具体实施方式

在下文中，将参照附图详细说明本发明的实施例。但是，显然本发明不限于这些实施例，并且可以以各种形式变形。

在附图中，为了清楚和简要地说明本发明，省略了与说明无关的部分的图示，并且在整个说明书中，相同的附图标记用于相同或非常相似的部分。

另一方面，在以下的说明中所使用的构成要素的后缀“模块”和“部”是为了便于说明书撰写而赋予的，其自身并不具有特别重要的含义或作用。因此，所述“模块”和“部”可以彼此互换使用。

另外，在本说明书中，为了说明各种要素可以使用第一、第二等术语，但是，这些要素不受这些术语的限制。这些术语仅为了区分一个要素与另一个要素而使用。

本发明的一实施例的空调系统可以包括一个以上的空调。另外，本发明的一实施例的空调系统除了空调以外还可以包括服务器等其他设备。在这种情况下，包括在空调系统中的设备可以具有通信模块，以通过有线/无线的方式与其他设备通信并执行相关的动作。

图1是示出根据本发明的一实施例的空调的构成的图。

参照图1，本发明的一实施例的空调50可以包括复数个单元。例如，本发明的一实施例的空调50可以包括室内机30和室外机20。并且，本发明的一实施例的空调50还可以包括与室内机连接的遥控器40、能够控制空调内的各个单元的中央控制器10。

本发明的一实施例的空调50可以包括：室内机31至35；连接至室内机31至35的室外机21、22；分别连接于室内机31至35的遥控器41至45。并且，本发明的一实施例的空调50还可以包括中央控制器10，所述中央控制器10控制复数个室内机31至35以及室外机21、22。

中央控制器10可以连接到复数个室内机31至35以及复数个室外机21、22，以监视和控制各个室内机和室外机的动作。此时，中央控制器10可以连接到复数个室内机，以执行对室内机的运转设置、锁定设置、进度控制、分组控制等。

作为空调，可以使用立式空调、壁挂式空调以及天花板式空调中的任一种，但是为了便于说明，以下将以天花板式空调为例进行说明。另外，空调还可以包括换气装置、空气净化装置、加湿装置以及加热器中的至少一种，并且可以结合室内机和室外机的动作来进行动作。

室外机21、22包括：接收并压缩制冷剂的压缩机(未图示)；用于使制冷剂与室外空气热交换的室外热交换器(未图示)；从接收到的制冷剂提取气态制冷剂并将该气态制冷剂供应到压缩机的储液器(未图示)；根据制热运转选择制冷剂的流路的四通阀(未图示)。另外，还可以包括复数个传感器、阀以及油回收装置等。

室外机21、22使设置的压缩机和室外热交换器动作，以根据设定对制冷剂进行压缩或热交换，并向室内机31至35供应制冷剂。

室外机21、22根据中央控制器10或室内机31至35的要求而被驱动，随着制冷/制热容量对应于被驱动的室内机而变化，室外机的运行数量和设置于室外机的压缩机的运行数量也将改变。

此时，基于复数个室外机21、22分别向与所述复数个室外机21、22连接的室内机供应制冷剂进行说明，但是也可以根据室外机和室内机的连接结构，将复数个室外机彼此连接后向复数个室内机供应制冷剂。

室内机31至35连接到复数个室外机21、22中的任一个，以接收制冷剂并向室内吐出冷热空气。室内机31至35包括室内热交换器(未图示)、室内机风扇(未图示)、使供应的制冷剂膨胀的膨胀阀(未图示)、复数个传感器(未图示)。

此时，室外机21、22和室内机31至35利用通信线连接，以相互发送和接收数据，室外机和室内机利用单独的通信线与中央控制器10连接，以根据中央控制器10的控制而进行动作。

遥控器41至45分别与室内机连接，以向室内机输入使用者的控制命令，并接收室内机的状态信息进行显示。在这种情况下，遥控器根据与室内机的连接类型通过有线或无线的形式进行通信，并且根据情况，有时可以由单个遥控器连接到复数个室内机以通过单个遥控器的输入对复数个室内机的设置进行更改。

另一方面，根据实施例，遥控器41至45的内部可以包括温度检测传感器等各种传感器。

图2是图1的室外机和室内机的示意图。

参照图2，空调50主要分为室内机30和室外机20。

室内机30包括布置在室内并执行制冷/制热功能的室内侧热交换器108以及由室内风扇109a和马达109b构成的室内送风机109，所述室内风扇109a配置在室内侧热交换器108的一侧并促进制冷剂的散热，所述马达109b使室内风扇109a旋转。

可以设置至少一个室内侧热交换器108。压缩机102可以使用变频压缩机和恒速压缩机中的至少一种。

另外，空调50可以由进行室内制冷的制冷机构成，或者可以由进行室内制冷或制热的热泵构成。

室外机20至少包括：压缩机102，用于压缩制冷剂；压缩机马达102b，驱动压缩机；室外热交换器104，用于使压缩后的制冷剂散热；室外送风机105，由配置在室外热交换器104的一侧并促进制冷剂的散热的室外风扇105a和使室外风扇105a旋转的马达105b构成；膨胀机构106，使冷凝的制冷剂膨胀；制冷/制热切换阀110，改变被压缩的制冷剂的流路；储液器(accumulator)103，暂时储存气化的制冷剂，并去除水分和异物，然后将具有恒定压力的制冷剂供应到压缩机。

另一方面，图2示出了单个室内机30和单个室外机20，但是根据本发明的实施例的空调的驱动装置不限于此，当然也可以应用于包括复数个室内机和复数个室外机的复式空调、包括单个室内机和复数个室外机的空调等。

图3是图1的空调的简化内部框图。

参照图3，空调50可以包括：压缩机102、室外风扇105a、室内风扇109a、控制部370、感测部350、相机模块355、通信部360、存储器340。另外，空调50还可以包括：压缩机驱动部383、室外风扇驱动部381、室内风扇驱动部382、切换阀和膨胀阀等各种阀311、显示部330以及输入部320。

压缩机102、室外风扇105a、室内风扇109a等可以如参照图1、图2所述进行动作。

输入部320包括复数个操作按钮，将输入的关于空调的运转目标温度的信号传递给控制部370。

显示部330可以显示空调50的动作状态。例如，显示部330可以包括用于输出室内机20的动作状态的显示装置，以显示运转状态和错误。

显示部330也可以显示室内机20与室外机30的接线状态。例如，显示部330可以包括发光二极管(Light Emitting Diode：LED)，发光二极管(LED)在通信线和/或电源线的接线状态正常时点亮，而在通信线和/或电源线的接线状态异常时熄灭。

