KR20220141086A - 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 - Google Patents

보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 Download PDF

Info

Publication number
KR20220141086A
KR20220141086A KR1020210047197A KR20210047197A KR20220141086A KR 20220141086 A KR20220141086 A KR 20220141086A KR 1020210047197 A KR1020210047197 A KR 1020210047197A KR 20210047197 A KR20210047197 A KR 20210047197A KR 20220141086 A KR20220141086 A KR 20220141086A
Authority
KR
South Korea
Prior art keywords
performance factor
air conditioning
information
learning
control
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
KR1020210047197A
Other languages
English (en)
Inventor
고원식
이정훈
김중재
Original Assignee
한온시스템 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 한온시스템 주식회사 filed Critical 한온시스템 주식회사
Priority to KR1020210047197A priority Critical patent/KR20220141086A/ko
Priority to PCT/KR2022/003244 priority patent/WO2022220407A1/ko
Priority to US18/274,812 priority patent/US20240117985A1/en
Priority to DE112022000558.0T priority patent/DE112022000558T5/de
Publication of KR20220141086A publication Critical patent/KR20220141086A/ko
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • F24F11/63—Electronic processing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/00735—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models
    • B60H1/00807—Control systems or circuits characterised by their input, i.e. by the detection, measurement or calculation of particular conditions, e.g. signal treatment, dynamic models the input being a specific way of measuring or calculating an air or coolant temperature
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Thermal Sciences (AREA)
  • Fuzzy Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Air-Conditioning For Vehicles (AREA)

Abstract

본 발명은 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법에 관한 것이다. 본 발명은 최소한의 공조 데이터만을 학습하고 이에 대한 출력값에 대한 보간을 통해, 원하는 공조 목표값을 유추하여 최적의 제어값을 도출할 수 있는 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법을 제공함에 있다.

