JP2020101357A - 空気調和機 - Google Patents

Abstract

【課題】ＡＩの学習精度を維持しながら、ＡＩの学習に使用するデータのトラヒックを低減できる空気調和機を提供する。【解決手段】空気調和機は、学習モデルを用いて、空気調和機を制御する制御部と、前記空気調和機の運転履歴データに基づき、前記学習モデルを生成するサーバ装置と通信する通信部を有するアダプタとを有する。アダプタは、空気調和機から所定周期毎に、運転履歴データを取得する取得部と、取得部にて取得された内容が異なる複数の運転履歴データの内、時間的に連続するデータ間の変化量が運転履歴データの内容に応じて設定される所定の範囲に入るか否かを判定する判定部と、連続するデータ間の変化量が所定の範囲内の場合に、連続するデータの内、少なくとも一つのデータを残して他のデータを削除する消去部と、消去部にて前記他のデータが削除された後の運転履歴データをサーバ装置に送信する送信部とを有する。【選択図】図３

Description

本発明は、空気調和機に関する。

従来、電子機器間でデータを送受信する際のトラヒックを低減する様々な方法が提案されている。例えば、データサーバが、常時監視して検出したデータを蓄積し、蓄積された大容量のデータの中から解析に必要な最低限のデータを抽出して圧縮変換し、その圧縮変換後のデータを解析装置に送信する方法がある（例えば、特許文献１）。

特開２００４−１９９３７７号公報

近年、空気調和機では、例えば、設定温度等の運転履歴データをサーバ装置上のＡＩ(Artificial Intelligence)に学習させて学習モデルを生成し、学習モデルを使用して空調の運転を制御することが提案されている。しかしながら、全ての運転履歴データをそのままサーバ装置に送信した場合、空気調和機からサーバ装置に送信する運転履歴データの量が膨大になる。その結果、空気調和機とサーバ装置との間の通信トラヒックが大きくなる。

一方、通信トラヒックを低減するために単純に運転履歴データの一部を削除すると、学習モデルの生成に必要な運転履歴データが不足して、ＡＩの学習精度が低下することも考えられる。

本発明ではこのような問題に鑑み、ＡＩの学習精度を維持しながら、ＡＩの学習に使用するデータのトラヒックを低減できる空気調和機を提供することを目的とする。

一つの態様の空気調和機は、学習モデルを用いて、空気調和機を制御する制御部と、前記空気調和機の運転履歴データに基づき、前記学習モデルを生成するサーバ装置と通信する通信部を有するアダプタとを有する空気調和機であって、前記アダプタは、前記空気調和機から所定周期毎に、前記運転履歴データを取得する取得部と、前記取得部にて取得された内容が異なる複数の前記運転履歴データの内、時間的に連続するデータ間の変化量が運転履歴データの内容に応じて設定される所定の範囲に入るか否かを判定する判定部と、前記連続するデータ間の変化量が所定の範囲内の場合に、前記連続するデータの内、少なくとも一つのデータを残して他のデータを削除する消去部と、前記消去部にて前記他のデータが削除された後の運転履歴データを前記サーバ装置に送信する送信部とを有する。

一つの側面として、ＡＩの学習精度を維持しながら、ＡＩの学習に使用するデータのトラヒックを低減できる。

図１は、本実施例の空気調和システムの一例を示す説明図である。 図２は、アダプタのハードウェア構成の一例を示すブロック図である。 図３は、アダプタの機能構成の一例を示すブロック図である。 図４は、サーバ装置のハードウェア構成の一例を示すブロック図である。 図５は、サーバ装置の機能構成の一例を示すブロック図である。 図６は、運転履歴データの内容の一例を示す説明図である。 図７は、夏季又は冬季に体感温度設定予測モデルの生成又は更新に使用する運転履歴データの一例を示す説明図である。 図８は、間引き処理の一例を示す説明図である。 図９は、運転履歴データ間の変化量が所定の範囲内であるか否かを判定する際の判定動作の一例を示す説明図である。 図１０は、送信処理に関わるアダプタ内のＣＰＵの処理動作の一例を示すフローチャートである。 図１１は、間引き処理に関わるアダプタ内のＣＰＵの処理動作の一例を示すフローチャートである。 図１２は、更新処理に関わるサーバ装置内のＣＰＵの処理動作の一例を示すフローチャートである。 図１３は、復元処理に関わるサーバ装置内のＣＰＵの処理動作の一例を示すフローチャートである。

以下、図面に基づいて、本願の開示する空気調和機等の実施例を詳細に説明する。尚、本実施例により、開示技術が限定されるものではない。また、以下に示す各実施例は、矛盾を起こさない範囲で適宜変形しても良い。

図１は、本実施例の空気調和システム１の一例を示す説明図である。図１に示す空気調和システム１は、室内機２と、アダプタ３と、アクセスポイント４と、サーバ装置５と、中継装置６と、通信端末７と、通信網８とを有する。

室内機２は、例えば、室内に配置され、室内の空気を加熱又は冷却する空気調和機の一部である。尚、室内機２の利用者は、リモコン９の操作により室内機２を遠隔操作することが可能である。室内機２は、本体２Ａと、当該本体２Ａを制御する制御部２Ｂとを有する。本体２Ａには、室内ファンや室内熱交換器が備えられ、室内熱交換器で冷媒と熱交換を行った室内空気が本体２Ａから吹き出されることで、部屋の暖房、冷房、除湿等が行われる。また、図示しない室外機には、室外ファンや圧縮機等が備えられている。通信端末７は、利用者のスマートフォン等の端末装置である。

アダプタ３は、室内機２とアクセスポイント４との間を無線通信で接続する通信機能と、室内機２をＡＩ制御する制御機能とを有する。アダプタ３は、室内機２毎に配置するものである。アクセスポイント４は、例えば、ＷＬＡＮ(Wireless Local Area Network)等を使用してアダプタ３と通信網８とを無線通信で接続する装置である。通信網８は、例えば、インターネット等の通信網である。サーバ装置５は、室内機２を制御するＡＩの学習モデルを生成する機能や運転履歴データ等を記憶するデータベース等を有する。尚、サーバ装置５は、例えば、データセンタに配置されている。中継装置６は、通信網８と通信で接続すると共に、サーバ装置５と通信で接続する機能を有する。中継装置６は、通信網８経由で室内機２に適用される学習モデルの生成又は更新に使用する運転履歴データ等をアダプタ３からサーバ装置５に送信する。また、中継装置６は、サーバ装置５で生成又は更新した学習モデルを通信網８経由でアダプタ３に送信する。尚、中継装置６は、例えば、データセンタ等に配置されている。

中継装置６は、第１の中継部６Ａと、第２の中継部６Ｂと、第３の中継部６Ｃとを有する。第１の中継部６Ａは、アダプタ３とサーバ装置５との間でＡＩ制御に関わる各種データを送信する。第１の中継部６Ａは、アダプタ３から受信した学習モデルの生成又は更新に使用する運転履歴データ等を通信網８経由でサーバ装置５に送信すると共に、サーバ装置５が生成又は更新した学習モデルを通信網８経由でアダプタ３に送信する。第２の中継部６Ｂは、利用者が外出先から通信端末７を使用して設定した室内機２の運転条件（冷房／暖房といった運転モードや設定温度など）を取得し、これを室内機２に送信する。第３の中継部６Ｃは、例えば、インターネット等の通信網８から天気予報等の外部データを取得し、取得した外部データをサーバ装置５に送信する。また、第３の中継部６Ｃは、外部データを通信網８経由でアダプタ３に送信する。

図２は、アダプタ３のハードウェア構成の一例を示すブロック図である。図２に示すアダプタ３は、第１の通信部１１と、第２の通信部１２と、記憶部１３と、ＣＰＵ(Central Processing Unit)１４とを有する。第１の通信部１１は、室内機２内の制御部２Ｂと通信接続する、例えば、ＵＡＲＴ（Universal Asynchronous Receiver Transmitter）等の通信ＩＦ（Interface）である。第２の通信部１２は、アクセスポイント４と通信接続する、例えば、ＷＬＡＮ等の通信ＩＦ等の通信部である。記憶部１３は、例えば、ＲＯＭ（Read Only Memory）やＲＡＭ(Random Access Memory)等を有し、データやプログラム等の各種情報を格納する。ＣＰＵ１４は、アダプタ３全体を制御する。

図３は、アダプタ３の機能構成の一例を示すブロック図である。図３に示すアダプタ３内の記憶部１３は、室内機２から取得した、運転履歴データを一時記憶する運転履歴メモリ１３Ａと、サーバ装置５から取得した、学習モデルを記憶するモデルメモリ１３Ｂと、外部データを記憶する外部メモリ１３Ｃとを有する。

ＣＰＵ１４は、取得部１４Ａと、判定部１４Ｂと、消去部１４Ｃと、送信部１４Ｄと、受信部１４Ｅと、設定部１４Ｆと、予測制御部１４Ｇとを有する。

取得部１４Ａは、室内機２から所定周期、例えば５分毎の取得タイミングに運転履歴データ及び、５分周期毎のタイムスタンプを取得する。取得部１４Ａは、５分周期に取得した運転履歴データ及び、これに付与されるタイムスタンプを運転履歴メモリ１３Ａに記憶する。

判定部１４Ｂは、運転履歴メモリ１３Ａに記憶中の運転履歴データ及び、これに付与されるタイムスタンプが所定期間分の場合に、取得された運転履歴データの内、時間的に連続する運転履歴データ間の変化量が所定の範囲内であるか否かを判定する。尚、所定期間とは、例えば、学習モデルが後述する体感温度設定予測モデル等の場合、４８時間とする。尚、４８時間は、例えば、アダプタ３のメモリ容量と通信の集中を回避することを考慮した時間である。判定部１４Ｂは、運転履歴メモリ１３Ａに記憶中の運転履歴データが５分周期で取得した４８時間分の運転履歴データであるか否かを判定する。判定部１４Ｂは、記憶中の運転履歴データが４８時間分の運転履歴データの場合、４８時間分の運転履歴データの内、連続する運転履歴データ間の変化量が所定の範囲内であるか否かを判定する。連続する運転履歴データ間の変化量とは、時間的に連続する前後の運転履歴データ間の変化の差分量である。前後の運転履歴データ間の変化量が所定の範囲内とは、例えば、前後の運転履歴データ間の変化量がＡＩの学習に影響を与えない変化量の範囲、例えば、変化量なし、又は、変化量がＡＩの学習に無視できる範囲内の場合である。変化量がＡＩの学習に影響を与えない変化量の範囲とは、前後の運転履歴データに基づくＡＩの学習の結果を用いて室内機２を制御しても人の体感に影響を与えない範囲である。一般的にデータ及び、これに付与されるタイムスタンプ、圧縮時に削除したデータの再生を確保するためにデータ間の変化量はなしである必要がある。また、人は、環境の温度変化に比較して湿度変化を体感しにくく、同じ値とみなす幅は温度に比較して湿度の方が広い。例えば、人は、±１℃の温度の変化に比べて、±１％の湿度の変化を感じにくい傾向にある。そこで、運転履歴データが湿度の場合、データを判定する際の変化量が温度に比べて粗くても、これらのデータに基づくＡＩの学習の結果を用いて室内機２を制御しても人の体感に影響を与えないと考えて、例えば、体感温度での温度に対する湿度の重み付けは１：１の関係ではなく、例えば、（温度：湿度）＝１：５の関係である。湿度の±５％の変化は、例えば、ＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与える程度の変化ではないため、同一と考える。その結果、送信するデータ量を低減できる。

判定部１４Ｂは、連続する運転履歴データ間の変化量が所定の範囲内の場合、連続する運転履歴データがＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与えない範囲内のデータと判断する。尚、ＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与えない範囲内のデータは、例えば、削除（以降の説明で、「間引き」と記載する場合がある）対象のデータとなる。判定部１４Ｂは、連続する運転履歴データ間の変化量が所定の範囲内でない場合、運転履歴データがＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与えるデータと判断する。尚、ＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与えるデータは、間引き対象のデータとしない。

