CN113531795A - 空调机、数据发送方法以及空调系统 - Google Patents

空调机、数据发送方法以及空调系统 Download PDF

Info

Publication number
CN113531795A
CN113531795A CN202110799203.1A CN202110799203A CN113531795A CN 113531795 A CN113531795 A CN 113531795A CN 202110799203 A CN202110799203 A CN 202110799203A CN 113531795 A CN113531795 A CN 113531795A
Authority
CN
China
Prior art keywords
operation history
history data
data
unit
air conditioner
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
CN202110799203.1A
Other languages
English (en)
Other versions
CN113531795B (zh
Inventor
山本泉
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.)
Fujitsu General Ltd
Original Assignee
Fujitsu General Ltd
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 Fujitsu General Ltd filed Critical Fujitsu General Ltd
Publication of CN113531795A publication Critical patent/CN113531795A/zh
Application granted granted Critical
Publication of CN113531795B publication Critical patent/CN113531795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F24F11/50—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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
    • 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
    • F24F11/54—Control or safety arrangements characterised by user interfaces or communication using one central controller connected to several sub-controllers
    • 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
    • F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
    • 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
    • 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
    • F24F11/65—Electronic processing for selecting an operating mode
    • 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
    • F24F11/89—Arrangement or mounting of control or safety devices
    • 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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/20—Humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2120/00—Control inputs relating to users or occupants
    • F24F2120/10—Occupancy
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2130/00—Control inputs relating to environmental factors not covered by group F24F2110/00
    • F24F2130/10—Weather information or forecasts
    • 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
    • F24F2140/60—Energy consumption
    • 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
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Human Computer Interaction (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本发明提供一种具备控制部和适配器的空调机，其中，控制部使用学习模型来控制空调机；适配器具有与服务器装置进行通信的通信部，所述服务器装置基于空调机的运行历史数据来生成学习模型。适配器具有获取部、判定部、消除部以及发送部。获取部以每个预设周期从空调机获取数据。判定部判断在获取部获取的数据中，时间上连续的数据之间的变化量是否在预设范围内。消除部在连续的数据之间的变化量在预设范围内的情况下，在连续的数据中留下至少一个数据并删除其他数据。发送部将在消除部进行了删除后的数据发送给服务器装置。能够在保持AI学习的准确度的同时，减少AI学习中使用的数据的通信量。

