JP2023120803A - 機器状態予測方法及び機器状態予測システム - Google Patents

Abstract

【課題】機器の過去の使用状況の実績に基づいて、所定の事象の発生及びそのときの当該機器の使い方を予測する機器予測方法及び機器状態予測システムを提供する。【解決手段】機器状態を予測するプログラムにおいて、予測モデル生成部２０３は、機器の稼働状況を示す運転データと、第１の時期の運転データに基づいて第１の時期より後の第２の時期の機器の状態を予測する第１のモデルと、第１の時期の運転データに基づいて第２の時期の機器の使い方を予測する第２のモデルとを生成し、記憶部２０１に記憶する。予測実行部２０４は、取得された第１の時期の運転データを第１のモデルに適用することによって、第２の時期の前記機器の状態を予測するとともに、取得された第１の時期の運転データを第２のモデルに適用することによって、第２の時期の機器の使い方を予測し、第２の時期の機器の状態の予測結果及び第２の時期の機器の使い方の予測結果を出力する。【選択図】図２

Description

本発明は、冷蔵庫等の機器の状態を予測する技術に関する。

機器の故障時期を予測する技術として、例えば特開平１０－２６７５０９号公報（特許文献１）に記載の技術がある。特許文献１には、「機器の運転状態に関するデータに基いて機器の管理を行う運転状態管理装置において、機器の運転状態に関する情報を、当該情報が得られた機器の運転条件毎に分類して保存することにより、過去の運転状態に関するデータベースを構築するデータベース構築手段、および機器の現在の運転状態に関する情報とそれと同一の運転条件におけるデータベース内の過去の情報とに基づいて、機器が故障に至る時期を予測する故障時期予測手段を備えている。」と記載されている。

特開平１０－２６７５０９号公報

一般に、機器が所期の性能を発揮しないなどの問題が発生した場合に、その機器の故障が原因であるとは限らず、その機器の利用者による使い方が原因となっている場合がある。機器の一例として冷蔵庫を挙げると、例えば夏期に庫内の温度が十分に下がらないといった問題が発生することがあるが、一般には利用者によるドアの開閉回数の多さ及び開時間の長さといった使い方が原因である場合が少なくない。このため、将来そのような問題が発生することが予測されるような使い方がされている機器を予め推定することで、問題の発生を未然に回避し、問題に対処するためのサービス担当者の出動回数を減らすことができると考えられる。

特許文献１には、低温ショーケース、冷蔵庫又は冷凍庫等の機器の故障時期を予測する技術として、自機器の過去の運転状態に関する情報に基づいて将来の故障時期を予測する技術が記載されている。しかし、自機器に限らず、多数の機器の過去の使用状況等に基づいて、自機器に所定の事象（例えば夏期の温度上昇等）が発生すること、及び、当該事象が発生するときの機器の使い方を予測する技術は開示されていない。

上記課題の少なくとも一つを解決するために、本発明は、プロセッサと、記憶装置と、を有する機器状態予測システムが実行する機器状態予測方法であって、前記記憶装置は、機器の稼働状況を示す運転データと、第１の時期の前記運転データに基づいて前記第１の時期より後の第２の時期の前記機器の状態を予測する第１のモデルと、前記第１の時期の前記運転データに基づいて前記第２の時期の前記機器の利用者による使い方を予測する第２のモデルと、を保持し、前記機器状態予測方法は、前記プロセッサが、取得された前記第１の時期の前記運転データを前記第１のモデルに適用することによって、前記第２の時期の前記機器の状態を予測する第１の手順と、前記プロセッサが、前記取得された第１の時期の前記運転データを前記第２のモデルに適用することによって、前記第２の時期の前記機器の利用者による使い方を予測する第２の手順と、前記プロセッサが、前記第２の時期の前記機器の状態の予測結果及び前記第２の時期の前記機器の利用者による使い方の予測結果を出力する第３の手順と、を含むことを特徴とする。

本発明の一態様によれば、多数の機器の過去の使用状況の実績に基づいて、機器に例えば夏期の温度上昇等の所定の事象が発生することを予測するとともに、当該事象が発生するときの機器の使い方を予測することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。

本発明の実施例の機器状態予測システムの構成の一例を示すブロック図である。 本発明の実施例のデータ収集・解析サーバが保持する予測プログラムのソフトウェア構成の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが生成する予測モデルの考え方の一例を示す説明図である。 本発明の実施例における冷蔵庫内の温度上昇の要因の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが保持する運転データの一例を示す説明図である。 本発明の実施例における、同じ時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。 本発明の実施例における、異なる時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが春に観測されたデータから夏の温度上昇を予測する予測モデルを生成する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが春の使い方と夏の使い方との関係性を示すモデルを生成する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが気候及び使い方と各種センサデータとの関係性を示すモデルを生成する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが夏の温度上昇を予測する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第１の例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第１の例において表示される画面の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第２の例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第２の例において表示される画面の一例を示す説明図である。

以下、本発明の実施例について図面を参照して説明する。

図１は、本発明の実施例の機器状態予測システムの構成の一例を示すブロック図である。

本実施例の機器状態予測システム１００は、ネットワーク１５０に接続されたデータ収集・解析サーバ１１０と、ネットワーク１５０を介してデータ収集・解析サーバ１１０と通信する複数の冷蔵庫１２０と、を有する。

データ収集・解析サーバ１１０は、互いに接続されたプロセッサ１１２、メモリ１１４、ネットワークインターフェース（Ｉ／Ｆ）１１３及び情報格納部１１１を有する計算機である。

プロセッサ１１２は、メモリ１１４に格納されたプログラムを実行する。

メモリ１１４は、例えば半導体メモリであり、プロセッサ１１２によって実行されるプログラム、プロセッサ１１２によって参照されるデータ、及びプロセッサ１１２から出力されたデータ等を格納する。本実施例のメモリ１１４には、少なくとも、プロセッサ１１２によって実行されるプログラムである予測プログラム１１５が格納される。プロセッサ１１２が予測プログラム１１５を実行することによって実現される処理については後述する。以下に説明する予測プログラム１１５に基づく処理は、プロセッサ１１２によって実行される。

ネットワークＩ／Ｆ１１３は、ネットワーク１５０に接続され、冷蔵庫１２０等と通信する。

情報格納部１１１は、例えばＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）のような記憶装置であってもよい。情報格納部１１１には、例えば、各冷蔵庫１２０から取得した運転データ等が格納される。また、情報格納部１１１には、予測プログラム１１５に基づいて運転データ等を学習することによって生成された予測モデル、及び、予測モデルを使用して予測された結果等が格納されてもよい。

各冷蔵庫１２０は、本実施例の機器状態予測システム１００が状態を予測する対象の機器であり、庫内を低温に保って食品等を保管するために使用される。以下、複数の冷蔵庫１２０の一つの典型的な構成を説明する。他の冷蔵庫１２０の構成も図１に示すものと同様であってよいため、それらに関する図示及び説明は省略する。

冷蔵庫１２０は、互いに接続されたプロセッサ１２４、メモリ１２７、ネットワークＩ／Ｆ１２１、センサ群１２６、外部Ｉ／Ｆ１２５、制御装置１２３及び制御対象機器１２２を備える。

プロセッサ１２４は、メモリ１２７に格納されたプログラムを実行する。

メモリ１２７は、例えば半導体メモリであり、プロセッサ１２４によって実行されるプログラム及びプロセッサ１２４によって参照されるデータ等を格納する。本実施例のメモリ１２７には、プロセッサ１２４によって実行されるプログラムである制御プログラム１２８及びプロセッサ１２４の処理において生成される運転データ一時記憶１２９が格納される。

センサ群１２６は、１以上のセンサを含む。センサ群１２６は、例えば、冷蔵庫１２０内の温度を計測する温度センサ、及び、冷蔵庫１２０のドアの開閉を検知するセンサ等を含んでもよい。冷蔵庫１２０が、例えばいわゆる冷凍室及び冷蔵室など、複数の区画を有する場合、センサ群１２６は、それぞれの区画の温度を計測するセンサ及びそれぞれの区画のドアの開閉を検知するセンサを含んでもよい。また、センサ群１２６は、冷蔵庫の外側の室温を計測するセンサを含んでもよい。

プロセッサ１２４は、制御プログラム１２８に従って、センサ群１２６が計測した冷蔵庫１２０の稼働状況を示すデータを運転データとして取得し、これをメモリ１２７の運転データ一時記憶１２９に格納する。そして、適切なタイミングで（例えば定期的に）運転データ一時記憶１２９の内容をデータ収集・解析サーバ１１０に送信する。送信されたデータは、データ収集・解析サーバ１１０の情報格納部１１１に格納される。

また、プロセッサ１２４は、データ収集・解析サーバ１１０から制御指示を受信すると、制御プログラム１２８に従って、制御指示に応じた処理を実行し、必要があれば制御装置１２３を制御するための制御信号を出力する。制御装置１２３は、制御信号に従って制御対象機器１２２を制御する。制御対象機器１２２は、例えば冷蔵庫１２０の操作パネル及び冷蔵庫１２０の冷却用のコンプレッサー等である。制御装置１２３は、センサ群１２６から取得した庫内の温度を参照して、設定温度に庫内の温度が近づくようにコンプレッサー等を制御してもよいし、所定のタイミングで霜取り動作を行うようにコンプレッサー等を制御してもよい。また、制御対象機器１２２がドア開放の警報器（ブザー等）を含む場合、制御装置１２３は、センサ群１２６から取得したドア開時間に応じて警報を出力するように警報器を制御してもよい。

ネットワークＩ／Ｆ１２１は、ネットワーク１５０に接続され、ネットワーク１５０を介してデータ収集・解析サーバ１１０等との間の通信を実行する。具体的には、例えば、冷蔵庫１２０からの運転データの送信、及び、データ収集・解析サーバ１１０等からの制御指示の受信はこのような通信によって実現される。

外部Ｉ／Ｆ１２５は、冷蔵庫１２０の外部の機器と接続される。例えば、外部Ｉ／Ｆ１２５は、外気温のセンサ（図示省略）等、冷蔵庫１２０の外部のセンサに接続され、そのセンサによって計測されたデータが運転データの一部としてメモリ１２７に格納されてもよい。なお、そのような外部の機器は必須ではないため、外部Ｉ／Ｆ１２５が使用されない場合もある。

本実施例の機器状態予測システム１００は、さらに、冷蔵庫１２０の利用者が使用する端末装置、及び、冷蔵庫１２０の利用者をサポートする業務の担当者が使用する端末装置を含んでもよい。図１には、利用者が使用する端末装置の一例としてスマートフォン１４０が、サポート担当者が使用する端末装置の一例として情報参照・制御用端末１３０が、それぞれ記載されている。

スマートフォン１４０は、ネットワーク１５０を介してデータ収集・解析サーバ１１０等と通信することができる。例えば、利用者はスマートフォン１４０を介して制御指示をデータ収集・解析サーバ１１０等に送信することができる。また、スマートフォン１４０は、データ収集・解析サーバ１１０等から受信した状況表示に関する情報に従って、利用者に対して状況（例えばデータ収集・解析サーバ１１０が予測した冷蔵庫１２０の状況に関する情報等）を表示することができる。

情報参照・制御用端末１３０は、ネットワーク１５０を介してデータ収集・解析サーバ１１０、冷蔵庫１２０及びスマートフォン１４０等と通信することができる。例えば、サポート担当者は、情報参照・制御用端末１３０を介してデータ収集・解析サーバ１１０による予測結果等の情報を参照し、必要に応じて制御指示を冷蔵庫１２０に送信し、注意喚起を冷蔵庫１２０又はスマートフォン１４０に送信することができる。

データ収集・解析サーバ１１０は、ネットワーク１５０を経由して、外部機関１６０から気候に関する情報を取得してもよい。外部機関１６０は、例えば、気象に関する情報を提供する企業又は官公庁等である。取得される気候に関する情報は、各地域の気温、湿度、天候（例えば日照の有無、降雨の有無等）であってもよいし、ある期間の最低気温、最高気温、平均気温、日照時間、降水量といった統計的な情報を含んでもよい。

図２は、本発明の実施例のデータ収集・解析サーバ１１０が保持する予測プログラム１１５のソフトウェア構成の一例を示す説明図である。

本実施例の予測プログラム１１５は、記憶部２０１、特徴量取得部２０２、予測モデル生成部２０３及び予測実行部２０４を含む。

記憶部２０１は、情報格納部１１１に格納された冷蔵庫１２０の運転データ等を参照する。運転データは、過去データ２１１及び最新データ２１２を含む。過去データ２１１は、過去の運転データと、その過去の運転の結果として冷蔵庫１２０内の温度が上昇したかどうかを示す情報とを含む。最新データ２１２は、運転データを含むが、その運転の結果として冷蔵庫１２０内の温度が上昇したかどうかを示す情報は、まだ得られていないため、含まない。

特徴量取得部２０２は、前処理２１３として、過去データ２１１及び最新データ２１２の特徴量を抽出する。予測モデル生成部２０３は、過去データ２１１の特徴量を説明変数とし、それに対応する冷蔵庫１２０内の温度が上昇したか否かを目的変数とするモデル学習２１４を実行し、過去の運転データの特徴量から温度上昇の有無を予測する予測モデル２１５を生成する。

予測実行部２０４は、最新データ２１２の特徴量を予測モデル２１５に入力することによって予測２１６を実行し、予測結果２１７を取得する。

図３は、本発明の実施例のデータ収集・解析サーバ１１０が生成する予測モデル２１５の考え方の一例を示す説明図である。

本実施例による予測の対象は、夏期の冷蔵庫１２０内の温度上昇である。夏には冷蔵庫１２０の使用頻度の増加及び設置環境の温度上昇などによって負荷が上昇するため、庫内の温度上昇（すなわち、庫内が所望の温度まで冷えない）等の事象が発生し、冷蔵庫１２０の修理依頼が増加する傾向にある。特に、冷蔵庫１２０内の冷凍室の内容物が溶けるなど、冷凍機能に関する不具合が発生し、サポート部署への問合せが増加する。このため、夏の冷蔵庫１２０内の温度上昇を、それより前の時点（例えば春の時点）で予測したいというニーズがある。

本実施例のデータ収集・解析サーバ１１０は、前年又はそれ以前の年の春の運転データと夏の温度上昇との関係性を機械学習などによってモデル化し、そのモデルを用いて、今年の春の時点でその春の運転データからその年の（すなわちこれから到来する）夏の温度上昇を予測する。

図３の例では、前年の春以前に購入された個体１及び個体２の二つの冷蔵庫１２０の、春の期間の運転データと、夏の期間の庫内温度とに基づいて、春の運転データと夏の温度上昇の関係性をモデル化することで、温度上昇予測モデル２１５を生成する。そして、個体２と、今年の春以前に購入された個体３及び個体４とを含む三つの冷蔵庫１２０の、今年の春の期間の運転データに温度上昇予測モデル２１５を適用する。これによって、今年の春の時点で、今年の夏の温度上昇を予測する。

図３では説明のために四つの冷蔵庫１２０を示したが、実際にはより多数の冷蔵庫１２０を対象としてモデル化及び予測が行われる。

図４は、本発明の実施例における冷蔵庫１２０内の温度上昇の要因の一例を示す説明図である。

冷蔵庫１２０内の温度上昇のリスク要因として、主に機器（すなわち冷蔵庫１２０自体）に起因するもの、環境に起因するもの、及び使い方に起因するものがあると考えられる。ここで、リスク要因のうち、主に機器に起因するものとして、例えば、冷蔵庫１２０固有の（例えば冷蔵庫１２０の設計又は使用している部品の品質等に起因する）故障リスク、及び、冷蔵庫１２０の経年劣化等が挙げられる。環境に起因するものとして、例えば、設置環境（例えば冷蔵庫と周囲の壁等の物体との距離）、冷蔵庫１２０が置かれた部屋の室温、及び、外気温等が挙げられる。また、使い方に起因するものとして、例えば、ドアの開回数、開時間及び庫内に詰め込む物の量等が挙げられる。

