논문 상세보기

군집화 기반 정상상태 식별을 활용한 시스템 에어컨의 냉매 충전량 분류 모델 개발 KCI 등재

Development of Classification Model on SAC Refrigerant Charge Level Using Clustering-based Steady-state Identification

  • 언어KOR
  • URLhttps://db.koreascholar.com/Article/Detail/420087
구독 기관 인증 시 무료 이용이 가능합니다. 4,000원
한국전산구조공학회 논문집 (Journal of the Computational Structural Engineering Institute of Korea)
한국전산구조공학회 (Computational Structural Engineering Institute of Korea)
초록

냉매 오충전은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나로, 적정 충전량 대비 부족 및 과충전 모두 냉방 성능의 저하를 유 발하므로 충전된 냉매량을 정확하게 판단하는 것이 중요하다. 본 연구에서는 퍼지 군집화 기법을 통한 정상상태 식별을 통해 냉매 오 충전량을 다중 분류하는 모델을 개발하였다. 정상상태 식별을 위해 에어컨 운전 데이터에 대해 이동 평균 간의 차이를 활용한 퍼지 군 집화 알고리즘을 적용하였으며, IFDR를 통해 기존 연구된 정상상태 판단 기법들과 식별 결과를 비교하였다. 이후, 시스템 내 상관성 을 고려한 mRMR을 이용해 특징을 선택하였으며, 도출된 특징을 이용해 SVM 기반의 다중 분류 모델이 생성되었다. 제안된 방법은 시험 데이터를 통해 만족할 만한 분류 정확도와 강건성을 도출하였다.

Refrigerant mischarging is one of the most frequently occurring failure modes in air conditioners, and both undercharging and overcharging degrade cooling performance. Therefore, it is important to accurately determine the amount of charged refrigerant. In this study, a support vector machine (SVM) model was developed to multi-classify the refrigerant mischarge through steady-state identification via fuzzy clustering techniques. For steady-state identification, a fuzzy clustering algorithm was applied to the air conditioner operation data using the difference between moving averages. The identification results using the proposed method were compared with those using existing steady-state determination techniques studied through the inversed Fisher's discriminant ratio (IFDR). Subsequently, the main features were selected using minimum redundancy maximum relevance (mRMR) considering the correlation among candidate features, and an SVM multi-classification model was devised using the derived features. The proposed method achieves satisfactory accuracy and robustness from test data collected in the new domain.

목차
Abstract
1. 서 론
2. 배경 이론
    2.1 Fuzzy C-Means 군집화 알고리즘
    2.2 Inverse Fisher’s Discriminant Ratio
    2.3 mRMR 특징 선택
    2.4 Support Vector Machine
3. 제안된 방법
4. 데이터 수집
    4.1 데이터 수집 환경
    4.2 특징 엔지니어링
5. 퍼지 군집 기반 정상상태 식별
    5.1 정상상태 식별
    5.2 IFDR기반 정상상태 판단 정도 비교
6. 분류 모델의 개발
    6.1 mRMR 알고리즘 기반 특징 선택
    6.2 SVM 모델 학습 및 분류 결과
    6.3 시험 데이터에 대한 모델 검증
7. 결 론
감사의 글
References
요 지
저자
  • 김재희(부산대학교 기계공학부 석사과정) | Jae-Hee Kim (Graduate Student, School of Mechanical Engineering, Pusan Nat’l University)
  • 노유정(부산대학교 기계공학부 교수) | Yoojeong Noh (Professor, School of Mechanical Engineering, Pusan Nat’l University) Corresponding author
  • 정종환(LG전자 SAC개발실 책임연구원) | Jong-Hwan Jeung (Principal Research Engineer, SAC Research/Engineering Division, LG Electronics)
  • 최봉수(LG전자 SAC개발실 책임연구원) | Bong-Soo Choi (Principal Research Engineer, SAC Research/Engineering Division, LG Electronics)
  • 장석훈(LG전자 SAC개발실 책임연구원) | Seok-Hoon Jang (Principal Research Engineer, SAC Research/Engineering Division, LG Electronics)