WO2019182199A1 - 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버 - Google Patents

이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버 Download PDF

Info

Publication number
WO2019182199A1
WO2019182199A1 PCT/KR2018/007305 KR2018007305W WO2019182199A1 WO 2019182199 A1 WO2019182199 A1 WO 2019182199A1 KR 2018007305 W KR2018007305 W KR 2018007305W WO 2019182199 A1 WO2019182199 A1 WO 2019182199A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
abnormal state
cause
group
refrigerator
Prior art date
Application number
PCT/KR2018/007305
Other languages
English (en)
French (fr)
Inventor
한준수
양영훈
윤준상
한초록
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020207023374A priority Critical patent/KR102520672B1/ko
Priority to US16/488,801 priority patent/US11668521B2/en
Priority to EP18905898.5A priority patent/EP3572746B1/en
Priority to CN201880018855.3A priority patent/CN110506186B/zh
Publication of WO2019182199A1 publication Critical patent/WO2019182199A1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D29/00—Arrangement or mounting of control or safety devices
    • F25D29/006—Safety devices
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • 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
    • G06Q50/01—Social networking
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B2700/00—Sensing or detecting of parameters; Sensors therefor
    • F25B2700/11—Sensor to detect if defrost is necessary
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2600/00—Control issues
    • F25D2600/06—Controlling according to a predetermined profile
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/02—Sensors detecting door opening
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/10—Sensors measuring the temperature of the evaporator
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/12—Sensors measuring the inside temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
    • F25D2700/00—Means for sensing or measuring; Sensors therefor
    • F25D2700/12—Sensors measuring the inside temperature
    • F25D2700/122—Sensors measuring the inside temperature of freezer compartments
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Definitions

