8조-울프맥

프로젝트 개요

기술개발 과제

국문: 이진 모드 스마트팬 영문: Binary mode Smart Fan

과제 팀명

울프맥

지도교수

윤민호 교수님

개발기간

2023.9~2023.12 (총 4개월)

구성원 소개

서울시립대학교 기계정보공학과 (20204300**) (이*은)

서울시립대학교 기계정보공학과 (20185500**) (정*상)

서울시립대학교 기계정보공학과 (20185500**) (김*록)

서울시립대학교 기계정보공학과 (20204300**) (차*호)

서울시립대학교 기계정보공학과 (20204500**) (안*현)

서론

개발 과제의 개요

개발 과제 요약

이번 과제는 서로 다른 축류형 송풍기인 ‘선풍기’와 ‘서큘레이터’를 하나의 기기에 모두 이식하여 모드 변경을 통해 각 기능을 구현하고, 사람 유무 인식을 통해 모드를 자동으로 변경할 수 있는 스마트 팬을 개발하는 것이다. 즉 신체 열감 해소 기능 및 내기 순환 기능을 한 기계에서 구현할 수 있게 하는 것이 목적이다. 목적에 맞는 송풍기의 적절한 사용에 따른 에너지 효율의 증대와 자동 모드 변경에 따른 사용자 편의성 향상 효과를 기대할 수 있다.   

개발 과제의 배경 및 효과

• 배경

여름 평균 기온은 해마다 상승하는 추세를 보이고, 현대 도시의 주거 및 업무 공간에서 효율적인 공기 순환의 필요성이 증가함에 따라 가정과 회사에서는 다양한 목적으로 송풍기를 구매한다. 직접적인 시원함을 얻기 위해 넓은 기류로 신체의 땀을 증발시키며 열감을 해소하는 선풍기를 구매하는 사람들이 있고, 에너지 효율을 높이기 위해 에어컨과 함께 내부 공간에 냉기를 순환시키고 직진성이 강한 기류를 만드는 서큘레이터를 구매하는 사람들이 있다. 선풍기와 서큘레이터는 축류형 송풍기로 작동 방식과 생김새가 유사하지만, 수요 목적과 기능면에서 큰 차이를 보인다. 목적을 혼동하여 사용하는 것 (열감 해소를 위해 서큘레이터 사용, 내기 순환을 위해 선풍기 사용) 은 원래 목적대로 사용하는 것보다 만족감이 낮고, 각 송풍기는 하나만으로는 모든 목적을 달성하기 어렵다. 따라서 다양한 목적을 한 번에 해결하는 송풍기를 개발하고자 한다.

• 효과

모드 변경을 통해 선풍기와 서큘레이터 기능을 하나의 기계에서 구현할 수 있어 소비자는 다양한 송풍기 수요 목적을 한 번에 충족할 것으로 기대된다. 목적에 맞는 송풍기의 적절한 사용은 에너지 효율의 증대 효과를 기대할 수 있다. 뿐만 아니라 편의성을 위해 사람 유무에 따라 모드를 자동을 변경해주는 기능으로 사용자의 번거로움을 줄여줄 것이다. 또한 계절 가전인 선풍기와는 달리, 스마트 팬은 사계절 가전으로써 유용하게 사용될 것으로 예상한다

개발 과제의 목표

• 평상시에는 기본적으로 Circulator 모드로 작동을 하며, 이때 Vane은 유동 방향에 수평으로 위치하고 tube는 최대 길이이다. 바람의 직진성을 보장하는 것을 최우선 목표로 한다.
• 기계에 배치된 카메라를 통해 근거리에 사람이 인식된다면 Fan 모드로 자동 전환되도록 한다. 이때 Vane은 각도를 가지게 되며, tube의 길이는 줄어든다.
• 근거리 사람 인식을 위해 라즈베리 파이와 카메라를 이용하며, 이때 Yolo 기법을 통한 사람 인식 정확도를 최대로 높이는 것을 목표로 한다.

세부 개발 내용

• 전반적인 작동 시나리오

기본적으로, Smart Fan은 일반적인 선풍기 혹은 서큘레이터와 같은 구조를 가지고 있고, 모드변경 버튼으로 Circulator 모드, Fan 모드, Auto 모드로 전환할 수 있다는 점이 특징이다. Auto 모드는 사람이 가까이 인식되면 Fan 모드에서 헤드가 사람 방향으로 회전하고, 아니면 Circulator 모드로 변경된다.

• Circulator 모드

Circulator 모드의 경우 tube는 초기 개발 시나리오대로 최대 약 210mm가 되도록 한다. 구체적인 각 파트의 길이는 메커니즘 구동부를 구체화할 때 확정한다. 최종 메커니즘 및 여유 길이를 생각하면 최종적으로 약 200mm로 예상한다. Vane의 형태는 유동방향과 나란하며 추후 Vane의 개수에 따른 유동 직진 효과를 해석한다.

• Fan 모드

Fan 모드일 때 tube 길이는 Circulator 모드와 차이가 클수록 원하는 유동 효과가 잘 나타날 것이라 예측한다. 마찬가지로 메커니즘 구동부를 구체화한 후 확정되어야 한다. 현재 최종 길이 약 120mm로 예상한다. Vane의 경우 바람을 퍼뜨리기 위해 적절한 각을 줘야 하는데, 이때 Vane의 개수 및 각도에 따라 그 효과는 달라지게 된다. 따라서 CFD 해석을 통해 Vane의 가장 이상적인 각도를 찾고, Circulator 모드 결과와 종합하여 최종 Vane 개수를 확정한다.

• 모드 변환 메커니즘

모드 변환을 하기 위한 메커니즘은 다음과 같다.

외관적인 모습을 보면 Vane이 달려있는 확장부가 직경이 더 크다. 직경이 큰 확장부가 안쪽에 Fan이 바로 달려있는 Tube와 합쳐지며 길이가 줄어든다. 단지 길이가 줄어드는 것뿐만 아니라 Vane의 angle 또한 변해야 한다. 이런 구동 방식을 설명하기위해 위의 그림을 삽입하였다.

1)내부

확장부 Tube 의 내부에서는 Vane 과 안쪽 Tube 내부에 파 놓은 레일에 rod 를 이용하여 연결한다. 서큘레이터 모드에서 Fan 모드로의 전환에 대해 설명을 진행하겠다. 레일은 Vane의 각을 변환시키기 위해 Off-set을 적용한 상태로 약간의 곡률과 각을 주게 된다. 와이어는 Vane과 연결이 되어있기 때문에 레일을 그대로 따라 들어가게 되면 Tube의 길이는 짧아지고 자연스럽게 Vane이 틀어지며 선풍기 모드로 변환이 가능 한 것이다. Fan 모드에서 서큘레이터 모드로의 전환은 위와 반대의 경우이다. 확장부 Tube가 바깥쪽으로 미뤄지며 rod또한 바깥쪽으로 레일을 따라 이동하고 Vane의 각이 바람의 방향과 평행한 상태인 서큘레이터 모드로 변환이 되게 된다.

