CN116209964B - 信息处理装置、信息处理方法及程序产品 - Google Patents
信息处理装置、信息处理方法及程序产品 Download PDFInfo
- Publication number
- CN116209964B CN116209964B CN202180064505.2A CN202180064505A CN116209964B CN 116209964 B CN116209964 B CN 116209964B CN 202180064505 A CN202180064505 A CN 202180064505A CN 116209964 B CN116209964 B CN 116209964B
- Authority
- CN
- China
- Prior art keywords
- value
- component
- information processing
- model
- determination unit
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 58
- 238000003672 processing method Methods 0.000 title claims description 5
- 230000005856 abnormality Effects 0.000 claims abstract description 67
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims description 21
- 239000007788 liquid Substances 0.000 claims description 17
- 238000004781 supercooling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims 3
- 239000003507 refrigerant Substances 0.000 description 38
- 238000001816 cooling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005057 refrigeration Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Air Conditioning Control Device (AREA)
Abstract
提供一种具有判定部的信息处理装置，该判定部根据设备的各传感器的测定值、所述设备的异常诊断结果、针对所述设备的控制的结果、及与所述设备相关的条件中的至少一个，判定是否生成用于估计与所述设备所具有的部件相关的值的已学习模型。
Description
技术领域
本公开涉及信息处理装置、信息处理方法及程序。
背景技术
先前，已知如下一种技术，即，为了对设备的部件等的异常(故障、障碍及劣化)进行诊断，根据该设备的数据生成用来进行专用于该设备的诊断的已学习模型(即，已经进行了学习(或训练)的模型)(例如，参见专利文件1)。
[引证文件]
[专利文件]
[专利文件1](日本)特开2018-146448号公报
发明内容
[要解决的技术问题]
然而，如果按照每个设备来生成已学习模型，则需要较高的处理成本等。本公开的目的在于，提供一种能够适当地进行设备的异常判定的技术。
[技术方案]
本公开的第1方式的信息处理装置具有：判定部，根据设备的各传感器的测定值、所述设备的异常诊断结果、针对所述设备的控制的结果、及与所述设备相关的条件中的至少一个，判定是否生成用于估计与所述设备所具有的部件相关的值的已学习模型。据此，能够适当地进行设备异常判定。
此外，本公开的第2方式为第1方式所述的信息处理装置，还具有：估计部，根据所述设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个，按照预定的估计方式对与所述部件相关的值进行估计，其中，在由所述估计部估计出的值和与所述部件相关的值的实测值之间的误差为阈值以上的情况下，所述判定部判定为生成所述已学习模型。
另外，本公开的第3方式为第1或第2方式所述的信息处理装置，其中，在基于所述设备的各传感器的测定值而判定的所述设备的使用环境、设置所述设备的物业的信息、及所述设备的型号中的至少一个满足预定的条件的情况下，所述判定部判定为生成所述已学习模型。
此外，本公开的第4方式为第1至第3方式中的任一方式所述的信息处理装置，还具有：异常判定部，在由所述判定部判定为不生成所述已学习模型的情况下，如果与所述部件相关的值的估计值和实测值之间的误差为第1阈值以上，则判定为所述部件出现异常(即，所述部件处于异常状态)，并且在由所述判定部判定为生成所述已学习模型的情况下，如果与所述部件相关的值的估计值和实测值之间的误差为大于所述第1阈值的第2阈值以上，则判定为所述部件出现异常。
另外，本公开的第5方式为第1至第4方式中的任一方式所述的信息处理装置，还具有：生成部，根据将所述部件为正常(即，所述部件处于正常状态)时的所述设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个作为说明变量(explanatory variable(解释变量))并将与所述部件相关的值的实测值作为真值(ground truth)标签的数据集合，生成所述已学习模型。
此外，本公开的第6方式为第1至第5方式中的任一方式所述的信息处理装置，其中，所述判定部根据按照预定的估计方式而估计出的与所述部件相关的值的第1估计值和实测值之间的第1误差以及藉由所述已学习模型而估计出的与所述部件相关的值的第2估计值和实测值之间的第2误差，确定预定的估计方式和应用所述已学习模型的估计方式中的用于检测所述部件的异常的与所述部件相关的值的估计方式。
此外，本公开的第7方式为第1至第4方式中的任一方式所述的信息处理装置，其中，与所述部件相关的值包括室外空气温度、吸入管温度、排出管温度、换热(热交换)温度、过冷换热出口温度、接受器(receiver)液管温度、储液器(accumulator)入口温度、高压压力、低压压力、逆变器电流值、逆变器转数、及室外机的电磁阀开度中的至少一个。
此外，本公开的第8方式的信息处理方法为，由信息处理装置执行如下处理，即：根据设备的各传感器的测定值、所述设备的异常诊断结果、针对所述设备的控制的结果、及与所述设备相关的条件中的至少一个，判定是否生成用于估计与所述设备所具有的部件相关的值的已学习模型。
此外，本公开的第9方式的程序为，使信息处理装置执行如下处理，即，根据设备的各传感器的测定值、所述设备的异常诊断结果、针对所述设备的控制的结果、及与所述设备相关的条件中的至少一个，判定是否生成用于估计与所述设备所具有的部件相关的值的已学习模型。
附图说明
[图1]实施方式的信息处理系统的系统构成的一例的示意图。
[图2]实施方式的信息处理装置的硬件构成的一例的示意图。
[图3A]实施方式的设备的室外机的构成的一例的示意图。
[图3B]实施方式的设备的室内机的构成的一例的示意图。
[图4]实施方式的设备的控制装置的功能构成的一例的示意图。
[图5]实施方式的设备的控制装置的处理的一例的流程图。
具体实施方式
下面参见附图对各实施方式进行描述。需要说明的是，本说明书和附图中对具有实质相同的功能构成的构成要素赋予了相同的符号，由此对重复的说明进行了省略。
<系统构成>
首先，对信息处理系统1的系统构成进行说明。图1是实施方式的信息处理系统1的系统构成的一例的示意图。如图1所示，信息处理系统1具有信息处理装置10A、信息处理装置10B及信息处理装置10C(下文中，在不需要对它们进行区分的情况下，简称为“信息处理装置10”)。此外，信息处理系统1还具有设备20A、设备20B、设备20C及设备20D(下文中，在不需要对它们进行区分的情况下，简称为“设备20”)。另外，信息处理装置10和设备20的数量并不限定于图1的例子。
信息处理装置10和设备20例如可经由互联网(Internet)、无线LAN(Local AreaNetwork)、LAN、LTE(Long Term Evolution)、5G等的移动电话网、及信号线等的网络NW以能够通信的方式进行连接。设备20例如可设置于住宅、办公室、公共设施等。信息处理装置10例如可为云服务器。此外，信息处理装置10例如还可为在设置多个设备20的建筑物中所设置的边缘服务器(Edge Server)。另外，信息处理装置10例如也可容纳于设备20(例如，空气调和装置的室内机框体(外壳)内)。需要说明的是，信息处理装置10A、信息处理装置10B及信息处理装置10C可为相同装置。
设备20例如为空气调和装置(空调机)、冰箱、热水器、照明等的各种设备，可具有能将测定的各种信息发送至信息处理装置10的IoT(Internet of Things)装置。
<硬件构成>
《信息处理装置10的硬件构成》
接着，对实施方式的信息处理装置10的硬件构成进行说明。图2是实施方式的信息处理装置10的硬件构成的一例的示意图。如图2所示，信息处理装置10具有CPU(CentralProcessing Unit)101、ROM(Read Only Memory)102及RAM(Random Access Memory)103。CPU101、ROM102及RAM103形成所谓的计算机。此外，信息处理装置10还具有辅助存储装置104、显示装置105、操作装置106、I/F(Interface)装置107及驱动装置108。信息处理装置10的各硬件经由总线109相互连接。
CPU101是用于执行辅助存储装置104中安装的各种程序(例如，机器学习程序等)的运算装置。ROM102为非挥发性存储器。ROM102作为主存储装置而发挥功能，可对CPU101执行辅助存储装置104中安装的各种程序时所需的各种程序、数据等进行保存。具体而言，ROM102可保存BIOS(Basic Input/Output System)、EFI(Extensible FirmwareInterface)等的引导程序等。
RAM103为DRAM(Dynamic Random Access Memory)、SRAM(Static Random AccessMemory)等的挥发性存储器。RAM103作为主存储装置而发挥功能，可提供辅助存储装置104中安装的各种程序被CPU101执行时所展开的工作空间(区域)。
辅助存储装置104可保存各种程序和各种程序被执行时所使用的信息。
显示装置105是用于显示各种信息的显示装置。操作装置106是用于接受各种操作的操作装置。I/F装置107是与外部的设备进行通信的通信装置。
驱动装置108是用于放入(set)存储介质110的装置。这里所说的存储介质110包括诸如CD-ROM、软盘、磁光盘等那样的对信息以光、电或磁的方式进行存储的介质。此外，存储介质110还可包括诸如ROM、闪存等那样的对信息以电的方式进行存储的半导体存储器等。
需要说明的是，就辅助存储装置104中安装的各种程序而言，例如可通过如下方式进行安装，即，将分发的存储介质110放入驱动装置108，由驱动装置108读取该存储介质110中存储的各种程序。或者，辅助存储装置104中安装的各种程序也可藉由从未图示的网络下载的方式来进行安装。
《设备20的构成》
接下来，对实施方式的设备20的构成进行说明。下文中，对设备20为空气调和装置时的例子进行说明。
图3A是实施方式的设备20的室外机2000的构成的一例的示意图。图3B是实施方式的设备20的室内机的构成的一例的示意图。
作为空气调和装置的设备20具有对设备20的各部(功能部)进行控制的控制装置40。控制装置40例如可内置于设备20的室外机2000或室内机2500。设备20的控制装置40可藉由将CPU、存储器及输入输出部嵌入了一个集成电路的微机(Micro controller)而实现。此外，设备20的控制装置40例如还可藉由ASIC(Application Specific IntegratedCircuit)，DSP(digital signal processor)、FPGA(field programmable gate array)等的电路而实现。此外，设备20的控制装置40也可通过上述图2中所示的计算机来实现。
另外，设备20还具有用于构成冷媒(制冷剂)回路200的各种设备和各种传感器。用于构成冷媒回路200的各设备由控制装置40进行控制。冷媒回路200例如为填充有氟利昂气体等的冷媒的封闭回路。冷媒回路200例如还可被构成为，使冷媒循环以进行蒸气压缩式制冷循环。
(设备20的室外机2000的构成)
图3A的例子中，设备20的室外机2000(室外单元)具有压缩机(compressor)201、室外换热器202、电子膨胀阀203、电子膨胀阀204、电磁阀205(油分离器回油)、电磁阀206(油分离器旁通(bypass))、电磁阀207(储液器回油)、四通换向阀208、高压压力传感器(高压传感器)209、低压压力传感器(低压传感器)210、高压压力开闭器(高压开闭器)211、调压阀212、过冷换热213、毛细管(capillary tube)214、热敏电阻(thermistor)215、热敏电阻216、热敏电阻217、热敏电阻218、热敏电阻219、热敏电阻220、热敏电阻221、热敏电阻222、冷媒冷却板223等。
压缩机201对吸入的冷媒进行压缩并将其排出。例如，通过改变从压缩机201的逆变器供给至马达(未图示)的交流的频率以改变马达的旋转速度(压缩机201的旋转速度)，可使压缩机201的容量发生变化。需要说明的是，旋转速度例如可为每单位时间的转数等。
室外换热器202(空气换热)中，由室外风扇吸入的室外空气和冷媒可进行热交换。就电子膨胀阀203(主(main))和电子膨胀阀204(喷入(injection))而言，例如可通过脉冲马达来驱动阀体，藉此对其开度(孔的大小)进行调整。电子膨胀阀203被控制为，在进行制热运转时使室外换热器的出口过热度保持一定(恒定)。电子膨胀阀204被控制为，使过冷换热213的出口过热度保持一定。
电磁阀205(油分离器回油)和电磁阀206(油分离器旁通)对从油分离器224返回压缩机201的油量进行控制。在使油从储液器225返回压缩机201时可使用电磁阀207(储液器回油)。四通换向阀208可对制冷运转和制热运转进行切换。
高压传感器209是对高压压力进行检测的传感器。需要说明的是，高压压力是设备20的制冷循环中的高压压力(下文中，为了方便也简称“高压”)，例如可为被压缩机201压缩并被排出的冷媒的压力(压缩机201的排出压力)，也可为冷凝器(凝缩器)中的冷媒的压力。
低压传感器210是对低压压力进行检测的传感器。需要说明的是，低压压力是设备20的制冷循环中的低压压力(下文中，为了方便也简称“低压”)，例如可为被压缩机201吸入的冷媒的压力(被压缩机201压缩前的冷媒的压力)。
为了避免高压压力在压缩机201出现异常时进行上升，高压开闭器211在高压压力为预定的压力以上的情况下可使设备20的运转停止。
为了防止输送(运送)和保管时的压力上升所引起的功能部件破损，调压阀212在压力为预定的压力以上的情况下可打开液管以避免压力上升。
过冷换热213对液体冷媒进行过冷却。
毛细管214可使在油分离器224进行了分离的冷冻机油返回压缩机201。
热敏电阻215是对室外空气温度进行检测(测定)的传感器(温度传感器)。由热敏电阻215测定的室外空气温度例如可用于排出管温度的补正等。
热敏电阻216是对用于表示从压缩机201排出的冷媒的温度的排出管温度进行检测的传感器。由热敏电阻216测定的排出管温度例如可用于压缩机201的温度保护控制等。
热敏电阻217是对储液器225的入口的气管温度进行检测的传感器。由热敏电阻217测定的气管温度例如可用于使制热时的吸气过热度为一定(恒定)的控制等。热敏电阻218是对室外换热器202的液管温度进行检测的传感器。由热敏电阻218测定的液管温度例如可用于试运转时的过充电判定等。热敏电阻219是对过冷换热213的液管温度进行检测的传感器。热敏电阻220是对过冷换热213的蒸发侧气管温度进行检测的传感器。由热敏电阻219测定的蒸发侧气管温度例如可用于使过冷换热213的出口的过热度为一定的控制等。
热敏电阻221是对室外换热器202的液管温度进行检测的传感器。由热敏电阻221测定的液管温度例如可用于除霜运转的判定等。热敏电阻222是对压缩机201的表面温度进行检测的传感器。需要说明的是，为了避免出现异常时压缩机201的温度上升，控制装置40在表面温度超过阈值的情况下可使设备20的运转停止。热敏电阻226是对用于表示被压缩机201吸入的冷媒的温度的吸入管温度进行检测的传感器。冷媒冷却板223是用于使冷媒液冷却的冷却板。
储液器225例如是对被压缩机201吸入的冷媒的液体和气体进行分离，并仅使压缩机201吸入气体的装置。需要说明的是，室外机2000也可具有接收器(receiver)(冷媒量调整容器)，其可取代储液器225，或者也可与储液器225同时存在。需要说明的是，接收器是对被冷凝器进行了凝缩的冷媒的液体进行临时保存的容器。藉由接收器，例如在空调负荷的变动导致蒸发器中的冷媒量发生了变化的情况下，可对冷媒的液体进行临时储藏(保管)。
(设备20的室内机2500的构成)
图3B的例子中，设备20的室内机2500(室外单元)具有电子膨胀阀251、热敏电阻252、热敏电阻253、热敏电阻254、热敏电阻255、室内换热器256等。
电子膨胀阀251可用于制冷运转时的气体过热度控制和制热运转时的过冷度控制。热敏电阻252是对被室内换热器256的风扇吸入的空气的温度(室内温度)进行检测的传感器。热敏电阻253是对电子膨胀阀251和室内换热器256之间的液管温度进行检测的传感器。由热敏电阻253测定的液管温度例如可用于制冷运转时的气体过热度控制、制热运转时的过冷度控制等。
热敏电阻254是对室内换热器256和至室外机2000的气体侧配管之间的气管温度进行检测的传感器。由热敏电阻254测定的气管温度例如可用于制冷运转时的气体过热度的控制等。热敏电阻255是对从室内换热器256排出的空气的温度进行检测的传感器。
室内换热器256中，可对被室内风扇吸入的室内空气和冷媒进行换热(热交换)。室内风扇例如可为圆柱状风扇(横流(cross flow)风扇)，通过使沿旋转方向进行了前倾的叶轮旋转，可从吸入口吸入空气，并可从排出口排出空气。藉由室内风扇的旋转，可将室内空气吸入室内机，并可将温度等被进行了调整的空气排出至室内。
制冷运转时，四通换向阀208被设定为处于第1状态。该状态下压缩机201进行运转后，室外换热器202为冷凝器(散热器)，室内换热器256为蒸发器，由此进行制冷循环。此情况下，从压缩机201排出的冷媒流入室外换热器202，并向室外空气进行散热。另外，散热后的冷媒当经过室内机2500的电子膨胀阀251时会发生膨胀(被减压)，并流入室内换热器256。室内换热器256中，冷媒从室内空气吸热并进行蒸发，冷却后的室内空气可被供给至室内。蒸发后的冷媒被被压缩机201吸入并被压缩。
制热运转时，四通换向阀208被设定为处于第2状态。该状态下压缩机201进行运转后，室内换热器256为冷凝器(散热器)，室外换热器202为蒸发器，由此进行制热循环。此情况下，从压缩机201排出的冷媒流入室内换热器256，并向室内空气进行散热。据此，加热后的室内空气可被供给至室内。散热后的冷媒当经过电子膨胀阀203时会发生膨胀(被减压)。藉由电子膨胀阀203而进行了膨胀的冷媒流入室外换热器202，从室外空气吸热，并进行蒸发。蒸发后的冷媒被压缩机201吸入并被压缩。
<功能构成>
接着，参见图4对实施方式的设备20的控制装置40的功能构成进行说明。图4是实施方式的设备20的控制装置40的功能构成的一例的示意图。
设备20的控制装置40具有获取部41、判定部42、推理部43、生成部44、异常判定部45及控制部46。需要说明的是，这些功能部例如可藉由安装在设备20中的1个以上的程序和设备20的CPU等之间的协作而实现。
获取部41获取各种数据。获取部41例如可从设备20的各种传感器获取与设备20所具有的部件相关的值的实测值。
判定部42进行各种判定。判定部42例如可进行是否生成用于估计与设备20所具有的部件相关的值的已学习模型的判定。
推理部43根据预先设定的预定的估计方式(下文中，为了方便也称“默认的推理用模型”)或由生成部44生成的专用于设备20(即，设备20固有或独自)的已学习模型，计算与设备20所具有的部件相关的值的估计值。
在由判定部42判定为生成用于估计与设备20所具有的部件相关的值的已学习模型的情况下，生成部44通过根据该设备20的数据进行机器学习来生成该已学习模型。
异常判定部45根据由获取部41获取到的与设备20所具有的部件相关的值的实测值和由推理部43计算出的与该部件相关的值的估计值，对该部件的异常进行检测。控制部46对设备20的各功能部进行控制。
<处理>
参见图5对实施方式的设备20的控制装置40的处理的一例进行说明。图5是实施方式的设备20的控制装置40的处理的一例的流程图。
步骤S1中，判定部42对是否生成用于估计与设备20所具有的部件相关的值的已学习模型进行判定。与设备20所具有的部件相关的值例如可包括设备20的各传感器的测定值。此情况下，与设备20所具有的部件相关的值例如可包括室外空气温度、吸入管温度、排出管温度、换热温度、过冷换热出口温度、接受器液管温度、储液器入口温度、高压压力、低压压力、逆变器电流值、逆变器转数、及室外机的电磁阀开度中的至少一个。
室外空气温度例如可为由热敏电阻215测定的室外空气温度。吸入管温度例如可为由热敏电阻226测定的被压缩机201吸入的冷媒的温度。排出管温度例如可为由热敏电阻216测定的从压缩机201排出的冷媒的温度。
换热温度例如可为由热敏电阻218测定的室外换热器202的液管温度。过冷换热出口温度例如可为由热敏电阻219测定的过冷换热213的液管温度和由热敏电阻220测定的过冷换热213的蒸发侧气管温度中的至少一个。
就接受器液管温度而言，例如，在室外机2000具有取代了储液器225的接收器(冷媒量调整容器)或除了储液器225之外还具有接收器(冷媒量调整容器)的情况下，可为由用于对接收器的入口的液管温度进行检测的传感器(热敏电阻)测定的液管温度。储液器入口温度可为由热敏电阻217测定的储液器225的入口的气管温度。
高压压力例如可为由高压传感器209测定的高压压力。低压压力例如可为由低压传感器210测定的低压压力。逆变器电流值例如可为向用于改变压缩机201的马达的旋转速度的逆变器供给的电流值。逆变器转数例如可为压缩机201的马达的每单位时间的转数(旋转速度)。室外机的电磁阀开度例如可为电磁阀205、电磁阀206、电磁阀207等的开度。
这里，判定部42可根据设备20的各传感器的测定值、设备20的异常诊断结果、针对设备20的控制的结果、及与设备20相关的条件中的至少一个来判定是否生成该上述已学习模型。
(基于与设备20相关的条件的判定的例子)
判定部42根据设备20的各传感器的测定值对使用设备20的环境(即，设备20的使用或设置环境)进行判定，在该环境满足预定的条件的情况下，可判定为生成该已学习模型。此情况下，判定部42例如在由热敏电阻215测定的室外空气温度的推移等满足预定的条件的情况下，可判定为生成该已学习模型。据此，例如在极寒和亚热带之处设置了设备20的情况下，可抑制使用默认的推理模型所导致的异常诊断的精度的下降。
判定部42在设置设备20的物业的信息满足预定的条件的情况下，可判定为生成该已学习模型。需要说明的是，就设置设备20的物业的信息而言，例如可在将设备20设置于物业时由操作人员等将该物业的信息设定至设备20。据此，例如在设置设备20的物业的所在地为极寒或亚热带之处的情况下，可抑制使用默认的推理模型所导致的异常诊断的精度的降低。
此外，判定部42在设备20的型号满足预定的条件的情况下，可判定为生成该已学习模型。据此，例如在设备20为空调能力较低等的型号并且设置设备20的物业的所在地为极寒或亚热带之处的该物业的隔热性能极高或极低或者该物业为入店人数较多的店铺等的情况下，可抑制使用默认的推理模型所导致的异常诊断的精度的下降。
(基于设备20的各传感器的测定值、设备20的异常诊断结果、及针对设备20的控制的结果中的至少一个的判定的例子)
步骤S1的处理中，判定部42首先可根据设备20的各传感器的测定值、设备20的异常诊断结果、及针对设备20的控制的结果中的至少一个，使推理部43按照预定的估计方式估计与设备20的部件相关的值。该预定的估计方式例如可为，当设备20从工厂发货等时所预先设定的设备20的每个型号的估计方式。该预定的估计方式例如还可为，应用了在设备20的平均使用环境下对与设备20的部件相关的值进行估计的AI(ArtificialIntelligence)的方式。
设备20的各传感器的测定值例如可包括上述与设备20所具有的部件相关的值的历史值(过去值)。此情况下，在推理部43按照该预定的估计方式所估计出的值和与设备20的部件相关的值的实测值之间的误差(乖离度)为阈值以上的情况下，判定部42可判定为生成该已学习模型。
设备20的异常诊断结果可包含设备20的各传感器的测定值的历史值和表示由维护人员(现场工程师)等设定的异常诊断的结果的信息的组(set)的信息。此时，例如在基于“推理部43按照该预定的估计方式所估计出的值”及“设备20的各传感器的测定值的实测值”的异常判定部45的异常判定结果和由维护人员等设定的异常诊断的结果之间的乖离度(误差)为阈值以上的情况下，判定部42可判定为生成该已学习模型。
针对设备20的控制的结果可包含来自控制装置40的针对设备20的各功能部的控制信号(指示)、来自用户的由遥控器等设定的运转模式和设定温度、及设备20的各传感器的测定值的历史值。此时，例如在针对控制信号的反馈值的实测值和推理部43按照该预定的估计方式所估计出的该反馈值之间的误差(乖离度)为阈值以上的情况下，判定部42可判定为生成该已学习模型。
在判定为生成该已学习模型的情况下(步骤S1中的YES(是))，生成部44通过机器学习生成专用于该设备20的该已学习模型(步骤S2)。
这里，生成部44可根据当设备20的部件为正常时所获取的学习用数据来生成已学习模型。
此情况下，生成部44可将由获取部41获取的从设备20被设置时(日期和时间)开始的预定期间内(例如，2年内)的数据作为当设备20的部件为正常时所获取的学习用数据。据此，例如即使在设备20的部件的故障率由于遵循浴盆曲线(bathtub curve)(故障率曲线)在经过一定期间后进入磨损故障期并发生经年劣化等的原因而迅速增加了的情况下，也可进行适当的学习。
此情况下，生成部44例如可将用户首次启动设备20的日期和时间作为设置设备20的日期和时间并对其进行存储。此外，设置设备20的日期和时间也可由操作人员等来进行设定。
生成部44可将使设备20的各传感器的测定值、设备20的异常诊断结果、及针对设备20的控制的结果中的至少一个作为说明变量并使与该部件相关的值的实测值作为真值标签的数据集合作为该学习用数据。生成部44例如可进行基于神经网络(NeuralNetwork)、SVM(Support vector machine)、逻辑回归(Logistic Regression)，随机森林(Randam Forest)、k最近邻法(k-nearest neighbors)等的机器学习。
接下来，异常判定部45根据设备20的各传感器的测定值对设备20的部件等的异常进行判定(诊断)(步骤S3)。
异常判定部45首先使推理部43计算(推理或估计)与设备20所具有的部件相关的值。这里，在由生成部44生成了该已学习模型的情况下，异常判定部45使用该已学习模型使推理部43计算(推理或估计)与设备20所具有的部件相关的值。另一方面，在还没有生成该已学习模型的情况下，则使用上述预定的估计方式使推理部43计算与设备20所具有的部件相关的值。
之后，在由推理部43算出的与设备20所具有的部件相关的值和由设备20的各传感器获取的与该部件相关的值的实测值之间的误差为阈值以上的情况下，异常判定部45可判定为该部件出现异常。
(确定推理用模型的例子)
判定部42可确定是否使异常判定部45采用默认的推理用模型和由生成部44生成的专用于设备20的已学习模型中的任一个来进行异常判定。据此，例如在缺乏学习用数据等时导致该已学习模型的估计精度不足等的情况下，可进行基于默认的推理用模型的异常判定。
此情况下，判定部42可计算由推理部43按照预定的估计方式而估计的与设备20的部件相关的值的第1估计值和与该部件相关的值的实测值之间的第1误差。另外，判定部42还可计算由推理部43按照该已学习模型而估计的与该部件相关的值的第2估计值和与该部件相关的值的实测值之间的第2误差。
之后，判定部42可根据第1估计值和第2估计值来确定是否使异常判定部45采用预定的估计方式和应用了所述已学习模型的估计方式中的任一推理用模型来进行异常判定。另外，异常判定部45还可使推理部43执行应用了由判定部42确定的推理用模型的推理。
(在至生成已学习模型为止的期间内放松(loosen)异常判定的例子)
当在步骤S1的处理中由判定部42判定为生成用于估计与设备20所具有的部件相关的值的已学习模型的情况下，异常判定部45例如可在至生成该已学习模型的期间内放松对设备20的异常判定。据此，可抑制被判定为异常判定的精度较低的应用了默认的推理用模型的推理所导致的异常的误检。
此时，在由判定部42判定为不生成已学习模型的情况下(步骤S1中的NO(否))，如果与设备20的部件相关的值的估计值和实测值之间的误差为第1阈值以上，则异常判定部45可判定为该部件出现异常。另一方面，如果该误差不为该第1阈值以上，则异常判定部45可判定为该部件未见异常。
另外，在由判定部42判定为生成已学习模型的情况下(步骤S1中的YES(是))，如果与设备20的部件相关的值的估计值和实测值之间的误差为大于该第1阈值的第2阈值以上，则异常判定部45可判定为该部件出现异常。另一方面，如果该误差不为该第2阈值以上，则异常判定部45可判定为该部件未见异常。
之后，异常判定部45输出设备20的异常判定结果(步骤S4)。这里，异常判定部45可使异常判定结果显示在设备20的遥控器等的显示部上。另外，异常判定部45还可将异常判定结果通知给信息处理装置10A等的外部装置。
<变形例>
上述实施方式中，对采用设备20来执行已学习模型的生成(机器学习)和推理的例子进行了说明。除此之外，也可为使信息处理装置10A和信息处理装置10B中的任意一个分别执行已学习模型的生成和推理的构成。
此外，设备20的控制装置40、信息处理装置10A及信息处理装置10B的各功能部例如还可由一个以上的计算机所提供的云计算来实现。
以上尽管对实施方式进行了说明，但在不脱离权利要求书的主旨和范围的前提下，也可对其进行各种各样的变形，变更等。
此外，本国际申请主张基于2020年9月23日申请的日本国专利申请第2020-158989号的优先权，并将该日本国专利申请第2020-158989号的内容全部援引于本国际申请。
[附图标记说明]
1信息处理系统
10信息处理装置
20设备
40控制装置
41获取部
42判定部
43推理部
44生成部
45异常判定部
46控制部
2000室外机
201压缩机
202室外换热器
203电子膨胀阀
204电子膨胀阀
205电磁阀
206电磁阀
207电磁阀
208四通换向阀
209高压传感器
210低压传感器
211高压开闭器
212调压阀
213过冷换热
214毛细管
215热敏电阻
216热敏电阻
217热敏电阻
218热敏电阻
219热敏电阻
220热敏电阻
221热敏电阻
222热敏电阻
223冷媒冷却板
224油分离器
225储液器
226热敏电阻
2500室内机
251电子膨胀阀
252热敏电阻
253热敏电阻
254热敏电阻
255热敏电阻256室内换热器。
Claims (9)
1.一种信息处理装置，具有：
判定部，根据设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个的实测值和默认的推理用模型的估计值之间的误差，判定是否生成用于估计与所述设备所具有的部件相关的值的专用于所述设备的已学习模型。
2.如权利要求1所述的信息处理装置，还具有：
估计部，根据所述设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个，藉由所述默认的推理用模型对与所述部件相关的值进行估计，
其中，在由所述估计部估计出的值和与所述部件相关的值的实测值之间的误差为阈值以上的情况下，所述判定部判定为生成所述已学习模型。
3.如权利要求1或2所述的信息处理装置，其中，
在基于所述设备的各传感器的测定值而判定的所述设备的使用环境、设置所述设备的物业的信息、及所述设备的型号中的至少一个满足预定的条件的情况下，所述判定部判定为生成所述已学习模型。
4.如权利要求1或2所述的信息处理装置，还具有：
异常判定部，在由所述判定部判定为不生成所述已学习模型的情况下，如果与所述部件相关的值的估计值和实测值之间的误差为第1阈值以上，则判定为所述部件出现异常，并且在由所述判定部判定为生成所述已学习模型的情况下，如果与所述部件相关的值的估计值和实测值之间的误差为大于所述第1阈值的第2阈值以上，则判定为所述部件出现异常。
5.如权利要求1或2所述的信息处理装置，还具有：
生成部，根据数据集合生成所述已学习模型，所述数据集合中，将所述部件为正常时的所述设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个作为说明变量，并将与所述部件相关的值的实测值作为真值标签。
6.如权利要求1或2所述的信息处理装置，其中，
所述判定部根据第1误差和第2误差确定应用所述默认的推理用模型的估计方式和应用所述已学习模型的估计方式中的用于检测所述部件的异常的与所述部件相关的值的估计方式，所述第1误差为藉由所述默认的推理用模型而估计出的与所述部件相关的值的第1估计值和实测值之间的误差，所述第2误差为藉由所述已学习模型而估计出的与所述部件相关的值的第2估计值和实测值之间的误差。
7.如权利要求1或2所述的信息处理装置，其中，
与所述部件相关的值包括室外空气温度、吸入管温度、排出管温度、换热温度、过冷换热出口温度、接受器液管温度，储液器入口温度、高压压力、低压压力、逆变器电流值、逆变器转数、及室外机的电磁阀开度中的至少一个。
8.一种信息处理方法，由信息处理装置执行如下处理：
根据设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个的实测值和默认的推理用模型的估计值之间的误差，判定是否生成用于估计与所述设备所具有的部件相关的值的专用于所述设备的已学习模型。
9.一种计算机程序产品，包括计算机程序，其特征在于，
所述计算机程序被处理器执行时实现如下处理的执行：
根据设备的各传感器的测定值、所述设备的异常诊断结果、及针对所述设备的控制的结果中的至少一个的实测值和默认的推理用模型的估计值之间的误差，判定是否生成用于估计与所述设备所具有的部件相关的值的专用于所述设备的已学习模型。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020-158989 | 2020-09-23 | ||
| JP2020158989A JP7093031B2 (ja) | 2020-09-23 | 2020-09-23 | 情報処理装置、情報処理方法、及びプログラム |
| PCT/JP2021/034603 WO2022065309A1 (ja) | 2020-09-23 | 2021-09-21 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116209964A CN116209964A (zh) | 2023-06-02 |
| CN116209964B true CN116209964B (zh) | 2024-04-02 |
Family
ID=80845491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180064505.2A Active CN116209964B (zh) | 2020-09-23 | 2021-09-21 | 信息处理装置、信息处理方法及程序产品 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11774955B1 (zh) |
| EP (1) | EP4220320A4 (zh) |
| JP (1) | JP7093031B2 (zh) |
| CN (1) | CN116209964B (zh) |
| WO (1) | WO2022065309A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210202258A1 (en) * | 2019-12-27 | 2021-07-01 | SCREEN Holdings Co., Ltd. | Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006163517A (ja) * | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
| CN109581962A (zh) * | 2017-09-29 | 2019-04-05 | 发那科株式会社 | 数值控制系统 |
| CN109612037A (zh) * | 2017-10-04 | 2019-04-12 | 发那科株式会社 | 空调控制系统 |
| CN110431569A (zh) * | 2017-03-21 | 2019-11-08 | 首选网络株式会社 | 服务器装置、已学习模型提供程序、已学习模型提供方法以及已学习模型提供系统 |
| CN111102043A (zh) * | 2018-10-25 | 2020-05-05 | 丰田自动车株式会社 | 控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法 |
| CN111442483A (zh) * | 2020-03-30 | 2020-07-24 | 广东美的制冷设备有限公司 | 空气调节设备及其控制方法、装置、电子设备 |
Family Cites Families (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS57328Y2 (zh) | 1976-11-13 | 1982-01-06 | ||
| US5659593A (en) * | 1994-11-30 | 1997-08-19 | Lucent Technologies Inc. | Detection of deviations in monitored patterns |
| US7647645B2 (en) * | 2003-07-23 | 2010-01-12 | Omon Ayodele Edeki | System and method for securing computer system against unauthorized access |
| US7480640B1 (en) * | 2003-12-16 | 2009-01-20 | Quantum Leap Research, Inc. | Automated method and system for generating models from data |
| US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
| JP2009002650A (ja) | 2008-10-06 | 2009-01-08 | Daikin Ind Ltd | 異常診断システム |
| WO2010118255A2 (en) * | 2009-04-08 | 2010-10-14 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer program products for network server performance anomaly detection |
| US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
| WO2011121726A1 (ja) * | 2010-03-30 | 2011-10-06 | 株式会社 東芝 | 異常検出装置 |
| JP5369246B1 (ja) | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
| JP2015179443A (ja) | 2014-03-19 | 2015-10-08 | 株式会社東芝 | 診断モデル生成装置、診断用モデル生成方法、及び異常診断装置 |
| US10270788B2 (en) * | 2016-06-06 | 2019-04-23 | Netskope, Inc. | Machine learning based anomaly detection |
| CN106019138B (zh) | 2016-07-25 | 2018-10-19 | 深圳供电局有限公司 | 一种高压断路器机械故障的在线诊断方法 |
| US20180081855A1 (en) * | 2016-09-21 | 2018-03-22 | Scianta Analytics, LLC | Cognitive modeling system including repeat processing elements and on-demand elements |
| JP6869755B2 (ja) | 2017-03-07 | 2021-05-12 | オークマ株式会社 | 状態診断装置 |
| US10212024B2 (en) * | 2017-06-02 | 2019-02-19 | Sas Institute Inc. | Techniques for multi-stage analysis of measurement data with event stream processing |
| JP2019016209A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社東芝 | 診断装置、診断方法およびコンピュータプログラム |
| US11663067B2 (en) * | 2017-12-15 | 2023-05-30 | International Business Machines Corporation | Computerized high-speed anomaly detection |
| CN116592174A (zh) | 2018-06-06 | 2023-08-15 | 株式会社开滋 | 阀的状态把握方法和阀的状态把握系统 |
| JP2020067762A (ja) | 2018-10-23 | 2020-04-30 | トヨタ自動車株式会社 | 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法 |
| US20190171950A1 (en) * | 2019-02-10 | 2019-06-06 | Kumar Srivastava | Method and system for auto learning, artificial intelligence (ai) applications development, operationalization and execution |
| JP6828762B2 (ja) | 2019-03-15 | 2021-02-10 | ダイキン工業株式会社 | 機械学習装置、及び、磁気軸受装置 |
| JP7233023B2 (ja) | 2019-03-25 | 2023-03-06 | パナソニックＩｐマネジメント株式会社 | 開閉装置 |
-
2020
- 2020-09-23 JP JP2020158989A patent/JP7093031B2/ja active Active
-
2021
- 2021-09-21 WO PCT/JP2021/034603 patent/WO2022065309A1/ja unknown
- 2021-09-21 US US18/245,421 patent/US11774955B1/en active Active
- 2021-09-21 CN CN202180064505.2A patent/CN116209964B/zh active Active
- 2021-09-21 EP EP21872438.3A patent/EP4220320A4/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006163517A (ja) * | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
| CN110431569A (zh) * | 2017-03-21 | 2019-11-08 | 首选网络株式会社 | 服务器装置、已学习模型提供程序、已学习模型提供方法以及已学习模型提供系统 |
| CN109581962A (zh) * | 2017-09-29 | 2019-04-05 | 发那科株式会社 | 数值控制系统 |
| CN109612037A (zh) * | 2017-10-04 | 2019-04-12 | 发那科株式会社 | 空调控制系统 |
| CN111102043A (zh) * | 2018-10-25 | 2020-05-05 | 丰田自动车株式会社 | 控制支援装置及方法、车辆、记录介质、用于使计算机发挥功能的已学习模型及生成方法 |
| CN111442483A (zh) * | 2020-03-30 | 2020-07-24 | 广东美的制冷设备有限公司 | 空气调节设备及其控制方法、装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116209964A (zh) | 2023-06-02 |
| EP4220320A4 (en) | 2024-04-03 |
| EP4220320A1 (en) | 2023-08-02 |
| US20230288921A1 (en) | 2023-09-14 |
| JP7093031B2 (ja) | 2022-06-29 |
| WO2022065309A1 (ja) | 2022-03-31 |
| US11774955B1 (en) | 2023-10-03 |
| JP2022052545A (ja) | 2022-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113266973A (zh) | 用于制冷系统的维护和诊断 | |
| CA2576789A1 (en) | System and method for detecting decreased performance in a refrigeration system | |
| EP3859249B1 (en) | Refrigerant leakage determination device, freezing device including this refrigerant leakage determination device, and refrigerant leakage determination method | |
| US11609010B2 (en) | Detection of refrigerant side faults | |
| JPWO2017149664A1 (ja) | 冷蔵庫 | |
| CN116209964B (zh) | 信息处理装置、信息处理方法及程序产品 | |
| EP3803234B1 (en) | Chiller suction flow limiting with input power or motor current control | |
| JP6653588B2 (ja) | 冷房機、及び、空気調和機 | |
| JP2020153573A (ja) | 情報処理装置、空気調和装置、情報処理方法、空気調和方法、及びプログラム | |
| AU2016420272B2 (en) | Air-conditioning apparatus | |
| JP2018071955A (ja) | 空気調和機 | |
| CN115978852A (zh) | 冷水机组的运行控制方法、装置、设备和存储介质 | |
| US9759468B2 (en) | System for controlling operation of an HVAC system having tandem compressors | |
| CN116097046B (zh) | 生成方法、信息处理装置、信息处理方法及学习完毕模型 | |
| EP3396262B1 (en) | Anti-slugging control method and control apparatus for air-conditioning system, and air-conditioning system | |
| CN109790984B (zh) | 用于空气调节和热水供给的系统 | |
| JP7284441B1 (ja) | 異常診断装置、方法、およびプログラム | |
| JP6394813B2 (ja) | 冷凍サイクルシステム | |
| WO2022050370A1 (ja) | 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル | |
| WO2023171005A1 (ja) | 冷熱機器診断システム | |
| CN117073131A (zh) | 空调设备 | |
| CN116017944A (zh) | 空调控制方法、装置及可读存储介质 | |
| JPH08285386A (ja) | ヒートポンプ式潜熱蓄冷装置 |
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 |