JP6997401B1 - 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル - Google Patents

生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル Download PDF

Info

Publication number
JP6997401B1
JP6997401B1 JP2020149446A JP2020149446A JP6997401B1 JP 6997401 B1 JP6997401 B1 JP 6997401B1 JP 2020149446 A JP2020149446 A JP 2020149446A JP 2020149446 A JP2020149446 A JP 2020149446A JP 6997401 B1 JP6997401 B1 JP 6997401B1
Authority
JP
Japan
Prior art keywords
measurement data
data
label
trained model
information processing
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.)
Active
Application number
JP2020149446A
Other languages
English (en)
Other versions
JP2022043923A (ja
Inventor
朋裕 野田
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
Priority to JP2020149446A priority Critical patent/JP6997401B1/ja
Priority to US18/043,447 priority patent/US12130037B2/en
Priority to EP21864422.7A priority patent/EP4209973A4/en
Priority to CN202180053497.1A priority patent/CN115997221A/zh
Priority to PCT/JP2021/032387 priority patent/WO2022050370A1/ja
Application granted granted Critical
Publication of JP6997401B1 publication Critical patent/JP6997401B1/ja
Publication of JP2022043923A publication Critical patent/JP2022043923A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—Control

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Air Conditioning Control Device (AREA)
  • Automation & Control Theory (AREA)

Abstract

【課題】予測の精度を向上できる技術を提供すること。【解決手段】情報処理装置が、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する処理と、前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、前記第１学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する処理と、を実行する。【選択図】図４

