JP2020008534A

JP2020008534A - 断熱性能診断装置

Info

Publication number: JP2020008534A
Application number: JP2018132673A
Authority: JP
Inventors: 裕希川野; Yuki Kawano; 利宏妻鹿; Toshihiro Mega; 横田　守真; Morimasa Yokota; 守真横田; 隆義飯田; Takayoshi Iida; 大樹小林; Daiki Kobayashi
Original assignee: Mitsubishi Electric Corp; Mitsubishi Electric Building Techno Service Co Ltd
Current assignee: Mitsubishi Electric Corp; Mitsubishi Electric Building Solutions Corp
Priority date: 2018-07-12
Filing date: 2018-07-12
Publication date: 2020-01-16
Anticipated expiration: 2038-07-12
Also published as: JP6878361B2; WO2020012738A1

Abstract

【課題】断熱性能の劣化度合いを簡易かつ高精度に診断できる断熱性能診断装置を提供する。【解決手段】建物の断熱性能の劣化度合いを判断する断熱性能診断装置１０は、推定条件に基づいて、対象壁の内外面の温度分布の推定画像を算出する壁温度推定部２６と、補正値を記憶した補正値記憶部３０と、前記補正値記憶部３０に記憶された前記補正値に基づいて、前記推定画像を補正して、比較用画像を得る補正部２８と、前記比較用画像と、前記対象壁の内外面の熱画像と、の比較結果に基づいて前記建物の断熱性能の劣化度合いを判断する比較部３３と、前記断熱性能が劣化していない初期期間中に取得された前記推定画像および前記熱画像を含む基礎データに基づいて前記補正値を算出する補正値算出部３６と、を備える。【選択図】図３

Description

本明細書では、建物の断熱性能の劣化度合いを判断する断熱性能診断装置を開示する。

ビルなどの建物では、経年劣化により、その断熱性能が劣化していく。建物の補修・改修の要否を決定するうえで、こうした断熱性能の劣化度合いを監視することが求められている。ここで、断熱性能の測定方法は、ＩＳＯ０９８６９等で規定されている。断熱性能の測定方法の一つには、壁面を赤外線カメラ等で撮影して得られる熱画像から断熱性能を求める方法があり、かかる方法によれば、壁を壊すことなく簡便に断熱性能を測定できる。

しかしながら、従来の断熱性能の測定方法は、室内外の温度差が定常状態にあることを前提としていた。換言すれば、室内および室外に非定常的な熱源（人や空調機器、太陽等）が存在する期間は、従来の測定方法を適用できなかった。結果として、従来の測定方法が適用できるのは、人の活動や日射がない夜間に限られていた。また、従来の測定方法は、室内外の温度差が可能な限り定常となるよう、一度に計測できる計測面を狭める必要があり、広い壁面全体の断熱性能を検証することは困難であった。

ここで、特許文献１には、赤外線熱画像等を利用して壁面の構造欠陥を特定する技術が開示されている。具体的に説明すると、特許文献１では、壁面の表面におけるヒートバランス（熱環境）を同時系列で計測して得られたデータを用いて、壁面の非定常運動を解析するシミュレータを設計する。シミュレータには、壁面における空隙欠陥の幅を変数として入力でき、シミュレータの演算結果として壁面の温度が算出される。特許文献１では、空隙欠陥の幅を変えながらシミュレータで壁面温度を演算し、このシミュレータの演算結果と、赤外線カメラを用いて実測した壁面の赤外線熱画像と、が一致した時点の空隙欠陥の幅で、壁面の構造欠陥を特定する。

特開昭６３−１７５７３５号公報

特許文献１の技術によれば、経時的な変化を考慮してシミュレーションを構築しており、室内外の温度差が非定常状態にあっても、壁面の性能低下をある程度、検証できる。しかしながら、特許文献１の技術は基本的に壁面の構造欠陥を特定するものであって、断熱性能を評価するものではない。また、特許文献１の技術では、シミュレータの推定精度は、ヒートバランスの計測結果に依存しており、ある程度の推定精度を維持するためには、壁面および空間に、一定の密度でセンサ（例えば温度センサ、放射センサ、対流センサなど）を設ける必要があった。しかし、構造欠陥特定のためだけに、専用のセンサを一定密度でセンサを設けることは費用的な負担が大きく、ビルの規模に比例して実施が困難となる。

そこで、本明細書では、断熱性能の劣化度合いを簡易かつ高精度に診断できる断熱性能診断装置を開示する。

本明細書で開示する断熱性能診断装置は、建物の断熱性能の劣化度合いを判断する断熱性能診断装置であって、推定条件に基づいて、対象壁の内外面の温度分布の推定値を推定温度分布として算出する推定部と、補正値を記憶した補正値記憶部と、前記補正値記憶部に記憶された前記補正値に基づいて、前記推定条件および前記推定温度分布の少なくとも一方を補正して、比較用温度分布を得る補正部と、前記比較用温度分布と、前記対象壁の内外面の温度分布の実測値である実測温度分布と、の比較結果に基づいて前記建物の断熱性能の劣化度合いを判断する比較部と、前記断熱性能が劣化していない初期期間中に取得された前記推定温度分布および前記実測温度分布を含む基礎データに基づいて前記補正値を算出する補正値算出部と、を備えることを特徴とする。

この場合、前記対象壁は、複数の区画に分けられており、前記推定温度分布および前記実測温度分布として、前記区画ごとの推定温度および実測温度が取得され、前記補正値算出部は、前記区画ごとに、前記推定温度を補正する補正値を算出してもよい。

また、この場合、前記補正値算出部は、同一タイミングで取得された前記実測温度と前記推定温度との差分値を、複数のタイミングについて算出し、複数の前記差分値を代表する統計値を算出し、前記統計値を相殺する値を、前記推定温度を補正する補正値として算出してもよい。

また、前記基礎データは、前記推定温度分布および前記実測温度分布に加え、さらに、前記推定温度分布および前記実測温度分布を取得した際の前記対象壁周辺の熱環境を示す熱環境パラメータ値を含み、前記補正値算出部は、前記熱環境パラメータ値に基づいて推定温度分布および前記実測温度分布のデータを複数の熱環境グループに分けるとともに、前記熱環境グループごとに前記補正値を算出し、前記補正部は、現在の熱環境パラメータ値に対応する熱環境グループを特定するとともに、当該特定された熱環境グループに対応する補正値で、前記推定温度分布を補正してもよい。