2)외부

확장부 Tube 의 외부에서는 확장부와 안쪽 Tube 내부에 파 놓은 레일에 rod 를 이용하여 연결한다. 외부는 그저 Tube가 앞뒤로만 이동하고 회전이 없도록 고정을 해주는 역할을 하기 위해 레일을 일자로 파내어 구동을 하도록 한다. rod로 고정이 되었고, 레일을 이용해 일자의 궤적만을 이동하게 한 만큼 흔들리지 않을 것으로 예상된다. Fan이 회전하는 Tube 외부에 부착되어 확장부를 당겨줄 수 있고 밀어줄 수 있는 구동장치를 사용하여 전체적인 작동을 구현한다.

• SW 설계

1) Fan mode

일반 Fan mode의 경우, 크게 두가지 기능만 작동하면 된다. 선풍기 바람 세기를 조절하고 회전하는 기능이다. 이 때, 위 다이어그램에서 level 이 조절되는 부분을 보면, modulus 연산을 통해 level 이 순환됨을 알 수 있다.

2)Circulator mode

Circulator mode의 경우, 선풍기는 회전하지 않고 바람 세기만 조절한다. 때문에 선풍기 회전 level 만 조절하면 되므로, 앞서 Fan mode의 level 과 동일하게 구동한다.

3) Auto mode

마지막으로 Auto mode는 Raspberry pi를 이용, 사물인식 처리 결과를 정제하여 Arduino 에게 전달한다. 이 때, 사람이 인식 범위 내에 있으면 Fan mode 로, 그렇지 않다면 Circulator mode 로 변환할 준비를 한다. 현재 선풍기가 Fan mode 인데 Circulator mode 로 바뀌어야 하거나, Circulator mode 인데 Fan mode 인 경우, Vane-Tube 메커니즘을 구동해 mode 를 변환한다. 변환한 mode 가 Fan mode 인 경우 선풍기의 회전 각 또한 조절해야 하므로, 이에 대한 처리 신호를 회전 모터로 전달한다.

관련 기술의 현황

State of art

1) 축류형 송풍기 (전세계적인 기술 현황)

송풍기 종류에는 크게 2가지가 있으며 원심식과 축류형이다. 축류형 송풍기의 경우 원심식 송풍기보다 풍량은 크고 정압은 낮은 특징이 있으며 소비전력이 낮은 특징이 있다. 축류형 송풍기 형태에는 많은 종류가 있으며 대표적인 형태는 다음과 같다.

프로펠러의 경우 가장 단순한 형상이다. 효율이 낮아 낮은 압력의 적용분야에만 사용된다. 가격이 저렴하다는 장점이 있다. 이보다 더 높은 압력을 필요로하는 분야에서는 이런 프로펠러를 원통형 케이스 내부에 설치하는 형상의 축류형 송풍기를 사용하는데, 이를 Tubeaxial이라고 한다. 튜브형태가 프로펠러를 둘러싸면서 더 높은 압력을 만들어 내는데 유리해진다. Tubeaxial 형상에서 케이스 내부에 Vane을 설치를 하면 이를 Vaneaxial이라고 한다. 이러한 형태는 축류형 송풍기 중에서 가장 높은 효율을 보여주고 보다 높은 압력을 생성한다. 가격 면에서는 단순 프로펠러 형태가 가장 싸지만, 높은 압력을 생성하기 위해서는 튜브, 베인 등을 사용할 수 있다.

최근 가정용 송풍기는 에너지 효율성을 높이기 위한 기술을 채택하고 있으며, 효율적인 모터 디자인, 날개 형상 최적화, 에너지 절약 모드 및 센서를 통한 온도 및 습도 감지 등의 기술을 통해 에너지 소비를 최소화한다. 이와 함께 공기 정화 및 순환기능을 하는 송풍기도 많이 개발되고 있다. 송풍기의 기능이 다양해짐에 따라 용도에 맞는 블레이드 형태가 요구된다. 앞서 설명한 축류형 송풍기 형태 뿐 아니라 블레이드의 디자인에도 송풍 효과가 크게 달라진다.

익형의 경우 비행기 날개형상과 동일하며 가장 높은 효율을 갖고 있지만, 가공 비용이 비싸다. 방사형의 경우 형상이 단순하고 압력이 높으며 소음이 크다. 또한 회전방향과 블레이드 방향에 따라 전곡형 후곡형으로 나뉜다. 이처럼 형태에 따라 송풍기가 생성해내는 바람은 다양하다. 따라서 용도에 맞는 블레이드와 송풍기 형태가 요구된다. 따라서 2가지 용도를 구현하려면 적절한 형태의 변화를 설계해야한다. 블레이드의 경우 직접적으로 디자인 하기 어렵기 때문에 송풍기 형태 변경을 주로 다룰 예정이다.

2) 선풍기 Iot

초기 선풍기는 모터를 이용해 날개를 회전시켜 바람을 일으키는 목적이 중요했다. 하지만 유체 시뮬레이션, 최적화 기법 등이 발달하며 날개의 모양은 점점 고착화되었고, 기업들은 제품에 차별점을 두고자 선풍기와 IoT (Internet of Things) 를 결합시켰다.

기업들은 IoT 가 접목된 선풍기를 스마트 팬 (Smart Fan) 이라 일컫는다. 스마트 팬은 대개 핸드폰과 연동이 가능하며, 이를 통해 사용자 맞춤형 서비스를 제공할 수 있다.

3) 객체 인식 (Object detection)

현재 상용되는 객체 인식 방법은 CNN (Convolutional Neural Network)을 기반으로 만들어졌다. CNN 은 인공 신경망 (ANN, Artificial Neural Network) 구조 중 하나로, 사람이 물체를 인식하는 방법을 모방하여 만들어졌다. 이를 이용한 제품은 매우 많다. 그 중, 우리에게 친숙한 제품을 들자면 Apple 의 Face ID, Tesla 의 Autopilot 을 들 수 있다.

