JP7846433B1

JP7846433B1 - 異常検知装置、異常検知方法及びプログラム

Info

Publication number: JP7846433B1
Application number: JP2025107978A
Authority: JP
Inventors: 葵後藤
Original assignee: Daikin Industries Ltd
Current assignee: Daikin Industries Ltd
Priority date: 2024-09-30
Filing date: 2025-06-26
Publication date: 2026-04-15
Anticipated expiration: 2045-06-26
Also published as: JP2026069433A; WO2026069890A1

Abstract

【課題】空気調和装置の異常を精度よく検知する。
【解決手段】空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）が、空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である空気調和装置に関する第１の指標の正常値を予測し、学習データにおける検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した正常値と第１の指標の実測値との乖離度に関する第３の指標を計算し、第２の指標に基づいて、第３の指標を補正する。
【選択図】図３

Description

本開示は、異常検知装置、異常検知方法及びプログラムに関する。

空気調和装置の運転データに基づいて、空気調和装置の異常を検知する技術が知られている。例えば、特許文献１には、故障した機器又は耐久試験を実施した機器の個体の運転データである教師データに基づいて、機器が動作したときの運転条件に応じて、学習器が出力する重み係数と、空気調和機の機器の動作時の運転条件と、機器の動作回数とに基づいて、機器の劣化度合を診断する空気調和機診断装置が開示されている。

国際公開第２０２２／０３８７０３号

しかしながら、従来技術では、運転データにおける運転条件の出現頻度に偏りがあると、異常検知の精度が低下することがある。

本開示は、空気調和装置の異常を精度よく検知する技術を提供する。

本開示の第１の態様に係る異常検知装置（１０）は、空気調和装置（２０）の異常検知装置（１０）であって、前記異常検知装置（１０）が有する制御部（１０１）は、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、前記第２の指標に基づいて、前記第３の指標を補正する。

本開示の第１の態様によれば、空気調和装置の異常を精度よく検知できる。

本開示の第２の態様に係る異常検知装置（１０）は、空気調和装置（２０）の異常検知装置（１０）であって、前記異常検知装置（１０）が有する制御部（１０１）は、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、前記第２の指標に基づいて、前記第３の指標に基づく診断結果を補正する。

本開示の第２の態様によれば、空気調和装置の異常を精度よく検知できる。

本開示の第３の態様は、第１又は第２の態様に係る異常検知装置（１０）であって、前記制御部（１０１）は、前記第２の指標を計算する数式、前記第２の指標の計算結果を学習した第２の機械学習モデル、又は、前記説明変数と前記第２の指標とを変数とするマップに基づいて、前記第２の指標を計算する。

本開示の第３の態様によれば、検知対象の説明変数の出現頻度を少ない計算量で取得できる。

本開示の第４の態様は、第１又は第３の態様に係る異常検知装置（１０）であって、前記制御部（１０１）は、前記第３の指標に前記第２の指標を乗じることで、前記第３の指標を補正する。

本開示の第４の態様によれば、検知対象の説明変数の出現頻度に応じて適切に正常値と実測値との乖離度を補正できる。

本開示の第５の態様は、第２の態様に係る異常検知装置（１０）であって、前記制御部（１０１）は、前記診断結果に前記第２の指標を乗じることで、前記診断結果を補正する。

本開示の第５の態様によれば、検知対象の説明変数の出現頻度に応じて適切に診断結果を補正できる。

本開示の第６の態様は、第１又は第３の態様に係る異常検知装置（１０）であって、前記制御部（１０１）は、前記第３の指標に前記第２の指標に応じた重みを乗じることで、前記第３の指標を補正する。

本開示の第６の態様によれば、検知対象の説明変数の出現頻度に応じて適切に正常値と実測値との乖離度を補正できる。

本開示の第７の態様は、第２の態様に係る異常検知装置（１０）であって、前記制御部（１０１）は、前記診断結果に前記第２の指標に応じた重みを乗じることで、前記診断結果を補正する。

本開示の第７の態様によれば、検知対象の説明変数の出現頻度に応じて適切に診断結果を補正できる。

本開示の第８の態様は、第１から第７の態様のいずれかに係る異常検知装置（１０）であって、前記制御部（１０１）は、前記第２の指標と所定の閾値との比較結果に基づいて、前記機械学習モデルを更新する。

本開示の第８の態様によれば、検知対象の説明変数の出現頻度が低い場合に機械学習モデルを更新できる。

本開示の第９の態様は、第８の態様に係る異常検知装置（１０）であって、前記制御部（１０１）は、前記第２の指標が前記閾値以下となった回数が第２の閾値以上である場合、前記機械学習モデルを更新する。

