KR102471478B1 - 콜드체인용 배송차량의 냉동기 가동예약 방법 - Google Patents
콜드체인용 배송차량의 냉동기 가동예약 방법 Download PDFInfo
- Publication number
- KR102471478B1 KR102471478B1 KR1020220093301A KR20220093301A KR102471478B1 KR 102471478 B1 KR102471478 B1 KR 102471478B1 KR 1020220093301 A KR1020220093301 A KR 1020220093301A KR 20220093301 A KR20220093301 A KR 20220093301A KR 102471478 B1 KR102471478 B1 KR 102471478B1
- Authority
- KR
- South Korea
- Prior art keywords
- vehicle
- temperature
- pull
- tonnage
- weight
- Prior art date
Links
Images
Classifications
-
- 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 [HVAC] devices
- B60H1/32—Cooling devices
- B60H1/3204—Cooling devices using compression
- B60H1/3205—Control means therefor
-
- 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 [HVAC] devices
- B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
- B60H1/0065—Control members, e.g. levers or knobs
- B60H1/00657—Remote control devices
-
- 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 [HVAC] devices
- B60H1/32—Cooling devices
- B60H1/3204—Cooling devices using compression
- B60H1/3232—Cooling devices using compression particularly adapted for load transporting vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0832—Special goods or special handling procedures, e.g. handling of hazardous or fragile goods
-
- 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 [HVAC] devices
- B60H1/32—Cooling devices
- B60H2001/3236—Cooling devices information from a variable is obtained
- B60H2001/3255—Cooling devices information from a variable is obtained related to temperature
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법은 외부온도 및 목표온도에 따른 풀다운시간을 풀다운 테이블을 통해 도출하고, 상기 풀다운시간에 따라 냉동기(20)를 가동하는 펌웨어 기반의 가동예약 방법 및 머신러닝 알고리즘을 기반으로 외부온도에서 내부온도를 차감한 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 산출하여, 풀다운시간을 도출하고, 상기 풀다운시간에 따라 상기 냉동기(20)를 가동하는 머신러닝 기반의 가동예약 방법을 포함하고, 상기 펌웨어 기반의 가동예약 방법은 데이터수집부(36)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 수집하는 제 1-1단계, 테이블생성부(37)가 상기 제 1-1단계에서 수집된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 분석하여, 풀다운 테이블을 생성하는 제 1-2단계, 입력부(38)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리하는 제 1-3단계, 외부온도센서(T1)가 외부온도를 측정하는 제 1-4단계, 컨트롤러(39)가 상기 제 1-4단계에서 측정된 외부온도에서 상기 제 1-3단계에서 입력된 목표온도를 차감하여, 온도편차를 산출하는 제 1-5단계, 상기 컨트롤러(39)가 상기 제 1-3단계에서 입력된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량 및 상기 제 1-5단계에서 산출된 온도편차를 상기 제 1-2단계에서 생성된 풀다운 테이블에 입력하여, 풀다운시간을 출력하는 제 1-6단계, 상기 컨트롤러(39)가 상기 제 1-3단계에서 입력된 출발시각에서 상기 제 1-6단계에서 출력된 풀다운시간을 차감하여, 가동예약시각을 산출하는 제 1-7단계 및 상기 컨트롤러(39)가 제 1-7단계에서 산출된 가동예약시각에 상기 냉동기(20)가 가동되도록 제어하는 제 1-8단계를 포함하는 것을 특징으로 한다.
Description
본 발명은 콜드체인용 배송차량의 냉동기 가동예약 방법에 관한 것으로, 더욱 자세하게는 콜드체인용 배송차량이 출발하기 전에 적재함에 구비된 냉동기의 가동을 사전에 예약하여, 상기 적재함 내부의 온도를 사용자가 원하는 목표온도까지 하강시킬 수 있는 콜드체인용 배송차량의 냉동기 가동예약 방법에 관한 것이다.
일반적으로, 물류 회사에 소속된 콜드체인용 배송차량은 대부분 지정된 시간에 지정된 코스로 반복하여, 이동한다. 콜드체인용 배송차량 출발 시, 적재함에 구비된 냉동기를 가동시키는 경우, 상기 적재함 내부의 온도를 사용자가 원하는 목표온도까지 하강시키기 위해서는 상당한 시간이 소요된다. 예를 들어, 1톤 콜드체인용 배송차량에서 적재함 외부의 온도가 30℃이고, 사용자가 원하는 목표온도가 -20℃인 경우, 적재함 내부의 온도를 목표온도 -20℃까지 하강시키기 위해서는 40분 가량의 시간이 소요될 수 있다.
따라서, 운전자는 적재함 내부의 온도를 목표온도까지 하강시키기 위해, 콜드체인용 배송차량이 출발하기 전에 냉동기를 미리 가동시켜야 할 필요가 있다.
그러나, 종래의 콜드체인용 배송차량에서는 상기 콜드체인용 배송차량이 출발하기 전에 냉동기를 너무 빨리 가동하게 되면, 상기 냉동기에 대한 전력 낭비가 증가한다는 문제점이 있었다.
또한, 종래의 콜드체인용 배송차량에서는 상기 콜드체인용 배송차량이 출발하기 전에 냉동기를 너무 늦게 가동하게 되면, 적재함 내부의 온도가 목표온도까지 하강할 때까지 상기 콜드체인용 배송차량의 출발이 지체되는 문제점이 있었다.
한편, 종래의 콜드체인용 배송차량에서는 냉동기 가동 시, 압축기, 응축기팬, 증발기팬의 회전속도가 외부온도에 대한 고려 없이 각각 일정하게 유지되므로, 운전자가 배송차량이 출발하기 전에 적재함 내부의 온도가 목표온도까지 하강하도록 제어하기 쉽지 않다는 문제점이 있었다.
또한, 종래의 콜드체인용 배송차량에서는 적재함 외부의 온도에 대한 고려 없이 적재함 내부의 온도를 목표온도까지 하강시켜, 상기 목표온도를 일정하게 유지하는데에만 중점을 둔다는 문제점이 있었다.