Description

보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 {AI air conditioner control system and method using a interpolation}
본 발명은 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 최소한의 공조 제어 데이터만을 학습하고 이에 대해 출력되는 제어값에 대한 보간을 수행하여, 원하는 공조 목표값에 대한 최적 제어값을 신속하게 유추하여 학습 알고리즘의 학습 시간 및 수렴성을 향상시킬 수 있는 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법에 관한 것이다.
차량용 공조장치는 차량 외부의 공기를 차량 실내로 유입시키거나, 차량 실내의 공기를 순환시키는 과정에서, 공기를 냉각 또는 가열시켜 차량 실내를 냉방 또는 난방하는 장치이다. 이러한 공조장치는 최근 탑승자의 운전 집중도를 보다 더 향상시킬 수 있도록, 자동으로 공조 제어를 수행하는 기술이 개발되고 있다.
특히, 인공지능 기법을 활용하여, 다양한 환경조건에서 공조 성능인자의 현재 상태 정보에서 목표하는 공조 성능인자를 추종하기 위한 제어값을 출력하는 기술이 개발되고 있으나, 1년 내내 평균온도를 유지하는 기후조건이 아닌 이상, 환경조건의 경우 영하 10도 이하에서 영상 30도 이상까지의 그 범위가 매우 넓을 뿐 아니라, 운전자(또는 탑승자)로부터 입력받게 되는 목표 공조 성능인자 역시도 차량의 설정 옵션에 따라 0.5도 간격으로까지 입력받을 수 있어, 이 모든 경우의 수를 학습 데이터로 생성하여 학습 처리를 수행할 경우, 결과값(추종값/제어값)의 정확도는 높을지라도 학습을 위한 학습 데이터 준비 과정이나, 학습 처리 과정에서 매우 긴 시간이 요구되고 그 만큼 비용이 발생하는 문제점이 있다.
이와 관련하여, 국내 공개특허 제10-2019-0112681호("차량 공조 제어 장치 및 방법")에서는 인공지능 알고리즘, 기계학습 알고리즘을 실행하여 차량 공조 제어 장치를 동작시키는 방법을 개시하고 있다.
한국공개특허 제10-2019-0112681호(공개일자 2019.10.07.)
따라서, 본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 최소한의 공조 제어 데이터만을 학습하고 이에 대해 출력되는 제어값에 대한 보간을 수행하여, 원하는 공조 목표값에 대한 최적 제어값을 신속하게 유추하여 학습 알고리즘의 학습 시간 및 수렴성을 향상시킬 수 있는 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법을 제공함에 있다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 보간법을 활용한 인공지능 공조 제어 시스템은, 외부 입력을 통해, 공조 제어를 위한 성능인자 목표 정보를 획득하는 제1 입력부(100), 기연계된 공조 시스템으로부터, 성능인자 현재 상태 정보를 획득하는 제2 입력부(200), 각각의 상이한 외부 환경조건으로 설정되어, 설정된 외부 환경조건을 기준으로 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보를 추종하도록 하는 각각의 초기 제어값을 출력하는 다수의 인공지능 학습 모델부(310)를 포함하는 제어부(300) 및 상기 제어부(300)로부터 각각의 인공지능 학습 모델부(310)에 의한 상기 초기 제어값을 전달받아, 보간 함수를 생성하고, 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 최종 제어값을 생성하는 보간부(400)를 포함하며, 상기 보간부(400)는 생성한 상기 최종 제어값을 상기 공조 시스템으로 전송하여, 인공지능 공조 제어가 이루어지는 것이 바람직하다.
더 나아가, 상기 제어부(300)는 기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로 수집한 기수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보와 매칭되는 제어값을 학습하여, 각각의 외부 환경조건 별 인공지능 학습 모델을 생성하여, 상기 인공지능 학습 모델부(310)로 전송하는 학습 처리부(320)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 학습 처리부(320)는 수집한 기수행된 공조 제어에 대한 성능인자 목표 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 목표 정보로 설정하고, 수집한 기수행된 공조 제어에 대한 성능인자 현재 상태 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 상태 정보로 설정하여, 설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값을 학습 데이터로 생성하여, 기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 상기 학습 데이터의 학습 처리를 수행하는 것이 바람직하다.
더 나아가, 상기 인공지능 학습 모델부(310)는 상기 학습 처리부(320)에 의한 학습 처리 결과에 따라, 각각 상이한 소정 온도의 외부 환경조건을 기준의 학습 모델을 전송받아, 입력되는 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보를 추종하도록 각각의 학습 모델마다의 외부 환경조건을 반영한 초기 제어값을 출력하는 것이 바람직하다.
더 나아가, 상기 인공지능 학습 모델부(310)는 상기 학습 처리부(320)에 의해 설정된 구간 범위를 반영하여, 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보가 해당하는 하나의 구간을 특정하고, 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 해당하는 하나의 구간을 특정하여, 특정한 결과 정보를 각각의 학습 모델에 적용하여 각각의 초기 제어값을 출력하는 것이 바람직하다.
더 나아가, 상기 보간부(400)는 기설정된 보간 알고리즘을 이용하여 상기 초기 제어값들에 대한 보간 함수를 생성하고, 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 상기 최종 제어값을 생성하는 것이 바람직하다.
상기한 바와 같은 목적을 달성하기 위한 본 발명의 보간법을 활용한 인공지능 공조 제어 방법은, 제1 입력부에서, 외부 입력을 통해 공조 제어를 위한 성능인자 목표 정보를 획득하는 목표 입력 단계(S100), 제2 입력부에서, 기연계된 공조 시스템으로부터 성능인자 현재 상태 정보를 획득하는 상태 입력 단계(S200), 다수의 인공지능 학습 모델에 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보와 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보를 입력하여, 상기 성능인자 현태 상태 정보가 상기 성능인자 목표 정보를 추종하도록 하는 각각의 초기 제어값을 출력하는 AI 제어 단계(S300), 보간부에서, 상기 AI 제어 단계(S300)에 의한 상기 초기 제어값들을 이용하여, 보간 함수를 생성하고 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 최종 제어값을 생성하는 최종 제어 단계(S400) 및 보간부에서, 상기 최종 제어 단계(S400)에 의한 상기 최종 제어값을 공조 시스템으로 전송하여, 인공지능 공조 제어를 수행하는 공조 제어 단계(S500)를 포함하는 것이 바람직하다.
