CN115461579A - 空调设备的维护的学习装置以及推理装置 - Google Patents

Abstract

模型生成部(120)将第一模型(M1)、第二模型(M2)以及第三模型(M3)分别设为学习完毕模型。第一学习数据(Ld1)包括：表示空气过滤器的堵塞程度的第一参数(Prm1)、与空调系统的空调强度相关的第二参数(Prm2)、以及表示由进行第二参数(Prm2)的运转的情况下的第一参数(Prm1)引起的空调系统的电力成本的增加量的第三参数(Prm3)。第二学习数据(Ld2)包括：表示第一日期时间的第四参数(Prm4)、和与在第一日期时间假定的空调系统的空调强度相关的第五参数(Prm5)。第三学习数据(Ld3)包括：表示第二日期时间的第六参数(Prm6)、和表示在第二日期时间的空气过滤器的维护成本的第七参数(Prm7)。

Description

空调设备的维护的学习装置以及推理装置

技术领域

本公开涉及空调设备的维护的学习装置以及推理装置。

背景技术

以往，公知有检测空调用的空气过滤器的维护时机的装置。例如，在日本特开平7-63405号公报(专利文献1)中公开了一种空气过滤器的污垢显示装置。空气过滤器的污垢显示装置在进行风扇马达的转速控制的对流型空调机中，检测伴随空气过滤器的堵塞而产生的风扇风量的变化来作为风扇马达的转矩的变化。空气过滤器的污垢显示装置利用该转矩与供给到风扇马达的电流值对应的情况，来把握空气过滤器的堵塞状态。根据空气过滤器的污垢显示装置，通过可靠地检测空气过滤器的堵塞状态并向外部报告，由此能够促进空气过滤器的清洁或更换，进而能够将风扇马达的功能降低、噪声增大、以及机械故障防患于未然。

专利文献1：日本特开平7-63405号公报

即使能够检测成为空调装置的电力效率降低的原因的空气过滤器的堵塞，空气过滤器的维护(例如清扫以及更换)也需要成本。另外，空气过滤器的维护所需的成本根据空调机的类型(例如吊顶型或管道型)、空气过滤器的个数、由空气过滤器的设置状况引起的堵塞程度的差别、人工费以及空气过滤器的清扫及更换的实施时期而不同。即，为了决定空气过滤器维护的最佳的时机，需要综合考虑多个要素。但是专利文献1公开的空气过滤器的堵塞的检测方法是基于电流值与阈值的比较的基于规则的方法，因此无法将电流值以外的要素反映到空气过滤器的维护时机的决定中。

发明内容

本公开是为了解决上述那样的课题所做出的，其目的在于降低空气过滤器的维护成本。

本公开的一方面的学习装置，学习包括至少一个空气过滤器的空调系统的维护。学习装置具备第一数据取得部和模型生成部。第一数据取得部取得第一学习数据、第二学习数据以及第三学习数据。模型生成部使用第一学习数据、第二学习数据以及第三学习数据，将第一模型、第二模型以及第三模型分别设为学习完毕模型。第一学习数据包括：表示至少一个空气过滤器的堵塞程度的第一参数、与空调系统的空调强度相关的第二参数、以及表示进行第二参数的运转的情况下的由第一参数引起的空调系统的电力成本的增加量的第三参数。第二学习数据包括：表示第一日期时间的第四参数、和与在第一日期时间假定的空调系统的空调强度相关的第五参数。第三学习数据包括：表示第二日期时间的第六参数、和表示在第二日期时间的至少一个空气过滤器的维护成本的第七参数。第一模型根据第一参数和第二参数来推定第三参数。第二模型根据第四参数来推定第五参数。第三模型根据第六参数来推定第七参数。

