JP2024032510A - 予測システム、予測方法、及びプログラム - Google Patents

Abstract

【課題】空調機が備えるドレンポンプの異常を、より高い精度で予測できるようにする。【解決手段】予測システムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、前記制御部は、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。【選択図】図５

Description

本開示は、予測システム、予測方法、及びプログラムに関する。

ドレンポンプを備えた空調機（空気調和機）において、ドレンポンプの汚れ具合を判定する技術が知られている。例えば、ドレンポンプの電流値又は回転数を検出し、ドレンポンプの電流値が所定値以上、又はドレンポンプの回転数が所定値以下となった場合、ドレンポンプの汚れをメンテナンスが必要なレベルと判断する技術が知られている（例えば、特許文献１参照）。

特開２００５－２８３０５７号公報

しかし、ドレンポンプの電流値（又は回転数）は、ドレンポンプごとのばらつきが大きいため、従来技術のように、電流値（又は回転数）の瞬間値で異常を判断するだけでは、誤検知が発生し易いという問題がある。

本開示は、空調機が備えるドレンポンプの異常を、より高い精度で予測できるようにする。

本開示の第１の態様に係る予測システムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、前記制御部は、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。

本開示の第１の態様によれば、空調機が備えるドレンポンプの異常を、より高い精度で予測できるようになる。

本開示の第２の態様は、第１の態様に記載の予測システムであって、前記制御部は、前記所定期間の前記データの代表値に基づいて、前記予測結果を出力する。

本開示の第３の態様は、第１の態様又は第２の態様に記載の予測システムであって、前記制御部は、第１の所定期間の前記データと、前記第１の所定期間より短い第２の所定期間の前記データの平均値に基づいて、前記ドレンポンプの異常を予測する。

本開示の第４の態様は、第３の態様に記載の予測システムであって、前記制御部は、前記第１の所定期間の前記データの平均値と、前記第２の所定期間の前記データの平均値との乖離がしきい値を超えた場合、前記ドレンポンプの異常を予測する前記予測結果を出力する。

本開示の第５の態様は、第１の態様乃至第４の態様のいずれかに記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データにさらに基づいて、前記ドレンポンプの異常を予測する。これにより、予測システムは、より高い精度で、ドレンポンプの異常を予測することができる。

本開示の第６の態様は、第１の態様乃至第５の態様のいずれかに記載の予測システムであって、前記制御部は、前記空調機又は前記ドレンポンプが動作していない場合、前記空調機又は前記ドレンポンプが動作していない期間の前記データに代えて、当該期間より以前の前記データを用いて、前記ドレンポンプの異常を予測する。これにより、予測システムは、より高い精度で、ドレンポンプの異常を予測することができる。

本開示の第７の態様は、第６の態様に記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データに基づいて、前記ドレンポンプが動作していない期間を判断する。

本開示の第８の態様は、第１の態様乃至第５の態様のいずれかに記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データから、ドレン水が発生しているか否かを判断し、ドレン水が発生していない期間の前記ドレンポンプの回転数、又は前記ドレンポンプの電流値の前記データを除外して、前記ドレンポンプの異常を予測する。

本開示の第９の態様は、第８の態様に記載の予測システムであって、前記制御部は、前記空調機が所定のモードで運転しているか否かを示す情報をさらに用いて、前記ドレン水が発生しているか否かを判断する。

本開示の第１０の態様は、第１の態様乃至第９の態様のいずれかに記載の予測システムであって、前記予測システムは、前記空調機から前記データを収集するエッジデバイスを有し、前記制御部は、前記空調機、又は前記エッジデバイスで平均化された前記データを取得する。

本開示の第１１の態様は、第１の態様に記載の予測システムであって、前記制御部は、前記ドレンポンプの正常時の前記データと、前記ドレンポンプの異常時の前記データとを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する。

本開示の第１２の態様は、第１の態様に記載の予測システムであって、前記ドレンポンプの正常時の前記データを表す画像と、前記ドレンポンプの異常時の前記データを表す画像とを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する。

本開示の第１３の態様に係る予測方法は、ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、前記制御部が、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。

本開示の第１４の態様に係るプログラムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、コンピュータに、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得する処理と、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する処理と、を実行させる。

