CN109937331A - 空调机以及空调系统 - Google Patents

空调机以及空调系统 Download PDF

Info

Publication number
CN109937331A
CN109937331A CN201680090745.9A CN201680090745A CN109937331A CN 109937331 A CN109937331 A CN 109937331A CN 201680090745 A CN201680090745 A CN 201680090745A CN 109937331 A CN109937331 A CN 109937331A
Authority
CN
China
Prior art keywords
unit
information
neural network
air conditioner
sensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680090745.9A
Other languages
English (en)
Other versions
CN109937331B (zh
Inventor
小泉吉秋
富田雅史
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN109937331A publication Critical patent/CN109937331A/zh
Application granted granted Critical
Publication of CN109937331B publication Critical patent/CN109937331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/52—Indication arrangements, e.g. displays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/50—Control or safety arrangements characterised by user interfaces or communication
    • F24F11/56—Remote control
    • F24F11/58—Remote control using Internet communication
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • F24F2110/12—Temperature of the outside air
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2140/00—Control inputs relating to system states
    • F24F2140/20—Heat-exchange fluid temperature

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明的空调机具备：设置有形成制冷剂回路的各设备及配管的室外机和室内机、以及与室内机连接的遥控器，在室外机和室内机分别设置有检测设备和配管的温度状态的传感器，在室外机或室内机设置有存储表示传感器的检测结果的传感器信息、和表示设备的控制状态的控制信息的存储器，遥控器具有：神经网络运算单元，其将表示基于从存储器取得的在同一时刻的传感器信息和控制信息的各部分的状态的信息作为输入值，并且将所推定的故障因素作为输出值，使用神经网络来运算故障因素的可能性；和显示单元，其显示神经网络运算单元的运算结果。

