JP7425279B2 - 汚れ予測システム - Google Patents

Description

本開示は、汚れを予測する汚れ予測システムに関する。

汚れに関する技術として、特許文献１に記載の技術が知られている。特許文献１に記載の技術は、ろ過されていない水の濁度と、洗浄排水の濁度とを検出する。

特開平１１－２９０６１４号公報

ところで、将来の汚れが分かると、予め対策または対策の準備ができる。このため、汚れの進行を予測できることが好ましい。しかし、汚れは、様々な要因で進行するものであることから、汚れの進行を簡単に推定することはできない。本開示の目的は、汚れの進行について予測精度が高い汚れ予測システムを提供することにある。

この課題を解決する汚れ予測システムは、空気調和機の汚れの進行を予測する汚れ予測システムであって、汚れに関する情報を取得するコンピュータを備え、前記コンピュータは、空気調和機の設置環境データと、前記設置環境データに関係づけられた汚れデータとを取得する取得部と、前記設置環境データと前記汚れデータに基づいて生成された汚れの予測モデルを用いて、設置環境データから汚れ進行度を推定する推定部とを備える。この構成によれば、汚れの予測モデルは、汚れデータだけではなく、設置環境データにも関係づけられたものとなるため、汚れの進行の予測精度を向上できる。

上記汚れ予測システムにおいて、前記汚れの予測モデルは、前記設置環境データと前記汚れデータとを関連付けて機械学習することにより生成される。この構成によれば、汚れの予測モデルは、機械学習により生成されるため、予測精度を向上できる。

上記汚れ予測システムにおいて、前記設置環境データは、気温、湿度、気圧、空気清浄度、設置場所の地域情報、設置場所の気候情報、設置場所の用途情報、および設置場所の周辺情報のうちの少なくとも１つを含む。この構成によれば、汚れの予測において、これらの設置環境データが加味されるため、予測精度を向上できる。

上記汚れ予測システムにおいて、前記汚れデータは、設置からの経過時間、空気調和機の運転データ、汚れ量のうち少なくとも一つを含む。この構成によれば、汚れの予測において、これらの汚れに関する情報が加味されるため、予測精度を向上できる。

上記汚れ予測システムにおいて、前記汚れの予測モデルを用いて、汚れ量が汚れの閾値を超える時期をメンテナンス時期として推定するメンテナンス時期算出部をさらに備える。この構成によれば、適切なメンテナンス時期を提供できる。

上記汚れ予測システムにおいて、前記メンテナンス時期算出部は、前記メンテナンス時期を利用者端末に出力する。この構成によれば、利用者は、自ら情報と取りに行く手間をかけずに、メンテナンス時期を知ることができる。

汚れ予測システムの模式図。 室内ユニットの内部構造の平面図。 室内ユニットの内部構造の側面図。 色相環において、付着汚れおよび濁りの範囲を示す図。 撮影画像を示す図。 マスクを示す図。 マスクが重ねられた撮影画像の図。 テンプレート撮影画像と撮影画像とのマッチングを示す図。 テンプレートマスクとマスクとの関係を示す図。

以下、本実施形態に係る汚れ予測システムＳＡについて説明する。汚れ予測システムＳＡは、空気調和機２０の汚れの進行を予測する。汚れ予測システムＳＡは、空気調和機２０の汚れに関する情報を取得するコンピュータＰを備える。

空気調和機２０の汚れに関する情報は、室内ユニット２１のドレンパン２６の汚れ、室外ユニットの底フレームの汚れ、熱交換器の汚れ、および、フィルタの汚れの少なくとも１つを含む。本実施形態では、汚れ予測システムＳＡは、室内ユニット２１のドレンパン２６の汚れに関する情報を取得し、ドレンパン２６の汚れを予測する。

コンピュータＰは、データに基づいて計算できるものであればよい。コンピュータＰは、サーバやパーソナルコンピュータであってもよい。コンピュータＰは、プログラムと計算回路とによって構成される。コンピュータＰは、ネットワークＮに接続されてもよい。本実施形態では、コンピュータＰは、ネットワークＮに接続される。

コンピュータＰは、取得部４と、推定部５とを備える。
取得部４は、キーボードを含む入力部であってもよいし、ネットワークＮを介して他の装置と通信する通信装置として構成されてもよい。他の装置とは、例えば、汚れを検出する装置（以下、「汚れ検出装置１」という。）である。取得部４は、記憶媒体から情報を取得する記憶媒体読み取り装置として構成されてもよいし、通信装置および記憶媒体読み取り装置を含む構成とされてもよい。本実施形態では、取得部４は、ネットワークＮを介して後述の汚れ検出装置１の計算部１２と通信する。

