JP2021063611A - 空気調和システム - Google Patents

Abstract

【課題】実際の室内空間内の利用者の操作嗜好の変化に追従した学習モデルによる運転制御を実現できる空気調和システム等を提供する。【解決手段】空気調和システムは、室内機と、サーバ装置と、前記室内機と前記サーバ装置との間を通信で接続するアダプタとを有する。前記サーバ装置は、前記室内機の運転履歴データに基づき、第１の学習モデルを生成するクラウド側学習部を有する。前記アダプタは、前記クラウド側学習部が前記第１の学習モデルを生成する学習モデル生成間隔以下の間隔で、前記運転履歴データに基づき、前記室内機を制御するための第２の学習モデルを生成するアダプタ側学習部を有する。【選択図】図１

Description

本発明は、空気調和システムに関する。

近年、空気調和システムでは、例えば、設定温度等の運転履歴データをサーバ装置に搭載されたＡＩ(Artificial Intelligence)等の学習部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。このような空気調和システムでは、“学習を行う処理”及び“学習結果を用いて予測する処理”の２種類の処理が必要となる（特許文献１）。

特開２０１８−３５９５７号公報

空気調和システムでは、例えば、利用者の操作嗜好の変化に応じた制御が必要となり、室内環境の変化やそれに応じた学習モデルの予測結果を頻繁に空気調和機に通知することが求められる。このような処理をサーバ装置のみで行った場合、空気調和機とのデータの通信量が多くなってしまう。従って、“学習結果を用いて予測する処理”は、空気調和機のみで実行することになる。

しかしながら、“学習結果を用いて予測する処理”の他に“学習を行う処理”を空気調和機のみで実行する場合を想定したとすると、空気調和機に通常搭載されるＭＣＵの能力ではメモリ及び演算能力に限界がある。しかも、日々の利用者の操作に応じた学習モデルの学習を実行するには、空気調和機の膨大な運転履歴データを処理する能力が必要となる。

また、サーバ装置で“学習を行う処理”、空気調和機で“学習結果を用いて予測する処理”を実行することを想定した場合、データの通信量を少なくするため、サーバ装置での学習モデルを生成する間隔を長くすることになる。しかしながら、例えば、季節の変わり目等で、空気調和機の利用者の操作嗜好が急に変化した場合、その操作嗜好の変化が学習モデルに反映されるまでには時間を要する。

従って、学習モデルを使用して空調の運転を制御する空気調和システムでは、膨大な運転履歴データを用いて生成する空調空間の実環境に応じた学習モデルを用いた処理と、空調空間内の利用者の操作嗜好の変化に追従した学習モデルを用いた処理との両立が課題となる。

本発明ではこのような問題に鑑み、サーバ装置で“学習を行う処理”、空気調和機で“学習結果を用いて予測する処理”を実行することを両立できる空気調和システムを提供することを目的とする。

本発明の空気調和システムは、室内機と、サーバ装置と、前記室内機と前記サーバ装置との間を通信で接続するアダプタとを有する。前記サーバ装置は、前記室内機の運転履歴データに基づき、第１の学習モデルを生成するクラウド側学習部を有する。前記アダプタは、前記クラウド側学習部が前記第１の学習モデルを生成する間隔である学習モデル生成間隔以下の間隔で、前記運転履歴データに基づき、前記室内機を制御するための第２の学習モデルを生成するアダプタ側学習部を有する。

本発明の空気調和システムは、実際の空調空間内の利用者の操作嗜好の変化に追従した学習モデルによる運転制御を実現できる。

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、アダプタの構成の一例を示すブロック図である。 図３は、サーバ装置の構成の一例を示すブロック図である。 図４は、クラウド側学習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５は、アダプタ側学習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６は、更新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。

以下、図面に基づいて、本願の開示する空気調和システム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、検出部２Ｃとを有する。本体２Ａは、室内ファン、膨張弁、室内熱交換器、風向板などの各装置が筐体に格納されたものである。制御部２Ｂは、上述した室内ファンや膨張弁や風向板を制御する。制御部２Ｂは、膨張弁の開度を調整して、利用者が必要とする空調能力を発揮させるために必要となる量の冷媒を室内熱交換器に流し、室内ファンを駆動して室内熱交換器で冷媒と熱交換を行った室内空気を、風向板を制御して偏向させて空調空間に吹き出させる。これにより、空調空間の暖房、冷房、除湿が行われる。検出部２Ｃは、例えば、室内機２が据え付けられた空調空間の床面の輻射温度を測定する輻射センサ、室内機２の空調空間の室内温度を測定する室温センサ、室内機２の空調空間の室内湿度を測定する湿度センサ、温度センサ等である。

