KR20210132654A - 체적 유량 및 압력을 센서없이 확인하는 방법 및 장치 - Google Patents
체적 유량 및 압력을 센서없이 확인하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20210132654A KR20210132654A KR1020217025417A KR20217025417A KR20210132654A KR 20210132654 A KR20210132654 A KR 20210132654A KR 1020217025417 A KR1020217025417 A KR 1020217025417A KR 20217025417 A KR20217025417 A KR 20217025417A KR 20210132654 A KR20210132654 A KR 20210132654A
- Authority
- KR
- South Korea
- Prior art keywords
- output
- input
- neuron
- neural network
- intermediate layer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000009423 ventilation Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 230000004913 activation Effects 0.000 claims description 22
- 210000002364 input neuron Anatomy 0.000 claims description 10
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 4
- 238000000053 physical method Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012790 confirmation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- F24F11/70—Control systems characterised by their outputs; Constructional details thereof
- F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
- F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
- F24F11/77—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity by controlling the speed of ventilators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
-
- 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
- F24F11/0001—Control or safety arrangements for ventilation
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2614—HVAC, heating, ventillation, climate control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Ventilation (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은 압력 또는 체적 유량 센서의 사용 없이 환기 장치의 지정된 공칭의 체적 유량 세기 또는 공칭의 압력을 달성 및 유지하기 위해 특정 동작 지점으로 바람직하게는 특정 환기 장치의 EC 모터에 의해 동작되는 환풍기를 제어하기 위한 체적 유량 또는 압력을 확인하는 방법에 관한 것으로, 환기 장치에서 체적 유량에 직접 또는 간접 영향을 미치는 i개수의 입력 파라미터들을 처리하기 위해 하나 이상의 레이어들에서 n개의 인공 뉴런들의 연결이 제공되고 적어도 하나의 진입 레이어(Pi)가 제공된다.
Description
본 발명은 EC 모터에 의해 동작되는 환기 장치 팬을 조절하기 위한 체적 유량 또는 압력을 센서없이 확인하는 방법 및 장치에 관한 것이다.
환기 시스템이 있는 건물 및 시설에서 신선한 공기를 공급하고 사용한 공기를 배출하기 위해, 일반적으로 환기 도관이 있는 환기 장치와 공기 흐름을 위한 공기 덕트를 사용해야 한다. 공급 공기 또는 배기 공기는 가능한 한 일정하게 필요한 체적 유량을 달성하기 위해 환기 시스템의 하나 이상의 팬들에 의해 이동되는 공기 흐름으로 전달된다.
덕트 길이, 덕트 직경, 덕트 재료 및 공기 유출구 설계와 같은 환기 시스템의 다른 부분들의 설계는 환기 장치의 제조업체에 의해 매우 개별적으로 결정된다. 이러한 설계 특징과 애플리케이션의 영향 요인은 일반적으로 환기 장치에 사용되는 팬의 제조업체에 알려져 있지 않다.
환기 시스템은 개별 조건들에 기초하여 가능한 한 최적으로 설계되어야 한다. 그런 다음, 이론적이며, 단순히 계산되고 필요한 체적 유량이 실제 동작에서 유지되어야 한다. 특히, 이들은 사전에 계산된 값들에서 벗어나지 않아야 하며, 가능하면 거의 변동이 없어야 한다.
제DE 10 2011 106 962 A1호는 일정한 양의 공기를 공급하기 위해 모터 전류의 실제/타겟 비교를 사용하여 모터를 제어하는 모터 및 관련 제어 유닛이 있는 환기 시스템용 송풍기를 개시했다.
제DE 10 2008 057 870 A1호는 송풍기의 모터를 제어하여 속도에 따라 소모되는 전력량과 원하는 전력 사이의 가능한 최소 갭을 달성하는 환기 장치의 제어 유닛을 개시한다.
제DE 10 2004 060 206 B3호는 정류기 공급 압축기를 순간 특성 곡선의 함수로 동작시키는 방법을 설명하며, 제DE 10 2005 045 137 A1호는 미리 결정된 일정한 풍량 또는 동작 압력으로 팬 장치를 동작시키는 방법을 설명한다. 팬 장치는 팬 임펠러를 구동하기 위한 전기 모터를 가지고, 모터 제어 유닛도 가지며; 모터 제어 유닛은 특성 곡선을 기반으로 동작 지점에 대한 모터 전압을 결정한다.
