전 세계적으로 냉방을 위해 사용되는 에너지는 건물에서 사용되는 전력의 약 20%를 차지하며, 세계적인 인구 성장이 더운 나라에 집중됨에 따라 에어컨의 수요와 냉방으로 인한 에너지 사용량은 더욱 커질 것으로 보인다. 이에 따른 에어컨의 고장진단 수요 또한 증가하고 있으며 연구자들은 초기 진단이 어려운 Soft Fault 진단을 정상상태(steady-state) 기반으로 활발히 연구하고 있다. 본 연구에서는 하이브리드 (gray-model) 모델을 사용하여 에어컨의 냉매 충전량에 따른 초기 동특성 ...
전 세계적으로 냉방을 위해 사용되는 에너지는 건물에서 사용되는 전력의 약 20%를 차지하며, 세계적인 인구 성장이 더운 나라에 집중됨에 따라 에어컨의 수요와 냉방으로 인한 에너지 사용량은 더욱 커질 것으로 보인다. 이에 따른 에어컨의 고장진단 수요 또한 증가하고 있으며 연구자들은 초기 진단이 어려운 Soft Fault 진단을 정상상태(steady-state) 기반으로 활발히 연구하고 있다. 본 연구에서는 하이브리드 (gray-model) 모델을 사용하여 에어컨의 냉매 충전량에 따른 초기 동특성 예측 모델을 제시한다. 에어컨의 압축기, 증발기, 전자식 팽창밸브(EEV), 응축기가 물리 기반으로 모델링 되었으며, 모델의 주요 파라미터인 응축온도, 증발온도, 과냉도의 정확성을 높이기 위해 보정계수가 도입되었다. 보정계수는 다변수 최적화를 통해 진행하였으며, 이를 사용하여 기계학습의 한 종류인 r-SVM으로 모델링 되었다. 하이브리드 모델을 통해 에어컨의 시동 후 초기 동특성을 예측할 수 있었다. Training Data와 Test Data 모두 정격 충전량인 850g 근처에서 가장 낮은 오차를 보였다. 응축온도의 경우, 냉매 충전량이 높을수록 오차가 증가하는 경향을 보였으며, 증발온도의 경우, 냉매 충전량이 작을수록 오차가 증가하는 경향을 보였다. Training Data에서 950g의 경우, 과냉도 와 응축온도의 오차가 큰 모습을 보였는데, 이는 과냉도 보정계수 분석 결과, 과냉도 보정계수가 과도하게 크게 예측되었기 때문으로 생각된다. 이는 추후 추가적인 연구가 필요할 것으로 생각된다.
전 세계적으로 냉방을 위해 사용되는 에너지는 건물에서 사용되는 전력의 약 20%를 차지하며, 세계적인 인구 성장이 더운 나라에 집중됨에 따라 에어컨의 수요와 냉방으로 인한 에너지 사용량은 더욱 커질 것으로 보인다. 이에 따른 에어컨의 고장진단 수요 또한 증가하고 있으며 연구자들은 초기 진단이 어려운 Soft Fault 진단을 정상상태(steady-state) 기반으로 활발히 연구하고 있다. 본 연구에서는 하이브리드 (gray-model) 모델을 사용하여 에어컨의 냉매 충전량에 따른 초기 동특성 예측 모델을 제시한다. 에어컨의 압축기, 증발기, 전자식 팽창밸브(EEV), 응축기가 물리 기반으로 모델링 되었으며, 모델의 주요 파라미터인 응축온도, 증발온도, 과냉도의 정확성을 높이기 위해 보정계수가 도입되었다. 보정계수는 다변수 최적화를 통해 진행하였으며, 이를 사용하여 기계학습의 한 종류인 r-SVM으로 모델링 되었다. 하이브리드 모델을 통해 에어컨의 시동 후 초기 동특성을 예측할 수 있었다. Training Data와 Test Data 모두 정격 충전량인 850g 근처에서 가장 낮은 오차를 보였다. 응축온도의 경우, 냉매 충전량이 높을수록 오차가 증가하는 경향을 보였으며, 증발온도의 경우, 냉매 충전량이 작을수록 오차가 증가하는 경향을 보였다. Training Data에서 950g의 경우, 과냉도 와 응축온도의 오차가 큰 모습을 보였는데, 이는 과냉도 보정계수 분석 결과, 과냉도 보정계수가 과도하게 크게 예측되었기 때문으로 생각된다. 이는 추후 추가적인 연구가 필요할 것으로 생각된다.
The energy used for cooling accounts for about 20% of the power used in buildings worldwise, and the demand for air conditioners and energy consumption due to cooling are expected to increase as global population growth is concentrated in hot countries. The demand for fault diagnosis of air conditio...
The energy used for cooling accounts for about 20% of the power used in buildings worldwise, and the demand for air conditioners and energy consumption due to cooling are expected to increase as global population growth is concentrated in hot countries. The demand for fault diagnosis of air conditioners is also increasing, and researchers are actively studying soft fault diagnosis, which is difficult to diagnose in the initial stage, based on steady-state. In this study, a hybrid-model failure diagnosis model targeting transient-state is presented. Compressor, Evaporator, Electronic Expansion Valve(EEV), and condenser of air conditioner is modeled by using physical-based model. Correction factors are introduced to increase the accuracy of condensation temperature, evaporation temperature, and Degree of subcooling(DSC), which are the main parameters of the model. The correction factor model was modeled using r-SVM, a type of machine learning. By using hybrid model, it was possible to predict the dynamic characteristics after starting the air conditioner. Both training data and test data showed the lowest error near the rated charge of 850g. In the case of the condensation temperature, the error tended to increase as the refrigerant charge amount increased, and in the case of the evaporation temperature, the error tended to increase as the refrigerant charge amount decreased. In the case of 950g in training data, the DSC and condensation temperature error was the largest, which is though to be because the DSC correction factor was predicted to be excessively large as a result of the analysis of the DSC correction factor. This is thought to require future research in the future.
The energy used for cooling accounts for about 20% of the power used in buildings worldwise, and the demand for air conditioners and energy consumption due to cooling are expected to increase as global population growth is concentrated in hot countries. The demand for fault diagnosis of air conditioners is also increasing, and researchers are actively studying soft fault diagnosis, which is difficult to diagnose in the initial stage, based on steady-state. In this study, a hybrid-model failure diagnosis model targeting transient-state is presented. Compressor, Evaporator, Electronic Expansion Valve(EEV), and condenser of air conditioner is modeled by using physical-based model. Correction factors are introduced to increase the accuracy of condensation temperature, evaporation temperature, and Degree of subcooling(DSC), which are the main parameters of the model. The correction factor model was modeled using r-SVM, a type of machine learning. By using hybrid model, it was possible to predict the dynamic characteristics after starting the air conditioner. Both training data and test data showed the lowest error near the rated charge of 850g. In the case of the condensation temperature, the error tended to increase as the refrigerant charge amount increased, and in the case of the evaporation temperature, the error tended to increase as the refrigerant charge amount decreased. In the case of 950g in training data, the DSC and condensation temperature error was the largest, which is though to be because the DSC correction factor was predicted to be excessively large as a result of the analysis of the DSC correction factor. This is thought to require future research in the future.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.