KR20220023007A - 전자 장치 및 그 제어 방법 - Google Patents

전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
KR20220023007A
KR20220023007A KR1020200104395A KR20200104395A KR20220023007A KR 20220023007 A KR20220023007 A KR 20220023007A KR 1020200104395 A KR1020200104395 A KR 1020200104395A KR 20200104395 A KR20200104395 A KR 20200104395A KR 20220023007 A KR20220023007 A KR 20220023007A
Authority
KR
South Korea
Prior art keywords
temperature
space
information
air conditioner
electronic device
Prior art date
Application number
KR1020200104395A
Other languages
English (en)
Inventor
송성근
김경재
송관우
이제헌
조혜정
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020200104395A priority Critical patent/KR20220023007A/ko
Priority to US17/428,125 priority patent/US11920807B2/en
Priority to PCT/KR2021/009677 priority patent/WO2022039400A1/ko
Publication of KR20220023007A publication Critical patent/KR20220023007A/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/60—Energy consumption

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

전자 장치가 개시된다. 전자 장치는 통신 인터페이스, 메모리 및 프로세서를 포함한다. 본 개시에 따른 프로세서는, 날씨 정보 및 에어컨이 설치된 공간에 대한 정보를 획득하고, 날씨 정보 및 상기 공간에 대한 정보를 바탕으로 신경망 모델을 학습하고, 통신 인터페이스를 통해 에어컨의 운전 정보 및 상기 공간의 측정된 온도가 획득되면, 상기 공간의 측정된 온도 및 외부 온도를 신경망 모델에 입력하여 상기 공간에 대한 시간 별 예측 온도 정보를 획득하고, 예측 온도 정보 및 상기 공간의 측정된 온도를 바탕으로 에어컨에 결함이 존재하는지 여부를 판단하고, 에어컨에 결함이 존재하면, 알림 신호를 생성한다.

Description

전자 장치 및 그 제어 방법{ELECTRONIC APPARATUS AND METHOD FOR CONTROLLING THEREOF}
본 개시는 전자 장치 및 그 제어 방법으로, 보다 상세하게는, 신경망 모델을 이용하여 에어컨에 결함이 존재하는지 여부를 판단하는 전자 장치 및 그 제어 방법에 관한 것이다.
근래에는 전자 기술의 발달에 힘입어 건물에 설치되는 에어컨, 난방기 등의 여러 기기들을 스마트하게 관리하는 이른바 스마트 빌딩 시스템에 대한 연구가 활발히 진행되고 있다.
한편, 종래의 스마트 빌딩 시스템은 현재 날씨 정보, 건물이 위치한 지역적 특성이나 건물 자체의 특성을 고려하지 않은 임의의 룰 기반으로 건물에 설치된 에어컨에 결함이 존재하는지 여부를 판단하였다. 이에 따라, 에어컨의 결함 여부 판단에 대한 정확도가 저하되어 사용자의 불편함을 초래하는 문제가 있었다.
이에, 건물에 설치된 에어컨의 결함을 정확히 판단하기 위한 기술에 대한 필요성이 대두된다.
본 발명이 해결하고자 하는 일 기술적 과제는, 건물에 설치된 에어컨의 결함을 판단하는 전자 장치를 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명의 기술분야에서의 통상의 기술자에게 명확하게 이해 될 수 있을 것이다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 일 실시 예에 따르면, 에어컨을 제어하는 전자 장치에 있어서, 통신 인터페이스; 적어도 하나의 인스트럭션을 저장하는 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보 및 상기 에어컨이 설치된 공간의 온도를 포함하는 상기 공간에 대한 정보를 획득하고, 상기 날씨 정보 및 상기 공간에 대한 정보를 바탕으로 신경망 모델을 학습하고, 상기 통신 인터페이스를 통해 설정 온도를 포함하는 상기 에어컨의 운전 정보 및 상기 공간의 측정된 온도가 획득되면, 상기 공간의 측정된 온도 및 상기 외부 온도를 상기 신경망 모델에 입력하여 상기 공간에 대한 시간 별 예측 온도 정보를 획득하고, 상기 예측 온도 정보 및 상기 공간의 측정된 온도를 바탕으로 상기 에어컨에 결함이 존재하는지 여부를 판단하고, 상기 에어컨에 결함이 존재한다고 판단되면, 알림 신호를 생성하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 해결하기 위한 본 개시의 예시적인 다른 일 실시 예에 따르면, 에어컨을 제어하는 전자 장치의 제어 방법에 있어서, 상기 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보 및 상기 에어컨이 설치된 공간의 온도를 포함하는 상기 공간에 대한 정보를 획득하는 단계; 상기 날씨 정보 및 상기 공간에 대한 정보를 바탕으로 신경망 모델을 학습하는 단계; 상기 통신 인터페이스를 통해 설정 온도를 포함하는 상기 에어컨의 운전 정보 및 상기 공간의 측정된 온도가 획득되면, 상기 공간의 측정된 온도 및 상기 외부 온도를 상기 신경망 모델에 입력하여 상기 공간에 대한 시간 별 예측 온도 정보를 획득하는 단계; 상기 예측 온도 정보 및 상기 공간의 측정된 온도를 바탕으로 상기 에어컨에 결함이 존재하는지 여부를 판단하는 단계; 및 상기 에어컨에 결함이 존재한다고 판단되면, 알림 신호를 생성하는 단계;를 포함하는 제어 방법이 제공될 수 있다.
본 개시의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 명세서 및 첨부된 도면으로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
이상과 같은 본 개시의 다양한 실시 예에 따르면, 전자 장치는 학습된 신경망 모델을 이용하여 에어컨에 결함이 존재하는지 여부를 판단할 수 있다. 이에 따라, 사용자의 만족감 및 편의성이 향상될 수 있다.
그 외에 본 개시의 실시 예로 인하여 얻을 수 있거나 예측되는 효과에 대해서는 본 개시의 실시 예에 대한 상세한 설명에서 직접적 또는 암시적으로 개시하도록 한다. 예컨대, 본 개시의 실시 예에 따라 예측되는 다양한 효과에 대해서는 후술될 상세한 설명 내에서 개시될 것이다.
도 1a는 본 개시의 일 실시 예에 따른 에어컨 결함 판단 방법의 컨셉을 설명하기 위한 도면이다.
도 1b는 본 개시의 일 실시 예에 따른 에어컨 및 전자 장치를 도식화한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 도시한 블록도이다.
도 3a는 본 개시의 일 실시 예에 따른 프로세서의 구성을 도시한 블록도이다.
도 3b는 본 개시의 다른 일 실시 예에 따른 프로세서의 구성을 도시한 블록도이다.
도 4a는 본 개시의 일 실시 예에 따른 에어컨 결함 판단 방법을 설명하기 위한 그래프이다.
도 4b는 본 개시의 다른 일 실시 예에 따른 에어컨 결함 판단 방법을 설명하기 위한 그래프이다.
도 5는 본 개시의 또 다른 일 실시 예에 따른 에어컨 결함 판단 방법을 설명하기 위한 그래프이다.
도 6은 본 개시의 일 실시 예에 따른 사용자 장치를 통해 제공되는 UI를 도시한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 알림 메시지를 제공하는 모습을 도시한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
도 9는 본 개시의 다른 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
도 10는 본 개시의 일 실시 예에 따른 에어컨 관리 시스템의 동작을 설명하기 위한 시퀀스도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.　
본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 개시의 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 개시된 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 실시 예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.　그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1a는 본 개시의 일 실시 예에 따른 에어컨 결함 판단 방법의 컨셉을 설명하기 위한 도면이다. 도 1b는 본 개시의 일 실시 예에 따른 에어컨 및 전자 장치를 도식화한 도면이다.
도 1a를 참조하면, 전자 장치(100)는 에어컨이 설치된 지역에 대한 날씨 정보(10), 에어컨이 설치된 공간에 대한 정보(20) 및 에어컨의 사용 패턴에 대한 정보(30)를 획득할 수 있다.
날씨 정보(10)는 에어컨이 설치된 지역의 시간 별 외부 온도, 습도, 강수량, 강수 확률, 풍량, 기후 패턴 중 적어도 하나를 포함할 수 있다. 전자 장치(100)는 날씨 정보(10)를 외부 서버(예로, 기상청 서버)로부터 획득할 수 있다. 또는, 전자 장치(100)는 도 1b에 도시된 바와 같이 에어컨(200)이 설치된 공간(S)에 구비된 실외기(210)로부터 날씨 정보(10)를 획득할 수 있다. 이 때, 실외기(210)는 온도 센서를 이용하여 에어컨이 설치된 공간(S) 외부의 외부 온도를 획득할 수 있다. 실외기(210)는 기 설정된 시간 간격(예로, 1분)으로 외부 온도를 전자 장치(100)로 전송할 수 있다.
공간에 대한 정보(20)는 에어컨(200)이 설치된 공간(S)의 온도를 포함할 수 있다. 이 때, 에어컨(200)은 온도 센서를 이용하여 공간(S)의 내부 온도를 획득하고, 획득된 온도를 기 설정된 시간 간격으로 전자 장치(100)로 전송할 수 있다. 또한, 공간에 대한 정보(20)는 에어컨이 설치된 공간(S)의 용도(예로, 공간이 사무실인지 식당인지), 위치(예로, 공간(S)이 다수의 층을 포함하는 건물에 존재하는 경우 공간(S)이 건물의 몇 층에 존재하는지), 크기, 공간(S) 내에서의 에어컨(200)의 위치, 공간(S)에 존재하는 창문의 개수, 창문의 크기 및 개폐 여부, 공간(S)의 노후 정도 및 재실자 수 중 적어도 하나를 포함할 수 있다. 한편, 공간에 대한 정보(20)는 에어컨(200)으로부터 획득되거나 사용자에 의해 입력되어 전자 장치(100)에 저장될 수 있다.
사용 패턴에 대한 정보(30)는 특정 상황에서 사용자가 에어컨(200)을 어떻게 사용하는지에 대한 정보를 의미한다. 예를 들어, 사용 패턴에 대한 정보(30)는 공간(S)의 외부 온도 및 내부 온도가 각각 특정 온도일 때, 사용자가 설정한 에어컨(200)에 대한 운전 정보를 포함할 수 있다. 여기서, 운전 정보는, 설정 온도(또는 목표 온도), 바람의 세기, 운전 모드 중 적어도 하나를 포함할 수 있다.
전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)에 대응되는 공간(S)의 시간 별 온도 정보를 획득할 수 있다. 예를 들어, 외부 온도가 34도, 공간(S)의 온도가 30도, 사용자가 설정한 설정 온도가 26도인 상황에서 에어컨(200)이 구동 되었을 때, 시간 별 공간(S)의 온도 정보를 획득할 수 있다. 이 때, 시간 별 공간(S)의 온도 정보는 에어컨(200)에 구비된 온도 센서를 통해 획득되어, 에어컨(200)으로부터 전자 장치(100)로 전송될 수 있다.
전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30) 및 에어컨(200)의 구동에 따른 공간(S)의 시간 별 온도 정보를 매칭하여 저장할 수 있다. 예를 들어, 전자 장치(100)는 일주일 동안의 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30) 및 공간(S)의 시간 별 온도 정보를 매칭하여 저장할 수 있다.
전자 장치(100)는 저장된 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30) 및 에어컨(200)의 구동에 따른 공간(S)의 시간 별 온도 정보 중 적어도 하나를 바탕으로 시간 별 예측 온도 정보(40)를 획득하기 위한 신경망 모델(121)을 학습할 수 있다. 예를 들어, 전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30)를 신경망 모델(121)에 입력하여 시간 별 예측 온도 정보를 획득할 수 있다. 여기서, 신경망 모델(121)은 기 저장된 정보를 바탕으로 시간 별 온도 정보를 획득하도록 미리 학습되어 전자 장치(100)에 저장될 수 있다. 전자 장치(100)는 신경망 모델(121)을 통해 획득되는 시간 별 예측 온도 정보와 기 저장된 시간 별 온도 정보를 비교하여 에러 값을 산출하고, 에러 값이 최소화되도록 신경망 모델(121)의 파라미터(또는 가중치(weighted value))업데이트할 수 있다. 이와 같이, 전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30)를 바탕으로 신경망 모델(121)을 학습시킬 수 있다.
신경망 모델(121)의 학습되면, 전자 장치(100)는 학습된 신경망 모델(121)을 이용하여 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 구체적으로, 에어컨(200)을 구동시키기 위한 사용자의 명령에 대한 정보가 획득되면, 전자 장치(100)는 현재 시점(또는, 사용자 명령이 획득된 시점)에 대응되는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 획득할 수 있다. 그리고, 전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30) 중 적어도 하나를 신경망 모델(121)에 입력하여 시간 별 예측 온도 정보(40)를 획득할 수 있다. 또한, 전자 장치(100)는 시간 별 공간(S)의 측정된 온도를 획득할 수 있다. 전자 장치(100)는 예측 온도 정보(40) 및 공간(S)의 측정된 온도를 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다.
일 예로, 전자 장치(100)는 예측 온도 정보(40)와 설정 온도를 바탕으로 공간(S)의 온도가 설정 온도에 도달하는 예측 시점을 획득할 수 있다. 이 때, 전자 장치(100)는 공간(S)의 측정된 온도가 예측 시점으로부터 기 설정된 시간 범위 이내에 설정 온도에 도달하지 않으면, 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 다른 일 예로, 전자 장치(100)는 예측 온도 정보(40) 및 설정 온도를 바탕으로 공간의 온도가 설정 온도에 도달하는 예측 시점을 획득하고, 예측 시점에서 공간의 측정된 온도와 설정 온도의 차이가 기 설정된 값 이상이면 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 반면에, 에어컨(200)에 결함이 존재하지 않는다고 판단되면, 전자 장치(100)는 공간(S)의 온도, 외부 온도 및 예측 온도 정보(40)를 바탕으로 신경망 모델(121)을 재학습시킬 수 있다.
한편, 에어컨(200)에 결함이 존재한다고 판단되면, 전자 장치(100)는 알림 신호를 생성할 수 있다. 그리고, 전자 장치(100)는 알림 신호에 대응되는 메시지를 출력하도록 사용자 단말을 제어하기 위한 제어 신호를 사용자 단말로 전송할 수 있다. 이에 따라, 사용자는 에어컨(200)에 결함이 존재한다는 사실을 인지할 수 있다.
한편, 전자 장치(100)는 에어컨(200)이 설치된 공간에 대한 열 특성(50)을 바탕으로 시간 별 예측 온도 정보(40)를 보정할 수 있다. 여기서, 열 특성(50)은 에어컨(200)이 설치된 공간(S)에 대한 온도 분포를 의미한다. 열 특성(50)은 공간(S) 내 설치된 복수의 에어컨(200)의 위치에 각각 대응되는 영역에 대한 온도 정보를 포함할 수 있다. 도 1a에 도시된 바와 같이, 열 특성(50)은 특정 위치의 온도와 에어컨(200)이 설치된 위치의 온도 간의 차이 값을 포함할 수 있다.
전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 바탕으로 에어컨(200)이 설치된 공간에 대한 열 특성(50)을 획득할 수 있다. 구체적으로, 전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 입력 인자로 하는 기 정의된 함수를 이용하여 열 특성(50)을 획득할 수 있다.
한편, 도 1a에서는 전자 장치(100)가 시간 별 예측 온도 정보(40)와 별개로 열 특성(50)을 획득하는 것으로 도시하였다. 다만, 이는 일 실시 예에 불과하며 전자 장치(100)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 신경망 모델(121)에 입력하여 열 특성(50)이 반영된 시간 별 예측 온도 정보(40)를 획득할 수 있다. 즉, 신경망 모델(121)은 열 특성(50)을 고려하여 시간 별 예측 온도 정보(40)를 추론하도록 학습될 수 있다.
도 2는 본 개시의 일 실시 예에 따른 전자 장치(100)의 구성을 도시한 블록도이다. 전자 장치(100)는 통신 인터페이스(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 한편, 전자 장치(100)는 에어컨(200)을 관리하는 서버 장치로 구현될 수 있다. 이하에서는, 전자 장치(100)의 각 구성에 대하여 설명하도록 한다.
통신 인터페이스(110)는 적어도 하나의 회로를 포함하며 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 기기와 통신을 수행할 수 있다. 예로, 통신 인터페이스(110)는 에어컨(200) 및 사용자 장치(300)와 통신을 수행할 수 있다. 이 때, 통신 인터페이스(110)는 에어컨(200)과는 제1 통신 방식(예로, 유선)으로 통신을 수행하며, 사용자 장치(300)와는 제2 통신 방식(예로, 무선)으로 통신을 수행할 수 있다. 여기서, 사용자 장치(300)는 모바일 장치와 같은 사용자 단말, PC(Personal Computer) 등을 포함할 수 있다.
통신 인터페이스(110)가 에어컨(200) 또는 사용자 장치(300)와 무선 통신 방식으로 통신을 수행하는 경우, 통신 인터페이스(110)는 블루투스 모듈, 와이파이 통신 모듈, 셀룰러 통신모듈, 3G(3세대) 이동통신 모듈, 4G(4세대) 이동통신 모듈, 4세대 LTE(Long Term Evolution) 통신 모듈 중 적어도 하나를 포함할 수 있다. 또한, 통신 인터페이스(110)는 보안을 강화하기 위해 에어컨(200)과 유선 통신 방식(예로, LAN)으로 통신을 수행할 수 있다.
메모리(120)는 전자 장치(100)의 구성요소들의 전반적인 동작을 제어하기 위한 운영체제(OS: Operating System) 및 전자 장치(100)의 구성요소와 관련된 명령 또는 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 도 1a의 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30) 및 에어컨(200)의 구동에 따른 공간(S)의 시간 별 온도 정보를 저장할 수 있다. 또한, 메모리(120)는 시간 별 예측 온도 정보를 획득하기 위한 신경망 모델(121)을 저장할 수 있다.
한편, 메모리(120)는 비휘발성 메모리(ex: 하드 디스크, SSD(Solid state drive), 플래시 메모리), 휘발성 메모리 등으로 구현될 수 있다. 특히, 신경망 모델은 기존의 범용 프로세서(예를 들어, CPU) 또는 별도의 AI 전용 프로세서(예를 들어, GPU, NPU 등)에 의해 실행될 수 있다.
프로세서(130)는 전자 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(130)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 획득할 수 있다. 예를 들어, 프로세서(130)는 통신 인터페이스(110)를 통해 에어컨(200)이 설치된 공간의 온도를 획득할 수 있다. 또한, 프로세서(130)는 통신 인터페이스(110)를 통해 설정 온도를 포함하는 에어컨(200)의 운전 정보를 획득할 수 있다.
프로세서(130)는 메모리(120)에 저장된 기 학습된 신경망 모델을 획득할 수 있다. 그리고 프로세서(130)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 바탕으로 신경망 모델을 학습할 수 있다. 학습이 완료되면, 프로세서(130)는 학습된 신경망 모델을 메모리(120)에 저장할 수 있다.
프로세서(130)는 통신 인터페이스(110)를 통해 에어컨(200)의 운전 정보 및 공간(S)의 측정된 온도가 획득되면, 공간(S)의 측정된 온도 및 외부 온도를 학습된 신경망 모델에 입력하여 공간(S)에 대한 시간 별 예측 온도 정보(40)를 획득할 수 있다.
프로세서(130)는 예측 온도 정보(40) 및 공간(S)의 측정된 온도를 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 에어컨(200)에 결함이 존재한다고 판단되면, 프로세서(130)는 알림 메시지를 디스플레이하기 위한 제어 신호를 사용자 장치(300)로 전송하도록 통신 인터페이스(110)를 제어할 수 있다.
한편, 본 개시에 따른 인공지능과 관련된 기능은 프로세서(130)와 메모리(120)를 통해 동작된다. 프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리(120)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.
본 개시에 따른 전자 장치(100)는 공간에 대한 시간 별 온도를 추론 또는 예측하기 위하여 인공지능 모델을 이용할 수 있다. 프로세서(130)는 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)에 대해 전처리 과정을 수행하여 인공지능 모델의 입력으로 사용하는 데에 적합한 형태로 변환할 수 있다. 인공지능 모델은 학습을 통해 만들어 질 수 있다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다.
추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론(Knowledge based Reasoning), 최적화 예측(Optimization Prediction), 선호 기반 계획(Preference-based Planning), 추천(Recommendation) 등을 포함한다.
인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), GAN (Generative Adversarial Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
도 3a는 본 개시의 일 실시 예에 따른 프로세서의 구성을 도시한 블록도이다. 프로세서(130)는 에어컨 정보 획득 모듈(131), 신경망 모델 학습 모듈(132), 열 특성 추출 모듈(133), 온도 예측 모듈(134), 결함 판단 모듈(135) 및 알림 신호 생성 모듈(136)을 포함할 수 있다.
에어컨 정보 획득 모듈(131)은 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보(10), 에어컨이 설치된 공간의 온도를 포함하는 공간에 대한 정보(20) 및 에어컨의 사용 패턴에 대한 정보(30)를 획득할 수 있다.
신경망 모델 학습 모듈(132)은 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 바탕으로 에어컨이 설치된 공간에 대한 시간 별 예측 온도를 획득하기 위한 신경망 모델을 학습할 수 있다. 구체적으로, 신경망 모델 학습 모듈(132)은 메모리(120)에 저장된 미리 학습된 신경망 모델을 획득할 수 있다. 이 때, 미리 학습된 신경망 모델의 파라미터는 사용자에 의해 미리 설정될 수 있다. 신경망 모델 학습 모듈(132)은 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 바탕으로 미리 학습된 신경망 모델의 파라미터를 업데이트하여 새로운 신경망 모델을 획득할 수 있다. 이와 같이 획득되는 새로운 신경망 모델을 통해 획득되는 시간 별 예측 온도 정보의 정확도는 미리 학습된 신경망 모델을 통해 획득되는 시간 별 예측 온도 정보의 정확도보다 높을 수 있다.
열 특성 추출 모듈(133)은 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 바탕으로 에어컨(200)이 설치된 공간에 대한 열 특성(50)을 획득할 수 있다. 열 특성 추출 모듈(133)은 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 입력 인자로 하는 기 정의된 함수를 이용하여 열 특성(50)을 획득할 수 있다.
온도 예측 모듈(134)은 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30) 및 열 특성(50)을 바탕으로 에어컨(200)이 설치된 공간에 대한 시간 별 예측 온도 정보(40)를 획득할 수 있다. 온도 예측 모듈(134)은 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 신경망 모델 학습 모듈(132)을 통해 획득되는 신경망 모델(121)에 입력하여 예측 온도 정보(40)를 획득할 수 있다. 그리고, 온도 예측 모듈(134)은 열 특성(50)을 바탕으로 획득된 예측 온도 정보(40)를 보정할 수 있다.
결함 판단 모듈(135)은 예측 온도 정보(40)를 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 일 예로, 결함 판단 모듈(135)은 예측 온도 정보(40)와 에어컨(200)에 대하 사용자가 설정한 설정 온도를 바탕으로 에어컨(200)이 설치된 공간(S)의 온도가 설정 온도에 도달하는 예측 시점을 획득할 수 있다. 이 때, 결함 판단 모듈(135)은 공간(S)의 측정된 온도가 예측 시점으로부터 기 설정된 시간 범위 이내에 설정 온도에 도달하지 않으면, 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 다른 일 예로, 결함 판단 모듈(135)은 예측 온도 정보(40) 및 설정 온도를 바탕으로 공간의 온도가 설정 온도에 도달하는 예측 시점을 획득하고, 예측 시점에서 공간의 측정된 온도와 설정 온도의 차이가 기 설정된 값 이상이면 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 한편, 에어컨(200)의 결함 여부를 판단하는 방법에 대해서는 도 4a 및 도 4b를 참조하여 보다 상세히 후술하도록 한다.
알림 신호 생성 모듈(136)은 결함 판단 모듈(135)을 통해 에어컨(200)에 결함이 존재한다고 판단되면, 사용자에게 에어컨(200)의 결함을 알리기 위한 알림 신호를 생성할 수 있다. 이 때, 알림 신호 생성 모듈(136)은 알림 메시지(예로, 팝업 메시지)를 제공하기 위한 알림 신호를 사용자 단말로 전송하도록 통신 인터페이스(110)를 제어할 수 있다.
한편, 이상에서는 전자 장치(100)가 예측 온도 정보(40)를 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단하는 것으로 설명하였으나, 전자 장치(100)는 에어컨(200)의 예상 소비 전력량을 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수도 있다. 이를 위해, 프로세서(130)는 전력량 예측 모듈(137)을 포함할 수 있다.
도 3b는 본 개시의 다른 일 실시 예에 따른 프로세서의 구성을 도시한 블록도이다. 도 3a의 실시 예와 마찬가지로, 프로세서(130)는 에어컨 정보 획득 모듈(131), 신경망 모델 학습 모듈(132), 열 특성 추출 모듈(133), 온도 예측 모듈(134), 결함 판단 모듈(135) 및 알림 신호 생성 모듈(136)을 포함할 수 있으며, 설명의 편의상 도 3a와 중복되는 설명은 생략하도록 한다.
본 개시의 일 실시 예에 따르면, 프로세서(130)는 전력량 예측 모듈(137) 및 전력량 획득 모듈(138)을 포함할 수 있다. 전력량 예측 모듈(137)은 전력량 예측 모델을 이용하여 에어컨(200)에 의해 소비되는 시간 별 예측 전력량을 획득할 수 있다. 전력량 예측 모델은 인공지능 모델로서, 날씨 정보(10), 공간에 대한 정보(20) 및 사용 패턴에 대한 정보(30)를 바탕으로 에어컨(200)에 의해 소비되는 시간 별 예측 전력량을 획득하도록 학습될 수 있다. 예를 들어, 전력량 예측 모듈(137)은 현재 외부 온도, 현재 공간(S)의 온도, 사용자가 설정한 온도를 전력량 예측 모델에 입력하여 예측 전력량을 획득할 수 있다. 한편, 전력량 예측 모델은 에어컨(200)의 과거 운전을 통해 획득되어 메모리(120)에 저장된 날씨 정보(10), 공간에 대한 정보(20), 사용 패턴에 대한 정보(30) 및 에어컨(200)의 소비 전력량을 바탕으로 학습될 수 있다.
전력량 획득 모듈(138)은 에어컨(200)의 구동에 따라 실제로 소비되는 시간 별 측정 전력량을 획득할 수 있다. 전력량 획득 모듈(138)은 다양한 방법으로 측정 전력량을 획득할 수 있다. 일 예로, 전력량 획득 모듈(138)은 에어컨(200)의 소비 전력량을 산출하는 전력량계를 통해 측정 소비량을 획득할 수 있다. 다른 일 예로, 전력량 획득 모듈(138)은 에어컨(200)의 작동 용량(operating capacity) 및 에어컨(200)과 전기적으로 연결되는 실외기(210)의 압축 주파수(compressor current frequency)를 바탕으로 시간 별 측정 소비량을 획득할 수 있다. 구체적으로, 전력량 획득 모듈(138)은 아래의 [수학식 1]을 바탕으로 측정 전력량이 산출될 수 있다.
[수학식 1]
Figure pat00001
여기서,
Figure pat00002
는 시간 당 에어컨(200)의 작동 용량(operating capacity)이며,
Figure pat00003
는 시간 당 실외기(210)의 압축 주파수(compressor current frequency)이다.
결함 판단 모듈(135)은 예측 전력량 및 측정 전력량을 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 예를 들어, 전력량 예측 모듈(137)은 예측 전력량과 측정 전력량의 차이가 기 설정된 값보다 크면, 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 여기서, 기 설정된 값은 사용자에 의해 설정 및 변경될 수 있다.
한편, 도 3a 및 도 3b에서는 복수의 모듈(131 내지 138)을 프로세서(130)의 일 구성으로 설명하였다. 다만, 이는 일 실시 예에 불과하며, 복수의 모듈(131 내지 138)은 메모리(120)에 저장될 수 있다. 이 때, 프로세서(130)는 메모리(120)에 저장된 복수의 모듈(131 내지 138)을 비휘발성 메모리에서 휘발성 메모리로 로딩(loading)하여 복수의 모듈(131 내지 138)의 각 기능들을 실행할 수 있다. 또한, 프로세서(130)의 각 모듈들은 소프트웨어(software)로 구현되거나, 소프트웨어와 하드웨어(hardware)가 결합된 형태로 구현될 수 있다.
도 4a는 본 개시의 일 실시 예에 따른 에어컨 결함 판단 방법을 설명하기 위한 그래프이다. 도 4a는 에어컨이 설치된 공간(S)에 대한 시간 별 예측 온도 및 측정 온도를 도시한 그래프이다. 예측 온도(41)는 도 1a의 예측 온도 정보(40)에 대응될 수 있다.
전자 장치(100)는 예측 온도(41), 측정 온도(42) 및 설정 온도(Ts)를 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 일 예로, 전자 장치(100)는 예측 온도(41) 및 설정 온도(Ts)를 바탕으로 공간(S)의 온도가 설정 온도(Ts)에 도달하는 예측 시점(
Figure pat00004
)을 획득할 수 있다. 전자 장치(100)는 측정 온도(42)가 예측 시점(
Figure pat00005
)으로부터 기 설정된 시간 범위(A) 이내에 도달하지 않으면, 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 예를 들어, 도 4a에 도시된 바와 같이, 측정 온도(42)가 설정 온도(Ts)에 도달하는 실제 시점(
Figure pat00006
)이 예측 시점(
Figure pat00007
)으로부터 기 설정된 시간 범위(A) 이내에 포함되지 않으면, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 한편, 기 설정된 시간 범위(A)는 사용자에 의해 설정 및 변경될 수 있다. 또한, 전자 장치(100)는 실제 시점(
Figure pat00008
) 및 예측 시점(
Figure pat00009
)의 차이가 기 설정된 값보다 크면 에어컨(200)에 결함이 존재한다고 판단할 수 있다.
다른 일 예로, 전자 장치(100)는 예측 시점(
Figure pat00010
)에서 공간(S)의 측정 온도(42)와 설정 온도(Ts)를 비교하여 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 예측 시점(
Figure pat00011
)에서 공간(S)의 측정 온도(42)가 설정 온도(Ts)로부터 기 설정된 온도 범위(B) 이내에 포함되지 않으면, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 예를 들어, 도 4b에 도시된 바와 같이, 예측 시점(
Figure pat00012
)의 측정 온도(Tr)가 설정 온도(Ts)로부터 기 설정된 온도 범위(B) 이내에 포함되지 않으면, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 기 설정된 온도 범위(B)는 사용자에 의해 설정 및 변경될 수 있다. 또한, 전자 장치(100)는 측정 온도(Tr)와 설정 온도(Ts)의 차이가 기 설정된 값보다 크면 에어컨(200)에 결함이 존재한다고 판단할 수 있다.
도 5는 본 개시의 또 다른 일 실시 예에 따른 에어컨 결함 판단 방법을 설명하기 위한 그래프이다. 도 5는 에어컨에 의해 소비되는 시간 별 예측 전력량 및 측정 전력량을 도시한 그래프이다.
전자 장치(100)는 공간(S)의 측정 온도가 설정 온도에 도달하는 실제 시점(
Figure pat00013
)을 획득할 수 있다. 그리고, 전자 장치(100)는 실제 시점(
Figure pat00014
)까지 에어컨(200)에 의해 소비된 예측 전력량(
Figure pat00015
)과 측정 전력량(
Figure pat00016
)을 바탕으로 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 예를 들어, 전자 장치(100)는 측정 전력량(
Figure pat00017
)이 예측 전력량(
Figure pat00018
)으로부터 기 설정된 전력량 범위(C) 이내에 포함되지 않으면, 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 또는, 전자 장치(100)는 예측 전력량(
Figure pat00019
)과 측정 전력량(
Figure pat00020
)의 차이가 기 설정된 값 이상이면, 에어컨(200)에 결함이 존재한다고 판단할 수 있다.
한편, 도 4a, 도 4b 및 도 5에서는 시간에 따라 온도 또는 전력량이 선형적으로 변하는 것으로 도시하였으나, 이는 일 실시 예에 불과하며, 온도 및 전력량은 시간에 따라 비선형적으로 변할 수 있음은 물론이다.
도 6은 본 개시의 일 실시 예에 따른 사용자 장치를 통해 제공되는 UI를 도시한 도면이다. 사용자 장치(300)는 전자 장치(100)에 의한 알림 신호 발생 조건을 설정하기 위한 메뉴(60)를 디스플레이할 수 있다. 메뉴(60)는 알림 사용 여부를 설정하기 위한 제1 항목(61), 에너지 낭비 유형을 나타내는 제2 항목(62) 및 제2 항목(62)에 포함된 에너지 낭비 항목 각각에 대한 알림 조건을 설정하기 위한 제3 항목(63)을 포함할 수 있다. 특히, 제2 항목(62)은 실내 온도 이상 항목(62-1) 및 에너지 총량 항목(62-2)을 포함할 수 있다. 그리고, 제3 항목(63)은 실내 온도 이상 항목(62-1)에 대한 알림 조건 설정을 위한 제1 UI 엘리먼트(63-1) 및 에너지 총량 항목(62-2)에 대한 알림 조건 설정을 위한 제2 UI 엘리먼트(63-2)를 포함할 수 있다. 제1 UI 엘리먼트 (63-1) 및 제2 UI 엘리먼트(63-2)를 통해 사용자 명령이 획득되면, 전자 장치(100)는 사용자 명령에 기초하여 에어컨(200)에 결함이 존재하는지 여부를 판단할 수 있다. 에어컨(200)에 결함이 존재한다고 판단되면, 전자 장치(100)는 알림 신호를 생성할 수 있다.
예를 들어, 제1 UI 엘리먼트(63-1)를 1시간(1h)으로 설정하는 사용자 명령이 획득되면, 전자 장치(100)는 사용자 명령에 기초하여 도 4a의 기 설정된 시간 범위(A)를 결정할 수 있다. 이 때, 예측 시점(
Figure pat00021
)으로부터 1시간 이내에 측정 온도(42)가 설정 온도(Ts)에 도달하지 않으면, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단할 수 있다. 다른 예로, 제2 UI 엘리먼트 (63-2)를 10%로 설정하는 사용자 명령이 획득되면, 전자 장치(100)는 사용자 명령에 기초하여 도 5의 기 설정된 전력량 범위(C)를 결정할 수 있다. 이 때, 측정 전력량(
Figure pat00022
)이 예측 전력량(
Figure pat00023
)의 110%를 초과하면, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단할 수 있다.
도 7은 본 개시의 일 실시 예에 따른 알림 메시지를 제공하는 모습을 도시한 도면이다. 전자 장치(100)가 알림 신호를 생성하여 사용자 장치(300)로 전송하면, 사용자 장치(300)는 에어컨(200)의 결함이 감지되었음을 알리는 알림 메시지(71)를 디스플레이할 수 있다. 이 때, 알림 메시지(71)는 팝업 메시지 형태로 제공될 수 있다. 또한, 알림 메시지(71)상에는 감지된 결함에 대한 상세 정보를 제공하기 위한 UI 엘리먼트(72)가 디스플레이될 수 있다. 예를 들어, 사용자가 UI 엘리먼트(72)를 선택하면, 사용자 장치(300)는 결함이 감지된 에어컨(200)에 대한 상세 정보(예로, 모델 정보), 결함에 대한 상세 정보(예로, 냉각 기능 저항) 등을 디스플레이할 수 있다.
도 8은 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
전자 장치(100)는 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보, 에어컨이 설치된 공간의 온도를 포함하는 공간에 대한 정보 및 에어컨의 사용 패턴에 대한 정보를 획득할 수 있다(S810). 전자 장치(100)는 현재 및 과거에 대한 날씨 정보, 공간에 대한 정보 및 사용 패턴에 대한 정보를 획득할 수 있다.
그리고, 전자 장치(100)는 날씨 정보, 공간에 대한 정보 및 사용 패턴에 대한 정보를 바탕으로 신경망 모델을 학습할 수 있다(S820). 신경망 모델은 날씨 정보, 공간에 대한 정보 및 사용 패턴에 대한 정보를 바탕으로 시간 별 예측 온도 정보(또는 예측 온도)를 획득하도록 미리 학습되어 전자 장치(100)에 저장되어 있을 수 있다. 전자 장치(100)는 현재 시점의 날씨 정보, 공간에 대한 정보 및 사용 패턴에 대한 정보를 바탕으로 미리 학습된 신경망 모델의 파라미터를 업데이트하여 신경망 모델을 학습할 수 있다.
전자 장치(100)는 설정 온도를 포함하는 에어컨의 운전 정보 및 공간의 측정된 온도(또는 측정 온도)가 획득되면, 공간의 측정된 온도 및 외부 온도를 신경망 모델에 입력하여 공간에 대한 시간 별 예측 온도 정보를 획득할 수 있다(S830). 이 때, 전자 장치(100)는 통신 인터페이스를 통해, 에어컨을 구동시키기 위한 사용자의 명령과 관련된 정보를 수신할 수 있다. 예를 들어, 전자 장치(100)는 사용자가 설정한 설정 온도, 운전 모드 및 풍량 중 적어도 하나에 관한 정보를 획득할 수 있다.
그리고, 전자 장치(100)는 예측 온도 정보 및 공간의 측정된 온도를 바탕으로 에어컨에 결함이 존재하는지 여부를 판단할 수 있다(S840). 전자 장치(100)는 예측 온도 정보 및 설정 온도를 바탕으로 공간의 온도가 설정 온도에 도달하는 예측 시점을 획득하고, 공간의 측정된 온도가 예측 시점으로부터 기 설정된 시간 범위 이내에 설정 온도에 도달하지 않으면, 에어컨에 결함이 존재한다고 판단할 수 있다. 또한, 전자 장치(100)는 예측 온도 정보 및 설정 온도를 바탕으로 공간의 온도가 설정 온도에 도달하는 예측 시점을 획득하고, 예측 시점에서 공간의 측정된 온도와 설정 온도의 차이가 기 설정된 값 이상이면 에어컨에 결함이 존재한다고 판단할 수 있다.
에어컨에 결함이 존재하는 것으로 판단되면, 전자 장치(100)는 알림 신호를 생성할 수 있다(S850). 이 때, 생성된 알림 신호는 사용자 장치(300)로 전송되어 생성된 알림 신호에 대응되는 알림 메시지가 사용자 장치(300)를 통해 출력될 수 있다. 이에 따라, 사용자는 에어컨에 결함이 존재하는 사실을 인지할 수 있어, 사용자의 만족감 및 편의성이 향상될 수 있다. 반면에, 에어컨에 결함이 존재하지 않는 것으로 판단되면, 전자 장치(100)는 공간의 측정된 온도, 외부 온도 및 예측 온도 정보를 바탕으로 신경망 모델을 재학습할 수 있다(S860). 즉, 전자 장치(100)는 현재 시점의 공간의 측정된 온도, 외부 온도 및 예측 온도 정보를 바탕으로 신경망 모델의 파라미터를 업데이트할 수 있다. 이에 따라, 신경망 모델을 통해 획득되는 시간 별 예측 온도 정보의 정확도가 향상될 수 있다.
도 9는 본 개시의 다른 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다.
전자 장치(100)는 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보, 에어컨이 설치된 공간의 온도를 포함하는 공간에 대한 정보 및 에어컨의 사용 패턴에 대한 정보를 획득할 수 있다(S910). 그리고, 전자 장치(100)는 날씨 정보, 공간에 대한 정보 및 사용 패턴에 대한 정보를 바탕으로 전력량 예측 모델을 학습할 수 있다(S920). 단계 S910 및 S920는 각각 도 8의 S810 및 S820에 대응될 수 있다.
전자 장치(100)는 설정 온도를 포함하는 에어컨의 운전 정보 및 공간의 측정된 온도(또는 측정 온도)가 획득되면, 공간의 측정된 온도, 외부 온도 및 설정 온도를 전력량 예측 모델에 입력하여 에어컨에 의해 소비되는 예측 전력량을 획득할 수 있다(S930). 전자 장치(100)는 현재 공간의 측정된 온도로부터 설정 온도에 도달하기까지 소모되는 예측 전력량을 획득할 수 있다.
그리고, 전자 장치(100)는 예측 전력량 및 측정된 전력량을 바탕으로 에어컨에 결함이 존재하는지 여부를 판단할 수 있다(S940). 측정된 전력량(또는 측정 전력량)은, 현재 공간의 측정된 온도로부터 설정 온도에 도달하기까지 소모된 실제 전력량을 의미한다. 전자 장치(100)는 전력량계를 이용하여 에어컨(200)에 의해 소비된 측정 전력량을 획득할 수 있다. 그리고, 예측 전력량 및 측정된 전력량의 차이가 기 설정된 값 이상인 경우, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단할 수 있다.
에어컨(200)에 결함이 존재한다고 판단되면, 전자 장치(100)는 알림 신호를 생성할 수 있다(S950). 반면에, 에어컨(200)에 결함이 존재하지 않는다고 판단되면, 전자 장치(100)는 공간의 측정된 온도, 외부 온도, 설정 온도 및 예측 전력량을 바탕으로 전력량 예측 모델을 재학습할 수 있다(S960). 이에 따라 전력량 예측 모델은 에어컨(200)이 설치된 공간에 피팅(fitting)될 수 있다. 이후 전자 장치(100)가 전력량 예측 모델을 이용하여 결함 존재 여부 판단 시, 판단 정확도가 향상될 수 있다.
도 10은 본 개시의 또 다른 일 실시 예에 따른 전자 장치의 제어 방법을 도시한 순서도이다. 도 8에서는 예측 온도를 이용하여 에어컨의 결함 여부를 판단하는 방법, 도 9에서는 예측 전력량을 이용하여 에어컨의 결함 여부를 판단하는 방법에 대해 설명하였다. 한편, 전자 장치(100)는 예측 온도 및 예측 전력량을 모두 이용하여 에어컨의 결함 여부를 판단할 수도 있다.
전자 장치(100)는 단계S810, S820 및 S920에 따라, 예측 온도를 획득하기 위한 신경망 모델 및 예측 전력량을 획득하기 위한 전력량 예측 모델을 획득할 수 있다. 그리고, 전자 장치(100)는 단계 S830 및 S930에 따라, 예측 온도 및 예측 전력량을 획득할 수 있다. 또한, 전자 장치(100)는 측정 온도 및 측정 전력량을 획득할 수 있다. 예측 온도 및 측정 온도의 차이가 기 설정된 값 이상이면, 전자 장치(100)는 예측 전력량 및 측정 전력량의 차이가 기 설정된 값 이상인지 판단할 수 있다. 예측 전력량 및 측정 전력량의 차이가 기 설정된 값 이상이면, 전자 장치(100)는 에어컨(200)에 결함이 존재한다고 판단하고, 알림 신호를 생성할 수 있다. 반면에, 측정 온도의 차이가 기 설정된 값 이상이 아닌 경우, 전자 장치(100)는 신경망 모델을 재학습할 수 있다. 또한, 예측 전력량 및 측정 전력량의 차이가 기 설정된 값 이상이 아닌 경우, 전자 장치(100)는 전력량 예측 모델을 재학습할 수 있다.
도 11은 본 개시의 일 실시 예에 따른 에어컨 관리 시스템의 동작을 설명하기 위한 시퀀스도이다. 전자 장치(100)는 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보, 에어컨이 설치된 공간의 온도를 포함하는 공간에 대한 정보 및 에어컨의 사용 패턴에 대한 정보를 획득할 수 있다(S1110).
전자 장치(100)는 신경망 모델 학습할 수 있다(S1120). 이 때, 전자 장치(100)는 날씨 정보, 공간에 대한 정보 및 사용 패턴에 대한 정보를 바탕으로 신경망 모델을 학습할 수 있다.
에어컨(200)은 에어컨(200)을 동작시키기 위한 사용자 명령을 획득할 수 있다(S1130). 이 때, 에어컨(200)은 설정 온도를 포함한 운전 정보와 공간에 대한 측정 온도를 획득할 수 있다. 그리고, 에어컨(200)은 사용자 명령에 대응되는 운전 정보 및 공간의 측정된 온도를 전자 장치(100)로 전송할 수 있다(S1140). 에어컨(200)은 기 설정된 시간 주기마다(예로, 1분) 공간의 측정된 온도를 전자 장치(100)로 전송할 수 있다.
공간의 측정된 온도(또는 측정 온도)가 수신되면, 전자 장치(100)는 공간의 측정된 온도 및 외부 온도를 신경망 모델에 입력하여 공간에 대한 시간 별 예측 온도 정보를 획득할 수 있다(S1150). 그리고, 전자 장치(100)는 예측 온도 정보 및 공간의 측정된 온도를 바탕으로 에어컨에 결함이 존재하는지 여부를 판단할 수 있다(S1160). 에어컨(200)에 결함이 존재한다고 판단되면, 전자 장치(100)는 알림 신호를 생성할 수 있다(S1170). 그리고, 전자 장치(100)는 생성된 알림 신호를 사용자 장치(300)로 전송할 수 있다(S1180).
알림 신호가 수신되면, 사용자 장치(300)는 알림 신호에 대응되는 알림 메시지를 출력할 수 있다(S1190). 예를 들어, 사용자 장치(300)는 팝업 메시지를 디스플레이할 수 있다. 이에 따라, 사용자는 에어컨(200)에 결함이 존재한다는 사실을 인지할 수 있다.
한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.
한편, 상술한 본 개시의 다양한 실시 예들에 따른 처리 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium) 에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 처리 동작을 특정 기기가 수행하도록 할 수 있다.
비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
한편, 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적 저장매체'는 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다. 예로, '비일시적 저장매체'는 데이터가 임시적으로 저장되는 버퍼를 포함할 수 있다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품(예: 다운로더블 앱(downloadable app))의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100: 전자 장치 110: 통신 인터페이스
120: 메모리 130: 프로세서
200: 에어컨 300: 사용자 장치

Claims (20)

  1. 에어컨을 제어하는 전자 장치에 있어서,
    통신 인터페이스;
    적어도 하나의 인스트럭션을 저장하는 메모리; 및
    프로세서;를 포함하고,
    상기 프로세서는,
    상기 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보 및 상기 에어컨이 설치된 공간의 온도를 포함하는 상기 공간에 대한 정보를 획득하고,
    상기 날씨 정보 및 상기 공간에 대한 정보를 바탕으로 신경망 모델을 학습하고,
    상기 통신 인터페이스를 통해 설정 온도를 포함하는 상기 에어컨의 운전 정보 및 상기 공간의 측정된 온도가 획득되면, 상기 공간의 측정된 온도 및 상기 외부 온도를 상기 신경망 모델에 입력하여 상기 공간에 대한 시간 별 예측 온도 정보를 획득하고,
    상기 예측 온도 정보 및 상기 공간의 측정된 온도를 바탕으로 상기 에어컨에 결함이 존재하는지 여부를 판단하고,
    상기 에어컨에 결함이 존재한다고 판단되면, 알림 신호를 생성하는
    전자 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 예측 온도 정보 및 상기 설정 온도를 바탕으로 상기 공간의 온도가 상기 설정 온도에 도달하는 예측 시점을 획득하고,
    상기 공간의 측정된 온도가 상기 예측 시점으로부터 기 설정된 시간 범위 이내에 상기 설정 온도에 도달하지 않으면, 상기 에어컨에 결함이 존재한다고 판단하는
    전자 장치.
  3. 제1 항에 있어서,
    상기 프로세서는,
    상기 예측 온도 정보 및 상기 설정 온도를 바탕으로 상기 공간의 온도가 상기 설정 온도에 도달하는 예측 시점을 획득하고,
    상기 예측 시점에서 상기 공간의 측정된 온도와 상기 설정 온도의 차이가 기 설정된 값 이상이면 상기 에어컨에 결함이 존재한다고 판단하는
    전자 장치.
  4. 제1 항에 있어서,
    상기 프로세서는,
    상기 메모리에서 상기 공간의 온도 및 외부 온도를 바탕으로 상기 공간에 대한 시간 별 예측 온도 정보를 획득하도록 학습된 기 저장된 신경망 모델을 획득하고,
    상기 날씨 정보, 상기 공간에 대한 정보 및 상기 사용 패턴에 대한 정보를 바탕으로 상기 기 저장된 신경망 모델의 파라미터를 업데이트하여 상기 신경망 모델을 학습하는
    전자 장치.
  5. 제1 항에 있어서,
    상기 프로세서는,
    상기 공간의 측정된 온도 및 상기 외부 온도를 바탕으로 상기 공간에 대한 열 특성을 획득하고,
    상기 열 특성을 바탕으로 상기 예측 온도 정보를 보정하는
    전자 장치.
  6. 제1 항에 있어서,
    상기 프로세서는,
    상기 에어컨에 결함이 존재하지 않는다고 판단되면, 상기 공간의 온도, 상기 외부 온도 및 상기 예측 온도 정보를 바탕으로 상기 신경망 모델을 재학습하는
    전자 장치.
  7. 제1 항에 있어서,
    상기 공간에 대한 정보는,
    상기 공간의 용도, 크기, 상기 공간 내 상기 에어컨의 위치, 상기 공간에 존재하는 창문의 개수, 상기 창문의 크기 및 개폐 여부 중 적어도 하나를 포함하는
    전자 장치.
  8. 제1 항에 있어서,
    상기 운전 정보는,
    설정 온도, 풍량 및 운전 모드 중 적어도 하나를 포함하는
    전자 장치.
  9. 제1 항에 있어서,
    상기 프로세서는,
    알림 메시지를 제공하기 위한 상기 알림 신호를 사용자 단말로 전송하도록 상기 통신 인터페이스를 제어하는
    전자 장치.
  10. 제1 항에 있어서,
    상기 프로세서는,
    상기 에어컨의 사용 패턴에 대한 정보를 획득하고,
    상기 에어컨의 사용 패턴에 대한 정보를 바탕으로 상기 신경망 모델을 학습하는
    전자 장치.
  11. 에어컨을 제어하는 전자 장치의 제어 방법에 있어서,
    상기 에어컨이 설치된 지역의 외부 온도를 포함하는 날씨 정보 및 상기 에어컨이 설치된 공간의 온도를 포함하는 상기 공간에 대한 정보를 획득하는 단계;
    상기 날씨 정보 및 상기 공간에 대한 정보를 바탕으로 신경망 모델을 학습하는 단계;
    상기 통신 인터페이스를 통해 설정 온도를 포함하는 상기 에어컨의 운전 정보 및 상기 공간의 측정된 온도가 획득되면, 상기 공간의 측정된 온도 및 상기 외부 온도를 상기 신경망 모델에 입력하여 상기 공간에 대한 시간 별 예측 온도 정보를 획득하는 단계;
    상기 예측 온도 정보 및 상기 공간의 측정된 온도를 바탕으로 상기 에어컨에 결함이 존재하는지 여부를 판단하는 단계; 및
    상기 에어컨에 결함이 존재한다고 판단되면, 알림 신호를 생성하는 단계;를 포함하는
    제어 방법.
  12. 제11 항에 있어서,
    상기 판단하는 단계는,
    상기 예측 온도 정보 및 상기 설정 온도를 바탕으로 상기 공간의 온도가 상기 설정 온도에 도달하는 예측 시점을 획득하고,
    상기 공간의 측정된 온도가 상기 예측 시점으로부터 기 설정된 시간 범위 이내에 상기 설정 온도에 도달하지 않으면, 상기 에어컨에 결함이 존재한다고 판단하는
    제어 방법.
  13. 제11 항에 있어서,
    상기 판단하는 단계는,
    상기 예측 온도 정보 및 상기 설정 온도를 바탕으로 상기 공간의 온도가 상기 설정 온도에 도달하는 예측 시점을 획득하고,
    상기 예측 시점에서 상기 공간의 측정된 온도와 상기 설정 온도의 차이가 기 설정된 값 이상이면 상기 에어컨에 결함이 존재한다고 판단하는
    제어 방법.
  14. 제11 항에 있어서,
    상기 신경망 모델을 학습하는 단계는,
    상기 메모리에서 상기 공간의 온도 및 외부 온도를 바탕으로 상기 공간에 대한 시간 별 예측 온도 정보를 획득하도록 학습된 기 저장된 신경망 모델을 획득하는 단계 및
    상기 날씨 정보, 상기 공간에 대한 정보 및 상기 사용 패턴에 대한 정보를 바탕으로 상기 기 저장된 신경망 모델의 파라미터를 업데이트하여 상기 신경망 모델을 학습하는 단계를 포함하는
    제어 방법.
  15. 제11 항에 있어서,
    상기 예측 온도 정보를 획득하는 단계는,
    상기 공간의 측정된 온도 및 상기 외부 온도를 바탕으로 상기 공간에 대한 열 특성을 획득하는 단계 및
    상기 열 특성을 바탕으로 상기 예측 온도 정보를 보정하는 단계를 더 포함하는
    제어 방법.
  16. 제11 항에 있어서,
    상기 에어컨에 결함이 존재하지 않는다고 판단되면, 상기 공간의 온도, 상기 외부 온도 및 상기 예측 온도 정보를 바탕으로 상기 신경망 모델을 재학습하는 단계;를 더 포함하는
    제어 방법.
  17. 제11 항에 있어서,
    상기 공간에 대한 정보는,
    상기 공간의 용도, 크기, 상기 공간 내 상기 에어컨의 위치, 상기 공간에 존재하는 창문의 개수, 상기 창문의 크기 및 개폐 여부 중 적어도 하나를 포함하는
    제어 방법.
  18. 제11 항에 있어서,
    상기 운전 정보는,
    설정 온도, 풍량 및 운전 모드 중 적어도 하나를 포함하는
    제어 방법.
  19. 제11 항에 있어서,
    알림 메시지를 제공하기 위한 상기 알림 신호를 사용자 단말로 전송하도록 상기 통신 인터페이스를 제어하는 단계;를 더 포함하는
    제어 방법.
  20. 제11 항에 있어서,
    상기 에어컨의 사용 패턴에 대한 정보를 획득하는 단계;를 더 포함하고,
    상기 신경망 모델을 학습하는 단계는,
    상기 에어컨의 사용 패턴에 대한 정보를 바탕으로 상기 신경망 모델을 학습하는
    제어 방법.
KR1020200104395A 2020-08-20 2020-08-20 전자 장치 및 그 제어 방법 KR20220023007A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200104395A KR20220023007A (ko) 2020-08-20 2020-08-20 전자 장치 및 그 제어 방법
US17/428,125 US11920807B2 (en) 2020-08-20 2021-07-27 Electronic apparatus and method to train neural network to determine defective air conditioner
PCT/KR2021/009677 WO2022039400A1 (ko) 2020-08-20 2021-07-27 전자 장치 및 그 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200104395A KR20220023007A (ko) 2020-08-20 2020-08-20 전자 장치 및 그 제어 방법

Publications (1)

Publication Number Publication Date
KR20220023007A true KR20220023007A (ko) 2022-03-02

Family

ID=80323598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200104395A KR20220023007A (ko) 2020-08-20 2020-08-20 전자 장치 및 그 제어 방법

Country Status (3)

Country Link
US (1) US11920807B2 (ko)
KR (1) KR20220023007A (ko)
WO (1) WO2022039400A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115930376A (zh) * 2022-10-08 2023-04-07 佳都科技集团股份有限公司 一种空调控制算法评估方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114992772B (zh) * 2022-06-20 2023-07-28 华北电力科学研究院有限责任公司 空调温控负荷集群可调节潜力评估方法、装置及存储介质

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0933089A (ja) 1995-07-19 1997-02-07 Daikin Ind Ltd 空調機の運転制御装置
US7356482B2 (en) * 1998-12-18 2008-04-08 Alternative Systems, Inc. Integrated change management unit
JP4018374B2 (ja) 2001-11-21 2007-12-05 株式会社山武 空気調和機の異常検出装置、異常検出方法及びプログラム
KR101259803B1 (ko) 2005-12-27 2013-04-30 엘지전자 주식회사 멀티에어컨 통합관리 시스템 및 그의 에러관리방법
US7444251B2 (en) * 2006-08-01 2008-10-28 Mitsubishi Electric Research Laboratories, Inc. Detecting and diagnosing faults in HVAC equipment
CN201503104U (zh) * 2009-08-07 2010-06-09 安晓峰 基于温度分布进行路径选择的无线传感器网络空调节能装置
JP5606334B2 (ja) 2011-01-05 2014-10-15 三菱電機株式会社 空調管理装置、空調管理方法、及び、プログラム
US8949091B2 (en) * 2011-03-09 2015-02-03 Tata Consultancy Services Limited Method and system for thermal management by quantitative determination of cooling characteristics of data center
WO2013043863A1 (en) * 2011-09-20 2013-03-28 The Trustees Of Columbia University In The City Of New York Adaptive stochastic controller for energy efficiency and smart buildings
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
JP5945820B2 (ja) 2012-04-26 2016-07-05 パナソニックＩｐマネジメント株式会社 エネルギー管理装置、エネルギー管理システム、プログラム
US20130297240A1 (en) 2012-05-04 2013-11-07 Siemens Industry, Inc. Methods and systems for improved time cost and accuracy of energy usage baselining
JP5960841B2 (ja) 2012-11-28 2016-08-02 Ｎｅｃフィールディング株式会社 情報処理装置、温度制御方法
DK2866117T3 (en) * 2013-10-25 2017-05-22 Fourdeg Oy System and method for distributed adaptive and predictive heating control
KR102336642B1 (ko) * 2014-08-21 2021-12-07 삼성전자 주식회사 온도 조절 방법 및 장치
US20160201933A1 (en) * 2015-01-14 2016-07-14 Google Inc. Predictively controlling an environmental control system
KR20160103646A (ko) 2015-02-25 2016-09-02 주식회사 인코어드 테크놀로지스 에너지 소비 가이드 라인 제공 장치
US9958360B2 (en) * 2015-08-05 2018-05-01 Opower, Inc. Energy audit device
GB2555573B (en) * 2016-10-21 2020-03-25 Centrica Hive Ltd HVAC performance monitoring system
KR101908311B1 (ko) 2017-05-29 2018-10-17 엘지전자 주식회사 공기조화기 및 공기조화 시스템
WO2019046580A1 (en) * 2017-08-30 2019-03-07 Delos Living Llc SYSTEMS, METHODS AND ARTICLES FOR EVALUATING AND / OR IMPROVING HEALTH AND WELL-BEING
US10948209B2 (en) * 2018-02-01 2021-03-16 The Board Of Regents Of The University Of Oklahoma Monitoring system for residential HVAC systems
CN111954784A (zh) * 2018-02-26 2020-11-17 美的集团股份有限公司 一种用于进行空气调节的方法和系统
KR102440118B1 (ko) 2018-03-05 2022-09-05 삼성전자주식회사 공조 장치 및 그 제어 방법
KR102212663B1 (ko) * 2018-05-22 2021-02-05 주식회사 석영시스템즈 목표 온도를 기반으로 하는 빌딩의 열·공조 시스템에 대한 공급 전력 제어 방법 및 장치
JP7148057B2 (ja) 2018-06-12 2022-10-05 株式会社日立製作所 エネルギー管理システム及びエネルギー管理方法
CN111089388A (zh) * 2018-10-18 2020-05-01 珠海格力电器股份有限公司 控制空调的方法及系统、空调器、家用电器
US11568310B2 (en) 2019-06-04 2023-01-31 Lg Electronics Inc. Apparatus for generating temperature prediction model and method for providing simulation environment
KR102267180B1 (ko) 2019-08-22 2021-06-22 엘지전자 주식회사 공조시스템 및 그 제어 방법
KR20210063970A (ko) * 2019-11-25 2021-06-02 엘지전자 주식회사 공기 조화기 및 그 제어 방법
US11402116B2 (en) * 2020-01-31 2022-08-02 Johnson Controls Tyco IP Holdings LLP Systems and methods for intervention control in a building management system
CN115552182A (zh) * 2020-05-18 2022-12-30 三菱电机株式会社 室内温度估计装置、程序以及室内温度估计方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115930376A (zh) * 2022-10-08 2023-04-07 佳都科技集团股份有限公司 一种空调控制算法评估方法、装置、设备及存储介质

Also Published As

Publication number Publication date
US11920807B2 (en) 2024-03-05
WO2022039400A1 (ko) 2022-02-24
US20220316731A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
US12013134B2 (en) Data learning server and method for generating and using learning model thereof
USRE48574E1 (en) Systems and methods for estimating a return time
US20200244476A1 (en) Data learning server, and method for generating and using learning model thereof
US11112138B2 (en) Air-conditioning control method and air-conditioning control device
US11920807B2 (en) Electronic apparatus and method to train neural network to determine defective air conditioner
WO2016089688A1 (en) Systems and methods for predicting hvac filter change
US20160054017A1 (en) Air conditioning management device, air conditioning system, and program
US20150124850A1 (en) Detecting temperature sensor anomalies in connected thermostats
CN111868449A (zh) 空调及其控制方法
CN110332671B (zh) 室内机的控制方法、装置、设备和空调系统
US20190278242A1 (en) Training server and method for generating a predictive model for controlling an appliance
WO2022124276A1 (ja) 室内空気品質予測方法、及び室内空気品質検出システム
CN112443954B (zh) 空调器的控制方法、空调器及计算机可读存储介质
TWI826949B (zh) 電池性能評估裝置及電池性能評估方法
JP7305041B2 (ja) 情報処理装置および空調システム
US20230119668A1 (en) Predictive sensor system, method, and computer program product
CN114485020B (zh) 解冻控制方法、装置及解冻设备
US9500612B2 (en) Detecting temperature sensor anomalies
CN116157751A (zh) 用于控制流体输送系统的方法和系统
KR20210121910A (ko) 전자 장치 및 그 제어 방법
RU2772237C2 (ru) Сервер обучения на основе данных и способ формирования и использования его обучающей модели
KR102520715B1 (ko) 실내외 환경 변화 예측을 이용한 냉난방 자동 제어 방법 및 장치
JP2021196106A (ja) 空調機器の制御システム及び制御方法
KR20240008746A (ko) 전자 장치 및 전자 장치의 제어 방법
BR112019020372B1 (pt) Método para gerar um modelo de aprendizado de um servidor de aprendizado de dados, servidor de aprendizado de dados, e sistema de rede

Legal Events

Date Code Title Description
A201 Request for examination