Description

空调机、数据发送方法以及空调系统
本申请是申请号：201980064481.3、申请日：2019年10月10日、发明名称“空调机、数据发送方法以及空调系统”的中国发明专利申请的分案申请。
技术领域
本发明涉及空调机、数据发送方法以及空调系统。
背景技术
目前，已提出有多种减少在电子机器之间收发数据时的通信量的方法。例如有如下方法：数据服务器进行时刻监控，积存检测出的数据，从积存的大容量的数据中提取用于解析所需的最低限度的数据并进行压缩转换，将压缩转换后的数据发送给解析装置(例如，专利文献1)。
专利文献1：日本特开2004-199377号公报
发明内容
近几年，对于空调机，提出有如下方案：例如，让服务器装置上的AI(人工智能，Artificial Intelligence)学习设定温度等的运行历史数据并生成学习模型，使用学习模型来控制空调的运行。但是，如果直接将所有的运行历史数据发送给服务器装置，则从空调机发送给服务器装置的运行历史数据的量变得庞大。其结果，空调机与服务器装置之间的通信流量增大。
另一方面，如果为了减少通信流量而单纯地删除一部分运行历史数据的话，可能导致生成学习模型时所需的运行历史数据不足，从而AI的学习准确度降低。
鉴于上述问题，本发明的目的在于提供一种能够在保持AI学习的准确度的同时，减少AI学习所使用的数据的通信量的空调机、数据发送方法以及空调系统。
一种形态的空调机具备控制部和适配器，其中，控制部使用学习模型来控制空调机；适配器具有与服务器装置进行通信的通信部，所述服务器装置基于空调机的运行历史数据来生成学习模型。适配器具有获取部、判定部、消除部以及发送部。获取部以每个预设周期从空调机获取数据。判定部判断在获取部获取的数据中，时间上连续的数据之间的变化量是否在预设范围内。消除部在连续的数据之间的变化量在预设范围内的情况下，留下连续的数据中至少一个数据并删除其他数据。发送部将在消除部进行了删除后的数据发送给服务器装置。
一方面，能够在保持AI学习的准确度的同时，减少AI学习所使用的数据的通信量。
附图说明
图1是表示本实施例的空调系统的一个示例的说明图。
图2是表示适配器的硬件结构的一个示例的框图。
图3是表示适配器的功能结构的一个示例的框图。
图4是表示服务器装置的硬件结构的一个示例的框图。
图5是表示服务器装置的功能结构的一个示例的框图。
图6是表示运行历史数据的内容的一个示例的说明图。
图7是表示在夏季或冬季的体感温度设定预测模型的生成或更新中使用的运行历史数据的一个示例的说明图。
图8是表示删除处理的一个示例的说明图。
图9是表示在判断运行历史数据之间的变化量是否在预设范围内时的判断工作的一个示例的说明图。
图10是表示发送处理相关的适配器中的CPU的处理工作的一个示例的流程图。
图11是表示删除处理相关的适配器中的CPU的处理工作的一个示例的流程图。
图12是表示更新处理相关的服务器装置中的CPU的处理工作的一个示例的流程图。
图13是表示恢复处理相关的服务器装置中的CPU的处理工作的一个示例的流程图。
具体实施方式
下面，基于附图来详细说明本发明公开的空调机、数据发送方法以及空调系统等的实施例。但是，公开的技术并不限定于本实施例。另外，以下所示的各个实施例还可以在合理的范围内进行适当地变形。
实施例
图1是表示本实施例的空调系统1的一个示例的说明图。图1所示的空调系统1具备：室内机2、适配器3、接入点4、服务器装置5、中继装置6、通信终端7以及通信网络8。
室内机2例如配置于室内，是加热或冷却室内空气的空调机的一部分。此外，室内机2的使用者可以通过操作遥控器9来远程操作室内机2。室内机2具备主体2A和控制该主体2A的控制部2B。主体2A中具备室内风扇以及室内热交换器，通过从主体2A吹出在室内热交换器中与制冷剂进行了热交换的室内空气，来进行房间的制热、制冷、除湿等。另外，在未图示的室外机中，具备室外风扇以及压缩机等。通信终端7为使用者的智能手机等终端装置。
适配器3具有：通过无线通信连接室内机2与接入点4的通信功能；以及对室内机2进行AI控制的控制功能。每个室内机2配置有适配器3。接入点4是使用例如WLAN(无线局域网，Wireless Local Area Network)等来无线通信连接适配器3与通信网络8的装置。通信网络8是例如因特网等的通信网络。服务器装置5具有生成用于控制室内机2的AI学习模型的功能、以及储存运行历史数据等的数据库等。此外，服务器装置5例如配置于数据中心。中继装置6具有与通信网络8通信连接并且与服务器装置5通信连接的功能。中继装置6经由通信网络8将运行历史数据等从适配器3发送给服务器装置5，其中所述运行历史数据用于生成或更新应用于室内机2的学习模型。另外，中继装置6将在服务器装置5生成或更新的学习模型，经由通信网络8发送给适配器3。此外，中继装置6例如配置于数据中心等。
中继装置6具有：第一中继部6A、第二中继部6B、以及第三中继部6C。第一中继部6A在适配器3与服务器装置5之间，发送有关AI控制的各种数据。第一中继部6A将从适配器3接收的用于生成或更新学习模型的运行历史数据等，经由通信网络8发送给服务器装置5，并且将由服务器装置5生成或更新的学习模型经由通信网络8发送给适配器3。第二中继部6B获取使用者从外出地使用通信终端7设定的室内机2的运行条件(制冷/制热等运行模式或设定温度等)，并将其发送给室内机2。第三中继部6C从例如因特网等通信网络8获取天气预报等外部数据，并将获取的外部数据发送给服务器装置5。此外，第三中继部6C将外部数据经由通信网络8发送给适配器3。
图2是表示适配器3的硬件结构的一个示例的框图。图2所示的适配器3具备：第一通信部11、第二通信部12、存储部13、以及CPU(中央处理单元，Central Processing Unit)14。第一通信部11例如为UART(通用异步收发器，Universal Asynchronous ReceiverTransmitter)等的通信IF(接口，Interface)，与室内机2内的控制部2B通信连接。第二通信部12例如为WLAN等的通信IF等的通信部，与接入点4通信连接。存储部13具有例如ROM(只读存储器，Read Only Memory)或RAM(随机存取存储器，Random Access Memory)等，保存数据或程序等各种信息。CPU14控制适配器3整体。
图3是表示适配器3的功能结构的一个示例的框图。图3所示的适配器3内的存储部13具备：运行历史存储器13A、模型存储器13B、以及外部存储器13C，其中，运行历史存储器13A临时储存从室内机2获取的运行历史数据；模型存储器13B储存从服务器装置5获取的学习模型；外部存储器13C储存外部数据。
CPU14具备：获取部14A、判定部14B、消除部14C、发送部14D、接收部14E、设定部14F、以及预测控制部14G。
获取部14A以预设周期，例如每隔5分钟的获取定时，从室内机2获取运行历史数据、以及每5分钟周期的时间戳。获取部14A将以5分钟周期获取的运行历史数据、以及对其附加的时间戳储存至运行历史存储器13A。
当运行历史存储器13A储存有预设期间的运行历史数据、以及对其附加的时间戳时，判定部14B判断在获取的运行历史数据中，时间上连续的运行历史数据之间的变化量是否在预设范围内。此外，在学习模型为例如后述的体感温度预测模型等的情况下，将预设期间定为48小时。此外，48小时是考虑了例如适配器3的存储容量以及回避通信拥堵而得出的时间。判定部14B对储存于运行历史存储器13A中的运行历史数据，是否是以5分钟的周期获取的48个小时的运行历史数据进行判断。当储存的运行历史数据是48个小时的运行历史数据时，判定部14B判断在48个小时的运行历史数据中，连续的运行历史数据之间的变化量是否在预设范围内。连续的运行历史数据之间的变化量是指：时间上连续的前后的运行历史数据之间的变化的差值量。前后的运行历史数据之间的变化量在预设范围内是指：例如前后的运行历史数据之间的变化量在对AI的学习没有影响的变化量的范围内的情况，例如无变化量，或者变化量在AI的学习中可以无视的范围内的情况。变化量在对AI的学习没有影响的变化量的范围是指：即使使用基于前后的运行历史数据得到的AI学习结果来控制室内机2，也不影响人的体感的范围。一般来说，为了确保数据及对其附加的时间戳、以及压缩时删除的数据的恢复，需要数据之间无变化量。此外，相比于环境的温度变化，人更难以体感到湿度变化，湿度的可以看作相同数值的幅度相比于温度更宽。例如，相比于±1℃的温度变化，人倾向于难以感觉到±1％的湿度变化。因此，考虑到在运行历史数据为湿度的情况下，即使判断数据时的变化量比温度的粗略，使用基于这些数据得到的AI学习结果来控制室内机2也不会对人的体感产生影响，例如体感温度中湿度相对于温度的权重不是1:1的关系，例如(温度:湿度)为1:5的关系。由于±5％的湿度变化并不是例如使用AI的学习结果来控制室内机2时会对人的体感产生影响的程度的变化，因此可以认为无变化。其结果，可以减少发送的数据量。
在连续的运行历史数据之间的变化量在预设范围内的情况下，判定部14B判断连续的运行历史数据是使用AI学习结果来控制室内机2时，不影响人的体感的范围内的数据。此外，使用AI学习结果来控制室内机2时，不影响人的体感的范围内的数据成为例如删除(在下述说明中，有时称作“删除处理”)对象的数据。在连续的运行历史数据之间的变化量不在预设范围内的情况下，判定部14B判断运行历史数据是使用AI学习结果来控制室内机2时，影响人的体感的数据。此外，使用AI学习结果来控制室内机2时，影响人的体感的数据不作为删除处理对象的数据。
在连续的时间戳中的各个运行历史数据之间的变化量在预设范围内的情况下，消除部14C保留一个运行历史数据、以及对其附加的时间戳，并删除其他的运行历史数据、以及对其附加的时间戳。然后，消除部14C将进行了删除处理后的48个小时的运行历史数据依次储存于运行历史存储器13A。例如，当变化量在预设范围内的运行历史数据从12时00分连续到12时15分为止时，保留时间戳最早的12时00分的运行历史数据，删除12时05分、10分以及15分的运行历史数据、以及对其附加的时间戳。但是，在48个小时的运行历史数据中，不连续的运行历史数据之间的变化量在预设范围内时，不删除该变化量在预设范围内的运行历史数据。
