JP2024040138A - 機器性能値予測方法、システム、およびプログラム - Google Patents

機器性能値予測方法、システム、およびプログラム Download PDF

Info

Publication number
JP2024040138A
JP2024040138A JP2023147240A JP2023147240A JP2024040138A JP 2024040138 A JP2024040138 A JP 2024040138A JP 2023147240 A JP2023147240 A JP 2023147240A JP 2023147240 A JP2023147240 A JP 2023147240A JP 2024040138 A JP2024040138 A JP 2024040138A
Authority
JP
Japan
Prior art keywords
performance value
data
model
performance
installed state
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
Application number
JP2023147240A
Other languages
English (en)
Inventor
葵 後藤
Aoi Goto
昌和 岡本
Masakazu Okamoto
嘉紀 由良
Yoshinori Yura
修二 藤本
Shuji Fujimoto
静香 定井
Shizuka Sadai
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daikin Industries Ltd
Original Assignee
Daikin Industries Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Daikin Industries Ltd filed Critical Daikin Industries Ltd
Publication of JP2024040138A publication Critical patent/JP2024040138A/ja
Pending legal-status Critical Current

Links

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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
    • 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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • F24F2110/64—Airborne particle content

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Thermal Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能値を得る。【解決手段】本開示の一実施形態に係る機器性能値予測方法は、機器の設置された状態でのデータを取得するステップと、前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測するステップと、を含む。【選択図】図３

