KR20240012814A - 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법 - Google Patents

인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법 Download PDF

Info

Publication number
KR20240012814A
KR20240012814A KR1020220090246A KR20220090246A KR20240012814A KR 20240012814 A KR20240012814 A KR 20240012814A KR 1020220090246 A KR1020220090246 A KR 1020220090246A KR 20220090246 A KR20220090246 A KR 20220090246A KR 20240012814 A KR20240012814 A KR 20240012814A
Authority
KR
South Korea
Prior art keywords
data
unit
database
refrigeration unit
delivery vehicle
Prior art date
Application number
KR1020220090246A
Other languages
English (en)
Inventor
조은비
Original Assignee
주식회사 로드맵
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 주식회사 로드맵 filed Critical 주식회사 로드맵
Priority to KR1020220090246A priority Critical patent/KR20240012814A/ko
Publication of KR20240012814A publication Critical patent/KR20240012814A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00007—Combined heating, ventilating, or cooling devices
    • B60H1/00014—Combined heating, ventilating, or cooling devices for load cargos on load transporting vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/0065—Control members, e.g. levers or knobs
    • B60H1/00657—Remote control devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Devices That Are Associated With Refrigeration Equipment (AREA)

Abstract

본 발명은 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템에 관한 것이다. 본 발명은 임베디드 시스템, 서버, 통합관제부로 각각 구성되며, 네트워크를 통해 서로 연결되며, 상기 임베디드 시스템은 네트워크로 액세스를 수행하는 콜드체인 배송차량의 냉동부최적 제어시스템에 있어서, 상기 임베디드 시스템이 통신을 통해 상기 통합관제부로부터 데이터를 수신하며, 상기 데이터의 종류로는 센서, 도어, 영상, 장치상태, 냉동부의 동작, 배터리팩, 압축기 및 가동 시간의 데이터를 제공받은 뒤, 네트워크를 통해 제공함에 따라, 상기 획득한 데이터를 데이터베이스에 DB화하여 저장할 뿐만 아니라, 상기 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 스스로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하는 서버 및 상기 네트워크를 통하여 상기 데이터베이스로 액세스 이후, 상기 데이터베이스 상의 데이터 및 가공 데이터를 통한 최적의 제어를 할수 있는 통합관제부를 포함하는 것을 특징으로 하는 것이다.