Description

空调机以及空调系统
技术领域
本发明涉及推定故障因素的空调机以及空调系统。
背景技术
现有的空调机的管理系统所具备的遥控器经由传输线与室内机连接，并保持从室内机接收到的运转履历以及故障代码等数据。另外，遥控器能够将保持的数据发送到用户的移动电话等便携式终端。
此外，遥控器保持空调机的设定温度等运转信息、表示机型的种类的信息、空调机的运转时间、室外机中的压缩机的消耗电流和转速、表示故障原因的代码以及外部空气温度等数据。这样的各种信息能够从便携式终端发送到进行维护等的服务店，因此在服务店中，基于接收到的各种信息，确定与检查相关的服务信息(例如，参照专利文献1)。
另外，提出了一种供热水设备，该供热水设备每隔预先设定的时间就取得由各种传感器的检测信号和燃烧器运转时等的指令值组成的数据，并基于所取得的数据确定故障部位(例如，参照专利文献2)。在该供热水设备中，预先将由上述的各种传感器的检测信号和指令值组成的数据作为保存数据存储，在设备发生了异常的情况下，使该设备的发生异常前的保存数据的最新数据、和与设备的异常对应的编号显示于遥控器的显示部。由此，进行供热水设备的修理的作业者等不使用专用的测定器等，就能够基于显示内容而容易地确定供热水设备的故障部位，因此能够实现修理作业时间的缩短等。
专利文献1：日本特开2009-14233号公报
专利文献2：日本专利第3897680号公报
然而，在专利文献1记载的发明中，将所取得的压缩机的电流值等运转履历与在同一地域、同一机型以及同一条件下的平均值进行比较。然后，比较的结果，在运转履历相对于平均值的增减超过了预先设定的阈值的情况下，视为在压缩机或其他部件存在某种异常。
例如，在“空调机不制冷”的情况下，需要观测压缩机或制冷剂回路的运转状态。因此，仅对单个部件进行阈值判定，则难以确定故障因素。另外，故障因素受到因设置条件而引起的差异和因机型而引起的差异的影响，因此固定的故障代码的显示，无法高精度地推定故障因素。
此外，在专利文献2记载的发明中，作业者基于显示于显示部的信息来确定故障部位，因此导致是否能够正确地确定故障部位依赖于作业者的技能和经验。即，在专利文献2记载的发明中，高精度地推定故障部位是困难的。
发明内容
本发明是鉴于上述课题所做出的，其目的在于提供一种能够高精度地推定故障因素并能够提高异常部位的检测精度的空调机以及空调系统。
本发明的空调机具备：设置有形成制冷剂回路的各设备及配管的室外机和室内机、以及与该室内机连接的遥控器，在所述室外机以及所述室内机分别设置有检测所述设备及所述配管的温度状态的传感器，在所述室外机或所述室内机设置有存储器，该存储器对表示所述传感器的检测结果的传感器信息、以及表示所述设备的控制状态的控制信息进行存储，所述遥控器具有：神经网络运算单元，其将表示基于从所述存储器取得的在同一时刻的所述传感器信息及所述控制信息的各部分的状态的信息作为输入值，并且将所推定的故障因素作为输出值，使用神经网络来运算所述故障因素的可能性；和显示单元，其显示所述神经网络运算单元的运算结果。
如以上那样，根据本发明，通过使用神经网络来推定故障因素，由此能够高精度地推定故障因素，从而提高异常部位的检测精度。
附图说明
图1是表示实施方式1的空调机的构成的一个例子的框图。
图2是用于对利用图1的神经网络运算单元进行的神经网络运算处理进行说明的简略图。
图3是用于对神经网络运算处理的结果进行说明的简略图。
图4是表示实施方式2的空调机的构成的一个例子的框图。
图5是表示实施方式3的空调机的构成的一个例子的框图。
具体实施方式
实施方式1
以下对本实施方式1的空调机进行说明。
[空调机的构成]
图1是表示本实施方式1的空调机1的构成的一个例子的框图。
如图1所示，空调机1构成为包括：室外机10、室内机20以及远程遥控器(以下适当地称为“遥控器”)30。室外机10和室内机20利用有线或无线的第一连接线2并使用第一通信方式进行连接。室内机20和遥控器30利用有线或无线的第二连接线3并使用第二通信方式连接。
另外，遥控器30利用无线的第三连接线4并使用第三通信方式与信息终端40连接。作为第三通信方式，例如能够使用近距离无线通信，该近距离无线通信使用了BLE(Bluetooth(注册商标)Low Energy)技术。遥控器30除了该信息终端40以外，例如也能够使用第三通信方式与设置于空气调节对象空间内的未图示的温湿度传感器等通用设备进行连接。
信息终端40例如是对用户通知空调机1中的各部分的控制状态等与空调机1相关的信息的设备。作为信息终端40例如能够使用智能手机、平板终端以及笔记本型PC(Personal Computer)等便携式终端。另外，信息终端40不限于此，也可以使用台式的PC等固定地设置的终端。
另外，在空调机1中，在室外机10或室内机20设置有形成压缩机和热交换器等的制冷剂回路的各设备和配管，但在图1中仅图示出与本实施方式1的特征相关的部分，对于此外的部分，省略图示和说明。另外在该例中，空调机1设置有1台室外机10和1台室内机20，但不限于此，例如，室外机10和室内机20的任一方也可以设置有多个，还可以双方都设置有多个。即，室外机10和室内机20的台数能够根据设置空调机1的状况而适当地决定。
(室外机)
室外机10具备：一个或多个传感器11、微型计算机(以下适当地称为“微机”)12、第一通信单元13、存储器14以及作为形成制冷剂回路的设备的压缩机15和膨胀阀16。
传感器11设置于室外机10的各部分，对测定对象的状态进行检测。具体而言，例如各传感器11为温度传感器，检测外部空气温度、压缩机15的温度以及配管的温度等各部分的温度状态。检测到的这些温度信息等作为涉及室外机10的传感器信息(以下适当地称为“室外机传感器信息”)供给至微机12。另外，传感器11不限于温度传感器，例如也可以使用压力传感器等检测各部分的压力等。
