JP2022157502A - 機械学習器、換気制御装置、及び、換気制御方法 - Google Patents
機械学習器、換気制御装置、及び、換気制御方法 Download PDFInfo
- Publication number
- JP2022157502A JP2022157502A JP2021061762A JP2021061762A JP2022157502A JP 2022157502 A JP2022157502 A JP 2022157502A JP 2021061762 A JP2021061762 A JP 2021061762A JP 2021061762 A JP2021061762 A JP 2021061762A JP 2022157502 A JP2022157502 A JP 2022157502A
- Authority
- JP
- Japan
- Prior art keywords
- carbon dioxide
- target space
- dioxide concentration
- information
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009423 ventilation Methods 0.000 title claims abstract description 233
- 238000010801 machine learning Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 796
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 398
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 398
- 230000007613 environmental effect Effects 0.000 claims description 50
- 230000008859 change Effects 0.000 claims description 29
- 230000036760 body temperature Effects 0.000 claims description 11
- 238000012986 modification Methods 0.000 description 28
- 230000004048 modification Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 2
- 241000282412 Homo Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
- F24F11/46—Improving electric energy efficiency or saving
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/0001—Control or safety arrangements for ventilation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
- F24F11/63—Electronic processing
- F24F11/64—Electronic processing using pre-stored data
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2110/00—Control inputs relating to air properties
- F24F2110/50—Air quality properties
- F24F2110/65—Concentration of specific substances or contaminants
- F24F2110/70—Carbon dioxide
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F2120/00—Control inputs relating to users or occupants
- F24F2120/10—Occupancy
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
- Ventilation (AREA)
Abstract
Description
(1)換気制御システムの全体構成
本実施形態の換気制御システム1は、対象空間である部屋R1~R3の換気制御を行うために設けられたシステムである。換気制御システム1は、図2に示すように、主にダンパ80a~80cと、ダクト配管81と、ファン82と、二酸化炭素センサ60a~60dと、カメラ70a~70cと、換気制御装置200と、を有している。
(2-1)機械学習器
(2-1-1)第1取得部
第1取得部10は、対象空間である部屋R1~R3の環境情報を取得する。本実施形態では、環境情報は、対象空間R1~R3内の実際の二酸化炭素濃度を含む。また、対象空間R1~R3の環境情報は、外気の二酸化炭素濃度、対象空間R1~R2の換気量又は対象空間R1~R3の容積である。対象空間R1~R3の換気量は、換気機器であるダンパ80a~80cの換気量である。
第2取得部20は、対象空間である部屋R1~R3に存在する人の数に関する人数情報を取得する。本実施形態では、第2取得部20は、部屋R1~R3に設置されたカメラ70a~70cを使って、部屋R1~R3に存在する人の数に関する人数情報を取得する。図2に示すように、部屋R1の人数は2人である。部屋R2の人数は0人である。部屋R3の人数は5人である。
