KR20190106932A - 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 - Google Patents
지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 Download PDFInfo
- Publication number
- KR20190106932A KR20190106932A KR1020190107782A KR20190107782A KR20190106932A KR 20190106932 A KR20190106932 A KR 20190106932A KR 1020190107782 A KR1020190107782 A KR 1020190107782A KR 20190107782 A KR20190107782 A KR 20190107782A KR 20190106932 A KR20190106932 A KR 20190106932A
- Authority
- KR
- South Korea
- Prior art keywords
- dust concentration
- data
- pattern
- air purifier
- air cleaner
- Prior art date
Links
- 238000003908 quality control method Methods 0.000 title claims description 28
- 239000000428 dust Substances 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 109
- 238000004891 communication Methods 0.000 claims description 70
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 5
- 230000003442 weekly effect Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 74
- 230000008569 process Effects 0.000 description 42
- 210000004027 cell Anatomy 0.000 description 35
- 230000005540 biological transmission Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 31
- 238000003062 neural network model Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 238000011109 contamination Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000009423 ventilation Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000011664 signaling Effects 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 238000003915 air pollution Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008054 signal transmission Effects 0.000 description 5
- 238000010408 sweeping Methods 0.000 description 5
- 101100533725 Mus musculus Smr3a gene Proteins 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 101150096310 SIB1 gene Proteins 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000010454 slate Substances 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 101100274486 Mus musculus Cited2 gene Proteins 0.000 description 1
- 101150096622 Smr2 gene Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
- F24F8/10—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying by separation, e.g. by filtering
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
-
- F24F3/1603—
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/64—Airborne particle content
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/65—Concentration of specific substances or contaminants
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2614—HVAC, heating, ventillation, climate control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Abstract
지능형 공기 청정기를 이용한 실내 공기질 제어방법이 개시된다. 본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어 방법은, 공기 청정기로부터 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 먼지농도 패턴 분석을 수행한다. 특히, 시간대별 먼지농도 패턴을 분석함으로써, 예측된 시간 보다 먼저 공기 청정기의 구동 세기를 미리 제어함으로써, 효율적인 실내 공기질 관리가 가능하다. 본 발명의 지능형 공기 청정기, 이를 이용한 실내 공기질을 제어하는 방법은, 인공 지능(Artificail Intelligenfce) 모듈, 5G 서비스와 관련된 장치 등과 연계될 수 있다.
Description
본 발명은 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치에 관한 것으로서, 보다 구체적으로는 실내 공기질의 오염도가 심할 것으로 예측되는 시점을 고려하여, 공기 청정기의 구동 세기를 제어하도록 할 수 있는, 지능형 공기 청정기를 이용한 실내 공기질 제어 방법 및 제어 장치에 관한 것이다.
공기청정기는 공기 중의 미세먼지 또는 유해물질을 제거하고 공기를 정화시키는 기능을 갖는다. 이러한 공기 청정기는 에너지 소모를 최소화 하면서도, 공기 내의 오염물질을 효과적으로 제어하는 것이 요구된다.
한편, 공기 청정기가 자동 모드 또는 일반 모드로 설정되어 있는 경우, 공기 청정기의 바람세기는 먼지 농도가 낮을 경우는 약풍, 먼지 농도가 높은 경우는 강품으로 제어되는 것이 일반적이다. 즉, 공기 청정기의 바람세기를 결정하는 기준이되는 먼지농도의 기준값은 고정된 값으로서, 변경할 수 없다.
또한, 공기 청정기가 위치하는 장소가 가정인 경우, 가족 구성원의 생활 패턴에 따라 집안 먼지 농도의 패턴은 다양할 수 있다. 이에 따라 가정에서 사용하는 공기 청정기의 바람 세기 또한 집안 먼지 농도의 패턴에 따라 달리 설정하 필요성이 제기되고 있다.
본 발명은 전술한 필요성 및/또는 문제점을 해결하는 것을 목적으로 한다.
또한, 본 발명은, 사용자의 집안 먼지농도 패턴을 분석, 예측을 통해 해당시간에 공기청정기 바람세기 제어를 위한 기준값을 유동적으로 변경시켜줌으로써 공기청정기는 더 효율적으로 제어할 수 있는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법 및 제어 장치를 제공한다.
또한, 본 발명은, 예측된 시간에 먼지농도 데이터값이 높아지는 경우, 공기 청정세기 기준값을 낮춤으로써, 공기 청정 효율을 향상시킬 수 있는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법 및 제어 장치를 제공한다.
본 발명의 일 양상에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어 방법은, 상기 공기 청정기로부터, 상기 공기 청정기가 위치하는 실내의 먼지 농도 데이터를 수신하는 단계; 상기 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 패턴 예측에 이용 가능한 데이터를 준비하는 전처리 단계; 상기 이력정보에 기초하여 상기 수집된 먼지 농도 데이터의 시간대별 먼지농도값의 패턴을 분석하는 단계; 상기 시간대별 먼지농도값의 패턴분석 결과에 기초하여 상기 실내의 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측 시간을 결정하는 단계; 및 상기 예측 시간에 기초하여 시간대별로 상기 공기 청정기의 구동 세기를 스케줄링하는 단계; 상기 스케줄링 결과를 상기 공기 청정기로 전송하는 단계;를 포함하고, 상기 수신된 먼지농도 데이터는 상기 공기 청정기를 통해 수집된 시간과 관련된 이력 정보이다.
상기 전처리 단계는, 1일 M개의 N일간의 먼지농도 데이터를 정의하는 단계; 및 상기 정의된 먼지농도 데이터를 복수의 특징(feature)을 기준으로 분류하는 단계;를 더 포함한다.
상기 복수의 특징은, 일별 먼지농도 패턴, 요일별 먼지농도 패턴 또는 평일/주말별 먼지농도 패턴 중 적어도 하나를 포함할 수 있다.
상기 지능형 공기 청정기를 이용한 실내 공기질 제어 방법은, 하루 동안 시간대별 먼지농도가 미리 설정된 기준농도를 초과하는지 여부를 판단하는 단계; 상기 기준농도를 초과하는 데이터들에 대하여 상기 먼지농도 패턴의 분석 대상 데이터로 설정하는 단계;를 더 포함할 수 있다.
상기 지능형 공기 청정기를 이용한 실내 공기질 제어 방법은, 상기 스케줄링 결과는 하루 동안 시간 대별로 예측된 먼지농도 패턴에 기초하여 공기 청정기의 구동 세기에 관한 정보를 포함할 수 있다.
상기 지능형 공기 청정기를 이용한 실내 공기질 제어 방법은, 상기 예측 시간에서의 상기 먼지농도 상태에 대응하는 상기 공기 청정기의 구동 세기를 결정하는 먼지농도 기준값을 변경하도록 제어하는 단계;를 더 포함할 수 있다.
상기 일정 기준치는, 거주자 프로필 특성에 기초하여 적응적으로 변경 설정될 수 있다.
본 발명의 다른 양상에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어 장치은 무선 통신부; 상기 무선 통신부를 통해 상기 공기 청정기로부터 상기 공기 청정기가 위치하는 실내의 먼지농도 데이터를 수신하여 저장하는 저장부; 및 상기 수신된 먼지농도 데이터가 수집된 먼지농도 데이터의 시간대별 먼지농도의 패턴을 분석하고, 상기 시간대별 먼지농도의 패턴에 기초하여 상기 실내의 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측시간을 결정하여 상기 공기 청정기로 전송하는 프로세서;를 포함하고, 상기 수신된 먼지농도 데이터는 상기 공기 청정기를 통해 수집된 시간과 관련된 이력 정보이다.
상기 프로세서는, 상기 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 패턴 예측에 이용 가능한 데이터를 준비하는 전처리하고, 상기 이력정보에 기초하여 상기 수집된 먼지 농도 데이터의 시간대별 먼지농도의 패턴을 분석할 수 있다.
상기 프로세서는, 상기 예측 시간에 기초하여 시간대별로 상기 공기 청정기의 구동 세기를 스케줄링할 수 있다.
상기 프로세서는, 1일 M개의 N일간의 먼지농도 데이터를 정의하고, 상기 정의된 먼지농도 데이터를 복수의 특징(feature)을 기준으로 분류할 수 있다.
상기 복수의 특징은, 일별 먼지농도 패턴, 요일별 먼지농도 패턴 또는 평일/주말별 먼지농도 패턴 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 하루 동안 시간대별 먼지농도가 미리 설정된 기준농도를 초과하는지 여부를 판단하고, 상기 기준농도를 초과하는 데이터들에 대하여 상기 먼지농도 패턴의 분석 대상 데이터로 설정할 수 있다.
