WO2020218632A1 - 인공지능 장치 - Google Patents

인공지능 장치 Download PDF

Info

Publication number
WO2020218632A1
WO2020218632A1 PCT/KR2019/004915 KR2019004915W WO2020218632A1 WO 2020218632 A1 WO2020218632 A1 WO 2020218632A1 KR 2019004915 W KR2019004915 W KR 2019004915W WO 2020218632 A1 WO2020218632 A1 WO 2020218632A1
Authority
WO
WIPO (PCT)
Prior art keywords
dust concentration
processor
internal
real
ventilation system
Prior art date
Application number
PCT/KR2019/004915
Other languages
English (en)
French (fr)
Inventor
이동규
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 PCT/KR2019/004915 priority Critical patent/WO2020218632A1/ko
Priority to US16/492,876 priority patent/US11408629B2/en
Priority to KR1020190092069A priority patent/KR102608051B1/ko
Publication of WO2020218632A1 publication Critical patent/WO2020218632A1/ko

Links

Images

Classifications

    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/0001—Control or safety arrangements for ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F7/00—Ventilation
    • F24F7/003—Ventilation in combination with air cleaning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F8/00—Treatment, e.g. purification, of air supplied to human living or working spaces otherwise than by heating, cooling, humidifying or drying
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/65—Concentration of specific substances or contaminants
    • F24F2110/70—Carbon dioxide