学習部30は、第1取得部10が取得した環境情報と、第2取得部20が取得した人数情報とを関連付けて学習する。学習部30は、対象空間毎に異なる環境情報、及び人数情報を情報として機械学習を行い、次の式1に示す二酸化炭素濃度推定モデルを作成する。
式1:
但し、
C:室内の二酸化炭素濃度(ppm)
Co:外気の二酸化炭素濃度(ppm)
Qm:換気機器の換気量(m3/h)
V:部屋容積(m3)
Mh:一般的な人の二酸化炭素排出量(m3/h・人)
n:人数(人)
予測部40は、学習部30の学習結果に基づき、対象空間R1~R3の環境情報と人数情報とから対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する。
制御部50は、機械学習器100の予測部40の出力である、対象空間R1~R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1~R3に対して設置されているダンパ80a~80cの制御を行う。
学習部30は、環境情報と、人数情報と、微小時間の二酸化炭素濃度の変化を学習用データセットとして学習する。本実施形態では、環境情報は、室内の実際の二酸化炭素濃度と、外気の二酸化炭素濃度と、換気機器の換気量である。人数情報は、対象空間に存在する人の数に関する人数情報である。
換気制御システム1のフローチャートを図6に示す。
(5-1)
本実施形態の機械学習器100は、第1取得部10と、第2取得部20と、学習部30と、を備える。第1取得部10は、対象空間R1~R3の環境情報を取得する。第2取得部20は、対象空間R1~R3に存在する人の数に関する人数情報を取得する。学習部30は、第1取得部10が取得した環境情報と、第2取得部20が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間R1~R3内の実際の二酸化炭素濃度を含む。
本実施形態の機械学習器100は、学習部30の学習の結果に基づき、環境情報と人数情報とから対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する予測部40、をさらに備える。
本実施形態の機械学習器100は、環境情報が、対象空間R1~R3の換気量、又は対象空間の容積をさらに含む。
本実施形態の換気制御装置200は、機械学習器100と、制御部50と、を備える。制御部50は、機械学習器100の予測部40の出力である、対象空間R1~R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1~R3に対して設置されている換気機器80a~80cの制御を行う。
(6-1)変形例1A
本実施形態では、予測部40が対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明したが、対象空間内の二酸化炭素濃度の変化量を予測値として予測するようにしてもよい。
本実施形態では、予測部40が対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明した。予測部40は、対象空間R1~R3内の定常状態時の二酸化炭素濃度を予測することもできる。
本実施形態では、環境情報が外気の二酸化炭素濃度、対象空間の換気量又は対象空間の容積である場合について説明したが、これに限るものではない。環境情報は対象空間が有する扉もしくは開閉でもよい。
本実施形態では、第2取得部20が人数情報を取得する場合について説明したが、これに限るものではない。第2取得部は、対象空間に存在する人の生体に関する情報をさらに取得するようにしてもよい。
本実施形態では、第1取得部10が図面を用いて対象空間R1~R3の容積を取得する場合について説明したが、これに限るものではない。
換気制御装置200の制御部50が換気機器80a~80cの制御を行う際に、対象空間R1~R3に人が存在する時の二酸化炭素濃度を推定することにより、二酸化炭素濃度が閾値以下を維持する換気制御を行うようにしてもよい。
本実施形態では、学習部30が教師ありのニューラルネットワークを用いた機械学習を行い、二酸化炭素濃度推定モデルを作成する場合について説明したが、これに限るものではない。機械学習方法は、線形回帰やディープラーニング、LSTM(Long Short Term Memory)等を用いてもよい。
(1)全体構成
本実施形態の換気制御システム2は、部屋R1~R3の換気制御を行うために設けられたシステムである。換気制御システム2は、図11に示すように、主にダンパ80a~80cと、ダクト配管81と、ファン82と、二酸化炭素センサ60a~60dと、カメラ70a~70cと、予測部41a~41cと、機械学習器120と、換気制御装置210と、を有している。
(2-1)機械学習器
機械学習器120は、図10に示すように、第1取得部10と、第2取得部20と、学習部30と、を備える。第1取得部10と、第2取得部20と、学習部30の構成は、第1実施形態と同様であるため、詳しい説明を省略する。
予測部41aは、対象空間R1に設置されている。予測部41aは、対象空間R1に対して、機械学習器120の学習部30の学習の結果に基づき、対象空間R1の環境情報と人数情報とから対象空間R1内の一定期間後の二酸化炭素濃度を予測値として予測する。
制御部51は、予測部41aの出力である、対象空間R1内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1に対して設置されているダンパ80aの制御を行う。また、制御部51は、予測部41bの出力である、対象空間R2内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R2に対して設置されているダンパ80bの制御を行う。また、制御部51は、予測部41cの出力である、対象空間R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R3に対して設置されているダンパ80cの制御を行う。