또한, 종래의 콜드체인용 배송차량에서는 외부온도가 낮을수록, 적재함 내부의 온도가 목표온도까지 하강하는데 소요되는 시간이 단축될 뿐만 아니라, 전력 소비량이 감소하므로, 적재함 내/외부의 온도차이에 따라, 냉동기에서 압축기, 응축기팬 및 증발기팬의 회전속도를 조절할 필요가 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 콜드체인용 배송차량이 출발하기 전에 적재함에 구비된 냉동기의 가동을 사전에 예약하여, 상기 적재함 내부의 온도를 사용자가 원하는 목표온도까지 하강시킬 수 있는 콜드체인용 배송차량의 냉동기 가동예약 방법을 제공하는데 있다.
또한, 본 발명의 목적은 냉동기 가동 시, 외부온도의 변화에 따라 압축기, 응축기팬, 증발기팬의 회전속도를 변경시킬 수 있어, 상기 콜드체인용 배송차량이 출발하기 전에 적재함 내부의 온도가 목표온도까지 하강할 수 있도록 쉽게 제어할 수 있는 콜드체인용 배송차량의 냉동기 가동예약 방법을 제공하는데 있다.
또한, 본 발명의 목적은 차량의 제원, 적재물의 중량 및 적재함 외부의 온도에서 목표온도를 차감한 온도편차를 풀다운 테이블에 입력하여, 풀다운시간을 출력하고, 출발시각에서 상기 풀다운시간을 차감하여 가동예약시각을 산출할 수 있는 콜드체인용 배송차량의 냉동기 가동예약 방법을 제공하는데 있다.
또한, 본 발명의 목적은 차량의 제원, 적재물의 중량 및 외부온도에서 내부온도를 차감한 온도차이 및 목표온도를 입력받아, 학습모델을 이용하여 압축기, 응축기팬 및 증발기팬의 회전속도 및 풀다운시간을 각각 산출하고, 출발시각에서 상기 풀다운시간을 차감하여 가동예약시각을 산출할 수 있는 콜드체인용 배송차량의 냉동기 가동예약 방법을 제공하는데 있다.
상기와 같은 기술적인 문제점을 해결하기 위하여, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법은 외부온도 및 목표온도에 따른 풀다운시간을 풀다운 테이블을 통해 도출하고, 상기 풀다운시간에 따라 냉동기(20)를 가동하는 펌웨어 기반의 가동예약 방법 및 머신러닝 알고리즘을 기반으로 외부온도에서 내부온도를 차감한 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 산출하여, 풀다운시간을 도출하고, 상기 풀다운시간에 따라 상기 냉동기(20)를 가동하는 머신러닝 기반의 가동예약 방법을 포함하고, 상기 펌웨어 기반의 가동예약 방법은 데이터수집부(36)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 수집하는 제 1-1단계, 테이블생성부(37)가 상기 제 1-1단계에서 수집된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 분석하여, 풀다운 테이블을 생성하는 제 1-2단계, 입력부(38)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리하는 제 1-3단계, 외부온도센서(T1)가 외부온도를 측정하는 제 1-4단계, 컨트롤러(39)가 상기 제 1-4단계에서 측정된 외부온도에서 상기 제 1-3단계에서 입력된 목표온도를 차감하여, 온도편차를 산출하는 제 1-5단계, 상기 컨트롤러(39)가 상기 제 1-3단계에서 입력된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량 및 상기 제 1-5단계에서 산출된 온도편차를 상기 제 1-2단계에서 생성된 풀다운 테이블에 입력하여, 풀다운시간을 출력하는 제 1-6단계, 상기 컨트롤러(39)가 상기 제 1-3단계에서 입력된 출발시각에서 상기 제 1-6단계에서 출력된 풀다운시간을 차감하여, 가동예약시각을 산출하는 제 1-7단계 및 상기 컨트롤러(39)가 제 1-7단계에서 산출된 가동예약시각에 상기 냉동기(20)가 가동되도록 제어하는 제 1-8단계를 포함하는 것을 특징으로 한다.
또한, 상기 외부온도는 상기 외부온도센서(T1)에 의해 측정된 적재함(15) 외부의 온도이고, 상기 목표온도는 사용자가 목표로 하는 적재함(15) 내부의 온도이고, 상기 풀다운시간은 적재함(15) 내부의 온도가 목표온도까지 도달하는데 걸리는 시간이고, 상기 내부온도는 내부온도센서(T2)에 의해 측정된 적재함(15) 내부의 온도이고, 상기 풀다운 테이블은 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량 및 온도편차에 따른 풀다운시간을 나타낸 테이블이고, 상기 출발시각은 상기 콜드체인용 배송차량(10)이 목적지로 출발하는 시각인 것을 특징으로 한다.
또한, 상기 풀다운 테이블에서는 상기 풀다운시간이 각각 적재함(15)의 용량, 적재물의 중량 및 온도편차에 비례하도록 설정되고, 상기 풀다운시간에 각각 차량(10)의 종류 및 톤수에 대한 가중치가 부여되고, 상기 차량(10)의 종류에 대한 가중치는 차량(10)의 종류에 따라 변경되도록 설정되고, 상기 차량(10)의 톤수에 대한 가중치는 차량(10)의 톤수가 증가함에 따라 증가하도록 설정되는 것을 특징으로 한다.
또한, 상기 머신러닝 기반의 가동예약 방법은 상기 데이터수집부(36)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 외부온도, 내부온도 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 다수 수집하는 제 2-1단계, 데이터가공부(40)가 학습모델(45)이 학습 가능하도록 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 가공하는 제 2-2단계, 데이터세트 생성부(41)가 상기 제 2-2단계에서 가공된 데이터를 다수 포함하는 데이터세트를 생성하는 제 2-3단계, 데이터처리부(42)가 상기 제 2-3단계에서 생성된 데이터세트를 사전에 설정된 기준 크기로 나누어, 다수의 서버(50)에 분산 저장하고, 상기 분산 저장된 데이터를 태스크 트래커를 통해 병렬 처리하는 제 2-4단계, 데이터학습부(43)가 분류 알고리즘 및 회귀 알고리즘을 통해 상기 제 2-4단계에서 분산 저장된 데이터세트를 이용하여 상기 학습모델(45)을 학습시키는 제 2-5단계, 상기 컨트롤러(39)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도, 내부온도, 목표온도 및 출발시각을 입력받아, 상기 학습모델(45)을 이용하여 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 및 풀다운시간을 각각 산출하는 제 2-6단계, 상기 컨트롤러(39)가 상기 제 2-6단계에서 입력받은 출발시각에서 상기 제 2-6단계에서 산출된 풀다운시간을 차감하여, 가동예약시각을 산출하는 제 2-7단계, 상기 컨트롤러(39)가 상기 제 2-7단계에서 산출된 가동예약시각에 상기 냉동기(20)가 가동을 시작하도록 제어하는 제 2-8단계 및 상기 컨트롤러(39)가 상기 제 2-7단계에서 산출된 가동예약시각에 압축기(22), 응축기팬(24) 및 증발기팬(28)이 각각 상기 제 2-6단계에서 산출된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도로 각각 가동되도록 제어하는 제 2-9단계를 포함하는 것을 특징으로 한다.
