KR20230057100A - 공기 압축기의 에너지 최적화 시스템 및 그의 최적화 제어방법 - Google Patents

Abstract

본 발명은 고유 설비 역학과 AI(Artificial Intelligence) 기술을 활용하여 공기 압축기들을 최적 조건으로 운영할 수 있도록 하는 공기 압축기의 에너지 최적화 시스템 및 그의 최적화 제어방법에 관한 것이다. 본 발명의 에너지 최적화 시스템은, 고객사 공기 압축기의 각종 설비에 장착되어 데이터를 센싱(sensing)하는 센서들과, 센서들에 의해 센싱된 데이터를 학습 데이터로 가공하는 데이터 가공 모듈, 공기 압축기의 기본 예측 모델과 상기 학습 데이터로 학습하여 에너지 예측 모델을 위한 학습 모델을 제공하는 AI 학습 모듈, 상기 학습 모델과 학습 데이터, 생산 계획 정보를 기초로 하여 공기 압축기의 최적 운전을 위한 상기 에너지 예측 모델을 제공하는 에너지 최적화 모듈을 포함하여 구성된다.

Description

공기 압축기의 에너지 최적화 시스템 및 그의 최적화 제어방법{Air compressor energy optimization system and optimization control method thereof}

본 발명은 고유 설비 역학과 AI(Artificial Intelligence) 기술을 활용하여 공기 압축기들을 최적 조건으로 운영할 수 있도록 하는 공기 압축기의 에너지 최적화 시스템 및 그의 최적화 제어방법에 관한 것이다.

대부분의 제조공장 및 대규모 건물이 보유하고 있는 공기 압축기 설비는 에너지 사용량이 많은 반면 설비의 운영방법에 따라 에너지 낭비가 발생할 가능성이 매우 크다. 즉 공기 압축기는 전세계 전력소비의 50% 이상을 차지하는 회전기기 중 대표적인 에너지 다소비 설비로서 필요 이상의 과도한 압력 및 유량 공급, 손실 등에 따른 에너지 낭비가 3 ~ 50% 이상 발생하고 있다. 이에 설비의 최적화 운전을 통해 에너지 절감 효과가 필요하다 할 것이다. 무엇보다 국가별 탄소중립 달성을 위해 중요한 온실가스 감축 대상이라는 점에서 반드시 필요하다고 할 수 있다.

종래에 설비 고유역학에 기반을 둔 에너지 최적화 솔루션에 의해 낭비되는 에너지를 절감하는 방안들이 제안된 바 있다.

그러나 에너지 최적화 솔루션을 위해 종래 설비 고유역학 만을 이용하여 데이터를 수집할 경우, 기존에는 수집된 데이터의 오차 발생이 염려되었다. 또한 공기압축기의 유형은 Piston type, Screw type, Turbo type 등과 같이 매우 많으며 각 유형마다 서로 다른 제어방식이 사용되고, 또 모든 공장마다 공기 압축기의 계통 구성도 상이하다. 그리고 공기 압축기를 구성하는 다수의 계통 유닛(unit)들 간의 복잡한 역학관계 및 변수가 다양하다. 그럼에도 역학 분석을 위한 핵심 데이터(TAG)가 제공되지 않았다.

이와 같은 이유로 인하여 공기 압축기 설비 시스템에서 압축 공기(Compressed Air)에 대한 수요 예측이 어렵고, 실시간으로 최적화 계획에 대한 요구사항에도 적절하게 대응하지 못했다. 결과적으로 에너지 솔루션을 최적화하는데 한계가 있었던 것이다. 이처럼 현재 사용되는 에너지 절감 및 최적화 솔루션들 대부분은 간단한 설비 역학에 기반을 둔 이상 모니터링 및 설비 운전 기준 관리에 그치고 있는 실정이다. 또 설비 역학과 과거 운전 정보를 기반으로 하기 때문에 실시간 변화하는 생산환경에 따른 예측이 어려웠던 문제가 있다.

따라서 근래에 다양한 AI 예측 기법들이 공개된다는 점에서 이를 이용하여 에너지 솔루션을 더 정밀하게 운영할 방안이 요구된다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 설비 고유역학과 AI 기술을 활용한 공기 압축기의 에너지 최적화 시스템 및 최적화 제어방법을 제공하는 것이다.

본 발명의 다른 목적은 과거 데이터에 기반을 둔 에너지 사용 예측 및 생산 계획과 기상 환경에 따른 최적화 운전 방안을 제시하는 공기 압축기의 에너지 최적화 시스템 및 최적화 제어방법을 제공하는 것이다.

본 발명의 또 다른 목적은 루프(Loop) 방식과 분기 방식의 압축공기 분배 시스템 모두를 충족시키는 에너지 최적화 시스템 및 최적화 제어방법을 제공하는 것이다.

