JP2010191566A - Model function update processing apparatus and method - Google Patents
Model function update processing apparatus and method Download PDFInfo
- Publication number
- JP2010191566A JP2010191566A JP2009033549A JP2009033549A JP2010191566A JP 2010191566 A JP2010191566 A JP 2010191566A JP 2009033549 A JP2009033549 A JP 2009033549A JP 2009033549 A JP2009033549 A JP 2009033549A JP 2010191566 A JP2010191566 A JP 2010191566A
- Authority
- JP
- Japan
- Prior art keywords
- polarity
- input parameter
- model function
- determination
- parameter
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims description 67
- 238000004458 analytical method Methods 0.000 claims abstract description 102
- 238000003860 storage Methods 0.000 claims abstract description 86
- 238000012886 linear function Methods 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims description 135
- 238000009826 distribution Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 17
- 238000003672 processing method Methods 0.000 claims description 16
- 230000007423 decrease Effects 0.000 claims description 14
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 255
- 238000004378 air conditioning Methods 0.000 description 25
- 238000013500 data storage Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 11
- 238000000491 multivariate analysis Methods 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 9
- 238000001816 cooling Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007791 dehumidification Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Air Conditioning Control Device (AREA)
Abstract
Description
本発明は、例えば空調設備を近似対象としてモデル関数式を算出し、近似対象の状況に応じてモデル関数式を適宜更新するモデル関数更新処理装置および方法に関するものである。 The present invention relates to a model function update processing apparatus and method for calculating a model function formula for an approximation target of, for example, an air conditioning facility and appropriately updating the model function formula according to the situation of the approximation target.
従来より、空調システムの最適運転制御方法として、種々の方法が提案されている。特許文献１には、シミュレーションモデルを用いて空調設備の運転制御を行なう方法が開示されている。この運転制御方法では、空調設備全体のシミュレーションモデルが予め構築され、このシミュレーションモデル上で空調設備の運転のシミュレーションが行なわれることにより、空調設備全体のランニングコストが最小となる最適制御目標値が求められる。そして、この最適制御目標値を用いて、実際の空調設備の運転が行なわれる。
Conventionally, various methods have been proposed as an optimal operation control method for an air conditioning system.
しかし、特許文献１に開示された運転制御方法では、空調設備全体のシミュレーションモデルを予め構築する必要がある。しかも、実際の空調設備では、設置状況および運転状況に応じて動作特性が各空調設備で異なっている。そのため、シミュレーションモデルを実際の空調設備の動作特性と合わせるために、調整作業が必要である。この調整作業は、多くの時間と労力を必要とする。
However, in the operation control method disclosed in
調整作業に多くの時間と労力を必要とするという状況は、空調システムに限らず、例えば石油・化学の工業プラントや、半導体製造プロセスなどにおいても発生する。すなわち、装置や設備の設置環境によって動作特性が異なるとか、同一の装置や設備であっても時間の経過とともに動作特性が変化してくるという問題があり、予め構築したシミュレーションモデルでは不十分になることがある。 The situation of requiring a lot of time and labor for the adjustment work occurs not only in the air conditioning system but also in, for example, an oil / chemical industrial plant or a semiconductor manufacturing process. In other words, there is a problem that the operating characteristics vary depending on the installation environment of the device or equipment, or even if the same device or equipment is used, the operating characteristics change over time, and a simulation model built in advance is insufficient. Sometimes.
そこで、装置や設備の設置環境によって動作特性が異なるとか、同一の装置や設備であっても時間の経過とともに動作特性が変化してくるというような状況に対応する技術として、例えば特許文献２には、制御対象についての入出力関係を示すデータをファジィ数量化II類の手法で分析し、結果として得られる特性分布を近似するモデル関数を算出するモデリングアルゴリズムを実行する手段と、生成されたモデル関数を用いて制御対象からの入力信号に対する出力を算出する制御アルゴリズムを実行する際、所定時間毎にデータをとり、それを用いてモデリングアルゴリズムを実行することでモデル関数の修正、更新を行なう手段とを有する非線形制御装置が開示されている。
Therefore, for example,
この非線形制御装置によれば、例えば空調システムの運転を対象とする場合であれば、モデル関数を算出する手段は、空調システムの運転時の計測データを用いて、運転に関連するモデル関数を決定することになる。したがって、シミュレーションや推定のためのモデルを予め構築することなく、空調システムの運転に関連するモデル関数を決定することもできる。制御可能な変数の最適化に適用するのであれば、空調システムの設置状況および運転状況に応じて最適化を行なうことも可能になる。このように、用途に応じて入出力信号を適宜選択すればよい。 According to this non-linear control device, for example, when the operation of the air conditioning system is targeted, the means for calculating the model function uses the measurement data during the operation of the air conditioning system to determine the model function related to the operation. Will do. Therefore, a model function related to the operation of the air conditioning system can be determined without building a model for simulation or estimation in advance. If the present invention is applied to the optimization of controllable variables, the optimization can be performed in accordance with the installation status and operation status of the air conditioning system. In this way, the input / output signal may be appropriately selected according to the application.
同様の構成は、特許文献３などにも記載されており、石油・化学の工業プラントや空調システムでは、運転時の計測データを用いてモデル関数の修正・更新を行なうのが、常套手段になっている。
A similar configuration is also described in
特許文献２、特許文献３に開示された技術では、例えば空調システムの省エネルギー性と快適性の両立を図ろうとするような多目的最適化の課題に対しては、通常は複数のモデル関数が利用されることになり、季節変動なども考慮して運転時の計測データを用いてモデル関数の修正・更新を行なう必要もある。
そこで、多目的最適化などのためにオンラインでモデル関数を更新することになるが、得られるデータが常にモデル関数を算出するために妥当なものになるとは限らないという問題点があった。
In the techniques disclosed in
Therefore, the model function is updated online for multi-objective optimization and the like, but there is a problem that the obtained data is not always valid for calculating the model function.
例えば、冷却装置を用いて相対湿度を制御する場合に、冷却能力を上げれば除湿が行なわれることになるが、同時に温度も下がるので、相対湿度が上がる要素も発生する。通常は、冷却能力を上げた結果として相対湿度が上がるということはあり得ないのだが、空調システムのように周囲の環境の影響を受ける場合には、冷却能力を上げた結果として相対湿度が上がったかのようなデータが得られてしまうことも起こる。すなわち、このデータからモデル関数を算出すると、相対湿度を上げるためには冷却能力を上げればよいという結果になってしまい、最適化などの性能を損ねることになる。
以上のような問題点は、モデル関数（多目的最適化の場合は目的関数に相当する）を更新するときに、全く無制約で更新してしまうことにより発生する問題点である。
For example, when the relative humidity is controlled by using a cooling device, dehumidification is performed if the cooling capacity is increased, but at the same time, the temperature is decreased, so that an element for increasing the relative humidity is also generated. Normally, it is unlikely that the relative humidity will increase as a result of increasing the cooling capacity, but if it is affected by the surrounding environment like an air conditioning system, the relative humidity will increase as a result of increasing the cooling capacity. It may happen that such data is obtained. That is, when the model function is calculated from this data, the result is that the cooling capacity needs to be increased in order to increase the relative humidity, and performance such as optimization is impaired.
The problems as described above are problems caused by updating the model function (corresponding to the objective function in the case of multi-objective optimization) without any restrictions.
本発明は、上記課題を解決するためになされたもので、不適切なモデル関数が算出されてしまう確率を低減することができるモデル関数更新処理装置および方法を提供することを目的とする。 The present invention has been made to solve the above-described problem, and an object of the present invention is to provide a model function update processing apparatus and method that can reduce the probability that an inappropriate model function is calculated.
本発明のモデル関数更新処理装置は、近似対象の入出力関係を表す分析用データが入力されたときに、この分析用データに基づいて前記近似対象のモデル関数式を算出するモデル関数式算出手段と、前記近似対象における入力パラメータと出力パラメータとの関係の極性を示す極性情報が予め登録された極性知見記憶手段と、前記モデル関数式と同一または異なる判定用関数式に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する極性判定手段と、モデル関数式を記憶するモデル関数式記憶手段と、前記極性判定手段が全ての入力パラメータについて極性一致と判定したときのみ、前記モデル関数式記憶手段に記憶されたモデル関数式を前記モデル関数式算出手段が算出したモデル関数式に更新するモデル関数式更新処理手段とを備えることを特徴とするものである。
また、本発明のモデル関数更新処理装置の１構成例は、さらに、前記極性判定手段が少なくとも１個の入力パラメータについて極性不一致と判定したときに、モデル関数式の更新が妥当でないことをオペレータに通知する通知手段を備えることを特徴とするものである。
The model function update processing device of the present invention, when analysis data representing an input / output relationship of an approximation target is input, a model function formula calculation means for calculating the model function formula of the approximation target based on the analysis data And polarity knowledge storage means in which polarity information indicating the polarity of the relationship between the input parameter and the output parameter in the approximation target is registered in advance, and the input parameter based on the determination function formula that is the same as or different from the model function formula Polarity determination means for each input parameter, and for each input parameter, whether or not this polarity matches a polarity registered in advance in the polarity knowledge storage means, and a model function formula Only when the model function expression storage means for storing the polarity and the polarity determination means determine that the polarity matches for all input parameters. Is characterized in that and a model function expression updating means for updating the Le function expression memory means in the storage model function expression on the model function expression model function equation calculation means has calculated.
In addition, one configuration example of the model function update processing device according to the present invention further provides the operator that the update of the model function expression is not valid when the polarity determination unit determines that the polarity mismatch is determined for at least one input parameter. It is characterized by comprising notifying means for notifying.
また、本発明のモデル関数更新処理装置の１構成例において、前記極性判定手段は、前記分析用データに基づいて前記近似対象を近似した１次の判定用関数式を算出する１次関数式算出手段と、この１次関数式算出手段が算出した１次の判定用関数式における各入力パラメータの係数の正負から、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する１次関数式係数判定手段とからなることを特徴とするものである。
また、本発明のモデル関数更新処理装置の１構成例において、前記極性判定手段は、前記分析用データに基づいて前記近似対象を近似した奇数次の判定用関数式を算出する判定用関数式算出手段と、この判定用関数式算出手段が算出した判定用関数式における各入力パラメータの独立最高次の項の係数の正負に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する独立最高次係数判定手段とからなることを特徴とするものである。
また、本発明のモデル関数更新処理装置の１構成例において、前記極性判定手段は、前記分析用データに基づいて前記近似対象を近似した判定用関数式を算出する判定用関数式算出手段と、この判定用関数式算出手段が算出した判定用関数式において特定の入力パラメータ以外の各入力パラメータを想定される変動範囲内の代表値に固定して前記特定の入力パラメータを想定される最小値から最大値の間で変化させ、前記出力パラメータの変化を求めることを入力パラメータ毎に行う代表値周辺検証計算手段と、この代表値周辺検証計算手段で計算された、前記入力パラメータに対する前記出力パラメータの変化から、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する代表値周辺増減判定手段とからなることを特徴とするものである。
Further, in one configuration example of the model function update processing device of the present invention, the polarity determination unit calculates a primary function formula that calculates a primary determination function formula that approximates the approximation target based on the analysis data. And the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter based on the sign of the coefficient of each input parameter in the primary determination function equation calculated by the linear function equation calculating unit. It comprises linear function equation coefficient determination means for determining for each input parameter whether the polarity matches the polarity registered in advance in the polarity knowledge storage means.
Further, in one configuration example of the model function update processing device of the present invention, the polarity determination unit calculates an odd-order determination function equation that approximates the approximation target based on the analysis data. And the polarity of the relationship between the input parameter and the output parameter for each input parameter based on the sign of the coefficient of the independent highest-order term of each input parameter in the determination function equation calculated by the determination function equation calculation unit. And an independent highest-order coefficient determination unit that determines, for each input parameter, whether or not this polarity matches a polarity registered in advance in the polarity knowledge storage unit.