본 발명의 또 다른 양상에 따른 시스템은, 실내의 먼지농도 데이터를 획득하는 지능형 공기 청정기; 및 상기 공기 청정기로부터, 상기 공기 청정기가 위치하는 실내의 먼지 농도 데이터를 수신하는 클라우드 서버;를 포함하고, 상기 클라우드 서버가 상기 공기 청정기로부터 수신한 먼지 농도 데이터는 상기 공기 청정기를 통해 수집된 시간과 관련된 이력 정보를 포함하고, 상기 클라우드 서버는, 상기 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 패턴 예측에 이용 가능한 데이터를 준비하는 전처리 하고, 상기 이력정보에 기초하여 상기 수집된 먼지 농도 데이터의 시간대별 먼지농도의 패턴을 분석하고, 상기 시간대별 먼지농도값의 패턴분석 결과에 기초하여 상기 실내의 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측 시간을 결정하여, 상기 예측 시간에 기초하여 시간대별로 상기 공기 청정기의 구동 세기를 스케줄링하고, 상기 스케줄링 결과를 상기 공기 청정기로 전송한다.
본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법의 효과에 대해 설명하면 다음과 같다.
본 발명에 의하면, 사용자의 집안 먼지농도 패턴을 분석, 예측을 통해 해당시간에 공기청정기 바람세기 제어를 위한 기준값을 유동적으로 변경시켜줌으로써 공기청정기는 더 효율적으로 제어할 수 있다.
또한, 본 발명에 의하면, 예측된 시간에 먼지농도 데이터값이 높아지는 경우, 공기 청정세기 기준값을 낮춤으로써, 공기 청정 효율을 향상시킬 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
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 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.
도 5는 본 발명의 일 실시예에들에 적용될 수 있는 AI 장치의 블록도이다.
도 6은 본 발명의 일 시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어장치의 예시적인 블록도이다.
도 7은 본 발명의 일 시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법을 구현하기 위한 데이터 흐름을 도시한다.
도 8은 본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어 방법의 흐름도이다.
도 9는 도 8에서 데이터 전처리 과정을 보다 구체적으로 설명하기 위한 도면이다.
도 10은 도 9에서 데이터 전처리 과정에서의 예시적인 데이터 구조를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따라 시간대별 데이터를 분석과정에서 이용할 데이터를 선별하는 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따라 클라우드 서버에서 지능형 공기 청정기의 일별 구동 스케줄을 연산한 결과와 관련된 데이터 구조를 예시한다.
도 13은 본 발명의 일 실시예에 따라 수집된 데이터에서 지능형 공기 청정기의 일별 구동 스케줄을 연산하는 방법의 흐름도이다.
도 14는 본 발명의 일 실시예에 따라 지능형 공기 청정기의 구동 세기를 제어하는 예를 도시한다.
도 15는 본 발명의 일 실시예에 따라 AI 프로세싱을 통해 지능형 공기 청정기의 구동 세기를 제어하는 예를 도시한다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
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 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.
도 5는 본 발명의 일 실시예에들에 적용될 수 있는 AI 장치의 블록도이다.
도 6은 본 발명의 일 시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어장치의 예시적인 블록도이다.
도 7은 본 발명의 일 시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법을 구현하기 위한 데이터 흐름을 도시한다.
도 8은 본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어 방법의 흐름도이다.
도 9는 도 8에서 데이터 전처리 과정을 보다 구체적으로 설명하기 위한 도면이다.
도 10은 도 9에서 데이터 전처리 과정에서의 예시적인 데이터 구조를 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따라 시간대별 데이터를 분석과정에서 이용할 데이터를 선별하는 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따라 클라우드 서버에서 지능형 공기 청정기의 일별 구동 스케줄을 연산한 결과와 관련된 데이터 구조를 예시한다.
도 13은 본 발명의 일 실시예에 따라 수집된 데이터에서 지능형 공기 청정기의 일별 구동 스케줄을 연산하는 방법의 흐름도이다.
도 14는 본 발명의 일 실시예에 따라 지능형 공기 청정기의 구동 세기를 제어하는 예를 도시한다.
도 15는 본 발명의 일 실시예에 따라 AI 프로세싱을 통해 지능형 공기 청정기의 구동 세기를 제어하는 예를 도시한다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 특징을 설명한다.
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.
이하, AI 프로세싱된 정보를 필요로 하는 장치 및/또는 AI 프로세서가 필요로 하는 5G 통신(5th generation mobile communication)을 단락 A 내지 단락 G를 통해 설명하기로 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(도 1의 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(도 1의 920)하고, 프로세서(921)가 AI 상세 동작을 수행할 수 있다.
5G 네트워크가 제 1 통신 장치로, AI 장치가 제 2 통신 장치로 표현될 수도 있다.
예를 들어, 상기 제 1 통신 장치 또는 상기 제 2 통신 장치는 기지국, 네트워크 노드, 전송 단말, 수신 단말, 무선 장치, 무선 통신 장치, 차량, 자율주행 기능을 탑재한 차량, 커넥티드카(Connected Car), 드론(Unmanned Aerial Vehicle, UAV), AI(Artificial Intelligence) 모듈, 로봇, AR(Augmented Reality) 장치, VR(Virtual Reality) 장치, MR(Mixed Reality) 장치, 홀로그램 장치, 공공 안전 장치, MTC 장치, IoT 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, 5G 서비스와 관련된 장치 또는 그 이외 4차 산업 혁명 분야와 관련된 장치일 수 있다.
예를 들어, 단말 또는 UE(User Equipment)는 휴대폰, 스마트 폰(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. 예를 들어, 드론은 사람이 타지 않고 무선 컨트롤 신호에 의해 비행하는 비행체일 수 있다. 예를 들어, VR 장치는 가상 세계의 객체 또는 배경 등을 구현하는 장치를 포함할 수 있다. 예를 들어, AR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 연결하여 구현하는 장치를 포함할 수 있다. 예를 들어, MR 장치는 현실 세계의 객체 또는 배경 등에 가상 세계의 객체 또는 배경을 융합하여 구현하는 장치를 포함할 수 있다. 예를 들어, 홀로그램 장치는 홀로그래피라는 두 개의 레이저 광이 만나서 발생하는 빛의 간섭현상을 활용하여, 입체 정보를 기록 및 재생하여 360도 입체 영상을 구현하는 장치를 포함할 수 있다. 예를 들어, 공공 안전 장치는 영상 중계 장치 또는 사용자의 인체에 착용 가능한 영상 장치 등을 포함할 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 사람의 직접적인 개입이나 또는 조작이 필요하지 않는 장치일 수 있다. 예를 들어, MTC 장치 및 IoT 장치는 스마트 미터, 벤딩 머신, 온도계, 스마트 전구, 도어락 또는 각종 센서 등을 포함할 수 있다. 예를 들어, 의료 장치는 질병을 진단, 치료, 경감, 처치 또는 예방할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 상해 또는 장애를 진단, 치료, 경감 또는 보정할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 구조 또는 기능을 검사, 대체 또는 변형할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 임신을 조절할 목적으로 사용되는 장치일 수 있다. 예를 들어, 의료 장치는 진료용 장치, 수술용 장치, (체외) 진단용 장치, 보청기 또는 시술용 장치 등을 포함할 수 있다. 예를 들어, 보안 장치는 발생할 우려가 있는 위험을 방지하고, 안전을 유지하기 위하여 설치한 장치일 수 있다. 예를 들어, 보안 장치는 카메라, CCTV, 녹화기(recorder) 또는 블랙박스 등일 수 있다. 예를 들어, 핀테크 장치는 모바일 결제 등 금융 서비스를 제공할 수 있는 장치일 수 있다.
도 1을 참고하면, 제 1 통신 장치(910)와 제 2 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 모듈은 트랜시버라고도 한다. 각각의 Tx/Rx 모듈(915)는 각각의 안테나(926)을 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(제 1 통신 장치에서 제 2 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(제 2 통신 장치에서 제 1 통신 장치로의 통신)은 제 2 통신 장치(920)에서 수신기 기능과 관련하여 기술된 것과 유사한 방식으로 제 1 통신 장치(910)에서 처리된다. 각각의 Tx/Rx 모듈(925)는 각각의 안테나(926)을 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.
본 발명의 일 실시예에 의하면, 상기 제1 통신 장치는 차량이 될 수 있으며, 상기 제2 통신 장치는 5G 네트워크가 될 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 보고을 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)을 제공한다. 상기 프리엠션 지시(preemption indication)는 중단된 전송 지시(interrupted transmission indication)으로 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, 제 1 주파수 자원에서 제 2 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)를 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 제 1 주파수 자원에서, 두 번째 특정 정보의 전송은 제 2 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 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법이 구현되는 개략적인 시스템의 블록 구성도를 예시한다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법이 구현되는 시스템은 지능형 공기 청정기(10), 클라우드 서버(20)를 포함할 수 있다.
지능형 공기 청정기(10)는 클라우드 서버(20)와 데이터 통신을 수행함으로써, 지능형 공기 청정기(10)에서 센싱된 먼지 농도 데이터를 클라우드 서버(20)로 전송할 수 있다.
