KR-102959891-B1 - Deep learning based coolant pump optimum frequency control system

Abstract

본 발명은 선박 및 산업용 열교환 시스템에 적용되는 냉각수 펌프의 제어 기술에 관한 것으로, 딥러닝 기반의 예측 모델을 활용하여 냉각수 펌프의 주파수를 자동으로 조정함으로써 에너지 효율을 극대화하고 온도 및 압력 안정성을 향상시키기 위한 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템에 관한 것이다. 본 발명의 효과는 다음과 같다. 본 발명의 시스템을 통해 실시간으로 수집된 센서 데이터를 기반으로 한 딥러닝 예측을 통해 냉각수 펌프의 주파수를 자동 제어함으로 40~50% 이상의 에너지 소비가 절감되는 효과가 있다. 또한 과냉각 방지 및 설비 수명이 연장되며 환경 적응형 자동 제어로 유지보수 비용 절감의 효과가 있다.

Inventors

• 박필기
• 전용만

Assignees

• 오엠텍 주식회사

Dates

Publication Date

20260506

Application Date

20250703

Claims (6)

1. 펌프 입출구의 온도 및 압력을 포함하는 데이터를 실시간으로 측정하기 위한 센서모듈(100)과, 센서모듈(100)로부터 제공되는 센서데이터를 수집 및 전송하기 위한 데이터수집모듈(200)과, 데이터수집모듈(200)로부터 실시간으로 센서 데이터를 수신하고, 수신된 센서 데이터를 딥러닝제어모듈(400)에 내장된 LSTM 또는 GRU 기반 딥러닝 모델에 입력하며, 과거 및 현재 센서 데이터를 기반으로 다음 주기 펌프의 최적 구동 주파수(Hz)를 예측하기 위한 AI연산모듈(300)과, 센서데이터를 기반으로 다음 주기 펌프의 최적 구동 주파수를 예측하기 위한 시계열 예측 딥러닝 모델을 제공하기 위한 딥러닝제어모듈(400)를 포함하는 것을 특징으로 하는 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템.
2. 제1항에 있어서, 딥러닝제어모듈(400)에 의해 산출된 펌프 주파수를 전달받고 해당 주파수로 펌프 모터의 RPM을 조절하여 펌프 유량 및 압력을 제어하기 위한 가변주파수구동모듈(500)과, 센서모듈(100)의 이상, 딥러닝 모델의 이상, 데이터 전달 과정의 오류를 포함하는 이상에 대해 감지하기 위한 이중제어로직모듈(600)을 포함하는 것을 특징으로 하는 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템.
3. 제2항에 있어서 데이터수집모듈(200)로부터 전송된 센서 데이터를 실시간으로 수집하고 AI연산모듈(300)과 딥러닝제어모듈(400)이 예측한 주파수로 펌프가 동작한 후, 센서 데이터가 기설정 기준에 도달하지 못하면 “목표 미달”로 판단하기 위한 다단예측보정알고리즘모듈(800)를 포함하는 것을 특징으로 하는 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템.
4. 제3항에 있어서, 딥러닝제어모듈(400)에 적용되는 딥러닝 모델의 예측 정밀도를 높이기 위한 것으로 외기 온도, 습도, 엔진 부하, 열 부하를 포함하는 외부 환경 및 운전 변수를 추가로 수집하고, 이 데이터를 통합하여 복합 입력 데이터셋을 구성하여 딥러닝 모델을 재학습하기 위한 예측정밀도강화모듈(900)를 포함하는 것을 특징으로 하는 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템.
5. 제4항에 있어서, 상기 센서모듈(100)은 유량 데이터를 실시간으로 측정하고, 상기 다단예측보정알고리즘모듈(800)은 센서모듈(100)로부터 실시간으로 수집된 온도, 압력, 유량을 포함하는 데이터와 기설정된 목표값의 차이를 기준으로 펌프 주파수를 보정하고, 필요 시 다단 운전모드로 전환하는 것을 특징으로 하는 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템.
6. 제5항에 있어서, 상기 다단예측보정알고리즘모듈(800)은 담수 출구 온도가 시스템에서 설정한 목표 온도보다 높게 측정될 경우, 펌프의 주파수는 온도 차이의 크기에 따라 비례적으로 증가하며 차압이 목표값보다 낮게 측정되면, 그 차이에 따라 주파수를 추가로 높이며, 온도와 압력의 편차에 각각 사전에 정해진 보정 계수를 곱해, 두 결과를 합산하여 최종적으로 펌프 주파수를 보정하되 보정 후에도 기준 미달이 반복되면, 동일 방식으로 주파수를 단계적으로 추가 보정하는 것을 특징으로 하는 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템.