Description

인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어시스템 {Refrigerator best control system of cold-chain delivering vehicle based on artificial intelligence}
본 발명은 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어시스템에 관한 것으로, 더욱 자세하게는 콜드체인 배송 차량별로 각각의 운행 스타일을 인공지능으로 분석하여 탑재된 냉동부를 최적으로 제어하는 시스템에 관한 것이다.
콜드체인은 저온을 유지시킨 상태에서의 식료품 유통 과정을 말한다. 그리고, 스마트 콜드체인 관리는 저온의 냉장 및 냉동 물류에 있어서 RFID/ USN을 이용하여 원자재, 제조, 물류, 유통 등의 밸류 체인 전반을 지능화하여 물류 안전을 관리하는 시스템으로 알려져 있다.
즉, 온도 관리가 필요한 제품의 포장, 운송, 취급, 저장, 유통, 배달 등 유통 과정의 전반에서 온도를 낮게 유지하여 품질과 안전을 보장하는 저온 유통의 시스템으로서, 신선 물류라고도 한다.
이러한 콜드체인의 주요 단계인 생산, 포장, 저장, 운송, 도소매, 소비자, 그리고 각 단계마다 필요한 적재 및 하역단계 전(全) 주기를 실시간으로 식품과 농산물을 정온 관리 시스템과 실시간 관제가 이루어지고 있지 않은 실정이다.
보통, 신선식품 및 냉동식품에 대한 유통에 있어서 콜드체인 배송차량의 운행에 대한 상태를 모니터링하여 적절하게 제어하는 것은 매우 중차대한 것이다.
이러한 배송차량을 운행하는 배송 기사의 차량 운행 스타일을 인공지능을 이용한 개발이 중차대하게 부각되어 오고 있다.
따라서, 본 발명에서는 배송차량 기사의 운행 스타일에 맞는 분석하여, 개인의 운전 스타일을 이용한 배송차량에 탑재된 냉장, 냉동부등과 같은 냉동장치를 최적으로 제어하는 방법에 관한 기술을 제공하고자 한다.
대한민국 특허공개 제2016-0089505호 대한민국 특허공개 제2018-0138372호 대한민국 특허공개 제2019-0134906호
따라서, 본 발명은 본 발명은 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고, 이를 스스로 학습하는 머신러닝을 응용하여 이를 적용시킬 수 있는 콜드체인 배송차량에 탑재된 냉동장치인 냉동부의 최적 제어시스템을 제공할 수 있는 것을 목적으로 한다.
또한, 배송차량의 운행자의 운용 상황과 계절에 따른 알고리즘을 학습시켜 분석하는 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템을 제공할 수 있는 것을 목적으로 한다.
이러한 문제를 해결하기 위하여 본 발명은 임베디드 시스템, 서버, 통합관제부로 각각 구성되며, 네트워크를 통해 서로 연결되며, 상기 임베디드 시스템은 네트워크로 액세스를 수행하는 콜드체인 배송차량의 냉동부 최적 제어시스템에 있어서, 상기 임베디드 시스템이 통신을 통해 상기 통합관제부로부터 데이터를 수신하며, 상기 데이터의 종류로는 센서, 도어, 영상, 장치상태, 냉동부의 동작, 배터리팩, 압축기 및 가동 시간의 데이터를 제공받은 뒤 네트워크를 통해 제공함에 따라, 상기 획득한 데이터를 데이터베이스에 DB화하여 저장할 뿐만 아니라, 상기 데이터베이스에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 스스로 기계학습하는 머신러닝을 적용시켜 상기 콜드체인 배송차량의 데이터를 가공하는 서버 및 상기 통합관제부에 설치되며, 네트워크를 통하여 상기 데이터베이스로 액세스 이후, 상기 데이터베이스 상의 데이터 및 가공 데이터를 통한 최적의 제어를 할수 있는 통합관제부 프로그램을 포함하는 것을 특징으로 하는 것이다.
또한, 상기 서버용 프로그램은 냉동부의 데이터 및 이전의 데이터, 상기 냉동부의 설치 환경에 따른 데이터를 취합하여, 서로 비교 및 분석하여 패턴화하는 것을 특징으로 하는 것이다.
또한, 상기 임베디드 시스템은, 상기 냉동부로부터 수집 데이터로 진동, 전력, 온도를 통합 수신한 후, 상기 네트워크를 통해 상기 서버로 전송하는 것을 특징으로 하는 것이다.
또한, 상기 서버는 빅데이터부가 형성되어, 상기 데이터베이스를 이용하여 상기 배송차량의 운행 스타일을 머신러닝을 통한 기계학습을 하여, 배송 차량별 운전 특성을 확보하는 것을 특징으로 하는 것이다.
상기 서버는 빅데이터부가 형성되어, 상기 데이터베이스와 연동하여 상기 배송차량의 운행 스타일을 머신러닝을 통한 기계학습을 하여, 배송 차량별 운전 특성을 확보하는 것을 특징으로 하는 것이다.
또한, 상기 빅데이터부는 냉동부의 데이터 및 이전의 데이터, 상기 냉동부의 설치 환경에 따른 데이터를 모두 취합하여, 상기 데이터를 수집, 가공, 저장, 분석, 표현하는 것을 특징으로 하는 것이다.
따라서, 본 발명은 배송차량의 운전자의 운행 스타일을 분석하여 빅데이터 처리를 하여 획득한 데이터를 통해서 냉동부의 제어가 최적화될수 있도록 하기 위한 인공지능 기반의 콜드체인 배송차량의 최적 제어시스템을 제공할 수 있는 효과가 있는 것이다.
또한, 본 발명은 데이터베이스에 저장된 데이터를 수집하여 빅데이터화시켜 이를 스스로 학습하는 인공지능 머신러닝을 응용하여 최적의 제어시스템을 제공할 수 있는 효과가 있는 것이다.
도 1은 본 발명의 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템의 구성도.
도 2는 임베디드 시스템의 하드웨어 구성도.
도 3은 빅데이터를 이용한 데이터 처리순서를 나타내는 흐름도.
도 4는 머신러닝을 이용하여 데이터를 분석하는 방법을 나타낸 도면.
도 5는 분석모델을 설명하기 위한 의사결정나무의 예시도.
도 6은 머신러닝을 이용한 데이터 처리 구조도.
도 7은 냉동부 최적 제어 방법의 흐름도.
도 8은 딥러닝을 이용한 콜드체인 배송차량의 냉동부 최적 제어시스템의 구성도.
도 9는 딥러닝을 이용한 제어시스템에서 임베디드 시스템의 블록도,
도 10은 딥러닝을 이용한 콜드체인 배송차량 운전자의 숙련도 판단방법의 흐름도.
이하에서는 본 발명의 양호한 실시예를 첨부된 도면을 참조하여 상세히 설명한다. 우선 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시가 되더라도 가능한 한 동일 부호를 가지도록 하고 있음에 유의하여야 한다.
또한, 하기에서 본 발명을 설명함에 있어 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위하여 사용된 것에 불과하므로, 본 발명을 한정하려는 의도가 아니며 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현도 의미하는 것임을 미리 밝혀두고자 한다.
도 1은 본 발명의 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어시스템의 구성도이고, 도 2는 임베디드 시스템의 하드웨어 구성도이고, 도 3은 빅데이터를 이용한 데이터 처리순서를 나타내는 흐름도이고, 도 4는 머신러닝을 이용하여 데이터를 분석하는 방법을 나타낸 도면이고, 도 5는 분석모델을 설명하기 위한 의사결정나무의 예시도이고, 도 6은 머신러닝을 이용한 데이터 처리 구조도이고, 도 7은 냉동부최적 제어 방법의 흐름도이고, 도 8은 딥러닝을 이용한 콜드체인 배송차량의 냉동부 최적 제어시스템의 구성도이고, 도 9는 딥러닝을 이용한 제어시스템에서 임베디드 시스템의 블록도이고, 도 10은 딥러닝을 이용한 콜드체인 배송차량 운전자의 숙련도 판단방법의 흐름도이다.
도 1을 참조하면, 본 발명에 의한 콜드체인 배송차량의 냉동부최적 제어시스템은 임베디드 시스템(100), 서버(200), 통합관제부(300)로 크게 구성된다.
즉, 본 발명의 냉동부 최적 제어시스템은 냉동부(10)로부터 데이터를 수신하는 임베디드 시스템(100), 상기 임베디드 시스템(100)으로부터 상기 데이터를 전송받는 서버(200), 제어된 내용을 확인하는 통합관제부(300)로 구성되며, 네트워크를 통해 연결되고, 상기 임베디드 시스템(100)은 네트워크로 액세스를 수행하는 것을 특징으로 한다. 다시 말해, 임베디드 시스템(100), 서버(200), 통합관제부(300)는 각각 모두 네트워크를 통해 서로 연결된다.
참고로, 상기 콜드체인 배송차량이란, 신선도가 생명인 식료품을 저장하고 신선식품 및 냉동식품에 대한 유통을 하기 위해, 냉동부(10)가 탑재되어 있는 배송차량이다.
상기 네트워크는 대용량, 장거리 음성 및 데이터 서비스가 가능한 대형 통신망의 고속 기간 망인 통신망이며, 인터넷 또는 고속의 멀티미디어 서비스를 제공하기 위한 차세대 유선 및 무선망일 수 있다. 상기 네트워크가 이동통신망일 경우 동기식 이동 통신망일 수도 있고, 비동기식 이동 통신망일 수도 있다. 비동기식 이동통신망의 일 실시예로서, WCDMA(Wideband Code Division Multiple Access) 방식의 통신망을 들 수 있다.
도 2를 보면, 임베디드 시스템(100)은 DC 24V 전원 입력 및 DC 5V, DC 3.3V 생성을 수행하며, ADC 4채널(전압 및 전류타입 선택 가능), 디지털 입력 2채널, 디지털 릴레이 출력 2채널, 디지털 트랜지스터 출력 2채널, RS485 통신을 수행할 수 있다. 상기 임베디드 시스템(100)의 구성요소의 도면부호는 생략하기로 한다.
상기 임베디드 시스템(100)은 RS485 통신을 통해 배송차량(미도시)에 부착된 IoT 센서(미도시)로부터 데이터 수신하며, 데이터의 종류로는 배터리 전압 등의 정보, 냉각수 온도(기본), 온도 및 습도 센서, 역률, 히터 온도, 도어 데이터 등을 제공받을 수 있다.
상기 임베디드 시스템(100)은 네트워크로 액세스를 수행할수 있으며, 상기 임베디드 시스템(100)은, 냉동부(10)로부터 수집 데이터를 통합 수신한 후, 상기 네트워크를 통해 서버(200)로 전송한다.
여기서, 상기 냉동부(10)는 앞에서도 간단히 언급했지만, 탑차 형태의 콜드체인 배송차량에 구비되어 있는 냉동 냉장시스템을 의미한다.
상기 서버(200)가 구동되면, 빅데이터부(200a)와 함께 자동으로 실행되어 냉동부(10)와 연결된 임베디드 시스템(100)으로부터 데이터를 수신할 준비를 한다.
상기 서버(200)는 TCP/IP(or UDP) 서버로서, 임베디드 시스템(100)과는 TCP/IP(또는 UDP) 통신으로 데이터를 송수신하며, 통신 프로토콜은 전용 프로토콜을 사용함으로써 보완성을 높일 수 있다.
상기 서버(200)를 통하여 데이터를 데이터베이스(200b)에 저장하고, 데이터베이스(200b)를 관리하는 역할도 하는 것이다.
또한, 상기 데이터베이스(200b)에는 서버(200)의 빅데이터부(200a)를 통해 획득되어 머신러닝을 기반으로 학습되어 분석된 데이터가 저장되며, 통합관제부(300)를 통하여 사용자에게 데이터가 제공되는 형태이다.
한편, 데이터베이스(200b)의 기능은 콜드체인 배송차량의 냉동부(10)로부터 획득된 여러 가지 정보(데이터)를 서버(200)에 의해 제공받아 DB화하여 저장함으로써, 사용자가 필요로 하는 여러 가지 형태의 데이터로 가공하여 제공할 수 있도록 한다.
그리고, 상기 서버(200)는 상기 임베디드 시스템(100)이 통신을 통해 데이터를 수신하는데, 상기 데이터의 종류로는 냉동부(10) 내부의 온도와 습도 등의 센서, 배송 차량의 도어, 영상, 냉동부(10) 장치의 상태, 상기 냉동부(10)의 동작, 배터리 팩, 압축기 및 가동 시간 등과 같은 데이터를 제공받은 뒤, 네트워크를 통해 상기 획득한 데이터를 빅데이터부(200a)에 제공하고, 동시에 데이터 베이스(200b)에 DB화하여 저장한다.
또한, 상기 빅데이터부(200a)에 제공된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 스스로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하는 것이다. 상기 머신러닝을 이용하여 최적 제어하는 알고리즘에 대한 자세한 설명은 후술(後述)하기로 한다.
또한, 서버(200)는 상기 빅데이터부(200a)를 통하여 데이터베이스(200b)에 설치된 분산 파일 프로그램에 의해 데이터베이스(200b)를 구분한 분할 섹션 DB에 냉동부(10)의 부품 등 카테고리 별로 분산 저장된 수집 데이터를 머신러닝 알고리즘을 통해 분석하고 최적 제어를 수행할 수 있다.
그리고, 상기 서버(200)에는 빅데이터부(200a)가 형성되어, 이를 이용하여 상기 배송차량의 운행 스타일 등을 머신러닝을 통한 기계학습을 하여, 배송 차량별 냉동부(10)의 특성을 확보한다.
보다 구체적으로, 서버(200)의 빅데이터부(200a)에서 사용되는 머신러닝 알고리즘은 결정 트리(DT, Decision Tree) 분류 알고리즘, 랜덤 포레스트 분류 알고리즘, SVM(Support Vector Machine) 분류 알고리즘 중 하나일 수 있다.
상기 빅데이터부(200a)는 주기적으로 임베디드 시스템(100)으로부터 데이터를 획득하여 데이터 베이스(200b)에 저장하는 기능을 담당한다.
그리고, 상기 빅데이터부(200a)는 분산 파일 프로그램에 의해 분할 섹션 DB에 분산 저장된 수집 데이터를 분석하여 그 분석한 결과로 다수의 특징 데이터를 추출하고 추출된 특징 데이터를 복수의 머신러닝 알고리즘 중 적어도 하나 이상을 이용하여 학습하여 학습한 결과로 이상 상태 여부를 판단할 수 있다.
상기 빅데이터부(200a)는 상기 냉동부(10)의 데이터 및 이전의 데이터, 상기 냉동부(10)의 설치 또는 설치환경에 따른 데이터를 모두 취합하여, 상기 데이터를 수집, 가공, 저장, 분석, 표현한다.
도 3을 참조하면, 상기 빅데이터부(200a)를 이용하여 머신러닝을 통하여, 상기 데이터를 가공, 처리 및 저장, 분석, 사용자에게 표현하는 흐름도인데, 이하에서는 이에 대하여 설명하기로 한다.
1. 데이터 수집
먼저, 콜드체인 배송차량의 공공데이터, 센서데이터, 상태 데이터, 배터리 정보, 위치 정보 등을 수집하게 된다.
2. 데이터 가공
상기와 같이 데이터를 수집하면 데이터 가공의 순서를 거치는데, 데이터가공은 데이터 간의 변동과 편차가 큰 경우, 데이터 정규화를 진행할 목적으로 가공한다. 이하, 데이터 가공을 처리하기 위한 식이다.
3. 데이터 처리와 저장
데이터 저장은 분산파일시스템(HDFS : Hadoop Distributed File System)을 이용하여 데이터를 나누어 분산하여 서버(200)에 빅데이터를 저장시키는 방식이다.
4. 데이터 분석
상기 데이터의 분석은 머신러닝(기계학습)을 이용하여 지도학습을 통하여 분석하는 방법을 사용한다.
도 4를 보면 머신러닝을 이용하여 분석하는 과정을 나타내는 도면이다.
머신러닝을 이용하는 학습은 지도학습, 비지도 학습, 강화학습 중에서 선택되는 어느 하나인데, 본 발명에서는 지도학습을 사용하는 것이다.
상기 지도학습 알고리즘은 주어진 훈련 데이터를 통해 이전에는 보이지 않던 데이터 패턴을 찾는다. 즉, 지도학습의 목표는 기계에 맵핑 기능을 제공하는 것이다. 다라서, 충분한 데이터가 제공되면 지도학습 알고리즘은 명확한 프로그래밍이나 지시 없이도 데이터의 패턴을 인식하고 응답하는 방법을 학습하게 된다.
또한, 지도학습은 일반적으로 분류 작업에 사용되며, 여기에서 입력된 데이터를 2개 이상의 영역(예, 합격/불합격, 동의/중립/반대 등)으로 나눠 분류하거나, 새롭게 입력받은 데이터의 추세가 어디에 포함되는지 예측하는 회귀 작업을 한다.
따라서, 상기 머신러닝의 알고리즘은 지도학습은 분류(classification)와 회귀(regression)를 이용하여 분석모델을 적용하는 방식이다.
상기 분류는 추측하고 싶은 결과가 이름 혹은 문자인 것이다. 예를 들면, 사과 vs 배, 남자 vs 여자, 사자 vs 호랑이 등으로 이름을 정의하고 과일과 성별, 동물을 구분할 수 있다. 따라서, 지도학습에 해당하므로 이름이 붙은(레이블링이 된) 데이터셋이 있어야 하고, 여러번의 훈련을 통해 그것이 무엇인지 알고 있어야 새롭게 입력된 자료를 분류된 하나로 인식할 수 있게 된다.
상기 회귀는 예측하고 싶은 종속변수가 숫자일 때, 기존에 알고 있는 데이터를 바탕으로 앞으로 일어날 사건이나 기존의 사건을 추론하는 학습 방법이다. 이것은 통계적으로 분석하는 방법인 것이다.
상기와 같은 분류와 회귀를 분석모델의 적용범위로서, 본 발명에 의한 냉장 냉동부최적 제어시스템을 구성하기 위하여 대입시키면 이하와 같다.
1) 분류
(1) 지역> 운영업체(예; 이마트, SSG, 롯데마트 등) > 소속회사(어느 물류회사인지) > 차량번호 > 차종(예 : 1톤, 2.5톤, 5톤, 10톤 등) > 냉동부모델 구분 등
(2) 주변 전기차충전소 알림 : GPS 위치기반, 공공 데이터 이용, 주변충전소(충전기 정보: 급속, 완속) 매칭 → 회귀 알고리즘과 대체 또는 병행가능
(3) 냉장, 냉동시스템 이상 여부: 주변온도, 가동 시간을 토대로 하여 탑내부 온도를 확인하여 판단 → 회귀 알고리즘과 대체 또는 병행가능
(4) 밸브(미도시), 모터 FAN(미도시), 압축기(미도시), 배터리팩(미도시) 등의 부품 고장 여부 : Open or Short 상태, 압축기, 배터리팩은 컨트롤러에 자체 오류 데이터 전송
(5) 온도, 습도데이터의 이상 여부 : 정상범위 이외 값인지 여부
2) 회귀
(1) 가동예약: 차량운행전에 미리 냉동부(5)를 가동하여, 가동전 내부 온도를 측정하여, 가동 최적 타이밍을 선택
(2) 자동제상 : 외부온도, 탑 내부 온도, 탑 내부 습도를 계산하여 적상(증발기 성에 발생) 조건시, Hot gas 방식의 제상 실행
(3) 최적화동선: 현재의 GPS 위치를 기반으로 하여 교통정보와 연동하여 목적지까지 가장 빠른 경로를 전달
(4) 부품교체 및 점검시기 : 밸브, 모터FAN, 압축기 등 냉동부의 각 부품의 누적 동작시간과 데이터쉬트(Data sheet)의 수명을 비교하여 예측
(5) 배터리팩의 충전 예정 시간 : 배터리팩에서 전달된 SOC 값, 가동전력누적평균과 온도에 따른 SOC 하강률을 비교하여, 얼마 후에 충전할지 예측 → 저온상태에서 배터리 성능이 급속도로 하강하는 문제를 사전에 파악할 수 있으므로, 배터리 가용 예상시간도 파악 가능
(7) 냉장, 냉동 알고리즘의 최적 제어 : 문 열린 시간, 주기, 탑 내부온도데이터 변화를 바탕으로 모터FAN, 압축기의 RPM, 밸브 On/Off 타이밍 조정
상기 분류와 회귀를 위한 분석모델의 적용은 의사결정 나무(Decision tree)를 참조하는데, 데이터를 분석하여 이들 사이에 존재하는 패턴을 예측 가능한 규칙들의 조합으로 나타내며, 나무 형태랑 비슷하다고 하여 의사결정 나무라고 호칭하는 것이다. 도 5는 분석모델을 설명하기 위한 의사결정나무의 예시도이다. 즉, 나무 구조로 도표화시켜 분류를 통한 예측을 수행하는 것이다.
5. 통합관제부(300)에의 표시부(미도시)에 디스플레이
상기 데이터 처리 과정을 통한 데이터를 디스플레이를 통하여 표시함으로서, 외부에서 시각화할 수 있는 것이다.
이와 같이, 데이터베이스(200b)에는 서버(200)의 빅데이터부(200a)를 통하여 상기 머신러닝을 이용한 과정을 통하여 획득된 데이터가 저장되며, 통합관제부(300)를 통하여 사용자에게 데이터가 제공된다.
통합관제부(300)는 네트워크를 통하여 상기 데이터베이스(200b)로 액세스한 다음, 상기 데이터베이스(200b) 상의 데이터 및 가공 데이터를 이용하여 최적의 제어를 할수 있는 것이다. 도 6은 머신러닝을 이용한 통합관제부(300)의 데이터 처리 구조도이다.
즉, CPU or 마이크로프로세서의 내부에서 처리 불가능한 대용량, 고속처리, 복잡한 알고리즘 계산이 필요한 빅데이터는 서버(200)를 통해 처리할수 있는 것이다.
이하, 도면을 참조하여 콜드체인 배송차량에 구비된 냉동부(10)의 최적 제어 방법을 설명하기로 한다.
도 7을 보면, 먼저, 콜드체인 배송차량의 데이터를 임베디드 시스템(100)을 통하여 서버(200)로 전송하게 된다(제1단계).
상기 제1단계에서 상기 배송차량의 냉동부(10)를 비롯한 여러 부분에 IoT(사물인터넷) 센서가 형성되어 이를 통하여 상기 임베디드 시스템(100)으로 전송하게 되는 것이다. 상기 임베디드 시스템(10)은 네트워크를 통하여 상기 데이터를 서버(200)로 재전송한다.
다음으로, 상기 서버(20)는 데이터를 빅데이터부(200a)에 제공하고, 데이터베이스(200b)에 저장하게 된다(제2단계). 상기 데이터는 냉동부(10)의 내부 온, 습도, 문열림신호, 배터리팩 정보, 압축기(미도시) 정보, GPS를 통한 위치추적 등이다.
상기 빅데이터부(200a)에 제공된 데이터는 내부의 머신러닝 알고리즘을 통하여 데이터를 수집, 가공, 저장 및 처리한다(제3단계). 상기 내부 머신러닝 알고리즘을 통한 데이터 처리방식에 대하여 앞서 실싱PDP서 언급하였으므로 생략하기로 한다.
상기 머신러닝을 기반으로 하여 차량 운전자의 운행 스타일을 학습한다(제4단계).
예를 들어, 배송차량의 도어가 열리고 닫히는 센서(미도시) 데이터로 감지하여 이를 모니터링하여 평균 데이터를 추출하여 학습하고, 배송차량이 만약, 전기차일 경우에 충전 배터리의 소모 전력과 외부 온도에 따른 배터리 용량의 감소 속도를 실시간으로 분석하여 충전 예상시간을 예측한다.
또한, 차량 운행자가 배송차량의 문을 열고 닫을때, 냉기가 급속히 외부로 빠지면서 온도가 상승하게 되는데, 이를 머신러닝 알고리즘을 적용하여, 향후에 내부온도와 전력소비를 효율적으로 최적화시킬수 있는 것이다.
상기 제4단계를 통한 학습을 토대로 하여 최적의 예측을 하여 냉동부(10)의 최적 제어를 하는 것이다(제5단계).
따라서, 상기와 같은 머신러닝을 기반으로 통계적인 학습을 통하여 각 배송차량의 운행 스타일을 분석한 냉동부(10)의 최적 제어를 통해서 이를 테면, 대형 유통업체 또는 물류업체의 경우, 정해진 지역에 정해진 시간에 차질없는 배송도 진행이 가능한 것이다.
또한, 사용자의 운용상황에 따라 배터리의 소모량에도 차이가 발생하게 되는데, 최적으로의 제어가 가능하므로, 냉동부(10)의 유지와 관리를 최적으로 할수 있는 효과도 별도로 얻게 되는 것이다.
이하에서는 도면을 첨부하여 딥러닝(deep-learning)을 이용한 임베디드 시스템(100), 서버(200), 통합 관제부(300)로 이루어진 콜드체인 배송차량의 냉동부최적 제어시스템에 대한 설명을 하기로 한다.
도 8을 참조하면, 상기 서버(200)는 내부의 데이터베이스(200b)에 저장된 프로그램을 이용하여 신경망을 학습할 수 있다. 특히, 상기 서버(200)는 AI 모빌리티 관련 데이터를 인식하기 위한 신경망을 학습할 수 있다. 여기서, AI 모빌리티 관련 데이터를 인식하기 위한 신경망은 인간의 뇌 구조를 컴퓨터 상에서 모의하도록 설계될 수 있으며, 인간의 신경망의 뉴런을 모의하는 가중치를 갖는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 모드들은 뉴런이 시냅스(synapse)를 통해 신호를 주고 받는 뉴런의 시냅틱 활동을 모의하도록 각각 연결 관계에 따라 데이터를 주고 받을 수 있다.
여기서 신경망은 신경망 모델에서 발전한 딥러닝 모델을 포함할 수 있다. 상기 딥 러닝 모델에서 복수의 네트워크 노드들은 서로 다른 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고 받을 수 있다. 신경망 모델의 예는 심층 신경망(DNN, deep neural networks), 합성곱 신경망(CNN, convolutional deep neural networks), 순환 신경망(RNN, Recurrent Boltzmann Machine), 제한 볼츠만 머신(RBM, Restricted Boltzmann Machine), 심층 신뢰 신경망(DBN, deep belief networks), 심층 Q-네트워크(Deep Q-Network)와 같은 다양한 딥러닝 기법들을 포함하며, 컴퓨터비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
데이터베이스(200b)는 본 발명의 실시예에 의한 최적 제어시스템의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 데이터베이스(200b)는 메모리형태로서의 구현도 가능하며 예로서, 비 휘발성 메모리, 휘발성 메모리, 플래시 메모리, 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SDD) 등이 있다.
또한, 데이터베이스(200b)는 서버(200)에 의해 액세스되며, 상기 서버(200)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
또한, 데이터베이스(200b)는 본 발명의 일 실시예에 따른 데이터 분류/인식을 위한 학습 알고리즘을 통해 생성된 신경망 모델(예를 들어, 딥 러닝 모델())을 저장할 수 있다.
한편, 서버(200)는 데이터 분류/인식을 위한 신경망을 학습하는 빅데이터부(200a)를 포함할 수 있다. 상기 빅데이터부(200a)는 데이터 학습부(미도시)가 내장되어, 데이터 분류/인식을 판단하기 위하여 어떤 학습 데이터를 이용할지, 학습 데이터를 이용하여 데이터를 어떻게 분류하고 인식할지에 관한 기준을 학습할 수 있다. 빅데이터부(200a)는 학습에 이용될 학습 데이터를 획득하고, 획득된 학습데이터를 딥러닝 모델에 적용함으로써, 딥러닝 모델을 학습할 수 있다.
빅데이터부(200a)는 적어도 하나의 하드웨어 칩 형태로 제작되어 서버(200)에 탑재될 수 있다. 예를 들어, 상기 빅데이터부(200a)는 인공지능(AI)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 범용 프로세서(CPU) 또는 그래픽 전용 프로세서(GPU)의 일부로 제작되어 서버(200)에 탑재될 수도 있다.
또한, 빅데이터부(200a)는 소프트웨어 모듈로 구현될 수 있다. 소프트웨어 모듈(또는 인스트럭션을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록 매체에 저장될 수 있다. 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 애플리케이션에 의해 제공될 수 있다.
빅데이터부(200a)는 학습 데이터 획득부(210) 및 모델 학습부(220)를 포함할 수 있다.
학습 데이터 획득부(210)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 예를 들어, 학습 데이터 획득부(210)는 학습 데이터로서, 신경망 모델에 입력하기 위한 AI 모빌리티 데이터 및/또는 샘플 데이터를 획득할 수 있다.
모델 학습부(220)는 상기 획득된 학습 데이터를 이용하여, 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(220)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 신경망 모델을 학습시킬 수 있다.
또는 모델 학습부(220)는 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 신경망 모델을 학습시킬 수 있다. 또한, 모델 학습부(220)는 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여, 신경망 모델을 학습시킬 수 있다.
또한, 모델 학습부(220)는 오류 역전파법(error back-propagation) 또는 경사 하강법을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
신경망 모델이 학습되면, 모델 학습부(220)는 학습된 신경망 모델을 데이터베이스(200b)에 저장할 수 있다. 모델 학습부(220)는 학습된 신경망 모델을 서버(200)의 별도 메모리(미도시)에 저장할 수도 있다.
빅데이터부(200a)는 인식 모델의 분석 결과를 향상시키거나, 인식 모델의 생성에 필요한 리소스 또는 시간을 절약하기 위해 학습 데이터 전처리부(미도시) 및 학습 데이터 선택부(미도시)를 더 포함할 수도 있다.
학습 데이터 전처리부는 획득된 데이터가 상황 판단을 위한 학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 예를 들어, 학습 데이터 전처리부는 모델 학습부(220)가 이미지 인식을 위한 학습을 위하여 획득된 학습 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다.
또한, 학습 데이터 선택부는 학습 데이터 획득부(210)에서 획득된 학습 데이터 또는 전처리부에서 전처리된 학습 데이터 중 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(220)에 제공될 수 있다.
예를 들어, 학습 데이터 선택부는 콜드체인 배송차량을 카메라를 통해 획득한 영상 중 특정 영역을 검출함으로써, 특정 영역에 포함된 객체에 대한 데이터만을 학습 데이터로 선택할 수 있다.
또한, 빅데이터부(200a)는 신경망 모델의 분석 결과를 향상시키기 위하여 모델 평가부(미도시)를 더 포함할 수도 있다.
상기 모델 평가부는 신경망 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 분석 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(220)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인식모델을 평가하기 위한 기 정의된 데이터일 수 있다. 일 예로, 모델 평가부는 평가 데이터에 대한 학습된 인식모델의 분석 결과 중, 분석 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정되 임계치를 초과하는 경우, 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
임베디드 시스템(100)에서는 상기 서술한 서버(200)에 의한 제어 결과를 통합관제부(300) 또는 외부 단말기(미도시) 등으로 전송할 수 있다.
이하, 도면을 참조하여 본 발명의 콜드체인 배송차량의 딥러닝을 이용한 최적 제어시스템에서 임베디드 시스템(100)에 대한 설명을 하기로 한다.
도 9에 도시된 바와 같이, 임베디드 시스템(100)은 메모리(110), 인터페이스부(120), 전원 공급부(130)와 전기적으로 연결되어 신호를 교환할 수 있다. 임베디드 시스템(100)은 ASICs, DSPs, DSPDs, PLDs, FPGAs, 프로세서, 제어기, 마이크로 컨트롤러, 마이크로 프로세서, 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
상기 임베디드 시스템(100)은 전원 공급부(130)로부터 제공되는 전원에 의해 구동될 수 있다. 그리고, 상기 임베디드 시스템(100)은 전원 공급부(130)에 의해 전원이 공급되는 상태에서 데이터를 수신하고, 데이터를 처리하고, 신호를 생성하고, 신호를 제공할 수 있다.
상기 임베디드 시스템(100)은 인터페이스부(120)를 통해, 콜드체인 배송차량 내의 다른 장치(냉동부(10) 등)로부터 정보를 수신할 수 있다.
상기 임베디드 시스템(100)은 인터페이스부(120)를 통해, 콜드체인 배송차량 내의 다른 장치로 제어 신호를 제공할 수 있다. 즉, 상기 임베디드 시스템(100)은 데이터를 수신하여 처리 및 판단을 하고, 제어신호를 생성하는 것이다.
상기 임베디드 시스템(100)는 GPS(미도시)등으로부터 위치 데이터를 수신할 수 있다. 그리고, 처리/판단 동작을 수행하는데, 주행 상황 정보에 기초하여, 처리/판단 동작을 수행할 수 있다.
임베디드 시스템(100)은 제어 신호 생성 동작을 수행 및 제어 신호를 생성할 수 있다. 예를 들면, 임베디드 시스템(100)은 데이터에 기초하여, 배송차량의 브라이크 장치 제어 신호 및 스티어링 장치의 제어 신호(또는 배송차량의 그립 제어 신호 또는 핸들 제어 신호) 중 적어도 어느 하나를 생성할 수 있다.
임베디드 시스템(100)은 인터페이스부(180)를 통해, 생성된 제어 신호를 서버(200)에 전송한다.
도 10은 콜드체인 배송차량의 운전자의 숙련도를 판단하는 방법에 대한 흐름도이다.
도면을 참조하면, 임베디드 시스템(100)은 운전자의 숙련 상태를 판단하기 위하여 배송차량의 운전장치(제동장치, 핸들 등)에 설치되어 있는 적어도 하나의 센서(미도시)를 통해 획득되는 운행 정보로부터 특징값들을 추출할 수 있다(S1).
예를 들어, 임베디드 시스템(100)은 적어도 하나의 센서(예를 들어, 가속센서와 진동센서)로부터 운전자의 운전 자세, 운전자의 운전 스타일, 운전자의 운행 습관에 대한 운행 정보를 수신할 수 있다.
즉, 임베디드 시스템(100)은 운행 정보로 부터 특징값을 추출할 수 있다. 특징값은 운행 정보에서 추출할 수 있는 적어도 하나의 특징들 중에서 급출발, 급정거, 속도위반 여부, 신호위반 여부, 차선 변경, 가속, 급감속, 진동 세기 진동 횟수 등을 구체적으로 나타내는 것이다.
상기 임베디드 시스템(100)은 특징값들을 운전자의 숙련 상태를 판단 또는 구별하도록 트레이닝된 서버(200) 내 빅데이터부(200a)의 데이터학습부(미도시)에 입력되도록 제어할 수 있다(S2).
상기 서버(200)는 추출된 특징값이 결합되어 운전 스킬 검출 입력을 생성할 수 있다. 운전 스킬 검출 입력은 추출된 특징값에 기초하여 운전자의 숙련 상태를 구별하도록 데이터학습부의 인공 신경망(ANN) 분류기에 입력될 수 있다.
서버(200)에서는 상기 데이터학습부를 통하여 인공 신경망의 출력값을 분석하고(S3), 인공 신경망 출력값에 기초하여 운전자의 숙련 상태를 판단할 수 있다(S4). 따라서, 인공 신경망 분류기의 출력으로부터 운전자의 운전 숙련 상태를 식별할 수 있다.
서버(200)의 빅데이터부(200a)는 자체 판단된 운전자의 숙련 상태에 기초하여 제공되는 도로 정보를 적용할 수 있다.
빅데이터부(200a)는 판단된 운전자의 숙련 상태가 초급자라고 판단되면(S5), 초급자용 도로 정보를 설정할 수 있다(S7). 예를 들어, 초급자용 도로 정보는 도로 정보에서 복잡하지 않고 편한 경로, 유동 인구가 적어 사람이 덜 붐비는 경로, 좁은 도로보다는 큰도로를 포함할 수 있다.
빅데이터부(200a)는 판단된 운전자의 숙련 상태가 중급자라고 판단되면(S6), 중급자용 도로 정보를 설정할 수 있다(S8). 예를 들어, 중급자용 도로 정보는 도로 정보에서 적당히 편한 경로, 유동 인구가 적당히 있는 경로를 포함할 수 있다.
빅데이터부(200a)는, 판단된 운전자의 숙련 상태가 중급자가 아닌 고급자라고 판단되면(S6), 고급자용 도로 정보를 설정할 수 있다(S9). 예를 들어, 고급자용 도로 정보는 복잡하더라도 빠른 경로 또는 최단 경로를 포함할 수 있다.
이상에서와 같은 내용의 본 발명이 속하는 기술분야의 당업자는 본 발명의 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 상기 기술한 실시 예는 예시된 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다.
본 발명의 범위는 상기 상세한 설명보다는 첨부된 특허청구범위에 의하여 나타내어지며, 특허청구 범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 냉동부
100 : 임베디드 시스템 200 : 서버
200a : 빅데이터부 200b : 데이터베이스
300 : 통합관제부

Claims (4)

  1. 냉동부(10)로부터 데이터를 수신하는 임베디드 시스템(100), 상기 임베디드 시스템(100)으로부터 상기 데이터를 전송받는 서버(200), 제어된 내용을 확인하는 통합관제부(300)로 각각 구성되며, 네트워크를 통해 서로 연결되며, 상기 임베디드 시스템(100)은 네트워크로 액세스를 수행하는 콜드체인 배송차량의 냉동부(10)의 최적 제어시스템에 있어서,
    상기 임베디드 시스템(100)이 통신을 통해 상기 통합관제부(300)로부터 데이터를 수신하며, 상기 데이터의 종류로는 센서, 도어, 영상, 장치의 상태, 상기 냉동부(10)의 동작, 배터리 Pack, 압축기 및 가동 시간의 데이터를 제공받은 뒤, 네트워크를 통해 제공함에 따라, 상기 획득한 데이터를 데이터베이스(200b)에 DB화하여 저장할 뿐만 아니라, 상기 데이터베이스(200b)에 저장된 데이터를 집적하여 빅데이터화시켜 데이터의 패턴을 만들고 생성된 패턴에 대해서 자체적으로 기계학습하는 머신러닝을 적용시켜 상기 데이터를 가공하는 서버(200); 및
    상기 네트워크를 통하여 상기 데이터베이스(200b)로 액세스 이후, 상기 데이터베이스(200b) 상의 데이터 및 가공 데이터를 통한 최적의 제어를 할수 있는 통합관제부(300)를 포함하는 것을 특징으로 하는 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템.
  2. 제1항에 있어서,
    상기 임베디드 시스템(100)은, 상기 냉동부(10)로부터 수집 데이터를 통합 수신한 후, 상기 네트워크를 통해 상기 서버(200)로 전송하는 것을 특징으로 하는 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템.
  3. 제1항에 있어서,
    상기 서버(200)에는 빅데이터부(200a)가 형성되어, 상기 데이터베이스(200b)를 이용하여 상기 배송차량의 운행 스타일을 머신러닝을 통한 기계학습을 하여, 배송 차량별 특성을 확보하는 것을 특징으로 하는 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템.
  4. 제1항 또는 제3항에 있어서,
    상기 빅데이터부(200a)는 상기 냉동부(10)의 데이터 및 이전의 데이터, 상기 냉동부(10)의 설치 환경에 따른 데이터를 모두 취합하여, 상기 데이터를 수집, 가공, 저장, 분석, 표현하는 것을 특징으로 하는 인공지능 기반의 콜드체인 배송차량의 냉동부 최적 제어시스템.
KR1020220090246A 2022-07-21 2022-07-21 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법 KR20240012814A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220090246A KR20240012814A (ko) 2022-07-21 2022-07-21 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220090246A KR20240012814A (ko) 2022-07-21 2022-07-21 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법

Publications (1)

Publication Number Publication Date
KR20240012814A true KR20240012814A (ko) 2024-01-30

Family

ID=89715459

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220090246A KR20240012814A (ko) 2022-07-21 2022-07-21 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법

Country Status (1)

Country Link
KR (1) KR20240012814A (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160089505A (ko) 2014-02-28 2016-07-27 미츠비시 쥬고교 가부시키가이샤 냉동기 제어 장치, 냉동기, 및 냉동기의 진단 방법
KR20180138372A (ko) 2017-06-21 2018-12-31 서울대학교산학협력단 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법
KR20190134906A (ko) 2018-05-10 2019-12-05 한국전자통신연구원 사용자의 운전 스타일을 반영한 자율 주행 장치 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160089505A (ko) 2014-02-28 2016-07-27 미츠비시 쥬고교 가부시키가이샤 냉동기 제어 장치, 냉동기, 및 냉동기의 진단 방법
KR20180138372A (ko) 2017-06-21 2018-12-31 서울대학교산학협력단 오프라인/온라인 하이브리드 기계학습 모델을 이용한 냉동기 최적 제어 방법
KR20190134906A (ko) 2018-05-10 2019-12-05 한국전자통신연구원 사용자의 운전 스타일을 반영한 자율 주행 장치 및 방법

Similar Documents

Publication Publication Date Title
US11922740B2 (en) Vehicle self-diagnostics
WO2020056157A1 (en) Systems and methods for managing energy storage systems
US20160196527A1 (en) Condition monitoring and prediction for smart logistics
KR20190101327A (ko) 구독 제품 가격 산정 방법 및 가격 산정 장치
KR102663969B1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
US20170091672A1 (en) Motor drive apparatus equipped with fan motor preventive maintenance function
US20230139003A1 (en) Systems and methods for managing velocity profiles
US11303977B2 (en) Server for managing home network and control method therefor
KR20190109640A (ko) 공조 장치 및 그 제어 방법
US20220065939A1 (en) Battery state of health estimator
KR102215107B1 (ko) 주행 데이터 기반 차량 상태 예측 시스템 및 방법
CN111290370B (zh) 一种自动驾驶性能检测方法和装置
US20200307577A1 (en) Interpreting data of reinforcement learning agent controller
CN113742163A (zh) 一种故障预警方法、装置、设备及存储介质
US20220018906A1 (en) Predicting An Outcome Associated With A Driver Of A vehicle
KR20240012814A (ko) 인공지능 기반의 콜드체인 배송차량의 냉동부최적 제어방법
US20220027747A1 (en) Methods and apparatuses for training one or more model parameters of a predictive parking difficulty model
KR20240012800A (ko) 인공지능 기반의 콜드체인 배송차량의 상태 모니터링 시스템 및 방법
Naomi et al. Machine and deep learning techniques in iot and cloud
WO2022005459A1 (en) Methods and apparatuses for automatically estimating order sizes
Jain et al. A machine learning pipeline for fuel-economical driving model
Moso et al. Abnormal behavior detection in farming stream data
Zirak Hassankiadeh et al. Energiförbrukningsfeedback för gaffeltruckförare som använder maskininlärning och kontrafaktisk förklaring
CN114414736B (zh) 一种人工智能空气质量检测装置及检测方式
Ahmed et al. An Approach to Optimizing Food Quality Prediction Throughout Machine Learning

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
AMND Amendment
X601 Decision of rejection after re-examination
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2024101000637; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20240319

Effective date: 20240520