微机12例如进行压缩机15和膨胀阀16等形成制冷剂回路的设备的动作控制等来控制室外机10整体。例如，微机12进行压缩机15的压缩机频率以及膨胀阀16的开度的指示。
另外，微机12基于经由室内机20从遥控器30接收到的控制指示信息，设定和变更室外机10的状态。此外，微机12取得：由传感器11检测到的室外机传感器信息、和表示压缩机15的压缩机频率等设置于室外机10的设备的控制状态的控制信息，控制向后述的存储器14的写入，并且控制后述的第一通信单元13的通信。另外，关于控制指示信息的细节详见后述。
第一通信单元13基于微机12的指令，对使用第一通信方式在与室内机20之间进行的通信进行控制。例如第一通信单元13接收从室内机20供给的与室内机20相关的传感器信息(以下，适当地称为“室内机传感器信息”)，并将接收到的室内机传感器信息供给于微机12。
另外，第一通信单元13经由室内机20接收来自遥控器30的控制指示信息，并将接收到的控制指示信息供给于微机12。进而，第一通信单元13从微机12接收被后述的存储器14保持的室外机传感器信息和室内机传感器信息以及控制信息，并对室内机20发送。另外，以下将“室外机传感器信息和室内机传感器信息”适当地统称为“传感器信息”来进行说明。
存储器14是保持各种数据的数据保持单元。存储器14通过微机12的控制，进行由传感器11检测到的室外机传感器信息的写入和读取。另外，存储器14通过微机12的控制，进行经由第一通信单元13取得的室内机20的吸入温度和配管的温度等室内机传感器信息的写入和读取。
(室内机)
室内机20具备一个或多个传感器21、微机22、第二通信单元23、第三通信单元24以及存储器25。
传感器21设置于室内机20的各部分，对测定对象的状态进行检测。具体而言，例如各传感器21为温度传感器，检测空气调节对象空间的空气的吸入温度和配管的温度等各部分的温度状态。所检测到的这些温度信息等作为室内机传感器信息供给于微机22。另外，传感器21不限于温度传感器，例如也可以使用压力传感器等检测各部分的压力等。
微机22进行形成制冷剂回路的设备的动作控制等来控制室内机20整体。例如，微机22基于从后述的遥控器30接收到的控制指示信息，设定和变更室内机20的状态，并且根据需要对室外机10传送接收到的控制指示信息。另外，微机12取得表示由传感器21检测到的吸入温度和配管的温度这样的各部分的状态的室内机传感器信息，控制向后述的存储器25的写入，并且控制后述的第二通信单元23和第三通信单元24的通信。
第二通信单元23基于微机22的指令对使用第一通信方式在与室外机10之间进行的通信进行控制。例如，第二通信单元23从微机22接收由传感器21检测到的室内机传感器信息和来自遥控器30的控制指示信息，并对室外机10发送。另外，第二通信单元23从室外机10接收传感器信息和控制信息，并将接收到的这些信息供给于微机22。
第三通信单元24基于微机22的指令对使用第二通信方式在与遥控器30之间进行的通信进行控制。例如，第三通信单元24从遥控器30接收控制指示信息，并将接收到的控制指示信息供给于微机22。另外，第三通信单元24从微机22接收传感器信息和控制信息，并对遥控器30发送。
存储器25是保持各种数据的数据保持单元。存储器25通过微机22的控制，进行由传感器11检测到的室内机传感器信息的写入和读取。
(遥控器)
遥控器30具备第四通信单元31、微机32、存储器33、第五通信单元34、显示单元35以及操作单元36。
第四通信单元31基于微机32的指令对使用第二通信方式在与室内机20之间进行的通信进行控制。例如，第四通信单元31将来自微机32的用于控制室外机10和室内机20的动作的控制指示信息对室内机20发送。另外，第四通信单元31从室内机20接收传感器信息和控制信息，并供给于微机32。
微机32基于用户对于后述的操作单元36的操作，控制该遥控器30整体。例如，微机32基于通过用户的操作而获得的操作信号，生成用于控制室外机10和室内机20的动作的控制指示信息。
在微机32设置有神经网络运算单元39。神经网络运算单元39使用神经网络，以概率方式推定空调机1的状态。具体而言，神经网络运算单元39基于经由室内机20取得的各种信息，判定空调机1的动作是否正常、或是否有可能发生某些故障。然后，微机32将表示神经网络运算单元39的判定结果的判定信息供给于存储器33。另外，关于神经网络运算单元39的运算处理的细节详见后述。
存储器33是保持各种数据的数据保持单元。存储器33通过微机32的控制，进行表示神经网络运算单元39的判定结果的判定信息的写入和读取。
第五通信单元34基于微机32的指令对使用第三通信方式在与信息终端40之间进行的通信进行控制。例如，第五通信单元34将通过微机32的控制而从存储器33读取的判定信息对信息终端40发送。信息终端40将从遥控器30接收到的判定信息发送到经由国际互联网等网络5而连接的云50，并存储于云50上。
显示单元35例如由LCD(Liquid Crystal Display)、有机EL(ElectroLuminescence)显示器等构成，显示基于判定信息的判定结果。另外作为显示单元35，不是只显示判定结果，例如能够使用在LCD或有机EL显示器上层叠了具有触摸传感器的触摸面板而得到的触摸面板显示器。
操作单元36设置有用于操作该空调机1所使用的各种按钮或按键等，并输出与对各按钮或按键等的操作对应的操作信号。另外，如上述的那样，在显示单元35是触摸面板显示器的情况下，各种按钮或按键也可以作为软件按钮或软件按键显示于显示单元35。
[神经网络运算处理]
接下来，对由神经网络运算单元39进行的神经网络运算处理进行说明。如上述的那样，神经网络运算单元39使用神经网络，以概率方式推定空调机1的状态。这样的空调机1的状态判断例如在空调机1动作中检测到异常的情况下等进行。