더 나아가, 상기 AI 제어 단계(S300)는 학습 처리부에서, 기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로 수집한 기수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보와 매칭되는 제어값을 학습하여, 각각의 외부 환경조건 별 다수의 인공지능 학습 모델을 생성하는 학습 처리 단계(S310)를 더 포함하는 것이 바람직하다.
더 나아가, 상기 학습 처리 단계(S310)는 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 수집한 기수행된 공조 제어에 대한 성능인자 목표 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 목표 정보로 설정하고, 수집한 기수행된 공조 제어에 대한 성능인자 현재 상태 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 상태 정보로 설정하여, 설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값을 학습 데이터로 생성하여, 기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 상기 학습 데이터의 학습 처리를 수행하는 것이 바람직하다.
더 나아가, 상기 AI 제어 단계(S300)는 상기 학습 처리 단계(S310)에 의해 설정된 구간 범위를 반영하여, 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보가 해당하는 하나의 구간을 특정하고, 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보가 해당하는 하나의 구간을 특정하여, 특정한 결과 정보를 각각의 학습 모델에 적용하여 각각의 초기 제어값을 출력하는 것이 바람직하다.
본 발명에 의하면, 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은 최소한의 공조 제어 데이터만을 학습 데이터로 적용하고 이에 대해 출력되는 제어값에 대한 보간을 수행하여, 원하는 공조 목표값에 대한 최적 제어값을 신속하게 유추하여 학습 알고리즘의 학습 시간 및 수렴성을 향상시킬 수 있는 장점이 있다.
상세하게는, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은, 차량이 처할 수 있는 외부 환경조건을 다수의 소정 온도로 특정하고, 특정한 각 소정 온도마다 매칭되는 공조 성능인자 현재 상태 정보와 탑승자로부터 입력된 공조 성능인자 목표 정보, 이에 따른 제어값을 학습 데이터로 생성하여 환경 조건의 일부만을 학습하여 인공지능 학습에 의한 문제점을 해결할 수 있는 장점이 있다.
이를 통해서, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은, 인공지능 학습이 가지고 있는 장점인 결과 정확성을 그대로 취하면서도, 인공지능 학습이 가지고 있는 단점인 많은 학습 데이터 요구, 이를 위한 데이터 수집, 수집 데이터들에 대한 학습 처리 시간의 문제점을 해결할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템의 구성 예시도.
도 2는 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템에서, 학습 데이터를 설정하는 설명 예시도.
도 3은 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템에서, 초기 제어값에 대한 보간법을 적용하여 최종 제어값을 생성하는 설명 예시도.
도 4는 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 방법의 순서 예시도.
이하, 상기한 바와 같은 구성을 가지는 본 발명에 의한 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법을 첨부된 도면을 참고하여 상세하게 설명한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은, 인공지능 기법을 활용하여 학습 데이터의 학습 처리를 통해서 생성된 학습 모델을 이용하여, 현재의 공조 성능인자 상태 정보와 운전자(또는 탑승자)로부터 입력받게 되는 공조 성능인자 목표 정보를 적용하여, 상기 성능인자 현재 상태 정보가 상기 성능인자 목표 정보를 추종하는 최적의 제어값을 출력하여, 신속하고 운전자의 최소한의 제어를 통해서 차량 내 온도를 쾌적하게 제어할 수 있는 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법에 관한 것이다.
이 때, 일반적으로 인공지능 기법을 활용할 경우, 가능한 한 많은 학습 데이터에 대한 학습 처리를 수행할수록, 결과값에 대한 정확도가 향상하는 것이 당연하기 때문에, 최상의 제어값을 얻기 위해서는 모든 환경 조건에서의 현재의 공조 성능인자 상태 정보와 입력 가능한 모든 조건에 대한 운전자(또는 탑승자)로부터 입력받게 되는 공조 성능인자 목표 정보를 대입하여 최대한 많은 제어값을 학습 데이터로 생성하는 것이 요구된다.
그렇지만, 차량의 경우, 내부 온도가 민감하게 유지되거나 요구되는 특수한 밀폐 공간도 아니며, 대부분의 탑승자 역시도 1 ~ 2 도의 온도를 민감하게 반응하는 것 또한 쉽지 않다. 즉, 탑승자의 경우, 외부 공기와 대비하여 상대적으로 시원한 바람이 유입되어 차량 내 공기가 쾌적해지는 공조 제어를 요구하는 것일 뿐, 외부 공기보다 10도가 낮은 소정 온도의 공기가 유입되어 차량 내 공기가 쾌적해지는 공조 제어를 요구하는 것은 극히 일부임이 분명하다.
이러한 점을 감안하여, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은, 차량이 처할 수 있는 외부 환경조건을 다수의 소정 온도로 특정하고, 특정한 각 소정 온도마다 매칭되는 공조 성능인자 현재 상태 정보와 탑승자로부터 입력된 공조 성능인자 목표 정보, 이에 따른 제어값을 학습 데이터로 생성하여 환경 조건의 일부만을 학습하여 인공지능 학습에 의한 문제점을 해결하고 있다.
또한, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은, 공조 성능인자 현재 상태 정보와 탑승자로부터 입력된 공조 성능인자 목표 정보 역시도 차량의 생산 옵션에 따라 매우 세분화될 수 있기 때문에, 이 역시도 소정 범위마다 구간을 설정하고, 각 구간마다의 대표 정보를 설정하여, 설정한 대표 정보들과 이에 따른 제어값을 학습 데이터로 생성하여 일부 환경 조건의 일부 정보들을 학습하여 인공지능 학습에 의한 문제점을 보다 적극적으로 해결하고 있다.
그렇지만, 최소한의 학습 데이터만을 학습 처리한 만큼, 학습 데이터에 해당하지 않은 외부 환경조건이나, 대표 정보를 벗어난 정보가 학습 모델에 입력될 경우, 다시 말하자면, 학습되지 않은 영역에 대해서는 정확한 출력값을 도출할 수 없는 문제점이 있다.
이를 해결하기 위하여, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법은, 보간법을 활용하여 각각의 외부 환경조건에 대해 정보들을 학습한 학습 모델로부터 출력된 초기 제어값에 대한 보간 함수를 생성하여, 생성한 보간 함수를 이용하여 최종 제어값을 유추하여 도출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템을 나타낸 구성 예시도로서, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템을 상세하게 설명한다.
