Support Vector Regression을 이용한 동적 상황에서의 에어컨 고장의 정량적 예측에 관한 연구

Q: 이 논문에서 정의한 Support Vector Regression이란 무엇인가?

Support Vector Regression(SVR)은 Support Vector Machine(SVM)을 응용한 회귀분석 알고리즘으로, 주어진 데이터들의 회귀 함수를 찾아내는 것을 목적으로 한다. SVR은 ε-insensitive loss function을 도입하여 데이터가 회귀 함수로부터 ε보다 가까운 거리에 위치하도록 하며, ε보다 먼 데이터에 패널티를 부여하여 최적화 과정을 통해 회귀 함수를 결정한다.

Q: Support Vector Regression을 이용한 에어컨 고장 예측 모델의 정확도는 어느 정도인가?

연구 결과, Support Vector Regression을 활용한 에어컨 고장 정량적 예측 모델은 Training 데이터뿐만 아니라 학습에 사용되지 않은 Test 데이터에 대해서도 98% 이상의 높은 정확도를 보여주었다. 이는 동적인 상황에서 냉매 누설, 과충전, 실내기 및 실외기 풍량 저하와 같은 단일 고장 상황을 효과적으로 예측할 수 있음을 의미한다.

강석경; 김동혁; 윤백; 유재석; 김동권; 주영주; 황준; 서형준

학술대회자료

저자정보: 강석경 (아주대학교) 김동혁 (아주대학교) 윤백 (아주대학교) 유재석 (아주대학교) 김동권 (아주대학교) 주영주 (삼성전자) 황준 (삼성전자) 서형준 (삼성전자)

저널정보: 대한설비공학회 대한설비공학회 학술발표대회논문집 대한설비공학회 2019년도 하계학술발표대회 논문집

오류 신고하기

피인용 0

검색

초록·키워드

냉매 누설 및 과충전, 실내기 및 실외기 풍량 저하는 에어컨의 대표적인 고장이며, 이러한 고장들은 에어컨 냉방능력의 감소 및 추가적인 에너지의 소모를 유발한다. 만약 조기에 에어컨의 고장을 정량적으로 예측할 수 있다면, 조기 대처를 통하여 냉방능력의 감소 및 추가적인 에너지 소모를 방지할 수 있다. 최근 머신러닝 및 딥러닝 알고리즘의 발달로 인하여, 이를 이용한 고장 감지에 관한 연구들이 활발하게 이루어지고 있다. 본 연구에서는 머신러닝 기법 중 하나인 Support Vector Regression 및 동적 상황의 실험 데이터를 이용하여 냉매 누설 및 과충전, 실내기 및 실외기 풍량 저하의 단일 고장 상항에 대한 정량적 예측 모델을 제안하였으며, 정량적 예측 모델은 Training 및 Test 데이터에 대하여 98% 이상의 정확도를 보여주었다.

#Air conditioner(에어컨) #Fault diagnosis(고장 진단) #Support Vector Regression(서포트 벡터 회귀) #Refrigerant leakage & overcharging(냉매 누설 & 과충전) #Reduction of air flow rate(풍량 저하)

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-ECN-0101-2020-553-000236246

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료