WO2023228277A1 - 学習装置、監視装置および空調システム - Google Patents
学習装置、監視装置および空調システム Download PDFInfo
- Publication number
- WO2023228277A1 WO2023228277A1 PCT/JP2022/021256 JP2022021256W WO2023228277A1 WO 2023228277 A1 WO2023228277 A1 WO 2023228277A1 JP 2022021256 W JP2022021256 W JP 2022021256W WO 2023228277 A1 WO2023228277 A1 WO 2023228277A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- data group
- data
- refrigerant
- air conditioner
- learning
- Prior art date
Links
- 238000012806 monitoring device Methods 0.000 title claims description 25
- 238000004378 air conditioning Methods 0.000 title claims description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 239000003507 refrigerant Substances 0.000 claims description 118
- 230000005856 abnormality Effects 0.000 claims description 28
- 230000007257 malfunction Effects 0.000 claims description 23
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004781 supercooling Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 description 28
- 230000007423 decrease Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 238000012546 transfer Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000001816 cooling Methods 0.000 description 9
- 239000007788 liquid Substances 0.000 description 9
- 238000010438 heat treatment Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 229920006395 saturated elastomer Polymers 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010257 thawing Methods 0.000 description 3
- 101000740224 Homo sapiens Protein SCAI Proteins 0.000 description 2
- 102100037197 Protein SCAI Human genes 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- F24F2110/64—Airborne particle content
Definitions
- the present disclosure relates to a learning device, a monitoring device, and an air conditioning system.
- the temperature sensor 54 measures the temperature of the refrigerant discharged from the compressor 11 (discharge temperature TH4), and outputs the discharge temperature to the control device 30.
- the temperature sensor 55 measures the temperature of the refrigerant sucked into the compressor 11 via the accumulator 15 (suction temperature TH5), and outputs the suction temperature to the control device 30.
- the temperature sensor 56 measures the temperature TH3 of the liquid refrigerant in the pipe connecting the outdoor heat exchanger 12 and the liquid pipe 41, and outputs the temperature to the control device 30.
- This ratio indicates the ratio of time per day during which the heat exchange capacity Qo is lower than normal due to malfunction of the element equipment, and is referred to as the "capacity reduction operation rate" in this specification.
- the determining unit 310 determines whether the reduced capacity operation rate is equal to or greater than a threshold value.
- Each of the inference models M1 and M2 is a regression model including a neural network that infers the normal value of the condition index value of the air conditioner 40 from the operation data of the air conditioner 40.
- Each of the inference models M1 and M2 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 conditioner 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.
- FIG. 10 is a graph showing the relationship between a decrease in the amount of refrigerant, a capacity reduction operation rate, and a capacity reduction rate.
- the horizontal axis shows the capacity reduction rate (Qo/QoAI), and the vertical axis shows the capacity reduction operating rate.
- FIG. 11 is a diagram showing an example of a trend graph displayed to the user.
- FIG. 11 shows the change over time in the capacity reduction operation rate when the capacity reduction rate in FIG. 10 is -10%.
- maintenance workers can confirm that the amount of time it takes for capacity to decline due to the refrigerant leak to occur increases with each passing day, allowing them to judge the timing of maintenance.
- OC_ means an outdoor unit
- IC_ means an indoor unit
- f() indicates that it is defined as a function that is calculated using a value obtained from the refrigerant physical property table for the numerical value in parentheses detected by the sensor.
- Refrigerant leak Upper side protruding outdoor heat exchanger 12 Heat transfer failure: Lower side protruding Indoor heat exchanger 22 Heat transfer failure: Lower side protruding Indoor expansion valve defect: Upper & lower side protruding
- the outdoor heat exchanger 12 during heating Regarding the malfunction of the heat exchange capacity and the malfunction of the heat exchange capacity of the indoor heat exchanger 22, the malfunction can be determined by the same process by changing the characteristic amounts as shown in Table 5 below.
- OC_ means an outdoor unit
- IC_ means an indoor unit
- f() indicates that it is defined as a function that is calculated using a value obtained from the refrigerant physical property table for the numerical value in parentheses detected by the sensor.
- heat transfer defects in the outdoor heat exchanger 12 are defined as deviations from the normal range of characteristic quantities related to heat transfer defects in the outdoor heat exchanger 12 listed in Tables 2 and 4, and Tables 3 and 5. This determination can be made when a decrease in the heat exchange capacity OC_Q from the normal range is detected at the same time.
- the present disclosure relates to a learning device 4 that learns the state of an air conditioner 40 in which refrigerant circulates.
- the operation data DA of the air conditioner 40 includes a first data group D1A1 and a second data group D2A1 that does not include the same data element as the first data group D1A1.
- the learning device 4 includes a first calculation unit 110A configured to calculate a first feature amount F1A1 from a first data group D1A1 of the air conditioner during a learning period, and a second calculation unit that uses the first feature amount F1A1 as correct data.