時間経過に対する温度上昇のリスクの大きさの変化の態様（例えば変化の有無、季節に関連する変化の有無等）は、要因ごとに異なる場合がある。例えば、機器に起因するリスクのうち、機器固有の故障リスクは、基本的には変化しないと考えられる。一方、経年劣化に起因するリスクは、季節とは関係なく、時間経過とともに徐々に増加していくと考えられる。

また、環境に起因するリスクのうち、冷蔵庫１２０と周囲の物体との距離のような設置環境は、冷蔵庫１２０自体及びその周辺の物体の配置を変更しない限り、基本的には変化しない。一方、室温及び外気温は季節に関連する変化がある。また、使い方に起因するリスクは、季節に関連して変化しない基本的な使い方に起因するリスクと、季節に関連して変化する使い方に起因するリスクとを含んでいると考えられる。

上記のようなそれぞれの要因のリスクを組み合わせた温度上昇リスクがある限界を超えたときに、実際の温度上昇が発生すると考えられる。上記の通り、季節性があって、春より夏のリスクが高くなるようなリスク要因が含まれること、及び、同一の個体については、時間経過とともに上昇する経年劣化のリスク要因が含まれることから、春の時点での温度上昇のリスクは限界を超えないために実際の温度上昇は発生しないが、その次の夏の時点での温度上昇のリスクが限界を超えることによって実際の温度上昇が発生する場合がある。

図５は、本発明の実施例のデータ収集・解析サーバ１１０が保持する運転データの一例を示す説明図である。

図５に示す運転データ５００は、機器ＩＤ５０１、時刻５０２、冷凍室温度５０３、冷蔵室温度５０４、野菜室温度５０５、室内温度５０６、室内湿度５０７、冷凍室ドア開時間５０８、冷凍室ドア開回数５０９、冷蔵室左ドア開時間５１０、冷蔵室左ドア開回数５１１、冷蔵室右ドア開時間５１２、冷蔵室右ドア開回数５１３、冷蔵室温度調整５１４、冷凍室温度調整５１５、急速製氷モード５１６、節電モード５１７、モータ回転数５１８、圧縮機温度５１９及び除霜運転５２０を含む。

機器ＩＤ５０１は、各冷蔵庫１２０の識別情報である。時刻５０２は、センサ群１２６によってデータが取得された時刻を示す。冷凍室温度５０３、冷蔵室温度５０４及び野菜室温度５０５は、冷蔵庫１２０が区画として冷凍室、冷蔵室及び野菜室を有する場合に、センサ群１２６のうち冷凍室の温度を計測するセンサ、冷蔵室の温度を計測するセンサ及び野菜室の温度を計測するセンサがそれぞれ計測した温度を示す。

室内温度５０６及び室内湿度５０７は、それぞれ、センサ群１２６のうち冷蔵庫１２０の外側に設置された温度センサ及び湿度センサが計測した、冷蔵庫１２０が設置された部屋の温度及び湿度を示す。

冷凍室ドア開時間５０８及び冷凍室ドア開回数５０９は、それぞれ、センサ群１２６のうち冷凍室のドアの開閉を検知するセンサが計測したドアの開時間及び開回数である。

冷蔵室左ドア開時間５１０及び冷蔵室左ドア開回数５１１は、それぞれ、冷蔵室がいわゆる観音開きのドアを有する場合に、センサ群１２６のうち冷蔵室の左ドアの開閉を検知するセンサが計測した左ドアの開時間及び開回数である。冷蔵室右ドア開時間５１２及び冷蔵室右ドア開回数５１３は、それぞれ、センサ群１２６のうち冷蔵室の右ドアの開閉を検知するセンサが計測した右ドアの開時間及び開回数である。

冷蔵室温度調整５１４及び冷凍室温度調整５１５は、それぞれ、利用者によって調整された冷蔵室及び冷凍室の温度を示す。冷蔵室温度調整５１４及び冷凍室温度調整５１５の値は、具体的な温度であってもよいが、冷蔵室及び冷凍室の冷却の強度の設定値であってもよい。図５には後者の例を示している。

急速製氷モード５１６は、利用者によって設定された冷蔵庫１２０の製氷機能のモードを示す。図５の例では、急速製氷モード５１６は、急速製氷モード（すなわち製氷機能の冷却の強度を増して製氷に要する時間を短縮するモード）が設定されているか否かを示す。

節電モード５１７は、利用者によって設定された冷蔵庫１２０の消費電力のモードを示す。図５の例では、節電モード５１７は、節電モード（すなわち消費電力を抑制するモード）が設定されているか否かを示す。

モータ回転数５１８は、冷媒を圧縮するための圧縮機を駆動するモータの回転数を示す。圧縮機温度５１９は、冷媒を圧縮するための圧縮機の温度を示す。これらは、センサ群１２６のうちモータの回転を検出するセンサ及び圧縮機に取り付けられた温度センサによって計測される。

除霜運転５２０は、冷蔵庫が霜取りのための運転を行っているか否かを示す。

図５に示した運転データとして保持されたセンサデータの項目は一例であり、実際の運転データは上記の項目の少なくともいずれかを含まなくてもよいし、上記以外の項目をさらに含んでもよい。

図５の例では、列５２１に、機器ＩＤ「００００１」によって識別される冷蔵庫１２０のセンサ群１２６が２０２０年１月１日の１２時３５分に計測した運転データが格納されている。この例では、当該時刻の冷凍室温度が－１８．５℃、冷蔵室温度が３．３℃、野菜室温度が３．５℃、室内温度が１８．５℃、室内湿度が５５％、冷凍室ドアの開時間及び開回数がそれぞれ１５秒及び２回、冷蔵室左ドアの開時間及び開回数がそれぞれ０秒及び０回、冷蔵室右ドアの開時間及び開回数がそれぞれ３秒及び１回、冷蔵室の温度調整が中、冷凍室の温度調整が強、急速製氷モードが設定されており、節電モードが設定されておらず、モータ回転数は３０００ｒｐｍ、圧縮機の温度は５０．１℃、除霜運転は停止中である。

この例では運転データが１分ごとに記録されるため、ドアの開時間及び開回数は、例えば１２時３４分から３５分までの１分間の開時間の合計及び開回数である。また、温度、湿度、モータ回転数等は、その１分間のうち１時点における計測値であってもよいし、その１分間に複数回計測された値の平均値等であってもよい。

同様に、列５２２には、機器ＩＤ「００００１」によって識別される冷蔵庫１２０のセンサ群１２６が２０２０年１月１日の１２時３６分に計測した運転データが格納される。また、列５２３及び列５２４には、それぞれ、機器ＩＤ「００００２」によって識別される冷蔵庫１２０のセンサ群１２６が２０２０年１月１日の１２時３５分及び３６分に計測した運転データが格納される。図５では省略されているが、各冷蔵庫１２０について、他の時刻の運転データも格納され、さらに他の冷蔵庫１２０についての各時刻の運転データも格納される。このように、各冷蔵庫１２０の各時刻における運転データが情報格納部１１１に格納される。

図６は、本発明の実施例における、同じ時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。

本実施例における運転データは、気候に関するデータ、利用者による冷蔵庫１２０の使い方に関するデータ、及び、冷蔵庫１２０の制御に関する各種センサデータに分類することができる。図５の例において、室内温度５０６及び室内湿度５０７は気候に関するデータに分類される。外部機関１６０から気候に関する情報が取得された場合には、その情報も気候に関するデータに相当する。気候に関するデータは、原則として、利用者が制御することはできない。ただし、室内温度５０６及び室内湿度５０７に関しては利用者が制御できる場合がある。

図５の例において、冷凍室ドア開時間５０８から節電モード５１７までのデータは、利用者による冷蔵庫１２０の使い方に関するデータ（以下、単に使い方に関するデータとも記載する）に相当する。使い方は、利用者が制御することができる。

図５の例において、冷凍室温度５０３から野菜室温度５０５及びモータ回転数５１８から除霜運転５２０までのデータは、冷蔵庫１２０の制御に関する各種センサデータ（以下、単に各種センサデータとも記載する）に相当する。これらは、冷蔵庫１２０が制御プログラム１２８に従って気候及び利用者の使い方に応じて行う冷蔵庫１２０内の各部の制御の状況（例えば制御量、制御の設定値及び制御の結果として生じる冷蔵庫１２０の状況等）を示すデータである。このため、利用者は、少なくとも直接的には各種センサデータを制御することはできない。

次に、分類されたデータ間の関係について説明する。以下、気候に関するデータをａ、使い方に関するデータをｂ、各種センサデータをｃによって識別する。ある時期における庫内の温度上昇に相当する目的変数をＸとすると、同じ時期の上記のａからｃのデータを説明変数として、機械学習等を行うことによって、下記の式（１）のモデルが生成できる。

Ｘ＝ｆ１（ａ，ｂ，ｃ） ・・・（１）

一方、ある時期の利用者の使い方に関するデータｂは、同じ時期の気候データａを入力とし、各利用者の使い方の個人差、家族構成等と季節による変動とを加味した下記の式（２）のモデルによって表される。

ｂ＝ｆ２（ａ） ・・・（２）

さらに、ある時期の冷蔵庫１２０の制御の結果として観測される各種センサデータｃは、同じ時期の気候に関するデータａ及び使い方に関するデータｂを入力とし、個々の冷蔵庫１２０の内部要因及び環境要因に基づいて、下記の式（３）のモデルによって表される。

ｃ＝ｆ３（ａ，ｂ） ・・・（３）

図７は、本発明の実施例における、異なる時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。

ここでは、異なる時期の例として、春と、その次に到来する夏とを挙げて説明するが、それ以外の互いに前後する時期についても、それぞれの時期が具体的にどの季節に該当するか、及び、それらの時期がどれだけ離れているかにかかわらず、本発明を適用することができる。

以下の説明では、夏の温度上昇をＸ、夏の気候に関するデータをａ、夏の使い方に関するデータをｂ、夏の各種センサデータをｃと記載する。一方、その前の春の温度上昇をＸ’、春の気候に関するデータをａ’、春の使い方に関するデータをｂ’、春の各種センサデータをｃ’と記載する。

図６に示した同じ時期のデータに関するモデルの説明変数を異なる時期の説明変数に置き換えることによって、異なる時期のデータに関するモデルが生成される。

夏の庫内温度の上昇Ｘを得るモデルとして、その前の春に観測されたデータａ’、ｂ’、ｃ’を説明変数とする次の式（４）のモデルが生成できる。春に観測されたデータａ’、ｂ’、ｃ’と夏の庫内温度の上昇Ｘとの間に必ず因果関係があるとは限らないが、予測モデル生成部２０３は、過去に観測されたデータを学習することによって関係性を示すモデルを生成することはできる。

Ｘ＝Ｆ１（ａ’，ｂ’，ｃ’） ・・・（４）

上記の式（４）は、ある時期の運転データに基づいてそれより後の時期の温度上昇の発生を予測するモデルの一例であり、本実施例で生成されるモデルはこれに限定されない。例えば、上記の例では春の運転データに基づいて夏の温度上昇が予測されるが、春より前の時期の運転データに基づいて夏の温度上昇を予測するモデルが生成されてもよい。これは、後述する別の予測モデルについても同様である。また、上記の式（４）の例では説明変数として春の気候に関するデータａ’、春の使い方に関するデータｂ’及び春の各種センサデータｃ’の全てを含んでいるが、これらの一部を含まない説明変数に基づく予測モデルが生成されてもよい。

上記の式（４）のモデルによって、春に観測されたデータから夏の温度上昇を予測することはできるが、仮にこのモデルによって夏に温度上昇すると予測されたとして、そのときにどのような利用者の使い方が想定されているかを知ることはできない。想定される夏の利用者の使い方を事前に知ることができれば、実際に夏が到来したときに想定されたものと異なる使い方をすることによって、温度上昇を抑制できる可能性がある。そこで、予測モデル生成部２０３は、春の使い方ｂ’と夏の使い方ｂの関係性を示す次の式（５）に示すモデルも生成する。

ｂ＝Ｆ２（ａ，ｂ’） ・・・（５）

これによって、予測実行部２０４は、上記の式（４）のモデルを使って夏に温度上昇が発生すると予測された冷蔵庫１２０について、当該冷蔵庫１２０の春の使い方から、上記（５）のモデルによって夏の使い方を予測する。このとき、モデルに入力する夏の気候に関するデータａとして、例えば外部機関１６０から取得した夏の予報値を使用してもよい。そして、温度上昇のリスクを低減するために、予測された夏の使い方がされないように利用者に注意喚起するなど、対策を行うことができる。

また、サポート担当者に対して、当該冷蔵庫１２０の温度上昇が予測されることを伝えることによって、予測結果を活かした迅速なサポートを行うことができる。また、冷蔵庫１２０の製造者は、予測された使い方に対応した適切な制御が行われるように製品開発に役立てることができる。

上記の式（５）は、ある時期の使い方に基づいて、それより後の時期の使い方を予測するモデルの一例であり、本実施例で生成されるモデルはこれに限定されない。例えば、上記の式（５）の例では、春の使い方に関するデータｂ’と、夏の気候に関するデータａと、に基づいて夏の使い方ｂが予測されるが、春の使い方に関するデータｂ’のみに基づいて夏の使い方を予測するモデルが生成されてもよい。あるいは、春の使い方に関するデータｂ’に加えて、春の気候に関するデータａ’及び春の各種センサデータｃ’の少なくとも一方を含む説明変数に基づく予測モデルが生成されてもよい。

さらに、予測モデル生成部２０３は、ある気候条件の下での利用者の使い方と各種センサ情報との関係を示す次の式（６）に示すモデルを生成する。これは、図５を参照して説明した式（３）に示すモデルと同様のものであってもよい。

ｃ＝Ｆ３（ａ，ｂ） ・・・（６）

例えば、実際に夏に温度上昇が発生した冷蔵庫１２０について、そのときの気候に関するデータａと利用者の使い方に関するデータｂとを上記の式（６）のモデルに適用することで得られた各種センサデータｃに対して、実際に当該冷蔵庫１２０から得られた各種センサデータが大きく乖離しているなど、両者を比較した結果が所定の条件を満たす場合には、当該発生した温度上昇が利用者の使い方ではなく冷蔵庫１２０の故障又は経年劣化等に起因することが疑われる。このため、データ収集・解析サーバ１１０は、冷蔵庫１２０の利用者又はサポート担当者に当該冷蔵庫１２０の故障に関する情報を出力することで、早急にサポートをするといった対策を行うことができる。

図８は、本発明の実施例のデータ収集・解析サーバ１１０が春に観測されたデータから夏の温度上昇を予測する予測モデルを生成する処理の一例を示す説明図である。

春に観測されたデータから夏の温度上昇を予測する予測モデル（すなわち上記の式（４）のモデル）を生成する処理は、例えば定期的に実行される。処理が開始されると（ステップ８０１）、予測モデル生成部２０３は、記憶部２０１に格納されている過去データ２１１から所定の期間のデータを抽出する（ステップ８０２）。例えば、予測モデル生成部２０３は、各冷蔵庫１２０のある年の春の所定の期間の運転データと、その年の夏の所定の期間の運転データとを抽出してもよい。

次に、予測モデル生成部２０３は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理として目的変数及び説明変数を作成する（ステップ８０３）。具体的には、予測モデル生成部２０３は、以下のステップ８０４～８０７を実行する。まず、予測モデル生成部２０３は、各個体の運転データに含まれる夏の期間の庫内温度を参照して、夏の庫内温度の上昇が発生したかを判定する（ステップ８０４）。例えば、各個体の冷凍室、製氷室、冷蔵室などの温度が所定の閾値を超える時間の合計及び継続時間の長さ等を集計し、それらが所定の条件を満たす場合に庫内の温度上昇が発生したと判定してもよい。温度上昇が発生したと判定された個体にはフラグが付される。この判定結果は、生成する予測モデルの目的変数に相当する。

