KR20230000431A

KR20230000431A - 모델 생성 장치, 모델 생성 프로그램, 및 모델 생성 방법

Info

Publication number: KR20230000431A
Application number: KR1020220073475A
Authority: KR
Inventors: 도시아키 오쿠보; 다스쿠 이마니시
Original assignee: 아즈빌주식회사
Priority date: 2021-06-24
Filing date: 2022-06-16
Publication date: 2023-01-02
Also published as: JP2023003473A; CN115526329A

Abstract

본 발명은, 제어 시스템에 의해 제어되는 제어 대상의 상태를 사용자가 적절하게 파악하게 하는 것을 목적으로 한다.
모델 생성 장치(50)는, 교사 데이터 취득부(51B)와, 모델 생성부(51C)를 포함한다. 모델 생성 장치(50)는, 공조 시스템에 의해 제어되는 공조존의 공기가 「춥다」, 「덥다」, 「기타」 중 어느 한 상태에 있는지에 관계된 계측값인 실온(T1 또는 T2), 급기 온도(Tsa), 급기량(Q1 또는 Q2)을 설명 변수로 하고, 「춥다」, 「덥다」, 「기타」의 그 계측값일 때의 상태를 목적 변수로 한 복수의 교사 데이터를 취득한다. 모델 생성부(51C)는, 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 계측값을 입력값으로 하여 상기 입력값일 때의 공조존의 공기가 취할 수 있는 「춥다」, 「덥다」, 「기타」 각각의 확률을 도출하는 모델(M1 및 M2)을 생성한다.

Description

모델 생성 장치, 모델 생성 프로그램, 및 모델 생성 방법{MODEL GENERATING APPARATUS, MODEL GENERATING PROGRAM, AND MODEL GENERATING METHOD}

본 발명은, 모델 생성 장치, 모델 생성 프로그램, 및 모델 생성 방법에 관한 것이다.

공조 시스템에는, 공조기측에서 급기 온도 및 전체 공조존으로의 총급기량을 제어하고, VAV(Variable Air Volume) 유닛에 의해 개개의 공조존으로의 급기량을 제어함으로써, 개개의 공조존의 공기를 조화하는 VAV 방식의 공조 시스템이 있다(특허문헌 1).

[특허문헌 1] 일본 특허 공개 제2016-125688호 공보

상기 공조 시스템은, 공조존의 공기를 제어 대상으로 한 제어 시스템의 일종이지만, 제어 시스템의 관리자 등의 사용자는, 제어 대상이 복수의 상태 중 어느 한 상태에 있는지를 파악함으로써, 제어 시스템 이상 등에 대처할 수 있다. 따라서, 사용자는, 제어 대상이 복수의 상태 중 어느 한 상태에 있는지를 적절하게 파악하는 것이 바람직하다.

일례로서, 상기한 공조 시스템의 관리자 등의 사용자는, 실내 환경의 계측값(실온, 풍량 등)을 감시함으로써, 공조존의 환경(공기)의 상태를 감시한다. 그러나, 계측값의 감시만으로는, 사용자가, 공조존의 거주자가 느끼는 공조존의 환경의 상태(거주자가 주관적으로 느끼는 상태)를 적절하게 파악하는 것은 곤란하다. 그 결과, 관리자 등의 사용자는, 공조존의 거주자로부터의 클레임 등이 발생할 때까지 공조존의 환경의 상태에 대해서 이상을 발견할 수 없거나 그 발견이 지연되어 버린다. 이와 같이, 종래의 공조 시스템에 있어서, 사용자가 공조존의 환경의 상태를 적절하게 파악할 수 없음으로써, 상태 이상에 대하여 사용자가 대처할 수 없다고 하는 문제점이 발생할 수 있다.

본 발명은, 상기 점을 감안하여 이루어진 것으로, 제어 시스템의 제어 대상의 상태를 사용자가 적절하게 파악하게 하는 것을 과제로 한다.

상기 과제를 해결하기 위해, 본 발명에 따른 모델 생성 장치는, 제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값을 설명 변수로 하고, 상기 복수의 상태 중, 그 계측값일 때의 상태를 목적 변수로 한 복수의 교사(敎師) 데이터를 취득하도록 구성된 교사 데이터 취득부와, 상기 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 상기 계측값을 입력값으로 하여 상기 입력값일 때의 상기 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하도록 구성된 모델 생성부를 포함한다.

상기 모델 생성 장치는, 상기 모델에 새로운 상기 계측값을 입력하고, 상기 모델이 도출하는 상기 복수의 상태 각각의 확률을 취득하도록 구성된 확률 취득부와, 상기 확률 취득부에 의해 취득된 상기 복수의 상태 각각의 상기 확률에 기초하여, 상기 복수의 상태 중 적어도 상기 확률이 가장 높은 상태를 통지하도록 구성된 통지부를 더 포함하도록 하여도 좋다.

상기 모델 생성 장치는, 상기 모델에 새로운 상기 계측값을 입력하고, 상기 모델이 도출하는 상기 복수의 상태 각각의 확률을 취득하도록 구성된 확률 취득부와, 상기 확률 취득부에 의해 취득된 상기 복수의 상태 각각의 상기 확률 중 적어도 일부를 통지하도록 구성된 통지부를 더 포함하도록 하여도 좋다.

상기 모델 생성 장치는, 상기 모델에 새로운 상기 계측값을 입력하고, 상기 모델이 도출하는 상기 복수의 상태 각각의 확률을 취득하도록 구성된 확률 취득부와, 상기 확률 취득부에 의해 취득된 상기 복수의 상태 각각의 상기 확률 중 어느 하나가 미리 정해진 값을 초과했을 때에, 그 취지를 통지하는 통지부를 더 포함하도록 하여도 좋다.

상기 모델은, 단순 베이즈법의 하기 식 (A)를 사용한 모델이도록 하여도 좋다.