- a learning unit 120 configured to perform supervised learning using the data group D2A1 and generate a first inference model M1 that infers a first normal range of the first feature amount F1A1 from the second data group D2A1. .
- the second calculation unit 110B configured to calculate the quantity F1B2 and the second data group D2B1 of the operation data DB of the air conditioner during the monitoring period, use the learned first inference model M1 to calculate the first
- the inference unit 220 is configured to output the normal range F2B1 and output the second normal range F2B2 from the fourth data group D2B2 of the operation data of the air conditioner during the monitoring period, and the second calculation unit 110B performs calculation.
- the air conditioner includes a determination unit 310 that determines whether the state of the air conditioner is normal or not based on the frequency with which a second malfunction state that deviates from F2B2 is detected at the same time.
- the first data group D1B1 includes at least the pressure HS1 of the refrigerant discharged from the compressor and the pressure at the outlet of the condenser.
- the second data group D2B1 includes at least the temperature TH1ic of the air-conditioned space, the operating frequency fCOMP of the compressor 11, and the opening degree Li of the expansion valve 21.
- the third data group D1B2 includes at least the pressure HS1 of the refrigerant discharged from the compressor 11, the refrigerant temperature TH3 at the outlet of the condenser, and the operating frequency fCOMP of the compressor 11. , includes at least the temperature TH1ic of the air-conditioned space and the opening degree Li of the expansion valve 21.
- the monitoring device 5 described in Section 3 displays changes in frequency over a certain period of time, and also displays that maintenance is required when the frequency exceeds the determination threshold.
- the apparatus further includes a section 320.
- the present disclosure provides an air conditioning system shown in FIG. Regarding 1000.
- 1 Abnormality detection system 2, 32 CPU, 3, 33 Memory, 4 Learning device, 5 Monitoring device, 10 Outdoor unit, 11 Compressor, 12, 22 Heat exchanger, 13 Four-way valve, 14 Outdoor fan, 15 Accumulator, 20 Indoor unit, 21 Expansion valve, 23 Indoor fan, 30 Control device, 40 Air conditioner, 51, 52, 53, 54, 55, 56 Temperature sensor, 57 Humidity sensor, 61, 63 Pressure sensor, 110, 110A, 110B calculation Section, 120 learning section, 220 inference section, 310 judgment section, 311, 312 data processing section, 320 display section, 900 network, 1000 air conditioning system, C1 refrigerant circuit, M1, M2 inference model, Nw1 neural network.