팬에는 어떠한 제어 영향도 없는 동작을 설명하는, 이른바 팬 특성이 있는 것으로도 알려져 있다. 환기 시스템의 계획 시, 환기 장치의 원하는 타겟 체적 유량은 특정 응용 분야의 다양한 파라미터들을 기반으로 계산된다. 체적 유량이 타겟 아래로 떨어지면, 공기가 너무 적게 공급된다. 따라서, 각각의 동작 범위에서 가능한 한 가파른 팬 특성을 갖는 팬들을 생산하는 것이 바람직하다. 즉, 상승하는 배압의 존재 시 가능한 한 오랫동안 일정한 체적 유량을 유지할 수 있다.
환기 장치들의 팬들에 소위 EC 모터들을 장착하는 것은 또한 선행 기술로부터 이미 잘 알려져 있다. 브러시리스 DC 모터들은 EC 모터들이라고도 한다. 이들의 모터 권선은 예를 들어, 로터 상의 영구 자석의 위치의 함수에 따라 활성화된다. 이러한 방식으로, 로터에 사실상 이상적인 방식으로 존재하는 자기장이 생성되며, 이는 EC 모터의 고효율을 가능하게 한다. 그러나, 이러한 유형의 활성화를 위해서는, 고정자에 대한 로터의 위치를 알아야 한다. 이는 예를 들어, 홀 센서 및 자석에 의해 본질적으로 알려진 다양한 방식들로 달성될 수 있다. 다른 모터들과 비교하여, 상당한 전력 소모의 절감은 EC 모터를 사용하여 달성될 수 있다. EC 모터들에는 종종 내부 제어 기능이 있지만, EC 모터의 전력 소모를 거의 일정하게 유지만 한다. 환기 기술에 사용될 시, EC 모터의 팬 특성이 불리하다. 프리 블로잉(free-blowing) 모드의 체적 유량 세기에서 시작하여, EC 모터로 동작되는 팬들의 체적 유량은 배압이 증가함에 따라 지속적으로 감소한다. 따라서, 팬 특성은 "원하는" 경사도가 부족하다.
따라서, 환기 장치에서 EC 모터를 사용하여 다양한 배압이 있을 때 체적 유량을 가능한 한 일정하게 유지하기 위해 보다 정교한 제어 유닛을 제공하는 것으로 알려져 있다. 센서들을 사용하여 센서 데이터를 측정하고 이들을 기반으로 배압이 변함에 따라 팬의 속도를 선택적으로 변경하여 미리 결정된 타겟 체적 유량 또는 타겟 압력을 유지하는 것이 일반적이다.
대안적 또는 추가적인 체적 유량 센서들을 사용하는 것도 선행 기술로부터 알려져 있다. 그러나, 이러한 센서들의 사용은 기술 비용이 많이 드는 단점이 있는데, 특히 일반적인 환기 응용 분야에서는 대기압에 비해 매우 낮은 배압 값들이 발생하고 따라서 압력 또는 체적 유량에 대해 매우 민감한 센서들을 사용해야 하기 때문이다. 따라서, 센서들의 사용은 비싸고 복잡할뿐만 아니라, 센서 고장, 센서 오염 등과 같은 다른 단점들도 있다.
추가로, 정밀하게 제어되어야 하는 체적 유량의 경우, 예를 들어, 실험실 애플리케이션들에서는, 체적 유량을 측정하기 위해 추가 센서들을 사용해야 한다. 예를 들어, 열 센서들은 냉각이 필요한 컴포넌트들에 장착된다. 온도가 상승하면, 이 경우 체적 유량이나 압력에 대한 정확한 영향을 알지 못해도 팬의 속도가 증가된다.
따라서, 미리 결정된 타겟 체적 유량 세기 또는 타겟 압력을 달성하고 유지하기 위해, 특정 체적 유량 및/또는 동작 지점에서 EC 모터에 의해 동작되는 환기 장치 팬의 센서없는 조절을 위한 기술적 솔루션 또는 방법을 달성하는 것이 바람직하다.
따라서, 본 발명의 목적은 종래 기술에서 상기 언급된 단점들을 극복하고 특정 체적 유량, 압력 및/또는 동작 지점에서 EC 모터에 의해 동작되는 환기 장치 팬의 센서없는 조절을 위한 간단하고 저렴한 달성 가능한 솔루션을 제안하는 것이다.