Description

本開示は、機器性能値予測方法、システム、およびプログラムに関する。
従来、空気調和機等のＣＯＰ（Coefficient of Performance）等の性能値を用いて機器を診断することが知られている（特許文献１）。特許文献１では、空気調和機の稼働データを収集し、当該稼働データに対応するように、機器特性データベース（空気調和機の仕様を満たす稼働条件を網羅するデータ群）に対して補正された個別特性曲面データを算出することによって、機器を診断している。
機械学習モデルを用いて機器を診断する場合には、図１に示すように、機種単位の基準の性能値を予測するモデル（つまり、機器の機種ごとに生成された機械学習モデル）を用いる場合、あるいは、物件単位の個別の性能値を予測するモデル（つまり、機器が設置される物件ごとに生成された機械学習モデル）を用いる場合が考えられる。例えば、図１の各モデルで予測された正常時の性能値と実際の性能値とを比較して、機器の異常を検知することができる。
特許６７５００９１号公報
しかしながら、図２に示すように、機種単位の基準の性能値を予測するモデルと物件単位の個別の性能値を予測するモデルには以下のような課題がある。
各物件における性能値には、ばらつきがあり、機種単位の基準の性能値を予測するモデルの場合、機種単位の基準の性能値（図２の基準性能値）と各物件における性能値（図２の物件Ａの性能値および物件Ｂの性能値）の乖離が反映されない。
一方、物件単位の個別の性能値を予測するモデルの場合、物件に初期異常があると（図２の初期異常物件の性能値）、物件単位の個別の性能値を正しく予測するモデルを生成することができない。
本開示では、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能値を得ることを目的とする。
本開示の第１の態様による機器性能値予測方法は、
機器の設置された状態でのデータを取得するステップと、
前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測するステップと、
を含む。
本開示の第１の態様によれば、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能値を得ることができる。
本開示の第２の態様による機器性能値予測方法は、第１の態様に記載の機器性能値予測方法であって、
前記取得するステップでは、前記機器が所定の物件に設置された状態でのデータを取得し、
前記予測するステップでは、前記機器が所定の物件に設置された状態でのデータと、少なくとも、前記機器の機種別に生成された前記機器のデータから前記機器の基準性能値を予測する前記基準モデルと、を用いて、前記物件間の個体差を補正した性能値を予測する。
本開示の第２の態様によれば、機種単位の基準の性能値である基準性能値を基準モデルで予測して当該基準性能値を補正することで、物件間のばらつきを考慮した性能値を得ることができる。
本開示の第３の態様による機器性能値予測方法は、第２の態様に記載の機器性能値予測方法であって、
前記予測するステップでは、前記基準モデルと、前記基準性能値を補正するためのモデルと、の２つのモデルを用いて、前記物件間の個体差を補正した性能値を予測する。
本開示の第３の態様によれば、２つのモデルに分けることで、説明変数を削減することができる。
本開示の第４の態様による機器性能値予測方法は、第１の態様に記載の機器性能値予測方法であって、
前記予測するステップでは、
前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
本開示の第４の態様によれば、２つのモデルに分けることで、説明変数を削減することができる。
本開示の第５の態様による機器性能値予測方法は、第４の態様に記載の機器性能値予測方法であって、
前記機器の所定の時期の、設置された状態でのデータで学習し、かつ、前記機器の少なくとも運転条件を含むデータを説明変数にして学習することで前記補正モデルを生成するステップ、をさらに含む。
本開示の第５の態様によれば、２つのモデルに分けることで、説明変数を削減することができる。
本開示の第６の態様による機器性能値予測方法は、第１の態様に記載の機器性能値予測方法であって、
前記予測するステップでは、
前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
本開示の第６の態様によれば、補正済みの性能値を１つモデルで予測することができる。
本開示の第７の態様による機器性能値予測方法は、第６の態様に記載の機器性能値予測方法であって、
前記機器の所定の時期の、設置された状態でのデータで前記基準モデルを追加学習するステップ、をさらに含む。
本開示の第７の態様によれば、補正済みの性能値を１つモデルで予測することができる。
本開示の第８の態様による機器性能値予測方法は、第１の態様から第７の態様のいずれかに記載の機器性能値予測方法であって、
前記予測された前記機器の性能値と、前記取得された前記機器のデータから算出した前記機器の性能値と、から性能劣化に関係する指標を算出するステップ、をさらに含む。
本開示の第８の態様によれば、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮して性能の劣化を診断することができる。
本開示の第９の態様による機器性能値予測方法は、第８の態様に記載の機器性能値予測方法であって、
前記算出した性能劣化に関係する指標を用いて、性能劣化として通知するステップ、をさらに含む。
本開示の第９の態様によれば、機器の管理者または使用者は、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能の劣化を知ることができる。
本開示の第１０の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器である。
本開示の第１０の態様によれば、新規の物件の機器のデータを用いて補正モデルを生成することができる。
本開示の第１１の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の異なる１つまたは複数の機器である。
本開示の第１１の態様によれば、既存の物件の機器のデータを用いて補正モデルを生成することができる。
本開示の第１２の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である。
本開示の第１２の態様によれば、新規の物件の機器のデータと既存の物件のデータを用いて補正モデルを生成することができる。
本開示の第１３の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
前記基準モデルおよび前記補正モデルの教師データは、試験データ、フィールドデータ（市場運転データ）、シミュレーションデータのいずれかである。
本開示の第１３の態様によれば、種々のデータで学習することができる。
本開示の第１４の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
前記基準モデルおよび前記補正モデルの教師データは、前記機器が正常であるときのデータである。
本開示の第１４の態様によれば、機器が正常であるときの性能値を予測することができる。
本開示の第１５の態様による機器性能値予測システムは、
機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えたシステムであって、
前記制御部は、
前記機器の設置された状態でのデータを取得し、
前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
本開示の第１６の態様による機器性能値予測システムは、第１５の態様に記載の機器性能値予測システムであって、
前記制御部は、
前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
本開示の第１７の態様による機器性能値予測システムは、第１５の態様に記載の機器性能値予測システムであって、
前記制御部は、
前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
本開示の第１８の態様のプログラムは、
機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えた機器性能値予測システムに、
前記機器の設置された状態でのデータを取得する手順と、
前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する手順と、
を実行させる。
性能値の予測の手法について説明するための図である。 性能値の予測の手法について説明するための図である。 本開示の一実施形態に係る全体の構成例である。 本開示の一実施形態に係る機器性能値予測装置、機器性能値診断装置のハードウェア構成図である。 本開示の一実施形態に係る制御部の機能ブロック図（２つのモデルを生成する場合）である。 本開示の一実施形態に係る２つのモデルを用いて性能値を予測する例である。 本開示の一実施形態に係る制御部の機能ブロック図（基準モデルを追加学習する場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（並列の場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（直列１の場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（直列２の場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（追加学習の場合）である。 本開示の一実施形態に係るモデルの例である。 本開示の一実施形態に係る制御部の機能ブロック図である。 本開示の一実施形態に係る制御部の機能ブロック図である。 本開示の一実施形態に係る制御部の機能ブロック図である。 本開示の一実施形態に係る空気調和機のハードウェア構成図である。 本開示の一実施形態に係る過冷却度（ＳＣ）について説明するための図である。 本開示の一実施形態に係る過熱度（ＳＨ）について説明するための図である。 本開示の一実施形態に係る熱貫流率（ＫＡ）について説明するための図である。 本開示の一実施形態に係る学習処理のフローチャートである。 本開示の一実施形態に係る予測処理（並列の場合）のフローチャートである。 本開示の一実施形態に係る予測処理（直列１の場合）のフローチャートである。 本開示の一実施形態に係る予測処理（直列２の場合）のフローチャートである。 本開示の一実施形態に係る予測処理（追加学習の場合）のフローチャートである。
以下、図面に基づいて本開示の実施の形態を説明する。
＜全体の構成例＞
図３は、本開示の全体の構成例である。機器性能値診断システム１は、機器性能値予測装置１０と、機器性能値診断装置１１と、機器２０と、を含む。
機器性能値予測装置１０と機器性能値診断装置１１は、任意のネットワークを介して機器２０とデータを送受信することができる。機器性能値予測装置１０と機器性能値診断装置１１は、任意のネットワークを介して互いにデータを送受信することができる。なお、図３では、機器性能値予測装置１０と機器性能値診断装置１１を別々の装置として説明するが、機器性能値予測装置１０と機器性能値診断装置１１を１つの装置で実装してもよい。
機器性能値予測装置１０は、機器２０の正常時の性能値を予測する装置である。具体的には、機器性能値予測装置１０は、機器２０のデータを機器２０から取得する。機器性能値予測装置１０は、基準モデルを用いて機器２０のデータから機器２０の基準性能値を予測し、補正モデルを用いて機器２０のデータから機器２０の性能補正値を予測する。機器性能値予測装置１０は、基準性能値と性能補正値から機器２０の性能値を算出する。機器２０の性能補正値は、機器２０の製造時の個体差および据付時の状態差のいずれかに依拠している。
機器性能値診断装置１１は、機器２０を診断する。具体的には、機器性能値診断装置１１は、機器性能値予測装置１０が基準性能値と性能補正値から算出した機器２０の性能値と、機器２０の実際の性能値（実測性能値）と、を比較して機器２０を診断する。
機器２０は、任意の機器であってよい。例えば、機器２０は、空気調和機である。機器２０は、複数の機種の機器（例えば、図３では、機種Ｘの機器と機種Ｙの機器）を含むことができる。また、機器２０が設置される建物、フロア等（以下、物件ともいう）は、複数の物件（例えば、図３では、物件Ａと物件Ｂと物件Ｃ）を含むことができる。例えば、図３では、物件Ａには機種Ｘの機器と機種Ｙの機器が設置されており、物件Ｂには機種Ｘの機器が設置されており、物件Ｃには機種Ｙの機器が設置されている。
なお、本開示の一実施形態では、機器の物件間のばらつき（つまり、個体差）を補正した性能値を予測することができる。物件間の個体差は、異なる建物間で生じる個体差（例えば、建物Ａと建物Ｂとの間で生じるばらつき）であってもよいし、同一の建物内のフロア、エリア、部屋等の設置場所間で生じる個体差（例えば、建物Ａ内の設置場所ａと設置場所ｂとの間で生じるばらつき）であってもよい。
なお、図３では、機器性能値予測装置１０および機器性能値診断装置１１が機器２０から離れた遠隔にある（例えば、クラウドサーバである）場合を説明したが、機器性能値予測装置１０と機器性能値診断装置１１との少なくとも一方が機器２０の内部にあってもよいし、あるいは、機器２０が設置されている物件内に設置されてもよい。
機器性能値予測装置１０および機器性能値診断装置１１を含むシステムは、機器２０の設置された状態でのデータ（例えば、機器２０が所定の物件に設置された状態でのデータ）を取得し、機器２０の設置された状態でのデータと、少なくとも基準モデルと、を用いて、機器２０の所定の時期（例えば、正常時）に相当する、設置された状態での性能値を予測する（例えば、機器２０が所定の物件に設置された状態でのデータと、少なくとも、機器２０の機種別に生成された機器２０のデータから機器２０の基準性能値を予測する基準モデルと、を用いて、物件間の個体差を補正した（物件間のばらつきを反映した）性能値を予測する）ことができる。
例えば、当該システムは、基準モデルと、基準性能値を補正するためのモデルと、の２つのモデルを用いて、物件間の個体差を補正した性能値を予測することができる。例えば、当該システムは、機器２０の設置された状態でのデータと、基準モデルと、を用いて、機器２０の基準性能値を予測し、機器２０の設置された状態でのデータと、基準モデルで予測された機器２０の基準性能値を補正する補正モデルと、を用いて、機器２０の所定の時期に相当する、設置された状態での性能値を予測することができる。例えば、当該システムは、機器２０の所定の時期の、設置された状態でのデータで学習し、かつ、機器２０の少なくとも運転条件を含むデータを説明変数にして学習することで補正モデルを生成することができる。
例えば、当該システムは、機器２０の設置された状態でのデータと、基準モデルを用いて生成されたモデルと、を用いて、機器２０の所定の時期に相当する、設置された状態での性能値を予測することができる。例えば、当該システムは、機器２０の所定の時期の、設置された状態でのデータで基準モデルを追加学習することができる。
＜機器性能値予測装置、機器性能値診断装置＞
図４は、本開示の一実施形態に係る機器性能値予測装置１０、機器性能値診断装置１１のハードウェア構成図である。機器性能値予測装置１０、機器性能値診断装置１１は、制御部１００１と、主記憶部１００２と、補助記憶部１００３と、入力部１００４と、出力部１００５と、インタフェース部１００６と、を備えることができる。以下、それぞれについて説明する。
制御部１００１は、補助記憶部１００３にインストールされている各種プログラムを実行するプロセッサ（例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等）である。
主記憶部１００２は、不揮発性メモリ（ＲＯＭ（Read Only Memory））および揮発性メモリ（ＲＡＭ（Random Access Memory））を含む。ＲＯＭは、補助記憶部１００３にインストールされている各種プログラムを制御部１００１が実行するために必要な各種プログラム、データ等を格納する。ＲＡＭは、補助記憶部１００３にインストールされている各種プログラムが制御部１００１によって実行される際に展開される作業領域を提供する。
補助記憶部１００３は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する補助記憶デバイスである。
入力部１００４は、機器性能値予測装置１０、機器性能値診断装置１１の操作者が機器性能値予測装置１０、機器性能値診断装置１１に対して各種指示を入力する入力デバイスである。
出力部１００５は、機器性能値予測装置１０、機器性能値診断装置１１の内部状態等を出力する出力デバイスである。
インタフェース部１００６は、各種センサやネットワークに接続し、各種センサや他の装置と通信を行うための通信デバイスである。
＜機能ブロック＞
以下、図５－図１５を参照しながら制御部１００１の機能ブロックについて説明する。
［学習］
図５は、本開示の一実施形態に係る制御部１００１の機能ブロック図（２つのモデルを生成する場合）である。図５は、学習の処理を示す。制御部１００１は、基準モデル学習部１０１と、補正モデル学習部１０２と、を備える。また、制御部１００１は、プログラムを実行することによって、基準モデル学習部１０１、補正モデル学習部１０２、として機能する。以下、それぞれについて説明する。
［基準モデル］
基準モデル学習部１０１は、基準モデルを生成して、生成した基準モデルを任意の記憶部に記憶させる。
具体的には、基準モデル学習部１０１は、教師データを取得する。例えば、教師データは、機器２０の運転条件、および、当該機器２０の実際の性能値（なお、実際の性能値は、機器２０の運転条件とセンサ値から算出される）である。基準モデル学習部１０１は、取得した教師データを用いて学習して基準モデルを生成する。基準モデルは、機器２０のデータ（例えば、機器２０の運転条件）が入力されると当該機器の性能値（基準性能値）が出力されるモデルである。
ここで、基準モデルについて説明する。基準モデルは、機器の製造時の個体および据付時の状態が異なる、複数の機器の性能値に基づく基準性能値を予測する。つまり、基準モデルは、機器の製造時の個体および据付時の状態が異なる複数の機器のデータ（例えば、機器の運転条件）と、当該機器の実際の性能値と、を関連付けて学習した機械学習モデルである。
例えば、基準モデルは、機器２０の機種ごとに生成される。具体的には、基準モデル学習部１０１は、機器２０の機種ごとに、当該機種である機器２０のデータ（例えば、機器２０の運転条件）と、当該機種である機器２０の実際の性能値と、を関連付けて学習する。
基準モデルは、少なくとも対象機器（つまり、性能値を得たい機器）とは異なる機器のデータで学習された機械学習モデルである。つまり、基準モデルの教師データは、対象機器とは異なる機器のデータのみであってもよいし、対象機器とは異なる機器のデータと対象機器のデータの両方を含んでもよい。基準モデルの教師データは、機器２０が正常であるときのデータである。例えば、基準モデルの教師データは、試験データ（機器２０の開発や研究時の試験で収集されたデータ）、フィールドデータ（現場で収集されたデータ（例えば、実際に設置された環境で収集されたログデータやクラウドデータ））、シミュレーションデータ（コンピュータがシミュレーションしたデータ）のいずれかである。
［補正モデル］
補正モデル学習部１０２は、補正モデルを生成して、生成した補正モデルを任意の記憶部に記憶させる。
具体的には、補正モデル学習部１０２は、教師データを取得する。例えば、教師データは、機器２０の運転条件と実際の要素性能値（なお、実際の要素性能値は、機器２０の運転条件とセンサ値から算出される）、および、当該機器２０の基準性能値と実際の性能値（なお、実際の性能値は、機器２０の運転条件とセンサ値から算出される）との差または基準性能値に対する実際の性能値（なお、実際の性能値は、機器２０の運転条件とセンサ値から算出される）の比である。補正モデル学習部１０２は、取得した教師データを用いて学習して補正モデルを生成する。補正モデルは、機器２０のデータ（例えば、機器２０の運転条件および要素性能値）が入力されると、当該機器２０の基準性能値と実際の性能値との差または基準性能値に対する実際の性能値の比（性能補正値）が出力されるモデルである。つまり、性能補正値は、「機器２０の正常時の性能値の基準性能値との差」または「機器２０の正常時の性能値の基準性能値に対する比」を示す。
ここで、補正モデルについて説明する。補正モデルは、基準モデルで予測された機器２０の基準性能値を補正する機械学習モデルである。
補正モデルの入力は、機器２０のデータのうち、基準性能値との差または基準性能値に対する比と相関が大きいパラメータ（つまり、機器の製造時の個体差および据付時の状態差のいずれかに依拠しているパラメータ）である。補正モデル学習部１０２は、補正モデルに、機器２０の全データ（例えば、全ての運転条件および全ての要素性能値）を入力して、基準性能値との差または基準性能値に対する比を出力したときに、当該差または当該比が大きくなることへの寄与率が高いデータ（例えば、寄与率が高い運転条件および寄与率が高い要素性能値）を、性能補正値を予測するための入力（説明変数）とすることができる。例えば、補正モデル学習部１０２は、学習時にランダムフォレストの重要度等（ジニ係数の減少への寄与率）で補正モデルの最適な説明変数を決める、重回帰分析等で補正モデルの最適な説明変数を決めることができる。