本開示の他の態様は、第１４の態様に係るプログラムを記録した記録媒体によって実現される。

一実施形態に係る予測システムのシステム構成の例を示す図である。 一実施形態に係る予測処理の概要について説明するための図（１）である。 一実施形態に係る予測処理の概要について説明するための図（２）である。 一実施形態に係るコンピュータのハードウェア構成の例を示す図である。 第１の実施形態に係る予測システムの処理の例を示すシーケンス図である。 第２の実施形態に係る予測システムの処理の例を示すシーケンス図である。 第２の実施形態に係るドレン水の判断処理の例を示すフローチャートである。 第３の実施形態に係る予測システムのシステム構成の例を示す図である。 第３の実施形態に係る予測システムの処理の例を示すシーケンス図である。 第４の実施形態に係る予測システムの処理の例を示すシーケンス図である。

以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

＜システム構成＞
図１は、一実施形態に係る予測システムのシステム構成の例を示す図である。予測システム１は、ドレンポンプ１１を備える空調機（空気調和機）１０と、制御部１０１とを有する。予測システム１は、制御部１０１が、ドレンポンプ１１の回転数（又は電流値）のデータを取得し、所定の期間のデータの変化に基づいて、ドレンポンプの異常を予測するシステムである。

図１の例では、予測システム１は、所定の通信インタフェースで空調機１０と通信可能に接続され、空調機１０を制御するローカルコントローラ２０を有する。また、予測システム１は、制御部１０１を備え、例えば、インターネット、又はＬＡＮ（Local Area Network）等の通信ネットワーク２を介して、ローカルコントローラ２０と通信可能な予測サーバ１００を有する。

なお、図１に示した、予測システム１のシステム構成は一例である。例えば、制御部１０１は、ローカルコントローラ２０が備えていてもよい。また、予測サーバ１００は、複数の情報処理装置によって構成されるものであってもよい。ここでは、一例として、予測サーバ１００が制御部１０１を有しているものとして、以下の説明を行う。

空調機１０は、例えば、冷房運転時に、空調機１０が備える熱交換器で結露水（ドレン）が発生し、発生した結露水は、ドレンパンと呼ばれる受け皿に溜まるように構成されている。

ドレンポンプ１１は、ドレンパンに溜まった結露水を吸い上げて、ドレンホースを介して、外部に排出するポンプである。このドレンポンプに異常が発生すると、空調機１０の内部に結露水が溜まり、溜まった結露水の量が許容範囲を超えると、空調機１０は異常（ドレンポンプ故障）を検知して運転を停止する。

このドレンポンプ故障が発生してしまうと、ユーザが冷房運転できないので、予測システム１は、ドレンポンプ１１が完全に詰まる前に、例えば、サービス担当者等が、現場で対応できるように、ドレンポンプの異常を事前に予測する予測結果を出力する。

ローカルコントローラ２０は、例えば、コンピュータの構成を備え、記録媒体に記録（記憶）した所定のプログラムを実行することにより、空調機１０を制御する。また、本実施形態に係るローカルコントローラ２０は、空調機１０が定期的（例えば１分ごと）に測定する、ドレンポンプ１１の回転数、又はドレンポンプ１１の電流値を含む測定データを、所定の時間ごと（例えば、１時間ごと）に取得する機能を有している。さらに、ローカルコントローラ２０は、空調機１０から取得した測定データ（第１の測定データ）を所定の時間ごと平均した測定データ（第２の測定データ）を、通信ネットワーク２を介して、予測サーバ１００に送信する機能を有している。なお、ローカルコントローラ２０は、エッジデバイスの一例である。

別の一例として、空調機１０が、所定の時間ごとに測定データを平均化し、ローカルコントローラ２０は、空調機１０から、平均化され測定データを取得するものであってもよい。この場合、ローカルコントローラ２０が空調機１０から取得する第１の測定データと、ローカルコントローラ２０が予測サーバ１００に送信する第２の測定データは、同じデータであってよい。

予測サーバ１００は、コンピュータの構成を備え、記録媒体に記録（記憶）した所定のプログラムを実行することにより、ドレンポンプ１１の異常を予測する予測処理を実行する。

（予測処理の概要）
図２、３は、一実施形態に係る予測処理の概要について説明するための図である。図２に示すグラフ２００の横軸は、測定を開始した時点からの経過日数を表し、縦軸は、ドレンポンプ１１の回転数を表している。また、グラフ２００には、ドレンポンプ１１の回転数の測定データ（生データ）２０１と、測定データ２０１の積み重ね平均２０２と、測定データ２０１の３日移動平均２０３と、をプロットしている。

