WO2022123787A1

WO2022123787A1 - 空調システムの状態の学習装置および推論装置

Info

Publication number: WO2022123787A1
Application number: PCT/JP2020/046363
Authority: WO
Inventors: 充博石垣; 寛光穂苅; 貴大橋川
Original assignee: 三菱電機株式会社
Priority date: 2020-12-11
Filing date: 2020-12-11
Publication date: 2022-06-16
Also published as: EP4261470A1; US20230358431A1; JPWO2022123787A1; EP4261470A4

Abstract

学習装置（１００）は、冷媒が循環する空調システムの状態を学習する。空調システムは、室外機と、少なくとも１つの室内機とを含む。学習装置（１００）は、第１データ取得部（１１０）と、モデル生成部（１２０）とを備える。第１データ取得部（１１０）は、空調システムの運転データを取得する。モデル生成部（１２０）は、運転データを用いて、特定モデル（Ｍ１～Ｍ３）を学習済みモデルとする。運転データは、第２熱交換器を通過する空気の温度、冷媒の温度および圧力、ならびに少なくとも１つの室内機の各々が配置された空間外の温度の少なくとも１つと、特定パラメータとを含む。特定モデル（Ｍ１～Ｍ３）は、特定パラメータ以外の運転データから、特定パラメータを推定する。特定パラメータは、圧縮機の運転周波数、膨張弁の開度、および送風装置の単位時間当たりの送風量の少なくとも１つを含む。

Description

空調システムの状態の学習装置および推論装置

　本開示は、空調システムの状態の学習装置および推論装置に関する。

　従来、空調システムの異常を検知する装置が知られている。たとえば、特開２０１７－２２１０２３号公報（特許文献１）には、電気ノイズの影響を受けにくいｑ軸電流を分析することにより、圧縮機の内部状態を正確に推定する故障徴候検出装置が開示されている。当該故障徴候検出装置によれば、圧縮機の異常の検出精度を向上させることができる。

特開２０１７－２２１０２３号公報

　特許文献１には、ＦＦＴ（Fast　Fourier　Transform）解析の結果、圧縮機の運転周波数成分の強度が閾値を超えた場合に圧縮機の異常が検出されることが開示されている。しかし、当該閾値は、空調システムが運転している環境毎に異なり得るため、空調システムが運転している環境によらずに共通の閾値が用いられる場合、空調システムの状態の推定精度が低下し得る。

　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、空調システムの状態の推定精度を向上させることである。

　本開示の一局面に係る学習装置は、冷媒が循環する空調システムの状態を学習する。空調システムは、室外機と、少なくとも１つの室内機とを含む。室外機は、圧縮機と、第１熱交換器と、第１熱交換器に送風する送風装置とを含む。少なくとも１つの室内機の各々は、膨張弁と、第２熱交換器とを含む。冷媒は、圧縮機、第１熱交換器、膨張弁、および第２熱交換器の順に循環するか、または圧縮機、第２熱交換器、膨張弁、および第１熱交換器の順に循環する。学習装置は、第１データ取得部と、モデル生成部とを備える。第１データ取得部は、空調システムの運転データを取得する。モデル生成部は、運転データを用いて、特定モデルを学習済みモデルとする。運転データは、第２熱交換器を通過する空気の温度、冷媒の温度および圧力、ならびに少なくとも１つの室内機の各々が配置された空間外の温度の少なくとも１つと、特定パラメータとを含む。特定モデルは、特定パラメータ以外の運転データから、特定パラメータを推定する。特定パラメータは、圧縮機の運転周波数、膨張弁の開度、および送風装置の単位時間当たりの送風量の少なくとも１つを含む。