Tesla 의 Autopilot 이 객체 인식을 적극적으로 활용한 제품이다. Autopilot 은 실시간 객체 인식을 활용해 도로, 주변 차량, 장애물 등을 인식하고 목표 경로에 맞춰 주행한다. 반면 Apple 의 Face ID 는 객체 인식의 영역에 포함되지만, 자사의 기술들 (TrueDepth 등) 과 융합하여 정밀도를 높인 제품이다. 또한 객체 인식 분야에 큰 영감을 준 YOLO 가 있다.

YOLO는 기존 CNN 방식을 벗어난 R-CNN (Region with Convolutional Neural Networks features) 을 이용해 속도와 정확성을 높여 주목받았다. YOLO는 처음 배포된 v1 버전부터 가장 최근 출시된 v8 버전이 있으며, 사용자의 개발 환경 또는 시스템의 성능 등을 고려해 적합한 버전을 이용할 수 있다.

기술 로드맵

특허조사

본 조의 목표와 동일하게 에어 서큘레이터에서 Tube 의 형상을 탈부착으로 변경시켜 유체의 흐름을 변화시키는 특허와 Vane 이 유체의 흐름에 영향을 주거나 변형되는 특허에 대해 조사하였다. 또한 센싱 기능을 통해 전원과 각도 회전을 자동으로 조절해주는 특허에 대해 조사하였다.

조사 결과는 작성된 아래의 표들에 정리하였다. 첫 행은 고안 명칭, 두 번째 행에는 출원번호, 출원일자 및 고지된 법적 상태를 정리했다. 세 번째 행에는 특허 문서에 등록된 도면과 전체적인 내용에 대한 요약을 나타내었다.

특허전략

앞서 조사한 특허 중 우리가 고안한 Vane의 변형, 선풍기-에어 서큘레이터 전환 메커니즘에 관해서는 동일한 특허가 존재하지 않고, 변형 가능한 Vane을 만들기 위해 필수적으로 사용되어야 하는 부분에 대해서는 특허의 법적 상태가 아직 공개 상태이다. 또한 Vane에 관한 부분은 축류형 송풍기 특허에서 해당 파트의 결합 방식에 관한 특허가 있지만 법적으로 효력이 소멸된 상태이다. 에어 서큘레이터를 집중형과 확산형으로 Tube부분을 수축-이완으로 조절하여 목적이 분리된 특허는 존재한다. 본 팀은 유체가 흐르는 튜브의 길이 변화와 앞에 달린 Vane의 각도 변환을 통해 직사형과 확산형으로 목적을 분리하므로 메커니즘이 달라 개발 후 특허 출원에 있어 문제가 없을 것으로 보인다.

본 제품은 특허로 등록된 사람 위치 인식 선풍기와 사람의 위치에 따라 각도를 조절해주는 기능적인 측면이 유사하다. 반면, 사람 유무에 따른 전원 제어와 제스처 인식 기능은 구현하지 않는 기능이고, 센싱 값에 따라 제어하는 스마트 선풍기는 적외선 센서, 온도 센서, 습도 센서를 사용한다는 점에서 본 팀과 차이점이 존재한다. 무엇보다 본 제품은 사람 인식 유무에 따른 선풍기-서큘레이터 모드 변경 기능이 있다는 점이 가장 큰 차별점이다. 이러한 특허 조사를 바탕으로, 사람 인식 유무에 따른 모드 변경이 가능한 스마트 선풍기가 존재하지 않는 새로운 발명이라는 점, 두 가지 축류형 송풍기를 하나의 기기에서 구동하는 진보된 발명이라는 점, 가전 제품 산업에서 산업상 이용가능한 점에서 특허로 등록 받을 수 있는 요건을 모두 만족한다.

관련 시장에 대한 분석

경쟁제품 조사 비교

두 제품은 직경 23cm의 날개와 BLDC 모터를 사용하며 서큘레이터 기능이 가능하고, 사용자 환경에 맞는 모드를 설정할 수 있다는 점에서 유사하다. 그렇지만 이진 모드 스마트팬은 10엽으로 미디어 서큘레이터의 3엽에 비해, 엽간 간격이 좁아 같은 회전수에서 높은 풍량을 유지할 수 있다. 미디어 서큘레이터는 온도에 따라 풍속을 조절할 수 있는 ECO 모드가 가능하고, 이진 모드 스마트팬은 Auto 모드에서 사람 유무에 따라 선풍기-서큘레이터 전환이 가능한 다른 모드 변경 기능이 있다. 특히 본 제품의 이진 모드 스마트팬은 사람 인식한 방향으로 선풍기 각도를 조절함으로써 잉여 회전을 방지하는 효율적인 냉방이 가능할 수 있다.

마케팅 전략

SWOT 분석을 통해 이 제품에 대한 마케팅 전략을 수립해보았다. 설계 및 제작 상에서 제어할 수 있는 내부 요인들을 살펴보자. 우선 강점(Strength)은 스마트 팬으로써 팬 모드, 서큘레이터 모드, 오토 모드(사람 인식 기능 응용)이 구현된다는 점이다. 약점(Weakness)는 다기능 및 모드를 구현하면서 필연적으로 발생하는 모드 변경 반복 시 수명에 대한 우려를 생각해볼 수 있다. 이 제품이 개발되어 시장에 출시되었을 때 발생 가능한 제어 불가한 외부 요인들을 살펴보자. 기회(Opportunity)는 앞으로 축류형 선풍기 시장의 규모가 성장함에 따라 수요가 증가할 것이라는 예측이다. 반면 위협(Threat)은 팬 고객층과 서큘레이터 고객층의 교집합에 타겟이 좁아질 가능성이 존재한다는 것이다.

• 강점을 기회에 적용 가능한 SO 전략은 축류형 송풍기에 대한 수요 증가에 맞춰 사람 인식 기능과 모드 변경이 되는 제품으로 다양한 니즈를 충족하여 고객을 확보하는 것이다. 여러 수요처에 적합한 성능으로 어필할 수 있을 것이다.
• 약점 보완을 기회에 적용 가능한 WO 전략은 모드 변경을 반복했을 때 기기의 손상 또는 마모가 발생할 수 있는데 구조 개선을 통해 일정 수준 이상의 기기 수명을 확보하고 기기의 내구성을 입증하여 시장을 공략하는 것이다.
• 강점을 이용하여 위협을 피하는 ST 전략은 다양한 기능을 고성능으로 구현하여 팬 또는 서큘레이터만 필요한 고객들을 수요층으로 흡수하는 것이다. 기존에 폭이 좁던 타겟 고객층을 넓힐 수 있다.
• 약점을 보완하고 위협을 피하는 WT 전략은 구조 개선을 통한 기기의 수명 및 내구성 보완을 통해 다양한 고객에게 기기의 필요성을 어필하는 것이다.