Description

딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템{Deep learning based coolant pump optimum frequency control system} 본 발명은 선박 및 산업용 열교환 시스템에 적용되는 냉각수 펌프의 제어 기술에 관한 것으로, 딥러닝 기반의 예측 모델을 활용하여 냉각수 펌프의 주파수를 자동으로 조정함으로써 에너지 효율을 극대화하고 온도 및 압력 안정성을 향상시키기 위한 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템에 관한 것이다. 냉각 시스템은 열을 발생시키는 장치나 환경에서 과도한 열을 제거하여 온도를 조절하는 시스템이다. 주로 엔진, 컴퓨터, 건물, 산업 장비 등에서 사용되며, 적절한 작동 온도를 유지하여 성능 저하나 고장을 방지하는 역할을 한다. 냉각 시스템은 냉매를 사용하거나 공기, 물 등을 이용하여 열을 흡수하고 방출하는 방식으로 작동한다. 냉각 시스템의 종류는 액체 냉각 시스템, 공기 냉각 시스템, 증발 냉각 시스템이 있다. 액체 냉각 시스템은 냉각수를 이용하여 열을 흡수하고 외부로 방출하는 방식으로 엔진 냉각 시스템이나 산업용 냉각 시스템에서 주로 사용된다. 공기 냉각 시스템은 공기를 이용하여 열을 식히는 방식으로, 컴퓨터 냉각 시스템이나 건물 냉각 시스템 등에서 사용된다. 증발 냉각 시스템은 물을 증발시켜 열을 흡수하는 방식으로 데이터 센터나 산업 시설 등에서 사용된다. 기존 냉각 시스템은 PID 제어를 포함한 고정 로직에 따라 펌프를 제어하며, 이는 설정된 기준 온도 또는 압력값에 대해 선형적으로 반응한다. 그러나 실제 운전 환경에서는 열 부하와 주위 온도 등의 조건이 시시각각 변동되므로, 기존 시스템은 과냉각 또는 에너지 낭비를 유발하는 비효율성을 갖는다. 도 1은 본 발명의 전체적인 구성을 나타낸 구성도이다. 도 2는 본 발명의 딥러닝 기반 냉각수 펌프 제어 시스템의 전체 데이터 흐름과 구성요소 간 연동 구조를 나타낸 실시예이다. 도 3은 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템의 실시예 중 하나로서 선박 냉각수 시스템에 적용되는 것을 나타낸 도면이다. 이하 명세서 전체에서 동일 참조 부호는 특별한 사정이 없는 한 동일 구성요소를 지칭한다. 이하에서 사용되는 '부'가 부가된 용어는, 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예에 따라 하나의 '부'가 하나의 물리적 또는 논리적 부품으로 구현되거나, 복수의 '부'가 하나의 물리적 또는 논리적 부품으로 구현되거나, 하나의 '부'가 복수의 물리적 또는 논리적 부품들로 구현되는 것도 가능하다. 명세서 전체에서 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 어떤 부분과 다른 부분에 따라서 물리적 연결을 의미할 수도 있고, 또는 전기적으로 연결된 것을 의미할 수도 있다. 또한, 어떤 부분이 다른 부분을 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 부분 이외의 또 다른 부분을 제외하는 것이 아니며, 설계자의 선택에 따라서 또 다른 부분을 더 포함할 수 있음을 의미한다. 제 1이나 제 2 등의 용어는 하나의 부분을 다른 부분으로부터 구별하기 위해 사용되는 것으로, 특별한 기재가 없는 이상 이들이 순차적인 표현을 의미하는 것은 아니다. 