클라우드 서버(20)는 지능형 공기 청정기(10)로부터 수집된 다양한 실내 먼지 농도 데이터에 기초하여 AI 프로세싱을 수행할 수 있다. 상기 클라우드 서버(20)는 상기 AI 프로세싱을 수행하기 위한 AI 시스템, AI 모듈, AI 장치를 포함하고, 각각은 적어도 하나의 학습 모델을 포함할 수 있다. 클라우드 서버(20)는 지능형 공기 청정기(10)로부터 수신된 먼지 농도 데이터에 대한 AI 프로세싱 결과를 지능형 공기 청정기(10)로 전송하거나, AI 프로세싱 결과에 다른 지능형 공기 정청기(10)의 제어 신호를 전송할 수 있다.
여기서, 상기 클라우드 서버(20)는 지능형 공기 청정기(10)에서 수집되는 시간대별 먼지농도 패턴을 예측하고, 예측 결과를 지능형 공기 청정기(10)로 전송한다. 지능형 공기 청정기(10)는 상기 예측 결과에 기초하여 공기 청정기의 구동 세기를 조절할 수 있다.
본 발명의 일 실시예에 의하면, 클라우드 서버(20)는 시간대별 먼지농도 패턴을 예측하여, 실내 먼지 농도가 높을 것으로 예측되는 시간구간을 인지하고 있는 상태에서 공기 청정기(10)가 상기 예측된 시간 구간이 도래하기 전에 소정 세기로 구동을 제어하여, 예측되는 시간 구간에 보다 효율적으로 공기질을 관리할 수 있다.
도 5는 본 발명의 일 실시예에들에 적용될 수 있는 AI 장치의 블록도이다.
도 5을 살펴보면, AI 장치(20)는 AI 프로세싱을 수행할 수 있는 AI 모듈을 포함하는 전자 기기 또는 AI 모듈을 포함하는 서버 등을 포함할 수 있다. 또한, AI 장치(20)는 공기청정기의 적어도 일부의 구성으로 포함되어 AI 프로세싱 중 적어도 일부를 함께 수행하도록 구비될 수도 있다.
AI 프로세싱은 공기청정기의 제어부(140)와 관련된 모든 동작들을 포함할 수 있다. 예를 들어, 공기청정기는 공기청정도 또는 습도 정보를 AI 프로세싱 하여 처리/판단, 제어 신호 생성 동작을 수행할 수 있다.
AI 장치(20)는 AI 프로세싱 결과를 직접 이용하는 클라이언트 디바이스이거나, AI 프로세싱 결과를 다른 기기에 제공하는 클라우드 환경의 디바이스일 수도 있다. 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 장치(20)는 AI 프로세서(21), 메모리(25) 및/또는 통신부(27)를 포함할 수 있다.
AI 프로세서(21)는 메모리(25)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, AI 프로세서(21)는 공기청정기의 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, 공기청정기의 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.
모델 학습부(24)는 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 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 메모리에 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,
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. 예를 들어, 외부 전자 기기는 블루투스 장치, 자율주행 차량, 로봇, 드론, AR 기기, 모바일 기기, 가전 기기 등을 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 일 시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어장치의 예시적인 블록도이다.
도 6을 참조하면, 지능형 공기 청정기(10)는 AI 프로세싱이 필요한 데이터를 통신부를 통해 AI 장치(20)로 전송할 수 있고, 딥러닝 모델(26)을 포함하는 AI 장치(20)는 상기 딥러닝 모델(26)을 이용한 AI 프로세싱 결과를 지능형 공기 청정기(10)로 전송할 수 있다. AI 장치(20)는 도 5에 설명한 내용을 참조할 수 있다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 지능형 공기 청정기(10)는, 각종 데이터를 센싱하는 하나 이상의 센서를 포함하는 센서부(115), 및, 전반적인 동작을 제어하는 제어부(140), 및, 상기 제어부(140)의 제어에 따라 본체 내부에 구비되는 실내팬, 열교환기, 밸브, 풍향 조절 수단 등의 동작을 제어하는 구동부(180)를 포함할 수 있다.
또한, 본 발명의 일 실시예에 따른 지능형 공기 청정기(10)는, 하나 이상의 필터를 포함하는 정화유닛(미도시)을 포함하고, 센서부(115)는 운전 중에 실내의 공기질을 측정하는 공기질 센서를 포함할 수 있다.
이 경우에, 상기 제어부(140)는, 상기 운전 중에 상기 공기질 센서에서 측정된 데이터와 운전시간에 기초하여 필터 오염도를 산출하고, 산출된 필터 오염도를 기저장된 필터 오염도와 합산하며, 합산된 필터 오염도가 필터 교체 기준을 만족하는 경우에, 필터 교체 알림 정보를 출력하도록 제어할 수 있다. 정화 유닛은, 복수의 필터가 적층된 필터부를 포함하여 구성되는 것이 더욱 바람직하다. 이 경우에, 필터 교체 기준은 복수의 필터별로 각각 설정되는 것이 바람직하다.
또한, 본 발명의 일 실시예에 따른 지능형 공기 청정기(10)는, 사용자의 음성 명령을 수신하는 오디오 입력부(120), 각종 데이터를 저장하는 메모리(150), 다른 전자기기와 무선 통신하는 통신부(170), 소정 정보를 영상으로 표시하는 디스플레이(192), 소정 정보를 오디오로 출력하는 오디오 출력부(191) 중 적어도 하나 이상을 더 포함할 수 있다.
오디오 입력부(120)는, 외부의 오디오 신호, 사용자 음성 명령을 입력받을 수 있다. 이를 위해, 오디오 입력부(120)는, 하나 이상의 마이크(MIC)를 구비할 수 있다. 또한, 사용자의 음성 명령을 더 정확히 수신하기 위하여 오디오 입력부(120)는 복수의 마이크(121, 122)를 구비할 수 있다. 복수의 마이크(121, 122)는, 서로 다른 위치에 이격되어 배치될 수 있고, 외부의 오디오 신호를 획득하여 전기적인 신호로 처리할 수 있다.
상기 마이크(121, 122)는 센터 패널 어셈블리(10B)의 내측면에 부착되어 마이크 홀에 접촉하거나 인접하게 배치될 수 있다.
도 5에서는 오디오 입력부(120)가 제1 마이크(121)와 제2 마이크(122)의 2개의 마이크를 구비하는 예를 도시하였으나, 본 발명은 이에 한정되지 않는다.
오디오 입력부(120)는 아날로그 소리를 디지털 데이터로 변환하는 처리부를 포함하거나 처리부에 연결되어 사용자 입력 음성 명령을 제어부(140) 또는 소정 서버에서 인식할 수 있도록 데이터화할 수 있다.
한편, 오디오 입력부(120)는 사용자의 음성 명령을 입력받는 과정에서 발생하는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 사용될 수 있다.
또한, 오디오 입력부(120)는 각 마이크(121, 122)에서 수신되는 오디오 신호에서 노이즈를 제거하는 필터, 필터에서 출력되는 신호를 증폭하여 출력하는 증폭기 등 오디오 신호 처리를 위한 구성들을 포함할 수 있다.
메모리(150)는 지능형 공기 청정기(10)의 동작에 필요한 각종 정보들을 기록하는 것으로, 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 기록 매체는 마이크로 프로세서(micro processor)에 의해 읽힐 수 있는 데이터를 저장한 것으로, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등을 포함할 수 있다.
메모리(150)에는 공기청정기 운전에 사용되는 제어 데이터가 저장될 수 있다.
또한, 메모리(150)에는 공기청정기의 운전 시간, 센서부(115)에서 감지되는 데이터, 공기 오염도, 필터 오염도 등의 산출 및 판별에 필요한 데이터가 저장될 수 있다.
실시예에 따라서는, 메모리(150)에는 사용자가 입력한 음성 명령의 음원 파일이 저장될 수 있고, 저장된 음원 파일은 통신부(170)을 통하여 음성 인식 서버 시스템으로 전송될 수 있다. 또한, 상기 저장된 음원 파일은 기설정된 시간 경과 또는 기설정된 동작 수행 후에 삭제될 수 있다.
한편, 메모리(150)에는 음성 인식을 위한 데이터가 저장될 수 있고, 제어부(140)는 오디오 입력부(120)를 통하여 수신되는 사용자의 음성 입력 신호를 처리하고 음성 인식 과정을 수행할 수 있다.
또는, 실시예에 따라서는, 지능형 공기 청정기(10)는 음성 인식 모듈(미도시)을 포함하고, 음성 인식 모듈이 호출어 인식 등 간단한 음성 인식을 수행할 수 있다.
또한, 음성 신호의 호출어 포함 여부를 판별하기 위한 호출어 판단 알고리즘이 메모리(150)에 저장될 수 있다.
