CN116997876A - 修正装置、预测装置、方法、程序及修正模型 - Google Patents

修正装置、预测装置、方法、程序及修正模型 Download PDF

Info

Publication number
CN116997876A
CN116997876A CN202280021248.9A CN202280021248A CN116997876A CN 116997876 A CN116997876 A CN 116997876A CN 202280021248 A CN202280021248 A CN 202280021248A CN 116997876 A CN116997876 A CN 116997876A
Authority
CN
China
Prior art keywords
model
correction
operation state
predicted value
predicted
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.)
Pending
Application number
CN202280021248.9A
Other languages
English (en)
Inventor
吉见学
笠原伸一
北出宏纪
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 CN116997876A publication Critical patent/CN116997876A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • 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
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • F24F11/36—Responding to malfunctions or emergencies to leakage of heat-exchange fluid
    • 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
    • G05B23/0235—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 based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold

Abstract

目的在于，在没有学习用的运行数据时，根据运行数据预测运行状态。根据本公开的一个实施方式的装置，进行与根据设备的运行数据预测出的运行状态的预测值相关的修正，具备：临时预测模型，将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习来得到；和修正部，进行与使用所述临时预测模型预测出的所述设备的运行状态的预测值相关的修正。

Description

修正装置、预测装置、方法、程序及修正模型
技术领域
本公开涉及一种修正装置、预测装置、方法、程序和修正模型。
背景技术
以往，公知有使用通过机器学习生成的预测模型，根据空调机等设备的运行数据预测该设备的运行状态，进行该设备的运行控制或故障诊断的系统(专利文献1)。
【现有技术文献】
【专利文献】
【专利文献1】日本特开2020-109581号公报
发明内容
【发明所要解决的课题】
但是，在新发售或改款设备时，没有学习用的运行数据。因此，为了实现在设备发售时使用预测值的功能，需要在设备发售之前收集学习用的数据。
在现场试验中收集数据的情况下，为了涵盖所有假定的运行条件，需要长期的试验。在试验室实施设定了运行条件的试验来收集数据的情况下，试验工时变得庞大。在设备发售后取得市场上的运行数据的情况下，在收集充分的数据并生成可靠性高的预测模型之前不能利用使用了预测值的功能。
本公开的目的在于，在没有学习用的运行数据时，根据运行数据预测运行状态。
根据本公开的第1方式的装置，进行与根据设备的运行数据预测出的运行状态的预测值相关的修正，具备：
临时预测模型，将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习来得到；和
修正部，进行与使用所述临时预测模型预测出的所述设备的运行状态的预测值相关的修正。
根据本公开的第1方式，在没有学习用的运行数据时，能够根据运行数据预测运行状态。
根据本公开的第2方式的装置是根据第1方式的装置，其中，
所述修正部生成对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正的修正模型。
根据本公开的第2方式，在没有用于生成预测模型的学习用的运行数据时，能够根据运行数据将其他设备的预测模型作为临时预测模型转用，生成用于预测运行状态的修正模型。
根据本公开的第3方式的装置是根据第2方式的装置，还具备：
取得部，通过向所述临时预测模型输入所述设备的运行数据并输出所述设备的运行状态，取得所述设备的运行状态的预测值；和
取得部，取得所述设备的运行状态的实测值，
所述修正部，将所述设备的运行状态的预测值和所述设备的运行状态的实测值相关联地进行机器学习。
根据本公开的第3方式，能够生成将设备的运行状态的预测值与该设备的运行状态的实测值相关联地进行了机器学习的修正模型。
根据本公开的第4方式的装置，具备：
运行数据取得部，取得设备的运行数据；
临时预测模型，将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习来得到；
修正模型，对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正；以及
预测部，使用所述临时预测模型，根据所述设备的运行数据预测所述设备的运行状态的预测值，使用所述修正模型，根据所述设备的运行状态的预测值对所述设备的运行状态的修正预测值进行预测。
根据本公开的第4方式，在没有用于生成预测模型的学习用的运行数据时，能够根据运行数据将其他设备的预测模型作为临时预测模型转用来预测运行状态。
根据本公开的第5方式的装置是根据第4方式的装置，其中，
所述预测部，
通过向所述临时预测模型输入所述设备的运行数据并输出所述设备的运行状态，取得所述设备的运行状态的预测值，
通过向所述修正模型输入所述设备的运行状态的预测值并输出所述设备的运行状态的修正预测值，来取得所述设备的运行状态的修正预测值。
根据本公开的第5方式，能够根据运行数据预测运行状态，并根据该运行状态预测修正预测值。
根据本公开的第6方式的装置是根据第5方式的装置，其中，
所述预测部，
还将所述设备的运行数据与所述设备的运行状态的预测值一并输入所述修正模型。
根据本公开的第6方式，能够提高预测的精度。
根据本公开的第7方式的装置是根据第4至第6方式中任一方式所述的装置，
用于生成所述修正模型的设备是与用于让所述预测部进行预测的设备同一机型的同一设备。
根据本公开的第7方式，能够使用由同一设备生成的修正模型，根据运行数据预测运行状态。
根据本公开的第8方式的装置是根据第4至第6方式中任一方式的装置，
用于生成所述修正模型的设备是与用于让所述预测部进行预测的设备同一机型的不同的一个或多个设备。
根据本公开的第8方式，由于使用从同一机型的不同设备取得的运行数据来生成修正模型，所以在修正模型生成中使用的数据量多，可以期待修正模型的修正精度的提高。
根据本公开的第9方式的装置是根据第4至第6方式中任一方式的装置，其中，
用于生成所述修正模型的设备，是与用于让所述预测部进行预测的设备同一机型的同一设备、以及同一机型的不同的一个或多个设备。
根据本公开的第9方式，由于使用从同一设备及不同设备取得的运行数据来生成修正模型，所以在修正模型生成中使用的数据量多，而且也使用同一设备的运行数据，所以能够期待修正模型的修正精度的提高。
根据本公开的第10方式的装置是根据第4至9方式中任一方式的装置，其中，
还具备更新部，将所述临时预测模型和所述修正模型更新为所述设备的预测模型。
根据本公开的第10方式，在运行数据已经充分累积之后，可以生成和替换设备的预测模型。
根据本公开的第11方式的装置是根据第4至9方式中任一方式的装置，其中，
还具备用于更新所述修正模型的更新部。
根据本公开的第11方式，可以使用最新的修正模型。
根据本公开的第12方式的装置是根据第1至11方式中任一方式的装置，其中，
所述设备的机型是机型与所述设备不同的设备的新机型。
根据本公开的第12方式，能够使用由旧机型生成的修正模型，根据新机型的运行数据预测运行状态。
根据本公开的第13方式的装置是根据第1至11方式中任一方式的装置，其中，
所述设备具有类似于机型与所述设备不同的设备的功能。
根据本公开的第13方式，能够使用由机型不同但具有类似功能的设备生成的修正模型，根据运行数据预测运行状态。
根据本公开的第14方式的装置是根据第1至13方式中任一方式的装置，其中，
所述设备是空调机。
根据本公开的第14方式，能够根据空调机的运行数据预测该空调机的运行状态。
根据本公开的第15方式的装置是根据第1至14方式中任一方式的装置，其中，
所述运行状态用于所述设备的制冷剂的泄漏、所述设备的故障和所述设备的控制中的至少一个。
根据本公开的第15方式，在没有学习用的运行数据时，能够根据设备的运行数据检测制冷剂的泄漏、检测设备的故障、控制设备。
根据本公开的第16方式的装置是根据第4方式的装置，其中，
所述预测部，
对所述设备的运行状态的预测值与所述设备的运行状态的实测值之差进行预测。
根据本公开的第16方式，能够根据预测值与实测值之差来预测修正预测值。
根据本公开的第17方式的装置是根据第1方式的装置，其中，
所述修正部利用使用所述临时预测模型预测出的所述设备的运行状态的预测值来修正进行异常判定时的阈值。
根据本公开的第17方式，能够修正异常判定的阈值。
根据本公开的第18方式的装置是根据第1方式的装置，其中，
所述修正部利用使用所述临时预测模型预测出的所述设备的运行状态的预测值对进行控制时的控制增益进行修正。
根据本公开的第18方式，可以修正设备的控制的控制增益。
根据本公开的第19方式的方法，进行与根据设备的运行数据预测出的运行状态的预测值相关的修正，包括：
进行修正的步骤，该修正与使用将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习得到的临时预测模型预测出的、所述设备的运行状态的预测值相关。
根据本公开的第20方式的程序，用于使进行与根据设备的运行数据预测出的运行状态的预测值相关的修正的计算机作为如下发挥功能：
进行修正的修正模型生成部，该修正与使用将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习得到的临时预测模型预测出的、所述设备的运行状态的预测值相关。
根据本公开的第21方式的方法，包括：
取得设备的运行数据的步骤；和
使用将与所述设备不同的设备的运行数据和运行状态作为教师数据进行机器学习得到的临时预测模型、以及对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正的修正模型，根据所述设备的运行数据，预测修正了所述设备的运行状态的预测值的修正预测值的步骤。
根据本公开的第22方式的程序，用于使计算机作为如下发挥功能：
运行数据取得部，取得设备的运行数据；和
预测部，使用将与所述设备不同的设备的运行数据和运行状态作为教师数据进行机器学习得到的临时预测模型、以及对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正的修正模型，根据所述设备的运行数据，预测修正了所述设备的运行状态的预测值的修正预测值。
根据本公开的第23方式的修正模型，
是对根据设备的运行数据预测出的运行状态的预测值进行修正的修正模型，用于使计算机发挥如下功能：
对使用将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习得到的临时预测模型预测出的、所述设备的运行状态的预测值进行修正。
附图说明
图1是用于说明本公开的概要的图。
图2是本公开的整体的结构例。
图3是根据本公开的一个实施方式的空调系统(制冷运行的情况)的硬件结构图。
图4是根据本公开的一个实施方式的空调系统(制暖运行的情况)的硬件结构图。
图5是根据本公开的一个实施方式的空调系统(冷暖同时运行的情况)的硬件结构图。
图6是根据本公开的一个实施方式的修正模型生成装置、预测装置、临时预测模型生成装置的硬件结构图。
图7是根据本公开的一个实施方式的修正模型生成装置的功能框图。
图8是根据本公开的一个实施方式的预测装置的功能框图。
图9是根据本公开的一个实施方式的临时预测模型生成处理的流程图。
图10是根据本公开的一个实施方式的修正模型生成处理的流程图。
图11是根据本公开的一个实施方式的预测处理的流程图。
图12是用于对根据本公开的一个实施方式的从临时预测模型和修正模型到预测模型的更新进行说明的图。
图13是用于对根据本公开的一个实施方式的修正模型的更新进行说明的图。
图14是用于对根据本公开的一个实施方式的修正模型生成的另一实施方式进行说明的图。
图15是用于对根据本公开的一个实施方式的异常判定的阈值的修正进行说明的图。
图16是用于对根据本公开的一个实施方式的设备的控制的控制增益的修正进行说明的图。
具体实施方式
以下，基于附图说明本公开的实施方式。