取得部４は、空気調和機２０の設置環境データと、設置環境データに関係づけられた汚れデータとを取得する。
設置環境データは、空気調和機２０が設置されている環境に関する情報である。設置環境データは、複数の空気調和機２０それぞれの環境に関する情報が集められた情報の集合である。一例では、空気調和機２０の識別番号と、その識別番号を有する空気調和機２０の環境に関する情報とが１組のデータとして管理される。具体的には、設置環境データは、気温、湿度、気圧、空気清浄度、設置場所の地域情報、設置場所の気候情報、設置場所の用途情報、および設置場所の周辺情報のうちの少なくとも１つを含む。

気温、湿度、気圧、および、空気清浄度については、空気調和機２０によって検出される検出値であってもよいし、他のパラメータから推定される推定値であってもよく、また、これらのパラメータに相関する物理量であってもよい。設置場所の地域情報は、平野部、山林部、沿岸部等地形に関する情報、および、住所である。設置場所の気候情報は、気温、降雨量、降雪量、または、湿度に影響する情報である。設置場所の用途情報は、空気調和機２０が設置された物件の用途の情報、および、室内の用途の情報である。物件の用途の情報は、例えば、レストラン、スポーツジム等の情報である。室内の用途の情報は、例えば、キッチン、エントランス、会議室等の情報である。設置場所の周辺情報は、例えば、工場や道路などの塵埃発生場所が近隣にあるかを示す情報である。

これらの情報は、コード化されてもよい。気温等の数値は、ランク分けによってコード化される。設置場所の地域情報は、地形に基づいて区別されてコード化される。設置場所の気候情報は、気候に基づいて区別されてコード化される。設置場所の用途情報は、例えば、菌の繁殖性の高い順に用途が区別されてコード化される。設置場所の周辺情報は、例えば、粉塵の多さによって区別されてコード化される。設置環境データは、ネットワークＮに接続された汚れ検出装置１の計算部１２から収集される。また、設置環境データは、入力部を介する入力または記憶媒体からの読み取りによって収集される。空気調和機２０から得られる設置環境データと空気調和機２０の識別番号とは、紐づけられる。

汚れデータは、空気調和機２０の汚れに関する情報である。汚れデータは、複数の空気調和機２０それぞれの汚れに関する情報が集められた情報の集合であって、環境に関する情報と関係づけられている。一例では、空気調和機２０の識別番号と、その識別番号を有する空気調和機２０の環境に関する情報と、その識別番号を有する空気調和機２０の汚れに関するデータとが１組のデータとして管理される。具体的には、汚れデータは、設置からの経過時間、空気調和機２０の運転データ、汚れ量のうち少なくとも一つを含む。運転データの例として、例えば、空気調和機２０の運転頻度、空気調和機２０について設置時からの累積運転時間、運転モードごとの累積運転時間が挙げられる。汚れ量の例として、後述する汚れの進行度が挙げられる。汚れデータは、ネットワークＮに接続された汚れ検出装置１の計算部１２から収集される。また、汚れデータは、入力部を介する入力または記憶媒体からの読み取りによって収集される。空気調和機２０から得られる汚れデータと空気調和機２０の識別番号とは、紐づけられる。

コンピュータＰの推定部５は、予測モデルを用いて、設置環境データから汚れ進行度を推定する。予測モデルは、設置環境データと汚れデータとに基づいて生成される。予測モデルは、具体的には、設置環境データと汚れデータとを関連付けて機械学習することにより生成される。設置環境データと汚れデータとの関連付けとは、１つの空気調和機２０の設置環境データと汚れデータとが１組のデータとして管理されることを示す。予測モデルは、機械学習によって生成されるものではなく、設置環境データと汚れデータとを関連付けられたルールであってもよい。ルールは、設置環境データと汚れデータとの相関に基づいて設計者によって予め作成される。

本実施形態において機械学習は、設置環境データと汚れデータとを含むデータに基づいて、計算によって、設置環境データと汚れとの関係を導き出すことを示す。機械学習として、線形回帰、ロジスティック回帰、サポートベクターマシン、ニューラルネットワーク等が挙げられる。

（ａ）線形回帰を使った機械学習の第１の例について説明する。
推定部５は、環境種別ごとに、汚れデータとして異なる時刻における汚れ量を取得する。環境種別は、設置環境データのうち、設置場所の地域情報、設置場所の気候情報、設置場所の用途情報、および設置場所の周辺情報の少なくとも１つによって分類される種別である。汚れの進行の仕方は、環境によって変わるため、このように、環境種別ごとに汚れデータが集計される。例えば、推定部５は、これらのデータを取得部４から取得する。取得部４は、空気調和機２０から、所定時間間隔で汚れ量を取得する。推定部５は、設置時からの経過時間における汚れ量を学習データとして使用する。推定部５は、時刻に対する汚れ量についての回帰演算により、予測モデルを生成する。一例では、予測モデルは、時刻に対する汚れ量の関係を示す一次式である。推定部５は、複数の空気調和機２０から収集される環境種別ごとの汚れデータに基づいて、環境種別ごとに予測モデルを生成する。