感测部350可以包括复数个传感器，以获得与空调50的动作和状态有关的数据。感测部350可以包括各种传感器，以获得循环运转数据。

例如，感测部350可以包括复数个温度传感器。吐出温度检测部可以检测压缩机102中的制冷剂吐出温度，并且可以将检测到的制冷剂吐出温度的信号传递给控制部370。室外温度检测部可以检测室外温度，该室外温度是空调50的室外机30周围的温度，并且可以将检测到的室外温度的信号传递给控制部370。室内温度检测部可以检测室内温度，该室内温度是空调50的室内机20周围的温度，并且可以将检测到的室内温度的信号传递给控制部370。

控制部370可以基于检测到的制冷剂吐出温度、检测到的室外温度、检测到的室内温度中的至少一个以及输入的目标温度来控制空调50的运转。例如，可以通过计算最终目标过热度来控制空调50的运转。

另外，感测部350可以包括湿度传感器、压力传感器、能够获得其他与空调50的动作和状态有关的数据的传感器，并且可以将各个传感器的感测数据传递给控制部370。

控制部370可以基于由感测部350检测的感测数据来控制空调50。

另一方面，为了控制压缩机102、室内风扇109a、室外风扇105a的动作，如图所示，控制部370可以分别控制压缩机驱动部383、室外风扇驱动部381、室内风扇驱动部382、阀控制部310。

例如，控制部370可以基于目标温度分别向压缩机驱动部383、室外风扇驱动部381或室内风扇驱动部382输出对应的速度指令值信号。

并且，基于每个速度指令值信号，压缩机马达102b、室外风扇马达105b、室内风扇马达109b能够分别以目标旋转速度动作。

另一方面，除了对压缩机驱动部383、室外风扇驱动部381或室内风扇驱动部382的控制之外，控制部370还可以控制空调50整体的动作。

例如，控制部370可以通过阀控制部310控制制冷/制热切换阀或四通阀110的动作。或者，控制部370可以通过阀控制部310来控制膨胀机构或膨胀阀106的动作。

另一方面，空调还可以包括供电部(未图示)，该供电部向压缩机102、室外风扇105a、室内风扇109a、控制部370、存储器340等各个单元供电。

相机模块355可以包括数码相机。数码相机可以包括：至少一个光学透镜；图像传感器(例如，CMOS image sensor)，构成为包括由通过光学透镜的光成像的复数个光电二极管(photodiode，例如，pixel：像素)；数字信号处理器(DSP：Digital Signal Processor)，基于从光电二极管输出的信号形成图像。数字信号处理器不仅能够生成静止图像，而且能够生成运动图像，该运动图像由静止图像构成的帧形成。

相机模块355可以通过拍摄室外热交换器104来获得室外热交换器104的图像数据。相机模块355所拍摄的室外热交换器104的图像数据可以传递至控制部370和/或服务器等其他设备。

存储器340可以存储空调50的动作、控制所需的数据。另外，存储器340可以存储利用相机模块355获得的图像数据和利用感测部350获得的感测数据。

通信部360可以包括一个以上通信模块，并通过有线或无线的方式与其他设备进行发送和接收。

控制部370可以通过通信部360将空调50的状态信息发送到服务器(未图示)等其他设备。例如，可以控制通信部360，使得利用相机模块355获得的图像数据、利用感测部350获得的感测数据被发送到服务器等其他设备。

另外，控制部370可以基于从服务器等其他设备接收到的控制信号和各种数据来控制空调50。

根据实施例，空调50还可以包括参照图6等所后述的除霜控制装置600。或者，空调50至少还可以包括除霜控制器670。在这种情况下，除霜控制器670可以实现为控制部370的部分模块，或者实现为与控制部370分开的模块。

因此，所述空调50可以基于在所述相机模块355拍摄的所述室外热交换器的图像数据来判断所述室外热交换器是否结霜，并且可以基于在所述感测部350检测到的感测数据来预测结霜的时间。

根据实施例，空调50可以与除霜控制装置600或至少包括除霜控制器670的服务器通信，并执行除霜运转、结霜防止控制运转。

图4和图5是示出本发明的实施例的空调系统的构成的图。

参照图4，本发明的一实施例的空调系统可以包括一个以上的空调50a、50b、50c和服务器700。

空调50a、50b、50c可以通过网关等网络420访问互联网410，并且可以与服务器700进行数据的发送和接收。例如，空调50a、50b、50c可以将利用相机模块355获得的图像数据和利用感测部350获得的感测数据发送到服务器700，基于从服务器700接收到的数据来执行除霜运转、结霜防止控制运转。

所述服务器700可以是由空调50a、50b、50c的制造商运营的服务器，或者是由制造商委托服务的公司运营的服务器，或者可以是一种云(Cloud)服务器。

所述服务器700可以包括参照图6等所后述的除霜控制装置600。或者，所述服务器700至少可以包括除霜控制器670。因此，所述服务器700可以基于在所述相机模块355拍摄的所述室外热交换器的图像数据来判断所述室外热交换器是否结霜，可以基于在所述感测部350检测到的感测数据来预测结霜的时间。

参照图5，为了克服数据处理速度和容量的限制，本发明的一实施例的空调系统还可以包括边缘(edge)500。

如果服务器700在连续处理复数个空调50a、50b、50c的感测数据等的同时判断是否结霜、预测结霜的开始时间、执行除霜控制和结霜防止控制，则可能会增加数据负载和降低处理速度。

因此，边缘500可以执行用于判断是否结霜和预测结霜的开始时间的数据预处理。

例如，边缘500可以转换从空调50a、50b、50c接收到的室外热交换器的图像数据的像素大小和灰度，在从空调50a、50b、50c接收到的感测数据中除去噪声(noise)，然后传递至服务器700。

另一方面，图4和图5示出了所述服务器700为一个的情形，但是本发明不限于此。例如，根据本发明的系统可以与两个以上服务器联动来动作。

图6是本发明的一实施例的除霜控制装置的简化内部框图。

参照图6，本发明的一实施例的除霜控制装置600可以包括除霜控制器670，该除霜控制器670可以基于室外热交换器104的图像数据来判断所述室外热交换器104是否结霜，并且可以基于由感测部350检测的感测数据来预测结霜的时间。

