WO2022157927A1 - 空気調和機および空調システム - Google Patents

空気調和機および空調システム Download PDF

Info

Publication number
WO2022157927A1
WO2022157927A1 PCT/JP2021/002235 JP2021002235W WO2022157927A1 WO 2022157927 A1 WO2022157927 A1 WO 2022157927A1 JP 2021002235 W JP2021002235 W JP 2021002235W WO 2022157927 A1 WO2022157927 A1 WO 2022157927A1
Authority
WO
WIPO (PCT)
Prior art keywords
drying operation
heat exchanger
air conditioner
unit
cooling operation
Prior art date
Application number
PCT/JP2021/002235
Other languages
English (en)
French (fr)
Inventor
洋志 守安
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/JP2021/002235 priority Critical patent/WO2022157927A1/ja
Priority to JP2022576900A priority patent/JP7466710B2/ja
Publication of WO2022157927A1 publication Critical patent/WO2022157927A1/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
    • F24F11/46—Improving electric energy efficiency or saving
    • 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
    • F24F11/48—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring prior to normal operation, e.g. pre-heating or pre-cooling
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • 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
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/65—Electronic processing for selecting an operating mode

Definitions

  • the present disclosure relates to air conditioners and air conditioning systems.
  • Patent Document 1 discloses an air conditioner that removes dew condensation generated in a heat exchanger and suppresses the growth of mold by operating a blower fan and a heater for a predetermined time after cooling operation. disclosed.
  • dew condensation generated after the cooling operation can be removed by performing the drying operation.
  • the drying operation time is only controlled by a timer, the drying operation time is not enough to remove the condensation, and the drying operation continues even after the condensation has been removed, resulting in unnecessary power consumption. There is a risk that the drying operation may be excessive or insufficient.
  • the present disclosure has been made to solve the above problems, and aims to provide an air conditioner and an air conditioning system that can appropriately perform a drying operation after a cooling operation.
  • An air conditioner includes a heat exchanger and a control device that performs control for performing a drying operation.
  • the control device uses a data acquisition unit that acquires state data indicating the dry state of the heat exchanger, and a learned model for inferring the drying operation time, and performs drying operation based on the state data acquired by the data acquisition unit. and an inference unit that outputs time.
  • An air conditioning system includes an air conditioner and a server device that communicates with the air conditioner.
  • the server device includes a data acquisition unit that acquires state data indicating the dry state of the heat exchanger from the air conditioner, and the state data acquired by the data acquisition unit using a trained model for inferring the drying operation time. and an inference unit that outputs the drying operation time to the air conditioner based on.
  • the drying operation can be properly performed after the cooling operation.
  • FIG. 1 is a diagram showing a configuration of an air conditioner according to Embodiment 1;
  • FIG. 1 is a diagram for explaining an outline of reinforcement learning;
  • FIG. 1 is a diagram for explaining an outline of reinforcement learning;
  • FIG. 4 is a diagram for explaining B1 (behavior), B2 (state), C (output), and D (reward criterion) in reinforcement learning according to Embodiment 1;
  • FIG. 11 is a diagram for explaining an example of reward calculation; It is a figure which shows the structure of a learning apparatus.
  • 2 is a diagram showing the configuration of an inference device;
  • FIG. 3 is a diagram showing the configuration of an air conditioner to which the learning device and the inference device are applied in the actual operation phase;
  • FIG. 3 is a diagram showing the configuration of an air conditioner to which the learning device and the inference device are applied in the actual operation phase;
  • FIG. 4 is a diagram for explaining preprocessing for state data input to the inference device; 4 is a flowchart of inference processing executed by the air conditioner control device according to Embodiment 1.
  • FIG. 4 is a flowchart related to learning processing executed by the air conditioner control device according to Embodiment 1.
  • FIG. FIG. 7 is a diagram showing the configuration of an air conditioner according to Embodiment 2;
  • FIG. 4 is a diagram for explaining a dry operation mode with respect to the degree of contamination of a heat exchanger;
  • FIG. 10 is a flow chart relating to inference processing executed by the air conditioner control device according to Embodiment 2.
  • FIG. FIG. 10 is a diagram showing the configuration of an air conditioning system according to Embodi
  • Embodiment 1 An air conditioner 1 according to Embodiment 1 will be described with reference to FIGS. 1 to 13. FIG.
  • FIG. 1 is a diagram for explaining an outline of an air conditioner 1 according to Embodiment 1.
  • the air conditioner 1 adjusts the temperature and humidity of the air drawn from the indoor space and supplies the adjusted air to the indoor space, thereby adjusting the temperature and humidity of the indoor space.
  • the air conditioner 1 includes an indoor unit 2. Furthermore, the air conditioner 1 includes a heat exchanger 11 and a fan 12 in the indoor unit 2 . In the cooling operation, the heat exchanger 11 exchanges heat between refrigerant flowing from an outdoor unit (not shown) and air sucked from the indoor space. The air that has absorbed heat through heat exchange in the heat exchanger 11 is blown out again into the indoor space by the fan 12 . Thereby, the air conditioner 1 can cool the indoor space.
  • the air conditioner 1 may include an outdoor unit (not shown). Also, the air conditioner 1 may refer to only the indoor unit 2 .
  • FIG. 2 is a diagram for explaining the configuration of the air conditioner 1 according to Embodiment 1.
  • air conditioner 1 includes humidity sensor 21 , temperature sensor 22 , camera 23 , controlled object 10 , and control device 100 .
  • the humidity sensor 21 measures the humidity of the air near the heat exchanger 11 and outputs the obtained humidity data to the control device 100 .
  • the temperature sensor 22 measures the temperature of the air sucked from the indoor space by the air conditioner 1 and outputs the obtained temperature data to the control device 100 .
  • the camera 23 photographs the heat exchanger 11 and outputs the obtained photographed data to the control device 100 .
  • the controlled object 10 includes a fan 12 and a compressor (not shown), etc., and is driven based on control data output from the control device 100 .
  • the control device 100 outputs control data to the controlled object 10 to realize various functions such as the cooling operation, the heating operation, and the drying operation of the air conditioner 1 .
  • the control device 100 includes an arithmetic device 101 , a memory 102 , a communication device 103 and an input device 104 .
  • the arithmetic unit 101 is an arithmetic entity that executes various processes by executing various programs, and is an example of a computer.
  • Arithmetic device 101 includes, for example, a CPU (Central Processing Unit), an FPGA (Field-Programmable Gate Array), and a GPU (Graphics Processing Unit). Further, the arithmetic device 101 may be configured with a processing circuitry.
  • the memory 102 provides a storage area for temporarily storing program codes, work memory, etc., when the arithmetic unit 101 executes various programs, and for example, DRAM (Dynamic Random Access Memory) or SRAM (Static Random Access Memory). ) and other volatile memory devices. Furthermore, the memory 102 provides a storage area for storing various data necessary for controlling the controlled object 10, and is composed of a non-volatile memory device such as a hard disk or SSD (Solid State Drive). Note that the memory 102 may be configured separately as a volatile memory device and a non-volatile memory device. Specifically, the memory 102 stores a learning program 160, a trained model 170, and learning data 180, as will be described later.
  • the communication device 103 transmits and receives data to and from an external device other than the air conditioner 1 by wired connection or wireless connection.
  • the input device 104 receives input from an operation unit (buttons or switches of a remote controller, etc.) operated by the user to cause the air conditioner 1 to perform various operations such as a cooling operation, a heating operation, and a drying operation. .
  • an operation unit buttons or switches of a remote controller, etc.
  • the control device 100 having the configuration described above controls the controlled object 10 by causing the arithmetic device 101 to execute the program stored in the memory 102 . Further, the control device 100 outputs the drying operation time based on the state data indicating the dry state of the heat exchanger 11 after the cooling operation by executing the program stored in the memory 102 by the arithmetic device 101 .
  • the air conditioner 1 when the air conditioner 1 performs cooling operation, condensation occurs in the heat exchanger 11 of the indoor unit 2, and as a result, substances such as mold and bacteria are likely to occur. In order to suppress the generation of such substances, the air conditioner 1 performs a drying operation for drying the heat exchanger 11 after the cooling operation.
  • the amount of dew condensation on the heat exchanger 11 after the cooling operation may change depending on the intensity of the cooling operation and the environment of the indoor space where the indoor unit 2 of the air conditioner 1 is installed.
  • the amount of condensation in the heat exchanger 11 after cooling operation may depend on the relative humidity of the heat exchanger 11 after cooling operation.
  • the relative humidity represents the ratio of the actual amount of water vapor to the maximum amount of water vapor (saturated water vapor amount) that can be contained in the air. As the relative humidity increases, the amount of dew condensation in the heat exchanger 11 after the cooling operation increases.
  • the amount of dew condensation on the heat exchanger 11 after the cooling operation may depend on the accumulated time during which the cooling operation was performed (hereinafter also referred to as "accumulated time"). The longer the cumulative time, the greater the amount of dew condensation on the heat exchanger 11 after the cooling operation.
  • the amount of condensation in the heat exchanger 11 after the cooling operation can depend on the difference between the cooling set temperature and the indoor temperature (hereinafter also referred to as "temperature difference") at the start of the cooling operation.
  • temperature difference the difference between the cooling set temperature and the indoor temperature at the start of the cooling operation. The greater the temperature difference, the stronger the air volume in the cooling operation, and the longer the cooling operation time. Therefore, the greater the temperature difference, the greater the amount of dew condensation on the heat exchanger 11 after the cooling operation.
  • the amount of dew condensation on the heat exchanger 11 after the cooling operation may depend on the integrated air volume during the cooling operation (hereinafter also referred to as "integrated air volume").
  • integrated air volume the integrated air volume during the cooling operation.
  • the amount of dew condensation on the heat exchanger 11 after the cooling operation is determined by the relative humidity of the heat exchanger 11 after the cooling operation, the cumulative time of the cooling operation, and the difference between the set temperature and the room temperature at the start of the cooling operation. , and the integrated air volume in the cooling operation.
  • the drying operation time may not be enough to remove the condensation, or the condensation may be removed. If the drying operation is continued even after the drying operation is completed, there is a risk that the drying operation may be excessive or insufficient, such as wastefully consuming electric power. Moreover, when the drying operation is performed, the temperature and humidity in the indoor space tend to rise, which may make the user feel uncomfortable. Therefore, it is necessary to minimize the drying operation time after the cooling operation.
  • the air conditioner 1 outputs the drying operation time based on the state data indicating the dry state of the heat exchanger 11 after the cooling operation, and the drying operation time It is configured to perform a drying operation based on the
  • the control device 100 calculates the relative humidity of the heat exchanger 11 after the cooling operation by specifying the humidity of the air around the heat exchanger 11 based on the humidity data acquired from the humidity sensor 21 after the cooling operation.
  • the control device 100 determines the room temperature based on the temperature data acquired from the temperature sensor 22 at the start of the cooling operation, thereby calculating the difference between the set temperature and the room temperature at the start of the cooling operation.
  • the control device 100 identifies the dry state of the heat exchanger 11 based on the imaging data acquired from the camera 23 after cooling operation. Specifically, the control device 100 determines whether or not the heat exchanger 11 is dry based on the photographed data acquired from the camera 23 . For example, the control device 100 determines the amount of water droplets adhering to the heat exchanger 11 by performing image recognition using photographed data. If the amount of water droplets is larger than the threshold value, it is determined that the heat exchanger 11 is not dry. For image recognition, image recognition technology using a convolutional neural network such as CNN (Convolutional Neural Network) may be used.
  • CNN Convolutional Neural Network
  • the control device 100 calculates the accumulated cooling operation time and accumulated air volume from the control history for the cooling operation performed by driving the fan 12 and the like under its own control.
  • the control device 100 controls the difference between the set temperature and the room temperature at the start of the cooling operation, the relative humidity of the heat exchanger 11 after the cooling operation, the accumulated time of the cooling operation, the accumulated air volume of the cooling operation, and the drying of the heat exchanger 11. Based on various data such as state (hereinafter also referred to as "state data"), the drying operation time is inferred by AI (Artificial Intelligence), and the inferred drying operation time is output. The control device 100 generates control data for performing the drying operation based on the output drying operation time.
  • state data state
  • AI Artificial Intelligence
  • the air conditioner 1 performs the drying operation based on the drying operation time inferred based on the state data indicating the dry state of the heat exchanger 11 after the cooling operation.
  • the air conditioner 1 can minimize the drying operation time after the cooling operation, and can appropriately perform the drying operation after the cooling operation.
  • the control device 100 outputs the drying operation time based on the state data indicating the dry state of the heat exchanger 11 after the cooling operation, and controls the controlled object 10 based on the drying operation time. Realize dry operation. In order to realize such control, the control device 100 learns control data (drying operation time) of the controlled object 10 by reinforcement learning using AI.
  • FIG. 3 is diagrams for explaining the outline of reinforcement learning.
  • an agent subject of action
  • a policy is a rule for determining actions, and optimizing the policy optimizes the selection of actions.
  • the environment dynamically changes according to the actions of the agent, and the agent is rewarded based on the reward criteria according to the change of the environment.
  • the agent repeats such actions and learns the action that gives the most reward through a series of actions.
  • the current state is represented by B2 (state)
  • the agent's action is represented by B1 (behavior)
  • D reward criterion
  • Q-learning and TD-learning are known as representative methods of reinforcement learning.
  • a general update formula for the action-value function Q(s, a) is represented by formula (1).
  • S t represents the state of the environment at time t
  • a t represents the action at time t.
  • Action at causes the state to change to St+1 .
  • r t+1 represents the reward that the agent receives due to the change in its state
  • ⁇ represents the discount rate
  • ⁇ represents the learning coefficient.
  • ⁇ is in the range of 0 ⁇ 1
  • ⁇ is in the range of 0 ⁇ 1.
