WO2023223557A1 - 空調システムの異常を検知するシステムおよび方法 - Google Patents

空調システムの異常を検知するシステムおよび方法 Download PDF

Info

Publication number
WO2023223557A1
WO2023223557A1 PCT/JP2022/021007 JP2022021007W WO2023223557A1 WO 2023223557 A1 WO2023223557 A1 WO 2023223557A1 JP 2022021007 W JP2022021007 W JP 2022021007W WO 2023223557 A1 WO2023223557 A1 WO 2023223557A1
Authority
WO
WIPO (PCT)
Prior art keywords
air conditioning
conditioning system
data
operating
heat exchanger
Prior art date
Application number
PCT/JP2022/021007
Other languages
English (en)
French (fr)
Inventor
充博 石垣
正紘 伊藤
匠 佐藤
寛光 穂苅
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/JP2022/021007 priority Critical patent/WO2023223557A1/ja
Publication of WO2023223557A1 publication Critical patent/WO2023223557A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/38—Failure diagnosis
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • 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 system and method for detecting an abnormality in an air conditioning system.
  • Patent Document 1 discloses a failure symptom detection device that accurately estimates the internal state of a compressor by analyzing a q-axis current that is not easily affected by electrical noise. ing. According to the failure symptom detection device, the accuracy of compressor abnormality detection can be improved.
  • Patent Document 1 discloses that as a result of FFT (Fast Fourier Transform) analysis, an abnormality in the compressor is detected when the intensity of the operating frequency component of the compressor exceeds a threshold value.
  • the threshold value may differ depending on the environment in which the air conditioning system is operating, so if a common threshold value is used regardless of the environment in which the air conditioning system is operating, the accuracy of abnormality detection in the air conditioning system will decrease. obtain.
  • the present disclosure has been made to solve the above-mentioned problems, and its purpose is to improve the accuracy of abnormality detection in an air conditioning system.
  • a system detects an abnormality in an air conditioning system.
  • the system includes a learning device, an inference device, and a determination device.
  • the learning device acquires operating data of the air conditioning system using learning data including operating data of the air conditioning system acquired during operating periods in which the air conditioning system is normal among the first to Nth consecutive operating periods (N is a natural number).
  • An inference model that infers the normal values of specific parameters of the air conditioning system has been trained.
  • the inference device uses the inference model to infer a normal value from the operation data of the air conditioning system acquired in the (N+1)th operation period.
  • the determination device determines whether or not the air conditioning system in the (N+1)th operation period is abnormal based on a comparison between the normal value and the specific parameter in the (N+1)th operation period.
  • a method detects an abnormality in the air conditioning system.
  • the method uses learning data that includes operating data acquired during operating periods in which the air conditioning system is normal among the first to Nth consecutive operating periods, and calculates the normal values of specific parameters of the air conditioning system from the operating data of the air conditioning system.
  • learning data is determined to be completed using learning data including operating data of the air conditioning system acquired during the operating period in which the air conditioning system is normal among the first to Nth consecutive operating periods.
  • FIG. 1 is a block diagram illustrating an example of a configuration of an abnormality detection system according to Embodiment 1 and an air conditioning system whose state is monitored by the abnormality detection system.
  • FIG. FIG. 2 is a functional block diagram showing the configuration of the air conditioning system in FIG. 1.
  • FIG. FIG. 2 is a diagram showing an example of operational data reflecting the state of the air conditioning system in FIG. 1.
  • FIG. FIG. 2 is a block diagram showing the configuration of the abnormality detection system 1 of FIG. 1.
  • FIG. FIG. 2 is a block diagram showing the configuration of the abnormality detection system of FIG. 1 and the flow of data during the Nth operation period (N ⁇ 2).
  • 6 is a diagram showing an example of a neural network included in the inference models of FIGS. 4 and 5.
  • FIG. 7 is a diagram showing both a confidence interval based on a state index value inferred by a learned inference model and a time chart of the actual state index value.
  • 6 is a flowchart illustrating an example of an abnormality detection process performed every driving period in the abnormality detection system of FIGS. 4 and 5.
  • FIG. 2 is a block diagram showing the hardware configuration of the abnormality detection system of FIG. 1.
  • FIG. 2 is a block diagram showing the configuration of an abnormality detection system according to Embodiment 2 and the flow of data during a first operation period.
  • FIG. 2 is a block diagram showing the configuration of the abnormality detection system according to Embodiment 2 and the flow of data during the Nth operation period (N ⁇ 2).
  • FIG. 12 is a flowchart illustrating an example of an abnormality detection process performed every driving period in the abnormality detection system of FIGS. 10 and 11.
  • FIG. 12 is a flowchart illustrating an example of an abnormality detection process performed every driving period in the abnormality detection system according to a modification of the second embodiment.
  • FIG. 1 is a block diagram showing an example of the configuration of an abnormality detection system 1 according to the first embodiment and an air conditioning system 40 whose state is monitored by the abnormality detection system 1. As shown in FIG. 1, the abnormality detection system 1 is connected to the air conditioning system 40 via a network 900.
  • the anomaly detection system 1 includes a learning device 100, an inference device 200, a determination device 300, and a storage device 400.
  • the air conditioning system 40 includes a plurality of indoor units 20, an outdoor unit 10, and a control device 30. Each of the plurality of indoor units 20 is arranged in an indoor space and connected to the outdoor unit 10. The outdoor unit 10 is arranged in a space outside the indoor space (outdoor space). Note that the number of indoor units 20 included in the air conditioning system 40 may be one.
  • the outdoor unit 10 includes a compressor, an outdoor heat exchanger (first heat exchanger), and an outdoor fan.
  • Each of the plurality of indoor units 20 includes an expansion valve and an indoor heat exchanger (second heat exchanger).
  • Refrigerant is supplied from a compressor included in the outdoor unit 10 to each of the plurality of indoor units 20 .
  • the refrigerant circulates between each of the plurality of indoor units 20 and the outdoor unit 10.
  • the control device 30 includes a thermostat and integrally controls the air conditioning system 40. Control device 30 is connected to abnormality detection system 1 via network 900.
  • Network 900 includes the Internet and cloud systems.
  • FIG. 2 is a functional block diagram showing the configuration of the air conditioning system 40 in FIG. 1.
  • the outdoor unit 10 includes a compressor 11, an outdoor heat exchanger 12 (first heat exchanger), a four-way valve 13, an outdoor fan 14, temperature sensors 51 and 52, and a pressure sensors 61 and 62.
  • Each of the plurality of indoor units 20 includes an expansion valve 21, an indoor heat exchanger 22 (second heat exchanger), an indoor fan 23, and temperature sensors 53 and 54.
  • the temperature sensor 50 is placed in an outdoor space.
  • the expansion valve 21 includes, for example, a LEV (Linear Expansion Valve).
  • each of the temperature sensors 50 to 54 includes a thermistor.
  • the operation modes of the air conditioning system 40 include heating mode, cooling mode, and defrosting mode.
  • the four-way valve 13 connects the discharge port of the compressor 11 and the indoor heat exchanger 22, and also connects the outdoor heat exchanger 12 and the suction port of the compressor 11.
  • the refrigerant circulates through the compressor 11, the four-way valve 13, the indoor heat exchanger 22, the expansion valve 21, and the outdoor heat exchanger 12 in this order.
  • the four-way valve 13 connects the discharge port of the compressor 11 and the outdoor heat exchanger 12, and also connects the indoor heat exchanger 22 and the suction port of the compressor 11.
  • the refrigerant circulates through the compressor 11, the four-way valve 13, the outdoor heat exchanger 12, the expansion valve 21, and the indoor heat exchanger 22 in this order.
  • the temperature sensor 50 measures the temperature of the outdoor space (outside air temperature) and outputs the outside air temperature to the control device 30.
  • the temperature sensor 51 measures the temperature (discharge temperature) of the refrigerant discharged from the compressor 11 and outputs the discharge temperature to the control device 30 .
  • the temperature sensor 52 measures the temperature (evaporation temperature or condensation temperature) of the refrigerant passing through the outdoor heat exchanger 12 and outputs the temperature to the control device 30.
  • the temperature sensor 53 measures the temperature (condensation temperature or evaporation temperature) of the refrigerant passing through the indoor heat exchanger 22 and outputs the temperature to the control device 30.
  • the temperature sensor 54 measures the temperature (suction temperature or blowout temperature) of the air passing through the indoor heat exchanger 22 and outputs the temperature to the control device 30.
  • the pressure sensor 61 measures the pressure (high pressure) of the refrigerant discharged from the compressor 11 and outputs the high pressure to the control device 30.
  • the pressure sensor 62 measures the pressure (low pressure) of the refrigerant sucked into the compressor 11 and outputs the low pressure to the control device 30.
  • the control device 30 controls the operating frequency of the compressor 11 to control the amount of refrigerant discharged by the compressor 11 per unit time.
  • the control device 30 controls the opening degree of the expansion valve 21.
  • the control device 30 controls the four-way valve 13 to switch the refrigerant circulation direction.
  • the control device 30 controls the rotational speed of each of the outdoor fan 14 and the indoor fan 23, and controls the amount of air blown by the fans per unit time.
  • the control device 30 transmits operational data reflecting the state of the air conditioning system to the abnormality detection system in association with the measurement time.
  • FIG. 3 is a diagram showing an example of operational data that reflects the state of the air conditioning system 40 in FIG. 1.
  • the operation data includes, for example, outside air temperature, discharge temperature, evaporation temperature, condensation temperature, suction temperature, blowout temperature, high pressure, low pressure, operating frequency of the compressor 11, and opening degree of the expansion valve 21.
  • the operating mode the operating state (running, stopped, or standby), the rotational speed of each of the outdoor fan 14 and the indoor fan 23, the indoor space temperature (set temperature) set by the user, and the current value of the inverter of the compressor 11.