　本開示の他の局面に係る推論装置は、学習済みの特定モデルを用いて、冷媒が循環する空調システムの状態を推論する。空調システムは、室外機と、少なくとも１つの室内機とを含む。室外機は、圧縮機と、第１熱交換器と、第１熱交換器に送風する送風装置とを含む。少なくとも１つの室内機の各々は、膨張弁と、第２熱交換器とを含む。冷媒は、圧縮機、第１熱交換器、膨張弁、および第２熱交換器の順に循環するか、または圧縮機、第２熱交換器、膨張弁、および第１熱交換器の循環方向の順に循環する。推論装置は、データ取得部と、推論部とを備える。データ取得部は、空調システムの運転データを取得する。推論部は、特定モデルを用いて運転データから特定パラメータを推定する。運転データは、第２熱交換器と熱交換をする空気の温度、冷媒の温度および圧力、ならびに少なくとも１つの室内機の各々が配置された空間外の温度の少なくとも１つを含む。特定パラメータは、圧縮機の運転周波数、膨張弁の開度、および送風装置の単位時間当たりの送風量の少なくとも１つを含む。

　本開示に係る学習装置および推論装置によれば、運転データが第２熱交換器と熱交換をする空気の温度、冷媒の温度および圧力、ならびに少なくとも１つの室内機の各々が配置された空間外の温度の少なくとも１つを含むことにより、空調システムの状態の推定精度を向上させることができる。

実施の形態に係る学習装置および推論装置を備える異常検知システム、および異常検知システムによって状態が監視される空調システムの構成の一例を示すブロック図である。図１の空調システムの構成を示す機能ブロック図である。空調システムの状態を反映する運転データの一例を示す図である。図１の学習装置の構成を示すブロック図である。ニューラルネットワークの一例を示す図である。図４の学習装置の学習処理を示すフローチャートである。特定パラメータの正解データと、学習済みモデルによって推定される特定パラメータのタイムチャートとを併せて示す図である。図１の推論装置および判定装置の構成を示すブロック図である。図８の推論装置の推論処理および判定装置の判定処理を併せて示すフローチャートである。学習済みモデルによって推定される特定パラメータのタイムチャート、当該パラメータの正常領域、および実際の特定パラメータのタイムチャートを併せて示す図である。図１の異常検知システム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、実施の形態に係る学習装置１００および推論装置２００を備える異常検知システム１、および異常検知システム１によって状態が監視される空調システム４０の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１は、ネットワーク９００を介して空調システム４０に接続されている。

　異常検知システム１は、学習装置１００と、推論装置２００と、判定装置３００とを備える。空調システム４０は、複数の室内機２０と、室外機１０と、制御装置３０とを備える。複数の室内機２０の各々は、室内空間に配置され、室外機１０と接続されている。室外機１０は、室内空間の外部の空間（室外空間）に配置されている。なお、空調システム４０に含まれる室内機２０の数は、１であってもよい。

　室外機１０は、圧縮機と、室外熱交換器（第１熱交換器）と、室外ファン（送風装置）とを含む。複数の室内機２０の各々は、膨張弁と、室内熱交換器（第２熱交換器）とを含む。室外機１０に含まれる圧縮機から複数の室内機２０の各々に冷媒が供給される。当該冷媒は、複数の室内機２０の各々と室外機１０との間を循環する。

　制御装置３０は、サーモスタットを含み、空調システム４０を統合的に制御する。制御装置３０は、ネットワーク９００を介して異常検知システム１に接続されている。ネットワーク９００は、インターネットおよびクラウドシステムを含む。

　図２は、図１の空調システム４０の構成を示す機能ブロック図である。図２に示されるように、室外機１０は、圧縮機１１と、室外熱交換器１２（第１熱交換器）と、四方弁１３と、室外ファン１４（送風装置）と、温度センサ５１，５２と、圧力センサ６１，６２とを含む。複数の室内機２０の各々は、膨張弁２１と、室内熱交換器２２（第２熱交換器）と、室内ファン２３と、温度センサ５３，５４とを含む。温度センサ５０は、室外空間に配置されている。なお、膨張弁２１は、たとえばＬＥＶ（Linear　Expansion　Valve）を含む。また、温度センサ５０～５４の各々は、サーミスタを含む。

