JP3826763B2

JP3826763B2 - Neural network learning method

Info

Publication number: JP3826763B2
Application number: JP2001331255A
Authority: JP
Inventors: 好則一志; 雅彦立石
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2001-10-29
Filing date: 2001-10-29
Publication date: 2006-09-27
Anticipated expiration: 2021-10-29
Also published as: JP2003127635A

Description

【０００１】
【発明の属する技術分野】
本発明は、ニューラルネットワークにより空調制御を行う空調装置において、ニューラルネットワークを初期設定するための学習方法に関するものである。
【０００２】
【従来の技術】
特開平１１−３０１２３９号公報では、上記空調装置を車両用の空調装置に適用したものが記載されている。この空調装置は、乗員の設定温度操作等に基づいて学習するニューラルネットワークを備えており、このニューラルネットワークにより算出された空調制御量に基づいて空調制御を行うものである。
【０００３】
このような空調装置では、空調装置を市場に出荷する前段階において、数万点〜数十万点からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定しておく必要がある。なお、本明細書では、ニューラルネットワーク演算結果と教師データとの差を学習誤差と呼び、一般的なニューラルネットワークの学習では、この学習誤差の２乗和を最小化するように結合係数が変化する。そして、この変化が学習に他ならない。
【０００４】
【発明が解決しようとする課題】
ここで、上記学習誤差は、ニューラルネットワークを用いる以上避けられないものであるが、この学習誤差が大きいほどユーザーの空調に対する温感、音感等の不満が大きくなってしまう。これに対しては、教師データのデータ数を増加させれば学習誤差を小さくでき、ユーザーの不満を低減できる。しかしながら、単純にデータ数を増加させるだけでは、その背反として学習時間が非常に長くなるため、初期設定の作業日数が長くなってしまい、ひいては、空調装置の設計費のコストアップを招いてしまう。
【０００５】
本発明は、上記点に鑑み、ニューラルネットワークにより空調制御を行う空調装置において、ニューラルネットワークを初期設定するにあたり、学習誤差の低減と学習時間の短縮との両立を図ることを目的とする。
【０００６】
【課題を解決するための手段】
上記目的を達成するため、請求項１に記載の発明では、ニューラルネットワークによって算出された空調制御量（ＶＭ、ｔａｏ、ｓ）に基づいて空調制御を行う空調装置において、ニューラルネットワークを初期設定するためのニューラルネットワーク学習方法であって、空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のうち空調制御量（ＶＭ、ｔａｏ、ｓ）の変化をユーザーが感じやすい領域における学習誤差が、他の領域における学習誤差に比べて優先的に小さくなるように、ニューラルネットワークを学習させることを特徴とする。
【０００７】
これにより、空調制御量（ＶＭ、ｔａｏ、ｓ）の変化をユーザーが感じやすい領域における学習誤差が、他の領域における学習誤差に比べて優先的に小さくなるので、学習誤差の低減と学習時間の短縮との両立を図ることができる。
【０００８】
また、ユーザーが感じやすい領域は、低風量領域、吹出温度２５℃付近の領域、上からの吹出割合の多い吹出口モードの領域のうちの少なくとも１つである。
【００１１】
また、請求項２に記載の発明では、学習誤差を優先的に小さくする度合を設定可能としたことを特徴としているので、優先的に小さくした学習誤差がうまく縮まらない場合に前記度合をより大きく設定することにより、学習しやすさを向上できる。
【００１２】
また、請求項３に記載の発明では、優先的に小さくする領域における学習誤差の許容範囲を設定可能にするとともに、この学習誤差が許容範囲外である場合には、学習誤差を優先的に小さくする度合を自動的に大きくした上でニューラルネットワークを再度学習させることを特徴としているので、学習しやすさを向上できる。
【００１３】
また、請求項４に記載の発明では、ニューラルネットワークを学習させるにあたり、ニューラルネットワークの結合係数の初期値を所定パターン変えた学習を第１所定回数行い、その後、優先的に学習誤差を小さくする領域における学習誤差を、所定パターン毎に確認し、所定パターンの初期値のうち最も学習誤差の小さい初期値を用いて、更に第２所定回数の学習を行うことを特徴とする。
【００１４】
これにより、優先的に学習誤差を小さくする領域の学習誤差が小さくなりやすい結合係数の初期値を見出し、その初期値を使って集中的に学習することにより、短時間で最良の結合係数が得られる。
【００１５】
また、請求項５に記載の発明では、教師データのうち、空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のうち空調制御量（ＶＭ、ｔａｏ、ｓ）の変化をユーザーが感じやすい領域に関する教師データを、他の領域に関する教師データに比べて増加させることを特徴とする。
【００１６】
これにより、空調制御量（ＶＭ、ｔａｏ、ｓ）の変化をユーザーが感じやすい領域における学習誤差が、他の領域における学習誤差に比べて優先的に小さくなるので、学習誤差の低減と学習時間の短縮との両立を図ることができる。
【００１９】
また、請求項６に記載の発明では、教師データを増加させる領域における学習誤差の許容範囲を設定可能にするとともに、学習誤差が許容範囲外である場合には、教師データを増加させる度合を自動的に大きくした上でニューラルネットワークを再度学習させることを特徴としているので、学習しやすさを向上できる。
【００２０】
また、請求項７に記載の発明では、ニューラルネットワークを学習させるにあたり、ニューラルネットワークの結合係数の初期値を所定パターン変えた学習を第１所定回数行い、その後、教師データを増加させる領域における学習誤差を、所定パターン毎に確認し、所定パターンの初期値のうち最も学習誤差の小さい初期値を用いて、更に第２所定回数の学習を行うことを特徴としている。
【００２１】
これにより、教師データを増加させる領域の学習誤差が小さくなりやすい結合係数の初期値を見出し、その初期値を使って集中的に学習することにより、短時間で最良の結合係数が得られる。
【００２２】
また、請求項８に記載の発明では、ニューラルネットワークを初期設定するためにニューラルネットワークを学習させる機能を、コンピュータに実現させるためのプログラムであって、空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のうち空調制御量（ＶＭ、ｔａｏ、ｓ）の変化をユーザーが感じやすい領域における学習誤差が、他の領域における学習誤差に比べて優先的に小さくなるようにニューラルネットワークを学習させる機能を、コンピュータに実現させることを特徴とする。これにより、請求項１に記載の発明と同様の効果を得ることができる。
【００２４】
また、請求項９に記載の発明では、ニューラルネットワークによって算出された空調制御量（ＶＭ、ｔａｏ、ｓ）に基づいて空調制御を行う空調装置において、ニューラルネットワークを教師データにより学習させて初期設定するためにニューラルネットワークを学習させる機能を、コンピュータに実現させるためのプログラムであって、教師データのうち、空調制御量（ＶＭ、ｔａｏ、ｓ）の可変領域内のうち空調制御量（ＶＭ、ｔａｏ、ｓ）の変化をユーザーが感じやすい領域に関する教師データを、他の領域に関する教師データに比べて増加させる機能を、コンピュータに実現させることを特徴とする。これにより、請求項５に記載の発明と同様の効果を得ることができる。
【００２６】
なお、上記各手段の括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。
【００２７】
【発明の実施の形態】
以下、本発明を図に示す実施形態について説明する。
【００２８】
（第１実施形態）
本実施形態は、ニューラルネットワークによって学習制御される空調装置のうち車両用空調装置に、本発明のニューラルネットワーク学習方法を適用したものである。なお、本実施形態における車両用空調装置は、特開平１１−３０１２３９号公報に記載の車両用空調装置と同様のものであり、空調装置に搭載された電子制御装置（以下、エアコンＥＣＵという）により上記学習制御を行うようになっている。
【００２９】
ここで、上記公報にも記載されているが、ニューラルネットワークの概要について簡単に説明すると、ニューラルネットワークは、ある入力信号を与えたときに、その出力信号が、予め設定された所望の値である教師データの出力値データとなるように、ニューラルネットワークのシナプス荷重である結合係数を修正するという誤差逆伝播学習機能（バックプロパーゲーション機能）を備えた階層構造のネットワークである。
【００３０】
なお、上記入力信号の具体例としては、設定温度ｔｓｅｔ、外気温度ｔａｍ、室内温度ｔｒ等が挙げられる。また、上記出力信号の具体例としては、ブロワ風量レベルＶＭ、目標吹出温度ｔａｏ、吹出口モード算出値ｓが挙げられる。そして、これらの出力信号ＶＭ、ｔａｏ、ｓが、空調装置の作動を制御する空調制御量となる。
【００３１】
そして、教師データのうち、前述の入力信号に対応する入力値データは設定温度ｔｓｅｔ、外気温度ｔａｍ、室内温度ｔｒであり、出力値信号に対応する出力値データはブロワ風量レベルＶＭ、目標吹出温度ｔａｏ、吹出口モード算出値ｓである。そして、本実施形態では、これらの入力値データの１つずつと、それらの入力値に対応する出力値データ１つとからなる一群の教師データを、Ｎ個用いてニューラルネットワークを学習させる。
【００３２】
そして、教師データを変更した場合は、再び、ある入力信号に対する出力値が変更後の教師データの出力データとなるように、繰り返し学習させることにより、結合係数を修正する。つまり、多量の教師データにより結合係数からなる相関関数を自動生成する特徴を持っている。
【００３３】
なお、本実施形態のニューラルネットワークの学習では、学習誤差の２乗和を最小化するように結合係数が変化して学習する最小２乗法を用いている。ここで、上記学習誤差（ｔ_p−ｏ_p）および学習誤差の２乗和Ｅは以下に示す数１および数２の式で定義されており、この２乗和Ｅを最小化するように学習している。
【００３４】
【数１】
ｅ_p＝ｗ_p（ｔ_p−ｏ_p）
ここで、Ｎ個の一群の教師データｔｓｅｔ、ｔａｍ、ｔｒ、ｔａｏのうちｐ番目の一群の教師データｔｓｅｔ_p、ｔａｍ_p、ｔｒ_p、ｔａｏ_pの出力値データｔａｏ_pを、ｔ_pとして数１の式では表している。なお、出力値データは、ｔａｏ_pの他に、後述するブロワ風量レベルＶＭ_p、吹出口モード算出値ｓ_p等が挙げられる。また、ｐ番目の一群の教師データｔｓｅｔ_p、ｔａｍ_p、ｔｒ_p、ｔａｏ_pの入力値データｔｓｅｔ_p、ｔａｍ_p、ｔｒ_pを入力値としたときのニューラルネットワークによる出力値を、ｏ_pとして数１の式では表している。
【００３５】
また、数１の式におけるｗ_pは、ｐ番目の一群の教師データｔｓｅｔ_p、ｔａｍ_p、ｔｒ_p、ｔａｏ_pに対する重み係数であり、この重み係数ｗ_pは０以上の実数である。従って、ニューラルネットワークの学習誤差のうち、ｐ番目の一群の教師データｔｓｅｔ_p、ｔａｍ_p、ｔｒ_p、ｔａｏ_pに対する誤差を小さくしたい場合には、ｐ番目の重み係数ｗ_pを大きくするように設定すればよい。この設定方法に関しては後に詳述する。
【００３６】
【数２】
Ｅ＝Σｅ_p ²＝Σｗ_p ²（ｔ_p−ｏ_p）²
また、この数２の式の右辺は、ｅ_p ²においてｐ＝１からｐ＝Ｎまでを加算した数値を示すものである。
【００３７】
以下に、このような車両用空調装置を市場に出荷する前段階において、上記Ｎ個を数万点〜数十万点とし、このＮ個からなる教師データによりニューラルネットワークを学習させて、ニューラルネットワークの結合係数を予め初期設定する手順を、図１のフローチャートに基づいて説明する。
【００３８】
初めに、ステップＳ１０にて、所定の教師データに基づいて学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、この作動に対する温感、音感等の評価を、環境条件や乗員操作の設定毎に行うことにより、空調評価を行う。なお、上記音感の一例として、送風機の騒音に対する音感が挙げられる。また、上記環境条件の一例としては外気温度ｔａｍ、室内温度ｔｒ、日射量ｔｓ等が挙げられ、上記乗員操作の一例としては設定温度ｔｓｅｔ等が挙げられる。
【００３９】
その後、空調評価結果検討を行うステップＳ２０にて、上記評価に基づき、温感、音感等の評価に不満があったポイントを抽出し、教師データをどのように変更したら不満が解消されるかを検討する。そして、ステップＳ３０にて、上記検討に基づき、ステップＳ１０で用いた所定の教師データを修正して、新たな教師データを作成する。
【００４０】
なお、この教師データのうち、前述の入力信号に対応する入力値データは設定温度ｔｓｅｔ、外気温度ｔａｍ、室内温度ｔｒであり、出力値信号に対応する出力値データはブロワ風量レベルＶＭ、目標吹出温度ｔａｏ、吹出口モード算出値ｓである。そして、これらの入力値データおよび出力値データからなる一群の教師データをＮ個用いてニューラルネットワークを学習させる。
【００４１】
次に、ステップＳ４０にて、ブロワ風量レベルＶＭ、目標吹出温度ｔａｏ、吹出口モード算出値ｓのそれぞれの可変領域の範囲内で、空調風の温度、風量、吹出口モード等の空調制御量の変化をユーザーが感じやすい領域を設定する。そして、設定された領域における学習誤差を、他の領域における学習誤差に比べてどの程度優先的に小さくさせるかの優先度合を設定する。
【００４２】
この設定の具体的数値の一例を以下に説明する。
【００４３】
図２は、ニューラルネットワークによる出力値である吹出口モード算出値ｓと、吹出口モードとの関係を示す特性図である。そして、この算出値ｓが最小値であれば周知のフェイスモードとなり、最大値であれば周知のフットモードとなり、最大値と最小値との間の値であれば周知のバイレベルモードとなる。
【００４４】
そして、このバイレベルモードは、フェイス吹出口とフット吹出口との風量割合により３段階に設定されるようになっており、算出値ｓが大きい値であるほどフェイス吹出口からの風量が多くなるように設定されている。因みに、周知のデフロスタモードはマニュアルにより設定されるようになっている。
【００４５】
ここで、ユーザーは、足元にあたる空調風に比べて上半身にあたる空調風に対して、その空調風の温度、風量、吹出口モード等の空調制御量の変化に敏感である。そこで、上からの吹出割合の多い吹出口モードを、空調制御量の変化をユーザーが感じやすい領域として設定して好適である。
【００４６】
本実施形態では、吹出口モード算出値ｓの可変領域は図２に示すように０以上の実数であり、この可変領域のうち算出値ｓが０．３より小さい範囲を、空調制御量の変化をユーザーが感じやすい領域として設定している。そして、算出値ｓ＜０．３となる領域の重み係数ｗを２とし、算出値ｓ≧０．３となる領域の重み係数ｗを１としている。
【００４７】
また、図３は、設定温度ｔｓｅｔおよび室内温度ｔｒの関数であるＴＤと、ブロワ風量レベルＶＭとの関係を示す特性図である。ここで、ユーザーは、低風量の空調風に対して、その空調風の温度、風量、吹出口モード等の空調制御量の変化に敏感である。そこで、低風量域を、空調制御量の変化をユーザーが感じやすい領域として設定して好適である。