另外，本发明的一实施例的除霜控制装置600可以由独立的模块化装置构成，并且可以安装在服务器700或空调50内部，或者可以通过有线或无线的方式连接使用。在这种情况下，除霜控制装置600还可以包括通信部660。

另外，除霜控制装置600还可以包括存储数据的存储器640。存储器640可以存储从服务器700或空调50接收到的数据、对接收到的数据进行加工或分析后得到的数据、除霜控制装置600的动作所需的数据、与各种错误代码有关的数据等。

根据实施例，除霜控制装置600自身还可以包括输出部635。例如，所述输出部635可以包括七段(Segment)显示器，并输出与当前状态或识别结果等相对应的代码。或者，所述输出部635可以包括具有七段显示器以上的视觉输出装置或音频输出装置。

另一方面，除霜控制装置600可以通过通信部660来接收室外热交换器的图像数据和感测数据，可以通过除霜控制器670，基于接收到的数据，判断当前的所述室外热交换器104是处于结霜状态还是处于正常状态，并预测要发生结霜的时间。

为此，除霜控制器670可以使用执行两个不同作用的机器学习模型。可以利用判断空调当前是否结霜的机器学习模型来判断是否结霜，利用预测要发生结霜的时间的机器学习模型来预测下一次发生结霜的时间，从而可以使除霜运转时间最少，并且可以防止除霜运转引起的制热性能的下降。

另一方面，所述除霜控制器670可以包括：结霜检测部671，通过使用基于CNN(Convolutional Neural Network：卷积神经网络)的图像分类模型将所述室外热交换器104的图像数据分类为结霜状态和正常状态的图像数据；结霜开始时间预测部672，当输入了所述空调50的循环运转数据时，使用一个以上的机器学习模型来预测直到结霜之前的剩余时间。

结霜检测部671通过使用基于CNN的图像分类模型来执行对结霜状态和正常状态的图像数据进行分类的工作，从而用于判断当前空调50的状态，可以在除霜控制逻辑的开始条件中添加是否判断结霜，从而可以在判定为结霜时开始进行除霜控制。

当实时接收从感测部350获得的循环运转数据时，结霜开始时间预测部672可以使用随机森林(Random Forest)、DNN(Deep Neural Network：深度神经网络)、CNN中一个以上的机器学习模型来提前预测相应的结霜时间，并预测直到结霜之前的剩余时间。

另一方面，除霜控制器670还可以包括：除霜控制部673，用于在由所述结霜检测部671判断为结霜状态时控制空调50执行除霜运转；结霜防止控制部674，用于在由所述结霜开始时间预测部预测的直到结霜之前的剩余时间为阈值以下时控制空调50执行结霜防止运转。除霜控制部673和结霜防止控制部674输出的控制信号可以通过通信部660发送到空调50的通信部360。或者，除霜控制部673和结霜防止控制部674输出的控制信号可以发送到服务器700，并由服务器700向空调50传递除霜控制部673和结霜防止控制部674输出的控制信号。

另一方面，除霜控制部673和结霜防止控制部674输出的控制信号可以传递至空调50的控制部370，空调50可以基于接收到的控制信号来执行除霜运转、结霜防止运转。

另一方面，所述除霜运转在空调50正在进行制热运转并处于结霜状态时执行，是从制热运转切换为制冷运转后执行预定时间的制冷运转。所述除霜运转可以一直执行到由所述结霜检测部671判断为室外热交换器104的状态为正常状态为止。

另一方面，所述结霜防止运转是在比正常状态的压缩机运转频率低的运转频率下驱动压缩机102，通过使压缩机102在比平常低的运转频率下驱动，可以防止结霜状态的发生。

另一方面，除霜控制部673在由结霜检测部671判断为结霜时开始进行除霜运转，并且通过从制热运转切换到制冷运转来进行运转。除霜控制取消条件一直持续到由结霜检测部判断为正常状态为止。

直到由结霜开始时间预测部672预测的直到开始结霜为止剩余的时间在阈值以内时，结霜防止控制部674动作，并开始进行结霜防止运转。结霜防止运转在开始进行除霜运转或直到开始结霜为止剩余的时间在设定的阈值以上时被取消。

在一般的复数个除霜运转逻辑中，为了确认热交换器是否发生结霜，实施基于规则的判断逻辑，并通过捕获制热循环中发生结霜后变化的物理现象来进行判断。因此，一般的除霜运转逻辑的问题在于，在实际发生结霜之后经过了相当长的时间后开始进行除霜运转，所以是在热交换效率已经大大降低之后，除霜逻辑开始运行，由于已经是在结霜持续了相当长的时间之后，因此缺点在于需要很长时间的除霜运转才能达到正常状态。

根据本发明的实施例，通过使用独立的机器学习模型来判断各个空调50是否结霜/正常并预测结霜开始的时间，可以使除霜运转时间最少，并且可以防止由于除霜运转而引起的制热性能的下降。

根据本发明的实施例，通过直接观察使用相机模块355获得的图像，可以在热交换器104发生结霜时快速判断结霜。即，人工神经网络可以通过图像来判断是否结霜，该人工神经网络的逻辑和准确度与人眼确认热交换器104中发生结霜相似。

本发明的实施例脱离了基于循环因子的变化来估计是否结霜的现有技术，而是应用通过直接观察来判断结霜的技术，可以比现有技术更快速和准确地判断结霜。

另外，根据本发明的实施例，通过提前预测结霜开始时间并将该结果预先反映到控制中来减少结霜的发生次数，从而可以使空调的运行更加稳定。

在本发明的实施例中，与简单地判断是否结霜后开始进行除霜运转的现有技术不同，通过另外引入预测下一次结霜开始时间的技术，可以减少除霜运转的开始次数和热交换器的结霜，并提高制热运转的效率，从而可以减少因除霜运转而引起地客户不满，并可以提高产品质量。

另一方面，根据本发明的一实施例，除霜控制器670还可以包括数据接收部(未图示)，该数据接收部改变室外热交换器104的图像数据的像素大小和灰度并去除感测数据中的噪声(noise)。

数据接收部是收集来自附接在室外机20的热交换器104的相机模块355的结霜状态和正常状态的图像数据以及收集从设置在空调50各处诸如蒸发器、冷凝器和压缩机102之类的温度传感器、湿度传感器、压力传感器等接收到的运转数据的装置，并且可以执行通过应用过滤器来去除传感器信号中的噪声、调节像素大小以及改变灰度等预处理工作。

另一方面，根据本发明的一实施例，除霜控制器670还可以包括错误代码输出部(未图示)，该错误代码输出部生成与所述除霜运转或所述结霜防止运转的执行相对应的错误代码。另一方面，所生成的错误代码可以存储在存储器640。

错误代码输出部可以在由除霜控制部673开始除霜运转时或由结霜防止控制部674开始结霜防止运转时产生错误代码，并将该错误代码存储在内部的存储器640中。另外，根据实施例，错误代码输出部可以将对应的错误代码输出到主PCB的显示器或控制面板的显示器，并且当除霜运转或结霜防止运转取消时，错误代码的显示也被取消。

另一方面，根据本发明的一实施例，空调50可以包括除霜控制装置600的至少一部分构成。例如，除霜控制装置600可以安装在空调50的内部或通过有线/无线的方式连接使用。

或者，空调50可以包括上述除霜控制器670。

根据实施例，除霜控制器670可以由控制部370的部分模块来实现。即，本发明的一实施例的空调系统可以包括：压缩机102；室外热交换器104，使用从所述压缩机102吐出的制冷剂进行热交换；相机模块355，用于拍摄所述室外热交换器104；感测部350，具有复数个传感器；以及控制部370，基于由所述相机模块355拍摄的所述室外热交换器104的图像来判断所述室外热交换器104中是否结霜以执行除霜运转，并基于由所述感测部350检测到的感测数据来预测结霜的时间。

根据实施例，空调50还可以包括与控制部370分开的除霜控制器670。即，本发明的一实施例的空调系统可以包括：压缩机102；室外热交换器104，使用从所述压缩机102吐出的制冷剂来进行热交换；相机模块355，用于拍摄所述室外热交换器104；感测部350，具有复数个传感器；以及除霜控制器670，基于由所述相机模块355拍摄的所述室外热交换器104的图像来判断所述室外热交换器104中是否结霜以执行除霜运转，并且基于由所述感测部350检测到的感测数据来预测结霜的时间。

另一方面，当空调50包括除霜控制器670时，空调50的存储器340可以执行除霜控制装置600的存储器640的作用。另外，空调50的显示部330等可以执行除霜控制装置600的输出部635的作用。例如，当执行所述除霜运转或所述结霜防止运转时，显示部330可以显示相应的错误代码，存储器340可以存储所述错误代码。

另一方面，根据本发明的一实施例，如参照图4和图5所述，服务器700可以包括除霜控制装置600的至少一部分构成。

例如，除霜控制装置600可以安装在服务器700内部，或者通过有线/无线的方式连接使用。

或者，空调50可以包括上述的除霜控制器670。即，本发明的一实施例的空调系统可以包括：空调50、通信部(参照图7的720)以及服务器700，所述空调50包括：压缩机102；室外热交换器104，使用从所述压缩机102吐出的制冷剂来进行热交换；相机模块355，用于拍摄所述室外热交换器104；感测部350，具有复数个传感器；以及通信部，将由所述相机模块355拍摄的所述室外热交换器104的图像和由所述感测部350检测到的感测数据发送到服务器700，所述通信部720包括一个以上的通信模块，以接收由所述相机模块355拍摄的所述室外热交换器104的图像和由所述感测部350检测到的感测数据，所述服务器700包括上述参照图6的除霜控制器670。

参照图7，服务器700可以包括通信部720、处理器710、存储器730。

处理器710可以控制服务器700的整体动作。

根据实施例，所述处理器710中可以搭载有已通过机器学习(machine learning)学习的人工神经网络(Artificial Neural Networks：ANN)，以执行结霜识别等。例如，所述处理器710可以包括通过深度学习(Deep Learning)而学习的深度神经网络(Deep NeuralNetwork：DNN)，例如，CNN(Convolutional Neural Network：卷积神经网络)、RNN(Recurrent Neural Network：递归神经网络)、DBN(Deep Belief Network：深度信念网络)等。在这种情况下，所述除霜控制器670可以由处理器710的部分模块实现。另一方面，所述人工神经网络(ANN)可以以软件的形式实现，或者可以以芯片(chip)等硬件形式实现。

另一方面，服务器700可以是空调50的制造商运营的服务器或由服务提供商运营的服务器，或者可以是一种云(Cloud)服务器。

通信部720可以从空调50、网关、其他电子设备等接收各种数据，例如状态信息、动作信息、操作信息等。

并且，通信部720可以将与接收到的各种信息相对应的数据发送到空调50、网关、其他电子设备等。

为此，通信部720可以包括一个以上通信模块，例如互联网模块、移动通信模块等。

存储器730存储接收到的信息，并且可以包括用于生成与该信息相对应的结果信息的数据。

另外，存储器730可以存储用于机器学习的数据、结果数据等。

存储器730可以存储服务器700的动作所需的数据。

例如，存储器730可以存储用于在服务器700执行的学习算法。此时的学习算法可以是基于深度神经网络的学习算法，如图8和图9所示。

图8和图9是用于说明深度学习(Deep Learning)的参考图。

参照图8，处理器710可以基于作为一种机器学习(Machine Learning)的深度学习(Deep Learning)技术中的数据，通过在多个阶段中下降到深度水平来执行学习。

深度学习(Deep learning)可以表示依次通过隐藏层并从复数个数据中提取核心数据的机器学习(Machine Learning)算法的集合。

深度学习结构可以由CNN、RNN、DBN之类的深度神经网络(DNN)构成。

深度神经网络(DNN)可以包括输入层(Input Layer)、隐藏层(Hidden Layer)以及输出层(Output Layer)。

另一方面，可以将具有多个隐藏层(hidden layer)的结构称为DNN(Deep NeuralNetwork：深度神经网络)。

每一层包括复数个节点，每一层与下一层相关联。复数个节点具有权重(weight)并可以相互连接。

来自属于第一隐藏层(Hidden Layer 1)的任一节点的输出成为属于第二隐藏层(Hidden Layer 2)的至少一个节点的输入。在这种情况下，每个节点的输入可以是对前一层的节点的输出应用了权重(weight)而得到的值。权重(weight)可以是指节点之间的连接强度。深度学习过程可以认为是找出适当的权重(weight)的过程。

另一方面，人工神经网络的学习可以通过对节点之间的连接线的权重(weight)进行调节(必要时，还调节偏差(bias)值)来实现，以对于给定的输入产生期望的输出。另外，人工神经网络可以通过学习持续更新权重(weight)值。

图9是示出对于图像处理而言优异的CNN(Convolutional Neural Network：卷积神经网络)结构的图。

CNN是一种模拟人脑功能的模型，该模型基于以下假设：当人识别物体时先提取物体的基本特征，然后在大脑中经过复杂的计算，再基于该结果识别物体。

CNN也可以包括输入层(Input Layer)、隐藏层(Hidden Layer)以及输出层(Output Layer)。

输入层(Input Layer)中输入有预定图像900。

参照图9，隐藏层(Hidden Layer)由复数个层构成，并且可以包括卷积层(convolution layer)和下采样层(sub-sampling layer)。

在CNN中，通常同时使用用于通过卷积(convolution)运算提取图像特征的各种过滤器和用于添加非线性特征的池化(pooling)或非线性激活(non-linear activation)函数等。

卷积(convolution)主要用于图像处理领域中的过滤器运算，并在实现用于从图像中提取特征(feature)的过滤器中使用。

例如，如果在移动3X3窗口的同时对整个图像反复执行卷积运算，则可以根据窗口的权重(weight)值获得适当的结果。

卷积层(convolution layer)可以用于执行通过使用预设大小的过滤器来过滤从前一层提取的信息的卷积过滤。

卷积层(convolution layer)可以对使用卷积过滤器输入的图像数据900、902执行卷积运算，并生成呈现了输入图像900的特征的特征图901、903。

作为卷积过滤的结果，可以根据卷积层(convolution layer)中包括的过滤器的数量来生成与过滤器数量相对应的过滤图像。卷积层可以由包括在各个过滤图像中的多个节点构成。

另外，与卷积层(convolution layer)成对的下采样层(sub-sampling layer)可以包括与成对的卷积层(convolution layer)相同数量的特征图。

下采样层(sub-sampling layer)通过采样或池化(pooling)减少特征图901、903的维数。

输出层(Output Layer)通过组合特征图904中呈现的各种特征来识别输入图像900。

根据本发明的结霜检测和结霜开始时间预测可以使用上述各种深度学习结构。例如，可以使用图像中的对象识别中广泛使用的CNN(Convolutional Neural Network)结构来判断室外热交换器104中是否结霜。

另一方面，当服务器700包括除霜控制器670时，服务器700的存储器730执行除霜控制装置600的存储器640的作用。另外，服务器700的通信部720等执行除霜控制装置600的通信部660的作用。

根据本发明的实施例的空调系统可以使用具有不同目的的结霜检测部671的机器学习模型和结霜开始时间预测部672的机器学习模型。

通过使用结霜检测部671的机器学习模型判断室外热交换器104是否结霜或正常，并通过使用结霜开始时间预测部672的机器学习模型来提前预测结霜开始时间，从而可以使除霜运转时间最少，并且可以预防因除霜运转而导致的制热性能的下降。

根据本发明的实施例的空调系统可以包括除霜控制装置600的至少一部分(例如，除霜控制器670)。

根据实施例，除霜控制器670可以包括用于对图像数据、感测数据进行预处理的数据接收部。使用服务器700的实施例之一还可以包括用作数据处理部的边缘500，以克服数据处理速度和容量的限制。

数据处理部可以接收从设置在空调的压缩机、冷凝器、蒸发器以及其他连接配管的各种温度传感器、湿度传感器和压力传感器等收集到的运转数据，以及从设置于室外热交换器104的相机模块355中收集到的图像数据，并且可以进行数据预处理过程。

数据处理部可以在每个设定的采样周期以批处理文件形式接收从设置在室外热交换器104中的相机模块355收集到的图像数据。

数据处理部可以通过对接收到的图像数据进行灰度的改变和像素大小的调节来执行数据预处理过程，以符合结霜检测部671的图像分类模型的输入数据格式。

数据处理部可以在每个设定的采样周期从设置在压缩机、冷凝器、蒸发器以及连接配管各处的各种温度/湿度传感器和压力传感器等感测部350接收空调50的运转数据。

数据处理部可以执行数据预处理过程，该数据预处理过程通过应用带通滤波器(band-pass filter)、低/高通滤波器(low/high-pass filter)等从接收到的运转数据中去除噪声，执行归一化(Normalization)操作以对每个因子均匀地调节比例，消除每个因子比例差异所造成的影响，从而提高结霜开始时间预测模型的预测性能。

另一方面，数据处理部可以将完成数据预处理过程的图像和运转数据分别传递至结霜检测部671和结霜开始时间预测部672。

根据情况，数据处理部可以将灰度级的结霜和正常图像输出为原始图像和通过应用旋转(rotation)、亮度改变等数据增强(Data Augmentation)技术而获得的修改的图像。

结霜检测部671预先学习修改的图像，并且可以使用反映了室外机20实际安装在现场的各种安装环境的基于CNN的图像分类模型，实时地或按照设定的判断周期来判断空调50中是否结霜。

结霜检测部671从数据接收部接收经预处理的图像数据作为输入数据，对结霜检测图像分类模型执行前馈(feed-forward)运算，以对该图像是结霜图像还是正常状态的图像进行分类。

结霜检测部671的执行触发从除霜控制逻辑开始，当除霜控制逻辑的开始条件的确认过程和除霜控制取消条件的确认过程按照设定的周期执行时，可以通过执行结霜检测部671来判断空调50的当前状态是否处于结霜。

结霜检测部671通过对特定数量以上的实例(instance)判断是否结霜来确保统计上有意义的判断结果，并使用众数(mode)来导出对于各种判断结果的最终判断结果，为了使判断是否结霜的结果避免处于相同比率的状态，可以将判断是否结霜时使用的实例的数量始终设为奇数。

结霜开始时间预测部672可以利用对结霜数据以及正常数据事先学习过的随机森林(Random Forest)、DNN、CNN中的一个以上的机器学习模型来实时地或按照设定的预测周期对结霜发生时间进行预测，结霜数据是指对结霜发生时的空调运转数据以分钟为单位进行细分并标记，直到结霜发生两小时之前。

结霜开始时间预测部672可以执行以下工作，从数据接收部接收经预处理的运转数据作为输入数据，对结霜开始时间预测模型执行前馈运算，基于相应的运转数据的模式，以分钟为单位预测直到结霜开始时间为止剩余的时间。

结霜开始时间预测部672的执行触发从结霜防止控制逻辑开始，并当结霜防止控制逻辑的开始条件确认步骤和结霜防止控制取消条件确认步骤按照设定的周期执行时，可以通过执行结霜开始时间预测部672来预测空调50的预期结霜开始时间。

结霜开始时间预测部672可以对特定数量以上的实例(instance)预测结霜开始时间以确保统计上有意义的预测结果，并可以选择除最大值和最小值之外的其余预测结果的平均值作为相应的结霜开始时间计算周期的最终预测值。此时，对作为预测结果的概率分布的平均和标准偏差进行运算，如果方差(Variance)值为设定的阈值以上，则判断为最终预测结果没有可靠性，从而可以在相应的结霜开始时间预测周期中不给出判断，并在下一个预测周期中再次执行预测工作。

如果判断为结霜，则除霜控制部673可以开始进行除霜运转，以从制热运转切换到制冷运转，由此可以去除室外热交换器104中的结霜。另一方面，错误代码输出部可以在除霜运转开始时接收除霜运转模式标志(flag)，产生错误代码，并将该错误代码存储到存储器640，并且可以向输出部635的显示器输出除霜运转代码。

除霜控制部673可以在每个设定的结霜判断周期执行结霜检测部671，以判断空调50中是否结霜，在结霜检测部671中判断为正常状态时，可以取消除霜运转，并再次从制冷运转切换到制热运转而运转。

当所预测的直到结霜开始为止剩余的时间在阈值以内时，结霜防止控制部674可以开始进行结霜防止运转以防止室外热交换器104结霜。另一方面，错误代码输出部可以在结霜防止运转开始的时刻接收结霜防止运转模式标志(flag)，生成错误代码，将该错误代码存储在存储器640，并且在输出部635的显示器输出结霜防止运转代码。

结霜防止控制运转的目的是通过将压缩机频率设定为低于正常运转时的控制目标频率来尽可能地延迟室外热交换器104的结霜的运转。

结霜防止控制部674可以在每个设定的结霜开始时间预测周期执行对结霜开始时间的预测，空调50的下一次结霜开始时间在设定的阈值以上时，可以取消结霜防止运转。

如果正在进行除霜运转，则结霜防止控制部674将推迟执行结霜防止控制运转，并且如果在执行结霜防止控制时出现除霜运转标志，则可以推迟结霜防止控制开始条件的确定。如果除霜控制和结霜防止控制同时开始，则除霜控制可以具有控制优先权。

另一方面，当由除霜控制部673取消除霜运转时、由结霜防止控制部674取消结霜防止运转时，生成制热运转标志，错误代码输出部可以接收该标志，取消关于除霜运转、结霜防止运转的错误代码的显示。

图10是用于说明本发明的一实施例的空调系统的动作的参考图。

本发明的一实施例的空调系统可以通过配置在空调50侧的检测装置1010来获得用于除霜控制的数据。例如，设置在室外热交换器104侧的相机模块1011可以拍摄室外热交换器104以获得图像数据，感测部350的温度/湿度传感器1012可以获得温度/湿度数据，压力传感器1013可以获得压力数据，其他传感器1014可以获得压缩机频率等其他运转信息。

另一方面，在本发明的一实施例的空调系统中，除霜控制器670可以执行对于空调50中是否结霜的判断和结霜时间的预测1040。例如，结霜检测部671可以基于由相机模块355拍摄的室外热交换器104的图像数据来判断所述室外热交换器104中是否结霜1041。另外，结霜开始时间预测部672可以基于由感测部350的复数个传感器检测到的感测数据来预测结霜时间1042。

另一方面，除霜控制器670可以接收从空调50的检测装置1010获得的数据1020。除霜控制器670可以存储在内部存储器640或外部存储器340、730。用于判断结霜/正常状态的图像数据1021和用于判断结霜开始时间的运转数据1022可以分开存储。

另外，除霜控制器670或边缘500可以从附接在空调50的各个构成要素的传感器1010接收作为输入值传输到机器学习模型的数据1020，并且可以对每个机器学习模型执行相应的预处理。

设置于室外热交换器104的相机模块1011在每个设定的采样周期拍摄热交换器104的图像，以便在冬季直接观察在热交换器104中发生的结霜现象，然后将该图像以批处理文件形式传输到数据接收部。通过上述方式接收得到的图像数据被加工以符合基于CNN的结霜检测图像分类模型的输入数据格式，其中，颜色通道(RGB通道)转换为灰度，三个颜色通道也被调整(resizing)为一个通道。另外，像素大小也被重新调整以适合于结霜检测图像分类模型的CNN结构。如果输入批处理图像文件的预处理过程完成，则如图10所示，可以将其作为输入数据传输到结霜检测图像分类模型1031。

不同于结霜检测模型1031，结霜时间预测模型1032可以基于从设置在空调50的每个构成要素的传感器1012、1013、1014接收到的运转数据1022来预测未来将发生的结霜时间。空调50的运转数据1022可以在每个设定的采样周期传输到数据接收部。数据接收部可以执行对从各种传感器接收到的数据应用带通滤波器(band-pass filter)、低/高通滤波器(low/high-pass filter)等用于信号处理的过滤器来去除噪声的作业，以尽可能地消除在安装有空调50的各种环境中产生的不可避免的噪声等，从而帮助结霜时间预测模型1032从给定的运转数据中分析出更明确的模式。另外，通过对每个传感器数据执行归一化(Normalization)作业，将每个因子比例调整为(例如0～1之间)恒定，消除每个因子比例差异带来的影响，从而改善结霜开始时间预测模型1032的预测性能。

由于来自多个传感器1012、1013、1014的运转数据1022的每个因子具有不同的单位和范围，因此需要将这些归一化到恒定范围。例如，冷凝压力和蒸发压力等压力计的单位为kPa，且范围是从三位数到四位数的整数类型，则压缩机的吐出温度可以使用℃的单位，并且范围可以是两位数到三位数之间的实数类型。如果不对具有不同范围的因子进行归一化处理，则成本函数会因不同比例而畸变，并且根据情况，机器学习模型的学习可能无法有效地执行，例如学习速度慢且变成局部极小的状态(local minima)等。通常用于归一化的最小-最大归一化(Min-max Normalization)的公式如下。

[公式1]

a≤X_norm≤b，

Xnorm：归一化的输入数据，Xmax：输入数据的最大值

Xmin：输入数据的最小值，(a,b)：归一化范围(例如，0～1)