Definitions

  • the present invention relates to an artificial intelligence device capable of predicting a dust concentration and operating by linking a ventilation system and an air cleaning system according to the prediction result.
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
  • attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • the present invention is to solve the above-described problem, and an object of the present invention is to provide an artificial intelligence device capable of predicting dust concentration and operating in connection with a ventilation system and an air cleaning system according to the prediction result.
  • the artificial intelligence device predicts the next internal environmental element by providing the communication unit for obtaining an external environmental element and an internal environmental element collected by the sensor, and the internal environmental element to an environmental element prediction model. And a processor for operating in conjunction with the ventilation system and the air cleaning system based on the predicted internal environmental factors.
  • FIG. 1 is a block diagram showing the configuration of a terminal 100 according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing the configuration of an artificial neural network learning apparatus 200 according to an embodiment of the present invention.
  • FIG. 3 is a schematic block diagram of components included in an air purifier according to an embodiment of the present invention.
  • FIG. 4 is a schematic block diagram of components included in a ventilation device according to an embodiment of the present invention.
  • FIG. 5 is a diagram illustrating a method of operating an artificial intelligence device according to an embodiment of the present invention.
  • 6 to 7 are diagrams for explaining a method of generating an environmental factor prediction model according to an embodiment of the present invention.
  • FIG. 8 is a diagram for explaining a model for predicting various environmental factors according to an embodiment of the present invention.
  • FIG. 9 is a diagram for explaining a linking operation based on a predicted internal dust concentration and a corresponding external dust concentration according to an embodiment of the present invention.
  • FIG. 10 is a view for explaining an operation method while an air cleaning system is operating in a state in which the real-time external dust concentration is higher than the real-time internal dust concentration according to an embodiment of the present invention.
  • 11 is a view for explaining a method of operating an artificial intelligence device while an air cleaning system is operating in a state in which the real-time external dust concentration is lower than the real-time internal dust concentration according to an embodiment of the present invention.
  • FIG. 12 is a diagram illustrating an operation of a ventilation system based on prediction of an internal carbon dioxide concentration according to an embodiment of the present invention.
  • components may be subdivided and described for convenience of description, but these components may be implemented in one device or module, or one component may be divided into a plurality of devices or modules. It can also be implemented.
  • AI Artificial intelligence
  • artificial intelligence does not exist by itself, but is directly or indirectly related to other fields of computer science.
  • attempts are being made very actively to introduce artificial intelligence elements in various fields of information technology and to use them in solving problems in that field.
  • Machine learning is a branch of artificial intelligence, a field of research that gives computers the ability to learn without explicit programming.
  • machine learning can be said to be a technology that studies and builds a system that learns based on empirical data, performs prediction, and improves its own performance, and algorithms for it. Rather than executing strictly defined static program instructions, machine learning algorithms build specific models to derive predictions or decisions based on input data.
  • machine learning' can be used interchangeably with the term'machine learning'.
  • the decision tree is an analysis method that charts decision rules into a tree structure and performs classification and prediction.
  • Bayesian network is a model that expresses the probabilistic relationship (conditional independence) between multiple variables in a graph structure. Bayesian networks are suitable for data mining through unsupervised learning.
  • the support vector machine is a model of supervised learning for pattern recognition and data analysis, and is mainly used for classification and regression analysis.
  • An artificial neural network is an information processing system in which a number of neurons, called nodes or processing elements, are connected in a layer structure by modeling the operation principle of biological neurons and the connection relationship between neurons.
  • Artificial neural networks are models used in machine learning, and are statistical learning algorithms inspired by biological neural networks (especially the brain among animals' central nervous systems) in machine learning and cognitive science.
  • the artificial neural network may refer to an overall model having problem-solving ability by changing the strength of synaptic bonding through learning by artificial neurons (nodes) that form a network by combining synapses.
  • artificial neural network may be used interchangeably with the term neural network.
  • the artificial neural network may include a plurality of layers, and each of the layers may include a plurality of neurons.
  • artificial neural networks may include synapses that connect neurons and neurons.
  • Artificial neural networks generally have three factors: (1) the connection pattern between neurons in different layers (2) the learning process to update the weight of the connection (3) the output value from the weighted sum of the input received from the previous layer. It can be defined by the activation function it creates.
  • the artificial neural network may include network models such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), BRDNN (Bidirectional Recurrent Deep Neural Network), MLP (Multilayer Perceptron), CNN (Convolutional Neural Network). , Is not limited thereto.
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • BRDNN Bidirectional Recurrent Deep Neural Network
  • MLP Multilayer Perceptron
  • CNN Convolutional Neural Network
  • the term'layer' may be used interchangeably with the term'layer'.
  • a general single-layer neural network is composed of an input layer and an output layer.
  • a general multilayer neural network is composed of an input layer, one or more hidden layers, and an output layer.
  • the input layer is a layer that receives external data
  • the number of neurons in the input layer is the same as the number of input variables
  • the hidden layer is located between the input layer and the output layer, receives signals from the input layer, extracts characteristics, and transfers them to the output layer. do.
  • the output layer receives a signal from the hidden layer and outputs an output value based on the received signal.
  • the input signal between neurons is multiplied by each connection strength (weight) and then summed. If the sum is greater than the neuron's threshold, the neuron is activated and the output value obtained through the activation function is output.
  • the term'deep learning' can be used interchangeably with the term'deep learning'.
  • the artificial neural network can be trained using training data.
  • learning means a process of determining parameters of an artificial neural network using training data in order to achieve the purpose of classifying, regressing, or clustering input data.
  • parameters of an artificial neural network include weights applied to synapses or biases applied to neurons.
  • the artificial neural network learned by the training data may classify or cluster input data according to patterns of the input data.
  • an artificial neural network trained using training data may be referred to as a trained model in this specification.
  • the following describes the learning method of artificial neural networks.
  • Learning methods of artificial neural networks can be classified into supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • Supervised learning is a method of machine learning to infer a function from training data.
  • an artificial neural network is trained with a label for training data.
  • the label may mean a correct answer (or result value) that the artificial neural network must infer when training data is input to the artificial neural network.
  • the correct answer (or result value) to be inferred by the artificial neural network is referred to as a label or labeling data.
  • labeling setting a label on training data for learning an artificial neural network is referred to as labeling the training data with labeling data.
  • the training data and the label corresponding to the training data constitute one training set, and may be input to the artificial neural network in the form of a training set.
  • the training data represents a plurality of features
  • labeling of the training data may mean that a label is attached to the feature represented by the training data.
  • the training data may represent the characteristics of the input object in the form of a vector.
  • the artificial neural network can infer a function for the correlation between the training data and the labeling data using the training data and the labeling data.
  • parameters of the artificial neural network may be determined (optimized) through evaluation of a function inferred from the artificial neural network.
  • Unsupervised learning is a type of machine learning, where no labels are given for training data.
  • the unsupervised learning may be a learning method of training an artificial neural network to find and classify patterns in the training data itself, rather than an association relationship between training data and a label corresponding to the training data.
  • unsupervised learning examples include clustering or independent component analysis.
  • Examples of artificial neural networks using unsupervised learning include Generative Adversarial Network (GAN) and Autoencoder (AE).
  • GAN Generative Adversarial Network
  • AE Autoencoder
  • a generative adversarial neural network is a machine learning method in which two different artificial intelligences compete and improve performance, a generator and a discriminator.
  • the generator is a model that creates new data and can create new data based on the original data.
  • the discriminator is a model that recognizes a pattern of data, and may play a role of discriminating whether input data is original data or new data generated by a generator.
  • the generator learns by receiving data that cannot be deceived by the discriminator, and the discriminator can learn by receiving deceived data from the generator. Accordingly, the generator can evolve to deceive the discriminator as well as possible, and the discriminator can evolve to distinguish between the original data and the data generated by the generator.
  • Auto encoders are neural networks that aim to reproduce the input itself as an output.
  • the auto encoder includes an input layer, at least one hidden layer and an output layer.
  • data output from the hidden layer goes to the output layer.
  • the dimension of the data increases, and accordingly, decompression or decoding is performed.
  • the auto-encoder controls the connection strength of neurons through learning, so that the input data is expressed as hidden layer data.
  • the hidden layer information is expressed with fewer neurons than in the input layer, but being able to reproduce the input data as an output may mean that the hidden layer found and expressed a hidden pattern from the input data.
  • Semi-supervised learning is a kind of machine learning, and may mean a learning method using both labeled training data and unlabeled training data.
  • Reinforcement learning is the theory that, given an environment in which an agent can judge what action to do at every moment, it can find the best way to experience without data.
  • Reinforcement learning can be mainly performed by the Markov Decision Process (MDP).
  • MDP Markov Decision Process
  • the structure of the artificial neural network is specified by the configuration of the model, activation function, loss function or cost function, learning algorithm, optimization algorithm, etc., and hyperparameters are pre-trained. It is set, and then, a model parameter is set through learning, so that the content can be specified.
  • factors determining the structure of an artificial neural network may include the number of hidden layers, the number of hidden nodes included in each hidden layer, an input feature vector, a target feature vector, and the like.
  • the hyperparameter may include an initial weight value between nodes, an initial bias value between nodes, a mini-batch size, a number of learning iterations, and a learning rate.
  • the model parameters may include weights between nodes, biases between nodes, and the like.
  • the loss function can be used as an index (reference) for determining an optimal model parameter in the learning process of the artificial neural network.
  • learning refers to the process of manipulating model parameters to reduce the loss function, and the purpose of learning can be seen as determining model parameters that minimize the loss function.
  • the loss function may mainly use a mean squared error (MSE) or a cross entropy error (CEE), but the present invention is not limited thereto.
  • MSE mean squared error
  • CEE cross entropy error
  • the cross entropy error may be used when the correct answer label is one-hot encoded.
  • One-hot encoding is an encoding method in which the correct answer label value is set to 1 only for neurons corresponding to the correct answer, and the correct answer label value is set to 0 for non-correct answer neurons.
  • learning optimization algorithms can be used to minimize loss functions, and learning optimization algorithms include Gradient Descent (GD), Stochastic Gradient Descent (SGD), and Momentum. ), NAG (Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam, etc.
  • Gradient descent is a technique that adjusts model parameters in the direction of reducing the loss function value by considering the slope of the loss function in the current state.
  • the direction to adjust the model parameter is called the step direction, and the size to be adjusted is called the step size.
  • the step size may mean a learning rate.
  • a gradient is obtained by partially differentiating a loss function into each model parameter, and the model parameters may be updated by changing the acquired gradient direction by a learning rate.
  • the stochastic gradient descent method is a technique that increases the frequency of gradient descent by dividing training data into mini-batch and performing gradient descent for each mini-batch.
  • Adagrad, AdaDelta, and RMSProp are techniques that increase optimization accuracy by adjusting the step size in SGD.
  • momentum and NAG are techniques to increase optimization accuracy by adjusting the step direction.
  • Adam is a technique that improves optimization accuracy by adjusting the step size and step direction by combining momentum and RMSProp.
  • Nadam is a technique that increases optimization accuracy by adjusting step size and step direction by combining NAG and RMSProp.
  • the learning speed and accuracy of an artificial neural network are highly dependent on hyperparameters as well as the structure of the artificial neural network and the type of learning optimization algorithm. Therefore, in order to obtain a good learning model, it is important not only to determine an appropriate artificial neural network structure and learning algorithm, but also to set appropriate hyperparameters.
  • FIG. 1 is a block diagram showing the configuration of a terminal 100 according to an embodiment of the present invention.
  • the terminal 100 includes a mobile phone, a projector, a mobile phone, a smart phone, a laptop computer, a digital broadcasting terminal, a personal digital assistants (PDA), a portable multimedia player (PMP), a navigation system, and a slate PC. ), tablet PC, ultrabook, wearable device, e.g., smartwatch, smart glass, head mounted display (HMD)), set-top box (STB), a DMB receiver, a radio, a washing machine, a refrigerator, an air conditioner, a desktop computer, a fixed device such as a digital signage, and a movable device.
  • PDA personal digital assistants
  • PMP portable multimedia player
  • STB set-top box
  • the terminal 100 may be implemented in the form of various home appliances used at home, and may be applied to a fixed or movable robot.
  • the terminal 100 may perform the function of a voice agent.
  • the voice agent may be a program that recognizes a user's voice and outputs a voice response suitable for the recognized user's voice.
  • the terminal 100 includes a wireless communication unit 110, an input unit 120, a learning processor 130, a sensing unit 140, an output unit 150, an interface unit 160, and a memory 170.
  • a processor 180 and a power supply unit 190 may be included.
  • a trained model may be mounted on the terminal 100.
  • the wireless communication unit 110 may include at least one of a broadcast reception module 111, a mobile communication module 112, a wireless Internet module 113, a short-range communication module 114, and a location information module 115.
  • the broadcast reception module 111 receives a broadcast signal and/or broadcast-related information from an external broadcast management server through a broadcast channel.
  • the mobile communication module 112 includes technical standards or communication methods for mobile communication (eg, GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), CDMA2000 (Code Division Multi Access 2000)), EV -DO (Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA (Wideband CDMA), HSDPA (High Speed Downlink Packet Access), HSUPA (High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced), etc.), transmits and receives radio signals with at least one of a base station, an external terminal, and a server on a mobile communication network.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • CDMA2000 Code Division Multi Access 2000
  • EV -DO Enhanced Voice-Data Optimized or Enhanced Voice-Data Only
  • WCDMA Wideband CDMA
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • LTE Long Term
  • the wireless Internet module 113 refers to a module for wireless Internet access, and may be built-in or external to the terminal 100.
  • the wireless Internet module 113 is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
  • wireless Internet technologies include WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, DLNA (Digital Living Network Alliance), WiBro (Wireless Broadband), WiMAX (World Interoperability for Microwave Access), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), and Long Term Evolution-Advanced (LTE-A).
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Wi-Fi Wireless Fidelity
  • Direct wireless Internet technologies
  • DLNA Digital Living Network Alliance
  • WiBro Wireless Broadband
  • WiMAX Worldwide Interoperability for Microwave Access
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution-Advanced
  • the short range communication module 114 is for short range communication, and includes BluetoothTM, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, and NFC.
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • UWB Ultra Wideband
  • ZigBee ZigBee
  • NFC Near field communication may be supported by using at least one of (Near Field Communication), Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, and Wireless USB (Wireless Universal Serial Bus) technologies.
  • the location information module 115 is a module for obtaining a location (or current location) of a mobile terminal, and representative examples thereof include a GPS (Global Positioning System) module or a WiFi (Wireless Fidelity) module.
  • a GPS Global Positioning System
  • WiFi Wireless Fidelity
  • the input unit 120 may include a camera 121 for inputting an image signal, a microphone 122 for receiving an audio signal, and a user input unit 123 for receiving information from a user.
  • the voice data or image data collected by the input unit 120 may be analyzed and processed as a user's control command.
  • the input unit 120 may obtain training data for model training and input data to be used when obtaining an output using the learned model.
  • the input unit 120 may obtain unprocessed input data, in which case the processor 180 or the learning processor 130 preprocesses the acquired data to generate training data or preprocessed input data that can be input to model training. can do.
  • the preprocessing of the input data may mean extracting an input feature from the input data.
  • the input unit 120 is for inputting image information (or signal), audio information (or signal), data, or information input from a user, and for inputting image information, the terminal 100 is one or more cameras. (121) can be provided.
  • the camera 121 processes an image frame such as a still image or a video obtained by an image sensor in a video call mode or a photographing mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170.
  • the microphone 122 processes an external sound signal into electrical voice data.
  • the processed voice data may be used in various ways according to a function (or an application program being executed) being executed by the terminal 100. Meanwhile, the microphone 122 may be implemented with various noise removal algorithms for removing noise generated in a process of receiving an external sound signal.
  • the user input unit 123 is for receiving information from a user.
  • the processor 180 may control the operation of the terminal 100 to correspond to the input information.
  • the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front/rear or side of the terminal 100, a dome switch, a jog wheel, a jog switch, etc. ) And touch-type input means.
  • the touch-type input means comprises a virtual key, a soft key, or a visual key displayed on a touch screen through software processing, or a portion other than the touch screen It may be made of a touch key (touch key) disposed on.
  • the learning processor 130 learns a model composed of an artificial neural network using training data.
  • the learning processor 130 may determine optimized model parameters of the artificial neural network by repeatedly learning the artificial neural network using various learning techniques described above.
  • an artificial neural network whose parameters are determined by being trained using training data may be referred to as a learning model or a trained model.
  • the learning model may be used to infer a result value for new input data other than training data.
  • the learning processor 130 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms and technologies.
  • the learning processor 130 may include one or more memory units configured to store data received, detected, sensed, generated, predefined, or output by another component, device, terminal, or device that communicates with the terminal.
  • the learning processor 130 may include a memory integrated or implemented in a terminal. In some embodiments, the learning processor 130 may be implemented using the memory 170.
  • the learning processor 130 may be implemented using a memory associated with the terminal, such as an external memory directly coupled to the terminal or a memory maintained in a server communicating with the terminal.
  • the learning processor 130 may be implemented using a memory maintained in a cloud computing environment, or another remote memory location accessible by the terminal through a communication method such as a network.
  • the learning processor 130 typically stores data in one or more databases to identify, index, categorize, manipulate, store, retrieve and output data for use in supervised or unsupervised learning, data mining, predictive analytics, or other machines. Can be configured to store in.
  • the database may be implemented using the memory 170, the memory 230 of the learning device 200, a memory maintained in a cloud computing environment, or another remote memory location accessible by the terminal through a communication method such as a network. I can.
  • the information stored in the learning processor 130 may be used by the processor 180 or one or more other controllers of the terminal using any of a variety of different types of data analysis algorithms and machine learning algorithms.
  • Examples of such algorithms include k-recent adjacency systems, fuzzy logic (e.g. probability theory), neural networks, Boltzmann machines, vector quantization, pulsed neural networks, support vector machines, maximum margin classifiers, hill climbing, guided logic systems Bayesian networks. , Peritnet (e.g. finite state machine, milli machine, Moore finite state machine), classifier tree (e.g. perceptron tree, support vector tree, Markov tree, decision tree forest, random forest), readout models and systems, artificial It includes fusion, sensor fusion, image fusion, reinforcement learning, augmented reality, pattern recognition, and automated planning.
  • fuzzy logic e.g. probability theory
  • neural networks e.g. probability theory
  • Boltzmann machines e.g. probability theory
  • vector quantization e.g. probability theory
  • pulsed neural networks e.g., pulsed neural networks
  • support vector machines e.g., maximum margin classifiers
  • hill climbing guided logic systems Bayesian networks.
  • Peritnet e.g
  • the processor 180 may determine or predict at least one executable operation of the terminal based on information that is determined or generated using data analysis and machine learning algorithms. To this end, the processor 180 may request, search, receive, or utilize data of the learning processor 130, and configure the terminal to execute a predicted operation or an operation determined to be desirable among the at least one executable operation. Can be controlled.
  • the processor 180 may perform various functions for implementing intelligent emulation (ie, a knowledge-based system, an inference system, and a knowledge acquisition system). This can be applied to various types of systems (eg, fuzzy logic systems), including adaptive systems, machine learning systems, artificial neural networks, and the like.
  • intelligent emulation ie, a knowledge-based system, an inference system, and a knowledge acquisition system.
  • systems eg, fuzzy logic systems
  • adaptive systems e.g, machine learning systems, artificial neural networks, and the like.
  • the processor 180 also includes voice and natural language speech, such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a work flow processing module, and a service processing module. It may include sub-modules that enable operations involving processing.
  • voice and natural language speech such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a work flow processing module, and a service processing module. It may include sub-modules that enable operations involving processing.
  • Each of these submodules may have access to one or more systems or data and models in the terminal, or a subset or superset thereof.
  • each of these submodules may provide various functions, including vocabulary index, user data, work flow model, service model, and automatic speech recognition (ASR) system.
  • ASR automatic speech recognition
  • processor 180 or another aspect of the terminal may be implemented as the sub-module, system, or data and model.
  • the processor 180 may be configured to detect and detect a requirement based on a context condition expressed as a user input or natural language input, or a user's intention.