图2是用于对由图1的神经网络运算单元39进行的神经网络运算处理进行说明的简略图。如图2所示，在本实施方式1中使用的神经网络100是由输入层110、中间层120以及输出层130组成的分层型的网络，上述输入层110由多个单元构成。在该例中，中间层120由第一中间层121和第二中间层122两个层构成。
输入层110是将基于所输入的信息的信号向中间层120传递的层。构成输入层110的单元分别与构成下一层亦即第一中间层121的所有单元结合。中间层120是基于从之前的层输入的信号进行运算处理并输出运算结果的层。构成中间层120的单元分别与构成下一层的所有单元结合。输出层130基于从之前的第二中间层122输入的信号进行运算处理，并将运算结果作为输出信号输出。
在本实施方式1的神经网络100中，将表示空调机1的状态的信息作为输入信号输入至输入层110。具体而言，例如将在同一时刻的“压缩机频率”、“高压压力”、“低压压力”以及“过热度”作为输入信号输入至输入层110。这些输入信号能够基于保持于室外机10的存储器14的传感器信息和控制信息而取得。
另外，将空调机1的故障因素作为输出信号从输出层130输出。具体而言，例如将作为所推定的故障因素的“正常”、“蒸发器风量减少”、“压缩机异常”、“制冷剂不足”以及“冷凝器风量减少”作为输出信号，从输出层130输出。
在神经网络100中，在从各层分别向下一层传递信号时，对所传递的信号累计对应的权重wij。权重wij是在神经网络运算处理时预先设定的，反映通过神经网络100学习到的内容。权重wij中的下标“i”表示成为网络的起点的层中的单元的编号，下标“j”表示成为网络的终点的层中的单元的编号。该权重wij作为加权表而存储于遥控器30的存储器33。另外，关于权重wij的细节详见后述。
接下来，参照图2对使用了神经网络100的神经网络运算处理的流程进行说明。首先，在图2所示的神经网络100中，将表示“压缩机频率”、“高压压力”、“低压压力”以及“过热度”的每一个的信息作为输入信号输入至输入层110的各单元。输入层110的各单元将接收到的输入信号传递至第一中间层121的各单元。即，输入到输入层110的所有输入信号被输入至第一中间层121的各单元。
接下来，第一中间层121的各单元分别累计从输入层110的各单元接收到的输入信号和与该输入信号对应的权重wij，并生成将累计得到的所有信号相加后的信号。然后，第一中间层121的各单元将基于已生成的信号得到的第一中间层信号向第二中间层122的各单元传递。
第二中间层122的各单元分别累计从第一中间层121的各单元接收到的第一中间层信号和与该信号对应的权重wij，并生成将累计得到的所有信号相加后的信号。然后，第二中间层122的各单元将基于已生成的信号得到的第二中间层信号向输出层130的各单元传递。
输出层130的各单元分别累计从第二中间层122的各单元接收到的第二中间层信号和与该信号对应的权重wij，并生成将累计得到的所有信号相加后的信号。然后，输出层130的各单元输出基于已生成的信号得到的输出信号。此时，从输出层130输出的输出信号的值的合计成为“1”。
这样，神经网络运算单元39基于输入信号和权重wij取得输出信号，所述输入信号基于传感器信息和控制信息而得到，所述权重wij参照存储于存储器33的加权表而得到。
图3是用于对神经网络运算处理的结果进行说明的简略图。图3是表示例如在空调机1动作中检测到异常的情况下作为可能发生的异常的因素的可能性的图表。在该例中，将来自神经网络100的输出信号中表示“正常”的值作为基准，表示将与每个故障因素对应的输出信号的值归一化后的值。即，表示与成为比表示“正常”的值“1”大的值的输出信号对应的故障因素可能是异常的因素。因此在图3所示的例子中，表示“制冷剂不足”是检测到异常时的故障因素的可能性是最高的。表示这样的故障因素的判断结果的图表例如在遥控器30的显示单元35显示。由此，在维护等时，作业者能够容易地推定故障因素，从而能够提高维护性。
(权重的变更)
在本实施方式1中，能够通过回答如上述那样得到的运算结果是否是正确答案，将加权表所包含的权重wij变更为最适合的值。其中，“运算结果是否是正确答案”是指异常的因素为通过神经网络运算处理而得到的故障因素的可能性最高的因素的情况。
该情况下更新的权重wij例如通过误差逆传播而算出。另外，误差逆传播是在算出神经网络100中的权重时通常使用的方法，因此在此省略说明。
使用了误差逆传播等的权重wij的重新计算，例如利用连接到网络5的外部的PC等来进行。例如，若作业者操作操作单元36，并输入对运算结果的回答，则遥控器30将表示已输入的回答的回答信息发送至外部的PC。由此，在PC进行使用了误差逆传播的、基于回答信息、传感器信息以及控制信息的权重wij的重新计算。
遥控器30从外部的PC经由网络5、信息终端40以及第五通信单元34接收重新计算后的权重wij。然后，遥控器30的微机32通过将接收到的权重wij储存到在存储器33存储的加权表，从而更新加权表。
如以上那样，本实施方式1的空调机1具备：设置有形成制冷剂回路的各设备及配管的室外机10及室内机20、和与室内机20连接的遥控器30，在室外机10和室内机20分别设置有检测设备和配管的温度状态的传感器11和21，并在室外机10或室内机20设置有对表示传感器11和21的检测结果的传感器信息、和表示设备的控制状态的控制信息进行存储的存储器14或25。遥控器30具有：神经网络运算单元39，其将表示基于从存储器14或25取得的同一时刻的传感器信息和控制信息的各部分的状态的信息作为输入值，并且将所推定的故障因素作为输出值，使用神经网络100运算故障因素的可能性；和显示单元35，其显示神经网络运算单元39的运算结果。
这样，在本实施方式1中，使用神经网络100以概率方式推定故障因素，因此能够高精度地推定故障因素，从而提高异常部位的检测精度。