例えば、基準性能値との差または基準性能値に対する比と相関が大きいパラメータは、機器の冷媒充填量に関係する指標と、機器の熱交換器性能に関係する指標と、機器の圧縮機性能に関係する指標と、機器の連絡配管長に関係する指標と、のうちのいずれか１つの指標、あるいは、機器の冷媒充填量に関係する指標と、機器の熱交換器性能に関係する指標と、機器の圧縮機性能に関係する指標と、機器の連絡配管長に関係する指標と、のうちのいずれか１つの指標と他の指標とを含む２つ以上の指標に関係する値である。
補正モデルの出力（性能補正値）は、基準性能値との差または基準性能値に対する比である。性能補正値は、機器の製造時の個体差および据付時の状態差のいずれかに依拠している。
例えば、機器の製造時の個体差は、部品ごとの公差や多数の部品からなる製品の組み立て時の公差といったばらつきにより、機器ごとに生じる個体差である（このような個体差が機器（例えば、熱交換器や圧縮機）の性能に影響を及ぼす）。
例えば、機器の据付時の状態差は、初期冷媒充填量である。据付時の状態差が初期冷媒充填量の場合、初期冷媒充填量が少ないと性能補正値(例えば、ＣＯＰ)の絶対値が大きくなる。例えば、据付時の状態差は、据付時の充填ポンプの重さの値、据付時の過冷却度（ＳＣ）の値、据付時の過熱度（ＳＨ）の値、据付時の膨張弁開度（ＥＶ開度）等であってもよい。また、例えば、据付時の状態差は、輸送や設置の時に熱交換器のフィンが倒れたり、潰れたりすることによる状態差であってもよい。
例えば、補正モデルは、機器２０が設置される物件ごとに生成される。具体的には、補正モデル学習部１０２は、機器２０が設置される物件ごとに、当該物件に設置される機器２０の運転条件および実際の要素性能値と、当該物件に設置される機器２０の基準性能値と実際の性能値との差または基準性能値に対する実際の性能値の比と、を関連付けて学習する。
補正モデルの教師データは、機器２０が正常であるときのデータである。例えば、補正モデルの教師データは、試験データ（機器２０の開発や研究時の試験で収集されたデータ）、フィールドデータ（現場で収集されたデータ（例えば、実際に設置された環境で収集されたログデータやクラウドデータ））、シミュレーションデータ（コンピュータがシミュレーションしたデータ）のいずれかである。
以下、補正モデルを生成するために用いられる機器の例を説明する。
例えば、補正モデルを生成するために用いられる機器は、機器性能値予測装置１０が予測するための機器と同一の機種の同一の機器である。
例えば、補正モデルを生成するために用いられる機器は、機器性能値予測装置１０が予測するための機器と同一の機種の異なる１つまたは複数の機器である。
例えば、補正モデルを生成するために用いられる機器は、機器性能値予測装置１０が予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である。
以下、物件ごとの補正と機種ごとの補正について説明する。
［物件ごとの補正］
例えば、物件ごとに、機器の製造時の個体差および据付時の状態差を考慮して性能値を補正することができる。この場合、機器の機種ごとに基準モデルを生成して、機器が設置される物件ごとに補正モデルを生成する。対象機器（つまり、性能値を得たい機器）と同じ機種の基準モデルで基準性能値を予測し、対象機器が設置される物件の補正モデルで性能補正値を予測する。そのため、同じ機種かつ機器が正常であっても生じる物件ごとの性能値のばらつきを補正することができる。
［機種ごとの補正］
なお、機種ごとに、機器の製造時の個体差および据付時の状態差を考慮して性能値を補正してもよい。この場合、複数の機種の機器のデータで基準モデルを生成して、機種ごとに補正モデルを生成する。
このように、基準性能値を予測する基準モデルと性能補正値を予測する補正モデルの２つに分けることで、説明変数を削減することができるので、過学習することなく、学習が早く収束する。
図６は、本開示の一実施形態に係る２つのモデルを用いて性能値を予測する例である。
図６の（１）並列に示すように、本開示の一実施形態では、機器のデータから基準モデル（例えば、機種ごとに生成されたモデル。機種ごとの性能値である基準性能値を予測する）を用いて予測した基準性能値と、機器のデータから補正モデル（例えば、当該機種の機器が設置される物件ごとに生成されたモデル。当該機種の機器の当該物件での性能値と基準性能値との差または比を予測する）を用いて予測した性能補正値と、に基づいて（具体的には、基準性能値に性能補正値を加算あるいは乗算する）、機器２０の補正済みの性能値（つまり、ばらつきを考慮した性能値）を予測することができる。
図６の（２）直列１に示すように、本開示の一実施形態では、機器のデータから基準モデル（例えば、機種ごとに生成されたモデル。機種ごとの性能値である基準性能値を予測する）を用いて基準性能値を予測し、当該基準性能値から補正モデル（例えば、当該機種の機器が設置される物件ごとに生成されたモデル。当該機種の機器の当該物件での性能値を予測する）を用いて機器２０の補正済みの性能値（つまり、ばらつきを考慮した性能値）を予測することができる。
図６の（３）直列２に示すように、本開示の一実施形態では、機器のデータから補正モデル（例えば、物件ごとに生成されたモデル。所定の物件（基準となる物件）での機器のデータである"補正済みの機器のデータ"を予測する）を用いて補正済みの機器のデータを予測し、当該補正済みの機器のデータから基準モデル（例えば、機種ごとに生成されたモデル。機種ごとの性能値である基準性能値を予測する）を用いて機器２０の補正済みの性能値（つまり、ばらつきを考慮した性能値）を予測することができる。
図７は、本開示の一実施形態に係る制御部１００１の機能ブロック図（基準モデルを追加学習する場合）である。図７は、学習の処理を示す。制御部１００１は、基準モデル学習部１０１と、追加学習部１０３と、を備える。また、制御部１００１は、プログラムを実行することによって、基準モデル学習部１０１、追加学習部１０３、として機能する。以下、それぞれについて、主に図５の場合と異なる点を説明する。
基準モデル学習部１０１は、基準モデルを生成して、生成した基準モデルを任意の記憶部に記憶させる。例えば、基準モデル学習部１０１は、教師データ（例えば、機種ごとの機器のデータ、および、当該機種ごとの性能値である基準性能値）を用いて学習して基準モデル（機器のデータが入力されると、当該機器の基準性能値が出力されるモデル）を生成する。
追加学習部１０３は、基準モデル学習部１０１が生成した基準モデルを、機器２０のデータ（機器２０が設置される物件におけるデータ（機器のデータ、および、当該機器の性能値）で追加学習する。例えば、追加学習は、転移学習、蒸留、ファインチューニングである。
［予測］
図８は、本開示の一実施形態に係る制御部１００１の機能ブロック図（並列の場合）である。図８は、予測の処理を示す。制御部１００１は、基準性能値予測部１１１と、性能補正値予測部１１２と、性能値算出部１１３と、を備える。また、制御部１００１は、プログラムを実行することによって、基準性能値予測部１１１、性能補正値予測部１１２、性能値算出部１１３、として機能する。以下、それぞれについて説明する。
基準性能値予測部１１１は、機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。例えば、基準性能値予測部１１１は、基準モデルに機器２０の運転条件を入力して、機器２０の基準性能値を出力させる。
性能補正値予測部１１２は、機器２０のデータから補正モデルを用いて機器２０の性能補正値を予測する。例えば、機器性能値予測装置１０は、補正モデルに機器２０の運転条件および要素性能値（なお、要素性能値は、機器２０の運転条件とセンサ値から算出される）を入力して、機器２０の性能補正値を出力させる。
性能値算出部１１３は、基準性能値予測部１１１が予測した基準性能値と性能補正値予測部１１２が予測した性能補正値に基づいて、機器２０の性能値を算出する。例えば、機器性能値予測装置１０は、基準性能値に性能補正値を加算あるいは乗算する。
このように、機器２０の製造時の個体のばらつきまたは据付時の状態のばらつき（例えば、機器２０が設置される物件ごとのばらつき）を考慮した性能値を得ることができる。基準モデルと補正モデルに分けることで、説明変数を削減することができるので、多重共線性によって予測精度が低下することを防ぐことができる。
図９は、本開示の一実施形態に係る制御部１００１の機能ブロック図（直列１の場合）である。図９は、予測の処理を示す。制御部１００１は、基準性能値予測部１１１と、性能値補正部１１４と、を備える。また、制御部１００１は、プログラムを実行することによって、基準性能値予測部１１１、性能値補正部１１４、として機能する。
基準性能値予測部１１１は、機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。具体的には、基準性能値予測部１１１は、基準モデルに機器２０のデータを入力して、機器２０の基準性能値を出力させる。
性能値補正部１１４は、基準性能値予測部１１１が予測した基準性能値から、補正モデル（具体的には、機器の基準性能値が入力されると、当該機器の補正済みの性能値が出力されるモデル）を用いて機器２０の補正済みの性能値を予測する。具体的には、性能値補正部１１４は、補正モデルに機器２０の基準性能値を入力して、機器２０の補正済みの性能値を出力させる。
図１０は、本開示の一実施形態に係る制御部１００１の機能ブロック図（直列２の場合）である。図１０は、予測の処理を示す。制御部１００１は、機器データ補正部１１５と、基準性能値予測部１１１と、を備える。また、制御部１００１は、プログラムを実行することによって、機器データ補正部１１５、基準性能値予測部１１１、として機能する。
機器データ補正部１１５は、機器２０のデータから補正モデル（具体的には、機器のデータが入力されると、補正済みの機器のデータが出力されるモデル）を用いて補正済みの機器２０のデータを予測する。具体的には、機器データ補正部１１５は、補正モデルに機器２０のデータを入力して、補正済みの機器２０のデータを出力させる。
基準性能値予測部１１１は、機器データ補正部１１５が予測した補正済みの機器２０のデータから基準モデルを用いて機器２０の性能値（つまり、補正済みの性能値）を予測する。具体的には、基準性能値予測部１１１は、基準モデルに補正済みの機器２０のデータを入力して、機器２０の性能値（つまり、補正済みの性能値）を出力させる。
