WO2023157359A1 - 機器状態予測方法及び機器状態予測システム - Google Patents

機器状態予測方法及び機器状態予測システム Download PDF

Info

Publication number
WO2023157359A1
WO2023157359A1 PCT/JP2022/034556 JP2022034556W WO2023157359A1 WO 2023157359 A1 WO2023157359 A1 WO 2023157359A1 JP 2022034556 W JP2022034556 W JP 2022034556W WO 2023157359 A1 WO2023157359 A1 WO 2023157359A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
model
period
user
time
Prior art date
Application number
PCT/JP2022/034556
Other languages
English (en)
French (fr)
Inventor
浩子 助田
彰規 淺原
禎夫 関谷
道治 渡部
一朗 藤林
侑雄 村田
Original Assignee
日立グローバルライフソリューションズ株式会社
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 日立グローバルライフソリューションズ株式会社 filed Critical 日立グローバルライフソリューションズ株式会社
Publication of WO2023157359A1 publication Critical patent/WO2023157359A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Definitions

  • the present invention relates to technology for predicting the state of appliances such as refrigerators.
  • Patent Document 1 As a technique for predicting the failure time of equipment, for example, there is a technique described in Japanese Patent Application Laid-Open No. 10-267509 (Patent Document 1).
  • Patent Document 1 ⁇ In an operating state management device that manages equipment based on data about the operating state of the equipment, information about the operating state of the equipment is classified for each operating condition of the equipment from which the information is obtained.
  • a database construction means for constructing a database on past operating conditions and based on the information on the current operating conditions of the equipment and the past information in the database under the same operating conditions, the equipment will fail. It is provided with a failure time prediction means for predicting the time.”
  • Patent document 1 JP-A-10-267509
  • Patent Literature 1 describes a technique for predicting the failure timing of a device such as a low-temperature showcase, a refrigerator, or a freezer, which predicts the future failure timing based on information about the past operating state of the device itself. .
  • a predetermined event such as a temperature rise in summer
  • the present invention provides a device state prediction method executed by a device state prediction system having a processor and a storage device, wherein the storage device predicts the operating status of the device. a first model for predicting the state of the equipment at a second time period after the first time period based on the operation data at the first time period; and the operation at the first time period.
  • the device state prediction method comprises: a first procedure for predicting the state of the equipment at the second time period by applying the operating data to the first model; to the second model to predict how the device will be used by the user during the second period; and the processor predicts the state of the device during the second period and a third step of outputting a result and a predicted result of how the device will be used by the user at the second time.
  • the occurrence of a predetermined event in a device is predicted based on the past usage results of a large number of devices, and when the event occurs, can predict how people will use their equipment. Problems, configurations, and effects other than those described above will be clarified by the following description of the embodiments.
  • FIG. 1 is a block diagram showing an example of the configuration of a device state prediction system according to an embodiment of the present invention
  • FIG. FIG. 4 is an explanatory diagram showing an example of a software configuration of a prediction program held by the data collection/analysis server according to the embodiment of this invention
  • FIG. 4 is an explanatory diagram showing an example of the concept of a prediction model generated by the data collection/analysis server of the embodiment of this invention
  • FIG. 4 is an explanatory diagram showing an example of factors of temperature rise in the refrigerator in the embodiment of the present invention
  • FIG. 4 is an explanatory diagram showing an example of driving data held by the data collection/analysis server according to the embodiment of this invention
  • FIG. 5 is an explanatory diagram showing an example of a model of the relationship between the operating data of the same period and the internal temperature rise in the embodiment of the present invention
  • FIG. 4 is an explanatory diagram showing an example of a model of the relationship between operation data at different times and temperature rise in the refrigerator in the embodiment of the present invention
  • FIG. 10 is an explanatory diagram showing an example of processing in which the data collection/analysis server according to the embodiment of this invention generates a prediction model for predicting temperature rise in summer from data observed in spring
  • FIG. 10 is an explanatory diagram showing an example of processing by the data collection/analysis server according to the embodiment of the present invention to generate a model showing the relationship between usage in spring and usage in summer
  • FIG. 4 is an explanatory diagram showing an example of processing by the data collection/analysis server according to the embodiment of the present invention to generate a model showing the relationship between climate and usage and various sensor data;
  • FIG. 4 is an explanatory diagram showing an example of a process of predicting temperature rise in summer by the data collection/analysis server according to the embodiment of this invention;
  • FIG. 4 is an explanatory diagram showing a first example of utilization of prediction results by the data collection/analysis server according to the embodiment of the present invention;
  • FIG. 10 is an explanatory diagram showing an example of a screen displayed in a first example of utilization of prediction results by the data collection/analysis server according to the embodiment of this invention;
  • FIG. 10 is an explanatory diagram showing an example of a screen displayed in a first example of utilization of prediction results by the data collection/analysis server according to the embodiment of this invention
  • FIG. 11 is an explanatory diagram showing a second example of utilization of prediction results by the data collection/analysis server according to the embodiment of this invention
  • FIG. 9 is an explanatory diagram showing an example of a screen displayed in a second example of utilization of prediction results by the data collection/analysis server according to the embodiment of this invention
  • FIG. 1 is a block diagram showing an example of the configuration of a device state prediction system according to an embodiment of the present invention.
  • the equipment state prediction system 100 of this embodiment has a data collection/analysis server 110 connected to a network 150 and a plurality of refrigerators 120 communicating with the data collection/analysis server 110 via the network 150 .
  • the data collection/analysis server 110 is a computer having a processor 112, a memory 114, a network interface (I/F) 113, and an information storage unit 111 which are connected to each other.
  • the processor 112 executes programs stored in the memory 114 .
  • the memory 114 is, for example, a semiconductor memory, and stores programs executed by the processor 112, data referenced by the processor 112, data output from the processor 112, and the like.
  • Memory 114 of this embodiment stores at least prediction program 115 , which is a program executed by processor 112 . Processing realized by the processor 112 executing the prediction program 115 will be described later. Processing based on the prediction program 115 described below is executed by the processor 112 .
  • the network I/F 113 is connected to the network 150 and communicates with the refrigerator 120 and the like.
  • the information storage unit 111 may be a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive).
  • the information storage unit 111 stores, for example, operation data and the like acquired from each refrigerator 120 .
  • the information storage unit 111 may store a prediction model generated by learning driving data and the like based on the prediction program 115, a result predicted using the prediction model, and the like.
  • Each refrigerator 120 is a device whose state is to be predicted by the device state prediction system 100 of this embodiment, and is used to keep the inside of the refrigerator at a low temperature and store food and the like.
  • a typical configuration of one of the plurality of refrigerators 120 will be described below. Since the configuration of other refrigerators 120 may be the same as that shown in FIG. 1, illustration and description thereof will be omitted.
  • the refrigerator 120 includes a processor 124, a memory 127, a network I/F 121, a sensor group 126, an external I/F 125, a control device 123, and a controlled device 122, which are connected to each other.
  • the processor 124 executes programs stored in the memory 127 .
  • the memory 127 is, for example, a semiconductor memory, and stores programs executed by the processor 124, data referred to by the processor 124, and the like.
  • the memory 127 of this embodiment stores a control program 128 which is a program executed by the processor 124 and a temporary storage of operation data 129 generated in the processing of the processor 124 .
  • the sensor group 126 includes one or more sensors.
  • the sensor group 126 may include, for example, a temperature sensor that measures the temperature inside the refrigerator 120, a sensor that detects opening and closing of the door of the refrigerator 120, and the like. If the refrigerator 120 has a plurality of compartments, such as a so-called freezer compartment and a refrigerator compartment, the sensor group 126 may include a sensor that measures the temperature of each compartment and a sensor that detects opening and closing of the door of each compartment. . Sensor group 126 may also include a sensor that measures the room temperature outside the refrigerator.
  • the processor 124 acquires data indicating the operation status of the refrigerator 120 measured by the sensor group 126 as operation data, and stores this in the operation data temporary storage 129 of the memory 127 . Then, it transmits the contents of the operation data temporary storage 129 to the data collection/analysis server 110 at an appropriate timing (for example, periodically). The transmitted data is stored in the information storage unit 111 of the data collection/analysis server 110 .
  • the processor 124 executes processing according to the control instruction according to the control program 128, and outputs a control signal for controlling the control device 123 if necessary. do.
  • the control device 123 controls the controlled device 122 according to the control signal.
  • the control target device 122 is, for example, an operation panel of the refrigerator 120, a compressor for cooling the refrigerator 120, and the like.
  • the control device 123 may refer to the internal temperature obtained from the sensor group 126 and control the compressor or the like so that the internal temperature approaches the set temperature, or may perform a defrosting operation at a predetermined timing. A compressor or the like may also be controlled.
  • the control target device 122 includes a door open alarm (buzzer, etc.)
  • the control device 123 may control the alarm to output an alarm according to the door open time acquired from the sensor group 126. good.
  • the network I/F 121 is connected to the network 150 and executes communication with the data collection/analysis server 110 and the like via the network 150 . Specifically, for example, transmission of operation data from the refrigerator 120 and reception of control instructions from the data collection/analysis server 110 or the like are realized by such communication.
  • the external I/F 125 is connected to equipment outside the refrigerator 120 .
  • the external I/F 125 may be connected to a sensor outside the refrigerator 120, such as an outside air temperature sensor (not shown), and the data measured by the sensor may be stored in the memory 127 as part of the operating data.
  • the external I/F 125 may not be used.
  • the equipment state prediction system 100 of this embodiment may further include a terminal device used by the user of the refrigerator 120 and a terminal device used by a person in charge of supporting the user of the refrigerator 120.
  • FIG. 1 shows a smartphone 140 as an example of a terminal device used by a user, and an information reference/control terminal 130 as an example of a terminal device used by a support staff.
  • the smartphone 140 can communicate with the data collection/analysis server 110 and the like via the network 150.
  • the user can send a control instruction to the data collection/analysis server 110 or the like via the smartphone 140 .
  • the smartphone 140 displays the status (for example, information about the status of the refrigerator 120 predicted by the data collection/analysis server 110) to the user according to the information about status display received from the data collection/analysis server 110 or the like. be able to.
  • the information reference/control terminal 130 can communicate with the data collection/analysis server 110, the refrigerator 120, the smartphone 140, etc. via the network 150.
  • the support staff refers to information such as prediction results by the data collection/analysis server 110 via the information reference/control terminal 130, and if necessary, transmits a control instruction to the refrigerator 120 and issues a warning to the refrigerator. 120 or smart phone 140.
  • the data collection/analysis server 110 may acquire climate information from an external organization 160 via the network 150.
  • the external organization 160 is, for example, a company or a government agency that provides weather information.
  • the information about the climate to be acquired may be the temperature, humidity, weather (for example, the presence or absence of sunshine, the presence or absence of rainfall, etc.) in each region, or the minimum temperature, maximum temperature, average temperature, sunshine hours, and precipitation for a certain period. Statistical information such as quantity may also be included.
  • FIG. 2 is an explanatory diagram showing an example of the software configuration of the prediction program 115 held by the data collection/analysis server 110 of the embodiment of this invention.
  • the prediction program 115 of this embodiment includes a storage unit 201 , a feature quantity acquisition unit 202 , a prediction model generation unit 203 and a prediction execution unit 204 .
  • the storage unit 201 refers to the operation data etc. of the refrigerator 120 stored in the information storage unit 111 .
  • the driving data includes past data 211 and latest data 212 .
  • Past data 211 includes past operation data and information indicating whether or not the temperature inside refrigerator 120 has increased as a result of the past operation.
  • the latest data 212 includes operating data, but does not include information indicating whether the temperature within the refrigerator 120 has increased as a result of the operation, as it is not yet available.
  • the feature amount acquisition unit 202 extracts feature amounts of the past data 211 and the latest data 212 as preprocessing 213 .
  • the predictive model generation unit 203 performs model learning 214 using the feature amount of the past data 211 as an explanatory variable and whether or not the temperature inside the refrigerator 120 corresponding to the feature amount has risen as an objective variable.
  • a prediction model 215 is generated that predicts the presence or absence of a temperature rise from the amount.
  • the prediction execution unit 204 executes prediction 216 by inputting the feature amount of the latest data 212 into the prediction model 215 and obtains a prediction result 217.
  • FIG. 3 is an explanatory diagram showing an example of the concept of the prediction model 215 generated by the data collection/analysis server 110 of the embodiment of the present invention.
  • the prediction target of this embodiment is the temperature rise inside the refrigerator 120 in summer.
  • the load increases due to an increase in the frequency of use of the refrigerator 120 and a rise in the temperature of the installation environment. 120 repair requests tend to increase.
  • problems related to the refrigerating function such as melting of the contents of the freezer compartment in the refrigerator 120 occur, and inquiries to the support department increase. For this reason, there is a need to predict the temperature rise in the refrigerator 120 in summer at an earlier point in time (for example, at a point in spring).
  • the data collection/analysis server 110 of the present embodiment models the relationship between the spring operating data of the previous year or the previous year and the summer temperature rise by machine learning or the like, and uses the model to calculate the From that spring's operating data, predict the temperature rise for that year's (ie, upcoming) summer.
  • the spring operation data and the summer A temperature rise prediction model 215 is generated by modeling the temperature rise relationship of . Then, the temperature rise prediction model 215 is applied to the operation data during the spring period of this year of the three refrigerators 120 including the individual 2 and the individual 3 and 4 purchased before this spring. Based on this, the temperature rise in this summer is predicted at the time of this spring.
  • refrigerators 120 Although four refrigerators 120 are shown in FIG. 3 for explanation, modeling and prediction are actually performed for a larger number of refrigerators 120 .
  • FIG. 4 is an explanatory diagram showing an example of factors for the temperature rise in refrigerator 120 in the embodiment of the present invention.
  • Risk factors for temperature rise in the refrigerator 120 are considered to be mainly caused by equipment (that is, the refrigerator 120 itself), environment, and usage.
  • those primarily attributable to the equipment include, for example, failure risk specific to the refrigerator 120 (for example, due to the design of the refrigerator 120 or the quality of the parts used), and the risk of failure of the refrigerator 120. Aged deterioration etc. are mentioned.
  • factors that are caused by the environment include the installation environment (for example, the distance between the refrigerator and an object such as a surrounding wall), the room temperature of the room in which the refrigerator 120 is placed, and the outside air temperature.
  • factors related to usage include, for example, the number of times the door is opened, the amount of time the door is opened, and the amount of items stuffed in the refrigerator.
  • the mode of change in the magnitude of temperature rise risk over time may differ for each factor.
  • the device-specific failure risk is considered basically unchanged.
  • the risk caused by aging deterioration is considered to increase gradually over time, regardless of the season.
  • the installation environment such as the distance between the refrigerator 120 and surrounding objects basically does not change unless the arrangement of the refrigerator 120 itself and its surrounding objects is changed.
  • room temperature and outdoor temperature have seasonal related variations.
  • risks arising from usage include risks arising from basic usage that does not change with the seasons and risks arising from usage that changes with the seasons.
  • FIG. 5 is an explanatory diagram showing an example of driving data held by the data collection/analysis server 110 according to the embodiment of the present invention.
  • Operation data 500 shown in FIG. 5 includes device ID 501, time 502, freezer compartment temperature 503, refrigerator compartment temperature 504, vegetable compartment temperature 505, indoor temperature 506, indoor humidity 507, freezer compartment door open time 508, number of times the freezer compartment door is opened. 509, refrigerator left door open time 510, refrigerator left door open times 511, refrigerator right door open time 512, refrigerator right door open times 513, refrigerator temperature adjustment 514, freezer compartment temperature adjustment 515, rapid ice making mode 516 , power saving mode 517 , motor speed 518 , compressor temperature 519 and defrost operation 520 .
  • a device ID 501 is identification information of each refrigerator 120 .
  • a time 502 indicates the time when the data was acquired by the sensor group 126 .