另外，基于表示故障因素的正确与否的回答信息、传感器信息以及控制信息，重新计算并更新在神经网络100的运算处理时所使用的权重wij的值，因此能够进一步提高故障因素的推定精度。此外，由外部PC等进行上述的权重wij的值的重新计算，由此作为遥控器30的微机32能够使用低性能的装置，其结果能够降低成本。
实施方式2
接下来，对本实施方式2的空调机进行说明。本实施方式2的空调机与上述的实施方式1的不同点在于：信息终端40具备了神经网络运算单元。
图4是表示本实施方式2的空调机1的构成的一个例子的框图。如图4所示，在本实施方式2的空调机1中，在信息终端40设置有神经网络运算单元49。另外在以下的说明中，对于与上述的实施方式1共通的部分，标记相同的附图标记并省略说明。
遥控器30中的微机32经由第四通信单元31接收从室外机10发送的传感器信息和控制信息，并供给于第五通信单元34。第五通信单元34进行与实施方式1相同的通信处理，并且将从微机32接收到的传感器信息和控制信息发送到信息终端40。
信息终端40基于从遥控器30接收到的传感器信息和控制信息，进行神经网络运算处理。由神经网络运算单元49进行的运算处理与在实施方式1中的神经网络运算单元39的运算处理相同。
若由信息终端40进行神经网络运算处理，则遥控器30从信息终端40经由第五通信单元34接收表示作为运算结果的故障因素的可能性的信息。微机32使从信息终端40接收到的表示故障因素的可能性的信息显示于显示单元35。
此时，神经网络运算处理中所使用的加权表，例如由信息终端40的应用程序持有，与实施方式1同样，能够通过回答通过运算处理得到的运算结果是否是正确答案来更新权重wij。因此，在将来自遥控器30的回答信息发送到外部的PC并由PC重新计算权重wij的情况下，信息终端40与上述的实施方式1同样地从PC取得权重wij并更新加权表。
另外，由信息终端40更新的权重wij的取得，例如能够通过使用用户对信息终端40的手动输入、QR(Quick Response)码(QR码为注册商标)的读取、USB(Universal SerialBus)连接、或网络连接等输入输出接口来进行。
如以上那样，在本实施方式2中能够起到与实施方式1同样的效果。另外，代替遥控器30而由信息终端40进行神经网络运算处理，由此能够减轻遥控器30中的微机32的负荷。
实施方式3
接下来，对本实施方式3的空调机进行说明。本实施方式3的空调机与上述的实施方式1和2的不同点在于：在云50上具备了神经网络运算单元。
图5是表示本实施方式3的空调机1的构成的一个例子的框图。如图5所示，在本实施方式3的空调机1中，在云50上设置有神经网络运算单元59。另外在以下的说明中，对于与上述的实施方式1和2共通的部分，标注相同的附图标记并省略说明。
遥控器30中的微机32经由第四通信单元31接收从室外机10发送的传感器信息和控制信息，并供给于第五通信单元34。第五通信单元34进行实施方式1中的通信处理，并且将从微机32接收到的传感器信息和控制信息发送到信息终端40。
信息终端40经由网络5将从遥控器30接收到的传感器信息和控制信息发送到云50。云50基于从信息终端40接收到的传感器信息和控制信息，进行神经网络运算处理。由神经网络运算单元59进行的运算处理与实施方式1中的神经网络运算单元39、和实施方式2中的神经网络运算单元49的运算处理相同。
若由云50进行神经网络运算处理，则遥控器30经由信息终端40和第五通信单元34，从云50接收表示作为运算结果的故障因素的可能性的信息。微机32使从云50接收到的表示故障因素的可能性的信息显示于显示单元35。
此时，在神经网络运算处理中所使用的加权表，例如由云50的应用程序持有，与实施方式1和2同样，能够通过回答通过运算处理得到的运算结果是否是正确答案来更新权重wij。因此，在将来自遥控器30的回答信息发送到外部的PC并由PC重新计算权重wij的情况下，云50与上述的实施方式1和2同样地从PC取得权重wi并更新加权表。
如以上那样，在本实施方式3的流路切换阀中，能够起到与实施方式1相同的效果。另外，代替遥控器30而由云50进行神经网络运算处理，由此能够减轻遥控器30中的微机32的负荷。
以上对实施方式1～3进行了说明，但本发明不限于上述的实施方式1～3，在不脱离本发明的主旨的范围内能够进行各种变形、应用。例如，在上述的例子中，以将室外机传感器信息和室内机传感器信息的双方存储于室外机10的存储器14的方式进行了说明，但不限于此，也可以将室外机传感器信息和室内机传感器信息的双方存储于室内机20的存储器25。
另外，在上述的例子中，对中间层120的层数为两层的情况进行了说明，但不限于此，例如中间层120的层数只要是1层以上即可。中间层120的层数能够考虑空调机1的状态判断的精度等而适当地设定。
此外，作为神经网络运算处理时的输入信号，不限于上述的例子，例如也可以将表示压缩机15的排出温度、热交换器的蒸发温度、外部空气温度、设定温度或膨胀阀16的开度等信息的信号作为输入信号来使用。另外，向输入层110输入的输入信号，例如也可以是基于以1分钟间隔等预先设定的时间间隔取得的多个信息的信号。
此外，在上述的例子中，以在检测到空调机1的异常的情况下推定故障因素的方式进行了说明，但不限于此，例如即使在空调机1的设置时和维护时，也能够同样地推定故障因素。
附图标记说明：1…空调机；2…第一连接线；3…第二连接线；4…第三连接线；5…网络；10…室外机；11…传感器；12…微型计算机；13…第一通信单元；14…存储器；15…压缩机；16…膨胀阀；20…室内机；21…传感器；22…微型计算机；23…第二通信单元；24…第三通信单元；25…存储器；30…遥控器；31…第四通信单元31；32…微型计算机；33…存储器；34…第五通信单元；35…显示单元；36…操作单元；39、49、59…神经网络运算单元；40…信息终端；50…云；100…神经网络；110…输入层；120…中间层；121…第一中间层；122…第二中间层；130…输出层。