또한, 상기 제 2-5단계는 상기 데이터학습부(43)가 상기 분류 알고리즘을 통해 외부온도, 내부온도 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 분류하여, 레이블링하는 제 2-5-1단계, 상기 데이터학습부(43)가 상기 제 2-5-1단계에서 분류된 데이터를 활용하여 상기 회귀 알고리즘을 통해 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 온도차이 및 목표온도에 따라 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 각각 예측할 수 있도록 상기 학습모델(45)을 학습시키는 제 2-5-2단계 및 상기 데이터학습부(43)가 상기 제 2-5-2단계에서 예측된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 따라 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 풀다운시간을 예측할 수 있도록 상기 학습모델(45)을 학습시키는 제 2-5-3단계를 포함하는 것을 특징으로 한다.
또한, 상기 제 2-6단계는 상기 입력부(38)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리하는 제 2-6-1단계, 상기 외부온도센서(T1)가 외부온도를 측정하는 제 2-6-2단계, 내부온도센서(T2)가 내부온도를 측정하는 제 2-6-3단계, 상기 컨트롤러(39)가 상기 제 2-6-2단계에서 측정된 외부온도에서 상기 제 2-6-3단계에서 측정된 내부온도를 차감한 온도차이를 산출하는 제 2-6-4단계, 상기 컨트롤러(39)가 상기 학습모델(45)을 이용하여 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 온도차이 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 각각 산출하는 제 2-6-5단계 및 상기 컨트롤러(39)가 상기 학습모델(45)을 이용하여 상기 제 2-6-5단계에서 산출된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 따라 풀다운시간을 산출하는 제 2-6-6단계를 포함하는 것을 특징으로 한다.
또한, 상기 회귀 알고리즘에서는 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도가 각각 적재함(15)의 용량, 적재물의 중량, 온도차이 및 목표온도의 절댓값에 비례하도록 설정되고, 상기 회귀 알고리즘에서는 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 각각 차량(10)의 종류 및 톤수에 대한 가중치가 부여되고, 상기 차량(10)의 종류에 대한 가중치는 차량(10)의 종류에 따라 변경되도록 설정되고, 상기 차량(10)의 톤수에 대한 가중치는 차량(10)의 톤수가 증가함에 따라 증가하도록 설정되는 것을 특징으로 한다.
본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 콜드체인용 배송차량이 출발하기 전에 냉동기를 사전에 가동하여, 적재함 내부의 온도를 목표온도까지 하강시킬 수 있는 효과가 있다.
또한, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 냉동기 가동 시, 외부온도의 변화에 따라 압축기, 응축기팬, 증발기팬의 회전속도를 변경시킬 수 있어, 상기 콜드체인용 배송차량이 출발하기 전에 적재함 내부의 온도가 목표온도까지 하강할 수 있도록 쉽게 제어할 수 있는 효과가 있다.
또한, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 차량의 제원, 적재물의 중량 및 적재함 외부의 온도에서 목표온도를 차감한 온도편차를 풀다운 테이블에 입력하여, 풀다운시간을 출력하고, 출발시각에서 상기 풀다운시간을 차감하여 가동예약시각을 산출할 수 있어, 차량이 출발하기 전에 적재함 내부의 온도를 목표온도까지 용이하게 하강시킬 수 있는 효과가 있다.
또한, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 차량의 제원, 적재물의 중량 및 적재함 외부의 온도에서 적재함 내부의 온도를 차감한 온도차이 및 목표온도를 입력받아, 학습모델을 이용하여 압축기, 응축기팬 및 증발기팬의 회전속도 및 풀다운시간을 각각 산출하고, 출발시각에서 상기 풀다운시간을 차감하여 가동예약시각을 산출할 수 있어, 적재함 내부의 온도가 목표온도까지 하강하는데 소요되는 시간을 단축할 수 있을 뿐만 아니라, 전력 소비량을 절감할 수 있는 효과가 있다.
도 1은 콜드체인 배송차량의 정면도이다.
도 2는 도 1에 도시된 냉동기의 구성도이다.
도 3은 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 시스템의 구성도이다.
도 4는 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에 대한 순서도이다.
도 5는 펌웨어 기반의 가동예약 방법을 설명하기 위한 블록도이다.
도 6은 펌웨어 기반의 가동예약 방법에 대한 순서도이다.
도 7은 머신러닝 기반의 가동예약 방법을 설명하기 위한 블록도이다.
도 8은 머신러닝 기반의 가동예약 방법에 대한 순서도이다.
도 9는 데이터학습부가 학습모델을 학습시키는 과정에 대한 순서도이다.
도 10은 컨트롤러가 학습모델을 이용하여, 압축기, 응축기팬, 증발기팬의 회전속도 및 풀다운시간을 산출하는 과정에 대한 순서도이다.
도 2는 도 1에 도시된 냉동기의 구성도이다.
도 3은 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 시스템의 구성도이다.
도 4는 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에 대한 순서도이다.
도 5는 펌웨어 기반의 가동예약 방법을 설명하기 위한 블록도이다.
도 6은 펌웨어 기반의 가동예약 방법에 대한 순서도이다.
도 7은 머신러닝 기반의 가동예약 방법을 설명하기 위한 블록도이다.
도 8은 머신러닝 기반의 가동예약 방법에 대한 순서도이다.
도 9는 데이터학습부가 학습모델을 학습시키는 과정에 대한 순서도이다.