  • the processor 180 may actively derive and acquire information necessary to completely determine a requirement based on a context condition or a user's intention. For example, the processor 180 may actively derive necessary information to determine requirements by analyzing historical data including historical inputs and outputs, pattern matching, unambiguous words, input intentions, and the like.
  • the processor 180 may determine a task flow for executing a function in response to a requirement based on a context condition or a user's intention.
  • the processor 180 collects, detects, extracts, and detects signals or data used in data analysis and machine learning tasks through one or more sensing components in the terminal in order to collect information for processing and storage in the learning processor 130 And/or may be configured to receive.
  • Information collection may include sensing information through a sensor, extracting information stored in the memory 170, or receiving information from another terminal, entity, or external storage device through a communication means.
  • the processor 180 may collect usage history information from the terminal and store it in the memory 170.
  • the processor 180 may use the stored usage history information and predictive modeling to determine the best match to perform a particular function.
  • the processor 180 may receive or detect surrounding environment information or other information through the sensing unit 140.
  • the processor 180 may receive a broadcast signal and/or broadcast related information, a wireless signal, and wireless data through the wireless communication unit 110.
  • the processor 180 may receive image information (or a corresponding signal), audio information (or a corresponding signal), data, or user input information from the input unit 120.
  • the processor 180 collects information in real time, processes or classifies information (eg, knowledge graph, command policy, personalization database, conversation engine, etc.), and stores the processed information in the memory 170 or the learning processor 130 ).
  • information eg, knowledge graph, command policy, personalization database, conversation engine, etc.
  • the processor 180 may control components of the terminal to execute the determined operation. Further, the processor 180 may perform the determined operation by controlling the terminal according to the control command.
  • the processor 180 analyzes the history information representing the execution of the specific operation through data analysis and machine learning algorithms and techniques, and performs an update of previously learned information based on the analyzed information. I can.
  • the processor 180 may improve accuracy of future performance of data analysis and machine learning algorithms and techniques based on the updated information.
  • the sensing unit 140 may include one or more sensors for sensing at least one of information in the mobile terminal, information on surrounding environments surrounding the mobile terminal, and user information.
  • the sensing unit 140 includes a proximity sensor, an illumination sensor, a touch sensor, an acceleration sensor, a magnetic sensor, and a gravity sensor (G- sensor), gyroscope sensor, motion sensor, RGB sensor, infrared sensor (IR sensor), fingerprint recognition sensor, ultrasonic sensor, optical sensor ( optical sensors, e.g. cameras (see 121)), microphones (see 122), battery gauges, environmental sensors (e.g., barometers, hygrometers, thermometers, radiation sensors, heat sensors, Gas detection sensor, etc.), may include at least one of a chemical sensor (for example, an electronic nose, a healthcare sensor, a biometric sensor, etc.). Meanwhile, the terminal disclosed in the present specification may combine and utilize information sensed by at least two or more of these sensors.
  • the output unit 150 is for generating an output related to visual, auditory or tactile sense, and includes at least one of a display unit 151, an audio output unit 152, a haptic module 153, and a light output unit 154 can do.
  • the display unit 151 displays (outputs) information processed by the terminal 100.
  • the display unit 151 may display execution screen information of an application program driven in the terminal 100, or UI (User Interface) and GUI (Graphic User Interface) information according to such execution screen information.
  • UI User Interface
  • GUI Graphic User Interface
  • the display unit 151 may implement a touch screen by forming a layer structure or integrally with the touch sensor.
  • a touch screen may function as a user input unit 123 that provides an input interface between the terminal 100 and a user, and may provide an output interface between the terminal 100 and a user.
  • the sound output unit 152 may output audio data received from the wireless communication unit 110 or stored in the memory 170 in a call signal reception, a call mode or a recording mode, a voice recognition mode, a broadcast reception mode, and the like.
  • the sound output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that a user can feel.
  • a typical example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event using light from a light source of the terminal 100.
  • Examples of events occurring in the terminal 100 may be message reception, call signal reception, missed call, alarm, schedule notification, e-mail reception, and information reception through an application.
  • the interface unit 160 serves as a passage between various types of external devices connected to the terminal 100.
  • the interface unit 160 connects a wired/wireless headset port, an external charger port, a wired/wireless data port, a memory card port, and a device equipped with an identification module. It may include at least one of a port, an audio input/output (I/O) port, an input/output (video I/O) port, and an earphone port.
  • the terminal 100 may perform appropriate control related to the connected external device.
  • the identification module is a chip that stores various types of information for authenticating the right to use the terminal 100, and includes a user identification module (UIM), a subscriber identity module (SIM), and a universal user authentication module. (universal subscriber identity module; USIM), etc. may be included.
  • a device equipped with an identification module hereinafter,'identification device' may be manufactured in the form of a smart card. Accordingly, the identification device may be connected to the terminal 100 through the interface unit 160.
  • the memory 170 stores data supporting various functions of the terminal 100.
  • the memory 170 includes a plurality of application programs (application programs or applications) driven by the terminal 100, data for the operation of the terminal 100, instructions, and data for the operation of the learning processor 130. Can be stored (for example, at least one algorithm information for machine learning).
  • the memory 170 may store the model learned by the learning processor 130 or the learning device 200.
  • the memory 170 may divide and store the model trained as necessary into a plurality of versions according to a learning time point or a learning progress.
  • the memory 170 may store input data obtained from the input unit 120, training data (or training data) used for model training, a model learning history, and the like.
  • the input data stored in the memory 170 may be not only processed data suitable for model learning, but also raw input data itself.
  • the processor 180 In addition to the operation related to the application program, the processor 180 generally controls the overall operation of the terminal 100.
  • the processor 180 may provide or process appropriate information or functions to a user by processing signals, data, information, etc. input or output through the above-described components or by driving an application program stored in the memory 170.
  • the processor 180 may control at least some of the components discussed with reference to FIG. 1 in order to drive the application program stored in the memory 170. Further, the processor 180 may operate by combining at least two or more of the components included in the terminal 100 to drive the application program.
  • the processor 180 controls an operation related to an application program and, in general, an overall operation of the terminal 100. For example, when the state of the terminal satisfies a set condition, the processor 180 may execute or release a lock state that restricts the user's input of a control command for applications.
  • the power supply unit 190 receives external power and internal power under the control of the processor 180 and supplies power to each component included in the terminal 100.
  • the power supply unit 190 includes a battery, and the battery may be a built-in battery or a replaceable battery.
  • FIG. 2 is a block diagram showing the configuration of an artificial neural network learning apparatus 200 according to an embodiment of the present invention.
  • the learning device 200 is a device or server separately configured outside the terminal 100 and may perform the same function as the learning processor 130 of the terminal 100.
  • the learning device 200 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms.
  • the machine learning algorithm may include a deep learning algorithm.
  • the learning device 200 may communicate with at least one terminal 100, and may derive a result by analyzing or learning data on behalf of or on behalf of the terminal 100.
  • the meaning of helping other devices may mean distribution of computing power through distributed processing.
  • the learning device 200 of an artificial neural network is various devices for learning an artificial neural network, and may generally mean a server, and may be referred to as a learning device or a learning server.
  • the learning device 200 may be implemented as a single server as well as a plurality of server sets, cloud servers, or a combination thereof.
  • the learning device 200 may be configured in plural to form a learning device set (or cloud server), and at least one or more learning devices 200 included in the learning device set may analyze or learn data through distributed processing. Results can be derived.
  • the learning device 200 may transmit the model learned by machine learning or deep learning to the terminal 100 periodically or upon request.
  • the learning device 200 includes a communication unit 210, an input unit 220, a memory 230, a learning processor 240, and a power supply unit. , 250), and a processor 260.
  • the communication unit 210 may correspond to a configuration including the wireless communication unit 110 and the interface unit 160 of FIG. 1. That is, data can be transmitted and received with other devices through wired or wireless communication or an interface.
  • the input unit 220 is a component corresponding to the input unit 120 of FIG. 1, and may obtain data by receiving data through the communication unit 210.
  • the input unit 220 may obtain training data for model training and input data for obtaining an output using a trained model.
  • the input unit 220 may obtain unprocessed input data.
  • the processor 260 may pre-process the obtained data to generate training data or pre-processed input data that can be input to model training.
  • the pre-processing of input data performed by the input unit 220 may mean extracting an input feature from the input data.
  • the memory 230 is a component corresponding to the memory 170 of FIG. 1.
  • the memory 230 may include a model storage unit 231 and a database 232.
  • the model storage unit 231 stores the model being trained or trained through the learning processor 240 (or artificial neural network 231a), and stores the updated model when the model is updated through training.
  • the model storage unit 231 may divide and store the learned model as a plurality of versions according to a learning time point or a learning progress, if necessary.
  • the artificial neural network 231a shown in FIG. 2 is only an example of an artificial neural network including a plurality of hidden layers, and the artificial neural network of the present invention is not limited thereto.
  • the artificial neural network 231a may be implemented in hardware, software, or a combination of hardware and software. When some or all of the artificial neural network 231a is implemented in software, one or more instructions constituting the artificial neural network 231a may be stored in the memory 230.
  • the database 232 stores input data obtained from the input unit 220, training data (or training data) used for model training, and a model learning history.
  • the input data stored in the database 232 may be not only processed data suitable for model learning, but also raw input data itself.
  • the running processor 240 is a component corresponding to the running processor 130 of FIG. 1.
  • the learning processor 240 may train (train, or learn) the artificial neural network 231a using training data or a training set.
  • the learning processor 240 learns the artificial neural network 231a by immediately acquiring preprocessed data of the input data acquired by the processor 260 through the input unit 220 or acquires preprocessed input data stored in the database 232 Thus, the artificial neural network 231a can be trained.
  • the learning processor 240 may determine optimized model parameters of the artificial neural network 231a by repeatedly learning the artificial neural network 231a using various learning techniques described above.
  • an artificial neural network whose parameters are determined by being trained using training data may be referred to as a learning model or a trained model.
  • the learning model may infer the result value while being mounted on the training device 200 of the artificial neural network, or may be transmitted and mounted to another device such as the terminal 100 through the communication unit 210.
  • the updated learning model may be transmitted and mounted to another device such as the terminal 100 through the communication unit 210.
  • the power supply unit 250 is a component corresponding to the power supply unit 190 of FIG. 1.
  • terminal 100 may be used interchangeably with the term artificial intelligence device 100.
  • air cleaner 700 may be used interchangeably with the term air cleaning system 700.
  • FIG. 3 is a schematic block diagram of components included in an air purifier according to an embodiment of the present invention.
  • the air purifier 700 includes a communication unit 710, an input unit 720, a sensor unit 730, a blowing device 740, a fan motor 750, an output unit 760, and a memory 770. , A processor 780, and a power supply unit 790.
  • the components shown in FIG. 1B are not essential to implement the air cleaner, and thus the air cleaner described herein may have more or fewer components than those listed above.
  • the communication unit 710 is an air purifier 700 and an external device (eg, a moving agent, a mobile air purifier such as a smartphone, a tablet PC, or a fixed air purifier such as a desktop computer). It may include one or more modules that enable wired or wireless communication between or between the air purifier 700 and an external server.
  • an external device eg, a moving agent, a mobile air purifier such as a smartphone, a tablet PC, or a fixed air purifier such as a desktop computer.
  • the communication unit 710 may include one or more modules that connect the air purifier 700 to one or more networks.
  • the communication unit 710 may include at least one of a wireless Internet module and a short-range communication module.
  • the wireless Internet module refers to a module for wireless Internet access, and may be built in or external to the air purifier 700.
  • the wireless Internet module is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
  • wireless Internet technologies include WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, and DLNA (Digital Living Network Alliance).
  • the short-range communication module is for short range communication, and uses at least one of technologies such as BluetoothTM, Infrared Data Association (IrDA), ZigBee, and NFC (Near Field Communication). Can support communication.
  • the short-range communication module may support wireless communication between the air purifier 700 and an external device through wireless area networks.
  • the short-range wireless communication network may be a short-range wireless personal area network (Wireless Personal Area Networks).
  • the input unit 720 may include a touch key, a mechanical key, a dial key, or the like for receiving information or commands from a user. Depending on the embodiment, the input unit 720 may be understood as a concept encompassing an interface unit receiving information or a command from a separate remote control device.
  • the input unit 720 is for receiving information from a user, and when information is input through the input unit 720, the processor 780 can control the operation of the air purifier 700 to correspond to the input information. have.
  • the input unit 720 is a mechanical (mechanical) input means (or a mechanical key, for example, a button located on the front, rear or side of the air purifier 700, dome switch (dome switch), jog wheel, jog Switch, etc.) and a touch-type input means.
  • a mechanical (mechanical) input means or a mechanical key, for example, a button located on the front, rear or side of the air purifier 700, dome switch (dome switch), jog wheel, jog Switch, etc.
  • a touch-type input means for example, a touch-type input means.
  • the touch-type input means comprises a virtual key, a soft key, or a visual key displayed on a touch screen through software processing, or a portion other than the touch screen It may be made of a touch key (touch key) disposed on.
  • the virtual key or visual key can be displayed on the touch screen while having various forms, for example, graphic, text, icon, video, or these It can be made of a combination of.
  • the sensor unit 730 may include one or more sensors for sensing at least one of user information and surrounding environment information surrounding the air cleaner 700.
  • the sensor unit 730 may include a temperature sensor 732 for sensing the temperature of a space in which the air purifier 700 is installed, and a humidity sensor 734 for sensing the humidity of the space.
  • the sensor unit 730 may include a dust sensor 735 that detects the amount of dust in the air and a gas sensor 736 that detects the amount of gas in the air.
  • the output unit 760 is for generating output related to visual and audio, and may include at least one of a display unit 762 and an audio output unit 764 (for example, a speaker).
  • the display unit 762 may form a layer structure with the touch sensor or be integrally formed, thereby implementing a touch screen.
  • a touch screen may function as an input unit 720 that provides an input interface between the air purifier 700 and a user, and may provide an output interface between the air purifier 700 and a user.
  • the display unit 762 may display various types of information related to the operation of the air purifier 700.
  • the display unit 762 may display information such as air volume, wind direction, current indoor temperature, humidity, and air quality of the air purifier 700 and information on operation modes such as power saving mode, normal mode, and sleep mode. have.
  • the sound output unit 764 may output an audio signal to notify the occurrence of an event of the air purifier 700.
  • Examples of events occurring in the air purifier 700 may include an alarm, power on/off, an error occurrence, and an operation mode change.
  • the memory 770 stores data supporting various functions of the air purifier 700.
  • the memory 770 may store various data and commands for the operation of the air purifier 700.
  • Memory 770 is a flash memory type, a hard disk type (hard disk type), an SSD type (Solid State Disk type), an SDD type (Silicon Disk Drive type), a multimedia card micro type (multimedia card micro type), card type memory (eg SD or XD memory, etc.), random access memory (RAM), static random access memory (SRAM), read-only memory (ROM), EEPROM (electrically Erasable programmable read-only memory), programmable read-only memory (PROM), magnetic memory, magnetic disk and optical disk may include at least one type of storage medium.
  • RAM random access memory
  • SRAM static random access memory
  • ROM read-only memory
  • EEPROM electrically Erasable programmable read-only memory
  • PROM programmable read-only memory
  • magnetic memory magnetic disk and optical disk may include at least one type of storage medium.
  • the processor 780 typically controls the overall operation of the air purifier 700.
  • the processor 780 may provide or process appropriate information or functions to a user by processing signals, data, information, etc. input or output through the above-described components.
  • the processor 780 may adjust at least one of the fan motor 750 and the flow conversion device 755 based on the purification information of the air purifier 700.
  • the purification information may include at least one of an operation mode, an air volume, and a wind direction.
  • the blowing device 740 may include a suction port and a discharge port.
  • the flow conversion device 755 may change the flow direction of air discharged from the discharge port of the blowing device.
  • the fan motor 750 may be installed inside the blowing device 740 and may blow air by rotating a blowing fan (not shown) provided in the blowing device 740. Accordingly, the fan motor 750 may generate air flow.
  • the blowing fan rotates, and as the blowing fan rotates, air may be sucked through the inlet and air may be discharged through the discharge port.
  • a purification unit 745 is installed inside the blowing device 740, and the purification unit may purify the air as air is sucked through the inlet and air is discharged through the discharge port.
  • the processor 780 may control the operation of at least one of the fan motor 750 and the flow switching device 755 based on the operation mode of the purification information. In addition, as the operation of at least one of the fan motor 750 and the flow switching device 755 is controlled, an operation mode of the air purifier may be adjusted.
  • the processor 780 may control the operation of at least one of the fan motor 750 and the flow switching device 780 based on the amount of air in the purification information. In addition, as the operation of at least one of the fan motor 750 and the flow conversion device 780 is controlled, the air volume of the air purifier 780 may be adjusted.
  • the processor 780 may control the operation of the flow conversion device 780 based on the wind direction among the purification information. In addition, as the operation of the flow conversion device 780 is controlled, the wind direction of the air purifier 780 may be adjusted.
  • the power supply unit 790 receives external power and internal power under the control of the processor 780 and supplies power to each of the components included in the air purifier 700.
  • At least some of the components may operate in cooperation with each other to implement an operation, control, or control method of the air purifier according to various embodiments described below.
  • the operation, control, or control method of the air purifier may be implemented on the air purifier by driving at least one application program stored in the memory 770.
  • ventilation device 300 may be used interchangeably with the term ventilation system 300.
  • FIG. 4 is a schematic block diagram of components included in a ventilation device according to an embodiment of the present invention.
  • the ventilation device 300 includes a communication unit 310, an input unit 320, a sensor unit 330, a blowing device 340, a driving unit 345, a fan 350, an output unit 360, A memory 370, a processor 380, and a power supply unit 390 may be included.
  • the components shown in FIG. 4 are not essential in implementing the ventilation device, and thus the ventilation device described herein may have more or fewer components than the components listed above.
  • the communication unit 310 is between the ventilation device 300 and an external device (eg, a mobile terminal such as a moving agent, a smartphone, a tablet PC, or a fixed terminal such as a desktop computer), or ventilation. It may include one or more modules that enable wired or wireless communication between the device 300 and an external server.
  • an external device eg, a mobile terminal such as a moving agent, a smartphone, a tablet PC, or a fixed terminal such as a desktop computer
  • ventilation may include one or more modules that enable wired or wireless communication between the device 300 and an external server.
  • the communication unit 310 may include one or more modules that connect the ventilation device 300 to one or more networks.
  • the communication unit 310 may include at least one of a wireless Internet module and a short-range communication module.
  • the wireless Internet module refers to a module for wireless Internet access, and may be built-in or external to the ventilation device 300.
  • the wireless Internet module is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
  • wireless Internet technologies include WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, and DLNA (Digital Living Network Alliance).
  • the short-range communication module is for short range communication, and uses at least one of technologies such as BluetoothTM, Infrared Data Association (IrDA), ZigBee, and NFC (Near Field Communication). Can support communication.
  • the short-range communication module may support wireless communication between the ventilation apparatus 300 and an external device through wireless area networks.
  • the short-range wireless communication network may be a short-range wireless personal area network (Wireless Personal Area Networks).
  • the input unit 320 may include a touch key, a mechanical key, a dial key, or the like for receiving information or commands from a user. According to an embodiment, the input unit 320 may be understood as a concept encompassing an interface unit that receives information or commands from a separate remote control device.
  • the input unit 320 is for receiving information from a user, and when information is input through the input unit 320, the processor 380 can control the operation of the ventilation device 300 to correspond to the input information. have.
  • the input unit 320 is a mechanical (mechanical) input means (or a mechanical key, for example, a button located on the front, rear or side of the ventilation device 300, dome switch (dome switch), jog wheel, jog Switch, etc.) and a touch-type input means.
  • a mechanical (mechanical) input means or a mechanical key, for example, a button located on the front, rear or side of the ventilation device 300, dome switch (dome switch), jog wheel, jog Switch, etc.
  • a touch-type input means for example, a touch-type input means.
  • the touch-type input means comprises a virtual key, a soft key, or a visual key displayed on a touch screen through software processing, or a portion other than the touch screen It may be made of a touch key (touch key) disposed on.
  • the virtual key or visual key can be displayed on the touch screen while having various forms, for example, graphic, text, icon, video, or these It can be made of a combination of.
  • the sensor unit 330 may include one or more sensors for sensing at least one of user information and surrounding environment information surrounding the ventilation device 300.
  • the sensor unit 330 may include a temperature sensor 332 for sensing the temperature of a space in which the ventilation device 300 is installed, and a humidity sensor 334 for sensing the humidity of the space.
  • the sensor unit 330 may include a dust sensor 335 that detects the amount of dust in the air and a gas sensor 336 that detects the amount of gas in the air.