상기 제어부(140) 및 음성 인식 모듈은 상기 호출어 판단 알고리즘에 기초하여 상기 음성 신호의 상기 호출어 포함 여부를 판별할 수 있다.
한편, 간단한 음성 인식은 지능형 공기 청정기(10)가 수행하고, 자연어 처리 등 고차원의 음성 인식은 음성 인식 서버 시스템에서 수행될 수 있다.
예를 들어, 기설정된 호출어를 포함하는 웨이크 업(wake up) 음성 신호가 수신되는 경우에, 지능형 공기 청정기(10)는 음성 명령어를 수신하기 위한 상태로 전환될 수 있다. 이 경우에, 지능형 공기 청정기(10)는 호출어 음성 입력 여부까지의 음성 인식 과정만 수행하고, 이후의 사용자 음성 입력에 대한 음성 인식은 음성 인식 서버 시스템을 통하여 수행할 수 있다.
지능형 공기 청정기(10)의 시스템 자원에는 한계가 있으므로, 복잡한 자연어 인식 및 처리는 음성 인식 서버 시스템을 통하여 수행될 수 있다.
또는, 호출어 음성 입력 여부의 판단은 지능형 공기 청정기(10)와 음성 인식 서버 시스템에서 이중으로 수행될 수 있다. 이에 따라, 호출어 음성 입력 판단의 오인식을 줄이고, 인식률을 높일 수 있다.
메모리(150)에는 제한적인 데이터가 저장될 수 있다. 예를 들어, 메모리(150)에는 기설정된 호출어를 포함하는 웨이크 업(wake up) 음성 신호를 인식하기 위한 데이터가 저장될 수 있다. 이 경우에, 제어부(140)는 오디오 입력부(120)를 통하여 수신되는 사용자의 음성 입력 신호로부터 기설정된 호출어를 포함하는 웨이크 업(wake up) 음성 신호를 인식할 수 있다.
한편, 호출어는 제조사에 의해 설정될 수 있다. 예를 들어, "LG 휘센"이 호출어로 설정될 수 있다. 또한, 호출어는 사용자에 의해 설정 변경이 가능하다.
제어부(140)는, 웨이크 업(wake up) 음성 신호의 인식 이후에 입력되는 사용자의 음성 명령을, 통신부(170)를 통하여, 음성 인식 서버 시스템에 송신하도록 제어할 수 있다.
통신부(170)는, 하나 이상의 통신 모듈을 구비하여, 다른 전자기기와, 소정 통신 방식에 따라 무선 통신을 수행하여, 각종 신호를 주고 받을 수 있다.
여기서, 소정 통신 방식은, 와이파이(Wi-Fi) 통신 방식일 수 있다. 이에 대응하여, 지능형 공기 청정기(10)가 구비하는 통신 모듈은 와이파이 통신 모듈일 수 있으나, 본 발명은 통신 방식에 한정되지 않는다.
또는, 지능형 공기 청정기(10)는 다른 종류의 통신 모듈을 구비하거나 복수의 통신 모듈을 구비할 수 있다. 예를 들어, 지능형 공기 청정기(10)는 NFC 모듈, 지그비(zigbee) 통신 모듈, 블루투스(Bluetooth?) 통신 모듈 등을 포함할 수 있다.
지능형 공기 청정기(10)는 와이파이(wi-fi) 통신 모듈 등을 통해 음성 인식 서버 시스템에 포함되는 서버 또는 외부의 소정 서버, 사용자의 휴대 단말기 등과 연결 가능하고, 원격 모니터링, 원격 제어 등 스마트 기능을 지원할 수 있다.
사용자는 휴대 단말기를 통하여 지능형 공기 청정기(10)에 관한 정보를 확인하거나 지능형 공기 청정기(10)를 제어할 수 있다.
또한, 통신부(170)는 액세스 포인트(access point: AP) 장치와 통신하고, 액세스 포인트 장치를 통하여 무선 인터넷 네트워크에 접속하여 다른 기기들과 통신할 수 있다.
또한, 제어부(140)는 통신부(170)를 통해 지능형 공기 청정기(10)의 상태 정보, 사용자의 음성 명령 등을 음성 인식 서버 시스템 등으로 전송할 수 있다.
한편, 통신부(170)를 통하여 제어 신호가 수신되면, 제어부(140)는 수신되는 제어 신호에 따라 동작하도록 지능형 공기 청정기(10)를 제어할 수 있다.
디스플레이(192)는 사용자의 명령 입력에 대응하는 정보, 사용자의 명령 입력에 대응하는 처리 결과, 동작모드, 동작상태, 에러상태, 필터 교체 정보 등을 영상으로 표시할 수 있다.
실시예에 따라서는, 디스플레이(192)는, 터치패드와 상호 레이어 구조를 이루어 터치스크린으로 구성될 수 있다. 이 경우에, 디스플레이(192)는 출력 장치 이외에 사용자의 터치에 의한 정보의 입력이 가능한 입력 장치로도 사용될 수 있다.
또한, 오디오 출력부(191)는, 제어부(140)의 제어에 따라 경고음, 동작모드, 동작상태, 에러상태 등의 알림 메시지, 사용자의 명령 입력에 대응하는 정보, 사용자의 명령 입력에 대응하는 처리 결과 등을 오디오로 출력할 수 있다. 한편, 오디오 출력부(191)는, 제어부(140)로부터의 전기 신호를 오디오 신호로 변환하여 출력할 수 있다. 이를 위해, 스피커 등을 구비할 수 있다.
제어부(140)는 음성 인식 과정 및 지능형 공기 청정기(10) 제어 과정의 각 단계에 대응하여 소정 정보를 시각적/청각적 수단으로 사용자에게 제공하도록 오디오 출력부(191) 및 디스플레이(192)를 제어할 수 있다.
구동부(180)는 실내팬에 연결된 모터의 회전을 제어함으로써, 실내로 토출되는 공기의 양을 제어한다. 또한, 구동부(180)는 열교환기가 공급되는 냉매를 증발 또는 응축시켜 주변의 공기를 열 교환하도록 그 구동을 제어한다.
구동부(180)는 제어부(140)의 제어명령에 대응하여, 실내로 토출되는 공기의 방향을 조절하는 장치로, 토출구 개방 시 토출되는 공기가 상하좌우로 변경되도록 한다. 상기 구동부(180)는, 상기 제어부(140)의 제어에 따라 베인을 구동하는 베인 구동부, 팬을 구동하는 팬 구동부 등을 포함할 수 있다.
한편, 구동부(180)는, 모터 구동부를 포함할 수 있고, 모터를 구동하기 위해, 인버터 등을 포함할 수 있다.
한편, 지능형 공기 청정기(10)는 사용자 입력을 위한 조작부(130), 지능형 공기 청정기(10) 주변 소정 범위를 촬영할 수 있는 카메라(110)를 더 포함할 수 있다.
조작부(130)는, 복수의 조작 버튼을 구비하여, 입력되는 버튼에 대응하는 신호를 제어부(140)로 전달할 수 있다.
카메라(110)는 지능형 공기 청정기(10) 주변, 외부 환경 등을 촬영하는 것으로, 이러한 카메라는 촬영 효율을 위해 각 부위별로 여러 개가 설치될 수도 있다.
예를 들어, 카메라(110)는 적어도 하나의 광학렌즈와, 광학렌즈를 통과한 광에 의해 상이 맺히는 다수개의 광 다이오드(photodiode, 예를 들어, pixel)를 포함하여 구성된 이미지 센서(예를 들어, CMOS image sensor)와, 광 다이오드들로부터 출력된 신호를 바탕으로 영상을 구성하는 디지털 신호 처리기(DSP: Digital Signal Processor)를 포함할 수 있다. 디지털 신호 처리기는 정지영상은 물론이고, 정지영상으로 구성된 프레임들로 이루어진 동영상을 생성하는 것도 가능하다.
실시예에 따라서는, 카메라(110)를 통하여 획득되는 영상에 기초하여 재실자의 존재 여부, 위치 정보를 판별할 수 있다.
한편, 카메라(110)가 촬영하여 획득된 영상은 메모리(150)에 저장될 수 있다.
본 발명의 일 실시예에 따른 지능형 공기 청정기(10)는, 하나 이상의 센서를 구비하는 센서부(115)를 포함할 수 있다.
예를 들어, 센서부(115)는, 실내외의 온도를 센싱하는 하나 이상의 온도 센서와 습도를 센싱하는 습도 센서, 먼지량 등 공기질을 센싱하는 공기질 센서 등을 구비할 수 있다. 또한, 실시예에 따라서는, 센서부(115)는, 재실자의 존재 여부 및/또는 위치를 센싱하는 인체 감지 센서를 더 포함할 수 있다.