Claims (6)

1.一种空调机，具备：设置有形成制冷剂回路的各设备及配管的室外机和室内机、以及与该室内机连接的遥控器，其特征在于，
在所述室外机以及所述室内机分别设置有检测所述设备及所述配管的温度状态的传感器，
在所述室外机或所述室内机设置有存储器，该存储器对表示所述传感器的检测结果的传感器信息、以及表示所述设备的控制状态的控制信息进行存储，
所述遥控器具有：
神经网络运算单元，其将表示基于从所述存储器取得的在同一时刻的所述传感器信息及所述控制信息的各部分的状态的信息作为输入值，并且将所推定的故障因素作为输出值，使用神经网络来运算所述故障因素的可能性；和
显示单元，其显示所述神经网络运算单元的运算结果。
2.根据权利要求1所述的空调机，其特征在于，
所述神经网络构成为包括：供所述输入值输入的输入层、与所述输入层结合的中间层、以及与所述中间层结合的输出层，
在外部算出各层间结合时的权重的值，
所述神经网络运算单元从所述外部取得并更新所算出的所述权重的值。
3.根据权利要求2所述的空调机，其特征在于，
所述权重的值基于表示所述故障因素正确与否的信息、所述传感器信息以及所述控制信息而算出。
4.根据权利要求1～3中的任一项所述的空调机，其特征在于，
所述显示单元显示以正常的状态为基准而表示所述故障因素的可能性的图表。
5.一种空调系统，其特征在于，
构成为包括：权利要求1～4中的任一项所述的空调机、和通知与所述空调机相关的信息的信息终端，
所述神经网络运算单元设置于所述信息终端，来代替设置于所述遥控器。
6.根据权利要求5所述的空调机，其特征在于，
所述信息终端经由网络而与云连接，
所述神经网络运算单元设置于所述云，来代替设置于所述信息终端。
CN201680090745.9A 2016-11-18 2016-11-18 空调机以及空调系统 Active CN109937331B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/084231 WO2018092258A1 (ja) 2016-11-18 2016-11-18 空気調和機および空気調和システム