  • the present invention relates to a refrigerator and a cloud server for diagnosing a cause of an abnormal condition.
  • the refrigerator may be mechanically or electrically impacted on the refrigerator in that the refrigerator is a very frequently used device, and various abnormal conditions such as a change in the refrigerant or a change in the compressor may occur. Since such an abnormal state is difficult to clearly identify the cause from the outside, the user does not solve the abnormal state of the refrigerator, and a process of solving a visit by a separate service representative is performed.
  • Korean Patent No. 10-1215097 proposes a wireless communication device and a wireless communication method of a refrigerator which can easily check diagnostic information or status information of a refrigerator through a mobile terminal, and transmit and receive user information between the refrigerator and the mobile terminal.
  • FIG. 1 is a view showing a process of transmitting and receiving information between the refrigerator and the portable terminal proposed in the aforementioned document.
  • the mobile terminal determines whether there is an information request from the user (S1), and the mobile terminal transmits the information request message to the refrigerator (S2).
  • the refrigerator retrieves the requested information (S3), and transmits the retrieved information back to the mobile terminal (S4).
  • the mobile terminal displays and stores the transmitted information (S5).
  • the process of Figure 1 can be applied when the user wants to check the state of the refrigerator using the portable terminal.
  • the state of the refrigerator shown in FIG. 1 is to confirm only basic information of the refrigerator, and there is a limit in checking an abnormal state in the refrigerator.
  • the contents of the refrigerator determining that the internal state is abnormal or normal are not shown in FIG. 1. In FIG. 1, however, the emphasis is on the verification of information in the mobile terminal.
  • the technique of FIG. 1 does not present a technique for always checking the abnormal state of the refrigerator, and does not describe how to use the received state information. Therefore, there is no technology for transmitting abnormal conditions of electronic products such as TVs, air conditioners, refrigerators, etc. to customers in real time or at regular intervals. Accordingly, there is a need for a technology in which an electronic product such as a refrigerator checks an abnormal state, and in addition, diagnoses a cause of the abnormal state and responds quickly.
  • the refrigerator or the cloud server precisely diagnoses the cause and confirms the cause through the learning module in two stages, thereby increasing the accuracy of the cause diagnosis for the abnormal state of the refrigerator.
  • the service center may check the state of the home appliance based on the accumulated sensing information to provide appropriate customer service.
  • a refrigerator includes one or more sensors that calculate information of a first group corresponding to an abnormal state of the refrigerator, one or more sensors that calculate information of a second group corresponding to the cause of the abnormal state, and a sensor And a storage unit for storing the first group information or the second group information sensed by the time information together with the time information.
  • a cloud server includes a communication unit configured to receive information of a first group corresponding to an abnormal state and information of a second group corresponding to a cause of the abnormal state from a plurality of refrigerators, and the received information to the refrigerator. It includes a storage unit for storing in combination with identification information and time information.
  • the abnormal state diagnosis unit included in the refrigerator or the cloud server according to an embodiment of the present invention calculates abnormal state information of the refrigerator based on the similarity between the stored first group information and the normal pattern.
  • the cause diagnosis unit included in the refrigerator or the cloud server calculates cause information of the abnormal state based on the similarity between the stored second group information and the defective pattern when the abnormal state diagnosis unit determines that the abnormal state is abnormal. do.
  • the abnormal state diagnosis unit calculates the abnormal state information of the refrigerator after a preset X time after confirming the occurrence of the event in the driving information sensor or the door sensor, the second group determined as the abnormal state after X time
  • the cause diagnosis unit calculates cause information of the abnormal state by inputting the sensed result of the sensor of the cause diagnosis unit.
  • the cause diagnosis unit includes two or more defective patterns corresponding to the cause of the abnormal state, and calculates a correlation between an input layer to which information of the second group is input and information input from the input layer.
  • An output layer that outputs similarity with any one of the bad patterns as cause information, and two or more hidden layer engines defining correlations and corresponding to each bad pattern.
  • the refrigerator may detect an abnormal state occurring in an operation process before proceeding to a fault and diagnose a cause of the abnormal state, and implement a device for solving the abnormal state.
  • an abnormal state is primarily diagnosed, and when an abnormal state occurs, the second cause is precisely diagnosed to respond to an abnormal state of the refrigerator. This is done preemptively.
  • the service center uses the accumulated sensing information or abnormal state information or cause information based on the diagnosis result to determine the state of the refrigerator. We can provide appropriate customer service.
  • FIG. 1 is a view showing a process of transmitting and receiving information between the refrigerator and the portable terminal proposed in the aforementioned document.
  • FIG. 2 is a diagram illustrating a process of diagnosing an abnormal state and a cause based on sensing information sensed in a refrigerator according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a process of learning an abnormal state diagnosis unit according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a process of learning a cause diagnosis unit according to an exemplary embodiment of the present invention.
  • FIG. 5 is a view showing the configuration of the deep learning module of the abnormal state diagnosis unit according to an embodiment of the present invention.
  • FIG. 6 is a graph illustrating determination of abnormal state information according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating a configuration of a deep learning module of a cause diagnosis unit according to an exemplary embodiment of the present invention.
  • FIG. 8 is a diagram illustrating a diagnosis mechanism for diagnosing an abnormal state and a cause according to an embodiment of the present invention.
  • FIG. 9 is a view showing a temperature pattern according to an embodiment of the present invention.
  • FIG. 10 is a view showing a temperature pattern according to an embodiment of the present invention.
  • FIG. 11 is a diagram illustrating a configuration in which an abnormal state diagnosis unit and a cause diagnosis unit are arranged.
  • FIG. 12 is a diagram illustrating a process of transmitting and receiving job information between a refrigerator, a cloud server, and a monitoring server according to an embodiment of the present invention.
  • first, second, A, B, (a), and (b) can be used. These terms are only to distinguish the components from other components, and the terms are not limited in nature, order, order, or number of the components. If a component is described as being “connected”, “coupled” or “connected” to another component, that component may be directly connected to or connected to that other component, but between components It is to be understood that the elements may be “interposed” or each component may be “connected”, “coupled” or “connected” through other components.
  • An abnormal condition means that the unit is not operating normally and does not necessarily mean a fault condition.
  • the state before the failure is included in the abnormal state, and the fault state is naturally included in the abnormal state.
  • the refrigerator has a very complex operating state, which means the possibility of various abnormal states, and thus, it is necessary to determine a more complicated abnormal state than other household appliances. Therefore, an embodiment of the present invention will be described mainly for the refrigerator.
  • the present invention is not limited thereto, and the present invention is intended to apply to all products capable of transmitting the information on the driving state generated by the continuously communicating electronic products to the cloud server and receiving the determination result thereof.
  • a refrigerator as a device for the refrigeration or freezing of the storage, which is a refrigerator for storing the normal food, kimchi refrigerator, beverage refrigerator, household refrigerator, commercial refrigerator, and a freezer comprising only a freezer, etc. It includes all the devices mainly for various refrigeration and freezing functions.
  • the present invention also applies to a device for refrigerating non-food storage, such as a cosmetic refrigerator, and also includes a refrigeration device installed in a mobile station that is not fixed, for example, a large refrigeration trailer.
  • the refrigerator may collect internal state information based on various communication protocols and transmit the collected state information to an external cloud server.
  • a process of checking and diagnosing an internal state may be performed in a refrigerator, and information about a final diagnosis result or diagnosis state may be transmitted to a cloud server.
  • communication may be performed based on WiFi, but the present invention is not limited thereto.
  • FIG. 2 is a diagram illustrating a process of diagnosing an abnormal state and a cause based on sensing information sensed in a refrigerator according to an embodiment of the present invention.
  • the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 for diagnosing the abnormal state based on the sensing information may diagnose the abnormal / normal state of the refrigerator based on the sensing information or determine the cause of the failure based on the abnormal state.
  • the abnormal state diagnosis unit 200 will be described.
  • the abnormal state diagnosis unit 200 receives predetermined sensing information, and diagnoses whether the current refrigerator is in an abnormal state or a normal state based on the correlation and the pattern of accumulated sensing information. That is, the abnormal state diagnosis unit 200 calculates abnormal state information, which may have the following values.
  • the information sensed by these sensors may be non-temporal information or stored to identify a temporal pattern.
  • the temperature of the refrigerating compartment, the temperature of the freezing compartment, the valve state, the door opening of the refrigerating compartment, and the like are input as sensing information.
  • the sensing information or the stored sensing information sensed in real time is input to the input layers of the abnormal state diagnosis unit 200.
  • the abnormal state diagnosis unit 200 is a state in which a correlation between the sensing information is established as a network by performing learning based on a lot of normal sensing information and abnormal sensing information.
  • the abnormal state diagnosis unit 200 When sensing information is input to an input of a network including nodes and edges capable of confirming a normal pattern of the refrigerator, the abnormal state diagnosis unit 200 outputs abnormal state information through the sensing information.
  • the output value indicates abnormal or normal.
  • Abnormality or normal is not necessarily limited to a manifested abnormal state or a normal state, a state that may cause a defect before the externally recognized a bad state may also be included in the abnormal state.
  • the abnormal state diagnosis unit 200 may determine how the input sensing information matches the normal pattern.
  • the abnormal / normal state may be determined depending on whether the threshold value for the normal pattern is exceeded or included.
  • the abnormal state diagnosis unit 200 checks only whether an abnormal state occurs. If the abnormal condition does not occur, the sensing information is input to continuously monitor the operation of the refrigerator without the operation of the separate cause diagnosis unit 300.
  • the cause diagnosis unit 300 determines a sensor highly related to the abnormal state and diagnoses the cause of the abnormal state based on the determined sensor. To this end, the cause diagnosis unit 300 may calculate the cause information of the abnormal state by using the sensing information and the meta information calculated from the sensing information.
  • the cause diagnosis unit 300 is a state in which a correlation between sensing information representing patterns representing various failure causes is established in a network. If the input sensing information matches the defective cause pattern of the refrigerator, the cause of the current abnormal state is the cause information.
  • the cause diagnosis unit 300 probabilistically determines based on the similarity between the pattern representing various defect causes and the input sensing information.
  • two diagnostic units 200 and 300 are provided for the abnormal state, which may be included in a refrigerator or included in a cloud server. Alternatively, the two diagnostic units 200 and 300 may be distributed in a refrigerator and a cloud server.
  • the abnormal state diagnosis unit 200 calculates two kinds of abnormal state information (when an abnormality occurs or a normal state in which an abnormality does not occur).
  • the cause diagnosis unit 300 probabilistically calculates the similarity with the failure cause pattern, for example, one or more causes of failure such as a refrigerator door open (90%) and a valve leak (10%), and the Probability values can be calculated together with cause information.
  • preemptive countermeasures to prevent defects include defrosting when defrosting is deficient, raising the refrigeration control temperature when the refrigerating compartment is overcooled.
  • the arrangement of FIG. 2 is as follows.
  • the information calculated by the various sensors of the refrigerator includes information suitable for determining a state of normal or abnormality, and information suitable for diagnosing a cause of a bad state. Therefore, it is characterized by distinguishing these pieces of information and diagnosing an abnormal state first, and in case of an abnormal state, secondly diagnosing the cause.
  • the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 may be implemented separately. And these separate components may be implemented in a refrigerator, may be implemented in a server.
  • the cause diagnosis unit 300 may be implemented as one, but may be subdivided according to various causes.
  • the first cause diagnosis unit may be configured as a deep learning engine that performs a cause diagnosis of a cooling failure
  • the second cause diagnosis unit may be configured as a temperature cause cause diagnosis engine.
  • the abnormal state diagnosis unit 200 may be implemented in a refrigerator, and the cause diagnosis unit 300 may be classified into a case in which the abnormal state diagnosis unit 200 is implemented in a server.
  • this classification does not provide a difference in the configuration of the abnormal state diagnosis unit 200 and the cause diagnosis unit 300.
  • the abnormal state diagnosis unit 200 may be implemented in the server, the cause diagnosis unit 300 may be implemented in the refrigerator.
  • the abnormal state diagnosis unit 200 may require less computing power than the cause diagnosis unit 300, those skilled in the art may implement the separation in the refrigerator and the server in consideration of this.
  • FIG. 3 is a diagram illustrating a process of learning an abnormal state diagnosis unit according to an embodiment of the present invention.
  • the training data is collected to configure the training data for the various normal and abnormal conditions calculated by the various refrigerators as big data (S11).
  • Examples of the data collected here collect field data in consideration of actual conditions such as RT, humidity, load, door opening and closing related to temperature, and learning data classified into normal defrost / load response.
  • the preprocessing operation is performed to perform the learning by performing standardization or normalization (S12).
  • the characteristic value required for each refrigeration / freezing compartment is extracted.
  • the deep learning engine is set (S13).
  • the deep learning engine is disposed in the abnormal state diagnosis unit 200, and includes performing initial setting necessary to perform deep learning using the above-described data in S13. Thereafter, learning is performed using the real-world data (S14), and the deep learning is performed by repeating the step (S15) of outputting and evaluating abnormal state information.
  • the abnormal state diagnosis unit 200 may calculate abnormal state information indicating whether the abnormal state is based on the similarity with the normal pattern based on the input sensor data. have.
  • normal data should include normal stable operation, defrosting operation to remove ice and ice from the cooler, and load response operation caused by food input. Should be simulated to obtain data.
  • Environmental variables include outside air temperature, outside air humidity, and installation location. Variables according to usage patterns include door opening, closing, food input, and temperature setting as learning data.
  • the learning data collected here is the temperature sensor of the refrigerator (indoor temperature sensor / defrost temperature sensor / outside temperature sensor, etc.), the operation status of the parts (3way valve status, fan operation, fan rpm, etc.), door opening and closing (refrigeration door) Open, freezer door open, etc.), the operating state of the compressor (stroke, phase, cold power, etc.), the power of the compressor and the like.
  • a deep learning engine suitable for time series data analysis / learning for normal and failure diagnosis, and derive the necessary characteristic values by learning real-time data.
  • the deep learning-based failure cause diagnosis model suitable for judging various causes also derives necessary characteristic values through bad data learning.
  • FIG. 4 is a diagram illustrating a process of learning a cause diagnosis unit according to an exemplary embodiment of the present invention.
  • the abnormal state information calculated in FIG. 3 is used as one input value, and the data of S11 to S12 is applied as data.
  • the deep learning engine is set appropriately for the cause diagnosis unit (S21).
  • the deep learning engine is disposed in the cause diagnosis unit 300, and includes performing initial setting necessary to perform deep learning using the above-described data in S21.
  • the setting of the deep learning engine of FIG. 3 is a step for optimally distinguishing between normal and abnormal states based on given data.
  • the setting of the deep learning engine of FIG. 4 should be able to calculate various cause states based on the input data, it may proceed differently from the setting of FIG. 3.
  • the cause diagnosis unit 300 may calculate cause information indicating the cause of the failure based on the input sensor data.
  • the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 including the deep learning module learned by FIGS. 3 and 4 may be implemented and distributed in the form of software or hardware. It can be upgraded in the future through software updates or hardware module replacement.
  • the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 may operate based on information of different groups, respectively.
  • the abnormal state diagnosis unit 200 may calculate abnormal state information of the refrigerator based on the similarity between the first group information calculated by the sensors of the refrigerator and the normal pattern.
  • the cause diagnosis unit 300 may calculate cause information of the abnormal state based on the similarity between the second group information calculated by the sensors of the refrigerator and the defective pattern.
  • the first group and the second group may be the same but may be configured differently.
  • the union of a set of sensors for calculating the information of the first group and a set of sensors for calculating the information of the second group includes a temperature sensor for sensing the temperature of the refrigerating compartment and the freezer compartment, an evaporator temperature sensor of the freezer compartment or the freezer compartment; , Defrost sensor for sensing the defrost cycle and defrost state of the refrigerating compartment and freezer compartment, door sensor for sensing the opening and closing of the door, compressor sensor for sensing the operation pattern of the compressor, fan sensor and valve for sensing the operation pattern of the fan It may be configured to include any one or more of the valve sensor for sensing the. Or it can be information generated by these sensors.
  • a sensor included in the first group and not included in the second group may be configured, and a deep cool sensor related to the rapid freezing operation of the freezer compartment, a door sensor sensing the opening and closing of the door of the freezer compartment and the refrigerating compartment, and a load response of the refrigerating compartment or the freezer compartment It may be configured to include any one or more of the load-sensitive sensor indicating, the defrost cycle of the refrigerating chamber or the freezing chamber and the defrost sensor for sensing the defrost state. Or it can be information generated by these sensors.
  • the sensors included in the second group and not included in the first group may include an evaporator temperature sensor in a freezer compartment or a freezer compartment, a temperature sensor of a freezer compartment or a freezer compartment, an operation state sensor of a refrigerator, an on-off or cold force of a compressor, or an operation pattern of a compressor. It may be configured to include one or more of the compressor sensor for sensing. Or it can be information generated by these sensors.
  • 5 is a view showing the configuration of the deep learning module of the abnormal state diagnosis unit according to an embodiment of the present invention.
  • 5 is an embodiment in which a learning network is configured based on long short term memory models (LSTM), but the present invention is not limited thereto.
  • LSTM solves the problem of long-term dependence of input information, allowing them to limit the time they propagate in the network.
  • an input layer 31 of data input to the deep learning module is input as a parameter during data transfer and calculation between various nodes (LTSM cell and concat) constituting the hidden layer 32 in the deep learning module.
  • the result calculated from the nodes of the hidden layer 32 defining the correlation between the input layer 31 and the output layer 33 is input to one or more layers of the fully-connected layer, and finally It consists of an output layer 33 to which data is output.
  • These output data constitute abnormal state information which is a result of determining a normal / bad state.
  • the abnormal state information may be divided into “normal” and “normal” singly, and the abnormal state may be classified into “temperature abnormal”, “cooling abnormal”, “door abnormal”, etc. for each node of the output layer 33.
  • the result of the refinement can be output.
  • two or more abnormal states may compete.
  • the abnormal state information may be calculated based on one abnormal state corresponding to the most likely output data.
  • the first group of information is input to the input layer 31 of the abnormal state diagnosis unit 200 of FIG. 5.
  • the correlation between the information input at the input layer 31 is calculated and the abnormal state information is output at the output layer 33.
  • FIG. 5 learns normal data based on the flow shown in FIG. 3, and if there is a peak below a threshold value according to the degree to which the data coincides with a normal pattern, it is diagnosed as a failure beyond the normal threshold, that is, an abnormal state. This will be described in detail with reference to FIG. 6.