센서부(115)는, 지능형 공기 청정기(10)가 설치된 실내 환경의 온도, 습도 데이터를 센싱할 수 있다. 또한, 센서부(115)는, 지능형 공기 청정기(10)가 설치된 실내 환경의 이산화탄소의 양, 미세먼지의 양 등 공기질을 센싱할 수 있다.
센서부(115)는, 온도, 습도, 공기질에 대한 데이터를 지속적으로 수집할 수 있다. 또는, 센서부(115)는, 온도, 습도, 공기질에 대한 데이터를 기설정된 일정 시간 주기로 수집할 수 있다.
또한, 제어부(140)는, 센서부(115)에서 감지되는 데이터에 기초하여, 지능형 공기 청정기(10)의 동작을 제어할 수 있다.
제어부(140)는, 운전 중에 상기 센서부(115)의 공기질 센서에서 측정된 데이터와 운전시간에 기초하여 필터 오염도를 산출하고, 산출된 필터 오염도를 기저장된 필터 오염도와 합산하며, 합산된 필터 오염도가 필터 교체 기준을 만족하는 경우에, 필터 교체 알림 정보를 출력하도록 제어할 수 있다. 필터 교체 여부를 판단하기 위하여 단순히 운전시간만 카운팅(counting)하는 것은 사용환경에 따라 달라지는 오염정도를 반영하지 못한다. 따라서, 공기질 센서에서 측정된 데이터와 운전시간을 모두 반영하여 운전시의 공기 오염도에 따른 가중치를 운전시간에 반영함으로써, 필터 교체 주기를 더욱 정확하게 판별할 수 있다.
또한, 상기 제어부(140)는, 상기 운전시간 중의 풍량과 상기 운전시간에 기초하여 유입 공기량을 판별하고, 상기 운전 중에 상기 공기질 센서에서 측정된 데이터에 기초하여 공기오염도를 판별하며, 상기 유입 공기량과 상기 공기오염도에 기초하여 상기 필터 오염도를 산출할 수 있다.
필터의 오염도 점검을 위한 전용 장치의 추가 없이도 사용자에게 실내 공기질 정보를 제공하기 위해 구비되는 공기질 센서를 이용하여, 사용시간, 풍량, 공기 상태 정보를 기반으로 필터 교체 시기를 예측할 수 있다.
한편, 종래에는 공기 청정기의 사용환경과 관계없이 실내 공기의 오염도가 미리 정해진 기준치를 초과하는 경우, 실외 공기의 오염도와 관계없이 공기 청정기를 구동함으로써, 필터 수명을 짧게만드는 요인이 되었다. 그러나, 본 발명의 일 실시예에 의하면, 실내 공기질이 외부 공기질 보다 나쁜 경우에는 공기 청정기를 가동하기 보다는 환기를 유도함으로써, 필터 수명 또한 효율적으로 관리할 수 있다.
한편, 오디오 출력부(191)는, 상기 제어부(140)의 제어에 따라, 클라우드 서버(20)의 환기 추천에 응답하여, 환기 추천 정보를 음성으로 안내하는 음성 안내 메시지를 출력할 수 있다. 음성 안내 메시지로 환기 추천 정보를 알림으로써, 실시간 외부 공기 오염도를 반영하여 공기 청정기를 효율적으로 관리할 수 있다.
한편, 디스플레이(192)는, 상기 환기 추천 정보를 표시할 수 있다.
실시예에 따라서는, 카메라(110) 또는 센서부(115)에서 획득되는 데이터에 기초하여, 소정 공간 내에 사용자의 존재 여부, 사용자의 위치 정보를 판별할 수 있다. 또한, 제어부(140)는, 카메라(110) 또는 센서부(115)를 통하여 사용자의 접근 여부를 판별할 수 있다. 이 경우에, 제어부(140)는, 사용자의 접근이 감지되면, 환기 추천 정보를 오디오 출력부(191) 및/또는 디스플레이(192)가 출력하도록 제어할 수 있다.
실시예에 따라서, 제어부(140)는, 통신부(170)를 통하여 환기 추천 정보를 다른 전자기기로 전송하도록 제어할 수 있다. 예를 들어, 지능형 공기 청정기(10)는 소정 서버, 사용자의 휴대 단말기 등으로 상기 환기 추천 정보를 전송함으로써, 사용자가 다른 기기로 지능형 공기 청정기(10)가 무리하게 지속적으로 구동되는 것을 방지하고, 환기를 통해 공기 청정기를 효율적으로 관리할 수 있게 한다.
도 7은 본 발명의 일 시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법을 구현하기 위한 데이터 흐름을 도시한다.
도 7에 도시된 동작은 공기 청정기와 5G 네트워크 사이의 데이터 흐름을 도시한 것이나, 도 7의 5G 네트워크는 공기 청정기를 제어할 수 있는 클라우드 서버를 의미할 수 있다. 또한 상기 클라우드 서버는 시간대별 먼지농도의 패턴을 에측할 수 있는 AI 장치, AI 모듈, AI 시스템을 포함할 수 있다. 설명의 편의를 위하여 상기 5G 네트워크는 클라우드 서버로 호칭하기로 한다.
먼저 클라우드 서버는 공기 청정기가 인공지능 모드에서 동작할 수 있도록 하는 제어 신호를 공기 청정기로 전송할 수 있다(S800).
여기서 공기 청정기가 인공지능 모드에서 동작한다라 함은, 공기 청정기의 바람 세기가 상황에 따라 다르게 제어될 수 있음을 의미할 수 있다. 한편, 공기 청정기가 일반 모드 또는 자동 모드로 설정된 경우, 공기 청정기의 바람 세기가 항상 고정된 값에 의해 제어됨을 의미할 수 있다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어방법은 지능형 공기 청정기(10), 5G 네트워크, 기상청 서버와의 데이터 통신을 통해 구현될 수 있다. 여기서 5G 네트워크는 본 발명에서 클라우드 서버(20)를 포함할 수 있다. 설명의 편의를 위해 상기 5G 네트워크를 클라우드 서버(20)로 호칭하여 설명한다. 또한, 본 문서에서 공기 청정기(10)는 지능형 공기 청정기(10)를 의미할 수 있다.
공기 청정기(10)는 먼지 농도 데이터를 수집하고(S810), 수집된 실내 먼지농도 데이터를 클라우드 서버(20)로 전송할 수 있다(S820).
클라우드 서버(20)는 공기 청정기(10)로부터 수신된 먼지농도 데이터로부터 시간대별 먼지농도 패턴을 예측하는 동작을 수행할 수 있다(S830). 상기 클라우드 서버(20)는 미리 정해진 알고리즘을 통해 상기 먼지농도 패턴을 예측할 수 있다. 상기 클라우드 서버(20)는 입력값의 패턴 분석을 통해 먼지 농도가 나쁨상태 또는 좋음 상태를 1일(24시간) 예측한 결과값을 리턴하는 알고리즘 API를 적용할 수 있다.
클라우드 서버(20)는 1일 스케줄을 연산할 수 있다(S840). 상기 1일 스케줄은 하루 동안 시간대별 실내 공기질 패턴의 예측을 통해, 실내 공기질 상태에 따라 공기 청정기의 구동 세기를 제어하는 스케줄일 수 있다. 예를 들어, 24시간 구간에서 오전 8시~10시 구간은 실내 공기질 패턴이 나쁨 상태로 예측한 경우, 상기 오전 8시~10시 구간에는 공기청정세기를 강, 중, 약 중에서 강으로 설정할 수 있다. 일반적으로 PM 2.5 기준으로 실내 공기질 상태가 좋음인 경우는 공기청정세기를 '약'으로 설정할 수 있다. 그리고 실내 공기질 상태가 보통 또는 나쁨인 경우는 공기청정세기를 '중'으로 설정할 수 있다. 그리고 실내 공기질 상태가 매우 나쁨인 경우는 공기청정세기를 '강'으로 설정할 수 있다. 본 발명의 일 실시예에 의하면, 상기 오전 8시~10시 구간에 실내 공기질 상태가 "나쁨"으로 예측되는 경우, 시간이 경과됨에 따라 매우나쁨 상태로 전환되는 것을 방지하기 위하여, 실내 공기질 상태가 "나쁨"인 상태일 때를 공기 청정세기를 "강"으로 설정할 수 있다.
클라우드 서버(20)는 상기 1일 스케줄 연산 결과를 공기 청정기(10)로 전송할 수 있다.
공기 청정기(10)는 수신된 연산 결과에 기초하여 예측된 시간에 기초하여 공기 청정 구도 세기를 제어할 수 있다(S860).
도 8은 본 발명의 일 실시예에 따른 지능형 공기 청정기를 이용한 실내 공기질 제어 방법의 흐름도이다.
도 8에 도시된 제어 방법은 클라우드 서버(20)에서 실행될 수 있으며, 보다 구체적으로는 클라우드 서버(20)의 프로세서, 또는 AI 장치, AI 모듈, AI 시스템에서 구현될 수 있다. 설명의 편의를 위해 프로세서에서 도 8에 도시된 제어 방법이 구현되는 것으로 설명한다.
