선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 멀티형 냉방기의 압축기밸브누설, 웅축기오염, 증발기오염, 액배관막힘, 냉매누설에 대한 고장을 진단할 수 있는 신경망무고장 모델과 이중퍼지로직을 사용한 고장진단 알고리즘을 개발한 후 고장모사실험을 수행하여 개발된 고장진단 알고리즘의 유효성을 확인하는 것을 목적으로 한다.
제안 방법
- 신경망모델의 학습을 위해 29, 32, 35, 38, 41 °C 의 Toul, 40, 45, 50Hz의 C, 그리고 주어진 Tout 과 C에서 압축기 흡입 과열도를 100와 15°C로 유지시키기 위한 Stot를 입력변수값으로 선택하여 무고장 실험을 수행하면서 출력변수값 T" Tb Tcon, Ph, B을 측정하였으며 보다 많은 학습데 이터를 확보하기 위해 실험에서 얻은 측정값을 보정하여 사용하였다.
- (1) 실외온도, 압축기회전수, 전자팽창밸브 개도를 입력변수로 하고 압축기 출구온도, 압축기홉입 입온도, 응축기 출구온도, 압축기 출구압력, 압축기 입구압력을 출력변수로 하는 3x9x11x5 구조의 신경망무고장모 델을 개발하였다.
- 17, 870초에서 23, 215초까지 실외온도와 상대습도 29G 41%, 압축기회전수 45Hz, 전자팽창 밸브 개도 1, 095 step을 유지하면서 19, 815초에서 20, 885초 사이에는 40% 액배관막힘 고장실험, 20, 890초에서 23, 215초 사이에는 45% 액배관막힘 고장실험을 수행하였다. 또한 23, 520초에서 29, 560초까지 실외온도와 상대습도 32°C, 41%, 압축기 회전수 40 Hz, 전자팽창밸브 개도 1, 030 step!- 유지하면서 '25, 285초에서 26, 305초 사이 에는 10% 냉매누설 고장실험, 26, 310초에서 29, 560초 사이에는 20% 냉매누설 고장실험을 수행하였다.
- 4, 905초에서 10, 565초까지 실외온도와 상대습도 35℃, 41%, 압축기희 전수 45 Hz, 전자팽창밸브 개도 985 step을 유지하면서, 7, 750초에서 8, 970초 사이에는 30% 증발기오염 고장실험, 8, 975초에서 10, 660초 사이에는 50% 증발기오염 고장실험을 수행하였다. 13, 050초 에서 17, 060초까지 실외온도와 상대습도 29G 41 %, 압축기회전수 45 Hz, 전자팽창밸브 개도 1, 010 step을 유지하면서, 13, 980초에서 15, 500초 사이에는 30% 응축기오염 고장실험, 15, 505초에서 17, 055 초 사이에는 40% 웅축기오염 고장실험을 수행하였다. 17, 870초에서 23, 215초까지 실외온도와 상대습도 29G 41%, 압축기회전수 45Hz, 전자팽창 밸브 개도 1, 095 step을 유지하면서 19, 815초에서 20, 885초 사이에는 40% 액배관막힘 고장실험, 20, 890초에서 23, 215초 사이에는 45% 액배관막힘 고장실험을 수행하였다.
- 13, 050초 에서 17, 060초까지 실외온도와 상대습도 29G 41 %, 압축기회전수 45 Hz, 전자팽창밸브 개도 1, 010 step을 유지하면서, 13, 980초에서 15, 500초 사이에는 30% 응축기오염 고장실험, 15, 505초에서 17, 055 초 사이에는 40% 웅축기오염 고장실험을 수행하였다. 17, 870초에서 23, 215초까지 실외온도와 상대습도 29G 41%, 압축기회전수 45Hz, 전자팽창 밸브 개도 1, 095 step을 유지하면서 19, 815초에서 20, 885초 사이에는 40% 액배관막힘 고장실험, 20, 890초에서 23, 215초 사이에는 45% 액배관막힘 고장실험을 수행하였다. 또한 23, 520초에서 29, 560초까지 실외온도와 상대습도 32°C, 41%, 압축기 회전수 40 Hz, 전자팽창밸브 개도 1, 030 step!- 유지하면서 '25, 285초에서 26, 305초 사이 에는 10% 냉매누설 고장실험, 26, 310초에서 29, 560초 사이에는 20% 냉매누설 고장실험을 수행하였다.
- 시험시작 후 4, 900초까지 실외온도와 상대습도를 35G 41%, 압축기회전수와 전자팽창밸브 개도를 50 Hz, 1, 030 step으로 유지하면서 930초에서 2, 735초 사이에는 20% 압축기밸브누설 고장실험, 2, 735초에서 4, 900초 사이에는 40% 압축기밸브누설 고장실험을 수행하였다. 4, 905초에서 10, 565초까지 실외온도와 상대습도 35℃, 41%, 압축기희 전수 45 Hz, 전자팽창밸브 개도 985 step을 유지하면서, 7, 750초에서 8, 970초 사이에는 30% 증발기오염 고장실험, 8, 975초에서 10, 660초 사이에는 50% 증발기오염 고장실험을 수행하였다. 13, 050초 에서 17, 060초까지 실외온도와 상대습도 29G 41 %, 압축기회전수 45 Hz, 전자팽창밸브 개도 1, 010 step을 유지하면서, 13, 980초에서 15, 500초 사이에는 30% 응축기오염 고장실험, 15, 505초에서 17, 055 초 사이에는 40% 웅축기오염 고장실험을 수행하였다.
- 2와 같은 데이터 수집 및 제어시스템을 사용하였다. PC #1을 통하여 고장모사장치의 온도, 습도 등의 각종 계측데이터를 수집하였으며, 환경조성챔버의 온도, 습도 등을 측정하여 항온조 성챔버를 제어하였다. PC #2을 통하여 고장모사 장치의 온도, 압력, 전력 등 각종 데이터를 측정하여 고장모사장치의 전자팽창밸브, 압축기, 실외 팬, 실내팬 등을 제어하였다.
- PC #1을 통하여 고장모사장치의 온도, 습도 등의 각종 계측데이터를 수집하였으며, 환경조성챔버의 온도, 습도 등을 측정하여 항온조 성챔버를 제어하였다. PC #2을 통하여 고장모사 장치의 온도, 압력, 전력 등 각종 데이터를 측정하여 고장모사장치의 전자팽창밸브, 압축기, 실외 팬, 실내팬 등을 제어하였다. 온도측정을 위해 T 형 열전대를 압력측정을 위해 4~20mA 출력의 압력변환기를 사용하였다.
- '", 은 부분고장이 미치는 에너지 손실과 부분고장이 각종 변수에 미치는 영향에 대해서 연구하였고, McIntosh et al.⑹는 수학적 모델을 사용한 고장 진단방법에 대하여 연구를 수행하였다. Han et al.
- 개발된 고장진단 알고리즘에 의한 고장진단 결과를 평가하기 위하여 고장모사장치를 .사용하여 고장진 단실험을 수행하였다.
- 개발된 고장 진단 알고리즘의 타당성을 확인하기 위해 R22 냉매를 사용한 5RT 용량의 멀티형 냉방기를 고장모사 장치로 사용하였다. 고장 모사 장치는 Fig. l과 같이 압축기, 오일분리기, 응축기, 옹축기팬, 수액기, 액분리기로 구성된 한 대의 실외기와 전자팽창밸브, 증발기, 증발기팬으로 구성된 네 대의 실내기를 사용하였으며, Table 1에는 구체적인 사양을 나타내었다. 압축기밸브누 설은 불순물질이 압축기내로 유입되어 압축기 밸브를 손상시켜 고압의 냉매가 흡입라인으로 누설되어 전체 냉매순환량이 감소하는 현상으로 이를 모사하기 위해 압축기의 회전수를 조절하였으며, 증발기오염 및 응축기오염은 시스템 내의 불순물질이나 시스템 밖의 먼지나 낙엽과 같은 이물질에 의해 전열능력이 감소하는 현상으로 실내외 열교환기의 전열면적을 일정부분 차단하여 고장을 모사하였다.
- 잔차경향을 이용하여 하나의 퍼지로직보다 룰 베이스를 간소화시킨 퍼지로직 #1과 퍼지로직 #2 로 구성된 이중퍼지로직 알고리즘을 개발하였다. 고장의 종류에 따라 변하는 잔차의 경향, 변화폭, 반응속도를 고려하여 퍼지로직 #1에서는 Th, Ph 잔차를 입력으로 사용하여 고장을 진단하였고, 퍼 지로직 #2에서는 Th Tcon, Pt의 잔차를 입력으로 사용하여 고장을 진단하였으며, 퍼지로직 #1 의 진단결과와 퍼지로직 #2의 진단결과가 일치될 경우에만 진단된 고장으로 분류하였고 다른 경우에는 알 수 없는 고장으로 분류하였다.