ドレンポンプの回転数は、例えば、パルス数を測定し、測定したパルス数から回転数を求めることができる。この場合、例えば、１パルスが２４ｒｐｍであれば、回転数は２４ｒｐｍ間隔で測定される。また、回転数の測定データ２０１には、例えば、図２に示すように、±４８ｒｐｍ（±２パルス）の測定ばらつき２０４が含まれる。

このように、ドレンポンプ１１の回転数の測定データ２０１は、ばらつきが大きく、また、ドレンポンプ１１ごとのばらつき（個体差）もあるため、従来技術のように、回転数の瞬間値で異常を判断するだけでは、誤検知が発生し易いという問題がある。

そこで、本実施形態に係る制御部１０１は、例えば、ローカルコントローラ２０が、１時間ごとに送信する測定データ２０１を、記憶部に記憶（蓄積）する。ここで、測定データ２０１を記憶する記憶部は、例えば、予測サーバ１００が備えるストレージデバイスであってもよいし、予測サーバ１００の外部のストレージサーバ等であってもよい。

また、制御部１０１は、記憶部に記憶した測定データ２０１の積み重ね平均２０２と、測定データ２０１の３日移動平均２０３とを求める。ここで、３日移動平均２０３は、直近の３日間の測定データ２０１の平均値（移動平均）である。なお、３日間は、ドレンポンプ１１の異常の予測に用いる所定期間（第２の所定期間）の一例である。第２の所定期間は、３日以外の他の日数（例えば、１～５日程度）であってもよい。

また、積み重ね平均２０２は、例えば、第２の所定期間より十分に長い第１の所定期間の測定データ２０１の平均値である。積み重ね平均２０２は、例えば、直近の３０日間の測定データ２０１の平均値（移動平均値）であってもよいし、測定を開始した時点からの累積移動平均値等であってもよい。ここでは、積み重ね平均２０２が、３０日間の測定データ２０１の平均値であるものとして、以下の説明を行う。

ドレンポンプ１１に詰まり傾向があると、図２に示すように、ドレンポンプの回転数が徐々に低下し、３日間の移動平均２０３の値がなだらかに低下する。一方、積み重ね平均２０２は、３日間より十分に長い期間の平均値なので、３日間の移動平均２０３より値の変化が少ない。

そこで、本実施形態に係る制御部１０１は、積み重ね平均２０２（第１の所定期間のデータの平均値）と、３日移動平均２０３（第１の所定期間より短い第２の所定期間のデータの平均値）に基づいて、ドレンポンプ１１の異常を予測する予測結果を出力する。例えば、制御部１０１は、積み重ね平均２０２（第１の所定期間のデータの平均値）と、３日移動平均２０３（第２の所定期間のデータの平均値）との乖離がしきい値を超えた場合、ドレンポンプ１１の異常を予測する予測結果を出力する。

具体的な一例として、制御部１０１は、図３に示すように、３日移動平均２０３と積み重ね平均２０２との差３０１を算出し、算出した差３０１がしきい値３０２を超えたときに、ドレンポンプ１１の異常を予測する予測結果を出力する。ここで、しきい値３０２は、例えば、ドレンポンプ１１に異常が発生する何日前に予測結果を出力するか等により、予め決定しておく。

上記の処理により、本実施形態に係る予測システム１によれば、空調機１０が備えるドレンポンプ１１の異常を、より高い精度を予測することができる。

なお、上記の説明では、測定データ２０１として、ドレンポンプ１１の回転数（ドレンポンプが備えるモータの回転数）を用いたが、測定データ２０１は、ドレンポンプ１１の電流値（ドレンポンプ１１に流れる電流値）であってもよい。

なお、ドレンポンプ１１が詰まり傾向がある場合、ドレンポンプ１１の回転数は低下し、ドレンポンプ１１の電流値は上昇する。いずれの場合でも、制御部１０１は、測定データ２０１の３日移動平均２０３と、測定データ２０１の積み重ね平均２０２との乖離が、しきい値を超えたときに、ドレンポンプ１１の異常を予測する予測結果を出力すればよい。

なお、ドレンポンプ１１の異常を予測する予測結果は、例えば、空調機１０、又はローカルコントローラ２０に通知して、所定の表示を行わせるものであってもよいし、空調機１０を管理する管理者等に通知を行うものであってもよい。また、予測結果は、例えば、「ドレンポンプが汚れていますので点検してください。」といったメッセージであってもよいし、ドレンポンプ１１に異常が発生するまでの期間を示す情報等であってもよい。