Landscapes
- Air Conditioning Control Device (AREA)
Abstract
空気調和装置（４０）の運転データ（ＤＡ）は、第１データ群（Ｄ１Ａ１）と、第１データ群（Ｄ１Ａ１）と重複しない第２データ群（Ｄ２Ａ１）とを含む。学習装置（４）は、学習期間における空気調和装置の第１データ群（Ｄ１Ａ１）から第１特徴量（Ｆ１Ａ１）を演算するように構成される第１演算部（１１０Ａ）と、第１演算部（１１０Ａ）が演算して得られた第１特徴量（Ｆ１Ａ１）を正解データとして、第２データ群（Ｄ２Ａ１）を用いて教師あり学習を行ない、第２データ群（Ｄ２Ａ１）から第１特徴量（Ｆ１Ａ１）の第１正常範囲を推論する第１推論モデル（Ｍ１）を生成するように構成される学習部（１２０）とを備える。
Description
本開示は、学習装置、監視装置および空調システムに関する。
従来、充填されている冷媒量の指標となる値に基づいて、冷却システムの冷媒漏れを検出する方法が検討されており、冷媒量の判定を容易にする冷媒量判定装置の一例が、特許第６７９１４２９号公報に開示されている。
この冷媒量判定装置は、空気調和システムの運転データから冷媒量指標値を算出する算出部と、運転データと算出された冷媒量指標値との少なくとも一方、および、補正モデルを用いて、冷媒量指標値の補正に関する情報を推論する推論部と、冷媒量指標値の補正に関する情報に基づいて、空気調和システムの冷媒量を判定する判定部とを備える。
特許第６７９１４２９号に開示された冷媒量判定装置は、冷媒量の減少が空調能力に与える影響を正確には把握できず、保守をすべきタイミングがわからないといった課題があった。たとえば、冷媒漏洩量が１０％と少ない場合、冷媒量指標で冷媒が漏れていることはわかっても、空調能力はあまり減らないため、漏洩箇所を緊急で調査すべきなのか、現状維持ししばらく様子を見るべきか判断できなかった。
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のに役立つ推論モデルを得ることができる学習装置を提供することである。
本開示は、冷媒が循環する空気調和装置の状態を学習する学習装置に関する。空気調和装置の運転データは、第１データ群と、第１データ群とは同じデータ要素を含まない第２データ群とを含む。学習装置は、学習期間における空気調和装置の第１データ群から第１特徴量を演算するように構成される第１演算部と、第１特徴量を正解データとして、第２データ群を用いて教師あり学習を行ない、第２データ群から第１特徴量の第１正常範囲を推論する第１推論モデルを生成するように構成される学習部とを備える。
本開示の学習装置によれば、運転データのうち、特徴量の演算に直接用いることができるデータ以外のデータの挙動から特徴量の正常範囲を推論するモデルを生成するため、早期に正確に異常検知ができる可能性が高まる。
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に係る空調システムの構成を示すブロック図である。空調システム１０００は、異常検知システム１と、異常検知システム１によって状態が監視される空気調和装置４０とを備える。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を介して空気調和装置４０に接続されている。
図１は、実施の形態１に係る空調システムの構成を示すブロック図である。空調システム１０００は、異常検知システム１と、異常検知システム１によって状態が監視される空気調和装置４０とを備える。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を介して空気調和装置４０に接続されている。
異常検知システム１は、ＣＰＵ（Central Processing Unit）２と、メモリ３（ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory））と、入出力バッファ（図示せず）等を含んで構成される。ＣＰＵ２は、ＲＯＭに格納されているプログラムをＲＡＭ等に展開して実行する。ＲＯＭに格納されるプログラムは、異常検知システム１の処理手順が記されたプログラムである。異常検知システム１は、これらのプログラムに従って、空気調和装置４０における各機器の監視を実行する。この制御については、ソフトウェアによる処理に限られず、専用のハードウェア（電子回路）で処理することも可能である。なお、異常検知システム１は、ネットワーク９００に接続されたサーバに構築されても良い。
空気調和装置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、冷媒が通過する液配管およびガス配管によって室外機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、空気調和装置４０に含まれる室内機２０の数は、１台または２台であってもよい。
室外機１０は、圧縮機と、室外熱交換器と、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、空気調和装置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。なお、ネットワーク９００は、ＬＡＮ（Local Area Network）であってもよい。
