WO2023175649A1 - 学習装置、機器制御システム、学習方法、及び、プログラム - Google Patents

学習装置、機器制御システム、学習方法、及び、プログラム Download PDF

Info

Publication number
WO2023175649A1
WO2023175649A1 PCT/JP2022/011170 JP2022011170W WO2023175649A1 WO 2023175649 A1 WO2023175649 A1 WO 2023175649A1 JP 2022011170 W JP2022011170 W JP 2022011170W WO 2023175649 A1 WO2023175649 A1 WO 2023175649A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
learning
sensors
value
estimation model
Prior art date
Application number
PCT/JP2022/011170
Other languages
English (en)
French (fr)
Inventor
知晃 行田
Original Assignee
三菱電機株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2022/011170 priority Critical patent/WO2023175649A1/ja
Publication of WO2023175649A1 publication Critical patent/WO2023175649A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/50—Air quality properties
    • F24F2110/64—Airborne particle content

Definitions

  • the present disclosure relates to a learning device, a device control system, a learning method, and a program.
  • the control device calculates a calculation value used for controlling the device from sensor values output by a plurality of sensors, and controls the device based on the calculated calculation value.
  • the control device calculates a calculation value used for controlling the device from sensor values output by a plurality of sensors, and controls the device based on the calculated calculation value.
  • Patent Document 1 describes a technique of predicting the sensor value of a certain sensor from the sensor value of another sensor in order to suppress the power consumption of the sensor. Specifically, Patent Document 1 states that the period in which the first sensor value measured by the first sensor device is not acquired and the second sensor value measured by the second sensor device is acquired is different from the first sensor value. A technique is described for predicting a first sensor value from a second sensor value based on a correlation with the second sensor value.
  • the present disclosure has been made in view of the above problems, and aims to provide a learning device, a device control system, a learning method, and a program that support realizing appropriate device control with a small number of sensors. shall be.
  • the learning device includes: The air quality in the target space is determined from the sensor values output by a first number of first sensors that detect the air quality in the target space and the sensor values output by the first number of first sensors.
  • learning data acquisition means for acquiring learning data including a first calculation value used for controlling the first device that adjusts the first device; Sensor values output by a second number of second sensors smaller than the first number selected from the first number of first sensors by machine learning using the learning data acquired by the learning data acquisition means.
  • learning means for generating an estimation model for estimating a second calculation value used for controlling the first device.
  • a method for estimating a second calculation value used for controlling a first device from sensor values output by a second number of second sensors smaller than the first number selected from the first number of first sensors is provided.
  • An estimated model is generated. Therefore, according to the present disclosure, it is possible to support achieving appropriate device control with a small number of sensors.
  • Configuration diagram of a device control system according to Embodiment 1 Configuration diagram of a server according to Embodiment 1 Equipment layout diagram during the learning stage Equipment layout diagram during operation stage An explanatory diagram of the functions of the equipment control system during the learning stage An explanatory diagram of the functions of the equipment control system during the operation stage Diagram showing training data Diagram showing the first accumulated data Flowchart showing device control processing during learning executed by the server according to Embodiment 1 Flowchart showing learning processing executed by the server according to Embodiment 1 Flowchart showing the exclusion candidate sensor selection process shown in FIG. 10 Flowchart showing device control processing during operation executed by the server according to Embodiment 1 Functional configuration diagram of device control system according to Embodiment 2 Flowchart showing correction processing executed by the server according to Embodiment 2
  • FIG. 1 is a diagram showing the configuration of a device control system 1000 according to the first embodiment.
  • the device control system 1000 is a system that learns calculation values used for controlling devices from sensor values output by sensors, and controls the devices using an estimated model obtained by the learning.
  • the device control system 1000 learns calculated values in a learning stage and controls devices in an operating stage.
  • the learning stage is a stage in which calculation values used to control the equipment are learned and an estimation model for estimating the calculation values is generated.
  • the operation stage is a stage in which the equipment control system 1000 is operated using the estimated model, and is a stage in which equipment is controlled using the estimated model.
  • the equipment control system 1000 uses sensor values output by a large number of sensors to learn appropriate calculation values to be used for controlling the equipment, and in the operation stage, the equipment control system 1000 uses sensor values output by a small number of sensors and an estimation model to learn appropriate calculation values. to control the equipment.
  • the learning process that is, the estimation model update process is performed, for example, once every three months. For example, the first week of three months is the learning phase, and the remaining three months is the operational phase.
  • the device control system 1000 in the operation stage, the device can be appropriately controlled using a smaller number of sensors than the number of sensors used in the learning stage.
  • the number of sensors installed in the target space is small. For example, if too many sensors are installed, the sensors may get in the way of work. Furthermore, if too many sensors are installed, power consumption will be large. Moreover, if too many sensors are installed, there is a high possibility that the aesthetic appearance will be spoiled.
  • the learning stage is relatively short-term, it is thought that in many cases, these adverse effects are not so noticeable. Furthermore, when a battery-powered sensor is used, there is no need to route wiring to secure a power source, and the workload required for installing the sensor is small. Since the period of the learning phase is shorter than the period of the operation phase, even if a battery-powered sensor is used, there is no need to worry about battery consumption as much. Therefore, it is preferable to install a large number of sensors in the target space in the learning stage, and to install a small number of sensors in the target space in the operational stage.
  • the device control system 1000 includes one or more servers 100.
  • the device control system 1000 functions as a cloud that provides a service for controlling devices by one server 100 operating or by multiple servers 100 working together.
  • device control system 1000 includes at least server 100A and server 100B.
  • server 100A and the server 100B will be collectively referred to as the server 100 as appropriate.
  • Server 100A and server 100B are connected to be able to communicate with each other via communication network 800.
  • Communication network 800 is, for example, the Internet.
  • the communication network 800 also includes one or more first devices 300, multiple first sensors 400, one or more second devices 500, one or more third sensors 600, and a terminal.
  • Device 700 is connected.
  • the server 100 is a server that provides various services related to device control.
  • the server 100 has a learning function that learns calculated values used to control devices to generate an estimated model, a control function that controls devices using the estimated model, and connects to a communication network 800 to communicate with various devices. Equipped with a communication function.
  • the server 100 is, for example, a cloud server that provides a service for controlling devices.
  • a cloud server is a server that provides resources in cloud computing. As shown in FIG. 2, the server 100 includes a control section 11, a storage section 12, and a communication section 13.
  • the control unit 11 includes a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM (Random Access Memory), an RTC (Real Time Clock), and the like.
  • the CPU is also called a central processing unit, central processing unit, processor, microprocessor, microcomputer, DSP (Digital Signal Processor), etc., and functions as a central processing unit that executes processing and calculations related to control of the server 100.
  • the CPU reads out programs and data stored in the ROM, and uses the RAM as a work area to centrally control the server 100.
  • the RTC is, for example, an integrated circuit having a timekeeping function. Note that the CPU can identify the current date and time from the time information read from the RTC.
  • the storage unit 12 includes nonvolatile semiconductor memory such as flash memory, EPROM (Erasable Programmable ROM), and EEPROM (Electrically Erasable Programmable ROM), and plays a role as a so-called auxiliary storage device.
  • the storage unit 12 stores programs and data used by the control unit 11 to execute various processes. Furthermore, the storage unit 12 stores data generated or acquired by the control unit 11 executing various processes.
  • the communication unit 13 communicates with devices connected to the communication network 800 under the control of the control unit 11.
  • the communication unit 13 communicates with various devices in accordance with various wireless communication standards.
  • Wi-Fi registered trademark
  • the communication unit 13 includes a communication interface compliant with various communication standards.
  • the first device 300 is a device to be controlled installed in a target space.
  • the first device 300 is a device that adjusts the air quality in the target space.
  • Regulating air quality is basically improving air quality. Improving air quality includes, for example, reducing the proportion of CO2 in the air, removing dirt, dust, particles, etc. in the air, and removing substances that cause odors in the air. That's true.
  • the first device 300 is a ventilation device that replaces the air in the target space, an air purifier that removes dust, pollen, house dust, etc. floating in the air in the target space.
  • the first device 300 has a function of connecting to the communication network 800 directly or via a relay device.
  • the first device 300 is an example of a first device.
  • the first sensor 400 is a sensor installed in the target space during the learning stage.
  • the first sensor 400 is a sensor that detects the quality of air in the target space.
  • the first sensor 400 outputs a sensor value indicating a numerical value to be detected.
  • the sensor value output by the first sensor 400 is used to calculate a first calculation value, which is a calculation value used to control the first device 300 in the learning stage. Further, the sensor value output by the first sensor 400 is used for learning the estimation model.
  • the estimation model is used to control the first device 300 in the operation stage based on the sensor value output by the second sensor 400S, the operation data output by the second device 500, and the sensor value output by the third sensor 600. This is a model for estimating a second calculated value which is a power calculated value.
  • the first sensor 400 includes a CO 2 sensor that detects the amount of carbon dioxide in the air, a PM 2.5 sensor that detects the amount of PM (Particulate Matter) 2.5 in the air, an odor sensor that detects the odor of the air, etc. It is.
  • the first sensor 400 has a function of connecting to the communication network 800 directly or via a relay device.
  • first sensor 400 is a CO 2 sensor.
  • the first sensor 400 is an example of a first sensor.
  • the second sensor 400S is a sensor installed in the target space during the operation stage.
  • the second sensor 400S is a sensor selected from the plurality of first sensors 400. More specifically, the second sensor 400S is the first sensor 400 that is installed in the target space without being thinned out even in the operation stage, among the plurality of first sensors 400 installed in the target space in the learning stage.
  • the second number which is the number of second sensors 400S, is smaller than the first number, which is the number of first sensors 400.
  • the sensor value output by the second sensor 400S is used to estimate the second calculated value using the estimation model.
  • the second sensor 400S is an example of a second sensor.
  • the second device 500 is a device that is installed in the target space and is not to be controlled.
  • the second device 500 is an air conditioner, a lighting device, etc.
  • the second device 500 outputs operating data indicating the operating state of the second device 500.
  • the operation data includes a set temperature, a set humidity, an operation mode, an air volume, a wind direction, and the like.
  • the operation data is the lighting state, illuminance, etc.
  • the operation data output by the second device 500 is used for learning the estimation model and estimating the second calculated value using the estimation model.
  • the second device 500 has a function of connecting to the communication network 800 directly or via a relay device.
  • the second device 500 is an example of a second device.
  • the third sensor 600 is a sensor different from the first sensor 400 installed in the target space.
  • the third sensor 600 is a human sensor that detects the presence or absence of a person, an opening/closing sensor that detects the open/closed states of windows, doors, etc.
  • the third sensor 600 may be a sensor installed in the second device 500.
  • the third sensor 600 may be a temperature sensor installed in an air conditioner. Examples of the temperature sensor include a temperature sensor that detects the suction temperature, which is the temperature of the air that the air conditioner takes in, and a temperature sensor that detects the blowout temperature, which is the temperature of the air that the air conditioner blows out.
  • the third sensor 600 outputs a sensor value indicating a numerical value to be detected.
  • the sensor value output by the third sensor 600 is used for learning the estimation model and estimating the second calculated value using the estimation model.
  • the third sensor 600 has a function of connecting to the communication network 800 directly or via a relay device.
  • the third sensor 600 is an example of a third sensor.
  • the terminal device 700 is an information processing device used by a user.
  • the terminal device 700 accepts various operations from the user and presents various information to the user.
  • the terminal device 700 includes an operation reception function for accepting various operations, a display function for displaying various information, a communication function for connecting to the communication network 800, and the like.
  • the terminal device 700 is, for example, a smartphone, a tablet terminal, a notebook computer, or the like.
  • FIG. 3 shows the arrangement of each device installed in the target space during the learning stage.
  • Figure 4 shows the arrangement of each device installed in the target space during the operation stage.
  • the first sensors 400 include a first sensor 400AA, a first sensor 400AB, a first sensor 400AC, a first sensor 400AD, a first sensor 400AE, a first sensor 400AF, and a first sensor 400AA.
  • a broken line 50A, a broken line 50B, a broken line 50C, and a broken line 50D indicate a group of sensor values used to calculate a first calculation value used to control one first device 300 in the learning stage. For example, in the group indicated by the broken line 50A, calculation is performed using six sensor values output by the first sensor 400AA, the first sensor 400AB, the first sensor 400AC, the first sensor 400AD, the first sensor 400AE, and the first sensor 400AF. This indicates that the first calculation value for controlling the first device 300A is calculated.
  • the learning stage a large number of first sensors 400 are installed in the target space in order to generate a highly accurate estimation model.
  • a small number of second sensors 400S are installed in the target space from the viewpoint of convenience, power consumption, aesthetics, etc. That is, the number of second sensors 400S installed in the operation stage is smaller than the number of first sensors 400 installed in the learning stage. Therefore, in the operation stage, as shown in FIG. 4, the first sensor 400CF and the first sensor 400DC are installed in the target space as the second sensor 400S, and the other first sensors 400 are not installed in the target space. Note that regarding the first device 300, the second device 500, and the third sensor 600, there is no difference in the number of devices installed between the learning stage and the operation stage.
  • FIG. 5 is a diagram for explaining the functions of the device control system 1000 in the learning stage.
  • FIG. 6 is a diagram for explaining the functions of the device control system 1000 in the operation stage.
  • the device control system 1000 functionally includes a calculation section 101, a device control section 102, a learning data acquisition section 103, a learning section 104, a sensor information output section 105, an operational data acquisition section 106, and an estimation section. 107, and a state determination unit 108.
  • each of these functions is realized by the configuration included in the server 100. That is, each of these functions is realized by software, firmware, or a combination of software and firmware.
  • Software and firmware are written as programs and stored in the ROM or storage unit 12. These functions are realized by the CPU executing programs stored in the ROM or the storage unit 12.
  • the device control system 1000 functionally includes a control device 150 that controls the first device 300 using the estimation model generated by the learning device 160, and a learning device 160 that generates the estimation model through learning.
  • the control device 150 includes a calculation section 101 , a device control section 102 , an operation data acquisition section 106 , an estimation section 107 , and a state determination section 108 .
  • the learning device 160 also includes a learning data acquisition section 103, a learning section 104, and a sensor information output section 105.
  • the functions of the control device 150 and the functions of the learning device 160 may be realized by the cooperation of the server 100A and the server 100B, or may be realized by the independent function of the server 100A or the server 100B.
  • Control device 150 is an example of a control device.
  • Learning device 160 is an example of a learning device.
  • the calculation unit 101 performs calculations on the sensor values output by the first number of first sensors 400, and calculates a first calculation value used for controlling the first device 300.
  • the first calculated value is a calculated value used to control the first device 300 in the learning stage, and is calculated from the sensor values output by the first number of first sensors 400.
  • the method of calculating the first calculated value from the sensor value can be adjusted as appropriate.
  • the first calculated value may be calculated for each group, for example, and may be the average value of the sensor values output by the first sensors 400 belonging to the same group.
  • the first calculated value in the group indicated by the broken line 50A that is, the first calculated value used to control the first device 300A, is the sensor value output by the first sensor 400AA and the first calculated value outputted by the first sensor 400AA.
  • the calculation unit 101 is an example of calculation means.
  • the device control unit 102 controls the first device 300 based on the first calculation value calculated by the calculation unit 101. For example, in the example shown in FIG. 3, when the amount of carbon dioxide indicated by the first calculation value calculated for the group indicated by the broken line 50A exceeds the threshold, the first device 300A, which is a ventilation device, is controlled to be turned on, and the first device 300A, which is a ventilation device, is turned on. When the first threshold value is less than or equal to the threshold value, the first device 300A is controlled to be turned off.
  • the control of the first device 300 is not limited to the control of turning the first device 300 on or off based on the relationship between the first calculation value and the threshold value.
  • the control of the first device 300 may be control that adjusts the degree to which the first device 300 is operated based on the magnitude of the first calculation value.
  • the ventilation air volume, ventilation mode, etc. may be adjusted according to the magnitude of the first calculation value.
  • the ventilation mode is, for example, a mode indicating either normal ventilation or heat exchange ventilation.
  • the first device 300 is an air cleaner, the amount of air sucked by the air cleaner may be adjusted depending on the magnitude of the first calculation value.
  • the device control unit 102 controlling the first device 300 is a concept that includes the device control unit 102 indirectly controlling the first device 300. For example, if there is a control device that controls the operation of the first device 300 according to set parameters, the device control section 102 transmitting the parameters to this control device means that the device control section 102 controls the first device 300. correspond to what you do.
  • the device control unit 102 is an example of device control means.
  • the learning data acquisition unit 103 acquires learning data.
  • the learning data is teacher data used for learning to generate an estimation model.
  • the learning data includes sensor values output by a first number of first sensors 400, operating data output by a second device 500, sensor values output by a third sensor 600, and a first number of first sensors.
  • 400 includes a first calculation value obtained from the sensor value outputted by the sensor.
  • the learning data acquisition unit 103 acquires the sensor value of the first sensor 400 from the first sensor 400, acquires the operation data of the second device 500 from the second device 500, and acquires the sensor value of the third sensor 600 from the third sensor 600. Get the value. Further, the learning data acquisition unit 103 acquires the first calculation value from the calculation unit 101.
  • the learning data acquired by the learning data acquisition unit 103 is accumulated in the storage unit 12.
  • the learning data includes, for example, the acquisition time of the learning data, the sensor value output by the first sensor 400, the operation data output by the second device 500, the sensor value output by the third sensor 600, and the first calculation value. This is time-series data managed by records that are associated with.
  • the learning data acquisition unit 103 is an example of learning data acquisition means.
  • the storage unit 12 is an example of storage means.
  • the learning unit 104 generates an estimated model by machine learning using the learning data acquired by the learning data acquisition unit 103.
  • the estimation model is based on the sensor values output by the second number of second sensors 400S, the operation data output by the second device 500, and the sensor values output by the third sensor 600. This is a model for estimating calculated values.
  • the second calculated value is a calculated value suitable for use in controlling the first device 300 in the operation stage.
  • the learning unit 104 causes the storage unit 12 to store the generated estimation model.
  • the learning unit 104 generates an estimation model such that when the example questions included in the learning data are input to the estimation model, the correct answers included in the learning data are output from the estimation model.
  • the machine learning method employed by the learning unit 104 can be adjusted as appropriate.
  • the learning unit 104 may perform learning using multiple regression analysis that predicts one objective variable using multiple explanatory variables.
  • the objective variable is the first calculation value.
  • the plurality of explanatory variables are sensor values output by the first number of first sensors 400, operation data output by the second device 500, and sensor values output by the third sensor 600.
  • the learning unit 104 sets a weighting coefficient for each explanatory variable so that when the value of the explanatory variable included in the learning data is input to the estimation model, the value of the objective variable included in the learning data is output from the estimation model. adjust.
  • the learning unit 104 may perform learning using a neural network.
  • the learning unit 104 selects the second number of second sensors 400S from the first number of first sensors 400 so that the estimation accuracy of the estimation model is equal to or higher than the reference accuracy.
  • the estimation accuracy of the estimation model is, for example, the error between the value of the objective variable that is output from the estimation model when the value of the explanatory variable included in the learning data is input into the estimation model, and the value of the objective variable included in the learning data. Calculated from the average value of The reference accuracy is, for example, the minimum accuracy desired by the user.
  • the learning unit 104 adopts a method of reducing the second number while suppressing a decrease in estimation accuracy by sequentially thinning out the first sensors 400 whose sensor values are easy to predict from the first number of first sensors 400. do.
  • the first sensor 400 whose sensor value is easy to predict has a high correlation with the sensor values of other first sensors 400, the operation data of the second device 500, or the sensor value of the third sensor 600, and can be estimated from these data. This is the first sensor 400 that outputs a sensor value that is easy to read.
  • the learning unit 104 executes a first process and a second process.
  • the first process is to select sensor values output from other first sensors 400, operating data output from the second device 500, and sensor values output from the third sensor 600 from among the first number of first sensors 400. This is a process of selecting the first sensor 400 that outputs the sensor value that is easiest to estimate from the sensor value as an exclusion candidate sensor.
  • the second process is a process of generating a tentative estimation model by machine learning.
  • This machine learning is performed using the first calculation value included in the learning data, the sensor value output by the non-excluded sensor included in the learning data, the operation data output by the second device 500 included in the learning data, and the learning data.
  • This is machine learning using the sensor values output by the included third sensor 600.
  • a non-excluded sensor is a first sensor 400 that is not selected as an excluded candidate sensor among the first number of first sensors 400.
  • the tentative estimation model is a model for estimating the second calculated value from the sensor values output by the non-excluded sensors, the operation data output by the second device 500, and the sensor values output by the third sensor 600. .
  • the learning unit 104 repeats the first process and the second process until the estimation accuracy of the tentative estimation model becomes less than the reference accuracy.
  • the learning unit 104 selects the non-exclusion sensor and the last selected exclusion candidate sensor from among the first number of first sensors 400 as the second number of second sensors 400S. That is, the learning unit 104 selects the minimum number of first sensors 400 necessary to make the estimation accuracy of the tentative estimation model equal to or higher than the reference accuracy as the second sensor 400S.
  • the method by which the learning unit 104 selects exclusion candidate sensors can be adjusted as appropriate. For example, the learning unit 104 selects, as an exclusion candidate sensor, a non-exclusion sensor that outputs a sensor value that is most easily estimated from sensor values output by other non-exclusion sensors. That is, the learning unit 104 selects, as an exclusion candidate sensor, a non-exclusion sensor that outputs a sensor value that has the highest correlation with a sensor value output by another non-exclusion sensor.
  • the learning unit 104 uses each of the non-excluded sensors as a target sensor, and generates an individual estimation model for each target sensor by machine learning using sensor values output by the non-excluded sensors included in the learning data.
  • the individual estimation model is a model for estimating a sensor value output by a target sensor from a sensor value output by a non-excluded sensor other than the target sensor among the non-excluded sensors.
  • the learning unit 104 identifies an individual estimation model having the highest estimation accuracy among the individual estimation models generated for each of the non-excluded sensors.
  • the learning unit 104 selects a non-exclusion sensor corresponding to the identified individual estimation model as an exclusion candidate sensor.
  • the learning unit 104 is an example of learning means.
  • the sensor information output unit 105 outputs sensor information indicating the second number of second sensors 400S selected by the learning unit 104. For example, the sensor information output unit 105 outputs sensor information to the terminal device 700 via the communication network 800.
  • the sensor information is information indicating the identifier of the second sensor 400S, the installation location of the second sensor 400S, and the like.
  • Terminal device 700 displays a screen showing sensor information received from server 100. The user refers to this screen and understands the second number of second sensors 400S. When transitioning from the learning stage to the operation stage, the user removes the first sensors 400 other than the second sensor 400S among the first sensors 400 installed in the target space from the installation location.
  • the sensor information output unit 105 is an example of sensor information output means.
  • the operational data acquisition unit 106 acquires operational data in the operational stage.
  • the operational data is data acquired for controlling the first device 300 in the operational stage.
  • the operational data includes the sensor value output by the second sensor 400S, the operation data output by the second device 500, and the sensor value output by the third sensor 600.
  • the estimation unit 107 uses the estimation model generated by the learning unit 104 to estimate the second calculation value used for controlling the first device 300 from the operation data acquired by the operation data acquisition unit 106. That is, the estimation unit 107 supplies the sensor value output by the second sensor 400S, the operation data output by the second device 500, and the sensor value output by the third sensor 600 to the estimation model, and uses the output result of the estimation model to A second calculation value is specified.
  • the second calculated value is a calculated value that is estimated to be output by the calculation unit 101 when it is assumed that the calculation unit 101 that outputs an appropriate calculation value used for controlling the first device 300 is operated in the operational stage. be.
  • Estimating unit 107 is an example of estimating means.
  • the device control unit 102 controls the first device 300 based on the second calculation value estimated by the estimation unit 107 in the operation stage.
  • the second number which is the number of second sensors 400S installed in the target space in the operation stage
  • the first number which is the number of first sensors 400 installed in the target space in the learning stage. Therefore, if the calculation unit 101 is used in the operation stage, the number of sensor values supplied to the calculation unit 101 will be insufficient, making it difficult to calculate appropriate calculation values. Therefore, in the operation stage, the device control unit 102 controls the first device 300 based on the second calculation value estimated by the estimation unit 107.
  • the storage unit 12 stores time-series learning data acquired by the learning data acquisition unit 103 in the learning stage.
  • This learning data includes time-series sensor values output by the first sensor 400 in the learning stage, time-series operating data output by the second device 500 in the learning stage, and time-series operational data output by the third sensor 600 in the learning stage. It includes a series of sensor values and a time series of first computed values output by the computing unit 101 in the learning stage. Therefore, the storage unit 12 stores the time-series sensor values output by the second number of second sensors 400S in the learning stage, the time-series operating data output by the second device 500 in the learning stage, and the time-series operating data output by the second device 500 in the learning stage. Time-series first accumulated data including the time-series sensor values output by the three sensors 600 is accumulated.
  • FIG. 8 shows the first accumulated data.
  • the learning data includes a plurality of pieces of data including acquisition date and time, a sensor value of the first sensor 400, operation data of the second device 500, a sensor value of the third sensor 600, and a first calculation value.
  • the first accumulated data includes a plurality of records including the acquisition date and time, the sensor value of the second sensor 400S, the operation data of the second device 500, and the sensor value of the third sensor 600.
  • the second sensor 400S is one of the first sensors 400. Therefore, the sensor value of the second sensor 400S is the same as the sensor value of any of the first sensors 400.
  • the state determining unit 108 determines whether or not the state is irregular.
  • the irregular state is a state in which the acquired data acquired in the operational stage deviates from the acquired data acquired in the learning stage.
  • the acquired data is a concept that includes a sensor value output by the second sensor 400S, operation data output by the second device 500, and a sensor value output by the third sensor 600.
  • the state determining unit 108 determines whether the acquired data acquired in the operation stage is in an irregular state that deviates from the time-series acquired data accumulated in the storage unit 12 in the learning stage.
  • the method by which the state determining unit 108 determines whether the state is in an irregular state can be adjusted as appropriate.
  • the state determining unit 108 treats acquired data acquired at the same timing as an acquired data group, and determines whether the state is irregular based on the distance between data based on the root mean square between the plurality of acquired data groups. can be determined.
  • a method for determining whether or not the state is irregular will be explained using a specific example.
  • the acquired data group When the acquired data group is acquired in the operational stage, the acquired data group D acquired in the operational stage and the acquired data group Dt1, Dt2, Dt3, Dt4, and Dt5 acquired at each time in the learning stage.
  • the distance between data is determined by calculating the root mean square between each.
  • the data distance between D and Dt1 is (((D_1-Dt1_1) 2 + (D_2-Dt1_2) 2 + (D_3-Dt1_3) 2 + (D_4-Dt1_4) 2 + (D_5-Dt1_5) 2 )/ 5) Expressed by 0.5 .
  • the data distance between D and Dt2, the data distance between D and Dt3, the data distance between D and Dt4, and the data distance between D and Dt5 are determined.
  • Dt1, Dt2, Dt3, Dt4, and Dt5 the acquired data group with the shortest inter-data distance with D is specified.
  • Dt3 is the acquired data group having the shortest inter-data distance with D.
  • inter-data distances are determined between Dt3 and each of Dt1, Dt2, Dt4, Dt5, . . . .
  • Dt5 is the acquired data group having the shortest inter-data distance from Dt3.
  • the state determining unit 108 is an example of a state determining means.
  • the device control unit 102 controls the first device 300 according to predetermined control details. For example, the device control unit 102 operates the ventilation device at a medium air volume. Further, for example, the device control unit 102 stops an air conditioner installed in a place where no one is normally present, and operates an air conditioner installed in a place where there are usually no people. In this manner, when the device is in an irregular state, the device control unit 102 executes predetermined control instead of the control based on the second calculation value estimated by the estimation unit 107. According to this configuration, undesired control is prevented from being executed under an environment that did not occur during the limited learning stage. For example, the occurrence of a special environment due to an event expected to be held at a school, hotel, commercial facility, etc. is automatically detected, and the execution of undesired control is suppressed.
  • the device control process during learning is a process in which the server 100 controls the first device 300 during the learning stage.
  • the server 100 starts executing the learning device control process in response to receiving an instruction to start the learning device control process from the user.
  • control unit 11 included in the server 100 collects sensor values from the first sensor 400 (step S101). After completing the process in step S101, the control unit 11 collects operation data from the second device 500 (step S102). After completing the process of step S102, the control unit 11 collects sensor values from the third sensor 600 (step S103).
  • the control unit 11 selects one first device 300 from at least one first device 300 installed in the target space (step S104). After completing the process of step S104, the control unit 11 calculates a first calculation value for the selected first device 300 (step S105). For example, the control unit 11 calculates the average value of the sensor values of all the first sensors 400 belonging to the group to which the selected first device 300 belongs, as the first calculation value for the selected first device 300.
  • the control unit 11 controls the first device 300 based on the first calculated value (step S106). For example, the control unit 11 operates the first device 300 when the first calculated value exceeds the threshold, and stops the first device 300 when the first calculated value is below the threshold. After completing the process of step S106, the control unit 11 determines whether there is any unselected first device 300 (step S107).
  • control unit 11 determines that there is an unselected first device 300 (step S107: YES), it returns the process to step S104.
  • the control unit 11 determines that there is no unselected first device 300 (step S107: NO)
  • it stores the learning data (step S108).
  • the control unit 11 stores a record in which the data acquisition time, the sensor value of the first sensor 400, the operation data of the second device 500, the sensor value of the third sensor 600, and the first calculated value are associated with each other in the storage unit. 12 to be memorized. After completing the process in step S108, the control unit 11 returns the process to step S101.
  • the learning process is a process of generating an estimated model by learning using the learning data accumulated in the learning stage.
  • the server 100 executes the learning process, for example, when sufficient learning data is accumulated and the learning stage ends.
  • the control unit 11 adds all the first sensors 400 to the temporary sensor list (step S201).
  • the temporary sensor list is a list indicating the first sensors 400 that output sensor values used for generating the temporary estimation model.
  • the provisional estimation model is a provisional estimation model for estimating the second calculated value.
  • the temporary sensor list and the temporary estimation model are stored in the storage unit 12, for example.
  • the control unit 11 After completing the process of step S201, the control unit 11 generates a tentative estimation model based on the tentative sensor list (step S202). That is, the control unit 11 uses the sensor value of the first sensor 400 indicated by the temporary sensor list among the learning data, the operation data of the second device 500 among the learning data, and the sensor value of the third sensor 600 among the learning data. , and the first calculated value of the learning data, a tentative estimation model is generated.
  • the control unit 11 specifies the accuracy of the tentative estimation model (step S203). For example, the control unit 11 calculates the error for each record included in the learning data, and specifies the accuracy corresponding to the average value of the error. Specifically, for example, the control unit 11 selects one record from the learning data. The control unit 11 controls the sensor value of the first sensor 400 included in the selected record and indicated by the temporary sensor list, the operation data of the second device 500 included in the selected record, and the third sensor included in the selected record. 600 sensor values are supplied to the tentative estimation model.
  • the control unit 11 calculates the error between the second calculated value estimated by the tentative estimation model and the first calculated value included in the selected record.
  • the control unit 11 calculates the above error for all records included in the learning data.
  • the control unit 11 calculates the average value of errors calculated for all records.
  • the control unit 11 identifies the accuracy of the tentative estimation model from the average value of the errors. Note that the smaller the average value of the errors, the higher the accuracy of the tentative estimation model.
  • control unit 11 determines whether the accuracy of the tentative estimated model is equal to or higher than the reference accuracy (step S204). When the control unit 11 determines that the accuracy of the tentative estimated model is not equal to or higher than the reference accuracy (step S204: NO), it transmits an error message (step S205). For example, the control unit 11 transmits an error message to the terminal device 700 via the communication network 800.
  • the reasons why the accuracy of the tentative estimation model generated using the sensor values of all the first sensors 400 is less than the standard accuracy include causes such as rapid changes in the environment of the target space and insufficient learning data. is possible. Therefore, it is preferable for the user who has confirmed the error message to take measures such as investigating the cause of rapid changes in the environment of the target space or lengthening the learning period, which is the period set in the learning stage.
  • the control unit 11 completes the process of step S205, it ends the learning process.
  • the control unit 11 determines that the accuracy of the tentative estimation model is equal to or higher than the reference accuracy (step S204: YES), it stores the tentative sensor list as a sensor list (step S206). After completing the process of step S206, the control unit 11 stores the provisional estimated model as an estimated model (step S207).
  • the sensor list is a list indicating the first sensors 400 that output sensor values used for generating the estimation model.
  • the estimation model is a regular estimation model that estimates the second calculated value.
  • the sensor list and the estimated model are stored in the storage unit 12, for example. Note that if the sensor list has already been saved, the saved sensor list is updated to a new sensor list. Similarly, if the estimated model has already been saved, the saved estimated model is updated to a new estimated model.
  • the exclusion candidate sensor selection process is a process of selecting an exclusion candidate sensor that is a candidate for the first sensor 400 to be excluded from the sensor list and is the first sensor 400 to be excluded from the temporary sensor list.
  • the exclusion candidate sensor selection process will be described in detail below with reference to FIG.
  • the control unit 11 selects one target sensor from non-excluded sensors (step S301).
  • a non-excluded sensor is a first sensor 400 that is not excluded from the temporary sensor list, and is a first sensor 400 indicated by the temporary sensor list.
  • the target sensor is the first sensor 400 for which an individual estimation model, which will be described later, is to be generated.
  • the control unit 11 After completing the process of step S301, the control unit 11 generates an individual estimation model corresponding to the target sensor (step S302).
  • the individual estimation model is a model for estimating the sensor value of the target sensor from the sensor values of non-excluded sensors other than the target sensor. For example, when the sensor values of non-excluded sensors other than the target sensor among the first accumulated data stored in the storage unit 12 are supplied to the individual estimation model, the control unit 11 controls the An individual estimation model is generated by machine learning so that sensor values are output from the individual estimation model. For example, the control unit 11 uses multiple regression analysis to create an individual estimation model for each record included in the accumulated data, using the sensor values of non-excluded sensors other than the target sensor as explanatory variables and the sensor values of the target sensor as objective variables. generate.
  • the control unit 11 specifies the accuracy of the individual estimation model (step S303). For example, the control unit 11 selects one record from the first accumulated data. The control unit 11 supplies sensor values of non-excluded sensors other than the target sensor included in the selected record to the individual estimation model. The control unit 11 calculates the error between the estimated value estimated by the individual estimation model and the sensor value of the target sensor included in the selected record. The control unit 11 calculates the error for all records included in the first accumulated data. The control unit 11 calculates the average value of errors calculated for all records. The control unit 11 specifies the accuracy of the individual estimation model from the average value of the errors. Note that the smaller the average error value, the higher the accuracy of the individual estimation model.
  • step S304 the control unit 11 determines whether there is an unselected non-excluded sensor. That is, the control unit 11 determines whether there is a non-excluded sensor that has not been selected as a target sensor.
  • step S304 the control unit 11 returns the process to step S301.
  • control unit 11 determines that there is no unselected non-exclusion sensor (step S304: NO)
  • it selects the target sensor corresponding to the individual estimation model with the highest accuracy as an exclusion candidate sensor (step S305).
  • High estimation accuracy of the individual estimation model means that it is easy to estimate the sensor value of the target sensor from the sensor values of non-excluded sensors other than the target sensor.
  • high estimation accuracy of the individual estimation model means that the correlation between the sensor value of the target sensor and any sensor value of a non-excluded sensor other than the target sensor is high. Therefore, it is highly possible to perform appropriate control even if there is no target sensor corresponding to the most accurate individual estimation model.
  • control unit 11 selects the target sensor corresponding to the individual estimation model having the highest estimation accuracy among the individual estimation models generated for each target sensor as an exclusion candidate sensor.
  • control unit 11 completes the process of step S305, the control unit 11 completes the exclusion candidate sensor selection process.
  • the control unit 11 After completing the exclusion candidate sensor selection process in step S208, the control unit 11 deletes the exclusion candidate sensor from the temporary sensor list (step S209). After completing the process of step S209, the control unit 11 generates a tentative estimation model based on the tentative sensor list from which the exclusion candidate sensors have been deleted (step S210). After completing the process of step S210, the control unit 11 specifies the accuracy of the provisional estimation model (step S211).
  • step S212 determines whether the accuracy of the tentative estimated model is equal to or higher than the reference accuracy.
  • step S212: YES the control unit 11 returns the process to step S206.
  • step S213 the control unit 11 transmits sensor information indicating a sensor list. For example, the control unit 11 transmits the sensor list stored in the storage unit 12 to the terminal device 700.
  • the terminal device 700 displays a screen that presents a sensor list indicated by the sensor information received from the server 100.
  • the user refers to the presented sensor list to understand which first sensor 400 should be adopted as the second sensor 400S from among the first sensors 400.
  • the user removes the first sensor 400 that has not been adopted as the second sensor 400S from the target space.
  • the sensor list indicated by the sensor information is a list of the first sensors 400 that output sensor values used to generate the adopted estimation model.
  • the adopted estimation model is basically the estimation model with the smallest number of sensor values of the second sensor 400S used for estimating the second calculation value, among the estimation models having accuracy equal to or higher than the reference accuracy.
  • the device control process during operation is a process in which the server 100 controls the first device 300 during the operation stage.
  • the server 100 starts executing the device control process during operation in response to receiving an instruction to start the device control process during operation from the user.
  • control unit 11 collects sensor values from the second sensor 400S (step S401). After completing the process of step S401, the control unit 11 collects operation data from the second device 500 (step S402). After completing the process of step S402, the control unit 11 collects sensor values from the third sensor 600 (step S403).
  • the control unit 11 compares the acquired data group with the first accumulated data (step S404).
  • the acquired data group corresponds to one record including sensor values collected from the second sensor 400S, operation data collected from the second device 500, and sensor values collected from the third sensor 600.
  • the control unit 11 determines whether the acquired data group deviates from the first accumulated data, for example, based on the inter-data distance based on the root mean square described above.
  • step S405 determines whether the state is irregular.
  • the irregular state is a state in which the acquired data group deviates from the first accumulated data. If the control unit 11 determines that the state is irregular (step S405: YES), it controls all the first devices 300 with predetermined control details (step S406).
  • control unit 11 determines that the state is not irregular (step S405: NO), it selects one first device 300 from at least one first device 300 installed in the target space (step S407). After completing the process in step S407, the control unit 11 calculates a second calculation value for the selected first device 300 using the estimation model stored in the storage unit 12 (step S408). For example, the control unit 11 supplies the acquired data group to the estimation model, and obtains the second calculation value that is the output result of the estimation model.
  • control unit 11 controls the selected first device 300 based on the second calculated value (step S409). For example, the control unit 11 operates the selected first device 300 when the second calculated value exceeds the threshold, and stops the selected first device 300 when the second calculated value is below the threshold. After completing the process of step S409, the control unit 11 determines whether there is any unselected first device 300 (step S410).
  • step S410 determines that there is an unselected first device 300 (step S410: YES), it returns the process to step S407.
  • the control unit 11 saves the acquired data group (step S411). For example, the control unit 11 causes the storage unit 12 to store a record in which the data acquisition time, the sensor value of the second sensor 400S, the operation data of the second device 500, and the sensor value of the third sensor 600 are associated with each other.
  • the control unit 11 completes the process of step S411, the control unit 11 returns the process to step S401.
  • the second calculation used for controlling the first device 300 is performed from the sensor values output by the second number of second sensors 400S, which is smaller than the first number selected from the first number of first sensors 400.
  • An estimation model is generated to estimate the value. Therefore, according to the present embodiment, it is possible to generate an estimation model for realizing appropriate device control with a small number of sensors.
  • the learning data includes operation data of the second device 500, and the operation data of the second device 500 is used for estimating the second calculated value using the estimation model.
  • the sensor value of the first sensor 400 and the operation data of the second device 500 may have a high correlation.
  • the first sensor 400 is a CO 2 sensor and the second device 500 is a lighting device
  • the lighting device is turned on and the carbon dioxide in the air in the target space is turned on. Carbon concentrations are likely to increase.
  • the sensor value of the CO 2 sensor can be easily estimated from the operation data of the lighting device. That is, in this case, it is possible to generate an estimation model that estimates the second calculated value from the operation data of the lighting device without using the sensor value of this CO 2 sensor. Therefore, according to the present embodiment, it is possible to generate an estimation model for realizing appropriate device control with a smaller number of sensors.
  • the learning data includes the sensor value of the third sensor 600, and the sensor value of the third sensor 600 is used for estimating the second calculated value by the estimation model.
  • the sensor value of the first sensor 400 and the sensor value of the third sensor 600 may have a high correlation.
  • the first sensor 400 is a CO 2 sensor and the third sensor 600 is a human sensor
  • the human sensor detects the person and Carbon dioxide levels in the air are likely to increase.
  • the sensor value of the CO 2 sensor can be easily estimated from the sensor value of the human sensor. That is, in this case, it is possible to generate an estimation model that estimates the second calculated value from the sensor value of the human sensor without using the sensor value of this CO 2 sensor. Therefore, according to the present embodiment, it is possible to generate an estimation model for realizing appropriate device control with a smaller number of sensors.
  • a second number of second sensors 400S is selected from the first number of first sensors 400, and a second number of second sensors 400S is selected from the first number of first sensors 400 so that the estimation accuracy of the estimation model is equal to or higher than the reference accuracy.
  • Sensor information indicating the two-sensor 400S is output. Therefore, according to the present embodiment, it is possible to inform the user of the second sensor 400S necessary for controlling the first device 300.
  • the process of excluding exclusion candidate sensors from the first sensor 400 is repeated until the estimation accuracy of the temporary estimation model no longer satisfies the reference accuracy, and the second sensor necessary for controlling the first device 300 400S is specified. Therefore, according to this embodiment, the second sensor 400S necessary for controlling the first device 300 can be appropriately specified.
  • the non-excluded sensor corresponding to the individual estimated model having the highest estimation accuracy among the individual estimated models generated for each of the non-excluded sensors is selected as the excluded candidate sensor. Therefore, according to this embodiment, the second sensor 400S necessary for controlling the first device 300 can be appropriately specified.
  • the first device 300 is controlled based on the second calculation value estimated using the estimation model. Therefore, according to this embodiment, appropriate device control can be achieved with a small number of sensors.
  • the first device 300 is controlled according to predetermined control details. Therefore, according to the present embodiment, it is possible to prevent unintended control from being executed in an unintended environment.
  • Embodiment 2 In the first embodiment, an example has been described in which the operational data is not corrected in the operational stage. In this embodiment, an example will be described in which operational data is corrected in the operational stage.
  • descriptions of configurations and functions similar to those in Embodiment 1 will be omitted or simplified as appropriate.
  • the device control system 1100 functionally includes a calculation section 101, a device control section 102, a learning data acquisition section 103, a learning section 104, and a sensor information output 105 , an operational data acquisition unit 106 , an estimation unit 107 , a state determination unit 108 , and a correction unit 109 .
  • Each of these functions is realized by the configuration included in the server 100. That is, each of these functions is realized by software, firmware, or a combination of software and firmware.
  • Software and firmware are written as programs and stored in the ROM or storage unit 12. These functions are realized by the CPU executing programs stored in the ROM or the storage unit 12.
  • the device control system 1100 functionally includes a control device 151 that controls the first device 300 using the estimation model generated by the learning device 160, and a learning device 160 that generates the estimation model through learning.
  • the control device 151 includes a calculation section 101 , a device control section 102 , an operation data acquisition section 106 , an estimation section 107 , a state determination section 108 , and a correction section 109 .
  • the learning device 160 also includes a learning data acquisition section 103, a learning section 104, and a sensor information output section 105.
  • control device 150 and the functions of the learning device 160 may be realized by the cooperation of the server 100A and the server 100B, or may be realized by the independent function of the server 100A or the server 100B.
  • the control device 151 is an example of a control device.
  • Learning device 160 is an example of a learning device.
  • the storage unit 12 stores first accumulated data including time-series sensor values output by the second sensor 400S in the learning stage, and time-series sensor values output by the second sensor 400S in the operation stage. and second accumulated data including the second accumulated data.
  • the second accumulated data includes time-series sensor values output by a second number of second sensors 400S in the operation phase, time-series operation data output by the second device 500 in the operation phase, and time-series operation data output by the second sensor 400S in the operation phase, and a third sensor value in the operation phase. 600 and the time-series sensor values output by the sensor.
  • the format of the second accumulated data is similar to the format of the first accumulated data.
  • the operational data acquisition unit 106 acquires operational data in the operational stage.
  • the operational data is data acquired for controlling the first device 300 in the operational stage.
  • the operational data includes the sensor value output by the second sensor 400S, the operation data output by the second device 500, and the sensor value output by the third sensor 600.
  • the operational data acquisition unit 106 stores a record including the data acquisition time, the sensor value of the second sensor 400S, the operation data of the second device 500, and the sensor value of the third sensor 600 in the storage unit 12, and 2 Update the accumulated data.
  • the correction unit 109 performs the correction unit 109 based on the distribution of time-series data accumulated in the storage unit 12 in the learning phase and the distribution of time-series data accumulated in the storage unit 12 in the operation phase. Correct the data. That is, when the correction unit 109 detects a drift, which is a constant shift in values such as sensor values and operation data, it corrects newly acquired data during the operation stage.
  • a drift which is a constant shift in values such as sensor values and operation data
  • the correction unit 109 detects drift and corrects the data for each data acquisition source. For example, the correction unit 109 detects drift in each of the sensor value of the second sensor 400S, the operation data of the second device 500, and the sensor value of the third sensor 600, and corrects the data. For example, the correction unit 109 extracts a data group for a certain period from the first accumulated data and the second accumulated data, and detects drift by comparing the distributions of the extracted data groups.
  • the fixed period can be adjusted as appropriate. The fixed period is, for example, one week. An example of detecting a drift in the sensor value of one second sensor 400S will be described below.
  • the correction unit 109 acquires a first sensor value group, which is a sensor value group accumulated during the last week of the learning stage, from among the sensor values of the second sensor 400S included in the first accumulated data.
  • the correction unit 109 identifies a first peak value that is a peak value of the first sensor value group. That is, the correction unit 109 identifies the first peak value that is the most accumulated value among the values accumulated as sensor values of the second sensor 400S during the one week period.
  • the correction unit 109 acquires a second sensor value group that is a sensor value group accumulated in the most recent week from among the sensor values of the second sensor 400S included in the second accumulated data.
  • the correction unit 109 identifies a second peak value that is a peak value of the second sensor value group. That is, the correction unit 109 identifies the second peak value that is the most accumulated value among the values accumulated as sensor values of the second sensor 400S during the most recent week.
  • the correction unit 109 determines that a drift has occurred in the sensor value of the second sensor 400S.
  • the correction unit 109 divides the sensor value of the second sensor 400S acquired from the operational data acquisition unit 106 into a first peak value and a second peak value. The sensor value shifted by the difference is supplied to the estimating section 107 and the state determining section 108.
  • the correction unit 109 subtracts 1 from the value acquired from the operational data acquisition unit 106, and the estimation unit 107 and the state determination unit 108.
  • the correction unit 109 performs drift detection and correction using the same method regarding data acquired from other second sensors 400S. Further, the correction unit 109 detects and corrects drift for each data acquisition source using the same method regarding the operation data of the second device 500 and the sensor value of the third sensor 600.
  • the correction unit 109 is an example of a correction means.
  • the correction process is a process of correcting data acquired by the server 100 during the operation stage.
  • the correction process is executed, for example, between the process in step S403 and the process in step S404 in the device control process during operation. Note that it is preferable that the correction process is executed after the above-mentioned certain period of time has elapsed after entering the operation stage.
  • the control unit 11 selects correction candidates from the data acquisition source (step S501). Note that all the second sensors 400S, all the second devices 500, and all the third sensors 600 are data acquisition sources. After completing the process of step S501, the control unit 11 compares the first accumulated data and the second accumulated data (step S502). Specifically, the control unit 11 controls a data group acquired in a certain period from the selected correction candidate among the first accumulated data, and a data group acquired in a certain period from the selected correction candidate among the second accumulated data. Compare with.
  • step S503 the control unit 11 determines whether there is a drift. For example, the control unit 11 controls the difference between the first peak value, which is the peak value of the data group extracted from the first accumulated data, and the second peak value, which is the peak value of the data group extracted from the second accumulated data. is greater than or equal to a threshold value. If the control unit 11 determines that there is a drift (step S503: YES), it corrects the data acquired from the correction candidates (step S504). For example, the control unit 11 shifts the newly acquired data from the correction candidate by the difference between the first peak value and the second peak value.
  • step S503 determines whether there is no drift (step S503: NO), or when the process of step S504 is completed, the control unit 11 determines whether there is an unselected data acquisition source (step S505). When the control unit 11 determines that there is an unselected data acquisition source (step S505: YES), the control unit 11 returns the process to step S501. When the control unit 11 determines that there is no unselected data acquisition source (step S505: NO), the control unit 11 completes the correction process.
  • the data is Corrected. According to the present embodiment, appropriate device control is performed even when data is drifting due to aging, for example.
  • the device control system 1000 may include one server 100, and this server 100 may function as the control device 150 and the learning device 160. Further, the device control system 1000 may include a storage device connected to the communication network 800 in addition to the server 100. In this case, the various information stored in the storage unit 12 in the first embodiment is stored in the storage device.
  • the second device 500 and the third sensor 600 are connected to the communication network 800.
  • the second device 500 does not need to be connected to the communication network 800.
  • the operation data of the second device 500 is not included in the learning data used for learning the estimation model, and the operation data of the second device 500 is not used for estimating the second calculation value by the estimation model.
  • the third sensor 600 may not be connected to the communication network 800. In this case, the sensor value of the third sensor 600 is not included in the learning data used for learning the estimation model, and the sensor value of the third sensor 600 is not used for estimating the second calculated value by the estimation model.
  • the data used by the calculation unit 101 to calculate the first calculation value includes at least one of the operation data of the second device 500 and the sensor value of the third sensor 600 in addition to the sensor value of the first sensor 400. It's okay. In this case, in the operation stage, there is a possibility that appropriate device control can be achieved even if the second sensor 400S is not installed.
  • the number of second sensors 400S is reduced to the limit under the condition that the estimation accuracy of the estimation model is equal to or higher than the reference accuracy.
  • the number of second sensors 400S does not need to be reduced to the limit. This is because it is more likely that appropriate device control will be maintained if there is some leeway in the number of second sensors 400S.
  • Embodiment 1 an example has been described in which data collection processing is performed throughout the learning stage, and learning processing is performed at the end of the learning stage.
  • the learning process may be performed along with the data collection process throughout the learning phase.
  • the CPU in the control unit 11 functions as each unit shown in FIGS. 5, 6, and 13 by executing a program stored in the ROM or the storage unit 12.
  • the control unit 11 may be dedicated hardware.
  • the dedicated hardware is, for example, a single circuit, a composite circuit, a programmed processor, an ASIC (Application Specific Integrated Circuit), an FPGA (Field-Programmable Gate Array), or a combination thereof.
  • the functions of each unit may be realized by separate hardware, or the functions of each unit may be realized by a single piece of hardware.
  • control unit 11 can implement the above-mentioned functions using hardware, software, firmware, or a combination thereof.
  • an operation program that defines the operation of the server 100 according to the present disclosure to an existing computer such as a personal computer or an information terminal device, it is also possible to cause the computer to function as the server 100 according to the present disclosure.
  • the distribution method of such a program is arbitrary, for example, a computer readable record such as a CD-ROM (Compact Disk ROM), a DVD (Digital Versatile Disk), an MO (Magneto Optical Disk), or a memory card. It may be stored in a medium and distributed, or it may be distributed via a communication network such as the Internet.
  • the present disclosure is applicable to a device control system that controls devices.

Abstract

少ない個数のセンサで適切な機器制御を実現することを支援する。学習データ取得部（１０３）は、対象空間の空気の質を検出する第１個数の第１センサ（４００）が出力したセンサ値と、第１個数の第１センサ（４００）が出力したセンサ値から求められた、対象空間の空気の質を調整する第１機器（３００）の制御に用いる第１演算値とを含む学習データを取得する。学習部（１０４）は、学習データ取得部（１０３）が取得した学習データを用いた機械学習により、第１個数の第１センサ（４００）から選択される第１個数よりも少ない第２個数の第２センサが出力するセンサ値から、第１機器（３００）の制御に用いる第２演算値を推定するための推定モデルを生成する。

Description

学習装置、機器制御システム、学習方法、及び、プログラム
　本開示は、学習装置、機器制御システム、学習方法、及び、プログラムに関する。
　現在、対象空間の空気の質を検出するセンサと対象空間の空気の質を調整する機器と機器を制御する制御装置とを用いて、対象空間の空気の質を調整する技術が知られている。制御装置は、例えば、複数のセンサが出力するセンサ値から機器の制御に用いる演算値を算出し、算出した演算値に基づいて機器を制御する。ここで、対象空間の空気の質を適切に調整するためには、対象空間に多数のセンサを設置することが好適である。しかしながら、センサの設置場所の制約、センサの消費電力等を考慮すると、対象空間に多数のセンサを設置したくない場合がある。
　このような事情に関連する技術として、特許文献１には、センサの消費電力を抑制するために、あるセンサのセンサ値を他のセンサのセンサ値から予測する技術が記載されている。具体的には、特許文献１には、第１センサ装置が計測する第１センサ値が取得されず、第２センサ装置が計測する第２センサ値が取得される期間は、第１センサ値と第２センサ値との相関を基に、第２センサ値から第１センサ値を予測する技術が記載されている。
特開２０１９－１００６８７号公報
　しかしながら、特許文献１に記載された技術では、第１センサ値自体を予測するため、予測精度が低く、適切な機器制御が実現されない可能性がある。例えば、第１センサ値と第２センサ値とから上記演算値を算出する場合において、第２センサ値から第１センサ値自体を予測し、第２センサ値と予測した第１センサ値とから上記演算値を算出すると、第２センサ値から、直接、上記演算値を予測するのに比べて、上記演算値の精度が低くなる可能性がある。そこで、少ない個数のセンサで適切な機器制御を実現することを支援する技術が望まれている。
　本開示は、上記問題に鑑みてなされたものであり、少ない個数のセンサで適切な機器制御を実現することを支援する学習装置、機器制御システム、学習方法、及び、プログラムを提供することを目的とする。
　上記目的を達成するために、本開示に係る学習装置は、
　対象空間の空気の質を検出する第１個数の第１センサが出力したセンサ値と、前記第１個数の前記第１センサが出力した前記センサ値から求められた、前記対象空間の空気の質を調整する第１機器の制御に用いる第１演算値とを含む学習データを取得する学習データ取得手段と、
　前記学習データ取得手段が取得した前記学習データを用いた機械学習により、前記第１個数の前記第１センサから選択される前記第１個数よりも少ない第２個数の第２センサが出力するセンサ値から、前記第１機器の制御に用いる第２演算値を推定するための推定モデルを生成する学習手段と、を備える。
　本開示では、第１個数の第１センサから選択される第１個数よりも少ない第２個数の第２センサが出力するセンサ値から第１機器の制御に用いる第２演算値を推定するための推定モデルが生成される。従って、本開示によれば、少ない個数のセンサで適切な機器制御を実現することを支援することができる。
実施の形態１に係る機器制御システムの構成図 実施の形態１に係るサーバの構成図 学習段階における機器の配置図 運用段階における機器の配置図 学習段階における機器制御システムの機能の説明図 運用段階における機器制御システムの機能の説明図 学習データを示す図 第１蓄積データを示す図 実施の形態１に係るサーバが実行する学習時機器制御処理を示すフローチャート 実施の形態１に係るサーバが実行する学習処理を示すフローチャート 図１０に示す除外候補センサ選定処理を示すフローチャート 実施の形態１に係るサーバが実行する運用時機器制御処理を示すフローチャート 実施の形態２に係る機器制御システムの機能構成図 実施の形態２に係るサーバが実行する補正処理を示すフローチャート
　以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一又は相当部分には同一符号を付す。
（実施の形態１）
　図１は、実施の形態１に係る機器制御システム１０００の構成を示す図である。機器制御システム１０００は、センサが出力するセンサ値から機器の制御に用いる演算値を学習し、学習により得られた推定モデルを用いて機器を制御するシステムである。機器制御システム１０００は、学習段階において演算値を学習し、運用段階において機器を制御する。学習段階は、機器の制御に用いる演算値を学習し、この演算値を推定するための推定モデルを生成する段階である。運用段階は、推定モデルを用いて機器制御システム１０００を運用する段階であり、推定モデルを用いて機器を制御する段階である。
　機器制御システム１０００は、学習段階では、多数のセンサが出力したセンサ値を用いて機器の制御に用いる適切な演算値を学習し、運用段階では、少数のセンサが出力したセンサ値と推定モデルとを用いて機器を制御する。学習処理、つまり、推定モデルの更新処理は、例えば、３ヶ月に一度実施される。例えば、３ヶ月のうち最初の１週間が学習段階であり、３ヶ月のうち残りの期間が運用段階である。機器制御システム１０００によれば、運用段階では、学習段階で用いるセンサの個数よりも少ない個数のセンサを用いて、適切に機器を制御することができる。
　なお、学習段階では、精度の良い推定モデルを生成するために、対象空間に多数のセンサを設置することが好適である。一方、運用段階では、利便性、消費電力、美観等の観点から、対象空間に設置されるセンサの個数は少ない方が好ましい。例えば、設置されるセンサが多すぎると、センサが作業の邪魔になることがある。また、設置されるセンサが多すぎると、消費電力が大きい。また、設置されるセンサが多すぎると、美観を損ねる可能性が高い。
　なお、学習段階は、比較的短期間であるため、これらの弊害がそれ程気にならない場合が多いと考えられる。また、電池駆動のセンサを用いると、電源を確保するための配線の引き回し作業が不要であり、センサの設置にかかる作業負荷が小さい。学習段階の期間は運用段階の期間よりも短いため、電池駆動のセンサを用いても、電池の消費をそれ程気にせずにすむ。そこで、学習段階では、対象空間に多数のセンサを設置し、運用段階では、対象空間に少数のセンサを設置することが好適である。
　図１に示すように、機器制御システム１０００は、１つ又は複数のサーバ１００を備える。機器制御システム１０００は、１つのサーバ１００が動作することにより、又は、複数のサーバ１００が協働することにより、機器を制御するサービスを提供するクラウドとして機能する。本実施の形態では、機器制御システム１０００は、少なくともサーバ１００Ａとサーバ１００Ｂとを備える。以下、適宜、サーバ１００Ａとサーバ１００Ｂとを総称してサーバ１００という。サーバ１００Ａとサーバ１００Ｂとは、通信ネットワーク８００を介して相互に通信可能に接続される。通信ネットワーク８００は、例えば、インターネットである。また、通信ネットワーク８００には、１つ又は複数の第１機器３００と、複数の第１センサ４００と、１つ又は複数の第２機器５００と、１つ又は複数の第３センサ６００と、端末装置７００とが接続される。
　サーバ１００は、機器制御に関する各種のサービスを提供するサーバである。サーバ１００は、機器の制御に用いる演算値を学習して推定モデルを生成する学習機能と、推定モデルを用いて機器を制御する制御機能と、通信ネットワーク８００に接続して各種の装置と通信する通信機能とを備える。サーバ１００は、例えば、機器を制御するサービスを提供するクラウドサーバである。クラウドサーバは、クラウドコンピューティングにおけるリソースを提供するサーバである。図２に示すように、サーバ１００は、制御部１１と、記憶部１２と、通信部１３とを備える。
　制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＲＴＣ（Real Time Clock）等を備える。ＣＰＵは、中央処理装置、中央演算装置、プロセッサ、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰ（Digital Signal Processor）等とも呼び、サーバ１００の制御に係る処理及び演算を実行する中央演算処理部として機能する。制御部１１において、ＣＰＵは、ＲＯＭに格納されているプログラム及びデータを読み出し、ＲＡＭをワークエリアとして用いて、サーバ１００を統括制御する。ＲＴＣは、例えば、計時機能を有する集積回路である。なお、ＣＰＵは、ＲＴＣから読み出される時刻情報から現在日時を特定可能である。
　記憶部１２は、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）等の不揮発性の半導体メモリを備えており、いわゆる補助記憶装置としての役割を担う。記憶部１２は、制御部１１が各種処理を実行するために使用するプログラム及びデータを記憶する。また、記憶部１２は、制御部１１が各種処理を実行することにより生成又は取得するデータを記憶する。
　通信部１３は、制御部１１による制御に従って、通信ネットワーク８００に接続された装置と通信する。通信部１３は、各種の無線通信規格に則って、各種の装置と通信する。各種の無線通信規格としては、Ｗｉ－Ｆｉ（登録商標）がある。通信部１３は、各種の通信規格に準拠した通信インターフェースを備える。
　第１機器３００は、対象空間に設置された制御対象の機器である。本実施の形態では、第１機器３００は、対象空間の空気の質を調整する機器である。空気の質を調整することは、基本的に、空気の質を向上させることである。空気の質を向上させることは、例えば、空気中のＣＯ２の割合を減らしたり、空気中の塵、埃、粒子等を除去したり、空気中の匂いの原因となる物質を除去したりすることである。第１機器３００は、対象空間の空気を入れ換える換気装置、対象空間の空気中に浮遊する塵、花粉、ハウスダスト等を除去する空気清浄機等である。第１機器３００は、直接又は中継装置を介して、通信ネットワーク８００に接続する機能を有する。第１機器３００は、第１機器の一例である。
　第１センサ４００は、学習段階において、対象空間に設置されたセンサである。本実施の形態では、第１センサ４００は、対象空間の空気の質を検出するセンサである。第１センサ４００は、検出対象の数値を示すセンサ値を出力する。第１センサ４００が出力したセンサ値は、学習段階において第１機器３００に対する制御に用いられる演算値である第１演算値の算出に用いられる。また、第１センサ４００が出力したセンサ値は、推定モデルの学習に用いられる。推定モデルは、第２センサ４００Ｓが出力したセンサ値と、第２機器５００が出力した稼働データと、第３センサ６００が出力したセンサ値とから、運用段階において第１機器３００に対する制御に用いられるべき演算値である第２演算値を推定するためのモデルである。
　第１センサ４００は、空気中の二酸化炭素の量を検出するＣＯ２センサ、空気中のＰＭ（Particulate Matter）２．５の量を検出するＰＭ２．５センサ、空気の臭気を検出する臭気センサ等である。第１センサ４００は、直接又は中継装置を介して、通信ネットワーク８００に接続する機能を有する。本実施の形態では、第１センサ４００は、ＣＯ２センサである。第１センサ４００は、第１センサの一例である。
　第２センサ４００Ｓは、運用段階において、対象空間に設置されるセンサである。第２センサ４００Ｓは、複数の第１センサ４００から選択されるセンサである。より詳細には、第２センサ４００Ｓは、学習段階において対象空間に設置された複数の第１センサ４００のうち、運用段階においても間引かれずに対象空間に設置される第１センサ４００である。第２センサ４００Ｓの個数である第２個数は、第１センサ４００の個数である第１個数よりも少ない。第２センサ４００Ｓが出力したセンサ値は、推定モデルを用いた第２演算値の推定に用いられる。第２センサ４００Ｓは、第２センサの一例である。
　第２機器５００は、対象空間に設置された、制御対象でない機器である。第２機器５００は、空気調和装置、照明装置等である。第２機器５００は、第２機器５００の稼働状態を示す稼働データを出力する。稼働データは、例えば、第２機器５００が空気調和装置である場合、設定温度、設定湿度、運転モード、風量、風向等である。稼働データは、例えば、第２機器５００が照明装置である場合、点灯状態、照度等である。第２機器５００が出力した稼働データは、推定モデルの学習と推定モデルを用いた第２演算値の推定とに用いられる。第２機器５００は、直接又は中継装置を介して、通信ネットワーク８００に接続する機能を有する。第２機器５００は、第２機器の一例である。
　第３センサ６００は、対象空間に設置された、第１センサ４００とは異なるセンサである。第３センサ６００は、人の有無を検出する人感センサ、窓、ドア等の開閉状態を検出する開閉センサ等である。第３センサ６００は、第２機器５００に設置されたセンサでもよい。例えば、第３センサ６００は、空気調和装置に設置された温度センサでもよい。温度センサとしては、空気調和装置が吸い込む空気の温度である吸込温度を検出する温度センサ、空気調和装置が吹き出す空気の温度である吹出温度を検出する温度センサ等がある。第３センサ６００は、検出対象の数値を示すセンサ値を出力する。第３センサ６００が出力したセンサ値は、推定モデルの学習と推定モデルを用いた第２演算値の推定とに用いられる。第３センサ６００は、直接又は中継装置を介して、通信ネットワーク８００に接続する機能を有する。第３センサ６００は、第３センサの一例である。
　端末装置７００は、ユーザが使用する情報処理装置である。端末装置７００は、ユーザから各種の操作を受け付け、ユーザに各種の情報を提示する。端末装置７００は、各種の操作を受け付ける操作受付機能、各種の情報を表示する表示機能、通信ネットワーク８００に接続する通信機能等を備える。端末装置７００は、例えば、スマートフォン、タブレット端末、ノートパソコン等である。
　次に、図３と図４とを参照して、対象空間に設置される各機器の配置について説明する。図３に、学習段階において対象空間に設置される各機器の配置を示す。図４に、運用段階において対象空間に設置される各機器の配置を示す。
　図３に示すように、学習段階では、第１機器３００として、第１機器３００Ａと、第１機器３００Ｂと、第１機器３００Ｃと、第１機器３００Ｄとが、対象空間に設置される。また、学習段階では、第１センサ４００として、第１センサ４００ＡＡと、第１センサ４００ＡＢと、第１センサ４００ＡＣと、第１センサ４００ＡＤと、第１センサ４００ＡＥと、第１センサ４００ＡＦと、第１センサ４００ＢＡと、第１センサ４００ＢＢと、第１センサ４００ＢＣと、第１センサ４００ＢＤと、第１センサ４００ＢＥと、第１センサ４００ＢＦと、第１センサ４００ＣＡと、第１センサ４００ＣＢと、第１センサ４００ＣＣと、第１センサ４００ＣＤと、第１センサ４００ＣＥと、第１センサ４００ＣＦと、第１センサ４００ＤＡと、第１センサ４００ＤＢと、第１センサ４００ＤＣと、第１センサ４００ＤＤと、第１センサ４００ＤＥと、第１センサ４００ＤＦとが、対象空間に設置される。また、学習段階では、第３センサ６００として、第３センサ６００Ａと、第３センサ６００Ｂと、第３センサ６００Ｅと、第３センサ６００Ｆとが、対象空間に設置される。なお、第２機器５００の図示は省略している。
　破線５０Ａと破線５０Ｂと破線５０Ｃと破線５０Ｄとは、学習段階において１つの第１機器３００に対する制御に用いる第１演算値の算出に用いるセンサ値のグループを示す。例えば、破線５０Ａが示すグループでは、第１センサ４００ＡＡと第１センサ４００ＡＢと第１センサ４００ＡＣと第１センサ４００ＡＤと第１センサ４００ＡＥと第１センサ４００ＡＦとが出力する６つのセンサ値を用いた演算により、第１機器３００Ａに対する制御のための第１演算値が算出されることを示している。
　ここで、学習段階では、精度の良い推定モデルを生成するために、対象空間に多数の第１センサ４００が設置される。一方、運用段階では、利便性、消費電力、美観等の観点から、対象空間に少数の第２センサ４００Ｓが設置される。つまり、運用段階において設置される第２センサ４００Ｓの個数は、学習段階において設置される第１センサ４００の個数よりも少ない。そこで、運用段階では、図４に示すように、第２センサ４００Ｓとして、第１センサ４００ＣＦと第１センサ４００ＤＣとが対象空間に設置され、他の第１センサ４００は対象空間に設置されない。なお、第１機器３００と第２機器５００と第３センサ６００とに関しては、学習段階と運用段階とで設置される個数に差違はない。
　次に、図５と図６とを参照して、機器制御システム１０００の機能について説明する。図５は、学習段階における機器制御システム１０００の機能を説明するための図である。図６は、運用段階における機器制御システム１０００の機能を説明するための図である。機器制御システム１０００は、機能的には、演算部１０１と、機器制御部１０２と、学習データ取得部１０３と、学習部１０４と、センサ情報出力部１０５と、運用データ取得部１０６と、推定部１０７と、状態判別部１０８とを備える。
　これらの各機能は、サーバ１００が備える構成により実現される。つまり、これらの各機能は、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現される。ソフトウェア及びファームウェアは、プログラムとして記述され、ＲＯＭ又は記憶部１２に格納される。そして、ＣＰＵが、ＲＯＭ又は記憶部１２に記憶されたプログラムを実行することによって、これらの各機能を実現する。
　なお、機器制御システム１０００は、機能的には、学習装置１６０が生成した推定モデルを用いて第１機器３００を制御する制御装置１５０と、学習により推定モデルを生成する学習装置１６０とを備えるとも言える。この場合、制御装置１５０は、演算部１０１と機器制御部１０２と運用データ取得部１０６と推定部１０７と状態判別部１０８とを備える。また、学習装置１６０は、学習データ取得部１０３と学習部１０４とセンサ情報出力部１０５とを備える。制御装置１５０の機能と学習装置１６０の機能とは、サーバ１００Ａとサーバ１００Ｂとが協働することにより実現されてもよいし、サーバ１００Ａ又はサーバ１００Ｂの単独の機能により実現されてもよい。制御装置１５０は、制御装置の一例である。学習装置１６０は、学習装置の一例である。
　演算部１０１は、学習段階において、第１個数の第１センサ４００が出力したセンサ値に対して演算を実行し、第１機器３００の制御に用いる第１演算値を算出する。第１演算値は、学習段階において第１機器３００の制御に用いる演算値であり、第１個数の第１センサ４００が出力したセンサ値から算出される演算値である。センサ値から第１演算値を算出する方法は、適宜、調整することができる。
　第１演算値は、例えば、グループ毎に算出され、同一のグループに属する第１センサ４００が出力したセンサ値の平均値であってもよい。例えば、図３に示す例では、破線５０Ａが示すグループにおける第１演算値、つまり、第１機器３００Ａの制御に用いられる第１演算値は、第１センサ４００ＡＡが出力したセンサ値と第１センサ４００ＡＢが出力したセンサ値と第１センサ４００ＡＣが出力したセンサ値と第１センサ４００ＡＤが出力したセンサ値と第１センサ４００ＡＥが出力したセンサ値と第１センサ４００ＡＦが出力したセンサ値との平均値である。演算部１０１は、演算手段の一例である。
　機器制御部１０２は、学習段階において、演算部１０１が算出した第１演算値に基づいて第１機器３００を制御する。例えば、図３に示す例では、破線５０Ａが示すグループに対して算出した第１演算値が示す二酸化炭素の量が閾値を超える場合、換気装置である第１機器３００Ａをオンに制御し、この第１閾値が閾値以下である場合に第１機器３００Ａをオフに制御する。なお、第１機器３００の制御は、第１演算値と閾値との関係に基づいて、第１機器３００をオン又はオフさせる制御に限定されない。例えば、第１機器３００の制御は、第１演算値の大きさに基づいて、第１機器３００を動作させる程度を調整する制御でもよい。
　例えば、第１機器３００が換気装置である場合、第１演算値の大きさに応じて、換気の風量、換気モード等が調整されてもよい。換気モードは、例えば、通常換気と熱交換換気との何れかを示すモードである。また、例えば、第１機器３００が空気清浄機である場合、第１演算値の大きさに応じて、空気清浄機が吸い込む空気の風量が調整されてもよい。
　なお、機器制御部１０２が第１機器３００を制御することは、機器制御部１０２が第１機器３００を間接的に制御することを含む概念である。例えば、設定されたパラメータに従って第１機器３００の動作を制御する制御装置が存在する場合、機器制御部１０２がこの制御装置にパラメータを送信することは、機器制御部１０２が第１機器３００を制御することに対応する。機器制御部１０２は、機器制御手段の一例である。
　学習データ取得部１０３は、学習データを取得する。学習データは、推定モデルを生成するための学習に用いる教師データである。例えば、学習データは、第１個数の第１センサ４００が出力したセンサ値と、第２機器５００が出力した稼働データと、第３センサ６００が出力したセンサ値と、第１個数の第１センサ４００が出力したセンサ値から求められた第１演算値とを含む。学習データ取得部１０３は、第１センサ４００から第１センサ４００のセンサ値を取得し、第２機器５００から第２機器５００の稼働データを取得し、第３センサ６００から第３センサ６００のセンサ値を取得する。また、学習データ取得部１０３は、演算部１０１から第１演算値を取得する。
　学習データ取得部１０３が取得した学習データは、記憶部１２に蓄積される。学習データは、例えば、学習データの取得時刻と、第１センサ４００が出力したセンサ値と、第２機器５００が出力した稼働データと、第３センサ６００が出力したセンサ値と、第１演算値とが対応付けられたレコードにより管理される時系列のデータである。学習データ取得部１０３は、学習データ取得手段の一例である。記憶部１２は、蓄積手段の一例である。
　学習部１０４は、学習データ取得部１０３が取得した学習データを用いた機械学習により、推定モデルを生成する。推定モデルは、第２個数の第２センサ４００Ｓが出力するセンサ値と第２機器５００が出力する稼働データと第３センサ６００が出力するセンサ値とから、第１機器３００の制御に用いる第２演算値を推定するためのモデルである。第２演算値は、運用段階において第１機器３００の制御に用いるのに適した演算値である。学習部１０４は、生成した推定モデルを記憶部１２に記憶させる。
　学習部１０４は、学習データに含まれる例題が推定モデルに入力されたときに、学習データに含まれる正解が推定モデルから出力されるように、推定モデルを生成する。学習部１０４が採用する機械学習の手法は、適宜、調整することができる。例えば、学習部１０４は、１つの目的変数を複数の説明変数で予測する重回帰分析により学習してもよい。
　目的変数は、第１演算値である。複数の説明変数は、第１個数の第１センサ４００が出力したセンサ値、第２機器５００が出力した稼働データ、及び、第３センサ６００が出力したセンサ値である。学習部１０４は、学習データに含まれる説明変数の値が推定モデルに入力されたときに、学習データに含まれる目的変数の値が推定モデルから出力されるように、各説明変数に対する重み付け係数を調整する。又は、学習部１０４は、ニューラルネットワークを用いて学習してもよい。
　学習部１０４は、推定モデルの推定精度が基準精度以上になるように、第１個数の第１センサ４００の中から第２個数の第２センサ４００Ｓを選択する。推定モデルの推定精度は、例えば、学習データに含まれる説明変数の値を推定モデルに入力したときに推定モデルから出力される目的変数の値と、学習データに含まれる目的変数の値との誤差の平均値から算出される。基準精度は、例えば、ユーザが望む最低限の精度である。
　第２センサ４００Ｓは少ないほど好ましいが、センサ値が予測しにくい第１センサ４００を第２センサ４００Ｓとして採用しないと、推定モデルの推定精度が維持できないと考えられる。そこで、学習部１０４は、第１個数の第１センサ４００から、センサ値が予測しやすい第１センサ４００を順に間引くことにより、推定精度の低下を抑制しつつ、第２個数を減らす手法を採用する。センサ値が予測しやすい第１センサ４００は、他の第１センサ４００のセンサ値、第２機器５００の稼働データ、又は、第３センサ６００のセンサ値との相関が高く、これらのデータから推定しやすいセンサ値を出力する第１センサ４００である。
　学習部１０４は、第１の処理と第２の処理とを実行する。第１の処理は、第１個数の第１センサ４００の中から、他の第１センサ４００が出力するセンサ値と第２機器５００が出力する稼働データと第３センサ６００が出力するセンサ値とから最も推定しやすいセンサ値を出力する第１センサ４００を除外候補センサとして選択する処理である。第２の処理は、機械学習により仮推定モデルを生成する処理である。
　この機械学習は、学習データに含まれる第１演算値と、学習データに含まれる非除外センサが出力したセンサ値と、学習データに含まれる第２機器５００が出力した稼働データと、学習データに含まれる第３センサ６００が出力したセンサ値とを用いた機械学習である。非除外センサは、第１個数の第１センサ４００のうち除外候補センサとして選択されていない第１センサ４００である。仮推定モデルは、非除外センサが出力するセンサ値と、第２機器５００が出力する稼働データと、第３センサ６００が出力するセンサ値とから、第２演算値を推定するためのモデルである。
　学習部１０４は、第１の処理と第２の処理とを、仮推定モデルの推定精度が基準精度未満になるまで繰り返す。学習部１０４は、第１個数の第１センサ４００のうち非除外センサと最後に選択された除外候補センサとを第２個数の第２センサ４００Ｓとして選択する。つまり、学習部１０４は、仮推定モデルの推定精度を基準精度以上にするのに必要最低限の第１センサ４００を第２センサ４００Ｓとして選択する。
　学習部１０４が除外候補センサを選択する手法は、適宜、調整することができる。例えば、学習部１０４は、非除外センサのうち他の非除外センサが出力するセンサ値から最も推定しやすいセンサ値を出力する非除外センサを除外候補センサとして選択する。つまり、学習部１０４は、非除外センサのうち他の非除外センサが出力するセンサ値との相関が最も高いセンサ値を出力する非除外センサを除外候補センサとして選択する。
　例えば、学習部１０４は、非除外センサのそれぞれを対象センサとして、学習データに含まれる非除外センサが出力したセンサ値を用いた機械学習により、対象センサ毎に個別推定モデルを生成する。個別推定モデルは、非除外センサのうち対象センサ以外の非除外センサが出力するセンサ値から対象センサが出力するセンサ値を推定するためのモデルである。学習部１０４は、非除外センサのそれぞれについて生成した個別推定モデルのうち最高の推定精度を有する個別推定モデルを特定する。学習部１０４は、特定した個別推定モデルに対応する非除外センサを除外候補センサとして選択する。学習部１０４は、学習手段の一例である。
　センサ情報出力部１０５は、学習部１０４が選択した第２個数の第２センサ４００Ｓを示すセンサ情報を出力する。例えば、センサ情報出力部１０５は、通信ネットワーク８００を介して、端末装置７００にセンサ情報を出力する。センサ情報は、第２センサ４００Ｓの識別子、第２センサ４００Ｓの設置場所等を示す情報である。端末装置７００は、サーバ１００から受信したセンサ情報を示す画面を表示する。ユーザは、この画面を参照し、第２個数の第２センサ４００Ｓを把握する。ユーザは、学習段階から運用段階に移行する際、対象空間に設置された第１センサ４００のうち第２センサ４００Ｓ以外の第１センサ４００を設置場所から取り外す。センサ情報出力部１０５は、センサ情報出力手段の一例である。
　運用データ取得部１０６は、運用段階において、運用データを取得する。運用データは、運用段階において第１機器３００の制御のために取得されるデータである。本実施の形態では、運用データは、第２センサ４００Ｓが出力したセンサ値と、第２機器５００が出力した稼働データと、第３センサ６００が出力したセンサ値とを含む。
　推定部１０７は、運用段階において、学習部１０４が生成した推定モデルを用いて、運用データ取得部１０６が取得した運用データから第１機器３００の制御に用いる第２演算値を推定する。つまり、推定部１０７は、第２センサ４００Ｓが出力したセンサ値と第２機器５００が出力した稼働データと第３センサ６００が出力したセンサ値とを推定モデルに供給し、推定モデルの出力結果から第２演算値を特定する。なお、第２演算値は、第１機器３００の制御に用いる適切な演算値を出力する演算部１０１を運用段階に動作させると仮定したときに、演算部１０１が出力すると推定される演算値である。推定部１０７は、推定手段の一例である。
　機器制御部１０２は、運用段階において、推定部１０７が推定した第２演算値に基づいて第１機器３００を制御する。なお、運用段階において対象空間に設置される第２センサ４００Ｓの個数である第２個数は、学習段階において対象空間に設置される第１センサ４００の個数である第１個数よりも少ない。従って、運用段階において演算部１０１を用いると、演算部１０１に供給されるセンサ値の個数が不足し、適切な演算値を算出することが困難であると考えられる。そこで、運用段階では、機器制御部１０２は、推定部１０７が推定した第２演算値に基づいて第１機器３００を制御する。
　上述したように、記憶部１２には、学習段階において学習データ取得部１０３が取得した時系列の学習データが蓄積される。この学習データは、学習段階において第１センサ４００が出力した時系列のセンサ値と、学習段階において第２機器５００が出力した時系列の稼働データと、学習段階において第３センサ６００が出力した時系列のセンサ値と、学習段階において演算部１０１が出力した時系列の第１演算値とを含む。従って、記憶部１２には、学習段階において第２個数の第２センサ４００Ｓが出力した時系列のセンサ値と、学習段階において第２機器５００が出力した時系列の稼働データと、学習段階において第３センサ６００が出力した時系列のセンサ値とを含む、時系列の第１蓄積データが蓄積される。
　図７に、学習データを示す。図８に、第１蓄積データを示す。図７に示すように、学習データは、取得日時と、第１センサ４００のセンサ値と、第２機器５００の稼働データと、第３センサ６００のセンサ値と、第１演算値とを含む複数のレコードを含む。図８に示すように、第１蓄積データは、取得日時と、第２センサ４００Ｓのセンサ値と、第２機器５００の稼働データと、第３センサ６００のセンサ値とを含む複数のレコードを含む。なお、第２センサ４００Ｓは、第１センサ４００のうちの何れかのセンサである。従って、第２センサ４００Ｓのセンサ値は、何れかの第１センサ４００のセンサ値と同じである。
　状態判別部１０８は、イレギュラー状態であるか否かを判別する。イレギュラー状態は、運用段階で取得される取得データが、学習段階で取得された取得データから外れた状態である。取得データは、第２センサ４００Ｓが出力したセンサ値と、第２機器５００が出力した稼働データと、第３センサ６００が出力したセンサ値とを含む概念である。状態判別部１０８は、運用段階において取得された取得データが、学習段階において記憶部１２に蓄積された時系列の取得データから外れたイレギュラー状態であるか否かを判別する。
　状態判別部１０８が、イレギュラー状態であるか否かを判別する手法は、適宜、調整することができる。例えば、状態判別部１０８は、同じタイミングで取得された取得データを取得データ群として扱い、複数の取得データ群間の二乗平均平方根に基づくデータ間距離に基づいて、イレギュラー状態であるか否かを判別することができる。以下、イレギュラー状態であるか否かを判別する手法について具体例を挙げて説明する。
　学習段階に取得された取得データ群に関して、時刻ｔ１に取得された取得データ群をＤｔ１＝（Ｄｔ１＿１、Ｄｔ１＿２、Ｄｔ１＿３、Ｄｔ１＿４、Ｄｔ１＿５・・・）、時刻ｔ２に取得された取得データ群をＤｔ２＝（Ｄｔ２＿１、Ｄｔ２＿２、Ｄｔ２＿３、Ｄｔ２＿４、Ｄｔ２＿５・・・）、時刻ｔ３に取得された取得データ群をＤｔ３＝（Ｄｔ３＿１、Ｄｔ３＿２、Ｄｔ３＿３、Ｄｔ３＿４、Ｄｔ３＿５・・・）、時刻ｔ４に取得された取得データ群をＤｔ４＝（Ｄｔ４＿１、Ｄｔ４＿２、Ｄｔ４＿３、Ｄｔ４＿４、Ｄｔ４＿５・・・）、時刻ｔ５に取得された取得データ群をＤｔ５＝（Ｄｔ５＿１、Ｄｔ５＿２、Ｄｔ５＿３、Ｄｔ５＿４、Ｄｔ５＿５・・・）とする。また、運用段階に取得された取得データ群をＤ＝（Ｄ＿１、Ｄ＿２、Ｄ＿３、Ｄ＿４、Ｄ＿５・・・）とする。
　運用段階において取得データ群が取得された場合、運用段階で取得された取得データ群であるＤと学習段階で各時刻に取得された取得データ群であるＤｔ１、Ｄｔ２、Ｄｔ３、Ｄｔ４、Ｄｔ５とのそれぞれとの間で二乗平均平方根を算出してデータ間距離を求める。例えば、ＤとＤｔ１とのデータ間距離は、（（（Ｄ＿１－Ｄｔ１＿１）２＋（Ｄ＿２－Ｄｔ１＿２）２＋（Ｄ＿３－Ｄｔ１＿３）２＋（Ｄ＿４－Ｄｔ１＿４）２＋（Ｄ＿５－Ｄｔ１＿５）２）／５）０．５により表現される。同様に、ＤとＤｔ２とのデータ間距離、ＤとＤｔ３とのデータ間距離、ＤとＤｔ４とのデータ間距離、ＤとＤｔ５とのデータ間距離を求める。
　ここで、Ｄｔ１、Ｄｔ２、Ｄｔ３、Ｄｔ４、Ｄｔ５の中で、Ｄとのデータ間距離が最も短い取得データ群を特定する。ここでは、Ｄｔ３がＤとのデータ間距離が最も短い取得データ群であるとする。この場合、Ｄｔ３と、Ｄｔ１、Ｄｔ２、Ｄｔ４、Ｄｔ５・・・とのそれぞれとの間でデータ間距離を求める。そして、Ｄｔ１、Ｄｔ２、Ｄｔ４、Ｄｔ５の中で、Ｄｔ３とのデータ間距離が最も短い取得データ群を特定する。ここでは、Ｄｔ５がＤｔ３とのデータ間距離が最も短い取得データ群であるとする。
　ここで、ＤとＤｔ３とのデータ間距離がＤｔ３とＤｔ５とのデータ間距離よりも長い場合、イレギュラーであると判定される。つまり、運用段階において取得された取得データ群が、学習段階において各時刻に取得された取得データ群から外れている場合、イレギュラーであると判定される。言い換えれば、運用段階において取得された取得データ群と、学習段階において各時刻に取得された取得データ群との類似性が低い場合、イレギュラーであると判定される。状態判別部１０８は、状態判別手段の一例である。
　機器制御部１０２は、運用段階において、状態判別部１０８がイレギュラー状態であると判別した場合、予め定められた制御内容で第１機器３００を制御する。例えば、機器制御部１０２は、換気装置を中程度の風量で動作させる。また、例えば、機器制御部１０２は、通常は人がいない場所に設置された空気調和装置を停止させ、通常は人がいる場所に設置された空気調和装置を動作させる。このように、機器制御部１０２は、イレギュラー状態である場合、推定部１０７が推定した第２演算値に基づく制御に代えて、予め定められた制御を実行する。かかる構成によれば、限られた学習段階において生じなかった環境下で、望まない制御が実行されることが抑制される。例えば、学校、ホテル、商業施設等で想定されるイベントの開催による特殊環境の発生が自動で検出され、望まない制御が実行されることが抑制される。
　次に、図９のフローチャートを参照して、サーバ１００が実行する学習時機器制御処理について説明する。学習時機器制御処理は、学習段階において、サーバ１００が第１機器３００を制御する処理である。サーバ１００は、例えば、学習時機器制御処理の開始指示をユーザから受け付けたことに応答して、学習時機器制御処理の実行を開始する。
　まず、サーバ１００が備える制御部１１は、第１センサ４００からセンサ値を収集する（ステップＳ１０１）。制御部１１は、ステップＳ１０１の処理を完了すると、第２機器５００から稼働データを収集する（ステップＳ１０２）。制御部１１は、ステップＳ１０２の処理を完了すると、第３センサ６００からセンサ値を収集する（ステップＳ１０３）。
　制御部１１は、ステップＳ１０３の処理を完了すると、対象空間に設置された少なくとも１つの第１機器３００の中から１つの第１機器３００を選択する（ステップＳ１０４）。制御部１１は、ステップＳ１０４の処理を完了すると、選択した第１機器３００に対する第１演算値を算出する（ステップＳ１０５）。例えば、制御部１１は、選択した第１機器３００が所属するグループに所属する全ての第１センサ４００のセンサ値の平均値を、選択した第１機器３００に対する第１演算値として算出する。
　制御部１１は、ステップＳ１０５の処理を完了すると、第１算出値に基づいて第１機器３００を制御する（ステップＳ１０６）。例えば、制御部１１は、第１算出値が閾値を超える場合、第１機器３００を動作させ、第１算出値が閾値以下である場合、第１機器３００を停止させる。制御部１１は、ステップＳ１０６の処理を完了すると、未選択の第１機器３００があるか否かを判別する（ステップＳ１０７）。
　制御部１１は、未選択の第１機器３００があると判別すると（ステップＳ１０７：ＹＥＳ）、ステップＳ１０４に処理を戻す。制御部１１は、未選択の第１機器３００がないと判別すると（ステップＳ１０７：ＮＯ）、学習データを保存する（ステップＳ１０８）。例えば、制御部１１は、データ取得時刻と第１センサ４００のセンサ値と第２機器５００の稼働データと第３センサ６００のセンサ値と第１算出値とが対応付けられたレコードを、記憶部１２に記憶させる。制御部１１は、ステップＳ１０８の処理を完了すると、ステップＳ１０１に処理を戻す。
　次に、図１０のフローチャートを参照して、サーバ１００が実行する学習処理について説明する。学習処理は、学習段階において蓄積された学習データを用いた学習により推定モデルを生成する処理である。サーバ１００は、例えば、学習データが十分に蓄積され、学習段階が終了するときに、学習処理を実行する。
　まず、制御部１１は、仮センサリストに全ての第１センサ４００を追加する（ステップＳ２０１）。仮センサリストは、仮推定モデルの生成に用いるセンサ値を出力した第１センサ４００を示すリストである。仮推定モデルは、第２演算値を推定する暫定的な推定モデルである。仮センサリストと仮推定モデルとは、例えば、記憶部１２に記憶される。
　制御部１１は、ステップＳ２０１の処理を完了すると、仮センサリストに基づいて仮推定モデルを生成する（ステップＳ２０２）。つまり、制御部１１は、学習データのうち仮センサリストが示す第１センサ４００のセンサ値と、学習データのうち第２機器５００の稼働データと、学習データのうち第３センサ６００のセンサ値と、学習データのうち第１演算値とに基づいて、仮推定モデルを生成する。
　制御部１１は、ステップＳ２０２の処理を完了すると、仮推定モデルの精度を特定する（ステップＳ２０３）。例えば、制御部１１は、学習データに含まれる各レコードに対して誤差を求め、誤差の平均値に対応する精度を特定する。具体的には、例えば、制御部１１は、学習データから１つのレコードを選択する。制御部１１は、選択したレコードに含まれる、仮センサリストが示す第１センサ４００のセンサ値と、選択したレコードに含まれる第２機器５００の稼働データと、選択したレコードに含まれる第３センサ６００のセンサ値とを、仮推定モデルに供給する。
　制御部１１は、仮推定モデルが推定した第２演算値と選択したレコードに含まれる第１演算値との誤差を算出する。制御部１１は、学習データに含まれる全てのレコードに対して、上記誤差を算出する。制御部１１は、全てのレコードに対して算出した誤差の平均値を算出する。制御部１１は、誤差の平均値から仮推定モデルの精度を特定する。なお、誤差の平均値が小さいほど仮推定モデルの精度は高い。
　制御部１１は、ステップＳ２０３の処理を完了すると、仮推定モデルの精度が基準精度以上であるか否かを判別する（ステップＳ２０４）。制御部１１は、仮推定モデルの精度が基準精度以上でないと判別すると（ステップＳ２０４：ＮＯ）、エラーメッセージを送信する（ステップＳ２０５）。例えば、制御部１１は、通信ネットワーク８００を介して、端末装置７００にエラーメッセージを送信する。
　なお、全ての第１センサ４００のセンサ値を用いて生成した仮推定モデルの精度が基準精度未満である原因としては、対象空間の環境の変化が激しい、学習データが不十分である等の原因が考えられる。そこで、エラーメッセージを確認したユーザは、例えば、対象空間の環境の変化が激しい原因を追及する、学習段階に設定される期間である学習期間を長くする等の対策を講じることが好適である。制御部１１は、ステップＳ２０５の処理を完了すると、学習処理を終了する。
　制御部１１は、仮推定モデルの精度が基準精度以上であると判別すると（ステップＳ２０４：ＹＥＳ）、仮センサリストをセンサリストとして保存する（ステップＳ２０６）。制御部１１は、ステップＳ２０６の処理を完了すると、仮推定モデルを推定モデルとして保存する（ステップＳ２０７）。センサリストは、推定モデルの生成に用いるセンサ値を出力した第１センサ４００を示すリストである。推定モデルは、第２演算値を推定する正規の推定モデルである。センサリストと推定モデルとは、例えば、記憶部１２に記憶される。なお、センサリストが既に保存されている場合、保存されているセンサリストは新たなセンサリストに更新される。同様に、推定モデルが既に保存されている場合、保存されている推定モデルは新たな推定モデルに更新される。
　制御部１１は、ステップＳ２０７の処理を完了すると、除外候補センサ選定処理を実行する（ステップＳ２０８）。除外候補センサ選定処理は、センサリストから除外される第１センサ４００の候補であり、仮センサリストから除外される第１センサ４００である除外候補センサを選定する処理である。以下、図１１を参照して、除外候補センサ選定処理について詳細に説明する。
　まず、制御部１１は、非除外センサから１つの対象センサを選択する（ステップＳ３０１）。非除外センサは、仮センサリストから除外されていない第１センサ４００であり、仮センサリストが示す第１センサ４００である。対象センサは、後述する個別推定モデルの生成対象とする第１センサ４００である。制御部１１は、ステップＳ３０１の処理を完了すると、対象センサに対応する個別推定モデルを生成する（ステップＳ３０２）。
　個別推定モデルは、対象センサ以外の非除外センサのセンサ値から対象センサのセンサ値を推定するためのモデルである。例えば、制御部１１は、記憶部１２に記憶された第１蓄積データのうち対象センサ以外の非除外センサのセンサ値が個別推定モデルに供給されたときに、第１蓄積データのうち対象センサのセンサ値が個別推定モデルから出力されるように機械学習することにより、個別推定モデルを生成する。例えば、制御部１１は、蓄積データに含まれる各レコードに対して、対象センサ以外の非除外センサのセンサ値を説明変数、対象センサのセンサ値を目的変数として、重回帰分析により個別推定モデルを生成する。
　制御部１１は、ステップＳ３０２の処理を完了すると、個別推定モデルの精度を特定する（ステップＳ３０３）。例えば、制御部１１は、第１蓄積データから１つのレコードを選択する。制御部１１は、選択したレコードに含まれる対象センサ以外の非除外センサのセンサ値を個別推定モデルに供給する。制御部１１は、個別推定モデルが推定した推定値と選択したレコードに含まれる対象センサのセンサ値との誤差を算出する。制御部１１は、第１蓄積データに含まれる全てのレコードに対して、上記誤差を算出する。制御部１１は、全てのレコードに対して算出した誤差の平均値を算出する。制御部１１は、誤差の平均値から個別推定モデルの精度を特定する。なお、誤差の平均値が小さいほど個別推定モデルの精度は高い。
　制御部１１は、ステップＳ３０３の処理を完了すると、未選択の非除外センサがあるか否かを判別する（ステップＳ３０４）。つまり、制御部１１は、対象センサとして選択されていない非除外センサがあるか否かを判別する。制御部１１は、未選択の非除外センサがあると判別すると（ステップＳ３０４：ＹＥＳ）、ステップＳ３０１に処理を戻す。
　制御部１１は、未選択の非除外センサがないと判別すると（ステップＳ３０４：ＮＯ）、最高精度の個別推定モデルに対応する対象センサを除外候補センサとして選定する（ステップＳ３０５）。個別推定モデルの推定精度が高いことは、対象センサ以外の非除外センサのセンサ値から対象センサのセンサ値を推定しやすいことを意味する。例えば、個別推定モデルの推定精度が高いことは、対象センサのセンサ値と、対象センサ以外の非除外センサの何れかのセンサ値との相関が高いことを意味する。従って、最高精度の個別推定モデルに対応する対象センサがなくても、適切な制御ができる可能性が高い。そこで、制御部１１は、対象センサ毎に生成された個別推定モデルのうち最高の推定精度を有する個別推定モデルに対応する対象センサを除外候補センサとして選定する。制御部１１は、ステップＳ３０５の処理を完了すると、除外候補センサ選定処理を完了する。
　制御部１１は、ステップＳ２０８の除外候補センサ選定処理を完了すると、仮センサリストから除外候補センサを削除する（ステップＳ２０９）。制御部１１は、ステップＳ２０９の処理を完了すると、除外候補センサが削除された仮センサリストに基づいて仮推定モデルを生成する（ステップＳ２１０）。制御部１１は、ステップＳ２１０の処理を完了すると、仮推定モデルの精度を特定する（ステップＳ２１１）。
　制御部１１は、ステップＳ２１１の処理を完了すると、仮推定モデルの精度が基準精度以上であるか否かを判別する（ステップＳ２１２）。制御部１１は、仮推定モデルの精度が基準精度以上であると判別すると（ステップＳ２１２：ＹＥＳ）、ステップＳ２０６に処理を戻す。制御部１１は、仮推定モデルの精度が基準精度以上でないと判別すると（ステップＳ２１２：ＮＯ）、センサリストを示すセンサ情報を送信する（ステップＳ２１３）。例えば、制御部１１は、記憶部１２に記憶されているセンサリストを、端末装置７００に送信する。
　一方、端末装置７００は、サーバ１００から受信したセンサ情報が示すセンサリストを提示する画面を表示する。ユーザは、提示されたセンサリストを参照して、第１センサ４００の中から第２センサ４００Ｓとして採用すべき第１センサ４００を把握する。ユーザは、運用段階が開始されるときに、第２センサ４００Ｓとして採用されなかった第１センサ４００を対象空間から取り除く。
　なお、センサ情報が示すセンサリストは、採用される推定モデルの生成に用いたセンサ値を出力した第１センサ４００のリストである。採用される推定モデルは、基本的に、基準精度以上の精度を有する推定モデルのうち、第２演算値の推定に用いる第２センサ４００Ｓのセンサ値の個数が最も少ない推定モデルである。制御部１１は、ステップＳ２１３の処理を完了すると、学習処理を完了する。
　次に、図１２のフローチャートを参照して、サーバ１００が実行する運用時機器制御処理について説明する。運用時機器制御処理は、運用段階において、サーバ１００が第１機器３００を制御する処理である。サーバ１００は、例えば、運用時機器制御処理の開始指示をユーザから受け付けたことに応答して、運用時機器制御処理の実行を開始する。
　まず、制御部１１は、第２センサ４００Ｓからセンサ値を収集する（ステップＳ４０１）。制御部１１は、ステップＳ４０１の処理を完了すると、第２機器５００から稼働データを収集する（ステップＳ４０２）。制御部１１は、ステップＳ４０２の処理を完了すると、第３センサ６００からセンサ値を収集する（ステップＳ４０３）。
　制御部１１は、ステップＳ４０３の処理を完了すると、取得データ群と第１蓄積データとを比較する（ステップＳ４０４）。取得データ群は、第２センサ４００Ｓから収集したセンサ値と、第２機器５００から収集した稼働データと、第３センサ６００から収集したセンサ値とを含む１つのレコードに相当する。制御部１１は、例えば、上述した二乗平均平方根に基づくデータ間距離に基づいて、取得データ群が第１蓄積データから外れているか否かを判別する。
　制御部１１は、ステップＳ４０４の処理を完了すると、イレギュラー状態であるか否かを判別する（ステップＳ４０５）。イレギュラー状態は、取得データ群が第１蓄積データから外れている状態である。制御部１１は、イレギュラー状態であると判別すると（ステップＳ４０５：ＹＥＳ）、全ての第１機器３００を予め定められた制御内容で制御する（ステップＳ４０６）。
　制御部１１は、イレギュラー状態でないと判別すると（ステップＳ４０５：ＮＯ）、対象空間に設置された少なくとも１つの第１機器３００の中から１つの第１機器３００を選択する（ステップＳ４０７）。制御部１１は、ステップＳ４０７の処理を完了すると、記憶部１２に記憶されている推定モデルを用いて、選択した第１機器３００に対する第２演算値を算出する（ステップＳ４０８）。例えば、制御部１１は、取得データ群を推定モデルに供給し、推定モデルの出力結果である第２演算値を取得する。
　制御部１１は、ステップＳ４０８の処理を完了すると、第２算出値に基づいて選択した第１機器３００を制御する（ステップＳ４０９）。例えば、制御部１１は、第２算出値が閾値を超える場合、選択した第１機器３００を動作させ、第２算出値が閾値以下である場合、選択した第１機器３００を停止させる。制御部１１は、ステップＳ４０９の処理を完了すると、未選択の第１機器３００があるか否かを判別する（ステップＳ４１０）。
　制御部１１は、未選択の第１機器３００があると判別すると（ステップＳ４１０：ＹＥＳ）、ステップＳ４０７に処理を戻す。制御部１１は、ステップＳ４０６の処理を完了した場合、又は、未選択の第１機器３００がないと判別した場合（ステップＳ４１０：ＮＯ）、取得データ群を保存する（ステップＳ４１１）。例えば、制御部１１は、データ取得時刻と第２センサ４００Ｓのセンサ値と第２機器５００の稼働データと第３センサ６００のセンサ値とが対応付けられたレコードを、記憶部１２に記憶させる。制御部１１は、ステップＳ４１１の処理を完了すると、ステップＳ４０１に処理を戻す。
　本実施の形態では、第１個数の第１センサ４００から選択される第１個数よりも少ない第２個数の第２センサ４００Ｓが出力するセンサ値から、第１機器３００の制御に用いる第２演算値を推定するための推定モデルが生成される。従って、本実施の形態によれば、少ない個数のセンサで適切な機器制御を実現するための推定モデルを生成することができる。
　また、本実施の形態では、学習データに第２機器５００の稼働データが含まれ、第２機器５００の稼働データが推定モデルによる第２演算値の推定に用いられる。ここで、第１センサ４００のセンサ値と第２機器５００の稼働データと相関が高い場合がある。例えば、第１センサ４００がＣＯ２センサであり、第２機器５００が照明装置である場合において、対象空間内に人が存在する場合、照明装置がオンされるとともに、対象空間内の空気の二酸化炭素濃度が上昇する可能性が高い。この場合、ＣＯ２センサが出力する二酸化炭素濃度と照明装置の稼働状態との相関が高い。この場合、ＣＯ２センサが設置されなくても、照明装置の稼働データからＣＯ２センサのセンサ値が容易に推定可能である。つまり、この場合、このＣＯ２センサのセンサ値を用いずに照明装置の稼働データから第２演算値を推定する推定モデルを生成することができる。従って、本実施の形態によれば、より少ない個数のセンサで適切な機器制御を実現するための推定モデルを生成することができる。
　また、本実施の形態では、学習データに第３センサ６００のセンサ値が含まれ、第３センサ６００のセンサ値が推定モデルによる第２演算値の推定に用いられる。ここで、第１センサ４００のセンサ値と第３センサ６００のセンサ値と相関が高い場合がある。例えば、第１センサ４００がＣＯ２センサであり、第３センサ６００が人感センサである場合において、対象空間内に人が存在する場合、人感センサが人を検出するとともに、対象空間内の空気の二酸化炭素濃度が上昇する可能性が高い。この場合、ＣＯ２センサが出力する二酸化炭素濃度と人感センサが出力するセンサ値との相関が高い。この場合、ＣＯ２センサが設置されなくても、人感センサのセンサ値からＣＯ２センサのセンサ値が容易に推定可能である。つまり、この場合、このＣＯ２センサのセンサ値を用いずに人感センサのセンサ値から第２演算値を推定する推定モデルを生成することができる。従って、本実施の形態によれば、より少ない個数のセンサで適切な機器制御を実現するための推定モデルを生成することができる。
　また、本実施の形態では、推定モデルの推定精度が基準精度以上になるように、第１個数の第１センサ４００の中から第２個数の第２センサ４００Ｓが選択され、第２個数の第２センサ４００Ｓを示すセンサ情報が出力される。従って、本実施の形態によれば、第１機器３００の制御に必要な第２センサ４００Ｓをユーザに知らせることができる。
　また、本実施の形態では、仮推定モデルの推定精度が基準精度を満たさなくなるまで、第１センサ４００から除外候補センサを除外する処理が繰り返され、第１機器３００の制御に必要な第２センサ４００Ｓが特定される。従って、本実施の形態によれば、第１機器３００の制御に必要な第２センサ４００Ｓを適切に特定することができる。
　また、本実施の形態では、非除外センサのそれぞれについて生成した個別推定モデルのうち最高の推定精度を有する個別推定モデルに対応する非除外センサが除外候補センサとして選択される。従って、本実施の形態によれば、第１機器３００の制御に必要な第２センサ４００Ｓを適切に特定することができる。
　また、本実施の形態では、推定モデルを用いて推定された第２演算値に基づいて、第１機器３００が制御される。従って、本実施の形態によれば、少ない個数のセンサで適切な機器制御を実現することができる。
　また、本実施の形態では、運用段階において、イレギュラー状態であると判別された場合、予め定められた制御内容で第１機器３００が制御される。従って、本実施の形態によれば、意図しない環境下で意図しない制御が実行されることを抑制することができる。
（実施の形態２）
　実施の形態１では、運用段階において運用データが補正されない例について説明した。本実施の形態では、運用段階において運用データが補正される例について説明する。以下、実施の形態１と同様の構成及び機能については、適宜、説明を省略又は簡略化する。
　図１３に示すように、本実施の形態に係る機器制御システム１１００は、機能的には、演算部１０１と、機器制御部１０２と、学習データ取得部１０３と、学習部１０４と、センサ情報出力部１０５と、運用データ取得部１０６と、推定部１０７と、状態判別部１０８と、補正部１０９とを備える。これらの各機能は、サーバ１００が備える構成により実現される。つまり、これらの各機能は、ソフトウェア、ファームウェア、又は、ソフトウェアとファームウェアとの組み合わせによって実現される。ソフトウェア及びファームウェアは、プログラムとして記述され、ＲＯＭ又は記憶部１２に格納される。そして、ＣＰＵが、ＲＯＭ又は記憶部１２に記憶されたプログラムを実行することによって、これらの各機能を実現する。
　なお、機器制御システム１１００は、機能的には、学習装置１６０が生成した推定モデルを用いて第１機器３００を制御する制御装置１５１と、学習により推定モデルを生成する学習装置１６０とを備えるとも言える。この場合、制御装置１５１は、演算部１０１と機器制御部１０２と運用データ取得部１０６と推定部１０７と状態判別部１０８と補正部１０９とを備える。また、学習装置１６０は、学習データ取得部１０３と学習部１０４とセンサ情報出力部１０５とを備える。制御装置１５０の機能と学習装置１６０の機能とは、サーバ１００Ａとサーバ１００Ｂとが協働することにより実現されてもよいし、サーバ１００Ａ又はサーバ１００Ｂの単独の機能により実現されてもよい。制御装置１５１は、制御装置の一例である。学習装置１６０は、学習装置の一例である。
　本実施の形態では、記憶部１２は、学習段階において第２センサ４００Ｓが出力した時系列のセンサ値を含む第１蓄積データと、運用段階において第２センサ４００Ｓが出力した時系列のセンサ値とを含む第２蓄積データとを記憶する。第２蓄積データは、運用段階において第２個数の第２センサ４００Ｓが出力した時系列のセンサ値と、運用段階において第２機器５００が出力した時系列の稼働データと、運用段階において第３センサ６００が出力した時系列のセンサ値とを含む。第２蓄積データのフォーマットは、第１蓄積データのフォーマットと同様である。
　また、運用データ取得部１０６は、運用段階において、運用データを取得する。運用データは、運用段階において第１機器３００の制御のために取得されるデータである。本実施の形態では、運用データは、第２センサ４００Ｓが出力したセンサ値と、第２機器５００が出力した稼働データと、第３センサ６００が出力したセンサ値とを含む。運用データ取得部１０６は、データ取得時刻と、第２センサ４００Ｓのセンサ値と、第２機器５００の稼働データと、第３センサ６００のセンサ値とを含むレコードを記憶部１２に保存し、第２蓄積データを更新する。
　補正部１０９は、学習段階において記憶部１２に蓄積された時系列のデータの分布と運用段階において記憶部１２に蓄積された時系列のデータの分布とに基づいて、運用段階において新たに取得されたデータを補正する。つまり、補正部１０９は、センサ値、稼働データ等の恒常的な値のシフトであるドリフトを検出した場合、運用段階において新たに取得されたデータを補正する。
　補正部１０９は、データの取得元毎に、ドリフトを検出してデータを補正する。例えば、補正部１０９は、第２センサ４００Ｓのセンサ値、第２機器５００の稼働データ、第３センサ６００のセンサ値とのそれぞれについて、ドリフトを検出してデータを補正する。例えば、補正部１０９は、第１蓄積データと第２蓄積データとから一定期間のデータ群を抽出し、抽出したデータ群の分布を比較することによりドリフトを検出する。一定期間は、適宜、調整することができる。一定期間は、例えば、１週間である。以下、１つの第２センサ４００Ｓのセンサ値のドリフトを検出する例について説明する。
　まず、補正部１０９は、第１蓄積データに含まれる第２センサ４００Ｓのセンサ値のうち、学習段階の最後の１週間で蓄積されたセンサ値群である第１センサ値群を取得する。補正部１０９は、第１センサ値群のピーク値である第１ピーク値を特定する。つまり、補正部１０９は、上記１週間の間で、第２センサ４００Ｓのセンサ値として蓄積された値のうち、最も多く蓄積された値である第１ピーク値を特定する。
　また、補正部１０９は、第２蓄積データに含まれる第２センサ４００Ｓのセンサ値のうち、直近の１週間で蓄積されたセンサ値群である第２センサ値群を取得する。補正部１０９は、第２センサ値群のピーク値である第２ピーク値を特定する。つまり、補正部１０９は、上記直近の１週間の間で、第２センサ４００Ｓのセンサ値として蓄積された値のうち、最も多く蓄積された値である第２ピーク値を特定する。
　補正部１０９は、第１ピーク値と第２ピーク値との差が閾値以上である場合、第２センサ４００Ｓのセンサ値にドリフトが発生していると判別する。補正部１０９は、第２センサ４００Ｓのセンサ値にドリフトが発生していると判別した場合、運用データ取得部１０６から取得した第２センサ４００Ｓのセンサ値を第１ピーク値と第２ピーク値との差の分だけシフトさせたセンサ値を、推定部１０７と状態判別部１０８とに供給する。
　例えば、第１ピーク値が５であり、第２ピーク値が６である場合、補正部１０９は、運用データ取得部１０６から取得した値から１を減じた値を、推定部１０７と状態判別部１０８とに供給する。補正部１０９は、他の第２センサ４００Ｓから取得されたデータに関しても、同様の手法により、ドリフトの検出と補正とを実行する。また、補正部１０９は、第２機器５００の稼働データと第３センサ６００のセンサ値とに関しても、同様の手法により、データの取得元毎に、ドリフトの検出と補正とを実行する。補正部１０９は、補正手段の一例である。
　次に、図１４のフローチャートを参照して、サーバ１００が実行する補正処理について説明する。補正処理は、運用段階において、サーバ１００が取得したデータを補正する処理である。補正処理は、例えば、運用時機器制御処理におけるステップＳ４０３の処理とステップＳ４０４の処理との間に実行される。なお、補正処理は、運用段階に入ってから、上記一定期間経過した後に実行されることが好適である。
　制御部１１は、データの取得元から補正候補を選択する（ステップＳ５０１）。なお、全ての第２センサ４００Ｓ、全ての第２機器５００、及び、全ての第３センサ６００がデータの取得元である。制御部１１は、ステップＳ５０１の処理を完了すると、第１蓄積データと第２蓄積データとを比較する（ステップＳ５０２）。具体的には、制御部１１は、第１蓄積データのうち選択した補正候補から一定期間に取得されたデータ群と、第２蓄積データのうち選択した補正候補から一定期間に取得されたデータ群とを比較する。
　制御部１１は、ステップＳ５０２の処理を完了すると、ドリフトがあるか否かを判別する（ステップＳ５０３）。例えば、制御部１１は、第１蓄積データから抽出されたデータ群のピーク値である第１ピーク値と、第２蓄積データから抽出されたデータ群のピーク値である第２ピーク値との差が、閾値以上であるか否かを判別する。制御部１１は、ドリフトがあると判別すると（ステップＳ５０３：ＹＥＳ）、補正候補から取得したデータを補正する（ステップＳ５０４）。例えば、制御部１１は、補正候補から新たに取得したデータを第１ピーク値と第２ピーク値との差分だけシフトする。
　制御部１１は、ドリフトがないと判別した場合（ステップＳ５０３：ＮＯ）、又は、ステップＳ５０４の処理が完了した場合、未選択のデータの取得元があるか否かを判別する（ステップＳ５０５）。制御部１１は、未選択のデータの取得元があると判別すると（ステップＳ５０５：ＹＥＳ）、ステップＳ５０１に処理を戻す。制御部１１は、未選択のデータの取得元がないと判別すると（ステップＳ５０５：ＮＯ）、補正処理を完了する。
　本実施の形態では、学習段階で取得されたデータの分布と運用段階で取得されたデータの分布とに基づいてドリフトがあるか否かが判別され、ドリフトがあると判別された場合、データが補正される。本実施の形態によれば、例えば、経年劣化によりデータがドリフトしている場合においても、適切な機器制御が実行される。
（変形例）
　以上、本開示の実施の形態を説明したが、本開示を実施するにあたっては、種々の形態による変形及び応用が可能である。本開示において、上記実施の形態において説明した構成、機能、動作のどの部分を採用するのかは任意である。また、本開示において、上述した構成、機能、動作のほか、更なる構成、機能、動作が採用されてもよい。また、上記実施の形態において説明した構成、機能、動作は、自由に組み合わせることができる。
　実施の形態１では、機器制御システム１０００が備える複数のサーバ１００が協働して、制御装置１５０及び学習装置１６０として機能する例について説明した。機器制御システム１０００が１つのサーバ１００を備え、このサーバ１００が制御装置１５０及び学習装置１６０として機能してもよい。また、機器制御システム１０００が、サーバ１００に加え、通信ネットワーク８００に接続された記憶装置を備えていてもよい。この場合、記憶装置には、実施の形態１において記憶部１２に記憶されていた各種の情報が記憶される。
　実施の形態１では、通信ネットワーク８００に第２機器５００と第３センサ６００とが接続される例について説明した。通信ネットワーク８００に第２機器５００が接続されていなくてもよい。この場合、推定モデルの学習に用いる学習データに第２機器５００の稼働データが含まれず、推定モデルによる第２演算値の推定に第２機器５００の稼働データが用いられない。同様に、通信ネットワーク８００に第３センサ６００が接続されていなくてもよい。この場合、推定モデルの学習に用いる学習データに第３センサ６００のセンサ値が含まれず、推定モデルによる第２演算値の推定に第３センサ６００のセンサ値が用いられない。
　実施の形態１では、演算部１０１が第１演算値を算出するときに用いるデータに、第１センサ４００のセンサ値だけが含まれる例について説明した。演算部１０１が第１演算値を算出するときに用いるデータに、第１センサ４００のセンサ値に加え、第２機器５００の稼働データと第３センサ６００のセンサ値との少なくとも一方が含まれていてもよい。この場合、運用段階において、第２センサ４００Ｓが設置されなくても、適切な機器制御が実現される可能性がある。
　実施の形態１では、推定モデルの推定精度が基準精度以上である条件の下、第２センサ４００Ｓの個数が限界まで減らされる例について説明した。推定モデルの推定精度が基準精度以上であれば、第２センサ４００Ｓの個数が限界まで減らされなくてもよい。第２センサ４００Ｓの個数に多少の余裕を持たせた方が、適切な機器制御が維持される可能性が高いためである。
　実施の形態１では、学習段階の全体に亘ってデータ収集処理が実行され、学習段階の最後に学習処理が実行される例について説明した。学習段階の全体に亘ってデータ収集処理と共に学習処理が実行されてもよい。
　上記実施の形態では、制御部１１において、ＣＰＵがＲＯＭ又は記憶部１２に記憶されたプログラムを実行することによって、図５，６，１３に示した各部として機能した。しかしながら、本開示において、制御部１１は、専用のハードウェアであってもよい。専用のハードウェアとは、例えば単一回路、複合回路、プログラム化されたプロセッサ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、又は、これらの組み合わせ等である。制御部１１が専用のハードウェアである場合、各部の機能それぞれを個別のハードウェアで実現してもよいし、各部の機能をまとめて単一のハードウェアで実現してもよい。
　また、各部の機能のうち、一部を専用のハードウェアによって実現し、他の一部をソフトウェア又はファームウェアによって実現してもよい。このように、制御部１１は、ハードウェア、ソフトウェア、ファームウェア、又は、これらの組み合わせによって、上述の各機能を実現することができる。
　本開示に係るサーバ１００の動作を規定する動作プログラムを既存のパーソナルコンピュータ又は情報端末装置等のコンピュータに適用することで、当該コンピュータを、本開示に係るサーバ１００として機能させることも可能である。また、このようなプログラムの配布方法は任意であり、例えば、ＣＤ－ＲＯＭ（Compact Disk ROM）、ＤＶＤ（Digital Versatile Disk）、ＭＯ（Magneto Optical Disk）、又は、メモリカード等のコンピュータ読み取り可能な記録媒体に格納して配布してもよいし、インターネット等の通信ネットワークを介して配布してもよい。
　本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この開示を説明するためのものであり、本開示の範囲を限定するものではない。すなわち、本開示の範囲は、実施の形態ではなく、特許請求の範囲によって示される。そして特許請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、この開示の範囲内とみなされる。
　本開示は、機器を制御する機器制御システムに適用可能である。
１１　制御部、１２　記憶部、１３　通信部、５０Ａ，５０Ｂ，５０Ｃ，５０Ｄ　破線、１００，１００Ａ，１００Ｂ　サーバ、１０１　演算部、１０２　機器制御部、１０３　学習データ取得部、１０４　学習部、１０５　センサ情報出力部、１０６　運用データ取得部、１０７　推定部、１０８　状態判別部、１０９　補正部、１５０，１５１　制御装置、１６０　学習装置、３００，３００Ａ，３００Ｂ，３００Ｃ　第１機器、４００，４００ＡＡ，４００ＡＢ，４００ＡＣ，４００ＡＤ，４００ＡＥ，４００ＡＦ，４００ＢＡ，４００ＢＢ，４００ＢＣ，４００ＢＤ，４００ＢＥ，４００ＢＦ，４００ＣＡ，４００ＣＢ，４００ＣＣ，４００ＣＤ，４００ＣＥ，４００ＣＦ，４００ＤＡ，４００ＤＢ，４００ＤＣ，４００ＤＤ，４００ＤＥ，４００ＤＦ　第１センサ、４００Ｓ　第２センサ、５００　第２機器、６００，６００Ａ，６００Ｂ，６００Ｅ，６００Ｆ　第３センサ、７００　端末装置、８００　通信ネットワーク、１０００，１１００　機器制御システム

Claims (11)

  1. 　対象空間の空気の質を検出する第１個数の第１センサが出力したセンサ値と、前記第１個数の前記第１センサが出力した前記センサ値から求められた、前記対象空間の空気の質を調整する第１機器の制御に用いる第１演算値とを含む学習データを取得する学習データ取得手段と、
    　前記学習データ取得手段が取得した前記学習データを用いた機械学習により、前記第１個数の前記第１センサから選択される前記第１個数よりも少ない第２個数の第２センサが出力するセンサ値から、前記第１機器の制御に用いる第２演算値を推定するための推定モデルを生成する学習手段と、を備える、
    　学習装置。
  2. 　前記学習データは、前記対象空間に設けられた第２機器が出力した前記第２機器の稼働状態を示す稼働データを含み、
    　前記推定モデルは、前記第２個数の前記第２センサが出力する前記センサ値と前記第２機器が出力する稼働データとから、前記第１機器の制御に用いる前記第２演算値を推定するための推定モデルである、
    　請求項１に記載の学習装置。
  3. 　前記学習データは、前記対象空間に設けられた前記第１センサとは異なる第３センサが出力したセンサ値を含み、
    　前記推定モデルは、前記第２個数の前記第２センサが出力する前記センサ値と前記第３センサが出力するセンサ値とから、前記第１機器の制御に用いる前記第２演算値を推定するための推定モデルである、
    　請求項１又は２に記載の学習装置。
  4. 　前記学習手段は、前記推定モデルの推定精度が基準精度以上になるように、前記第１個数の前記第１センサの中から前記第２個数の前記第２センサを選択し、
    　前記学習手段が選択した前記第２個数の前記第２センサを示すセンサ情報を出力するセンサ情報出力手段を更に備える、
    　請求項１から３の何れか１項に記載の学習装置。
  5. 　前記学習手段は、前記第１個数の前記第１センサの中から、他の第１センサが出力するセンサ値から最も推定しやすいセンサ値を出力する第１センサを除外候補センサとして選択する処理と、前記学習データに含まれる前記第１演算値と前記学習データに含まれる前記第１個数の前記第１センサのうち前記除外候補センサとして選択されていない第１センサである非除外センサが出力したセンサ値とを用いた機械学習により、前記非除外センサが出力するセンサ値から前記第２演算値を推定するための仮推定モデルを生成する処理とを、前記仮推定モデルの推定精度が前記基準精度未満になるまで繰り返し、前記第１個数の前記第１センサのうち前記非除外センサと最後に選択された除外候補センサとを前記第２個数の前記第２センサとして選択する、
    　請求項４に記載の学習装置。
  6. 　前記学習手段は、前記非除外センサのそれぞれを対象センサとして、前記学習データに含まれる前記非除外センサが出力した前記センサ値を用いた機械学習により、前記非除外センサのうち前記対象センサ以外の非除外センサが出力するセンサ値から前記対象センサが出力するセンサ値を推定するための個別推定モデルを生成し、前記非除外センサのそれぞれについて生成した個別推定モデルのうち最高の推定精度を有する個別推定モデルに対応する非除外センサを前記除外候補センサとして選択する、
    　請求項５に記載の学習装置。
  7. 　請求項１から６の何れか１項に記載の学習装置と、前記学習装置が生成した前記推定モデルを用いて前記第１機器を制御する制御装置とを備える機器制御システムであって、
    　前記制御装置は、
    　学習段階において、前記第１個数の前記第１センサが出力した前記センサ値に対して演算を実行し、前記第１機器の制御に用いる前記第１演算値を算出する演算手段と、
    　運用段階において、前記学習手段が生成した前記推定モデルを用いて、前記第２個数の前記第２センサが出力する前記センサ値から前記第１機器の制御に用いる前記第２演算値を推定する推定手段と、
    　前記学習段階において、前記演算手段が算出した前記第１演算値に基づいて前記第１機器を制御し、前記運用段階において、前記推定手段が推定した前記第２演算値に基づいて前記第１機器を制御する機器制御手段と、を備える、
    　機器制御システム。
  8. 　前記学習段階において前記第２個数の前記第２センサが出力したセンサ値を蓄積する蓄積手段を更に備え、
    　前記制御装置は、前記運用段階において前記第２個数の前記第２センサが出力したセンサ値が前記学習段階において前記蓄積手段に蓄積された前記センサ値から外れているイレギュラー状態であるか否かを判別する状態判別手段を更に備え、
    　前記機器制御手段は、前記運用段階において、前記状態判別手段が前記イレギュラー状態であると判別した場合、予め定められた制御内容で前記第１機器を制御する、
    　請求項７に記載の機器制御システム。
  9. 　前記学習段階において前記第２センサが出力したセンサ値と、前記運用段階において前記第２センサが出力したセンサ値とを蓄積する蓄積手段を更に備え、
    　前記制御装置は、前記学習段階において前記蓄積手段に蓄積された前記センサ値の分布と前記運用段階において前記蓄積手段に蓄積された前記センサ値の分布とに基づいて、前記運用段階において前記第２センサが出力した前記センサ値を補正する補正手段を更に備える、
    　請求項７又は８に記載の機器制御システム。
  10. 　対象空間の空気の質を検出する第１個数の第１センサが出力したセンサ値と、前記第１個数の前記第１センサが出力した前記センサ値から求められた、前記対象空間の空気の質を調整する第１機器の制御に用いる第１演算値とを含む学習データを取得し、
    　取得した前記学習データを用いた機械学習により、前記第１個数の前記第１センサから選択される前記第１個数よりも少ない第２個数の第２センサが出力するセンサ値から、前記第１機器の制御に用いる第２演算値を推定するための推定モデルを生成する、
    　学習方法。
  11. 　コンピュータを、
    　対象空間の空気の質を検出する第１個数の第１センサが出力したセンサ値と、前記第１個数の前記第１センサが出力した前記センサ値から求められた、前記対象空間の空気の質を調整する第１機器の制御に用いる第１演算値とを含む学習データを取得する学習データ取得手段、
    　前記学習データ取得手段が取得した前記学習データを用いた機械学習により、前記第１個数の前記第１センサから選択される前記第１個数よりも少ない第２個数の第２センサが出力するセンサ値から、前記第１機器の制御に用いる第２演算値を推定するための推定モデルを生成する学習手段、として機能させる、
    　プログラム。
PCT/JP2022/011170 2022-03-14 2022-03-14 学習装置、機器制御システム、学習方法、及び、プログラム WO2023175649A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/011170 WO2023175649A1 (ja) 2022-03-14 2022-03-14 学習装置、機器制御システム、学習方法、及び、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/011170 WO2023175649A1 (ja) 2022-03-14 2022-03-14 学習装置、機器制御システム、学習方法、及び、プログラム

Publications (1)

Publication Number Publication Date
WO2023175649A1 true WO2023175649A1 (ja) 2023-09-21

Family

ID=88022821

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/011170 WO2023175649A1 (ja) 2022-03-14 2022-03-14 学習装置、機器制御システム、学習方法、及び、プログラム

Country Status (1)

Country Link
WO (1) WO2023175649A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05126391A (ja) * 1991-11-07 1993-05-21 Daikin Ind Ltd 空気調和装置の運転制御装置
EP3540420A1 (en) * 2016-12-09 2019-09-18 Samsung Electronics Co., Ltd. Electronic device and control method therefor
JP2020008204A (ja) * 2018-07-05 2020-01-16 日立ジョンソンコントロールズ空調株式会社 センサ状態判定装置、センサ状態判定方法およびプログラム
KR102134545B1 (ko) * 2019-12-30 2020-07-15 주식회사 에어콕 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05126391A (ja) * 1991-11-07 1993-05-21 Daikin Ind Ltd 空気調和装置の運転制御装置
EP3540420A1 (en) * 2016-12-09 2019-09-18 Samsung Electronics Co., Ltd. Electronic device and control method therefor
JP2020008204A (ja) * 2018-07-05 2020-01-16 日立ジョンソンコントロールズ空調株式会社 センサ状態判定装置、センサ状態判定方法およびプログラム
KR102134545B1 (ko) * 2019-12-30 2020-07-15 주식회사 에어콕 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법

Similar Documents

Publication Publication Date Title
JP6012868B2 (ja) 熱負荷予測装置、配信システム、熱負荷予測方法及びプログラム
Ai et al. Occupancy estimation for smart buildings by an auto-regressive hidden Markov model
Wolf et al. Carbon dioxide-based occupancy estimation using stochastic differential equations
JP5851105B2 (ja) エネルギー需要予測装置及びプログラム
US9633320B2 (en) Energy demand prediction apparatus and method
KR101282506B1 (ko) 설정값 관리 방법 및 장치
KR20210041806A (ko) IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법
EP3604957A1 (en) Information processing device and information processing method
EP2469676A1 (en) Demand-prediction device, program, and recording medium
CN107923645B (zh) 空气调节运行分析装置以及记录有程序的非临时性计算机可读取记录介质
US10941950B2 (en) Air conditioning control device, air conditioning control method and non-transitory computer readable medium
KR101762061B1 (ko) 클라우드 기반 에너지 사용량 예측 시스템 및 방법
JP6581490B2 (ja) 空調パラメータ生成装置、空調運用評価装置、空調パラメータ生成方法およびプログラム
EP3832556A1 (en) Action optimization device, method and program
US10234166B2 (en) Energy saving diagnosis device, energy saving diagnosis method, and program
CN107120794B (zh) 空调器运行工况调节方法及空调器
JP2011247514A (ja) 設備制御装置、及び、プログラム
EP3913450A1 (en) Air conditioner
JP2019204458A (ja) 電力需要予測システム、学習装置及び電力需要予測方法
JPWO2019008698A1 (ja) 運転制御装置、空気調和システム、運転制御方法および運転制御プログラム
EP4123402A1 (en) Failure predictor detection device, failure predictor detection method, failure predictor detection program, learning device, method for generating trained learning model, and trained learning model generation program
EP3767190A1 (en) Air-conditioning control device, air-conditioning system, air-conditioning control method, and program
WO2023175649A1 (ja) 学習装置、機器制御システム、学習方法、及び、プログラム
JP6724149B2 (ja) 所在人数予測装置、設備管理システム及びプログラム
CN117121025A (zh) 暖通空调系统的管理方法、系统及存储介质

Legal Events

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

Ref document number: 22931934

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2024507195

Country of ref document: JP

Kind code of ref document: A