  • the freezer compartment temperature 503, the refrigerator compartment temperature 504, and the vegetable compartment temperature 505 are sensors for measuring the temperature of the freezer compartment among the sensor group 126 when the refrigerator 120 has a freezer compartment, a refrigerator compartment, and a vegetable compartment as compartments. The temperature measured by the sensor for measuring the temperature of the vegetable compartment and the temperature measured by the sensor for measuring the temperature of the vegetable compartment are shown.
  • An indoor temperature 506 and an indoor humidity 507 indicate the temperature and humidity of the room in which the refrigerator 120 is installed, which are measured by the temperature sensor and the humidity sensor installed outside the refrigerator 120 in the sensor group 126, respectively.
  • a freezer compartment door open time 508 and a freezer compartment door open count 509 are the door open time and the number of times the freezer compartment door is opened, respectively, measured by sensors in the sensor group 126 that detect opening and closing of the freezer compartment door.
  • Refrigerating compartment left door open time 510 and refrigerating compartment left door open count 511 are each measured by a sensor of sensor group 126 that detects opening and closing of the left door of the refrigerating compartment when the refrigerating compartment has a so-called double door. It is the open time and the number of times the left door is opened.
  • Refrigerating compartment right door open time 512 and refrigerating compartment right door open count 513 are the open time and the number of times the right door is opened, respectively, measured by the sensor that detects the opening/closing of the right door of the refrigerating compartment in the sensor group 126 .
  • Refrigerator temperature adjustment 514 and freezer temperature adjustment 515 indicate the temperatures of the refrigerator and freezer, respectively, adjusted by the user.
  • the values of the refrigerator compartment temperature adjustment 514 and the freezer compartment temperature adjustment 515 may be specific temperatures, but may also be set values for the cooling intensity of the refrigerator and freezer compartments.
  • FIG. 5 shows an example of the latter.
  • the rapid ice making mode 516 indicates the ice making function mode of the refrigerator 120 set by the user.
  • quick ice making mode 516 indicates whether or not a quick ice making mode (ie, a mode that increases the cooling intensity of the ice making function to reduce the time required to make ice) is set.
  • the power saving mode 517 indicates the power consumption mode of the refrigerator 120 set by the user.
  • the power saving mode 517 indicates whether or not the power saving mode (that is, mode for reducing power consumption) is set.
  • the motor rotation speed 518 indicates the rotation speed of the motor that drives the compressor for compressing the refrigerant.
  • Compressor temperature 519 indicates the temperature of the compressor for compressing the refrigerant. These are measured by a sensor that detects the rotation of the motor and a temperature sensor attached to the compressor in the sensor group 126 .
  • the defrosting operation 520 indicates whether the refrigerator is operating for defrosting.
  • the items of sensor data held as operation data shown in FIG. 5 are examples, and the actual operation data may not include at least one of the above items, or may include items other than the above.
  • column 521 stores operating data measured at 12:35 on January 1, 2020 by the sensor group 126 of the refrigerator 120 identified by the device ID "00001".
  • the freezer compartment temperature at that time is -18.5°C
  • the refrigerator compartment temperature is 3.3°C
  • the vegetable compartment temperature is 3.5°C
  • the room temperature is 18.5°C
  • the room humidity is 55%
  • the freezer compartment temperature is 55%.
  • the opening time and number of openings of the room door are 15 seconds and 2 times, respectively
  • the opening time and number of times of opening the left door of the refrigerator compartment are 0 seconds and 0 times, respectively
  • the opening time and number of times of opening the right door of the refrigerator compartment are 3 seconds and 1 time, respectively.
  • Refrigerator temperature control is medium, freezer temperature control is high, quick ice making mode is set, power saving mode is not set, motor speed is 3000 rpm, compressor temperature is 50.1 °C, the defrosting operation is stopped.
  • the opening time and the number of times the door is opened are, for example, the total opening time and the number of openings for one minute from 12:34 to 12:35.
  • the temperature, humidity, motor rotation speed, etc. may be measured values at one point in the one minute, or may be average values of values measured multiple times in the one minute.
  • column 522 stores operating data measured by the sensor group 126 of the refrigerator 120 identified by the device ID "00001" at 12:36 on January 1, 2020.
  • columns 523 and 524 store operating data measured by the sensor group 126 of the refrigerator 120 identified by the device ID “00002” at 12:35 and 12:36 on January 1, 2020, respectively. be.
  • the operation data of each refrigerator 120 at other times is also stored, and the operation data of the other refrigerators 120 at each time is also stored.
  • the operation data of each refrigerator 120 at each time is stored in the information storage unit 111 .
  • FIG. 6 is an explanatory diagram showing an example of a model of the relationship between the operating data of the same period and the internal temperature rise in the embodiment of the present invention.
  • the operating data in this embodiment can be classified into data related to climate, data related to how the refrigerator 120 is used by the user, and various sensor data related to control of the refrigerator 120 .
  • indoor temperature 506 and indoor humidity 507 are classified as climate data. If climate information is obtained from the external agency 160, that information also corresponds to climate data. climate data is, in principle, not under the control of the user. However, the indoor temperature 506 and the indoor humidity 507 may be controlled by the user.
  • the data from the freezer compartment door open time 508 to the power saving mode 517 correspond to data on how the user uses the refrigerator 120 (hereinafter also simply referred to as data on usage). Usage can be controlled by the user.
  • the data from the freezer compartment temperature 503 to the vegetable compartment temperature 505 and from the motor rotation speed 518 to the defrosting operation 520 are various sensor data related to the control of the refrigerator 120 (hereinafter also simply referred to as various sensor data). Equivalent to. These are the states of control of each part in the refrigerator 120 according to the control program 128 according to the climate and the usage of the user (for example, the control amount, the set value of the control, the state of the refrigerator 120 resulting from the control, etc.). is data showing Therefore, the user cannot at least directly control various sensor data.
  • climate-related data is identified by a, usage-related data by b, and various sensor data by c.
  • the model of the following formula (1) is obtained by performing machine learning etc. using the above data a to c at the same time as explanatory variables. can be generated.
  • the data b regarding the usage of users in a certain period is obtained by the following formula (2), which takes into account the individual differences in the usage of each user, family composition, etc., and seasonal fluctuations, using the climate data a of the same period as input. is represented by the model of
  • the various sensor data c observed as a result of the control of the refrigerator 120 at a certain time are obtained based on the internal factors and environmental factors of each individual refrigerator 120, using the data a regarding climate and the data b regarding usage at the same time as input. , is represented by the model of equation (3) below.
  • FIG. 7 is an explanatory diagram showing an example of a model of the relationship between the operating data at different times and the temperature rise in the refrigerator in the embodiment of the present invention.
  • summer temperature rise is indicated by X
  • summer climate data is indicated by a
  • summer usage data is indicated by b
  • various summer sensor data are indicated by c.
  • the temperature rise in the previous spring is described as X'
  • the data related to spring weather is described as a'
  • the data regarding spring usage is described as b'
  • the spring various sensor data are described as c'.
  • a model for data in different periods is generated by replacing the explanatory variables of the model for data in the same period shown in Fig. 6 with explanatory variables in different periods.
  • the model of the following formula (4) can be generated using the data a', b', and c' observed in the previous spring as explanatory variables. There is not always a causal relationship between the data a′, b′, and c′ observed in spring and the rise X in the temperature inside the refrigerator in summer. It is possible to generate a model that shows relationships by learning data.
  • Formula (4) above is an example of a model that predicts the occurrence of a temperature rise in a later period based on the operating data of a certain period, and the model generated in this embodiment is not limited to this.
  • summer temperature increases are predicted based on spring operating data, but a model may be generated that predicts summer temperature increases based on operating data for periods prior to spring. This is the same for another prediction model to be described later.
  • all of the spring climate data a', the spring usage data b', and the spring various sensor data c' are included as explanatory variables, but the explanation does not include some of them.
  • a predictive model based on the variables may be generated.
  • the model of formula (4) above can be used to predict summer temperature rises from the data observed in spring. It is not possible to know whether it is intended for use by people. If it is possible to know in advance how users are supposed to use the equipment in summer, it may be possible to suppress temperature rise by using the equipment differently from what was assumed when summer actually arrives. Therefore, the predictive model generation unit 203 also generates a model represented by the following equation (5), which indicates the relationship between usage b' in spring and usage b in summer.
  • the prediction execution unit 204 calculates the summer temperature using the model (5) based on how the refrigerator 120 will be used in the spring, for which it is predicted that the temperature will rise in the summer using the model of the above equation (4). Predict how to use At this time, for example, summer forecast values obtained from the external organization 160 may be used as data a regarding summer climate to be input to the model. Then, in order to reduce the risk of temperature rise, it is possible to take countermeasures such as alerting users not to use it in the predicted summer.
  • Formula (5) above is an example of a model that predicts usage in a later period based on usage in a certain period, and the model generated in this embodiment is not limited to this.
  • the summer usage b is predicted based on the spring usage data b' and the summer climate data a, but based only on the spring usage data b' may be generated to predict summer usage.
  • a prediction model based on explanatory variables including at least one of spring climate data a' and spring various sensor data c' may be generated in addition to spring usage data b'.
  • the predictive model generation unit 203 generates a model represented by the following equation (6) that shows the relationship between the user's usage and various sensor information under certain climatic conditions. This may be similar to the model shown in equation (3) described with reference to FIG.
  • the data collection/analysis server 110 can take measures such as prompt support by outputting information about the malfunction of the refrigerator 120 to the user of the refrigerator 120 or the person in charge of support.
  • FIG. 8 is an explanatory diagram showing an example of the processing of the data collection/analysis server 110 according to the embodiment of the present invention to generate a prediction model for predicting temperature rise in summer from data observed in spring.
  • the process of generating a prediction model that predicts summer temperature rise (that is, the model of formula (4) above) from the data observed in spring is, for example, performed periodically.
  • the prediction model generation unit 203 extracts data for a predetermined period from the past data 211 stored in the storage unit 201 (step 802).
  • the predictive model generator 203 may extract operation data of each refrigerator 120 for a predetermined period in the spring of a certain year and operation data for a predetermined period in the summer of the year.
  • the prediction model generation unit 203 creates objective variables and explanatory variables as preprocessing for each individual refrigerator 120 for the extracted operating data (step 803). Specifically, the predictive model generator 203 executes steps 804 to 807 below.
  • the predictive model generation unit 203 refers to the temperature inside the refrigerator during the summer period included in the operation data of each individual, and determines whether the temperature inside the refrigerator in summer has risen (step 804). For example, the total amount of time the temperature in the freezer compartment, ice making compartment, refrigeration compartment, etc. of each individual exceeds a predetermined threshold and the length of the duration, etc. are aggregated, and if they meet the predetermined conditions, the temperature inside the refrigerator rises. may be determined to have occurred. Individuals determined to have a temperature rise are flagged. This determination result corresponds to the objective variable of the prediction model to be generated.
  • the prediction model generation unit 203 aggregates the operational data for the spring period, specifically, the spring climate data, spring usage data, and various spring sensor data (step 805).
  • the prediction model generation unit 203 extracts feature amounts of the collected spring driving data (step 806). This feature quantity corresponds to an explanatory variable of the prediction model to be generated.
  • the predictive model generation unit 203 generates a set of learning objective variables and explanatory variables for each individual refrigerator 120 (step 807).
  • the prediction model generation unit 203 performs machine learning using the generated pairs of objective variables and explanatory variables (step 808), and the prediction model held so far is newly obtained by machine learning.
  • the prediction model is updated (step 809). This completes the process of generating a prediction model for predicting temperature rise in summer from the data observed in spring (step 810).
  • the method of extracting the feature amount of the driving data and the method of machine learning in the above process are not limited, and any method including known methods can be used. The same applies to the processing in FIGS. 9 and 10, which will be described later.
  • FIG. 9 is an explanatory diagram showing an example of a process of generating a model showing the relationship between usage in spring and usage in summer by the data collection/analysis server 110 according to the embodiment of the present invention.
  • the process of generating a model showing the relationship between spring usage and summer usage (that is, the model of formula (5) above) is, for example, periodically executed.
  • the prediction model generation unit 203 extracts the driving data for a predetermined period from the past data 211 stored in the storage unit 201 (step 902).
  • the predictive model generator 203 may extract operation data of each refrigerator 120 for a predetermined period in the spring of a certain year and operation data for a predetermined period in the summer of the year.
  • the prediction model generation unit 203 creates objective variables and explanatory variables as preprocessing for each individual refrigerator 120 for the extracted operating data (step 903). Specifically, the predictive model generator 203 executes steps 904 to 907 below. First, the predictive model generation unit 203 aggregates the data relating to usage during the summer period contained in the driving data of each individual (step 904). The aggregated usage data corresponds to the objective variable of the model to be generated.
  • the prediction model generation unit 203 aggregates the data on usage during the spring period and the data on the climate during the summer period. (Step 905). Next, the predictive model generation unit 203 extracts feature amounts of the aggregated data on usage in spring and data on summer climate (step 906). This feature quantity corresponds to an explanatory variable of the model to be generated. Next, the predictive model generation unit 203 generates a set of learning objective variables and explanatory variables for each individual refrigerator 120 (step 907).
  • the predictive model generation unit 203 performs machine learning using the generated sets of objective variables and explanatory variables (step 908), and replaces the previously held model with a model newly obtained by machine learning. (step 909). This completes the process of generating a model showing the relationship between usage in spring and usage in summer (step 910).
  • FIG. 10 is an explanatory diagram showing an example of processing by the data collection/analysis server 110 of the embodiment of the present invention to generate a model showing the relationship between climate and usage and various sensor data.
  • the process of generating a model (that is, the model of formula (6) above) showing the relationship between climate and usage and various sensor data is, for example, periodically executed.
  • the prediction model generation unit 203 extracts the driving data for a predetermined period from the past data 211 stored in the storage unit 201 (step 1002).
  • the predictive model generating unit 203 may extract operation data of each refrigerator 120 for a predetermined summer period of a certain year.
  • the prediction model generation unit 203 creates objective variables and explanatory variables as preprocessing for each individual refrigerator 120 for the extracted operating data (step 1003). Specifically, the predictive model generator 203 executes steps 1004 to 1007 below. First, the predictive model generation unit 203 aggregates various sensor data during the summer period included in the operation data of each individual (step 1004). The aggregated various sensor data correspond to objective variables of the model to be generated.
  • the prediction model generation unit 203 aggregates the data regarding summer weather and the data regarding usage. (Step 1005). Next, the predictive model generation unit 203 extracts feature amounts of the aggregated summer climate data and usage data (step 1006). This feature quantity corresponds to an explanatory variable of the model to be generated. Next, the predictive model generation unit 203 generates a set of learning objective variables and explanatory variables for each individual refrigerator 120 (step 1007).
  • the predictive model generating unit 203 performs machine learning using the generated sets of objective variables and explanatory variables (step 1008), and replaces the previously held model with a model newly obtained by machine learning. (step 1009). This completes the process of generating a model showing the relationship between the climate and usage and various sensor data (step 1010).
  • FIG. 11 is an explanatory diagram showing an example of the process of predicting temperature rise in summer by the data collection/analysis server 110 according to the embodiment of the present invention.
  • the prediction execution unit 204 extracts data for a predetermined period from the operating data stored in the storage unit 201 . For example, when predicting a temperature rise in the summer that has not yet arrived in spring, the prediction execution unit 204 extracts the operating data for that spring included in the latest data 212 .
  • the prediction execution unit 204 performs preprocessing on the extracted operating data for each individual refrigerator 120 (step 1103). Specifically, the prediction execution unit 204 executes steps 1104 to 1106 below. First, the prediction execution unit 204 aggregates the acquired spring driving data, specifically, spring climate data, spring usage data, and spring various sensor data (step 1104). Next, the prediction execution unit 204 extracts feature amounts of the aggregated spring driving data (step 1105). This feature quantity extraction can be performed in the same manner as step 806 in FIG. Then, the prediction execution unit 204 applies the extracted feature quantity as an explanatory variable to the prediction model of the above equation (4) (step 1106).
  • the prediction execution unit 204 acquires prediction results obtained by applying the above explanatory variables to the model (step 1107). Thereby, it is determined whether the summer temperature rise occurs for each individual refrigerator 120 .
  • the prediction execution unit 204 predicts usage and various sensor data for individuals for which it is determined that there will be a summer temperature rise as a result of the prediction (step 1108). Specifically, the prediction execution unit 204 executes steps 1109 to 1111 below. First, the prediction execution unit 204 extracts a feature amount as an explanatory variable by using aggregated data relating to usage in spring included in the operation data extracted in step 1102 (step 1109). At this time, the prediction execution unit 204 acquires the summer weather forecast from the external organization 160 or the like, and extracts the feature values of the data on how to use spring and the data on the summer weather generated from the summer weather forecast. You may This feature quantity extraction can be performed in the same manner as step 906 in FIG.
  • the prediction execution unit 204 applies the feature amount extracted in step 1109 as an explanatory variable to the prediction model of formula (5) above (step 1110). Furthermore, the prediction executing unit 204 applies the predicted value of the data regarding usage in summer obtained in step 1110 to the prediction model of the above equation (6) (step 1111). For example, the prediction executing unit 204 extracts the feature quantity of the summer weather data based on the summer weather forecast and the predicted value of the data on how to use the summer obtained in step 1110, and converts it into the formula (6 ) forecast model. This feature quantity extraction can be executed in the same manner as in step 1006 in FIG.
  • the prediction execution unit 204 acquires the predicted value of usage data in summer and the predicted value of various sensor data in summer (step 1112), and obtains the obtained prediction result (that is, formula (4), Prediction results based on the prediction models of (5) and (6) are output (step 1113).
  • FIG. 12 is an explanatory diagram showing a first example of utilization of prediction results by the data collection/analysis server 110 according to the embodiment of the present invention.
  • FIG. 12 shows an example in which the result of predicting the temperature rise in the refrigerator 120 in summer is used in the work of the refrigerator 120 support staff.
  • the information reference/control terminal 130 sets prediction conditions according to an input from the operator, and calls the prediction program 115 of the data collection/analysis server 110 (step 1201).
  • the conditions set here include, for example, the timing of the prediction target (predetermined period of summer in the example of FIG. 12), the time of acquisition of data to be input to the prediction model (predetermined period of spring in the example of FIG. 12), and the like.
  • the refrigerator 120 to be predicted is limited, conditions for the limitation (for example, the model, the area where the refrigerator is installed, etc.) may be set.
  • the data collection/analysis server 110 extracts the spring operating data 1203 from the stored operating data 1202 according to the set conditions, and applies it to the forecasting model 1204 to predict the temperature rise in the summer. The result is output to the information reference/control terminal 130 (step 1205).
  • the stored operating data 1202 is the operating data stored in the storage unit 201 shown in FIG. 2
  • the extracted spring operating data 1203 corresponds to the latest data 212
  • the prediction model 1204 corresponds to the prediction model 215 (specific Technically, it corresponds to the prediction model of formulas (4) to (6))
  • step 1205 corresponds to the processing in FIGS.
  • the information reference/control terminal 130 aggregates the prediction results obtained from the data collection/analysis server 110 and presents the analyzed results to the support staff (step 1206).
  • the person in charge of support can check the presented aggregated and analyzed results and take measures (step 1207). Examples of the results of the aggregation and analysis performed in step 1206 and screens for presenting them are described with reference to FIGS. 13A and 13B.
  • the information reference/control terminal 130 executes step 1206, but the data collection/analysis server 110 aggregates and analyzes the prediction results and sends the results to the information reference/control terminal 130. , and the information reference/control terminal 130 may present the result to the person in charge of support.
  • FIGS. 13A and 13B are explanatory diagrams showing examples of screens displayed in the first example of utilization of prediction results by the data collection/analysis server 110 according to the embodiment of the present invention.
  • a temperature rise prediction report screen 1301 in the summer of 2021 shown in FIG. 13A is an example of a screen displayed by the display device (not shown) of the information reference/control terminal 130 .
  • the number of registered refrigerators of a given model installed throughout the country for each region the number of individuals determined to have a high risk of temperature rise in the summer of 2021 from the operation data of the spring of 2021, The percentage and are displayed.
  • the risk of temperature rise may be the likelihood of occurrence of summer temperature rise predicted based on the prediction model.
  • a screen 1302 (FIG. 13B) is displayed.
  • a screen 1302 shown in FIG. 13B is a temperature rise prediction report screen when the user selects Nara Prefecture in the Kansai region.
  • a list of information on individual refrigerators 120 installed in Nara prefecture among registered individual refrigerators 120 of the relevant model is displayed.
  • This list includes, for example, individual ID, date of purchase, history of use, temperature rise risk, summer risk factor expected from spring operation data, number of complaints, and the like.
  • the usage history is the elapsed time from the purchase date to the present time
  • the temperature rise risk is the risk value predicted by the prediction model
  • the number of complaints is the number of complaints from users that have already been made to the support staff for each animal. number of times.
  • the summer risk factors predicted from the spring driving data are those estimated from the summer usage predicted based on the model of equation (5). It may be determined that the higher the number compared to the national average (or the average of the region to which the individual belongs), the higher the risk of it becoming a factor of temperature rise. A specific example thereof will be described later with reference to FIG. Summer risk factors expected from spring driving data may be displayed in descending order of calculated risk.
  • FIG. 14 is an explanatory diagram showing a second example of utilization of prediction results by the data collection/analysis server 110 according to the embodiment of the present invention.
  • FIG. 14 shows an example in which the result of predicting the temperature rise inside the refrigerator 120 in summer is used to advise the user on how to use the refrigerator 120 .
  • the processing step 1201 in which the information reference/control terminal 130 sets the prediction conditions and calls the prediction program 115 is the same as that shown in FIG.
  • the data collection/analysis server 110 predicts the temperature rise in summer according to the set conditions, and outputs the result to the information reference/control terminal 130 (step 1205). Same as shown.
  • the information reference/control terminal 130 refers to the prediction result obtained from the data collection/analysis server 110, extracts individual refrigerators 120 that have a high risk of temperature rise in summer, and creates a list of risk factors for each. (Step 1401). The information reference/control terminal 130 then sends an alert to the high-risk refrigerator 120 or a notification to the terminal device (for example, the smartphone 140) of the user of the refrigerator 120 .
  • the terminal device for example, the smartphone 140
  • the refrigerator 120 may display the received notification, for example, on its operation panel.
  • the notification received by smartphone 140 may be displayed.
  • the user can confirm the displayed alert or the like and take countermeasures such as changing the usage (step 1403).
  • An example of a screen displayed to the user via smartphone 140 will be described with reference to FIG. 15 .
  • the information reference/control terminal 130 acquires the predicted values of various sensor data in the summer based on the prediction model of the above formula (6) obtained from the data collection/analysis server 110, and the values actually obtained in the summer. If a predetermined condition is satisfied, such as a difference greater than a predetermined standard, the refrigerator 120 is determined to have a high risk of failure, and the refrigerator 120 120 failure information may be output to support personnel. Alternatively, the information reference/control terminal 130 may transmit information about the failure of the refrigerator 120 to the refrigerator 120 or the smartphone 140, and the refrigerator 120 or the smartphone 140 may output the information to the user. good.
  • the information reference/control terminal 130 executes steps 1402 and 1403, but the data collection/analysis server 110 executes steps 1402 and 1403 and transmits the results to the refrigerator 120 or smartphone 140. You may
  • FIG. 15 is an explanatory diagram showing an example of a screen displayed in a second example of utilization of prediction results by the data collection/analysis server 110 according to the embodiment of the present invention.
  • a refrigerator usage navigation screen 1501 shown in FIG. It is an example of the screen displayed based on the notification from 130.
  • FIG. 1501 A refrigerator usage navigation screen 1501 shown in FIG. It is an example of the screen displayed based on the notification from 130.
  • Refrigerator usage navigation screen 1501 displays, for example, a message display section 1502 that notifies that the risk of summer temperature rise in the destination user's refrigerator 120 is high and calls for caution, and displays a specific expected risk value.
  • a risk value display section 1503 and an advice display section 1504 that displays advice for risk reduction may be included.
  • the risk value display section 1503 displays, for example, the risk value predicted for each risk factor and its evaluation.
  • Risk factors may include, for example, the number and duration of opening of the refrigerator compartment door, freezer compartment door, and vegetable compartment door of the refrigerator 120, and the extent to which the refrigerator, freezer, and vegetable compartments are stuffed. Alternatively, it may include the usage status of the ice greenhouse, the number of times of rapid ice making, and the like.
  • the risk value here is the result of comparing the predicted value of the data on how to use the refrigerator 120 (for example, the number of times the door is opened) calculated based on the prediction model of formula (5) for each risk factor with the national average. may be
  • the predicted value is the same as the national average, greater than 50 when the predicted value is greater than the national average, and less than 50 when the predicted value is smaller than the national average.
  • a risk value calculated such that the maximum value is 100 and the minimum value is 0 is used.
  • the evaluation of the risk value for each risk factor is, for example, the rank of the magnitude of the risk value, and may be "high”, “slightly high”, “slightly low”, “low”, and the like.
  • the risk value is the result of comparing the predicted value of the data on how to use each individual with the national average. A result of the comparison may be used as a risk value.
  • the most recent usage history of the refrigerator 120 may be displayed according to an instruction from the user. Although illustration of the usage history is omitted, information such as the number of times the door has been opened and the opening time for the last several days may be displayed.
  • advice display section 1504 for example, among the risk factors displayed in the risk value display section 1503, for those with high risk value ranks, advice for reducing them is displayed. For example, when the risk value of the door open time is evaluated to be high, advice or the like for shortening the door open time may be displayed.
  • this embodiment shows an example of predicting that the temperature inside the refrigerator 120 will rise in summer.
  • a model that estimates devices that will experience a predetermined event, such as failure to exhibit the expected performance. It is possible to create a model that predicts usage. As a result, it is possible to estimate devices that will cause problems in the future, and to propose improvements in usage, etc., for any type of device.
  • system of the embodiment of the present invention may be configured as follows.
  • a device state prediction method executed by a device state prediction system for example, device state prediction system 100 having a processor (for example, processor 112) and a storage device (for example, information storage unit 111), wherein the storage device is , operating data (e.g., operating data 500) indicating the operating status of equipment, and a first model (for example, the model of formula (4)) and a second model (for example, the model of formula (5)) that predicts how the device will be used by the user in the second period based on the operating data in the first period.
  • operating data e.g., operating data 500
  • a first model For example, the model of formula (4)
  • a second model for example, the model of formula (5)
  • the processor performs a first procedure (e.g., Steps 1102 to 1107) and a second procedure in which the processor predicts the usage of the device by the user in the second period by applying the acquired operating data in the first period to the second model ( Steps 1109 to 1110 and 1112, for example), and a third procedure (for example, steps 1113 ) and including.
  • a first procedure e.g., Steps 1102 to 1107
  • a second procedure in which the processor predicts the usage of the device by the user in the second period by applying the acquired operating data in the first period to the second model
  • a third procedure for example, steps 1113
  • the device is a refrigerator (for example, refrigerator 120) having at least one of a refrigerating compartment and a freezing compartment, the second time period is the summer season, and the operating data is climate data.
  • data on how the device is used by the user and data on the state of control of the device, and the first model includes data on the climate for the first period of time, data on the usage of the device by the user and data on the state of control of the device.
  • the storage device further holds predicted values of data relating to climate in the second future period
  • the second model stores data relating to how the device is used by the user in the first period.
  • the processor Based on (for example, b′ in formula (5)) and data related to the climate in the second period (for example, a in formula (5)), how the device is used by the user in the second period (for example, formula ( It is a model for predicting c) of 5), and in the second procedure, the processor combines the obtained data on the usage of the device by the user in the first period and the data on the climate in the second future period. and applying the predicted value to the second model to predict how the device will be used by the user at a second time in the future.
  • the storage device calculates the control state of the device during the second period based on the data regarding the weather during the second period and the data regarding the usage of the device by the user.
  • a model e.g., the model of equation (6)
  • the equipment state prediction method includes: calculating a state of control of the device at a second epoch by applying the data to a third model; and a state of control of the device at the second epoch calculated based on the third model;
  • a fourth procedure (for example, a step) of comparing the device control state actually acquired at the second time and outputting information about the device failure when the magnitude of the difference between the two satisfies a predetermined condition. 1109-1113).
  • the processor receives the temperature inside the device in the past second time period, the climate data in the first time period prior to the past second time period, and how the device is used by the user.
  • a fifth procedure e.g., FIG. 8 for generating the first model by learning at least one of data related to and data related to the state of control of the equipment; data on usage by the user, data on climate in the second period in the past, and data on usage by the user of the device in the first period before the second period in the past.
  • a sixth procedure for example, FIG. 9) for generating a second model, and the processor generates data regarding the state of control of the equipment in the past second period and the climate in the past second period
  • a seventh procedure eg, FIG. 10) of generating a third model by learning the data and the data on how the device was used by the user at the second time in the past.
  • the processor aggregates the results of predicting how users will use the devices in the second future period based on the second model for the plurality of devices, and calculates the first model.
  • the processor aggregates the results of predicting how users will use the devices in the second future period based on the second model for the plurality of devices, and calculates the first model.
  • the processor aggregates the results of predicting usage of the plurality of devices by the users for each installed region, and the temperature rises based on the first model. Then, the greater the difference between the usage of the predicted device by the user based on the second model and the aggregated usage of the multiple devices by the user, the higher the risk of the usage is estimated. do.
  • the climate data includes at least one of the ambient temperature and humidity of the equipment
  • the data on how the equipment is used by the user includes at least one of the number of times the equipment door is opened and the opening time.
  • the data on the control status of the equipment includes the set value of the cooling intensity of the equipment, the set value of the operation mode of the equipment, the rotation speed of the motor that drives the compressor for cooling the equipment, and the temperature inside the equipment. Includes at least one.
  • the present invention is not limited to the above-described embodiments, and includes various modifications.
  • the above embodiments have been described in detail for better understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • each of the above configurations, functions, processing units, processing means, etc. may be implemented in hardware by designing, for example, integrated circuits in part or in whole.
  • each of the above configurations, functions, etc. may be realized by software by a processor interpreting and executing a program for realizing each function.
  • Information such as programs, tables, files, etc. that realize each function is stored in storage devices such as non-volatile semiconductor memories, hard disk drives, SSDs (Solid State Drives), or computer-readable non-storage devices such as IC cards, SD cards, DVDs, etc. It can be stored on a temporary data storage medium.
  • control lines and information lines indicate what is considered necessary for explanation, and not all control lines and information lines are necessarily indicated on the product. In fact, it may be considered that almost all configurations are interconnected.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Devices That Are Associated With Refrigeration Equipment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

