WO2022196813A1 - 補正装置、予測装置、方法、プログラム、および補正モデル - Google Patents

補正装置、予測装置、方法、プログラム、および補正モデル Download PDF

Info

Publication number
WO2022196813A1
WO2022196813A1 PCT/JP2022/012808 JP2022012808W WO2022196813A1 WO 2022196813 A1 WO2022196813 A1 WO 2022196813A1 JP 2022012808 W JP2022012808 W JP 2022012808W WO 2022196813 A1 WO2022196813 A1 WO 2022196813A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
operating state
predicted value
predicted
data
Prior art date
Application number
PCT/JP2022/012808
Other languages
English (en)
French (fr)
Inventor
学 吉見
伸一 笠原
宏紀 北出
Original Assignee
ダイキン工業株式会社
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 ダイキン工業株式会社 filed Critical ダイキン工業株式会社
Priority to EP22771558.8A priority Critical patent/EP4310615A1/en
Priority to CN202280021248.9A priority patent/CN116997876A/zh
Publication of WO2022196813A1 publication Critical patent/WO2022196813A1/ja
Priority to US18/467,090 priority patent/US20240005212A1/en

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
    • F24F11/32—Responding to malfunctions or emergencies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • 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
    • F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
    • 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
    • F24F11/64—Electronic processing using pre-stored data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/36—Responding to malfunctions or emergencies to leakage of heat-exchange fluid
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold

Definitions

  • the present disclosure relates to correction devices, prediction devices, methods, programs, and correction models.
  • Patent document 1 a system is known that uses a prediction model created by machine learning to predict the operating state of a device such as an air conditioner from the operating data of the device, and performs operation control and fault diagnosis of the device.
  • the purpose of this disclosure is to predict the driving state from the driving data when there is no driving data for learning.
  • the apparatus comprises: A device for correcting the predicted value of the operating state predicted from the operating data of the equipment, A provisional prediction model machine-learned using operating data and operating states of a device different from the device as teacher data; and a correction unit that corrects the predicted value of the operating state of the equipment predicted using the provisional prediction model.
  • the first aspect of the present disclosure it is possible to predict the driving state from the driving data when there is no driving data for learning.
  • a device is the device according to the first aspect, comprising: The correction unit generates a correction model for correcting the predicted value of the operating state of the equipment predicted using the provisional prediction model.
  • the predictive model of another device when there is no operating data for learning for creating a predictive model, the predictive model of another device is diverted from the operating data as a provisional predictive model to predict the operating state. can generate a correction model of
  • a device is the device according to the second aspect, comprising: an acquisition unit that acquires a predicted value of the operating state of the device by inputting the operating data of the device into the provisional prediction model and outputting the operating state of the device; an acquisition unit that acquires the measured value of the operating state of the device, The correcting unit performs machine learning by associating a predicted value of the operating state of the device with a measured value of the operating state of the device.
  • the third aspect of the present disclosure it is possible to generate a machine-learned correction model by associating the predicted value of the operating state of the device with the measured value of the operating state of the device.
  • An apparatus comprises: an operation data acquisition unit that acquires operation data of the device; A provisional prediction model machine-learned using operating data and operating states of a device different from the device as teacher data; a correction model for correcting the predicted value of the operating state of the equipment predicted using the provisional prediction model; Using the provisional prediction model, a predicted value of the operating state of the device is predicted from the operating data of the device, and using the correction model, a corrected prediction of the operating state of the device is predicted from the predicted value of the operating state of the device. a predictor for predicting a value;
  • the predictive model of another device is diverted from the operating data as a provisional predictive model to predict the operating state. can be done.
  • a device is the device according to the fourth aspect, comprising: The prediction unit obtaining a predicted value of the operating state of the device by inputting the operating data of the device into the provisional prediction model and outputting the operating state of the device; A corrected predicted value of the operating state of the device is obtained by inputting the predicted value of the operating state of the device into the correction model and outputting the corrected predicted value of the operating state of the device.
  • the operating state can be predicted from the operating data, and the corrected predicted value can be predicted from the operating state.
  • the apparatus according to the sixth aspect of the present disclosure is the apparatus according to the fifth aspect, comprising: The prediction unit Operating data of the equipment is further input to the correction model together with the predicted value of the operating state of the equipment.
  • prediction accuracy can be improved.
  • the apparatus according to the seventh aspect of the disclosure is the apparatus according to any of the fourth to sixth aspects, comprising:
  • the equipment used to generate the correction model is the same equipment of the same model as the equipment for prediction by the prediction unit.
  • the seventh aspect of the present disclosure it is possible to predict the driving state from the driving data using the correction model generated by the same device.
  • the apparatus according to the eighth aspect of the present disclosure is the apparatus according to any of the fourth to sixth aspects, comprising:
  • the device used to generate the correction model is one or a plurality of devices of the same model as the device for prediction by the prediction unit.
  • the amount of data used for creating the correction model is large, and the correction accuracy of the correction model is improved. can be expected.
  • a device according to the ninth aspect of the present disclosure is the device according to any of the fourth to sixth aspects, comprising:
  • the devices used to generate the correction model are the same device of the same model as the device for prediction by the prediction unit, and one or more devices of the same model but different.
  • the correction model is created using the operating data acquired from the same device and from different devices, the amount of data used for creating the correction model is large, and the operating data of the same device is also used, the improvement of the correction accuracy of the correction model can be expected.
  • a device is the device according to any of the fourth to ninth aspects, comprising:
  • the apparatus further includes an updating unit that updates the provisional prediction model and the correction model to the prediction model of the device.
  • the apparatus according to the eleventh aspect of the disclosure is the apparatus of any of the fourth through ninth aspects, comprising: It further comprises an updating unit that updates the correction model.
  • the latest correction model can be used.
  • a device is the device according to any of the first to eleventh aspects, comprising:
  • the model of the device is a new model of the device that is a different model from the device.
  • a device according to the thirteenth aspect of the present disclosure is the device according to any one of the first to eleventh aspects, comprising: The device has functionality similar to a device that is of a different model than the device.
  • the thirteenth aspect of the present disclosure it is possible to predict the driving state from the driving data using a correction model generated by devices of different models but having similar functions.
  • the apparatus according to the fourteenth aspect of the disclosure is the apparatus of any of the first through thirteenth aspects, comprising:
  • the device is an air conditioner.
  • the operating state of the air conditioner can be predicted from the operating data of the air conditioner.
  • the apparatus according to the fifteenth aspect of the disclosure is the apparatus of any of the first through fourteenth aspects, comprising:
  • the operating state is used for at least one of refrigerant leakage of the equipment, failure of the equipment, and control of the equipment.
  • the leakage of the refrigerant, the failure of the equipment is detected, and the equipment is controlled. can be done.
  • the apparatus according to the sixteenth aspect of the disclosure is the apparatus according to the fourth aspect, comprising: The prediction unit A difference between a predicted value of the operating state of the device and an actual measurement value of the operating state of the device is predicted.
  • the corrected predicted value can be predicted from the difference between the predicted value and the measured value.
  • a device is the device according to the first aspect, comprising:
  • the correcting unit corrects a threshold value for abnormality determination using a predicted value of the operating state of the device predicted using the provisional prediction model.
  • the threshold for abnormality determination can be corrected.
  • the apparatus according to the eighteenth aspect of the present disclosure is the apparatus according to the first aspect, comprising: The correction unit corrects a control gain when controlling using the predicted value of the operating state of the equipment predicted using the provisional prediction model.
  • a method according to the nineteenth aspect of the present disclosure comprises: A method for correcting a predicted value of an operating state predicted from equipment operating data, a step of correcting a predicted value of the operating state of the device predicted using a temporary prediction model machine-learned using operating data and operating states of a device different from the device as teacher data.
  • a program according to the twentieth aspect of the present disclosure comprises: A computer that corrects the predicted value of the operating state predicted from the operating data of the equipment, It functions as a correction model generation unit that corrects the predicted value of the operating state of the device predicted using a temporary prediction model machine-learned using the operating data and the operating state of the device different from the device as teacher data.
  • a method comprises: obtaining operational data of the equipment; A provisional prediction model that is machine-learned using operating data and operating states of a device different from the device as training data, and a correction model that corrects the predicted value of the operating state of the device predicted using the provisional prediction model. and predicting a corrected predicted value obtained by correcting the predicted value of the operating state of the equipment from the operation data of the equipment using the above method.
  • a program comprises: an operation data acquisition unit that acquires the operation data of the device; A provisional prediction model that is machine-learned using operating data and operating states of a device different from the device as training data, and a correction model that corrects the predicted value of the operating state of the device predicted using the provisional prediction model. functioning as a prediction unit that predicts a corrected predicted value obtained by correcting the predicted value of the operating state of the device from the operation data of the device.
  • a correction model according to the twenty-third aspect of the present disclosure comprises: A correction model that corrects the predicted value of the operating state predicted from the operating data of the equipment, A computer is operated to correct the predicted value of the operating state of the device predicted using a provisional prediction model machine-learned using operating data and operating states of devices different from the device as teacher data.
  • FIG. 1 is a diagram for explaining the outline of the present disclosure; FIG. It is a configuration example of the entire present disclosure.
  • 1 is a hardware configuration diagram of an air conditioning system (for cooling operation) according to an embodiment of the present disclosure
  • FIG. 1 is a hardware configuration diagram of an air conditioning system (for heating operation) according to an embodiment of the present disclosure
  • FIG. 1 is a hardware configuration diagram of an air conditioning system (for simultaneous cooling and heating operation) according to an embodiment of the present disclosure
  • FIG. 1 is a hardware configuration diagram of a correction model generation device, a prediction device, and a provisional prediction model generation device according to an embodiment of the present disclosure
  • FIG. 1 is a functional block diagram of a correction model generation device according to an embodiment of the present disclosure
  • FIG. 1 is a functional block diagram of a prediction device according to an embodiment of the present disclosure
  • FIG. 6 is a flowchart of provisional prediction model generation processing according to an embodiment of the present disclosure
  • 6 is a flowchart of correction model generation processing according to an embodiment of the present disclosure
  • 4 is a flowchart of prediction processing according to an embodiment of the present disclosure
  • FIG. 4 is a diagram for explaining updating from a provisional prediction model and a correction model to a prediction model according to an embodiment of the present disclosure
  • FIG. FIG. 4 is a diagram for explaining updating of a correction model according to an embodiment of the present disclosure
  • FIG. FIG. 7 is a diagram for explaining another embodiment of generating a correction model according to an embodiment of the present disclosure
  • FIG. FIG. 5 is a diagram for explaining correction of a threshold value for abnormality determination according to an embodiment of the present disclosure
  • FIG. FIG. 4 is a diagram for explaining correction of a control gain for controlling a device according to an embodiment of the present disclosure
  • the correction device includes a provisional prediction model machine-learned using operating data and operating states of devices different from the device as teacher data, and a correction unit that corrects the predicted value of the operating state of the device predicted using the provisional prediction model. And prepare.
  • the correction device can generate a correction model for correcting the predicted value of the operating state of the equipment predicted using the provisional prediction model (Embodiment 1). Further, the correction device can correct the threshold value for abnormality determination using the predicted value of the operating state of the device predicted using the provisional prediction model (second embodiment). Further, the correction device can correct the control gain when controlling using the predicted value of the operating state of the equipment predicted using the temporary prediction model (Embodiment 3).
  • FIG. 1 is a diagram for explaining the outline of the present disclosure. ⁇ Generation of Temporary Prediction Model>, ⁇ Generation of Correction Model>, and ⁇ Operation of Temporary Prediction Model + Correction Model> will be described below in this order.
  • the equipment is an air conditioner.
  • model A is a new model and model B is an old model.
  • the provisional prediction model generation device 600 generates the provisional prediction model 10 . Specifically, the provisional prediction model generation device 600 performs machine learning using the teacher data (specifically, machine learning is performed by associating the operation data and the operating state of the device of model B) to perform provisional prediction. A model (that is, model B) 10 is generated.
  • a correction model generation device 400 generates the correction model 20 .
  • the correction model 20 is a model for correcting the predicted value of the driving state.
  • the correction model generation device 400 inputs the operation data of the equipment of the model A to the provisional prediction model (that is, the model of the model B) 10 and outputs the operating state, thereby making the operation of the equipment of the model A Get the predicted value of the state.
  • the correction model generation device 400 acquires the actual measurement value of the operating state of the device of model A (specifically, the operating state calculated from the operating data of the device of model A).
  • the correction model generation device 400 generates the correction model 20 by performing machine learning by associating the predicted value of the operating state of the equipment of the model A with the measured value of the operating state of the equipment of the model A (it should be noted that , machine learning may be performed by associating the predicted value of the operating state of the device of model A, the operating data of the device of model A, and the measured value of the operating state of the device of model A).
  • the operating data of the model A required to generate the correction model may be short-term operating data instead of the long-term operating data required to create the prediction model of the normal model A. For example, operational data acquired in a test room during development of model A, test run data during installation, and the like can be used.
  • the prediction device 500 predicts the operating state from the operating data of the model A equipment.
  • the prediction device 500 inputs the operation data of the equipment of the model A to the provisional prediction model (that is, the model of the model B) 10 and outputs the operation state, thereby predicting the operation state of the equipment of the model A. Get the predicted value.
  • the prediction device 500 acquires the corrected predicted value of the operating state of the device of model A by inputting the predicted value of the operating state of the device of model A into the correction model 20 and outputting the corrected predicted value of the operating state. (Note that the predicted value of the operating state of the device of model A and the operating data of the device of model A may be input to the correction model 20 to obtain the corrected predicted value of the operating state of the device of model A).
  • a correction model is generated using a small amount of operation data of equipment of model A (for example, a new model), and by using this correction model and a provisional prediction model based on model B (for example, an old model), the model The operating state can be predicted from the operating data of the equipment of model A without creating a prediction model dedicated to A.
  • FIG. 2 is an example of the overall configuration of the present disclosure.
  • the prediction device 500 may be implemented on a computer installed in the same building or the like as the air conditioning system 100 .
  • the correction model generation device 400 may be implemented on a cloud server separate from the air conditioning system 100 and the prediction device 500 .
  • the prediction device 500 may be implemented as part of the air conditioning system 100 (for example, installed in the outdoor unit 200 or the indoor unit 300). Moreover, the correction model generation device 400 may be implemented on a cloud server separate from the air conditioning system 100 and the prediction device 500 .
  • the correction model generation device 400 and the prediction device 500 may be implemented on a cloud server remote from the air conditioning system 100. Note that the correction model generation device 400 and the prediction device 500 may be implemented as one device.
  • the correction model generation device 400 and the prediction device 500 may be implemented on a computer installed in the same building or the like as the air conditioning system 100. Note that the correction model generation device 400 and the prediction device 500 may be implemented as one device.
  • the correction model generation device 400 and the prediction device 500 may be implemented as part of the air conditioning system 100 (for example, installed in the outdoor unit 200 or the indoor unit 300). Note that the correction model generation device 400 and the prediction device 500 may be implemented as one device.
  • the air conditioning system 100 may be any air conditioning system such as a multi air conditioner such as a multi air conditioner for buildings, a central air conditioning system using a chiller as a heat source, an air conditioner for stores/offices, and a room air conditioner. Besides, it may be a refrigerating/freezing system.
  • the air conditioning system 100 can have multiple indoor units 300 .
  • the plurality of indoor units 300 may include indoor units with different performance, may include indoor units with the same performance, or may include indoor units that are not in operation.
  • FIG. 3 is a hardware configuration diagram of an air conditioning system (for cooling operation) 100 according to an embodiment of the present disclosure.
  • the air conditioning system 100 has an outdoor unit 200 and one or more indoor units 300 .
  • the outdoor heat exchanger 201, the outdoor unit main expansion valve 205, the subcooling heat exchanger 203, the indoor heat exchanger expansion valve 302, the four-way switching valve 206, and the indoor heat exchanger 301 , and the compressor 202 are connected by a refrigerant pipe to form a main refrigerant circuit.
  • the four-way switching valve 206 has a flow path set so as to supply the discharge gas of the compressor 202 to the outdoor heat exchanger 201 .
  • the supercooling heat exchanger expansion valve 204 is further connected to the bypass pipe connected from the pipe between the outdoor heat exchanger 201 and the supercooling heat exchanger 203 to the suction side pipe of the compressor 202. is provided.
  • the supercooling heat exchanger 203 includes a supercooling heat exchanger expansion valve 204 provided in a bypass pipe connected between the outdoor heat exchanger 201 and the supercooling heat exchanger 203 to the suction side pipe of the compressor 202. is a heat exchanger that exchanges heat between the refrigerant that has passed through and the refrigerant in the main refrigerant circuit. Note that the bypass example in FIG. 3 is an example.
  • the outdoor unit 200 has various sensors (temperature sensors (eg, thermistors) (1), (3), (4), (6), (7), pressure sensors (2), (5), etc.).
  • the indoor unit 300 On the indoor unit 300 side, an indoor heat exchanger 301 and an indoor heat exchanger expansion valve 302 are connected to pipes.
  • the indoor unit 300 has various sensors (temperature sensors (eg, thermistors) (8), (9), etc.).
  • FIG. 4 is a hardware configuration diagram of an air conditioning system (for heating operation) 100 according to an embodiment of the present disclosure.
  • the air conditioning system 100 has an outdoor unit 200 and one or more indoor units 300 .
  • an outdoor heat exchanger 201 In the example of FIG. 4, an outdoor heat exchanger 201, a compressor 202, a four-way switching valve 206, an indoor heat exchanger 301, an indoor heat exchanger expansion valve 302, a subcooling heat exchanger 203, and an outdoor
  • the machine main expansion valve 205 is connected by a refrigerant pipe to form a main refrigerant circuit.
  • the four-way switching valve 206 has a flow path set so as to supply the discharge gas of the compressor 202 to the indoor heat exchanger 301 .
  • the outdoor unit 200 has various sensors (temperature sensors (eg, thermistors) (1), (3), (4), (6), (7), pressure sensors (2), (5), etc.).
  • the indoor unit 300 On the indoor unit 300 side, an indoor heat exchanger 301 and an indoor heat exchanger expansion valve 302 are connected to pipes.
  • the indoor unit 300 has various sensors (temperature sensors (eg, thermistors) (8), (9), etc.).
  • FIG. 5 is a hardware configuration diagram of an air conditioning system (for simultaneous cooling and heating operation) 100 according to an embodiment of the present disclosure.
  • FIG. 5 shows an example of cooling-dominant operation, in which indoor unit 300-1 is operated in heating mode and indoor unit 300-2 is operated in cooling mode.
  • the outdoor heat exchanger 201-1 functions as a condenser
  • the outdoor heat exchanger 201-2 functions as an evaporator.
  • FIG. 6 is a hardware configuration diagram of a correction model generation device 400, a prediction device 500, and a provisional prediction model generation device 600 according to an embodiment of the present disclosure.
  • the correction model generation device 400, the prediction device 500, and the provisional prediction model generation device 600 have a CPU (Central Processing Unit) 1, a ROM (Read Only Memory) 2, and a RAM (Random Access Memory) 3.
  • CPU1, ROM2, and RAM3 form a so-called computer.
  • correction model generation device 400, the prediction device 500, and the provisional prediction model generation device 600 can have an auxiliary storage device 4, a display device 5, an operation device 6, and an I/F (Interface) device 7.
  • the hardware of the correction model generating device 400 , the prediction device 500 , and the provisional prediction model generating device 600 are interconnected via a bus 8 .
  • the CPU 1 is a computing device that executes various programs installed in the auxiliary storage device 4.
  • ROM2 is a non-volatile memory.
  • the ROM 2 functions as a main storage device for storing various programs, data, etc. necessary for the CPU 1 to execute various programs installed in the auxiliary storage device 4 .
  • the ROM 2 functions as a main storage device that stores boot programs such as BIOS (Basic Input/Output System) and EFI (Extensible Firmware Interface).
  • BIOS Basic Input/Output System
  • EFI Extensible Firmware Interface
  • the RAM 3 is a volatile memory such as DRAM (Dynamic Random Access Memory) or SRAM (Static Random Access Memory).
  • the RAM 3 functions as a main storage device that provides a work area to be expanded when various programs installed in the auxiliary storage device 4 are executed by the CPU 1 .
  • the auxiliary storage device 4 is an auxiliary storage device that stores various programs and information used when various programs are executed.
  • the display device 5 is a display device that displays the internal states of the correction model generation device 400, the prediction device 500, and the temporary prediction model generation device 600.
  • the operation device 6 is an input for the administrator of the correction model generation device 400, the prediction device 500, and the provisional prediction model generation device 600 to input various instructions to the correction model generation device 400, the prediction device 500, and the provisional prediction model generation device 600. Device.
  • the I/F device 7 is a communication device for connecting to various sensors and networks and communicating with other terminals.
  • FIG. 7 is a functional block diagram of the correction model generation device 400 according to one embodiment of the present disclosure.
  • correction model generation device 400 includes learning section (correction model generation section) 401 , predicted value acquisition section 402 , and measured value acquisition section 403 . Further, the correction model generation device 400 functions as a learning unit (correction model generation unit) 401, a predicted value acquisition unit 402, and an actual value acquisition unit 403 by executing programs. Each of these will be described below.
  • the predicted value acquisition unit 402 acquires the operating data of the model A equipment. In addition, the predicted value acquisition unit 402 inputs the operation data of the equipment of the model A to the provisional prediction model (that is, the model of the model B) 10, and causes the predicted value of the operating state to be output.
  • the provisional prediction model that is, the model of the model B
  • the measured value acquisition unit 403 acquires the measured value of the operating state of the device of model A (that is, the operating state calculated from the operating data of the device of model A). Note that the measured value acquisition unit 403 can calculate the operating state from the operating data of the model A device.
  • a learning unit (correction model generation unit (an example of a correction unit)) 401 generates the correction model 20 .
  • the learning unit (correction model generation unit) 401 calculates the predicted value of the operating state of the device of model A obtained by the predicted value obtaining unit 402 and the operating state of the device of model A obtained by the measured value obtaining unit 403.
  • the correction model 20 is generated by associating the measured values of the state with the machine learning.
  • FIG. 8 is a functional block diagram of the prediction device 500 according to one embodiment of the present disclosure.
  • prediction device 500 includes prediction section 501 , driving data acquisition section 502 , and output section 503 .
  • the prediction device 500 also functions as a prediction unit 501, an operation data acquisition unit 502, and an output unit 503 by executing programs. Each of these will be described below.
  • the operating data acquisition unit 502 acquires operating data (specifically, operating data of the device of model A).
  • the prediction unit 501 inputs the operation data of the equipment of model A acquired by the operation data acquisition unit 502 to the provisional prediction model (that is, the model of model B) 10, and outputs the operation state of the equipment of model A. Get the predicted value of the driving state of Further, the prediction unit 501 inputs the predicted value of the operating state of the equipment of model A to the correction model 20 and outputs the corrected predicted value of the operating state of the equipment of model A, thereby obtaining the corrected predicted value of the operating state of the equipment of model A. get.
  • the provisional prediction model that is, the model of model B
  • the output unit 503 outputs the corrected predicted value of the operating state of the model A device predicted by the prediction unit 501 .
  • the corrected predicted value of the operating state of the model A device is used to detect leakage of refrigerant from the device of model A, detect failure of the device of model A, and control the device of model A. can be used for
  • equipment operating data is Condensation temperature Evaporation temperature Condenser outlet temperature Evaporator outlet temperature Outside temperature Rotation speed of compressor 202 Opening of expansion valve 204 of subcooling heat exchanger At least current value of compressor 202 can include one.
  • the operating data of the device may be in addition to the above operating data (Example 1) or instead of the above operating data (Example 1).
  • ⁇ Opening degree of the indoor unit expansion valve 302 ⁇ Opening degree of the outdoor unit main expansion valve 205 ⁇ Total indoor unit rated capacity during operation or standby ⁇ Number of indoor units in operation ⁇ Indoor functional capacity (cooling or heating) ⁇ Indoor unit blow-out temperature ⁇ Room temperature ⁇ Outdoor unit liquid closing valve connecting pipe refrigerant temperature (connecting pipe liquid temperature detected by thermistor (4) in Figs.
  • the operating data for inferring the predicted value of the refrigerant amount index value during normal operation is in addition to the above operating data (Examples 1 and 2), or in addition to the above operating data (Examples 1 and 2). Instead to, - At least one of a defrost count and a defrost time can be included.
  • the operating state is Condensation temperature - outlet temperature of outdoor heat exchanger 201 (hereinafter also referred to as outdoor heat exchanger outlet supercooling degree.
  • the supercooling degree is also referred to as SC and subcooling)
  • Compressor intake superheat (the degree of superheat is also called SH or superheat) at least one of values based on compressor discharge superheat, outdoor heat exchanger outlet subcooling or compressor suction superheat or compressor discharge superheat.
  • the value based on the degree of supercooling at the outlet of the outdoor heat exchanger is a calculated value using the degree of supercooling at the outlet of the outdoor heat exchanger.
  • the value based on the outdoor heat exchanger outlet subcooling degree is a value defined from the refrigerant physical properties and the refrigeration cycle diagram (TS, Ph diagram).
  • the operating state in addition to the refrigerant amount index value (example 1), or instead of the outdoor heat exchanger outlet subcooling degree of the refrigerant amount index value (example 1), at least one of: a subcooling heat exchanger outlet subcooling degree; and a value based on a subcooling heat exchanger outlet subcooling degree.
  • Example 3 (for heating operation)
  • the operating state is replaced with the above operating state (Example 1 and Example 2), - at least one of an indoor heat exchanger outlet subcooling degree and a value based on the indoor heat exchanger outlet subcooling degree may be included.
  • the indoor heat exchanger outlet subcooling degree is at least one of the subcooling degrees of the plurality of indoor heat exchangers 301, the average of the subcooling degrees of the plurality of indoor heat exchangers 301, and the plurality of indoor heat exchangers 301 either the degree of subcooling at the indoor junction or the outdoor junction.
  • Example 4 In the case of simultaneous cooling and heating operation, in addition to the above operating conditions (at least one of Example 1 and Example 2), ⁇ Indoor heat exchanger (indoor heat exchanger 301 of heating indoor unit 300-1 in FIG. 5) outlet supercooling degree and outdoor heat exchanger (outdoor heat exchanger (condenser) 201-1 in FIG. 5) outlet supercooling It is a combination of degrees.
  • the equipment used to generate the correction model 20 is the same equipment of the same model as the equipment for prediction by the prediction device 500 .
  • the device used to generate the correction model 20 is one or a plurality of devices of the same model as the device for prediction by the prediction device 500 .
  • the devices used to generate the correction model 20 are the same device of the same model as the device for prediction by the prediction device 500, and one or more devices of the same model that are different.
  • the model of the device is a new model of the device that is a different model from the device. That is, the model A is a new model of the model B.
  • a device has similar functions to a device that is a different model from the device. That is, model A and model B have similar functions.
  • FIG. 9 is a flowchart of provisional prediction model generation processing according to an embodiment of the present disclosure.
  • the provisional prediction model generation device 600 acquires teacher data (operating data and operating state of equipment of model B). If the model B is an older model of the model A and a prediction model for the model B has already been created, the prediction model may be used as a temporary model and this process may be omitted.
  • step 12 (S12) the provisional predictive model generation device 600 performs machine learning using the teacher data acquired in S11 (specifically, machine learning by associating the operating data and the operating state of the equipment of model B). ) to generate a provisional prediction model (that is, model B model) 10 .
  • FIG. 10 is a flowchart of correction model generation processing according to an embodiment of the present disclosure.
  • the predicted value acquisition unit 402 acquires the operating data of the model A equipment.
  • step 22 the predicted value acquisition unit 402 inputs the operating data of the equipment of model A acquired in S21 to the provisional prediction model (that is, the model of model B) 10, and calculates the predicted value of the operating state. output.
  • step 23 (S23) the measured value acquisition unit 403 acquires the measured value of the operating state of the device of model A (that is, the operating state calculated from the operating data of the device of model A).
  • S21, S22, and S23 may be reversed, or may be performed simultaneously.
  • the learning unit (correction model generation unit) 401 generates the correction model 20. Specifically, the learning unit (correction model generation unit) 401 combines the predicted value of the operating state of the device of model A acquired in S22, the measured value of the operating state of the device of model A acquired in S23, are associated and machine-learned to generate the correction model 20 .
  • FIG. 11 is a flowchart of prediction processing according to an embodiment of the present disclosure.
  • the operating data acquisition unit 502 acquires operating data (specifically, operating data of the device of model A).
  • step 32 the prediction unit 501 inputs the operating data of the device of model A acquired in S31 to the provisional prediction model (that is, the model of model B) 10, and outputs the operating state. Acquire the predicted value of the operating state of the equipment of model A.
  • step 33 the prediction unit 501 inputs the predicted value of the operating state of the equipment of the model A acquired in S32 to the correction model 20, and outputs the corrected predicted value of the operating state. obtains the corrected predicted value of the operating state of the equipment.
  • step 34 (S34) the output unit 503 outputs the corrected predicted value of the operating state of the equipment of model A in S33.
  • the corrected predicted value of the operating state of the model A device is used to detect leakage of refrigerant from the device of model A, detect failure of the device of model A, and control the device of model A. can be used for
  • FIG. 12 is a diagram for explaining updating from a provisional prediction model and a correction model to a prediction model according to an embodiment of the present disclosure.
  • the prediction device 500 can include an updating unit 504 that updates the provisional prediction model 10 and the correction model 20 to the prediction model for the model A device. In this way, the prediction device 500 can create a prediction model for the model A device and replace it after the operation data of the model A device is sufficiently accumulated.
  • FIG. 13 is a diagram for explaining updating of a correction model according to an embodiment of the present disclosure.
  • the prediction device 500 can comprise an updater 504 that updates the correction model.
  • prediction device 500 can use the latest correction model.
  • the prediction device 500 can predict the difference between the predicted value of the operating state of the equipment and the measured value of the operating state of the equipment. A detailed description will be given with reference to FIG.
  • FIG. 14 is a diagram for explaining another embodiment of generating a correction model according to one embodiment of the present disclosure. ⁇ Generation of Temporary Prediction Model>, ⁇ Generation of Correction Model>, and ⁇ Operation of Temporary Prediction Model + Correction Model> will be described below in this order.
  • the provisional prediction model generation device 600 generates the provisional prediction model 10 . Specifically, the provisional prediction model generation device 600 performs machine learning using the teacher data (specifically, machine learning is performed by associating the operating data of the device B with the operating state) to generate the provisional prediction model ( That is, the model 10 of the device B is generated.
  • a correction model generation device 400 generates the correction model 20 .
  • the correction model 20 is a model that predicts the difference between the predicted value of the operating state of the provisional prediction model 10 and the actually measured value of the operating state.
  • the correction model generation device 400 acquires the predicted value of the operating state of the device A by inputting the operating data of the device A into the provisional prediction model (that is, the model of the device B) 10 . Further, the correction model generation device 400 acquires the measured value of the operating state of the device A (specifically, the operating state calculated from the operating data of the device A). Also, the correction model generation device 400 acquires the operation data of the device A. FIG. Then, the correction model generation device 400 generates the correction model 20 by performing machine learning by associating the predicted value of the operating state of the device A, the measured value of the operating state of the device A, and the operating data of the device A. do.
  • the prediction device 500 predicts the operating state from the operating data of the device A.
  • the prediction device 500 acquires the predicted value of the operating state of the device A by inputting the operating data of the device A into the provisional prediction model (that is, the model of the device B) 10 .
  • the prediction device 500 inputs the operating data of the device A to the correction model 20 to acquire the predicted value of the difference between the predicted value of the operating state of the device A and the measured value.
  • the prediction device 500 obtains the corrected predicted value of the operating state based on the predicted value of the operating state of the device A and the predicted value of the difference between the predicted value of the operating state of the device A and the actual measurement value. do.
  • Embodiments 2 and 3 will be described below. Note that the description of the same content as in the first embodiment is omitted.
  • the correcting device 410 can correct the threshold value for determining the abnormality of the device using the predicted value of the operating state of the device predicted using the provisional prediction model. A detailed description will be given with reference to FIG.
  • FIG. 15 is a diagram for explaining correction of a threshold value for abnormality determination according to an embodiment of the present disclosure. ⁇ Generation of Temporary Prediction Model and Calculation of Threshold>, ⁇ Correction of Abnormality Determination Threshold>, and ⁇ Operation with Temporary Prediction Model + Correction Threshold> will be described below in this order.
  • the provisional prediction model generation device 600 generates the provisional prediction model 10 . Specifically, the provisional prediction model generation device 600 performs machine learning using the teacher data (specifically, machine learning is performed by associating the operating data of the device B with the operating state) to generate the provisional prediction model ( That is, the model 10 of the device B is generated.
  • the predicted value of the operating state of the device B (specifically, the operating state is output by inputting the operating data of the device B into the provisional prediction model 10) and the measured value of the operating state of the device B (specifically, is the operating state calculated from the operating data of the device B), and the threshold of the device B (assumed to be ⁇ _B) is calculated.
  • the threshold of the device B (assumed to be ⁇ _B) is calculated.
  • correction device 410 corrects the threshold.
  • the provisional prediction model that is, the model of the device B
  • the abnormality determination device 510 determines abnormality from the operation data of the device A.
  • FIG. Specifically, the abnormality determination device 510 determines the ⁇ operating state quantity of the device A ( measured value of the operating state quantity of the device A ⁇ predicted value of the operating state quantity of the device A by the provisional prediction model 10), A threshold value ( ⁇ _A) is compared to determine an abnormality (for example, leakage of refrigerant from device A, failure of device A).
  • the correction device can correct the control gain when controlling the equipment using the predicted value of the operating state of the equipment predicted using the temporary prediction model. A detailed description will be given with reference to FIG.
  • FIG. 16 is a diagram for explaining correction of a control gain for controlling a device according to an embodiment of the present disclosure. ⁇ Generation of Temporary Prediction Model and Calculation of Control Gain>, ⁇ Addition of Correction Control Gain>, and ⁇ Operation with Temporary Prediction Model + Correction Control Gain> will be described below in this order.
  • the provisional prediction model generation device 600 generates the provisional prediction model 10 . Specifically, the provisional prediction model generation device 600 performs machine learning using the teacher data (specifically, machine learning is performed by associating the operating data of the device B with the operating state) to generate the provisional prediction model ( That is, the model 10 of the device B is generated.
  • control gain of device B (output of device B (actually measured value of operating state)/input of device B (actually measured value of operating data)) is calculated.
  • the control gain of device B is assumed to be "K_B".
  • correction device 410 calculates a correction control gain to be added.
  • the correction control gain (correction coefficient for the output of the provisional prediction model (that is, the model of device B) 10) is assumed to be "K_c".
  • the correction control gain (K_c) is "the output of the device A (measured value of the operating state)/the output of the provisional prediction model (that is, the model of the device B) 10 (predicted value of the operating state)" for the same input. Therefore, the predicted value of the output of device A can be calculated as K_c ⁇ the output of the provisional prediction model (that is, the model of device B) 10 .
  • Device control device 520 uses provisional prediction model (that is, model of device B) 10 and correction control gain (K_c) that is a correction coefficient for the output of provisional prediction model (that is, model of device B) 10 to control device A to control. Specifically, device control device 520 controls the output of device A (measured value of operating state) to approach the target value. In this embodiment, a gain for correcting the output of the provisional prediction model (that is, the model of device B) 10 is added, but a gain for correcting the control gain K_B of device B may be added.

Abstract

学習用の運転データがないときに、運転データから運転状態を予測することを目的とする。本開示の一実施形態に係る装置は、機器の運転データから予測された運転状態の予測値に関する補正をする装置であって、前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルと、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値に関する補正をする補正部と、を備える。

Description

補正装置、予測装置、方法、プログラム、および補正モデル
　本開示は、補正装置、予測装置、方法、プログラム、および補正モデルに関する。
　従来、機械学習により作成された予測モデルを用いて、空気調和機等の機器の運転データから該機器の運転状態を予測して、該機器の運転制御や故障診断を行うシステムが知られている（特許文献１）。
特開２０２０－１０９５８１号公報
　しかしながら、機器の新発売やモデルチェンジの際には、学習用の運転データがない。そのため、機器発売時に予測値を用いた機能を実現するためには、機器発売前に学習用のデータを収集する必要がある。
　フィールド試験でデータを収集する場合には、想定される全ての運転条件を網羅するためには長期の試験が必要である。試験室で運転条件を設定した試験を実施してデータを収集する場合には、試験工数が膨大になる。機器の発売後に市場での運転データを取得する場合には、十分なデータを収集して信頼性の高い予測モデルを作成するまで予測値を用いた機能が利用できない。
　本開示では、学習用の運転データがないときに、運転データから運転状態を予測することを目的とする。
　本開示の第１の態様による装置は、
　機器の運転データから予測された運転状態の予測値に関する補正をする装置であって、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルと、
　前記仮予測モデルを用いて予測された前記機器の運転状態の予測値に関する補正をする補正部と
　を備える。
　本開示の第１の態様によれば、学習用の運転データがないときに、運転データから運転状態を予測することができる。
　本開示の第２の態様による装置は、第１の態様に記載の装置であって、
　前記補正部は、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルを生成する。
　本開示の第２の態様によれば、予測モデル作成のための学習用の運転データがないときに、運転データから別の機器の予測モデルを仮予測モデルとして流用して運転状態を予測するための補正モデルを生成することができる。
　本開示の第３の態様による装置は、第２の態様に記載の装置であって、
　前記仮予測モデルに前記機器の運転データを入力して前記機器の運転状態を出力することによって、前記機器の運転状態の予測値を取得する取得部と、
　前記機器の運転状態の実測値を取得する取得部と、をさらに備え、
　前記補正部は、前記機器の運転状態の予測値と、前記機器の運転状態の実測値と、を関連付けて機械学習する。
　本開示の第３の態様によれば、機器の運転状態の予測値と該機器の運転状態の実測値とを関連付けて機械学習した補正モデルを生成することができる。
　本開示の第４の態様による装置は、
　機器の運転データを取得する運転データ取得部と、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルと、
　前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルと、
　前記仮予測モデルを用いて、前記機器の運転データから前記機器の運転状態の予測値を予測し、前記補正モデルを用いて、前記機器の運転状態の予測値から前記機器の運転状態の補正予測値を予測する予測部と
　を備える。
　本開示の第４の態様によれば、予測モデル作成のための学習用の運転データがないときに、運転データから別の機器の予測モデルを仮予測モデルとして流用して運転状態を予測することができる。
　本開示の第５の態様による装置は、第４の態様に記載の装置であって、
　前記予測部は、
　前記仮予測モデルに前記機器の運転データを入力して前記機器の運転状態を出力することによって、前記機器の運転状態の予測値を取得し、
　前記補正モデルに前記機器の運転状態の予測値を入力して前記機器の運転状態の補正予測値を出力することによって、前記機器の運転状態の補正予測値を取得する。
　本開示の第５の態様によれば、運転データから運転状態を予測し、該運転状態から補正予測値を予測することができる。
　本開示の第６の態様による装置は、第５の態様に記載の装置であって、
　前記予測部は、
　　前記補正モデルに前記機器の運転状態の予測値とともに前記機器の運転データをさらに入力する。
　本開示の第６の態様によれば、予測の精度を向上させることができる。
　本開示の第７の態様による装置は、第４から６のいずれかの態様に記載の装置であって、
　前記補正モデルを生成するために用いられる機器は、前記予測部が予測するための機器と同一の機種の同一の機器である。
　本開示の第７の態様によれば、同一の機器により生成された補正モデルを用いて、運転データから運転状態を予測することができる。
　本開示の第８の態様による装置は、第４から６のいずれかの態様に記載の装置であって、
　前記補正モデルを生成するために用いられる機器は、前記予測部が予測するための機器と同一の機種の異なる１つまたは複数の機器である。
　本開示の第８の態様によれば、同一の機種の異なる機器から取得した運転データを用いて補正モデルを作成するため、補正モデル作成に使用するデータ量が多く、補正モデルの補正精度の向上が期待できる。
　本開示の第９の態様による装置は、第４から６のいずれかの態様に記載の装置であって、
　前記補正モデルを生成するために用いられる機器は、前記予測部が予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である。
　本開示の第９の態様によれば、同一の機器および異なる機器から取得した運転データを用いて補正モデルを作成するため、補正モデル作成に使用するデータ量が多く、さらに同一の機器の運転データも使用するので、補正モデルの補正精度の向上が期待できる。
　本開示の第１０の態様による装置は、第４から９のいずれかの態様に記載の装置であって、
　前記仮予測モデルと前記補正モデルとを、前記機器の予測モデルに更新する更新部をさらに備える。
　本開示の第１０の態様によれば、運転データが十分に蓄積された後に機器の予測モデルを作成して置き換えることができる。
　本開示の第１１の態様による装置は、第４から９のいずれかの態様に記載の装置であって、
　前記補正モデルを更新する更新部をさらに備える。
　本開示の第１１の態様によれば、最新の補正モデルを用いることができる。
　本開示の第１２の態様による装置は、第１から１１のいずれかの態様に記載の装置であって、
　前記機器の機種は、前記機器とは異なる機種である機器の新機種である。
　本開示の第１２の態様によれば、旧機種により生成された補正モデルを用いて、新機種の運転データから運転状態を予測することができる。
　本開示の第１３の態様による装置は、第１から１１のいずれかの態様に記載の装置であって、
　前記機器は、前記機器とは異なる機種である機器と類似する機能を有する。
　本開示の第１３の態様によれば、異なる機種であるが類似する機能を有する機器により生成された補正モデルを用いて、運転データから運転状態を予測することができる。
　本開示の第１４の態様による装置は、第１から１３のいずれかの態様に記載の装置であって、
　前記機器は、空気調和機である。
　本開示の第１４の態様によれば、空気調和機の運転データから該空気調和機の運転状態を予測することができる。
　本開示の第１５の態様による装置は、第１から１４のいずれかの態様に記載の装置であって、
　前記運転状態は、前記機器の冷媒の漏洩と、前記機器の故障と、前記機器の制御と、のうちの少なくとも１つのために用いられる。
　本開示の第１５の態様によれば、学習用の運転データがないときに、機器の運転データから、冷媒の漏洩を検知したり、機器の故障を検知したり、機器を制御したりすることができる。
　本開示の第１６の態様による装置は、第４の態様に記載の装置であって、
　前記予測部は、
　前記機器の運転状態の予測値と、前記機器の運転状態の実測値と、の差を予測する。
　本開示の第１６の態様によれば、予測値と実測値との差から補正予測値を予測することができる。
　本開示の第１７の態様による装置は、第１の態様に記載の装置であって、
　前記補正部は、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を用いて異常判定する際の閾値を補正する。
　本開示の第１７の態様によれば、異常判定の閾値を補正することができる。
　本開示の第１８の態様による装置は、第１の態様に記載の装置であって、
　前記補正部は、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を用いて制御する際の制御ゲインを補正する。
　本開示の第１８の態様によれば、機器の制御の制御ゲインを補正することができる。
　本開示の第１９の態様による方法は、
　機器の運転データから予測された運転状態の予測値に関する補正をする方法であって、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルを用いて予測された、前記機器の運転状態の予測値に関する補正をするステップ
　を含む。
　本開示の第２０の態様によるプログラムは、
　機器の運転データから予測された運転状態の予測値に関する補正をするコンピュータを、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルを用いて予測された、前記機器の運転状態の予測値に関する補正をする補正モデル生成部
　として機能させる。
　本開示の第２１の態様による方法は、
　機器の運転データを取得するステップと、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデル、および、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルを用いて、前記機器の運転データから、前記機器の運転状態の予測値が補正された補正予測値を予測するステップと
　を含む。
　本開示の第２２の態様によるプログラムは、
　コンピュータを
　機器の運転データを取得する運転データ取得部、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデル、および、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルを用いて、前記機器の運転データから、前記機器の運転状態の予測値が補正された補正予測値を予測する予測部
　として機能させる。
　本開示の第２３の態様による補正モデルは、
　機器の運転データから予測された運転状態の予測値を補正する補正モデルであって、
　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルを用いて予測された、前記機器の運転状態の予測値を補正するよう、コンピュータを機能させる。
本開示の概略を説明するための図である。 本開示の全体の構成例である。 本開示の一実施形態に係る空気調和システム（冷房運転の場合）のハードウェア構成図である。 本開示の一実施形態に係る空気調和システム（暖房運転の場合）のハードウェア構成図である。 本開示の一実施形態に係る空気調和システム（冷暖同時運転の場合）のハードウェア構成図である。 本開示の一実施形態に係る補正モデル生成装置、予測装置、仮予測モデル生成装置のハードウェア構成図である。 本開示の一実施形態に係る補正モデル生成装置の機能ブロック図である。 本開示の一実施形態に係る予測装置の機能ブロック図である。 本開示の一実施形態に係る仮予測モデル生成処理のフローチャートである。 本開示の一実施形態に係る補正モデル生成処理のフローチャートである。 本開示の一実施形態に係る予測処理のフローチャートである。 本開示の一実施形態に係る仮予測モデルおよび補正モデルから予測モデルへの更新について説明するための図である。 本開示の一実施形態に係る補正モデルの更新について説明するための図である。 本開示の一実施形態に係る補正モデルの生成の別の実施形態を説明するための図である。 本開示の一実施形態に係る異常判定の閾値の補正について説明するための図である。 本開示の一実施形態に係る機器の制御の制御ゲインの補正について説明するための図である。
　以下、図面に基づいて本開示の実施の形態を説明する。
　以下、機器の運転データから予測された運転状態の予測値に関する補正をする装置（以下、補正装置ともいう）について説明する。補正装置は、機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルと、仮予測モデルを用いて予測された機器の運転状態の予測値に関する補正をする補正部と、を備える。
　具体的には、補正装置は、仮予測モデルを用いて予測された機器の運転状態の予測値を補正する補正モデルを生成することができる（実施形態１）。また、補正装置は、仮予測モデルを用いて予測された機器の運転状態の予測値を用いて異常判定する際の閾値を補正することができる（実施形態２）。また、補正装置は、仮予測モデルを用いて予測された機器の運転状態の予測値を用いて制御する際の制御ゲインを補正することができる（実施形態３）。
［実施形態１］
＜概略＞
　図１は、本開示の概略を説明するための図である。以下、＜仮予測モデルの生成＞、＜補正モデルの生成＞、＜仮予測モデル＋補正モデルでの運用＞の順に説明する。例えば、機器は、空気調和機である。例えば、機種Ａが新機種、機種Ｂが旧機種である。
＜仮予測モデルの生成＞
　まず、仮予測モデル生成装置６００が、仮予測モデル１０を生成する。具体的には、仮予測モデル生成装置６００は、教師データを用いて機械学習する（具体的には、機種Ｂの機器の運転データと運転状態とを関連付けて機械学習する）ことによって、仮予測モデル（つまり、機種Ｂのモデル）１０を生成する。
＜補正モデルの生成＞
　次に、補正モデル生成装置（補正装置の一例である）４００が、補正モデル２０を生成する。補正モデル２０は、運転状態の予測値を補正するモデルである。
　具体的には、補正モデル生成装置４００は、仮予測モデル（つまり、機種Ｂのモデル）１０に機種Ａの機器の運転データを入力して運転状態を出力することによって、機種Ａの機器の運転状態の予測値を取得する。また、補正モデル生成装置４００は、機種Ａの機器の運転状態の実測値（具体的には、機種Ａの機器の運転データから算出された運転状態）を取得する。そして、補正モデル生成装置４００は、機種Ａの機器の運転状態の予測値と、機種Ａの機器の運転状態の実測値と、を関連付けて機械学習することによって、補正モデル２０を生成する（なお、機種Ａの機器の運転状態の予測値および機種Ａの機器の運転データと、機種Ａの機器の運転状態の実測値と、を関連付けて機械学習してもよい）。この場合、補正モデルを生成するために必要な機種Ａの運転データは、通常機種Ａの予測モデルを作成するために必要な長期間の運転データではなく、短期間の運転データでよい。例えば、機種Ａの開発時に試験室で取得した運転データや据付時の試運転データ等が使用できる。
＜仮予測モデル＋補正モデルでの運用＞
　その後、機種Ａの機器の運用が開始される。予測装置５００は、機種Ａの機器の運転データから運転状態を予測する。
　具体的には、予測装置５００は、仮予測モデル（つまり、機種Ｂのモデル）１０に機種Ａの機器の運転データを入力して運転状態を出力することによって、機種Ａの機器の運転状態の予測値を取得する。また、予測装置５００は、補正モデル２０に機種Ａの機器の運転状態の予測値を入力して運転状態の補正予測値を出力することによって、機種Ａの機器の運転状態の補正予測値を取得する（なお、機種Ａの機器の運転状態の予測値および機種Ａの機器の運転データを補正モデル２０に入力して、機種Ａの機器の運転状態の補正予測値を取得してもよい）。
　このように、少量の機種Ａ（例えば、新機種）の機器の運転データを用いて補正モデルを生成し、この補正モデルと機種Ｂ（例えば、旧機種）による仮予測モデルを用いることで、機種Ａ専用の予測モデルを作成せずに、機種Ａの機器の運転データから運転状態を予測することができる。
＜全体の構成例＞
　図２は、本開示の全体の構成例である。
　＜実施例１＞に示されるように、予測装置５００は、空気調和システム１００と同一の建物等内に設置されたコンピュータ上で実装されてもよい。また、補正モデル生成装置４００は、空気調和システム１００および予測装置５００から離れたクラウドサーバ上で実装されてもよい。
　＜実施例２＞に示されるように、予測装置５００は、空気調和システム１００の一部として実装（例えば、室外機２００または室内機３００内に設置）されてもよい。また、補正モデル生成装置４００は、空気調和システム１００および予測装置５００から離れたクラウドサーバ上で実装されてもよい。
　＜実施例３＞に示されるように、補正モデル生成装置４００および予測装置５００は、空気調和システム１００から離れたクラウドサーバ上で実装されてもよい。なお、補正モデル生成装置４００と予測装置５００は１つの装置で実装されてもよい。
　＜実施例４＞に示されるように、補正モデル生成装置４００および予測装置５００は、空気調和システム１００と同一の建物等内に設置されたコンピュータ上で実装されてもよい。なお、補正モデル生成装置４００と予測装置５００は１つの装置で実装されてもよい。
　＜実施例５＞に示されるように、補正モデル生成装置４００および予測装置５００は、空気調和システム１００の一部として実装（例えば、室外機２００または室内機３００内に設置）されてもよい。なお、補正モデル生成装置４００と予測装置５００は１つの装置で実装されてもよい。
　図３～図５を参照しながら、空気調和システム１００のハードウェア構成を説明する。なお、空気調和システム１００は、ビル用マルチエアコン等のマルチエアコン、チラーを熱源とするセントラル空調システム、店舗・オフィス用エアコン、ルームエアコン等の任意の空気調和システムであってもよいし、冷暖房用途以外のみならず冷蔵・冷凍システムであってもよい。空気調和システム１００は、複数の室内機３００を有することができる。複数の室内機３００は、異なる性能の室内機を含んでいてもよいし、同一の性能の室内機を含んでいてもよいし、停止中の室内機を含んでいてもよい。
＜空気調和システムのハードウェア構成（冷房運転の場合）＞
　図３は、本開示の一実施形態に係る空気調和システム（冷房運転の場合）１００のハードウェア構成図である。空気調和システム１００は、室外機２００および１または複数の室内機３００を有する。
　図３の例では、室外熱交換器２０１と、室外機主膨張弁２０５と、過冷却熱交換器２０３と、室内熱交換器膨張弁３０２と、四路切替弁２０６と、室内熱交換器３０１と、圧縮機２０２とが、冷媒配管で接続され主冷媒回路を構成している。四路切替弁２０６は、圧縮機２０２の吐出ガスを室外熱交換器２０１に供給するように流路が設定される。図３の例では、さらに、室外熱交換器２０１と過冷却熱交換器２０３との間の配管から圧縮機２０２の吸入側の配管に接続されたバイパス配管に、過冷却熱交換器膨張弁２０４が設けられている。過冷却熱交換器２０３は、室外熱交換器２０１と過冷却熱交換器２０３との間から圧縮機２０２の吸入側の配管に接続されたバイパス配管に設けられた過冷却熱交換器膨張弁２０４を通過した冷媒と主冷媒回路内の冷媒とを熱交換させる熱交換器である。なお、図３のバイパス例は一例である。
＜＜室外機＞＞
　室外機２００側では、室外熱交換器２０１と、圧縮機２０２と、過冷却熱交換器２０３と、過冷却熱交換器膨張弁（バイパス回路）２０４と、室外機主膨張弁（主冷媒回路）２０５とが配管に接続されている。室外機２００は、各種センサ（温度センサ（例えば、サーミスタ）（１）、（３）、（４）、（６）、（７）および圧力センサ（２）、（５）など）を有する。
＜＜室内機＞＞
　室内機３００側では、室内熱交換器３０１と、室内熱交換器膨張弁３０２とが配管に接続されている。室内機３００は、各種センサ（温度センサ（例えば、サーミスタ）（８）、（９）など）を有する。
＜空気調和システムのハードウェア構成（暖房運転の場合）＞
　図４は、本開示の一実施形態に係る空気調和システム（暖房運転の場合）１００のハードウェア構成図である。空気調和システム１００は、室外機２００および１または複数の室内機３００を有する。
　図４の例では、室外熱交換器２０１と、圧縮機２０２と、四路切替弁２０６と、室内熱交換器３０１と、室内熱交換器膨張弁３０２と、過冷却熱交換器２０３と、室外機主膨張弁２０５とが、冷媒配管で接続され主冷媒回路を構成している。四路切替弁２０６は、圧縮機２０２の吐出ガスを室内熱交換器３０１に供給するように流路が設定される。
＜＜室外機＞＞
　室外機２００側では、室外熱交換器２０１と、圧縮機２０２と、過冷却熱交換器２０３と、過冷却熱交換器膨張弁（バイパス回路）２０４と、室外機主膨張弁（主冷媒回路）２０５とが配管に接続されている。室外機２００は、各種センサ（温度センサ（例えば、サーミスタ）（１）、（３）、（４）、（６）、（７）および圧力センサ（２）、（５）など）を有する。
＜＜室内機＞＞
　室内機３００側では、室内熱交換器３０１と、室内熱交換器膨張弁３０２とが配管に接続されている。室内機３００は、各種センサ（温度センサ（例えば、サーミスタ）（８）、（９）など）を有する。
＜空気調和システムのハードウェア構成（冷暖同時運転の場合）＞
　本開示は、冷房運転、暖房運転に限らず、冷暖同時運転にも適用することができる。以下、図５を参照しながら、冷暖同時運転について説明する。
　図５は、本開示の一実施形態に係る空気調和システム（冷暖同時運転の場合）１００のハードウェア構成図である。空気調和システム１００は、２分割構造の室外熱交換器２０１－１と室外熱交換器２０１－２と、複数の室内機と、が３本の連絡配管で接続されており、冷暖同時運転が可能である。図５では、冷房主体運転の例を示しており、室内機３００－１が暖房モード、室内機３００－２が冷房モードで運転されている。この時、室外熱交換器２０１－１は凝縮器、室外熱交換器２０１－２は蒸発器として機能している。
＜補正モデル生成装置、予測装置、仮予測モデル生成装置のハードウェア構成＞
　図６は、本開示の一実施形態に係る補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００のハードウェア構成図である。
　補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００は、ＣＰＵ（Central Processing Unit）１、ＲＯＭ（Read Only Memory）２、ＲＡＭ（Random Access Memory）３を有する。ＣＰＵ１、ＲＯＭ２、ＲＡＭ３は、いわゆるコンピュータを形成する。
　また、補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００は、補助記憶装置４、表示装置５、操作装置６、Ｉ／Ｆ（Interface）装置７を有することができる。なお、補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００の各ハードウェアは、バス８を介して相互に接続されている。
　ＣＰＵ１は、補助記憶装置４にインストールされている各種プログラムを実行する演算デバイスである。
　ＲＯＭ２は、不揮発性メモリである。ＲＯＭ２は、補助記憶装置４にインストールされている各種プログラムをＣＰＵ１が実行するために必要な各種プログラム、データ等を格納する主記憶デバイスとして機能する。具体的には、ＲＯＭ２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する、主記憶デバイスとして機能する。
　ＲＡＭ３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ３は、補助記憶装置４にインストールされている各種プログラムがＣＰＵ１によって実行される際に展開される作業領域を提供する、主記憶デバイスとして機能する。
　補助記憶装置４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する補助記憶デバイスである。
　表示装置５は、補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００の内部状態等を表示する表示デバイスである。
　操作装置６は、補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００の管理者が補正モデル生成装置４００、予測装置５００、仮予測モデル生成装置６００に対して各種指示を入力する入力デバイスである。
　Ｉ／Ｆ装置７は、各種センサやネットワークに接続し、他の端末と通信を行うための通信デバイスである。
＜機能ブロック＞
　以下、図７を参照しながら補正モデル生成装置４００の機能ブロックについて説明し、図８を参照しながら予測装置５００の機能ブロックについて説明する。
　図７は、本開示の一実施形態に係る補正モデル生成装置４００の機能ブロック図である。図７に示されるように、補正モデル生成装置４００は、学習部（補正モデル生成部）４０１と、予測値取得部４０２と、実測値取得部４０３と、を備える。また、補正モデル生成装置４００は、プログラムを実行することによって、学習部（補正モデル生成部）４０１、予測値取得部４０２、実測値取得部４０３、として機能する。以下、それぞれについて説明する。
　予測値取得部４０２は、機種Ａの機器の運転データを取得する。また、予測値取得部４０２は、仮予測モデル（つまり、機種Ｂのモデル）１０に、機種Ａの機器の運転データを入力して、運転状態の予測値を出力させる。
　実測値取得部４０３は、機種Ａの機器の運転状態の実測値（つまり、機種Ａの機器の運転データから算出された運転状態）を取得する。なお、実測値取得部４０３は、機種Ａの機器の運転データから運転状態を算出することができる。
　学習部（補正モデル生成部（補正部の一例である））４０１は、補正モデル２０を生成する。具体的には、学習部（補正モデル生成部）４０１は、予測値取得部４０２が取得した機種Ａの機器の運転状態の予測値と、実測値取得部４０３が取得した機種Ａの機器の運転状態の実測値と、を関連付けて機械学習することによって、補正モデル２０を生成する。
　図８は、本開示の一実施形態に係る予測装置５００の機能ブロック図である。図８に示されるように、予測装置５００は、予測部５０１と、運転データ取得部５０２と、出力部５０３と、を備える。また、予測装置５００は、プログラムを実行することによって、予測部５０１、運転データ取得部５０２、出力部５０３、として機能する。以下、それぞれについて説明する。
　運転データ取得部５０２は、運転データ（具体的には、機種Ａの機器の運転データ）を取得する。
　予測部５０１は、運転データ取得部５０２が取得した機種Ａの機器の運転データを、仮予測モデル（つまり、機種Ｂのモデル）１０に入力して運転状態を出力することによって、機種Ａの機器の運転状態の予測値を取得する。また、予測部５０１は、機種Ａの機器の運転状態の予測値を、補正モデル２０に入力して運転状態の補正予測値を出力することによって、機種Ａの機器の運転状態の補正予測値を取得する。
　出力部５０３は、予測部５０１が予測した機種Ａの機器の運転状態の補正予測値を出力する。その後、この機種Ａの機器の運転状態の補正予測値は、機種Ａの機器の冷媒の漏洩を検知したり、機種Ａの機器の故障を検知したり、機種Ａの機器を制御したりするために用いられうる。
＜運転データの例＞
　ここで、機器の運転データの例を説明する。
（例１）
　例えば、機器の運転データは、
・凝縮温度
・蒸発温度
・凝縮器出口温度
・蒸発器出口温度
・外気温
・圧縮機２０２の回転数
・過冷却熱交換器の膨張弁２０４の開度
・圧縮機２０２の電流値
のうちの少なくとも１つを含むことができる。
（例２）
　例えば、機器の運転データは、上記の運転データ（例１）に加えて、あるいは、上記の運転データ（例１）に代えて、
・室内機膨張弁３０２の開度
・室外機主膨張弁２０５の開度
・運転中もしくは運転待機中の室内機定格能力の合計値
・室内機運転台数
・室内機能力（冷房または暖房）
・室内機吹き出し温度
・室温
・室外機液閉鎖弁接続配管冷媒温度（図３よび図４のサーミスタ（４）が検知する連絡配管液温）
・液連絡配管冷媒温度（室外機２００の外に取り付けられた外付けセンサが検知する室外機２００の外側の連絡配管での計測温度）
・室外機ファン風量
・室内機ファン風量
・室外機ファン回転数（ステップ、タップ）
・室内機ファン回転数（ステップ、タップ）
・室外機ファン電流値
・室内機ファン電流値
・冷媒循環量
・圧縮機２０２の吐出温度
・圧縮機２０２の吸入温度
・圧縮機２０２の吐出過熱度
・圧縮機２０２の吸入過熱度
・過冷却熱交換器２０３の出口過冷却度（過冷却熱交換器回路を有する場合）
・過冷却熱交換器２０３の出口過熱度（ガス管側）（過冷却熱交換器回路を有する場合）
・エコノマイザ出口過冷却度（エコノマイザ回路を有する場合）
・エコノマイザ用膨張弁の開度（エコノマイザ回路を有する場合）
・エコノマイザバイパス側出口圧力（エコノマイザ回路を有する場合）
・中間インジェクション用膨張弁の開度（中間インジェクション回路を有する場合）
・中間インジェクション温度（中間インジェクション回路を有する場合）
・中間インジェクション圧力（中間インジェクション回路を有する場合）
・蒸発器入口水温（熱源側と利用側との少なくとも一方が水冷式の場合）
・蒸発器出口水温（熱源側と利用側との少なくとも一方が水冷式の場合）
・凝縮器入口水温（熱源側と利用側との少なくとも一方が水冷式の場合）
・凝縮器出口水温（熱源側と利用側との少なくとも一方が水冷式の場合）
のうちの少なくとも１つを含むことができる。
（例３）
　例えば、正常時の冷媒量指標値の予測値を推論するための運転データは、上記の運転データ（例１および例２）に加えて、あるいは、上記の運転データ（例１および例２）に代えて、
・デフロスト回数と、デフロスト時間と、のうちの少なくとも１つを含むことができる。
＜運転状態の例＞
　ここで、機器の運転状態の例を説明する。
（例１（冷房運転の場合））
　例えば、運転状態は、
・凝縮温度－室外熱交換器２０１の出口温度（以下、室外熱交換器出口過冷却度ともいう。なお、過冷却度は、ＳＣ、サブクールとも呼ばれる）
・圧縮機の吸入過熱度（なお、過熱度は、ＳＨ、スーパーヒートとも呼ばれる）
・圧縮機の吐出過熱度
・室外熱交換器出口過冷却度または圧縮機の吸入過熱度または圧縮機の吐出過熱度に基づく値
のうちの少なくとも１つを含むことができる。
　例えば、室外熱交換器出口過冷却度に基づく値は、室外熱交換器出口過冷却度を利用した演算値である。例えば、室外熱交換器出口過冷却度を利用した演算値は、
・室外熱交換器出口過冷却度を利用した演算値＝室外熱交換器出口過冷却度／（凝縮温度－外気温）
である。
　例えば、室外熱交換器出口過冷却度に基づく値は、冷媒物性、冷凍サイクル線図（Ｔ－Ｓ、Ｐ－ｈ線図）から定義した値である。
（例２（冷房運転の場合））
　例えば、運転状態は、上記の冷媒量指標値（例１）に加えて、あるいは、上記の冷媒量指標値（例１）の室外熱交換器出口過冷却度に代えて、
・過冷却熱交換器出口過冷却度
・過冷却熱交換器出口過冷却度に基づく値
のうちの少なくとも１つを含むことができる。
（例３（暖房運転の場合））
　暖房運転の場合、運転状態は、上記の運転状態（例１および例２）に代えて、
・室内熱交換器出口過冷却度と、室内熱交換器出口過冷却度に基づく値と、のうちの少なくとも１つを含むことができる。室内熱交換器出口過冷却度は、複数の室内熱交換器３０１の過冷却度のうちの少なくとも１つと、複数の室内熱交換器３０１の過冷却度の平均と、複数の室内熱交換器３０１の室内側合流点または室外側合流点での過冷却度とのうちのいずれかである。
（例４（冷暖同時運転の場合））
　冷暖同時運転の場合、運転状態は、上記の運転状態（例１と例２との少なくとも一方）に加えて、
・室内熱交換器（図５の暖房室内機３００－１の室内熱交換器３０１）出口過冷却度と室外熱交換器（図５の室外熱交換器（凝縮器）２０１－１）出口過冷却度との組み合わせである。
＜機器の例＞
　以下、機器の例を説明する。
　例えば、補正モデル２０を生成するために用いられる機器は、予測装置５００が予測するための機器と同一の機種の同一の機器である。
　例えば、補正モデル２０を生成するために用いられる機器は、予測装置５００が予測するための機器と同一の機種の異なる１つまたは複数の機器である。
　例えば、補正モデル２０を生成するために用いられる機器は、予測装置５００が予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である。
　例えば、機器の機種は、機器とは異なる機種である機器の新機種である。つまり、機種Ａは、機種Ｂの新機種である。
　例えば、機器は、機器とは異なる機種である機器と類似する機能を有する。つまり、機種Ａと機種Ｂは、類似する機能を有する。
＜方法＞
　以下、図９を参照しながら仮予測モデル生成処理について説明し、図１０を参照しながら補正モデル生成処理について説明し、図１１を参照しながら予測処理について説明する。
　図９は、本開示の一実施形態に係る仮予測モデル生成処理のフローチャートである。
　ステップ１１（Ｓ１１）において、仮予測モデル生成装置６００は、教師データ（機種Ｂの機器の運転データおよび運転状態）を取得する。なお、機種Ｂが機種Ａの旧機種で、機種Ｂの予測モデルが既に作成されている場合は、その予測モデルを仮モデルとし、この処理を省略してもよい。
　ステップ１２（Ｓ１２）において、仮予測モデル生成装置６００は、Ｓ１１で取得された教師データを用いて機械学習する（具体的には、機種Ｂの機器の運転データと運転状態とを関連付けて機械学習する）ことによって、仮予測モデル（つまり、機種Ｂのモデル）１０を生成する。
　図１０は、本開示の一実施形態に係る補正モデル生成処理のフローチャートである。
　ステップ２１（Ｓ２１）において、予測値取得部４０２は、機種Ａの機器の運転データを取得する。
　ステップ２２（Ｓ２２）において、予測値取得部４０２は、仮予測モデル（つまり、機種Ｂのモデル）１０に、Ｓ２１で取得された機種Ａの機器の運転データを入力して、運転状態の予測値を出力させる。
　ステップ２３（Ｓ２３）において、実測値取得部４０３は、機種Ａの機器の運転状態の実測値（つまり、機種Ａの機器の運転データから算出された運転状態）を取得する。
　なお、Ｓ２１およびＳ２２と、Ｓ２３と、は、順序が逆であってもよいし、同時に行われてもよい。
　ステップ２４（Ｓ２４）において、学習部（補正モデル生成部）４０１は、補正モデル２０を生成する。具体的には、学習部（補正モデル生成部）４０１は、Ｓ２２で取得された機種Ａの機器の運転状態の予測値と、Ｓ２３で取得された機種Ａの機器の運転状態の実測値と、を関連付けて機械学習することによって、補正モデル２０を生成する。
　図１１は、本開示の一実施形態に係る予測処理のフローチャートである。
　ステップ３１（Ｓ３１）において、運転データ取得部５０２は、運転データ（具体的には、機種Ａの機器の運転データ）を取得する。
　ステップ３２（Ｓ３２）において、予測部５０１は、Ｓ３１で取得された機種Ａの機器の運転データを、仮予測モデル（つまり、機種Ｂのモデル）１０に入力して運転状態を出力することによって、機種Ａの機器の運転状態の予測値を取得する。
　ステップ３３（Ｓ３３）において、予測部５０１は、Ｓ３２で取得された機種Ａの機器の運転状態の予測値を、補正モデル２０に入力して運転状態の補正予測値を出力することによって、機種Ａの機器の運転状態の補正予測値を取得する。
　ステップ３４（Ｓ３４）において、出力部５０３は、Ｓ３３の機種Ａの機器の運転状態の補正予測値を出力する。その後、この機種Ａの機器の運転状態の補正予測値は、機種Ａの機器の冷媒の漏洩を検知したり、機種Ａの機器の故障を検知したり、機種Ａの機器を制御したりするために用いられうる。
＜＜“仮予測モデル＋補正モデル”から“予測モデル”への更新＞＞
　図１２は、本開示の一実施形態に係る仮予測モデルおよび補正モデルから予測モデルへの更新について説明するための図である。予測装置５００は、仮予測モデル１０と補正モデル２０とを、機種Ａの機器の予測モデルに更新する更新部５０４を備えることができる。このように、予測装置５００は、機種Ａの機器の運転データが十分に蓄積された後に、機種Ａの機器の予測モデルを作成して置き換えることができる。
＜＜補正モデルの更新＞＞
　図１３は、本開示の一実施形態に係る補正モデルの更新について説明するための図である。予測装置５００は、補正モデルを更新する更新部５０４を備えることができる。このように、予測装置５００は、最新の補正モデルを用いることができる。
＜補正モデルの生成例＞
　予測装置５００は、機器の運転状態の予測値と、機器の運転状態の実測値と、の差を予測することができる。図１４を参照しながら詳細に説明する。
　図１４は、本開示の一実施形態に係る補正モデルの生成の別の実施形態を説明するための図である。以下、＜仮予測モデルの生成＞、＜補正モデルの生成＞、＜仮予測モデル＋補正モデルでの運用＞の順に説明する。
＜仮予測モデルの生成＞
　まず、仮予測モデル生成装置６００が、仮予測モデル１０を生成する。具体的には、仮予測モデル生成装置６００は、教師データを用いて機械学習する（具体的には、機器Ｂの運転データと運転状態とを関連付けて機械学習する）ことによって、仮予測モデル（つまり、機器Ｂのモデル）１０を生成する。
＜補正モデルの生成＞
　次に、補正モデル生成装置（補正装置の一例である）４００が、補正モデル２０を生成する。補正モデル２０は、運転状態の仮予測モデル１０による予測値と、運転状態の実測値と、の差を予測するモデルである。
　具体的には、補正モデル生成装置４００は、仮予測モデル（つまり、機器Ｂのモデル）１０に機器Ａの運転データを入力することによって、機器Ａの運転状態の予測値を取得する。また、補正モデル生成装置４００は、機器Ａの運転状態の実測値（具体的には、機器Ａの運転データから算出された運転状態）を取得する。また、補正モデル生成装置４００は、機器Ａの運転データを取得する。そして、補正モデル生成装置４００は、機器Ａの運転状態の予測値と、機器Ａの運転状態の実測値と、機器Ａの運転データと、を関連付けて機械学習することによって、補正モデル２０を生成する。
＜仮予測モデル＋補正モデルでの運用＞
　その後、機器Ａの運用が開始される。予測装置５００は、機器Ａの運転データから運転状態を予測する。
　具体的には、予測装置５００は、仮予測モデル（つまり、機器Ｂのモデル）１０に機器Ａの運転データを入力することによって、機器Ａの運転状態の予測値を取得する。また、予測装置５００は、補正モデル２０に機器Ａの運転データを入力することによって、機器Ａの運転状態の予測値と実測値の差の予測値を取得する。そして、予測装置５００は、機器Ａの運転状態の予測値と、機器Ａの運転状態の予測値と実測値との差の予測値と、に基づいて、補正された運転状態の予測値を取得する。
　以下、実施形態２および実施形態３について説明する。なお、実施形態１と同様の内容については説明を省略する。
［実施形態２］
　補正装置４１０は、仮予測モデルを用いて予測された機器の運転状態の予測値を用いて、機器を異常判定する際の閾値を補正することができる。図１５を参照しながら詳細に説明する。
　図１５は、本開示の一実施形態に係る異常判定の閾値の補正について説明するための図である。以下、＜仮予測モデルの生成と閾値の算出＞、＜異常判定の閾値の補正＞、＜仮予測モデル＋補正閾値での運用＞の順に説明する。
＜仮予測モデルの生成と閾値の算出＞
　まず、仮予測モデル生成装置６００が、仮予測モデル１０を生成する。具体的には、仮予測モデル生成装置６００は、教師データを用いて機械学習する（具体的には、機器Ｂの運転データと運転状態とを関連付けて機械学習する）ことによって、仮予測モデル（つまり、機器Ｂのモデル）１０を生成する。
　さらに、機器Ｂの運転状態の予測値（具体的には、仮予測モデル１０に機器Ｂの運転データを入力して運転状態を出力する）と、機器Ｂの運転状態の実測値（具体的には、機器Ｂの運転データから算出された運転状態）と、から、機器Ｂの閾値（ε＿Ｂとする）が算出される。例えば、機器Ｂの△運転状態量（＝機器Ｂの運転状態量の実測値－機器Ｂの運転状態量の仮予測モデル１０による予測値）の平均がμ＿ｂ、標準偏差がσ＿ｂである場合、機器Ｂの閾値（ε＿Ｂ）を“μ＿ｂ－３×σ＿ｂ”とすることができる。
＜異常判定の閾値の補正＞
　次に、補正装置４１０が、閾値を補正する。まず、仮予測モデル（つまり、機器Ｂのモデル）１０に機器Ａの運転データを入力することによって、機器Ａの運転状態の予測値が取得される。機器Ａの△運転状態量（＝機器Ａの運転状態量の実測値－機器Ａの運転状態量の仮予測モデル１０による予測値）の平均がμ＿ａ、標準偏差がσ＿ａである場合、機器Ａの閾値（ε＿Ａ）を“μ＿ａ－３×σ＿ａ”とすることができる。このように、閾値がε＿Ｂからε＿Ａへ補正される。
＜仮予測モデル＋補正閾値での運用＞
　その後、機器Ａの運用が開始される。異常判定装置５１０は、機器Ａの運転データから異常を判定する。具体的には、異常判定装置５１０は、機器Ａの△運転状態量（＝機器Ａの運転状態量の実測値－機器Ａの運転状態量の仮予測モデル１０による予測値）と、機器Ａの閾値（ε＿Ａ）と、を比較して異常（例えば、機器Ａの冷媒の漏洩、機器Ａの故障）を判定する。
［実施形態３］
　補正装置は、仮予測モデルを用いて予測された機器の運転状態の予測値を用いて、機器を制御する際の制御ゲインを補正することができる。図１６を参照しながら詳細に説明する。
　図１６は、本開示の一実施形態に係る機器の制御の制御ゲインの補正について説明するための図である。以下、＜仮予測モデルの生成と制御ゲインの算出＞、＜補正制御ゲインの追加＞、＜仮予測モデル＋補正制御ゲインでの運用＞の順に説明する。
＜仮予測モデルの生成と制御ゲインの算出＞
　まず、仮予測モデル生成装置６００が、仮予測モデル１０を生成する。具体的には、仮予測モデル生成装置６００は、教師データを用いて機械学習する（具体的には、機器Ｂの運転データと運転状態とを関連付けて機械学習する）ことによって、仮予測モデル（つまり、機器Ｂのモデル）１０を生成する。
　さらに、機器Ｂの制御ゲイン（機器Ｂの出力（運転状態の実測値）／機器Ｂの入力（運転データの実測値））が算出される。なお、機器Ｂの制御ゲインを“Ｋ＿Ｂ”とする。
＜補正制御ゲインの追加＞
　次に、補正装置４１０が、追加する補正制御ゲインを算出する。なお、補正制御ゲイン（仮予測モデル（つまり、機器Ｂのモデル）１０の出力の補正係数）を“Ｋ＿ｃ”とする。補正制御ゲイン（Ｋ＿ｃ）は、同じ入力に対する“機器Ａの出力（運転状態の実測値）／仮予測モデル（つまり、機器Ｂのモデル）１０の出力（運転状態の予測値）”である。したがって、機器Ａの出力の予測値は、Ｋ＿ｃ×仮予測モデル（つまり、機器Ｂのモデル）１０の出力、として計算できる。
＜仮予測モデル＋補正制御ゲインでの運用（内部モデル制御（ＩＭＣ）への適用例）＞
　その後、機器Ａの運用が開始される。機器制御装置５２０は、仮予測モデル（つまり、機器Ｂのモデル）１０と仮予測モデル（つまり、機器Ｂのモデル）１０の出力の補正係数である補正制御ゲイン（Ｋ＿ｃ）を用いて、機器Ａを制御する。具体的には、機器制御装置５２０は、機器Ａの出力（運転状態の実測値）が目標値に近づくように制御する。なお、本実施形態では、仮予測モデル（つまり、機器Ｂのモデル）１０の出力を補正するゲインを追加したが、機器Ｂの制御ゲインＫ＿Ｂを補正するゲインを追加してもよい。
　以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
　本国際出願は２０２１年３月１８日に出願された日本国特許出願２０２１－０４４５６９号に基づく優先権を主張するものであり、２０２１－０４４５６９号の全内容をここに本国際出願に援用する。
１　ＣＰＵ
２　ＲＯＭ
３　ＲＡＭ
４　補助記憶装置
５　表示装置
６　操作装置
７　Ｉ／Ｆ装置
８　バス
１０　仮予測モデル
２０　補正モデル
１００　空気調和システム
２００　室外機
２０１　室外熱交換器
２０１－１　室外熱交換器（凝縮器）
２０１－２　室外熱交換器（蒸発器）
２０２　圧縮機
２０３　過冷却熱交換器
２０４　過冷却熱交換器膨張弁
２０５　室外機主膨張弁
２０６　四路切替弁
３００　室内機
３００－１　暖房室内機
３００－２　冷房室内機
３０１　室内熱交換器
３０２　室内熱交換器膨張弁
４００　補正モデル生成装置
４０１　学習部（補正モデル生成部）
４０２　予測値取得部
４０３　実測値取得部
４１０　補正装置
５００　予測装置
５０１　予測部
５０２　運転データ取得部
５０３　出力部
５０４　更新部
５１０　異常判定装置
５２０　機器制御装置
６００　仮予測モデル生成装置

Claims (23)

  1. 　機器の運転データから予測された運転状態の予測値に関する補正をする装置であって、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルと、
    　前記仮予測モデルを用いて予測された前記機器の運転状態の予測値に関する補正をする補正部と
    　を備えた装置。
  2. 　前記補正部は、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルを生成する、請求項１に記載の装置。
  3. 　前記仮予測モデルに前記機器の運転データを入力して前記機器の運転状態を出力することによって、前記機器の運転状態の予測値を取得する取得部と、
    　前記機器の運転状態の実測値を取得する取得部と、をさらに備え、
    　前記補正部は、前記機器の運転状態の予測値と、前記機器の運転状態の実測値と、を関連付けて機械学習する、請求項２に記載の装置。
  4. 　機器の運転データを取得する運転データ取得部と、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルと、
    　前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルと、
    　前記仮予測モデルを用いて、前記機器の運転データから前記機器の運転状態の予測値を予測し、前記補正モデルを用いて、前記機器の運転状態の予測値から前記機器の運転状態の補正予測値を予測する予測部と
    　を備えた装置。
  5. 　前記予測部は、
    　前記仮予測モデルに前記機器の運転データを入力して前記機器の運転状態を出力することによって、前記機器の運転状態の予測値を取得し、
    　前記補正モデルに前記機器の運転状態の予測値を入力して前記機器の運転状態の補正予測値を出力することによって、前記機器の運転状態の補正予測値を取得する、請求項４に記載の装置。
  6. 　前記予測部は、
    　前記補正モデルに前記機器の運転状態の予測値とともに前記機器の運転データをさらに入力する、請求項５に記載の装置。
  7. 　前記補正モデルを生成するために用いられる機器は、前記予測部が予測するための機器と同一の機種の同一の機器である、請求項４から６のいずれか一項に記載の装置。
  8. 　前記補正モデルを生成するために用いられる機器は、前記予測部が予測するための機器と同一の機種の異なる１つまたは複数の機器である、請求項４から６のいずれか一項に記載の装置。
  9. 　前記補正モデルを生成するために用いられる機器は、前記予測部が予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である、請求項４から６のいずれか一項に記載の装置。
  10. 　前記仮予測モデルと前記補正モデルとを、前記機器の予測モデルに更新する更新部をさらに備えた、請求項４から９のいずれか一項に記載の装置。
  11. 　前記補正モデルを更新する更新部をさらに備えた、請求項４から９のいずれか一項に記載の装置。
  12. 　前記機器の機種は、前記機器とは異なる機器の新機種である、請求項１から１１のいずれか一項に記載の装置。
  13. 　前記機器は、前記機器とは異なる機器と類似する機能を有する、請求項１から１１のいずれか一項に記載の装置。
  14. 　前記機器は、空気調和機である、請求項１から１３のいずれか一項に記載の装置。
  15. 　前記運転状態は、前記機器の冷媒の漏洩と、前記機器の故障と、前記機器の制御と、のうちの少なくとも１つのために用いられる、請求項１から１４のいずれか一項に記載の装置。
  16. 　前記予測部は、
    　前記機器の運転状態の予測値と、前記機器の運転状態の実測値と、の差を予測する、請求項４に記載の装置。
  17. 　前記補正部は、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を用いて異常判定する際の閾値を補正する、請求項１に記載の装置。
  18. 　前記補正部は、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を用いて制御する際の制御ゲインを補正する、請求項１に記載の装置。
  19. 　機器の運転データから予測された運転状態の予測値に関する補正をする方法であって、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルを用いて予測された、前記機器の運転状態の予測値に関する補正をするステップ
    　を含む方法。
  20. 　機器の運転データから予測された運転状態の予測値に関する補正をするコンピュータを、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルを用いて予測された、前記機器の運転状態の予測値に関する補正をする補正部
    　として機能させるためのプログラム。
  21. 　機器の運転データを取得するステップと、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデル、および、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルを用いて、前記機器の運転データから、前記機器の運転状態の予測値が補正された補正予測値を予測するステップと
    　を含む方法。
  22. 　コンピュータを
    　機器の運転データを取得する運転データ取得部、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデル、および、前記仮予測モデルを用いて予測された前記機器の運転状態の予測値を補正する補正モデルを用いて、前記機器の運転データから、前記機器の運転状態の予測値が補正された補正予測値を予測する予測部
    　として機能させるためのプログラム。
  23. 　機器の運転データから予測された運転状態の予測値を補正する補正モデルであって、
    　前記機器とは異なる機器の運転データおよび運転状態を教師データとして機械学習された仮予測モデルを用いて予測された、前記機器の運転状態の予測値を補正するよう、コンピュータを機能させるための補正モデル。
PCT/JP2022/012808 2021-03-18 2022-03-18 補正装置、予測装置、方法、プログラム、および補正モデル WO2022196813A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP22771558.8A EP4310615A1 (en) 2021-03-18 2022-03-18 Correction device, prediction device, method, program, and correction model
CN202280021248.9A CN116997876A (zh) 2021-03-18 2022-03-18 修正装置、预测装置、方法、程序及修正模型
US18/467,090 US20240005212A1 (en) 2021-03-18 2023-09-14 Correction apparatus, prediction apparatus, method, non-transitory computer-readable recording medium storing program, and correction model

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021044569 2021-03-18
JP2021-044569 2021-03-18

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/467,090 Continuation US20240005212A1 (en) 2021-03-18 2023-09-14 Correction apparatus, prediction apparatus, method, non-transitory computer-readable recording medium storing program, and correction model

Publications (1)

Publication Number Publication Date
WO2022196813A1 true WO2022196813A1 (ja) 2022-09-22

Family

ID=83320537

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/012808 WO2022196813A1 (ja) 2021-03-18 2022-03-18 補正装置、予測装置、方法、プログラム、および補正モデル

Country Status (5)

Country Link
US (1) US20240005212A1 (ja)
EP (1) EP4310615A1 (ja)
JP (2) JP7284435B2 (ja)
CN (1) CN116997876A (ja)
WO (1) WO2022196813A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10119738B2 (en) 2014-09-26 2018-11-06 Waterfurnace International Inc. Air conditioning system with vapor injection compressor
US11592215B2 (en) 2018-08-29 2023-02-28 Waterfurnace International, Inc. Integrated demand water heating using a capacity modulated heat pump with desuperheater

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06289179A (ja) * 1993-03-30 1994-10-18 Hitachi Ltd プラントの自己学習診断、予測方法及び装置
WO2014192052A1 (ja) * 2013-05-27 2014-12-04 三菱電機株式会社 空気調和装置
JP2020109581A (ja) 2019-01-07 2020-07-16 パナソニックＩｐマネジメント株式会社 診断方法、診断装置、診断システム及び診断プログラム
JP6791429B1 (ja) * 2019-09-09 2020-11-25 ダイキン工業株式会社 冷媒量判定装置、方法、およびプログラム
KR20210025365A (ko) * 2019-08-27 2021-03-09 엘지전자 주식회사 공기조화기의 진단방법
JP2021044569A (ja) 2020-11-18 2021-03-18 味の素株式会社 支持体付き樹脂シート

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7347969B2 (ja) * 2019-06-18 2023-09-20 ファナック株式会社 診断装置及び診断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06289179A (ja) * 1993-03-30 1994-10-18 Hitachi Ltd プラントの自己学習診断、予測方法及び装置
WO2014192052A1 (ja) * 2013-05-27 2014-12-04 三菱電機株式会社 空気調和装置
JP2020109581A (ja) 2019-01-07 2020-07-16 パナソニックＩｐマネジメント株式会社 診断方法、診断装置、診断システム及び診断プログラム
KR20210025365A (ko) * 2019-08-27 2021-03-09 엘지전자 주식회사 공기조화기의 진단방법
JP6791429B1 (ja) * 2019-09-09 2020-11-25 ダイキン工業株式会社 冷媒量判定装置、方法、およびプログラム
JP2021044569A (ja) 2020-11-18 2021-03-18 味の素株式会社 支持体付き樹脂シート

Also Published As

Publication number Publication date
JP7284435B2 (ja) 2023-05-31
CN116997876A (zh) 2023-11-03
JP2023116473A (ja) 2023-08-22
US20240005212A1 (en) 2024-01-04
JP2022145655A (ja) 2022-10-04
EP4310615A1 (en) 2024-01-24

Similar Documents

Publication Publication Date Title
WO2022196813A1 (ja) 補正装置、予測装置、方法、プログラム、および補正モデル
JP6791429B1 (ja) 冷媒量判定装置、方法、およびプログラム
Li et al. Decoupling features and virtual sensors for diagnosis of faults in vapor compression air conditioners
EP3279589B1 (en) Refrigeration device
Li et al. Extending the virtual refrigerant charge sensor (VRC) for variable refrigerant flow (VRF) air conditioning system using data-based analysis methods
EP3889523A1 (en) Refrigerant leakage determination system and refrigeration cycle device
JPH11148750A (ja) 膨張バルブの動作を監視するための方法
JP2016084968A (ja) 空調システムの制御装置、空調システム、及び空調システムの異常判定方法
Cheung et al. Empirical modeling of the impacts of faults on water-cooled chiller power consumption for use in building simulation programs
Zhu et al. Hybrid model based refrigerant charge fault estimation for the data centre air conditioning system
JP2012047364A (ja) 冷凍サイクル装置
WO2023127329A1 (ja) 異常検知装置、方法、およびプログラム
US20170314801A1 (en) Control device for air conditioning system, air conditioning system, and method for determining anomaly of air conditioning system
JP6972468B2 (ja) 空調装置の評価装置および評価方法
CN113557397B (zh) 制冷剂量推断装置、方法及程序
JP7361935B2 (ja) 空気調和機診断装置
JP3278712B2 (ja) 多室空気調和機
JP2011196599A (ja) 空気調和機および空気調和機の制御方法
JP2023051341A (ja) 情報処理システム、方法、およびプログラム
WO2024058149A1 (ja) 機器性能値予測方法、システム、およびプログラム
JP2020094763A (ja) 空気調和装置
US20240142125A1 (en) Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner
EP4191155A1 (en) Air conditioner
Llopis-Mengual et al. Selection of relevant features to detect and diagnose single and multiple simultaneous soft faults in air-source heat pumps
CN116952627A (zh) 空调制冷量测试装置及方法、计算设备及计算机存储介质

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: 22771558

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 202280021248.9

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2022771558

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022771558

Country of ref document: EP

Effective date: 20231018