Further, in one configuration example of the model function update processing device of the present invention, the polarity determination unit includes a determination function equation calculation unit that calculates a determination function equation that approximates the approximation target based on the analysis data, In the determination function formula calculated by the determination function formula calculation means, each input parameter other than the specific input parameter is fixed to a representative value within an assumed fluctuation range, and the specific input parameter is determined from the assumed minimum value. Representative value peripheral verification calculation means for each input parameter to obtain a change in the output parameter by changing between the maximum values, and the output parameter relative to the input parameter calculated by the representative value peripheral verification calculation means From the change, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter, and this polarity is stored in the polarity knowledge storage means. And it is characterized in that consisting of whether the representative value near change determining means for determining for each input parameter or matches the polarity that is fit registered.
また、本発明のモデル関数更新処理装置の１構成例において、前記極性判定手段は、前記分析用データに基づいて前記近似対象を近似した判定用関数式を算出する判定用関数式算出手段と、この判定用関数式算出手段が算出した判定用関数式において前記出力パラメータを前記入力パラメータで偏微分した偏微分多項式を入力パラメータ毎に算出する偏微分多項式算出手段と、この偏微分多項式算出手段が算出した偏微分多項式の微分係数の正負の分布に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する微分係数分布判定手段とからなることを特徴とするものである。
また、本発明のモデル関数更新処理装置の１構成例において、前記極性知見記憶手段は、前記極性情報として、入力パラメータ値の特定の条件下での出力パラメータ値の大小関係を入力パラメータ毎に記憶し、前記極性判定手段は、前記判定用関数式から、前記極性情報で規定された入力パラメータ値の条件下での出力パラメータ値の大小関係を入力パラメータ毎に求め、この大小関係が前記極性情報で規定された大小関係と一致するかどうかを入力パラメータ毎に判定することを特徴とするものである。
また、本発明のモデル関数更新処理装置の１構成例は、さらに、前記近似対象の入力パラメータ値を取得する入力パラメータ値取得手段と、前記モデル関数式記憶手段に記憶されたモデル関数式を用いて、前記入力パラメータ値取得手段が取得した入力パラメータ値から出力パラメータ値を算出するモデル関数値算出手段とを備えることを特徴とするものである。
Further, in one configuration example of the model function update processing device of the present invention, the polarity determination unit includes a determination function equation calculation unit that calculates a determination function equation that approximates the approximation target based on the analysis data, A partial differential polynomial calculating means for calculating, for each input parameter, a partial differential polynomial obtained by partial differentiation of the output parameter with the input parameter in the determination functional expression calculated by the determination functional expression calculating means; Based on the positive / negative distribution of the differential coefficient of the calculated partial differential polynomial, the polarity of the relationship between the input parameter and the output parameter is discriminated for each input parameter, and this polarity is pre-registered in the polarity knowledge storage means. It comprises differential coefficient distribution determining means for determining whether or not they match for each input parameter.
Further, in one configuration example of the model function update processing device of the present invention, the polarity knowledge storage unit stores, as the polarity information, the magnitude relationship of the output parameter value for each input parameter under a specific condition of the input parameter value. Then, the polarity determination means obtains the magnitude relationship of the output parameter values for each input parameter from the judgment function formula under the condition of the input parameter value defined by the polarity information, and the magnitude relationship is obtained from the polarity information. It is characterized in that it is determined for each input parameter whether or not it matches the magnitude relationship defined in.
In addition, one configuration example of the model function update processing device of the present invention further uses an input parameter value acquisition unit that acquires the input parameter value to be approximated, and a model function formula stored in the model function formula storage unit. And a model function value calculating means for calculating an output parameter value from the input parameter value acquired by the input parameter value acquiring means.
また、本発明のモデル関数更新処理方法は、近似対象の入出力関係を表す分析用データが入力されたときに、この分析用データに基づいて前記近似対象のモデル関数式を算出するモデル関数式算出手順と、前記モデル関数式と同一または異なる判定用関数式に基づいて、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、前記近似対象における入力パラメータと出力パラメータとの関係の極性を示す極性情報が予め登録された極性知見記憶手段を参照して、前記判別した極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する極性判定手順と、この極性判定手順で全ての入力パラメータについて極性一致と判定したときのみ、モデル関数式記憶手段に記憶されたモデル関数式を前記モデル関数式算出手順で算出したモデル関数式に更新するモデル関数式更新処理手順とを備えることを特徴とするものである。 The model function update processing method of the present invention is a model function formula for calculating the model function formula of the approximation target based on the analysis data when the analysis data representing the input / output relationship of the approximation target is input. Based on the calculation procedure and a determination function equation that is the same as or different from the model function equation, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter, and the relationship between the input parameter and the output parameter in the approximation target is determined. Polarity determination procedure for determining, for each input parameter, whether or not the determined polarity matches the polarity registered in advance in the polarity knowledge storage means with reference to polarity knowledge storage means in which polarity information indicating polarity is registered in advance And the model stored in the model function formula storage means only when it is determined that the polarity matches for all input parameters in this polarity determination procedure. It is characterized in that and a model function expression update procedure for updating the formula to model function expression calculated by the model function expression calculation step.
本発明では、モデル関数式と同一または異なる判定用関数式に基づいて、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定し、全ての入力パラメータについて極性一致と判定したときのみ、モデル関数式記憶手段に記憶されたモデル関数式をモデル関数式算出手段が算出したモデル関数式に更新するようにしている。その結果、分析用データに不適切なデータが含まれている等の理由により、少なくとも１個の入力パラメータについて極性不一致と判定されるときには、モデル関数式を更新しないので、不適切なモデル関数が算出されてしまう確率を低減することができる。 In the present invention, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter based on a determination function equation that is the same as or different from the model function equation, and this polarity is a pre-registered polarity in the polarity knowledge storage means. Whether or not they match is determined for each input parameter, and only when it is determined that the polarities match for all input parameters, the model function formula stored in the model function formula storage means is changed to the model function formula calculated by the model function formula calculation means. I try to update it. As a result, the model function formula is not updated when it is determined that the polarities do not match for at least one input parameter, for example, because the analysis data includes inappropriate data. The probability of being calculated can be reduced.
また、本発明では、極性判定手段が少なくとも１個の入力パラメータについて極性不一致と判定したときに、オペレータに通知するようにしたので、オペレータは、モデル関数式の更新が妥当でないことを認識することができる。その結果、オペレータは、分析用データの再収集などの適切な処置をとることができる。 Further, in the present invention, when the polarity determination means determines that the polarity does not match for at least one input parameter, the operator is notified that the update of the model function expression is not valid. Can do. As a result, the operator can take appropriate measures such as recollecting the analysis data.
［発明の原理１］
運転時の計測データなどを用いて、実質的にオンラインでモデル関数（目的関数）を自動更新する場合に、オペレータ、ユーザの概略的な知見（入出力パラメータ間の関係の極性など）を活用することにより、常識的な更新を維持する確率を向上できることに発明者は着眼した。
[Principle of Invention 1]
Utilize rough knowledge of operators and users (such as the polarity of the relationship between input and output parameters) when model functions (objective functions) are automatically updated substantially online using measurement data during operation. Thus, the inventor noticed that the probability of maintaining a common sense update can be improved.
例えば、上記の相対湿度の問題であれば、冷却能力を上げると相対湿度は下がるという入出力パラメータ間の関係の極性（この場合は単調減少なので負極性）を、知見として予め登録しておき、運転時の計測データなどを用いてモデル関数（目的関数）を算出した時点で、冷却能力と相対湿度の関係の極性をチェックすればよい。得られたモデル関数（目的関数）の極性が予め登録された極性と一致しない場合には、モデル関数の自動更新を却下するとか、アラームに相当する信号をオペレータに通知するようにすればよい。 For example, in the case of the above relative humidity problem, the polarity of the relationship between the input and output parameters that the relative humidity decreases when the cooling capacity is increased (in this case, since it is monotonously decreased), the polarity is registered in advance as knowledge, What is necessary is just to check the polarity of the relationship between cooling capacity and relative humidity at the time of calculating the model function (objective function) using measurement data during operation. If the polarity of the obtained model function (objective function) does not match the polarity registered in advance, the automatic update of the model function may be rejected or a signal corresponding to an alarm may be notified to the operator.
［発明の原理２］
入力パラメータと出力パラメータの関係が単調減少関係か単調増加関係になる場合は、上記発明の原理１で説明した数式処理的な極性によるチェックは単純でわかりやすい。しかし、完全に単調な関係になるとは限らないと考えられる場合（略単調な関係）は、数式処理的な極性によるチェックは必ずしも妥当ではない。このような場合は、特別な知見のある入力パラメータ値の条件を特定し、その条件での出力パラメータ値が妥当な大小関係にあるかどうかをチェックすることが好ましい。
[Principle of Invention 2]
When the relationship between the input parameter and the output parameter is a monotonically decreasing relationship or a monotonically increasing relationship, the check based on the mathematical expression polarity described in the
［第１の実施の形態］
以下、本発明の実施の形態について図面を参照して説明する。図１は本発明の第１の実施の形態に係るモデル関数更新処理装置の構成を示すブロック図である。本実施の形態は、上記発明の原理１に基づくものである。モデル関数更新処理装置は、近似対象の入出力関係を表す分析用データを記憶する分析用データ記憶部１と、分析用データに基づいて近似対象のモデル関数式を算出するモデル関数式算出部２と、分析用データに基づいて近似対象を近似した１次関数式を算出する１次関数式算出部３と、１次関数式における各入力パラメータの係数の正負から、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が後述する極性知見記憶部６に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する１次関数式係数判定部４と、近似対象における入力パラメータと出力パラメータとの関係の極性を示す極性情報が予め登録された極性知見記憶部６と、１次関数式係数判定部４が全ての入力パラメータについて極性一致と判定したときのみ、後述するモデル関数式記憶部８に記憶されたモデル関数式をモデル関数式算出部２が算出したモデル関数式に更新するモデル関数式更新処理部７と、モデル関数式記憶部８と、モデル関数式を用いて入力パラメータ値から出力パラメータ値を算出するモデル関数値算出部９と、近似対象の入力パラメータ値を取得する入力パラメータ値取得部１０と、モデル関数値算出部９が計算した出力パラメータ値を出力する出力パラメータ値出力部１１とから成る。
[First Embodiment]
Hereinafter, embodiments of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a configuration of a model function update processing apparatus according to the first embodiment of the present invention. This embodiment is based on the first principle of the invention. The model function update processing device includes an analysis
１次関数式算出部３と１次関数式係数判定部４とは、極性判定部５を構成している。モデル関数式更新処理部７は、極性判定部５が少なくとも１個の入力パラメータについて極性不一致と判定したときに、モデル関数式の更新が妥当でないことをオペレータに通知する通知手段を構成している。
The linear function
図１のモデル関数更新処理装置の動作を図２、図３のフローチャートを参照して説明する。図２はモデル関数更新処理装置のモデル関数式算出・更新処理を示すフローチャート、図３はモデル関数更新処理装置の出力パラメータ値算出処理を示すフローチャートである。まず、モデル関数更新処理装置のモデル関数式算出・更新処理について説明する。モデル関数式の近似対象としては、例えば空調設備がある。この場合、モデル関数式は、空調設備のシミュレーションのために生成される。オペレータは、近似対象の空調設備について、入力パラメータ（例えば目標温度）のデータとこれに対応する出力パラメータ（例えば室温）のデータとの組からなる分析用データを収集する。 The operation of the model function update processing device of FIG. 1 will be described with reference to the flowcharts of FIGS. FIG. 2 is a flowchart showing model function formula calculation / update processing of the model function update processing device, and FIG. 3 is a flowchart showing output parameter value calculation processing of the model function update processing device. First, the model function formula calculation / update process of the model function update processing device will be described. As an approximation target of the model function formula, for example, there is an air conditioner. In this case, the model function formula is generated for the simulation of the air conditioning equipment. The operator collects analysis data consisting of a set of input parameter (for example, target temperature) data and output parameter (for example, room temperature) data corresponding to the approximation target air conditioning equipment.
オペレータは、収集した分析用データをモデル関数更新処理装置に入力する。分析用データが入力されると（図２ステップＳ１００においてＹＥＳ）、この分析用データは分析用データ記憶部１に格納される。
モデル関数式算出部２は、分析用データ記憶部１に格納された分析用データに対して重回帰分析やＳＶＲ（Support Vector Regression ）などの広義の多変量解析を行い、入力パラメータと出力パラメータとの関係を示すモデル関数式を算出する（ステップＳ１０１）。
The operator inputs the collected analysis data to the model function update processing device. When analysis data is input (YES in step S100 in FIG. 2), this analysis data is stored in analysis
The model function
一方、１次関数式算出部３は、分析用データ記憶部１に格納された分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータと出力パラメータとの関係を示す１次関数式（判定用関数式）を算出する（ステップＳ１０２）。
１次関数式係数判定部４は、１次関数式算出部３が算出した１次関数式に基づいて、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が極性知見記憶部６に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する（ステップＳ１０３）。
On the other hand, the linear function
The linear function formula
モデル関数式更新処理部７は、１次関数式係数判定部４が全ての入力パラメータについて極性一致と判定したときのみ、モデル関数式記憶部８に記憶されているモデル関数式をモデル関数式算出部２が算出したモデル関数式に更新する（ステップＳ１０４）。また、モデル関数式更新処理部７は、１次関数式係数判定部４が少なくとも１個の入力パラメータについて極性不一致と判定したときには、モデル関数式の更新が妥当でないことをオペレータに通知する（ステップＳ１０５）。
The model function formula
以後、モデル関数更新処理装置は、新たな分析用データが収集され入力される度に、ステップＳ１００〜Ｓ１０６の処理を繰り返す。以上が、モデル関数更新処理装置のモデル関数式算出・更新処理である。 Thereafter, the model function update processing device repeats the processes of steps S100 to S106 each time new analysis data is collected and input. The above is the model function formula calculation / update processing of the model function update processing device.
次に、モデル関数更新処理装置の出力パラメータ値算出処理について説明する。モデル関数更新処理装置が算出・更新したモデル関数式を用いて、例えば空調設備のシミュレーションを行いたいオペレータは、空調設備の入力パラメータ値（例えば目標温度）をモデル関数更新処理装置に入力する。この入力パラメータ値は、入力パラメータ値取得部１０を介してモデル関数値算出部９に入力される。
Next, output parameter value calculation processing of the model function update processing device will be described. Using the model function formula calculated and updated by the model function update processing device, for example, an operator who wants to simulate an air conditioning facility inputs an input parameter value (for example, target temperature) of the air conditioning facility to the model function update processing device. This input parameter value is input to the model function
モデル関数値算出部９は、入力パラメータ値が入力されると（図３ステップＳ２００においてＹＥＳ）、モデル関数式記憶部８に記憶されているモデル関数式を用いて、入力パラメータ値から出力パラメータ値を算出する（ステップＳ２０１）。出力パラメータ値出力部１１は、モデル関数値算出部９が算出した出力パラメータ値を外部に出力する。こうして、例えば空調設備のシミュレーションの結果としての出力パラメータ値（例えば室温）を得ることができる。
When the input parameter value is input (YES in step S200 in FIG. 3), the model function
以後、モデル関数更新処理装置は、新たな入力パラメータ値が入力される度に、ステップＳ２００〜Ｓ２０２の処理を繰り返す。以上が、モデル関数更新処理装置の出力パラメータ値算出処理である。 Thereafter, the model function update processing device repeats the processes of steps S200 to S202 every time a new input parameter value is input. The above is the output parameter value calculation processing of the model function update processing device.
次に、具体的な処理方法についての理解を容易にするために、数式的に単純な架空の近似対象を設定して、本実施の形態のモデル関数更新処理装置の動作をより具体的に説明する。まず、この近似対象について入力パラメータＸ，Ｙと出力パラメータＺとの関係を表す以下のような３次多項式を仮定する。
Ｚ＝−２．０Ｘ3＋１３．０Ｘ2−３２．０Ｘ＋４８．０＋１．０２４Ｙ3
−７．０４Ｙ2＋１９．２Ｙ ・・・（１）
Next, in order to facilitate understanding of a specific processing method, a mathematically simple fictitious approximation target is set, and the operation of the model function update processing device of the present embodiment will be described more specifically. To do. First, the following cubic polynomial representing the relationship between the input parameters X and Y and the output parameter Z is assumed for this approximation target.
Z = −2.0X 3 + 13.0X 2 -32.0X + 48.0 + 1.024Y 3
−7.04Y 2 + 19.2Y (1)
式（１）の３次多項式により図４に示す曲面３０が得られる。式（１）では、入力パラメータＸが増加すると出力パラメータＺは減少する。すなわち、入力パラメータＸと出力パラメータＺの関係の極性は負である。また、入力パラメータＹが増加すると出力パラメータＺも増加する。すなわち、入力パラメータＹと出力パラメータＺの関係の極性は正である。この極性については、物理法則的な知見から不変であり既知なものとする。極性知見記憶部６には、以上のような極性についてのオペレータの知見が極性情報として入力パラメータ毎に予め登録されている。
The
ここで、入力パラメータＸ，Ｙと出力パラメータＺの組み合わせ（Ｘ，Ｙ，Ｚ）がＡ（０．０，０．０，４８．０），Ｂ（２．０，０．０，２０．０），Ｃ（４．０，０．０，０．０），Ｄ（１．０，１．０，４０．２），Ｅ（３．０，１．０，２８．２），Ｆ（０．０，２．０，６６．４），Ｇ（２．０，２．０，３８．４），Ｈ（４．０，２．０，１８．４），Ｉ（０．０，３．０，６９．９），Ｊ（２．０，３．０，４１．９），Ｋ（４．０，３．０，２１．９），Ｌ（１．０，４．０，５６．７），Ｍ（３．０，４．０，４４．７），Ｎ（０．０，５．０，９６．０），Ｏ（２．０，５．０，６８．０），Ｐ（４．０，５．０，４８．０）となっているＡ〜Ｐの１６組の値が、第１の分析用データとして分析用データ記憶部１に記憶されたものとする（図２ステップＳ１００においてＹＥＳ）。
Here, combinations (X, Y, Z) of input parameters X, Y and output parameters Z are A (0.0, 0.0, 48.0), B (2.0, 0.0, 20.0). ), C (4.0, 0.0, 0.0), D (1.0, 1.0, 40.2), E (3.0, 1.0, 28.2), F (0 0.0, 2.0, 66.4), G (2.0, 2.0, 38.4), H (4.0, 2.0, 18.4), I (0.0, 3. 0, 69.9), J (2.0, 3.0, 41.9), K (4.0, 3.0, 21.9), L (1.0, 4.0, 56.7). ), M (3.0, 4.0, 44.7), N (0.0, 5.0, 96.0), O (2.0, 5.0, 68.0), P (4 ., 5.0, 48.0) are stored in the analysis
この第１の分析用データの分布を図５、図６に示す。図５は第１の分析用データのみを示した図であり、図６は式（１）の３次多項式で与えられる曲面３０に第１の分析用データを重ねた図である。図６から明らかなように、Ａ〜Ｐの１６組の第１の分析用データは、全て３次多項式で与えられる曲面３０上の正確なデータである。
The distribution of the first analysis data is shown in FIGS. FIG. 5 is a diagram showing only the first analysis data, and FIG. 6 is a diagram in which the first analysis data is superimposed on the
極性の判定のために、上記対象を近似した１次関数式を算出するのであるが、説明を簡略化するため、ここでは求めるモデル関数式も１次とする。すなわち、モデル関数式算出部２と１次関数式算出部３とは、同じ分析用データを用いて、同じ関数式を算出する（ステップＳ１０１，Ｓ１０２）。分析用データ記憶部１に記憶されている第１の分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す１次関数式を算出すると、次式が得られる。
Ｚ＝−１１．０Ｘ＋８．４Ｙ＋４４．０ ・・・（２）
In order to determine the polarity, a linear function equation approximating the above object is calculated. In order to simplify the description, the model function equation to be obtained is also assumed to be linear here. That is, the model function
Z = -11.0X + 8.4Y + 44.0 (2)
式（２）の１次関数式で与えられる平面６０を図７に示す。式（２）では、入力パラメータＸの係数の符号が負になっており、入力パラメータＸと出力パラメータＺの関係の極性が負になるように、第１の分析用データが得られていることを示している。極性知見記憶部６に予め登録されている、入力パラメータＸと出力パラメータＺの関係の極性は負である。したがって、１次関数式係数判定部４は、入力パラメータＸについては、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
A
また、式（２）では、入力パラメータＹの係数の符号が正になっており、入力パラメータＹと出力パラメータＺの関係の極性が正になるように、第１の分析用データが得られていることを示している。極性知見記憶部６に予め登録されている、入力パラメータＹと出力パラメータＺの関係の極性は正である。したがって、１次関数式係数判定部４は、入力パラメータＹについても、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
In the expression (2), the first analysis data is obtained so that the sign of the coefficient of the input parameter Y is positive and the polarity of the relationship between the input parameter Y and the output parameter Z is positive. It shows that. The polarity of the relationship between the input parameter Y and the output parameter Z registered in advance in the polarity
このように、１次関数式係数判定部４は、全ての入力パラメータＸ，Ｙについて、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する（ステップＳ１０３においてＹＥＳ）。この１次関数式係数判定部４の判定結果を受けたモデル関数式更新処理部７は、モデル関数式の新規設定・更新は妥当であると判断し、モデル関数式算出部２が算出したモデル関数式をモデル関数式記憶部８に格納する（ステップＳ１０４）。
As described above, the linear function equation
次に、入力パラメータＸ，Ｙと出力パラメータＺの組み合わせ（Ｘ，Ｙ，Ｚ）がＡ（１．０，０．０，２７．０），Ｂ（３．０，０．０，１５．０），Ｃ（０．０，１．０，６１．２），Ｄ（２．０，１．０，３３．２），Ｅ（４．０，１．０，１３．２），Ｆ（１．０，２．０，４５．４），Ｇ（３．０，２．０，３３．４），Ｈ（１．０，３．０，４８．８），Ｉ（３．０，３．０，３６．９），Ｊ（０．０，４．０，７７．７），Ｋ（２．０，４．０，４９．７），Ｌ（４．０，４．０，２９．７），Ｍ（１．０，５．０，７５．０），Ｎ（３．０，５．０，６３．０）となっているＡ〜Ｎの１４組の値が、第２の分析用データとして新たに収集され、分析用データ記憶部１に記憶されたものとする（ステップＳ１００においてＹＥＳ）。 Next, combinations (X, Y, Z) of input parameters X, Y and output parameters Z are A (1.0, 0.0, 27.0), B (3.0, 0.0, 15.0). ), C (0.0, 1.0, 61.2), D (2.0, 1.0, 33.2), E (4.0, 1.0, 13.2), F (1 0.0, 2.0, 45.4), G (3.0, 2.0, 33.4), H (1.0, 3.0, 48.8), I (3.0, 3. 0, 36.9), J (0.0, 4.0, 77.7), K (2.0, 4.0, 49.7), L (4.0, 4.0, 29.7). ), M (1.0, 5.0, 75.0), and N (3.0, 5.0, 63.0) are 14 sets of values A to N for the second analysis. It is assumed that the data is newly collected and stored in the analysis data storage unit 1 (YES in step S100) .
この第２の分析用データの分布を図８、図９に示す。図８は第２の分析用データのみを示した図であり、図９は式（１）の３次多項式で与えられる曲面３０に第２の分析用データを重ねた図である。図９から明らかなように、Ａ〜Ｎの１４組の第２の分析用データは、全て３次多項式で与えられる曲面３０上の正確なデータである。
The distribution of the second analysis data is shown in FIGS. FIG. 8 is a diagram showing only the second analysis data, and FIG. 9 is a diagram in which the second analysis data is superimposed on the
モデル関数式算出部２と１次関数式算出部３とが、分析用データ記憶部１に記憶されている第２の分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す１次関数式を算出すると、次式が得られる（ステップＳ１０１，Ｓ１０２）。
Ｚ＝−１０．５Ｘ＋７．６Ｙ＋４２．０ ・・・（３）
The model function
Z = -10.5X + 7.6Y + 42.0 (3)
式（３）の１次関数式で与えられる平面９０を図１０に示す。式（３）では、入力パラメータＸの係数の符号が負になっており、入力パラメータＸと出力パラメータＺの関係の極性が負になるように、第２の分析用データが得られていることを示している。したがって、１次関数式係数判定部４は、入力パラメータＸについては、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
FIG. 10 shows a
また、式（３）では、入力パラメータＹの係数の符号が正になっており、入力パラメータＹと出力パラメータＺの関係の極性が正になるように、第２の分析用データが得られていることを示している。したがって、１次関数式係数判定部４は、入力パラメータＹについても、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
In the expression (3), the second analysis data is obtained so that the sign of the coefficient of the input parameter Y is positive and the polarity of the relationship between the input parameter Y and the output parameter Z is positive. It shows that. Therefore, the linear function equation
このように、１次関数式係数判定部４は、全ての入力パラメータＸ，Ｙについて、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する（ステップＳ１０３においてＹＥＳ）。この１次関数式係数判定部４の判定結果を受けたモデル関数式更新処理部７は、モデル関数式の更新は妥当であると判断し、モデル関数式算出部２が算出したモデル関数式をモデル関数式記憶部８に格納する（ステップＳ１０４）。
As described above, the linear function equation
次に、入力パラメータＸ，Ｙと出力パラメータＺの組み合わせ（Ｘ，Ｙ，Ｚ）がＡ（１．０，０．０，２７．０），Ｂ（２．０，１．０，３３．２），Ｃ（０．０，３．０，３３．２），Ｄ（４．０，３．０，６３．０），Ｅ（２．０，４．０，４９．７），Ｆ（２．０，５．０，６３．０），Ｇ（３．０，５．０，６３．０）となっているＡ〜Ｇの７組の値が、第３の分析用データとして新たに収集され、分析用データ記憶部１に記憶されたものとする（ステップＳ１００においてＹＥＳ）。 Next, combinations (X, Y, Z) of input parameters X, Y and output parameters Z are A (1.0, 0.0, 27.0), B (2.0, 1.0, 33.2). ), C (0.0, 3.0, 33.2), D (4.0, 3.0, 63.0), E (2.0, 4.0, 49.7), F (2 0.0, 5.0, 63.0) and G (3.0, 5.0, 63.0) are newly collected as the third analysis data. And stored in the analysis data storage unit 1 (YES in step S100).
この第３の分析用データの分布を図１１に示す。図１１は式（１）の３次多項式で与えられる曲面３０に第３の分析用データを重ねた図である。Ａ，Ｂ，Ｅ，Ｆ，Ｇの５組の第３の分析用データは、３次多項式で与えられる曲面３０上の正確なデータである。一方、Ｃ，Ｄの２組の第３の分析用データについては、何らかの特殊な事情により本来得られるべき正しいデータから逸脱したものを想定している。
The distribution of the third analysis data is shown in FIG. FIG. 11 is a diagram in which the third analysis data is superimposed on the
モデル関数式算出部２と１次関数式算出部３とが、分析用データ記憶部１に記憶されている第３の分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す１次関数式を算出すると、次式が得られる（ステップＳ１０１，Ｓ１０２）。
Ｚ＝７．５Ｘ＋７．６Ｙ＋１０．０ ・・・（４）
The model function
Z = 7.5X + 7.6Y + 10.0 (4)
式（４）の１次関数式で与えられる平面１１０を図１２に示す。式（４）では、入力パラメータＸの係数の符号が正になっており、入力パラメータＸと出力パラメータＺの関係の極性が正になるように、第３の分析用データが得られていることを示している。したがって、１次関数式係数判定部４は、入力パラメータＸについては、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致しないと判定する。
FIG. 12 shows the
また、式（４）では、入力パラメータＹの係数の符号が正になっており、入力パラメータＹと出力パラメータＺの関係の極性が正になるように、第３の分析用データが得られていることを示している。したがって、１次関数式係数判定部４は、入力パラメータＹについては、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
In the equation (4), the third analysis data is obtained so that the sign of the coefficient of the input parameter Y is positive and the polarity of the relationship between the input parameter Y and the output parameter Z is positive. It shows that. Therefore, for the input parameter Y, the linear function formula
このように、１次関数式係数判定部４は、少なくとも１個の入力パラメータ（ここではＸ）について、１次関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致しないと判定する（ステップＳ１０３においてＮＯ）。この１次関数式係数判定部４の判定結果を受けたモデル関数式更新処理部７は、モデル関数式の更新は妥当でないと判断し、モデル関数式の更新を却下して、モデル関数式の更新が妥当でないことを示すアラーム信号をオペレータに通知する（ステップＳ１０５）。このときの通知方法としては、液晶ディスプレイによる表示やＬＥＤの点灯等の方法がある。
As described above, the linear function equation
以上のように、本実施の形態では、第１、第２の分析用データのように適切な分析用データが得られている場合には、入出力パラメータ間の関係の極性が正しい１次関数式が得られることになり、モデル関数の自動更新が適切に行なわれる。一方で、第３の分析用データのように知見から逸脱する明らかに不適切なデータが含まれている場合には、入出力パラメータ間の関係の極性が正しくない１次関数式が得られることになり、モデル関数の自動更新が却下される。したがって、本実施の形態によれば、不適切なモデル関数が算出されてしまう確率を低減することができる。 As described above, in the present embodiment, when appropriate analysis data is obtained, such as the first and second analysis data, the linear function in which the polarity of the relationship between the input and output parameters is correct. As a result, the model function is automatically updated appropriately. On the other hand, when there is clearly inappropriate data that deviates from knowledge, such as the third analysis data, a linear function expression in which the polarity of the relationship between the input and output parameters is not correct can be obtained. And the automatic update of the model function is rejected. Therefore, according to the present embodiment, it is possible to reduce the probability that an inappropriate model function will be calculated.
［第２の実施の形態］
次に、本発明の第２の実施の形態について説明する。第１の実施の形態では、入力パラメータと出力パラメータの関係が増加関係なのか減少関係なのかということ（極性）を判定するために、分析用データを用いて１次の判定用関数式を算出して、各入力パラメータの係数の正負で極性を判定したが、別の判定方法を用いてもよい。
[Second Embodiment]
Next, a second embodiment of the present invention will be described. In the first embodiment, in order to determine whether the relationship between the input parameter and the output parameter is an increase relationship or a decrease relationship (polarity), a first-order determination function equation is calculated using the analysis data. Then, the polarity is determined by the sign of each input parameter coefficient, but another determination method may be used.
本実施の形態では、分析用データを用いて奇数次の高次判定用関数式を算出して、各入力パラメータの独立最高次の項の係数の正負で極性を判定する。ある入力パラメータのみに関する項のうち、最高次の項をその入力パラメータの独立最高次の項と呼ぶ。本実施の形態の方法は、高次の項であるほど、入力パラメータ空間の最小値付近と最大値付近における出力パラメータ値の大小関係について支配的になる確率が高いので、最高次の項の係数により極性を判定できる可能性が高いことに着眼した方法である。 In this embodiment, an odd-order higher-order determination function equation is calculated using the analysis data, and the polarity is determined by the sign of the coefficient of the independent highest-order term of each input parameter. Of the terms relating to only an input parameter, the highest order term is called the independent highest order term of the input parameter. In the method of the present embodiment, the higher the term, the higher the probability that the output parameter value is dominant in the vicinity of the minimum value and the maximum value in the input parameter space. This is a method that pays attention to the high possibility of determining the polarity.
図１３は本実施の形態に係るモデル関数更新処理装置の構成を示すブロック図であり、図１と同一の構成には同一の符号を付してある。モデル関数更新処理装置は、分析用データ記憶部１と、モデル関数式算出部２と、極性判定部５ａと、極性知見記憶部６と、モデル関数式更新処理部７と、モデル関数式記憶部８と、モデル関数値算出部９と、入力パラメータ値取得部１０と、出力パラメータ値出力部１１とから成る。極性判定部５ａは、判定用関数式算出部１２と、独立最高次係数判定部１３とから成る。
FIG. 13 is a block diagram showing the configuration of the model function update processing apparatus according to the present embodiment, and the same components as those in FIG. 1 are denoted by the same reference numerals. The model function update processing device includes an analysis
モデル関数式算出・更新処理の流れは第１の実施の形態と同様であるので、図２を用いて本実施の形態のモデル関数式算出・更新処理について説明する。
ステップＳ１００，Ｓ１０１の処理は、第１の実施の形態と同じである。
Since the flow of the model function formula calculation / update process is the same as that of the first embodiment, the model function formula calculation / update process of the present embodiment will be described with reference to FIG.
The processing in steps S100 and S101 is the same as that in the first embodiment.
判定用関数式算出部１２は、分析用データ記憶部１に記憶されている分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す奇数次の判定用関数式を算出する（ステップＳ１０２）。ここでは、説明を容易にするため、判定用関数式として式（１）が得られたものと仮定する。式（１）において、Ｘ3の項は入力パラメータＸのみに関する独立最高次の項であり、Ｙ3の項は入力パラメータＹのみに関する独立最高次の項である。
The determination function
独立最高次係数判定部１３は、判定用関数式算出部１２が算出した判定用関数式における各入力パラメータの独立最高次の項の係数の正負から、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が極性知見記憶部６に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する（ステップＳ１０３）。
The independent highest-order
式（１）では、入力パラメータＸの独立最高次の項Ｘ3に付く係数の符号は負である。これにより、独立最高次係数判定部１３は、入力パラメータＸと出力パラメータＺの関係の極性を負と判定する。極性知見記憶部６に予め登録されている、入力パラメータＸと出力パラメータＺの関係の極性は負である。したがって、独立最高次係数判定部１３は、入力パラメータＸについては、判定用関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
In the expression (1), the sign of the coefficient attached to the independent highest-order term X 3 of the input parameter X is negative. Thus, the independent highest-order
また、式（１）では、入力パラメータＹの独立最高次の項Ｙ3に付く係数の符号は正である。これにより、独立最高次係数判定部１３は、入力パラメータＹと出力パラメータＺの関係の極性を正と判定する。極性知見記憶部６に予め登録されている、入力パラメータＹと出力パラメータＺの関係の極性は正である。したがって、独立最高次係数判定部１３は、入力パラメータＹについても、判定用関数式から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
In the equation (1), the sign of the coefficient attached to the independent highest-order term Y 3 of the input parameter Y is positive. Thereby, the independent highest-order
ステップＳ１０４〜Ｓ１０６の処理および出力パラメータ値算出処理は、第１の実施の形態と同じである。
以上のようにして、本実施の形態においても、入力パラメータと出力パラメータの関係の極性を判定することができ、第１の実施の形態と同様の効果を得ることができる。
なお、判定用関数式にＸ3やＹ3の項がなく、ＸＹ2やＸ2Ｙの項があったとしても、ＸＹ2やＸ2Ｙの項は独立最高次の項には該当しない。その理由は、ＸＹ2やＸ2Ｙが複数の入力パラメータを含むからである。
The processing in steps S104 to S106 and the output parameter value calculation processing are the same as those in the first embodiment.
As described above, also in the present embodiment, the polarity of the relationship between the input parameter and the output parameter can be determined, and the same effect as in the first embodiment can be obtained.
Incidentally, the determination function formula X 3 and no term of Y 3, even if the section XY 2 and X 2 Y, terms of XY 2 and X 2 Y does not correspond to the independent highest order term. The reason is that XY 2 and X 2 Y include a plurality of input parameters.
［第３の実施の形態］
次に、本発明の第３の実施の形態について説明する。本実施の形態では、分析用データを用いて高次の判定用関数式を算出して、注目する特定の入力パラメータ以外の各入力パラメータを変動範囲の代表値（中央値など）に固定し、注目する入力パラメータを想定される最小値から最大値の間にて特定間隔で変化させ、出力パラメータ値の変化により極性を判定する。本実施の形態の方法は、関数式であれば、入力パラメータ空間内の任意の位置で出力パラメータ値を容易に算出できることに着眼した方法である。
[Third Embodiment]
Next, a third embodiment of the present invention will be described. In the present embodiment, a high-order determination function equation is calculated using the analysis data, and each input parameter other than the specific input parameter of interest is fixed to a representative value (such as a median value) of the fluctuation range. The input parameter of interest is changed at a specific interval between the assumed minimum value and the maximum value, and the polarity is determined by the change of the output parameter value. The method of the present embodiment is a method focusing on the fact that the output parameter value can be easily calculated at an arbitrary position in the input parameter space if it is a function expression.
図１４は本発明の第３の実施の形態に係るモデル関数更新処理装置の構成を示すブロック図であり、図１と同一の構成には同一の符号を付してある。モデル関数更新処理装置は、分析用データ記憶部１と、モデル関数式算出部２と、極性判定部５ｂと、極性知見記憶部６と、モデル関数式更新処理部７と、モデル関数式記憶部８と、モデル関数値算出部９と、入力パラメータ値取得部１０と、出力パラメータ値出力部１１とから成る。極性判定部５ｂは、判定用関数式算出部１４と、代表値周辺検証計算部１５と、代表値周辺増減判定部１６とから成る。
FIG. 14 is a block diagram showing a configuration of a model function update processing apparatus according to the third embodiment of the present invention. The same components as those in FIG. 1 are denoted by the same reference numerals. The model function update processing device includes an analysis
本実施の形態のモデル関数式算出・更新処理を図１５のフローチャートを参照して説明する。
図１５のステップＳ１００，Ｓ１０１の処理は、第１の実施の形態と同じである。判定用関数式算出部１４は、分析用データ記憶部１に記憶されている分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す高次の判定用関数式を算出する（ステップＳ１０２）。ここでは、説明を容易にするため、判定用関数式として式（１）が得られたものと仮定する。
The model function formula calculation / update processing of the present embodiment will be described with reference to the flowchart of FIG.
The processes in steps S100 and S101 in FIG. 15 are the same as those in the first embodiment. The determination function
代表値周辺検証計算部１５は、判定用関数式算出部１４が算出した判定用関数式において、注目する特定の入力パラメータ以外の各入力パラメータを想定される変動範囲内の代表値（中央値など）に固定し、注目する入力パラメータを想定される最小値から最大値の間で変化させ、出力パラメータの変化を求める（ステップＳ１０７）。
The representative value periphery
入力パラメータＸに注目したとき、入力パラメータＸ以外の入力パラメータＹの想定される変動範囲（最小値から最大値）をＹ＝０．０からＹ＝５．０とすると、中央値はＹ＝２．５になる。そこで、代表値周辺検証計算部１５は、Ｙ＝２．５に固定して、式（１）から出力パラメータＺと入力パラメータＸだけの次式を求める。
Ｚ＝−２．０Ｘ3＋１３．０Ｘ2−３２．０Ｘ＋６８．０ ・・・（５）
When attention is paid to the input parameter X, if the assumed fluctuation range (minimum value to maximum value) of the input parameter Y other than the input parameter X is Y = 0.0 to Y = 5.0, the median is Y = 2. .5. Therefore, the representative value periphery
Z = −2.0X 3 + 13.0X 2 -32.0X + 68.0 (5)
代表値周辺検証計算部１５は、式（５）において入力パラメータＸの想定される変動範囲（最小値から最大値）をＸ＝０．０からＸ＝４．０とし、変化幅をΔＸ＝０．５として入力パラメータＸを変化させると、入力パラメータＸに対する出力パラメータＺの計算結果および入力パラメータＸの変化に対する出力パラメータＺの変化量ΔＺの計算結果（Ｘ，Ｚ，ΔＺ）として、（Ｘ＝０．０，Ｚ＝６８．０，ΔＺ＝０），（Ｘ＝０．５，Ｚ＝５５．０，ΔＺ＝−１３．０），（Ｘ＝１．０，Ｚ＝４７．０，ΔＺ＝−８．０），（Ｘ＝１．５，Ｚ＝４２．５，ΔＺ＝−４．５），（Ｘ＝２．０，Ｚ＝４０．０，ΔＺ＝−２．５），（Ｘ＝２．５，Ｚ＝３８．０，ΔＺ＝−２．０），（Ｘ＝３．０，Ｚ＝３５．０，ΔＺ＝−３．０），（Ｘ＝３．５，Ｚ＝２９．５，ΔＺ＝−５．５），（Ｘ＝４．０，Ｚ＝２０．０，ΔＺ＝−９．５）を得る。この計算は、図１６に示すように、式（１）により形成される曲面３０上におけるＹ＝２．５の線１３０上の点を検証していることを意味する。
The representative value periphery
一方、入力パラメータＹに注目したとき、入力パラメータＹ以外の入力パラメータＸの想定される変動範囲（最小値から最大値）をＸ＝０．０からＸ＝４．０とすると、中央値はＸ＝２．０になる。そこで、代表値周辺検証計算部１５は、Ｘ＝２．０に固定して、式（１）から出力パラメータＺと入力パラメータＹだけの次式を求める。
Ｚ＝１．０２４Ｙ3−７．０４Ｙ2＋１９．２Ｙ＋２０．０ ・・・（６）
On the other hand, when attention is paid to the input parameter Y, if the assumed fluctuation range (minimum value to maximum value) of the input parameter X other than the input parameter Y is X = 0.0 to X = 4.0, the median value is X = 2.0. Therefore, the representative value periphery
Z = 1.024Y 3 −7.04Y 2 + 19.2Y + 20.0 (6)
代表値周辺検証計算部１５は、式（６）において入力パラメータＹの想定される変動範囲（最小値から最大値）をＹ＝０．０からＹ＝５．０とし、変化幅をΔＹ＝０．５として入力パラメータＹを変化させると、入力パラメータＹに対する出力パラメータＺの計算結果および入力パラメータＹの変化に対する出力パラメータＺの変化量ΔＺの計算結果（Ｙ，Ｚ，ΔＺ）として、（Ｙ＝０．０，Ｚ＝２０．０，ΔＺ＝０），（Ｙ＝０．５，Ｚ＝２８．０，ΔＺ＝８．０），（Ｙ＝１．０，Ｚ＝３３．２，ΔＺ＝５．２），（Ｙ＝１．５，Ｚ＝３６．４，ΔＺ＝３．２），（Ｙ＝２．０，Ｚ＝３８．４，ΔＺ＝２．０），（Ｙ＝２．５，Ｚ＝４０．０，ΔＺ＝１．６），（Ｙ＝３．０，Ｚ＝４１．９，ΔＺ＝１．９），（Ｙ＝３．５，Ｚ＝４４．９，ΔＺ＝３．０），（Ｙ＝４．０，Ｚ＝４９．７，ΔＺ＝４．８），（Ｙ＝４．５，Ｚ＝５７．２，ΔＺ＝７．５），（Ｙ＝５．０，Ｚ＝６８．０，ΔＺ＝１０．８）を得る。この計算は、図１７に示すように、式（１）により形成される曲面３０上におけるＸ＝２．０の線１４０上の点を検証していることを意味する。代表値周辺検証計算部１５は、以上のような処理を判定用関数式算出部１４が算出した判定用関数式の入力パラメータ毎に行う。
The representative value periphery
代表値周辺増減判定部１６は、代表値周辺検証計算部１５で計算された、入力パラメータに対する出力パラメータの変化から、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が極性知見記憶部６に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する（ステップＳ１０３）。
The representative value periphery increase /
入力パラメータＸに注目したときの式（５）から計算された結果によると、入力パラメータＸの増加に伴う出力パラメータＺの減少回数（ΔＺが負値になる回数）および減少量（ΔＺの累積は−４８．０）が多い。これにより、代表値周辺増減判定部１６は、入力パラメータＸと出力パラメータＺの関係の極性を負と判定する。極性知見記憶部６に予め登録されている、入力パラメータＸと出力パラメータＺの関係の極性は負である。したがって、代表値周辺増減判定部１６は、入力パラメータＸについては、出力パラメータ値の変化から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
According to the result calculated from the expression (5) when attention is paid to the input parameter X, the number of times the output parameter Z is decreased (the number of times ΔZ becomes negative) and the amount of decrease (the accumulation of ΔZ is -48.0). Thereby, the representative value peripheral increase /
また、入力パラメータＹに注目したときの式（６）から計算された結果によると、入力パラメータＹの増加に伴う出力パラメータＺの増加回数（ΔＺが正値になる回数）および増加量（ΔＺの累積は４８．０）が多い。これにより、代表値周辺増減判定部１６は、入力パラメータＹと出力パラメータＺの関係の極性を正と判定する。極性知見記憶部６に予め登録されている、入力パラメータＹと出力パラメータＺの関係の極性は正である。したがって、代表値周辺増減判定部１６は、入力パラメータＹについても、出力パラメータ値の変化から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
Further, according to the result calculated from Expression (6) when attention is paid to the input parameter Y, the number of increases of the output parameter Z (the number of times ΔZ becomes a positive value) and the amount of increase (ΔZ of ΔZ) as the input parameter Y increases. Accumulation is 48.0). Thereby, the representative value peripheral increase /
ステップＳ１０４〜Ｓ１０６の処理および出力パラメータ値算出処理は、第１の実施の形態と同じである。
以上のようにして、本実施の形態においても、第１の実施の形態と同様の効果を得ることができる。
The processing in steps S104 to S106 and the output parameter value calculation processing are the same as those in the first embodiment.
As described above, also in the present embodiment, the same effect as that of the first embodiment can be obtained.
［第４の実施の形態］
次に、本発明の第４の実施の形態について説明する。本実施の形態では、分析用データを用いて高次の判定用関数式を算出して、出力パラメータを注目する特定の入力パラメータで偏微分し、微分係数の正負の分布により極性を判定する。本実施の形態の方法は、関数式であれば、偏微分した数式を自動で求めることが可能であることに着眼した方法である。
[Fourth Embodiment]
Next, a fourth embodiment of the present invention will be described. In the present embodiment, a high-order determination function equation is calculated using the analysis data, the output parameter is partially differentiated with a specific input parameter of interest, and the polarity is determined based on the positive / negative distribution of the differential coefficient. The method of the present embodiment is a method focusing on the fact that a partial differential mathematical expression can be automatically obtained if it is a functional expression.
図１８は本発明の第４の実施の形態に係るモデル関数更新処理装置の構成を示すブロック図であり、図１と同一の構成には同一の符号を付してある。モデル関数更新処理装置は、分析用データ記憶部１と、モデル関数式算出部２と、極性判定部５ｃと、極性知見記憶部６と、モデル関数式更新処理部７と、モデル関数式記憶部８と、モデル関数値算出部９と、入力パラメータ値取得部１０と、出力パラメータ値出力部１１とから成る。極性判定部５ｃは、判定用関数式算出部１７と、偏微分多項式算出部１８と、微分係数分布判定部１９とから成る。
FIG. 18 is a block diagram showing the configuration of the model function update processing apparatus according to the fourth embodiment of the present invention. The same components as those in FIG. 1 are denoted by the same reference numerals. The model function update processing device includes an analysis
本実施の形態のモデル関数式算出・更新処理を図１９のフローチャートを参照して説明する。
図１９のステップＳ１００，Ｓ１０１の処理は、第１の実施の形態と同じである。判定用関数式算出部１７は、分析用データ記憶部１に記憶されている分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す高次の判定用関数式を算出する（ステップＳ１０２）。ここでは、説明を容易にするため、判定用関数式として式（１）が得られたものと仮定する。
The model function formula calculation / update processing of the present embodiment will be described with reference to the flowchart of FIG.