環境種別は、設置環境データに割り当てられるコードの組み合わせである。本実施形態では、設置場所の地域情報、設置場所の気候情報、設置場所の用途情報、および設置場所の周辺情報のそれぞれに、コードが付けられる。環境種別は、これらのコードの組み合わせである。環境種別の一例は、コード名が「ＡＢＣＤ」であり、Ａは、設置場所の地域情報（例えば、山）を示し、Ｂは、設置場所の気候情報（瀬戸内海式気候）を示し、Ｃは、設置場所の用途情報（例えば、エントランス）を示し、Ｄは、設置場所の周辺情報（例えば、幹線道路沿い）を示す。環境種別数は、Ａのコード数、Ｂのコード数、Ｃのコード数、およびＤのコード数を掛け算して得られる数である。

線形回帰を使った機械学習の第２の例について説明する。
第２の例は、第１の例の変形例である。この例では、汚れデータは、環境種別ごとに取得されるデータであって、空気調和機２０の設置時からの経過時間と、空気調和機２０の運転データと、汚れ量とを含む。

推定部５は、設置時からの経過時間および経過時間毎の汚れ量に加えて、経過時間毎の空気調和機２０の運転データを取得する。例えば、推定部５は、空気調和機２０から、汚れ量および運転データを取得する。運転データは、設置時以降における累積運転時間を含む。推定部５は、設置時からの経過時間における汚れ量および運転データを学習データとして使用する。

推定部５は、設置環境データと汚れデータとを学習データとして機械学習によって汚れ量を予測する予測モデルを生成する。予測モデルは、時刻に対する汚れ量の関係を示す。推定部５は、複数の空気調和機２０から収集される環境種別および運転データに基づいて、環境種別および運転状況のランクごとに、予測モデルを生成する。

運転状況のランクは、運転データに基づいて設定される。累積運転時間が長いとき、ランクは高くなる。運転状況のランクは、設置時からの経過時間と、空気調和機２０の運転頻度とに基づいて決められてもよい。一例では、運転状況のランクのコード名は、Ｘと定義される。第２の例では、環境種別および運転状況のランクによってクラス分けされて、各クラスにコードが定義される。環境種別および運転状況のランクごとに定義されるクラスのコードの一例は、ＡＢＣＤＸである。第２の例では、上述のようなクラスごとに、予測モデルが生成される。すなわち、同じ環境であって運転状況が異なる空気調和機２０は、別のクラスに分類される。このように、細分化されたクラスごとに予測モデルが生成されるため、予測精度が高まる。

（ｂ）ロジスティック回帰を使った機械学習について説明する。ロジスティック回帰では、汚れ量が閾値を超える確率を予測する。ロジスティック回帰において予測モデルは、確率関数である。確率関数を得る学習は、目的変数と、説明変数とに基づいて既知の手法によって行われる。本実施形態では、目的変数は、空気調和機２０について、汚れ量が閾値を超えているか否かを示す値であって、汚れ量が閾値よりも大きい場合は「１」であり、汚れ量が閾値以下の場合は「０」である。説明変数は、空気調和機２０の各種の設置環境データである。説明変数は、空気調和機２０の設置環境データおよび空気調和機２０の運転データを含んでもよい。

推定部５は、予測モデルを用いて、設置環境データから、汚れ量が閾値を超える確率を算出する。例えば、ロジスティック回帰の場合、推定部５は、設置環境データを確率関数に入力することによって、汚れ量が閾値を超える確率を算出する。

（ｃ）サポートベクターマシンを使った機械学習について説明する。サポートベクターマシンでは、汚れ量が閾値を超える確率を予測する。サポートベクターマシンにおいて予測モデルは、分離面（超平面）である。サポートベクターマシンの分離面（超平面）を得る学習は、Ａクラスに分けられたデータと、Ｂクラスに分けられたデータとに基づいて既知の手法によって行われる。本実施形態では、Ａクラスは、空気調和機２０の設置時から所定期間後に汚れ量が閾値を超えた設置環境データを含み、Ｂクラスは、空気調和機２０の設置時から所定期間後に汚れ量が閾値以下である設置環境データを含む。この例では、ＡクラスおよびＢクラスに分けるための学習データは、空気調和機２０の設置環境データであるが、学習データは、空気調和機２０の設置環境データおよび空気調和機２０の運転データであってもよい。

サポートベクターマシンの場合、推定部５は、設置環境データと分離面との関係に基づいて、設置環境データがＡグループに属するか、Ｂグループに属するかを算出する。本実施形態では、設置環境データと分離面との間の距離を、汚れ量が閾値を超える確率と定義する。

（ｄ）ニューラルネットワークを使った機械学習について説明する。ニューラルネットワークでは、汚れ量が閾値を超える確率を予測する。ニューラルネットワークにおいて予測モデルは、複数のユニットのニューラルネットワークである。ニューラルネットワークのユニットの変数（重み変数およびバイアス変数）を得る学習は、複数の入力データを学習化モデルに入力することによって得られる出力について、出力誤差の総和を最小化することである。出力誤差は、教師データと、出力との差である。最小化の方法は、既知の手法によって行われる。複数の入力データは、空気調和機２０それぞれの設置環境データおよび汚れデータを含む。教師データは、空気調和機２０の汚れ量が閾値を超えているか否かを示すデータであり、閾値を超えている場合は「１」であり、閾値を超えていない場合「０」である。