- 멀티형 냉방기의 웅축기오염, 증발기오염, 압축기 밸브누설, 액배관막힘, 냉매누설의 부분 고장에 대한 고장진단 알고리즘을 개발한 후 개발된 고장 진단 알고리즘의 성능을 확인하기 위해 고장모 사실험을 수행하였으며 실시한 실험 결과 다음과 같은 결과들을 얻을 수 있었다.
- 개발된 고장진단 알고리즘에 의한 고장진단 결과를 평가하기 위하여 고장모사장치를 .사용하여 고장진 단실험을 수행하였다. 실내온도와 상대 습도를 27P, 50%로 고정시킨 상태에서 실외온도와 압축기희 전수, 전자팽창밸브의 개도를 변화시키면서 5종류 고장에 대해 모사실험을 수행하였다.
- (2) 압축기 출구온도, 압축기 출구압력의 잔차를 입력변수로 한 퍼지로직 #1과 압축기 입구온도, 응축기 출구온도, 압축기 입구압력의 잔차를 입력변수로 한 퍼지로직 #2을.사용하여 이중퍼지 로직 알고리즘을 개발하였다.
- 시험시작 후 4, 900초까지 실외온도와 상대습도를 35G 41%, 압축기회전수와 전자팽창밸브 개도를 50 Hz, 1, 030 step으로 유지하면서 930초에서 2, 735초 사이에는 20% 압축기밸브누설 고장실험, 2, 735초에서 4, 900초 사이에는 40% 압축기밸브누설 고장실험을 수행하였다. 4, 905초에서 10, 565초까지 실외온도와 상대습도 35℃, 41%, 압축기희 전수 45 Hz, 전자팽창밸브 개도 985 step을 유지하면서, 7, 750초에서 8, 970초 사이에는 30% 증발기오염 고장실험, 8, 975초에서 10, 660초 사이에는 50% 증발기오염 고장실험을 수행하였다.
- 사용하여 고장진 단실험을 수행하였다. 실내온도와 상대 습도를 27P, 50%로 고정시킨 상태에서 실외온도와 압축기희 전수, 전자팽창밸브의 개도를 변화시키면서 5종류 고장에 대해 모사실험을 수행하였다.
- 압축기밸브누 설은 불순물질이 압축기내로 유입되어 압축기 밸브를 손상시켜 고압의 냉매가 흡입라인으로 누설되어 전체 냉매순환량이 감소하는 현상으로 이를 모사하기 위해 압축기의 회전수를 조절하였으며, 증발기오염 및 응축기오염은 시스템 내의 불순물질이나 시스템 밖의 먼지나 낙엽과 같은 이물질에 의해 전열능력이 감소하는 현상으로 실내외 열교환기의 전열면적을 일정부분 차단하여 고장을 모사하였다. 액배관막힘은 불순물이 유입되어 압축기, 배관, 밸브 등에 적층되어 냉매유동을 방해하는 현상으로 액배관에 비례밸브를 설치하여 냉매 통과면적을 조절하여 고장을 모사하였으며, 냉매누설은 밀폐된 시스템 내부에서 외부로 냉매가 누설되는 현상으로 냉매회수기를 이용하여 시스템의 냉매를 추출하여 고장을 모사하였다.
- PC #2을 통하여 고장모사 장치의 온도, 압력, 전력 등 각종 데이터를 측정하여 고장모사장치의 전자팽창밸브, 압축기, 실외 팬, 실내팬 등을 제어하였다. 온도측정을 위해 T 형 열전대를 압력측정을 위해 4~20mA 출력의 압력변환기를 사용하였다.
- Han et al.은 퍼지 알고리즘,(7) 신경망 알고리즘 사용하여 냉방기고장 검출 및 진단에 대하여 연구를 수행하였고, 또한 공조기를 대상으로 퍼지 알고리즘'을 사용한 고장 검출 및 진단에 관한 연구를 수행하였다. 그러나 다양한 운전조건에서 운전되는 냉방시스템의 복잡성 때문에 간단하면서 효과적인 고장 검출 및 진단방법이 아직 실용화되지 못했고 이를 위해 보다 많은 연구가 필요한 실정이다.