이 목적은 청구항 1에 따른 특징 조합에 의해 달성된다.
본 발명의 기본 개념은 인공 신경망의 순차 학습과 관련이 있다; 그런 다음, 트레이닝된 신경망은 입력 파라미터들을 기반으로 각각의 현재 체적 유량 또는 현재 압력을 결정할 수 있다. 충분한 트레이닝 과정 후, 신경망이 완전히 트레이닝되면, 이 팬 유형에 대한 체적 유량 및/또는 압력을 결정하고 동작 동안 이들을 제어하는 것이 가능하다.
따라서, 체적 유량(또는 압력)이 결정되는 관련 파라미터들은 신경망의 입력 값들을 구성한다. 관련 파라미터들은 체적 유량에 물리적 영향을 미치는 그러한 파라미터들이다. 이러한 파라미터들은 예를 들어 코일 전류 - 또는 측정될 수 없는 경우, 팬 EC 모터의 중간 회로에 흐르는 전류, 팬의 속도 및 모터의 현재 여기 정도이다. 신경망이 변동하는 입력 전압이나 중간 회로 전압이나 다른 온도에서도 체적 유량 또는 압력을 결정해야 하는 경우, 네트워크 입력 전압과 현재 온도도 입력 파라미터들로 사용된다. 체적 유량이 현재 기압과 독립적으로 결정되어야 하는 경우, 이는 입력 변수로도 사용될 수 있다. 입력 파라미터들의 수는 인공 신경망의 입력 뉴런의 수를 나타낸다.
본 발명에 따르면, 압력 센서 또는 체적 유량 센서를 사용하지 않고 환기 장치의 미리 결정된 타겟 체적 유량 세기(또는 압력)를 달성 및 유지하기 위해 특정 동작 지점에서 EC 모터에 의해 바람직하게 동작되는 특정 환기 장치 팬을 조절하기 위한 체적 유량 또는 압력을 확인하는 방법이 개발되었다; 체적 유량은 환기 장치의 체적 유량에 직접 또는 간접 영향을 미치는 i개수의 입력 파라미터들을 처리하기 위해 하나 이상의 레이어들에서 n개의 인공 뉴런들의 연접이 제공되고 적어도 하나의 입력 레이어(Pi)가 제공되는 여러 학습 단계들로 구성된 순차적 학습 프로세스를 기반으로 하는 인공 신경망을 통해 결정된다.
먼저 전체 동작 범위에 걸쳐 팬의 물리적 변수들에 대한 실제 측정 데이터의 양이 검출될 경우 특히 유리하다; 측정 데이터는 적어도 i개의 입력 파라미터들이 출력 파라미터 또는 결정될 파라미터들을 포함하고, 그런 다음 인공 신경망은 여러 변수들이 있는 미리 결정된 알고리즘을 기반으로 이러한 입력 및 출력 파라미터들로 트레이닝되며, 알고리즘의 변수들은 신경망의 출력이 가능한 한 측정된 데이터에 점점 더 많이 대응하도록 신경망의 각 계산 시퀀스에서 결정된다.
또한 인공 신경망이 피드포워드 네트워크로 구성되어 있고, 특히 인공 신경망이 입력 레이어(Pi), 활성화 함수(fz)를 갖는 적어도 하나의 중간 레이어(Z) 및 활성화 함수(fo)를 갖는 출력 레이어(A)를 갖는 경우 유리하다.
본 발명의 특히 유리한 실시예에서, 중간 레이어(Z)는 선택 가능한 수(N)의 뉴런들을 가지며, 수(N)은 입력 값들의 수와 원하는 정도의 확인 정밀도의 함수로서 선택 가능하다.
중간 레이어(Z)의 각 뉴런이 활성화 함수(fz)를 통해 출력 레이어(A)에 그 상태를 출력하는 경우에도 유리하다.
본 발명의 마찬가지로 유리한 실시예에서, 활성화 함수(fz)는 바람직하게는 다음과 같은 쌍곡 탄젠트 함수를 사용한다:
여기서,
출력j는 중간 레이어의 j번째 뉴런의 출력이다.
fz는 중간 레이어(Z)의 활성화 함수이다.
wjk는 중간 레이어의 j번째 뉴런에 대한 k번째 입력 뉴런의 가중치이다.
bj는 중간 레이어의 j번째 뉴런의 바이어스이다.
i는 입력 뉴런들의 수이다.