＜ハードウェア構成＞
予測サーバ１００、及びローカルコントローラ２０は、例えば、図４に示すような、コンピュータ４００のハードウェア構成を有している。なお、予測サーバ１００は、複数のコンピュータ４００によって構成されるものであってもよい。

図４は、一実施形態に係るコンピュータのハードウェア構成の例を示す図である。コンピュータ４００は、例えば、制御部１０１、メモリ４０１、ストレージデバイス４０２、通信装置４０３、表示装置４０４、入力装置４０５、ドライブ装置４０６、及びバス４０８等を有する。

制御部１０１は、例えば、ストレージデバイス４０２、又はメモリ４０１等の記憶媒体（記録媒体）に記憶した所定のプログラムを実行することにより、様々な機能を実現するＣＰＵ（Central Processing Unit）等のプロセッサである。なお、制御部１０１は、ＣＰＵ以外にも、ＧＰＵ（Graphics Processing Unit）、又はＤＳＰ（Digital Signal Processor）等のプロセッサを含んでいてもよい。また、制御部１０１は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、又はＦＰＧＡ（Field Programmable Gate Array）等のデバイスであってもよい。

メモリ４０１は、例えば、制御部１０１のワークエリア等として用いられる揮発性のメモリであるＲＡＭ（Random Access Memory）、及び制御部１０１の起動用のプログラム等を記憶する不揮発性のメモリであるＲＯＭ（Read Only Memory）等を含む。ストレージデバイス４０２は、ＯＳ（Operating System）、アプリケーション等のプログラム、及び各種のデータ、情報等を記憶する大容量の記憶装置であり、例えば、ＳＳＤ（Solid State Drive）、又はＨＤＤ（Hard Disk Drive）等によって実現される。

通信装置４０３は、外部装置と通信するための１つ以上の通信インタフェース、又は通信デバイスを含む。例えば、通信装置４０３は、コンピュータ４００を通信ネットワーク２に接続して、他の装置と通信するためのＮＩＣ（Network Interface Card）等を含む。また、通信装置４０３は、例えば、コンピュータ４００に、空調機１０等を接続するための通信インタフェース等も含み得る。

表示装置４０４は、表示画面を表示する表示デバイス、又は装置である。入力装置４０５は、例えば、キーボード、ポインティングデバイス、又はタッチパネル等の外部からの入力を受け付ける入力デバイスである。なお、表示装置４０４と入力装置４０５は、例えば、タッチパネルディスプレイのように、一体化された表示入力装置であってもよい。

ドライブ装置４０６は、所定のプログラムを記録（記憶）した記録媒体４０７をコンピュータ４００に接続するためのデバイスである。ここでいう記録媒体４０７には、例えば、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体４０７には、例えば、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。バス４０８は、上記の各構成要素に共通に接続され、例えば、アドレス信号、データ信号、及び各種の制御信号等を伝送する。

＜処理の流れ＞
続いて、本実施形態に係る予測方法の処理の流れについて、複数の実施形態を例示して説明する。

［第１の実施形態］
図５は、第１の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図１で説明した予測システム１が、繰り返し実行する予測処理の一例を示している。

ステップＳ５０１において、空調機１０は、空調機１０が備えるドレンポンプ１１の回転数、又はドレンポンプの電流値を含む測定データを収集する。例えば、空調機１０は、ドレンポンプ１１の回転数を定期的（例えば、１分間ごと）に測定し、空調機１０が備える記憶部等に記憶しておく。

ステップＳ５０２において、ローカルコントローラ２０は、空調機１０にデータの取得を要求する。これに応じて、ステップＳ５０３において、空調機１０は、収集した測定データ（第１の測定データ）を、ローカルコントローラ２０に送信する。例えば、ローカルコントローラ２０は、所定の時間間隔（例えば、１時間間隔）で、空調機１０にデータの取得要求を送信する。また、空調機１０は、データの取得要求を受け付けると、直近の所定期間（例えば、１時間）の測定データを第１の測定データとして、ローカルコントローラに送信する。或いは、空調機１０は、データの取得要求を受け付けると、直近の所定の期間の測定データの平均値を算出し、算出した平均値を第１の測定データとして、ローカルコントローラ２０に送信してもよい。

ステップＳ５０４において、ローカルコントローラ２０は、空調機１０から受信したデータ（第１の測定データ）に基づいて、直近の所定期間の測定データの平均値を第２の測定データとして、予測サーバ１００に送信する。例えば、空調機１０から受信する第１の測定データが、直近の所定期間の測定データである場合、ローカルコントローラ２０は、第１の測定データの平均値を算出し、算出した平均値を第２の測定データとして予測サーバ１００に送信する。また、空調機１０から受信する第１の測定データが、直近の所定期間の測定データの平均値である場合、ローカルコントローラ２０は、第１の測定データを第２の測定データとして予測サーバ１００に送信する。

ステップＳ５０５において、予測サーバ１００の制御部１０１は、ローカルコントローラ２０から受信したデータ（第２の測定データ）、又は受信したデータを加工したデータを、例えば、ストレージデバイス４０２等の記憶部に記憶（蓄積）する。

例えば、ドレンポンプ１１が動作していない（停止している）場合、ドレンポンプ１１の回転数、及び電流値の測定データ２０１は０になる。従って、ドレンポンプ１１が動作していない期間のデータを用いて、積み重ね平均２０２、又は３日移動平均を算出してしまうと、正しい予測結果が得られない恐れがある。そこで、制御部１０１は、一例として、ドレンポンプ１１が動作していない場合、ドレンポンプ１１が動作していない期間のデータを、当該期間より以前のデータに置き換えて、記憶部に記憶してもよい。

例えば、休日、又は留守等により、ドレンポンプ１１の動作が１日停止していた場合、制御部１０１は、ドレンポンプ１１が停止していた１日分のデータを、前記のデータに置き換えて、記憶部に記憶してもよい。また、ドレンポンプ１１が１時間停止していた場合、制御部１０１は、ドレンポンプ１１が停止していた１時間のデータを、直前の１時間のデータに置き換えて、記憶部に記憶してもよい。

ただし、これは好適な一例であり、制御部１０１は、ローカルコントローラ２０から受信したデータをそのまま記憶部に記憶してもよい。この場合、制御部１０１は、例えば、ドレンポンプ１１が停止していた期間のデータを除外して、積み重ね平均２０２、又は３日移動平均２０３を算出すればよい。

ステップＳ５０６において、制御部１０１は、記憶部に記憶したデータに含まれるドレンポンプ１１の回転数（又は電流値）から、積み重ね平均２０２と、３日移動平均２０３を算出するとともに、積み重ね平均２０２と３日移動平均２０３との差３０１を算出する。

また、制御部１０１は、算出した差３０１が、予め設定したしきい値３０２を超えた場合、ステップＳ５０７の処理を実行する。ステップＳ５０７において、制御部１０１は、ドレンポンプ１１の異常を予測する予測結果を出力する。

図５の処理により、予測システム１は、例えば、図３に示すように、ドレンポンプ１１に異常が発生する前に、ドレンポンプ１１の異常を予測する予測結果を、より高い精度で出力することができる。

［第２の実施形態］
第２の実施形態では、制御部１０１が、温度データ、又は湿度データを含む環境データにさらに基づいて、ドレンポンプ１１の異常を予測する場合の処理の例について説明する。

図６は、第１の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図１で説明した予測システム１が、繰り返し実行する予測処理の別の一例を示している。なお、基本的な処理の流れは、第１の実施形態と同様なので、ここでは、第１の実施形態と同様の処理内容に対する詳細な説明は省略する。

ステップＳ６０１において、空調機１０は、空調機１０が備えるドレンポンプ１１の回転数、又はドレンポンプの電流値を含む測定データと、環境データと、運転データと、を収集する。ここで、環境データには、例えば、室温を示す温度データと、相対湿度を示す湿度データ等が含まれる。なお、空調機１０が湿度データを取得できない場合、環境データは、温度データのみであってもよい。また、運転データには、例えば、空調機１０の運転モード（冷房、除湿、暖房等）を示すデータ、及び空調機１０の熱交換器の温度センサで測定した蒸発温度等のデータが含まれる。なお、蒸発温度のデータは、環境データに含まれていてもよい。

ステップＳ６０２において、ローカルコントローラ２０は、空調機１０にデータの取得を要求する。これに応じて、ステップＳ６０３において、空調機１０は、収集した測定データ（第１の測定データ）、環境データ、及び運転データ等を含むデータを、ローカルコントローラ２０に送信する。