The processes in steps S100 and S101 in FIG. 19 are the same as those in the first embodiment. The determination function
偏微分多項式算出部１８は、判定用関数式算出部１７が算出した判定用関数式において出力パラメータＺを入力パラメータＸで偏微分して以下のような式を得る（ステップＳ１０８）。
∂Ｚ／∂Ｘ＝−６．０Ｘ2＋２６．０Ｘ−３２．０ ・・・（７）
The partial differential
∂Z / ∂X = −6.0X 2 + 26.0X-32.0 (7)
また、偏微分多項式算出部１８は、判定用関数式算出部１７が算出した判定用関数式において出力パラメータＺを入力パラメータＹで偏微分して以下のような式を得る（ステップＳ１０８）。
∂Ｚ／∂Ｙ＝３．０７２Ｙ2−１４．０８Ｙ＋１９．２ ・・・（８）
偏微分多項式算出部１８は、以上のような処理を判定用関数式算出部１７が算出した判定用関数式の入力パラメータ毎に行う。
Further, the partial differential
∂Z / ∂Y = 3.072Y 2 -14.08Y + 19.2 (8)
The partial differential
微分係数分布判定部１９は、偏微分多項式算出部１８が算出した式の微分係数の正負の分布により、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が極性知見記憶部６に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する（ステップＳ１０３）。
The differential coefficient
入力パラメータＸに注目したときに計算された式（７）は、入力パラメータＹに依存しない式である。微分係数分布判定部１９は、式（７）において入力パラメータＸの想定される変動範囲（最小値から最大値）をＸ＝０．０からＸ＝４．０とし、変化幅をΔＸ＝０．５として入力パラメータＸを変化させると、入力パラメータＸに対する偏微分∂Ｚ／∂Ｘの計算結果（Ｘ，∂Ｚ／∂Ｘ）として、（Ｘ＝０．０，∂Ｚ／∂Ｘ＝−３２．０），（Ｘ＝０．５，∂Ｚ／∂Ｘ＝−２０．５），（Ｘ＝１．０，∂Ｚ／∂Ｘ＝−１２．０），（Ｘ＝１．５，∂Ｚ／∂Ｘ＝−６．５），（Ｘ＝２．０，∂Ｚ／∂Ｘ＝−４．０），（Ｘ＝２．５，∂Ｚ／∂Ｘ＝−４．５），（Ｘ＝３．０，∂Ｚ／∂Ｘ＝−８．０），（Ｘ＝３．５，∂Ｚ／∂Ｘ＝−１４．５），（Ｘ＝４．０，∂Ｚ／∂Ｘ＝−２４．０）を得る。
Expression (7) calculated when attention is paid to the input parameter X is an expression that does not depend on the input parameter Y. The differential coefficient
この計算結果より、∂Ｚ／∂Ｘの平均値が−１４．０なので、微分係数分布判定部１９は、入力パラメータＸと出力パラメータＺの関係の極性を負と判定する。極性知見記憶部６に予め登録されている、入力パラメータＸと出力パラメータＺの関係の極性は負である。したがって、微分係数分布判定部１９は、入力パラメータＸについては、偏微分多項式の微分係数の正負の分布から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
From this calculation result, since the average value of ∂Z / ∂X is −14.0, the differential coefficient
また、入力パラメータＹに注目したときに計算された式（８）は、入力パラメータＸに依存しない式である。微分係数分布判定部１９は、式（８）において入力パラメータＹの想定される変動範囲（最小値から最大値）をＹ＝０．０からＹ＝５．０とし、変化幅をΔＹ＝０．５として入力パラメータＹを変化させると、入力パラメータＹに対する偏微分∂Ｚ／∂Ｙの計算結果（Ｙ，∂Ｚ／∂Ｙ）として、（Ｙ＝０．０，∂Ｚ／∂Ｙ＝１９．２），（Ｙ＝０．５，∂Ｚ／∂Ｙ＝１２．９），（Ｙ＝１．０，∂Ｚ／∂Ｙ＝８．２），（Ｙ＝１．５，∂Ｚ／∂Ｙ＝５．０），（Ｙ＝２．０，∂Ｚ／∂Ｙ＝３．３），（Ｙ＝２．５，∂Ｚ／∂Ｙ＝３．２），（Ｙ＝３．０，∂Ｚ／∂Ｙ＝４．６），（Ｙ＝３．５，∂Ｚ／∂Ｙ＝７．６），（Ｙ＝４．０，∂Ｚ／∂Ｙ＝１２．０），（Ｙ＝４．０，∂Ｚ／∂Ｙ＝１８．０），（Ｙ＝４．０，∂Ｚ／∂Ｙ＝２５．６）を得る。
Further, the equation (8) calculated when paying attention to the input parameter Y is an equation that does not depend on the input parameter X. The differential coefficient
この計算結果より、∂Ｚ／∂Ｙの平均値が１０．９なので、微分係数分布判定部１９は、入力パラメータＹと出力パラメータＺの関係の極性を正と判定する。極性知見記憶部６に予め登録されている、入力パラメータＹと出力パラメータＺの関係の極性は正である。したがって、微分係数分布判定部１９は、入力パラメータＹについても、偏微分多項式の微分係数の正負の分布から判別した極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
From this calculation result, since the average value of ∂Z / ∂Y is 10.9, the differential coefficient
ステップＳ１０４〜Ｓ１０６の処理および出力パラメータ値算出処理は、第１の実施の形態と同じである。
以上のようにして、本実施の形態においても、第１の実施の形態と同様の効果を得ることができる。
The processing in steps S104 to S106 and the output parameter value calculation processing are the same as those in the first embodiment.
As described above, also in the present embodiment, the same effect as that of the first embodiment can be obtained.
［第５の実施の形態］
次に、本発明の第５の実施の形態について説明する。本実施の形態は、上記発明の原理２に基づくものである。図２０は本実施の形態に係るモデル関数更新処理装置の構成を示すブロック図であり、図１と同一の構成には同一の符号を付してある。モデル関数更新処理装置は、分析用データ記憶部１と、モデル関数式算出部２と、極性判定部５ｄと、極性知見記憶部６と、モデル関数式更新処理部７と、モデル関数式記憶部８と、モデル関数値算出部９と、入力パラメータ値取得部１０と、出力パラメータ値出力部１１とから成る。極性判定部５ｄは、判定用関数式算出部２０と、大小関係判定部２１とから成る。
[Fifth Embodiment]
Next, a fifth embodiment of the present invention will be described. This embodiment is based on
第１の実施の形態と同じ式（１）で表される架空の近似対象を設定し、本実施の形態のモデル関数式算出・更新処理を図２を用いて説明する。ステップＳ１００，Ｓ１０１の処理は、第１の実施の形態と同じである。
判定用関数式算出部２０は、１次関数式算出部３と同様に、分析用データ記憶部１に記憶されている分析用データに対して重回帰分析やＳＶＲなどの広義の多変量解析を行い、入力パラメータＸ，Ｙと出力パラメータＺとの関係を示す１次の判定用関数式を算出する（ステップＳ１０２）。
A fictitious approximation target represented by the same expression (1) as that of the first embodiment is set, and the model function expression calculation / update processing of this embodiment will be described with reference to FIG. The processing in steps S100 and S101 is the same as that in the first embodiment.
Similar to the linear function
モデル関数更新処理装置のオペレータは、入力パラメータＸが増加すると出力パラメータＺは概ね減少すると認識しているものとする。すなわち、入力パラメータＸと出力パラメータＺの関係の極性は概ね負である。また、オペレータは、入力パラメータＹが増加すると出力パラメータＺも概ね増加すると認識しているものとする。すなわち、入力パラメータＹと出力パラメータＺの関係の極性は概ね正である。このような極性の知見については、必ずしも厳密なものではないが、経験的には不変であり既知なものとする。 It is assumed that the operator of the model function update processing apparatus recognizes that the output parameter Z generally decreases as the input parameter X increases. That is, the polarity of the relationship between the input parameter X and the output parameter Z is generally negative. Further, it is assumed that the operator recognizes that the output parameter Z generally increases as the input parameter Y increases. That is, the polarity of the relationship between the input parameter Y and the output parameter Z is generally positive. Such knowledge of polarity is not necessarily exact, but is empirically unchanged and known.
極性知見記憶部６には、オペレータの知見に基づき、入力パラメータＸ，Ｙと出力パラメータＺの関係の極性を示す以下のような極性情報が予め登録される。
（Ａ）入力パラメータＸの値が０．０以上１．０以下の範囲にある場合の出力パラメータＺの値は、入力パラメータＸの値が３．０以上４．０以下にある場合の出力パラメータＺの値よりも大きい（極性は概ね負）。
（Ｂ）入力パラメータＹの値が０．０以上１．０以下の範囲にある場合の出力パラメータＺの値は、入力パラメータＹの値が４．０以上５．０以下にある場合の出力パラメータＺの値よりも小さい（極性は概ね正）。
Based on the knowledge of the operator, the following polarity information indicating the polarity of the relationship between the input parameters X and Y and the output parameter Z is registered in the polarity
(A) The value of the output parameter Z when the value of the input parameter X is in the range of 0.0 to 1.0 is the output parameter when the value of the input parameter X is 3.0 to 4.0 Larger than the value of Z (polarity is generally negative).
(B) The value of the output parameter Z when the value of the input parameter Y is in the range of 0.0 to 1.0 is the output parameter when the value of the input parameter Y is 4.0 to 5.0. It is smaller than the value of Z (the polarity is almost positive).
大小関係判定部２１は、判定用関数式算出部２０が算出した１次関数式から、極性知見記憶部６の極性情報で規定された入力パラメータ値の条件下での出力パラメータ値の大小関係を入力パラメータ毎に求め、この大小関係が極性情報で規定された大小関係と一致するかどうかを入力パラメータ毎に判定する（ステップＳ１０３）。
The magnitude
第１の実施の形態で説明した第１の分析用データまたは第２の分析用データが分析用データ記憶部１に記憶されている場合、判定用関数式算出部２０が算出した１次関数式（式（２）または式（３））によると、入力パラメータＸの値が０．０以上１．０以下の範囲にある場合の出力パラメータＺの値は、入力パラメータＸの値が３．０以上４．０以下にある場合の出力パラメータＺの値よりも大きく、入力パラメータＹの値が０．０以上１．０以下の範囲にある場合の出力パラメータＺの値は、入力パラメータＹの値が４．０以上５．０以下にある場合の出力パラメータＺの値よりも小さい。したがって、大小関係判定部２１は、全ての入力パラメータＸ，Ｙについて、モデル関数の極性が極性知見記憶部６に予め登録された極性と一致すると判定する。
When the first analysis data or the second analysis data described in the first embodiment is stored in the analysis
一方、第１の実施の形態で説明した第３の分析用データが分析用データ記憶部１に記憶されている場合、判定用関数式算出部２０が算出した１次関数式（式（４））によると、入力パラメータＸの値が０．０以上１．０以下の範囲にある場合の出力パラメータＺの値は、入力パラメータＸの値が３．０以上４．０以下にある場合の出力パラメータＺの値よりも小さく、入力パラメータＹの値が０．０以上１．０以下の範囲にある場合の出力パラメータＺの値は、入力パラメータＹの値が４．０以上５．０以下にある場合の出力パラメータＺの値よりも小さい。したがって、大小関係判定部２１は、少なくとも１個の入力パラメータ（ここではＸ）について、モデル関数の極性が極性知見記憶部６に予め登録された極性と一致しないと判定する。
On the other hand, when the third analysis data described in the first embodiment is stored in the analysis
ステップＳ１０４〜Ｓ１０６の処理および出力パラメータ値算出処理は、第１の実施の形態と同じである。
以上のようにして、本実施の形態においても、第１の実施の形態と同様の効果を得ることができる。また、本実施の形態では、近似対象における入力パラメータと出力パラメータの関係が単調な関係でない場合であっても、不適切なモデル関数が算出されてしまう確率を低減することができる。
The processing in steps S104 to S106 and the output parameter value calculation processing are the same as those in the first embodiment.
As described above, also in the present embodiment, the same effect as that of the first embodiment can be obtained. Further, in the present embodiment, even when the relationship between the input parameter and the output parameter in the approximation target is not a monotonous relationship, the probability that an inappropriate model function is calculated can be reduced.
なお、第２〜第５の実施の形態では、モデル関数式算出部２と判定用関数式算出部１２，１４，１７，２０とを別のものとして説明しているが、モデル関数式をそのまま判定用関数式として採用してもよい。すなわち、モデル関数式算出部と判定用関数式算出部とは同一のものとして構成してもよい。
In the second to fifth embodiments, the model function
また、第１〜第５の実施の形態で説明したモデル関数更新処理装置は、ＣＰＵ、記憶装置およびインタフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。モデル関数更新処理装置のＣＰＵは、記憶装置に格納されたプログラムに従って第１〜第５の実施の形態で説明した処理を実行する。 In addition, the model function update processing device described in the first to fifth embodiments can be realized by a computer having a CPU, a storage device, and an interface, and a program for controlling these hardware resources. The CPU of the model function update processing device executes the processing described in the first to fifth embodiments in accordance with a program stored in the storage device.
本発明は、例えば空調設備を近似対象としてモデル関数式を算出し、近似対象の状況に応じてモデル関数式を適宜更新し、モデル関数式に入力パラメータ値を与えて近似対象のシミュレーション結果である出力パラメータ値を得る技術に適用することができる。 The present invention is a simulation result of an approximation target, for example, calculating a model function equation for an air conditioning facility as an approximation target, appropriately updating the model function equation according to the situation of the approximation target, and giving an input parameter value to the model function equation It can be applied to a technique for obtaining an output parameter value.
１…分析用データ記憶部、２…モデル関数式算出部、３…１次関数式算出部、４…１次関数式係数判定部、５，５ａ，５ｂ，５ｃ，５ｄ…極性判定部、６…極性知見記憶部、７…モデル関数式更新処理部、８…モデル関数式記憶部、９…モデル関数値算出部、１０…入力パラメータ値取得部、１１…出力パラメータ値出力部、１２…判定用関数式算出部、１３…独立最高次係数判定部、１４…判定用関数式算出部、１５…代表値周辺検証計算部、１６…代表値周辺増減判定部、１７…判定用関数式算出部、１８…偏微分多項式算出部、１９…微分係数分布判定部、２０…判定用関数式算出部、２１…大小関係判定部。
DESCRIPTION OF
Claims (16)
前記近似対象における入力パラメータと出力パラメータとの関係の極性を示す極性情報が予め登録された極性知見記憶手段と、
前記モデル関数式と同一または異なる判定用関数式に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する極性判定手段と、
モデル関数式を記憶するモデル関数式記憶手段と、
前記極性判定手段が全ての入力パラメータについて極性一致と判定したときのみ、前記モデル関数式記憶手段に記憶されたモデル関数式を前記モデル関数式算出手段が算出したモデル関数式に更新するモデル関数式更新処理手段とを備えることを特徴とするモデル関数更新処理装置。 A model function formula calculating means for calculating the model function formula of the approximation target based on the analysis data when analysis data representing the input / output relationship of the approximation target is input;
Polarity knowledge storage means in which polarity information indicating the polarity of the relationship between the input parameter and the output parameter in the approximation target is registered in advance;
Based on a determination function equation that is the same as or different from the model function equation, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter, and this polarity is a pre-registered polarity in the polarity knowledge storage unit. Polarity determination means for determining whether or not they match for each input parameter;
A model function expression storage means for storing a model function expression;
A model function formula that updates the model function formula stored in the model function formula storage means to the model function formula calculated by the model function formula calculation means only when the polarity judgment means determines that the polarity matches for all input parameters. A model function update processing device comprising an update processing means.
さらに、前記極性判定手段が少なくとも１個の入力パラメータについて極性不一致と判定したときに、モデル関数式の更新が妥当でないことをオペレータに通知する通知手段を備えることを特徴とするモデル関数更新処理装置。 The model function update processing device according to claim 1,
The model function update processing device further comprises a notification means for notifying the operator that the update of the model function expression is not valid when the polarity determination means determines that the polarity does not match for at least one input parameter. .
前記極性判定手段は、
前記分析用データに基づいて前記近似対象を近似した１次の判定用関数式を算出する１次関数式算出手段と、
この１次関数式算出手段が算出した１次の判定用関数式における各入力パラメータの係数の正負から、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する１次関数式係数判定手段とからなることを特徴とするモデル関数更新処理装置。 In the model function update processing device according to claim 1 or 2,
The polarity determination means includes
A linear function formula calculation means for calculating a primary determination function formula that approximates the approximation target based on the analysis data;
The polarity of the relationship between the input parameter and the output parameter is determined for each input parameter based on the sign of the coefficient of each input parameter in the primary determination function equation calculated by the linear function equation calculating means. A model function update processing apparatus comprising: a linear function equation coefficient determination unit that determines, for each input parameter, whether or not the polarity is registered in advance in the polarity knowledge storage unit.
前記極性判定手段は、
前記分析用データに基づいて前記近似対象を近似した奇数次の判定用関数式を算出する判定用関数式算出手段と、
この判定用関数式算出手段が算出した判定用関数式における各入力パラメータの独立最高次の項の係数の正負に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する独立最高次係数判定手段とからなることを特徴とするモデル関数更新処理装置。 In the model function update processing device according to claim 1 or 2,
The polarity determination means includes
A determination function formula calculation means for calculating an odd-order determination function formula that approximates the approximation target based on the analysis data;
The polarity of the relationship between the input parameter and the output parameter is determined for each input parameter based on the sign of the coefficient of the independent highest-order term of each input parameter in the determination function equation calculated by the determination function equation calculating means. A model function update processing apparatus comprising: an independent highest-order coefficient determination unit that determines, for each input parameter, whether or not this polarity matches a polarity registered in advance in the polarity knowledge storage unit.
前記極性判定手段は、
前記分析用データに基づいて前記近似対象を近似した判定用関数式を算出する判定用関数式算出手段と、
この判定用関数式算出手段が算出した判定用関数式において特定の入力パラメータ以外の各入力パラメータを想定される変動範囲内の代表値に固定して前記特定の入力パラメータを想定される最小値から最大値の間で変化させ、前記出力パラメータの変化を求めることを入力パラメータ毎に行う代表値周辺検証計算手段と、
この代表値周辺検証計算手段で計算された、前記入力パラメータに対する前記出力パラメータの変化から、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する代表値周辺増減判定手段とからなることを特徴とするモデル関数更新処理装置。 In the model function update processing device according to claim 1 or 2,
The polarity determination means includes
A determination function equation calculating means for calculating a determination function equation that approximates the approximation target based on the analysis data;
In the determination function formula calculated by the determination function formula calculation means, each input parameter other than the specific input parameter is fixed to a representative value within an assumed fluctuation range, and the specific input parameter is determined from the assumed minimum value. Representative value surrounding verification calculation means for changing for each input parameter to change between the maximum values and obtaining the change of the output parameter;
The polarity of the relationship between the input parameter and the output parameter is determined for each input parameter from the change of the output parameter with respect to the input parameter calculated by the representative value periphery verification calculation unit, and this polarity is stored in the polarity knowledge storage unit. A model function update processing device comprising: representative value peripheral increase / decrease determining means for determining for each input parameter whether or not it matches the polarity registered in advance.
前記極性判定手段は、
前記分析用データに基づいて前記近似対象を近似した判定用関数式を算出する判定用関数式算出手段と、
この判定用関数式算出手段が算出した判定用関数式において前記出力パラメータを前記入力パラメータで偏微分した偏微分多項式を入力パラメータ毎に算出する偏微分多項式算出手段と、
この偏微分多項式算出手段が算出した偏微分多項式の微分係数の正負の分布に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する微分係数分布判定手段とからなることを特徴とするモデル関数更新処理装置。 In the model function update processing device according to claim 1 or 2,
The polarity determination means includes
A determination function equation calculating means for calculating a determination function equation that approximates the approximation target based on the analysis data;
Partial differential polynomial calculating means for calculating, for each input parameter, a partial differential polynomial obtained by partial differentiation of the output parameter with the input parameter in the determination functional expression calculated by the determination functional expression calculating means;
Based on the positive / negative distribution of the differential coefficient of the partial differential polynomial calculated by the partial differential polynomial calculation means, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter, and this polarity is stored in the polarity knowledge storage means. And a differential coefficient distribution determining means for determining, for each input parameter, whether or not it matches the polarity registered in advance in the model function update processing apparatus.
前記極性知見記憶手段は、前記極性情報として、入力パラメータ値の特定の条件下での出力パラメータ値の大小関係を入力パラメータ毎に記憶し、
前記極性判定手段は、前記判定用関数式から、前記極性情報で規定された入力パラメータ値の条件下での出力パラメータ値の大小関係を入力パラメータ毎に求め、この大小関係が前記極性情報で規定された大小関係と一致するかどうかを入力パラメータ毎に判定することを特徴とするモデル関数更新処理装置。 In the model function update processing device according to claim 1 or 2,
The polarity knowledge storage means stores, as the polarity information, the magnitude relationship of the output parameter value under a specific condition of the input parameter value for each input parameter,
The polarity determination means obtains, for each input parameter, a magnitude relationship between output parameter values under the condition of the input parameter value defined by the polarity information from the determination function formula, and the magnitude relationship is defined by the polarity information. A model function update processing device for determining, for each input parameter, whether or not it coincides with the magnitude relationship made.
さらに、前記近似対象の入力パラメータ値を取得する入力パラメータ値取得手段と、
前記モデル関数式記憶手段に記憶されたモデル関数式を用いて、前記入力パラメータ値取得手段が取得した入力パラメータ値から出力パラメータ値を算出するモデル関数値算出手段とを備えることを特徴とするモデル関数更新処理装置。 The model function update processing device according to any one of claims 1 to 7,
Further, input parameter value acquisition means for acquiring the input parameter value to be approximated,
A model function value calculating means for calculating an output parameter value from an input parameter value acquired by the input parameter value acquiring means using a model function expression stored in the model function expression storing means; Function update processing device.
前記モデル関数式と同一または異なる判定用関数式に基づいて、入力パラメータと出力パラメータの関係の極性を入力パラメータ毎に判別し、前記近似対象における入力パラメータと出力パラメータとの関係の極性を示す極性情報が予め登録された極性知見記憶手段を参照して、前記判別した極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する極性判定手順と、
この極性判定手順で全ての入力パラメータについて極性一致と判定したときのみ、モデル関数式記憶手段に記憶されたモデル関数式を前記モデル関数式算出手順で算出したモデル関数式に更新するモデル関数式更新処理手順とを備えることを特徴とするモデル関数更新処理方法。 A model function formula calculation procedure for calculating a model function formula of the approximation target based on the analysis data when analysis data representing the input / output relationship of the approximation target is input;
Based on a determination function formula that is the same as or different from the model function formula, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter, and the polarity indicating the polarity of the relationship between the input parameter and the output parameter in the approximation target A polarity determination procedure for determining, for each input parameter, whether or not the determined polarity matches the polarity registered in advance in the polarity knowledge storage unit with reference to the polarity knowledge storage unit in which information is registered in advance,
Update the model function formula that updates the model function formula stored in the model function formula storage means to the model function formula calculated in the model function formula calculation procedure only when it is determined that the polarity matches for all input parameters in this polarity judgment procedure A model function update processing method comprising: a processing procedure.
さらに、前記極性判定手順で少なくとも１個の入力パラメータについて極性不一致と判定したときに、モデル関数式の更新が妥当でないことをオペレータに通知する通知手順を備えることを特徴とするモデル関数更新処理方法。 In the model function update processing method according to claim 9,
The model function update processing method further comprising: a notification procedure for notifying the operator that the update of the model function expression is not valid when it is determined that the polarity does not match for at least one input parameter in the polarity determination procedure. .
前記極性判定手順は、
前記分析用データに基づいて前記近似対象を近似した１次の判定用関数式を算出する１次関数式算出手順と、
この１次関数式算出手順で算出した１次の判定用関数式における各入力パラメータの係数の正負から、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する１次関数式係数判定手順とを含むことを特徴とするモデル関数更新処理方法。 The model function update processing method according to claim 9 or 10,
The polarity determination procedure includes:
A linear function formula calculation procedure for calculating a primary determination function formula approximating the approximation target based on the analysis data;
The polarity of the relationship between the input parameter and the output parameter is determined for each input parameter based on the sign of the coefficient of each input parameter in the primary determination function formula calculated by the linear function formula calculation procedure. A model function update processing method, comprising: a linear function equation coefficient determination procedure for determining for each input parameter whether or not it matches a polarity registered in advance in the polarity knowledge storage means.
前記極性判定手順は、
前記分析用データに基づいて前記近似対象を近似した奇数次の判定用関数式を算出する判定用関数式算出手順と、
この判定用関数式算出手順で算出した判定用関数式における各入力パラメータの独立最高次の項の係数の正負に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する独立最高次係数判定手順とを含むことを特徴とするモデル関数更新処理方法。 The model function update processing method according to claim 9 or 10,
The polarity determination procedure includes:
A determination function equation calculation procedure for calculating an odd-order determination function equation that approximates the approximation target based on the analysis data;
The polarity of the relationship between the input parameter and the output parameter is determined for each input parameter based on the sign of the coefficient of the independent highest-order term of each input parameter in the determination function equation calculated by the determination function equation calculation procedure. A model function update processing method comprising: an independent highest-order coefficient determination procedure for determining, for each input parameter, whether or not this polarity matches a polarity registered in advance in the polarity knowledge storage means.
前記極性判定手順は、
前記分析用データに基づいて前記近似対象を近似した判定用関数式を算出する判定用関数式算出手順と、
この判定用関数式算出手順で算出した判定用関数式において特定の入力パラメータ以外の各入力パラメータを想定される変動範囲内の代表値に固定して前記特定の入力パラメータを想定される最小値から最大値の間で変化させ、前記出力パラメータの変化を求めることを入力パラメータ毎に行う代表値周辺検証計算手順と、
この代表値周辺検証計算手順で計算した、前記入力パラメータに対する前記出力パラメータの変化から、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する代表値周辺増減判定手順とを含むことを特徴とするモデル関数更新処理方法。 The model function update processing method according to claim 9 or 10,
The polarity determination procedure includes:
A determination function equation calculation procedure for calculating a determination function equation that approximates the approximation target based on the analysis data;
In the determination function equation calculated by this determination function equation calculation procedure, each input parameter other than the specific input parameter is fixed to a representative value within an assumed fluctuation range, and the specific input parameter is determined from the assumed minimum value. A representative value periphery verification calculation procedure for changing between the maximum values and obtaining the change of the output parameter for each input parameter;
The polarity of the relationship between the input parameter and the output parameter is determined for each input parameter from the change of the output parameter with respect to the input parameter calculated in the representative value periphery verification calculation procedure, and this polarity is stored in the polarity knowledge storage unit. A model function update processing method characterized by including a representative value peripheral increase / decrease determination procedure for determining for each input parameter whether or not the polarity is registered in advance.
前記極性判定手順は、
前記分析用データに基づいて前記近似対象を近似した判定用関数式を算出する判定用関数式算出手順と、
この判定用関数式算出手順で算出した判定用関数式において前記出力パラメータを前記入力パラメータで偏微分した偏微分多項式を入力パラメータ毎に算出する偏微分多項式算出手順と、
この偏微分多項式算出手順で算出した偏微分多項式の微分係数の正負の分布に基づいて、前記入力パラメータと前記出力パラメータの関係の極性を入力パラメータ毎に判別し、この極性が前記極性知見記憶手段に予め登録された極性と一致するかどうかを入力パラメータ毎に判定する微分係数分布判定手順とを含むことを特徴とするモデル関数更新処理方法。 The model function update processing method according to claim 9 or 10,
The polarity determination procedure includes:
A determination function equation calculation procedure for calculating a determination function equation that approximates the approximation target based on the analysis data;
A partial differential polynomial calculation procedure for calculating, for each input parameter, a partial differential polynomial obtained by partial differentiation of the output parameter with the input parameter in the determination functional equation calculation procedure;
Based on the positive / negative distribution of the differential coefficient of the partial differential polynomial calculated by the partial differential polynomial calculation procedure, the polarity of the relationship between the input parameter and the output parameter is determined for each input parameter, and this polarity is stored in the polarity knowledge storage means. And a differential coefficient distribution determination procedure for determining, for each input parameter, whether or not it matches the polarity registered in advance.
前記極性知見記憶手段に予め登録された極性情報は、入力パラメータ値の特定の条件下での出力パラメータ値の大小関係を入力パラメータ毎に示すものであり、
前記極性判定手順は、前記判定用関数式から、前記極性情報で規定された入力パラメータ値の条件下での出力パラメータ値の大小関係を入力パラメータ毎に求め、この大小関係が前記極性情報で規定された大小関係と一致するかどうかを入力パラメータ毎に判定することを特徴とするモデル関数更新処理方法。 The model function update processing method according to claim 9 or 10,
The polarity information registered in advance in the polarity knowledge storage means indicates the magnitude relationship of the output parameter value for each input parameter under a specific condition of the input parameter value,
In the polarity determination procedure, the magnitude relationship of output parameter values under the condition of the input parameter value specified by the polarity information is obtained for each input parameter from the determination function formula, and the magnitude relationship is specified by the polarity information. A model function update processing method for determining, for each input parameter, whether or not it coincides with the magnitude relationship made.
さらに、前記近似対象の入力パラメータ値を取得する入力パラメータ値取得手順と、
前記モデル関数式記憶手段に記憶されたモデル関数式を用いて、前記入力パラメータ値取得手順で取得した入力パラメータ値から出力パラメータ値を算出するモデル関数値算出手順とを備えることを特徴とするモデル関数更新処理方法。 The model function update processing method according to any one of claims 9 to 15,
Furthermore, an input parameter value acquisition procedure for acquiring the input parameter value to be approximated,
A model function value calculation procedure for calculating an output parameter value from an input parameter value acquired in the input parameter value acquisition procedure using a model function equation stored in the model function equation storage means. Function update processing method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009033549A JP5213749B2 (en) | 2009-02-17 | 2009-02-17 | Model function update processing apparatus and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2009033549A JP5213749B2 (en) | 2009-02-17 | 2009-02-17 | Model function update processing apparatus and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010191566A true JP2010191566A (en) | 2010-09-02 |
| JP5213749B2 JP5213749B2 (en) | 2013-06-19 |
Family
ID=42817573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2009033549A Expired - Fee Related JP5213749B2 (en) | 2009-02-17 | 2009-02-17 | Model function update processing apparatus and method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5213749B2 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012164029A (en) * | 2011-02-03 | 2012-08-30 | Fujitsu Ltd | Input parameter calculation method, device, and program |
| JP2015215659A (en) * | 2014-05-08 | 2015-12-03 | アズビル株式会社 | Function generation device, heat source equipment control device, air conditioning system, function generation method, and program for function generation |
| JPWO2015173842A1 (en) * | 2014-05-12 | 2017-04-20 | 三菱電機株式会社 | Parameter learning apparatus and parameter learning method |
| CN110925974A (en) * | 2019-12-09 | 2020-03-27 | 广东美的暖通设备有限公司 | Air conditioner and control method and control device for output parameters of air conditioner |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5717950B2 (en) * | 2009-02-05 | 2015-05-13 | アズビル株式会社 | Model function processing apparatus and method |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03259368A (en) * | 1990-03-09 | 1991-11-19 | Nec Corp | Simulation model generating system |
| JPH06332506A (en) * | 1993-05-21 | 1994-12-02 | Yamatake Honeywell Co Ltd | Nonlinear controller |
| JP2002062927A (en) * | 2000-08-22 | 2002-02-28 | Hitachi Ltd | Waste water treatment process simulator |
| JP2007240067A (en) * | 2006-03-09 | 2007-09-20 | Hitachi Ltd | Air-conditioning control system |
| JP2009002650A (en) * | 2008-10-06 | 2009-01-08 | Daikin Ind Ltd | Abnormality diagnosis system |
-
2009
- 2009-02-17 JP JP2009033549A patent/JP5213749B2/en not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03259368A (en) * | 1990-03-09 | 1991-11-19 | Nec Corp | Simulation model generating system |
| JPH06332506A (en) * | 1993-05-21 | 1994-12-02 | Yamatake Honeywell Co Ltd | Nonlinear controller |
| JP2002062927A (en) * | 2000-08-22 | 2002-02-28 | Hitachi Ltd | Waste water treatment process simulator |
| JP2007240067A (en) * | 2006-03-09 | 2007-09-20 | Hitachi Ltd | Air-conditioning control system |
| JP2009002650A (en) * | 2008-10-06 | 2009-01-08 | Daikin Ind Ltd | Abnormality diagnosis system |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012164029A (en) * | 2011-02-03 | 2012-08-30 | Fujitsu Ltd | Input parameter calculation method, device, and program |
| JP2015215659A (en) * | 2014-05-08 | 2015-12-03 | アズビル株式会社 | Function generation device, heat source equipment control device, air conditioning system, function generation method, and program for function generation |
| JPWO2015173842A1 (en) * | 2014-05-12 | 2017-04-20 | 三菱電機株式会社 | Parameter learning apparatus and parameter learning method |
| CN110925974A (en) * | 2019-12-09 | 2020-03-27 | 广东美的暖通设备有限公司 | Air conditioner and control method and control device for output parameters of air conditioner |
| CN110925974B (en) * | 2019-12-09 | 2021-08-03 | 广东美的暖通设备有限公司 | Air conditioner and control method and control device for output parameters of air conditioner |
Also Published As
| Publication number | Publication date |
|---|---|
| JP5213749B2 (en) | 2013-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190075687A1 (en) | Cooling unit energy optimization via smart supply air temperature setpoint control | |
| JP5213749B2 (en) | Model function update processing apparatus and method | |
| JP7279445B2 (en) | Prediction method, prediction program and information processing device | |
| JP2019521444A (en) | Computer system and method for dynamic construction and on-line deployment of a motion-centric first principles process model for predictive analysis | |
| CN113795856B (en) | Space proposal system and space proposal method | |
| AU2006201792A1 (en) | Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset | |
| JP2004086896A (en) | Method and system for constructing adaptive prediction model | |
| JP2005523527A (en) | Automatic model maintenance via local net | |
| US9952574B2 (en) | Machine learning device, motor control system, and machine learning method for learning cleaning interval of fan motor | |
| JP2004178492A (en) | Plant simulation method using enhanced learning method | |
| US20160209817A1 (en) | Information processing device, predictive control method, and recording medium | |
| WO2021192279A1 (en) | Learning device and inference device for air-conditioning control | |
| WO2019176496A1 (en) | Control device, control system, control method, and control program | |
| JP5264796B2 (en) | Plant operation support device | |
| CN103489034A (en) | Method and device for predicting and diagnosing online ocean current monitoring data | |
| JP2004062440A (en) | Predictive model system | |
| CN109839889A (en) | Equipment recommendation system and method | |
| CN110308658A (en) | A kind of pid parameter setting method, device, system and readable storage medium storing program for executing | |
| WO2012011401A1 (en) | Output control device | |
| KR20120080406A (en) | Apparatus and method and for deducting manage plan of building | |
| WO2021210353A1 (en) | Failure prediction system | |
| JP5717950B2 (en) | Model function processing apparatus and method | |
| JP5749041B2 (en) | Active feedback control device and program | |
| CN111971664B (en) | Learning processing device, data analysis device, analysis pattern selection method, and analysis pattern selection program | |
| JP2005078545A (en) | Method and device for adjusting process model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20111107 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130219 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130226 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5213749 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20160308 Year of fee payment: 3 |
|
| LAPS | Cancellation because of no payment of annual fees |