  • FIG. 6 is a graph illustrating determination of abnormal state information according to an embodiment of the present invention.
  • FIG. 6 illustrates a configuration in which a normal value is determined based on a threshold based on a loss rate when matching with a normal pattern.
  • An abnormality (normal state) or a normal state may be determined based on a criterion of 0.185 in matching between abnormal cases and normal matching.
  • FIG. 7 is a diagram illustrating a configuration of a deep learning module of a cause diagnosis unit according to an exemplary embodiment of the present invention.
  • the cause diagnosis unit 300 includes a deep learning module so as to determine what is the cause corresponding to the abnormal state.
  • FIG. 7 is also an embodiment of configuring a learning network based on LSTM as shown in FIG. 5, the present invention is not limited thereto.
  • data input to the deep learning module to the input layer 41 are input as parameters during data transfer and calculation between various nodes (LTSM cells and concat) in the hidden layer 42 constituting the deep learning module.
  • the results calculated from these nodes are input to one or more FC layers (Fully-Connected Layer) and one Softmax layer, and are finally composed of output data 43.
  • the hidden layer 42 is configured in the form of an engine and one of the plurality may be selected.
  • the cause diagnosis unit 300 may include two or more bad patterns corresponding to the cause of the abnormal state, and include a plurality of hidden layer engines corresponding to the bad patterns, and may select a specific hidden layer engine according to the bad pattern. You can choose.
  • the second group of information is input to the input layer 41, and the output layer 43 calculates a correlation between the information input from the input layer 41 and uses the similarity with any one of the bad patterns as the cause information.
  • Output The hidden layer engine defines a correlation and is configured to correspond to each bad pattern.
  • a plurality of abnormal results may be output from the output layers as shown in 43a, and the cause diagnosis unit 300 may calculate the cause of the abnormalities most likely or complex among them.
  • the Softmax layer normalizes the input values in output so that their sum reaches a certain value (eg 1).
  • a certain value eg 1
  • the probability of their cause may be less than a specific upper limit (for example, 1), thereby increasing the accuracy of the cause determination.
  • These output data can output a specific cause state, that is, the cause of an abnormal state because an area is abnormal. That is, the cause information is primarily composed of a structure in which a plurality of abnormally related cause information 43a is presented, and then the cause information 43b, which is a result of their aggregation, is calculated.
  • a cause diagnosis unit for a temperature defect is applicable to an embodiment of a cause diagnosis unit for a temperature defect. That is, it is possible to diagnose the cause with the most similar pattern characteristics among many causes. In addition, it is possible to diagnose the cause of bad redundancy if the threshold value is exceeded. This can be confirmed by outputting information on a plurality of abnormal causes in 43a.
  • the data of the refrigerator used for determination in FIGS. 5 to 7 are transmitted at a specific cycle, for example, 1 minute intervals, and when the abnormality diagnosis or the cause diagnosis is performed, data accumulated for a certain size or more (for example, data of 2 hours) is stored. This allows you to perform diagnostics based on time series pattern analysis.
  • Input to the cause diagnosis unit 300 may determine the cause of the abnormal condition.
  • FIG. 8 is a diagram illustrating a diagnosis mechanism for diagnosing an abnormal state and a cause according to an embodiment of the present invention.
  • Four mechanisms are provided.
  • the application can be applied in four ways to increase the accuracy of diagnosis and to reduce the load of calculation from the diagnosis of the fault to the normal / abnormal diagnosis and the cause of the fault.
  • the abnormal state diagnosis unit 200 continuously diagnoses whether an abnormal state occurs based on data generated from the refrigerator based on deep learning.
  • the cause diagnosis unit 300 diagnoses a cause based on deep learning (calculation of cause information).
  • the abnormal state diagnosis unit 200 continuously performs diagnosis.
  • the second mechanism 52 is a second mechanism, that is, the second case, and diagnoses whether the abnormal state diagnosis unit 200 is in an abnormal state or a normal state after a predetermined time (X hour) has passed after the event occurs. From the time of event occurrence (door open, load response input, defrost input, etc.), the operating logic for cooling the battery quickly rises to the transient section. The deep learning diagnosis is applied after X hours to determine the transient section. The disadvantages of poor diagnostic accuracy and increased computational load due to real-time deep learning diagnosis can be improved.
  • the cause diagnosis unit 300 diagnoses the cause based on deep learning (cause cause information calculation).
  • the abnormal state diagnosis unit 200 continuously performs diagnosis.
  • the abnormal state is diagnosed after a certain time.
  • the event means that the user takes an action on the refrigerator to open or close the door.
  • a special operation defrost, load input, etc.
  • the abnormal state may be diagnosed after a predetermined time (after X hours) to determine whether the abnormal state has occurred.
  • the temperature pattern such as the temperature rises or falls is simple, so it is a method of diagnosing through cross check by adding logic that can represent the characteristics of the defective item in order to improve accuracy. For example, if the difference between the freezer compartment temperature and the freezer defrost sensor temperature increases during the freezing of the freezer compartment and the deep learning abnormality is more than 50%, the freezer compartment microopening is diagnosed.
  • the logic when an abnormal state occurs, the logic is classified according to the abnormal state.
  • the cause information may be finally calculated using the results of logic diagnosis of the characteristics of the characteristics and the diagnosis of the cause diagnosis unit 300 based on the types of temperature failures such as weak cooling, overcooling, and cooling failure. have.
  • the classification of the logic is different from the items that can be diagnosed in response to categories of abnormal states such as subcooling, weak cooling, and poor cooling, so that the cause diagnosis unit can diagnose the cause more accurately.
  • Table 1 is a diagram illustrating logic classification according to an embodiment of the present invention.
  • the freezer compartment sensor and the freezer compartment defrost sensor are cooled once and the temperature rises without the temperature difference between the freezer compartment and the freezer defrost sensor in the same way as the clogging phenomenon.
  • Door fine open Freezer
  • Freezer poor cooling evaporator blocked
  • Door fine open Freezer poor cooling
  • the freezer defrost sensor temperature decreases and the freezer sensor temperature rises after the freezer defrost sensor and the freezer sensor start to open.
  • Door fine open refrigeration room
  • Refrigeration of the refrigerating compartment (weak cooling when over-opening) Lifting due to bad opening of gasket due to food interference and high structural interference
  • the fridge defrost sensor temperature drops and the fridge sensor temperature drops and the fridge sensor temperature rises for a long time after the fridge sensor temperature drops below zero.
  • Refrigeration / freezing cooling failure Leak of weld (machine room, evaporator) Leakage of pipe due to vibration or corrosion
  • the compressor input suddenly decreases and defrost and temperature sensor continuously rises.
  • Compressor input rises more than twice, and defrosting after several hours And temperature sensors continue to rise
  • Defrost Weak cooling / poor cooling Lifting due to fine opening gasket defect due to food interference, high internal structure interference After the door is opened, the freezer defrost sensor temperature is lowered and the freezer sensor temperature is increased after the gap between the freezer defrost sensor and the freezer sensor starts to open.
  • Diagnosis of temperature defects can be made up of 9 items as shown in Table 1.
  • Nine items suggest relevant diagnostic items for diagnosing the cause in response to abnormal information classified into the above-mentioned cooling / weak cooling / cooling failure.
  • Diagnostic items such as Table 1 may be applied when selecting any one cause diagnosis unit among logic classification or multiple cause diagnosis units. Alternatively, a list of related diagnostic items may be input from the data input to the cause diagnosis unit.
  • FIG. 8 illustrates sensors for calculating information of a first group at 52 and 54 when an event occurs in an abnormal diagnosis, for sensing opening and closing of a driving information sensor or a door necessary to check a load-responsive driving state or a defrost state of a refrigerator. It is configured to include any one or more of the door sensors.
  • the abnormal state diagnosis unit 200 may calculate the abnormal state information of the refrigerator after the preset X time after checking the occurrence of the event in the driving information sensor or the door sensor. After the X time, the cause diagnosis unit 300 may be configured to calculate cause information of the abnormal state by inputting the sensed result of the second group of sensors determined as the abnormal state to the cause diagnosis unit 300.
  • FIG. 9 is a view showing a temperature pattern according to an embodiment of the present invention.
  • the temperature sensor senses the change in temperature and shows a normal pattern.
  • the temperature change in the normal operation, the temperature change in the defrost operation, and the temperature change in the load response operation can be seen in FIG. 9.
  • the abnormal state diagnosis unit 200 determines that the state is normal.
  • FIG. 10 is a view showing a temperature pattern according to an embodiment of the present invention. It shows the change in temperature sensed by the sensor inside the chamber and shows the abnormal pattern.
  • Weak cooling and subcooling patterns are presented at 57 based on the reference stable temperature.
  • a pattern in case of poor cooling is shown in 58.
  • the pattern can confirm the association with the cause.
  • the weak cooling pattern of 57 may be related to the cause of door fine opening, and the subcooling pattern of 57 may be related to the cause of a bad valve or a blockage of the outlet.
  • the cooling failure 1 of 58 may be related to the cause of refrigerant leakage
  • the cooling failure 2 may be related to the cause of moisture blockage
  • the cooling failure 3 may be related to the cause of welding blockage or lack of refrigerant.
  • Information about the diagnostic items indicated or matched by these patterns may be input to the cause diagnosis unit 300.
  • the cause diagnosis unit 300 suitable for the corresponding diagnosis item may be selected.
  • the abnormal state diagnosis unit 200 determines that the abnormal state is present.
  • the logic may be classified according to a change pattern of temperature, and the cause diagnosis unit 300 corresponding to the logic may be selected. That is, the cause diagnosis unit 300 determines the bad pattern described in FIG. 10 based on the information of the first group and selects the hidden layer engine corresponding to the bad pattern. The cause information corresponding to the defective pattern may be calculated based on the selected hidden layer engine.
  • 11 is a diagram illustrating a configuration in which an abnormal state diagnosis unit and a cause diagnosis unit are arranged.
  • 61 is an embodiment in which the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 is disposed in the refrigerator 100
  • 62 is an abnormal state diagnosis unit 200 disposed in the refrigerator 100 and the cloud server 500.
  • 63 is a configuration in which the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 are arranged in the cloud server 500.
  • Common components constituting the refrigerators 100 of 61, 62, and 63 are the sensor 110, the storage unit 120, the communication unit 130, and the control unit 150.
  • Common components constituting the cloud server 500 of 61, 62, and 63 are the storage unit 520, the communication unit 530, and the control unit 550. Look at each of the components.
  • the sensor 110 includes a sensor for calculating information of the first group corresponding to the abnormal state of the refrigerator, and a sensor for calculating information of the second group corresponding to the cause of the abnormal state.
  • the storage unit 120 stores the first group information or the second group information sensed by the sensors in combination with time information.
  • the communication unit 130 transmits any one or more of sensor information (information sensed by the sensors) calculated in the refrigerator 100, information combined with time information, abnormal state information, or cause information to the cloud server 500.
  • the job information may be received from the cloud server 500 or a monitoring server (not shown).
  • the controller 150 may control the reception of the job information by controlling the communication unit 130, and may output the received job information to a separate display device.
  • the job information includes information necessary for solving the abnormal condition.
  • the customer service schedule information or the optimal setting information necessary to solve the abnormal condition generated in response to the cause information is one embodiment of the job information.
  • the customer service schedule includes a schedule where a representative visits the installation site and resolves an abnormal condition.
  • the schedule promised to resolve the abnormal condition remotely also corresponds to the customer service schedule.
  • the optimal setting information refers to displaying information to be set by the user of the refrigerator 100 to solve the abnormal state. For example, when the refrigerator temperature setting is incorrect (too low or too high), a guide message for adjusting the refrigerator temperature or information for activating the optimum setting may correspond to the optimum setting information.
  • the controller 150 controls a plurality of components constituting the refrigerator 100.
  • the refrigerator 100 further includes components such as a compressor, an evaporator, a condenser, and the like for the refrigerating and freezing functions in addition to the refrigerator and the freezer.
  • components such as a compressor, an evaporator, a condenser, and the like for the refrigerating and freezing functions in addition to the refrigerator and the freezer.
  • the abnormal state diagnosis unit 200 calculates abnormal state information of the refrigerator based on the similarity between the information of the first group and the normal pattern stored in the storage unit 120 or 520.
  • the similarity with the normal pattern uses the patterns shown in FIG. 9 as an embodiment.
  • the cause diagnosis unit 300 determines that the abnormal state diagnosis unit 200 is abnormal, the cause diagnosis unit 300 calculates cause information of the abnormal state based on the similarity between the stored second group information and the bad pattern.
  • One embodiment of the bad pattern uses the patterns shown in FIG. 10 as one embodiment.
  • the communication unit 130 of the refrigerator determines that the abnormal state diagnosis unit 200 determines the abnormality
  • the communication unit 130 transmits the stored second group information to the cloud server 500.
  • the communication unit 130 of the refrigerator transmits information of the first group and the information of the second group to the cloud server 500 based on a request or transmission schedule of the cloud server 500.
  • the information calculated by the sensor 110 of the refrigerator 100 is summarized as follows. Of course, a variety of information may also be included. Freezer Sensor Temperature, Freezer Control Temperature, Freezer Defrost Sensor Temperature, Freezer Sensor Temperature, Freezer Control Temperature, Freezer Defrost Sensor Temperature, Outside Sensor Temperature, Outside Sensor Humidity, Refrigerator Fan Operation, Refrigerator Fan rpm, Freezer Fan Operation, Freezer Fan rpm, machine room fan operation state, machine room fan rpm, comp operation state, comp cooling power, 3way valve operation state, 3way valve position, refrigerator defrost operation state, freezer defrost operation state, first start operation state after defrost, refrigerator compartment door state, freezer door According to an embodiment, information on a state and a refrigerator load response state is given. In addition, the comp power, the comp stroke, the comp phase, the comp current, the comp frequency, etc. provided by the comp may be information calculated by the sensor 100.
  • the cloud server 500 may operate based on information of the first group corresponding to the abnormal state and information of the second group corresponding to the cause of the abnormal state from the plurality of refrigerators received by the communication unit 530. For example, when both the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 are included as shown in FIG. 63, the cloud server 500 continuously receives various sensed information from the refrigerator, and receives the received information from the refrigerator. It is stored in the storage unit 520 in combination with the identification information and time information.
  • the information of the first group includes specific sensing information, and the second group information also includes specific sensing information. The first group and the second group may be different.
  • the control unit of the cloud server 500 also controls each component. In addition, in response to the cause information, the operation information required by the refrigerator is also generated.
  • the communication unit 530 directly transmits the job information to the refrigerator or transmits the cause information to the monitoring server so that the monitoring server can transmit the job information to the refrigerator.
  • the cause diagnosis unit 300 may be disposed (62), or the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 may be disposed (63).
  • the abnormal state diagnosis unit 200 and the cause diagnosis unit 300 are both disposed in the refrigerator 100 as shown in FIG. 61, and the cloud server 500 receives and responds to any one or more of the abnormal state information or the cause information. To generate work information necessary for the refrigerator 100.
  • the set of sensors for calculating the information of the first group and the set of sensors for calculating the information of the second group may be the same or different.
  • a combination of these two sets, that is, sensors that are input to any one or more of the abnormal state diagnosis unit 200 or the cause diagnosis unit 300 and contribute to calculating abnormal state information or cause information are listed as follows.
  • a temperature sensor for sensing the temperature of the refrigerating compartment and the freezer compartment, an evaporator temperature sensor of the freezer compartment or the freezer compartment, a defrost sensor sensing the defrost cycle and defrost state of the refrigerating compartment and the freezer compartment, a door sensor sensing the opening and closing of the door, and an operation pattern of the compressor Compressor sensors for sensing the fan, a fan sensor for sensing the operation pattern of the fan and a valve sensor for sensing the state of the valve and the like.
  • FIG. 12 is a diagram illustrating a process of transmitting and receiving job information between a refrigerator, a cloud server, and a monitoring server according to an embodiment of the present invention.
  • the refrigerator 100 may monitor operation information or sensed information of components for a predetermined time interval (for example, seconds or minutes), or abnormal state information or cause information calculated by itself in the refrigerator 100. To transmit to the cloud server 500 (S71).
  • Monitoring of components can be calculated in various ways, such as opening and closing of doors, changes in temperature or humidity, circulation of refrigerant, and operation of the compressor.
  • Transmission of S71 can be transmitted via Wi-Fi.
  • the cloud server 500 compares and analyzes the received information with the past information of the corresponding product.
  • the cause information is transmitted to the monitoring server 400 of the call center (S72).
  • the cloud server 500 inputs the received information to the cause diagnosis unit 300, calculates the cause information, and then calculates the cause information. Transmission to the monitoring server 400 of the call center (S72).
  • the cloud server 500 inputs the received information to the abnormal state diagnosis unit 200 and the cause diagnosis unit 300, and finally the cause. After calculating the information, and transmits it to the monitoring server 600 of the call center (S72).
  • the cloud server 500 may determine the abnormal state of the product and the cause thereof based on the received data and other comparison data, or previous data of the corresponding product.
  • the information about the product and the abnormal state that is, cause information, is transmitted to the monitoring server 600 of the call center.
  • the monitoring server 600 of the call center may check whether an abnormal state such as an operation or a previous stage in which a problem may occur may occur based on the information provided from the cloud server 500. When the abnormal state occurs, the monitoring server 600 controls to transmit a notification message to the monitoring person (S75).
  • the monitoring person can send a call or text to the owner's contact of the device to solve the abnormal condition (S76) or send the information to the customer service (after-sales) representative to repair the device (S77). have. You can proceed to S76 and S77 at the same time to schedule visits for device owners and customer service representatives.
  • the information calculated in S76 or S77 may be output through the display component of the refrigerator 100 as job information.
  • an abnormal condition generated in the refrigerator for example, an abnormal condition such as a bad temperature occurs or before the user recognizes the abnormal condition or before the user recognizes the abnormal condition. You can check the status.
  • the cause information of the abnormal state may also be calculated in response to the abnormal state information.
  • abnormal state information may be primarily calculated based on deep learning, and the cause information of the abnormal state may be secondarily calculated to increase accuracy of cause diagnosis. have.
  • the defective measure for the calculated cause information proceeds with a flow such as securing a material for contact or repair of a customer service representative based on the flow shown in FIG. 12.
  • the present invention is not necessarily limited to these embodiments, and all of the components are within the scope of the present invention. It can also be combined to operate selectively.
  • all of the components may be implemented in one independent hardware, each or all of the components may be selectively combined to perform some or all functions combined in one or a plurality of hardware.
  • It may be implemented as a computer program having a. Codes and code segments constituting the computer program may be easily inferred by those skilled in the art.
  • Such a computer program may be stored in a computer readable storage medium and read and executed by a computer, thereby implementing embodiments of the present invention.
  • the storage medium of the computer program includes a storage medium including a magnetic recording medium, an optical recording medium and a semiconductor recording element.
  • the computer program for implementing an embodiment of the present invention includes a program module transmitted in real time through an external device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Devices That Are Associated With Refrigeration Equipment (AREA)
  • Cold Air Circulating Systems And Constructional Details In Refrigerators (AREA)
  • Operations Research (AREA)