当输入数据超出现有学习数据的最小和最大值时，由于应用最小-最大归一化时可能会超出归一化范围，因此输入数据会自动调整为现有学习数据的最小/最大值，并遵守以下公式。

[公式2]

lfX＞X_max，X_norm＝b

lfX＜X_min，X_norm＝a

以上述方式完成了噪声去除和归一化过程的运转数据传输到结霜开始时间预测部。

由数据接收部执行的数据预处理过程主要在如图5所示的边缘计算的空调系统中的边缘500中执行，当在边缘500中对传感器数据的预处理过程完成时，向云服务器700传输相应的数据，然后进行结霜检测和结霜时间预测所需的机器学习模型运算。这种边缘计算在主要处理的传感器数据的类型较多且云服务器700预期的数据负荷大时引入则更为有效。

如图4所示，在通过云计算结构来实现AI计算的空调系统中，从数据接收部到结霜检测乃至预测的所有控制逻辑都在云服务器700中执行。欲将需要如图4所示的高性能运算的机器学习模型应用到现有技术的空调中时，优点在于仅通过单独地建立通信模块就可以利用云服务器700的资源。

在图4或图5的情况下，大多数运算在云服务器700或边缘500中执行，但是如果空调500包括了具有强大运算性能的除霜控制器670，则可以以嵌入式类型建立除霜控制，从而也可以使用控制器内部资源实施从数据接收到预处理、机器学习模型运算以及预测结果导出的所有过程。

根据本发明的一实施例，如图6所示，每个构成要素被模块化，并且各个模块之间仅在输入/输出数据时动作，因此，具有可以应用于从边缘计算到空调的嵌入式系统的所有空调系统的构成的优点。

除霜控制器670可以根据每个机器学习模型对数据1020进行处理1030。结霜检测部671可以接收图像数据1021作为输入数据，并在结霜检测图像分类模型1031上执行前馈(feed-forward)运算，以分类该图像是结霜状态的图像还是正常状态的图像。结霜开始时间预测部672可以接收运转数据1022作为输入数据，并在结霜开始时间预测模型1032执行前馈运算，基于该运转数据的模式，以分钟为单位预测直到结霜开始时间为止的剩余时间。

空调50可以执行基于除霜控制器670的判断/预测的运转1051。当判断为所述室外热交换器104处于结霜状态时，除霜控制部673可以控制为开始进行除霜控制1051来执行除霜运转。当所述结霜开始时间预测部672所预测的结霜之前的剩余时间为阈值以下时，结霜防止控制部674可以控制为开始进行结霜防止控制1052来执行结霜防止运转。

图11是示出本发明的一实施例的空调系统的动作方法的流程图，并示出了除霜控制逻辑。除霜控制部673可包括除霜控制开始条件确认部和除霜控制取消条件确认部。

参照图11，制热运转(S1100)时，除霜控制开始条件确认部确认是否满足除霜控制开始条件(S1105)。为此，除霜控制开始条件确认部在每个设定的结霜判断周期调用结霜检测部671(S1110)，以判断空调50中是否结霜(S1120)。

此时，如果结霜检测部671中判断为空调的当前状态为结霜(S1120)，则开始进行除霜运转(S1130)，如果判断为不是结霜状态(S1120)，则在下一个计算周期再次调用结霜检测部671，以进行判断是否结霜的过程(S1120)。

另一方面，除霜控制部673在制热运转期间(S1110)运行，而在制冷运转期间，除霜控制不进行动作。

当结霜检测部671判断为处于结霜时，除霜控制部673将运转模式从制热切换到除霜，并在切换到除霜运转时，为了去除室外机侧的热交换器的结霜，通过从制热运转切换到制冷运转来进行运转(S1130)。运转模式切换到除霜时，生成除霜运转标志(S1135)，并将该除霜运转标志传输到错误代码输出部(S1180)。

当运转模式为除霜时，除霜控制取消条件确认部动作(S1140)，除霜控制取消条件确认部在每个设定周期调用结霜检测部671以确认空调50是否从结霜变为正常状态(S1160)。

如果结霜检测部671仍判断为结霜(S1160)，则在下一个计算周期再次调用结霜检测部671，并再次判断空调50是否返回到正常状态(S1160)。如果空调50的状态从结霜返回到正常(S1160)，则除霜控制部673取消除霜运转(S1170)，并且将运转模式再次从制冷切换到制热。此时，生成制热运转标志(S1175)，并且该制热运转标志传输到错误代码输出部(S1175)。

另一方面，开始进行除霜控制时，由于除霜控制具有控制优先权，因此如果结霜防止控制和除霜控制同时开始，则首先执行除霜控制，如果正在进行除霜控制，则结霜防止控制部674将推迟执行直到取消除霜控制。

图12是示出本发明的一实施例的空调系统的动作方法的流程图，并且示出了结霜防止控制逻辑。结霜防止控制部674可以包括结霜防止控制开始条件确认部和结霜防止控制取消条件确认部。

参照图12，在制热运转(S1200)期间，结霜防止控制开始条件确认部确认是否满足结霜防止控制开始条件(S1205)。为此，在结霜防止控制开始条件确认部中，在每个设定的结霜判断周期调用结霜开始时间预测部672，并以分钟为单位预测直到空调50的下一次结霜的剩余时间(S1210)。此时，结霜开始时间预测部672所预测的直到下一次结霜时间之前剩余的时间小于设定的阈值时(S1220)，开始进行结霜防止运转(S1230)，而在相反的情况下(S1220)，反复执行在下一个预测周期再次调用结霜开始时间预测部672以预测结霜时间(S1210)的过程。

结霜防止控制部674类似于除霜控制部673在制热运转期间运行，并且在制冷运转期间，结霜防止控制不进行动作。另外，如果在结霜防止控制部674执行时生成了除霜运转标志，则推迟结霜防止控制开始条件确认部的执行。

结霜防止控制运转的目的是通过将压缩机频率设定为比正常运转时的控制目标频率低预先被定义的值(例如，以现有目标频率的95％运转)，以有意降低室外热交换率，从而尽可能延迟室外机侧热交换器的结霜。在这种情况下，生成结霜防止运转标志(S1235)，并将该结霜防止运转标志传输到错误代码输出部(S1280)。

生成结霜防止运转标志时，结霜防止控制取消条件确认部动作(S1240)，并且在每个设定的周期调用结霜开始时间预测部672(S1250)，确认下一次结霜之前剩余的时间是否低于阈值(S1260)。

例如，可以通过在设置了用于产生除霜运转条件的室内/室外温度条件和湿度的特殊室中从空调50的运转循环进入正常状态开始反复执行诱发结霜的实验，然后测量结霜的平均时间以通过实验来得出相应的阈值。

或者，可以通过机器学习模型学习结霜发生时间和运转数据来导出所述阈值。

如果结霜开始时间预测部672所预测的值小于阈值(S1260)，则在下一次预测周期再次调用结霜开始时间预测部672，以确认空调50是否即将结霜。如果空调50的下一次结霜发生时间晚于阈值(S1260)，则取消结霜防止运转(S1270)，并且将运转模式切换到一般制热运转。此时，生成制热运转标志(S1275)，并且该制热运转标志传输到错误代码输出部(S1280)。

错误代码输出部用于输出和通知错误代码，以便在开始进行除霜控制或结霜防止控制时将产品的当前状态向使用者和维修服务工程师通知。

错误代码输出部在接收到制热标志时可以立即防止继续显示除霜运转错误代码或结霜防止运转错误代码。

结霜检测部671在接收到经预处理的图像数据之后，使用该图像数据作为基于CNN的结霜检测图像分类模型1031的输入数据，以直接执行前馈运算。由此，将接收到的输入数据图像分类为正常或结霜图像。

与现有技术基于规则的结霜判断逻辑相比，通过这种直接观察来判断是否结霜具有显著的优势。在基于规则的结霜判断逻辑的情况下，是通过捕捉在室外热交换器104发生结霜之后制热循环上发生变化的物理现象，并将其作为基于阈值的规则来判断是否结霜，因此存在以下缺点，即仅在实际发生结霜现象以来经过相当长的时间之后，在制热循环的模式中发生明显的差异后才可以判断出结霜。因此，存在由于开始进行除霜运转后，热交换效率已经大大降低之后，结霜逻辑才会运行的问题，由于已经发生了很大程度的结霜，因此消除结霜也需要很长时间。另外，由于逻辑本身是基于规则的，因此如果未超过判断是否结霜的阈值，则即使实际发生了结霜，也无法判断为结霜，所以还存在结霜判断逻辑的准确度降低的问题。

与这种现有技术相比，本发明使用相机模块355和结霜检测图像分类模型1031通过直接观察来判断除霜运转，因此具有当在热交换器104发生结霜时可以快速且准确地判断结霜的优点。通过使用图像分类性能已得到验证的CNN结构，具有还可以容易地捕捉现有技术的基于规则的结霜逻辑中难以检测的初始结霜等的优点。

在结霜检测部671中使用的图像分类模型1031的情况下，如图9所示，遵循一般的CNN结构，并且通过多个卷积层来提取图像的模式(特征)，随后引入池化层(poolinglayer)，使图像的维数减小，从而降低运算速度和存储器使用量并减少参数数量，从而避免过拟合。并且是这种卷积层和池化层的组合重复，最终经过全连接层(fully-connectedlayers)，从而以两个输出节点(正常/结霜)结束的结构。在这种情况下，每个卷积层的激活函数主要使用ReLU(Rectified Linear Unit：修正线性单元)，最终全连接层(fullyconnected layer)中使用softmax激活函数和交叉熵(cross-entropy)成本函数。

当除霜控制部673的开始条件确认逻辑和除霜控制取消逻辑中给出执行命令时，结霜检测部671根据除霜控制逻辑上设定的结霜判断周期执行结霜判断。

当判断是否结霜时，将特定数量以上的实例(instance)定义为批处理大小，并通过对此判断是否结霜来确保统计上有意义的判断结果。由于结霜检测图像分类模型的最终输出结果是结霜或正常，因此关于相应批次的最终分类结果通过使用众数(mode)来确定。此时，为了避免关于是否结霜的判断结果出现相同比率，将判断是否结霜时使用的批处理大小始终设为奇数。

结霜开始时间预测部673从数据收集部接收循环运转数据作为输入数据，对随机森林(Random Forest)、DNN(Deep Neural Network)、CNN中的一个以上机器学习模型执行前馈(feed-forward)运算，并以分钟为单位预测直到下一次结霜开始为止剩余的时间。

图13是用于说明本发明的一实施例的空调系统的动作方法的参考图，并且是示出这种预测模型的原理的示例。当对如图13所示的结霜数据的模式进行了学习的预测模型接收室外机配管温度作为输入因子时，将预测结霜的时间还剩余多少分钟。

当结霜防止控制部674的开始条件确认逻辑和结霜防止控制取消逻辑中给出执行命令时，结霜开始时间预测部672根据结霜防止控制逻辑上设定的结霜开始时间预测周期来预测直到下一次结霜开始为止剩余的时间。

判断结霜开始时间时将特定数量以上的实例(instance)定义为批处理大小，预测对此的结霜开始时间以确保统计上有意义的预测结果。在导出最终预测结果时使用平均值，并为了导出更保守的平均值，选择除了预测值的最大值和最小值之外的其余的预测结果的平均值作为相应的结霜开始时间计算周期的最终预测值。在将最终预测值传输到结霜防止控制部674之前，运算作为导出结霜开始时间预测值时使用的各个预测结果的概率分布的平均值和标准偏差，从而再一次验证预测值的概率分布。如果方差(Variance)值为设定的阈值以上时，可以视为预测模型过度反映了数据中包含的噪声。因此，判断为最终预测结果不可靠，在相应的结霜开始时间的预测周期中不给出判断，并在下一个预测周期再次尝试下一次结霜时刻预测。

根据本发明的至少一个实施例，可以基于不是预测的图像来快速且准确地判断热交换器中是否结霜，并可以适当地执行除霜运转以改善热交换和制热效率。

另外，根据本发明的至少一个实施例，通过预测结霜开始时间，减少除霜运转的开始次数和热交换器的结霜，从而能够提高制热运转的效率。

根据本发明的空调系统及空调系统的动作方法不限于上述实施例的构成和方法，而是可以选择性地组合各个实施例的全部或一部分而构成，从而可以使所述实施例实现各种变形。

此外，尽管以上已经图示和说明了本发明的优选实施例，但是本发明不限于上述特定实施例，并且在不脱离权利要求书中所请求的本发明的主旨的情况下，本发明所述领域普通技术人员当然可以进行各种变形，并且这些变形实施不应脱离本发明的技术思想或前景而单独理解。