  • the output unit 360 is for generating output related to visual and audio, and may include at least one of a display unit 362 and an audio output unit 364 (eg, a speaker).
  • the display unit 362 may form a layer structure with the touch sensor or be integrally formed, thereby implementing a touch screen.
  • the touch screen may function as an input unit 320 that provides an input interface between the ventilation device 300 and a user, and may provide an output interface between the ventilation device 300 and the user.
  • the display unit 362 may display various types of information related to the operation of the ventilation device 300.
  • the display unit 362 may display information such as air volume, wind direction, current indoor temperature, humidity, and air quality of the ventilation device 300 and information on operation modes such as power saving mode, normal mode, and sleep mode. have.
  • the sound output unit 364 may output an audio signal to notify the occurrence of an event of the ventilation device 300.
  • Examples of events occurring in the ventilation device 300 may include an alarm, power on/off, an error occurrence, and an operation mode change.
  • the memory 370 stores data supporting various functions of the ventilation device 300.
  • the memory 370 may store various data and commands for the operation of the ventilation device 300.
  • Memory 370 is a flash memory type, a hard disk type (hard disk type), an SSD type (Solid State Disk type), an SDD type (Silicon Disk Drive type), a multimedia card micro type (multimedia card micro type), card type memory (eg SD or XD memory, etc.), random access memory (RAM), static random access memory (SRAM), read-only memory (ROM), EEPROM (electrically Erasable programmable read-only memory), programmable read-only memory (PROM), magnetic memory, magnetic disk and optical disk may include at least one type of storage medium.
  • RAM random access memory
  • SRAM static random access memory
  • ROM read-only memory
  • EEPROM electrically Erasable programmable read-only memory
  • PROM programmable read-only memory
  • magnetic memory magnetic disk and optical disk may include at least one type of storage medium.
  • the processor 380 typically controls the overall operation of the ventilation device 300.
  • the processor 380 may provide or process appropriate information or functions to a user by processing signals, data, information, etc. that are input or output through the above-described components.
  • the blowing device 340 may include a suction port and a discharge port.
  • the blowing device 340 may include an opening and closing door.
  • the opening and closing door may include a window or a door.
  • the fan 350 may include at least one of an air supply fan and an exhaust fan.
  • the fan 350 may be rotated by a motor to blow air.
  • the fan 350 may be rotated by a motor to introduce outside air into the room. In this case, outside air may be sucked into the room through the inlet.
  • the fan 350 may be rotated by a motor to discharge indoor air to the outside.
  • indoor air may be discharged to the outside through the discharge port.
  • the driving unit 340 may open or close the opening door.
  • the driving unit 340 may include a means (for example, a motor) for opening or closing the opening/closing door, and may open or close the opening/closing door under the control of the processor 380.
  • the processor 380 may control the driving unit 340 to open the opening and closing door.
  • the processor 380 may control the driving unit 340 to close the opening door.
  • the processor 380 may control the overall operation of the ventilation device.
  • the power supply unit 390 receives external power and internal power under the control of the processor 380 and supplies power to each of the components included in the ventilation apparatus 300.
  • At least some of the components may operate in cooperation with each other to implement an operation, control, or control method of the ventilation apparatus according to various embodiments described below.
  • the operation, control, or control method of the ventilation device may be implemented on the ventilation device by driving at least one application program stored in the memory 370.
  • the artificial intelligence device 100 may communicate with the air cleaning system 700 and the ventilation system 300.
  • the air cleaning system 700 and the ventilation system 300 have been separately described, but are not limited thereto, and an air management system incorporating the air cleaning system 700 and the ventilation system 300 may exist.
  • the air management system can operate in an air cleaning mode, a ventilation mode, and an air cleaning and ventilation mode.
  • the artificial intelligence device 100 communicates with the air management system, and may adjust an operation mode of the air management system.
  • the artificial intelligence device 100, the air cleaning system 700, and the ventilation system 300 have been described as being separate devices or systems, but are not limited thereto.
  • the artificial intelligence device 100 may be an air cleaning system 700, a ventilation system 300, or a system integrated with an air management system.
  • FIG. 5 is a diagram illustrating a method of operating an artificial intelligence device according to an embodiment of the present invention.
  • the method of operating an artificial intelligence device includes obtaining an external environmental element and an internal environmental element collected by a sensor (S510), and predicting a next internal environmental element using the internal environmental element ( S530) and the operation (S550) in connection with the ventilation system and the air cleaning system based on the predicted internal environmental factors.
  • the prediction of the next internal environmental element may be performed by an environmental element prediction model. Therefore, we first look at the environmental factor prediction model.
  • 6 to 7 are diagrams for explaining a method of generating an environmental factor prediction model according to an embodiment of the present invention.
  • the environmental factor may include at least one of a dust concentration, a gas concentration, and a temperature.
  • the dust concentration may include at least one of a suspended dust (50 ⁇ m or less) concentration, a fine dust PM10 concentration, and an ultrafine dust PM2.5 concentration.
  • the gas concentration may include at least one of a carbon dioxide concentration and a volatile organic compound concentration.
  • the environmental element prediction model may be a model that recognizes a change pattern of an environmental element that changes over time, and predicts a next environmental element by using the change pattern of the environmental element.
  • the environmental factor prediction model is an artificial neural network that has been trained (model parameters are set (updated)) using indoor environmental factors that change over time as training data, as shown in FIGS. 6 and 7. I can. Accordingly, when input data is received, the environmental factor prediction model may output an output value. That is, when an environmental element from before the present or a certain point in time to the present is received, the environmental element prediction model may predict the next environmental element.
  • the environmental factor is time-series data, and may be data that changes with the passage of time.
  • the neural network constituting the environmental element prediction model may be a recurrent neural network (RNN) that learns data that changes over time, such as time series data.
  • RNN recurrent neural network
  • LSTM long-short term memory
  • the recurrent neural network is trained using data for a predetermined period or longer, so that internal model parameters can be set (updated). Accordingly, when new input data is received, the environmental factor prediction model may output an output value. That is, when an environmental element from before the present or a certain point in time to the present is received, the environmental element prediction model may predict the next environmental element.
  • the training apparatus 200 for an artificial neural network may train a recurrent neural network (RNN) by using data for a predetermined period or longer in an environment in which a ventilation system and an air cleaning system are installed.
  • RNN recurrent neural network
  • the training apparatus 200 for an artificial neural network may train a recurrent neural network using log data for one year recording environmental factors of Building A.
  • the learning device 200 of an artificial neural network circulates by using data over a certain period of time acquired without a process in which the artificial intelligence device connects the ventilation system and the air cleaning system to operate in an environment where a ventilation system and an air cleaning system are installed.
  • RNN recurrent neural network
  • the environmental factor prediction model can be updated.
  • the artificial neural network constituting the environmental factor prediction model may be retrained using the latest one-year environmental factors in an environment where a ventilation system and an air cleaning system are installed, so that model parameters can be updated.
  • FIG. 8 is a diagram for explaining a model for predicting various environmental factors according to an embodiment of the present invention.
  • the environment factor prediction model 810 may include a plurality of environment factor prediction models classified according to training data and environment factors to be predicted.
  • the artificial neural network may be trained using the indoor dust concentration in a predetermined time unit as training data.
  • a neural network trained to predict the future dust concentration using the dust concentration changing over time as training data may be referred to as a dust concentration prediction model.
  • an ultra-dust concentration prediction model a neural network trained to predict the future ultra-fine dust concentration by using the ultra-fine dust concentration that changes over time as training data may be called an ultra-dust concentration prediction model.
  • the dust concentration prediction model may include a suspended dust prediction model or a fine dust prediction model.
  • the environmental factor prediction model may include a gas concentration prediction model
  • the gas concentration prediction model may include at least one of a carbon dioxide concentration prediction model and a volatile organic compound concentration prediction model.
  • the carbon dioxide concentration prediction model may be a neural network trained to predict future carbon dioxide concentration by using the carbon dioxide concentration that changes over time as training data.
  • the environmental factor prediction model may include a temperature prediction model.
  • the temperature prediction model may be a neural network trained to predict a future temperature using a temperature that changes over time as training data.
  • the environmental factor prediction model uses indoor environmental factors (indoor dust, suspended dust, fine dust, ultrafine dust, gas, carbon dioxide, volatile organic compounds, temperature, etc.) as training data to determine future indoor environmental factors. It may include an indoor environment factor prediction model, which is a neural network trained to predict.
  • the environmental factor prediction model uses outdoor environmental factors (outdoor dust, suspended dust, fine dust, ultrafine dust, gas, carbon dioxide, volatile organic compounds, temperature, etc.) as training data to determine future outdoor environmental factors. It may include an outdoor environment factor prediction model, which is a neural network trained to predict.
  • the environmental factor prediction model may be mounted on the artificial intelligence device 100.
  • the environmental factor prediction model may be implemented in hardware, software, or a combination of hardware and software, and when part or all of the environment factor prediction model is implemented in software, one or more instructions constituting the environment factor prediction model are memory 170 Can be stored in.
  • the processor 180 of the artificial intelligence device 100 may acquire an external environment element through a communication unit.
  • the external environmental factor may include at least one of external (outdoor) dust concentration, gas concentration, and temperature.
  • the external dust concentration may include at least one of an external suspended dust (50 ⁇ m or less) concentration, an external fine dust PM10 concentration, and an external ultrafine dust PM2.5 concentration.
  • the external gas concentration may include at least one of an external carbon dioxide concentration and an external volatile organic compound concentration.
  • the processor 180 may receive external environmental factors from externally mounted sensors (dust sensor, gas sensor, temperature sensor, etc.) or from a server connected through a network.
  • the processor 180 of the artificial intelligence device 100 may acquire an internal environment element through a communication unit.
  • the internal environmental factor may include at least one of an internal (indoor) dust concentration, a gas concentration, and a temperature.
  • the internal dust concentration may include at least one of an internal suspended dust (50 ⁇ m or less) concentration, an internal fine dust PM10 concentration, and an internal ultrafine dust PM2.5 concentration.
  • the internal gas concentration may include at least one of an internal carbon dioxide concentration and an internal volatile organic compound concentration.
  • the processor 180 may provide an internal environment factor to an environment factor prediction model.
  • the environmental factor prediction model may output output data based on input data.
  • the environmental element prediction model can output the next internal environmental element based on the input internal environmental element. Accordingly, the processor 180 may predict the next internal environmental factor.
  • the processor 180 may operate in conjunction with the ventilation system and the air cleaning system.
  • the meaning of operating the ventilation system and the air cleaning system in conjunction means that the processor is at least one of real-time internal dust concentration, predicted internal dust concentration, real-time external dust concentration, predicted external dust concentration, and other situation information.
  • the processor means controlling to operate only the ventilation system, controlling only the air cleaning system, controlling the ventilation system and the air cleaning system to operate, or controlling the operation of both the ventilation system and the air cleaning system to stop. I can.
  • the predicted external dust concentration may be a future external dust concentration output by an external dust concentration prediction model based on input data (external dust concentration), or a future dust concentration predicted by another system, such as an analysis by the Meteorological Agency. .
  • the real-time internal dust concentration may mean a current internal dust concentration detected through a sensor.
  • the real-time external dust concentration may mean a current internal dust concentration detected by a sensor or another system such as an analysis by the Meteorological Agency.
  • FIG. 9 is a diagram for explaining a linking operation based on a predicted internal dust concentration and a corresponding external dust concentration according to an embodiment of the present invention.
  • the processor 180 may predict the next internal dust concentration by inputting the internal dust concentration into the internal dust concentration prediction model. Further, the processor 180 may operate in conjunction with the ventilation system and the air cleaning system using the predicted internal dust concentration.
  • the processor 180 may compare the external dust concentration corresponding to the predicted internal dust concentration (S910).
  • the corresponding external dust concentration may be a real-time external dust concentration.
  • the present invention is not limited thereto, and the corresponding external dust concentration may be a predicted external dust concentration closest to the predicted internal dust concentration in time. For example, if the internal dust concentration after 15 minutes is predicted, and the external dust concentration after 10 minutes and the external dust concentration after 30 minutes are predicted, the external dust concentration corresponding to the internal dust concentration after 15 minutes is the external dust concentration after 10 minutes. Can be
  • the processor 180 may operate the ventilation system (S920).
  • the processor 180 may transmit an operation command to a ventilation system that is not currently operating, or may not transmit an operation stop command to a ventilation system that is currently operating. . In addition, the processor 180 may not transmit an operation command to an air cleaning system that is not currently operating, or may transmit an operation stop command to an air cleaning system that is currently operating.
  • the processor 380 of the ventilation system 300 may control to perform ventilation. Specifically, the processor 380 of the ventilation system may control a motor to operate at least one of an air supply fan and an exhaust fan, or may control the driving unit 345 to open an opening and closing door.
  • the processor 180 may operate the air cleaning system (S950).
  • the processor 180 transmits an operation command to the air cleaning system that is not currently operating, or does not transmit an operation stop command to the currently operating air cleaning system. May not.
  • the processor 180 may not transmit an operation command to a ventilation system that is not currently operating, or may transmit an operation stop command to a ventilation system that is currently operating.
  • the processor 780 of the air cleaning system may control to perform air cleaning.
  • the processor 780 of the air cleaning system may control the fan motor to generate air flow by rotating the fan.
  • the ventilation system is operated when the outdoor (internal) dust concentration is high and the indoor (external) dust concentration is high, it may be disadvantageous to purify indoor air.
  • the present invention by comparing the indoor dust concentration and the outdoor dust concentration, and selectively operating the ventilation system and the air purifier according to the comparison result, it is possible to perform optimal air conditioning and reduce power consumption. There is this.
  • the ventilation system and the air purifier are selectively operated by comparing the real-time indoor dust concentration with the outdoor dust concentration, the system may be repeatedly turned on/off due to frequent changes in the indoor dust concentration in real time. This late problem may also occur.
  • the present invention operates in conjunction with the ventilation system and the air cleaning system based on the prediction of the dust concentration by the environmental factor prediction model, it solves the problem of repetitive on/off of the system and prevents changes in the indoor dust concentration in advance. It has the advantage of being able to understand and respond in advance.
  • the present invention has the advantage of reducing energy consumption by alternately operating a ventilation system and an air cleaning system.
  • the processor 180 may operate the ventilation system and the air cleaning system (S930 and S940).
  • the processor when the predicted internal dust concentration is higher than the corresponding external dust concentration and the ventilation system is operating (S920), if the predicted internal dust concentration is greater than the first preset value, the processor operates the ventilation system and the air cleaning system. Can be operated.
  • the processor 180 may transmit an operation command to the air cleaning system that is not currently operating, and may not transmit an operation stop command to the ventilation system currently operating.
  • the processor 180 may continue to operate only the ventilation system.
  • the processor 180 may stop the operation of the ventilation system and the air cleaning system (S960 and S970).
  • the processor cleans the ventilation system and air. You can stop the operation of the system.
  • the processor 180 may transmit an operation stop command to the currently operating air cleaning system.
  • the processor 180 can continue to operate only the air cleaning system.
  • the present invention can turn off both the ventilation system and the air cleaning system when the predicted internal dust concentration is lower than the corresponding external dust concentration and is smaller than the first preset value.
  • FIG. 10 is a view for explaining an operation method while an air cleaning system is operating in a state in which the real-time external dust concentration is higher than the real-time internal dust concentration according to an embodiment of the present invention.
  • the air cleaning system is operating in a state in which the current real-time external dust concentration is higher than the real-time internal dust concentration (S1010 and S1020).
  • the processor 180 may compare the predicted internal dust concentration and the corresponding external dust concentration.
  • the processor 180 performs the operation of the air cleaning system. It is possible to stop and operate the ventilation system (S1030, S1040).
  • the present invention it is possible to quickly respond to changes in indoor dust concentration in advance, and even if frequent changes in indoor dust concentration occur in real time, the system can be stably operated without repeating the on/off of the system. There is an advantage.
  • the processor may stop the operation of the air cleaning system and the ventilation system ( S1050, S1060).
  • the processor 180 issues a command to stop the operation. Can be transferred to the air cleaning system.
  • the processor 180 may keep the ventilation system stopped.
  • the air cleaning system is currently operating because the real-time external dust concentration is higher than the real-time internal dust concentration, and it is predicted that the internal dust concentration will be lower even if the air cleaning system does not operate.
  • 11 is a view for explaining a method of operating an artificial intelligence device while an air cleaning system is operating in a state in which the real-time external dust concentration is lower than the real-time internal dust concentration according to an embodiment of the present invention.
  • the processor 180 may operate the ventilation system (S1110 and S1120).
  • the processor stops the operation of the ventilation system and cleans the air.
  • the system can be operated (S1130, S1140).
  • the processor When the concentration is lower than the external dust concentration, the ventilation system can be stopped and the air cleaning system can be operated.
  • the processor may stop the operation of the air cleaning system (S1150 and S1160).
  • the processor 180 may stop the operation of the air cleaning system. In this case, both the ventilation system and the air cleaning system may stop working.
  • the processor operates the air cleaning system together with the ventilation system. Can be made (S1170, S1180).
  • the processor will Clean system can be operated.
  • the present invention can operate the ventilation system and the air cleaning system together if it is predicted that the internal dust concentration will be higher while the ventilation system is operating.
  • FIG. 12 is a diagram illustrating an operation of a ventilation system based on prediction of an internal carbon dioxide concentration according to an embodiment of the present invention.
  • the processor 180 may predict the next internal carbon dioxide concentration by inputting the internal carbon dioxide concentration into the internal carbon dioxide concentration prediction model (S1210).
  • the processor 180 may operate the ventilation system or stop the operation of the ventilation system using the predicted internal carbon dioxide concentration.
  • a reference value may be set.
  • the reference value may mean a concentration at a point where ventilation is required because the internal carbon dioxide concentration is high.
  • the processor 180 may operate the ventilation system (S1220 and S1230).
  • the processor 180 may operate the ventilation system.
  • the reference value is 50
  • the internal carbon dioxide concentration is 40
  • the carbon dioxide concentration is predicted to rise to 70.
  • lowering the carbon dioxide concentration to 20 by opening a window or drawing in outside air when the carbon dioxide concentration is 40 can keep the room more comfortable. There is an advantage.
  • the processor 180 may keep stopping the operation of the ventilation system (S1240 and S1250).
  • the processor may not operate the ventilation system and maintain the operation stop of the ventilation system.
  • the present invention can save energy by not operating the ventilation system when it is predicted that the internal carbon dioxide concentration will be lowered even if the concentration is high.
  • the processor may operate in conjunction with the ventilation system and the air cleaning system, taking into account both the dust concentration and the carbon dioxide concentration.
  • the processor may operate the ventilation system in consideration of the carbon dioxide concentration.
  • the ventilation system does not operate because the real-time external dust concentration is higher than the real-time internal dust concentration (ie, the window is closed or outside air is not blown) and the air cleaning system operates.
  • the processor may open a window or blow outside air into the interior by operating the ventilation system.
  • the processor can stop the operation of the air cleaning system and operate only the ventilation system, and can operate both the air cleaning system and the ventilation system.
  • the present invention has the advantage of creating a pleasant environment considering dust and carbon dioxide by performing ventilation in consideration of the internal carbon dioxide concentration even though the indoor dust concentration is further increased.
  • the processor can predict the next internal temperature by inputting the internal temperature into the temperature prediction model.
  • the temperature prediction model may be a cyclic neural network trained using room temperature that changes over time as training data.
  • the processor may operate in conjunction with the ventilation system and the air cleaning system using the predicted internal dust concentration and the next predicted internal temperature.
  • the processor may not operate the ventilation system in consideration of the predicted internal temperature.
  • the predicted internal dust concentration is higher than the corresponding external dust concentration.
  • operating the ventilation system can be advantageous in terms of air purification and energy saving.
  • the processor may not operate the ventilation system. In this case, the processor may operate only the air purifier or may not operate both the air purifier and the ventilation system.
  • the above-described present invention can be implemented as a computer-readable code on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices storing data that can be read by a computer system. Examples of computer-readable media include HDD (Hard Disk Drive), SSD (Solid State Disk), SDD (Silicon Disk Drive), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. There is this.
  • the computer may include the processor 180 of the server. Therefore, the detailed description above should not be construed as restrictive in all respects and should be considered as illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.