換気制御システム2のフローチャートを図12に示す。図6に示した第1実施形態における処理と実質的に同じであるため、詳細な説明を省略する。第1実施形態では、ステップS3で機械学習器100の予測部40を用いて一定時間後の二酸化炭素濃度を予測している。第2実施形態では、ステップS23で、各対象空間R1~R3に設けられた予測部41a~41cを用いて二酸化炭素濃度を予測する点が第1実施形態と異なる。
(4-1)
本実施形態の換気制御装置210は、第1の予測部41aと、第2の予測部41bと、第3の予測部41cと、制御部50と、を備える。第1の予測部41aは、第1の対象空間R1に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第1の対象空間R1内の一定時間後の二酸化炭素濃度を予測値として予測する。第2の予測部41bは、第2の対象空間R2に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第2の対象空間R2内の一定時間後の二酸化炭素濃度を予測値として予測する。第3の予測部41cは、第3の対象空間R3に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第3の対象空間R3内の一定時間後の二酸化炭素濃度を予測値として予測する。制御部51は、第1の予測部41aの出力である、第1の対象空間R1内の一定時間後の二酸化炭素濃度の予測値に基づいて、第1の対象空間R1に対して設置されている換気機器80aの制御を行う。制御部51は、第2の予測部41bの出力である、第2の対象空間R2内の一定時間後の二酸化炭素濃度の予測値に基づいて、第2の対象空間R2に対して設置されている換気機器80bの制御を行う。制御部51は、第3の予測部41cの出力である、第3の対象空間R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、第3の対象空間R3に対して設置されている換気機器80cの制御を行う。
(5-1)変形例2A
本実施形態では、3部屋のそれぞれに第1~第3の予測部41a~41bを備える場合について説明したが、これに限るものではない。2以上である複数の部屋のそれぞれに予測部を備えるようにしてもよい。また、対象空間が1部屋であり、1つの対象空間に予測部を備えるようにしてもよい。
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
100、110、120 機械学習器
200、210 換気制御装置
10 第1取得部
20、21 第2取得部
30 学習部
40、41a~41c 予測部
50、51 制御部
60a~60d 二酸化炭素センサ
70a~70c カメラ
80a~80c ダンパ(換気機器)
81 ダクト配管
82 ファン
90 ネットワーク
(1)換気制御システムの全体構成
本実施形態の換気制御システム1は、対象空間である部屋R1~R3の換気制御を行うために設けられたシステムである。換気制御システム1は、図2に示すように、主にダンパ80a~80cと、ダクト配管81と、ファン82と、二酸化炭素センサ60a~60dと、カメラ70a~70cと、換気制御装置200と、を有している。
(2-1)機械学習器
(2-1-1)第1取得部
第1取得部10は、対象空間である部屋R1~R3の環境情報を取得する。本実施形態では、環境情報は、対象空間R1~R3内の実際の二酸化炭素濃度を含む。また、対象空間R1~R3の環境情報は、外気の二酸化炭素濃度、対象空間R1~R2の換気量又は対象空間R1~R3の容積である。対象空間R1~R3の換気量は、換気機器であるダンパ80a~80cの換気量である。
第2取得部20は、対象空間である部屋R1~R3に存在する人の数に関する人数情報を取得する。本実施形態では、第2取得部20は、部屋R1~R3に設置されたカメラ70a~70cを使って、部屋R1~R3に存在する人の数に関する人数情報を取得する。図2に示すように、部屋R1の人数は2人である。部屋R2の人数は0人である。部屋R3の人数は5人である。
学習部30は、第1取得部10が取得した環境情報と、第2取得部20が取得した人数情報とを関連付けて学習する。学習部30は、対象空間毎に異なる環境情報、及び人数情報を情報として機械学習を行い、次の式1に示す二酸化炭素濃度推定モデルを作成する。
式1:
但し、
C:室内の二酸化炭素濃度(ppm)
Co:外気の二酸化炭素濃度(ppm)
Qm:換気機器の換気量(m3/h)
V:部屋容積(m3)
Mh:一般的な人の二酸化炭素排出量(m3/h・人)
n:人数(人)
予測部40は、学習部30の学習結果に基づき、対象空間R1~R3の環境情報と人数情報とから対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する。
制御部50は、機械学習器100の予測部40の出力である、対象空間R1~R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1~R3に対して設置されているダンパ80a~80cの制御を行う。
学習部30は、環境情報と、人数情報と、微小時間の二酸化炭素濃度の変化を学習用データセットとして学習する。本実施形態では、環境情報は、室内の実際の二酸化炭素濃度と、外気の二酸化炭素濃度と、換気機器の換気量である。人数情報は、対象空間に存在する人の数に関する人数情報である。
換気制御システム1のフローチャートを図6に示す。
(5-1)
本実施形態の機械学習器100は、第1取得部10と、第2取得部20と、学習部30と、を備える。第1取得部10は、対象空間R1~R3の環境情報を取得する。第2取得部20は、対象空間R1~R3に存在する人の数に関する人数情報を取得する。学習部30は、第1取得部10が取得した環境情報と、第2取得部20が取得した人数情報と、を関連付けて学習する。環境情報は、対象空間R1~R3内の実際の二酸化炭素濃度を含む。
本実施形態の機械学習器100は、学習部30の学習の結果に基づき、環境情報と人数情報とから対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する予測部40、をさらに備える。
本実施形態の機械学習器100は、環境情報が、対象空間R1~R3の換気量、又は対象空間の容積をさらに含む。
本実施形態の換気制御装置200は、機械学習器100と、制御部50と、を備える。制御部50は、機械学習器100の予測部40の出力である、対象空間R1~R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1~R3に対して設置されている換気機器80a~80cの制御を行う。
本実施形態の換気制御装置200による換気制御方法は、予測ステップと、制御ステップと、を備える。予測ステップは、機械学習器100の学習部30の学習の結果に基づき、環境情報と人数情報とから対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する。制御ステップは、予測ステップの出力である、対象空間R1~R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1~R3に対して設置されている換気機器の制御を行う。
(6-1)変形例1A
本実施形態では、予測部40が対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明したが、対象空間内の二酸化炭素濃度の変化量を予測値として予測するようにしてもよい。
本実施形態では、予測部40が対象空間R1~R3内の一定時間後の二酸化炭素濃度を予測値として予測する場合について説明した。予測部40は、対象空間R1~R3内の定常状態時の二酸化炭素濃度を予測することもできる。
本実施形態では、環境情報が外気の二酸化炭素濃度、対象空間の換気量又は対象空間の容積である場合について説明したが、これに限るものではない。環境情報は対象空間が有する扉もしくは開閉でもよい。
本実施形態では、第2取得部20が人数情報を取得する場合について説明したが、これに限るものではない。第2取得部は、対象空間に存在する人の生体に関する情報をさらに取得するようにしてもよい。
本実施形態では、第1取得部10が図面を用いて対象空間R1~R3の容積を取得する場合について説明したが、これに限るものではない。
換気制御装置200の制御部50が換気機器80a~80cの制御を行う際に、対象空間R1~R3に人が存在する時の二酸化炭素濃度を推定することにより、二酸化炭素濃度が閾値以下を維持する換気制御を行うようにしてもよい。
本実施形態では、学習部30が教師ありのニューラルネットワークを用いた機械学習を行い、二酸化炭素濃度推定モデルを作成する場合について説明したが、これに限るものではない。機械学習方法は、線形回帰やディープラーニング、LSTM(Long Short Term Memory)等を用いてもよい。
(1)全体構成
本実施形態の換気制御システム2は、部屋R1~R3の換気制御を行うために設けられたシステムである。換気制御システム2は、図11に示すように、主にダンパ80a~80cと、ダクト配管81と、ファン82と、二酸化炭素センサ60a~60dと、カメラ70a~70cと、予測部41a~41cと、機械学習器120と、換気制御装置210と、を有している。
(2-1)機械学習器
機械学習器120は、図10に示すように、第1取得部10と、第2取得部20と、学習部30と、を備える。第1取得部10と、第2取得部20と、学習部30の構成は、第1実施形態と同様であるため、詳しい説明を省略する。
予測部41aは、対象空間R1に設置されている。予測部41aは、対象空間R1に対して、機械学習器120の学習部30の学習の結果に基づき、対象空間R1の環境情報と人数情報とから対象空間R1内の一定期間後の二酸化炭素濃度を予測値として予測する。
制御部51は、予測部41aの出力である、対象空間R1内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R1に対して設置されているダンパ80aの制御を行う。また、制御部51は、予測部41bの出力である、対象空間R2内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R2に対して設置されているダンパ80bの制御を行う。また、制御部51は、予測部41cの出力である、対象空間R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、対象空間R3に対して設置されているダンパ80cの制御を行う。
換気制御システム2のフローチャートを図12に示す。図6に示した第1実施形態における処理と実質的に同じであるため、詳細な説明を省略する。第1実施形態では、ステップS3で機械学習器100の予測部40を用いて一定時間後の二酸化炭素濃度を予測している。第2実施形態では、ステップS23で、各対象空間R1~R3に設けられた予測部41a~41cを用いて二酸化炭素濃度を予測する点が第1実施形態と異なる。
(4-1)
本実施形態の換気制御装置210は、第1の予測部41aと、第2の予測部41bと、第3の予測部41cと、制御部50と、を備える。第1の予測部41aは、第1の対象空間R1に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第1の対象空間R1内の一定時間後の二酸化炭素濃度を予測値として予測する。第2の予測部41bは、第2の対象空間R2に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第2の対象空間R2内の一定時間後の二酸化炭素濃度を予測値として予測する。第3の予測部41cは、第3の対象空間R3に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第3の対象空間R3内の一定時間後の二酸化炭素濃度を予測値として予測する。制御部51は、第1の予測部41aの出力である、第1の対象空間R1内の一定時間後の二酸化炭素濃度の予測値に基づいて、第1の対象空間R1に対して設置されている換気機器80aの制御を行う。制御部51は、第2の予測部41bの出力である、第2の対象空間R2内の一定時間後の二酸化炭素濃度の予測値に基づいて、第2の対象空間R2に対して設置されている換気機器80bの制御を行う。制御部51は、第3の予測部41cの出力である、第3の対象空間R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、第3の対象空間R3に対して設置されている換気機器80cの制御を行う。
本実施形態の換気制御装置210による換気制御方法は、第1の予測ステップと、第2の予測ステップと、第3の予測ステップと、制御ステップと、を備える。第1の予測ステップは、第1の対象空間R1に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第1の対象空間R1内の一定時間後の二酸化炭素濃度を予測値として予測する。第2の予測ステップは、第2の対象空間R2に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第2の対象空間R2内の一定時間後の二酸化炭素濃度を予測値として予測する。第3の予測ステップは、第3の対象空間R3に対して、機械学習器120の学習部30の学習の結果に基づき、環境情報と人数情報とから第3の対象空間R3内の一定時間後の二酸化炭素濃度を予測値として予測する。制御ステップは、第1の予測ステップの出力である、第1の対象空間R1内の一定時間後の二酸化炭素濃度の予測値に基づいて、第1の対象空間R1に対して設置されている換気機器の制御を行う。制御ステップは、第2の予測ステップの出力である、第2の対象空間R2内の一定時間後の二酸化炭素濃度の予測値に基づいて、第2の対象空間R2に対して設置されている換気機器の制御を行う。制御ステップは、第3の予測ステップの出力である、第3の対象空間R3内の一定時間後の二酸化炭素濃度の予測値に基づいて、第3の対象空間R3に対して設置されて換気機器の制御を行う。
(5-1)変形例2A
本実施形態では、3部屋のそれぞれに第1~第3の予測部41a~41bを備える場合について説明したが、これに限るものではない。2以上である複数の部屋のそれぞれに予測部を備えるようにしてもよい。また、対象空間が1部屋であり、1つの対象空間に予測部を備えるようにしてもよい。
以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
100、110、120 機械学習器
200、210 換気制御装置
10 第1取得部
20、21 第2取得部
30 学習部
40、41a~41c 予測部
50、51 制御部
60a~60d 二酸化炭素センサ
70a~70c カメラ
80a~80c ダンパ(換気機器)
81 ダクト配管
82 ファン
90 ネットワーク
Claims (10)
- 対象空間の環境情報を取得する第1取得部(10)と、
前記対象空間に存在する人の数に関する人数情報を取得する第2取得部(20、21)と、
前記第1取得部が取得した前記環境情報と、前記第2取得部が取得した前記人数情報と、を関連付けて学習する学習部(30)と、
を備え、
前記環境情報は、前記対象空間内の実際の二酸化炭素濃度を含む、
機械学習器(100、110、120)。 - 前記学習部の学習の結果に基づき、前記環境情報と前記人数情報とから前記対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する予測部(40、41a~41c)、をさらに備える、
請求項1に記載の機械学習器。 - 前記予測部は、前記対象空間内の二酸化炭素濃度の変化量を前記予測値として予測する、
請求項2に記載の機械学習器。 - 前記第2取得部は、前記対象空間に存在する人の生体に関する情報をさらに取得し、
前記学習部は、前記第2取得部が取得した前記生体に関する情報を、さらに関連付けて学習する、
請求項1から3のいずれかに記載の機械学習器。 - 前記生体に関する情報は、前記対象空間に存在する人の会話量又は体温を含む、
請求項4に記載の機械学習器。 - 前記生体に関する情報は、前記対象空間に存在する人の性別、年齢、体格、又は姿勢をさらに含む、
請求項4又は5に記載の機械学習器。 - 前記環境情報が、外気の二酸化炭素濃度、又は前記対象空間が有する扉もしくは窓の開閉を含む、
請求項1から6のいずれかに記載の機械学習器。 - 前記環境情報が、前記対象空間の換気量、又は前記対象空間の容積をさらに含む、
請求項7に記載の機械学習器。 - 請求項2に記載の機械学習器と、
前記機械学習器の前記予測部の出力である、前記対象空間内の一定時間後の二酸化炭素濃度の前記予測値に基づいて、前記対象空間に対して設置されている換気機器の制御を行う制御部(50)と、
を備える換気制御装置(200)。 - 第1の対象空間に対して、請求項1に記載の機械学習器の前記学習部の学習の結果に基づき、前記環境情報と前記人数情報とから前記第1の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する第1の予測部と、