Description

本開示は、生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデルに関する。
従来、機械学習を用いて、各種のデータを予測する技術が知られている。特許文献１には、学習用データの取得手段の種類を増やすことなく、複数種類の学習用データを反映させた所望の学習結果を得る技術が開示されている。
特開２０１８－１４７４７４号公報
しかしながら、従来技術では、例えば、データに対してラベルが付された訓練データの量が十分でない等の場合、十分な精度で予測を行うための学習ができない場合がある。本開示は、予測の精度を向上させることができる技術を提供することを目的とする。
本開示の第１の態様による生成方法は、情報処理装置が、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する処理と、前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、前記第１学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する処理と、を実行する。これにより、予測の精度を向上させることができる。
また、本開示の第２の態様は、第１の態様に記載の生成方法であって、前記第２学習済みモデルを生成する処理では、前記第１学習済みモデルよりも軽量化された前記第２学習済みモデルを生成する処理を実行する。
また、本開示の第３の態様は、第２の態様に記載の生成方法であって、前記第２学習済みモデルを生成する処理では、前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第２学習済みモデルを生成する。
また、本開示の第４の態様は、第１から３のいずれかの態様に記載の生成方法であって、前記第１学習済みモデルを生成する処理では、前記第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータの数が第１閾値以上である場合、当該組み合わせのデータに基づく教師あり学習により、前記第１学習済みモデルを生成し、前記第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータの数が前記第１閾値以上でない場合、前記第１データセットに基づく半教師あり学習により、前記第１学習済みモデルを生成する。
また、本開示の第５の態様は、第１から４のいずれかの態様に記載の生成方法であって、前記第１学習済みモデルを生成する処理では、前記第１データセットに含まれる、前記第１測定データとラベルとの組み合わせのデータの数が第２閾値以上である場合、及び前記第１測定データの数が第３閾値以上である場合の少なくとも一方の場合、第１学習データセットに基づいて、前記第１学習済みモデルを生成する。
また、本開示の第６の態様は、第１から５のいずれかの態様に記載の生成方法であって、前記情報処理装置が、前記第１機器とは異なる場所に設置されている第２機器に関する第２データセットであって、第３測定データに対して設定されているラベルと前記第３測定データとの組み合わせのデータを含む第２データセットを取得する処理を実行し、前記第１学習済みモデルを生成する処理では、前記第１データセット及び前記第２データセットに基づいて、前記第１学習済みモデルを生成する。
また、本開示の第７の態様は、第６の態様に記載の生成方法であって、前記第１機器及び前記第２機器は、空気調和装置である。
また、本開示の第８の態様によるプログラムは、情報処理装置に、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する処理と、前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、前記第１学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する処理と、を実行させる。
また、本開示の第９の態様による情報処理装置は、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する取得部と、前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成し、前記第１学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する生成部と、を有する。
また、本開示の第１０の態様による情報処理装置は、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットに基づいて生成された学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する推論部を有する。
また、本開示の第１１の態様によるプログラムは、情報処理装置に、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットに基づいて生成された学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する処理、を実行させる。
また、本開示の第１２の態様による情報処理方法は、情報処理装置が、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットに基づいて生成された学習済みモデルに基づいて、前記第１機器の測定データに対するラベルを推論する処理、を実行する。
また、本開示の第１３の態様による学習済みモデルは、第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットに基づいて生成され、前記第１機器の測定データに対するラベルを推論する処理を情報処理装置に実行させるための学習済みモデルである。
実施形態に係る情報処理システムのシステム構成の一例を示す図である。 実施形態に係る情報処理装置のハードウェア構成の一例を示す図である。 実施形態に係る機器の構成の一例を示す図である。 実施形態に係る情報処理装置の機能構成の一例を示す図である。 実施形態に係る情報処理装置の学習時の処理の一例を示すフローチャートである。 実施形態に係る訓練データの一例について説明する図である。 実施形態に係る情報処理装置の推論時の処理の一例を示すフローチャートである。
以下、各実施形態について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く。
＜システム構成＞
はじめに、情報処理システム１のシステム構成について説明する。図１は、実施形態に係る情報処理システム１のシステム構成の一例を示す図である。図１に示すように、情報処理システム１は、情報処理装置１０Ａ、情報処理装置１０Ｂ、情報処理装置１０Ｃ（以下で、それぞれを区別する必要がない場合は、単に「情報処理装置１０」と称する。）を有する。また、情報処理システム１は、機器２０Ａ（「第１機器」、「第１空気調和装置」の一例）、機器２０Ｂ、機器２０Ｃ、機器２０Ｄ（以下で、それぞれを区別する必要がない場合は、単に「機器２０」と称する。）を有する。情報処理装置１０、及び機器２０の数は、図１の例に限定されない。なお、機器２０Ｂ、機器２０Ｃ、及び機器２０Ｄは、それぞれ「第２空気調和装置」の一例である。