Abstract

본 발명은 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버에 관한 기술로, 본 발명의 일 실시예에 의한 냉장고 또는 클라우드 서버에 포함되는 이상 상태 진단부는 저장된 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 냉장고의 이상 상태 정보를 산출하며, 원인 진단부는 이상 상태 진단부에서 이상으로 판단한 경우, 저장된 제2그룹의 정보와 불량 패턴과의 유사도에 기반하여 이상 상태의 원인 정보를 산출한다.

Description

이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버
본 발명은 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버에 관한 기술이다.
전자제품은 다양한 환경에 배치되어 동작하므로 제품 출하 시점을 기준으로 제품의 구조나 구성요소에 변화가 발생할 수 있다. 예를 들어 TV의 경우 사용자의 잦은 온/오프가 발생할 경우 전원 연결부에서 오작동이 발생할 수 있다. 뿐만 아니라, 에어컨과 같이 외부의 실외기와 기계적/화학적/물리적 구성요소들에 기반하여 동작할 경우 동작 과정에서 이상 상태가 발생할 수 있다.
마찬가지로, 냉장고는 사용 빈도가 매우 높은 장치라는 점에서 기계적 또는 전기적으로 냉장고에 충격이 가해질 수 있으며, 냉매의 변화 혹은 컴프레셔의 변화 등 다양한 이상 상태가 발생할 수 있다. 이러한 이상 상태는 반드시 외부에서 그 원인을 명확하게 파악하기 어려우므로 사용자가 냉장고의 이상 상태를 해결하지 못하며 이에 대해 별도의 서비스 담당자가 방문하여 해결하는 프로세스가 이루어지고 있다.
국내 등록 특허 10-1215097호는 휴대단말을 통하여 냉장고의 진단 정보나 상태 정보를 용이하게 확인하고, 냉장고와 휴대단말 사이에 사용자 정보를 송수신할 수 있는 냉장고의 무선 통신 장치 및 무선 통신 방법을 제시하고 있다. 도 1은 전술한 문헌에서 제시하는 냉장고과 휴대 단말 사이의 정보의 송수신 과정을 보여주는 도면이다.
먼저 휴대단말이 사용자로부터 정보 요청이 있는지를 판단하고(S1), 정보 요청 메시지를 휴대단말이 냉장고로 전송한다(S2). 냉장고는 요청된 정보를 검색하고(S3), 검색된 정보를 다시 휴대단말로 전송한다(S4). 그리고 휴대 단말은 전송된 정보를 표시하고 저장한다(S5). 도 1의 과정은 휴대 단말을 이용하여 사용자가 냉장고의 상태를 확인하고자 할 때 적용할 수 있다.
그런데, 도 1과 같이 제시된 냉장고의 상태는 냉장고의 기본적인 정보만을 확인하는 것이며, 냉장고 내의 이상 상태를 확인하는 데에는 한계가 있다. 냉장고가 내부의 상태를 이상 혹은 정상으로 판단하는 내용이 도 1에서 전혀 제시되어 있지 않다. 다만, 도 1에서는 정보의 확인을 휴대 단말에서 수행하는 것에 중점을 두고 있다.
따라서, 도 1의 기술은 냉장고의 이상 상태를 항시 체크할 수 있는 기술을 제시하지 않으며, 수신된 상태 정보를 어떤 방식으로 사용해야 하는지에 대해 기술하지 않고 있다. 따라서, TV나 에어컨, 냉장고 등의 전자 제품의 이상 상태를 고객에게 실시간으로 혹은 일정한 간격에 맞추어 전송하는 기술이 없다. 이에, 냉장고와 같은 전자제품이 이상 상태를 확인하고 이에 더하여 이상 상태의 원인을 진단하여 신속히 대응할 수 있는 기술이 필요하다.
본 명세서에서는 전술한 문제점을 해결하기 위한 것으로, 냉장고가 동작 과정에서 발생한 이상 상태를 고장으로 진행되기 전에 이를 감지하고 이의 원인을 진단하는 장치를 제공하고자 한다.
본 명세서에서는 냉장고 또는 클라우드서버가 이상 상태의 확인과 원인을 두 단계의 학습 모듈을 통해 정밀하게 진단하여 냉장고의 이상 상태에 대한 원인 진단의 정밀도를 높이고자 한다.
본 명세서에서는 사용자가 고객 서비스를 신청하는 과정에서 냉장고의 상태를 정확히 설명하지 못하는 경우에도 서비스 센터는 누적된 센싱 정보에 기반하여 가전 기기의 상태를 확인하여 적합한 고객 서비스를 제공할 수 있도록 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 7쉽게 알 수 있을 것이다.
본 발명의 일 실시예에 의한 냉장고는 냉장고의 이상 상태에 대응하는 제1그룹의 정보를 산출하는 하나 이상의 센서와 이상 상태의 원인에 대응하는 제2그룹의 정보를 산출하는 하나 이상의 센서와, 센서들이 센싱한 제1그룹의 정보 또는 제2그룹의 정보를 시간 정보와 결합하여 저장하는 저장부를 포함한다.
본 발명의 일 실시예에 의한 클라우드 서버는 다수의 냉장고들로부터 이상 상태에 대응하는 제1그룹의 정보 및 이상 상태의 원인에 대응하는 제2그룹의 정보를 수신하는 통신부와, 수신된 정보를 냉장고의 식별 정보 및 시간 정보와 결합하여 저장하는 저장부를 포함한다.
본 발명의 일 실시예에 의한 냉장고 또는 클라우드 서버에 포함되는 이상 상태 진단부는 저장된 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 냉장고의 이상 상태 정보를 산출한다.
본 발명의 일 실시예에 의한 냉장고 또는 클라우드 서버에 포함되는 원인 진단부는 이상 상태 진단부에서 이상으로 판단한 경우, 저장된 제2그룹의 정보와 불량 패턴과의 유사도에 기반하여 이상 상태의 원인 정보를 산출한다.
본 발명의 일 실시예에 의한 이상 상태 진단부는 운전 정보 센서 또는 도어 센서에서 이벤트 발생을 확인한 후 미리 설정된 X 시간 이후에 냉장고의 이상 상태 정보를 산출하며, X 시간 이후 이상 상태로 판단된 제2그룹의 센서의 센싱된 결과를 원인 진단부에 입력하여 원인 진단부가 이상 상태의 원인 정보를 산출한다.
본 발명의 일 실시예에 의한 원인 진단부는 이상 상태의 원인에 대응하는 불량 패턴을 둘 이상 포함하며, 제2그룹의 정보가 입력되는 입력 레이어와, 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 불량 패턴 중 어느 하나와의 유사도를 원인 정보로 출력하는 출력 레이어와, 상관 관계를 정의하며 불량 패턴 각각에 대응하는 둘 이상의 히든 레이어 엔진을 포함한다.
본 발명을 적용할 경우 냉장고가 동작 과정에서 발생한 이상 상태를 고장으로 진행되기 전에 이를 감지하고 이상 상태의 원인을 진단하여 이상 상태를 해결하는 장치를 구현할 수 있다.
본 발명을 적용할 경우, 냉장고의 상태를 나타내는 다양한 센서들의 센싱 정보에 기반하되 이상 상태를 1차적으로 진단하고, 이상 상태가 발생하면 2차적으로 원인을 정밀하게 진단하여 냉장고의 이상 상태에 대한 대응이 선제적으로 이루어지도록 한다.
본 발명을 적용할 경우, 사용자가 고객 서비스를 신청하는 과정에서 냉장고의 상태를 정확히 설명하지 못하는 경우에도 서비스 센터는 누적된 센싱 정보 또는 이상 상태 정보 또는 진단 결과에 기반한 원인 정보를 이용하여 냉장고의 상태를 확인하여 적합한 고객 서비스를 제공할 수 있다.
본 발명의 효과는 전술한 효과에 한정되지 않으며, 본 발명의 당업자들은 본 발명의 구성에서 본 발명의 다양한 효과를 쉽게 도출할 수 있다.
도 1은 전술한 문헌에서 제시하는 냉장고과 휴대 단말 사이의 정보의 송수신 과정을 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 의한 냉장고에서 센싱된 센싱 정보에 기반하여 이상 상태 및 원인을 진단하는 과정을 보여주는 도면이다.
도 3은 본 발명의 일 실시예에 의한 이상 상태 진단부를 학습시키는 과정을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 의한 원인 진단부를 학습시키는 과정을 보여주는 도면이다.
도 5는 본 발명의 일 실시예에 의한 이상 상태 진단부의 딥러닝 모듈의 구성을 보여주는 도면이다.
도 6은 본 발명의 일 실시예에 의한 이상 상태 정보의 판단을 보여주는 그래프이다.
도 7은 본 발명의 일 실시예에 의한 원인 진단부의 딥러닝 모듈의 구성을 보여주는 도면이다.
도 8은 본 발명의 일 실시예에 의한 이상 상태 및 원인을 진단하기 위한 진단 메커니즘을 보여주는 도면이다.
도 9는 본 발명의 일 실시예에 의한 온도 패턴을 보여주는 도면이다.
도 10은 본 발명의 일 실시예에 의한 온도 패턴을 보여주는 도면이다.
도 11은 이상 상태 진단부와 원인 진단부가 배치되는 구성을 보여주는 도면이다.
도 12는 본 발명의 일 실시예에 의한 냉장고와 클라우드 서버, 그리고 모니터링 서버 사이에 작업 정보가 송수신되는 과정을 보여주는 도면이다.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그
상세한 설명은 생략할 수 있다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
본 발명에서 기기의 이상 상태(Abnormal state)을 모니터링하는 주요 실시예로 냉장고를 중심으로 설명한다. 이상 상태는 기기가 정상적으로 동작하지 않는 것을 의미하며 반드시 고장 상태를 의미하는 것은 아니다. 고장에 이르기 전의 상태도 이상 상태에 포함되며, 고장 상태는 당연히 이상 상태에 포함된다.
전술한 바와 같이, 냉장고는 매우 복합적인 운전 상태를 가지며 이는 곧 다양한 이상 상태의 가능성을 의미하므로 다른 가전 제품들 보다 보다 복합적인 이상 상태의 판단이 필요하다. 따라서, 발명의 실시예에서는 주로 냉장고에 대해 살펴본다. 그러나, 본 발명이 이에 한정되는 것은 아니며, 통신 가능한 전자제품이 지속적으로 동작하며 생성하는 운전 상태에 대한 정보를 클라우드 서버에 전송하고 이에 대한 판단 결과를 수신할 수 있는 모든 제품에 적용하고자 한다.
본 명세서의 실시예에서는 저장물의 냉장 혹은 냉동을 위한 장치로 냉장고를 중심으로 설명하며, 이는 통상의 음식을 저장하는 냉장고와 김치 냉장고, 음료 냉장고, 가정용 냉장고, 업소용 냉장고, 그리고 냉동고 만으로 구성된 냉동장치 등 다양한 냉장 및 냉동 기능을 주로 하는 장치들을 모두 포함한다. 뿐만 아니라, 화장품 냉장고와 같이 음식이 아닌 저장물을 냉장하는 장치에도 적용되며, 또한, 고정식이 아닌 이동식, 예를 들어 대형 냉장 트레일러에 설치된 냉장장치 역시 본 명세서에서 언급하는 실시예에 포함된다.
본 명세서에서 냉장고는 다양한 통신 프로토콜에 기반하여 내부의 상태 정보를 취합하여 외부의 클라우드 서버에 전송할 수 있다. 또는 내부의 상태를 확인하고 진단하는 과정이 냉장고 내에서 이루어질 수도 있으며 최종적인 진단 결과나 진단 상태에 대한 정보가 클라우드 서버에 전송될 수 있다. 이 과정에서 냉장고와 다른 서버들 사이의 통신 과정의 일 실시예로 WiFi에 기반하여 통신할 수 있으나 본 발명이 이에 한정된 것은 아니다.
도 2는 본 발명의 일 실시예에 의한 냉장고에서 센싱된 센싱 정보에 기반하여 이상 상태 및 원인을 진단하는 과정을 보여주는 도면이다.
센싱 정보에 기반하여 이상 상태를 진단하는 이상 상태 진단부(200) 및 원인 진단부(300)는 센싱 정보에 기반하여 냉장고의 이상/정상 상태를 진단하거나 이에 기반하여 고장의 원인을 확인할 수 있다.
이상 상태 진단부(200)에 대해 살펴본다. 이상 상태 진단부(200)는 소정의 센싱 정보들이 입력되고, 이들의 상관 관계 및 누적된 센싱 정보들의 패턴에 기반하여 현재 냉장고가 이상 상태인지 아니면 정상 상태인지를 진단한다. 즉, 이상 상태 진단부(200)는 이상 상태 정보를 산출하며 이는 다음과 같은 값을 가질 수 있다.
이상 상태 정보 = {Normal, Abnomal}
냉장고는 다양한 센서들이 배치되며 이들 센서들이 센싱한 정보는 비시간적 정보이거나 혹은 시간적인 패턴을 확인할 수 있도록 저장될 수 있다. 도 2에서 냉장실의 온도, 냉동실의 온도, 밸브 상태, 냉장실의 도어 열림 등이 센싱 정보로 입력된다.
이들 실시간으로 센싱된 센싱 정보 또는 저장된 센싱 정보는 이상 상태 진단부(200)의 입력레이어들에 입력된다. 이상 상태 진단부(200)는 이전에 많은 정상 센싱 정보와 비정상 센싱 정보에 기반하여 학습을 수행하여 센싱 정보의 상관 관계를 네트워크로 구축한 상태이다.
냉장고의 정상 패턴을 확인할 수 있는 노드 및 에지들로 구성된 네트워크의 입력부에 센싱 정보가 입력되면 센싱 정보들을 통해 이상 상태 진단부(200)는 이상 상태 정보를 출력한다. 출력된 값은 이상 혹은 정상을 지시한다. 이상 또는 정상은 반드시 현출된 이상 상태 혹은 정상 상태에 한정되지 않으며, 외부에서 불량 상태를 인지하기 전이지만 불량을 발생시킬 수 있는 상태 역시 이상 상태에 포함될 수 있다.
이상 상태 진단부(200)는 입력된 센싱 정보가 정상 패턴과 얼마나 일치하는가로 판단할 수 있다. 정상 패턴에 대한 임계값을 벗어나는지 혹은 포함되는지에 따라 이상/정상 상태를 판단할 수 있다.
매 순간 발생하는 센싱된 정보를 일정한 간격(예를 들어 1분 주기)으로 입력받으므로, 이상 상태 진단부(200)는 이상 상태가 발생했는지 여부만을 확인한다. 이상 상태가 발생하지 않은 경우, 별도의 원인 진단부(300)의 동작 없이 계속 냉장고의 동작을 모니터링할 수 있도록 센싱 정보가 입력된다.
한편, 원인 진단부(300)는 이상 상태가 발생한 경우, 이상 상태와 연관도가 높은 센서를 확정하고 확정된 센서에 기반하여 이상 상태의 원인을 진단한다. 이를 위해 원인 진단부(300)는 센싱 정보와 센싱 정보에서 산출된 메타 정보를 이용하여 이상 상태의 원인 정보를 산출할 수 있다. 원인 진단부(300)는 다양한 불량 원인을 나타내는 패턴을 나타내는 센싱 정보의 상관 관계를 네트워크로 구축한 상태이다. 입력된 센싱 정보가 냉장고의 불량 원인 패턴에 매칭된다면, 현재 발생한 이상 상태의 원인은 해당 패턴이 원인 정보가 된다. 원인 진단부(300)는 다양한 불량 원인을 나타내는 패턴과 입력된 센싱 정보와의 유사성에 기반하여 확률적으로 판단한다.
도 2에서 이상 상태에 대해 두 가지의 진단부들(200, 300)를 제공하며, 이 진단부들은 냉장고 내에 포함될 수도 있고 클라우드 서버에 포함될 수도 있다. 또는 두 개의 진단부들(200, 300)가 냉장고 및 클라우드 서버에 분산하여 배치될 수 있다.
정리하면, 도 2에서 이상 상태 진단부(200)는 2가지의 이상 상태 정보(이상이 발생하거나 이상이 발생하지 않은 정상인 경우)를 산출한다.
반면, 원인 진단부(300)는 불량 원인 패턴과의 유사성을 확률적으로 산출하는데, 예를 들어 냉장실 도어 열림(90%) 와 밸브 누설(10%)와 같이 불량의 원인을 하나 이상 도시하며 이의 확률값을 함께 원인 정보로 산출할 수 있다.
그 결과 불량 원인에 대응하여 바로 조치할 수 있다. 서비스를 대응하는 방안으로, 냉장고의 디스플레이부에 불량 원인의 해결을 위한 작업 정보를 제공하거나 서비스 센터 요원의 방문 약속을 설정하는 작업 정보를 생성할 수 있다. 특히, 서비스 대응 방안으로 고객 서비스를 담당하는 모니터링 서버와 함께 동작하여 불량 방지를 위해 사전에 필요한 자재를 확보한 후 서비스 출동 대응을 하며, 불량 방지를 위한 선제적 대응을 위한 원격 조치 서비스로 대응할 수 있다.
불량 방지를 위한 선제적 대응 예시로는 제상 불량 시 제상을 투입, 냉장실 과냉 발생 시 냉장 제어 온도 올림 등이 될 수 있다.
도 2의 구성을 정리하면 다음과 같다. 냉장고의 다양한 센서들이 산출하는 정보들은 정상인지 이상인지의 상태를 판단하는데 적합한 정보들이 있고, 불량 상태의 원인을 진단하는데 적합한 정보들이 있다. 따라서, 이들 정보들을 구별하여 1차로 이상 상태를 진단하여 이상 상태인 경우에 2차로 그 원인을 진단하는 것을 특징으로 한다.
도 2에서 이상 상태 진단부(200)와 원인 진단부(300)는 분리하여 구현될 수 있다. 그리고 이들 분리된 구성요소들은 냉장고에 구현될 수도 있고, 서버에 구현될 수 있다.
다만, 이들 구성 요소들은 딥러닝을 통해 학습된 구성요소이므로, 이들을 학습시키는 과정에서 센싱 정보는 빅데이터를 통해 제공될 수 있다. 원인 진단부(300)는 하나로 구현될 수도 있으나, 다양한 원인에 따라 세분하여 구성될 수 있다. 예를 들어 제1원인진단부는 냉각불량의 원인 진단을 수행하는 딥러닝 엔진으로 구성될 수 있으며, 제2원인진단부는 온도불량원인진단 엔진으로 구성될 수 있다.
발명의 실시예에 따라 이상 상태 진단부(200)와 원인 진단부(300)가 모두 냉장고에 구현된 경우, 이상 상태 진단부(200)와 원인 진단부(300)가 모두 서버에 구현된 경우, 그리고 이상 상태 진단부(200)는 냉장고에 구현되고 원인 진단부(300)는 서버에 구현된 경우 등으로 분류할 수 있다. 그러나, 이러한 분류가 이상 상태 진단부(200)와 원인 진단부(300)의 구성에 차이점을 제공하는 것은 아니다.
물론, 이상 상태 진단부(200)가 서버에 구현되고, 원인 진단부(300)가 냉장고에 구현될 수도 있다. 다만, 이상 상태 진단부(200)가 원인 진단부(300) 보다 작은 컴퓨팅 파워를 필요로 할 수 있음으로 당업자는 이를 고려하여 냉장고 및 서버에 분리하여 구현할 수 있다.
이하 이상 상태 진단부 및 원인 진단부의 학습 과정을 살펴본다. 이들은 다양한 냉장고에서 산출된 학습 데이터에 기반하여 딥러닝 엔진을 생성한다.
도 3은 본 발명의 일 실시예에 의한 이상 상태 진단부를 학습시키는 과정을 보여주는 도면이다.