본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템은 도 1에 도시된 바와 같이, 제1 입력부(100), 제2 입력부(200), 제어부(300) 및 보간부(400)를 포함하여 구성되는 것이 바람직하며, 이 때, 각각의 구성들은 하나의 연산처리수단 또는 각각의 연산처리수단에 포함되어 동작을 수행하는 것이 바람직하다.
각 구성에 대해서 자세히 알아보자면,
상기 제1 입력부(100)는 외부 차량 탑승자의 입력을 통해 선정된 원하는 공조 상태 정보를 기반으로 공조 제어를 위한 성능인자 목표 정보를 획득하는 것이 바람직하다. 일 예를 들자면, 탑승자가 냉방에 해당하는 소정 온도를 입력할 경우, 이를 기반으로 공조 제어를 위한 성능인자 목표 정보로는 증발기의 소정 온도인 것이 바람직하다.
상기 제2 입력부(200)는 미리 연계된 공조 시스템(공조 장치), 다시 말하자면, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템을 적용하고자 하는 공조 시스템으로부터 성능인자 현재 상태 정보를 획득하는 것이 바람직하다. 상술한 예에 덧붙여서 말하자면, 현재의 증발기 온도인 것이 바람직하다.
상기 제어부(300)는 입력되는 상기 성능인자 목표 정보와 상기 성능인자 현재 상태 정보를 이용하여, 공조 상태를 제어하기 위한 제어값을 설정하는 것이 바람직하며, 이를 위해, 상기 제어부(300)는 도 1에 도시된 바와 같이, 다수의 인공지능 학습 모델을 포함하는 인공지능 학습 모델부(310)와 학습 처리부(320)를 포함하여 구성되는 것이 바람직하다.
상기 인공지능 학습 모델부(310)는 각각의 상이한 외부 환경조건으로 학습 처리된 다수의 인공지능 학습 모델에 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보와 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보를 적용하여, 상기 성능인자 현재 상태 정보가 상기 성능인자 목표 정보를 추종하는 다수의 초기 제어값을 출력하는 것이 바람직하다.
다시 말하자면, 상기 인공지능 학습 모델부(310)는 현재의 외부 환경조건은 고려하지 않고, 각각의 상이한 외부 환경조건으로 학습 처리된 다수의 인공지능 학습 모델에 상기 성능인자 현재 상태 정보와 상기 성능인자 목표 정보를 입력하여, 상기 성능인자 현재 상태 정보가 상기 성능인자 목표 정보를 추종하는 다수의 초기 제어값을 출력하게 된다.
상기 학습 처리부(320)는 상술한 바와 같이, 각각의 상이한 외부 환경조건으로 학습 처리를 제어하게 되며, 상세하게는, 미리 설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로 사전에 수집한 미리 수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보에 따라 출력된 제어값(성능인자 현재 상태 정보와 성능인자 목표 정보 간의 차를 0으로 수렴시키도록 하는 제어값)을 학습하여, 각각의 외부 환경조건 별 인공지능 학습 모델을 생성하여, 상기 인공지능 학습 모델부(310)로 전송하는 것이 바람직하다.
이 때, 상기 학습 처리부(320)는 상술한 바와 같이, 공조 성능인자의 전 영역의 모든 제어값을 학습 데이터로 설정하여 학습을 진행할 경우, 알고리즘 수렴에 문제가 발생할 수 있기 때문에, 이를 해결하기 위하여 일정 간격으로 나누어진 범위에 대한 학습 목표 데이터(대표 정보)를 선정하고 선정한 대표 정보만을 학습 데이터로 설정하여 학습을 수행하는 것이 바람직하다.
물론, 학습 데이터에 해당하지 않는 범위의 경우, 추후에 상기 보간부(400)를 통해서 대표 정보의 주변 영역(커버 영역)에 대한 보간을 통해 추적하여 제어값을 도출할 수 있다. 상기 보간부(400)의 동작에 대해서는 추후에 상세히 설명하도록 한다.
상기 학습 처리부(320)를 통해서 일정 간격으로 나누어진 범위에 대한 학습 목표 데이터(대표 정보)를 선정하고 선정한 대표 정보만을 학습 데이터로 설정하여 학습을 수행함으로써, 인공지능 학습 알고리즘의 학습 기간 단축 및 수렴성을 향상시킬 수 있는 장점이 있다.
여기서, 상기 소정 온도의 외부 환경조건이란, 차량이 노출 가능한 외기온 범위를 토대로 소정 온도를 간격으로, 일 예를 들자면, 영하 10도, 0도, 영상 10도, 영상 20도를 외부 환경조건의 기준으로 잡고, 해당 외기온에서의 미리 수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보에 따라 출력된 제어값을 수집하여 학습 처리를 수행하는 것이 바람직하다.
단순하게 외부 환경조건과 무관하게, 상기 성능인자 목표 정보, 성능인자 현재 상태 정보 간의 차이가 10도일 경우, 10도를 제어하기 위한 제어값을 출력하는 것이라고 생각할 수 있으나, 차량의 운행 조건 상, 영하 10도의 외기온에서 10도의 차이를 제어하기 위한 공조 성능인자 제어값과 영상 20도의 외기온에서 10도의 차이를 제어하기 위한 공조 성능인자 제어값은 차이가 발생하는 것이 당연하기 때문에, 각각의 상이한 외부 환경조건을 기준으로 학습 처리를 수행하는 것이 바람직하다.
더불어, 상기 학습 처리부(320)는 상기 대표 정보를 설정하기 위하여, 도 2에 도시된 바와 같이, 수집한 미리 수행된 공조 제어에 대한 성능인자 목표 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 목표 정보로 설정하고, 수집한 미리 수행된 공조 제어에 대한 성능인자 현재 상태 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 상태 정보로 설정하는 것이 바람직하다.
이 때, 상기 성능인자 목표 정보에 대해 설정한 소정 범위와 상기 성능인자 현재 상태 정보에 대해 설정한 소정 범위는 차량의 최초 적용된 공조 제어 범위를 기준으로 설정하는 것이 바람직하며, 이에 대해서 한정하는 것은 아니다.
그렇지만, 너무 짧은 구간으로 범위를 설정할 경우, 본 발명의 가장 큰 목적인 인공지능 학습 알고리즘의 수렴 문제점을 그대로 포함할 수 있고, 너무 넓은 구간으로 범위를 설정할 경우, 추후에 상기 보간부(400)를 통해서 제어값을 추적하여 도출하는 과정에서 정확도가 낮아지거나 연산 난이도가 높아지는 문제점이 있기 때문에, 차량의 최초 적용된 공조 제어 범위를 기준으로 적절하게 범위를 설정하는 것이 가장 바람직하다.
이를 통해서, 상기 학습 처리부(320)는 설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값(대표 상태 정보와 대표 목표 정보 간의 차를 0으로 수렴시키도록 하는 값)을 학습 데이터로 생성하여, 미리 설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 상기 학습 데이터의 학습 처리를 수행하게 된다.
이에 따라, 상기 인공지능 학습 모델부(310)는 상기 학습 처리부(320)에 의한 학습 처리 결과에 따라, 각각 상이한 소정 온도의 외부 환경조건을 기준의 다수의 학습 모델을 전송받는 것이 바람직하다. 이 후, 상기 인공지능 학습 모델부(310)는 상기 제1 입력부(100)로부터 상기 성능인자 목표 정보와 상기 제2 입력부(200)로부터 상기 성능인자 현재 상태 정보를 입력받아, 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보를 추종하는 제어값을 각각의 학습 모델마다 출력받는 것이 바람직하다.
