JP7093031B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP7093031B2 JP7093031B2 JP2020158989A JP2020158989A JP7093031B2 JP 7093031 B2 JP7093031 B2 JP 7093031B2 JP 2020158989 A JP2020158989 A JP 2020158989A JP 2020158989 A JP2020158989 A JP 2020158989A JP 7093031 B2 JP7093031 B2 JP 7093031B2
- Authority
- JP
- Japan
- Prior art keywords
- value
- information processing
- component
- determination unit
- measured
- 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
Links
- 230000010365 information processing Effects 0.000 title claims description 60
- 238000003672 processing method Methods 0.000 title claims description 4
- 230000005856 abnormality Effects 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 30
- 238000003745 diagnosis Methods 0.000 claims description 21
- 239000007788 liquid Substances 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 239000003507 refrigerant Substances 0.000 description 35
- 239000003921 oil Substances 0.000 description 13
- 238000001816 cooling Methods 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 6
- 238000004781 supercooling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005057 refrigeration Methods 0.000 description 5
- 238000001704 evaporation Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010721 machine oil Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/021—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system adopting a different treatment of each operating region or a different mode of the monitored system, e.g. transient modes; different operating configurations of monitored system
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Air Conditioning Control Device (AREA)
Description
本開示は、情報処理装置、情報処理方法、及びプログラムに関する。
従来、機器の部品等の異常（故障、障害、劣化）を診断するために、当該機器のデータに基づいて当該機器に固有の診断を行う学習済みモデルを生成する技術が知られている（例えば、特許文献１を参照）。
しかしながら、機器毎に学習済みモデルを生成するためには、処理コスト等がかかる。本開示は、機器の異常判定を適切に行わ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の態様による情報処理装置は、機器が有する部品に関する値を推定する学習済みモデルを生成するか否かを、前記機器の各センサによる測定値、前記機器の異常診断結果、前記機器に対する制御の結果、及び前記機器に関する条件の少なくとも一つに基づいて判定する判定部を有する。これにより、機器の異常判定を適切に行わせることができる。
また、本開示の第２の態様は、第１の態様に記載の情報処理装置であって、前記機器の各センサによる測定値、前記機器の異常診断結果、及び前記機器に対する制御の結果の少なくとも一つに基づいて、所定の推定方式により前記部品に関する値を推定する推定部を有し、前記判定部は、前記推定部により推定された値と、前記部品に関する値の実測値との誤差が閾値以上である場合、前記学習済みモデルを生成すると判定する。
また、本開示の第３の態様は、第１または第２の態様に記載の情報処理装置であって、前記判定部は、前記機器の各センサによる測定値に基づいて判定された前記機器が使用される環境、前記機器が設置される物件の情報、及び前記機器の機種の少なくとも一つが所定の条件を満たす場合、前記学習済みモデルを生成すると判定する。
また、本開示の第４の態様は、第１から第３のいずれかの態様に記載の情報処理装置であって、前記判定部により前記学習済みモデルを生成しないと判定された場合、前記部品に関する値の推定値と実測値との誤差が第１閾値以上である場合、前記部品が異常であると判定し、前記判定部により前記学習済みモデルを生成すると判定された場合、前記部品に関する値の推定値と実測値との誤差が前記第１閾値よりも大きい第２閾値以上である場合、前記部品が異常であると判定する異常判定部を有する。
また、本開示の第５の態様は、第１から第４のいずれかの態様に記載の情報処理装置であって、前記部品が正常である際の、前記機器の各センサによる測定値、前記機器の異常診断結果、及び前記機器に対する制御の結果の少なくとも一つを説明変数とし、前記部品に関する値の実測値を正解ラベルとするデータセットに基づいて、前記学習済みモデルを生成する生成部を有する。
また、本開示の第６の態様は、第１から第５のいずれかの態様に記載の情報処理装置であって、前記判定部は、所定の推定方式により推定された前記部品に関する値の第１推定値と実測値との第１誤差と、前記学習済みモデルにより推定された前記部品に関する値の第２推定値と実測値との第２誤差とに基づいて、所定の推定方式と前記学習済みモデルを用いる推定方式とのうち、前記部品の異常の検出するための前記部品に関する値の推定方式を決定する。
また、本開示の第７の態様は、第１から第４のいずれかの態様に記載の情報処理装置であって、前記部品に関する値は、外気温度、吸入菅温度、吐出管温度、熱交温度、過冷却熱交換出口温度、レシーバ液管温度、アキュムレータ入口温度、高圧圧力、低圧圧力、インバータ電流値、インバータ回転数、及び室外機の電磁弁開度のうち少なくとも１つを含む。