출력 레이어(A)가 하나 또는 두 개의 뉴런들로 구성되어 있고, 선형 함수가 출력 뉴런의 활성화 함수로 사용되는 경우에도 유리하다.
여기서,
A는 뉴런의 출력이다.
fo는 출력 레이어의 활성화 함수이다.
qk는 출력 뉴런에 대한 중간 레이어(Z)의 k번째 뉴런의 가중치이다.
bo는 출력 뉴런의 바이어스이다.
N는 중간 레이어의 뉴런들의 수이다.
이 경우, 신경망에 의해 결정된 출력 뉴런들이 미리 결정된 최대 허용 편차보다 작은 편차를 가진 실제 측정된 체적 유량 및/또는 압력에 해당하는 체적 유량 및/또는 압력을 나타낼 때까지 신경망을 트레이닝시키기 위해 파라미터들(bj, wjk, qk 및 bo)이 각 계산 시퀀스에서 점진적으로 적응되는 경우 유리하다. 즉, 신경망은 그런 다음 충분한 정밀도로 원하는 변수들을 센서없이 확인하기 위해 충분히 트레이닝된다.
본 발명의 또 다른 양태는 상기에 설명된 종류의 방법을 수행하기 위한 장치에 관한 것이다. 이 장치는 환기 장치의 팬, 입력 및 출력 파라미터들을 검출하기 위한 다수의 센서들, 센서들에 의해 검출된 물리적 측정 데이터를 기반으로 입력 및 출력 파라미터들을 결정하기 위한 측정 장치, 및 미리 결정된 토폴로지의 인공 신경망을 갖는 데이터 처리 유닛이 장착되어 있으며; 데이터 처리 유닛은 검출된 입력 파라미터들을 적어도 입력 레이어로 전송하기 위한 적어도 하나의 인터페이스를 갖는다. 출력 파라미터들은 데이터 전송 유닛으로 전송된다.
본 발명의 다른 유리한 변형들은 종속항들에 개시되며, 도면들에 기초한 본 발명의 바람직한 실시예의 설명과 함께 아래에서 더 상세히 제시될 것이다.
도면들에서,
도 1은 인공 신경망 구현의 개략적인 개념도를 도시한다.
도 2는 제1 예시적인 실시예에서 체적 유량의 확인에 있어서의 상대적 오차를 나타내는 오차 곡선이다.
도 3은 대안적인 예시적인 실시예에서 체적 유량의 확인에 있어서의 상대적 오차를 나타내는 오차 곡선이다.
도 1은 인공 신경망 구현의 개략적인 개념도를 도시한다.
도 2는 제1 예시적인 실시예에서 체적 유량의 확인에 있어서의 상대적 오차를 나타내는 오차 곡선이다.
도 3은 대안적인 예시적인 실시예에서 체적 유량의 확인에 있어서의 상대적 오차를 나타내는 오차 곡선이다.
이하에서, 본 발명은 도 1 내지 3을 참조하여 2개의 예시적인 실시예들에 기초하여 더 상세히 설명될 것이다; 도면들에서 동일한 참조 번호들은 동등한 구조적 및/또는 기능적 특징들을 나타낸다.
도 1은 인공 신경망 구현의 개략적인 개념도를 나타내는 것으로, 이는 피드포워드 네트워크로 구현된다. 인공 신경망은 입력 레이어(Pi), 활성화 함수(fz)가 있는 중간 레이어(Z), 활성화 함수(fo)가 있는 출력 레이어(A)를 갖는다.
네트워크 토폴로지에서, 가중치 파라미터들(wjk), 즉 w11; w12, w21, w22, ... 이 또한 도시되며, 이는 중간 레이어의 j번째 뉴런에 대한 k번째 입력 뉴런의 가중치를 각각 나타낸다. 변수들(b, b1, b2 ... bn)은 바이어스 뉴런들을 나타내며, bj는 중간 레이어의 j 번째 바이어스 뉴런을 나타낸다.
출력 레이어에서, A는 출력 뉴런의 출력을 나타낸다. 이는 결정된 체적 유량에 해당한다. 출력 레이어의 활성화 함수(fo)는 또한 출력 뉴런에 대한 중간 레이어(Z)의 k 번째 뉴런의 가중치(qk)도 나타낸다.
도 2는 두 개의 입력 뉴런들, 즉 전류에 대한 하나의 입력 뉴런과 회전 속도에 대한 하나의 입력 뉴런을 갖는 네트워크 토폴로지를 갖는 제1 예시적인 실시예에서 체적 유량의 확인에 있어서 상대 오차를 나타내는 오차 곡선이다.
이 예에서, 중간 레이어는 10개의 뉴런들로 구성되며, 출력 레이어는 하나의 뉴런으로 구성된다. 쌍곡 탄젠트는 중간 레이어의 활성화 함수(fz)로 사용되었으며, 선형 함수는 출력 레이어의 활성화 함수로 사용되었다.
상대 오차는 측정된 체적 유량에 대해 %로 구분되는 측정된 체적 유량으로 나눈 근사된 체적 유량과 측정된 체적 유량 사이의 오차이다(20%보다 큰 오차들은 20%로 제한됨). 상대 오차(근사 오차-측정 오차)로 인해 오차가 점차 작아진다는 점에 유의해야 한다.
도 3은 세 개의 입력 뉴런들, 즉 전류에 대한 하나의 입력 뉴런과, 회전 속도에 대한 하나의 입력 뉴런과, 모터의 현재 여기 정도에 대한 하나의 추가 뉴런을 갖는 네트워크 토폴로지를 갖는 대안적인 예시적인 실시예에서 체적 유량의 확인에 있어서 상대 오차를 나타내는 오차 곡선이다.
이 예에서, 중간 레이어는 15개의 뉴런들로 구성되며, 출력 레이어는 마찬가지로 하나의 뉴런으로 구성된다. 도 2의 예에서와 같이, 쌍곡 탄젠트는 중간 레이어의 활성화 함수(fz)로 사용되었으며, 선형 함수는 마찬가지로 출력 레이어의 활성화 함수로 사용되었다.
본 발명의 실시예는 상기에 개시된 바람직한 예시적인 실시예들로 제한되지 않는다. 반대로, 근본적으로 서로 다른 실시예들에서도, 제시된 솔루션을 사용하는 생각할 수 있는 많은 변형들이 있다.
Claims (10)
- 압력 센서 또는 체적 유량 센서를 사용하지 않고 특정 환기 장치의 미리 결정된 타겟 체적 유량 세기 또는 타겟 압력을 달성 및 유지하기 위해 특정 동작 지점에서 EC 모터에 의해 바람직하게 동작되는 상기 특정 환기 장치의 팬을 조절하기 위한 상기 체적 유량 또는 압력을 확인하는 방법으로서, 상기 체적 유량은 상기 환기 장치의 상기 체적 유량에 직접 또는 간접 영향을 미치는 i개수의 입력 파라미터들을 처리하기 위해 하나 이상의 레이어들에서 n개의 인공 뉴런들의 연접이 제공되고 적어도 하나의 입력 레이어(Pi)가 제공되는 다수의 학습 단계들로 구성된 순차적 학습 프로세스를 기반으로 하는 인공 신경망을 통해 결정되는, 방법.
- 제1항에 있어서, 먼저 전체 동작 범위에 걸쳐 상기 팬의 물리적 변수들에 대한 실제 측정 데이터의 양이 검출되고; 상기 측정 데이터는 적어도 상기 i개의 입력 파라미터들 및 상기 출력 파라미터 또는 결정될 파라미터들을 포함하고, 그런 다음 상기 인공 신경망은 여러 변수들이 있는 미리 결정된 알고리즘을 기반으로 이러한 입력 및 출력 파라미터들로 트레이닝되며, 상기 알고리즘의 상기 변수들은 상기 신경망의 상기 출력이 가능한 한 상기 측정된 데이터에 점점 더 많이 대응하도록 상기 신경망의 각 계산 시퀀스에서 결정되는 것을 특징으로 하는, 방법.
- 제1항 또는 제2항에 있어서, 상기 인공 신경망은 피드포워드 네트워크로 구성되는 것을 특징으로 하는, 방법.
- 제1항, 제2항 또는 제3항에 있어서, 상기 인공 신경망은 입력 레이어(Pi), 활성화 함수(fz)를 갖는 적어도 하나의 중간 레이어(Z), 및 활성화 함수(fo)를 갖는 출력 레이어(A)를 갖는 것을 특징으로 하는, 방법,
- 제3항에 있어서, 상기 중간 레이어(Z)는 선택 가능한 수(N)의 뉴런들을 가지며, 상기 수(N)는 상기 입력 값들의 수와 원하는 정도의 확인 정밀도의 함수로서 선택 가능한 것을 특징으로 하는, 방법.
- 제3항 또는 제4항에 있어서, 상기 중간 레이어(Z)의 각 뉴런은 상기 활성화 함수(fz)를 통해 상기 출력 레이어(A)에 그 상태를 출력하는 것을 특징으로 하는, 방법.
- 제7항 또는 제8항에 있어서, 상기 신경망에 의해 결정된 상기 출력 뉴런들이 미리 결정된 최대 허용 편차보다 작은 편차를 가진 상기 실제 측정된 체적 유량 및/또는 압력에 해당하는 체적 유량 및/또는 압력을 나타낼 때까지 상기 신경망을 트레이닝시키기 위해 상기 파라미터들(bj, wjk, qk 및 bo)이 각 계산 시퀀스에서 점진적으로 적응되는 것을 특징으로 하는, 방법.
- 제1항 내지 제9항 중 어느 한 항에 따른 방법을 수행하는 장치로서, 환기 장치의 팬, 입력 및 출력 파라미터들을 검출하기 위한 다수의 센서들, 상기 센서들에 의해 검출된 물리적 측정 데이터를 기반으로 상기 입력 및 출력 파라미터들을 결정하기 위한 측정 장치, 및 미리 결정된 토폴로지의 인공 신경망을 갖는 데이터 처리 유닛을 가지며; 상기 데이터 처리 유닛은 상기 검출된 입력 파라미터들을 적어도 상기 입력 레이어로 전송하기 위한 적어도 하나의 인터페이스를 갖는, 장치.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019117339.6 | 2019-06-27 | ||
DE102019117339.6A DE102019117339A1 (de) | 2019-06-27 | 2019-06-27 | Verfahren und eine Vorrichtung zum sensorlosen Bestimmen des Volumenstromes und Druckes |
PCT/EP2020/063514 WO2020259917A1 (de) | 2019-06-27 | 2020-05-14 | Verfahren und eine vorrichtung zum sensorlosen bestimmen des volumenstromes und druckes |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210132654A true KR20210132654A (ko) | 2021-11-04 |
Family
ID=70802843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217025417A KR20210132654A (ko) | 2019-06-27 | 2020-05-14 | 체적 유량 및 압력을 센서없이 확인하는 방법 및 장치 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220186970A1 (ko) |
EP (1) | EP3881141A1 (ko) |
KR (1) | KR20210132654A (ko) |
CN (1) | CN113383166A (ko) |
DE (1) | DE102019117339A1 (ko) |
WO (1) | WO2020259917A1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904721B (zh) * | 2021-01-18 | 2022-02-01 | 武汉大学 | 可变速抽水蓄能机组协联控制方法 |
DE102021206476A1 (de) | 2021-06-23 | 2022-12-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Bereitstellen eines trainierten Algorithmus des maschinellen Lernens zum sensorlosen Steuern von wenigstens einer Antriebsfunktion einer mobilen Arbeitsmaschine |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004060206B3 (de) | 2004-12-14 | 2006-06-14 | Siemens Ag | Verfahren zum Betrieb eines stromrichtergespeisten Verdichters |
DE102005045137A1 (de) * | 2005-09-22 | 2007-04-05 | Minebea Co., Ltd., Kitasaku | Lüftereinheit mit einer vorgegebenen künstlichen Kennlinie und Verfahren zu dessen Betrieb |
WO2009065539A1 (de) | 2007-11-19 | 2009-05-28 | Ebm-Papst St. Georgen Gmbh & Co. Kg | Lüfterandordnung |
CN102315809B (zh) | 2010-07-08 | 2016-11-16 | 德昌电机(深圳)有限公司 | 风扇电机装置、空气流动性调节设备及风量控制方法 |
CA2893895C (en) * | 2012-12-12 | 2015-09-29 | S. A. Armstrong Limited | Co-ordinated sensorless control system |
CN103611861B (zh) * | 2013-11-29 | 2015-05-27 | 浙江理工大学 | 伺服压力机无压力传感器控制装置及方法 |
CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