发送部14D将运行历史存储器13A中储存的进行了删除处理后的运行历史数据、以及对其附加的时间戳经由通信网络8发送给服务器装置5。接收部14E经由通信网络8从服务器装置5接收学习模型，并将接收到的学习模型储存于模型存储器13B。设定部14F将储存的学习模型应用到预测控制部14G。预测控制部14G基于由设定部14F应用的学习模型，来控制室内机2内的控制部2B。此外，虽然为了说明方便，而示例了预测控制部14G基于学习模型，来控制室内机2内的控制部2B的情况，但预测控制部14G也可以基于学习模型，直接控制室内机2的主体2A。此外，预测控制部14G将基于学习模型的控制方式发送给控制部2B。也就是说，预测控制部14G也可以通过控制部2B来间接控制主体2A，可以适当地进行变更。
图4是表示服务器装置5的硬件结构的一个示例的框图。图4所示的服务器装置5具备：通信部31、存储部32、以及CPU33。通信部31为与中继装置6通信连接的通信IF。存储部32例如具有HDD(硬盘驱动器，Hard Disk Drive)、ROM或RAM等，储存数据或程序等各种信息。CPU33控制服务器装置5整体。
图5是表示服务器装置5的功能结构的一个示例的框图。图5所示的服务器装置5内的存储部32具备数据存储器32A和模型存储器32B。数据存储器32A储存从各个适配器3接收的运行历史数据、以及对其附加的时间戳等。模型存储器32B储存服务器装置5中生成或更新的学习模型。
服务器装置5内的CPU33具备：模型学习部33A、接收部33B、判定部33C、恢复部33D、以及发送部33E。
模型学习部33A与多个室内机2的各个适配器3连接，经由接入点4、通信网络8以及中继装置6，从各个适配器3接收48个小时的运行历史数据。然后，模型学习部33A使用来自各个适配器3的储存于数据存储器32A的48个小时的运行历史数据来进行学习，基于学习结果，生成或更新各个室内机2的学习模型。学习模型中例如有体感温度设定预测模型，其根据每个家庭的空调机的运行状況，来预测对于室内的使用者的5分钟后的体感温度，并根据预测的体感温度来控制空调机。目前，空调机是以使室内温度成为目标温度的方式调节温度的，因此使用者会有感觉该温度变化在体感上不舒适的情况。对此，体感温度设定预测模型是例如根据室内温度、室内湿度、室外温度等的时间序列的运行历史数据来调节空调机以使使用者感到舒适时执行的程序。然后，模型学习部33A将生成或更新的学习模型储存至模型存储器32B。接收部33B经由通信网络8从各个适配器3接收运行历史数据、以及对其附加的时间戳等。此外，为了说明方便，示例了模型学习部33A使用例如48个小时的运行历史数据，生成或更新体感温度设定预测模型的学习模型的情况。但是，并不限定于48个小时的运行历史数据，模型学习部33A还可以根据学习模型的内容，例如使用一个月或者半年等的运行历史数据，可以适当地进行变更。
判定部33C参考从适配器3接收的48个小时的运行历史数据、以及对其附加的时间戳，根据有无时间戳来判断在48个小时的运行历史数据中是否有删除区间。
在判断有删除区间的情况下，由于时间戳为5分钟的周期，恢复部33D将没有时间戳的区间判断为删除了运行历史数据的删除区间。并且，恢复部33D基于该删除区间之前最近的运行历史数据、以及对其附加的时间戳，生成该删除区间的运行历史数据、以及对其附加的时间戳，来恢复48个小时的运行历史数据、以及对其附加的时间戳。然后，恢复部33D将恢复后的48个小时的运行历史数据、以及对其附加的时间戳储存到数据存储器32A。例如，在适配器3中，判断12时00分至12时15分为止的运行历史数据之间的变化量在预设范围内的情况下，恢复部33D参考是否有时间戳。当12时05分至12时15分为止的区间没有时间戳时，恢复部33D判断12时05分至12时15分为止的区间为删除区间。当恢复部33D将例如12时05分至12时15分为止判断为删除区间时，则12时00分的运行历史数据成为删除区间之前最近的运行历史数据。因此，恢复部33D通过将12时00分的运行历史数据复制成12时05分、12时10分以及12时15分的运行历史数据，来恢复删除区间的运行历史数据、以及对其附加的时间戳。然后，恢复部33D将恢复后的运行历史数据、以及对其附加的时间戳储存到数据存储器32A。其结果，恢复部33D是通过恢复从适配器3接收的48个小时的运行历史数据、以及对其附加的时间戳中，删除区间的运行历史数据、以及对其附加的时间戳，来将48个小时的运行历史数据、以及对其附加的时间戳储存到数据存储器32A。此外，例如，由于是以预设周期(5分钟周期)单位来付戳的，所以时间戳的恢复可以通过对删除区间之前最近的时间戳逐一增加5分钟来恢复删除区间的时间戳。
模型学习部33A基于每个适配器3的储存在数据存储器32A中的48个小时的运行历史数据、以及对其附加的时间戳，来生成或更新该适配器3对应的学习模型，并将生成或更新的学习模型储存到模型存储器32B。发送部33E将模型学习部33A中生成或更新的学习模型经由中继装置6、通信网络8以及接入点4发送给适配器3。
图6是表示运行历史数据的内容的一个示例的说明图。运行历史数据为，例如，运行状态、运行模式、设定温度、室内温度、室内湿度、风量、风向、人体传感器、辐射传感器、室内热交换温度、室外温度、压缩机转速、室外风量、运行电流、室外热交换温度等。此外，运行历史数据还有，例如，排出温度、压缩机温度、膨胀阀开度、散热器温度、启动失败记录、异常停止记录、应急运行记录、时间戳、空调机ID、设置场所或设施种类等。
运行状态，是指室内机2的运行的ON-OFF状态。运行模式，是室内机2的制冷或制热等的工作模式。设定温度，是使用室内机2的室内的室内目标温度。室内温度，是使用室内机2的室内的实际温度。室内湿度，是使用室内机2的室内的实际湿度。风量，是从室内机2吹出的空调空气的风量。风向，是从室内机2吹出的空调空气的风向。人体传感器，是由传感器检测出的室内有无人或活动量的检测结果。辐射传感器，是由传感器检测出的室内的地面或墙壁的温度的检测结果。室内热交换温度，是未图示的作为室内机2的主体2A的一部分的室内热交换器的温度。室外温度，是室外的实际温度。压缩机转速，是未图示的通过制冷剂配管与室内机2连接的室外机所具备的压缩机的运行转速。室外风量，是室外机所具备的室外风扇的风量。运行电流是，例如室内机2以及室外机等空调机整体的运行电流。室外热交换温度，是室外机所具备的室外热交换器的温度。排出温度，是从压缩机排出的制冷剂的温度。压缩机温度，是压缩机底部的温度。膨胀阀开度，是室外机所具备的电子膨胀阀的开度。散热器温度，是驱动控制压缩机的功率半导体的温度。启动失败记录，是压缩机启动失败的记录。异常停止记录，是异常停止的记录。应急运行记录，是应急运行的实施记录。时间戳，是获取数据时的年月日时分秒。空调机ID，是为了识别室内机2等空调机，而赋予室内机2的ID。设置场所，是设置了空调机的场所的地址。设施种类，是设置了室内机2等空调机的店铺、饮食店、工厂等设施的种类。
运行历史数据有家用空调机使用的数据、以及商用空调机使用的数据。家用空调机使用的运行历史数据，例如为运行状态、运行模式、设定温度、室内温度、室内湿度、风量、风向、人体传感器的检测值、辐射传感器的检测值、时间戳、空调机ID、设置场所等。由于家用空调机为了追求舒适性或节能性，使用AI来进行操作或提案，因此家用所需的数据例如为设定温度、运行模式、室内或周边环境等。
此外，商用空调机使用的运行历史数据，例如为运行状态、运行模式、设定温度、室内温度、室内湿度、风量、风向、人体传感器的检测值、辐射传感器的检测值、室内热交换温度、室外温度、压缩机转速、室外风量、运行电流、以及室外热交换温度等。进一步地，其他的运行历史数据，例如为排出温度、压缩机温度、膨胀阀开度、散热器温度、启动失败记录、异常停止记录、应急运行记录、时间戳、空调机ID、设置场所或者设施种类等。在商用空调机中，由于AI对各个装置的故障或保养的必要性进行预测，例如，积累用来预测故障的、空调机中的各个部件级的运行状况或记录，用AI来判断故障的预兆。除以上所述外，商用空调机所需的运行历史数据例如为用于预测故障的数据。此外，空调机中使用的压缩机和风扇电机的转速等，在空调机停止时停止，不会产生各个运行历史数据，因此在空调机停止期间，不获取例如压缩机转速、室外风量、运行电流、以及室外热交换温度等的数据。
在学习模型例如为上文所述的体感温度设定预测模型的情况下，在生成或更新体感温度设定预测模型时，使用设定温度、室内温度、室内湿度、室外温度等的时间序列的运行历史数据。图7是表示在夏季或冬季的体感温度设定预测模型的生成或更新中使用的运行历史数据的一个示例的说明图。如图7所示，体感温度设定预测模型中使用的运行历史数据例如根据季节不同而不同。例如，在冬季的体感温度设定预测模型中，使用设定温度、室内温度、室内湿度、以及室外温度等。与此相对的，在夏季的体感温度设定预测模型中，除了设定温度、室内温度、室内湿度、以及室外温度等以外，例如还使用风量以及人体传感器检测出的数据(人的有无或活动量)。
如前文所述，例如每隔5分钟来获取运行历史数据。当与连续的时间戳对应的各个运行历史数据相同时，则对时间戳和运行历史数据进行删除处理。这时，根据每个运行历史数据的特征，来设定进行删除处理时的变化量的预设范围。此外，判断运行历史数据时的变化量的预设范围，相当于用来判断连续的运行历史数据之间有无变化的阈值的幅度，例如根据是夏季还是冬季而产生变化。
例如，在对运行状态、运行模式、设定温度、室内温度、室内湿度、风量、风向、人体传感器的检测值、辐射传感器的检测值、室内热交换温度、以及室外温度进行判断时的每个数据的变化量的预设范围，例如不限定于夏季或冬季，也可以根据其他的时期、空调机所设置的环境、或者空调机的设定记录进行变更，或者也可以不变。