즉, 상기 인공지능 학습 모델부(310)는 외부 환경조건을 고려하지 않고, 설정된 외부 환경조건을 기준의 제어값(초기 제어값)들을 출력받게 된다.
상기 학습 처리부(320)는 상술한 바와 같이, 설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값을 학습하였기 때문에, 상기 제1 입력부(100) 및 제2 입력부(200)를 통해서 학습 범위를 벗어난 정보가 입력될 경우, 제어값의 출력이 불가능하거나, 부정확한 제어값이 출력되게 된다.
그렇기 때문에, 상기 인공지능 학습 모델부(310)는 다수의 학습 모델에 상기 성능인자 목표 정보와 상기 성능인자 현재 상태 정보를 입력하기 앞서서, 상기 성능인자 목표 정보와 상기 성능인자 현재 상태 정보의 선처리를 통해서 출력값의 정확도를 향상시키는 것이 바람직하다.
상세하게는, 상기 인공지능 학습 모델부(310)는 상기 학습 처리부(320)에 의해 설정한 상기 성능인자 목표 정보의 소정 범위와 상기 성능인자 현재 상태 정보의 소정 범위를 반영하여, 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보가 해당하는 하나의 구간을 특정하고, 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 해당하는 하나의 구간을 특정하는 것이 바람직하다.
일 예를 들자면, 상기 성능인자 목표 정보가 8도이고, 상기 성능인자 목표 정보의 소정 범위가 영하 20도부터 10도씩 설정되어 있을 경우, 상기 성능인자 목표 정보가 해당하는 구간은 1 ~ 10도 구간인 것이 바람직하다.
상기 인공지능 학습 모델부(310)는 이와 같이, 특정한 상기 성능인자 목표 정보가 해당하는 구간 정보와 상기 성능인자 현재 상태 정보가 해당하는 구간 정보를 통해서, 각 해당 구간들의 대표 정보를 각각의 학습 모델에 적용하여 각각의 초기 제어값을 출력하는 것이 바람직하다.
즉, 상기의 예에 덧붙여서 예를 들자면, 상기 성능인자 목표 정보가 해당하는 구간인 1 ~ 10도 구간의 대표 목표 정보가 5도일 경우, 상기 인공지능 학습 모델부(310)는 상기 성능인자 목표 정보로 8도가 입력되었지만, 5도를 입력 데이터로 설정하는 것이 바람직하다. 이는 보다 용이한 설명을 위해 10도씩 구간을 설정한 것을 예시로 들었기 때문에, 실제 입력값과 대푯값 간의 3도의 차이가 발생하였지만, 구간 설정의 정도에 따라 탑승자가 인지하지 못할 온도 범위의 대표 정보를 설정하여 초기 제어값을 출력받을 수 있다.
상기 보간부(400)는 상기 제어부(300)로부터 각각의 인공지능 학습 모델에 의한 상기 초기 제어값들을 전달받아, 도 3에 도시된 바와 같이, 보간 함수를 생성하는 것이 바람직하다.
상기 보간부(400)는 상기 보간 함수를 생성하기 위하여, 다항식 보간법을 사용하는 것이 바람직하며, 외부 환경조건의 개수(m)의 크기 및 다항식 차수에 따른 제어 성능에 따라 다항식의 차수를 선정하는 것이 바람직하며, 상기 다항식 보간법으로는 인접한 두 점을 직선으로 연결하는 선형 보간법을 활용하였으나, 이는 본 발명의 일 실시예에 불과하다.
상기 보간부(400)는 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 최종 제어값을 도출하여 생성하는 것이 바람직하다.
또한, 상기 보간부(400)는 생성한 상기 최종 제어값을 상기 공조 시스템으로 전송하여, 인공지능 공조 제어가 이루어지도록 하는 것이 바람직하다.
일 예를 들자면, 영하 10도, 0도, 영상 10도, 영상 20도를 외부 환경조건의 기준으로 잡고, 해당 외기온에서의 미리 수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보에 따라 출력된 제어값을 수집하여 학습 처리를 수행한 후, 실시간으로 입력되는 현재 외부 환경조건이 영상 7도일 경우, 0도에서의 학습 모델에 의한 제어값과 영상 10도에서의 학습 모델에 의한 제어값 간의 보간을 통해서 영상 7도에 해당하는 제어값을 도출해낼 수 있다.
이를 통해서, 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 시스템은, 인공지능 학습이 가지고 있는 장점인 정확성을 그대로 취하면서도, 인공지능 학습이 가지고 있는 단점인 많은 학습 데이터 수집, 이에 따른 학습 처리 시간의 문제점을 해결할 수 있는 장점이 있다.
도 4는 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 방법을 나타낸 순서 예시도로서, 도 4를 참조로 하여 본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 방법을 상세하게 설명한다.
본 발명의 일 실시예에 따른 보간법을 활용한 인공지능 공조 제어 방법은 도 4에 도시된 바와 같이, 목표 입력 단계(S100), 상태 입력 단계(S200), AI 제어 단계(S300), 최종 제어 단계(S400) 및 공조 제어 단계(S500)를 포함하여 구성되는 것이 바람직하다.
각 단계에 대해서 자세히 알아보자면,
상기 목표 입력 단계(S100)는, 상기 제1 입력부(100)에서, 외부 차량 탑승자의 입력을 통해 선정된 원하는 공조 상태 정보를 기반으로 공조 제어를 위한 성능인자 목표 정보를 획득하게 된다.
상기 상태 입력 단계(S200)는, 상기 제2 입력부(200)에서, 미리 연계된 공조 시스템으로부터 성능인자 현재 상태 정보를 획득하게 된다.
상기 AI 제어 단계(S300)는 상기 인공지능 학습 모델부(310)에서, 다수의 인공지능 학습 모델에 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보와 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보를 입력하여, 상기 성능인자 현태 상태 정보가 상기 성능인자 목표 정보를 추종하도록 하는 각각의 초기 제어값을 출력하게 된다.
상세하게는, 상기 AI 제어 단계(S300)는 현재의 외부 환경조건은 고려하지 않고, 각각의 상이한 외부 환경조건으로 학습 처리된 다수의 인공지능 학습 모델에 상기 성능인자 현재 상태 정보와 상기 성능인자 목표 정보를 입력하여, 상기 성능인자 현재 상태 정보가 상기 성능인자 목표 정보를 추종하는 다수의 초기 제어값을 출력하게 된다.
이러한 다수의 인공지능 학습 모델은 학습 처리 단계(S310)를 통해서 인공지능 학습 모델을 생성하는 것이 바람직하다.
상기 학습 처리 단계(S310)는 상기 학습 처리부(320)에서, 미리 설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로 사전에 수집한 미리 수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보에 따라 출력된 제어값(성능인자 현재 상태 정보와 성능인자 목표 정보 간의 차를 0으로 수렴시키도록 하는 제어값)을 학습하여, 각각의 외부 환경조건 별 인공지능 학습 모델을 생성하게 된다.
이 때, 상기 인공지능 학습 모델을 생성함에 있어서, 공조 성능인자의 전 영역의 모든 제어값을 학습 데이터로 설정하여 학습을 진행할 경우, 알고리즘 수렴에 문제가 발생할 수 있기 때문에, 이를 해결하기 위하여 일정 간격으로 나누어진 범위에 대한 학습 목표 데이터(대표 정보)를 선정하고 선정한 대표 정보만을 학습 데이터로 설정하여 학습을 수행하는 것이 바람직하다.
