IN PROGRESS
Master course 윤예찬
Heat-pump System Fault Diagnosis
연구목표
-
하이브리드 모델에 기반한 공조시스템의 정량화된 성능 및 고장 진단기술 개발
주요 연구 내용
-
공조 시스템의 현장 설치 환경 변화와 유지 보수에 따른 에너지 효율성을 향상시키기 위한 최적제어와 고장 검출 및 진단(FDD) 시스템을 구축하기 위해, 기계 학습(machine learning)을 활용한 하이브리드 모델에 기반한 에너지 및 고장 진단의 정량화 기법 개발
# 하이브리드 모델이란?
물리 기반 모델과 실험데이터 기반 모델을 결합한 모델을 의미한다. 물리 기반 모델은 학습데이터를 벗어난 범위에서도 안정적인 예측 결과를 나타내며, 실제 운전환경에서 예측 모델의 오차를 줄일 수 있다. 데이터 기반 모델은 실험 데이터를 이용하여 물리적으로 설명이 되지 않는 부분을 해결할 수 있다. 이 두가지의 장점을 합친 모델이 하이브리드 모델이다.
# 데이터 기반 모델
1.개요
냉매누설 등 대부분의 고장은 점진적으로 발생하며, 압축기 손상 등의 2차 고장을 유발한다. 따라서, 고장으로 생기는 경제적 손실은 줄이기 위해서는 주기적인 점검이 필요하다. 점검은 짧은 시간동안 이루어져야 하며, 정량적인 예측이 요구된다.
고장 진단을 위한 연구는 주로 정상상태(Steady state)의 실험 및 모델 개발에 기반하고 있다. 정상상태 실험은 제한적인 상황에서 오랜 시간에 걸쳐 진행된다. 따라서, 정상상태 기반 모델은 실제 운전환경에서의 예측과 주기적인 점검 모두 어렵다. 반대로, 동적상태(Dynamic state) 기반 예측모델은 실제 운전환경에서의 광범위한 운전환경을 고려할 수 있으며, 점검시간을 단축시킬 수 있다.
2. 에어컨 초기운전특성
인버터 에어컨의 경우 압축기 회전수, 팽창밸브 개도 등의 제어를 통해 운전된다. 이러한 제어로직은 정상상태로 가면서 매개변수들이 일정한 값이 되도록 제어하기 때문에 고장상태에 따른 동특성을 분류하기 어렵다. 반대로, 운전 초기에는 고장상태(냉매충전량 등)에 따른 동특성 변화가 더 크게 나타난다. 따라서, 고장상태에 따른 동특성 변화를 나타내는 매개변수를 찾고, 상관성분석을 통해 이에 영향을 주는 변수들을 파악하는 것이 중요하다.
(그림 1과 2는 대표적인 냉매충전량의 매개변수인 과냉도와 응축온도의 초기운전특성을 나타낸다.)
3. SVM(Support Vecotr Machine) Regression
SVM Regression 기법은 오차를 가지는 비선형 데이터에 대하여 적절한 Support Vector를 선정하여 예측하기 때문에 분류에 사용되는 머신러닝 기법 중 높은 정확도를 나타낸다. SVM은 변수 간의 함수관계를 학습(training)하여 출력변수를 최적으로 분리하는 초평면(hyper-plane)을 찾아낸다. Support vector는 초평면과 Margin을 최대로 하는 거리에 있는 선 위에 있는 점들을 의미하며, 초평면을 결정하는 데이터다. 완전히 분류되지 않는 학습데이터의 경우 Slack variable(Soft margin)을 도입하여 training error에 따른 페널티를 부여하여 오차를 최소로 하는 해를 찾는다(그림 3은 Soft margin을 설명한 간이도이다. 가운데 선이 초평면이며, Support vector에 색칠해두었다.). Kernel trick을 이용하면 3차원 이하에서 분류되지 않은 데이터들까지도 고차원으로 Mapping하여 완벽히 분류할 수 있다.
4. 그림 4와 5는 응축온도에 대한 예측결과이다(다음 결과는 Training data로 사용되지 않은 실험 Case로, Test(New) data에 대한 결과이다).