이렇게 SWOT 분석을 해보았을 때, ST 전략을 통한 마케팅이 가장 유리할 것으로 판단했다. 한 기기에서 구현하려는 다양한 기능이 제대로 작동하고 성능 또한 높다면 고객들이 선택하기 적합하다고 생각한다.

개발과제의 기대효과

기술적 기대효과

본 제품은 직접적인 열감해소 뿐만 아니라 공간의 전반적인 공기 순환 및 환기를 조절할 수 있기 때문에, 소비자가 생활하는 공간의 공기조화를 자동적으로 해결할 수 있다. 위 자료를 보면 에어컨만 사용할 때와 달리 서큘레이터를 같이 사용하면 1 ~ 3 ℃ 의 전체 온도 하락 효과가 나타나는데, 이는 다르게 말해서 전력 소비의 완화를 의미한다. 소비자의 생활 구조 및 패턴에 따라 적절한 위치에 본 제품을 위치 시킨다면, 어느 위치든 소비자가 느끼는 열감을 해소해 줄것이며, 직접적인 방식 간접적인 모든 방식으로 이루어질 수 있음에 따라 하나의 방식으로 수행하던 기존 제품과 달리 기술적으로 다양성 및 효율성을 기대할 수 있다.

경제적 및 사회적 파급효과

기존에 송풍기 시장의 대부분을 차지하던 선풍기 뿐만 아니라 서큘레이터 시장은 2030년 2022년에 비해 약 1.5배 상승할 것이라 예상된다. 이는 공기 순환을 중요시하는 소비자가 계속해서 증가하고 있다는 것을 보여준다. 계속해서 더워지는 기후와 이에 따른 전기 요금 인상으로 에어컨 전력소비는 계속해서 증가할 것이며, 이를 완화해줄 서큘레이터는 계속해서 판매량이 증가할 것이다. 따라서 선풍기와 서큘레이터를 혼합한 본 제품은 두 송풍기를 모두 필요로하는 소비자에게 하나의 제품으로 해결할 수 있는 만족감을 줄 것이다.

또한 근 5 년간 AI 관련 시장은 기하급수적으로 확장하였고, 이에 맞춰 임베디드 AI 시장 또한 확장될 것으로 예상된다. 이는 관련 시장 소비자들의 수요가 증가할 것을 암시하고, 기존 IoT 제품보다 AIoT (Artificial Intelligence of Things) 제품의 가치가 높아질 것을 뜻한다.

하지만 이와 반대로 현재 송풍기 시장의 제품들은 이를 반영하지 못하고 있다. 대부분의 제품이 IoT 도 접합되지 않은 제품이고, AIoT가 접합된 제품은 전무하기 때문이다. 따라서 본 제품은 AIoT를 결합한 시장의 첫 제품이 될 것이라 기대한다. 첫 제품이 되어 AIoT의 기준점을 제시하고, 더 나아가 임베디드 시스템의 AIoT / IoT 시장의 흐름을 유도할 것이라 기대한다.

구성원 및 추진체계

설계

설계사양

가. 제품 요구사항

나. 목적 계통도

다. 설계사양 구체화

• 유동해석

1) Fan 모드 (전방 300mm, 풍속 2m/s 이상 면적이 전체 면적의 40% 이상 , [%] )

Fan 모드의 경우 짧은 거리에서 넓은 면적의 바람이 불어와야 한다. 이에 Tube 끝단부터 300mm 거리의 수직 단면에서 풍속을 측정했을 때, 2m/s 이상의 속도를 구성하는 면적을 구한다. 이 면적이 전체 측정 면적 대비 얼마나 차지 하는가를 측정했을 때 40% 이상 차지하게 설계한다. 이때 전체 측정 면적은 해석 domain 으로 선정한 Cylinder 지름 (575mm) 에 해당하는 면적이다.

2) Circulator 모드 (전방 300mm, 풍속 2m/s 이상 면적 지름이 300mm 이하 , [〖mm〗^2] )

Circulator 모드의 경우 직진성을 잘 나타내야 한다. 이를 위해 측정 위치는 앞서 선정한 Fan 모드의 거리와 동일하게 한 후 풍속 2m/s 이상 면적을 나타냈을 때, 그 면적의 최대 반지름을 측정한다. (이 때 Fan 모드의 측정 거리와 동일하게 하는 이유는 Fan 모드와의 직진성 비교를 하기 위함이다.) 최대 반지름이 작을수록 바람의 퍼짐 정도가 일정거리동안 나타나지 않음을 의미함으로 상대적으로 직진성이 잘 나타남을 알 수 있다.

• 구동부

1) 힘으로 모든 Angle bar로 당길 수 있어야 함 (8개 Vane이 동시 동작 , 8/8[개])

사람 인식 후 모드 변환 시 0° 의 각도를 가지고 있던 Vane 이 선정한 각도에 맞게 변환하게 된다. 이때, 8개의 Vane 이 하나의 동력으로 인해 동시에 구동되어야 한다. 동시에 구동되지 않을 시, 최종적으로 적절한 각도로 배치되지 않을 것이며, 메커니즘 작동에 방해가 된다. 따라서 하나의 동력으로 모든 Angle bar 가 동시에 이동하도록 구동부를 설계한다.

2) 완료 후 모든 Vane이 선정한 각도로 배치돼 있어야 함 (8개 Vane의 최종 각도, 45/45[°])

마찬가지로 사람 인식 후 모드 변환 시 Vane 이 선정한 각도에 맞게 최종 변화 완료되어야 한다. 이때, 8개의 Vane 이 선정한 각도로 배치되지 않을 시, Fan 의 역할을 제대로 수행하지 못하므로 최종적으로 적절한 각도로 배치되도록 메커니즘을 설계해야 한다.

3) Circulator 모드 변환 완료 후 구조적으로 안정되야 함 (Safety Factor ≥ 3)

Circulator 모드일 때 Fan 모드에 비해 Vane Tube가 확장되어 있어, 구조적으로 무게 중심이 비교적 불안정하게 된다. 따라서 Circulator 모드일 시 설계하고자 하는 모델이 구조적으로 안정한지 구조해석을 통해 설계한다. 또한 취약점을 확인후 이를 보강하기 위한 설계를 진행한다.

4) Blade가 만들어 내는 기류 방향이 원심형이 아닌 축류형이여야 함 (Velocity YZ contour)

Fan 설계에 있어서, Blade 형상이 차지하는 부분이 절대적이다. 하지만 Blade 설계는 현재 할 수 없는 사항이므로 시중에 사용할 수 있는 Blade 를 이용하여 설계를 한다. 다양한 Blade 를 구동 및 해석 후, 해당 Blade가 생성하는 바람의 종류가 ‘축류형’ 인지 ‘원심형’ 인지를 판단하여 해당 Blade 를 채택한다. 해석을 이용할 시 YZ contour 를 이용해 시각적으로 확인을 하거나, 실제 모터를 구동해 봄으로써 결정한다.

• 제어부

1) 얼굴인식 및 신호 전달 소요 시간 1초 이하

본 제품의 Auto 모드는 사람 인식 여부에 따라 Fan 또는 Circulator 모드로 전환한다. 모드 전환 과정은, Raspberry pi 의 연산 결과를 시리얼 통신으로 Arduino 에 전송해야 이루어질 수 있다. 때문에 연산 및 통신에 걸리는 시간이 길어질수록, Auto 모드에서 전환 시간이 오래 걸린다. 이러한 이유로 얼굴 인식 및 신호 전달 소요 시간을 설계사양에 포함시켰고, 이를 1 초 이하로 제어하는 수행하도록 하였다.

2) Raspberry pi 운용 온도 70℃ 이하

Raspberry pi 의 적정 운용 온도는 0℃ ~ 85℃ 이다. 좀 더 엄밀히 말하자면 CPU 의 운용 온도는 - 40℃ ~ 85℃, LAN (Ethernet) 의 운용 온도는 0℃ ~ 70℃ 이다. 더불어 Raspberry pi 의 CPU 가 85℃ 이상 넘어가게 되면, 쓰로틀링(Throttling)이 발생하여 자체적으로 CPU clock 을 낮춰 버리기 때문에 이는 매우 중요한 설계 요소이다. 따라서 본 제품을 운용했을 때, Raspberry pi 의 온도가 70℃ 이하로 유지될 수 있도록 설계사양을 제시하였다.

3) mAP^50 40% 이상 (mean Average Precision with 50% IoU∶ Intersection over Union)

Raspberry pi 에서 사람 인식을 진행할 때, 다양한 요인이 평가 요소가 될 수 있다. 우리의 경우, “사람이라고 정확하게 인식했는지” 와 “사람의 위치를 정확하게 인식했는지” 와 같은 2 가지 요소가 존재한다. 이를 나타내는 지표 중 하나가 mAP^50 이다. mAP^50 은 “사람 위치를 나타내는 bounding box 가 50% 이상 겹치도록 예측했으며, 사람을 사람이라 예측하고 사람이 아닌 것을 아니라 예측한 지표” 이다. 한마디로 정리하면 “사람 인식 성능” 라 할 수 있다. 때문에 이를 설계사양에 포함시켰고 40% 이상으로 설정했다.

개념설계안

가. 구동부 설계

1) Blade 형상

2) Tube 형상

3) 모드 변환 메커니즘

나. Fan 모드 Vane 형상 설계

1) 방향

2) 각도

-> 이에 대한 결과와 선정된 모델은 유동 해석을 통해 제시할 예정이다.

다. 제어부 설계

1) Fan 구동 모터

2) 회전 방식

3) Yolo version

이론적 계산 및 시뮬레이션

가.유동해석

• 해석방법

Vane을 Tube 끝에 설계함으로써 Fan에서 발생한 유동에 어떻게 영향을 주는지 시각적, 수치적으로 나타내기 위해 유동 해석을 진행했다. 설계의 편의성을 위해서 Vane 수를 8개로 선정하였고 Vane이 각을 가지는 방향과 그 각도에 따라 최적의 구조를 선정한다. 8개 각각의 Vane을 Fan blade 날개 각과 같은 방향으로 회전시킨 것을 (+), 날개 각과 반대 방향으로 회전시키는 것을 (-)로 명명한다. Vane 각도의 경우 25도, 45도, 65도 세 경우를 후보로 선정하여 Parametric study를 진행한다. 따라서 Fan모드의 경우 6가지(=2x3) 중 최적의 모델을 선정한다. 모든 해석은 Ansys 2021 R2 CFX를 이용하여 진행했다.

• Meshing

Meshing 조건은 위와 같다. Curvature는 곡률이 높은 Blade 및 Vane의 기하학적 특성상 Mesh Quality를 높이기 위해 설정하였고 유동 해석에서 가장 핵심인 경계층 해석을 위해 전체 두께 2mm, 3 layers 로 Inflation 설정을 하였다. CFX의 경우 Fan 주위 유동장을 회전시키는 MRF Method를 사용하지 않고 직접 Fan을 회전함으로써 해석을 진행할 수 있다. 따라서 Solid는 Blade만 Meshing을 했고, 그 외 유체가 흐르는 Domain에 대해서 Meshing을 했다.

Meshing 결과 대략 6,000,000개의 Mesh 수가 나타났으며 매시 품질을 나타내는 Orthogonal quality는 평균 0.76으로 나타났다. 해당 수치를 통해 유동 해석에 신뢰성을 부여하기 적합하다고 판단했다. 또한 Vane과 Tube 주변에 Inflation도 잘 적용되었음을 확인할 수 있다.

• 해석조건

Fan 해석의 특성상, 시간에 따른 연속적인 과정을 확인하기 위해 Transient 해석을 진행했다. 유동이 완성되기까지의 시간을 고려해서 총 8초를 0.2s 간격 timestep으로 해석했다. 초기 조건의 경우 유동장내 공기의 속도 및 압력을 0으로 설정하였고 해석에서 가장 중요한 경계조건의 경우 Inlet 및 Outlet 모두 Static Pressure를 0으로 설정하여 유동 형성을 확인하였다. 또한 Fan이 돌아가는 설정을 위해 Blade를 공기 내의 Immersed Solid로 설정하였고, 회전 속도는 2000rpm으로 적용하여 해석을 진행했다. 여기서 난류 모델은 SST (Shear stress transport)로 해석하였다.

• 해석

CFD에서 다루는 기본 지배 방정식은 다음과 같다.

전산 유체역학(CFD)은 위의 지배 방정식과 물질 특성을 기반으로 진행된다. 유체의 운동을 기술하는 비선형 편미분방정식을 컴퓨터를 통해 풀 수 있는 대수방정식으로 변환하여 계산한다. 이를 위해서 유한체적법(FVM)을 이용하는데, 전체 유동해석 공간을 유한개의 미소 제어체적으로 설정한다. 컴퓨터는 단시간에 다량의 수치해석 계산을 수행하고 효과적으로 유동을 재현하게 된다. 제어체적은 경계를 가지고 있으며, 해석 노드는 제어체적 중앙에 위치한다. 유동에 관련된 물리량들은 해석 노드에서 계산하고, 주변 노드에서의 값에 의해 보간된 면에서 값에 의해 보완된다. Net Flux는 각 제어체적 표면의 통과하는 수치의 합으로 정의하고 지배방정식은 각각의 제어체적에 대해 적분 된다. 이때 각 물리량 (질량, 운동 에너지, 퍼텐셜 에너지)은 제어체적 내에서 보존 법칙을 만족하게 된다.

