JP7518409B2 - 予測システム、予測方法、及びプログラム - Google Patents
予測システム、予測方法、及びプログラム Download PDFInfo
- Publication number
- JP7518409B2 JP7518409B2 JP2022136193A JP2022136193A JP7518409B2 JP 7518409 B2 JP7518409 B2 JP 7518409B2 JP 2022136193 A JP2022136193 A JP 2022136193A JP 2022136193 A JP2022136193 A JP 2022136193A JP 7518409 B2 JP7518409 B2 JP 7518409B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- drain pump
- control unit
- air conditioner
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims description 44
- 230000005856 abnormality Effects 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 68
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 230000001186 cumulative effect Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000001704 evaporation Methods 0.000 description 7
- 230000008020 evaporation Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000005494 condensation Effects 0.000 description 4
- 238000009833 condensation Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Description
本開示は、予測システム、予測方法、及びプログラムに関する。
ドレンポンプを備えた空調機(空気調和機)において、ドレンポンプの汚れ具合を判定する技術が知られている。例えば、ドレンポンプの電流値又は回転数を検出し、ドレンポンプの電流値が所定値以上、又はドレンポンプの回転数が所定値以下となった場合、ドレンポンプの汚れをメンテナンスが必要なレベルと判断する技術が知られている(例えば、特許文献1参照)。
しかし、ドレンポンプの電流値(又は回転数)は、ドレンポンプごとのばらつきが大きいため、従来技術のように、電流値(又は回転数)の瞬間値で異常を判断するだけでは、誤検知が発生し易いという問題がある。
本開示は、空調機が備えるドレンポンプの異常を、より高い精度で予測できるようにする。
本開示の第1の態様に係る予測システムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、前記制御部は、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。
本開示の第1の態様によれば、空調機が備えるドレンポンプの異常を、より高い精度で予測できるようになる。
本開示の第2の態様は、第1の態様に記載の予測システムであって、前記制御部は、前記所定期間の前記データの代表値に基づいて、前記予測結果を出力する。
本開示の第3の態様は、第1の態様又は第2の態様に記載の予測システムであって、前記制御部は、第1の所定期間の前記データと、前記第1の所定期間より短い第2の所定期間の前記データの平均値に基づいて、前記ドレンポンプの異常を予測する。
本開示の第4の態様は、第3の態様に記載の予測システムであって、前記制御部は、前記第1の所定期間の前記データの平均値と、前記第2の所定期間の前記データの平均値との乖離がしきい値を超えた場合、前記ドレンポンプの異常を予測する前記予測結果を出力する。
本開示の第5の態様は、第1の態様乃至第4の態様のいずれかに記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データにさらに基づいて、前記ドレンポンプの異常を予測する。これにより、予測システムは、より高い精度で、ドレンポンプの異常を予測することができる。
本開示の第6の態様は、第1の態様乃至第5の態様のいずれかに記載の予測システムであって、前記制御部は、前記空調機又は前記ドレンポンプが動作していない場合、前記空調機又は前記ドレンポンプが動作していない期間の前記データに代えて、当該期間より以前の前記データを用いて、前記ドレンポンプの異常を予測する。これにより、予測システムは、より高い精度で、ドレンポンプの異常を予測することができる。
本開示の第7の態様は、第6の態様に記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データに基づいて、前記ドレンポンプが動作していない期間を判断する。
本開示の第8の態様は、第1の態様乃至第5の態様のいずれかに記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データから、ドレン水が発生しているか否かを判断し、ドレン水が発生していない期間の前記ドレンポンプの回転数、又は前記ドレンポンプの電流値の前記データを除外して、前記ドレンポンプの異常を予測する。
本開示の第9の態様は、第8の態様に記載の予測システムであって、前記制御部は、前記空調機が所定のモードで運転しているか否かを示す情報をさらに用いて、前記ドレン水が発生しているか否かを判断する。