Publications (2)

Publication Number Publication Date
CN109937331A true CN109937331A (zh) 2019-06-25
CN109937331B CN109937331B (zh) 2020-11-24

Family

ID=62145829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680090745.9A Active CN109937331B (zh) 2016-11-18 2016-11-18 空调机以及空调系统

Country Status (5)

Country Link
US (1) US11486594B2 (zh)
EP (1) EP3348924B1 (zh)
JP (1) JP6625239B2 (zh)
CN (1) CN109937331B (zh)
WO (1) WO2018092258A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110471380A (zh) * 2019-08-15 2019-11-19 四川长虹电器股份有限公司 一种用于智能家居系统的空调故障监控及预警方法
CN110500709A (zh) * 2019-07-29 2019-11-26 七彩安科智慧科技有限公司 空调器运行状态在线判别方法

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11474485B2 (en) 2018-06-15 2022-10-18 Johnson Controls Tyco IP Holdings LLP Adaptive training and deployment of single chiller and clustered chiller fault detection models for connected chillers
US11859846B2 (en) 2018-06-15 2024-01-02 Johnson Controls Tyco IP Holdings LLP Cost savings from fault prediction and diagnosis
CN109059170A (zh) * 2018-06-20 2018-12-21 上海安悦节能技术有限公司 基于神经网络算法的中央空调控制系统
CN109405174A (zh) * 2018-10-08 2019-03-01 珠海格力电器股份有限公司 一种故障信息报修方法及装置
CN109882999A (zh) * 2018-12-19 2019-06-14 郑州大学 一种基于物联网与机器学习的方法及智能空调
JP7263121B2 (ja) * 2019-05-24 2023-04-24 株式会社Ｓｃｒｅｅｎホールディングス データ収集方法、学習方法、データ収集システムおよび学習システム
JP7515991B2 (ja) * 2019-08-09 2024-07-16 三菱電機株式会社 制御システム、機器および制御方法
CN111397107A (zh) * 2020-03-31 2020-07-10 广东美的制冷设备有限公司 空调器的屏幕显示方法、装置及空调器
JP7545818B2 (ja) * 2020-06-03 2024-09-05 日立グローバルライフソリューションズ株式会社 異常診断装置及び異常診断方法
WO2021245941A1 (ja) * 2020-06-05 2021-12-09 三菱電機株式会社 空気調和機の診断システムおよび学習装置
WO2021250787A1 (ja) * 2020-06-09 2021-12-16 三菱電機株式会社 空気調和システム
CN111981635B (zh) * 2020-07-21 2021-12-31 沈阳安新自动化控制有限公司 一种双智能算法的中央空调故障预测与诊断方法
CN113339970B (zh) * 2021-05-26 2022-04-15 青岛海尔空调器有限总公司 用于检测室内温度的方法、装置和智能空调
JP7403720B2 (ja) * 2021-08-06 2023-12-22 三菱電機株式会社 空気調和システム、及び検査方法
JPWO2023170780A1 (zh) * 2022-03-08 2023-09-14
TWI841092B (zh) * 2022-12-05 2024-05-01 台灣松下電器股份有限公司 冷櫃監控系統與監控主機