물론, 학습 데이터에 해당하지 않는 범위의 경우, 추후에 상기 최종 제어 단계(S400)를 통해서 대표 정보의 주변 영역(커버 영역)에 대한 보간을 통해 추적하여 제어값을 도출할 수 있다.
여기서, 상기 소정 온도의 외부 환경조건이란, 차량이 노출 가능한 외기온 범위를 토대로 소정 온도를 간격으로, 일 예를 들자면, 영하 10도, 0도, 영상 10도, 영상 20도를 외부 환경조건의 기준으로 잡고, 해당 외기온에서의 미리 수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보에 따라 출력된 제어값을 수집하여 학습 처리를 수행하는 것이 바람직하다.
단순하게 외부 환경조건과 무관하게, 상기 성능인자 목표 정보, 성능인자 현재 상태 정보 간의 차이가 10도일 경우, 10도를 제어하기 위한 제어값을 출력하는 것이라고 생각할 수 있으나, 차량의 운행 조건 상, 영하 10도의 외기온에서 10도의 차이를 제어하기 위한 공조 성능인자 제어값과 영상 20도의 외기온에서 10도의 차이를 제어하기 위한 공조 성능인자 제어값은 차이가 발생하는 것이 당연하기 때문에, 각각의 상이한 외부 환경조건을 기준으로 학습 처리를 수행하는 것이 바람직하다.
또한, 상기 학습 처리 단계(S310)는 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 일정 간격으로 나누어진 범위에 대한 학습 목표 데이터(대표 정보)를 선정하고 선정한 대표 정보만을 학습 데이터로 설정하여 학습을 수행함으로써, 인공지능 학습 알고리즘의 학습 기간 단축 및 수렴성을 향상시킬 수 있다.
이를 위해, 상기 학습 처리 단계(S310)는 수집한 미리 수행된 공조 제어에 대한 성능인자 목표 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 목표 정보로 설정하고, 수집한 미리 수행된 공조 제어에 대한 성능인자 현재 상태 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 상태 정보로 설정하는 것이 바람직하다.
이 때, 상기 성능인자 목표 정보에 대해 설정한 소정 범위와 상기 성능인자 현재 상태 정보에 대해 설정한 소정 범위는 차량의 최초 적용된 공조 제어 범위를 기준으로 설정하는 것이 바람직하며, 이에 대해서 한정하는 것은 아니다.
그렇지만, 너무 짧은 구간으로 범위를 설정할 경우, 본 발명의 가장 큰 목적인 인공지능 학습 알고리즘의 수렴 문제점을 그대로 포함할 수 있고, 너무 넓은 구간으로 범위를 설정할 경우, 추후에 상기 최종 제어 단계(S400)를 통해서 제어값을 추적하여 도출하는 과정에서 정확도가 낮아지거나 연산 난이도가 높아지는 문제점이 있기 때문에, 차량의 최초 적용된 공조 제어 범위를 기준으로 적절하게 범위를 설정하는 것이 가장 바람직하다.
이를 통해서, 상기 학습 처리 단계(S310)는 설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값(대표 상태 정보와 대표 목표 정보 간의 차를 0으로 수렴시키도록 하는 값)을 학습 데이터로 생성하여, 미리 설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 상기 학습 데이터의 학습 처리를 수행하게 된다.
이와 같이, 상기 AI 제어 단계(S300)는 상기 학습 처리 단계(S310)를 통해서 생성한 각각 상이한 소정 온도의 외부 환경조건에서의 다수의 인공지능 학습 모델을 이용하여, 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보와 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보를 입력하여, 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현재 상태 정보가 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보를 추종하는 제어값을 각각의 학습 모델마다 출력받게 된다. 즉, 상기 AI 제어 단계(S300)에 의한 초기 제어값들은 외부 환경조건을 고려하지 않고, 설정된 외부 환경조건을 기준의 제어값(초기 제어값)인 것이 바람직하다.
이 때, 상기 AI 제어 단계(S300)로 입력되는 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보와 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보의 경우, 상기 학습 처리 단계(S310)에서 설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값을 학습하였기 때문에, 상기 성능인자 목표 정보 또는 상기 성능인자 현재 상태 정보가 학습 범위를 벗어난 정보가 입력될 경우, 제어값의 출력이 불가능하거나, 부정확한 제어값이 출력되게 된다.
그렇기 때문에, 상기 AI 제어 단계(S300)는 다수의 학습 모델에 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보와 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보를 입력하기 앞서서, 상기 성능인자 목표 정보와 상기 성능인자 현재 상태 정보의 선처리를 수행하여 출력값의 정확도를 향상시키는 것이 바람직하다.
상세하게는, 상기 AI 제어 단계(S300)는 상기 학습 처리 단계(S310)에서 설정한 상기 성능인자 목표 정보의 소정 범위와 상기 성능인자 현재 상태 정보의 소정 범위를 반영하여, 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보가 해당하는 하나의 구간을 특정하고, 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보가 해당하는 하나의 구간을 특정하는 것이 바람직하다.
이를 통해서 특정한 상기 성능인자 목표 정보가 해당하는 구간 정보와 상기 성능인자 현재 상태 정보가 해당하는 구간 정보를 통해서, 각 해당 구간들의 대표 정보를 각각의 학습 모델에 적용하여 각각의 초기 제어값을 출력하는 것이 바람직하다.
상기 최종 제어 단계(S400)는 상기 보간부(400)에서, 상기 AI 제어 단계(S300)에 의한 상기 초기 제어값들을 이용하여, 보간 함수를 생성하고 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 최종 제어값을 생성하게 된다.
일 예를 들자면, 영하 10도, 0도, 영상 10도, 영상 20도를 외부 환경조건의 기준으로 잡고, 해당 외기온에서의 미리 수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보에 따라 출력된 제어값을 수집하여 학습 처리를 수행한 후, 상기 최종 제어 단계(S400)를 통해서, 실시간으로 입력되는 현재 외부 환경조건이 영상 7도일 경우, 0도에서의 학습 모델에 의한 제어값과 영상 10도에서의 학습 모델에 의한 제어값 간의 보간을 통해서 영상 7도에 해당하는 제어값을 도출해낼 수 있다.
상기 공조 제어 단계(S500)는 상기 보간부(400)에서, 상기 최종 제어 단계(S400)에 의한 상기 최종 제어값을 공조 시스템으로 전송하여, 인공지능 공조 제어가 이루어지도록 하는 것이 바람직하다.
본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이다.
100 : 제1 입력부
200 : 제2 입력부
300 : 제어부
310 : 인공지능 학습 모델부 320 : 학습 처리부
400 : 보간부

Claims (10)

  1. 외부 입력을 통해, 공조 제어를 위한 성능인자 목표 정보를 획득하는 제1 입력부(100);
    기연계된 공조 시스템으로부터, 성능인자 현재 상태 정보를 획득하는 제2 입력부(200);
    각각의 상이한 외부 환경조건으로 설정되어, 설정된 외부 환경조건을 기준으로 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보를 추종하는 각각의 초기 제어값을 출력하는 다수의 인공지능 학습 모델부(310)를 포함하는 제어부(300); 및
    상기 제어부(300)로부터 각각의 인공지능 학습 모델부(310)에 의한 상기 초기 제어값을 전달받아, 보간 함수를 생성하고, 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 최종 제어값을 생성하는 보간부(400);
    를 포함하며,
    상기 보간부(400)는
    생성한 상기 최종 제어값을 상기 공조 시스템으로 전송하여, 인공지능 공조 제어가 이루어지는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 시스템.
  2. 제 1항에 있어서,
    상기 제어부(300)는
    기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로 수집한 기수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보와 매칭되는 제어값을 학습하여, 각각의 외부 환경조건 별 인공지능 학습 모델을 생성하여, 상기 인공지능 학습 모델부(310)로 전송하는 학습 처리부(320);
    를 더 포함하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 시스템.
  3. 제 2항에 있어서,
    상기 학습 처리부(320)는
    수집한 기수행된 공조 제어에 대한 성능인자 목표 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 목표 정보로 설정하고,
    수집한 기수행된 공조 제어에 대한 성능인자 현재 상태 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 상태 정보로 설정하여,
    설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값을 학습 데이터로 생성하여,
    기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 상기 학습 데이터의 학습 처리를 수행하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 시스템.
  4. 제 3항에 있어서,
    상기 인공지능 학습 모델부(310)는
    상기 학습 처리부(320)에 의한 학습 처리 결과에 따라, 각각 상이한 소정 온도의 외부 환경조건을 기준의 학습 모델을 전송받아, 입력되는 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보를 추종하도록 각각의 학습 모델마다의 외부 환경조건을 반영한 초기 제어값을 출력하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 시스템.
  5. 제 4항에 있어서,
    상기 인공지능 학습 모델부(310)는
    상기 학습 처리부(320)에 의해 설정된 구간 범위를 반영하여, 상기 제1 입력부(100)에 의한 상기 성능인자 목표 정보가 해당하는 하나의 구간을 특정하고, 상기 제2 입력부(200)에 의한 상기 성능인자 현재 상태 정보가 해당하는 하나의 구간을 특정하여, 특정한 결과 정보를 각각의 학습 모델에 적용하여 각각의 초기 제어값을 출력하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 시스템.
  6. 제 5항에 있어서,
    상기 보간부(400)는
    기설정된 보간 알고리즘을 이용하여 상기 초기 제어값들에 대한 보간 함수를 생성하고, 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 상기 최종 제어값을 생성하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 시스템.
  7. 제1 입력부에서, 외부 입력을 통해 공조 제어를 위한 성능인자 목표 정보를 획득하는 목표 입력 단계(S100);
    제2 입력부에서, 기연계된 공조 시스템으로부터 성능인자 현재 상태 정보를 획득하는 상태 입력 단계(S200);
    다수의 인공지능 학습 모델에 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보와 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보를 입력하여, 상기 성능인자 현태 상태 정보가 상기 성능인자 목표 정보를 추종하도록 하는 각각의 초기 제어값을 출력하는 AI 제어 단계(S300);
    보간부에서, 상기 AI 제어 단계(S300)에 의한 상기 초기 제어값들을 이용하여, 보간 함수를 생성하고 상기 보간 함수에 실시간으로 입력되는 현재 외부 환경조건을 적용하여 최종 제어값을 생성하는 최종 제어 단계(S400); 및
    보간부에서, 상기 최종 제어 단계(S400)에 의한 상기 최종 제어값을 공조 시스템으로 전송하여, 인공지능 공조 제어를 수행하는 공조 제어 단계(S500);
    를 포함하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 방법.
  8. 제 7항에 있어서,
    상기 AI 제어 단계(S300)는
    학습 처리부에서, 기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로 수집한 기수행된 공조 제어에 대한 성능인자 목표 정보, 성능인자 현재 상태 정보 및 상기 성능인자 목표 정보, 상기 성능인자 현재 상태 정보와 매칭되는 제어값을 학습하여, 각각의 외부 환경조건 별 다수의 인공지능 학습 모델을 생성하는 학습 처리 단계(S310);
    를 더 포함하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 방법.
  9. 제 8항에 있어서,
    상기 학습 처리 단계(S310)는
    각각 상이한 소정 온도의 외부 환경조건을 기준으로,
    수집한 기수행된 공조 제어에 대한 성능인자 목표 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 목표 정보로 설정하고,
    수집한 기수행된 공조 제어에 대한 성능인자 현재 상태 정보에 대해 소정 범위마다 구간을 설정하고, 각 구간마다의 중간값 또는 소정값을 대표 상태 정보로 설정하여,
    설정한 상기 대표 목표 정보와 대표 상태 정보 및 상기 대표 목표 정보, 대표 상태 정보에 매칭되는 제어값을 학습 데이터로 생성하여,
    기설정된 AI 알고리즘을 이용하여, 각각 상이한 소정 온도의 외부 환경조건을 기준으로, 상기 학습 데이터의 학습 처리를 수행하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 방법.
  10. 제 9항에 있어서,
    상기 AI 제어 단계(S300)는
    상기 학습 처리 단계(S310)에 의해 설정된 구간 범위를 반영하여, 상기 목표 입력 단계(S100)에 의한 상기 성능인자 목표 정보가 해당하는 하나의 구간을 특정하고, 상기 상태 입력 단계(S200)에 의한 상기 성능인자 현태 상태 정보가 해당하는 하나의 구간을 특정하여, 특정한 결과 정보를 각각의 학습 모델에 적용하여 각각의 초기 제어값을 출력하는 것을 특징으로 하는 보간법을 활용한 인공지능 공조 제어 방법.