本開示の第10の態様は、第1の態様乃至第9の態様のいずれかに記載の予測システムであって、前記予測システムは、前記空調機から前記データを収集するエッジデバイスを有し、前記制御部は、前記空調機、又は前記エッジデバイスで平均化された前記データを取得する。
本開示の第11の態様は、第1の態様に記載の予測システムであって、前記制御部は、前記ドレンポンプの正常時の前記データと、前記ドレンポンプの異常時の前記データとを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する。
本開示の第12の態様は、第1の態様に記載の予測システムであって、前記ドレンポンプの正常時の前記データを表す画像と、前記ドレンポンプの異常時の前記データを表す画像とを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する。
本開示の第13の態様に係る予測方法は、ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、前記制御部が、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。
本開示の第14の態様に係るプログラムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、コンピュータに、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得する処理と、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する処理と、を実行させる。
本開示の他の態様は、第14の態様に係るプログラムを記録した記録媒体によって実現される。
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略する。
<システム構成>
図1は、一実施形態に係る予測システムのシステム構成の例を示す図である。予測システム1は、ドレンポンプ11を備える空調機(空気調和機)10と、制御部101とを有する。予測システム1は、制御部101が、ドレンポンプ11の回転数(又は電流値)のデータを取得し、所定の期間のデータの変化に基づいて、ドレンポンプの異常を予測するシステムである。
図1は、一実施形態に係る予測システムのシステム構成の例を示す図である。予測システム1は、ドレンポンプ11を備える空調機(空気調和機)10と、制御部101とを有する。予測システム1は、制御部101が、ドレンポンプ11の回転数(又は電流値)のデータを取得し、所定の期間のデータの変化に基づいて、ドレンポンプの異常を予測するシステムである。
図1の例では、予測システム1は、所定の通信インタフェースで空調機10と通信可能に接続され、空調機10を制御するローカルコントローラ20を有する。また、予測システム1は、制御部101を備え、例えば、インターネット、又はLAN(Local Area Network)等の通信ネットワーク2を介して、ローカルコントローラ20と通信可能な予測サーバ100を有する。
なお、図1に示した、予測システム1のシステム構成は一例である。例えば、制御部101は、ローカルコントローラ20が備えていてもよい。また、予測サーバ100は、複数の情報処理装置によって構成されるものであってもよい。ここでは、一例として、予測サーバ100が制御部101を有しているものとして、以下の説明を行う。
空調機10は、例えば、冷房運転時に、空調機10が備える熱交換器で結露水(ドレン)が発生し、発生した結露水は、ドレンパンと呼ばれる受け皿に溜まるように構成されている。
ドレンポンプ11は、ドレンパンに溜まった結露水を吸い上げて、ドレンホースを介して、外部に排出するポンプである。このドレンポンプに異常が発生すると、空調機10の内部に結露水が溜まり、溜まった結露水の量が許容範囲を超えると、空調機10は異常(ドレンポンプ故障)を検知して運転を停止する。
このドレンポンプ故障が発生してしまうと、ユーザが冷房運転できないので、予測システム1は、ドレンポンプ11が完全に詰まる前に、例えば、サービス担当者等が、現場で対応できるように、ドレンポンプの異常を事前に予測する予測結果を出力する。
ローカルコントローラ20は、例えば、コンピュータの構成を備え、記録媒体に記録(記憶)した所定のプログラムを実行することにより、空調機10を制御する。また、本実施形態に係るローカルコントローラ20は、空調機10が定期的(例えば1分ごと)に測定する、ドレンポンプ11の回転数、又はドレンポンプ11の電流値を含む測定データを、所定の時間ごと(例えば、1時間ごと)に取得する機能を有している。さらに、ローカルコントローラ20は、空調機10から取得した測定データ(第1の測定データ)を所定の時間ごと平均した測定データ(第2の測定データ)を、通信ネットワーク2を介して、予測サーバ100に送信する機能を有している。なお、ローカルコントローラ20は、エッジデバイスの一例である。
別の一例として、空調機10が、所定の時間ごとに測定データを平均化し、ローカルコントローラ20は、空調機10から、平均化され測定データを取得するものであってもよい。この場合、ローカルコントローラ20が空調機10から取得する第1の測定データと、ローカルコントローラ20が予測サーバ100に送信する第2の測定データは、同じデータであってよい。
予測サーバ100は、コンピュータの構成を備え、記録媒体に記録(記憶)した所定のプログラムを実行することにより、ドレンポンプ11の異常を予測する予測処理を実行する。
(予測処理の概要)
図2、3は、一実施形態に係る予測処理の概要について説明するための図である。図2に示すグラフ200の横軸は、測定を開始した時点からの経過日数を表し、縦軸は、ドレンポンプ11の回転数を表している。また、グラフ200には、ドレンポンプ11の回転数の測定データ(生データ)201と、測定データ201の積み重ね平均202と、測定データ201の3日移動平均203と、をプロットしている。
図2、3は、一実施形態に係る予測処理の概要について説明するための図である。図2に示すグラフ200の横軸は、測定を開始した時点からの経過日数を表し、縦軸は、ドレンポンプ11の回転数を表している。また、グラフ200には、ドレンポンプ11の回転数の測定データ(生データ)201と、測定データ201の積み重ね平均202と、測定データ201の3日移動平均203と、をプロットしている。
ドレンポンプの回転数は、例えば、パルス数を測定し、測定したパルス数から回転数を求めることができる。この場合、例えば、1パルスが24rpmであれば、回転数は24rpm間隔で測定される。また、回転数の測定データ201には、例えば、図2に示すように、±48rpm(±2パルス)の測定ばらつき204が含まれる。
このように、ドレンポンプ11の回転数の測定データ201は、ばらつきが大きく、また、ドレンポンプ11ごとのばらつき(個体差)もあるため、従来技術のように、回転数の瞬間値で異常を判断するだけでは、誤検知が発生し易いという問題がある。
そこで、本実施形態に係る制御部101は、例えば、ローカルコントローラ20が、1時間ごとに送信する測定データ201を、記憶部に記憶(蓄積)する。ここで、測定データ201を記憶する記憶部は、例えば、予測サーバ100が備えるストレージデバイスであってもよいし、予測サーバ100の外部のストレージサーバ等であってもよい。
また、制御部101は、記憶部に記憶した測定データ201の積み重ね平均202と、測定データ201の3日移動平均203とを求める。ここで、3日移動平均203は、直近の3日間の測定データ201の平均値(移動平均)である。なお、3日間は、ドレンポンプ11の異常の予測に用いる所定期間(第2の所定期間)の一例である。第2の所定期間は、3日以外の他の日数(例えば、1~5日程度)であってもよい。
また、積み重ね平均202は、例えば、第2の所定期間より十分に長い第1の所定期間の測定データ201の平均値である。積み重ね平均202は、例えば、直近の30日間の測定データ201の平均値(移動平均値)であってもよいし、測定を開始した時点からの累積移動平均値等であってもよい。ここでは、積み重ね平均202が、30日間の測定データ201の平均値であるものとして、以下の説明を行う。
ドレンポンプ11に詰まり傾向があると、図2に示すように、ドレンポンプの回転数が徐々に低下し、3日間の移動平均203の値がなだらかに低下する。一方、積み重ね平均202は、3日間より十分に長い期間の平均値なので、3日間の移動平均203より値の変化が少ない。
そこで、本実施形態に係る制御部101は、積み重ね平均202(第1の所定期間のデータの平均値)と、3日移動平均203(第1の所定期間より短い第2の所定期間のデータの平均値)に基づいて、ドレンポンプ11の異常を予測する予測結果を出力する。例えば、制御部101は、積み重ね平均202(第1の所定期間のデータの平均値)と、3日移動平均203(第2の所定期間のデータの平均値)との乖離がしきい値を超えた場合、ドレンポンプ11の異常を予測する予測結果を出力する。
具体的な一例として、制御部101は、図3に示すように、3日移動平均203と積み重ね平均202との差301を算出し、算出した差301がしきい値302を超えたときに、ドレンポンプ11の異常を予測する予測結果を出力する。ここで、しきい値302は、例えば、ドレンポンプ11に異常が発生する何日前に予測結果を出力するか等により、予め決定しておく。
上記の処理により、本実施形態に係る予測システム1によれば、空調機10が備えるドレンポンプ11の異常を、より高い精度を予測することができる。
なお、上記の説明では、測定データ201として、ドレンポンプ11の回転数(ドレンポンプが備えるモータの回転数)を用いたが、測定データ201は、ドレンポンプ11の電流値(ドレンポンプ11に流れる電流値)であってもよい。
なお、ドレンポンプ11が詰まり傾向がある場合、ドレンポンプ11の回転数は低下し、ドレンポンプ11の電流値は上昇する。いずれの場合でも、制御部101は、測定データ201の3日移動平均203と、測定データ201の積み重ね平均202との乖離が、しきい値を超えたときに、ドレンポンプ11の異常を予測する予測結果を出力すればよい。
なお、ドレンポンプ11の異常を予測する予測結果は、例えば、空調機10、又はローカルコントローラ20に通知して、所定の表示を行わせるものであってもよいし、空調機10を管理する管理者等に通知を行うものであってもよい。また、予測結果は、例えば、「ドレンポンプが汚れていますので点検してください。」といったメッセージであってもよいし、ドレンポンプ11に異常が発生するまでの期間を示す情報等であってもよい。
<ハードウェア構成>
予測サーバ100、及びローカルコントローラ20は、例えば、図4に示すような、コンピュータ400のハードウェア構成を有している。なお、予測サーバ100は、複数のコンピュータ400によって構成されるものであってもよい。
予測サーバ100、及びローカルコントローラ20は、例えば、図4に示すような、コンピュータ400のハードウェア構成を有している。なお、予測サーバ100は、複数のコンピュータ400によって構成されるものであってもよい。
図4は、一実施形態に係るコンピュータのハードウェア構成の例を示す図である。コンピュータ400は、例えば、制御部101、メモリ401、ストレージデバイス402、通信装置403、表示装置404、入力装置405、ドライブ装置406、及びバス408等を有する。
制御部101は、例えば、ストレージデバイス402、又はメモリ401等の記憶媒体(記録媒体)に記憶した所定のプログラムを実行することにより、様々な機能を実現するCPU(Central Processing Unit)等のプロセッサである。なお、制御部101は、CPU以外にも、GPU(Graphics Processing Unit)、又はDSP(Digital Signal Processor)等のプロセッサを含んでいてもよい。また、制御部101は、例えば、ASIC(Application Specific Integrated Circuit)、又はFPGA(Field Programmable Gate Array)等のデバイスであってもよい。
メモリ401は、例えば、制御部101のワークエリア等として用いられる揮発性のメモリであるRAM(Random Access Memory)、及び制御部101の起動用のプログラム等を記憶する不揮発性のメモリであるROM(Read Only Memory)等を含む。ストレージデバイス402は、OS(Operating System)、アプリケーション等のプログラム、及び各種のデータ、情報等を記憶する大容量の記憶装置であり、例えば、SSD(Solid State Drive)、又はHDD(Hard Disk Drive)等によって実現される。
通信装置403は、外部装置と通信するための1つ以上の通信インタフェース、又は通信デバイスを含む。例えば、通信装置403は、コンピュータ400を通信ネットワーク2に接続して、他の装置と通信するためのNIC(Network Interface Card)等を含む。また、通信装置403は、例えば、コンピュータ400に、空調機10等を接続するための通信インタフェース等も含み得る。
表示装置404は、表示画面を表示する表示デバイス、又は装置である。入力装置405は、例えば、キーボード、ポインティングデバイス、又はタッチパネル等の外部からの入力を受け付ける入力デバイスである。なお、表示装置404と入力装置405は、例えば、タッチパネルディスプレイのように、一体化された表示入力装置であってもよい。
ドライブ装置406は、所定のプログラムを記録(記憶)した記録媒体407をコンピュータ400に接続するためのデバイスである。ここでいう記録媒体407には、例えば、CD-ROM、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体407には、例えば、ROM、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。バス408は、上記の各構成要素に共通に接続され、例えば、アドレス信号、データ信号、及び各種の制御信号等を伝送する。
<処理の流れ>
続いて、本実施形態に係る予測方法の処理の流れについて、複数の実施形態を例示して説明する。
続いて、本実施形態に係る予測方法の処理の流れについて、複数の実施形態を例示して説明する。
[第1の実施形態]
図5は、第1の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図1で説明した予測システム1が、繰り返し実行する予測処理の一例を示している。
図5は、第1の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図1で説明した予測システム1が、繰り返し実行する予測処理の一例を示している。
ステップS501において、空調機10は、空調機10が備えるドレンポンプ11の回転数、又はドレンポンプの電流値を含む測定データを収集する。例えば、空調機10は、ドレンポンプ11の回転数を定期的(例えば、1分間ごと)に測定し、空調機10が備える記憶部等に記憶しておく。
ステップS502において、ローカルコントローラ20は、空調機10にデータの取得を要求する。これに応じて、ステップS503において、空調機10は、収集した測定データ(第1の測定データ)を、ローカルコントローラ20に送信する。例えば、ローカルコントローラ20は、所定の時間間隔(例えば、1時間間隔)で、空調機10にデータの取得要求を送信する。また、空調機10は、データの取得要求を受け付けると、直近の所定期間(例えば、1時間)の測定データを第1の測定データとして、ローカルコントローラに送信する。或いは、空調機10は、データの取得要求を受け付けると、直近の所定の期間の測定データの平均値を算出し、算出した平均値を第1の測定データとして、ローカルコントローラ20に送信してもよい。
ステップS504において、ローカルコントローラ20は、空調機10から受信したデータ(第1の測定データ)に基づいて、直近の所定期間の測定データの平均値を第2の測定データとして、予測サーバ100に送信する。例えば、空調機10から受信する第1の測定データが、直近の所定期間の測定データである場合、ローカルコントローラ20は、第1の測定データの平均値を算出し、算出した平均値を第2の測定データとして予測サーバ100に送信する。また、空調機10から受信する第1の測定データが、直近の所定期間の測定データの平均値である場合、ローカルコントローラ20は、第1の測定データを第2の測定データとして予測サーバ100に送信する。
ステップS505において、予測サーバ100の制御部101は、ローカルコントローラ20から受信したデータ(第2の測定データ)、又は受信したデータを加工したデータを、例えば、ストレージデバイス402等の記憶部に記憶(蓄積)する。
例えば、ドレンポンプ11が動作していない(停止している)場合、ドレンポンプ11の回転数、及び電流値の測定データ201は0になる。従って、ドレンポンプ11が動作していない期間のデータを用いて、積み重ね平均202、又は3日移動平均を算出してしまうと、正しい予測結果が得られない恐れがある。そこで、制御部101は、一例として、ドレンポンプ11が動作していない場合、ドレンポンプ11が動作していない期間のデータを、当該期間より以前のデータに置き換えて、記憶部に記憶してもよい。
例えば、休日、又は留守等により、ドレンポンプ11の動作が1日停止していた場合、制御部101は、ドレンポンプ11が停止していた1日分のデータを、前記のデータに置き換えて、記憶部に記憶してもよい。また、ドレンポンプ11が1時間停止していた場合、制御部101は、ドレンポンプ11が停止していた1時間のデータを、直前の1時間のデータに置き換えて、記憶部に記憶してもよい。
ただし、これは好適な一例であり、制御部101は、ローカルコントローラ20から受信したデータをそのまま記憶部に記憶してもよい。この場合、制御部101は、例えば、ドレンポンプ11が停止していた期間のデータを除外して、積み重ね平均202、又は3日移動平均203を算出すればよい。
ステップS506において、制御部101は、記憶部に記憶したデータに含まれるドレンポンプ11の回転数(又は電流値)から、積み重ね平均202と、3日移動平均203を算出するとともに、積み重ね平均202と3日移動平均203との差301を算出する。
また、制御部101は、算出した差301が、予め設定したしきい値302を超えた場合、ステップS507の処理を実行する。ステップS507において、制御部101は、ドレンポンプ11の異常を予測する予測結果を出力する。
図5の処理により、予測システム1は、例えば、図3に示すように、ドレンポンプ11に異常が発生する前に、ドレンポンプ11の異常を予測する予測結果を、より高い精度で出力することができる。
[第2の実施形態]
第2の実施形態では、制御部101が、温度データ、又は湿度データを含む環境データにさらに基づいて、ドレンポンプ11の異常を予測する場合の処理の例について説明する。
第2の実施形態では、制御部101が、温度データ、又は湿度データを含む環境データにさらに基づいて、ドレンポンプ11の異常を予測する場合の処理の例について説明する。
図6は、第1の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図1で説明した予測システム1が、繰り返し実行する予測処理の別の一例を示している。なお、基本的な処理の流れは、第1の実施形態と同様なので、ここでは、第1の実施形態と同様の処理内容に対する詳細な説明は省略する。
ステップS601において、空調機10は、空調機10が備えるドレンポンプ11の回転数、又はドレンポンプの電流値を含む測定データと、環境データと、運転データと、を収集する。ここで、環境データには、例えば、室温を示す温度データと、相対湿度を示す湿度データ等が含まれる。なお、空調機10が湿度データを取得できない場合、環境データは、温度データのみであってもよい。また、運転データには、例えば、空調機10の運転モード(冷房、除湿、暖房等)を示すデータ、及び空調機10の熱交換器の温度センサで測定した蒸発温度等のデータが含まれる。なお、蒸発温度のデータは、環境データに含まれていてもよい。
ステップS602において、ローカルコントローラ20は、空調機10にデータの取得を要求する。これに応じて、ステップS603において、空調機10は、収集した測定データ(第1の測定データ)、環境データ、及び運転データ等を含むデータを、ローカルコントローラ20に送信する。
ステップS604において、ローカルコントローラ20は、空調機10から受信した第1の測定データの平均値である第2の測定データ、環境データ、及び運転データ等を含むデータを、予測サーバ100に送信する。
ステップS605において、予測サーバ100の制御部101は、ローカルコントローラ20から受信したデータ、又は受信したデータを加工したデータを、例えば、ストレージデバイス402等の記憶部に記憶(蓄積)する。
ステップS606において、制御部101は、記憶部に記憶したデータから、ドレン水がない期間を特定する。例えば、制御部101は、図7に示すような、ドレン水の判断処理を実行する。
図7は、第2の実施形態に係るドレン水の判断処理の例を示すフローチャートである。この処理は、例えば、図6のステップS606において、制御部101が実行する処理の一例を示している。制御部101は、例えば、記憶部に記憶したデータのうち、空調機10が冷房運転中のデータに対して、図7の処理を実行する。
ステップS701において、制御部101は、温度データと湿度データ、又は温度データを用いて、露点温度(結露が発生する温度)を算出する。例えば、制御部101は、室温を示す温度データと、相対湿度を示す湿度データから水蒸気圧を求め、その水蒸気圧を飽和水蒸気圧とする温度を求める。なお、湿度データがない場合、制御部101は、相対湿度の値を仮置きして、露点温度を算出する。
ステップS702において、制御部102は、運転データから蒸発温度を取得する。ここで、蒸発温度は、空調機10の熱交換器のセンサで測定した熱交換器の温度である。
ステップS703において、制御部101は、蒸発温度が、算出した露点温度以下であるか否かを判断する。蒸発温度が露点温度以下である場合、結露が発生するので、ステップS704において、制御部101は、ドレン水があると判断する。一方、蒸発温度が露点以下でないばあい、ステップS705において、制御部101は、ドレン水がないと判断する。
ここで、図6に戻り、シーケンス図の説明を続ける。ステップS607において、制御部101は、記憶部に記憶した測定データ(例えば、ドレンポンプ11の回転数)から、ドレン水がない期間のデータを除外して、積み重ね平均202と、3日移動平均203との差301を算出する。これは、ドレン水がない場合、ドレンポンプ11が無負荷となり、ドレンポンプ11の回転数が上昇してしまうためである。従って、ドレン水がない期間のデータを除外することにより、ドレンポンプ11の異常を予測する予測精度を、さらに向上させることができる。
続いて、制御部101は、算出した差301が、予め設定したしきい値302を超えた場合、ステップS608の処理を実行する。ステップS608において、制御部101は、ドレンポンプ11の異常を予測する予測結果を出力する。
図6の処理により、予測システム1は、ドレンポンプ11の異常を予測する予測結果の精度を、より高めることができる。
[第3の実施形態]
第1、2の実施形態では、制御部101は、ドレンポンプ11の回転数(又は電流値)の測定データの積み重ね平均202と、3日移動平均203との乖離がしきい値を超えた場合に、ドレンポンプ11の異常を予測する予測結果を出力していた。
第1、2の実施形態では、制御部101は、ドレンポンプ11の回転数(又は電流値)の測定データの積み重ね平均202と、3日移動平均203との乖離がしきい値を超えた場合に、ドレンポンプ11の異常を予測する予測結果を出力していた。
第3の実施形態では、制御部101が、ドレンポンプ11の正常時の所定期間のデータと、ドレンポンプ11の異常時の所定期間のデータを教師データとして機械学習した学習済の予測モデルを用いて、ドレンポンプ11の異常を予測する場合の例について説明する。
図8は、第3の実施形態に係る予測システムのシステム構成の例を示す図である。図8に示すように、第3の実施形態に係る予測システム1は、図1の説明した予測システム1のシステム構成に加えて、予測モデル801を有している。
予測モデル801は、ドレンポンプ11の正常時の所定期間のデータと、ドレンポンプ11の異常時の所定期間のデータとを教師データとして、ドレンポンプ11の異常を予測するように機械学習した、学習済の予測モデルである。制御部101は、記憶部に記憶した所定の期間の測定データ(例えば、積み重ね平均202、及び3日移動平均203)を、予測モデル801に入力することにより、ドレンポンプ11に異常が発生するか否かを示す予測結果を得ることができる。なお、所定の期間の測定データは、3日移動平均203のみであってもよい。
なお、予測モデル801の学習は、制御部101が記憶部に記憶したデータを用いて、予測サーバ100が行うものであってもよいし、他の情報処理装置で学習した学習済の予測モデル801を、予測サーバ100に設定するものであってもよい。
<処理の流れ>
図9は、第3の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図8で説明した予測システム1が、繰り返し実行する予測処理の一例を示している。なお、基本的な処理の流れは、図5で説明した第1の実施形態に係る予測システムの処理と同様なので、ここでは、第1の実施形態と同様の処理内容に対する詳細な説明は省略する。
図9は、第3の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図8で説明した予測システム1が、繰り返し実行する予測処理の一例を示している。なお、基本的な処理の流れは、図5で説明した第1の実施形態に係る予測システムの処理と同様なので、ここでは、第1の実施形態と同様の処理内容に対する詳細な説明は省略する。
ステップS901において、空調機10は、空調機10が備えるドレンポンプ11の回転数、又はドレンポンプの電流値を含む測定データを収集する。
ステップS902において、ローカルコントローラ20は、空調機10にデータの取得を要求する。これに応じて、ステップS903において、空調機10は、収集した測定データ(第1の測定データ)を、ローカルコントローラ20に送信する。
ステップS904において、ローカルコントローラ20は、空調機10から受信したデータ(第1の測定データ)に基づいて、直近の所定期間の測定データの平均値を第2の測定データとして、予測サーバ100に送信する。
ステップS905において、予測サーバ100の制御部101は、ローカルコントローラ20から受信したデータ(第2の測定データ)、又は受信したデータを加工したデータを、例えば、ストレージデバイス402等の記憶部に記憶(蓄積)する。
ステップS906において、制御部101は、記憶部に記憶した所定の期間の測定データを、学習済の予測モデル801に入力する。例えば、制御部101は、記憶部に記憶した、ドレンポンプ11の回転数(又は電流値)の測定データの積み重ね平均202と、3日移動平均203とを算出し、算出したデータを学習済の予測モデル801に入力する。これにより、学習済の予測モデル801は、ドレンポンプ11に異常が発生するか否かを示す予測結果を出力する。
続いて、制御部101は、ドレンポンプ11に異常が発生すると予測された場合、ステップS907の処理を実行する。ステップS907において、制御部101は、ドレンポンプ11の異常を予測する予測結果を出力する。
このように、予測システム1は、ドレンポンプ11の正常時のデータと、ドレンポンプ11の異常時のデータとを教師データとして機械学習した学習済の予測モデル801を用いて、ドレンポンプ11の異常を予測してもよい。
なお、図9で説明した処理は一例である。例えば、第3の実施形態に係る予測システムの処理は、図6で説明した第2の実施形態のように、記憶部に記憶したデータから、ドレン水がない期間のデータを除外して、ドレンポンプ11の異常を予測してもよい。
[第4の実施形態]
第3の実施形態では、予測モデル801を、ドレンポンプ11の正常時のデータと、ドレンポンプ11の異常時のデータとを教師データとして機械学習していた。
第3の実施形態では、予測モデル801を、ドレンポンプ11の正常時のデータと、ドレンポンプ11の異常時のデータとを教師データとして機械学習していた。
第4の実施形態では、予測モデル801は、ドレンポンプ11の正常時のデータを示す画像と、ドレンポンプ11の異常時のデータを示す画像とを教師データとして機械学習した、学習済の予測モデルであるものとする。
ここで、ドレンポンプ11の正常時のデータを示す画像、及びドレンポンプ11の異常時のデータを示す画像は、例えば、図2に示すように、積み重ね平均202と、3日移動平均203のデータをプロットしたグラフ200の画像を適用することができる。
<処理の流れ>
図10は、第4の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図8で説明した予測システム1が、繰り返し実行する予測処理の別の一例を示している。なお、図10に示す処理のうち、ステップS901~S905、S907の処理は、図9で説明した第3の実施形態に係る予測システムの処理と同様なので、ここでは説明を省略する。
図10は、第4の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図8で説明した予測システム1が、繰り返し実行する予測処理の別の一例を示している。なお、図10に示す処理のうち、ステップS901~S905、S907の処理は、図9で説明した第3の実施形態に係る予測システムの処理と同様なので、ここでは説明を省略する。
ステップS1001において、制御部101は、記憶部に記憶した測定データ(例えば、ドレンポンプ11の回転数)の積み重ね平均202と、3日移動平均203の推移を画像化する。例えば、制御部101は、図2に示すようなグラフ200の画像を作成する。
ステップS1002において、制御部101は、作成した画像を、学習済の予測モデル801に入力する。これにより、学習済の予測モデル801は、ドレンポンプ11に異常が発生するか否かを示す予測結果を出力する。
続いて、制御部101は、ドレンポンプ11に異常が発生すると予測された場合、ステップS907の処理を実行する。
このように、予測システム1は、ドレンポンプ11の正常時のデータの画像と、ドレンポンプ11の異常時のデータの画像とを教師データとして機械学習した学習済の予測モデル801を用いて、ドレンポンプ11の異常を予測してもよい。
なお、第4の実施形態に係る予測システムの処理も、図6で説明した第2の実施形態のように、記憶部に記憶したデータから、ドレン水がない期間のデータを除外して、ドレンポンプ11の異常を予測してもよい。
以上、本開示の各実施形態によれば、空調機10が備えるドレンポンプ11の異常を、より高い精度で予測できるようになる。
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。
例えば、上記の各実施形態では、積み重ね平均202、3日移動平均等の平均値を用いて、ドレンポンプ11の異常を予測していた。ただし、これに限られず、平均値は、例えば、中央値、又は最頻値等の他の代表値であってもよい。
また、上記の各実施形態では、予測サーバ100が制御部101を有していたが、制御部101は、ローカルコントローラ20が有していてもよい。また、制御部101は、例えば、クラウド上の仮想コンピュータ等によって実現されるものであってもよい。
1 予測システム
2 通信ネットワーク
10 空調機
11 ドレンポンプ
20 ローカルコントローラ
100 予測サーバ
101 制御部
200 グラフ
202 積み重ね平均
203 3日移動平均
302 しきい値
400 コンピュータ
407 記録媒体
801 予測モデル
2 通信ネットワーク
10 空調機
11 ドレンポンプ
20 ローカルコントローラ
100 予測サーバ
101 制御部
200 グラフ
202 積み重ね平均
203 3日移動平均
302 しきい値
400 コンピュータ
407 記録媒体
801 予測モデル
Claims (11)
- ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、
前記制御部は、
前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータである第1のデータを取得し、
第1の所定期間の前記第1のデータのうち、ドレン水が発生していない期間のデータを除外した第2のデータの変化および前記第1の所定期間より短い第2の所定期間の前記第2のデータの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する、
予測システム。 - 前記制御部は、第1の所定期間の前記第2のデータと、前記第1の所定期間より短い前記第2の所定期間の前記第2のデータの平均値に基づいて、前記ドレンポンプの異常を予測する、請求項1に記載の予測システム。
- 前記制御部は、前記第1の所定期間の前記第2のデータの平均値と、前記第2の所定期間の前記第2のデータの平均値との乖離がしきい値を超えた場合、前記ドレンポンプの異常を予測する前記予測結果を出力する、請求項2に記載の予測システム。
- 前記制御部は、温度データ、又は湿度データを含む環境データにさらに基づいて、前記ドレンポンプの異常を予測する、請求項1乃至3のいずれか一項に記載の予測システム。
- 前記制御部は、前記空調機又は前記ドレンポンプが動作していない場合、前記空調機又は前記ドレンポンプが動作していない期間の前記第1のデータに代えて、当該期間より以前の前記第1のデータをさらに用いて、前記ドレンポンプの異常を予測する、請求項1乃至3のいずれか一項に記載の予測システム。
- 前記制御部は、温度データ、又は湿度データを含む環境データに基づいて、前記ドレンポンプが動作していない期間を判断する、請求項5に記載の予測システム。
- 前記制御部は、温度データ、又は湿度データを含む環境データから、ドレン水が発生しているか否かを判断する、請求項1乃至3のいずれか一項に記載の予測システム。
- 前記制御部は、前記空調機が所定のモードで運転しているか否かを示す情報をさらに用いて、前記ドレン水が発生しているか否かを判断する、請求項7に記載の予測システム。
- 前記予測システムは、前記空調機から前記データを収集するエッジデバイスを有し、
前記制御部は、前記空調機、又は前記エッジデバイスで平均化された前記第1のデータを取得する、請求項1乃至3のいずれか一項に記載の予測システム。 - ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、
前記制御部が、
前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータである第1のデータを取得し、
第1の所定期間の前記第1のデータのうち、ドレン水が発生していない期間のデータを除外した第2のデータの変化および前記第1の所定期間より短い第2の所定期間の前記第2のデータの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する、
予測方法。 - ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、
コンピュータに、
前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータである第1のデータを取得する処理と、
第1の所定期間の前記第1のデータのうち、ドレン水が発生していない期間のデータを除外した第2のデータの変化および前記第1の所定期間より短い第2の所定期間の前記第2のデータの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する処理と、
を実行させる、プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022136193A JP7518409B2 (ja) | 2022-08-29 | 予測システム、予測方法、及びプログラム | |
PCT/JP2023/021242 WO2024047996A1 (ja) | 2022-08-29 | 2023-06-07 | 予測システム、予測方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022136193A JP7518409B2 (ja) | 2022-08-29 | 予測システム、予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2024032510A JP2024032510A (ja) | 2024-03-12 |
JP7518409B2 true JP7518409B2 (ja) | 2024-07-18 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003083592A (ja) | 2001-06-29 | 2003-03-19 | Sanyo Electric Co Ltd | 空気調和装置及びその除霜運転解除方法 |
JP2012052743A (ja) | 2010-09-01 | 2012-03-15 | Mitsubishi Electric Corp | 空気調和機 |
JP2020139673A (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 |
JP2022053265A (ja) | 2020-09-24 | 2022-04-05 | ダイキン工業株式会社 | エアハンドリングユニット |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003083592A (ja) | 2001-06-29 | 2003-03-19 | Sanyo Electric Co Ltd | 空気調和装置及びその除霜運転解除方法 |
JP2012052743A (ja) | 2010-09-01 | 2012-03-15 | Mitsubishi Electric Corp | 空気調和機 |
JP2020139673A (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 |
JP2022053265A (ja) | 2020-09-24 | 2022-04-05 | ダイキン工業株式会社 | エアハンドリングユニット |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5901140B2 (ja) | システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。 | |
CN108009692A (zh) | 设备维修信息处理方法、装置、计算机设备和存储介质 | |
WO2013069138A1 (ja) | 稼働情報予測計算機、稼働情報予測方法及びプログラム | |
EP2376987A1 (en) | Turbine lifespan modeling | |
JP7260292B2 (ja) | 異常診断装置及び異常診断方法 | |
JP2017097712A (ja) | 機器診断装置及びシステム及び方法 | |
RU2491619C2 (ru) | Вычисление и графическое отображение статистических данных | |
JP6438124B2 (ja) | 運用管理システム及び運用管理方法 | |
JP2017088314A (ja) | 機器診断装置および機器診断方法、並びに機器診断システム | |
CN114474076B (zh) | 机器人碰撞检测方法、装置、检测设备及可读存储介质 | |
CN113626293A (zh) | 一种电脑主机风扇灰尘清理的智能提醒方法及系统 | |
JP7518409B2 (ja) | 予測システム、予測方法、及びプログラム | |
US11844002B2 (en) | Environmental information management system | |
JP2010190582A (ja) | 機器診断方法および機器診断装置 | |
WO2024047996A1 (ja) | 予測システム、予測方法、及びプログラム | |
JP2005315564A (ja) | 空調機の異常検知装置及び異常検知方法 | |
JP6471035B2 (ja) | 漏水発生位置推定装置、システムおよび方法 | |
JP7294361B2 (ja) | フィールド機器、測定方法、及びプログラム | |
JP6527424B2 (ja) | 故障予兆検知装置、方法、及びストレージシステム | |
JP6381282B2 (ja) | 異常検出装置及びプログラム | |
KR101862111B1 (ko) | 스텝모터의 스톨 감지 방법 및 장치 | |
KR102320878B1 (ko) | 통합 관제 방법 및 통합 관제 장치 | |
AU2020432994B2 (en) | State detection system | |
US11874008B2 (en) | HVAC system discomfort index and display | |
EP4254111A1 (en) | Fault diagnosis apparatus, method, computer program, and non-transitory computer-readable recording medium |