第2の対象空間に対して、請求項1に記載の機械学習器の前記学習部の学習の結果に基づき、前記環境情報と前記人数情報とから前記第2の対象空間内の一定時間後の二酸化炭素濃度を予測値として予測する第2の予測部と、
前記第1の予測部の出力である、前記第1の対象空間内の一定時間後の二酸化炭素濃度の前記予測値に基づいて、前記第1の対象空間に対して設置されている換気機器の制御を行い、前記第2の予測部の出力である、前記第2の対象空間内の一定時間後の二酸化炭素濃度の前記予測値に基づいて、前記第2の対象空間に対して設置されている換気機器の制御を行う、制御部(51)と、
を備える換気制御装置(210)。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021061762A JP2022157502A (ja) | 2021-03-31 | 2021-03-31 | 機械学習器、換気制御装置、及び、換気制御方法 |
EP22780988.6A EP4317816A1 (en) | 2021-03-31 | 2022-03-29 | Machine learning device, ventilation control device, and ventilation control method |
PCT/JP2022/015676 WO2022210777A1 (ja) | 2021-03-31 | 2022-03-29 | 機械学習器、換気制御装置、及び、換気制御方法 |
US18/372,484 US20240011658A1 (en) | 2021-03-31 | 2023-09-25 | Machine learning device, ventilation control device, and ventilation control method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021061762A JP2022157502A (ja) | 2021-03-31 | 2021-03-31 | 機械学習器、換気制御装置、及び、換気制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022157502A true JP2022157502A (ja) | 2022-10-14 |
Family
ID=83459481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021061762A Pending JP2022157502A (ja) | 2021-03-31 | 2021-03-31 | 機械学習器、換気制御装置、及び、換気制御方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240011658A1 (ja) |
EP (1) | EP4317816A1 (ja) |
JP (1) | JP2022157502A (ja) |
WO (1) | WO2022210777A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11264590A (ja) * | 1998-03-18 | 1999-09-28 | Mitsubishi Electric Corp | 換気装置の運転方法 |
WO2015173842A1 (ja) * | 2014-05-12 | 2015-11-19 | 三菱電機株式会社 | パラメータ学習装置およびパラメータ学習方法 |
JP2017003203A (ja) * | 2015-06-11 | 2017-01-05 | 株式会社東芝 | 推定装置、推定方法、及び推定プログラム |
JP2018048749A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 推定装置、推定システム、推定方法及び推定プログラム |
JP2020144628A (ja) * | 2019-03-06 | 2020-09-10 | パナソニックIpマネジメント株式会社 | 炭酸ガス濃度予測装置、炭酸ガス濃度予測方法、眠気予測装置、及び眠気予測方法 |
JP2020154976A (ja) * | 2019-03-22 | 2020-09-24 | 株式会社Jvcケンウッド | 車内環境警告装置及び車内環境警告方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010096382A (ja) | 2008-10-15 | 2010-04-30 | Panasonic Corp | 換気装置 |
-
2021
- 2021-03-31 JP JP2021061762A patent/JP2022157502A/ja active Pending
-
2022
- 2022-03-29 WO PCT/JP2022/015676 patent/WO2022210777A1/ja active Application Filing
- 2022-03-29 EP EP22780988.6A patent/EP4317816A1/en active Pending
-
2023
- 2023-09-25 US US18/372,484 patent/US20240011658A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11264590A (ja) * | 1998-03-18 | 1999-09-28 | Mitsubishi Electric Corp | 換気装置の運転方法 |
WO2015173842A1 (ja) * | 2014-05-12 | 2015-11-19 | 三菱電機株式会社 | パラメータ学習装置およびパラメータ学習方法 |
JP2017003203A (ja) * | 2015-06-11 | 2017-01-05 | 株式会社東芝 | 推定装置、推定方法、及び推定プログラム |
JP2018048749A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 推定装置、推定システム、推定方法及び推定プログラム |
JP2020144628A (ja) * | 2019-03-06 | 2020-09-10 | パナソニックIpマネジメント株式会社 | 炭酸ガス濃度予測装置、炭酸ガス濃度予測方法、眠気予測装置、及び眠気予測方法 |
JP2020154976A (ja) * | 2019-03-22 | 2020-09-24 | 株式会社Jvcケンウッド | 車内環境警告装置及び車内環境警告方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022210777A1 (ja) | 2022-10-06 |
US20240011658A1 (en) | 2024-01-11 |
EP4317816A1 (en) | 2024-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vanus et al. | Monitoring of the daily living activities in smart home care | |
Weekly et al. | Modeling and estimation of the humans' effect on the CO 2 dynamics inside a conference room | |
JP2019522163A (ja) | 空調システムを動作させるコントローラー及び空調システムの制御方法 | |
JP6410187B2 (ja) | 空気環境調整システム、制御装置 | |
Han et al. | Occupancy estimation based on CO2 concentration using dynamic neural network model | |
KR102156121B1 (ko) | 실내 공간에 대한 환기 알림 장치 | |
JP6280733B2 (ja) | 空調制御システム及び空調制御方法 | |
JP2018048749A (ja) | 推定装置、推定システム、推定方法及び推定プログラム | |
JP3214317B2 (ja) | 空調装置 | |
JP2016169925A (ja) | 室内環境制御装置、室内環境制御方法及びコンピュータプログラム | |
Jazizadeh et al. | Personalized Thermal Comfort-Driven Control in HVAC-OperatedOffice Buildings | |
JP2020166731A (ja) | 在室人数推定装置および在室人数推定プログラム | |
JP2017003203A (ja) | 推定装置、推定方法、及び推定プログラム | |
Li et al. | A proactive 2-stage indoor CO2-based demand-controlled ventilation method considering control performance and energy efficiency | |
KR20180105798A (ko) | 알레르기 질환 환자 맞춤형 환경 통합관리 시스템 | |
US11530836B2 (en) | Air conditioner and control method thereof | |
WO2022210777A1 (ja) | 機械学習器、換気制御装置、及び、換気制御方法 | |
WO2022059137A1 (ja) | 空調システム、学習装置、および推論装置 | |
US20210034967A1 (en) | Environment controller and methods for validating an estimated number of persons present in an area | |
Rastogi et al. | IoT-based occupancy estimation models for indoor non-residential environments | |
Rastogi et al. | An IoT-based Framework to Forecast Indoor Air Quality using ANFIS-DTMC Model. | |
JP2021189573A (ja) | 情報処理システム、及び、情報処理方法 | |
CN112212481A (zh) | 利用深度强化学习控制环境舒适度的系统及其方法 | |
WO2023112074A1 (ja) | 機器制御装置及び機器制御方法 | |
JP6802325B2 (ja) | 集中度評価装置及び空調最適化制御システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220328 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220328 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220510 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221115 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20230214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240401 |