ステップＳ６０４において、ローカルコントローラ２０は、空調機１０から受信した第１の測定データの平均値である第２の測定データ、環境データ、及び運転データ等を含むデータを、予測サーバ１００に送信する。

ステップＳ６０５において、予測サーバ１００の制御部１０１は、ローカルコントローラ２０から受信したデータ、又は受信したデータを加工したデータを、例えば、ストレージデバイス４０２等の記憶部に記憶（蓄積）する。

ステップＳ６０６において、制御部１０１は、記憶部に記憶したデータから、ドレン水がない期間を特定する。例えば、制御部１０１は、図７に示すような、ドレン水の判断処理を実行する。

図７は、第２の実施形態に係るドレン水の判断処理の例を示すフローチャートである。この処理は、例えば、図６のステップＳ６０６において、制御部１０１が実行する処理の一例を示している。制御部１０１は、例えば、記憶部に記憶したデータのうち、空調機１０が冷房運転中のデータに対して、図７の処理を実行する。

ステップＳ７０１において、制御部１０１は、温度データと湿度データ、又は温度データを用いて、露点温度（結露が発生する温度）を算出する。例えば、制御部１０１は、室温を示す温度データと、相対湿度を示す湿度データから水蒸気圧を求め、その水蒸気圧を飽和水蒸気圧とする温度を求める。なお、湿度データがない場合、制御部１０１は、相対湿度の値を仮置きして、露点温度を算出する。

ステップＳ７０２において、制御部１０２は、運転データから蒸発温度を取得する。ここで、蒸発温度は、空調機１０の熱交換器のセンサで測定した熱交換器の温度である。

ステップＳ７０３において、制御部１０１は、蒸発温度が、算出した露点温度以下であるか否かを判断する。蒸発温度が露点温度以下である場合、結露が発生するので、ステップＳ７０４において、制御部１０１は、ドレン水があると判断する。一方、蒸発温度が露点以下でないばあい、ステップＳ７０５において、制御部１０１は、ドレン水がないと判断する。

ここで、図６に戻り、シーケンス図の説明を続ける。ステップＳ６０７において、制御部１０１は、記憶部に記憶した測定データ（例えば、ドレンポンプ１１の回転数）から、ドレン水がない期間のデータを除外して、積み重ね平均２０２と、３日移動平均２０３との差３０１を算出する。これは、ドレン水がない場合、ドレンポンプ１１が無負荷となり、ドレンポンプ１１の回転数が上昇してしまうためである。従って、ドレン水がない期間のデータを除外することにより、ドレンポンプ１１の異常を予測する予測精度を、さらに向上させることができる。

続いて、制御部１０１は、算出した差３０１が、予め設定したしきい値３０２を超えた場合、ステップＳ６０８の処理を実行する。ステップＳ６０８において、制御部１０１は、ドレンポンプ１１の異常を予測する予測結果を出力する。

図６の処理により、予測システム１は、ドレンポンプ１１の異常を予測する予測結果の精度を、より高めることができる。

［第３の実施形態］
第１、２の実施形態では、制御部１０１は、ドレンポンプ１１の回転数（又は電流値）の測定データの積み重ね平均２０２と、３日移動平均２０３との乖離がしきい値を超えた場合に、ドレンポンプ１１の異常を予測する予測結果を出力していた。

第３の実施形態では、制御部１０１が、ドレンポンプ１１の正常時の所定期間のデータと、ドレンポンプ１１の異常時の所定期間のデータを教師データとして機械学習した学習済の予測モデルを用いて、ドレンポンプ１１の異常を予測する場合の例について説明する。

図８は、第３の実施形態に係る予測システムのシステム構成の例を示す図である。図８に示すように、第３の実施形態に係る予測システム１は、図１の説明した予測システム１のシステム構成に加えて、予測モデル８０１を有している。

予測モデル８０１は、ドレンポンプ１１の正常時の所定期間のデータと、ドレンポンプ１１の異常時の所定期間のデータとを教師データとして、ドレンポンプ１１の異常を予測するように機械学習した、学習済の予測モデルである。制御部１０１は、記憶部に記憶した所定の期間の測定データ（例えば、積み重ね平均２０２、及び３日移動平均２０３）を、予測モデル８０１に入力することにより、ドレンポンプ１１に異常が発生するか否かを示す予測結果を得ることができる。なお、所定の期間の測定データは、３日移動平均２０３のみであってもよい。

なお、予測モデル８０１の学習は、制御部１０１が記憶部に記憶したデータを用いて、予測サーバ１００が行うものであってもよいし、他の情報処理装置で学習した学習済の予測モデル８０１を、予測サーバ１００に設定するものであってもよい。

＜処理の流れ＞
図９は、第３の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図８で説明した予測システム１が、繰り返し実行する予測処理の一例を示している。なお、基本的な処理の流れは、図５で説明した第１の実施形態に係る予測システムの処理と同様なので、ここでは、第１の実施形態と同様の処理内容に対する詳細な説明は省略する。

ステップＳ９０１において、空調機１０は、空調機１０が備えるドレンポンプ１１の回転数、又はドレンポンプの電流値を含む測定データを収集する。

ステップＳ９０２において、ローカルコントローラ２０は、空調機１０にデータの取得を要求する。これに応じて、ステップＳ９０３において、空調機１０は、収集した測定データ（第１の測定データ）を、ローカルコントローラ２０に送信する。

ステップＳ９０４において、ローカルコントローラ２０は、空調機１０から受信したデータ（第１の測定データ）に基づいて、直近の所定期間の測定データの平均値を第２の測定データとして、予測サーバ１００に送信する。

ステップＳ９０５において、予測サーバ１００の制御部１０１は、ローカルコントローラ２０から受信したデータ（第２の測定データ）、又は受信したデータを加工したデータを、例えば、ストレージデバイス４０２等の記憶部に記憶（蓄積）する。

ステップＳ９０６において、制御部１０１は、記憶部に記憶した所定の期間の測定データを、学習済の予測モデル８０１に入力する。例えば、制御部１０１は、記憶部に記憶した、ドレンポンプ１１の回転数（又は電流値）の測定データの積み重ね平均２０２と、３日移動平均２０３とを算出し、算出したデータを学習済の予測モデル８０１に入力する。これにより、学習済の予測モデル８０１は、ドレンポンプ１１に異常が発生するか否かを示す予測結果を出力する。

続いて、制御部１０１は、ドレンポンプ１１に異常が発生すると予測された場合、ステップＳ９０７の処理を実行する。ステップＳ９０７において、制御部１０１は、ドレンポンプ１１の異常を予測する予測結果を出力する。

このように、予測システム１は、ドレンポンプ１１の正常時のデータと、ドレンポンプ１１の異常時のデータとを教師データとして機械学習した学習済の予測モデル８０１を用いて、ドレンポンプ１１の異常を予測してもよい。

なお、図９で説明した処理は一例である。例えば、第３の実施形態に係る予測システムの処理は、図６で説明した第２の実施形態のように、記憶部に記憶したデータから、ドレン水がない期間のデータを除外して、ドレンポンプ１１の異常を予測してもよい。

［第４の実施形態］
第３の実施形態では、予測モデル８０１を、ドレンポンプ１１の正常時のデータと、ドレンポンプ１１の異常時のデータとを教師データとして機械学習していた。

第４の実施形態では、予測モデル８０１は、ドレンポンプ１１の正常時のデータを示す画像と、ドレンポンプ１１の異常時のデータを示す画像とを教師データとして機械学習した、学習済の予測モデルであるものとする。

ここで、ドレンポンプ１１の正常時のデータを示す画像、及びドレンポンプ１１の異常時のデータを示す画像は、例えば、図２に示すように、積み重ね平均２０２と、３日移動平均２０３のデータをプロットしたグラフ２００の画像を適用することができる。

＜処理の流れ＞
図１０は、第４の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図８で説明した予測システム１が、繰り返し実行する予測処理の別の一例を示している。なお、図１０に示す処理のうち、ステップＳ９０１～Ｓ９０５、Ｓ９０７の処理は、図９で説明した第３の実施形態に係る予測システムの処理と同様なので、ここでは説明を省略する。

ステップＳ１００１において、制御部１０１は、記憶部に記憶した測定データ（例えば、ドレンポンプ１１の回転数）の積み重ね平均２０２と、３日移動平均２０３の推移を画像化する。例えば、制御部１０１は、図２に示すようなグラフ２００の画像を作成する。

ステップＳ１００２において、制御部１０１は、作成した画像を、学習済の予測モデル８０１に入力する。これにより、学習済の予測モデル８０１は、ドレンポンプ１１に異常が発生するか否かを示す予測結果を出力する。