다양한 냉장고들이 산출하는 다양한 정상 및 이상 조건에 대한 학습용 데이터를 빅데이터로 구성하도록 학습 데이터를 수집한다(S11). 여기서 수집되는 데이터의 예시로는 온도와 관련된 RT, 습도, 부하량, 도어개폐 등의 실사용 조건을 고려한 필드 데이터 및 제상/부하대응도 정상 등으로 분류한 학습 데이터를 수집한다.
그리고 수집된 데이터는 다양한 기종의 냉장고에서 산출된 것이므로, 이를 표준화 또는 정규화를 수행하여 학습을 할 수 있도록 전처리 작업을 수행한다(S12). 또한, 냉장/냉동실 별로 필요한 특성값을 추출한다.
이후, 딥러닝 엔진을 셋팅한다(S13). 딥러닝 엔진은 이상 상태 진단부(200) 내에 배치되며, 전술한 데이터들을 이용하여 딥러닝을 수행하는데 필요한 초기 설정을 수행하는 것이 S13에 포함된다. 이후, 실사용 데이터를 이용하여 학습을 진행하고(S14) 이에 대해 이상상태 정보를 출력 및 평가하는 단계(S15)를 반복하여 딥러닝 학습을 수행한다.
충분한 크기의 빅데이터를 이용하여 학습을 반복할 경우, 이상 상태 진단부(200)가 입력된 센서 데이터에 기반하여 정상 패턴과의 유사도에 기반하여 이상 상태인지 여부를 나타내는 이상 상태 정보를 산출할 수 있다.
딥러닝을 수행하기 위해서는 다양한 환경 조건 및 사용 패턴에 따른 냉장고의 정상 및 불량 데이터를 수집하는 것이 선행된다.
도 3의 경우 정상/이상을 구분하는 정보도 입력될 수 있다. 예를 들어 정상 데이터의 경우는 일반 안정시의 운전, 냉각기의 성에 및 얼음을 제거하기 위한 제상 운전, 식품을 투입하여 발생되는 부하 대응 운전을 포함해야 하고, 불량 데이터의 경우는 불량 원인에 따른 불량을 모사하여 데이터를 확보해야 한다. 환경적 변수로는 외기 온도, 외기 습도, 설치 장소 등이 있고, 사용 패턴에 따른 변수로는 도어 개폐, 식품 투입량, 온도 세팅 등이 학습 데이터로 제공된다.
또한, 여기서 수집된 학습 데이터는 냉장고의 온도 센서(고내 온도센서/ 제상 온도센서/ 외기온도 센서 등), 부품의 운전 상태(3way valve 상태, Fan 운전 유무, Fan rpm 등), 도어 개폐(냉장실 도어 열림, 냉동실 도어 열림 등), 압축기의 운전 상태(스트로크, 위상, 냉력 등), 압축기의 전력 등의 파라미터로 구성될 수 있다. 딥러닝 기반의 엔진을 셋팅하기 전에 진단을 위해 유효한 파라미터를 추출하고, 각 파라미터의 레벨을 맞추기 위해 정규화를 통한 전처리를 진행할 수 있다.
전처리 이후 정상 및 불량 진단을 위해 시계열 데이터 분석/학습에 적합한 딥러닝 기반의 엔진을 설계하고, 실사용 데이터를 학습시킴으로서 필요한 특성값을 도출한다. 마찬가지로 다양한 원인에 대한 판단에 적합한 딥러닝 기반의 고장 원인 진단 모델도 불량 데이터 학습을 통해 필요한 특성값을 도출한다.
도 4는 본 발명의 일 실시예에 의한 원인 진단부를 학습시키는 과정을 보여주는 도면이다.
도 3에서 산출되는 이상상태 정보를 하나의 입력 값으로 하며, 또한 S11~S12의 데이터를 데이터로 적용한다. 원인 진단부에 적합하게 딥러닝 엔진을 셋팅한다(S21). 딥러닝 엔진은 원인 진단부(300) 내에 배치되며, 전술한 데이터들을 이용하여 딥러닝을 수행하는데 필요한 초기 설정을 수행하는 것이 S21에 포함된다.
앞서 도 3의 딥러닝 엔진의 셋팅은 주어진 데이터에 기반하여 정상/이상 상태를 최적으로 구분할 수 있도록 셋팅하는 단계이다. 반면, 도 4의 딥러닝 엔진의 셋팅은 입력된 데이터에 기반하여 다양한 원인 상태를 산출할 수 있어야 하므로 도 3의 셋팅과 달리 진행될 수 있다.
이후, 실사용 데이터를 이용하여 학습을 진행하고(S22) 이에 대해 원인 정보를 출력 및 평가하는 단계(S23)를 반복하여 딥러닝 학습을 수행한다. 충분한 크기의 빅데이터를 이용하여 학습을 반복할 경우, 원인 진단부(300)가 입력된 센서 데이터에 기반하여 불량을 발생시킨 원인을 지시하는 원인 정보를 산출할 수 있다.
여기서 도 3의 딥러닝은 정상/비정상을 구분하지 않고 모든 센서 데이터가 입력되어 이상 상태를 확인하는데 적합하게 딥러닝이 수행되지만, 도 4의 딥러닝은 이상 상태로 확인된 경우에 센서 데이터가 입력되어 원인을 진단하도록 딥러닝이 수행된다는 점에서 상이하다.
도 3 및 도 4에 의해 학습된 딥러닝 모듈을 포함하는 이상 상태 진단부(200) 및 원인 진단부(300)는 소프트웨어 또는 하드웨어의 형태로 구현되어 배포될 수 있다. 이는 향후 소프트웨어 업데이트 또는 하드웨어 모듈 교체를 통해 업그레이드를 수행할 수 있다.
이상 상태 진단부(200) 및 원인 진단부(300)는 각각 상이한 그룹의 정보에 기반하여 동작할 수 있다. 예를 들어, 이상 상태 진단부(200)는 냉장고의 센서들이 산출하는 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 냉장고의 이상 상태 정보를 산출할 수 있다. 그리고 원인 진단부(300)는 냉장고의 센서들이 산출하는 제2그룹의 정보와 불량 패턴과의 유사도에 기반하여 이상 상태의 원인 정보를 산출할 수 있다.
일 실시예에의 의하면, 제1그룹과 제2그룹은 동일할 수도 있으나 상이하게 구성될 수도 있다. 예를 들어, 제1그룹의 정보를 산출하는 센서들의 집합 및 제2그룹의 정보를 산출하는 센서들의 집합의 합집합은 냉장실 및 냉동실의 온도를 센싱하는 온도 센서와, 냉동실 또는 냉동실의 증발기 온도 센서와, 냉장실 및 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서와 도어의 개폐를 센싱하는 도어 센서와, 압축기의 운전 패턴을 센싱하는 압축기 센서와, 팬의 운전 패턴을 센싱하는 팬 센서와 밸브의 상태를 센싱하는 밸브 센서 중 어느 하나 이상을 포함하도록 구성될 수 있다. 혹은 이들 센서들이 생성하는 정보가 될 수 있다.
또는 제1그룹에 포함되며 제2그룹에 포함되지 않는 센서를 구성할 수 있으며 냉동실의 급속 냉동 동작에 관한 딥쿨 센서, 냉동실 및 냉장실의 도어의 개폐를 센싱하는 도어 센서, 냉장실 또는 냉동실의 부하 대응을 지시하는 부하 대응 센서, 냉장실 또는 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서 중 어느 하나 이상을 포함하도록 구성될 수 있다. 혹은 이들 센서들이 생성하는 정보가 될 수 있다.
또는 제2그룹에 포함되며 제1그룹에 포함되지 않는 센서는 냉동실 또는 냉동실의 증발기 온도 센서, 냉동실 또는 냉장실의 온도 센서, 냉장고의 운전 상태 센서, 압축기의 온-오프 또는 냉력 또는 압축기의 운전 패턴을 센싱하는 압축기 센서 중 하나 이상을 포함하도록 구성될 수 있다. 혹은 이들 센서들이 생성하는 정보가 될 수 있다.
도 5는 본 발명의 일 실시예에 의한 이상 상태 진단부의 딥러닝 모듈의 구성을 보여주는 도면이다. 도 5는 LSTM(Long Short Term Memory models)에 기반하여 학습 네트워크를 구성한 실시예이지만, 본 발명이 이에 한정되는 것은 아니다. LSTM은 입력된 정보의 장기적 의존성 문제를 해결하여 이들이 네트워크 내 전파되는 시간을 제한할 수 있도록 한다.
도 5에서 딥러닝 모듈에 입력되는 데이터들의 입력 레이어(31)은 딥러닝 모듈 내의 히든 레이어(32)를 구성하는 다양한 노드들(LTSM 셀 및 Concat) 간의 데이터 전달과 계산 과정에서 파라미터로 입력된다. 또한, 입력 레이어(31)와 출력 레이어(33) 사이의 상관 관계를 정의하는 히든 레이어(32)의 노드들로부터 산출된 결과는 한 개 층 이상의 FC 레이어(Fully-Connected Layer)에 입력되어, 최종적으로 데이터가 출력되는 출력 레이어(33)로 구성된다. 이들 출력된 데이터는 정상/불량 상태를 판단한 결과인 이상 상태 정보를 구성한다.
도 5에서 이상 상태 정보는 단일하게 "정상" 및 "이상"으로 나뉘어질 수도 있고, 각 출력 레이어(33)의 노드 별로 "온도 이상", "냉각 이상", "도어 이상" 등으로 이상 상태를 세분화시킨 결과가 출력될 수 있다. 물론, 둘 이상의 이상 상태가 경합할 수도 있다. 혹은 가장 가능성이 높은 출력 데이터에 대응하는 이상 상태 하나에 기반하여 이상 상태 정보를 산출할 수도 있다.
도 5의 이상상태 진단부(200)의 입력 레이어(31)에는 제1그룹의 정보가 입력된다. 그리고 입력 레이어(31)에 에서 입력된 정보들의 상관관계를 산출하여 출력 레이어(33)에서 이상 상태 정보를 출력한다.
도 5는 도 3에서 제시한 플로우에 기반하여 정상 데이터를 학습시켜 데이터가 정상 패턴과 일치하는 정도에 따라 임계치 이하에서 피크가 있으면 정상 임계치를 벗어난 불량으로, 즉 이상 상태로 진단한다. 이에 대해 도 6에서 상세히 살펴본다.
도 6은 본 발명의 일 실시예에 의한 이상 상태 정보의 판단을 보여주는 그래프이다. 도 6은 정상 패턴과의 매칭할 경우의 로스(loss)율에 기반하여 임계치로 정상을 판단하는 구성이다. 비정상(abnormal)인 경우의 매칭과 정상(normal)의 매칭에서 0.185라는 기준을 중심으로 비정상(이상 상태) 또는 정상 상태를 판별할 수 있다.
도 7은 본 발명의 일 실시예에 의한 원인 진단부의 딥러닝 모듈의 구성을 보여주는 도면이다.
원인 진단부(300)는 이상 상태에 대응하는 원인이 무엇인지를 확인할 수 있도록 딥러닝 모듈을 포함한다. 도 7 역시 도 5와 같이 LSTM에 기반하여 학습 네트워크를 구성한 실시예이지만, 본 발명이 이에 한정되는 것은 아니다
도 7에서 딥러닝 모듈에 입력 레이어(41)에 입력되는 데이터들은 딥러닝 모듈을 구성하는 히든 레이어(42) 내의 다양한 노드들(LTSM 셀 및 Concat) 간의 데이터 전달과 계산 과정에서 파라미터로 입력된다. 또한, 이들 노드들로부터 산출된 결과는 한 개 층 이상의 FC 레이어(Fully-Connected Layer) 및 하나의 소프트맥스 레이어(Softmax layer)로 입력되어, 최종적으로 출력 데이터(43)로 구성된다.
여기서 히든 레이어(42)는 엔진 형태로 구성되어 다수 개 중에서 하나가 선택될 수 있다. 보다 상세히, 원인 진단부(300)는 이상 상태의 원인에 대응하는 불량 패턴을 둘 이상 포함할 수 있으며, 이들 불량 패턴에 대응하는 히든 레이어 엔진들을 다수 포함하여, 불량 패턴에 따라 특정한 히든 레이어 엔진을 선택할 수 있다.
즉, 입력 레이어(41)에는 제2그룹의 정보가 입력되고, 출력 레이어(43)는 입력 레이어(41)에서 입력된 정보들의 상관관계를 산출하여 불량 패턴 중 어느 하나와의 유사도를 원인 정보로 출력한다. 그리고 히든 레이어 엔진은 상관 관계를 정의하며 불량 패턴 각각에 대응하도록 구성된다.
그 결과 43a와 같이 출력 레이어 중에서 비정상의 결과를 다수 출력할 수 있으며, 원인 진단부(300)는 이들 중에서 가장 확률이 높거나 혹은 복합적으로 비정상의 원인을 산출할 수 있다.
소프트맥스 레이어는 입력된 값을 출력을 함에 있어서 정규화 시켜 이들의 총합이 특정한 값(예를 들어 1)에 이르도록 한다. 이는 원인을 판단함에 있어서 다양한 원인이 도출될 경우, 이들의 원인 가능성에 대한 확률을 특정한 상한값(예를 들어 1) 이하가 되도록 하여 원인 판단의 정확도를 높일 수 있다.
이들 출력 데이터는 특정한 원인 상태, 즉 어떠한 영역이 비정상이므로 이상 상태의 원인이 됨을 출력할 수 있다. 즉, 원인 정보는 1차적으로는 다수의 비정상 관련 원인 정보(43a)이 제시되고, 그 다음 이들의 취합한 결과인 원인 정보(43b)가 산출되는 구조로 구성된다.
도 7은 온도 불량에 대한 원인 진단부의 실시예로 적용 가능하다. 즉, 많은 원인 중에 가장 패턴 특성이 유사한 원인을 진단할 수 있다. 추가로 임계값 이상일 경우 불량 중복 원인 진단도 가능하다. 이는 43a에서 다수의 비정상 원인에 대한 정보들이 출력되는 방식으로 확인할 수 있다.
도 5 내지 도 7에서 판단을 위해 사용하는 냉장고의 데이터는 특정한 주기, 예를 들어 1분 주기로 전송하고, 이상 진단이나 원인 진단 시에는 일정한 크기 이상 쌓인 데이터(예를 들어 2시간 단위의 데이터)를 통해 시계열 패턴 분석에 기반하여 진단을 수행할 수 있다.
이를 위해 일정한 크기 이상 데이터를 누적하고 이들 데이터에 기반하여 1차적으로 도 5와 같이 이상 상태를 확인한 후, 이상 상태가 발생하면, 이 시점 및 그 이전의 데이터, 그리고 이후 해당 냉장고에서 산출된 데이터들을 원인 진단부(300)에 입력하여 이상 상태의 원인을 확인할 수 있다.
도 8은 본 발명의 일 실시예에 의한 이상 상태 및 원인을 진단하기 위한 진단 메커니즘을 보여주는 도면이다. 4 가지 방식의 메커니즘을 제공한다. 불량 진단 엔진의 판단에 있어 정상/이상 진단 및 이상 원인 진단까지 진단의 정확도를 높이고 연산의 로드를 줄이기 위해 4가지 방법으로 응용 적용이 가능하다.
51은 제1메커니즘, 즉 제1케이스로, 딥러닝 학습 방법에 의해서만 진단하는 과정이다. 이상 상태 진단부(200)는 냉장고로부터 발생한 데이터들에 기반하여 지속적으로 이상 상태가 발생했는지를 딥러닝에 기반하여 진단한다. 그리고 이상 상태가 발생한 경우(이상 상태 정보 산출), 원인 진단부(300)에서 딥러닝에 기반하여 원인을 진단한다(원인 정보 산출). 이상 상태 미발생시에는 지속적으로 이상 상태 진단부(200)는 진단을 수행한다.
52는 제2메커니즘, 즉 제2케이스로, 이벤트가 발생한 후 일정 시간(X시간)이 지난 후에 이상 상태 진단부(200)가 이상 상태인지 정상 상태인지를 진단한다. 이벤트 발생(도어 열림, 부하대응 투입, 제상 투입 등) 시점부터 과도 구간으로 냉장고내 온도가 올라가 빨리 냉각시키기 위한 운전 로직이 변경되기 때문에 X시간 이후에 딥러닝 진단을 적용하여 판단함으로써 과도 구간에 대한 진단 정확도가 떨어지는 부분과 실시간 딥러닝 진단을 통한 연산 로드 부하가 커지는 단점을 개선할 수 있다.
이상 상태가 발생한 경우(이상 상태 정보 산출), 원인 진단부(300)에서 딥러닝에 기반하여 원인을 진단한다(원인 정보 산출). 이상 상태 미발생시에는 지속적으로 이상 상태 진단부(200)는 진단을 수행한다. 또한, 진단 과정에서 이벤트가 발생하면 다시 일정 시간이 지난 후에 이상 상태를 진단한다.
여기서 이벤트는 사용자가 냉장고에 대해 어떤 액션을 취하는 것으로 도어 개폐 등이 발생한 것을 의미한다. 또한, 냉장고 내에서 특수한 동작(제상, 부하 투입 등)을 수행한 경우 역시 이벤트에 해당한다. 이들 이벤트가 발생한 경우에는 일정 시간 동안은 냉장고의 동작이 안정화 되지 않으므로, 일정한 시간(X 시간 이후)이 지난 후에 이상 상태를 진단하여 이상 상태가 발생했는지 확인할 수 있다.
53은 제3메커니즘으로 51과 동일하되, 원인 진단 과정에서 차이가 있다. 이상원인 진단 시 온도가 올라가거나 내려가는 등의 온도 패턴이 단순하기 때문에 정확도를 높이기 위해 불량 항목의 특징을 대변할 수 있는 로직을 추가하여 크로스 체크를 통해 진단하는 방법이다. 예를 들면 냉동실 미세 열림 시 냉동실 온도와 냉동실 제상센서 온도의 차이가 커지는 특성과 딥러닝 이상 진단시 냉동실 미세 열림 확률이 50% 이상일 경우 냉동실 미세 열림으로 진단한다.
즉, 이상 상태가 발생하면, 이상 상태에 대응하여 로직을 분류한다. 로직 분류란, 약냉, 과냉, 냉각 불량 등 온도 불량 유형에 기반하여 이들의 특징을 로직으로 진단한 결과와 원인 진단부(300)의 진단을 수행한 결과를 이용하여 최종적으로 원인 정보를 산출할 수 있다. 여기서 로직의 분류란, 과냉/약냉/냉각불량 등의 이상 상태의 카테고리에 대응하여 진단할 수 있는 항목을 달리하여 원인 진단부가 원인을 보다 정확하게 진단할 수 있도록 한다.
54는 제2메커니즘과 제3메커니즘의 결합이다.
표 1은 본 발명의 일 실시예에 의한 로직 분류를 보여주는 도면이다.
진단 항목 불량 현상 불량발생 원인 불량 현상 데이터 특징
3way Valve 불량 냉장실 과냉냉동실 약냉 Valve 불량(기구 또는 이물질에 의한 불량)하네스 오연결 냉장실의 제상센서 온도가 냉동실 운전 조건에서도 영하로 떨어짐 냉장실의 온도 센서가 영하로 떨어짐 (냉장실 내부 음식물 엄 발생) 냉동실의 운전시간이 길어지고 심할 경우 냉동실 온도가 높아짐 (냉동실 약냉 발생)
냉각 불량 하네스 오연결 냉장실 및 냉동실 제상센서 온도가 상승함
Cycle 막힘(용접) 냉장 냉각 불량냉동 냉각 불량냉장/냉동 냉각불량 용접 불량Cycle 내부 이물질/ 파티클에 의한 막힘 막힘이 발생한 시점부터 고내센서 및 제상센서 온도가 동시에 상승 (냉각 불량) 냉매가 흐르지 않기 때문에 제상 센서와 고내 센서 간 온도 차이가 거의 없음 -> 평균 정상 운전시 △T=5℃, 막힘 발생 시 △T=1℃
Cycle 막힘(수분) 냉동 냉각 불량 수분 침투에 의한 결빙 냉동실 센서와 냉동실 제상센서가 1회 냉각되고 막힘 현상과 동일하게 냉동실 센서와 냉동실 제상센서 온도 차이가 없는 상태로 온도가 상승하였다가 0℃ 전후로 온도 상승이 멈추면서 냉각됨
Door 미세열림 (냉동실) 냉동실 약냉냉각 불량 (증발기 폐색) 음식물 간섭, 고내 구조 간섭으로 미세열림Gasket 불량으로 인한 들뜸 도어가 열린 시점 이후에 냉동실 제상센서와 냉동실 센서간 간격 벌어지기 시작이후 계속해서 냉동실 제상센서 온도는 하강하고 냉동센서 온도는 상승
Door 미세열림 (냉장실) 냉장실 과냉(과다 개방시 약냉) 음식물 간섭, 고내 구조 간섭으로 미세열림Gasket 불량으로 인한 들뜸 도어가 열린 시점 이후에 냉장실 제상 센서온도가 떨어지고, 냉장실 센서 온도가 영하로 떨어짐이후 장기간 유지시 냉장실 제상 센서 온도는 하강하고 냉장센서 온도는 상승