情報処理装置１０と機器２０は、例えば、インターネット、無線ＬＡＮ（Local Area Network）、ＬＡＮ、ＬＴＥ（Long Term Evolution）及び５Ｇ等の携帯電話網、及び信号線等のネットワークＮＷを介して通信できるように接続されてもよい。機器２０は、例えば、住宅、オフィス、及び公共施設等に設置されてもよい。情報処理装置１０は、例えば、クラウド上のサーバでもよい。また、情報処理装置１０は、例えば、複数の機器２０が設置される建物に設置されたエッジサーバでもよい。また、情報処理装置１０は、例えば、機器２０（例えば、空気調和装置の室内機筐体）に収容されてもよい。なお、情報処理装置１０Ａ、情報処理装置１０Ｂ及び情報処理装置１０Ｃは、同一の装置でもよい。
機器２０は、例えば、空気調和装置（エアコン）、冷蔵庫、給湯器、及び照明等の各種の機器であり、測定した各種の情報を情報処理装置１０に送信するＩｏＴ（Internet of Things）デバイスを有してもよい。
機器２０Ａは、情報処理装置１０Ｂが推論の対象とする機器である。機器２０Ａは、例えば、新規契約物件等であり運用開始後間もないため、保守員等により正解ラベルが設定されている測定データが比較的少ない空気調和装置等でもよい。
機器２０Ｂ、機器２０Ｃ、及び機器２０Ｄは、例えば、機器２０Ａとは空気調和等の対象とする空間が異なる空気調和装置等でもよい。この場合、機器２０Ｂ、機器２０Ｃ、及び機器２０Ｄの室内機は、機器２０Ａの室内機とは異なる部屋、または施設等に設置されていてもよい。
情報処理装置１０Ａは、機器２０Ａの測定データに対する推論を行うための学習済みモデルを生成する。
情報処理装置１０Ｂは、情報処理装置１０Ａにより生成された学習済みモデルを用いて、機器２０Ａの測定データに対する推論を行う。情報処理装置１０Ｂは、機器２０Ａ等と同一施設に設置されたエッジサーバでもよい。
＜ハードウェア構成＞
《情報処理装置１０のハードウェア構成》
次に、実施形態に係る情報処理装置１０のハードウェア構成について説明する。図２Ａは、実施形態に係る情報処理装置１０のハードウェア構成の一例を示す図である。図２Ａに示すように、情報処理装置１０は、ＣＰＵ（Central Processing Unit）１０１、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３を有する。ＣＰＵ１０１、ＲＯＭ１０２、ＲＡＭ１０３は、いわゆるコンピュータを形成する。また、情報処理装置１０は、補助記憶装置１０４、表示装置１０５、操作装置１０６、Ｉ／Ｆ（Interface）装置１０７、ドライブ装置１０８を有する。情報処理装置１０の各ハードウェアは、バス１０９を介して相互に接続される。
ＣＰＵ１０１は、補助記憶装置１０４にインストールされている各種プログラム（例えば、機械学習プログラム等）を実行する演算デバイスである。ＲＯＭ１０２は、不揮発性メモリである。ＲＯＭ１０２は、主記憶デバイスとして機能し、補助記憶装置１０４にインストールされている各種プログラムをＣＰＵ１０１が実行するために必要な各種プログラムやデータ等を格納する。具体的には、ＲＯＭ１０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
ＲＡＭ１０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ１０３は、主記憶デバイスとして機能し、補助記憶装置１０４にインストールされている各種プログラムがＣＰＵ１０１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。
補助記憶装置１０４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。
表示装置１０５は、各種の情報を表示する表示デバイスである。操作装置１０６は、各種操作を受け付けるための操作デバイスである。Ｉ／Ｆ装置１０７は、外部の機器と通信する通信デバイスである。
ドライブ装置１０８は記録媒体１１０をセットするためのデバイスである。ここでいう記録媒体１１０には、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１１０には、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。
なお、補助記憶装置１０４にインストールされる各種プログラムは、例えば、配布された記録媒体１１０がドライブ装置１０８にセットされ、該記録媒体１１０に記録された各種プログラムがドライブ装置１０８により読み出されることでインストールされる。あるいは、補助記憶装置１０４にインストールされる各種プログラムは、不図示のネットワークよりダウンロードされることで、インストールされてもよい。
《機器２０の構成》
次に、実施形態に係る機器２０の構成について説明する。図２Ｂは、実施形態に係る機器２０の構成の一例を示す図である。以下では、機器２０が空気調和装置である場合の例について説明する。
空気調和装置である機器２０は、冷媒回路２００を構成する各種の機器と、各種のセンサと、制御装置４０を備えている。冷媒回路２００を構成する各機器は、制御装置４０により制御される。冷媒回路２００は、例えば、フロンガス等の冷媒が充填された閉回路である。冷媒回路２００は、例えば、冷媒が循環して蒸気圧縮式の冷凍サイクルを行うように構成されてもよい。
冷媒回路２００には、圧縮機（コンプレッサ）２０１と、四路切換弁（四方弁、切換え弁）２０２と、室外熱交換器２０３と、膨張弁（減圧弁）２０４と、室内熱交換器２０７とが接続されている。圧縮機２０１は、吐出側が四路切換弁２０２の第１ポート２０２１に接続され、吸入側が四路切換弁２０２の第２ポート２０２２に接続されている。また、冷媒回路２００には、四路切換弁２０２の第３ポート２０２３を通過した冷媒が、室外熱交換器２０３、膨張弁２０４、及び室内熱交換器２０７を順に通過して四路切換弁２０２の第４ポート２０２４へ向かうように、室外熱交換器２０３、膨張弁２０４、及び室内熱交換器２０７が配置されている。
圧縮機２０１は、例えば、全密閉型の可変容量型でもよい。圧縮機２０１は、吸入した冷媒を圧縮して吐出する。例えば、圧縮機２０１のモータ（図示省略）に供給する交流の周波数を変更してモータの回転速度（圧縮機２０１の回転速度）を変化させることにより、圧縮機２０１の容量を変化させることができる。なお、回転速度は、例えば、単位時間当たりの回転数等でもよい。
室外熱交換器２０３では、室外ファン２０８によって取り込まれた室外空気と冷媒が熱交換する。室内機に設けられる室内熱交換器２０７では、室内ファン２０９によって取り込まれた室内空気と冷媒が熱交換する。室内ファン２０９は、例えば、回転方向に前傾した羽根車を回転させることにより、吸い込み口から空気を吸い込み、吐き出し口から空気を吐き出す、円柱状のファン（クロスフローファン）でもよい。室内ファン２０９の回転により、室内空気が室内機に取り込まれ、温度等が調整された空気が室内に吐き出される。
膨張弁２０４は、例えば、弁体（図示省略）がパルスモータ（図示省略）で駆動されることにより開度（穴の大きさ）が調整される電子膨張弁でもよい。
四路切換弁２０２は、第１ポート２０２１と第３ポート２０２３とが連通するとともに第２ポート２０２２と第４ポート２０２４とが連通する第１状態（図１に実線で示す状態）と、第１ポート２０２１と第４ポート２０２４とが連通するとともに第２ポート２０２２と第３ポート２０２３とが連通する第２状態（図１に破線で示す状態）とを切り換え可能な弁である。制御装置４０は、四路切換弁２０２を制御して第１状態と第２状態とを切り換えることにより、室内機が設置された室内を冷房する冷房運転と、室内を暖房する暖房運転とを切り換える。
圧縮機２０１、四路切換弁２０２、室外熱交換器２０３、及び室外ファン２０８は、室外機（図示省略）の筐体内に収容されてもよい。また、制御装置４０、膨張弁２０４、室内熱交換器２０７、及び室内ファン２０９は、室内機（図示省略）の筐体内に収容されてもよい。なお、膨張弁２０４は、室外機の筐体内に収容されてもよい。
冷房運転時には、四路切換弁２０２が第１状態に設定される。この状態で圧縮機２０１を運転すると、室外熱交換器２０３が凝縮器（放熱器）となり、室内熱交換器２０７が蒸発器となって冷凍サイクルが行われる。この場合、圧縮機２０１から吐出された冷媒は、室外熱交換器２０３に流れて室外空気へ放熱する。そして、放熱した冷媒は、膨張弁２０４を通過する際に膨張して（減圧されて）室内熱交換器２０７へ流れる。室内熱交換器２０７では、冷媒が室内空気から吸熱して蒸発し、冷却された室内空気が室内へ供給される。蒸発した冷媒は、圧縮機２０１へ吸入されて圧縮される。
暖房運転時には、四路切換弁２０２が第２状態に設定される。この状態で圧縮機２０１を運転すると、室内熱交換器２０７が凝縮器（放熱器）となり、室外熱交換器２０３が蒸発器となって冷凍サイクルが行われる。この場合、圧縮機２０１から吐出された冷媒は、室内熱交換器２０７に流れて室内空気へ放熱する。これにより、加熱された室内空気が室内へ供給される。放熱した冷媒は、膨張弁２０４を通過する際に膨張する（減圧される）。膨張弁２０４で膨張した冷媒は、室外熱交換器２０３に流れて室外空気から吸熱して蒸発する。蒸発した冷媒は、圧縮機２０１へ吸入されて圧縮される。
＜機能構成＞
次に、図３を参照し、実施形態に係る情報処理システム１の機能構成について説明する。図３は、実施形態に係る情報処理装置１０の機能構成の一例を示す図である。
≪情報処理装置１０Ａ≫
情報処理装置１０Ａは、取得部１１、生成部１２、及び出力部１３を有する。これら各部は、例えば、情報処理装置１０Ａにインストールされた１以上のプログラムと、情報処理装置１０ＡのＣＰＵ１０１、ＲＯＭ１０２、及びＲＡＭ１０３等の協働により実現されてもよい。
取得部１１は、各種のデータを外部装置の記憶部、及び情報処理装置１０Ａの記憶部から取得する。取得部１１は、例えば、機械学習を行うためのデータを取得する。
生成部１２は、取得部１１により取得されたデータに基づいて機械学習を行うことにより、学習済みモデルを生成する。
出力部１３は、各種の情報を出力する。出力部１３は、例えば、生成部１２により生成された学習済みモデルを、情報処理装置１０Ｂに送信（配信）する。
≪情報処理装置１０Ｂ≫
情報処理装置１０Ｂは、取得部２１、推論部２２、及び出力部２３を有する。これら各部は、例えば、情報処理装置１０Ｂにインストールされた１以上のプログラムと、情報処理装置１０ＢのＣＰＵ１０１、ＲＯＭ１０２、及びＲＡＭ１０３等の協働により実現されてもよい。
取得部２１は、各種のデータを外部装置の記憶部、及び情報処理装置１０Ｂの記憶部から取得する。取得部２１は、例えば、学習済みモデルを情報処理装置１０Ａから取得する。また、取得部２１は、例えば、当該学習済みモデルを用いて推論を行うためのデータ（テストデータ）を取得する。
推論部２２は、当該学習済みモデルと、取得部２１により取得されたテストデータとに基づいて推論を行う。推論部２２は、例えば、当該学習済みモデルと、取得部２１により取得されたテストデータとに基づいて、故障予知、故障診断、デマンド予測、及び室温等の室内環境の予測を行ってもよい。出力部２３は、推論部２２による推論結果に基づく報知、及び制御等を行う。
＜処理＞
≪学習時の処理≫
図４及び図５を参照し、実施形態に係る情報処理装置１０Ａの学習時の処理の一例について説明する。図４は、実施形態に係る情報処理装置１０Ａの学習時の処理の一例を示すフローチャートである。図５は、実施形態に係る訓練データの一例について説明する図である。
ステップＳ１において、情報処理装置１０Ａの取得部１１は、図５に示す第１訓練データ（学習データ、トレーニングデータ）５０１を取得する。図５の例では、第１訓練データ５０１には、正解ラベル付き（正解ラベル有り）測定データ５１１、５２１、及び正解ラベル無し測定データ５２１、５２２が含まれている。
正解ラベル付き測定データ５１１は、推論の対象となる機器２０Ａの正解ラベル付き測定データである。また、正解ラベル付き測定データ５２１は、機器２０Ａ以外の機器２０（機器２０Ｂ、機器２０Ｃ、及び機器２０Ｄ）の正解ラベル付き測定データである。
正解ラベル付き測定データ５１１、５２１には、機器ＩＤ及び日時の組に対応付けられた測定データと正解ラベルの組のデータが含まれている。機器ＩＤは、機器２０の識別情報である。日時は、測定データが測定された日時である。測定データは、例えば、機器２０で測定された各種のデータである。正解ラベルは、当該測定データに対応付けて保守員等により設定されたデータである。
正解ラベル無し測定データ５１２、５２２は、正解ラベル付き測定データ５１１、５２１と比較して、正解ラベルが設定されていない点が異なる。正解ラベル無し測定データ５１２、５２２には、機器ＩＤ及び日時の組に対応付けられた測定データが含まれている。
正解ラベル無し測定データ５１２は、推論の対象となる機器２０Ａの正解ラベル無し測定データである。正解ラベル無し測定データ５２２は、機器２０Ａ以外の機器２０の正解ラベル無し測定データである。
（測定データについて）
第１訓練データ５０１に含まれる測定データには、例えば、空気調和装置である各機器２０に関する、室内温度、室内湿度、室外温度、室外湿度、空調負荷に関する情報、及び消費電力に関する情報が含まれてもよい。室内温度は、機器２０の室内機の温度センサにより測定された、機器２０が設置されている部屋の中（室内）の気温である。室内湿度は、室内の湿度である。室外温度は、機器２０が設置されている建物の外（室外）の気温である。室外湿度は、室外の湿度である。
空調負荷に関する情報は、機器２０が運転される際の空調負荷に影響を与える状況の情報である。空調負荷に関する情報には、例えば、日射量、及び室内人数の少なくとも一つが含まれてもよい。日射量は、室外の日射量である。日射量は、例えば、機器２０の室外機に設けられた日射量センサにより検出されてもよい。室内人数は、室内に存在しているユーザの人数である。室内人数は、例えば、機器２０の室内機のカメラで撮影された画像に基づいて、ＡＩにより推定されてもよい。または、室内人数は、例えば、オフィスの人退室管理システム等から取得されてもよい。
消費電力に関する情報（値）は、機器２０が運転された際の、機器２０の消費電力に関する情報である。消費電力に関する情報には、例えば、消費電力量積算値、消費電力ピーク値、電流値、高圧圧力、低圧圧力、圧縮機回転速度、及び圧縮機の運転効率を示す情報の少なくとも一つが含まれてもよい。
消費電力量積算値は、例えば、所定時間（例えば、直近の１０分）内の機器２０の消費電力量の積算値である。消費電力ピーク値は、例えば、所定時間内の機器２０の消費電力のピーク値である。電流値は、例えば、所定時間内の機器２０の電流の平均値である。
高圧圧力は、所定時間内の機器２０の高圧圧力の平均値である。なお、高圧圧力は、機器２０の冷凍サイクルにおける高圧圧力（以下で、適宜、単に「高圧」とも称する。）であり、例えば、圧縮機２０１により圧縮されて吐出される冷媒の圧力（圧縮機２０１の吐出圧力）でもよいし、凝縮器における冷媒の圧力でもよい。
低圧圧力は、所定時間内の機器２０の低圧圧力の平均値である。なお、低圧圧力は、機器２０の冷凍サイクルにおける低圧圧力（以下で、適宜、単に「低圧」とも称する。）であり、例えば、圧縮機２０１に吸入される冷媒の圧力（圧縮機２０１に圧縮される前の冷媒の圧力。）でもよい。
圧縮機２０１の運転効率は、例えば、所定の消費電力で冷媒を圧縮する効率である。圧縮機２０１の運転効率は、例えば、圧縮機２０１の回転速度が所定の値の場合に最も高くなる。例えば、室内温度と設定温度との差が小さいため空調負荷が過度に低い場合に、圧縮機２０１の回転速度を過度に低くして冷房運転又は暖房運転をする場合、圧縮機２０１の運転効率は過度に低下する。また、例えば、室内温度と設定温度との差が大きいため空調負荷が過度に高い等の場合に、圧縮機２０１の回転速度を過度に高くして冷房運転又は暖房運転をする場合も、圧縮機２０１の運転効率は過度に低下する。
また、第１訓練データ５０１に含まれる測定データには、例えば、室外機の膨張弁２０４の開度、室内機の膨張弁の開度、圧縮機電流指標、圧縮機２０１の吐出過熱度、圧縮機２０１の吸入過熱度、及び過冷却熱交換器の温度が含まれてもよい。
室外機の膨張弁２０４の開度は、室外熱交換器２０３に対応付けられた膨張弁２０４の開度である。
室内機の膨張弁の開度は、冷媒回路２００上で室内熱交換器２０７に対応付けて設けられた膨張弁（図示省略）の開度である。なお、機器２０が、１台の室外機に複数台の室内機が接続されるマルチエアコンシステム等の場合、冷媒回路２００に各室内機の室内熱交換器と、各室内機の膨張弁とがそれぞれ接続されてもよい。
圧縮機電流指標は、圧縮機２０１の電流の予測値と実測値との比の値である。例えば、圧縮機２０１に吸入される冷媒（冷媒ガス）の湿度が閾値より高い等の異常発生時に、圧縮機電流指標が急激に悪化（値が増加）する場合がある。
圧縮機２０１の吐出過熱度は、圧縮機２０１から吐出される冷媒の過熱度である。吐出過熱度は、例えば、圧縮機２０１から吐出される冷媒の圧力（高圧）における、冷媒が液体と気体（ガス）とが混合する温度範囲と、気体のみとなる温度範囲との境界の温度から、圧縮機２０１から吐出される冷媒の温度までの差の値に基づいて算出されてもよい。
圧縮機２０１の吸入過熱度は、圧縮機２０１に吸入される冷媒の過熱度である。吸入過熱度は、例えば、圧縮機２０１に吸入される冷媒の圧力（低圧）における、冷媒が液体と気体（ガス）とが混合する温度範囲と、気体のみとなる温度範囲との境界の温度から、圧縮機２０１に吸入される冷媒の温度までの差の値に基づいて算出されてもよい。
なお、圧縮機２０１の吐出過熱度が閾値以下である場合、及び圧縮機２０１の吸入過熱度が閾値以下である場合の少なくとも一方の場合、圧縮機２０１は、液体と気体とが混合した冷媒を吸引している状態であると考えられる。
過冷却熱交換器の温度は、過冷却熱交換器により過冷却された冷媒の温度である。過冷却熱交換器の温度は、例えば、冷媒回路２００上に設けられた冷媒量調整容器（レシーバ、アキュムレータ）から供給され、過冷却熱交換器で過冷却された冷媒の温度である。過冷却熱交換器の温度は、例えば、過冷却熱交換器の出口に設けられた温度センサにより測定されてもよい。なお、レシーバは、凝縮器で凝縮された冷媒の液体を一時的に貯める容器である。レシーバにより、例えば、空調負荷の変動により蒸発器の中の冷媒量が変化した際に、冷媒の液体を一時的に貯めることができる。アキュムレータは、圧縮機２０１に吸入される冷媒の液体と気体を分離し、気体のみを圧縮機２０１に吸入させる装置である。
続いて、情報処理装置１０Ａの生成部１２は、取得した第１訓練データに基づいて機械学習を行い、第１学習済みモデルを生成する（ステップＳ２）。ここで、生成部１２は、例えば、第１訓練データに基づく半教師あり学習(Semi-Supervised Learning)を行ってもよい。これにより、例えば、推論対象の機器２０Ａが、新規契約物件等であり運用開始後間もないため正解ラベルが設定されている測定データが比較的少ない等の場合であっても、適切に学習を行うことができる。
また、生成部１２は、例えば、推論対象の機器２０Ａの正解ラベル付き測定データ５１１のレコード数が閾値以上である場合は、正解ラベル付き測定データ５１１に基づく教師あり学習を行うようにしてもよい。これにより、正解ラベル付き測定データ５１１の量が少ない場合は、半教師あり学習を行うようにすることができる。
（ブートストラップ法による半教師あり学習の例）
生成部１２は、例えば、ブートストラップ法(Bootstrapping)による半教師あり学習を行ってもよい。この場合、生成部１２は、例えば、一の分類器を用いる自己訓練(Self Training)、または複数の分類器を用いる共訓練(Co-Training)による半教師あり学習を行ってもよい。
この場合、生成部１２は、以下の（１）から（６）の処理を行ってもよい。（１）まず、機器２０Ａの正解ラベル付き測定データ５１１に基づいて教師あり学習での機械学習を行うことにより学習済みモデルＡを生成してもよい。ここで、生成部１２は、例えば、ニューラルネットワーク（Neural Network）、ＳＶＭ（Support vector machine）、ロジスティック回帰（Logistic Regression）、ランダムフォレスト（Randam Forest）、k近傍法（k-nearest neighbors）等による機械学習を行ってもよい。
（２）そして、生成部１２は、当該機械学習の結果である学習済みモデルＡに基づいて、機器２０Ａの正解ラベル無し測定データ５１２に対する正解ラベルを推論してもよい。（３）そして、生成部１２は、機器２０Ａの正解ラベル無し測定データ５１２のうち、推論時に算出された信頼度の値が閾値以上であるデータにのみ、推論した正解ラベルを設定する。
そして、生成部１２は、以下の（４）から（６）の処理を繰り返してもよい。この場合、生成部１２は、例えば、繰り返した回数が閾値以上になった場合、及び機器２０Ａの正解ラベル無し測定データ５１２のうち、推論した正解ラベルを未だ設定していない測定データの割合が閾値以下となった場合に、処理を終了してもよい。
（４）生成部１２は、機器２０Ａの正解ラベル付き測定データ５１１と、機器２０Ａの正解ラベル無し測定データ５１２のうち推論した正解ラベルを設定した測定データと、に基づいて、教師あり学習での機械学習を行うことにより、学習済みモデルＢ（第１学習済みモデル）を生成（更新）する。（５）そして、生成部１２は、当該機械学習の結果に基づいて、機器２０Ａの正解ラベル無し測定データ５１２のうち、推論した正解ラベルを未だ設定していない測定データに対する正解ラベルを推論する。（６）そして、生成部１２は、推論対象とした機器２０Ａの正解ラベル無し測定データ５１２のうち、推論時に算出された信頼度の値が閾値以上であるデータにのみ、推論した正解ラベルを設定する。
（グラフベースアルゴリズムによる半教師あり学習の例）
生成部１２は、例えば、グラフベースアルゴリズムによる半教師あり学習を行ってもよい。この場合、生成部１２は、例えば、半教師ありk近傍法グラフ(semi-supervised k-Nearest Neighbor)、または半教師あり混合ガウスモデル(semi-supervised Gaussian mixture models)による半教師あり学習を行ってもよい。
（推論対象の機器２０Ａ以外の機器２０の測定データに基づいて機械学習する例）
生成部１２は、推論対象の機器２０Ａ以外の機器２０の測定データにも基づいて、機械学習を行ってもよい。この場合、生成部１２は、例えば、上述した（５）の処理で、第１訓練データに含まれる測定データであって教師あり学習に用いていない測定データのうち、推論した正解ラベルを未だ設定していない測定データに対する正解ラベルを、当該機械学習の結果に基づいて推論してもよい。これにより、保守員等により正解ラベルが付与されていない測定データを半教師あり学習に用いることができるため、より適切に学習できると考えられる。
また、例えば、増設または更新等で新設された機器２０Ａのデータが不足している場合に、同じ居室やフロアの既存の機器２０Ｂ等のデータを利用して学習を行うことができる。また、機器２０Ａの所有者が、機械学習を用いた各種サービスを利用していないこと等により機器２０Ａのデータが不足している場合に、同物件の別フロア等に設置されている機器２０Ｂ等のデータを利用して学習を行うことができる。
この場合、第１訓練データに含まれる測定データであって教師あり学習に用いていない測定データには、推論対象の機器２０Ａ以外の機器２０の正解ラベル付き測定データ５２１に含まれる測定データ、機器２０Ａ以外の機器２０の正解ラベル無し測定データ５２２、及び機器２０Ａの正解ラベル無し測定データ５１２の各測定データが含まれてもよい。
なお、生成部１２は、例えば、推論対象の機器２０Ａの正解ラベル無し測定データ５１２のレコード数が閾値以下である場合に、推論対象の機器２０Ａ以外の機器２０の測定データにも基づいて、機械学習を行ってもよい。これにより、正解ラベル無し測定データ５１２の量が少ない場合は、他の機器２０の測定データも用いた半教師あり学習を行うようにすることができる。
（機器２０Ａと、それ以外の機器２０との写像を用いた推論）
生成部１２は、推論の対象となる機器２０Ａの正解ラベル付き測定データ５１１と、機器２０Ａ以外の機器２０の正解ラベル付き測定データ５２１との写像を用いて機械学習を行ってもよい。この場合、上述した（１）及び（２）の処理に代えて、以下の（１Ａ）、（１Ｂ）及び（２Ａ）の処理を行ってもよい。
（１Ａ）まず、生成部１２は、機器２０Ａ以外の機器２０の正解ラベル付き測定データ５２１に基づく教師あり学習により学習済みモデルＣを生成してもよい。（１Ｂ）また、生成部１２は、推論の対象となる機器２０Ａの正解ラベル付き測定データ５１１と、機器２０Ａ以外の機器２０の正解ラベル付き測定データ５２１との写像を示す情報を算出してもよい。ここで、生成部１２は、例えば、機器２０Ａ以外の機器２０の正解ラベル付き測定データ５２１の集合を、機器２０Ａの正解ラベル付き測定データ５１１の集合に変換する写像関数を算出してもよい。
（２Ａ）そして、生成部１２は、機器２０Ａの正解ラベル無し測定データ５１２に含まれる測定データを当該写像関数により変換し、変換後の測定データを学習済みモデルＣに入力することにより、機器２０Ａの正解ラベル無し測定データ５１２に対する正解ラベルを推論してもよい。
続いて、情報処理装置１０Ａの生成部１２は、生成した第１学習済みモデルに基づいて、軽量化された第２学習済みモデルを生成する（ステップＳ３）。これにより、情報処理装置１０Ｂに配信する第２学習済みモデルのデータサイズが減少することにより、通信コストが低減できる。また、情報処理装置１０Ｂの処理能力が低い場合でも、推論を行うことができる。
ここで、生成部１２は、蒸留（Distillation）等のモデル圧縮 (Model Compression)手法を用いて、第１学習済みモデルを、データサイズ、入力データの項目数、及びネットワークの階層の数の少なくとも一つが減少された第２学習済みモデルを生成してもよい。
この場合、生成部１２は、例えば、第１訓練データ５０１に含まれる各測定データを第１学習済みモデルへ入力して算出された推論結果に基づいて、第２学習済みモデルを生成してもよい。この場合、当該推論結果は、分類問題の場合は、分類先の各クラスに対する確率値でもよい。
そして、生成部１２は、当該各推定データに対する推論結果を、当該各推定データに対する正解ラベルとし、第１学習済みモデルよりも入力データの項目数、及びネットワークの階層の数の少なくとも一方が減少したネットワーク構造を指定した教師あり学習による機械学習を行ってもよい。
続いて、情報処理装置１０Ａの出力部１３は、生成部１２により生成された第２学習済みモデルを情報処理装置１０Ｂに送信する（ステップＳ４）。ここで、出力部１３は、例えば、情報処理装置１０Ｂからの要求を受信した場合に、第２学習済みモデルを情報処理装置１０Ｂにダウンロードさせてもよい。
≪推論時の処理≫
次に、図６を参照し、実施形態に係る情報処理装置１０Ｂの推論時の処理の一例について説明する。図６は、実施形態に係る情報処理装置１０Ｂの推論時の処理の一例を示すフローチャートである。
ステップＳ２１において、情報処理装置１０Ｂの取得部２１は、情報処理装置１０Ａにより生成された学習済みモデルと、機器２０Ａの測定データを取得する。ここで、取得部２１は、図５の第１訓練データ５０１に含まれる測定データと同様の項目のデータを有する機器２０Ａの測定データを取得する。
続いて、情報処理装置１０Ｂの推論部２２は、当該学習済みモデルと、取得部２１により取得された機器２０Ａの測定データとに基づいて、機器２０Ａの測定データに対する推論（予測）を行う（ステップＳ２２）。続いて、情報処理装置１０Ｂの出力部２３は、推論部２２により推論された結果を出力する（ステップＳ２３）。
＜変形例＞
情報処理装置１０Ａ、及び情報処理装置１０Ｂの各機能部は、例えば１以上のコンピュータにより提供されるクラウドコンピューティングにより実現されていてもよい。また、情報処理装置１０Ａ、及び情報処理装置１０Ｂの一部の処理を、他の情報処理装置により実行するようにしてもよい。
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 情報処理システム
１０Ａ 情報処理装置
１１ 取得部
１２ 生成部
１３ 出力部
１０Ｂ 情報処理装置
２１ 取得部
２２ 推論部
２３ 出力部

Claims (12)

  1. 情報処理装置が、
    第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する処理と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する処理と、
    を実行する生成方法。
  2. 前記第２学習済みモデルを生成する処理では、
    前記第１学習済みモデルよりも軽量化された前記第２学習済みモデルを生成する処理を実行する、
    請求項１に記載の生成方法。
  3. 前記第１学習済みモデルを生成する処理では、
    前記第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータの数が第１閾値以上である場合、当該組み合わせのデータに基づく教師あり学習により、前記第１学習済みモデルを生成し、
    前記第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータの数が前記第１閾値以上でない場合、前記第１データセットに基づく半教師あり学習により、前記第１学習済みモデルを生成する、
    請求項１または２に記載の生成方法。
  4. 前記第１学習済みモデルを生成する処理では、
    前記第２測定データの数が第２閾値以下である場合、前記第１機器とは異なる場所に設置されている第２機器に関する第２データセットであって、第３測定データに対して設定されているラベルと前記第３測定データとの組み合わせのデータを含む第２データセットにも基づいて、前記第１学習済みモデルを生成する、
    請求項１から３のいずれか一項に記載の生成方法。
  5. 前記情報処理装置が、
    前記第１機器とは異なる場所に設置されている第２機器に関する第２データセットであって、第３測定データに対して設定されているラベルと前記第３測定データとの組み合わせのデータを含む第２データセットを取得する処理を実行し、
    前記第１学習済みモデルを生成する処理では、
    前記第１データセット及び前記第２データセットに基づいて、前記第１学習済みモデルを生成する、
    請求項１から４のいずれか一項に記載の生成方法。
  6. 前記第１機器及び前記第２機器は、空気調和装置である、
    請求項５に記載の生成方法。
  7. 情報処理装置に、
    第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する処理と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する処理と、
    を実行させるプログラム。
  8. 第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、第１機器に関する第１データセットを取得する取得部と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成し、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第１機器の測定データに対するラベルを推論する第２学習済みモデルを生成する生成部と、
    を有する情報処理装置。
  9. 第２学習済みモデルに基づいて、第１機器の測定データに対するラベルを推論する推論部を有し、
    前記第２学習済みモデルは、
    第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、前記第１機器に関する第１データセットを取得する処理と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第２学習済みモデルを生成する処理と、
    を実行することによって生成される、情報処理装置。
  10. 情報処理装置に、
    第２学習済みモデルに基づいて、第１機器の測定データに対するラベルを推論する処理を実行させ、
    前記第２学習済みモデルは、
    第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、前記第１機器に関する第１データセットを取得する処理と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第２学習済みモデルを生成する処理と、
    を実行することによって生成される、プログラム。
  11. 情報処理装置が、
    第２学習済みモデルに基づいて、第１機器の測定データに対するラベルを推論する処理を実行し、
    前記第２学習済みモデルは、
    第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、前記第１機器に関する第１データセットを取得する処理と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第２学習済みモデルを生成する処理と、
    を実行することによって生成される、情報処理方法。
  12. 第１機器の測定データに対するラベルを推論する処理を情報処理装置に実行させるための第２学習済みモデルであって、
    第１測定データに対して設定されているラベルと前記第１測定データとの組み合わせのデータと、ラベルが設定されていない第２測定データとを含む、前記第１機器に関する第１データセットを取得する処理と、
    前記第１データセットに基づいて、前記第１機器の測定データに対するラベルを推論する第１学習済みモデルを生成する処理と、
    前記第２測定データを入力とした前記第１学習済みモデルによるラベルの推論結果を示すデータに基づいて、前記第２学習済みモデルを生成する処理と、
    を実行することによって生成される、第２学習済みモデル。
JP2020149446A 2020-09-04 2020-09-04 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル Active JP6997401B1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2020149446A JP6997401B1 (ja) 2020-09-04 2020-09-04 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル
US18/043,447 US12130037B2 (en) 2020-09-04 2021-09-03 Generation method, program, information processing apparatus, information processing method, and trained model
EP21864422.7A EP4209973A4 (en) 2020-09-04 2021-09-03 GENERATION METHOD, PROGRAM, INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD AND TRAINED MODEL
CN202180053497.1A CN115997221A (zh) 2020-09-04 2021-09-03 生成方法、程序、信息处理装置、信息处理方法、以及学习完毕模型
PCT/JP2021/032387 WO2022050370A1 (ja) 2020-09-04 2021-09-03 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020149446A JP6997401B1 (ja) 2020-09-04 2020-09-04 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル

Publications (2)

Publication Number Publication Date
JP6997401B1 true JP6997401B1 (ja) 2022-01-17
JP2022043923A JP2022043923A (ja) 2022-03-16

Family

ID=80448099

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020149446A Active JP6997401B1 (ja) 2020-09-04 2020-09-04 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル

Country Status (4)

Country Link
EP (1) EP4209973A4 (ja)
JP (1) JP6997401B1 (ja)
CN (1) CN115997221A (ja)
WO (1) WO2022050370A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014136316A1 (ja) 2013-03-04 2014-09-12 日本電気株式会社 情報処理装置、情報処理方法、及びプログラム
US20190080089A1 (en) 2017-09-11 2019-03-14 Intel Corporation Adversarial attack prevention and malware detection system
JP2019121141A (ja) 2017-12-29 2019-07-22 大日本印刷株式会社 デバイス、セキュアエレメント、プログラム、情報処理システム及び情報処理方法
WO2019202724A1 (ja) 2018-04-20 2019-10-24 株式会社ウフル エネルギーデータ提供システム、エネルギーデータ提供方法及びエネルギーデータ提供プログラム
WO2019216938A1 (en) 2018-05-07 2019-11-14 Google Llc Application development platform and software development kits that provide comprehensive machine learning services
WO2020065970A1 (ja) 2018-09-28 2020-04-02 楽天株式会社 学習システム、学習方法、及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04184668A (ja) * 1990-11-20 1992-07-01 Sanyo Electric Co Ltd ニューラルネットワークにおける教師データの修正方法
JP6889841B2 (ja) 2017-03-01 2021-06-18 オムロン株式会社 学習装置、学習結果利用装置、学習方法及び学習プログラム
JP2019066135A (ja) * 2017-10-04 2019-04-25 ファナック株式会社 空調制御システム
US10794609B2 (en) * 2018-02-05 2020-10-06 Mitsubishi Electric Research Laboratories, Inc. Methods and systems for personalized heating, ventilation, and air conditioning
EP3818540A4 (en) * 2018-07-02 2022-03-30 3M Innovative Properties Company LEARNING TRANSFER IN CLASSIFIER-BASED DETECTION SYSTEMS
JP7298210B2 (ja) 2019-03-14 2023-06-27 オムロン株式会社 設定情報生成装置、設定情報生成方法、及び制御プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014136316A1 (ja) 2013-03-04 2014-09-12 日本電気株式会社 情報処理装置、情報処理方法、及びプログラム
US20190080089A1 (en) 2017-09-11 2019-03-14 Intel Corporation Adversarial attack prevention and malware detection system
JP2019121141A (ja) 2017-12-29 2019-07-22 大日本印刷株式会社 デバイス、セキュアエレメント、プログラム、情報処理システム及び情報処理方法
WO2019202724A1 (ja) 2018-04-20 2019-10-24 株式会社ウフル エネルギーデータ提供システム、エネルギーデータ提供方法及びエネルギーデータ提供プログラム
WO2019216938A1 (en) 2018-05-07 2019-11-14 Google Llc Application development platform and software development kits that provide comprehensive machine learning services
WO2020065970A1 (ja) 2018-09-28 2020-04-02 楽天株式会社 学習システム、学習方法、及びプログラム

Also Published As

Publication number Publication date
JP2022043923A (ja) 2022-03-16
EP4209973A1 (en) 2023-07-12
EP4209973A4 (en) 2024-02-28
WO2022050370A1 (ja) 2022-03-10
US20230250985A1 (en) 2023-08-10
CN115997221A (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
JP7328498B2 (ja) 情報処理装置、空気調和装置、情報処理方法、空気調和方法、及びプログラム
US8180493B1 (en) Method and apparatus for effecting temperature difference in a respective zone
WO2020256153A1 (ja) 情報処理方法、情報処理装置、及びプログラム
US11852392B2 (en) Speed control strategies for a condenser fan in a refrigeration system
US20230243534A1 (en) Electronic apparatus and controlling method thereof
JP2020153574A (ja) 情報処理装置、空気調和装置、情報処理方法、空気調和方法、及びプログラム
JP2012037159A (ja) 空気調和機の制御装置および冷凍装置の制御装置
JP6997401B1 (ja) 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル
JP7041374B2 (ja) 生成方法、プログラム、情報処理装置、情報処理方法、及び学習済みモデル
US11774955B1 (en) Information processing apparatus, information processing method, and program
JP7385099B2 (ja) 情報処理装置、空気調和装置、情報処理方法、空気調和方法、及びプログラム
US12130037B2 (en) Generation method, program, information processing apparatus, information processing method, and trained model
US20220333810A1 (en) Model sharing system, model management apparatus, and control apparatus for air conditioning apparatus
US20240167716A1 (en) Information processing device and air conditioning system
US11971186B2 (en) Information processing method, information processing apparatus, and program
JP7339570B1 (ja) 予測装置、冷凍システム、予測方法及び予測プログラム
US20240295337A1 (en) Control systems, methods, and algorithms to optimize heat pump and chiller operations
CN118623542A (zh) 冷源系统节能方法、装置、设备以及计算机存储介质
CN115773568A (zh) 多联式空调系统超低温制冷控制方法、装置、设备和介质
CN116085992A (zh) 一种空调内环温度修正方法、装置、空调及存储介质
CN118076841A (zh) 空调系统、电子设备及其控制方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210610

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20210610

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210907

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211105

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211116

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211129

R151 Written notification of patent or utility model registration

Ref document number: 6997401

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151