プロセッサと、記憶装置と、を有するシステムが実行する機器状態予測方法であって、記憶装置は、機器の稼働状況を示す運転データと、第１の時期の運転データに基づいて第１の時期より後の第２の時期の機器の状態を予測する第１のモデルと、第１の時期の運転データに基づいて第２の時期の機器の使い方を予測する第２のモデルと、を保持し、機器状態予測方法は、取得された第１の時期の運転データを第１のモデルに適用することによって、第２の時期の前記機器の状態を予測する手順と、取得された第１の時期の運転データを第２のモデルに適用することによって、第２の時期の機器の使い方を予測する手順と、第２の時期の機器の状態の予測結果及び第２の時期の機器の使い方の予測結果を出力する手順と、を含む。

Description

機器状態予測方法及び機器状態予測システム 参照による取り込み
　本出願は、令和４年（２０２２年）２月１８日に出願された日本出願である特願２０２２－２３８６８の優先権を主張し、その内容を参照することにより、本出願に取り込む。
　本発明は、冷蔵庫等の機器の状態を予測する技術に関する。
　機器の故障時期を予測する技術として、例えば特開平１０－２６７５０９号公報（特許文献１）に記載の技術がある。特許文献１には、「機器の運転状態に関するデータに基いて機器の管理を行う運転状態管理装置において、機器の運転状態に関する情報を、当該情報が得られた機器の運転条件毎に分類して保存することにより、過去の運転状態に関するデータベースを構築するデータベース構築手段、および機器の現在の運転状態に関する情報とそれと同一の運転条件におけるデータベース内の過去の情報とに基づいて、機器が故障に至る時期を予測する故障時期予測手段を備えている。」と記載されている。
　　特許文献１：特開平１０－２６７５０９号公報
　一般に、機器が所期の性能を発揮しないなどの問題が発生した場合に、その機器の故障が原因であるとは限らず、その機器の利用者による使い方が原因となっている場合がある。機器の一例として冷蔵庫を挙げると、例えば夏期に庫内の温度が十分に下がらないといった問題が発生することがあるが、一般には利用者によるドアの開閉回数の多さ及び開時間の長さといった使い方が原因である場合が少なくない。このため、将来そのような問題が発生することが予測されるような使い方がされている機器を予め推定することで、問題の発生を未然に回避し、問題に対処するためのサービス担当者の出動回数を減らすことができると考えられる。
　特許文献１には、低温ショーケース、冷蔵庫又は冷凍庫等の機器の故障時期を予測する技術として、自機器の過去の運転状態に関する情報に基づいて将来の故障時期を予測する技術が記載されている。しかし、自機器に限らず、多数の機器の過去の使用状況等に基づいて、自機器に所定の事象（例えば夏期の温度上昇等）が発生すること、及び、当該事象が発生するときの機器の使い方を予測する技術は開示されていない。
　上記課題の少なくとも一つを解決するために、本発明は、プロセッサと、記憶装置と、を有する機器状態予測システムが実行する機器状態予測方法であって、前記記憶装置は、機器の稼働状況を示す運転データと、第１の時期の前記運転データに基づいて前記第１の時期より後の第２の時期の前記機器の状態を予測する第１のモデルと、前記第１の時期の前記運転データに基づいて前記第２の時期の前記機器の利用者による使い方を予測する第２のモデルと、を保持し、前記機器状態予測方法は、前記プロセッサが、取得された前記第１の時期の前記運転データを前記第１のモデルに適用することによって、前記第２の時期の前記機器の状態を予測する第１の手順と、前記プロセッサが、前記取得された第１の時期の前記運転データを前記第２のモデルに適用することによって、前記第２の時期の前記機器の利用者による使い方を予測する第２の手順と、前記プロセッサが、前記第２の時期の前記機器の状態の予測結果及び前記第２の時期の前記機器の利用者による使い方の予測結果を出力する第３の手順と、を含むことを特徴とする。
　本発明の一態様によれば、多数の機器の過去の使用状況の実績に基づいて、機器に例えば夏期の温度上昇等の所定の事象が発生することを予測するとともに、当該事象が発生するときの機器の使い方を予測することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明によって明らかにされる。
本発明の実施例の機器状態予測システムの構成の一例を示すブロック図である。 本発明の実施例のデータ収集・解析サーバが保持する予測プログラムのソフトウェア構成の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが生成する予測モデルの考え方の一例を示す説明図である。 本発明の実施例における冷蔵庫内の温度上昇の要因の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが保持する運転データの一例を示す説明図である。 本発明の実施例における、同じ時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。 本発明の実施例における、異なる時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが春に観測されたデータから夏の温度上昇を予測する予測モデルを生成する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが春の使い方と夏の使い方との関係性を示すモデルを生成する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが気候及び使い方と各種センサデータとの関係性を示すモデルを生成する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバが夏の温度上昇を予測する処理の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第１の例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第１の例において表示される画面の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第１の例において表示される画面の一例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第２の例を示す説明図である。 本発明の実施例のデータ収集・解析サーバによる予測結果の活用の第２の例において表示される画面の一例を示す説明図である。
　以下、本発明の実施例について図面を参照して説明する。
　図１は、本発明の実施例の機器状態予測システムの構成の一例を示すブロック図である。
　本実施例の機器状態予測システム１００は、ネットワーク１５０に接続されたデータ収集・解析サーバ１１０と、ネットワーク１５０を介してデータ収集・解析サーバ１１０と通信する複数の冷蔵庫１２０と、を有する。
　データ収集・解析サーバ１１０は、互いに接続されたプロセッサ１１２、メモリ１１４、ネットワークインターフェース（Ｉ／Ｆ）１１３及び情報格納部１１１を有する計算機である。
　プロセッサ１１２は、メモリ１１４に格納されたプログラムを実行する。
　メモリ１１４は、例えば半導体メモリであり、プロセッサ１１２によって実行されるプログラム、プロセッサ１１２によって参照されるデータ、及びプロセッサ１１２から出力されたデータ等を格納する。本実施例のメモリ１１４には、少なくとも、プロセッサ１１２によって実行されるプログラムである予測プログラム１１５が格納される。プロセッサ１１２が予測プログラム１１５を実行することによって実現される処理については後述する。以下に説明する予測プログラム１１５に基づく処理は、プロセッサ１１２によって実行される。
　ネットワークＩ／Ｆ１１３は、ネットワーク１５０に接続され、冷蔵庫１２０等と通信する。
　情報格納部１１１は、例えばＨＤＤ（Hard Disk Drive）又はＳＳＤ（Solid State Drive）のような記憶装置であってもよい。情報格納部１１１には、例えば、各冷蔵庫１２０から取得した運転データ等が格納される。また、情報格納部１１１には、予測プログラム１１５に基づいて運転データ等を学習することによって生成された予測モデル、及び、予測モデルを使用して予測された結果等が格納されてもよい。
　各冷蔵庫１２０は、本実施例の機器状態予測システム１００が状態を予測する対象の機器であり、庫内を低温に保って食品等を保管するために使用される。以下、複数の冷蔵庫１２０の一つの典型的な構成を説明する。他の冷蔵庫１２０の構成も図１に示すものと同様であってよいため、それらに関する図示及び説明は省略する。
　冷蔵庫１２０は、互いに接続されたプロセッサ１２４、メモリ１２７、ネットワークＩ／Ｆ１２１、センサ群１２６、外部Ｉ／Ｆ１２５、制御装置１２３及び制御対象機器１２２を備える。
　プロセッサ１２４は、メモリ１２７に格納されたプログラムを実行する。
　メモリ１２７は、例えば半導体メモリであり、プロセッサ１２４によって実行されるプログラム及びプロセッサ１２４によって参照されるデータ等を格納する。本実施例のメモリ１２７には、プロセッサ１２４によって実行されるプログラムである制御プログラム１２８及びプロセッサ１２４の処理において生成される運転データ一時記憶１２９が格納される。
　センサ群１２６は、１以上のセンサを含む。センサ群１２６は、例えば、冷蔵庫１２０内の温度を計測する温度センサ、及び、冷蔵庫１２０のドアの開閉を検知するセンサ等を含んでもよい。冷蔵庫１２０が、例えばいわゆる冷凍室及び冷蔵室など、複数の区画を有する場合、センサ群１２６は、それぞれの区画の温度を計測するセンサ及びそれぞれの区画のドアの開閉を検知するセンサを含んでもよい。また、センサ群１２６は、冷蔵庫の外側の室温を計測するセンサを含んでもよい。
　プロセッサ１２４は、制御プログラム１２８に従って、センサ群１２６が計測した冷蔵庫１２０の稼働状況を示すデータを運転データとして取得し、これをメモリ１２７の運転データ一時記憶１２９に格納する。そして、適切なタイミングで（例えば定期的に）運転データ一時記憶１２９の内容をデータ収集・解析サーバ１１０に送信する。送信されたデータは、データ収集・解析サーバ１１０の情報格納部１１１に格納される。
　また、プロセッサ１２４は、データ収集・解析サーバ１１０から制御指示を受信すると、制御プログラム１２８に従って、制御指示に応じた処理を実行し、必要があれば制御装置１２３を制御するための制御信号を出力する。制御装置１２３は、制御信号に従って制御対象機器１２２を制御する。制御対象機器１２２は、例えば冷蔵庫１２０の操作パネル及び冷蔵庫１２０の冷却用のコンプレッサー等である。制御装置１２３は、センサ群１２６から取得した庫内の温度を参照して、設定温度に庫内の温度が近づくようにコンプレッサー等を制御してもよいし、所定のタイミングで霜取り動作を行うようにコンプレッサー等を制御してもよい。また、制御対象機器１２２がドア開放の警報器（ブザー等）を含む場合、制御装置１２３は、センサ群１２６から取得したドア開時間に応じて警報を出力するように警報器を制御してもよい。
　ネットワークＩ／Ｆ１２１は、ネットワーク１５０に接続され、ネットワーク１５０を介してデータ収集・解析サーバ１１０等との間の通信を実行する。具体的には、例えば、冷蔵庫１２０からの運転データの送信、及び、データ収集・解析サーバ１１０等からの制御指示の受信はこのような通信によって実現される。
　外部Ｉ／Ｆ１２５は、冷蔵庫１２０の外部の機器と接続される。例えば、外部Ｉ／Ｆ１２５は、外気温のセンサ（図示省略）等、冷蔵庫１２０の外部のセンサに接続され、そのセンサによって計測されたデータが運転データの一部としてメモリ１２７に格納されてもよい。なお、そのような外部の機器は必須ではないため、外部Ｉ／Ｆ１２５が使用されない場合もある。
　本実施例の機器状態予測システム１００は、さらに、冷蔵庫１２０の利用者が使用する端末装置、及び、冷蔵庫１２０の利用者をサポートする業務の担当者が使用する端末装置を含んでもよい。図１には、利用者が使用する端末装置の一例としてスマートフォン１４０が、サポート担当者が使用する端末装置の一例として情報参照・制御用端末１３０が、それぞれ記載されている。
　スマートフォン１４０は、ネットワーク１５０を介してデータ収集・解析サーバ１１０等と通信することができる。例えば、利用者はスマートフォン１４０を介して制御指示をデータ収集・解析サーバ１１０等に送信することができる。また、スマートフォン１４０は、データ収集・解析サーバ１１０等から受信した状況表示に関する情報に従って、利用者に対して状況（例えばデータ収集・解析サーバ１１０が予測した冷蔵庫１２０の状況に関する情報等）を表示することができる。
　情報参照・制御用端末１３０は、ネットワーク１５０を介してデータ収集・解析サーバ１１０、冷蔵庫１２０及びスマートフォン１４０等と通信することができる。例えば、サポート担当者は、情報参照・制御用端末１３０を介してデータ収集・解析サーバ１１０による予測結果等の情報を参照し、必要に応じて制御指示を冷蔵庫１２０に送信し、注意喚起を冷蔵庫１２０又はスマートフォン１４０に送信することができる。
　データ収集・解析サーバ１１０は、ネットワーク１５０を経由して、外部機関１６０から気候に関する情報を取得してもよい。外部機関１６０は、例えば、気象に関する情報を提供する企業又は官公庁等である。取得される気候に関する情報は、各地域の気温、湿度、天候（例えば日照の有無、降雨の有無等）であってもよいし、ある期間の最低気温、最高気温、平均気温、日照時間、降水量といった統計的な情報を含んでもよい。
　図２は、本発明の実施例のデータ収集・解析サーバ１１０が保持する予測プログラム１１５のソフトウェア構成の一例を示す説明図である。
　本実施例の予測プログラム１１５は、記憶部２０１、特徴量取得部２０２、予測モデル生成部２０３及び予測実行部２０４を含む。
　記憶部２０１は、情報格納部１１１に格納された冷蔵庫１２０の運転データ等を参照する。運転データは、過去データ２１１及び最新データ２１２を含む。過去データ２１１は、過去の運転データと、その過去の運転の結果として冷蔵庫１２０内の温度が上昇したかどうかを示す情報とを含む。最新データ２１２は、運転データを含むが、その運転の結果として冷蔵庫１２０内の温度が上昇したかどうかを示す情報は、まだ得られていないため、含まない。
　特徴量取得部２０２は、前処理２１３として、過去データ２１１及び最新データ２１２の特徴量を抽出する。予測モデル生成部２０３は、過去データ２１１の特徴量を説明変数とし、それに対応する冷蔵庫１２０内の温度が上昇したか否かを目的変数とするモデル学習２１４を実行し、過去の運転データの特徴量から温度上昇の有無を予測する予測モデル２１５を生成する。
　予測実行部２０４は、最新データ２１２の特徴量を予測モデル２１５に入力することによって予測２１６を実行し、予測結果２１７を取得する。
　図３は、本発明の実施例のデータ収集・解析サーバ１１０が生成する予測モデル２１５の考え方の一例を示す説明図である。
　本実施例による予測の対象は、夏期の冷蔵庫１２０内の温度上昇である。夏には冷蔵庫１２０の使用頻度の増加及び設置環境の温度上昇などによって負荷が上昇するため、庫内の温度上昇（すなわち、庫内が所望の温度まで冷えない）等の事象が発生し、冷蔵庫１２０の修理依頼が増加する傾向にある。特に、冷蔵庫１２０内の冷凍室の内容物が溶けるなど、冷凍機能に関する不具合が発生し、サポート部署への問合せが増加する。このため、夏の冷蔵庫１２０内の温度上昇を、それより前の時点（例えば春の時点）で予測したいというニーズがある。
　本実施例のデータ収集・解析サーバ１１０は、前年又はそれ以前の年の春の運転データと夏の温度上昇との関係性を機械学習などによってモデル化し、そのモデルを用いて、今年の春の時点でその春の運転データからその年の（すなわちこれから到来する）夏の温度上昇を予測する。
　図３の例では、前年の春以前に購入された個体１及び個体２の二つの冷蔵庫１２０の、春の期間の運転データと、夏の期間の庫内温度とに基づいて、春の運転データと夏の温度上昇の関係性をモデル化することで、温度上昇予測モデル２１５を生成する。そして、個体２と、今年の春以前に購入された個体３及び個体４とを含む三つの冷蔵庫１２０の、今年の春の期間の運転データに温度上昇予測モデル２１５を適用する。これによって、今年の春の時点で、今年の夏の温度上昇を予測する。
　図３では説明のために四つの冷蔵庫１２０を示したが、実際にはより多数の冷蔵庫１２０を対象としてモデル化及び予測が行われる。
　図４は、本発明の実施例における冷蔵庫１２０内の温度上昇の要因の一例を示す説明図である。
　冷蔵庫１２０内の温度上昇のリスク要因として、主に機器（すなわち冷蔵庫１２０自体）に起因するもの、環境に起因するもの、及び使い方に起因するものがあると考えられる。ここで、リスク要因のうち、主に機器に起因するものとして、例えば、冷蔵庫１２０固有の（例えば冷蔵庫１２０の設計又は使用している部品の品質等に起因する）故障リスク、及び、冷蔵庫１２０の経年劣化等が挙げられる。環境に起因するものとして、例えば、設置環境（例えば冷蔵庫と周囲の壁等の物体との距離）、冷蔵庫１２０が置かれた部屋の室温、及び、外気温等が挙げられる。また、使い方に起因するものとして、例えば、ドアの開回数、開時間及び庫内に詰め込む物の量等が挙げられる。
　時間経過に対する温度上昇のリスクの大きさの変化の態様（例えば変化の有無、季節に関連する変化の有無等）は、要因ごとに異なる場合がある。例えば、機器に起因するリスクのうち、機器固有の故障リスクは、基本的には変化しないと考えられる。一方、経年劣化に起因するリスクは、季節とは関係なく、時間経過とともに徐々に増加していくと考えられる。
　また、環境に起因するリスクのうち、冷蔵庫１２０と周囲の物体との距離のような設置環境は、冷蔵庫１２０自体及びその周辺の物体の配置を変更しない限り、基本的には変化しない。一方、室温及び外気温は季節に関連する変化がある。また、使い方に起因するリスクは、季節に関連して変化しない基本的な使い方に起因するリスクと、季節に関連して変化する使い方に起因するリスクとを含んでいると考えられる。
　上記のようなそれぞれの要因のリスクを組み合わせた温度上昇リスクがある限界を超えたときに、実際の温度上昇が発生すると考えられる。上記の通り、季節性があって、春より夏のリスクが高くなるようなリスク要因が含まれること、及び、同一の個体については、時間経過とともに上昇する経年劣化のリスク要因が含まれることから、春の時点での温度上昇のリスクは限界を超えないために実際の温度上昇は発生しないが、その次の夏の時点での温度上昇のリスクが限界を超えることによって実際の温度上昇が発生する場合がある。
　図５は、本発明の実施例のデータ収集・解析サーバ１１０が保持する運転データの一例を示す説明図である。
　図５に示す運転データ５００は、機器ＩＤ５０１、時刻５０２、冷凍室温度５０３、冷蔵室温度５０４、野菜室温度５０５、室内温度５０６、室内湿度５０７、冷凍室ドア開時間５０８、冷凍室ドア開回数５０９、冷蔵室左ドア開時間５１０、冷蔵室左ドア開回数５１１、冷蔵室右ドア開時間５１２、冷蔵室右ドア開回数５１３、冷蔵室温度調整５１４、冷凍室温度調整５１５、急速製氷モード５１６、節電モード５１７、モータ回転数５１８、圧縮機温度５１９及び除霜運転５２０を含む。
　機器ＩＤ５０１は、各冷蔵庫１２０の識別情報である。時刻５０２は、センサ群１２６によってデータが取得された時刻を示す。冷凍室温度５０３、冷蔵室温度５０４及び野菜室温度５０５は、冷蔵庫１２０が区画として冷凍室、冷蔵室及び野菜室を有する場合に、センサ群１２６のうち冷凍室の温度を計測するセンサ、冷蔵室の温度を計測するセンサ及び野菜室の温度を計測するセンサがそれぞれ計測した温度を示す。
　室内温度５０６及び室内湿度５０７は、それぞれ、センサ群１２６のうち冷蔵庫１２０の外側に設置された温度センサ及び湿度センサが計測した、冷蔵庫１２０が設置された部屋の温度及び湿度を示す。
　冷凍室ドア開時間５０８及び冷凍室ドア開回数５０９は、それぞれ、センサ群１２６のうち冷凍室のドアの開閉を検知するセンサが計測したドアの開時間及び開回数である。
　冷蔵室左ドア開時間５１０及び冷蔵室左ドア開回数５１１は、それぞれ、冷蔵室がいわゆる観音開きのドアを有する場合に、センサ群１２６のうち冷蔵室の左ドアの開閉を検知するセンサが計測した左ドアの開時間及び開回数である。冷蔵室右ドア開時間５１２及び冷蔵室右ドア開回数５１３は、それぞれ、センサ群１２６のうち冷蔵室の右ドアの開閉を検知するセンサが計測した右ドアの開時間及び開回数である。
　冷蔵室温度調整５１４及び冷凍室温度調整５１５は、それぞれ、利用者によって調整された冷蔵室及び冷凍室の温度を示す。冷蔵室温度調整５１４及び冷凍室温度調整５１５の値は、具体的な温度であってもよいが、冷蔵室及び冷凍室の冷却の強度の設定値であってもよい。図５には後者の例を示している。
　急速製氷モード５１６は、利用者によって設定された冷蔵庫１２０の製氷機能のモードを示す。図５の例では、急速製氷モード５１６は、急速製氷モード（すなわち製氷機能の冷却の強度を増して製氷に要する時間を短縮するモード）が設定されているか否かを示す。
　節電モード５１７は、利用者によって設定された冷蔵庫１２０の消費電力のモードを示す。図５の例では、節電モード５１７は、節電モード（すなわち消費電力を抑制するモード）が設定されているか否かを示す。
　モータ回転数５１８は、冷媒を圧縮するための圧縮機を駆動するモータの回転数を示す。圧縮機温度５１９は、冷媒を圧縮するための圧縮機の温度を示す。これらは、センサ群１２６のうちモータの回転を検出するセンサ及び圧縮機に取り付けられた温度センサによって計測される。
　除霜運転５２０は、冷蔵庫が霜取りのための運転を行っているか否かを示す。
　図５に示した運転データとして保持されたセンサデータの項目は一例であり、実際の運転データは上記の項目の少なくともいずれかを含まなくてもよいし、上記以外の項目をさらに含んでもよい。
　図５の例では、列５２１に、機器ＩＤ「００００１」によって識別される冷蔵庫１２０のセンサ群１２６が２０２０年１月１日の１２時３５分に計測した運転データが格納されている。この例では、当該時刻の冷凍室温度が－１８．５℃、冷蔵室温度が３．３℃、野菜室温度が３．５℃、室内温度が１８．５℃、室内湿度が５５％、冷凍室ドアの開時間及び開回数がそれぞれ１５秒及び２回、冷蔵室左ドアの開時間及び開回数がそれぞれ０秒及び０回、冷蔵室右ドアの開時間及び開回数がそれぞれ３秒及び１回、冷蔵室の温度調整が中、冷凍室の温度調整が強、急速製氷モードが設定されており、節電モードが設定されておらず、モータ回転数は３０００ｒｐｍ、圧縮機の温度は５０．１℃、除霜運転は停止中である。
　この例では運転データが１分ごとに記録されるため、ドアの開時間及び開回数は、例えば１２時３４分から３５分までの１分間の開時間の合計及び開回数である。また、温度、湿度、モータ回転数等は、その１分間のうち１時点における計測値であってもよいし、その１分間に複数回計測された値の平均値等であってもよい。
　同様に、列５２２には、機器ＩＤ「００００１」によって識別される冷蔵庫１２０のセンサ群１２６が２０２０年１月１日の１２時３６分に計測した運転データが格納される。また、列５２３及び列５２４には、それぞれ、機器ＩＤ「００００２」によって識別される冷蔵庫１２０のセンサ群１２６が２０２０年１月１日の１２時３５分及び３６分に計測した運転データが格納される。図５では省略されているが、各冷蔵庫１２０について、他の時刻の運転データも格納され、さらに他の冷蔵庫１２０についての各時刻の運転データも格納される。このように、各冷蔵庫１２０の各時刻における運転データが情報格納部１１１に格納される。
　図６は、本発明の実施例における、同じ時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。
　本実施例における運転データは、気候に関するデータ、利用者による冷蔵庫１２０の使い方に関するデータ、及び、冷蔵庫１２０の制御に関する各種センサデータに分類することができる。図５の例において、室内温度５０６及び室内湿度５０７は気候に関するデータに分類される。外部機関１６０から気候に関する情報が取得された場合には、その情報も気候に関するデータに相当する。気候に関するデータは、原則として、利用者が制御することはできない。ただし、室内温度５０６及び室内湿度５０７に関しては利用者が制御できる場合がある。
　図５の例において、冷凍室ドア開時間５０８から節電モード５１７までのデータは、利用者による冷蔵庫１２０の使い方に関するデータ（以下、単に使い方に関するデータとも記載する）に相当する。使い方は、利用者が制御することができる。
　図５の例において、冷凍室温度５０３から野菜室温度５０５及びモータ回転数５１８から除霜運転５２０までのデータは、冷蔵庫１２０の制御に関する各種センサデータ（以下、単に各種センサデータとも記載する）に相当する。これらは、冷蔵庫１２０が制御プログラム１２８に従って気候及び利用者の使い方に応じて行う冷蔵庫１２０内の各部の制御の状況（例えば制御量、制御の設定値及び制御の結果として生じる冷蔵庫１２０の状況等）を示すデータである。このため、利用者は、少なくとも直接的には各種センサデータを制御することはできない。
　次に、分類されたデータ間の関係について説明する。以下、気候に関するデータをａ、使い方に関するデータをｂ、各種センサデータをｃによって識別する。ある時期における庫内の温度上昇に相当する目的変数をＸとすると、同じ時期の上記のａからｃのデータを説明変数として、機械学習等を行うことによって、下記の式（１）のモデルが生成できる。
Ｘ＝ｆ１（ａ，ｂ，ｃ）　　　・・・（１）
　一方、ある時期の利用者の使い方に関するデータｂは、同じ時期の気候データａを入力とし、各利用者の使い方の個人差、家族構成等と季節による変動とを加味した下記の式（２）のモデルによって表される。
ｂ＝ｆ２（ａ）　　　・・・（２）
　さらに、ある時期の冷蔵庫１２０の制御の結果として観測される各種センサデータｃは、同じ時期の気候に関するデータａ及び使い方に関するデータｂを入力とし、個々の冷蔵庫１２０の内部要因及び環境要因に基づいて、下記の式（３）のモデルによって表される。
ｃ＝ｆ３（ａ，ｂ）　　　・・・（３）
　図７は、本発明の実施例における、異なる時期の運転データと庫内温度上昇との関係のモデルの一例を示す説明図である。
　ここでは、異なる時期の例として、春と、その次に到来する夏とを挙げて説明するが、それ以外の互いに前後する時期についても、それぞれの時期が具体的にどの季節に該当するか、及び、それらの時期がどれだけ離れているかにかかわらず、本発明を適用することができる。
　以下の説明では、夏の温度上昇をＸ、夏の気候に関するデータをａ、夏の使い方に関するデータをｂ、夏の各種センサデータをｃと記載する。一方、その前の春の温度上昇をＸ’、春の気候に関するデータをａ’、春の使い方に関するデータをｂ’、春の各種センサデータをｃ’と記載する。
　図６に示した同じ時期のデータに関するモデルの説明変数を異なる時期の説明変数に置き換えることによって、異なる時期のデータに関するモデルが生成される。
　夏の庫内温度の上昇Ｘを得るモデルとして、その前の春に観測されたデータａ’、ｂ’、ｃ’を説明変数とする次の式（４）のモデルが生成できる。春に観測されたデータａ’、ｂ’、ｃ’と夏の庫内温度の上昇Ｘとの間に必ず因果関係があるとは限らないが、予測モデル生成部２０３は、過去に観測されたデータを学習することによって関係性を示すモデルを生成することはできる。
Ｘ＝Ｆ１（ａ’，ｂ’，ｃ’）　　　・・・（４）
　上記の式（４）は、ある時期の運転データに基づいてそれより後の時期の温度上昇の発生を予測するモデルの一例であり、本実施例で生成されるモデルはこれに限定されない。例えば、上記の例では春の運転データに基づいて夏の温度上昇が予測されるが、春より前の時期の運転データに基づいて夏の温度上昇を予測するモデルが生成されてもよい。これは、後述する別の予測モデルについても同様である。また、上記の式（４）の例では説明変数として春の気候に関するデータａ’、春の使い方に関するデータｂ’及び春の各種センサデータｃ’の全てを含んでいるが、これらの一部を含まない説明変数に基づく予測モデルが生成されてもよい。
　上記の式（４）のモデルによって、春に観測されたデータから夏の温度上昇を予測することはできるが、仮にこのモデルによって夏に温度上昇すると予測されたとして、そのときにどのような利用者の使い方が想定されているかを知ることはできない。想定される夏の利用者の使い方を事前に知ることができれば、実際に夏が到来したときに想定されたものと異なる使い方をすることによって、温度上昇を抑制できる可能性がある。そこで、予測モデル生成部２０３は、春の使い方ｂ’と夏の使い方ｂの関係性を示す次の式（５）に示すモデルも生成する。
ｂ＝Ｆ２（ａ，ｂ’）　　　・・・（５）
　これによって、予測実行部２０４は、上記の式（４）のモデルを使って夏に温度上昇が発生すると予測された冷蔵庫１２０について、当該冷蔵庫１２０の春の使い方から、上記（５）のモデルによって夏の使い方を予測する。このとき、モデルに入力する夏の気候に関するデータａとして、例えば外部機関１６０から取得した夏の予報値を使用してもよい。そして、温度上昇のリスクを低減するために、予測された夏の使い方がされないように利用者に注意喚起するなど、対策を行うことができる。
　また、サポート担当者に対して、当該冷蔵庫１２０の温度上昇が予測されることを伝えることによって、予測結果を活かした迅速なサポートを行うことができる。また、冷蔵庫１２０の製造者は、予測された使い方に対応した適切な制御が行われるように製品開発に役立てることができる。
　上記の式（５）は、ある時期の使い方に基づいて、それより後の時期の使い方を予測するモデルの一例であり、本実施例で生成されるモデルはこれに限定されない。例えば、上記の式（５）の例では、春の使い方に関するデータｂ’と、夏の気候に関するデータａと、に基づいて夏の使い方ｂが予測されるが、春の使い方に関するデータｂ’のみに基づいて夏の使い方を予測するモデルが生成されてもよい。あるいは、春の使い方に関するデータｂ’に加えて、春の気候に関するデータａ’及び春の各種センサデータｃ’の少なくとも一方を含む説明変数に基づく予測モデルが生成されてもよい。
　さらに、予測モデル生成部２０３は、ある気候条件の下での利用者の使い方と各種センサ情報との関係を示す次の式（６）に示すモデルを生成する。これは、図５を参照して説明した式（３）に示すモデルと同様のものであってもよい。
ｃ＝Ｆ３（ａ，ｂ）　　　・・・（６）
　例えば、実際に夏に温度上昇が発生した冷蔵庫１２０について、そのときの気候に関するデータａと利用者の使い方に関するデータｂとを上記の式（６）のモデルに適用することで得られた各種センサデータｃに対して、実際に当該冷蔵庫１２０から得られた各種センサデータが大きく乖離しているなど、両者を比較した結果が所定の条件を満たす場合には、当該発生した温度上昇が利用者の使い方ではなく冷蔵庫１２０の故障又は経年劣化等に起因することが疑われる。このため、データ収集・解析サーバ１１０は、冷蔵庫１２０の利用者又はサポート担当者に当該冷蔵庫１２０の故障に関する情報を出力することで、早急にサポートをするといった対策を行うことができる。
　図８は、本発明の実施例のデータ収集・解析サーバ１１０が春に観測されたデータから夏の温度上昇を予測する予測モデルを生成する処理の一例を示す説明図である。
　春に観測されたデータから夏の温度上昇を予測する予測モデル（すなわち上記の式（４）のモデル）を生成する処理は、例えば定期的に実行される。処理が開始されると（ステップ８０１）、予測モデル生成部２０３は、記憶部２０１に格納されている過去データ２１１から所定の期間のデータを抽出する（ステップ８０２）。例えば、予測モデル生成部２０３は、各冷蔵庫１２０のある年の春の所定の期間の運転データと、その年の夏の所定の期間の運転データとを抽出してもよい。
　次に、予測モデル生成部２０３は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理として目的変数及び説明変数を作成する（ステップ８０３）。具体的には、予測モデル生成部２０３は、以下のステップ８０４～８０７を実行する。まず、予測モデル生成部２０３は、各個体の運転データに含まれる夏の期間の庫内温度を参照して、夏の庫内温度の上昇が発生したかを判定する（ステップ８０４）。例えば、各個体の冷凍室、製氷室、冷蔵室などの温度が所定の閾値を超える時間の合計及び継続時間の長さ等を集計し、それらが所定の条件を満たす場合に庫内の温度上昇が発生したと判定してもよい。温度上昇が発生したと判定された個体にはフラグが付される。この判定結果は、生成する予測モデルの目的変数に相当する。
　次に、予測モデル生成部２０３は、春の期間の運転データ、具体的には春の気候に関するデータ、春の使い方に関するデータ及び春の各種センサデータを集計する（ステップ８０５）。次に、予測モデル生成部２０３は、集計した春の運転データの特徴量を抽出する（ステップ８０６）。この特徴量は、生成する予測モデルの説明変数に相当する。次に、予測モデル生成部２０３は、冷蔵庫１２０の個体ごとに、学習用の目的変数と説明変数との組を生成する（ステップ８０７）。
　次に、予測モデル生成部２０３は、生成した目的変数と説明変数との組を用いて機械学習を行い（ステップ８０８）、それまでに保持していた予測モデルを機械学習によって新たに得られた予測モデルに更新する（ステップ８０９）。以上で春に観測されたデータから夏の温度上昇を予測する予測モデルを生成する処理が終了する（ステップ８１０）。
　なお、上記の処理における運転データの特徴量の抽出方法及び機械学習の方法は限定されず、公知の方法を含めた任意の方法で行うことができる。後述する図９及び図１０の処理においても同様である。
　図９は、本発明の実施例のデータ収集・解析サーバ１１０が春の使い方と夏の使い方との関係性を示すモデルを生成する処理の一例を示す説明図である。
　春の使い方と夏の使い方との関係性を示すモデル（すなわち上記の式（５）のモデル）を生成する処理は、例えば定期的に実行される。処理が開始されると（ステップ９０１）、予測モデル生成部２０３は、記憶部２０１に格納されている過去データ２１１から所定の期間の運転データを抽出する（ステップ９０２）。例えば、予測モデル生成部２０３は、各冷蔵庫１２０のある年の春の所定の期間の運転データと、その年の夏の所定の期間の運転データとを抽出してもよい。
　次に、予測モデル生成部２０３は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理として目的変数及び説明変数を作成する（ステップ９０３）。具体的には、予測モデル生成部２０３は、以下のステップ９０４～９０７を実行する。まず、予測モデル生成部２０３は、各個体の運転データに含まれる夏の期間の使い方に関するデータを集計する（ステップ９０４）。集計された使い方に関するデータは、生成するモデルの目的変数に相当する。
　次に、予測モデル生成部２０３は、春の期間の使い方に関するデータと、夏の期間の気候に関するデータとを集計する。（ステップ９０５）。次に、予測モデル生成部２０３は、集計した春の使い方に関するデータ及び夏の気候に関するデータの特徴量を抽出する（ステップ９０６）。この特徴量は、生成するモデルの説明変数に相当する。次に、予測モデル生成部２０３は、冷蔵庫１２０の個体ごとに、学習用の目的変数と説明変数との組を生成する（ステップ９０７）。
　次に、予測モデル生成部２０３は、生成した目的変数と説明変数との組を用いて機械学習を行い（ステップ９０８）、それまでに保持していたモデルを機械学習によって新たに得られたモデルに更新する（ステップ９０９）。以上で春の使い方と夏の使い方との関係性を示すモデルを生成する処理が終了する（ステップ９１０）。
　図１０は、本発明の実施例のデータ収集・解析サーバ１１０が気候及び使い方と各種センサデータとの関係性を示すモデルを生成する処理の一例を示す説明図である。
　気候及び使い方と各種センサデータとの関係性を示すモデル（すなわち上記の式（６）のモデル）を生成する処理は、例えば定期的に実行される。処理が開始されると（ステップ１００１）、予測モデル生成部２０３は、記憶部２０１に格納されている過去データ２１１から所定の期間の運転データを抽出する（ステップ１００２）。例えば、予測モデル生成部２０３は、各冷蔵庫１２０のある年の夏の所定の期間の運転データを抽出してもよい。
　次に、予測モデル生成部２０３は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理として目的変数及び説明変数を作成する（ステップ１００３）。具体的には、予測モデル生成部２０３は、以下のステップ１００４～１００７を実行する。まず、予測モデル生成部２０３は、各個体の運転データに含まれる夏の期間の各種センサデータを集計する（ステップ１００４）。集計された各種センサデータは、生成するモデルの目的変数に相当する。
　次に、予測モデル生成部２０３は、夏の期間の気候に関するデータ及び使い方に関するデータを集計する。（ステップ１００５）。次に、予測モデル生成部２０３は、集計した夏の期間の気候に関するデータ及び使い方に関するデータの特徴量を抽出する（ステップ１００６）。この特徴量は、生成するモデルの説明変数に相当する。次に、予測モデル生成部２０３は、冷蔵庫１２０の個体ごとに、学習用の目的変数と説明変数との組を生成する（ステップ１００７）。
　次に、予測モデル生成部２０３は、生成した目的変数と説明変数との組を用いて機械学習を行い（ステップ１００８）、それまでに保持していたモデルを機械学習によって新たに得られたモデルに更新する（ステップ１００９）。以上で気候及び使い方と各種センサデータとの関係性を示すモデルを生成する処理が終了する（ステップ１０１０）。
　図１１は、本発明の実施例のデータ収集・解析サーバ１１０が夏の温度上昇を予測する処理の一例を示す説明図である。
　予測の処理が開始されると（ステップ１１０１）、予測実行部２０４は、記憶部２０１に格納された運転データから所定の期間のデータを抽出する。例えば、春の時点で、まだ到来していないその年の夏の温度上昇を予測する場合、予測実行部２０４は、最新データ２１２に含まれるその春の運転データを抽出する。
　次に、予測実行部２０４は、抽出した運転データについて、冷蔵庫１２０の個体ごとに前処理を実行する（ステップ１１０３）。具体的には、予測実行部２０４は、以下のステップ１１０４～１１０６を実行する。まず、予測実行部２０４は、取得した春の運転データ、具体的には春の気候に関するデータ、春の使い方に関するデータ及び春の各種センサデータを集計する（ステップ１１０４）。次に、予測実行部２０４は、集計した春の運転データの特徴量を抽出する（ステップ１１０５）。この特徴量の抽出は、図８のステップ８０６と同様に実行することができる。そして、予測実行部２０４は、抽出した特徴量を説明変数として上記の式（４）の予測モデルに適用する（ステップ１１０６）。
　次に、予測実行部２０４は、上記の説明変数をモデルに適用することで得られた予測結果を取得する（ステップ１１０７）。これによって、冷蔵庫１２０の個体ごとに、夏の温度上昇が発生するかが判定される。
　次に、予測実行部２０４は、予測の結果として夏の温度上昇が「あり」と判定された個体に対して、使い方及び各種センサデータの予測を実行する（ステップ１１０８）。具体的には、予測実行部２０４は、以下のステップ１１０９～１１１１を実行する。まず、予測実行部２０４は、ステップ１１０２で抽出された運転データに含まれる春の使い方に関するデータを集計したものを用いて、説明変数とする特徴量を抽出する（ステップ１１０９）。このとき、予測実行部２０４は、外部機関１６０等から夏の気候の予報を取得して、春の使い方に関するデータ、及び、夏の気候の予報から生成された夏の気候に関するデータの特徴量を抽出してもよい。この特徴量の抽出は、図９のステップ９０６と同様に実行することができる。
　次に、予測実行部２０４は、ステップ１１０９で抽出した特徴量を説明変数として上記の式（５）の予測モデルに適用する（ステップ１１１０）。さらに、予測実行部２０４は、ステップ１１１０で得られた夏の使い方に関するデータの予測値を上記の式（６）の予測モデルに適用する（ステップ１１１１）。例えば、予測実行部２０４は、夏の気候の予報に基づく夏の気候に関するデータと、ステップ１１１０で得られた夏の使い方に関するデータの予測値との特徴量を抽出して、それを式（６）の予測モデルに適用する。この特徴量の抽出は、図１０のステップ１００６と同様に実行することができる。
　そして、予測実行部２０４は、ステップ１１０８の結果として、夏の使い方のデータの予測値及び夏の各種センサデータの予測値を取得し（ステップ１１１２）、取得した予測結果（すなわち式（４）、（５）、（６）の予測モデルに基づく予測結果）を出力する（ステップ１１１３）。
　図１２は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第１の例を示す説明図である。
　具体的には、図１２には、夏の冷蔵庫１２０内の温度上昇を予測した結果を、冷蔵庫１２０のサポート担当者の業務に活用する例を示している。この例では、情報参照・制御用端末１３０が、操作者からの入力に従って、予測の条件を設定し、データ収集・解析サーバ１１０の予測プログラム１１５を呼び出す（ステップ１２０１）。ここで設定される条件は、例えば、予測対象の時期（図１２の例では夏の所定の期間）、予測モデルに入力するデータの取得時期（図１２の例では春の所定の期間）等であってもよい。また、予測の対象となる冷蔵庫１２０が限定される場合は、その限定の条件（例えば機種又は設置されている地域等）が設定されてもよい。
　データ収集・解析サーバ１１０は、設定された条件に従って、格納済み運転データ１２０２から春の運転データ１２０３を抽出し、それを予測モデル１２０４に適用することによって、夏の温度上昇の予測を実行し、その結果を情報参照・制御用端末１３０に出力する（ステップ１２０５）。ここで、格納済み運転データ１２０２は図２に示した記憶部２０１に格納された運転データであり、抽出された春の運転データ１２０３は最新データ２１２に相当し、予測モデル１２０４は予測モデル２１５（具体的には式（４）～（６）の予測モデル）に相当し、ステップ１２０５は図８から図１０の処理に相当する。
　情報参照・制御用端末１３０は、データ収集・解析サーバ１１０から取得した予測結果を集計して、分析した結果をサポート担当者に提示する（ステップ１２０６）。サポート担当者は、提示された集計及び分析の結果を確認して、対策することができる（ステップ１２０７）。ステップ１２０６において実行される集計及び分析の結果、及びそれを提示するための画面の例については、図１３Ａ及び図１３Ｂを参照して説明する。
　なお、上記の例では情報参照・制御用端末１３０がステップ１２０６を実行しているが、データ収集・解析サーバ１１０が予測結果の集計及び分析を実行してその結果を情報参照・制御用端末１３０に送信し、情報参照・制御用端末１３０がその結果をサポート担当者に提示してもよい。
　図１３Ａ及び図１３Ｂは、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第１の例において表示される画面の一例を示す説明図である。
　図１３Ａに示す２０２１年夏の温度上昇予測レポート画面１３０１は、情報参照・制御用端末１３０の表示装置（図示省略）が表示する画面の一例である。この例では、全国に設置された所定の機種の冷蔵庫の地域ごとの登録台数と、そのうちの、２０２１年春の運転データから２０２１年夏に温度上昇のリスクが高いと判定された個体の数と、その割合と、が表示される。温度上昇のリスクとは、予測モデルに基づいて予測された夏の温度上昇の発生の尤度であってもよい。ここで、操作者が、いずれかの地域を選択して、温度上昇のリスクが高い機器の一覧を見ることを指示した場合、例えば画面１３０２（図１３Ｂ）が表示される。
　図１３Ｂに示す画面１３０２は、ユーザが関西地方のうち奈良県を選択した場合の温度上昇予測レポート画面である。この例では、登録されている当該機種の冷蔵庫１２０の個体のうち、奈良県に設置された各個体の情報のリストが表示される。このリストは、例えば、個体のＩＤ、購入日、使用歴、温度上昇リスク、春の運転データから予想される夏のリスク要因及びクレーム回数等を含む。ここで、使用歴は購入日から現時点までの経過期間、温度上昇リスクは予測モデルによって予測されたリスク値、クレーム回数は各個体について既にサポート担当者に対して行われた利用者からのクレームの回数である。
　ここで、春の運転データから予想される夏のリスク要因は、式（５）のモデルに基づいて予測された夏の使い方から推定されるものであり、例えば予測されたある個体のドアの開閉回数が全国平均（又は当該個体が属する地域の平均）と比較して多いほど、それが温度上昇の要因となるリスクが高いと判定されてもよい。その具体的な例については図１５を参照して後述する。春の運転データから予想される夏のリスク要因は、算出されたリスクが高い順に表示されてもよい。
　図１４は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第２の例を示す説明図である。
　具体的には、図１４には、夏の冷蔵庫１２０内の温度上昇を予測した結果を、冷蔵庫１２０の利用者の使い方に対するアドバイスに活用する例を示している。この例では、情報参照・制御用端末１３０が予測の条件を設定して予測プログラム１１５を呼び出す処理（ステップ１２０１）は、図１２に示したものと同様である。また、データ収集・解析サーバ１１０はが設定された条件に従って夏の温度上昇の予測を実行し、その結果を情報参照・制御用端末１３０に出力する（ステップ１２０５）までの処理も、図１２に示したものと同様である。
　情報参照・制御用端末１３０は、データ収集・解析サーバ１１０から取得した予測結果を参照して、夏の温度上昇のリスクが高い冷蔵庫１２０の個体を抽出し、それぞれのリスク要因の一覧を作成する（ステップ１４０１）。そして、情報参照・制御用端末１３０は、リスクが高い冷蔵庫１２０へのアラート又はその冷蔵庫１２０の利用者の端末装置（例えばスマートフォン１４０）への通知を送信する。
　冷蔵庫１２０は、受信した通知を例えば操作パネルに表示してもよい。あるいは、スマートフォン１４０が受信した通知を表示してもよい。利用者は、表示されたアラート等を確認し、使い方を変更するなどの対策を行うことができる（ステップ１４０３）。スマートフォン１４０を介して利用者に表示される画面の例については、図１５を参照して説明する。
　また、ステップ１４０１において、情報参照・制御用端末１３０は、データ収集・解析サーバ１１０から取得した上記の式（６）の予測モデルに基づく夏の各種センサデータの予測値と、夏に実際に取得された各種センサデータの値とを比較して、両者の乖離が所定の基準より大きいなど、所定の条件が満たされる場合には、当該冷蔵庫１２０の故障のリスクが高いと判断して、当該冷蔵庫１２０の故障に関する情報をサポート担当者に対して出力してもよい。あるいは、情報参照・制御用端末１３０は、当該冷蔵庫１２０の故障に関する情報を当該冷蔵庫１２０又はスマートフォン１４０に対して送信し、当該冷蔵庫１２０又はスマートフォン１４０がその情報を利用者に対して出力してもよい。
　なお、上記の例では情報参照・制御用端末１３０がステップ１４０２及び１４０３を実行しているが、データ収集・解析サーバ１１０がステップ１４０２及び１４０３を実行してその結果を冷蔵庫１２０又はスマートフォン１４０に送信してもよい。
　図１５は、本発明の実施例のデータ収集・解析サーバ１１０による予測結果の活用の第２の例において表示される画面の一例を示す説明図である。
　図１５に示す冷蔵庫使い方ナビ画面１５０１は、予測モデルに基づいて夏の温度上昇リスクが高いと判定された冷蔵庫１２０の利用者のスマートフォン１４０の表示装置（図示省略）が、情報参照・制御用端末１３０からの通知に基づいて表示する画面の一例である。
　冷蔵庫使い方ナビ画面１５０１は、例えば、送信先の利用者の冷蔵庫１２０の夏の温度上昇リスクが高いことを通知して注意を促すメッセージ表示部１５０２と、予想される具体的なリスク値を表示するリスク値表示部１５０３と、リスク低減のためのアドバイスを表示するアドバイス表示部１５０４と、を含んでもよい。
　リスク値表示部１５０３には、例えば、リスク要因ごとに予測されるリスク値及びその評価が表示される。リスク要因は、例えば、当該冷蔵庫１２０の冷蔵室ドア、冷凍室ドア及び野菜室ドアの開回数及び開時間を含んでもよいし、冷蔵室、冷凍室及び野菜室への物の詰め込みの程度を含んでもよいし、氷温室の利用状況及び急速製氷の回数等を含んでもよい。また、ここでのリスク値は、それぞれのリスク要因について式（５）の予測モデルに基づいて計算された当該冷蔵庫１２０の使い方に関するデータの予測値（例えばドア開回数）を全国平均と比較した結果であってもよい。
　図１５の例では、予測値が全国平均と同じである場合には５０となり、予測値が全国平均より大きい場合には５０より大きくなり、予測値が全国平均より小さい場合には５０より小さくなり、最大値が１００、最小値が０となるように算出されたリスク値が使用される。そして、リスク要因ごとのリスク値の評価は、例えば、リスク値の大きさのランクであり、「高い」「やや高い」「やや低い」「低い」などであってもよい。
　この例ではリスク値は各個体の使い方に関するデータの予測値を全国平均と比較した結果であるが、利用者の選択に応じて、全国平均の代わりに当該冷蔵庫１２０が設置された地域の平均と比較した結果をリスク値として使用してもよい。また、利用者からの指示に従って、当該冷蔵庫１２０の直近の利用履歴を表示してもよい。利用履歴の図示は省略するが、例えば直近の過去数日分のドア開回数、開時間等の情報が表示されてもよい。
　アドバイス表示部１５０４には、例えばリスク値表示部１５０３に表示されたリスク要因のうちリスク値の大きさのランクが高いものについて、それを低減するためのアドバイスが表示される。例えば、ドアの開時間のリスク値が高いと評価された場合には、ドアの開時間を短くするためのアドバイス等が表示されてもよい。
　なお、本実施例では冷蔵庫１２０の庫内の温度が夏期に上昇することを予測する例を示した。しかし、冷蔵庫以外の機器についても、同様に、過去の使用状況を示すセンサデータに基づいて、所期の性能が発揮されないなどの所定の事象が発生する機器を推定するモデル、そのときの機器の使い方を予測するモデル等を作成することができる。これによって、任意の種類の機器を対象として、将来問題が発生する機器を推定し、使い方の改善の提案等を行うことができる。
　また、本発明の実施形態のシステムは次のように構成されてもよい。
　（１）プロセッサ（例えばプロセッサ１１２）と、記憶装置（例えば情報格納部１１１）と、を有する機器状態予測システム（例えば機器状態予測システム１００）が実行する機器状態予測方法であって、記憶装置は、機器の稼働状況を示す運転データ（例えば運転データ５００）と、第１の時期の運転データに基づいて第１の時期より後の第２の時期の機器の状態を予測する第１のモデル（例えば式（４）のモデル）と、第１の時期の運転データに基づいて第２の時期の機器の利用者による使い方を予測する第２のモデル（例えば式（５）のモデル）と、を保持し、機器状態予測方法は、プロセッサが、取得された第１の時期の運転データを第１のモデルに適用することによって、第２の時期の機器の状態を予測する第１の手順（例えばステップ１１０２～１１０７）と、プロセッサが、取得された第１の時期の運転データを第２のモデルに適用することによって、第２の時期の機器の利用者による使い方を予測する第２の手順（例えばステップ１１０９～１１１０、１１１２）と、プロセッサが、第２の時期の機器の状態の予測結果及び第２の時期の機器の利用者による使い方の予測結果を出力する第３の手順（例えばステップ１１１３）と、を含む。
　これによって、所定の事象の発生に加えて、その事象の発生に関連する機器の使い方を予測し、事象の発生リスク低減のための対策に利用することができる。
　（２）上記（１）において、機器は、冷蔵室及び冷凍室の少なくとも一方を有する冷蔵庫（例えば冷蔵庫１２０）であり、第２の時期は、夏の時期であり、運転データは、気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータを含み、第１のモデルは、第１の時期の気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータの少なくともいずれかに基づいて、第２の時期の機器内の温度の上昇を予測するモデルであり、第２のモデルは、少なくとも第１の時期の機器の利用者による使い方に関するデータに基づいて、第２の時期の機器の利用者による使い方を予測するモデルであり、第１の手順において、プロセッサは、取得された第１の時期の気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータの少なくともいずれかを第１のモデルに適用することによって、将来の第２の時期の機器内の温度の上昇を予測し、将来の第２の時期の機器内の温度が上昇すると予測された場合、第２の手順において、プロセッサは、取得された第１の時期の機器の利用者による使い方に関するデータを第２のモデルに適用することによって、将来の第２の時期の機器の利用者による使い方を予測する。
　これによって、冷蔵庫内の温度上昇の発生を予測するとともに、温度上昇の発生が予測されるときの冷蔵庫の使い方を予測し、温度上昇リスク低減のための対策に利用することができる。
　（３）上記（２）において、記憶装置は、将来の第２の時期の気候に関するデータの予測値をさらに保持し、第２のモデルは、第１の時期の機器の利用者による使い方に関するデータ（例えば式（５）のｂ’）と、第２の時期の気候に関するデータ（例えば式（５）のａ）と、に基づいて、第２の時期の機器の利用者による使い方（例えば式（５）のｃ）を予測するモデルであり、第２の手順において、プロセッサは、取得された第１の時期の機器の利用者による使い方に関するデータと、将来の第２の時期の気候に関するデータの予測値と、を第２のモデルに適用することによって、将来の第２の時期の機器の利用者による使い方を予測する。
　これによって、将来の使い方を精度よく予測することができる。
　（４）上記（３）において、記憶装置は、第２の時期の気候に関するデータ及び機器の利用者による使い方に関するデータに基づいて、第２の時期の機器の制御の状態を計算する第３のモデル（例えば式（６）のモデル）をさらに保持し、機器状態予測方法は、プロセッサが、取得した第２の時期の気候に関するデータと、取得した第２の時期の機器の利用者による使い方に関するデータと、を第３のモデルに適用することによって、第２の時期の機器の制御の状態を計算し、第３のモデルに基づいて計算された第２の時期の機器の制御の状態と、第２の時期に実際に取得された機器の制御の状態とを比較し、両者の乖離の大きさが所定の条件を満たす場合に、機器の故障に関する情報を出力する第４の手順（例えばステップ１１０９～１１１３）をさらに含む。
　これによって、機器における故障の発生を推定し、故障への対策に利用することができる。
　（５）上記（４）において、プロセッサが、過去の第２の時期の機器内の温度と、当該過去の第２の時期より前の第１の時期の気候に関するデータ、機器の利用者による使い方に関するデータ及び機器の制御の状態に関するデータの少なくともいずれかと、を学習することによって、第１のモデルを生成する第５の手順（例えば図８）と、プロセッサが、過去の第２の時期の機器の利用者による使い方に関するデータと、当該過去の第２の時期の気候に関するデータと、当該過去の第２の時期より前の第１の時期の機器の利用者による使い方に関するデータと、を学習することによって、第２のモデルを生成する第６の手順（例えば図９）と、プロセッサが、過去の第２の時期の機器の制御の状態に関するデータと、当該過去の第２の時期の気候に関するデータと、当該過去の第２の時期の機器の利用者による使い方に関するデータと、を学習することによって、第３のモデルを生成する第７の手順（例えば図１０）と、をさらに含む。
　これによって、適切なモデルが生成される。
　（６）上記（２）において、プロセッサが、複数の機器について、第２のモデルに基づいて、将来の第２の時期の機器の利用者による使い方を予測した結果を集計し、第１のモデルに基づいて温度が上昇すると予測された機器について第２のモデルに基づいて予測された機器の利用者による使い方と、集計された複数の機器の利用者による使い方とを比較することによって、温度の上昇を引き起こすリスク要因を推定し、推定したリスク要因を示す情報を出力する第８の手順（例えばステップ１２０６、１４０２、１４０３）をさらに含む。
　これによって、妥当性のあるリスク評価を行い、適切な対策に利用することができる。
　（７）上記（６）の第８の手順において、プロセッサは、設置された地域ごとに、複数の機器の利用者による使い方を予測した結果を集計し、第１のモデルに基づいて温度が上昇すると予測された機器について第２のモデルに基づいて予測された機器の利用者による使い方と、集計された複数の機器の利用者による使い方との差が大きいほど、当該使い方のリスクが高いと推定する。
　これによって、妥当性のあるリスク評価を行い、適切な対策に利用することができる。
　（８）上記（２）において、気候に関するデータは、機器の周囲の温度及び湿度の少なくともいずれかを含み、機器の利用者による使い方に関するデータは、機器のドアの開回数及び開時間の少なくともいずれかを含み、機器の制御の状態に関するデータは、機器の冷却強度の設定値、機器の運転モードの設定値、機器の冷却用の圧縮機を駆動するモータの回転数、及び機器内の温度の少なくともいずれかを含む。
　これによって、適切な予測モデルを生成し、それに基づくリスク評価を行うことができる。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。
　また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

Claims (9)

  1. 　プロセッサと、記憶装置と、を有する機器状態予測システムが実行する機器状態予測方法であって、
    　前記記憶装置は、機器の稼働状況を示す運転データと、第１の時期の前記運転データに基づいて前記第１の時期より後の第２の時期の前記機器の状態を予測する第１のモデルと、前記第１の時期の前記運転データに基づいて前記第２の時期の前記機器の利用者による使い方を予測する第２のモデルと、を保持し、
    　前記機器状態予測方法は、
    　前記プロセッサが、取得された前記第１の時期の前記運転データを前記第１のモデルに適用することによって、前記第２の時期の前記機器の状態を予測する第１の手順と、
    　前記プロセッサが、前記取得された第１の時期の前記運転データを前記第２のモデルに適用することによって、前記第２の時期の前記機器の利用者による使い方を予測する第２の手順と、
    　前記プロセッサが、前記第２の時期の前記機器の状態の予測結果及び前記第２の時期の前記機器の利用者による使い方の予測結果を出力する第３の手順と、を含むことを特徴とする機器状態予測方法。
  2. 　請求項１に記載の機器状態予測方法であって、
    　前記機器は、冷蔵室及び冷凍室の少なくとも一方を有する冷蔵庫であり、
    　前記第２の時期は、夏の時期であり、
    　前記運転データは、気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータを含み、
    　前記第１のモデルは、前記第１の時期の前記気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータの少なくともいずれかに基づいて、前記第２の時期の前記機器内の温度の上昇を予測するモデルであり、
    　前記第２のモデルは、少なくとも前記第１の時期の前記機器の利用者による使い方に関するデータに基づいて、前記第２の時期の前記機器の利用者による使い方を予測するモデルであり、
    　前記第１の手順において、前記プロセッサは、取得された前記第１の時期の前記気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータの少なくともいずれかを前記第１のモデルに適用することによって、将来の前記第２の時期の前記機器内の温度の上昇を予測し、
    　将来の前記第２の時期の前記機器内の温度が上昇すると予測された場合、前記第２の手順において、前記プロセッサは、取得された前記第１の時期の前記機器の利用者による使い方に関するデータを前記第２のモデルに適用することによって、将来の前記第２の時期の前記機器の利用者による使い方を予測することを特徴とする機器状態予測方法。
  3. 　請求項２に記載の機器状態予測方法であって、
    　前記記憶装置は、前記将来の前記第２の時期の前記気候に関するデータの予測値をさらに保持し、
    　前記第２のモデルは、前記第１の時期の前記機器の利用者による使い方に関するデータと、前記第２の時期の前記気候に関するデータと、に基づいて、前記第２の時期の前記機器の利用者による使い方を予測するモデルであり、
    　前記第２の手順において、前記プロセッサは、取得された前記第１の時期の前記機器の利用者による使い方に関するデータと、将来の前記第２の時期の前記気候に関するデータの予測値と、を前記第２のモデルに適用することによって、将来の前記第２の時期の前記機器の利用者による使い方を予測することを特徴とする機器状態予測方法。
  4. 　請求項３に記載の機器状態予測方法であって、
    　前記記憶装置は、前記第２の時期の前記気候に関するデータ及び前記機器の利用者による使い方に関するデータに基づいて、前記第２の時期の前記機器の制御の状態を計算する第３のモデルをさらに保持し、
    　前記機器状態予測方法は、前記プロセッサが、取得した前記第２の時期の前記気候に関するデータと、取得した前記第２の時期の前記機器の利用者による使い方に関するデータと、を前記第３のモデルに適用することによって、前記第２の時期の前記機器の制御の状態を計算し、前記第３のモデルに基づいて計算された前記第２の時期の前記機器の制御の状態と、当該第２の時期に実際に取得された前記機器の制御の状態とを比較し、両者の乖離の大きさが所定の条件を満たす場合に、前記機器の故障に関する情報を出力する第４の手順をさらに含むことを特徴とする機器状態予測方法。
  5. 　請求項４に記載の機器状態予測方法であって、
    　前記プロセッサが、過去の前記第２の時期の前記機器内の温度と、当該過去の第２の時期より前の前記第１の時期の前記気候に関するデータ、前記機器の利用者による使い方に関するデータ及び前記機器の制御の状態に関するデータの少なくともいずれかと、を学習することによって、前記第１のモデルを生成する第５の手順と、
    　前記プロセッサが、過去の前記第２の時期の前記機器の利用者による使い方に関するデータと、当該過去の第２の時期の前記気候に関するデータと、当該過去の第２の時期より前の前記第１の時期の前記機器の利用者による使い方に関するデータと、を学習することによって、前記第２のモデルを生成する第６の手順と、
    　前記プロセッサが、過去の前記第２の時期の前記機器の制御の状態に関するデータと、当該過去の第２の時期の前記気候に関するデータと、当該過去の第２の時期の前記機器の利用者による使い方に関するデータと、を学習することによって、前記第３のモデルを生成する第７の手順と、をさらに含むことを特徴とする機器状態予測方法。
  6. 　請求項２に記載の機器状態予測方法であって、
    　前記プロセッサが、
    　複数の前記機器について、前記第２のモデルに基づいて、将来の前記第２の時期の前記機器の利用者による使い方を予測した結果を集計し、
    　前記第１のモデルに基づいて温度が上昇すると予測された前記機器について前記第２のモデルに基づいて予測された前記機器の利用者による使い方と、前記集計された複数の前記機器の利用者による使い方とを比較することによって、温度の上昇を引き起こすリスク要因を推定し、
    　前記推定したリスク要因を示す情報を出力する第８の手順をさらに含むことを特徴とする機器状態予測方法。
  7. 　請求項６に記載の機器状態予測方法であって、
    　前記第８の手順において、前記プロセッサは、
    　設置された地域ごとに、前記複数の機器の利用者による使い方を予測した結果を集計し、
    　前記第１のモデルに基づいて温度が上昇すると予測された前記機器について前記第２のモデルに基づいて予測された前記機器の利用者による使い方と、前記集計された複数の前記機器の利用者による使い方との差が大きいほど、当該使い方のリスクが高いと推定することを特徴とする機器状態予測方法。
  8. 　請求項２に記載の機器状態予測方法であって、
    　前記気候に関するデータは、前記機器の周囲の温度及び湿度の少なくともいずれかを含み、
    　前記機器の利用者による使い方に関するデータは、前記機器のドアの開回数及び開時間の少なくともいずれかを含み、
    　前記機器の制御の状態に関するデータは、前記機器の冷却強度の設定値、前記機器の運転モードの設定値、前記機器の冷却用の圧縮機を駆動するモータの回転数、及び前記機器内の温度の少なくともいずれかを含むことを特徴とする機器状態予測方法。
  9. 　プロセッサと、記憶装置と、を有する機器状態予測システムであって、
    　前記記憶装置は、機器の稼働状況を示す運転データと、第１の時期の前記運転データに基づいて前記第１の時期より後の第２の時期の前記機器の状態を予測する第１のモデルと、前記第１の時期の前記運転データに基づいて前記第２の時期の前記機器の利用者による使い方を予測する第２のモデルと、を保持し、
    　前記プロセッサは、
    　取得された前記第１の時期の前記運転データを前記第１のモデルに適用することによって、前記第２の時期の前記機器の状態を予測し、
    　前記取得された第１の時期の前記運転データを前記第２のモデルに適用することによって、前記第２の時期の前記機器の利用者による使い方を予測し、
    　前記第２の時期の前記機器の状態の予測結果及び前記第２の時期の前記機器の利用者による使い方の予測結果を出力することを特徴とする機器状態予測システム。
PCT/JP2022/034556 2022-02-18 2022-09-15 機器状態予測方法及び機器状態予測システム WO2023157359A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-023868 2022-02-18
JP2022023868A JP2023120803A (ja) 2022-02-18 2022-02-18 機器状態予測方法及び機器状態予測システム

Publications (1)

Publication Number Publication Date
WO2023157359A1 true WO2023157359A1 (ja) 2023-08-24

Family

ID=87577831

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/034556 WO2023157359A1 (ja) 2022-02-18 2022-09-15 機器状態予測方法及び機器状態予測システム

Country Status (2)

Country Link
JP (1) JP2023120803A (ja)
WO (1) WO2023157359A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015028760A (ja) * 2013-06-27 2015-02-12 株式会社東芝 家電機器およびネットワークシステム
JP2019179300A (ja) * 2018-03-30 2019-10-17 日立グローバルライフソリューションズ株式会社 サーバ、プログラム、及び機器システム
JP2019212131A (ja) * 2018-06-06 2019-12-12 シャープ株式会社 予測装置、電気機器、管理システム、予測方法、及び制御プログラム
CN112232608A (zh) * 2020-12-16 2021-01-15 浙江大学 一种基于数据驱动的区域建筑空调器短期耗电量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015028760A (ja) * 2013-06-27 2015-02-12 株式会社東芝 家電機器およびネットワークシステム
JP2019179300A (ja) * 2018-03-30 2019-10-17 日立グローバルライフソリューションズ株式会社 サーバ、プログラム、及び機器システム
JP2019212131A (ja) * 2018-06-06 2019-12-12 シャープ株式会社 予測装置、電気機器、管理システム、予測方法、及び制御プログラム
CN112232608A (zh) * 2020-12-16 2021-01-15 浙江大学 一种基于数据驱动的区域建筑空调器短期耗电量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SASAHARA SHUNSUKE, GO MAEDA: "Mitsubishi Refrigerators "MX/MXD Series" Equipped with "All Compartment Independent Design with A.I. Control" and "Connective Application（MyMU）"", MITSUBISHI ELECTRIC TECHNICAL REPORT, vol. 95, no. 9, 1 January 2021 (2021-01-01), pages 46 - 49, XP093085309 *

Also Published As

Publication number Publication date
JP2023120803A (ja) 2023-08-30

Similar Documents

Publication Publication Date Title
US7024870B2 (en) Method of managing a refrigeration system
US10498585B2 (en) Sensor data analytics and alarm management
US6892546B2 (en) System for remote refrigeration monitoring and diagnostics
US6668240B2 (en) Food quality and safety model for refrigerated food
US20160274963A1 (en) Equipment evaluation device, equipment evaluation method and non-transitory computer readable medium
US20240094095A1 (en) Managing The Effectiveness Of Repairs In Refrigeration Assets
CN110011881A (zh) 基于故障预测控制设备的方法和装置
US7027958B2 (en) Food quality and safety model for refrigerated food
Behfar et al. Automated fault detection and diagnosis methods for supermarket equipment (RP-1615)
AU2002259065A1 (en) Food-quality and safety model for refrigerated food
US11280816B2 (en) Detecting anomalies in a plurality of showcases
US10697860B2 (en) Methods and apparatus for predictive failure analysis of a cooling device
JP6410990B2 (ja) 冷媒不足予測装置、冷媒不足予測方法およびプログラム
CN113033913B (zh) 空调故障预测性维护方法、系统、电子设备及存储介质
WO2023157359A1 (ja) 機器状態予測方法及び機器状態予測システム
EP3719717A1 (en) Information processing apparatus, information processing method and learning apparatus
US20230349608A1 (en) Anomaly detection for refrigeration systems
EP4040063A1 (en) Remaining value calculation system for air conditioner and assistance system for air conditioner
JP2023000077A (ja) 機器状態予測方法、機器状態予測サーバ及び機器状態予測システム
US20160224024A1 (en) Methods and apparatus for predictive failure analysis of a cooling device
JP6196127B2 (ja) 設備管理システム、設備管理装置及び設備管理方法
US20220397355A1 (en) Degradation determination method and device
WO2002090841A2 (en) Food-quality and safety model for refrigerated food

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: 22927253

Country of ref document: EP

Kind code of ref document: A1