KR20230126044A

KR20230126044A - 공기조화기

Info

Publication number: KR20230126044A
Application number: KR1020220023074A
Authority: KR
Inventors: 최순용; 최창민; 이현탁; 김준태
Original assignee: 엘지전자 주식회사
Priority date: 2022-02-22
Filing date: 2022-02-22
Publication date: 2023-08-29

Abstract

본 개시의 일 측면에 따른 공기조화기는, 냉매를 압축하는 압축기를 포함하는 실외기, 상기 실외기에 연결되는 적어도 하나의 실내기, 상기 실외기와 상기 실내기의 운전 상태를 센싱하는 복수의 센서를 구비하는 센서부, 및 제어부를 포함하고, 상기 제어부는, 상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습하고, 상기 센서부에서 측정되는 현재 운전데이터와 상기 학습된 운전데이터 추정 모델에 기초하여, 이상상태를 판별한다.

Description

공기조화기{Air conditioner}

본 개시는 공기조화기 및 그 동작 방법에 관한 것으로, 더욱 상세하게는 아상상태를 판단하고 안정적으로 동작할 수 있는 공기조화기 및 그 동작 방법에 관한 것이다.

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

공기조화기는 냉매의 흐름에 따라 냉방운전되거나 난방운전된다. 냉방운전 시, 실외기의 압축기로부터 실외기의 열교환기를 거쳐 고온, 고압의 액체 냉매가 실내기로 공급되고, 실내기의 열교환기에서 냉매가 팽창 및 기화되면서 주변 공기의 온도가 내려가고, 실내기 팬이 회전 동작함에 따라 냉기가 실내로 토출된다. 난방운전 시, 실외기의 압축기로부터 고온, 고압의 기체 냉매가 실내기로 공급되고, 실내기의 열교환기에서 고온, 고압의 기체 냉매가 액화되면서 방출된 에너지에 의해 따뜻해진 공기가 실내기 팬의 동작에 따라 실내로 토출된다.

공기조화기를 포함하는 공조 시스템 등 각종 시스템은 운전 중에 이상 상태를 판단하고, 적절하게 보수, 관리하는 것이, 효율 및 신뢰성 측면에서 중요하다. 따라서, 시스템의 이상 상태를 판단하는 다양한 기술들이 제안되어 왔다.

예를 들어, 선행문헌1(미국 등록특허공보 제7693608호)의 이상상태 판단 시스템은, 센서를 통해 전류 혹은 전압 값을 측정하고, 실제 시스템과 유사한 가상 시스템의 시뮬레이션 결과를 통해 예상되는 전류 혹은 전압 값과 비교하여, 시스템의 이상상태 여부를 판단한다. 따라서, 가상 시스템 시뮬레이션을 통해 기준점인 정상상태와 현재상태를 비교하여 이상 여부를 판단할 수 있다. 반면, 시스템이 복잡하여 가상 시스템 개발이 어렵거나 시스템이 설치된 다양한 현장 특성으로 인해 시뮬레이션의 신뢰성이 저하되는 경우에는, 기준이 되는 정상상태의 전류 혹은 전압 추정 값을 획득하기 어려워 비교가 힘들다는 문제점이 있다.

선행문헌2(한국 공개특허공보 제10-2014-0110355호)는, 플랜트 운전의 성능저하 및 고장 조기 진단 방법에 관한 것으로, 기존의 정상 운전데이터를 이용해 가상 모델을 생성하는 단계, 현재 운전데이터를 입력 받아 가상 모델에 근거하여 예측 운전신호를 생성하는 단계, 예측 운전신호와 현재 운전데이터를 비교하여 이상신호를 검출하는 단계, 검출된 이상신호를 이용한 진단 알고리즘 모델을 통해 실시간으로 진단 결과를 출력하는 단계를 포함한다. 사전에 수집된 정상 운전데이터를 기초로 가상 운전모델을 생성하므로, 시스템이 작동하는 환경이 정상데이터가 수집된 운전 환경과 달라지면, 정확도가 떨어지거나 해당 모델을 사용할 수 없다는 문제가 있다.

본 개시의 목적은, 정확하게 이상상태를 진단할 수 있는 공기조화기 및 그 동작 방법을 제공함에 있다.

본 개시의 목적은, 설치된 현장에서 운전 데이터를 수집하고, 수집되는 데이터로 학습함으로써, 이상상태 판단의 정확성을 향상할 수 있는 공기조화기 및 그 동작 방법을 제공함에 있다.

본 개시의 목적은, 학습에 사용할 데이터를 효과적으로 선정할 수 있는 공기조화기 및 그 동작 방법을 제공함에 있다.

본 개시의 목적은, 이상 징후 발생시, 가장 치명적인 인자를 선정하고 관리함으로써 신뢰성을 향상할 수 있는 공기조화기 및 그 동작 방법을 제공함에 있다.

상기 또는 다른 목적을 달성하기 위해 본 개시의 일 측면에 따른 공기조화기는, 설치된 현장에서 수집되는 데이터로 학습하여, 이상상태를 진단한다.

상기 또는 다른 목적을 달성하기 위해 본 개시의 일 측면에 따른 공기조화기는, 냉매를 압축하는 압축기를 포함하는 실외기, 상기 실외기에 연결되는 적어도 하나의 실내기, 상기 실외기와 상기 실내기의 운전 상태를 센싱하는 복수의 센서를 구비하는 센서부, 및 제어부를 포함하고, 상기 제어부는, 상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습하고, 상기 센서부에서 측정되는 현재 운전데이터와 상기 학습된 운전데이터 추정 모델에 기초하여, 이상상태를 판별한다.

상기 운전데이터 추정 모델은, 사전에 수집된 정상데이터로 기학습된 인공신경망이고, 상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터에 기초하여 주기적으로 학습될 수 있다.

상기 제어부는, 상기 학습된 운전데이터 추정 모델에서 추정한 추정 운전데이터와 상기 센서부에서 측정되는 현재 운전데이터의 차이에 기초하여, 이상징후를 포착하고, 상기 이상징후가 포착된 순간의 운전데이터를 이용하여 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정할 수 있다.

상기 제어부는, 기정의한 운전데이터들의 분포상에서, 이상상태라고 판단한 시점의 데이터의 상대적 거리들을 계산하여, 상기 계산된 상대적 거리들 중에서 가장 큰 값을 가지는 운전데이터 인자를 치명인자로 선정할 수 있다.

상기 제어부는, 상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습하는 현장 학습부, 상기 학습된 운전데이터 추정 모델에 기반하여 실시간으로 운전데이터를 추정하는 운전데이터 추정부, 상기 추정된 운전데이터와 상기 센서부에서 측정되는 현재 운전데이터를 비교하는 비교부, 상기 비교부의 비교 결과에 기초하여 이상징후 발생여부를 판단하고, 상기 이상징후가 포착된 순간의 운전데이터를 이용하여 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정하는 판단 선정부를 포함할 수 있다.

본 개시의 일 측면에 따른 공기조화기는, 상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터를 저장하는 저장부를 더 포함할 수 있다.

상기 제어부는, 상기 센서부에서 수집되는 현장 운전데이터를 상기 저장부에 저장하고, 기설정된 학습주기 동안에 상기 이상상태가 발생하지 않으면, 상기 기설정된 학습주기 동안에 획득된 현장 운전데이터를 이용하여, 상기 운전데이터 추정 모델을 학습할 수 있다.

상기 제어부는, 상기 기설정된 학습주기 동안에 상기 이상상태가 발생하면, 상기 이상상태가 발생한 시점을 기준으로 새 학습주기를 시작할 수 있다.

상기 제어부는, 응축온도, 증발온도, 압축기별 토출온도, 압축기별 운전 주파수, 압축기별 상전류 중 적어도 하나를 입력인자로 선정하고, 압축기 전류를 출력 인자로 선정하여, 압축기 전류 추정 모델을 학습할 수 있다.

상기 제어부는, 싱기 센서부에서 측정되는 압축기 측정 전류와 상기 압축기 전류 추정 모델의 상태 기반 추정 전류의 평균 오차를 산출하고, 산출된 평균 오차와 기준값을 비교하여 상기 이상상태를 판단할 수 있다.

상기 제어부는, 싱기 센서부에서 측정되는 압축기 측정 전류와 상기 압축기 전류 추정 모델의 상태 기반 추정 전류의 이동 평균 오차를 산출하고, 산출된 이동 평균 오차와 기준값을 비교하여 상기 이상상태를 판단할 수 있다.

상기 제어부는, 상기 선정된 입력인자에 대응하는 데이터들을 사전 학습시 정의한 평균과 표준편차로 정규화(normalization)할 수 있다.

상기 제어부는, 상기 센서부의 전류센서로 측정한 전류 값에서 상기 압축기 전류 추정 모델이 추정한 추정 전류 값의 차이인 오차를 상기 전류센서가 데이터를 측정할 때마다 상기 저장부에 저장할 수 있다.

상기 제어부는, 상기 저장된 오차 값의 개수가 기설정된 개수 이상일 경우에 특정 간격으로 이동 평균하여 이동 평균 오차를 계산하고, 상기 계산된 이동 평균 오차가 기설정된 기준 값을 초과하면 압축기 이상으로 판별할 수 있다.

상기 제어부는, 상기 계산된 이동 평균 오차가 기준 값을 초과했을 때 이동 평균 오차 계산에 사용된 특정 기간동안 입력 인자들의 개별 평균을 계산하고, 상기 계산된 특정기간 입력 인자들의 개별 평균값이 기정의된 각 입력 인자들의 분포상에서 상대적 거리가 가장 먼 입력 인자를 치명 인자로 선정할 수 있다.

본 개시의 일 측면에 따른 공기조화기는, 이상이 있는 것으로 판별된 경우에, 상기 판별된 이상 상태에 대한 정보를 출력하는 출력부를 더 포함할 수 있다.

본 개시의 일 측면에 따른 공기조화기는, 이상이 있는 것으로 판별된 경우에, 상기 판별된 이상 상태에 대한 정보를 서버로 전송하는 통신부를 더 포함할 수 있다.