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1092151A (zh) * 1993-03-08 1994-09-14 三洋电机株式会社 空调机的控制方法
US5442926A (en) * 1993-03-29 1995-08-22 Sanyo Electric Co., Ltd. Control system for air-conditioner
CN1609528A (zh) * 2003-10-17 2005-04-27 株式会社日立空调系统 变频器空调机
JP2005301582A (ja) * 2004-04-09 2005-10-27 Toshiba Corp プロセス管理装置
US20150248118A1 (en) * 2014-02-26 2015-09-03 Board Of Trustees Of The University Of Alabama Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5372015A (en) * 1991-07-05 1994-12-13 Kabushiki Kaisha Toshiba Air conditioner controller
EP0681232B1 (en) * 1994-05-03 2001-08-01 Yamatake Corporation Set value learning apparatus including neural network.
JP4018374B2 (ja) * 2001-11-21 2007-12-05 株式会社山武 空気調和機の異常検出装置、異常検出方法及びプログラム
JP3897680B2 (ja) 2002-10-29 2007-03-28 ヤマハリビングテック株式会社 給湯機器
JP4503646B2 (ja) * 2005-02-24 2010-07-14 三菱電機株式会社 空気調和装置
JP4749369B2 (ja) * 2007-03-30 2011-08-17 三菱電機株式会社 冷凍サイクル装置の故障診断装置及びそれを搭載した冷凍サイクル装置
JP2009014233A (ja) 2007-07-03 2009-01-22 Hitachi Appliances Inc 空気調和機、及び空気調和機の管理システム
CN103597292B (zh) * 2011-02-28 2016-05-18 艾默生电气公司 用于建筑物的供暖、通风和空调hvac系统的监视系统和监视方法
US9551504B2 (en) * 2013-03-15 2017-01-24 Emerson Electric Co. HVAC system remote monitoring and diagnosis
US10670293B2 (en) * 2014-06-12 2020-06-02 Emerson Electric Co. HVAC system mode detection based on control line current
US10510016B2 (en) * 2014-11-17 2019-12-17 Optimitive S.L.U. Methods and systems using a composition of autonomous self-learning software components for performing complex real time data-processing tasks
US10386800B2 (en) * 2015-02-24 2019-08-20 Siemens Industry, Inc. Variable air volume modeling for an HVAC system
US20210287311A1 (en) * 2015-09-11 2021-09-16 Johnson Controls Technology Company Thermostat having network connected branding features
US20170074536A1 (en) * 2015-09-11 2017-03-16 Johnson Controls Technology Company Thermostat with near field communication features
US10794608B2 (en) * 2016-02-04 2020-10-06 Mitsubishi Electric Corporation Air-conditioning control evaluation apparatus, air-conditioning control evaluation method, and computer readable medium
US10496065B2 (en) * 2016-04-11 2019-12-03 Emerson Electric Co. Systems and methods for mobile application for HVAC installation and diagnostics

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1092151A (zh) * 1993-03-08 1994-09-14 三洋电机株式会社 空调机的控制方法
US5442926A (en) * 1993-03-29 1995-08-22 Sanyo Electric Co., Ltd. Control system for air-conditioner
CN1609528A (zh) * 2003-10-17 2005-04-27 株式会社日立空调系统 变频器空调机
JP2005301582A (ja) * 2004-04-09 2005-10-27 Toshiba Corp プロセス管理装置
US20150248118A1 (en) * 2014-02-26 2015-09-03 Board Of Trustees Of The University Of Alabama Systems and methods for modeling energy consumption and creating demand response strategies using learning-based approaches

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110500709A (zh) * 2019-07-29 2019-11-26 七彩安科智慧科技有限公司 空调器运行状态在线判别方法
CN110471380A (zh) * 2019-08-15 2019-11-19 四川长虹电器股份有限公司 一种用于智能家居系统的空调故障监控及预警方法

Also Published As

Publication number Publication date
WO2018092258A1 (ja) 2018-05-24
EP3348924B1 (en) 2019-08-28
CN109937331B (zh) 2020-11-24
EP3348924A1 (en) 2018-07-18
JPWO2018092258A1 (ja) 2019-02-21
US11486594B2 (en) 2022-11-01
EP3348924A4 (en) 2018-07-18
US20200049363A1 (en) 2020-02-13
JP6625239B2 (ja) 2019-12-25

Similar Documents

Publication Publication Date Title
CN109937331A (zh) 空调机以及空调系统
CN110199159A (zh) 空调系统
JP2018017403A (ja) 検知システム
CN112150311A (zh) 能耗异常状态检测方法、装置、计算机设备和存储介质
EP3726157B1 (en) Air-conditioning system, remote controller, and method for saving a history of operation data of an air conditioner
US10077928B2 (en) Air-conditioning system and control method for air-conditioning system
CN110986244B (zh) 空调管路的检测方法、装置、存储介质、终端及空调
AU2018423601B2 (en) Failure diagnosis system
US11860648B2 (en) Device management system with improved ability to identify cause of anomaly in device
JP2008014521A (ja) 制御装置
JP7149863B2 (ja) 異常監視装置及び異常監視方法
CN114754413A (zh) 一种多联机空调系统及故障定位方法
CN115111816A (zh) 用于检测电子膨胀阀的方法、装置及存储介质
US11906185B2 (en) State analyzer system and state analysis device
TWI693383B (zh) 壓力測定系統
CN115264756B (zh) 一种空调系统的应急处理方法及装置
CN115682289A (zh) 用于控制空调的方法、装置及空调
WO2021250787A1 (ja) 空気調和システム
WO2023248402A1 (ja) 空気調和システム及び異常診断方法
CN115899971A (zh) 一种空调设备及故障处理方法
JP2014130624A (ja) 省エネルギ診断システム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant