JP7339570B1 - 予測装置、冷凍システム、予測方法及び予測プログラム - Google Patents

予測装置、冷凍システム、予測方法及び予測プログラム Download PDF

Info

Publication number
JP7339570B1
JP7339570B1 JP2022082891A JP2022082891A JP7339570B1 JP 7339570 B1 JP7339570 B1 JP 7339570B1 JP 2022082891 A JP2022082891 A JP 2022082891A JP 2022082891 A JP2022082891 A JP 2022082891A JP 7339570 B1 JP7339570 B1 JP 7339570B1
Authority
JP
Japan
Prior art keywords
data
heat exchanger
refrigerator
learning
frost formation
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
JP2022082891A
Other languages
English (en)
Other versions
JP2023170830A (ja
Inventor
譲 別當
直樹 石塚
拓磨 橋本
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 JP2022082891A priority Critical patent/JP7339570B1/ja
Priority to PCT/JP2022/048358 priority patent/WO2023223594A1/ja
Application granted granted Critical
Publication of JP7339570B1 publication Critical patent/JP7339570B1/ja
Publication of JP2023170830A publication Critical patent/JP2023170830A/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
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/41—Defrosting; Preventing freezing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B47/00—Arrangements for preventing or removing deposits or corrosion, not provided for in another subclass
    • F25B47/02—Defrosting cycles
    • 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
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content

Abstract

【課題】着霜に応じたタイミングで除霜動作が開始できるようにする。【解決手段】圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置であって、前記予測装置の制御部は、前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、各グループに前記熱交換器への着霜の有無を示すデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力し、前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する。【選択図】図９

