KR20200055826A - 공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치 - Google Patents

Abstract

본 발명의 실시 예에 따른 인공지능 기반의 컴퓨팅 장치는, 단말기와 연결하기 위한 통신부, 공기조화기의 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보에 기초한 운전 알고리즘을 획득하는 운전 알고리즘 제공 모듈, 및 상기 획득된 운전 알고리즘을 상기 공기조화기로 제공하기 위해 상기 단말기로 전송하도록 상기 통신부를 제어하는 프로세서를 포함한다.

Description

공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치{ARTIFICIAL INTELLIGENCE BASED COMPUTING APPARATUS PROVIDING OPERATION ALGORITHM OF AIR CONDITIONER}

본 발명은 인공지능 기반의 컴퓨팅 장치에 관한 것으로서, 특히 공기조화기의 자동 운전을 위한 운전 알고리즘을 제공하는 컴퓨팅 장치에 관한 것이다.

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

공기조화기는 사용자에 의해 설정되는 온도나 풍량 등에 따라 압축기, 팬 등을 구동하는 수동 모드 외에도, 전력 소모를 최소화하면서 최적의 실내 환경을 제공하도록 압축기나 팬의 구동 정도를 자동으로 제어하는 자동 운전모드(스마트케어 등)를 제공하여, 사용자의 편의성을 향상시키고자 한다.

그러나, 종래의 공기조화기가 제공하는 자동 운전모드의 운전 알고리즘은, 공기조화기가 설치된 공간의 특성이나 공기조화기의 설치 위치, 또는 사용자의 사용 특성에 대한 고려 없이 일괄적으로 제공된다. 따라서, 종래에 제공되는 자동 운전모드는 모든 사용자에 대해 만족시키기 어려울 수 있다.

한편, 최근에는 인공지능(artificial intelligence) 기술에 대한 관심이 증가하고 있다. 상기 인공지능 기술의 여러 분야 중 인간의 학습 능력을 컴퓨터 상에서 실현하기 위한 기술로서 머신 러닝이 존재한다.

종래의 머신 러닝은 통계학 기반의 분류, 회귀, 군집 모델이 중심이었다. 특히, 분류, 회귀 모델의 지도 학습에서는 학습 데이터의 특성과 이러한 특성을 기반으로 새로운 데이터를 구별하는 학습 모델이 사전에 정의되었다. 이와 달리, 최근 빅데이터 개념의 등장과 함께 관심도가 증가하는 딥러닝은, 방대한 양의 데이터를 이용하여 컴퓨터가 스스로 특성을 찾아내고 판별하는 것이다.

최근 이러한 딥러닝과 관련되어 오픈소스로 제공되는 딥러닝 프레임워크들이 등장하였고, 이에 따라 효과적인 학습 및 인식을 위해, 딥러닝 알고리즘 외에 학습 과정, 학습 방법, 학습에 사용되는 데이터의 추출 및 선정과 관련된 기술이 더욱 중요해지고 있다. 또한, 머신 러닝을 다양한 제품이나 서비스에 이용하기 위한 연구가 증가하고 있다.

이와 관련하여 종래기술 1(공개특허공보 제10-2016-0134454호, 2016.11.23. 공개)에는 공조기기의 일정 시간 가동 후 환경 인자와 변화 정도를 학습하여, 실내 온도 대비 목표 온도 도달 시간을 예측하여 공조기기를 제어하는 내용을 개시하고 있다. 그러나, 종래기술 1은 사용자의 사용 타입을 반영한 공조기기의 제어나, 목표 온도의 도달 이후의 가동 중의 최적 제어 등에 대해서는 개시하고 있지 못하다.

1. 공개특허공보 제10-2016-0134454호 (2016.11.23. 자 공개)

본 발명이 해결하고자 하는 과제는, 공기조화기가 설치될 공간 및 설치 위치와 같은 설치 환경과, 사용자의 사용 타입을 고려하여 최적의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치를 제공하는 것이다.

본 발명의 실시 예에 따른 인공지능 기반의 컴퓨팅 장치는, 공기조화기의 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보에 기초한 운전 알고리즘을 획득하는 운전 알고리즘 제공 모듈을 포함할 수 있다.

상기 운전 알고리즘 제공 모듈은 상기 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보 중 적어도 하나로부터 상기 공기조화기의 최적의 운전 패턴을 인식하는 운전 패턴 인식기를 포함할 수 있다. 이에 따라, 공기조화기의 설치 환경이나 사용자가 선호하는 사용 타입에 적합한 운전 알고리즘의 제공이 가능하다.

상기 운전 패턴 인식기는 상기 적어도 하나의 정보와 인식 결과를 이용하여 인식 모델을 학습함으로써, 보다 정확한 운전 알고리즘의 제공이 가능하다.

상기 컴퓨팅 장치는, 공기조화기가 설치되는 공간의 도면 정보로부터 상기 설치 공간 정보를 획득하는 설치 공간 정보 획득 모듈을 포함할 수 있다. 상기 설치 공간 정보는 상기 도면 정보에 포함된 적어도 하나의 텍스트의 인식 결과에 기초한 공간의 면적 정보, 공간 내의 구역들 각각의 식별 정보, 위치 정보, 및 면적 정보를 포함할 수 있다.

상기 컴퓨팅 장치는, 메모리 또는 데이터베이스 장치로부터, 상기 설치 공간 정보, 설치 위치 정보, 및 성능 정보와 매칭되는 복수의 사용자 데이터를 추출하는 사용자 데이터 분류 모듈을 더 포함할 수 있다. 상기 사용자 데이터 분류 모듈은 추출된 복수의 사용자 데이터에 포함된 운전 정보에 기초하여, 복수의 사용자 데이터를 복수의 사용 타입 그룹들로 그룹화할 수 있다.

상기 컴퓨팅 장치는, 복수의 사용 타입 그룹들 중 사용자에 의해 선택되는 사용 타입 그룹에 기초하여 상기 사용 타입에 대한 정보를 획득할 수 있다.

본 발명의 실시 예에 따른 인공지능 기반의 컴퓨팅 장치는, 공기조화기가 설치될 공간의 설치 공간 정보나 설치 위치 정보와 같은 설치 환경을 고려한 최적의 운전 알고리즘을 제공함으로써, 다양한 설치 환경들 각각에 최적화된 운전 알고리즘의 제공이 가능하다. 이에 따라, 공기조화기는 설치 공간에 대한 공기조화 동작을 보다 효과적으로 수행할 수 있다.