本公开的另一方面的推理装置，使用学习完毕的第一模型、学习完毕的第二模型以及学习完毕的第三模型，对包括至少一个空气过滤器的空调系统的维护进行推理。第一模型根据第一参数和第二参数来推定第三参数。第二模型根据第四参数来推定第五参数。第三模型根据第六参数来推定第七参数。第一参数表示至少一个空气过滤器的堵塞程度。第二参数是与空调系统的空调强度相关的参数。第三参数表示进行第二参数的运转的情况下的由第一参数引起的空调系统的电力成本的增加量。第四参数表示第一日期时间。第五参数表示在第一日期时间假定的空调系统的空调强度。第六参数表示第二日期时间。第七参数表示在第二日期时间的至少一个空气过滤器的维护成本。推理装置具备数据取得部和推理部。数据取得部取得第一参数、第二参数、第四参数以及第五参数。推理部使用第一模型、第二模型以及第三模型。推理部使用第一模型并根据第一参数和第二参数来推定第三参数，使用第二模型并根据第四参数来推定第五参数，使用第三模型并根据第六参数来推定第七参数。

根据本公开的学习装置以及推理装置，第一模型根据第一参数和第二参数来推定第三参数，第二模型根据第四参数来推定第五参数，第三模型根据第六参数来推定第七参数，由此能够降低空气过滤器的维护成本。

附图说明

图1是表示具备实施方式的学习装置以及推理装置的空气过滤器维护系统、以及通过空气过滤器维护系统监视空气过滤器的维护时机的空调系统的结构的一个例子的框图。

图2是用于说明图1的室内机各自的空气流动的图。

图3是将表示图1的空调系统的电力成本的全年变化的一个例子的曲线、表示图2的空气过滤器的维护所需的成本的全年变化的一个例子的曲线、以及表示全年气温变化的一个例子的曲线一并示出的图。

图4是表示图1的学习装置的结构的框图。

图5是表示神经网络的一个例子的图。

图6是表示图4的学习装置的学习处理的流程图。

图7是表示图1的推理装置以及判定装置的结构的框图。

图8是表示图7的推理装置的推理处理的流程图。

图9是表示图1的空气过滤器维护系统的硬件结构的框图。

具体实施方式

以下，一边参照附图、一边对本公开的实施方式进行详细地说明。另外，对图中相同或相当的部分标注相同的附图标记并在原则上不重复其说明。

图1是表示具备实施方式的学习装置100以及推理装置200的空气过滤器维护系统10、以及通过空气过滤器维护系统10监视空气过滤器的维护时机的空调系统30的结构的一个例子的框图。如图1所示，空气过滤器维护系统10包括学习装置100、推理装置200以及判定装置300。空调系统30具备室内机31A、31B、室外机32以及控制装置33。室内机31A、31B与室外机32连接。室外机32包括压缩机、室外热交换器、膨胀阀以及风扇。从该压缩机向室内机31A、31B分别供给制冷剂。该制冷剂在室内机31A与室外机32之间循环，并且在室内机31B与室外机32之间循环。控制装置33包括恒温器，并统合控制空调系统30。控制装置33经由网络900与空气过滤器维护系统10连接。网络900包括互联网以及云系统。

图2是用于说明图1的室内机31A、31B各自的空气流动的图。如图2所示，室内机31A、31B分别包括室内热交换器311、风扇312以及空气过滤器313。通过由风扇312形成的气流，从室内机31A、31B各自的外部吸入回流空气RA(Return Air)。回流空气RA通过空气过滤器313朝向室内热交换器311。由室内热交换器加热后的空气、或冷却后的空气作为供给空气SA(Supply Air)被供给到空调对象空间。回流空气RA中包含的灰尘等被空气过滤器313除去。若空气过滤器313的使用期间变长，则灰尘等在空气过滤器313阻塞而产生堵塞，空气过滤器313的防尘作用降低，并且每单位时间通过空气过滤器313的空气量降低。为了维持供给到空调对象空间的每单位时间的空气量，每单位时间通过空气过滤器313的空气量越降低，越需要加快风扇312的旋转速度。即，为了在空气过滤器产生了堵塞的状态下维持空调强度，需要增加在空调系统30中使用的电量。为了抑制电力成本的增加，需要在适当的时机维护(清扫或更换)空气过滤器313。