해석 시간은 모델 당 약 220분 정도 소요되었고, 수렴성 또한 잘 나타났다. 우선 Vane 설계 중 레퍼런스 각도를 25도로 고정 후 (+)일 때와 (-)일 때의 차이를 확인한 뒤, 효과가 더 잘 나타나는 모델로 확정한다. 이후 각도에 따른 효과를 해석하여, 최종 모델을 선정했다.

• 해석결과

1) Circulator 모드와 Fan 모드

Vane의 효과를 극명하게 보이기 위해서 Blade를 임시로 원심형 Blade로 해석했다. 원심형 Blade의 경우 축류형 Blade와 달리 원심 방향으로 바람을 만든다. 따라서 Vane 효과를 더 잘 보여줄 수 있다. 위 그림과 같이 Fan 모드의 경우 Circulator 모드일 때 보다 퍼짐성이 더 잘 나타남을 확인할 수 있었다.

2)(+) vs (–) 에 따른 Vane 효과

Vane의 (+), (-) 방향에 따른 유동 변화에 대한 비교는 어렵지 않았다. (+) 방향의 경우 Blade 회전으로 인해 발생하는 와류와 Vane이 충돌하여 상쇄되는 방향으로 배치되기 때문에 유동이 직진하지 않고 전방에서 갇히는 현상이 나타났다. (-) 방향의 경우 와류 방향과 평행하게 배치되기 때문에, 유동 저항 역할을 하는 것이 아닌 유동을 퍼트려주는, 즉 우리 조가 기대했던 Vane의 효과를 잘 보여주었다. 따라서 (-)방향의 Vane을 선정하였다.

3)각도에 따른 Vane 효과

Vane 각도에 따른 유동 양상의 변화는 위 그림과 같다. Vane각도가 증가함에 따라 퍼짐성이 증가하는 것은 잘 보이지만, 퍼지는 정도만 고려할 것이 아니라, 결국 전면에 사람이 있었을 때 피부에 닿는 면적을 적절하게 고려해야 한다. 65도의 경우 퍼짐성이 제일 크지만 중앙에 발생하는 큰 유체 공동(空洞)을 고려하면 효과가 가장 좋다고 판단하기엔 어렵다. 따라서 구체적인 수치화를 통해 이를 평가하고 최종 각도를 선정했다.

유체 해석 영역에서 XZ평면으로 2가지 평면을 설정하였다. Tube 전방에서 210mm 떨어진 XZ1영역과 360mm 떨어진 XZ2영역이다. 이 두 영역에서 유동 양상 변화에 따른 퍼짐성을 수치화 한다. 구체적인 수치화 방법은 다음과 같다. 각 XZ 영역을 유체의 속도에 대한 Contour로 시각화 했을 때, 하한인 2m/s 이상의 속도를 가지는 영역을 추출한다. 이 영역의 면적이, 설정한 XZ 전체 면적 대비 몇 %를 차지하는가를 CFX calculator를 통해 계산한다. 해당 수치는 우리 조가 판단했을 때, 바람이 유의미하게 사람에게 도달하는 면적 비율을 의미한다. 따라서 XZ1에서 XZ2까지 면적 비율 증가 량을 계산하면 퍼짐성이 얼마나 증가하는가를 수치화 할 수 있다.

증가 량을 비교하기 전 XZ2 (360mm)에서의 해당 면적을 보면 위 그림과 같다. 65도가 퍼짐성이 가장 큰 것으로 확인할 수 있다. 하지만 단순히 사람에게 도달하는 면적이 넓고, 잘 퍼진다고 해서 시원하다고 판단할 수 없다. 따라서 면적 비율과 더불어 해당 면적의 평균 속도도 계산했다. 다시 말해서 면적이 넓고 유속이 빠른 바람이 도달해야 냉감을 느끼기 때문에 추출한 면적의 평균 속도를 구한 것이다. 앞서 말한 수치들을 정리하면 다음과 같다.

25도의 경우 27.54%에서 34.19%로 6.65%p 상승했으며 45도의 경우 28.92%에서 43.96%로 15.04%p 상승했다. 65도의 경우 32.08%에서 53.23%로 21.15%p 증가했다. 각 위치에서 면적 비율뿐만 아니라 면적 증가량도 65도에서 가장 많이 증가했다. 따라서 65도가 퍼짐성이 가장 좋다고 평가했다. 하지만 영역 내의 평균 속도를 함께 보면 25도와 45도에 비해서 65도의 경우 두 영역에서 평균속도가 0.2~0.3m/s 정도 낮게 나왔다. 이는 유동이 넓게 퍼지면서 유속을 크게 잃는다는 의미이다.

막대 그래프의 경우 영역 내의 평균 속도를 의미하는데 65도의 경우 다른 각도보다 평균 속도가 낮게 나타난다. 따라서 65도 모델은 각 영역에서 면적 비율과 그 증가량이 가장 크지만 평균 속도의 경우 다른 각도의 비해 낮게 나타났기 때문에 평균 속도가 잘 보존되고 면적 비율도 적절한 45도 모델을 최종 선택하였다. 결국에는 65도의 경우 퍼짐성에서는 뛰어나지만 바람이 많이 퍼짐에 따라서 유량이 분산되어 속도를 잃는 것을 확인할 수 있었다. 45도의 경우 퍼짐성은 25도와 65도의 평균값과 가깝게 나타났으며, 면적 비율의 경향성은 각도 증가와 비례하는 것으로 나타났다. XZ2에서 오히려 25도보다도 평균속도가 높게 나왔고 해석 오차를 감안하더라도 가장 좋은 결과를 나타냈다.

최종 선택한 45도 Fan 모드와 서큘레이터 모드를 비교했을 때는 위와 같다. 평균 속도는 전체적으로 Circulator 모드가 크면서 그 감소량도 더 작게 나타났다. 따라서 Circulator모드는 Fan모드일 때 보다 평균 속도가 더 강하면서도 그 면적은 크게 증가하지 않음을 의미한다. 쉽게 말해서 바람이 덜 퍼지고 그 평균 속도는 강하게 유지된다는 것이다. 좁은 면적을 강하게 바람이 지나가면서 Circulator 모드로서 기능을 성공적으로 나타낸다.

최종적으로 설계한 Fan 모드 [45도 (-)]와 Circulator 모드의 YZ평면의 속도 contour를 나타내면 다음과 같고 그 차이는 명확하게 관찰할 수 있다.

나.구조해석

Ansys 2021 R2 Mechanical 구조 해석을 위해 Meshing을 했을 때 약 97만 개의 노드가 생성되었고 평균 0.374의 skewness 값을 가져 우수한 mesh 퀄리티를 확보하였다. 하우징(Tube, Fan bottom)의 재질은 3D 프린팅 재료인 PLA와 거의 유사한 PP소재를 적용하여 해석을 진행하였다. Fan bottom의 하단부를 고정한 후 자중에 대한 구조해석을 진행하였는데 최고 응력이 0.65MPa에 불과해 취약부에서도 매우 미미한 응력이 발생하는 것을 알 수 있었다. 안전계수는 모든 부분에서 15 이상으로 예측되어 매우 안전하다는 해석 결과가 나왔다.

조립도

가. 조립도

나. 조립순서

1. Motor Tube의 후방에 모터를 장착한다.
2. Pin에 Blade를 붙이고 모터 축에 연결한다.
3. Vane Tube에 Rod를 이용해 8방위로 Vane을 설치하고 중앙 Center Part에서 하나로 모아준다.
4. Vane의 각을 바꿔주는 Angle Bar 8개와 Bar Connecter를 장착한다.
5. Motor Tube, Vane Tube, Fan Bottom을 모두 장착한다.
6. Fan Bottom에 라즈베리 파이, 아두이노를 장착한다.

부품도

제어부 및 회로설계

전체적인 회로 구성은 위 그림과 같다. 본 프로젝트 회로 설계에서는 서큘레이터 모드에서 강력한 직진 바람을 확보하기 위해 40W 출력의 BLDC모터를 안정적으로 사용하는 것에 중점을 두었다. 정격 출력 전류가 2A @ 24V인 모터 드라이버를 선택하여 모터에 안정적인 전원을 제공한다. 동작 전압이12~35[V]인 모터 드라이버에 안정된 전원을 제공하기 위해 출력 전압이 24V 1채널 156W인 SMPS를 사용한다.

아두이노는 외부 전원 공급장치를 사용하지 않고, SMPS에서 출력하는 DC 전압을 컨버터를 통해 동작 전압으로 변환하여 공간 효율성을 증대한다. 아두이노는 브레드보드의 터치 센서와 연결되어 사용자의 터치 입력을 받아 처리한다. 이를 통해 BLDC 모터와 서보 모터를 제어한다.

라즈베리 파이는 아두이노와 USB 포트로 연결되어 시리얼 통신을 수행한다. 연결된 카메라 모듈은 사용자의 위치에서 각도를 계산하고 이 정보를 아두이노에게 전송한다. 아두이노는 전송된 데이터에 따라 서보 모터를 조작하여 사용자의 위치에 맞게 서보 모터를 제어한다.

소프트웨어 설계

본 과제의 소프트웨어 설계는 크게 2 부분으로 나뉜다.

첫째, Raspberry PI에서 카메라 이미지를 통해 Yolo 딥러닝 처리를 진행하고, 이를 Arduino 로 보내주는 부분.

둘째, Arduino에서 딥러닝 처리 결과를 통해 직접적으로 선풍기를 구동하는 부분이다.

Raspberry PI는 Ubuntu 22.04 OS 와 Python 3.9.18을 이용해 구동하였고, Arduino는 Platform IO IDE, C++를 이용해 구동하였다. 특히 Python, C++ 두 언어 모두 객체 지향 프로그래밍 (Object-Oriented Programming, OOP) 에 특화된 언어이므로, 이를 최대한 활용하여 소프트웨어 설계를 진행하였다.

가. Raspberry PI

Raspberry PI의 구동은 크게 두 부분으로 나뉜다. 첫째, Yolo를 이용해 딥러닝 처리를 진행하는 부분, 둘째 딥러닝 처리 결과를 Arduino 로 보내는 부분이다. 위 과정에서 필요한 Python library 와 그 버전은 다음과 같다.

A. Yolo 를 이용해 딥러닝 처리를 진행하는 부분

먼저 딥러닝 처리를 진행하기 전, 카메라와 Arduino 간 통신이 구축되어야 한다. 그런 다음 이미 학습된 Yolo 모델을 불러와야 한다. 이를 진행하고 만약 실패한다면, 제대로 된 구동을 하지 못하므로, 프로그램을 종료한다.

초기화 과정이 성공적으로 이루어졌다면, 카메라에서 이미지를 불러온다. 그런 다음 Yolo 모델을 이용해 딥러닝 처리를 진행한다. 카메라 이미지에 사람이 존재한다면 선풍기가 사람을 향하도록 조절해야 한다. 따라서 딥러닝 처리 결과를 통해 사람이 있는지 판단하고, 만약 사람이 존재한다면 사람의 좌표를 Arduino 에 보내주어야 한다.

B. 딥러닝 처리 결과를 Arduino 로 보내는 부분

Arduino 와 Raspberry PI 의 통신은 시리얼 통신을 기반으로 한다. 시리얼 통신은 대개 byte 단위로 이루어지는데, 딥러닝 처리 결과를 byte 단위로 보낼 경우 이를 잘못 인식하여 Arduino 의 구동이 상이해 질 수 있다. 때문에 딥러닝 처리 결과를 JSON (JavaScript Object Notation) 형식으로 변환 후 보내준다. 이를 통해 Arduino 에서 받은 정보를 우리가 원하는 형식으로 역 변환 (deserialize) 할 수 있다.

C. 전체 구동 Diagram

이제 Raspberry PI 구동의 마지막 부분이다. 앞선 설명으로 사람이 인식되었을 때는 Arduino 로 정보를 보내고, 그렇지 않으면 다음 이미지 처리를 준비한다 하였다. 하지만 이들을 진행하며 에러가 발생할 수도 있고, 프로그램이 종료되지 않는 한 계속 이미지를 받고 Yolo 처리를 해야 한다. 이를 추가해 나타내면 다음과 같다.

나. Arduino

Arduino의 소스코드는 크게 4 부분으로 나뉜다. 첫째, OOP를 이용한 Arduino 소스코드의 기저가 되는 코드 (base.h). 둘째, 터치센서 입력에 따라 BLDC 모터의 회전을 조절하고, 이를 LED 로 나타내 주는 코드 (sensor_LED_bundle.h). 셋째, 터치센서 입력에 따라 서보모터의 회전을 담당하는 코드 (sensor_servo_bundle.h), 마지막으로 Raspberry PI 에서 들어오는 시리얼 통신을 받는 코드 (Raspberry_pi_Json.h). 위 4 부분의 코드를 다이어그램으로 나타내면 다음과 같다.