また、本開示の第８の態様による情報処理方法は、情報処理装置が、機器が有する部品に関する値を推定する学習済みモデルを生成するか否かを、前記機器の各センサによる測定値、前記機器の異常診断結果、前記機器に対する制御の結果、及び前記機器に関する条件の少なくとも一つに基づいて判定する処理を実行する。
また、本開示の第９の態様によるプログラムは、情報処理装置に、機器が有する部品に関する値を推定する学習済みモデルを生成するか否かを、前記機器の各センサによる測定値、前記機器の異常診断結果、前記機器に対する制御の結果、及び前記機器に関する条件の少なくとも一つに基づいて判定する処理を実行させる。
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、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。
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、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。
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。
＜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２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２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。
《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２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２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。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。
次に、実施形態に係る機器２０の構成について説明する。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。
図３Ａは、実施形態に係る機器２０の室外機２０００の構成の一例を示す図である。図３Ｂは、実施形態に係る機器２０の室内機の構成の一例を示す図である。
空気調和装置である機器２０は、機器２０の各部を制御する制御装置４０を有する。制御装置４０は、例えば、機器２０の室外機２０００、または室内機２５００に内蔵されてもよい。機器２０の制御装置４０は、ＣＰＵ、メモリ、及び入出力部が一つの集積回路に組み込まれているマイコン(Micro controller) により実現されてもよい。また、機器２０の制御装置４０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（digital signal processor）、及びＦＰＧＡ（field programmable gate array）等の回路により実現されてもよい。また、機器２０の制御装置４０は、上述した図２に示すコンピュータにより実現されてもよい。
また、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。
（機器２０の室外機２０００の構成）
図３Ａの例では、機器２０の室外機２０００（室外ユニット）は、圧縮機（コンプレッサ）２０１、室外熱交換器２０２、電子膨張弁２０３、電子膨張弁２０４、電磁弁２０５（油分離器油戻し）、電磁弁２０６（油分離器バイパス）、電磁弁２０７（アキュムレータ油戻し）、四路切換弁２０８、高圧圧力センサ２０９、低圧圧力センサ２１０、高圧圧力開閉器２１１、圧力調整弁２１２、過冷却熱交２１３、キャピラリーチューブ２１４、サーミスタ２１５、サーミスタ２１６、サーミスタ２１７、サーミスタ２１８、サーミスタ２１９、サーミスタ２２０、サーミスタ２２１、サーミスタ２２２、及び冷媒冷却板２２３等を有する。
図３Ａの例では、機器２０の室外機２０００（室外ユニット）は、圧縮機（コンプレッサ）２０１、室外熱交換器２０２、電子膨張弁２０３、電子膨張弁２０４、電磁弁２０５（油分離器油戻し）、電磁弁２０６（油分離器バイパス）、電磁弁２０７（アキュムレータ油戻し）、四路切換弁２０８、高圧圧力センサ２０９、低圧圧力センサ２１０、高圧圧力開閉器２１１、圧力調整弁２１２、過冷却熱交２１３、キャピラリーチューブ２１４、サーミスタ２１５、サーミスタ２１６、サーミスタ２１７、サーミスタ２１８、サーミスタ２１９、サーミスタ２２０、サーミスタ２２１、サーミスタ２２２、及び冷媒冷却板２２３等を有する。
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のインバータからモータ（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２０２（空気熱交）では、室外ファンによって取り込まれた室外空気と冷媒が熱交換される。電子膨張弁２０３（メイン）及び電子膨張弁２０４（インジェクション）は、例えば、弁体がパルスモータ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２０３は、暖房運転時に、室外熱交換器の出口過熱度が一定となるように制御される。電子膨張弁２０４は、過冷却熱交２１３の出口過熱度が一定となるように制御される。
電磁弁２０５（油分離器油戻し）及び電磁弁２０６（油分離器バイパス）は、油分離器２２４より圧縮機２０１へ戻す油の量をコントロールする。電磁弁２０７（アキュムレータ油戻し）は、アキュムレータ２２５より圧縮機２０１へ油を戻す際に使用される。四路切換弁２０８は、冷房運転と暖房運転とを切り換える。
高圧圧力センサ２０９は、高圧圧力を検知するセンサである。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。
低圧圧力センサ２１０は、低圧圧力を検知するセンサである。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。
高圧圧力開閉器２１１は、圧縮機２０１の異常時に高圧圧力が上昇することを回避するため、所定の圧力以上の場合に機器２０の運転を停止させる。
圧力調整弁２１２は、輸送、及び保管時の圧力上昇による機能部品破損を防止するため、所定の圧力以上の場合に液管を開いて圧力上昇を回避させる。
過冷却熱交２１３は、液冷媒を過冷却する。
キャピラリーチューブ２１４は、油分離器２２４で分離した冷凍機油を圧縮機２０１に戻す。
サーミスタ２１５は、外気温度を検出（測定）するセンサ（温度センサ）である。サーミスタ２１５で測定された外気温度は、例えば、吐出管温度の補正等に使用されてもよい。
サーミスタ２１６は、圧縮機２０１から吐き出された冷媒の温度を示す吐出管温度を検出するセンサである。サーミスタ２１６で測定された吐出管温度は、例えば、圧縮機２０１の温度保護制御等に使用されてもよい。
