KR20210025365A

KR20210025365A - 공기조화기의 진단방법

Info

Publication number: KR20210025365A
Application number: KR1020190105313A
Authority: KR
Inventors: 최창민; 김동수
Original assignee: 엘지전자 주식회사
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2021-03-09

Abstract

본 발명은 공기조화기의 진단방법에 관한 것으로, 공기조화기의 운전중에 이상이 발생하는 이상발생시점, 및 이상발생시점으로부터 과거를 이상구간과 정상구간으로 구분하고, 상기 구간별로 기준데이터를 획득하여 인공지능모델을 학습시키고, 상기 학습한 인공지능모델을 이용하여 공기조화기의 이상여부를 진단하거나, 이상위치를 진단하거나, 잔여수명을 예측하는 공기조화기의 진단방법에 관한 발명이다.

Description

공기조화기의 진단방법 {Diagnosis method for air conditioner}

본 발명은 공기조화기의 진단방법에 관한 것으로, 보다 상세하게는 인공지능모델을 이용하여 공기조화기를 진단하는 방법에 관한 것이다.

공기조화기는, 쾌적한 실내 환경을 조성하기 위해 실내로 냉온의 공기를 토출하여, 실내 온도를 조절하고, 실내 공기를 정화하도록 함으로서 인간에게 더욱 쾌적한 실내 환경을 제공하기 위해 설치된다. 일반적으로 공기조화기는 열교환기로 구성되어 실내에 설치되는 실내기와, 압축기 및 열교환기 등으로 구성되어 실내기로 냉매를 공급하는 실외기를 포함한다.

공기조화기는 열교환기로 구성된 실내기와, 압축기 및 열교환기 등으로 구성된 실외기로 분리되어 제어되며, 실외기 및 실내기가 냉매배관으로 연결되어, 실외기의 압축기로부터 압축된 냉매가 냉매배관을 통해 실내기의 열교환기로 공급되고, 실내기의 열교환기에서 열교환된 냉매는 다시 냉매배관을 통해 실외기의 압축기로 유입된다. 그에 따라 실내기는 냉매를 이용한 열교환을 통해 냉온의 공기를 실내로 토출한다.

공기조화기 시스템 내 유닛들은, 건물단위 또는 소그룹 단위로 상호 연결되어, 데이터를 송수신하며, 송수신되는 데이터를 통해 각 유닛의 상태를 모니터링하고 제어할 수 있다.

한편, 공기조화기의 단편적인 데이터를 통해 정상 또는 이상 여부를 판단하는 것은 인간의 해석으로는 불완전하다. 공기조화기의 다양한 설치환경, 사용환경, 또는 제조과정에서 발생하는 부품간의 성능차이로 인하여 공기조화기는 다른 동작특성을 가지기 때문이다.

또한, 각 부품은 유기적으로 연결되기 때문에, 예를 들어 제1공기조화기의 A부품이 제2공기조화기의 A부품보다 제조당시에는 내구성이 높다고 하여도, 제1공기조화기의 동작환경에 따라 제1공기조화기의 A부품이 제2공기조화기의 A부품보다 먼저 파손될 수 있다. 이를 인간의 해석을 바탕으로 획일적으로 판단하는 것은 불가능하다는 문제점이 있다.

또한, 정상상태의 데이터에 비하여 이상상태의 데이터는 빈도가 압도적으로 적으므로, 충분한 이상상태 데이터를 획득하는 것이 어려워 공기조화기의 이상진단이 어렵다는 문제점도 있다.

본 발명이 해결하고자 하는 과제는 인공지능모델을 이용하여 임의의 시점에서 측정한 데이터를 기초로 공기조화기의 이상진단을 하는 것이다.

본 발명의 또 다른 과제는 인공지능모델을 이용하여 공기조화기의 장치 중 이상이 발생한 장치의 위치를 특정하는 것이다.

본 발명의 또 다른 과제는 인공지능모델을 이용하여 임의의 시점에서 측정한데이터를 기초로 공기조화기의 잔여수명을 예측하는 것이다.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

상기 과제를 달성하기 위하여, 본 발명의 실시예에 따른 공기조화기의 진단방법은, 공기조화기의 이상발생시점 및 상기 이상발생시점으로부터 과거를 이상구간과 정상구간으로 구분하고, 상기 구간별로 상기 공기조화기의 기준데이터를 획득하여 인공지능모델을 학습시키는 학습단계; 및 상기 인공지능모델을 이용하여 공기조화기의 이상여부를 진단하는 진단단계; 를 포함한다.

상기 학습단계는 저장부에 기 저장된 하나 이상의 입력인자에 대한 기준인자값을 이용하여 기준데이터를 획득하고, 상기 획득한 기준데이터로 인공지능모델을 학습시킬 수 있다.

본 발명의 일 실시예에 따르면, 상기 학습단계는 적어도 둘 이상의 이상발생시점을 감지하고, 제1이상발생시점으로부터 이상추정시간을 소급하여 제1비상시점을 특정하고, 제1이상발생시점부터 비정상시점까지를 이상구간으로 특정하고, 비정상시점부터 제2이상발생시점까지를 정상구간으로 특정하여, 구간별로 기준데이터를 학습할 수 있다.

상기 진단단계는 공기조화기에 배치된 감지센서가 측정한 상기 하나 이상의 입력인자에 대한 제1인자값을 상기 프로세서로 전송하고, 상기 프로세서는 상기 제1인자값을 이용하여 제1데이터를 획득하고, 인공지능모델을 이용하여 제1데이터와 기준데이터를 비교해 이상여부를 판단할 수 있다.

상기 진단단계는 인공지능 모델을 이용하여 공기조화기 내에 이상있는 장치를 특정할 수 있다.

본 발명의 다른 실시예에 따르면, 학습단계는 제1발생시점으로부터 제2발생시점까지를 2 이상의 잔여수명구간으로 분할할 수 있다. 진단단계는 공기조화기에 배치된 감지센서가 측정한 제2인자값을 이용하여 제2데이터를 획득하고, 인공지능모델을 이용하여 다음 이상발생시점까지 잔여수명을 판단할 수 있다.

본 발명의 또다른 실시예에 따르면, 학습단계에서는 제1이상발생시점부터 제2이상발생시점까지를 2 이상의 구간으로 분할할 수 있고, 상기 분할구간에서 적어도 하나이상의 입력인자에 대해 기준인자값을 연속적으로 측정해 기준데이터를 획득하여 인공지능모델을 학습할 수 있다. 진단단계에서는 분할구간 중 적어도 2이상의 구간에서 하나 이상의 입력인자에 대한 제3인자값들을 연속적으로 측정할 수 있고, 상기 제3인자값들을 이용하여 제3데이터를 획득할 수 있다. 제3데이터는 기준데이터와 인공지능모델을 이용하여 추이를 비교하여 공기조화기를 진단할 수 있다.

인공지능모델을 이용하여, 공기조화기를 진단한 후 획득한 제1 내지 제3 데이터를 새로운 기준데?延庫? 할 수 있고, 저장부에 기 저장된 입력인자를 변경할 수 있고, 이상추정시간 등 저장부에 저장된 기타 데이터를 변경할 수 있다.

인공지능모델 중 KNN모델을 이용하여, 획득한 데이터와 기준데이터 사이의 거리에 가중치를 부여하여 공기조화기를 진단할 수 있다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 공기조화기의 진단방법에 따르면 다음과 같은 효과가 하나 혹은 그 이상 있다.

첫째,　기준데이터를 이상구간과 정상구간으로 구분하여 학습한 인공지능모델을 이용하여, 임의의 시점에서 측정한 데이터를 기초로 정확하게 공기조화기의 이상진단을 하는 장점이 있다.

둘째,　기준데이터를 이상이 발생한 위치별로 구분하여 학습한 인공지능모델을 이용하여, 임의의 시점에서 측정한 데이터를 기초로 공기조화기의 장치 중 이상이 발생한 일부장치를 특정하는 장점도 있다.

셋째,　기준데이터를 잔여수명구간으로 구분하여 학습한 인공지능모델을 이용하여, 임의의 시점에서 측정한 데이터를 기초로 공기조화기의 잔여수명을 예측하는 장점도 있다.

넷째, 기준데이터를 여러 구간으로 구분하여 연속적인 인자값으로 학습한 인공지능모델을 이용하여, 일정한 구간에서 데이터의 변화추이를 기초로 정확하게 공기조화기의 이상진단을 하는 장점도 있다.

다섯째, 인공지능모델을 이용하여 저장부에 저장된 기준데이터 또는 입력인자를 변경하여, 설치환경에 따라 커스터마이징하는 장점도 있다.

본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 공기조화기의 주요 구성요소를 간략하게 도시한 도,
도 2는 공기조화기의 시간에 따른 성능을 정상구간 및 이상구간으로 구분하여 도시한 도,
도 3은 입력인자를 우선순위에 따라 예시적으로 표시한 표,
도 4는 공기조화기의 사이클을 각 실시예에 따라 일정한 구간으로 분할한 도,
도 5는 공기조화기의 진단방법을 간략하게 도시한 블록도,
도 6은 제1실시예에 따른 공기조화기의 진단방법을 도시한 블록도,
도 7은 제2실시예에 따른 공기조화기의 진단방법을 도시한 블록도,
도 8은 공기조화기의 사이클을 제3실시예에 따라 일정한 구간으로 분할한 도,
도 9은 제3실시예에 따른 공기조화기의 진단방법을 도시한 블록도,
도 10는 추가학습방법을 도시한 블록도,
도 11 및 도 12은 KNN 모델에 따른 공기조화기의 진단방법을 간략하게 도시한 도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

이하, 본 발명의 실시예들에 의하여 공기조화기의 진당방법을 설명하기 위한 도면들을 참고하여 본 발명에 대해 설명하도록 한다.

도 1을 참조하면, 공기조화기는 열교환기를 구비하는 실내기와, 압축기 및 열교환기 등을 구비하는 실외기로 분리되어 제어되며, 실외기 및 실내기가 냉매배관으로 연결되어, 실외기의 압축기로부터 압축된 냉매가 냉매배관을 통해 실내기의 열교환기로 공급되고, 실내기의 열교환기에서 열교환된 냉매는 다시 냉매배관을 통해 실외기의 압축기로 유입된다. 그에 따라 실내기는 냉매를 이용한 열교환을 통해 냉온의 공기를 실내로 토출한다.

실외기는 실내기에 냉매배관으로 연결되어, 실내기로부터 냉매를 공급받는다. 실외기는 열교환기를 구비하여 공급받은 냉매와 외부공기 사이에 열교환을 할 수 있다. 실외기는 열교환된 냉매를 실내기로 공급한다.

냉방운전의 경우, 실외기는 압축기로부터 고온-고압의 냉매를 공급받아 저온-고압의 냉매를 팽창기로 공급한다. 난방운전의 경우, 실외기는 팽창기로부터 저온-저압의 냉매를 공급받아 고온-저압의 냉매를 압축기로 배출한다.

실외기는 연결된 실내기로부터 수신되는 데이터 또는 제어기의 제어명령에 대응하여, 냉방모드 또는 난방모드로 동작하며, 연결된 실내기로 냉매를 공급한다.

실외기는 냉매를 압축하여 고압의 기체 냉매를 토출하는 적어도 하나의 압축기, 냉매로부터 기체 냉매와 액체냉매를 분리하여 기화되지 않은 액체냉매가 압축기로 유입되는 것을 방지하는 어큐뮬레이터, 압축기에서 토출된 냉매 중 오일을 회수하는 오일회수기, 외기와의 열교환에 의하여 냉매를 응축하거나 증발되도록 하는 실외열교환기, 실외열교환기의 열교환을 보다 원활하게 하기 위하여 실외 열교환기로 공기를 유입하고 열교환된 공기를 외부로 토출하는 실외기 팬, 실외기의 운전모드에 따라 냉매의 유로를 변경하는 사방밸브, 압력을 측정하는 적어도 하나의 압력센서, 온도를 측정하는 적어도 하나의 온도센서, 실외기의 동작을 제어하고 다른 유닛과의 통신을 수행하는 제어구성을 포함할 수 있다. 실외기는 그 외 다수의 센서, 밸브, 과냉각기 등을 더 포함할 수 있으나, 그에 대한 설명은 하기에서 생략하기로 한다.

실내기는 실외기에서 공급받은 냉매를 실내공기와 열교환하는 장치이다.

냉방운전의 경우, 실내기는 팽창기로부터 저온-저압의 냉매를 공급받는다. 냉매는 실내열교환기를 통과하며 실내공기와 열교환을 하고, 냉매의 온도는 상승하며, 실내공기의 온도는 하강한다. 실내열교환기를 통과한 냉매는 압축기로 향한다.

난방운전의 경우, 실내기는 압축기로부터 고온-고압의 냉매를 공급받는다. 냉매는 실내열교환기를 통과하며 실내공기와 열교환을 하고, 냉매의 온도는 하강하며, 실내공기의 온도는 상승한다. 실내열교환기를 통과한 냉매는 팽창기로 향한다.

상기 팽창기는 전자팽창밸브(미도시)일 수 있다.

실내기는 실내공기가 실내열교환기로 유입되도록 하고, 열교환된 공기가 실내로 노출되도록 하는 실내기 팬(미도시), 다수의 센서(미도시), 실내기의 동작을 제어하는 제어수단(미도시)을 포함할 수 있다.

또한, 실내기는 열교환된 공기를 토출하는 토출구(미도시)를 포함하고, 토출구에는 토출구를 여닫고, 토출되는 공기의 방향을 제어하는 풍향조절수단(미도시)이 구비된다. 실내기는 실내기 팬의 회전속도를 제어함으로써 흡입되는 공기 및 토출되는 공기를 제어하며, 풍량을 조절한다. 실내기는 실내기의 운전상태 및 설정정보가 표시되는 출력부 및 설정 데이터 입력을 위한 입력부를 더 포함할 수 있다. 이때 실내기는 공기조화기 운전에 대한 설정정보를 연결되는 리모컨(미도시)으로 전송하여 리모컨을 통해 출력하고, 데이터를 입력받을 수 있다.

리모컨(미도시)은 실내기와 유선 또는 무선 통신 방식으로 연결되어 실내기로 사용자명령을 입력하고, 실내기의 데이터를 수신하여 출력한다. 리모컨은 실내기와의 연결방식에 따라 실내기로 사용자 명령을 전송하고, 실내기의 데이터를 수신하지 않는 일방향 통신을 수행하거나, 실내기와 상호 데이터를 송수신하는 양방향 통신을 수행할 수 있다.

프로세서(100)는 상기 실내기와 실외기를 포함하는 공기조화기 전체를 제어한다. 프로세서(100)는 사용자가 명령을 입력부에 입력하면, 사용자의 명령에 대응하여 실내기 또는 실외기의 동작을 제어하고, 그에따는 결과를 출력부에 표시한다. 프로세서(100)는 공기조화기에 배치된 감지센서(120)들로부터 정보를 제공받아 정보처리를 한 후, 실내기 또는 실외기를 제어하거나 출력부에 정보를 표시할 수 있다. 프로세서(100)는 상기 획득한 정보를 통신부를 통해 다른 장치들과 통신할 수 있다.

프로세서(100)는 입력부 및 출력부를 통해 입출력되는 데이터를 제어하고, 저장부(130)에 저장되는 데이터를 관리하며, 통신부를 통한 데이터의 송수신을 제어할 수 있다. 프로세서(100)는 연결부를 통한 통신부의 연결상태 및 통신상태를 감지하고, 에러를 판단할 수 있다.

프로세서(100)는 다른 유닛으로부터의 요청 또는 설정된 운전설정에 따라 동작하도록 제어명령을 생성하여 구동부로 인가할 수 있다. 그에 따라 구동부는 연결되는 구성, 예를 들어 압축기, 실외기 팬, 밸브, 실내기 팬, 풍향조절수단 등이 각각 동작하도록 한다.

또한, 프로세서(100)는 유닛이 동작중인 상태에서, 센싱부의 복수의 감지센서(120)로부터 입력되는 데이터에 대응하여 동작상태를 판단하고, 이상을 판단하여 에러를 출력할 수 있다.

저장부(130)에는, 공기조화기의 동작을 제어하기 위한 제어데이터, 다른 유닛과 통신하기 위한 주소 또는 그룹설정에 대한 통신데이터, 외부로부터 송수신되는 데이터, 동작 중 발생하거나 또는 감지되는 동작데이터가 저장된다. 저장부(130)는 유닛의 기능별 실행프로그램, 동작 제어를 위한 데이터, 송수신되는 데이터가 저장된다. 저장부(130)는 하드웨어적으로, ROM, RAM, EPROM, 플래시 드라이브, 하드 드라이브 등과 같은 다양한 저장기기 일 수 있다.

입력부는 프로세서(100)와 연결되며, 사용자의 명령을 입력받아 프로세서(100)로 전송하는 장치이다. 입력부는 버튼, 스위치, 터치입력수단과 같은 입력수단을 적어도 하나를 포함한다. 입력부는 입력수단의 조작에 대응하여 사용자 명령 또는 소정의 데이터가 입력되면, 입력되는 데이터를 프로세서(100)로 인가한다. 상기 입력부의 종류로서 실외기에 전원키, 시운전키, 주소 설정키가 위치할 수 있고, 실내기에는 전원키, 메뉴입력키, 운전설정키, 온도조절키, 풍량키, 잠금키 등이 구비될 수 있다.

출력부는 특정한 정보를 사용자가 알 수 있게 표시하는 장치로, 프로세서(100)가 처리한 정보도 표시할 수 있다. 출력부는 점등 또는 점멸제어되는 램프, 소정 음향을 출력하는 스피커를 구비하는 오디오 출력부 및 디스플레이 중 적어도 하나를 포함하여 유닛의 동작상태를 출력할 수 있다. 램프는 점등 여부, 점등색상, 점멸 여부에 따라 유닛이 동작중인지 여부를 출력하고, 스피커는 소정의 경고음, 효과음을 출력하여 동작상태를 출력한다. 디스플레이는 유닛의 제어를 위한 메뉴화면을 출력하고, 유닛의 운전설정 또는 동작상태를, 문자, 숫자, 이미지 중 적어도 하나의 조합으로 구성된 안내 메시지 또는 경고를 출력할 수 있다.

센싱부는 공기조화기의 여러 위치에 배치되어 여러가지 정보를 프로세서(100)로 전송하는 장치이다. 센싱부는 복수의 감지센서(120)를 포함할 수 있다. 일 예로 도 1에 도시된 감지센서(120)도 센싱부에 포함된다. 센싱부는 압력센서, 온도센서, 가스센서, 습도센서, 유량센서가 포함될 수 있다.

예를 들어 온도센서는 복수로 구비되어, 실내온도, 실외온도, 실내열교환기온도, 실외열교환기온도, 배관온도를 감지하여 프로세서(100)로 전송한다. 압력센서는 냉매배관의 입출입구에 각각 설치되어, 유입되는 냉매의 압력과 토출되는 냉매의 압력을 각각 측정하여 프로세서(100)로 전송한다. 압력센서는 냉매배관뿐 아니라, 수관에도 설치될 수 있다.

센싱부에 포함되는 감지센서(120)의 종류 및 위치는 상기 기재에 한하지 않고, 통상의 기술자가 용이하게 실시할 수 있는 정도의 변경을 포함한다.

구동부는 프로세서(100)의 제어명령에 따라 제어대상으로 동작전원을 공급하고 그 구동을 제어한다. 앞서 설명한 바와 같이, 실외기의 경우, 구동부는 압축기, 실외기 팬, 및 밸브를 각각 제어하는 압축기구동부, 실외기 팬구동부, 밸브제어부가 각각 별도로 구비될 수 있다. 구동부는 압축기, 실외기 팬, 밸브 등에 각각에 구비되는 모터로 동작전원을 인가하여 모터가 동작함에 따라 지정된 동작을 수행하도록 한다.

인공지능은 인간의 학습능력, 추론능력, 지각능력, 및 이해능력 등을 컴퓨터 프로그램으로 실현한 기술이고, 인공지능을 이용하여 특정한 데이터에 대하여 학습되고 실현된 것이 인공지능모델이다. 인공지능은 크게 프로세서(100)에 데이터를 제공하여 학습하게 하고 새로운 지식을 획득하는 기계학습(Machine Learning)과 사람의 뇌를 모델링하여 사람처럼 생각하고 학습하는 DNN(Deep Neural Network, 심층신경망) 등이 있다

공기조화기에 배치된 감지센서(120)가 감지한 데이터는 프로세서(100)로 전송될 수 있다. 프로세서(100)는 전송된 데이터를 DNN을 통하여 학습할 수 있고, 학습된 인공지능모델(110)을 저장부(130)에 저장할 수 있다.

DNN(Deep Neural Network)은 심층신경망으로, 스스로 학습하는 인공지능이다. 다른 표현으로 Deep Learing이라고 표현한다. DNN은 신경망을 기반으로 많은 데이터를 분류하여, 같은 집합들끼리 묶거나 여러층의 신경망을 만들어 상하관계를 파악한다. DNN은 스스로 학습하고 상황을 예측할 수 있다.

신경망(Neural Network)은 사람의 뇌세포를 모델로 하여 만들어진 알고리즘이고, DNN은 상기 신경망을 여러 계층(Layer)으로 쌓은 알고리즘이다. DNN은 계층(Layer)수를 늘려 학습하며, 다양한 답을 추론할 수 있고, 많은 수의 자료를 학습을 한다. 상기 계층이 많을수록 더 정확한 답을 추론할 수 있다.

LSTM(long Short-Term Memory)는 장단기메모리로서, 기존의 알고리즘과는 달리 오랫동안 정보를 기억하는 기능을 가진다. 정보가 저장되는 Cell State를 구비하며, LSTM은 입력되는 정보를 Cell State에 새로이 저장할 수 있다. 보다 상세하게는, LSTM은 입력정보를 유지할지 버릴지 결정할 수 있고, 입력정보 중 갱신할 값을 선택하여 생성할 수 있다.

KNN(k-Nearest Neighbor Model)모델은 기계학습의 한 종류로서, 학습에 필요한 데이터를 메모리에 기억하고 있다가, 데이터가 입력될 때 데이터를 분류하는 모델이다. 새로운 데이터가 어느 그룹에 속하는지 분류하기 위해 그 데이터에 가장 가까이에 있는 학습데이터가 속한 그룹을 조사한다. 보다 상세하게는, 입력데이터와 인접한 데이터를 k개 탐색한다. 상기 k는 홀수일 수 있다.

SVM(Support Vector Machine) 모델은 입력된 데이터가 2개의 그룹으로 분류될 수 있을 때, 입력데이터를 분류하는 모델이다. SVM은 두 그룹을 구별하는 직선식을 찾고, 직선식으로부터 두 그룹이 멀리 떨어지도록 하는 직선식을 구하여 분류한다.

도 2를 참조하여 본 발명에 따른 공기조화기의 진단방법의 개요를 설명한다.

본 발명은 공기조화기에서 획득한 데이터로 인공지능모델을 학습시키고, 학습된 인공지능모델을 이용하여 공기조화기의 정상 또는 이상을 진단하기 위한 것이고, 나아가 공기조화기의 잔여수명을 예측하기 위함이다.

공기조화기에서 획득한 데이터를 통하여 정상 또는 이상을 판단하는 것은 인간의 해석으로는 불완전하다. 공기조화기의 각 장치에서의 데이터들은 여러가지 값을 가질 수 있고, 그 중 몇가지의 데이터만으로 공기조화기가 정상적으로 작동하는지 단정할 수 없기 때문이다. 예를 들어, 실외 열교환기를 통과하는 냉매의 온도가 설계할 때 예상되는 온도보다 낮다고 하더라도, 실내열교환기를 통과하는 냉매의 온도가 정상적인 경우에는 해당 공기조화기는 정상이라고 보아야 하기 때문이다. 본 발명에서는 인간의 인위적 판단을 최대한 배제한 채, 공기조화기에서 획득한 데이터들 만으로 공기조화기의 정상 또는 이상여부를 진단하고, 나아가 공기조화기의 잔여수명을 예측하는 인공지능모델을 설명한다.

본 발명에 따르면, 프로세서(100)는 공기조화기가 운전중에 이상이 발생한 경우, 다음 이상이 발생할 때 까지를 한 사이클로 구성할 수 있다. 상기 이상발생시점으로부터 과거를 이상구간과 정상구간으로 구분할 수 있고, 상기 구간별로 공기조화기의 기준데이터를 획득하여 인공지능모델(110)을 학습시키는 학습단계를 포함한다. 그리고, 프로세서(100)는 상기 학습한 인공지능모델(110)을 이용하여 공기조화기의 이상여부를 진단하는 진단단계를 포함한다.

본 발명에서 정의한 정상구간(241~243)은 공기조화기 또는 공기조화기의 특정 부품이 특정한 범위 내에서 일정 이상의 성능을 발휘하여 정상적으로 작동하는 구간이다. 상기 성능은, 최초로 설계한 성능을 100%라고 할 때, 5% 오차를 가지는 범위의 값일 수 있고, 사용자가 직접 설정하는 범위일 수 있고, 상기 프로세서(100)가 인공지능모델(110)을 통하여 새로이 결정한 임의의 범위일 수 있다.

본 발명에서 정의한 이상발생시점(211~213)은 공기조화기의 이상을 판정할 수 있는 한계점을 말하며, 공기조화기가 제 기능을 발휘하지 못하는 시기, 즉 고장시기라고 정한다. 하지만 상기 기재에 한하지 않으며, 통상의 기술자를 기준으로 이상발생시점은 다른 시점으로 정의될 수 있다.

예를 들어, 최초로 설계한 성능을 100%라고 할 때, 이상발생시점은 0%의 성능, 즉 고장시기일 수 있다. 하지만 상기 기재에 한하지 않으며, 최초성능의 50%값으로 설정하거나 변경할 수 있고, 프로세서(100)가 인공지능모델(110)을 통하여 적절한 성능으로 이상발생시점을 변경할 수 있다.

본 발명에서 정의한 이상구간(231~233)은 상기 이상발생시점과 정상구간 사이의 구간이다. 이상구간 내에서는 공기조화기는 작동이 가능하나, 정상구간과 같은 성능을 발휘하지 못할 수 있다.

이상구간 동안 공기조화기는 임의의 성능변화를 가진다. 로그함수와 유사한 형태(이상1)를 가질 수도 있고, 선형의 형태(이상2)를 가질 수도 있고, 지수함수와 유사한 형태(이상3)를 가질 수도 있다. 도 2에 도시한 바와 같이 공기조화기의 성능이 임의로 변하는 것은 인간이 인위적으로 판단하는데 어려움이 있다. 따라서, 본 발명은 인공지능모델(110)을 특정하고, 프로세서(100)가 인공지능모델(110)을 이용하여 공기조화기의 이상여부를 진단하게 한다.

본 발명에서 정의한 비정상시점(221~223)은 정상구간과 이상구간의 경계에 해당하는 시점으로, 공기조화기가 정상운전을 하다가 이상운전을 시작하는 경계점으로 정의한다. 비정상시점은 인공지능 모델을 이용하여 특정될 수 있다. 비정상시점 이전에는 공기조화기는 정상적으로 운전을 하고, 비정상시점 이후에는 운전성능이 다소 떨어질 수 있다.

즉, 프로세서(100)는 데이터가 입력되면 상기 도 2의 그래프 상에서 공기조화기의 성능이 정상인지 또는 이상인지 판단할 수 있고, 장래 이상발생시점까지 남아있는 잔여시간을 예측할 수 있다.

도 3은 공기조화기의 여러 입력인자(310)들을 표시한 것이다. 상기 입력인자(310)들은 공기조화기의 여러가지 부품의 상태를 나타내기 위한 인자들이다. 센서부의 감지센서(120)들은 공기조화기의 여러 위치에 배치되어, 상기 입력인자(310)들에 대응되는 인자값들을 측정하여 프로세서(100)로 전송할 수 있다. 학습단계의 경우, 입력인자의 인자값은 기준인자값(330)이 되고, 기준인자값(330)은 기준데이터(300)로 가공된다. 진단단계의 경우, 입력인자의 인자값들은 제1 내지 제3인자값(431~433)이 되고, 제1 내지 제3인자값은 제1 내지 제3데이터(401~403)로 가공되고, 제1 내지 제3데이터(401~403)는 상기 기준데이터(300)와 비교된다.

도 3을 참조하면 상기 입력인자들은 우선순위를 가지며, 상기 우선순위는 공기조화기의 성능에 영향을 주는 정도를 기준으로 순위를 매긴 것이다.

상기 우선순위 또는 입력인자의 종류는 통상의 기술자를 기준으로 용이하게 채택할 수 있는 범위 내에서 변경이 가능하고, 후술하는 바와 같이 프로세서(100)가 인공지능모델(110)을 통하여 변경할 수도 있다.

도 4 내지 도 6을 참조하여 제1실시예에 따른 공기조화기의 진단방법을 설명한다.

프로세서(100)는 공기조화기로부터 기준데이터를 획득하여, 상기 소개한 인공지능모델(110)을 학습시킨다. 인공지능모델(110)을 학습시킨 후 공기조화기로부터 임의의 데이터가 입력되면, 프로세서(100)는 상기 학습된 인공지능모델(110)을 이용하여 공기조화기가 정상인지 이상인지 여부를 진단한다. 보다 상세하게는, 프로세서(100)는 공기조화기의 이상발생시점을 특정하고, 상기 이상발생시점으로부터 과거를 이상구간과 정상구간으로 구분한다. 프로세서(100)는 이상구간 및/또는 정상구간으로부터 각각 기준데이터를 획득하여 인공지능모델(110)을 학습시킨다.

데이터는 하나 이상의 입력인자, 및 상기 입력인자에 대응되는 인자값으로 구성된다. 기준데이터(300)는 저장부(130)에 기 저장된 하나 이상의 입력인자(310), 및 상기 입력인자에 대응되는 기준인자값(320)으로 구성된다. 상기 입력인자(310)는 후술하는 바와 같이 사용자의 명령으로 변경되거나, 프로세서(100)가 인공지능모델(110)을 이용하여 변경할 수 있다. 상기 기준인자값(320)은 후술하는 바와 같이 사용자의 명령으로 변경되거나, 프로세서(100)가 인공지능모델(110)을 이용하여 변경할 수 있다.

프로세서(100)는 저장부(130)에 기 저장된 하나 이상의 입력인자(310) 및 상기 입력인자에 대한 기준인자값(320)을 이용하여 기준데이터(300)를 획득할 수 있고, 상기 획득한 기준데이터(300)로 인공지능모델(110)을 학습시킬 수 있다. 상기 기준데이터(300) 또는 인공지능모델(110)은 저장부(130)에 저장될 수 있다.

프로세서(100)는 적어도 둘 이상의 이상발생시점을 감지하여 특정할 수 있다. 도 4를 참조하면, 가장 최근에 발생한 제1이상발생시점(211), 제1이상발생시점(211)보다 과거에 발생한 제2이상발생시점(212) 및 제3이상발생시점(213)을 감지하여 특정할 수 있다.

한편 저장부(130)에는 이상추정시간(220)이 이미 저장되어 있을 수 있다. 이상추정시간(220)은 이상이 발생하였을 때, 이상발생시점 전에 공기조화기가 정상적인 성능을 발휘하지 못할 것이라고 추측되는 시간이다. 전술한 바와 같이, 모든 경우에 비정상시점을 각각 감지하는 것은 물리적으로 불가능하기 때문에, 실험에 따라 이상추정시간(220)을 저장부(130)에 저장시킨 후, 이상이 발생한 시점으로부터 이상추정시간(220)까지는 이상으로 추정하고, 이상추정시간(220)보다 과거의 시간은 정상으로 추정한다.

프로세서(100)는 제1이상발생시점(211)으로부터 기 저장된 이상추정시간(220)을 소급하여 제1비정상시점(221)을 특정할 수 있다.

프로세서(100)는 제1이상발생시점(211)부터 제1비정상시점(221) 까지를 제1이상구간(231)으로 특정하고, 상기 제1비정상시점(221)부터 제2이상발생시점(212)까지를 제1정상구간(241)으로 특정할 수 있다. 보다 상세하게는, 제1이상구간(231)은 제1이상발생시점(211)부터 제1비정상시점(221)까지이고, 제1정상구간(241)은 제1비정상시점(221)부터 제2이상발생시점(212) 까지이다. 이와 유사하게, 제2이상구간(232)은 제2이상발생시점(212)부터 제2비정상시점(222)까지이고, 제2정상구간(242)은 제2비정상시점(223)부터 제3이상발생시점(213)까지이다.

프로세서(100)는 상기 이상구간 또는 정상구간에서 하나 이상의 입력인자(310) 및 이에 대한 기준인자값(330)을 이용하여 기준데이터(300)를 획득할 수 있고, 상기 획득한 기준데이터(300)로 인공지능모델(110)을 학습시킬 수 있다.

본 발명의 제1실시예에 따르면, 프로세서(100)는 학습된 인공지능모델(110)을 이용하여 공기조화기를 진단할 수 있다(S120). 즉, 공기조화기에 배치된 감지센서(120)가 획득한 제1인자값(431)을 프로세서(100)로 전송하면, 프로세서(100)는 기 저장된 기준데이터(300)와 비교하여 공기조화기를 진단할 수 있다.

공기조화기에 배치된 감지센서(120)는 저장부(130)에 기 저장된 입력인자에 대한 제1인자값(431)을 측정할 수 있고, 상기 프로세서(100)로 전송할 수 있다(S121). 감지센서(120)는 공기조화기 내부의 여러 위치에 배치되고, 하나 이상의 제1인자값(431)을 프로세서(100)로 전송한다.

프로세서(100)는 상기 감지센서(120)로부터 전송받은 제1인자값(431)을 기초로 공기조화기의 이상여부를 판단할 수 있다(S122). 상기 프로세서(100)는 저장부(130)에 저장된 하나 이상의 입력인자(310) 및 감지센서(120)로부터 전송된 제1인자값(431)을 이용하여 제1데이터(401)를 생성 또는 획득할 수 있다. 프로세서(100)는 상기 제1데이터(401)와 기준데이터(300)를 비교하여 정상 또는 이상 중 어느 하나를 판단할 수 있다. 프로세서(100)는 인공지능 모델(110)을 이용하여 제1데이터(401)와 기준데이터(300)를 비교하여 정상 또는 이상 여부를 판단할 수 있다.

프로세서(100)는 인공지능모델(110)을 이용하여 공기조화기 중 일부 이상이 발생하여 비정상운전을 하는 장치를 특정할 수 있다(S123). 프로세서(100)는 상기 이상판단을 하는 경우 또는 정상판단을 하는 경우에, 일부 이상있는 장치의 위치를 특정할 수 있다.

도 12를 참조하면 상기 인공지능모델(110)은 기존데이터들을 에러코드(Error NUM.)별로 분류하여 저장부(130)에 저장할 수 있다. 예를 들어, 에러코드29(Error NUM=29)에 존재하는 기준데이터들이 압축기상에 이상이 발생했을 경우의 기준데이터들이라면, 제1데이터(도 11의 타겟데이터)가 에러코드29에 근접할 경우 공기조화기는 압축기에 일부 이상이 발생하였을 것이라고 특정할 수 있다. 프로세서(100)는 인공지능모델(110)을 이용하여 이상있는 장치를 특정함으로써 이상발생시점에서 이상있는 장치만을 신속하게 수리하거나, 이상있는 장치에 부하가 가해지지 않도록 제어할 수 있다.

본 발명의 제1실시예에 따르면, 프로세서(100)는 감지센서(120)가 획득한 입력인자를 현장에서 획득한 기준데이터와 비교하여 공기조화기를 진단하기 때문에, 인간의 인위적인 판단이 없는 경우에도 설치장소의 환경을 고려하여 보다정확한 진단을 할 수 있다.

도 10를 참조하면, 프로세서(100)는 공기조화기의 정상여부를 진단한 후, 상기 획득한 제1데이터(401)를 기준데이터(300')로 하는 추가학습을 할 수 있다(S30). 프로세서(100)는 인공지능모델(110)을 이용하여 획득한 제1데이터(401)를 기준데이터(300')로 학습할 수 있다.

프로세서(100)는 획득한 제1데이터(401)를 기준데이터(300')로 추가로 학습할 수 있다(S31). 상기 새로이 획득한 기준데이터(300')는 기 저장된 기준데이터(300)와 병존할 수 있다. 따라서, 프로세서(100)는 후에 임의의 데이터가 입력되는 경우 보다 정확한 진단을 할 수 있고, 회차를 거듭할수록 점점 더 정확한 진단을 할 수 있다는 효과가 있다.

프로세서(100)는 저장부(130)에 기 저장된 입력인자(310)를 변경할 수 있다(S32). 프로세서(100)는 인공지능모델(110)을 이용하여 입력인자 간의 우선순위를 변경할 수 있고, 저장된 입력인자(310)를 삭제할 수 있고, 새로운 입력인자(310')를 생성하여 저장할 수 있다. 프로세서(100)는 기 저장된 입력인자(310)가 현재 환경에 적합하지 않다고 판단하는 경우, 인공지능모델(110)을 이용하여 저장부(130)에 기 저장된 입력인자(310)를 새로운 입력인자(310')로 변경하여, 커스터마이징 할 수 있다.

프로세서는 저장부(130)에 기 저장된 이상추정시간(220)을 변경할 수 있다(S33). 프로세서(100)는 인공지능모델(110)을 이용하여 기 저장된 이상추정시간(220)을 변경할 수 있다. 프로세서(100)는 기 저장된 이상추정시간(220)이 현재 환경에 적합하지 않다고 판단하는 경우, 인공지능모델(110)을 이용하여 보다 적합한 이상추정시간(220')으로 변경할 수 있고, 보다 정확한 정상여부 판단을 할 수 있다는 효과가 있다.

도 4 및 도 7을 참조하여 제2실시예에 따른 공기조화기의 진단방법을 설명한다. 제2실시예에 따르면 공기조화기의 잔여수명을 예측할 수 있다. 제2실시예에 따른 공기조화기의 진단방법은 상술한 제1실시예와 저촉되지 않는 범위내에서 인용될 수 있다.

도 4를 참조하면 프로세서(100)는 제2실시예에 따른 제2학습단계를 수행할 수 있다. 제2학습단계에서는 잔여수명구간을 저장부(130)에 저장할 수 있다.

프로세서(100)는 상기 제1이상발생시점(211)과 제2이상발생시점(212) 사이의 구간을 N개의 잔여수명구간(251a~251e)으로 분할하여 잔여수명시간을 부여할 수 있다.

일 실시예에 따르면, 프로세서(100)는 상기 잔여수명구간을 임의로 분할할 수 있다. 프로세서(100)가 잔여수명구간을 임의로 분할하는 경우, 제1이상발생시점(211)까지 기대수명을 손쉽게 예측할 수 있는 효과가 있다.

또 다른 실시예에 따르면, 프로세서(100)는 도 4에 도시한 것과 같이 이상구간의 잔여수명구간(251a~251c)과 정상구간의 잔여수명구간(251d,251e)으로 나누어 분할할 수도 있다. 프로세서(100)가 잔여수명구간을 이상구간(231)과 정상구간(241)으로 나누어 분할한 경우, 공기조화기의 이상여부와 잔여수명을 동시에 예측할 수 있다는 효과가 있다.

도 7을 참조하여 제2실시예에 따른 진단방법을 설명한다. 제2실시예에 따르면 프로세서(100)는 인공지능모델(110)을 이용하여 공기조화기의 잔여수명을 예측할 수 있다.

공기조화기에 배치된 감지센서(120)는 저장부(130)에 기 저장된 입력인자에 대한 제2인자값(432)을 측정할 수 있고, 상기 프로세서(100)로 전송할 수 있다(S221).

프로세서(100)는 상기 감지센서(120)로부터 전송받은 제2인자값(432)을 기초로 공기조화기의 이상발생시기, 즉 공기조화기의 잔여수명을 예측할 수 있다(S222). 보다 상세하게는, 프로세서(100)는 상기 제2인자값(432)을 이용하여 제2데이터(402)를 생성 또는 획득할 수 있고, 인공지능모델(110)을 이용하여 상기 제2데이터(402)와 기준데이터(300)를 비교함으로써 공기조화기의 이상여부를 판단할 수 있고, 동시에 또는 별개로 다음 이상발생시점까지 잔여수명을 예측할 수 있다.

프로세서(100)는 인공지능모델(110)을 이용하여 잔여수명을 예측함과 동시에 공기조화기 중 이상이 발생할 수 있는 장치를 예측할 수도 있다(S223). 따라서, 프로세서(100)는 이상이 발생할 수 있는 장치를 미리 특정하여 이상발생이 예측되는 시기에 도달하기 전에 미리 이상있는 장치만을 신속하게 수리할 수 있다는 효과가 있다.

본 발명의 제2실시예에 따르면, 프로세서(100)는 감지센서(120)가 획득한 데이터를 현장에서 획득한 기준데이터와 비교하여 공기조화기를 진단하기 때문에, 해당 공기조화기에 알맞게 인간이 할 수 없는 공기조화기의 잔여수명을 예측할 수 있고, 그에 따라 효율적으로 공기조화기를 관리하고 운행할 수 있다는 효과가 있다.

도 7을 참조하면, 프로세서(100)는 공기조화기의 잔여수명을 예측한 후, 상기 획득한 제2데이터(402)를 기준데이터(300')로 하는 추가학습을 할 수 있다(S30). 보다 상세하게는, 프로세서(100)는 획득한 제2데이터(402)를 기준데이터(300')로 추가로 학습할 수 있고(S31), 저장부(130)에 기 저장된 입력인자(310)를 변경할 수 있고(S32), 저장부(130)에 기 저장된 잔여수명구간을 분할하는 기준시간을 변경할 수 있다(S33).

도 8 및 도 9를 참조하여 제3실시예에 따른 공기조화기의 진단방법을 설명한다. 제3실시예는 제1 및 제2실시예가 특정시점의 데이터를 기초로 판단하는 것과는 달리, 보다 안정적인 예측을 위하여 일정한 시간간격을 두고 공기조화기를 진단한다. 제3실시예에 따른 공기조화기의 진단방법은 상술한 제1 또는 제2실시예와 저촉되지 않는 범위내에서 제1 또는 제2실시예의 구성을 인용할 수 있다.

도 8을 참조하면, 제1구간(t1~t2) 및 제3구간(t3~t4)에서는 제3데이터와 기준데이터가 유사한 기울기를 가진다. 하지만, 모든 구간에서 보면 기준데이터와 제3데이터는 상이한 추이를 나타낸다. 따라서, 제1구간 또는 제3구간의 단편적인 데이터만을 가지고 공기조화기를 진단할 때에 오차가 발생할 우려가 있다. 따라서 제3실시예는 구간별로 추이를 판단하여 정확한 진단을 하는 효과가 있다.

제3실시예에 따른 제3학습단계(S310)에서는 제1이상발생시점(211)과 제2이상발생시점(212) 사이를 N개의 구간(261~269)으로 분할한다. 상기 제3실시예의 구간분할은 도 8에 도시한 것과 같이 9개의 구간(261~269)으로 분할할 수 있다. 하지만 정확한 추이를 판단하기 위하여 보다 많은 구간으로 분할할 수 있다.

감지센서(120)는 제1구간(261)에서부터 제9구간(269)까지에서 기 저장된 입력인자(310) 및 이에 대한 기준인자값(330)을 연속적으로 측정하여 프로세서(100)로 전송하고, 프로세서(100)는 상기 전송받은 기준인자값(330)들을 이용하여 기준데이터(300)를 획득할 수 있고, 상기 획득한 기준데이터(300)로 인공지능모델(110)을 학습시킬 수 있다.

즉, 제1 또는 제2실시예는 불특정한 임의의 시점에서의 데이터를 이용하는데 반하여, 제3실시예는 제1이상발생시점(211)부터 제2이상발생시점(212)까지의 모든 구간이 하나의 기준데이터(300)를 구성한다.

프로세서(100)는 상기 기준데이터(300)로 인공지능모델(110)을 학습시키고, 학습된 인공지능모델(110)을 이용하여 공기조화기를 진단할 수 있다(S320).

공기조화기에 배치된 감지센서(120)는 상기 분할한 구간 중 2 이상의 연속된 구간동안 제3인자값(433)을 측정할 수 있고, 상기 제3인자값(433)은 프로세서(100)로 전송된다(S321). 상기 제3인자(433)값 측정구간은 최소 2구간 이어야 하고, 연속된 구간 수가 많으면 보다 정확한 측정이 가능하다는 효과가 있다.

프로세서(100)는 상기 전송받은 연속된 제3인자값(433)을 이용하여 제3데이터(403)를 획득할 수 있고, 인공지능모델(110)을 이용하여 상기 제3데이터(403)와 기준데이터(300)를 비교함으로써 공기조화기를 진단할 수 있다(S322). 즉, 제3데이터(403)에서 제3인자값(433)의 추이와 기준데이터(300)의 기준인자값(330)의 추이를 비교하여 공기조화기를 진단한다.

프로세서(100)는 인공지능모델(110)을 이용하여 제3데이터(403)를 통해 공기조화기의 이상여부를 판단할 수도 있고, 공기조화기의 이상위치를 판단할 수도 있고, 공기조화기의 잔여수명을 예측할 수도 있다.

도 9을 참조하면, 프로세서(100)는 공기조화기의 이상발생시기를 예측한 후, 상기 획득한 제3데이터(403)를 기준데이터(300)로 하는 추가학습을 할 수 있다(S30). 보다 상세하게는, 프로세서(100)는 획득한 제3데이터(403)를 기준데이터(300)로 추가로 학습할 수 있고(S31), 저장부(130)에 기 저장된 입력인자(310)를 변경할 수 있고(S32), 저장부(130)에 기 저장된 구간분할 수를 변경할 수 있다(S33).

도 11 및 도 12을 참조하여 인공지능모델(110) 중 KNN에 따른 공기조화기의 진단방법을 설명한다. 상기 인공지능모델은 기준데이터의 값 또는 기준데이터의 거리를 종합적으로 고려하여 진단한다.

도 11은 타겟데이터(401~403, 제1데이터 내지 제3데이터 중 어느 하나)와 복수의 기준데이터(300)를 간략하게 도시한 도면이다.

기준데이터(300)들은 도 4의 제1잔여수명구간(251a) 내지 제5잔여수명구간(251e)의 영역 내에 분포된다. 상기 분포는 제2실시예에서와 같이 제1잔여수명구간(251a) 내지 제5잔여수명구간(251e)의 5개의 영역으로 구분되어 분포될 수도 있고, 제1실시예와 같이 이상구간(251a~251c)과 정상구간(251d,251e)의 2개의 영역으로 구분되어 분포될 수도 있다.

프로세서(100)는 거리가중치를 고려하지 않고 제1ㅅ실시예에 따른 공기조화기의 이상진단을 할 수 있다. 도 11의 임의의 범위내에는 총 5개의 기준데이터가 감지되며, 3개의 정상데이터와 2개의 이상데이터가 감지된다. 따라서, 상기 프로세서(100)는 타겟데이터(401)를 획득했을 때의 공기조화기는 정상이라고 판단할 수 있다.

한편 프로세서(100)는 인공지능모델(110)을 이용하여 거리가중치를 고려하는 제1실시예에 따른 공기조화기의 이상진단을 할 수 있다. 인공지능모델(110)은 임의의 범위내에서 기준데이터의 개수를 기초로 하고 타겟데이터(401)와 기준데이터(300)의 거리에 가중치를 부여하여 타겟데이터(401)를 획득했을 때의 공기조화기가 이상인지 판단할 수 있다.

이하, 이상위치를 진단하는 방법을 설명한다. 도 12를 참조하면, 타겟데이터(401)으로부터 임의의 범위내에는 기준데이터(300)들 중 3개의 이상데이터가 감지된다. 따라서, 상기 프로세서(100)는 타겟데이터(401)를 획득했을 때의 공기조화기는 에러코드29에 해당하는 장치가 상대적으로 비정상적인 작동을 한다고 판단할 수 있다. 한편, 프로세서(100)는 인공지능모델(110)을 이용하여 거리가중치를 고려하여 이상위치를 진단할 수 있음은 상술한 바와 같다.

이하 잔여수명을 예측하는 방법을 설명한다. 도 11의 임의의 범위내에서 3개의 기준데이터(300)는 제4잔여수명구간(251d)에 존재하며, 2개의 기준데이터(300)는 제1잔여수명구간(251a)에 존재한다. 따라서, 프로세서(100)는 인공지능모델(110)을 이용하여 잔여수명을 예측할 수 있다. 한편, 프로세서(100)는 인공지능모델(110)을 이용하여 거리가중치를 고려하여 보다 정확하게 잔여수명을 예측할 수도 있다.

이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

1: 공기조화기 100: 프로세서
110: 인공지능모델 120: 감지센서
130: 저장부 211: 제1이상발생시점
212: 제2이상발생시점 220: 이상추정시간
221: 제1비정상시점 222: 제2비정상시점
231: 제1이상구간 232: 제2이상구간
241: 제1정상구간 232: 제2정상구간
251a~e: 제1 ~ 제5 잔여수명구간
261~269: 제1 ~ 제9 구간
300: 기준데이터 310: 입력인자
330: 기준인자값 401: 제1데이터
402: 제2데이터 403: 제3데이터
431: 제1인자값 432: 제2인자값
433: 제3인자값
S10: 학습단계 S20: 진단단계
S30: 추가학습단계
S31: 제1데이터를 기준데이터로 추가학습하는 단계
S32: 저장된 입력인자를 변경하는 단계
S33: 이상추정시간을 변경하는 단계
S110: 제1학습단계
S120: 진단단계
S121: 제1인자값을 프로세서로 전송하는 단계
S122: 이상판단단계 S123: 위치판단단계
S210: 제2학습단계
S220: 제3진단단계
S221: 제2인자값을 프로세서로 전송하는 단계
S222: 이상예측단계 S223: 위치예측단계
S310: 제3학습단계 S320: 제3진단단계
S321: 제3인자값을 프로세서로 전송하는 단계
S322: 이상판단단계

Claims

프로세서를 포함하는 공기조화기의 진단방법에 있어서,
상기 프로세서는 공기조화기의 운전중에 이상이 발생하는 이상발생시점을 특정하고, 상기 이상발생시점으로부터 과거를 이상구간과 정상구간으로 구분하고, 상기 구간별로 상기 공기조화기의 기준데이터를 획득하여 인공지능모델을 학습시키는 학습단계; 및
상기 프로세서는 상기 인공지능모델을 이용하여 공기조화기의 이상여부를 진단하는 진단단계;를 포함하는 공기조화기의 진단방법.
제1항에 있어서, 상기 학습단계는,
상기 프로세서는 저장부에 기 저장된 하나 이상의 입력인자에 대한 기준인자값을 이용하여 상기 기준데이터를 획득하고, 상기 획득한 기준데이터로 인공지능모델을 학습시키는 공기조화기의 진단방법
제2항에 있어서,
상기 학습단계는,
제1이상발생시점 및 상기 제1이상발생시점보다 이전에 발생한 제2이상발생시점을 감지하고,
제1이상발생시점으로부터 저장부에 기 저장된 이상추정시간을 소급하여 제1비정상시점을 특정하고,
제1이상발생시점부터 비정상시점 까지를 이상구간으로 특정하고,
상기 비정상시점부터 제2이상발생시점까지를 정상구간으로 특정하여, 상기 구간별로 인공지능모델을 학습하는 공기조화기의 진단방법.
제3항에 있어서,
상기 진단단계는,
공기조화기에 배치된 감지센서가 상기 하나 이상의 입력인자에 대하여 측정한 제1인자값을 상기 프로세서로 전송하는 단계;
상기 프로세서는 상기 제1인자값을 이용하여 제1데이터를 획득하고, 상기 인공지능모델을 이용하여 상기 제1데이터와 상기 기준데이터를 비교해 공기조화기의 이상여부를 판단하는 이상판단단계; 를 포함하는 공기조화기의 진단방법
제4항에 있어서,
상기 진단단계는,
상기 프로세서는 상기 인공지능모델을 이용하여 상기 공기조화기 내에서 이상이 발생한 장치의 위치를 특정하는 위치판단단계; 를 더 포함하는 공기조화기의 진단방법
제2항에 있어서,
상기 학습단계는,
제1이상발생시점 및 상기 제1이상발생시점보다 이전에 발생한 제2이상발생시점을 감지하고,
상기 제1이상발생시점부터 제2이상발생시점까지를 2 이상의 잔여수명구간으로 분할하여, 각 잔여수명구간별로 상기 인공지능모델을 학습하는 공기조화기의 진단방법
제6항에 있어서,
상기 진단단계는,
공기조화기에 배치된 감지센서가 상기 하나 이상의 입력인자에 대하여 측정한 제2인자값을 상기 프로세서로 전송하는 단계;
상기 프로세서는 상기 제2인자값을 이용하여 제2데이터를 획득하고, 상기 인공지능모델을 이용하여 상기 제2데이터와 상기 기준데이터를 비교해 다음 이상발생시점까지 잔여수명을 판단하는 이상예측단계; 를 포함하는 공기조화기의 진단방법
제7항에 있어서,
상기 진단단계는,
상기 프로세서는 인공지능모델을 이용하여 상기 공기조화기 내에서 이상이 발생할 수 있는 장치의 위치를 특정하는 위치예측단계;를 더 포함하는 공기조화기의 진단방법
제2항에 있어서,
상기 학습단계는, 적어도 2 이상의 이상발생시점을 감지하고, 제1이상발생시점부터 제2이상발생시점까지를 2 이상의 구간으로 분할하고, 상기 분할구간에서 적어도 하나 이상의 입력인자에 대한 기준인자값을 연속적으로 측정하는 단계를 포함하고,
상기 진단단계는,
공기조화기에 배치된 감지센서가 상기 분할구간 중 적어도 2 이상의 구간에서 상기 하나 이상의 입력인자에 대해 연속적으로 측정한 제3인자값들을 상기 프로세서로 전송하는 단계; 및
상기 프로세서는 상기 제3인자값들을 이용하여 제3데이터를 획득하고, 상기인공지능모델을 이용하여 상기 제3데이터와 상기 기준데이터를 비교해 공기조화기의 이상여부를 진단하는 이상판단단계; 를 포함하는 공기조화기의 진단방법
제4항에 있어서,
상기 프로세서는 상기 제1데이터를 기준데이터로 인공지능모델을 추가로 학습시키는 단계;를 더 포함하는 공기조화기의 진단방법
제4항에 있어서,
상기 프로세서는 상기 인공지능모델을 이용하여 상기 제1데이터를 기초로 상기 입력인자를 변경하는 단계;를 더 포함하는 공기조화기의 진단방법
제4항에 있어서,
상기 프로세서는 상기 인공지능모델을 이용하여 상기 이상추정시간을 변경하는 단계;를 더 포함하는 공기조화기의 진단방법.
제4항에 있어서,
상기 저장부는 복수의 기준데이터를 포함하고,
상기 진단단계는,
상기 제1데이터의 주위에 홀수개의 기준데이터를 가지도록 특정범위를 특정하고,
상기 특정범위 내에 존재하는 기준데이터를 선택하고,
상기 선택된 데이터 중 과반수가 이상데이터일 때 공기조화기가 이상이라고 판단하는 공기조화기의 진단방법
제4항에 있어서,
상기 저장부는 복수의 기준데이터를 포함하고,
상기 진단단계는,
상기 제1데이터의 주위에 특정범위 내에 존재하는 하나 이상의 기준데이터를 선택하고,
상기 선택된 기준데이터와 상기 제1데이터와의 거리를 고려하여 공기조화기의 이상여부를 판단하는 공기조화기의 진단방법.