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毎に設けられるものである。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、アダプタ３が室内機２をＡＩ制御する際に使用する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。サーバ装置５は、例えば、データセンタに配置される。

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、サーバ装置５における学習モデルの生成又は学習モデルの更新に使用する運転履歴データ等を、室内機２からアダプタ３および通信網８経由で受信してサーバ装置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。中継装置６は、例えば、データセンタ等に配置される。

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中継する。具体的には、第１の中継部６Ａは、アダプタ３から通信網８経由で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後述する通信端末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）をアクセスポイント４および通信網８経由で受信し、これを室内機２に通信網８およびアクセスポイント４およびアダプタ３経由で送信する。第３の中継部６Ｃは、例えば、通信網８を経由して天気予報等の外部データを受信し、受信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、受信した外部データを通信網８およびアクセスポイント４経由でアダプタ３に送信する。

図２は、アダプタ３の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と通信で接続される、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と通信で接続される、例えば、ＷＬＡＮ等の通信ＩＦ等である。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。

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、クラウド側学習モデル（第１の学習モデル）を記憶するモデルメモリ１３Ｂとを有する。更に、記憶部１３は、クラウド側学習モデルを基礎とするアダプタ側学習モデル（第２の学習モデル）を記憶するアダプタ側学習記憶部１３Ｃと、外部データを記憶する外部メモリ１３Ｄとを有する。

ＣＰＵ１４は、取得部１４Ａと、送信部１４Ｂと、受信部１４Ｃと、アダプタ側学習部１４Ｄと、設定部１４Ｅと、予測部１４Ｆ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で運転履歴データを取得する。取得部１４Ａは、５分周期で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。なお、運転履歴データについては後述する。

送信部１４Ｂは、運転履歴メモリ１３Ａに記憶している運転履歴データを、アクセスポイント４に送信し、アクセスポイント４は、受信した運転履歴データを通信網８を介して中継装置６に送信し、中継装置６の第１の中継部６Ａは、受信した運転履歴データをサーバ装置５に送信する。送信部１４Ｂが運転履歴データ送信する間隔は、室内機２から運転履歴データを取得する所定周期よりも長く、クラウド側学習部３３Ａが学習モデルを生成する間隔よりも短ければよい。受信部１４Ｃは、サーバ装置５から、例えば、利用者の体感温度を予測するための体感温度予測モデル等の学習モデルを受信する。具体的には、サーバ装置５は中継装置６にクラウド側学習モデルを送信し、中継装置６の第１の中継部６Ａは受信したクラウド側学習モデルを通信網８を介してアクセスポイント４に送信し、アクセスポイント４は受信したクラウド側学習モデルをアダプタ３の受信部１４Ｃに送信する。なお、受信部１４Ｃは、受信したクラウド側学習モデルをモデルメモリ１３Ｂに記憶する。受信部１４Ｃは、クラウド側学習モデルを受信した場合、現在受信したクラウド側学習モデルをモデルメモリ１３Ｂ内の今回領域１３２に記憶する。更に、受信部１４Ｃは、モデルメモリ１３Ｂ内の前回領域１３１にクラウド側学習モデルがない場合、現在のクラウド側学習モデルを前回受信したクラウド側学習モデルとしてモデルメモリ１３Ｂ内の前回領域１３１に記憶する。前回のクラウド側学習モデルとは、現在から所定時間、例えば、６日前にサーバ装置５から受信したクラウド側学習モデルである。

アダプタ側学習部１４Ｄは、今回領域１３２に記憶中の現在のクラウド側学習モデルをアダプタ側学習モデルとする。クラウド側学習モデルは、例えば、３週間分の運転履歴データを用いて第１のアルゴリズムで学習し生成された、利用者の長期的な操作嗜好や実環境を反映した学習モデルである。更に、アダプタ側学習部１４Ｄは、例えば、１時間毎の運転履歴データを用いて、第１のアルゴリズムと異なる第２のアルゴリズムで当該アダプタ側学習モデルを生成する。アダプタ側学習部１４Ｄは、オンライン学習後のアダプタ側学習モデルをアダプタ側学習記憶部１３Ｃに記憶して更新する。アダプタ側学習モデルは、アダプタ側学習部１４Ｄがアダプタ側学習モデルを生成する間隔であるアダプタ側学習モデル生成間隔毎に生成されればよい。アダプタ側学習モデルは、例えば、１時間毎の運転履歴データを用いて学習し生成される、利用者の直近の操作嗜好や実環境を反映した学習モデルである。アダプタ側学習モデルは、直近の利用者の操作嗜好や気温変化等の実環境の影響を短時間で反映して生成される学習モデルである。しかしながら、利用者の操作を逐次学習するため、例えば、利用者の子供の悪戯操作も利用者の操作として学習モデルに反映してしまう。これに対して、クラウド側学習モデルは、長期間の運転履歴データを使用するため、例えば、一度の子供の悪戯操作が利用者の操作として学習モデルに与える影響を小さくできる。

設定部１４Ｅは、アダプタ側学習記憶部１３Ｃに記憶しているアダプタ側学習モデルを予測部１４Ｆに適用する。予測部１４Ｆは、例えば、室内温度の安定した状態で、アダプタ側学習記憶部１３Ｃに記憶中のアダプタ側学習モデルに基づき、室内機２の制御部２Ｂを制御する。尚、室内温度の安定した状態とは、室内温度（空調空間全体の温度）と室内機２の設定温度との温度差が所定閾値、例えば、±０．５度以内の状態が所定時間以上（例えば、送信部１４Ｂが室内機２から運転履歴データを取得する所定周期の２倍）継続した場合である。尚、説明の便宜上、予測部１４Ｆは、アダプタ側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、予測部１４Ｆは、アダプタ側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、予測部１４Ｆは、アダプタ側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、予測部１４Ｆ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。以下、アダプタ３が２日毎にそれまで蓄積した運転履歴データをサーバ装置５へ送信し、クラウド側学習部３３Ａの学習モデル生成間隔（６日）に相当する運転履歴データがデータメモリ３２Ａ蓄積されたらクラウド側学習部３３Ａで学習モデルが生成されるとして、実施例の説明を行う。

図３は、サーバ装置５の構成の一例を示すブロック図である。図３に示すサーバ装置５は、複数台の室内機２に備えられるアダプタ３と、中継装置６を介して通信を行うものであり、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。

サーバ装置５内の記憶部３２は、データメモリ３２Ａと、クラウド側学習記憶部３２Ｂとを有する。データメモリ３２Ａは、各アダプタ３から受信した各室内機２の運転履歴データを室内機２毎に記憶する。尚、後述するように、各室内機２は、室内機２を識別するための空気調和機ＩＤを保有しており、各室内機２が運転履歴データを送信する際は、この空気調和機ＩＤも併せて送信している。そして、各室内機２から運転履歴データを受信したサーバ装置５は、受信した信号に含まれる空気調和機ＩＤ毎に運転履歴データをデータメモリ３２Ａに記憶する。クラウド側学習記憶部３２Ｂは、サーバ装置５で生成又は更新したクラウド側学習モデルを記憶する。サーバ装置５内のＣＰＵ３３は、クラウド側学習部３３Ａと、受信部３３Ｂと、送信部３３Ｃとを有する。

クラウド側学習部３３Ａは、複数の室内機２のアダプタ３からアクセスポイント４、通信網８、及び、中継装置６を経由して、各々の運転履歴データを受信する。そして、クラウド側学習部３３Ａは、各アダプタ３から受信した運転履歴データの内、データメモリ３２Ａに記憶中のＮ週間分（例えば、３週間分）の運転履歴データを使用してクラウド側学習モデルを生成するバッチ学習を実行する。クラウド側学習部３３Ａは、学習結果に基づき、室内機２毎にクラウド側学習モデルを生成又は更新する。

そして、クラウド側学習部３３Ａは、新たに生成したクラウド側学習モデル又は既存のクラウド側学習モデルを更新した学習モデルをクラウド側学習記憶部３２Ｂに記憶する。受信部３３Ｂは、アクセスポイント４および通信網８および中継装置６を介して各アダプタ３から運転履歴データ等を受信する。送信部３３Ｃは、中継装置６、通信網８及びアクセスポイント４を介して、クラウド側学習部３３Ａにて室内機２毎に新たに生成したクラウド側学習モデル又は既存のクラウド側学習モデルを更新した学習モデルを各室内機２のアダプタ３に送信する。

なお、室内機２は図示しない室外機と冷媒配管で接続されており、室外機には、室外ファンや圧縮機等が備えられている。また、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。

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、温度分布、室内熱交温度、室外温度および時刻等がある。

運転状態とは、室内機２の運転がＯＮかＯＦＦのどちらの状態にあったかを示す記録である。運転モードは、室内機２の運転時に、冷房や暖房等どの動作モードが選択されていたかを示す記録である。動作モードとしては冷房や暖房の他、除湿、送風、フィルタ清掃等のメンテナンス運転、切タイマー、入りタイマー等がある。設定温度は、室内機２が使用される室内の温度の制御目標値である。室内温度は、室内機２に設けた図示しない室温センサの温度、例えば、吸込口における室内空気の温度である。室内湿度は、室内機２が使用される、室内機２に設けた図示しない湿度センサの室内の湿度である。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。尚、風量は、例えば、室内機２の室内ファンの回転数で表わされる。風向は、室内機２から吹き出される空調空気の向きである。尚、風向きは、室内機２の吹出口側から見て左方向、中央方向及び右方向と、水平向き、斜め下向き及び下吹きが組み合わせられる。人感センサにより取得するデータは、室内の人の有無や活動量をセンサによって検出したものである。温度分布として取得するデータは、室内の床や壁の温度の分布を、室内機２の輻射センサによって検出したものである。尚、温度分布は、例えば、室内空間の床面を９個のエリアに分割し、エリア毎の床面の輻射温度の分布である。室内熱交温度は、室内機２の図示しない室内熱交換器に設けた温度センサで検出した室内熱交換器の温度である。室外温度は、図示しない室外機の温度センサで検出した外気温度である。アダプタ３は、室内機２を経由して室外機の温度センサで検出した室外温度を収集する。尚、これらの運転履歴データは、データ取得時の年月日時分秒であるタイムスタンプとともに記憶されればよい。また図示しないが、運転履歴データには、例えば、室内機２等の空気調和機を識別するために室内機２に付与する空気調和機ＩＤ、アダプタ３が通信網８およびアクセスポイント４経由で取得した天気予報データから収集した時間毎の雲量を含めても良い。

学習モデルとして体感温度予測モデルを生成又は更新する場合には、運転履歴データのうちの温度分布、室内温度、設定温度、室外温度、タイムスタンプ、雲量等の運転履歴データを学習のためのパラメータとして使用する。なお、使用するパラメータについては、後に詳細に説明する。

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利用者の操作嗜好を予測すると共に、その操作嗜好に基づき、空気調和機を制御する体感温度予測モデルがある。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用いられる学習モデルである。そして、クラウド側学習部３３Ａは、生成又は更新したクラウド側学習モデルとして体感温度予測モデルをクラウド側学習記憶部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を受信する。尚、説明の便宜上、クラウド側学習部３３Ａは、例えば、３週間分の運転履歴データを使用して体感温度予測モデルを６日毎に生成又は更新する場合を例示した。しかしながら、クラウド側学習部３３Ａは、３週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。このように、クラウド側学習部３３Ａでクラウド側学習モデルの生成又は更新に用いられるアルゴリズム（第１のアルゴリズム）は、クラウド側学習部３３Ａで行われる処理に適したものであればよい。クラウド側学習部３３Ａで用いられるアルゴリズムとして、いわゆるバッチ学習を用いればよい。

学習モデルが、例えば、体感温度予測モデルの場合、体感温度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。体感温度予測モデルに使用する運転履歴データは、例えば、季節に応じて異なる。冬季の体感温度予測モデルでは、例えば、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、夏季の体感温度予測モデルでは、例えば、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。

サーバ装置５内のクラウド側学習部３３Ａは、データメモリ３２Ａに記憶中の運転履歴データに基づき、体感温度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３３Ｃは、クラウド側学習部３３Ａで生成又は更新した体感温度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内のアダプタ側学習部１４Ｄは、サーバ装置５から体感温度予測モデル等のクラウド側学習モデルを受信した場合、当該クラウド側学習モデルをモデルメモリ１３Ｂ内の今回領域１３２に記憶する。アダプタ側学習部１４Ｄは、今回領域１３２に記憶中の現在のクラウド側学習モデルと前回領域１３１に記憶中の前回のクラウド側学習モデルとを比較する。アダプタ側学習部１４Ｄは、現在のクラウド側学習モデルと前回のクラウド側学習モデルとの差分が所定閾値以上の場合、現在のクラウド側学習モデルを基礎とするアダプタ側学習モデルの生成を開始する。尚、所定閾値とは、現在のクラウド側学習モデルと前回のクラウド側学習モデルとにどの程度差があるかを判定するための閾値である。そして、アダプタ側学習部１４Ｄは、生成したアダプタ側学習モデルをアダプタ側学習記憶部１３Ｃに記憶する。アダプタ側学習部１４Ｄは、現在のクラウド側学習モデルと前回のクラウド側学習モデルとの差分が所定閾値以上でない場合、アダプタ側学習記憶部１３Ｃに記憶中のアダプタ側学習モデルを維持する。そして、設定部１４Ｅは、アダプタ側学習記憶部１３Ｃに記憶中のアダプタ側学習モデルを予測部１４Ｆに設定する。

予測部１４Ｆは、例えば、室内温度が設定温度±０．５度以内の状態が所定時間以上継続した安定制御の状態の場合、アダプタ側学習記憶部１３Ｃに記憶中の体感温度予測モデル等のアダプタ側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、予測部１４Ｆは、アダプタ側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、予測部１４Ｆは、アダプタ側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、予測部１４Ｆは、アダプタ側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、予測部１４Ｆ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。このように、アダプタ側学習部１４Ｄでアダプタ側学習モデルの生成に用いられるアルゴリズム（第２のアルゴリズム）は、アダプタ側学習部１４Ｄで行われる処理に適したものであればよい。アダプタ側学習部１４Ｄで用いられるアルゴリズムとして、いわゆるオンライン学習を用いればよい。

また、アダプタ側学習部１４Ｄは、例えば、室内温度が設定温度±０．５度以内の状態が所定時間以上継続した安定制御の状態の場合、アダプタ側学習モデルを１時間毎に学習する学習動作を開始する。また、空調空間は様々存在し、例えば、吹き抜けのある空調空間では室内温度が設定温度±０．５度に到達するまでに時間を要する。その結果、アダプタ側学習部１４Ｄがいつまで経ってもアダプタ側学習モデルを生成できないような事態が生じる。そこで、このような事態に対処すべく、室内機２の運転開始から所定時間を経過した後に、アダプタ側学習モデルの学習動作を開始する。

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４は、クラウド側学習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。なお、ＣＰＵ３３は、空気調和システム１が設置されて起動した時点から３週間後までに取得した運転履歴データ、つまり、３週間分の運転履歴データを使用して体感温度予測モデル等のクラウド側学習モデルを生成し、その後は、ＣＰＵ３３が新しい運転履歴データを取得する度にこれを含めた過去３週間分の運転履歴データを使用して体感温度予測モデル等のクラウド側学習モデルを生成または更新する。ＣＰＵ３３は、アダプタ３から運転履歴データを受信したタイミングで図４に示すクラウド側学習処理を開始するものとする。なおアダプタ３が運転履歴データを送信するタイミングは、アダプタ３が室内機２から運転履歴データを取得する所定周期よりも長く、クラウド側学習部３３Ａが学習モデルを生成する間隔よりも短ければよい。

本実施形態の空気調和システム１において、サーバ装置５内のＣＰＵ３３の受信部３３Ｂは、アダプタ３から６日分の運転履歴データを受信したか否かを判定する(ステップＳ１１)。受信部３３Ｂは、６日分の運転履歴データを受信した場合(ステップＳ１１：Ｙｅｓ)、受信した６日分の運転履歴データをデータメモリ３２Ａに記憶する（ステップＳ１２）。ここで受信部３３Ｂは、６日分の運転履歴データを一度に受信しても良いし、一度に通信するデータの増大を防ぐため複数回に分けて受信（２日分ごとなど）するようにしても良い。

クラウド側学習部３３Ａは、６日分の運転履歴データを記憶した場合、記憶中の運転履歴データが直近から過去３週間分以上であるか否かを判定する（ステップＳ１３）。クラウド側学習部３３Ａは、運転履歴データが直近から過去３週間分以上の場合（ステップＳ１３：Ｙｅｓ）、記憶中の運転履歴データに基づき、クラウド側学習モデルを生成する（ステップＳ１４）。クラウド側学習部３３Ａは、学習したクラウド側学習モデルをクラウド側学習記憶部３２Ｂに記憶して更新する（ステップＳ１５）。そして、送信部３３Ｃは、クラウド側学習記憶部３２Ｂに記憶中のクラウド側学習モデルをアダプタ３に送信し（ステップＳ１６）、図４に示す処理動作を終了する。また、受信部３３Ｂは、６日分の運転履歴データを受信したのでない場合(ステップＳ１１：Ｎｏ)、図４に示す処理動作を終了する。また、クラウド側学習部３３Ａは、記憶中の運転履歴データが直近から過去３週間分以上でない場合（ステップＳ１３：Ｎｏ）、図４に示す処理動作を終了する。

以上説明したように、サーバ装置５は、アダプタ３から取得した運転履歴データを用いてクラウド側学習モデルを生成又は更新する。その結果、サーバ装置５は、クラウド側学習モデルの精度を高く維持できる。

更に、サーバ装置５は、生成したクラウド側学習モデルをクラウド側学習記憶部３２Ｂに記憶した後、クラウド側学習モデルをアダプタ３に送信する。その結果、アダプタ３は、最新のクラウド側学習モデルを６日毎に取得できる。

図５は、アダプタ側学習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。尚、ＣＰＵ１４は、例えば、運転履歴データを受信したタイミングで図５に示すアダプタ側学習処理を開始する。図５においてアダプタ３内のＣＰＵ１４内の取得部１４Ａは、１時間分の運転履歴データを取得したか否かを判定する（ステップＳ２１）。取得部１４Ａは、１時間分の運転履歴データを取得した場合（ステップＳ２１：Ｙｅｓ）、１時間分の運転履歴データを運転履歴メモリ１３Ａに記憶する（ステップＳ２２）。

アダプタ３内のアダプタ側学習部１４Ｄは、１時間分の運転履歴データに基づき、アダプタ側学習記憶部１３Ｃに記憶中のアダプタ側学習モデルを生成する（ステップＳ２３）。尚、アダプタ側学習部１４Ｄは、直近１時間分の運転履歴データを用いてアダプタ側学習モデルを更新するため、利用者の１時間分の操作嗜好や実環境の変化に追従したアダプタ側学習モデルを生成できる。アダプタ側学習部１４Ｄは、学習後のアダプタ側学習モデルをアダプタ側学習記憶部１３Ｃに記憶し（ステップＳ２４）、図５に示す処理動作を終了する。取得部１４Ａは、１時間分の運転履歴データを取得したのでない場合（ステップＳ２１：Ｎｏ）、図５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、１時間分の運転履歴データを用いて、クラウド側学習モデルを基礎とするアダプタ側学習モデルを生成する。その結果、１時間、すなわち短期間の運転履歴、例えば、利用者の操作嗜好や実環境を反映した学習モデルを生成できる。つまり、空調空間内の利用者の操作嗜好や実環境の変化に追従したアダプタ側学習モデルを生成できる。

図６は、更新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。ＣＰＵ１４は、サーバ装置５からクラウド側学習モデルを受信したタイミングで図６に示す更新処理を開始する。図６においてアダプタ３内のＣＰＵ１４内の受信部１４Ｃは、サーバ装置５からクラウド側学習モデルを受信したか否かを判定する（ステップＳ３１）。受信部１４Ｃは、クラウド側学習モデルを受信した場合（ステップＳ３１：Ｙｅｓ）、現在のクラウド側学習モデルをモデルメモリ１３Ｂ内の今回領域１３２に上書きで記憶する（ステップＳ３２）。

アダプタ側学習部１４Ｄは、現在のクラウド側学習モデルを今回領域１３２に上書き記憶した後、前回領域１３１内に前回のクラウド側学習モデルがあるか否かを判定する（ステップＳ３３）。

アダプタ側学習部１４Ｄは、前回のクラウド側学習モデルがある場合（ステップＳ３３：Ｙｅｓ）、前回のクラウド側学習モデルと現在のクラウド側学習モデルとを比較する（ステップＳ３４）。アダプタ側学習部１４Ｄは、比較結果に基づき、前回のクラウド側学習モデルと現在のクラウド側学習モデルとの差分が所定閾値以上であるか否かを判定する（ステップＳ３５）。

アダプタ側学習部１４Ｄは、前回のクラウド側学習モデルと現在のクラウド側学習モデルとの差分が所定閾値以上の場合（ステップＳ３５：Ｙｅｓ）、クラウド側学習モデルに変化があるものと判断する。そして、アダプタ側学習部１４Ｄは、現在のクラウド側学習モデルをアダプタ側学習モデルとしてアダプタ側学習記憶部１３Ｃに記憶させ、アダプタ側学習モデルを更新する（ステップＳ３６）。アダプタ側学習部１４Ｄは、現在のクラウド側学習モデルを今回領域１３２から前回領域１３１に移動させ（ステップＳ３７）、図６に示す処理動作を終了する。

アダプタ側学習部１４Ｄは、前回のクラウド側学習モデルと現在のクラウド側学習モデルとの差分が所定閾値以上でない場合（ステップＳ３５：Ｎｏ）、クラウド側学習モデルに変化がないものと判断する。そして、アダプタ側学習部１４Ｄは、アダプタ側学習記憶部１３Ｃに記憶中のアダプタ側学習モデルを維持し（ステップＳ３８）、現在のクラウド側学習モデルを今回領域１３２から前回領域１３１に移動させるべく、ステップＳ３７の処理に進む。

受信部１４Ｃは、サーバ装置５からクラウド側学習モデルを受信しなかった場合（ステップＳ３１：Ｎｏ）、図６に示す処理動作を終了する。アダプタ側学習部１４Ｄは、前回領域１３１に前回のクラウド側学習モデルがない場合、現在のクラウド側学習モデルをアダプタ側学習モデルとしてアダプタ側学習記憶部１３Ｃに更新すべく、ステップＳ３６の処理に戻る。

以上説明したように、アダプタ側学習部１４Ｄは、前回のクラウド側学習モデルと現在のクラウド側学習モデルとの差分が所定閾値以上の場合、クラウド側学習モデルに変化があるものと判断し、現在のクラウド側学習モデルをアダプタ側学習モデルとしてアダプタ側学習記憶部１３Ｃに更新する。その結果、アダプタ３は、現在のクラウド側学習モデルを基礎としたアダプタ学習モデルを使用して利用者の操作嗜好を予測する。

アダプタ側学習部１４Ｄは、前回のクラウド側学習モデルと現在のクラウド側学習モデルとの差分が所定閾値以上でない場合、クラウド側学習モデルに変化がないものと判断し、アダプタ側学習記憶部１３Ｃに記憶中のアダプタ側学習モデルを維持する。その結果、アダプタ３は、現在使用中のアダプタ側学習モデルを使用して予測することになる。

本実施例の空気調和システム１は、室内機２の運転履歴データに基づき、クラウド側学習モデルを生成するクラウド側学習部３３Ａを有する。更に、空気調和システム１は、サーバ装置５がクラウド側学習モデルを生成する間隔である学習モデル生成間隔（例えば、６日間）以下の間隔（例えば、１時間）で、運転履歴データに基づき、アダプタ側学習モデルを生成するアダプタ側学習部１４Ｄを有する。その結果、長期間の空調空間の実環境に応じたクラウド側学習モデルを用いた処理と、直近の空調空間内の利用者の操作嗜好や実環境の変化に追従したアダプタ側学習モデルを用いた処理との両立を図ることができる。

空気調和システム１は、室内機２の第１の期間（例えば、３週間）内の運転履歴データに基づき、クラウド側学習モデルを生成するクラウド側学習部３３Ａを有する。更に、空気調和システム１は、第１の期間よりも短い第２の期間（１時間）内の運転履歴データに基づき、アダプタ側学習モデルを生成するアダプタ側学習部１４Ｄを有する。その結果、空調空間の実環境に応じたクラウド側学習モデルを用いた処理と、空調空間内の利用者の操作嗜好の変化に追従したアダプタ側学習モデルを用いた処理との両立を図ることができる。

アダプタ側学習部１４Ｄは、サーバ装置５から取得したクラウド側学習モデルをアダプタ側学習モデルとして用いる。その結果、アダプタ側学習部１４Ｄは、クラウド側学習モデルを基礎にしてアダプタ側学習モデルを生成できる。

予測部１４Ｆは、アダプタ側学習部１４Ｄで学習した第２の学習モデルを用いて利用者の操作嗜好を予測する。室内機２内の制御部２Ｂは、予測部１４Ｆで予測された利用者の操作嗜好に基づき、室内機２内の本体２Ａを制御する。その結果、室内機２は、利用者の操作嗜好に応じた空調環境を提供できる。

アダプタ側学習部１４Ｄは、サーバ装置５から取得した現在のクラウド側学習モデルと前回のクラウド側学習モデルとの差分が所定閾値以上の場合に、現在のクラウド側学習モデルを新たなアダプタ側学習モデルとして更新する。その結果、アダプタ３は、現在と前回との差分が多いため、現在のクラウド側学習モデルを反映したアダプタ側学習モデルを取得できる。

アダプタ側学習部１４Ｄは、現在のクラウド側学習モデルと前回のクラウド側学習モデルとの差分が所定閾値以上でない場合に、現在使用中のアダプタ側学習モデルを使用する。その結果、アダプタ３は、現在と前回との差分が少ないため、前回のクラウド側学習モデルを基礎とし、ここまで１時間毎の運転履歴データを反映したアダプタ側学習モデルをそのまま使用できる。

アダプタ側学習部１４Ｄは、室内機２の運転開始から室内空間の室内温度が設定温度±０．５度以内の状態が所定時間以上（例えば１０分間）継続した場合に、アダプタ側学習モデルの学習を開始する。アダプタ３は、室内機２の安定制御時にアダプタ側学習モデルの学習動作を開始できる。

アダプタ側学習部１４Ｄは、室内機２の運転開始から所定時間が経過した後に、アダプタ側学習モデルの学習を開始する。その結果、アダプタ３は、なかなか室内機２が安定制御の状態に移行しなくても、運転開始から所定時間経過（例えば１時間）した場合にアダプタ側学習モデルの学習動作を開始できる。

尚、本実施例のアダプタ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、安定制御として現在の室内温度と設定温度との温度差が±０．５度以内の状態が所定時間以上継続したか否かを判定する処理を例示したが、温度差の閾値は±０．５度に限定されるものではなく、適宜変更可能である。また、この際の所定時間についても、適宜変更可能である。