뿐만 아니라, 컴퓨팅 장치는 공기조화기의 사용자가 선호하거나 원하는 사용 타입에 따른 최적의 운전 알고리즘을 제공함으로써, 공기조화기의 자동 운전모드에 대한 사용자의 만족도를 극대화할 수 있다. 이에 따라, 사용자는 공기조화기의 사용 시 풍량이나 풍향 등을 일일이 설정하지 않고 자동 운전모드를 이용할 수 있으므로 사용자의 편의성 또한 향상될 수 있다.

도 1은 본 발명의 일 실시 예에 따른 공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치를 포함하는 시스템의 개략적인 구성도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 기반의 컴퓨팅 장치의 개략적인 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 동작을 설명하기 위한 플로우차트이다.
도 4는 컴퓨팅 장치가 공기조화기의 설치 공간 정보를 획득하는 동작의 구체적인 일례를 설명하기 위한 플로우차트이다.
도 5는 공기조화기가 설치될 공간의 도면 정보에 기초한 설치 공간 정보의 획득 및 설치 위치 정보의 획득과 관련된 예시도이다.
도 6은 컴퓨팅 장치가 공기조화기의 운전 알고리즘을 획득하는 동작을 보다 상세히 설명하기 위한 플로우차트이다.
도 7은 컴퓨팅 장치가 복수의 사용자 데이터를 이용하여 사용 타입을 그룹화하는 동작을 설명하기 위한 예시도이다.
도 8은 본 발명의 실시 예에 따른 컴퓨팅 장치에 포함된 운전 알고리즘 제공 모듈을 보다 구체적으로 설명하기 위한 블록도이다.
도 9와 도 10은 도 8의 운전 패턴 인식기에 적용되는 인공지능의 일례로서 딥러닝(deep learning)을 설명하기 위한 도면들이다.
도 11은 컴퓨팅 장치가 운전 패턴의 인식 결과에 기초하여 획득된 운전 알고리즘을 공기조화기로 제공하는 동작을 설명하기 위한 예시도이다.
도 12는 본 발명의 다른 실시 예에 따른 컴퓨팅 장치의 동작을 설명하기 위한 플로우차트이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명한다. 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.

도 1은 본 발명의 일 실시 예에 따른 공기조화기의 운전 알고리즘을 제공하는 인공지능 기반의 컴퓨팅 장치를 포함하는 시스템의 개략적인 구성도이다.

도 1을 참조하면, 상기 시스템은 컴퓨팅 장치(10), 단말기(20), 및 공기조화기(30)를 포함할 수 있다.

컴퓨팅 장치(10)는 공기조화기(30)의 운전 알고리즘을 제공하는 서버로서, 예컨대 공기조화기(30)의 제조사에 의해 관리되는 서버일 수 있으나, 이에 한정되는 것은 아니다.

컴퓨팅 장치(10)는 단말기(20)를 통해 사용자로부터 상기 운전 알고리즘의 제공을 위한 각종 정보를 수신할 수 있다. 예컨대, 상기 각종 정보는 공기조화기(30)가 설치될 공간과 관련된 주소 정보, 공기조화기(30)의 설치 위치 정보, 공기조화기(30)의 성능 정보(평형, 지원 기능, 출력, 전력소비량 등), 및 사용자의 사용 타입(예컨대, 절전형/쾌속형) 등을 포함할 수 있다. 상기 각종 정보에 대해서는 추후 도면들을 통해 후술한다.

컴퓨팅 장치(10)는 수신된 정보를 이용하여 공기조화기(30)의 최적의 운전 알고리즘을 획득하고, 획득된 운전 알고리즘을 공기조화기(30)로 제공할 수 있다.

특히, 컴퓨팅 장치(10)는 인공지능 기반의 인식기를 이용하여 상기 최적의 운전 알고리즘을 획득할 수 있다. 예컨대, 상기 인식기는 딥러닝(deep learning)으로 학습된 인공신경망을 포함할 수 있다.

컴퓨팅 장치(10)의 구성 및 동작에 대해서는 추후 도 2 내지 도 12를 통해 보다 상세히 설명하기로 한다.

단말기(20)는 컴퓨팅 장치(10)와 연결되어, 공기조화기(30)의 운전 알고리즘의 획득을 위한 각종 정보를 컴퓨팅 장치(10)로 제공할 수 있다. 단말기(20)는 스마트폰, 태블릿 PC 등의 이동 단말기를 의미할 수 있으나, 실시 예에 따라서는 PC와 같은 고정형 단말기를 포함할 수 있다.

실시 예에 따라, 단말기(20)는 공기조화기(30)와 연결되고, 컴퓨팅 장치(10)로부터 운전 알고리즘을 수신하고, 수신된 운전 알고리즘을 공기조화기(30)로 제공할 수도 있다.

공기조화기(30)는 특정 공간 내에 설치되어, 공간 내의 온도를 조절하는 냉방 또는 난방 운전을 수행하거나, 먼지나 이물을 제거하는 공기청정 운전, 기타 제습 운전 등을 수행할 수 있다.

이러한 각종 운전과 관련하여, 공기조화기(30)는 사용자에 의해 설정되는 온도나 풍량 등에 따라 압축기, 팬 등을 구동하는 수동 모드 외에도, 실내 환경과 설정 환경 사이의 비교를 통해 최적의 실내 환경을 제공하도록 압축기나 팬 등의 구동 정도를 자동으로 제어하는 자동 운전모드를 제공할 수 있다.

상기 자동 운전모드의 경우, 공기조화기(30)는 내부의 메모리에 저장된 운전 알고리즘에 기초하여 상기 자동 운전모드를 제공할 수 있다.

다만, 자동 운전모드는 설치 공간의 특성(공간의 구조 등), 공기조화기(30)의 설치 위치, 또는 사용자의 사용 타입(절전형/쾌속형 등)의 반영 없이 일괄적으로 제공되는 바, 자동 운전모드에 대한 사용자의 만족도가 서로 다를 수 있다. 한편, 사용자가 자동 운전모드를 이용하지 않고 수동으로 온도나 풍량 등을 설정하는 것은 번거로우며, 자동 운전모드에 비해 전력 소모 측면에서 비효율적일 수 있다.

본 발명의 실시 예에 따른 컴퓨팅 장치(10)는, 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 사용자의 사용 타입에 기초하여 획득된 운전 알고리즘을 공기조화기(30)로 제공할 수 있다. 공기조화기(30)는 상기 컴퓨팅 장치(10)로부터 제공되는 운전 알고리즘에 기초하여, 사용자에게 최적화된 자동 운전모드를 제공할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 인공지능 기반의 컴퓨팅 장치의 개략적인 블록도이다.

도 2를 참조하면, 컴퓨팅 장치(10)는 컴퓨팅 장치(10)의 전반적인 동작을 제어하는 프로세서(110)를 포함할 수 있다.

프로세서(110)는 적어도 하나의 CPU, AP(application processor), 컨트롤러, 마이크로컴퓨터, 집적회로 등을 포함할 수 있다.

프로세서(110)는 통신부(120)를 통해 단말기(20)로부터 공기조화기(30)가 설치되는 공간과 관련된 정보, 사용자의 공기조화기 사용 타입에 대한 정보 등을 수신할 수 있다. 상기 통신부(120)는 인터넷 모듈, 이동 통신 모듈 등 적어도 하나의 통신 모듈을 구비할 수 있다.

또한, 프로세서(110)는 후술할 각 모듈(140, 150, 160)의 동작을 제어할 수 있다.

메모리(130)는 컴퓨팅 장치(10)에 포함된 구성들의 동작을 위한 제어 데이터나 알고리즘 등을 저장할 수 있다.

또한, 메모리(130)는 설치 공간 정보 획득 모듈(140), 사용자 데이터 분류 모듈(150), 운전 알고리즘 제공 모듈(160)의 동작에 필요한 정보나 데이터를 저장할 수 있다.

실시 예에 따라, 메모리(130)는 공기조화기(30)에 대한 복수의 사용자들의 사용자 데이터를 저장할 수도 있다. 상기 사용자 데이터는 공기조화기의 성능 정보, 설치 공간 정보, 설치 위치 정보, 동일 온도 변화를 기준으로 할 때의 동작 시간과 전력 소모량 정보, 설정 풍속, 설정 풍향 등 사용자의 사용 패턴과 관련된 정보를 포함할 수 있다. 한편, 상기 사용자 데이터는 컴퓨팅 장치(10)와 연결되는 별도의 데이터베이스 장치(미도시)에 저장될 수도 있다.

설치 공간 정보 획득 모듈(140)은 통신부(120)를 통해 수신되는 상기 공간에 대한 정보로부터 설치 공간 정보를 획득할 수 있다.

일례로, 프로세서(110)는 통신부(120)를 통해 상기 공간의 주소 정보를 수신할 수 있다. 프로세서(110)는, 수신된 주소 정보로부터 상기 공간의 도면 정보를 획득할 수 있다. 상기 도면 정보는 상기 공간의 평면도에 해당할 수 있으나, 이에 한정되는 것은 아니다. 구체적으로, 프로세서(110)는 통신부(120)를 통해 도면 정보를 제공하는 서버(예컨대, 인테리어 업체의 서버, 부동산 관련 서비스의 서버, 또는 포털 웹사이트 서버 등)로 접속하여, 상기 주소 정보로부터 상기 도면 정보를 획득할 수 있다. 또는, 프로세서(110)는 단말기(20)로부터 상기 도면 정보를 획득할 수도 있다. 한편, 상기 도면 정보를 획득하는 동작은 설치 공간 정보 획득 모듈(140)에 의해 수행될 수 있고, 프로세서(110)는 설치 공간 정보 획득 모듈(140)을 제어하여 상기 도면 정보를 획득할 수 있다.

설치 공간 정보 획득 모듈(140)은 획득된 도면 정보로부터 광학 문자 인식 (Optical Character Recognition(OCR))을 통해 텍스트를 추출하고, 추출된 텍스트에 기초하여 설치 공간 정보를 획득할 수 있다. 이와 관련된 예는 추후 도 5에서 설명하기로 한다.

설치 공간 정보 획득 모듈(140)에 의해 획득되는 설치 공간 정보는, 상기 도면 정보, 면적 정보(예컨대, 전용면적, 평형 등), 공간 내의 구역들 각각의 식별 정보(예컨대, 거실, 침실, 주방 등의 구역 명칭), 각 구역의 면적 정보 등을 포함할 수 있다.

사용자 데이터 분류 모듈(150)은, 메모리(130) 또는 데이터베이스 장치에 저장된 복수의 사용자 데이터 중 상기 설치 공간 정보(또는 상기 설치 공간 정보와 설치 위치 정보)와 대응하는 복수의 사용자 데이터를 추출하고, 추출된 복수의 사용자 데이터를 사용 패턴에 따라 분류하여 복수의 그룹들로 그룹화할 수 있다. 예컨대, 사용자 데이터 분류 모듈(150)은 추출된 복수의 사용자 데이터에 포함된 운전 정보로부터, 동일 온도 변화를 기준으로 구동 시간과 전력 소모량에 대한 데이터를 획득할 수 있다. 또는, 사용자 데이터 분류 모듈(150)은 상기 운전 정보로부터 초기 설정 온도, 구동 지속 시간, 초기 설정 온도와 구동 지속 시간에 따른 온도 변화율, 풍량(풍속) 등을 포함하는 데이터를 획득할 수도 있다.

사용자 데이터 분류 모듈(150)은 획득된 데이터에 기초하여 상기 복수의 사용자 데이터를 분류하고, 분류된 복수의 사용자 데이터를 그룹화할 수 있다. 후술할 도 7에서는, 사용자 데이터 분류 모듈(150)이 추출된 복수의 사용자 데이터를 2개의 사용 타입 그룹(쾌속형, 절전형)으로 그룹화한 실시 예가 기재되어 있으나, 이는 설명의 편의를 위한 일 실시 예에 지나지 아니하는 바, 상기 그룹의 수는 보다 많을 수 있다.

운전 알고리즘 제공 모듈(160)은, 상기 설치 공간 정보 및 설치 위치 정보와, 상기 사용자 데이터 분류 모듈(150)에 의해 그룹화된 사용 타입 그룹들 중 사용자에 의해 선택된 사용 타입에 기초하여, 공기조화기(30)의 운전 알고리즘을 획득할 수 있다.

상기 운전 알고리즘은, 공기조화기(30)가 자동으로 온도 조절 동작을 수행하는 자동 운전모드에서, 실내 온도와 설정 온도 간의 차이 또는 구동 시간의 경과에 기초하여 풍량이나 풍향 등을 설정/변경 제어하는 알고리즘에 해당할 수 있다. 또한, 상기 운전 알고리즘은 상기 실내 온도가 상기 설정 온도로 도달한 후 상기 실내 온도를 조절하기 위해 상기 풍량이나 풍향 등을 제어하는 알고리즘을 더 포함할 수 있다.

예컨대, 운전 알고리즘 제공 모듈(160)은 머신 러닝(machine learning)으로 기학습된 인공신경망(artificial neural network; ANN)을 갖는 운전 패턴 인식기(162; 도 8 참조)를 포함하여, 입력된 정보로부터 설치 환경이나 사용자의 선호에 맞는 최적의 운전 패턴을 인식할 수 있다. 또한, 운전 알고리즘 제공 모듈(160)은 인식된 운전 패턴에 기초한 운전 알고리즘을 획득하는 운전 알고리즘 획득부(164; 도 8 참조)를 포함할 수 있다. 운전 알고리즘 제공 모듈(160)에 대해서는 도 8 등을 통해 보다 구체적으로 설명하기로 한다.

도 3은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 동작을 설명하기 위한 플로우차트이다.

도 3을 참조하면, 컴퓨팅 장치(10)는 공기조화기(30)가 설치될 공간에 대한 설치 공간 정보를 획득할 수 있다(S100).

컴퓨팅 장치(10)의 프로세서(110)는 이동 단말기(20) 등으로부터 공기조화기(30)가 설치될 공간에 대한 정보(예컨대, 주소 정보 또는 도면 정보)를 획득하고, 획득된 정보에 기초하여 설치 공간 정보를 획득하도록 설치 공간 정보 획득 모듈(140)을 제어할 수 있다.

이하, 도 4와 도 5를 참조하여 S100 단계와 관련된 구체적인 일례를 설명한다.

도 4는 컴퓨팅 장치가 공기조화기의 설치 공간 정보를 획득하는 동작의 구체적인 일례를 설명하기 위한 플로우차트이고, 도 5는 공기조화기가 설치될 공간의 도면 정보에 기초한 설치 공간 정보의 획득 및 설치 위치 정보의 획득과 관련된 예시도이다.

도 4를 참조하면, 컴퓨팅 장치(10)는 공기조화기(30)의 설치 공간에 대한 주소 정보를 획득하고(S110), 획득된 주소 정보에 기초하여 상기 설치 공간의 도면 정보를 획득할 수 있다(S120).

프로세서(110)는 통신부(120)를 통해 단말기(20)로부터 상기 공간의 주소 정보를 수신할 수 있다. 프로세서(110)는 수신된 주소 정보에 기초하여, 도면 정보를 제공하는 서버 또는 도면 정보가 저장된 데이터베이스 서버로부터 상기 주소 정보에 대응하는 도면 정보를 획득할 수 있다. 상기 도면 정보는 상기 공간의 평면도를 포함할 수 있으나, 실시 예에 따라 3D 형태의 도면을 포함할 수도 있다.

또한, 도면 정보에는 상기 공간의 구역들 각각의 식별 정보(예컨대, 명칭)나, 상기 공간 및 구역들 각각의 사이즈 정보 등이 더 포함될 수 있다.

컴퓨팅 장치(10)는 획득된 도면 정보에 기초하여 설치 공간 정보를 획득할 수 있다(S130).

프로세서(110)는 설치 공간 정보 획득 모듈(140)을 제어하여, 상기 획득된 도면 정보로부터 상기 설치 공간 정보를 획득할 수 있다. 설치 공간 정보는, 상기 도면 정보, 상기 공간의 면적 정보, 상기 공간에 포함된 구역들 각각의 식별 정보, 위치 정보, 및 구역들 각각의 면적 정보 등을 포함할 수 있다. 특히, 공기조화기(30)는 거실에 설치되는 것이 일반적인 바, 설치 공간 정보는 상기 공간 중 거실의 구조나 형태에 대한 정보를 더 포함할 수 있다.

또한, 도시되지 않았으나 컴퓨팅 장치(10)는 상기 설치 공간 정보에 기초한 설치 위치 정보를 획득할 수 있다.

예컨대, 도 2에서 상술한 바와 같이, 설치 공간 정보 획득 모듈(140)은 획득된 도면 정보로부터 OCR 기술을 통해 텍스트를 추출하고, 추출된 텍스트에 기초하여 설치 공간 정보를 획득할 수 있다.

이와 관련하여 도 5에는 획득된 도면 정보를 나타내는 도면(500)의 예가 도시되어 있다. 도면(500)은 상기 설치 공간에 대한 구조나 형태를 나타낼 수 있고, 설치 공간에 포함된 구역들 각각의 식별 정보(예컨대, 거실, 침실, 발코니, 주방 등의 명칭)을 포함할 수 있다. 또한, 도면(500)은 상기 설치 공간의 전체적인 면적(예컨대, 전용면적 등)이나, 상기 구역들(예컨대, 거실, 침실, 발코니, 주방 등) 각각의 면적을 산출할 수 있는 가로 방향/세로 방향 각각의 수치 정보를 포함할 수 있다.

설치 공간 정보 획득 모듈(140)은, OCR 기술을 통해 도면(500)에 포함된 식별 정보나 수치 정보를 추출하고, 추출된 식별 정보와 수치 정보에 기초하여 상기 설치 공간의 면적(예컨대, 전용면적), 상기 구역들의 위치 및 면적에 대한 정보를 획득할 수 있다. 이에 따라 공기조화기(30)가 설치될 공간에 대한 설치 공간 정보가 획득될 수 있다.

실시 예에 따라, 컴퓨팅 장치(100)는 획득된 설치 공간 정보를 단말기(20)로 전송할 수 있다. 단말기(20)는 수신된 설치 공간 정보를 디스플레이 등을 통해 출력할 수 있다. 사용자는 출력된 설치 공간 정보를 확인하고, 실제 설치 공간과 일치하지 않는 부분을 수정할 수 있다. 단말기(20)는 상기 수정된 설치 공간 정보를 컴퓨팅 장치(10)로 전송할 수 있다.

다시 도 3을 설명한다.

컴퓨팅 장치(10)는 획득된 설치 공간 정보에 기초한 설치 위치 정보를 획득할 수 있다(S200).

프로세서(110)는 획득된 설치 공간 정보를 단말기(20)로 전송할 수 있다. 단말기(20)는 수신된 설치 공간 정보를 디스플레이 등을 통해 출력할 수 있다. 단말기(20)는 상기 설치 공간 정보에 포함된 도면 정보를 출력하고, 사용자로부터 공기조화기(30)의 설치 예정 위치에 대한 입력을 수신할 수 있다.

예컨대, 도 5의 예시도를 참조하면, 사용자는 단말기(20)의 디스플레이를 통해 출력된 도면(500) 상에서, 공기조화기(30)의 설치 예정 위치에 대응하는 위치(501)를 터치함으로써 상기 설치 예정 위치를 입력할 수 있다. 또는, 단말기(20)는 도면 상의 복수의 위치를 추천 설치 위치로서 표시하고, 사용자는 상기 복수의 위치들 중 어느 하나를 선택하는 입력을 통해 상기 설치 예정 위치를 입력할 수도 있다.

단말기(20)는 상기 설치 예정 위치의 입력에 기초하여 설치 위치 정보를 획득하고, 설치 위치 정보를 컴퓨팅 장치(10)로 전송할 수 있다.