도 10은 컨트롤러가 학습모델을 이용하여, 압축기, 응축기팬, 증발기팬의 회전속도 및 풀다운시간을 산출하는 과정에 대한 순서도이다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시예를 첨부한 도면을 참조하여 설명하기로 한다.
그러나, 하기 실시예는 본 발명의 이해를 돕기 위한 일 예에 불과한 것으로 이에 의해 본 발명의 권리범위가 축소되거나 한정되는 것은 아니다. 또한, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
먼저, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에 대해 설명하기로 한다.
도 1은 콜드체인 배송차량의 정면도이고, 도 2는 도 1에 도시된 냉동기의 구성도이다.
도 3은 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 시스템의 구성도이고, 도 4는 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에 대한 순서도이다.
도 1 내지 도 4를 참조하면, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법은 펌웨어 기반의 가동예약 방법 및 머신러닝 기반의 가동예약 방법을 포함하여 구성된다.
먼저, 펌웨어 기반의 가동예약 방법에서는 외부온도 및 목표온도에 따른 풀다운시간을 풀다운 테이블을 통해 도출하고, 해당 풀다운시간에 따라 냉동기(20)를 가동한다.(S100)
여기서, 외부온도는 외부온도센서(T1)에 의해 측정된 적재함(15) 외부의 온도를 의미한다. 이때, 외부온도센서(T1)는 적재함(15)의 외부 일측에 구비되어, 외부온도를 측정한다.
그리고, 목표온도는 사용자가 목표로 하는 적재함(15) 내부의 온도를 의미한다. 그리고, 풀다운시간은 적재함(15) 내부의 온도가 목표온도까지 도달하는데 걸리는 시간을 의미한다.
그리고, 풀다운 테이블은 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량 및 온도편차에 대응하는 풀다운시간을 나타낸 테이블을 의미한다. 그리고, 온도편차는 외부온도에서 목표온도를 차감한 값을 의미한다.
그리고, 머신러닝 기반의 가동예약 방법에서는 머신러닝 알고리즘을 기반으로 외부온도에서 내부온도를 차감한 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 산출하여, 풀다운시간을 도출하고, 해당 풀다운시간에 따라 냉동기(20)를 가동한다.(S200)
여기서, 내부온도는 내부온도센서(T2)에 의해 측정된 적재함(15) 내부의 온도를 의미한다. 이때, 내부온도센서(T2)는 적재함(15)의 내부 일측에 구비되어, 내부온도를 측정한다.
먼저, 펌웨어 기반의 가동예약 방법(S100)은 다음과 같다.
도 5는 펌웨어 기반의 가동예약 방법을 설명하기 위한 블록도이고, 도 6은 펌웨어 기반의 가동예약 방법에 대한 순서도이다.
도 5 내지 도 6을 참조하면, 데이터수집부(36)는 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 수집한다.(S101)
그 이후, 테이블생성부(37)는 수집부에 의해 수집된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 분석하여, 풀다운 테이블을 생성한다.(S102)
여기서, 풀다운 테이블은 차량(10)의 종류 및 톤수, 적재함(15)의 용량 및 온도편차에 대응하는 풀다운시간을 나타낸 테이블을 의미한다. 그리고, 온도편차는 외부온도에서 목표온도를 차감한 값을 의미한다.
한편, 풀다운 테이블에서는 풀다운시간이 각각 적재함(15)의 용량, 적재물의 중량 및 온도편차에 비례하도록 설정될 수 있다.
또한, 풀다운 테이블에서는 풀다운시간에 각각 차량(10)의 종류 및 톤수에 대한 가중치가 부여될 수 있다.
이때, 차량(10)의 종류에 대한 가중치는 차량(10)의 종류에 따라 변경되도록 설정되고, 차량(10)의 톤수에 대한 가중치는 차량(10)의 톤수가 증가함에 따라 증가하도록 설정될 수 있다.
예를 들어, 풀다운 테이블에서는 풀다운시간이 (수학식 1)에 의해 산출될 수 있다.
(수학식 1)
Pt=K1*α1*α2*Vc*Wf*ΔT
여기서, Pt, K1, α1, α2는 각각 풀다운시간, 제1 비례상수, 차량(10)의 종류에 대한 가중치, 차량(10)의 톤수에 대한 가중치를 의미한다. 그리고, Vc, Wf, ΔT은 각각 적재함(15)의 용량, 적재물의 중량 및 온도편차를 의미한다.
그 이후, 입력부(38)는 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리한다.(S103)
여기서, 출발시각은 콜드체인용 배송차량(10)이 목적지로 출발하는 시각을 의미한다.
그리고, 입력부(38)에 의해 입력 처리된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각은 컨트롤러(39)로 각각 전송된다.
그 이후, 외부온도센서(T1)는 외부온도를 측정한다.(S104)
이때, 외부온도센서(T1)에 의해 측정된 외부온도는 컨트롤러(39)로 전송된다.
그 이후, 컨트롤러(39)는 S104단계에서 측정된 외부온도에서 S103단계에서 입력된 목표온도를 차감하여, 온도편차를 산출한다.(S105)
그 이후, 컨트롤러(39)는 S103단계에서 입력된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, S105단계에서 산출된 온도편차를 S102단계에서 생성된 풀다운 테이블에 입력하여, 풀다운시간을 출력한다.(S106)
그 이후, 컨트롤러(39)는 S103단계에서 입력된 출발시각에서 S106단계에서 출력된 풀다운시간을 차감하여, 가동예약시각을 산출한다.(S107)
그 이후, 컨트롤러(39)는 S107단계에서 산출된 가동예약시각에 냉동기(20)가 가동되도록 제어한다.(S108)
한편, 머신러닝 기반의 가동예약 방법(S200)은 다음과 같다.
도 7은 머신러닝 기반의 가동예약 방법을 설명하기 위한 블록도이고, 도 8은 머신러닝 기반의 가동예약 방법에 대한 순서도이다.
도 7 내지 도 8을 참조하면, 데이터수집부(36)는 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 외부온도, 내부온도 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 다수 수집한다.(S201)
그 이후, 데이터가공부(40)는 학습모델(45)이 학습 가능하도록 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 가공한다.(S202)
여기서, 온도차이는 외부온도에서 내부온도를 차감한 값을 의미한다.