  • the operating frequency of the compressor 11, the opening degree of the expansion valve 21, and the rotational speed of the outdoor fan 14 are basic manipulated variables in VRF (Variable Refrigerant Flow) control.
  • the environment in which the air conditioning system 40 is operating has characteristics specific to the environment (for example, the refrigerant pipe length, the type of indoor units 20, the number of indoor units 20, and the height difference between the indoor units 20 and the outdoor units 10). may exist. Therefore, the criteria (for example, a threshold value) for detecting an abnormality in the air conditioning system 40 may differ depending on the environment in which the air conditioning system 40 operates. Therefore, if a common criterion is used regardless of the environment in which the air conditioning system 40 is operating, the accuracy of abnormality detection in the air conditioning system 40 may decrease.
  • the criteria for example, a threshold value
  • the abnormality detection system 1 learns the relationship between the operating data of the air conditioning system 40 in a normal state and the normal value of the state index value (specific parameter) representing the state of the air conditioning system 40 corresponding to the operating data. Generate a trained model. By using the learned model, it becomes possible to detect an abnormality in the air conditioning system 40 using criteria that are suitable for the environment in which the air conditioning system 40 operates. As a result, the accuracy of abnormality detection in the air conditioning system can be improved.
  • FIG. 4 is a block diagram showing the configuration of the abnormality detection system 1 of FIG. 1.
  • the anomaly detection system 1 acquires driving data during each of a plurality of consecutive driving periods (for example, one day, one week, or one month), and uses learning data including the driving data to generate a trained inference model. Build M1.
  • the plurality of consecutive operating periods may be the same period (predetermined period) or may be different periods.
  • the natural number N-th operation period after the operation of the air conditioning system 40 is started will be referred to as the N-th operation period, and the operation data acquired in the N-th operation period will be referred to as the N-th operation data.
  • FIG. 1 also shows the flow of data during the first operating period.
  • the learning device 100 includes a data acquisition section 110 and a model generation section 120.
  • the inference device 200 includes a data acquisition section 210 and an inference section 220.
  • Determination device 300 includes a determination section 310 and an output section 320.
  • the storage device 400 stores an operation data set Dr of the air conditioning system 40 and an inference model M1.
  • the storage device 400 may store information necessary for calculating the state index value.
  • the condition index value includes, for example, the AK value of the outdoor heat exchanger 12 or the Cv value of the expansion valve 21.
  • the AK value of the outdoor heat exchanger 12 represents the heat transfer performance of the outdoor heat exchanger 12, and is determined by the heat transfer area A (m 2 ) and heat transfer rate K (W/m 2 ⁇ K) of the outdoor heat exchanger 12. It is obtained by the product of The Cv value of the expansion valve 21 is a flow coefficient that has a correlation with the opening degree of the expansion valve 21, and is determined by the type and opening degree of the expansion valve 21.
  • the inference model M1 is a regression model including a neural network that infers the normal value of the condition index value of the air conditioning system 40 from the operation data of the air conditioning system 40.
  • the inference model M1 may be a classification model that infers the stage (classification) of the state index value.
  • the normal value of the condition index value may be the maximum value and the minimum value of the confidence interval that the condition index value can take when the air conditioning system 40 is normal. Further, a range having the normal value as the median value (for example, a range of ⁇ 10% of the normal value) may be used as a confidence interval.
  • the data acquisition unit 210 of the inference device 200 acquires the first operation data, stores it in the storage device 400, and outputs it to the inference unit 220.
  • the data acquisition unit 110 of the learning device 100 acquires the first driving data from the storage device 400 and outputs it to the model generation unit 120.
  • general AI Artificial Intelligence
  • general AI can be applied to clustering and weighting of parameters included in the driving data.
  • the model generation unit 120 performs machine learning on the inference model M1 to construct a learned inference model M1.
  • the machine learning algorithm used by the model generation unit 120 may be a known algorithm such as supervised learning, semi-supervised learning, unsupervised learning, or reinforcement learning.
  • deep learning which learns to extract the feature values themselves, can be used, and other known methods such as neural networks, genetic programming, functional logic programming, or support vector Machine learning may be performed according to a machine or the like. In the following, a case will be described in which supervised learning is applied to a neural network.
  • the model generation unit 120 calculates the state index value for the first operation period from the first operation data.
  • the model generation unit 120 performs supervised learning on the inference model M1 using learning data in which the state index value of the first driving period is the correct data (teacher data) of the first driving data.
  • the model generation unit 120 constructs a learned inference model M1 and stores it in the storage device 400.
  • the first operating period is a period in which the air conditioning system 40 operates for the first time at the installation location, and therefore there is a low possibility that the air conditioning system 40 will have an abnormality. Since it can be assumed that the air conditioning system 40 during the first operation period is normal, the state index value during the first operation period is taken as the correct data of the first operation data.
  • FIG. 5 is a block diagram showing the configuration of the abnormality detection system 1 of FIG. 1 and the flow of data during the Nth operation period (N ⁇ 2).
  • the data acquisition unit 210 of the inference device 200 acquires the Nth driving data and stores it in the storage device 400, and outputs the Nth driving data to the inference unit 220.
  • the inference unit 220 infers the normal value of the state index value from the Nth driving data using the inference model M1 that has been trained using the first to (N-1)th driving data, and infers the normal value of the state index value from the Nth driving data.
  • the Nth operation data is output to the determination unit 310.
  • the determination unit 310 calculates the state index value for the Nth driving period from the Nth driving data.
  • the determination unit 310 determines whether or not the air conditioning system 40 is normal in the Nth operation period by comparing the normal value from the inference unit 220 and the state index value for the Nth operation period, and outputs the determination result. It is output to the output unit 320 and the learning device 100.
  • the normal value of the condition index value and the condition index value (actual condition index value) for a certain operation period, it is necessary to determine whether the actual condition index value is included in the confidence interval based on the normal value. is included.
  • the model generation unit 120 associates the data indicating the determination result with the Nth operation data in the storage device 400.
  • the output unit 320 transmits the determination result from the determination unit 310 to an external device (for example, a user's terminal device or the control device 30).
  • the data acquisition unit 110 of the learning device 100 acquires the first to Nth driving data from the storage device 400 and outputs them to the model generation unit 120.
  • the model generation unit 120 constructs a learned inference model M1 using, as learning data, operating data acquired during the operating period when the air conditioning system 40 is normal, among the first to Nth operating data.
  • the model generation unit 120 updates the inference model M1 in the storage device 400.
  • a learned inference model M1 is constructed for each predetermined driving period, so the learning period is shorter than when machine learning is performed after collecting driving data from multiple driving periods. Can be shortened.
  • Abnormality in the air conditioning system 40 can be detected at least after one operating period has elapsed since the air conditioning system 40 started operating.
  • defects before the reference period has elapsed in addition to abnormalities (wear-out defects or accidental defects) of the air conditioning system 40 after the reference period (for example, one year) has elapsed, defects before the reference period has elapsed (initial defects or accidental defects due to product manufacturing or construction). can be detected.
  • the operating period of the air conditioning system 40 becomes longer, the amount of operating data included in the learning data increases, and therefore the confidence interval inferred by the inference model M1 becomes narrower. As a result, the accuracy of abnormality detection by the abnormality detection system 1 can be improved.
  • FIG. 6 is a diagram showing an example of the neural network Nw1 included in the inference model M1 of FIGS. 4 and 5.
  • the neural network Nw1 includes an input layer X10, an intermediate layer (hidden layer) Y10, and an output layer Z10.
  • Input layer X10 includes neurons X11, X12, and X13.
  • the intermediate layer Y10 includes neurons Y11 and Y12.
  • Output layer Z10 includes neurons Z11.
  • the input layer X10 and the intermediate layer Y10 are fully coupled to each other.
  • the intermediate layer Y10 and the output layer Z10 are fully coupled to each other.
  • Neural network Nw1 may include two or more intermediate layers.
  • FIG. 7 is a diagram showing both the confidence interval SR1 based on the state index value inferred by the trained inference model M1 and the time chart AC of the actual state index value.
  • the state index value of the air conditioning system 40 is included in the confidence interval, the state of the air conditioning system 40 is determined to be normal.
  • the state index value of the air conditioning system 40 is not included in the confidence interval SR1, the state of the air conditioning system 40 is determined to be abnormal.
  • the state index value is not included in the confidence interval SR1 after time t1.
  • the abnormality detection system 1 transmits to an external device that an abnormality has occurred in the air conditioning system 40.
  • FIG. 8 is a flowchart illustrating an example of the abnormality detection process performed for each operating period in the abnormality detection system 1 of FIGS. 4 and 5.
  • a step will be simply written as S.
  • the data acquisition unit 210 of the inference device 200 acquires the Nth driving data, and advances the process to S102.
  • the data acquisition unit 210 performs cleansing (preprocessing) on the Nth driving data and stores it in the storage device 400 .
  • the inference unit 220 determines whether N is 1 in S103. If N is 1 (YES in S103), the inference unit 220 advances the process to S107. If N is not 1 (NO in S103), the inference unit 220, in S104, selects the operating data acquired during the operating period in which the air conditioning system 40 is normal, among the first to (N-1) operating data. Using the learned inference model M1 as learning data, the normal value of the state index value is inferred from the Nth driving data, and the Nth driving data and the normal value are output to the determination unit 310.
  • the determination unit 310 calculates the condition index value from the Nth driving data, and sends the determination result of whether or not the condition index value is included in the confidence interval based on the normal value of the condition index value to the model generation unit 120 and It is output to the output section 320.
  • the model generation unit 120 determines whether the state index value is included in the confidence interval. If the state index value is not included in the confidence interval (NO in S106), the process ends. If the state index value is included in the confidence interval (YES in S106), the model generation unit 120 sets the state of the air conditioning system 40 corresponding to the Nth operation data to normal in S107, and advances the process to S108. . In S108, the model generation unit 120 generates the learned inference model M1 by machine learning using, as learning data, operation data acquired during an operation period in which the state of the air conditioning system 40 is normal among the first to Nth operation data. It is constructed and saved in the storage device 400, and the process ends.
  • the process of constructing the learned inference model M1 for each operating period may be stopped. Further, in order to improve the accuracy of the inference model M1, it is desirable that the operation modes (for example, heating mode, cooling mode, or defrosting mode) corresponding to the plurality of operation data included in the learning data are the same.
  • the operation modes for example, heating mode, cooling mode, or defrosting mode
  • FIG. 9 is a block diagram showing the hardware configuration of the abnormality detection system 1 of FIG. 1.
  • the abnormality detection system 1 includes a processing circuit 91, a memory 92, and an input/output section 93.
  • the processing circuit 91 includes a CPU (Central Processing Unit) that executes a program stored in the memory 92.
  • the processing circuit 91 may include a GPU (Graphics Processing Unit).
  • the functions of the abnormality detection system 1 are realized by software, firmware, or a combination of software and firmware.
  • Software or firmware is written as a program and stored in memory 92.
  • Processing circuit 91 reads and executes a program stored in memory 92.
  • the CPU is also called a central processing unit, processing unit, arithmetic unit, microprocessor, microcomputer, processor, or DSP (Digital Signal Processor).
  • DSP Digital Signal Processor
  • the memory 92 includes nonvolatile or volatile semiconductor memory (for example, RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), or EEPROM (Electrically Erasable Programmable Read Only Memory )), and magnetic disks, flexible disks, optical disks, compact disks, mini disks, and DVDs (Digital Versatile Discs).
  • the memory 92 stores, for example, a learned inference model M1, an anomaly detection program, and a machine learning program.
  • the input/output unit 93 receives operations from the user and outputs processing results to the user.
  • the input/output unit 93 includes, for example, a mouse, a keyboard, a touch panel, a display, and a speaker.
  • each of the learning device 100, inference device 200, and determination device 300 shown in FIG. 1 may have the hardware configuration shown in FIG. 9.
  • the learning device 100 and the inference device 200 are described as separate devices from the air conditioning system 40 that are connected to the air conditioning system 40 via the network 900; however, the learning device 100 and the inference device 200 may be built into the air conditioning system 40. Further, the learning device 100 and the inference device 200 may exist on a cloud server.
  • the accuracy of abnormality detection in the air conditioning system can be improved.
  • Embodiment 2 In the first embodiment, a configuration has been described in which the inference model is trained using driving data as learning data. In Embodiment 2, a configuration will be described in which a simulation operation data set obtained from a simulation of an air conditioning system is added to learning data.
  • FIG. 10 is a block diagram showing the configuration of the abnormality detection system 2 according to the second embodiment and the flow of data during the first operation period.
  • the configuration of the abnormality detection system 2 is such that a simulation driving data set Ds is added to the storage device 400 of FIG. 4, and the model generation unit 120 is replaced with 120A.
  • the configuration of the abnormality detection system 2 other than these is the same as that of the abnormality detection system 1.
  • the data acquisition unit 110 acquires the simulation driving data set Ds from the storage device 400 and outputs it to the model generation unit 120A.
  • the simulation operation data set Ds is the result of a simulation based on parameters characterizing the air conditioning system 40 (for example, refrigerant pipe length, type of indoor units 20, number of indoor units 20, and height difference between indoor units 20 and outdoor units 10). This is the driving data obtained from.
  • the simulation may be performed before the air conditioning system 40 starts operating. In the simulation, since the air conditioning system 40 is assumed to be normal, the state index value calculated by the simulation is used as the correct data of the simulation operation data set Ds.
  • the model generation unit 120A constructs a learned inference model M1 using the simulation driving data set Ds as learning data.
  • the data acquisition unit 210 of the inference device 200 acquires the first operation data and stores it in the storage device 400, and outputs the first operation data to the inference unit 220.
  • the inference unit 220 infers a normal value of the state index value from the first driving data using the inference model M1 that has been trained using the simulation driving data set Ds, and determines the normal value and the first driving data. 310.
  • the determination unit 310 calculates a state index value for the first operation period from the first operation data.
  • the determination unit 310 determines whether the air conditioning system 40 in the first operation period is normal by comparing the normal value from the inference unit 220 and the state index value in the first operation period, and outputs the determination result. It is output to the output unit 320 and the learning device 100.
  • the output unit 320 transmits the determination result from the determination unit 310 to an external device.
  • the model generation unit 120A associates data indicating the determination result with the first operation data in the storage device 400.
  • FIG. 11 is a block diagram showing the configuration of the abnormality detection system 2 according to the second embodiment and the flow of data during the Nth operation period (N ⁇ 2).
  • the data acquisition unit 210 of the inference device 200 acquires the Nth driving data and stores it in the storage device 400, and outputs the Nth driving data to the inference unit 220.
  • the inference unit 220 infers the normal value of the state index value from the Nth driving data using the inference model M1 that has been trained using the first to (N-1)th driving data and the simulation driving data set Ds. Then, the normal value and the Nth operation data are output to the determination unit 310.
  • the determination unit 310 and the output unit 320 perform the same processing as in the first embodiment.
  • the data acquisition unit 110 of the learning device 100 acquires the first to Nth driving data and the simulation driving data set Ds from the storage device 400, and outputs them to the model generation unit 120A.
  • the model generation unit 120A performs the same processing as in the first embodiment.
  • the learned inference model M1 can be constructed using the simulation driving data set Ds without using actual driving data. As a result, the same effects as in the first embodiment can be produced, and abnormality detection can be performed from the first operation period.
  • FIG. 12 is a flowchart illustrating an example of the abnormality detection process performed for each operating period in the abnormality detection system 2 of FIGS. 10 and 11.
  • the flowchart shown in FIG. 12 is a flowchart in which S205 is added to the flowchart shown in FIG. 8, and S108 is replaced with S208.
  • the processing in FIG. 12 other than these is the same as the processing in FIG. 8, so the description of the similar processing will not be repeated.
  • S101 to S107 are performed similarly to the first embodiment.
  • the model generation unit 120A constructs a learned inference model M1 using the simulation driving data set Ds as learning data in S205, and advances the process to S104.
  • the model generation unit 120A generates a learned inference model M1 using the operation data acquired during the operation period in which the state of the air conditioning system 40 is normal and the simulation operation data set Ds among the first to Nth operation data as learning data. is constructed and saved in the storage device 400, and the process ends.
  • FIG. 13 is a flowchart illustrating an example of an abnormality detection process performed every driving period in the abnormality detection system according to a modification of the second embodiment.
  • the flowchart shown in FIG. 13 is a flowchart in which S304 and S306 are added to the flowchart of FIG. 12, and S208 is replaced with S308. Since the processes in FIG. 13 other than these are the same as those in FIG. 12, the description of the similar processes will not be repeated.
  • the model generation unit of the abnormality detection system according to the modification of the second embodiment will be referred to as 120B.
  • S101 to S106 are performed similarly to the first embodiment.
  • the model generation unit 120B sets the usage rate of the simulation driving data set Ds to 100% in S304, and performs S205 similarly to the second embodiment.
  • the model generation unit 120B decreases the usage rate of the simulation driving data set Ds in S306, and performs S107 similarly to the first embodiment.
  • the usage rate of the simulation driving data set Ds may be decreased by a constant value, or may be decreased by a constant rate.
  • the model generation unit 120B has learned, as learning data, the operation data acquired during the operation period in which the state of the air conditioning system 40 is normal and the usage ratio portion of the simulation operation data set Ds among the first to Nth operation data.
  • the inference model M1 is constructed and stored in the storage device 400, and the process is ended.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Air Conditioning Control Device (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