DE102015012462B3 (de) * | 2015-09-29 | 2017-03-16 | LUNOS Lüftungstechnik GmbH für Raumluftsysteme | Verfahren und eine Vorrichtung zum sensorlosen Regeln eines mit einem EC-Motor betriebenen Ventilators eines Lüftungsgeräts |
DE102016115617A1 (de) * | 2016-08-23 | 2018-03-01 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Verfahren zur Volumenstromregelung eines Ventilators |
DE102017117370A1 (de) * | 2017-08-01 | 2019-02-07 | Vaillant Gmbh | Softsensor zur Identifikation und Regelung oder Steuerung eines Wärmepumpensystems |
CN112567182B (zh) * | 2018-06-11 | 2023-02-10 | 布罗恩-努托恩有限责任公司 | 具有从神经网络导出的自动流量平衡的通风*** |
DE202019100227U1 (de) * | 2019-01-16 | 2019-01-30 | Ebm-Papst Mulfingen Gmbh & Co. Kg | Volumenstrombestimmung |
-
2019
- 2019-06-27 DE DE102019117339.6A patent/DE102019117339A1/de active Pending
-
2020
- 2020-05-14 WO PCT/EP2020/063514 patent/WO2020259917A1/de unknown
- 2020-05-14 EP EP20727594.2A patent/EP3881141A1/de active Pending
- 2020-05-14 CN CN202080012112.2A patent/CN113383166A/zh active Pending
- 2020-05-14 US US17/437,371 patent/US20220186970A1/en active Pending
- 2020-05-14 KR KR1020217025417A patent/KR20210132654A/ko not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
US20220186970A1 (en) | 2022-06-16 |
WO2020259917A1 (de) | 2020-12-30 |
DE102019117339A1 (de) | 2020-12-31 |
CN113383166A (zh) | 2021-09-10 |
EP3881141A1 (de) | 2021-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10066631B2 (en) | Direct power control for constant airflow control | |
US9732976B2 (en) | Direct power control for constant airflow control with advanced motor system modeling | |
US6549826B1 (en) | VAV airflow control for preventing processor overflow and underflow | |
CN104180858B (zh) | 一种风机电机测量风量的方法 | |
CN107762954B (zh) | 通风机的体积流量控制方法 | |
KR20210132654A (ko) | 체적 유량 및 압력을 센서없이 확인하는 방법 및 장치 | |
US8251671B2 (en) | Apparatus for controlling an air distribution system | |
CN112567182B (zh) | 具有从神经网络导出的自动流量平衡的通风*** | |
JP6037316B2 (ja) | モータ制御装置、モータ制御方法および送風装置 | |
US8408878B2 (en) | Flow control for fluid handling system | |
CN104521136A (zh) | 电动机控制装置、电动机控制方法以及送风装置 | |
JP5988224B2 (ja) | モータ制御装置及びモータ制御方法 | |
JP2002098088A (ja) | 送風装置及び流体圧送装置の駆動装置 | |
CN108252932B (zh) | 用于运行多个泵单元中的至少一个泵单元的方法 | |
CN110431392B (zh) | 用于确定循环泵中的输送介质温度的方法以及循环泵 | |
JP2008043115A (ja) | 回転電機および発電システム | |
EP3395688A1 (en) | Configurable high rate closed loop smart valve control | |
CA2488509C (en) | Fluid flow balancing system | |
US20230015020A1 (en) | Two degrees of control through pulse width modulation interface | |
CN113544440A (zh) | 用于电动流体移动设备的控制*** | |
CN112424538A (zh) | 用于控制热能交换器的能量传送的方法和*** | |
JPH0581809B2 (ko) | ||
WO2019018513A1 (en) | AUTOMATED MONITORING SYSTEM FOR FORCED AIR HANDLING SYSTEM AND METHOD OF OPERATION THEREOF | |
JP4726424B2 (ja) | 送風機の風量制御方法 | |
CN113195898B (zh) | 体积流量检测装置、体积流量检测方法及空气技术设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal | ||
E601 | Decision to refuse application |