図１１は、本開示の一実施形態に係る制御部１００１の機能ブロック図（追加学習の場合）である。図１１は、予測の処理を示す。制御部１００１は、性能値予測部１１６を備える。また、制御部１００１は、プログラムを実行することによって、性能値予測部１１６として機能する。
性能値予測部１１６は、基準モデルが追加学習されたモデルを用いて、機器２０のデータから性能値（つまり、補正済みの性能値）を予測する。
図１２は、本開示の一実施形態に係るモデルの例である。本明細書で説明する基準モデルおよび補正モデルは、機械学習モデルに限らず、式、マップであってもよい。図１２は、基準モデルの例を示す。
図１２の（１）機械学習モデルに示すように、モデルは、例えば機械学習モデルである。例えば、基準モデルは、機器のデータ（例えば、Ａ、Ｂ）が入力されると、基準性能値が出力されるように学習されたモデルである。
図１２の（２）基準式（回帰式）に示すように、モデルは、例えば式（回帰式）である。例えば、基準式（回帰式）は、機器のデータ（例えば、Ａ、Ｂ）から基準性能値を算出することができる式（回帰式）である。
図１２の（３）基準マップに示すように、モデルは、例えばマップ（対応表ともいう）である。例えば、基準マップは、機器のデータの各値（例えば、Ａ１、Ａ２、Ａ３、Ｂ１、Ｂ２、Ｂ３）に対応する基準性能値を表すマップである。
［診断］
図１３は、本開示の一実施形態に係る制御部１００１の機能ブロック図である。図１３は、診断の処理を示す。制御部１００１は、実測性能値算出部１２１と、診断部１２２と、通知部１２３と、を備える。また、制御部１００１は、プログラムを実行することによって、実測性能値算出部１２１、診断部１２２、通知部１２３として機能する。以下、それぞれについて説明する。なお、図１３では、上記の並列の場合を説明するが、直列１、直列２、追加学習の場合も同様である。
実測性能値算出部１２１は、機器２０のデータから機器２０の実測性能値（実際の性能値）を算出する。例えば、実測性能値算出部１２１は、機器２０の運転条件およびセンサ値から、機器２０の実測性能値を算出する。
診断部１２２は、機器２０の性能値を診断する。例えば、診断部１２２は、性能値算出部１１３が算出した機器２０の性能値（つまり、図８で、基準性能値と性能補正値に基づいて算出された性能値）と、実測性能値算出部１２１が算出した機器２０の実測性能値と、から性能劣化に関係する指標を算出する。
例えば、基準モデルと補正モデルの教師データが機器２０が正常であるときのデータである場合、診断部１２２は、性能値算出部１１３が算出した機器２０の性能値と、実測性能値算出部１２１が算出した機器２０の実測性能値と、が乖離しているほど、機器２０の性能が劣化していると診断することができる。
通知部１２３は、診断部１２２が診断した結果を通知する（例えば、機器２０の管理者または使用者の端末に診断の結果を送信する）。例えば、通知部１２３は、診断部１２２が算出した性能劣化に関係する指標を用いて、性能劣化として通知する。例えば、通知部１２３は、機器２０の劣化の有無、機器２０の劣化の度合いを通知することができる。
このように、高い精度で得られた機器２０の性能値を用いて、機器２０を診断することができる。
［初期診断］
図１４は、本開示の一実施形態に係る制御部１００１の機能ブロック図である。図１４は、初期診断の処理を示す。制御部１００１は、実測性能値算出部１２１と、診断部１２２と、通知部１２３と、を備える。また、制御部１００１は、プログラムを実行することによって、実測性能値算出部１２１、診断部１２２、通知部１２３として機能する。以下、それぞれについて説明する。なお、図１４では、上記の並列の場合を説明するが、直列１、直列２、追加学習の場合も同様である。
実測性能値算出部１２１は、機器２０のデータから機器２０の実測性能値（実際の性能値）を算出する。例えば、実測性能値算出部１２１は、機器２０の運転条件およびセンサ値から、機器２０の実測性能値を算出する。
診断部１２２は、機器２０の性能値を診断する。具体的には、診断部１２２は、基準性能値予測部１１１が予測した機器２０の基準性能値（つまり、図８で、基準モデルを用いて予測された基準性能値）と、実測性能値算出部１２１が算出した機器２０の実測性能値と、から性能劣化に関係する指標を算出する。
例えば、基準モデルの教師データが機器２０が正常であるときのデータである場合、診断部１２２は、基準性能値予測部１１１が算出した機器２０の性能値と、実測性能値算出部１２１が算出した機器２０の実測性能値と、が乖離しているほど、機器２０の性能が劣化していると診断することができる。
通知部１２３は、診断部１２２が診断した結果を通知する（例えば、機器２０の管理者または使用者の端末に診断の結果を送信する）。例えば、通知部１２３は、診断部１２２が算出した性能劣化に関係する指標を用いて、性能劣化として通知する。例えば、通知部１２３は、機器２０の劣化の有無、機器２０の劣化の度合いを通知することができる。
このように、機器２０の基準性能値を用いて機器２０の初期診断を行うことで、機器２０が設置される物件の初期異常を検知することができる。
［要素性能値算出］
図１５は、本開示の一実施形態に係る制御部１００１の機能ブロック図である。図１５は、要素性能値の算出の処理を示す。制御部１００１は、要素性能値算出部１３１を備える。また、制御部１００１は、プログラムを実行することによって、要素性能値算出部１３１として機能する。
要素性能値算出部１３１は、機器２０のデータ（例えば、機器２０の運転条件と機器２０のセンサ値）を取得する。要素性能値算出部１３１は、機器２０のデータ（例えば、機器２０の運転条件と機器２０のセンサ値）を用いて計算して、機器２０の要素性能値を算出する。
このように、機器２０のセンサ値そのものではなく、機器２０のセンサ値から算出した要素性能値を用いて学習することにより、学習が早く収束する。
＜空気調和機＞
ここで、機器２０の一例である空気調和機について説明する。なお、空気調和機は、ルームエアコン、パッケージエアコン、マルチエアコン、セントラル空調方式の空気調和機等であってもよいし、冷暖房用途のみならず冷蔵・冷凍システムであってもよい。
図１６は、本開示の一実施形態に係る空気調和機２０００のハードウェア構成図である。空気調和機２０００は、室内機２００１および室外機２００２を有する。室内機２００１と室外機２００２は、連絡配管で接続されている。なお、図１６では、空気調和機２０００の冷房時の冷凍サイクルを示している。
室内機２００１は、膨張弁３００１および熱交換器（蒸発器）３００２を有する。室外機２００２は、圧縮機３００３および熱交換器（凝縮器）３００４を有する。
冷媒の流れについて説明する。高温・高圧の液体は、膨張弁３００１で減圧されて、低温・低圧の液体となる。蒸発器３００２において、冷媒は、吸熱により液体から気体に変化する。低温・低圧の気体は、圧縮機３００３で加圧されて、高温・高圧の気体となる。凝縮器３００４において、冷媒は、放熱により気体から液体に変化する。
なお、暖房時には、室内機２００１の熱交換器が凝縮器となり、室外機２００２の熱交換器が蒸発器となり、冷媒は図１６とは反対方向に流れる。
＜機器のデータ＞
ここで、機器２０のデータについて説明する。機器２０のデータは、機器２０の運転中に取得されうるデータである。例えば、機器２０のデータは、機器２０の運転条件（機器２０の運転中の種々の条件）、機器２０のセンサ値（機器２０のセンサが取得した値）等を含む。例えば、機器２０の運転条件は、室外温度、室外湿度、室内温度、室内湿度、圧縮機回転数、室内ファン回転数、室外ファン回転数等である。例えば、機器２０のセンサ値は、高圧圧力、低圧圧力、凝縮温度、蒸発温度、液管温度、ガス管温度、吐出温度、吸入温度、室外温度、室外湿度、室内温度、室内湿度等である。なお、機器２０の運転条件と機器２０のセンサ値から要素性能値が算出される。
＜性能値＞
ここで、機器２０の性能値について説明する。例えば、性能値は、機器（例えば、空気調和機）２０の全体に関する性能値、または、機器（例えば、空気調和機）２０の要素に関する性能値である。なお、機器性能値予測装置１０は、機器２０の運転条件およびセンサ値から機器２０の要素に関する性能値（要素性能値）を算出することができる。
＜全体性能値＞
機器の全体に関する性能値（全体性能値）について説明する。例えば、全体性能値は、空気調和機のシステムに関する性能値である。例えば、全体性能値は、空気調和機の冷房能力と、暖房能力と、消費電力と、ＣＯＰ（Coefficient of Performance）と、のうちの少なくとも１つを含む。以下、それぞれについて説明する。
冷房能力は、冷房時の空気調和機の性能である。
暖房能力は、暖房時の空気調和機の性能である。
消費電力は、空気調和機の消費電力である。
ＣＯＰは、空気調和機の消費電力１ｋＷ当たりの能力である。
＜要素性能値＞
機器の要素に関する性能値（要素性能値）について説明する。例えば、要素性能値は、空気調和機を構成する要素部品に関する性能値である。例えば、要素性能値は、空気調和機の過冷却度（ＳＣ）と、過熱度（ＳＨ）と、膨張弁開度（ＥＶ開度）と、凝縮器熱貫流率（凝縮器ＫＡ）と、蒸発器熱貫流率（蒸発器ＫＡ）と、圧縮機電流と、差圧と、のうちの少なくとも１つを含む。以下、それぞれについて説明する。
冷媒の充填量（例えば、初期充填量のばらつき）は、例えば、ＳＣ、ＳＨ、ＥＶ開度で表される。
過冷却度（ＳＣ）は、空気調和機の冷媒の充填量を表す。過冷却度（ＳＣ）は、冷房時に冷媒の充填量によって変化する値である。後段で、図１７を参照しながら詳細に説明する。
過熱度（ＳＨ）は、空気調和機の冷媒の充填量を表す。過熱度（ＳＨ）は、暖房時に冷媒の充填量によって変化する値である。後段で、図１８を参照しながら詳細に説明する。
膨張弁開度（ＥＶ開度）は、空気調和機の冷媒の充填量を表す。膨張弁開度（ＥＶ開度）は、同じ運転条件でも冷媒の充填量によって変化する値である。
凝縮器熱貫流率（凝縮器ＫＡ）は、凝縮器の性能を表す。凝縮器とは、冷房時の室外機の熱交換器、および、暖房時の室内機の熱交換器である。凝縮器熱貫流率（凝縮器ＫＡ）は、同じ運転条件でも熱交換器の形状や設置された環境によって変化する値である。後段で、図１９を参照しながら詳細に説明する。
蒸発器熱貫流率（蒸発器ＫＡ）は、蒸発器の性能を表す。蒸発器とは、冷房時の室内機の熱交換器、および、暖房時の室外機の熱交換器である。蒸発器熱貫流率（蒸発器ＫＡ）は、同じ運転条件でも熱交換器の形状や設置された環境によって変化する値である。後段で、図１９を参照しながら詳細に説明する。
圧縮機電流は、圧縮機の入力（電流）である。圧縮機電流は、圧縮機の効率によって変化する消費電流を表す。
差圧は、高圧と低圧の差である。差圧は、連絡配管長によって変化する圧力損失を表す。差圧は、吸入圧損である。吸入圧損は、同じ運転条件でも連絡配管長によって変化する値である。差圧は、高低差圧である。高低差圧は、同じ運転条件でも連絡配管長によって変化する値である。
その他、要素性能値は、空気調和機の冷媒の種類、空気調和機のファン、連絡配管の内径、連絡配管の曲管、ショートサーキットに関係する値、記録されたデータ（冷媒充填量、連絡配管長等。例えば、何ｋｇ冷媒を充填した、何ｍ配管を連絡した等）等であってもよい。
［過冷却度（ＳＣ）］
図１７は、本開示の一実施形態に係る過冷却度（ＳＣ）について説明するための図である。凝縮器内の冷媒は放熱により気相から液相に変化するが、相変化中(飽和状態)の圧力と温度は一定になる。しかし、圧力が同じでも、冷媒が液体だけになると、液体の温度は下降する。冷媒温度が飽和温度より下降した状態を過冷却（図１７参照）と言い、この時の温度差を過冷却度と言う。
［過熱度（ＳＨ）］
図１８は、本開示の一実施形態に係る過熱度（ＳＨ）について説明するための図である。蒸発器内の冷媒は吸熱により液相から気相に変化するが、相変化中(飽和状態)の圧力と温度は一定になる。しかし、圧力が同じでも、冷媒が気体だけになると、気体の温度は上昇する。冷媒温度が飽和温度より上昇した状態を過熱（図１８参照）と言い、この時の温度差を過熱度と言う。
［熱貫流率（ＫＡ）］
図１９は、本開示の一実施形態に係る熱貫流率（ＫＡ）について説明するための図である。熱交換器の外面と内面間を熱が移動することを熱通過と言う。１ｍｍ２かつ１時間当たりの熱通過率をＫ、熱交換器の面積をＡと表し、熱交換器の性能を表す。
＜方法＞
以下、図２０を参照しながら学習処理について説明し、図２１－図２４を参照しながら予測処理について説明する。
図２０は、本開示の一実施形態に係る学習処理のフローチャートである。
ステップ１０１（Ｓ１０１）において、機器性能値予測装置１０は、教師データを取得する。
ステップ１０２（Ｓ１０２）において、機器性能値予測装置１０は、Ｓ１０１で取得した教師データを用いて学習して機械学習モデルを生成する。
上記の並列の場合について説明する。
［基準モデル］
具体的には、機器性能値予測装置１０は、少なくとも対象機器（つまり、性能値を得たい機器）とは異なる機器のデータを取得して、取得した機器のデータを用いて学習して基準モデルを生成する。例えば、基準モデルは、機器の運転条件が入力されると当該機器の性能値（基準性能値）が出力されるモデルである。
［補正モデル］
具体的には、機器性能値予測装置１０は、機器のデータを取得して、取得した機器のデータを用いて学習して補正モデルを生成する。例えば、補正モデルは、機器の運転条件および要素性能値が入力されると性能補正値が出力されるモデルである。
以下、上記の直列１の場合の学習処理、直列２の場合の学習処理、追加学習の場合の学習処理について説明する。
直列１の場合、機器性能値予測装置１０は、教師データ（例えば、機種ごとの機器のデータ、および、当該機種ごとの性能値である基準性能値）を用いて学習して基準モデル（機器のデータが入力されると、当該機器の基準性能値が出力されるモデル）を生成する。また、機器性能値予測装置１０は、教師データ（例えば、機種ごとの性能値である"基準性能値"、および、当該機種の物件ごとの性能値である"補正済みの性能値"）を用いて学習して補正モデル（機器の基準性能値が入力されると、当該機器の補正済みの性能値が出力されるモデル）を生成する。このように、機器性能値予測装置１０は、機器２０の機種別に基準モデルを生成し、当該機種の機器２０が設置される物件別に補正モデルを生成することができる。
直列２の場合、機器性能値予測装置１０は、教師データ（例えば、物件ごとの機器のデータ、および、所定の物件（基準となる物件）での機器のデータである"補正済みの機器のデータ"）を用いて学習して補正モデル（機器のデータが入力されると、"補正済みの機器のデータ"が出力されるモデル）を生成する。また、機器性能値予測装置１０は、教師データ（例えば、"補正済みの機器のデータ"、および、機種ごとの性能値である"基準性能値"）を用いて学習して補正モデル（補正済みの機器のデータが入力されると、当該機器の補正済みの性能値が出力されるモデル）を生成する。このように、機器性能値予測装置１０は、機器２０が設置される物件別に補正モデルを生成し、機器２０の機種別に基準モデルを生成することができる。
追加学習の場合、機器性能値予測装置１０は、教師データ（例えば、機種ごとの機器のデータ、および、当該機種ごとの性能値である基準性能値）を用いて学習して基準モデル（機器のデータが入力されると、当該機器の基準性能値が出力されるモデル）を生成する。そして、機器性能値予測装置１０は、当該基準モデルを、機器２０が設置される物件におけるデータ（機器のデータ、および、当該機器の性能値）で追加学習する。このように、機器性能値予測装置１０は、機器２０の機種別に基準モデルを生成して、当該基準モデルを、機器２０が設置される物件におけるデータ（機器のデータ、および、当該機器の性能値）で追加学習することができる。
図２１は、本開示の一実施形態に係る予測処理（並列の場合）のフローチャートである。
ステップ２０１（Ｓ２０１）において、機器性能値予測装置１０は、機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。例えば、機器性能値予測装置１０は、基準モデルに機器２０の運転条件を入力して、機器２０の基準性能値を出力させる。
ステップ２０２（Ｓ２０２）において、機器性能値予測装置１０は、機器２０のデータから補正モデルを用いて機器２０の性能補正値を予測する。例えば、機器性能値予測装置１０は、補正モデルに機器２０の運転条件および要素性能値を入力して、機器２０の性能補正値を出力させる。
なお、Ｓ２０１とＳ２０２は、同時に実行されてもよいし、順序が逆であってもよい。
ステップ２０３（Ｓ２０３）において、機器性能値予測装置１０は、Ｓ２０１で予測された基準性能値とＳ２０２で予測された性能補正値に基づいて、機器２０の性能値を算出する。例えば、機器性能値予測装置１０は、基準性能値に性能補正値を加算あるいは乗算する。
ステップ２０４（Ｓ２０４）において、機器性能値予測装置１０は、機器２０のデータから機器２０の実測性能値を算出する。例えば、機器性能値予測装置１０は、機器２０の運転条件およびセンサ値から、機器２０の実測性能値を算出する。
なお、Ｓ２０４は、Ｓ２０１からＳ２０３までのいずれかと同時に実行されてもよいし、Ｓ２０１の前、Ｓ２０２の前、Ｓ２０３の前に実行されてもよい。
ステップ２０５（Ｓ２０５）において、機器性能値診断装置１１は、機器２０を診断する。例えば、機器性能値診断装置１１は、Ｓ２０３で算出された機器２０の性能値と、Ｓ２０４で算出された機器２０の実測性能値と、から性能劣化に関係する指標を算出する。
ステップ２０６（Ｓ２０６）において、機器性能値診断装置１１は、Ｓ２０５の診断の結果を通知する（例えば、機器２０の管理者または使用者の端末に診断の結果を送信する）。例えば、機器性能値診断装置１１は、Ｓ２０５で算出した性能劣化に関係する指標を用いて、性能劣化として通知する。例えば、機器性能値診断装置１１は、機器２０の劣化の有無、機器２０の劣化の度合いを通知することができる。
以下、図２２－図２４を参照しながら、上記の直列１の場合の予測処理、直列２の場合の予測処理、追加学習の場合の予測処理について説明する。なお、機器性能値の診断については図２１のＳ２０４－Ｓ２０６と同様であるので説明を省略する。
図２２は、本開示の一実施形態に係る予測処理（直列１の場合）のフローチャートである。
ステップ３０１（Ｓ３０１）において、機器性能値予測装置１０は、機器２０のデータを取得する。
ステップ３０２（Ｓ３０２）において、機器性能値予測装置１０は、Ｓ３０１で取得した機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。具体的には、機器性能値予測装置１０は、基準モデルに機器２０のデータを入力して、機器２０の基準性能値を出力させる。
ステップ３０３（Ｓ３０３）において、機器性能値予測装置１０は、Ｓ３０２で予測した機器２０の基準性能値から補正モデル（具体的には、機器の基準性能値が入力されると、当該機器の補正済みの性能値が出力されるモデル）を用いて機器２０の補正済みの性能値を予測する。具体的には、機器性能値予測装置１０は、補正モデルに機器２０の基準性能値を入力して、機器２０の補正済みの性能値を出力させる。
図２３は、本開示の一実施形態に係る予測処理（直列２の場合）のフローチャートである。
ステップ４０１（Ｓ４０１）において、機器性能値予測装置１０は、機器２０のデータを取得する。
ステップ４０２（Ｓ４０２）において、機器性能値予測装置１０は、Ｓ４０１で取得した機器２０のデータから補正モデルを用いて補正済みの機器２０のデータを予測する。具体的には、機器性能値予測装置１０は、補正モデルに機器２０のデータを入力して、補正済みの機器２０のデータを出力させる。
ステップ４０３（Ｓ４０３）において、機器性能値予測装置１０は、Ｓ４０２で予測した補正済みの機器２０のデータから基準モデルを用いて機器２０の性能値（つまり、補正済みの性能値）を予測する。具体的には、機器性能値予測装置１０は、基準モデルに補正済みの機器２０のデータを入力して、機器２０の性能値（つまり、補正済みの性能値）を出力させる。
図２４は、本開示の一実施形態に係る予測処理（追加学習の場合）のフローチャートである。
ステップ５０１（Ｓ５０１）において、機器性能値予測装置１０は、機器２０のデータを取得する。
ステップ５０２（Ｓ５０２）において、機器性能値予測装置１０は、基準モデルが追加学習されたモデルを用いて、Ｓ５０１で取得した機器２０のデータから性能値（つまり、補正済みの性能値）を予測する。
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。
１ 機器性能値診断システム
１０ 機器性能値予測装置
１１ 機器性能値診断装置
２０ 機器
１０１ 基準モデル学習部
１０２ 補正モデル学習部
１０３ 追加学習部
１１１ 基準性能値予測部
１１２ 性能補正値予測部
１１３ 性能値算出部
１１４ 性能値補正部
１１５ 機器データ補正部
１１６ 性能値予測部
１２１ 実測性能値算出部
１２２ 診断部
１２３ 通知部
１３１ 要素性能値算出部
１００１ 制御部
１００２ 主記憶部
１００３ 補助記憶部
１００４ 入力部
１００５ 出力部
１００６ インタフェース部
２０００ 空気調和機
２００１ 室内機
２００２ 室外機
３００１ 膨張弁
３００２ 蒸発器
３００３ 圧縮機
３００４ 凝縮器