また、前記基礎データは、前記推定温度分布および前記実測温度分布に加え、さらに、前記推定温度分布および前記実測温度分布を取得した際の前記対象壁周辺の熱環境を示す熱環境パラメータ値の変動量を含み、前記補正値算出部は、対応する前記変動量が小さい前記推定温度分布および前記実測温度分布ほど重みが大きくなるように重み付けして前記補正値を算出してもよい。

また、前記基礎データは、前記推定温度分布および前記実測温度分布に加え、さらに、前記推定温度分布および前記実測温度分布を取得した際の前記対象壁周辺の熱環境を示す前記熱環境パラメータ値を含み、前記補正値算出部は、前記基礎データを機械学習させることで前記補正値を算出してもよい。

また、さらに、前記実測温度分布を実測する際の推奨エリアを提示するエリア提示部を備えてもよい。

本明細書に開示の断熱性能診断装置によれば、建設当時の断熱性能を維持していれば得られるであろう温度分布を比較用温度分布として算出し、これを実測温度分布と比較するため、熱的環境が、定常な状態に限らず、熱的環境が非定常な状態でも断熱性能を診断できる。また、本明細書に開示の断熱性能診断装置によれば、初期期間中に収集されたデータに基づいて、補正値を算出し、この補正値で推定温度分布を補正している。その結果、多数のセンサを設けなくても、比較用温度分布の精度を向上できるため、断熱性能の劣化度合いを簡易かつ高精度に診断できる。

断熱性能診断の様子を示すイメージ図である。断熱性能診断装置の物理的構成を示す図である。断熱性能診断装置の機能ブロック図である。補正値テーブルの一例を示す図である。熱環境データテーブルの一例を示す図である。推定画像の補正の流れを示すフローチャートである。基礎情報テーブルの一例を示す図である。補正値算出の流れを示すフローチャートである。他の断熱性能診断装置の機能ブロック図である。熱環境ログデータの一例を示す図である。重み係数テーブルの一例を示す図である。重み付け処理の流れを示すフローチャートである。各画像を重み付けした場合の補正値算出処理の流れを示すフローチャートである。他の断熱性能診断装置の機能ブロック図である。他の断熱性能診断装置の機能ブロック図である。他の断熱性能診断装置の機能ブロック図である。エリア提示部による撮影可能エリアの提示例を示す図である。他の断熱性能診断装置の機能ブロック図である。発熱体の発熱量の記録の一例を示す図である。発熱体の配置解析の流れを示すフローチャートである。

以下、図面を参照して断熱性能診断装置１０の構成について説明する。図１は、断熱性能の診断の様子を示すイメージ図である。断熱性能診断装置１０は、ビルなどの建物１００における断熱性能の劣化度合いを診断する装置である。図１では、説明を簡単にするために、単一の部屋のみを例示しているが、断熱性能診断装置１０が対象とする建物１００は、複数の階、複数の部屋を有したビルや工場などであってもよい。

後述するように断熱性能診断装置１０は、診断対象の壁（以下「対象壁１０２」という）の内外面の温度分布を推定し、比較用温度分布として算出する。この比較用温度分布は、建物１００が設計通りの断熱性能を維持している場合に得られるであろう温度分布、すなわち、理想の温度分布である。そして、断熱性能診断装置１０は、対象壁１０２の内外面の実測温度分布と、この比較用温度分布と、の比較結果に基づいて、当該対象壁１０２の断熱性を診断する。実測温度分布は、例えば、赤外線カメラ１１０（サーモカメラ）等を用いて取得される。また、比較用温度分布は、固定値である建物仕様パラメータおよび変動値である熱環境パラメータの値に基づいて断熱性能診断装置１０において算出される。ここで、熱環境パラメータは、温度センサや、日射センサ等のセンサで検知された環境計測値に加え、ビル管理システムで検知された、空調機の駆動状況や開口部（ドア等）の開閉状況、人員の入退室状況等を含んでもよい。この比較用温度分布（理想の温度分布）と実測温度分布との乖離が大きい場合には、建物１００の断熱性能が低下していると判断できる。

図２は、断熱性能診断装置１０の物理構成を示すブロック図である。図２に示すように、断熱性能診断装置１０は、特定のプログラムに従って駆動する１以上のコンピュータで構築される。すなわち、断熱性能診断装置１０は、図２に示すように、ＣＰＵ１２と、記憶装置１４と、入力装置１６と、出力装置１８と、通信インターフェース（以下「通信Ｉ／Ｆ」という）２０と、を備えており、これらが、バス２２により接続されている。

ＣＰＵ１２は、各種演算を行なう。具体的には、ＣＰＵ１２は、必要に応じて、記憶装置１４に記憶される断熱性能診断プログラムを読み込んで、断熱性能診断に必要な各種演算を行なう。このＣＰＵ１２による処理の具体的内容については、後述する。

記憶装置１４は、各種データ（プログラム含む）を記憶するもので、例えば、ＲＡＭやＲＯＭといった半導体メモリ、ハードディスクドライブ、ソリッドステートドライブ等を１以上組み合わせて構成される。この記憶装置１４には、後述する断熱性能診断を行なうための断熱性能診断プログラムが記憶されている。また、記憶装置１４には、建物の仕様や、断熱性診断時の熱環境、補正値、基礎情報等も記憶されている。

入力装置１６は、オペレータからの操作指示およびデータ入力を受け付けるもので、例えば、キーボード、マウス、タッチパネル、マイク等を１以上、組み合わせて構成される。出力装置１８は、オペレータに各種情報を出力するもので、例えば、ディスプレイ、スピーカー等を１以上、組み合わせて構成される。

通信Ｉ／Ｆ２０は、他の電子機器および情報端末とデータを遣り取りする。例えば、各種センサで検知された計測値、および、建物管理システムで検知された空調機の駆動状況等は、この通信Ｉ／Ｆ２０を介して、断熱性能診断装置１０に入力される。また、断熱性能診断装置１０による診断結果は、この通信Ｉ／Ｆ２０を介して、他の情報端末に送られてもよい。

なお、図２では、断熱性能診断装置１０を、１台のコンピュータとして図示しているが、断熱性能診断装置１０は、互いに通信可能な複数のコンピュータで構成されてもよい。したがって、例えば、断熱性能診断装置１０は、メインコンピュータと、当該メインコンピュータと通信可能であるとともに断熱性能診断に必要な各種データを記憶したデータサーバと、で構成されてもよい。