システム（１）は、空調システムの異常を検知する。システム（１）は、学習装置（１００）と、推論装置（２００）と、判定装置（３００）とを備える。学習装置（１００）は、連続する第１～第Ｎ運転期間（Ｎは自然数）のうち空調システムが正常である運転期間において取得された空調システムの運転データを含む学習データを用いて、空調システムの運転データから空調システムの特定パラメータの正常値を推論する推論モデル（Ｍ１）を学習済みとする。推論装置（２００）は、推論モデル（Ｍ１）を用いて、第（Ｎ＋１）運転期間において取得された空調システムの運転データから正常値を推論する。判定装置（３００）は、正常値と第（Ｎ＋１）運転期間における特定パラメータとの比較に基づいて、第（Ｎ＋１）運転期間における空調システムが異常か否かを判定する。

Description

空調システムの異常を検知するシステムおよび方法
　本開示は、空調システムの異常を検知するシステムおよび方法に関する。
　従来、空調システムの異常を検知する構成が知られている。たとえば、特開２０１７－２２１０２３号公報（特許文献１）には、電気ノイズの影響を受けにくいｑ軸電流を分析することにより、圧縮機の内部状態を正確に推定する故障徴候検知装置が開示されている。当該故障徴候検知装置によれば、圧縮機の異常検知の精度を向上させることができる。
特開２０１７－２２１０２３号公報
　特許文献１には、ＦＦＴ（Fast　Fourier　Transform）解析の結果、圧縮機の運転周波数成分の強度が閾値を超えた場合に圧縮機の異常が検知されることが開示されている。しかし、当該閾値は、空調システムが運転している環境毎に異なり得るため、空調システムが運転している環境によらずに共通の閾値が用いられる場合、空調システムの異常検知の精度が低下し得る。
　本開示は、上述のような課題を解決するためになされたものであり、その目的は、空調システムの異常検知の精度を向上させることである。
　本開示の一局面に係るシステムは、空調システムの異常を検知する。システムは、学習装置と、推論装置と、判定装置とを備える。学習装置は、連続する第１～第Ｎ運転期間（Ｎは自然数）のうち空調システムが正常である運転期間において取得された空調システムの運転データを含む学習データを用いて、空調システムの運転データから空調システムの特定パラメータの正常値を推論する推論モデルを学習済みとする。推論装置は、推論モデルを用いて、第（Ｎ＋１）運転期間において取得された空調システムの運転データから正常値を推論する。判定装置は、正常値と第（Ｎ＋１）運転期間における特定パラメータとの比較に基づいて、第（Ｎ＋１）運転期間における空調システムが異常か否かを判定する。
　本開示の他の局面に係る方法は、空調システムの異常を検知する。方法は、連続する第１～第Ｎ運転期間のうち空調システムが正常である運転期間において取得された運転データを含む学習データを用いて、空調システムの運転データから空調システムの特定パラメータの正常値を推論する、学習済みの推論モデルを構築するステップと、推論モデルを用いて、第（Ｎ＋１）運転期間において取得された空調システムの運転データから正常値を推論するステップと、正常値と第（Ｎ＋１）運転期間における特定パラメータとの比較に基づいて、第（Ｎ＋１）運転期間における空調システムが異常か否かを判定するステップとを含む。
　本開示に係るシステムおよび方法によれば、連続する第１～第Ｎ運転期間のうち空調システムが正常である運転期間において取得された空調システムの運転データを含む学習データを用いて学習済みとされた推論モデルを用いることにより、空調システムの異常検知の精度を向上させることができる。
実施の形態１に係る異常検知システム、および異常検知システムによって状態が監視される空調システムの構成の一例を示すブロック図である。 図１の空調システムの構成を示す機能ブロック図である。 図１の空調システムの状態を反映する運転データの一例を示す図である。 図１の異常検知システム１の構成を示すブロック図である。 図１の異常検知システムの構成および第Ｎ運転期間（Ｎ≧２）におけるデータの流れを併せて示すブロック図である。 図４，図５の推論モデルに含まれるニューラルネットワークの一例を示す図である。 学習済みの推論モデルによって推論される状態指標値に基づく信頼区間と実際の状態指標値のタイムチャートとを併せて示す図である。 図４，図５の異常検知システムにおいて運転期間毎に行われる異常検知処理の一例を示すフローチャートである。 図１の異常検知システムのハードウェア構成を示すブロック図である。 実施の形態２に係る異常検知システムの構成および第１運転期間におけるデータの流れを併せて示すブロック図である。 実施の形態２に係る異常検知システムの構成および第Ｎ運転期間（Ｎ≧２）におけるデータの流れを併せて示すブロック図である。 図１０，図１１の異常検知システムにおいて運転期間毎に行われる異常検知処理の一例を示すフローチャートである。 実施の形態２の変形例に係る異常検知システムにおいて運転期間毎に行われる異常検知処理の一例を示すフローチャートである。
　以下、本開示の実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は原則として繰り返さない。
　実施の形態１．
　図１は、実施の形態１に係る異常検知システム１、および異常検知システム１によって状態が監視される空調システム４０の構成の一例を示すブロック図である。図１に示されるように、異常検知システム１は、ネットワーク９００を介して空調システム４０に接続されている。
　異常検知システム１は、学習装置１００と、推論装置２００と、判定装置３００と、記憶装置４００とを備える。空調システム４０は、複数の室内機２０と、室外機１０と、制御装置３０とを備える。複数の室内機２０の各々は、室内空間に配置され、室外機１０と接続されている。室外機１０は、室内空間の外部の空間（室外空間）に配置されている。なお、空調システム４０に含まれる室内機２０の数は、１であってもよい。
　室外機１０は、圧縮機と、室外熱交換器（第１熱交換器）と、室外ファンとを含む。複数の室内機２０の各々は、膨張弁と、室内熱交換器（第２熱交換器）とを含む。室外機１０に含まれる圧縮機から複数の室内機２０の各々に冷媒が供給される。当該冷媒は、複数の室内機２０の各々と室外機１０との間を循環する。
　制御装置３０は、サーモスタットを含み、空調システム４０を統合的に制御する。制御装置３０は、ネットワーク９００を介して異常検知システム１に接続されている。ネットワーク９００は、インターネットおよびクラウドシステムを含む。
　図２は、図１の空調システム４０の構成を示す機能ブロック図である。図２に示されるように、室外機１０は、圧縮機１１と、室外熱交換器１２（第１熱交換器）と、四方弁１３と、室外ファン１４と、温度センサ５１，５２と、圧力センサ６１，６２とを含む。複数の室内機２０の各々は、膨張弁２１と、室内熱交換器２２（第２熱交換器）と、室内ファン２３と、温度センサ５３，５４とを含む。温度センサ５０は、室外空間に配置されている。なお、膨張弁２１は、たとえばＬＥＶ（Linear　Expansion　Valve）を含む。また、温度センサ５０～５４の各々は、サーミスタを含む。
　空調システム４０の運転モードには、暖房モード、冷房モード、および除霜モードが含まれる。暖房モードにおいて四方弁１３は、圧縮機１１の吐出口と室内熱交換器２２とを接続するとともに、室外熱交換器１２と圧縮機１１の吸入口とを接続する。暖房モードにおいて冷媒は、圧縮機１１、四方弁１３、室内熱交換器２２、膨張弁２１、および室外熱交換器１２の順に循環する。冷房モードおよび除霜モードにおいて四方弁１３は、圧縮機１１の吐出口と室外熱交換器１２とを接続するとともに、室内熱交換器２２と圧縮機１１の吸入口とを接続する。冷房モードおよび除霜モードにおいて冷媒は、圧縮機１１、四方弁１３、室外熱交換器１２、膨張弁２１、および室内熱交換器２２の順に循環する。