Claims (18)

  1. 機器の設置された状態でのデータを取得するステップと、
    前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測するステップと、
    を含む方法。
  2. 前記取得するステップでは、前記機器が所定の物件に設置された状態でのデータを取得し、
    前記予測するステップでは、前記機器が所定の物件に設置された状態でのデータと、少なくとも、前記機器の機種別に生成された前記機器のデータから前記機器の基準性能値を予測する前記基準モデルと、を用いて、前記物件間の個体差を補正した性能値を予測する、請求項１に記載の方法。
  3. 前記予測するステップでは、前記基準モデルと、前記基準性能値を補正するためのモデルと、の２つのモデルを用いて、前記物件間の個体差を補正した性能値を予測する、請求項２に記載の方法。
  4. 前記予測するステップでは、
    前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
    前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１に記載の方法。
  5. 前記機器の所定の時期の、設置された状態でのデータで学習し、かつ、前記機器の少なくとも運転条件を含むデータを説明変数にして学習することで前記補正モデルを生成するステップ、をさらに含む請求項４に記載の方法。
  6. 前記予測するステップでは、
    前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１に記載の方法。
  7. 前記機器の所定の時期の、設置された状態でのデータで前記基準モデルを追加学習するステップ、をさらに含む請求項６に記載の方法。
  8. 前記予測された前記機器の性能値と、前記取得された前記機器のデータから算出した前記機器の性能値と、から性能劣化に関係する指標を算出するステップ、をさらに含む請求項１から７のいずれか一項に記載の方法。
  9. 前記算出した性能劣化に関係する指標を用いて、性能劣化として通知するステップ、をさらに含む請求項８に記載の方法。
  10. 前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器である、請求項４または５に記載の方法。
  11. 前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の異なる１つまたは複数の機器である、請求項４または５に記載の方法。
  12. 前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である、請求項４または５に記載の方法。
  13. 前記基準モデルおよび前記補正モデルの教師データは、試験データ、フィールドデータ、シミュレーションデータのいずれかである、請求項４または５に記載の方法。
  14. 前記基準モデルおよび前記補正モデルの教師データは、前記機器が正常であるときのデータである、請求項４または５に記載の方法。
  15. 機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えたシステムであって、
    前記制御部は、
    前記機器の設置された状態でのデータを取得し、
    前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、
    機器性能値予測システム。
  16. 前記制御部は、
    前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
    前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１５に記載の機器性能値予測システム。
  17. 前記制御部は、
    前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１５に記載の機器性能値予測システム。
  18. 機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えた機器性能値予測システムに、
    前記機器の設置された状態でのデータを取得する手順と、
    前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する手順と、
    を実行させるためのプログラム。
JP2023147240A 2022-09-12 2023-09-11 機器性能値予測方法、システム、およびプログラム Pending JP2024040138A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022144616 2022-09-12
JP2022144616 2022-09-12

