JPH06265190A - 空気調和機 - Google Patents
空気調和機Info
- Publication number
- JPH06265190A JPH06265190A JP5052190A JP5219093A JPH06265190A JP H06265190 A JPH06265190 A JP H06265190A JP 5052190 A JP5052190 A JP 5052190A JP 5219093 A JP5219093 A JP 5219093A JP H06265190 A JPH06265190 A JP H06265190A
- Authority
- JP
- Japan
- Prior art keywords
- human body
- temperature
- information
- neural network
- air conditioner
- 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.)
- Pending
Links
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
(57)【要約】
【目的】室内の居住者の検出可能な人体情報を基に入力
数の少ない階層型ニューラルネットワークを搭載するこ
とにより短期間で各個人に応じた室内快適環境を創出す
る空気調和機を提供する。 【構成】画像処理技術、赤外線技術により室内の居住者
１の手背温度と着衣量を検出し、得られた手背温度、着
衣量を入力とし居住者の温冷感覚を出力とする階層型ニ
ューラルネットワーク６により各個人の温冷感覚を出力
できるようにし、これから適切な室内温度を設定し、実
際の室温が設定値になるようにマイクロプロセッサ４が
空気調和機本体５を制御する。
数の少ない階層型ニューラルネットワークを搭載するこ
とにより短期間で各個人に応じた室内快適環境を創出す
る空気調和機を提供する。 【構成】画像処理技術、赤外線技術により室内の居住者
１の手背温度と着衣量を検出し、得られた手背温度、着
衣量を入力とし居住者の温冷感覚を出力とする階層型ニ
ューラルネットワーク６により各個人の温冷感覚を出力
できるようにし、これから適切な室内温度を設定し、実
際の室温が設定値になるようにマイクロプロセッサ４が
空気調和機本体５を制御する。
Description
【０００１】
【産業上の利用分野】本発明は空気調和機に関するもの
であり、更に詳しくは、ニューラルネットワークを用い
た制御方式に特徴を有する空気調和機に関するものであ
る。
であり、更に詳しくは、ニューラルネットワークを用い
た制御方式に特徴を有する空気調和機に関するものであ
る。
【０００２】
【従来の技術】室内での温冷感覚を評価する指標とし
て、ＰＭＶ(Predicted Mean Vote)、ＳＥＴ(Standard E
ffective Temperature)が知られている。これらの指標
は、室温，平均輻射温度，湿度及び気流速度の室内環境
４要素と，代謝量及び着衣量の人間側２要素とから成る
温熱６要素を基に算出される。
て、ＰＭＶ(Predicted Mean Vote)、ＳＥＴ(Standard E
ffective Temperature)が知られている。これらの指標
は、室温，平均輻射温度，湿度及び気流速度の室内環境
４要素と，代謝量及び着衣量の人間側２要素とから成る
温熱６要素を基に算出される。
【０００３】しかし、これらの指標は平均的な指標であ
り、個人差(即ち、個人毎の特性)は考慮されていない。
このため、温熱６要素を入力とし温冷感覚を出力とする
階層型ニューラルネットワーク(図８)に、温熱６要素に
対して個人が申告した教師データ(即ち、人体の温冷感
覚を数値化して表した申告値)を学習させ、構築された
ニューラルネットワークを用いることによって、各個人
に応じた快適指標を構成する方法が提案されている(特
開平３−１１１７２１号等)。
り、個人差(即ち、個人毎の特性)は考慮されていない。
このため、温熱６要素を入力とし温冷感覚を出力とする
階層型ニューラルネットワーク(図８)に、温熱６要素に
対して個人が申告した教師データ(即ち、人体の温冷感
覚を数値化して表した申告値)を学習させ、構築された
ニューラルネットワークを用いることによって、各個人
に応じた快適指標を構成する方法が提案されている(特
開平３−１１１７２１号等)。
【０００４】
【発明が解決しようとする課題】ところが、温熱６要素
のうちの人間の代謝量は生理量であり、人体内の酸素摂
取量や二酸化炭素排出量が検出できなければ代謝量を正
確に求めることはできない。そのため実際には、代謝量
が人体の活動状態(例えば、安静，座位等)とある程度相
関があるものとして、活動量から間接的に代謝量を求め
ている。しかし、実際には人体の活動量が同じでも代謝
量は性別，年齢により異なり、また、同じ人間でも時
刻，季節の変化，食事の摂取等により代謝量は変化する
ので、正確に代謝量を検出することは困難である。従っ
て、温熱６要素から人の温冷感覚を正確に検出すること
は現実には不可能である。
のうちの人間の代謝量は生理量であり、人体内の酸素摂
取量や二酸化炭素排出量が検出できなければ代謝量を正
確に求めることはできない。そのため実際には、代謝量
が人体の活動状態(例えば、安静，座位等)とある程度相
関があるものとして、活動量から間接的に代謝量を求め
ている。しかし、実際には人体の活動量が同じでも代謝
量は性別，年齢により異なり、また、同じ人間でも時
刻，季節の変化，食事の摂取等により代謝量は変化する
ので、正確に代謝量を検出することは困難である。従っ
て、温熱６要素から人の温冷感覚を正確に検出すること
は現実には不可能である。
【０００５】更に、上記従来例の場合にはニューラルネ
ットワークの入力数が６と多いので、実際に起こり得る
温熱６要素の組み合わせに対して常に各個人に応じた温
冷感覚が出力されるようにするには、多くの温熱要素の
組み合わせとそれに対する教師データが必要である。従
って、これらの学習データを収集するには長時間を必要
とするといった問題がある。つまり、汎化能力を得るの
に長期間を要してしまうのである。また、ニューラルネ
ットワークの入力数が多いと学習にも長時間を要し、実
用的な空気調和機による快適制御を行うことができない
といった問題もある。
ットワークの入力数が６と多いので、実際に起こり得る
温熱６要素の組み合わせに対して常に各個人に応じた温
冷感覚が出力されるようにするには、多くの温熱要素の
組み合わせとそれに対する教師データが必要である。従
って、これらの学習データを収集するには長時間を必要
とするといった問題がある。つまり、汎化能力を得るの
に長期間を要してしまうのである。また、ニューラルネ
ットワークの入力数が多いと学習にも長時間を要し、実
用的な空気調和機による快適制御を行うことができない
といった問題もある。
【０００６】本発明は、これらの点に鑑みてなされたも
のであって、学習時間が短く、汎化能力が短時間で得ら
れ、しかも温冷感覚の個人差に対応した快適な室内環境
を実現しうる空気調和機を提供することを目的とする。
のであって、学習時間が短く、汎化能力が短時間で得ら
れ、しかも温冷感覚の個人差に対応した快適な室内環境
を実現しうる空気調和機を提供することを目的とする。
【０００７】
【課題を解決するための手段】上記目的を達成するた
め、本発明に係る空気調和機は、室内の温度を制御する
空気調和機であって、前記室内における人体の手背温度
及び着衣状態を含む人体情報を入力する入力手段と，該
入力手段によって予め得られた人体の手背温度及び着衣
状態を表す情報並びに人体の温冷感覚を表す申告情報の
学習結果に基づき、前記入力手段によって得られた人体
情報のうちの人体の手背温度及び着衣状態を表す情報か
ら人体の温冷感覚を予測し、該温冷感覚を表す情報を出
力するニューラルネットワークと，該ニューラルネット
ワークにより得られた温冷感覚を表す情報に基づいて室
内の温度を制御する制御手段と，を備えたことを特徴と
する。
め、本発明に係る空気調和機は、室内の温度を制御する
空気調和機であって、前記室内における人体の手背温度
及び着衣状態を含む人体情報を入力する入力手段と，該
入力手段によって予め得られた人体の手背温度及び着衣
状態を表す情報並びに人体の温冷感覚を表す申告情報の
学習結果に基づき、前記入力手段によって得られた人体
情報のうちの人体の手背温度及び着衣状態を表す情報か
ら人体の温冷感覚を予測し、該温冷感覚を表す情報を出
力するニューラルネットワークと，該ニューラルネット
ワークにより得られた温冷感覚を表す情報に基づいて室
内の温度を制御する制御手段と，を備えたことを特徴と
する。
【０００８】前記着衣状態を表す情報とは、例えば着衣
量であり、例えば半袖，長袖等の種類別の特性に基づく
データを着衣量として採用することができる。また、前
記人体情報とは、例えば画像情報である。この画像情報
は、例えば前記入力手段を前記画像情報を入力する赤外
線ＣＣＤ(Charge Coupled Device)カメラと，該赤外線
ＣＣＤカメラで得られた画像情報を画像処理することに
より前記人体の手背温度及び着衣状態を表す情報を出力
する画像処理ＬＳＩ(Large Scale Integratedcircuit)
とで構成することによって得ることができる。
量であり、例えば半袖，長袖等の種類別の特性に基づく
データを着衣量として採用することができる。また、前
記人体情報とは、例えば画像情報である。この画像情報
は、例えば前記入力手段を前記画像情報を入力する赤外
線ＣＣＤ(Charge Coupled Device)カメラと，該赤外線
ＣＣＤカメラで得られた画像情報を画像処理することに
より前記人体の手背温度及び着衣状態を表す情報を出力
する画像処理ＬＳＩ(Large Scale Integratedcircuit)
とで構成することによって得ることができる。
【０００９】
【作用】このような構成によると、ニューラルネットワ
ークが人体の温冷感覚を表す情報を出力するために必要
な入力は、人体の手背温度及び着衣状態を表す情報のわ
ずか２要素にすぎないので、学習が短時間で終了し、ま
た汎化能力が短期間で得られる。人体各部の温度のうち
上記手背温度は、一定の着衣状態において温冷感覚と最
も相関が高いので、上記２要素を基に室内温度を適切な
値に設定すれば、快適な室内環境を実現することができ
る。また、各個人の温冷感覚を表す申告情報に基づいた
ニューラルネットワークの学習により、個人差が吸収さ
れて実際の各個人の体感に合った室内温度とすることが
できる。
ークが人体の温冷感覚を表す情報を出力するために必要
な入力は、人体の手背温度及び着衣状態を表す情報のわ
ずか２要素にすぎないので、学習が短時間で終了し、ま
た汎化能力が短期間で得られる。人体各部の温度のうち
上記手背温度は、一定の着衣状態において温冷感覚と最
も相関が高いので、上記２要素を基に室内温度を適切な
値に設定すれば、快適な室内環境を実現することができ
る。また、各個人の温冷感覚を表す申告情報に基づいた
ニューラルネットワークの学習により、個人差が吸収さ
れて実際の各個人の体感に合った室内温度とすることが
できる。
【００１０】
【実施例】以下、本発明の空気調和機の実施例を図面を
参照しつつ説明するが、本実施例を説明する前に本発明
に用いる階層型ニューラルネットワーク(図１中に示す
後述のニューラルネットワーク６)について説明する。
参照しつつ説明するが、本実施例を説明する前に本発明
に用いる階層型ニューラルネットワーク(図１中に示す
後述のニューラルネットワーク６)について説明する。
【００１１】ニューラルネットワーク(即ち、神経回路
網)は、人間の神経ネットワークをまねた情報処理シス
テムである。ニューラルネットワークにおいて、神経細
胞に相当する工学的なニューロンのモデルをユニットと
呼ぶ。
網)は、人間の神経ネットワークをまねた情報処理シス
テムである。ニューラルネットワークにおいて、神経細
胞に相当する工学的なニューロンのモデルをユニットと
呼ぶ。
【００１２】ユニットには、図３に示すような多入力、
１出力の素子が通常用いられている。信号は一方向にだ
け伝わり、ある重み(結合荷重：ｗi)がつけられてユニ
ットに入力される。この重みによって、ユニット間の結
合の強さが表される。ユニット間の結合の強さは、学習
によって変化させることができる。重みがつけられたそ
れぞれの入力値(ｗiｘi)の総和からしきい値θを引いた
値Ｘが、応答関数ｆ(Ｘ)による変形を受けた後、出力さ
れる。ユニットの出力値ｙは、以下に示す式(1)のよう
になる。
１出力の素子が通常用いられている。信号は一方向にだ
け伝わり、ある重み(結合荷重：ｗi)がつけられてユニ
ットに入力される。この重みによって、ユニット間の結
合の強さが表される。ユニット間の結合の強さは、学習
によって変化させることができる。重みがつけられたそ
れぞれの入力値(ｗiｘi)の総和からしきい値θを引いた
値Ｘが、応答関数ｆ(Ｘ)による変形を受けた後、出力さ
れる。ユニットの出力値ｙは、以下に示す式(1)のよう
になる。
【００１３】ｙ＝ｆ(Ｘ) …(1) ここで、Ｘ＝Σ(ｗiｘi−θ)である。
【００１４】ユニットへ入力されたＸは、ユニットの応
答特性ｆ(Ｘ)に従って変形されるが、応答関数としてよ
く用いられるものが図４に示すシグモイド関数である。
答特性ｆ(Ｘ)に従って変形されるが、応答関数としてよ
く用いられるものが図４に示すシグモイド関数である。
【００１５】階層型ニューラルネットワークでは、図５
に示すように各ユニット(同図中の丸印)が、入力層
Ｌ1，中間層(１層又は複数の層から成る)Ｌ2及び出力層
Ｌ3に階層化されている。ユニット間の接続は各層間で
の接続であり、同一の層内での接続はなく、また、信号
は入力から出力への一方向にしか伝わらない。通常、入
力層Ｌ1のユニットはシグモイド特性やしきい値をもた
ず、入力値がそのまま出力に表れる。ニューラルネット
ワークの出力値は、以下の式(2)に示すように非常に簡
単な形で表される。
に示すように各ユニット(同図中の丸印)が、入力層
Ｌ1，中間層(１層又は複数の層から成る)Ｌ2及び出力層
Ｌ3に階層化されている。ユニット間の接続は各層間で
の接続であり、同一の層内での接続はなく、また、信号
は入力から出力への一方向にしか伝わらない。通常、入
力層Ｌ1のユニットはシグモイド特性やしきい値をもた
ず、入力値がそのまま出力に表れる。ニューラルネット
ワークの出力値は、以下の式(2)に示すように非常に簡
単な形で表される。
【００１６】O=f(ΣVj・Hj-γ) …(2) ここで、 Hj=f(ΣWij・Ii-θj) Ii(i=1〜M)：入力層Ｌ1のユニットiの入力 Hj(j=1〜N)：中間層Ｌ2のユニットjの出力 O ：出力層Ｌ3のユニットの出力 Wij ：入力層Ｌ1のユニットiから中間層Ｌ2のユ
ニットjへの結合荷重 Vj ：中間層Ｌ2のユニットjから出力層Ｌ3のユ
ニットへの結合荷重 θj ：中間層Ｌ2のユニットjのしきい値 γ ：出力層Ｌ3のしきい値 M ：入力層Ｌ1のユニットの数 N ：中間層Ｌ2のユニットの数 である。
ニットjへの結合荷重 Vj ：中間層Ｌ2のユニットjから出力層Ｌ3のユ
ニットへの結合荷重 θj ：中間層Ｌ2のユニットjのしきい値 γ ：出力層Ｌ3のしきい値 M ：入力層Ｌ1のユニットの数 N ：中間層Ｌ2のユニットの数 である。
【００１７】上記階層型ニューラルネットワークの学習
アルゴリズムとしては、教師信号と出力信号の２乗誤差
が最小となるように、最急降下法を用いて中間層Ｌ2−
出力層Ｌ3、入力層Ｌ1−中間層Ｌ2間の結合荷重及びし
きい値を順次変化させていく誤差逆伝播学習則(バック
プロパゲーション)がよく用いられており、本実施例で
もこれを用いることができる。
アルゴリズムとしては、教師信号と出力信号の２乗誤差
が最小となるように、最急降下法を用いて中間層Ｌ2−
出力層Ｌ3、入力層Ｌ1−中間層Ｌ2間の結合荷重及びし
きい値を順次変化させていく誤差逆伝播学習則(バック
プロパゲーション)がよく用いられており、本実施例で
もこれを用いることができる。
【００１８】次に、本発明の実施例について説明する。
人間の温冷感覚を知る方法としては、室内環境要素を検
出する方法以外に、人体情報を検出する方法が考えられ
る。人体情報としては、人体各部の他の温度と比較し
て、一定の着衣状態の下での手背(即ち、手の甲)の温度
が、温冷感覚に対して最も相関が高いことが実験的に知
られている。
人間の温冷感覚を知る方法としては、室内環境要素を検
出する方法以外に、人体情報を検出する方法が考えられ
る。人体情報としては、人体各部の他の温度と比較し
て、一定の着衣状態の下での手背(即ち、手の甲)の温度
が、温冷感覚に対して最も相関が高いことが実験的に知
られている。
【００１９】例えば、図６は着衣条件が一定のときの手
背温度に対する温冷感覚(数値で表示)の変化を７段階の
評価値で示したものである。同図中の温冷感覚の数字
は、「＋３」が非常に暑い、「＋２」が暑い、「＋１」
がやや暑い、「０」が暑くも寒くもない状態、「−１」
がやや寒い、「−２」が寒い、「−３」が非常に寒いを
意味している。尚、同図の(ａ)と(ｂ)とは、別々の人間
のデータであり、また同図中の×印は実験による申告値
を表している。同図から分かるように、個人ごとの温冷
感覚は手背温度に対して高い相関を示している。
背温度に対する温冷感覚(数値で表示)の変化を７段階の
評価値で示したものである。同図中の温冷感覚の数字
は、「＋３」が非常に暑い、「＋２」が暑い、「＋１」
がやや暑い、「０」が暑くも寒くもない状態、「−１」
がやや寒い、「−２」が寒い、「−３」が非常に寒いを
意味している。尚、同図の(ａ)と(ｂ)とは、別々の人間
のデータであり、また同図中の×印は実験による申告値
を表している。同図から分かるように、個人ごとの温冷
感覚は手背温度に対して高い相関を示している。
【００２０】図１に基づいて本実施例の概略構成を説明
する。本実施例は室内の温度を制御する空気調和機であ
って、上記相関関係を利用して人体の温冷感覚を予測す
ることに特徴があり、そのために手背温度及び着衣状態
を画像処理技術を用いて検出し、一方で、例えばリモコ
ン等のマンマシン・インターフェイス(図示せず)により
人体(例えば、家庭用の空気調和機であれば居住者)の温
冷感覚の申告情報を得るように構成されている。
する。本実施例は室内の温度を制御する空気調和機であ
って、上記相関関係を利用して人体の温冷感覚を予測す
ることに特徴があり、そのために手背温度及び着衣状態
を画像処理技術を用いて検出し、一方で、例えばリモコ
ン等のマンマシン・インターフェイス(図示せず)により
人体(例えば、家庭用の空気調和機であれば居住者)の温
冷感覚の申告情報を得るように構成されている。
【００２１】上記画像処理技術には、室内における人体
の手背温度及び着衣状態を含む人体情報を画像情報とし
て入力する赤外線ＣＣＤカメラ２と，赤外線ＣＣＤカメ
ラ２からの信号を画像処理することにより人体情報を出
力する画像処理ＬＳＩ３とから成る入力手段が用いられ
ている。
の手背温度及び着衣状態を含む人体情報を画像情報とし
て入力する赤外線ＣＣＤカメラ２と，赤外線ＣＣＤカメ
ラ２からの信号を画像処理することにより人体情報を出
力する画像処理ＬＳＩ３とから成る入力手段が用いられ
ている。
【００２２】前記人体情報として人体の手背温度を採用
するのは、先に述べたように温冷感覚が手背温度に対し
て高い相関を示すからである。また、赤外線ＣＣＤカメ
ラ２や画像処理ＬＳＩ３を用いて人体情報を画像情報と
して得るのは、手背温度の入力を人に意識させることな
く行うことが可能だからである。つまり、人体に直接接
触しなくても画像情報を得ることができるからである。
また、画像情報から半袖，長袖等の種類別の特性に基づ
くデータとして着衣状態を表す情報を得ることができる
ので、着衣量についても容易に得ることができる。
するのは、先に述べたように温冷感覚が手背温度に対し
て高い相関を示すからである。また、赤外線ＣＣＤカメ
ラ２や画像処理ＬＳＩ３を用いて人体情報を画像情報と
して得るのは、手背温度の入力を人に意識させることな
く行うことが可能だからである。つまり、人体に直接接
触しなくても画像情報を得ることができるからである。
また、画像情報から半袖，長袖等の種類別の特性に基づ
くデータとして着衣状態を表す情報を得ることができる
ので、着衣量についても容易に得ることができる。
【００２３】また、本実施例を構成するニューラルネッ
トワーク６は、赤外線ＣＣＤカメラ２等によって予め得
られた人体の手背温度及び着衣状態を表す情報(即ち、
着衣量)並びに人体の温冷感覚を表す申告情報の学習結
果に基づき、赤外線ＣＣＤカメラ２等によって得られた
人体情報のうちの人体の手背温度及び着衣状態を表す情
報から人体の温冷感覚を予測し、その温冷感覚を表す情
報を出力する。図７は、このニューラルネットワーク６
に対して、手背温度及び着衣量を入力とし、温冷感覚を
出力とする構成を模式的に示している。尚、同図中の丸
印はユニットを表している。
トワーク６は、赤外線ＣＣＤカメラ２等によって予め得
られた人体の手背温度及び着衣状態を表す情報(即ち、
着衣量)並びに人体の温冷感覚を表す申告情報の学習結
果に基づき、赤外線ＣＣＤカメラ２等によって得られた
人体情報のうちの人体の手背温度及び着衣状態を表す情
報から人体の温冷感覚を予測し、その温冷感覚を表す情
報を出力する。図７は、このニューラルネットワーク６
に対して、手背温度及び着衣量を入力とし、温冷感覚を
出力とする構成を模式的に示している。尚、同図中の丸
印はユニットを表している。
【００２４】ニューラルネットワーク６が人体の温冷感
覚を表す情報を出力するために必要な入力は、人体の手
背温度及び着衣状態を表す情報のわずか２要素にすぎな
いので、学習が短時間で終了し、また汎化能力が短期間
で得られる。また、出力される温冷感覚を表す情報は、
前記学習結果に基づいて予測されたものであるため、温
冷感覚の個人差が吸収されて居住者１の温冷感覚に適合
したものである。
覚を表す情報を出力するために必要な入力は、人体の手
背温度及び着衣状態を表す情報のわずか２要素にすぎな
いので、学習が短時間で終了し、また汎化能力が短期間
で得られる。また、出力される温冷感覚を表す情報は、
前記学習結果に基づいて予測されたものであるため、温
冷感覚の個人差が吸収されて居住者１の温冷感覚に適合
したものである。
【００２５】また本実施例は、ニューラルネットワーク
６により得られた温冷感覚を表す情報に基づいて室内の
温度を制御するマイクロプロセッサ４を備えている。マ
イクロプロセッサ４は空気調和機全体を制御する制御手
段であり、温冷感覚に基づく室内温度の制御は不図示の
室内ファン，圧縮機等から成る空気調和機本体５に室内
ファン駆動信号及び圧縮機駆動信号を出力することによ
って行われる。ニューラルネットワーク６によって予測
された温冷感覚を表す情報により、マイクロプロセッサ
４は実際の各個人の体感に合った室内温度に室温を制御
することになる。
６により得られた温冷感覚を表す情報に基づいて室内の
温度を制御するマイクロプロセッサ４を備えている。マ
イクロプロセッサ４は空気調和機全体を制御する制御手
段であり、温冷感覚に基づく室内温度の制御は不図示の
室内ファン，圧縮機等から成る空気調和機本体５に室内
ファン駆動信号及び圧縮機駆動信号を出力することによ
って行われる。ニューラルネットワーク６によって予測
された温冷感覚を表す情報により、マイクロプロセッサ
４は実際の各個人の体感に合った室内温度に室温を制御
することになる。
【００２６】次に、図２に示す本実施例のフローチャー
トに従って、マイクロプロセッサ４による制御動作を説
明する。尚、この制御動作開始前には、既に前記バック
プロパゲーション等の学習アルゴリズムで、入力に対す
る出力のエラーが一定レベルに収束するまでニューラル
ネットワーク６に学習させることにより、一定の評価率
を保証しうるネットワークが構築されているものとす
る。尚、ニューラルネットワーク６に対する学習は、赤
外線ＣＣＤカメラ２等で得られた画像情報からの手背温
度及び着衣量と，そのときの温冷感覚の申告値とを１組
とする複数組の学習データで行う。
トに従って、マイクロプロセッサ４による制御動作を説
明する。尚、この制御動作開始前には、既に前記バック
プロパゲーション等の学習アルゴリズムで、入力に対す
る出力のエラーが一定レベルに収束するまでニューラル
ネットワーク６に学習させることにより、一定の評価率
を保証しうるネットワークが構築されているものとす
る。尚、ニューラルネットワーク６に対する学習は、赤
外線ＣＣＤカメラ２等で得られた画像情報からの手背温
度及び着衣量と，そのときの温冷感覚の申告値とを１組
とする複数組の学習データで行う。
【００２７】まず、主電源(図示せず)がＯＮされると、
赤外線ＣＣＤカメラ２で室内の居住者１の画像を入力
し、画像処理ＬＳＩ３を用いた画像処理技術により手背
温度及び着衣量を検出する(＃１０)。
赤外線ＣＣＤカメラ２で室内の居住者１の画像を入力
し、画像処理ＬＳＩ３を用いた画像処理技術により手背
温度及び着衣量を検出する(＃１０)。
【００２８】ついで、先に述べたように、マンマシン・
インターフェイス(例えば、リモコン)により、居住者１
の温冷感覚の申告値を検出する(＃２０)。ここで、居住
者１からの申告値が検出されない場合には、ステップ＃
４０に進んで温冷感覚の予測及びそれ以降の動作を実行
する。
インターフェイス(例えば、リモコン)により、居住者１
の温冷感覚の申告値を検出する(＃２０)。ここで、居住
者１からの申告値が検出されない場合には、ステップ＃
４０に進んで温冷感覚の予測及びそれ以降の動作を実行
する。
【００２９】居住者１からの申告値を検出した場合に
は、ステップ＃３０で手背温度及び着衣量とそのときの
温冷感覚の申告値(＋１，−２等)とから成る１組の学習
データを、前記学習アルゴリズムによってニューラルネ
ットワーク６に学習させる(＃３０)。学習済みのニュー
ラルネットワーク６によって、その時の居住者１の手背
温度と着衣量とから居住者１の温冷感覚を予測し出力さ
せる(＃４０)。
は、ステップ＃３０で手背温度及び着衣量とそのときの
温冷感覚の申告値(＋１，−２等)とから成る１組の学習
データを、前記学習アルゴリズムによってニューラルネ
ットワーク６に学習させる(＃３０)。学習済みのニュー
ラルネットワーク６によって、その時の居住者１の手背
温度と着衣量とから居住者１の温冷感覚を予測し出力さ
せる(＃４０)。
【００３０】このようにして予測された居住者１の温冷
感覚を表す情報に基づいて、室内温度の設定値を設定し
直す(＃５０)。例えばある室内環境下で、ニューラルネ
ットワーク６の出力が０のときは室温の設定値をそのま
ま保持し、ニューラルネットワーク６の出力が(＋)とき
はその値に応じて室温設定値を下げ、ニューラルネット
ワーク６の出力が(−)のときはその値に応じて室温設定
値を上げることにより設定値を適切な値とする。
感覚を表す情報に基づいて、室内温度の設定値を設定し
直す(＃５０)。例えばある室内環境下で、ニューラルネ
ットワーク６の出力が０のときは室温の設定値をそのま
ま保持し、ニューラルネットワーク６の出力が(＋)とき
はその値に応じて室温設定値を下げ、ニューラルネット
ワーク６の出力が(−)のときはその値に応じて室温設定
値を上げることにより設定値を適切な値とする。
【００３１】室内温度の設定値を設定し直した後は、室
内ファン駆動信号及び圧縮機駆動信号を空気調和機本体
５に出力することによって、空気調和機本体５で実際の
室内温度(即ち、室温サーミスタ７で測定された室温)が
設定値となるように制御し(＃６０)、ステップ＃１０に
戻って上記制御動作を繰り返す。これにより、各個人に
応じた快適住環境が創出される。
内ファン駆動信号及び圧縮機駆動信号を空気調和機本体
５に出力することによって、空気調和機本体５で実際の
室内温度(即ち、室温サーミスタ７で測定された室温)が
設定値となるように制御し(＃６０)、ステップ＃１０に
戻って上記制御動作を繰り返す。これにより、各個人に
応じた快適住環境が創出される。
【００３２】
【発明の効果】以上説明したように本発明によれば、ニ
ューラルネットワークに入力される情報は、人体の手背
温度と着衣状態を表す情報とのわずか２要素であり、従
来のものに比べて極めて少ないので、学習時間が短く、
汎化能力が短時間で得られるという効果がある。従っ
て、実用的で快適な空気調和を実現することができる。
ューラルネットワークに入力される情報は、人体の手背
温度と着衣状態を表す情報とのわずか２要素であり、従
来のものに比べて極めて少ないので、学習時間が短く、
汎化能力が短時間で得られるという効果がある。従っ
て、実用的で快適な空気調和を実現することができる。
【００３３】また、ニューラルネットワークは、入力手
段によって予め得られた人体の手背温度及び着衣状態を
表す情報並びに人体の温冷感覚を表す申告情報の学習結
果に基づき、入力手段によって得られた人体情報のうち
の人体の手背温度及び着衣状態を表す情報から人体の温
冷感覚を予測し、その温冷感覚を表す情報を出力し、制
御手段はその温冷感覚を表す情報に基づいて室内の温度
を制御するので、温冷感覚の個人差に対応した快適な室
内環境を実現することができる。
段によって予め得られた人体の手背温度及び着衣状態を
表す情報並びに人体の温冷感覚を表す申告情報の学習結
果に基づき、入力手段によって得られた人体情報のうち
の人体の手背温度及び着衣状態を表す情報から人体の温
冷感覚を予測し、その温冷感覚を表す情報を出力し、制
御手段はその温冷感覚を表す情報に基づいて室内の温度
を制御するので、温冷感覚の個人差に対応した快適な室
内環境を実現することができる。
【００３４】また、前記人体情報として画像情報を用い
ることにより、人に意識させることなく人体情報を得る
ことができる。例えば、前記画像情報を入力する赤外線
ＣＣＤカメラと，その赤外線ＣＣＤカメラで得られた画
像情報を画像処理することにより前記人体の手背温度及
び着衣状態を表す情報を出力する画像処理ＬＳＩとで入
力手段を構成することによって、人体に直接接触しなく
ても画像情報を得ることができる。
ることにより、人に意識させることなく人体情報を得る
ことができる。例えば、前記画像情報を入力する赤外線
ＣＣＤカメラと，その赤外線ＣＣＤカメラで得られた画
像情報を画像処理することにより前記人体の手背温度及
び着衣状態を表す情報を出力する画像処理ＬＳＩとで入
力手段を構成することによって、人体に直接接触しなく
ても画像情報を得ることができる。
【図１】本発明の実施例の概略構成を示すブロック図。
【図２】本発明の実施例における制御動作を示すフロー
チャート。
チャート。
【図３】本発明の実施例に用いられているニューラルネ
ットワークを構成するニューロンの工学的モデルを示す
模式図。
ットワークを構成するニューロンの工学的モデルを示す
模式図。
【図４】本発明の実施例に用いられているニューラルネ
ットワークを構成するニューロンの入出力特性を表すグ
ラフ。
ットワークを構成するニューロンの入出力特性を表すグ
ラフ。
【図５】本発明の実施例に用いられている階層型ニュー
ラルネットワークの構造を示す模式図。
ラルネットワークの構造を示す模式図。
【図６】本発明の実施例において入出力される手背温度
と温冷感覚との関係を表すグラフ。
と温冷感覚との関係を表すグラフ。
【図７】本発明の実施例に用いられているニューラルネ
ットワークに対する入出力信号を示す模式図。
ットワークに対する入出力信号を示す模式図。
【図８】従来例に用いられているニューラルネットワー
クに対する入出力信号を示す模式図。
クに対する入出力信号を示す模式図。
２ 赤外線ＣＣＤカメラ ３ 画像処理ＬＳＩ ４ マイクロプロセッサ ６ ニューラルネットワーク
Claims (4)
- 【請求項１】室内の温度を制御する空気調和機であっ
て、 前記室内における人体の手背温度及び着衣状態を含む人
体情報を入力する入力手段と，該入力手段によって予め
得られた人体の手背温度及び着衣状態を表す情報並びに
人体の温冷感覚を表す申告情報の学習結果に基づき、前
記入力手段によって得られた人体情報のうちの人体の手
背温度及び着衣状態を表す情報から人体の温冷感覚を予
測し、該温冷感覚を表す情報を出力するニューラルネッ
トワークと，該ニューラルネットワークにより得られた
温冷感覚を表す情報に基づいて室内の温度を制御する制
御手段と，を備えたことを特徴とする空気調和機。 - 【請求項２】前記着衣状態を表す情報が着衣量であるこ
とを特徴とする請求項１に記載の空気調和機。 - 【請求項３】前記人体情報が画像情報であることを特徴
とする請求項１に記載の空気調和機。 - 【請求項４】前記入力手段が、前記画像情報を入力する
赤外線ＣＣＤカメラと，該赤外線ＣＣＤカメラで得られ
た画像情報を画像処理することにより前記人体の手背温
度及び着衣状態を表す情報を出力する画像処理ＬＳＩと
から成ることを特徴とする請求項３に記載の空気調和
機。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5052190A JPH06265190A (ja) | 1993-03-12 | 1993-03-12 | 空気調和機 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5052190A JPH06265190A (ja) | 1993-03-12 | 1993-03-12 | 空気調和機 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH06265190A true JPH06265190A (ja) | 1994-09-20 |
Family
ID=12907883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5052190A Pending JPH06265190A (ja) | 1993-03-12 | 1993-03-12 | 空気調和機 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH06265190A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09303842A (ja) * | 1996-05-15 | 1997-11-28 | Toshiba Corp | 空気調和機 |
| CN105241023A (zh) * | 2015-10-30 | 2016-01-13 | 广东美的制冷设备有限公司 | 空调器的控制方法、系统以及着衣量检测方法和装置 |
| CN105546766A (zh) * | 2016-02-01 | 2016-05-04 | 青岛海尔空调器有限总公司 | 人体舒适温度的确定方法与装置 |
| CN105674495A (zh) * | 2016-02-01 | 2016-06-15 | 青岛海尔空调器有限总公司 | 空调器运行状态的调节方法与装置 |
| WO2018120625A1 (zh) * | 2016-12-27 | 2018-07-05 | 美的集团武汉制冷设备有限公司 | 空调器的控制方法、装置及空调器 |
| WO2019087537A1 (ja) * | 2017-10-30 | 2019-05-09 | ダイキン工業株式会社 | 空調制御装置 |
| WO2019087538A1 (ja) * | 2017-10-30 | 2019-05-09 | ダイキン工業株式会社 | 集中度推定装置 |
-
1993
- 1993-03-12 JP JP5052190A patent/JPH06265190A/ja active Pending
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09303842A (ja) * | 1996-05-15 | 1997-11-28 | Toshiba Corp | 空気調和機 |
| CN105241023A (zh) * | 2015-10-30 | 2016-01-13 | 广东美的制冷设备有限公司 | 空调器的控制方法、系统以及着衣量检测方法和装置 |
| CN105546766A (zh) * | 2016-02-01 | 2016-05-04 | 青岛海尔空调器有限总公司 | 人体舒适温度的确定方法与装置 |
| CN105674495A (zh) * | 2016-02-01 | 2016-06-15 | 青岛海尔空调器有限总公司 | 空调器运行状态的调节方法与装置 |
| CN105546766B (zh) * | 2016-02-01 | 2019-11-05 | 青岛海尔空调器有限总公司 | 人体舒适温度的确定方法与装置 |
| WO2018120625A1 (zh) * | 2016-12-27 | 2018-07-05 | 美的集团武汉制冷设备有限公司 | 空调器的控制方法、装置及空调器 |
| JP2019082311A (ja) * | 2017-10-30 | 2019-05-30 | ダイキン工業株式会社 | 集中度推定装置 |
| JP2019082312A (ja) * | 2017-10-30 | 2019-05-30 | ダイキン工業株式会社 | 空調制御装置 |
| WO2019087538A1 (ja) * | 2017-10-30 | 2019-05-09 | ダイキン工業株式会社 | 集中度推定装置 |
| WO2019087537A1 (ja) * | 2017-10-30 | 2019-05-09 | ダイキン工業株式会社 | 空調制御装置 |
| JP2019215162A (ja) * | 2017-10-30 | 2019-12-19 | ダイキン工業株式会社 | 空調制御装置 |
| JP2020008278A (ja) * | 2017-10-30 | 2020-01-16 | ダイキン工業株式会社 | 集中度推定装置 |
| CN111247375A (zh) * | 2017-10-30 | 2020-06-05 | 大金工业株式会社 | 空调控制装置 |
| CN111279135A (zh) * | 2017-10-30 | 2020-06-12 | 大金工业株式会社 | 集中度推断装置 |
| CN111279135B (zh) * | 2017-10-30 | 2022-06-14 | 大金工业株式会社 | 集中度推断装置 |
| US11480359B2 (en) | 2017-10-30 | 2022-10-25 | Daikin Industries, Ltd. | Air-conditioning control device |
| US11530828B2 (en) | 2017-10-30 | 2022-12-20 | Daikin Industries, Ltd. | Concentration estimation device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | Temperature-preference learning with neural networks for occupant-centric building indoor climate controls | |
| Hamdi et al. | A new predictive thermal sensation index of human response | |
| JP2019522163A (ja) | 空調システムを動作させるコントローラー及び空調システムの制御方法 | |
| Chen et al. | Fuzzy adaptive networks in thermal comfort | |
| JP3214317B2 (ja) | 空調装置 | |
| JPH06265190A (ja) | 空気調和機 | |
| JP2522102B2 (ja) | 空気調和装置の運転制御装置 | |
| JP3361017B2 (ja) | 快適性指標ｐｍｖ学習装置 | |
| Suman et al. | Toward personalization of user preferences in partially observable smart home environments | |
| JP3235128B2 (ja) | 空調制御装置 | |
| KR102233157B1 (ko) | 딥러닝 기반의 재실자 포즈 분류를 이용한 재실자 활동량 산출 방법 및 시스템 | |
| Rastogi et al. | An IoT-based Framework to Forecast Indoor Air Quality using ANFIS-DTMC Model. | |
| JPH05322284A (ja) | 空気調和における快適度算出装置 | |
| JP2563655B2 (ja) | 空気調和機の制御方法 | |
| JPH08189683A (ja) | 空気調和機の制御装置 | |
| JP2586965B2 (ja) | 電気カーペットの制御方法 | |
| JPH04316947A (ja) | 空気調和機の制御装置 | |
| Zhao et al. | On-line adaptive personalized dynamic thermal comfort (PDTC) model using recursive least square estimation | |
| JP2897395B2 (ja) | 空気調和機の制御装置 | |
| Mao et al. | A Human Thermal Comfort Level Estimating Method Using Thermal Image and Sensor Data | |
| JPH08189684A (ja) | 空気調和機の制御装置 | |
| JPH04148142A (ja) | 空調制御装置 | |
| Rodríguez-Alabarce et al. | Thermal comfort estimation using a neurocomputational model | |
| CN112212481A (zh) | 利用深度强化学习控制环境舒适度的系统及其方法 | |
| JPH0694292A (ja) | 温熱感対応空調システム |