サーミスタ２１７は、アキュムレータ２２５の入口のガス管温度を検出するセンサである。サーミスタ２１７で測定されたガス管温度は、例えば、暖房時の吸入過熱度を一定にする制御等に使用されてもよい。サーミスタ２１８は、室外熱交換器２０２の液管温度を検出するセンサである。サーミスタ２１８で測定された液管温度は、例えば、試運転時の過充てん判定等に使用されてもよい。サーミスタ２１９は、過冷却熱交２１３の液管温度を検出するセンサである。サーミスタ２２０は、過冷却熱交２１３の蒸発側ガス管温度を検出するセンサである。サーミスタ２１９で測定された蒸発側ガス管温度は、例えば、過冷却熱交２１３の出口の過熱度を一定に制御する等のために使用されてもよい。
サーミスタ２２１は、室外熱交換器２０２の液管温度を検出するセンサである。サーミスタ２２１で測定された液管温度は、例えば、デフロスト運転の判定等に使用されてもよい。サーミスタ２２２は、圧縮機２０１の表面温度を検出するセンサである。なお、制御装置４０は、異常時に圧縮機２０１の温度が上昇することを回避するため、表面温度が閾値を超えた場合は機器２０の運転を停止させてもよい。サーミスタ２２６は、圧縮機２０１に吸入される冷媒の温度を示す吸入管温度を検出するセンサである。冷媒冷却板２２３は、冷媒液を冷やすための冷却板である。
アキュムレータ２２５は、例えば、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。なお、室外機２０００は、アキュムレータ２２５に代えて、またはこれに加えて、レシーバ（冷媒量調整容器）を有してもよい。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。
（機器２０の室内機２５００の構成）
図３Ｂの例では、機器２０の室内機２５００（室外ユニット）は、電子膨張弁２５１、サーミスタ２５２、サーミスタ２５３、サーミスタ２５４、サーミスタ２５５、及び室内熱交換器２５６等を有する。
図３Ｂの例では、機器２０の室内機２５００（室外ユニット）は、電子膨張弁２５１、サーミスタ２５２、サーミスタ２５３、サーミスタ２５４、サーミスタ２５５、及び室内熱交換器２５６等を有する。
電子膨張弁２５１は、冷房運転時のガス過熱度制御、及び暖房運転時の過冷却度制御に使用されてもよい。サーミスタ２５２は、室内熱交換器２５６のファンで吸い込まれる空気の温度（室内温度）を検出するセンサである。サーミスタ２５３は、電子膨張弁２５１と室内熱交換器２５６との間の液管温度を検出するセンサである。サーミスタ２５３で測定された液管温度は、例えば、冷房運転時のガス過熱度制御、暖房運転時の過冷却度制御等に使用されてもよい。
サーミスタ２５４は、室内熱交換器２５６と室外機２０００へのガス側配管との間のガス管温度を検出するセンサである。サーミスタ２５４で測定されたガス管温度は、例えば、冷房運転時のガス過熱度の制御等に使用されてもよい。サーミスタ２５５は、室内熱交換器２５６から吹き出される空気の温度を検出するセンサである。
室内熱交換器２５６では、室内ファン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。
冷房運転時には、四路切換弁２０８が第１状態に設定される。この状態で圧縮機２０１が運転されると、室外熱交換器２０２が凝縮器（放熱器）となり、室内熱交換器２５６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２０２に流れて室外空気へ放熱する。そして、放熱した冷媒は、室内機２５００の電子膨張弁２５１を通過する際に膨張して（減圧されて）室内熱交換器２５６へ流れる。室内熱交換器２５６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２０８が第２状態に設定される。この状態で圧縮機２０１が運転されると、室内熱交換器２５６が凝縮器（放熱器）となり、室外熱交換器２０２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２５６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、電子膨張弁２０３を通過する際に膨張する（減圧される）。電子膨張弁２０３で膨張した冷媒は、室外熱交換器２０２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４を参照し、実施形態に係る機器２０の制御装置４０の機能構成について説明する。図４は、実施形態に係る機器２０の制御装置４０の機能構成の一例を示す図である。
次に、図４を参照し、実施形態に係る機器２０の制御装置４０の機能構成について説明する。図４は、実施形態に係る機器２０の制御装置４０の機能構成の一例を示す図である。
機器２０の制御装置４０は、取得部４１、判定部４２、推論部４３、生成部４４、異常判定部４５、及び制御部４６を有する。なお、これら各部は、例えば、機器２０にインストールされた１以上のプログラムと、機器２０のＣＰＵ等の協働により実現されてもよい。
取得部４１は、各種のデータを取得する。取得部４１は、例えば、機器２０の各種センサから、機器２０が有する部品に関する値の実測値を取得する。
判定部４２は、各種の判定を行う。判定部４２は、例えば、機器２０が有する部品に関する値を推定する学習済みモデルを生成するか否かを判定する。
推論部４３は、予め設定されている所定の推定方式（以下で、適宜「デフォルトの推論用モデル」とも称する）、または生成部４４により生成された機器２０に特有（固有、独自）の学習済みモデルに基づいて、機器２０が有する部品に関する値の推定値を算出する。
生成部４４は、判定部４２により、機器２０が有する部品に関する値を推定する学習済みモデルを生成すると判定された場合、当該機器２０のデータに基づいて機械学習を行うことにより、当該学習済みモデルを生成する。
異常判定部４５は、取得部４１により取得された、機器２０が有する部品に関する値の実測値と、推論部４３により算出された当該部品に関する値の推定値とに基づいて、当該部品の異常を検出する。制御部４６は、機器２０の各部を制御する。
＜処理＞
図５を参照し、実施形態に係る機器２０の制御装置４０の処理の一例について説明する。図５は、実施形態に係る機器２０の制御装置４０の処理の一例を示すフローチャートである。
図５を参照し、実施形態に係る機器２０の制御装置４０の処理の一例について説明する。図５は、実施形態に係る機器２０の制御装置４０の処理の一例を示すフローチャートである。
ステップＳ１において、判定部４２は、機器２０が有する部品に関する値を推定する学習済みモデルを生成するか否かを判定する。機器２０が有する部品に関する値には、例えば、機器２０の各センサによる測定値が含まれてもよい。この場合、機器２０が有する部品に関する値には、例えば、外気温度、吸入菅温度、吐出管温度、熱交温度、過冷却熱交換出口温度、レシーバ液管温度、アキュムレータ入口温度、高圧圧力、低圧圧力、インバータ電流値、インバータ回転数、及び室外機の電磁弁開度のうち少なくとも一つが含まれてもよい。
外気温度は、例えば、サーミスタ２１５で測定される外気温度でもよい。吸入菅温度は、例えば、サーミスタ２２６で測定される、圧縮機２０１に吸入される冷媒の温度である。吐出管温度は、例えば、サーミスタ２１６で測定される、圧縮機２０１から吐き出された冷媒の温度である。
熱交温度は、例えば、サーミスタ２１８で測定される室外熱交換器２０２の液管温度でもよい。過冷却熱交換出口温度は、例えば、サーミスタ２１９で測定される過冷却熱交２１３の液管温度、及びサーミスタ２２０で測定される過冷却熱交２１３の蒸発側ガス管温度の少なくとも一方でもよい。
レシーバ液管温度は、例えば、室外機２０００がアキュムレータ２２５に代えて、またはこれに加えて、レシーバ（冷媒量調整容器）を有する場合の、レシーバの入口の液管温度を検出するセンサ（サーミスタ）で測定される液管温度でもよい。アキュムレータ入口温度は、サーミスタ２１７で測定される、アキュムレータ２２５の入口のガス管温度でもよい。
高圧圧力は、例えば、高圧圧力センサ２０９により測定される高圧圧力でもよい。低圧圧力は、例えば、低圧圧力センサ２１０により測定される低圧圧力でもよい。インバータ電流値は、例えば、圧縮機２０１のモータの回転速度を変えるインバータへ供給される電流値である。インバータ回転数は、例えば、圧縮機２０１のモータの単位時間当たりの回転数（回転速度）でもよい。室外機の電磁弁開度は、例えば、電磁弁２０５、電磁弁２０６、及び電磁弁２０７等の開度である。
ここで、判定部４２は、機器２０の各センサによる測定値、機器２０の異常診断結果、機器２０に対する制御の結果、及び機器２０に関する条件の少なくとも一つに基づいて当該学習済みモデルを生成するか否かを判定してもよい。
（機器２０に関する条件に基づく判定の例）
判定部４２は、機器２０の各センサによる測定値に基づいて、機器２０が使用される環境を判定し、当該環境が所定の条件を満たす場合、当該学習済みモデルを生成すると判定してもよい。この場合、判定部４２は、例えば、サーミスタ２１５により測定された外気温度の推移等が所定の条件を満たす場合、当該学習済みモデルを生成すると判定してもよい。これにより、例えば、極寒地、及び亜熱帯の場所に機器２０が設置された場合に、デフォルトの推論モデルを使用することによる異常診断の精度の低下を低減できる。
判定部４２は、機器２０の各センサによる測定値に基づいて、機器２０が使用される環境を判定し、当該環境が所定の条件を満たす場合、当該学習済みモデルを生成すると判定してもよい。この場合、判定部４２は、例えば、サーミスタ２１５により測定された外気温度の推移等が所定の条件を満たす場合、当該学習済みモデルを生成すると判定してもよい。これにより、例えば、極寒地、及び亜熱帯の場所に機器２０が設置された場合に、デフォルトの推論モデルを使用することによる異常診断の精度の低下を低減できる。
判定部４２は、機器２０が設置される物件の情報が所定の条件を満たす場合、当該学習済みモデルを生成すると判定してもよい。なお、機器２０が設置される物件の情報は、例えば、機器２０が物件に設置される際等に、作業員等により機器２０に設定されてもよい。これにより、例えば、機器２０が設置される物件の所在地が極寒地、または亜熱帯である場合に、デフォルトの推論モデルを使用することによる異常診断の精度の低下を低減できる。
また、判定部４２は、機器２０の機種が所定の条件を満たす場合、当該学習済みモデルを生成すると判定してもよい。これにより、例えば、機器２０が空調能力の低い等の機種であり、かつ、機器２０が設置される物件の所在地が極寒地または亜熱帯である、当該物件の断熱性能が極めて高いまたは低い、あるいは当該物件が来店人数の多い店舗である等の場合に、デフォルトの推論モデルを使用することによる異常診断の精度の低下を低減できる。
（機器２０の各センサによる測定値、機器２０の異常診断結果、及び機器２０に対する制御の結果の少なくとも一つに基づく判定の例）
ステップＳ１の処理において、判定部４２は、まず、機器２０の各センサによる測定値、機器２０の異常診断結果、及び機器２０に対する制御の結果の少なくとも一つに基づいて、所定の推定方式により機器２０の部品に関する値を推論部４３に推定させてもよい。当該所定の推定方式は、例えば、機器２０の工場出荷時等に予め設定されている、機器２０の機種ごとの推定方式でもよい。当該所定の推定方式は、例えば、機器２０の平均的な使用環境において、機器２０の部品に関する値を推定するＡＩ（Artificial Intelligence）を用いた方式でもよい。
ステップＳ１の処理において、判定部４２は、まず、機器２０の各センサによる測定値、機器２０の異常診断結果、及び機器２０に対する制御の結果の少なくとも一つに基づいて、所定の推定方式により機器２０の部品に関する値を推論部４３に推定させてもよい。当該所定の推定方式は、例えば、機器２０の工場出荷時等に予め設定されている、機器２０の機種ごとの推定方式でもよい。当該所定の推定方式は、例えば、機器２０の平均的な使用環境において、機器２０の部品に関する値を推定するＡＩ（Artificial Intelligence）を用いた方式でもよい。
機器２０の各センサによる測定値には、例えば、上述した機器２０が有する部品に関する値の履歴が含まれてもよい。この場合、判定部４２は、推論部４３により当該所定の推定方式により推定された値と、機器２０の部品に関する値の実測値との誤差（乖離度）が閾値以上である場合、当該学習済みモデルを生成すると判定してもよい。
機器２０の異常診断結果には、機器２０の各センサによる測定値の履歴と、保守員（フィールドエンジニア）等に設定された異常診断の結果を示す情報との組の情報が含まれてもよい。この場合、判定部４２は、例えば、推論部４３により当該所定の推定方式により推定された値と機器２０の各センサによる測定値の実測値に基づく異常判定部４５による異常判定結果と、保守員等に設定された異常診断の結果との乖離度が閾値以上である場合、当該学習済みモデルを生成すると判定してもよい。
機器２０に対する制御の結果には、制御装置４０から機器２０の各部に対する制御信号（指示）と、ユーザからリモコン等により設定された運転モード及び設定温度と、機器２０の各センサによる測定値の履歴とが含まれてもよい。この場合、判定部４２は、例えば、制御信号に対するフィードバック値の実測値と、推論部４３により当該所定の推定方式により推定された当該フィードバック値との誤差（乖離度）が閾値以上である場合、当該学習済みモデルを生成すると判定してもよい。
当該学習済みモデルを生成すると判定した場合（ステップＳ１でＹＥＳ）、生成部４４は、機械学習により、当該機器２０に特有の当該学習済みモデルを生成する（ステップＳ２）。
ここで、生成部４４は、機器２０の部品が正常である際に取得された学習用データに基づいて、学習済みモデルを生成してもよい。
この場合、生成部４４は、機器２０が設置された日時から所定期間内（例えば、２年以内）に取得部４１により取得されたデータを、機器２０の部品が正常である際に取得された学習用データとしてもよい。これにより、例えば、機器２０の部品の故障率がバスタブ曲線（故障率曲線）に従い、一定期間を経過すると摩耗故障期に入り経年劣化等により急増する場合であっても、適切な学習を行うことができる。
この場合、生成部４４は、例えば、機器２０がユーザにより初めて起動された日時を、機器２０が設置された日時として記録してもよい。また、機器２０が設置された日時は、作業員等により設定されてもよい。
生成部４４は、機器２０の各センサによる測定値、機器２０の異常診断結果、及び機器２０に対する制御の結果の少なくとも一つを説明変数とし、当該部品に関する値の実測値を正解ラベルとするデータセットを、当該学習用データとしてもよい。生成部４４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。
続いて、異常判定部４５は、機器２０の各センサによる測定値に基づいて、機器２０の部品等の異常を判定（診断）する（ステップＳ３）。
異常判定部４５は、まず、機器２０が有する部品に関する値を推論部４３に算出（推論、推定）させる。ここで、異常判定部４５は、生成部４４により当該学習済みモデルが生成されている場合は、当該学習済みモデルを用いて、機器２０が有する部品に関する値を推論部４３に算出（推論、推定）させる。一方、当該学習済みモデルが生成されていない場合は、上述した所定の推定方式を用いて、機器２０が有する部品に関する値を推論部４３に算出させる。
そして、異常判定部４５は、推論部４３により算出された機器２０が有する部品に関する値と、機器２０の各センサによる当該部品に関する値の実測値との誤差が閾値以上である場合、当該部品が異常であると判定してもよい。
（推論用モデルを決定する例）
判定部４２は、デフォルトの推論用モデルと、生成部４４に生成された機器２０に特有の学習済みモデルとのうちいずれを用いて異常判定部４５に異常判定を行わせるかを決定してもよい。これにより、例えば、学習用データの不足等により、当該学習済みモデルによる推定の精度が不十分である等の場合に、デフォルトの推論用モデルを用いた異常判定を行うことができる。
判定部４２は、デフォルトの推論用モデルと、生成部４４に生成された機器２０に特有の学習済みモデルとのうちいずれを用いて異常判定部４５に異常判定を行わせるかを決定してもよい。これにより、例えば、学習用データの不足等により、当該学習済みモデルによる推定の精度が不十分である等の場合に、デフォルトの推論用モデルを用いた異常判定を行うことができる。
この場合、判定部４２は、推論部４３により所定の推定方式を用いて推定された機器２０の部品に関する値の第１推定値と、当該部品に関する値の実測値との第１誤差を算出してもよい。そして、判定部４２は、推論部４３により当該学習済みモデルにより推定された当該部品に関する値の第２推定値と、当該部品に関する値の実測値との第２誤差を算出してもよい。
そして、判定部４２は、第１推定値と第２推定値とに基づいて、所定の推定方式と前記学習済みモデルを用いる推定方式とのうち、いずれの推論用モデルを用いて異常判定部４５に異常判定を行わせるかを決定してもよい。そして、異常判定部４５は、判定部４２により決定された推論用モデルを用いた推論を推論部４３に実行させてもよい。
（学習済みモデルが生成されるまでの間、異常判定を緩くする例）
異常判定部４５は、ステップＳ１の処理で判定部４２により、機器２０が有する部品に関する値を推定する学習済みモデルを生成すると判定された場合、例えば、当該学習済みモデルが生成されるまでの間、機器２０に対する異常判定を緩くしてもよい。これにより、異常判定の精度が低いと判定されているデフォルトの推論用モデルを用いた推論により、異常を誤検出することを低減できる。
異常判定部４５は、ステップＳ１の処理で判定部４２により、機器２０が有する部品に関する値を推定する学習済みモデルを生成すると判定された場合、例えば、当該学習済みモデルが生成されるまでの間、機器２０に対する異常判定を緩くしてもよい。これにより、異常判定の精度が低いと判定されているデフォルトの推論用モデルを用いた推論により、異常を誤検出することを低減できる。
この場合、異常判定部４５は、判定部４２により学習済みモデルを生成しないと判定された場合（ステップＳ１でＮＯ）、機器２０の部品に関する値の推定値と実測値との誤差が第１閾値以上である場合、当該部品が異常であると判定してもよい。一方、異常判定部４５は、当該誤差が当該第１閾値以上でない場合、当該部品が異常でないと判定してもよい。
そして、異常判定部４５は、判定部４２により学習済みモデルを生成すると判定された場合（ステップＳ１でＹＥＳ）、機器２０の部品に関する値の推定値と実測値との誤差が当該第１閾値よりも大きい第２閾値以上である場合、当該部品が異常であると判定してもよい。一方、異常判定部４５は、当該誤差が当該第２閾値以上でない場合、当該部品が異常でないと判定してもよい。
続いて、異常判定部４５は、機器２０の異常判定結果を出力する（ステップＳ４）。ここで、異常判定部４５は、異常判定結果を、機器２０のリモコン等の表示部に表示させてもよい。また、異常判定部４５は、異常判定結果を、情報処理装置１０Ａ等の外部装置に通知してもよい。
＜変形例＞
上述した実施形態では、学習済みモデルの生成（機械学習）、及び推論を機器２０にて実行する例について説明した。これに代えて、学習済みモデルの生成、及び推論を、それぞれ、情報処理装置１０Ａ、及び情報処理装置１０Ｂのいずれかに行わせる構成としてもよい。
上述した実施形態では、学習済みモデルの生成（機械学習）、及び推論を機器２０にて実行する例について説明した。これに代えて、学習済みモデルの生成、及び推論を、それぞれ、情報処理装置１０Ａ、及び情報処理装置１０Ｂのいずれかに行わせる構成としてもよい。
機器２０の制御装置４０、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。
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
１０ 情報処理装置
２０ 機器
４０ 制御装置
４１ 取得部
４２ 判定部
４３ 推論部
４４ 生成部
４５ 異常判定部
４６ 制御部
２００ 冷媒回路
２０００ 室外機
２０１ 圧縮機
２０２ 室外熱交換器
２０３ 電子膨張弁
２０４ 電子膨張弁
２０５ 電磁弁
２０６ 電磁弁
２０７ 電磁弁
２０８ 四路切換弁
２０９ 高圧圧力センサ
２１０ 低圧圧力センサ
２１１ 高圧圧力開閉器
２１２ 圧力調整弁
２１３ 過冷却熱交
２１４ キャピラリーチューブ
２１５ サーミスタ
２１６ サーミスタ
２１７ サーミスタ
２１８ サーミスタ
２１９ サーミスタ
２２０ サーミスタ
２２１ サーミスタ
２２２ サーミスタ
２２３ 冷媒冷却板
２２４ 油分離器
２２５ アキュムレータ
２２６ サーミスタ
２５００ 室内機
２５１ 電子膨張弁
２５２ サーミスタ
２５３ サーミスタ
２５４ サーミスタ
２５５ サーミスタ
２５６ 室内熱交換器
１０ 情報処理装置
２０ 機器
４０ 制御装置
４１ 取得部
４２ 判定部
４３ 推論部
４４ 生成部
４５ 異常判定部
４６ 制御部
２００ 冷媒回路
２０００ 室外機
２０１ 圧縮機
２０２ 室外熱交換器
２０３ 電子膨張弁
２０４ 電子膨張弁
２０５ 電磁弁
２０６ 電磁弁
２０７ 電磁弁
２０８ 四路切換弁
２０９ 高圧圧力センサ
２１０ 低圧圧力センサ
２１１ 高圧圧力開閉器
２１２ 圧力調整弁
２１３ 過冷却熱交
２１４ キャピラリーチューブ
２１５ サーミスタ
２１６ サーミスタ
２１７ サーミスタ
２１８ サーミスタ
２１９ サーミスタ
２２０ サーミスタ
２２１ サーミスタ
２２２ サーミスタ
２２３ 冷媒冷却板
２２４ 油分離器
２２５ アキュムレータ
２２６ サーミスタ
２５００ 室内機
２５１ 電子膨張弁
２５２ サーミスタ
２５３ サーミスタ
２５４ サーミスタ
２５５ サーミスタ
２５６ 室内熱交換器
Claims (9)
- 機器が有する部品に関する値を推定する前記機器に特有の学習済みモデルを生成するか否かを、前記機器の各センサによる測定値、前記機器の異常診断結果、前記機器に対する制御の結果、のうちの少なくとも１つの実測値とデフォルトの推論用モデルの推定値との誤差に基づいて判定する判定部を有する、情報処理装置。
- 前記情報処理装置は、
前記機器の各センサによる測定値、前記機器の異常診断結果、及び前記機器に対する制御の結果の少なくとも一つに基づいて、前記デフォルトの推論用モデルにより前記部品に関する値を推定する推定部を有し、
前記判定部は、前記推定部により推定された値と、前記部品に関する値の実測値との誤差が閾値以上である場合、前記学習済みモデルを生成すると判定する、
請求項１に記載の情報処理装置。 - 前記判定部は、
前記機器の各センサによる測定値に基づいて判定された前記機器が使用される環境、前記機器が設置される物件の情報、及び前記機器の機種の少なくとも一つが所定の条件を満たす場合、前記学習済みモデルを生成すると判定する、
請求項１または２に記載の情報処理装置。 - 前記情報処理装置は、
前記判定部により前記学習済みモデルを生成しないと判定された場合、前記部品に関する値の推定値と実測値との誤差が第１閾値以上である場合、前記部品が異常であると判定し、
前記判定部により前記学習済みモデルを生成すると判定された場合、前記部品に関する値の推定値と実測値との誤差が前記第１閾値よりも大きい第２閾値以上である場合、前記部品が異常であると判定する異常判定部を有する、
請求項１から３のいずれか一項に記載の情報処理装置。 - 前記情報処理装置は、
前記部品が正常である際の、前記機器の各センサによる測定値、前記機器の異常診断結果、及び前記機器に対する制御の結果の少なくとも一つを説明変数とし、前記部品に関する値の実測値を正解ラベルとするデータセットに基づいて、前記学習済みモデルを生成する生成部を有する、
請求項１から４のいずれか一項に記載の情報処理装置。 - 前記判定部は、
前記デフォルトの推論用モデルにより推定された前記部品に関する値の第１推定値と実測値との第１誤差と、前記学習済みモデルにより推定された前記部品に関する値の第２推定値と実測値との第２誤差とに基づいて、前記デフォルトの推論用モデルを用いる推定方式と前記学習済みモデルを用いる推定方式とのうち、前記部品の異常の検出するための前記部品に関する値の推定方式を決定する、
請求項１から５のいずれか一項に記載の情報処理装置。 - 前記部品に関する値は、外気温度、吸入菅温度、吐出管温度、熱交温度、過冷却熱交換出口温度、レシーバ液管温度、アキュムレータ入口温度、高圧圧力、低圧圧力、インバータ電流値、インバータ回転数、及び室外機の電磁弁開度のうち少なくとも１つを含む、
請求項１から６のいずれか一項に記載の情報処理装置。 - 情報処理装置が、
機器が有する部品に関する値を推定する前記機器に特有の学習済みモデルを生成するか否かを、前記機器の各センサによる測定値、前記機器の異常診断結果、前記機器に対する制御の結果、のうちの少なくとも１つの実測値とデフォルトの推論用モデルの推定値との誤差に基づいて判定する処理を実行する、
情報処理方法。 - 情報処理装置に、
機器が有する部品に関する値を推定する前記機器に特有の学習済みモデルを生成するか否かを、前記機器の各センサによる測定値、前記機器の異常診断結果、前記機器に対する制御の結果、のうちの少なくとも１つの実測値とデフォルトの推論用モデルの推定値との誤差に基づいて判定する処理を実行させる、
プログラム。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020158989A JP7093031B2 (ja) | 2020-09-23 | 2020-09-23 | 情報処理装置、情報処理方法、及びプログラム |
| US18/245,421 US11774955B1 (en) | 2020-09-23 | 2021-09-21 | Information processing apparatus, information processing method, and program |
| EP21872438.3A EP4220320A4 (en) | 2020-09-23 | 2021-09-21 | INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD AND PROGRAM |
| CN202180064505.2A CN116209964B (zh) | 2020-09-23 | 2021-09-21 | 信息处理装置、信息处理方法及程序产品 |
| PCT/JP2021/034603 WO2022065309A1 (ja) | 2020-09-23 | 2021-09-21 | 情報処理装置、情報処理方法、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020158989A JP7093031B2 (ja) | 2020-09-23 | 2020-09-23 | 情報処理装置、情報処理方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022052545A JP2022052545A (ja) | 2022-04-04 |
| JP7093031B2 true JP7093031B2 (ja) | 2022-06-29 |
Family
ID=80845491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020158989A Active JP7093031B2 (ja) | 2020-09-23 | 2020-09-23 | 情報処理装置、情報処理方法、及びプログラム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11774955B1 (ja) |
| EP (1) | EP4220320A4 (ja) |
| JP (1) | JP7093031B2 (ja) |
| CN (1) | CN116209964B (ja) |
| WO (1) | WO2022065309A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210202258A1 (en) * | 2019-12-27 | 2021-07-01 | SCREEN Holdings Co., Ltd. | Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006163517A (ja) | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
| JP2009002650A (ja) | 2008-10-06 | 2009-01-08 | Daikin Ind Ltd | 異常診断システム |
| WO2011121726A1 (ja) | 2010-03-30 | 2011-10-06 | 株式会社 東芝 | 異常検出装置 |
| JP5369246B1 (ja) | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
| JP2015179443A (ja) | 2014-03-19 | 2015-10-08 | 株式会社東芝 | 診断モデル生成装置、診断用モデル生成方法、及び異常診断装置 |
| CN106019138A (zh) | 2016-07-25 | 2016-10-12 | 深圳供电局有限公司 | 一种高压断路器机械故障的在线诊断方法 |
| JP2019016209A (ja) | 2017-07-07 | 2019-01-31 | 株式会社東芝 | 診断装置、診断方法およびコンピュータプログラム |
| WO2019235599A1 (ja) | 2018-06-06 | 2019-12-12 | 株式会社キッツ | バルブの状態把握システム |
| JP2020067762A (ja) | 2018-10-23 | 2020-04-30 | トヨタ自動車株式会社 | 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法 |
| JP2020148329A (ja) | 2019-03-15 | 2020-09-17 | ダイキン工業株式会社 | 機械学習装置、及び、磁気軸受装置 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS57328Y2 (ja) | 1976-11-13 | 1982-01-06 | ||
| US5659593A (en) * | 1994-11-30 | 1997-08-19 | Lucent Technologies Inc. | Detection of deviations in monitored patterns |
| US7647645B2 (en) * | 2003-07-23 | 2010-01-12 | Omon Ayodele Edeki | System and method for securing computer system against unauthorized access |
| US7480640B1 (en) * | 2003-12-16 | 2009-01-20 | Quantum Leap Research, Inc. | Automated method and system for generating models from data |
| US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
| US8938532B2 (en) * | 2009-04-08 | 2015-01-20 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer program products for network server performance anomaly detection |
| US20120137367A1 (en) * | 2009-11-06 | 2012-05-31 | Cataphora, Inc. | Continuous anomaly detection based on behavior modeling and heterogeneous information analysis |
| US10270788B2 (en) * | 2016-06-06 | 2019-04-23 | Netskope, Inc. | Machine learning based anomaly detection |
| US20180082192A1 (en) * | 2016-09-21 | 2018-03-22 | Scianta Analytics, LLC | Cognitive modeling apparatus including multiple knowledge node and supervisory node devices |
| JP6869755B2 (ja) | 2017-03-07 | 2021-05-12 | オークマ株式会社 | 状態診断装置 |
| WO2018173121A1 (ja) * | 2017-03-21 | 2018-09-27 | 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
| US10212024B2 (en) * | 2017-06-02 | 2019-02-19 | Sas Institute Inc. | Techniques for multi-stage analysis of measurement data with event stream processing |
| JP6698604B2 (ja) * | 2017-09-29 | 2020-05-27 | ファナック株式会社 | 数値制御システム、及び工具状態検知方法 |
| 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 |
| US11663067B2 (en) * | 2017-12-15 | 2023-05-30 | International Business Machines Corporation | Computerized high-speed anomaly detection |
| JP6848949B2 (ja) * | 2018-10-25 | 2021-03-24 | トヨタ自動車株式会社 | 制御支援装置、車両、および制御支援システム |
| US20190171950A1 (en) * | 2019-02-10 | 2019-06-06 | Kumar Srivastava | Method and system for auto learning, artificial intelligence (ai) applications development, operationalization and execution |
| JP7233023B2 (ja) | 2019-03-25 | 2023-03-06 | パナソニックＩｐマネジメント株式会社 | 開閉装置 |
| CN111442483B (zh) * | 2020-03-30 | 2021-12-21 | 广东美的制冷设备有限公司 | 空气调节设备及其控制方法、装置、电子设备 |
-
2020
- 2020-09-23 JP JP2020158989A patent/JP7093031B2/ja active Active
-
2021
- 2021-09-21 US US18/245,421 patent/US11774955B1/en active Active
- 2021-09-21 WO PCT/JP2021/034603 patent/WO2022065309A1/ja unknown
- 2021-09-21 CN CN202180064505.2A patent/CN116209964B/zh active Active
- 2021-09-21 EP EP21872438.3A patent/EP4220320A4/en active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006163517A (ja) | 2004-12-02 | 2006-06-22 | Petroleum Energy Center | 異常検知装置 |
| JP2009002650A (ja) | 2008-10-06 | 2009-01-08 | Daikin Ind Ltd | 異常診断システム |
| WO2011121726A1 (ja) | 2010-03-30 | 2011-10-06 | 株式会社 東芝 | 異常検出装置 |
| JP5369246B1 (ja) | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | 異常予兆診断装置及び異常予兆診断方法 |
| JP2015179443A (ja) | 2014-03-19 | 2015-10-08 | 株式会社東芝 | 診断モデル生成装置、診断用モデル生成方法、及び異常診断装置 |
| CN106019138A (zh) | 2016-07-25 | 2016-10-12 | 深圳供电局有限公司 | 一种高压断路器机械故障的在线诊断方法 |
| JP2019016209A (ja) | 2017-07-07 | 2019-01-31 | 株式会社東芝 | 診断装置、診断方法およびコンピュータプログラム |
| WO2019235599A1 (ja) | 2018-06-06 | 2019-12-12 | 株式会社キッツ | バルブの状態把握システム |
| JP2020067762A (ja) | 2018-10-23 | 2020-04-30 | トヨタ自動車株式会社 | 制御支援装置、機器制御装置、制御支援方法、制御支援プログラム、コンピュータを機能させるための学習済みモデル、および学習済みモデルの生成方法 |
| JP2020148329A (ja) | 2019-03-15 | 2020-09-17 | ダイキン工業株式会社 | 機械学習装置、及び、磁気軸受装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11774955B1 (en) | 2023-10-03 |
| EP4220320A4 (en) | 2024-04-03 |
| JP2022052545A (ja) | 2022-04-04 |
| CN116209964B (zh) | 2024-04-02 |
| CN116209964A (zh) | 2023-06-02 |
| US20230288921A1 (en) | 2023-09-14 |
| EP4220320A1 (en) | 2023-08-02 |
| WO2022065309A1 (ja) | 2022-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101821507B (zh) | 用于监测压缩机过热的系统和方法 | |
| US10753675B2 (en) | Refrigerator and method of controlling the same | |
| US11609010B2 (en) | Detection of refrigerant side faults | |
| JPH11148750A (ja) | 膨張バルブの動作を監視するための方法 | |
| US20120031985A1 (en) | Fault tolerant appliance | |
| JP2004218879A (ja) | 空気調和機及びその制御方法 | |
| 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 | |
| JP2020183817A (ja) | 台数制御装置、台数制御方法、台数制御プログラム | |
| WO2022065309A1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| 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 | |
| US20230259111A1 (en) | Abnormality detection system and refrigerator, abnormality detection method, and abnormality detection program | |
| US20150107282A1 (en) | Controller for a vapour compression system and a method for controlling a vapour compression system | |
| JP2004156844A (ja) | 空気調和機及びその制御方法 | |
| 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 | |
| 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 | |
| WO2022050370A1 (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 | |
| JP7284441B1 (ja) | 異常診断装置、方法、およびプログラム | |
| JP2020153571A (ja) | 制御ゲイン学習装置、方法、およびプログラム | |
| WO2023171005A1 (ja) | 冷熱機器診断システム | |
| JP2004085088A (ja) | 故障診断装置および故障診断方法 | |
| US20240142125A1 (en) | Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner | |
| JP3605085B2 (ja) | 空気調和装置 | |
| JPH1019390A (ja) | 空気調和機の制御装置 | |
| CN117889525A (zh) | 多联式空调系统及其防凝露控制方法和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210921 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211116 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220114 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220307 |
|
| 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: 20220517 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220530 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7093031 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |