JP7309060B2 - 空調機器のメンテナンスの学習装置および推論装置 - Google Patents

Description

本開示は、空調機器のメンテナンスの学習装置および推論装置に関する。

従来、空調用のエアフィルタのメンテナンスタイミングを検知する装置が知られている。たとえば、特開平７－６３４０５号公報（特許文献１）には、エアフィルタの汚れ表示装置が開示されている。エアフィルタの汚れ表示装置は、ファンモータの回転数制御を行っている対流型空気調和機において、エアフィルタの目詰まりに伴うファンの風量の変化をファンモータのトルクの変化として検出する。エアフィルタの汚れ表示装置は、当該トルクがファンモータに供給される電流値に対応することを利用して、エアフィルタの目詰まり状態を把握する。エアフィルタの汚れ表示装置によれば、エアフィルタの目詰まり状態を確実に検知し、外部に報知することによって、エアフィルタの掃除または交換を促し、もって、ファンモータの機能低下、騒音増大、および機械故障を未然に防止することができる。

特開平７－６３４０５号公報

空気調和装置の電力効率の低下の原因となるエアフィルタの目詰まりを検知することができても、エアフィルタのメンテナンス（たとえば清掃および交換）にはコストを要する。また、エアフィルタのメンテナンスに必要なコストは、空気調和機の型式（たとえば天埋型、あるいはダクト型）、エアフィルタの個数、エアフィルタの設置状況による目詰まり度合いのばらつき、人件費、およびエアフィルタの清掃および交換の実施時期により異なる。すなわち、エアフィルタのメンテナンスの最適なタイミングを決定するには多くの要素を総合的に考慮する必要がある。しかし、特許文献１に開示されているエアフィルタの目詰まりの検知方法は、電流値としきい値との比較に基づくルールベースの方法であるため、電流値以外の要素をエアフィルタのメンテナンスタイミングの決定に反映することができない。

本開示は、上述のような課題を解決するためになされたものであり、その目的は、エアフィルタのメンテナンスコストを低減することである。

本開示の一局面に係る学習装置は、少なくとも１つのエアフィルタを含む空調システムのメンテナンスを学習する。学習装置は、第１データ取得部と、モデル生成部とを備える。第１データ取得部は、第１学習データ、第２学習データ、第３学習データを取得する。モデル生成部は、第１学習データ、第２学習データ、および第３学習データを用いて、第１モデル、第２モデル、および第３モデルの各々を学習済みモデルとする。第１学習データは、少なくとも１つのエアフィルタの目詰まり度合いを表す第１パラメータと、空調システムの空調強度に関する第２パラメータと、第２パラメータの運転を行う場合の第１パラメータに起因する空調システムの電力コストの増加量を表す第３パラメータとを含む。第２学習データは、第１日時を表す第４パラメータと、第１日時において想定される空調システムの空調強度に関する第５パラメータとを含む。第３学習データは、第２日時に表す第６パラメータと、第２日時における少なくとも１つのエアフィルタのメンテナンスコストを表す第７パラメータとを含む。第１モデルは、第１パラメータおよび第２パラメータから、第３パラメータを推定する。第２モデルは、第４パラメータから第５パラメータを推定する。第３モデルは、第６パラメータから第７パラメータを推定する。

本開示の他の局面に係る推論装置は、学習済みの第１モデル、学習済みの第２モデル、および学習済みの第３モデルを用いて少なくとも１つのエアフィルタを含む空調システムのメンテナンスを推論する。第１モデルは、第１パラメータおよび第２パラメータから、第３パラメータを推定する。第２モデルは、第４パラメータから第５パラメータを推定する。第３モデルは、第６パラメータから第７パラメータを推定する。第１パラメータは、少なくとも１つのエアフィルタの目詰まり度合いを表す。第２パラメータは、空調システムの空調強度に関するパラメータである。第３パラメータは、第２パラメータの運転を行う場合の第１パラメータに起因する空調システムの電力コストの増加量を表す。第４パラメータは、第１日時を表す。第５パラメータは、第１日時において想定される空調システムの空調強度を表す。第６パラメータは、第２日時を表す。第７パラメータは、第２日時における少なくとも１つのエアフィルタのメンテナンスコストを表す。推論装置は、データ取得部と、推論部とを備える。データ取得部は、第１パラメータ、第２パラメータ、第４パラメータ、および第５パラメータを取得する。推論部は、第１モデル、第２モデル、および第３モデルを用いる。推論部は、第１モデルを用いて第１パラメータおよび第２パラメータから第３パラメータを推定し、第２モデルを用いて第４パラメータから第５パラメータを推定し、第３モデルを用いて第６パラメータから第７パラメータを推定する。

本開示に係る学習装置および推論装置によれば、第１モデルが第１パラメータおよび第２パラメータから第３パラメータを推定し、第２モデルが第４パラメータから第５パラメータを推定し、第３モデルが第６パラメータから第７パラメータを推定することにより、エアフィルタのメンテナンスコストを低減することができる。

実施の形態に係る学習装置および推論装置を備えるエアフィルタメンテナンスシステム、およびエアフィルタメンテナンスシステムによってエアフィルタのメンテナンスタイミングが監視される空調システムの構成の一例を示すブロック図である。 図１の室内機の各々における空気の流れを説明するための図である。 図１の空調システムの電力コストの年間を通じた変化の一例を示すグラフ、図２のエアフィルタのメンテナンスに必要なコストの年間を通じた変化の一例を示すグラフ、および年間を通じた気温の変化の一例を示すグラフを併せて示す図である。 図１の学習装置の構成を示すブロック図である。 ニューラルネットワークの一例を示す図である。 図４の学習装置の学習処理を示すフローチャートである。 図１の推論装置および判定装置の構成を示すブロック図である。 図７の推論装置の推論処理を示すフローチャートである。 図１のエアフィルタメンテナンスシステムのハードウェア構成を示すブロック図である。

以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は原則として繰り返さない。

図１は、実施の形態に係る学習装置１００および推論装置２００を備えるエアフィルタメンテナンスシステム１０、およびエアフィルタメンテナンスシステム１０によってエアフィルタのメンテナンスタイミングが監視される空調システム３０の構成の一例を示すブロック図である。図１に示されるように、エアフィルタメンテナンスシステム１０は、学習装置１００と、推論装置２００と、判定装置３００とを含む。空調システム３０は、室内機３１Ａ，３１Ｂと、室外機３２と、制御装置３３とを備える。室内機３１Ａ，３１Ｂは、室外機３２と接続されている。室外機３２は、圧縮機と、室外熱交換器と、膨張弁と、ファンとを含む。当該圧縮機から室内機３１Ａ，３１Ｂの各々に冷媒が供給される。当該冷媒は、室内機３１Ａと室外機３２との間を循環するとともに、室内機３１Ｂと室外機３２との間を循環する。制御装置３３は、サーモスタットを含み、空調システム３０を統合的に制御する。制御装置３３は、ネットワーク９００を介してエアフィルタメンテナンスシステム１０に接続されている。ネットワーク９００は、インターネットおよびクラウドシステムを含む。

図２は、図１の室内機３１Ａ，３１Ｂの各々における空気の流れを説明するための図である。図２に示されるように、室内機３１Ａ，３１Ｂの各々は、室内熱交換器３１１と、ファン３１２と、エアフィルタ３１３とを含む。ファン３１２によって形成される気流により、室内機３１Ａ，３１Ｂの各々の外部から還気ＲＡ（Return Air）が吸入される。還気ＲＡは、エアフィルタ３１３を通過して、室内熱交換器３１１に向かう。室内熱交換器によって暖められた空気、または冷却された空気が給気ＳＡ（Supply Air）として空調対象空間に供給される。還気ＲＡに含まれる塵等は、エアフィルタ３１３によって取り除かれる。エアフィルタ３１３の使用期間が長くなると、エアフィルタ３１３に塵等が詰まって目詰まりが生じ、エアフィルタ３１３の防塵作用が低下するとともに、エアフィルタ３１３を単位時間当たりに通過する空気量が低下する。空調対象空間に供給する単位時間当たりの空気量を維持するためには、エアフィルタ３１３を単位時間当たりに通過する空気量が低下するほど、ファン３１２の回転速度を速くする必要がある。すなわち、エアフィルタに目詰まりが生じた状態で空調強度を維持するためには、空調システム３０において使用される電力量を増加させる必要がある。電力コストの増加を抑制するためには、エアフィルタ３１３を適切なタイミングにおいてメンテナンス（清掃または交換）する必要がある。

図３は、図１の空調システム３０の電力コストの年間を通じた変化の一例を示すグラフＣｐ１，Ｃｐ２，Ｃｐ３、図２のエアフィルタ３１３のメンテナンスに必要なコストの年間を通じた変化の一例を示すグラフＣｍ、および年間を通じた気温の変化の一例を示すグラフＴｍｐを併せて示す図である。グラフＣｐ１は、エアフィルタ３１３が新品から１年間使用された場合の電力コストの変化を示す。グラフＣｐ２は、１年間使用されたエアフィルタ３１３が１年間使用された場合の電力コストを示す。グラフＣｐ３は、２年間使用されたエアフィルタ３１３が１年間使用された場合の電力コストを示す。図３に示されるように、エアフィルタ３１３の使用期間が長くなるほどエアフィルタ３１３の目詰まりが進行するため、年間のほとんどの期間でグラフＣｐ１～Ｃｐ３の順に電力コストが増加している。特に、気温が最も低下する１月～３月の期間、および気温が最も上昇する６月～９月の期間で使用期間に応じた電力コストの増加が顕著である。たとえば、新品のエアフィルタ３１３が使用されてから２年目の１月１日から日時ｄｔ１までの電力コストの増加量は、グラフＣｐ２とＣｐ１との差の絶対値を１月１日から日時ｄｔ１からまで積分した値（領域Ｒｇ１の面積）である。そのため、１月～３月の期間および６月～９月の期間においてエアフィルタをメンテナンスする必要性が高い。しかし、エアフィルタのメンテナンスコストは、１月～３月の期間および９月～１２月の期間において最も高くなる。このように、エアフィルタの最適なメンテナンスタイミングを決定するためには、様々な要素を総合的に考慮する必要がある。そのため、画一的な判断基準を用いるルールベースの方法によっては、エアフィルタの最適なメンテナンスタイミングを決定することは困難である。

そこで、エアフィルタメンテナンスシステム１０においては、目詰まり度合いおよび空調強度とコスト増加量との関係、日時と空調強度との関係、日時とメンテナンスコストとの関係のそれぞれを学習した学習済みモデルを生成する。これらの学習済みモデルを用いることにより、目詰まり度合い、空調強度、コスト増加量、日時、およびメンテナンスコストの総合的な考慮が可能になる。総合的な考慮によってエアフィルタの最適なメンテナンスタイミングを決定することができるため、エアフィルタのメンテナンスコストを低減することができる。

図４は、図１の学習装置１００の構成を示すブロック図である。図４に示されるように、学習装置１００は、データ取得部１１０（第１データ取得部）と、モデル生成部１２０とを備える。学習装置１００の外部に設けられた学習済みモデル記憶部１４０には、増加コスト推定モデルＭ１と、空調強度推定モデルＭ２と、メンテナンスコスト推定モデルＭ３とが保存されている。なお、学習済みモデル記憶部１４０は、学習装置１００の内部に形成されてもよい。

増加コスト推定モデルＭ１は、目詰まり度合いパラメータＰｒｍ１（第１パラメータ）および空調強度制御パラメータＰｒｍ２（第２パラメータ）を受けて、コスト増加量パラメータＰｒｍ３（第３パラメータ）を出力する。空調強度推定モデルＭ２は、日時パラメータＰｒｍ４（第４パラメータ）を受けて空調強度制御パラメータＰｒｍ５（第５パラメータ）を出力する。メンテナンスコスト推定モデルＭ３は、日時パラメータＰｒｍ６（第６パラメータ）を受けてメンテナンスコストパラメータＰｒｍ７（第７パラメータ）を出力する。増加コスト推定モデルＭ１、空調強度推定モデルＭ２、およびメンテナンスコスト推定モデルＭ３の各々は、ニューラルネットワークを含む。

データ取得部１１０は、目詰まり度合いパラメータＰｒｍ１、空調強度制御パラメータＰｒｍ２、およびコスト増加量パラメータＰｒｍ３を学習データＬｄ１として取得する。目詰まり度合いパラメータＰｒｍ１は、エアフィルタ３１３の目詰まりの程度を０％から１００％で表す。空調強度制御パラメータＰｒｍ２は、サーモスタットのＯＮ／ＯＦＦ、圧縮機の回転周波数、ファンの風力、冷媒の蒸発温度、および冷媒の凝縮温度を含む。コスト増加量パラメータＰｒｍ３は、目詰まり度合いパラメータＰｒｍ１および空調強度制御パラメータＰｒｍ２において生じる電力コストの増加量を表す正解データであり、エアフィルタ３１３の目詰まり度合いパラメータが０％である場合を基準とした電力コストの増加金額である。たとえば、目詰まり度合いパラメータＰｒｍ１が６０％であり、空調強度制御パラメータＰｒｍ２に対応する空調強度がレベルＸであり、コスト増加量パラメータＰｒｍ３が１時間当たりの電力コストの増加金額である場合、コスト増加量パラメータＰｒｍ３は、１．５円である。

モデル生成部１２０は、目詰まり度合いパラメータＰｒｍ１、空調強度制御パラメータＰｒｍ２、およびコスト増加量パラメータＰｒｍ３の組合せを用いて作成される学習データＬｄ１を用いて、目詰まり度合いパラメータＰｒｍ１および空調強度制御パラメータＰｒｍ２とコスト増加量パラメータＰｒｍ３との関係を学習する。モデル生成部１２０は、学習データＬｄ１を用いて増加コスト推定モデルＭ１を学習済みモデルとする。

データ取得部１１０は、日時パラメータＰｒｍ４および空調強度制御パラメータＰｒｍ５を学習データＬｄ２として取得する。空調強度制御パラメータＰｒｍ５は、日時パラメータＰｒｍ４によって特定される日時に想定される空調強度を表す正解データである。空調強度制御パラメータＰｒｍ５は、サーモスタットのＯＮ／ＯＦＦ、圧縮機の回転周波数、ファンの風力、冷媒の蒸発温度、および冷媒の凝縮温度を含む。

モデル生成部１２０は、日時パラメータＰｒｍ４および空調強度制御パラメータＰｒｍ５の組合せを用いて作成される学習データＬｄ２を用いて、日時パラメータＰｒｍ４と空調強度制御パラメータＰｒｍ５との関係を学習する。モデル生成部１２０は、学習データＬｄ２を用いて空調強度推定モデルＭ２を学習済みモデルとする。

データ取得部１１０は、日時パラメータＰｒｍ６およびメンテナンスコストパラメータＰｒｍ７を学習データＬｄ３として取得する。メンテナンスコストパラメータＰｒｍ７は、日時パラメータＰｒｍ６によって特定される日時に必要になるエアフィルタのメンテナンスコストを表す正解データである。メンテナンスコストパラメータＰｒｍ７は、たとえば１日当たりの金額、または１時間当たりの金額である。

モデル生成部１２０は、日時パラメータＰｒｍ６およびメンテナンスコストパラメータＰｒｍ７の組合せを用いて作成される学習データＬｄ３を用いて、日時パラメータＰｒｍ６とメンテナンスコストパラメータＰｒｍ７との関係を学習する。モデル生成部１２０は、学習データＬｄ３を用いてメンテナンスコスト推定モデルＭ３を学習済みモデルとする。

モデル生成部１２０が用いる学習アルゴリズムは、教師あり学習、教師なし学習、または強化学習等の公知のアルゴリズムであってもよい。以下では、ニューラルネットワークを適用する場合について説明する。

モデル生成部１２０は、たとえば、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、コスト増加量、空調強度、エアフィルタのメンテナンスコストを学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置１００に与えることで、それらの学習データに含まれる特徴を学習し、入力から結果を推論する手法をいう。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、および複数のニューロンからなる出力層で構成される。中間層は、１層、または２層以上でもよい。

図５は、ニューラルネットワークの一例であるニューラルネットワークＮｗ１を示す図である。図５に示されるように、ニューラルネットワークＮｗ１は、入力層Ｘ１０と、中間層Ｙ１０と、出力層Ｚ１０とを含む。入力層Ｘ１０は、ニューロンＸ１１，Ｘ１２，Ｘ１３を含む。中間層Ｙ１０は、ニューロンＹ１１，Ｙ１２を含む。出力層Ｚ１０は、ニューロンＺ１１，Ｚ１２，Ｚ１３を含む。入力層Ｘ１０と中間層Ｙ１０とは、互いに全結合している。中間層Ｙ１０と出力層Ｚ１０とは互いに全結合している。

複数の入力が入力層Ｘ１０のニューロンＸ１１～Ｘ１３にそれぞれに入力されると、その値に重みｗ１１～ｗ１６が乗じられて中間層Ｙ１０のニューロンＹ１１，Ｙ１２に入力される。ニューロンＹ１１，Ｙ１２からの出力に重みｗ２１～ｗ２６が乗じられて出力層Ｚ１０のニューロンＺ１１～Ｚ１３から出力される。出力層Ｚ１０からの出力結果は、重みｗ１１～ｗ１６，ｗ２１～ｗ２６の値によって変わる。

増加コスト推定モデルＭ１のニューラルネットワークは、データ取得部１１０によって取得される目詰まり度合い、空調強度、およびコスト増加量（正解データ）の組合せを用いて作成される学習データＬｄ１に従って、教師あり学習により、コスト増加量を学習する。すなわち、増加コスト推定モデルＭ１のニューラルネットワークの重みおよびバイアスは、入力層に目詰まり度合いと空調強度とを入力して出力層から出力された結果が、コスト増加量（正解データ）に近づくように、当該結果と正解データとの誤差に対するバックプロパゲーションによって更新される。

空調強度推定モデルＭ２のニューラルネットワークは、日時および空調強度（正解データ）の組合せ基づいて作成される学習データＬｄ２に従って、教師あり学習により、空調強度を学習する。すなわち、空調強度推定モデルＭ２のニューラルネットワークの重みおよびバイアスは、入力層に日時を入力して出力層から出力された結果が、空調強度（正解データ）に近づくように、当該結果と正解データとの誤差に対するバックプロパゲーションによって更新される。

メンテナンスコスト推定モデルＭ３は、日時およびメンテナンスコスト（正解データ）の組合せを用いて作成される学習データＬｄ３に従って、教師あり学習により、エアフィルタのメンテナンスコストを学習する。すなわち、メンテナンスコスト推定モデルＭ３のニューラルネットワークの重みおよびバイアスは、入力層に日時を入力して出力層から出力された結果が、エアフィルタのメンテナンスコスト（正解データ）に近づくように、当該結果と正解データとの誤差に対するバックプロパゲーションによって更新される。

図６は、図４の学習装置１００の学習処理を示すフローチャートである。以下ではステップを単にＳと記載する。図６に示されるように、Ｓ１０１において、データ取得部１１０は、学習データＬｄ１～Ｌｄ３を取得する。なお、目詰まり度合いパラメータＰｒｍ１、空調強度制御パラメータＰｒｍ２、およびコスト増加量パラメータＰｒｍ３は、関連付けられれば同時に取得される必要はなく、互いに異なるタイミングにおいて取得されてもよい。日時パラメータＰｒｍ４および空調強度制御パラメータＰｒｍ５、ならびに日時パラメータＰｒｍ６およびメンテナンスコストパラメータＰｒｍ７についても同様である。

Ｓ１０２において、モデル生成部１２０は、データ取得部１１０によって取得された学習データＬｄ１～Ｌｄ３に従って、いわゆる教師あり学習により、それぞれ、コスト増加量、空調強度、およびエアフィルタのメンテナンスコストを学習し、増加コスト推定モデルＭ１、空調強度推定モデルＭ２、およびメンテナンスコスト推定モデルＭ３の各々を学習済みモデルとする。

Ｓ１０３において、モデル生成部１２０は、学習済みモデルの増加コスト推定モデルＭ１、学習済みモデルの空調強度推定モデルＭ２、および学習済みモデルのメンテナンスコスト推定モデルＭ３を学習済みモデル記憶部１４０に保存する。

図７は、図１の推論装置２００および判定装置３００の構成を示すブロック図である。推論装置２００は、データ取得部２１０と、推論部２２０とを含む。判定装置３００は、統合部３１０と、判定部３２０と、出力部３３０とを含む。

データ取得部２１０は、目詰まり度合いパラメータＰｒｍ１および空調強度制御パラメータＰｒｍ２、日時パラメータＰｒｍ４、ならびに日時パラメータＰｒｍ６を取得する。エアフィルタの目詰まり度合いパラメータＰｒｍ１の検知には、従来手法が利用される。推論部２２０は、学習済みモデル記憶部１４０に記憶されている学習済みモデルＭ１～Ｍ３を利用してコスト増加量パラメータＰｒｍ３、空調強度制御パラメータＰｒｍ５、およびメンテナンスコストパラメータＰｒｍ７を推定する。すなわち、学習済みモデルＭ１～Ｍ３にデータ取得部２１０が取得した目詰まり度合いパラメータＰｒｍ１および空調強度制御パラメータＰｒｍ２、日時パラメータＰｒｍ４、ならびに日時パラメータＰｒｍ６を入力することで、コスト増加量パラメータＰｒｍ３、空調強度制御パラメータＰｒｍ５、およびメンテナンスコストパラメータＰｒｍ７を推定することができる。なお、実施の形態では、図３のモデル生成部１２０で学習された学習済みモデルを用いてコスト増加量パラメータＰｒｍ３、空調強度制御パラメータＰｒｍ５、およびメンテナンスコストパラメータＰｒｍ７を推定する構成を説明したが、他の環境で学習された学習済みモデルを用いてコスト増加量パラメータＰｒｍ３、空調強度制御パラメータＰｒｍ５、およびメンテナンスコストパラメータＰｒｍ７を出力するようにしてもよい。

図８は、図７の推論装置２００の推論処理を示すフローチャートである。図８に示されように、Ｓ２０１において、データ取得部２１０は、目詰まり度合いパラメータＰｒｍ１および空調強度制御パラメータＰｒｍ２、日時パラメータＰｒｍ４、ならびに日時パラメータＰｒｍ６を取得する。Ｓ２０２において、推論部２２０は、学習済みモデル記憶部１４０に記憶された学習済みモデルＭ１～Ｍ３に目詰まり度合いパラメータＰｒｍ１および空調強度制御パラメータＰｒｍ２、日時パラメータＰｒｍ４、ならびに日時パラメータＰｒｍ６を入力し、コスト増加量パラメータＰｒｍ３、空調強度制御パラメータＰｒｍ５、およびメンテナンスコストパラメータＰｒｍ７を取得する。Ｓ２０３において、統合部３１０は、学習済みモデルＭ１～Ｍ３から得られたコスト増加量パラメータＰｒｍ３、空調強度制御パラメータＰｒｍ５、およびメンテナンスコストパラメータＰｒｍ７を統合する。Ｓ２０４において、判定部３２０は、学習済みの増加コスト推定モデルＭ１から出力されたコスト増加量パラメータＰｒｍ３、学習済みの空調強度推定モデルＭ２から出力された空調強度制御パラメータＰｒｍ５に対応する空調強度、およびメンテナンスコスト推定モデルＭ３から出力されたエアフィルタ３１３のメンテナンスコストを用いて、エアフィルタ３１３をメンテナンスする場合の総合コストを算出し、当該総合コストが最小となるタイミングを判定する。Ｓ２０５において、出力部３３０は、当該タイミングを空調システム３０の制御装置３３に出力する。

以上、推論装置２００および判定装置３００によれば、エアフィルタの設置機種、空間的な設置場所、および時間的な空調強度に対するエアフィルタの目詰まりよる空調機器の効率低下といった要因が引き起こすコスト増加量および実施時期により変動するエアフィルタのメンテナンスコストを推定することにより、エアフィルタの最適なメンテナンスタイミングを出力することができる。

なお、実施の形態では、モデル生成部１２０が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、学習アルゴリズムは教師あり学習に限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師なし学習、または半教師あり学習等を適用することも可能である。

また、モデル生成部１２０は、複数の空調システム３０から取得される学習データを用いて、コスト増加量、空調強度、およびエアフィルタのメンテナンスコストを学習するようにしてもよい。なお、モデル生成部１２０は、同一のエリアで使用される複数の空調システム３０から学習データを取得してもよいし、異なるエリアで独立して動作する複数の空調システム３０から収集される学習データを利用してコスト増加量、空調強度、およびエアフィルタのメンテナンスコストを学習してもよい。また、学習データを収集する空調システム３０を途中で学習対象に追加したり、学習対象から除去することも可能である。さらに、或る空調システム３０に関してコスト増加量、空調強度、およびエアフィルタのメンテナンスコストを学習した学習装置１００を、これとは別の空調システム３０に適用し、当該別の空調システム３０に関してコスト増加量、空調強度、およびエアフィルタのメンテナンスコストを再学習して更新するようにしてもよい。

また、モデル生成部１２０に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep Learning）を用いることもでき、他の公知の方法、たとえばニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、もしくはサポートベクターマシンなどに従って機械学習が実行されてもよい。

なお、実施の形態においては、学習装置１００および推論装置２００が、ネットワーク９００を介して空調システム３０に接続される、空調システム３０とは別個の装置として説明したが、学習装置１００および推論装置２００は空調システム３０に内蔵されていてもよい。また、学習装置１００および推論装置２００は、クラウドサーバ上に存在していてもよい。

図９は、図１のエアフィルタメンテナンスシステム１０のハードウェア構成を示すブロック図である。図９に示されるように、エアフィルタメンテナンスシステム１０は、処理回路５１と、メモリ５２（記憶部）と、入出力部５３とを含む。処理回路５１は、メモリ５２に格納されるプログラムを実行するＣＰＵ（Central Processing Unit）を含む。処理回路５１は、ＧＰＵ（Graphics Processing Unit）を含んでもよい。エアフィルタメンテナンスシステム１０の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアあるいはファームウェアはプログラムとして記述され、メモリ５２に格納される。処理回路５１は、メモリ５２に記憶されたプログラムを読み出して実行する。なお、ＣＰＵは、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいはＤＳＰ（Digital Signal Processor）とも呼ばれる。

メモリ５２には、不揮発性または揮発性の半導体メモリ（たとえばＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、あるいはＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory））、および磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいはＤＶＤ（Digital Versatile Disc）が含まれる。メモリ５２には、たとえば、学習済みモデル、エアフィルタメンテナンスプログラム、および機械学習プログラムが保存される。

入出力部５３は、ユーザからの操作を受けるとともに、処理結果をユーザに出力する。入出力部５３は、たとえば、マウス、キーボード、タッチパネル、ディスプレイ、およびスピーカを含む。

以上、実施の形態に係る学習装置および推論装置によれば、エアフィルタのメンテナンスコストを低減することができる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１０ エアフィルタメンテナンスシステム、３０ 空調システム、３１Ａ，３１Ｂ 室内機、３２ 室外機、３３ 制御装置、５１ 処理回路、５２ メモリ、５３ 入出力部、１００ 学習装置、１１０，２１０ データ取得部、１２０ モデル生成部、１４０ 学習済みモデル記憶部、２００ 推論装置、２２０ 推論部、３００ 判定装置、３１０ 統合部、３１１ 室内熱交換器、３１２ ファン、３１３ エアフィルタ、３２０ 判定部、３３０ 出力部、９００ ネットワーク、Ｌｄ１，Ｌｄ２，Ｌｄ３ 学習データ、Ｍ１ 増加コスト推定モデル、Ｍ２ 空調強度推定モデル、Ｍ３ メンテナンスコスト推定モデル、Ｎｗ１ ニューラルネットワーク、Ｐｒｍ１ 目詰まり度合いパラメータ、Ｐｒｍ２，Ｐｒｍ５ 空調強度制御パラメータ、Ｐｒｍ３ コスト増加量パラメータ、Ｐｒｍ４，Ｐｒｍ６ 日時パラメータ、Ｐｒｍ７ メンテナンスコストパラメータ。

Claims (5)

1. 少なくとも１つのエアフィルタを含む空調システムのメンテナンスを学習する学習装置であって、
   第１学習データ、第２学習データ、第３学習データを取得する第１データ取得部と、
   前記第１学習データ、前記第２学習データ、および前記第３学習データを用いて、第１モデル、第２モデル、および第３モデルの各々を学習済みモデルとするモデル生成部とを備え、
   前記第１学習データは、前記少なくとも１つのエアフィルタの目詰まり度合いを表す第１パラメータと、前記空調システムの空調強度に関する第２パラメータと、前記第２パラメータの運転を行う場合の前記第１パラメータに起因する前記空調システムの電力コストの増加量を表す第３パラメータとを含み、
   前記第２学習データは、第１日時を表す第４パラメータと、前記第１日時において想定される前記空調システムの空調強度に関する第５パラメータとを含み、
   前記第３学習データは、第２日時に表す第６パラメータと、前記第２日時における前記少なくとも１つのエアフィルタのメンテナンスコストを表す第７パラメータとを含み、
   前記第１モデルは、前記第１パラメータおよび前記第２パラメータから、前記第３パラメータを推定し、
   前記第２モデルは、前記第４パラメータから前記第５パラメータを推定し、
   前記第３モデルは、前記第６パラメータから前記第７パラメータを推定する、学習装置。
2. 前記第１データ取得部によって取得される前記第３パラメータ、前記第５パラメータ、および前記第７パラメータの各々は、正解データであり、
   前記モデル生成部は、前記第１モデル、前記第２モデル、および前記第３モデルの各々に対して教師あり学習を行う、請求項１に記載の学習装置。
3. 前記第１パラメータ、前記第２パラメータ、前記第４パラメータ、および前記第６パラメータを取得する第２データ取得部と、
   請求項１または２に記載の学習装置によって生成された学習済みの前記第１モデル、学習済みの前記第２モデル、および学習済みの前記第３モデルを用いる推論部とを備え、
   前記推論部は、学習済みの前記第１モデルを用いて前記第２データ取得部によって取得された前記第１パラメータおよび前記第２パラメータから前記第３パラメータを推定し、学習済みの前記第２モデルを用いて前記第２データ取得部によって取得された前記第４パラメータから前記第５パラメータを推定し、学習済みの前記第３モデルを用いて前記第２データ取得部によって取得された前記第６パラメータから前記第７パラメータを推定する、推論装置。
4. 学習済みの第１モデル、学習済みの第２モデル、および学習済みの第３モデルを用いて少なくとも１つのエアフィルタを含む空調システムのメンテナンスを推論する推論装置であって、
   前記第１モデルは、第１パラメータおよび第２パラメータから、第３パラメータを推定し、
   前記第２モデルは、第４パラメータから第５パラメータを推定し、
   前記第３モデルは、第６パラメータから第７パラメータを推定し、
   前記第１パラメータは、前記少なくとも１つのエアフィルタの目詰まり度合いを表し、
   前記第２パラメータは、前記空調システムの空調強度に関するパラメータであり、
   前記第３パラメータは、前記第２パラメータの運転を行う場合の前記第１パラメータに起因する前記空調システムの電力コストの増加量を表し、
   前記第４パラメータは、第１日時を表し、
   前記第５パラメータは、前記第１日時において想定される前記空調システムの空調強度を表し、
   前記第６パラメータは、第２日時を表し、
   前記第７パラメータは、前記第２日時における前記少なくとも１つのエアフィルタのメンテナンスコストを表し、
   前記推論装置は、
   前記第１パラメータ、前記第２パラメータ、前記第４パラメータ、および前記第５パラメータを取得するデータ取得部と、
   前記第１モデル、前記第２モデル、および前記第３モデルを用いる推論部とを備え、
   前記推論部は、前記第１モデルを用いて前記第１パラメータおよび前記第２パラメータから前記第３パラメータを推定し、前記第２モデルを用いて前記第４パラメータから前記第５パラメータを推定し、前記第３モデルを用いて前記第６パラメータから前記第７パラメータを推定する、推論装置。
5. 前記第１モデル、前記第２モデル、および前記第３モデルの各々は、教師あり学習によって生成される、請求項４に記載の推論装置。

Images