以下，对进行与根据设备的运行数据预测出的运行状态的预测值相关的修正的装置(以下，也称为修正装置)进行说明。修正装置具备：将与设备不同的设备的运行数据及运行状态作为教师数据进行了机器学习的临时预测模型；以及修正部，对使用临时预测模型预测的设备的运行状态的预测值进行修正。
具体而言，修正装置能够生成对使用临时预测模型预测的设备的运行状态的预测值进行修正的修正模型(实施方式1)。另外，修正装置能够使用利用临时预测模型预测出的设备的运行状态的预测值来修正异常判定时的阈值(实施方式2)。另外，修正装置能够修正使用利用临时预测模型预测出的设备的运行状态的预测值进行控制时的控制增益(实施方式3)。
[实施方式1]
<概要>
图1是用于说明本公开的概要的图。以下，按照<临时预测模型的生成>、<修正模型的生成>、<临时预测模型+修正模型下的运作>的顺序进行说明。例如，设备是空调。例如，机型A是新机型，机型B是旧机型。
<临时预测模型的生成>
首先，临时预测模型生成装置600生成临时预测模型10。具体而言，临时预测模型生成装置600通过使用教师数据进行机器学习(具体而言，将机型B的设备的运行数据和运行状态相关联进行机器学习)，生成临时预测模型(换句话说，机型B的模型)10。
<修正模型的生成>
接着，修正模型生成装置(作为修正装置的一例)400生成修正模型20。修正模型20是对运行状态的预测值进行修正的模型。
具体而言，修正模型生成装置400向临时预测模型(换句话说，机型B的模型)10输入机型A的设备的运行数据并输出运行状态，由此取得机型A的设备的运行状态的预测值。另外，修正模型生成装置400取得机型A的设备的运行状态的实测值(具体而言，根据机型A的设备的运行数据计算出的运行状态)。然后，修正模型生成装置400将机型A的设备的运行状态的预测值与机型A的设备的运行状态的实测值相关联地进行机器学习，由此生成修正模型20(另外，也可以将机型A的设备的运行状态的预测值和机型A的设备的运行数据与机型A的设备的运行状态的实测值相关联地进行机器学习)。在这种情况下，生成修正模型所需要的机型A的运行数据可以是短期运行数据，而不是通常为了生成机型A的预测模型所需要的长期的运行数据。例如，可以使用在机型A的开发时在试验室取得的运行数据或安装时的试运行数据等。
<临时预测模型+修正模型下的运作>
之后，开始模型A的设备的运作。预测装置500根据机型A的设备的运行数据预测运行状态。
具体而言，预测装置500向临时预测模型(换句话说，机型B的模型)10输入机型A的设备的运行数据并输出运行状态，由此取得机型A的设备的运行状态的预测值。另外，预测装置500通过向修正模型20输入机型A的设备的运行状态的预测值并输出运行状态的修正预测值，来取得机型A的设备的运行状态的修正预测值(另外，也可以将机型A的设备的运行状态的预测值和机型A的设备的运行数据输入到修正模型20中，取得机型A的设备的运行状态的修正预测值)。
这样，使用少量的机型A(例如，新机型)的设备的运行数据生成修正模型，通过使用该修正模型和基于机型B(例如，旧机型)的临时预测模型，不用生成机型A专用的预测模型，就能根据机型A的设备的运行数据预测运行状态。
<整体的结构例>
图2是本公开的整体的结构例。
如<实施例1>所示，预测装置500也可以安装在与空调系统100设置在同一建筑物等内的计算机上。此外，修正模型生成装置400也可以安装在远离空调系统100和预测装置500的云服务器上。
如<实施例2>所示，预测装置500也可以作为空调系统100的一部分来安装(例如，设置在室外机200或室内机300内)。此外，修正模型生成装置400也可以安装在远离空调系统100和预测装置500的云服务器上。
如<实施例3>所示，修正模型生成装置400和预测装置500也可以安装在远离空调系统100的云服务器上。另外，修正模型生成装置400和预测装置500也可以由1个装置安装。
如<实施例4>所示，修正模型生成装置400和预测装置500也可以安装在与空调系统100设置在同一建筑物等内的计算机上。另外，修正模型生成装置400和预测装置500也可以由1个装置安装。
如<实施例5>所示，修正模型生成装置400和预测装置500也可以作为空调系统100的一部分来安装(例如，设置在室外机200或室内机300内)。另外，修正模型生成装置400和预测装置500也可以由1个装置安装。
参照图3～图5说明空调系统100的硬件结构。另外，空调系统100既可以是大楼用多功能空调等多功能空调、以冷却器为热源的中央空调系统、店铺·办公室用空调、房间空调等任意的空调系统，也可以是冷暖气用途以外的冷藏·冷冻系统。空调系统100可以具有多个室内机300。多个室内机300可以包括不同性能的室内机，也可以包括相同性能的室内机，还可以包括停止中的室内机。
<空调系统的硬件结构(制冷运行时)>
图3是根据本公开的一个实施方式的空调系统(制冷运行的情况)100的硬件结构图。空调系统100具有室外机200以及1个或多个室内机300。
在图3的示例中，室外热交换器201、室外机主膨胀阀205、过冷却热交换器203、室内热交换器膨胀阀302、四路切换阀206、室内热交换器301、压缩机202通过制冷剂配管连接而构成主制冷剂回路。四路切换阀206以将压缩机202的排出气体向室外热交换器201供给的方式设定流路。在图3的示例中，在从室外热交换器201和过冷却热交换器203之间的配管往压缩机202的吸入侧的配管连接的旁通配管上还设置有过冷却热交换器的膨胀阀204。过冷却热交换器203是使通过了设置在从室外热交换器201和过冷却热交换器203之间往压缩机202的吸入侧的配管连接的旁通配管上的过冷却热交换器的膨胀阀204的制冷剂与主制冷剂回路内的制冷剂进行热交换的热交换器。另外，图3的旁路示例是一例。
<<室外机>>
在室外机200侧，室外热交换器201、压缩机202、过冷却热交换器203、过冷却热交换器的膨胀阀(旁通回路)204、室外机主膨胀阀(主制冷剂回路)205与配管连接。室外机200具有各种传感器(温度传感器(例如，热敏电阻)(1)、(3)、(4)、(6)、(7)以及压力传感器(2)、(5)等)。
<<室内机>>
在室内机300侧，室内热交换器301和室内热交换器膨胀阀302与配管连接。室内机300具有各种传感器(温度传感器(例如，热敏电阻)(8)、(9)等)。
<空调系统的硬件结构(制暖运行时)>
图4是根据本公开的一个实施方式的空调系统(制暖运行的情况)100的硬件结构图。空调系统100具有室外机200以及1个或多个室内机300。
在图4的示例中，室外热交换器201、压缩机202、四路切换阀206、室内热交换器301、室内热交换器膨胀阀302、过冷却热交换器203、室外机主膨胀阀205通过制冷剂配管连接而构成主制冷剂回路。四路切换阀206以将压缩机202的排出气体供给到室内热交换器301的方式设定流路。
<<室外机>>
在室外机200侧，室外热交换器201、压缩机202、过冷却热交换器203、过冷却热交换器的膨胀阀(旁通回路)204、室外机主膨胀阀(主制冷剂回路)205与配管连接。室外机200具有各种传感器(温度传感器(例如，热敏电阻)(1)、(3)、(4)、(6)、(7)以及压力传感器(2)、(5)等)。
<<室内机>>
在室内机300侧，室内热交换器301和室内热交换器膨胀阀302与配管连接。室内机300具有各种传感器(温度传感器(例如，热敏电阻)(8)、(9)等)。
<空调系统的硬件结构(冷暖同时运行时)>
本公开不仅适用于制冷运行、制暖运行，也适用于冷暖同时运行。以下，参照图5说明冷暖同时运行。
图5是根据本公开的一个实施方式的空调系统(冷暖同时运行的情况)100的硬件结构图。空调系统100通过3根连接配管将2分割结构的室外热交换器201-1、室外热交换器201-2和多个室内机连接，能够进行冷暖同时运行。在图5中，表示制冷主体运行的示例，室内机300-1以制暖模式运行，室内机300-2以制冷模式运行。此时，室外热交换器201-1作为冷凝器发挥作用，室外热交换器201-2作为蒸发器发挥作用。
<修正模型生成装置、预测装置、临时预测模型生成装置的硬件结构>
图6是根据本公开的一个实施方式的修正模型生成装置400、预测装置500、临时预测模型生成装置600的硬件结构图。
修正模型生成装置400、预测装置500、临时预测模型生成装置600具有CPU(Central Processing Unit)1、ROM(Read Only Memory)2、RAM(Random Access Memory)3。CPU1、ROM2、RAM3形成所谓的计算机。
另外，修正模型生成装置400、预测装置500、临时预测模型生成装置600可以具有辅助存储装置4、显示装置5、操作装置6、I/F(Interface)装置7。另外，修正模型生成装置400、预测装置500、临时预测模型生成装置600的各硬件经由总线8相互连接。
CPU1是执行安装在辅助存储装置4中的各种程序的运算设备。
ROM2是非易失性存储器。ROM2作为主存储设备发挥功能，该主存储设备存储由CPU1执行安装在辅助存储装置4中的各种程序所需的各种程序、数据等。具体而言，ROM2作为存储BIOS(Basic Input/Output System)或EFI(Extensible Firmware Interface)等的引导程序等的主存储设备发挥功能。
RAM3是DRAM(Dynamic Random Access Memory)、SRAM(Static Random AccessMemory)等的易失性存储器。RAM3作为主存储设备发挥功能，该主存储装置提供在由CPU1执行安装在辅助存储装置4中的各种程序时展开的工作区。
辅助存储装置4是存储各种程序、执行各种程序时使用的信息的辅助存储设备。
显示装置5是显示修正模型生成装置400、预测装置500、临时预测模型生成装置600的内部状态等的显示设备。
操作装置6是修正模型生成装置400、预测装置500、临时预测模型生成装置600的管理者对修正模型生成装置400、预测装置500、临时预测模型生成装置600输入各种指示的输入设备。
I/F装备7是用于连接到各种传感器或网络并与其它终端通信的通信设备。
<功能块>
以下，参照图7对修正模型生成装置400的功能块进行说明，参照图8对预测装置500的功能块进行说明。
图7是根据本公开的一个实施方式的修正模型生成装置400的功能框图。如图7所示，修正模型生成装置400具备学习部(修正模型生成部)401、预测值取得部402和实测值取得部403。另外，修正模型生成装置400通过执行程序，作为学习部(修正模型生成部)401、预测值取得部402、实测值取得部403发挥功能。以下，分别进行说明。
预测值取得部402取得机型A的设备的运行数据。另外，预测值取得部402向临时预测模型(换句话说，机型B的模型)10输入机型A的设备的运行数据，并输出运行状态的预测值。
实测值取得部403取得机型A的设备的运行状态的实测值(即，根据机型A的设备的运行数据计算出的运行状态)。另外，实测值取得部403能够根据机型A的设备的运行数据计算运行状态。
学习部(修正模型生成部(修正部的一例))401生成修正模型20。具体而言，学习部(修正模型生成部)401将预测值取得部402取得的机型A的设备的运行状态的预测值和实测值取得部403取得的机型A的设备的运行状态的实测值建立关联进行机器学习，由此生成修正模型20。
图8是根据本公开的一个实施方式的预测装置500的功能框图。如图8所示，预测装置500具备预测部501、运行数据取得部502和输出部503。另外，预测装置500通过执行程序，作为预测部501、运行数据取得部502、输出部503发挥功能。以下，分别进行说明。
运行数据取得部502取得运行数据(具体来说，机型A的设备的运行数据)。
预测部501将运行数据取得部502取得的机型A的设备的运行数据输入到临时预测模型(换句话说，机型B的模型)10并输出运行状态，由此取得机型A的设备的运行状态的预测值。另外，预测部501将机型A的设备的运行状态的预测值输入到修正模型20并输出运行状态的修正预测值，由此取得机型A的设备的运行状态的修正预测值。
输出部503输出预测部501预测的机型A的设备的运行状态的修正预测值。然后，该机型A的设备的运行状态的修正预测值可以用于检测机型A的设备的制冷剂的泄漏、检测机型A的设备的故障、控制机型A的设备。
<运行数据的示例>
这里，说明设备的运行数据的示例。
(例1)
例如，设备的运行数据，可包含以下之中至少1个：
·冷凝温度
·蒸发温度
·冷凝器出口温度
·蒸发器出口温度
·室外气温
·压缩机202的转速
·过冷却热交换器的膨胀阀204的开度
·压缩机202的电流值。
(例2)
例如，设备的运行数据除了上述运行数据(例1)之外，或者代替上述运行数据(例1)，可包含以下之中至少1个：
·室内机膨胀阀302的开度
·室外机主膨胀阀205的开度
·运行中或运行待机中的室内机额定能力的合计值
·室内机运行台数
·室内功能(制冷或制暖)
·室内机出风温度
·室温
·室外机液闭阀连接配管制冷剂温度(图3及图4的热敏电阻(4)检测到的连接配管液温)
·液体连接配管制冷剂温度(安装在室外机200外的外接传感器检测到的室外机200外侧的连接配管上的测量温度)
·室外机风扇风量
·室内机风扇风量
·室外机风扇转速(步距，抽头)
·室内机风扇转速(步距，抽头)
·室外机风扇电流值
·室内机风扇电流值
·制冷剂循环量
·压缩机202的排出温度
·压缩机202的吸入温度
·压缩机202的喷出过热度
·压缩机202的吸入过热度
·过冷却热交换器203的出口过冷却度(具有过冷却热交换器回路时)
·过冷却热交换器203的出口过热度(气体管侧)(具有过冷却热交换器回路时)
·节能器出口过冷却度(具有节能器回路时)
·节能器用膨胀阀的开度(具有节能器回路时)
·经济器旁通侧出口压力(具有经济器回路时)
·中间注入用膨胀阀的开度(具有中间注入回路时)
·中间注入温度(具有中间注入回路时)
·中间注入压力(如果有中间注入回路时)
·蒸发器入口水温(热源侧和利用侧的至少一方为水冷式时)
·蒸发器出口水温(热源侧和利用侧的至少一方为水冷式时)
·冷凝器入口水温(热源侧和利用侧的至少一方为水冷式时)
·冷凝器出口水温(热源侧和利用侧的至少一方为水冷式时)。
(例3)
例如，用于推论正常时的制冷剂量指标值的预测值的运行数据，除了上述运行数据(例1及例2)之外，或者代替上述运行数据(例1及例2)，可包含：
·除霜次数和除霜时间之中至少1个。
<运行状态的示例>
这里，说明设备的运行状态的示例。
(例1(制冷运行时))
例如，运行状态可包含以下之中至少1个：
·冷凝温度-室外热交换器201的出口温度(以下，也称为室外热交换器出口过冷却度。另外，过冷却度也被称为SC、Subcool)
·压缩机的吸入过热度(另外，过热度也被称为SH、超热度)
·压缩机的排出过热度
·室外热交换器出口过冷却度或压缩机的吸入过热度或压缩机的排出过热度的值。
例如，基于室外热交换器出口过冷却度的值是利用了室外热交换器出口过冷却度的运算值。例如，利用室外热交换器出口过冷却度的运算值，为：
·利用室外热交换器出口过冷却度的运算值＝室外热交换器出口过冷却度/(冷凝温度-外界气温)。
例如，基于室外热交换器出口过冷却度的值是根据制冷剂物性、冷冻循环线图(T-S、P-h线图)定义的值。
(例2(制冷运行时))
例如，运行状态除了上述制冷剂量指标值(例1)之外，或者代替上述制冷剂量指标值(例1)的室外热交换器出口过冷却度，可包含以下之中至少1个：
·过冷却热交换器出口过冷却度
·基于过冷却热交换器出口过冷却度的值。
(例3(制暖运行时))
在制暖运行的情况下，运行状态代替上述运行状态(例1和例2)，为：
·室内热交换器出口过冷却度和基于室内热交换器出口过冷却度的值中的至少一个。室内热交换器出口过冷却度是多个室内热交换器301的过冷却度中的至少1个、多个室内热交换器301的过冷却度的平均、多个室内热交换器301的室内侧合流点或室外侧合流点的过冷却度中的任意者。
(例4(冷暖同时运行时))
在冷暖同时运行的情况下，运行状态除了上述运行状态(例1和例2中的至少一方)之外，为：
·室内热交换器(图5的制暖室内机300-1的室内热交换器301)出口过冷却度和室外热交换器(图5的室外热交换器(冷凝器)201-1)出口过冷却度的组合。
<设备的示例>
以下，说明设备的示例。
例如，用于生成修正模型20的设备是与用于让预测装置500进行预测的设备同一机型的相同设备。
例如，用于生成修正模型20的设备是与用于让预测装置500进行预测的设备同一机型的不同的一个或多个设备。
例如，用于生成修正模型20的设备是与用于让预测装置500进行预测的设备同一机型的相同的设备、和同一机型的不同的1个或多个设备。
例如，设备的机型，是与设备不同机型的设备的新机型。换句话说，机型A是机型B的新机型。
例如，设备具有与作为与设备不同的机型的设备类似的功能。即，机型A和机型B具有类似的功能。
<方法>
以下，参照图9对临时预测模型生成处理进行说明，参照图10对修正模型生成处理进行说明，参照图11对预测处理进行说明。
图9是根据本公开的一个实施方式的临时预测模型生成处理的流程图。
在步骤11(S11)中，临时预测模型生成装置600取得教师数据(机型B的设备的运行数据以及运行状态)。另外，在机型B是机型A的旧机型、已经生成了机型B的预测模型的情况下，也可以将该预测模型作为临时模型，省略该处理。
在步骤12(S12)中，临时预测模型生成装置600通过使用在S11中取得的教师数据进行机器学习(具体而言，将机型B的设备的运行数据和运行状态相关联进行机器学习)，生成临时预测模型(换句话说，机型B的模型)10。
图10是根据本公开的一个实施方式的修正模型生成处理的流程图。
在步骤21(S21)中，预测值取得部402取得机型A的设备的运行数据。
在步骤22(S22)中，预测值取得部402对临时预测模型(换句话说，机型B的模型)10输入在S21中取得的机型A的设备的运行数据，并输出运行状态的预测值。
在步骤23(S23)中，实测值取得部403取得机型A的设备的运行状态的实测值(即，根据机型A的设备的运行数据计算出的运行状态)。
另外，S21、S22和S23的顺序可以相反，也可以同时进行。
在步骤24(S24)中，学习部(修正模型生成部)401生成修正模型20。具体而言，学习部(修正模型生成部)401将在S22中取得的机型A的设备的运行状态的预测值和在S23中取得的机型A的设备的运行状态的实测值建立关联地进行机器学习，由此生成修正模型20。
图11是根据本公开的一个实施方式的预测处理的流程图。
在步骤31(S31)中，运行数据取得部502取得运行数据(具体来说，机型A的设备的运行数据)。
在步骤32(S32)中，预测部501将在S31中取得的机型A的设备的运行数据输入到临时预测模型(换句话说，机型B的模型)10并输出运行状态，由此取得机型A的设备的运行状态的预测值。
在步骤33(S33)中，预测部501将在S32中取得的机型A的设备的运行状态的预测值输入到修正模型20并输出运行状态的修正预测值，由此取得机型A的设备的运行状态的修正预测值。
在步骤34(S34)中，输出部503输出S33的机型A的设备的运行状态的修正预测值。然后，该机型A的设备的运行状态的修正预测值可以用于检测机型A的设备的制冷剂的泄漏、检测机型A的设备的故障、控制机型A的设备。
<<从“临时预测模型+修正模型”到“预测模型”的更新>>
图12是用于对根据本公开的一个实施方式的从临时预测模型和修正模型到预测模型的更新进行说明的图。预测装置500可以具备将临时预测模型10和修正模型20更新为机型A的设备的预测模型的更新部504。这样，预测装置500在机型A的设备的运行数据被充分蓄积后，能够生成并置换机型A的设备的预测模型。
<<修正模型的更新>>
图13是用于对根据本公开的一个实施方式的修正模型的更新进行说明的图。预测装置500可以具备更新修正模型的更新部504。这样，预测装置500能够使用最新的修正模型。
<修正模型的生成例>
预测装置500能够预测设备的运行状态的预测值和设备的运行状态的实测值的差。参照图14进行详细说明。
图14是用于对根据本公开的一个实施方式的修正模型生成的另一实施方式进行说明的图。以下，按照<临时预测模型的生成>、<修正模型的生成>、<临时预测模型+修正模型下的运作>的顺序进行说明。
<临时预测模型的生成>
首先，临时预测模型生成装置600生成临时预测模型10。具体而言，临时预测模型生成装置600通过使用教师数据进行机器学习(具体而言，将设备B的运行数据和运行状态相关联进行机器学习)，生成临时预测模型(即，设备B的模型)10。
<修正模型的生成>
接着，修正模型生成装置(作为修正装置的一例)400生成修正模型20。修正模型20是对运行状态的基于临时预测模型10的预测值与运行状态的实测值的差进行预测的模型。
具体而言，修正模型生成装置400通过向临时预测模型(即，设备B的模型)10输入设备A的运行数据，来取得设备A的运行状态的预测值。另外，修正模型生成装置400取得设备A的运行状态的实测值(具体而言，根据设备A的运行数据计算出的运行状态)。另外，修正模型生成装置400取得设备A的运行数据。然后，修正模型生成装置400将设备A的运行状态的预测值、设备A的运行状态的实测值、设备A的运行数据相关联地进行机器学习，从而生成修正模型20。
<临时预测模型+修正模型下的运作>
之后，开始设备A的运作。预测装置500根据设备A的运行数据预测运行状态。
具体而言，预测装置500通过向临时预测模型(即，设备B的模型)10输入设备A的运行数据，来取得设备A的运行状态的预测值。另外，预测装置500通过向修正模型20输入设备A的运行数据，取得设备A的运行状态的预测值和实测值之差的预测值。然后，预测装置500根据设备A的运行状态的预测值和设备A的运行状态的预测值与实测值之差的预测值，取得修正后的运行状态的预测值。
以下，对实施方式2和实施方式3进行说明。另外，省略与实施方式1相同的内容的说明。
[实施方式2]
修正装置410能够使用利用临时预测模型预测出的设备的运行状态的预测值，修正对设备进行异常判定时的阈值。参照图15进行详细说明。
图15是用于说明根据本公开的一个实施方式的异常判定的阈值的修正的图。以下，按照<临时预测模型的生成和阈值的计算>、<异常判定的阈值的修正>、<临时预测模型+修正阈值下的运作>的顺序进行说明。
<临时预测模型的生成和阈值的计算>
首先，临时预测模型生成装置600生成临时预测模型10。具体而言，临时预测模型生成装置600通过使用教师数据进行机器学习(具体而言，将设备B的运行数据和运行状态相关联进行机器学习)，生成临时预测模型(即，设备B的模型)10。
进而，根据设备B的运行状态的预测值(具体而言，向临时预测模型10输入设备B的运行数据并输出运行状态)和设备B的运行状态的实测值(具体而言，根据设备B的运行数据计算出的运行状态)，计算设备B的阈值(设为ε_B)。例如，在设备B的运行状态量(＝设备B的运行状态量的实测值-设备B的运行状态量的基于临时预测模型10的预测值)的平均值为μ_b、标准偏差为σ_b的情况下，可以将设备B的阈值(ε_B)设为“μ_b-3×σ_b”。
<异常判定的阈值的修正>
接着，修正装置410对阈值进行修正。首先，通过向临时预测模型(即，设备B的模型)10输入设备A的运行数据，取得设备A的运行状态的预测值。在设备A的△运行状态量(＝设备A的运行状态量的实测值-设备A的运行状态量的基于临时预测模型10的预测值)的平均值为μ_a、标准偏差为σ_a的情况下，可以将设备A的阈值(ε_A)设为“μ_a-3×σ_a”。以此方式，阈值被从ε_B修正到ε_A。
<临时预测模型+修正阈值下的运作>
之后，开始设备A的运作。异常判定装置510根据设备A的运行数据判定异常。具体而言，异常判定装置510比较设备A的△运行状态量(＝设备A的运行状态量的实测值-设备A的运行状态量的基于临时预测模型10的预测值)和设备A的阈值(ε_A)，判定异常(例如，设备A的制冷剂的泄漏、设备A的故障)。
[实施方式3]
修正装置能够使用利用临时预测模型预测出的设备的运行状态的预测值，对控制设备时的控制增益进行修正。参照图16进行详细说明。
图16是用于对根据本公开的一个实施方式的设备的控制的控制增益的修正进行说明的图。以下，按照<临时预测模型的生成和控制增益的计算>、<修正控制增益的追加>、<临时预测模型+修正控制增益下的运作>的顺序进行说明。
<临时预测模型的生成和控制增益的计算>
首先，临时预测模型生成装置600生成临时预测模型10。具体而言，临时预测模型生成装置600通过使用教师数据进行机器学习(具体而言，将设备B的运行数据和运行状态相关联进行机器学习)，生成临时预测模型(即，设备B的模型)10。
进而，计算设备B的控制增益(设备B的输出(运行状态的实测值)/设备B的输入(运行数据的实测值))。另外，设设备B的控制增益为“K_B”。
<修正控制增益的追加>
接着，修正装置410计算追加的修正控制增益。另外，将修正控制增益(临时预测模型(即，设备B的模型)10的输出的修正系数)设为“K_c”。修正控制增益(K_c)是针对相同输入的“设备A的输出(运行状态的实测值)/临时预测模型(即，设备B的模型)10的输出(运行状态的预测值)”。因此，设备A的输出的预测值可以作为K_c×临时预测模型(即，设备B的模型)10的输出来计算。
<临时预测模型+修正控制增益下的运作(对内部模型控制(IMC)的应用示例)>
之后，开始设备A的运作。设备控制装置520使用临时预测模型(即，设备B的模型)10和作为临时预测模型(即，设备B的模型)10的输出的修正系数的修正控制增益(K_c)来控制设备A。具体而言，设备控制装置520进行控制，以使设备A的输出(运行状态的实测值)接近目标值。另外，在本实施方式中，追加了对临时预测模型(即，设备B的模型)10的输出进行修正的增益，但也可以追加对设备B的控制增益K_B进行修正的增益。
以上说明了实施方式，但可以理解，在不脱离权利要求的主旨及范围的情况下，可以进行形式及细节的各种变更。
本国际申请基于2021年3月18日提交的2021-044569号日本专利申请主张优先权，2021-044569号的全部内容在此引入本国际申请。
【符号的说明】
1 CPU
2 ROM
3 RAM
4 辅助存储装置
5 显示装置
6 操作装置
7 I/F装置
8 总线
10 临时预测模型
20 修正模型
100 空调系统
200 室外机
201 室外热交换器
201-1 室外热交换器(冷凝器)
201-2 室外热交换器(蒸发器)
202 压缩机
203 冷却热交换器热交换器
204 冷却热交换器膨胀阀
205 室外机主膨胀阀
206 四路切换阀
300 室内机
300-1 制暖室内机
300-2 制冷室内机
301 室内热交换器
302 室内热交换器膨胀阀
400 修正模型生成装置
401 学习部(修正模型生成部)
402 预测值取得部
403 实测值取得部
410 修正装置
500 预测装置
501 预测部
502 运行数据取得部
503 输出部
504 更新部
510 异常判定装置
520 设备控制装置
600 临时预测模型生成装置

Claims (23)

1.一种装置，进行与根据设备的运行数据预测出的运行状态的预测值相关的修正，具备：
临时预测模型，将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习来得到；和
修正部，进行与使用所述临时预测模型预测出的所述设备的运行状态的预测值相关的修正。
2.根据权利要求1所述的装置，其中，
所述修正部生成对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正的修正模型。
3.根据权利要求2所述的装置，还具备：
取得部，通过向所述临时预测模型输入所述设备的运行数据并输出所述设备的运行状态，取得所述设备的运行状态的预测值；和
取得部，取得所述设备的运行状态的实测值，
所述修正部，将所述设备的运行状态的预测值和所述设备的运行状态的实测值相关联地进行机器学习。
4.一种装置，具备：
运行数据取得部，取得设备的运行数据；
临时预测模型，将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习来得到；
修正模型，对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正；以及
预测部，使用所述临时预测模型，根据所述设备的运行数据预测所述设备的运行状态的预测值，使用所述修正模型，根据所述设备的运行状态的预测值对所述设备的运行状态的修正预测值进行预测。
5.根据权利要求4所述的装置，其中，
所述预测部，
通过向所述临时预测模型输入所述设备的运行数据并输出所述设备的运行状态，取得所述设备的运行状态的预测值，
通过向所述修正模型输入所述设备的运行状态的预测值并输出所述设备的运行状态的修正预测值，来取得所述设备的运行状态的修正预测值。
6.根据权利要求5所述的装置，其中，
所述预测部，
还将所述设备的运行数据与所述设备的运行状态的预测值一并输入所述修正模型。
7.根据权利要求4至6中任一项所述的装置，其中，
用于生成所述修正模型的设备是与用于让所述预测部进行预测的设备同一机型的同一设备。
8.根据权利要求4至6中任一项所述的装置，其中，
用于生成所述修正模型的设备是与用于让所述预测部进行预测的设备同一机型的不同的一个或多个设备。
9.根据权利要求4至6中任一项所述的装置，其中，
用于生成所述修正模型的设备，是与用于让所述预测部进行预测的设备同一机型的同一设备、以及同一机型的不同的一个或多个设备。
10.根据权利要求4至9中任一项所述的装置，其中，
还具备更新部，将所述临时预测模型和所述修正模型更新为所述设备的预测模型。
11.根据权利要求4至9中任一项所述的装置，其中，
还具备用于更新所述修正模型的更新部。
12.根据权利要求1至11中任一项所述的装置，其中，
所述设备的机型是与所述设备不同的设备的新机型。
13.根据权利要求1至11中任一项所述的装置，其中，
所述设备具有类似于与所述设备不同的设备的功能。
14.根据权利要求1至13中任一项所述的装置，其中，
所述设备是空调机。
15.根据权利要求1至14中任一项所述的装置，其中，
所述运行状态用于所述设备的制冷剂的泄漏、所述设备的故障和所述设备的控制中的至少一个。
16.根据权利要求4所述的装置，其中，
所述预测部，
对所述设备的运行状态的预测值与所述设备的运行状态的实测值之差进行预测。
17.根据权利要求1所述的装置，其中，
所述修正部利用使用所述临时预测模型预测出的所述设备的运行状态的预测值来修正进行异常判定时的阈值。
18.根据权利要求1所述的装置，其中，
所述修正部利用使用所述临时预测模型预测出的所述设备的运行状态的预测值对进行控制时的控制增益进行修正。
19.一种方法，进行与根据设备的运行数据预测出的运行状态的预测值相关的修正，包括：
进行修正的步骤，该修正与使用将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习得到的临时预测模型预测出的、所述设备的运行状态的预测值相关。
20.一种程序，用于使进行与根据设备的运行数据预测出的运行状态的预测值相关的修正的计算机作为如下发挥功能：
进行修正的修正部，该修正与使用将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习得到的临时预测模型预测出的、所述设备的运行状态的预测值相关。
21.一种方法，包括：
取得设备的运行数据的步骤；和
使用将与所述设备不同的设备的运行数据和运行状态作为教师数据进行机器学习得到的临时预测模型、以及对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正的修正模型，根据所述设备的运行数据，预测修正了所述设备的运行状态的预测值的修正预测值的步骤。
22.一种程序，用于使计算机作为如下发挥功能：
运行数据取得部，取得设备的运行数据；和
预测部，使用将与所述设备不同的设备的运行数据和运行状态作为教师数据进行机器学习得到的临时预测模型、以及对使用所述临时预测模型预测出的所述设备的运行状态的预测值进行修正的修正模型，根据所述设备的运行数据，预测修正了所述设备的运行状态的预测值的修正预测值。
23.一种对根据设备的运行数据预测出的运行状态的预测值进行修正的修正模型，用于使计算机发挥如下功能：
对使用将与所述设备不同的设备的运行数据及运行状态作为教师数据进行机器学习得到的临时预测模型预测出的、所述设备的运行状态的预测值进行修正。
CN202280021248.9A 2021-03-18 2022-03-18 修正装置、预测装置、方法、程序及修正模型 Pending CN116997876A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-044569 2021-03-18
JP2021044569 2021-03-18
PCT/JP2022/012808 WO2022196813A1 (ja) 2021-03-18 2022-03-18 補正装置、予測装置、方法、プログラム、および補正モデル

Publications (1)

Publication Number Publication Date
CN116997876A true CN116997876A (zh) 2023-11-03

Family

ID=83320537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280021248.9A Pending CN116997876A (zh) 2021-03-18 2022-03-18 修正装置、预测装置、方法、程序及修正模型

Country Status (5)

Country Link
US (1) US20240005212A1 (zh)
EP (1) EP4310615A1 (zh)
JP (2) JP7284435B2 (zh)
CN (1) CN116997876A (zh)
WO (1) WO2022196813A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10119738B2 (en) 2014-09-26 2018-11-06 Waterfurnace International Inc. Air conditioning system with vapor injection compressor
US11592215B2 (en) 2018-08-29 2023-02-28 Waterfurnace International, Inc. Integrated demand water heating using a capacity modulated heat pump with desuperheater

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3094191B2 (ja) * 1993-03-30 2000-10-03 株式会社日立製作所 プラントの自己学習診断、予測方法及び装置
CN105378392B (zh) * 2013-05-27 2018-10-26 三菱电机株式会社 空调装置
JP2020109581A (ja) 2019-01-07 2020-07-16 パナソニックＩｐマネジメント株式会社 診断方法、診断装置、診断システム及び診断プログラム
JP7347969B2 (ja) 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法
KR20210025365A (ko) * 2019-08-27 2021-03-09 엘지전자 주식회사 공기조화기의 진단방법
JP6791429B1 (ja) * 2019-09-09 2020-11-25 ダイキン工業株式会社 冷媒量判定装置、方法、およびプログラム
JP7176556B2 (ja) 2020-11-18 2022-11-22 味の素株式会社 支持体付き樹脂シート

Also Published As

Publication number Publication date
US20240005212A1 (en) 2024-01-04
WO2022196813A1 (ja) 2022-09-22
JP2022145655A (ja) 2022-10-04
JP2023116473A (ja) 2023-08-22
EP4310615A1 (en) 2024-01-24
JP7284435B2 (ja) 2023-05-31

Similar Documents

Publication Publication Date Title
AU2006324541B2 (en) Air conditioner
JP4799563B2 (ja) 空気調和装置、空気調和装置の冷媒充填方法、空気調和装置の冷媒充填状態判定方法、並びに空気調和装置の冷媒充填・配管洗浄方法
EP2472203B1 (en) Refrigerating and air-conditioning device
EP3279589B1 (en) Refrigeration device
US8670871B2 (en) Load processing balance setting apparatus
CN114341562A (zh) 制冷剂量判定装置、方法以及程序
EP2034261A1 (en) Air conditioner
CN116997876A (zh) 修正装置、预测装置、方法、程序及修正模型
EP2012079A1 (en) Air conditioner
JP4462096B2 (ja) 空気調和装置
JP5525965B2 (ja) 冷凍サイクル装置
EP3889523A1 (en) Refrigerant leakage determination system and refrigeration cycle device
KR20080081281A (ko) 공기 조화 장치
JP4826117B2 (ja) 冷媒漏洩検知システム
JP2006275303A (ja) 異常検知システム
JP2016084969A (ja) 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異常判定方法
US11774955B1 (en) Information processing apparatus, information processing method, and program
JP2011196599A (ja) 空気調和機および空気調和機の制御方法
WO2015128899A1 (ja) 空気調和装置
WO2023053673A1 (ja) 空気調和機及び空気調和システム
US20230235933A1 (en) Air conditioner
US20240142125A1 (en) Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner
JP2023051341A (ja) 情報処理システム、方法、およびプログラム
JP2023148485A (ja) 冷凍サイクル装置及び冷媒漏えいの通知方法
JP2023034884A (ja) 冷凍サイクル装置及び冷媒漏洩を判定する方法

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