图3是将表示图1的空调系统30的电力成本的全年变化的一个例子的曲线Cp1、Cp2、Cp3、表示图2的空气过滤器313的维护所需的成本的全年变化的一个例子的曲线Cm、以及表示全年气温的变化的一个例子的曲线Tmp一并示出的图。曲线Cp1表示空气过滤器313从新品使用1年的情况下的电力成本的变化。曲线Cp2表示将已使用1年的空气过滤器313使用1年的情况下的电力成本。曲线Cp3表示将已使用2年的空气过滤器313使用1年的情况下的电力成本。如图3所示，由于空气过滤器313的使用期间越长，空气过滤器313的堵塞越加剧，因此在1年中的绝大多数的期间，电力成本按曲线Cp1～Cp3的顺序增加。特别是在气温降低最大的1月～3月的期间、以及气温上升最大的6月～9月的期间，与使用期间对应的电力成本的增加显著。例如，在从新品的空气过滤器313使用后第二年的1月1日至日期时间dt1为止的电力成本的增加量是从1月1日至日期时间dt1对曲线Cp2与Cp1的差的绝对值进行积分而得到的值(区域Rg1的面积)。因此，在1月～3月的期间以及6月～9月的期间，维护空气过滤器的必要性高。但是空气过滤器的维护成本在1月～3月的期间以及9月～12月的期间最高。这样，为了决定空气过滤器的最佳的维护时机，需要综合考虑各种要素。因此，根据使用统一的判断基准的基于规则的方法，难以决定空气过滤器的最佳的维护时机。

因此，在空气过滤器维护系统10中，生成分别学习了堵塞程度以及空调强度与成本增加量的关系、日期时间与空调强度的关系、日期时间与维护成本的关系的学习完毕模型。通过使用这些学习完毕模型，能够综合考虑堵塞程度、空调强度、成本增加量、日期时间以及维护成本。通过综合考虑能够决定空气过滤器的最佳的维护时机，因此能够降低空气过滤器的维护成本。

图4是表示图1的学习装置100的结构的框图。如图4所示，学习装置100具备数据取得部110(第一数据取得部)和模型生成部120。在设置于学习装置100的外部的学习完毕模型存储部140保存有增加成本推定模型M1、空调强度推定模型M2以及维护成本推定模型M3。另外，学习完毕模型存储部140也可以形成于学习装置100的内部。

增加成本推定模型M1接收堵塞程度参数Prm1(第一参数)以及空调强度控制参数Prm2(第二参数)，并输出成本增加量参数Prm3(第三参数)。空调强度推定模型M2接收日期时间参数Prm4(第四参数)并输出空调强度控制参数Prm5(第五参数)。维护成本推定模型M3接收日期时间参数Prm6(第六参数)并输出维护成本参数Prm7(第七参数)。增加成本推定模型M1、空调强度推定模型M2以及维护成本推定模型M3分别包括神经网络。

数据取得部110取得堵塞程度参数Prm1、空调强度控制参数Prm2以及成本增加量参数Prm3来作为学习数据Ld1。堵塞程度参数Prm1以0％至100％表示空气过滤器313堵塞的程度。空调强度控制参数Prm2包括恒温器的打开/关闭、压缩机的旋转频率、风扇的风力、制冷剂的蒸发温度以及制冷剂的凝缩温度。成本增加量参数Prm3是表示在堵塞程度参数Prm1以及空调强度控制参数Prm2中产生的电力成本的增加量的正确答案数据，且是以空气过滤器313的堵塞程度参数为0％时为基准的电力成本的增加金额。例如，在堵塞程度参数Prm1为60％，与空调强度控制参数Prm2对应的空调强度为等级X，成本增加量参数Prm3为每小时的电力成本的增加金额的情况下，成本增加量参数Prm3为1.5日元。

模型生成部120使用学习数据Ld1来学习堵塞程度参数Prm1以及空调强度控制参数Prm2与成本增加量参数Prm3的关系，该学习数据Ld1是使用堵塞程度参数Prm1、空调强度控制参数Prm2以及成本增加量参数Prm3的组合而创建的。模型生成部120使用学习数据Ld1将增加成本推定模型M1设为学习完毕模型。

数据取得部110取得日期时间参数Prm4以及空调强度控制参数Prm5来作为学习数据Ld2。空调强度控制参数Prm5是表示在由日期时间参数Prm4确定的日期时间假定的空调强度的正确答案数据。空调强度控制参数Prm5包括恒温器的打开/关闭、压缩机的旋转频率、风扇的风力、制冷剂的蒸发温度以及制冷剂的凝缩温度。

模型生成部120使用学习数据Ld2来学习日期时间参数Prm4与空调强度控制参数Prm5的关系，该学习数据Ld2是使用日期时间参数Prm4以及空调强度控制参数Prm5的组合而创建的。模型生成部120使用学习数据Ld2将空调强度推定模型M2设为学习完毕模型。

数据取得部110取得日期时间参数Prm6以及维护成本参数Prm7来作为学习数据Ld3。维护成本参数Prm7是表示在由日期时间参数Prm6确定的日期时间所需的空气过滤器的维护成本的正确答案数据。维护成本参数Prm7例如为每天的金额或每小时的金额。

模型生成部120使用学习数据Ld3来学习日期时间参数Prm6与维护成本参数Prm7的关系，该学习数据Ld3是使用日期时间参数Prm6以及维护成本参数Prm7的组合而创建的。模型生成部120使用学习数据Ld3将维护成本推定模型M3设为学习完毕模型。

模型生成部120所使用的学习算法也可以为监督学习、无监督学习、或强化学习等公知的算法。以下，对应用神经网络的情况进行说明。

模型生成部120例如通过神经网络模型，所谓的监督学习，来学习成本增加量、空调强度、空气过滤器的维护成本。在此，监督学习是指通过将输入和结果(标签)的数据的组赋予学习装置100，来学习这些学习数据所包括的特征，并根据输入对结果进行推理的方法。

神经网络由如下的层构成：由多个神经元构成的输入层、由多个神经元构成的中间层(隐藏层)、以及由多个神经元构成的输出层。中间层也可以为1层、或2层以上。

图5是表示作为神经网络的一个例子的神经网络Nw1的图。如图5所示，神经网络Nw1包括输入层X10、中间层Y10、以及输出层Z10。输入层X10包括神经元X11、X12、X13。中间层Y10包括神经元Y11、Y12。输出层Z10包括神经元Z11、Z12、Z13。输入层X10与中间层Y10相互完全结合。中间层Y10与输出层Z10相互完全结合。

当多个输入被分别输入到输入层X10的神经元X11～X13时，上述值被乘以权重w11～w16并被输入到中间层Y10的神经元Y11、Y12。来自神经元Y11、Y12的输出被乘以权重w21～w26，并从输出层Z10的神经元Z11～Z13输出。来自输出层Z10的输出结果根据权重w11～w16、w21～w26的值而变化。

增加成本推定模型M1的神经网络根据使用由数据取得部110取得的堵塞程度、空调强度、以及成本增加量(正确答案数据)的组合而创建的学习数据Ld1，通过监督学习来学习成本增加量。即，增加成本推定模型M1的神经网络的权重以及偏差通过针对该结果与正确答案数据的误差的反向传播来更新，使得向输入层输入堵塞程度和空调强度从输出层输出的结果接近成本增加量(正确答案数据)。

空调强度推定模型M2的神经网络根据基于日期时间以及空调强度(正确答案数据)的组合而创建的学习数据Ld2，通过监督学习来学习空调强度。即，空调强度推定模型M2的神经网络的权重以及偏差通过针对该结果与正确答案数据的误差的反向传播来更新，使得向输入层输入日期时间并从输出层输出的结果接近空调强度(正确答案数据)。

维护成本推定模型M3根据使用日期时间以及维护成本(正确答案数据)的组合而创建的学习数据Ld3，通过监督学习来学习空气过滤器的维护成本。即，维护成本推定模型M3的神经网络的权重以及偏差通过针对该结果与正确答案数据的误差的反向传播来更新，使得向输入层输入日期时间并从输出层输出的结果接近空气过滤器的维护成本(正确答案数据)。

图6是表示图4的学习装置100的学习处理的流程图。以下，将步骤简称为S。如图6所示，在S101中，数据取得部110取得学习数据Ld1～Ld3。此外，堵塞程度参数Prm1、空调强度控制参数Prm2、以及成本增加量参数Prm3只要建立关联就不需要同时取得，也可以在相互不同的时机取得。对于日期时间参数Prm4以及空调强度控制参数Prm5、和日期时间参数Prm6以及维护成本参数Prm7也同样。

在S102中，模型生成部120根据由数据取得部110取得的学习数据Ld1～Ld3，通过所谓的监督学习，分别学习成本增加量、空调强度、以及空气过滤器的维护成本，将增加成本推定模型M1、空调强度推定模型M2、以及维护成本推定模型M3分别设为学习完毕模型。

在S103中，模型生成部120将学习完毕模型的增加成本推定模型M1、学习完毕模型的空调强度推定模型M2、以及学习完毕模型的维护成本推定模型M3保存于学习完毕模型存储部140。

图7是表示图1的推理装置200以及判定装置300的结构的框图。推理装置200包括数据取得部210和推理部220。判定装置300包括统合部310、判定部320、以及输出部330。

数据取得部210取得堵塞程度参数Prm1以及空调强度控制参数Prm2、日期时间参数Prm4、及日期时间参数Prm6。在空气过滤器的堵塞程度参数Prm1的检测中利用以往方法。推理部220利用存储于学习完毕模型存储部140的学习完毕模型M1～M3来推定成本增加量参数Prm3、空调强度控制参数Prm5、以及维护成本参数Prm7。即，通过向学习完毕模型M1～M3输入数据取得部210所取得的堵塞程度参数Prm1以及空调强度控制参数Prm2、日期时间参数Prm4、及日期时间参数Prm6，能够推定成本增加量参数Prm3、空调强度控制参数Prm5、以及维护成本参数Prm7。此外，在实施方式中，对使用在图3的模型生成部120所学习的学习完毕模型来推定成本增加量参数Prm3、空调强度控制参数Prm5、以及维护成本参数Prm7的结构进行了说明，但在也可以使用在其他环境中学习的学习完毕模型来输出成本增加量参数Prm3、空调强度控制参数Prm5、以及维护成本参数Prm7。

图8是表示图7的推理装置200的推理处理的流程图。如图8所示，在S201中，数据取得部210取得堵塞程度参数Prm1以及空调强度控制参数Prm2、日期时间参数Prm4、及日期时间参数Prm6。在S202中，推理部220向存储于学习完毕模型存储部140的学习完毕模型M1～M3输入堵塞程度参数Prm1以及空调强度控制参数Prm2、日期时间参数Prm4、及日期时间参数Prm6，取得成本增加量参数Prm3、空调强度控制参数Prm5、以及维护成本参数Prm7。在S203中，统合部310对从学习完毕模型M1～M3得到的成本增加量参数Prm3、空调强度控制参数Prm5、以及维护成本参数Prm7进行统合。在S204中，判定部320使用从学习完毕的增加成本推定模型M1输出的成本增加量参数Prm3、从学习完毕的空调强度推定模型M2输出的空调强度控制参数Prm5所对应的空调强度、以及从维护成本推定模型M3输出的空气过滤器313的维护成本，计算维护空气过滤器313时的综合成本，判定该综合成本成为最小的时机。在S205中，输出部330将该时机输出到空调系统30的控制装置33。

以上，根据推理装置200以及判定装置300，通过推定因相对于空气过滤器的设置机种、空间上的设置场所、以及时间上的空调强度的空气过滤器的堵塞引起的空调设备的效率降低等重要因素导致的成本增加量以及因实施时期而变动的空气过滤器的维护成本，能够输出空气过滤器的最佳的维护时机。

此外，在实施方式中，对模型生成部120使用的学习算法应用了监督学习的情况进行了说明，但学习算法并不局限于监督学习。学习算法处理监督学习以外，也能够应用强化学习、无监督学习、或半监督学习等。

另外，模型生成部120也可以使用从多个空调系统30取得的学习数据，来学习成本增加量、空调强度、以及空气过滤器的维护成本。此外，模型生成部120可以从在同一区域使用的多个空调系统30取得学习数据，也可以利用从在不同的区域独立地动作的多个空调系统30收集的学习数据来学习成本增加量、空调强度、以及空气过滤器的维护成本。另外，可以将收集学习数据的空调系统30在中途追加到学习对象中、或从学习对象中除去。并且，也可以将针对某个空调系统30学习了成本增加量、空调强度、以及空气过滤器的维护成本的学习装置100应用于其他空调系统30，并针对该其他空调系统30再次学习并更新成本增加量、空调强度、以及空气过滤器的维护成本。

另外，作为模型生成部120中使用的学习算法，也能够使用学习特征量本身的提取的深层学习(Deep Learning)，也可以根据其他公知的方法，例如神经网络、遗传编程、功能逻辑编程、或支持向量机等执行机械学习。

另外，在实施方式中，虽然说明为学习装置100以及推理装置200是经由网络900与空调系统30连接的，与空调系统30不同的装置，但学习装置100以及推理装置200也可以内置于空调系统30。另外，学习装置100以及推理装置200也可以存在于云服务器上。

图9是表示图1的空气过滤器维护系统10的硬件结构的框图。如图9所示，空气过滤器维护系统10包括处理电路51、存储器52(存储部)、以及输入输出部53。处理电路51包括执行储存于存储器52的程序的CPU(Central Processing Unit：中央处理器)。处理电路51也可以包括GPU(Graphics Processing Unit：图形处理单元)。空气过滤器维护系统10的功能由软件、固件、或软件与固件的组合来实现。软件或固件被描述为程序并储存于存储器52。处理电路51读出并执行存储于存储器52的程序。此外，CPU也被称为中央处理装置、处理装置、运算装置、微处理器、微型计算机、处理器、或DSP(Digital Signal Processor：数字信号处理器)。

存储器52中包括非易失性或易失性的半导体存储器(例如RAM(Random AccessMemory：随机存取存储器)、ROM(Read Only Memory：只读存储器)、闪存、EPROM(ErasableProgrammable Read Only Memory：可擦除可编程只读存储器)、或EEPROM(ElectricallyErasable Programmable Read Only Memory：带电可擦可编程只读存储器))、以及磁盘、软盘、光盘、压缩光盘、迷你盘、或DVD(Digital Versatile Disc：数字多功能光盘)。在存储器52中保存有例如学习完毕模型、空气过滤器维护程序、以及机械学习程序。

输入输出部53接受来自用户的操作并且将处理结果输出给用户。输入输出部53例如包括鼠标、键盘、触摸面板、显示器、以及扬声器。

以上，根据实施方式的学习装置以及推理装置，能够降低空气过滤器的维护成本。

应认为本次公开的实施方式在所有方面都是例示而非限制性的。本公开的范围并非由上述说明限定，而是由权利要求书表示，旨在包括与权利要求书等同的意思以及范围内的所有的变更。

附图标记说明

10...空气过滤器维护系统；30...空调系统；31A、31B...室内机；32...室外机；33...控制装置；51...处理电路；52...存储器；53...输入输出部；100...学习装置；110、210...数据取得部；120...模型生成部；140...学习完毕模型存储部；200...推理装置；220...推理部；300...判定装置；310...统合部；311...室内热交换器；312...风扇；313...空气过滤器；320...判定部；330...输出部；900...网络；Ld1、Ld2、Ld3...学习数据；M1...增加成本推定模型；M2...空调强度推定模型；M3...维护成本推定模型；Nw1...神经网络；Prm1...堵塞程度参数；Prm2、Prm5...空调强度控制参数；Prm3...成本增加量参数；Prm4、Prm6...日期时间参数；Prm7...维护成本参数。

Claims (5)

1.一种学习装置，学习包括至少一个空气过滤器的空调系统的维护，其特征在于，具备：

第一数据取得部，其取得第一学习数据、第二学习数据以及第三学习数据；和

模型生成部，其使用所述第一学习数据、所述第二学习数据以及所述第三学习数据，将第一模型、第二模型以及第三模型分别设为学习完毕模型，

所述第一学习数据包括：表示所述至少一个空气过滤器的堵塞程度的第一参数、与所述空调系统的空调强度相关的第二参数、以及表示进行所述第二参数的运转的情况下的由所述第一参数引起的所述空调系统的电力成本的增加量的第三参数，

所述第二学习数据包括：表示第一日期时间的第四参数、和与在所述第一日期时间假定的所述空调系统的空调强度相关的第五参数，

所述第三学习数据包括：表示第二日期时间的第六参数、和表示在所述第二日期时间的所述至少一个空气过滤器的维护成本的第七参数，

所述第一模型根据所述第一参数和所述第二参数来推定所述第三参数，

所述第二模型根据所述第四参数来推定所述第五参数，

所述第三模型根据所述第六参数来推定所述第七参数。

2.根据权利要求1所述的学习装置，其特征在于，

由所述第一数据取得部取得的所述第三参数、所述第五参数以及所述第七参数分别为正确答案数据，

所述模型生成部对所述第一模型、所述第二模型以及所述第三模型分别进行监督学习。

3.一种推理装置，其特征在于，具备：

第二数据取得部，其取得所述第一参数、所述第二参数、所述第四参数以及所述第五参数；和

推理部，其使用由权利要求1或2所述的学习装置生成的学习完毕的所述第一模型、学习完毕的所述第二模型以及学习完毕的所述第三模型，

所述推理部使用学习完毕的所述第一模型并根据由所述第二数据取得部取得的所述第一参数和所述第二参数来推定所述第三参数，使用学习完毕的所述第二模型并根据由所述第二数据取得部取得的所述第四参数来推定所述第五参数，使用学习完毕的所述第三模型并根据由所述第二数据取得部取得的所述第六参数来推定所述第七参数。

4.一种推理装置，使用学习完毕的第一模型、学习完毕的第二模型以及学习完毕的第三模型，对包括至少一个空气过滤器的空调系统的维护进行推理，其特征在于，

所述第一模型根据第一参数和第二参数来推定第三参数，

所述第二模型根据第四参数来推定第五参数，

所述第三模型根据第六参数来推定第七参数，

所述第一参数表示所述至少一个空气过滤器的堵塞程度，

所述第二参数是与所述空调系统的空调强度相关的参数，

所述第三参数表示进行所述第二参数的运转的情况下的由所述第一参数引起的所述空调系统的电力成本的增加量，

所述第四参数表示第一日期时间，

所述第五参数表示在所述第一日期时间假定的所述空调系统的空调强度，

所述第六参数表示第二日期时间，

所述第七参数表示在所述第二日期时间的所述至少一个空气过滤器的维护成本，

所述推理装置具备：

数据取得部，其取得所述第一参数、所述第二参数、所述第四参数以及所述第五参数；和

推理部，其使用所述第一模型、所述第二模型以及所述第三模型，

所述推理部使用所述第一模型并根据所述第一参数和所述第二参数来推定所述第三参数，使用所述第二模型并根据所述第四参数来推定所述第五参数，使用所述第三模型并根据所述第六参数来推定所述第七参数。

5.根据权利要求4所述的推理装置，其特征在于，

所述第一模型、所述第二模型以及所述第三模型分别通过监督学习而生成。

Images