KR1020210047197A 2021-04-12 2021-04-12 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법 Pending KR20220141086A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020210047197A KR20220141086A (ko) 2021-04-12 2021-04-12 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법
PCT/KR2022/003244 WO2022220407A1 (ko) 2021-04-12 2022-03-08 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법
US18/274,812 US20240117985A1 (en) 2021-04-12 2022-03-08 Artificial intelligence air-conditioning control system and method using interpolation method
DE112022000558.0T DE112022000558T5 (de) 2021-04-12 2022-03-08 Klimaanlagensteuerungssystem und -verfahren mit künstlicher intelligenz unter verwendung eines interpolationsverfahrens

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210047197A KR20220141086A (ko) 2021-04-12 2021-04-12 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20220141086A true KR20220141086A (ko) 2022-10-19

Family

ID=83640442

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210047197A Pending KR20220141086A (ko) 2021-04-12 2021-04-12 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법

Country Status (4)

Country Link
US (1) US20240117985A1 (ko)
KR (1) KR20220141086A (ko)
DE (1) DE112022000558T5 (ko)
WO (1) WO2022220407A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102024106721A1 (de) * 2024-03-08 2025-09-11 Audi Aktiengesellschaft Verfahren zum Betreiben eines Heizungssystems für ein Kraftfahrzeug, entsprechendes Heizungssystem für ein Kraftfahrzeug sowie Computerprogrammprodukt
DE102024001186A1 (de) 2024-04-13 2024-06-06 Mercedes-Benz Group AG Verfahren zur Regelung einer Zuführung und Konditionierung von Zuluft in eine Lackierkabine

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190112681A (ko) 2019-09-16 2019-10-07 엘지전자 주식회사 차량 공조 제어 장치 및 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1063633A (ja) * 1996-08-26 1998-03-06 Denso Corp ニューラルネットワークの演算装置及び車両用空調装置
JP3361017B2 (ja) * 1996-09-11 2003-01-07 株式会社東芝 快適性指標ｐｍｖ学習装置
JP3855739B2 (ja) * 2001-11-05 2006-12-13 株式会社デンソー ニューラルネットワークの学習方法およびプログラム
JP2008056078A (ja) * 2006-08-31 2008-03-13 Denso Corp 車両用空調装置
US10493680B2 (en) * 2014-11-26 2019-12-03 U-Mhi Platech Co., Ltd. Temperature control method and temperature control device
KR101628568B1 (ko) * 2014-12-10 2016-06-09 현대자동차주식회사 차량용 공조 장치 제어 방법
US11675322B2 (en) * 2017-04-25 2023-06-13 Johnson Controls Technology Company Predictive building control system with discomfort threshold adjustment
US11808473B2 (en) * 2018-07-27 2023-11-07 Nippon Telegraph And Telephone Corporation Action optimization device, method and program

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190112681A (ko) 2019-09-16 2019-10-07 엘지전자 주식회사 차량 공조 제어 장치 및 방법

Also Published As

Publication number Publication date
WO2022220407A1 (ko) 2022-10-20
US20240117985A1 (en) 2024-04-11
DE112022000558T5 (de) 2023-11-23

Similar Documents

Publication Publication Date Title
CN115139746A (zh) 用于自动调节车载空调的方法和系统
JP3556956B2 (ja) システム識別装置および方法
CN106322656B (zh) 一种空调控制方法及服务器和空调系统
KR20220141086A (ko) 보간법을 활용한 인공지능 공조 제어 시스템 및 그 방법
JP6897767B2 (ja) 設定値算出システム、方法およびプログラム
EP3699507B1 (en) Air-conditioning control device
US12008070B2 (en) Method and apparatus for predicting time-series data
CN112793377A (zh) 车辆用空调系统以及空调装置控制方法
EP1477929B1 (en) Signal processing
CN114750562A (zh) 具有衣着程度补偿的车辆气候控制系统
CN113085477B (zh) 空调控制方法、系统及存储介质
WO2022102157A1 (en) System and method for thermal control based on invertible causation relationship
DE102023004238A1 (de) Verfahren zur proaktiven Steuerung eines Klimatisierungssystems sowie Klimatisierungssystem
Tugengol’d et al. Autonomous maintenance of digital equipment
CN117934065B (zh) 基于多源信息驱动的智能座舱选型方法及系统
CN110726228A (zh) 空调器及其出风温度的确定方法、装置、存储介质
JPH09145123A (ja) 空気調和方法およびその装置
US12535808B2 (en) Real-time calibration for detailed digital twins
CN105299820A (zh) 车辆空调控制系统及方法
WO2023032771A1 (ja) 制御方法、プログラム、及び、制御システム
JPH10267357A (ja) 換気制御装置
JP2020075668A (ja) 乗り物用空調装置
CN120348303A (zh) 一种基于图像采集的汽车座舱智能化控制方法及系统
CN118752968A (zh) 一种基于多模态感知融合的温度调节系统及方法
CN118977535A (zh) 一种车载空调智能控制方法、控制系统和智能座舱

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

PN2301 Change of applicant

St.27 status event code: A-3-3-R10-R13-asn-PN2301

St.27 status event code: A-3-3-R10-R11-asn-PN2301

R11 Change to the name of applicant or owner or transfer of ownership requested

Free format text: ST27 STATUS EVENT CODE: A-3-3-R10-R11-ASN-PN2301 (AS PROVIDED BY THE NATIONAL OFFICE)

R13 Change to the name of applicant or owner recorded

Free format text: ST27 STATUS EVENT CODE: A-3-3-R10-R13-ASN-PN2301 (AS PROVIDED BY THE NATIONAL OFFICE)

D21 Rejection of application intended

Free format text: ST27 STATUS EVENT CODE: A-1-2-D10-D21-EXM-PE0902 (AS PROVIDED BY THE NATIONAL OFFICE)

PE0902 Notice of grounds for rejection

St.27 status event code: A-1-2-D10-D21-exm-PE0902

E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000