다이어그램은 각 class 간 상속 (inheritance), 사용 등을 나타내고 있으며, 특정한 멤버를 사용하기 위한 library 또한 나타내고 있다. (Servo.h, ArduinoJson.h 등) 이제 위 소스코드를 이용한 Arduino의 구동 방식을 알아보자.

A. 알고 있어야 될 사실

구동 방식을 알아보기 전, 필히 알고가야 하는 사실이 있다. 바로 터치센서에 대한 것인데, 우리가 사용하는 터치센서는 정전압을 기반으로 사용된다.

이 때문에 터치센서가 가지는 특징이 있는데, 센서를 눌렀을 때만 HIGH 신호를 전달하고, 눌리지 않은 상태에는 LOW 신호를 전달한 다는 것이다. 이러한 점 때문에 “터치센서를 눌렀는가?” 를 판단하기 위해선 다음과 같이 생각해야 한다.

앞으로 “버튼이 눌렸는가?” 를 판단할 땐 위와 같은 논리가 숨어있음에 유의하자.

B. BLDC 모터 구동

이제 터치센서를 통해 BLDC 모터의 회전을 조절하고, 이를 LED 로 나타내 주는 부분이다.

다이어그램을 보면 LEVEL 순환이라 적힌 부분이 있다. 이는 모듈로 연산을 이용하면 되고, 이를 통해 BLDC 모터의 RPM 이 순차적으로 증가하다 어느 순간 정지함을 알 수 있다.

C. 서보모터 구동

다음은 터치센서에 따라 선풍기의 회전 모드를 조절하는 부분이다.

다이어그램 중간에 Mode 또는 회전방향을 반전시키는 부분이 있다. 이는 boolean 타입의 특성을 이용해 구현할 수 있다.

D. 시리얼 통신 처리

마지막으로 Arduino 에서 Raspberry PI 의 시리얼 통신을 받는 부분이다.

다이어그램을 보면 Raspberry PI 의 통신을 받을 시리얼 (Input_serial) 과 수신을 잘 받았다는 것을 확인할 시리얼 (Output_serial) 이 있는 것을 볼 수 있다. 이 둘을 같은 시리얼로 사용해도 문제는 없지만 그러지 않는 것을 권장한다.

E. 전체 구동 Diagram

이제 앞서 설명한 구동 방식을 합쳐 모두 조절하는 부분이다.

위 다이어그램의 Arduino Program Loop 가 반복 실행되며 Arduino 가 각 부품들에 알맞은 신호를 보내게 된다.

다. Arduino – Raspberry PI

Arduino 와 Raspberry PI 각각 어떻게 구동되는지를 보았다. 이 둘을 합쳐 보이면 다음과 같다.

자재소요서

결과 및 평가

완료작품 소개

프로토타입 사진

포스터

섬네일을 만드는 중 오류 발생: 12.5 MP 이상의 파일 용량

개발사업비 내역서

완료 작품의 평가

시연 결과 각 모드는 Vane 영향으로 인한 유동의 유의미한 차이를 보였다. 또한 YOLO 연산을 통해 사용자의 위치를 파악 후 적절한 조사 각도로 제어할 수 있었다.

Vane을 설계함으로써 기기 기능성을 극대화하였고, 사람에 따른 풍향 각도 조절로 사용 편의성을 극대화하였다.

향후평가

제한된 예산 및 개발 시간으로 인해 자동 메커니즘 변환 기능을 완성하지 못했다. 본 프로젝트를 토대로 자동화된 메커니즘을 추가한다면 더 완성도 높은 기기가 될 것으로 기대된다.

추후 최적화 등을 통해 다른 공조 시스템에도 적용 가능하다는 점에서 충분히 가치 있는 프로젝트라 생각한다.

특허 출원 내용

부록

참고문헌 및 참고사이트

[1] [동국대학교 산학협력단, 얼굴 및 제스처 인식 기능이 구비된 스마트 선풍기, 10-1939721, 대한민국특허청, 2019년01월11일]

[2] [두산에너빌리티 주식회사, 사람 위치 인식 선풍기, 10-1939721, 대한민국특허청, 2019년01월11일]

[3] [금오공과대학교 산학협력단, 센싱 값에 따라 풍속 및 풍향을 자동 조절하는 스마트 선풍기, 10-2016-0019147, 대한민국특허청, 2016년02월18일]

[4] [Improving Fan System Performance], [1]

[5] [신일 에어서큘레이터 판매 증가량 기사], [2]

[6] [Residentail Air Circulators Industry Perspective], [3]

[7] [중앙대학교 산학협력단, 에어 서큘레이터, 10 - 2018 – 0025783, 대한민국특허청, 2019년10월14일]

[8] [하이에어코리아 주식회사, 축류 송풍기 또는 축류 팬의 안내날개 조립방법, 10 - 2016 – 0027522, 대한민국특허청, 2017년06월08일]

[9] [한화에어로스페이스 주식회사, 가변 베인 장치, 10 - 2020 – 0039425, 대한민국특허청, 2021년10월08일]

[10] [마켓리포트 글로벌 딥러닝 칩 시장 매출 2018 ~ 2027], [4]

[11] [Global Embedded AI Market Size, Share & Industry Trends Analysis Report By Vertical, By Data Type (Numeric Data, Sensor Data, Image & Video Data, Categorical Data, and Others), By Offering, By Regional Outlook and Forecast, 2023 - 2030], [5]

[12] [CNN의 흐름? 역사?], [6]

[13] [The History of YOLO Object Detection Models from YOLOv1 to YOLOv8], [7]

[14] [The evolution of the YOLO neural networks family from v1 to v7.], [8]

[15] [A Comprehensive Review of YOLO - From YOLOv1 And Beyond], [9]

[16] [Aerodynamic Design of Low-Speed Axial-Flow Fans - A Historical Overview], [10]

[17] [Deep Residual Learning for Image Recognition], [11]

[18] [Densely Connected Convolutional Networks], [12]

[19] [EfficientNet - Rethinking Model Scaling for Convolutional Neural Networks], [13]

[20] [Going deeper with convolutions], [14]

[21] [Gradient-Based Learning Applied to Document Recognition], [15]

[22] [ImageNet Classification with Deep Convolutional Neural Networks], [16]

[23] [Optimization of Multi-Blade Centrifugal Fan Blade Design for Ventilation and Air-Conditioning System Based on Disturbance CST Function], [17]

관련특허

관련 특허?

소프트웨어 프로그램 소스

깃허브 링크 [18]