본 발명의 또 다른 목적은 공기 압축기의 생산 압력과 유량을 모두 예측 및 제어하여 과잉 운전에 따른 손실을 최소화하는 에너지 최적화 시스템 및 최적화 제어방법을 제공하는 것이다.

이와 같은 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 공기 압축기의 에너지 최적화 시스템은, 고객사 공기 압축기의 각종 설비에 장착되어 데이터를 센싱(sensing)하는 센서들; 센싱된 데이터를 학습 데이터로 가공하는 데이터 가공 모듈; 공기 압축기의 기본 예측 모델과 상기 학습 데이터로 학습하여 에너지 예측 모델을 위한 학습 모델을 제공하는 AI 학습 모듈; 및 상기 학습 모델과 학습 데이터, 생산 계획 정보를 기초로 하여 공기 압축기의 최적 운전을 위한 상기 에너지 예측 모델을 생성하여 제공하는 에너지 최적화 모듈을 포함하여 구성된다.

상기 데이터 가공 모듈은, 태그 속성 기반의 ETL 자동화 기능을 셋업하는 제1 기능; 가상태그의 생성과 기존 시스템과의 연동을 위한 제2 기능; 시계열 데이터 시각화 기능 및 공기 압축기 에너지 특화 템플릿 셋업을 위한 제3 기능; 및 공기 압축기 에너지 관련 중 통계적 분석 템플릿 셋업을 위한 제4 기능을 제공한다.

상기 AI 학습 모듈은, 상기 학습 모델을 학습 및 재학습하는 제1 학습부; 및 상기 학습 모델을 Few-shot learning 기법으로 학습하는 제2 학습부를 포함하여 구성된다.

상기 에너지 최적화 모듈은, 상기 학습 데이터와 상기 학습 모델을 이용하여 에너지 사용량을 예측하는 제1 예측부; 생산계획 정보와 상기 학습 모델을 이용하여 압축공기 수요량을 예측하는 제2 예측부; 및 상기 제1 예측부와 상기 제2 예측부의 예측 결과를 연동하여 상기 에너지 예측 모델을 생성하는 에너지 최적화 엔진을 포함하고, 상기 에너지 최적화 엔진에 따라 고객사에 설치된 공기 압축기들은 운전된다.

상기 기본 예측 모델은 생산부하와 기 설정에 따른 에너지 소비량을 예측한다.

본 발명의 다른 실시 예에 따른 공기 압축기의 에너지 최적화 제어방법은, 공기 압축기의 에너지 최적화 시스템이, 고객사의 공기 압축기 설비에 장착된 센서들로부터 각종 데이터들을 수집하는 수집 단계; 수집된 데이터를 학습 데이터로 가공하는 가공 단계; 상기 학습 데이터와 공기 압축기의 기본 예측 모델을 활용하여 학습 모델을 생성하는 제1 생성 단계; 상기 학습 모델과 학습 데이터를 이용하여 에너지 사용량을 예측하는 제1 예측 단계 및 상기 학습 모델과 생산 계획 정보를 이용하여 압축공기 수요량을 예측하는 제2 예측 단계; 그리고 상기 예측된 에너지 사용량과 압축공기 수요량을 기초로 하여 에너지 예측 모델을 생성하는 제2 생성 단계를 포함하고, 상기 에너지 예측 모델에 의해 공기 압축기들의 운전을 제어한다.

상기 제1 생성 단계는, Few-shot learning 기법을 사용하여 학습 모델을 학습하는 단계를 더 포함한다.

상기 수집 단계에서, 상기 공기 압축기의 추가 및 교체가 있는 경우, 메타 러닝 학습으로, 기존의 각 공기 압축기들에 의해 미리 구축된 원형(Archetype) 모델에 새로 추가되거나 교체되는 공기 압축기의 스펙 정보와 초기 운영 데이터를 적용하여 미세 조정하는 단계; 및 상기 원형(Archetype) 모델을 업데이트하는 단계를 포함한다.

상기 제2 예측 단계는, 일간 생산 계획에 따른 제조 품목별 압축공기 사용량과 소요시간을 예측하는 단계; 제조 품목별로 일간 총 압축공기 사용량과 소요시간을 예측하여 일간 압축공기 수요량을 예측하는 단계; 및 제조 품목 및 작업자에 따라 시간대별 압축 공기의 수요량을 예측하는 단계를 포함하고, 상기 예측 시간은 30분마다 실시된다.

본 발명의 또 다른 실시 예에 따른 공기 압축기의 에너지 최적화 방법은, 공기 압축기의 에너지 최적화 시스템이, 공기 압축기의 설비 역학을 기초로 하여 고객사의 공기 압축기들의 운전을 제어하는 제1 운전 제어 단계; 및 AI 예측 기술에 의한 데이터 기반 예측 함수를 이용하여 상기 공기 압축기들의 운전을 더 정밀하게 제어하는 제2 운전 제어 단계를 포함하여 수행한다.

상기 제1 운전 제어 및 제2 운전 제어를 위한 정보들을 사전에 수집하고, 수집된 정보들을 활용하여 공기 압축기들의 운전을 제어할 수 있다.

이와 같은 본 발명에 따르면, 기존의 설비 역학을 기초로 한 에너지 최적화 솔루션에 AI 예측 기법을 적용하기 때문에, 설비 역학에 따른 부정확한 계산을 해결할 수 있어, 공기 압축기의 최적화 운전을 개선할 수 있는 효과가 있다.

본 발명에 따르면, 에너지 사용량과 압축공기 수요량을 정확하게 예측할 수 있어 공기 압축기의 운전시 발생하는 에너지 손실을 최소화할 수 있고, 따라서 온실가스 감소 효과도 기대할 수 있다.

본 발명에 따르면, 공기 압축기 이외에도 냉동기, 냉각탑, 공기 조화기 등에도 확장할 수 있어, 에너지 절감 효과를 극대화할 수 있는 기대가 있다.

도 1은 본 발명의 공기 압축기의 에너지 최적화 시스템을 설명하기 위한 전체 구성도이다.
도 2 및 도 3은 고객사의 압축공기의 사용 예를 보인 도면이다.
도 4는 본 발명의 공기 압축기의 에너지 최적화 시스템에서 에너지 예측 모델을 통해 공기 압축기의 최적 운전을 수행하는 과정을 설명하는 흐름도이다.
도 5는 본 발명에 따른 압축공기 수요량의 예측과정을 설명하는 구성도이다.
도 6은 학습을 위해 공기 압축기별로 훈련 데이터를 관리하는 과정을 설명하는 구성도이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 발명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

공간적으로 상대적인 용어인 아래(below, beneath, lower), 위(above, upper) 등은 도면에 도시되어 있는 바와 같이 하나의 소자 또는 구성 요소들과 다른 소자 또는 구성 요소들과의 상관 관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 소자를 뒤집을 경우, 다른 소자의 아래(below, beneath)로 기술된 소자는 다른 소자의 위(above, upper)에 놓여질 수 있다. 따라서, 예시적인 용어인 아래는 아래와 위의 방향을 모두 포함할 수 있다. 소자는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 발명에서 사용되는 “부” 또는 “부분” 등의 일부분을 나타내는 표현은 해당 구성요소가 특정 기능을 포함할 수 있는 장치, 특정 기능을 포함할 수 있는 소프트웨어, 또는 특정 기능을 포함할 수 있는 장치 및 소프트웨어의 결합을 나타낼 수 있음을 의미하나, 꼭 표현된 기능에 한정된다고 할 수는 없으며, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

또한, 본 발명에서 사용되는 모든 전기 신호들은 일 예시로서, 본 발명의 회로에 반전기 등을 추가적으로 구비하는 경우 이하 설명될 모든 전기 신호들의 부호가 반대로 바뀔 수 있음을 유의해야 한다. 따라서, 본 발명의 권리범위는 신호의 방향에 한정되지 않는다.

따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

본 발명은 기존의 설비 역학을 기반으로 한 가상태그 기술을 통해 데이터를 확보하고, AI 기술을 통해 환경 요인으로 인해 정확하지 않은 역학적 계산을 데이터 기반 예측함수를 통해 수행하여, 실질적으로 에너지 최적화 솔루션의 성능을 향상시킨 것이라 할 것이다.

이하에서는 도면에 도시한 실시 예에 기초하면서 본 발명에 대하여 더욱 상세하게 설명하기로 한다.

도 1은 본 발명의 공기 압축기의 에너지 최적화 시스템을 설명하기 위한 전체 구성도이다.

도 1에 도시한 바와 같이, 최적화 시스템은 수집 모듈(10), 데이터 가공 모듈(30), 기본 예측모델 모듈(40), AI 학습 모듈(50) 및 에너지 최적화 모듈(60)을 포함하여 구성된다.

본 발명의 수집 모듈(10)은 IoT 및 설비 역학을 기반으로 하여 각종 데이터를 수집하는 센서들(예컨대 전력량계, 온도계, 압력계 등)을 말한다. 상기 센서들은 고객사에 설치된 공기 압축기의 각종 설비에 장착된다. 즉 본 발명은 고객사의 보유 데이터를 이용하는 것에 특징이 있다.

상기 수집 모듈(10)이 수집한 데이터들은 에너지 예측 모델을 생성하는데 사용된다. 그리고 수집 대상 데이터들은 공기 압축기 전력 사용량, 필터 차압, 토출 유량, 토출 압력, 냉각수 인/아웃 온도, 에어 인/아웃 온도, 냉각탑 팬 전력사용량, 냉각수 펌프 전력, 외기 온도, 상대 습도, 습구 온도 등이며, 대략 13종류 이상이 데이터들을 포함한다. 나아가 압축공기 사용처인 생산 공정의 공급압력과 공급유량, 생산 실적 데이터, 전력품질 관련 데이터 등을 더 포함할 수 있다.

본 발명의 실시 예는 공기 압축기의 학습을 위한 데이터를 수집할 때 메타 학습(Meta Learning) 기술을 이용한다. 동일 유형의 설비에도 다양한 제조사와 스펙(spec)이 존재하며, 이에 제품별 학습 데이터가 부족하며 신규 제품의 경우 학습 데이터가 없기 때문에 이를 해결하기 위해서이다. 메타 학습 기술을 이용하면 작은 학습 데이터로 유사 설비의 예측이 가능하다. 이러한 공기 압축기별 학습 데이터를 최소화하는 방안은 아래에서 상세하게 설명하기로 한다.

본 발명의 데이터 가공 모듈(30)은 수집된 데이터들을 가공하는 모듈이다. 즉 데이터 가공 모듈은(30) AI 성능 향상을 위한 학습용 데이터를 생성하는 역할을 하는 것으로, 수집된 데이터들을 전처리 하여 학습 데이터를 가공하는 것을 말한다. 구체적으로 본 발명의 실시 예에서 데이터 가공 모듈(30)은, 예를 들면 태그 속성 기반의 ETL 자동화 기능 셋업 기능(제1 기능), 가상태그 생성 기능 셋업 및 기존 시스템과의 연동 기능(제2 기능), 시계열 데이터 시각화 기능 및 공기 압축기 에너지 특화 템플릿 셋업 기능(제3 기능), 공기 압축기 에너지 관련 중 통계적 분석 템플릿 셋업 기능(제4 기능)을 처리할 수 있다.

여기서 제1 기능은 태그 속성 관리 기능을 공기 압축기 속성 특화로 설정하고, 다수의 태그 중에서 속성 조합으로 데이터 셋 특징이 될 태그들을 선정하는 기능이다. 제2 기능은 수집 가능한 태그의 조합으로 생성하는 가상의 태그인 가상 태그 기능의 예제를 협의하고 구현하며, 예측 기반이 아닌 기존 시스템에서 제공하는 가상 태그 기능과의 연동 셋업을 수행하는 기능이다. 제4 기능은 태그별 통계적 특성 및 분석, 태그 간 상관관계를 분석하는 기능이다.

본 발명의 기본 예측 모델 모듈(40)은, 공기 압축기의 기본 예측 모델을 제공하는 모듈로서, 생산부하와 기 설정에 따른 에너지 소비량을 예측하는 모듈이라 할 수 있다. 기본 예측 모델은 상기 수집 모듈(10)이 수집한 각종 데이터와 함께 AI 학습에 적용된다.

본 발명의 AI 학습 모듈(50)은 기본 예측모델 모듈(40)의 정보와 상기 수집된 데이터를 제공받아 학습하는 모듈이다. 본 실시 예에서 AI 학습 모듈(50)은, 소정 학습 알고리즘을 이용하여 에너지 최적화를 위한 예측모델을 제공하도록 학습 및 재 학습을 수행하는 제1 학습부(52)와, 작은 데이터로 높은 성능의 예측모델을 학습할 수 있는 제2 학습부(54)를 포함하여 구성된다. 여기서, 제2 학습부(54)는 Few-shot learning 기법으로 학습하는 유닛일 수 있다. 이를 통해 데이터 기반의 최적화 시스템의 약점이라 할 수 있는 설치 초기의 데이터 부족으로 인한 예측 정확도가 저하되는 것을 해결할 수 있다.

본 발명의 에너지 최적화 모듈(60)은, 에너지 최적화를 수행하는 모듈로, 제1 예측부(62), 제2 예측부(64), 그리고 에너지 최적화 엔진(66)을 포함한다.

제1 예측부(62)는 데이터 가공 모듈(30)이 제공하는 학습 데이터와 AI 학습 모듈(50)의 학습 모델을 이용하여 에너지 사용량을 예측하는 유닛이다. 제2 예측부(64)는 고객사의 정보시스템과 연동하여 제공받는 생산계획 정보(70)와 AI 학습 모듈(50)의 학습모델을 이용하여 압축공기 수요량을 예측하는 유닛이다. 그리고 에너지 최적화 엔진(66)은 제1 예측부(62)와 제2 예측부(64)의 예측 결과를 연동하여 공기 압축기의 최적 설정값을 산출하는 엔진이다.

이처럼 에너지 최적화 모듈(60)은 AI 학습모듈(50)의 학습된 데이터와, 고객사의 생산계획(70), 외기조건(날씨, 기상 등) 정보 들을 이용하여 에너지 사용량, 압축공기 수요량을 예측하는 예측모델, 예측된 결과를 가지고 에너지 최적화를 수행하도록 에너지 예측 모델을 구축하는 구성들을 포함하는 것이라 할 것이다.

그리고 상기 생산 계획은 일반적인 운영 계획 이외에 날씨 기상 정보 등이 고려되어 계획될 것이다.

본 발명은 이렇게 구축된 에너지 예측 모델에 따라 공기 압축기들의 운전을 최적 조건으로 제어하는 것이다.

본 발명의 최적화 시스템은 RTDB(Real Time Database)(20)를 더 포함할 수 있다. RTDB를 채택하는 것은 에너지 최적화를 위한 운영 및 성능 관리에 사용하기 위해, 상기 수집 모듈(10)이 수집하는 데이터들을 실시간으로 수집, 통합하는 것이 필요하기 때문이다.

이와 같이 구성된 최적화 시스템은 앞에서 언급한 바와 같이 설비 고유역학에 AI 기술을 적용하는 것이다. AI 기술을 이용하는 이유는 공기 압축기의 효율과 용량이 상이하고, 생산 위치와 사용 위치가 고정되어 있지 않기 때문이며, 나아가 사용 압력과 유량이 제품 생산량에 따라 실시간으로 변하기 때문이다.

예를 들어 설명하기로 한다. 도 2 및 도 3은 고객사의 압축공기의 사용 예를 보인 도면이다.

도 2를 보면, 다수개의 공압실(제1 내지 제3 공압실)에서 생산된 압축공기가 전사 에어 루프(Air loop)를 통해 사용처로 공급되고 있다(즉 루프 방식). 그런데 이 경우 다양한 사용처 별로 필요한 압축공기의 압력이 달라 공기 압축기에서 생산되는 양을 예측하기란 불가능하였다. 그래서 각 사용처의 압력을 필요수준으로 유지하면서 압축공기 생산에 소비되는 전력량을 최소화할 수 있는 공기 압축기 운전 제어가 요구되기 때문이다.

다른 예로 도 3을 살펴보면, 복수 개의 공압실에 복수 개의 공기 압축기가 존재하고 각 설비의 용량과 효율이 다르다(즉 분기방식). 도 3은 사용처가 고정적이지만 필요로 하는 조건이 압력 및 유량이기 때문에, 필요에 의해 고압 에어를 감압시켜 사용하기도 한다. 그런데 이 경우도 사용 압력과 유량이 제품 생산량에 따라 실시간으로 변하기 때문에, 사용처의 필요 압력과 유량을 필요수준으로 맞추면서 소비전력을 최소화하기 위한 공기 압축기 운전 제어가 필요하다.

이처럼 기존 고객사의 압축공기의 사용 시스템은 에너지 사용량이나 압축공기 수요량을 정확하게 예측하기 힘들어서 공기 압축기의 에너지를 최적으로 사용하는데 제한이 있었던 것이고, 본 발명은 AI 기술을 활용하여 정밀하게 최적화 운전이 가능하도록 한 것이다.

도 4는 본 발명의 공기 압축기의 에너지 최적화 시스템에서 에너지 예측 모델을 통해 공기 압축기의 최적 운전을 수행하는 과정을 설명하는 흐름도이다.

도 4를 살펴보면, 고객사의 공기 압축기의 각종 설비에 장착된 센서들(10)이 각종 정보들을 실시간 센싱한다(S100). 센싱한 정보들은 공기 압축기의 최적화 운전을 위한 에너지 예측 모델을 생성하는데 필요한 데이터들로서, 공기 압축기의 전력 사용량, 필터 차압, 토출 유량, 토출 압력, 냉각수 인/아웃 온도, 에어 인/아웃 온도, 냉각탑 팬 전력사용량, 냉각수 펌프 전력, 외기 온도, 상대 습도, 습구 온도, 생산 공정의 공급압력과 공급유량, 생산 실적 데이터, 전력품질 관련 데이터 등이 될 수 있다. 물론 공기 압축기를 실제 사용하는 고객사의 운영 관리 등에 따라 수집할 데이터는 변동가능 할 것이다. 위의 데이터 외에 다른 데이터들이 추가되거나, 일부 데이터가 삭제될 수 있다.

각종 센서들에 의해 센싱된 데이터들은 데이터 가공 모듈(30)로 전달된다. 그러면 데이터 가공 모듈(30)은 인공지능 학습을 위한 학습 데이터를 생성하도록 수집 데이터들을 가공한다(S110). 데이터 가공은, 예를 들면 데이터 가공 모듈(30)의 제1 기능 내지 제4 기능을 활용할 수 있을 것이다. 제1 기능을 활용하여 태그 속성 기반의 ETL 자동화 기능을 셋업할 수 있고, 제2 기능을 활용하여 가상태그 생성 기능과 기존 시스템과의 연동 기능을 셋업할 수 있다. 또 제3 기능을 통해 시계열 데이터를 시각화하거나 및 공기 압축기 에너지 특화 템플릿을 준비할 수 있다. 또 제4 기능을 통해 공기 압축기 에너지 관련 중 통계적 분석 템플릿을 준비할 수 있다. 이러한 가공작업은 에너지 예측 모듈을 통해 공기 압축기의 최적 운전을 위한 자료로 활용될 것이다.

이와 같이 수집 데이터에 대한 가공 작업이 완료되면, AI 학습 모듈(50)은 에너지 예측 모델을 위한 학습을 실시한다(S120). 학습 과정은 제1 학습과 제2 학습의 2가지로 구분할 수 있다.

제1 학습은 제1 학습부(52)가 수집 데이터(가공 후 데이터를 말함)와 공기 압축기의 기본 예측 모델을 활용하여 에너지 최적화를 위한 학습모델을 학습하는 것이다(S122). 또 필요에 따라 Few-shot learning 기법을 사용하는 제2 학습부(54)가 학습모델을 학습하는 제2 학습도 수행한다(S124). 제2 학습부(54) 역시 수집 데이터 및 기본 예측 모델을 활용한다.

이후, 에너지 최적화 모듈(60)은 AI 학습모듈(50)의 학습결과에 따른 학습 모델을 기초로 하여 에너지 최적화 운전을 위한 에너지 예측 모델을 생성한다. 이때 제1 예측부(62)와 제2 예측부(64)가 에너지 사용량과 압축공기 수요량을 예측하는데 활용되는 정보에는 차이가 있다.

구체적으로 보면, 제1 예측부(62)는 데이터 가공 모듈(30)이 제공하는 학습 데이터와 AI 학습 모듈(50)에 의한 모델을 이용하여 에너지 사용량을 예측한다(S130, S132). 공기 압축기의 각종 설비에 장착된 센서들(10)이 센싱한 결과 값을 이용하면 공기 압축기별로 에너지 사용량의 예측이 가능하기 때문이다.

제2 예측부(64)는 고객사의 생산계획 정보(70)와 AI 학습 모듈(50)에 의한 모델을 이용하여 압축공기 수요량을 예측한다(S140, S142). 이때 압축공기 수요량은 제조라인의 생산 품목 및 생산량에 따라 변화한다. 그러기 때문에 압축공기 수요량을 정확하게 예측하기 위해서는 소정 시간 동안의 제조품목 및 생산량 정보가 필요하다. 즉 생산계획 정보(70)가 반드시 있어야 한다. 이때 일간 생산계획의 시간대별 생산 패턴은 제조 품목과 작업자에 따라 달라진다.

그런데 종래에 대다수의 생산라인에서 제조 품목 및 생산량 계획을 수집하는데 있어 최소 단위는 '일(日)'이었다. 따라서 기존의 회귀(Regression) 또는 시계열 예측(Forecasting)의 단순 적용으로는 시간대별 압축 공기의 사용량을 정확하게 예측하기가 어려웠다.

그래서 본 발명에서는 압축공기 수요량을 예측하는 방안을 제시하였는데, 도 5를 참조한다. 도 5는 본 발명에 따른 압축공기 수요량의 예측과정을 설명하는 구성도이다.

도 5에서 보듯이, 일간 생산계획에 따라 제조품목이 결정되면(S200), 제조 품목으로부터 품목별로 압축공기 사용량과 소요시간을 예측한다(S210).

그리고 품목별로 일간 총 압축공기 사용량과 소요시간을 예측하여 하루 동안의 압축공기 수요량을 예측한다(S220). 그런 다음 제조 품목 및 작업자에 따른 시간대별 압축공기의 수요량을 예측한다(S240). 이러한 과정에 의해 압축공기 수요량을 정확하게 예측할 수 있다.

다시 도 4를 참조하면, 제1 예측부(62)와 제2 예측부(64)의 예측된 값은 에너지 최적화 엔진(66)으로 전달된다. 그러면 에너지 최적화 엔진(66)은 제1 예측부(62)와 제2 예측부(64)의 예측 결과를 연동하여 공기 압축기의 최적 설정값이 제공되는 에너지 예측 모델을 제공한다(S150). 여기서 상기 공기 압축기의 최적 설정값은 에너지 예측모델을 기반으로 하여 고객사에 설치된 복수 개의 공기 압축기들을 에너지를 최소화하면서 최적으로 운전할 수 있는 조건을 지원하는 것을 의미한다.

따라서 에너지 예측 모델에 따라 공기 압축기들은 최적 조건에서 구동될 수 있다.

한편, 본 발명에서 공기 압축기는 공정라인에서 새로 추가되거나 다른 사양으로 교체될 수 있고, 필요에 따라 제거될 수도 있다. 일반적으로 공기 압축기는 타입, 제조사, 모델 별로 다양하게 제조된다. 같은 제조회사에서 제조된 공기 압축기라 하더라도 설치 조건에 따라 다른 모델의 공기 압축기가 설치된다. 그래서 공기 압축기를 대상으로 학습을 통해 스펙 정보나 운영 데이터가 계속 업데이트가 되어야 한다.

그런데, 기존 시스템에서는 공기 압축기별로 학습을 위한 데이터를 수집할 경우 장시간 동안 운영되었던 데이터들을 대상으로 하였다. 이처럼 학습에 필요한 적지 않게 필요해서, 시스템에 적용하거나 확장이 쉽지 않았다.

본 발명은 기존과 비교하면 공기 압축기별로 훈련 데이터를 최소화하여 적용하는 기술을 적용한다. 도 6에 도시하고 있는 학습을 위해 공기 압축기별로 훈련 데이터를 관리하는 과정을 설명하는 구성도를 참조하기로 한다.

도 6에서 보듯이 복수 개의 공기 압축기가 제공되며(이때 공기 압축기는 제조사가 상이하며, 동일한 제조사라 하더라도 여러 타입, 모델이 구분됨), 각 공기 압축기마다 스펙 정보 및 운영 데이터가 제공된다.

이러한 조건에서 각 공기 압축기마다의 스펙 정보 및 운영 데이터는 메타 러닝(Meta Learning) 모듈(100)이 전달받는다. 그러면 메타 러닝 모듈(100)은 상기 전달받은 공기 압축기별 스펙 정보와 운영 데이터를 사용하여 공기 압축기 모델의 원형(Archetype)를 구축한다.

이후 공기 압축기를 새로 추가할 경우, 미세 조정)(Fine tuning) 모듈(110)은 상기 공기 압축기의 원형 모델에 새로 추가할 공기 압축기의 스펙 정보와 초기 운영 데이터를 적용하여 미세 조정(Fine tuning)을 실시한다. 즉 본 발명은 새로 추가할 공기 압축기의 모든 정보를 학습하는 것이 아니고, 먼저 학습된 공기 압축기의 원형 모델에 적용하여 업데이트하는 것이다. 이렇게 하면 짧은 시간만으로 추가될 공기 압축기의 정보를 업데이트 할 수 있게 된다.

그리고 이와 같은 미세 조정을 하더라도, 공기 압축기별로 데이터가 지속적으로 축적되면 예측 정확도의 향상을 기대할 수 있고, 결과적으로 높은 정확도의 예측 모델을 제공할 수 있다. 이와 같이 본원발명은 메타 러닝학습을 기반으로 추가되는 공기 압축기의 정보들을 업데이트 수행함으로써, 학습 데이터를 최소화하면서도 예측 정확도를 향상시킬 수 있다.

이상에서 설명한 바와 같이 본 발명은 AI 예측 기술을 적용하여 생산 계획 및 외기 환경 등에 따라 공기 압축기의 압축공기 수요량 등을 정확하게 예측할 수 있음으로써, 고객사의 공기 압축기들을 최적 조건에서 운전이 가능함을 알 수 있다. 또한 본 발명은 고객사의 압축공기 분배 시스템 사양에 상관없이 에너지 사용량이나 압축공기 수요량을 정확하게 예측할 수 있어, 대부분의 분배 시스템에 적용할 수도 있다.

이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.

10: 수집모듈(센서들)
20: RTDB
30: 데이터 가공 모듈
40: 공기압축기의 기본예측모델 모듈
50: AI 학습모듈
52: 제1 학습부
54: 제2 학습부
60: 에너지 최적화 모듈
62: 제1 예측부
64: 제2 예측부
66: 에너지 최적화 엔진
70: 고객사의 정보시스템이 제공하는 생산계획 정보

Claims (11)

1. 고객사 공기 압축기의 각종 설비에 장착되어 데이터를 센싱(sensing)하는 센서들;
   센싱된 데이터를 학습 데이터로 가공하는 데이터 가공 모듈;
   공기 압축기의 기본 예측 모델과 상기 학습 데이터로 학습하여 에너지 예측 모델을 위한 학습 모델을 제공하는 AI 학습 모듈; 및
   상기 학습 모델과 학습 데이터, 생산 계획 정보를 기초로 하여 공기 압축기의 최적 운전을 위한 상기 에너지 예측 모델을 생성하여 제공하는 에너지 최적화 모듈을 포함하여 구성되는 것을 특징으로 하는 공기 압축기의 에너지 최적화 시스템.
2. 제 1 항에 있어서,
   상기 데이터 가공 모듈은,
   태그 속성 기반의 ETL 자동화 기능을 셋업하는 제1 기능;
   가상태그의 생성과 기존 시스템과의 연동을 위한 제2 기능;
   시계열 데이터 시각화 기능 및 공기 압축기 에너지 특화 템플릿 셋업을 위한 제3 기능; 및
   공기 압축기 에너지 관련 중 통계적 분석 템플릿 셋업을 위한 제4 기능을 제공하는 공기 압축기의 에너지 최적화 시스템.
3. 제 1 항에 있어서,
   상기 AI 학습 모듈은,
   상기 학습 모델을 학습 및 재학습하는 제1 학습부; 및
   상기 학습 모델을 Few-shot learning 기법으로 학습하는 제2 학습부를 포함하는 공기 압축기의 에너지 최적화 시스템.
4. 제 1 항에 있어서,
   상기 에너지 최적화 모듈은,
   상기 학습 데이터와 상기 학습 모델을 이용하여 에너지 사용량을 예측하는 제1 예측부;
   생산계획 정보와 상기 학습 모델을 이용하여 압축공기 수요량을 예측하는 제2 예측부; 및
   상기 제1 예측부와 상기 제2 예측부의 예측 결과를 연동하여 상기 에너지 예측 모델을 생성하는 에너지 최적화 엔진을 포함하고,
   상기 에너지 최적화 엔진에 따라 고객사에 설치된 공기 압축기들은 운전되는 공기 압축기의 에너지 최적화 시스템.
5. 제 1 항에 있어서,
   상기 기본 예측 모델은 생산부하와 기 설정에 따른 에너지 소비량을 예측하는 공기 압축기의 에너지 최적화 시스템.
6. 공기 압축기의 에너지 최적화 시스템이,
   고객사의 공기 압축기 설비에 장착된 센서들로부터 각종 데이터들을 수집하는 수집 단계;
   수집된 데이터를 학습 데이터로 가공하는 가공 단계;
   상기 학습 데이터와 공기 압축기의 기본 예측 모델을 활용하여 학습 모델을 생성하는 제1 생성 단계;
   상기 학습 모델과 학습 데이터를 이용하여 에너지 사용량을 예측하는 제1 예측 단계 및 상기 학습 모델과 생산 계획 정보를 이용하여 압축공기 수요량을 예측하는 제2 예측 단계; 그리고
   상기 예측된 에너지 사용량과 압축공기 수요량을 기초로 하여 에너지 예측 모델을 생성하는 제2 생성 단계를 포함하고,
   상기 에너지 예측 모델에 의해 공기 압축기들의 운전을 제어하는 공기 압축기의 에너지 최적화 제어방법.
7. 제 6 항에 있어서,
   상기 제1 생성 단계는,
   Few-shot learning 기법을 사용하여 학습 모델을 학습하는 단계를 더 포함하여 수행하는 공기 압축기의 에너지 최적화 제어방법.
8. 제 6 항에 있어서,
   상기 수집 단계에서,
   상기 공기 압축기의 추가 및 교체가 있는 경우,
   메타 러닝 학습으로, 기존의 각 공기 압축기들에 의해 미리 구축된 원형(Archetype) 모델에 새로 추가되거나 교체되는 공기 압축기의 스펙 정보와 초기 운영 데이터를 적용하여 미세 조정하는 단계; 및
   상기 원형(Archetype) 모델을 업데이트하는 단계를 포함하는 공기 압축기의 에너지 최적화 제어방법.
9. 제 6 항에 있어서,
   상기 제2 예측 단계는,
   일간 생산 계획에 따른 제조 품목별 압축공기 사용량과 소요시간을 예측하는 단계;
   제조 품목별로 일간 총 압축공기 사용량과 소요시간을 예측하여 일간 압축공기 수요량을 예측하는 단계; 및
   제조 품목 및 작업자에 따라 시간대별 압축 공기의 수요량을 예측하는 단계를 포함하고,
   상기 예측 시간은 30분마다 실시하는 공기 압축기의 에너지 최적화 제어방법.
   
10. 공기 압축기의 에너지 최적화 시스템이,
    공기 압축기의 설비 역학을 기초로 하여 고객사의 공기 압축기들의 운전을 제어하는 제1 운전 제어 단계; 및
    AI 예측 기술에 의한 데이터 기반 예측 함수를 이용하여 상기 공기 압축기들의 운전을 더 정밀하게 제어하는 제2 운전 제어 단계를 포함하여 수행하는 공기 압축기의 에너지 최적화 제어방법.
11. 제 10 항에 있어서,
    상기 제1 운전 제어 및 제2 운전 제어를 위한 정보들을 사전에 수집하고, 수집된 정보들을 활용하여 공기 압축기들의 운전을 제어하는 공기 압축기의 에너지 최적화 제어방법.

Images