도 8을 참조하면, 프로세서는 공기 청정기가 수집한 먼지농도 데이터를 수신할 수 있다(S800).
프로세서는 상기 수신한 먼지농도 데이터에 기초하여 시간대별 먼지농도 패턴을 추출하기 위한 데이터 전처리 동작을 수행할 수 있다(S810).
상기 시간대별 먼지농도 패턴은, 일별 먼지농도 패턴, 요일별 먼지농도 패턴, 평일/주말별 먼지농도 패턴을 의미할 수 있다.
상기 데이터 전처리 동작은, 상기 시간대별 먼지농도 패턴을 분석하기 위하여 상기 데이터들을 일별 데이터, 요일별 데이터, 평일 데이터, 주말 데이터로 분류할 수 있다.
프로세서는 데이터 전처리 결과에 기초하여 시간대별 먼지농도 패턴을 분석할 수 있다(S820).
프로세서는 상기 분류기준에 따라 각각 분류된 먼지농도 데이터를 시간대별로 분설할 수 있다.
프로세서는 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측 시간을 결정할 수 있다(S830).
프로세서는 상기 예측된 시간에 기초하여 시간대별로 공기 청정기의 구동 세기를 스케줄링할 수 있다(S840).
프로세서는 스케줄링 결과를 공기 청정기(10)로 전송할 수 있다(S850).
상기 스케줄링 결과는 하루 동안 시간 대별로 예측된 먼지농도 패턴에 기초하여 공기 청저기의 구동 세기에 관한 정보일 수 있다.
도 9는 도 8에서 데이터 전처리 과정을 보다 구체적으로 설명하기 위한 도면이다.
도 9를 참조하면, 프로세서는 공기 청정기로부터 수신된 먼지농도 데이터를 파싱한다(S900). 상기 데이터의 파싱 기준은 1일 24개의 N일간의 데이터를 정의하고(S910), 상기 정의된 먼지농도 데이터를 복수의 특징(feature)을 기준으로 분류하는 동작을 포함한다.
예를 들어, 프로세서는, 1일 24개의 데이터를 28일간 수집한 데이터를 정의할 수 있다. 또한, 프로세서는 K 요일의 데이터를 정의하기 위해 4*24개의 데이터를 정의할 수 있다. 또한, 프로세서는 평일 데이터를 정의하기 위해 20*24개의 데이터를 정의할 수 있다. 또한, 프로세서는 주말 데이터를 정의하기 위해 8*24개의 데이터를 정의할 수 있다.
프로세서는 하루(24시간) 동안 시간대별 먼지 농도가 기준 농도를 초과하는지를 판단할 수 있다(S920). 여기서 기준 농도는 예를 들어, 20,30,40,50,60,75,100,150 등으로 정의될 수 있다. 일 예로 기준 농도가 20인 경우, 프로세서는 상기 하루 동안 시간대별 먼지농도가 20을 초과하는 데이터들에 대하여 패턴 연산이 가능한 데이터로 정의할 수 있다. 이에 따라 프로세서는 패턴 연산에 이용되는 데이터의 개수를 결정할 수 있다(S940).
만약, 하루 24시간 동안 시간대별 먼지농도가 기준 농도 미만인 데이터가 존재하는 경우, 프로세서는 기준 농도 미만인 데이터들을 패턴 연산에서 제외시킬 수 있다(S930).
도 10은 도 9에서 데이터 전처리 과정에서의 예시적인 데이터 구조를 설명하기 위한 도면이다.
도 10을 참조하면, 4주(28일) 동안의 먼지농도 데이터에 대하여 1일에 24시간씩 28일간의 PM 2.5 데이터를 정의할 수 있다. 또한, 1시간당 1개씩 PM 2.5 데이터의 평균값이 산출될 수 있다. 또한, 예측일 기준으로 최근 28일간의 PM 2.5 데이터를 정의할 수도 있다. 나아가, 28일 중에서 첫째 날의 요일 정보를 정의할 수 있다. 이에 따라, 프로세서는 일별 데이터, 요일별 데이터, 상기 요일별 데이터로부터 평일 데이터, 주말 데이터를 함께 정의할 수도 있다.
도 11은 본 발명의 일 실시예에 따라 시간대별 데이터를 분석과정에서 이용할 데이터를 선별하는 과정을 설명하기 위한 도면이다.
도 11을 참조하면, 프로세서는 먼지 농도 기준값을 설정할 수 있다(S1100). 상기 먼지농도 기준값은 예를 들어, 20,30,40,50,60,75,100,150 중 어느 하나로 설정될 수 있지만, 본 발명은 이에 한정되지 않고 먼지농도 기준값은 실내에 거주하는 거주자의 특성, 생활 패턴 등을 고려하여 다양하게 변경될 수 있음은 물론이다.
프로세서는 시간 t에서 상기 미리 설정된 기준값 이상의 데이터 수가 유효한 개수 이상인지 여부를 판단할 수 있다(S1110). 여기서 유효한 개수라 함은 패턴 분석의 신뢰성을 고려한 값으로서, 패턴 분석을 위해 최소한으로 요구되는 개수일 수 있다. 상기 유효한 개수(ValidCnt)는 시간대별로 적응적으로 가변될 수 있다. 예를 들어, 먼지농도가 높은 패턴의 시간 구간에서는 상기 유효한 개수가 상대적으로 높게 설정될 수 있다. 또한, 예를 들어, 먼지농도가 일정 시간 동안 증가되거나 낮아지지 않은 패턴을 보이는 경우, 상기 유효한 개수는 상대적으로 낮게 설정될 수 있다.
프로세서는 상기 시간 t에서 상기 미리 설정된 기준값 이상의 데이터가 유효한 개수 이상인 경우, 상기 데이터를 참값으로 설정할 수 있다(S1120). 만약 참값으로 분류되지 않은 데이터는 패턴 분석에 이용하지 않게된다.
본 발명의 일 실시예에서는 상기 시간 t에서 상기 미리 설정된 기준값 이상의 데이터가 유효한 개수가 1이상이거나 5이하인 경우, 먼지농도 패턴 분석에 이용할 데이터로 결정할 수 있다(S1140). 상기 1이상, 5이하의 정의는 예시적인 숫자에 불과하며 시간대별 먼지농도 패턴에 따라 다양하게 변형될 수 있음은 물론이다.
프로세서는, 먼지농도 패턴 분석에 이용할 데이터가 결정되면, 전술한 복수의 특징(일별, 요일별, 평일/주말 데이터)에 기초하여 먼지농도 데이터의 패턴을 분석할 수 있다(S1150).
도 12는 본 발명의 일 실시예에 따라 클라우드 서버에서 지능형 공기 청정기의 일별 구동 스케줄을 연산한 결과와 관련된 데이터 구조를 예시한다.
도 12를 참조하면, 공기청정기 구동 스케줄의 연산은 하라 중 먼지 농도가 나쁨으로 예측한 시간 구간, 좋음으로 예측한 시간 구간으로 구분되어 표시할 수 있다. 클라우드 서버가 상기 공기 청정기의 구동 스케줄을 연산하여 공기 청정기로 전송하는 주기는 하루 1회일 수 있으며, 본 발명은 이에 한정되는 것은 아니다. 또한, 상기 공기 청정기의 스케줄의 연산은 공기질 상태에 따라 보통으로 예측한 시간 구간도 포함될 수 있다.
도 13은 본 발명의 일 실시예에 따라 수집된 데이터에서 지능형 공기 청정기의 일별 구동 스케줄을 연산하는 방법의 흐름도이다.
프로세서는 일별, 요일별, 평일/주말 데이터 패턴을 분석한 결과, 일치하는 데이터의 개수가 적어도 2개 이상인지 여부를 판단할 수 있다(S1300).
예를 들어, 평일이면서 월요일에 먼지농도 데이터의 패턴을 분석한 결과, 하루 24시간 중에 18시~20시를 제외하고는 실내 먼지농도 데이터가 좋은 상태이며, 상기 18시~20시에는 매우 나쁨 상태의 패턴이 분석 결과로 제공될 수 있다. 이 경우, 1시간 당 1개이 먼지농도 데이터를 센싱하는 것으로 가정할 때, 평일 저녁 시간(18시~20시)대에 먼지 농도가 매우 나쁨 상태의 패턴으로 결정하고, 1일 스케줄 패턴을 결정할 수 있다(S1320).
한편, 일별, 요일별, 평일/주말 데이터 패턴을 분석한 결과, 일치하는 데이터의 개수가 2개 미만인 것으로 판단한 경우(S1300:No), 일별, 요일별, 평일/주말 데이터들에는 패턴화하여 관리할 만한 규칙을 찾을 수 없는 것으로 판단하고, 패턴 없음으로 결론지을 수 있다(S1310).