图8是表示删除处理的一个示例的说明图。如图8所示，适配器3的CPU14例如从室内机2以5分钟周期获取数据1至数据11为止的运行历史数据。例如，在时间戳(181001113000)和时间戳(181001113500)各自的数据1～数据11的各个运行历史数据之间的变化量在预设范围内的情况下，CPU14将时间戳(181001113500)的各运行历史数据看作与时间戳(181001113000)的各运行历史数据相同，删除前者。另一方面，在时间戳(181001113500)与时间戳(181001114000)各自的数据1～数据11的各个运行历史数据中，只要有一个运行历史数据的变化量不在预设范围内的情况下，CPU14就不对这些运行历史数据进行删除处理，将所有的运行历史数据发送给服务器装置5。其结果，当将运行历史数据上传至服务器装置5时，原数据已被进行了删除处理，从而压缩效率变高，因此该压缩效率增高，可以减少通信流量。
图9是表示在判断运行历史数据之间的变化量是否在预设范围内时的判断工作的一个示例的说明图，这里，以图7所示的各个运行历史数据中的室内湿度为例。在空调机中使用的湿度传感器的精确度在±5％左右。只因打开和关闭屋内的门等，室内的相对湿度都会发生较大的变化。如前文所述，相对于温度的变化，湿度的变化更难以被体感到，因此可以利用这样的体感差，改变室温的变化量的预设范围与室内湿度的变化量的预设范围。此外，不仅是改变室温与室内湿度的变化量的预设范围，例如也可以根据冬季或夏季等季节，改变变化量的预设范围。在夏季，在制冷的基础上选择除湿运行，用除湿运行控制湿度，而相对的，在冬季，没有控制湿度的运行模式。因此，相较于夏季的湿度的变化量的预设范围，使冬季的湿度的变化量的预设范围更大，例如，在夏季的情况下，室内湿度的变化量在预设范围，例如±3％以内时，判断为无变化，而在冬季的情况下，室内湿度的变化量在预设范围，例如±5％以内时，判断为无变化即可。
图9所示的说明图中是以5分钟周期获取的室内湿度的数据。在图9所示的开始时刻，室内湿度(RH)为45％，而后变化量维持在预设范围，例如±3％以内的状态。但是，在室内湿度变为53％的时刻，从45％发生了变化量为+8％的变化，即变化量变为不在预设范围内，因此判断为有变化，将基准定为53％。而后，在室内湿度变为49％的时刻，从53％发生了变化量为-4％的变化，即变化量变为不在预设范围内，因此判断为有变化，将基准定为49％。进一步地，在室内湿度变为45％的时刻，从49％发生了变化量为-4％的变化，变化量变为不在预设范围内，因此判断为有变化，将基准定为45％。进一步地，在室内湿度变为50％的时刻，从45％发生了变化量为+5％的变化，变化量变为不在预设范围内，因此判断为有变化，将基准定为50％。此外，与湿度的情况相同地，其他的运行历史数据也根据各个数据的特征，预设用于判断有无变化的预设范围来判断有/无变化，当存在同一时间戳的所有的运行历史数据中的各个数据的变化量在预设范围内时，则进行删除处理。
例如，在体感温度设定预测模型等中，适配器3中的获取部14A从室内机2以5分钟的周期获取设定温度、室内温度、室内湿度或室外温度等的运行历史数据，并将获取的运行历史数据储存至运行历史存储器13A。适配器3中的判定部14B对运行历史存储器13A中是否储存有48个小时的运行历史数据进行判断。
在储存有48个小时的运行历史数据的情况下，判定部14B对连续的运行历史数据之间的变化量，例如12时00分的各个运行历史数据与12时05分的各个运行历史数据之间的变化量是否在预设范围内进行判断。此外，连续的运行历史数据之间的变化量例如不包含时间戳。在运行历史数据之间的变化量在预设范围内的情况下，适配器3中的消除部14C将变化量在预设范围内的运行历史数据删除。进一步地，适配器3中的发送部14D将进行了删除处理后的48个小时的运行历史数据，经由接入点4、通信网络8以及中继装置6，发送给服务器装置5。
在收到48个小时的运行历史数据的情况下，服务器装置5中的判定部33C对运行历史数据中是否有删除区间进行判断。当48个小时的运行历史数据中有删除区间时，服务器装置5中的恢复部33D参考时间戳，将没有时间戳的区间判断为删除区间。进一步地，恢复部33D基于删除区间之前最近的运行历史数据、以及对其附加的时间戳，恢复删除区间的运行历史数据、以及对其附加的时间戳。恢复部33D将恢复后的运行历史数据、以及对其附加的时间戳储存至数据存储器32A。当恢复部33D将例如从12时05分至12时15分为止的区间判断为删除区间时，则12时00分的运行历史数据为删除区间之前最近的运行历史数据。因此，恢复部33D通过将12时00分的运行历史数据复制为12时05分、12时10分、以及12时15分的运行历史数据，从而恢复删除区间的运行历史数据、以及对其附加的时间戳。服务器装置5中的模型学习部33A基于数据存储器32A中储存的运行历史数据、以及对其附加的时间戳，生成或更新体感温度预测设定模型等的学习模型。然后，服务器装置5中的发送部33E将在模型学习部33A生成或更新的体感温度设定预测模型等的学习模型，经由中继装置6、通信网络8以及接入点4，发送给适配器3。
在从服务器装置5接收到体感温度设定预测模型等的学习模型的情况下，适配器3中的设定部14F将该学习模型储存至模型存储器13B。然后，例如，在室内温度为设定温度的±1.5度的稳定控制时，适配器3中的预测控制部14G基于储存于模型存储器13B的体感温度设定预测模型等的学习模型，控制室内机2的控制部2B。此外，虽然为了说明方便而示例了预测控制部14G基于学习模型，对室内机2中的控制部2B进行控制的情况，但预测控制部14G也可以基于学习模型，直接控制室内机2的主体2A。此外，预测控制部14G也可以将基于学习模型的控制方式发送给控制部2B，经由控制部2B来间接控制主体2A，能够适当地进行变更。也就是说，预测控制部14G可以直接控制主体2A，也可以使用控制部2B间接控制主体2A，可以适当地进行变更。
接下来，对本实施例的空调系统1的工作进行说明。图10是表示发送处理相关的适配器3中的CPU14的处理工作的一个示例的流程图。适配器3中的CPU14中的获取部14A对当前是否为运行历史数据的获取定时进行判断(步骤S11)。此外，获取定时例如为5分钟周期。在当前是运行历史数据的获取定时的情况下(步骤S11：是)，获取部14A从室内机2获取运行历史数据(步骤S12)。进一步地，获取部14A对运行历史数据赋予时间戳(步骤S13)。
获取部14A将获取的运行历史数据、以及对其附加的时间戳储存至运行历史存储器13A(步骤S14)。CPU14中的判定部14B对储存于运行历史存储器13A的运行历史数据是否是48个小时的运行历史数据进行判断(步骤S15)。此外，判定部14B例如通过对5分钟周期的时间戳进行计数，来判断是否有48个小时的运行历史数据。
在判定部14B判断为储存的运行历史数据是48个小时的运行历史数据的情况下(步骤S15：是)，实行后述的图11所示的删除处理(步骤S16)。在CPU14中的消除部14C将实行了删除处理后的48个小时的运行历史数据、以及对其附加的时间戳储存至运行历史存储器13A后，将储存的48个小时的运行历史数据、以及对其附加的时间戳发送给服务器装置5(步骤S17)，结束图10所示的处理工作。此外，在48个小时的运行历史数据、以及对其附加的时间戳被发送给服务器装置5后，与发送过的数据不重复地，获取部14A依次获取接下来的48个小时的运行历史数据、以及对其附加的时间戳。
在当前不是运行历史数据的获取定时的情况下(步骤S11：否)，获取部14A返回步骤S11的处理。在储存的运行历史数据不是48个小时的运行历史数据的情况下(步骤S15：否)，获取部14A返回步骤S11的处理。
如上文所说明的，适配器3以每5分钟的周期从室内机2获取运行历史数据，在储存48个小时的运行历史数据的情况下，实行删除处理，并将删除处理后的48个小时的运行历史数据发送给服务器装置5。其结果，服务器装置5可以每隔48小时获取运行历史数据，并用其来生成或更新学习模型。而且，由于适配器3是将实行了删除处理后的运行历史数据发送给服务器装置5，所以能够减少运行历史数据的发送相关的通信流量。
图11是表示删除处理相关的适配器3中的CPU14的处理工作的一个示例的流程图。在图11中，CPU14中的判定部14B对是否从48个小时的运行历史数据中，选择了以时间戳的先后顺序连续的运行历史数据之间的变化量在预设范围内的运行历史数据进行判断(步骤S21)。
在选择了变化量在预设范围内的运行历史数据的情况下(步骤S21：是)，CPU14中的消除部14C在选出的运行历史数据中，将除了时间戳最早的运行历史数据之外的运行历史数据删除(步骤S22)。
在步骤S22中进行了运行历史数据的删除处理后，判定部14B对是否存在未选择的变化量在预设范围内的运行历史数据进行判断(步骤S23)。在有未选择的变化量在预设范围内的运行历史数据的情况下(步骤S23：是)，为了选择未选择的变化量在预设范围内的运行历史数据，判定部14B返回步骤S21的处理。
在没有未选择的变化量在预设范围内的运行历史数据的情况下(步骤S23：否)，判定部14B结束图11所示的处理工作。在没有选择变化量在预设范围内的运行历史数据的情况下(步骤S21：否)，判定部14B结束图11所示的处理工作。
如上文所说明的，适配器3并不是将48个小时的运行历史数据、以及对其附加的时间戳全部发送给服务器装置5，而是在48个小时的连续的运行历史数据中，将多个变化量在预设范围内的运行历史数据中最早的运行历史数据之外的数据全部删除。其结果，可以减少在适配器3与服务器装置5之间发送运行历史数据、以及对其附加的时间戳时的通信流量。
图12是表示更新处理相关的服务器装置5中的CPU33的处理工作一个示例的流程图。更新处理是指在服务器装置5中的处理，该处理使用从适配器3接收的48个小时的运行历史数据来更新学习模型。这里，例举服务器装置5使用3周的运行历史数据来更新体感温度设定预测模型的情况。服务器装置5中的CPU33中的接收部33B对是否有从适配器3接收到48个小时的运行历史数据、以及对其附加的时间戳进行判断(步骤S31)。在接收到48个小时的运行历史数据、以及对其附加的时间戳的情况下(步骤S31：是)、CPU33中的判定部33C判断在接收到的运行历史数据中是否有删除区间(步骤S32)。
在接收到的48个小时的运行历史数据中有删除区间的情况下(步骤S32：是)，CPU33中的恢复部33D通过后述的图13所示的恢复处理，来恢复48个小时的运行历史数据、以及对其附加的时间戳中的，删除区间的运行历史数据、以及对其附加的时间戳(步骤S33)。此外，恢复部33D根据是否有时间戳，来将没有时间戳的区间判断为删除区间。
在实行了恢复处理后，恢复部33D将48个小时的运行历史数据、以及对其附加的时间戳储存至数据存储器32A(步骤S34)。在储存了48个小时的运行历史数据、以及对其附加的时间戳之后，CPU33中的模型学习部33A对储存的运行历史数据、以及对其附加的时间戳是否是3周以上的运行历史数据、以及对其附加的时间戳进行判断(步骤S35)。并且，模型学习部33A例如根据5分钟周期的时间戳的计数，来判断储存的运行历史数据是否有3周以上的量。在运行历史数据、以及对其附加的时间戳有3周以上的量的情况下(步骤S35：是)，模型学习部33A基于3周以上的量的运行历史数据、以及对其附加的时间戳，生成或更新体感温度设定预测模型等的学习模型(步骤S36)。
在生成或更新了学习模型后，CPU33中的发送部33E将学习模型发送给适配器3(步骤S37)，结束图12所示的处理工作。
此外，在没有从适配器3接收到48个小时的运行历史数据、以及对其附加的时间戳的情况下(步骤S31：否)，接收部33B结束图12所示的处理工作。在接收的48个小时的运行历史数据、以及对其附加的时间戳中没有删除区间的情况下(步骤S32：否)，为了要储存48个小时的运行历史数据、以及对其附加的时间戳，CPU33返回步骤S34的处理。
此外，在储存的48个小时的运行历史数据、以及对其附加的时间戳少于3周的情况下(步骤S35：否)，为了判断是否有从适配器3接收到48个小时的运行历史数据、以及对其附加的时间戳，CPU33返回步骤S31的处理。
如上文所说明的，在从适配器3接受到的48个小时的运行历史数据中有删除区间的情况下，实行更新处理的服务器装置5对删除区间进行恢复，并将恢复后的48个小时的运行历史数据储存至数据存储器32A。进一步地，在储存的恢复后的48个小时的运行历史数据有3周的量的情况下，服务器装置5生成或更新体感温度设定预测模型，并将生成或更新的学习模型发送给适配器3。其结果，即使服务器装置5从适配器3获取的是进行了删除处理后的运行历史数据，也可以保持生成或更新的学习模型的准确度。
此外，虽然为了说明方便而示例了例如在48个小时的运行历史数据有3周的量的情况下，生成或更新体感温度设定预测模型的情况，但并不限定于3周的量或者体感温度设定预测模型，还可以根据运行历史数据的储存量适当地变更学习模型。
图13是表示恢复处理相关的服务器装置5中的CPU33的处理工作的一个示例的流程图。在图13中，服务器装置5中的CPU33中的恢复部33D根据在48个小时的运行历史数据、以及对其附加的时间戳中是否有时间戳，来将没有时间戳的区间认定为删除区间(步骤S41)。在认定删除区间后，恢复部33D根据是否有时间戳，来选择删除区间的之前最近的运行历史数据、以及对其附加的时间戳(步骤S42)。此外，恢复部33D通过参考是否有时间戳，来选择删除区间之前最近的有时间戳的运行历史数据、以及对其附加的时间戳。恢复部33D基于之前最近的运行历史数据、以及对其附加的时间戳，恢复删除区间的运行历史数据、以及对其附加的时间戳(步骤S43)。在恢复部33D将例如12时05分至12时15分为止的区间认定为删除区间的情况下，则12时00分的运行历史数据为删除区间的之前最近的运行历史数据。因此，恢复部33D将12时00分的运行历史数据复制为12时05分、12时10分以及12时15分的运行历史数据，来恢复删除区间的运行历史数据、以及对其附加的时间戳。
进一步地，在恢复了删除区间的运行历史数据、以及对其附加的时间戳后，判定部33C对是否存在尚未认定的删除区间进行判断(步骤S44)。在有尚未认定的删除区间的情况下(步骤S44：是)，CPU33为了要按时间戳顺序认定出尚未认定的删除区间，返回步骤S41的处理。在没有尚未认定的删除区间的情况下(步骤S44：否)，判定部33C结束图13所示的处理工作。
如上文所说明的，实行恢复处理的服务器装置5在48个小时的运行历史数据中认定出删除区间，由删除区间之前最近的运行历史数据、以及对其附加的时间戳恢复删除区间的运行历史数据、以及对其附加的时间戳。其结果，服务器装置5可以使用进行了删除处理后的运行历史数据，生成或更新准确度高的学习模型。
本实施例的适配器3从室内机2，以每个预设周期按时获取运行历史数据，在获取的运行历史数据有预设的期间量的情况下，在获取的运行历史数据中，判断时间上连续的运行历史数据之间的变化量是否在预设范围内。在连续的运行历史数据之间的变化量在预设范围内的情况下，适配器3在连续的运行历史数据中，将最早的运行历史数据留下，并将其他的运行历史数据删除。进一步地，适配器3将进行了删除处理后的预设的期间量的数据发送给服务器装置5。其结果，适配器3可以通过对运行历史数据的数据量进行删除处理，来减少从适配器3发往服务器装置5的通信流量。
适配器3对在每个预设的时机获取的运行历史数据，赋予每个该获取定时的时间戳。其结果，适配器3可以参考时间戳，以时间序列来管理运行历史数据。
适配器3将变化量在预设范围内的连续的运行历史数据、以及对其附加的时间戳中，最早的运行历史数据、以及对其附加的时间戳留下，并删除其他的运行历史数据、以及对其附加的时间戳。其结果，适配器3可以在变化量在预设范围内的连续的运行历史数据中，参考时间戳，留下最早的运行历史数据并进行删除处理。
在连续的运行历史数据之间的变化量在预设范围内的情况下，适配器3将连续的运行历史数据判断为，在使用AI的学习结果来控制室内机2的情况下也不会对人的体感产生影响的范围内的数据。其结果，由于删除了连续的运行历史数据中、在使用AI的学习结果来控制室内机2的情况下也不会对人的体感产生影响的范围的运行历史数据，因此可以减少从适配器3向服务器装置5发送数据时的运行历史数据的通信流量。
适配器3判断连续的运行历史数据之间的变化量是否在预设范围内即是否为零。其结果，可以减少从适配器3向服务器装置5发送数据时的运行历史数据的通信流量。
适配器3例如对夏季或冬季等的每个季节设定不同的预设范围，并对连续的运行历史数据之间的变化量是否在与当前季节对应的预设范围内进行判断。其结果，服务器装置5可以通过使用与季节对应的变化量的预设范围，生成或更新对应季节的学习模型。
适配器3例如根据家用或商用等空调机的不同用途，设定变化量的不同的预设范围，并对时间上连续的运行历史数据之间的变化量是否在与该空调机的用途对应的预设范围内进行判断。其结果，服务器装置5可以通过使用对应用途的变化量的预设范围，生成或更新对应用途的学习模型。
在从适配器3接收到预设期间量的运行历史数据、以及对其附加的时间戳的情况下，服务器装置5基于各个运行历史数据的时间戳，判断预设期间量的运行历史数据中是否有删除区间。在服务器装置5判断为有删除区间的情况下，基于该删除区间之前最近的运行历史数据、以及对其附加的时间戳，生成该删除区间的运行历史数据、以及对其附加的时间戳，来恢复预设期间量的运行历史数据、以及对其附加的时间戳。服务器装置5基于恢复的预设期间量的运行历史数据、以及对其附加的时间戳来更新学习模型。其结果，服务器装置5可以使用预设期间量的运行历史数据来生成或更新高准确度的学习模型。
另外，在本实施例中作为学习模型示例了体感温度设定预测模型，但并不限定于此，可以进行适当地变更。此外，根据学习模型的不同，学习中所需的运行历史数据也会不同，因此可以适当地变更其内容。此外，根据学习模型的不同，学习中所需的获取周期以及收集量也会不同，因此也可以适当地变更预设周期以及预设期间。
在本实施例中，示例了在连续的运行历史数据的多个数据组中，至少有一个的数据之间的变化量不在预设范围内时，将包含该数据的整个数据组发送给服务器装置5的情况。但是，当多个数据组中至少有一个数据之间的变化量不在预设范围内时，也可以将多个数据组中变化量在预设范围内的数据删除，仅将变化量不在预设范围内的数据发送给服务器装置5，可以进行适当地变更。
虽然示例了适配器3经由中继装置6，将室内机2的运行历史数据发送给服务器装置5的情况，但是也可以不经由中继装置6，直接将运行历史数据发送给服务器装置5，可以进行适当地变更。
此外，附图所示的各个部分的每个结构要素并不一定需要在实体上按照附图所示构成。即，各个部分的分散、合并的具体形态不限定于附图所示，可以根据各种负载或使用状况等，将其整体或一部分以任意的单位，功能性地或物理性地分散或合并地构成。
进一步地，每个装置所进行的各种处理功能也可以在CPU(中央处理单元，CentralProcessing Unit)(或MPU(微处理单元，Micro Processing Unit)、MCU(微控制单元，MicroController Unit)等的微处理器)上实行其全部或任意一部分。此外，各种处理功能很明显也可以在由CPU(或MPU、MCU等的微处理器)分析实施的程序上，或者使用布线逻辑的硬件上，实行其全部或任意一部分。
符号说明
1 空调系统
2 室内机
2A 主体
2B 控制部
3 适配器
5 服务器装置
14A 获取部
14B 判定部
14C 消除部
14D 发送部
14E 接收部
14F 设定部
14G 预测控制部
33A 模型学习部
33B 接收部
33C 判定部
33D 恢复部
33E 发送部。

Claims (6)

1.一种空调机，其特征在于，包括：
控制部，使用学习模型来控制空调机；以及
适配器，具有与服务器装置进行通信的通信部，所述服务器装置基于所述空调机的运行历史数据，生成所述学习模型，
所述适配器包括：
获取部，以每个预设周期从所述空调机获取所述运行历史数据；
判定部，其判断在所述获取部获取的所述运行历史数据中，时间上连续的数据之间的变化量是否在预设范围内；
消除部，在所述连续的数据之间的变化量在预设范围内的情况下，在所述连续的数据中，留下至少一个数据并删除其他数据；以及
发送部，其将在所述消除部中删除了所述其他数据后的运行历史数据发送给所述服务器装置，其中，
以每个所述预设周期获取的所述运行历史数据被附加有时间戳。
2.根据权利要求1所述的空调机，其特征在于：
所述消除部在删除所述其他数据时，也删除对所述其他数据附加的时间戳。
3.根据权利要求1或2所述的空调机，其特征在于：
所述获取部获取至少两个具有不同特征的运行历史数据，
所述预设范围根据所述运行历史数据具有的特征来设定。
4.根据权利要求1-3中任一项所述的空调机，其特征在于：
所述运行历史数据具有的特征是所述运行历史数据的变化量带给体感的影响的程度。
5.根据权利要求1-3中任一项所述的空调机，其特征在于：
所述运行历史数据中至少包含温度和湿度。
6.一种空调系统，其特征在于，包括：
空调机；
适配器，搭载有使用学习模型来控制所述空调机的控制部；以及
服务器装置，基于所述空调机的运行历史数据，生成所述学习模型，
所述适配器包括：
获取部，以每个预设周期，从所述空调机获取所述运行历史数据；
第一判定部，判断在所述获取部获取的所述运行历史数据中，时间上连续的数据之间的变化量是否在预设范围内；
消除部，在所述连续的数据之间的变化量在预设范围内的情况下，在所述连续的数据中，留下至少一个数据并删除其他数据；以及
第一发送部，其将在所述消除部中删除了所述其他数据后的运行历史数据发送给所述服务器装置，其中，
以每个所述预设周期获取的所述运行历史数据被附加有时间戳，
所述服务器装置包括：
第二判定部，从所述适配器接收到所述运行历史数据以及时间戳时，基于对每个运行历史数据附加的时间戳，判断接收到的所述每个运行历史数据中是否有删除区间；
恢复部，在判断为有所述删除区间的情况下，基于该删除区间之前最近的运行历史数据以及时间戳，生成该删除区间的运行历史数据以及时间戳来对接收到的所述运行历史数据以及时间戳进行恢复；
学习部，基于在所述恢复部中进行了恢复的运行历史数据以及时间戳，生成所述学习模型；以及
第二发送部，将在所述学习部中生成的所述学习模型发送给所述适配器，
所述适配器包括：
设定部，应用从所述服务器装置接收到的所述学习模型。
CN202110799203.1A 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统 Active CN113531795B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018192355A JP6760348B2 (ja) 2018-10-11 2018-10-11 空気調和機、データ送信方法及び空気調和システム
JP2018-192355 2018-10-11
CN201980064481.3A CN112789452B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统
PCT/JP2019/040096 WO2020075824A1 (ja) 2018-10-11 2019-10-10 空気調和機、データ送信方法及び空気調和システム

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201980064481.3A Division CN112789452B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统

Publications (2)

Publication Number Publication Date
CN113531795A true CN113531795A (zh) 2021-10-22
CN113531795B CN113531795B (zh) 2022-11-22

Family

ID=70164608

Family Applications (4)

Application Number Title Priority Date Filing Date
CN202210632904.0A Active CN114909782B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统
CN201980064481.3A Active CN112789452B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统
CN202110799149.0A Active CN113531794B (zh) 2018-10-11 2019-10-10 空调机
CN202110799203.1A Active CN113531795B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统

Family Applications Before (3)

Application Number Title Priority Date Filing Date
CN202210632904.0A Active CN114909782B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统
CN201980064481.3A Active CN112789452B (zh) 2018-10-11 2019-10-10 空调机、数据发送方法以及空调系统
CN202110799149.0A Active CN113531794B (zh) 2018-10-11 2019-10-10 空调机

Country Status (6)

Country Link
US (3) US11959654B2 (zh)
EP (3) EP3913450B1 (zh)
JP (1) JP6760348B2 (zh)
CN (4) CN114909782B (zh)
AU (3) AU2019357534B2 (zh)
WO (1) WO2020075824A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115729290A (zh) * 2022-11-23 2023-03-03 重庆长安汽车股份有限公司 汽车的座舱内气候调节方法及装置

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7305956B2 (ja) * 2018-12-28 2023-07-11 株式会社富士通ゼネラル アダプタ
JPWO2021124457A1 (zh) * 2019-12-17 2021-06-24
WO2021149191A1 (ja) * 2020-01-22 2021-07-29 三菱電機株式会社 制御プログラムを更新するサービスシステム、サーバ装置及びサーバ装置における制御プログラム更新方法
US11441801B2 (en) * 2020-04-07 2022-09-13 Ademco Inc. Access door detection using a humidity sensor
WO2021234763A1 (ja) * 2020-05-18 2021-11-25 三菱電機株式会社 室内温度推定装置、プログラム及び室内温度推定方法
CN111623498A (zh) * 2020-06-05 2020-09-04 哈尔滨工业大学 一种空调温度自动确定方法及系统
JP7481920B2 (ja) 2020-06-23 2024-05-13 株式会社日立製作所 店舗環境管理システム
CN113126512B (zh) * 2021-04-01 2023-07-18 青岛海尔空调器有限总公司 用于数据上报的方法、装置和智能家电设备
CN115509273B (zh) * 2021-06-07 2024-02-23 维谛技术(西安)有限公司 一种数据中心的初始化控制的方法、装置、和设备及介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1319957A (zh) * 2000-03-31 2001-10-31 朗迅科技公司 用户可配置通信服务的方法和系统
JP2006235797A (ja) * 2005-02-23 2006-09-07 Matsushita Electric Ind Co Ltd 制御計測装置
CN101697169A (zh) * 2009-10-23 2010-04-21 中兴通讯股份有限公司 源数据库和目的数据库之间数据同步的方法、装置及系统
CN102362481A (zh) * 2009-02-23 2012-02-22 特拉内国际有限公司 用于楼宇自动化系统的记录采集数据获取器
US20160103911A1 (en) * 2014-10-08 2016-04-14 Google Inc. Time variant data profile for a fabric network
CN105956005A (zh) * 2016-04-20 2016-09-21 曹屹 一种数据处理方法和设备
CN106131515A (zh) * 2016-08-31 2016-11-16 陆敏 远程监控方法
US20170159956A1 (en) * 2015-12-03 2017-06-08 At&T Intellectual Property I, L.P. Locational Environmental Control
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
CN107355946A (zh) * 2017-06-29 2017-11-17 兰州理工大学 一种基于用户体验的家居智能舒适节能控制系统及方法
CN108317670A (zh) * 2018-03-02 2018-07-24 深圳市华之任有限公司 一种基于机器学习的制冷系统节能控制方法及系统
US20180283723A1 (en) * 2017-03-30 2018-10-04 Samsung Electronics Co., Ltd. Data learning server and method for generating and using learning model thereof

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7006881B1 (en) * 1991-12-23 2006-02-28 Steven Hoffberg Media recording device with remote graphic user interface
US9565275B2 (en) * 2012-02-09 2017-02-07 Rockwell Automation Technologies, Inc. Transformation of industrial data into useful cloud information
JP2004013674A (ja) 2002-06-10 2004-01-15 Daikin Ind Ltd 設備機器管理装置、設備機器制御方法および設備機器管理システム
JP2004199377A (ja) 2002-12-18 2004-07-15 Toshiba Corp 遠隔監視診断システム
JP2005038246A (ja) 2003-07-16 2005-02-10 Matsushita Electric Works Ltd 設備監視制御装置、設備監視制御システム、設備監視制御方法及び設備監視制御用プログラム
JP2006251997A (ja) 2005-03-09 2006-09-21 Toyo Electric Mfg Co Ltd 欠測データの補間方法
JP2007139241A (ja) 2005-11-16 2007-06-07 Hitachi Ltd 空気調和装置
CN101196890B (zh) * 2006-12-08 2010-06-16 国际商业机器公司 聚合数据库运行时信息和分析应用性能的方法及装置
JP2008198030A (ja) * 2007-02-14 2008-08-28 Qualia Kk ポイント管理システム、および、ポイント管理サーバー、ポイント管理方法、ポイント提供方法
JP5022885B2 (ja) 2007-12-07 2012-09-12 三洋電機株式会社 監視装置および監視装置の制御方法
JP2009282926A (ja) 2008-05-26 2009-12-03 Toshiba Corp 時系列データ分析装置、方法及びプログラム
JP2011017515A (ja) 2009-07-10 2011-01-27 Daikin Industries Ltd 空調システム
JP2012175589A (ja) * 2011-02-24 2012-09-10 Fujitsu General Ltd コンバータ
JP6098004B2 (ja) 2012-07-09 2017-03-22 パナソニックＩｐマネジメント株式会社 空調管理装置、空調管理システム
US8949488B2 (en) * 2013-02-15 2015-02-03 Compellent Technologies Data replication with dynamic compression
JP6113691B2 (ja) 2014-09-24 2017-04-12 株式会社小野測器 センサ装置、処理装置、センサシステム及び物理量の出力方法
JP6359423B2 (ja) 2014-10-24 2018-07-18 三菱重工業株式会社 空調システムの制御装置、空調システム、及び空調システムの制御装置の異常判定方法
CN104656615B (zh) * 2015-01-04 2017-10-03 常州市武进区半导体照明应用技术研究院 环境控制设备、环境控制设备的学习方法以及其控制方法
EP3249483B1 (en) * 2015-01-21 2020-05-20 Mitsubishi Electric Corporation Information processing device and information processing method
JP6603023B2 (ja) * 2015-02-09 2019-11-06 東芝ライフスタイル株式会社 情報提供システム
EP3521722B1 (en) * 2016-09-30 2023-11-29 Daikin Industries, Ltd. Air conditioner management system, communication condition adjustment method
JP6606050B2 (ja) * 2016-11-02 2019-11-13 日本電信電話株式会社 検知装置、検知方法および検知プログラム
JP2018084854A (ja) 2016-11-21 2018-05-31 日本電気株式会社 センサデータ処理方法
JP2018084958A (ja) 2016-11-24 2018-05-31 株式会社リコー 情報処理システム及び情報処理方法
CN106649832B (zh) * 2016-12-29 2020-04-17 北京奇艺世纪科技有限公司 一种基于缺失数据的预估方法及装置
KR102393418B1 (ko) 2017-03-30 2022-05-03 삼성전자주식회사 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법
US10713257B2 (en) * 2017-09-29 2020-07-14 International Business Machines Corporation Data-centric reduction network for cluster monitoring
WO2019078269A1 (ja) 2017-10-18 2019-04-25 清華大学 空気調和制御装置
JP2019100687A (ja) 2017-12-08 2019-06-24 パナソニックＩｐマネジメント株式会社 空調制御方法及び空調制御装置
KR102069574B1 (ko) * 2018-02-02 2020-02-11 엘지전자 주식회사 인공지능을 이용한 파라미터 학습에 기반한 공기조화기, 클라우드 서버, 공기조화기의 구동 및 제어 방법
CN108627794B (zh) * 2018-06-27 2020-09-29 方汝松 一种基于深度学习的智能化仪表检测方法
CN109282443B (zh) * 2018-09-05 2021-03-09 广东工业大学 一种多模式、低能耗的室内热调节方法
KR20200084380A (ko) * 2018-12-20 2020-07-13 전자부품연구원 인공지능 기반 스마트 홈 에어컨 자동 제어 시스템

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1319957A (zh) * 2000-03-31 2001-10-31 朗迅科技公司 用户可配置通信服务的方法和系统
JP2006235797A (ja) * 2005-02-23 2006-09-07 Matsushita Electric Ind Co Ltd 制御計測装置
CN102362481A (zh) * 2009-02-23 2012-02-22 特拉内国际有限公司 用于楼宇自动化系统的记录采集数据获取器
CN101697169A (zh) * 2009-10-23 2010-04-21 中兴通讯股份有限公司 源数据库和目的数据库之间数据同步的方法、装置及系统
US20160103911A1 (en) * 2014-10-08 2016-04-14 Google Inc. Time variant data profile for a fabric network
CN106817909A (zh) * 2015-10-01 2017-06-09 松下知识产权经营株式会社 空调控制方法、空调控制装置以及空调控制程序
US20170159956A1 (en) * 2015-12-03 2017-06-08 At&T Intellectual Property I, L.P. Locational Environmental Control
CN105956005A (zh) * 2016-04-20 2016-09-21 曹屹 一种数据处理方法和设备
CN106131515A (zh) * 2016-08-31 2016-11-16 陆敏 远程监控方法
US20180283723A1 (en) * 2017-03-30 2018-10-04 Samsung Electronics Co., Ltd. Data learning server and method for generating and using learning model thereof
CN107355946A (zh) * 2017-06-29 2017-11-17 兰州理工大学 一种基于用户体验的家居智能舒适节能控制系统及方法
CN108317670A (zh) * 2018-03-02 2018-07-24 深圳市华之任有限公司 一种基于机器学习的制冷系统节能控制方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115729290A (zh) * 2022-11-23 2023-03-03 重庆长安汽车股份有限公司 汽车的座舱内气候调节方法及装置

Also Published As

Publication number Publication date
AU2021205028A1 (en) 2021-08-12
EP3865782A4 (en) 2022-06-29
EP3913450A1 (en) 2021-11-24
AU2021205033A1 (en) 2021-08-12
EP3913456B1 (en) 2023-09-20
AU2019357534A1 (en) 2021-05-06
CN112789452A (zh) 2021-05-11
US20210364185A1 (en) 2021-11-25
EP3865782B1 (en) 2024-01-10
US11976834B2 (en) 2024-05-07
CN114909782B (zh) 2023-09-05
US11976835B2 (en) 2024-05-07
US20210333001A1 (en) 2021-10-28
AU2021205033B2 (en) 2022-12-08
EP3913456A1 (en) 2021-11-24
AU2021205028B2 (en) 2022-09-22
CN114909782A (zh) 2022-08-16
EP3865782A1 (en) 2021-08-18
AU2019357534B2 (en) 2022-06-16
JP6760348B2 (ja) 2020-09-23
JP2020060331A (ja) 2020-04-16
US20210348795A1 (en) 2021-11-11
CN113531795B (zh) 2022-11-22
WO2020075824A1 (ja) 2020-04-16
US11959654B2 (en) 2024-04-16
CN113531794B (zh) 2023-03-10
CN113531794A (zh) 2021-10-22
EP3913450B1 (en) 2024-09-18
CN112789452B (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN113531795B (zh) 空调机、数据发送方法以及空调系统
CN107750323B (zh) 用于控制空调装置的启动的方法及其设备
CN102252400B (zh) 设定值管理方法以及装置
US20200116382A1 (en) System of adjusting load of air conditioning and method of adjusting the same
JP6777174B2 (ja) サーバ装置、アダプタおよび空気調和システム
JP6927350B2 (ja) 空気調和機及び空気調和システム
JP7342598B2 (ja) 空気調和システム
JP6981494B2 (ja) 空気調和機
JP7392394B2 (ja) 空気調和システム及び空気調和機
Gunay et al. Design of Sequences of Operation for Occupant-Centric Controls
EP4414621A1 (en) Method and system for optimizing heating, ventilation and air conditioning system
JP2020139705A (ja) 運転制御方法、運転制御プログラムおよび運転制御装置
JP7211096B2 (ja) サーバ装置および学習方法
WO2024154352A1 (ja) 空気調和制御システム
KR20240078115A (ko) 제어장치 및 이를 포함하는 공기조화 시스템

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