  • the update formula represented by formula (1) is Q is increased, and in the opposite case, the action-value function Q is decreased.
  • the action-value function Q(s, a) is updated so that the action-value function Q of action a at time t approaches the best action-value at time t+1.
  • the best behavioral value in a certain environment is propagated to the behavioral value in the previous environment.
  • control device 100 executes learning program 160 to obtain learning data 180 including B1 (behavior) and B2 (state) and D (reward criterion). Generate (update) the learned model 170 based on and.
  • control device 100 uses the learned model 170 to obtain C (output) from B2 (state).
  • FIG. 5 is a diagram for explaining B1 (behavior), B2 (state), C (output), and D (reward criteria) in reinforcement learning according to the first embodiment.
  • control data for performing the drying operation based on the drying operation time is applied to B1 (behavior).
  • State data indicating the dry state of the heat exchanger 11 is applied to B2 (state).
  • the state data includes the photographed image of the heat exchanger 11, the relative humidity of the heat exchanger 11 after the cooling operation, the cumulative time of the cooling operation, the temperature difference between the set temperature and the room temperature at the start of the cooling operation, and at least one of the cumulative air volume of the cooling operation.
  • C output
  • the dry state of the heat exchanger 11 after the dry operation is applied to D (remuneration standard).
  • FIG. 6 is a diagram for explaining an example of reward calculation.
  • a small reward may be set when the elapsed time to the point exceeds the upper limit, and a large reward may be set when the elapsed time is equal to or less than the upper limit.
  • FIG. 7 is a diagram showing the configuration of the learning device 301. As shown in FIG. The learning device 301 is implemented by the arithmetic device 101 of the control device 100 . The learning device 301 can exchange data with each of the learning program storage unit 302 and the trained model storage unit 303 . Each of learning program storage unit 302 and learned model storage unit 303 is implemented by memory 102 of control device 100 .
  • the learning device 301 includes a data acquisition unit 310 and a model generation unit 320.
  • the learning device 301 executes the learning program 160 stored in the learning program storage unit 302, the learning device 301 acquires learning data 180 including B1 (behavior) and B2 (state) and D (reward criteria). Based on this, a learned model 170 is generated.
  • the data acquisition unit 310 acquires learning data 180 including B1 (behavior) and B2 (state). Specifically, the data acquisition unit 310 acquires, as B1 (behavior), control data for performing the drying operation based on the drying operation time. The data acquisition unit 310 acquires, as B2 (state), state data indicating the dry state of the heat exchanger 11 after the drying operation. The data acquisition unit 310 acquires the photographed image of the heat exchanger 11 as the state data of B2 (state).
  • the model generation unit 320 uses the learning data 180 including B1 (behavior) and B2 (state) acquired by the data acquisition unit 310 to infer C (output) from B2 (state). to generate For example, the model generator 320 identifies the dry state of the heat exchanger 11 by performing image recognition based on the captured image acquired from the camera 23 . The model generation unit 320 generates the learned model 170 based on the identified dry state of the heat exchanger 11 . The model generating unit 320 stores the generated trained model 170 in the trained model storage unit 303 .
  • the model generation unit 320 includes a reward calculation unit 321 and a function update unit 322.
  • the remuneration calculation unit 321 calculates remuneration based on D (remuneration standard). Specifically, the remuneration calculation unit 321 calculates the remuneration as D (remuneration standard) based on the dry state of the heat exchanger 11 after the drying operation. That is, the remuneration calculation unit 321 determines whether or not the heat exchanger 11 is completely dried after the control data for performing the drying operation is output as B1 (action), and based on the determination result, the remuneration to calculate
  • D remuneration standard
  • the function updater 322 updates the function for determining the drying operation time based on the reward calculated by the reward calculator 321 .
  • the function updating unit 322 uses the action-value function Q(S t , at ) represented by Equation (1) above as a function for calculating the drying operation time.
  • the learned model storage unit 303 stores the action value function Q(S t , at ) updated by the function updating unit 322 as the learned model 170 .
  • FIG. 8 is a diagram showing the configuration of the inference device 401. As shown in FIG. The inference device 401 is implemented by the arithmetic device 101 of the control device 100 . The inference device 401 can exchange data with the trained model storage unit 303 .
  • the inference device 401 includes a data acquisition unit 410 and an inference unit 420 .
  • the inference device 401 uses the trained model 170 to obtain C (output) from B2 (state).
  • the data acquisition unit 410 acquires B2 (state). Specifically, the data acquisition unit 410 acquires, as B2 (state), state data indicating the dry state of the heat exchanger 11 after the drying operation. More specifically, the data acquisition unit 410 obtains the photographed image of the heat exchanger 11, the relative humidity of the heat exchanger 11 after the cooling operation, the accumulated time of the cooling operation, the start of the cooling operation, as the state data of B2 (state). At least one of the temperature difference between the set temperature and the indoor temperature and the accumulated air volume in the cooling operation is acquired.
  • the inference unit 420 uses the trained model 170 to obtain C (output) from B2 (state). Specifically, the inference unit 420 reads the learned model 170 from the learned model storage unit 303 . The inference unit 420 uses the trained model 170 to infer C (output) based on the data acquired by the data acquisition unit 410 . That is, the inference unit 420 uses the learned model 170 to determine the photographed image of the heat exchanger 11, the relative humidity of the heat exchanger 11 after the cooling operation, the accumulated time of the cooling operation, the set temperature at the start of the cooling operation, and the room temperature. A drying operation time is inferred based on at least one of the temperature difference from the temperature and the integrated air volume of the cooling operation, and the inferred drying operation time is output.
  • ⁇ Actual operation phase> 9 and 10 are diagrams showing the configuration of air conditioner 1 to which learning device 301 and reasoning device 401 are applied in the actual operation phase.
  • the air conditioner 1 infers the drying operation time after the cooling operation while being installed in the indoor space, and performs the drying operation based on the inferred drying operation time. Further, the air conditioner 1 performs reinforcement learning based on the dry state of the heat exchanger 11 after the dry operation. By repeating such inference and learning, the air conditioner 1 performs a drying operation suitable for the indoor space in which it is installed.
  • the inference device 401 obtains, from the environment 500, which is the indoor space, the photographed image of the heat exchanger 11 and the image of the heat exchanger 11 after the cooling operation as the state data of B2 (state). At least one of the relative humidity, the accumulated cooling operation time, the temperature difference between the set temperature and the room temperature at the start of the cooling operation, and the accumulated air volume of the cooling operation is acquired.
  • the inference device 401 includes a calculator 430 .
  • the calculation unit 430 calculates a value related to the amount of dew condensation in the heat exchanger 11 from various state data acquired by the data acquisition unit 410 .
  • the calculator 430 is implemented by the arithmetic device 101 of the control device 100 .
  • FIG. 11 is a diagram for explaining preprocessing for state data input to the inference device 401.
  • the calculation unit 430 calculates a predetermined point according to the dry state of the heat exchanger 11 after the cooling operation specified from each state data.
  • the memory 102 may store a point calculation table as shown in FIG.
  • Each of the integrated air volumes of is sloped to the size of points according to the degree of influence on dew condensation. Specifically, the dew condensation is most affected by the relative humidity of the heat exchanger 11 after the cooling operation, followed by the integrated air volume during the cooling operation. Other status data have less effect on condensation than relative humidity and cumulative airflow.
  • the calculation unit 430 determines that the heat exchanger 11 is damp from the photographed image of the heat exchanger 11, it determines that the amount of dew condensation is large, and counts 10 points.
  • the calculator 430 determines that the amount of dew condensation is moderate, and counts 5 points.
  • the calculation unit 430 determines that the amount of dew condensation is small, and counts 1 point.
  • the calculation unit 430 determines that the relative humidity of the heat exchanger 11 after the cooling operation is high, it determines that the amount of condensation is large and counts 40 points. When determining that the relative humidity is medium, the calculator 430 determines that the amount of dew condensation is medium, and counts 20 points. When determining that the relative humidity is low, the calculator 430 determines that the amount of dew condensation is small, and counts 10 points.
  • the calculation unit 430 determines that the cumulative time of the cooling operation is long, it determines that the amount of condensation is large and counts 10 points. If the calculation unit 430 determines that the accumulated time is medium, it determines that the dew condensation amount is medium, and counts 5 points. When determining that the accumulated time is short, the calculation unit 430 determines that the amount of dew condensation is small, and counts 1 point.
  • the calculation unit 430 determines that the temperature difference between the set temperature and the room temperature at the start of the cooling operation is large, it determines that the amount of condensation is large and counts 10 points.
  • the calculator 430 determines that the amount of dew condensation is medium, and counts 5 points.
  • the calculator 430 determines that the amount of dew condensation is small, and counts 1 point.
  • the calculation unit 430 determines that the accumulated air volume in the cooling operation is large, it determines that the amount of condensation is large and counts 20 points. If the calculation unit 430 determines that the integrated air volume is medium, it determines that the dew condensation amount is medium, and counts 10 points. When determining that the integrated air volume is small, the calculation unit 430 determines that the amount of dew condensation is small, and counts 5 points.
  • the calculation unit 430 calculates a value (point) according to the degree of influence on the dew condensation amount for each state data input as preprocessing for inference of the drying operation time by the inference unit 420 . Moreover, the calculation unit 430 calculates a value (point) in one state data according to the degree. The calculation unit 430 inputs the total points calculated based on each state data to the inference unit 420 .
  • the inference unit 420 of the inference device 401 uses the learned model 170 to infer the drying operation time from the total points calculated by the calculation unit, and inferred as C (output). Output the drying operation time.
  • the air conditioner 1 includes a control data generator 201.
  • the control data generation unit 201 generates control data for performing the drying operation based on the drying operation time output from the inference device 401, and outputs the generated control data to the controlled object 10 as B1 (behavior).
  • the control data generator 201 is implemented by the arithmetic device 101 of the control device 100 .
  • the controlled object 10 performs drying operation based on the drying operation time output by the inference device 401 by being driven based on the control data.
  • the fan 12 included in the controlled object 10 is driven in accordance with the drying operation time based on the control data to blow air to the heat exchanger 11 to dry the heat exchanger 11 .
  • the environment 500 that is, the drying state of the heat exchanger 11 changes.
  • the learning device 301 acquires control data (drying operation time) for performing the drying operation as B1 (action). Further, the learning device 301 acquires a photographed image of the heat exchanger 11 after the drying operation as the state data of B2 (state) from the environment 500, which is the indoor space.
  • the learning device 301 identifies the dry state of the heat exchanger 11 after the drying operation based on the acquired photographed image, and based on the identified dry state of the heat exchanger 11 and the control data when the drying operation was performed. , to generate (update) the trained model 170 .
  • D forward criterion
  • the learning device 301 optimizes the learned model 170 by feeding back the updated function to the learned model 170 stored in the learned model storage unit 303 . Accordingly, in the next drying operation, the inference device 401 can infer a more optimal drying operation time according to the dry state of the heat exchanger 11 after the cooling operation.
  • FIG. 12 is a flowchart relating to inference processing executed by the control device 100 of the air conditioner 1 according to Embodiment 1.
  • the control device 100 executes the inference processing shown in FIG. 12 on condition that a predetermined start condition is satisfied.
  • the start conditions include completion of the cooling operation, requesting the air conditioner 1 to perform the drying operation using an operation unit (not shown) (buttons or switches of a remote controller, etc.), and reservation by a timer. Examples include reaching the time and elapse of a predetermined period from the previous drying operation.
  • “S” is used as an abbreviation for "STEP".
  • the control device 100 acquires state data as B2 (state) by the data acquisition unit 410 (S1). Specifically, the control device 100 uses the captured image of the heat exchanger 11, the relative humidity of the heat exchanger 11 after the cooling operation, the accumulated time of the cooling operation, and the At least one of the temperature difference between the set temperature and the room temperature and the integrated air volume in the cooling operation is acquired.
  • the control device 100 uses the calculation unit 430 to calculate values (points shown in FIG. 11) related to the dew condensation amount of the heat exchanger 11 from the acquired state data (S2). Through this processing, the control device 100 calculates points according to the acquired state data as preprocessing for inferring the drying operation time.
  • the control device 100 inputs the points calculated by the calculation unit 430 to the learned model 170 stored in the learned model storage unit 303 by the inference unit 420 (S3).
  • the control device 100 causes the inference unit 420 to infer the drying operation time using the learned model 170 (S4).
  • the control device 100 uses the control data generation unit 201 to generate control data for performing the drying operation based on the inferred drying operation time (S5).
  • the control device 100 outputs the generated control data to the controlled object 10 (S6). After that, the control device 100 terminates this process.
  • the air conditioner 1 uses the learned model 170 for inferring the drying operation time, and outputs the drying operation time from the state data indicating the dry state of the heat exchanger 11. do.
  • the air conditioner 1 can minimize the drying operation time after the cooling operation, and can appropriately perform the drying operation after the cooling operation.
  • the air conditioner 1 includes a photographed image of the heat exchanger 11, the relative humidity of the heat exchanger 11 after the cooling operation, the accumulated time of the cooling operation, the temperature difference between the set temperature and the room temperature at the start of the cooling operation, and Various state data such as the cumulative air volume in cooling operation are quantified by point conversion. Moreover, in the air conditioner 1, the sizes of the points corresponding to various state data are slanted according to the degree of influence on dew condensation. Thereby, the air conditioner 1 can infer the drying operation time more accurately.
  • FIG. 13 is a flowchart relating to learning processing executed by the control device 100 of the air conditioner 1 according to Embodiment 1.
  • FIG. Control device 100 executes the learning process shown in FIG. 13, for example, on the condition that the drying operation has ended.
  • "S" is used as an abbreviation for "STEP".
  • control device 100 uses the data acquisition unit 310 to acquire control data (drying operation time) for performing the drying operation as B1 (behavior) (S11).
  • the control device 100 uses the data acquisition unit 310 to acquire a captured image of the heat exchanger 11 after the drying operation as B2 (state) (S12). Further, the control device 100 identifies the dry state of the heat exchanger 11 after the drying operation based on the captured image (S13).
  • the control device 100 uses the model generation unit 320 to determine whether the heat exchanger 11 is completely dried (S14).
  • the control device 100 sets a small reward (S15), and based on the determined reward, the learned model 170 is updated by updating the action-value function Q(S t , at ) represented by the formula (1) stored in the storage unit 303 (S16). After that, the control device 100 terminates this process.
  • the controller 100 sets a large reward (S17), and based on the determined reward, the learned model The learned model 170 is updated by updating the action-value function Q(S t , at ) represented by the formula (1) stored in the storage unit 303 (S16). After that, the control device 100 terminates this process.
  • the air conditioner 1 optimizes the learned model 170 based on the state data indicating the dry state of the heat exchanger 11 after the dry operation. As a result, the air conditioner 1 can perform the drying operation in the next drying operation with a more optimal drying operation time than the current drying operation.
  • Embodiment 2 An air conditioner 1A according to Embodiment 2 will be described with reference to FIGS. 14 to 16. FIG. It should be noted that only portions of the air conditioner 1A according to Embodiment 2 that differ from those of the air conditioner 1 according to Embodiment 1 will be described below.
  • FIG. 14 is a diagram showing the configuration of an air conditioner 1A according to the second embodiment.
  • the control device 100 when drying is performed according to the inferred drying operation time, the control device 100 simply blows air to the heat exchanger 11 to dry the heat exchanger 11.
  • the control device 100A performs the blow drying operation or the heating drying operation based on the degree of contamination of the heat exchanger 11 after the cooling operation.
  • the blow drying operation is a drying operation in which the heat exchanger 11 is dried by blowing air onto the heat exchanger 11 .
  • the heating/drying operation is a drying operation that makes it easier to dry the heat exchanger 11 than in the blowing/drying operation by adding heating in addition to air blowing.
  • the control data generation unit 201A (arithmetic device 101A) according to Embodiment 2 generates control data for performing the drying operation, and generates B1 (behavior).
  • the obtained control data is output to the controlled object 10 .
  • the control data generation unit 201A acquires a photographed image showing the state of the heat exchanger 11 after the cooling operation in addition to the drying operation time output from the inference device 401 .
  • the control data generation unit 201A specifies the degree of contamination of the heat exchanger 11 after the cooling operation based on the acquired photographed image. Based on the drying operation time output from the inference device 401 and the degree of contamination of the specified heat exchanger 11, the control data generation unit 201A generates control data for performing the blowing drying operation or the heating drying operation as the drying operation. do.
  • FIG. 15 is a diagram for explaining the dry operation mode with respect to the degree of contamination of the heat exchanger 11.
  • the control data generation unit 201A selects the blow drying operation as the drying operation mode when the heat exchanger 11 is not soiled with mold or the like. That is, the control data generation unit 201A performs the blow drying operation according to the drying operation time output from the inference device 401.
  • FIG. 15 is a diagram for explaining the dry operation mode with respect to the degree of contamination of the heat exchanger 11.
  • the control data generation unit 201A selects the blow drying operation as the drying operation mode when the heat exchanger 11 is not soiled with mold or the like. That is, the control data generation unit 201A performs the blow drying operation according to the drying operation time output from the inference device 401.
  • the control data generation unit 201A adds a heating function that is stepwise increased or decreased according to the degree of contamination. Specifically, when the degree of contamination of the heat exchanger 11 is small, the control data generation unit 201A selects the weak heating/drying operation as the drying operation mode. That is, the control data generation unit 201A performs the weak heating/drying operation according to the drying operation time output from the inference device 401.
  • FIG. 1 the degree of contamination of the heat exchanger 11 is small.
  • the control data generation unit 201A selects medium heating/drying operation as the drying operation mode. That is, the control data generation unit 201A performs the medium heating/drying operation according to the drying operation time output from the inference device 401.
  • FIG. 1 A diagram illustrating an exemplary computing environment in accordance with the present disclosure.
  • the control data generation unit 201A selects strong heating/drying operation as the drying operation mode. That is, the control data generation unit 201A performs the strong heating/drying operation according to the drying operation time output from the inference device 401.
  • FIG. 1 A diagram illustrating an exemplary computing environment in accordance with the present disclosure.
  • FIG. 16 is a flowchart relating to inference processing executed by the control device 100A of the air conditioner 1A according to the second embodiment.
  • the same reference numerals are given to the same processing as the inference processing executed by the control device 100 according to the first embodiment shown in FIG. 12, and detailed description thereof will be omitted.
  • the control device 100A acquires a photographed image showing the state of the heat exchanger 11 after the cooling operation (S21).
  • the control device 100A identifies the degree of contamination of the heat exchanger 11 after the cooling operation based on the acquired photographed image (S22).
  • the control device 100A generates control data for performing a blow drying operation or a heating drying operation as a drying operation based on the inferred drying operation time and the specified degree of contamination of the heat exchanger 11 (S23).
  • control device 100A outputs the generated control data to the controlled object 10 (S6), and ends this process.
  • the air conditioner 1A performs the blow drying operation or the heating drying operation based on the degree of contamination of the heat exchanger 11 after the cooling operation. As a result, the air conditioner 1A performs the drying operation for the minimum necessary drying operation time, thereby removing dew condensation generated in the heat exchanger 11 and adding a heating function as necessary. It can also suppress the growth of substances such as mold and bacteria.
  • FIG. 17 is a diagram showing the configuration of an air conditioning system 1000 according to Embodiment 3. As shown in FIG. 17 ,
  • an air conditioning system 1000 includes an air conditioner 1B that includes a control device 100B, and a server device 700 that communicates with the air conditioner 1B.
  • the air conditioner 1B has basically the same functions as the air conditioner 1 according to Embodiment 1, but has different functions in the following respects.
  • the control device 100 includes the learning device 301 and the inference device 401, but in the air conditioner 1B according to Embodiment 1, the learning device 301 and the inference device 401 .
  • a server device 700 that communicates with the air conditioner 1B includes a learning device 301B and an inference device 401B.
  • Learning device 301B has the same function as learning device 301 .
  • Inference device 401B has the same functions as inference device 401 .
  • the control device 100B of the air conditioner 1B stores, as state data of B2 (state), the photographed image of the heat exchanger 11, the relative humidity of the heat exchanger 11 after the cooling operation, the accumulated time of the cooling operation, Data indicating at least one of the temperature difference between the set temperature and the indoor temperature at the start of the cooling operation and the integrated air volume of the cooling operation is transmitted to the server device 700 .
  • the server device 700 uses the inference device 401B to calculate values (points shown in FIG. 11) related to the dew condensation amount of the heat exchanger 11 from the acquired state data.
  • the server device 700 inputs the calculated points to the pre-stored learned model 170 by the inference device 401B.
  • the server device 700 infers the drying operation time using the learned model 170 by the inference device 401B, and transmits data indicating the inferred drying operation time to the control device 100B of the air conditioner 1B.
  • the control device 100B of the air conditioner 1B generates control data for performing the drying operation based on the acquired drying operation time.
  • the air conditioning system 1000 uses the learned model 170 for inferring the drying operation time, and outputs the drying operation time from the state data indicating the dry state of the heat exchanger 11. .
  • the air conditioning system 1000 can minimize the drying operation time after the cooling operation, and can appropriately perform the drying operation after the cooling operation.
  • the control device 100B of the air conditioner 1B transmits control data (drying operation time) for performing the drying operation to the server device 700 as B1 (behavior). Further, after the drying operation, the control device 100B of the air conditioner 1B transmits to the server device 700, as B2 (state), data indicating the photographed image of the heat exchanger 11 after the drying operation.
  • the server device 700 identifies the dry state of the heat exchanger 11 after the drying operation based on the captured image acquired by the learning device 301B. The server device 700 determines whether or not the heat exchanger 11 is completely dried by the learning device 301B.
  • the server device 700 sets the reward to be small by the learning device 301B, and based on the determined reward, the previously stored learning Update the completed model 170.
  • the server device 700 sets a large reward by the learning device 301B, and based on the determined reward, the previously stored learning Update the completed model 170.
  • the air conditioning system 1000 optimizes the learned model 170 based on the state data indicating the dry state of the heat exchanger 11 after the drying operation. As a result, in the next drying operation, the air conditioning system 1000 can perform the drying operation with a more optimal drying operation time than the current drying operation.
  • the present disclosure relates to an air conditioner 1.
  • the air conditioner 1 includes a heat exchanger 11 and a control device 100 .
  • the control device 100 uses a data acquisition unit 410 that acquires state data indicating the dry state of the heat exchanger 11, and the state acquired by the data acquisition unit 410 using the learned model 170 for inferring the drying operation time. and an inference unit 420 that outputs the drying operation time based on the data.
  • the air conditioner 1 can minimize the drying operation time after the cooling operation, thereby preventing excessive or insufficient drying operation time as much as possible and causing discomfort to the user due to the drying operation. This can be prevented as much as possible. Therefore, the air conditioner 1 can appropriately perform the drying operation after the cooling operation.
  • the control device 100 further includes a model generation unit 320 that generates a learned model.
  • the model generation unit 320 includes a reward calculation unit 321 that calculates a reward based on the dry state of the heat exchanger 11 after the drying operation over the drying operation time, and a function updater that updates a function for inferring the drying operation time based on the reward. and a portion 322 .
  • the air conditioner 1 can optimize the learned model 170 by reinforcement learning based on the dry state of the heat exchanger 11 after the drying operation over the drying operation time.
  • the drying operation can be performed with the optimum drying operation time rather than the drying operation.
  • the state data includes a photographed image of the heat exchanger 11 after the cooling operation, the relative humidity of the heat exchanger 11 after the cooling operation, the cumulative time of the cooling operation, the set temperature and the room temperature at the start of the cooling operation. and at least one of the accumulated air volume in the cooling operation.
  • the air conditioner 1 can use various state data indicating the dry state of the heat exchanger to infer a more optimal drying operation time.
  • control device 100 further includes a calculator 430 that calculates a value related to the amount of dew condensation in the heat exchanger 11 from the state data acquired by the data acquirer 410 .
  • the inference unit 420 outputs the drying operation time from the value calculated by the calculation unit 430 using the learned model 170 .
  • the air conditioner 1 can more accurately infer the drying operation time by quantifying various state data by point conversion, and can perform reinforcement learning more appropriately.
  • control device 100 further includes a control data generation section 201 that generates control data for performing the drying operation based on the drying operation time output by the inference section 420 .
  • the air conditioner 1 can perform the drying operation based on the inferred drying operation time.
  • control data generation unit 201 generates control data further based on the degree of contamination of the heat exchanger 11 after cooling operation.
  • the air conditioner 1A can suppress the generation of substances such as mold and bacteria by the drying operation.
  • control data generation unit 201 generates control data for performing a blow drying operation or a heating drying operation as the drying operation based on the degree of contamination.
  • the air conditioner 1A can suppress the generation of substances such as mold and bacteria by adding a heating function to the drying operation as necessary.
  • the present disclosure relates to an air conditioning system 1000.
  • the air conditioning system 1000 includes an air conditioner 1B and a server device 700 that communicates with the air conditioner 1B.
  • the server device 700 uses a data acquisition unit 410 that acquires state data indicating the dry state of the heat exchanger 11 from the air conditioner 1B, and a learned model 170 for inferring the drying operation time. and an inference unit 420 that outputs the drying operation time to the air conditioner 1B based on the state data acquired by the air conditioner 1B.
  • the air-conditioning system 1000 can minimize the drying operation time after the cooling operation, thereby preventing excessive or insufficient drying operation time as much as possible and causing discomfort to the user due to the drying operation. can be prevented as much as possible. Therefore, the air conditioning system 1000 can appropriately perform the drying operation after the cooling operation.
  • the server device 700 further comprises a model generation unit 320 that generates the trained model 170.
  • the model generation unit 320 includes a reward calculation unit 321 that calculates a reward based on the dry state of the heat exchanger 11 after the drying operation, and a function update unit 322 that updates the function for inferring the drying operation time based on the reward.
  • a reward calculation unit 321 that calculates a reward based on the dry state of the heat exchanger 11 after the drying operation
  • a function update unit 322 that updates the function for inferring the drying operation time based on the reward.
  • the air conditioning system 1000 can optimize the learned model 170 by reinforcement learning based on the dry state of the heat exchanger 11 after the drying operation over the drying operation time.
  • the drying operation can be performed with the optimum drying operation time than the operation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

空気調和機（１）は、熱交換器（１１）と、乾燥運転を行うための制御を行う制御装置（１００）とを備え、制御装置（１００）は、熱交換器（１１）の乾燥状態を示す状態データを取得するデータ取得部（４１０）と、乾燥運転時間を推論するための学習済モデル（１７０）を用いて、データ取得部（４１０）によって取得された状態データに基づき乾燥運転時間を出力する推論部（４２０）とを備える。

Description

空気調和機および空調システム
　本開示は、空気調和機および空調システムに関する。
　空気調和機が冷房運転を行うと、空気調和機における室内機の熱交換器に結露が発生し、その結果、カビおよび細菌などの物質が発生し易くなる。従来、このような物質の発生を抑制するために、冷房運転後に熱交換器を乾燥させる乾燥運転を行う空気調和機が知られている。
　特許第３６１９６４９号公報（特許文献１）には、冷房運転後に送風ファンおよび加熱ヒータを所定時間運転させることで、熱交換器に発生した結露を除去し、カビの発生を抑制する空気調和機が開示されている。
特許第３６１９６４９号公報
　特許文献１に開示された空気調和機によれば、乾燥運転を行うことで、冷房運転後に発生した結露を除去することができる。しかしながら、乾燥運転時間はタイマによって管理されているに過ぎないため、結露を除去するには乾燥運転時間が足らなかったり、結露が除去された後でも乾燥運転が継続することで無駄に電力を消費したりといったように、乾燥運転に過不足が生じるおそれがある。
　本開示は、上記課題を解決するためになされたものであって、冷房運転後に適切に乾燥運転を行うことができる空気調和機および空調システムを提供することを目的とする。
　本開示に係る空気調和機は、熱交換器と、乾燥運転を行うための制御を行う制御装置とを備える。制御装置は、熱交換器の乾燥状態を示す状態データを取得するデータ取得部と、乾燥運転時間を推論するための学習済モデルを用いて、データ取得部によって取得された状態データに基づき乾燥運転時間を出力する推論部とを備える。
　本開示に係る空調システムは、空気調和機と、空気調和機と通信するサーバ装置とを備える。サーバ装置は、熱交換器の乾燥状態を示す状態データを空気調和機から取得するデータ取得部と、乾燥運転時間を推論するための学習済モデルを用いて、データ取得部によって取得された状態データに基づき乾燥運転時間を空気調和機に出力する推論部とを備える。
　本開示によれば、冷房運転後に適切に乾燥運転を行うことができる。
実施の形態１に係る空気調和機の概要を説明するための図である。 実施の形態１に係る空気調和機の構成を示す図である。 強化学習の概要を説明するための図である。 強化学習の概要を説明するための図である。 実施の形態１に係る強化学習におけるＢ１（行動）、Ｂ２（状態）、Ｃ（出力）、およびＤ（報酬基準）を説明するための図である。 報酬計算の一例を説明するための図である。 学習装置の構成を示す図である。 推論装置の構成を示す図である。 実運用フェーズにおいて学習装置および推論装置が適用された空気調和機の構成を示す図である。 実運用フェーズにおいて学習装置および推論装置が適用された空気調和機の構成を示す図である。 推論装置に入力される状態データに対する前処理を説明するための図である。 実施の形態１に係る空気調和機の制御装置が実行する推論処理に関するフローチャートである。 実施の形態１に係る空気調和機の制御装置が実行する学習処理に関するフローチャートである。 実施の形態２に係る空気調和機の構成を示す図である。 熱交換器の汚染度合に対する乾燥運転モードを説明するための図である。 実施の形態２に係る空気調和機の制御装置が実行する推論処理に関するフローチャートである。 実施の形態３に係る空調システムの構成を示す図である。
　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。以下では、複数の実施の形態について説明するが、各実施の形態で説明された構成を適宜組み合わせることは出願当初から予定されている。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繰り返さない。
　実施の形態１．
　図１～図１３を参照しながら、実施の形態１に係る空気調和機１を説明する。
　＜空気調和機１の概要＞
　図１は、実施の形態１に係る空気調和機１の概要を説明するための図である。空気調和機１は、室内空間から吸い込んだ空気の温度および湿度を調整し、調整済みの空気を室内空間に供給することで、室内空間における温度および湿度を調整する。
　空気調和機１は、室内機２を備える。さらに、空気調和機１は、室内機２において、熱交換器１１と、ファン１２とを備える。冷房運転において、熱交換器１１は、図示しない室外機から流入した冷媒と、室内空間から吸い込まれた空気との間で熱交換を行う。熱交換器１１の熱交換によって吸熱された空気は、ファン１２によって再び室内空間へと吹き出される。これにより、空気調和機１は、室内空間を冷房することができる。なお、空気調和機１は、図示しない室外機を備えていてもよい。また、空気調和機１は、室内機２のみを指すものであってもよい。
　図２は、実施の形態１に係る空気調和機１の構成を説明するための図である。図２に示されるように、空気調和機１は、湿度センサ２１と、温度センサ２２と、カメラ２３と、制御対象１０と、制御装置１００とを備える。
　湿度センサ２１は、熱交換器１１付近の空気の湿度を測定し、得られた湿度データを制御装置１００に出力する。
　温度センサ２２は、空気調和機１によって室内空間から吸い込まれる空気の温度を測定し、得られた温度データを制御装置１００に出力する。
　カメラ２３は、熱交換器１１を撮影し、得られた撮影データを制御装置１００に出力する。
　制御対象１０は、ファン１２および図示しない圧縮機などを含み、制御装置１００から出力された制御データに基づき駆動される。制御装置１００は、制御対象１０に制御データを出力することで、空気調和機１による冷房運転、暖房運転、および乾燥運転などの各種機能を実現する。
　制御装置１００は、演算装置１０１と、メモリ１０２と、通信装置１０３と、入力装置１０４とを備える。
　演算装置１０１は、各種のプログラムを実行することで各種の処理を実行する演算主体であり、コンピュータの一例である。演算装置１０１は、たとえば、ＣＰＵ（Central Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、およびＧＰＵ（Graphics Processing Unit）などで構成される。また、演算装置１０１は、演算回路（processing circuitry）で構成されてもよい。
　メモリ１０２は、演算装置１０１が各種のプログラムを実行するにあたって、プログラムコードやワークメモリなどを一時的に格納する記憶領域を提供し、たとえば、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）などの揮発性メモリデバイスで構成される。さらに、メモリ１０２は、制御対象１０を制御するために必要な各種のデータを格納する記憶領域を提供し、ハードディスクまたはＳＳＤ（Solid State Drive）などの不揮発性メモリデバイスで構成される。なお、メモリ１０２は、揮発性メモリデバイスと、不揮発性メモリデバイスとで、別体で構成されてもよい。具体的には、後述するように、メモリ１０２は、学習用プログラム１６０と、学習済モデル１７０と、学習用データ１８０とを記憶する。
　通信装置１０３は、有線接続または無線接続によって、空気調和機１とは別の外部の装置との間でデータの送受信を行う。
　入力装置１０４は、冷房運転、暖房運転、および乾燥運転など、各種の運転を空気調和機１に実行させるためにユーザによって操作される操作部（リモコンなどのボタンまたはスイッチなど）からの入力を受け付ける。
　上述した構成を備える制御装置１００は、メモリ１０２に格納されているプログラムを演算装置１０１が実行することで、制御対象１０を制御する。さらに、制御装置１００は、メモリ１０２に格納されているプログラムを演算装置１０１が実行することで、冷房運転後における熱交換器１１の乾燥状態を示す状態データに基づき乾燥運転時間を出力する。
　図１に戻り、空気調和機１が冷房運転を行うと、室内機２の熱交換器１１に結露が発生し、その結果、カビおよび細菌などの物質が発生し易くなる。このような物質の発生を抑制するために、空気調和機１は、冷房運転後に熱交換器１１を乾燥させる乾燥運転を行う。
　冷房運転後における熱交換器１１の結露量は、冷房運転の強弱度合および空気調和機１の室内機２が設置された室内空間の環境などに依存して変化し得る。
　たとえば、冷房運転後における熱交換器１１の結露量は、冷房運転後の熱交換器１１の相対湿度に依存し得る。相対湿度は、空気中に含むことができる最大の水蒸気量（飽和水蒸気量）に対する、実際の水蒸気量の割合を表したものである。相対湿度が大きければ大きいほど、冷房運転後における熱交換器１１の結露量が大きくなる。
　冷房運転後における熱交換器１１の結露量は、冷房運転が行われた時間の積算（以下、「積算時間」とも称する。）に依存し得る。積算時間が長ければ長いほど、冷房運転後における熱交換器１１の結露量が大きくなる。
　冷房運転後における熱交換器１１の結露量は、冷房運転開始時における冷房の設定温度と室内温度との差（以下、「温度差」とも称する。）に依存し得る。温度差が大きければ大きいほど、冷房運転における風量などの度合などが強かったり、冷房運転時間が長くなったりする。したがって、温度差が大きければ大きいほど、冷房運転後における熱交換器１１の結露量が大きくなる。
　冷房運転後における熱交換器１１の結露量は、冷房運転における風量の積算（以下、「積算風量」とも称する。）に依存し得る。積算風量が大きければ大きいほど、冷房運転後における熱交換器１１の結露量が大きくなる。
　このように、冷房運転後における熱交換器１１の結露量は、冷房運転後の熱交換器１１の相対湿度と、冷房運転の積算時間と、冷房運転開始時における設定温度と室内温度との差と、冷房運転の積算風量とのうち、少なくともいずれか１つに依存して変化し得る。
　しかしながら、冷房運転の強弱度合および空気調和機１が設置された室内空間の環境にかかわらずに乾燥運転時間を一定にした場合、結露を除去するには乾燥運転時間が足らなかったり、結露が除去された後でも乾燥運転が継続することで無駄に電力を消費したりといったように、乾燥運転に過不足が生じるおそれがある。また、乾燥運転が行われると、室内空間の温度および湿度が上昇し易くなるため、ユーザが不快感を覚えることもある。よって、冷房運転後の乾燥運転時間を必要最小限に抑えることが必要である。
　そこで、以下で説明するように、実施の形態１に係る空気調和機１は、冷房運転後における熱交換器１１の乾燥状態を示す状態データに基づき乾燥運転時間を出力し、その乾燥運転時間に基づき乾燥運転を行うように構成されている。
　制御装置１００は、冷房運転後において、湿度センサ２１から取得した湿度データに基づき熱交換器１１付近の空気の湿度を特定することで、冷房運転後の熱交換器１１の相対湿度を算出する。
　制御装置１００は、冷房運転開始時において、温度センサ２２から取得した温度データに基づき室内温度を特定することで、冷房運転開始時における設定温度と室内温度との差を算出する。
　制御装置１００は、冷房運転後において、カメラ２３から取得した撮影データに基づき熱交換器１１の乾燥状態を特定する。具体的には、制御装置１００は、カメラ２３から取得した撮影データに基づき、熱交換器１１が乾燥しているか否かを判定する。たとえば、制御装置１００は、撮影データを用いて画像認識を行うことによって、熱交換器１１に付着した水滴の量を判定し、水滴の量がしきい値以下であれば熱交換器１１が乾燥していると判断し、水滴の量がしきい値よりも大きければ熱交換器１１が乾燥していないと判断する。なお、画像認識には、ＣＮＮ（Convolutional Neural Network）といった畳み込みニューラルネットワークを用いた画像認識技術などが用いられ得る。