Abstract

인공지능 장치가 개시된다. 본 발명의 실시 예에 따른 인공지능 장치는, 외부 환경 요소 및 센서에 의해 수집된 내부 환경 요소를 획득하는 통신부, 및, 상기 내부 환경 요소를 환경 요소 예측 모델에 제공하여 다음 내부 환경 요소를 예측하고, 상기 예측된 내부 환경 요소에 기반하여 환기 시스템 및 공기 청정 시스템을 연계하여 동작시키는 프로세서를 포함한다.

Description

인공지능 장치
본 발명은, 먼지 농도를 예측하고, 예측 결과에 따라 환기 시스템과 공기 청정 시스템을 연계하여 동작할 수 있는 인공지능 장치에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.
최근 미세 먼지에 대한 관심이 높아지고 있으며, 이에 따라 공기 청정기나 공기 청정 시스템의 판매도 급속히 늘어나는 추세이다. 또한 최근에는 쾌적한 실내 환경을 위하여 외기를 내부로 순환 시키는 환기 시스템(ERV) 시스템에 대한 관심도 증가하고 있다.
한편 공기 청정기나 환기 시스템을 지속적으로 동작시키는 것은 에너지 소비를 증가시키며, 다양한 상황에 따라 공기 청정 시스템과 환기 시스템을 연계하여 동작할 필요성이 증대되었다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 먼지 농도를 예측하고 예측 결과에 따라 환기 시스템과 공기 청정 시스템을 연계하여 동작할 수 있는 인공지능 장치를 제공하기 위함이다.
본 발명의 실시 예에 따른 인공지능 장치는, 외부 환경 요소 및 센서에 의해 수집된 내부 환경 요소를 획득하는 통신부, 및, 상기 내부 환경 요소를 환경 요소 예측 모델에 제공하여 다음 내부 환경 요소를 예측하고, 상기 예측된 내부 환경 요소에 기반하여 환기 시스템 및 공기 청정 시스템을 연계하여 동작시키는 프로세서를 포함한다.
실내의 먼지 농도 및 실외의 먼지 농도를 비교하고, 비교 결과에 따라 환기 시스템 및 공기 청정기를 선택적으로 동작 시킴으로써, 최적의 공기 조화를 수행할 수 있고 전력 소모를 낮출 수 있는 장점이 있다.
도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 공기 청정기에 포함된 구성 요소들에 대한 개략적인 블록도이다.
도 4은 본 발명의 일 실시 예에 따른 환기 장치에 포함된 구성 요소들에 대한 개략적인 블록도이다.
도 5는 본 발명의 실시 예에 따른 인공지능 장치의 동작 방법을 설명하기 위한 도면이다.
도 6 내지 도 7은 본 발명의 실시 예에 따른 환경 요소 예측 모델의 생성 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 실시 예에 따른, 다양한 환경 요소 예측 모델을 설명하기 위한 도면이다.
도 9는 본 발명의 실시 예에 따른, 예측된 내부 먼지 농도 및 상응하는 외부 먼지 농도에 기초한 연계 동작을 설명하기 위한 도면이다.
도 10은 본 발명의 실시 예에 따른, 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 공기 청정 시스템이 동작하는 중의 동작 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 실시 예에 따른, 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 낮은 상태에서 공기 청정 시스템이 동작하는 중의 인공지능 장치의 동작 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 실시 예에 따른, 내부 이산화탄소 농도의 예측에 기초한 환기 시스템의 동작을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
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.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 1은 본 발명의 일 실시 예에 따른 단말기(100)의 구성을 나타낸 블록도이다.
단말기(100)는 휴대폰, 프로젝터, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)), 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 공기 조화기, 데스크탑 컴퓨터, 디지털사이니지와 같은 고정형 기기 및 이동 가능한 기기 등으로 구현될 수 있다.
즉, 단말기(100)는 가정에서 이용하는 다양한 가전의 형태로 구현될 수 있으며, 고정 또는 이동 가능한 로봇에도 적용될 수 있다.
단말기(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.
도 1을 참조하면, 단말기(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.
학습 모델(a trained model)은 단말기(100)에 탑재될 수 있다.
한편, 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.
무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 단말기(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.
근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어 명령으로 처리될 수 있다.
입력부(120)는 모델 학습을 위한 훈련 데이터 및 학습된 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다.
입력부(120)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(180) 또는 러닝 프로세서(130)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 단말기(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 단말기(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 단말기(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 단말기(100)의 전/후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
러닝 프로세서(130)는 훈련 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습한다.
구체적으로, 러닝 프로세서(130)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망을 반복적으로 학습시킴으로써, 인공 신경망의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 훈련 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있다.
러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다.
러닝 프로세서(130)는 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함할 수 있다.
러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현될 수 있다.
선택적으로 또는 부가적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.
다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.
러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다. 여기서, 데이터베이스는 메모리(170), 학습 장치(200)의 메모리(230), 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현될 수 있다.
러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.
이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판독 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.
프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.
프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.
프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT: Speech to Text) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.
이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.
다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.
일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.
프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.
정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.
프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 메모리(170)에 저장할 수 있다.
프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.
프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.
프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.
프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.
프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.
단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.
프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.
따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.
센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅틱 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 단말기(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 단말기(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 단말기(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 단말기(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 단말기(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 단말기(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
인터페이스부(160)는 단말기(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 단말기(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
한편, 식별 모듈은 단말기(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 단말기(100)와 연결될 수 있다.
메모리(170)는 단말기(100)의 다양한 기능을 지원하는 데이터를 저장한다.
메모리(170)는 단말기(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 단말기(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.
메모리(170)는 러닝 프로세서(130) 또는 학습 장치(200)에서 학습된 모델을 저장할 수 있다.
이때, 메모리(170)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
이때, 메모리(170)는 입력부(120)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다.
이때, 메모리(170)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1과 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용 프로그램의 구동을 위하여, 단말기(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 단말기(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 단말기의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 단말기(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
도 2는 본 발명의 일 실시 예에 따른 인공 신경망의 학습 장치(200)의 구성을 나타낸 블록도이다.
학습 장치(200)는 단말기(100)의 외부에 별도로 구성된 장치 또는 서버로, 단말기(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.
즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
학습 장치(200)는 적어도 하나의 단말기(100)와 통신할 수 있고, 단말기(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.
특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.
즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.
학습 장치(200)는 주기적으로 혹은 요청에 의하여 단말기(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.
도 2를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.
통신부(210)는 도 1의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.
입력부(220)는 도 1의 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.
입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.
입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
메모리(230)는 도 1의 메모리(170)에 대응되는 구성이다.
메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.
모델 저장부(231)는 러닝 프로세서(240)을 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.
이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
도 2에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다
인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.
데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.
데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(240)는 도 1의 러닝 프로세서(130)에 대응되는 구성이다.
러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.
러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.
구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.
또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 단말기(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.
전원 공급부(250)는 도 1의 전원 공급부(190)에 대응되는 구성이다.
서로 대응되는 구성에 대한 중복되는 설명은 생략한다.
한편 용어 단말기(100)는 용어 인공지능 장치(100)와 혼용되어 사용될 수 있다.
다음은 공기 청정기(700)에 대하여 설명한다. 용어 공기 청정기(700)는 용어 공기 청정 시스템(700)과 혼용되어 사용될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 공기 청정기에 포함된 구성 요소들에 대한 개략적인 블록도이다.
도 3을 참조하면, 공기 청정기(700)는 통신부(710), 입력부(720), 센서부(730), 송풍 장치(740), 팬모터(750), 출력부(760), 메모리(770), 프로세서(780), 및 전원 공급부(790)를 포함할 수 있다. 도 1b에 도시된 구성 요소들은 공기 청정기를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 공기 청정기는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성 요소들을 가질 수도 있다.
보다 구체적으로, 상기 구성요소들 중 통신부(710)는, 공기 청정기(700)와 외부 기기(예컨대, 무빙 에이전트, 스마트폰, 태블릿 PC등의 이동 공기 청정기이기 또는 데스크톱 컴퓨터 등의 고정 공기 청정기이기) 사이, 또는 공기 청정기(700)와 외부 서버 사이의 유선 또는 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.
또한, 통신부(710)는, 공기 청정기(700)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 통신부(710)가 무선 통신을 지원하는 경우, 통신부(710)는 무선 인터넷 모듈과 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.
무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 공기 청정기(700)에 내장되거나 외장될 수 있다.
무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다. 무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance) 등이 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등의 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다. 이러한, 근거리 통신 모듈은, 근거리 무선 통신망(Wireless Area Networks)을 통해 공기 청정기(700)와 외부 기기 사이의 무선 통신을 지원할 수 있다. 상기 근거리 무선 통신 망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.
입력부(720)는 사용자로부터 정보 또는 명령을 입력받기 위한 터치키(touch key), 푸시키(mechanical key), 다이얼 키(dial key) 등을 포함할 수 있다. 실시 예에 따라, 입력부(720)는 별도의 원격제어장치로부터 정보 또는 명령을 입력받는 인터페이스부를 포괄하는 개념으로 이해될 수 있다.
구체적으로, 입력부(720)는 사용자로부터 정보를 입력 받기 위한 것으로서, 입력부(720)를 통해 정보가 입력되면, 프로세서(780)는 입력된 정보에 대응되도록 공기 청정기(700)의 동작을 제어할 수 있다.
이러한, 입력부(720)는 기계식(mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 공기 청정기(700)의 전·후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다.
일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
센서부(730)는 공기 청정기(700)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센서부(730)는 공기 청정기(700)가 설치된 공간의 온도를 감지하기 위한 온도 센서(732), 상기 공간의 습도를 감지하기 위한 습도 센서(734)를 포함할 수 있다.
또한 센서부(730)는 공기 중 먼지의 양을 감지하는 먼지 센서(735) 및 공기 중 가스의 양을 감지하는 가스 센서(736)를 포함할 수 있다.
출력부(760)는 시각, 청각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(762)와 음향 출력부(764; 예컨대 스피커) 중 적어도 하나를 포함할 수 있다.
디스플레이부(762)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 공기 청정기(700)와 사용자 사이의 입력 인터페이스를 제공하는 입력부(720)로써 기능함과 동시에, 공기 청정기(700)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
디스플레이부(762)는 공기 청정기(700)의 동작과 관련된 각종 정보를 표시할 수 있다. 예컨대, 디스플레이부(762)는 공기 청정기(700)의 풍량, 풍향, 현재 실내 온도, 습도, 공기 질 등과 같은 정보와, 절전 모드, 일반 모드, 수면 모드 등과 같은 동작 모드에 대한 정보를 표시할 수 있다.
음향 출력부(764)는 공기 청정기(700)의 이벤트 발생을 알리기 위해 음성 형태의 신호를 출력할 수 있다. 공기 청정기(700)에서 발생 되는 이벤트의 예로는 알람, 전원 온/오프, 에러 발생, 동작 모드 변경 등이 있을 수 있다.
메모리(770)는 공기 청정기(700)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(770)는 공기 청정기(700)의 동작을 위한 각종 데이터, 명령어들을 저장할 수 있다.
메모리(770)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk [0061] type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM (electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서(780)는 통상적으로 공기 청정기(700)의 전반적인 동작을 제어한다. 프로세서(780)는 위에서 살펴본 구성요소 들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
프로세서(780)는 공기 청정기(700)의 정화 정보에 기초하여 팬모터(750), 및 유동 전환 장치(755) 중 적어도 하나를 조절할 수 있다. 여기서 정화 정보는, 동작 모드, 풍량 및 풍향 중 적어도 하나를 포함할 수 있다.
송풍 장치(740)는 흡입구 및 토출구를 포함할 수 있다.
유동 전환 장치(755)는 송풍 장치의 토출구에서 토출되는 공기의 유동 방향을 전환시킬 수 있다.
팬모터(750)는 송풍 장치(740)의 내부에 설치되고, 송풍 장치(740) 내부에 구비되는 송풍팬(미도시)을 회전시켜 공기를 송풍할 수 있다. 이에 따라 팬모터(750)는 공기 유동을 발생시킬 수 있다.
즉, 팬모터(750)가 구동되면 송풍팬이 회전하고, 송풍팬이 회전함에 따라 흡입구를 통해 공기가 흡입되고, 토출구를 통해 공기가 토출될 수 있다.
또한 송풍 장치(740) 내부에는 정화 유닛(745)이 설치되며, 흡입구를 통해 공기가 흡입되고 토출구를 통해 공기가 토출됨에 따라 정화 유닛은 공기를 정화할 수 있다.
프로세서(780)는 정화 정보 중 동작 모드에 기초하여 팬 모터(750) 및 유동 전환 장치(755) 중 적어도 하나의 동작을 제어할 수 있다. 그리고 팬 모터(750) 및 유동 전환 장치(755) 중 적어도 하나의 동작이 제어 됨에 따라 공기 청정기의 동작 모드가 조절될 수 있다.
또한 프로세서(780)는 정화 정보 중 풍량에 기초하여 팬모터(750) 및 유동 전환 장치(780) 중 적어도 하나의 동작을 제어할 수 있다. 그리고 팬모터(750) 및 유동 전환 장치(780) 중 적어도 하나의 동작이 제어 됨에 따라 공기 청정기(780)의 풍량이 조절될 수 있다.
또한 프로세서(780)는 정화 정보 중 풍향에 기초하여 유동 전환 장치(780)의 동작을 제어할 수 있다. 그리고 유동 전환 장치(780)의 동작이 제어 됨에 따라 공기 청정기(780)의 풍향이 조절될 수 있다.
전원 공급부(790)는 프로세서(780)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 공기 청정기(700)에 포함된 각 구성요소들에 전원을 공급한다.
상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 공기 청정기의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 공기 청정기의 동작, 제어, 또는 제어방법은 상기 메모리(770)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 공기 청정기 상에서 구현될 수 있다.
다음은 환기 장치(300)에 대하여 설명한다. 용어 환기 장치(300)는 용어 환기 시스템(300)과 혼용되어 사용될 수 있다.
도 4은 본 발명의 일 실시 예에 따른 환기 장치에 포함된 구성 요소들에 대한 개략적인 블록도이다.
도 4를 참조하면, 환기 장치(300)는 통신부(310), 입력부(320), 센서부(330), 송풍 장치(340), 구동부(345), 팬(350), 출력부(360), 메모리(370), 프로세서(380), 및 전원 공급부(390)를 포함할 수 있다. 도 4에 도시된 구성 요소들은 환기 장치를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 환기 장치는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성 요소들을 가질 수도 있다.
보다 구체적으로, 상기 구성요소들 중 통신부(310)는, 환기 장치(300)와 외부 기기(예컨대, 무빙 에이전트, 스마트폰, 태블릿 PC등의 이동 단말기 또는 데스크톱 컴퓨터 등의 고정 단말기) 사이, 또는 환기 장치(300)와 외부 서버 사이의 유선 또는 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.
또한, 통신부(310)는, 환기 장치(300)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
이러한 통신부(310)가 무선 통신을 지원하는 경우, 통신부(310)는 무선 인터넷 모듈과 근거리 통신 모듈 중 적어도 하나를 포함할 수 있다.
무선 인터넷 모듈은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 환기 장치(300)에 내장되거나 외장될 수 있다.
무선 인터넷 모듈은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다. 무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance) 등이 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등의 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다. 이러한, 근거리 통신 모듈은, 근거리 무선 통신망(Wireless Area Networks)을 통해 환기 장치(300)와 외부 기기 사이의 무선 통신을 지원할 수 있다. 상기 근거리 무선 통신 망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.
입력부(320)는 사용자로부터 정보 또는 명령을 입력받기 위한 터치키(touch key), 푸시키(mechanical key), 다이얼 키(dial key) 등을 포함할 수 있다. 실시 예에 따라, 입력부(320)는 별도의 원격제어장치로부터 정보 또는 명령을 입력받는 인터페이스부를 포괄하는 개념으로 이해될 수 있다.
구체적으로, 입력부(320)는 사용자로부터 정보를 입력 받기 위한 것으로서, 입력부(320)를 통해 정보가 입력되면, 프로세서(380)는 입력된 정보에 대응되도록 환기 장치(300)의 동작을 제어할 수 있다.
이러한, 입력부(320)는 기계식(mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 환기 장치(300)의 전·후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다.
일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다. 한편, 상기 가상키 또는 비주얼 키는, 다양한 형태를 가지면서 터치스크린 상에 표시되는 것이 가능하며, 예를 들어, 그래픽(graphic), 텍스트(text), 아이콘(icon), 비디오(video) 또는 이들의 조합으로 이루어질 수 있다.
센서부(330)는 환기 장치(300)를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센서부(330)는 환기 장치(300)가 설치된 공간의 온도를 감지하기 위한 온도 센서(332), 상기 공간의 습도를 감지하기 위한 습도 센서(334)를 포함할 수 있다.
또한 센서부(330)는 공기 중 먼지의 양을 감지하는 먼지 센서(335) 및 공기 중 가스의 양을 감지하는 가스 센서(336)를 포함할 수 있다.
출력부(360)는 시각, 청각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(362)와 음향 출력부(364; 예컨대 스피커) 중 적어도 하나를 포함할 수 있다.
디스플레이부(362)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 환기 장치(300)와 사용자 사이의 입력 인터페이스를 제공하는 입력부(320)로써 기능함과 동시에, 환기 장치(300)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
디스플레이부(362)는 환기 장치(300)의 동작과 관련된 각종 정보를 표시할 수 있다. 예컨대, 디스플레이부(362)는 환기 장치(300)의 풍량, 풍향, 현재 실내 온도, 습도, 공기 질 등과 같은 정보와, 절전 모드, 일반 모드, 수면 모드 등과 같은 동작 모드에 대한 정보를 표시할 수 있다.
음향 출력부(364)는 환기 장치(300)의 이벤트 발생을 알리기 위해 음성 형태의 신호를 출력할 수 있다. 환기 장치(300)에서 발생 되는 이벤트의 예로는 알람, 전원 온/오프, 에러 발생, 동작 모드 변경 등이 있을 수 있다.
메모리(370)는 환기 장치(300)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(370)는 환기 장치(300)의 동작을 위한 각종 데이터, 명령어들을 저장할 수 있다.
메모리(370)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk [0061] type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM (electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
프로세서(380)는 통상적으로 환기 장치(300)의 전반적인 동작을 제어한다. 프로세서(380)는 위에서 살펴본 구성요소 들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
송풍 장치(340)는 흡입구 및 토출구를 포함할 수 있다.
또한 송풍 장치(340)는 개폐 도어를 포함할 수 있다. 여기서 개폐 도어는 창문이나 문을 포함할 수 있다.
팬(350)은 급기 팬 및 배기 팬 중 적어도 하나를 포함할 수 있다.
팬(350)은 모터에 의해 회전하여, 공기를 송풍할 수 있다.
구체적으로 팬(350)은 모터에 의해 회전하여 외기를 실내로 유입시킬 수 있다. 이 경우 흡입구를 통해 외부 공기가 실내로 흡입될 수 있다.
또한 팬(350)은 모터에 의해 회전하여 실내의 공기를 외부로 유출 시킬 수 있다. 이 경우 토출구를 통해 실내 공기가 외부로 토출될 수 있다.
한편 구동부(340)는 개폐 도어를 열거나 닫을 수 있다. 구체적으로 구동부(340)는 개폐 도어를 열거나 닫을 수 있는 수단(예를 들어 모터)를 구비하고, 프로세서(380)의 제어 하에 개폐 도어를 열거나 닫을 수 있다.
그리고 환기 시스템이 동작을 하면, 프로세서(380)는 개폐 도어를 열도록 구동부(340)를 제어할 수 있다. 반면에 환기 시스템이 동작을 중단하면, 프로세서(380)는 개폐 도어를 닫도록 구동부(340)를 제어할 수 있다.
