JP7389314B2 - 空気調和装置の制御システム - Google Patents

Description

類似性が高い汎用学習済みモデルを利用した設備機器の制御システム。

空気調和装置の制御に、機械学習を取り入れることが提案されている。特許文献１（特許第２９７８３７４号公報）においては、赤外線画像から、人間の位置と姿勢をそれぞれ別のニューラルネットワークで学習を行うことにより正確な位置検出を可能にしている。

従来、赤外線画像を用いた空気調和装置の制御に機械学習を取り入れる場合、次の課題があった。学習モデルを１から学習する場合には、学習にコストがかかりすぎた。一方、学習済みモデルを利用する場合には、既に学習が済んでいるために、追加の情報に柔軟性が無かった。

第１観点の設備機器の制御システムは、設備機器の制御部と、記憶部とを備えている。記憶部は、設備機器を制御する複数の学習済み汎用モデルを記憶している。制御部は、複数の学習済み汎用モデルの中から、設備機器の制御に利用する一のモデルを選択する。

第１観点の設備機器の制御システムは、複数の学習済み汎用モデルから選択した学習済みモデルを利用して、設備機器の制御を行うため、効率よく、設備機器の制御を行うことができる。

第２観点の設備機器の制御システムは、第１観点のシステムであって、設備機器は、空気調和装置、換気装置、冷凍装置、調湿装置、および、給湯器、の群から選択される少なくとも一の機器を含む。

第３観点の設備機器の制御システムは、第１観点または第２観点のシステムであって、制御部は、設備機器の機種、周囲の環境、または、設備機器の利用状況に応じて、一のモデルを選択する。

第３観点の設備機器の制御システムは、複数の学習済みモデルから適用するモデルを選択する際に、環境の類似性で判断するために適格な学習済みモデルを選択できる。

第４観点の設備機器の制御システムは、第１観点～第３観点のいずれかのシステムであって、制御部は、選択したモデルを利用して、さらに、追加の学習を行う。

第４観点の設備機器の制御システムは、追加の学習を行うことにより、さらに、効率よく、設備機器の制御が行えるようになる。

第５観点の設備機器の制御システムは、第４観点のシステムであって、制御部は、追加の学習の結果を選択した汎用モデルに反映させ、反映させた汎用モデルを、記憶部に記憶する。

第５観点の設備機器の制御システムは、汎用モデルを更新していくので、他の環境での別の設備機器の制御においても、当該機器での学習結果を利用できる。

第６観点の設備機器の制御システムは、第１観点～第５観点のいずれかのシステムであって、設備機器の制御に利用する一のモデルの入力に、画像が含まれる。

画像は、多数のセンサを用いなくても撮像装置一台で多くのデータを得られるので、学習モデルの入力に適している。

第７観点の設備機器の制御システムは、第６観点のシステムであって、制御部は、画像の前処理を行った後に、前処理を行った画像を入力として、選択した一のモデルで学習を行う。

第７観点の設備機器の制御システムは、前処理を分離することにより、学習に必要なデータを低減できる。

第８観点の設備機器の制御システムは、第７観点のシステムであって、画像の前処理は、個人情報保護を目的にしたもの、前記前処理後の学習の高速化を目的にしたもの、または、両方を目的にしたもの、のいずれかである。

第８観点の設備機器の制御システムは、画像の前処理により、個人情報保護が可能となる。また、前処理により、学習の高速化ができる。

第９観点の設備機器の制御システムは、建物に配置される設備機器と、サーバとを備える。サーバは、設備機器とネットワークを介して接続される。サーバは、第１制御部と、記憶部とを有する。設備機器は、本体と、第２制御部と、を有する。第１制御部は、設備機器を制御する複数の学習済み汎用モデルを、記憶部に、記憶させる。第１制御部または第２制御部は、複数の学習済み汎用モデルの中から、設備機器の制御に利用する一のモデルを選択する。

第９観点の設備機器の制御システムは、複数の学習済み汎用モデルから選択した学習済みモデルを利用して、設備機器の制御を行うため、効率よく、設備機器の制御を行うことができる。

第１０観点の設備機器の制御システムは、第９観点のシステムであって、第２制御部は、環境情報を取得し、前記環境情報の前処理を行う。第１制御部または第２制御部は、前処理された環境情報を少なくとも１の入力として、選択されたモデルを用いて、設備機器の制御を行う。

第１０観点の設備機器の制御システムは、第２制御部で、環境情報の前処理を行うので、サーバと設備機器との間の通信量を低減できる。

第１実施形態の制御システム１の全体構成図である。 第１実施形態の設備機器の制御方法のフローチャートである。

＜第１実施形態＞
（１）設備機器の制御システム
第１実施形態の設備機器の制御システム１を図１に示す。本実施形態の設備機器の制御システム１は、複数の設備機器２０と、設備機器２０とネットワーク１５を介して接続されたサーバ１０とを備えている。

設備機器２０は、建物に配置されている。建物は、種種のものが可能である。たとえば、ビルであっても良いし、戸建て住宅であっても良い。建物は、オフィスや学校、商業施設などであっても良いし、集合住宅、戸建て住宅などであっても良い。

設備機器２０は、空気調和装置、換気装置、冷凍装置、調湿装置、または、給湯器などである。

本実施形態においては、設備機器２０は、空気調和装置２０ａ、２０ｂ、２０ｃである。空気調和装置は、通常、室内ユニットと、室外ユニットを有する。本明細書においては、室内ユニット、または、室外ユニットのどちらかを単に空気調和装置と称する場合がある。本実施形態においては、空気調和装置２０ａは、室内ユニットを示す。空気調和装置２０ａは、第２制御部２１と、空気調和部２２と、画像取得部２３とを有している。第２制御部は、プロセッサと、記憶部とを有している。第２制御部２１は、空気調和部２２と、画像取得部２３とを制御する。空気調和部２２は、空気調和装置２０ａの本体と言ってもよい。空気調和部２２は、筐体と、ファンと、利用側熱交換器を含んでいる。画像取得部２３は、赤外線カメラである。本実施形態の画像取得部は、室内の壁面、床面の熱画像を取得する。

（２）機械学習について
本実施形態においては、機械学習を行うことによって、設備機器の制御を行う。本実施形態における機械学習としては、教師あり学習、教師なし学習、半教師あり学習、強化学習、トランスダクション、マルチタスク学習など各種の機械学習であってもよい。例えば、教師あり学習は、重回帰、ロジスティック回帰、ＡＲＩＭＡ、ＶＡＲ、サポートベクターマシン、決定木、ランダムフォレスト、ブースティング、ニューラルネットワーク、ディープラーニングがある。教師無し学習は、Ｋ－ｍｅａｎｓ法、ｗａｒｄ法、主成分分析等がある。教師あり学習の場合、学習モデルの予測値と実測値の誤差が最小となるように学習する。教師無し学習の場合、入力データのグループ構造を強化学習の場合、一連の行動の結果としての報酬を最大とするように学習する。

（３）汎用学習済みモデルを利用した設備機器の制御方法
本開示の設備機器の制御方法について、図２のフローチャートを用いて説明する。ここでは、設備機器２０として、空気調和装置２０ａとする。

本実施形態の設備機器の制御方法においては、まず、準備段階として、ステップＳ１０１で、複数の環境において、機械学習を行う。その結果、学習済み汎用モデルを作成して、記憶部１２に記憶する。具体的には、別の室内空間にある空気調和装置２０ｂ、２０ｃなどにおいて機械学習を行って、空気調和装置２０ｂ、２０ｃの制御を行う。これによって、学習済み汎用モデルを作成する。汎用モデルは、多く準備されている方がよい。２以上は必要である。汎用モデルは、たとえば、空気調和装置の機種、空気調和装置の設置される室内空間の広さや人の出入りの状態、外気温、などに応じて準備する。

次に、ステップＳ１０２で、記憶部に記憶された学習済み汎用モデルの中から、第１制御部１１は、空気調和装置２０ａの制御に利用する汎用モデルを選択する。ここで、汎用モデルを選択する基準としては、環境構造の類似性である。あるいは、学習時の入力構造と出力構造、制御の目的の共通性である。入力構造が共通しているとは、空気調和装置の機種が類似しているとか、室内空間の広さや、室内の人の出入り、外気温などが共通していることを意味する。出力構造とは、空気調和装置の風速、風量、風向、吹出し温度などのパラメータを意味する。制御の目的とは、たとえば、本実施形態では、室内の壁面、床面の温度の均一化とする。

次に、処理は、設備機器２０側の処理に移る。ステップＳ１０３において、画像取得部２３は、室内の壁面、床面の熱画像を取得する。

次に、取得された熱画像は、第２制御部２１において、前処理される（Ｓ１０４）。

前処理とは、個人情報保護を目的にしたもの、前処理後の学習の高速化を目的にしたもの、または、両方を目的にしたもの、のいずれかである。

個人情報保護を目的としたものは、個人情報に係わるデータの加工処理である。画像のモザイク処理などがある。学習の高速化を目指したものとしては、グレースケール化、拡大縮小などがある。

ステップ１０４の次にステップＳ１０５へ進む。ステップＳ１０５では、制御を終了するか否かを判断する。最初にＳ１０５に到達したときは、制御は終了しないを選択して、ステップＳ１０６へ進む。

次に、設備機器２０で取得されたデータは、サーバ１０に送られる（図示せず）。

次に、第１制御部１１は、ステップＳ１０２で選択された汎用モデルによって、機械学習を行う（Ｓ１０６）。入力として、ステップＳ１０４で前処理されたデータを利用する。

学習結果は、学習済みモデルとして、記憶部１２に記憶される（Ｓ１０７）。ここでは、学習済み特化モデルとして記憶しても良いし、学習済み汎用モデルとして記憶しても良い。他の環境においても学習済みモデルを利用する場合は、学習済み汎用モデルとして利用し、学習中の環境でのみ再び学習済みモデルを利用する場合は、特化モデルとして記憶する。

そして、学習結果に基づく制御値が、サーバ１０から設備機器２０に送られる。設備機器２０においては、学習結果に基づいて、第２制御部２１は、空気調和部２２の制御を行う（Ｓ１０８）。言い換えると、吹出し温度や、風向き、風量等の調整を行う。

ステップＳ１０８の次に、再び、ステップＳ１０３に戻る。ステップＳ１０３で、画像取得部２３は、再び、室内の壁面、床面の熱画像を取得する。引き続きステップＳ１０４で、取得された熱画像は、第２制御部２１において、前処理される。

次に、ステップＳ１０５では、制御を終了するか否かを判断する。制御を終了するか否かは、制御の目的が達成できたか否かで判断する。ここでは、画像取得部が取得した熱画像において、温度分布が抑制されたか否かで判断しても良い。目的が達成されたと判断した場合は、制御を終了し、全体のフローも終了する。目的が達成されない場合は、制御を終了しない。この場合は、ステップＳ１０６～Ｓ１０８、Ｓ１０３、Ｓ１０４を繰り返す。

２回目のステップＳ１０６の学習においては、モデルとしては、１回目のステップＳ１０６と同様に、選択された汎用モデルを用いても良いが、１回目に作成した学習済み特化モデルを利用してもよい。

以上のようにして、目的が達成され、制御が終了するまで、ステップＳ１０３～Ｓ１０８を繰り返し、制御を終了する。

（４）特徴
（４－１）
本実施形態の設備機器の制御システムは、予め、設備機器を制御する、複数の学習済み汎用モデルを、記憶部に記憶させておく（Ｓ１０１）。そして、複数の学習済み汎用モデルの中から、設備機器の制御に利用する一のモデルを選択する（Ｓ１０２）。そして、新たな環境において、選択された汎用学習済みモデルを利用して、設備機器の制御を行う（Ｓ１０８）。

本開示の設備機器の制御システムは、複数の学習済み汎用モデルから選択して利用するので、機器の制御を効率よく行うことができる。ここで、効率が良いとは、制御を速く行える、学習を速く行える、学習等の計算を行うマシンの利用料を抑制できる、等の意味である。

（４－２）
本実施形態の設備機器の制御システムは、汎用学習済みモデルを利用して、さらに、追加の学習を行う（Ｓ１０６）。

従来、学習済みモデルを利用した制御は、学習が終了しているために、追加の情報に対して、柔軟性が無かった。本実施形態の設備機器の制御システムは、追加の学習を行うため、追加の情報に対する柔軟性が高い。

（４－３）
本実施形態の設備機器の制御システムは、追加した学習モデルを、記憶部１２に記憶する（Ｓ１０７）。記憶部１２に記憶された学習済みモデルは、次の学習、または、制御に利用される。この学習済みモデルは、言い換えると、特化学習済みモデルとなる。特化学習済みモデルの中で、学習を繰り返し、他の環境でも利用可能となった学習済みモデルは、汎用学習済みモデルとして、記憶部１２に記憶される。

（４－４）
本実施形態の設備機器の制御システムは、モデルに組み込まなくても実現できる処理は、モデルとは分離して処理を行う。本件では、学習済みモデルで学習する前に、前処理を行う（Ｓ１０４）。

前処理によって、モデルでの学習の負荷を低減できる。

（４－５）
本実施形態の学習に用いられる入力には、画像が含まれる。画像としては、たとえば、赤外線画像（熱画像）である。

赤外線画像によって、室内空間内の壁面、床、その他の物体の温度をモニターすることができる。そうして、設備機器としての空気調和装置の温度制御に利用できる。

（４－６）
本実施形態の設備機器の制御システム１は、設備機器２０と、サーバ１０とを有する。サーバ１０は、ネットワーク１５を介して設備機器２０に接続されている。サーバ１０は、第１制御部１１と、記憶部１２とを有する。設備機器２０は、本体と、第２制御部２１とを有する。

予め、設備機器を制御する、複数の学習済み汎用モデルを、記憶部１２に記憶させておく（Ｓ１０１）。そして、第１制御部１１は、複数の学習済み汎用モデルの中から、設備機器２０の制御に利用する一のモデルを選択する（Ｓ１０２）。そして、第１制御部は、汎用学習済みモデルから新たな環境に適応するモデルを選択する。第１制御部１１は、選択された学習済みモデルを利用して、さらに、学習を行う。第２制御部２１は、学習結果に基づいて、設備機器２０の制御を行う（Ｓ１０８）。

本開示の設備機器の制御システムは、複数の学習済み汎用モデルから選択して利用するので、機器の制御を効率よく行うことができる。

（４－７）
（４－６）において、第２制御部２１は、環境情報を取得し、環境情報の前処理を行う。第１制御部は、前処理された環境情報を入力として、学習を行う。第２制御部は、学習結果を用いて、設備機器の制御を行う。

本実施形態の設備機器の制御システムは、設備機器２０側で、環境情報の前処理を行うため、サーバの負荷が下がる。また、サーバと設備機器の間の通信量を削減できる。さらに、モデルでの学習の負荷を低減できる。

以上、本開示の実施形態を説明したが、特許請求の範囲に記載された本開示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 制御システム
１０ サーバ
１１ 第１制御部
１２ 記憶部
２０ 設備機器
２０ａ、２０ｂ、２０ｃ 空気調和装置
２１ 第２制御部
２２ 空気調和部
２３ 画像取得部

特許第２９７８３７４号公報

Claims (8)

1. 室内空間にある空気調和装置（２０）の制御システム（１）であって、
   前記空気調和装置の制御部（１１、２１）と、
   記憶部（１２）と、
   を備え、
   前記記憶部は、前記空気調和装置を制御する、複数の学習済み汎用モデルを記憶し、
   前記制御部は、前記複数の学習済み汎用モデルの中から、前記空気調和装置の制御に利用する一のモデルを選択し、
   前記複数の学習済み汎用モデルは、前記空気調和装置以外の空気調和装置において学習して作成された学習済み汎用モデルを少なくとも一つ以上含み、
   前記制御部は、少なくとも、前記空気調和装置の機種、前記空気調和装置の設置された室内空間の環境、および、前記室内空間にある空気調和装置の利用状況に応じて、前記一のモデルを選択する、
   空気調和装置の制御システム。
2. 前記制御部は、前記選択したモデルを利用して、さらに、追加の学習を行う、
   請求項１に記載の空気調和装置の制御システム。
3. 前記制御部は、前記追加の学習の結果を前記選択した汎用モデルに反映させ、前記反映させた汎用モデルを、前記記憶部に記憶する、
   請求項２に記載の空気調和装置の制御システム。
4. 前記空気調和装置の制御に利用する一の前記モデルの入力に、画像が含まれる、
   請求項１～３のいずれか１項に記載の空気調和装置の制御システム。
5. 前記制御部は、画像の前処理を行った後に、
   前記前処理を行った画像を入力として、前記選択した一のモデルで学習を行う、
   請求項４に記載の空気調和装置の制御システム。
6. 前記画像の前記前処理は、個人情報保護を目的にしたもの、前記前処理後の学習の高速化を目的にしたもの、または、両方を目的にしたもの、のいずれかである、
   請求項５に記載の空気調和装置の制御システム。
7. 建物に配置される空気調和装置（２０）と、
   前記空気調和装置とネットワーク（１５）を介して接続されるサーバ（１０）と、
   を備える、空気調和装置の制御システム（１）であって、
   前記サーバは、第１制御部（１１）と、記憶部（１２）とを有し、
   前記空気調和装置は、本体（２２）と、第２制御部（２１）と、を有し、
   前記第１制御部は、前記空気調和装置を制御する複数の学習済み汎用モデルを、前記記憶部に、記憶させ、
   前記第１制御部または前記第２制御部は、前記複数の学習済み汎用モデルの中から、前記空気調和装置の制御に利用する一のモデルを選択し、
   前記複数の学習済み汎用モデルは、前記空気調和装置以外の空気調和装置において学習して作成された学習済み汎用モデルを少なくとも一つ以上含み、
   前記第１制御部または前記第２制御部は、少なくとも、前記空気調和装置の機種、前記空気調和装置の設置された室内空間の環境、および、前記室内空間にある空気調和装置の利用状況に応じて、前記一のモデルを選択する、
   空気調和装置の制御システム。
8. 前記第２制御部は、環境情報を取得し、前記環境情報の前処理を行い、
   前記第１制御部または第２制御部は、前記前処理された環境情報を少なくとも１の入力として、前記選択されたモデルを用いて、前記空気調和装置の制御を行う、
   請求項７に記載の空気調和装置の制御システム。

Images