CN115280074B - 排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法 - Google Patents

排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法 Download PDF

Info

Publication number
CN115280074B
CN115280074B CN202180020655.3A CN202180020655A CN115280074B CN 115280074 B CN115280074 B CN 115280074B CN 202180020655 A CN202180020655 A CN 202180020655A CN 115280074 B CN115280074 B CN 115280074B
Authority
CN
China
Prior art keywords
foreign matter
clogging
drain pump
prediction
drain
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.)
Active
Application number
CN202180020655.3A
Other languages
English (en)
Other versions
CN115280074A (zh
Inventor
片冈太郎
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.)
Daikin Industries Ltd
Original Assignee
Daikin Industries 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 Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of CN115280074A publication Critical patent/CN115280074A/zh
Application granted granted Critical
Publication of CN115280074B publication Critical patent/CN115280074B/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
    • F24F13/00—Details common to, or for air-conditioning, air-humidification, ventilation or use of air currents for screening
    • F24F13/22—Means for preventing condensation or evacuating condensate
    • 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
    • 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
    • F24F13/00—Details common to, or for air-conditioning, air-humidification, ventilation or use of air currents for screening
    • F24F13/22—Means for preventing condensation or evacuating condensate
    • F24F13/222—Means for preventing condensation or evacuating condensate for evacuating condensate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • F24F2140/30—Condensation of water from cooled air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/94—Investigating contamination, e.g. dust
    • G01N2021/945—Liquid or solid deposits of macroscopic size on surfaces, e.g. drops, films, or clustered contaminants

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Devices For Blowing Cold Air, Devices For Blowing Warm Air, And Means For Preventing Water Condensation In Air Conditioning Units (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

排水泵堵塞预测装置(1)预测将空调机(10)的排水盘(16)的水排出的排水泵的堵塞。排水泵堵塞预测装置(1)包括：取得部(25)，其取得与排水盘(16)内的异物有关的信息；以及预测部(26)，其基于取得部(25)所取得的信息来计算异物量、异物尺寸以及异物流入量中的至少一方，基于异物量、异物尺寸以及异物流入量中的至少一方来预测排水泵的堵塞的发生。

Description

排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法
技术领域
本发明涉及排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法。
背景技术
已知有抑制空调机的排水泵的堵塞的装置(例如，专利文献1)。在该技术中，判定在排水泵的吸引口是否发生了堵塞，基于判定来抑制排水泵的堵塞。
现有技术文献
专利文献
专利文献1：日本特开2019-138546号公报
发明内容
发明所要解决的课题
然而，若在发生了排水泵的堵塞时，继续进行制冷运转，则存在水从排水盘溢出的担忧。另外，即使在发生了排水泵的堵塞时制冷运转停止，由于在短暂的期间内热交换器处于冷却的状态，因此水流入排水盘，水可能从排水盘溢出。因此，本发明的目的在于，提供一种能够预测堵塞的发生的排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法。
用于解决课题的手段
解决该课题的排水泵堵塞预测装置是对排出空调机的排水盘的水的排水泵的堵塞进行预测的装置，具备：取得部，其取得与上述排水盘内的异物有关的信息；以及预测部，其基于上述取得部取得的信息来计算异物量、异物尺寸以及异物流入量中的至少一方，基于上述异物量、上述异物尺寸以及上述异物流入量中的至少一方来预测上述排水泵的堵塞的发生。根据该结构，能够预测排水泵的堵塞。
在上述排水泵堵塞预测装置中，上述取得部取得基于对上述排水盘的拍摄而形成的图像作为上述信息，上述预测部基于上述图像来计算上述异物量、上述异物尺寸以及上述异物流入量中的至少一方，基于上述异物量、上述异物尺寸以及上述异物流入量中的至少一方来预测上述排水泵的堵塞。根据该结构，能够基于排水盘的图像预测排水泵的堵塞。
在上述排水泵堵塞预测装置中，上述预测部基于上述图像计算存在于上述排水盘的规定区域的上述异物的上述异物量，基于上述异物量预测上述排水泵的堵塞。根据该结构，能够基于从排水盘的图像得到的异物量来预测排水泵的堵塞。
在上述排水泵堵塞预测装置中，上述预测部基于上述图像计算存在于上述排水盘的规定区域的上述异物的上述异物尺寸，基于上述异物尺寸预测上述排水泵的堵塞。根据该结构，能够基于从排水盘的图像得到的异物尺寸来预测排水泵的堵塞。
在上述排水泵堵塞预测装置中，上述取得部取得每隔规定时间拍摄的上述排水盘的图像，上述预测部基于拍摄到的多个图像来计算规定期间的上述异物流入量，基于上述异物流入量来预测上述排水泵的堵塞。根据该结构，能够基于从排水盘的图像得到的异物流入量来预测排水泵的堵塞。
在上述排水泵堵塞预测装置中，上述预测部针对多个上述图像分布对与上述排水盘的规定位置对应的部分赋予基准线，针对上述基准线上的至少一个异物检测沿着上述基准线的长度，对连续的多个上述图像各自的至少一个异物的沿着上述基准线上的长度进行累计，由此算出上述异物流入量。根据该结构，能够简单地计算异物流入量。
在上述排水泵堵塞预测装置中，上述预测部在连续的多个上述图像中沿着上述基准线的长度没有变化的情况下，排除没有变化的一系列的上述长度，对上述异物的沿着上述基准线上的长度进行累计。根据该结构，能够精确地计算异物流入量。
在上述排水泵堵塞预测装置中，上述预测部基于上述空调机的运转负荷来变更上述规定时间。
若空调机的运转负荷变化，则流入排水盘的水的流速变化。在规定期间内对排水盘进行拍摄的次数固定的情况下，若流速变化，则异物挂到基准线上的次数变化，因此即使在流入相同大小的异物的情况下，若流速变化，则预测部计算出的异物流入量有时也会变化。根据该结构，基于空调机的运转负荷，变更用于计算异物流入量的图像的取得间隔即规定时间，因此能够精确地算出异物流入量。
在上述排水泵堵塞预测装置中，上述预测部基于上述空调机的运转负荷来变更上述规定期间。
根据该结构，根据空调机的运转负荷来变更作为计算异物流入量的期间的规定期间，因此能够提高排水盘的堵塞的预测精度。
在上述排水泵堵塞预测装置中，上述预测部预测上述排水泵的堵塞的发生率以及上述排水泵的堵塞的发生时期中的至少一方，作为上述排水泵的堵塞的发生的预测。根据该结构，能够向使用者提供排水泵的堵塞的发生率以及排水泵的堵塞的发生时期中的至少一方。
在上述排水泵堵塞预测装置中，上述预测部预测上述排水泵的堵塞的发生时期，上述预测部在规定的设定期间内流入上述排水盘的异物流入量超过规定值的情况下，预测上述排水泵的堵塞的发生时期。
根据该结构，仅在规定的设定期间内流入排水盘的异物量超过规定值的情况下，预测排水泵的堵塞的发生时期，因此能够降低排水泵堵塞预测装置的运算负荷。
在上述排水泵堵塞预测装置中，上述预测部基于上述空调机的运转时期以及上述空调机的设置环境中的至少一方决定上述规定值。
根据该结构，基于运转时期及设置环境中的至少一方变更用于限制排水泵的堵塞的预测的规定值。由此，能够根据运转时期和设置环境中的至少一方来变更进行预测的频度。
在上述排水泵堵塞预测装置中，还具备通知部，该通知部通知上述预测部预测的结果。
根据该结构，能够向使用者通知预测部预测的结果。
解决课题的空调机具备上述任一个排水泵堵塞预测装置。
根据该结构，空调机能够预测排水泵的堵塞。
解决课题的排水泵堵塞预测方法是预测排出空调机的排水盘的水的排水泵的堵塞的排水泵堵塞预测方法，包括：取得步骤，取得与上述排水盘内的异物有关的信息；以及预测步骤，基于上述信息计算异物量、异物尺寸以及异物流入量中的至少一方，基于上述异物量、上述异物尺寸以及上述异物流入量中的至少一方预测上述排水泵的堵塞的发生。根据该结构，能够预测排水泵的堵塞。
在上述排水泵堵塞预测方法中，在上述取得步骤中，取得基于对上述排水盘的拍摄而形成的图像作为上述信息，在上述预测步骤中，基于上述图像计算上述异物量、上述异物尺寸以及上述异物流入量中的至少一方，基于上述异物量、上述异物尺寸以及上述异物流入量中的至少一方来预测上述排水泵的堵塞。根据该结构，能够基于排水盘的图像预测排水泵的堵塞。
在上述排水泵堵塞预测方法中，在上述预测步骤中，基于上述图像计算存在于上述排水盘的规定区域的上述异物的上述异物量，基于上述异物量预测上述排水泵的堵塞。根据该结构，能够基于从排水盘的图像得到的异物量来预测排水泵的堵塞。
在上述排水泵堵塞预测方法中，在上述预测步骤中，基于上述图像计算存在于上述排水盘的规定区域的上述异物的上述异物尺寸，基于上述异物尺寸预测上述排水泵的堵塞。根据该结构，能够基于从排水盘的图像得到的异物尺寸来预测排水泵的堵塞。
在上述排水泵堵塞预测方法中，在上述取得步骤中，取得每隔规定时间拍摄的上述排水盘的图像，在上述预测步骤中，基于拍摄到的多个图像来计算规定期间的上述异物流入量，基于上述异物流入量来预测上述排水泵的堵塞。根据该结构，能够基于从排水盘的图像得到的异物流入量来预测排水泵的堵塞。
在上述排水泵堵塞预测方法中，在上述预测步骤中，针对多个上述图像分别对与上述排水盘的规定位置对应的部分赋予基准线，针对上述基准线上的至少一个异物检测沿着上述基准线的长度，对连续的多个上述图像各自的至少一个异物的沿着上述基准线上的长度进行累计，由此计算上述异物流入量。根据该结构，能够简单地计算异物流入量。
在上述排水泵堵塞预测方法中，在上述预测步骤中，预测上述排水泵的堵塞的发生率以及上述排水泵的堵塞的发生时期中的至少一方，作为上述排水泵的堵塞的发生的预测。
根据该结构，能够向使用者提供排水泵的堵塞的发生率以及排水泵的堵塞的发生时期中的至少一方。
附图说明
[图1]是室内单元的内部结构的俯视图。
[图2]是室内单元的内部结构的侧视图。
[图3]是包括排水泵堵塞预测装置的系统的图。
[图4]是排水盘的图像的一例的图。
[图5]是表示异物量的变化的图。
[图6]是排水盘的图像的其他例子的图。
[图7]是表示异物尺寸的变化的图。
[图8]是被赋予了基准线的排水盘的图像的图。
[图9]是表示通过基准线的异物的图。
[图10]是关于图9的异物示出沿着基准线的长度的变化的图。
[图11]是表示通过基准线的异物的图。
[图12]是关于图11的异物示出沿着基准线的长度的变化的图。
[图13]是针对移动速度快的异物示出沿着基准线的长度的变化的图。
[图14]是针对移动速度慢的异物示出沿着基准线的长度的变化的图。
[图15]是表示异物流入量的变化的图。
[图16]是具备排水泵堵塞预测装置的室内单元的内部构造的俯视图。
具体实施方式
以下，对本实施方式的排水泵堵塞预测装置进行说明。
排水泵堵塞预测装置1的预测对象是能够输出与排水盘内的异物有关的信息的空调机10。
参照图1和图2，对作为预测对象的空调机10的一例进行说明。空调机10具备室外单元(省略图示)和室内单元11。图1是拆下空调机10的室内单元11的上壁而观察到的室内单元11的内部构造的俯视图。图2是拆下空调机10的室内单元11的侧壁而观察到的室内单元11的内部构造的侧视图。
空调机10的种类没有限定。例如，天花板埋入型、壁挂型、壁埋入型的空调机10成为排水泵堵塞的预测对象。埋入型、壁挂型的空调机10的室内单元11在内部检查中需要劳力和时间。因此，室内单元11内的图像有助于维护作业效率的改善。在实施方式中，对天花板埋入型且与天花板背面的管道连接的室内单元11进行说明。室内单元11经由制冷剂配管与室外单元连接。
室内单元11具备空调控制部12、热交换器13、风扇14、使风扇14旋转的风扇马达15、配置在热交换器13下的排水盘16、排出排水盘16内的水的排水泵17、以及具有吸入口18a和吹出口18b的壳体18。排水盘16的壁的颜色优选为使污垢显眼的颜色。排水盘16的壁的颜色优选为白色或接近白色的颜色。
在壳体18设置有用于对壳体18内进行检查的检查盖18c。检查盖18c设置在排水盘16及排水泵17的附近。照相机20安装于检查盖18c的内侧。照相机20以至少对排水盘16的底部的一部分进行拍摄的方式安装于检查盖18c。
照相机20具备拍摄部21和拍摄控制部22(参照图3)。拍摄部21在由拍摄控制部22控制的定时拍摄排水盘16的一部分，形成图像30。照相机20也可以形成动态图像。在该情况下，从构成动态图像的多个帧中选择图像30。
在一例中，拍摄部21在静水面状态的条件下拍摄排水盘16。拍摄控制部22进行静水面状态的条件是否成立的判定。静水面状态表示排水盘16内的水面不动的状态。拍摄控制部22根据排水泵17的动作、风扇14的旋转、以及通过连续拍摄到的多个图像30的比较而得到的图像30的变化中的至少一方来判定是否为静水面状态。拍摄控制部22在静水面状态的条件成立时，向拍摄部21发出拍摄的指示。例如，在后述的预测部26执行异物量或异物尺寸的计算处理的情况下，拍摄控制部22在静水面状态的条件成立时拍摄排水盘16。
在另一例中，拍摄部21在流水状态的条件下拍摄排水盘16。拍摄控制部22进行流水状态的条件是否成立的判定。流水状态表示排水盘16内的水运动的状态。拍摄控制部22根据排水泵17的动作以及通过连续拍摄到的多个图像30的比较而得到的图像30的变化中的至少一方来判定是否为流水状态。拍摄控制部22在流水状态的条件成立时，向拍摄部21发出拍摄的指示。例如，在后述的预测部26执行异物流入量的计算处理的情况下，拍摄控制部22在流水状态的条件成立时拍摄排水盘16。
拍摄控制部22将由拍摄部21形成的图像30发送至取得部25(参照图3)。拍摄控制部22基于内部指令将图像30发送至取得部25。内部指令是预先设定的指令。
参照图3，对排水泵堵塞预测装置1进行说明。
排水泵堵塞预测装置1预测排出空调机10的排水盘的水的排水泵17的堵塞。排水泵堵塞预测装置1能够构成为如下的电路(circuitry)：该电路(circuitry)包括1)按照计算机程序(软件)执行各种处理的1个以上的处理器、2)执行各种处理中的至少一部分处理的面向特定用途的集成电路(ASIC)等1个以上的专用的硬件电路、或者3)它们的组合。处理器包括CPU以及RAM和ROM等存储器，存储器存储构成为使CPU执行处理的程序代码或指令。存储器即计算机可读介质包括能够由通用或专用的计算机访问的所有可利用的介质。排水泵堵塞预测装置1具备取得部25和预测部26。
取得部25取得与空调机10的排水盘16内的异物40有关的信息。在本实施方式中，与排水盘16内的异物40有关的信息是排水盘16的图像30。取得部25取得基于对排水盘16的拍摄而形成的图像30作为信息。
在本实施方式中，取得部25与空调机10连接，从空调机10直接取得信息。取得部25也可以内置于空调机10的室内单元11。取得部25也可以由个人计算机构成。取得部25也可以经由网络N从空调机10取得信息。取得部25也可以构建在与网络N连接的服务器上。在本实施方式中，取得部25设置于空调机10的周边。
取得部25取得从照相机20发送的图像30，并存储图像30。优选的是，取得部25保持作为预测对象的空调机10的识别信息。优选的是，取得部25取得与作为预测对象的空调机10的设置环境有关的信息。与设置环境有关的信息包括气温、湿度、气压、空气清洁度、设置场所的地域信息、设置场所的气候信息、设置场所的用途信息以及设置场所的周边信息中的至少一方。
关于气温、湿度、气压以及空气清洁度，可以是由空调机10检测的检测值，也可以是根据其他参数估计的估计值，另外，也可以是与这些参数有关的物理量。设置场所的地域信息是平原部、山林部、沿岸部等与地形有关的信息以及住所。设置场所的气候信息是气温、降雨量、降雪量或者影响湿度的信息。设置场所的用途信息是设置有空调机10的物件的用途的信息以及室内的用途的信息。物件的用途的信息例如是餐厅、健身房等信息。室内的用途的信息例如是厨房、入口、会议室等的信息。设置场所的周边信息例如是表示附近是否存在工厂、道路等尘埃产生场所的信息。
优选的是，取得部25取得与空调机10的运转负荷有关的信息。作为与运转负荷有关的信息，可举出空调机10的压缩机的旋转速度、室内温度与目标温度的目标温度的温度差、空调机10的消耗电力、压缩机的消耗电力等。
取得部25与预测部26和空调机10进行通信。取得部25基于内部指令以及外部指令，从空调机10取得与异物40有关的信息。取得部25也可以在从空调机10输出与异物40有关的信息的定时取得信息。
取得部25基于内部指令和外部指令将保存在取得部25中的图像30输出到预测部26。优选的是，取得部25基于内部指令和外部指令，将取得部25所保持的识别信息和与设置环境有关的信息中的至少一方输出到预测部26。内部指令是在预先设定的时刻形成的指令。例如，内部指令由取得部25的内部电路在满足规定条件(例如，在无线中接收灵敏度比规定值高)时形成，或者定期地形成。外部指令是基于来自预测部26的请求的指令。
预测部26经由网络N从取得部25取得信息。在本实施方式中，预测部26构建在与网络N连接的服务器27上。预测部26也可以构建于与网络N连接的个人计算机。预测部26也可以与取得部25连接，从取得部25直接取得信息。计算机只要能够基于数据进行计算即可。计算机由程序和计算电路构成。
预测部26基于取得部25取得的信息来计算异物量、异物尺寸以及异物流入量中的至少一方。在本实施方式中，信息是排水盘16的图像30。异物40表示排水盘16的构成部件以及水以外的物质。作为异物40，可举出在排水盘16产生的污垢、浑浊、进入排水盘16的灰尘、砂、虫、垃圾等。浑浊由尘埃、粉尘、霉菌等构成。
参照图4，对排水盘16内的异物检测进行说明。图4表示在规定区域31中基于色相进行了颜色区分处理的排水盘16的图像30。
预测部26根据使用者的指令或在规定的定时，基于图像30将排水盘16的异物40数值化。具体而言，预测部26针对构成排水盘16的图像30的各像素计算色相。在图像30是通过RGB形式形成的图像的情况下，预测部26基于从RGB形式向HSV形式的变换式，对图像30进行变换，针对各像素得到色相的值。
排水盘16的异物40的色相与排水盘16的壁的色相不同。因此，能够基于色相检测排水盘16的异物40。例如，含霉的污垢具有相当于绿色或蓝色的色相。水的浑浊具有红或黄绿的色相。
为了精确地检测排水盘16的异物40，优选在图像30中设定成为异物40的检测对象的规定区域31(参照图4)。图像30中能够包含热交换器13的一部分和排水泵17的一部分。从图像30去除了热交换器13以及排水泵17的区域被设为异物40的检测的规定区域31。规定区域31是预先设定的。预测部26在规定区域31中检测异物40。
预测部26基于异物量、异物尺寸以及异物流入量中的至少一方来预测排水泵17的堵塞的发生。以下，依次对(a)基于异物量的预测、(b)基于异物尺寸的预测、(c)基于异物流入量的预测进行说明。
(a)基于异物量的预测
预测部26如下那样计算异物量。在本实施方式中，异物量被定义为规定区域31中的异物40的面积。具体而言，预测部26通过在规定区域31中对色相为规定范围的值的像素的数量进行计数，来求出异物40的面积。预测部26将异物40的面积作为“异物量”输出。异物量也可以作为异物40相对于规定区域31的面积之比来计算。
接着，预测部26基于异物量预测排水泵17的堵塞。具体而言，预测部26基于异物量，预测排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方。
预测部26具有表示排水泵17的堵塞的发生率与异物量的关系的第1映射。第1映射是基于过去的数据、理论预测或数据的学习而预先制作的。预测部26基于第1映射计算排水泵17的堵塞的发生率。
预测部26具有表示直到排水泵17发生堵塞为止的残存期间与异物量的关系的第2映射。第2映射是基于过去的数据、理论预测或数据的学习而预先制作的。预测部26基于第2映射计算排水泵17的堵塞的残存期间，基于图像取得的时期和残存期间计算排水泵17的堵塞的发生时期。
如图5所示，预测部26也可以基于异物量的变化来计算排水泵17的堵塞的产生时期。例如，预测部26基于时期不同的多个异物量计算异物量的时间变化的近似式，基于近似式计算异物量超过第1规定值的时期，作为“排水泵17的堵塞的发生时期”。
预测部26也可以基于空调机10的运转时期和空调机10的设置环境中的至少一方来变更第1规定值。例如，在空调机10的运转时期为春季的情况下，由于是制冷运转的开始时期且容易发生排水泵17的堵塞，所以第1规定值被设定为比夏季的情况低的值。另外，根据空调机10的设置环境，排水泵17的堵塞的发生容易度不同。例如，在空调机10设置于健身房的情况下，与设置于办公室的情况相比容易发生排水泵17的堵塞，因此在空调机10的用途的信息为健身房的情况下，第1规定值被设定为比设置于办公室的情况低的值。
(b)基于异物尺寸的预测
预测部26以如下方式计算异物尺寸。在本实施方式中，异物尺寸被定义为在规定区域31中单独确定的异物40的面积。
如图6所示，预测部26在规定区域31中确定色相处于规定范围的区域，按照每个封闭的区域(图6的单点划线内)进行区分，对封闭的区域的像素数进行计数，由此求出各个异物40的尺寸。在规定区域31中存在多个异物40的情况下，将多个异物尺寸的平均值作为图像取得时的“异物尺寸”输出。
接着，预测部26基于异物尺寸预测排水泵17的堵塞。具体而言，预测部26基于异物尺寸，预测排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方。
预测部26具有表示排水泵17的堵塞的发生率与异物尺寸的关系的第3映射。第3映射是基于过去的数据、理论预测或数据的学习而预先制作的。预测部26基于第3映射计算排水泵17的堵塞的发生率。
预测部26具有表示直到排水泵17发生堵塞为止的残存期间与异物尺寸的关系的第4映射。第4映射是基于过去的数据、理论预测或数据的学习而预先制作的。预测部26基于第4映射计算排水泵17的堵塞的残存期间，基于图像取得的时期和残存期间计算排水泵17的堵塞的发生时期。
如图7所示，预测部26也可以基于异物尺寸的变化来计算排水泵17的堵塞的产生时期。例如，预测部26基于时期不同的多个异物尺寸计算异物尺寸的时间变化的近似式，基于近似式计算异物尺寸超过第2规定值的时期，作为“排水泵17的堵塞的发生时期”。
根据空调机10的运转时期以及空调机10的设置环境而堵塞的发生容易度不同，因此预测部26也可以基于空调机10的运转时期以及空调机10的设置环境中的至少一方来变更第2规定值。
(c)基于异物流入量的预测
取得部25取得每隔规定时间拍摄到的排水盘16的图像30。预测部26基于拍摄到的多个图像30来计算规定期间TA的异物流入量，基于异物流入量来预测排水泵17的堵塞。
参照图8～图10，对异物流入量的计算方法的一例进行说明。如图8所示，预测部26针对多个图像30分别对与排水盘16的规定位置对应的部分赋予基准线LA。规定位置是预先设定的。例如，在排水泵17的周边设定规定位置。
如图9所示，预测部26针对基准线LA上的至少一个异物40检测沿着基准线LA的长度。确定各个异物40在计算上变得复杂，因此在多个异物40同时处于基准线LA上的情况下，预测部26不区分多个异物40，而计算多个异物40各自的沿着基准线LA的长度的总和。
图10是相对于时间绘制沿着基准线LA的长度的图。长度L1是在图9的实线所示的第1位置的异物40中沿着基准线LA的长度。长度L2是在从第1位置稍微移动后的第2位置的异物40中沿着基准线LA的长度。长度L3是在从第2位置进一步移动后的第3位置的异物40中沿着基准线LA的长度。沿着基准线LA的长度根据异物40的形状而随时间变化。预测部26对连续的多个图像30各自的至少一个异物40的沿着基准线LA上的长度进行累计，将该累计值作为异物流入量而输出。
如图11所示，也存在异物40粘着于排水盘16，异物40不移动的情况。这样粘着的异物40难以流入排水泵17，难以成为排水泵17的堵塞的原因，因此优选将其在异物流入量的计算中排除。
如图12所示，在异物40不移动的情况下，沿着基准线LA的长度相对于时间实质上不变化。因此，预测部26在连续的多个图像30中沿着基准线LA的长度没有变化的情况下，将没有变化的一系列的长度排除后，对异物40的沿着基准线LA上的长度进行累计。
预测部26也可以基于空调机10的运转负荷来变更作为拍摄间隔时间的上述规定时间。当空调机的制冷负荷增大时，伴随着排水盘16内的水量增大，排水泵17汲取水的量增大，排水盘16内的水的流速增加。在该情况下，异物40的移动也变快，异物40与水量增大前相比，以更短时间通过照相机的前方。
如图13所示，在水的流速快的情况下，能够拍摄规定大小的异物40的次数与水的流速不快的情况相比减少。其结果，预测部在水的流速快的情况下，将异物流入量作为比水的流速不快的情况小的值输出。这样，根据水的速度，异物流入量成为不同的结果。
因此，预测部26在计算异物流入量的情况下，作为与水的流速有关的信息，从取得部25取得与空调机10的运转负荷有关的信息。预测部26基于空调机10的运转负荷，变更作为拍摄间隔时间的上述规定时间。具体而言，制冷运转时的运转负荷越大，预测部26使规定时间越短。
预测部26也可以基于空调机10的运转负荷来变更规定期间TA。
春季或秋季与夏季相比，水的量变少，水的流速变慢。若水的流速变慢，则异物40以长时间通过照相机的前方。在异物40的移动速度慢的情况下，有可能在规定期间TA内无法检测到异物40。
图14是表示在水的流速较慢的情况下沿着基准线LA的异物40的长度的变化的图。图14表示在作为拍摄的期间的规定期间TA内，异物40未通过基准线LA的状态。在这样的情况下，无法精确地计量流入排水泵的异物流入量。由此，预测部26优选基于空调机10的运转负荷来变更规定期间TA。
为了比较异物流入量，优选规定期间TA被固定。但是，水的流速根据季节而大不相同，因此优选以季节为单位，基于运转负荷来变更规定期间TA的长度。具体而言，预测部26在制冷的运转负荷的数日内的平均值小于运转负荷阈值的情况下，延长规定期间TA。
接下来，预测部26基于异物流入量来预测排水泵17的堵塞。具体而言，预测部26基于异物流入量，预测排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期的至少一方。
预测部26具有表示排水泵17的堵塞的发生率与异物流入量的关系的第5映射。第5映射是基于过去的数据、理论预测或数据的学习而预先制作的。预测部26基于第5映射计算排水泵17的堵塞的发生率。
预测部26具有表示直到排水泵17发生堵塞为止的残存期间与异物流入量的关系的第6映射。第6映射是基于过去的数据、理论预测或数据的学习而预先制作的。预测部26基于第6映射计算排水泵17的堵塞的残存期间，基于图像取得的时期和残存期间计算排水泵17的堵塞的发生时期。
如图15所示，预测部26也可以基于异物流入量的变化，计算排水泵17的堵塞的发生时期。例如，预测部26基于时期不同的多个异物流入量计算异物流入量的时间变化的近似式，基于近似式计算异物流入量超过第3规定值的时期，作为“排水泵17的堵塞的发生时期”。
优选预测部26在规定的设定期间内流入排水盘16的异物流入量超过第4规定值的情况下，预测排水泵17的堵塞的发生时期。第4规定值是比第3规定值小的值。设定期间的长度可以与规定期间TA的长度相等，也可以与规定期间TA的长度不同。
根据空调机10的运转时期以及空调机10的设置环境而堵塞的发生容易度不同，因此预测部26也可以基于空调机10的运转时期以及空调机10的设置环境中的至少一方来决定第4规定值。
在冬季的情况下，与夏季相比，水量少，因此即使超过第4规定值，之后到达第3规定值为止的时间上的富余也大。与此相对，在夏季的情况下，与冬季相比水量较多，因此在超过第4规定值的情况下，到达第3规定值为止的时间上的富余较短。由此，优选预测部26基于空调机10的运转时期来决定第4规定值。具体而言，预测部26在夏季的情况下，与冬季的情况相比，将第4规定决定为较低的值。
在办公室的情况下，与健身房等相比，异物40的产生较少，因此即使超过第4规定值，之后到达第3规定值为止的时间上的富余也较大。与此相对，在湿气较多的健身房的情况下，与办公室相比异物40的产生较多，因此在超过了第4规定值的情况下，到达第3规定值为止的时间上的富余较短。由此，优选预测部26基于空调机10的设置环境来决定第4规定值。具体而言，预测部26在办公室的情况下，与健身房的情况相比，将第4规定决定为较低的值。
排水泵堵塞预测装置1优选还具备通知预测部26预测的结果的通知部28。
通知部28基于预先登记于排水泵堵塞预测装置1的终端信息，向已登记的终端29通知预测部26预测的结果。
例如，通知部28定期地通知预测部26预测的结果。在上述(c)的基于异物流入量的预测的情况下，通知部28在异物流入量超过了第4规定值时，通知预测部26预测的结果。预测部26预测的结果包括排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方。预测部26也可以将排水泵17的图像与结果一起通知给终端29。终端29的利用者能够基于排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期来制定清扫时期的计划。
终端29是能够与网络N连接的终端。作为终端29的例子，可举出移动电话、笔记本型的个人计算机、个人计算机、平板型的个人计算机。
<排水泵堵塞预测方法>
以下，对排水泵堵塞预测方法进行说明。排水泵堵塞预测方法预测将空调机10的排水盘16的水排出的排水泵17的堵塞。
排水泵堵塞预测方法包括取得步骤和预测步骤。
在取得步骤中，取得部25取得与排水盘16内的异物40有关的信息。与排水盘16内的异物40有关的信息是通过拍摄排水盘16而得到的图像30。
在预测步骤中，预测部26基于与排水盘16内的异物40有关的信息来计算异物量、异物尺寸以及异物流入量中的至少一方。具体而言，预测部26基于与排水盘16内的异物40有关的图像30来计算异物量、异物尺寸以及异物流入量中的至少一方。进而，预测部26基于异物量、异物尺寸以及异物流入量中的至少一方来预测排水泵17的堵塞的发生。
在第1例中，在预测步骤中，预测部26基于图像30计算存在于排水盘16的规定区域31的异物40的异物量，基于异物量预测排水泵17的堵塞。
在第2例中，在预测步骤中，预测部26基于图像30计算存在于排水盘16的规定区域31的异物40的异物尺寸，基于异物尺寸预测排水泵17的堵塞。
在第3例中，在取得步骤中，取得部25取得每隔规定时间拍摄到的排水盘16的图像30。在预测步骤中，预测部26基于拍摄到的多个图像30来计算规定期间TA的异物流入量，基于异物流入量来预测排水泵17的堵塞。
在第3例的预测步骤中，预测部26针对多个图像30分别对与排水盘16的规定位置对应的部分赋予基准线LA，针对基准线LA上的至少一个异物40检测沿着基准线LA的长度。接着，预测部26通过对连续的多个图像30各自的至少一个异物40的沿着基准线LA上的长度进行累计，来计算异物流入量。
进而，在预测步骤中，预测部26预测排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方，作为排水泵17的堵塞的发生的预测。
对本实施方式的作用进行说明。
会意外地发生室内单元11的漏水。突发性的室内单元11漏水给使用者带来不便。室内单元11的漏水可能因排水泵17的堵塞而产生。排水泵17的堵塞起因于水的脏污、浑浊等异物40。异物40有时会逐渐蓄积，另外，有时会突然增加。在热交换器13中蓄积脏污的冬季之后，若执行制冷运转，则有时脏污会被热交换器13的结露的水冲走而导致水突然变脏。在这样的情况下，频繁发生漏水。
排水泵堵塞预测装置1取得与排水盘16内的异物40有关的信息。排水泵堵塞预测装置1根据与排水盘16内的异物40有关的信息计算异物量、异物尺寸以及异物流入量中的至少一方。排水泵堵塞预测装置1基于异物量、异物尺寸以及异物流入量中的至少一方来预测排水泵17的堵塞的发生。
这样，排水泵堵塞预测装置1根据与排水盘16内的异物40有关的信息，计算与异物40有关的量作为异物量、异物尺寸以及异物流入量。通过计算与异物40有关的量，能够提高排水泵17的堵塞的发生的预测精度。
对本实施方式的效果进行说明。
(1)排水泵堵塞预测装置1具备预测部26。预测部26基于取得部25所取得的信息来计算异物量、异物尺寸以及异物流入量中的至少一方，基于异物量、异物尺寸以及异物流入量中的至少一方来预测排水泵17的堵塞的发生。根据该结构，能够预测排水泵17的堵塞。
(2)取得部25取得基于对排水盘16的拍摄而形成的图像30。预测部26基于图像30计算异物量、异物尺寸以及异物流入量中的至少一方，基于异物量、异物尺寸以及异物流入量中的至少一方预测排水泵17的堵塞。根据该结构，能够基于排水盘16的图像30预测排水泵17的堵塞。
(3)预测部26基于图像30计算存在于排水盘16的规定区域31的异物40的异物量。预测部26基于异物量预测排水泵17的堵塞。根据该结构，能够基于从排水盘16的图像30得到的异物量来预测排水泵17的堵塞。
(4)预测部26基于图像30计算存在于排水盘16的规定区域31的异物40的异物尺寸。预测部26基于异物尺寸来预测排水泵17的堵塞。根据该结构，能够基于从排水盘16的图像30得到的异物尺寸来预测排水泵17的堵塞。
(5)取得部25取得至少在规定期间TA每隔规定时间拍摄到的排水盘16的图像30。预测部26基于拍摄到的多个图像30来计算规定期间TA的异物流入量。预测部26基于异物流入量来预测排水泵17的堵塞。根据该结构，能够基于从排水盘16的图像30得到的异物流入量来预测排水泵17的堵塞。
(6)在(5)的异物流入量的计算中，预测部26针对多个图像30分别对与排水盘16的规定位置对应的部分赋予基准线LA。预测部26针对基准线LA上的至少一个异物40检测沿着基准线LA的长度，对连续的多个图像30各自的至少一个异物40的沿着基准线LA上的长度进行累计。预测部26将长度的累计值作为异物流入量输出。根据该结构，能够简单地计算异物流入量。
(7)在异物40不移动的情况下，每隔规定时间的图像30中的异物40的沿着基准线LA的长度恒定。由此，在异物40的沿着基准线LA的长度没有变化的情况下，表示处于基准线LA上的异物40没有移动。优选将这样的异物40从异物流入量中排除。
由于这样的理由，预测部26在(6)的长度的累计中，在连续的多个图像30中沿着基准线LA的长度没有变化的情况下，将没有变化的一系列的长度排除，对异物40的沿着基准线LA上的长度进行累计。根据该结构，能够精确地计算异物流入量。
(8)优选地，预测部26在(5)的拍摄中，基于空调机10的运转负荷来变更规定时间。
若空调机10的运转负荷变化，则流入排水盘16的水的流速变化。在规定期间TA内对排水盘16进行拍摄的次数固定的情况下，若流速改变，则异物40处于基准线LA上的次数改变，因此，即使在流入相同大小的异物40的情况下，若流速改变，则预测部26计算出的异物流入量有时也会改变。根据该结构，基于空调机10的运转负荷，变更用于计算异物流入量的图像30的取得间隔即规定时间，因此能够精确地计算异物流入量。
(9)优选地，预测部26在(5)的拍摄中，基于空调机10的运转负荷来变更规定期间TA。
根据该结构，根据空调机10的运转负荷来变更作为计算异物流入量的期间的规定期间TA，因此能够提高排水盘16的堵塞的预测精度。
(10)预测部26预测排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方，作为排水泵17的堵塞的发生的预测。根据该结构，能够向使用者提供排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方。
(11)预测部26在规定的设定期间内流入排水盘16的异物流入量超过第4规定值的情况下，预测排水泵17的堵塞的发生时期。根据该结构，仅在规定的设定期间内流入排水盘16的异物量超过第4规定值的情况下，预测排水泵17的堵塞的发生时期，因此能够降低排水泵堵塞预测装置1的运算负荷。
(12)预测部26根据空调机10的运转时期和空调机10的设置环境中的至少一方来决定第4规定值。根据该结构，基于运转时期及设置环境中的至少一方决定用于限制排水泵17的堵塞的预测的第4规定值。由此，能够根据运转时期和设置环境中的至少一方来变更进行预测的频度。例如，能够在排水泵17容易堵塞的时期提高进行预测的频度。
(13)排水泵堵塞预测装置1还具备通知预测部26预测的结果的通知部。根据该结构，能够向使用者通知预测部26预测的结果。例如，通知部也可以向使用者使用的终端29输出预测部26预测的结果。
(14)空调机10具备上述任一个排水泵堵塞预测装置1。例如，在室内单元11设置排水泵堵塞预测装置1。也可以在室外单元设置用于室内单元11的排水泵17的排水泵堵塞预测装置1。根据该结构，空调机10能够预测排水泵17的堵塞。例如，
(15)排水泵堵塞预测方法包括取得与排水盘16内的异物40有关的信息的取得步骤和预测步骤。在预测步骤中，预测部26基于信息来计算异物量、异物尺寸以及异物流入量中的至少一方，基于异物量、异物尺寸以及异物流入量中的至少一方来预测排水泵17的堵塞的产生。根据该结构，能够预测排水泵17的堵塞。
(16)在取得步骤中，取得部25取得基于对排水盘16的拍摄而形成的图像30。在预测步骤中，预测部26基于图像30计算异物量、异物尺寸以及异物流入量中的至少一方，基于异物量、异物尺寸以及异物流入量中的至少一方预测排水泵17的堵塞。根据该结构，能够基于排水盘16的图像30预测排水泵17的堵塞。
(17)在预测步骤中，预测部26基于图像30计算存在于排水盘16的规定区域31的异物40的异物量，基于异物量预测排水泵17的堵塞。根据该结构，能够基于从排水盘16的图像30得到的异物量来预测排水泵17的堵塞。
(18)在预测步骤中，预测部26基于图像30计算存在于排水盘16的规定区域31的异物40的异物尺寸，基于异物尺寸预测排水泵17的堵塞。根据该结构，能够基于从排水盘16的图像30得到的异物尺寸来预测排水泵17的堵塞。
(19)在取得步骤中，取得部25取得每隔规定时间拍摄到的排水盘16的图像30。在预测步骤中，取得部25基于拍摄到的多个图像30来计算规定期间的异物流入量，基于异物流入量来预测排水泵17的堵塞。根据该结构，能够基于从排水盘16的图像30得到的异物流入量来预测排水泵17的堵塞。
(20)在预测步骤中，预测部26针对多个图像30分别对与排水盘16的规定位置对应的部分赋予基准线LA。预测部26针对基准线LA上的至少一个异物40检测沿着基准线LA的长度，对连续的多个图像30各自的至少一个异物40的沿着基准线LA上的长度进行累计。预测部26将长度的累计值作为异物流入量输出。根据该结构，能够简单地计算异物流入量。
(21)在预测步骤中，预测部26预测排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方，作为排水泵17的堵塞的发生的预测。根据该结构，能够向使用者提供排水泵17的堵塞的发生率以及排水泵17的堵塞的发生时期中的至少一方。
<变形例>
本公开的排水泵堵塞预测装置1除了上述各实施方式以外，例如也可以是以下所示的变形例以及将相互不矛盾的至少两个变形例组合得到的方式。本公开的排水泵堵塞预测方法除了上述各实施方式以外，例如也可以是以下所示的变形例以及将相互不矛盾的至少两个变形例组合得到的方式。
·取得部25也可以代替图像30而取得通过对排水盘16的扫描而得到的扫描数据。排水盘16的扫描数据由能够旋转或移动的线传感器取得。排水盘16的扫描由扫描装置进行。扫描装置设置在室内单元11内。扫描装置优选输出容易被异物40吸收且容易被排水盘16反射的激光。扫描装置基于反射光的光量，计算异物量、异物尺寸以及异物流入量。
·排水泵堵塞预测装置1的取得部25也可以设置于空调机10的边缘(EDGE)计算机。边缘计算机从空调机10取得各种信息，向与网络连接的其他计算机发送从空调机10取得的信息，另外，从与网络连接的其他计算机向空调机10传递信息。
·如图16所示，空调机10也可以具备本实施方式及变形例的排水泵堵塞预测装置1。也可以在空调机10的室内单元11中内置排水泵堵塞预测装置1。排水泵堵塞预测装置1的取得部25也可以与空调控制部12设置于同一基板。在空调机10中，也可以在室内单元11的壳体18之外设置排水泵堵塞预测装置1。
以上，对本装置的实施方式进行了说明，但应该理解为在不脱离权利要求书所记载的本装置的主旨以及范围的情况下，能够进行方式、详细的多种变更。

Claims (21)

1.一种排水泵堵塞预测装置，其是预测将空调机(10)的排水盘(16)的水排出的排水泵(17)的堵塞的装置，所述排水泵堵塞预测装置具备：
取得部(25)，其取得与所述排水盘(16)内的异物(40)有关的信息；
预测部(26)，其基于所述取得部(25)取得的信息计算异物量、异物尺寸及异物流入量中的至少一方，基于所述异物量、所述异物尺寸及所述异物流入量中的至少一方预测所述排水泵(17)的堵塞的发生。
2.根据权利要求1所述的排水泵堵塞预测装置，其中，
所述取得部(25)取得基于对所述排水盘(16)的拍摄而形成的图像(30)作为所述信息，
所述预测部(26)基于所述图像(30)计算所述异物量、所述异物尺寸及所述异物流入量中的至少一方，基于所述异物量、所述异物尺寸及所述异物流入量中的至少一方预测所述排水泵(17)的堵塞。
3.根据权利要求2所述的排水泵堵塞预测装置，其中，
所述预测部(26)基于所述图像(30)计算存在于所述排水盘(16)的规定区域的所述异物(40)的所述异物量，基于所述异物量预测所述排水泵(17)的堵塞。
4.根据权利要求2所述的排水泵堵塞预测装置，其中，
所述预测部(26)基于所述图像(30)计算存在于所述排水盘(16)的规定区域的所述异物(40)的所述异物尺寸，基于所述异物尺寸预测所述排水泵(17)的堵塞。
5.根据权利要求2所述的排水泵堵塞预测装置，其中，
所述取得部(25)取得每隔规定时间拍摄的所述排水盘(16)的图像(30)，
所述预测部(26)基于拍摄到的多个图像(30)计算规定期间(TA)的所述异物流入量，基于所述异物流入量预测所述排水泵(17)的堵塞。
6.根据权利要求5所述的排水泵堵塞预测装置，其中，
所述预测部(26)针对多个所述图像(30)分别对与所述排水盘(16)的规定位置对应的部分赋予基准线(LA)，针对所述基准线(LA)上的至少一个异物(40)检测沿着所述基准线(LA)的长度，对连续的多个所述图像(30)各自的至少一个异物(40)的沿着所述基准线(LA)上的长度进行累计，由此计算所述异物流入量。
7.根据权利要求6所述的排水泵堵塞预测装置，其中，
所述预测部(26)在连续的多个所述图像(30)中沿着所述基准线(LA)的长度没有变化的情况下，排除没有变化的一系列的所述长度，对所述异物(40)的沿着所述基准线(LA)上的长度进行累计。
8.根据权利要求5至7中的任一项所述的排水泵堵塞预测装置，其中，
所述预测部(26)基于所述空调机(10)的运转负荷来变更所述规定时间。
9.根据权利要求5至8中的任一项所述的排水泵堵塞预测装置，其中，
所述预测部(26)基于所述空调机(10)的运转负荷来变更所述规定期间(TA)。
10.根据权利要求1至9中的任一项所述的排水泵堵塞预测装置，其中，
所述预测部(26)预测所述排水泵(17)的堵塞的发生率以及所述排水泵(17)的堵塞的发生时期中的至少一方，作为所述排水泵(17)的堵塞的发生的预测。
11.根据权利要求10所述的排水泵堵塞预测装置，其中，
所述预测部(26)预测所述排水泵(17)的堵塞的发生时期，
所述预测部(26)在规定的设定期间内流入所述排水盘(16)的异物流入量超过规定值的情况下，预测所述排水泵(17)堵塞的发生时期。
12.根据权利要求11所述的排水泵堵塞预测装置，其中，
所述预测部(26)基于所述空调机(10)的运转时期和所述空调机(10)的设置环境中的至少一方决定所述规定值。
13.根据权利要求1至12中的任一项所述的排水泵堵塞预测装置，其中，
所述排水泵堵塞预测装置还具备通知所述预测部(26)预测的结果的通知部(28)。
14.一种空调机，其具备权利要求1至13中的任一项所述的排水泵堵塞预测装置(1)。
15.一种排水泵堵塞预测方法，其对将空调机(10)的排水盘(16)的水排出的排水泵(17)的堵塞进行预测，所述排水泵堵塞预测方法包括：
取得步骤，取得与所述排水盘(16)内的异物(40)有关的信息；以及
预测步骤，基于所述信息计算异物量、异物尺寸以及异物流入量中的至少一方，基于所述异物量、所述异物尺寸以及所述异物流入量中的至少一方预测所述排水泵(17)的堵塞的发生。
16.根据权利要求15所述的排水泵堵塞预测方法，其中，
在所述取得步骤中，取得基于对所述排水盘16的拍摄而形成的图像(30)作为所述信息，
在所述预测步骤中，基于所述图像(30)计算所述异物量、所述异物尺寸及所述异物流入量中的至少一方，基于所述异物量、所述异物尺寸及所述异物流入量中的至少一方预测所述排水泵(17)的堵塞。
17.根据权利要求16所述的排水泵堵塞预测方法，其中，
在所述预测步骤中，基于所述图像(30)计算存在于所述排水盘(16)的规定区域的所述异物(40)的所述异物量，基于所述异物量预测所述排水泵(17)的堵塞。
18.根据权利要求16所述的排水泵堵塞预测方法，其中，
在所述预测步骤中，基于所述图像(30)计算存在于所述排水盘(16)的规定区域的所述异物(40)的所述异物尺寸，基于所述异物尺寸预测所述排水泵(17)的堵塞。
19.根据权利要求16所述的排水泵堵塞预测方法，其中，
在所述取得步骤中，取得每隔规定时间拍摄的所述排水盘(16)的图像，
在所述预测步骤中，基于拍摄到的多个图像(30)计算规定期间(TA)的所述异物流入量，基于所述异物流入量预测所述排水泵(17)的堵塞。
20.根据权利要求19所述的排水泵堵塞预测方法，其中，
在所述预测步骤中，针对多个所述图像(30)分别对与所述排水盘(16)的规定位置对应的部分赋予基准线(LA)，针对所述基准线(LA)上的至少一个异物(40)检测沿着所述基准线(LA)的长度，对连续的多个所述图像(30)各自的至少一个异物(40)的沿着所述基准线(LA)上的长度进行累计，由此计算所述异物流入量。
21.根据权利要求15～20中的任一项所述的排水泵堵塞预测方法，其中，
在所述预测步骤中，预测所述排水泵(17)的堵塞的发生率、以及所述排水泵(17)的堵塞的发生时期中的至少一方，作为所述排水泵(17)的堵塞的发生的预测。
CN202180020655.3A 2020-03-26 2021-03-26 排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法 Active CN115280074B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020055911A JP6904451B1 (ja) 2020-03-26 2020-03-26 ドレンポンプ詰り予測装置、空気調和機、およびドレンポンプ詰り予測方法
JP2020-055911 2020-03-26
PCT/JP2021/012802 WO2021193903A1 (ja) 2020-03-26 2021-03-26 ドレンポンプ詰り予測装置、空気調和機、およびドレンポンプ詰り予測方法

Publications (2)

Publication Number Publication Date
CN115280074A CN115280074A (zh) 2022-11-01
CN115280074B true CN115280074B (zh) 2023-04-11

Family

ID=76753217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180020655.3A Active CN115280074B (zh) 2020-03-26 2021-03-26 排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法

Country Status (6)

Country Link
US (1) US11821640B2 (zh)
EP (1) EP4130598A4 (zh)
JP (1) JP6904451B1 (zh)
CN (1) CN115280074B (zh)
AU (1) AU2021241230B2 (zh)
WO (1) WO2021193903A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12031742B2 (en) * 2021-04-28 2024-07-09 Mitsubishi Electric Corporation Contaminant detector and refrigeration cycle apparatus
KR102632463B1 (ko) * 2023-09-19 2024-02-02 주식회사 이도 도심지 침수 모니터링 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005283057A (ja) * 2004-03-31 2005-10-13 Hitachi Ltd ドレン排水装置付き空気調和機
JP2013120003A (ja) * 2011-12-07 2013-06-17 Mitsubishi Electric Building Techno Service Co Ltd 空気調和機
CN108087977A (zh) * 2017-12-25 2018-05-29 珠海格力电器股份有限公司 一种空调内机排水组件、空调室内机和空调器
JP2019039656A (ja) * 2017-08-28 2019-03-14 ダイキン工業株式会社 空気処理装置
WO2019097613A1 (ja) * 2017-11-15 2019-05-23 三菱電機株式会社 空調管理システム、空調機器、空調管理装置、空調管理方法及びプログラム
CN209027052U (zh) * 2018-08-28 2019-06-25 宁波奥克斯电气股份有限公司 接水盘及空调器
CN110848961A (zh) * 2019-10-31 2020-02-28 珠海格力电器股份有限公司 一种抗污堵凝水盘装置、空调器和冷凝水排出控制方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040250841A1 (en) * 2003-06-10 2004-12-16 Kimbrough Atwood M. HVAC enviro-clean condensate drain pan and coil cleaning system
US7191606B1 (en) * 2005-04-29 2007-03-20 Dwyer Kenneth W Drain trap alarm
JP5295189B2 (ja) * 2010-09-01 2013-09-18 三菱電機株式会社 空気調和機
JP6113400B2 (ja) * 2011-06-15 2017-04-12 三菱重工業株式会社 空気調和機
JP5800737B2 (ja) * 2012-03-19 2015-10-28 三菱電機株式会社 空気調和機の室内機及び空気調和機
JP6590725B2 (ja) * 2016-02-17 2019-10-16 三菱電機ビルテクノサービス株式会社 ドレンパン汚れ検出装置及び空調機器
JP6989402B2 (ja) 2018-02-09 2022-01-05 Ykk Ap株式会社 換気装置
JP7325934B2 (ja) * 2018-02-09 2023-08-15 三菱重工サーマルシステムズ株式会社 ドレンポンプ用詰り抑制制御装置、空気調和機、及びドレンポンプ用詰り抑制制御方法
US10610907B1 (en) * 2018-04-06 2020-04-07 Mainstream Engineering Corporation System and method for preventing condensate drain pan flooding, detecting condensate water overflow and shutting off an air conditioner or heat pump to prevent further flooding
JP6813043B2 (ja) * 2019-02-27 2021-01-13 ダイキン工業株式会社 汚れ情報推定システム
AU2020228229B2 (en) * 2019-02-27 2023-06-22 Daikin Industries, Ltd. Information providing system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005283057A (ja) * 2004-03-31 2005-10-13 Hitachi Ltd ドレン排水装置付き空気調和機
JP2013120003A (ja) * 2011-12-07 2013-06-17 Mitsubishi Electric Building Techno Service Co Ltd 空気調和機
JP2019039656A (ja) * 2017-08-28 2019-03-14 ダイキン工業株式会社 空気処理装置
WO2019097613A1 (ja) * 2017-11-15 2019-05-23 三菱電機株式会社 空調管理システム、空調機器、空調管理装置、空調管理方法及びプログラム
CN108087977A (zh) * 2017-12-25 2018-05-29 珠海格力电器股份有限公司 一种空调内机排水组件、空调室内机和空调器
CN209027052U (zh) * 2018-08-28 2019-06-25 宁波奥克斯电气股份有限公司 接水盘及空调器
CN110848961A (zh) * 2019-10-31 2020-02-28 珠海格力电器股份有限公司 一种抗污堵凝水盘装置、空调器和冷凝水排出控制方法

Also Published As

Publication number Publication date
WO2021193903A1 (ja) 2021-09-30
AU2021241230A1 (en) 2022-10-13
US20230119292A1 (en) 2023-04-20
AU2021241230B2 (en) 2023-07-13
CN115280074A (zh) 2022-11-01
EP4130598A1 (en) 2023-02-08
JP2021156477A (ja) 2021-10-07
JP6904451B1 (ja) 2021-07-14
EP4130598A4 (en) 2023-08-30
US11821640B2 (en) 2023-11-21

Similar Documents

Publication Publication Date Title
CN115280074B (zh) 排水泵堵塞预测装置、空调机以及排水泵堵塞预测方法
AU2020228229B2 (en) Information providing system
CN110298837B (zh) 基于帧间差分法的消防占道异常物体检测方法
CN106559647B (zh) 开门关门检测装置和方法、人流检测系统和交通工具
KR101775016B1 (ko) 가변형 센서가 적용된 도로 침수 감지 시스템
JP2009064175A (ja) 物体検出装置および物体検出方法
CN110114801B (zh) 图像前景检测装置及方法、电子设备
JP6870696B2 (ja) 汚れ検出装置および空気調和システム
JP2001325672A (ja) 侵入者監視システム
CN113474597A (zh) 空调机
CN102724397B (zh) 名片自动检测方法与装置
KR101519975B1 (ko) 수중 내에서의 어류 수 감지를 통한 수질 측정 장치 및 그 방법
CN117991690B (zh) 一种用于化工生产的工业互联网系统
CN117232092A (zh) 一种空调脏堵检测方法及系统、空调
JP3406446B2 (ja) 液面上浮遊流動体観察装置及び方法
CN115031806A (zh) 出水设备及其液位检测方法和介质
CN116740552A (zh) 车辆清洗检测方法、系统、电子设备及存储介质
JP2010262651A (ja) 歩行者流量分析システム

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