次に、予測モデル生成部２０３は、春の期間の運転データ、具体的には春の気候に関するデータ、春の使い方に関するデータ及び春の各種センサデータを集計する（ステップ８０５）。次に、予測モデル生成部２０３は、集計した春の運転データの特徴量を抽出する（ステップ８０６）。この特徴量は、生成する予測モデルの説明変数に相当する。次に、予測モデル生成部２０３は、冷蔵庫１２０の個体ごとに、学習用の目的変数と説明変数との組を生成する（ステップ８０７）。

次に、予測モデル生成部２０３は、生成した目的変数と説明変数との組を用いて機械学習を行い（ステップ８０８）、それまでに保持していた予測モデルを機械学習によって新たに得られた予測モデルに更新する（ステップ８０９）。以上で春に観測されたデータから夏の温度上昇を予測する予測モデルを生成する処理が終了する（ステップ８１０）。

なお、上記の処理における運転データの特徴量の抽出方法及び機械学習の方法は限定されず、公知の方法を含めた任意の方法で行うことができる。後述する図９及び図１０の処理においても同様である。

図９は、本発明の実施例のデータ収集・解析サーバ１１０が春の使い方と夏の使い方との関係性を示すモデルを生成する処理の一例を示す説明図である。

春の使い方と夏の使い方との関係性を示すモデル（すなわち上記の式（５）のモデル）を生成する処理は、例えば定期的に実行される。処理が開始されると（ステップ９０１）、予測モデル生成部２０３は、記憶部２０１に格納されている過去データ２１１から所定の期間の運転データを抽出する（ステップ９０２）。例えば、予測モデル生成部２０３は、各冷蔵庫１２０のある年の春の所定の期間の運転データと、その年の夏の所定の期間の運転データとを抽出してもよい。

次に、予測モデル生成部２０３は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理として目的変数及び説明変数を作成する（ステップ９０３）。具体的には、予測モデル生成部２０３は、以下のステップ９０４～９０７を実行する。まず、予測モデル生成部２０３は、各個体の運転データに含まれる夏の期間の使い方に関するデータを集計する（ステップ９０４）。集計された使い方に関するデータは、生成するモデルの目的変数に相当する。

次に、予測モデル生成部２０３は、春の期間の使い方に関するデータと、夏の期間の気候に関するデータとを集計する。（ステップ９０５）。次に、予測モデル生成部２０３は、集計した春の使い方に関するデータ及び夏の気候に関するデータの特徴量を抽出する（ステップ９０６）。この特徴量は、生成するモデルの説明変数に相当する。次に、予測モデル生成部２０３は、冷蔵庫１２０の個体ごとに、学習用の目的変数と説明変数との組を生成する（ステップ９０７）。

次に、予測モデル生成部２０３は、生成した目的変数と説明変数との組を用いて機械学習を行い（ステップ９０８）、それまでに保持していたモデルを機械学習によって新たに得られたモデルに更新する（ステップ９０９）。以上で春の使い方と夏の使い方との関係性を示すモデルを生成する処理が終了する（ステップ９１０）。

図１０は、本発明の実施例のデータ収集・解析サーバ１１０が気候及び使い方と各種センサデータとの関係性を示すモデルを生成する処理の一例を示す説明図である。

気候及び使い方と各種センサデータとの関係性を示すモデル（すなわち上記の式（６）のモデル）を生成する処理は、例えば定期的に実行される。処理が開始されると（ステップ１００１）、予測モデル生成部２０３は、記憶部２０１に格納されている過去データ２１１から所定の期間の運転データを抽出する（ステップ１００２）。例えば、予測モデル生成部２０３は、各冷蔵庫１２０のある年の夏の所定の期間の運転データを抽出してもよい。

次に、予測モデル生成部２０３は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理として目的変数及び説明変数を作成する（ステップ１００３）。具体的には、予測モデル生成部２０３は、以下のステップ１００４～１００７を実行する。まず、予測モデル生成部２０３は、各個体の運転データに含まれる夏の期間の各種センサデータを集計する（ステップ１００４）。集計された各種センサデータは、生成するモデルの目的変数に相当する。

次に、予測モデル生成部２０３は、夏の期間の気候に関するデータ及び使い方に関するデータを集計する。（ステップ１００５）。次に、予測モデル生成部２０３は、集計した夏の期間の気候に関するデータ及び使い方に関するデータの特徴量を抽出する（ステップ１００６）。この特徴量は、生成するモデルの説明変数に相当する。次に、予測モデル生成部２０３は、冷蔵庫１２０の個体ごとに、学習用の目的変数と説明変数との組を生成する（ステップ１００７）。

次に、予測モデル生成部２０３は、生成した目的変数と説明変数との組を用いて機械学習を行い（ステップ１００８）、それまでに保持していたモデルを機械学習によって新たに得られたモデルに更新する（ステップ１００９）。以上で気候及び使い方と各種センサデータとの関係性を示すモデルを生成する処理が終了する（ステップ１０１０）。

図１１は、本発明の実施例のデータ収集・解析サーバ１１０が夏の温度上昇を予測する処理の一例を示す説明図である。

予測の処理が開始されると（ステップ１１０１）、予測実行部２０４は、記憶部２０１に格納された運転データから所定の期間のデータを抽出する。例えば、春の時点で、まだ到来していないその年の夏の温度上昇を予測する場合、予測実行部２０４は、最新データ２１２に含まれるその春の運転データを抽出する。

次に、予測実行部２０４は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理を実行する（ステップ１１０３）。具体的には、予測実行部２０４は、以下のステップ１１０４～１１０６を実行する。まず、予測実行部２０４は、取得した春の運転データ、具体的には春の気候に関するデータ、春の使い方に関するデータ及び春の各種センサデータを集計する（ステップ１１０４）。次に、予測実行部２０４は、集計した春の運転データの特徴量を抽出する（ステップ１１０５）。この特徴量の抽出は、図８のステップ８０６と同様に実行することができる。そして、予測実行部２０４は、抽出した特徴量を説明変数として上記の式（４）の予測モデルに適用する（ステップ１１０６）。

次に、予測実行部２０４は、上記の説明変数をモデルに適用することで得られた予測結果を取得する（ステップ１１０７）。これによって、冷蔵庫１２０の個体ごとに、夏の温度上昇が発生するかが判定される。

次に、予測実行部２０４は、予測の結果として夏の温度上昇が「あり」と判定された個体に対して、使い方及び各種センサデータの予測を実行する（ステップ１１０８）。具体的には、予測実行部２０４は、以下のステップ１１０９～１１１１を実行する。まず、予測実行部２０４は、ステップ１１０２で抽出された運転データに含まれる春の使い方に関するデータを集計したものを用いて、説明変数とする特徴量を抽出する（ステップ１１０９）。このとき、予測実行部２０４は、外部機関１６０等から夏の気候の予報を取得して、春の使い方に関するデータ、及び、夏の気候の予報から生成された夏の気候に関するデータの特徴量を抽出してもよい。この特徴量の抽出は、図９のステップ９０６と同様に実行することができる。

次に、予測実行部２０４は、ステップ１１０９で抽出した特徴量を説明変数として上記の式（５）の予測モデルに適用する（ステップ１１１０）。さらに、予測実行部２０４は、ステップ１１１０で得られた夏の使い方に関するデータの予測値を上記の式（６）の予測モデルに適用する（ステップ１１１１）。例えば、予測実行部２０４は、夏の気候の予報に基づく夏の気候に関するデータと、ステップ１１１０で得られた夏の使い方に関するデータの予測値との特徴量を抽出して、それを式（６）の予測モデルに適用する。この特徴量の抽出は、図１０のステップ１００６と同様に実行することができる。

そして、予測実行部２０４は、ステップ１１０８の結果として、夏の使い方のデータの予測値及び夏の各種センサデータの予測値を取得し（ステップ１１１２）、取得した予測結果（すなわち式（４）、（５）、（６）の予測モデルに基づく予測結果）を出力する（ステップ１１１３）。