프로세서(380)는 환기 장치의 전반적인 동작을 제어할 수 있다.
전원 공급부(390)는 프로세서(380)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 환기 장치(300)에 포함된 각 구성요소들에 전원을 공급한다.
상기 각 구성요소들 중 적어도 일부는, 이하에서 설명되는 다양한 실시 예들에 따른 환기 장치의 동작, 제어, 또는 제어방법을 구현하기 위하여 서로 협력하여 동작할 수 있다. 또한, 상기 환기 장치의 동작, 제어, 또는 제어방법은 상기 메모리(370)에 저장된 적어도 하나의 응용 프로그램의 구동에 의하여 환기 장치 상에서 구현될 수 있다.
한편 인공지능 장치(100)는 공기 청정 시스템(700) 및 환기 시스템(300)과 통신할 수 있다.
한편 앞선 설명에서는 공기 청정 시스템(700) 및 환기 시스템(300)을 별도로 설명하였으나 이에 한정되지 않으며, 공기 청정 시스템(700) 및 환기 시스템(300)을 통합한 공기 관리 시스템이 존재할 수 있다. 이 경우 공기 관리 시스템은 공기 청정 모드, 환기 모드, 그리고 공기 청정 및 환기 모드로 동작할 수 있다. 그리고 인공지능 장치(100)는 공기 관리 시스템과 통신하며, 공기 관리 시스템의 동작 모드를 조절할 수 있다.
한편 인공지능 장치(100)과, 공기 청정 시스템(700) 및 환기 시스템(300)이 별도의 장치 또는 시스템인 것으로 설명하였으나 이에 한정되지 않는다.
예를 들어 인공지능 장치(100)는 공기 청정 시스템(700), 환기 시스템(300) 또는 공기 관리 시스템과 통합된 시스템일 수 있다.
도 5는 본 발명의 실시 예에 따른 인공지능 장치의 동작 방법을 설명하기 위한 도면이다.
본 발명의 실시 예에 따른 인공지능 장치의 동작 방법은, 외부 환경 요소 및 센서에 의해 수집된 내부 환경 요소를 획득하는 단계(S510), 내부 환경 요소를 이용하여 다음 내부 환경 요소를 예측하는 단계(S530) 및 예측된 내부 환경 요소에 기반하여 환기 시스템 및 공기 청정 시스템을 연계하여 동작시키는 단계(S550)를 포함할 수 있다,
다음 내부 환경 요소의 예측은 환경 요소 예측 모델에 의하여 수행될 수 있다. 따라서 먼저 환경 요소 예측 모델에 대하여 알아본다.
도 6 내지 도 7은 본 발명의 실시 예에 따른 환경 요소 예측 모델의 생성 방법을 설명하기 위한 도면이다.
여기서 환경 요소는 먼지 농도, 가스 농도 및 온도 중 적어도 하나를 포함할 수 있다.
여기서 먼지 농도는 부유 먼지(50μm 이하) 농도, 미세 먼지(PM10) 농도 및 초 미세먼지(PM2.5) 농도 중 적어도 하나를 포함할 수 있다.
또한 가스 농도는 이산화탄소 농도 및 휘발성 유기 화합물 농도 중 적어도 하나를 포함할 수 있다.
환경 요소 예측 모델은, 시간이 흐름에 따라 변화하는 환경 요소의 변화 패턴을 파악하고, 환경 요소의 변화 패턴을 이용하여 다음 환경 요소를 예측하는 모델일 수 있다.
예를 들어 오피스를 가정하면, 출근 시간에 몰려 직원들이 짧은 기간 안에 오피스로 들어오면 이산화 탄소 농도가 급격히 증가할 수 있다. 반대로 퇴근 시간에 몰려 직원들이 짧은 기간 안에 오피스를 나가면 이산화탄소 농도가 급격히 감소할 수 있다.
다른 예를 들어 오피스에서, 겨울에 출근한 직원들이 추워서 창문을 열지 않으면, 실내(내부) 미세먼지 농도는 비슷하게 유지될 수 있다. 다만 봄에 출근한 직원들이 창문을 여는 경우, 실내(내부) 미세먼지 농도는 변경될 수 있다.
다른 예를 들어 가정 집에서, 매일 아침 10시경 창문을 열어 환기를 하는 경우 실내(내부) 미세먼지 농도가 변경될 수 있으며, 매주 일요일 오후 두시부터 네시까지 대청소를 하는 경우, 실내(내부) 미세먼지 농도가 증가할 수 있다.
또한 가정 집에서 오후 7시경에 모든 가족이 집에 모이는 경우, 오후 7시부터 실내 이산화 탄소 농도가 증가할 수 있다.
따라서 환경 요소 예측 모델은, 도 6 및 도 7에서 도시하는 바와 같이, 시간의 흐름에 따라 변화하는 실내의 환경 요소를 훈련 데이터로 이용하여 트레이닝 된(모델 파라미터가 설정(업데이트) 된) 인공 신경망일 수 있다. 이에 따라 입력 데이터가 수신되는 경우, 환경 요소 예측 모델은 출력값을 출력할 수 있다. 즉 현재 또는 일정 시점 이전부터 현재까지의 환경 요소가 수신되는 경우, 환경 요소 예측 모델은 다음 환경 요소를 예측할 수 있다.
한편 환경 요소는 시계열 데이터(time-series data)로, 시간의 흐름에 따라 변화하는 데이터일 수 있다.
따라서 환경 요소 예측 모델을 구성하는 뉴럴 네트워크는, 시계열 데이터와 같이 시간의 흐름에 따라 변화하는 데이터를 학습하는 순환 신경망(Recurrent Neural Network, RNN)일 수 있다. 이 경우 장단기 메모리(Long-Short term Memory, LSTM)가 사용될 수 있다.
그리고 순환 신경망(Recurrent Neural Network, RNN)은 일정 기간 이상의 데이터 들을 이용하여 트레이닝 됨으로써, 내부의 모델 파라미터가 설정(업데이트)될 수 있다. 이에 따라 새로운 입력 데이터가 수신되는 경우, 환경 요소 예측 모델은 출력값을 출력할 수 있다. 즉 현재 또는 일정 시점 이전부터 현재까지의 환경 요소가 수신되는 경우, 환경 요소 예측 모델은 다음 환경 요소를 예측할 수 있다.
한편 인공 신경망의 학습 장치(200)는 환기 시스템 및 공기 청정 시스템이 설치되는 환경에서의 일정 기간 이상의 데이터를 이용하여 순환 신경망(Recurrent Neural Network, RNN)을 트레이닝 할 수 있다.
예를 들어 환기 시스템 및 공기 청정 시스템이 A 빌딩에 설치될 예정인 경우, 인공 신경망의 학습 장치(200)는 A 빌딩의 환경 요소를 기록한 1년 간의 로그 데이터를 이용하여 순환 신경망을 트레이닝 할 수 있다.
한편 인공 신경망의 학습 장치(200)는 환기 시스템 및 공기 청정 시스템이 설치되는 환경에서, 인공지능 장치가 환기 시스템 및 공기 청정 시스템을 연계하여 동작시키는 과정 없이 획득된, 일정 기간 이상의 데이터를 이용하여 순환 신경망(Recurrent Neural Network, RNN)을 트레이닝 할 수 있다.
한편 환경 요소 예측 모델은 업데이트 될 수 있다.
예를 들어 환경 요소 예측 모델을 구성하는 인공 신경망은 환기 시스템 및 공기 청정 시스템이 설치되는 환경에서의 최신 1년치의 환경 요소를 이용하여 재 트레이닝 됨으로써, 모델 파라미터가 업데이트 될 수 있다.
도 8은 본 발명의 실시 예에 따른, 다양한 환경 요소 예측 모델을 설명하기 위한 도면이다.
환경 요소 예측 모델(810)은, 훈련 데이터 및 예측할 환경 요소에 따라 구분되는 복수의 환경 요소 예측 모델을 포함할 수 있다.
예를 들어 도 6 및 도 7에서 도시하는 바와 같이, 인공 신경망은 일정 시간 단위의 실내의 먼지 농도를 훈련 데이터로 이용하여 트레이닝 될 수 있다. 이와 같이 시간의 흐름에 따라 변화하는 먼지 농도를 훈련 데이터로 이용하여 앞으로의 먼지 농도를 예측하도록 트레이닝 된 뉴럴 네트워크를 먼지 농도 예측 모델이라 명칭할 수 있다.
그리고 먼지 농도 예측 모델 중에서도, 시간의 흐름에 따라 변화하는 초 미세 먼지 농도를 훈련 데이터로 이용하여 앞으로의 초 미세 먼지 농도를 예측하도록 트레이닝 된 뉴럴 네트워크를 초 먼지 농도 예측 모델이라 명칭할 수 있다.
같은 원리로 먼지 농도 예측 모델은, 부유 먼지 예측 모델이나 미세 먼지 예측 모델을 포함할 수 있다.
또한 같은 원리로, 환경 요소 예측 모델은 가스 농도 예측 모델을 포함할 수 있으며, 가스 농도 예측 모델은 이산화탄소 농도 예측 모델 및 휘발성 유기 화합물 농도 예측 모델 중 적어도 하나를 포함할 수 있다.
여기서 이산화탄소 농도 예측 모델은, 시간의 흐름에 따라 변화하는 이산화탄소 농도를 훈련 데이터로 이용하여 앞으로의 이산화탄소 농도를 예측하도록 트레이닝 된 뉴럴 네트워크일 수 있다.
같은 원리로, 환경 요소 예측 모델은 온도 예측 모델을 포함할 수 있다. 여기서 온도 예측 모델은, 시간의 흐름에 따라 변화하는 온도를 훈련 데이터로 이용하여 앞으로의 온도를 예측하도록 트레이닝 된 뉴럴 네트워크일 수 있다.
또한 환경 요소 예측 모델은, 실내의 환경 요소(실내의 먼지, 부유 먼지, 미세먼지, 초 미세먼지, 가스, 이산화탄소, 휘발성 유기 화합물, 온도 등)을 훈련 데이터로 이용하여 앞으로의 실내의 환경 요소를 예측하도록 트레이닝 된 뉴럴 네트워크인 실내 환경 요소 예측 모델을 포함할 수 있다.
또한 환경 요소 예측 모델은, 실외의 환경 요소(실외의 먼지, 부유 먼지, 미세먼지, 초 미세먼지, 가스, 이산화탄소, 휘발성 유기 화합물, 온도 등)을 훈련 데이터로 이용하여 앞으로의 실외의 환경 요소를 예측하도록 트레이닝 된 뉴럴 네트워크인 실외 환경 요소 예측 모델을 포함할 수 있다.
한편 환경 요소 예측 모델은 인공지능 장치(100)에 탑재될 수 있다.
한편 환경 요소 예측 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 환경 요소 예측 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 환경 요소 예측 모델을 구성하는 하나 이상의 명령어는 메모리(170)에 저장될 수 있다.
다음은 도 9 내지 도 12를 참조하여, 환경 요소 예측 모델이 탑재된 인공지능 장치(100)의 동작에 대해서 설명한다.
인공지능 장치(100)의 프로세서(180)는 통신부를 통하여 외부 환경 요소를 획득할 수 있다.
여기서 외부 환경 요소는, 외부(실외)의 먼지 농도, 가스 농도 및 온도 중 적어도 하나를 포함할 수 있다.
여기서 외부의 먼지 농도는, 외부의 부유 먼지(50μm 이하) 농도, 외부의 미세 먼지(PM10) 농도 및 외부의 초 미세먼지(PM2.5) 농도 중 적어도 하나를 포함할 수 있다.
또한 외부의 가스 농도는 외부의 이산화탄소 농도 및 외부의 휘발성 유기 화합물 농도 중 적어도 하나를 포함할 수 있다.
한편 프로세서(180)는 외부의 환경 요소를 외부에 장착된 센서(먼지 센서, 가스 센서, 온도 센서 등)으로부터 수신할 수도 있으며, 네트워크를 통하여 연결된 서버로부터 수신할 수도 있다.
한편 인공지능 장치(100)의 프로세서(180)는 통신부를 통하여 내부 환경 요소를 획득할 수 있다.
여기서 내부 환경 요소는, 내부(실내)의 먼지 농도, 가스 농도 및 온도 중 적어도 하나를 포함할 수 있다.
여기서 내부의 먼지 농도는, 내부의 부유 먼지(50μm 이하) 농도, 내부의 미세 먼지(PM10) 농도 및 내부의 초 미세먼지(PM2.5) 농도 중 적어도 하나를 포함할 수 있다.
또한 내부의 가스 농도는 내부의 이산화탄소 농도 및 내부의 휘발성 유기 화합물 농도 중 적어도 하나를 포함할 수 있다.
한편 프로세서(180)는 내부의 환경 요소를 내부에 장착된 센서(먼지 센서, 가스 센서, 온도 센서 등)으로부터 수신할 수도 있으며, 환기 시스템이나 공기 청정 시스템으로부터 수신할 수도 있다. 이 경우 환기 시스템이나 공기 청정 시스템은 자체적으로 내부의 환경 요소를 수집할 수 있다.
한편 프로세서(180)는 내부 환경 요소를 환경 요소 예측 모델에 제공할 수 있다. 그리고 환경 요소 예측 모델은 입력 데이터를 기반으로 출력 데이터를 출력할 수 있다.
즉 환경 요소 예측 모델은 입력된 내부 환경 요소를 기반으로 다음 내부 환경 요소를 출력할 수 있다. 이에 따라 프로세서(180)는 다음 내부 환경 요소를 예측할 수 있다.
한편 프로세서(180)는 내부 환경 요소를 일정 시간 단위로 환경 요소 예측 모델에 제공할 수 있다. 이 경우 환경 요소 예측 모델은 다음 내부 환경 요소를 일정 시간 단위로 출력할 수 있다.
한편 예측된 내부 환경 요소에 기반하여, 프로세서(180)는 환기 시스템 및 공기 청정 시스템을 연계하여 동작시킬 수 있다.
여기서 환기 시스템 및 공기 청정 시스템을 연계하여 동작시킨 다는 것의 의미는, 프로세서가, 실 시간 내부 먼지 농도, 예측된 내부 먼지 농도, 실 시간 외부 먼지 농도, 예측된 외부 먼지 농도, 기타 상황 정보 중 적어도 하나를 이용하여, 환기 시스템만 동작하도록 제어하거나, 공기 청정 시스템만 동작하도록 제어하거나, 환기 시스템 및 공기 청정 시스템이 동작하도록 제어하거나, 환기 시스템 및 공기 청정 시스템 모두의 동작이 중단되도록 제어하는 것을 의미할 수 있다.
한편 용어를 정의한다.
예측된 내부 먼지 농도는, 입력 데이터(내부 먼지 농도)를 기반으로 내부 먼지 농도 예측 모델이 출력한 미래의 내부 먼지 농도를 의미할 수 있다.
또한 예측된 외부 먼지 농도는, 입력 데이터(외부 먼지 농도)를 기반으로 외부 먼지 농도 예측 모델이 출력한 미래의 외부 먼지 농도, 또는 기상청의 분석 등 다른 시스템에 의해 예측된 미래의 먼지 농도일 수 있다.
또한 실 시간 내부 먼지 농도는, 센서를 통하여 감지되는 현재의 내부 먼지 농도를 의미할 수 있다.
또한 실 시간 외부 먼지 농도는, 센서를 통하여 감지되거나 기상청의 분석 등 다른 시스템에 의해 감지된 현재의 내부 먼지 농도를 의미할 수 있다.
다음은 내부 먼지 농도의 예측에 따른 환기 시스템 및 공기 청정 시스템의 연계 동작을 설명한다.
도 9는 본 발명의 실시 예에 따른, 예측된 내부 먼지 농도 및 상응하는 외부 먼지 농도에 기초한 연계 동작을 설명하기 위한 도면이다.
프로세서(180)는 내부 먼지 농도를 내부 먼지 농도 예측 모델에 입력하여 다음 내부 먼지 농도를 예측할 수 있다. 또한 프로세서(180)는 예측된 내부 먼지 농도를 이용하여 환기 시스템 및 공기 청정 시스템을 연계하여 동작시킬 수 있다.
구체적으로, 프로세서(180)는 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도를 비교할 수 있다(S910).
여기서 상응하는 외부 먼지 농도란 실 시간 외부 먼지 농도일 수 있다.
다만 이에 한정되지 않으며, 상응하는 외부 먼지 농도란 예측된 내부 먼지 농도와 시간 상으로 가장 가까운 예측된 외부 먼지 농도일 수 있다. 예를 들어 15분 후의 내부 먼지 농도가 예측되었고, 10분 후의 외부 먼지 농도와 30분 후의 외부 먼지 농도가 예측된 경우, 15분 후의 내부 먼지 농도에 상응하는 외부 먼지 농도는 10분 후의 외부 먼지 농도일 수 있다.
한편 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높으면, 프로세서(180)는 환기 시스템을 동작시킬 수 있다(S920).
구체적으로 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높으면, 프로세서(180)는 현재 동작 중이지 않은 환기 시스템에 동작 명령을 전송하거나, 현재 동작 중인 환기 시스템에 동작 중단 명령을 전송하지 않을 수 있다. 또한 프로세서(180)는 현재 동작 중이지 않은 공기 청정 시스템에 동작 명령을 전송하지 않거나, 현재 동작 중인 공기 청정 시스템에 동작 중단 명령을 전송할 수 있다.
이 경우 환기 시스템(300)의 프로세서(380)는 환기를 수행하도록 제어할 수 있다. 구체적으로 환기 시스템의 프로세서(380)는, 급기 팬 및 배기 팬 중 적어도 하나가 동작하도록 모터를 제어하거나, 개폐 도어가 열리도록 구동부(345)를 제어할 수 있다.
한편 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 낮으면, 프로세서(180)는 공기 청정 시스템을 동작시킬 수 있다(S950).
구체적으로 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 낮으면, 프로세서(180)는 현재 동작 중이지 않은 공기 청정 시스템에 동작 명령을 전송하거나, 현재 동작 중인 공기 청정 시스템에 동작 중단 명령을 전송하지 않을 수 있다. 또한 프로세서(180)는 현재 동작 중이지 않은 환기 시스템에 동작 명령을 전송하지 않거나, 현재 동작 중인 환기 시스템에 동작 중단 명령을 전송할 수 있다.
이 경우 공기 청정 시스템의 프로세서(780)는 공기 청정을 수행하도록 제어할 수 있다. 구체적으로 공기 청정 시스템의 프로세서(780)는, 팬을 회전하여 공기 유동을 발생시키기 위하여 팬 모터를 제어할 수 있다.
실외(내부) 먼지 농도가 실내(외부) 먼지 농도가 높은 경우에 환기 시스템을 동작 시키면, 실내 공기의 정화에 도리어 불리할 수 있다.
또한 실내 먼지 농도가 실외 먼지 농도보다 높은 경우, 공기 청정 시스템을 동작시키는 것 보다 환기 시스템을 동작 시키는 것이 떠 빠른 실내 공기의 정화를 야기할 수 있으며, 공기 청정기를 동작시키는 대신 창문 등의 개폐 도어를 오픈함으로써 전력 소모를 낮출 수 있다.
즉 본 발명에 따르면, 실내의 먼지 농도 및 실외의 먼지 농도를 비교하고, 비교 결과에 따라 환기 시스템 및 공기 청정기를 선택적으로 동작 시킴으로써, 최적의 공기 조화를 수행할 수 있고 전력 소모를 낮출 수 있는 장점이 있다.
또한 실시간 실내 먼지 농도를 실외 먼지 농도와 비교하여 환기 시스템 및 공기 청정기를 선택적으로 동작시키는 경우에는, 실 시간 실내 먼지 농도의 잦은 변화에 따라 시스템의 온/오프가 반복되는 문제가 발생할 수 있으며, 대응이 늦는 문제가 발생할 수도 있다.
다만 본 발명은 환경 요소 예측 모델에 의한 먼지 농도의 예측을 기반으로 환기 시스템 및 공기 청정 시스템을 연계하여 동작시키기 때문에, 시스템의 온/오프가 반복되는 문제를 해결하고 실내 먼지 농도의 변화를 사전에 파악하여 미리 대응할 수 있는 장점이 있다.
또한 사용자 들은 환기 시스템 및 공기 청정 시스템을 항상 켜놓거나, 실내 먼지 농도가 높아지면 환기 시스템 및 공기 청정 시스템을 함께 키는 경우가 많다. 다만 본 발명은 환기 시스템 및 공기 청정 시스템을 교번적으로 동작시킴으로써 에너지 소비를 줄일 수 있는 장점이 있다.
한편 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높고 제1 기 설정된 값보다 크면, 프로세서(180)는 환기 시스템 및 공기 청정 시스템을 동작시킬 수 있다(S930, S940).
구체적으로 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높아서 환기 시스템이 동작하고 있는 상태에서(S920), 예측된 내부 먼지 농도가 제1 기 설정된 값보다 크면, 프로세서는 환기 시스템 및 공기 청정 시스템을 동작시킬 수 있다.
이 경우 프로세서(180)는 현재 동작 중이지 않은 공기 청정 시스템에 동작 명령을 전송하고, 현재 동작 중인 환기 시스템에 동작 중단 명령을 전송하지 않을 수 있다.
한편 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높으나 제1 기 설정된 값보다 낮은 경우, 프로세서(180)는 계속하여 환기 시스템만 동작 시킬 수 있다.
외부의 먼지 농도보다 내부의 먼지 농도가 높은 경우, 환기 시스템만 동작하는 것이 에너지 효율적이다. 다만 내부의 먼지 농도가 매우 높은 경우에는, 에너지 효율보다 공기의 빠른 정화가 요구된다. 따라서 본 발명은, 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높고 제1 기 설정된 값보다 높으면, 환기 시스템과 공기 청정 시스템을 함께 구동할 수 있다.
한편 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 작고 제2 기 설정된 값보다 작으면, 프로세서(180)는 환기 시스템 및 공기 청정 시스템의 동작을 중단할 수 있다(S960, S970).
구체적으로 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 낮아서 공기 청정 시스템이 동작하고 있는 상태에서(S950), 예측된 내부 먼지 농도가 제2 기 설정된 값보다 작으면, 프로세서는 환기 시스템 및 공기 청정 시스템의 동작을 중단할 수 있다.
이 경우 프로세서(180)는 현재 동작 중인 공기 청정 시스템에 동작 중단 명령을 전송할 수 있다.
한편 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 낮으나 제2 기 설정된 값보다 높은 경우, 프로세서(180)는 계속하여 공기 청정 시스템만 동작 시킬 수 있다.
내부의 먼지 농도보다 외부의 먼지 농도가 높은 경우, 공기 청정 시스템만 동작하는 것이 공기 청정에 유리하다. 다만 내부의 먼지 농도가 매우 낮아진 경우에는, 공기 청정 시스템 역시 오프 시키는 것이 에너지 절약 면에서 유리하다. 따라서 본 발명은, 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 낮고 제1 기 설정된 값보다 작으면, 환기 시스템과 공기 청정 시스템을 모두 오프시킬 수 있다.
도 10은 본 발명의 실시 예에 따른, 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 공기 청정 시스템이 동작하는 중의 동작 방법을 설명하기 위한 도면이다.
현재 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서, 공기 청정 시스템이 동작하고 있는 상태이다(S1010, S1020).
프로세서(180)는 예측된 내부 먼지 농도와 상응하는 외부 먼지 농도를 비교할 수 있다.
그리고, 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 공기 청정 시스템이 동작하는 중, 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높으면, 프로세서(180)는 공기 청정 시스템의 동작을 중단하고 환기 시스템을 동작시킬 수 있다(S1030, S1040).
다시 말해서, 현재는 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높아서 공기 청정 시스템을 동작시키는 것이 유리하나, 곧 내부 먼지 농도가 높아질 것이 예측되어 환기 시스템을 동작 시키는 것이 유리해진다.
그리고 본 발명에 따르면, 실내 먼지 농도의 변화를 사전에 파악하여 빨리 대응할 수 있으며, 실 시간 실내 먼지 농도의 잦은 변화가 발생하더라도 시스템의 온/오프를 반복하는 것 없이 안정적으로 시스템을 구동할 수 있는 장점이 있다.
한편 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 공기 청정 시스템이 동작하는 중, 실내 먼지 농도가 더 낮아질 것이 예측되면, 프로세서는 공기 청정 시스템 및 환기 시스템의 동작을 중단할 수 있다(S1050, S1060).
구체적으로 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 공기 청정 시스템이 동작하는 중, 예측된 내부 먼지 농도가 실 시간 내부 먼지 농도보다 낮으면, 프로세서(180)는 동작을 중단 명령을 공기 청정 시스템에 전송할 수 있다. 또한 환기 시스템은 현재 동작하고 있지 않은 상태로, 프로세서(180)는 환기 시스템의 동작 중단을 유지할 수 있다.
다시 말해서, 현재는 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높아서 공기 청정 시스템을 동작시키고 있으며, 공기 청정 시스템이 동작하지 않더라도 내부 먼지 농도가 더 낮아질 것이 예측되는 상태이다.
따라서 본 발명에 따르면, 공기 청정 시스템의 동작 없이도 내부 먼지 농도가 더 낮아질 것을 예측하고, 그에 따라 공기 청정 시스템의 동작도 중단함으로써, 전력 소비를 감소시킬 수 있는 장점이 있다.
도 11은 본 발명의 실시 예에 따른, 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 낮은 상태에서 공기 청정 시스템이 동작하는 중의 인공지능 장치의 동작 방법을 설명하기 위한 도면이다.
실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 높은 경우, 프로세서(180)는 환기 시스템을 동작 시킬 수 있다(S1110, S1120).
즉 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 높은 경우, 환기를 하는 것이 정화에 도움이 될 수 있다. 이 경우 공기 청정기를 이용한 정화 대신 창문을 여는 등 환기 시스템을 동작시킴으로써, 에너지를 절약하면서 공기를 정화할 수 있는 장점이 있다.
한편 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 높은 상태에서 환기 시스템이 동작하는 중, 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 더 낮아지면, 프로세서는 환기 시스템의 동작을 중단하고 공기 청정 시스템을 동작 시킬 수 있다(S1130, S1140).
구체적으로, 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 더 낮아질 것이 예측되더라도(즉 예측된 내부 먼지 농도가 현재의 실 시간 외부 먼지 농도보다 너 낮아도), 프로세서는 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 낮아 져야 환기 시스템의 동작을 중단하고 공기 청정 시스템을 동작 시킬 수 있다.
내부 먼지 농도가 낮아질 것으로 예측되는 경우, 예측 결과에 따라 즉각 공기 청정 시스템을 동작 시키게 되면 에너지 소모가 증가하게 된다. 따라서 내부 먼지 농도가 더 낮아질 것이 예측되더라도 개폐 도어를 열어놓은 상태로 유지하다가, 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 낮아져야 개폐 도어를 닫고 공기 청정 시스템을 동작 시킴으로써, 에너지 소모를 줄일 수 있다.
한편 내부 먼지 농도가 더 낮아질 것이 예측되면, 프로세서는 공기 청정 시스템의 동작을 중단시킬 수 있다(S1150, S1160).
구체적으로 공기 청정 시스템을 동작(S1040)시킨 후 예측된 내부 먼지 농도가 실 시간 내부 먼지 농도보다 낮으면, 프로세서(180)는 공기 청정 시스템의 동작을 중단시킬 수 있다. 이 경우 환기 시스템과 공기 청정 시스템의 동작이 모두 중단될 수 있다.
즉 본 발명에 따르면, 공기 청정 시스템의 동작 없이도 내부 먼지 농도가 더 낮아질 것을 예측하고, 그에 따라 공기 청정 시스템의 동작도 중단함으로써, 전력 소비를 감소시킬 수 있는 장점이 있다.
한편, 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 높은 상태에서 환기 시스템이 동작하는 중(S1110, S1120), 내부 먼지 농도가 더 높아질 것으로 예측되면, 프로세서는 환기 시스템과 함께 공기 청정 시스템을 동작시킬 수 있다(S1170, S1180).
구체적으로, 실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 높은 상태에서 환기 시스템이 동작하는 중(S1110, S1120), 예측된 내부 먼지 농도가 실시간 내부 먼지 농도보다 높으면, 프로세서는 환기 시스템과 함께 공기 청정 시스템을 동작시킬 수 있다.
외부의 먼지 농도보다 내부의 먼지 농도가 높은 경우, 환기 시스템만 동작하는 것이 에너지 효율적이다. 다만 내부의 먼지 농도가 매우 높은 경우에는, 에너지 효율보다 공기의 빠른 정화가 요구된다. 따라서 본 발명은, 환기 시스템이 동작하는 상태에서 내부 먼지 농도가 더 높아질 것으로 예측되면, 환기 시스템와 공기 청정 시스템을 함께 동작시킬 수 있다.
다음은 내부 이산화탄소 농도의 예측에 따른 환기 시스템의 동작을 설명한다.
도 12는 본 발명의 실시 예에 따른, 내부 이산화탄소 농도의 예측에 기초한 환기 시스템의 동작을 설명하기 위한 도면이다.
프로세서(180)는 내부 이산화탄소 농도를 내부 이산화탄소 농도 예측 모델에 입력하여 다음 내부 이산화탄소 농도를 예측할 수 있다(S1210).
또한 프로세서(180)는 예측된 내부 이산화탄소 농도를 이용하여 환기 시스템을 동작시키거나 환기 시스템의 동작을 중단할 수 있다.
구체적으로, 기준 값이 설정 되어 있을 수 있다. 여기서 기준 값이란 내부 이산화 탄소 농도가 높아서 환기를 해야 하는 지점의 농도를 의미할 수 있다.
그리고 예측된 내부 이산화탄소 농도가 기준 값보다 크면, 프로세서(180)는 환기 시스템을 동작 시킬 수 있다(S1220, S1230).
이 경우 실 시간 내부 이산화탄소 농도가 기준 값보다 작더라도, 예측된 내부 이산화탄소 농도가 기준 값보다 크면, 프로세서(180)는 환기 시스템을 동작시킬 수 있다.
기준 값이 50이고 실 시간 내부 이산화탄소 농도가 40이며, 이산화탄소 농도가 70까지 올라갈 것이 예측된다고 가정한다. 이 경우 이산화탄소 농도가 50이 되어야 창문을 열거나 외기를 끌어들이는 것 보다, 이산화탄소 농도가 40일 때 창문을 열거나 외기를 끌어들여서 이산화탄소 농도를 20까지 낮춰 놓으면, 실내를 더욱 쾌적하게 유지시킬 수 있는 장점이 있다.
한편 예측된 내부 이산화탄소 농도가 기준 값보다 작으면, 프로세서(180)는 환기 시스템의 동작을 중단을 유지할 수 있다(S1240, S1250).
구체적으로 실 시간 내부 이산화탄소 농도가 기준 값 보다 크나, 예측된 내부 이산화탄소 농도가 기준 값보다 작은 경우, 프로세서는 환기 시스템을 동작 시키지 않고 환기 시스템의 동작 중단을 유지할 수 있다.
내부 이산화탄소 농도가 어차피 떨어질 것이 예측되면, 환기 시스템을 동작시키지 않는 것이 에너지 절약에 유리할 수 있다. 따라서 본 발명은 내부 이산화탄소 농도가 높더라도 낮아질 것이 예측되면, 환기 시스템을 동작 시키지 않음으로써 에너지를 절약할 수 있다.
한편 프로세서는 먼지 농도와 이산화 탄소 농도를 모두 고려하여, 환기 시스템 및 공기 청정 시스템을 연계하여 동작시킬 수 있다.
구체적으로, 앞선 실시 예들에 따라 환기 시스템이 동작하지 않아야 할 상황임에도 불구하고, 프로세서는 이산화탄소 농도를 고려하여 환기 시스템을 동작시킬 수 있다.
더욱 구체적으로 실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높아서 환기 시스템이 동작하지 않고(즉, 창문이 닫혀 있거나 외기의 송풍을 하지 않고 있고) 공기 청정 시스템이 동작하는 경우를 가정한다.
이 경우 예측된 내부 이산화탄소 농도가 기준 값보다 크면, 프로세서는 환기 시스템을 동작시켜서 창문을 열거나 외기를 내부로 송풍할 수 있다.
이 경우 프로세서는 공기 청정 시스템의 동작을 중단하고 환기 시스템 만을 동작 시킬 수도 있으며, 공기 청정 시스템 및 환기 시스템을 모두 동작시킬 수 있다.
실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 경우에는, 환기를 하게 되면 실내 내부 먼지 농도가 더 올라가게 된다. 다만 본 발명은 실내 내부 먼지 농도가 더욱 올라감에도 불구하고 내부 이산화탄소 농도까지 고려하여 환기를 수행함으로써 먼지와 이산화탄소까지 고려한 쾌적한 환경을 조성할 수 있는 장점이 있다.
다음은 내부 온도의 예측에 다른 인공지능 장치의 동작을 설명한다.
프로세서는 내부 온도를 온도 예측 모델에 입력하여 다음 내부 온도를 예측할 수 있다. 여기서 온도 예측 모델은 시간의 흐름에 따라 변화하는 실내 온도를 훈련 데이터로 이용하여 트레이닝 된 순환 신경망일 수 있다.
그리고 프로세서는 예측된 내부 먼지 농도 및 예측된 다음 내부 온도를 이용하여, 환기 시스템 및 공기 청정 시스템을 연계하여 동작시킬 수 있다.
구체적으로, 앞선 실시 예들에 따라 환기 시스템이 동작해야 할 상황임에도 불구하고, 프로세서는 예측된 다음 내부 온도를 고려하여 환기 시스템을 동작시키지 않을 수 있다.
더욱 구체적으로, 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높은 상황을 가정한다. 이 경우 환기 시스템을 동작 시키는 것이 공기 정화 및 에너지 절약 면에서 유리할 수 있다.
다만, 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높고, 예측된 내부 온도가 상응하는 외부 온도와 기 설정된 값 이상 차이가 나면, 프로세서는 환기 시스템을 동작 시키지 않을 수 있다. 이 경우 프로세서는 공기 청정기만 동작 시키거나, 공기 청정기 및 환기 시스템을 모두 동작시키지 않을 수 있다.
먼지 농도를 고려하여 환기 시스템을 동작 시키는 것이 유리한 상황에서도, 내부 온도와 외부 온도의 차이가 큰 경우에는 에너지 손실이 발생하게 된다. 따라서 본 발명에 따르면, 먼지뿐만 아니라 온도 차에 의한 에너지 손실 및 사용자의 불쾌감까지 고려하여, 쾌적한 환경을 조성할 수 있는 장점이 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 서버의 프로세서(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (18)

