1 |
1
적어도 하나 이상의 공조장치가 설치된 건물에서 온도 센서부로부터 측정된 건물 온도 데이터를 수집하여 저장하는 데이터베이스;상기 건물 온도 데이터를 이용하여 공조장치 가상 데이터를 추정한 후, 상기 공조장치 가상 데이터를 통해 제1 고장 진단 결과를 생성하는 가상센서부;딥러닝 모델에 상기 건물 온도 데이터와 가상센서부의 제1 고장 진단 결과를 학습시키고, 학습된 딥러닝 모델을 이용하여 시뮬레이션 검증을 통해 제2 고장 진단 결과를 생성하는 딥러닝부 및상기 제1 및 제2 고장 진단 결과를 통합시켜 최종 진단 결과를 생성하는 고장진단 통합부를 포함하는 관리서버를 포함하고,상기 가상센서부는,상기 건물 온도 데이터를 이용하여 공조장치 가상 데이터를 추정하는 가상센서;상기 공조장치 가상 데이터를 통해 분류 오차값을 계산하는 가상 분류오차부;상기 분류 오차값을 통해 고장 여부를 판단하여 진단 정보를 생성하는 가상 고장진단부 및상기 공조장치 가상 데이터 및 진단 정보를 통해 제1 고장 진단 결과를 생성하는 가상 진단출력부를 포함하는 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템
|
2 |
2
삭제
|
3 |
3
제1항에 있어서,상기 온도 센서부는,상기 건물 온도 데이터로 상기 공조장치의 증발 온도(Evaporating temperature, Teva), 응축 온도(Condensing temperature, Tcond), 흡기 라인 온도(Suction line temperature, Tsuc), 액체 라인 온도(Liquid line temperature, Tliquid), 배출 라인 온도(Discharging line temperature, Tdis), 응축기 입구 온도(Condenser Inlet dry temperature, Tcond
|
4 |
4
제3항에 있어서,상기 가상센서는,상기 증발 온도 및 응축 온도를 이용하여 압축기 전력 사용량을 추정하는 압축기 전력 센서;상기 건물 온도 데이터를 통해 냉매 질량 유량을 추정하는 냉매 질량 유량 센서; 상기 건물 온도 데이터를 통해 응축기 및 증발기 중 하나 이상의 기체 부피 유량을 추정하는 기체 유량 센서 및상기 증발 온도, 응축 온도, 흡기 라인 온도, 액체 라인 온도를 이용하여 냉매 충전량을 추정하는 냉매 충전량 센서 중 하나 이상을 포함하는 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템
|
5 |
5
제1항에 있어서,상기 딥러닝부는,딥러닝 모델에 상기 데이터베이스에 저장된 상기 건물 온도 데이터와 가상센서부의 제1 고장 진단 결과를 학습시키고, 학습된 딥러닝 모델을 선정하는 모델선정부;선정된 딥러닝 모델을 통해 에너지 절감 시뮬레이션 검증을 수행하는 딥러닝 검증부;상기 딥러닝 검증부로부터 얻어진 검증 결과를 실제 건물 에너지 정보와 비교하여 고장 여부를 판단하고 진단 정보를 생성하는 딥러닝 고장진단부 및상기 진단 정보를 통해 제2 고장 진단 결과를 생성하는 딥러닝 진단출력부를 포함하는 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템
|
6 |
6
제5항에 있어서,상기 모델선정부는,선정한 딥러닝 모델의 예측 정확도를 판별하여, 신뢰범위를 벗어날 경우 딥러닝 모델을 다시 선정하는 것을 특징으로 하는 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템
|
7 |
7