　制御装置１００は、自身の制御によってファン１２などを駆動することで行った冷房運転について、その制御の履歴から冷房運転の積算時間および積算風量を算出する。
　制御装置１００は、冷房運転開始時における設定温度と室内温度との差、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転の積算風量、および熱交換器１１の乾燥状態といった各種のデータ（以下、「状態データ」とも称する。）に基づき、ＡＩ（人工知能：Artificial Intelligence）によって乾燥運転時間を推論し、推論した乾燥運転時間を出力する。制御装置１００は、出力した乾燥運転時間に基づき、乾燥運転を行うための制御データを生成する。
　このように、空気調和機１は、冷房運転後において、熱交換器１１の乾燥状態を示す状態データに基づき推論した乾燥運転時間に基づき乾燥運転を行う。これにより、空気調和機１は、冷房運転後の乾燥運転時間を必要最小限に抑えることができ、冷房運転後に適切に乾燥運転を行うことができる。
　＜強化学習＞
　上述したように、制御装置１００は、冷房運転後における熱交換器１１の乾燥状態を示す状態データに基づき乾燥運転時間を出力し、その乾燥運転時間に基づき制御対象１０を制御することで適切な乾燥運転を実現する。このような制御を実現するために、制御装置１００は、ＡＩを用いた強化学習（Reinforcement Learning)によって、制御対象１０の制御データ（乾燥運転時間）を学習する。
　図３および図４は、強化学習の概要を説明するための図である。図３に示されるように、強化学習においては、ある環境内におけるエージェント（行動主体）が、現在の状態（環境のパラメータ）を観測し、方策に基づいて、取るべき行動を決定する。方策は、行動を決定するためのルールであり、方策を最適化することで、行動の選択が最適化される。エージェントの行動により環境が動的に変化し、エージェントには環境の変化に応じて報酬基準に基づく報酬が与えられる。エージェントは、このような行動を繰り返し、一連の行動を通じて報酬が最も多く得られる行動を学習する。図３においては、現在の状態がＢ２（状態）で表され、エージェントの行動がＢ１（行動）で表され、報酬基準がＤ（報酬基準）で表されている。
　強化学習の代表的な手法として、Ｑ学習（Q-Learning）およびＴＤ学習（TD-Learning）が知られている。たとえば、Ｑ学習の場合、行動価値関数Ｑ（ｓ，ａ）の一般的な更新式は式（１）で表される。
Figure JPOXMLDOC01-appb-M000001
　式（１）において、Ｓｔは時刻ｔにおける環境の状態を表し、ａｔは時刻ｔにおける行動を表す。行動ａｔにより、状態はＳｔ＋１に変わる。ｒｔ＋１はその状態の変化によってエージェントが貰える報酬を表し、γは割引率を表し、αは学習係数を表す。なお、γは０＜γ≦１、αは０＜α≦１の範囲とする。Ｂ１（行動）が行動ａｔとなり、Ｂ２（状態）が状態Ｓｔとなり、時刻ｔの状態Ｓｔにおける最良の行動ａｔが学習される。
　式（１）で表される更新式は、時刻ｔ＋１における最もＱ値の高い行動ａの行動価値関数Ｑが、時刻ｔにおいて実行された行動ａの行動価値関数Ｑよりも大きければ、行動価値関数Ｑを大きくし、逆の場合は、行動価値関数Ｑを小さくする。換言すれば、時刻ｔにおける行動ａの行動価値関数Ｑを、時刻ｔ＋１における最良の行動価値に近づけるように、行動価値関数Ｑ（ｓ，ａ）を更新する。これにより、ある環境における最良の行動価値が、それ以前の環境における行動価値に順次伝播していくようになる。
　図４に示されるように、学習フェーズにおいて、制御装置１００は、学習用プログラム１６０を実行することで、Ｂ１（行動）とＢ２（状態）とを含む学習用データ１８０と、Ｄ（報酬基準）とに基づき、学習済モデル１７０を生成（更新）する。
　活用フェーズにおいて、制御装置１００は、学習済モデル１７０を用いて、Ｂ２（状態）からＣ（出力）を得る。
　図５は、実施の形態１に係る強化学習におけるＢ１（行動）、Ｂ２（状態）、Ｃ（出力）、およびＤ（報酬基準）を説明するための図である。
　図５に示されるように、実施の形態１に係る空気調和機１において、Ｂ１（行動）には、乾燥運転時間に基づき乾燥運転を行うための制御データが適用される。Ｂ２（状態）には、熱交換器１１の乾燥状態を示す状態データが適用される。上述したように、状態データは、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを含む。Ｃ（出力）には、乾燥運転時間が適用される。Ｄ（報酬基準）には、乾燥運転後における熱交換器１１の乾燥状態が適用される。
　図６は、報酬計算の一例を説明するための図である。図６に示されるように、制御装置１００は、乾燥運転後における熱交換器１１の乾燥状態に基づき報酬を計算する。具体的には、制御装置１００は、乾燥運転後において、カメラ２３から取得した撮影データに基づき画像認識を行うことで、熱交換器１１の乾燥状態を特定し、熱交換器１１が乾燥しているか否かを判定する。制御装置１００は、熱交換器１１が未乾燥（結露量＞０）の場合、乾燥運転時間が足らないと判断して報酬を小さく設定する。制御装置１００は、熱交換器１１が乾燥済み（結露量＝０）の場合、乾燥運転時間が十分であると判断して報酬を大きく設定する。
　なお、図６に示される報酬計算は一例であり、空気調和機１は、その他の方法で報酬を計算してもよい。たとえば、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合であっても、推論した乾燥運転時間が長すぎることも考えられる。そこで、空気調和機１は、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合において、さらに、乾燥運転に要する消費電力が上限値を超える場合は報酬を小さく設定し、乾燥運転に要する消費電力が上限値以下である場合は報酬を大きく設定してもよい。あるいは、空気調和機１は、乾燥運転中において一定時間ごとに熱交換器１１の乾燥状態を検出し、熱交換器１１が乾燥済み（結露量＝０）になってから乾燥運転時間が経過するまでの経過時間が上限値を超える場合は報酬を小さく設定し、経過時間が上限値以下である場合は報酬を大きく設定してもよい。
　＜学習フェーズ＞
　図７は、学習装置３０１の構成を示す図である。学習装置３０１は、制御装置１００の演算装置１０１によって実現される。学習装置３０１は、学習用プログラム記憶部３０２および学習済モデル記憶部３０３の各々とデータの受け渡しが可能である。学習用プログラム記憶部３０２および学習済モデル記憶部３０３の各々は、制御装置１００のメモリ１０２によって実現される。
　図７に示されるように、学習装置３０１は、データ取得部３１０と、モデル生成部３２０とを備える。学習装置３０１は、学習用プログラム記憶部３０２によって記憶された学習用プログラム１６０を実行することで、Ｂ１（行動）とＢ２（状態）とを含む学習用データ１８０と、Ｄ（報酬基準）とに基づき、学習済モデル１７０を生成する。
　データ取得部３１０は、Ｂ１（行動）とＢ２（状態）とを含む学習用データ１８０を取得する。具体的には、データ取得部３１０は、Ｂ１（行動）として、乾燥運転時間に基づき乾燥運転を行うための制御データを取得する。データ取得部３１０は、Ｂ２（状態）として、乾燥運転後における熱交換器１１の乾燥状態を示す状態データを取得する。データ取得部３１０は、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像を取得する。
　モデル生成部３２０は、データ取得部３１０によって取得されたＢ１（行動）とＢ２（状態）とを含む学習用データ１８０を用いて、Ｂ２（状態）からＣ（出力）を推論する学習済モデル１７０を生成する。たとえば、モデル生成部３２０は、カメラ２３から取得した撮影画像に基づき画像認識を行うことで、熱交換器１１の乾燥状態を特定する。モデル生成部３２０は、特定した熱交換器１１の乾燥状態に基づき、学習済モデル１７０を生成する。モデル生成部３２０は、生成した学習済モデル１７０を学習済モデル記憶部３０３に記憶させる。
　モデル生成部３２０は、報酬計算部３２１と、関数更新部３２２とを備える。報酬計算部３２１は、Ｄ（報酬基準）に基づき、報酬を計算する。具体的には、報酬計算部３２１は、Ｄ（報酬基準）として、乾燥運転後における熱交換器１１の乾燥状態に基づき、報酬を計算する。すなわち、報酬計算部３２１は、Ｂ１（行動）として乾燥運転を行うための制御データが出力された後、熱交換器１１が完全に乾燥したか否かを判定し、その判定結果に基づき、報酬を計算する。
　関数更新部３２２は、報酬計算部３２１によって計算された報酬に基づき、乾燥運転時間を決定するための関数を更新する。たとえば、Ｑ学習の場合、関数更新部３２２は、上述した式（１）で表される行動価値関数Ｑ（Ｓｔ，ａｔ）を、乾燥運転時間を算出するための関数として用いる。
　学習済モデル記憶部３０３は、関数更新部３２２によって更新された行動価値関数Ｑ（Ｓｔ，ａｔ）を、学習済モデル１７０として記憶する。
　＜活用フェーズ＞
　図８は、推論装置４０１の構成を示す図である。推論装置４０１は、制御装置１００の演算装置１０１によって実現される。推論装置４０１は、学習済モデル記憶部３０３とデータの受け渡しが可能である。
　図８に示されるように、推論装置４０１は、データ取得部４１０と、推論部４２０とを備える。推論装置４０１は、学習済モデル１７０を用いて、Ｂ２（状態）からＣ（出力）を得る。
　データ取得部４１０は、Ｂ２（状態）を取得する。具体的には、データ取得部４１０は、Ｂ２（状態）として、乾燥運転後における熱交換器１１の乾燥状態を示す状態データを取得する。より具体的には、データ取得部４１０は、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを取得する。
　推論部４２０は、学習済モデル１７０を用いて、Ｂ２（状態）からＣ（出力）を得る。具体的には、推論部４２０は、学習済モデル記憶部３０３から、学習済モデル１７０を読み出す。推論部４２０は、学習済モデル１７０を利用して、データ取得部４１０によって取得されたデータに基づき、Ｃ（出力）を推論する。すなわち、推論部４２０は、学習済モデル１７０を用いて、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つに基づき、乾燥運転時間を推論し、推論した乾燥運転時間を出力する。
　＜実運用フェーズ＞
　図９および図１０は、実運用フェーズにおいて学習装置３０１および推論装置４０１が適用された空気調和機１の構成を示す図である。実運用フェーズにおいて、空気調和機１は、室内空間に設置された状態で、冷房運転後に乾燥運転時間を推論し、推論した乾燥運転時間に基づき乾燥運転を行う。さらに、空気調和機１は、乾燥運転後において、熱交換器１１の乾燥状態に基づき強化学習を行う。空気調和機１は、このような推論と学習とを繰り返すことで、設置された室内空間に適した乾燥運転を行うようになる。
　図９および図１０に示されるように、推論装置４０１は、室内空間である環境５００から、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを取得する。
　推論装置４０１は、算出部４３０を備える。算出部４３０は、データ取得部４１０によって取得された各種の状態データから、熱交換器１１の結露量に関連する値を算出する。算出部４３０は、制御装置１００の演算装置１０１によって実現される。
　ここで、図１１は、推論装置４０１に入力される状態データに対する前処理を説明するための図である。図１１に示されるように、算出部４３０は、各状態データから特定される冷房運転後における熱交換器１１の乾燥状態に応じて、予め定められたポイントを算出する。なお、メモリ１０２は、図１１に示すようなポイントの算出テーブルを記憶していてもよい。
　状態データに含まれる、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量の各々には、結露に対する影響度合に応じてポイントの大小に傾斜が付けられている。具体的には、結露に対しては、冷房運転後の熱交換器１１の相対湿度が最も影響し、その次に、冷房運転の積算風量が影響する。その他の状態データは、相対湿度および積算風量よりも結露に対する影響度合が低い。
　たとえば、算出部４３０は、熱交換器１１の撮影画像から、熱交換器１１が湿っぽいことを特定した場合、結露量が多いと判断し、１０ポイントを計数する。算出部４３０は、熱交換器１１の撮影画像から、熱交換器１１が少し湿っぽいことを特定した場合、結露量が中程度であると判断し、５ポイントを計数する。算出部４３０は、熱交換器１１の撮影画像から、熱交換器１１が乾燥していることを特定した場合、結露量が少ないと判断し、１ポイントを計数する。
　算出部４３０は、冷房運転後の熱交換器１１の相対湿度が高いことを特定した場合、結露量が多いと判断し、４０ポイントを計数する。算出部４３０は、相対湿度が中程度であることを特定した場合、結露量が中程度であると判断し、２０ポイントを計数する。算出部４３０は、相対湿度が低いことを特定した場合、結露量が少ないと判断し、１０ポイントを計数する。
　算出部４３０は、冷房運転の積算時間が長いことを特定した場合、結露量が多いと判断し、１０ポイントを計数する。算出部４３０は、積算時間が中程度であることを特定した場合、結露量が中程度であると判断し、５ポイントを計数する。算出部４３０は、積算時間が短いことを特定した場合、結露量が少ないと判断し、１ポイントを計数する。
　算出部４３０は、冷房運転開始時における設定温度と室内温度との温度差が大きいことを特定した場合、結露量が多いと判断し、１０ポイントを計数する。算出部４３０は、温度差が中程度であることを特定した場合、結露量が中程度であると判断し、５ポイントを計数する。算出部４３０は、温度差が小さいことを特定した場合、結露量が少ないと判断し、１ポイントを計数する。
　算出部４３０は、冷房運転の積算風量が多いことを特定した場合、結露量が多いと判断し、２０ポイントを計数する。算出部４３０は、積算風量が中程度であることを特定した場合、結露量が中程度であると判断し、１０ポイントを計数する。算出部４３０は、積算風量が少ないことを特定した場合、結露量が少ないと判断し、５ポイントを計数する。
　このように、算出部４３０は、推論部４２０による乾燥運転時間の推論の前処理として、入力された状態データごとに、結露量への影響度合に応じて値（ポイント）を算出する。しかも、算出部４３０は、一の状態データの中でも、その程度に応じて値（ポイント）を算出する。算出部４３０は、各状態データに基づき算出したポイントの合計を推論部４２０に入力する。
　図９および図１０に戻り、推論装置４０１の推論部４２０は、学習済モデル１７０を用いて、算出部によって算出されたポイントの合計から乾燥運転時間を推論し、Ｃ（出力）として、推論した乾燥運転時間を出力する。
　空気調和機１は、制御データ生成部２０１を備える。制御データ生成部２０１は、推論装置４０１から出力された乾燥運転時間に基づき乾燥運転を行うための制御データを生成し、Ｂ１（行動）として、生成した制御データを制御対象１０に出力する。制御データ生成部２０１は、制御装置１００の演算装置１０１によって実現される。
　制御対象１０は、制御データに基づき駆動することで、推論装置４０１によって出力された乾燥運転時間に基づき乾燥運転を行う。たとえば、制御対象１０に含まれるファン１２は、制御データに基づき乾燥運転時間に従って駆動することで、熱交換器１１に風を当てて熱交換器１１を乾燥させる送風乾燥を行う。乾燥運転時間に基づき乾燥運転が行われることで、環境５００すなわち熱交換器１１の乾燥状態が変化する。
　乾燥運転が行われた後、学習装置３０１は、Ｂ１（行動）として、乾燥運転を行うための制御データ（乾燥運転時間）を取得する。さらに、学習装置３０１は、室内空間である環境５００から、Ｂ２（状態）の状態データとして、乾燥運転後における熱交換器１１の撮影画像を取得する。
　学習装置３０１は、取得した撮影画像に基づき、乾燥運転後における熱交換器１１の乾燥状態を特定し、特定した熱交換器１１の乾燥状態と、乾燥運転を行った際の制御データとに基づき、学習済モデル１７０を生成（更新）する。
　具体的には、学習装置３０１は、Ｄ（報酬基準）として、乾燥運転後における熱交換器１１の乾燥状態に基づき、報酬を計算し、計算した報酬に基づき、乾燥運転時間を決定するための関数を更新する。たとえば、学習装置３０１は、乾燥運転後における熱交換器１１が未乾燥（結露量＞０）の場合は報酬を小さく設定し、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合は報酬を「大」に設定する。
　学習装置３０１は、更新した関数を、学習済モデル記憶部３０３に記憶された学習済モデル１７０にフィードバックすることで、学習済モデル１７０を最適化する。これにより、次回の乾燥運転時において、推論装置４０１は、冷房運転後における熱交換器１１の乾燥状態に応じて、より最適な乾燥運転時間を推論することができる。
　＜推論処理＞
　図１２は、実施の形態１に係る空気調和機１の制御装置１００が実行する推論処理に関するフローチャートである。制御装置１００は、所定の開始条件が成立したことを条件に、図１２に示す推論処理を実行する。開始条件としては、冷房運転が終了したこと、ユーザが図示しない操作部（リモコンなどのボタンまたはスイッチなど）を用いて乾燥運転を行うことを空気調和機１に要求したこと、タイマによって予約された時刻に到達したこと、および前回の乾燥運転から所定期間経過したことなどが挙げられる。なお、図１２において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。
　図１２に示されるように、制御装置１００は、データ取得部４１０によって、Ｂ２（状態）として、状態データを取得する（Ｓ１）。具体的には、制御装置１００は、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを取得する。
　制御装置１００は、算出部４３０によって、取得した状態データから熱交換器１１の結露量に関連する値（図１１に示すポイント）を算出する（Ｓ２）。この処理により、制御装置１００は、乾燥運転時間を推論する前処理として、取得した状態データに応じたポイントを算出する。
　制御装置１００は、推論部４２０によって、学習済モデル記憶部３０３に記憶された学習済モデル１７０に、算出部４３０によって算出されたポイントを入力する（Ｓ３）。
　制御装置１００は、推論部４２０によって、学習済モデル１７０を用いて、乾燥運転時間を推論する（Ｓ４）。
　制御装置１００は、制御データ生成部２０１によって、推論された乾燥運転時間に基づき乾燥運転を行うための制御データを生成する（Ｓ５）。
　制御装置１００は、生成された制御データを制御対象１０に出力する（Ｓ６）。その後、制御装置１００は、本処理を終了する。
　以上のように、実施の形態１に係る空気調和機１は、乾燥運転時間を推論するための学習済モデル１７０を用いて、熱交換器１１の乾燥状態を示す状態データから乾燥運転時間を出力する。これにより、空気調和機１は、冷房運転後の乾燥運転時間を必要最小限に抑えることができ、冷房運転後に適切に乾燥運転を行うことができる。
　さらに、空気調和機１は、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量といった各種の状態データをポイント換算によって定量化する。しかも、空気調和機１は、各種の状態データに対応するポイントの大きさに、結露に対する影響度合に応じた傾斜を付けている。これにより、空気調和機１は、より正確に乾燥運転時間を推論することができる。
　＜学習処理＞
　図１３は、実施の形態１に係る空気調和機１の制御装置１００が実行する学習処理に関するフローチャートである。制御装置１００は、たとえば、乾燥運転が終了したことを条件に、図１３に示す学習処理を実行する。なお、図１３において、「Ｓ」は「ＳＴＥＰ」の略称として用いられる。
　図１３に示されるように、制御装置１００は、データ取得部３１０によって、Ｂ１（行動）として、乾燥運転を行うための制御データ（乾燥運転時間）を取得する（Ｓ１１）。
　制御装置１００は、データ取得部３１０によって、Ｂ２（状態）として、乾燥運転後における熱交換器１１の撮影画像を取得する（Ｓ１２）。さらに、制御装置１００は、取得した撮影画像に基づき、乾燥運転後における熱交換器１１の乾燥状態を特定する（Ｓ１３）。
　制御装置１００は、モデル生成部３２０によって、熱交換器１１が完全に乾燥したか否かを判定する（Ｓ１４）。
　制御装置１００は、乾燥運転後における熱交換器１１が未乾燥（結露量＞０）の場合（Ｓ１４でＮＯ）、報酬を小さく設定し（Ｓ１５）、その決められた報酬に基づき、学習済モデル記憶部３０３に記憶された式（１）で表される行動価値関数Ｑ（Ｓｔ，ａｔ）を更新することで、学習済モデル１７０を更新する（Ｓ１６）。その後、制御装置１００は、本処理を終了する。
　制御装置１００は、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合（Ｓ１４でＹＥＳ）、報酬を大きく設定し（Ｓ１７）、その決められた報酬に基づき、学習済モデル記憶部３０３に記憶された式（１）で表される行動価値関数Ｑ（Ｓｔ，ａｔ）を更新することで、学習済モデル１７０を更新する（Ｓ１６）。その後、制御装置１００は、本処理を終了する。
　以上のように、実施の形態１に係る空気調和機１は、乾燥運転後における熱交換器１１の乾燥状態を示す状態データに基づき、学習済モデル１７０を最適化する。これにより、空気調和機１は、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
　実施の形態２．
　図１４～図１６を参照しながら、実施の形態２に係る空気調和機１Ａについて説明する。なお、以下では、実施の形態２に係る空気調和機１Ａについて、実施の形態１に係る空気調和機１と異なる部分のみを説明する。
　図１４は、実施の形態２に係る空気調和機１Ａの構成を示す図である。実施の形態１に係る空気調和機１では、制御装置１００は、推論した乾燥運転時間に従って乾燥を行う際、単に熱交換器１１に風を当てて熱交換器１１を乾燥させる送風乾燥を行うものであったが、実施の形態２に係る空気調和機１Ａでは、制御装置１００Ａは、冷房運転後の熱交換器１１の汚染度合に基づき送風乾燥運転または暖房乾燥運転を行う。送風乾燥運転は、熱交換器１１に風を当てることで熱交換器１１を乾燥させる乾燥運転である。暖房乾燥運転は、送風に加えて暖房を付加することで、送風乾燥運転よりも熱交換器１１を乾燥させ易くする乾燥運転である。
　具体的には、図１４に示されるように、実施の形態２に係る制御データ生成部２０１Ａ（演算装置１０１Ａ）は、乾燥運転を行うための制御データを生成し、Ｂ１（行動）として、生成した制御データを制御対象１０に出力する。このとき、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に加えて、冷房運転後における熱交換器１１の状態が映し出された撮影画像を取得する。制御データ生成部２０１Ａは、取得した撮影画像に基づき冷房運転後における熱交換器１１の汚染度合を特定する。制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間と、特定した熱交換器１１の汚染度合とに基づき、乾燥運転として送風乾燥運転または暖房乾燥運転を行うための制御データを生成する。
　図１５は、熱交換器１１の汚染度合に対する乾燥運転モードを説明するための図である。図１５に示されるように、制御データ生成部２０１Ａは、熱交換器１１がカビなどで汚れていない場合、乾燥運転モードとして、送風乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って送風乾燥運転を行う。
　制御データ生成部２０１Ａは、熱交換器１１がカビなどで汚れている場合、その汚染度合に応じて段階的に強弱が付けられた暖房機能を追加する。具体的には、制御データ生成部２０１Ａは、熱交換器１１の汚染度合が小さい場合、乾燥運転モードとして、弱暖房乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って弱暖房乾燥運転を行う。
　制御データ生成部２０１Ａは、熱交換器１１の汚染度合が中程度の場合、乾燥運転モードとして、中暖房乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って中暖房乾燥運転を行う。
　制御データ生成部２０１Ａは、熱交換器１１の汚染度合が大きい場合、乾燥運転モードとして、強暖房乾燥運転を選択する。つまり、制御データ生成部２０１Ａは、推論装置４０１から出力された乾燥運転時間に従って強暖房乾燥運転を行う。
　図１６は、実施の形態２に係る空気調和機１Ａの制御装置１００Ａが実行する推論処理に関するフローチャートである。なお、図１６において、図１２に示す実施の形態１に係る制御装置１００が実行する推論処理と同様の内容の処理については同じ符号を付し、その詳細な説明を省略する。
　図１６に示されるように、制御装置１００Ａは、Ｓ４の処理において乾燥運転時間を推論した後、冷房運転後における熱交換器１１の状態が映し出された撮影画像を取得する（Ｓ２１）。制御装置１００Ａは、取得した撮影画像に基づき冷房運転後における熱交換器１１の汚染度合を特定する（Ｓ２２）。
　制御装置１００Ａは、推論した乾燥運転時間と、特定した熱交換器１１の汚染度合とに基づき、乾燥運転として送風乾燥運転または暖房乾燥運転を行うための制御データを生成する（Ｓ２３）。
　その後、制御装置１００Ａは、生成した制御データを制御対象１０に出力し（Ｓ６）、本処理を終了する。
　以上のように、実施の形態２に係る空気調和機１Ａは、冷房運転後における熱交換器１１の汚染度合に基づき送風乾燥運転または暖房乾燥運転を行う。これにより、空気調和機１Ａは、必要最小限の乾燥運転時間で乾燥運転を行うことで、熱交換器１１に発生した結露を除去することに加えて、必要に応じて暖房機能を追加することで、カビおよび細菌などの物質の発生を抑制することもできる。
　実施の形態３．
　図１７を参照しながら、実施の形態３に係る空調システム１０００について説明する。図１７は、実施の形態３に係る空調システム１０００の構成を示す図である。
　図１７に示されるように、実施の形態３に係る空調システム１０００は、制御装置１００Ｂを備える空気調和機１Ｂと、空気調和機１Ｂと通信するサーバ装置７００とを備える。空気調和機１Ｂは、実施の形態１に係る空気調和機１と基本的には同様の機能を有するが、以下の点において異なる機能を有する。
　具体的には、実施の形態１に係る空気調和機１は、制御装置１００が学習装置３０１と推論装置４０１とを備えていたが、実施の形態１に係る空気調和機１Ｂは、学習装置３０１と推論装置４０１とを備えていない。その代わり、空気調和機１Ｂと通信するサーバ装置７００が、学習装置３０１Ｂと推論装置４０１Ｂとを備えている。学習装置３０１Ｂは、学習装置３０１と同様の機能を有する。推論装置４０１Ｂは、推論装置４０１と同様の機能を有する。
　最初に、空調システム１０００が実行する推論処理について説明する。空気調和機１Ｂの制御装置１００Ｂは、冷房運転後において、Ｂ２（状態）の状態データとして、熱交換器１１の撮影画像、冷房運転後の熱交換器１１の相対湿度、冷房運転の積算時間、冷房運転開始時における設定温度と室内温度との温度差、および冷房運転の積算風量のうちの少なくとも１つを示すデータをサーバ装置７００に送信する。
　サーバ装置７００は、推論装置４０１Ｂによって、取得した状態データから熱交換器１１の結露量に関連する値（図１１に示すポイント）を算出する。サーバ装置７００は、推論装置４０１Ｂによって、予め記憶していた学習済モデル１７０に、算出したポイントを入力する。
　サーバ装置７００は、推論装置４０１Ｂによって、学習済モデル１７０を用いて、乾燥運転時間を推論し、推論した乾燥運転時間を示すデータを空気調和機１Ｂの制御装置１００Ｂに送信する。
　空気調和機１Ｂの制御装置１００Ｂは、取得した乾燥運転時間に基づき乾燥運転を行うための制御データを生成する。
　以上のように、実施の形態３に係る空調システム１０００は、乾燥運転時間を推論するための学習済モデル１７０を用いて、熱交換器１１の乾燥状態を示す状態データから乾燥運転時間を出力する。これにより、空調システム１０００は、冷房運転後の乾燥運転時間を必要最小限に抑えることができ、冷房運転後に適切に乾燥運転を行うことができる。
　次に、空調システム１０００が実行する学習処理について説明する。空気調和機１Ｂの制御装置１００Ｂは、乾燥運転後において、Ｂ１（行動）として、乾燥運転を行うための制御データ（乾燥運転時間）をサーバ装置７００に送信する。さらに、空気調和機１Ｂの制御装置１００Ｂは、乾燥運転後において、Ｂ２（状態）として、乾燥運転後における熱交換器１１の撮影画像を示すデータをサーバ装置７００に送信する。
　サーバ装置７００は、学習装置３０１Ｂによって、取得した撮影画像に基づき、乾燥運転後における熱交換器１１の乾燥状態を特定する。サーバ装置７００は、学習装置３０１Ｂによって、熱交換器１１が完全に乾燥したか否かを判定する。
　サーバ装置７００は、学習装置３０１Ｂによって、乾燥運転後における熱交換器１１が未乾燥（結露量＞０）の場合、報酬を小さく設定し、その決められた報酬に基づき、予め記憶していた学習済モデル１７０を更新する。
　サーバ装置７００は、学習装置３０１Ｂによって、乾燥運転後における熱交換器１１が乾燥済み（結露量＝０）の場合、報酬を大きく設定し、その決められた報酬に基づき、予め記憶していた学習済モデル１７０を更新する。
　以上のように、実施の形態３に係る空調システム１０００は、乾燥運転後における熱交換器１１の乾燥状態を示す状態データに基づき、学習済モデル１７０を最適化する。これにより、空調システム１０００は、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
　（まとめ）
　本開示は、空気調和機１に関する。空気調和機１は、熱交換器１１と、制御装置１００とを備える。制御装置１００は、熱交換器１１の乾燥状態を示す状態データを取得するデータ取得部４１０と、乾燥運転時間を推論するための学習済モデル１７０を用いて、データ取得部４１０によって取得された状態データに基づき乾燥運転時間を出力する推論部４２０とを備える。
　これにより、空気調和機１は、冷房運転後の乾燥運転時間を必要最小限に抑えることができるため、乾燥運転時間に過不足を生じさせること極力防止し、乾燥運転によってユーザに不快感を与えることを極力防止することができる。したがって、空気調和機１は、冷房運転後に適切に乾燥運転を行うことができる。
　好ましくは、制御装置１００は、学習済モデルを生成するモデル生成部３２０をさらに備える。モデル生成部３２０は、乾燥運転時間にわたる乾燥運転後の熱交換器１１の乾燥状態に基づき報酬を計算する報酬計算部３２１と、乾燥運転時間を推論するための関数を報酬に基づき更新する関数更新部３２２とを備える。
　これにより、空気調和機１は、乾燥運転時間にわたる乾燥運転後の熱交換器１１の乾燥状態に基づき、強化学習によって学習済モデル１７０を最適化することができ、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
　好ましくは、状態データは、冷房運転後の熱交換器１１の撮影画像と、冷房運転後の熱交換器１１の相対湿度と、冷房運転の積算時間と、冷房運転開始時における設定温度と室内温度との差と、冷房運転の積算風量とのうち、少なくともいずれか１つを含む。
　これにより、空気調和機１は、熱交換器の乾燥状態を示す各種の状態データを用いて、より最適な乾燥運転時間を推論することができる。
　好ましくは、制御装置１００は、データ取得部４１０によって取得された状態データから、熱交換器１１の結露量に関連する値を算出する算出部４３０をさらに備える。推論部４２０は、学習済モデル１７０を用いて、算出部４３０によって算出された値から乾燥運転時間を出力する。
　これにより、空気調和機１は、各種の状態データをポイント換算によって定量化することで、より正確に乾燥運転時間を推論することができるとともに、より適切に強化学習を行うことができる。
　好ましくは、制御装置１００は、推論部４２０によって出力された乾燥運転時間に基づき乾燥運転を行うための制御データを生成する制御データ生成部２０１をさらに備える。
　これにより、空気調和機１は、推論した乾燥運転時間に基づき乾燥運転を行うことができる。
　好ましくは、制御データ生成部２０１は、冷房運転後の熱交換器１１の汚染度合にさらに基づき制御データを生成する。
　これにより、空気調和機１Ａは、乾燥運転によってカビおよび細菌などの物質の発生を抑制することができる。
　好ましくは、制御データ生成部２０１は、汚染度合に基づき、乾燥運転として送風乾燥運転または暖房乾燥運転を行うための制御データを生成する。
　これにより、空気調和機１Ａは、必要に応じて乾燥運転に暖房機能を追加することで、カビおよび細菌などの物質の発生を抑制することができる。
　本開示は、空調システム１０００に関する。空調システム１０００は、空気調和機１Ｂと、空気調和機１Ｂと通信するサーバ装置７００とを備える。サーバ装置７００は、熱交換器１１の乾燥状態を示す状態データを空気調和機１Ｂから取得するデータ取得部４１０と、乾燥運転時間を推論するための学習済モデル１７０を用いて、データ取得部４１０によって取得された状態データに基づき乾燥運転時間を空気調和機１Ｂに出力する推論部４２０とを備える。
　これにより、空調システム１０００は、冷房運転後の乾燥運転時間を必要最小限に抑えることができるため、乾燥運転時間に過不足を生じさせること極力防止し、乾燥運転によってユーザに不快感を与えることを極力防止することができる。したがって、空調システム１０００は、冷房運転後に適切に乾燥運転を行うことができる。
　好ましくは、サーバ装置７００は、学習済モデル１７０を生成するモデル生成部３２０をさらに備える。モデル生成部３２０は、乾燥運転後の熱交換器１１の乾燥状態に基づき報酬を計算する報酬計算部３２１と、乾燥運転時間を推論するための関数を報酬に基づき更新する関数更新部３２２とを備える。
　これにより、空調システム１０００は、乾燥運転時間にわたる乾燥運転後の熱交換器１１の乾燥状態に基づき、強化学習によって学習済モデル１７０を最適化することができ、次回の乾燥運転において、今回の乾燥運転よりも最適な乾燥運転時間で乾燥運転を行うことができる。
　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、上記した実施の形態の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。
　１，１Ａ，１Ｂ　空気調和機、２　室内機、１０　制御対象、１１　熱交換器、１２　ファン、２１　湿度センサ、２２　温度センサ、２３　カメラ、１００，１００Ａ，１００Ｂ　制御装置、１０１，１０１Ａ　演算装置、１０２　メモリ、１０３　通信装置、１０４　入力装置、１６０　学習用プログラム、１７０　学習済モデル、１８０　学習用データ、２０１，２０１Ａ　制御データ生成部、３０１，３０１Ｂ　学習装置、３０２　学習用プログラム記憶部、３０３　学習済モデル記憶部、３１０，４１０　データ取得部、３２０　モデル生成部、３２１　報酬計算部、３２２　関数更新部、４０１，４０１Ｂ　推論装置、４２０　推論部、４３０　算出部、５００　環境、７００　サーバ装置、１０００　空調システム。

Claims (9)

  1. 　冷房運転後に熱交換器を乾燥させる乾燥運転を行う空気調和機であって、
    　前記熱交換器と、
    　前記乾燥運転を行うための制御を行う制御装置とを備え、
    　前記制御装置は、
    　前記熱交換器の乾燥状態を示す状態データを取得するデータ取得部と、
    　乾燥運転時間を推論するための学習済モデルを用いて、前記データ取得部によって取得された前記状態データに基づき前記乾燥運転時間を出力する推論部とを備える、空気調和機。
  2. 　前記制御装置は、前記学習済モデルを生成するモデル生成部をさらに備え、
    　前記モデル生成部は、前記乾燥運転後の前記熱交換器の前記乾燥状態に基づき報酬を計算する報酬計算部と、
    　前記乾燥運転時間を推論するための関数を前記報酬に基づき更新する関数更新部とを備える、請求項１に記載の空気調和機。
  3. 　前記状態データは、前記冷房運転後の前記熱交換器の撮影画像と、前記冷房運転後の前記熱交換器の相対湿度と、前記冷房運転の積算時間と、前記冷房運転開始時における設定温度と室内温度との差と、前記冷房運転の積算風量とのうち、少なくともいずれか１つを含む、請求項１または請求項２に記載の空気調和機。
  4. 　前記制御装置は、前記データ取得部によって取得された前記状態データから、前記熱交換器の結露量に関連する値を算出する算出部をさらに備え、
    　前記推論部は、前記学習済モデルを用いて、前記算出部によって算出された前記値から前記乾燥運転時間を出力する、請求項１に記載の空気調和機。
  5. 　前記制御装置は、前記推論部によって出力された前記乾燥運転時間に基づき前記乾燥運転を行うための制御データを生成する制御データ生成部をさらに備える、請求項１に記載の空気調和機。
  6. 　前記制御データ生成部は、前記冷房運転後の前記熱交換器の汚染度合にさらに基づき前記制御データを生成する、請求項５に記載の空気調和機。
  7. 　前記制御データ生成部は、前記汚染度合に基づき、前記乾燥運転として送風乾燥運転または暖房乾燥運転を行うための前記制御データを生成する、請求項６に記載の空気調和機。
  8. 　冷房運転後に空気調和機の熱交換器を乾燥させる乾燥運転を行う空調システムであって、
    　前記空気調和機と、
    　前記空気調和機と通信するサーバ装置とを備え、
    　前記サーバ装置は、
    　前記熱交換器の乾燥状態を示す状態データを前記空気調和機から取得するデータ取得部と、
    　乾燥運転時間を推論するための学習済モデルを用いて、前記データ取得部によって取得された前記状態データに基づき前記乾燥運転時間を前記空気調和機に出力する推論部とを備える、空調システム。
  9. 　前記サーバ装置は、前記学習済モデルを生成するモデル生成部をさらに備え、
    　前記モデル生成部は、前記乾燥運転時間にわたる前記乾燥運転後の前記熱交換器の前記乾燥状態に基づき報酬を計算する報酬計算部と、
    　前記乾燥運転時間を推論するための関数を前記報酬に基づき更新する関数更新部とを備える、請求項８に記載の空調システム。
PCT/JP2021/002235 2021-01-22 2021-01-22 空気調和機および空調システム WO2022157927A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/002235 WO2022157927A1 (ja) 2021-01-22 2021-01-22 空気調和機および空調システム
JP2022576900A JP7466710B2 (ja) 2021-01-22 2021-01-22 空気調和機および空調システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002235 WO2022157927A1 (ja) 2021-01-22 2021-01-22 空気調和機および空調システム

Publications (1)

Publication Number Publication Date
WO2022157927A1 true WO2022157927A1 (ja) 2022-07-28

Family

ID=82549577

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/002235 WO2022157927A1 (ja) 2021-01-22 2021-01-22 空気調和機および空調システム

Country Status (2)

Country Link
JP (1) JP7466710B2 (ja)
WO (1) WO2022157927A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024127670A1 (ja) * 2022-12-16 2024-06-20 三菱電機株式会社 推論装置および推論方法
WO2025009159A1 (ja) * 2023-07-06 2025-01-09 三菱電機株式会社 推論装置、推論方法、および空気調和システム

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000280898A (ja) * 1999-03-31 2000-10-10 Mitsubishi Electric Corp 車両用空気調和装置の制御方法
JP2007139352A (ja) * 2005-11-21 2007-06-07 Matsushita Electric Ind Co Ltd 空気調和機
JP2012189300A (ja) * 2011-03-14 2012-10-04 Mitsubishi Electric Corp 空気調和機
JP2018031577A (ja) * 2016-08-26 2018-03-01 シャープ株式会社 空気調和機、空気調和機の内部乾燥方法、および、空気調和機の制御プログラム
JP2018123989A (ja) * 2017-01-30 2018-08-09 パナソニックＩｐマネジメント株式会社 温熱快適装置及び制御内容決定方法
JP2020183817A (ja) * 2019-04-26 2020-11-12 ダイキン工業株式会社 台数制御装置、台数制御方法、台数制御プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000280898A (ja) * 1999-03-31 2000-10-10 Mitsubishi Electric Corp 車両用空気調和装置の制御方法
JP2007139352A (ja) * 2005-11-21 2007-06-07 Matsushita Electric Ind Co Ltd 空気調和機
JP2012189300A (ja) * 2011-03-14 2012-10-04 Mitsubishi Electric Corp 空気調和機
JP2018031577A (ja) * 2016-08-26 2018-03-01 シャープ株式会社 空気調和機、空気調和機の内部乾燥方法、および、空気調和機の制御プログラム
JP2018123989A (ja) * 2017-01-30 2018-08-09 パナソニックＩｐマネジメント株式会社 温熱快適装置及び制御内容決定方法
JP2020183817A (ja) * 2019-04-26 2020-11-12 ダイキン工業株式会社 台数制御装置、台数制御方法、台数制御プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024127670A1 (ja) * 2022-12-16 2024-06-20 三菱電機株式会社 推論装置および推論方法
WO2025009159A1 (ja) * 2023-07-06 2025-01-09 三菱電機株式会社 推論装置、推論方法、および空気調和システム

Also Published As

Publication number Publication date
JP7466710B2 (ja) 2024-04-12
JPWO2022157927A1 (ja) 2022-07-28

Similar Documents

Publication Publication Date Title
WO2022157927A1 (ja) 空気調和機および空調システム
JP3165402B2 (ja) 空調制御装置、空調システム、不快度合算出装置及び記録媒体
JP7006859B2 (ja) 空調制御装置、空調システム、空調制御方法、空調制御プログラム
CN109764473B (zh) 一种防止空调机组出风带水的方法及空调机组
CN105928139A (zh) 空调器自清洁控制方法
CN110940064B (zh) 空调的运行频率的控制方法
JP7220787B2 (ja) 空気調和機器の制御方法、制御装置及び空気調和機器
WO2020134125A1 (zh) 空气调节设备的控制方法、装置和空气调节设备
CN109612047B (zh) 变风量空调系统的送风温度控制方法
JP2021103083A5 (ja)
CN115585538A (zh) 室内温度的调节方法、装置、电子设备及存储介质
CN113710963A (zh) 空调系统
JP2020144555A (ja) 設備機器の制御システム
WO2022059137A1 (ja) 空調システム、学習装置、および推論装置
WO2024093411A1 (zh) 空调器的控制方法、空调器以及计算机可读存储介质
CN114322242B (zh) 空调器及其空调温湿度控制方法、控制装置和存储介质
JPWO2022157927A5 (ja)
KR20180068025A (ko) 공조 제어 시스템
JP7383101B1 (ja) 空調制御方法
JPH11108415A (ja) 空気調和機用制御装置
CN111336660A (zh) 一种空调杀菌控制方法、装置、存储介质及空调器
WO2021250770A1 (ja) 空気調和装置の制御のための学習装置および推論装置
JP7051671B2 (ja) 空調制御装置及びプログラム
JP2011185559A (ja) 空気調和装置および空気調和装置の制御方法
CN114526538A (zh) 空调器及其控制方法和计算机可读存储介质

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: 21921036

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022576900

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: 21921036

Country of ref document: EP

Kind code of ref document: A1