또한 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함할 수 있다. 본 발명은 선박 및 산업용 열교환 시스템에 적용되는 냉각수 펌프의 제어 기술에 관한 것으로, 딥러닝 기반의 예측 모델을 활용하여 냉각수 펌프의 주파수를 자동으로 조정함으로써 에너지 효율을 극대화하고 온도 및 압력 안정성을 향상시키기 위한 딥러닝 기반 냉각수 펌프 최적 주파수 제어 시스템에 관한 것이다. 도 1을 참고하면 본 발명은 센서모듈(100), 데이터수집모듈(200), AI연산모듈(300), 딥러닝제어모듈(400), 가변주파수구동모듈(500), 이중제어로집모듈(600), 데이터로깅모듈(700), 다단예측보정알고리즘모듈(800), 예측정밀도강화모듈(900),상태평가모듈(1000), 부하최적화제어부(1100)을 포함하여 구성된다. 각 구성을 구체적으로 설명하면 다음과 같다. 센서모듈(100)은 온도 ?? 압력을 포함하는 주요 상태 정보를 실시간으로 측정하기 위한 것이다. 상기 센서모듈은 펌프 입출구의 온도(T1~T5), 차압(DPX1) 등 다양한 데이터를 수집하여 데이터 수집모듈(200)(PLC 등)로 전송한다. 상기 펌프 입출구의 온도는 각각 펌프 또는 열교환기 시스템에 유입되는(입구) 또는 배출되는(출구) 냉각수의 온도로서 T1(S.W. Inlet), T2(S.W. Outlet), T4(F.W. Inlet), T5(F.W. Outlet)을 포함하여 구성되며 T1은 해수(Sea Water) 입구 온도 센서로서 즉, 해수 펌프를 통해 열교환기로 유입되는 해수의 온도를 측정하기 위한 것이며, T2는 해수(Sea Water) 출구 온도 센서로서 열교환기를 통과한 후 시스템에서 빠져나가는 해수의 온도를 측정하기 위한 것이며, T4는 담수(Fresh Water) 입구 온도 센서로서 담수 펌프를 통해 열교환기로 유입되는 담수의 온도를 측정하기 위한 것이며, T5는 담수(Fresh Water) 출구 온도 센서로서 열교환기를 통과한 후 시스템에서 빠져나가는 담수의 온도를 측정하기 위한 것이다. DPX1은 시스템 내 차압(Differential Pressure)을 측정하는 센서의 명칭으로 냉각수 시스템 내에서 열교환기 등 주요 구간의 입구와 출구 사이의 압력 차(ΔP)를 측정하는 센서를 지칭하는 말이다. 또한 상기 센서모듈(100)은 담수 및 해수 유량(mFW, mSW)을 측정할 수 있는 유량 센서도 포함하며, 온도(T1~T5), 압력(DPX1), 유량(mFW, mSW) 등 주요 운전 데이터를 실시간으로 측정하여 데이터수집모듈(200)로 전송하는 것이 바람직하다. 상기 센서모듈(100)은 5~10초 주기로 센서 데이터를 측정 및 전송하며 센서 신호(PWM 등)를 수집 장치가 해석하여 각 센서별 값을 식별 및 기록한다. 데이터수집모듈(200)은 센서모듈(100)로부터 제공되는 센서데이터를 수집 및 전송하기 위한 것이다. 예를 들면 데이터수집모듈(200)은 PLC, 데이터로거 등이 될 수 있으며 MODBUS 등 통신 프로토콜을 통해 센서 데이터를 수집 및 정제하여 AI연산모듈(300)에 전송한다. 구체적으로는 센서모듈(100)로부터 센서 데이터를 데이터수집모듈(200)로 수신받고 통신 프로토콜로 데이터 정렬 및 오류 검출 단계를 거쳐 AI연산모듈(300)로 데이터를 전송한다. 상기 데이터수집모듈(200)은 각 센서의 데이터가 수집될 때, PLC 내부 시계 또는 외부 동기화 신호(NTP, GPS 등)를 기준으로 타임스탬프를 기록한다. AI연산모듈(300)은 데이터수집모듈(200)로부터 실시간으로 센서 데이터를 수신하고, 이 데이터를 딥러닝제어모듈(400)에 내장된 딥러닝 모델에 입력하여 최적의 펌프 주파수를 예측하기 위한 것이다. 상기 AI연산모듈(300)은 실시간 데이터 전처리, 딥러닝 모델 입력값 생성, 예측 결과 산출하되, 데이터 전처리(결측치 보정, 정규화) →딥러닝 모델 입력 →최적 펌프 주파수 예측값 산출의 과정으로 작동된다. 예를 들어 센서모듈(100)에서 펌프 입출구 온도(T1, T2, T4, T5), 차압(DPX1) 등 데이터를 5~10초 주기로 측정하고, 데이터수집모듈(200)(예: MODBUS 기반 PLC)이 센서 데이터를 실시간으로 집계하여 AI연산모듈(300)에 전송하고, AI연산모듈(300)은 수신된 데이터를 딥러닝제어모듈(400)에 내장된 LSTM 또는 GRU 기반 딥러닝 모델에 입력한다. 입력된 데이터의 예시로서 T1: 해수 입구 온도/ T2: 해수 출구 온도/T4: 담수 입구 온도/ T5: 담수 출구 온도/ DPX1: 차압/ (필요시) 유량, 엔진 부하, 외기 온도, 습도 등 추가 변수 등의 데이터가 입력된다. 딥러닝 모델의 처리 과정은 실시간 수집된 데이터 시퀀스를 전처리(결측치 보정, 정규화 등)하고, 시계열 딥러닝 모델(LSTM/GRU)에 입력하며, 모델은 과거 및 현재 센서 데이터를 기반으로 다음 주기 펌프의 최적 구동 주파수(Hz)를 예측한다. 딥러닝 모델이 출력한 최적 주파수 값을 AI연산모듈(300)에서 획득하며 예측값의 예시로서 　42.5Hz(펌프 구동 주파수) 등이 될 수 있다. 예측 주파수 값이 데이터수집모듈(200)의 PLC에 전달되며, PLC는 해당 값을 가변주파수구동모듈(500)에 송신하고, 가변주파수구동모듈(500)는 입력받은 주파수로 펌프 모터의 RPM을 제어한다. 상기 AI연산모듈(300)은 입력 데이터의 타임스탬프 일치 여부를 확인하고, 시계열 입력이 어긋난 경우 보간(interpolation) 또는 재샘플링을 통해 데이터 동기화를 수행한다. 딥러닝제어모듈(400)은 펌프 제어 신호를 산출하기 위한 시계열 예측 딥러닝 모델을 제공하기 위한 것이다. 상기 딥러닝제어모듈(400)은 과거 및 현재 센서 데이터를 기반으로 다음 주기 펌프 주파수를 예측하기 위한 것이다. 상기 딥러닝 모델은 단순히 기존 시계열 예측 모델(LSTM/GRU)을 적용하는 것이 아니라,　냉각수 펌프의 실시간 최적 주파수 제어에 특화되어 다음과 같은 복합적이고 산업 현장 및춤형 데이터를 학습한다. 딥러닝제어모듈(400)의 딥러닝 모델은, 해수/담수 온도, 차압, 유량, 엔진 부하, 외기 온도 등 다양한 실시간 운전 데이터를 복합적으로 학습하여 냉각수 펌프가 항상 최적의 주파수로 동작하도록 실시간 예측·제어하며기준 미달 시 다단 보정 및 안전 운전, 이중 제어(PID 백업), 주기적 재학습까지 지원하는 지능형 자동 제어 특화 딥러닝 모델이다. 구체적으로 입력데이터로서 해수 및 담수 입출구 온도(T1, T2, T4, T5), 차압(DPX1), 펌프 운전 주파수(이전 이력), 유량, 엔진 부하, 외기 온도, 습도 등 운전 환경 변수(정밀도 강화를 위해 추가)를 포함하는 데이터가 입력되어 학습되며 출력 데이터로는 펌프의 다음 주기 최적 구동 주파수(Hz)가 출력된다. 모델은　설정 온도(예: 36°C)　및 압력(예: 0.7bar)을 유지하면서 에너지 소비를 최소화하는 주파수 값을 예측할 수 있도록 학습되며 학습 과정에서는