Publications (1)

Publication Number Publication Date
JP2024040138A true JP2024040138A (ja) 2024-03-25

Family

ID=90275061

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023147240A Pending JP2024040138A (ja) 2022-09-12 2023-09-11 機器性能値予測方法、システム、およびプログラム

Country Status (2)

Country Link
JP (1) JP2024040138A (ja)
WO (1) WO2024058149A1 (ja)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法

Also Published As

Publication number Publication date
WO2024058149A1 (ja) 2024-03-21

Similar Documents

Publication Publication Date Title
US11713893B2 (en) Refrigeration leak detection
Li et al. A review of virtual sensing technology and application in building systems
JP6359423B2 (ja) 空調システムの制御装置、空調システム、及び空調システムの制御装置の異常判定方法
Cheung et al. Simulation of fault impacts for vapor compression systems by inverse modeling. Part I: Component modeling and validation
Kim et al. Extension of a virtual refrigerant charge sensor
JPH11148750A (ja) 膨張バルブの動作を監視するための方法
Zhu et al. Hybrid model based refrigerant charge fault estimation for the data centre air conditioning system
US11561019B2 (en) Performance diagnosis device and performance diagnosis method for air conditioner
EP3196563B1 (en) Control device for air conditioning system, air conditioning system, and method for determining anomaly of air conditioning system
JP6750091B2 (ja) 空気調和機の性能診断装置及び性能診断方法
WO2022196813A1 (ja) 補正装置、予測装置、方法、プログラム、および補正モデル
JP2007240036A (ja) 空気調和機の診断方法及び診断システム
Yoon et al. Improved energy balance calculation of unitary air conditioners via virtual in-situ calibration
JP6972468B2 (ja) 空調装置の評価装置および評価方法
US20240142125A1 (en) Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner
JP3716318B2 (ja) 機器の遠隔診断システム
Gabel et al. Evaluation and quantification of compressor model predictive capabilities under modulation and extrapolation scenarios
WO2024058149A1 (ja) 機器性能値予測方法、システム、およびプログラム
Hu Development and demonstration of a method to determine residential air-conditioning system fault prevalence
Li et al. An overall performance index for characterizing the economic impact of faults in direct expansion cooling equipment
JP7545070B2 (ja) 機器性能予測方法、機器性能予測装置、およびプログラム
Kim et al. Evaluation of virtual refrigerant mass flow sensors
Rueda et al. Fault detection and diagnosis in liquid chillers
US20230304713A1 (en) Refrigerant Quantity Diagnosis Device, Refrigerant System, and Refrigerant Quantity Diagnosis Method
WO2023228277A1 (ja) 学習装置、監視装置および空調システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230911

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231114

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231226

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240312