消去部１４Ｃは、連続するタイムスタンプ内の各運転履歴データ間の変化量が所定の範囲内の場合に、一つの運転履歴データ及び、これに付与されるタイムスタンプを残して他の運転履歴データ及び、これに付与されるタイムスタンプを間引く。そして、消去部１４Ｃは、間引き後の４８時間分の運転履歴データを運転履歴メモリ１３Ａに順次記憶する。例えば、変化量が所定の範囲内の運転履歴データが１２時００分から１２時１５分まで連続した場合、タイムスタンプが最古の１２時００分の運転履歴データを残し、１２時０５分、１０分及び１５分の運転履歴データ及び、これに付与されるタイムスタンプを間引く。しかしながら、４８時間分の運転履歴データの内、連続していない運転履歴データ間の変化量が所定の範囲内の場合、当該変化量が所定の範囲内の運転履歴データを間引かないものとする。

送信部１４Ｄは、運転履歴メモリ１３Ａに記憶中の間引き後の運転履歴データ及び、これに付与されるタイムスタンプを通信網８経由でサーバ装置５に送信する。受信部１４Ｅは、通信網８経由でサーバ装置５から学習モデルを受信し、受信した学習モデルをモデルメモリ１３Ｂに記憶する。設定部１４Ｆは、記憶中の学習モデルを予測制御部１４Ｇに適用する。予測制御部１４Ｇは、設定部１４Ｆにて適用された学習モデルに基づき、室内機２内の制御部２Ｂを制御する。尚、説明の便宜上、予測制御部１４Ｇは、学習モデルに基づき、室内機２内の制御部２Ｂを制御する場合を例示したが、予測制御部１４Ｇは、学習モデルに基づき、室内機２の本体２Ａを直接的に制御しても良い。また、予測制御部１４Ｇは、学習モデルに基づく制御態様を制御部２Ｂに送信する。つまり、予測制御部１４Ｇが、制御部２Ｂを介して本体２Ａを間接的に制御するようにしても良く、適宜変更可能である。

図４は、サーバ装置５のハードウェア構成の一例を示すブロック図である。図４に示すサーバ装置５は、通信部３１と、記憶部３２と、ＣＰＵ３３とを有する。通信部３１は、中継装置６と通信接続する通信ＩＦである。記憶部３２は、例えば、ＨＤＤ(Hard Disk Drive)、ＲＯＭやＲＡＭ等を有し、データやプログラム等の各種情報を記憶する。ＣＰＵ３３は、サーバ装置５全体を制御する。

図５は、サーバ装置５の機能構成の一例を示すブロック図である。図５に示すサーバ装置５内の記憶部３２は、データメモリ３２Ａと、モデルメモリ３２Ｂとを有する。データメモリ３２Ａは、各アダプタ３から受信した運転履歴データ及び、これに付与されるタイムスタンプ等を記憶する。モデルメモリ３２Ｂは、サーバ装置５で生成又は更新した学習モデルを記憶する。

サーバ装置５内のＣＰＵ３３は、モデル学習部３３Ａと、受信部３３Ｂと、判定部３３Ｃと、復元部３３Ｄと、送信部３３Ｅとを有する。

モデル学習部３３Ａは、複数の室内機２の各アダプタ３と接続してアクセスポイント４、通信網８及び中継装置６を経由して、各アダプタ３から４８時間分の運転履歴データを受信する。そして、モデル学習部３３Ａは、各アダプタ３からのデータメモリ３２Ａに記憶中の４８時間分の運転履歴データを使用して学習し、学習結果に基づき、各室内機２の学習モデルを生成又は更新する。学習モデルには、例えば、各家庭の空気調和機の運転状況に応じて室内の利用者に対する５分後の体感温度を予測し、予測する体感温度に応じて空気調和機を制御する体感温度設定予測モデルがある。従来、空気調和機は、室内温度が目標温度になるように温度を調整することになるため、利用者にはその温度変化が体感的に不快に感じる場合がある。これに対して、体感温度設定予測モデルは、例えば、室内温度、室内湿度、室外温度等の時系列の運転履歴データに応じて、利用者が快適に感じるように空気調和機を調整する際に実行するプログラムである。そして、モデル学習部３３Ａは、生成又は更新した学習モデルをモデルメモリ３２Ｂに記憶する。受信部３３Ｂは、通信網８経由で各アダプタ３から運転履歴データ及び、これに付与されるタイムスタンプ等を受信する。尚、説明の便宜上、モデル学習部３３Ａは、例えば、４８時間分の運転履歴データを使用して体感温度設定予測モデルの学習モデルを生成又は更新する場合を例示した。しかしながら、モデル学習部３３Ａは、４８時間分の運転履歴データに限定されるものではなく、学習モデルの内容に応じて、例えば、１ヶ月や半年等の運転履歴データを使用しても良く、適宜変更可能である。

判定部３３Ｃは、アダプタ３から受信した４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを参照し、タイムスタンプの有無に基づき、４８時間分の運転履歴データから間引き区間があるか否かを判定する。

復元部３３Ｄは、間引き区間があると判定された場合、タイムスタンプが５分周期であるため、タイムスタンプなしの区間を、運転履歴データを間引いた間引き区間と判断する。更に、復元部３３Ｄは、当該間引き区間直前の運転履歴データ及び、これに付与されるタイムスタンプに基づき、当該間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを生成して４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを復元する。そして、復元部３３Ｄは、復元後の４８時間分の運転履歴データ及び、これに付与されるタイムスタンプをデータメモリ３２Ａに記憶する。復元部３３Ｄは、例えば、アダプタ３側にて１２時００分から１２時１５分までの運転履歴データ間の変化量が所定の範囲内とした場合、タイムスタンプの有無を参照する。復元部３３Ｄは、１２時０５分から１２時１５分までの区間のタイムスタンプがない場合、１２時０５分から１２時１５分までの区間を間引き区間と判断する。復元部３３Ｄは、例えば、１２時０５分から１２時１５分までを間引き区間と判断した場合、１２時００分の運転履歴データが間引き区間直前の運転履歴データとなる。従って、復元部３３Ｄは、１２時００分の運転履歴データを１２時０５分、１２時１０分及び１２時１５分の運転履歴データとして複写することで、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元する。そして、復元部３３Ｄは、復元後の運転履歴データ及び、これに付与されるタイムスタンプをデータメモリ３２Ａに記憶する。その結果、復元部３３Ｄは、アダプタ３から受信した４８時間分の運転履歴データ及び、これに付与されるタイムスタンプの内、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元することで４８時間分の運転履歴データ及び、これに付与されるタイムスタンプをデータメモリ３２Ａに記憶することになる。尚、タイムスタンプの復元は、例えば、所定周期（５分周期）単位でスタンプされることになるため、間引き区間直前のタイムスタンプに＋５分ずつインクリメントすることで間引き区間のタイムスタンプを復元できる。

モデル学習部３３Ａは、データメモリ３２Ａに記憶中のアダプタ３毎の４８時間分の運転履歴データ及び、これに付与されるタイムスタンプに基づき、当該アダプタ３対応の学習モデルを生成又は更新し、生成又は更新した学習モデルをモデルメモリ３２Ｂに記憶する。送信部３３Ｅは、中継装置６、通信網８及びアクセスポイント４経由でモデル学習部３３Ａにて生成又は更新された学習モデルをアダプタ３に送信する。

図６は、運転履歴データの内容の一例を示す説明図である。運転履歴データには、例えば、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサ、輻射センサ、室内熱交温度、室外温度、圧縮機回転数、室外風量、運転電流、室外熱交温度等である。更に、運転履歴データは、例えば、吐出温度、圧縮機温度、膨張弁開度、放熱器温度、起動失敗履歴、異常停止履歴、応急運転履歴、タイムスタンプ、空気調和機ＩＤ、設置場所や施設種類等がある。

運転状態とは、室内機２の運転のＯＮ−ＯＦＦ状態である。運転モードは、室内機２の冷房や暖房等の動作モードである。設定温度は、室内機２を使用する室内の室内目標温度である。室内温度は、室内機２を使用する室内の実際の温度である。室内湿度は、室内機２を使用する室内の実際の湿度である。風量は、室内機２から吹き出される空調空気の風量である。風向は、室内機２から吹き出される空調空気の風向きである。人感センサは、室内の人の有無や活動量のセンサによる検出結果である。輻射センサは、室内の床や壁の温度のセンサによる検出結果である。室内熱交温度は、室内機２の本体２Ａの一部をなす図示しない室内熱交換器の温度である。室外温度は、室外の実際の温度である。圧縮機回転数は、室内機２と冷媒配管で接続される図示しない室外機に備えられた圧縮機の運転回転数である。室外風量は、室外機に備えられる室外ファンの風量である。運転電流は、例えば、室内機２及び室外機等の空気調和機全体の運転電流である。室外熱交温度は、室外機に備えられる室外熱交換機の温度である。吐出温度は、圧縮機から吐出される冷媒の温度である。圧縮機温度は、圧縮機底部の温度である。膨張弁開度は、室外機に備えられる電子膨張弁の開度である。放熱器温度は、圧縮機を駆動制御するパワー半導体の温度である。起動失敗履歴は、圧縮機起動失敗の履歴である。異常停止履歴は、異常停止の履歴である。応急運転履歴は、応急運転の実施履歴である。タイムスタンプは、データ取得時の年月日時分秒である。空気調和機ＩＤは、室内機２等の空気調和機を識別するために室内機２に付与するＩＤである。設置場所は、空気調和機が設置された場所の住所である。施設種類は、室内機２等の空気調和機が設置された店舗、飲食店、工場等の施設の種類である。

運転履歴データには、家庭用の空気調和機に使用するデータと、業務用の空気調和機に使用するデータとがある。家庭用の空気調和機に使用される運転履歴データとしては、例えば、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサで検出した値、輻射センサで検出した値、タイムスタンプ、空気調和機ＩＤ、設置場所等である。家庭用の空気調和機では、快適性や省エネ性の追求にＡＩを用いて操作や提案を行うため、例えば、設定温度、運転モード、室内や周囲環境等が家庭用に必要なデータである。

また、業務用の空気調和機に使用される運転履歴データとしては、例えば、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサで検出した値、輻射センサで検出した値、室内熱交温度、室外温度、圧縮機回転数、室外風量、運転電流及び室外熱交温度等である。更に他の運転履歴データとしては、例えば、吐出温度、圧縮機温度、膨張弁開度、放熱器温度、起動失敗履歴、異常停止履歴、応急運転履歴、タイムスタンプ、空気調和機ＩＤ、設置場所や施設種類等である。業務用の空気調和機では、ＡＩが各装置の故障やメンテナンスの必要性を予測するため、例えば、故障予測に使用する空気調和機内の各部品レベルの運転状況や履歴を蓄積し、故障の予兆をＡＩで判定する。上記に加えて、業務用の空気調和機に必要な運転履歴データは、例えば、故障予測に使用するデータである。尚、空気調和機に使用する圧縮機やファンモータの回転数等は空気調和機の停止中は停止し、各々の運転履歴データが発生しないため、例えば、圧縮機回転数、室外風量、運転電流及び室外熱交温度等のデータは空気調和機の停止中は取得しないものとする。

学習モデルが、例えば、前述した体感温度設定予測モデルの場合、体感温度設定予測モデルの生成又は更新に設定温度、室内温度、室内湿度、室外温度等の時系列の運転履歴データを使用する。図７は、夏季又は冬季に体感温度設定予測モデルの生成又は更新に使用する運転履歴データの一例を示す説明図である。体感温度設定予測モデルに使用する運転履歴データは、図７に示すように、例えば、季節に応じて異なる。例えば、冬季の体感温度設定予測モデルでは、設定温度、室内温度、室内湿度及び室外温度等を使用する。これに対して、夏季の体感温度設定予測モデルでは、設定温度、室内温度、室内湿度及び室外温度等の他に、例えば、風量と人感センサの検出データ（人の有無や活動量）が加わる。

前述の通り、運転履歴データは、例えば、５分毎に取得している。連続するタイムスタンプに対応する各運転履歴データが同じ場合はタイムスタンプ及び運転履歴データを間引くことになる。この際、間引く際の変化量の所定の範囲を運転履歴データ毎の特徴に応じて設定する。尚、運転履歴データを判定する際の変化量の所定の範囲は、連続する運転履歴データ間の変化の有無を判定するための閾値の幅に相当し、例えば、夏季や冬季に応じて変化する。

例えば、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサで検出した値、輻射センサで検出した値、室内熱交温度及び室外温度を判定する際のデータ毎の変化量の所定の範囲は、例えば、夏季や冬季に限定されるものではなく他の時期や、空気調和機の設置環境や、空気調和機の設定履歴に応じて変更しても良いし、同一にしても良い。

図８は、間引き処理の一例を示す説明図である。アダプタ３のＣＰＵ１４は、図８に示すように、例えば、データ１からデータ１１までの運転履歴データを室内機２から５分周期で取得する。ＣＰＵ１４は、例えば、タイムスタンプ（１８１００１１１３０００）とタイムスタンプ（１８１００１１１３５００）夫々のデータ１〜データ１１の各運転履歴データ間の変化量が所定の範囲内の場合、タイムスタンプ（１８１００１１１３５００）の各運転履歴データはタイムスタンプ（１８１００１１１３０００）の各運転履歴データと同じであるとしてこれを間引く。一方、ＣＰＵ１４は、タイムスタンプ（１８１００１１１３５００）とタイムスタンプ（１８１００１１１４０００）夫々のデータ１〜データ１１の各運転履歴データの内、変化量が所定の範囲でない運転履歴データが１つでもある場合は、これらの運転履歴データを間引きせず、全ての運転履歴データをサーバ装置５に送信する。その結果、運転履歴データをサーバ装置５にアップロードする際に、元のデータが間引かれているために圧縮効率が高くなるため、その圧縮効率が高まり通信トラヒックを低減できる。

図９は、運転履歴データ間の変化量が所定の範囲内であるか否かを判定する際の判定動作の一例を示す説明図であり、ここでは図７に示す各運転履歴データのうちの室内湿度を例に挙げる。空気調和機で使用する湿度センサの精度は±５℃程度である。室内の相対湿度は、室内の扉の開閉等でも大きく変動することがある。前述した通り、湿度の変化は温度の変化に比較して体感し難いため、このような体感差を利用して、室温の変化量の所定の範囲と室内湿度の変化量の所定の範囲とを変える。また、室温と室内湿度の変化量の所定の範囲を変えるだけでなく、例えば、冬季や夏季等の季節に応じて変化量の所定の範囲を変えても良い。夏季は、冷房に加えて除湿運転を選択して除湿運転は湿度を制御するのに対し、冬季は、湿度を制御する運転モードがない。そこで、冬季の湿度の変化量の所定の範囲を夏季の湿度の変化量の所定の範囲に比較して大きくする、例えば、夏季の場合、室内湿度の変化量が所定の範囲、例えば、±３％以内の場合は変化なしと判断し、冬季の場合、室内湿度の変化量が所定の範囲、例えば、±５％以内の場合に変化なしと判断すれば良い。

図９に示す説明図は、５分周期で取得した室内湿度のデータである。図９に示す開始時点では、室内湿度（ＲＨ）が４５％であり、その後、変化量が所定の範囲、例えば、±３％以内の状態が継続する。しかしながら、室内湿度が５３％になった時点で４５％から変化量が＋８％の変化、すなわち変化量が所定の範囲内でなくなったため、変化ありと判断し、基準を５３％とする。その後、室内湿度４９％になった時点で５３％から変化量が−４％の変化、すなわち変化量が所定の範囲内でなくなったため、変化ありと判断し、基準を４９％とする。更に、室内湿度が４５％となった時点で４９％から変化量が−５％の変化、変化量が所定の範囲内でなくなったため、変化ありと判断し、基準を４５％とする。更に、室内湿度が５０％となった時点で４５％から変化量が＋５％の変化、変化量が所定の範囲内でなくなったため、変化ありと判断し、基準を５０％とする。尚、他の運転履歴データも、湿度の場合と同様に各データの特徴に応じて変化有無を判定する所定の範囲を定めて変化あり／なしを判断し、全ての運転履歴データ内の各データの変化量が所定の範囲内の同じタイムスタンプがある場合に間引くことになる。

例えば、体感温度設定予測モデル等では、アダプタ３内の取得部１４Ａは、室内機２から設定温度、室内温度、室内湿度や室外温度等の運転履歴データを５分周期で取得し、取得した運転履歴データを運転履歴メモリ１３Ａに記憶する。アダプタ３内の判定部１４Ｂは、運転履歴メモリ１３Ａに記憶中の運転履歴データが４８時間分であるか否かを判定する。

判定部１４Ｂは、記憶中の運転履歴データが４８時間分の場合、連続する運転履歴データ間の変化量、例えば、１２時００分の各運転履歴データと１２時０５分の各運転履歴データとの間の変化量が所定の範囲内であるか否かを判定する。尚、連続する運転履歴データ間の変化量には、例えば、タイムスタンプを含まないものとする。アダプタ３内の消去部１４Ｃは、運転履歴データ間の変化量が所定の範囲内の場合、変化量が所定の範囲内の運転履歴データを間引く。更に、アダプタ３内の送信部１４Ｄは、間引き後の４８時間分の運転履歴データをアクセスポイント４、通信網８及び中継装置６経由でサーバ装置５に送信する。

サーバ装置５内の判定部３３Ｃは、４８時間分の運転履歴データを受信した場合、運転履歴データ内に間引き区間があるか否かを判定する。サーバ装置５内の復元部３３Ｄは、４８時間分の運転履歴データ内に間引き区間がある場合、タイムスタンプを参照し、タイムスタンプなしの区間を間引き区間と判断する。更に、復元部３３Ｄは、間引き区間直前の運転履歴データ及び、これに付与されるタイムスタンプに基づき、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元する。復元部３３Ｄは、復元後の運転履歴データ及び、これに付与されるタイムスタンプをデータメモリ３２Ａに記憶する。復元部３３Ｄは、例えば、１２時０５分から１２時１５分までを間引き区間と判断した場合、１２時００分の運転履歴データが間引き区間直前の運転履歴データとなる。従って、復元部３３Ｄは、１２時００分の運転履歴データを１２時０５分、１２時１０分及び１２時１５分の運転履歴データとして複写することで、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元する。サーバ装置５内のモデル学習部３３Ａは、データメモリ３２Ａに記憶中の運転履歴データ及び、これに付与されるタイムスタンプに基づき、体感温度設定予測モデル等の学習モデルを生成又は更新する。そして、サーバ装置５内の送信部３３Ｅは、モデル学習部３３Ａで生成又は更新した体感温度設定予測モデル等の学習モデルを中継装置６、通信網８及びアクセスポイント４経由でアダプタ３に送信する。

アダプタ３内の設定部１４Ｆは、サーバ装置５から体感温度設定予測モデル等の学習モデルを受信した場合、当該学習モデルをモデルメモリ１３Ｂに記憶する。そして、アダプタ３内の予測制御部１４Ｇは、例えば、室内温度が設定温度±１．５度の安定制御時に、モデルメモリ１３Ｂに記憶中の体感温度設定予測モデル等の学習モデルに基づき、室内機２の制御部２Ｂを制御する。尚、説明の便宜上、予測制御部１４Ｇは、学習モデルに基づき、室内機２内の制御部２Ｂを制御する場合を例示したが、予測制御部１４Ｇは、学習モデルに基づき、室内機２の本体２Ａを直接制御しても良い。また、予測制御部１４Ｇは、学習モデルに基づく制御態様を制御部２Ｂに送信し、制御部２Ｂを介して本体２Ａを制御するようにしても良く、適宜変更可能である。つまり、予測制御部１４Ｇは、本体２Ａを直接的に制御、又は制御部２Ｂを使用して本体２Ａを間接的に制御しても良く、適宜変更可能である。

次に本実施例の空気調和システム１の動作について説明する。図１０は、送信処理に関わるアダプタ３内のＣＰＵ１４の処理動作の一例を示すフローチャートである。アダプタ３内のＣＰＵ１４内の取得部１４Ａは、現在が運転履歴データの取得タイミングであるか否かを判定する（ステップＳ１１）。尚、取得タイミングは、例えば、５分周期である。取得部１４Ａは、現在が運転履歴データの取得タイミングである場合（ステップＳ１１Ｙｅｓ）、室内機２から運転履歴データを取得する（ステップＳ１２）。更に、取得部１４Ａは、運転履歴データにタイムスタンプを付加する（ステップＳ１３）。

取得部１４Ａは、取得した運転履歴データ及び、これに付与されるタイムスタンプを運転履歴メモリ１３Ａに記憶する（ステップＳ１４）。ＣＰＵ１４内の判定部１４Ｂは、運転履歴メモリ１３Ａに記憶中の運転履歴データが４８時間分の運転履歴データであるか否かを判定する（ステップＳ１５）。尚、判定部１４Ｂは、例えば、５分周期のタイムスタンプをカウントすることで４８時間分の運転履歴データがあるか否かを判定する。

判定部１４Ｂは、記憶中の運転履歴データが４８時間分の運転履歴データである場合（ステップＳ１５Ｙｅｓ）、後述する図１１に示す間引き処理を実行する（ステップＳ１６）。ＣＰＵ１４内の消去部１４Ｃは、間引き処理実行後に４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを運転履歴メモリ１３Ａに記憶した後、記憶中の４８時間分の運転履歴データ及び、これに付与されるタイムスタンプをサーバ装置５に送信し（ステップＳ１７）、図１０に示す処理動作を終了する。尚、取得部１４Ａは、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプをサーバ装置５に送信した後、送信後のデータと重複することなく、次の４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを順次取得することになる。

取得部１４Ａは、現在が運転履歴データの取得タイミングでない場合（ステップＳ１１Ｎｏ）、ステップＳ１１の処理に戻る。取得部１４Ａは、記憶中の運転履歴データが４８時間分の運転履歴データでない場合（ステップＳ１５Ｎｏ）、ステップＳ１１の処理に戻る。

以上説明したように、アダプタ３は、５分周期毎に室内機２から運転履歴データを取得し、４８時間分の運転履歴データを記憶した場合に間引き処理を実行し、間引き処理後の４８時間分の運転履歴データをサーバ装置５に送信する。その結果、サーバ装置５は、４８時間毎に運転履歴データを取得してこれらを用いて学習モデルを生成又は更新できる。しかも、アダプタ３は、間引き処理後の運転履歴データをサーバ装置５に送信するため、運転履歴データの送信に関わる通信トラヒックを低減できる。

図１１は、間引き処理に関わるアダプタ３内のＣＰＵ１４の処理動作の一例を示すフローチャートである。図１１においてＣＰＵ１４内の判定部１４Ｂは、４８時間分の運転履歴データから、タイムスタンプの古い順に連続する運転履歴データ間の変化量が所定の範囲内の運転履歴データを選択したか否かを判定する（ステップＳ２１）。

ＣＰＵ１４内の消去部１４Ｃは、変化量が所定量の範囲内の運転履歴データを選択した場合（ステップＳ２１Ｙｅｓ）、選択された運転履歴データの内、タイムスタンプが最古の運転履歴データ以外の運転履歴データを間引く（ステップＳ２２）。

判定部１４Ｂは、ステップＳ２２にて運転履歴データの間引き後、変化量が所定の範囲内の未選択の運転履歴データがあるか否かを判定する（ステップＳ２３）。判定部１４Ｂは、変化量が所定の範囲内の未選択の運転履歴データがある場合（ステップＳ２３Ｙｅｓ）、変化量が所定の範囲内の未選択の運転履歴データを選択すべく、ステップＳ２１の処理に戻る。

判定部１４Ｂは、変化量が所定の範囲内の未選択の運転履歴データがない場合（ステップＳ２３Ｎｏ）、図１１に示す処理動作を終了する。判定部１４Ｂは、変化量が所定の範囲内の運転履歴データを選択しなかった場合（ステップＳ２１Ｎｏ）、図１１に示す処理動作を終了する。

以上説明したように、アダプタ３は、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを全てサーバ装置５に送信するのではなく、４８時間分の連続する運転履歴データの内、変化量が所定の範囲内の複数の運転履歴データのうちの最古の運転履歴データを除いて全て間引く。その結果、アダプタ３とサーバ装置５との間の運転履歴データ及び、これに付与されるタイムスタンプを送信する際の通信トラヒックを低減できる。

図１２は、更新処理に関わるサーバ装置５内のＣＰＵ３３の処理動作の一例を示すフローチャートである。更新処理とは、アダプタ３から受信した４８時間分の運転履歴データを使用して学習モデルを更新するサーバ装置５側の処理である。ここでは、サーバ装置５が３週間分の運転履歴データを使用して体感温度設定予測モデルを更新する場合を例示する。サーバ装置５内のＣＰＵ３３内の受信部３３Ｂは、アダプタ３から４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを受信したか否かを判定する（ステップＳ３１）。ＣＰＵ３３内の判定部３３Ｃは、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを受信した場合（ステップＳ３１Ｙｅｓ）、受信した運転履歴データに間引き区間があるか否かを判定する（ステップＳ３２）。