図３は、断熱性能診断装置１０の機能ブロック図である。断熱性能診断装置１０は、繰り返し述べるとおり、対象壁１０２の内外面を実際に測定して得られる実測温度分布と、断熱性能診断装置１０で算出した比較用温度分布と、の比較に基づいて、断熱性能の劣化度合いを診断する装置である。この断熱性能診断装置１０は、図３に示す通り、実測温度分布を取得する熱画像取得部２４と、推定温度分布を算出する壁温度推定部２６と、推定温度分布を補正して比較用温度分布を算出する補正部２８等を有している。

熱画像取得部２４は、対象壁１０２の内外面の温度を実測した実測温度分布を取得する。具体的には、熱画像取得部２４は、赤外線カメラ１１０で撮像された熱画像を実測温度分布として取得する。熱画像は、周知の通り、物体から放射される赤外線から温度を特定し、この特定された温度に応じた画素値（色値または輝度値）で構成される画像である。したがって、熱画像の画素値は、当該画素に対応する範囲の温度と等価とみなせ、熱画像は、実測温度分布とみなせる。この熱画像（実測温度分布）は、オペレータが手動で撮影するようにしてもよいし、赤外線カメラ１１０を自動制御することで、自動で撮影されるようにしてもよい。

熱画像は、所定の分解能を有しており、各画素の画素値（色値または輝度値）は、当該画素に対応する区画の温度に応じて変化する。例えば、対象壁１０２の４ｍ×４ｍの撮影範囲を画素数が８×８＝６４画素の赤外線カメラ１１０で撮影した場合、熱画像の１画素は、０．５ｍ×０．５ｍの範囲の温度に対応した画素値（色値または輝度値）を有している。

壁温度推定部２６は、推定条件に基づいて、対象壁１０２の内面および外面の温度分布を推定し、推定温度分布として機能する推定画像を出力する。より具体的には、壁温度推定部２６は、各種物理法則に基づいて、対象壁１０２の熱モデルを構築し、この熱モデルに、推定条件を適用して、数値解析することで、対象壁１０２の温度分布を推定するもので、例えば、流体解析シミュレータ（ＣＦＤ）である。

推定条件としては、推定画像（推定温度分布）の分解能、建物仕様パラメータ値、熱環境パラメータ値などが含まれる。推定画像の分解能は、熱画像の分解能と同じである。すなわち、熱画像の分解能が８×８＝６４画素の場合、推定画像の分解能も８×８＝６４画素となる。仕様記憶部３２は、建物仕様パラメータの値を記憶しており、熱環境記憶部３１は、熱環境パラメータの値を、一時記憶している。建物仕様パラメータは、建物の仕様を示すパラメータであり、その値が経時的に変化しないパラメータである。この建物仕様パラメータには、例えば、建物の立地条件（方位、標高など）、建物を構成する壁、床、天井、建具（窓、扉等）等の機械的構成（素材、厚み等）、建物内にある部屋および開口部（窓、ドア等）のサイズおよび位置、空調機および熱源の位置等が含まれる。

また、熱環境パラメータは、対象壁１０２周辺の熱環境を示すパラメータであり、その値が経時的に変化するパラメータである。この熱環境パラメータとしては、例えば、建物の外気温度、室内温度、日射量、室内発熱量等が含まれる。これら熱環境パラメータの値は、専用のセンサ１１４を用いて取得してもよいし、他の機器から提供されてもよい。例えば、外気温度や室内温度は、断熱性能診断のために設けられた専用の温度センサで取得されてもよいし、空調機に設けられた温度センサでの検知結果を建物管理システム１１２から提供されてもよい。また、日射量も専用のセンサで検知してもよいし、気象情報および建物の立地条件等から推定するようにしてもよい。また、室内発熱量は、例えば、建物管理システム１１２から提供される空調機の駆動状況、人の入退室状況等から取得される。こうした熱環境パラメータ値は、随時、取得され、熱環境記憶部３１に一時記憶される。さらに、熱環境パラメータ値として、開口部（ドア、窓等）の開閉回数が含まれてもよい。壁温度推定部２６は、この開口部の開閉回数に基づいて漏れ熱量を推定し、その漏れ熱量を推定画像に反映させてもよい。本例では、こうした熱環境パラメータ値は、可能な限り、建物管理システム１１２から提供される構成としている。かかる構成とすることで、専用のセンサが不要となり、断熱性診断に必要なコストを低減できる。

補正部２８は、補正値記憶部３０に記憶された補正値に基づいて、推定画像（推定温度分布）を補正して、比較用画像（比較用温度分布）を算出する。すなわち、上述したとおり、壁温度推定部２６は、推定条件（仕様パラメータ値、熱環境パラメータ値）に基づいて、対象壁１０２の内外面の推定画像（推定温度分布）を推定する。ただし、壁温度推定部２６から出力される推定画像には、モデル化誤差や、熱環境パラメータ値の計測ポイントの不足などに起因する推定誤差がある。この推定誤差が大きいと、断熱性能の劣化度合いを適切に診断できない。そこで、補正部２８は、こうした推定誤差を相殺または低減するように推定画像を補正する。この補正部２８による具体的な処理について、図４〜図６を参照して説明する。

図４は、補正値記憶部３０に記憶されている補正値テーブル４０のイメージ図である。図４に示す補正値テーブルは、８×８＝６４画素の推定画像を補正するための補正値を記録したテーブルである。この図４から明らかなとおり、本例において、補正値は、画素ごとに設定されており、８列８行の行列として記憶されている。

補正部２８は、補正値記憶部３０に記憶されている各画素の補正値を、推定画像の各画素値に加算することで、比較用画像を算出する。例えば、対象壁１０２の内面推定画像のｘ列ｙ行の画素値をＥ＿ＴＩ_ｘ，ｙ、ｘ列ｙ行の補正値をｃ＿ＴＩ_ｘ，ｙとした場合、補正部２８は、内面比較用画像のｘ列ｙ行の画素値Ｃ＿ＴＩ_ｘ，ｙを、Ｃ＿ＴＩ_ｘ，ｙ＝Ｅ＿ＴＩ_ｘ，ｙ＋ｃ＿ＴＩ_ｘ，ｙとして算出する。そして、同様の演算を、全ての画素について行なうことで、比較用画像が算出される。

ここで、補正値は、壁温度推定部２６による推定誤差を相殺または低減するものであるが、この推定誤差は、対象壁１０２ごとに異なる。そのため、補正値は、対象壁１０２ごとに設定されている。また、同じ対象壁１０２であっても、推定時の熱環境によっても、推定誤差は変化する。そこで、本例では、熱環境パラメータ値に応じて、複数の熱環境グループを設定し、この熱環境グループごとに補正値を設定している。

補正値記憶部３０には、熱環境グループと、この熱環境グループに含まれる熱環境との対応関係を示す熱環境データテーブル４２も記憶されている。図５は、熱環境データテーブル４２の一例を示す図である。後に詳説するように、補正値は、建物が劣化していない初期期間中に収集された熱画像（実測温度分布）および推定画像（推定温度分布）に基づいて学習される。補正値記憶部３０には、この学習に用いられた熱画像および推定画像を取得した際の熱環境（熱環境パラメータ値のセット）と、当該熱環境が属する環境グループと、が対応付けられて熱環境データテーブル４２として記憶されている。なお、この熱環境データテーブル４２は、対象壁１０２ごとに用意されている。補正部２８は、この熱環境データテーブル４２を参照して、新たに生成された推定画像の補正に用いる補正値を特定する。

図６は、補正部２８による推定画像の補正の流れを示すフローチャートである。断熱性診断のために推定画像が生成されれば（Ｓ１０）、補正部２８は、熱環境データテーブル４２の中に、現在の熱環境と類似する熱環境があるか否かを判断する（Ｓ１２）。判断の結果、類似する熱環境が存在する場合は、その熱環境が属する熱環境グループを特定し、その熱環境グループに対応する補正値を取得する（Ｓ１４）。そして、この取得された補正値を、推定画像の各画素に加算することで、推定画像を補正した補正画像を生成する（Ｓ１６）。補正画像が得られれば、補正部２８は、この補正画像を、比較用画像として出力する（Ｓ１８）。一方、ステップＳ１２で類似の熱環境が見つからなかった場合、補正部２８は、推定画像を、比較用画像として出力する（Ｓ１９）。このように、推定画像を、対象壁１０２ごと、かつ、熱環境グループごとに設定された補正値で補正することにより、推定精度をより向上でき、ひいては、断熱性能診断の精度をより向上できる。

次に、再び、図３を参照して、断熱性能診断装置１０の機能構成を説明する。比較部３３は、比較用画像（比較用温度分布）と、熱画像（実測温度分布）と、を比較し、その両画像の類似度に基づいて、対象壁の断熱性能を診断する。すなわち、補正部２８から出力される比較用画像は、対象壁１０２が、設計時の断熱性能を具備（仕様記憶部３２に記憶された仕様パラメータ値を維持）している場合に得られるであろう理想の温度分布とみなすことができる。したがって、この比較用画像と、実測温度分布である熱画像と、が一致または類似している場合には、対象壁１０２は、設計通りの断熱性能を有していると診断できる。一方で、比較用画像と熱画像との相違が大きい場合（類似度が小さい場合）には、対象壁１０２の断熱性能は、設計時に比べて劣化していると診断できる。つまり、両画像の類似度は、対象壁１０２の断熱性能の劣化度合いを示す指標となる。建物の管理者は、この類似度（断熱性能の劣化度合い）に基づいて、建物の補修・改修などの判断を行なうことができる。

ここで、比較用画像と熱画像との類似度は、種々の公知の技術を用いて算出できる。例えば、比較部３３は、比較用画像と熱画像それぞれの温度領域におけるヒストグラムを生成し、ヒストグラム成分ごとのハミング距離を、類似度を表す指標として算出してもよい。この場合、ハミング距離（類似度）が小さいほど、両画像が類似しており、断熱性能の劣化度合いが小さいと評価できる。また、別の形態として、比較部３３は、画素ごとに比較用画像の画素値と熱画像の画素値との誤差を参照し、この誤差の二乗平均平方根を、類似度を表す指標として算出してもよい。この場合、二乗平均平方根（類似度）が小さいほど、両画像が類似しており、断熱性の劣化度合いが小さいと評価できる。比較部３３によって算出された類似度（劣化度合い）は、出力記憶部３４に記憶され、保存される。

断熱性能診断装置１０には、さらに、補正値算出部３６および基礎情報記憶部３８が設けられている。基礎情報記憶部３８は、建物の断熱性能が劣化していない初期期間中に取得された推定画像、熱画像、熱環境パラメータ値を、基礎情報として記憶している。補正値算出部３６は、この基礎情報記憶部３８に記憶された基礎情報に基づいて、補正値を算出する。この基礎情報および補正値の算出について説明する。

既述したとおり、基礎情報は、初期期間中に取得された推定画像、熱画像、熱環境パラメータ値を含む。ここで、初期期間とは、建物の断熱性が劣化していない期間である。すなわち、建物は、建設後、徐々に、その性能が劣化していくが、通常、建設から数年間は、建設当時と同等の断熱性能を維持する。この建設当時と同等の断熱性能を維持する期間を、本例では、初期期間とし、この初期期間中に取得された推定画像および熱画像に基づいて補正値を学習する。いわば、初期期間は、補正値学習の学習期間であるといえる。この初期期間（学習期間）は、断熱性能劣化の影響を避けるためには短いほど望ましいが、学習の精度向上のためには、長いほど望ましい。そこで、初期期間は、断熱性能劣化の影響を避けつつ、学習の精度向上のために、１年以上３年未満とすることが望ましい。特に、初期期間を１年以上とすれば、春夏秋冬それぞれの季節での温度分布（推定画像、熱画像）を得ることができるため、補正値の精度をより向上できる。

初期期間中、壁温度推定部２６および熱画像取得部２４は、定期的に、または、不定期的に推定画像および熱画像を取得する。この画像の取得タイミングは、様々な熱環境下での画像が得られるように、設定されることが望ましい。初期期間中に取得された推定画像、熱画像、および、これら画像を取得した際の熱環境パラメータ値は、互いに対応付けられて基礎情報として、基礎情報記憶部３８に記憶される。例えば、基礎情報記憶部３８には、図７に示すような基礎情報テーブル４４が記憶される。基礎情報テーブル４４には、画像を取得した日時であるサンプリング日時４４ａと、その際の熱環境パラメータ値４４ｂと、各画像データのアドレス４４ｃと、が記録されている。なお、図７において、Ｅ＿ＴＩ，Ｅ＿ＴＯ，Ａ＿ＴＩ，Ａ＿ＴＯは、それぞれ、対象壁１０２の内面推定画像、外面推定画像、内面熱画像、外面熱画像を意味している。

補正値算出部３６は、このようにして収集された基礎情報に基づいて、補正値を算出する。ここで、既述したとおり、初期期間は、建物の断熱性能が劣化していない期間である。そのため、初期期間中に取得された熱画像（実測温度分布）は、対象壁１０２が、設計時の断熱性能を具備（仕様記憶部３２に記憶された仕様パラメータ値を維持）している場合に得られるであろう、理想の温度分布を示していると言える。換言すれば、この初期期間中の熱画像（理想の温度分布）と、推定画像と、の誤差は、壁温度推定部２６の推定誤差であると言える。そこで、補正部２８は、初期期間中の熱画像と推定画像との誤差を求め、この誤差を相殺または低減する値を補正値として算出する。この補正値の算出の流れについて図８を参照して説明する。

図８に示すように、基礎情報が収集できれば、補正値算出部３６は、基礎情報に含まれる推定画像および熱画像を、取得時の熱環境パラメータ値に基づいて、いくつかの熱環境グループＧｎ（ｎ＝１，２，・・・，Ｎ）に分ける（Ｓ２０）。そして、ｎ＝１にセットしたうえで（Ｓ２２）、熱環境グループＧｎに含まれる推定画像および熱画像を読み込む（Ｓ２４）。

ここで、熱環境グループＧｎには、Ｍ個の内面推定画像、Ｍ個の内面熱画像、Ｍ個の外面推定画像、Ｍ個の外面熱画像が含まれる（Ｍは１以上の整数）。補正値算出部３６は、このＭ個の推定画像および熱画像の画素値の差の平均を、画素ごとに求める（Ｓ２６）。具体的には、ｍ個目の内面推定画像および内面熱画像のｘ列ｙ行の画素値を、それぞれ、Ｅ＿ＴＩ_ｘ，ｙ（ｍ）、Ａ＿ＴＩ_ｘ，ｙ（ｍ）とした場合、ｘ列ｙ行の画素値の誤差平均値ＡｖｅＩ_ｘ，ｙを、以下の式に基づいて算出する。

同様に、ｍ個目の外面推定画像および外面熱画像のｘ列ｙ行の画素値を、それぞれ、Ｅ＿ＴＯ_ｘ，ｙ（ｍ）、Ａ＿ＴＯ_ｘ，ｙ（ｍ）とした場合、ｘ列ｙ行の画素値の誤差平均値ＡｖｅＯ_ｘ，ｙは、以下の式に基づいて算出される。

このようにして得られた誤差平均値ＡｖｅＩ_ｘ，ｙ，ＡｖｅＯ_ｘ，ｙは、実測値と推定値との差、すなわち、推定誤差の平均値とみなせる。そこで、補正値算出部３６は、この誤差平均値を、当該画素の補正値として補正値記憶部３０に記憶する（Ｓ２８）。すなわち、上記の式で算出された誤差平均値ＡｖｅＩ_ｘ，ｙを、熱環境グループＧｎにおける内面推定画像のｘ列ｙ行の補正値として記憶し、誤差平均値ＡｖｅＯ_ｘ，ｙを、熱環境グループＧｎにおけるｘ列ｙ行の補正値として記憶する。

一つの熱環境グループＧｎについて補正値が算出できれば、ｎをインクリメントしたうえで（Ｓ３２）、ステップＳ２４〜Ｓ２８を繰り返す。そして、全ての熱環境グループについて補正値を算出できれば（ステップＳ３０においてｎ＝Ｎに達すれば）、補正値算出の処理は、終了となる。

以上の説明から明らかなとおり、本例によれば、対象壁１０２の理想の温度分布を比較用温度分布（比較用画像）として断熱性能診断装置１０で算出し、この比較用温度分布（比較用画像）と実測温度分布（熱画像）との比較に基づいて、対象壁１０２の断熱性能を診断している。かかる構成とすることで、室内外の温度差が定常状態にない場合であっても、断熱性能を診断できる。

また、本例では、初期期間中に取得された実測温度分布（熱画像）および推定温度分布（推定画像）に基づいて、推定誤差を相殺または減少させる補正値を算出し、この補正値に用いて断熱性診断のために算出された推定温度分布（推定画像）を補正し、比較用温度分布（比較用画像）を算出している。これにより比較用温度分布の精度、ひいては、断熱性能の診断精度をより向上できる。

また、本例では、補正値を、熱環境グループごとに、また、画素ごとに設定している。そのため、比較用温度分布の精度、ひいては、断熱性能の診断精度をより向上できる。ただし、少なくとも、基礎情報に基づいて算出されるのであれば、補正値は、熱環境グループごとに設定されていなくてもよい。

また、補正値は、初期期間中に取得された推定画像と熱画像との誤差を相殺できる値であれば、その算出方法は、適宜、変更されてもよい。例えば、上述の例では、画素値の誤差平均値を補正値として用いているが、補正値は、画素値の誤差を代表する統計値であれば、他の値でもよい。例えば、画素値の誤差の中央値や、最頻値を補正値としてもよい。また、上述の例では、初期期間中の推定画像と熱画像との画素値の差分に基づいて補正値を算出しているが、差分ではなく、両画像の画素値の比率に基づいて補正値を算出してもよい。例えば、初期期間中の熱画像の画素値を、推定画像の画素値で割った値（比率）の平均値を、補正値として算出してもよい。この場合、補正部２８は、推定画像の画素値に、補正値を加算するのではなく、乗算すればよい。

また、補正値は、画素ごとではなく、より大きい単位ごとに設定されてもよい。例えば、補正値は、推定画像を４つに区分したエリアごとに設定されてもよい。また、別の形態として、補正値は、一つの推定画像について一つ設定されてもよい。

次に、他の形態について説明する。図９は、他の断熱性能診断装置１０の機能ブロック図である。この断熱性能診断装置１０は、補正値算出に用いる推定画像および熱画像を、その画像取得時の熱環境に基づいて重み付けする重み付け部４６を有する点で、図３の診断装置と相違する。すなわち、この断熱性能診断装置１０は、熱環境が定常的な状態で取得された推定画像および熱画像の重みを重くする。

具体的に説明すると、この断熱性能診断装置１０は、初期期間中に、定期的に、熱環境パラメータ値を取得し、取得した値を熱環境ログデータとして基礎情報記憶部３８に記憶する。この熱環境ログデータのサンプリング周期は、推定画像および熱画像のサンプリング周期と同じ、または、小さいことが望ましい。

重み付け部４６は、Ｍ−１回目の画像取得時からＭ回目の画像取得時までの期間における熱環境パラメータ値の変動度合いに基づいて、Ｍ回目の画像の重みを決定する。例えば、図７に示すような基礎情報が収集された場合において、２０１７年７月１０日１７：２０に取得された画像の重みは、その一つ前の画像取得時である２０１７年７月１０日１３：４５から２０１７年７月１０日１７：２０までに取得された熱環境パラメータ値の変動度合いに基づいて決定する。変動度合いの算出方法としては、種々考えられるが、本例では、前回パラメータ値との差が規定未満となった回数を、変動度合いの評価値としている。