図１２は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第１の例を示す説明図である。

具体的には、図１２には、夏の冷蔵庫１２０内の温度上昇を予測した結果を、冷蔵庫１２０のサポート担当者の業務に活用する例を示している。この例では、情報参照・制御用端末１３０が、操作者からの入力に従って、予測の条件を設定し、データ収集・解析サーバ１１０の予測プログラム１１５を呼び出す（ステップ１２０１）。ここで設定される条件は、例えば、予測対象の時期（図１２の例では夏の所定の期間）、予測モデルに入力するデータの取得時期（図１２の例では春の所定の期間）等であってもよい。また、予測の対象となる冷蔵庫１２０が限定される場合は、その限定の条件（例えば機種又は設置されている地域等）が設定されてもよい。

データ収集・解析サーバ１１０は、設定された条件に従って、格納済み運転データ１２０２から春の運転データ１２０３を抽出し、それを予測モデル１２０４に適用することによって、夏の温度上昇の予測を実行し、その結果を情報参照・制御用端末１３０に出力する（ステップ１２０５）。ここで、格納済み運転データ１２０２は図２に示した記憶部２０１に格納された運転データであり、抽出された春の運転データ１２０３は最新データ２１２に相当し、予測モデル１２０４は予測モデル２１５（具体的には式（４）～（６）の予測モデル）に相当し、ステップ１２０５は図８から図１０の処理に相当する。

情報参照・制御用端末１３０は、データ収集・解析サーバ１１０から取得した予測結果を集計して、分析した結果をサポート担当者に提示する（ステップ１２０６）。サポート担当者は、提示された集計及び分析の結果を確認して、対策することができる（ステップ１２０７）。ステップ１２０６において実行される集計及び分析の結果、及びそれを提示するための画面の例については、図１３を参照して説明する。

なお、上記の例では情報参照・制御用端末１３０がステップ１２０６を実行しているが、データ収集・解析サーバ１１０が予測結果の集計及び分析を実行してその結果を情報参照・制御用端末１３０に送信し、情報参照・制御用端末１３０がその結果をサポート担当者に提示してもよい。

図１３は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第１の例において表示される画面の一例を示す説明図である。

図１３に示す２０２１年夏の温度上昇予測レポート画面１３０１は、情報参照・制御用端末１３０の表示装置（図示省略）が表示する画面の一例である。この例では、全国に設置された所定の機種の冷蔵庫の地域ごとの登録台数と、そのうちの、２０２１年春の運転データから２０２１年夏に温度上昇のリスクが高いと判定された個体の数と、その割合と、が表示される。温度上昇のリスクとは、予測モデルに基づいて予測された夏の温度上昇の発生の尤度であってもよい。ここで、操作者が、いずれかの地域を選択して、温度上昇のリスクが高い機器の一覧を見ることを指示した場合、例えば画面１３０２が表示される。

画面１３０２は、ユーザが関西地方のうち奈良県を選択した場合の温度上昇予測レポート画面である。この例では、登録されている当該機種の冷蔵庫１２０の個体のうち、奈良県に設置された各個体の情報のリストが表示される。このリストは、例えば、個体のＩＤ、購入日、使用歴、温度上昇リスク、春の運転データから予想される夏のリスク要因及びクレーム回数等を含む。ここで、使用歴は購入日から現時点までの経過期間、温度上昇リスクは予測モデルによって予測されたリスク値、クレーム回数は各個体について既にサポート担当者に対して行われた利用者からのクレームの回数である。

ここで、春の運転データから予想される夏のリスク要因は、式（５）のモデルに基づいて予測された夏の使い方から推定されるものであり、例えば予測されたある個体のドアの開閉回数が全国平均（又は当該個体が属する地域の平均）と比較して多いほど、それが温度上昇の要因となるリスクが高いと判定されてもよい。その具体的な例については図１５を参照して後述する。春の運転データから予想される夏のリスク要因は、算出されたリスクが高い順に表示されてもよい。

図１４は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第２の例を示す説明図である。

具体的には、図１４には、夏の冷蔵庫１２０内の温度上昇を予測した結果を、冷蔵庫１２０の利用者の使い方に対するアドバイスに活用する例を示している。この例では、情報参照・制御用端末１３０が予測の条件を設定して予測プログラム１１５を呼び出す処理（ステップ１２０１）は、図１２に示したものと同様である。また、データ収集・解析サーバ１１０はが設定された条件に従って夏の温度上昇の予測を実行し、その結果を情報参照・制御用端末１３０に出力する（ステップ１２０５）までの処理も、図１２に示したものと同様である。

情報参照・制御用端末１３０は、データ収集・解析サーバ１１０から取得した予測結果を参照して、夏の温度上昇のリスクが高い冷蔵庫１２０の個体を抽出し、それぞれのリスク要因の一覧を作成する（ステップ１４０１）。そして、情報参照・制御用端末１３０は、リスクが高い冷蔵庫１２０へのアラート又はその冷蔵庫１２０の利用者の端末装置（例えばスマートフォン１４０）への通知を送信する。

冷蔵庫１２０は、受信した通知を例えば操作パネルに表示してもよい。あるいは、スマートフォン１４０が受信した通知を表示してもよい。利用者は、表示されたアラート等を確認し、使い方を変更するなどの対策を行うことができる（ステップ１４０３）。スマートフォン１４０を介して利用者に表示される画面の例については、図１５を参照して説明する。

また、ステップ１４０１において、情報参照・制御用端末１３０は、データ収集・解析サーバ１１０から取得した上記の式（６）の予測モデルに基づく夏の各種センサデータの予測値と、夏に実際に取得された各種センサデータの値とを比較して、両者の乖離が所定の基準より大きいなど、所定の条件が満たされる場合には、当該冷蔵庫１２０の故障のリスクが高いと判断して、当該冷蔵庫１２０の故障に関する情報をサポート担当者に対して出力してもよい。あるいは、情報参照・制御用端末１３０は、当該冷蔵庫１２０の故障に関する情報を当該冷蔵庫１２０又はスマートフォン１４０に対して送信し、当該冷蔵庫１２０又はスマートフォン１４０がその情報を利用者に対して出力してもよい。

なお、上記の例では情報参照・制御用端末１３０がステップ１４０２及び１４０３を実行しているが、データ収集・解析サーバ１１０がステップ１４０２及び１４０３を実行してその結果を冷蔵庫１２０又はスマートフォン１４０に送信してもよい。

図１５は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第２の例において表示される画面の一例を示す説明図である。

図１５に示す冷蔵庫使い方ナビ画面１５０１は、予測モデルに基づいて夏の温度上昇リスクが高いと判定された冷蔵庫１２０の利用者のスマートフォン１４０の表示装置（図示省略）が、情報参照・制御用端末１３０からの通知に基づいて表示する画面の一例である。

冷蔵庫使い方ナビ画面１５０１は、例えば、送信先の利用者の冷蔵庫１２０の夏の温度上昇リスクが高いことを通知して注意を促すメッセージ表示部１５０２と、予想される具体的なリスク値を表示するリスク値表示部１５０３と、リスク低減のためのアドバイスを表示するアドバイス表示部１５０４と、を含んでもよい。

リスク値表示部１５０３には、例えば、リスク要因ごとに予測されるリスク値及びその評価が表示される。リスク要因は、例えば、当該冷蔵庫１２０の冷蔵室ドア、冷凍室ドア及び野菜室ドアの開回数及び開時間を含んでもよいし、冷蔵室、冷凍室及び野菜室への物の詰め込みの程度を含んでもよいし、氷温室の利用状況及び急速製氷の回数等を含んでもよい。また、ここでのリスク値は、それぞれのリスク要因について式（５）の予測モデルに基づいて計算された当該冷蔵庫１２０の使い方に関するデータの予測値（例えばドア開回数）を全国平均と比較した結果であってもよい。

図１５の例では、予測値が全国平均と同じである場合には５０となり、予測値が全国平均より大きい場合には５０より大きくなり、予測値が全国平均より小さい場合には５０より小さくなり、最大値が１００、最小値が０となるように算出されたリスク値が使用される。そして、リスク要因ごとのリスク値の評価は、例えば、リスク値の大きさのランクであり、「高い」「やや高い」「やや低い」「低い」などであってもよい。

この例ではリスク値は各個体の使い方に関するデータの予測値を全国平均と比較した結果であるが、利用者の選択に応じて、全国平均の代わりに当該冷蔵庫１２０が設置された地域の平均と比較した結果をリスク値として使用してもよい。また、利用者からの指示に従って、当該冷蔵庫１２０の直近の利用履歴を表示してもよい。利用履歴の図示は省略するが、例えば直近の過去数日分のドア開回数、開時間等の情報が表示されてもよい。

アドバイス表示部１５０４には、例えばリスク値表示部１５０３に表示されたリスク要因のうちリスク値の大きさのランクが高いものについて、それを低減するためのアドバイスが表示される。例えば、ドアの開時間のリスク値が高いと評価された場合には、ドアの開時間を短くするためのアドバイス等が表示されてもよい。

なお、本実施例では冷蔵庫１２０の庫内の温度が夏期に上昇することを予測する例を示した。しかし、冷蔵庫以外の機器についても、同様に、過去の使用状況を示すセンサデータに基づいて、所期の性能が発揮されないなどの所定の事象が発生する機器を推定するモデル、そのときの機器の使い方を予測するモデル等を作成することができる。これによって、任意の種類の機器を対象として、将来問題が発生する機器を推定し、使い方の改善の提案等を行うことができる。

また、本発明の実施形態のシステムは次のように構成されてもよい。

（１）プロセッサ（例えばプロセッサ１１２）と、記憶装置（例えば情報格納部１１１）と、を有する機器状態予測システム（例えば機器状態予測システム１００）が実行する機器状態予測方法であって、記憶装置は、機器の稼働状況を示す運転データ（例えば運転データ５００）と、第１の時期の運転データに基づいて第１の時期より後の第２の時期の機器の状態を予測する第１のモデル（例えば式（４）のモデル）と、第１の時期の運転データに基づいて第２の時期の機器の利用者による使い方を予測する第２のモデル（例えば式（５）のモデル）と、を保持し、機器状態予測方法は、プロセッサが、取得された第１の時期の運転データを第１のモデルに適用することによって、第２の時期の機器の状態を予測する第１の手順（例えばステップ１１０２～１１０７）と、プロセッサが、取得された第１の時期の運転データを第２のモデルに適用することによって、第２の時期の機器の利用者による使い方を予測する第２の手順（例えばステップ１１０９～１１１０、１１１２）と、プロセッサが、第２の時期の機器の状態の予測結果及び第２の時期の機器の利用者による使い方の予測結果を出力する第３の手順（例えばステップ１１１３）と、を含む。

これによって、所定の事象の発生に加えて、その事象の発生に関連する機器の使い方を予測し、事象の発生リスク低減のための対策に利用することができる。

（２）上記（１）において、機器は、冷蔵室及び冷凍室の少なくとも一方を有する冷蔵庫（例えば冷蔵庫１２０）であり、第２の時期は、夏の時期であり、運転データは、気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータを含み、第１のモデルは、第１の時期の気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータの少なくともいずれかに基づいて、第２の時期の機器内の温度の上昇を予測するモデルであり、第２のモデルは、少なくとも第１の時期の機器の利用者による使い方に関するデータに基づいて、第２の時期の機器の利用者による使い方を予測するモデルであり、第１の手順において、プロセッサは、取得された第１の時期の気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータの少なくともいずれかを第１のモデルに適用することによって、将来の第２の時期の機器内の温度の上昇を予測し、将来の第２の時期の機器内の温度が上昇すると予測された場合、第２の手順において、プロセッサは、取得された第１の時期の機器の利用者による使い方に関するデータを第２のモデルに適用することによって、将来の第２の時期の機器の利用者による使い方を予測する。

これによって、冷蔵庫内の温度上昇の発生を予測するとともに、温度上昇の発生が予測されるときの冷蔵庫の使い方を予測し、温度上昇リスク低減のための対策に利用することができる。

（３）上記（２）において、記憶装置は、将来の第２の時期の気候に関するデータの予測値をさらに保持し、第２のモデルは、第１の時期の機器の利用者による使い方に関するデータ（例えば式（５）のｂ’）と、第２の時期の気候に関するデータ（例えば式（５）のａ）と、に基づいて、第２の時期の機器の利用者による使い方（例えば式（５）のｃ）を予測するモデルであり、第２の手順において、プロセッサは、取得された第１の時期の機器の利用者による使い方に関するデータと、将来の第２の時期の気候に関するデータの予測値と、を第２のモデルに適用することによって、将来の第２の時期の機器の利用者による使い方を予測する。

これによって、将来の使い方を精度よく予測することができる。

（４）上記（３）において、記憶装置は、第２の時期の気候に関するデータ及び機器の利用者による使い方に関するデータに基づいて、第２の時期の機器の制御の状態を計算する第３のモデル（例えば式（６）のモデル）をさらに保持し、機器状態予測方法は、プロセッサが、取得した第２の時期の気候に関するデータと、取得した第２の時期の機器の利用者による使い方に関するデータと、を第３のモデルに適用することによって、第２の時期の機器の制御の状態を計算し、第３のモデルに基づいて計算された第２の時期の機器の制御の状態と、第２の時期に実際に取得された機器の制御の状態とを比較し、両者の乖離の大きさが所定の条件を満たす場合に、機器の故障に関する情報を出力する第４の手順（例えばステップ１１０９～１１１３）をさらに含む。

これによって、機器における故障の発生を推定し、故障への対策に利用することができる。

（５）上記（４）において、プロセッサが、過去の第２の時期の機器内の温度と、当該過去の第２の時期より前の第１の時期の気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータの少なくともいずれかと、を学習することによって、第１のモデルを生成する第５の手順（例えば図８）と、プロセッサが、過去の第２の時期の機器の利用者による使い方に関するデータと、当該過去の第２の時期の気候に関するデータと、当該過去の第２の時期より前の第１の時期の機器の利用者による使い方に関するデータと、を学習することによって、第２のモデルを生成する第６の手順（例えば図９）と、プロセッサが、過去の第２の時期の機器の制御の状態に関するデータと、当該過去の第２の時期の気候に関するデータと、当該過去の第２の時期の機器の利用者による使い方に関するデータと、を学習することによって、第３のモデルを生成する第７の手順（例えば図１０）と、をさらに含む。

これによって、適切なモデルが生成される。

（６）上記（２）において、プロセッサが、複数の機器について、第２のモデルに基づいて、将来の第２の時期の機器の利用者による使い方を予測した結果を集計し、第１のモデルに基づいて温度が上昇すると予測された機器について第２のモデルに基づいて予測された機器の利用者による使い方と、集計された複数の機器の利用者による使い方とを比較することによって、温度の上昇を引き起こすリスク要因を推定し、推定したリスク要因を示す情報を出力する第８の手順（例えばステップ１２０６、１４０２、１４０３）をさらに含む。

これによって、妥当性のあるリスク評価を行い、適切な対策に利用することができる。

（７）上記（６）の第８の手順において、プロセッサは、設置された地域ごとに、複数の機器の利用者による使い方を予測した結果を集計し、第１のモデルに基づいて温度が上昇すると予測された機器について第２のモデルに基づいて予測された機器の利用者による使い方と、集計された複数の機器の利用者による使い方との差が大きいほど、当該使い方のリスクが高いと推定する。

これによって、妥当性のあるリスク評価を行い、適切な対策に利用することができる。

（８）上記（２）において、気候に関するデータは、機器の周囲の温度及び湿度の少なくともいずれかを含み、機器の利用者による使い方に関するデータは、機器のドアの開回数及び開時間の少なくともいずれかを含み、機器の制御の状態に関するデータは、機器の冷却強度の設定値、機器の運転モードの設定値、機器の冷却用の圧縮機を駆動するモータの回転数、及び機器内の温度の少なくともいずれかを含む。

これによって、適切な予測モデルを生成し、それに基づくリスク評価を行うことができる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

１００ 機器状態予測システム
１１０ データ収集・解析サーバ
１１１ 情報格納部
１１２、１２４ プロセッサ
１１３、１２１ ネットワークＩ／Ｆ
１１４、１２７ メモリ
１１５ 予測プログラム
１２０ 冷蔵庫
１２２ 制御対象機器
１２３ 制御装置
１２５ 外部Ｉ／Ｆ
１２６ センサ群
１２８ 制御プログラム
１２９ 運転データ一時記憶
１３０ 情報参照・制御用端末
１４０ スマートフォン
１５０ ネットワーク
１６０ 外部機関

Claims (9)

1. プロセッサと、記憶装置と、を有する機器状態予測システムが実行する機器状態予測方法であって、
   前記記憶装置は、機器の稼働状況を示す運転データと、第１の時期の前記運転データに基づいて前記第１の時期より後の第２の時期の前記機器の状態を予測する第１のモデルと、前記第１の時期の前記運転データに基づいて前記第２の時期の前記機器の利用者による使い方を予測する第２のモデルと、を保持し、
   前記機器状態予測方法は、
   前記プロセッサが、取得された前記第１の時期の前記運転データを前記第１のモデルに適用することによって、前記第２の時期の前記機器の状態を予測する第１の手順と、
   前記プロセッサが、前記取得された第１の時期の前記運転データを前記第２のモデルに適用することによって、前記第２の時期の前記機器の利用者による使い方を予測する第２の手順と、
   前記プロセッサが、前記第２の時期の前記機器の状態の予測結果及び前記第２の時期の前記機器の利用者による使い方の予測結果を出力する第３の手順と、を含むことを特徴とする機器状態予測方法。
2. 請求項１に記載の機器状態予測方法であって、
   前記機器は、冷蔵室及び冷凍室の少なくとも一方を有する冷蔵庫であり、
   前記第２の時期は、夏の時期であり、
   前記運転データは、気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータを含み、
   前記第１のモデルは、前記第１の時期の前記気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータの少なくともいずれかに基づいて、前記第２の時期の前記機器内の温度の上昇を予測するモデルであり、
   前記第２のモデルは、少なくとも前記第１の時期の前記機器の利用者による使い方に関するデータに基づいて、前記第２の時期の前記機器の利用者による使い方を予測するモデルであり、
   前記第１の手順において、前記プロセッサは、取得された前記第１の時期の前記気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータの少なくともいずれかを前記第１のモデルに適用することによって、将来の前記第２の時期の前記機器内の温度の上昇を予測し、
   将来の前記第２の時期の前記機器内の温度が上昇すると予測された場合、前記第２の手順において、前記プロセッサは、取得された前記第１の時期の前記機器の利用者による使い方に関するデータを前記第２のモデルに適用することによって、将来の前記第２の時期の前記機器の利用者による使い方を予測することを特徴とする機器状態予測方法。
3. 請求項２に記載の機器状態予測方法であって、
   前記記憶装置は、前記将来の前記第２の時期の前記気候に関するデータの予測値をさらに保持し、
   前記第２のモデルは、前記第１の時期の前記機器の利用者による使い方に関するデータと、前記第２の時期の前記気候に関するデータと、に基づいて、前記第２の時期の前記機器の利用者による使い方を予測するモデルであり、
   前記第２の手順において、前記プロセッサは、取得された前記第１の時期の前記機器の利用者による使い方に関するデータと、将来の前記第２の時期の前記気候に関するデータの予測値と、を前記第２のモデルに適用することによって、将来の前記第２の時期の前記機器の利用者による使い方を予測することを特徴とする機器状態予測方法。
4. 請求項３に記載の機器状態予測方法であって、
   前記記憶装置は、前記第２の時期の前記気候に関するデータ及び前記機器の利用者による使い方に関するデータに基づいて、前記第２の時期の前記機器の制御の状態を計算する第３のモデルをさらに保持し、
   前記機器状態予測方法は、前記プロセッサが、取得した前記第２の時期の前記気候に関するデータと、取得した前記第２の時期の前記機器の利用者による使い方に関するデータと、を前記第３のモデルに適用することによって、前記第２の時期の前記機器の制御の状態を計算し、前記第３のモデルに基づいて計算された前記第２の時期の前記機器の制御の状態と、当該第２の時期に実際に取得された前記機器の制御の状態とを比較し、両者の乖離の大きさが所定の条件を満たす場合に、前記機器の故障に関する情報を出力する第４の手順をさらに含むことを特徴とする機器状態予測方法。
5. 請求項４に記載の機器状態予測方法であって、
   前記プロセッサが、過去の前記第２の時期の前記機器内の温度と、当該過去の第２の時期より前の前記第１の時期の前記気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータの少なくともいずれかと、を学習することによって、前記第１のモデルを生成する第５の手順と、
   前記プロセッサが、過去の前記第２の時期の前記機器の利用者による使い方に関するデータと、当該過去の第２の時期の前記気候に関するデータと、当該過去の第２の時期より前の前記第１の時期の前記機器の利用者による使い方に関するデータと、を学習することによって、前記第２のモデルを生成する第６の手順と、
   前記プロセッサが、過去の前記第２の時期の前記機器の制御の状態に関するデータと、当該過去の第２の時期の前記気候に関するデータと、当該過去の第２の時期の前記機器の利用者による使い方に関するデータと、を学習することによって、前記第３のモデルを生成する第７の手順と、をさらに含むことを特徴とする機器状態予測方法。
6. 請求項２に記載の機器状態予測方法であって、
   前記プロセッサが、
   複数の前記機器について、前記第２のモデルに基づいて、将来の前記第２の時期の前記機器の利用者による使い方を予測した結果を集計し、
   前記第１のモデルに基づいて温度が上昇すると予測された前記機器について前記第２のモデルに基づいて予測された前記機器の利用者による使い方と、前記集計された複数の前記機器の利用者による使い方とを比較することによって、温度の上昇を引き起こすリスク要因を推定し、
   前記推定したリスク要因を示す情報を出力する第８の手順をさらに含むことを特徴とする機器状態予測方法。
7. 請求項６に記載の機器状態予測方法であって、
   前記第８の手順において、前記プロセッサは、
   設置された地域ごとに、前記複数の機器の利用者による使い方を予測した結果を集計し、
   前記第１のモデルに基づいて温度が上昇すると予測された前記機器について前記第２のモデルに基づいて予測された前記機器の利用者による使い方と、前記集計された複数の前記機器の利用者による使い方との差が大きいほど、当該使い方のリスクが高いと推定することを特徴とする機器状態予測方法。
8. 請求項２に記載の機器状態予測方法であって、
   前記気候に関するデータは、前記機器の周囲の温度及び湿度の少なくともいずれかを含み、
   前記機器の利用者による使い方に関するデータは、前記機器のドアの開回数及び開時間の少なくともいずれかを含み、
   前記機器の制御の状態に関するデータは、前記機器の冷却強度の設定値、前記機器の運転モードの設定値、前記機器の冷却用の圧縮機を駆動するモータの回転数、及び前記機器内の温度の少なくともいずれかを含むことを特徴とする機器状態予測方法。
9. プロセッサと、記憶装置と、を有する機器状態予測システムであって、
   前記記憶装置は、機器の稼働状況を示す運転データと、第１の時期の前記運転データに基づいて前記第１の時期より後の第２の時期の前記機器の状態を予測する第１のモデルと、前記第１の時期の前記運転データに基づいて前記第２の時期の前記機器の利用者による使い方を予測する第２のモデルと、を保持し、
   前記プロセッサは、
   取得された前記第１の時期の前記運転データを前記第１のモデルに適用することによって、前記第２の時期の前記機器の状態を予測し、
   前記取得された第１の時期の前記運転データを前記第２のモデルに適用することによって、前記第２の時期の前記機器の利用者による使い方を予測し、
   前記第２の時期の前記機器の状態の予測結果及び前記第２の時期の前記機器の利用者による使い方の予測結果を出力することを特徴とする機器状態予測システム。

Images