적어도 하나 이상의 공조장치가 설치된 건물에서 온도 센서부로부터 측정된 건물 온도 데이터를 수집하여 저장하는 데이터베이스;상기 건물 온도 데이터를 이용하여 공조장치 가상 데이터를 추정한 후, 상기 공조장치 가상 데이터를 통해 제1 고장 진단 결과를 생성하는 가상센서부;딥러닝 모델에 상기 건물 온도 데이터와 가상센서부의 제1 고장 진단 결과를 학습시키고, 학습된 딥러닝 모델을 이용하여 시뮬레이션 검증을 통해 제2 고장 진단 결과를 생성하는 딥러닝부 및상기 제1 및 제2 고장 진단 결과를 통합시켜 최종 진단 결과를 생성하는 고장진단 통합부를 포함하는 관리서버를 포함하고,상기 고장진단 통합부는,상기 제1 및 제2 고장 진단 결과 모두 고장 판정일 경우, 고장 상태로 판단하고,상기 제1 및 제2 고장 진단 결과 중 하나만 고장 판정일 경우, 경고 상태로 판단하고,상기 제1 및 제2 고장 진단 결과 모두 고장 없음 판정일 경우, 고장 없음 상태로 판단하여 최종 진단 결과를 생성하는 것을 특징으로 하는 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템
|
8 |
8
제7항에 있어서,상기 관리서버는,상기 고장진단 통합부로부터 생성된 최종 진단 결과에 따라 보수 및 교체가 필요한 경우, 일정시간 동안 보수 및 교체가 시행되었는지 확인하는 고장인지부를 더 포함하는 가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템
|
9 |
9
가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템을 이용한 건물 에너지 고장 진단 및 분석 방법에 있어서,(a) 온도 센서부로부터 측정된 건물 온도 데이터를 이용하여 공조장치 가상 데이터를 추정한 후, 공조장치 가상데이터를 통해 제1 고장 진단 결과를 생성하는 가상센서 진단단계;(b) 딥러닝 모델에 건물 온도 데이터 및 제1 고장 진단 결과를 학습시키고, 학습된 딥러닝 모델을 이용하여 시뮬레이션 검증을 통해 제2 고장 진단 결과를 생성하는 딥러닝 진단단계 및(c) 상기 제1 및 제2 고장 진단 결과를 통합시켜 최종 진단 결과를 생성하는 고장진단 통합단계를 포함하고,상기 (a) 단계는,상기 건물 온도 데이터를 이용하여 공조장치 가상 데이터를 추정하는 추정단계;상기 공조장치 가상 데이터를 통해 분류 오차값을 계산하는 오차계산단계;상기 분류 오차값을 통해 고장 여부를 판단하여 진단 정보를 생성하는 가상진단단계 및상기 공조장치 가상 데이터 및 진단 정보를 통해 제1 고장 진단 결과를 생성하는 결과출력단계를 포함하는 건물 에너지 고장 진단 및 분석 방법
|
10 |
10
삭제
|
11 |
11
제9항에 있어서,상기 (b) 단계는,딥러닝 모델에 상기 건물 온도 데이터와 가상센서부의 제1 고장 진단 결과를 학습시키고, 학습된 딥러닝 모델을 선정하는 모델선정단계;선정된 딥러닝 모델을 통해 에너지 절감 시뮬레이션 검증을 수행하는 딥러닝검증단계;검증 결과를 실제 건물 에너지 정보와 비교하여 고장 여부를 판단하고 진단 정보를 생성하는 딥러닝진단단계 및상기 진단 정보를 통해 제2 고장 진단 결과를 생성하는 결과출력단계를 포함하는 건물 에너지 고장 진단 및 분석 방법
|
12 |
12
가상센서와 딥러닝을 통합한 건물 에너지 고장 진단 및 분석 시스템을 이용한 건물 에너지 고장 진단 및 분석 방법에 있어서,(a) 온도 센서부로부터 측정된 건물 온도 데이터를 이용하여 공조장치 가상 데이터를 추정한 후, 공조장치 가상데이터를 통해 제1 고장 진단 결과를 생성하는 가상센서 진단단계;(b) 딥러닝 모델에 건물 온도 데이터 및 제1 고장 진단 결과를 학습시키고, 학습된 딥러닝 모델을 이용하여 시뮬레이션 검증을 통해 제2 고장 진단 결과를 생성하는 딥러닝 진단단계 및(c) 상기 제1 및 제2 고장 진단 결과를 통합시켜 최종 진단 결과를 생성하는 고장진단 통합단계를 포함하고,상기 (c) 단계 후,생성된 최종 진단 결과에 따라 보수 및 교체가 필요한 경우, 일정시간 동안 보수 및 교체가 시행되었는지 확인하는 관리단계를 더 포함하는 건물 에너지 고장 진단 및 분석 방법
|