【００４８】
本実施形態では、ブロワ風量レベルＶＭの可変領域は図３に示すように１以上３１以下の実数であり、この可変領域のうちブロワ風量レベルＶＭが１５より小さい範囲を、空調制御量の変化をユーザーが感じやすい領域として設定している。そして、ＶＭ＜１５となる領域の重み係数ｗを２とし、ＶＭ≧１５となる領域の重み係数ｗを１としている。
【００４９】
また、ユーザーは、目標吹出温度ｔａｏが２５℃付近の領域の空調風に対して、その空調風の温度、風量、吹出口モード等の空調制御量の変化に敏感である。そこで、目標吹出温度ｔａｏが２５℃付近である領域を、空調制御量の変化をユーザーが感じやすい領域として設定して好適である。本実施形態では、空調制御量の変化をユーザーが感じやすい領域として、１５＜ｔａｏ＜３５の領域の重み係数ｗを２とし、ｔａｏ≦１５およびｔａｏ≧３５の領域の重み係数ｗを１としている。
【００５０】
次に、ステップＳ５０にて、ステップＳ４０で設定された重み係数を数１の式に代入し、数２の式にて定義される学習誤差の２乗和Ｅを最小化するように、ニューラルネットワークを学習させる。
【００５１】
そして、ステップＳ６０にて、ステップＳ５０で学習されたニューラルネットワークの学習誤差が、予め設定された許容誤差範囲内にあるか否かを検証する。そして、重み係数ｗが大きく設定されている領域においては、許容誤差範囲を小さく設定している。
【００５２】
具体的には、算出値ｓ＜０．３となる領域の許容誤差範囲を０．００３以下とし、算出値ｓ≧０．３となる領域の許容誤差範囲を０．００６以下とする。また、ＶＭ＜１５となる領域の許容誤差範囲を１レベル以下とし、ＶＭ≧１５となる領域の許容誤差範囲を２レベル以下とする。また、１５＜ｔａｏ＜３５となる領域の許容誤差範囲を１℃以下とし、ｔａｏ≦１５およびｔａｏ≧３５となる領域の許容誤差範囲を２℃以下とする。
【００５３】
そして、ステップＳ６０にて学習誤差が許容誤差範囲内にない場合には、ステップＳ７０に進み、教師データの追加、変更を行う。または、ステップＳ１０における所定の教師データの変更を行う。または、ステップＳ４０で設定した優先度合としての重み係数ｗを変更する。または、優先的に小さくする領域の範囲を変更する。
【００５４】
そして、再度、ステップＳ５０にてニューラルネットワークを学習させ、ステップＳ６０にて学習誤差が許容誤差範囲内にあるか否かを検証する。
【００５５】
一方、ステップＳ６０にて学習誤差が許容誤差範囲内にあると判定された場合には、ステップＳ８０に進み、ステップＳ５０で学習したニューラルネットワークを用いて空調装置を実際に作動させる。そして、ステップＳ１０にて行った空調評価と同様に、この作動に対する温感、音感等の評価を、環境条件や乗員操作の設定毎に行うことにより、空調の再評価を行い、ステップＳ２０での不満が軽減されているかを確認する。
【００５６】
以上により、本実施形態によれば、空調風の温度、風量、吹出口モード等の空調制御量の変化をユーザーが感じやすい領域を設定し、この領域における教師データの重み係数ｗが大きくなるように設定するので、空調制御量の変化をユーザーが感じやすい領域における学習誤差が、他の領域における学習誤差に比べて優先的に小さくなるので、学習誤差の低減と学習時間の短縮との両立を図ることができる。
【００５７】
また、本実施形態によれば、上記設定された領域における学習誤差を、他の領域における学習誤差に比べてどの程度優先的に小さくさせるかの優先度合を設定できるので、優先的に小さくした学習誤差がうまく縮まらない場合に前記度合をより大きく設定することにより、学習しやすさを向上できる。
【００５８】
また、本実施形態によれば、ステップＳ６０にて学習誤差が許容誤差範囲内にない場合には、ステップＳ７０にて、優先的に小さくする領域の範囲、教師データ、重み係数ｗの変更を自動的に行うので、学習しやすさを向上できる。
【００５９】
なお、本発明の実施にあたり、図３に示すようにブロワ風量レベルＶＭが１５以下か否かにより重み係数ｗを変化させる代わりに、図４に示すようにブロワ風量レベルＶＭと重み係数ｗとを関数で対応させて変化させるようにしてもよい。
【００６０】
（第２実施形態）
図５は、本実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートであり、第１実施形態におけるステップＳ４０を、図５に示すステップＳ４１に変更したものである。そして、ステップＳ４１では、重点的に追加教師データを作成する領域を設定する。そして、この設定にあたり、教師データのうち、空調制御量ＶＭ、ｔａｏ、ｓの可変領域内のうち空調制御量ＶＭ、ｔａｏ、ｓの変化をユーザーが感じやすい領域に関する教師データを、他の領域に関する教師データに比べて増加させる。
【００６１】
この設定の具体的数値の一例を以下に説明する。
【００６２】
図６は、吹出口モードがフェイスモードである場合における、設定温度ｔｓｅｔおよび室内温度ｔｒの関数であるＴＤと、ブロワ風量レベルＶＭとの関係を示す特性図である。そして、図７（ａ）は、ステップＳ３０にて作成された教師データ（以下、基本教師データという）を示しており、図７（ｂ）は、ステップＳ４１にて、基本教師データに追加教師データを加えてなる教師データ（以下、追加済み教師データという）を示している。なお、追加教師データは、図７（ｂ）にて下線が付されたデータである。
【００６３】
そして、ステップＳ４１にて、算出値ｓ＜０．３となる領域と、ＶＭ＜１５となる領域と、１５＜ｔａｏ＜３５となる領域とを、重点的に追加教師データを作成する領域として設定する。そして、このように設定された領域に関する基本教師データの間には、図７（ｂ）に示すように２個の追加教師データを追加する。一方、上記設定された領域の他の領域に関する基本教師データの間には、１個の追加教師データを追加する。
【００６４】
そして、ステップＳ５０にて、ステップＳ４１で作成された追加済み教師データを用いて、数２の式にて定義される学習誤差の２乗和Ｅを最小化するように、ニューラルネットワークを学習させる。なお、本実施形態では重み係数ｗを全て１に設定している。
【００６５】
以上により、本実施形態によれば、空調風の温度、風量、吹出口モード等の空調制御量の変化をユーザーが感じやすい領域を設定し、この領域における追加教師データの数を多くして追加済み教師データを作成するので、空調制御量の変化をユーザーが感じやすい領域における学習誤差が、他の領域における学習誤差に比べて優先的に小さくなるので、学習誤差の低減と学習時間の短縮との両立を図ることができる。
【００６６】
（第３実施形態）
図８は、本実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートであり、第１実施形態におけるステップＳ４０およびステップＳ６０を、図８に示すステップＳ４２およびステップＳ６１に変更したものである。
【００６７】
そして、ステップＳ４２では、空調制御量ＶＭ、ｔａｏ、ｓの可変領域内のうち空調制御量ＶＭ、ｔａｏ、ｓの経時変化が小さい領域を設定する。そして、この設定された領域における学習誤差をどの程度優先的に小さくさせるかの優先度合を設定する。
【００６８】
この設定の具体的数値の一例を以下に説明すると、図９〜図１２は、関数ｆ１（ｔａｍ）〜ｆ４（ｔａｍ）のそれぞれと外気温度ｔａｍとの関係を示す特性図である。そして、ステップＳ４２にて、ＶＭ＜ｆ１（ｔａｍ）となる領域と、ｆ２（ｔａｍ）＜ｔａｏ＜ｆ３（ｔａｍ）となる領域と、算出値ｓ＜ｆ４（ｔａｍ）となる領域とを、空調制御量ＶＭ、ｔａｏ、ｓの経時変化が小さい領域として設定する。そして、このように設定された領域における重み係数ｗを２に設定し、その他の領域における重み係数ｗを１に設定している。
【００６９】
また、ステップＳ６１では、ステップＳ５０で学習されたニューラルネットワークの学習誤差が、予め設定された許容誤差範囲内にあるか否かを検証する。そして、重み係数ｗが大きく設定されている領域においては、許容誤差範囲を小さく設定している。
【００７０】
具体的には、ＶＭ＜ｆ１（ｔａｍ）となる領域の許容誤差範囲を１レベル以下とし、ＶＭ≧ｆ１（ｔａｍ）となる領域の許容誤差範囲を２レベル以下とする。また、ｆ２（ｔａｍ）＜ｔａｏ＜ｆ３（ｔａｍ）となる領域の許容誤差範囲を１℃以下とし、ｔａｏ≦ｆ２（ｔａｍ）およびｔａｏ≧ｆ３（ｔａｍ）となる領域の許容誤差範囲を２℃以下とする。また、算出値ｓ＜ｆ４（ｔａｍ）となる領域の許容誤差範囲を０．００３以下とし、算出値ｓ≧ｆ４（ｔａｍ）となる領域の許容誤差範囲を０．００６以下とする。
【００７１】
（第４実施形態）
図１３は、本実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートであり、第３実施形態におけるステップＳ４２を、図１３に示すステップＳ４３に変更したものである。
【００７２】
そして、ステップＳ４３では、重点的に追加教師データを作成する領域を設定する。そして、この設定にあたり、教師データのうち、空調制御量ＶＭ、ｔａｏ、ｓの可変領域内のうち空調制御量ＶＭ、ｔａｏ、ｓの経時変化が小さい領域に関する教師データを、他の領域に関する教師データに比べて増加させる。
【００７３】
具体的には、ＶＭ＜ｆ１（ｔａｍ）となる領域と、ｆ２（ｔａｍ）＜ｔａｏ＜ｆ３（ｔａｍ）となる領域と、算出値ｓ＜ｆ４（ｔａｍ）となる領域とを、重点的に追加教師データを作成する領域として設定する。そして、このように設定された領域に関する基本教師データの間には、第２実施形態と同様に、２個の追加教師データを追加する。一方、上記設定された領域の他の領域に関する基本教師データの間には、１個の追加教師データを追加する。
【００７４】
そして、ステップＳ５０にて、ステップＳ４３で作成された追加済み教師データを用いて、数２の式にて定義される学習誤差の２乗和Ｅを最小化するように、ニューラルネットワークを学習させる。なお、本実施形態では重み係数ｗを全て１に設定している。
【００７５】
（第５実施形態）
図１４は、本実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートであり、第４実施形態におけるステップＳ４３、ステップＳ６１およびステップＳ７０を、図１４に示すステップＳ４４、ステップＳ６２およびステップＳ７１に変更したものである。
【００７６】
そして、ステップＳ４４では、第１実施形態のステップＳ４０と同様に、空調制御量の変化をユーザーが感じやすい領域として、算出値ｓ＜０．３となる領域の重み係数ｗを２とし、算出値ｓ≧０．３となる領域の重み係数ｗを１としている。また、ＶＭ＜１５となる領域の重み係数ｗを２とし、ＶＭ≧１５となる領域の重み係数ｗを１としている。また、１５＜ｔａｏ＜３５の領域の重み係数ｗを２とし、ｔａｏ≦１５およびｔａｏ≧３５の領域の重み係数ｗを１としている。
【００７７】
さらに、ステップＳ４４では、後述のステップＳ６２における許容誤差範囲を設定可能になっており、本実施形態では、算出値ｓ＜０．３となる領域の許容誤差範囲を０．００３以下とし、ＶＭ＜１５となる領域の許容誤差範囲を１レベル以下とし、１５＜ｔａｏ＜３５となる領域の許容誤差範囲を１℃以下とする。
【００７８】
次に、ステップＳ５０にて、ステップＳ４０で設定された重み係数を数１の式に代入し、数２の式にて定義される学習誤差の２乗和Ｅを最小化するように、ニューラルネットワークを学習させる。
【００７９】
そして、ステップＳ６２にて、ステップＳ５０で学習されたニューラルネットワークの学習誤差が、予め設定された許容誤差範囲内にあるか否かを検証する。そして、ステップＳ６２にて学習誤差が許容誤差範囲内にない場合には、ステップＳ７１に進み、ステップＳ４４で設定した優先度合としての重み係数ｗを変更する。または、優先的に小さくする領域の範囲を変更する。
【００８０】
この変更の一例として本実施形態では、算出値ｓ＜０．３となる領域の重み係数ｗ、算出値ｓ≧０．３となる領域の重み係数ｗ、ＶＭ＜１５となる領域の重み係数ｗのそれぞれに１を加算する。
【００８１】
そして、再度、ステップＳ５０にてニューラルネットワークを学習させ、ステップＳ６２にて学習誤差が許容誤差範囲内にあるか否かを検証し、ステップＳ６２にて学習誤差が許容誤差範囲内にあると判定された場合には、ステップＳ８０に進み、空調の再評価を行う。
【００８２】
（第６実施形態）
図１５は、本実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートであり、第５実施形態におけるステップＳ５０を、図１５に示すステップＳ５１、ステップＳ５２、ステップＳ５３、ステップＳ５４およびステップＳ５５に変更したものである。
【００８３】
ステップＳ５１では、ニューラルネットワークを学習させるにあたり、ニューラルネットワークの結合係数の初期値を所定パターン変えた学習を第１所定回数行う。なお、本実施形態では第１所定回数を５００回に設定している。
【００８４】
続いて、ステップＳ５２にて、第１所定回数の学習を所定パターンだけ行ったか否かを判定する。なお、本実施形態では所定パターンを５回に設定している。そして、５パターン未満であればステップＳ５３に進み、結合係数初期値を変更してステップＳ５１にて第１所定回数の学習を再度行う。そして、ステップＳ５２にて５パターンだけ学習したと判定された段階では、５種類のパターンの結合係数初期値に基づいてニューラルネットワークを学習させたことになる。
【００８５】
そして、ステップＳ５４にて、優先的に学習誤差を小さくする領域における学習誤差を、５種類のパターン毎に確認し、所定パターンの初期値のうち最も学習誤差の小さい初期値を用いて、更に第２所定回数の学習をステップＳ５５にて行う。なお、本実施形態では第２所定回数を２０００回に設定している。
【００８６】
このように本実施形態によれば、優先的に学習誤差を小さくする領域の学習誤差が小さくなりやすい結合係数の初期値を見出し、その初期値を使って集中的に学習することにより、短時間で最良の結合係数が得られる。
【図面の簡単な説明】
【図１】本発明の第１実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートである。
【図２】第１実施形態に係る、吹出口モード算出値ｓと吹出口モードとの関係を示す特性図である。
【図３】第１実施形態に係る、関数ＴＤとブロワ風量レベルＶＭとの関係を示す特性図である。
【図４】第１実施形態に係る、ブロワ風量レベルＶＭと重み係数ｗとの関係を示す特性図である。
【図５】本発明の第２実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートである。
【図６】第２実施形態に係る、関数ＴＤとブロワ風量レベルＶＭとの関係を示す特性図である。
【図７】（ａ）は、第２実施形態に係る基本教師データを示す図であり、（ｂ）は、追加済み教師データを示す図である。
【図８】本発明の第３実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートである。
【図９】第３実施形態に係る関数ｆ１（ｔａｍ）と外気温度ｔａｍとの関係を示す特性図である。
【図１０】第３実施形態に係る関数ｆ２（ｔａｍ）と外気温度ｔａｍとの関係を示す特性図である。
【図１１】第３実施形態に係る関数ｆ３（ｔａｍ）と外気温度ｔａｍとの関係を示す特性図である。
【図１２】第３実施形態に係る関数ｆ４（ｔａｍ）と外気温度ｔａｍとの関係を示す特性図である。
【図１３】本発明の第４実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートである。
【図１４】本発明の第５実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートである。
【図１５】本発明の第６実施形態に係る、ニューラルネットワークを学習させる手順を説明するフローチャートである。