  1. 외부 환경 요소 및 센서에 의해 수집된 내부 환경 요소를 획득하는 통신부; 및
    상기 내부 환경 요소를 환경 요소 예측 모델에 제공하여 다음 내부 환경 요소를 예측하고, 상기 예측된 내부 환경 요소에 기반하여 환기 시스템 및 공기 청정 시스템을 연계하여 동작시키는 프로세서;를 포함하는
    인공지능 장치.
  2. 제 1항에 있어서,
    상기 프로세서는,
    내부 먼지 농도를 먼지 농도 예측 모델에 입력하여 다음 내부 먼지 농도를 예측하고, 상기 예측된 내부 먼지 농도를 이용하여 상기 환기 시스템 및 상기 공기 청정 시스템을 연계하여 동작시키는
    인공지능 장치.
  3. 제 2항에 있어서,
    상기 프로세서는,
    실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 상기 공기 청정 시스템이 동작하는 중, 상기 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높으면, 상기 공기 청정 시스템의 동작을 중단하고 상기 환기 시스템을 동작시키는
    인공지능 장치.
  4. 제 2항에 있어서,
    상기 프로세서는,
    실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 상기 공기 청정 시스템이 동작하는 중, 상기 예측된 내부 먼지 농도가 상기 실 시간 내부 먼지 농도보다 낮으면, 상기 공기 청정 시스템 및 상기 환기 시스템의 동작을 중단시키는
    인공지능 장치.
  5. 제 2항에 있어서,
    상기 프로세서는,
    실 시간 내부 먼지 농도가 실 시간 외부 먼지 농도보다 높은 경우, 상기 환기 시스템을 동작시키는
    인공지능 장치.
  6. 제 5항에 있어서,
    상기 프로세서는,
    상기 실 시간 내부 먼지 농도가 상기 실 시간 외부 먼지 농도보다 높을 상태에서 상기 환기 시스템이 동작하는 중 상기 실 시간 내부 먼지 농도가 상기 실 시간 외부 먼지 농도보다 낮아지면, 상기 환기 시스템의 동작을 중단하고 상기 공기 청정 시스템을 동작시키는
    인공지능 장치.
  7. 제 6항에 있어서,
    상기 프로세서는,
    상기 공기 청정 시스템을 동작 시킨 후, 상기 예측된 내부 먼지 농도가 상기 실 시간 내부 먼지 농도보다 낮으면, 상기 공기 청정 시스템의 동작을 중단시키는
    인공지능 장치.
  8. 제 5항에 있어서,
    상기 프로세서는,
    상기 실 시간 내부 먼지 농도가 상기 실 시간 외부 먼지 농도보다 높을 상태에서 상기 환기 시스템이 동작하는 중, 상기 예측된 내부 먼지 농도가 상기 실시간 내부 먼지 농도보다 높으면, 상기 환기 시스템과 함께 상기 공기 청정 시스템을 동작시키는
    인공지능 장치.
  9. 제 2항에 있어서,
    상기 먼지 농도 예측 모델은,
    시간의 흐름에 따라 변화하는 실내의 먼지 농도를 훈련 데이터로 이용하여 트레이닝 된 순환 신경망인
    인공지능 장치.
  10. 제 2항에 있어서,
    상기 프로세서는,
    상기 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높으면 상기 환기 시스템을 동작시키고,
    상기 예측된 내부 먼지 농도가 상기 상응하는 외부 먼지 농도보다 낮으면 상기 공기 청정 시스템을 동작시키고,
    인공지능 장치.
  11. 제 10항에 있어서,
    상기 프로세서는,
    상기 예측된 내부 먼지 농도가 상기 상응하는 외부 먼지 농도보다 높고 제1 기 설정된 값보다 크면, 상기 환기 시스템 및 상기 공기 청정 시스템을 동작시키고,
    상기 예측된 내부 먼지 농도가 제2 기 설정된 값보다 작으면, 상기 환기 시스템 및 상기 공기 청정 시스템의 동작을 중단하는
    인공지능 장치.
  12. 제 1항에 있어서,
    상기 프로세서는,
    내부 이산화탄소 농도를 이산화탄소 농도 예측 모델에 입력하여 다음 내부 이산화탄소 농도를 예측하고, 상기 예측된 내부 이산화탄소 농도를 이용하여 상기 환기 시스템을 동작시키거나 상기 환기 시스템의 동작을 중단하는
    인공지능 장치.
  13. 제 12항에 있어서,
    상기 프로세서는,
    실 시간 내부 이산화탄소 농도가 기준 값보다 크고 상기 예측된 내부 이산화탄소 농도가 기준 값보다 작으면, 상기 환기 시스템의 동작 중단을 유지하는
    인공지능 장치.
  14. 제 12항에 있어서,
    상기 프로세서는,
    상기 예측된 내부 이산화탄소 농도가 기준 값보다 크면, 상기 환기 시스템을 동작시키는
    인공지능 장치.
  15. 제 2항에 있어서,
    상기 프로세서는,
    실 시간 외부 먼지 농도가 실 시간 내부 먼지 농도보다 높은 상태에서 상기 공기 청정 시스템이 동작하는 중, 예측된 내부 이산화탄소 농도가 기준 값보다 크면, 상기 환기시스템을 동작시키는
    인공지능 장치.
  16. 제 2항에 있어서,
    상기 프로세서는,
    내부 온도를 온도 예측 모델에 입력하여 다음 내부 온도를 예측하고,
    상기 온도 예측 모델은,
    시간의 흐름에 따라 변화하는 실내의 온도를 훈련 데이터로 이용하여 트레이닝 된 순환 신경망인
    인공지능 장치.
  17. 제 16항에 있어서,
    상기 프로세서는,
    상기 예측된 내부 먼지 농도 및 상기 예측된 다음 내부 온도를 이용하여, 상기 환기 시스템 및 상기 공기 청정 시스템을 연계하여 동작 시키는
    인공지능 장치.
  18. 제 2항에 있어서,
    상기 프로세서는,
    상기 예측된 내부 먼지 농도가 상응하는 외부 먼지 농도보다 높고, 상기 예측된 내부 온도가 상응하는 외부 온도와 기 설정된 값 이상 차이가 나면, 상기 환기 시스템을 동작시키지 않는
    인공지능 장치.
PCT/KR2019/004915 2019-04-23 2019-04-23 인공지능 장치 WO2020218632A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/004915 WO2020218632A1 (ko) 2019-04-23 2019-04-23 인공지능 장치
US16/492,876 US11408629B2 (en) 2019-04-23 2019-04-23 Artificial intelligence device
KR1020190092069A KR102608051B1 (ko) 2019-04-23 2019-07-29 인공지능 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/004915 WO2020218632A1 (ko) 2019-04-23 2019-04-23 인공지능 장치

Publications (1)

Publication Number Publication Date
WO2020218632A1 true WO2020218632A1 (ko) 2020-10-29

Family

ID=67807134

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/004915 WO2020218632A1 (ko) 2019-04-23 2019-04-23 인공지능 장치

Country Status (3)

Country Link
US (1) US11408629B2 (ko)
KR (1) KR102608051B1 (ko)
WO (1) WO2020218632A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022118307A1 (en) * 2020-12-01 2022-06-09 Sensibo Ltd. Operating a fan-based device together with an air purifier to achieve a combined effect
WO2022271348A1 (en) * 2021-06-21 2022-12-29 Microsoft Technology Licensing, Llc Generating fan control signal for computing device

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109373505A (zh) * 2018-10-26 2019-02-22 奥克斯空调股份有限公司 一种空调清洁提醒控制方法及空调器
KR102267180B1 (ko) * 2019-08-22 2021-06-22 엘지전자 주식회사 공조시스템 및 그 제어 방법
KR102281159B1 (ko) * 2019-08-22 2021-07-23 호스트웨이아이디씨(주) 공기 청정기 제어 시스템
KR102264855B1 (ko) * 2019-11-26 2021-06-15 전남대학교산학협력단 인공 신경망을 기반으로 하는 환기 모드 예측 방법 및 시스템
KR102145731B1 (ko) * 2020-02-04 2020-08-19 한밭대학교 산학협력단 탈모 예방을 위한 이동형 미세먼지 제거장치
KR102322781B1 (ko) * 2020-02-26 2021-11-05 조선대학교산학협력단 미세먼지 농도 예측 방법, 컴퓨터 프로그램 및 시스템과 공기 정화 장치
US11334795B2 (en) * 2020-03-14 2022-05-17 DataRobot, Inc. Automated and adaptive design and training of neural networks
CN111231615A (zh) * 2020-03-17 2020-06-05 英业达科技有限公司 车辆后备厢内环境温度ai智能控制系统、方法及车辆
KR20210135057A (ko) * 2020-05-04 2021-11-12 주식회사 아모센스 인공지능 공기정화 시스템
WO2022005127A1 (ko) * 2020-06-29 2022-01-06 어썸레이 주식회사 기계 학습 기반 공기 조화 장치 및 이의 제어 방법
KR102338086B1 (ko) * 2021-01-21 2021-12-14 어썸레이 주식회사 기계 학습 기반 공기 조화 장치 및 이의 제어 방법
US11068803B1 (en) * 2020-10-09 2021-07-20 Metre, Inc. Systems and methods for predicting analyte concentrations via machine learning techniques
KR102507614B1 (ko) * 2021-06-14 2023-03-07 경희대학교 산학협력단 기계학습을 이용한 실내 미세먼지 농도 예측 시스템, 예측방법 및 이를 이용한 공기청정기 가동여부 판단 운영시스템
CN113757852B (zh) * 2021-08-27 2022-10-14 华中科技大学 基于数字孪生技术的多联机空调机组控制方法及控制系统
KR102512506B1 (ko) * 2021-11-08 2023-03-22 콩테크 주식회사 기계학습모델을 이용한 에어컨 자동 쾌적제어방법, 시스템, 및 컴퓨터-판독가능 매체
CN114235041A (zh) * 2021-12-09 2022-03-25 中科国微科技(深圳)有限公司 直流稳压电源环境检测方法、装置、设备及存储介质
KR102426492B1 (ko) * 2021-12-17 2022-07-29 주식회사 소어텍 환기설비 연동 범용 제어 방법, 장치 및 프로그램
KR102537118B1 (ko) * 2021-12-27 2023-05-30 주식회사 위니아 지능형 청정 환기 방법 및 지능형 청정 환기 장치
WO2023181778A1 (ja) * 2022-03-24 2023-09-28 パナソニックＩｐマネジメント株式会社 推定方法、プログラム、及び推定システム
WO2023196660A1 (en) * 2022-04-08 2023-10-12 Solvable Labs Inc. Dynamic environmental system and control based on machine learning techniques
KR102557611B1 (ko) * 2022-06-23 2023-07-19 한국토지주택공사 Ai 기반 환기 시스템 및 방법
JP2024010879A (ja) * 2022-07-13 2024-01-25 ｃｙｎａｐｓ株式会社 換気制御システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6252673B2 (ko) * 1982-07-20 1987-11-06 Matsushita Electric Ind Co Ltd
KR20090115443A (ko) * 2008-05-02 2009-11-05 (주)지능형빌딩시스템기술연구소 지능형 환경 제어 시스템
KR101278245B1 (ko) * 2013-03-20 2013-06-24 (주)삼원씨앤지 실내 공기 질 예측 제어 기능을 가지는 환기량 제어 시스템
KR101757446B1 (ko) * 2016-11-10 2017-07-13 (주)아스크스토리 인공지능을 이용한 공기조화시스템 제어 장치 및 그 방법
KR20190026519A (ko) * 2017-09-05 2019-03-13 엘지전자 주식회사 인공지능 공기조화기의 동작 방법

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5934525B2 (ja) * 1980-06-17 1984-08-23 株式会社デンソー 自動車用空調制御装置
US6125105A (en) * 1997-06-05 2000-09-26 Nortel Networks Corporation Method and apparatus for forecasting future values of a time series
WO2006035583A1 (ja) * 2004-09-28 2006-04-06 Daikin Industries, Ltd. 環境管理装置、環境管理システム、環境管理方法及び環境管理プログラム
US20100070089A1 (en) * 2008-09-15 2010-03-18 Johnson Controls Technology Company Hvac controller user interfaces
US20140365017A1 (en) * 2013-06-05 2014-12-11 Jason Hanna Methods and systems for optimized hvac operation
WO2015173842A1 (ja) 2014-05-12 2015-11-19 三菱電機株式会社 パラメータ学習装置およびパラメータ学習方法
US20170154517A1 (en) * 2014-07-04 2017-06-01 Koninklijke Philips N.V. Air quality alert system and method
CN107110531A (zh) * 2014-12-24 2017-08-29 皇家飞利浦有限公司 用于房间的空气管理的设备和方法
PL3237809T3 (pl) * 2014-12-24 2020-08-10 Koninklijke Philips N.V. Systemy i sposoby monitorowania jakości powietrza i zdarzeń, które mogą wpłynąć na jakość powietrza, oraz podejmowanie działań zaradczych
JP6289749B2 (ja) * 2015-05-18 2018-03-07 三菱電機株式会社 室内環境モデル作成装置
KR101591735B1 (ko) * 2015-05-29 2016-02-11 주식회사 나인에코 실내공기질의 예측을 통한 오염 정보 제공 방법
JP6807556B2 (ja) * 2015-10-01 2021-01-06 パナソニックＩｐマネジメント株式会社 空調制御方法、空調制御装置及び空調制御プログラム
US10509377B2 (en) * 2015-10-22 2019-12-17 Triatomic Environmental, Inc. System for monitoring and controlling indoor air quality
JP2019100687A (ja) * 2017-12-08 2019-06-24 パナソニックＩｐマネジメント株式会社 空調制御方法及び空調制御装置
CN109990444B (zh) * 2017-12-29 2022-05-13 大金工业株式会社 空气质量管理系统和方法
US10890343B2 (en) * 2018-02-07 2021-01-12 Government Of The United States As Represented By The Administrator Of The U.S. Environmental Protection Agency System and method for assessment and management of air pollution exposures using personal devices
KR101875056B1 (ko) * 2018-02-26 2018-07-06 (주)파코코리아인더스 실내 환기 시스템
US11551111B2 (en) * 2018-04-19 2023-01-10 Ptc Inc. Detection and use of anomalies in an industrial environment
EP3578887A1 (en) * 2018-06-07 2019-12-11 Koninklijke Philips N.V. An air quality control system and method
EP3818309A4 (en) * 2018-07-02 2021-07-07 Telefonaktiebolaget Lm Ericsson (Publ) AIR QUALITY CONTROL SYSTEM AND MANAGEMENT
CN112400179A (zh) * 2018-07-27 2021-02-23 日本电信电话株式会社 行动优化装置、方法以及程序
US11384950B2 (en) * 2019-01-16 2022-07-12 Airviz Inc. Proactive building air quality management

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6252673B2 (ko) * 1982-07-20 1987-11-06 Matsushita Electric Ind Co Ltd
KR20090115443A (ko) * 2008-05-02 2009-11-05 (주)지능형빌딩시스템기술연구소 지능형 환경 제어 시스템
KR101278245B1 (ko) * 2013-03-20 2013-06-24 (주)삼원씨앤지 실내 공기 질 예측 제어 기능을 가지는 환기량 제어 시스템
KR101757446B1 (ko) * 2016-11-10 2017-07-13 (주)아스크스토리 인공지능을 이용한 공기조화시스템 제어 장치 및 그 방법
KR20190026519A (ko) * 2017-09-05 2019-03-13 엘지전자 주식회사 인공지능 공기조화기의 동작 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022118307A1 (en) * 2020-12-01 2022-06-09 Sensibo Ltd. Operating a fan-based device together with an air purifier to achieve a combined effect
WO2022271348A1 (en) * 2021-06-21 2022-12-29 Microsoft Technology Licensing, Llc Generating fan control signal for computing device
US11907032B2 (en) 2021-06-21 2024-02-20 Microsoft Technology Licensing, Llc Generating fan control signal for computing device

Also Published As

Publication number Publication date
KR102608051B1 (ko) 2023-11-30
KR20190096310A (ko) 2019-08-19
US20210190360A1 (en) 2021-06-24
US11408629B2 (en) 2022-08-09

Similar Documents

Publication Publication Date Title
WO2020218632A1 (ko) 인공지능 장치
WO2020204221A1 (ko) 공기 조화기
WO2020213750A1 (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
WO2019182265A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2020138624A1 (en) Apparatus for noise canceling and method for the same
WO2020213758A1 (ko) 음성으로 상호작용하는 인공 지능 장치 및 그 방법
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2020235696A1 (ko) 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법
WO2021006405A1 (ko) 인공지능 서버
WO2020235712A1 (ko) 콘텐츠 기반의 스타일을 갖는 텍스트 또는 음성을 생성하는 인공 지능 장치 및 그 방법
WO2020246844A1 (en) Device control method, conflict processing method, corresponding apparatus and electronic device
WO2020246631A1 (ko) 온도 예측 모델의 생성 장치 및 시뮬레이션 환경의 제공 방법
WO2020246634A1 (ko) 다른 기기의 동작을 제어할 수 있는 인공 지능 기기 및 그의 동작 방법
WO2020122294A1 (ko) 세탁기
WO2020241922A1 (ko) 차량 제어 장치
WO2020184748A1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020184753A1 (ko) 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법
WO2020184747A1 (ko) 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2021006404A1 (ko) 인공지능 서버
WO2019225961A1 (en) Electronic device for outputting response to speech input by using application and operation method thereof
WO2021025217A1 (ko) 인공지능 서버
WO2019151846A2 (ko) 공기 청정기
WO2020184746A1 (ko) 주행 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020138523A1 (ko) 세탁물 처리 장치 및 그의 세탁 코스 결정 방법
WO2020196962A1 (ko) 인공 지능 청소기 및 그의 동작 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19926067

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19926067

Country of ref document: EP

Kind code of ref document: A1