例えば、２０１７年７月１０日の熱環境ログデータ４８として、図１０に示すデータが取得されたとする。また、規定値として１℃が設定されたとする。この場合において、２０１７年７月１０日１７：２０の画像の重み付けを決定する場合、重み付け部４６は、１３：４５〜１７：２０までに取得された熱環境パラメータ値、すなわち、１４時、１５時、１６時、１７時に取得された熱環境パラメータ値それぞれについて、前回の熱環境パラメータ値との差を算出する。そして、得られた差が、規定値未満となる回数を、その区間の変更評価値としている。図１０の例では、１４時から１７時までの区間において、熱環境パラメータ値である外気温度の単位時間当たりの変動量が、規定値である１度未満となるのは、１４時および１５時の２回であるため、変動評価値は、「２」となる。さらに、この変動評価値を、その区間のサンプル数で割って正規化した値が、重み係数となる。図１０の例では、２０１７年７月１０日１７：２０に取得された画像の重み係数は、２／４＝０．５となる。

同様に、２０１７年７月１０日２２：００に取得された画像の重み係数は、１８時、１９時、２０時、２１時、２２時の外気温度の変動量に基づいて決定されるもので、変動評価値は「４」、重み係数は、４／５＝０．８となる。

重み付け部４６は、上記の手順で、基礎情報を構成する各画像の重み係数を算出する。算出された重み係数は、基礎情報を構成する各画像と関連付けられて基礎情報記憶部３８に記憶される。図１１は、基礎情報記憶部３８に記憶される重み係数テーブル５０の一例を示す図である。

図１２は、重み付け部４６による重み付け処理の流れを示すフローチャートである。図１２に示すように、重み付け部４６は、まず、Ｍ−１回目の画像取得時からＭ回目の画像取得時までの間に熱環境データログとして収集された熱環境パラメータ値をＰ（０）〜Ｐ（Ｎ）として読み込む（Ｓ３６）。続いて、演算用パラメータｉ，ｋをゼロに初期化する（Ｓ３８）。次に、重み付け部４６は、ｉ−１番目とｉ番目の熱環境パラメータ値の変動量ΔＰ（ｉ）を算出する（Ｓ４０）。すなわち、ΔＰ（ｉ）＝｜Ｐ（ｉ）−Ｐ（ｉ−１）｜の演算を行なう。続いて、重み付け部４６は、得られた変動量ΔＰ（ｉ）を、規定の基準値ΔＰ＿ｄｅｆと比較する（Ｓ４２）。比較の結果、変動量ΔＰ（ｉ）が、基準値ΔＰ＿ｄｅｆ未満の場合、変動評価値ｋに１を加算する（Ｓ４４）。一方、ΔＰ（ｉ）≧ΔＰ＿ｄｅｆの場合、変動評価値ｋに１を加算することなく、ステップＳ４６に進む。

ステップＳ４６では、パラメータｉが、区間のサンプル数Ｎに達したか否かを確認する（Ｓ４６）。確認の結果、ｉ＜Ｎであれば、パラメータｉをインクリメントしたうえで（Ｓ４８）、ステップＳ４０に戻る。一方、ｉ＝Ｎであれば（Ｓ４６でＹｅｓ）、重み付け部４６は、変動評価値ｋを、サンプル数Ｎで割った値Ｋ＝ｋ／Ｎを、Ｍ回目の画像の重み係数として基礎情報記憶部３８に記憶する（Ｓ５０）。

次に、各画像を重み付けした場合の補正値算出処理について図１３を参照して説明する。この場合、補正値算出部３６は、図８の場合と同様に、基礎情報として取得した画像のグループ分け（Ｓ２０）、パラメータｎの初期化をした後（Ｓ２２）、グループＧｎの画像セットを読み込む（Ｓ２４）。続いて、補正値算出部３６は、実測温度と推測温度との差分の加重平均値を画素ごとに算出する（Ｓ２６＊）。すなわち、式２、式４に替えて、以下の式５、式６で加重平均値ＷＡｖｅＩ_ｘ，ｙ、ＷＡｖｅＯ_ｘ，ｙを算出する。なお、式５、式６においてＫｍは、ｍ番目の画像の重み係数を意味している。

加重平均値が得られれば、補正値算出部３６は、上記の式で算出された加重平均値ＷＡｖｅＩ_ｘ，ｙを、熱環境グループＧｎにおける内面推定画像のｘ列ｙ行の補正値として記憶し、加重平均値ＷＡｖｅＯ_ｘ，ｙを、熱環境グループＧｎにおけるｘ列ｙ行の補正値として記憶する（Ｓ２８＊）。そして、一つの熱環境グループＧｎについて補正値が算出できれば、ｎをインクリメントしたうえで（Ｓ３２）、ステップＳ２４〜Ｓ３０を繰り返す。そして、全ての熱環境グループについて補正値を算出できれば（ステップＳ３０においてｎ＝Ｎに達すれば）、補正値算出の処理は、終了となる。

以上の説明から明らかなとおり、本例では、熱環境が定常状態に近いほど重み係数が大きくなるように、熱画像・推定画像を重み付けしたうえで、補正値を算出している。かかる構成とするのは、定常状態に近いほど、データに含まれる誤差が少なく、信頼性が高いためである。そして、信頼性の高いデータの重み係数を大きくすることで、より正確な補正値を求めることができ、比較用温度分布の精度、ひいては、断熱性能の診断精度をより向上できる。

次に、他の形態について説明する。図１４は、他の断熱性能診断装置１０の機能ブロック図である。この断熱性能診断装置１０は、補正値を、リカレントニューラルネットワーク等の機械学習モデルを利用して算出する点で、図３の診断装置と相違する。すなわち、この断熱性能診断装置において、補正値算出部３６は、機械学習モデル５２を有している。補正値算出部３６は、基礎データとして収集された熱環境パラメータ値の数値列、推定画像の画素値の数値列、熱画像の画素値の数値列を連結した数値列をベクトルデータとして、機械学習モデル５２に入力する。機械学習モデル５２は、入力されたベクトルデータに基づいて学習し、推定画像を入力、比較用画像を出力とする補正モデルを構築する。構築された補正モデルは、補正値記憶部３０に記憶される。

