JP2003140708A - 学習制御空調装置の教師データ作成方法 - Google Patents

Abstract

(57)【要約】 【課題】 ニューラルネットワークにより空調制御を行
う空調装置において、人的ミスが無く、かつ、早く、容
易に教師データを作成できるようにする。 【解決手段】 ニューラルネットワークの出力を汎用コ
ンピュータ２０でシフトさせ、シフトされた出力と、そ
の出力に対応する入力とを反映して教師データ２１をコ
ンピュータ２０に作成させる。これにより、人的ミスが
無く、かつ、早く、容易に教師データ２１を作成するこ
とができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ニューラルネット
ワークによって学習制御される空調装置において、教師
データを作成する方法に関するものである。

【０００２】

【従来の技術】特開平１１−３０１２３９号公報では、
上記学習制御空調装置を車両用の空調装置に適用したも
のが記載されている。この空調装置は、乗員の設定温度
操作等に基づいて学習するニューラルネットワークを備
えており、このニューラルネットワークにより算出され
た空調制御量に基づいて空調制御を行うものである。

【０００３】このような学習制御空調装置では、空調装
置を市場に出荷する前段階において、数万点〜数十万点
からなる教師データによりニューラルネットワークを学
習させて、ニューラルネットワークの結合係数を予め初
期設定しておくといったチューニング作業が必要とな
る。ここで、上記教師データに不具合があると、空調装
置の作動に対する乗員の温感、音感等の不満が多くなっ
てしまう。そこで従来では、以下の手順で教師データの
良否を評価しつつ、チューニング作業を行うようにして
いる。

【０００４】初めに、所定の教師データに基づいて学習
したニューラルネットワークを用いて空調装置を実際に
作動させる。そして、この作動に対する温感、音感等の
評価を、環境条件（例えば外気温度、日射量等）や乗員
操作（例えば設定温度等）の設定毎に行う（空調評
価）。なお、上記評価は、ニューラルネットワークの出
力項目（例えばフェイス吹出温度、風量、吹出口モー
ド）毎に行う。

【０００５】その後、上記評価に基づいて、温感、音感
等の評価に不満があったポイントを抽出し、教師データ
をどのように変更したら不満が解消されるかを検討する
（空調評価結果検討）。そして、上記検討に基づいて
前記所定の教師データを変更して作成する（教師デー
タ作成）。

【０００６】そして、変更作成された教師データに基づ
いて再度ニューラルネットワークを学習させる（学
習）。そして、再度学習したニューラルネットワークの
出力と教師データの出力データとの誤差が、所定の誤差
範囲に収まっているか否かを検証する（学習誤差検
証）。なお、所定誤差範囲に収まっていない場合には、
再度教師データ作成および学習の作業を行い、所定
誤差範囲に収まるようにする。

【０００７】そして、所定誤差範囲に収まった状態のニ
ューラルネットワークをＲＯＭに搭載し（ＲＯＭ搭
載）、ＲＯＭに搭載されたニューラルネットワークによ
り実際に空調装置を作動させてみて不具合の有無をチェ
ックする（ＲＯＭチェック）。その後、上記空調評
価の作業を再度行う（再空調評価）。

【０００８】

【発明が解決しようとする課題】しかし、上記手番〜
のうち、手番の空調評価結果検討の作業は、手作業
で評価結果を解析して教師データ改良ポイントを割り出
す作業となるため、非常に繁雑な作業であり、人的ミス
が発生しやすい。

【０００９】さらに、手番の空調評価において、環境
条件や乗員操作の設定を変えると、１つの出力項目（例
えばフェイス吹出温度）のみならず、他の出力項目（例
えば風量や吹出口モード）も変化してしまうため、最適
な出力を探すのが困難であり、作業時間も増大する。

【００１０】本発明は、上記点に鑑み、ニューラルネッ
トワークにより空調制御を行う空調装置において、人的
ミスが無く、かつ、早く、容易に教師データを作成でき
るようにすることを目的とする。