Description

本開示は、予測装置、冷凍システム、予測方法及び予測プログラムに関する。
冷凍サイクル装置における除霜処理の一例として、例えば、下記特許文献１には、強化学習を用いて除霜動作の開始タイミングを決定することが開示されている。
国際公開第２０２１／１７６６８９号
しかしながら、上記のように強化学習を用いる除霜処理の場合、開始タイミングの決定精度を向上させるための学習に時間がかかるうえ、膨大なデータを必要とする。
本開示は、着霜に応じたタイミングで除霜動作が開始できるようにすることを目的としている。
本開示の第１の態様は、
圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置であって、
前記予測装置の制御部は、
前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、各グループに前記熱交換器への着霜の有無を示すデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力し、
前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する。
本開示の第１の態様によれば、着霜に応じたタイミングで除霜動作が開始できるようになる。
また、本開示の第２の態様は、第１の態様に記載の予測装置であって、
前記運転データには、前記冷媒回路の状態を示すデータが含まれる。
また、本開示の第３の態様は、第２の態様に記載の予測装置であって、
前記運転データには、環境の状態を示すデータが含まれる。
また、本開示の第４の態様は、第３の態様に記載の予測装置であって、
前記冷媒回路の状態を示すデータには、前記圧縮機の周波数、前記圧縮機の低圧側の圧力データ、前記膨張弁の開度データ、暖房能力データ、蒸発温度データのいずれかが含まれ、
前記環境の状態を示すデータには、環境湿度データが含まれる。
また、本開示の第５の態様は、第１乃至第４のいずれかの態様に記載の予測装置であって、
前記制御部は、
前記学習済みモデルにより着霜有りと予測された場合、前記熱交換器への着霜の有無を示す情報として、除霜動作の開始タイミングを示す情報を出力する。
また、本開示の第６の態様は、第１乃至第５のいずれかの態様に記載の予測装置であって、
前記制御部は、
前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、各グループに前記熱交換器への着霜の有無を示すデータを付与することで、前記学習用データを生成する。
また、本開示の第７の態様は、第１乃至第６のいずれかの態様に記載の予測装置であって、
前記制御部は、
前記学習用データの各グループに分類された前記過去の運転データの履歴を学習モデルに入力することで、前記学習モデルより出力される出力データが、分類されたグループに付与された前記熱交換器への着霜の有無を示すデータに近づくように、前記学習モデルについて学習を行うことで、前記学習済みモデルを生成する。
また、本開示の第８の態様は、冷凍システムであって、
第１乃至第７のいずれかの態様に記載の予測装置により出力された、前記熱交換器への着霜の有無を示す情報を用いて、除霜動作の開始タイミングを制御する前記冷凍機を有する。
また、本開示の第９の態様は、第８の態様に記載の冷凍システムであって、
前記予測装置は、前記冷凍機が備える複数のユニットのいずれかにおいて実現される。
また、本開示の第１０の態様は、第８の態様に記載の冷凍システムであって、
前記冷凍機とネットワークを介して接続されたサーバ装置を有し、
前記予測装置は、前記サーバ装置において実現される。
また、本開示の第１１の態様は、
圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置の予測方法であって、
前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、各グループに前記熱交換器への着霜の有無を示すデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力する工程と、
前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する工程とを有する。
また、本開示の第１２の態様は、予測プログラムであって、
圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置の制御部に、
前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、各グループに前記熱交換器への着霜の有無を示すデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力する工程と、
前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する工程とを実行させる。
学習フェーズにおける冷凍システムのシステム構成の一例を示す図である。 学習フェーズにおける冷凍システムのうち、運転データ収集処理に関わるシステムについてのシステム構成の一例を示す図である。 学習装置のハードウェア構成の一例を示す図である。 学習フェーズにおける冷凍システムのうち、学習処理に関わるシステムについての機能構成の一例を示す図である。 運転データ及び観察データの一例を示す図である。 クラスタリング解析部の処理の具体例を示す図である。 ラベリング部の処理の具体例を示す図である。 学習部の処理の具体例を示す図である。 学習処理の流れを示すフローチャートである。 予測フェーズにおける冷凍システムのシステム構成の一例を示す図である。 サーバ装置のハードウェア構成の一例を示す図である。 予測フェーズにおける冷凍システムのうち、予測処理に関わるシステムについての機能構成の一例を示す図である。 予測処理の流れを示すフローチャートである。 除霜処理の具体例を示す図である。
以下、各実施形態について添付の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。
［第１の実施形態］
＜学習フェーズにおける冷凍システムのシステム構成＞
はじめに、第１の実施形態に係る冷凍システムの、学習フェーズにおけるシステム構成について説明する。図１Ａは、学習フェーズにおける冷凍システムのシステム構成の一例を示す図である。
図１Ａに示すように、第１の実施形態に係る冷凍システム１００は、学習フェーズにおいて、冷凍機（室内ユニット１１０、室内ユニット１２０、室外ユニット１３０の複数のユニットにより構成される冷凍機）と、学習装置１５０とを備える。なお、本実施形態では、冷凍機として、２つの室内ユニットを備えるケースを例に説明するが、室内ユニットの数は１つであっても、３つ以上であってもよい。
冷凍機は、冷媒が循環する冷媒回路１４０を備え、圧縮機、放熱器、膨張弁及び吸熱器が冷媒回路１４０に沿って環状に接続されることで、室内の空調を実現する。
なお、学習フェーズにおいて冷凍システム１００は、冷凍機の運転中に、室外ユニット１３０（具体的には、熱交換器１４４）における着霜と相関のある運転データを収集する。このため、図１Ａに示すシステム構成では、室外ユニット１３０の熱交換器１４４への着霜と相関のある運転データを収集するのに必要な装置について記載し、冷凍機の運転自体に必要な装置については、簡略化して記載している。
室外ユニット１３０は、電子膨張弁１４１、プレート式熱交換器１４２、受液器１４３、熱交換器１４４、流路切換機構１４５、圧縮機構１４６、圧力センサ１４７、環境湿度センサ１４８、室外コントローラ１４９を備える。
電子膨張弁１４１は、吸熱器として機能する場合の熱交換器１１１、１２１と、放熱器として機能する場合の熱交換器１４４との間において（つまり、冷房又は冷却運転中における）、室内ユニット１１０、１２０への供給冷媒量を調整する。あるいは、電子膨張弁１４１は、放熱器として機能する場合の熱交換器１１１、１２１と、吸熱器として機能する場合の熱交換器１４４との間において（つまり、暖房又は加温運転中における）、冷媒の通過量を調整する。プレート式熱交換器１４２は、冷媒を冷却する。受液器１４３は、冷媒を貯留する。