P(y|x)=P(x|y)*P(y)/P(x)···(A)

x는, 상기 계측값이고, y는, 상기 복수의 상태 중 어느 하나이다.

상기 P(y)는, 사용자에 의해 설정 가능하도록 하여도 좋다.

상기 P(x|y)는, 측정값마다의 P(x|y)의 분포를 나타낸 막대그래프를 이용하여 특정되도록 하여도 좋다.

상기 교사 데이터 취득부는, 상기 제어 대상을 제어하는 제어 시스템에 대하여 사용자가 입력한 정보에 기초하여, 상기 목적 변수로서의 상기 제어 대상의 상태를 특정하도록 구성되어 있도록 하여도 좋다.

상기 제어 대상은, 공조존의 공기이고, 상기 제어 시스템은, 상기 공기를 제어하는 공조 시스템이며, 상기 교사 데이터 취득부는, 사용자가 상기 공조 시스템의 설정 온도를 높였을 때의 교사 데이터의 상기 목적 변수를 「춥다」로 하고, 사용자가 상기 공조 시스템의 설정 온도를 낮추었을 때의 교사 데이터의 상기 목적 변수를 「덥다」로 하도록 구성되어 있도록 하여도 좋다.

본 발명에 따른 모델 생성 방법은, 제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값을 설명 변수로 하고, 상기 복수의 상태 중, 그 계측값일 때의 상태를 목적 변수로 한 복수의 교사 데이터를 취득하도록 구성된 교사 데이터 취득 단계와, 상기 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 상기 계측값을 입력값으로 하여 상기 입력값일 때의 상기 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하도록 구성된 모델 생성 단계를 포함한다.

본 발명에 따른 모델 생성 프로그램은, 컴퓨터에, 제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값을 설명 변수로 하고, 상기 복수의 상태 중, 그 계측값일 때의 상태를 목적 변수로 한 복수의 교사 데이터를 취득하도록 구성된 교사 데이터 취득 단계와, 상기 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 상기 계측값을 입력값으로 하여 상기 입력값일 때의 상기 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하도록 구성된 모델 생성 단계를 실행시킨다.

본 발명에 따르면, 제어 시스템의 제어 대상의 상태를 사용자가 적절하게 파악하게 할 수 있다.

도 1은 본 발명의 실시형태에 따른 모델 생성 장치 및 공조 시스템의 하드웨어 구성도이다.
도 2는 모델 생성 장치의 구성도이다.
도 3은 시계열 데이터 및 교사 데이터의 구성예를 나타낸 도면이다.
도 4는 시계열 데이터 및 교사 데이터의 구성예를 나타낸 도면이다.
도 5는 실온에 대한 P(x|y)의 확률 분포의 그래프이다.
도 6은 급기 온도에 대한 P(x|y)의 확률 분포의 그래프이다.
도 7은 급기량에 대한 P(x|y)의 확률 분포의 그래프이다.
도 8은 모델에 의해 도출되는 P(x|y)의 각 값을 나타낸 표이다.
도 9는 표시 장치에 표시되는 통지 화상의 도면이다.
도 10은 표시 장치에 표시되는 통지 화상의 도면이다.

이하, 본 발명의 실시형태에 대해서 도면을 참조하여 설명한다.

도 1에 도시된 바와 같이, 본 실시형태의 모델 생성 장치(50)는, 공조 시스템(10)을 감시하는 감시 장치로서 구성되어 있다. 이하, 공조 시스템(10)을 설명하고 나서, 모델 생성 장치(50)에 대해서 설명한다.

공조 시스템(10)은, 공조존(Z1 및 Z2)의 공기(보다 상세하게는 후술하는 실온 T1 및 T2)를 제어 대상으로 하고, 공조존(Z1 및 Z2)의 공기를 개별로 제어하는 VAV 공조 시스템으로서 구성되어 있다.

공조 시스템(10)은, 공조기(11)와, 급기 덕트(12)와, VAV 유닛(13A 및 13B)과, 급기 온도 센서(14)와, 풍량계(15A 및 15B)와, 실온 센서(16A 및 16B)와, 공조 조작 패널(17A 및 17B)과, VAV 컨트롤러(18A 및 18B)와, 공조기 컨트롤러(19)를 포함한다.

공조기(11)는, 냉각 또는 가열된 공기인 공조 공기를 급기하도록 구성되어 있다. 급기 덕트(12)는, 공조기(11)로부터 VAV 유닛(13A 및 13B)을 각각 통해 공조존(Z1 및 Z2)에 공급되는 공조 공기의 유로를 구성하고 있다. VAV 유닛(13A 및 13B)은, 공조존(Z1 및 Z) 각각으로의 공조 공기의 급기량을 제어한다. VAV 유닛(13A 및 13B) 각각은 댐퍼 및 댐퍼의 개도(開度)를 제어하는 액츄에이터를 포함하고, 댐퍼의 개도에 의해 공조 공기의 급기량을 제어한다.

급기 온도 센서(14)는, 공조기(11)로부터의 공조 공기의 온도를 급기 온도(Tsa)로서 계측한다. 풍량계(15A 및 15B)는, 공조존(Z1 및 Z2) 각각으로의 공조 공기의 각 유량을 급기량(Q1 및 Q2)으로서 각각 계측한다. 급기량(Q1 및 Q2)은, 공조존(Z1 또는 Z2) 최대 급기량에 대한 비율로 나타낸다. 급기량(Q1 및 Q2)은, 유량(㎥/h)에 의해 표시되어도 좋다. 실온 센서(16A 및 16B)는, 공조존(Z1)의 실온(T1) 및 공조존(Z2)의 실온(T2)을 각각 계측한다.

공조 조작 패널(17A)은, 공조존(Z1)에 있는 사용자(U1)에 의해 조작된다. 공조 조작 패널(17A)에는, 사용자(U1)[예컨대, 테넌트로서의 공조존(Z1)의 테넌트 거주자]에 의한 조작으로 공조존(Z1)의 실온(T1)의 목표 온도인 설정 온도(SP1)가 입력된다. 공조 조작 패널(17B)은, 공조존(Z2)에 있는 사용자(U2)[예컨대, 테넌트로서의 공조존(Z2)의 테넌트 거주자]에 의해 조작된다. 공조 조작 패널(17B)에는, 사용자(U2)에 의한 조작으로 공조존(Z2)의 실온(T2)의 목표 온도인 설정 온도(SP2)가 입력된다.

VAV 컨트롤러(18A 및 18B) 각각은 PLC(Programmable Logic Controller) 등의 각종 컴퓨터를 포함하여 구성된다.

VAV 컨트롤러(18A)에는, 공조 조작 패널(17A)에 입력된 설정 온도(SP1)가 설정된다. VAV 컨트롤러(18A)는, 설정 온도(SP1)와, 실온 센서(16A)에 의해 계측한 실온(T1)과의 편차에 기초하여, 실온(T1)이 설정 온도(SP1)가 되는 요구 급기량을 연산한다. VAV 컨트롤러(18A)는, 요구 급기량을 공조기 컨트롤러(19)에 송신하는 한편, 그 요구 급기량을 확보하도록, VAV 유닛(13A)의 댐퍼의 개도를 제어한다. VAV 컨트롤러(18A)는, 풍량계(15A)에 의해 계측한 급기량(Q1)과 요구 급기량과의 편차에 기초하여 댐퍼의 개도를 제어한다. VAV 컨트롤러(18A)는, 정기적(예컨대 10분마다)으로, 그 때의 설정 온도(SP1), 급기량(Q1), 실온(T1)을, 공조기 컨트롤러(19)를 통해 모델 생성 장치(50)에 공급한다.

마찬가지로, VAV 컨트롤러(18B)는, 설정 온도(SP2)와 실온(T2)과의 편차에 기초하여 연산한 요구 급기량을 공조기 컨트롤러(19)에 송신한다. 또한, VAV 컨트롤러(18B)는, 그 요구 급기량을 확보하도록, 급기량(Q2)과 요구 급기량과의 편차에 기초하여 VAV 유닛(13B)의 댐퍼의 개도를 제어한다. VAV 컨트롤러(18B)는, 정기적(예컨대 10분마다)으로, 그 때의 설정 온도(SP2), 급기량(Q2), 실온(T2)을, 공조기 컨트롤러(19)를 통해 모델 생성 장치(50)에 공급한다.

공조기 컨트롤러(19)는, PLC, 퍼스널 컴퓨터 등의 각종 컴퓨터를 포함하여 구성되어 있다. 공조기 컨트롤러(19)는, 공조기(11)로부터 공급되는 공조 공기의 온도, 여기서는 급기 온도 센서(14)에 의해 계측하는 급기 온도(Tsa)가, 미리 설정되어 있는 급기 온도 설정값(SPsa)과 일치하도록 공조기(11)를 제어한다. 급기 온도 설정값(SPsa)은, 미리 정해진 스케줄에 의해 주기적으로 변경된다. 또한, 공조기 컨트롤러(19)는, VAV 컨트롤러(18A 및 18B) 각각으로부터의 요구 급기량을 확보한 급기량으로 공조 공기를 송풍하도록, 공조기(11)를 제어한다. 공조기 컨트롤러(19)는, 정기적(예컨대 10분마다)으로, 그 때의 급기 온도(Tsa)를 모델 생성 장치(50)에 공급한다.

모델 생성 장치(50)는, 공조 시스템(10)을 감시하는 감시 장치로서 구성되어 있다. 모델 생성 장치(50)는, 후술하는 모델(M1 및 M2)을 생성한다. 모델 생성 장치(50)는, 퍼스널 컴퓨터, 서버 컴퓨터, PLC 등의 각종 컴퓨터로 구성되어 있다. 모델 생성 장치(50)는, 도 2에 도시된 바와 같이, CPU(Central Processing Unit) 등의 프로세서(51)와, 프로세서(51)의 메인메모리로서 기능하는 RAM(Random Access Memory)(52)과, 프로세서(51)가 실행하는 모델 생성 프로그램, 및 후술하는 교사 데이터 등을 기억하고 있는 기억 장치(53)를 포함한다. 기억 장치(53)는, 하드 디스크, SSD(Solid State Drive) 등의 비휘발성 기억 장치를 포함한다. 모델 생성 장치(50)는, 키보드, 마우스, 터치 센서 등을 포함하는 조작 장치(54)와, 각종 화상을 표시하는 표시 장치(55)를 더 구비한다. 모델 생성 장치(50)는, 공조기 컨트롤러(19)와 유선 또는 무선으로 통신하는 통신 모듈(도시하지 않음) 등도 더 포함한다.

프로세서(51)는, 기억 장치(53)가 기억하고 있는 모델 생성 프로그램을 실행함으로써, 도 2에 도시된 정보 수집부(51A), 교사 데이터 취득부(51B), 모델 생성부(51C), 확률 취득부(51D), 및 통지부(51E)로서 동작한다.

정보 수집부(51A)는, 공조기 컨트롤러(19)로부터, 및 공조기 컨트롤러(19)를 통해 VAV 컨트롤러(18A 및 18B)로부터 정기적으로 공급되는 실온(T1 및 T2), 급기 온도(Tsa), 급기량(Q1 및 Q2), 및 설정 온도(SP1 및 SP2)를, 수집하여 기억 장치(53)에 순차 저장한다. 정보 수집부(51A)는, 이들 정보를, 공급시의 시각을 나타내는 시각 정보에 대응시켜 순차 기억 장치(53)에 저장한다. 이때, 정보 수집부(51A)는, 공조존(Z1)과 공조존(Z2)으로 나누어 정보를 기억 장치(53)에 저장한다. 따라서, 이들 정보는, 도 3 및 도 4에 도시된 바와 같은 공조존(Z1 및 Z2)의 시계열 데이터로서 기억 장치(53)에 저장된다. 공조존(Z1)의 시계열 데이터에서는, 실온(T1), 급기 온도(Tsa), 급기량(Q1), 및 설정 온도(SP1)가 각 시각에 대응되어 있다. 공조존(Z2)의 시계열 데이터에서는, 실온(T2), 급기 온도(Tsa), 급기량(Q2), 및 설정 온도(SP2)가 각 시각에 대응되어 있다.

도 2에 도시된 교사 데이터 취득부(51B)는, 기억 장치(53)에 저장되어 있는 공조존(Z1 및 Z2)의 각 시계열 데이터에 기초하여 교사 데이터(D1 및 D2)를 취득한다. 공조존(Z1)에 대한 교사 데이터(D1)는, 도 3의 우측에 도시된 바와 같이, 실온(T1), 급기 온도(Tsa), 및 급기량(Q1)의 각 계측값을 설명 변수로 하고, 상기 각 계측값이 영향을 주는 공조존(Z1)의 공기[공조 시스템(10)의 제어 대상]의 상태를 목적 변수(라벨)로 한 데이터이다. 목적 변수로서의 공기의 상태는, 이 공기[특히 실온(T1)]에 대하여 사용자(U1)가 느끼는 주관적인 상태이다. 이 상태로서는, 「춥다」, 「덥다」, 「기타」가 있다. 마찬가지로, 공조존(Z2)에 대한 교사 데이터(D2)는, 도 4의 우측에 도시된 바와 같이, 실온(T2), 급기 온도(Tsa), 및 급기량(Q2)의 각 계측값을 설명 변수로 하고, 상기 각 계측값이 영향을 주는 공조존(Z2)의 공기[공조 시스템(10)의 제어 대상]의 상태를 목적 변수(라벨)로 한 데이터이다. 또한, 도 3 및 도 4에 도시된 1행분의 각 레코드가 하나의 교사 데이터(D1 또는 D2)이다.

사용자(U1)가 공조존(Z1)의 공기에 대해서 「춥다」고 느꼈을 때, 사용자(U1)는, 공조 조작 패널(17A)을 조작하여 설정 온도(SP1)를 높인다고 생각된다. 사용자(U1)가 공조존(Z1)의 공기에 대해서 「덥다」고 느꼈을 때, 사용자(U1)는, 공조 조작 패널(17A)을 조작하여 설정 온도(SP1)를 낮춘다고 생각된다. 이러한 것은, 설정 온도(SP2)에 대해서도 동일하다.

이상과 같은 것으로부터, 교사 데이터 취득부(51B)는, 도 3에 도시된 바와 같이, 설정 온도(SP1 또는 SP2)가 상승하기 직전의 교사 데이터에 대해서는, 목적 변수로서 「춥다」를 라벨링한다. 교사 데이터 취득부(51B)는, 설정 온도(SP1 또는 SP2)가 하강하기 직전의 교사 데이터에 대해서는 목적 변수로서 「덥다」를 라벨링한다. 교사 데이터 취득부(51B)는, 그 밖의 교사 데이터, 즉, 설정 온도(SP1 또는 SP2)가 전후로 변동하지 않는 교사 데이터에 대해서는 목적 변수로서, 「기타」를 라벨링한다. 사용자(U1 또는 U2)가 어떻게 느끼고 있는지 파악하기 어렵기 때문이다.

모델 생성부(51C)는, 교사 데이터(D1)에 의한 통계적 기계 학습에 의해, 새로운 계측값[실온(T1), 급기 온도(Tsa), 급기량(Q1)]을 입력값으로 하고, 이 입력값일 때의 공기가 취할 수 있는 상태[사용자(U1)가 느끼는 「춥다」, 「덥다」, 「기타」]의 각각의 확률을 도출하여 출력하는 공조존(Z1)용 모델(M1)을 생성한다. 모델 생성부(51C)는, 교사 데이터(D2)에 의한 통계적 기계 학습에 의해, 새로운 계측값[실온(T2), 급기 온도(Tsa), 급기량(Q2)]을 입력값으로 하고, 이 입력값일 때의 공기가 취할 수 있는 상태[사용자(U1)가 느끼는 「춥다」, 「덥다」, 「기타」]의 각각의 확률을 도출하여 출력하는 공조존(Z2)용 모델(M2)을 생성한다. 또한, 모델(M1 및 M2)을 총칭하여 모델(M)이라고도 한다.

생성되는 모델(M)은, 하기의 식 (1)을 이용한 단순 베이즈법에 의해 각 확률을 산출한다.

P(y|x)=P(x|y)*P(y)/P(x)···(1)

여기서, x는 계측값이며, y는 「춥다」, 「덥다」, 「기타」 중 어느 하나를 나타낸다. P(y)는, 상태가 y가 될 확률이며 사전 확률이라고도 불린다. P(x)는, 계측값이 x가 될 확률이며 주변 우도(尤度)라고도 불린다. P(x|y)는, 상태가 y일 때의 계측값이 x가 될 조건부 확률이며, 우도이다. P(y|x)는 계측값이 x일 때의 상태가 y가 될 확률이며 사후 확률이다. 상기 식 (1)은 공조존마다에 대해서 준비된다.

P(x)는, 목적 변수에 대하여 독립적이기 때문에 구체적인 수치를 구할 필요가 없다. 여기서는, 후술하는 바와 같이, 모든 y 즉, 「춥다」, 「덥다」, 및 「기타」의 각 P(y|x)의 합계가 100%가 되도록 각 P(x|y)*P(y)를 정규화한다. 이 정규화에 의해, P(x)가 고려되게 된다.

P(y)는, 통상, 「춥다」, 「덥다」, 「기타」의 구성 비율로 구할 수 있지만, 「춥다」, 「덥다」는, 설정 온도(SP1 또는 SP2)의 변화가 생겼을 때에만 사용되기 때문에, 상기 구성 비율은, 현실의 상황과 괴리될 가능성이 높다. 그래서, P(y)는, 사용자측에서 설정 가능하게 한다. 사용자는, 조작 장치(54)를 조작하여 적절한 P(y)를 설정한다. 여기서는, P(y)는 각 상태에서 균등, 즉, P(춥다)=P(덥다)=P(기타)=1/3로 한다.

P(x|y)는, 통계적 기계 학습에 의해 규정된다. 여기서는, 모델 생성부(51C)가, 통계적 기계 학습에 의해, 교사 데이터의 집합을, 도 5∼도 7에 도시된 바와 같은, 계측값마다의 확률(우도)을 나타내는 막대그래프 형식의 적당한 확률 분포에 보다 근사시킨다. 이 근사시킨 확률 분포가 P(x|y)를 나타낸다. 확률 분포는, 모델마다 또한 계측값마다 규정된다. 도 5는 모델(M1)에서 사용되는 실온(T1)의 확률 분포를 나타내고, 도 6은 모델(M1)에서 사용되는 급기 온도(Tsa)의 확률 분포를 나타내며, 도 7은 모델(M1)에서 사용되는 급기량(Q1)의 확률 분포를 나타낸다. 확률 분포는, 기억 장치(53)에 저장되어, 참조된다.

도 2의 확률 취득부(51D)는, 모델(M1 및 M2)을 생성 후, 공조기 컨트롤러(19)로부터, 또는, 공조기 컨트롤러(19)를 통해 VAV 컨트롤러(18A)로부터 공급되는 실온 센서(16A) 등에 의해 측정된 실온(T1), 급기 온도(Tsa), 및 급기량(Q1)을 취득한다. 확률 취득부(51D)는, 취득한 이들을 모델(M1)에 입력하고, 이 입력에 응답하여 모델(M1)이 출력하는 상기 입력값일 때의 공조존(Z1)의 공기의 상태인 「춥다」, 「덥다」, 및 「기타」의 각 확률을 취득한다.

이하, 모델(M1)의 동작을, 모델(M1)에 입력된 입력값이 실온(T1)=26.0℃, Tsa=14.0℃, 및 계측 풍량 40%라고 설명한다.

·P(춥다|x1)=P(x1|춥다)*P(춥다)/P(x1)=1%

·P(덥다|x1)=P(x1|덥다)*P(덥다)/P(x1)=75%

·P(기타|x1)=P(x1|기타)*P(기타)/P(x1)=24%

모델(M1)은, 산출한 각 확률을 확률 취득부(51D)에 출력한다. 이와 같이 하여, 모델(M1)은, 새롭게 계측된 계측값[상기에서는, 실온(T1)=26.0℃, 급기 온도(Tsa)=14.0℃, 급기량(Q1)=40%]이 입력되었을 때, 이 계측값일 때의 공조존(Z1)의 공기의 상태가 취할 수 있는 「춥다」, 「덥다」, 「기타」의 각 확률을 산출하여, 확률 취득부(51D)에 출력한다.

도 2의 확률 취득부(51D)는, 공조기 컨트롤러(19)로부터, 또는, 공조기 컨트롤러(19)를 통해 VAV 컨트롤러(18A)로부터 공급되는 실온 센서(16B) 등에 의해 측정된 실온(T2), 급기 온도(Tsa), 및 급기량(Q2)을 취득한다. 확률 취득부(51D)는, 취득한 이들을 모델(M2)에 입력하고, 이 입력에 응답하여 모델(M2)이 출력하는 상기 입력값일 때의 공조존(Z2)의 공기의 상태인 「춥다」, 「덥다」, 및 「기타」의 각 확률을 취득한다. 모델(M2)의 동작은, 상기 모델(M1)의 동작에 준한다.

통지부(51E)는, 확률 취득부(51D)에 의해 취득된 「춥다」, 「덥다」, 및 「기타」의 각 확률에 기초하여, 이 「춥다」, 「덥다」, 및 「기타」 중 가장 확률이 높은 상태를 사용자에게 통지한다. 예컨대, 통지부(51E)는, 모델(M1)로부터 출력된 각 확률 중 가장 높은 확률의 상태를 공조존(Z1)의 공기의 상태로 하고, 모델(M2)로부터 출력된 각 확률 중 가장 높은 확률의 상태를 공조존(Z2)의 공기의 상태로 하여 각 상태를 나타내는, 예컨대, 도 9의 화상을 생성하여, 표시 장치(55)에 표시한다. 도 9에 있어서의 실온 및 설정 온도는, 예컨대, 공조기 컨트롤러(19)를 통해 VAV 컨트롤러(18A 및 18B)로부터 공급되는 실온(T1 및 T2)과, 설정 온도(SP1 및 SP2)가 사용된다.

확률 취득부(51D)는, 실온(T1 및 T2), 급기 온도(Tsa), 및 급기량(Q1 및 Q2)을 정기적으로 취득할 때마다, 모델(M1 및 M2)을 이용하여, 공조존(Z1 및 Z2) 각각의 상태의 각 확률을 취득하면 좋다. 그리고, 통지부(51E)는, 확률 취득부(51D)가 확률을 취득할 때마다, 표시 장치(55)에 표시하는 공조존(Z1 및 Z2)의 공기의 상태를 갱신하면 좋다. 이것에 의해, 최신의 공기의 상태가 표시 장치(55)에 표시된다.

통지부(51E)는, 상기한 바와 같이 확률 취득부(51D)가 정기적으로 취득하는 각 확률의 변위를 나타내는 화상을 표시 장치(55)에 표시하여도 좋다. 구체적으로, 통지부(51E)는, 도 10에 도시된 바와 같이, 공조존(Z1)의 실온(T1) 및 설정 온도(SP1)의 시간 변화(시계열 데이터)의 그래프와, 모델(M1)로부터 출력되는 「춥다」 및 「덥다」의 각 확률의 시간 변화(시계열 데이터)의 그래프를, 시간축을 대응시켜 표시 장치(55)에 표시하여도 좋다. 또한, 도 10에 도시된 바와 같이, 설정 온도(SP1)가 상승하기 전, 즉, 사용자(U1)가 춥다고 느껴 설정 온도(SP1)를 높이기 전의 「춥다」의 확률이 높게 되어 있다. 또한, 설정 온도(SP1)가 하강하기 전, 즉, 사용자(U1)가 덥다고 느껴 설정 온도(SP1)를 낮추기 전의 「덥다」의 확률이 높게 되어 있다. 이 때문에, 모델(M1)이 출력하는 확률은, 사용자(U1)가 느끼는 「춥다」 및 「덥다」 즉, 공조존(Z1)의 공기의 상태를 적절하게 반영하고 있다. 통지부(51E)는, 공조존(Z2)에 대해서도 도 10과 동일한 화상을 표시하면 좋다.

통지부(51E)는, 확률 취득부(51D)에 의해 취득된 「춥다」, 「덥다」, 및 「기타」의 각 확률 중 어느 하나(특히, 「춥다」, 「덥다」의 각 확률 중 어느 하나)가, 미리 정해진 소정값을 초과한 경우, 그 취지를 통지하여도 좋다. 예컨대, 통지부(51E)는, 확률 취득부(51D)에 의해 취득된 각 확률을 감시하고, 공조존(Z1)에 대한 「춥다」의 확률이 미리 정해진 값을 초과한 경우, 「공조존(Z1)이 추울 가능성이 있습니다」 등의 메시지 화상을 표시 장치(55)에 표시하여도 좋다.

통지부(51E)는, 상기한 통지를, 스피커 등으로부터의 경고음의 출력, 또는, 경고 램프의 점등 등에 의해 행하여도 좋다.

공조 시스템(10)의 관리자는, 상기 통지에 따라, 미리 정해진 작업을 행한다. 예컨대, 관리자는, 「춥다」 또는 「덥다」의 확률이 높은 공조존의 설정 온도가 「자동」으로 설정되어 있는 경우에는, 그 설정 온도를 변경한다. 설정 변경은, 모델 생성 장치(50)의 조작 장치(54)에의 조작에 의해 행해진다. 모델 생성 장치(50)에 입력된 변경 후의 설정 온도는, 공조기 컨트롤러(19)를 통해 VAV 컨트롤러(18A 또는 18B)에 설정된다. 예컨대, 관리자는, 「춥다」 또는 「덥다」의 확률이 높은 공조존이 있었을 경우에, 공조 시스템(10)의 각종 설정[급기 온도 설정값(SPsa), VAV 유닛(13A 또는 13B)의 댐퍼의 개도 등]을 변경하여도 좋다. 이 변경도 조작 장치(54)에의 조작에 의해 행해진다. 공조 시스템(10)의 관리자는, 「춥다」 또는 「덥다」의 확률이 높은 상태가 빈발할 경우에는, 공조 시스템(10) 전체의 메인터넌스를 행하여도 좋다.

이상과 같이, 이 실시형태에서는, 실온(T1) 등의 계측값을 설명 변수로 하고, 공조존(Z1)의 공기의 상태를 목적 변수로 한 교사 데이터(D1 또는 D2)에 의해 통계적 기계 학습에 의해, 모델(M1 및 M2)이 생성된다. 이 모델(M1 및 M2)은, 입력값으로서의 계측값에 대하여 공조존(Z1 및 Z2) 각각의 공기가 취할 수 있는 각 상태(「춥다」, 「덥다」, 「기타」)의 확률을 도출한다. 공조 시스템(10)의 관리자로서의 사용자는, 이 확률 또는 이 확률을 바탕으로 모델 생성 장치로부터 출력되는 정보를 확인함으로써, 공조존(Z1 및 Z2) 각각의 공기의 상태의 확률 등을 파악할 수 있어, 상기 공기의 상태를 적절하게 파악할 수 있다.

상기에서는, 공조존이 2개인 경우를 예시하고 있지만, 대규모의 건물에 적용된 VAV 방식의 공조 시스템에서는, 공조존의 수가 방대해진다. 이 경우, 관리자가 개개의 공조존의 공기의 상태를 그때마다 파악하는 것은 곤란하다. 이 실시형태와같이, 공조존마다 모델을 생성하여, 각 공조존의 상태의 확률을 산출하고, 통지부(51E)에 의한 통지가 행해짐으로써, 관리자의 감시 부담이 적어진다.

사용자(U1 및 U2)에 따른 「춥다」 또는 「덥다」를 느끼는 방법은, 속인적(屬人的)인 온도 감도가 영향을 주기 때문에, 관리자가, 실온 등의 계측값을 감시하고 있는 것만으로는, 「춥다」 또는 「덥다」에 대한 대처가 어렵다. 이 실시형태에서는, 사용자(U1 및 U2)에 의한 설정 온도의 변경이 있었을 때의 계측값에 대한 목적 변수(라벨)가 「춥다」 또는 「덥다」로 되어 있는 교사 데이터가 기계 학습에서 사용된다. 이것에 의해, 모델(M1 및 M2)이 출력하는 각 확률에, 사용자(U1 및 U2)의 속인적인 온도 감도 즉 계측값으로부터는 파악하기 어려운 사정을 반영할 수 있어, 관리자는, 공조존(Z1 및 Z2)의 공기의 상태, 여기서는 사용자의 주관적인 상태를 적절하게 파악할 수 있다.

종래, 관리자는, 공조존(Z1 또는 Z2)에 있는 사용자(U1 또는 U2)로부터 클레임 등이 발생해야 비로소 공조존(Z1 또는 Z2)의 공기가 고르지 못한 것을 파악할 수 있었다. 이 실시형태에서는, 모델(M1 및 M2)에 의해, 관리자는, 클레임 등이 발생하기 전부터 공조존(Z1 또는 Z2)의 공기가 고르지 못한 것을 파악하여 대처할 수 있다. 또한, 관리자는, 클레임이 발생하지 않은 본래 바람직하지 못한 상태[사용자(U1 또는 U2)가 참고 있는 상태]에 대해서도 대처가 가능해지고 있다.

사용자(U1 또는 U2)로부터의 클레임이 있었을 때, 그 클레임의 내용(「춥다」 또는 「덥다」)을 목적 변수로 하고, 클레임시의 계측값을 설명 변수로 한 교사 데이터를, 상기 기계 학습에 사용하여도 좋다. 단, 클레임은, 빈번히 발생하는 것이 아니므로, 상기 클레임에 기초한 교사 데이터의 수는 통상 적어서, 상기 교사 데이터만으로 기계 학습을 행하려고 해도, 상기 기계 학습에 충분한 수의 교사 데이터를 확보하기는 어렵다. 이 실시형태에서는, 설정 온도(SP1 또는 SP2)의 변경이 있었을 때, 사용자(U1 또는 U2)는 「춥다」 또는 「덥다」고 느끼고 있을 것이라고 추정할 수 있는 것에 주목하여 목적 변수를 설정하고 있고, 상기 변경은, 상기 클레임보다도 빈도가 높다. 이 때문에, 기계 학습에 필요한 수의 교사 데이터를 쉽게 얻을 수 있다.

이 실시형태에서는, 모델(M1 및 M2)은, 단순 베이즈법의 상기 식 (1)인 「P(y|x)=P(x|y)*P(y)/P(x)」를 사용한 모델이므로, 출력하는 각 확률의 정확도가 좋다. 또한, 상기 식 (1)의 P(y)를 관리자 등의 사용자에 의해 설정 가능하게 함으로써, 개개의 공조 시스템(10)의 사정에 따른 모델을 얻을 수 있다. 또한, 모델(M1)과 모델(M2)에서, P(y)를 달리 하여도 좋다. P(춥다)를 높게 하면 모델(M1 또는 M2)이 출력하는 「춥다」의 확률이 상승한다(「덥다」, 「기타」에 대해서도 동일). 이 실시형태에서는, P(x|y)가, 측정값마다의 P(x|y)의 분포를 나타내는 막대그래프(도 5∼도 7 참조)를 이용하여 특정된다. 이 실시형태에서는, 측정값마다의 P(x|y)의 분포가 정규 분포가 되지 않기 때문에, 상기한 막대그래프의 사용에 의해, P(x|y)의 특정 정확도가 좋다.

(변형례)

상기 실시형태에 대해서는, 여러 가지 변형을 행할 수 있다. 이하, 변형례를 열거하였으나, 하기의 변형례 중 적어도 일부끼리를 적절하게 조합할 수 있다.

(변형례 1)

교사 데이터(D1 및 D2)에 포함되거나, 및 모델(M1 및 M2)에 입력되는 계측값은 임의로 선택된다. 상기 계측값은 공조존(Z1 또는 Z2)이 복수의 상태(「춥다」, 「덥다」, 「기타」) 중 어느 한 상태에 있는지에 관계된 계측값이면 좋다. 예컨대, 상기 계측값으로서, 습도 등이 채용되어도 좋다. 계측값으로는, 피드백 제어에 의해 피드백되는 물리량을 들 수 있지만, 이 피드백 제어에서 사용되는 다른 물리량인 조작량도 여기서는 계측값의 일종으로서 취급한다. 즉, 계측값은, 조작량을 포함하는 개념이다.

(변형례 2)

모델 생성 장치(50)는, 공조 시스템(10) 이외의 다른 제어 시스템을 대상으로 한 모델을 생성하는 장치여도 좋다. 교사 데이터 취득부(51B)는, 제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값(이동 평균을 취한 값 등을 포함함)을 설명 변수로 하고, 상기 복수의 상태 중, 그 계측값일 때의 상태를 목적 변수로 한 복수의 교사 데이터를 취득하면 좋다. 모델 생성부(51C)는, 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 계측값을 입력값으로 하여 상기 입력값일 때의 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하면 좋다. 다른 제어 시스템은, 각종 플랜트에 사용되는 제어 시스템이어도 좋다. 다른 제어 시스템은, 강재를 가열로에서 가열하는 가열 시스템이어도 좋다. 이 경우, 제어 대상은, 가열로 내의 온도가 된다. 계측값은, 가열로를 가열하는 버너의 화염 강도 등의 프로세스 데이터이다. 제어 대상이 취할 수 있는 상태는, 온도가 「높다」, 「낮다」, 「적온」 중 어느 하나이며, 교사 데이터의 생성시에는, 관리자에 의해 라벨링되면 좋다.

교사 데이터 취득부(51B)는, 제어 대상을 제어하는 제어 시스템에 대하여 사용자가 입력한 정보[예컨대, 상기 사용자가 입력하는 설정 온도(SP1 또는 SP2), 상기 가열 시스템에서 「높다」, 「낮다」, 「적온」을 분별하는 사용자에 의한 입력 정보 등]에 기초하여, 교사 데이터의 목적 변수로서의 제어 대상의 상태(예컨대, 상기 「춥다」, 「덥다」, 「기타」. 또는, 상기 「높다」, 「낮다」, 「적온」.)를 특정하면 좋다. 이것에 의해, 사용자의 감각을 반영한 상기 확률을 출력하는 모델이 생성된다.

(변형례 3)

모델 생성 장치(50)의 하드웨어 구성은 임의이다. 각부(51A∼51E) 중 적어도 일부는, 하나 이상의 논리 회로에 의해 구성되어도 좋다. 논리 회로로는, ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등을 들 수 있다. 기억 장치(53)에 기억되는 각종 데이터는, 모델 생성 장치(50)의 외부에 설치된 다른 기억 장치에 저장되어도 좋다. 모델 생성 프로그램은, 기억 장치(53) 이외의 다른 비일시적인 기억 매체에 저장되어도 좋다. 본 명세서의 장치 및 시스템은, 하나의 하우징에 각종 부품이 수용된 하나의 장치여도 좋고, 서로 분리된 복수의 하우징 각각에 각종 부품이 수용된 복수의 장치의 조합으로 이루어져도 좋다.

(본 발명의 범위)

이상, 실시형태 및 변형례를 참조하여 본 발명을 설명하였으나, 본 발명은, 상기한 실시형태 및 변형례에 한정되는 것은 아니다. 예컨대, 본 발명에는, 본 발명의 기술 사상의 범위 내에서 당업자가 이해할 수 있는 상기한 실시형태 및 변형례에 대한 다양한 변경이 포함된다. 상기 실시형태 및 변형례에 든 각 구성은, 모순되지 않는 범위에서 적절하게 조합할 수 있다.

10 : 공조 시스템 11 : 공조기
12 : 급기 덕트 13A, 13B : VAV 유닛
14 : 급기 온도 센서 15A, 15B : 풍량계
16A, 16B : 실온 센서 17A, 17B : 공조 조작 패널
18A, 18B : VAV 컨트롤러 19 : 공조기 컨트롤러
50 : 모델 생성 장치 51 : 프로세서
51A : 정보 수집부 51B : 교사 데이터 취득부
51C : 모델 생성부 51D : 확률 취득부
51E : 통지부 53 : 기억 장치
54 : 조작 장치 55 : 표시 장치
M1, M2 : 모델 U1, U2 : 사용자
Z1, Z2 : 공조존

Claims

제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값을 설명 변수로 하고, 상기 복수의 상태 중, 상기 계측값일 때의 상태를 목적 변수로 한 복수의 교사(敎師) 데이터를 취득하도록 구성된 교사 데이터 취득부와,
상기 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 상기 계측값을 입력값으로 하여 상기 입력값일 때의 상기 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하도록 구성된 모델 생성부
를 포함하는 모델 생성 장치.
제1항에 있어서, 상기 모델에 새로운 상기 계측값을 입력하고, 상기 모델이 도출하는 상기 복수의 상태 각각의 확률을 취득하도록 구성된 확률 취득부와,
상기 확률 취득부에 의해 취득된 상기 복수의 상태 각각의 상기 확률에 기초하여, 상기 복수의 상태 중 적어도 상기 확률이 가장 높은 상태를 통지하도록 구성된 통지부
를 더 포함하는 모델 생성 장치.
제1항 또는 제2항에 있어서, 상기 모델에 새로운 상기 계측값을 입력하고, 상기 모델이 도출하는 상기 복수의 상태 각각의 확률을 취득하도록 구성된 확률 취득부와,
상기 확률 취득부에 의해 취득된 상기 복수의 상태 각각의 상기 확률 중 적어도 일부를 통지하도록 구성된 통지부
를 더 포함하는 모델 생성 장치.
제1항 또는 제2항에 있어서, 상기 모델에 새로운 상기 계측값을 입력하고, 상기 모델이 도출하는 상기 복수의 상태 각각의 확률을 취득하도록 구성된 확률 취득부와,
상기 확률 취득부에 의해 취득된 상기 복수의 상태 각각의 상기 확률 중 어느 하나가 미리 정해진 값을 초과했을 때에, 그 취지를 통지하는 통지부
를 더 포함하는 모델 생성 장치.
제1항 또는 제2항에 있어서, 상기 모델은, 단순 베이즈법의 하기의 식 (A)를 사용한 모델인 것인 모델 생성 장치.
P(y|x)=P(x|y)*P(y)/P(x)···(A)
x는, 상기 계측값이고, y는, 상기 복수의 상태 중 어느 하나임.
제5항에 있어서, 상기 P(y)는, 사용자에 의해 설정 가능한 것인 모델 생성 장치.
제5항에 있어서, 상기 P(x|y)는, 측정값마다의 P(x|y)의 분포를 나타내는 막대그래프를 이용하여 특정되는 것인 모델 생성 장치.
제1항 또는 제2항에 있어서, 상기 교사 데이터 취득부는, 상기 제어 대상을 제어하는 제어 시스템에 대하여 사용자가 입력한 정보에 기초하여, 상기 목적 변수로서의 상기 제어 대상의 상태를 특정하도록 구성되는 것인 모델 생성 장치.
제8항에 있어서, 상기 제어 대상은, 공조존의 공기이고,
상기 제어 시스템은, 상기 공기를 제어하는 공조 시스템이며,
상기 교사 데이터 취득부는, 사용자가 상기 공조 시스템의 설정 온도를 높였을 때의 교사 데이터의 상기 목적 변수를 「춥다」로 하고, 사용자가 상기 공조 시스템의 설정 온도를 낮췄을 때의 교사 데이터의 상기 목적 변수를 「덥다」로 하도록 구성되는 것인 모델 생성 장치.
제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값을 설명 변수로 하고, 상기 복수의 상태 중, 상기 계측값일 때의 상태를 목적 변수로 한 복수의 교사 데이터를 취득하도록 구성된 교사 데이터 취득 단계와,
상기 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 상기 계측값을 입력값으로 하여 상기 입력값일 때의 상기 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하도록 구성된 모델 생성 단계
를 포함하는 모델 생성 방법.
컴퓨터에,
제어 시스템에 의해 제어되는 제어 대상이 복수의 상태 중 어느 한 상태에 있는지에 관계된 계측값을 설명 변수로 하고, 상기 복수의 상태 중, 상기 계측값일 때의 상태를 목적 변수로 한 복수의 교사 데이터를 취득하도록 구성된 교사 데이터 취득 단계와,
상기 복수의 교사 데이터에 기초한 통계적 기계 학습에 의해, 새로운 상기 계측값을 입력값으로 하여 상기 입력값일 때의 상기 제어 대상이 취할 수 있는 상기 복수의 상태 각각의 확률을 도출하는 모델을 생성하도록 구성된 모델 생성 단계
를 실행시키는 매체에 저장된 모델 생성 프로그램.