【００１１】

【課題を解決するための手段】上記目的を達成するた
め、請求項１に記載の発明では、ニューラルネットワー
クによって算出された空調制御量に基づいて空調制御を
行う学習制御空調装置において、ニューラルネットワー
クの結合係数を計算するために用いる教師データの作成
方法であって、ニューラルネットワークの出力をコンピ
ュータ（２０）でシフトさせ、シフトされた出力と、そ
の出力に対応する入力とを反映して教師データ（２１）
をコンピュータ（２０）に作成させることを特徴とす
る。

【００１２】これにより、人的ミスが無く、かつ、早
く、容易に教師データ（２１）を作成することができ
る。

【００１３】請求項２に記載の発明では、ニューラルネ
ットワークによって算出された空調制御量に基づいて空
調制御を行う学習制御空調装置において、ニューラルネ
ットワークの結合係数を計算するために用いる教師デー
タの作成方法であって、ニューラルネットワークの出力
項目毎に、その出力をコンピュータ（２０）でシフトさ
せることを特徴とする。

【００１４】これにより、人的ミスが無く、かつ、早
く、容易に教師データ（２１）を作成することができ
る。

【００１５】請求項３に記載の発明では、コンピュータ
は、学習制御空調装置と通信可能な外部のコンピュータ
（２０）であることを特徴とする。これにより、例え
ば、フェイス目標吹出温度や日射補正量などのように、
通常の学習制御空調装置では操作できない空調制御量を
も外部のコンピュータ（２０）を用いてシフト操作でき
る。

【００１６】請求項４に記載の発明では、作成した教師
データ（２１）の内容をコンピュータ（２０）で確認可
能としたことを特徴とする。これにより、シフト操作し
た結果、教師データ（２１）の変更度合がどのくらいの
範囲に影響したかを確認することができる。

【００１７】ところで、空調制御量の変化が急激である
部分の学習は困難である。これに対し、請求項５に記載
の発明では、シフトされた出力が空調制御量の変化を急
激にさせるものとなった場合には、急激になった部分の
変化が緩やかになるように補正して教師データ（２１）
を作成することを特徴とするので、学習の困難な、空調
制御量の変化が急激な部分を、教師データ（２１）作成
時点で無くすことができる。よって、学習を容易に行え
る。

【００１８】また、請求項６に記載の発明では、シフト
された出力が空調制御量の変化を急激にさせるものとな
った場合には、急激になった部分付近の教師データ数を
増やして教師データ（２１）を作成することを特徴とす
るので、学習の困難な、空調制御量の変化が急激な部分
の教師データ（２１）の数を増やして、学習時になるべ
く学習結果が教師データ（２１）にフィットするように
できる。

【００１９】請求項７に記載の発明では、ニューラルネ
ットワークによって算出された空調制御量に基づいて空
調制御を行う学習制御空調装置において、ニューラルネ
ットワークの結合係数を計算するために用いる教師デー
タ（２１）の作成をコンピュータ（２０）に実行させる
ためのプログラムであって、ニューラルネットワークの
出力をコンピュータ（２０）でシフトさせ、シフトされ
た出力と、その出力に対応する入力とを反映して教師デ
ータ（２１）をコンピュータ（２０）に作成させること
を特徴とする。これにより、請求項１に記載の発明の効
果と同様の効果をコンピュータに発揮させることができ
る。

【００２０】また、請求項８に記載の発明では、ニュー
ラルネットワークの出力項目毎に、その出力を前記コン
ピュータ（２０）でシフトさせることを特徴とする。こ
れにより、請求項２に記載の発明の効果と同様の効果を
コンピュータに発揮させることができる。

【００２１】なお、上記各手段の括弧内の符号は、後述
する実施形態に記載の具体的手段との対応関係を示す一
例である。

【００２２】

【発明の実施の形態】以下、本発明を図に示す実施形態
について説明する。

【００２３】（第１実施形態）本実施形態は、ニューラ
ルネットワークによって学習制御される空調装置のうち
車両用空調装置に、本発明の教師データの作成方法を適
用したものである。図１は、車両用空調装置に備えられ
た空調用電子制御装置（以下、エアコンＥＣＵという）
１０および本実施形態の教師データ作成方法を行うため
の汎用コンピュータ２０等のハード構成を示す模式図で
あり、前記車両用空調装置は特開平１１−３０１２３９
号公報に記載の車両用空調装置と同様のものである。

【００２４】このエアコンＥＣＵ１０は、乗員の設定温
度操作等に基づいて学習するニューラルネットワークを
備えており、このニューラルネットワークにより算出さ
れた空調制御量に基づいて車両用空調装置の空調制御を
行うものである。なお、エアコンＥＣＵ１０は、特開平
１１−３０１２３９号公報に記載のＥＣＵと同様のもの
であり、周知のマイクロコンピュータ（空調用コンピュ
ータ）とその周辺回路との組み合わせからなるものであ
る。

【００２５】なお、この車両用空調装置には、車室内の
設定温度ｔｓｅｔを設定する温度設定器が設けられてい
る。この温度設定器は車両計器盤の空調操作パネルに設
けられ、手動操作される温度設定手段である。また、車
両用空調装置には、車室内の内気温ｔｒを検出する内気
センサと車室外の外気温ｔａｍを検出する外気センサが
設けられ、さらに、車室内への日射量ｔｓを検出する日
射センサ、エバポレータの冷却温度（吹出空気温度）ｔ
ｅを検出するエバポレータ温度センサ、およびヒータコ
アに流入する温水の温度Ｔｗを検出する水温センサが設
けられている。

【００２６】そして、エアコンＥＣＵ１０は、温度設定
信号ｔｓｅｔ、内気温センサ信号ｔｒ、および外気温セ
ンサ信号ｔａｍ等を入力とし、ニューラルネットワーク
により目標吹出温度ｔａｏ、ブロワ電圧ＶＭ等を算出す
る算出手段として機能する。

【００２７】次に、ニューラルネットワークの概要につ
いて簡単に説明すると、ニューラルネットワークは、あ
る入力信号（例えば、ｔｓｅｔ、ｔａｍ、ｔｒ）を与え
たときに、その出力が、予め設定された所望の値（教師
データ）になるように、ニューラルネットワークの結合
係数（シナプス荷重）を修正するという誤差逆伝播学習
機能（バックプロパーゲーション機能）を備えた階層構
造のネットワークである。

【００２８】そして、教師データを変更した場合は、再
び、ある入力信号に対する出力が変更後の教師データと
なるように、繰り返し「学習」させることにより、結合
係数（シナプス荷重）を修正する。つまり、多量のデー
タ（教師データ）からその相関関数（結合係数）を自動
生成する特徴を持っている。

【００２９】ところで、このような学習制御機能を有す
る車両用空調装置では、空調装置を市場に出荷する前段
階において、数万点〜数十万点からなる教師データによ
りニューラルネットワークを学習させて、ニューラルネ
ットワークの結合係数を予め初期設定しておくといった
チューニング作業が必要となる。ここで、上記教師デー
タに不具合があると、空調装置の作動に対する乗員の温
感、音感等の不満が多くなってしまう。

【００３０】そこで本実施形態では、図２のフローチャ
ートに示す手順で、教師データの良否を評価しつつチュ
ーニング作業を行っている。

【００３１】初めに、所定の教師データに基づいて学習
したニューラルネットワークを用いて空調装置を実際に
作動させる。そして、この作動に対する温感、音感（例
えば送風機の騒音に対する音感）等の評価を、環境条件
（例えば、ｔａｍ、ｔｒ、ｔｓ等）や乗員操作（例えば
ｔｓｅｔ等）の設定毎に行う（空調評価（ステップＳ１
０））。

【００３２】その後、上記評価に基づいて、温感、音感
等の評価に不満があったポイントを抽出し、教師データ
をどのように変更したら不満が解消されるかを検討する
（空調評価結果検討（ステップＳ２０））。

【００３３】そして、汎用コンピュータ２０を用いて、
上記検討に基づいて前記所定の教師データを、後に詳述
する方法で変更して作成する（教師データ作成（ステッ
プＳ３０））。なお、図１の符号２１は、ステップＳ３
０で変更作成された教師データ群を示しており、汎用コ
ンピュータ２０のディスプレイ（表示装置）２２に表示
されている。

【００３４】また、この教師データ２１の入力値は、車
室内温度ｔｒと設定温度ｔｓｅｔｄとの差から決定され
る偏差値ｔｄｄ、外気温度ｔａｍ、日射量ｔｓであり、
出力値（空調制御量）はブロワ電圧ＶＭである。なお、
本実施形態の車両用空調装置は車室内の運転席側と助手
席側とを左右独立に空調可能なものであり、前記偏差値
ｔｄｄは、運転席側の前席設定温度ｔｓｅｔｄと前席車
室内温度ｔｒとの偏差値ｔｄである。

【００３５】ところで、エアコンＥＣＵ１０は、当該車
両に搭載された他のＥＣＵと通信線Ｗにより接続されて
おり、所定の通信プロトコル（例えばＣＡＮ）により通
信可能になっている。そして、汎用コンピュータ１０に
は通信線Ｗを接続するための通信線接続用カード２２が
備えられており、このカード２２に通信線Ｗを接続する
ことにより、エアコンＥＣＵ１０と汎用コンピュータ２
０とが、上記通信プロトコルで通信可能になっている。

【００３６】これにより、ステップＳ３０では、エアコ
ンＥＣＵ１０からｔｒ、ｔａｍ、ｔｓ等のデータを汎用
コンピュータ２０に入力し、これらの入力データを用い
て教師データ２１を作成することができる。そして、車
両にもともと存在する通信線Ｗおよび通信プロトコルを
利用することにより、空調用コンピュータのハード改造
を無くすことができる。或いは、このようなハード改造
を最小限に抑えることができる。よって、学習制御空調
装置の設計費のコストダウンを図ることができる。

【００３７】次に、変更作成された教師データ２１の入
力値と出力値とをデータ補間（例えば線形補間、最近傍
点補間、キュービック補間等）して最適化関数を計算
し、空調装置作動中の入力値（この場合はｔｄｄ、ｔａ
ｍ、ｔｓ）に対する最適化関数の演算値を出力値（この
場合はＶＭ）とする（エミュレータ組み込み（ステップ
Ｓ４０））。本実施形態ではデータ補間として線形補間
を採用しているため、最適化関数を計算する時間は、従
来の手番によりニューラルネットワークを学習させる
時間に比べて極めて短時間で済む。

【００３８】なお、汎用コンピュータ１０には上記のよ
うにデータ補間して最適化関数を計算するアプリケーシ
ョンソフト（例えばＭＡＴＬＡＢ）がインストールされ
ている。

【００３９】次に、最適化関数の演算値である出力値
（ｔａｏｄ）をエアコンＥＣＵ１０に送信し、この送信
された出力値（ｔａｏｄ）に基づいて、実際に車両用空
調装置を作動させてみる。そして、通信入出力値、演算
値に不具合がないかを検証する（作動チェック（ステッ
プＳ５０））。

【００４０】ここで、このように検証するにあたり、空
調装置の作動が教師データ２１のうちいずれの部分のデ
ータに基づくものかを、図１の符号２２ａに示すように
ディスプレイ２２に表示するようにしている。これによ
り、空調内容に不満があった時、教師データ２１が悪い
のか、ニューラルネットワーク以外の制御が悪いのかが
判断しやすくなる。

【００４１】次に、空調の再評価を行い、ステップＳ２
０での不満が軽減されているかを確認する（再空調評価
（ステップＳ６０））。

【００４２】なお、入出力値はセンサ信号等をそれぞれ
０〜１に規格化（正規化）されたものであり、実際に出
力された値は、０〜１から逆変換する作業が必要であ
る。例えば、内気センサにより検出される内気温Ｔｒの
実際の検出範囲は、通常、０℃〜５０℃であり、この検
出値を規格化部で０〜１に割り当て、ニューラルネット
ワークの入力層に入力する。出力層からの出力結果も０
〜１の値が出力されるので、出力変換部において予め設
定された変換マップによってセンサ信号等に対応する実
際の値に逆変換される。

【００４３】次に、本発明の要部である、ステップＳ３
０における教師データ２１の作成方法を説明する。

【００４４】図３は、汎用コンピュータ２０により教師
データ２１を作成させる作動を示すフローチャートであ
り、初めに、ステップＳ１０で用いた所定の教師データ
２１を汎用コンピュータに読み込む（ステップＳ３１
０）。

【００４５】次に、専用プログラムを用いて、読み込ん
だ所定の教師データ２１を線形補間して制御パターンを
作成する（ステップＳ３２０）。以下にその作成手順を
説明すると、図４は、ブロワ電圧ＶＭの制御パターンを
示す、偏差値ｔｄｄとブロワ電圧ＶＭとの特性図であ
り、この特性図は、図１に示すように汎用コンピュータ
２０のディスプレイ２２に表示される。

【００４６】また、ディスプレイ２２には、空調装置の
作動が教師データ２１のうちいずれの部分のデータに基
づくものかが、図１の符号２２ａに示すように表示され
る。これにより、空調内容に不満があった時、教師デー
タ２１が悪いのか、ニューラルネットワーク以外の制御
が悪いのかが判断しやすくなる。

【００４７】さらに、ディスプレイ２２には、ブロワ電
圧ＶＭの制御パターンをシフトさせるツールバーＡと、
フェイス吹出温度ＴＡＶの制御パターンをシフトさせる
ツールバーＢとが表示される。ここで、図４（ａ）に示
す特性図中の点線は、ステップＳ１０で用いた所定の教
師データ２１によるオリジナル制御パターンを示してお
り、上記ツールバーＡ、Ｂを操作することにより、制御
パターンをシフトさせることができる。

【００４８】具体的には、ツールバーＡを用いて、オリ
ジナル制御パターン上のデータＤ１をデータＤ２に変更
する１回目の操作を行うと、データＤ２を通るようにオ
リジナル制御パターンの傾斜の部分が平行移動（シフ
ト）する。この１回目の変更操作を学習した後のブロワ
電圧特性ＶＭは図４（ａ）の実線に示す制御パターンと
なる。

【００４９】次に、ステップＳ３２０にて上記ツールバ
ーＡの操作によりブロワ電圧ＶＭの制御パターンが変更
されているか否かを判定する（ステップＳ３３０）。そ
して、変更があったと判定されればステップＳ３４０に
進み、上記ツールバーＡの操作を学習し、制御パターン
を変更する。

【００５０】この変更の具体例を以下に説明すると、図
４（ｂ）に示す特性図中の一点鎖線は、１回目の学習後
の制御パターンを示しており、１回目学習後制御パター
ン上のデータＤ３をデータＤ４に変更する２回目の操作
を行うと、データＤ２およびデータＤ４を通るように１
回目学習後制御パターンの傾斜の傾きを変更する。この
２回目の変更操作を学習した後のブロワ電圧特性ＶＭは
図４（ｂ）の実線に示す制御パターンとなる。

【００５１】図４（ｃ）に示す特性図中の二点鎖線は、
２回目の学習後の制御パターンを示しており、２回目学
習後制御パターン上のデータＤ５をデータＤ６に変更す
る３回目の操作を行うと、２回目学習後制御パターン
を、データＤ２、データｄ４、データＤ６を最小二乗近
似する傾きに変更して線形補間する。この３回目の変更
操作を学習した後のブロワ電圧特性ＶＭは図４（ｃ）の
実線に示す制御パターンとなる。

【００５２】そして、３回目以上の変更操作に対して
は、変更後の各データを最小二乗近似する傾きを求めて
制御パターンを作成する。そして、以上の学習が終了し
た場合およびステップＳ３３０にて変更がなかったと判
定された場合には、ステップＳ３５０に進む。

【００５３】そして、ステップＳ３５０にて評価試験が
終了したか否かを判定し、終了していなければステップ
Ｓ３３０に戻り、終了していればステップＳ３６０に進
み、ステップＳ３４０で学習した制御パターンから、所
定間隔でデータをサンプリングし、これらのサンプリン
グデータに基づいて教師データ２１を専用プログラムを
用いて作成する。

【００５４】以上により本実施形態によれば、ステップ
Ｓ３０において、シフトされた出力であるブロワ電圧Ｖ
Ｍと、そのブロワ電圧ＶＭに対応する偏差値ｔｄｄ等と
を反映して最終的な教師データ２１を汎用コンピュータ
２０に作成させて、その教師データ２１を用いてニュー
ラルネットワークを学習させることができる。よって、
人的ミスが無く、かつ、早く、容易に教師データ２１を
作成することができる。

【００５５】また、本実施形態によれば、作成した教師
データ２１の内容を汎用コンピュータ２０のディスプレ
イ２２で確認可能となるので、シフト操作した結果、教
師データ２１の変更度合がどのくらいの範囲に影響した
かをディスプレイ２２上で確認することができる。

【００５６】また、本実施形態によれば、学習制御空調
装置と通信可能な外部の汎用コンピュータ２０を用いて
教師データ２１を作成するので、例えば、フェイス目標
吹出温度ＴＡＶや日射補正量ｔｓなどのように、通常の
学習制御空調装置では操作できない空調制御量をも、汎
用コンピュータ２０を用いてシフト操作できる。

【００５７】また、本実施形態によれば、汎用コンピュ
ータ２０におけるツールバーＢを用いて、フェイス吹出
温度ＴＡＶの制御パターンを設定できるので、通常、車
両計器盤の空調操作パネルからは設定操作できない空調
制御量（ＴＡＶ）を設定でき、教師データ２１の作成を
容易にできる。

【００５８】また、本実施形態によれば、ステップＳ４
０がエミュレート手段として機能し、教師データ２１を
用いて、エアコンＥＣＵ１０に代わって汎用コンピュー
タ２０が出力値（ＶＭ）を直接算出することができる。
よって、従来膨大な時間がかかっていた手番の学習作
業を省いて教師データ２１の良否を評価できるととも
に、時間のかからない簡易な手法で出力値（ＶＭ）を直
接算出できるので、教師データ２１の評価日数を短縮す
ることができ、ひいては学習制御空調装置の設計費のコ
ストダウンを図ることができる。

【００５９】（第２実施形態）図５は、本実施形態のエ
アコンＥＣＵ１０および汎用コンピュータ２０等のハー
ド構成を示す模式図であり、ハード構成は第１実施形態
と同様である。そして、第１実施形態ではディスプレイ
２２に、ブロワ電圧ＶＭの制御パターンをシフトさせる
ツールバーＡと、フェイス吹出温度ＴＡＶの制御パター
ンをシフトさせるツールバーＢとを表示させていたが、
本実施形態では、これらのツールバーＡ、Ｂに加え、ツ
ールバーＣ、Ｄ、Ｅ、Ｆをも表示させている。

【００６０】これらのツールバーＡ〜Ｆは、ニューラル
ネットワークの出力項目毎に、その出力をコンピュータ
２０でシフトさせるものであり、具体的には、ツールバ
ーＣは運転席側の目標吹出温度ｔａｏｄの制御パターン
を、ツールバーＤは助手席側の目標吹出温度ｔａｏｐの
制御パターンを、ツールバーＥは日射量ｔｓの制御パタ
ーンを、ツールバーＦは吹出口モード算出値ｓの制御パ
ターンを、それぞれシフトさせるものである。

【００６１】図６は、本実施形態に係る、汎用コンピュ
ータ２０により教師データ２１を作成させる作動を示す
フローチャートであり、第１実施形態の図３に示すフロ
ーチャートのステップＳ３３０を図６に示すステップＳ
３３１に変更したものであり、その他のステップは第１
実施形態と同様である。

【００６２】そして、ステップＳ３２０ではツールバー
Ａ〜Ｆの操作により各制御パターンを変更できるように
なっており、ステップＳ３３１にて、これらのツールバ
ーＡ〜Ｆ操作により制御パターンの変更がなされたか否
かを判定するようになっている。

【００６３】（第３実施形態）図７は、本実施形態に係
る、汎用コンピュータ２０により教師データ２１を作成
させる作動を示すフローチャートであり、第１実施形態
の図３に示すフローチャートのステップＳ３４０を図７
に示すステップＳ３４１、Ｓ３４２、Ｓ３４３に変更し
たものである。

【００６４】ステップＳ３４１では、第１実施形態の図
４に示す要領で制御パターンを変更させたのと同じよう
に制御パターンを変更させる。そして、この変更により
シフトされた制御パターンがブロワ電圧ＶＭの変化を急
激にさせたか否かを、ステップＳ３４２にて判定する。
本実施形態では、偏差値ｔｄｄ１℃当たりのブロワ電圧
ＶＭの変化が１．６Ｖより大きいか否かにより上記判定
を行うようにしている。

【００６５】そして、ステップＳ３４２にて、ブロワ電
圧ＶＭの変化が急激に変化する制御パターンであると判
定した場合には、図７のステップＳ３４３に示すよう
に、ステップＳ３４３にて急激になった部分の変化が緩
やかになるように補正する。その後、第１実施形態の図
３に示すステップＳ３５０に進み、以降、第１実施形態
と同様のフローチャートで作動する。

【００６６】以上により、本実施形態によれば、シフト
された出力が空調制御量の変化を急激にさせるものとな
った場合には、急激になった部分の変化が緩やかになる
ように補正して教師データ２１を作成するので、学習の
困難な、空調制御量の変化が急激な部分を、教師データ
２１作成時点で無くすことができる。よって、学習を容
易に行える。

【００６７】（第４実施形態）図８は、本実施形態に係
る、汎用コンピュータ２０により教師データ２１を作成
させる作動を示すフローチャートであり、第３実施形態
の図７に示すフローチャートのステップＳ３４２、Ｓ３
４３を廃止し、第１実施形態の図３に示すフローチャー
トのステップＳ３５０とステップＳ３６０との間に、図
８に示すステップＳ３５１およびＳ３５２を追加したも
のである。

【００６８】ステップＳ３５１では、図７に示すステッ
プＳ３４２と同様にして、ステップＳ３４１にて変更さ
れた制御パターンがブロワ電圧ＶＭの変化を急激にさせ
たか否かを判定する。

【００６９】そして、ステップＳ３５２にて、ブロワ電
圧ＶＭの変化が急激に変化する制御パターンであると判
定した場合には、図８のステップＳ３５２に示すよう
に、ステップＳ３４３にて急激になった部分付近の教師
データ数を増やす。なお、図中のアンダーラインに示す
教師データが増加されたデータである。

【００７０】これにより、シフトされた出力が空調制御
量の変化を急激にさせるものとなった場合には、急激に
なった部分付近の教師データ数を増やして教師データ２
１を作成するので、学習の困難な、空調制御量の変化が
急激な部分の教師データの数を増やして、学習時になる
べく学習結果が教師データ２１にフィットするようにで
きる。

【図面の簡単な説明】

【図１】本発明の第１実施形態に係るエアコンＥＣＵお
よび汎用コンピュータ等のハード構成を示す模式図であ
る。

【図２】第１実施形態に係る教師データの良否を評価し
つつチューニング作業を行う手順を示すフローチャート
である。

【図３】第１実施形態に係る汎用コンピュータにより教
師データを作成させる作動を示すフローチャートであ
る。

【図４】第１実施形態に係るブロワ電圧ＶＭの制御パタ
ーンを示す特性図であり、（ａ）は１回目学習後の制御
パターンを示す特性図であり、（ｂ）は２回目学習後の
制御パターンを示す特性図であり、（ｃ）は３回目学習
後の制御パターンを示す特性図である。

【図５】本発明の第２実施形態に係るエアコンＥＣＵお
よび汎用コンピュータ等のハード構成を示す模式図であ
る。

【図６】第２実施形態に係る汎用コンピュータにより教
師データを作成させる作動を示すフローチャートであ
る。

【図７】本発明の第３実施形態に係る汎用コンピュータ
により教師データを作成させる作動を示すフローチャー
トである。

【図８】本発明の第４実施形態に係る汎用コンピュータ
により教師データを作成させる作動を示すフローチャー
トである。

【符号の説明】

２０…汎用コンピュータ、２１…教師データ。

Claims (8)

【特許請求の範囲】
1. 【請求項１】 ニューラルネットワークによって算出さ
   れた空調制御量に基づいて空調制御を行う学習制御空調
   装置において、前記ニューラルネットワークの結合係数
   を計算するために用いる教師データ（２１）の作成方法
   であって、 前記ニューラルネットワークの出力をコンピュータ（２
   ０）でシフトさせ、 前記シフトされた出力と、その出力に対応する入力とを
   反映して前記教師データ（２１）を前記コンピュータ
   （２０）に作成させることを特徴とする教師データ作成
   方法。
2. 【請求項２】 ニューラルネットワークによって算出さ
   れた空調制御量に基づいて空調制御を行う学習制御空調
   装置において、前記ニューラルネットワークの結合係数
   を計算するために用いる教師データ（２１）の作成方法
   であって、 前記ニューラルネットワークの出力項目毎に、その出力
   をコンピュータ（２０）でシフトさせることを特徴とす
   る教師データ作成方法。
3. 【請求項３】 前記コンピュータは、前記学習制御空調
   装置と通信可能な外部のコンピュータ（２０）であるこ
   とを特徴とする請求項１または２に記載の教師データ作
   成方法。
4. 【請求項４】 作成した教師データ（２１）の内容を前
   記コンピュータ（２０）で確認可能としたことを特徴と
   する請求項１ないし３のいずれか１つに記載の教師デー
   タ作成方法。
5. 【請求項５】 前記シフトされた出力が前記空調制御量
   の変化を急激にさせるものとなった場合には、前記急激
   になった部分の変化が緩やかになるように補正して教師
   データ（２１）を作成することを特徴とする請求項１な
   いし４のいずれか１つに記載の教師データ作成方法。
6. 【請求項６】 前記シフトされた出力が前記空調制御量
   の変化を急激にさせるものとなった場合には、前記急激
   になった部分付近の教師データ数を増やして教師データ
   （２１）を作成することを特徴とする請求項１ないし４
   のいずれか１つに記載の教師データ作成方法。
7. 【請求項７】 ニューラルネットワークによって算出さ
   れた空調制御量に基づいて空調制御を行う学習制御空調
   装置において、前記ニューラルネットワークの結合係数
   を計算するために用いる教師データ（２１）の作成をコ
   ンピュータ（２０）に実行させるためのプログラムであ
   って、 前記ニューラルネットワークの出力を前記コンピュータ
   （２０）でシフトさせ、 前記シフトされた出力と、その出力に対応する入力とを
   反映して前記教師データ（２１）を前記コンピュータ
   （２０）に作成させることを特徴とするプログラム。
8. 【請求項８】 ニューラルネットワークによって算出さ
   れた空調制御量に基づいて空調制御を行う学習制御空調
   装置において、前記ニューラルネットワークの結合係数
   を計算するために用いる教師データ（２１）の作成をコ
   ンピュータ（２０）に実行させるためのプログラムであ
   って、 前記ニューラルネットワークの出力項目毎に、その出力
   を前記コンピュータ（２０）でシフトさせることを特徴
   とするプログラム。