また、アダプタ側学習部１４Ｄのアダプタ側学習モデル生成間隔として１時間、クラウド側学習部３３Ａの学習モデル生成間隔として６日間を例示したが、これらに限定されるものではなく、適宜変更可能である。また、クラウド側学習部３３Ａは、３週間分の運転履歴データを用いてクラウド側学習モデルを生成する場合を例示したが、３週間分の運転履歴データに限定されるものではなく、適宜変更可能である。

また、説明の便宜上、学習モデルとして体感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、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
３ アダプタ
５ サーバ装置
１４Ｄ アダプタ側学習部
１４Ｆ 予測部
３３Ａ クラウド側学習部

Claims (10)

1. 室内機と、サーバ装置と、前記室内機と前記サーバ装置との間を通信で接続するアダプタとを有する空気調和システムであって、
   前記サーバ装置は、
   前記室内機の運転履歴データに基づき、第１の学習モデルを生成するクラウド側学習部を有し、
   前記アダプタは、
   前記クラウド側学習部が前記第１の学習モデルを生成する間隔である学習モデル生成間隔以下の間隔で、前記運転履歴データに基づき、前記室内機を制御するための第２の学習モデルを生成するアダプタ側学習部を有することを特徴とする空気調和システム。
2. 室内機と、サーバ装置と、前記室内機と前記サーバ装置との間を通信で接続するアダプタとを有する空気調和システムであって、
   前記サーバ装置は、
   前記室内機の第１の期間内の運転履歴データに基づき、第１の学習モデルを生成するクラウド側学習部を有し、
   前記アダプタは、
   前記第１の期間よりも短い第２の期間内の前記運転履歴データに基づき、前記室内機を制御するための第２の学習モデルを生成するアダプタ側学習部を有することを特徴とする空気調和システム。
3. 前記アダプタ側学習部は、
   前記サーバ装置から取得した前記第１の学習モデルを前記第２の学習モデルとして記憶することを特徴とする請求項１又は２に記載の空気調和システム。
4. 前記アダプタは、
   前記アダプタ側学習部で生成した前記第２の学習モデルを用いて前記室内機の利用者の操作嗜好を予測する予測部を有し、
   前記室内機は、
   前記予測部で予測された前記利用者の操作嗜好に基づき制御を実行することを特徴とする請求項１又は２に記載の空気調和システム。
5. 前記アダプタ側学習部は、
   前記サーバ装置から取得した現在の第１の学習モデルと、前記サーバ装置から取得した現在から所定時間前の前回の第１の学習モデルとの差分が所定閾値以上の場合に、前記現在の第１の学習モデルを新たな第２の学習モデルとして記憶することを特徴とする請求項１又は２に記載の空気調和システム。
6. 前記アダプタ側学習部は、
   前記現在の第１の学習モデルと前記前回の第１の学習モデルとの差分が前記所定閾値以上でない場合に、現在使用中の前記第２の学習モデルを使用することを特徴とする請求項５に記載の空気調和システム。
7. 前記アダプタ側学習部は、
   前記室内機の運転開始から所定時間が経過した後に、前記第２の学習モデルの学習を開始することを特徴とする請求項１又は２に記載の空気調和システム。
8. 前記アダプタ側学習部は、
   前記室内機の運転開始から室内空間の室内温度が設定温度に到達した状態が所定時間継続した場合に、前記第２の学習モデルの学習を開始することを特徴とする請求項１又は２に記載の空気調和システム。
9. 室内機と、サーバ装置と、前記室内機と前記サーバ装置との間を通信で接続するアダプタとを有する空気調和システムであって、
   前記サーバ装置は、
   前記室内機の運転履歴データに基づき、第１の学習モデル生成するクラウド側学習部を有し、
   前記アダプタは、
   前記室内機の運転履歴データおよび前記第１の学習モデルに基づいて、第２の学習モデルを生成するアダプタ側学習部を有することを特徴とする空気調和システム。
10. 室内機と、サーバ装置と、前記室内機と前記サーバ装置との間を通信で接続するアダプタとを有する空気調和システムであって、
    前記サーバ装置は、
    前記室内機の第１の期間内の運転履歴データに基づき、第１のアルゴリズムにより学習モデルを生成するクラウド側学習部を有し、
    前記アダプタは、
    前記第１のアルゴリズムとは異なる第２のアルゴリズムに基づき、前記室内機を制御するための学習モデルを生成するアダプタ側学習部を有することを特徴とする空気調和システム。

Images