냉장실 센서 가림 및냉장실 상단 토출구 가림 냉장 과냉 냉장센서 완전히 가리고, 센서 주변 식품으로 완전히 가릴 경우냉장실 상단 토출구가 식품으로 완전히 가릴 경우 냉장실 운전 시간이 길어지고 제상센서 온도가 많이 떨어짐(RT 25도 조건 정상시 제상센서 온도 -10도 이내, 불량시 -15도 전후로 떨어짐)
냉매 부족 냉장/냉동 약냉냉각 불량 냉매 봉입량 불량 초기 만족 온도 도달까지 냉각되는데 시간이 많이 걸림(적정 냉매량의 60%수준 냉각 속도 냉장실 2배, 냉동실 3배 이상 느려짐)냉매가 많이 부족하면 온도를 만족하지 못함 (적정 냉매량의 40% 이하)
냉매 누설 냉장/냉동 냉각 불량 용접부 누설(기계실, 증발기)진동 또는 부식에 의한 배관 누설 [고압부 누설시, 냉장고 기계실부]압축기의 입력이 갑자가 낮아지고 바로 제상 및 온도센서가 지속적으로 상승[저압부 누설시, 냉장고 냉각기부] 압축기의 입력이 2배 이상 상승하고, 몇 시간 후 제상 및 온도센서가 지속적으로 상승
제상 불량 약냉/ 냉각 불량 음식물 간섭, 고내 구조 간섭으로 미세열림Gasket 불량으로 인한 들뜸여름 고습조건 잦은 도어 개폐시 도어가 열린 시점 이후에 냉동실 제상센서와 냉동실 센서간 간격이 벌어지기 시작이후 계속해서 냉동실 제상센서 온도는 하강하고 냉동센서 온도는 상승
온도 불량 진단 항목은 표 1과 같이 총 9가지 항목으로 진단이 가능하다. 9가지 항목은 전술한 가냉/약냉/냉각불량 등으로 분류된 이상 정보에 대응하여 원인을 진단하기 위해 관련성이 있는 진단 항목을 제시한다. 표 1과 같은 진단 항목은 로직 분류 또는 다수의 원인 진단부들 사이에 어느 하나의 원인 진단부를 선택할 때 적용될 수 있다. 또는 원인 진단부에 입력되는 데이터 중에서 관련 진단 항목들의 리스트가 입력될 수 있다.
3way valve 불량에 의한 냉장실 과냉 및 냉동실 약냉, 사이클 용접 막힘에 의한 냉각 불량, 사이클 수분 막힘에 의한 냉각 불량, 냉장실 도어 미세열림에 의한 냉장실 과냉 또는 냉장실 냉각 불량, 냉동실 도어 미세열림에 의한 냉동실 약냉 또는 냉동실 냉각 불량, 냉장실 센서가림 및 상단 토출구 가림에 의한 냉장실 과냉, 냉매 부족에 의한 약냉, 냉매 누설에 의한 냉각 불량, 제상 불량에 의한 약냉 또는 냉각 불량을 진단할 수 있다.
도 8은 이상 진단에서 이벤트가 발생하는 52, 54의 경에에서 제1그룹의 정보를 산출하는 센서들은 냉장고의 부하 대응 운전 상황 또는 제상 상황을 확인하는데 필요한 운전 정보 센서 또는 도어의 개폐를 센싱하는 도어 센서 중 어느 하나 이상을 포함하도록 구성된다.
그리고 이상 상태 진단부(200)는 운전 정보 센서 또는 도어 센서에서 이벤트 발생을 확인한 후 미리 설정된 X 시간 이후에 냉장고의 이상 상태 정보를 산출할 수 있다. 그리고 X 시간 이후에, 이상 상태로 판단된 제2그룹의 센서의 센싱된 결과를 원인 진단부(300)에 입력하여 원인 진단부(300)가 이상 상태의 원인 정보를 산출하도록 구성될 수 있다.
도 9는 본 발명의 일 실시예에 의한 온도 패턴을 보여주는 도면이다. 고내 센서가 센싱한 온도의 변화를 보여주며 정상 패턴을 보여준다. 일반 운전인 경우의 온도 변화, 제상운전인 경우의 온도변화, 부하대응 운전인 경우의 온도변화를 도 9에서 확인할 수 있다. 도 9의 패턴 중 하나가 온도의 변화로 입력되면 이상 상태 진단부(200)는 정상 상태인 것으로 판단한다.
도 10은 본 발명의 일 실시예에 의한 온도 패턴을 보여주는 도면이다. 고내 센서가 센싱한 온도의 변화를 보여주며 이상 패턴을 보여준다.
기준안정온도를 기준으로 약냉 패턴과 과냉 패턴이 57에 제시되어 있다. 또한, 냉각불량인 경우의 패턴이 58에 제시되어 있다. 측정된 온도와 기준안정온도와의 관계를 표 1에 대입할 경우, 원인을 진단함에 있어 필요한 진단항목을 선택할 수 있고, 그에 기반하여 원인진단부(300)가 원인 정보를 보다 정확하게 산출할 수 있다.
또한, 패턴을 통해 원인과의 관련도 확인할 수 있다. 예를 들어, 57의 약냉 패턴은 도어 미세 열림이라는 원인과 관련될 수 있으며, 57의 과냉 패턴의 경우 밸브가 불량이거나 토출구가 막히는 원인과 관련될 수 있다.
마찬가지로 58의 냉각불량1은 냉매누설이라는 원인과 관련될 수 있으며, 냉각불량2는 수분막힘이라는 원인과 관련될 수 있으며, 냉각불량3은 용접막힘 또는 냉매부족이라는 원인과 관련될 수 있다. 이들 패턴이 지시하는 혹은 매칭되는 진단 항목에 대한 정보가 원인진단부(300)에 입력될 수 있다. 혹은 해당 진단 항목에 적합한 원인진단부(300)가 선택될 수 있다.
도 10의 패턴 중 하나가 온도의 변화로 입력되면 이상 상태 진단부(200)는 이상 상태인 것으로 판단한다. 또한, 온도의 변화 패턴에 따라 로직을 분류하고, 이에 대응하는 원인진단부(300)를 선택할 수 있다. 즉, 원인 진단부(300)는 제1그룹의 정보에 기반하여 도 10에 설명된 불량 패턴을 결정하여 불량 패턴에 대응하는 히든 레이어 엔진을 선택한다. 그리고 선택된 히든 레이어 엔진에 기반하여 불량 패턴에 대응하는 원인 정보를 산출할 수 있다.
도 11은 이상 상태 진단부와 원인 진단부가 배치되는 구성을 보여주는 도면이다. 61은 냉장고(100)에 이상 상태 진단부(200)와 원인 진단부(300)가 배치된 실시예이며, 62는 냉장고(100)에 이상 상태 진단부(200)가 배치되고 클라우드 서버(500)에 원인 진단부(300)가 배치된 실시예이며, 63은 클라우드 서버(500)에 이상 상태 진단부(200)와 원인 진단부(300)가 배치된 구성이다.
61, 62, 63의 냉장고(100)를 구성하는 공통된 구성요소로는 센서(110), 저장부(120), 통신부(130) 및 제어부(150)이다. 61, 62, 63의 클라우드 서버(500)를 구성하는 공통된 구성요소로는 저장부(520), 통신부(530) 및 제어부(550)이다. 각각의 구성요소들에 대해 살펴본다.
센서(110)는 냉장고의 이상 상태에 대응하는 제1그룹의 정보를 산출하는 센서와, 이상 상태의 원인에 대응하는 제2그룹의 정보를 산출하는 센서로 구성된다.
저장부(120)는 센서들이 센싱한 제1그룹의 정보 또는 제2그룹의 정보를 시간 정보와 결합하여 저장한다.
통신부(130)는 냉장고(100)에서 산출된 센서 정보(센서들이 센싱한 정보) 또는 이에 시간 정보가 결합된 정보, 또는 이상 상태 정보나 원인 정보 중 어느 하나 이상을 클라우드 서버(500)에게 전송한다. 또한, 클라우드 서버(500) 또는 이와 구분되는 모니터링 서버(미도시)로부터 작업 정보를 수신할 수 있다. 제어부(150)는 통신부(130)를 제어하여 작업 정보의 수신을 제어하며, 수신한 작업 정보를 별도의 디스플레이 장치에 출력할 수 있다.
작업 정보는 이상 상태의 해결에 필요한 정보를 포함한다. 즉, 앞서 원인 정보에 대응하여 발생한 이상 상태를 해소하는데 필요한 고객서비스 일정 정보 또는 최적 설정 정보가 작업 정보의 일 실시예가 된다.
고객서비스 일정은 담당자가 설치 장소로 방문하여 이상 상태를 해결하는 일정을 포함한다. 또한, 원격에서 이상 상태를 해결하기 위해 약속된 일정 역시 고객 서비스 일정에 해당한다.
최적 설정 정보란 이상 상태를 해결하기 위해 냉장고(100)의 사용자가 셋팅해야 하는 정보를 표시하는 것을 의미한다. 예를 들어, 냉장고 온도 설정이 잘못된 경우(지나치게 낮게 설정되거나 지나치게 높게 설정된 경우) 이를 조절하도록 알리는 안내 메시지 혹은 최적 설정을 활성화시키는 정보 등이 최적 설정 정보에 해당한다.
제어부(150)는 냉장고(100)를 구성하는 다수의 구성요소들을 제어한다. 61, 62, 63의 실시예 외에도 냉장고(100)는 냉장고, 냉동고 외에도 냉장 및 냉동 기능을 위한 압축기, 증발기, 응축기 등의 구성요소를 더 포함한다. 다만, 이들은 냉장고의 구성에서 일반적인 구성이므로 본 명세서에서는 설명을 생략한다.
이상 상태 진단부(200)는 저장부(120 또는 520)에 저장된 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 냉장고의 이상 상태 정보를 산출한다. 정상 패턴과의 유사도는 앞서 도 9에 제시된 패턴들을 일 실시예로 한다.
원인 진단부(300)는 이상 상태 진단부(200)에서 이상으로 판단한 경우, 저장된 제2그룹의 정보와 불량 패턴과의 유사도에 기반하여 이상 상태의 원인 정보를 산출한다. 불량 패턴의 일 실시예는 도 10에 제시된 패턴들을 일 실시예로 한다.
62의 실시예에서 냉장고의 통신부(130)는 이상 상태 진단부(200)에서 이상으로 판단한 경우, 저장된 제2그룹의 정보를 클라우드 서버(500)로 전송한다.
63의 실시예에서 냉장고의 통신부(130)는 제1그룹의 정보 및 제2그룹의 정보를 클라우드 서버(500)의 요청 또는 전송 스케줄에 기반하여 클라우드 서버(500)에 전송한다.
냉장고(100)의 센서(110)가 산출하는 정보들을 정리하면 다음과 같다. 물론, 이외에도 다양한 정보들이 포함될 수 있다. 냉동실 센서온도, 냉동실 제어온도, 냉동실 제상센서 온도, 냉장실 센서온도, 냉장실 제어온도, 냉동실 제상센서 온도, 외기센서 온도, 외기센서 습도, 냉장실 Fan 운전상태, 냉장실 Fan rpm, 냉동실 Fan 운전상태, 냉동실 Fan rpm, 기계실 Fan 운전상태, 기계실 Fan rpm, 컴프 운전상태, 컴프 냉력, 3way valve 운전상태, 3way valve 위치, 냉장실 제상 운전상태, 냉동실 제상 운전상태, 제상 후 첫 기동 운전상태, 냉장실 도어 상태, 냉동실 도어 상태, 냉장실 부하대응 상태에 대한 정보들을 일 실시예로 한다. 이외에도 콤프에서 제공되는 콤프 파워, 콤프 스트로크, 콤프 위상, 콤프 전류, 콤프 주파수 등도 센서(100)에 의해 산출되는 정보가 될 수 있다.
클라우드 서버(500)는 통신부(530)에서 수신한 다수의 냉장고들로부터 이상 상태에 대응하는 제1그룹의 정보 및 이상 상태의 원인에 대응하는 제2그룹의 정보에 기반하여 동작할 수 있다. 예를 들어 63과 같이 이상 상태 진단부(200) 및 원인 진단부(300)가 모두 포함된 경우, 클라우드 서버(500)는 지속적으로 냉장고로부터 다양하게 센싱된 정보를 수신하고, 수신된 정보를 냉장고의 식별 정보 및 시간 정보와 결합하여 저장부(520)에 저장한다. 여기서 제1그룹의 정보는 특정 센싱 정보를 포함하며, 제2그룹 정보 역시 특정 센싱 정보를 포함한다. 제1그룹 및 제2그룹은 상이할 수 있다.
클라우드 서버(500)의 제어부 역시 각각의 구성요소들을 제어한다. 뿐만 아니라, 원인 정보에 대응하여 해당 냉장고가 필요로 하는 작업 정보 역시 생성한다.
이후, 통신부(530)는 작업 정보를 냉장고에게 직접 전송하거나, 원인 정보를 모니터링 서버에게 전송하여 모니터링 서버가 작업 정보를 냉장고에게 전송할 수 있도록 한다. 클라우드 서버(500)는 원인 진단부(300)가 배치되거나(62), 혹은 이상 상태 진단부(200) 및 원인 진단부(300)가 모두 배치될 수 있다(63). 물론, 61과 같이 냉장고(100)에 이상 상태 진단부(200) 및 원인 진단부(300)가 모두 배치되고, 클라우드 서버(500)는 이상 상태 정보 또는 원인 정보 중 어느 하나 이상을 수신하고 이에 대응하여 냉장고(100)에 필요한 작업 정보를 생성할 수 있다.
도 11의 세가지 실시예에서 제1그룹의 정보를 산출하는 센서들의 집합과 제2 그룹의 정보를 산출하는 센서들의 집합은 동일할 수도 있고 상이할 수도 있다. 이들 두 집합의 합집합, 즉 이상 상태 진단부(200) 또는 원인 진단부(300) 중 어느 하나 이상에 입력되어 이상 상태 정보 또는 원인 정보를 산출하는데 기여하는 센서들을 나열하면 다음과 같다.
냉장실 및 냉동실의 온도를 센싱하는 온도 센서와, 냉동실 또는 냉동실의 증발기 온도 센서와, 냉장실 및 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서와 도어의 개폐를 센싱하는 도어 센서와, 압축기의 운전 패턴을 센싱하는 압축기 센서와, 팬의 운전 패턴을 센싱하는 팬 센서와 밸브의 상태를 센싱하는 밸브 센서 등이 될 수 있다.
도 12는 본 발명의 일 실시예에 의한 냉장고와 클라우드 서버, 그리고 모니터링 서버 사이에 작업 정보가 송수신되는 과정을 보여주는 도면이다.
냉장고(100)는 일정한 시간 간격(예를 들어 초 단위, 또는 분 단위 등)동안 구성요소들을 모니터링한 운전 정보 혹은 센싱한 정보, 또는 냉장고(100) 내에서 자체적으로 산출한 이상 상태 정보나 원인 정보를 클라우드 서버(500)에 전송한다(S71).
구성요소들에 대한 모니터링은 도어의 열림과 닫힘, 온도나 습도의 변화, 냉매의 순환, 컴프레셔의 동작 등 다양하게 산출될 수 있다. S71의 전송은 Wi-Fi를 통해 전송할 수 있다.
한편, 클라우드 서버(500)는 수신한 정보와 해당 제품의 과거 정보들과 함께 비교 및 분석한다.
예를 들어, 도 11의 61과 같이 냉장고(100)가 원인 정보를 전송한 경우, 해당 원인 정보를 콜센터의 모니터링 서버(400)로 전송한다(S72). 또는 도 11의 62와 같이 냉장고(100)가 이상 상태 정보와 센싱된 정보를 전송하면 클라우드 서버(500)는 원인 진단부(300)에 수신한 정보들을 입력하고, 원인 정보를 산출한 후, 이를 콜센터의 모니터링 서버(400)로 전송한다(S72).
한편, 도 11의 63과 같이 냉장고(100)가 센싱된 정보를 전송하면 클라우드 서버(500)는 이상 상태 진단부(200) 및 원인 진단부(300)에 수신한 정보들을 입력하고, 최종적으로 원인 정보를 산출한 후, 이를 콜센터의 모니터링 서버(600)로 전송한다(S72).
클라우드 서버(500)는 수신된 데이터와 다른 비교 데이터, 또는 해당 제품의 이전 데이터 등에 기반하여 제품의 이상 상태와 이에 대한 원인을 판단할 수 있다. 그리고 제품의 이상이 발견될 경우, 콜 센터의 모니터링 서버(600)에게 제품의 정보와 이상 상태에 대한 내용, 즉 원인 정보를 전송한다.
콜센터의 모니터링 서버(600)는 클라우드 서버(500)에서 제공되는 정보에 기반하여 기기의 동작 또는 문제가 발생할 수 있는 전단계 등 이상 상태가 발생하였는지 확인할 수 있다. 그리고 이상 상태가 발생한 경우, 모니터링 서버(600)는 모니터링 담당자에게 알림 메시지가 전송되도록 제어한다(S75).
모니터링 담당자는 해당 장치의 소유주의 연락처로 전화나 문자를 송부하여 이상 상태를 해결하는 방안을 전달하거나(S76), 장치를 수리하기 위해 고객 서비스(애프터 서비스) 담당자에게 정보를 전달(S77)할 수 있다. S76 및 S77을 동시에 진행하여 장치 소유주와 고객 서비스 담당자의 방문 스케줄을 조정할 수 있다. S76 또는 S77에서 산출된 정보는 작업 정보로 냉장고(100)의 디스플레이 구성요소를 통해 출력될 수 있다.
본 명세서의 실시예들을 적용할 경우, 냉장고에서 발생한 이상 상태, 예를 들어 온도 불량이라는 이상 상태가 발생하거나 혹은 이상 상태가 발생하기 전, 혹은 사용자가 이상 상태를 인지하기 전에 다양한 센서들에 의해 이상 상태를 확인할 수 있다. 그리고 이상 상태 정보에 대응하여 이상 상태의 원인 정보 역시 산출할 수 있다.
여기서 불량의 원인을 진단하기 위해, 도 5 내지 7에서 살펴본 바와 같이 딥러닝에 기반하여 이상 상태 정보를 1차로 산출하고, 다음으로 이상 상태의 원인 정보를 2차로 산출하여 원인 진단의 정확성을 높일 수 있다. 그리고 산출된 원인 정보에 대한 불량 조치는 도 12에 제시된 플로우에 기반하여 고객 서비스 담당자의 연락 혹은 수리를 위한 자재 확보 등의 플로우를 진행한다.
특히, 별도의 수리가 필요하지 않은 상황인 경우, 사용자에게 S76과 같이 작업 정보를 제공하여 사용자가 문제 상황에서 빨리 대응할 수 있도록 한다. 그 결과 이상 상태를 야기한 오사용을 방지하여 선제적으로 대응할 수 있다.
특히, 온도 불량과 같이 냉장고에서 빈번하게 발생할 수 있는 이상 상태의 사전 원인 진단으로 한 번에 서비스 조치가 가능하여 냉장고의 식품을 신선하게 유지할 수 있으며, 사전 원인 진단으로 이를 해결하는 자재를 확보하고 및 서비스 시간이 단축되어 사용자 및 제조사가 모두 시간적, 금전적 자원을 개선할 수 있다.
본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니며, 본 발명의 목적 범위 내에서 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. 또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다. 이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 반도체 기록소자를 포함하는 저장매체를 포함한다. 또한 본 발명의 실시예를 구현하는 컴퓨터 프로그램은 외부의 장치를 통하여 실시간으로 전송되는 프로그램 모듈을 포함한다.
이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 통상의 기술자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 따라서, 이러한 변경과 변형이 본 발명의 범위를 벗어나지 않는 한 본 발명의 범주 내에 포함되는 것으로 이해할 수 있을 것이다.
<부호의 설명>
100: 냉장고
200: 이상 상태 진단부
300: 원인 진단부
500: 클라우드 서버
600: 모니터링 서버