도 14는 본 발명의 일 실시예에 따라 지능형 공기 청정기의 구동 세기를 제어하는 예를 도시한다.
도 14를 참조하면, 본 발명의 일 실시예에 의하면, 공기청정기가 일반 모드에서는, 먼지농도 데이터가 "좋음 상태"인 경우는 공기청정 세기를 "약"으로 설정하고, 먼지농도 데이터가 "보통 상태"및 "나쁨 상태"인 경우는 공기청정 세기를 "중"으로 설정하고, 먼지농도 데이터가 "매우 나쁨 상태"인 경우는 공기청정 세기를 "강"으로 설정되어 있다. 본 발명의 일 실시예에 따라, 공기 청정기가 인공 지능 모드로 설정된 경우, 전술한 실내 먼지농도 패턴 결과에 따라 하루 동안 "좋음-보통-나쁨-매우나쁨"의 패턴이 추출된 겨우, 본 발명의 일 실시예에 의하면 공지 청정 세기를 "약풍-중풍-강풍-강풍"으로 설정할 수 있다.
한편, 본 발명의 일 실시예에 의하면, 클라우드 서버에서 수신된 먼지농도 패턴을 AI 프로세싱을 통해서도 구현될 수 있다.
도 15는 본 발명의 일 실시예에 따라 AI 프로세싱을 통해 지능형 공기 청정기의 구동 세기를 제어하는 예를 도시한다.
도 15를 참조하면, 공기 청정기(10)는 센싱된 먼지농도 데이터를 클라우드 서버로 전송할 수 있다(S1500). 클라우드 서버의 AI 프로세서는, 수집된 먼지농도 데이터를 전술한 복수의 특징으로 분류하고, 분류된 데이터들을 ANN 분류기에 대한 입력값으로 정의할 수 있다(S1511).
프로세서는 ANN 출력값을 분석함으로써(S1513), 먼지 농도가 기준치 이상인 시간을 예측할 수 있다(S1515). 프로세서는 예측된 시간 정보에 기초하여 하루 동안 공기 청정기 구동 스케줄을 연산할 수 있다(S1517).
프로세서는 상기 연산결과를 공기 청정기(10)로 전송하고(S1520), 공기 청정기(10)는 예측된 시간에 바람 세기를 제어하는 먼지 농도 기준치를 변경할 수 있다(S1530).
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 (14)
- 지능형 공기 청정기의 실내 공기질 제어 방법에 있어서,
상기 공기 청정기로부터, 상기 공기 청정기가 위치하는 실내의 먼지 농도 데이터를 수신하는 단계;,
상기 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 패턴 예측에 이용 가능한 데이터를 준비하는 전처리 단계;
상기 이력정보에 기초하여 상기 수집된 먼지 농도 데이터의 시간대별 먼지농도값의 패턴을 분석하는 단계;
상기 시간대별 먼지농도값의 패턴분석 결과에 기초하여 상기 실내의 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측 시간을 결정하는 단계; 및
상기 예측 시간에 기초하여 시간대별로 상기 공기 청정기의 구동 세기를 스케줄링하는 단계;
상기 스케줄링 결과를 상기 공기 청정기로 전송하는 단계;를 포함하고,
상기 수신된 먼지농도 데이터는 상기 공기 청정기를 통해 수집된 시간과 관련된 이력 정보를 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 제 1 항에 있어서,
상기 전처리 단계는,
1일 M개의 N일간의 먼지농도 데이터를 정의하는 단계; 및
상기 정의된 먼지농도 데이터를 복수의 특징(feature)을 기준으로 분류하는 단계;
를 더 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 제 2 항에 있어서,
상기 복수의 특징은,
일별 먼지농도 패턴, 요일별 먼지농도 패턴 또는 평일/주말별 먼지농도 패턴 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 제 3 항에 있어서,
하루 동안 시간대별 먼지농도가 미리 설정된 기준농도를 초과하는지 여부를 판단하는 단계;
상기 기준농도를 초과하는 데이터들에 대하여 상기 먼지농도 패턴의 분석 대상 데이터로 설정하는 단계;
를 더 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 제 1 항에 있어서,
상기 스케줄링 결과는 하루 동안 시간 대별로 예측된 먼지농도 패턴에 기초하여 공기 청정기의 구동 세기에 관한 정보를 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 제 5 항에 있어서,
상기 예측 시간에서의 상기 먼지농도 상태에 대응하는 상기 공기 청정기의 구동 세기를 결정하는 먼지농도 기준값을 변경하도록 제어하는 단계;
를 더 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 제 1 항에 있어서,
상기 일정 기준치는,
거주자 프로필 특성에 기초하여 적응적으로 변경 설정되는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 방법.
- 지능형 공기 청정기를 이용한 실내 공기질 제어 장치에 있어서,
무선 통신부;
상기 무선 통신부를 통해 상기 공기 청정기로부터 상기 공기 청정기가 위치하는 실내의 먼지농도 데이터를 수신하여 저장하는 저장부; 및
상기 수신된 먼지농도 데이터가 수집된 먼지농도 데이터의 시간대별 먼지농도의 패턴을 분석하고, 상기 시간대별 먼지농도의 패턴에 기초하여 상기 실내의 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측시간을 결정하여 상기 공기 청정기로 전송하는 프로세서;
상기 수신된 먼지농도 데이터는 상기 공기 청정기를 통해 수집된 시간과 관련된 이력 정보를 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용하는 실내 공기질 제어 장치.
- 제 8 항에 있어서,
상기 프로세서는,
상기 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 패턴 예측에 이용 가능한 데이터를 준비하는 전처리하고, 상기 이력정보에 기초하여 상기 수집된 먼지 농도 데이터의 시간대별 먼지농도의 패턴을 분석하는 것을 특징으로 하는 지능형 공기 청정기를 이용하는 실내 공기질 제어 장치.
- 제 8 항에 있어서,
상기 프로세서는,
상기 예측 시간에 기초하여 시간대별로 상기 공기 청정기의 구동 세기를 스케줄링하는 것을 특징으로 하는 지능형 공기청정기를 이용한 실내 공기질 제어 장치.
- 제 8 항에 있어서,
상기 프로세서는,
1일 M개의 N일간의 먼지농도 데이터를 정의하고, 상기 정의된 먼지농도 데이터를 복수의 특징(feature)을 기준으로 분류하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 장치.
- 제 11 항에 있어서,
상기 복수의 특징은,
일별 먼지농도 패턴, 요일별 먼지농도 패턴 또는 평일/주말별 먼지농도 패턴 중 적어도 하나를 포함하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 장치.
- 제 12 항에 있어서,
상기 프로세서는,
하루 동안 시간대별 먼지농도가 미리 설정된 기준농도를 초과하는지 여부를 판단하고, 상기 기준농도를 초과하는 데이터들에 대하여 상기 먼지농도 패턴의 분석 대상 데이터로 설정하는 것을 특징으로 하는 지능형 공기 청정기를 이용한 실내 공기질 제어 장치.
- 실내의 먼지농도 데이터를 획득하는 지능형 공기 청정기; 및
상기 공기 청정기로부터, 상기 공기 청정기가 위치하는 실내의 먼지 농도 데이터를 수신하는 클라우드 서버;를 포함하고,
상기 클라우드 서버가 상기 공기 청정기로부터 수신한 먼지농도 데이터는 상기 공기 청정기를 통해 수집된 시간과 관련된 이력 정보를 포함하고,
상기 클라우드 서버는,
상기 수신된 먼지농도 데이터를 미리 정해진 기준에 따라 분류하여 패턴 예측에 이용 가능한 데이터를 준비하는 전처리 하고,
상기 이력정보에 기초하여 상기 수집된 먼지 농도 데이터의 시간대별 먼지농도의 패턴을 분석하고,
상기 시간대별 먼지농도값의 패턴분석 결과에 기초하여 상기 실내의 먼지농도가 일정 기준치 이상을 초과할 것으로 판단되는 예측 시간을 결정하여, 상기 예측 시간에 기초하여 시간대별로 상기 공기 청정기의 구동 세기를 스케줄링하고, 상기 스케줄링 결과를 상기 공기 청정기로 전송하는 것을 특징으로하는 지능형 공기 청정기를 이용한 실내 공기질 제어 시스템.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KRPCT/KR2019/008680 | 2019-07-12 | ||
| PCT/KR2019/008680 WO2021010506A1 (ko) | 2019-07-12 | 2019-07-12 | 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190106932A true KR20190106932A (ko) | 2019-09-18 |
| KR102616544B1 KR102616544B1 (ko) | 2023-12-26 |
Family
ID=68070973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190107782A KR102616544B1 (ko) | 2019-07-12 | 2019-08-30 | 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11614251B2 (ko) |
| KR (1) | KR102616544B1 (ko) |
| WO (1) | WO2021010506A1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111928363A (zh) * | 2020-07-15 | 2020-11-13 | 中科瑞城设计有限公司 | 基于健康建筑的室内空气质量自动检测净化调节装置 |
| CN112628987A (zh) * | 2020-12-21 | 2021-04-09 | 青岛海尔空调器有限总公司 | 空调器的净化控制方法和空调器 |
| KR20210108826A (ko) * | 2020-02-26 | 2021-09-03 | 조선대학교산학협력단 | 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치 |
| CN115346631A (zh) * | 2022-10-20 | 2022-11-15 | 曹县人民医院 | 家庭健康体检信息处理系统及方法 |
| KR20220167590A (ko) * | 2021-06-14 | 2022-12-21 | 경희대학교 산학협력단 | 기계학습을 이용한 실내 미세먼지 농도 예측 시스템, 예측방법 및 이를 이용한 공기청정기 가동여부 판단 운영시스템 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11614251B2 (en) * | 2019-07-12 | 2023-03-28 | Lg Electronics Inc. | Indoor air quality control method and control apparatus using intelligent air cleaner |
| CN113007879A (zh) * | 2021-03-20 | 2021-06-22 | 山东雪圣环境工程有限公司 | 用于控制空气净化器的方法及装置、空气净化器 |
| CN114216224B (zh) * | 2021-11-29 | 2023-06-23 | 青岛海尔空调器有限总公司 | 无人机联动空调控制方法、空调系统及电子设备 |
| CN114135989A (zh) * | 2021-11-30 | 2022-03-04 | 珠海格力电器股份有限公司 | 空气质量控制方法、装置、系统及相关设备 |
| CN115031357B (zh) * | 2022-05-10 | 2023-05-30 | 南京信息工程大学 | 一种适用于不同类型故障特征的基于投票策略的故障诊断方法 |
| CN115167321B (zh) * | 2022-08-09 | 2023-11-21 | 绿能碳投(北京)科技有限公司 | 一种电厂静电除尘优化控制方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170096730A (ko) * | 2016-02-17 | 2017-08-25 | 코웨이 주식회사 | 공기질 관리 시스템 및 방법, 및 분석서버 |
| KR20190036574A (ko) * | 2017-09-27 | 2019-04-05 | 삼성전자주식회사 | 공기조화장치 및 그의 제어 방법 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5916684A (ja) * | 1982-07-20 | 1984-01-27 | Matsushita Electric Ind Co Ltd | シ−ム溶接装置 |
| KR100580301B1 (ko) * | 2004-06-22 | 2006-05-16 | 삼성전자주식회사 | 공기 정화기 및 그 제어 방법 |
| KR20070095712A (ko) * | 2006-03-22 | 2007-10-01 | 주식회사 와이더맥스 | 실내 환경 관리 시스템 및 이를 이용하는 실내 환경 관리방법 |
| CN103773544B (zh) * | 2014-01-20 | 2015-07-15 | 中国矿业大学 | 基于脉动流态化的褐煤脱灰脱水一体化方法与设备 |
| WO2015173842A1 (ja) | 2014-05-12 | 2015-11-19 | 三菱電機株式会社 | パラメータ学習装置およびパラメータ学習方法 |
| US10422727B2 (en) * | 2014-08-10 | 2019-09-24 | Harry Leon Pliskin | Contaminant monitoring and air filtration system |
| EP3282913B1 (en) * | 2015-04-17 | 2018-10-31 | Koninklijke Philips N.V. | Dust processing |
| JP6653486B2 (ja) * | 2015-07-30 | 2020-02-26 | パナソニックＩｐマネジメント株式会社 | 除塵装置および通知方法 |
| KR101962013B1 (ko) * | 2017-06-09 | 2019-03-25 | 재단법인 다차원 스마트 아이티 융합시스템 연구단 | 초미세먼지 측정 장치 및 그 방법 |
| KR102460236B1 (ko) * | 2018-01-31 | 2022-10-31 | 삼성전자주식회사 | 공기청정 시스템 및 그 제어 방법 |
| KR20190103661A (ko) * | 2018-02-28 | 2019-09-05 | 박무성 | 실내 데이터와 실외 데이터를 모두 반영한 실내 미세먼지 예측방법 |
| CN112888492A (zh) * | 2018-08-03 | 2021-06-01 | 3M创新有限公司 | 包括再蓬松纺粘幅材的空气过滤介质以及制备和使用方法 |
| KR20200098856A (ko) * | 2019-02-13 | 2020-08-21 | 삼성전자주식회사 | 전자 장치에서 스케줄 관리 방법 및 장치 |
| US11614251B2 (en) * | 2019-07-12 | 2023-03-28 | Lg Electronics Inc. | Indoor air quality control method and control apparatus using intelligent air cleaner |
-
2019
- 2019-07-12 US US16/499,141 patent/US11614251B2/en active Active
- 2019-07-12 WO PCT/KR2019/008680 patent/WO2021010506A1/ko active Application Filing
- 2019-08-30 KR KR1020190107782A patent/KR102616544B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170096730A (ko) * | 2016-02-17 | 2017-08-25 | 코웨이 주식회사 | 공기질 관리 시스템 및 방법, 및 분석서버 |
| KR20190036574A (ko) * | 2017-09-27 | 2019-04-05 | 삼성전자주식회사 | 공기조화장치 및 그의 제어 방법 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210108826A (ko) * | 2020-02-26 | 2021-09-03 | 조선대학교산학협력단 | 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치 |
| CN111928363A (zh) * | 2020-07-15 | 2020-11-13 | 中科瑞城设计有限公司 | 基于健康建筑的室内空气质量自动检测净化调节装置 |
| CN112628987A (zh) * | 2020-12-21 | 2021-04-09 | 青岛海尔空调器有限总公司 | 空调器的净化控制方法和空调器 |
| CN112628987B (zh) * | 2020-12-21 | 2022-04-19 | 青岛海尔空调器有限总公司 | 空调器的净化控制方法和空调器 |
| KR20220167590A (ko) * | 2021-06-14 | 2022-12-21 | 경희대학교 산학협력단 | 기계학습을 이용한 실내 미세먼지 농도 예측 시스템, 예측방법 및 이를 이용한 공기청정기 가동여부 판단 운영시스템 |
| CN115346631A (zh) * | 2022-10-20 | 2022-11-15 | 曹县人民医院 | 家庭健康体检信息处理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021010506A1 (ko) | 2021-01-21 |
| US20210356160A1 (en) | 2021-11-18 |
| KR102616544B1 (ko) | 2023-12-26 |
| US11614251B2 (en) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102622240B1 (ko) | 지능형 공기 청정기, 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 | |
| KR102616544B1 (ko) | 지능형 공기 청정기를 이용한 실내 공기질 제어방법 및 제어 장치 | |
| KR102367744B1 (ko) | 머신 러닝을 이용한 공기청정기의 필터 수명 예측방법 | |
| KR102246661B1 (ko) | 음성 인에이블 디바이스 선택 방법 및 장치 | |
| US11189268B2 (en) | Method and apparatus for selecting voice-enabled device and intelligent computing device for controlling the same | |
| US11402114B2 (en) | Smart air purifier system with first and second air purifiers and method for controlling the same | |
| US11479894B2 (en) | Method and apparatus for compensating vibration of deep-learning based washing machine | |
| US11467604B2 (en) | Control device and method for a plurality of robots | |
| KR20190104484A (ko) | 인공지능 기반 수면 분석 방법 및 수면 분석 기능을 구비한 지능형 디바이스 | |
| US20220349102A1 (en) | Intelligent washing machine | |
| KR20210048895A (ko) | Gan 기반 인공 신경망 모델의 트레이닝 | |
| KR20190108086A (ko) | 상황 정보에 기반한 지능형 디바이스의 조도 제어 방법 및 지능형 디바이스 | |
| KR20220017007A (ko) | 음성인식 방법 및 그 장치 | |
| KR20190103086A (ko) | 지능형 진단 디바이스와 이를 구비하는 냉장고 | |
| US11323835B2 (en) | Method of inspecting sound input/output device | |
| US11721345B2 (en) | Device, system and method for controlling a plurality of voice recognition devices | |
| US20200024788A1 (en) | Intelligent vibration predicting method, apparatus and intelligent computing device | |
| KR20210017702A (ko) | 딥러닝 기반의 세탁기 결함 검사 방법 및 장치 | |
| US20210125478A1 (en) | Intelligent security device | |
| US20210195117A1 (en) | Apparatus and method for obtaining image | |
| US20210224542A1 (en) | Profiling based on personal region of interest | |
| US11240602B2 (en) | Sound quality improvement based on artificial intelligence | |
| US11671276B2 (en) | Artificial refrigerator and method for controlling temperature of the same | |
| US11714788B2 (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 | |
| US11475891B2 (en) | Low delay voice processing system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |