JP2004232968A - 空調運転監視システム、異常検出方法および異常検出装置 - Google Patents
空調運転監視システム、異常検出方法および異常検出装置 Download PDFInfo
- Publication number
- JP2004232968A JP2004232968A JP2003022532A JP2003022532A JP2004232968A JP 2004232968 A JP2004232968 A JP 2004232968A JP 2003022532 A JP2003022532 A JP 2003022532A JP 2003022532 A JP2003022532 A JP 2003022532A JP 2004232968 A JP2004232968 A JP 2004232968A
- Authority
- JP
- Japan
- Prior art keywords
- data
- reference space
- data set
- mahalanobis distance
- sets
- 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
Links
Images
Abstract
【課題】エネルギー面で無駄な運転状態であったとしても早期把握ができず、その状態の度合いが極端に悪化するまで報知されず問題であった。
【解決手段】空調機５から出力される運転データを所定のサンプリングタイムで取得するデータ取得部６と、データ取得部６で取得した運転データに基づいて空調機５の運転状態が正常か否かを推定する運転状態推定部７とを備え、運転部状態推定部７は、複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数データセットから基準空間を構築し、その後取得したデータセットが基準空間に対し正常であるか否かをマハラノビスの距離を用いて判定することを特徴とする。
【選択図】 図１
【解決手段】空調機５から出力される運転データを所定のサンプリングタイムで取得するデータ取得部６と、データ取得部６で取得した運転データに基づいて空調機５の運転状態が正常か否かを推定する運転状態推定部７とを備え、運転部状態推定部７は、複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数データセットから基準空間を構築し、その後取得したデータセットが基準空間に対し正常であるか否かをマハラノビスの距離を用いて判定することを特徴とする。
【選択図】 図１
Description
【０００１】
【発明の属する技術分野】
本発明は、空調機或いは監視対象装置の運転データを元に、エネルギー消費面からみて無駄である無駄運転状態や、その他空調機或いは監視対象装置の異常状態を幅広く検出することができる空調運転監視システム、異常検出方法、および異常検出装置に関する。
【０００２】
【従来の技術】
第１の従来技術として、所定設定時間内での室内温度の所望設定温度への到達度合いから、窓やドア等の開放による室内空気の漏洩を報知する装置が存在する（例えば、特許文献１参照）。また、第２の従来技術として、環境の微妙な変化やノイズ等の影響等による誤作動を低減し、火災などの異常検出を正確に行う装置が存在する（特許文献２参照）。
【０００３】
【特許文献１】特開平２００１−３０４６４８号（段落番号００１６、図２）
【０００４】
【特許文献２】特開平１０−１２４７６６号（段落番号００５５〜０１０２、図３）
【０００５】
【発明が解決しようとする課題】
第１の従来技術においては、室内温度の設定温度への収束の鈍さや安定性の悪さは、本来の能力による空調設定温度の限界や、窓やドア開放による空気漏洩以外の、例えば室内機のフィルタ汚れによるものや室内機吸込み周辺に物品が設置されている場合、あるいは晴天時直射がある時間帯にブラインドを全開にし熱負荷が増大している場合などにも想定される現象である。
【０００６】
このような現象は、その正常ではない運転状態の種類により異なるため、単変量データの時間変動を監視していても、その量に必ずしも反映されるわけではない。従って、第１の従来技術では、そのようなエネルギー面で無駄な運転状態であったとしても早期把握ができず、その状態の度合いが極端に悪化するまで報知されず問題であった。
【０００７】
また、第２の従来技術においては、センサが標準的な部屋天井中央などに設置される基本環境条件により得られるデータセット及び実際の監視時のセンサ設置場所における現場設置環境条件下で得られたデータセットを基準空間としてマハラノビスの距離を計算している。
【０００８】
しかしながら、空調機の設置環境、設置条件は多様であるため、汎用的な基本環境条件というものは想定し難く、例えばある広さを有する模擬オフィス実験室などにおいて測定したデータセットを実設置条件に合わせ補正して用いるにしてもその作業は容易でなく、また適用する個々の設置環境により補正を施さなくてはならず問題であった。
【０００９】
本発明は、上記課題を解決するためになされたもので、空調機或いは監視対象装置がエネルギー的に無駄な状態で運転されている場合や、その他の原因で運転状態に異常が生じている場合などを早期に推定することが可能な空調監視システム、異常検出方法、および異常検出装置を提供することを目的とする。
また、空調機が設置された実環境下に合わせるための基準空間の補正作業が不要な空調監視システム、異常検出方法、および異常検出装置を提供することを目的とする。
【００１０】
【課題を解決するための手段】
本発明の空調監視システムは、空調機から出力される運転データを所定のサンプリングタイムで取得するデータ取得部と、データ取得部で取得した運転データに基づいて空調機の運転状態が正常か否かを推定する運転状態推定部とを備え、運転部状態推定部は、複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数データセットから基準空間を構築し、その後取得したデータセットが基準空間に対し正常であるか否かをマハラノビスの距離を用いて判定することを特徴とする。
【００１１】
【発明の実施の形態】
以下、本発明の好適な実施の形態について添付図面を参照して説明する。
実施の形態１．
図１は、実施の形態１に係る空調運転監視システムの構成を示すブロック図である。図１に示すように、本実施の形態の空調運転監視システムは、室外機１、室内機２，３および室内リモコン４を有する空調機５に接続され、空調機５から出力される運転データ（空調機５の運転状態データや空調機５に設けられた各種センサからの物理量センシングデータなど）を所定のサンプリングタイムで取得するデータ収集装置（データ取得部）６と、データ収集装置６と公衆回線や専用線を介して接続され、空調機５の動作状態を監視する空調監視装置７とを備えている。
【００１２】
空調監視装置７は、データ取得部６で取得した運転データに基づいて空調機５の運転状態が正常か否かを推定する運転状態推定部８と、運転状態推定部８で異常運転と推定された場合に監視者に報知する報知部９とを備えている。報知部９としては、例えば、異常運転である旨を表示するディスプレイ、異常運転である旨を点灯或いは点滅で知らせるＬＥＤ、異常運転である旨を音声或いは警告音で知らせるスピーカなどがある。
【００１３】
また、運転状態推定部８は、データ取得部６で取得した運転データをデータセットとして順次蓄積するデータセット記憶部１０と、データセット記憶部１０の複数のデータセットに基づいて作成された基準空間を記憶する基準空間記憶部１１とを備えている。なお、運転状態推定部８では、窓開放状態やフィルタ汚れなどの低効率運転や、その他の空調機異常状態があった場合に、運転状態が正常でないと推定する。
【００１４】
また、例えばオフィス用のマルチ型空調機（冷房運転）を対象とした場合、例えば室内機２，３からは、蒸発温度、吸込み温度、蒸発機出口温度、蒸発機入り口温度、膨張弁開度、サーモＯＮ／ＯＦＦ状態などのデータをデータ収集装置６で取得することができる。
また、圧縮機を備えた室外機１からは、外気温度、凝縮温度、圧縮機周波数、吐出温度、凝縮機出口温度などの冷凍サイクルをベースとした物理量のデータをデータ収集装置６で取得することができる。さらに、室内リモコン４からは、人為的に操作される設定温度や発停状態などのデータをデータ収集装置６で取得することができる。
【００１５】
従来は、上記項目のうち、単変量データの時間変動しか監視していなかったため、正常でない状態がその量に反映されないことが少なからずあり、その変化量が大きくなければその現象がつかみ難いといったことがあった。従って、エネルギー面で無駄な運転状態や正常でない運転状態であったとしても早期把握ができず、長期間その状態が放置される場合があった。
【００１６】
そのようなことを防止するため、本実施の形態では、多変量データを用い個々のデータの相関を考慮し、正常か否かの状態を一つの尺度で評価するマハラノビスの距離を用いた監視システムを構成する。
【００１７】
ここで、正常状態にある複数データセット群から導かれる基準空間とマハラノビスの距離の作成方法について、図２の表を参照しながら説明する。まず正常状態にあると考えられるｎ個のデータセットから、それぞれ同じ項目のｋ個の特徴量を抽出したとする。抽出した特徴量をＹｊｉとし、以下のようにして標準化値ｙｊｉを算出する。
【００１８】
ｙｊｉ＝（Ｙｊｉ−ｍｉ ）／σｉ （ｉ＝１〜ｋ，ｊ＝１〜ｎ）
【００１９】
ここで、ｍｉ，σｉ はそれぞれ１つの特徴量項目（Ｙｉ１，Ｙｉ２，…，Ｙｉｎ）についての平均値、標準偏差であり次式で表現される。
【００２０】
ｍｉ＝（Ｙｉ１＋Ｙｉ２＋・・・＋Ｙｉｎ）／ｎ
【００２１】
σｉ２＝［（Ｙｉ１−ｍｉ ）２＋（Ｙｉ２−ｍｉ ）２＋・・＋（Ｙｉｎ−ｍｉ ）２］／（ｎ−１）
【００２２】
次に、標準化値ｙｊｉについての相関行列Ｒを求め、この相関行列Ｒから相関行列の逆行列Ａを導出する。相関行列Ｒ、相関行列の逆行列Ａは以下のように表される。
【００２３】
【数１】
【００２４】
【数２】
【００２５】
但し、
【００２６】
【数３】
【００２７】
この逆行列Ａが基準空間に相当するものであり、この基準空間におけるｎ個の各標準化データセットのマハラノビスの距離（ＭＤ２）は、逆行列Ａの要素ａｐｑを用いて次の式により演算される。
【００２８】
【数４】
【００２９】
また、標準化されていない任意のｋ項目のデータセットＸ１，Ｘ２，…，Ｘｋ（例えば監視時の空調データセット）については、
ｘｉ＝（Ｘｉ−ｍｉ）／σｉ（ｉ＝１〜ｋ）として、
【００３０】
【数５】
【００３１】
で算出される。
上記のようにして基準空間を構築後、実際の監視データセットのｋ個の特徴量を入力し、上記に従ってマハラノビスの距離ＭＤ２を演算し、その距離ＭＤ２が設定閾値以上かどうかで、正常か否かを判定する。
【００３２】
さて、ここで前述した空調取得データを考えると、人為設定以外のデータは空調の設置環境やシステム構成によって変化するものであるため、ある特定の試験室で得られたデータセットを元に基準空間を作成し、この基準空間を用いて実フィールドにてデータの監視を行っても異常運転の推定結果は良好なものではなく、また試験室の基準空間を補正して用いるにも設置環境条件は多様であるため、その条件ごとに補正することは容易でない。
【００３３】
そこで図３に示すように、データセットを順次取得することにより基準空間を構築することができる。まず、メンテナンス終了後（新規物件なら導入後の試運転後直後）であれば、空調状態は正常状態であると考えられるため、その状態からデータセットの取得を行う。図３に示す複数のグラフは、ある一日の時刻に対する複数データ項目のうち、代表として吸込み温度１２を例として時間特性を表現したものである。実際収集されるデータは前述したような複数のデータ項目からなる。
【００３４】
但し、この場合、前述した空調機５の運転データは周囲の熱負荷の変動により変化し、通常データ収集装置６の数分のサンプリングタイムＳＴにより取得された値でみると、わずかな環境ノイズの変化などの影響を受け、時間に対する変動量が小さくないものも多い。
【００３５】
従って、サンプリング時間ごとのデータをその時系列ごとに監視した場合、空調状態が安定状態にあり、かつ正常状態であってもその変動が大きく、正常状態でないことによる変調かどうかを判定しにくい傾向がある。そこで、監視するデータセットの時間幅Ｔをサンプリングタイムの複数倍とし、データセットを図３中のＤ１，Ｄ２，…のように設定し、その中でのデータの状態で特徴量を表すことを考える。
【００３６】
図３では、安定状態において、例えば時間幅Ｔを３０分とすると共に、空調機５の一日の運転時間を１０時間程度とすれば、約２０個程度のデータを取得することが可能となる。時間幅Ｔに最適値はないが、ノイズによって変動する各特徴量の変動の大きさを考え、なるべく瞬間変動の影響を受け難く、且つ各特徴量の状態（例えば平均量や偏差）をマクロ的に捉えることのできる時間幅が望ましい。
【００３７】
以上のようにして、Ｄ１，Ｄ２，…，Ｄｎまでのデータセットで基準空間Ｓを構築する。なお、基準空間作成にあたっては、前記逆行列を計算する必要性からデータセット数（ｎ）＞＝特徴量数（ｋ）が条件であるため、それを満足する必要がある。
【００３８】
このようにしてｎ個のデータセットにより基準空間を作成した後、その後監視されるデータセットに対して基準空間からの距離を計算し、正常か否かの判定を行う。この際、各データセット間の時間的ブランクはあってもなくても構わず、また各データセットが時間的にオーバーラップしても構わない。
【００３９】
次に、基準空間の作成から正常か否かの判定までの流れを図４のフローチャートを用いて説明する。ｉ（ｉ＝１，２，…）はデータセットＤｉのカウントを示す変数であり、ｎは設定した基準空間を構成するデータセットの個数である。まず、データ収集装置６は、メンテナンス終了後にデータ収集を開始し（Ｓ１０１）、時間幅Ｔ間での特徴量算出を行う（Ｓ１０２）。次に、運転状態推定部８は、変数ｉとｎとの比較を行い（Ｓ１０３）、変数ｉがｎ以下の場合には、データ収集装置６で収集したデータを基準データセットとして採用し、データセット記憶部１０に蓄積する（Ｓ１０４）。そして、変数ｉがｎになった場合には（Ｓ１０５）、データセット記憶部１０に記憶された複数のデータセットを読み出して、これらのデータセットのマハラノビスの距離を算出し、基準空間を作成する（Ｓ１０６）。作成した基準空間は基準空間記憶部１１に記憶する。Ｓ１０５の処理で変数ｉがｎでない場合およびＳ１０６の処理終了後、Ｓ１０１に処理を戻す。
【００４０】
また、Ｓ１０３処理で変数ｉがｎより大きいと判断された場合には、基準空間作成後の異常検出処理を行う。この処理では、まず基準空間記憶部１１から基準空間を読み出して、この基準空間とデータ収集装置６で収集したデータとのマハラノビスの距離（ＭＤ２）を、上述した数式を用いて計算する（Ｓ１０７）。そして、異常検知とするマハラノビスの距離の設定閾値（ＭＤ２ｔ：一般的には３〜４程度）と算出したマハラノビス距離（ＭＤ２）とを比較して（Ｓ１０８）、異常が認められればその旨を報知部９で報知する（Ｓ１０９）。また、異常が認められなければ、Ｓ１０１に処理を戻して、再度、データ収集装置６で運転データの収集を行う。
【００４１】
次に、図５から図８を用いて、データ収集装置６におけるデータセットの収集方法について説明する。
図５は、一日の間の運転データへの影響が少なくない外気温度の時刻に対する変化を、上述の安定時データセット時間幅と一緒に示した図である。このとき、各時間幅Ｔの平均外気温度（図ではＴｏｕｔ１，Ｔｏｕｔ４）には、十分な差異が認められる。従って、そのような条件で得られる各データセットの集合体は、結果的に幅広い外気温度下での状態を示している。このため、各データセットの集合体を汎用的に用いることが可能となる。また、データセット数を多めにすれば、それはある外気温度に対し複数のデータセットを持つことになるため、幅広く正常状態の範囲を表現することが可能となる。
【００４２】
また、図６及び図７は、データの立ち上がり時間と安定時間との定義の一例を示した図である。図６は、運転開始後サーモＯＮから初めてサーモＯＦＦになるまでの時間を立ち上がり時間とする例を示す図である。また、図７は、設定温度と吸込み温度との差が所定の設定値（例えば±１℃）に到達するまでの時間を立ち上がり時間とする例を示す図である。
【００４３】
さらに、図８のように基準データセット収集時に設定温度の変化（図ではＴｉｎ１→Ｔｉｎ２（温度設定値が下がる場合））がある場合も同様にして、温度設定後にサーモＯＮ状態から初めてサーモＯＦＦになった以降のデータ、あるいは設定温度と吸込み温度との差が所定の設定値に達した以降のデータを安定時データとして、基準データセットに加えていけばよい。
【００４４】
以上の方法によりデータ収集装置６で収集したデータセットに基づいた運転状態推定部８での推定結果を以下に示す。なお、この推定処理は実際のオフィス空間に近い試験空間で行っている。まず、図９の表は、その試験空間において基準として定めた複数環境条件に対する室内外の空調機５の冷房運転データから基準空間を構成する際の安定時基準空間データセットの一例（基準空間を構成する１８個のデータセット中の一部）を示したものである。ここでの基準空間の条件は、室内の窓や扉は閉じた状態であり、室内の熱負荷は人の発熱量を模擬した白熱電球によるものである。さらに、窓面はブランインドがスラット角３０度で全閉の固定状態である。
【００４５】
これらのデータセットは、環境条件として設定温度や風速、室内熱負荷状態、時間帯を変え、数日間にわたりＴ＝３０分（サンプリングタイムＳＴ＝１分である）として取得したデータを元に作成している。なお図９の表に見るように特徴量項目数は８個であり、それらは空調機から得られるデータの３０分間の平均（一部はデータ間演算を施したものの平均）として与えている。図９の表の右端欄に示すように、基準空間データセットのマハラノビスの距離（ＭＤ２）は、全基準データセットでの距離（ＭＤ２）の平均が１になり、データセットそれぞれの距離（ＭＤ２）は１に近い値となる。
【００４６】
さらに、図１０の表は、基準データ取得後に「窓を開放状態にして運転した場合（外気乱入による無駄運転）」および「フィルタを目詰まり状態にして運転した場合（吸込み風量低下による能力低下）」のデータについて、その開放度や目詰まり度の条件を変えて、上記と同じくＴ＝３０分として取得し、マハラノビスの距離を計算した結果を示すものである。基準空間のデータセット数は１８個であり、また距離に対するデータ頻度はＦ分布に従うことから、それが５％の確率で基準空間であることが棄却される距離はおよそ４であるため、算出された距離（“６．８４”，“１１．３０”，“５．９４”，“５．７１”）は異常な運転状態として検出されることがわかる。なお、実際のオフィス内には室内機が多数存在するため、各空調機ごとに上記のように基準空間を作成することで各機器の運転状態を推定することが可能となる。
【００４７】
また、図１１および図１２の表は、図９および図１０に示した各データセットのそれぞれの特徴量に標準偏差を加え（これらの表で上記平均値データは省略している）、マハラノビスの距離を算出したものである。これにより「窓を開放状態にして運転した場合」および「フィルタを目詰まり状態にして運転した場合」と、基準空間との距離は平均データのみの場合に比較して大きくなることがわかる。以上より各特徴量項目の平均量に変動の情報を加えることにより算出距離が大きくなり、よって判定精度が向上する。
【００４８】
以上のように、設置空間特有の空調機器データを用いて、従来とは異なる多次元の取得データから基準空間を作成し、監視データに対してマハラノビスの距離を導出することで、各特徴項目ごとに無駄運転を検出することができる。
【００４９】
実施の形態２．
次に、実施の形態２に係る空調運転監視システムについて図１３を用いて説明する。図１３は、複数のデータ収集時間帯で振り分けられたデータセットに基づいて、複数の基準空間を運転状態推定部８で作成した例を示す図である。同図では時間帯により部分基準空間Ｓａと部分基準空間Ｓｂとの２種類の部分基準空間の作成を行う例を示している。Ｓａ，Ｓｂの部分基準空間作成後には、収集データセットがどの時間帯であるかにより距離算出を行う部分基準空間を選定する。
【００５０】
この方法によれば、例えば昼間、夜間というように時間帯により基準空間を分離することができ、それら時間帯で大まかに区分された外気温度の範囲で距離計算を行うことができるため、正常でない運転状態の検出性能が向上する。
【００５１】
実施の形態３．
次に、実施の形態３に係る空調運転監視システムについて図１４を用いて説明する。図１４は、複数のリモコンによる設定温度（Ｔｉｎ１，Ｔｉｎ２）で振り分けられたデータセットに基づいて、複数の基準空間を運転状態推定部８で作成する例を示す図である。同図では設定温度によりＳ１とＳ２との２種類の部分基準空間作成を行う例を示している。Ｓ１，Ｓ２の部分基準空間作成後は、収集データセットがどの設定温度であるかにより距離算出を行う部分基準空間を選定する。
【００５２】
この方法によれば、例えば冷房時、必要な冷凍エネルギー大（設定温度小）、冷凍エネルギー小（設定温度大）という条件範囲で基準空間を分離することができ、それら設定温度で大まかに区分された必要な冷凍エネルギー量（擬似室内熱負荷）により距離計算を行うことができるため、正常でない運転状態の検出性能が向上する。
なお、設定温度で振り分けられたデータセットと、データ収集時間帯とで振り分けられたデータセットとを組み合わせて複数の基準空間を作成すれば、正常でない運転状態の検出性能が一層向上する。
【００５３】
また、外気温度の大小により運転データへの影響度が変化してくるため、図１５のように外気温度の範囲（Ｔａ及びＴｂ）によって複数部分基準空間（Ｓ１及びＳ２）を作成してもよい。そして監視時データセット収集時の外気温度が該当する部分基準空間を対象として、収集データセットの距離計算を行うことで、正常運転か否かの推定精度を上げることができる（図１５ではデータセットＤｎ＋１が外気温度範囲Ｔａ下で収集されたものなので、距離を部分基準空間Ｓ１を対象にして計算する）。
【００５４】
実施の形態４．
次に、実施の形態４に係る空調運転監視システムについて図１６を用いて説明する。図１６は、空調機５を起動させた際の立ち上がりデータをデータセットとして、運転状態推定部８で基準空間の作成を行い、基準空間作成後のデータセットに対してマハラノビスの距離を算出する例を示す図である。ここでの立ち上がり時間は、例えば図６及び図７で示した内容で定義することができる。なお、図１６では一日一回、空調機５が立ち上がるものしているが、一日に複数回の空調機５の起動／停止があればその回数分のデータを採用して構わない。
【００５５】
図１７の表は、ある特定の試験室において複数の環境条件に対する立ち上がり時の空調機５の運転データから、運転状態推定部８で基準空間を作成する際のデータセット（基準空間を構成する１８個のデータセットの中の一部）の一例を示したものである。正常空間におけるマハラノビスの距離は、平均が１で与えられる。これらのデータセットは、環境条件として設定温度や風速、室内熱負荷状態、時間帯を変え、一日数回、空調機５が起動／停止を繰り返した場合の数日間の運転データを元に作成している。なお、この際の立ち上がりは図６の定義によるもので、図１８に示すように、立ち上がり時間、吸込み温度−設定温度から求めた回帰直線の傾き、その他幾つかの空調機５の運転データの立ち上がり時間内の平均データを特徴量項目として用いている。
【００５６】
さらに図１９の表は、「窓を開放状態にして運転した場合」および「フィルタを目詰まり状態にして運転した場合」の運転データをデータ収集装置６で取得し、この運転データのデータセットと基準空間とのマハラノビスの距離を計算した結果を示したものである。基準空間のデータセット数では、それが５％の確率で基準空間に属する距離はおよそ４であるため、算出された距離（“７．５４”，“４．９８”，“６．３２”，“５．３５”）は異常な運転状態として検出されることがわかる。
以上の結果から、空調機５を起動させた際の立ち上がりデータに基づいて基準空間を作成し、その後収集されるデータセットの立ち上がり特性を用いてマハラノビスの距離を算出した場合にも、異常な運転状態検出には有効であることがわかる。
【００５７】
また、以上のように基準空間の作成により、立ち上がりデータ及び安定時データを用いた場合、異常運転を検出することが可能であるため、図２０に示すように、それらを１データセットとして基準空間を作成し、距離判定を行う事で更に精度よく異常運転を検出することが可能となる。
【００５８】
以上の方法で基準空間を作成する場合、正常状態を完全に維持することができないため、例えば基準データ取得中に人為的に空間の熱負荷が大きくなる（ブラインド開放、会議室に人がぎゅうぎゅう詰め）など、収集した基準空間データセットが様々なノイズの影響を受け、理想的な正常運転時のデータから少々離れてしまうことも考えられる。その場合、マハラノビスの距離の平均が１である基準空間データセットの中でも、平均からの離れ具合が大きいと想定されるため、そのマハラノビスノ距離が大きいものとして示される場合が多い。
【００５９】
そこで、ｎ＞ｋ＋２の場合に、マハラノビスの距離が最も大きいデータセットを除いてｎ−１個のデータセットから基準空間を作成することにより（例えば表２の基準空間データでは基準条件１が排除となる）、ノイズの影響を受けたデータセットを基準空間から排除することができる。
【００６０】
以下、図２１のフローチャートを用いて、具体的な処理の流れを説明する。ｉ（ｉ＝１，２，…）はデータセットＤｉのカウントを示す変数であり、ｎは設定した基準空間を構成するデータセットの個数である。まず、データ収集装置６は、メンテナンス終了後にデータ収集を開始し（Ｓ２０１）、時間幅Ｔ間での特徴量算出を行う（Ｓ２０２）。次に、運転状態推定部８は、変数ｉとｎとの比較を行い（Ｓ２０３）、変数ｉがｎ以下の場合には、データ収集装置６で収集したデータを基準データセットとして採用し、データセット記憶部１０に蓄積する（Ｓ２０４）。そして、変数ｉがｎになった場合には（Ｓ２０５）、データセット記憶部１０に記憶された複数のデータセットを読み出して、これらのデータセットのマハラノビスの距離を算出し、基準空間（Ａ）を作成する（Ｓ２０６）。
【００６１】
次に、基準空間（Ａ）の中で最大距離のデータセットを選択し（Ｓ２０７）、このデータセットを排除した基準空間（Ｂ）を作成する（Ｓ２０８）。そして、Ｓ２０７で選択した最大距離のデータセットとＳ２０８で作成した基準空間（Ｂ）とのマハラノビス距離（ＭＤ２０）を計算し（Ｓ２０９）、異常検知とするマハラノビスの距離の設定閾値（ＭＤ２ｔ：一般的には３〜４程度）とＳ２０９で算出したマハラノビス距離（ＭＤ２０）とを比較する（Ｓ２１０）。
【００６２】
この比較でマハラノビス距離（ＭＤ２０）が設定閾値（ＭＤ２ｔ）より小さい場合には、そのデータセットがノイズをほとんど受けていないものと判断して、基準空間（Ａ）を採用する（Ｓ２１１）。採用した基準空間（Ａ）は基準空間記憶部１１に記憶させる。また、マハラノビス距離（ＭＤ２０）が設定閾値（ＭＤ２ｔ）より大きな場合には、そのデータセットが大きなノイズを受けたものと判断して、基準空間（Ｂ）を採用する（Ｓ２１２）。採用した基準空間（Ｂ）は基準空間記憶部１１に記憶させる。そして、Ｓ２０５の処理で変数ｉがｎでない場合およびＳ２１１，Ｓ２１２の処理終了後、Ｓ２０１に処理を戻す。
【００６３】
ここで、Ｓ２１０〜Ｓ２１２で、基準空間（Ａ）と基準空間（Ｂ）とを選択的に採用するのは以下の理由による。まず、基準空間（Ａ）は基準空間（Ｂ）に比べてデータセット数が多いため、基準空間の幅が広がり、異常検出可能なデータの守備範囲が広くなる。また、基準空間（Ｂ）は基準空間（Ａ）に比べて幅が狭くなるが、各データセットの距離のばらつきが小さくなるため、異常検出の精度が高くなる。このように、基準空間（Ａ）と基準空間（Ｂ）とで、それぞれ性質が異なるため、Ｓ２０７で選択した最大距離のデータセットがどの程度基準空間（Ｂ）から離れているかを、設定閾値（ＭＤ２ｔ）に基づいて判断し、あまり離れていない場合には、「異常検出可能なデータの守備範囲」を重視して、基準空間（Ａ）を採用し、大きく離れている場合には、「異常検出の精度」を重視して、基準空間（Ｂ）を採用しているのである。
【００６４】
また、変数ｉがｎより大きい場合には、基準空間作成後の異常検出処理を行う。この処理では、まず基準空間記憶部１１から基準空間を読み出して、この基準空間とデータ収集装置６で収集したデータとのマハラノビスの距離（ＭＤ２）を、上述した数式を用いて計算する（Ｓ２１３）。そして、異常検知とするマハラノビスの距離の設定閾値（ＭＤ２ｔ：一般的には３〜４程度）と算出したマハラノビス距離（ＭＤ２）とを比較して（Ｓ２１４）、異常が認められればその旨を報知部９で報知する（Ｓ２１５）。また、異常が認められなければ、Ｓ２０１に処理を戻して、再度、データ収集装置６で運転データの収集を行う。
【００６５】
このような処理を行うことにより、基準データセット作成時に発生したノイズ成分を含むデータセットを取り除くことが可能となる。確率的にはデータセットの数が多ければ多いほど、排除したデータセットの新規基準空間に対する距離は小さくなる傾向にある。従って、ここでの閾値（ＭＤ２０ｔ）は基準データセット数に応じて定め、データセット数が少なければ標準的な閾値の３〜４に対し少し大きめの値を設定する。
【００６６】
また基準空間データ作成時と測定データ収集時との測定時間差が大きいと、外気温度の条件の大きな変化により基準空間作成時の外気温度と大きなずれが生じてしまう場合がある。この場合には、なるべくその時間差を狭めると測定精度が向上する。従って、測定データの一個前までのデータで基準空間を構築し、その後に収集したデータセットの距離を測定するようなデータ構成とする。その場合、その一手法としては基準データセット数を固定しておいて、一つデータが更新されるたびに一つデータを削除するなどの方法がある。この際、追加時対象となるデータが、その時点の基準空間からの距離で見て正常範囲であればそれを追加し、その代わりに一番古いデータを削除するようにする。
【００６７】
なお、本実施の形態では、監視対象装置として空調機５を例に挙げて説明したが、空調機５のみに限定されることなく、例えば、照明機器、冷蔵庫、エレベータ、エスカレータ、火災報知器など、その他の機器についても適用できることはいうまでもない。
【００６８】
【発明の効果】
本発明は以上説明したように、例えば各空調機がエネルギー的に無駄な運転状態になある場合など、運転状態に異常がある場合、その異常状態を種類によらず幅広く推定することができる。また早期異常検出が可能となるため、その報知を受けた監視者は素早い対応することが可能となる。
【００６９】
さらに、多様な現地空調システムの運転状態に基づいて基準空間を作成することができるため、その非汎用的な試験室レベルでのデータベースを補正して用いるなどの煩わしい作業が不要となり、導入の際の作業負荷が大きく削減される。
【図面の簡単な説明】
【図１】実施の形態１に係る空調運転監視システムの構成を示すブロック図である。
【図２】マハラノビスの距離を算出するためのデータセット構造を示す図である。
【図３】実施の形態１における基準空間作成の方法を示す図である。
【図４】運転状態判定の流れを示すフローチャートである。
【図５】測定データ時刻と外気温度との関係を示す図である。
【図６】立ち上がり時間及び安定時間の一例について示す図である。
【図７】立ち上がり時間及び安定時間の他の一例について示す図である。
【図８】設定温度が変化した場合のデータセットの取り扱いを示す図である。
【図９】安定時の基準空間データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図１０】安定時の無駄運転データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図１１】安定時の基準空間データセット（偏差データのみ）とそのマハラノビスの距離とを示す図である。
【図１２】安定時の無駄運転データセット（偏差データのみ）とそのマハラノビスの距離とを示す図である。
【図１３】時刻ごとに基準空間を分割する方法を示す図である。
【図１４】設定温度ごとに基準空間を分割する方法を示す図である。
【図１５】外気温度ごとに基準空間を分割する方法を示す図である。
【図１６】空調機データの立ち上がり部分を利用して基準空間を作成する方法を示す図である。
【図１７】立ち上がり時の基準空間データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図１８】立ち上がり時、距離算出に用いる特徴量の一例を示す図である。
【図１９】立ち上がり時の無駄運転データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図２０】空調機データの立ち上がり部分と安定部分のデータで基準空間を構成する方法を示す図である。
【図２１】基準空間のうち大きなノイズを含むデータセットを排除する流れを示すフローチャートである。
【符号の説明】
１…室外機、２，３…室内機、４…室内リモコン、５…空調機、６…データ収集装置（データ取得部）、７…空調監視装置、８…運転状態推定部、９…報知部、１０…データセット記憶部、１１…基準空間記憶部。
【発明の属する技術分野】
本発明は、空調機或いは監視対象装置の運転データを元に、エネルギー消費面からみて無駄である無駄運転状態や、その他空調機或いは監視対象装置の異常状態を幅広く検出することができる空調運転監視システム、異常検出方法、および異常検出装置に関する。
【０００２】
【従来の技術】
第１の従来技術として、所定設定時間内での室内温度の所望設定温度への到達度合いから、窓やドア等の開放による室内空気の漏洩を報知する装置が存在する（例えば、特許文献１参照）。また、第２の従来技術として、環境の微妙な変化やノイズ等の影響等による誤作動を低減し、火災などの異常検出を正確に行う装置が存在する（特許文献２参照）。
【０００３】
【特許文献１】特開平２００１−３０４６４８号（段落番号００１６、図２）
【０００４】
【特許文献２】特開平１０−１２４７６６号（段落番号００５５〜０１０２、図３）
【０００５】
【発明が解決しようとする課題】
第１の従来技術においては、室内温度の設定温度への収束の鈍さや安定性の悪さは、本来の能力による空調設定温度の限界や、窓やドア開放による空気漏洩以外の、例えば室内機のフィルタ汚れによるものや室内機吸込み周辺に物品が設置されている場合、あるいは晴天時直射がある時間帯にブラインドを全開にし熱負荷が増大している場合などにも想定される現象である。
【０００６】
このような現象は、その正常ではない運転状態の種類により異なるため、単変量データの時間変動を監視していても、その量に必ずしも反映されるわけではない。従って、第１の従来技術では、そのようなエネルギー面で無駄な運転状態であったとしても早期把握ができず、その状態の度合いが極端に悪化するまで報知されず問題であった。
【０００７】
また、第２の従来技術においては、センサが標準的な部屋天井中央などに設置される基本環境条件により得られるデータセット及び実際の監視時のセンサ設置場所における現場設置環境条件下で得られたデータセットを基準空間としてマハラノビスの距離を計算している。
【０００８】
しかしながら、空調機の設置環境、設置条件は多様であるため、汎用的な基本環境条件というものは想定し難く、例えばある広さを有する模擬オフィス実験室などにおいて測定したデータセットを実設置条件に合わせ補正して用いるにしてもその作業は容易でなく、また適用する個々の設置環境により補正を施さなくてはならず問題であった。
【０００９】
本発明は、上記課題を解決するためになされたもので、空調機或いは監視対象装置がエネルギー的に無駄な状態で運転されている場合や、その他の原因で運転状態に異常が生じている場合などを早期に推定することが可能な空調監視システム、異常検出方法、および異常検出装置を提供することを目的とする。
また、空調機が設置された実環境下に合わせるための基準空間の補正作業が不要な空調監視システム、異常検出方法、および異常検出装置を提供することを目的とする。
【００１０】
【課題を解決するための手段】
本発明の空調監視システムは、空調機から出力される運転データを所定のサンプリングタイムで取得するデータ取得部と、データ取得部で取得した運転データに基づいて空調機の運転状態が正常か否かを推定する運転状態推定部とを備え、運転部状態推定部は、複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数データセットから基準空間を構築し、その後取得したデータセットが基準空間に対し正常であるか否かをマハラノビスの距離を用いて判定することを特徴とする。
【００１１】
【発明の実施の形態】
以下、本発明の好適な実施の形態について添付図面を参照して説明する。
実施の形態１．
図１は、実施の形態１に係る空調運転監視システムの構成を示すブロック図である。図１に示すように、本実施の形態の空調運転監視システムは、室外機１、室内機２，３および室内リモコン４を有する空調機５に接続され、空調機５から出力される運転データ（空調機５の運転状態データや空調機５に設けられた各種センサからの物理量センシングデータなど）を所定のサンプリングタイムで取得するデータ収集装置（データ取得部）６と、データ収集装置６と公衆回線や専用線を介して接続され、空調機５の動作状態を監視する空調監視装置７とを備えている。
【００１２】
空調監視装置７は、データ取得部６で取得した運転データに基づいて空調機５の運転状態が正常か否かを推定する運転状態推定部８と、運転状態推定部８で異常運転と推定された場合に監視者に報知する報知部９とを備えている。報知部９としては、例えば、異常運転である旨を表示するディスプレイ、異常運転である旨を点灯或いは点滅で知らせるＬＥＤ、異常運転である旨を音声或いは警告音で知らせるスピーカなどがある。
【００１３】
また、運転状態推定部８は、データ取得部６で取得した運転データをデータセットとして順次蓄積するデータセット記憶部１０と、データセット記憶部１０の複数のデータセットに基づいて作成された基準空間を記憶する基準空間記憶部１１とを備えている。なお、運転状態推定部８では、窓開放状態やフィルタ汚れなどの低効率運転や、その他の空調機異常状態があった場合に、運転状態が正常でないと推定する。
【００１４】
また、例えばオフィス用のマルチ型空調機（冷房運転）を対象とした場合、例えば室内機２，３からは、蒸発温度、吸込み温度、蒸発機出口温度、蒸発機入り口温度、膨張弁開度、サーモＯＮ／ＯＦＦ状態などのデータをデータ収集装置６で取得することができる。
また、圧縮機を備えた室外機１からは、外気温度、凝縮温度、圧縮機周波数、吐出温度、凝縮機出口温度などの冷凍サイクルをベースとした物理量のデータをデータ収集装置６で取得することができる。さらに、室内リモコン４からは、人為的に操作される設定温度や発停状態などのデータをデータ収集装置６で取得することができる。
【００１５】
従来は、上記項目のうち、単変量データの時間変動しか監視していなかったため、正常でない状態がその量に反映されないことが少なからずあり、その変化量が大きくなければその現象がつかみ難いといったことがあった。従って、エネルギー面で無駄な運転状態や正常でない運転状態であったとしても早期把握ができず、長期間その状態が放置される場合があった。
【００１６】
そのようなことを防止するため、本実施の形態では、多変量データを用い個々のデータの相関を考慮し、正常か否かの状態を一つの尺度で評価するマハラノビスの距離を用いた監視システムを構成する。
【００１７】
ここで、正常状態にある複数データセット群から導かれる基準空間とマハラノビスの距離の作成方法について、図２の表を参照しながら説明する。まず正常状態にあると考えられるｎ個のデータセットから、それぞれ同じ項目のｋ個の特徴量を抽出したとする。抽出した特徴量をＹｊｉとし、以下のようにして標準化値ｙｊｉを算出する。
【００１８】
ｙｊｉ＝（Ｙｊｉ−ｍｉ ）／σｉ （ｉ＝１〜ｋ，ｊ＝１〜ｎ）
【００１９】
ここで、ｍｉ，σｉ はそれぞれ１つの特徴量項目（Ｙｉ１，Ｙｉ２，…，Ｙｉｎ）についての平均値、標準偏差であり次式で表現される。
【００２０】
ｍｉ＝（Ｙｉ１＋Ｙｉ２＋・・・＋Ｙｉｎ）／ｎ
【００２１】
σｉ２＝［（Ｙｉ１−ｍｉ ）２＋（Ｙｉ２−ｍｉ ）２＋・・＋（Ｙｉｎ−ｍｉ ）２］／（ｎ−１）
【００２２】
次に、標準化値ｙｊｉについての相関行列Ｒを求め、この相関行列Ｒから相関行列の逆行列Ａを導出する。相関行列Ｒ、相関行列の逆行列Ａは以下のように表される。
【００２３】
【数１】
【数２】
但し、
【００２６】
【数３】
この逆行列Ａが基準空間に相当するものであり、この基準空間におけるｎ個の各標準化データセットのマハラノビスの距離（ＭＤ２）は、逆行列Ａの要素ａｐｑを用いて次の式により演算される。
【００２８】
【数４】
また、標準化されていない任意のｋ項目のデータセットＸ１，Ｘ２，…，Ｘｋ（例えば監視時の空調データセット）については、
ｘｉ＝（Ｘｉ−ｍｉ）／σｉ（ｉ＝１〜ｋ）として、
【００３０】
【数５】
で算出される。
上記のようにして基準空間を構築後、実際の監視データセットのｋ個の特徴量を入力し、上記に従ってマハラノビスの距離ＭＤ２を演算し、その距離ＭＤ２が設定閾値以上かどうかで、正常か否かを判定する。
【００３２】
さて、ここで前述した空調取得データを考えると、人為設定以外のデータは空調の設置環境やシステム構成によって変化するものであるため、ある特定の試験室で得られたデータセットを元に基準空間を作成し、この基準空間を用いて実フィールドにてデータの監視を行っても異常運転の推定結果は良好なものではなく、また試験室の基準空間を補正して用いるにも設置環境条件は多様であるため、その条件ごとに補正することは容易でない。
【００３３】
そこで図３に示すように、データセットを順次取得することにより基準空間を構築することができる。まず、メンテナンス終了後（新規物件なら導入後の試運転後直後）であれば、空調状態は正常状態であると考えられるため、その状態からデータセットの取得を行う。図３に示す複数のグラフは、ある一日の時刻に対する複数データ項目のうち、代表として吸込み温度１２を例として時間特性を表現したものである。実際収集されるデータは前述したような複数のデータ項目からなる。
【００３４】
但し、この場合、前述した空調機５の運転データは周囲の熱負荷の変動により変化し、通常データ収集装置６の数分のサンプリングタイムＳＴにより取得された値でみると、わずかな環境ノイズの変化などの影響を受け、時間に対する変動量が小さくないものも多い。
【００３５】
従って、サンプリング時間ごとのデータをその時系列ごとに監視した場合、空調状態が安定状態にあり、かつ正常状態であってもその変動が大きく、正常状態でないことによる変調かどうかを判定しにくい傾向がある。そこで、監視するデータセットの時間幅Ｔをサンプリングタイムの複数倍とし、データセットを図３中のＤ１，Ｄ２，…のように設定し、その中でのデータの状態で特徴量を表すことを考える。
【００３６】
図３では、安定状態において、例えば時間幅Ｔを３０分とすると共に、空調機５の一日の運転時間を１０時間程度とすれば、約２０個程度のデータを取得することが可能となる。時間幅Ｔに最適値はないが、ノイズによって変動する各特徴量の変動の大きさを考え、なるべく瞬間変動の影響を受け難く、且つ各特徴量の状態（例えば平均量や偏差）をマクロ的に捉えることのできる時間幅が望ましい。
【００３７】
以上のようにして、Ｄ１，Ｄ２，…，Ｄｎまでのデータセットで基準空間Ｓを構築する。なお、基準空間作成にあたっては、前記逆行列を計算する必要性からデータセット数（ｎ）＞＝特徴量数（ｋ）が条件であるため、それを満足する必要がある。
【００３８】
このようにしてｎ個のデータセットにより基準空間を作成した後、その後監視されるデータセットに対して基準空間からの距離を計算し、正常か否かの判定を行う。この際、各データセット間の時間的ブランクはあってもなくても構わず、また各データセットが時間的にオーバーラップしても構わない。
【００３９】
次に、基準空間の作成から正常か否かの判定までの流れを図４のフローチャートを用いて説明する。ｉ（ｉ＝１，２，…）はデータセットＤｉのカウントを示す変数であり、ｎは設定した基準空間を構成するデータセットの個数である。まず、データ収集装置６は、メンテナンス終了後にデータ収集を開始し（Ｓ１０１）、時間幅Ｔ間での特徴量算出を行う（Ｓ１０２）。次に、運転状態推定部８は、変数ｉとｎとの比較を行い（Ｓ１０３）、変数ｉがｎ以下の場合には、データ収集装置６で収集したデータを基準データセットとして採用し、データセット記憶部１０に蓄積する（Ｓ１０４）。そして、変数ｉがｎになった場合には（Ｓ１０５）、データセット記憶部１０に記憶された複数のデータセットを読み出して、これらのデータセットのマハラノビスの距離を算出し、基準空間を作成する（Ｓ１０６）。作成した基準空間は基準空間記憶部１１に記憶する。Ｓ１０５の処理で変数ｉがｎでない場合およびＳ１０６の処理終了後、Ｓ１０１に処理を戻す。
【００４０】
また、Ｓ１０３処理で変数ｉがｎより大きいと判断された場合には、基準空間作成後の異常検出処理を行う。この処理では、まず基準空間記憶部１１から基準空間を読み出して、この基準空間とデータ収集装置６で収集したデータとのマハラノビスの距離（ＭＤ２）を、上述した数式を用いて計算する（Ｓ１０７）。そして、異常検知とするマハラノビスの距離の設定閾値（ＭＤ２ｔ：一般的には３〜４程度）と算出したマハラノビス距離（ＭＤ２）とを比較して（Ｓ１０８）、異常が認められればその旨を報知部９で報知する（Ｓ１０９）。また、異常が認められなければ、Ｓ１０１に処理を戻して、再度、データ収集装置６で運転データの収集を行う。
【００４１】
次に、図５から図８を用いて、データ収集装置６におけるデータセットの収集方法について説明する。
図５は、一日の間の運転データへの影響が少なくない外気温度の時刻に対する変化を、上述の安定時データセット時間幅と一緒に示した図である。このとき、各時間幅Ｔの平均外気温度（図ではＴｏｕｔ１，Ｔｏｕｔ４）には、十分な差異が認められる。従って、そのような条件で得られる各データセットの集合体は、結果的に幅広い外気温度下での状態を示している。このため、各データセットの集合体を汎用的に用いることが可能となる。また、データセット数を多めにすれば、それはある外気温度に対し複数のデータセットを持つことになるため、幅広く正常状態の範囲を表現することが可能となる。
【００４２】
また、図６及び図７は、データの立ち上がり時間と安定時間との定義の一例を示した図である。図６は、運転開始後サーモＯＮから初めてサーモＯＦＦになるまでの時間を立ち上がり時間とする例を示す図である。また、図７は、設定温度と吸込み温度との差が所定の設定値（例えば±１℃）に到達するまでの時間を立ち上がり時間とする例を示す図である。
【００４３】
さらに、図８のように基準データセット収集時に設定温度の変化（図ではＴｉｎ１→Ｔｉｎ２（温度設定値が下がる場合））がある場合も同様にして、温度設定後にサーモＯＮ状態から初めてサーモＯＦＦになった以降のデータ、あるいは設定温度と吸込み温度との差が所定の設定値に達した以降のデータを安定時データとして、基準データセットに加えていけばよい。
【００４４】
以上の方法によりデータ収集装置６で収集したデータセットに基づいた運転状態推定部８での推定結果を以下に示す。なお、この推定処理は実際のオフィス空間に近い試験空間で行っている。まず、図９の表は、その試験空間において基準として定めた複数環境条件に対する室内外の空調機５の冷房運転データから基準空間を構成する際の安定時基準空間データセットの一例（基準空間を構成する１８個のデータセット中の一部）を示したものである。ここでの基準空間の条件は、室内の窓や扉は閉じた状態であり、室内の熱負荷は人の発熱量を模擬した白熱電球によるものである。さらに、窓面はブランインドがスラット角３０度で全閉の固定状態である。
【００４５】
これらのデータセットは、環境条件として設定温度や風速、室内熱負荷状態、時間帯を変え、数日間にわたりＴ＝３０分（サンプリングタイムＳＴ＝１分である）として取得したデータを元に作成している。なお図９の表に見るように特徴量項目数は８個であり、それらは空調機から得られるデータの３０分間の平均（一部はデータ間演算を施したものの平均）として与えている。図９の表の右端欄に示すように、基準空間データセットのマハラノビスの距離（ＭＤ２）は、全基準データセットでの距離（ＭＤ２）の平均が１になり、データセットそれぞれの距離（ＭＤ２）は１に近い値となる。
【００４６】
さらに、図１０の表は、基準データ取得後に「窓を開放状態にして運転した場合（外気乱入による無駄運転）」および「フィルタを目詰まり状態にして運転した場合（吸込み風量低下による能力低下）」のデータについて、その開放度や目詰まり度の条件を変えて、上記と同じくＴ＝３０分として取得し、マハラノビスの距離を計算した結果を示すものである。基準空間のデータセット数は１８個であり、また距離に対するデータ頻度はＦ分布に従うことから、それが５％の確率で基準空間であることが棄却される距離はおよそ４であるため、算出された距離（“６．８４”，“１１．３０”，“５．９４”，“５．７１”）は異常な運転状態として検出されることがわかる。なお、実際のオフィス内には室内機が多数存在するため、各空調機ごとに上記のように基準空間を作成することで各機器の運転状態を推定することが可能となる。
【００４７】
また、図１１および図１２の表は、図９および図１０に示した各データセットのそれぞれの特徴量に標準偏差を加え（これらの表で上記平均値データは省略している）、マハラノビスの距離を算出したものである。これにより「窓を開放状態にして運転した場合」および「フィルタを目詰まり状態にして運転した場合」と、基準空間との距離は平均データのみの場合に比較して大きくなることがわかる。以上より各特徴量項目の平均量に変動の情報を加えることにより算出距離が大きくなり、よって判定精度が向上する。
【００４８】
以上のように、設置空間特有の空調機器データを用いて、従来とは異なる多次元の取得データから基準空間を作成し、監視データに対してマハラノビスの距離を導出することで、各特徴項目ごとに無駄運転を検出することができる。
【００４９】
実施の形態２．
次に、実施の形態２に係る空調運転監視システムについて図１３を用いて説明する。図１３は、複数のデータ収集時間帯で振り分けられたデータセットに基づいて、複数の基準空間を運転状態推定部８で作成した例を示す図である。同図では時間帯により部分基準空間Ｓａと部分基準空間Ｓｂとの２種類の部分基準空間の作成を行う例を示している。Ｓａ，Ｓｂの部分基準空間作成後には、収集データセットがどの時間帯であるかにより距離算出を行う部分基準空間を選定する。
【００５０】
この方法によれば、例えば昼間、夜間というように時間帯により基準空間を分離することができ、それら時間帯で大まかに区分された外気温度の範囲で距離計算を行うことができるため、正常でない運転状態の検出性能が向上する。
【００５１】
実施の形態３．
次に、実施の形態３に係る空調運転監視システムについて図１４を用いて説明する。図１４は、複数のリモコンによる設定温度（Ｔｉｎ１，Ｔｉｎ２）で振り分けられたデータセットに基づいて、複数の基準空間を運転状態推定部８で作成する例を示す図である。同図では設定温度によりＳ１とＳ２との２種類の部分基準空間作成を行う例を示している。Ｓ１，Ｓ２の部分基準空間作成後は、収集データセットがどの設定温度であるかにより距離算出を行う部分基準空間を選定する。
【００５２】
この方法によれば、例えば冷房時、必要な冷凍エネルギー大（設定温度小）、冷凍エネルギー小（設定温度大）という条件範囲で基準空間を分離することができ、それら設定温度で大まかに区分された必要な冷凍エネルギー量（擬似室内熱負荷）により距離計算を行うことができるため、正常でない運転状態の検出性能が向上する。
なお、設定温度で振り分けられたデータセットと、データ収集時間帯とで振り分けられたデータセットとを組み合わせて複数の基準空間を作成すれば、正常でない運転状態の検出性能が一層向上する。
【００５３】
また、外気温度の大小により運転データへの影響度が変化してくるため、図１５のように外気温度の範囲（Ｔａ及びＴｂ）によって複数部分基準空間（Ｓ１及びＳ２）を作成してもよい。そして監視時データセット収集時の外気温度が該当する部分基準空間を対象として、収集データセットの距離計算を行うことで、正常運転か否かの推定精度を上げることができる（図１５ではデータセットＤｎ＋１が外気温度範囲Ｔａ下で収集されたものなので、距離を部分基準空間Ｓ１を対象にして計算する）。
【００５４】
実施の形態４．
次に、実施の形態４に係る空調運転監視システムについて図１６を用いて説明する。図１６は、空調機５を起動させた際の立ち上がりデータをデータセットとして、運転状態推定部８で基準空間の作成を行い、基準空間作成後のデータセットに対してマハラノビスの距離を算出する例を示す図である。ここでの立ち上がり時間は、例えば図６及び図７で示した内容で定義することができる。なお、図１６では一日一回、空調機５が立ち上がるものしているが、一日に複数回の空調機５の起動／停止があればその回数分のデータを採用して構わない。
【００５５】
図１７の表は、ある特定の試験室において複数の環境条件に対する立ち上がり時の空調機５の運転データから、運転状態推定部８で基準空間を作成する際のデータセット（基準空間を構成する１８個のデータセットの中の一部）の一例を示したものである。正常空間におけるマハラノビスの距離は、平均が１で与えられる。これらのデータセットは、環境条件として設定温度や風速、室内熱負荷状態、時間帯を変え、一日数回、空調機５が起動／停止を繰り返した場合の数日間の運転データを元に作成している。なお、この際の立ち上がりは図６の定義によるもので、図１８に示すように、立ち上がり時間、吸込み温度−設定温度から求めた回帰直線の傾き、その他幾つかの空調機５の運転データの立ち上がり時間内の平均データを特徴量項目として用いている。
【００５６】
さらに図１９の表は、「窓を開放状態にして運転した場合」および「フィルタを目詰まり状態にして運転した場合」の運転データをデータ収集装置６で取得し、この運転データのデータセットと基準空間とのマハラノビスの距離を計算した結果を示したものである。基準空間のデータセット数では、それが５％の確率で基準空間に属する距離はおよそ４であるため、算出された距離（“７．５４”，“４．９８”，“６．３２”，“５．３５”）は異常な運転状態として検出されることがわかる。
以上の結果から、空調機５を起動させた際の立ち上がりデータに基づいて基準空間を作成し、その後収集されるデータセットの立ち上がり特性を用いてマハラノビスの距離を算出した場合にも、異常な運転状態検出には有効であることがわかる。
【００５７】
また、以上のように基準空間の作成により、立ち上がりデータ及び安定時データを用いた場合、異常運転を検出することが可能であるため、図２０に示すように、それらを１データセットとして基準空間を作成し、距離判定を行う事で更に精度よく異常運転を検出することが可能となる。
【００５８】
以上の方法で基準空間を作成する場合、正常状態を完全に維持することができないため、例えば基準データ取得中に人為的に空間の熱負荷が大きくなる（ブラインド開放、会議室に人がぎゅうぎゅう詰め）など、収集した基準空間データセットが様々なノイズの影響を受け、理想的な正常運転時のデータから少々離れてしまうことも考えられる。その場合、マハラノビスの距離の平均が１である基準空間データセットの中でも、平均からの離れ具合が大きいと想定されるため、そのマハラノビスノ距離が大きいものとして示される場合が多い。
【００５９】
そこで、ｎ＞ｋ＋２の場合に、マハラノビスの距離が最も大きいデータセットを除いてｎ−１個のデータセットから基準空間を作成することにより（例えば表２の基準空間データでは基準条件１が排除となる）、ノイズの影響を受けたデータセットを基準空間から排除することができる。
【００６０】
以下、図２１のフローチャートを用いて、具体的な処理の流れを説明する。ｉ（ｉ＝１，２，…）はデータセットＤｉのカウントを示す変数であり、ｎは設定した基準空間を構成するデータセットの個数である。まず、データ収集装置６は、メンテナンス終了後にデータ収集を開始し（Ｓ２０１）、時間幅Ｔ間での特徴量算出を行う（Ｓ２０２）。次に、運転状態推定部８は、変数ｉとｎとの比較を行い（Ｓ２０３）、変数ｉがｎ以下の場合には、データ収集装置６で収集したデータを基準データセットとして採用し、データセット記憶部１０に蓄積する（Ｓ２０４）。そして、変数ｉがｎになった場合には（Ｓ２０５）、データセット記憶部１０に記憶された複数のデータセットを読み出して、これらのデータセットのマハラノビスの距離を算出し、基準空間（Ａ）を作成する（Ｓ２０６）。
【００６１】
次に、基準空間（Ａ）の中で最大距離のデータセットを選択し（Ｓ２０７）、このデータセットを排除した基準空間（Ｂ）を作成する（Ｓ２０８）。そして、Ｓ２０７で選択した最大距離のデータセットとＳ２０８で作成した基準空間（Ｂ）とのマハラノビス距離（ＭＤ２０）を計算し（Ｓ２０９）、異常検知とするマハラノビスの距離の設定閾値（ＭＤ２ｔ：一般的には３〜４程度）とＳ２０９で算出したマハラノビス距離（ＭＤ２０）とを比較する（Ｓ２１０）。
【００６２】
この比較でマハラノビス距離（ＭＤ２０）が設定閾値（ＭＤ２ｔ）より小さい場合には、そのデータセットがノイズをほとんど受けていないものと判断して、基準空間（Ａ）を採用する（Ｓ２１１）。採用した基準空間（Ａ）は基準空間記憶部１１に記憶させる。また、マハラノビス距離（ＭＤ２０）が設定閾値（ＭＤ２ｔ）より大きな場合には、そのデータセットが大きなノイズを受けたものと判断して、基準空間（Ｂ）を採用する（Ｓ２１２）。採用した基準空間（Ｂ）は基準空間記憶部１１に記憶させる。そして、Ｓ２０５の処理で変数ｉがｎでない場合およびＳ２１１，Ｓ２１２の処理終了後、Ｓ２０１に処理を戻す。
【００６３】
ここで、Ｓ２１０〜Ｓ２１２で、基準空間（Ａ）と基準空間（Ｂ）とを選択的に採用するのは以下の理由による。まず、基準空間（Ａ）は基準空間（Ｂ）に比べてデータセット数が多いため、基準空間の幅が広がり、異常検出可能なデータの守備範囲が広くなる。また、基準空間（Ｂ）は基準空間（Ａ）に比べて幅が狭くなるが、各データセットの距離のばらつきが小さくなるため、異常検出の精度が高くなる。このように、基準空間（Ａ）と基準空間（Ｂ）とで、それぞれ性質が異なるため、Ｓ２０７で選択した最大距離のデータセットがどの程度基準空間（Ｂ）から離れているかを、設定閾値（ＭＤ２ｔ）に基づいて判断し、あまり離れていない場合には、「異常検出可能なデータの守備範囲」を重視して、基準空間（Ａ）を採用し、大きく離れている場合には、「異常検出の精度」を重視して、基準空間（Ｂ）を採用しているのである。
【００６４】
また、変数ｉがｎより大きい場合には、基準空間作成後の異常検出処理を行う。この処理では、まず基準空間記憶部１１から基準空間を読み出して、この基準空間とデータ収集装置６で収集したデータとのマハラノビスの距離（ＭＤ２）を、上述した数式を用いて計算する（Ｓ２１３）。そして、異常検知とするマハラノビスの距離の設定閾値（ＭＤ２ｔ：一般的には３〜４程度）と算出したマハラノビス距離（ＭＤ２）とを比較して（Ｓ２１４）、異常が認められればその旨を報知部９で報知する（Ｓ２１５）。また、異常が認められなければ、Ｓ２０１に処理を戻して、再度、データ収集装置６で運転データの収集を行う。
【００６５】
このような処理を行うことにより、基準データセット作成時に発生したノイズ成分を含むデータセットを取り除くことが可能となる。確率的にはデータセットの数が多ければ多いほど、排除したデータセットの新規基準空間に対する距離は小さくなる傾向にある。従って、ここでの閾値（ＭＤ２０ｔ）は基準データセット数に応じて定め、データセット数が少なければ標準的な閾値の３〜４に対し少し大きめの値を設定する。
【００６６】
また基準空間データ作成時と測定データ収集時との測定時間差が大きいと、外気温度の条件の大きな変化により基準空間作成時の外気温度と大きなずれが生じてしまう場合がある。この場合には、なるべくその時間差を狭めると測定精度が向上する。従って、測定データの一個前までのデータで基準空間を構築し、その後に収集したデータセットの距離を測定するようなデータ構成とする。その場合、その一手法としては基準データセット数を固定しておいて、一つデータが更新されるたびに一つデータを削除するなどの方法がある。この際、追加時対象となるデータが、その時点の基準空間からの距離で見て正常範囲であればそれを追加し、その代わりに一番古いデータを削除するようにする。
【００６７】
なお、本実施の形態では、監視対象装置として空調機５を例に挙げて説明したが、空調機５のみに限定されることなく、例えば、照明機器、冷蔵庫、エレベータ、エスカレータ、火災報知器など、その他の機器についても適用できることはいうまでもない。
【００６８】
【発明の効果】
本発明は以上説明したように、例えば各空調機がエネルギー的に無駄な運転状態になある場合など、運転状態に異常がある場合、その異常状態を種類によらず幅広く推定することができる。また早期異常検出が可能となるため、その報知を受けた監視者は素早い対応することが可能となる。
【００６９】
さらに、多様な現地空調システムの運転状態に基づいて基準空間を作成することができるため、その非汎用的な試験室レベルでのデータベースを補正して用いるなどの煩わしい作業が不要となり、導入の際の作業負荷が大きく削減される。
【図面の簡単な説明】
【図１】実施の形態１に係る空調運転監視システムの構成を示すブロック図である。
【図２】マハラノビスの距離を算出するためのデータセット構造を示す図である。
【図３】実施の形態１における基準空間作成の方法を示す図である。
【図４】運転状態判定の流れを示すフローチャートである。
【図５】測定データ時刻と外気温度との関係を示す図である。
【図６】立ち上がり時間及び安定時間の一例について示す図である。
【図７】立ち上がり時間及び安定時間の他の一例について示す図である。
【図８】設定温度が変化した場合のデータセットの取り扱いを示す図である。
【図９】安定時の基準空間データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図１０】安定時の無駄運転データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図１１】安定時の基準空間データセット（偏差データのみ）とそのマハラノビスの距離とを示す図である。
【図１２】安定時の無駄運転データセット（偏差データのみ）とそのマハラノビスの距離とを示す図である。
【図１３】時刻ごとに基準空間を分割する方法を示す図である。
【図１４】設定温度ごとに基準空間を分割する方法を示す図である。
【図１５】外気温度ごとに基準空間を分割する方法を示す図である。
【図１６】空調機データの立ち上がり部分を利用して基準空間を作成する方法を示す図である。
【図１７】立ち上がり時の基準空間データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図１８】立ち上がり時、距離算出に用いる特徴量の一例を示す図である。
【図１９】立ち上がり時の無駄運転データセット（平均データ）とそのマハラノビスの距離とを示す図である。
【図２０】空調機データの立ち上がり部分と安定部分のデータで基準空間を構成する方法を示す図である。
【図２１】基準空間のうち大きなノイズを含むデータセットを排除する流れを示すフローチャートである。
【符号の説明】
１…室外機、２，３…室内機、４…室内リモコン、５…空調機、６…データ収集装置（データ取得部）、７…空調監視装置、８…運転状態推定部、９…報知部、１０…データセット記憶部、１１…基準空間記憶部。
Claims (12)
- 空調機から出力される運転データを所定のサンプリングタイムで取得するデータ取得部と、前記データ取得部で取得した運転データに基づいて前記空調機の運転状態が正常か否かを推定する運転状態推定部とを備え、
前記運転部状態推定部は、複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数データセットから基準空間を構築し、その後取得したデータセットが前記基準空間に対し正常であるか否かをマハラノビスの距離を用いて判定することを特徴とする空調運転監視システム。 - 前記運転状態推定部は、前記基準空間を構成するデータセットから各日の同一時間帯のデータセットを抽出して部分基準空間とし、その後取得したデータセットがこのデータセットと同一時間帯の前記部分基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定することを特徴とする請求項１記載の空調監視システム。
- 前記運転状態推定部は、前記基準空間を構成するデータセットから同一設定温度範囲のデータセットを抽出して部分基準空間とし、その後取得したデータセットがこのデータセットと同一設定温度範囲の前記部分基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定することを特徴とする請求項１記載の空調監視システム。
- 空調機から出力される運転データを所定のサンプリングタイムで取得するデータ取得部と、前記データ取得部で取得した運転データに基づいて前記空調機の運転状態が正常か否かを推定する運転状態推定部とを備え、
前記運転状態推定部は、運転開始時の立ち上がり時間内の複数種類の運転データを対象とし、各運転データ毎に複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数のデータセットから基準空間を構築し、その後取得したデータセットが前記基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定することを特徴とする空調監視システム。 - 前記運転状態推定部は、前記基準空間におけるマハラノビスの距離が最大となるデータセットを除いて新規に基準空間を作成し、新規基準空間に対して除外したデータセットのマハラノビスの距離を算出し、その距離が新規基準空間に対して遠いと判定された場合には、新規基準空間を新たな基準空間として更新することを特徴とする請求項１から請求項４のいずれか一項に記載の空調監視システム。
- 前記運転部状態推定部は、メンテナンス完了時からの複数種類の運転データを対象としていることを特徴とする請求項１から請求項５のいずれか一項に記載の空調運転監視システム。
- 監視対象装置から出力される複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数のデータセットから基準空間を構築し、その後取得したデータセットが前記基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定して、前記監視対象装置の運転状態の異常を検出することを特徴とする異常検出方法。
- 監視対象装置から出力される運転開始時の立ち上がり時間内の複数種類の運転データを対象とし、各運転データ毎に複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数のデータセットから基準空間を構築し、その後取得したデータセットが前記基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定して、前記監視対象装置の運転状態の異常を検出することを特徴とする異常検出方法。
- 前記基準空間におけるマハラノビスの距離が最大となるデータセットを除いて新規に基準空間を作成し、新規基準空間に対して除外したデータセットのマハラノビスの距離を算出し、その距離が基準空間から所定の距離より遠いと判定された場合には、新規基準空間を新たな基準空間として更新することを特徴とする請求項７又は請求項８記載の異常検出方法。
- 監視対象装置から出力される運転データに基づいて前記監視対象装置の運転状態が正常か否かを推定する異常検出装置であって、
複数種類の運転データを対象とし、各運転データ毎に所定時間内に含まれる複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数のデータセットから基準空間を構築し、その後取得したデータセットが前記基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定して、前記監視対象装置の運転状態の異常を検出することを特徴とする異常検出装置。 - 監視対象装置から出力される運転データに基づいて前記監視対象装置の運転状態が正常か否かを推定する異常検出装置であって、
運転開始時の立ち上がり時間内の複数種類の運転データを対象とし、各運転データ毎に複数サンプリングデータを処理して得られるデータを特徴量データとし、これらの特徴量データを纏めて１データセットとすると共に、順次取得した複数のデータセットから基準空間を構築し、その後取得したデータセットが前記基準空間に対し正常範囲であるか否かをマハラノビスの距離を用いて判定して、前記監視対象装置の運転状態の異常を検出することを特徴とする異常検出装置。 - 前記基準空間におけるマハラノビスの距離が最大となるデータセットを除いて新規に基準空間を作成し、新規基準空間に対して除外したデータセットのマハラノビスの距離を算出し、その距離が基準空間から所定の距離より遠いと判定された場合には、新規基準空間を新たな基準空間として更新することを特徴とする請求項１０又は請求項１１記載の異常検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003022532A JP2004232968A (ja) | 2003-01-30 | 2003-01-30 | 空調運転監視システム、異常検出方法および異常検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003022532A JP2004232968A (ja) | 2003-01-30 | 2003-01-30 | 空調運転監視システム、異常検出方法および異常検出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2004232968A true JP2004232968A (ja) | 2004-08-19 |
Family
ID=32951584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003022532A Pending JP2004232968A (ja) | 2003-01-30 | 2003-01-30 | 空調運転監視システム、異常検出方法および異常検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2004232968A (ja) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006201317A (ja) * | 2005-01-18 | 2006-08-03 | Ricoh Co Ltd | 異常判定装置及び画像形成装置 |
| JP2006201290A (ja) * | 2005-01-18 | 2006-08-03 | Ricoh Co Ltd | 異常判定装置 |
| JP2006259090A (ja) * | 2005-03-16 | 2006-09-28 | Ricoh Co Ltd | 異常判定装置及び画像形成装置 |
| JP2006266642A (ja) * | 2005-03-25 | 2006-10-05 | Daikin Ind Ltd | 冷媒漏洩検知システム |
| JP2006336901A (ja) * | 2005-05-31 | 2006-12-14 | Mitsubishi Electric Building Techno Service Co Ltd | 空気調和装置の監視装置 |
| JP2007205614A (ja) * | 2006-01-31 | 2007-08-16 | Mitsubishi Electric Corp | 空気調和機の点検サービスシステム |
| JP2007213193A (ja) * | 2006-02-08 | 2007-08-23 | Yokogawa Electric Corp | 状況解析システムおよび状況解析方法 |
| JP2007213194A (ja) * | 2006-02-08 | 2007-08-23 | Yokogawa Electric Corp | 状況解析システムおよび状況解析方法 |
| JP2008008996A (ja) * | 2006-06-27 | 2008-01-17 | Ricoh Co Ltd | 異常判定装置、画像形成装置および保守システム |
| WO2009107805A1 (ja) * | 2008-02-27 | 2009-09-03 | 三菱重工業株式会社 | プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置 |
| JP2009536407A (ja) * | 2006-05-07 | 2009-10-08 | アプライド マテリアルズ インコーポレイテッド | 適応多変数故障検出 |
| US7778555B2 (en) | 2005-01-18 | 2010-08-17 | Ricoh Company, Limited | Abnormality determining apparatus, image forming apparatus, copying machine, and information obtaining method |
| JP2010181188A (ja) * | 2009-02-03 | 2010-08-19 | Mitsubishi Heavy Ind Ltd | プラント運転状態監視方法 |
| CN101324363B (zh) * | 2007-06-11 | 2010-10-27 | 海尔集团公司 | 一种空调监测系统 |
| JP2012064085A (ja) * | 2010-09-17 | 2012-03-29 | Toshiba Corp | 製造プロセスの監視システムおよび製造プロセスの監視方法 |
| JP2013011425A (ja) * | 2011-06-30 | 2013-01-17 | Mitsubishi Electric Building Techno Service Co Ltd | 空調分析装置及び空調分析方法 |
| JP2013050759A (ja) * | 2011-08-30 | 2013-03-14 | Ihi Corp | 異常診断装置 |
| JP2016045808A (ja) * | 2014-08-25 | 2016-04-04 | 株式会社東芝 | 異常検知システム及び半導体デバイスの製造方法 |
| JP2019133454A (ja) * | 2018-01-31 | 2019-08-08 | 大陽日酸株式会社 | 装置の異常検出方法 |
| JP2019143928A (ja) * | 2018-02-22 | 2019-08-29 | 三菱電機株式会社 | 異常検知装置、異常検知システム、異常検知方法、及び、プログラム |
| JP2019200650A (ja) * | 2018-05-17 | 2019-11-21 | 三菱重工業株式会社 | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム |
| US10527371B2 (en) | 2014-10-20 | 2020-01-07 | Mitsubishi Hitachi Power Systems, Ltd. | Heat exchanger monitoring device that determines the presence or absence of an anomaly of a heat transfer surface of a heat transfer tube |
| WO2021176594A1 (ja) * | 2020-03-04 | 2021-09-10 | 三菱電機株式会社 | 遠隔保守管理システムにおけるサーバ及び遠隔保守管理システム |
-
2003
- 2003-01-30 JP JP2003022532A patent/JP2004232968A/ja active Pending
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006201317A (ja) * | 2005-01-18 | 2006-08-03 | Ricoh Co Ltd | 異常判定装置及び画像形成装置 |
| JP2006201290A (ja) * | 2005-01-18 | 2006-08-03 | Ricoh Co Ltd | 異常判定装置 |
| JP4642485B2 (ja) * | 2005-01-18 | 2011-03-02 | 株式会社リコー | 異常判定装置 |
| JP4681890B2 (ja) * | 2005-01-18 | 2011-05-11 | 株式会社リコー | 異常判定装置及び画像形成装置 |
| US7778555B2 (en) | 2005-01-18 | 2010-08-17 | Ricoh Company, Limited | Abnormality determining apparatus, image forming apparatus, copying machine, and information obtaining method |
| JP2006259090A (ja) * | 2005-03-16 | 2006-09-28 | Ricoh Co Ltd | 異常判定装置及び画像形成装置 |
| JP2006266642A (ja) * | 2005-03-25 | 2006-10-05 | Daikin Ind Ltd | 冷媒漏洩検知システム |
| JP2006336901A (ja) * | 2005-05-31 | 2006-12-14 | Mitsubishi Electric Building Techno Service Co Ltd | 空気調和装置の監視装置 |
| JP4573701B2 (ja) * | 2005-05-31 | 2010-11-04 | 三菱電機ビルテクノサービス株式会社 | 空気調和装置の監視装置 |
| JP2007205614A (ja) * | 2006-01-31 | 2007-08-16 | Mitsubishi Electric Corp | 空気調和機の点検サービスシステム |
| JP4638359B2 (ja) * | 2006-01-31 | 2011-02-23 | 三菱電機株式会社 | 空気調和機の点検サービスシステム |
| JP2007213194A (ja) * | 2006-02-08 | 2007-08-23 | Yokogawa Electric Corp | 状況解析システムおよび状況解析方法 |
| JP2007213193A (ja) * | 2006-02-08 | 2007-08-23 | Yokogawa Electric Corp | 状況解析システムおよび状況解析方法 |
| JP2009536407A (ja) * | 2006-05-07 | 2009-10-08 | アプライド マテリアルズ インコーポレイテッド | 適応多変数故障検出 |
| JP2008008996A (ja) * | 2006-06-27 | 2008-01-17 | Ricoh Co Ltd | 異常判定装置、画像形成装置および保守システム |
| CN101324363B (zh) * | 2007-06-11 | 2010-10-27 | 海尔集团公司 | 一种空调监测系统 |
| JPWO2009107805A1 (ja) * | 2008-02-27 | 2011-07-07 | 三菱重工業株式会社 | プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置 |
| WO2009107805A1 (ja) * | 2008-02-27 | 2009-09-03 | 三菱重工業株式会社 | プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置 |
| KR101109914B1 (ko) * | 2008-02-27 | 2012-02-29 | 미츠비시 쥬고교 가부시키가이샤 | 플랜트 상태 감시 방법, 플랜트 상태 감시용 프로그램을 기록한 컴퓨터로 판독가능한 기록 매체 및 플랜트 상태 감시 장치 |
| US10648888B2 (en) | 2008-02-27 | 2020-05-12 | Mitsubishi Hitachi Power Systems, Ltd. | Plant state monitoring method, plant state monitoring computer program, and plant state monitoring apparatus |
| JP2012067757A (ja) * | 2008-02-27 | 2012-04-05 | Mitsubishi Heavy Ind Ltd | プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置 |
| JP5031088B2 (ja) * | 2008-02-27 | 2012-09-19 | 三菱重工業株式会社 | プラント状態監視方法、プラント状態監視用コンピュータプログラム、及びプラント状態監視装置 |
| JP2010181188A (ja) * | 2009-02-03 | 2010-08-19 | Mitsubishi Heavy Ind Ltd | プラント運転状態監視方法 |
| US9268325B2 (en) | 2010-09-17 | 2016-02-23 | Kabushiki Kaisha Toshiba | Manufacturing process monitoring system and manufacturing process monitoring method |
| JP2012064085A (ja) * | 2010-09-17 | 2012-03-29 | Toshiba Corp | 製造プロセスの監視システムおよび製造プロセスの監視方法 |
| JP2013011425A (ja) * | 2011-06-30 | 2013-01-17 | Mitsubishi Electric Building Techno Service Co Ltd | 空調分析装置及び空調分析方法 |
| JP2013050759A (ja) * | 2011-08-30 | 2013-03-14 | Ihi Corp | 異常診断装置 |
| JP2016045808A (ja) * | 2014-08-25 | 2016-04-04 | 株式会社東芝 | 異常検知システム及び半導体デバイスの製造方法 |
| US9972517B2 (en) | 2014-08-25 | 2018-05-15 | Toshiba Memory Corporation | Anomaly detection system and method of manufacturing semiconductor device |
| US10527371B2 (en) | 2014-10-20 | 2020-01-07 | Mitsubishi Hitachi Power Systems, Ltd. | Heat exchanger monitoring device that determines the presence or absence of an anomaly of a heat transfer surface of a heat transfer tube |
| JP2019133454A (ja) * | 2018-01-31 | 2019-08-08 | 大陽日酸株式会社 | 装置の異常検出方法 |
| JP2019143928A (ja) * | 2018-02-22 | 2019-08-29 | 三菱電機株式会社 | 異常検知装置、異常検知システム、異常検知方法、及び、プログラム |
| JP7204328B2 (ja) | 2018-02-22 | 2023-01-16 | 三菱電機株式会社 | 異常検知装置、異常検知システム、異常検知方法、及び、プログラム |
| JP2019200650A (ja) * | 2018-05-17 | 2019-11-21 | 三菱重工業株式会社 | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム |
| JP7091139B2 (ja) | 2018-05-17 | 2022-06-27 | 三菱重工業株式会社 | 異常予兆検知システムの制御装置、これを備えるプラント、及び異常予兆検知システムの制御方法並びに制御プログラム |
| WO2021176594A1 (ja) * | 2020-03-04 | 2021-09-10 | 三菱電機株式会社 | 遠隔保守管理システムにおけるサーバ及び遠隔保守管理システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2004232968A (ja) | 空調運転監視システム、異常検出方法および異常検出装置 | |
| US9417000B1 (en) | Cost-effective remote monitoring, diagnostic and system health prediction system and method for vapor compression and heat pump units based on compressor discharge line temperature sampling | |
| EP2513576B1 (en) | Power monitor for vapor compression equipment diagnostics | |
| US7188482B2 (en) | Fault diagnostics and prognostics based on distance fault classifiers | |
| US20160370026A1 (en) | Post-installation learning fault detection | |
| Kim et al. | Development and evaluation of virtual refrigerant mass flow sensors for fault detection and diagnostics | |
| US7836707B2 (en) | Methods for detecting and responding to freezing coils in HVAC systems | |
| EP2426433A2 (en) | Performance evaluation device for centrifugal chiller | |
| CN107120794B (zh) | 空调器运行工况调节方法及空调器 | |
| MX2008015139A (es) | Sistema de control y metodo para operar un sistema de enfriamiento. | |
| JP3746729B2 (ja) | 機器の劣化を検出する方法 | |
| US11441800B2 (en) | Autonomous machine learning diagonostic system with simplified sensors for home appliances | |
| CN111272454B (zh) | 异常诊断装置及异常诊断方法 | |
| US20060234382A1 (en) | System and Method for Predicting Mold Growth in an Environment | |
| JP4572447B2 (ja) | 故障診断方法、故障診断装置、及び記録媒体 | |
| TWI753417B (zh) | 冷卻系統的監控方法及其監控裝置 | |
| Kim et al. | Improving HVAC operational efficiency in small-and medium-size commercial buildings | |
| JP2004234302A (ja) | プロセス管理装置 | |
| EP3879197A1 (en) | Air-conditioning control device, refrigerant circuit control device, inspection method, and program | |
| KR20090067738A (ko) | 공기조화기의 제어방법 | |
| Ejenakevwe et al. | Investigation of an IoT-Based Approach for Automated Fault Detection in Residential HVAC Systems. | |
| EP4317848A1 (en) | Air conditioning system, abnormality estimation method for air conditioning system, air conditioner and abnormality estimation method for air conditioner | |
| EP4317820A1 (en) | Air-conditioning system, refrigerant amount estimation method for air-conditioning system, air conditioner, and refrigerant amount estimation method for air conditioner | |
| JP2005037022A (ja) | 機器管理装置 | |
| CN113847713B (zh) | 一种基于冷量与质量的空调水泵能效诊断方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7421 Effective date: 20040709 |