Claims (30)

  1. 냉장고의 이상 상태에 대응하는 제1그룹의 정보를 산출하는 하나 이상의 센서;
    상기 이상 상태의 원인에 대응하는 제2그룹의 정보를 산출하는 하나 이상의 센서;
    상기 센서들이 센싱한 상기 제1그룹의 정보 또는 상기 제2그룹의 정보를 시간 정보와 결합하여 저장하는 저장부;
    상기 저장된 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 상기 냉장고의 이상 상태 정보를 산출하는 이상 상태 진단부;
    상기 이상 상태 진단부에서 이상으로 판단한 경우, 상기 저장된 제2그룹의 정보와 불량 패턴과의 유사도에 기반하여 상기 이상 상태의 원인 정보를 산출하는 원인 진단부;
    상기 이상 상태 진단부 또는 상기 원인 진단부에서 산출된 이상 상태 정보 또는 원인 정보를 클라우드 서버에 전송하는 통신부; 및
    상기 센서들과 상기 저장부, 상기 이상 상태 진단부, 상기 원인 진단부 및 상기 통신부를 제어하며, 상기 통신부가 클라우드 서버 또는 모니터링 서버를 통해 작업 정보를 수신하도록 제어하는 제어부를 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  2. 제1항에 있어서,
    상기 제1그룹의 정보를 산출하는 센서들의 집합 및 상기 제2그룹의 정보를 산출하는 센서들의 집합의 합집합은
    냉장실 및 냉동실의 온도를 센싱하는 온도 센서와, 상기 냉동실 또는 상기 냉동실의 증발기 온도 센서와, 상기 냉장실 및 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서와 도어의 개폐를 센싱하는 도어 센서와, 압축기의 운전 패턴을 센싱하는 압축기 센서와, 팬의 운전 패턴을 센싱하는 팬 센서와 밸브의 상태를 센싱하는 밸브 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  3. 제1항에 있어서,
    상기 제1그룹에 포함되며 상기 제2그룹에 포함되지 않는 센서는
    상기 냉동실의 급속 냉동 동작에 관한 딥쿨 센서, 상기 냉동실 및 상기 냉장실의 도어의 개폐를 센싱하는 도어 센서, 상기 냉장실 또는 상기 냉동실의 부하 대응을 지시하는 부하 대응 센서, 상기 냉장실 또는 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  4. 제1항에 있어서,
    상기 제2그룹에 포함되며 상기 제1그룹에 포함되지 않는 센서는
    냉동실 또는 냉동실의 증발기 온도 센서, 상기 냉동실 또는 상기 냉장실의 온도 센서, 상기 냉장고의 운전 상태 센서, 상기 압축기의 온-오프 또는 냉력 또는 상기 압축기의 운전 패턴을 센싱하는 압축기 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  5. 제1항에 있어서,
    상기 이상 상태 진단부는
    상기 제1그룹의 정보가 입력되는 입력 레이어;
    상기 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 상기 이상 상태 정보를 출력하는 출력 레이어; 및
    상기 상관 관계를 정의하는 히든 레이어로 구성되는, 이상 상태의 원인을 진단하는 냉장고.
  6. 제1항에 있어서,
    상기 제1그룹의 정보를 산출하는 센서들은 상기 냉장고의 부하 대응 운전 상황 또는 제상 상황을 확인하는데 필요한 운전 정보 센서 또는 도어의 개폐를 센싱하는 도어 센서 중 어느 하나 이상을 포함하며,
    상기 이상 상태 진단부는 상기 운전 정보 센서 또는 상기 도어 센서에서 이벤트 발생을 확인한 후 미리 설정된 X 시간 이후에 상기 냉장고의 이상 상태 정보를 산출하며,
    상기 X 시간 이후 이상 상태로 판단된 상기 제2그룹의 센서의 센싱된 결과를 상기 원인 진단부에 입력하여 상기 원인 진단부가 상기 이상 상태의 원인 정보를 산출하는, 이상 상태의 원인을 진단하는 냉장고.
  7. 제1항에 있어서,
    상기 원인 진단부는 이상 상태의 원인에 대응하는 불량 패턴을 둘 이상 포함하며,
    상기 제2그룹의 정보가 입력되는 입력 레이어;
    상기 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 상기 불량 패턴 중 어느 하나와의 유사도를 원인 정보로 출력하는 출력 레이어; 및
    상기 상관 관계를 정의하며 상기 불량 패턴 각각에 대응하는 둘 이상의 히든 레이어 엔진을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  8. 제7항에 있어서,
    상기 원인 진단부는 상기 제1그룹의 정보에 기반하여 상기 불량 패턴을 결정하여 상기 불량 패턴에 대응하는 히든 레이어 엔진을 선택하는, 이상 상태의 원인을 진단하는 냉장고.
  9. 냉장고의 이상 상태에 대응하는 제1그룹의 정보를 산출하는 하나 이상의 센서;
    상기 이상 상태의 원인에 대응하는 제2그룹의 정보를 산출하는 하나 이상의 센서;
    상기 센서들이 센싱한 상기 제1그룹의 정보 또는 상기 제2그룹의 정보를 시간 정보와 결합하여 저장하는 저장부;
    상기 저장된 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 상기 냉장고의 이상 상태 정보를 산출하는 이상 상태 진단부;
    상기 이상 상태 진단부에서 이상으로 판단한 경우, 상기 저장된 제2그룹의 정보를 클라우드 서버로 전송하는 통신부; 및
    상기 센서들과 상기 저장부, 상기 이상 상태 진단부, 및 상기 통신부를 제어하며, 상기 통신부가 상기 클라우드 서버 또는 모니터링 서버를 통해 작업 정보를 수신하도록 제어하는 제어부를 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  10. 제9항에 있어서,
    상기 제1그룹의 정보를 산출하는 센서들의 집합 및 상기 제2그룹의 정보를 산출하는 센서들의 집합은 하나 이상의 센서를 합집합으로 하며,
    상기 합집합은
    냉장실 및 냉동실의 온도를 센싱하는 온도 센서와, 상기 냉동실 또는 상기 냉동실의 증발기 온도 센서와, 상기 냉장실 및 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서와 도어의 개폐를 센싱하는 도어 센서와, 압축기의 운전 패턴을 센싱하는 압축기 센서와, 팬의 운전 패턴을 센싱하는 팬 센서와 밸브의 상태를 센싱하는 밸브 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  11. 제9항에 있어서,
    상기 제1그룹에 포함되며 상기 제2그룹에 포함되지 않는 센서는
    상기 냉동실의 급속 냉동 동작에 관한 딥쿨 센서, 상기 냉동실 및 상기 냉장실의 도어의 개폐를 센싱하는 도어 센서, 상기 냉장실 또는 상기 냉동실의 부하 대응을 지시하는 부하 대응 센서, 상기 냉장실 또는 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  12. 제9항에 있어서,
    상기 제2그룹에 포함되며 상기 제1그룹에 포함되지 않는 센서는
    냉동실 또는 냉동실의 증발기 온도 센서, 상기 냉동실 또는 상기 냉장실의 온도 센서, 상기 냉장고의 운전 상태 센서, 상기 압축기의 온-오프 또는 냉력 또는 상기 압축기의 운전 패턴을 센싱하는 압축기 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  13. 제9항에 있어서,
    상기 이상 상태 진단부는
    상기 제1그룹의 센서들이 센싱한 센싱 정보가 입력되는 입력 레이어;
    상기 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 상기 이상 상태 정보를 출력하는 출력 레이어; 및
    상기 상관 관계를 정의하는 히든 레이어로 구성되는, 이상 상태의 원인을 진단하는 냉장고.
  14. 제9항에 있어서,
    상기 제1그룹의 정보를 산출하는 센서들은 상기 냉장고의 부하 대응 운전 상황 또는 제상 상황을 확인하는데 필요한 운전 정보 센서 또는 도어의 개폐를 센싱하는 도어 센서 중 어느 하나 이상을 포함하며,
    상기 이상 상태 진단부는 상기 운전 정보 센서 또는 상기 도어 센서에서 이벤트 발생을 확인한 후 미리 설정된 X 시간 이후에 상기 냉장고의 이상 상태 정보를 산출하며,
    상기 X 시간 이후 이상 상태로 판단된 상기 제2그룹의 센서의 센싱된 결과를 상기 서버에 전송하는, 이상 상태의 원인을 진단하는 냉장고.
  15. 냉장고의 이상 상태에 대응하는 제1그룹의 정보를 산출하는 하나 이상의 센서;
    상기 이상 상태의 원인에 대응하는 제2그룹의 정보를 산출하는 하나 이상의 센서;
    상기 센서들이 센싱한 상기 제1그룹의 정보 또는 상기 제2그룹의 정보를 시간 정보와 결합하여 저장하는 저장부;
    상기 제1그룹의 정보 및 상기 제2그룹의 정보를 클라우드 서버의 요청 또는 전송 스케줄에 기반하여 클라우드 서버에 전송하는 통신부;
    상기 센서들과 상기 저장부, 및 상기 통신부를 제어하며, 상기 통신부가 상기 클라우드 서버 또는 모니터링 서버를 통해 작업 정보를 수신하도록 제어하는 제어부, 이상 상태의 원인을 진단하는 냉장고.
  16. 제15항에 있어서,
    상기 제1그룹의 정보를 산출하는 센서들의 집합 및 상기 제2그룹의 정보를 산출하는 센서들의 집합의 합집합은
    냉장실 및 냉동실의 온도를 센싱하는 온도 센서와, 상기 냉동실 또는 상기 냉동실의 증발기 온도 센서와, 상기 냉장실 및 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서와 도어의 개폐를 센싱하는 도어 센서와, 압축기의 운전 패턴을 센싱하는 압축기 센서와, 팬의 운전 패턴을 센싱하는 팬 센서와 밸브의 상태를 센싱하는 밸브 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  17. 제15항에 있어서,
    상기 제1그룹에 포함되며 상기 제2그룹에 포함되지 않는 센서는
    상기 냉동실의 급속 냉동 동작에 관한 딥쿨 센서, 상기 냉동실 및 상기 냉장실의 도어의 개폐를 센싱하는 도어 센서, 상기 냉장실 또는 상기 냉동실의 부하 대응을 지시하는 부하 대응 센서, 상기 냉장실 또는 냉동실의 제상 주기 및 제상 상태를 센싱하는 제상 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  18. 제15항에 있어서,
    상기 제2그룹에 포함되며 상기 제1그룹에 포함되지 않는 센서는
    냉동실 또는 냉동실의 증발기 온도 센서, 상기 냉동실 또는 상기 냉장실의 온도 센서, 상기 냉장고의 운전 상태 센서, 상기 압축기의 온-오프 또는 냉력 또는 상기 압축기의 운전 패턴을 센싱하는 압축기 센서 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 냉장고.
  19. 다수의 냉장고들로부터 이상 상태에 대응하는 제1그룹의 정보 및 이상 상태의 원인에 대응하는 제2그룹의 정보를 수신하는 통신부;
    상기 수신된 정보를 상기 냉장고의 식별 정보 및 시간 정보와 결합하여 저장하는 저장부;
    상기 저장된 제1그룹의 정보와 정상 패턴과의 유사도에 기반하여 상기 냉장고의 이상 상태 정보를 산출하는 이상 상태 진단부;
    상기 이상 상태 진단부에서 이상으로 판단한 경우, 상기 저장된 제2그룹의 정보와 불량 패턴과의 유사도에 기반하여 이상 상태의 원인 정보를 산출하는 원인 진단부; 및
    상기 통신부, 상기 저장부, 상기 이상 상태 진단부 및 상기 원인 진단부를 제어하며, 상기 원인 정보에 대응하는 작업 정보를 생성하는 제어부를 포함하며,
    상기 통신부는 상기 작업 정보를 상기 냉장고에게 전송하거나, 상기 원인 정보를 상기 모니터링 서버에게 전송하는, 이상 상태의 인을 진단하는 클라우드 서버.
  20. 제19항에 있어서,
    상기 제1그룹의 정보의 집합 및 상기 제2그룹의 정보의 집합의 합집합은 냉장실 및 냉동실의 온도를 센싱한 정보, 상기 냉동실 또는 상기 냉동실의 증발기 온도를 센싱한 정보, 상기 냉장실 및 냉동실의 제상 주기 정보 및 제상 상태 정보, 도어의 개폐 정보, 압축기의 운전 패턴 정보, 팬의 운전 패턴 정보와 밸브의 상태 정보 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  21. 제19항에 있어서,
    상기 제1그룹에 포함되며 상기 제2그룹에 포함되지 않는 정보는
    상기 냉동실의 급속 냉동 동작에 관한 딥쿨 센싱 정보, 상기 냉동실 및 상기 냉장실의 도어의 개폐 정보, 상기 냉장실 또는 상기 냉동실의 부하 대응에 대한 정보, 상기 냉장실 또는 냉동실의 제상 주기 및 제상 상태에 대한 제상 정보 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  22. 제19항에 있어서,
    상기 제2그룹에 포함되며 상기 제1그룹에 포함되지 않는 정보는
    냉동실 또는 냉동실의 증발기 온도 정보, 상기 냉동실 또는 상기 냉장실의 온도 정보, 상기 냉장고의 운전 상태 정보, 상기 압축기의 온-오프 또는 냉력 또는 상기 압축기의 운전 패턴에 대한 정보 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  23. 제19항에 있어서,
    상기 이상 상태 진단부는
    상기 제1그룹의 정보가 입력되는 입력 레이어;
    상기 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 상기 이상 상태 정보를 출력하는 출력 레이어; 및
    상기 상관 관계를 정의하는 히든 레이어로 구성되는, 이상 상태의 원인을 진단하는 클라우드 서버.
  24. 제19항에 있어서,
    상기 제1그룹의 정보는 상기 냉장고의 부하 대응 운전 상황 또는 제상 상황을 확인하는데 필요한 운전 정보 또는 도어의 개폐 정보 중 어느 하나 이상을 포함하며,
    상기 이상 상태 진단부는 상기 운전 정보 또는 상기 도어 개폐 정보에서 이벤트 발생을 확인한 후 미리 설정된 X 시간 이후에 상기 냉장고의 이상 상태 정보를 산출하며,
    상기 X 시간 이후 이상 상태로 판단된 상기 제2그룹의 정보를 상기 원인 진단부에 입력하여 상기 원인 진단부가 상기 이상 상태의 원인 정보를 산출하는 클라우드 서버.
  25. 제19항에 있어서,
    상기 원인 진단부는 이상 상태의 원인에 대응하는 불량 패턴을 둘 이상 포함하며,
    상기 제2그룹의 정보가 입력되는 입력 레이어;
    상기 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 상기 불량 패턴 중 어느 하나와의 유사도를 원인 정보로 출력하는 출력 레이어; 및
    상기 상관 관계를 정의하며 상기 불량 패턴 각각에 대응하는 둘 이상의 히든 레이어 엔진을 포함하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  26. 제25항에 있어서,
    상기 원인 진단부는 상기 제1그룹의 정보에 기반하여 상기 불량 패턴을 결정하여 상기 불량 패턴에 대응하는 히든 레이어 엔진을 선택하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  27. 다수의 냉장고들로부터 이상 상태 정보 및 이상 상태의 원인을 진단하는데 필요한 정보를 수신하는 통신부;
    상기 수신된 정보를 상기 냉장고의 식별 정보 및 시간 정보와 결합하여 저장하는 저장부;
    상기 저장된 정보와 불량 패턴과의 유사도에 기반하여 이상 상태의 원인 정보를 산출하는 원인 진단부; 및
    상기 통신부, 상기 저장부, 및 상기 원인 진단부를 제어하며, 상기 원인 정보에 대응하는 작업 정보를 생성하는 제어부를 포함하며,
    상기 통신부는 상기 작업 정보를 상기 냉장고에게 전송하거나, 상기 이상 상태 또는 상기 원인 정보를 상기 모니터링 서버에게 전송하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  28. 제27항에 있어서,
    상기 원인 진단부는 이상 상태의 원인에 대응하는 불량 패턴을 둘 이상 포함하며,
    상기 제2그룹의 정보가 입력되는 입력 레이어;
    상기 입력 레이어에서 입력된 정보들의 상관관계를 산출하여 상기 불량 패턴 중 어느 하나와의 유사도를 원인 정보로 출력하는 출력 레이어; 및
    상기 상관 관계를 정의하며 상기 불량 패턴 각각에 대응하는 둘 이상의 히든 레이어 엔진을 포함하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  29. 제27항에 있어서,
    상기 제2그룹에 포함되며 상기 제1그룹에 포함되지 않는 정보는
    냉동실 또는 냉동실의 증발기 온도 정보, 상기 냉동실 또는 상기 냉장실의 온도 정보, 상기 냉장고의 운전 상태 정보, 상기 압축기의 온-오프 또는 냉력 또는 상기 압축기의 운전 패턴에 대한 정보 중 어느 하나 이상을 포함하는, 이상 상태의 원인을 진단하는 클라우드 서버.
  30. 제27항에 있어서,
    상기 원인 진단부는 상기 제1그룹의 정보에 기반하여 상기 불량 패턴을 결정하여 상기 불량 패턴에 대응하는 히든 레이어 엔진을 선택하는, 이상 상태의 원인을 진단하는 클라우드 서버.
PCT/KR2018/007305 2018-03-20 2018-06-27 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버 WO2019182199A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020207023374A KR102520672B1 (ko) 2018-03-20 2018-06-27 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버
US16/488,801 US11668521B2 (en) 2018-03-20 2018-06-27 Refrigerator and cloud server of diagnosing cause of abnormal state
EP18905898.5A EP3572746B1 (en) 2018-03-20 2018-06-27 Refrigerator for diagnosing cause of abnormal state
CN201880018855.3A CN110506186B (zh) 2018-03-20 2018-06-27 用于诊断异常状态的原因的冰箱及云服务器

