판단을 피드백하는 지능형 진단 디바이스를 구비하는 냉장고.
  22. 제18 항에 있어서,
    상기 프로세서는,
    상기 제2 작동음이 상기 기준음범위를 벗어난 경우, 상기 냉장고를 고장이라 판단하고,
    고장 진단 프로그램을 실행시켜 상기 진단한 결과에 대응하는 판단을 디스플레이하는 지능형 진단 디바이스를 구비하는 냉장고.
  23. 제22 항에 있어서,
    상기 프로세서는,
    상기 고장 진단 프로그램에서 상기 판단을 검색하지 못한 경우에,
    상기 통신부를 통해 상기 진단한 결과를 상기 서버에 전송하여, 이에 대응하는 판단을 피드백하는 지능형 진단 디바이스를 구비하는 냉장고.
  24. 제14 항에 있어서,
    상기 프로세서는,
    상기 지능형 진단 디바이스에서 진단되는 결과 정보의 전송을 스케줄링하기 위해 사용되는 DCI(Downlink Control Information)을 네트워크로부터 수신하고,
    진단되는 상기 결과 정보는, 상기 DCI에 기초하여 상기 네트워크로 전송되는 지능형 진단 디바이스를 구비하는 냉장고.
  25. 제24 항에 있어서,
    상기 프로세서는,
    SSB(Synchronization signal block)에 기초하여 상기 네트워크와 초기 접속 절차를 수행하고,
    진단되는 상기 결과 정보는 PUSCH를 통해 상기 네트워크로 전송되며,
    상기 SSB와 상기 PUSCH의 DM-RS는 QCL type D에 대해 QCL되어 있는 지능형 진단 디바이스를 구비하는 냉장고.
  26. 제24 항에 있어서,
    상기 프로세서는,
    상기 결과 정보를 상기 네트워크에 포함된 AI 프로세서로 전송하도록 통신부를 제어하고,
    상기 AI 프로세서로부터 AI 프로세싱된 정보를 수신하도록 상기 통신부를 제어하고,
    상기 AI 프로세싱된 정보는,
    상기 냉장고의 고장 상태 또는 상기 냉장고의 이상 상태 중 어느 하나로 판단한 정보인 지능형 진단 디바이스를 구비하는 냉장고.
  27. 제14 항에 있어서,
    상기 지능형 진단 디바이스는
    상기 냉장고에 노트온 기능이 턴 온되면, 상기 집음부를 통해 상기 제2 작동음을 집음하는 지능형 진단 디바이스를 구비하는 냉장고.
KR1020190099974A 2019-08-15 2019-08-15 지능형 진단 디바이스와 이를 구비하는 냉장고 KR20190103086A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190099974A KR20190103086A (ko) 2019-08-15 2019-08-15 지능형 진단 디바이스와 이를 구비하는 냉장고
US16/685,144 US11614278B2 (en) 2019-08-15 2019-11-15 Intelligent inspection device and refrigerator with the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190099974A KR20190103086A (ko) 2019-08-15 2019-08-15 지능형 진단 디바이스와 이를 구비하는 냉장고

Publications (1)

Publication Number Publication Date
KR20190103086A true KR20190103086A (ko) 2019-09-04

Family

ID=67950818

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190099974A KR20190103086A (ko) 2019-08-15 2019-08-15 지능형 진단 디바이스와 이를 구비하는 냉장고

Country Status (2)

Country Link
US (1) US11614278B2 (ko)
KR (1) KR20190103086A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11281525B1 (en) 2020-09-24 2022-03-22 Samsung Electronics Co., Ltd. Electronic apparatus and method of controlling the same

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190106944A (ko) * 2019-08-30 2019-09-18 엘지전자 주식회사 지능형 냉장고 및 그 제어 방법
CN112164390A (zh) * 2020-09-16 2021-01-01 珠海格力电器股份有限公司 一种设备故障识别方法及系统
US11936489B2 (en) 2021-02-02 2024-03-19 True Manufacturing Co., Inc. Systems, methods, and appliances that enable regional control of refrigeration appliances
KR20230009213A (ko) * 2021-07-08 2023-01-17 삼성전자주식회사 가전기기의 동작 상태 정보를 제공하는 전자 장치 및 그 동작 방법
JP2023179143A (ja) * 2022-06-07 2023-12-19 トヨタ自動車株式会社 異音の発生要因特定方法、及び異音の発生要因特定装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020095269A1 (en) * 2001-01-17 2002-07-18 Francesco Natalini System for monitoring and servicing appliances
DE602007011807D1 (de) * 2006-11-09 2011-02-17 Panasonic Corp Schallquellenpositionsdetektor
JPWO2014073427A1 (ja) * 2012-11-06 2016-09-08 ナガセテクノエンジニアリング株式会社 冷凍機状態判定装置及び冷凍機状態判定方法
GB2526666B (en) * 2014-03-31 2016-12-07 Electronics & Telecommunications Res Inst Security monitoring apparatus and method using correlation coefficient variation pattern of sound field spectrum
JP2016007800A (ja) * 2014-06-25 2016-01-18 株式会社リコー 異常検知システム、電子機器、異常検知方法およびプログラム
JP2019142634A (ja) * 2018-02-19 2019-08-29 コニカミノルタ株式会社 画像形成システム、後処理装置、および画像形成システムの制御方法
JP2019184341A (ja) * 2018-04-05 2019-10-24 東芝三菱電機産業システム株式会社 電力変換システムおよび遮断器診断装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11281525B1 (en) 2020-09-24 2022-03-22 Samsung Electronics Co., Ltd. Electronic apparatus and method of controlling the same

Also Published As

Publication number Publication date
US11614278B2 (en) 2023-03-28
US20200096253A1 (en) 2020-03-26

Similar Documents

Publication Publication Date Title
US11189268B2 (en) Method and apparatus for selecting voice-enabled device and intelligent computing device for controlling the same
KR102246661B1 (ko) 음성 인에이블 디바이스 선택 방법 및 장치
KR20190103086A (ko) 지능형 진단 디바이스와 이를 구비하는 냉장고
KR20190106944A (ko) 지능형 냉장고 및 그 제어 방법
US11245544B2 (en) Intelligent washing machine and method for controlling washing timing using the same
KR20190106933A (ko) 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
US20210125075A1 (en) Training artificial neural network model based on generative adversarial network
US11695464B2 (en) Method for intelligently transmitting and receiving signal and device l'hereof
KR20190106932A (ko) 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치
US20200090643A1 (en) Speech recognition method and device
KR20190098933A (ko) 지능형 냉장고
US11741424B2 (en) Artificial intelligent refrigerator and method of storing food thereof
US11323835B2 (en) Method of inspecting sound input/output device
CN114729488A (zh) 智能洗衣机
US20210042618A1 (en) Method and apparatus for inspecting defects in washer based on deep learning
US20200024788A1 (en) Intelligent vibration predicting method, apparatus and intelligent computing device
US11615760B2 (en) Controlling of device based on user recognition utilizing vision and speech features
KR20190099158A (ko) 지능형 냉장 장치 및 이를 제어하기 위한 방법
US20210224542A1 (en) Profiling based on personal region of interest
US11664022B2 (en) Method for processing user input of voice assistant
US20200012627A1 (en) Method for building database in which voice signals and texts are matched and a system therefor, and a computer-readable recording medium recording the same
US10936062B2 (en) Intelligent device and method of information displaying with projection type using the same
US20200028706A1 (en) Artificial refrigerator and method for controlling temperature of the same
US20210332519A1 (en) Intelligent washing machine and control method thereof
US20210262725A1 (en) Refrigerator based on artificial intelligence and method of controlling the same

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal