KR20210025927A - System and Method for Predicting Indoor Condensation Occurence Time - Google Patents

System and Method for Predicting Indoor Condensation Occurence Time Download PDF

Info

Publication number
KR20210025927A
KR20210025927A KR1020190105963A KR20190105963A KR20210025927A KR 20210025927 A KR20210025927 A KR 20210025927A KR 1020190105963 A KR1020190105963 A KR 1020190105963A KR 20190105963 A KR20190105963 A KR 20190105963A KR 20210025927 A KR20210025927 A KR 20210025927A
Authority
KR
South Korea
Prior art keywords
temperature
condensation
window
surface temperature
time
Prior art date
Application number
KR1020190105963A
Other languages
Korean (ko)
Other versions
KR102406311B1 (en
Inventor
황광일
Original Assignee
인천대학교 산학협력단
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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020190105963A priority Critical patent/KR102406311B1/en
Publication of KR20210025927A publication Critical patent/KR20210025927A/en
Application granted granted Critical
Publication of KR102406311B1 publication Critical patent/KR102406311B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • F24F11/0001—Control or safety arrangements for ventilation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/14—Supports; Fastening devices; Arrangements for mounting thermometers in particular locations
    • G01K1/143—Supports; Fastening devices; Arrangements for mounting thermometers in particular locations for measuring surface temperatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

Provided are a condensation prediction system for predicting the indoor condensation occurrence time and a method thereof. Modeling to predict the surface temperature estimate of the surface on which condensation will occur according to the temperature change of the indoor temperature and the outdoor temperature is performed, and, by analyzing the time-dependent change of the predicted surface temperature estimate and the dew point temperature, and calculating and notifying the predicted time for condensation to occur, condensation can be prevented in advance through pre-ventilation work.

Description

실내 결로 발생 시간을 예측하는 결로 예측 시스템 및 방법{System and Method for Predicting Indoor Condensation Occurence Time}System and Method for Predicting Indoor Condensation Occurence Time {System and Method for Predicting Indoor Condensation Occurence Time}

본 발명은 결로 예측 시스템에 관한 것으로서, 특히 실내 온도와 실외 온도의 온도 변화에 따라 결로가 발생할 표면의 표면 온도를 예측하는 모델링을 수행하고, 상기 예측된 표면 온도와 이슬점 온도의 시간에 따른 변화를 분석하여 실내 결로가 발생하는 시간을 계산하여 미리 알려주는 실내 결로 발생 시간을 예측하는 결로 예측 시스템 및 방법에 관한 것이다.The present invention relates to a condensation prediction system, and in particular, performs modeling for predicting the surface temperature of a surface where condensation occurs according to temperature changes of indoor and outdoor temperatures, and changes in the predicted surface temperature and dew point temperature over time. The present invention relates to a condensation prediction system and method for predicting indoor condensation occurrence time that is notified in advance by calculating the time when indoor condensation occurs by analyzing.

결로는 공기 중의 수증기에 의해서 발생되는 일종의 습윤 상태를 말한다.Condensation refers to a kind of wet state caused by water vapor in the air.

실내 건축물에서의 결로는 지난 수십년 간 건축 분야에서 큰 문제 중 하나로 지속되었으며, 다양한 노력에 의해 결로에 의한 피해를 최소화하는데 노력했다.Condensation in indoor buildings has persisted as one of the major problems in the field of architecture for the past several decades, and various efforts have been made to minimize the damage caused by condensation.

실내 건축물은 결로가 생기면, 부투습성의 재료 표면에 물방울이 맺히고, 흡수성 물질에 습기가 차서 곰팡이류, 각종 균의 번식으로 인한 손상 및 불쾌한 냄새가 발생하게 되며, 변형에 의해 건물 재료와 구조체에 해를 끼치게 된다.In indoor buildings, when condensation occurs, water droplets form on the surface of impermeable materials, and moisture in the absorbent material causes damage and unpleasant odor due to the propagation of molds and various fungi. It will hurt.

곰팡이는 균사로 되어 있는 사상균으로 인체 흡입시 호흡기 질환을 유발시킬 수 있으며, 거주 환경이 악화되는 문제점이 발생할 수 있다.Fungi are filamentous fungi composed of hyphae and can cause respiratory diseases when inhaled by the human body, and a problem of deteriorating the living environment may occur.

결로에 관한 해결 방안은 건축물의 내장재와 외장재를 결로에 강인한 재료를 고려하여 건축을 수행하는 것이다.The solution to condensation is to perform construction by considering the materials that are strong against condensation in the interior and exterior materials of the building.

그러나 실내 건축물에서의 결로는 최적의 재료 및 구조물을 이용하여 건축 설계를 수행한다 하더라도 결로가 입주 및 생활 전반에 걸쳐 실내와 실외의 온도차에 의한 실내 습도 변화에 의해 발생하기 때문에 근본적으로 결로 문제의 해결책이 되지 못하고 있다.However, condensation in indoor buildings is fundamentally a solution to the condensation problem because condensation occurs due to changes in indoor humidity due to the temperature difference between indoor and outdoor throughout the occupancy and life even if architectural design is performed using the optimal materials and structures. This is not being possible.

결로 문제가 어려운 이유는 각 건축물마다 사용된 재료가 다르고, 구조물의 크기가 다르며, 이와 더불어 거주자의 생활 패턴이 다르기 때문에 이에 대한 포괄적인 솔루션을 찾기가 어렵다.The reason why the condensation problem is difficult is that the materials used for each building are different, the size of the structure is different, and the living patterns of the residents are different, so it is difficult to find a comprehensive solution for this.

한국 등록특허번호 제10-1742059호Korean Patent Registration No. 10-1742059

이와 같은 문제점을 해결하기 위하여, 본 발명은 실내 온도와 실외 온도의 온도 변화에 따라 결로가 발생할 표면의 표면 온도를 예측하는 모델링을 수행하고, 상기 예측된 표면 온도와 이슬점 온도의 시간에 따른 변화를 분석하여 실내 결로가 발생하는 시간을 계산하여 미리 알려주는 실내 결로 발생 시간을 예측하는 결로 예측 시스템 및 방법을 제공하는데 그 목적이 있다.In order to solve such a problem, the present invention performs modeling to predict the surface temperature of the surface where condensation occurs according to the temperature change of the indoor temperature and the outdoor temperature, and changes the predicted surface temperature and the dew point temperature over time. An object of the present invention is to provide a condensation prediction system and method for predicting indoor condensation occurrence time that is notified in advance by calculating the time when indoor condensation occurs through analysis.

상기 목적을 달성하기 위한 본 발명의 특징에 따른 실내 결로 발생 시간을 예측하는 시스템은,A system for predicting the occurrence time of indoor condensation according to a feature of the present invention for achieving the above object,

결로가 발생하는 창문의 내측면에 부착된 제1 센서노드;A first sensor node attached to the inner surface of the window where condensation occurs;

실내의 일측에 부착된 제2 센서노드; 및A second sensor node attached to one side of the room; And

상기 제1 센서노드로부터 창문 내측면의 표면 온도를 무선 통신으로 수신하고, 상기 제2 센서노드로부터 실내 온도와 습도 정보를 무선 통신으로 수신하고, 외부의 날씨 정보 서버로부터 실외 온도를 수신하고, 상기 표면 온도와 상기 습도 정보를 하기의 수학식 1과 수학식 2의 바렌부르크 공식(Barenbrug Formula)을 이용하여 이슬점 온도를 계산하며, 상기 창문 내측면의 표면 온도와 상기 계산한 이슬점 온도의 시간에 따른 변화 패턴을 모니터링하여 미래에 발생할 결로 발생의 시간을 계산하여 알리는 결로 예측부를 구비한 클라이언트 서버를 포함하는 것을 특징으로 하한다.Receiving the surface temperature of the inner surface of the window from the first sensor node by wireless communication, receiving indoor temperature and humidity information from the second sensor node by wireless communication, receiving the outdoor temperature from an external weather information server, the The dew point temperature is calculated using the Barenbrug Formula of Equations 1 and 2 below for the surface temperature and the humidity information, and the surface temperature of the inner surface of the window and the calculated dew point temperature depend on time. It is characterized in that it comprises a client server having a condensation prediction unit that monitors the change pattern and calculates and informs the time of occurrence of condensation to occur in the future.

[수학식 1][Equation 1]

Figure pat00001
Figure pat00001

[수학식 2][Equation 2]

Figure pat00002
Figure pat00002

여기서, a는 17.27℃, b는 237.3℃, T는 창문 내측면의 표면 온도, 0℃ < T < 60℃, RH는 상기 제2 센서노드에서 측정된 실내 공간의 실내 습도, 1% < RH < 100%, Td는 이슬점 온도임.Where a is 17.27°C, b is 237.3°C, T is the surface temperature of the inner side of the window, 0°C <T <60°C, RH is the indoor humidity of the indoor space measured by the second sensor node, 1% <RH < 100%, Td is the dew point temperature.

결로 예측부는 시간(i)에 따른 창문 내측면의 표면 온도(

Figure pat00003
)에서 두 점
Figure pat00004
을 이용한 제1 직선방정식(Tangent of Tsurf)을 기설정된 시간 단위마다 주기적으로 생성하고, 시간(i)에 따른 이슬점 온도(
Figure pat00005
)에서 두 점
Figure pat00006
을 이용한 제2 직선방정식(Tangent of Tdew)을 기설정된 시간 단위마다 주기적으로 생성하는 것을 특징으로 한다.The condensation prediction part is the surface temperature of the inner side of the window over time (i)
Figure pat00003
) In two points
Figure pat00004
A first linear equation using (Tangent of Tsurf) is periodically generated for each preset time unit, and the dew point temperature (
Figure pat00005
) In two points
Figure pat00006
It is characterized in that the second linear equation (Tangent of Tdew) is periodically generated for each preset time unit.

결로 예측부는 상기 각각의 제1 직선방정식으로부터 얻은 제1 직선과, 상기 각각의 제2 직선방정식으로부터 얻은 제2 직선의 시간에 따른 변화 패턴을 분석하며, 상기 제1 직선과 상기 제2 직선이 만나는 교차점을 결로 발생 지점으로 판단하고, 현재 시간에서 상기 결로 발생 지점까지 소요되는 결로 예측 시간(

Figure pat00007
)을 계산하는 것을 특징으로 한다.The condensation prediction unit analyzes a change pattern over time of a first straight line obtained from each of the first linear equations and a second straight line obtained from each of the second linear equations, and the first straight line and the second straight line meet. The intersection is determined as the point where condensation occurs, and the estimated condensation time from the current time to the point where condensation occurs (
Figure pat00007
Characterized in that it calculates ).

하나 이상의 센서노드 및 클라이언트 서버로 이루어진 실내 결로 발생 시간을 예측하는 방법에 있어서,In the method for predicting the occurrence time of indoor condensation consisting of one or more sensor nodes and a client server,

상기 클라이언트 서버는 결로가 발생하는 창문의 내측면에 부착된 제1 센서노드로부터 창문 내측면의 표면 온도를 무선 통신으로 수신하고, 실내의 일측에 부착된 제2 센서노드로부터 실내 온도와 습도 정보를 무선 통신으로 수신하고, 외부의 날씨 정보 서버로부터 실외 온도를 수신하는 단계;The client server receives the surface temperature of the inner side of the window from a first sensor node attached to the inner side of the window where condensation occurs, and receives room temperature and humidity information from the second sensor node attached to one side of the room. Receiving through wireless communication and receiving an outdoor temperature from an external weather information server;

상기 클라이언트 서버는 상기 표면 온도와 상기 습도 정보를 하기의 수학식 4와 수학식 5의 바렌부르크 공식(Barenbrug Formula)을 이용하여 이슬점 온도를 계산하며, 상기 창문 내측면의 표면 온도와 상기 계산한 이슬점 온도의 시간에 따른 변화 패턴을 모니터링하여 미래에 발생할 결로 발생의 시간을 계산하여 알리는 단계를 포함하는 것을 특징으로 한다.The client server calculates the dew point temperature by using the Barenbrug Formula of Equations 4 and 5 below to calculate the surface temperature and the humidity information, and the surface temperature and the calculated dew point of the inner surface of the window It characterized in that it comprises the step of calculating and notifying the time of occurrence of condensation occurring in the future by monitoring a change pattern over time of the temperature.

[수학식 4][Equation 4]

Figure pat00008
Figure pat00008

[수학식 5][Equation 5]

Figure pat00009
Figure pat00009

여기서, a는 17.27℃, b는 237.3℃, T는 창문 내측면의 표면 온도, 0℃ < T < 60℃, RH는 상기 제2 센서노드에서 측정된 실내 공간의 실내 습도, 1% < RH < 100%, Td는 이슬점 온도임.Where a is 17.27°C, b is 237.3°C, T is the surface temperature of the inner side of the window, 0°C <T <60°C, RH is the indoor humidity of the indoor space measured by the second sensor node, 1% <RH < 100%, Td is the dew point temperature.

전술한 구성에 의하여, 본 발명은 실내 온도와 실외 온도의 온도 변화에 따라 결로가 발생할 표면의 표면 온도 추정치를 예측하는 모델링을 수행하고, 상기 예측된 표면 온도 추정치와 이슬점 온도의 시간에 따른 변화를 분석하여 결로가 발생하는 결로 예측 시간을 계산하여 알려줌으로써 사전 환기 작업을 통해 결로를 사전에 예방할 수 있는 효과가 있다.According to the above-described configuration, the present invention performs modeling for predicting an estimate of the surface temperature of a surface where condensation occurs according to temperature changes of the indoor temperature and the outdoor temperature, and changes the predicted surface temperature estimate and the dew point temperature over time. It is effective to prevent condensation in advance through pre-ventilation work by analyzing and calculating the predicted time for condensation to occur.

도 1은 본 발명의 실시예에 따른 실내 결로 발생을 예측하는 결로 예측 시스템의 전체 구성을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 제1 센서노드, 제2 센서노드 및 결로 예측 시스템의 내부 구성을 간략하게 나타낸 블록도이다.
도 3은 본 발명이 실시예에 따른 제1 센서노드로부터 측정된 창문 내측면의 측정 표면 온도(Tsurf-real)와 창문 내측면의 표면 온도 추정치(Tsurf-pred)를 6일 동안 비교한 도면이다.
도 4는 본 발명의 실시예에 따른 결로 예측 시간을 계산하는 알고리즘을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 실내의 결로 예측 시간을 추정하기 위한 알고리즘을 이용하여 실제 결로가 발생하는 창문 내측면의 표면 온도 추정치와 이슬점 온도의 변화와 결로 예측 시간을 나타낸 그래프이다.1 is a diagram showing the overall configuration of a condensation prediction system for predicting the occurrence of indoor condensation according to an embodiment of the present invention.
2 is a block diagram schematically showing an internal configuration of a first sensor node, a second sensor node, and a condensation prediction system according to an embodiment of the present invention.
FIG. 3 is a diagram comparing the measured surface temperature (Tsurf-real) of the inner side of the window measured from the first sensor node according to the present invention and the estimated surface temperature of the inner side of the window (Tsurf-pred) for 6 days. .
4 is a diagram illustrating an algorithm for calculating a condensation prediction time according to an embodiment of the present invention.
5 is a graph showing an estimate of a surface temperature of an inner surface of a window where condensation occurs, a change in a dew point temperature, and a condensation prediction time using an algorithm for estimating a prediction time of condensation indoors according to an embodiment of the present invention.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless specifically stated to the contrary.

기존 건축물의 경우 건축물의 내외장재에 관한 세부적인 사항을 고려하기 어렵고, 사용자의 생활 패턴에 따라 같은 집에서도 결로의 패턴이 달라지는 현상이 있다.In the case of existing buildings, it is difficult to consider the details of the interior and exterior materials of the building, and there is a phenomenon in which the pattern of condensation in the same house varies depending on the user's life pattern.

본 발명은 실제 거주하고 있는 집에서 결로에 영향을 미치는 환경(실내 온도, 실내 습도, 실외 온도, 창문 내측면의 표면 온도)을 무선센서노드를 통해 실시간으로 수집하고, 수집된 데이터를 기반으로 창문 내측면의 표면온도를 예측하는 표면온도 예측 모델을 생성하고, 표면온도 예측 모델과 이슬점 온도의 변화를 이용하여 창문 내측면에 결로 발생 시간을 예측하는 시스템을 제공한다.The present invention collects the environment (indoor temperature, indoor humidity, outdoor temperature, surface temperature on the inner side of the window) that affects condensation in the house where you live in real time through a wireless sensor node, and based on the collected data, the window A surface temperature prediction model that predicts the surface temperature of the inner surface is generated, and a system that predicts the occurrence time of condensation on the inner surface of a window using a surface temperature prediction model and a change in dew point temperature is provided.

어떤 공간이나 장소의 공기 중 온도가 특정 대상 물체의 온도보다 높을 때 물체의 표면에 이슬이 맺히게 되는데, 이때, 온도를 이슬점(Dew Point)이라고 하며, 이슬점 온도에서 결로 현상이 발생한다.When the temperature of the air in a space or place is higher than the temperature of a specific object, dew condenses on the surface of the object. At this time, the temperature is called the dew point, and condensation occurs at the dew point temperature.

도 1은 본 발명의 실시예에 따른 실내 결로 발생을 예측하는 결로 예측 시스템의 전체 구성을 나타낸 도면이고, 도 2는 본 발명의 실시예에 따른 제1 센서노드, 제2 센서노드 및 결로 예측 시스템의 내부 구성을 간략하게 나타낸 블록도이다.1 is a diagram showing the overall configuration of a condensation prediction system for predicting the occurrence of indoor condensation according to an embodiment of the present invention, and FIG. 2 is a first sensor node, a second sensor node, and a condensation prediction system according to an embodiment of the present invention. It is a block diagram briefly showing the internal configuration of.

본 발명의 실시예에 따른 결로 예측 시스템(100)은 제1 센서노드(110), 제2 센서노드(120) 및 클라우드 서버(140)를 포함한다. 이외에 날씨 정보를 클라우드 서버(140)로 제공하는 날씨 API(Application Programming Interface) 서버(150)를 더 포함한다.The condensation prediction system 100 according to an embodiment of the present invention includes a first sensor node 110, a second sensor node 120, and a cloud server 140. In addition, a weather application programming interface (API) server 150 that provides weather information to the cloud server 140 is further included.

제1 센서노드(110)는 제1 센서부(111), 제1 제어부(112) 및 제1 무선통신모듈(113)을 포함하며, 창문의 외부면이 아닌 결로가 발생할 수 있는 표면인 창문의 내측면이나 벽면의 일면에 부착될 수 있다. The first sensor node 110 includes a first sensor unit 111, a first control unit 112, and a first wireless communication module 113. It can be attached to the inner side or one side of the wall.

본 발명의 제1 센서노드(110)는 설명의 편의를 위하여 창문의 내측면에 설치하는 것으로 설명한다.It will be described that the first sensor node 110 of the present invention is installed on the inner side of the window for convenience of description.

제1 센서부(111)는 가정집(10)에서 창문의 내측면의 표면온도 정보와 습도 정보를 포함한 제1 센싱 정보를 측정한다.The first sensor unit 111 measures first sensing information including surface temperature information and humidity information on the inner side of the window in the home 10.

제1 제어부(112)는 센싱 제어 신호를 생성하여 제1 센서부(111)로 전송하고, 제1 센서부(111)로부터 상기 센싱 제어 신호의 응답으로 제1 센싱 정보를 수신하며, 상기 수신한 제1 센싱 정보를 제1 무선통신모듈(113)을 통해 통신망(130)을 거쳐 클라우드 서버(140)로 전송한다.The first control unit 112 generates a sensing control signal and transmits it to the first sensor unit 111, receives first sensing information from the first sensor unit 111 in response to the sensing control signal, and receives the received The first sensing information is transmitted to the cloud server 140 through the communication network 130 through the first wireless communication module 113.

제2 센서노드(120)는 제2 센서부(121), 제2 제어부(122) 및 제2 무선통신모듈(123)을 포함하며, 가정집(10)의 실내의 일측에 설치될 수 있다.The second sensor node 120 includes a second sensor unit 121, a second control unit 122, and a second wireless communication module 123, and may be installed at one side of the interior of the home 10.

제2 센서부(121)는 실내 온도 정보와 습도 정보를 포함한 제2 센싱 정보를 측정한다.The second sensor unit 121 measures second sensing information including room temperature information and humidity information.

제2 제어부(122)는 센싱 제어 신호를 생성하여 제2 센서부(121)로 전송하고, 제2 센서부(121)로부터 상기 센싱 제어 신호의 응답으로 제2 센싱 정보를 수신하며, 상기 수신한 제2 센싱 정보를 제2 무선통신모듈(123)을 통해 통신망(130)을 거쳐 클라우드 서버(140)로 전송한다.The second control unit 122 generates a sensing control signal and transmits it to the second sensor unit 121, receives second sensing information from the second sensor unit 121 in response to the sensing control signal, and receives the received The second sensing information is transmitted to the cloud server 140 through the communication network 130 through the second wireless communication module 123.

날씨 API 서버(150)는 각 지역의 위치별, 시간대별, 날짜별로 실외 온도 정보를 생성하여 저장하는 서버이다.The weather API server 150 is a server that generates and stores outdoor temperature information by location, time, and date of each region.

본 발명의 실시예에 따른 클라우드 서버(140)는 서버 제어부(141), 결로 예측부(142), 온습도 정보 데이터베이스부(143), 디스플레이부(144), 무선통신부(145), 기계 학습부(146), 메모리부(147) 및 저장부(148)를 포함한다.The cloud server 140 according to an embodiment of the present invention includes a server control unit 141, a condensation prediction unit 142, a temperature and humidity information database unit 143, a display unit 144, a wireless communication unit 145, a machine learning unit ( 146), a memory unit 147, and a storage unit 148.

클라우드 서버(140)는 실외에 설치되는 것으로 예시하고 있지만, 이에 한정하지 않으며, 실내 일측에도 설치될 수 있다.The cloud server 140 is illustrated as being installed outdoors, but is not limited thereto, and may be installed indoors as well.

서버 제어부(141)는 날씨 API 서버(150)부터 실외 온도 정보를 주기적으로 수신하여 온습도 정보 데이터베이스부(143)에 시간대별, 날짜별로 저장한다.The server control unit 141 periodically receives outdoor temperature information from the weather API server 150 and stores it in the temperature/humidity information database unit 143 by time and by date.

서버 제어부(141)는 제1 센서노드(110)로부터 창문 내측면의 표면온도 정보와 습도 정보를 포함한 제1 센싱 정보를 수신하며, 제2 센서노드(120)로부터 실내 공간의 실내 온도 정보와 습도 정보를 포함한 제2 센싱 정보를 수신하여 온습도 정보 데이터베이스부(143)에 시간대별, 날짜별로 저장한다.The server control unit 141 receives first sensing information including surface temperature information and humidity information on the inner side of the window from the first sensor node 110, and receives indoor temperature information and humidity in the indoor space from the second sensor node 120. Second sensing information including information is received and stored in the temperature/humidity information database unit 143 by time and date.

일반적으로 건축학에서는 구조물의 재질과 두께, 열저항성 등을 기반하여 해당 구조물의 열전도율을 사전에 계산하고, 이를 기초로 최적의 구조물을 이용하여 건축물 설계와 공사를 진행한다. 하지만 생활하고 있는 집에서 결로 발생의 가장 강력한 요인이 실내와 실외의 온도 차이와 실내 습도의 상승이다. 이것은 거주하고 있는 생활 패턴에 따라 달라진다.In general, in architecture, the thermal conductivity of the structure is calculated in advance based on the material, thickness, and thermal resistance of the structure, and based on this, the optimal structure is used to design and construct a building. However, the most powerful factors in the occurrence of condensation in a living house are the temperature difference between indoors and outdoors and an increase in indoor humidity. This depends on the lifestyle pattern you live in.

이러한 결로 현상은 단순히 구조물의 특성에 기반하여 결로를 방지하는데 큰 어려움을 가져온다. 따라서, 본 발명은 구조물의 종류에 상관없이 결로 발생이 예상되는 실내 공간에서의 실내 온도 정보와 실외 온도 정보를 이용하여 창문 내측면의 표면 온도를 추정할 수 있다.This condensation phenomenon brings great difficulty in preventing condensation simply based on the characteristics of the structure. Accordingly, the present invention can estimate the surface temperature of the inner side of the window by using indoor temperature information and outdoor temperature information in an indoor space where condensation is expected to occur regardless of the type of structure.

표면온도 예측 모델을 구현하기 위한 기계 학습법은 선형회귀분석(Linear regression model), 랜덤포레스트(Random Forest), 딥러닝(Deep Learning) 방식을 단독 또는 하나 이상을 조합하여 적용한다. 본 발명의 기계 학습법은 선형회귀분석을 일실시예로 적용한다.The machine learning method to implement the surface temperature prediction model applies a linear regression model, a random forest, and a deep learning method alone or in combination of one or more. The machine learning method of the present invention applies linear regression analysis as an example.

선형회귀분석은 선형성이라는 기본 가정이 충족된 상태에서 독립변수와 종속변수의 관계를 설명하거나 예측하는 통계 방법으로, 회귀분석에서 독립변수에 따라 종속변수의 값이 일정한 패턴으로 변해 가는데, 이러한 변수 간의 관계를 나타내는 회귀선이 직선에 가깝게 나타나는 경우를 의미한다.Linear regression analysis is a statistical method that explains or predicts the relationship between the independent variable and the dependent variable while the basic assumption of linearity is satisfied.In regression analysis, the value of the dependent variable changes in a certain pattern according to the independent variable. It means a case where the regression line representing the relationship appears close to a straight line.

표면온도 예측 모델을 만들기 위해서는 온습도 정보 데이터베이스부(143)에 저장된 실내 온도, 실외 온도, 창문 내측면의 측정 표면 온도를 기계 학습의 학습 데이터 셋으로 이용할 수 있다.In order to create a surface temperature prediction model, the indoor temperature, the outdoor temperature, and the measured surface temperature of the inner side of the window stored in the temperature/humidity information database unit 143 may be used as a learning data set for machine learning.

기계 학습 과정은 과거에 저장된 많은 데이터로부터 특징 벡터를 추출하고, 추출된 특징 벡터를 토대로 학습 데이터 셋을 만들고, 학습 데이터 셋은 기계 학습 알고리즘에 기반하여 표면온도 예측 모델을 생성하게 된다. 학습 데이터는 기계 학습에서 원하는 정보를 추출하기 위해서 사용되는 데이터의 집합이다.In the machine learning process, feature vectors are extracted from many data stored in the past, a learning data set is created based on the extracted feature vectors, and the learning data set generates a surface temperature prediction model based on a machine learning algorithm. Learning data is a set of data used to extract desired information in machine learning.

기계 학습부(146)는 선형회귀분석을 이용하여 기계 학습할 수 있다. 기계 학습 모델은 널리 알려진 딥 컨벌루션 신경 네트워크일 수 있으며, 이에 한정하지 않는다.The machine learning unit 146 may perform machine learning using linear regression analysis. The machine learning model may be a well-known deep convolutional neural network, but is not limited thereto.

기계 학습부(146)는 창문 내측면의 표면 온도를 추정하는 기계 학습법의 선형 회귀 모델을 하기의 [수학식 1]과 같이 나타낸다.The machine learning unit 146 represents a linear regression model of a machine learning method for estimating the surface temperature of the inner surface of the window as shown in [Equation 1] below.

Figure pat00010
Figure pat00010

여기서,

Figure pat00011
은 시간(i)에 따른 창문 내측면의 표면 온도 추정치,
Figure pat00012
은 시간(i)에 따른 실내 온도,
Figure pat00013
은 시간(i)에 따른 실외 온도를 나타낸다.here,
Figure pat00011
Is the estimate of the surface temperature of the inner side of the window over time (i),
Figure pat00012
Is the room temperature over time (i),
Figure pat00013
Represents the outdoor temperature over time (i).

기계 학습부(146)는 저장부(148)에 저장된 선형 회귀 모델을 메모리부(147)로 불러와서 실내 온도와 실외 온도를 입력 데이터로 창문 내측면의 표면 온도를 추정할 수 있다.The machine learning unit 146 may load the linear regression model stored in the storage unit 148 into the memory unit 147 to estimate the surface temperature of the inner side of the window using the indoor temperature and the outdoor temperature as input data.

기계 학습부(146)는 각 시간대별 실내 온도와 실외 온도에 따른 창문 내측면의 측정 표면 온도의 상관 관계를 기계 학습한다.The machine learning unit 146 machine learns the correlation between the indoor temperature for each time period and the measured surface temperature of the inner side of the window according to the outdoor temperature.

다시 말해, 기계 학습부(146)는 온습도 정보 데이터베이스부(143)로부터 실내 온도, 실외 온도, 창문 내측면의 측정 표면 온도를 수신하고, 전술한 수학식 1의 파라미터인 선형 계수값(

Figure pat00014
,
Figure pat00015
,
Figure pat00016
)의 최적값을 찾기 위해서 실내 온도와 실외 온도에 따른 창문 내측면의 측정 표면 온도를 기계 학습한다.In other words, the machine learning unit 146 receives the indoor temperature, the outdoor temperature, and the measured surface temperature of the inner side of the window from the temperature/humidity information database unit 143, and a linear coefficient value (
Figure pat00014
,
Figure pat00015
,
Figure pat00016
In order to find the optimum value of ), machine learning is performed on the measured surface temperature of the inner side of the window according to the indoor temperature and the outdoor temperature.

기계 학습부(146)는 기계 학습으로 얻어진 선형 계수값(

Figure pat00017
,
Figure pat00018
,
Figure pat00019
)을 수학식 1에 대입하여 창문 내측면의 표면 온도 추정치를 계산한다.The machine learning unit 146 is a linear coefficient value obtained by machine learning (
Figure pat00017
,
Figure pat00018
,
Figure pat00019
) Is substituted into Equation 1 to calculate an estimate of the surface temperature of the inner side of the window.

표 1에 도시된 바와 같이, 기계 학습부(146)는 선형 회귀 모델을 이용하여 온습도 정보 데이터베이스부(143)에서 각각의 학습 데이터와 테스트 데이터의 루트 평균 제곱 오차(Root Mean Square Error, RMSE)를 계산하고, 온습도 정보 데이터베이스부(143)로부터 수신된 데이터 셋에서 서로 다른 학습 데이터로 학습하여 얻어진 선형 계수값(

Figure pat00020
,
Figure pat00021
,
Figure pat00022
)을 계산하여 나타낸다.As shown in Table 1, the machine learning unit 146 calculates a root mean square error (RMSE) of each training data and test data in the temperature and humidity information database unit 143 using a linear regression model. And a linear coefficient value obtained by learning with different learning data from the data set received from the temperature/humidity information database unit 143 (
Figure pat00020
,
Figure pat00021
,
Figure pat00022
) Is calculated and expressed.

Figure pat00023
Figure pat00023

표 1에 결과에서 볼 수 있듯이 70% 학습 데이터가 있는 선형 회귀 모델은 학습 데이터와 테스트 데이터의 모두에서 최고의 성능을 보여준다.As can be seen from the results in Table 1, the linear regression model with 70% training data shows the best performance for both the training data and the test data.

표 1은 학습 데이터의 개수가 변함에 따라 선형 계수값과 성능(즉, RMSE)이 변화되는 것을 보여준다.Table 1 shows that the linear coefficient value and performance (ie, RMSE) change as the number of training data changes.

기계 학습부(146)는 루트 평균 제곱 오차(RMSE)를 최소화하기 위한 최적화를 수행하고, 루트 평균 제곱 오차가 최소값이 되면 이를 창문 내측면의 표면 온도 추정치로 선택한다.The machine learning unit 146 performs optimization to minimize the root mean square error (RMSE), and when the root mean square error reaches a minimum value, selects it as an estimate of the surface temperature of the inner side of the window.

도 3은 제1 센서노드(110)로부터 측정된 창문 내측면의 측정 표면 온도(Tsurf-real)과 창문 내측면의 표면 온도 추정치(Tsurf-pred)를 6일 동안 비교한 것이다. 비교한 결과는 온습도 정보 데이터베이스부(143)의 데이터 셋을 통해 학습된 선형 회귀 모델이 측정 표면 온도(Tsurf-real)에 근접한 표면 온도 추정치(Tsurf-pred)를 찾을 수 있음을 확인하였다.FIG. 3 is a comparison of the measured surface temperature (Tsurf-real) of the inner side of the window measured from the first sensor node 110 and the estimated surface temperature of the inner side of the window (Tsurf-pred) for 6 days. As a result of the comparison, it was confirmed that the linear regression model learned through the data set of the temperature and humidity information database unit 143 can find a surface temperature estimate (Tsurf-pred) close to the measured surface temperature (Tsurf-real).

도 3에 도시된 바와 같이, 서버 제어부(141)는 제1 센서노드(110)에서 측정된 창문 내측면의 측정 표면 온도(Tsurf-real)와 창문 내측면의 표면 온도 추정치(Tsurf-pred)의 차이를 계산하며, 평균 오차와 최대 오차를 계산한다.As shown in FIG. 3, the server control unit 141 calculates the measured surface temperature (Tsurf-real) of the inner side of the window measured by the first sensor node 110 and the estimated surface temperature of the inner side of the window (Tsurf-pred). Calculate the difference, and calculate the average error and the maximum error.

기계 학습부(146)는 시간에 따른 창문 내측면의 측정 표면 온도와 창문 내측면의 표면 온도 추정치의 차이값을 분석하여 차이값이 기설정된 기준값 이하일 때, 선형 계수값(

Figure pat00024
,
Figure pat00025
,
Figure pat00026
)을 선택한다.The machine learning unit 146 analyzes the difference value between the measured surface temperature of the inner surface of the window and the estimated surface temperature of the inner surface of the window over time, and when the difference value is less than or equal to a preset reference value, a linear coefficient value (
Figure pat00024
,
Figure pat00025
,
Figure pat00026
Select ).

서버 제어부(141)는 제1 센서노드(110)에서 측정된 창문 내측면의 측정 표면 온도(Tsurf-real)와 창문 내측면의 표면 온도 추정치(Tsurf-pred)의 시간에 따른 변화를 시간대별, 날짜별로 그래프로 각각 생성하여 디스플레이부(144)에 출력하며, 상기 계산한 평균 오차와 최대 오차를 문자 형태로 디스플레이부(144)에 출력한다.The server control unit 141 determines the change over time of the measured surface temperature (Tsurf-real) of the inner surface of the window measured by the first sensor node 110 and the estimated surface temperature (Tsurf-pred) of the inner surface of the window measured by the first sensor node 110 over time, Each graph is generated for each date and output to the display unit 144, and the calculated average error and maximum error are output to the display unit 144 in text form.

서버 제어부(141)는 창문 내측면의 표면 온도 추정치와 실내 공간의 실내 습도를 하기의 [수학식 2]과 [수학식 3]의 바렌부르크 공식(Barenbrug Formula)을 이용하여 이슬점 온도를 계산한다. 여기서, 실내 공간의 실내 습도는 온습도 정보 데이터베이스부(143)에서 검색하여 얻을 수 있다.The server control unit 141 calculates the dew point temperature by using the Barenbrug Formula of [Equation 2] and [Equation 3] below to estimate the surface temperature of the inner surface of the window and the indoor humidity of the indoor space. Here, the indoor humidity of the indoor space can be obtained by searching the temperature/humidity information database unit 143.

Figure pat00027
Figure pat00027

Figure pat00028
Figure pat00028

여기서, a는 17.27℃, b는 237.3℃이다. T는 창문 내측면의 표면 온도 추정치, 0℃ < T < 60℃, RH는 제2 센서노드(120)에서 측정된 실내 공간의 실내 습도, 1% < RH < 100%, Td는 이슬점 온도를 나타낸다.Here, a is 17.27°C and b is 237.3°C. T is the estimated surface temperature of the inner side of the window, 0°C <T <60°C, RH is the indoor humidity of the indoor space measured by the second sensor node 120, 1% <RH <100%, Td is the dew point temperature. .

기계 학습부(146)는 수학식 1의 선형 계수값(

Figure pat00029
,
Figure pat00030
,
Figure pat00031
)을 계산하여 시간에 따른 창문 내측면의 표면 온도를 추정할 수 있다. 이후에는 창문 내측면에 설치된 제1 센서노드(110)를 제거하고, 제2 센서노드(120)만을 설치하여 주기적으로 실내 온도와 실외 온도를 이용하여 창문 내측면의 표면 온도를 추정할 수 있다.The machine learning unit 146 is a linear coefficient value of Equation 1 (
Figure pat00029
,
Figure pat00030
,
Figure pat00031
) Can be calculated to estimate the surface temperature of the inner side of the window over time. Thereafter, the first sensor node 110 installed on the inner side of the window is removed, and only the second sensor node 120 is installed, so that the surface temperature of the inner side of the window may be estimated using the indoor temperature and the outdoor temperature periodically.

서버 제어부(140)는 제2 센서노드(120)로부터 실내 온도를 시간대별, 날짜별로 주기적으로 수신하고, 날씨 API 서버(150)로부터 실외 온도를 시간대별, 날짜별로 주기적으로 수신한다.The server controller 140 periodically receives the indoor temperature from the second sensor node 120 by time and date, and periodically receives the outdoor temperature from the weather API server 150 by time and date.

서버 제어부(140)는 실내 온도와 실외 온도를 전술한 수학식 1에 대입하여 시간에 따른 창문 내측면의 표면 온도를 추정한다.The server controller 140 estimates the surface temperature of the inner side of the window over time by substituting the indoor temperature and the outdoor temperature into Equation 1 described above.

결로 예측부(142)는 창문 내측면의 표면 온도 추정치와, 이슬점 온도를 이용하여 실내 결로의 발생을 추정할 수 있다. 여기서, 실내 결로는 설명의 편의를 위하여 창문 내측면의 결로 발생을 예시하고 있지만, 이에 한정하지 않으며, 실내 벽면 등 실내의 다양한 위치에 발생하는 결로를 나타낼 수 있다.The condensation prediction unit 142 may estimate the occurrence of indoor condensation by using the estimated surface temperature of the inner side of the window and the dew point temperature. Here, for convenience of explanation, the indoor condensation exemplifies the occurrence of condensation on the inner side of the window, but is not limited thereto, and may represent condensation occurring in various locations of the room such as an indoor wall surface.

결로 예측부(142)는 시간에 따른 창문 내측면의 표면 온도 추정치와 시간에 따른 이슬점 온도에 대한 변화하는 패턴을 모니터링하고, 상기 이슬점 온도와 상기 창문 내측면의 표면 온도 추정치의 차이를 계산하여 결로를 판단할 수 있다.The condensation prediction unit 142 monitors an estimate of the surface temperature of the inner surface of the window over time and a pattern that changes with respect to the dew point temperature over time, and calculates the difference between the dew point temperature and the estimated surface temperature of the inner surface of the window to determine the condensation. Can be judged.

이하에서는 실내 결로 발생 시간을 예측하는 방법을 상세하게 설명한다.Hereinafter, a method of predicting the occurrence time of indoor condensation will be described in detail.

기계 학습부(146)는 수학식 1의 선형 계수값(

Figure pat00032
,
Figure pat00033
,
Figure pat00034
)을 계산하여 시간에 따른 창문 내측면의 표면 온도를 추정할 수 있다. 이후에는 창문 내측면에 설치된 제1 센서노드(110)를 제거하고, 제2 센서노드(120)만을 설치하여 주기적으로 실내 온도를 제2 무선통신모듈(123)을 통해 클라우드 서버(140)로 전송한다.The machine learning unit 146 is a linear coefficient value of Equation 1 (
Figure pat00032
,
Figure pat00033
,
Figure pat00034
) Can be calculated to estimate the surface temperature of the inner side of the window over time. After that, the first sensor node 110 installed on the inner side of the window is removed, and only the second sensor node 120 is installed to periodically transmit the indoor temperature to the cloud server 140 through the second wireless communication module 123 do.

본 발명은 선형 계수값을 이용하여 창문 내측면의 표면 온도를 추정하게 되면, 이후에 실내 온도와 실외 온도만을 이용하여 실내 결로를 예측할 수 있다.According to the present invention, if the surface temperature of the inner surface of the window is estimated by using a linear coefficient value, then indoor condensation can be predicted using only the indoor temperature and the outdoor temperature.

서버 제어부(140)는 제2 센서노드(120)로부터 실내 온도를 시간대별, 날짜별로 주기적으로 수신하고, 날씨 API 서버(150)로부터 실외 온도를 시간대별, 날짜별로 주기적으로 수신한다.The server controller 140 periodically receives the indoor temperature from the second sensor node 120 by time and date, and periodically receives the outdoor temperature from the weather API server 150 by time and date.

서버 제어부(140)는 실내 온도와 실외 온도를 전술한 수학식 1에 대입하여 시간에 따른 창문 내측면의 표면 온도를 추정한다.The server controller 140 estimates the surface temperature of the inner side of the window over time by substituting the indoor temperature and the outdoor temperature into Equation 1 described above.

결로 예측부(142)는 창문 내측면의 표면 온도 추정치와, 이슬점 온도를 이용하여 실내 결로의 발생을 추정할 수 있다. 여기서, 실내 결로는 설명의 편의를 위하여 창문 내측면의 결로 발생을 예시하고 있지만, 이에 한정하지 않으며, 실내 벽면 등 실내의 다양한 위치에 발생하는 결로를 나타낼 수 있다.The condensation prediction unit 142 may estimate the occurrence of indoor condensation by using the estimated surface temperature of the inner side of the window and the dew point temperature. Here, for convenience of explanation, the indoor condensation exemplifies the occurrence of condensation on the inner side of the window, but is not limited thereto, and may represent condensation occurring in various locations of the room such as an indoor wall surface.

결로 예측부(142)는 시간에 따른 창문 내측면의 표면 온도 추정치와 시간에 따른 이슬점 온도에 대한 변화하는 패턴을 모니터링하여 가까운 미래에 발생할 창문 내측면의 결로 발생 시간을 계산할 수 있다.The condensation prediction unit 142 may calculate a condensation occurrence time on the inner side of the window that will occur in the near future by monitoring an estimate of the surface temperature of the inner surface of the window over time and a changing pattern of the dew point temperature over time.

도 4에 도시된 바와 같이, 결로 예측부(142)는 시간(i)에 따른 창문 내측면의 표면 온도 추정치(

Figure pat00035
)에서 두 점
Figure pat00036
을 이용하여 제1 직선방정식(Tangent of Tsurf)을 생성한다.As shown in FIG. 4, the condensation prediction unit 142 estimates the surface temperature of the inner side of the window over time (i).
Figure pat00035
) In two points
Figure pat00036
A first linear equation (Tangent of Tsurf) is generated using.

도 4에 도시된 바와 같이, 결로 예측부(142)는 시간(i)에 따른 이슬점 온도(

Figure pat00037
)에서 두 점
Figure pat00038
을 이용하여 제2 직선방정식(Tangent of Tdew)을 생성한다.As shown in FIG. 4, the condensation predicting unit 142 includes a dew point temperature (
Figure pat00037
) In two points
Figure pat00038
A second linear equation (Tangent of Tdew) is generated using.

두 점을 이용한 직선방정식은 널리 알려진 수학식으로 하기의 수학식 4와 같다.The linear equation using two points is a widely known equation and is shown in Equation 4 below.

Figure pat00039
Figure pat00039

결로 예측부(142)는 시간(i)에 따른 창문 내측면의 표면 온도 추정치의 두 점을 이용한 제1 직선방정식을 기설정된 시간 단위마다 주기적으로 생성하고, 상기 각각의 제1 직선방정식으로부터 얻은 제1 직선을 디스플레이부(144)를 통해 출력한다.The condensation prediction unit 142 periodically generates a first linear equation using two points of the surface temperature estimate of the inner surface of the window over time (i), and generates a first linear equation obtained from each of the first linear equations. 1 A straight line is output through the display unit 144.

결로 예측부(142)는 시간(i)에 따른 이슬점 온도의 두 점을 이용한 제2 직선방정식을 기설정된 시간 단위마다 주기적으로 생성하고, 상기 각각의 제2 직선방정식으로부터 얻은 제2 직선을 디스플레이부(144)를 통해 출력한다.The condensation prediction unit 142 periodically generates a second linear equation using two points of the dew point temperature according to time (i), and generates a second linear equation obtained from each of the second linear equations on a display unit. Print through (144).

결로 예측부(142)는 각각의 제1 직선방정식으로부터 얻은 제1 직선과, 각각의 제2 직선방정식으로부터 얻은 제2 직선이 만나는 교차점을 결로 발생 지점으로 판단한다.The condensation prediction unit 142 determines the intersection of the first straight line obtained from each of the first linear equations and the second straight line obtained from each of the second linear equations as a condensation generation point.

따라서, 결로 예측부(142)는 각각의 제1 직선방정식으로부터 얻은 제1 직선과, 각각의 제2 직선방정식으로부터 얻은 제2 직선의 시간에 따른 변화 패턴을 분석하며, 제1 직선과 제2 직선이 만나는 교차점을 결로 발생 지점으로 판단하고, 현재 시간에서 결로 발생 지점까지 소요되는 결로 예측 시간(

Figure pat00040
)을 계산한다.Therefore, the condensation prediction unit 142 analyzes the change pattern over time of the first straight line obtained from each of the first linear equations and the second straight line obtained from each of the second linear equations, and the first straight line and the second straight line The intersection of this intersection is judged as the point of condensation occurrence, and the predicted time of condensation from the current time
Figure pat00040
) Is calculated.

실내 결로는 창문 내측면의 표면 온도 추정치와 이슬점 온도가 동일한 경우 발생되므로 시간(i)에 따른 창문 내측면의 표면 온도 추정치의 곡선에 접하는 접선과, 시간(i)에 따른 이슬점 온도의 곡선에 접하는 접선이 점차 가까워질수록 결로가 발생할 가능성이 높아진다.Indoor condensation occurs when the estimated surface temperature of the inner side of the window and the dew point temperature are the same, so the tangent to the curve of the estimated surface temperature of the inner side of the window over time (i) and the curve of the dew point temperature over time (i) The closer the tangent line is, the higher the likelihood of condensation will occur.

결로 예측 시간을 계산하는 알고리즘을 의사 코드로 나타내면 다음과 같다.The algorithm for calculating the condensation prediction time is expressed as a pseudo code as follows.

Figure pat00041
Figure pat00041

서버 제어부(141)는 제2 센서노드(120)로부터 현재 실내 온도 및 습도 정보를 수신하여 Tin, RH에 저장하고, 날씨 API 서버(150)로부터 실외 온도를 수신하여 Tout에 저장한다(1번, 2번, 3번).The server control unit 141 receives current indoor temperature and humidity information from the second sensor node 120 and stores it in Tin and RH, and receives the outdoor temperature from the weather API server 150 and stores it in Tout (No. 1, Number 2, number 3).

기계 학습부(146)는 선형 회귀 모델을 통해 창문 내측면의 표면 온도 추정치를 추정할 수 있다(4번).The machine learning unit 146 may estimate a surface temperature estimate of the inner side of the window through a linear regression model (No. 4).

전술한 수학식 1에서의 선형 계수값(

Figure pat00042
,
Figure pat00043
,
Figure pat00044
)을 Coeff1, Coeff2, Coeff()로 표현하고, 회귀 학습 과정에서 얻어진 최적값은 상수로 미리 지정된다.The linear coefficient value in Equation 1 (
Figure pat00042
,
Figure pat00043
,
Figure pat00044
) Is expressed as Coeff1, Coeff2, and Coeff(), and the optimum value obtained in the regression learning process is preset as a constant.

서버 제어부(141)는 창문 내측면의 표면 온도 추정치와 실내 공간의 실내 습도를 전술한 수학식 3과 수학식 4의 바렌부르크 공식(Barenbrug Formula)을 이용하여 이슬점 온도를 계산한다(5번).The server control unit 141 calculates the dew point temperature by using the Barenbrug Formula of Equations 3 and 4 above for the estimated surface temperature of the window inner surface and the indoor humidity of the indoor space (No. 5).

결로 예측부(142)는 시간(i)에 따른 창문 내측면의 표면 온도 추정치의 두 점(

Figure pat00045
)을 이용하여 제1 접선 방정식(
Figure pat00046
)을 계산한다(6번).The condensation prediction unit 142 includes two points (
Figure pat00045
) Using the first tangent equation (
Figure pat00046
) Is calculated (step 6).

결로 예측부(142)는 시간(i)에 따른 이슬점 온도의 두 점(

Figure pat00047
)을 이용하여 제2 접선 방정식(
Figure pat00048
)을 계산한다(7번).The condensation prediction unit 142 has two points of the dew point temperature according to time (i) (
Figure pat00047
) Using the second tangent equation (
Figure pat00048
) Is calculated (number 7).

결로 예측부(142)는 현재의 표면 온도 추정치과 현재 이슬점 온도를 이전 데이터로 저장한다(8번).The condensation prediction unit 142 stores the current estimated surface temperature and the current dew point temperature as previous data (No. 8).

결로 예측부(142)는 각각의 제1 접선방정식으로부터 얻은 제1 직선과, 각각의 제2 접선방정식으로부터 얻은 제2 직선의 시간에 따른 변화 패턴을 모니터링하며, 제1 직선과 제2 직선의 만나는 교차점을 결로 발생 지점으로 판단하고, 현재 시간에서 결로 발생 지점까지 소요되는 결로 예측 시간(

Figure pat00049
)을 계산한다(9번).The condensation prediction unit 142 monitors the change pattern over time of the first straight line obtained from each first tangent equation and the second straight line obtained from each second tangent equation, and meets the first straight line and the second straight line. The intersection is judged as the point where condensation occurs, and the estimated condensation time from the current time to the point where condensation occurs (
Figure pat00049
) Is calculated (number 9).

결로 예측부(142)는 시간(i)에 따른 창문 내측면의 표면 온도 추정치와 시간(i)에 따른 이슬점 온도의 차이값이 기설정된 기준값(아주 작은값, con_bound)보다 작거나 같다면, 이미 결로가 진행되고 있음을 나타내고, 현재 시간을 결로 예측 시간으로 설정한다(10번, 11번).If the difference between the estimated surface temperature of the inner surface of the window over time (i) and the dew point temperature over time (i) is less than or equal to a preset reference value (very small value, con_bound), the condensation predicting unit 142 has already It indicates that condensation is in progress, and the current time is set as the predicted condensation time (No. 10, No. 11).

결로 예측부(142)는 시간(i)에 따른 창문 내측면의 표면 온도 추정치와 시간(i)에 따른 이슬점 온도의 차이값이 기설정된 기준값보다 크다면, 현재 시간이 결로 예측 시간보다 작거나(결로 위치가 현재 시간을 기준으로 후방에 있는 경우), 결로 예측 시간이 먼 시간에 존재하는 경우(예를 들면, 3일, 4일 등), 기설정된 최대값(예를 들면, 10시간 등) 시간을 결로 예측 시간으로 설정한다(13번, 14번).If the difference between the estimated surface temperature of the inner surface of the window over time (i) and the dew point temperature over time (i) is greater than a preset reference value, the condensation predicting unit 142 is less than the predicted condensation time ( When the condensation location is behind the current time), when the condensation prediction time exists in a distant time (e.g., 3 days, 4 days, etc.), a preset maximum value (e.g., 10 hours, etc.) Set the time as the predicted condensation time (No. 13, No. 14).

도 5는 본 발명의 실시예에 따른 실내의 결로 예측 시간을 추정하기 위한 알고리즘을 이용하여 실제 결로가 발생하는 창문 내측면의 표면 온도 추정치와 이슬점 온도의 변화와 결로 예측 시간을 나타낸 그래프이다.5 is a graph showing an estimate of a surface temperature of an inner surface of a window where condensation occurs, a change in a dew point temperature, and a condensation prediction time using an algorithm for estimating a prediction time of condensation indoors according to an embodiment of the present invention.

결로 예측부(142)는 결로가 발생할 때까지 도 5와 같이, 다음의 5 단계로 구분된다.The condensation prediction unit 142 is divided into the following five steps as shown in FIG. 5 until condensation occurs.

결로가 없는 단계(Phase 0)는 결로 징후가 발견되지 않는다.In the phase without condensation (Phase 0), no signs of condensation are found.

결로 표시 단계(Phase 1)는 결로 예측 시간이 급격한 감소로 나타난다.In the condensation display phase (Phase 1), the condensation prediction time is rapidly decreased.

결로 표시 단계(Phase 1)는 실시간으로 이슬점 온도와 창문 내측면의 표면 온도 추정치의 변화를 모니터링하고, 이슬점 온도가 갑자기 높아지거나 표면 온도 추정치가 낮아진다.The condensation display step (Phase 1) monitors changes in the dew point temperature and the surface temperature estimate of the inside of the window in real time, and the dew point temperature suddenly increases or the surface temperature estimate decreases.

결로 가능성이 증가하는 단계(Phase 2)는 결로 표시 단계 이후로 결로 예측 시간이 지속적으로 감소하고, 결로 표시 단계의 임계값 이하로 떨어진다.In the step of increasing the probability of condensation (Phase 2), after the condensation display step, the condensation prediction time continuously decreases and falls below the threshold value of the condensation display step.

결로 가능성이 높은 단계(Phase 3)는 Phase 2 이하로 결로 예측 시간이 연속적으로 감소하면, 몇 시간 안에 결로 발생 가능성이 높음을 나타낸다.In the phase with high probability of condensation (Phase 3), if the condensation prediction time continuously decreases below Phase 2, it indicates that condensation is likely to occur within a few hours.

결로 발생 단계(Phase 4)는 결로가 발생하는 경우, 결로 예측 시간이 0에 가까워지고, 현재 결로 상태인 것을 나타낸다.In the condensation generation step (Phase 4), when condensation occurs, the prediction time for condensation approaches 0, indicating that the current condensation state is present.

결로 예측부(142)는 결로 예측 시간을 통해 결로 징후를 감지하고, 5 단계를 통해 결로 위험성을 디스플레이부(144)로 출력하거나, 무선 통신부(145)를 통해 외부로 전송하여 경보를 알리는 기능을 수행할 수 있다.The condensation prediction unit 142 detects condensation signs through the condensation prediction time, outputs the risk of condensation to the display unit 144 through five steps, or transmits an alarm to the outside through the wireless communication unit 145. You can do it.

결로 예측 시스템(100)은 제1 센서노드(100)에 의해 창문 내측면의 표면 온도를 측정하거나 기계 학습을 이용하여 창문 내측면의 표면 온도를 추정하던지 창문 내측면의 표면 온도를 획득했다는 가정하에 지속적으로 변화하는 표면 온도와 전술한 수학식 2와 수학식 3을 적용한 이슬점 온도의 시간 변화에 따른 두 개의 직선 방정식의 교차점을 이용하여 향후 결로 발생에 대한 시간을 예측한다.The condensation prediction system 100 measures the surface temperature of the inner side of the window by the first sensor node 100 or estimates the surface temperature of the inner side of the window using machine learning, or acquires the surface temperature of the inner side of the window. The time for the occurrence of condensation in the future is predicted by using the intersection of the two linear equations according to the time change of the surface temperature that constantly changes and the dew point temperature applying Equations 2 and 3 above.

이상에서 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.In the above, embodiments of the present invention are not implemented only through an apparatus and/or a method, but may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention, a recording medium in which the program is recorded, or the like. And, this implementation can be easily implemented by an expert in the technical field to which the present invention belongs from the description of the above-described embodiment.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements by those skilled in the art using the basic concept of the present invention defined in the following claims are also provided. It belongs to the scope of rights.

100: 결로 예측 시스템 110: 제1 센서노드
111: 제1 센서부 112: 제1 제어부
113: 제1 무선통신모듈 120: 제2 센서노드
121: 제2 센서부 122: 제2 제어부
123: 제2 무선통신모듈 130: 통신망
140: 클라우드 서버 141: 서버 제어부
142: 결로 예측부 143: 온습도 정보 데이터베이스부
144: 디스플레이부 145: 무선통신부
146: 기계 학습부 147: 메모리부
148: 저장부 150: 날씨 API 서버100: condensation prediction system 110: first sensor node
111: first sensor unit 112: first control unit
113: first wireless communication module 120: second sensor node
121: second sensor unit 122: second control unit
123: second wireless communication module 130: communication network
140: cloud server 141: server control unit
142: condensation prediction unit 143: temperature and humidity information database unit
144: display unit 145: wireless communication unit
146: machine learning unit 147: memory unit
148: storage unit 150: weather API server

Claims (10)

결로가 발생하는 창문의 내측면에 부착된 제1 센서노드;
실내의 일측에 부착된 제2 센서노드; 및
상기 제1 센서노드로부터 창문 내측면의 표면 온도를 무선 통신으로 수신하고, 상기 제2 센서노드로부터 실내 온도와 습도 정보를 무선 통신으로 수신하고, 외부의 날씨 정보 서버로부터 실외 온도를 수신하고, 상기 표면 온도와 상기 습도 정보를 하기의 수학식 1과 수학식 2의 바렌부르크 공식(Barenbrug Formula)을 이용하여 이슬점 온도를 계산하며, 상기 창문 내측면의 표면 온도와 상기 계산한 이슬점 온도의 시간에 따른 변화 패턴을 모니터링하여 미래에 발생할 결로 발생의 시간을 계산하여 알리는 결로 예측부를 구비한 클라이언트 서버를 포함하는 것을 특징으로 하는 결로 예측 시스템.
[수학식 1]
Figure pat00050

[수학식 2]
Figure pat00051

여기서, a는 17.27℃, b는 237.3℃, T는 창문 내측면의 표면 온도, 0℃ < T < 60℃, RH는 상기 제2 센서노드에서 측정된 실내 공간의 실내 습도, 1% < RH < 100%, Td는 이슬점 온도임.A first sensor node attached to the inner surface of the window where condensation occurs;
A second sensor node attached to one side of the room; And
Receiving the surface temperature of the inner surface of the window from the first sensor node by wireless communication, receiving indoor temperature and humidity information from the second sensor node by wireless communication, receiving the outdoor temperature from an external weather information server, the The dew point temperature is calculated using the Barenbrug Formula of Equations 1 and 2 below for the surface temperature and the humidity information, and the surface temperature of the inner surface of the window and the calculated dew point temperature depend on time. A condensation prediction system comprising a client server having a condensation prediction unit that monitors a change pattern and calculates and informs a time of occurrence of condensation to occur in the future.
[Equation 1]
Figure pat00050

[Equation 2]
Figure pat00051

Where a is 17.27°C, b is 237.3°C, T is the surface temperature of the inner side of the window, 0°C <T <60°C, RH is the indoor humidity of the indoor space measured by the second sensor node, 1% <RH < 100%, Td is the dew point temperature. 제1항에 있어서,
상기 결로 예측부는 시간(i)에 따른 창문 내측면의 표면 온도(
Figure pat00052
)에서 두 점
Figure pat00053
을 이용한 제1 직선방정식(Tangent of Tsurf)을 기설정된 시간 단위마다 주기적으로 생성하고, 시간(i)에 따른 이슬점 온도(
Figure pat00054
)에서 두 점
Figure pat00055
을 이용한 제2 직선방정식(Tangent of Tdew)을 기설정된 시간 단위마다 주기적으로 생성하는 것을 특징으로 하는 결로 예측 시스템.The method of claim 1,
The condensation prediction unit is the surface temperature of the inner side of the window over time (i)
Figure pat00052
) In two points
Figure pat00053
A first linear equation using (Tangent of Tsurf) is periodically generated for each preset time unit, and the dew point temperature (
Figure pat00054
) In two points
Figure pat00055
Condensation prediction system, characterized in that the second linear equation (Tangent of Tdew) is periodically generated for each preset time unit. 제2항에 있어서,
상기 결로 예측부는 상기 각각의 제1 직선방정식으로부터 얻은 제1 직선과, 상기 각각의 제2 직선방정식으로부터 얻은 제2 직선의 시간에 따른 변화 패턴을 분석하며, 상기 제1 직선과 상기 제2 직선이 만나는 교차점을 결로 발생 지점으로 판단하고, 현재 시간에서 상기 결로 발생 지점까지 소요되는 결로 예측 시간(
Figure pat00056
)을 계산하는 것을 특징으로 하는 결로 예측 시스템.The method of claim 2,
The condensation prediction unit analyzes a change pattern over time of a first straight line obtained from each of the first linear equations and a second straight line obtained from each of the second linear equations, and the first straight line and the second straight line are Condensation prediction time (
Figure pat00056
Condensation prediction system, characterized in that to calculate ). 제1항에 있어서,
상기 창문 내측면의 표면 온도는 상기 제1 센서노드로부터 측정된 창문 내측면의 측정 표면 온도이고,
상기 클라이언트 서버는 시간대별 상기 실내 온도와 상기 실외 온도에 따른 상기 측정 표면 온도의 상관 관계를 기계 학습하여 상기 실내 온도와 상기 실외 온도에 대한 창문 내측면의 표면 온도를 추정하는 것을 특징으로 하는 결로 예측 시스템.The method of claim 1,
The surface temperature of the inner side of the window is the measured surface temperature of the inner side of the window measured from the first sensor node,
The client server machine learns the correlation between the indoor temperature and the measured surface temperature according to the outdoor temperature for each time period, and estimates the surface temperature of the inner surface of the window with respect to the indoor temperature and the outdoor temperature. system. 제4항에 있어서,
상기 클라이언트 서버는 하기의 수학식 3의 선형 회귀 모델을 이용하여 하기의 수학식 3의 파라미터인 선형 계수값(
Figure pat00057
,
Figure pat00058
,
Figure pat00059
)의 최적값을 찾기 위해서 상기 실내 온도와 상기 실외 온도에 따른 상기 측정 표면 온도의 상관 관계를 기계 학습하고, 상기 기계 학습으로 얻어진 선형 계수값(
Figure pat00060
,
Figure pat00061
,
Figure pat00062
)을 하기의 수학식 3에 대입하여 상기 창문 내측면의 표면 온도 추정치를 계산하는 기계 학습부를 더 포함하는 것을 특징으로 하는 결로 예측 시스템.
[수학식 3]
Figure pat00063

여기서,
Figure pat00064
은 시간(i)에 따른 창문 내측면의 표면 온도 추정치,
Figure pat00065
은 시간(i)에 따른 실내 온도,
Figure pat00066
은 시간(i)에 따른 실외 온도임.The method of claim 4,
The client server uses a linear regression model of Equation 3 below, which is a parameter of Equation 3 below (
Figure pat00057
,
Figure pat00058
,
Figure pat00059
In order to find the optimum value of ), the correlation between the indoor temperature and the measured surface temperature according to the outdoor temperature is machine-learned, and a linear coefficient value obtained by the machine learning (
Figure pat00060
,
Figure pat00061
,
Figure pat00062
And a machine learning unit that calculates an estimate of the surface temperature of the inner surface of the window by substituting) into Equation 3 below.
[Equation 3]
Figure pat00063

here,
Figure pat00064
Is the estimate of the surface temperature of the inner side of the window over time (i),
Figure pat00065
Is the room temperature over time (i),
Figure pat00066
Is the outdoor temperature over time (i). 제5항에 있어서,
상기 기계 학습부는 상기 제1 센서노드에서 측정된 창문 내측면의 측정 표면 온도(Tsurf-real)와 상기 계산된 창문 내측면의 표면 온도 추정치(Tsurf-pred)의 시간에 따른 변화를 시간대별, 날짜별로 그래프로 각각 생성하고, 상기 측정 표면 온도와 상기 표면 온도 추정치의 차이값이 기설정된 기준값 이하일 때, 상기 선형 계수값(
Figure pat00067
,
Figure pat00068
,
Figure pat00069
)을 선택하는 것을 특징으로 하는 결로 예측 시스템.The method of claim 5,
The machine learning unit determines the time-dependent variation of the measured surface temperature (Tsurf-real) of the inner side of the window measured by the first sensor node and the calculated Tsurf-pred of the inner side of the window. Each graph is generated for each, and when the difference between the measured surface temperature and the estimated surface temperature is less than or equal to a preset reference value, the linear coefficient value (
Figure pat00067
,
Figure pat00068
,
Figure pat00069
) To select the condensation prediction system. 제5항에 있어서,
상기 창문 내측면의 표면 온도는 상기 계산된 창문 내측면의 표면 온도 추정치인 것을 특징으로 하는 결로 예측 시스템.The method of claim 5,
The condensation prediction system, characterized in that the surface temperature of the inner side of the window is the calculated surface temperature of the inner side of the window. 하나 이상의 센서노드 및 클라이언트 서버로 이루어진 실내 결로 발생 시간을 예측하는 방법에 있어서,
상기 클라이언트 서버는 결로가 발생하는 창문의 내측면에 부착된 제1 센서노드로부터 창문 내측면의 표면 온도를 무선 통신으로 수신하고, 실내의 일측에 부착된 제2 센서노드로부터 실내 온도와 습도 정보를 무선 통신으로 수신하고, 외부의 날씨 정보 서버로부터 실외 온도를 수신하는 단계;
상기 클라이언트 서버는 상기 표면 온도와 상기 습도 정보를 하기의 수학식 4와 수학식 5의 바렌부르크 공식(Barenbrug Formula)을 이용하여 이슬점 온도를 계산하며, 상기 창문 내측면의 표면 온도와 상기 계산한 이슬점 온도의 시간에 따른 변화 패턴을 모니터링하여 미래에 발생할 결로 발생의 시간을 계산하여 알리는 단계를 포함하는 것을 특징으로 하는 실내 결로 발생 시간을 예측하는 방법.
[수학식 4]
Figure pat00070

[수학식 5]
Figure pat00071

여기서, a는 17.27℃, b는 237.3℃, T는 창문 내측면의 표면 온도, 0℃ < T < 60℃, RH는 상기 제2 센서노드에서 측정된 실내 공간의 실내 습도, 1% < RH < 100%, Td는 이슬점 온도임.In the method for predicting the occurrence time of indoor condensation consisting of one or more sensor nodes and a client server,
The client server receives the surface temperature of the inner side of the window from a first sensor node attached to the inner side of the window where condensation occurs, and receives room temperature and humidity information from the second sensor node attached to one side of the room. Receiving through wireless communication and receiving an outdoor temperature from an external weather information server;
The client server calculates the dew point temperature by using the Barenbrug Formula of Equations 4 and 5 below to calculate the surface temperature and the humidity information, and the surface temperature and the calculated dew point of the inner surface of the window And calculating and reporting a time of occurrence of condensation occurring in the future by monitoring a change pattern of temperature over time.
[Equation 4]
Figure pat00070

[Equation 5]
Figure pat00071

Where a is 17.27°C, b is 237.3°C, T is the surface temperature of the inner side of the window, 0°C <T <60°C, RH is the indoor humidity of the indoor space measured by the second sensor node, 1% <RH < 100%, Td is the dew point temperature. 제8항에 있어서,
상기 결로 발생 시간을 계산하여 알리는 단계는,
시간(i)에 따른 창문 내측면의 표면 온도(
Figure pat00072
)에서 두 점
Figure pat00073
을 이용한 제1 직선방정식(Tangent of Tsurf)을 기설정된 시간 단위마다 주기적으로 생성하는 단계; 및
시간(i)에 따른 이슬점 온도(
Figure pat00074
)에서 두 점
Figure pat00075
을 이용한 제2 직선방정식(Tangent of Tdew)을 기설정된 시간 단위마다 주기적으로 생성하는 단계를 포함하는 것을 특징으로 하는 결로 예측 시스템.The method of claim 8,
The step of calculating and informing the condensation occurrence time,
The surface temperature of the inner side of the window over time (
Figure pat00072
) In two points
Figure pat00073
Periodically generating a first linear equation (Tangent of Tsurf) using a predetermined time unit; And
Dew point temperature over time (i) (
Figure pat00074
) In two points
Figure pat00075
And periodically generating a second linear equation (Tangent of Tdew) using a predetermined time unit. 제9항에 있어서,
상기 각각의 제1 직선방정식으로부터 얻은 제1 직선과, 상기 각각의 제2 직선방정식으로부터 얻은 제2 직선의 시간에 따른 변화 패턴을 분석하는 단계; 및
상기 제1 직선과 상기 제2 직선이 만나는 교차점을 결로 발생 지점으로 판단하고, 현재 시간에서 상기 결로 발생 지점까지 소요되는 결로 예측 시간(
Figure pat00076
)을 계산하는 단계를 포함하는 것을 특징으로 하는 결로 예측 시스템.The method of claim 9,
Analyzing a change pattern over time of a first straight line obtained from each of the first linear equations and a second straight line obtained from each of the second linear equations; And
The intersection of the first straight line and the second straight line is determined as a condensation point, and a condensation prediction time required from the current time to the point of condensation (
Figure pat00076
). Condensation prediction system comprising the step of calculating.
KR1020190105963A 2019-08-28 2019-08-28 System and Method for Predicting Indoor Condensation Occurence Time KR102406311B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190105963A KR102406311B1 (en) 2019-08-28 2019-08-28 System and Method for Predicting Indoor Condensation Occurence Time

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190105963A KR102406311B1 (en) 2019-08-28 2019-08-28 System and Method for Predicting Indoor Condensation Occurence Time

Publications (2)

Publication Number Publication Date
KR20210025927A true KR20210025927A (en) 2021-03-10
KR102406311B1 KR102406311B1 (en) 2022-06-08

Family

ID=75147897

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190105963A KR102406311B1 (en) 2019-08-28 2019-08-28 System and Method for Predicting Indoor Condensation Occurence Time

Country Status (1)

Country Link
KR (1) KR102406311B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116382370A (en) * 2023-03-31 2023-07-04 杭州千岛净露水业有限公司 Dew collector condensation temperature self-adaptive control calculation method and system
US20230223154A1 (en) * 2021-09-13 2023-07-13 Robert E. Stirling Apparatus and method for detection and mitigation of conditions that are favorable for transmission of respiratory diseases
CN116818835A (en) * 2023-08-30 2023-09-29 中储粮成都储藏研究院有限公司 Dew condensation judging method based on granary temperature
US12030368B2 (en) 2020-07-02 2024-07-09 Tiger Tool International Incorporated Compressor systems and methods for use by vehicle heating, ventilating, and air conditioning systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001012784A (en) * 1999-06-30 2001-01-19 Kawasaki Steel Corp Method and apparatus for predicting dew formation on article preserved in building
KR20110018695A (en) * 2009-08-18 2011-02-24 순천대학교 산학협력단 Automatic control system and method for greenhouse environment
KR101742059B1 (en) 2015-12-17 2017-06-02 한국에너지기술연구원 Method and thermo-graphic camera for predicting the occurrence of condensation and mold
KR20190013017A (en) * 2017-07-31 2019-02-11 고려대학교 산학협력단 Method and device for equipment health monitoring based on sensor clustering

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001012784A (en) * 1999-06-30 2001-01-19 Kawasaki Steel Corp Method and apparatus for predicting dew formation on article preserved in building
KR20110018695A (en) * 2009-08-18 2011-02-24 순천대학교 산학협력단 Automatic control system and method for greenhouse environment
KR101742059B1 (en) 2015-12-17 2017-06-02 한국에너지기술연구원 Method and thermo-graphic camera for predicting the occurrence of condensation and mold
KR20190013017A (en) * 2017-07-31 2019-02-11 고려대학교 산학협력단 Method and device for equipment health monitoring based on sensor clustering

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12030368B2 (en) 2020-07-02 2024-07-09 Tiger Tool International Incorporated Compressor systems and methods for use by vehicle heating, ventilating, and air conditioning systems
US20230223154A1 (en) * 2021-09-13 2023-07-13 Robert E. Stirling Apparatus and method for detection and mitigation of conditions that are favorable for transmission of respiratory diseases
US12087450B2 (en) * 2021-09-13 2024-09-10 Robert E. Stirling Apparatus and method for detection and mitigation of conditions that are favorable for transmission of respiratory diseases
CN116382370A (en) * 2023-03-31 2023-07-04 杭州千岛净露水业有限公司 Dew collector condensation temperature self-adaptive control calculation method and system
CN116818835A (en) * 2023-08-30 2023-09-29 中储粮成都储藏研究院有限公司 Dew condensation judging method based on granary temperature
CN116818835B (en) * 2023-08-30 2023-11-21 中储粮成都储藏研究院有限公司 Dew condensation judging method based on granary temperature

Also Published As

Publication number Publication date
KR102406311B1 (en) 2022-06-08

Similar Documents

Publication Publication Date Title
KR102406311B1 (en) System and Method for Predicting Indoor Condensation Occurence Time
US11808473B2 (en) Action optimization device, method and program
Wang et al. Occupancy prediction through Markov based feedback recurrent neural network (M-FRNN) algorithm with WiFi probe technology
KR102653617B1 (en) Air conditioner and method for operating the air conditioner
US9740545B2 (en) Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium
JP5572799B2 (en) Air conditioning system controller
KR102012252B1 (en) Actuator based on sensor actuator network and method for actuating thereof
US11112138B2 (en) Air-conditioning control method and air-conditioning control device
US9983653B2 (en) Central control apparatus for controlling facilities, facility control system including the same, and method of controlling facilities
KR102392806B1 (en) System and Method for Predicting Indoor Surface Temperature and Indoor Condensation Using Machine Learning
KR101727296B1 (en) wireless sensor network system and communication method based on a profile
JP2020154785A (en) Prediction method, prediction program, and model learning method
KR101660487B1 (en) Method and apparatus for forecasting an energy consumption based on consumption characteristic
CN114556027B (en) Air conditioner control device, air conditioner system, air conditioner control method, and recording medium
JP2020067270A (en) Air conditioning control program, air conditioning control method and air conditioning control device
KR102308895B1 (en) Method for predicting a temperature-humidity index in a windowless laying hen houses which employing a cross type or tunnel type ventilation system
KR20180091983A (en) THE SERVER AND METHOD FOR MANAGING INDOOR AIR QUALITY BASED ON IoT
JP6384791B2 (en) Thermal insulation performance estimation device, program
KR102081425B1 (en) Energy-based comfort index analysis system based on user satisfaction and method thereof
KR102222489B1 (en) System and Method for Predicting Indoor Condensation Problem Using Surface Temperature Approximation
WO2020255677A1 (en) Information processing device and method
JP2014135015A (en) Room heat characteristic estimation device and program
Cardell-Oliver et al. Robust sensor data collection over a long period using virtual sensing
Nivetha et al. Wi-fi based occupancy detection in a building with indoor localization
US20220154961A1 (en) Control method, computer-readable recording medium storing control program, and air conditioning control device

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant