도메인 적응 기반 준지도 학습을 활용한 에어컨 냉매 충전량 분류 모델 개선 Improvement of Classification Model on A/C Refrigerant Charge Level using Domain Adaptation based Semi Supervised Learning원문보기
냉매 누설은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나이다. 적정 충전량 대비 누설 및 과충전 모두 제품의 열교환 능력을 저하시키는 만큼, 누설 정도를 효과적으로 판단하는 것이 중요하다. 이에 따라, 냉매 누설 정도를 진단하기 위한 여러 연구가 진행되었으며, 최근에는 기계 학습을 포함한 인공지능 모델들을 활용한 연구 결과들이 발표되고 있다. 그럼에도 불구하고, 기존의 연구들은 누설 진단 모델 개발을 위한 정상 및 비정상 데이터를 단일 제품으로부터 수집하였다는 한계가 존재한다. 에어컨은 사용 목적 및 설치 환경에 따라 서로 다른 구성요소 및 냉방 용량으로 설계된다. 서로 다른 제품의 경우, 동일한 운전 조건 속에서도 상이한 인자 값들이 센서를 통해 기록되며, 이러한 현상을 도메인 불일치라고 정의한다. 도메인 불일치 문제는 다양한 산업계에서 빈번하게 발생하는 현상으로 이를 해결하기 위한 도메인 적응 기법들이 연구되었다. 하지만, 기존의 도메인 적응 기법들은 서로 다른 두 도메인의 분포를 일치시키는 것을 목표로 할 뿐, ...
냉매 누설은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나이다. 적정 충전량 대비 누설 및 과충전 모두 제품의 열교환 능력을 저하시키는 만큼, 누설 정도를 효과적으로 판단하는 것이 중요하다. 이에 따라, 냉매 누설 정도를 진단하기 위한 여러 연구가 진행되었으며, 최근에는 기계 학습을 포함한 인공지능 모델들을 활용한 연구 결과들이 발표되고 있다. 그럼에도 불구하고, 기존의 연구들은 누설 진단 모델 개발을 위한 정상 및 비정상 데이터를 단일 제품으로부터 수집하였다는 한계가 존재한다. 에어컨은 사용 목적 및 설치 환경에 따라 서로 다른 구성요소 및 냉방 용량으로 설계된다. 서로 다른 제품의 경우, 동일한 운전 조건 속에서도 상이한 인자 값들이 센서를 통해 기록되며, 이러한 현상을 도메인 불일치라고 정의한다. 도메인 불일치 문제는 다양한 산업계에서 빈번하게 발생하는 현상으로 이를 해결하기 위한 도메인 적응 기법들이 연구되었다. 하지만, 기존의 도메인 적응 기법들은 서로 다른 두 도메인의 분포를 일치시키는 것을 목표로 할 뿐, 결정 경계를 일치시키는 과정이 아니다. 각 도메인은 수집되는 정보량에 따라 고유한 결정 경계를 가지는 만큼, 새로운 도메인에서 모델의 성능을 확보하기 위해서는 두 도메인이 공통된 잠재공간에서 유사한 결정 경계를공유하도록 변환할 필요가 있다. 본 연구에서는 이러한 기존의 한계들을 고려한 채 서로 다른 도메인에 대해 개선된 분류 정확도를 확보하기 위해 LDA-Whitening 기반 레이블확산 모델을 적용하고자 한다. 먼저, 도메인 불일치에 따른 모델의 분류 성능 저하와 도메인 적응의 필요성을 확인하기 위해, 서로 다른 도메인으로부터 수집된 에어컨 운전 데이터를 활용하여 지도 학습 기반의 SVM 모델을 학습하였다. 이후, 모델 개선을 위해 LDA를 활용하여 서로 다른 두 도메인을 클래스 간 높은 분리도의 축으로 매핑시켰으며, 화이트닝 변환을 통해 두 도메인의 상관성을 제거함과 동시에 정규화된 공간에서 분포를 일치시켰다. 일치된 두 도메인에 대해 1-NN 알고리즘을 통해 레이블 확산 모델에 필요한 정보만을 소스 도메인으로부터 추출하였으며, 추출된 레이블 정보를 활용한 레이블 확산 모델을 통해 타겟 도메인을 분류하였다. LDA-Whitening 기반 레이블 확산 모델의 분류 개선정도를 확인하기 위해 SVM 모델과 더불어 기존의 도메인 적응 기법들과 분류 결과를비교하였으며, 최대 58.16%의 정확도 개선이 이뤄졌음을 확인하였다.
냉매 누설은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나이다. 적정 충전량 대비 누설 및 과충전 모두 제품의 열교환 능력을 저하시키는 만큼, 누설 정도를 효과적으로 판단하는 것이 중요하다. 이에 따라, 냉매 누설 정도를 진단하기 위한 여러 연구가 진행되었으며, 최근에는 기계 학습을 포함한 인공지능 모델들을 활용한 연구 결과들이 발표되고 있다. 그럼에도 불구하고, 기존의 연구들은 누설 진단 모델 개발을 위한 정상 및 비정상 데이터를 단일 제품으로부터 수집하였다는 한계가 존재한다. 에어컨은 사용 목적 및 설치 환경에 따라 서로 다른 구성요소 및 냉방 용량으로 설계된다. 서로 다른 제품의 경우, 동일한 운전 조건 속에서도 상이한 인자 값들이 센서를 통해 기록되며, 이러한 현상을 도메인 불일치라고 정의한다. 도메인 불일치 문제는 다양한 산업계에서 빈번하게 발생하는 현상으로 이를 해결하기 위한 도메인 적응 기법들이 연구되었다. 하지만, 기존의 도메인 적응 기법들은 서로 다른 두 도메인의 분포를 일치시키는 것을 목표로 할 뿐, 결정 경계를 일치시키는 과정이 아니다. 각 도메인은 수집되는 정보량에 따라 고유한 결정 경계를 가지는 만큼, 새로운 도메인에서 모델의 성능을 확보하기 위해서는 두 도메인이 공통된 잠재공간에서 유사한 결정 경계를공유하도록 변환할 필요가 있다. 본 연구에서는 이러한 기존의 한계들을 고려한 채 서로 다른 도메인에 대해 개선된 분류 정확도를 확보하기 위해 LDA-Whitening 기반 레이블 확산 모델을 적용하고자 한다. 먼저, 도메인 불일치에 따른 모델의 분류 성능 저하와 도메인 적응의 필요성을 확인하기 위해, 서로 다른 도메인으로부터 수집된 에어컨 운전 데이터를 활용하여 지도 학습 기반의 SVM 모델을 학습하였다. 이후, 모델 개선을 위해 LDA를 활용하여 서로 다른 두 도메인을 클래스 간 높은 분리도의 축으로 매핑시켰으며, 화이트닝 변환을 통해 두 도메인의 상관성을 제거함과 동시에 정규화된 공간에서 분포를 일치시켰다. 일치된 두 도메인에 대해 1-NN 알고리즘을 통해 레이블 확산 모델에 필요한 정보만을 소스 도메인으로부터 추출하였으며, 추출된 레이블 정보를 활용한 레이블 확산 모델을 통해 타겟 도메인을 분류하였다. LDA-Whitening 기반 레이블 확산 모델의 분류 개선정도를 확인하기 위해 SVM 모델과 더불어 기존의 도메인 적응 기법들과 분류 결과를비교하였으며, 최대 58.16%의 정확도 개선이 이뤄졌음을 확인하였다.
Leakage of refrigerant is one of common fault modes in air conditioner. Since, both leakage and overcharge degrade the heat exchanging performance of products, it is important to accurately determine the leakage level of refrigerant. Various researches have been conducted for diagnosing the leakage ...
Leakage of refrigerant is one of common fault modes in air conditioner. Since, both leakage and overcharge degrade the heat exchanging performance of products, it is important to accurately determine the leakage level of refrigerant. Various researches have been conducted for diagnosing the leakage level, including artificial intelligence models such as machine learning. Nevertheless, there are limits that existing studies have collected normal and abnormal data from a single product for the development of a leakage diagnosis model. Based on the purpose of use and the installation environment, air conditioners can be varied with different components and cooling capacities. Operation data collected from different products can be differed even under the same operation conditions, and this is defined as domain mismatch. Since, domain mismatch is one of a common problems in various industries, domain adaptation techniques have been proposed to deal with mismatching problem. However, existing domain adaptation techniques aim to match the distributions of two different domains, while doesn’t considering the match of decision boundaries. Since each domain has its own decision boundaries depending on the amount of information, it is necessary to transform both domains into shared subspace to have similar decision boundaries. In this study, LDA-Whitening based label spreading model has been proposed to obtain improved classification accuracy for different domains, while considering existing limits. First, to identify the degradation of model performance according to domain mismatch and the need for domain adaptation, supervised learning based SVM model has been trained using operation data from two different domains. Afterwards, by using LDA, both domains have been mapped to an axis having high separation between classes. Continuously, whitening transformation have been conducted to remove the correlation and match the distributions in a standardized feature space. Among two matched distributions, label spreading model trained by specific information, extracted from the source domain via 1-NN algorithm, has been used to classify the labels of target domain. Eventually, by using proposed method, classification accuracy has been improved maximum 58.16% compared to SVM model and conventional domain adaptation methods.
Leakage of refrigerant is one of common fault modes in air conditioner. Since, both leakage and overcharge degrade the heat exchanging performance of products, it is important to accurately determine the leakage level of refrigerant. Various researches have been conducted for diagnosing the leakage level, including artificial intelligence models such as machine learning. Nevertheless, there are limits that existing studies have collected normal and abnormal data from a single product for the development of a leakage diagnosis model. Based on the purpose of use and the installation environment, air conditioners can be varied with different components and cooling capacities. Operation data collected from different products can be differed even under the same operation conditions, and this is defined as domain mismatch. Since, domain mismatch is one of a common problems in various industries, domain adaptation techniques have been proposed to deal with mismatching problem. However, existing domain adaptation techniques aim to match the distributions of two different domains, while doesn’t considering the match of decision boundaries. Since each domain has its own decision boundaries depending on the amount of information, it is necessary to transform both domains into shared subspace to have similar decision boundaries. In this study, LDA-Whitening based label spreading model has been proposed to obtain improved classification accuracy for different domains, while considering existing limits. First, to identify the degradation of model performance according to domain mismatch and the need for domain adaptation, supervised learning based SVM model has been trained using operation data from two different domains. Afterwards, by using LDA, both domains have been mapped to an axis having high separation between classes. Continuously, whitening transformation have been conducted to remove the correlation and match the distributions in a standardized feature space. Among two matched distributions, label spreading model trained by specific information, extracted from the source domain via 1-NN algorithm, has been used to classify the labels of target domain. Eventually, by using proposed method, classification accuracy has been improved maximum 58.16% compared to SVM model and conventional domain adaptation methods.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.