　空調システム４０の運転モードには、暖房モード、冷房モード、および除霜モードが含まれる。暖房モードにおいて四方弁１３は、圧縮機１１の吐出口と室内熱交換器２２とを接続するとともに、室外熱交換器１２と圧縮機１１の吸入口とを接続する。暖房モードにおいて冷媒は、圧縮機１１、四方弁１３、室内熱交換器２２、膨張弁２１、および室外熱交換器１２の順に循環する。冷房モードおよび除霜モードにおいて四方弁１３は、圧縮機１１の吐出口と室外熱交換器１２とを接続するとともに、室内熱交換器２２と圧縮機１１の吸入口とを接続する。冷房モードおよび除霜モードにおいて冷媒は、圧縮機１１、四方弁１３、室外熱交換器１２、膨張弁２１、および室内熱交換器２２の順に循環する。

　温度センサ５０は、室外空間の温度（外気温度）を測定して、外気温度を制御装置３０に出力する。温度センサ５１は、圧縮機１１から吐出される冷媒の温度（吐出温度）を測定し、吐出温度を制御装置３０に出力する。温度センサ５２は、室外熱交換器１２を通過する冷媒の温度（蒸発温度または凝縮温度）を測定し、当該温度を制御装置３０に出力する。温度センサ５３は、室内熱交換器２２を通過する冷媒の温度（凝縮温度または蒸発温度）を測定し、当該温度を制御装置３０に出力する。温度センサ５４は、室内熱交換器２２を通過する空気の温度（吸込温度または吹出温度）を測定し、当該温度を制御装置３０に出力する。圧力センサ６１は、圧縮機１１から吐出される冷媒の圧力（高圧）を測定し、高圧を制御装置３０に出力する。圧力センサ６２は、圧縮機１１に吸入される冷媒の圧力（低圧）を測定し、低圧を制御装置３０に出力する。

　制御装置３０は、圧縮機１１の運転周波数を制御して、圧縮機１１が単位時間当たりに吐出する冷媒量を制御する。制御装置３０は、膨張弁２１の開度を制御する。制御装置３０は、四方弁１３を制御して、冷媒の循環方向を切り替える。制御装置３０は、室外ファン１４および室内ファン２３の各々の回転速度を制御して、当該ファンの単位時間当たりの送風量を制御する。制御装置３０は、空調システムの状態を反映する運転データを測定時刻と関連付けて異常検知システムに送信する。

　図３は、空調システム４０の状態を反映する運転データの一例を示す図である。図３に示されるように、運転データには、たとえば、外気温度、吐出温度、蒸発温度、凝縮温度、吸込温度、吹出温度、高圧、低圧、圧縮機１１の運転周波数、膨張弁２１の開度、運転モード、運転状態（運転、停止、または待機）、室外ファン１４，室内ファン２３の各々の回転速度、ユーザによって設定された室内空間の温度（設定温度）、圧縮機１１のインバータの電流値、当該インバータの電圧値、室外機１０に含まれるヒートシンクの温度、および室外機１０と室内機２０とを接続する液管（液体の冷媒が流れる配管）の温度（液管温度）が含まれる。

　空調システム４０が運転している環境には、当該環境に特有の特性（たとえば、冷媒配管長、室内機２０の種類、室内機２０の数、および室内機２０と室外機１０との高低差）が存在し得る。そのため、空調システム４０の異常を検知するための判定基準（たとえば閾値）は、空調システム４０が運転する環境毎に異なり得る。したがって、空調システム４０が運転している環境によらずに共通の判定基準が用いられる場合、空調システム４０の状態の推定精度が低下し得る。

　そこで、異常検知システム１においては、空調システム４０の運転データと空調システム４０の特定パラメータとの関係を学習した学習済みモデルを生成する。当該学習済みモデルを用いることにより、空調システム４０が運転する環境に適合した判定基準によって空調システム４０の異常を検知することが可能になる。その結果、空調システムの状態の推定精度を向上させることができる。

　図４は、図１の学習装置１００の構成を示すブロック図である。図４に示されるように、学習装置１００は、データ取得部１１０（第１データ取得部）と、モデル生成部１２０とを備える。学習装置１００の外部に設けられた学習済みモデル記憶部１４０には、運転周波数推定モデルＭ１（特定モデル）と、開度推定モデルＭ２（特定モデル）と、回転速度推定モデルＭ３（特定モデル）とが保存されている。なお、学習済みモデル記憶部１４０は、学習装置１００の内部に形成されてもよい。また、学習済みモデル記憶部１４０には、運転周波数推定モデルＭ１、開度推定モデルＭ２、および回転速度推定モデルＭ３のうち少なくとも１つが保存されていればよい。

　運転周波数推定モデルＭ１は、空調システム４０の運転データに含まれるパラメータのうち、圧縮機１１の運転周波数以外のパラメータを受けて、圧縮機１１の運転周波数（特定パラメータ）を出力する回帰モデルである。開度推定モデルＭ２は、空調システム４０の運転データに含まれるパラメータのうち、膨張弁２１の開度以外のパラメータを受けて膨張弁２１の開度（特定パラメータ）を出力する回帰モデルである。回転速度推定モデルＭ３は、空調システム４０の運転データに含まれるパラメータのうち、室外ファン１４の回転速度以外のパラメータを受けて室外ファン１４の回転速度（特定パラメータ）を出力する回帰モデルである。運転周波数推定モデルＭ１、開度推定モデルＭ２、および回転速度推定モデルＭ３の各々は、たとえばニューラルネットワークを含む。なお、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度は、ＶＲＦ（Variable　Refrigerant　Flow）制御における基本的な操作量である。

　データ取得部１１０は、空調システム４０から複数の運転データを取得する。モデル生成部１２０は、複数の運転データの各々を用いて作成される学習データを用いて、運転データと、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度の各々との関係を学習する。モデル生成部１２０は、当該学習データを用いて運転周波数推定モデルＭ１、開度推定モデルＭ２、および回転速度推定モデルＭ３の各々を学習済みモデルとする。なお、運転データの取得期間および取得間隔は任意である。また、運転データに含まれるパラメータのクラスタリングおよび重み付けには一般的なＡＩ（Artificial　Intelligence）技術が適用可能である。

　モデル生成部１２０が用いる学習アルゴリズムは、教師あり学習、教師なし学習、または強化学習等の公知のアルゴリズムであってもよい。以下では、ニューラルネットワークを適用する場合について説明する。

　モデル生成部１２０は、たとえば、ニューラルネットワークモデルに従って、教師あり学習により、運転データと、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度の各々との関係を学習する。ここで、教師あり学習とは、入力データ（運転データ）と正解データ（ラベル）の組である学習データを学習装置１００に与えることで、それらの学習データに含まれる特徴を学習し、入力から結果を推論する手法をいう。正解データとしては、空調システム４０が正常な状態である場合（たとえば偶発故障期間）における圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度を用いることができる。

　回帰モデルのニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、および１つのニューロンからなる出力層で構成される。中間層は、１層、または２層以上でもよい。

　図５は、ニューラルネットワークの一例を示す図である。図５に示されるように、ニューラルネットワークＮｗ１は、入力層Ｘ１０と、中間層Ｙ１０と、出力層Ｚ１０とを含む。入力層Ｘ１０は、ニューロンＸ１１，Ｘ１２，Ｘ１３を含む。中間層Ｙ１０は、ニューロンＹ１１，Ｙ１２を含む。出力層Ｚ１０は、ニューロンＺ１１を含む。入力層Ｘ１０と中間層Ｙ１０とは、互いに全結合している。中間層Ｙ１０と出力層Ｚ１０とは互いに全結合している。

　複数の入力が入力層Ｘ１０のニューロンＸ１１～Ｘ１３にそれぞれに入力されると、その値に重みｗ１１～ｗ１６が乗じられて中間層Ｙ１０のニューロンＹ１１，Ｙ１２に入力される。ニューロンＹ１１，Ｙ１２からの出力に重みｗ２１，ｗ２２が乗じられて出力層Ｚ１０のニューロンＺ１１から出力される。出力層Ｚ１０からの出力結果は、重みｗ１１～ｗ１６，ｗ２１，ｗ２２の値によって変わる。