【符号の説明】
ｓ…吹出口モード算出値、ｔａｏ…目標吹出温度、ＶＭ…ブロワ風量レベル。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to a learning method for initial setting of a neural network in an air conditioner that performs air conditioning control using a neural network.
[0002]
[Prior art]
Japanese Patent Application Laid-Open No. 11-301239 describes an application of the air conditioner to a vehicle air conditioner. This air conditioner is provided with a neural network that learns based on an occupant's set temperature operation and the like, and performs air conditioning control based on the air conditioning control amount calculated by this neural network.
[0003]
In such an air conditioner, before the air conditioner is shipped to the market, the neural network is learned with teacher data consisting of tens of thousands to hundreds of thousands of points, and the neural network coupling coefficient is initialized in advance. There is a need. In this specification, the difference between the neural network calculation result and the teacher data is referred to as a learning error. In general neural network learning, the coupling coefficient is changed so as to minimize the square sum of the learning error. . And this change is none other than learning.
[0004]
[Problems to be solved by the invention]
Here, the learning error is unavoidable as long as a neural network is used. However, the greater the learning error, the greater the dissatisfaction with the user's feeling of warmth and sound. On the other hand, if the number of teacher data is increased, the learning error can be reduced and user dissatisfaction can be reduced. However, if the number of data is simply increased, the learning time becomes very long as a contradiction, so that the number of work days for the initial setting becomes long, and as a result, the design cost of the air conditioner increases.
[0005]
In view of the above points, an object of the present invention is to achieve both a reduction in learning error and a reduction in learning time when initially setting a neural network in an air conditioning apparatus that performs air conditioning control using a neural network.
[0006]
[Means for Solving the Problems]
In order to achieve the above object, according to the first aspect of the present invention, in the air conditioning apparatus that performs air conditioning control based on the air conditioning control amount (VM, tao, s) calculated by the neural network, the neural network is initialized. In this neural network learning method, the learning error in the region where the user can easily feel the change in the air conditioning control amount (VM, tao, s) in the variable region of the air conditioning control amount (VM, tao, s) The neural network is trained so as to be preferentially smaller than the learning error in the region.
[0007]
As a result, the learning error in the area where the user can easily feel the change in the air conditioning control amount (VM, tao, s) is preferentially smaller than the learning error in the other areas. It is possible to achieve both shortening.
[0008]
  Also, the area that users can easily feel isLowAir volume area, air temperature area around 25 ° C, air outlet mode area with high air blowing rate from aboveIs at least one of.
[0011]
  Claims2In the invention described in the above, it is characterized in that it is possible to set the degree of preferentially reducing the learning error, so when the preferentially small learning error does not shrink well, by setting the degree larger, Ease of learning can be improved.
[0012]
  Claims3In the invention described in the above, it is possible to set an allowable range of learning error in a region to be preferentially reduced, and when this learning error is outside the allowable range, the degree of preferentially reducing the learning error is automatically set. Since it is characterized in that the neural network is learned again after being enlarged, the ease of learning can be improved.
[0013]
  Claims4In the invention described in the above, when learning the neural network, learning is performed for the first predetermined number of times by changing the initial value of the coupling coefficient of the neural network for a predetermined pattern, and then the learning error in a region where learning error is preferentially reduced, This is characterized in that it is confirmed for each predetermined pattern, and learning is further performed a second predetermined number of times using the initial value having the smallest learning error among the initial values of the predetermined pattern.
[0014]
As a result, the best coupling coefficient can be obtained in a short time by finding the initial value of the coupling coefficient that tends to reduce the learning error in the area where the learning error is preferentially reduced and intensively learning using the initial value. It is done.
[0015]
  Claims5In the invention described in the above, in the teacher data, the teacher data related to the region in which the user can easily feel the change in the air conditioning control amount (VM, tao, s) in the variable region of the air conditioning control amount (VM, tao, s), It is characterized in that it is increased as compared with teacher data relating to other areas.
[0016]
As a result, the learning error in the area where the user can easily feel the change in the air conditioning control amount (VM, tao, s) is preferentially smaller than the learning error in the other areas. It is possible to achieve both shortening.
[0019]
  Claims6In the invention described in the above, it is possible to set an allowable range of learning error in a region where the teacher data is increased, and when the learning error is outside the allowable range, the degree of increase of the teacher data is automatically increased. Therefore, it is possible to improve the ease of learning.
[0020]
  Claims7In the invention described in the above, when learning the neural network, learning with the initial value of the coupling coefficient of the neural network changed by a predetermined pattern is performed for a first predetermined number of times, and then a learning error in a region where teacher data is increased is determined for each predetermined pattern. The second predetermined number of times of learning is further performed using the initial value having the smallest learning error among the initial values of the predetermined pattern.
[0021]
Thus, the best coupling coefficient can be obtained in a short time by finding the initial value of the coupling coefficient that tends to reduce the learning error in the region where the teacher data is increased and intensively learning using the initial value.
[0022]
  Claims8In the invention described in (1), a program for causing a computer to realize a function of learning a neural network for initial setting of the neural network, wherein air conditioning is performed within a variable region of the air conditioning control amount (VM, tao, s). Let the computer realize a function of learning a neural network so that a learning error in a region where the user can easily feel a change in the control amount (VM, tao, s) is preferentially smaller than a learning error in other regions. It is characterized by that. Thereby, the same effect as that of the invention described in claim 1 can be obtained.
[0024]
  Claims9In the air conditioner that performs the air conditioning control based on the air conditioning control amount (VM, tao, s) calculated by the neural network, the neural network is used for learning and initializing the neural network based on the teacher data. It is a program for causing a computer to realize a function to learn, and changes in the air conditioning control amount (VM, tao, s) in the variable area of the air conditioning control amount (VM, tao, s) in the teacher data. It is characterized in that a computer realizes a function of increasing teacher data relating to an area that is easy for a user to feel compared to teacher data relating to another area. As a result, the claim5The same effects as those described in the invention can be obtained.
[0026]
In addition, the code | symbol in the bracket | parenthesis of each said means is an example which shows a corresponding relationship with the specific means as described in embodiment mentioned later.
[0027]
DETAILED DESCRIPTION OF THE INVENTION
DESCRIPTION OF THE PREFERRED EMBODIMENTS Embodiments shown in the drawings will be described below.
[0028]
(First embodiment)
In this embodiment, the neural network learning method of the present invention is applied to a vehicle air conditioner among the air conditioners that are learning-controlled by a neural network. The vehicle air conditioner in the present embodiment is the same as the vehicle air conditioner described in JP-A-11-301239, and is controlled by an electronic control device (hereinafter referred to as an air conditioner ECU) mounted on the air conditioner. The learning control is performed.
[0029]
Here, as described in the above publication, the outline of the neural network will be briefly explained. When a neural network gives a certain input signal, its output signal has a desired value set in advance. This is a hierarchical network having an error back-propagation learning function (back-propagation function) for correcting a coupling coefficient, which is a synaptic load of a neural network, so that it becomes output value data of teacher data.
[0030]
Specific examples of the input signal include a set temperature tset, an outside air temperature tam, an indoor temperature tr, and the like. Specific examples of the output signal include a blower air volume level VM, a target outlet temperature tao, and an outlet mode calculated value s. These output signals VM, tao, and s become air conditioning control amounts for controlling the operation of the air conditioner.
[0031]
Among the teacher data, the input value data corresponding to the above-described input signal is the set temperature tset, the outside air temperature tam, and the room temperature tr, and the output value data corresponding to the output value signal is the blower airflow level VM, the target blowing temperature. tao, the outlet mode calculated value s. In this embodiment, the neural network is trained by using a group of N teacher data composed of each of these input value data and one output value data corresponding to the input values.
[0032]
When the teacher data is changed, the coupling coefficient is corrected by repeatedly learning so that the output value for a certain input signal becomes the output data of the changed teacher data again. That is, it has a feature that a correlation function composed of coupling coefficients is automatically generated by a large amount of teacher data.
[0033]
Note that the learning of the neural network according to the present embodiment uses a least square method in which learning is performed by changing the coupling coefficient so as to minimize the square sum of learning errors. Here, the learning error (t_p-O_p) And the square sum E of learning errors are defined by the following equations (1) and (2), and learning is performed so as to minimize the square sum E.
[0034]
[Expression 1]
e_p= W_p(T_p-O_p)
Here, among the N groups of teacher data tset, tam, tr, tao, the p-th group of teacher data tset._p, Tam_p, Tr_p, Tao_pOutput value data tao_pT_pIs expressed in the formula 1 as follows. The output value data is tao_pIn addition, the blower air volume level VM described later_p, Outlet mode calculated value s_pEtc. Also, the p-th group of teacher data tset_p, Tam_p, Tr_p, Tao_pInput value data tset_p, Tam_p, Tr_pThe output value by the neural network when_pIs expressed in the formula 1 as follows.
[0035]
In addition, w in the formula 1_pIs the p-th group of teacher data tset_p, Tam_p, Tr_p, Tao_pIs a weighting factor for, and this weighting factor w_pIs a real number greater than or equal to zero. Therefore, among the learning errors of the neural network, the p-th group of teacher data tset_p, Tam_p, Tr_p, Tao_pIf you want to reduce the error for, the pth weighting factor w_pShould be set to be larger. This setting method will be described in detail later.
[0036]
[Expression 2]
E = Σe_p ²= Σw_p ²(T_p-O_p)²
In addition, the right side of the formula 2 is e_p ²The numerical value which added from p = 1 to p = N in is shown.
[0037]
In the following stage, before the vehicle air conditioner is shipped to the market, the N number is set to tens of thousands to hundreds of thousands, and the neural network is trained by the teacher data consisting of the N pieces. A procedure for initial setting of the coupling coefficient will be described based on the flowchart of FIG.
[0038]
First, in step S10, the air conditioner is actually operated using a neural network learned based on predetermined teacher data. Then, the air conditioning is evaluated by evaluating the feeling of warmth, sound, and the like for this operation for each setting of environmental conditions and passenger operation. In addition, as an example of the above-mentioned sound feeling, a sound feeling with respect to noise of the blower can be given. In addition, examples of the environmental conditions include the outside air temperature tam, the room temperature tr, the solar radiation amount ts, and the like, and examples of the occupant operation include a set temperature tset.
[0039]
After that, in step S20 where the air conditioning evaluation result is examined, based on the above evaluation, points that are dissatisfied with the evaluation of warmth, sound, etc. are extracted, and how the dissatisfaction is resolved after changing the teacher data. consider. In step S30, based on the above examination, the predetermined teacher data used in step S10 is modified to create new teacher data.
[0040]
Of the teacher data, the input value data corresponding to the input signal is the set temperature tset, the outside air temperature tam, and the room temperature tr, and the output value data corresponding to the output value signal is the blower airflow level VM, the target blowout The temperature tao and the outlet mode calculated value s. Then, the neural network is trained by using a group of N teacher data composed of these input value data and output value data.
[0041]
Next, in step S40, the air conditioning control amount such as the temperature of the conditioned air, the air volume, the air outlet mode, etc. within the respective variable regions of the blower air volume level VM, the target air outlet temperature tao, and the air outlet mode calculated value s. Set areas where users can easily feel changes. Then, the degree of priority for setting the learning error in the set region to be preferentially smaller than the learning error in other regions is set.
[0042]
An example of specific numerical values for this setting will be described below.
[0043]
FIG. 2 is a characteristic diagram showing the relationship between the air outlet mode calculated value s, which is an output value by the neural network, and the air outlet mode. When the calculated value s is the minimum value, the known face mode is set, when the calculated value s is the maximum value, the known foot mode is set, and when the calculated value s is between the maximum value and the minimum value, the known bi-level mode is set.
[0044]
The bi-level mode is set in three stages depending on the air volume ratio between the face air outlet and the foot air outlet, and the air volume from the face air outlet increases as the calculated value s increases. Is set to Incidentally, the well-known defroster mode is set manually.
[0045]
Here, the user is more sensitive to changes in the air conditioning control amount such as the temperature, the air volume, and the air outlet mode of the air conditioning wind corresponding to the upper body than the air conditioning wind at the foot. Therefore, it is preferable to set the air outlet mode with a large proportion of air blowing from above as a region where the user can easily feel the change in the air conditioning control amount.
[0046]
In the present embodiment, the variable region of the outlet mode calculated value s is a real number equal to or greater than 0 as shown in FIG. 2, and the range where the calculated value s is smaller than 0.3 in this variable region is changed in the air conditioning control amount. Is set as an area that is easy for the user to feel. Then, the weighting factor w of the region where the calculated value s <0.3 is set to 2, and the weighting factor w of the region where the calculated value s ≧ 0.3 is set to 1.
[0047]
FIG. 3 is a characteristic diagram showing the relationship between TD, which is a function of the set temperature tset and the room temperature tr, and the blower airflow level VM. Here, the user is sensitive to changes in the air-conditioning control amount such as the temperature, the air volume, and the outlet mode of the air-conditioning air with a low air volume. Therefore, it is preferable to set the low air volume region as a region where the user can easily feel the change in the air conditioning control amount.
[0048]
In this embodiment, the variable area of the blower airflow level VM is a real number of 1 to 31 as shown in FIG. 3, and the range of the blower airflow level VM smaller than 15 in this variable area is changed in the air conditioning control amount. It is set as an area that is easy for the user to feel. The weighting factor w of the region where VM <15 is set to 2, and the weighting factor w of the region where VM ≧ 15 is set to 1.
[0049]
Further, the user is sensitive to changes in the air conditioning control amount such as the temperature, the air volume, and the air outlet mode of the air conditioning air in the region where the target air temperature tao is around 25 ° C. Therefore, it is preferable to set a region where the target blowing temperature tao is around 25 ° C. as a region where the user can easily feel the change in the air conditioning control amount. In the present embodiment, the weighting factor w of the region of 15 <tao <35 is set to 2 and the weighting factor w of the region of tao ≦ 15 and tao ≧ 35 is set to 1 as a region where the user can easily feel the change in the air conditioning control amount. .
[0050]
Next, in step S50, the neural network is substituted so that the weighting coefficient set in step S40 is substituted into the equation 1 and the square sum E of learning errors defined by the equation 2 is minimized. To learn.
[0051]
In step S60, it is verified whether or not the learning error of the neural network learned in step S50 is within a preset allowable error range. And in the area | region where the weighting coefficient w is set large, the allowable error range is set small.
[0052]
Specifically, the allowable error range of the region where the calculated value s <0.3 is 0.003 or less, and the allowable error range of the region where the calculated value s ≧ 0.3 is 0.006 or less. Further, the allowable error range of the region where VM <15 is set to 1 level or less, and the allowable error range of the region where VM ≧ 15 is set to 2 levels or less. Further, the allowable error range in the region where 15 <tao <35 is set to 1 ° C. or lower, and the allowable error range in the region where tao ≦ 15 and tao ≧ 35 is set to 2 ° C. or lower.
[0053]
If it is determined in step S60 that the learning error is not within the allowable error range, the process proceeds to step S70, where teacher data is added or changed. Alternatively, the predetermined teacher data is changed in step S10. Alternatively, the weighting coefficient w as the priority set in step S40 is changed. Alternatively, the range of the area to be preferentially reduced is changed.
[0054]
Then, in step S50, the neural network is learned again, and in step S60, it is verified whether the learning error is within the allowable error range.
[0055]
On the other hand, if it is determined in step S60 that the learning error is within the allowable error range, the process proceeds to step S80, and the air conditioner is actually operated using the neural network learned in step S50. Then, as in the air conditioning evaluation performed in step S10, the evaluation of warmth, sound, etc. for this operation is performed for each setting of environmental conditions and occupant operations, thereby re-evaluating the air conditioning, and in step S20 Check if the dissatisfaction has been reduced.
[0056]
As described above, according to the present embodiment, a region where the user can easily feel the change in the air conditioning control amount such as the temperature, the air flow, and the air outlet mode is set, and the weight coefficient w of the teacher data in this region is increased. Therefore, the learning error in the area where the user can easily feel the change in the air conditioning control amount is preferentially smaller than the learning error in other areas, so both learning error and learning time can be reduced. Can be planned.
[0057]
In addition, according to the present embodiment, it is possible to set the priority of how much the learning error in the set area is made smaller than the learning error in other areas, so that learning with a smaller priority is set. When the error does not shrink well, the learning degree can be improved by setting the degree larger.
[0058]
Further, according to the present embodiment, if the learning error is not within the allowable error range in step S60, the range of the area to be preferentially reduced, the teacher data, and the weight coefficient w are automatically changed in step S70. This improves the ease of learning.
[0059]
In carrying out the present invention, instead of changing the weighting factor w depending on whether the blower airflow level VM is 15 or less as shown in FIG. 3, the blower airflow level VM and the weighting factor w are changed as shown in FIG. You may make it change corresponding with a function.
[0060]
(Second Embodiment)
FIG. 5 is a flowchart for explaining a procedure for learning a neural network according to the present embodiment, in which step S40 in the first embodiment is changed to step S41 shown in FIG. In step S41, an area for creating additional teacher data is set intensively. In this setting, among the teacher data, the teacher data related to the region in which the user can easily feel the change in the air conditioning control amount VM, tao, s in the variable region of the air conditioning control amount VM, tao, s. Increase compared to teacher data.
[0061]
An example of specific numerical values for this setting will be described below.
[0062]
FIG. 6 is a characteristic diagram showing the relationship between TD, which is a function of the set temperature tset and the room temperature tr, and the blower airflow level VM when the air outlet mode is the face mode. FIG. 7A shows the teacher data created in step S30 (hereinafter referred to as basic teacher data), and FIG. 7B shows the additional teacher data added to the basic teacher data in step S41. Shows teacher data (hereinafter referred to as added teacher data). The additional teacher data is data underlined in FIG. 7B.
[0063]
In step S41, the area where the calculated value s <0.3, the area where VM <15, and the area where 15 <tao <35 are set as areas for creating additional teacher data with priority. To do. And between the basic teacher data regarding the area | region set in this way, as shown in FIG.7 (b), two additional teacher data are added. On the other hand, one additional teacher data is added between the basic teacher data related to other regions set as described above.
[0064]
In step S50, the neural network is trained so as to minimize the square sum E of the learning error defined by the equation 2 using the added teacher data created in step S41. In this embodiment, all the weighting factors w are set to 1.
[0065]
As described above, according to the present embodiment, an area where the user can easily feel the change in the air conditioning control amount such as the temperature, air volume, and the outlet mode of the air conditioning air is set, and the number of additional teacher data in this area is increased and added. Since the learning error in the area where the user can easily feel the change in the air conditioning control amount is preferentially smaller than the learning error in other areas, the learning error is reduced and the learning time is shortened. Can be achieved.
[0066]
(Third embodiment)
FIG. 8 is a flowchart for explaining a procedure for learning a neural network according to the present embodiment. Steps S40 and S60 in the first embodiment are changed to steps S42 and S61 shown in FIG. .
[0067]
In step S42, an area in which the change with time of the air conditioning control amounts VM, tao, s is small is set in the variable area of the air conditioning control amounts VM, tao, s. Then, the degree of priority for setting the learning error in the set region to be preferentially reduced is set.
[0068]
An example of specific numerical values of this setting will be described below. FIGS. 9 to 12 are characteristic diagrams showing the relationship between each of the functions f1 (tam) to f4 (tam) and the outside air temperature tam. In step S42, air conditioning control is performed on a region where VM <f1 (tam), a region where f2 (tam) <tao <f3 (tam), and a region where the calculated value s <f4 (tam) is satisfied. The regions VM, tao, and s are set as regions where changes over time are small. Then, the weighting factor w in the region set in this way is set to 2, and the weighting factor w in other regions is set to 1.
[0069]
In step S61, it is verified whether the learning error of the neural network learned in step S50 is within a preset allowable error range. And in the area | region where the weighting coefficient w is set large, the allowable error range is set small.
[0070]
Specifically, the allowable error range in the region where VM <f1 (tam) is 1 level or less, and the allowable error range in the region where VM ≧ f1 (tam) is 2 levels or less. Further, the allowable error range of the region where f2 (tam) <tao <f3 (tam) is 1 ° C. or less, and the allowable error range of the region where tao ≦ f2 (tam) and tao ≧ f3 (tam) is 2 ° C. or less. And In addition, the allowable error range of the region where the calculated value s <f4 (tam) is 0.003 or less, and the allowable error range of the region where the calculated value s ≧ f4 (tam) is 0.006 or less.
[0071]
(Fourth embodiment)
FIG. 13 is a flowchart for explaining a procedure for learning a neural network according to the present embodiment. Step S42 in the third embodiment is changed to step S43 shown in FIG.
[0072]
In step S43, an area for creating additional teacher data is set intensively. In this setting, among the teacher data, the teacher data relating to the region where the change with time of the air conditioning control amounts VM, tao, s is small within the variable region of the air conditioning control amount VM, tao, s, the teacher data relating to the other region. Increase compared to.
[0073]
Specifically, a region where VM <f1 (tam), a region where f2 (tam) <tao <f3 (tam), and a region where calculated value s <f4 (tam) are added with priority. Set as an area to create teacher data. Then, two additional teacher data are added between the basic teacher data related to the areas set in this way, as in the second embodiment. On the other hand, one additional teacher data is added between the basic teacher data related to other regions set as described above.
[0074]
In step S50, using the added teacher data created in step S43, the neural network is trained so as to minimize the square sum E of the learning error defined by equation (2). In this embodiment, all the weighting factors w are set to 1.
[0075]
(Fifth embodiment)
FIG. 14 is a flowchart for explaining a procedure for learning a neural network according to this embodiment. Steps S43, S61, and S70 in the fourth embodiment are replaced with steps S44, S62, and S71 shown in FIG. It has been changed to.
[0076]
In step S44, as in step S40 of the first embodiment, the area where the calculated value s <0.3 is set to 2, and the calculated value The weighting factor w of the region where s ≧ 0.3 is set to 1. Further, the weighting factor w of the region where VM <15 is set to 2, and the weighting factor w of the region where VM ≧ 15 is set to 1. Further, the weighting factor w of the region of 15 <tao <35 is set to 2, and the weighting factor w of the region of tao ≦ 15 and tao ≧ 35 is set to 1.
[0077]
Further, in step S44, the allowable error range in step S62 described later can be set. In this embodiment, the allowable error range of the region where the calculated value s <0.3 is 0.003 or less, and VM < The allowable error range of the region where 15 is set to 1 level or less, and the allowable error range of the region where 15 <tao <35 is set to 1 ° C. or less.
[0078]
Next, in step S50, the neural network is substituted so that the weighting coefficient set in step S40 is substituted into the equation 1 and the square sum E of learning errors defined by the equation 2 is minimized. To learn.
[0079]
In step S62, it is verified whether or not the learning error of the neural network learned in step S50 is within a preset allowable error range. If it is determined in step S62 that the learning error is not within the allowable error range, the process proceeds to step S71, and the weighting coefficient w as the priority set in step S44 is changed. Alternatively, the range of the area to be preferentially reduced is changed.
[0080]
As an example of this change, in the present embodiment, the weighting factor w of the region where the calculated value s <0.3, the weighting factor w of the region where the calculated value s ≧ 0.3, and the weighting factor w of the region where VM <15 are satisfied. 1 is added to each of the above.
[0081]
Then, the neural network is learned again in step S50, whether or not the learning error is in the allowable error range is verified in step S62, and it is determined in step S62 that the learning error is in the allowable error range. If yes, the process goes to step S80 to re-evaluate the air conditioning.
[0082]
(Sixth embodiment)
FIG. 15 is a flowchart illustrating a procedure for learning a neural network according to the present embodiment. Step S50 in the fifth embodiment is replaced with steps S51, S52, S53, S54, and S55 shown in FIG. It has been changed to.
[0083]
In step S51, learning of the neural network is performed for the first predetermined number of times by changing the initial value of the coupling coefficient of the neural network by a predetermined pattern. In the present embodiment, the first predetermined number of times is set to 500 times.
[0084]
Subsequently, in step S52, it is determined whether or not the first predetermined number of times of learning is performed for a predetermined pattern. In the present embodiment, the predetermined pattern is set to 5 times. If it is less than 5 patterns, the process proceeds to step S53, where the coupling coefficient initial value is changed, and the first predetermined number of times of learning is performed again in step S51. When it is determined in step S52 that only 5 patterns have been learned, the neural network is learned based on the coupling coefficient initial values of the five types of patterns.
[0085]
In step S54, the learning error in the region where the learning error is preferentially reduced is confirmed for each of the five types of patterns, and the initial value having the smallest learning error among the initial values of the predetermined pattern is further used. 2. A predetermined number of times of learning is performed in step S55. In the present embodiment, the second predetermined number of times is set to 2000.
[0086]
As described above, according to the present embodiment, the initial value of the coupling coefficient that tends to reduce the learning error in the region where the learning error is preferentially reduced is found, and intensive learning is performed using the initial value. Gives the best coupling coefficient.
[Brief description of the drawings]
FIG. 1 is a flowchart illustrating a procedure for learning a neural network according to a first embodiment of the present invention.
FIG. 2 is a characteristic diagram showing the relationship between the outlet mode calculated value s and the outlet mode according to the first embodiment.
FIG. 3 is a characteristic diagram showing a relationship between a function TD and a blower air volume level VM according to the first embodiment.
FIG. 4 is a characteristic diagram showing a relationship between a blower air volume level VM and a weighting factor w according to the first embodiment.
FIG. 5 is a flowchart illustrating a procedure for learning a neural network according to the second embodiment of the present invention.
FIG. 6 is a characteristic diagram showing a relationship between a function TD and a blower air volume level VM according to the second embodiment.
FIG. 7A is a diagram showing basic teacher data according to the second embodiment, and FIG. 7B is a diagram showing added teacher data.
FIG. 8 is a flowchart illustrating a procedure for learning a neural network according to a third embodiment of the present invention.
FIG. 9 is a characteristic diagram showing a relationship between a function f1 (tam) and an outside air temperature tam according to the third embodiment.
FIG. 10 is a characteristic diagram showing a relationship between a function f2 (tam) and an outside air temperature tam according to the third embodiment.
FIG. 11 is a characteristic diagram showing a relationship between a function f3 (tam) and an outside air temperature tam according to the third embodiment.
FIG. 12 is a characteristic diagram showing a relationship between a function f4 (tam) and an outside air temperature tam according to the third embodiment.
FIG. 13 is a flowchart illustrating a procedure for learning a neural network according to the fourth embodiment of the present invention.
FIG. 14 is a flowchart illustrating a procedure for learning a neural network according to a fifth embodiment of the present invention.
FIG. 15 is a flowchart illustrating a procedure for learning a neural network according to a sixth embodiment of the present invention.
[Explanation of symbols]
s ... outlet mode calculated value, tao ... target outlet temperature, VM ... blower air volume level.

Claims

In an air conditioning apparatus that performs air conditioning control based on an air conditioning control amount (VM, tao, s) calculated by a neural network, a neural network learning method for initially setting the neural network,
The learning error in the region where the user can easily feel the change in the air conditioning control amount (VM, tao, s) in the variable region of the air conditioning control amount (VM, tao, s) is compared with the learning error in other regions. In the neural network learning method of learning the neural network so as to be preferentially reduced , the user-friendly areas are a low air volume area, an area near an air discharge temperature of 25 ° C., and an air blowing ratio with a high air blowing ratio from above. A neural network learning method, wherein the neural network learning method is at least one of regions in an exit mode .

The neural network learning method according to claim 1 , wherein the degree of preferentially reducing the learning error can be set.

While allowing an allowable range of learning error in the region where learning error is preferentially reduced,
If the learning error is outside the allowable range, to claim 1 or 2, characterized in that to re-learn the neural network after having automatically increase the degree of reducing the learning error preferentially The neural network learning method described.

In learning the neural network, learning is performed a first predetermined number of times by changing a predetermined pattern of the initial value of the coupling coefficient of the neural network,
Thereafter, the learning error in the region where the learning error is preferentially reduced is confirmed for each predetermined pattern,
Using a small initial value most learning error of the initial value of the predetermined pattern, further neural network learning method according to any one of claims 1 to 3, characterized in that the learning of the second predetermined number of times .

In an air conditioning apparatus that performs air conditioning control based on an air conditioning control amount (VM, tao, s) calculated by a neural network, a neural network learning method for initializing the neural network by learning from teacher data,
Of the teacher data, the teacher data related to the region in which the user can easily feel the change in the air conditioning control amount (VM, tao, s) in the variable region of the air conditioning control amount (VM, tao, s). The neural network learning method is to increase compared to the teacher data relating to the above, and the region that the user can easily feel is a low air volume region, a region around a blowout temperature of 25 ° C., and a region of the blowout outlet mode with a large proportion of blowout from above A neural network learning method, characterized by being at least one of the following .

While allowing an allowable range of learning error in the region where the teacher data is increased,
6. The neural network learning according to claim 5 , wherein when the learning error is outside the allowable range, the neural network is learned again after automatically increasing the degree of increase of the teacher data. Method.

In learning the neural network, learning is performed a first predetermined number of times by changing a predetermined pattern of the initial value of the coupling coefficient of the neural network,
Thereafter, the learning error in the area where the teacher data is increased is confirmed for each predetermined pattern,
7. The neural network learning method according to claim 5 , wherein learning is further performed a second predetermined number of times using an initial value having the smallest learning error among initial values of the predetermined pattern.

In an air conditioning apparatus that performs air conditioning control based on the air conditioning control amount (VM, tao, s) calculated by the neural network, in order to cause a computer to realize a function of learning the neural network in order to initialize the neural network The program of
The learning error in the region where the user can easily feel the change in the air conditioning control amount (VM, tao, s) in the variable region of the air conditioning control amount (VM, tao, s) is compared with the learning error in other regions. A program for causing the computer to realize a function of learning the neural network so as to be preferentially reduced. The user-friendly areas are a low air volume area, an area around an outlet temperature of 25 ° C., and an outlet from above. A program characterized in that it is at least one of the regions of the outlet mode having a high ratio .

In an air conditioning apparatus that performs air conditioning control based on an air conditioning control amount (VM, tao, s) calculated by a neural network, a function of learning the neural network to learn and initialize the neural network from teacher data. , A program for realizing on a computer,
Of the teacher data, the teacher data related to the region in which the user can easily feel the change in the air conditioning control amount (VM, tao, s) in the variable region of the air conditioning control amount (VM, tao, s). Is a program that causes the computer to realize a function to be increased in comparison with the teacher data , and the areas that are easy for the user to feel are the low air volume area, the area in the vicinity of the blowing temperature of 25 ° C., and the blowing outlet having a large blowing rate from above A program characterized in that it is at least one of modes .