補正部２８は、壁温度推定部２６で算出された推定画像を、この補正モデルを用いて補正する。具体的には、補正部２８は、壁温度推定部２６で算出された推定画像の画素値の数値列、画像取得時の熱環境パラメータ値の数値列を、この補正モデルに入力する。数値列を入力することにより補正モデルは、比較用画像の画素値の数値列を出力する。補正部２８は、この出力された数値列に基づいて、補正用画像を構築し、比較部３３に送る。

このように推定画像の補正に機械学習モデルを用いることで、比較用温度分布の精度、ひいては、断熱性能の診断精度をより向上できる。

次に、他の形態について説明する。図１５は、他の断熱性能診断装置１０の機能ブロック図である。この断熱性能診断装置１０は、補正部２８が、壁温度推定部２６から出力された推定画像ではなく、壁温度推定部２６に入力される推定条件、特に、仕様パラメータ値を補正する点で、図３の診断装置と相違する。

具体的には、この断熱性能診断装置１０において、補正値算出部３６は、初期期間中に取得された熱画像および熱環境パラメータ値に基づいて、仕様パラメータ値を補正する補正値を算出する。断熱性能診断のために推定画像を算出する際、補正部２８は、壁温度推定部２６に入力する仕様パラメータ値を補正する。

こうした仕様パラメータ値を補正する補正値は、例えば、初期期間中に、熱画像と類似する推定画像が得られるまで、壁温度推定部２６に入力する仕様パラメータ値を徐々に変更することで得られる。すなわち、補正値算出部３６は、初期期間中に熱画像が得られれば、当該熱画像取得時の熱環境パラメータ値と、仕様パラメータ値を仮の補正値で補正した補正後仕様パラメータ値と、を壁温度推定部２６に入力して、推定画像を取得する。推定画像が得られれば、補正値算出部３６は、当該推定画像と熱画像とを比較し、両者が一定以上、類似しているか否かを判定する。なお、この類似度の判定は、比較部３３における比較用画像と熱画像との類似度判定と同様の技術を用いることができる。すなわち、推定画像と熱画像それぞれの温度領域におけるヒストグラムを生成し、ヒストグラム成分ごとのハミング距離を類似度を表す指標として算出してもよい。また、推定画像と熱画像の画素値の誤差の二乗平均平方根を類似度を表す指標として算出してもよい。判定の結果、両者が類似していれば、その時点での仮の補正値を、補正値として熱環境パラメータ値と関連付けて記憶する。一方、推定画像と熱画像が類似していない場合、補正値算出部３６は、仮の補正値を変更したうえで、再度、壁温度推定部２６に熱環境パラメータ値および補正後仕様パラメータ値を入力して、推定画像を取得する。そして、最終的に、熱画像と類似した推定画像が得られるまで、この手順を繰り返す。こうした補正値の算出には、例えば、遺伝的アルゴリズム等を利用してもよい。

次に、他の形態について説明する。図１５は、他の断熱性能診断装置１０の機能ブロック図である。この断熱性能診断装置１０は、熱画像の撮影可能エリアを提示するエリア提示部５４を有する点で、図３の断熱性能診断装置１０と異なる。

適切に断熱性能を診断するためには、推定画像が表す領域と、熱画像が撮像した領域は、同一である必要がある。例えば、推定画像が、ある対象壁の中央４×４の領域の温度分布を示す場合、熱画像は、同じ対象壁の中央４×４の領域を撮像した画像であることが望まれる。ここで、推定画像が表す領域は、コンピュータ上で指定するだけであるため、自由に調整できる。一方、熱画像の撮像領域は、赤外線カメラ１１０の位置および画角によって決まるが、所望の撮像領域を撮影できる撮影ポイントを、人が特定することは困難であった。そこで、図１６に示す断熱性能診断装置１０では、所望の撮像領域を赤外線カメラ１１０で撮影可能なエリアを撮影可能エリアとして算出し、オペレータに提示するエリア提示部５４を設けている。

より具体的には、オペレータは、熱画像として撮影したい撮影領域と、撮影に用いる赤外線カメラ１１０の画角と、を断熱性能診断装置１０に入力する。なお、熱画像の撮影領域は、壁温度推定部２６で算出される推定画像が表す領域と同じであるため、オペレータが入力するのではなく、壁温度推定部２６から自動的に入力されるようにしてもよい。エリア提示部５４は、指定された撮影領域と赤外線カメラ１１０の画角、許容可能な歪み量等に基づいて、熱画像の撮影が可能なエリアを計算し、オペレータに提示する。

図１７は、エリア提示部５４による撮影可能エリアの提示例を示す図である。図１７において、黒塗りした範囲が、指定された撮影領域５８であり、薄墨ハッチングを施した範囲が、当該撮影領域を撮影可能な撮影可能エリア６０である。図１７では、撮影可能エリア６０は、扇形となっているため、当該扇形の内径Ｒ１、外径Ｒ２、中心角α等の数値もオペレータに提示される。

このように断熱性能診断装置１０において、熱画像の撮影可能エリアを演算し、オペレータに提示することで、熱画像取得の手間を軽減できる。

次に、他の形態について説明する。図１８は、他の断熱性能診断装置１０の機能ブロック図である。この断熱性能診断装置１０は、発熱体の位置を解析する解析部６２を有する点で、図３の断熱性能診断装置１０と異なる。

すなわち、建物内には、複数の発熱体、例えば、エアコン室内機や、照明、人等が存在する。壁温度推定部２６による推定精度、あるいは、補正値算出部３６で算出される補正値の精度を向上させるためには、発熱体の発熱量および位置も、熱環境パラメータの一種として収集することが望ましい。ここで、エアコン室内機や照明などの建物の設備となっている発熱体の位置は、既知であり、通常、建物管理システム１１２において把握されている。一方、建物管理システム１１２が位置を特定できない発熱体も多い。例えば、オフィスビルにおいて、当該オフィスに勤務する社員（人）も発熱体である。こうした社員の有無は、入退室記録を参照することで、把握できるが、入室した社員の位置は、建物管理システム１１２で把握することはできない。しかし、一般に、社員は、自身の座席にいることが多く、その座席位置は、ほぼ一定となっている。

そこで、解析部は、初期期間中に取得できた熱画像に基づいて、建物管理システム１１２で位置把握できない発熱体の位置を解析する。具体的には、解析部６２は、初期期間中に、熱画像と、当該熱画像のサンプリング時における各種熱環境パラメータの値と、を収集する。このとき熱環境パラメータとして、図７に示すような温度や日射量に加え、発熱体の発熱量も収集し、基礎情報記憶部３８に記憶する。

図１９は、発熱体の発熱量の記録の一例を示す図である。図１９に示すように基礎情報記憶部３８には、サンプリング日時ごとに、発熱体の発熱量と、その位置と、が記録されている。ここで、エアコン室内機の発熱量は、エアコンの駆動状態（冷房量、暖房量等）から特定できる。また、照明の発熱量は、照明のオン／オフ状態から特定できる。社員Ａの発熱量は、当該社員Ａの入退室記録と、一般的な人の発熱量と、で特定できる。また、エアコン室内機や照明等のビル設備の配置は、当該ビルの設備図などから特定できる。一方、社員Ａの配置は、建物管理システム１１２で把握することはできないため、初期状態では、空欄のままとなっている。

初期期間中に複数の熱画像が取得できれば、解析部６２は、当該熱画像および熱画像取得時の熱環境パラメータ値に基づいて、位置不明な発熱体（例えば社員Ａ）の配置を解析する。図２０は、発熱体の配置解析の流れを示すフローチャートである。

解析部６２は、まず、配置を特定したい発熱体を仮位置に配置する（Ｓ５２）。そして、その仮位置も含めた熱環境パラメータ値を壁温度推定部２６に入力し、各熱画像に対応する推定画像を算出する（Ｓ５４）。推定画像が算出できれば、解析部６２は、複数の熱画像と、複数の推定画像とを比較する（Ｓ５６）。比較の結果、両者が類似している場合（例えば、画素値の誤差の二乗平均平方根値が規定値未満）、発熱体の配置が適切であるとして、現在の仮位置を、発熱体の位置として記憶する（Ｓ６０）。一方、両者が類似していない場合、仮位置を修正したうえで（Ｓ５８）、ステップＳ５４に戻る。そして、両画像が十分に類似するまで、ステップＳ５４〜Ｓ６０を繰り返す。

このように発熱体の配置を、初期期間中に取得された熱画像に基づいて解析して推定することで、推定画像の推定精度を向上できる。なお、こうした発熱体の仮位置の決定には、例えば、遺伝的アルゴリズムを用いてもよい。

また、このように発熱体の位置を特定しても、推定画像と熱画像との間には、誤差が残ることが予想される。したがって、発熱体の位置を特定する場合でも、これまで説明した形態と同様に、補正値算出部３６は、誤差を相殺または減少する補正値を算出し、補正部２８は、この補正値に基づいて断熱性能診断に用いる推定画像を補正する。

１０断熱性能診断装置、１２ＣＰＵ、１４記憶装置、１６入力装置、１８出力装置、２０通信Ｉ／Ｆ、２２バス、２４熱画像取得部、２６壁温度推定部、２８補正部、３０補正値記憶部、３１熱環境記憶部、３２仕様記憶部、３３比較部、３４出力記憶部、３６補正値算出部、３８基礎情報記憶部、４０補正値テーブル、４２熱環境データテーブル、４４基礎情報テーブル、４６重み付け部、４８熱環境ログデータ、５０重み係数テーブル、５２機械学習モデル、５４エリア提示部、５８撮影領域、６０撮影可能エリア、６２解析部、１００建物、１０２対象壁、１１０赤外線カメラ、１１２建物管理システム、１１４センサ。

Claims

建物の断熱性能の劣化度合いを判断する断熱性能診断装置であって、
推定条件に基づいて、対象壁の内外面の温度分布の推定値を推定温度分布として算出する推定部と、
補正値を記憶した補正値記憶部と、
前記補正値記憶部に記憶された前記補正値に基づいて、前記推定条件および前記推定温度分布の少なくとも一方を補正して、比較用温度分布を得る補正部と、
前記比較用温度分布と、前記対象壁の内外面の温度分布の実測値である実測温度分布と、の比較結果に基づいて前記建物の断熱性能の劣化度合いを判断する比較部と、
前記断熱性能が劣化していない初期期間中に取得された前記推定温度分布および前記実測温度分布を含む基礎データに基づいて前記補正値を算出する補正値算出部と、
を備えることを特徴とする断熱性能診断装置。
請求項１に記載の断熱性能診断装置であって、
前記対象壁は、複数の区画に分けられており、
前記推定温度分布および前記実測温度分布として、前記区画ごとの推定温度および実測温度が取得され、
前記補正値算出部は、前記区画ごとに、前記推定温度を補正する補正値を算出する、
ことを特徴とする断熱性能診断装置。
請求項２に記載の断熱性能診断装置であって、
前記補正値算出部は、同一タイミングで取得された前記実測温度と前記推定温度との差分値を、複数のタイミングについて算出し、複数の前記差分値を代表する統計値を算出し、前記統計値を相殺する値を、前記推定温度を補正する補正値として算出する、
ことを特徴とする断熱性能診断装置。
請求項１から３のいずれか１項に記載の断熱性能診断装置であって、
前記基礎データは、前記推定温度分布および前記実測温度分布に加え、さらに、前記推定温度分布および前記実測温度分布を取得した際の前記対象壁周辺の熱環境を示す熱環境パラメータ値を含み、
前記補正値算出部は、前記熱環境パラメータ値に基づいて推定温度分布および前記実測温度分布のデータを複数の熱環境グループに分けるとともに、前記熱環境グループごとに前記補正値を算出し、
前記補正部は、現在の熱環境パラメータ値に対応する熱環境グループを特定するとともに、当該特定された熱環境グループに対応する補正値で、前記推定温度分布を補正する、
ことを特徴とする断熱性能診断装置。
請求項２から４のいずれか１項に記載の断熱性能診断装置であって、
前記基礎データは、前記推定温度分布および前記実測温度分布に加え、さらに、前記推定温度分布および前記実測温度分布を取得した際の前記対象壁周辺の熱環境を示す熱環境パラメータ値の変動量を含み、
前記補正値算出部は、対応する前記変動量が小さい前記推定温度分布および前記実測温度分布ほど重みが大きくなるように重み付けして前記補正値を算出する、
ことを特徴とする断熱性能診断装置。
請求項２または３に記載の断熱性能診断装置であって、
前記基礎データは、前記推定温度分布および前記実測温度分布に加え、さらに、前記推定温度分布および前記実測温度分布を取得した際の前記対象壁周辺の熱環境を示す前記熱環境パラメータ値を含み、
前記補正値算出部は、前記基礎データを機械学習させることで前記補正値を算出する、ことを特徴とする断熱性能診断装置。
請求項１から６のいずれか１項に記載の断熱性能診断装置であって、さらに、
前記実測温度分布を実測する際の推奨エリアを提示するエリア提示部を備える、ことを特徴とする断熱性能診断装置。