ニューラルネットワークの場合、学習化モデルに、入力値として設置環境データとを入力することによって、出力が得られる。ニューラルネットワークの例では、出力は、０以上１以下の値をとる。本実施形態では、学習化モデルの出力を、汚れ量が閾値を超える確率と定義する。

好ましくは、推定部５は、メンテナンス時期算出部６を備える。メンテナンス時期算出部６は、汚れの予測モデルを用いて、汚れ量が汚れの閾値を超える時期をメンテナンス時期として推定する。

（ａ）上述の線形回帰の第１の例および第２の例では、予測モデルは、時刻を変数とする一次式である。メンテナンス時期算出部６は、環境種別ごとに生成される複数の予測モデルのうちから１つを選択し、選択された予測モデルの出力項に閾値を代入することによって、時刻を算出する。メンテナンス時期算出部６が行う予測モデルの選択は、利用者に基づく指令により定められる。予測モデルの出力項に閾値は、利用者に基づく指令により定められる。

（ｂ）ロジスティック回帰による学習の例では、メンテナンス時期算出部６は、確率に基づいて、汚れ量が閾値を超える時期を予測する。一例では、メンテナンス時期算出部６は、予測時期を、確率関数から得られた確率の逆数に時間係数をかけた値として算出する。確率関数から得られた確率とは、空気調和機２０の設置環境データを確率関数に入力することによって得られる値である。

（ｃ）サポートベクターマシンによる学習の例では、メンテナンス時期算出部６は、設置環境データと分離面との間の距離に基づいて、汚れ量が閾値を超える時期を予測する。一例では、メンテナンス時期算出部６は、予測時期を、設置環境データと分離面との間の距離に時間係数をかけた値として算出する。

（ｄ）ニューラルネットワークによる学習の例では、メンテナンス時期算出部６は、学習化モデルの出力に基づいて、汚れ量が閾値を超える時期を予測してもよい。一例では、メンテナンス時期算出部６は、予測時期を、出力の逆数に時間係数をかけた値として算出する。出力は、空気調和機２０の設置環境データを学習化モデルに入力することによって得られる値である。

好ましくは、メンテナンス時期算出部６は、メンテナンス時期を算出したとき、メンテナンス時期を利用者端末１６に出力する。また、メンテナンス時期算出部６は、利用者端末１６からの要求に応じて、メンテナンス時期を利用者端末１６に出力してもよい。さらに好ましくは、メンテナンス時期算出部６は、保守作業員の稼働状況および稼働計画を加味して、メンテナンス時期を算出しても良い。

利用者端末１６は、例えば、ネットワークＮに接続可能な端末である。利用者端末１６は、携帯電話、ノート型のパーソナルコンピュータ、パーソナルコンピュータ、タブレット型のパーソナルコンピュータを含む。

＜汚れ検出装置＞
以下に、汚れ検出装置１の一例を説明する。汚れ検出装置１は、対象物２の汚れを検出する。本実施形態における汚れは、付着汚れ、および水の濁りの少なくとも１つを含む。汚れの検出では、付着汚れを検出する場合と、濁りを検出する場合と、付着汚れと濁りとを区別せずに検出する場合とがある。

汚れ検出の対象物２の好適な例は、水を貯留する容器、および、水が付着し易い装置である。例えば、汚れ検出の対象物２は、空気調和機２０の室内ユニット２１のドレンパン２６、室外ユニットのドレンパン、室内ユニット２１の熱交換器２３、室外ユニットの熱交換器、除加湿水用タンク、および、空気調和機２０のフィルタである。本実施形態では、汚れ検出装置１は、空気調和機２０の室内ユニット２１のドレンパン２６の汚れを検出する。本実施形態では、対象物２はドレンパン２６である。

汚れ検出装置１は、制御部１０を備える。制御部１０は、対象物２の撮影画像４０を取得する。制御部１０は、対象物２の撮影画像４０の色成分に基づいて、汚れの進行度を算出する。

制御部１０は、対象物２の撮影画像４０を取得する取得部１１と、対象物２の撮影画像４０の色成分に基づいて汚れの進行度を算出する計算部１２とを含む。取得部１１は、カメラ３０に接続される。取得部１１と計算部１２とは、ケースに収容されて１つの装置としてパッケージングされてもよいし、次に説明するように、取得部１１と計算部１２とは、ネットワークＮに接続されて、それぞれの設置場所が分散されてもよい。本実施形態に係る制御部１０の構成要素は、ネットワークＮに分散される。

取得部１１は、空気調和機２０自体に、または、空気調和機２０の周辺に設けられる。
取得部１１は、カメラ３０から送られる撮影画像４０を取得し、撮影画像４０を記憶する。取得部１１は、対象物２または対象物２を含む装置の識別情報を保持する。本実施形態では、取得部１１は、空気調和機２０の識別情報を保持する。好ましくは、取得部１１は、対象物２または対象物２を含む装置の位置情報を保持する。位置情報は、対象物２の場所（緯度および経度、または住所）を含む。本実施形態では、取得部１１は、ドレンパン２６を備える空気調和機２０の位置情報を保持する。さらに好ましくは、取得部１１は、対象物２を含む装置の用途情報を保持する。用途情報は、対象物２が設置される部屋の用途の情報であって、例えば、店舗の種別を含む。取得部１１は、入力操作によって識別情報、位置情報、および用途情報を取得する。取得部１１は、通信部１３に接続される。通信部１３は、制御部１０の構成要素とされてもよい。

通信部１３は、取得部１１と計算部１２との間の通信を制御する。通信部１３は、内部指令および外部指令に基づいて、取得部１１に保持されている撮影画像４０を計算部１２に出力する。好ましくは、通信部１３は、内部指令および外部指令に基づいて、取得部１１に保持されている識別情報、位置情報および用途情報の少なくとも１つを計算部１２に出力する。内部指令は、予め設定された時刻に形成される指令である。例えば、内部指令は、通信部１３の内部回路によって、所定条件（例えば、無線において受信感度が所定値よりも高い）が満たされるときに形成されたり、定期的に形成されたりする。外部指令は、クラウドサーバ１５の計算部１２からの要求に基づく指令である。通信部１３と取得部１１とは１つのケースに収容されてもよい。

計算部１２は、取得部１１から情報が得られるところであれば、設置場所は制限されない。例えば、計算部１２は、ネットワークＮに接続されるクラウドサーバ１５内に設けられる。

図１に示されるように、汚れ検出装置１は、空気調和システムＳの構成要素とされてもよい。例えば、空気調和システムＳは、汚れ検出装置１と、空気調和機２０とを含む。空気調和機２０は、汚れ検出装置１の制御部１０の通信部１３を介してネットワークＮに接続される。

図２および図３を参照して、空気調和機２０について説明する。図２は、空気調和機２０の室内ユニット２１の上壁を外して見た、室内ユニット２１の内部構造の平面図である。図３は、空気調和機２０の室内ユニット２１の側壁を外して見た、室内ユニット２１の内部構造の側面図である。

汚れ検査の対象となる空気調和機２０の機種は、限定されない。例えば、天井埋込み型の空気調和機２０が、汚れ検査の対象となる。天井埋込み型の空気調和機２０の室内ユニット２１は、内部検査に手間を要する。このため、天井埋込み型の空気調和機２０の室内ユニット２１に対するカメラ監視は、メンテナンス作業効率の改善に寄与する。そこで、本実施形態では、天井埋込み型であって、天井裏のダクトに接続される空気調和機２０の室内ユニット２１について説明する。室内ユニット２１は、冷媒配管を介して室外ユニットに接続される。室内ユニット２１は、天井裏に設置される。

図２および図３に示されるように、室内ユニット２１は、空調制御部２２と、熱交換器２３と、ファン２４と、ファン２４を回転させるファンモータ２５と、熱交換器２３の下に配置されるドレンパン２６と、ドレンパン２６内の水を排出するドレンポンプ２７と、吸込口２８ａおよび吹出口２８ｂを有するケース２８とを備える。ドレンパン２６の壁の色は、汚れが目立つ色であることが好ましい。ドレンパン２６の壁の色は、白または白に近い色であることが好ましい。

ケース２８には、ケース２８内を点検するための点検蓋２８ｃが設けられる。点検蓋２８ｃは、ドレンパン２６およびドレンポンプ２７の近くに設けられる。カメラ３０は、点検蓋２８ｃの内側に取り付けられる。カメラ３０は、少なくともドレンパン２６の底の一部が撮影されるように、点検蓋２８ｃに取り付けられる。

カメラ３０は、撮影部３１と、撮影制御部３２とを備える（図１参照）。撮影部３１は、撮影制御部３２によって制御されるタイミングでドレンパン２６の一部を撮影し、撮影画像４０を形成する。

一例では、撮影部３１は、静水面状態の条件でドレンパン２６を撮影する。撮影制御部３２は、静水面状態の条件が成立するか否かの判定を行う。静水面状態とは、ドレンパン２６内の水面が動かない状態を示す。撮影制御部３２は、静水面状態であるか否かについて、ドレンポンプ２７の動作、ファン２４の回転、および、連続撮影された複数の撮影画像４０の比較によって得られる撮影画像４０の変化のうち、少なくとも１つによって判定する。撮影制御部３２は、静水面状態の条件が成立するとき、撮影部３１に撮影の指示を出す。例えば、撮影制御部３２は、付着汚れを検出する場合に、静水面状態の条件判定を行う。

他の例では、撮影部３１は、流水状態の条件でドレンパン２６を撮影する。撮影制御部３２は、流水状態の条件が成立するか否かの判定を行う。流水状態とは、ドレンパン２６内の水が動く状態を示す。撮影制御部３２は、流水状態であるか否かについて、ドレンポンプ２７の動作、および、連続撮影された複数の撮影画像４０の比較によって得られる撮影画像４０の変化のうち、少なくとも１つによって判定する。撮影制御部３２は、流水状態の条件が成立するとき、撮影部３１に撮影の指示を出す。例えば、撮影制御部３２は、汚れとして濁りの検出する場合に、流水状態の条件判定を行う。

撮影制御部３２は、上述のように撮影タイミングを制御する。また、撮影制御部３２は、撮影部３１によって形成された撮影画像４０を取得部１１に送信する。撮影制御部３２は、内部指令に基づいて撮影画像４０を取得部１１に送信する。内部指令は、予め設定されている指令である。

撮影画像４０は、次のように計算部１２に送信される。カメラ３０の撮影部３１によって形成された撮影画像４０は、取得部１１に出力されて、取得部１１の記憶部１１ａに記憶される。取得部１１内に記憶された撮影画像４０は、通信部１３の内部指令または外部指令によって、ネットワークＮを介してクラウドサーバ１５の計算部１２に送信される。

図４を参照して、制御部１０の計算部１２について説明する。
計算部１２は、利用者の指令または所定のタイミングで、対象物２の汚れを数値化する。具体的には、計算部１２は、ドレンパン２６の撮影画像４０を構成する各画素について色相を算出する。撮影画像４０がＲＧＢ形式によって形成された画像である場合、計算部１２は、ＲＧＢ形式からＨＳＶ形式への変換式に基づいて、撮影画像４０を変換し、各画素について色相（Ｈ）の値を得る。

ドレンパン２６の汚れについて説明する。ドレンパン２６の汚れの色相を分析すると、汚れは、赤味を帯びた黄緑色（色相１０～３０）または緑色（色相３０～６０）を有する。汚れの色相は、１０以上６０以下の範囲にある。付着汚れは、緑色または緑色周辺の色であり、付着汚れの色相は、３０以上６０以下の範囲にある。濁りは、赤に近い黄緑色であり、濁りの色相は、１０以上３０未満の範囲にある。ドレンパン２６の付着汚れおよび濁りの色相は、ドレンパン２６の壁の色相と異なる。このため、ドレンパン２６の汚れを、色相に基づいて検出できる。また、付着汚れの色相と濁りの色相とは異なるため、付着汚れと濁りとを色相によって判別できる。

ドレンパン２６の汚れを精確に検出するため、撮影画像４０において、汚れの検出の対象となる対象範囲４０ａが設定されることが好ましい。撮影画像４０には、熱交換器２３の一部およびドレンポンプ２７の一部が含まれ得る。この場合、撮影画像４０から、熱交換器２３およびドレンポンプ２７が除かれた領域が、汚れの検出の対象範囲４０ａとされる。対象範囲４０ａは、予め設定される。計算部１２は、対象範囲４０ａにおいて汚れを検出する。

図５～図９を参照して、対象範囲４０ａの設定の一例を説明する。図５は、撮影画像４０を示す図である。図６は、マスク４１を示す図である。図７は、マスク４１が重ねられた撮影画像４０の図である。図７において、濃いドットの領域は、付着汚れの領域を示し、薄いドットの領域は濁りの領域を示す。図７の撮影画像４０において、視覚の上では、付着汚れの領域と薄いドットの領域とを明確に区別することはできない。図８は、テンプレート撮影画像４３と撮影画像４０とのマッチングを示す図である。図９は、テンプレートマスク４２とマスク４１との関係を示す図である。

計算部１２は、撮影画像４０に重ねるためのマスク４１を保持する。マスク４１において撮影画像４０の対象範囲４０ａ以外のところは、色相を有しない黒色である。マスク４１において撮影画像４０の対象範囲４０ａ内は透明である。マスク４１が重ねられた撮影画像４０は、対象範囲４０ａ以外のところが黒色になる。黒色は、色相が対応づけられないため、撮影画像４０に対して色相の面積を算出すると、黒色の部分の面積は０となる。このため、計算部１２が、マスク４１が重ねられた撮影画像４０全体において各色相の面積を算出すると、結果として、撮影画像４０の対象範囲４０ａ内における各色相の面積が算出される。このようにマスク４１を用いることによって、撮影画像４０の対象範囲４０ａ内における各色相の面積の算出が簡単になる。

計算部１２は、空気調和機２０の機種ごとに予め用意されたテンプレート撮影画像４３と、空気調和機２０の機種ごとに予め作成されたテンプレートマスク４２と、を保持する。機種が同じ空気調和機２０であっても、カメラ３０の取り付けばらつきによって、撮影画像４０内におけるドレンパン２６の位置が異なる。このため、汚れの検出の対象となるドレンパン２６に対して、精確に汚れを検出するためには、個々の空気調和機２０のドレンパン２６にマッチングされたマスク４１を用いることが好ましい。例えば、計算部１２は、テンプレート撮影画像４３の特徴点と、汚れ検出の対象にされる撮影画像４０の特徴点とをマッチングし（図８参照）、マッチングの結果に基づいて射影変換行列を形成する。計算部１２は、形成された射影変換行列によってテンプレートマスク４２を変換することによって（図９参照）、マスク４１を形成する。

計算部１２は、次のように汚れの進行度を算出する。一例では、汚れの進行は、汚れた領域の拡大によって評価される。
（ａ）第１の例では、計算部１２は、撮影画像４０の対象範囲４０ａにおいて所定色相範囲内にある領域の面積に基づいて、汚れの進行度を算出する。具体的には、計算部１２は、上述のようにテンプレートマスク４２に基づいて、撮影画像４０に適したマスク４１を形成する。計算部１２は、マスク４１が重ねられた撮影画像４０に基づいて、対象範囲４０ａにおける所定色相範囲内にある領域の面積を算出する。例えば、計算部１２は、付着汚れの面積を算出する場合、マスク４１が重ねられた撮影画像４０に対して、色相が３０以上６０以下である画素の数をカウントすることによって、付着汚れの面積を求める。計算部１２は、濁りの面積を算出する場合、マスク４１が重ねられた撮影画像４０に対して、色相が１０以上３０未満である画素の数をカウントすることによって、濁りの面積を求める。また、計算部１２は、付着汚れの面積および濁りの面積の合計を、汚れの面積として算出してもよい。計算部１２は、汚れの面積を、汚れの進行度として出力する。計算部１２は、付着汚れの面積を「付着汚れの進行度」として出力してもよいし、計算部１２は、濁りの面積を「濁りの進行度」として出力してもよい。

（ｂ）第２の例では、計算部１２は、撮影画像４０の対象範囲４０ａの面積と、撮影画像４０の対象範囲４０ａにおいて所定色相範囲内にある領域の面積との面積比に基づいて、汚れの進行度を算出する。この場合、汚れ進行度は、パーセンテージで示される。汚れ進行度が１００％であるとき、汚れが最も進行していることを示す。

本実施形態の作用を説明する。汚れ予測システムＳＡのコンピュータＰは、空気調和機２０の設置環境データと、設置環境データに関係づけられた汚れデータとを取得する。コンピュータＰは、設置環境データと汚れデータとに基づいて生成された汚れの予測モデルを有する。コンピュータＰは、予測モデルを用いて、設置環境データおよび汚れデータから汚れ進行度を推定する。設置環境データは、汚れに大きく影響を与えることが分かってきた。例えば、飲食店に設置される空気調和機２０の汚れの進行は、オフィスに設置される空気調和機２０の汚れの進行よりも速い。このような汚れの進行の相違は、様々な要因によって生じる。したがって、単に、汚れの変化だけを見ているだけでは、空気調和機２０の汚れを精度よく予測することが難しい。この点、汚れの予測モデルは、設置環境データと汚れデータとに基づいて生成される。予測システムＳＡは、このような汚れの予測モデルを用いるため、汚れの進行の高い精度で予測できる。

本実施形態の効果を説明する。
（１）汚れ予測システムＳＡのコンピュータＰは、取得部４と、推定部５とを備える。取得部４は、空気調和機２０の設置環境データと、設置環境データに関係づけられた汚れデータとを取得する。推定部５は、設置環境データと汚れデータとに基づいて生成された汚れの予測モデルを用いて、設置環境データから汚れ進行度を推定する。この構成によれば、汚れの予測モデルは、汚れデータだけではなく、設置環境データにも関係づけられたものとなるため、汚れの進行の予測精度を向上できる。

（２）汚れ予測システムＳＡにおいて、汚れの予測モデルは、設置環境データと汚れデータとを関連付けて機械学習することにより生成される。この構成によれば、汚れの予測モデルは、機械学習により生成されるため、予測精度を向上できる。

（３）汚れ予測システムＳＡにおいて、設置環境データは、気温、湿度、気圧、空気清浄度、設置場所の地域情報、設置場所の気候情報、設置場所の用途情報、および設置場所の周辺情報のうちの少なくとも１つを含む。この構成によれば、汚れの予測において、これらの設置環境データが加味されるため、予測精度を向上できる。

（４）汚れ予測システムＳＡにおいて、汚れデータは、設置からの経過時間、空気調和機２０の運転データ、汚れ量のうち少なくとも一つを含む。この構成によれば、汚れの予測において、これらの汚れに関する情報が加味されるため、予測精度を向上できる。

（５）好ましくは、汚れ予測システムＳＡは、メンテナンス時期算出部６をさらに備える。メンテナンス時期算出部６は、汚れの予測モデルを用いて、汚れ量が汚れの閾値を超える時期をメンテナンス時期として推定する。この構成によれば、適切なメンテナンス時期を提供できる。

（６）汚れ予測システムＳＡにおいて、メンテナンス時期算出部６は、メンテナンス時期を利用者端末１６に出力する。この構成によれば、利用者は、自ら情報と取りに行く手間をかけずに、メンテナンス時期を知ることができる。

＜変形例＞
本開示の汚れ検出装置１は、上記各実施の形態以外に、例えば以下に示される変形例、及び相互に矛盾しない少なくとも二つの変形例を組み合わせた形態としてもよい。

・上記実施形態では、機械学習は、汚れ予測システムＳＡのコンピュータＰで行われるが、予測モデルが最初に生成された後の学習は、別の装置で行われてもよい。例えば、コンピュータＰとは別のコンピュータによって、予測モデルについて転移学習が行われてもよい。

・汚れ予測システムＳＡは、コンピュータＰと、汚れ検出装置１とを含むように構成されてもよい。汚れ予測システムＳＡは、コンピュータＰと、空気調和システムＳとを含むように構成されてもよい。また、空気調和システムＳが、汚れ予測システムＳＡを含むように構成されてもよい。

・汚れ検出装置１の計算部１２は、次のように構成されてもよい。計算部１２は、複数の利用者に利用可能に構成される。具体的には、計算部１２は、複数の対象物２と通信可能とされ、かつ、複数の利用者端末１６と通信可能とされる。計算部１２は、複数の対象物２と、複数の利用者端末１６との間の情報伝達を管理するための、アドレス帳を保持する。アドレス帳は、空気調和機２０の識別番号と、この識別番号に係る空気調和機２０の利用者の利用者端末１６とを紐づける。計算部１２は、取得部１１から、対象物２の撮影画像４０と、撮影時刻と、識別番号とを取得し、汚れの進行度および報知事項を算出したとき、アドレス帳を参照して、汚れの進行度および報知事項を利用者端末１６に出力する。

・汚れ検出装置１の取得部１１と制御部１０とは、１つのユニットとして構成されてもよい。このような汚れ検出装置１は、空気調和機２０の近くに配置される。この場合、汚れ検出装置１は、ネットワークＮを介さずに、直接、利用者端末１６と通信してもよい。

・汚れ検出装置１の計算部１２は、利用者端末１６に設けられてもよい。計算部１２は、利用者端末１６にインストールされるアプリケーションと、利用者端末１６内の計算回路とによって構成され得る。

・汚れ検出装置１の取得部１１および計算部１２は、利用者端末１６に設けられてもよい。例えば、パーソナルコンピュータに、取得部１１と計算部１２とが設けられる。この場合、取得部１１は、記録媒体の読み取り装置または通信装置として構成される。計算部１２は、アプリケーションと、計算回路とによって構成され得る。パーソナルコンピュータは、利用者の入力操作によって、撮影画像４０を取得する。

以上、本装置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装置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。

ＳＡ…汚れ予測システム
Ｐ…コンピュータ
４…取得部
５…推定部
６…メンテナンス時期算出部
１６…利用者端末
２０…空気調和機

Claims (6)

1. 空気調和機の室内ユニットのドレンパンの汚れの進行を予測する汚れ予測システム（ＳＡ）であって、
   汚れに関する情報を取得するコンピュータ（Ｐ）を備え、
   前記コンピュータ（Ｐ）は、空気調和機の設置環境データと、前記設置環境データに関係づけられた汚れデータとを取得する取得部（４）と、
   前記設置環境データと前記汚れデータとに基づいて生成された汚れの予測モデルを用いて、前記設置環境データから汚れ進行度を推定する推定部（５）とを備え、
   前記設置環境データは、少なくとも前記空気調和機の設置場所の用途情報を含み、
   前記空気調和機の設置場所は、前記空気調和機が設置された物件の用途の情報、および、室内の用途の情報である、
   汚れ予測システム。
2. 前記汚れの予測モデルは、前記設置環境データと前記汚れデータとを関連付けて機械学習することにより生成される
   請求項１に記載の汚れ予測システム。
3. 前記設置環境データは、さらに、気温、湿度、気圧、空気清浄度、設置場所の地域情報、設置場所の気候情報、および設置場所の周辺情報のうちの少なくとも１つを含む
   請求項１または２に記載の汚れ予測システム。
4. 前記汚れデータは、設置からの経過時間、空気調和機の運転データ、汚れ量のうち少なくとも一つを含む
   請求項１～３のいずれか一項に記載の汚れ予測システム。
5. 前記汚れの予測モデルを用いて、汚れ量が汚れの閾値を超える時期をメンテナンス時期として推定するメンテナンス時期算出部（６）をさらに備える
   請求項１～４のいずれか一項に記載の汚れ予測システム。
6. 前記メンテナンス時期算出部（６）は、前記メンテナンス時期を利用者端末に出力する
   請求項５に記載の汚れ予測システム。