본 개시의 실시 예들 중 적어도 하나에 의하면, 정확하게 이상상태를 진단할 수 있다.

또한, 본 개시의 실시 예들 중 적어도 하나에 의하면, 설치된 현장에서 운전 데이터를 수집하고, 수집되는 데이터로 학습함으로써, 이상상태 판단의 정확성을 향상할 수 있다.

또한, 본 개시의 실시 예들 중 적어도 하나에 의하면, 학습에 사용할 데이터를 효과적으로 선정할 수 있다.

또한, 본 개시의 실시 예들 중 적어도 하나에 의하면, 상 징후 발생시, 가장 치명적인 인자를 선정하고 관리함으로써 신뢰성을 향상할 수 있다.

한편, 그 외의 다양한 효과는 후술될 본 개시의 실시 예에 따른 상세한 설명에서 직접적 또는 암시적으로 개시될 것이다.

도 1은 본 개시의 일 실시 예에 따른 공기조화기의 구성을 도시한 도면이다.
도 2는 도 1의 실외기와 실내기의 개략도이다.
도 3은 본 개시의 일 실시 예에 따른 공기조화기의 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 딥 러닝(deep learning)에 대한 설명에 참조되는 도면이다.
도 5는 본 개시의 일 실시 예에 따른 제어부의 간략한 내부 블록도이다.
도 6은 본 개시의 일 실시 예에 따른 공기조화기의 동작 방법을 도시한 순서도이다.
도 7은 본 개시의 일 실시 예에 따른 공기조화기의 동작 방법을 도시한 순서도이다.
도 8은 본 개시의 일 실시 예에 따른 공기조화기의 압축기 이상상태 판단 로직 개요도이다.
도 9는 본 개시의 실시 예에 따른 공기조화기의 인공지능 압축기 전류 추정 모델의 일례를 도시한 도면이다.
도 10 내지 도 13은 본 개시의 실시 예에 따른 공기조화기의 압축기 전류 추정 모델 학습 및 테스트 결과를 도시한 도면들이다.
도 14는 본 개시의 일 실시 예에 따른 공기조화기의 현장 학습 로직 개요도이다.
도 15와 도 16은 압축기 이상상태 판단 및 치명인자 선정을 예시하는 도면들이다.

이하에서는 첨부한 도면을 참조하여 본 개시의 실시 예를 상세하게 설명한다. 그러나 본 발명이 이러한 실시 예에 한정되는 것은 아니며 다양한 형태로 변형될 수 있음은 물론이다.

도면에서는 본 발명을 명확하고 간략하게 설명하기 위하여 설명과 관계 없는 부분의 도시를 생략하였으며, 명세서 전체를 통하여 동일 또는 극히 유사한 부분에 대해서는 동일한 도면 참조부호를 사용한다.

한편, 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 단순히 본 명세서 작성의 용이함만이 고려되어 부여되는 것으로서, 그 자체로 특별히 중요한 의미 또는 역할을 부여하는 것은 아니다. 따라서, 상기 "모듈" 및 "부"는 서로 혼용되어 사용될 수도 있다.

또한, 본 명세서에서, 다양한 요소들을 설명하기 위해 제1, 제2 등의 용어가 이용될 수 있으나, 이러한 요소들은 이러한 용어들에 의해 제한되지 아니한다. 이러한 용어들은 한 요소를 다른 요소로부터 구별하기 위해서만 이용된다.

본 개시의 일 실시 예에 따른 공기조화기 시스템은, 하나 이상의 공기조화기를 포함할 수 있다. 또한, 본 개시의 일 실시 예에 따른 공기조화기 시스템은, 공기조화기 외에도 서버, 단말 등 다른 기기를 포함할 수 있다. 또한, 공기조화기 시스템은에 포함되는 기기들은 통신 모듈을 구비하여 다른 기기와 유/무선으로 통신하며 연계된 동작을 수행할 수 있다.

도 1은 본 개시의 일 실시 예에 따른 공기조화기의 구성을 도시한 도면이다.

도 1을 참조하면, 본 개시의 일 실시 예에 따른 공기조화기(100)는, 적어도 하나의 실외기(21) 및 실외기(21)에 연결되는 적어도 하나의 실내기(31)를 포함할 수 있다. 하나의 실외기(21)에 복수의 실내기(31)가 연결될 수 있고, 하나의 실외기(21)에 연결되는 실내기(31)의 수는 도면에 한정되지 않는다.

실내기(31)는, 스탠드형 실내기(31a), 벽걸이형 실내기(31b) 및 천장형 실내기(31c) 중 적어도 하나를 포함할 수 있다.

한편, 공기조화기(100)는, 환기장치, 공기청정장치, 가습장치 및 히터 중 적어도 하나를 더 포함할 수 있으며, 실내기(31) 및 실외기(21)의 동작에 연동하여 동작할 수 있다.

실외기(21)는, 냉매를 공급받아 압축하는 압축기(미도시)와, 냉매와 실외공기를 열교환하는 실외 열교환기(미도시)와, 공급되는 냉매로부터 기체 냉매를 추출하여 압축기로 공급하는 어큐뮬레이터(미도시)와, 난방운전에 따른 냉매의 유로를 선택하는 사방밸브(미도시)를 포함할 수 있다. 또한, 실외기(21)는, 다수의 센서, 밸브 및 오일회수기 등을 더 포함할 수 있다.

실외기(21)는, 구비되는 압축기 및 실외 열교환기를 동작시켜 설정에 따라 냉매를 압축하거나 열교환하여 실내기(31)로 냉매를 공급할 수 있다. 실외기(21)는, 중앙제어기(미도시) 또는 실내기(31)의 요구(demand)에 의해 구동될 수 있다. 이때, 구동되는 실내기(31)에 대응하여 냉/난방 용량이 가변됨에 따라 실외기의 작동 개수 및 실외기에 설치된 압축기의 작동 개수가 가변되는 것도 가능하다.

이때, 실외기(21)는, 연결된 실내기(31)로 압축된 냉매를 공급할 수 있다.

실내기(31)는, 실외기(21)로부터 냉매를 공급받아 실내로 냉온의 공기를 토출할 수 있다. 실내기(31)는, 실내 열교환기(미도시)와, 실내기팬(미도시), 공급되는 냉매가 팽창되는 팽창밸브(미도시), 다수의 센서(미도시)를 포함할 수 있다.

이때, 실외기(21) 및 실내기(31)는, 통신선으로 연결되어 상호 데이터를 송수신할 수 있고, 실외기(21) 및 실내기(31)는 중앙제어기와 유선 또는 무선으로 연결되어 중앙제어기의 제어에 따라 동작할 수도 있다.

리모컨(41)은, 실내기(31)에 연결되어, 실내기(31)로 사용자의 제어명령을 전달하고, 실내기(31)의 상태정보를 수신하여 표시할 수 있다. 이때 리모컨(41)은 실내기(31)와의 연결 형태에 따라 유선 또는 무선으로 통신할 수 있다.

한편, 공기조화기(100)는, 실내 공기의 상태를 감지할 수 있는 적어도 하나의 센서(미도시)를 더 포함할 수 있다. 예를 들면, 공기조화기(100)는, 실내 온도를 감지하는 온도 센서, 실내 습도를 감지하는 습도 센서, 실내 기압을 감지하는 기압 센서, 실내 공기 중의 먼지량을 측정하는 센서 등을 더 포함할 수 있고, 온도, 습도, 기압, 공기 중의 먼지량 등 다양한 데이터를 함께 수집할 수 있는 센서를 포함할 수도 있다.

한편, 공기조화기(100)는, 서버, 중앙제어기 등 외부 장치(10)와 통신을 수행할 수 있고, 상호 간에 데이터를 송수신할 수 있다.

도 2는 도 1의 실외기와 실내기의 개략도이다.

도 2를 참조하면, 본 개시의 일 실시 예에 따른 공기조화기(100)는, 실외기(21)와 실내기(31)로 구분될 수 있다. 공기조화기(100)는, 복수의 실내기(31a 내지 31c)를 포함할 수 있다.

실외기(21)는, 냉매를 압축시키는 역할을 하는 압축기(110), 압축기(110)를 구동하는 압축기용 모터(미도시), 압축된 냉매를 방열시키는 역할을 하는 실외측 열교환기(120), 기체화된 냉매를 잠시 저장하여 수분과 이물질을 제거한 뒤 일정한 압력의 냉매를 압축기로 공급하는 어큐뮬레이터(130), 압축된 냉매의 유로를 바꾸는 냉/난방 절환밸브(140), 오일 분리기(150), 실외 열교환기(120)의 일측에 배치되어 냉매의 방열을 촉진시키는 실외팬(161)과 실외팬(161)을 회전시키는 실외팬용 모터(162)로 이루어진 실외 송풍기(160), 응축된 냉매를 팽창하는 적어도 하나의 팽창기구(예: 전자식 팽창 밸브(Electronic expansion valves, EEV)) 등을 포함할 수 있다.

보다 구체적으로, 실외기(21)는, 가스배관(182)이 연결되는 가스배관 서비스밸브(113) 및 액체배관(112)이 연결되는 액체배관 서비스밸브(114)를 포함할 수 있다. 가스배관 서비스밸브(113) 및 액체배관 서비스밸브(114)는, 실내기(31)와 연결될 수 있고, 실외기(21)의 냉매를 순환시킬 수 있다.

압축기(110)는, 인버터 압축기, 정속 압축기 중 적어도 하나가 사용될 수 있다. 압축기(110)에서 토출되는 고온, 고압의 냉매는, 압축기(110)의 토출측 배관(151)을 통해 오일분리기(150)로 유동할 수 있다.

실외기(21)는, 어큐뮬레이터(130)의 하측과 압축기(110)의 흡입측 배관(135)을 연결하는 제1 오일회수배관(131)을 포함할 수 있다. 제1 오일회수배관(131)에는, 오일의 유동을 조절하는 오일리턴밸브(132)가 배치될 수 있다.

실외기(21)는, 오일분리기(150)에서 압축기(11)로 오일이 유동하는 제2 오일회수배관(152)을 포함할 수 있다. 제2 오일회수배관(152)에는, 오일이 일측으로 유동하도록 제한하는 체크밸브(153)가 배치될 수 있다.

오일분리기(150)에서 토출되는 냉매는, 냉매토출배관(181)을 통해 냉/난방 절환밸브(140)로 유동할 수 있다.

실외측 열교환기(120)는 실외 공기와 냉매를 열교환시킬 수 있고, 실시 예에 따라 복수개(122, 124)로 구성될 수 있다. 실외측 열교환기(120)는, 냉방운전 시 응축기로 동작할 수 있고, 난방운전 시 증발기로 동작할 수 있다.

가변패스밸브(186)는, 제1 실외측 열교환기(122)와 가변패스배관(185) 사이에 배치될 수 있다. 가변패스밸브(186)가 개방되는 경우, 제1 실외측 열교환기(122)에 유동하는 냉매가 가변패스밸브(186), 가변패스배관(185) 및 체크밸브(187)를 거쳐 냉/난방 절환밸브(140)로 유동할 수 있다. 가변패스밸브(186)가 폐쇄되는 경우, 냉방운전 시 제1 실외측 열교환기(122)에 유동하는 냉매가 제1 열교환기-팽창밸브 연결배관(123)으로 유동할 수 있고, 난방운전 시 제1 열교환기-팽창밸브 연결배관(123)에 유동하는 냉매가 제1 실외측 열교환기(122)로 유동할 수 있다.

실외팽창밸브(170)는, 난방운전 시, 실외측 열교환기(120)로 유동되는 냉매를 팽창시킬 수 있고, 냉방운전 시, 냉매를 팽창시키지 않고 통과시킬 수 있다. 실외팽창밸브(170)는, 입력된 신호에 따라 개도값을 조절할 수 있는 전자식 팽창 밸브(EEV)가 사용될 수 있다.

실외팽창밸브(170)는, 제1 실외열교환기(122)로 유동되는 냉매를 팽창시키는 제1 실외팽창밸브(172)와, 제2 실외열교환기(174)로 유동되는 냉매를 팽창시키는 제2 실외팽창밸브(174)를 포함할 수 있다.

제1 실외측 열교환기(122)는, 열교환기-절환밸브 연결배관(183a)을 통해 냉/난방 절환밸브(140)와 연결될 수 있다. 제1 실외측 열교환기(122)는, 제1 열교환기-팽창밸브 연결배관(123)을 통해 실외팽창밸브(170)와 연결될 수 있다.

제2 실외측 열교환기(124)는, 제2 열교환기-팽창밸브 연결배관(125)을 통해 제2 실외팽창밸브(174)와 연결될 수 있다.

제1 실외팽창밸브(172)는, 제1 열교환기-팽창밸브 연결배관(123)와 과냉각액체배관(112') 사이에 배치될 수 있다. 제2 실외팽창밸브(174)는, 제2 열교환기-팽창밸브 연결배관(125)와 과냉각액체배관(112') 사이에 배치될 수 있다.

실외기(21)는, 난방운전 시, 실외측 열교환기(120)에 공급되는 냉매를 실내기(31)로 바이패스 시키기 위한 핫가스 유닛(190)을 더 포함할 수 있다. 핫가스 유닛(90)은, 냉매를 바이패스시키기 위한 핫가스 바이패스 배관(191, 192)과, 핫가스 밸브(193, 194)를 포함할 수 있다. 이때, 제1 핫가스 밸브(193)와 제2 핫가스 밸브(194)는, 선택적으로 동작될 수 있다. 예를 들면, 제1 핫가스 밸브(193)만 개방/폐쇄되거나, 제2 핫가스 밸브(194)만 개방/폐쇄될 수 있다. 한편, 본 실시 예에서는, 제1 핫가스 바이패스 배관(191) 및 제2 핫가스 바이패스 배관(192)를 합지시키기 위한 합지밸브(195)가 배치될 수 있다.

실외기(21)는, 액체배관(112)에 배치되는 과냉각유닛(200)을 더 포함할 수 있다. 과냉각유닛(200)은, 과냉각열교환기(201), 액체배관(112)에서 바이패스되고, 과냉각열교환기(201)와 연결되는 과냉각 바이패스배관(202), 과냉각 바이패스배관(202)에 배치되고 유동되는 냉매를 선택적으로 팽창시키는 제1 과냉각팽창밸브(203), 과냉각열교환기(201) 및 압축기(110)를 연결하는 과냉각-압축기 연결배관(204), 과냉각-압축기 연결배관(204)에 배치되고, 유동되는 냉매를 선택적으로 팽창시키는 제2 과냉각팽창밸브(205), 어큐뮬레이터(130)와 과냉각-압축기 연결배관(204)을 연결하는 어큐뮬레이터 바이패스배관(206) 및/또는 어큐뮬레이터 바이패스배관(206)에 유동하는 냉매를 조절하는 과냉각 바이패스밸브(107)를 포함할 수 있다.

실외기(21)는, 액체배관(112)에 배치되는 리시버(210)를 더 포함할 수 있다. 리시버(210)는, 순환되는 냉매의 양을 조절하기 위해 액냉매를 저장할 수 있다. 리시버(210)는, 어큐뮬레이터(30)에서 액냉매가 저장되는 것과 별도로 액냉매를 저장할 수 있다. 예를 들면, 리시버(210)는, 순환되는 냉매의 양이 부족한 경우 어큐뮬레이터(130)에 냉매를 공급할 수 있고, 순환되는 냉매의 양이 많은 경우 냉매를 회수하여 저장할 수 있다.

리시버(210)는, 냉매를 저장하는 리시버탱크(211)와, 냉매의 유동을 단속하는 리시버밸브(213, 215)를 포함할 수 있다.

제1 리시버연결배관(112)은, 리시버탱크(211)와 과냉각액체배관(112')을 서로 연결할 수 있다. 제1 리시버 연결배관(112)에는, 냉매의 유동을 조절하는 제1 리시버밸브(213)가 배치될 수 있다.

제2 리시버연결배관(114)은, 리시버탱크(211)와 어큐뮬레이터(130)을 서로 연결할 수 있다. 제2 리시버 연결배관(114)에는, 냉매의 유동을 조절하는 제2 리시버밸브(215)가 배치될 수 있다.

실내기(31a 내지 31c)는, 실내에 배치되어 냉/난방 기능을 수행하는 실내측 열교환기(33a 내지 33c), 공급되는 냉매가 팽창되는 실내팽창밸브(35a 내지 35c), 실내측 열교환기(33a 내지 33c)의 일측에 배치되어 냉매의 방열을 촉진시키는 실내팬(미도시)과 실내팬을 회전시키는 실내팬용 모터(미도시)로 이루어진 실내 송풍기(미도시), 다수의 센서(미도시) 등을 포함할 수 있다. 실내측 열교환기(33a 내지 33c)는, 실내기(31a 내지 31c)에 각각 적어도 하나가 설치될 수 있다.

공기조화기(100)는, 가스배관 서비스밸브(113)와 제1 분배기(242)를 연결하는 가스배관 연결관(241) 및 액체배관 서비스밸브(114)와 제2 분배기(252)를 연결하는 액체배관 연결관(251)을 포함할 수 있다.

제1 분배기(245)는, 제1 내지 제3 가스분지관(243, 244, 245)을 통해, 실내측 열교환기(33a 내지 33c)와 연결될 수 있다. 제2 분배기(252)는, 제1 내지 제3 액체분지관(253, 254, 255)을 통해, 실내측 열교환기(33a 내지 33c)와 연결될 수 있다.

공기조화기(100)는, 실내를 냉방시키는 냉방기로 구성되는 것도 가능하고, 실내를 냉방시키거나 난방시키는 히트 펌프로 구성되는 것도 가능하다.

도 3은 본 개시의 일 실시 예에 따른 공기조화기의 블록도이다.

도 3을 참조하면, 공기조화기(100)는, 센서부(310), 통신부(320), 저장부(330), 압축기 구동부(340), 팬 구동부(350), 출력부(360) 및/또는 제어부(370)를 포함할 수 있다. 본 개시의 다양한 실시 예에 따른 공기조화기(100)는, 도 3에 도시되지 않은 다양한 구성들을 더 포함할 수 있다.

통신부(310)는, 적어도 하나의 통신 모듈을 포함할 수 있다. 통신부(310)는, 실외기(21)와 실내기(31)에 각각 구비될 수 있고, 실외기(21)와 실내기(31)는 상호 간에 데이터를 송수신할 수 있다. 예를 들면, 실외기(21)와 실내기(31)의 통신 방식은, 전력선을 이용한 통신 방식, 시리얼 통신 방식(예: RS-485 통신), 냉매 배관을 통한 유선 통신 방식뿐만 아니라, 와이파이(Wi-fi), 블루투스(Bluetooth), 비콘(Beacon), 지그비(zigbee)등의 무선 통신 방식일 수도 있다.

한편, 통신부(310)는, 외부 장치와 상호 간에 데이터를 송수신할 수 있다. 예를 들면, 통신부(310)는, 외부 장치(예: 이동 단말기)와 무선 통신 채널을 수립할 수 있고, 수립된 무선 통신 채널을 통해 공기조화기(100)에 구비된 각 구성에 대한 상태, 에러 발생 여부 등에 대한 데이터를 송수신할 수 있다. 통신부(310)는, 외부 네트워크에 연결된 서버에 접속하여 데이터를 송수신할 수도 있다.

센서부(320)는, 복수의 센서를 구비하여 다양한 정보를 획득할 수 있다. 센서부(320)는, 상기 실외기(21)와 상기 실내기(31a 내지 31c)의 운전 상태를 센싱하는 복수의 센서를 구비할 수 있다.

센서부(320)는, 복수의 센서를 통해 검출된 검출 값에 대한 데이터를 제어부(370)로 전송할 수 있다. 예를 들면, 센서부(320)는, 실외 열교환기(120) 및/또는 실내측 열교환기(33)의 온도를 검출하는 열교환기 온도센서(미도시), 공기조화기(100)의 각 배관을 통해 유동하는 냉매의 압력을 검출하는 압력센서(미도시), 공기조화기(100)의 각 배관을 통해 유동하는 냉매의 온도를 검출하는 배관 온도센서(미도시), 실내의 온도를 검출하는 실내 온도센서(미도시), 실외의 온도를 검출하는 실외 온도센서(미도시) 등을 포함할 수 있다.

저장부(330)는, 제어부(370) 내의 각 신호 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 신호 처리된 음성 또는 데이터 신호를 저장할 수도 있다. 예를 들면, 저장부(330)는 제어부(370)에 의해 처리 가능한 다양한 작업들을 수행하기 위한 목적으로 설계된 응용 프로그램들을 저장하고, 제어부(370)의 요청 시, 저장된 응용 프로그램들 중 일부를 선택적으로 제공할 수 있다. 저장부(330)에 저장되는 프로그램 등은, 제어부(370)에 의해 실행될 수 있는 것이라면 특별히 한정하지 않는다.

도 3의 저장부(330)가 제어부(370)와 별도로 구비된 실시 예를 도시하고 있으나, 본 개시의 범위는 이에 한정되지 않으며, 제어부(370) 내에 저장부(330)가 포함될 수도 있다.

저장부(330)는, 공기조화기(100)에 구비된 각 구성과 관련된 데이터를 저장할 수 있다. 예를 들면, 저장부(330)는, 센서부(320)에 구비된 복수의 센서로부터 검출된 검출 값에 대한 데이터를 저장할 수 있다. 예를 들면, 저장부(330)는, 압축기(110)의 운전 주파수, 압축기(110)에 유입되는 냉매의 압력(압축기 저압), 압축기(110)에서 토출되는 냉매의 압력(압축기 고압) 등에 대한 데이터를 저장할 수 있다. 예를 들면, 저장부(330)는, 팬(351)의 회전 수, 전자팽창밸브(EEV) 각각의 개도량, 과열도, 과냉도 등에 대한 데이터를 저장할 수 있다.

압축기 구동부(340)는, 압축기(110)를 구동할 수 있다. 예를 들면, 압축기 구동부(340)는, 교류 전원을 직류 전원으로 정류하여 출력하는 정류부(미도시), 정류부로부터의 맥동 전압을 저장하는 dc 단 커패시터, 복수의 스위칭 소자를 구비하여, 평활된 직류 전원을 소정 주파수의 3상 교류 전원으로 변환 및 출력하는 인버터(미도시) 및/또는 인버터로부터 출력되는 3상 교류 전원에 따라, 압축기(110)를 구동하는 압축기용 모터(미도시)를 포함할 수 있다.

압축기 구동부(340)는, 제어부(370)의 제어에 따라, 압축기(110)의 운전 주파수를 변경할 수 있다. 예를 들면, 압축기 구동부(340)는, 제어부(370)의 제어에 따라, 압축기용 모터로 출력되는 3상 교류 전원의 주파수를 변경하여, 압축기(110)의 운전 주파수를 변경할 수 있다.

팬 구동부(350)는, 공기조화기(100)에 구비된 팬(351)을 구동할 수 있다. 예를 들면, 팬 구동부(350)는, 실외팬(161) 및/또는 실내팬(미도시)를 구동할 수 있다. 예를 들면, 팬 구동부(350)는, 교류 전원을 직류 전원으로 정류하여 출력하는 정류부(미도시), 정류부로부터의 맥동 전압을 저장하는 dc 단 커패시터, 복수의 스위칭 소자를 구비하여, 평활된 직류 전원을 소정 주파수의 3상 교류 전원으로 변환 및 출력하는 인버터(미도시) 및/또는 인버터로부터 출력되는 3상 교류 전원에 따라 팬을 구동하는 모터를 포함할 수 있다.

한편, 팬 구동부(350)는, 실외팬(161) 및 실내팬을 구동하기 위한 구성을 각각 구분하여 구비할 수 있다.

팬 구동부(350)는, 제어부(370)의 제어에 따라, 팬(351)의 회전수를 변경할 수 있다. 예를 들면, 팬 구동부(350)는, 제어부(370)의 제어에 따라, 실외팬용 모터로 출력되는 3상 교류 전원의 주파수를 변경하여, 실외팬(161)의 회전수를 변경할 수 있다. 예를 들면, 팬 구동부(350)는, 제어부(370)의 제어에 따라, 실내팬용 모터로 출력되는 3상 교류 전원의 주파수를 변경하여, 실내팬의 회전수를 변경할 수 있다.

출력부(360)는, 디스플레이(미도시), 발광 다이오드(Light Emitting Diode, LED) 등의 표시 장치를 구비할 수 있고, 표시 장치를 통해 공기조화기(100)의 운전 상태, 에러 발생 등과 관련된 동작 상태를 표시할 수 있다.

출력부(360)는, 스피커, 버저 등의 오디오 장치를 구비할 수 있고, 오디오 장치를 통해 공기조화기(100)의 운전 상태에 대한 효과음을 출력할 수 있고, 에러 발생시 소정의 경고음을 출력할 수 있다.

제어부(370)는, 공기조화기(100)에 구비된 각 구성과 연결될 수 있고, 각 구성의 전반적인 동작을 제어할 수 있다. 제어부(370)는, 공기조화기(100)에 구비된 각 구성과 상호 간에 데이터를 송수신할 수 있다. 제어부(370)는, 실외기(21) 뿐만 아니라, 실내기(31) 및/또는 중앙제어기 중 적어도 어느 하나에 구비될 수도 있다. 예를 들어, 실외기(21), 실내기(31) 및 중앙제어기는, 각각 동작을 제어하는 제어부(370)를 포함할 수 있다.

제어부(370)는, 적어도 하나의 프로세서를 포함할 수 있다. 여기서, 프로세서는 CPU(central processing unit)과 같은 일반적인 프로세서일 수 있다. 물론, 프로세서는 ASIC과 같은 전용 장치(dedicated device)이거나 다른 하드웨어 기반의 프로세서일 수 있다.

제어부(370)는, 공기조화기(100)에 구비된 각 구성과 관련된 데이터를 딥 러닝(deep learning) 등 머신 러닝(machine learning)을 통해 학습하여, 학습 모델을 생성할 수 있다. 제어부(370)는, 공기조화기(100)에 구비된 각 구성과 관련된 데이터와 기 학습된 학습모델을 이용하여, 공기조화기(100)에 구비된 각 구성을 제어할 수 있다.

이하, 도 4를 참조하여, 딥 러닝에 대해서 상세히 설명하도록 한다.

도 4는, 본 개시의 일 실시 예에 따른, 딥 러닝(deep learning)에 대한 설명에 참조되는 도면이다.

머신 러닝은, 컴퓨터에게 사람이 직접 로직(logic)을 지시하지 않아도 데이터를 통해 컴퓨터가 학습을 하고, 이를 통해 컴퓨터가 문제를 해결하게 하는 것을 의미한다.

딥 러닝은, 인공신경망(Artificial Neural Networks, ANN) 등을 기반으로 컴퓨터에게 사람의 사고방식을 가르치는 방법으로, 컴퓨터가 스스로 사람처럼 학습할 수 있는 인공지능 기술을 의미한다. 인공신경망(ANN)은 소프트웨어 형태로 구현되거나 칩(chip) 등 하드웨어 형태로 구현될 수 있다. 예를 들면, 인공신경망(ANN)은, 심층신경망(Deep Neural Network, DNN), 합성곱신경망(Convolutional Neural Network, CNN), 순환신경망(Recurrent Neural Network, RNN), 심층신뢰신경망(Deep Belief Network, DBN) 등 다양한 종류의 알고리즘을 포함할 수 있다.

도 4를 참조하면, 인공신경망(ANN)은 입력 레이어(input layer), 히든 레이어(hiddent layer), 및 출력 레이어(output layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결될 수 있으며, 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

컴퓨터는, 데이터로부터 일정한 패턴을 발견해 특징 맵(feature map)을 형성할 수 있고, 하위레벨 특징부터, 중간레벨 특징, 상위레벨 특징까지 추출하여, 대상을 인식하고 그 결과를 출력할 수 있다.

또한, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력 값에 대응하는 출력 값이 결정될 수 있다.

임의의 노드, 예를 들어, 하위레벨 특징의 출력 값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징의 노드는 하위레벨 특징의 복수의 노드로부터 출력되는 값들을 입력 받을 수 있다.

이때, 각 노드의 입력 값은 이전 레이어의 노드의 출력 값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트(weight)는 노드 간의 연결 강도를 의미할 수 있다. 또한, 딥러닝 과정은 적절한 웨이트(weight), 바이어스(bias)를 찾아내는 과정으로도 볼 수 있다.

한편, 임의의 노드, 예를 들어, 중간레벨 특징의 출력 값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징의 노드는 중간레벨 특징의 복수의 노드로부터 출력되는 값들을 입력 받을 수 있다.

인공신경망(ANN)은 각 레벨에 대응하는 학습된 레이어(layer)를 이용하여, 각 레벨에 대응하는 특징 정보를 추출할 수 있다. 인공신경망(ANN)은 순차적으로 추상화하여, 가장 상위 레벨의 특징 정보를 활용하여 소정 대상을 인식할 수 있다.

한편, 인공신경망(ANN)의 학습은 입력 데이터에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정함으로써 이루어질 수 있고, 필요한 경우 바이어스(bias) 값도 조정할 수 있다. 또한, 인공신경망(ANN)은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트할 수 있다. 또한, 인공신경망(ANN)의 학습에는 역전파(Back-propagation) 등의 방식이 사용될 수 있다.

저장부(330)는, 공기조화기(100)에 구비된 각 구성으로부터 획득한 데이터, 인공신경망(ANN)을 학습하기 위한 데이터 등을 저장할 수 있다. 예를 들면, 저장부(330)는, 인공신경망(ANN)을 학습하기 위한, 공기조화기(100)에 구비된 각 구성에 대한 데이터를 포함하는 데이터베이스, 인공신경망(ANN) 구조를 이루는 웨이트(weight), 바이어스(bias) 등을 저장할 수 있다.

한편, 제어부(370)는, 인공신경망을 이용하여, 적어도 하나의 판단 결과를 출력하는 인공지능(Artificial Intelligence, AI) 엔진을 포함할 수 있다. 예를 들어, AI 엔진은, 데이터 획득부(미도시), 모델 학습부(미도시) 및/또는 결과 산출부(미도시)를 포함할 수 있다. 데이터 획득부는, 공기조화기(100)에 구비된 각 구성에 대한 데이터를 획득하고, 획득한 데이터 중 학습 대상인 입력 데이터를 결정할 수 있다. 모델 학습부는, 입력 데이터를 학습하여, 학습 모델을 생성할 수 있다. 모델 학습부는, 공기조화기(100)에 구비된 각 구성에 대한 데이터에 기초하여, 기 생성된 학습 모델을 업데이트할 수 있다. 결과 산출부는, 공기조화기(100)에 구비된 각 구성에 대한 데이터 중 입력 데이터와 기 학습된 학습 모델을 이용하여, 입력 데이터에 대응하는 결과 데이터를 산출할 수 있다.

제어부(370)는, 인공신경망을 이용하여, 공기조화기(1)의 이상상태를 판단하는 AI 엔진(도 5의 500 참조)을 포함할 수 있다

제어부(370)는, 상기 실외기(21)와 상기 실내기(31)가 설치된 현장에서의 운전 중에 상기 센서부(320)에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습(현장 학습)할 수 있다.

현장 학습 이후, 제어부(370)는, 공기조화기(100)의 운전 중에, 상기 센서부(320)에서 측정되는 현재 운전데이터와 상기 학습된 운전데이터 추정 모델에 기초하여, 이상상태를 판별할 수 있다.

본 개시의 일 실시 예에 따른 공조 시스템은, 시스템의 운전 상태를 측정할 수 있는 센서들과, 센서들로부터 측정된 시스템 운전데이터를 이용하여 운전데이터 추정 모델의 현장 학습 또는 업데이트가 가능하며 시스템의 동작을 제어하는 AI 엔진(500)을 포함할 수 있다.

또한, 본 개시의 일 실시 예에 따른 공조 시스템은, 이상이 있는 것으로 판별된 경우에, 상기 판별된 이상 상태에 대한 정보를 출력하는 출력부(360)를 포함할 수 있다.

또한, 본 개시의 일 실시 예에 따른 공조 시스템은, 이상 상태에 대한 정보를 서비스센터, 사용자 단말 등으로 전송하는 서버를 포함할 수 있고, 공기조화기(100)는, 이상이 있는 것으로 판별된 경우에, 상기 판별된 이상 상태에 대한 정보를 서버로 전송하는 통신부(310)를 포함할 수 있다.

본 개시의 일 실시 예에 따르면, 상기 제어부(370)는, 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정할 수 있다. 상기 제어부(370)는, 상기 학습된 운전데이터 추정 모델에서 추정한 추정 운전데이터와 상기 센서부(320)에서 측정되는 현재 운전데이터의 차이에 기초하여, 이상징후를 포착할 수 있다. 이상징후는 이상상태로 판별되거나 이상상태로 전환될 위험이 큰 것으로 판별된 상태를 의미할 수 있다.

한편, 상기 제어부(370)는, 상기 이상징후가 포착된 순간의 운전데이터를 이용하여 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정할 수 있다. 예를 들어, 상기 제어부(370)는, 기정의한 운전데이터들의 분포상에서, 이상상태라고 판단한 시점의 데이터의 상대적 거리들을 계산하여, 상기 계산된 상대적 거리들 중에서 가장 큰 값을 가지는 운전데이터 인자를 치명인자로 선정할 수 있다. 치명인자의 선정에 대해서는 도 15와 도 16을 참조하여 후술한다.

본 개시의 일 실시 예에 따른 공조 시스템은, 시스템 이상상태 판단 시, 이상상태에 대한 알림과 이상상태에 대한 치명인자를 나타내주는 출력부(360) 및/또는 이상상태에 대한 알림과 이상상태에 대한 치명인자를 서비스 센터로 전송하기 위한 통신부(310), 서버를 포함할 수 있다.

본 개시에 따른 이상 상태 판단 및 치명 인자 추출 시스템은, AI 엔진(500)이 시스템이 설치된 현장특성을 반영하기 위해 시스템의 운전데이터를 학습하여 운전데이터 추정 모델을 구성할 수 있다. 이후, AI 엔진(500)은, 학습이 이루어진 시스템 운전데이터 추정 모델을 통해 실시간으로 운전데이터를 추정하고, 센서부(320)를 통하여 측정된 운전데이터와 비교하여 이상징후를 포착할 수 있다. 공기조화기(100) 및 이를 포함하는 공조 시스템은, 이상상태 판단 결과를 관리자 또는 서비스센터에 통지할 수 있다.

더 바람직하게는, AI 엔진(500)은, 이상징후가 포착된 순간의 데이터를 이용하여 치명인자를 선정하고, 공기조화기(100) 및 이를 포함하는 공조 시스템은, 이상상태 판단 결과와 이상상태에 대한 치명인자를 관리자 또는 서비스센터에 통지할 수 있다.

본 개시의 실시 예에 따르면, 현장에서 수집되는 운전데이터를 입력데이터로 하는 현장 학습은 주기적으로 수행될 수 있다.

사전 학습을 통한 시스템 운전데이터 추정 모델에 공기조화기(1)가 설치된 현장특성을 반영하기 위해 주기적으로 측정된 현장 데이터를 학습함으로써 보다 정확하게 이상징후를 포착할 수 있다.

또한, 현장에서 주기적으로 업데이트되는 치명인자 추출 모델을 통해, 이상징후가 포착된 경우, 이상징후의 원인이되는 치명인자를 선정하여 관리함으로써, 효율적인 유지보수가 가능하다.

본 개시의 일 실시 예에 따르면, 상기 운전데이터 추정 모델은, 사전에 수집된 정상데이터로 기학습된 인공신경망이고, 상기 실외기(21)와 상기 실내기(31)가 설치된 현장에서의 운전 중에 상기 센서부(320)에서 수집된 현장 운전데이터에 기초하여 학습될 수 있다. 즉, AI 엔진(500)은 사전에 학습된 운전데이터 추정 모델을 포함할 수 있고, 이러한 운전데이터 추정 모델을 현장에서 수십되는 데이터로 추가 학습(현장 학습)할 수 있다.

본 개시의 실시 예에 따르면, AI 엔진(500)은 기 수집된 정상상태 운전데이터를 이용하여 사전 학습된 운전데이터 추정 모델을 포함할 수 있다. AI 엔진(500)은 사전 학습된 운전데이터 추정 모델을 현장에서 수집한 현장데이터를 이용하는 현장 학습시킬 수 있다.

이후에는, 다른 실시 예와 동일하게, AI 엔진(500)은, 학습이 이루어진 시스템 운전데이터 추정 모델을 통해 실시간으로 운전데이터를 추정하고, 센서부(320)를 통하여 측정된 운전데이터와 비교하여 이상징후를 포착할 수 있다. 공기조화기(100) 및 이를 포함하는 공조 시스템은, 이상상태 판단 결과를 관리자 또는 서비스센터에 통지할 수 있다.

도 5는 본 개시의 일 실시 예에 따른 제어부의 간략한 내부 블록도이다.

도 5를 참조하면, 제어부(370)는, AI 엔진(500)을 포함할 수 있다. AI 엔진(500)은, 공기조화기(100)가 설치된 현장에서의 운전 중에 상기 센서부(320)에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습하는 현장 학습부(510), 상기 학습된 운전데이터 추정 모델에 기반하여 실시간으로 운전데이터를 추정하는 운전데이터 추정부(520), 상기 추정된 운전데이터와 상기 센서부(320)에서 측정되는 현재 운전데이터를 비교하는 비교부(530), 상기 비교부(530)의 비교 결과에 기초하여 이상징후 발생여부를 판단하고, 상기 이상징후가 포착된 순간의 운전데이터를 이용하여 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정하는 판단 선정부(540)를 포함할 수 있다.

실시 예에 따라서, AI 엔진(500)은, 독립적인 모듈형 장치로 구성되어, 서버 또는 공기조화기(100) 내부에 장착되거나 유무선으로 연결되어 사용될 수 있다. 이 경우에, AI 엔진(500)은, 통신부, 메모리 등을 더 포함할 수 있다.

도 6은 본 개시의 일 실시 예에 따른 공기조화기의 동작 방법을 도시한 순서도이다.

도 6을 참조하면, 공기조화기(100)는, 공기조화기(100)가 설치된 현장에서 시스템 운전데이터를 수집한다(S610). 상기 운전데이터는 이상상태를 판단하고자하는 시스템에 설치되어 전류, 압력, 온도 등의 정보를 측정하는 센서들을 구비하는 센서부(320)로부터 수집할 수 있다.

다음으로, 제어부(370)는 수집된 시스템 운전데이터들이 정상 운전데이터인지 확인할 수 있다(S620). 예를 들어, 제어부(370)는, 운전데이터가 수집된 날을 기준으로 향후 일정 기간동안 시스템 에러가 발생하지 않았다면 정상 운전데이터라고 판별할 수 있다.

만약, 시스템 운전데이터가 수집된 날을 기준으로 향후 일정 기간 내에 시스템 에러가 발생했다면, 제어부(370)는 해당 운전데이터는 정상 운전데이터가 아니라고 판단하고 다시 운전데이터를 수집할 수 있다.

현장에서 정상 운전데이터가 수집됐다면(S620), 수집된 운전데이터를 기초로 하여 운전데이터 추정 모델을 학습한다(S630). 이때, 운전데이터 추정 모델은 최초 학습이 진행되는 모델일 수 있다.

이후, 제어부(370)는 학습된 운전데이터 추정 모델을 이용하여 현재 공조 시스템 상태에서 예상되는 운전데이터를 추정한다(S640). 다음으로, 제어부(370)는 추정한 운전데이터와 센서부(320)에서 측정한 운전데이터를 비교하여 공조 시스템 이상상태를 판단한다(S650).

제어부(370)는, 추정 운전데이터와 측정 운전데이터 비교결과 시스템 이상상태라고 판단한 경우(S650), 측정된 운전데이터를 분석한다(S660). 제어부(370)는, 센서부(320)를 통해 수집된 다양한 운전데이터들 중 시스템 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정한다.

제어부(370)는, 통신부(310) 및/또는 출력부(360)를 제어하여, 이상상태 판단결과와 선정된 치명인자를 관리자 혹은 서비스센터에 전달할 수 있다(S660).

도 7은 본 개시의 일 실시 예에 따른 공기조화기의 동작 방법을 도시한 순서도이다.

도 7을 참조하면, 제어부(370)는 운전데이터 추정 모델을 사전 학습할 수 있다(S705). 공기조화기(1)가 현장에 설치되기 전 테스트가 가능한 경우, 사전에 정상데이터를 수집하여 운전데이터 추정 모델을 사전 학습할 수 있다. 사전 학습이 된 경우(S705), 현장에서 수집한 운전데이터를 이용하여 추가 학습을 진행할 수 있다(S710, S730).

제어부(370)는 센서부(320)에서 수집된 시스템 운전데이터들이 정상 운전데이터인지 확인할 수 있다(S720).

정상 운전데이터가 수집됐다면(S720), 수집된 운전데이터를 기초로 하여 운전데이터 추정 모델을 학습한다(S730). 이때, 운전데이터 추정 모델은 사전 학습이 선행된 모델일 수 있다.

이후, 도 6을 참조하여 설명한 동작 방법과 동일하게, 제어부(370)는 학습된 운전데이터 추정 모델을 이용하여 현재 공조 시스템 상태에서 예상되는 운전데이터를 추정한다(S740). 다음으로, 제어부(370)는 추정한 운전데이터와 센서부(320)에서 측정한 운전데이터를 비교하여 공조 시스템 이상상태를 판단한다(S750).

또한, 제어부(370)는, 추정 운전데이터와 측정 운전데이터의 비교결과 이상상태라고 판단한 경우(S750), 치명인자를 선정하고, 통신부(310) 및/또는 출력부(360)를 제어하여, 이상상태 판단결과와 선정된 치명인자를 관리자 혹은 서비스센터에 전달할 수 있다(S760).

본 개시에 따른 이상상태 판단 방법은, 공기조화기(100)가 설치된 현장의 데이터를 이용하여 이상상태 판단 모델을 현장 학습함으로써, 이상상태를 보다 정확하게 포착할 수 있다.

또한, 본 개시에 따른 이상상태 판단 및 치명인자 선정 방법은, 이상상태에 따른 치명인자를 선정하여 서비스엔지니어에게 제공함으로써 유지보수를 효율적으로 수행할 수 있는 효과가 있다.

종래에 사용되었던 가상 시스템 시뮬레이션을 통해 진단하는 방법은, 가상 시스템을 개발하기 위해 많은 비용과 시간이 소요되고, 복잡한 시스템의 경우 가상의 시스템 시뮬레이션이 불가능하다는 단점이 있었다.

하지만, 본 개시의 실시 예에 따른 이상상태 판단 방법은, 실제 시스템이 정상적으로 작동할 때 데이터를 이용하기 때문에 비교적 단기간내에 손쉽게 개발, 적용할 수 있다는 장점이 있다.

또한, 종래에는 특정 시스템을 목표로 개발되기 때문에, 서로 다른 환경 특성을 가지는 다양한 현장에 설치되는 공기조화기(100) 특성상 설치된 환경의 영향을 받아 정확도가 감소할 수 있다. 본 개시의 실시 예에 따른 이상상태 판단 방법은,현장 학습을 통해 다양한 환경 특성을 반영하므로 상기와 같은 문제점을 해결 할 수 있다.

종래에 사용되었던 시스템 시뮬레이션 방법 혹은 대용량 데이터베이스(DB)가 필요한 방법들은, 일반적으로 연산량이 많거나 시스템의 자원을 많이 사용하기 때문에 고사양의 하드웨어를 요구한다는 단점이 있었다.

본 개시의 실시 예에 따른 이상상태 판단 방법은, 사전 학습 또는 현장 학습을 통한 인공신경망을 이용하기 때문에, 연산량이 적고, 저사양의 하드웨어에서도 적용이 가능하다는 장점이 있다.

종래에 사용되었던 인공 신경망을 활용한 이상 진단 방법들은 해당 결과가 나온 이유를 알 수 없었으나, 본 개시의 실시 예에 따른 치명 인자 선정 방법은, 인공신경망의 입력인자를 분석하여 결과에 대한 원인을 제공함으로써 더욱 효율적인 유지보수가 가능하다.

한편, 본 개시의 실시 예에 따른 이상상태 판단 및 치명인자 선정 방법은, 공기조화기(1)의 주요 부품인 압축기를 진단하는 방법으로 사용될 수 있다.

본 개시의 일 실시 예에 따른 인공신경망 압축기 전류 추정 모델은, 사전 학습 단계에서 정상데이터를 수집하고, 수집한 데이터를 이용하여 학습할 수 있다.

우선, 공기조화기(100)의 상태를 나타낼 수 있는 전류, 전압, 온도 등 다양한 인자들을 포함하여 정상상태 데이터를 수집한다. 여기서 정상상태 데이터는, 설계 범위 내에서 에러가 발생하지 않고 시스템 설계자의 의도대로 작동하는 데이터로 정의할 수 있다. 정상상태 데이터는 시스템에어컨의 가속수명시험, 신뢰성 시험, 필드테스트 등 다양한 방법에 의해 수집될 수 있다.

한편, 수집된 정상데이터에 포함된 전류를 제외한 나머지 다양한 인자들 중 공기조화기(100) 전문가의 도메인 지식에 기반하여 공기조화기(100)의 치명인자가 될 수 있는 인자들을 선정할 수 있다. 선정된 치명인자들을 인공신경망 압축기 전류 추정 모델의 입력인자로 정의하고 측정 전류를 출력인자로 정의하여 해당 모델의 추정 전류와 측정 전류의 오차가 최소화되도록 학습할 수 있다. 추정 전류는 전류센서에서 측정되는 압축기 측정 전류에 대응하는 값으로, 전류센서의 배치 위치, 센싱 방식에 따라 그 값 등이 달라질 수 있다. 예를 들어, 상전류를 측정하고, 상전류를 추정할 수 있고, 측정된 전류를 축변환하여 d축 전류, q축 전류를 사용할 수도 있다.

인공신경망 압축기 전류 추정 모델의 레이어 수, 노드 수, 활성함수 등과 같은 하이퍼파라미터들은 입력인자 개수 및 적용하고자하는 시스템의 하드웨어 성능에 따라 조절할 수 있다.

이하, 첨부된 도면을 참조하여 본 개시의 실시 예를 설명하면 다음과 같다.

도 8은 본 개시의 일 실시 예에 따른 공기조화기의 압축기 이상상태 판단 로직 개요도이고, 도 9는 본 개시의 실시 예에 따른 공기조화기의 인공지능 압축기 전류 추정 모델의 일례를 도시한 도면이다.

도 8과 도 9를 참조하면, 제어부(370)는, 압축기 전류 추정 모델을 포함하여, 센서부(320)의 전류센서에서 측정되는 압축기 측정 전류와 압축기 전류 추정 모델의 상태 기반 추정 전류를 비교하여 이상상태를 판단할 수 있다.

예를 들어, 응축온도, 증발온도, 압축기별 토출온도, 압축기별 운전 주파수, 압축기별 상전류 중 적어도 하나를 입력인자로 선정하고, 압축기 전류를 출력 인자로 선정하여, 압축기 전류 추정 모델을 학습할 수 있다.

도 9에서는 공기조화기 운전조건별 압축기 전류 추정 결과를 보여준다. 입력레이어, 출력레이어, 3개의 히든레이어로 구성되어있다. 3개의 히든레이어는 각각 20개, 14개, 7개의 노드를 포함하며 활성함수는 ReLU 를 사용한다. 전문가의 도메인 지식에 기반하여 응축온도, 증발온도, 압축기별 토출온도, 압축기 별 운전 주파수, 압축기 별 압축기 상전류를 입력인자로 선정한다.

도 9는 압축기 2대를 포함하는 실외기(21)의 전류 추정 모델을 보여준다. 도 9는 공기조화기(100)가 2개의 압축기를 구비하는 경우에, 응축온도, 증발온도, 제1 압축기의 토출온도(토출온도1), 운전 주파수(압축기 Hz1), 상전류(상전류1)과 제2 압축기의 토출온도(토출온도2), 운전 주파수(압축기 Hz2), 상전류(상전류2)를 입력 인자로 학습하여 압축기 전류를 추정하여 출력하는 경우를 예시한다.

한편, 학습에 사용한 데이터들의 평균과 표준편차를 이용해서 입력인자들을 정규화(normalization)할 수 있다. 서로 다른 범위를 가진 인자들의 정규화 처리를 하지 않을 경우 서로 다른 스케일로 인해 비용 함수가 왜곡되어 경우에 따라서는 학습 속도가 느리고 지역 최적의 상태(local minima)에 빠지는 등 머신러닝 모델의 학습이 효율적으로 이루어지지 않을 수 있다. 따라서, 상기 제어부(370)는, 상기 선정된 입력인자에 대응하는 데이터들을 사전 학습시 정의한 평균과 표준편차로 정규화할 수 있다.

한편, 도 8의 예시와 같이, 상기 제어부(370)는, 싱기 센서부(320)에서 측정되는 압축기 측정 전류와 상기 압축기 전류 추정 모델의 상태 기반 추정 전류의 이동 평균 오차를 산출하고, 산출된 이동 평균 오차와 기준값을 비교하여 상기 이상상태를 판단할 수 있다.

본 개시의 일 실시 예에 따르면, 상기 제어부(370)는, 싱기 센서부(320)에서 측정되는 압축기 측정 전류와 상기 압축기 전류 추정 모델의 상태 기반 추정 전류의 평균 오차를 산출하고, 산출된 평균 오차와 기준값을 비교하여 상기 이상상태를 판단할 수 있다.

본 개시의 일 실시 예에 따르면, 상기 제어부(370)는, 싱기 센서부(320)의 전류센서로 측정한 전류 값에서 상기 압축기 전류 추정 모델이 추정한 추정 전류 값의 차이인 오차를 상기 전류센서가 데이터를 측정할 때마다 상기 저장부(330)에 저장할 수 있다. 본 개시의 일 실시 예에 따르면, 상기 제어부(370)는, 상기 저장된 오차 값의 개수가 기설정된 개수 이상일 경우에 특정 간격으로 이동 평균하여 이동 평균 오차를 계산하고, 상기 계산된 이동 평균 오차가 기설정된 기준 값을 초과하면 압축기 이상으로 판별할 수 있다.

또한, 상기 제어부(370)는, 상기 계산된 이동 평균 오차가 기준 값을 초과했을 때 이동 평균 오차 계산에 사용된 특정 기간동안 입력 인자들의 개별 평균을 계산하고, 상기 계산된 특정기간 입력 인자들의 개별 평균값이 기정의된 각 입력 인자들의 분포상에서 상대적 거리가 가장 먼 입력 인자를 치명 인자로 선정할 수 있다.

도 10 내지 도 13은 본 개시의 실시 예에 따른 공기조화기의 압축기 전류 추정 모델 학습 및 테스트 결과를 도시한 도면들이다.

도 10은 도 9의 압축기 전류 추정 모델에서 사용한 학습데이터의 전류를 추정한 결과를 보여주고, 도 11은 테스트 데이터의 압축기 전류 추정 결과를 보여준다.

도 10의 (a)는, 2번 실외기를 난방저온 상태(실외 온도는 -18도, 실내 온도는 20도 15도)에서 운전시킬 때, 수집된 데이터를 이용한 학습 결과 샘플이다. 도 10의 (a)에서, ANS는 실제 측정전 전류 데이터이고, Predict는 추정 전류 데이터이며, 1번 압축기 평균 오차는 0.203이고, 2번 압축기 평균 오차는 0.269이다.

도 10의 (b)는, 2번 실외기를 난방과부하 부하변동 상태(실외 온도는 24도, 실내 온도는 27도 19도)에서 운전시킬 때, 수집된 데이터를 이용한 학습 결과 샘플이다. 도 10의 (b)에서, ANS는 실제 측정전 전류 데이터이고, Predict는 추정 전류 데이터이며, 1번 압축기 평균 오차는 0.196이고, 2번 압축기 평균 오차는 0.194이다.

도 10의 (c)는, 2번 실외기를 난방저온방치 상태(실외 온도는 -20도, 실내 온도는 20도 15도)에서 운전시킬 때, 수집된 데이터를 이용한 학습 결과 샘플이다. 도 10의 (c)에서, ANS는 실제 측정전 전류 데이터이고, Predict는 추정 전류 데이터이며, 1번 압축기 평균 오차는 0.293이고, 2번 압축기 평균 오차는 0.285이다.

도 11의 (a)는, 3번 실외기를 난방저온 상태(실외 온도는 -15도, 실내 온도는 20도 15도)에서 운전시킬 때 수집된 측정 전류 데이터와 학습된 압축기 전류 추정 모델의 추정 전류를 비교한 테스트 결과 샘플이다. 도 11의 (a)에서 ANS는 실제 측정전 전류 데이터이고, Predict는 추정 전류 데이터이며, 1번 압축기 평균 오차는 0.2이고, 2번 압축기 평균 오차는 0.248이다.

도 11의 (b)는, 4번 실외기를 난방과부하 부하변동 상태(실외 온도는 24도, 실내 온도는 27도 19도)에서 운전시킬 때 수집된 측정 전류 데이터와 학습된 압축기 전류 추정 모델의 추정 전류를 비교한 테스트 결과 샘플이다. 도 11의 (b)에서, ANS는 실제 측정전 전류 데이터이고, Predict는 추정 전류 데이터이며, 1번 압축기 평균 오차는 0.412이고, 2번 압축기 평균 오차는 0.2이다.

도 11의 (c)는, 5번 실외기를 난방저온방치 상태(실외 온도는 -20도, 실내 온도는 10도 8도)에서 운전시킬 때 수집된 측정 전류 데이터와 학습된 압축기 전류 추정 모델의 추정 전류를 비교한 테스트 결과 샘플이다. 도 11의 (c)에서, ANS는 실제 측정전 전류 데이터이고, Predict는 추정 전류 데이터이며, 1번 압축기 평균 오차는 0.262이고, 2번 압축기 평균 오차는 0.149이다.

도 10과 도 11을 참조하면, 다양한 운전 조건 하에서 압축기가 정상운전할 경우에는 센서로 측정한 측정 전류와 압축기 전류 추정 모델로 추정한 추정 전류 값의 차이가 평균 ±0.35A 수준으로 확인됐다.

도 12는 압축기 전류 추정 결과와 각 순간의 결과를 CCDI(Compressor Current Detection Index) 값으로 변경하여 그린 그래프를 보여준다. CCDI는 아래 수학식 1과 같이 정의한다.

도 13에서는 테스트 데이터 결과에 대한 CCDI 분포를 보여준다. 정상상태로 부터 수집한 이 테스트 데이터 CCDI 분포의 6sigma 수준을 압축기 이상 징후 포착 기준 값으로 정의한다.

본 개시의 일 실시 예에 따르면, 이상상태 판단을 위해 인공신경망 기반 모델에 정상상태 운전데이터를 학습시키고, 센서를 통해 현재 시스템 상태를 측정하여 인공신경망 기반 모델이 예상하는 정상상태와 센서가 측정한 현재상태가 얼마나 차이가 나는지를 비교하여 이상상태를 판단할 수 있다.

본 개시의 일 실시 에 따르면 센서부(320)에서 수집되는 데이터를 저장부(330)에 저장하고, 저장부(330)에 저장된 데이터가 학습가능한 데이터인지 판단할 수 있다.

도 14는 본 개시의 일 실시 예에 따른 공기조화기의 현장 학습 로직 개요도이다.

저장부(330)는, 상기 실외기(21)와 상기 실내기(31)가 설치된 현장에서의 운전 중에 상기 센서부(320)에서 수집된 현장 운전데이터를 저장할 수 있다.

상기 제어부(370)는, 상기 센서부(320)에서 수집되는 현장 운전데이터를 상기 저장부(330)에 저장하고, 기설정된 학습주기 동안에 상기 이상상태가 발생하지 않으면, 상기 기설정된 학습주기 동안에 획득된 현장 운전데이터를 이용하여, 상기 운전데이터 추정 모델을 학습할 수 있다.

한편, 상기 제어부(370)는, 상기 기설정된 학습주기 동안에 상기 이상상태가 발생하면, 상기 이상상태가 발생한 시점을 기준으로 새 학습주기를 시작할 수 있다. 즉, 시스템에 이상이 발생하면, 수집된 데이터가 학습에 사용하는 정상 운전데이터가 아니므로, 학습주기를 리셋(reset)할 수 있다.

본 개시의 실시 예에 따르면, 공기조화기(100)가 설치된 후 각 설치 현장에서 센서부(320)를 통하여 데이터를 수집한다. 제어부(370)는, 수집된 데이터의 정상상태 유무를 파악하여, 정상상태일 경우, 해당 데이터를 이용하여 인공신경망 압축기 전류 추정 모델을 현장에서 학습한다.

한편, 현장에서 수집하는 데이터는 사전 학습 단계에서 선정한 치명인자들을 포함하도록 수집할 수 있다. 공기조화기(100)가 설치되고, 정상적으로 시운전을 마친 후 데이터 수집을 시작한다.

도 14에서는 본 개시의 일 실시 예에 따른 현장 학습로직 및 현장 학습 종료에 대한 개요도를 보여준다.

도 14의 예시를 참조하면, 공기조화기(100) 운전시간을 기준으로 특정기간(학습주기) 동안 데이터를 수집하고, 수집된 데이터 기간의 7배에 해당하는 기간동안 학습을 보류한다.

학습을 보류한 기간동안 에러가 발생하지 않았다면 학습보류기간 전에 해당하는 데이터를 정상데이터로 가정하고 인공신경망 압축기 전류 추정 모델을 현장 학습한다.

현장 학습 후, 저장하고 있는 최근 7일 데이터의 전류 추정 오차 평균이 특정 값 이하면 현장 학습을 종료한다. 해당 조건을 만족하지 못할 경우 동일한 방법으로 계속 현장 학습한다. 학습주기 및 정상데이터 판단을 위한 학습보류기간은 관리자에 의해 적절히 조절될 수 있다. 사전 학습단계와 마찬가지로 측정전류와 추정전류의 오차를 최소화하는 방향으로 학습한다.

도 15와 도 16은 압축기 이상상태 판단 및 치명인자 선정을 예시하는 도면들이다.

본 개시의 실시 예에 따른 이상상태 판별 단계(S650, S750)에서는, 인공신경망 압축기 전류 추정 모델을 통해 실시간으로 전류를 추정하고, 측정된 전류와 비교하여 사전에 정의된 기준 값에 대한 초과 유무에 따라 이상징후를 판단할 수 있다.

제어부(370)에서 주기적으로 측정하고 있는 데이터가 갱신될 때마다 후술되는 과정들이 수행된다. 전류 추정 모델 학습에 사용한 입력인자들을 사전 학습시에 정의한 평균과 표준편차로 정규화(Normalization)한다. 정규화된 입력인자들을 현장 학습된 모델을 이용하여 압축기 전류를 추정한다.

제어부(370)는, 실외기(21)에 설치되어 있는 전류센서로 측정한 전류 값에서 전류 추정 모델이 추정한 추정 전류 값을 뺀다. 측정 전류 값에서 추정 전류 값을 오차로 정의한다. 제어부(370)는 데이터가 측정될 때 마다 오차를 계산하고 저장한다. 사전에 정의한 데이터 개수 이상일 경우, 제어부(370)는, 특정 간격으로 이동 평균을 계산한다.

이렇게 계산된 이동 평균 오차가 사전 학습시 정의한 기준 값을 초과할 경우, 제어부(370)는, 압축기 이상으로 판단한다.

도 15에서는 압축기 고장으로 인해 교체된 경우 CCDI 그래프를 보여준다. CCDI 그래프가 처음에는 정상상태와 같이 낮은 수준을 유지하다가 압축기 고장이 발생한 점선(1520)으로 가까워 질수록 앞서 정의한 기준 값(1510)을 초과하며 크게 상승한다. 이렇게 CCDI 값이 기준 값(1510)을 초과하는 경우, 제어부(370)는, 압축기 이상상태로 판단한다.

본 개시의 실시 예에 따른 치명인자를 선정하는 단계(S660, S770)에서는, 이상상태 판별 단계(S650, S750)에서 이동 평균 오차가 기준 값을 초과한 경우에, 입력 인자들 중 어떤 인자로 인해 이상징후가 발생했는지 선정한다. 제어부(370)는, 이동 평균 오차가 기준 값(1510)을 초과했을 때 이동 평균 오차 계산에 사용된 특정 기간동안 입력 인자들의 개별 평균을 계산한다. 계산된 특정기간 입력 인자들의 개별 평균값이 사전 학습에서 정의한 각 입력 인자들의 분포상에서 상대적 거리가 가장 먼 입력 인자를 치명 인자로 선정한다.

도 16에서는 치명인자 선정 실시 예를 보여준다. 도 15에서 기준 값(1510)을 넘은 순간에 입력인자들의 값을 입력인자분포상에서 그려보면 도 16과 같다. 이때, 가장 많이 벗어나있는 값을 치명인자로 선정한다.

도 16에서 X축은 실체 측정값을 나타내고, Y은 빈도를 나타내며, 평균과 표준편차로 평균화하여 도시될 수 있다. 도 16의 (a)는 응축온도, (b)는 증발온도, (c)는 제1압축기의 토출온도, (d)는 제2압축기의 토출온도, (e)는 제1압축기의 상전류, (f)는 제2압축기의 상전류를 나타낸다.

입력 인자들의 개별 평균값이 사전 학습에서 정의한 각 입력 인자들의 분포상에서 상대적 거리가 가장 먼 입력 인자를 치명 인자로 선정하는데, 도 16의 예시에서는, 이상상태가 발생한 점선(1520) 시점에서 평균값 상대적 거리가 가장 먼 입력 인자는 (e)는 제1압축기의 상전류이다. 이와 같은 방식으로 치명인자를 선정할 수 있다.

본 개시의 실시 예에 따르면, 공기조화기(100)의 이상 상태를 판단하고 이상 상태 판단 주요 원인을 자동으로 추출할 수 있다.

제어부(370)는, 센서부(320)에서 수집되는 데이터를 주기적으로 수신하여, 인공신경망을 현장 학습할 수 있다. 이에 따라, 공기조화기(100)가 설치된 현장 특성을 지속적으로 반영함에 따라 공기조화기(100)의 이상상태를 보다 정확하게 판단할 수 있다.

본 개시의 일 실시 예에 따르면, 서비스 엔지니어에게 현재 이상상태에 대한 치명 인자를 통지하여 보다 신속한 대응이 가능할 뿐 아니라, 추출된 치명 인자를 기반으로하는 회피 제어를 통해, 공기조화기(100) 동작에 악영향을 미치는 것을 방지할 수 있으므로 그에 따른 보수를 효율적으로 수행할 수 있다.

본 발명에 따른 공기조화기 시스템 및 그 동작 방법은 상기한 바와 같이 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims

냉매를 압축하는 압축기를 포함하는 실외기;
상기 실외기에 연결되는 적어도 하나의 실내기;
상기 실외기와 상기 실내기의 운전 상태를 센싱하는 복수의 센서를 구비하는 센서부; 및
제어부;를 포함하고,
상기 제어부는,
상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습하고,
상기 센서부에서 측정되는 현재 운전데이터와 상기 학습된 운전데이터 추정 모델에 기초하여, 이상상태를 판별하는 공기조화기.
제1항에 있어서,
상기 운전데이터 추정 모델은,
사전에 수집된 정상데이터로 기학습된 인공신경망이고,
상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터에 기초하여 주기적으로 학습되는 공기조화기.
제1항에 있어서,
상기 제어부는,
상기 학습된 운전데이터 추정 모델에서 추정한 추정 운전데이터와 상기 센서부에서 측정되는 현재 운전데이터의 차이에 기초하여, 이상징후를 포착하고,
상기 이상징후가 포착된 순간의 운전데이터를 이용하여 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정하는 공기조화기.
제3항에 있어서,
상기 제어부는,
기정의한 운전데이터들의 분포상에서, 이상상태라고 판단한 시점의 데이터의 상대적 거리들을 계산하여,
상기 계산된 상대적 거리들 중에서 가장 큰 값을 가지는 운전데이터 인자를 치명인자로 선정하는 공기조화기.
제1항에 있어서,
상기 제어부는,
상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터로 인공신경망 기반의 운전데이터 추정 모델을 학습하는 현장 학습부,
상기 학습된 운전데이터 추정 모델에 기반하여 실시간으로 운전데이터를 추정하는 운전데이터 추정부,
상기 추정된 운전데이터와 상기 센서부에서 측정되는 현재 운전데이터를 비교하는 비교부,
상기 비교부의 비교 결과에 기초하여 이상징후 발생여부를 판단하고, 상기 이상징후가 포착된 순간의 운전데이터를 이용하여 상기 이상상태에 가장 큰 영향을 끼치는 치명인자를 선정하는 판단 선정부를 포함하는 공기조화기.
제1항에 있어서,
상기 실외기와 상기 실내기가 설치된 현장에서의 운전 중에 상기 센서부에서 수집된 현장 운전데이터를 저장하는 저장부;를 더 포함하는 공기조화기.
제6항에 있어서,
상기 제어부는,
상기 센서부에서 수집되는 현장 운전데이터를 상기 저장부에 저장하고,
기설정된 학습주기 동안에 상기 이상상태가 발생하지 않으면, 상기 기설정된 학습주기 동안에 획득된 현장 운전데이터를 이용하여, 상기 운전데이터 추정 모델을 학습하는 공기조화기.
제6항에 있어서,
상기 제어부는,
상기 기설정된 학습주기 동안에 상기 이상상태가 발생하면, 상기 이상상태가 발생한 시점을 기준으로 새 학습주기를 시작하는 공기조화기.
제1항에 있어서,
상기 제어부는,
응축온도, 증발온도, 압축기별 토출온도, 압축기별 운전 주파수, 압축기별 상전류 중 적어도 하나를 입력인자로 선정하고, 압축기 전류를 출력 인자로 선정하여, 압축기 전류 추정 모델을 학습하는 공기조화기.
제9항에 있어서,
상기 제어부는,
싱기 센서부에서 측정되는 압축기 측정 전류와 상기 압축기 전류 추정 모델의 상태 기반 추정 전류의 평균 오차를 산출하고, 산출된 평균 오차와 기준값을 비교하여 상기 이상상태를 판단하는 공기조화기.
제9항에 있어서,
상기 제어부는,
싱기 센서부에서 측정되는 압축기 측정 전류와 상기 압축기 전류 추정 모델의 상태 기반 추정 전류의 이동 평균 오차를 산출하고, 산출된 이동 평균 오차와 기준값을 비교하여 상기 이상상태를 판단하는 공기조화기.
제9항에 있어서,
상기 제어부는,
상기 선정된 입력인자에 대응하는 데이터들을 사전 학습시 정의한 평균과 표준편차로 정규화(normalization)하는 공기조화기.
제9항에 있어서,
상기 제어부는,
상기 센서부의 전류센서로 측정한 전류 값에서 상기 압축기 전류 추정 모델이 추정한 추정 전류 값의 차이인 오차를 상기 전류센서가 데이터를 측정할 때마다 상기 저장부에 저장하는 공기조화기.
제13항에 있어서,
상기 제어부는,
상기 저장된 오차 값의 개수가 기설정된 개수 이상일 경우에 특정 간격으로 이동 평균하여 이동 평균 오차를 계산하고,
상기 계산된 이동 평균 오차가 기설정된 기준 값을 초과하면 압축기 이상으로 판별하는 공기조화기.
제14항에 있어서,
상기 제어부는,
상기 계산된 이동 평균 오차가 기준 값을 초과했을 때 이동 평균 오차 계산에 사용된 특정 기간동안 입력 인자들의 개별 평균을 계산하고,
상기 계산된 특정기간 입력 인자들의 개별 평균값이 기정의된 각 입력 인자들의 분포상에서 상대적 거리가 가장 먼 입력 인자를 치명 인자로 선정하는 공기조화기.
제1항에 있어서,
이상이 있는 것으로 판별된 경우에, 상기 판별된 이상 상태에 대한 정보를 출력하는 출력부;를 더 포함하는 공기조화기.
제1항에 있어서,
이상이 있는 것으로 판별된 경우에, 상기 판별된 이상 상태에 대한 정보를 서버로 전송하는 통신부;를 더 포함하는 공기조화기.