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201862645321P 2018-03-20 2018-03-20
US62/645,321 2018-03-20

Publications (1)

Publication Number Publication Date
WO2019182199A1 true WO2019182199A1 (ko) 2019-09-26

Family

ID=67987348

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/007305 WO2019182199A1 (ko) 2018-03-20 2018-06-27 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버

Country Status (5)

Country Link
US (1) US11668521B2 (ko)
EP (1) EP3572746B1 (ko)
KR (1) KR102520672B1 (ko)
CN (1) CN110506186B (ko)
WO (1) WO2019182199A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209871A1 (en) * 2020-01-06 2021-07-08 Hyundai Motor Company State diagnosis apparatus and method of moving system part
CN113606833A (zh) * 2021-08-17 2021-11-05 四川虹美智能科技有限公司 基于lstm循环神经网络的冰箱故障预测系统
CN115388610A (zh) * 2021-05-24 2022-11-25 合肥华凌股份有限公司 冰箱故障预测方法、装置、系统及电子设备

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200143294A1 (en) * 2018-11-07 2020-05-07 International Business Machines Corporation Automatic classification of refrigeration states using in an internet of things computing environment
JP2021184132A (ja) * 2020-05-21 2021-12-02 東芝ライフスタイル株式会社 情報処理システム
CN113531981B (zh) * 2021-07-20 2022-08-02 四川虹美智能科技有限公司 基于大数据的冰箱制冷异常检测方法及装置
KR102540400B1 (ko) * 2022-11-08 2023-06-07 (주)위즈네트 냉동고/냉장고 모니터링 장치, 방법 및 시스템
KR102583019B1 (ko) * 2023-04-13 2023-09-27 주식회사 쿨맥스 고장 예측 기능을 구비한 인공지능 냉장고
CN116907139B (zh) * 2023-07-07 2024-05-14 上海碳索能源服务股份有限公司 基于相似度搜索的改进关联规则冷却侧能效优化方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005127615A (ja) * 2003-10-23 2005-05-19 Hoshizaki Electric Co Ltd 異常検出装置
JP4415185B2 (ja) * 2004-03-25 2010-02-17 日立アプライアンス株式会社 冷蔵庫の診断方法およびその診断方法が適用されてなる冷蔵庫
KR20120105234A (ko) * 2011-03-15 2012-09-25 엘지전자 주식회사 냉장고, 냉장고 진단장치 및 그 방법
KR101215097B1 (ko) 2006-01-10 2012-12-24 삼성전자주식회사 냉장고의 무선 통신 장치 및 무선 통신 방법
KR101553843B1 (ko) * 2009-07-31 2015-09-30 엘지전자 주식회사 가전기기 진단시스템 및 그 진단방법
KR20170109844A (ko) * 2016-03-22 2017-10-10 엘지전자 주식회사 냉장고 정상 작동 진단 시스템 및 방법

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5860285A (en) * 1997-06-06 1999-01-19 Carrier Corporation System for monitoring outdoor heat exchanger coil
TW593950B (en) 2000-09-11 2004-06-21 Toshiba Corp Remote inspection system for refrigerator
JP4396286B2 (ja) * 2004-01-21 2010-01-13 三菱電機株式会社 機器診断装置および機器監視システム
KR20090005998A (ko) 2007-07-10 2009-01-14 김형윤 구조물 건전성 감시를 위한 진단 화상을 생성하는 시스템및 방법
CN101582195B (zh) * 2009-06-09 2012-06-20 深圳中兴力维技术有限公司 一种在动力环境监控系统中的告警生成方法
CN102095207B (zh) 2009-12-14 2012-08-22 财团法人工业技术研究院 基于图像的燃烧过程监控与诊断方法
KR101725244B1 (ko) 2010-02-25 2017-04-10 엘지전자 주식회사 단말기를 구비하는 냉장고의 제어방법
CN103914735B (zh) * 2014-04-17 2017-03-29 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
KR101864860B1 (ko) 2016-09-13 2018-06-05 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
EP3589902B1 (en) * 2017-02-28 2022-04-13 BlackBerry Limited Controlling detection of cargo transportation unit conditions
KR101976422B1 (ko) 2017-12-27 2019-05-09 엘지전자 주식회사 냉장고, 냉장고 진단장치 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005127615A (ja) * 2003-10-23 2005-05-19 Hoshizaki Electric Co Ltd 異常検出装置
JP4415185B2 (ja) * 2004-03-25 2010-02-17 日立アプライアンス株式会社 冷蔵庫の診断方法およびその診断方法が適用されてなる冷蔵庫
KR101215097B1 (ko) 2006-01-10 2012-12-24 삼성전자주식회사 냉장고의 무선 통신 장치 및 무선 통신 방법
KR101553843B1 (ko) * 2009-07-31 2015-09-30 엘지전자 주식회사 가전기기 진단시스템 및 그 진단방법
KR20120105234A (ko) * 2011-03-15 2012-09-25 엘지전자 주식회사 냉장고, 냉장고 진단장치 및 그 방법
KR20170109844A (ko) * 2016-03-22 2017-10-10 엘지전자 주식회사 냉장고 정상 작동 진단 시스템 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210209871A1 (en) * 2020-01-06 2021-07-08 Hyundai Motor Company State diagnosis apparatus and method of moving system part
US11741761B2 (en) * 2020-01-06 2023-08-29 Hyundai Motor Company State diagnosis apparatus and method of moving system part
CN115388610A (zh) * 2021-05-24 2022-11-25 合肥华凌股份有限公司 冰箱故障预测方法、装置、系统及电子设备
CN113606833A (zh) * 2021-08-17 2021-11-05 四川虹美智能科技有限公司 基于lstm循环神经网络的冰箱故障预测系统
CN113606833B (zh) * 2021-08-17 2022-12-13 四川虹美智能科技有限公司 基于lstm循环神经网络的冰箱故障预测系统

Also Published As

Publication number Publication date
US11668521B2 (en) 2023-06-06
CN110506186B (zh) 2021-05-07
US20210356202A1 (en) 2021-11-18
EP3572746A4 (en) 2021-04-21
CN110506186A (zh) 2019-11-26
KR102520672B1 (ko) 2023-04-10
EP3572746B1 (en) 2023-11-15
KR20200123422A (ko) 2020-10-29
EP3572746A1 (en) 2019-11-27

Similar Documents

Publication Publication Date Title
WO2019182199A1 (ko) 이상 상태의 원인을 진단하는 냉장고 및 클라우드 서버
US11132892B1 (en) Abberation detection technology
JP3990884B2 (ja) 冷蔵庫の遠隔点検システムおよび冷蔵庫の遠隔点検方法
KR100456253B1 (ko) 네트워크 대응 가전 기기, 가전 기기 점검 시스템 및 가전기기 점검 서비스
US6502411B2 (en) Remote inspection and control of refrigerator
JP7078437B2 (ja) サーバ、プログラム、及び機器システム
EP3669322A1 (en) Method and apparatus for managing operation data of appliance for failure prediction
CN112665306B (zh) 一种冰箱远程故障诊断系统及其诊断方法
US20050240312A1 (en) Integrated HVACR control and protection system
US6742349B1 (en) Equipment sensing system and equipment control device
WO2018186678A1 (en) Air conditioning system and control method thereof
WO2018143710A1 (ko) 공기조화기 시스템 및 그 제어방법
US20230244195A1 (en) Machine Learning Application To Predictive Energy Management
CN110428262A (zh) 检测异常状态的装置及方法
JP2007305145A (ja) 家電機器点検システム
JP4415185B2 (ja) 冷蔵庫の診断方法およびその診断方法が適用されてなる冷蔵庫
JP4550253B2 (ja) 空調機の遠隔監視システム、および室内機の監視方法
JP2005309724A (ja) 異常診断システム及び異常診断方法
JP3156302B2 (ja) 冷蔵ショーケースの集中監視装置
KR20150000009A (ko) 체인 형태의 매장 내 냉온 설비의 원격 관제 시스템
WO2023158041A1 (en) Method of diagnosing device having ice making function and server implementing same
CN220623714U (zh) 一种暖通泄露智能检测预警装置
JP2003316423A (ja) 設備機器診断装置及び設備機器診断システム
JP3259729B2 (ja) ショーケースの集中監視装置
CN113720090A (zh) 一种风冷冰箱化霜故障诊断检测系统及其方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018905898

Country of ref document: EP

Effective date: 20190821

NENP Non-entry into the national phase

Ref country code: DE