JP7466710B2 - 空気調和機および空調システム - Google Patents

空気調和機および空調システム Download PDF

Info

Publication number
JP7466710B2
JP7466710B2 JP2022576900A JP2022576900A JP7466710B2 JP 7466710 B2 JP7466710 B2 JP 7466710B2 JP 2022576900 A JP2022576900 A JP 2022576900A JP 2022576900 A JP2022576900 A JP 2022576900A JP 7466710 B2 JP7466710 B2 JP 7466710B2
Authority
JP
Japan
Prior art keywords
drying operation
heat exchanger
air conditioner
unit
drying
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
JP2022576900A
Other languages
English (en)
Other versions
JPWO2022157927A5 (ja
JPWO2022157927A1 (ja
Inventor
洋志 守安
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JPWO2022157927A1 publication Critical patent/JPWO2022157927A1/ja
Publication of JPWO2022157927A5 publication Critical patent/JPWO2022157927A5/ja
Application granted granted Critical
Publication of JP7466710B2 publication Critical patent/JP7466710B2/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
    • F24F11/46—Improving electric energy efficiency or saving
    • 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
    • F24F11/48—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring prior to normal operation, e.g. pre-heating or pre-cooling
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Description

本開示は、空気調和機および空調システムに関する。
空気調和機が冷房運転を行うと、空気調和機における室内機の熱交換器に結露が発生し、その結果、カビおよび細菌などの物質が発生し易くなる。従来、このような物質の発生を抑制するために、冷房運転後に熱交換器を乾燥させる乾燥運転を行う空気調和機が知られている。
特許第３６１９６４９号公報（特許文献１）には、冷房運転後に送風ファンおよび加熱ヒータを所定時間運転させることで、熱交換器に発生した結露を除去し、カビの発生を抑制する空気調和機が開示されている。
特許第３６１９６４９号公報
特許文献１に開示された空気調和機によれば、乾燥運転を行うことで、冷房運転後に発生した結露を除去することができる。しかしながら、乾燥運転時間はタイマによって管理されているに過ぎないため、結露を除去するには乾燥運転時間が足らなかったり、結露が除去された後でも乾燥運転が継続することで無駄に電力を消費したりといったように、乾燥運転に過不足が生じるおそれがある。
本開示は、上記課題を解決するためになされたものであって、冷房運転後に適切に乾燥運転を行うことができる空気調和機および空調システムを提供することを目的とする。
本開示に係る空気調和機は、熱交換器と、乾燥運転を行うための制御を行う制御装置とを備える。制御装置は、熱交換器の乾燥状態を示す状態データを取得するデータ取得部と、乾燥運転時間を推論するための学習済モデルを用いて、データ取得部によって取得された状態データに基づき乾燥運転時間を出力する推論部とを備える。
本開示に係る空調システムは、空気調和機と、空気調和機と通信するサーバ装置とを備える。サーバ装置は、熱交換器の乾燥状態を示す状態データを空気調和機から取得するデータ取得部と、乾燥運転時間を推論するための学習済モデルを用いて、データ取得部によって取得された状態データに基づき乾燥運転時間を空気調和機に出力する推論部とを備える。
本開示によれば、冷房運転後に適切に乾燥運転を行うことができる。
実施の形態１に係る空気調和機の概要を説明するための図である。 実施の形態１に係る空気調和機の構成を示す図である。 強化学習の概要を説明するための図である。 強化学習の概要を説明するための図である。 実施の形態１に係る強化学習におけるＢ１（行動）、Ｂ２（状態）、Ｃ（出力）、およびＤ（報酬基準）を説明するための図である。 報酬計算の一例を説明するための図である。 学習装置の構成を示す図である。 推論装置の構成を示す図である。 実運用フェーズにおいて学習装置および推論装置が適用された空気調和機の構成を示す図である。 実運用フェーズにおいて学習装置および推論装置が適用された空気調和機の構成を示す図である。 推論装置に入力される状態データに対する前処理を説明するための図である。 実施の形態１に係る空気調和機の制御装置が実行する推論処理に関するフローチャートである。 実施の形態１に係る空気調和機の制御装置が実行する学習処理に関するフローチャートである。 実施の形態２に係る空気調和機の構成を示す図である。 熱交換器の汚染度合に対する乾燥運転モードを説明するための図である。 実施の形態２に係る空気調和機の制御装置が実行する推論処理に関するフローチャートである。 実施の形態３に係る空調システムの構成を示す図である。
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。以下では、複数の実施の形態について説明するが、各実施の形態で説明された構成を適宜組み合わせることは出願当初から予定されている。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繰り返さない。
実施の形態１．
図１～図１３を参照しながら、実施の形態１に係る空気調和機１を説明する。
＜空気調和機１の概要＞
図１は、実施の形態１に係る空気調和機１の概要を説明するための図である。空気調和機１は、室内空間から吸い込んだ空気の温度および湿度を調整し、調整済みの空気を室内空間に供給することで、室内空間における温度および湿度を調整する。
空気調和機１は、室内機２を備える。さらに、空気調和機１は、室内機２において、熱交換器１１と、ファン１２とを備える。冷房運転において、熱交換器１１は、図示しない室外機から流入した冷媒と、室内空間から吸い込まれた空気との間で熱交換を行う。熱交換器１１の熱交換によって吸熱された空気は、ファン１２によって再び室内空間へと吹き出される。これにより、空気調和機１は、室内空間を冷房することができる。なお、空気調和機１は、図示しない室外機を備えていてもよい。また、空気調和機１は、室内機２のみを指すものであってもよい。
図２は、実施の形態１に係る空気調和機１の構成を説明するための図である。図２に示されるように、空気調和機１は、湿度センサ２１と、温度センサ２２と、カメラ２３と、制御対象１０と、制御装置１００とを備える。
湿度センサ２１は、熱交換器１１付近の空気の湿度を測定し、得られた湿度データを制御装置１００に出力する。
温度センサ２２は、空気調和機１によって室内空間から吸い込まれる空気の温度を測定し、得られた温度データを制御装置１００に出力する。
カメラ２３は、熱交換器１１を撮影し、得られた撮影データを制御装置１００に出力する。
制御対象１０は、ファン１２および図示しない圧縮機などを含み、制御装置１００から出力された制御データに基づき駆動される。制御装置１００は、制御対象１０に制御データを出力することで、空気調和機１による冷房運転、暖房運転、および乾燥運転などの各種機能を実現する。
制御装置１００は、演算装置１０１と、メモリ１０２と、通信装置１０３と、入力装置１０４とを備える。
演算装置１０１は、各種のプログラムを実行することで各種の処理を実行する演算主体であり、コンピュータの一例である。演算装置１０１は、たとえば、ＣＰＵ（Central Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、およびＧＰＵ（Graphics Processing Unit）などで構成される。また、演算装置１０１は、演算回路（processing circuitry）で構成されてもよい。
メモリ１０２は、演算装置１０１が各種のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供し、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）などの揮発性メモリデバイスで構成される。さらに、メモリ１０２は、制御対象１０を制御するために必要な各種のデータを格納する記憶領域を提供し、ハードディスクまたはＳＳＤ（Solid State Drive）などの不揮発性メモリデバイスで構成される。なお、メモリ１０２は、揮発性メモリデバイスと、不揮発性メモリデバイスとで、別体で構成されてもよい。具体的には、後述するように、メモリ１０２は、学習用プログラム１６０と、学習済モデル１７０と、学習用データ１８０とを記憶する。
通信装置１０３は、有線接続または無線接続によって、空気調和機１とは別の外部の装置との間でデータの送受信を行う。
入力装置１０４は、冷房運転、暖房運転、および乾燥運転など、各種の運転を空気調和機１に実行させるためにユーザによって操作される操作部（リモコンなどのボタンまたはスイッチなど）からの入力を受け付ける。
上述した構成を備える制御装置１００は、メモリ１０２に格納されているプログラムを演算装置１０１が実行することで、制御対象１０を制御する。さらに、制御装置１００は、メモリ１０２に格納されているプログラムを演算装置１０１が実行することで、冷房運転後における熱交換器１１の乾燥状態を示す状態データに基づき乾燥運転時間を出力する。
図１に戻り、空気調和機１が冷房運転を行うと、室内機２の熱交換器１１に結露が発生し、その結果、カビおよび細菌などの物質が発生し易くなる。このような物質の発生を抑制するために、空気調和機１は、冷房運転後に熱交換器１１を乾燥させる乾燥運転を行う。
冷房運転後における熱交換器１１の結露量は、冷房運転の強弱度合および空気調和機１の室内機２が設置された室内空間の環境などに依存して変化し得る。
たとえば、冷房運転後における熱交換器１１の結露量は、冷房運転後の熱交換器１１の相対湿度に依存し得る。相対湿度は、空気中に含むことができる最大の水蒸気量（飽和水蒸気量）に対する、実際の水蒸気量の割合を表したものである。相対湿度が大きければ大きいほど、冷房運転後における熱交換器１１の結露量が大きくなる。
冷房運転後における熱交換器１１の結露量は、冷房運転が行われた時間の積算（以下、「積算時間」とも称する。）に依存し得る。積算時間が長ければ長いほど、冷房運転後における熱交換器１１の結露量が大きくなる。
冷房運転後における熱交換器１１の結露量は、冷房運転開始時における冷房の設定温度と室内温度との差（以下、「温度差」とも称する。）に依存し得る。温度差が大きければ大きいほど、冷房運転における風量などの度合などが強かったり、冷房運転時間が長くなったりする。したがって、温度差が大きければ大きいほど、冷房運転後における熱交換器１１の結露量が大きくなる。
冷房運転後における熱交換器１１の結露量は、冷房運転における風量の積算（以下、「積算風量」とも称する。）に依存し得る。積算風量が大きければ大きいほど、冷房運転後における熱交換器１１の結露量が大きくなる。
このように、冷房運転後における熱交換器１１の結露量は、冷房運転後の熱交換器１１の相対湿度と、冷房運転の積算時間と、冷房運転開始時における設定温度と室内温度との差と、冷房運転の積算風量とのうち、少なくともいずれか１つに依存して変化し得る。
しかしながら、冷房運転の強弱度合および空気調和機１が設置された室内空間の環境にかかわらずに乾燥運転時間を一定にした場合、結露を除去するには乾燥運転時間が足らなかったり、結露が除去された後でも乾燥運転が継続することで無駄に電力を消費したりといったように、乾燥運転に過不足が生じるおそれがある。また、乾燥運転が行われると、室内空間の温度および湿度が上昇し易くなるため、ユーザが不快感を覚えることもある。よって、冷房運転後の乾燥運転時間を必要最小限に抑えることが必要である。
そこで、以下で説明するように、実施の形態１に係る空気調和機１は、冷房運転後における熱交換器１１の乾燥状態を示す状態データに基づき乾燥運転時間を出力し、その乾燥運転時間に基づき乾燥運転を行うように構成されている。
制御装置１００は、冷房運転後において、湿度センサ２１から取得した湿度データに基づき熱交換器１１付近の空気の湿度を特定することで、冷房運転後の熱交換器１１の相対湿度を算出する。
制御装置１００は、冷房運転開始時において、温度センサ２２から取得した温度データに基づき室内温度を特定することで、冷房運転開始時における設定温度と室内温度との差を算出する。
制御装置１００は、冷房運転後において、カメラ２３から取得した撮影データに基づき熱交換器１１の乾燥状態を特定する。具体的には、制御装置１００は、カメラ２３から取得した撮影データに基づき、熱交換器１１が乾燥しているか否かを判定する。たとえば、制御装置１００は、撮影データを用いて画像認識を行うことによって、熱交換器１１に付着した水滴の量を判定し、水滴の量がしきい値以下であれば熱交換器１１が乾燥していると判断し、水滴の量がしきい値よりも大きければ熱交換器１１が乾燥していないと判断する。なお、画像認識には、ＣＮＮ（Convolutional Neural Network）といった畳み込みニューラルネットワークを用いた画像認識技術などが用いられ得る。
制御装置１００は、自身の制御によってファン１２などを駆動することで行った冷房運転について、その制御の履歴から冷房運転の積算時間および積算風量を算出する。
制御装置１００は、冷房運転開始時における設定温度と室内温度との差、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転の積算風量、および熱交換器１１の乾燥状態といった各種のデータ（以下、「状態データ」とも称する。）に基づき、ＡＩ（人工知能：Artificial Intelligence）によって乾燥運転時間を推論し、推論した乾燥運転時間を出力する。制御装置１００は、出力した乾燥運転時間に基づき、乾燥運転を行うための制御データを生成する。
このように、空気調和機１は、冷房運転後において、熱交換器１１の乾燥状態を示す状態データに基づき推論した乾燥運転時間に基づき乾燥運転を行う。これにより、空気調和機１は、冷房運転後の乾燥運転時間を必要最小限に抑えることができ、冷房運転後に適切に乾燥運転を行うことができる。
＜強化学習＞
上述したように、制御装置１００は、冷房運転後における熱交換器１１の乾燥状態を示す状態データに基づき乾燥運転時間を出力し、その乾燥運転時間に基づき制御対象１０を制御することで適切な乾燥運転を実現する。このような制御を実現するために、制御装置１００は、ＡＩを用いた強化学習（Reinforcement Learning)によって、制御対象１０の制御データ（乾燥運転時間）を学習する。
図３および図４は、強化学習の概要を説明するための図である。図３に示されるように、強化学習においては、ある環境内におけるエージェント（行動主体）が、現在の状態（環境のパラメータ）を観測し、方策に基づいて、取るべき行動を決定する。方策は、行動を決定するためのルールであり、方策を最適化することで、行動の選択が最適化される。エージェントの行動により環境が動的に変化し、エージェントには環境の変化に応じて報酬基準に基づく報酬が与えられる。エージェントは、このような行動を繰り返し、一連の行動を通じて報酬が最も多く得られる行動を学習する。図３においては、現在の状態がＢ２（状態）で表され、エージェントの行動がＢ１（行動）で表され、報酬基準がＤ（報酬基準）で表されている。
強化学習の代表的な手法として、Ｑ学習（Q-Learning）およびＴＤ学習（TD-Learning）が知られている。たとえば、Ｑ学習の場合、行動価値関数Ｑ（ｓ，ａ）の一般的な更新式は式（１）で表される。
Figure 0007466710000001
式（１）において、Ｓｔは時刻ｔにおける環境の状態を表し、ａｔは時刻ｔにおける行動を表す。行動ａｔにより、状態はＳｔ＋１に変わる。ｒｔ＋１はその状態の変化によってエージェントが貰える報酬を表し、γは割引率を表し、αは学習係数を表す。なお、γは０＜γ≦１、αは０＜α≦１の範囲とする。Ｂ１（行動）が行動ａｔとなり、Ｂ２（状態）が状態Ｓｔとなり、時刻ｔの状態Ｓｔにおける最良の行動ａｔが学習される。
式（１）で表される更新式は、時刻ｔ＋１における最もＱ値の高い行動ａの行動価値関数Ｑが、時刻ｔにおいて実行された行動ａの行動価値関数Ｑよりも大きければ、行動価値関数Ｑを大きくし、逆の場合は、行動価値関数Ｑを小さくする。換言すれば、時刻ｔにおける行動ａの行動価値関数Ｑを、時刻ｔ＋１における最良の行動価値に近づけるように、行動価値関数Ｑ（ｓ，ａ）を更新する。これにより、ある環境における最良の行動価値が、それ以前の環境における行動価値に順次伝播していくようになる。
図４に示されるように、学習フェーズにおいて、制御装置１００は、学習用プログラム１６０を実行することで、Ｂ１（行動）とＢ２（状態）とを含む学習用データ１８０と、Ｄ（報酬基準）とに基づき、学習済モデル１７０を生成（更新）する。
活用フェーズにおいて、制御装置１００は、学習済モデル１７０を用いて、Ｂ２（状態）からＣ（出力）を得る。
図５は、実施の形態１に係る強化学習におけるＢ１（行動）、Ｂ２（状態）、Ｃ（出力）、およびＤ（報酬基準）を説明するための図である。
図５に示されるように、実施の形態１に係る空気調和機１において、Ｂ１（行動）には、乾燥運転時間に基づき乾燥運転を行うための制御データが適用される。Ｂ２（状態）には、熱交換器１１の乾燥状態を示す状態データが適用される。上述したように、状態データは、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを含む。Ｃ（出力）には、乾燥運転時間が適用される。Ｄ（報酬基準）には、乾燥運転後における熱交換器１１の乾燥状態が適用される。
図６は、報酬計算の一例を説明するための図である。図６に示されるように、制御装置１００は、乾燥運転後における熱交換器１１の乾燥状態に基づき報酬を計算する。具体的には、制御装置１００は、乾燥運転後において、カメラ２３から取得した撮影データに基づき画像認識を行うことで、熱交換器１１の乾燥状態を特定し、熱交換器１１が乾燥しているか否かを判定する。制御装置１００は、熱交換器１１が未乾燥（結露量＞０）の場合、乾燥運転時間が足らないと判断して報酬を小さく設定する。制御装置１００は、熱交換器１１が乾燥済み（結露量＝０）の場合、乾燥運転時間が十分であると判断して報酬を大きく設定する。
なお、図６に示される報酬計算は一例であり、空気調和機１は、その他の方法で報酬を計算してもよい。たとえば、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合であっても、推論した乾燥運転時間が長すぎることも考えられる。そこで、空気調和機１は、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合において、さらに、乾燥運転に要する消費電力が上限値を超える場合は報酬を小さく設定し、乾燥運転に要する消費電力が上限値以下である場合は報酬を大きく設定してもよい。あるいは、空気調和機１は、乾燥運転中において一定時間ごとに熱交換器１１の乾燥状態を検出し、熱交換器１１が乾燥済み（結露量＝０）になってから乾燥運転時間が経過するまでの経過時間が上限値を超える場合は報酬を小さく設定し、経過時間が上限値以下である場合は報酬を大きく設定してもよい。
＜学習フェーズ＞
図７は、学習装置３０１の構成を示す図である。学習装置３０１は、制御装置１００の演算装置１０１によって実現される。学習装置３０１は、学習用プログラム記憶部３０２および学習済モデル記憶部３０３の各々とデータの受け渡しが可能である。学習用プログラム記憶部３０２および学習済モデル記憶部３０３の各々は、制御装置１００のメモリ１０２によって実現される。
図７に示されるように、学習装置３０１は、データ取得部３１０と、モデル生成部３２０とを備える。学習装置３０１は、学習用プログラム記憶部３０２によって記憶された学習用プログラム１６０を実行することで、Ｂ１（行動）とＢ２（状態）とを含む学習用データ１８０と、Ｄ（報酬基準）とに基づき、学習済モデル１７０を生成する。
データ取得部３１０は、Ｂ１（行動）とＢ２（状態）とを含む学習用データ１８０を取得する。具体的には、データ取得部３１０は、Ｂ１（行動）として、乾燥運転時間に基づき乾燥運転を行うための制御データを取得する。データ取得部３１０は、Ｂ２（状態）として、乾燥運転後における熱交換器１１の乾燥状態を示す状態データを取得する。データ取得部３１０は、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像を取得する。
モデル生成部３２０は、データ取得部３１０によって取得されたＢ１（行動）とＢ２（状態）とを含む学習用データ１８０を用いて、Ｂ２（状態）からＣ（出力）を推論する学習済モデル１７０を生成する。たとえば、モデル生成部３２０は、カメラ２３から取得した撮影画像に基づき画像認識を行うことで、熱交換器１１の乾燥状態を特定する。モデル生成部３２０は、特定した熱交換器１１の乾燥状態に基づき、学習済モデル１７０を生成する。モデル生成部３２０は、生成した学習済モデル１７０を学習済モデル記憶部３０３に記憶させる。
モデル生成部３２０は、報酬計算部３２１と、関数更新部３２２とを備える。報酬計算部３２１は、Ｄ（報酬基準）に基づき、報酬を計算する。具体的には、報酬計算部３２１は、Ｄ（報酬基準）として、乾燥運転後における熱交換器１１の乾燥状態に基づき、報酬を計算する。すなわち、報酬計算部３２１は、Ｂ１（行動）として乾燥運転を行うための制御データが出力された後、熱交換器１１が完全に乾燥したか否かを判定し、その判定結果に基づき、報酬を計算する。
関数更新部３２２は、報酬計算部３２１によって計算された報酬に基づき、乾燥運転時間を決定するための関数を更新する。たとえば、Ｑ学習の場合、関数更新部３２２は、上述した式（１）で表される行動価値関数Ｑ（Ｓｔ，ａｔ）を、乾燥運転時間を算出するための関数として用いる。
学習済モデル記憶部３０３は、関数更新部３２２によって更新された行動価値関数Ｑ（Ｓｔ，ａｔ）を、学習済モデル１７０として記憶する。
＜活用フェーズ＞
図８は、推論装置４０１の構成を示す図である。推論装置４０１は、制御装置１００の演算装置１０１によって実現される。推論装置４０１は、学習済モデル記憶部３０３とデータの受け渡しが可能である。
図８に示されるように、推論装置４０１は、データ取得部４１０と、推論部４２０とを備える。推論装置４０１は、学習済モデル１７０を用いて、Ｂ２（状態）からＣ（出力）を得る。
データ取得部４１０は、Ｂ２（状態）を取得する。具体的には、データ取得部４１０は、Ｂ２（状態）として、乾燥運転後における熱交換器１１の乾燥状態を示す状態データを取得する。より具体的には、データ取得部４１０は、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを取得する。
推論部４２０は、学習済モデル１７０を用いて、Ｂ２（状態）からＣ（出力）を得る。具体的には、推論部４２０は、学習済モデル記憶部３０３から、学習済モデル１７０を読み出す。推論部４２０は、学習済モデル１７０を利用して、データ取得部４１０によって取得されたデータに基づき、Ｃ（出力）を推論する。すなわち、推論部４２０は、学習済モデル１７０を用いて、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つに基づき、乾燥運転時間を推論し、推論した乾燥運転時間を出力する。
＜実運用フェーズ＞
図９および図１０は、実運用フェーズにおいて学習装置３０１および推論装置４０１が適用された空気調和機１の構成を示す図である。実運用フェーズにおいて、空気調和機１は、室内空間に設置された状態で、冷房運転後に乾燥運転時間を推論し、推論した乾燥運転時間に基づき乾燥運転を行う。さらに、空気調和機１は、乾燥運転後において、熱交換器１１の乾燥状態に基づき強化学習を行う。空気調和機１は、このような推論と学習とを繰り返すことで、設置された室内空間に適した乾燥運転を行うようになる。
図９および図１０に示されるように、推論装置４０１は、室内空間である環境５００から、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを取得する。
推論装置４０１は、算出部４３０を備える。算出部４３０は、データ取得部４１０によって取得された各種の状態データから、熱交換器１１の結露量に関連する値を算出する。算出部４３０は、制御装置１００の演算装置１０１によって実現される。
ここで、図１１は、推論装置４０１に入力される状態データに対する前処理を説明するための図である。図１１に示されるように、算出部４３０は、各状態データから特定される冷房運転後における熱交換器１１の乾燥状態に応じて、予め定められたポイントを算出する。なお、メモリ１０２は、図１１に示すようなポイントの算出テーブルを記憶していてもよい。
状態データに含まれる、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量の各々には、結露に対する影響度合に応じてポイントの大小に傾斜が付けられている。具体的には、結露に対しては、冷房運転後の熱交換器１１の相対湿度が最も影響し、その次に、冷房運転の積算風量が影響する。その他の状態データは、相対湿度および積算風量よりも結露に対する影響度合が低い。
たとえば、算出部４３０は、熱交換器１１の撮影画像から、熱交換器１１が湿っぽいことを特定した場合、結露量が多いと判断し、１０ポイントを計数する。算出部４３０は、熱交換器１１の撮影画像から、熱交換器１１が少し湿っぽいことを特定した場合、結露量が中程度であると判断し、５ポイントを計数する。算出部４３０は、熱交換器１１の撮影画像から、熱交換器１１が乾燥していることを特定した場合、結露量が少ないと判断し、１ポイントを計数する。
算出部４３０は、冷房運転後の熱交換器１１の相対湿度が高いことを特定した場合、結露量が多いと判断し、４０ポイントを計数する。算出部４３０は、相対湿度が中程度であることを特定した場合、結露量が中程度であると判断し、２０ポイントを計数する。算出部４３０は、相対湿度が低いことを特定した場合、結露量が少ないと判断し、１０ポイントを計数する。
算出部４３０は、冷房運転の積算時間が長いことを特定した場合、結露量が多いと判断し、１０ポイントを計数する。算出部４３０は、積算時間が中程度であることを特定した場合、結露量が中程度であると判断し、５ポイントを計数する。算出部４３０は、積算時間が短いことを特定した場合、結露量が少ないと判断し、１ポイントを計数する。
算出部４３０は、冷房運転開始時における設定温度と室内温度との温度差が大きいことを特定した場合、結露量が多いと判断し、１０ポイントを計数する。算出部４３０は、温度差が中程度であることを特定した場合、結露量が中程度であると判断し、５ポイントを計数する。算出部４３０は、温度差が小さいことを特定した場合、結露量が少ないと判断し、１ポイントを計数する。
算出部４３０は、冷房運転の積算風量が多いことを特定した場合、結露量が多いと判断し、２０ポイントを計数する。算出部４３０は、積算風量が中程度であることを特定した場合、結露量が中程度であると判断し、１０ポイントを計数する。算出部４３０は、積算風量が少ないことを特定した場合、結露量が少ないと判断し、５ポイントを計数する。
このように、算出部４３０は、推論部４２０による乾燥運転時間の推論の前処理として、入力された状態データごとに、結露量への影響度合に応じて値（ポイント）を算出する。しかも、算出部４３０は、一の状態データの中でも、その程度に応じて値（ポイント）を算出する。算出部４３０は、各状態データに基づき算出したポイントの合計を推論部４２０に入力する。
図９および図１０に戻り、推論装置４０１の推論部４２０は、学習済モデル１７０を用いて、算出部によって算出されたポイントの合計から乾燥運転時間を推論し、Ｃ（出力）として、推論した乾燥運転時間を出力する。
空気調和機１は、制御データ生成部２０１を備える。制御データ生成部２０１は、推論装置４０１から出力された乾燥運転時間に基づき乾燥運転を行うための制御データを生成し、Ｂ１（行動）として、生成した制御データを制御対象１０に出力する。制御データ生成部２０１は、制御装置１００の演算装置１０１によって実現される。
制御対象１０は、制御データに基づき駆動することで、推論装置４０１によって出力された乾燥運転時間に基づき乾燥運転を行う。たとえば、制御対象１０に含まれるファン１２は、制御データに基づき乾燥運転時間に従って駆動することで、熱交換器１１に風を当てて熱交換器１１を乾燥させる送風乾燥を行う。乾燥運転時間に基づき乾燥運転が行われることで、環境５００すなわち熱交換器１１の乾燥状態が変化する。
乾燥運転が行われた後、学習装置３０１は、Ｂ１（行動）として、乾燥運転を行うための制御データ（乾燥運転時間）を取得する。さらに、学習装置３０１は、室内空間である環境５００から、Ｂ２（状態）の状態データとして、乾燥運転後における熱交換器１１の撮影画像を取得する。
学習装置３０１は、取得した撮影画像に基づき、乾燥運転後における熱交換器１１の乾燥状態を特定し、特定した熱交換器１１の乾燥状態と、乾燥運転を行った際の制御データとに基づき、学習済モデル１７０を生成（更新）する。
具体的には、学習装置３０１は、Ｄ（報酬基準）として、乾燥運転後における熱交換器１１の乾燥状態に基づき、報酬を計算し、計算した報酬に基づき、乾燥運転時間を決定するための関数を更新する。たとえば、学習装置３０１は、乾燥運転後における熱交換器１１が未乾燥（結露量＞０）の場合は報酬を小さく設定し、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合は報酬を「大」に設定する。
学習装置３０１は、更新した関数を、学習済モデル記憶部３０３に記憶された学習済モデル１７０にフィードバックすることで、学習済モデル１７０を最適化する。これにより、次回の乾燥運転時において、推論装置４０１は、冷房運転後における熱交換器１１の乾燥状態に応じて、より最適な乾燥運転時間を推論することができる。
＜推論処理＞
図１２は、実施の形態１に係る空気調和機１の制御装置１００が実行する推論処理に関するフローチャートである。制御装置１００は、所定の開始条件が成立したことを条件に、図１２に示す推論処理を実行する。開始条件としては、冷房運転が終了したこと、ユーザが図示しない操作部（リモコンなどのボタンまたはスイッチなど）を用いて乾燥運転を行うことを空気調和機１に要求したこと、タイマによって予約された時刻に到達したこと、および前回の乾燥運転から所定期間経過したことなどが挙げられる。なお、図１２において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。
図１２に示されるように、制御装置１００は、データ取得部４１０によって、Ｂ２（状態）として、状態データを取得する（Ｓ１）。具体的には、制御装置１００は、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを取得する。
制御装置１００は、算出部４３０によって、取得した状態データから熱交換器１１の結露量に関連する値（図１１に示すポイント）を算出する（Ｓ２）。この処理により、制御装置１００は、乾燥運転時間を推論する前処理として、取得した状態データに応じたポイントを算出する。
制御装置１００は、推論部４２０によって、学習済モデル記憶部３０３に記憶された学習済モデル１７０に、算出部４３０によって算出されたポイントを入力する（Ｓ３）。
制御装置１００は、推論部４２０によって、学習済モデル１７０を用いて、乾燥運転時間を推論する（Ｓ４）。
制御装置１００は、制御データ生成部２０１によって、推論された乾燥運転時間に基づき乾燥運転を行うための制御データを生成する（Ｓ５）。
制御装置１００は、生成された制御データを制御対象１０に出力する（Ｓ６）。その後、制御装置１００は、本処理を終了する。
以上のように、実施の形態１に係る空気調和機１は、乾燥運転時間を推論するための学習済モデル１７０を用いて、熱交換器１１の乾燥状態を示す状態データから乾燥運転時間を出力する。これにより、空気調和機１は、冷房運転後の乾燥運転時間を必要最小限に抑えることができ、冷房運転後に適切に乾燥運転を行うことができる。
さらに、空気調和機１は、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量といった各種の状態データをポイント換算によって定量化する。しかも、空気調和機１は、各種の状態データに対応するポイントの大きさに、結露に対する影響度合に応じた傾斜を付けている。これにより、空気調和機１は、より正確に乾燥運転時間を推論することができる。
＜学習処理＞
図１３は、実施の形態１に係る空気調和機１の制御装置１００が実行する学習処理に関するフローチャートである。制御装置１００は、たとえば、乾燥運転が終了したことを条件に、図１３に示す学習処理を実行する。なお、図１３において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。
図１３に示されるように、制御装置１００は、データ取得部３１０によって、Ｂ１（行動）として、乾燥運転を行うための制御データ（乾燥運転時間）を取得する（Ｓ１１）。
制御装置１００は、データ取得部３１０によって、Ｂ２（状態）として、乾燥運転後における熱交換器１１の撮影画像を取得する（Ｓ１２）。さらに、制御装置１００は、取得した撮影画像に基づき、乾燥運転後における熱交換器１１の乾燥状態を特定する（Ｓ１３）。
制御装置１００は、モデル生成部３２０によって、熱交換器１１が完全に乾燥したか否かを判定する（Ｓ１４）。
制御装置１００は、乾燥運転後における熱交換器１１が未乾燥（結露量＞０）の場合（Ｓ１４でＮＯ）、報酬を小さく設定し（Ｓ１５）、その決められた報酬に基づき、学習済モデル記憶部３０３に記憶された式（１）で表される行動価値関数Ｑ（Ｓｔ，ａｔ）を更新することで、学習済モデル１７０を更新する（Ｓ１６）。その後、制御装置１００は、本処理を終了する。
制御装置１００は、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合（Ｓ１４でＹＥＳ）、報酬を大きく設定し（Ｓ１７）、その決められた報酬に基づき、学習済モデル記憶部３０３に記憶された式（１）で表される行動価値関数Ｑ（Ｓｔ，ａｔ）を更新することで、学習済モデル１７０を更新する（Ｓ１６）。その後、制御装置１００は、本処理を終了する。
以上のように、実施の形態１に係る空気調和機１は、乾燥運転後における熱交換器１１の乾燥状態を示す状態データに基づき、学習済モデル１７０を最適化する。これにより、空気調和機１は、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
実施の形態２．
図１４～図１６を参照しながら、実施の形態２に係る空気調和機１Ａについて説明する。なお、以下では、実施の形態２に係る空気調和機１Ａについて、実施の形態１に係る空気調和機１と異なる部分のみを説明する。
図１４は、実施の形態２に係る空気調和機１Ａの構成を示す図である。実施の形態１に係る空気調和機１では、制御装置１００は、推論した乾燥運転時間に従って乾燥を行う際、単に熱交換器１１に風を当てて熱交換器１１を乾燥させる送風乾燥を行うものであったが、実施の形態２に係る空気調和機１Ａでは、制御装置１００Ａは、冷房運転後の熱交換器１１の汚染度合に基づき送風乾燥運転または暖房乾燥運転を行う。送風乾燥運転は、熱交換器１１に風を当てることで熱交換器１１を乾燥させる乾燥運転である。暖房乾燥運転は、送風に加えて暖房を付加することで、送風乾燥運転よりも熱交換器１１を乾燥させ易くする乾燥運転である。
具体的には、図１４に示されるように、実施の形態２に係る制御データ生成部２０１Ａ（演算装置１０１Ａ）は、乾燥運転を行うための制御データを生成し、Ｂ１（行動）として、生成した制御データを制御対象１０に出力する。このとき、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に加えて、冷房運転後における熱交換器１１の状態が映し出された撮影画像を取得する。制御データ生成部２０１Ａは、取得した撮影画像に基づき冷房運転後における熱交換器１１の汚染度合を特定する。制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間と、特定した熱交換器１１の汚染度合とに基づき、乾燥運転として送風乾燥運転または暖房乾燥運転を行うための制御データを生成する。
図１５は、熱交換器１１の汚染度合に対する乾燥運転モードを説明するための図である。図１５に示されるように、制御データ生成部２０１Ａは、熱交換器１１がカビなどで汚れていない場合、乾燥運転モードとして、送風乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って送風乾燥運転を行う。
制御データ生成部２０１Ａは、熱交換器１１がカビなどで汚れている場合、その汚染度合に応じて段階的に強弱が付けられた暖房機能を追加する。具体的には、制御データ生成部２０１Ａは、熱交換器１１の汚染度合が小さい場合、乾燥運転モードとして、弱暖房乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って弱暖房乾燥運転を行う。
制御データ生成部２０１Ａは、熱交換器１１の汚染度合が中程度の場合、乾燥運転モードとして、中暖房乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って中暖房乾燥運転を行う。
制御データ生成部２０１Ａは、熱交換器１１の汚染度合が大きい場合、乾燥運転モードとして、強暖房乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って強暖房乾燥運転を行う。
図１６は、実施の形態２に係る空気調和機１Ａの制御装置１００Ａが実行する推論処理に関するフローチャートである。なお、図１６において、図１２に示す実施の形態１に係る制御装置１００が実行する推論処理と同様の内容の処理については同じ符号を付し、その詳細な説明を省略する。
図１６に示されるように、制御装置１００Ａは、Ｓ４の処理において乾燥運転時間を推論した後、冷房運転後における熱交換器１１の状態が映し出された撮影画像を取得する（Ｓ２１）。制御装置１００Ａは、取得した撮影画像に基づき冷房運転後における熱交換器１１の汚染度合を特定する（Ｓ２２）。
制御装置１００Ａは、推論した乾燥運転時間と、特定した熱交換器１１の汚染度合とに基づき、乾燥運転として送風乾燥運転または暖房乾燥運転を行うための制御データを生成する（Ｓ２３）。
その後、制御装置１００Ａは、生成した制御データを制御対象１０に出力し（Ｓ６）、本処理を終了する。
以上のように、実施の形態２に係る空気調和機１Ａは、冷房運転後における熱交換器１１の汚染度合に基づき送風乾燥運転または暖房乾燥運転を行う。これにより、空気調和機１Ａは、必要最小限の乾燥運転時間で乾燥運転を行うことで、熱交換器１１に発生した結露を除去することに加えて、必要に応じて暖房機能を追加することで、カビおよび細菌などの物質の発生を抑制することもできる。
実施の形態３．
図１７を参照しながら、実施の形態３に係る空調システム１０００について説明する。図１７は、実施の形態３に係る空調システム１０００の構成を示す図である。
図１７に示されるように、実施の形態３に係る空調システム１０００は、制御装置１００Ｂを備える空気調和機１Ｂと、空気調和機１Ｂと通信するサーバ装置７００とを備える。空気調和機１Ｂは、実施の形態１に係る空気調和機１と基本的には同様の機能を有するが、以下の点において異なる機能を有する。
具体的には、実施の形態１に係る空気調和機１は、制御装置１００が学習装置３０１と推論装置４０１とを備えていたが、実施の形態１に係る空気調和機１Ｂは、学習装置３０１と推論装置４０１とを備えていない。その代わり、空気調和機１Ｂと通信するサーバ装置７００が、学習装置３０１Ｂと推論装置４０１Ｂとを備えている。学習装置３０１Ｂは、学習装置３０１と同様の機能を有する。推論装置４０１Ｂは、推論装置４０１と同様の機能を有する。
最初に、空調システム１０００が実行する推論処理について説明する。空気調和機１Ｂの制御装置１００Ｂは、冷房運転後において、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを示すデータをサーバ装置７００に送信する。
サーバ装置７００は、推論装置４０１Ｂによって、取得した状態データから熱交換器１１の結露量に関連する値（図１１に示すポイント）を算出する。サーバ装置７００は、推論装置４０１Ｂによって、予め記憶していた学習済モデル１７０に、算出したポイントを入力する。
サーバ装置７００は、推論装置４０１Ｂによって、学習済モデル１７０を用いて、乾燥運転時間を推論し、推論した乾燥運転時間を示すデータを空気調和機１Ｂの制御装置１００Ｂに送信する。
空気調和機１Ｂの制御装置１００Ｂは、取得した乾燥運転時間に基づき乾燥運転を行うための制御データを生成する。
以上のように、実施の形態３に係る空調システム１０００は、乾燥運転時間を推論するための学習済モデル１７０を用いて、熱交換器１１の乾燥状態を示す状態データから乾燥運転時間を出力する。これにより、空調システム１０００は、冷房運転後の乾燥運転時間を必要最小限に抑えることができ、冷房運転後に適切に乾燥運転を行うことができる。
次に、空調システム１０００が実行する学習処理について説明する。空気調和機１Ｂの制御装置１００Ｂは、乾燥運転後において、Ｂ１（行動）として、乾燥運転を行うための制御データ（乾燥運転時間）をサーバ装置７００に送信する。さらに、空気調和機１Ｂの制御装置１００Ｂは、乾燥運転後において、Ｂ２（状態）として、乾燥運転後における熱交換器１１の撮影画像を示すデータをサーバ装置７００に送信する。
サーバ装置７００は、学習装置３０１Ｂによって、取得した撮影画像に基づき、乾燥運転後における熱交換器１１の乾燥状態を特定する。サーバ装置７００は、学習装置３０１Ｂによって、熱交換器１１が完全に乾燥したか否かを判定する。
サーバ装置７００は、学習装置３０１Ｂによって、乾燥運転後における熱交換器１１が未乾燥（結露量＞０）の場合、報酬を小さく設定し、その決められた報酬に基づき、予め記憶していた学習済モデル１７０を更新する。
サーバ装置７００は、学習装置３０１Ｂによって、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合、報酬を大きく設定し、その決められた報酬に基づき、予め記憶していた学習済モデル１７０を更新する。
以上のように、実施の形態３に係る空調システム１０００は、乾燥運転後における熱交換器１１の乾燥状態を示す状態データに基づき、学習済モデル１７０を最適化する。これにより、空調システム１０００は、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
（まとめ）
本開示は、空気調和機１に関する。空気調和機１は、熱交換器１１と、制御装置１００とを備える。制御装置１００は、熱交換器１１の乾燥状態を示す状態データを取得するデータ取得部４１０と、乾燥運転時間を推論するための学習済モデル１７０を用いて、データ取得部４１０によって取得された状態データに基づき乾燥運転時間を出力する推論部４２０とを備える。
これにより、空気調和機１は、冷房運転後の乾燥運転時間を必要最小限に抑えることができるため、乾燥運転時間に過不足を生じさせること極力防止し、乾燥運転によってユーザに不快感を与えることを極力防止することができる。したがって、空気調和機１は、冷房運転後に適切に乾燥運転を行うことができる。
好ましくは、制御装置１００は、学習済モデルを生成するモデル生成部３２０をさらに備える。モデル生成部３２０は、乾燥運転時間にわたる乾燥運転後の熱交換器１１の乾燥状態に基づき報酬を計算する報酬計算部３２１と、乾燥運転時間を推論するための関数を報酬に基づき更新する関数更新部３２２とを備える。
これにより、空気調和機１は、乾燥運転時間にわたる乾燥運転後の熱交換器１１の乾燥状態に基づき、強化学習によって学習済モデル１７０を最適化することができ、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
好ましくは、状態データは、冷房運転後の熱交換器１１の撮影画像と、冷房運転後の熱交換器１１の相対湿度と、冷房運転の積算時間と、冷房運転開始時における設定温度と室内温度との差と、冷房運転の積算風量とのうち、少なくともいずれか１つを含む。
これにより、空気調和機１は、熱交換器の乾燥状態を示す各種の状態データを用いて、より最適な乾燥運転時間を推論することができる。
好ましくは、制御装置１００は、データ取得部４１０によって取得された状態データから、熱交換器１１の結露量に関連する値を算出する算出部４３０をさらに備える。推論部４２０は、学習済モデル１７０を用いて、算出部４３０によって算出された値から乾燥運転時間を出力する。
これにより、空気調和機１は、各種の状態データをポイント換算によって定量化することで、より正確に乾燥運転時間を推論することができるとともに、より適切に強化学習を行うことができる。
好ましくは、制御装置１００は、推論部４２０によって出力された乾燥運転時間に基づき乾燥運転を行うための制御データを生成する制御データ生成部２０１をさらに備える。
これにより、空気調和機１は、推論した乾燥運転時間に基づき乾燥運転を行うことができる。
好ましくは、制御データ生成部２０１は、冷房運転後の熱交換器１１の汚染度合にさらに基づき制御データを生成する。
これにより、空気調和機１Ａは、乾燥運転によってカビおよび細菌などの物質の発生を抑制することができる。
好ましくは、制御データ生成部２０１は、汚染度合に基づき、乾燥運転として送風乾燥運転または暖房乾燥運転を行うための制御データを生成する。
これにより、空気調和機１Ａは、必要に応じて乾燥運転に暖房機能を追加することで、カビおよび細菌などの物質の発生を抑制することができる。
本開示は、空調システム１０００に関する。空調システム１０００は、空気調和機１Ｂと、空気調和機１Ｂと通信するサーバ装置７００とを備える。サーバ装置７００は、熱交換器１１の乾燥状態を示す状態データを空気調和機１Ｂから取得するデータ取得部４１０と、乾燥運転時間を推論するための学習済モデル１７０を用いて、データ取得部４１０によって取得された状態データに基づき乾燥運転時間を空気調和機１Ｂに出力する推論部４２０とを備える。
これにより、空調システム１０００は、冷房運転後の乾燥運転時間を必要最小限に抑えることができるため、乾燥運転時間に過不足を生じさせること極力防止し、乾燥運転によってユーザに不快感を与えることを極力防止することができる。したがって、空調システム１０００は、冷房運転後に適切に乾燥運転を行うことができる。
好ましくは、サーバ装置７００は、学習済モデル１７０を生成するモデル生成部３２０をさらに備える。モデル生成部３２０は、乾燥運転後の熱交換器１１の乾燥状態に基づき報酬を計算する報酬計算部３２１と、乾燥運転時間を推論するための関数を報酬に基づき更新する関数更新部３２２とを備える。
これにより、空調システム１０００は、乾燥運転時間にわたる乾燥運転後の熱交換器１１の乾燥状態に基づき、強化学習によって学習済モデル１７０を最適化することができ、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
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、上記した実施の形態の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。
１，１Ａ，１Ｂ 空気調和機、２ 室内機、１０ 制御対象、１１ 熱交換器、１２ ファン、２１ 湿度センサ、２２ 温度センサ、２３ カメラ、１００，１００Ａ，１００Ｂ 制御装置、１０１，１０１Ａ 演算装置、１０２ メモリ、１０３ 通信装置、１０４ 入力装置、１６０ 学習用プログラム、１７０ 学習済モデル、１８０ 学習用データ、２０１，２０１Ａ 制御データ生成部、３０１，３０１Ｂ 学習装置、３０２ 学習用プログラム記憶部、３０３ 学習済モデル記憶部、３１０，４１０ データ取得部、３２０ モデル生成部、３２１ 報酬計算部、３２２ 関数更新部、４０１，４０１Ｂ 推論装置、４２０ 推論部、４３０ 算出部、５００ 環境、７００ サーバ装置、１０００ 空調システム。

Claims (5)

  1. 冷房運転後に熱交換器を乾燥させる乾燥運転を行う空気調和機であって、
    前記熱交換器と、
    前記乾燥運転を行うための制御を行う制御装置とを備え、
    前記制御装置は、
    前記熱交換器の乾燥状態を示す状態データを取得するデータ取得部と、
    乾燥運転時間を推論するための学習済モデルを用いて、前記データ取得部によって取得された前記状態データに基づき前記乾燥運転時間を出力する推論部と、
    前記学習済モデルを生成するモデル生成部と、
    前記推論部によって出力された前記乾燥運転時間に基づき前記乾燥運転を行うための制御データを生成する制御データ生成部とを備え、
    前記モデル生成部は、前記推論部によって出力された前記乾燥運転時間にわたる前記乾燥運転後の前記熱交換器の前記乾燥状態に基づき報酬を計算する報酬計算部と、
    前記乾燥運転時間を推論するための関数を前記報酬に基づき更新する関数更新部とを備え、
    前記制御データ生成部は、前記冷房運転後の前記熱交換器の汚染度合にさらに基づき前記制御データを生成する、空気調和機。
  2. 前記状態データは、前記冷房運転後の前記熱交換器の撮影画像と、前記冷房運転後の前記熱交換器の相対湿度と、前記冷房運転の積算時間と、前記冷房運転開始時における設定温度と室内温度との差と、前記冷房運転の積算風量とのうち、少なくともいずれか１つを含む、請求項１に記載の空気調和機。
  3. 前記制御装置は、前記データ取得部によって取得された前記状態データから、前記熱交換器の結露量に関連する値を算出する算出部をさらに備え、
    前記推論部は、前記学習済モデルを用いて、前記算出部によって算出された前記値から前記乾燥運転時間を出力する、請求項１に記載の空気調和機。
  4. 前記制御データ生成部は、前記汚染度合に基づき、前記乾燥運転として送風乾燥運転または暖房乾燥運転を行うための前記制御データを生成する、請求項１に記載の空気調和機。
  5. 冷房運転後に空気調和機の熱交換器を乾燥させる乾燥運転を行う空調システムであって、
    前記空気調和機と、
    前記空気調和機と通信するサーバ装置とを備え、
    前記サーバ装置は、
    前記熱交換器の乾燥状態を示す状態データを前記空気調和機から取得するデータ取得部と、
    乾燥運転時間を推論するための学習済モデルを用いて、前記データ取得部によって取得された前記状態データに基づき前記乾燥運転時間を前記空気調和機に出力する推論部と、
    前記学習済モデルを生成するモデル生成部と、
    前記推論部によって出力された前記乾燥運転時間に基づき前記乾燥運転を行うための制御データを生成する制御データ生成部とを備え、
    前記モデル生成部は、前記推論部によって出力された前記乾燥運転時間にわたる前記乾燥運転後の前記熱交換器の前記乾燥状態に基づき報酬を計算する報酬計算部と、
    前記乾燥運転時間を推論するための関数を前記報酬に基づき更新する関数更新部とを備え、
    前記制御データ生成部は、前記冷房運転後の前記熱交換器の汚染度合にさらに基づき前記制御データを生成する、空調システム。
JP2022576900A 2021-01-22 2021-01-22 空気調和機および空調システム Active JP7466710B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002235 WO2022157927A1 (ja) 2021-01-22 2021-01-22 空気調和機および空調システム

Publications (3)

Publication Number Publication Date
JPWO2022157927A1 JPWO2022157927A1 (ja) 2022-07-28
JPWO2022157927A5 JPWO2022157927A5 (ja) 2023-03-27
JP7466710B2 true JP7466710B2 (ja) 2024-04-12

Family

ID=82549577

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022576900A Active JP7466710B2 (ja) 2021-01-22 2021-01-22 空気調和機および空調システム

Country Status (2)

Country Link
JP (1) JP7466710B2 (ja)
WO (1) WO2022157927A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007139352A (ja) 2005-11-21 2007-06-07 Matsushita Electric Ind Co Ltd 空気調和機
JP2018123989A (ja) 2017-01-30 2018-08-09 パナソニックＩｐマネジメント株式会社 温熱快適装置及び制御内容決定方法
JP2020183817A (ja) 2019-04-26 2020-11-12 ダイキン工業株式会社 台数制御装置、台数制御方法、台数制御プログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000280898A (ja) * 1999-03-31 2000-10-10 Mitsubishi Electric Corp 車両用空気調和装置の制御方法
JP5511717B2 (ja) * 2011-03-14 2014-06-04 三菱電機株式会社 空気調和機
JP6843555B2 (ja) * 2016-08-26 2021-03-17 シャープ株式会社 空気調和機、空気調和機の内部乾燥方法、および、空気調和機の制御プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007139352A (ja) 2005-11-21 2007-06-07 Matsushita Electric Ind Co Ltd 空気調和機
JP2018123989A (ja) 2017-01-30 2018-08-09 パナソニックＩｐマネジメント株式会社 温熱快適装置及び制御内容決定方法
JP2020183817A (ja) 2019-04-26 2020-11-12 ダイキン工業株式会社 台数制御装置、台数制御方法、台数制御プログラム

Also Published As

Publication number Publication date
WO2022157927A1 (ja) 2022-07-28
JPWO2022157927A1 (ja) 2022-07-28

Similar Documents

Publication Publication Date Title
US10108154B2 (en) Influence learning for managing physical conditions of an environmentally controlled space by utilizing a calibration override which constrains an actuator to a trajectory
JP3165402B2 (ja) 空調制御装置、空調システム、不快度合算出装置及び記録媒体
CN112963946B (zh) 一种面向共享办公区域的暖通空调系统控制方法及装置
WO2020184454A1 (ja) 空調制御システム、及び、空調制御方法
CN111706969A (zh) 空调除湿的控制方法、装置及空调器
CN113272537B (zh) 用于车辆马达的热控制
JP7006859B2 (ja) 空調制御装置、空調システム、空調制御方法、空調制御プログラム
WO2020179686A1 (ja) 設備機器の制御システム
KR100894131B1 (ko) 실내 환경제어 시스템 및 방법
JP2022509162A (ja) 空気調和機器の制御方法、制御装置及び空気調和機器
JP7466710B2 (ja) 空気調和機および空調システム
WO2019176546A1 (ja) 空調制御装置、空調システム、空調制御方法及びプログラム
JP5737173B2 (ja) 温度および湿度の調整を行う空調システム
CN110285537A (zh) 空调器的控制方法、空调器及存储介质
CN108006911B (zh) 加湿控制方法、系统、空调器、计算设备以及存储介质
WO2024021721A1 (zh) 多联机空调的控制方法、多联机空调以及存储介质
WO2022059137A1 (ja) 空調システム、学習装置、および推論装置
CN116241991A (zh) 一种基于深度强化学习中央空调控制方法及系统
CN114526538A (zh) 空调器及其控制方法和计算机可读存储介质
CN112032973B (zh) 蓄热指令的下发控制方法
WO2022244061A1 (ja) 情報処理装置および空調システム
CN115280077B (zh) 空调控制的学习装置以及推理装置
WO2021250770A1 (ja) 空気調和装置の制御のための学習装置および推論装置
JP2011185559A (ja) 空気調和装置および空気調和装置の制御方法
KR20180068025A (ko) 공조 제어 시스템

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230110

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230110

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240130

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240219

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: 20240305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240402

R150 Certificate of patent or registration of utility model

Ref document number: 7466710

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150