컴퓨팅 장치(10)는 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 사용자의 사용 타입에 기초한 운전 알고리즘을 획득하고(S300), 획득된 운전 알고리즘을 공기조화기(30)로 제공할 수 있다(S400).

프로세서(110)는 공기조화기(30)의 성능 정보를 단말기(20)로부터 수신할 수 있다. 상기 성능 정보는, 공기조화기(30)의 사용 평형에 대한 정보, 지원 가능한 기능에 대한 정보, 구동 시 출력(power) 정보 등을 포함할 수 있다.

또는, 프로세서(110)는 단말기(20) 또는 공기조화기(30)로부터 공기조화기(30)의 모델 정보를 수신하고, 메모리(130) 또는 데이터베이스 장치로부터 상기 모델 정보에 대응하는 성능 정보를 획득할 수도 있다.

또한, 프로세서(110)는, 공기조화기(30)에 대한 사용자의 사용 타입에 대한 정보를 더 획득할 수 있다. 상기 사용 타입은, 공기조화기(30)의 사용 패턴과 관련된 것으로서, 예컨대 전력 사용량과 관계없이 빠른 온도 조절을 선호하는 타입으로부터 전력 사용량 최소화를 선호하는 타입까지 복수의 타입들로 구분될 수 있다.

프로세서(110)는 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 상기 사용 타입에 대한 정보에 기초하여, 공기조화기(30)의 최적의 운전 알고리즘을 획득하고, 획득된 운전 알고리즘을 공기조화기(30)로 제공할 수 있다.

이하 도 6 및 도 7을 참조하여, S300 단계에 대해 보다 구체적으로 설명한다.

도 6은 컴퓨팅 장치가 공기조화기의 운전 알고리즘을 획득하는 동작을 보다 상세히 설명하기 위한 플로우차트이고, 도 7은 컴퓨팅 장치가 복수의 사용자 데이터를 이용하여 사용 타입을 그룹화하는 동작을 설명하기 위한 예시도이다.

도 6을 참조하면, 컴퓨팅 장치(10)는 설치 공간 정보, 설치 위치 정보, 및 공기조화기(30)의 성능 정보와 매칭되는 정보를 갖는 복수의 사용자 데이터를 획득할 수 있다(S310).

메모리(130) 또는 컴퓨팅 장치(10)와 연결된 데이터베이스 장치(미도시)에는, 공기조화기의 사용자들에 대한 다수의 사용자 데이터가 저장될 수 있다. 상기 사용자 데이터는 각 사용자의 공기조화기에 대한 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 운전 정보를 포함할 수 있다. 사용자 데이터 분류 모듈(150)은 상기 운전 정보에 기초하여, 공기조화기의 구동에 따른 특정량의 온도 변화 시, 구동 시간과 전력소모량에 대한 정보를 획득할 수 있다. 즉, 상기 특정량의 온도 변화 시 구동 시간과 전력소모량에 따라 각 사용자의 사용 타입이 분류될 수 있다.

프로세서(110)는 상기 다수의 사용자 데이터 중, S100 단계에 따라 획득된 설치 공간 정보, S200 단계에 따라 획득된 설치 위치 정보, 및 공기조화기(30)의 성능 정보와 매칭되는 복수의 사용자 데이터를 메모리(130) 또는 데이터베이스 장치로부터 획득할 수 있다.

프로세서(110)는 사용자 데이터 분류 모듈(150)을 제어하여, 상기 획득된 설치 공간 정보, 설치 위치 정보, 및 성능 정보 각각과 동일하거나 유사도가 기준값보다 높은 설치 공간 정보, 설치 위치 정보, 및 성능 정보를 갖는 상기 복수의 사용자 데이터를 상기 메모리(130) 또는 데이터베이스 장치로부터 추출함으로써 상기 복수의 사용자 데이터를 획득할 수 있다.

컴퓨팅 장치(10)는, 획득된 복수의 사용자 데이터를, 사용 타입에 따라 복수의 그룹들로 그룹화할 수 있다(S320).

상술한 바와 같이, 획득된 복수의 사용자 데이터 각각에는 운전 정보가 포함될 수 있다. 프로세서(110)는 사용자 데이터 분류 모듈(150)을 제어하여, 상기 복수의 사용자 데이터를 사용 타입(또는 패턴)에 따라 복수의 그룹들로 그룹화할 수 있다.

이와 관련하여 도 7의 예시를 참조하면, 사용자 데이터 분류 모듈(150)은, 복수의 사용자 데이터 각각의 운전 정보로부터 획득되는 특정량의 온도 변화 시 구동 시간과 전력 소모량에 기초하여 복수의 사용자 데이터를 분류할 수 있다.

사용자 데이터 분류 모듈(150)은 분류된 복수의 사용자 데이터를, 기설정된 수의 사용 타입 그룹들로 그룹화할 수 있다. 예컨대, 사용자 데이터 분류 모듈(150)은 복수의 사용자 데이터를 '쾌속형'에 해당하는 제1 사용 타입 그룹과, '절전형'에 해당하는 제2 사용 타입 그룹으로 그룹화할 수 있다. 각 그룹은 서로 다른 사용 타입에 대응할 수 있다.

상기 '쾌속형'은 '절전형'에 비해 상대적으로 구동 시간이 짧고 전력 소모량이 많은 사용 타입일 수 있다. 즉, 상기 '쾌속형'에 해당하는 사용 타입을 갖는 공기조화기는 '절전형'에 해당하는 사용 타입을 갖는 공기조화기에 비해 구동 시 풍량(풍속)이 높으며, 전력 소모량이 많을 수 있다. 반면, '절전형'에 해당하는 사용 타입을 갖는 공기조화기는 구동 시 풍량(풍속)이 상대적으로 낮으며, 전력 소모량이 상대적으로 적을 수 있다.

컴퓨팅 장치(10)는 사용자에 의해 어느 하나의 사용 타입이 선택되면(S330), 인공지능 기반의 운전 알고리즘 제공 모듈(160)을 이용하여, 상기 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 선택된 사용 타입으로부터 운전 알고리즘을 획득할 수 있다(S340).

컴퓨팅 장치(10)는 상기 복수의 사용자 데이터의 그룹화 정보를 단말기(20)로 전송할 수 있다.

단말기(20)는 수신된 그룹화 정보를 출력할 수 있다. 사용자는 출력된 그룹화 정보로부터, 사용자가 선호하거나 원하는 사용 타입에 해당하는 그룹을 선택할 수 있다. 단말기(20)는 상기 그룹의 선택 입력에 응답하여, 선택 결과를 포함하는 정보를 컴퓨팅 장치(10)로 전송할 수 있다.

프로세서(110)는 단말기(20)로부터 상기 선택 결과를 포함하는 정보를 수신함으로써, 사용자의 사용 타입에 대한 정보를 획득할 수 있다.

프로세서(110)는, 상술한 바와 같이 획득된 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 사용 타입에 대한 정보를 운전 알고리즘 제공 모듈(160)로 입력할 수 있다.

운전 알고리즘 제공 모듈(160)은 입력된 정보로부터 최적의 운전 알고리즘을 획득할 수 있다.

특히, 운전 알고리즘 제공 모듈(160)은 인공지능 기반의 운전 패턴 인식기(162)를 통해, 상기 입력된 정보로부터 최적의 운전 패턴을 인식하고, 인식된 운전 패턴에 기초한 운전 알고리즘을 획득할 수 있다.

운전 알고리즘 제공 모듈(160)에 대해서는 이하 도 8 내지 도 11을 참조하여 보다 구체적으로 설명한다.

도 8은 본 발명의 실시 예에 따른 컴퓨팅 장치에 포함된 운전 알고리즘 제공 모듈을 보다 구체적으로 설명하기 위한 블록도이다.

도 8을 참조하면, 운전 알고리즘 제공 모듈(160)은 운전 패턴 인식기(162)와 운전 알고리즘 획득부(164)를 포함할 수 있다.

운전 패턴 인식기(162)는 인공지능(artificial intelligence)의 일 분야인 머신 러닝 기반의 인식 모델을 포함할 수 있다. 이러한 운전 패턴 인식기(162)는 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 사용 타입에 대한 정보를 상기 인식 모델로 입력하여, 공기조화기(30)의 설치 환경 및 사용자의 선호 사용 타입에 적합한 최적의 운전 패턴을 인식할 수 있다. 즉, 본 발명의 실시 예에 따른 운전 패턴 인식기(162)는 설치 공간 및 설치 위치에 대한 정보를 반영함으로써, 다양한 설치 환경에 대해 최적의 운전 패턴을 인식할 수 있다. 또한, 운전 패턴 인식기(162)는 사용 타입에 대한 정보를 반영함으로써, 사용자들의 다양한 사용 타입에 맞는 운전 패턴을 인식할 수 있다.

예컨대, 상기 인식 모델은 소프트웨어 또는 하드웨어 형태의 인공신경망(ANN)을 포함할 수 있다. 예를 들어, 상기 인공신경망은 딥러닝(deep learning)으로 학습된 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(deep neural network; DNN)을 포함할 수 있다.

운전 패턴 인식기(162)는 상기 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보가 입력되면, 입력된 정보 사이의 연관성, 패턴 등을 발견하여 특징 맵을 형성할 수 있다. 예컨대, 운전 패턴 인식기(162)는 입력된 정보로부터 하위레벨 특징, 중간레벨 특징, 및 상위레벨 특징을 추출하여 최적의 설정 환경을 인식할 수 있다. 상기 연관성, 패턴 및 특징들은 이전 입력된 다수의 정보 및 데이터로부터 학습된 것일 수 있다.

실시 예에 따라, 운전 패턴 인식기(162)는 상기 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보 중 일부에 기초하여 운전 패턴을 인식할 수도 있다.

운전 알고리즘 획득부(164)는, 운전 패턴 인식기(162)에 의해 인식된 운전 패턴에 대응하여 공기조화기(30)가 자동 운전을 수행하기 위한 운전 알고리즘을 획득할 수 있다. 예컨대, 상기 운전 알고리즘은 실내 온도와 설정 온도 간의 차이에 따라 공기조화기(30)에 포함된 구성의 동작을 제어하여 풍량, 풍향 등을 조절하는 알고리즘일 수 있다. 운전 알고리즘 획득부(164)는 메모리(130) 또는 운전 알고리즘 제공 모듈(160)의 임베디드 메모리 등에 저장된 복수의 운전 알고리즘들 중, 상기 인식된 운전 패턴에 대응하는 운전 알고리즘을 추출함으로써 상기 운전 알고리즘을 획득할 수 있다.

이하 도 9와 도 10을 참조하여, 운전 알고리즘 제공 모듈(160)의 운전 패턴 인식기(162)에 적용되는 인공지능 기술의 일례로서 딥 러닝에 대해 보다 상세히 설명한다.

도 9와 도 10은 도 8의 운전 패턴 인식기에 적용되는 인공지능의 일례로서 딥러닝(deep learning)을 설명하기 위한 도면들이다.

인공지능이란 인간의 지능으로 할 수 있는 사고, 학습, 자기 개발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 일 분야에 해당한다. 이러한 인공지능의 연구 분야 중 하나인 머신 러닝은 경험적 데이터를 기반으로 예측을 수행하고, 학습을 통해 스스로의 성능을 향상시키는 시스템을 의미할 수 있다. 머신 러닝의 일종인 딥러닝 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.

딥러닝은 단계를 높여갈수록 복수의 데이터로부터 핵심적인 데이터를 추출하는 머신 러닝 알고리즘의 집합을 나타낼 수 있다.

딥러닝 구조는 인공신경망(artificial neural network(ANN))을 포함할 수 있고, 예를 들어 딥러닝 구조는 CNN(convolutional neural network), RNN(recurrent neural network), DBN(deep belief network) 등 심층신경망(deep neural network)으로 구성될 수 있다.

도 9를 참조하면, 인공신경망은 입력 레이어(Input Layer), 히든 레이어(Hidden Layer), 및 출력 레이어(Output Layer)를 포함할 수 있다. 각 레이어는 복수의 노드들을 포함하고, 각 레이어는 다음 레이어와 연결된다. 인접한 레이어 사이의 노드들은 웨이트(weight)를 가지고 서로 연결될 수 있다.

도 10을 참조하면, 컴퓨팅 장치(머신)는 투입된 입력 데이터(1010)로부터 일정한 패턴을 발견해 특징맵(feature map)을 형성할 수 있다. 예컨대, 컴퓨팅 장치(머신)는 하위레벨 특징(1020)부터, 중간레벨 특징(1030), 및 상위레벨 특징(1040)을 추출하여, 대상을 인식하고 그 결과를 출력(1050)할 수 있다.

인공신경망은 다음 순서의 레이어로 갈수록 더욱 상위레벨의 특징으로 추상화할 수 있다.

도 9와 도 10을 참조하면, 각 노드들은 활성화 모델에 기초하여 동작할 수 있고, 활성화 모델에 따라 입력값에 대응하는 출력값이 결정될 수 있다.

임의의 노드, 예를 들어, 하위레벨 특징(1020)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 중간레벨 특징(1030)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 중간레벨 특징(1030)의 노드는 하위레벨 특징(1020)의 복수의 노드들로부터 출력되는 값들을 입력받을 수 있다.

이 때, 각 노드의 입력값은 이전 레이어의 노드의 출력값에 웨이트(weight)가 적용된 값일 수 있다. 웨이트는 노드 간의 연결 강도를 의미할 수 있다.

또한, 딥러닝 과정은 적절한 웨이트를 찾아내는 과정으로도 볼 수 있다.

한편, 임의의 노드, 예를 들어, 중간레벨 특징(1030)의 출력값은 해당 노드와 연결된 다음 레이어, 예를 들어, 상위레벨 특징(1040)의 노드로 입력될 수 있다. 다음 레이어의 노드, 예를 들어, 상위레벨 특징(1040)의 노드는 중간레벨 특징(1030)의 복수의 노드로부터 출력되는 값들을 입력받을 수 있다.

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

예를 들어, 딥러닝에 의한 얼굴인식 과정을 살펴보면, 컴퓨터는 입력 영상으로부터, 픽셀의 밝기에 따라 밝은 픽셀과 어두운 픽셀을 구분하고, 테두리, 에지 등 단순한 형태를 구분한 후, 조금 더 복잡한 형태와 사물을 구분할 수 있다. 최종적으로 컴퓨터는 인간의 얼굴을 규정하는 형태를 파악할 수 있다.

본 발명에 따른 딥러닝 구조는 공지된 다양한 구조를 이용할 수 있다. 예를 들어, 본 발명에 따른 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network) 등일 수 있다.

RNN(Recurrent Neural Network)은, 자연어 처리 등에 많이 이용되고 있으며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.

DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여, 일정 수의 레이어가 되면 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)를 구성할 수 있다.

CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.

한편, 인공신경망의 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.

한편, 메모리(130) 또는 컴퓨팅 장치(10)와 연결되는 데이터베이스 장치(미도시)에는 상기 인공신경망을 학습하기 위한 데이터가 저장될 수 있다. 또한, 실시 예에 따라서는, 메모리(130)에는 인공신경망 구조를 이루는 웨이트, 바이어스들이 저장될 수 있다. 또는, 실시 예에 따라서는, 상기 인공신경망 구조를 이루는 웨이트, 바이어스들은 운전 알고리즘 제공 모듈(160)의 임베디드 메모리에 저장될 수도 있다.

한편, 운전 알고리즘 제공 모듈(160)은 설치 공간 정보, 설치 위치 정보, 공기조화기(30)의 성능 정보, 및 사용자의 사용 타입에 대한 정보가 획득되어 최적의 운전 패턴이 인식될 때마다, 획득된 정보와 데이터 및 인식 결과를 이용하여 운전 패턴 인식기(162)의 학습 과정을 수행할 수 있다. 상기 학습 과정이 수행됨에 따라, 웨이트 등 인공신경망 구조가 업데이트될 수 있다. 이를 위해, 컴퓨팅 장치(10)는 학습 모듈을 포함할 수 있다. 상기 학습 모듈은 운전 알고리즘 제공 모듈(160) 내에 구현되거나, 별도로 구현될 수 있다.

도 11은 컴퓨팅 장치가 운전 패턴의 인식 결과에 기초하여 획득된 운전 알고리즘을 공기조화기로 제공하는 동작을 설명하기 위한 예시도이다.

도 9와 도 11을 참조하면, 운전 알고리즘 제공 모듈(160)은 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보를 운전 패턴 인식기(162)의 입력 데이터로서 입력할 수 있다.

운전 패턴 인식기(162)는 인공신경망 구조를 통해, 상기 입력된 정보에 대한 복수의 운전 패턴들 각각의 웨이트(W1~W7)를 출력할 수 있다. 도 9에 도시된 제1 웨이트(W1) 내지 제7 웨이트(W7)는 제1 운전 패턴 내지 제7 운전 패턴에 각각 대응할 수 있다.

운전 패턴 인식기(162)는 제1 웨이트(W1) 내지 제7 웨이트(W7) 중 가장 높은 값을 갖는 제1 웨이트(W1)에 대응하는 제1 운전 패턴을 인식 결과로서 출력할 수 있다.

운전 알고리즘 획득부(164)는 복수의 운전 알고리즘들 중, 운전 패턴 인식기(162)로부터 출력된 제1 운전 패턴에 대응하는 제1 운전 알고리즘(OA1)을 획득할 수 있다.

프로세서(110)는 획득된 제1 운전 알고리즘(OA1)을 공기조화기(30)로 전송할 수 있다. 예컨대, 제1 운전 알고리즘(OA1)은 단말기(20)를 통해 공기조화기(30)로 전송될 수 있다. 실시 예에 따라 컴퓨팅 장치(10)와 공기조화기(30)가 네트워크를 통해 연결된 경우, 프로세서(110)는 상기 네트워크를 통해 공기조화기(30)로 상기 제1 운전 알고리즘(OA1)을 전송할 수도 있다.

공기조화기(30)는 기 저장된 운전 알고리즘을 상기 수신된 제1 운전 알고리즘(OA1)으로 변경함으로써, 자동 운전모드로 구동 시 제1 운전 알고리즘(OA1)에 따라 구동할 수 있다.

즉, 본 발명의 실시 예에 따르면, 컴퓨팅 장치(10)는 공기조화기(30)가 설치될 공간의 설치 공간 정보나 설치 위치 정보와 같은 설치 환경을 고려한 최적의 운전 알고리즘을 제공함으로써, 다양한 설치 환경들마다 최적화된 운전 알고리즘의 제공이 가능하다. 이에 따라, 공기조화기(30)는 설치 공간에 대한 공기조화 동작을 보다 효과적으로 수행할 수 있다.

뿐만 아니라, 컴퓨팅 장치(10)는 공기조화기(30)의 사용자가 선호하거나 원하는 사용 타입에 따라 최적의 운전 알고리즘을 제공함으로써, 자동 운전모드에 대한 사용자의 만족도를 극대화할 수 있다. 이에 따라, 사용자는 공기조화기(30)의 사용 시 풍량이나 풍향 등을 일일이 설정하지 않고 자동 운전모드를 이용할 수 있으므로 사용자의 편의성 또한 향상될 수 있다.

한편, 컴퓨팅 장치(10)는 다양한 사용자들의 사용자 데이터를 지속적으로 수집하여 운전 패턴 인식기(162)를 업데이트할 수 있다. 컴퓨팅 장치(10)는 주기적으로 공기조화기(30)의 운전 정보를 획득하고, 업데이트된 운전 패턴 인식기(162)를 통해 변경된 운전 알고리즘을 획득할 수 있다. 컴퓨팅 장치(10)는 상기 변경된 운전 알고리즘을 공기조화기(30)로 제공함으로써, 운전 알고리즘을 업데이트시킬 수 있다.

한편, 공기조화기(30)의 제조사는 다양한 사용자들의 설치 환경이나 사용 타입에 대한 정보를 획득함으로써 운전 알고리즘을 개선하거나 신규 제품의 개발에 활용할 수 있다.

도 12는 본 발명의 다른 실시 예에 따른 컴퓨팅 장치의 동작을 설명하기 위한 플로우차트이다.

도 12를 참조하면, 컴퓨팅 장치(10)는 공기조화기(30)가 설치될 공간의 설치 공간 정보와, 공기조화기(30)의 성능 정보를 획득할 수 있다(S1200).

상기 설치 공간 정보와 성능 정보를 획득하는 동작과 관련된 내용은 도 3에서 상술한 내용과 유사한 바, 이에 대한 설명은 생략하기로 한다.

컴퓨팅 장치(10)는 메모리(130) 또는 데이터베이스 장치에 저장된 사용자 데이터 중, 상기 설치 공간 정보 및 성능 정보와 매칭되는 복수의 사용자 데이터를 획득할 수 있다(S1210). 컴퓨팅 장치(10)는, 획득된 복수의 사용자 데이터에 기초한 설치 위치 가이드를 제공할 수 있다(S1220).

컴퓨팅 장치(10)는 공기조화기(30)와 유사한 성능의 공기조화기를 갖고, 설치 공간 또한 유사한 복수의 사용자들의 사용자 데이터를 획득하여, 상기 복수의 사용자들의 설치 위치 정보와, 운전 정보를 획득할 수 있다.

프로세서(110)는 복수의 사용자들의 공기조화기 설치 위치 정보 및 운전 정보로부터, 설치 위치별 전력 효율 또는 온도조절 성능을 판단할 수 있다.

프로세서(110)는 판단 결과에 기초하여 전력 효율이 높거나 온도조절 성능이 높은 설치 위치를 인식하고, 인식된 설치 위치를 포함하는 설치 위치 가이드를 생성할 수 있다.

프로세서(110)는 생성된 설치 위치 가이드를 이동 단말기(20)로 전송할 수 있다. 이동 단말기(20)는 수신된 설치 위치 가이드를 디스플레이 등의 출력 수단을 통해 출력함으로써, 사용자 또는 공기조화기(30)의 설치 기사에게 최적의 설치 위치에 대한 정보를 제공할 수 있다.

비록 도시되지는 않았으나, 컴퓨팅 장치(10)는 상술한 실시 예들과 유사한 방식으로, 설치 공간 정보, 설치 위치 정보, 및 사용 타입에 대한 정보 중 적어도 하나에 기초하여 상기 설치 환경이나 사용 타입에 적합한 공기조화기의 모델을 사용자에게 추천할 수도 있다.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.

따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.

본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

1. 단말기와 연결하기 위한 통신부;
   공기조화기의 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보에 기초한 운전 알고리즘을 획득하는 운전 알고리즘 제공 모듈; 및
   상기 획득된 운전 알고리즘을 상기 공기조화기로 제공하기 위해 상기 단말기로 전송하도록 상기 통신부를 제어하는 프로세서를 포함하는 컴퓨팅 장치.
2. 제1항에 있어서,
   상기 운전 알고리즘 제공 모듈은,
   상기 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입 중 적어도 하나로부터 상기 공기조화기의 운전 패턴을 인식하는 인식 모델을 포함하는 운전 패턴 인식기; 및
   상기 인식 결과에 기초한 상기 운전 알고리즘을 획득하는 운전 알고리즘 획득부를 포함하는 컴퓨팅 장치.
3. 제2항에 있어서,
   상기 운전 패턴 인식기는,
   상기 설치 공간 정보, 설치 위치 정보, 성능 정보, 및 사용 타입에 대한 정보와 상기 운전 패턴의 인식 결과를 이용하여 상기 인식 모델을 업데이트하는 컴퓨팅 장치.
4. 제1항에 있어서,
   상기 공기조화기가 설치되는 공간의 도면 정보에 기초하여 상기 설치 공간 정보를 획득하는 설치 공간 정보 획득 모듈을 더 포함하고,
   상기 설치 공간 정보는,
   상기 도면 정보, 상기 공간의 면적 정보, 상기 공간 내의 구역들 각각의 식별 정보, 위치 정보, 및 면적 정보를 포함하는 컴퓨팅 장치.
5. 제4항에 있어서,
   상기 설치 공간 정보 획득 모듈은,
   상기 도면 정보에 포함된 적어도 하나의 텍스트를 인식하고, 인식된 텍스트에 기초하여 상기 설치 공간 정보를 획득하는 컴퓨팅 장치.
6. 제4항에 있어서,
   상기 프로세서는,
   상기 통신부를 통해 상기 단말기로부터 상기 공간의 주소 정보를 수신하고,
   수신된 주소 정보에 대응하는 상기 도면 정보를 획득하는 컴퓨팅 장치.
7. 제1항에 있어서,
   상기 컴퓨팅 장치의 메모리 또는 상기 통신부를 통해 연결되는 데이터베이스 장치로부터, 상기 설치 공간 정보, 설치 위치 정보, 및 성능 정보에 매칭되는 복수의 사용자 데이터를 추출하고,
   추출된 복수의 사용자 데이터를 복수의 사용 타입 그룹들로 그룹화하는 사용자 데이터 분류 모듈을 더 포함하는 컴퓨팅 장치.
8. 제7항에 있어서,
   상기 사용자 데이터 분류 모듈은,
   추출된 복수의 사용자 데이터에 포함된 운전 정보로부터, 특정량의 온도 변화 시 공기조화기의 구동 시간 및 전력 소모량에 대한 정보를 획득하고,
   획득된 구동 시간 및 전력 소모량에 대한 정보에 기초하여 상기 복수의 사용자 데이터를 상기 복수의 사용 타입 그룹들로 그룹화하는 컴퓨팅 장치.
9. 제7항에 있어서,
   상기 프로세서는,
   상기 복수의 사용 타입 그룹들에 대한 정보를 상기 단말기로 전송하도록 상기 통신부를 제어하고,
   상기 단말기로부터 상기 복수의 사용 타입 그룹들 중 선택된 어느 하나의 사용 타입 그룹에 대한 정보를 수신하고,
   상기 선택된 사용 타입 그룹에 기초하여 상기 사용 타입에 대한 정보를 획득하는 컴퓨팅 장치.
10. 제1항에 있어서,
    상기 통신부를 통해 상기 공기조화기와 연결된 경우,
    상기 프로세서는 상기 획득된 운전 알고리즘을 상기 공기조화기로 전송하도록 상기 통신부를 제어하는 컴퓨팅 장치.

Images