ＣＰＵ３３内の復元部３３Ｄは、受信した４８時間分の運転履歴データ内に間引き区間がある場合（ステップＳ３２Ｙｅｓ）、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプの内、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを、後述する図１３に示す復元処理によって復元する（ステップＳ３３）。尚、復元部３３Ｄは、タイムスタンプの有無に基づき、タイムスタンプなしの区間を間引き区間と判断する。

復元部３３Ｄは、復元処理を実行後、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプをデータメモリ３２Ａに記憶する（ステップＳ３４）。ＣＰＵ３３内のモデル学習部３３Ａは、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを記憶した後、記憶中の運転履歴データ及び、これに付与されるタイムスタンプが３週間分以上であるか否かを判定する（ステップＳ３５）。尚、モデル学習部３３は、例えば、５分周期のタイムスタンプのカウント数に応じて記憶中の運転履歴データが３週間分以上であるか否かを判定する。モデル学習部３３Ａは、運転履歴データ及び、これに付与されるタイムスタンプが３週間分以上の場合（ステップＳ３５Ｙｅｓ）、３週間分以上の運転履歴データ及び、これに付与されるタイムスタンプに基づき、体感温度設定予測モデル等の学習モデルを生成又は更新する（ステップＳ３６）。

ＣＰＵ３３内の送信部３３Ｅは、学習モデルを生成又は更新した後、学習モデルをアダプタ３に送信し（ステップＳ３７）、図１２に示す処理動作を終了する。

また、受信部３３Ｂは、アダプタ３から４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを受信しなかった場合（ステップＳ３１Ｎｏ）、図１２に示す処理動作を終了する。ＣＰＵ３３は、受信した４８時間分の運転履歴データ及び、これに付与されるタイムスタンプ内に間引き区間がない場合（ステップＳ３２Ｎｏ）、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを記憶すべく、ステップＳ３４の処理に戻る。

また、ＣＰＵ３３は、記憶中の４８時間分の運転履歴データ及び、これに付与されるタイムスタンプが３週間分以上でない場合（ステップＳ３５Ｎｏ）、アダプタ３から４８時間分の運転履歴データ及び、これに付与されるタイムスタンプを受信したか否かを判定すべく、ステップＳ３１の処理に戻る。

以上説明したように、更新処理を実行するサーバ装置５は、アダプタ３から受信した４８時間分の運転履歴データ内に間引き区間がある場合、間引き区間を復元し、復元後の４８時間分の運転履歴データをデータメモリ３２Ａに記憶する。更に、サーバ装置５は、記憶中の復元後の４８時間分の運転履歴データが３週間分の場合、体感温度設定予測モデルを生成又は更新し、生成又は更新した学習モデルをアダプタ３に送信する。その結果、サーバ装置５は、アダプタ３から間引かれた運転履歴データを取得しても、生成又は更新する学習モデルの精度を維持できる。

尚、説明の便宜上、例えば４８時間分の運転履歴データが３週間分の場合に体感温度設定予測モデルを生成又は更新する場合を例示したが、３週間分や体感温度設定予測モデルに限定されるものではなく、運転履歴データの記憶量に応じて学習モデルも適宜変更可能である。

図１３は、復元処理に関わるサーバ装置５内のＣＰＵ３３の処理動作の一例を示すフローチャートである。図１３においてサーバ装置５内のＣＰＵ３３内の復元部３３Ｄは、４８時間分の運転履歴データ及び、これに付与されるタイムスタンプの内、タイムスタンプの有無に基づき、タイムスタンプなしの区間として間引き区間を認定する（ステップＳ４１）。復元部３３Ｄは、間引き区間の認定後、タイムスタンプの有無に基づき、間引き区間の直前の運転履歴データ及び、これに付与されるタイムスタンプを選択する（ステップＳ４２）。尚、復元部３３Ｄは、タイムスタンプの有無を参照し、間引き区間直前のタイムスタンプありの運転履歴データ及び、これに付与されるタイムスタンプを選択する。復元部３３Ｄは、直前の運転履歴データ及び、これに付与されるタイムスタンプに基づき、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元する（ステップＳ４３）。復元部３３Ｄは、例えば、１２時０５分から１２時１５分までを間引き区間と認定した場合、１２時００分の運転履歴データが間引き区間の直前の運転履歴データとなる。従って、復元部３３Ｄは、１２時００分の運転履歴データを１２時０５分、１２時１０分及び１２時１５分の運転履歴データとして複写することで、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元する。

更に、判定部３３Ｃは、間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元した後、未認定の間引き区間があるか否かを判定する（ステップＳ４４）。ＣＰＵ３３は、未認定の間引き区間がある場合（ステップＳ４４Ｙｅｓ）、タイムスタンプ順に未認定の間引き区間を認定すべく、ステップＳ４１の処理に戻る。判定部３３Ｃは、未認定の間引き区間がない場合（ステップＳ４４Ｎｏ）、図１３に示す処理動作を終了する。

以上説明したように、復元処理を実行するサーバ装置５は、４８時間分の運転履歴データから間引き区間を認定し、間引き区間の直前の運転履歴データ及び、これに付与されるタイムスタンプから間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを復元する。その結果、サーバ装置５は、間引き後の運転履歴データを使用して高精度の学習モデルを生成又は更新できる。

本実施例のアダプタ３は、室内機２から所定周期毎に運転履歴データを時間的に取得し、取得された運転履歴データが所定期間分の場合に、取得された運転履歴データの内、時間的に連続する運転履歴データ間の変化量が所定の範囲内であるか否かを判定する。アダプタ３は、連続する運転履歴データ間の変化量が所定の範囲内の場合に、連続する運転履歴データの内、最古の運転履歴データを残して他の運転履歴データを間引く。更に、アダプタ３は、間引き後の所定期間分のデータをサーバ装置５に送信する。その結果、アダプタ３は、運転履歴データのデータ量を間引くことでアダプタ３からサーバ装置５への通信トラヒックを低減できる。

アダプタ３は、所定タイミング毎に取得した運転履歴データに当該取得タイミング毎のタイムスタンプを付加する。その結果、アダプタ３は、タイムスタンプを参照して運転履歴データを時系列で管理できる。

アダプタ３は、変化量が所定の範囲内の連続する運転履歴データ及び、これに付与されるタイムスタンプの内、最古の運転履歴データ及び、これに付与されるタイムスタンプを残して他の運転履歴データ及び、これに付与されるタイムスタンプを間引く。その結果、アダプタ３は、変化量が所定の範囲内の連続する運転履歴データの内、タイムスタンプを参照し、最古の運転履歴データを残して間引くことができる。

アダプタ３は、連続する運転履歴データ間の変化量が所定の範囲内の場合、連続する運転履歴データがＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与えない範囲内のデータと判断する。その結果、連続する運転履歴データがＡＩの学習の結果を用いて室内機２を制御した場合の人の体感に影響を与えない範囲の運転履歴データを間引くため、アダプタ３からサーバ装置５へ送信する際の運転履歴データの通信トラヒックを低減できる。

アダプタ３は、連続する運転履歴データ間の変化量が所定の範囲内として零であるか否かを判定する。その結果、アダプタ３からサーバ装置５へ送信する際の運転履歴データの通信トラヒックを低減できる。

アダプタ３は、例えば、夏季や冬季等の季節毎に異なる所定の範囲を設定し、連続する運転履歴データ間の変化量が現在の季節に応じた所定の範囲内であるか否かを判定する。その結果、サーバ装置５は、季節に応じた変化量の所定の範囲を使用することで季節に応じた学習モデルを生成又は更新できる。

アダプタ３は、例えば、家庭用や業務用等の空気調和機の用途毎に異なる変化量の所定の範囲を設定し、時間的に連続する運転履歴データ間の変化量が当該空気調和機の用途に応じた所定の範囲内であるか否かを判定する。その結果、サーバ装置５は、用途に応じた変化量の所定の範囲を使用することで用途に応じた学習モデルを生成又は更新できる。

サーバ装置５は、アダプタ３から所定期間分の運転履歴データ及び、これに付与されるタイムスタンプを受信した場合に各運転履歴データのタイムスタンプに基づき、所定期間分の運転履歴データ内に間引き区間があるか否かを判定する。サーバ装置５は、間引き区間があると判定された場合に、当該間引き区間直前の運転履歴データ及び、これに付与されるタイムスタンプに基づき、当該間引き区間の運転履歴データ及び、これに付与されるタイムスタンプを生成して所定期間分の運転履歴データ及び、これに付与されるタイムスタンプを復元する。サーバ装置５は、復元された所定期間分の運転履歴データ及び、これに付与されるタイムスタンプに基づき、学習モデルを更新する。その結果、サーバ装置５は、所定期間分の運転履歴データを使用して高精度な学習モデルを生成又は更新できる。

尚、本実施例では、学習モデルとして体感温度設定予測モデルを例示したが、これに限定されるものではなく、適宜変更可能である。また、学習モデルに応じて学習に必要な運転履歴データも異なるため、その内容は適宜変更可能である。また、学習モデルに応じて学習に必要な取得周期や収集量が異なるため、所定周期及び所定期間も適宜変更可能である。

本実施例では、連続する運転履歴データの複数のデータ群の内、少なくとも１個のデータ間の変化量が所定の範囲内でない場合、当該データを含むデータ群を全てサーバ装置５に送信する場合を例示した。しかしながら、複数のデータ群の内、少なくとも１個のデータ間の変化量が所定の範囲内でない場合でも、複数のデータ群の内、変化量が所定の範囲内のデータを間引き、変化量が所定の範囲内でないデータのみをサーバ装置５に送信しても良く、適宜変更可能である。

アダプタ３は、室内機２の運転履歴データを中継装置６経由でサーバ装置５に送信する場合を例示したが、運転履歴データを中継装置６を経由することなく、そのまま、サーバ装置５に送信しても良く、適宜変更可能である。

また、図示した各部の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各部の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。

更に、各装置で行われる各種処理機能は、ＣＰＵ（Central Processing Unit）（又はＭＰＵ（Micro Processing Unit）、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部又は任意の一部を実行するようにしても良い。また、各種処理機能は、ＣＰＵ（又はＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行するプログラム上、又はワイヤードロジックによるハードウェア上で、その全部又は任意の一部を実行するようにしても良いことは言うまでもない。

１ 空気調和システム
２ 室内機
２Ａ 本体
２Ｂ 制御部
３ アダプタ
５ サーバ装置
１４Ａ 取得部
１４Ｂ 判定部
１４Ｃ 消去部
１４Ｄ 送信部
１４Ｅ 受信部
１４Ｆ 設定部
１４Ｇ 予測制御部
３３Ａ モデル学習部
３３Ｂ 受信部
３３Ｃ 判定部
３３Ｄ 復元部
３３Ｅ 送信部

Claims (5)

1. 学習モデルを用いて、空気調和機を制御する制御部と、前記空気調和機の運転履歴データに基づき、前記学習モデルを生成するサーバ装置と通信する通信部を有するアダプタとを有する空気調和機であって、
   前記アダプタは、
   前記空気調和機から所定周期毎に、前記運転履歴データを取得する取得部と、
   前記取得部にて取得された内容が異なる複数の前記運転履歴データの内、時間的に連続するデータ間の変化量が運転履歴データの内容に応じて設定される所定の範囲に入るか否かを判定する判定部と、
   前記連続するデータ間の変化量が所定の範囲内の場合に、前記連続するデータの内、少なくとも一つのデータを残して他のデータを削除する消去部と、
   前記消去部にて前記他のデータが削除された後の運転履歴データを前記サーバ装置に送信する送信部とを有する、
   ことを特徴とする空気調和機。
2. 前記所定の範囲は、
   前記運転履歴データの時間的に連続するデータ間の変化量に対する体感差に基づいて設定されることを特徴とする請求項１に記載の空気調和機。
3. 前記運転履歴データには、少なくとも温度と湿度とが含まれることを特徴とする請求項１又は２に記載の空気調和機。
4. 前記運転履歴データには、
   前記空気調和機の使用者が前記運転履歴データの変化を体感しやすいものと、体感しにくいものとがあり、
   前記体感しにくい運転履歴データにおける所定の範囲は、前記体感しやすい運転履歴データにおける所定の範囲と比べて広く設定されることを特徴とする請求項１に記載の空気調和機。
5. 前記所定の範囲を定める前記運転履歴データの値は、
   前記空気調和機の使用者が体感できる前記運転履歴データの変化の最小値であることを特徴とする請求項１又は２に記載の空気調和機。

Images