　温度センサ５０は、室外空間の温度（外気温度）を測定して、外気温度を制御装置３０に出力する。温度センサ５１は、圧縮機１１から吐出される冷媒の温度（吐出温度）を測定し、吐出温度を制御装置３０に出力する。温度センサ５２は、室外熱交換器１２を通過する冷媒の温度（蒸発温度または凝縮温度）を測定し、当該温度を制御装置３０に出力する。温度センサ５３は、室内熱交換器２２を通過する冷媒の温度（凝縮温度または蒸発温度）を測定し、当該温度を制御装置３０に出力する。温度センサ５４は、室内熱交換器２２を通過する空気の温度（吸込温度または吹出温度）を測定し、当該温度を制御装置３０に出力する。圧力センサ６１は、圧縮機１１から吐出される冷媒の圧力（高圧）を測定し、高圧を制御装置３０に出力する。圧力センサ６２は、圧縮機１１に吸入される冷媒の圧力（低圧）を測定し、低圧を制御装置３０に出力する。
　制御装置３０は、圧縮機１１の運転周波数を制御して、圧縮機１１が単位時間当たりに吐出する冷媒量を制御する。制御装置３０は、膨張弁２１の開度を制御する。制御装置３０は、四方弁１３を制御して、冷媒の循環方向を切り替える。制御装置３０は、室外ファン１４および室内ファン２３の各々の回転速度を制御して、当該ファンの単位時間当たりの送風量を制御する。制御装置３０は、空調システムの状態を反映する運転データを測定時刻と関連付けて異常検知システムに送信する。
　図３は、図１の空調システム４０の状態を反映する運転データの一例を示す図である。図３に示されるように、運転データには、たとえば、外気温度、吐出温度、蒸発温度、凝縮温度、吸込温度、吹出温度、高圧、低圧、圧縮機１１の運転周波数、膨張弁２１の開度、運転モード、運転状態（運転、停止、または待機）、室外ファン１４，室内ファン２３の各々の回転速度、ユーザによって設定された室内空間の温度（設定温度）、圧縮機１１のインバータの電流値、当該インバータの電圧値、室外機１０に含まれるヒートシンクの温度、および室外機１０と室内機２０とを接続する液管（液体の冷媒が流れる配管）の温度（液管温度）が含まれる。なお、圧縮機１１の運転周波数、膨張弁２１の開度、および室外ファン１４の回転速度は、ＶＲＦ（Variable　Refrigerant　Flow）制御における基本的な操作量である。
　空調システム４０が運転している環境には、当該環境に特有の特性（たとえば、冷媒配管長、室内機２０の種類、室内機２０の数、および室内機２０と室外機１０との高低差）が存在し得る。そのため、空調システム４０の異常を検知するための判定基準（たとえば閾値）は、空調システム４０が運転する環境毎に異なり得る。したがって、空調システム４０が運転している環境によらずに共通の判定基準が用いられる場合、空調システム４０の異常検知の精度が低下し得る。
　そこで、異常検知システム１においては、正常な状態の空調システム４０の運転データと、当該運転データに対応する、空調システム４０の状態を表す状態指標値（特定パラメータ）の正常値との関係を学習した学習済みモデルを生成する。当該学習済みモデルを用いることにより、空調システム４０が運転する環境に適合した判定基準によって空調システム４０の異常を検知することが可能になる。その結果、空調システムの異常検知の精度を向上させることができる。
　図４は、図１の異常検知システム１の構成を示すブロック図である。異常検知システム１では、連続する複数の運転期間（たとえば１日、１週間、あるいは１ヶ月）の各々において運転データを取得して、当該運転データを含む学習データを用いて、学習済みの推論モデルＭ１を構築する。連続する複数の運転期間は、互いに同じ期間（予め定められた期間）であってもよいし、異なる期間であってもよい。以下では、空調システム４０の運転が開始されてから自然数Ｎ番目の運転期間を第Ｎ運転期間と表し、第Ｎ運転期間において取得された運転データを第Ｎ運転データと表す。図１には、第１運転期間におけるデータの流れも示されている。
　図４に示されるように、学習装置１００は、データ取得部１１０と、モデル生成部１２０とを含む。推論装置２００は、データ取得部２１０と、推論部２２０とを含む。判定装置３００は、判定部３１０と、出力部３２０とを含む。記憶装置４００には、空調システム４０の運転データセットＤｒ、および推論モデルＭ１が保存される。記憶装置４００には、状態指標値の算出に必要な情報が保存されていてもよい。状態指標値には、たとえば、室外熱交換器１２のＡＫ値あるいは膨張弁２１のＣｖ値が含まれる。室外熱交換器１２のＡＫ値は、室外熱交換器１２の伝熱性能を表し、室外熱交換器１２の伝熱面積Ａ（ｍ２）と熱通過率Ｋ（Ｗ／ｍ２・Ｋ）との積によって得られる。膨張弁２１のＣｖ値は、膨張弁２１の開度と相関関係を有する流量係数であり、膨張弁２１の種類および開度によって決定される。
　推論モデルＭ１は、空調システム４０の運転データから空調システム４０の状態指標値の正常値を推論する、ニューラルネットワークを含む回帰モデルである。推論モデルＭ１は、状態指標値の段階（分類）を推論する分類モデルであってもよい。状態指標値の正常値は、空調システム４０が正常である場合に状態指標値が取り得る信頼区間の最大値および最小値であってもよい。また、当該正常値を中央値とする範囲（たとえば正常値の±１０％の範囲）を信頼区間としてもよい。
　推論装置２００のデータ取得部２１０は、第１運転データを取得して記憶装置４００に保存するとともに、推論部２２０に出力する。学習装置１００のデータ取得部１１０は、記憶装置４００から第１運転データを取得して、モデル生成部１２０に出力する。なお、運転データに含まれるパラメータのクラスタリングおよび重み付けには一般的なＡＩ（Artificial　Intelligence）技術が適用可能である。
　モデル生成部１２０は、推論モデルＭ１に対して機械学習を行って、学習済みの推論モデルＭ１を構築する。モデル生成部１２０が用いる機械学習アルゴリズムは、教師あり学習、半教師あり学習、教師なし学習、あるいは強化学習等の公知のアルゴリズムであってもよい。また、機械学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Deep　Learning）を用いることもでき、他の公知の方法、たとえばニューラルネットワーク、遺伝的プログラミング、機能論理プログラミング、もしくはサポートベクターマシンなどに従って機械学習が実行されてもよい。以下では、ニューラルネットワークに教師あり学習を適用する場合について説明する。
　モデル生成部１２０は、第１運転データから第１運転期間の状態指標値を算出する。モデル生成部１２０は、第１運転期間の状態指標値を第１運転データの正解データ（教師データ）とする学習データを用いて、推論モデルＭ１に対して教師あり学習を行う。モデル生成部１２０は、学習済みの推論モデルＭ１を構築し、記憶装置４００に保存する。なお、第１運転期間は、空調システム４０が設置場所において初めて運転する期間であるため、空調システム４０に異常がある可能性は低い。第１運転期間における空調システム４０は正常であると仮定することができるため、第１運転期間の状態指標値が第１運転データの正解データとされる。
　図５は、図１の異常検知システム１の構成および第Ｎ運転期間（Ｎ≧２）におけるデータの流れを併せて示すブロック図である。図５に示されるように、推論装置２００のデータ取得部２１０は、第Ｎ運転データを取得して記憶装置４００に保存するとともに、第Ｎ運転データを推論部２２０に出力する。推論部２２０は、第１～第（Ｎ－１）運転データを用いて学習済みとされた推論モデルＭ１を用いて、第Ｎ運転データから状態指標値の正常値を推論し、当該正常値および第Ｎ運転データを判定部３１０に出力する。
　判定部３１０は、第Ｎ運転データから第Ｎ運転期間の状態指標値を算出する。判定部３１０は、推論部２２０からの正常値と第Ｎ運転期間の状態指標値とを比較することによって、第Ｎ運転期間の空調システム４０が正常であるか否かを判定し、判定結果を出力部３２０および学習装置１００に出力する。なお、状態指標値の正常値とある運転期間の状態指標値（実際の状態指標値）との比較には、実際の状態指標値が当該正常値に基づく信頼区間に含まれるか否かの判定が含まれる。
　モデル生成部１２０は、判定結果を示すデータを記憶装置４００の第Ｎ運転データに関連付ける。出力部３２０は、判定部３１０からの判定結果を外部の装置（たとえば、ユーザの端末装置、または制御装置３０）に送信する。
　学習装置１００のデータ取得部１１０は、記憶装置４００から第１～第Ｎ運転データを取得して、モデル生成部１２０に出力する。モデル生成部１２０は、第１～第Ｎ運転データのうち、空調システム４０が正常である運転期間において取得された運転データを学習データとして、学習済みの推論モデルＭ１を構築する。モデル生成部１２０は、記憶装置４００の推論モデルＭ１を更新する。
　異常検知システム１によれば、予め定められた運転期間毎に学習済みの推論モデルＭ１が構築されるため、複数の運転期間の運転データを収集してから機械学習を行う場合よりも学習期間を短縮することができる。空調システム４０の運転を開始してから遅くとも１つの運転期間経過後から空調システム４０の異常検知が可能になる。その結果、空調システム４０の基準期間（たとえば１年）経過後の異常（摩耗不良あるいは偶発不良）に加えて、基準期間経過前の不良（製品製造あるいは施工に起因する初期不良、または偶発不良）を検出することができる。また、空調システム４０の運転期間が長くなるほど、学習データに含まれる運転データが増えるため、推論モデルＭ１によって推論される信頼区間が狭くなる。その結果、異常検知システム１による異常検知の精度を向上させることができる。
　図６は、図４，図５の推論モデルＭ１に含まれるニューラルネットワークＮｗ１の一例を示す図である。図６に示されるように、ニューラルネットワークＮｗ１は、入力層Ｘ１０と、中間層（隠れ層）Ｙ１０と、出力層Ｚ１０とを含む。入力層Ｘ１０は、ニューロンＸ１１，Ｘ１２，Ｘ１３を含む。中間層Ｙ１０は、ニューロンＹ１１，Ｙ１２を含む。出力層Ｚ１０は、ニューロンＺ１１を含む。入力層Ｘ１０と中間層Ｙ１０とは、互いに全結合している。中間層Ｙ１０と出力層Ｚ１０とは互いに全結合している。ニューラルネットワークＮｗ１は、２層以上の中間層を含んでいてもよい。
　複数の入力が入力層Ｘ１０のニューロンＸ１１～Ｘ１３にそれぞれに入力されると、その値に重みｗ１１，ｗ１２，ｗ１３，ｗ１４，ｗ１５，ｗ１６が乗じられて中間層Ｙ１０のニューロンＹ１１，Ｙ１２に入力される。ニューロンＹ１１，Ｙ１２からの出力に重みｗ２１，ｗ２２が乗じられて出力層Ｚ１０のニューロンＺ１１から出力される。出力層Ｚ１０からの出力結果は、重みｗ１１～ｗ１６，ｗ２１，ｗ２２の値によって変わる。ニューラルネットワークＮｗ１の重みおよびバイアスは、入力層に運転データを入力して出力層から出力された結果が正解データに近づくように、当該結果と正解データとの誤差に対するバックプロパゲーションによって更新される。
　図７は、学習済みの推論モデルＭ１によって推論される状態指標値に基づく信頼区間ＳＲ１と実際の状態指標値のタイムチャートＡＣとを併せて示す図である。空調システム４０の状態指標値が信頼区間に含まれる場合、空調システム４０の状態は正常であると判定される。空調システム４０の状態指標値が信頼区間ＳＲ１に含まれない場合、空調システム４０の状態は異常であると判定される。図７に示されるように、時刻ｔ１以降において、状態指標値が信頼区間ＳＲ１に含まれていない。時刻ｔ１以降において、空調システム４０に異常が発生していることが異常検知システム１から外部の装置に送信される。
　図８は、図４，図５の異常検知システム１において運転期間毎に行われる異常検知処理の一例を示すフローチャートである。以下ではステップを単にＳと記載する。図８に示されるように、Ｓ１０１において、推論装置２００のデータ取得部２１０は、第Ｎ運転データを取得し、処理をＳ１０２に進める。データ取得部２１０は、Ｓ１０２において、第Ｎ運転データに対してクレンジング（前処理）を行って、記憶装置４００に保存する。
　推論部２２０は、Ｓ１０３においてＮが１であるか否かを判定する。Ｎが１である場合（Ｓ１０３においてＹＥＳ）、推論部２２０は、処理をＳ１０７に進める。Ｎが１ではない場合（Ｓ１０３においてＮＯ）、推論部２２０は、Ｓ１０４において、第１～第（Ｎ－１）運転データのうち、空調システム４０が正常である運転期間において取得された運転データを学習データとして学習済みとされた推論モデルＭ１を用いて、第Ｎ運転データから状態指標値の正常値を推論して、第Ｎ運転データおよび正常値を判定部３１０に出力する。
　判定部３１０は、Ｓ１０５において、第Ｎ運転データから状態指標値を算出し、状態指標値が、状態指標値の正常値に基づく信頼区間に含まれるか否かの判定結果をモデル生成部１２０および出力部３２０に出力する。
　モデル生成部１２０は、Ｓ１０６において、状態指標値が信頼区間に含まれるか否かを判定する。状態指標値が信頼区間に含まれない場合（Ｓ１０６においてＮＯ）、処理を終了する。状態指標値が信頼区間に含まれている場合（Ｓ１０６においてＹＥＳ）、モデル生成部１２０は、Ｓ１０７において、第Ｎ運転データに対応する空調システム４０の状態を正常に設定し、処理をＳ１０８に進める。モデル生成部１２０は、Ｓ１０８において、第１～第Ｎ運転データのうち空調システム４０の状態が正常な運転期間において取得された運転データを学習データとする機械学習により、学習済みの推論モデルＭ１を構築して記憶装置４００に保存し、処理を終了する。
　なお、空調システム４０が運転を開始してから基準期間（たとえば１年）経過後は、運転期間毎に学習済みの推論モデルＭ１を構築する処理は停止されてもよい。また、推論モデルＭ１の精度を向上させるために、学習データに含まれる複数の運転データに対応する運転モード（たとえば暖房モード、冷房モード、あるいは除霜モード）は、互いに同じであることが望ましい。
　図９は、図１の異常検知システム１のハードウェア構成を示すブロック図である。図９に示されるように、異常検知システム１は、処理回路９１と、メモリ９２と、入出力部９３とを含む。処理回路９１は、メモリ９２に格納されるプログラムを実行するＣＰＵ（Central　Processing　Unit）を含む。処理回路９１は、ＧＰＵ（Graphics　Processing　Unit）を含んでもよい。異常検知システム１の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアあるいはファームウェアはプログラムとして記述され、メモリ９２に格納される。処理回路９１は、メモリ９２に記憶されたプログラムを読み出して実行する。なお、ＣＰＵは、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいはＤＳＰ（Digital　Signal　Processor）とも呼ばれる。
　メモリ９２には、不揮発性または揮発性の半導体メモリ（たとえばＲＡＭ（Random　Access　Memory）、ＲＯＭ（Read　Only　Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable　Programmable　Read　Only　Memory）、あるいはＥＥＰＲＯＭ（Electrically　Erasable　Programmable　Read　Only　Memory））、および磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいはＤＶＤ（Digital　Versatile　Disc）が含まれる。メモリ９２には、たとえば、学習済みの推論モデルＭ１、異常検知プログラム、および機械学習プログラムが保存される。
　入出力部９３は、ユーザからの操作を受けるとともに、処理結果をユーザに出力する。入出力部９３は、たとえば、マウス、キーボード、タッチパネル、ディスプレイ、およびスピーカを含む。
　なお、図１に示される学習装置１００，推論装置２００，判定装置３００の各々が図９に示されるハードウェア構成を有していてもよい。
　なお、実施の形態１においては、学習装置１００および推論装置２００が、ネットワーク９００を介して空調システム４０に接続される、空調システム４０とは別個の装置として説明したが、学習装置１００および推論装置２００は空調システム４０に内蔵されていてもよい。また、学習装置１００および推論装置２００は、クラウドサーバ上に存在していてもよい。
　以上、実施の形態１に係る異常検知システムによれば、空調システムの異常検知の精度を向上させることができる。
　実施の形態２．
　実施の形態１においては、運転データを学習データとして推論モデルを学習済みとする構成について説明した。実施の形態２においては、空調システムのシミュレーションから得られたシミュレーション運転データセットが学習データに加えられる構成について説明する。
　図１０は、実施の形態２に係る異常検知システム２の構成および第１運転期間におけるデータの流れを併せて示すブロック図である。異常検知システム２の構成は、図４の記憶装置４００にシミュレーション運転データセットＤｓが追加されているとともに、モデル生成部１２０が１２０Ａに置き換えられた構成である。それら以外の異常検知システム２の構成は、異常検知システム１と同様である。
　図１０に示されるように、データ取得部１１０は、記憶装置４００からシミュレーション運転データセットＤｓを取得してモデル生成部１２０Ａに出力する。シミュレーション運転データセットＤｓは、空調システム４０を特徴付けるパラメータ（たとえば、冷媒配管長、室内機２０の種類、室内機２０の数、および室内機２０と室外機１０との高低差）に基づくシミュレーションの結果から取得された運転データである。当該シミュレーションは、空調システム４０の運転の開始よりも前に行われてもよい。シミュレーションにおいては、空調システム４０は正常であると仮定されるため、シミュレーションによって算出される状態指標値がシミュレーション運転データセットＤｓの正解データとされる。モデル生成部１２０Ａは、シミュレーション運転データセットＤｓを学習データとして、学習済みの推論モデルＭ１を構築する。
　推論装置２００のデータ取得部２１０は、第１運転データを取得して記憶装置４００に保存するとともに、第１運転データを推論部２２０に出力する。推論部２２０は、シミュレーション運転データセットＤｓを用いて学習済みとされた推論モデルＭ１を用いて、第１運転データから状態指標値の正常値を推論し、当該正常値および第１運転データを判定部３１０に出力する。
　判定部３１０は、第１運転データから第１運転期間の状態指標値を算出する。判定部３１０は、推論部２２０からの正常値と第１運転期間の状態指標値とを比較することによって、第１運転期間の空調システム４０が正常であるか否かを判定し、判定結果を出力部３２０および学習装置１００に出力する。出力部３２０は、判定部３１０からの判定結果を外部の装置に送信する。モデル生成部１２０Ａは、判定結果を示すデータを記憶装置４００の第１運転データに関連付ける。
　図１１は、実施の形態２に係る異常検知システム２の構成および第Ｎ運転期間（Ｎ≧２）におけるデータの流れを併せて示すブロック図である。図１１に示されるように、推論装置２００のデータ取得部２１０は、第Ｎ運転データを取得して記憶装置４００に保存するとともに、第Ｎ運転データを推論部２２０に出力する。推論部２２０は、第１～第（Ｎ－１）運転データおよびシミュレーション運転データセットＤｓを用いて学習済みとされた推論モデルＭ１を用いて、第Ｎ運転データから状態指標値の正常値を推論し、当該正常値および第Ｎ運転データを判定部３１０に出力する。判定部３１０および出力部３２０は、実施の形態１と同様の処理を行う。
　学習装置１００のデータ取得部１１０は、記憶装置４００から第１～第Ｎ運転データおよびシミュレーション運転データセットＤｓを取得して、モデル生成部１２０Ａに出力する。モデル生成部１２０Ａは、実施の形態１と同様の処理を行う。
　異常検知システム２によれば、実際の運転データを用いずに、シミュレーション運転データセットＤｓを用いて学習済みの推論モデルＭ１を構築することができる。その結果、実施の形態１と同様の効果を生じさせることができるとともに、第１運転期間から異常検知を行うことができる。
　図１２は、図１０，図１１の異常検知システム２において運転期間毎に行われる異常検知処理の一例を示すフローチャートである。図１２に示されるフローチャートは、図８に示されるフローチャートにＳ２０５が追加されているとともに、Ｓ１０８がＳ２０８に置き換えられたフローチャートである。これら以外の図１２の処理は、図８の処理と同様であるため、同様の処理についての説明を繰り返さない。
　図１２に示されるように、実施の形態１と同様にＳ１０１～Ｓ１０７が行われる。Ｓ１０３においてＹＥＳの場合、モデル生成部１２０Ａは、Ｓ２０５において、シミュレーション運転データセットＤｓを学習データとして学習済みの推論モデルＭ１を構築して処理をＳ１０４に進める。モデル生成部１２０Ａは、Ｓ２０８において、第１～第Ｎ運転データのうち空調システム４０の状態が正常な運転期間において取得された運転データおよびシミュレーション運転データセットＤｓを学習データとして学習済みの推論モデルＭ１を構築して記憶装置４００に保存し、処理を終了する。
　空調システム４０が運転している環境に特有の特性は、シミュレーション運転データセットＤｓよりも実際の運転データにより反映されている。そのため、学習データとして使用されるシミュレーション運転データセットＤｓの割合が学習データに含まれる正常な運転データの増加に応じて減少されることにより、シミュレーション運転データセットＤｓの全部が学習データに残存し続ける場合よりも学習済みの推論モデルＭ１の精度を向上させることができる。
　図１３は、実施の形態２の変形例に係る異常検知システムにおいて運転期間毎に行われる異常検知処理の一例を示すフローチャートである。図１３に示されるフローチャートは、図１２のフローチャートにＳ３０４，Ｓ３０６が追加されているとともに、Ｓ２０８がＳ３０８に置き換えられたフローチャートである。これら以外の図１３の処理は図１２と同様であるため、同様の処理についての説明を繰り返さない。以下では実施の形態２の変形例に係る異常検知システムのモデル生成部を１２０Ｂと称する。
　図１３に示されるように、実施の形態１と同様にＳ１０１～Ｓ１０６が行われる。Ｓ１０３においてＹＥＳの場合、モデル生成部１２０Ｂは、Ｓ３０４においてシミュレーション運転データセットＤｓの使用割合を１００％に設定し、実施の形態２と同様にＳ２０５を行う。Ｓ１０６においてＹＥＳの場合、学習データに含まれる正常な運転データが増加するため、モデル生成部１２０Ｂは、Ｓ３０６においてシミュレーション運転データセットＤｓの使用割合を減少し、実施の形態１と同様にＳ１０７を行う。Ｓ３０６においては、たとえば、シミュレーション運転データセットＤｓの使用割合が一定値だけ減少されてもよいし、一定割合だけ減少されてもよい。
　モデル生成部１２０Ｂは、Ｓ３０８において、第１～第Ｎ運転データのうち空調システム４０の状態が正常な運転期間において取得された運転データおよびシミュレーション運転データセットＤｓの使用割合部分を学習データとして学習済みの推論モデルＭ１を構築して記憶装置４００に保存し、処理を終了する。
　以上、実施の形態２および変形例に係る異常検知システムによれば、空調システムの異常検知の精度を向上させることができる。
　今回開示された各実施の形態は、矛盾しない範囲で適宜組み合わせて実施することも予定されている。今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１，２　異常検知システム、１０　室外機、１１　圧縮機、１２　室外熱交換器、１３　四方弁、１４　室外ファン、２０　室内機、２１　膨張弁、２２　室内熱交換器、２３　室内ファン、３０　制御装置、４０　空調システム、５０～５４　温度センサ、６１，６２　圧力センサ、９１　処理回路、９２　メモリ、９３　入出力部、１００　学習装置、１１０，２１０　データ取得部、１２０，１２０Ａ，１２０Ｂ　モデル生成部、２００　推論装置、２２０　推論部、３００　判定装置、３１０　判定部、３２０　出力部、４００　記憶装置、９００　ネットワーク、ＡＣ　タイムチャート、Ｄｒ　運転データセット、Ｄｓ　シミュレーション運転データセット、Ｍ１　推論モデル、Ｎｗ１　ニューラルネットワーク、ＳＲ１　信頼区間、Ｘ１０　入力層、Ｘ１１～Ｘ１３，Ｙ１１，Ｙ１２，Ｚ１１　ニューロン、Ｙ１０　中間層、Ｚ１０　出力層、ｔ１　時刻、ｗ１１～ｗ１６，ｗ２１，ｗ２２　重み。

Claims (5)

  1. 　空調システムの異常を検知するシステムであって、
    　連続する第１～第Ｎ運転期間（Ｎは自然数）のうち前記空調システムが正常である運転期間において取得された前記空調システムの運転データを含む学習データを用いて、前記空調システムの運転データから前記空調システムの特定パラメータの正常値を推論する推論モデルを学習済みとする学習装置と、
    　前記推論モデルを用いて、第（Ｎ＋１）運転期間において取得された前記空調システムの運転データから前記正常値を推論する推論装置と、
    　前記正常値と前記第（Ｎ＋１）運転期間における前記特定パラメータとの比較に基づいて、前記第（Ｎ＋１）運転期間における前記空調システムが異常か否かを判定する判定装置とを備える、システム。
  2. 　前記学習データは、前記空調システムのシミュレーション結果から得られたシミュレーション運転データセットを含み、
    　前記学習装置は、前記シミュレーション運転データセットを用いて前記推論モデルを学習済みとし、
    　前記推論装置は、第１運転期間において取得された前記空調システムの運転データから前記正常値を推論し、
    　前記判定装置は、前記正常値と前記第１運転期間における前記特定パラメータとの比較に基づいて、前記第１運転期間における前記空調システムが異常か否かを判定する、請求項１に記載のシステム。
  3. 　前記学習装置は、前記学習データに含まれる正常な運転データが増加する程、前記学習データに含まれる前記シミュレーション運転データセットの部分を減少させる、請求項２に記載のシステム。
  4. 　前記空調システムは、室外機と、少なくとも１つの室内機とを含み、
    　前記室外機は、圧縮機と、第１熱交換器とを含み、
    　前記少なくとも１つの室内機の各々は、膨張弁と、第２熱交換器とを含み、
    　冷媒は、前記圧縮機、前記第１熱交換器、前記膨張弁、および前記第２熱交換器の順に循環するか、または前記圧縮機、前記第２熱交換器、前記膨張弁、および前記第１熱交換器の順に循環し、
    　前記特定パラメータは、前記第１熱交換器の伝熱性能に関する指標値、および前記膨張弁の流量係数の少なくとも１つを含む、請求項１～３のいずれか１項に記載のシステム。
  5. 　空調システムの異常を検知する方法であって、
    　連続する第１～第Ｎ運転期間（Ｎは自然数）のうち前記空調システムが正常である運転期間において取得された運転データを含む学習データを用いて、前記空調システムの運転データから前記空調システムの特定パラメータの正常値を推論する、学習済みの推論モデルを構築するステップと、
    　前記推論モデルを用いて、第（Ｎ＋１）運転期間において取得された前記空調システムの運転データから前記正常値を推論するステップと、
    　前記正常値と前記第（Ｎ＋１）運転期間における前記特定パラメータとの比較に基づいて、前記第（Ｎ＋１）運転期間における前記空調システムが異常か否かを判定するステップとを含む、方法。
PCT/JP2022/021007 2022-05-20 2022-05-20 空調システムの異常を検知するシステムおよび方法 WO2023223557A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/021007 WO2023223557A1 (ja) 2022-05-20 2022-05-20 空調システムの異常を検知するシステムおよび方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/021007 WO2023223557A1 (ja) 2022-05-20 2022-05-20 空調システムの異常を検知するシステムおよび方法

Publications (1)

Publication Number Publication Date
WO2023223557A1 true WO2023223557A1 (ja) 2023-11-23

Family

ID=88835024

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/021007 WO2023223557A1 (ja) 2022-05-20 2022-05-20 空調システムの異常を検知するシステムおよび方法

Country Status (1)

Country Link
WO (1) WO2023223557A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015125509A1 (ja) * 2014-02-18 2015-08-27 東芝キヤリア株式会社 冷凍サイクル装置
JP2021042949A (ja) * 2019-09-09 2021-03-18 ダイキン工業株式会社 冷媒量判定装置、方法、およびプログラム
WO2021229768A1 (ja) * 2020-05-14 2021-11-18 三菱電機株式会社 空調機器のメンテナンスの学習装置および推論装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015125509A1 (ja) * 2014-02-18 2015-08-27 東芝キヤリア株式会社 冷凍サイクル装置
JP2021042949A (ja) * 2019-09-09 2021-03-18 ダイキン工業株式会社 冷媒量判定装置、方法、およびプログラム
WO2021229768A1 (ja) * 2020-05-14 2021-11-18 三菱電機株式会社 空調機器のメンテナンスの学習装置および推論装置

Similar Documents

Publication Publication Date Title
Kim et al. A review of fault detection and diagnostics methods for building systems
Karami et al. Fault detection and diagnosis for nonlinear systems: A new adaptive Gaussian mixture modeling approach
Xiao et al. Bayesian network based FDD strategy for variable air volume terminals
Wang et al. Online model-based fault detection and diagnosis strategy for VAV air handling units
Mulumba et al. Robust model-based fault diagnosis for air handling units
AU2011265563B2 (en) System and method for detecting and/or diagnosing faults in multi-variable systems
Nassif Modeling and optimization of HVAC systems using artificial neural network and genetic algorithm
Shi et al. Refrigerant charge fault diagnosis in the VRF system using Bayesian artificial neural network combined with ReliefF filter
KR101151867B1 (ko) 공조시스템의 고장 검출 및 진단 방법
US10331510B2 (en) Simulation based fault diagnosis using extended heat flow models
EP0883048A1 (en) System for monitoring refrigerant charge
Zhu et al. Deep learning based reference model for operational risk evaluation of screw chillers for energy efficiency
KR19990006755A (ko) 팽창 밸브 모니터링 시스템
Zhang et al. Fault detection and diagnosis for the screw chillers using multi-region XGBoost model
Wu et al. Simultaneous-fault diagnosis considering time series with a deep learning transformer architecture for air handling units
Gao et al. Fault detection and diagnosis method for cooling dehumidifier based on LS-SVM NARX model
Wang et al. Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest
Zhang et al. Deep learning in fault detection and diagnosis of building HVAC systems: A systematic review with meta analysis
JP6862130B2 (ja) 異常検知装置、異常検知方法、およびプログラム
Ding et al. New fault diagnostic strategies for refrigerant charge fault in a VRF system using hybrid machine learning method
CN114383228A (zh) 冷却装置系统
Guo et al. Real-time energy performance benchmarking of electric vehicle air conditioning systems using adaptive neural network and Gaussian process regression
Du et al. Deep learning GAN-based data generation and fault diagnosis in the data center HVAC system
WO2023223557A1 (ja) 空調システムの異常を検知するシステムおよび方法
Dehestani et al. Robust fault tolerant application for HVAC system based on combination of online SVM and ANN black box model

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: 22942761

Country of ref document: EP

Kind code of ref document: A1