熱交換器１４４は、空気熱交換器であり、不図示の室外ファンにより搬送された室外空気と、冷媒との間で熱交換を行う。
温度センサ１４４ｔは、吸熱器として機能する場合の熱交換器１４４の冷媒の蒸発温度を測定する。
流路切換機構１４５は、冷媒の流路を切り換える。例えば、
・冷房又は冷却運転の場合、流路切換機構１４５は、室内ユニット１１０の熱交換器１１１、室内ユニット１２０の熱交換器１２１において蒸発（吸熱）した冷媒を、圧縮機構１４６に吸入する。また、流路切換機構１４５は、圧縮機構１４６において圧縮された冷媒を、熱交換器１４４に送る。これにより、冷媒は熱交換器１４４において放熱し、電子膨張弁１４１にて供給量が調整された後、再び室内ユニット１１０の熱交換器１１１、室内ユニット１２０の熱交換器１２１において蒸発する。
・暖房又は加温運転の場合、流路切換機構１４５は、圧縮機構１４６において圧縮された冷媒を、室内ユニット１１０、室内ユニット１２０に送る。これにより、冷媒は熱交換器１１１、熱交換器１２１において放熱し、電子膨張弁１４１にて通過量が調整された後、熱交換器１４４において蒸発（吸熱）する。また、流路切換機構１４５は、熱交換器１４４において蒸発（吸熱）した冷媒を、圧縮機構１４６に吸入する。これにより、冷媒は圧縮機構１４６において再び圧縮される。
・除霜運転の場合、流路切換機構１４５は、冷房又は冷却運転の場合と同様に動作する。つまり、圧縮機構１４６において圧縮された冷媒は、熱交換器１４４において放熱する。これにより、熱交換器１４４の表面の霜が内部から加熱され、熱交換器１４４は除霜される。
圧縮機構１４６は、複数の圧縮機（図１Ａの例では、圧縮機１４６＿１～１４６＿３の３台の圧縮機）を備え、冷媒を圧縮する。複数の圧縮機は、運転時の周波数または回転数が調整可能な可変容量式の圧縮機である。
圧力センサ１４７は、圧縮機構１４６の入口の冷媒の圧力（低圧側圧力）を測定する。環境湿度センサ１４８は、外部環境の湿度を測定する。
室外コントローラ１４９は、室外ユニット１３０が備える各装置の動作を制御する。また、室外コントローラ１４９は、室外ユニット１３０が備える各センサの測定データ等を収集する。
室内ユニット１１０は、室内の空調を行う利用ユニットであり、熱交換器１１１、温度センサ１１２、室内コントローラ１１３を備える。
熱交換器１１１は、空気熱交換器であり、不図示の室内ファンにより搬送された室内の空気と、冷媒との間で熱交換を行う。
温度センサ１２２は、吸熱器として機能する場合の熱交換器１１１における冷媒の蒸発温度を測定する。
室内コントローラ１１３は、室内ユニット１１０が備える各装置の動作を制御する。また、室内コントローラ１１３は、室内ユニット１１０が備える各センサの測定データを取得し、室外コントローラ１４９に通知する。
室内ユニット１２０は、室内の空気を冷却する利用ユニットであり、熱交換器１２１、温度センサ１２２、室内コントローラ１２３を備える。
熱交換器１２１は、空気熱交換器であり、不図示の室内ファンにより搬送された室内の空気と、冷媒との間で熱交換を行う。
温度センサ１１２は、吸熱器として機能する場合の熱交換器１２１における冷媒の蒸発温度を測定する。
室内コントローラ１２３は、室内ユニット１２０が備える各装置の動作を制御する。また、室内コントローラ１２３は、室内ユニット１２０が備える各センサの測定データを取得し、室外コントローラ１４９に通知する。
学習装置１５０は、冷却機の運転中に室外コントローラ１４９により収集された、室外ユニット１３０の熱交換器１４４への着霜と相関のある運転データを取得する。また、学習装置１５０は、取得した運転データが測定された各時間において、実際に室外ユニット１３０の熱交換器１４４への着霜があったこと（または着霜がなかったこと）を示す観察データを取得する。更に、学習装置１５０は、運転データと観察データとを用いて、学習済みモデルを生成する。
＜運転データ収集処理に関わるシステムについてのシステム構成＞
次に、学習フェーズにおける冷凍システム１００のうち、室外ユニット１３０の熱交換器１４４への着霜と相関のある運転データを収集する運転データ収集処理に関わるシステムについてのシステム構成について説明する。図１Ｂは、学習フェーズにおける冷凍システムのうち、運転データ収集処理に関わるシステムについてのシステム構成の一例を示す図である。
図１Ｂに示すように、運転データ収集処理に関わるシステムには、室内コントローラ１１３、室外コントローラ１４９、室内コントローラ１２３が含まれる。
室内コントローラ１１３は、制御基板上に搭載されたマイクロコンピュータ１６１と、マイクロコンピュータ１６１を動作させるためのプログラムを格納するメモリデバイス１６２とを有する。
同様に、室内コントローラ１２３は、制御基板上に搭載されたマイクロコンピュータ１８１と、マイクロコンピュータ１８１を動作させるためのプログラムを格納するメモリデバイス１８２とを有する。
室外コントローラ１４９は、制御基板上に搭載されたマイクロコンピュータ１７１と、マイクロコンピュータ１７１を動作させるためのプログラムを格納するメモリデバイス１７２と、通信デバイス１７３とを有する。室外コントローラ１４９では、冷凍機の運転中に、
・電子膨張弁１４１の弁開度（膨張弁の開度データ）、
・圧縮機１４６＿１～１４６＿３の合計の回転数に基づいて算出されるトータル周波数（圧縮機の周波数データ）、
・圧力センサ１４７により測定された、圧縮機構１４６の入口の冷媒の圧力（低圧側圧力データ）、
・環境湿度センサ１４８により測定された、外部環境の湿度（環境湿度データ）、
・冷凍機が有する暖房能力（暖房能力データ）、
・温度センサ１４４ｔにより測定された、熱交換器１４４の冷媒の蒸発温度（蒸発温度データ）、
を収集する。
これにより、本実施形態に係る室外コントローラ１４９では、着霜と相関のある運転データとして、冷媒回路１４０の状態を示すデータである、
・低圧側圧力データ、
・膨張弁の開度データ、
・圧縮機の周波数データ、
・暖房能力データ、
・蒸発温度データ、
と、環境の状態を示すデータである、
・環境湿度データ、
とを収集することができる。また、収集した運転データを、通信デバイス１７３を介して学習装置１５０に送信することができる。なお、本実施形態では、冷凍機の各コントローラが有するマイクロコンピュータと、メモリデバイスとをまとめて「制御部」と称する場合がある。
＜学習装置のハードウェア構成＞
次に、学習装置１５０のハードウェア構成について説明する。図２は、学習装置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、学習装置１５０は、プロセッサ２０１、メモリ２０２、補助記憶装置２０３、表示装置２０４、操作装置２０５、通信装置２０６を有する。なお、学習装置１５０の各ハードウェアは、バス２０７を介して相互に接続されている。
プロセッサ２０１は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の各種演算デバイスを有する。プロセッサ２０１は、各種プログラム（例えば、後述する学習プログラム等）をメモリ２０２上に読み出して実行する。
メモリ２０２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶デバイスを有する。プロセッサ２０１とメモリ２０２とは、いわゆるコンピュータを形成し、プロセッサ２０１が、メモリ２０２上に読み出した各種プログラムを実行することで、当該コンピュータは各種機能を実現する。
補助記憶装置２０３は、各種プログラムや、各種プログラムがプロセッサ２０１によって実行される際に用いられる各種データを格納する。
表示装置２０４は、学習装置１５０の内部処理の結果を表示する表示デバイスである。操作装置２０５は、学習装置１５０に対してユーザが各種指示を入力する際に用いる入力デバイスである。
通信装置２０６は、例えば、冷凍機の室外コントローラ１４９と接続し、運転データを受信する。
＜学習処理に関わるシステムについての機能構成＞
次に、学習フェーズにおける冷凍システム１００のうち、学習処理に関わるシステムについての機能構成について説明する。図３は、学習フェーズにおける冷凍システムのうち、学習処理に関わるシステムについての機能構成の一例を示す図である。
上述したように、室外コントローラ１４９は、学習フェーズにおいて、冷凍機の運転中、運転データを収集し、学習装置１５０に送信する運転データ収集部３０１として機能する。
また、上述したように、学習装置１５０には、学習プログラムがインストールされており、当該プログラムが実行されることで、学習装置１５０は、データ取得部３１１、クラスタリング解析部３１２、ラベリング部３１３、学習部３１４として機能する。
データ取得部３１１は、室外コントローラ１４９より送信された運転データを取得する。具体的には、データ取得部３１１は、運転データとして、各時間における冷媒回路１４０の状態を示すデータである、
・低圧側圧力データ、
・膨張弁の開度データ、
・圧縮機の周波数データ、
・暖房能力データ、
・蒸発温度データ、
と、各時間における環境の状態を示すデータである、
・環境湿度データ、
とを取得する。
また、データ取得部３１１は、観察データを取得する。上述したように、観察データとは、運転データが測定された各時間における、熱交換器１４４への着霜の有無を示すデータであり、観察者により着霜の有無が観察されることで得た結果が、観察データとして入力される。
なお、データ取得部３１１は、取得した運転データ及び観察データを、データ格納部３２１に格納する。
クラスタリング解析部３１２は、データ格納部３２１より運転データを読み出し、例えば、ｋ－ｍｅａｎｓ法によるクラスタリング解析を行うことで、各時間の運転データを複数のグループに分類する。上述したように、運転データには、（低圧側圧力データ、膨張弁の開度データ、圧縮機の周波数データ、暖房能力データ、蒸発温度データ、環境湿度データ）の６種類のデータが含まれる。このため、クラスタリング解析部３１２では、６次元の特徴量空間に点在する各時間の運転データを、分布位置が近い運転データ同士で同じグループに属するようにグループ分けする。
また、クラスタリング解析部３１２は、各グループに分類された各時間の運転データを、ラベリング部３１３に通知する。
ラベリング部３１３は、各グループに分類された各時間の運転データに、ラベルを付す。具体的には、ラベリング部３１３は、データ格納部３２１から観察データを読み出し、各グループに分類された各時間の運転データが、着霜有りと観察された時間の運転データであるのか、着霜無しと観察された時間の運転データであるのかを判定する。
また、ラベリング部３１３は、処理対象のグループに分類された各時間の運転データが、着霜有りと観察された時間の運転データであった場合には、処理対象のグループに分類された各時間の運転データ全てに対して、着霜有りのラベルを付す。
また、ラベリング部３１３は、処理対象のグループに分類された各時間の運転データが、着霜無しと観察された時間の運転データであった場合には、処理対象のグループに分類された各時間の運転データ全てに対して、着霜無しのラベルを付す。
更に、ラベリング部３１３は、着霜有りのラベルまたは着霜無しのラベルが付された各時間の運転データを、学習用データとして、学習用データ格納部３２２に格納する。
学習部３１４は、学習用データ格納部３２２に格納された学習用データを用いて、学習モデルについて学習を行い、学習済みモデルを生成する。
＜運転データ及び観察データの具体例＞
次に、データ取得部３１１により取得された運転データ及び観察データの具体例について説明する。図４は、運転データ及び観察データの一例を示す図である。
図４に示すように、運転データ４１０は、情報の項目として、データ項目（低圧側圧力、膨張弁の開度、圧縮機の周波数、暖房能力、蒸発温度、環境湿度）を含む。また、運転データ４１０は、情報の項目として時間（ｔ１、ｔ２、ｔ３、ｔ４、ｔ５・・・ｔｘ）を含む。
運転データ４１０の各欄には、各時間の運転データが格納される。例えば、データ項目＝"低圧側圧力"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における低圧側圧力データが格納される。同様に、データ項目＝"膨張弁の開度"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における膨張弁の開度データが格納される。同様に、データ項目＝"圧縮機の周波数"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における圧縮機の周波数データが格納される。同様に、データ項目＝"暖房能力"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における暖房能力データが格納される。同様に、データ項目＝"蒸発温度"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における蒸発温度データが格納される。同様に、データ項目＝"環境湿度"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における環境湿度データが格納される。
なお、図４に示すように、時間＝"ｔ１"における運転データは、６次元の特徴量空間において、点Ｐ１としてプロットされる。
以下、同様に、各時間（ｔ２、ｔ３、ｔ４、ｔ５、・・・ｔｘ）における運転データは、６次元の特徴量空間において、それぞれ、点Ｐ２、点Ｐ３、点Ｐ４、点Ｐ５、・・・点Ｐｘとしてプロットされる。
また、図４に示すように、観察データ４２０は、情報の項目として、データ項目（着霜有無）を含む。また、観察データ４２０は、情報の項目として時間（ｔ１、ｔ２、ｔ３、ｔ４、ｔ５・・・ｔｘ）を含む。
観察データ４２０の各欄には、各時間の観察データが格納される。例えば、データ項目＝"着霜有無"と、時間＝"ｔ１"とが交錯する欄には、時間ｔ１における着霜有無を示すデータが格納される。なお、図４の例では、ハッチングされた欄が着霜有りを示すデータであることを示しており、ハッチングされていない欄が着霜無しを示すデータであることを示している。
＜クラスタリング解析部の処理の具体例＞
次に、クラスタリング解析部３１２の処理の具体例について説明する。図５は、クラスタリング解析部の処理の具体例を示す図である。
上述したように、クラスタリング解析部３１２は、データ格納部３２１より、各時間の運転データを読み出し、クラスタリング解析を行うことで、運転データを複数のグループに分類する。
図５において、特徴量空間５１０は、データ格納部３２１より読み出した、各時間の運転データ（点Ｐ１、点Ｐ２、点Ｐ３、点Ｐ４、点Ｐ５、・・・点Ｐｘ）がプロットされた様子を示している。なお、説明の便宜上、特徴量空間５１０は、３次元の特徴量空間（低圧側圧力データ、圧縮機の周波数データ、暖房能力データ）として示している。
クラスタリング解析部３１２では、特徴量空間５１０内に分布する各点を、分布位置が近い運転データ同士で同じグループに属するようにグループ分けする。
図５において、特徴量空間５２０は、グループ分けすることで、グループ１、グループ２を生成した様子を示している。なお、クラスタリング解析部３１２では、特徴量空間５１０内に分布する全ての点を、いずれかのグループに分類する。
＜ラベリング部の処理の具体例＞
次に、ラベリング部３１３の処理の具体例について説明する。図６は、ラベリング部の処理の具体例を示す図である。
上述したように、ラベリング部３１３は、各グループに分類された各時間の運転データに、ラベルを付す。図６において、クラスタリング結果６１０は、各グループに分類された、各時間の運転データを示す点の一覧である。図６の例は、各時間の運転データがグループ１～グループαまでのα個のグループに分類された様子を示している。
また、図６において、ラベリング結果６２０は、各グループに分類された、各時間の運転データに、着霜有りのラベルまたは着霜無しのラベルが付された様子を示している。図６の例は、グループ１、グループ３、グループ４に分類された、各時間の運転データに、着霜有りのラベル＝"１"が付され、グループ２、グループαに分類された、各時間の運転データに、着霜無しのラベル＝"０"が付された様子を示している。
このように、クラスタリング解析を行うことで生成されたグループ単位で、運転データにラベルを付すことで、６次元の特徴量空間において、プロットされていない位置の運転データについても学習用データが生成されたのと同等の効果が得られる。この結果、学習部３１４では、より少ない学習用データ及びより少ない学習時間で、予測精度の高い学習済みモデルを生成することが可能になる。
＜学習部の処理の具体例＞
次に、学習部３１４の処理の具体例について説明する。図７は、学習部の処理の具体例を示す図である。
上述したように、学習部３１４は、学習用データ格納部３２２に格納された学習用データを用いて、学習モデルについて学習を行い、学習済みモデルを生成する。図７において、学習用データ７００は、学習用データ格納部３２２より読み出した学習用データの一例を示している。図７に示すように、学習用データ７００は、各時間の運転データに、ラベルが付与されている。
学習部３１４は、学習用データ７００のうち、各時間の運転データを入力データとして、学習モデルの一例であるランダムフォレストに入力する。また、学習部３１４は、学習用データ７００のうち、各時間のラベルを正解データとして、学習モデルの一例であるランダムフォレストに入力する。これにより、学習部３１４では、入力データが入力されることで、ランダムフォレストより出力される出力データが、正解データに近づくように、ランダムフォレストについて学習を行うことができる。
この結果、学習部３１４によれば、運転データと熱交換器１４４への着霜の有無との関係を学習した学習済みモデルを生成することができる。
＜学習処理の流れ＞
次に、学習装置１５０による学習処理の流れについて説明する。図８は、学習処理の流れを示すフローチャートである。
ステップＳ８０１において、学習装置１５０は、運転データ及び観察データを取得する。
ステップＳ８０２において、学習装置１５０は、取得した運転データについてクラスタリング解析を行い、各時間の運転データを複数のグループに分類する。
ステップＳ８０３において、学習装置１５０は、各グループに分類した各時間の運転データについて、取得した観察データに基づいて、着霜有りのラベルまたは着霜無しのラベルを付す。
ステップＳ８０４において、学習装置１５０は、ラベルが付された各時間の運転データを用いて学習モデルについて学習を行い、学習済みモデルを生成する。
＜予測フェーズにおける冷凍システムのシステム構成＞
次に、第１の実施形態に係る冷凍システムの、予測フェーズにおけるシステム構成について説明する。図９は、予測フェーズにおける冷凍システムのシステム構成の一例を示す図である。
図１Ａを用いて説明した、学習フェーズにおける冷凍システム１００との相違点は、予測フェーズにおける冷凍システム９００の場合、冷凍機に、ネットワーク９２０を介してサーバ装置９１０が接続されている点である。
サーバ装置９１０は、予測装置の一例であり、運転中の冷凍機の室外ユニット１３０から、ネットワーク９２０を介して運転データを受信する。また、サーバ装置９１０は、受信した運転データに基づいて室外ユニット１３０の熱交換器１４４への着霜の有無を予測し、着霜有りと予測した場合に、着霜有りを示す情報を室外ユニット１３０に送信する。
このように、運転データから熱交換器１４４への着霜の有無を予測する構成とすることで、冷凍機では、着霜しているか否かに応じて除霜動作が開始できるようになる。
なお、除霜動作とは、上述した除霜運転を行うための冷凍機の各装置の動作を指す。
＜サーバ装置のハードウェア構成＞
次に、サーバ装置９１０のハードウェア構成について説明する。図１０は、サーバ装置のハードウェア構成の一例を示す図である。
図１０に示すように、サーバ装置９１０は、プロセッサ１００１、メモリ１００２、補助記憶装置１００３、表示装置１００４、操作装置１００５、通信装置１００６を有する。なお、サーバ装置９１０の各ハードウェアは、バス１００７を介して相互に接続されている。
プロセッサ１００１は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の各種演算デバイスを有する。プロセッサ１００１は、各種プログラム（例えば、後述する予測プログラム等）をメモリ１００２上に読み出して実行する。
メモリ１００２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶デバイスを有する。プロセッサ１００１とメモリ１００２とは、いわゆるコンピュータ（本実施形態では「制御部」と称する場合がある）を形成し、プロセッサ１００１が、メモリ１００２上に読み出した各種プログラムを実行することで、当該コンピュータは各種機能を実現する。
補助記憶装置１００３は、各種プログラムや、各種プログラムがプロセッサ１００１によって実行される際に用いられる各種データを格納する。
表示装置１００４は、サーバ装置９１０の内部処理の結果を表示する表示デバイスである。操作装置１００５は、サーバ装置９１０に対してユーザが各種指示を入力する際に用いる入力デバイスである。
通信装置１００６は、例えば、冷凍機の室外コントローラ１４９との間で、ネットワーク９２０を介して通信を行う。
＜予測処理に関わるシステムの機能構成＞
次に、予測フェーズにおける冷凍システム９００のうち、予測処理に関わるシステムについての機能構成について説明する。図１１は、予測フェーズにおける冷凍システムのうち、予測処理に関わるシステムについての機能構成の一例を示す図である。
図１１（ａ）に示すように、室外コントローラ１４９は、予測フェーズにおいて、冷凍機の運転中、運転データ収集部１１０１、除霜制御部１１０２として機能する。
また、上述したように、サーバ装置９１０には、予測プログラムがインストールされており、当該プログラムが実行されることで、サーバ装置９１０は、冷凍機の運転中、データ取得部１１１１、学習済みモデル１１１２として機能する。
運転データ収集部１１０１は、運転データを収集し、ネットワーク９２０を介してサーバ装置９１０に送信する。
データ取得部１１１１は、冷凍システム９００の室外コントローラ１４９より、運転データを取得する。具体的には、データ取得部１１１１は、運転データとして、各時間における冷媒回路１４０の状態を示すデータである、
・低圧側圧力データ、
・膨張弁の開度データ、
・圧縮機の周波数データ、
・暖房能力データ、
・蒸発温度データ、
と、各時間における環境の状態を示すデータである、
・環境湿度データ、
とを取得する。
学習済みモデル１１１２は、データ取得部１１１１により取得された各時間の運転データが入力されることで、各時間の熱交換器１４４への着霜の有無を予測する。また、学習済みモデル１１１２は、着霜有りと予測した場合に、着霜有りを示す情報を室外コントローラ１４９に送信する。
除霜制御部１１０２は、サーバ装置９１０より、着霜有りを示す情報を受信すると、吸熱器として機能している熱交換器１４４に対して除霜動作を開始するよう制御する。つまり、本実施形態において、サーバ装置９１０より送信される着霜有りを示す情報は、吸熱器として機能している熱交換器１４４に対する除霜動作の開始タイミングを示す情報である。
なお、図１１（ａ）は、冷凍システム９００がサーバ装置９１０を有し、サーバ装置９１０に予測プログラムをインストールすることで、サーバ装置９１０の制御部にて、熱交換器１４４への着霜の有無を予測する場合の機能構成を示した。
しかしながら、冷凍システム９００において、予測プログラムのインストール先は、サーバ装置９１０に限定されず、例えば、冷凍機の近傍に、情報処理装置を配置し、当該情報処理装置に予測プログラムをインストールしてもよい。この場合、当該情報処理装置は予測装置として機能し、図１１（ａ）のサーバ装置９１０と同様の機能構成を有することになる。
また、予測プログラムのインストール先は、例えば、冷凍機が備える室外コントローラ１４９、または、室内コントローラ１１３、または、室内コントローラ１２３のいずれかであってもよい。この場合、インストール先となるコントローラの制御部が、予測装置として機能することになる。
図１１（ｂ）は、予測プログラムが室外コントローラ１４９にインストールされた場合の室外コントローラ１４９の機能構成を示している。図１１（ｂ）に示すように、室外コントローラ１４９において予測プログラムが実行されることで、室外コントローラ１４９の制御部は、運転データ収集部１１０１、学習済みモデル１１１２、除霜制御部１１０２として機能する。なお、各部の機能の詳細は、説明済みであるため、ここでは説明を省略する。
＜予測処理の流れ＞
次に、サーバ装置９１０による予測処理の流れについて説明する。図１２は、予測処理の流れを示すフローチャートである。
ステップＳ１２０１において、サーバ装置９１０は、運転データを取得する。ステップＳ１２０２において、サーバ装置９１０は、学習済みモデルを用いて、取得した運転データに基づいて、熱交換器１４４への着霜の有無を予測する。
ステップＳ１２０３において、サーバ装置９１０は、学習済みモデルにより着霜有りと予測されたか否かを判定する。着霜有りと予測された場合には（ステップＳ１２０３においてＹＥＳの場合には）、ステップＳ１２０４に進む。ステップＳ１２０４において、サーバ装置９１０は、着霜有りを示す情報を、冷凍機に送信する。
一方、着霜無しと判定された場合には（ステップＳ１２０３においてＮＯの場合には）、ステップＳ１２０５に進む。ステップＳ１２０５において、サーバ装置９１０は、予測処理を終了するか否かを判定する。ステップＳ１２０５において、予測処理を継続すると判定した場合には（ステップＳ１２０５においてＮＯの場合には）、ステップＳ１２０１に戻る。一方、ステップＳ１２０５において、予測処理を終了すると判定した場合には（ステップＳ１２０５においてＹＥＳの場合には）、予測処理を終了する。
＜除霜処理の具体例＞
次に、冷凍システム９００による除霜処理の具体例について説明する。図１３は、除霜処理の具体例を示す図である。
図１３において、グラフ１３００は、横軸に時間を、左側の縦軸に吸熱器として機能している熱交換器１４４に対する除霜動作の開始タイミングを、右側の縦軸に運転データをそれぞれ付したグラフである。また、グラフの各線は、低圧側圧力データ、圧縮機の周波数データ、暖房能力データを表している。更に、グラフの太線は、吸熱器として機能している熱交換器１４４に対する除霜動作の開始タイミングを表している。
図１３に示すように、本実施形態に係る冷凍システム９００の場合、運転データと熱交換器１４４への着霜の有無との関係を学習した学習済みモデルを用いて、運転データから熱交換器１４４への着霜の有無を予測する。また、本実施形態に係る冷凍システム９００の場合、着霜有りと予測された場合に、除霜動作を開始する。これにより、本実施形態に係る冷凍システム９００によれば、実際に着霜しているか否かに関わらず、運転データに基づいて除霜動作を開始する場合とは異なり、実際に着霜している場合に限って除霜動作を開始させることが可能になる。この結果、本実施形態に係る冷凍システム９００によれば、除霜動作の回数を削減することができる。
＜まとめ＞
以上の説明から明らかなように、第１の実施形態に係る冷凍システムは、
・圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機を備える。
・学習フェーズにおいて、冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、各グループに熱交換器への着霜の有無を示すデータを付与することで得た学習用データに基づいて、学習済みモデルを生成する。
・予測フェーズにおいて、学習済みモデルに、冷凍機における現在の運転データを入力し、学習済みモデルにより予測された熱交換器への着霜の有無を示す情報を出力する。
このように、第１の実施形態では、運転データと熱交換器への着霜の有無との関係を学習した学習済みモデルを用いて、運転データから熱交換器への着霜の有無を予測し、出力する構成とする。これにより、第１の実施形態によれば、着霜有りを示す情報に基づいて、吸熱器として機能している熱交換器に対して、除霜動作を開始させることが可能になる。この結果、第１の実施形態によれば、着霜に応じたタイミングで、冷凍機が除霜動作を開始できるようになる。
［第２の実施形態］
上記第１の実施形態では、学習用データ７００を用いて１つの学習済みモデル１１１２を生成するケースについて説明した。しかしながら、学習用データ７００を用いて生成する学習済みモデルは１つに限定されない。例えば、学習用データ７００を季節ごとに分割し、それぞれの季節に応じた学習用データを用いて、学習済みモデルを別々に生成してもよい。
あるいは、冷凍機が設置される地域（気候）ごとに、学習用データ７００を分割し、それぞれの地域（気候）に応じた学習用データを用いて、学習済みモデルを別々に生成してもよい。
また、上記第１の実施形態において、サーバ装置９１０は、着霜有りと判定された場合に、着霜有りを示す情報を冷凍機に送信し、冷凍機では、着霜有りを示す情報を受信したタイミングで、吸熱器として機能している熱交換器に対して除霜動作を開始する構成とした。しかしながら、着霜有りを示す情報を、除霜の開始タイミングを示す情報として用いる必要はなく、冷凍機は、例えば、他の条件を充足したうえで、除霜動作を開始するように構成してもよい。つまり、サーバ装置９１０により出力される着霜有りを示す情報は、除霜動作の開始タイミングを示す情報だけなく、広く、"吸熱器として機能している熱交換器に対して除霜動作が開始される場合の開始タイミングを制御する情報"として用いられてもよい。
また、上記第１の実施形態では、運転データとして６種類のデータを例示したが、運転データは、これら６種類に限定されるものではなく、少なくとも、６種類のデータのうちの１種類のデータが含まれていればよい。また、運転データとして６種類のデータ以外のデータが含まれていてもよい。例えば、運転データのうち、環境の状態を示すデータには、環境湿度データのほかに、環境温度データが含まれていてもよい。
また、上記第１の実施形態では、室外ユニット１３０の熱交換器１４４（正確には伝熱フィン）への着霜の有無を予測する場合について説明した。しかしながら、着霜の有無を予測する対象は、室外ユニット１３０の熱交換器１４４に限定されず、例えば、室内ユニット１２０への着霜の有無を予測してもよい。この場合、冷凍システム９００は、室外ユニット１３０への着霜の有無を予測する場合と同じ運転データを用いるように構成してもよいし、異なる運転データを用いるように構成してもよい。
また、上記第１の実施形態では、学習装置と予測装置とを別体の装置として構成するものとして説明したが、学習装置と予測装置とは一体の装置として構成してもよい。例えば、予測装置の一例であるサーバ装置９１０において、学習処理と予測処理の両方を実行するように構成してもよい。この場合、サーバ装置９１０の制御部が、学習処理（図３参照）と予測処理（図１１参照）の両方の機能を実行する。また、例えば、予測装置の一例である冷凍機において、学習処理と予測処理の両方を実行するように構成してもよい。この場合、冷凍機の制御部が、学習処理（図３参照）と予測処理（図１１参照）の両方の機能を実行する。
また、上記第１の実施形態では、学習フェーズと予測フェーズとを示したが、冷凍システムは、更に、再学習フェーズを実行するように構成してもよい。例えば、冷凍システムは、予測フェーズにおいて収集された運転データを、学習用データとして用いることで、学習済みモデルについて再学習を行うように構成してもよい。なお、再学習を行う場合、学習装置と予測装置とは一体の装置として配置してもよいし、冷凍システム内に、別体の装置として配置してもよい。
また、上記第１の実施形態では、学習モデルの一例としてランダムフォレストを用いる場合を示したが、学習モデルはランダムフォレストに限定されず、教師あり学習を行う他任意の学習モデルを用いてもよい。
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。
１００ ：冷凍システム
１１０ ：室内ユニット
１１１ ：熱交換器
１１２ ：温度センサ
１１３ ：室内コントローラ
１２０ ：室内ユニット
１２１ ：熱交換器
１２２ ：温度センサ
１２３ ：室内コントローラ
１３０ ：室外ユニット
１４０ ：冷媒回路
１４１ ：電子膨張弁
１４４ ：熱交換器
１４４ｔ ：温度センサ
１４６ ：圧縮機構
１４７ ：圧力センサ
１４８ ：環境湿度センサ
１４９ ：室外コントローラ
３１１ ：データ取得部
３１２ ：クラスタリング解析部
３１３ ：ラベリング部
３１４ ：学習部
４１０ ：運転データ
４２０ ：観察データ
５１０、５２０ ：特徴量空間
６１０ ：クラスタリング結果
６２０ ：ラベリング結果
７００ ：学習用データ
９００ ：冷凍システム
９１０ ：サーバ装置
１１０１ ：運転データ収集部
１１０２ ：除霜制御部
１１１１ ：データ取得部
１１１２ ：学習済みモデル

Claims (12)

  1. 圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置であって、
    前記予測装置の制御部は、
    前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、分類されたグループ単位で前記熱交換器への着霜の有無を示す同じデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力し、
    前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する、
    予測装置。
  2. 前記運転データには、前記冷媒回路の状態を示すデータが含まれる、請求項１に記載の予測装置。
  3. 前記運転データには、環境の状態を示すデータが含まれる、請求項２に記載の予測装置。
  4. 前記冷媒回路の状態を示すデータには、前記圧縮機の周波数、前記圧縮機の低圧側の圧力データ、前記膨張弁の開度データ、暖房能力データ、蒸発温度データのいずれかが含まれ、
    前記環境の状態を示すデータには、環境湿度データが含まれる、請求項３に記載の予測装置。
  5. 前記制御部は、
    前記学習済みモデルにより着霜有りと予測された場合、前記熱交換器への着霜の有無を示す情報として、除霜動作の開始タイミングを示す情報を出力する、請求項１に記載の予測装置。
  6. 前記制御部は、
    前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、分類されたグループ単位で前記熱交換器への着霜の有無を示す同じデータを付与することで、前記学習用データを生成する、請求項１に記載の予測装置。
  7. 前記制御部は、
    前記学習用データの各グループに分類された前記過去の運転データの履歴を学習モデルに入力することで、前記学習モデルより出力される出力データが、分類されたグループにおいてグループ単位で付与された前記熱交換器への着霜の有無を示すデータに近づくように、前記学習モデルについて学習を行うことで、前記学習済みモデルを生成する、請求項１に記載の予測装置。
  8. 請求項１乃至７のいずれか１項に記載の予測装置により出力された、前記熱交換器への着霜の有無を示す情報を用いて、除霜動作の開始タイミングを制御する前記冷凍機を有する、冷凍システム。
  9. 前記予測装置は、前記冷凍機が備える複数のユニットのいずれかにおいて実現される、請求項８に記載の冷凍システム。
  10. 前記冷凍機とネットワークを介して接続されたサーバ装置を有し、
    前記予測装置は、前記サーバ装置において実現される、請求項８に記載の冷凍システム。
  11. 圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置の予測方法であって、
    前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、分類されたグループ単位で前記熱交換器への着霜の有無を示す同じデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力する工程と、
    前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する工程と
    を有する予測方法。
  12. 圧縮機、放熱器、膨張弁及び吸熱器が環状に接続され、冷媒が循環する冷媒回路を有する冷凍機によって前記吸熱器として機能している熱交換器に対して除霜動作が開始される場合の、開始タイミングを制御する情報を出力する予測装置の制御部に、
    前記冷凍機における過去の運転データの履歴を、クラスタリングにより複数のグループに分類し、分類されたグループ単位で前記熱交換器への着霜の有無を示す同じデータを付与することで得た学習用データに基づいて、学習済みモデルが生成された場合において、前記学習済みモデルに、前記冷凍機における現在の運転データを入力する工程と、
    前記学習済みモデルにより予測された前記熱交換器への着霜の有無を示す情報を出力する工程と
    を実行させるための予測プログラム。
JP2022082891A 2022-05-20 2022-05-20 予測装置、冷凍システム、予測方法及び予測プログラム Active JP7339570B1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022082891A JP7339570B1 (ja) 2022-05-20 2022-05-20 予測装置、冷凍システム、予測方法及び予測プログラム
PCT/JP2022/048358 WO2023223594A1 (ja) 2022-05-20 2022-12-27 予測装置、冷凍システム、予測方法及び予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022082891A JP7339570B1 (ja) 2022-05-20 2022-05-20 予測装置、冷凍システム、予測方法及び予測プログラム

Publications (2)

Publication Number Publication Date
JP7339570B1 true JP7339570B1 (ja) 2023-09-06
JP2023170830A JP2023170830A (ja) 2023-12-01

Family

ID=87882086

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022082891A Active JP7339570B1 (ja) 2022-05-20 2022-05-20 予測装置、冷凍システム、予測方法及び予測プログラム

Country Status (2)

Country Link
JP (1) JP7339570B1 (ja)
WO (1) WO2023223594A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007225155A (ja) 2006-02-21 2007-09-06 Mitsubishi Electric Corp 除霜運転制御装置および除霜運転制御方法
JP2007225158A (ja) 2006-02-21 2007-09-06 Mitsubishi Electric Corp 除霜運転制御装置および除霜運転制御方法
CN104933322A (zh) 2015-07-11 2015-09-23 湖南大学 一种前置式防、融霜方法
WO2020174800A1 (ja) 2019-02-27 2020-09-03 ダイキン工業株式会社 汚れ情報推定システム、及び空気処理装置
CN113639420A (zh) 2020-04-27 2021-11-12 Lg电子株式会社 空调系统及空调系统的动作方法
WO2022054278A1 (ja) 2020-09-14 2022-03-17 三菱電機株式会社 推論装置および学習装置

Family Cites Families (3)

* 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
JP2822705B2 (ja) * 1991-08-02 1998-11-11 松下電器産業株式会社 ヒートポンプ式空気調和機の除霜制御装置
JPH09159328A (ja) * 1995-12-06 1997-06-20 Matsushita Electric Ind Co Ltd 空気調和機の除霜制御装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007225155A (ja) 2006-02-21 2007-09-06 Mitsubishi Electric Corp 除霜運転制御装置および除霜運転制御方法
JP2007225158A (ja) 2006-02-21 2007-09-06 Mitsubishi Electric Corp 除霜運転制御装置および除霜運転制御方法
CN104933322A (zh) 2015-07-11 2015-09-23 湖南大学 一种前置式防、融霜方法
WO2020174800A1 (ja) 2019-02-27 2020-09-03 ダイキン工業株式会社 汚れ情報推定システム、及び空気処理装置
CN113639420A (zh) 2020-04-27 2021-11-12 Lg电子株式会社 空调系统及空调系统的动作方法
WO2022054278A1 (ja) 2020-09-14 2022-03-17 三菱電機株式会社 推論装置および学習装置

Also Published As

Publication number Publication date
JP2023170830A (ja) 2023-12-01
WO2023223594A1 (ja) 2023-11-23

Similar Documents

Publication Publication Date Title
JP4980407B2 (ja) 空気調和機の制御装置、冷凍装置の制御装置
CN100472155C (zh) 电冰箱及其控制方法
Ge et al. Performance evaluation and optimal design of supermarket refrigeration systems with supermarket model “SuperSim”, Part I: Model description and validation
CN110715401B (zh) 空调设备的化霜控制方法、装置、介质及空调设备
JP2009210161A (ja) 機器制御システム、制御装置及び制御プログラム
JP5404556B2 (ja) 空気調和機の制御装置および冷凍装置の制御装置
Thornton et al. Dedicated mechanical subcooling design strategies for supermarket applications
JP5312286B2 (ja) 空気調和機の制御装置、冷凍装置の制御装置
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
JP6410990B2 (ja) 冷媒不足予測装置、冷媒不足予測方法およびプログラム
US11774955B1 (en) Information processing apparatus, information processing method, and program
CN112628985A (zh) 空调机组控制方法、装置及空调机组
US11965667B2 (en) Generation method, program, information processing apparatus, information processing method, and trained model
US20230250985A1 (en) Generation method, program, information processing apparatus, information processing method, and trained model
JP2011196599A (ja) 空気調和機および空気調和機の制御方法
CN114279044B (zh) 空调机组的化霜方法、装置、控制设备和空调机组
CN102967075B (zh) 具有多循环制冷系统的制冷器具及其工作方法
JP2024039953A (ja) 異常診断装置、方法、およびプログラム
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
EP2434239A2 (en) Cooling appliance
JP2023051341A (ja) 情報処理システム、方法、およびプログラム
WO2019197370A1 (en) Refrigeration cycle device and method
JPH11134547A (ja) 自動販売機
JPH0333981B2 (ja)

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230307

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230411

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: 20230725

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230807

R151 Written notification of patent or utility model registration

Ref document number: 7339570

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151