本開示の第９の態様によれば、検知対象の説明変数の出現頻度が低い状態が続く場合に機械学習モデルを更新できる。

本開示の第１０の態様に係る異常検知装置（１０）は、空気調和装置（２０）の異常検知装置（１０）であって、前記異常検知装置（１０）が有する制御部（１０１）は、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、前記第２の指標に基づいて、前記第１の指標の正常値を補正する。

本開示の第１０の態様によれば、空気調和装置の異常を精度よく検知できる。

本開示の第１１の態様に係る異常検知方法は、空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）が、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、前記第２の指標に基づいて、前記第３の指標を補正する。

本開示の第１２の態様に係る異常検知方法は、空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）が、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、前記第２の指標に基づいて、前記第３の指標に基づく診断結果を補正する。

本開示の第１３の態様に係る異常検知方法は、空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）が、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、前記第２の指標に基づいて、前記第１の指標の正常値を補正する。

本開示の第１４の態様に係るプログラムは、空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）に、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、前記第２の指標に基づいて、前記第３の指標を補正する、処理を実行させる。

本開示の第１５の態様に係るプログラムは、空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）に、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、前記第２の指標に基づいて、前記第３の指標に基づく診断結果を補正する、処理を実行させる。

本開示の第１６の態様に係るプログラムは、空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）に、前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置（２０）に関する第１の指標の正常値を予測し、前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、前記第２の指標に基づいて、前記第１の指標の正常値を補正する、処理を実行させる。

異常検知システムの全体構成の一例を示すブロック図である。コンピュータの一例を示すブロック図である。異常検知処理の一例を示すフローチャートである。学習処理の一例を示すフローチャートである。

以下、本開示の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。

［実施形態］
本開示の一実施形態は、機械学習モデルに基づいて、空気調和装置の異常を検知する情報処理システムの一例である。以下、本実施形態に係る情報処理システムを「異常検知システム」と呼ぶ。

従来、空気調和装置の運転データに基づいて空気調和装置の異常を検知する技術では、学習データにおける運転条件の出現頻度の偏りを考慮していなかった。空気調和装置の運転条件は、例えば天候又は外気温等の外的要因の影響が大きく、学習データの分布に偏りが生じやすい。学習データの分布に偏りがあると、その学習データに基づいて構築された予測モデルの予測精度は低下することがある。例えば、学習データにおける運転条件の出現頻度が小さい場合、検知対象の運転条件は外挿となるため、未学習又は学習不足による予測誤りが生じやすい。また、例えば、学習データにおける運転条件の偏りが大きい場合、予測モデルの再学習又は追加学習が必要となることがある。

＜全体構成＞
本実施形態における異常検知システムの全体構成について、図１を参照しながら説明する。図１は、異常検知システムの全体構成の一例を示すブロック図である。

図１に示されるように、異常検知システム１０００は、異常検知装置１０、空気調和装置２０及び制御装置３０を含む。異常検知システム１０００は、１以上の物件Ｂを含む。物件Ｂは、一例として、オフィス、店舗又は住宅等の建造物でもよい。物件Ｂには、１以上の空気調和装置２０及び１以上の制御装置３０が設置される。

異常検知システム１０００に含まれる物件Ｂの数、又は各物件Ｂに設置される空気調和装置２０若しくは制御装置３０の数は一例である。これらの数は任意に構成してよい。例えば、図１には、１台の空気調和装置２０に対して１台の制御装置３０が設置される例が示されているが、複数の空気調和装置２０に対して１台の制御装置３０が設置されてもよい。

異常検知装置１０及び制御装置３０は、ＬＡＮ（Local Area Network）又はインターネット等の通信ネットワークＮ１を介してデータ通信可能に接続されている。空気調和装置２０及び制御装置３０は、物件Ｂ内に敷設された通信ネットワークＮ２を介してデータ通信可能に接続されている。通信ネットワークＮ２は、通信ネットワークＮ１の一部でもよい。すなわち、異常検知装置１０及び空気調和装置２０は、データ通信可能に接続されてもよい。通信ネットワークＮ１及び通信ネットワークＮ２は、例えば、無線ＬＡＮ、移動体通信網又は近距離無線通信等によるネットワークが含まれていてもよい。

空気調和装置２０は、所定の室内空間の空気調和を行う設備機器の一例である。空気調和装置２０は、所定の室内空間に対して、冷房、暖房、空気清浄、換気、加湿、除湿、送風等の空気処理のうち少なくとも１つを行う。

空気調和装置２０は、１以上の室外機及び１以上の室内機を含んでもよい。室外機は、空気調和を行う室内空間の外部に設置される。室内機は、空気調和を行う室内空間の内部に設置される。室外機と室内機とは冷媒配管で接続される。冷媒配管を流れる冷媒の循環により、蒸気圧縮式の冷凍サイクルを行う冷媒回路が構成される。冷媒回路では、内部に封入された冷媒が、圧縮され、凝縮し、減圧され、蒸発された後に、再び圧縮される、という冷凍サイクルが行われる。

空気調和装置２０の室外機は、運転中に機器の運転状態又は運転条件を示す運転データを記憶装置に蓄積する。空気調和装置２０の室外機は、記憶装置に蓄積された運転データを制御装置３０に出力する。空気調和装置２０の室外機は、一例として、所定の時間間隔で運転データを出力してもよく、制御装置３０からの要求に応じて運転データを出力してもよい。

制御装置３０は、空気調和装置２０を制御する情報処理装置の一例である。制御装置３０は、いずれかの物件Ｂに設置され、同じ物件Ｂに設置された１以上の空気調和装置２０を制御してもよい。例えば、物件Ｂに設置された制御装置３０は、物件Ｂに設置された空気調和装置２０を制御してもよい。制御装置３０は、同じ物件Ｂに設置された複数の空気調和装置２０を制御してもよい。

制御装置３０は、空気調和装置２０の室外機と一体化し、室外機の内部に構成されてもよい。制御装置３０は、空気調和装置２０の室外機と通信ネットワークＮ２を介して通信可能なデータセンタ等に設置されてもよい。

制御装置３０は、空気調和装置２０の室外機が出力する運転データを収集する。制御装置３０は、収集した運転データを異常検知装置１０に送信する。制御装置３０は、収集した運転データに基づいて、空気調和装置２０の室外機及び室内機の動作を制御する制御信号を空気調和装置２０の室外機に送信してもよい。

異常検知装置１０は、空気調和装置２０の異常を検知するパーソナルコンピュータ、ワークステーション又はサーバ等の情報処理装置の一例である。異常検知装置１０は、学習済みの予測モデルを有する。異常検知装置１０は、学習済みの予測モデルに基づいて、空気調和装置２０に関する指標の正常値を予測する。異常検知装置１０は、空気調和装置２０に関する指標の正常値と実測値との乖離度に基づいて、空気調和装置２０の異常を検知する。

なお、図１に示した異常検知システム１０００の全体構成は一例であって、用途や目的に応じて様々なシステム構成例があり得る。例えば、異常検知装置１０、空気調和装置２０及び制御装置３０の１つ以上が、異常検知システム１０００に複数台含まれていてもよい。例えば、異常検知装置１０は、複数台のコンピュータにより実現してもよいし、クラウドコンピューティングのサービスとして実現してもよい。図１に示す異常検知装置１０、空気調和装置２０、制御装置３０のような装置の区分は一例である。

＜ハードウェア構成＞
異常検知システム１０００に含まれる異常検知装置１０及び制御装置３０は、コンピュータにより実装することができる。図２は、コンピュータのハードウェア構成の一例を示すブロック図である。

図２に示されているように、コンピュータ１００は、プロセッサ１０１、メモリ１０２、補助記憶装置１０３、操作装置１０４、表示装置１０５、通信装置１０６、ドライブ装置１０７を有する。コンピュータ１００の各ハードウェアは、バス１０８を介して相互に接続されている。

プロセッサ１０１は、ＣＰＵ（Central Processing Unit）等の各種演算デバイスを有する。プロセッサ１０１は、補助記憶装置１０３にインストールされている各種プログラムをメモリ１０２上に読み出して実行する。

メモリ１０２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１０１とメモリ１０２とは、いわゆるコンピュータ（以下、「制御部」ともいう）を形成し、プロセッサ１０１が、メモリ１０２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１０３（以下、「記憶部」ともいう）は、各種プログラムや、各種プログラムがプロセッサ１０１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。

操作装置１０４は、コンピュータ１００のユーザが各種操作を行うための操作デバイスである。表示装置１０５は、コンピュータ１００により実行される各種処理の処理結果を表示する表示デバイスである。

通信装置１０６は、不図示のネットワークを介して外部装置と通信を行うための通信デバイスである。

ドライブ装置１０７は、記憶媒体１０９をセットするためのデバイスである。ここでいう記憶媒体１０９には、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憶する媒体が含まれる。また、記憶媒体１０９には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記憶する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置１０３にインストールされる各種プログラムは、例えば、配布された記憶媒体１０９がドライブ装置１０７にセットされ、記憶媒体１０９に記憶された各種プログラムがドライブ装置１０７により読み出されることでインストールされる。あるいは、補助記憶装置１０３にインストールされる各種プログラムは、通信装置１０６を介してネットワークからダウンロードされることで、インストールされてもよい。

＜異常検知処理＞
異常検知システム１０００が実行する異常検知処理について、図３を参照しながら説明する。図３は、異常検知処理の一例を示すフローチャートである。

異常検知装置１０の記憶部１０３には、学習済みの予測モデルが予め記憶されていてもよい。異常検知装置１０の記憶部１０３には、出現頻度モデルが予め記憶されていてもよい。

予測モデルは、一例として、検知対象の説明変数を入力とし、空気調和装置２０に関する第１の指標の正常値の予測値を出力する機械学習モデルでもよい。予測モデルは、空気調和装置２０の運転データを学習データとして学習した機械学習モデルでもよい。機械学習モデルは、一例として、統計的手法又は深層学習等の任意の手法に基づくモデルでもよい。

検知対象の説明変数は、空気調和装置２０の運転条件又は運転状態を含んでもよい。運転条件は、一例として、空気調和装置２０の環境情報又は制御情報を含んでもよい。

故障検知を目的とする場合、検知対象の説明変数は、室外機の室外温度、圧縮機回転数、ファンステップ、メイン膨張弁開度、過冷却膨張弁開度、凝縮温度目標値、蒸発温度目標値、室内機の吸込温度、１ステップ、室内膨張弁開度、室内ファンタップ、高圧圧力、低圧圧力、運転/停止情報、リモコン設定温度の少なくとも１つを含んでもよい。

冷媒漏洩検知を目的とする場合、検知対象の説明変数は、外気温度、送水温度、戻水温度、送水温度設定値、ポンプ回転数（水循環量）、圧縮機負荷率、インバータ圧縮機回転数、定速圧縮機運転台数、過冷却度、吸入過熱度、吸入過熱度目標値、吐出過熱度、凝縮温度、凝縮温度目標値、蒸発温度、蒸発温度目標値、膨張弁開度、室外機ファン回転数、室内機ファンステップの少なくとも１つを含んでもよい。

第１の指標は、空気調和装置２０の正常値でもよい。空気調和装置２０の正常値は、一例として、空気調和装置２０が備えるセンサ又はアクチュエータの正常時の状態を示す測定値でもよい。

故障検知を目的とする場合、第１の指標は、室外機の吐出管温度、熱交デアイサ温度、過冷却熱交出口温度、過冷却熱交液管温度、熱交液管温度、アキューム入口、圧縮機電流、圧縮機回転数、メイン膨張弁開度、過冷却膨張弁開度、ファンステップ、高圧圧力、低圧圧力、室内機の室内吸込温度、室内液管温度、室内ガス管温度、室内ファンタップ、室内膨張弁開度、リモコン設定温度の少なくとも１つを含んでもよい。

冷媒漏洩検知を目的とする場合、第１の指標は、膨張弁開度、過冷却度（凝縮器出口温度と凝縮温度の差）、吸入過熱度（圧縮機吸入温度と蒸発温度の差）、吐出過熱度（圧縮機吐出温度と凝縮温度の差）、膨張弁開度と過冷却度と吸入過熱度と吐出過熱度のいずれかもしくはそれらの組み合わせを用いて計算される演算値の少なくとも１つを含んでもよい。

出現頻度モデルは、一例として、検知対象の説明変数を入力とし、学習データにおける当該説明変数の出現頻度に関する第２の指標の予測値を出力する機械学習モデルでもよい。出現頻度モデルは、説明変数及び第２の指標を含む第２の学習データに基づいて構築されてもよい。第２の学習データに含まれる説明変数は、予測モデルの学習に用いた学習データに含まれる説明変数と同様でよい。第２の学習データに含まれる第２の指標は、予測モデルの学習に用いた学習データに基づいて予め計算すればよい。

第２の指標は、学習データにおける検知対象の説明変数の出現率又は出現数でもよい。第２の指標は、出現率又は出現数に基づいて計算された値でもよい。一例として、第２の指標は、出現率の逆数でもよい。

説明変数の出現率は、学習データに出現する同じ説明変数の学習データ全体に対する割合である。説明変数の出現数は、学習データに出現する同じ説明変数の数である。出現率又は出現数の計算においては、説明変数の値に一定の幅を与えてもよい。一例として、説明変数が取り得る範囲を所定数に分割し、同じ範囲に含まれる説明変数を同じ説明変数として扱ってもよい。

出現頻度モデルは、機械学習モデルに限定されない。出現頻度モデルは、一例として、学習データにおける説明変数の出現頻度に関する第２の指標を計算する数式でもよい。出現頻度モデルは、一例として、説明変数と出現頻度に関する第２の指標とを変数とする行列、マップ、グラフ又は関数等でもよい。

ステップＳ１０１において、異常検知装置１０の制御部１０１は、空気調和装置２０が出力した運転データを取得する。異常検知装置１０の制御部１０１は、物件Ｂに設置された制御装置３０から当該物件Ｂに設置された空気調和装置２０の運転データを取得してもよい。異常検知装置１０の制御部１０１は、物件Ｂに設置された制御装置３０に空気調和装置２０の運転データを要求してもよい。

ステップＳ１０２において、異常検知装置１０の制御部１０１は、検知対象の説明変数を生成する。異常検知装置１０の制御部１０１は、ステップＳ１０１で取得した運転データに基づいて、検知対象の説明変数を生成してもよい。説明変数は、空気調和装置２０の運転条件を含んでもよい。異常検知装置１０の制御部１０１は、ステップＳ１０１で取得した運転データから、検知対象の説明変数の少なくとも１つを取得してもよい。異常検知装置１０の制御部１０１は、ステップ１０１で取得した運転データに基づいて、検知対象の説明変数の少なくとも１つを計算又は予測してもよい。

ステップＳ１０３において、異常検知装置１０の制御部１０１は、空気調和装置２０に関する第１の指標の正解値を予測する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３から学習済みの予測モデルを読み出し、ステップＳ１０２で生成した説明変数を予測モデルに入力してもよい。予測モデルは、入力された説明変数に基づいて、第１の指標の正解値を予測し、予測結果を出力してもよい。予測結果には、第１の指標の正解値の予測値が含まれてもよい。異常検知装置１０の制御部１０１は、予測モデルが出力した予測結果を取得してもよい。

ステップＳ１０４において、異常検知装置１０の制御部１０１は、検知対象の説明変数の出現頻度に関する第２の指標を計算する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３から出現頻度モデルを読み出し、ステップＳ１０２で生成した説明変数を出現頻度モデルに入力してもよい。出現頻度モデルは、入力された説明変数に基づいて、学習データにおける当該説明変数の出現頻度に関する第２の指標を計算し、計算結果を出力してもよい。異常検知装置１０の制御部１０１は、出現頻度モデルが出力した計算結果を取得してもよい。

ステップＳ１０５において、異常検知装置１０の制御部１０１は、第１の指標の正解値の予測値と第１の指標の実測値との乖離度に関する第３の指標を計算する。第１の指標の実測値は、ステップＳ１０１で取得した運転データから取得してもよい。異常検知装置１０の制御部１０１は、第１の指標の正解値の予測値と第１の指標の実測値との差の絶対値を第３の指標として計算してもよい。

ステップＳ１０６において、異常検知装置１０の制御部１０１は、ステップＳ１０５で計算した第３の指標を補正する。異常検知装置１０の制御部１０１は、ステップＳ１０４で計算した第２の指標に基づいて、第３の指標を補正してもよい。異常検知装置１０の制御部１０１は、第３の指標に第２の指標（例えば、出現率又は出現率の逆数等）を乗じてもよい。

異常検知装置１０の制御部１０１は、第２の指標に応じた重みを決定し、第３の指標に第２の指標に応じた重みを乗じてもよい。第２の指標に応じた重みは、一例として、第２の指標と閾値との比較により決定してもよい。例えば、出現率が閾値（例えば、０．５）以上であれば重みを１とし、出現率が閾値（例えば、０．５）未満であれば重みを０としてもよい。また、例えば、出現数が閾値以上であれば重みを０．５以上１以下の数値とし、出現率が閾値未満であれば重みを０以上０．５未満の数値としてもよい。重みは、２値に限定されるものではなく、２個以上の閾値を用いて３値以上を取り得る重みであってもよい。

異常検知装置１０の制御部１０１は、第２の指標に基づいて、ステップＳ１０３で予測した第１の指標の正解値を補正してもよい。異常検知装置１０の制御部１０１は、第１の指標の正常値の予測値に第２の指標（例えば、出現率又は出現率の逆数等）を乗じてもよい。異常検知装置１０の制御部１０１は、第１の指標の正常値の予測値に第２の指標に応じた重みを乗じてもよい。異常検知装置１０の制御部１０１は、補正後の第１の指標の正常値に基づいて、第３の指標を再計算してもよい。

異常検知装置１０の制御部１０１は、補正後の第３の指標に基づいて、空気調和装置２０の異常を診断する。異常検知装置１０の制御部１０１は、補正後の第３の指標に基づいて、空気調和装置２０に異常が発生している確率を計算してもよい。異常検知装置１０の制御部１０１は、補正後の第３の指標に基づいて、空気調和装置２０の異常有無を判定してもよい。異常検知装置１０の制御部１０１は、補正後の第３の指標に基づいて、空気調和装置２０における異常の発生箇所を判定してもよい。異常検知装置１０の制御部１０１は、補正後の第３の指標と予め定めた閾値との比較結果に基づいて、空気調和装置２０の異常有無又は異常の発生箇所を判定してもよい。

異常検知装置１０の制御部１０１は、ステップＳ１０５で計算した第３の指標に基づいて、空気調和装置２０の異常を診断し、ステップＳ１０４で計算した第２の指標に基づいて、空気調和装置２０の異常の診断結果を補正してもよい。異常の診断結果は、空気調和装置２０に異常が発生している確率を示す情報、空気調和装置２０の異常有無を示す情報、空気調和装置２０における異常の発生箇所を示す情報の少なくとも１つを含んでもよい。

ステップＳ１０７において、異常検知装置１０の制御部１０１は、空気調和装置２０の異常の診断結果を出力する。異常検知装置１０の制御部１０１は、空気調和装置２０の異常の診断結果を表示してもよい。空気調和装置２０の異常の診断結果は、例えば、空気調和装置２０の異常有無の判定結果を含んでもよい。異常検知装置１０の制御部１０１は、空気調和装置２０の異常の診断結果を含む電子データを端末装置に送信することで、空気調和装置２０の異常の診断結果を端末装置のディスプレイに表示させる制御を行ってもよい。診断結果を含む電子データは、一例として、検知結果を整形して表示するウェブページ又は文書データでもよい。

異常検知装置１０の制御部１０１は、空気調和装置２０の異常の診断結果に基づいて、空気調和装置２０を制御してもよい。例えば、異常検知装置１０の制御部１０１は、異常の診断結果に基づいて空気調和装置２０を制御するための制御信号を生成し、当該空気調和装置２０を制御する制御装置３０に送信してもよい。

空気調和装置２０の異常検知では、運転条件の出現率が低い領域では、正常値の予測精度が低下し、乖離度が大きい値となることがある。そのため、運転条件の出現率が低い領域では、異常が発生している確率が過大に評価されるおそれがある。計算された乖離度に出現率を乗じることで、運転条件の出現率が低い領域では乖離度が低くなるように補正する。これにより、運転条件の出現率が低い領域では異常が発生している確率を低く評価し、運転条件の出現率が高い領域では異常が発生している確率を高く評価できる。

また、空気調和装置２０の異常検知では、運転条件の出現率が低いほど、異常が発生している確率を高く評価したいことがある。この場合、計算された乖離度に出現率の逆数を乗じることで、運転条件の出現率が低い領域では乖離度が高くなるように補正してもよい。これにより、運転条件の出現率が低い領域では異常が発生している確率を高く評価し、運転条件の出現率が高い領域では異常が発生している確率を低く評価できる。

＜変形例１＞
異常検知装置１０は、予測モデルを学習してもよい。異常検知装置１０が実行する学習処理について、図４を参照しながら説明する。図４は、学習処理の一例を示すフローチャートである。学習処理は、空気調和装置２０の運転データに基づいて予測モデルを構築する処理である。

ステップＳ２０１において、異常検知装置１０の制御部１０１は、空気調和装置２０が出力した運転データを取得する。異常検知装置１０の制御部１０１は、物件Ｂに設置された制御装置３０から当該物件Ｂに設置された空気調和装置２０の運転データを取得してもよい。異常検知装置１０の制御部１０１は、所定の時間間隔で物件Ｂに設置された制御装置３０に空気調和装置２０の運転データを要求してもよい。異常検知装置１０の制御部１０１は、定期又は不定期に制御装置３０が送信する運転データを受信してもよい。

異常検知装置１０の制御部１０１は、収集した運転データを記憶する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３に運転データを記憶してもよい。異常検知装置１０の制御部１０１は、異常検知装置１０に接続された外部の記憶装置に運転データを記憶してもよい。

ステップＳ２０２において、異常検知装置１０の制御部１０１は、学習データを生成する。学習データは、説明変数及び目的変数を含む。説明変数は、異常検知処理における検知対象の説明変数と同様である。目的変数は、第１の指標の正解値である。

異常検知装置１０の制御部１０１は、ステップＳ２０１で取得した運転データに基づいて、第１の指標の正解値を計算してもよい。異常検知装置１０の制御部１０１は、ステップＳ２０１で取得した運転データから、説明変数の少なくとも１つを取得してもよい。異常検知装置１０の制御部１０１は、ステップＳ２０１で取得した運転データに基づいて、説明変数の少なくとも１つを計算又は予測してもよい。

異常検知装置１０の制御部１０１は、生成した学習データを記憶する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３に学習データを記憶してもよい。異常検知装置１０の制御部１０１は、異常検知装置１０に接続された外部の記憶装置に学習データを記憶してもよい。

ステップＳ２０３において、異常検知装置１０の制御部１０１は、予測モデルを構築する。異常検知装置１０の制御部１０１は、ステップＳ２０２において生成した学習データに基づいて、予測モデルを構築してもよい。

異常検知装置１０の制御部１０１は、学習済みの予測モデルを記憶する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３に学習済みの予測モデルを記憶してもよい。異常検知装置１０の制御部１０１は、異常検知装置１０に接続された外部の記憶装置に学習済みの予測モデルを記憶してもよい。

ステップＳ２０４において、異常検知装置１０の制御部１０１は、出現頻度モデルを構築する。異常検知装置１０の制御部１０１は、第２の学習データを生成してもよい。異常検知装置１０の制御部１０１は、第２の学習データに基づいて、予測モデルを構築してもよい。

異常検知装置１０の制御部１０１は、学習済みの出現頻度モデルを記憶する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３に学習済みの出現頻度モデルを記憶してもよい。異常検知装置１０の制御部１０１は、異常検知装置１０に接続された外部の記憶装置に学習済みの出現頻度モデルを記憶してもよい。

＜変形例２＞
異常検知装置１０は、異常検知処理において、予測モデルを更新してもよい。異常検知装置１０は、検知対象の説明変数の出現頻度が低い場合に、予測モデルを更新してもよい。以下、異常検知装置１０による予測モデルの更新処理について、具体的に説明する。なお、下記の処理は、図３に示した異常検知処理が完了した後に続けて実行してもよい。

まず、異常検知装置１０の制御部１０１は、第２の指標が第１の閾値以下であるか否かを判定する。第１の閾値は、第２の指標の種類により異なってよい。一例として、第２の指標が出現率である場合、第１の閾値は０．５でもよい。

第２の指標が第１の閾値以下である場合、異常検知装置１０の制御部１０１は、連続回数をカウントアップする。なお、連続回数は、第２の指標が第１の閾値以下であることが連続した回数である。一方、第２の指標が第１の閾値を超える場合、異常検知装置１０の制御部１０１は、連続回数をゼロに初期化し、更新処理を終了する。

次に、異常検知装置１０の制御部１０１は、連続回数が第２の閾値以上であるか否かを判定する。第２の閾値は任意の自然数でよい。連続回数が第２の閾値以上である場合、異常検知装置１０の制御部１０１は、連続回数をゼロに初期化する。一方、連続回数が第２の閾値未満である場合、異常検知装置１０の制御部１０１は更新処理を終了する。

そして、異常検知装置１０の制御部１０１は、予測モデルを更新する。すなわち、異常検知装置１０の制御部１０１は、第２の指標が第１の閾値以下であることが第２の閾値以上連続した場合に、予測モデルを更新する。異常検知装置１０の制御部１０１は、記憶装置に記憶されている運転データに基づいて、予測モデルを再学習してもよい。異常検知装置１０の制御部１０１は、記憶装置に記憶されている運転データのうち、学習データを生成していない運転データに基づいて、予測モデルを追加学習してもよい。

異常検知装置１０の制御部１０１は、予測モデルを更新すべき旨を、異常検知システム１０００の利用者に通知してもよい。例えば、異常検知装置１０の制御部１０１は、予測モデルを更新すべき旨を示す通知信号を端末装置に送信することで、予測モデルを更新すべき旨を端末装置のディスプレイに表示させる制御を行ってもよい。利用者は、予測モデルを更新すべき旨の通知を参照し、予測モデルを更新するための操作を行ってもよい。異常検知装置１０の制御部１０１は、利用者による操作に応じて、予測モデルを更新してもよい。

異常検知装置１０の制御部１０１は、更新後の予測モデルを記憶する。異常検知装置１０の制御部１０１は、異常検知装置１０の記憶部１０３に記憶されている予測モデルを、更新後の予測モデルで置換してもよい。異常検知装置１０の制御部１０１は、異常検知装置１０に接続された外部の記憶装置に記憶されている予測モデルを、更新後の予測モデルで置換してもよい。

＜まとめ＞
本開示の一実施形態に係る異常検知装置１０は、空気調和装置２０に関する第１の指標を予測する。異常検知装置１０は、空気調和装置２０の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である空気調和装置２０に関する第１の指標の正常値を予測し、学習データにおける検知対象の説明変数の出現頻度に関する第２の指標を計算し、予測した正常値と第１の指標の実測値との乖離度に関する第３の指標を計算し、第２の指標に基づいて、第３の指標又は第３の指標に基づく診断結果を補正する。

一の側面では、本実施形態によれば、空気調和装置の異常を精度よく検知できる。空気調和装置の運転条件は外的要因の影響が大きく、学習データの分布の偏りが生じやすいため、説明変数の出現頻度に関する指標に基づいて補正することで、空気調和装置に関する指標を精度よく予測できる。

異常検知装置１０は、第２の指標を計算する数式、第２の指標の計算結果を学習した第２の機械学習モデル、又は、説明変数と第２の指標とを変数とするマップに基づいて、第２の指標を計算してもよい。一の側面では、本実施形態によれば、検知対象の説明変数の出現頻度を少ない計算量で取得できる。

異常検知装置１０は、第３の指標又は診断結果に第２の指標を乗じることで、第３の指標又は診断結果を補正してもよい。異常検知装置１０は、第３の指標又は診断結果に第２の指標に応じた重みを乗じることで、第３の指標又は診断結果を補正してもよい。一の側面では、本実施形態によれば、検知対象の説明変数の出現頻度に応じて適切に正常値と実測値との乖離度又は診断結果を補正できる。

異常検知装置１０は、第２の指標と所定の閾値との比較結果に基づいて、機械学習モデルを更新してもよい。一の側面では、本実施形態によれば、検知対象の説明変数の出現頻度が低い場合に機械学習モデルを更新できる。

異常検知装置１０は、第２の指標が閾値以下となった回数が第２の閾値以上である場合、機械学習モデルを更新してもよい。一の側面では、本実施形態によれば、検知対象の説明変数の出現頻度が低い状態が続く場合に機械学習モデルを更新できる。

［補足］
上記で説明した実施形態の各機能は、一又は複数の処理回路によって実現することが可能である。ここで、本明細書における「処理回路」とは、電子回路により実装されるＣＰＵ（Central Processing Unit）又はＧＰＵ（Graphics Processing Unit）のようにソフトウェアによって各機能を実行するようプログラミングされたプロセッサや、上記で説明した各機能を実行するよう設計されたＡＳＩＣ（Application Specific Integrated Circuit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）や従来の回路モジュール等の機器を含むものとする。

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。

１０：異常検知装置
２０：空気調和装置
３０：制御装置
１０１：プロセッサ（制御部）
１０２：メモリ
１０３：補助記憶装置（記憶部）
１０４：操作装置
１０５：表示装置
１０６：通信装置
１０７：ドライブ装置
１０００：異常検知システム

Claims

空気調和装置（２０）の異常検知装置（１０）であって、
前記異常検知装置（１０）が有する制御部（１０１）は、
前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置に関する第１の指標の正常値を予測し、
前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、
予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、
前記第２の指標に基づいて、前記第３の指標を補正する、
異常検知装置（１０）。
空気調和装置（２０）の異常検知装置（１０）であって、
前記異常検知装置（１０）が有する制御部（１０１）は、
前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置に関する第１の指標の正常値を予測し、
前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、
予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、
前記第２の指標に基づいて、前記第３の指標に基づく診断結果を補正する、
異常検知装置（１０）。
前記制御部（１０１）は、
前記第２の指標を計算する数式、前記第２の指標の計算結果を学習した第２の機械学習モデル、又は、前記説明変数と前記第２の指標とを変数とするマップに基づいて、前記第２の指標を計算する、
請求項１に記載の異常検知装置（１０）。
前記制御部（１０１）は、
前記第３の指標に前記第２の指標を乗じることで、前記第３の指標を補正する、
請求項１に記載の異常検知装置（１０）。
前記制御部（１０１）は、
前記診断結果に前記第２の指標を乗じることで、前記診断結果を補正する、
請求項２に記載の異常検知装置（１０）。
前記制御部（１０１）は、
前記第３の指標に前記第２の指標に応じた重みを乗じることで、前記第３の指標を補正する、
請求項１に記載の異常検知装置（１０）。
前記制御部（１０１）は、
前記診断結果に前記第２の指標に応じた重みを乗じることで、前記診断結果を補正する、
請求項２に記載の異常検知装置（１０）。
前記制御部（１０１）は、
前記第２の指標と所定の閾値との比較結果に基づいて、前記機械学習モデルを更新する、
請求項１から７のいずれかに記載の異常検知装置（１０）。
前記制御部（１０１）は、
前記第２の指標が前記閾値以下となった回数が第２の閾値以上である場合、前記機械学習モデルを更新する、
請求項８に記載の異常検知装置（１０）。
空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）が、
前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置に関する第１の指標の正常値を予測し、
前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、
予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、
前記第２の指標に基づいて、前記第３の指標を補正する、
異常検知方法。
空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）が、
前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置に関する第１の指標の正常値を予測し、
前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、
予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、
前記第２の指標に基づいて、前記第３の指標に基づく診断結果を補正する、
異常検知方法。
空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）に、
前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置に関する第１の指標の正常値を予測し、
前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、
予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、
前記第２の指標に基づいて、前記第３の指標を補正する、
処理を実行させるためのプログラム。
空気調和装置（２０）の異常検知装置（１０）が有する制御部（１０１）に、
前記空気調和装置（２０）の運転データを学習データとして学習した機械学習モデルに対して、説明変数である検知対象の運転条件を入力することで、目的変数である前記空気調和装置に関する第１の指標の正常値を予測し、
前記学習データにおける前記検知対象の説明変数の出現頻度に関する第２の指標を計算し、
予測した前記正常値と前記第１の指標の実測値との乖離度に関する第３の指標を計算し、
前記第２の指標に基づいて、前記第３の指標に基づく診断結果を補正する、
処理を実行させるためのプログラム。