続いて、制御部１０１は、ドレンポンプ１１に異常が発生すると予測された場合、ステップＳ９０７の処理を実行する。

このように、予測システム１は、ドレンポンプ１１の正常時のデータの画像と、ドレンポンプ１１の異常時のデータの画像とを教師データとして機械学習した学習済の予測モデル８０１を用いて、ドレンポンプ１１の異常を予測してもよい。

なお、第４の実施形態に係る予測システムの処理も、図６で説明した第２の実施形態のように、記憶部に記憶したデータから、ドレン水がない期間のデータを除外して、ドレンポンプ１１の異常を予測してもよい。

以上、本開示の各実施形態によれば、空調機１０が備えるドレンポンプ１１の異常を、より高い精度で予測できるようになる。

以上、実施形態を説明したが、特許請求の範囲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。

例えば、上記の各実施形態では、積み重ね平均２０２、３日移動平均等の平均値を用いて、ドレンポンプ１１の異常を予測していた。ただし、これに限られず、平均値は、例えば、中央値、又は最頻値等の他の代表値であってもよい。

また、上記の各実施形態では、予測サーバ１００が制御部１０１を有していたが、制御部１０１は、ローカルコントローラ２０が有していてもよい。また、制御部１０１は、例えば、クラウド上の仮想コンピュータ等によって実現されるものであってもよい。

１ 予測システム
２ 通信ネットワーク
１０ 空調機
１１ ドレンポンプ
２０ ローカルコントローラ
１００ 予測サーバ
１０１ 制御部
２００ グラフ
２０２ 積み重ね平均
２０３ ３日移動平均
３０２ しきい値
４００ コンピュータ
４０７ 記録媒体
８０１ 予測モデル

Claims (14)

1. ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、
   前記制御部は、
   前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、
   所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する、
   予測システム。
2. 前記制御部は、前記所定期間の前記データの代表値に基づいて、前記予測結果を出力する、請求項１に記載の予測システム。
3. 前記制御部は、第１の所定期間の前記データと、前記第１の所定期間より短い第２の所定期間の前記データの平均値に基づいて、前記ドレンポンプの異常を予測する、請求項１に記載の予測システム。
4. 前記制御部は、前記第１の所定期間の前記データの平均値と、前記第２の所定期間の前記データの平均値との乖離がしきい値を超えた場合、前記ドレンポンプの異常を予測する前記予測結果を出力する、請求項３に記載の予測システム。
5. 前記制御部は、温度データ、又は湿度データを含む環境データにさらに基づいて、前記ドレンポンプの異常を予測する、請求項１乃至４のいずれか一項に記載の予測システム。
6. 前記制御部は、前記空調機又は前記ドレンポンプが動作していない場合、前記空調機又は前記ドレンポンプが動作していない期間の前記データに代えて、当該期間より以前の前記データを用いて、前記ドレンポンプの異常を予測する、請求項１乃至４のいずれか一項に記載の予測システム。
7. 前記制御部は、温度データ、又は湿度データを含む環境データに基づいて、前記ドレンポンプが動作していない期間を判断する、請求項６に記載の予測システム。
8. 前記制御部は、温度データ、又は湿度データを含む環境データから、ドレン水が発生しているか否かを判断し、ドレン水が発生していない期間の前記ドレンポンプの回転数、又は前記ドレンポンプの電流値の前記データを除外して、前記ドレンポンプの異常を予測する、請求項１乃至４のいずれか一項に記載の予測システム。
9. 前記制御部は、前記空調機が所定のモードで運転しているか否かを示す情報をさらに用いて、前記ドレン水が発生しているか否かを判断する、請求項８に記載の予測システム。
10. 前記予測システムは、前記空調機から前記データを収集するエッジデバイスを有し、
    前記制御部は、前記空調機、又は前記エッジデバイスで平均化された前記データを取得する、請求項１乃至４のいずれか一項に記載の予測システム。
11. 前記制御部は、前記ドレンポンプの正常時の前記データと、前記ドレンポンプの異常時の前記データとを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する、請求項１に記載の予測システム。
12. 前記制御部は、前記ドレンポンプの正常時の前記データを表す画像と、前記ドレンポンプの異常時の前記データを表す画像とを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する、請求項１に記載の予測システム。
13. ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、
    前記制御部が、
    前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、
    所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する、
    予測方法。
14. ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、
    コンピュータに、
    前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得する処理と、
    所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する処理と、
    を実行させる、プログラム。

Images