구체적으로, 데이터가공부(40)는 최대-최소 정규화(Min-Max Normalization), 표준 정규화(Robust Normalization), 표준화(Standardization) 등의 방법을 이용하여, 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 온도차이 및 목표온도를 기준으로, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 중에서 변동폭이 큰 데이터를 정규화한다.
그 이후, 데이터세트 생성부(41)는 S202단계에서 가공된 데이터를 다수 포함하는 데이터세트를 생성한다.(S203)
그 이후, 데이터처리부(42)는 S203단계에서 생성된 데이터세트를 사전에 설정된 기준 크기로 나누어, 다수의 서버(50)에 분산 저장하고, 상기 분산 저장된 데이터를 태스크 트래커(Task Tracker)를 통해 병렬 처리한다.(S204)
그 이후, 데이터학습부(43)는 분류 알고리즘 및 회귀 알고리즘을 통해 상기 데이터세트를 이용하여 학습모델(45)을 학습시킨다.(S205)
도 9는 데이터학습부가 학습모델을 학습시키는 과정에 대한 순서도이다.
도 9를 참조하면, 데이터학습부(43)는 분류 알고리즘을 통해 외부온도, 내부온도, 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 분류하여, 레이블링한다.(S205-1)
상기 분류 알고리즘에는 서포터 벡터 머신(Support Vector Machine), 의사결정나무(Decision Tree), 로지스틱 회귀(Logistic Regression) 알고리즘 중에서 하나가 사용될 수 있다.
그리고, 데이터학습부(43)는 S205-1단계에서 분류된 데이터를 활용하여 회귀 알고리즘을 통해 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 온도차이 및 목표온도에 따라 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 각각 예측할 수 있도록 학습모델(45)을 학습시킨다.(S205-2)
상기 회귀 알고리즘에는 선형 회귀(Linear Regression) 알고리즘이 사용될 수 있다.
한편, 회귀 알고리즘에서는 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도가 각각 적재함(15)의 용량, 적재물의 중량, 온도차이 및 목표온도의 절댓값에 비례하도록 설정될 수 있다.
그리고, 회귀 알고리즘에서는 차량(10)의 종류 및 톤수에 따라 압축기(22), 응축기팬(24) 및 증발기(25)의 회전속도에 각각 차량(10)의 종류 및 톤수에 대한 가중치가 부여될 수 있다.
이때, 차량(10)의 종류에 대한 가중치는 차량(10)의 종류에 따라 변경되도록 설정되고, 차량(10)의 톤수에 대한 가중치도 차량(10)의 톤수가 증가함에 따라 증가하도록 설정된다.
예를 들어, 회귀 알고리즘에서는 압축기(22), 응축기팬(24), 증발기팬(28)의 회전속도가 각각 (수학식 2), (수학식 3) 및 (수학식 4)에 의해 산출될 수 있다.
(수학식 2)
Rc=K2*α1*α2*Vc*Wf*ΔTs
(수학식 3)
Rcp=K3*α1*α2*Vc*Wf*ΔTs
(수학식 4)
Rv=K4*α1*α2*Vc*Wf*ΔTs
여기서, Rc, K1, α1, α2는 각각 압축기(22)의 회전속도, 제2 비례상수, 차량(10)의 종류에 대한 가중치, 차량(10)의 톤수에 대한 가중치를 의미한다. 그리고, Vc, Wf, ΔTs는 각각 적재함(15)의 용량, 적재물의 중량 및 온도차이를 의미한다.
그리고, Rcp, Rv, K3 및 K4는 각각 응축기팬(24)의 회전속도, 증발기팬(28)의 회전속도, 제3 비례상수 및 제4 비례상수를 의미한다.
그리고, 데이터학습부(43)는 S205-2단계에서 예측된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 따라 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 풀다운시간을 예측할 수 있도록 학습모델(45)을 학습시킨다.(S205-3)
그 이후, 컨트롤러(39)는 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도, 내부온도 및 목표온도를 입력받아, 학습모델(45)을 이용하여 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 및 풀다운시간을 각각 산출한다.(S206)
도 10은 컨트롤러가 학습모델을 이용하여 압축기, 응축기팬, 증발기팬의 회전속도 및 풀다운시간을 산출하는 과정에 대한 순서도이다.
도 10을 참조하면, 입력부(38)는 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리한다.(S206-1)
이때, 입력부(38)에 의해 입력처리된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각은 각각 컨트롤러(39)로 전송된다.
그 이후, 외부온도센서(T1)는 외부온도를 측정한다.(S206-2)
그 이후, 내부온도센서(T2)는 내부온도를 측정한다.(S206-3)
이때, 외부온도센서(T1)에 의해 측정된 외부온도 및 내부온도센서(T2)에 의해 측정된 내부온도는 각각 컨트롤러(39)로 전송된다.
그 이후, 컨트롤러(39)는 S206-2단계에서 측정된 외부온도에서 S206-3단계에서 측정된 내부온도를 차감한 온도차이를 산출한다.(S206-4)
그 이후, 컨트롤러(39)는 학습모델(45)을 이용하여 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 온도차이 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 각각 산출한다.(S206-5)
그 이후, 컨트롤러(39)는 학습모델(45)을 이용하여 S206-5단계에서 산출된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 따라 풀다운시간을 산출한다.(S206-6)
그 이후, 컨트롤러(39)는 S206단계에서 입력받은 출발시각에서 S206단계에서 산출된 풀다운시간을 차감하여, 냉동기(20)의 가동예약시각을 산출한다.(S207)
그 이후, 컨트롤러(39)는 S207단계에서 산출된 가동예약시각에 냉동기(20)가 가동을 시작하도록 제어한다.(S208)
그 이후, 컨트롤러(39)는 S207단계에서 산출된 가동예약시각에 압축기(22), 응축기팬(24) 및 증발기팬(28)이 각각 상기 S206단계에서 산출된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도로 각각 가동되도록 제어한다.(S209)
본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 콜드체인용 배송차량(10)이 출발하기 전에 냉동기(20)를 사전에 가동하여, 적재함(15) 내부의 온도를 목표온도까지 하강시킬 수 있는 효과가 있다.