- 잔차경향을 이용하여 하나의 퍼지로직보다 룰 베이스를 간소화시킨 퍼지로직 #1과 퍼지로직 #2 로 구성된 이중퍼지로직 알고리즘을 개발하였다. 고장의 종류에 따라 변하는 잔차의 경향, 변화폭, 반응속도를 고려하여 퍼지로직 #1에서는 Th, Ph 잔차를 입력으로 사용하여 고장을 진단하였고, 퍼 지로직 #2에서는 Th Tcon, Pt의 잔차를 입력으로 사용하여 고장을 진단하였으며, 퍼지로직 #1 의 진단결과와 퍼지로직 #2의 진단결과가 일치될 경우에만 진단된 고장으로 분류하였고 다른 경우에는 알 수 없는 고장으로 분류하였다.
대상 데이터
- 개발된 고장 진단 알고리즘의 타당성을 확인하기 위해 R22 냉매를 사용한 5RT 용량의 멀티형 냉방기를 고장모사 장치로 사용하였다. 고장 모사 장치는 Fig.
- 멀티형 시스템의 고장을 진단하기 위하여 Tk, Tb Tcon, Ph, F, 의 잔차를 이중퍼지로직의 입력 변수로 사용하였다. 잔차란 센서를 통해 측정된 측정 값과 신경 망무고장모델에서 예측된 예측값의 차이를 의미한다.
- 실험에 요구되는 환경을 조성하기 위해 실외온 습도조건을 一5~40±16C, 20~90±2.0%로 제어할 수 있는 한 대의 실외환경조성챔버와 네 대의 실내환경조성챔버를 사용하였으며, 고장모사장치와 환경조성챔버의 각종 데이터를 수집하기 위하여 Fig. 2와 같은 데이터 수집 및 제어시스템을 사용하였다. PC #1을 통하여 고장모사장치의 온도, 습도 등의 각종 계측데이터를 수집하였으며, 환경조성챔버의 온도, 습도 등을 측정하여 항온조 성챔버를 제어하였다.
데이터처리
- 3는 무고장상태에서의 시스템 모델로 사용된 3x9* 11x5구조의 다층 신경망을 보여준다.(12) 신경망에서 입력변수로 사용된 측정값 Tout, C, Stot은 평균값과 표준편차를 이용하여 정규화시켜 사용하였으며, 신경망 출력변수로 사용된 모델예측값 Tk, Tb Tcon, P" Pi은 정규화되어 계산된 값을 평균값과 표준편차를 이용하여 환원하여 사용하였다. 첫번째 은닉층, 두번째 은닉충의 활성 함수로 탄젠트 시그모이드함수(tangent sig moid function)# 사용하였고, 출력충의 활성함수로 선형 활성함수를 사용하였다.
이론/모형
- 10에 나타내었 다. 퍼지로직의 추론방법으로 최대최소법을, 비퍼지화 방법으로 무게중심법을 사용하였다.
성능/효과
- (3) 무고장신경망모델과 이중퍼지로직 알고리즘으로 구성된 고장진단 알고리즘을 고장모사장치에 적용하여 실험한 결과 무고장상태의 진단과 압축기 밸브누설고장, 증발기 오염고장, 응축기 오염 고장, 액배관막힘고장, 냉매누설고장의 부분 고장 진단이 비교적 정확하게 진단되었음이 .확인되었다.
- 16에 서 보듯이 퍼지로직 #2을 사용하여 고장을 진단 한 결과, 무고장상태에서의 각 운전조건별 고장 진단 정확도는 100%, 100%, 100%, 95%, 100%이 었으며, 평균 99%의 진단정확도를 보여주었다. 10%와 20% 압축기밸브누설은 87%, 100%의 정 확도, 30%와 50% 증발기오염은 99%, 92%의 정 확도, 30%와 40% 응축기오염은 100%, 99%의 정 확도, 40%와 45% 액배관막힘은 88%, 95%의 정 확도, 그리고 10%와 20% 냉매누설은 84%, 93% 의 고장진단 정확도를 보여주었다. 따라서 최종 고장진단 결과는 Fig.
- 17에는 고장 진단 결과를 나타내었다. Fig. 15에서 보듯이 퍼지로직 #1을 사용하여 고장을 진단한 결과, 무고 장상태에서의 각 운전조건별 고장진단 정확도는 100%, 83%, 100%, 91%, 100%이었으며, 평균 93%의 진단정확도를 보여주었다. 또한 20%와 40% 압축기 밸브누설은 100%, 100%의 정확도, 30% 와 50% 증발기오염은 100%, 96%의 정확도, 30%와 40% 응축기오염은 100%, 100%의 정확도, 40 %와 45% 액배관막힘은 99%, 97%의 정확도, 그리고 10%와 20% 냉매누설 고장의 경우 100%, 97%의 고장진단 정확도를 보여주었다.
- 또한 20%와 40% 압축기 밸브누설은 100%, 100%의 정확도, 30% 와 50% 증발기오염은 100%, 96%의 정확도, 30%와 40% 응축기오염은 100%, 100%의 정확도, 40 %와 45% 액배관막힘은 99%, 97%의 정확도, 그리고 10%와 20% 냉매누설 고장의 경우 100%, 97%의 고장진단 정확도를 보여주었다. Fig. 16에 서 보듯이 퍼지로직 #2을 사용하여 고장을 진단 한 결과, 무고장상태에서의 각 운전조건별 고장 진단 정확도는 100%, 100%, 100%, 95%, 100%이 었으며, 평균 99%의 진단정확도를 보여주었다. 10%와 20% 압축기밸브누설은 87%, 100%의 정 확도, 30%와 50% 증발기오염은 99%, 92%의 정 확도, 30%와 40% 응축기오염은 100%, 99%의 정 확도, 40%와 45% 액배관막힘은 88%, 95%의 정 확도, 그리고 10%와 20% 냉매누설은 84%, 93% 의 고장진단 정확도를 보여주었다.
- 02kg/cm2을 보여주었다. 따라서 Tout, C, Stot의 다양한 시스템 운전조건에 따라 무고장상태에서의 Th, Tt, Tcon, Ph, P, 를 주어진 오차범위 내에서 예측할 수 있는 모델로 사용할 수 있음을 확인하였다.
- 확인되었다. 따라서 본 연구에서 개발된 무고장신경망모델 과 이중퍼지로직 알고리즘은 다양한 조건에서 운전되는 냉방기의 부분 고장진단에 효과적으로 적용할 수 있음을 알 수 있었다.
- 10%와 20% 압축기밸브누설은 87%, 100%의 정 확도, 30%와 50% 증발기오염은 99%, 92%의 정 확도, 30%와 40% 응축기오염은 100%, 99%의 정 확도, 40%와 45% 액배관막힘은 88%, 95%의 정 확도, 그리고 10%와 20% 냉매누설은 84%, 93% 의 고장진단 정확도를 보여주었다. 따라서 최종 고장진단 결과는 Fig. 17에서 보듯이 무고장의 경 우 각 운전조건별 100%, 83%, 100%, 91%, 100% 를 보여주었고 평균 93%의 진단정확도를 보여주 었으며, 20%와 40% 압축기밸브누설은 87%, 100 %의 정확도, 30%와 50% 증발기오염은 99%, 92 %의 정확도, 30%와 40% 응축기오염은 100%, 99 %의 정확도, 40%와 45% 액배관막힘은 87%, 95 %의 정확도, 그리고 10%와 20% 냉매누설은 84 %, 93%의 정확도를 보여주었다.
- 15에서 보듯이 퍼지로직 #1을 사용하여 고장을 진단한 결과, 무고 장상태에서의 각 운전조건별 고장진단 정확도는 100%, 83%, 100%, 91%, 100%이었으며, 평균 93%의 진단정확도를 보여주었다. 또한 20%와 40% 압축기 밸브누설은 100%, 100%의 정확도, 30% 와 50% 증발기오염은 100%, 96%의 정확도, 30%와 40% 응축기오염은 100%, 100%의 정확도, 40 %와 45% 액배관막힘은 99%, 97%의 정확도, 그리고 10%와 20% 냉매누설 고장의 경우 100%, 97%의 고장진단 정확도를 보여주었다. Fig.
- 사용된 학습데이터값과 무고장신경망모델로부터 계산된 값과의 평균 오차값과 최대 오차값을 계산한 결과 Th의 경우 0.136℃, 0.2413, 의 경우 0.033r, 0.08r, Tcon의 경우 o.igst, 0.55r, Ph의 경우 0.037 kg/cm2, 0.08kg/cm2, Pt의 경우 0.007 kg/cm2, 0.02kg/cm2을 보여주었다. 따라서 Tout, C, Stot의 다양한 시스템 운전조건에 따라 무고장상태에서의 Th, Tt, Tcon, Ph, P, 를 주어진 오차범위 내에서 예측할 수 있는 모델로 사용할 수 있음을 확인하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.