　運転周波数推定モデルＭ１、開度推定モデルＭ２、および回転速度推定モデルＭ３の各々のニューラルネットワークは、データ取得部１１０によって取得される運転データを用いて作成される学習データに従って、教師あり学習により、運転データと当該モデルに対応する特定パラメータとの関係を学習する。すなわち、当該モデルのニューラルネットワークの重みおよびバイアスは、入力層に運転データを入力して出力層から出力された結果が、正解データの特定パラメータに近づくように、当該結果と正解データとの誤差に対するバックプロパゲーションによって更新される。

　図６は、図４の学習装置１００の学習処理を示すフローチャートである。以下ではステップを単にＳと記載する。図６に示されるように、Ｓ１０１において、データ取得部１１０は、運転データを取得する。

　Ｓ１０２において、モデル生成部１２０は、データ取得部１１０によって取得された学習データに従って、教師あり学習により、運転データと、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度の各々との関係を学習し、運転周波数推定モデルＭ１、開度推定モデルＭ２、および回転速度推定モデルＭ３の各々を学習済みモデルとする。

　Ｓ１０３において、モデル生成部１２０は、学習済みの運転周波数推定モデルＭ１、学習済みの開度推定モデルＭ２、および学習済みの回転速度推定モデルＭ３を学習済みモデル記憶部１４０に保存して、学習処理を終了する。

　図７は、特定パラメータの正解データＤ１，Ｄ２，Ｄ３，Ｄ４，Ｄ５，Ｄ６，Ｄ７、Ｄ８と、学習済みモデルによって推定される特定パラメータのタイムチャートＲＣ１とを併せて示す図である。図７においては、特定パラメータが圧縮機１１の運転周波数である場合について説明する。点Ｄ１～Ｄ８の各々は、空調システム４０が正常な状態である場合の圧縮機１１の運転周波数を表す。タイムチャートＲＣ１は、学習済みの運転周波数推定モデルＭ１によって推定された圧縮機１１の運転周波数の時系列データである。領域ＳＲ１は、圧縮機１１の運転周波数が正常である領域を表す。正常領域ＳＲ１は、タイムチャートＲＣ１（学習済みモデルの推定値）からの乖離率が基準値（たとえば５％）以内の領域として設定される。たとえば、乖離率が５％以下であり、学習済みの運転周波数推定モデルＭ１によって推定された圧縮機１１の運転周波数が或る時刻において１００Ｈｚである場合、当該時刻における圧縮機１１の正常領域ＳＲ１は、９５Ｈｚ以上１０５Ｈｚの範囲である。当該時刻における圧縮機１１の運転周波数が９５Ｈｚ以上１０５Ｈｚの範囲に含まれる場合、空調システム４０の状態が正常であると判定される。当該時刻における圧縮機１１の運転周波数が９５Ｈｚ以上１０５Ｈｚの範囲に含まれない場合、空調システム４０の状態が異常であると判定される。膨張弁２１の開度および室外ファン１４の回転速度についても同様である。なお、学習済みモデルの推定値からの乖離率は、ユーザが設定することが可能であり、実機実験あるいはシミュレーションによって適宜決定することが可能である。

　圧縮機１１の実際の運転周波数が、推定された圧縮機１１の運転周波数の正常領域より高い場合、異常原因として、冷媒不足、室外機１０の伝熱不良、および膨張弁２１の開度が閉じないという不良が推定される。また、圧縮機１１の実際の運転周波数が正常領域ＳＲ１よりも低い場合、異常原因として、冷媒不足、室内機２０の伝熱不良、膨張弁２１の開度が開かないという不良が推定される。

　膨張弁２１の実際の開度が、推定された膨張弁２１の開度の正常領域より大きい場合、異常原因として、冷媒不足（冷房時）が推定される。膨張弁２１の実際の開度が正常領域より小さい場合、異常原因として、冷媒不足（暖房時）、室外機１０の伝熱不良、および室内機２０の伝熱不良が推定される。

　室外ファン１４の実際の回転速度が、推定された室外ファン１４の回転速度の正常領域より速い場合、異常原因として、冷媒不足（暖房時）、室外機１０の伝熱不良、および膨張弁２１の開度が開かないという不良が推定される。室外ファン１４の実際の回転速度が正常領域より遅い場合、異常原因として、冷媒不足（冷房時）、および膨張弁２１の開度が閉じないという不良が推定される。

　図８は、図１の推論装置２００および判定装置３００の構成を示すブロック図である。推論装置２００は、データ取得部２１０（第２データ取得部）と、推論部２２０とを含む。判定装置３００は、判定部３１０と、出力部３２０とを含む。

　データ取得部２１０は、空調システム４０から運転データを取得する。推論部２２０は、学習済みモデル記憶部１４０に記憶されている学習済みモデルＭ１～Ｍ３を利用して圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度をそれぞれ推定する。なお、実施の形態では、図４のモデル生成部１２０において学習された学習済みモデルを用いて圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度を推定する構成を説明したが、他の環境で学習された学習済みモデルを用いて圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度が推定される構成としてもよい。

　図９は、図８の推論装置２００の推論処理および判定装置３００の判定処理を併せて示すフローチャートである。図９に示されように、Ｓ２０１において、データ取得部２１０は、空調システム４０の運転データを取得する。Ｓ２０２において、推論部２２０は、学習済みモデル記憶部１４０に記憶された学習済みモデルＭ１～Ｍ３に運転データを入力し、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４をそれぞれ取得する。Ｓ２０３において、判定部３１０は、学習済みの運転周波数推定モデルＭ１から出力された圧縮機１１の運転周波数、学習済みの開度推定モデルＭ２から出力された膨張弁２１の開度、および学習済みの回転速度推定モデルＭ３から出力された室外ファン１４の回転速度を用いて、空調システム４０の状態が正常か異常かを判定する。判定部３１０は、たとえば、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度のいずれか一つが正常範囲に含まれていない場合に空調システム４０の状態が異常であると判定する。Ｓ２０４において、出力部３２０は、Ｓ２０３において判定部３１０によって行われた判定の結果を、外部の装置（たとえば、ユーザの端末装置、または制御装置３０）に送信する。出力部３２０は、判定の結果が異常である場合、判定結果とともに推定される異常原因を外部の装置に送信してもよい。

　図１０は、学習済みモデルによって推定される特定パラメータのタイムチャートＲＣ２、当該パラメータの正常領域ＳＲ２、および実際の特定パラメータのタイムチャートＡＣを併せて示す図である。図１０においては、特定パラメータが圧縮機１１の運転周波数である場合について説明する。図１０に示されるように、時刻ｔ１以降において、圧縮機１１の実際の運転周波数が正常領域ＳＲ２に含まれていない。時刻ｔ１以降において、空調システム４０に異常が発生していることが異常検知システム１から外部の装置に送信される。

　図１１は、図１の異常検知システム１のハードウェア構成を示すブロック図である。図１１に示されるように、異常検知システム１は、処理回路９１と、メモリ９２（記憶部）と、入出力部９３とを含む。処理回路９１は、メモリ９２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９１は、ＧＰＵ（Graphics　Processing　Unit）を含んでもよい。異常検知システム１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９２に格納される。処理回路９１は、メモリ９２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９２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９２には、たとえば、学習済みモデル、異常検知プログラム、および機械学習プログラムが保存される。

　入出力部９３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９３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。

　なお、実施の形態では、モデル生成部１２０が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、学習アルゴリズムは教師あり学習に限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師なし学習、または半教師あり学習等を適用することも可能である。

　また、モデル生成部１２０に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep　Learning）を用いることもでき、他の公知の方法、たとえばニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、もしくはサポートベクターマシンなどに従って機械学習が実行されてもよい。

　なお、実施の形態においては、学習装置１００および推論装置２００が、ネットワーク９００を介して空調システム４０に接続される、空調システム４０とは別個の装置として説明したが、学習装置１００および推論装置２００は空調システム４０に内蔵されていてもよい。また、学習装置１００および推論装置２００は、クラウドサーバ上に存在していてもよい。

　以上、実施の形態に係る学習装置および推論装置によれば、空調システムの状態の推定精度を向上させることができる。

　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　異常検知システム、１０　室外機、１１　圧縮機、１２　室外熱交換器、１３　四方弁、１４　室外ファン、２０　室内機、２１　膨張弁、２２　室内熱交換器、２３　室内ファン、３０　制御装置、４０　空調システム、５０～５４　温度センサ、６１，６２　圧力センサ、９１　処理回路、９２　メモリ、９３　入出力部、１００　学習装置、１１０，２１０　データ取得部、１２０　モデル生成部、１４０　学習済みモデル記憶部、２００　推論装置、２２０　推論部、３００　判定装置、３１０　判定部、３２０　出力部、９００　ネットワーク、Ｍ１　運転周波数推定モデル、Ｍ２　開度推定モデル、Ｍ３　回転速度推定モデル、Ｎｗ１　ニューラルネットワーク。

Claims

　冷媒が循環する空調システムの状態を学習する学習装置であって、
　前記空調システムは、室外機と、少なくとも１つの室内機とを含み、
　前記室外機は、圧縮機と、第１熱交換器と、前記第１熱交換器に送風する送風装置とを含み、
　前記少なくとも１つの室内機の各々は、膨張弁と、第２熱交換器とを含み、
　前記冷媒は、前記圧縮機、前記第１熱交換器、前記膨張弁、および前記第２熱交換器の順に循環するか、または前記圧縮機、前記第２熱交換器、前記膨張弁、および前記第１熱交換器の順に循環し、
　前記学習装置は、
　前記空調システムの運転データを取得する第１データ取得部と、
　前記運転データを用いて、特定モデルを学習済みモデルとするモデル生成部とを備え、
　前記運転データは、前記第２熱交換器を通過する空気の温度、前記冷媒の温度および圧力、ならびに前記少なくとも１つの室内機の各々が配置された空間外の温度の少なくとも１つと、特定パラメータとを含み、
　前記特定モデルは、前記特定パラメータ以外の前記運転データから、前記特定パラメータを推定し、
　前記特定パラメータは、前記圧縮機の運転周波数、前記膨張弁の開度、および前記送風装置の単位時間当たりの送風量の少なくとも１つを含む、学習装置。
　前記空調システムが正常な状態である場合の前記運転データを正解データとして、前記モデル生成部は、前記特定モデルに対して教師あり学習を行う、請求項１に記載の学習装置。
　前記運転データを取得する第２データ取得部と、
　請求項１または２に記載の学習装置によって生成された学習済みの前記特定モデルを用いる推論部とを備え、
　前記推論部は、学習済みの前記特定モデルを用いて前記第２データ取得部によって取得された前記運転データから前記特定パラメータを推定する、推論装置。
　学習済みの特定モデルを用いて、冷媒が循環する空調システムの状態を推論する推論装置であって、
　前記空調システムは、室外機と、少なくとも１つの室内機とを含み、
　前記室外機は、圧縮機と、第１熱交換器と、前記第１熱交換器に送風する送風装置とを含み、
　前記少なくとも１つの室内機の各々は、膨張弁と、第２熱交換器とを含み、
　前記冷媒は、前記圧縮機、前記第１熱交換器、前記膨張弁、および前記第２熱交換器の順に循環するか、または前記圧縮機、前記第２熱交換器、前記膨張弁、および前記第１熱交換器の順に循環し、
　前記推論装置は、
　前記空調システムの運転データを取得するデータ取得部と、
　前記特定モデルを用いて前記運転データから特定パラメータを推定する推論部とを備え、
　前記運転データは、前記第２熱交換器と熱交換をする空気の温度、前記冷媒の温度および圧力、ならびに前記少なくとも１つの室内機の各々が配置された空間外の温度の少なくとも１つを含み、
　前記特定パラメータは、前記圧縮機の運転周波数、前記膨張弁の開度、および前記送風装置の単位時間当たりの送風量の少なくとも１つを含む、推論装置。
　前記特定モデルの各々は、教師あり学習によって生成される、請求項４に記載の推論装置。
　前記推論部によって推定された前記特定パラメータと、前記特定パラメータに対応する実際の運転データとを用いて、前記空調システムが正常か異常かの判定を行い、前記判定の結果を出力する判定部をさらに備える、請求項４または５に記載の推論装置。