또한, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 냉동기(20) 가동 시, 외부온도의 변화에 따라 압축기(22), 응축기팬(24), 증발기팬(28)의 회전속도를 변경시킬 수 있어, 상기 콜드체인용 배송차량(10)이 출발하기 전에 적재함(15) 내부의 온도가 목표온도까지 하강할 수 있도록 쉽게 제어할 수 있는 효과가 있다.
또한, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 차량(10)의 제원, 적재물의 중량 및 적재함(15) 외부의 온도에서 목표온도를 차감한 온도편차를 풀다운 테이블에 입력하여, 풀다운시간을 출력하고, 출발시각에서 상기 풀다운시간을 차감하여 가동예약시각을 산출할 수 있어, 차량(10)이 출발하기 전에 적재함(15) 내부의 온도를 목표온도까지 용이하게 하강시킬 수 있는 효과가 있다.
또한, 본 발명에 의한 콜드체인용 배송차량의 냉동기 가동예약 방법에서는 차량(10)의 제원, 적재물의 중량 및 적재함(15) 외부의 온도에서 적재함(15) 내부의 온도를 차감한 온도차이 및 목표온도를 입력받아, 학습모델(45)을 이용하여 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 및 풀다운시간을 각각 산출하고, 출발시각에서 상기 풀다운시간을 차감하여 가동예약시각을 산출할 수 있어, 적재함(15) 내부의 온도가 목표온도까지 하강하는데 소요되는 시간을 단축할 수 있을 뿐만 아니라, 전력 소비량을 절감할 수 있는 효과가 있다.
이상과 같이 본 발명은 콜드체인용 배송차량의 냉동기 가동예약 방법을 제공하고자 하는 것을 주요한 기술적 사상으로 하고 있으며, 도면을 참고하여 상술한 실시예는 단지 하나의 실시예에 불과하고, 본 발명의 진정한 권리 범위는 특허 청구범위를 기준으로 하되, 다양하게 존재할 수 있는 균등한 실시예에도 미친다 할 것이다.
10: 차량 15: 적재함
20: 냉동기 21: 응축기
22: 압축기 23: 응축기코일
24: 응축기팬 25: 증발기
26: 팽창밸브 27: 증발기코일
28: 증발기팬 30: 가동예약 시스템
35: 컨트롤모듈 36: 데이터수집부
37: 테이블생성부 38: 입력부
39: 컨트롤러 40: 데이터가공부
41: 데이터세트 생성부 42: 데이터처리부
43: 데이터학습부 45: 학습모델
50: 서버 T1: 외부온도센서
T2: 내부온도센서
20: 냉동기 21: 응축기
22: 압축기 23: 응축기코일
24: 응축기팬 25: 증발기
26: 팽창밸브 27: 증발기코일
28: 증발기팬 30: 가동예약 시스템
35: 컨트롤모듈 36: 데이터수집부
37: 테이블생성부 38: 입력부
39: 컨트롤러 40: 데이터가공부
41: 데이터세트 생성부 42: 데이터처리부
43: 데이터학습부 45: 학습모델
50: 서버 T1: 외부온도센서
T2: 내부온도센서
Claims (7)
- 외부온도 및 목표온도에 따른 풀다운시간을 풀다운 테이블을 통해 도출하고, 상기 풀다운시간에 따라 냉동기(20)를 가동하는 펌웨어 기반의 가동예약 방법; 및 머신러닝 알고리즘을 기반으로 외부온도에서 내부온도를 차감한 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 산출하여, 풀다운시간을 도출하고, 상기 풀다운시간에 따라 상기 냉동기(20)를 가동하는 머신러닝 기반의 가동예약 방법;을 포함하는 콜드체인용 배송차량의 냉동기 가동예약 방법에 있어서,
상기 펌웨어 기반의 가동예약 방법은
데이터수집부(36)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 수집하는 제 1-1단계;
테이블생성부(37)가 상기 제 1-1단계에서 수집된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도 및 목표온도에 대응하는 풀다운시간 데이터를 다수 분석하여, 풀다운 테이블을 생성하는 제 1-2단계;
입력부(38)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리하는 제 1-3단계;
외부온도센서(T1)가 외부온도를 측정하는 제 1-4단계;
컨트롤러(39)가 상기 제 1-4단계에서 측정된 외부온도에서 상기 제 1-3단계에서 입력된 목표온도를 차감하여, 온도편차를 산출하는 제 1-5단계;
상기 컨트롤러(39)가 상기 제 1-3단계에서 입력된 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량 및 상기 제 1-5단계에서 산출된 온도편차를 상기 제 1-2단계에서 생성된 풀다운 테이블에 입력하여, 풀다운시간을 출력하는 제 1-6단계;
상기 컨트롤러(39)가 상기 제 1-3단계에서 입력된 출발시각에서 상기 제 1-6단계에서 출력된 풀다운시간을 차감하여, 가동예약시각을 산출하는 제 1-7단계; 및
상기 컨트롤러(39)가 제 1-7단계에서 산출된 가동예약시각에 상기 냉동기(20)가 가동되도록 제어하는 제 1-8단계;를 포함하고,
상기 풀다운 테이블에서는
상기 풀다운시간이 각각 적재함(15)의 용량, 적재물의 중량 및 온도편차에 비례하도록 설정되고, 상기 풀다운시간에 각각 차량(10)의 종류 및 톤수에 대한 가중치가 부여되고,
상기 차량(10)의 종류에 대한 가중치는
차량(10)의 종류에 따라 변경되도록 설정되고,
상기 차량(10)의 톤수에 대한 가중치는
차량(10)의 톤수가 증가함에 따라 증가하도록 설정되고,
상기 머신러닝 기반의 가동예약 방법은
상기 데이터수집부(36)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 외부온도, 내부온도 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 다수 수집하는 제 2-1단계;
데이터가공부(40)가 학습모델(45)이 학습 가능하도록 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 온도차이 및 목표온도에 따라, 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 가공하는 제 2-2단계;
데이터세트 생성부(41)가 상기 제 2-2단계에서 가공된 데이터를 다수 포함하는 데이터세트를 생성하는 제 2-3단계;
데이터처리부(42)가 상기 제 2-3단계에서 생성된 데이터세트를 사전에 설정된 기준 크기로 나누어, 다수의 서버(50)에 분산 저장하고, 상기 분산 저장된 데이터를 태스크 트래커를 통해 병렬 처리하는 제 2-4단계;
데이터학습부(43)가 분류 알고리즘 및 회귀 알고리즘을 통해 상기 제 2-4단계에서 분산 저장된 데이터세트를 이용하여 상기 학습모델(45)을 학습시키는 제 2-5단계;
상기 컨트롤러(39)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 외부온도, 내부온도, 목표온도 및 출발시각을 입력받아, 상기 학습모델(45)을 이용하여 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 및 풀다운시간을 각각 산출하는 제 2-6단계;
상기 컨트롤러(39)가 상기 제 2-6단계에서 입력받은 출발시각에서 상기 제 2-6단계에서 산출된 풀다운시간을 차감하여, 가동예약시각을 산출하는 제 2-7단계;
상기 컨트롤러(39)가 상기 제 2-7단계에서 산출된 가동예약시각에 상기 냉동기(20)가 가동을 시작하도록 제어하는 제 2-8단계; 및
상기 컨트롤러(39)가 상기 제 2-7단계에서 산출된 가동예약시각에 압축기(22), 응축기팬(24) 및 증발기팬(28)이 각각 상기 제 2-6단계에서 산출된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도로 각각 가동되도록 제어하는 제 2-9단계;를 포함하고,
상기 회귀 알고리즘에서는
압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도가 각각 적재함(15)의 용량, 적재물의 중량, 온도차이 및 목표온도의 절댓값에 비례하도록 설정되고,
상기 회귀 알고리즘에서는
상기 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 각각 차량(10)의 종류 및 톤수에 대한 가중치가 부여되고,
상기 차량(10)의 종류에 대한 가중치는
차량(10)의 종류에 따라 변경되도록 설정되고,
상기 차량(10)의 톤수에 대한 가중치는
차량(10)의 톤수가 증가함에 따라 증가하도록 설정되고,
상기 회귀 알고리즘에서는
상기 압축기(22), 응축기팬(24), 증발기팬(28)의 회전속도가 각각 (수학식 2) Rc=K2*α1*α2*Vc*Wf*ΔTs, (수학식 3) Rcp=K3*α1*α2*Vc*Wf*ΔTs 및 (수학식 4) Rv=K4*α1*α2*Vc*Wf*ΔTs에 의해 산출되고,
상기 Rc, K2, α1, α2는
각각 압축기(22)의 회전속도, 제2 비례상수, 차량(10)의 종류에 대한 가중치, 차량(10)의 톤수에 대한 가중치이고,
상기 Vc, Wf, ΔTs는
각각 적재함(15)의 용량, 적재물의 중량 및 온도차이이고,
상기 Rcp, Rv, K3 및 K4는
각각 응축기팬(24)의 회전속도, 증발기팬(28)의 회전속도, 제3 비례상수 및 제4 비례상수인 것을 특징으로 하는 콜드체인용 배송차량의 냉동기 가동예약 방법. - 제 1항에 있어서,
상기 외부온도는
상기 외부온도센서(T1)에 의해 측정된 적재함(15) 외부의 온도이고,
상기 목표온도는
사용자가 목표로 하는 적재함(15) 내부의 온도이고,
상기 풀다운시간은
적재함(15) 내부의 온도가 목표온도까지 도달하는데 걸리는 시간이고,
상기 내부온도는
내부온도센서(T2)에 의해 측정된 적재함(15) 내부의 온도이고,
상기 풀다운 테이블은
차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량 및 온도편차에 따른 풀다운시간을 나타낸 테이블이고,
상기 출발시각은
상기 콜드체인용 배송차량이 목적지로 출발하는 시각인 것을 특징으로 하는 콜드체인용 배송차량의 냉동기 가동예약 방법. - 삭제
- 삭제
- 제 1항에 있어서,
상기 제 2-5단계는
상기 데이터학습부(43)가 상기 분류 알고리즘을 통해 외부온도, 내부온도 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도 데이터를 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 분류하여, 레이블링하는 제 2-5-1단계;
상기 데이터학습부(43)가 상기 제 2-5-1단계에서 분류된 데이터를 활용하여 상기 회귀 알고리즘을 통해 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 적재물의 중량, 온도차이 및 목표온도에 따라 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 각각 예측할 수 있도록 상기 학습모델(45)을 학습시키는 제 2-5-2단계; 및
상기 데이터학습부(43)가 상기 제 2-5-2단계에서 예측된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 따라 차량(10)의 종류 및 톤수, 적재함(15)의 용량별로 풀다운시간을 예측할 수 있도록 상기 학습모델(45)을 학습시키는 제 2-5-3단계;를 포함하는 것을 특징으로 하는 콜드체인용 배송차량의 냉동기 가동예약 방법. - 제 1항에 있어서,
상기 제 2-6단계는
상기 입력부(38)가 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 목표온도 및 출발시각을 입력 처리하는 제 2-6-1단계;
상기 외부온도센서(T1)가 외부온도를 측정하는 제 2-6-2단계;
내부온도센서(T2)가 내부온도를 측정하는 제 2-6-3단계;
상기 컨트롤러(39)가 상기 제 2-6-2단계에서 측정된 외부온도에서 상기 제 2-6-3단계에서 측정된 내부온도를 차감한 온도차이를 산출하는 제 2-6-4단계;
상기 컨트롤러(39)가 상기 학습모델(45)을 이용하여 차량(10)의 종류 및 톤수, 적재함(15)의 용량, 적재물의 중량, 온도차이 및 목표온도에 따른 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도를 각각 산출하는 제 2-6-5단계; 및
상기 컨트롤러(39)가 상기 학습모델(45)을 이용하여 상기 제 2-6-5단계에서 산출된 압축기(22), 응축기팬(24) 및 증발기팬(28)의 회전속도에 따라 풀다운시간을 산출하는 제 2-6-6단계;를 포함하는 것을 특징으로 하는 콜드체인용 배송차량의 냉동기 가동예약 방법. - 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220093301A KR102471478B1 (ko) | 2022-07-27 | 2022-07-27 | 콜드체인용 배송차량의 냉동기 가동예약 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220093301A KR102471478B1 (ko) | 2022-07-27 | 2022-07-27 | 콜드체인용 배송차량의 냉동기 가동예약 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102471478B1 true KR102471478B1 (ko) | 2022-11-28 |
Family
ID=84237004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220093301A KR102471478B1 (ko) | 2022-07-27 | 2022-07-27 | 콜드체인용 배송차량의 냉동기 가동예약 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102471478B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117663587A (zh) * | 2023-11-21 | 2024-03-08 | 广东星星制冷设备有限公司 | 基于冷链运输物流的冷藏柜故障检测方法、***及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002127809A (ja) * | 2000-10-26 | 2002-05-09 | Isuzu Motors Ltd | 冷凍・冷蔵車 |
JP2005082088A (ja) * | 2003-09-10 | 2005-03-31 | Hitachi Ltd | 空調制御システム |
KR20150045690A (ko) * | 2013-10-21 | 2015-04-29 | 이창흠 | 상변화 물질을 이용한 냉동탑차용 냉난방시스템 |
KR20150076623A (ko) * | 2013-12-27 | 2015-07-07 | 한라비스테온공조 주식회사 | 차량용 공조장치의 제어방법 |
KR20160136129A (ko) * | 2015-05-19 | 2016-11-29 | (주) 솔텍시스템 | 냉난방 제어 장치, 냉난방 장치의 온도 제어 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN107826027A (zh) * | 2017-09-21 | 2018-03-23 | 山东大学 | 基于大数据分析的冷藏车温度控制方法和*** |
KR101876721B1 (ko) * | 2018-03-12 | 2018-08-09 | 주식회사 쓰리에스테크 | 온도관리물류(콜드체인) 솔루션을 추천하는 방법, 장치 및 컴퓨터 프로그램 |
KR20200083878A (ko) | 2018-12-31 | 2020-07-09 | (주) 삼진야드 | 냉동탑차의 전기구동식 냉각시스템 |
KR20220028662A (ko) * | 2020-08-31 | 2022-03-08 | 네오시스템즈(주) | 딥러닝을 이용한 콜드체인 관리 방법 |
KR20220043414A (ko) * | 2020-09-29 | 2022-04-05 | (주)에디슨테크 | 차량 탑재형 냉각시스템의 가동시간 추정 장치 |
-
2022
- 2022-07-27 KR KR1020220093301A patent/KR102471478B1/ko active IP Right Grant
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002127809A (ja) * | 2000-10-26 | 2002-05-09 | Isuzu Motors Ltd | 冷凍・冷蔵車 |
JP2005082088A (ja) * | 2003-09-10 | 2005-03-31 | Hitachi Ltd | 空調制御システム |
KR20150045690A (ko) * | 2013-10-21 | 2015-04-29 | 이창흠 | 상변화 물질을 이용한 냉동탑차용 냉난방시스템 |
KR20150076623A (ko) * | 2013-12-27 | 2015-07-07 | 한라비스테온공조 주식회사 | 차량용 공조장치의 제어방법 |
KR20160136129A (ko) * | 2015-05-19 | 2016-11-29 | (주) 솔텍시스템 | 냉난방 제어 장치, 냉난방 장치의 온도 제어 방법 및 컴퓨터 판독 가능한 기록 매체 |
CN107826027A (zh) * | 2017-09-21 | 2018-03-23 | 山东大学 | 基于大数据分析的冷藏车温度控制方法和*** |
KR101876721B1 (ko) * | 2018-03-12 | 2018-08-09 | 주식회사 쓰리에스테크 | 온도관리물류(콜드체인) 솔루션을 추천하는 방법, 장치 및 컴퓨터 프로그램 |
KR20200083878A (ko) | 2018-12-31 | 2020-07-09 | (주) 삼진야드 | 냉동탑차의 전기구동식 냉각시스템 |
KR20220028662A (ko) * | 2020-08-31 | 2022-03-08 | 네오시스템즈(주) | 딥러닝을 이용한 콜드체인 관리 방법 |
KR20220043414A (ko) * | 2020-09-29 | 2022-04-05 | (주)에디슨테크 | 차량 탑재형 냉각시스템의 가동시간 추정 장치 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117663587A (zh) * | 2023-11-21 | 2024-03-08 | 广东星星制冷设备有限公司 | 基于冷链运输物流的冷藏柜故障检测方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237989B (zh) | 一种基于负荷预测的楼宇通风空调控制方法及装置 | |
KR102471478B1 (ko) | 콜드체인용 배송차량의 냉동기 가동예약 방법 | |
CN111328401B (zh) | 用于在计算单元中进行机器学习的方法和设备 | |
EP1802925A1 (en) | A model prediction controlled refrigeration system | |
EP2377223B1 (en) | Power saving system and method | |
US11506413B2 (en) | Method and controller for controlling a chiller plant for a building and chiller plant | |
JP6012868B2 (ja) | 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム | |
Dullinger et al. | A general approach for mixed-integer predictive control of HVAC systems using MILP | |
CN103503263B (zh) | 机器设备的需求控制装置 | |
US6619061B2 (en) | Self-tuning pull-down fuzzy logic temperature control for refrigeration systems | |
US11104233B2 (en) | Method for determining predicted acceleration information in an electric vehicle and such an electric vehicle | |
RU2709367C2 (ru) | Способ выбора режима работы гибридного транспортного средства | |
Lu et al. | Using cooling load forecast as the optimal operation scheme for a large multi-chiller system | |
US10953891B2 (en) | Method and system for providing an optimized control of a complex dynamical system | |
CN109140660A (zh) | 用于空调的智能控温装置方法及装置、空调、存储介质 | |
KR102474936B1 (ko) | Ai 기반의 복합제어센서를 활용한 자율제어 통합빌딩 시스템 | |
Junyou et al. | Application of support vector machine in bus travel time prediction | |
CN110425687B (zh) | 一种冷媒调节方法、冷媒调节控制器以及空调*** | |
CN116880612A (zh) | 用于冷链运输的温度控制方法、***及电子设备 | |
WO2022215418A1 (ja) | 冷凍倉庫の管理システムおよび管理方法、並びにプログラム | |
US20200342468A1 (en) | Method for forecasting power consumption | |
CN114636212A (zh) | 一种基于grnn的多台冷水机组***运行控制方法 | |
JP3115082B2 (ja) | 熱源機器の運転制御装置 | |
CN113479032A (zh) | 驻车空调控制方法及*** | |
JP2802469B2 (ja) | 状態予測装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |