WO2021176689A1 - 情報処理装置および冷凍システム - Google Patents

情報処理装置および冷凍システム Download PDF

Info

Publication number
WO2021176689A1
WO2021176689A1 PCT/JP2020/009697 JP2020009697W WO2021176689A1 WO 2021176689 A1 WO2021176689 A1 WO 2021176689A1 JP 2020009697 W JP2020009697 W JP 2020009697W WO 2021176689 A1 WO2021176689 A1 WO 2021176689A1
Authority
WO
WIPO (PCT)
Prior art keywords
information processing
information
processing device
refrigeration cycle
start timing
Prior art date
Application number
PCT/JP2020/009697
Other languages
English (en)
French (fr)
Inventor
和田　誠
守 濱田
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2020/009697 priority Critical patent/WO2021176689A1/ja
Priority to JP2022504916A priority patent/JP7463493B2/ja
Publication of WO2021176689A1 publication Critical patent/WO2021176689A1/ja
Priority to JP2024014535A priority patent/JP2024045393A/ja

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
    • F24F11/41—Defrosting; Preventing freezing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
    • F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
    • F25B47/00—Arrangements for preventing or removing deposits or corrosion, not provided for in another subclass
    • F25B47/02—Defrosting cycles

Definitions

  • the present disclosure relates to an information processing device for determining the start timing of a defrosting operation in a refrigeration cycle device, and the refrigeration cycle device and a refrigeration system including the information processing device.
  • Patent Document 1 Japanese Patent Application Laid-Open No. 2011-127853 (Patent Document 1) describes a heat pump that calculates the frost layer thickness for frost adhering to an evaporator and determines the start of defrosting operation based on the frost layer thickness. The device is disclosed. According to the heat pump device, even if the operating condition of the heat pump device changes due to a change in the compressor frequency, a load fluctuation, or the like, it is possible to prevent an erroneous determination in the start determination of the defrosting operation.
  • the heat exchanger to be defrosted in the refrigeration cycle device can be arranged in various environments.
  • the start timing of the defrosting operation that minimizes the power consumption of the refrigeration cycle device per unit time depends on the environment. In order to reduce the power consumption of the refrigeration cycle apparatus, it is necessary to determine the start timing of the defrosting operation according to a different standard depending on the environment in which the heat exchanger to be defrosted is arranged. However, in the heat pump device disclosed in Patent Document 1, it is not considered that different criteria are required for determining the start of the defrosting operation for each environment in which the evaporator is arranged.
  • the present disclosure has been made to solve the above-mentioned problems, and the purpose of the present disclosure is to reduce the power consumption of the refrigeration cycle apparatus that performs the defrosting operation.
  • the information processing device outputs the start timing of the defrosting operation to the refrigeration cycle device.
  • the refrigerant circulates in the order of the compressor, the first heat exchanger, the expansion valve, and the second heat exchanger arranged in the specific space.
  • the information processing device includes a storage unit and an inference unit.
  • the storage unit stores a defrosting inference model that infers the start timing from specific information including information on the amount of water contained in the air in the specific space.
  • the inference unit is configured to determine the start timing from specific information using a machine-learned defrost inference model.
  • the information processing device outputs the start timing of the defrosting operation to the refrigeration cycle device.
  • the refrigerant circulates in the order of the compressor, the first heat exchanger, the expansion valve, and the second heat exchanger arranged in the specific space.
  • the information processing device includes a storage unit and a learning unit.
  • the storage unit stores a defrosting inference model that infers the start timing from specific information including information on the amount of water contained in the air in the specific space.
  • the learning unit uses the defrosting inference model as a trained model by machine learning.
  • the power consumption of the refrigeration cycle apparatus that performs the defrosting operation is determined by the defrosting inference model that infers the start timing from the specific information including the information on the amount of water contained in the air in the specific space. Can be reduced.
  • FIG. 1 is a block diagram showing a functional configuration of a freezing system 1 including an information processing device 100 according to an embodiment.
  • the refrigeration system 1 shown in FIG. 1 includes an information processing device 100 and a refrigeration cycle device 200.
  • the refrigeration cycle device 200 selectively performs a normal operation and a defrosting operation.
  • the refrigeration cycle device 200 cools the specific space 300 in normal operation.
  • the information processing device 100 outputs the start timing of the defrosting operation to the refrigeration cycle device 200.
  • the information processing device 100 may be connected to the refrigeration cycle device 200 via a local area network or the like, or may be built in the refrigeration cycle device 200.
  • the information processing device 100 may be arranged in a cloud system on the Internet.
  • the refrigeration cycle device 200 starts the defrosting operation according to the start timing from the information processing device 100.
  • the refrigeration cycle device 200 includes a control device 210, a cooler 220, a heat source machine 230, and a heater 240.
  • the cooler 220 is arranged in the specific space 300.
  • the cooler 220 cools the specific space 300 by blowing the cooled air Ca into the specific space 300.
  • FIG. 2 is a diagram showing an example of a refrigerant circulation path formed by the cooler 220 and the heat source machine 230 of FIG.
  • the cooler 220 includes an evaporator 221 (second heat exchanger) and an expansion valve 222.
  • the heat source machine 230 includes a compressor 231 and a condenser 232 (first heat exchanger).
  • the expansion valve 222 may be included in the heat source machine 230.
  • the refrigerant circulates in the order of the compressor 231, the condenser 232, the expansion valve 222, and the evaporator 221.
  • the control device 210 of the refrigeration cycle device 200 includes the control unit 211.
  • the control unit 211 controls the heat source machine 230 (for example, the drive frequency of the compressor 231).
  • the control unit 211 controls the cooler 220 (for example, the amount of air blown per unit time of a fan (not shown)).
  • the control unit 211 operates the heater 240 in the defrosting operation to heat the evaporator 221 to melt the frost generated in the evaporator 221.
  • the defrosting operation method is not limited to the heater method, and may be, for example, a watering method, a hot gas method, or an off-cycle method.
  • a doorway Dw that can be opened and closed is formed in the specific space 300.
  • the article 330 can move between the outside of the specific space 300 and the inside of the specific space 300 via the doorway Dw.
  • the doorway Dw is configured to be openable and closable by sliding the door 320 in the direction D1.
  • the article management terminal 310 is arranged and a plurality of articles 330 are stored.
  • the manager of the specific space 300 or the person in charge of transporting each of the plurality of articles 330 inputs information (for example, type or quantity) of each of the plurality of articles 330 into the article management terminal 310.
  • Information about the article 330 is automatically acquired from the barcode, QR code (registered trademark), or IC (Integrated Circuit) chip attached to the article 330 when the article 330 is carried in or out of the specific space 300. It may be obtained from a remote distribution system via a network.
  • the cumulative time (interval between defrosting operations) of the normal operation performed between the previous defrosting operation and the current defrosting operation is shortened, the amount of frost in the evaporator is relatively small. Since the normal operation can be performed in the state, the efficiency of the normal operation increases, but the number of defrosting operations per unit time increases. On the other hand, if the interval between defrosting operations is lengthened, the number of defrosting operations per unit time decreases, but the normal operation continues even when the amount of frost in the evaporator is relatively large, so the efficiency of normal operation is improved. descend.
  • the power consumption of the refrigeration cycle device 200 is determined by the number of defrosting operations and the normal operation at a certain defrosting operation interval. The efficiency of is balanced and minimized.
  • FIG. 3 is a diagram showing an example of the relationship between the defrosting operation interval and the power consumption of the refrigeration cycle device 200 per unit time.
  • the relationship shown by the curve Wt1 and the relationship shown by Wt2 differ in the amount of water per unit volume of air in the specific space 300.
  • the water content of the curve Wt1 is larger than the water content of the curve Wt2.
  • the power consumption is minimized at the defrosting operation interval Ot1.
  • the power consumption becomes the minimum at the defrosting operation interval Ot2 (> Ot1).
  • the relationship between the defrosting operation interval and the power consumption differs depending on the amount of water per unit volume of air in the specific space 300. Therefore, in order to reduce the power consumption of the refrigeration cycle device 200, it is necessary to have a standard for determining the start timing of the defrosting operation for each environment in which the heat exchanger to be defrosted is arranged.
  • the defrosting operation is started from the moisture information (specific information) including the information on the moisture content per unit volume of the air in the specific space 300 by using the defrosting inference model learned by machine learning. Determine the timing.
  • the defrosting inference model is adapted to the characteristics of the specific space 300 in which the evaporator 221 is arranged, so that the start timing of the defrosting operation can be made highly accurate for each environment in which the evaporator 221 is arranged. Can be determined.
  • Reinforcement learning is the expectation of the cumulative value of rewards by repeating action selection based on the state of the environment observed by the agent (behavior) in the environment where rewards are obtained according to the selected behavior. It is a learning algorithm that learns how to maximize the value.
  • the learning algorithm is not limited to reinforcement learning, and for example, supervised learning, unsupervised learning, semi-supervised learning, and the like can be used. It is also possible to form a defrost inference model as a neural network and apply deep learning to the defrost inference model.
  • Machine learning may be performed according to other known methods (eg, genetic programming, functional logic programming, or support vector machines).
  • the control device 210 of the refrigeration cycle device 200 further includes a state observation unit 212.
  • the state observation unit 212 acquires the moisture information Wi of the specific space 300 for each sampling time and outputs it to the information processing device 100.
  • the moisture information Wi includes the power consumption Pw of the refrigeration cycle device 200 in the time zone from the start timing of the previous defrosting operation to the current sampling time, the temperature Tout of the space outside the specific space 300 in the current sampling time, and Humidity Hout, information Gdi about a plurality of articles 330 existing in a specific space 300 at this sampling time, time Ot when the doorway Dw is open in the time zone, information Evi about the structure of the evaporator 221, and freezing in the time zone.
  • the time Nt of the normal operation of the cycle device is included.
  • the temperature Tout, the humidity Hout, and the time Ot are the moisture content of the air in the specific space 300. Affects. Further, the amount of water contained in the article 330 differs depending on the type of the article 330 (for example, a frozen product, a normal temperature product, a marine product, or a livestock meat). Therefore, the information Gdi also affects the moisture content of the air in the specific space 300.
  • the moisture information Wi may include at least one of temperature Tout, humidity Hout, information Gdi, and time Ot.
  • the structure of the evaporator 221 affects, for example, the susceptibility to frost in the evaporator 221 or the relationship between the amount of frost and the heat exchange efficiency in the evaporator 221. Therefore, the information Evi affects the necessity of the defrosting operation for the evaporator 221. Since the moisture information Wi includes the information Evi, the start timing of the defrosting operation can be determined with higher accuracy.
  • the state observation unit 212 acquires the power consumption Pw from the power sensor Sp.
  • the state observation unit 212 acquires the temperature Tout and the humidity Hout from the temperature sensor St and the humidity sensor Sh arranged outside the specific space 300, respectively.
  • the state observation unit 212 acquires the information Gdi from the article management terminal 310.
  • the state observation unit 212 acquires the time Ot from the open / close sensor Sd.
  • the open / close sensor Sd includes, for example, a proximity sensor or a magnetic sensor.
  • Information Gdi is stored in advance in the state observation unit 212.
  • Information Gdi includes, for example, fin spacing, coating material type, heat transfer tube arrangement, and heat exchanger type.
  • the state observation unit 212 acquires the time Nt from the control unit 211.
  • FIG. 4 is a block diagram showing a functional configuration of the information processing apparatus 100 of FIG.
  • the information processing apparatus 100 includes a state acquisition unit 110, a learning unit 120, a storage unit 130, and an inference unit 140.
  • State acquisition unit 110 acquires the moisture information Wi, and outputs the state s t of specific space 300 corresponding to the moisture information Wi to the learning unit 120 and the inference unit 140.
  • the learning unit 120 includes a reward calculation unit 121 and a function update unit 122.
  • Function update unit 122 uses the general following formula used (1) in Q learning, which is an example of reinforcement learning, and state s t, and the action a t is either defrosting operation or normal operation , action a Q value is an evaluation value of t (evaluation value) and the action-value functions associated with the Q (s t, a t) update.
  • the action value function Q is stored in the storage unit 130.
  • the behavioral value function Q is included in the defrost inference model 521.
  • the state s t represents the state of the specific space 300 at the sampling time t, it is determined by the observed moisture information Wi at the sampling time t. If the action a t in state s t is selected, along with reward r t + 1 is obtained, the state of the specific space 300 transitions from state s t in s t + 1.
  • the reward rt + 1 is calculated by the reward calculation unit 121.
  • Reward r t + 1 is associated with the action a t in state s t, it is stored in the storage unit 130.
  • the action a is a selectable action in the state st + 1.
  • ⁇ is the learning rate and ⁇ is the discount rate.
  • the learning rate ⁇ and the discount rate ⁇ are hyperparameters.
  • the reinforcement learning algorithm performed by the learning unit 120 is not limited to Q-learning, and may be, for example, TD (Temporal Difference) learning.
  • FIG. 5 is a flowchart showing the flow of the learning process performed by the learning unit 120 of FIG.
  • the process shown in FIG. 5 is called by a main routine (not shown) that controls the learning process in an integrated manner.
  • the step is simply referred to as S.
  • the power consumption of the refrigeration cycle device 200 per unit time (current power consumption) in the current sampling time is the refrigeration per unit time in the previous sampling time. It is determined whether or not it is equal to or less than the power consumption of the cycle device 200 (previous power consumption).
  • the learning unit 120 increases the reward corresponding to the action selected in the previous sign pulling time, and proceeds to the process in S14. ..
  • the learning unit 120 reduces the reward in S13 and proceeds to the process in S14.
  • the learning unit 120 updates the action value function Q in S14 and returns the process to the main routine. Note that S11 to S13 are performed by the reward calculation unit 121, and S14 is performed by the function update unit 122.
  • FIG. 6 is a flowchart showing the flow of inference processing performed by the inference unit 140 of FIG. The process shown in FIG. 6 is called by a main routine (not shown) that controls the inference process in an integrated manner.
  • the inference unit 140 determines in S21 whether or not the evaluation value of the defrosting operation based on the action value function Q is higher than the evaluation value of the normal operation.
  • the inference unit 140 outputs a start command (start timing) of the defrosting operation to the refrigeration cycle device 200 in S22 to perform processing. Return to the main routine.
  • the evaluation value of the defrosting operation is equal to or less than the evaluation value of the normal operation (NO in S21)
  • the inference unit 140 returns the process to the main routine.
  • FIG. 7 is a block diagram showing a hardware configuration of the information processing device 100 of FIG.
  • the information processing apparatus 100 includes a processing circuit 51, a memory 52 (storage unit), and an input / output unit 53.
  • the processing circuit 51 includes a CPU (Central Processing Unit) that executes a program stored in the memory 52.
  • the processing circuit 51 may include a GPU (Graphics Processing Unit).
  • the function of the information processing apparatus 100 is realized by software, firmware, or a combination of software and firmware.
  • the software or firmware is described as a program and stored in the memory 52.
  • the processing circuit 51 reads and executes the program stored in the memory 52.
  • the CPU is also called a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, a processor, or a DSP (Digital Signal Processor).
  • DSP Digital Signal Processor
  • the memory 52 includes a non-volatile or volatile semiconductor memory (for example, RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), or EPROM (Electrically Erasable Programmable Read Only Memory). )), And includes magnetic discs, flexible discs, optical discs, compact discs, mini discs, or DVDs (Digital Versatile Discs).
  • the defrost inference model 521, the defrost determination program 522, and the machine learning program 523 are stored in the memory 52.
  • the machine learning program 523 is a program for performing machine learning on the defrost inference model 521.
  • the defrost inference model 521 is referred to.
  • the processing circuit 51 that executes the machine learning program 523 functions as the learning unit 120 of FIG.
  • the processing circuit 51 that executes the defrost determination program 522 functions as the inference unit 140 of FIG.
  • the input / output unit 53 receives an operation from the user and outputs the processing result to the user.
  • the input / output unit 53 includes, for example, a mouse, a keyboard, a touch panel, a display, and a speaker.
  • an information processing device having both an inference function and a learning function has been described.
  • the information processing apparatus has either an inference function or a learning function will be described.
  • FIG. 8 is a block diagram showing a hardware configuration of the information processing device 100A according to the first modification of the embodiment.
  • the configuration of the information processing device 100A is such that the machine learning program 523 is removed from the information processing device 100 of FIG. 7, and the defrost inference model 521 is replaced with 521A.
  • the defrost inference model 521A is a trained model in which machine learning is performed by a learning device separate from the information processing device 100A. Other than these, the explanation is not repeated because it is the same.
  • the information processing device 100A has an inference function among an inference function and a learning function.
  • FIG. 9 is a block diagram showing a hardware configuration of the information processing device 100B according to the second modification of the embodiment.
  • the configuration of the information processing device 100B is such that the defrosting determination program 522 is removed from the information processing device 100 of FIG. Other than these, the explanation is not repeated because it is the same.
  • the information processing device 100B has a learning function among an inference function and a learning function.
  • the power consumption of the refrigeration cycle apparatus that performs the defrosting operation can be reduced.
  • Refrigeration system 51 processing circuit, 52 memory, 53 input / output unit, 100, 100A, 100B information processing device, 110 status acquisition unit, 120 learning unit, 121 reward calculation unit, 122 function update unit, 130 storage unit, 140 inference Unit, 200 refrigeration cycle device, 210 control device, 211 control unit, 212 state observation unit, 220 cooler, 221 evaporator, 222 expansion valve, 230 heat source machine, 231 compressor, 232 condenser, 240 heater, 300 specific space , 310 article management terminal, 320 door, 330 article, 521,521A defrost inference model, 522 defrost judgment program, 523 machine learning program, Sd open / close sensor, Sh humidity sensor, Sp power sensor, St temperature sensor.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Defrosting Systems (AREA)

Abstract

情報処理装置（１００）は、冷凍サイクル装置に除霜運転の開始タイミングを出力する。冷凍サイクル装置において、圧縮機、第１熱交換器、膨張弁、および、特定空間に配置された第２熱交換器の順に冷媒が循環する。情報処理装置（１００）は、記憶部（１３０）と、推論部（１４０）とを備える。記憶部（１３０）には、特定空間の空気に含まれる水分量に関する情報を含む特定情報（Ｗｉ）から開始タイミングを推論する除霜推論モデルが保存されている。推論部（１４０）は、機械学習による学習済みの除霜推論モデルを用いて、特定情報（Ｗｉ）から当該開始タイミングを決定するように構成されている。

Description

情報処理装置および冷凍システム
　本開示は、冷凍サイクル装置における除霜運転の開始タイミングを判定する情報処理装置、ならびに当該冷凍サイクル装置および当該情報処理装置を備える冷凍システムに関する。
　従来、除霜運転を行う冷凍サイクル装置が知られている。たとえば、特開２０１１－１２７８５３号公報（特許文献１）には、蒸発器に付着した霜について霜層厚さを算出し、その霜層厚さに基づいて除霜運転の開始判定を実施するヒートポンプ装置が開示されている。当該ヒートポンプ装置によれば、圧縮機周波数の変化および負荷変動等によってヒートポンプ装置の運転状況が変化した場合でも、除霜運転の開始判定において誤判定を防止することができる。
特開２０１１－１２７８５３号公報
　冷凍サイクル装置において除霜対象の熱交換器は、様々な環境に配置され得る。単位時間当たりの冷凍サイクル装置の消費電力が最小となる除霜運転の開始タイミングは、当該環境に依存する。冷凍サイクル装置の消費電力を低減するためには、除霜運転の開始タイミングが、除霜対象の熱交換器が配置される環境毎に異なる基準によって判定される必要がある。しかし、特許文献１に開示されているヒートポンプ装置においては、蒸発器が配置される環境毎に、除霜運転の開始判定に関して異なる基準が必要であることが考慮されていない。
　本開示は、上述のような課題を解決するためになされたものであり、その目的は、除霜運転を行う冷凍サイクル装置の消費電力を低減することである。
　本開示の一局面に係る情報処理装置は、冷凍サイクル装置に除霜運転の開始タイミングを出力する。冷凍サイクル装置において、圧縮機、第１熱交換器、膨張弁、および、特定空間に配置された第２熱交換器の順に冷媒が循環する。情報処理装置は、記憶部と、推論部とを備える。記憶部には、特定空間の空気に含まれる水分量に関する情報を含む特定情報から開始タイミングを推論する除霜推論モデルが保存されている。推論部は、機械学習による学習済みの除霜推論モデルを用いて、特定情報から当該開始タイミングを決定するように構成されている。
　本開示の他の局面に係る情報処理装置は、冷凍サイクル装置に除霜運転の開始タイミングを出力する。冷凍サイクル装置において、圧縮機、第１熱交換器、膨張弁、および、特定空間に配置された第２熱交換器の順に冷媒が循環する。情報処理装置は、記憶部と、学習部とを備える。記憶部には、特定空間の空気に含まれる水分量に関する情報を含む特定情報から当該開始タイミングを推論する除霜推論モデルが保存されている。学習部は、除霜推論モデルを機械学習によって学習済みモデルとする。
　本開示に係る情報処理装置によれば、特定空間の空気に含まれる水分量に関する情報を含む特定情報から開始タイミングを推論する除霜推論モデルにより、除霜運転を行う冷凍サイクル装置の消費電力を低減することができる。
実施の形態に係る情報処理装置を備える冷凍システムの機能構成を示すブロック図である。 図１の冷却器と熱源機とによって形成される冷媒の循環経路の一例を示す図である。 除霜運転の間隔と、単位時間当たりの冷凍サイクル装置の消費電力量との関係の例を示す図である。 図１の情報処理装置の機能構成を示すブロック図である。 図４の学習部によって行われる学習処理の流れを示すフローチャートである。 図４の推論部によって行われる推論処理の流れを示すフローチャートである。 図４の情報処理装置のハードウェア構成を示すブロック図である。 実施の形態の変形例１に係る情報処理装置のハードウェア構成を示すブロック図である。 実施の形態の変形例２に係る情報処理装置のハードウェア構成を示すブロック図である。
　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。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原則として繰り返さない。
　図１は、実施の形態に係る情報処理装置１００を備える冷凍システム１の機能構成を示すブロック図である。図１に示される冷凍システム１は、情報処理装置１００と、冷凍サイクル装置２００とを備える。冷凍サイクル装置２００は、通常運転と除霜運転とを選択的に行う。冷凍サイクル装置２００は、通常運転において特定空間３００を冷却する。情報処理装置１００は、冷凍サイクル装置２００に除霜運転の開始タイミングを出力する。情報処理装置１００は、たとえば、ローカルエリアネットワーク等を介して冷凍サイクル装置２００に接続されてもよいし、冷凍サイクル装置２００に内蔵されていてもよい。情報処理装置１００は、インターネット上のクラウドシステムに配置されてもよい。
　冷凍サイクル装置２００は、情報処理装置１００からの開始タイミングに応じて除霜運転を開始する。冷凍サイクル装置２００は、制御装置２１０と、冷却器２２０と、熱源機２３０と、ヒータ２４０とを含む。冷却器２２０は、特定空間３００に配置されている。冷却器２２０は、冷却された空気Ｃａを特定空間３００に送風することにより、特定空間３００を冷却する。
　図２は、図１の冷却器２２０と熱源機２３０とによって形成される冷媒の循環経路の一例を示す図である。図２に示されるように、冷却器２２０は、蒸発器２２１（第２熱交換器）と、膨張弁２２２とを含む。熱源機２３０は、圧縮機２３１と、凝縮器２３２（第１熱交換器）とを含む。膨張弁２２２は、熱源機２３０に含まれていてもよい。冷媒は、圧縮機２３１、凝縮器２３２、膨張弁２２２、および蒸発器２２１の順に循環する。
　再び図１を参照して、冷凍サイクル装置２００の制御装置２１０は、制御部２１１を含む。制御部２１１は、熱源機２３０（たとえば圧縮機２３１の駆動周波数）を制御する。制御部２１１は、冷却器２２０（たとえば不図示のファンの単位時間当たりの送風量）を制御する。制御部２１１は、除霜運転においてヒータ２４０を動作させて、蒸発器２２１を加熱することにより、蒸発器２２１に生じた霜を溶かす。なお、除霜運転の方法は、ヒータ方式に限定されず、たとえば散水方式、ホットガス方式、あるいはオフサイクル方式であってもよい。
　特定空間３００には、開閉可能な出入口Ｄｗが形成されている。特定空間３００の外部と特定空間３００の内部との間を、出入口Ｄｗを介して物品３３０が移動可能である。出入口Ｄｗは、ドア３２０が方向Ｄ１にスライドすることにより開閉可能に構成されている。特定空間３００には、物品管理端末３１０が配置されているとともに、複数の物品３３０が格納されている。特定空間３００の管理者または複数の物品３３０各々の運搬担当者が、物品管理端末３１０に複数の物品３３０各々の情報（たとえば種類または量）を入力する。物品３３０に関する情報は、物品３３０が特定空間３００に搬入または搬出される際に、物品３３０に付されたバーコード、ＱＲコード（登録商標）、またはＩＣ（Integrated　Circuit）チップから自動的に取得されてもよいし、または、ネットワークを介して遠隔の物流システムから取得されてもよい。
　前回の除霜運転が行われてから今回の除霜運転が行われるまでの間に行われた通常運転の積算時間（除霜運転の間隔）を短くすると蒸発器の霜の量が比較的少ない状態で通常運転を行うことができるため通常運転の効率は増加するが、単位時間当たりの除霜運転の回数が増加する。一方、除霜運転の間隔を長くすると、単位時間当たりの除霜運転の回数が減少するが、蒸発器の霜の量が比較的多い状態でも通常運転が継続されるため、通常運転の効率は低下する。除霜運転の回数と通常運転の効率との間にはトレードオフの関係が存在するため、冷凍サイクル装置２００の消費電力量は、或る除霜運転の間隔において除霜運転の回数と通常運転の効率とがバランスされ、最小となる。
　図３は、除霜運転の間隔と、単位時間当たりの冷凍サイクル装置２００の消費電力量との関係の例を示す図である。曲線Ｗｔ１によって示される関係とＷｔ２によって示される関係とでは、特定空間３００の空気の単位体積当たりの水分量が異なる。曲線Ｗｔ１の当該水分量は、曲線Ｗｔ２の当該水分量よりも多い。
　図３に示されるように、曲線Ｗｔ１においては、除霜運転の間隔Ｏｔ１において消費電力が最小となる。曲線Ｗｔ２においては、除霜運転の間隔Ｏｔ２（＞Ｏｔ１）において消費電力が最小となる。特定空間３００の空気の単位体積当たりの水分量に応じて除霜運転の間隔と消費電力量との関係は異なる。そのため、冷凍サイクル装置２００の消費電力量を低減するためには、除霜対象の熱交換器が配置される環境毎に除霜運転の開始タイミングを判定する基準が必要になる。
　そこで、冷凍システム１においては、機械学習による学習済みの除霜推論モデルを用いて、特定空間３００の空気の単位体積当たりの水分量に関する情報を含む水分情報（特定情報）から除霜運転の開始タイミングを決定する。冷凍システム１によれば、蒸発器２２１が配置される特定空間３００の特性に除霜推論モデルが適合されるため、蒸発器２２１が配置される環境毎に除霜運転の開始タイミングを高精度に判定することができる。
　以下では、機械学習として強化学習を用いる場合について説明する。強化学習とは、選択した行動に応じて報酬が得られるという環境にいるエージェント（行動主体）が、サンプリングタイム毎に観測した環境の状態に基づく行動選択を繰り返すことにより、報酬の累積値の期待値を最大化する方策を学習するという学習アルゴリズムである。なお、学習アルゴリズムは強化学習に限定されず、たとえば教師あり学習、教師なし学習、または半教師あり学習等を用いることも可能である。また、ニューラルネットワークとして除霜推論モデルを形成して、除霜推論モデルに深層学習を適用することも可能である。他の公知の方法（たとえば、遺伝的プログラミング、機能論理プログラミング、またはサポートベクターマシン）に従って機械学習が実行されてもよい。
　再び図１を参照して、冷凍サイクル装置２００の制御装置２１０は、状態観測部２１２をさらに含む。状態観測部２１２は、サンプリングタイム毎に、特定空間３００の水分情報Ｗｉを取得して、情報処理装置１００に出力する。水分情報Ｗｉには、前回の除霜運転の開始タイミングから今回のサンプリングタイムまでの時間帯における冷凍サイクル装置２００の消費電力量Ｐｗ、今回のサンプリングタイムにおける特定空間３００の外部の空間の温度Ｔｏｕｔおよび湿度Ｈｏｕｔ、今回のサンプリングタイムにおいて特定空間３００に存在する複数の物品３３０に関する情報Ｇｄｉ、当該時間帯において出入口Ｄｗが開いている時間Ｏｔ、蒸発器２２１の構造に関する情報Ｅｖｉ、ならびに当該時間帯における冷凍サイクル装置の通常運転の時間Ｎｔが含まれる。
　特定空間３００の外部の空間の空気は、出入口Ｄｗが開放されている場合に出入口Ｄｗから特定空間３００に流入するため、温度Ｔｏｕｔ、湿度Ｈｏｕｔ、および時間Ｏｔは、特定空間３００の空気の水分量に影響を与える。また、物品３３０の種類（たとえば、冷凍品、常温品、海産物、または畜肉）によって、物品３３０が含まれる水分量が異なる。そのため、情報Ｇｄｉも特定空間３００の空気の水分量に影響を与える。なお、水分情報Ｗｉには、温度Ｔｏｕｔ、湿度Ｈｏｕｔ、情報Ｇｄｉ、および時間Ｏｔの少なくとも１つが含まれていればよい。
　蒸発器２２１の構造は、たとえば、蒸発器２２１における霜の発生し易さ、または霜の量と蒸発器２２１における熱交換効率との関係に影響を与える。そのため、情報Ｅｖｉには、蒸発器２２１に対する除霜運転の必要性に影響を与える。水分情報Ｗｉが情報Ｅｖｉを含むことにより、除霜運転の開始タイミングをより高精度に判定することができる。
　状態観測部２１２は、電力センサＳｐから消費電力量Ｐｗを取得する。状態観測部２１２は、特定空間３００の外部に配置された温度センサＳｔおよび湿度センサＳｈから温度Ｔｏｕｔおよび湿度Ｈｏｕｔをそれぞれ取得する。状態観測部２１２は、物品管理端末３１０から情報Ｇｄｉを取得する。状態観測部２１２は、開閉センサＳｄから時間Ｏｔを取得する。開閉センサＳｄは、たとえば近接センサ、または磁気センサを含む。状態観測部２１２には、情報Ｇｄｉが予め保存されている。情報Ｇｄｉには、たとえばフィンの間隔、コーティング材の種類、伝熱管の配置、および熱交換器の種類が含まれる。状態観測部２１２は、時間Ｎｔを制御部２１１から取得する。
　図４は、図１の情報処理装置１００の機能構成を示すブロック図である。図４に示されるように、情報処理装置１００は、状態取得部１１０と、学習部１２０と、記憶部１３０と、推論部１４０とを含む。状態取得部１１０は、水分情報Ｗｉを取得して、水分情報Ｗｉに対応する特定空間３００の状態ｓｔを学習部１２０および推論部１４０に出力する。
　学習部１２０は、報酬計算部１２１と、関数更新部１２２とを含む。関数更新部１２２は、強化学習の一例であるＱ学習において一般的に用いられる以下の式（１）を用いて、状態ｓｔと、除霜運転または通常運転のいずれかである行動ａｔと、行動ａｔの評価値であるＱ値（評価値）とが関連付けられた行動価値関数Ｑ（ｓｔ，ａｔ）を更新する。行動価値関数Ｑは、記憶部１３０に保存されている。強化学習においては、行動価値関数Ｑが除霜推論モデル５２１に含まれる。
Figure JPOXMLDOC01-appb-M000001
　式（１）において、状態ｓｔは、サンプリングタイムｔにおける特定空間３００の状態を表し、サンプリングタイムｔにおいて観測された水分情報Ｗｉによって決定される。状態ｓｔにおいて行動ａｔが選択された場合、報酬ｒｔ＋１が得られるとともに、特定空間３００の状態は、状態ｓｔからｓｔ＋１に遷移する。報酬ｒｔ＋１は、報酬計算部１２１によって算出される。報酬ｒｔ＋１は、状態ｓｔにおいて行動ａｔに関連付けられ、記憶部１３０に保存される。行動ａは、状態ｓｔ＋１において選択可能な行動である。αは学習率であり、γは割引率である。学習率αおよび割引率γはハイパーパラメータである。なお、学習部１２０によって行われる強化学習のアルゴリズムは、Ｑ学習に限定されず、たとえばＴＤ（Temporal　Difference）学習であってもよい。
　図５は、図４の学習部１２０によって行われる学習処理の流れを示すフローチャートである。図５に示される処理は、学習処理を統合的に制御する不図示のメインルーチンによって呼び出される。以下ではステップを単にＳと記載する。
　図５に示されるように、学習部１２０は、Ｓ１１において今回のサンプリングタイムにおける単位時間当たりの冷凍サイクル装置２００の消費電力量（今回の消費電力量）が前回のサンプリングタイムにおける単位時間当たりの冷凍サイクル装置２００の消費電力量（前回の消費電力量）以下であるか否かを判定する。今回の消費電力量が前回の消費電力量以下である場合（Ｓ１１においてＹＥＳ）、学習部１２０は、前回のサインプリングタイムにおいて選択された行動に対応する報酬を増加させて、処理をＳ１４に進める。今回の消費電力量が前回の消費電力量より多い場合（Ｓ１１においてＮＯ）、学習部１２０は、Ｓ１３において当該報酬を減少させて処理をＳ１４に進める。学習部１２０は、Ｓ１４において行動価値関数Ｑを更新して処理をメインルーチンに返す。なお、Ｓ１１～Ｓ１３は報酬計算部１２１によって行われ、Ｓ１４は関数更新部１２２によって行われる。
　図６は、図４の推論部１４０によって行われる推論処理の流れを示すフローチャートである。図６に示される処理は、推論処理を統合的に制御する不図示のメインルーチンによって呼び出される。
　図６に示されるように、推論部１４０は、Ｓ２１において、行動価値関数Ｑに基づく除霜運転の評価値が通常運転の評価値よりも高いか否かを判定する。除霜運転の評価値が通常運転の評価値よりも高い場合（Ｓ２１においてＹＥＳ）、推論部１４０は、Ｓ２２において除霜運転の開始指令（開始タイミング）を冷凍サイクル装置２００に出力して処理をメインルーチンに返す。除霜運転の評価値が通常運転の評価値以下である場合（Ｓ２１においてＮＯ）、推論部１４０は、処理をメインルーチンに返す。
　図７は、図４の情報処理装置１００のハードウェア構成を示すブロック図である。図７に示されるように、情報処理装置１００は、処理回路５１と、メモリ５２（記憶部）と、入出力部５３とを含む。処理回路５１は、メモリ５２に格納されるプログラムを実行するＣＰＵ（Central　Processing　Unit）を含む。処理回路５１は、ＧＰＵ（Graphics　Processing　Unit）を含んでもよい。情報処理装置１００の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアあるいはファームウェアはプログラムとして記述され、メモリ５２に格納される。処理回路５１は、メモリ５２に記憶されたプログラムを読み出して実行する。なお、ＣＰＵは、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいはＤＳＰ（Digital　Signal　Processor）とも呼ばれる。
　メモリ５２には、不揮発性または揮発性の半導体メモリ（たとえばＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable　Programmable　Read　Only　Memory）、あるいはＥＥＰＲＯＭ（Electrically　Erasable　Programmable　Read　Only　Memory））、および磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいはＤＶＤ（Digital　Versatile　Disc）が含まれる。メモリ５２には、除霜推論モデル５２１と、除霜判定プログラム５２２と、機械学習プログラム５２３とが保存されている。機械学習プログラム５２３は、除霜推論モデル５２１に対して機械学習を行うためのプログラムである。除霜判定プログラム５２２および機械学習プログラム５２３において、除霜推論モデル５２１が参照される。機械学習プログラム５２３を実行する処理回路５１は、図４の学習部１２０として機能する。除霜判定プログラム５２２を実行する処理回路５１は、図４の推論部１４０として機能する。
　入出力部５３は、ユーザからの操作を受けるとともに、処理結果をユーザに出力する。入出力部５３は、たとえば、マウス、キーボード、タッチパネル、ディスプレイ、およびスピーカを含む。
　実施の形態においては、推論機能および学習機能の双方を有する情報処理装置について説明した。以下では、情報処理装置が推論機能および学習機能のいずれか一方を有している場合について説明する。
　図８は、実施の形態の変形例１に係る情報処理装置１００Ａのハードウェア構成を示すブロック図である。情報処理装置１００Ａの構成は、図７の情報処理装置１００から機械学習プログラム５２３が除かれているとともに、除霜推論モデル５２１が５２１Ａに置き換えられた構成である。除霜推論モデル５２１Ａは、情報処理装置１００Ａとは別個の学習装置による機械学習が行われた学習済みモデルである。これら以外は同様であるため説明を繰り返さない。情報処理装置１００Ａは、推論機能および学習機能のうち推論機能を有する。
　図９は、実施の形態の変形例２に係る情報処理装置１００Ｂのハードウェア構成を示すブロック図である。情報処理装置１００Ｂの構成は、図７の情報処理装置１００から除霜判定プログラム５２２が除かれた構成である。これら以外は同様であるため説明を繰り返さない。情報処理装置１００Ｂは、推論機能および学習機能のうち学習機能を有する。
　以上、実施の形態および変形例１，２に係る情報処理装置によれば、除霜運転を行う冷凍サイクル装置の消費電力を低減することができる。
　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　冷凍システム、５１　処理回路、５２　メモリ、５３　入出力部、１００，１００Ａ，１００Ｂ　情報処理装置、１１０　状態取得部、１２０　学習部、１２１　報酬計算部、１２２　関数更新部、１３０　記憶部、１４０　推論部、２００　冷凍サイクル装置、２１０　制御装置、２１１　制御部、２１２　状態観測部、２２０　冷却器、２２１　蒸発器、２２２　膨張弁、２３０　熱源機、２３１　圧縮機、２３２　凝縮器、２４０　ヒータ、３００　特定空間、３１０　物品管理端末、３２０　ドア、３３０　物品、５２１，５２１Ａ　除霜推論モデル、５２２　除霜判定プログラム、５２３　機械学習プログラム、Ｓｄ　開閉センサ、Ｓｈ　湿度センサ、Ｓｐ　電力センサ、Ｓｔ　温度センサ。

Claims (10)

  1. 　冷凍サイクル装置に除霜運転の開始タイミングを出力する情報処理装置であって、
    　前記冷凍サイクル装置において、圧縮機、第１熱交換器、膨張弁、および、特定空間に配置された第２熱交換器の順に冷媒が循環し、
    　前記情報処理装置は、
    　前記特定空間の空気に含まれる水分量に関する情報を含む特定情報から前記開始タイミングを推論する除霜推論モデルが保存された記憶部と、
    　機械学習による学習済みの前記除霜推論モデルを用いて、前記特定情報から前記開始タイミングを決定するように構成された推論部とを備える、情報処理装置。
  2. 　前記推論部は、サンプリングタイム毎に前記特定情報を更新し、前記除霜運転を開始するか否かを決定するように構成され、
    　前記特定空間には、前記特定空間の外部と前記特定空間の内部との間を物品が移動可能であり、かつ開閉可能な出入口が形成され、
    　前記特定情報は、今回のサンプリングタイムにおける前記特定空間の外部の温度および湿度、前記今回のサンプリングタイムにおいて前記特定空間に存在する物品に関する情報、ならびに前回の除霜運転の開始タイミングから前記今回のサンプリングタイムまでの時間帯において前記出入口が開いている時間の少なくとも１つを含む、請求項１に記載の情報処理装置。
  3. 　前記特定情報は、前回時間帯における前記冷凍サイクル装置の消費電力量をさらに含む、請求項２に記載の情報処理装置。
  4. 　前記特定情報は、前記第２熱交換器の構造に関する情報をさらに含む、請求項２または３に記載の情報処理装置。
  5. 　前記特定情報は、前記時間帯における前記冷凍サイクル装置の運転時間をさらに含む、請求項２～４のいずれか１項に記載の情報処理装置。
  6. 　前記除霜推論モデルは、前記特定情報と、前記開始タイミングの評価値とが関連付けられた関数を含む、請求項１～５のいずれか１項に記載の情報処理装置。
  7. 　前記除霜推論モデルを前記機械学習によって学習済みモデルとするように構成された学習部をさらに備える、請求項１～６のいずれか１項に記載の情報処理装置。
  8. 　冷凍サイクル装置に除霜運転の開始タイミングを出力する情報処理装置であって、
    　前記冷凍サイクル装置において、圧縮機、第１熱交換器、膨張弁、および、特定空間に配置された第２熱交換器の順に冷媒が循環し、
    　前記情報処理装置は、
    　前記特定空間の空気に含まれる水分量に関する情報を含む特定情報から前記開始タイミングを推論する除霜推論モデルが保存された記憶部と、
    　前記除霜推論モデルを機械学習によって学習済みモデルとするように構成された学習部とを備える、情報処理装置。
  9. 　前記学習部は、前記開始タイミングに従って制御された前記冷凍サイクル装置の単位時間当たりの消費電力量の変化に応じて前記開始タイミングの評価値を更新する、請求項７または８に記載の情報処理装置。
  10. 　前記冷凍サイクル装置と、
    　請求項１～９のいずれか１項に記載の情報処理装置とを備える、冷凍システム。
PCT/JP2020/009697 2020-03-06 2020-03-06 情報処理装置および冷凍システム WO2021176689A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2020/009697 WO2021176689A1 (ja) 2020-03-06 2020-03-06 情報処理装置および冷凍システム
JP2022504916A JP7463493B2 (ja) 2020-03-06 2020-03-06 情報処理装置および冷凍システム
JP2024014535A JP2024045393A (ja) 2020-03-06 2024-02-02 情報処理装置および冷凍システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/009697 WO2021176689A1 (ja) 2020-03-06 2020-03-06 情報処理装置および冷凍システム

Publications (1)

Publication Number Publication Date
WO2021176689A1 true WO2021176689A1 (ja) 2021-09-10

Family

ID=77612944

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/009697 WO2021176689A1 (ja) 2020-03-06 2020-03-06 情報処理装置および冷凍システム

Country Status (2)

Country Link
JP (2) JP7463493B2 (ja)
WO (1) WO2021176689A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113983721A (zh) * 2021-09-14 2022-01-28 山东澳信供热有限公司 空气源热泵维保系统
WO2023209968A1 (ja) * 2022-04-28 2023-11-02 三菱電機株式会社 制御装置および制御方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04320782A (ja) * 1991-04-19 1992-11-11 Sharp Corp 冷凍冷蔵庫
JPH0560433A (ja) * 1991-09-02 1993-03-09 Sharp Corp 冷却器の除霜方式
JPH05118731A (ja) * 1991-10-23 1993-05-14 Sanyo Electric Co Ltd 冷蔵庫の除霜制御装置
JPH08152251A (ja) * 1994-11-30 1996-06-11 Samsung Electronics Co Ltd Ｇａ−ファジー理論を用いた冷蔵庫の除霜方法及び装置
JP2007225155A (ja) * 2006-02-21 2007-09-06 Mitsubishi Electric Corp 除霜運転制御装置および除霜運転制御方法
JP2012042207A (ja) * 2011-10-27 2012-03-01 Mitsubishi Electric Corp 冷凍サイクル装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10038511A1 (de) 2000-08-08 2002-02-21 Bhs Corr Masch & Anlagenbau Längs-Bearbeitungs-Maschine für Wellpappe-Bahnen
WO2008082084A1 (en) 2007-01-03 2008-07-10 Lg Electronics, Inc. Separate-cooling type refrigerator
KR20160011001A (ko) 2014-07-21 2016-01-29 엘지전자 주식회사 냉장고 및 그 제어방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04320782A (ja) * 1991-04-19 1992-11-11 Sharp Corp 冷凍冷蔵庫
JPH0560433A (ja) * 1991-09-02 1993-03-09 Sharp Corp 冷却器の除霜方式
JPH05118731A (ja) * 1991-10-23 1993-05-14 Sanyo Electric Co Ltd 冷蔵庫の除霜制御装置
JPH08152251A (ja) * 1994-11-30 1996-06-11 Samsung Electronics Co Ltd Ｇａ−ファジー理論を用いた冷蔵庫の除霜方法及び装置
JP2007225155A (ja) * 2006-02-21 2007-09-06 Mitsubishi Electric Corp 除霜運転制御装置および除霜運転制御方法
JP2012042207A (ja) * 2011-10-27 2012-03-01 Mitsubishi Electric Corp 冷凍サイクル装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113983721A (zh) * 2021-09-14 2022-01-28 山东澳信供热有限公司 空气源热泵维保系统
WO2023209968A1 (ja) * 2022-04-28 2023-11-02 三菱電機株式会社 制御装置および制御方法

Also Published As

Publication number Publication date
JP2024045393A (ja) 2024-04-02
JP7463493B2 (ja) 2024-04-08
JPWO2021176689A1 (ja) 2021-09-10

Similar Documents

Publication Publication Date Title
JP2024045393A (ja) 情報処理装置および冷凍システム
JP4346584B2 (ja) デマンド制御装置およびプログラム
O’Donoghue et al. The uncertainty bellman equation and exploration
Anthony et al. Thinking fast and slow with deep learning and tree search
Esen et al. Artificial neural networks and adaptive neuro-fuzzy assessments for ground-coupled heat pump system
Zhu et al. Episodic reinforcement learning with associative memory
EP1729223A2 (en) Demand control apparatus, electric power consumption prediction method, and program therefor
JPH05248756A (ja) 冷蔵庫の除霜制御のための使用パターン学習方法
TWI374246B (ja)
CN112867337B (zh) 一种机柜制冷的控制方法、装置、设备及介质
CN114020079B (zh) 一种室内空间温度和湿度调控方法及装置
EP3420127B1 (en) Method for the determination of a laundry weight in a laundry treatment appliance
US5673565A (en) Defrosting method and apparatus for freezer-refrigerator using GA-fuzzy theory
US20210207884A1 (en) Refrigerator and method for controlling refrigerator
CN111839101B (zh) 一种陈列柜控制方法、装置、存储介质及陈列柜
US5666816A (en) Defrosting method and apparatus for refrigerator using GA-fuzzy theory
Okwu et al. Firefly Algorithm
JPH06273033A (ja) 除霜制御装置
WO2022101989A1 (ja) 空気調和装置、および空気調和装置の学習装置
Yin et al. Hashing over predicted future frames for informed exploration of deep reinforcement learning
Kuznetsov Guided exploration in reinforcement learning via Monte Carlo critic optimization
US20230358431A1 (en) Learning device and inference device for state of air conditioning system
Abramson et al. Tabu search exploration for on-policy reinforcement learning
JP7386485B2 (ja) 情報処理装置およびプログラム
JP2869223B2 (ja) 冷蔵庫の除霜制御装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20922968

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022504916

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20922968

Country of ref document: EP

Kind code of ref document: A1