制御装置３０は、ＣＰＵ３２と、メモリ３３（ＲＯＭおよびＲＡＭ）と、入出力バッファ（図示せず）等を含んで構成される。ＣＰＵ３２は、ＲＯＭに格納されているプログラムをＲＡＭ等に展開して実行する。ＲＯＭに格納されるプログラムは、制御装置３０の処理手順が記されたプログラムである。制御装置３０は、これらのプログラムに従って、空気調和装置４０における各機器の制御を実行する。この制御については、ソフトウェアによる処理に限られず、専用のハードウェア（電子回路）で処理することも可能である。
図２は、図１の空気調和装置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と、四方弁１３と、室外ファン１４と、アキュムレータ１５と、温度センサ５４～５６と、圧力センサ６１，６３と、湿度センサ５７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と、室内ファン２３と、温度センサ５１～５３とを含む。なお、膨張弁２１は、たとえばＬＥＶ（Linear Expansion Valve）を含む。
空気調和装置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とアキュムレータ１５の冷媒入口とを接続する。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とアキュムレータ１５の冷媒入口とを接続する。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５１は、室内熱交換器２２に吸い込まれる空気の温度（室温ＴＨ１ic）を測定し、当該温度を制御装置３０に出力する。温度センサ５２，５３は、室内熱交換器２２を通過する前後の冷媒の温度（室内液温度ＴＨ２ic、室内ガス温度ＴＨ３ic）をそれぞれ測定し、当該温度を制御装置３０に出力する。
温度センサ５４は、圧縮機１１から吐出される冷媒の温度（吐出温度ＴＨ４）を測定し、吐出温度を制御装置３０に出力する。温度センサ５５は、アキュムレータ１５を経由して圧縮機１１に吸入される冷媒の温度（吸入温度ＴＨ５）を測定し、吸入温度を制御装置３０に出力する。温度センサ５６は、室外熱交換器１２と液管４１とを接続する配管の液冷媒の温度ＴＨ３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（吐出圧力ＨＳ１）を測定し、吐出圧力ＨＳ１を制御装置３０に出力する。圧力センサ６３は、圧縮機１１に吸入される冷媒の圧力（吸入圧力ＬＳ）を測定し、吸入圧力ＬＳを制御装置３０に出力する。
以下、冷房時の制御を代表例として説明する。制御装置３０は、吸入飽和ガス温度が目標温度となるように圧縮機１１の運転周波数ｆCOMP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、室内熱交換器２２の出口の冷媒の過熱度ＳＨ（＝ＴＨ３ic－ＴＨ２ic）が目標値となるように膨張弁２１の開度Ｌｉを制御する。制御装置３０は、四方弁１３を実線で示す流路となるように制御して、冷媒の循環方向を切り替える。制御装置３０は、吐出飽和ガス温度が目標値となるように室外ファン１４の回転周波数ｆFANo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、ユーザが設定した風量を実現するように、室内ファン２３の回転周波数ｆFANi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１に送信する。
図３は、図１の空気調和装置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（ＴＨ４）、蒸発温度（ＴＨ２ic）、凝縮温度、吸込温度（ＴＨ１ic）、吹出温度、高圧（ＨＳ１）、低圧（ＬＳ）、圧縮機１１の運転周波数（ｆCOMP）、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（ｆFANo，ｆFANi）、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ＴＨ３）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。
空気調和装置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、空気調和装置４０の異常を検知するための判定基準（たとえば閾値）は、空気調和装置４０が運転する環境ごとに異なり得る。したがって、空気調和装置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、空気調和装置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、空調システムを設置後の試運転時に正常な状態が確認された場合、その後一定期間は正常な状態であると見なす。そして、当該一定期間に空気調和装置４０の運転データと、当該運転データに対応する、空気調和装置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、空気調和装置４０が運転する環境に適合した判定基準によって空気調和装置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，Ｍ２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。
図４に示されるように、異常検知システム１は、学習装置４と、監視装置５とを備える。学習装置４は、演算部１１０Ａと、学習部１２０とを備える。監視装置５は、演算部１１０Ｂと、推論部２２０と、判定部３１０と、表示部３２０とを備える。
演算部１１０Ａと演算部１１０Ｂとは、学習時に使用されるか監視時に使用されるかが異なるだけで、基本的には同じ演算を行なう。したがって、演算部１１０Ａを演算部１１０Ｂとして兼用しても良い。
演算部１１０Ａは、正常時の運転データＤ１Ａ１から特徴量Ｆ１Ａ１を演算する。学習部１２０は、要素機器の特徴量Ｆ１Ａ１および正常時の運転データＤ２Ａ１を機械学習し推論モデルＭ１を構築する。推論部２２０は、判定時の運転データＤ２Ｂ１を学習済み推論モデルＭ１に入力することで特徴量の正常範囲(上下限値)Ｆ２Ｂ１を推論する。また、演算部１１０Ａは、正常時の運転データＤ１Ａ２から特徴量Ｆ１Ａ２を演算する。学習部１２０は、要素機器の特徴量Ｆ１Ａ２および正常時の運転データＤ２Ａ２を機械学習し推論モデルＭ２を構築する。推論部２２０は、判定時の運転データＤ２Ｂ２を学習済み推論モデルＭ２に入力することで特徴量の正常範囲(上下限値)Ｆ２Ｂ２を推論する。
演算部１１０Ｂは、判定時の運転データＤ１Ｂ１から特徴量Ｆ１Ｂ１を演算する。演算部１１０Ｂは、判定時の運転データＤ１Ｂ２から特徴量Ｆ１Ｂ２を演算する。判定部３１０は、データ処理部３１１とデータ処理部３１２とを含む。データ処理部３１１は、判定時の運転データＤ１Ｂ１から演算部１１０で演算した特徴量Ｆ１Ｂ１（凝縮器出口の冷媒の過冷却度ＳＣ）が、不調時の運転データから学習済み推論モデルＭ１で推論した正常範囲Ｆ２Ｂ１に対して、上側または下側にはみ出したデータ（正常範囲外となったデータ）の数をカウントする。データ処理部３１２は、判定時の運転データＤ１Ｂ２から演算した特徴量Ｆ１Ｂ２（熱交換器の熱交換能力Ｑｏ）が既定能力以下となったデータの数をカウントする。判定部３１０は、同時刻に特徴量Ｆ１Ｂ１（過冷却度ＳＣ）が正常範囲からはみ出し（正常範囲外となり）、かつ特徴量Ｆ１Ｂ２（熱交換能力Ｑｏ）が既定量低下した（正常範囲外となった）データ数を判定した運転データ数で除した比率を算出する。この比率は、要素機器の不調により熱交換能力Ｑｏが正常時より低下した運転が一日に生じている時間の比率を示し、本明細書では、「能力低下運転率」と言うことにする。判定部３１０は、能力低下運転率が閾値以上となっているか判定する。
表示部３２０は、冷媒量の変化と要素機器（室外熱交換器１２、室内熱交換器２２）ごとに１日ごとの能力低下運転率の変化とを示すトレンドデータを表示し、能力低下運転率が閾値以上となっている場合、保守が必要であることを表示する。
図１に示したＣＰＵ２は、対応するプログラムに従って、演算部１１０Ａ，１１０Ｂ、学習部１２０、推論部２２０、判定部３１０として動作する。またメモリ３には、空気調和装置４０の運転データセット、および推論モデルＭ１，Ｍ２が保存される。
推論モデルＭ１，Ｍ２の各々は、空気調和装置４０の運転データから空気調和装置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，Ｍ２の各々は、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、空気調和装置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。
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。
学習部１２０は、推論モデルＭ１，Ｍ２に対して機械学習を行って、学習済みの推論モデルＭ１，Ｍ２を構築する。学習部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。
演算部１１０Ａは、運転データＤＡに含まれる運転データＤ１Ａ１から第１運転期間の状態指標値（ＳＣ）を算出する。演算部１１０Ａは、運転データＤＡに含まれる運転データＤ１Ａ２から第１運転期間の状態指標値（Ｑｏ）を算出する。学習部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なう。学習部１２０は、学習済みの推論モデルＭ１，Ｍ２を構築し、メモリ３に保存する。なお、第１運転期間は、空気調和装置４０が設置場所に設置された後に試運転で動作確認された直後の期間であるため、空気調和装置４０に異常がある可能性は低い。第１運転期間における空気調和装置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。以下の例では、第１運転期間を設置直後から３６５日としている。
図５は、異常検知システム１が実行する学習処理の内容を説明するためのフローチャートである。学習処理が開始されると、図４に示す異常検知システム１は、ステップＳ１において、設置直後の３６５日分の空調運転データＤＡを取得する。空調運転データＤＡは、第１データ群Ｄ１Ａ１と、第１データ群Ｄ１Ａ１とは同じデータ要素を含まない第２データ群Ｄ２Ａ１とを含む。また空調運転データＤＡは、第１データ群Ｄ１Ａ１とは異なる第３データ群Ｄ１Ａ２と、第３データ群Ｄ１Ａ２とは同じデータ要素を含まない第４データ群Ｄ２Ａ２とを含む。
続いて、ステップＳ２において、演算部１１０Ａは、第１データ群Ｄ１Ａ１から特徴量Ｆ１Ａ１を演算し、第３データ群Ｄ１Ａ２から特徴量Ｆ１Ａ２を演算する。特徴量Ｆ１Ａ１としては、たとえば、凝縮器の出口部の冷媒の過冷却度ＳＣが例示される。また、特徴量Ｆ１Ａ２としては、室外熱交換器１２の熱交換能力Ｑｏなどが例示される。
たとえば、凝縮器の出口部の過冷却度ＳＣは、下式（１）で算出することができる。
ＳＣ＝Ｔｃ－ＴＨ３ …（１）
ここで、Ｔｃは吐出飽和ガス温度を示し、吐出圧力ＨＳ１で決まる値である。またＴＨ３は、液冷媒温度を示す。
ＳＣ＝Ｔｃ－ＴＨ３ …（１）
ここで、Ｔｃは吐出飽和ガス温度を示し、吐出圧力ＨＳ１で決まる値である。またＴＨ３は、液冷媒温度を示す。
また、たとえば、熱交換能力Ｑｏは、下式（２）で算出することができる。
Ｑｏ＝Ｇｒ×（Ｈｄ－Ｈｃｏ） …（２）
ここで、Ｇｒは冷媒循環量を示し、圧縮機１１の運転周波数ｆCOMPで決まる値であり、Ｈｄは、室外熱交換器１２の入口部の比エンタルピーであり、圧力ＨＳ１と温度ＴＨ４で決まる値である。また、Ｈｃｏは、室外熱交換器１２の出口部の比エンタルピーであり、圧力ＨＳ１と温度ＴＨ３で決まる値である。
Ｑｏ＝Ｇｒ×（Ｈｄ－Ｈｃｏ） …（２）
ここで、Ｇｒは冷媒循環量を示し、圧縮機１１の運転周波数ｆCOMPで決まる値であり、Ｈｄは、室外熱交換器１２の入口部の比エンタルピーであり、圧力ＨＳ１と温度ＴＨ４で決まる値である。また、Ｈｃｏは、室外熱交換器１２の出口部の比エンタルピーであり、圧力ＨＳ１と温度ＴＨ３で決まる値である。
以下の表１の上段には、冷媒漏洩を判定するための推論モデルＭ１を学習する際に使用する運転データＤＡ、学習済みの推論モデルＭ１に入力として使用される運転データＤ２Ｂ１、および判定時に演算部１１０Ｂに使用される運転データＤ１Ｂ１が示される。
また表１の下段には、室外熱交換器１２の熱交換能力不足を判定するための推論モデルＭ２を学習する際に使用する運転データＤＡ、学習済み推論モデルＭ２に入力として使用される運転データＤ２Ｂ２、および判定時に演算部１１０Ｂに使用される運転データＤ１Ｂ２が示される。
続いて、図５のステップＳ３では、学習部１２０は、説明変数(運転データ群Ｄ２Ａ１)に応じた目的変数(特徴量Ｆ１Ａ１)の推論モデル(回帰モデル)Ｍ１を構築する。同様に、学習部１２０は、説明変数(運転データ群Ｄ２Ａ２)に応じた目的変数(特徴量Ｆ１Ａ２)の推論モデル(回帰モデル)Ｍ２を構築する。このとき、学習部１２０は、特徴量数×３(上限値・中央値・下限値)の推論モデルを構築する。たとえば、上限値はたとえば信頼区間の９７．５％、下限値は信頼区間の２．５％としても良い（２σに相当する）。
図６は、図５のステップＳ３で構築される推論モデル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。
以上のようにして推論モデルＭ１の学習が完了する。なお、推論モデルＭ２についても同様であるので、説明は繰り返さない。続いて、学習完了後の不調検知処理の内容について説明する。
図７は、異常検知システム１が実行する不調検知処理の内容を説明するためのフローチャートである。
まずステップＳ１１において、図４に示した異常検知システム１は、不調を判定する対象となる１日の運転データＤＢを取得する。
続いて、ステップＳ１２において、図４の演算部１１０Ｂは、取得した運転データＤＢのうちの運転データＤ１Ｂ１から特徴量Ｆ１Ｂ１を演算し、運転データＤ１Ｂ２から特徴量Ｆ１Ｂ２を演算する。特徴量Ｆ１Ｂ１は、たとえば、凝縮器の出口部の冷媒の過冷却度ＳＣであり、特徴量Ｆ１Ｂ２は、室外熱交換器１２の熱交換能力Ｑｏである。これらについては、既出の式（１）、式（２）で演算処理について説明済みであるので、説明は繰り返さない。これと並行して、ステップＳ１２においては、図４の推論部２２０が学習済モデルＭ１を用いて、運転データＤ２Ｂ１から凝縮器の出口の過冷却度ＳＣｉ(上限値、下限値、中央値ＳＣＡＩ)を推論値Ｆ２Ｂ１として推論し、推論部２２０が学習済モデルＭ２を用いて、運転データＤ２Ｂ２から室外熱交換器１２の熱交換能力ＱｏＡＩ(中央推論値)を推論値Ｆ２Ｂ２として推論する。
続いて、ステップＳ１３では、判定部３１０において、ステップＳ１１で取得した運転データを用いて演算部１１０Ｂが演算した室外熱交換器１２の熱交換能力Ｑｏが、推論モデルＭ２による中央推論値ＱｏＡＩに対し既定量（たとえば２０％以上）低下した運転データを抽出する。データの抽出は、たとえば運転データのセットにフラグを立てることによって行なわれる。なお、既定量は、少なくとも不冷となる熱交換能力Ｑｏの減少量（－２０％能力が減少）を含むものとする。
図８は、熱交換能力Ｑｏおよび凝縮器の出口の冷媒の過冷却度ＳＣの推論値と演算値の経時変化の一例を示した図である。時刻ｔ０～ｔ１は、冷媒量の減少が－１０％未満であり、その後の期間ＴＰ１では冷媒量の減少が－１０％であり、期間ＴＰ２では冷媒量の減少が－２０％である。
図８の上段に示す冷媒減少量が大きくなるほど、白丸で示された抽出されるデータの数も多くなる。
図７のステップＳ１３に続いてステップＳ１４が実行される。ステップＳ１４では、判定部３１０において、ステップＳ１１で取得した運転データのうちから、凝縮器の出口の冷媒の過冷却度ＳＣが下限値からはみ出したデータを抽出する。この下限値は、推論モデルＭ１で推論した値である。
続いて、ステップＳ１５において、判定部３１０は、熱交換能力Ｑｏが下限値よりも低下し、かつ凝縮器の出口の冷媒の過冷却度ＳＣが下限値よりも低下したデータの比率（能力低下運転率Ｒ）を算出する。比率Ｒは、ステップＳ１３で抽出され、かつステップＳ１４でも抽出されたデータ数を合計の運転データ数で割った値である。つまり能力低下運転率Ｒは、（Ｓ１３およびＳ１４の両方でフラグが立ったデータの観測数）／（観測した合計回数）である。
このように、抽出する条件を、熱交換能力Ｑｏが低下したデータと各特徴量が適正範囲からはみ出したデータのアンド条件とすることによって、各要素の不調に起因する能力低下を特定することが可能となる。これにより、たとえば、錆、埃の付着などに起因する室外熱交換器１２の伝熱不良による能力低下は検出されない。このようにして抽出されたデータは、図８の丸印で示されている。
たとえば、時刻ｔ２においては、室外熱交換器１２の熱交換能力Ｑｏが中央値－２０％の下限値より小さく、かつ、凝縮器出口の冷媒の過冷却度ＳＣの推論下限値以下となっているため、ステップＳ１５において、データが抽出され能力低下運転率の算出に使用される。一方、時刻ｔ７においては、凝縮器出口の冷媒の過冷却度ＳＣは推論下限値以下となっているものの、熱交換能力Ｑｏが中央値－２０％の下限値以下となっていないため、ステップＳ１５において、データは抽出されない。
このようにして１日分の運転データの中から抽出されたデータ数を、１日分の運転データの総数で除算し、能力低下運転率Ｒが算出される。
続いて、ステップＳ１６において、表示部３２０は、時刻が進むにつれて特徴量が変化することを示すトレンドグラフを表示する。そして、特徴量が閾値以上となる場合は、不調をユーザ（保守作業員）に通知する。
図９は、冷媒変化量と過冷却度の変化量との関係を示したグラフである。図８の下段に示すように、推論した中央値ＳＣＡＩと、演算された特徴量である過冷却度ＳＣの差ΔＳＣは、冷媒量の減少が進むにつれて大きくなる傾向があり、図９に示したように冷媒変化量（減少量）とΔＳＣとは一意に定まる関係が見いだせる。たとえば、図９に示すΔＳＣと液冷媒量の相関を機種ごとに設定しておけば、冷媒変化量を推算できる。ΔＳＣは次式で計算しても良い。ただし添字aveは予め決められた期間の平均を指す。
ΔＳＣ＝ＳＣＡＩ_ave－ＳＣ_ave
図１０は、冷媒量の減少と能力低下運転率と能力低下率との関係を示すグラフである。図１０において、横軸には能力低下率（Ｑｏ／ＱｏＡＩ）が示され、縦軸には、能力低下運転率が示されている。
ΔＳＣ＝ＳＣＡＩ_ave－ＳＣ_ave
図１０は、冷媒量の減少と能力低下運転率と能力低下率との関係を示すグラフである。図１０において、横軸には能力低下率（Ｑｏ／ＱｏＡＩ）が示され、縦軸には、能力低下運転率が示されている。
図１１は、ユーザに表示するトレンドグラフの一例を示す図である。図１０の能力低下率が－１０％の場合の能力低下運転率の経時変化が図１１に示されている。たとえば冷媒のスローリークの場合、保守作業員からは、日を追うごとに冷媒漏洩起因による能力低下の発生時間の増加が確認でき、保守のタイミングを判断できるようになる。
時刻とともに冷媒漏洩が進行する場合（－１０％→－３０％）、能力低下率のトレンドデータが上昇し閾値Ｒ１を超える。表示部３２０は、データが閾値Ｒ１を超えたらそれがわかるように不調を画面に表示する。
また、図９の関係に基づいて、運転データから導出されたΔＳＣに対応する不足冷媒量を併記すれば、保守作業員は追加充填すべき冷媒量を予測し、準備することができる。
以上説明した本実施の形態の監視装置５によれば、冷媒漏洩を示す特徴量である過冷却度ＳＣが正常範囲から外れ、かつ熱交換能力Ｑｏが正常時より低下した運転が一日に生じている時間の比率(能力低下運転率)を日ごとのトレンドデータとして整理し、不調判定閾値を超えたときに保守タイミングを保守作業員に通知する。これにより、保守作業員が保守作業を実施するタイミングを把握できる。
また、瞬時値ではなくトレンドデータを表示することで、内乱外乱により瞬時的に閾値を超えた場合にも、不調を正しく判定することができる。
たとえば、冷媒不足が生じていても、正常時と同じ環境条件で同じ能力Ｑｏが発揮されている場合がある。これは、制御によって空調負荷とバランスする能力Ｑｏとなるためである。しかし、冷媒不足である場合には、空気調和装置４０の動作状態が変化しているため、動作状態から推論した能力Ｑｏの中央推論値が上昇し、能力Ｑｏの演算値は推論した正常位範囲の下側に外れるため能力低下を検知できる。したがって、春、秋等の中間期において冷媒不足を検出することができるため、夏になってから冷房のフル稼働運転を行なったときに能力が不足することを予め防ぐことができる。
（種々の変形例）
なお、図５、図７のフローチャートでは冷房時の冷媒漏洩について記載し、式（１）で説明しているが、冷房時の室外熱交換器１２の伝熱不良、室内熱交換器２２の伝熱不良、室内膨張弁不良に室内膨張弁不良室内膨張弁不良、ついても、下記の表２に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
なお、図５、図７のフローチャートでは冷房時の冷媒漏洩について記載し、式（１）で説明しているが、冷房時の室外熱交換器１２の伝熱不良、室内熱交換器２２の伝熱不良、室内膨張弁不良に室内膨張弁不良室内膨張弁不良、ついても、下記の表２に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
上記表２において、各変数の示す内容は以下の通りである。なお、OC_は室外機を意味し、IC_は室内機を意味する記号である。また、以下のｆ（）は、センサで検出される括弧内の数値に対して冷媒物性テーブルから得られる値を用いて演算する関数として規定されることを示す。
Ｔｃ：圧縮機吐出飽和ガス温度 f(HS1)「℃」
ｈｄ：圧縮機吐出エンタルピー f(HS1,TH4)[kJ/kg]
ｈｃｏ：室外熱交換器１２の出口の冷媒のエンタルピー f(HS1,TH3)[kJ/kg]
ρｓ：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓｔ：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(LEVの仕様・開度に応じた値)
ρｃｏ：室外熱交換器１２の出口の冷媒の密度 f(HS1,TH3)[kg/m3]
また、冷房時における正常範囲からの上記の特徴量のはみ出し傾向は、以下の通りである。
冷媒漏洩：下側はみ出し
室外熱交換器１２伝熱不良：下側はみ出し
室内熱交換器２２伝熱不良：下側はみ出し
室内膨張弁不良：上側＆下側はみ出し
また、冷房時の室外熱交換器１２の熱交換能力の不調について式（２）に示したが、室内熱交換器２２の熱交換能力の不調についても、下記の表３に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
Ｔｃ：圧縮機吐出飽和ガス温度 f(HS1)「℃」
ｈｄ：圧縮機吐出エンタルピー f(HS1,TH4)[kJ/kg]
ｈｃｏ：室外熱交換器１２の出口の冷媒のエンタルピー f(HS1,TH3)[kJ/kg]
ρｓ：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓｔ：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(LEVの仕様・開度に応じた値)
ρｃｏ：室外熱交換器１２の出口の冷媒の密度 f(HS1,TH3)[kg/m3]
また、冷房時における正常範囲からの上記の特徴量のはみ出し傾向は、以下の通りである。
冷媒漏洩：下側はみ出し
室外熱交換器１２伝熱不良：下側はみ出し
室内熱交換器２２伝熱不良：下側はみ出し
室内膨張弁不良：上側＆下側はみ出し
また、冷房時の室外熱交換器１２の熱交換能力の不調について式（２）に示したが、室内熱交換器２２の熱交換能力の不調についても、下記の表３に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
上記表３において、各変数の示す内容は以下の通りである。なお、OC_は室外機を意味し、IC_は室内機を意味する記号である。また、以下のｆ（）は、センサで検出される括弧内の数値に対して冷媒物性テーブルから得られる値を用いて演算する関数として規定されることを示す。
ｈｄ：圧縮機吐出エンタルピー f(HS1,TH4)[kJ/kg]
ｈｃｏ：室外熱交換器１２の出口の冷媒のエンタルピー f(HS1,TH3)[kJ/kg]
ρｓ：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓｔ：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(LEVの仕様・開度に応じた値)
ρｃｏ：室外熱交換器１２の出口の冷媒の密度 f(HS1,TH3)[kg/m3]
また、暖房時の冷媒漏洩、室外熱交換器１２の伝熱不良、室内熱交換器２２の伝熱不良、室内膨張弁不良についても、下記の表４に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
ｈｄ：圧縮機吐出エンタルピー f(HS1,TH4)[kJ/kg]
ｈｃｏ：室外熱交換器１２の出口の冷媒のエンタルピー f(HS1,TH3)[kJ/kg]
ρｓ：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓｔ：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(LEVの仕様・開度に応じた値)
ρｃｏ：室外熱交換器１２の出口の冷媒の密度 f(HS1,TH3)[kg/m3]
また、暖房時の冷媒漏洩、室外熱交換器１２の伝熱不良、室内熱交換器２２の伝熱不良、室内膨張弁不良についても、下記の表４に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
上記表４において、各変数の示す内容は以下の通りである。なお、OC_は室外機を意味し、IC_は室内機を意味する記号である。また、以下のｆ（）は、センサで検出される括弧内の数値に対して冷媒物性テーブルから得られる値を用いて演算する関数として規定されることを示す。
Ｔｅ：圧縮機吸入飽和ガス温度 f(LS)[℃]
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
ｈｃｏ_ave：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic_ave)[kJ/kg]
※TH2ic_aveはすべての室内熱交換器２２の出口温度Th2icの平均値
Ｉａ７：室外空気エンタルピー f(TH7,相対湿度)[kJ/kg]
Ｉｅ：室外熱交換器１２の表面エンタルピー f(Te,相対湿度100%)[kJ/kg]
ρｓ：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓｔ：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｃｏ：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(LEVの仕様・開度に応じた値)
ρｃｏ：室内熱交換器２２の出口の冷媒の密度 f(HS1,TH2ic)[kg/m3]
また、暖房時における正常範囲からの上記の特徴量のはみ出し傾向は、以下の通りである。
冷媒漏洩：上側はみ出し
室外熱交換器１２伝熱不良：下側はみ出し
室内熱交換器２２伝熱不良：下側はみ出し
室内膨張弁不良：上側＆下側はみ出し
また、暖房時の室外熱交換器１２の熱交換能力の不調、室内熱交換器２２の熱交換能力の不調についても、下記の表５に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
Ｔｅ：圧縮機吸入飽和ガス温度 f(LS)[℃]
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
ｈｃｏ_ave：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic_ave)[kJ/kg]
※TH2ic_aveはすべての室内熱交換器２２の出口温度Th2icの平均値
Ｉａ７：室外空気エンタルピー f(TH7,相対湿度)[kJ/kg]
Ｉｅ：室外熱交換器１２の表面エンタルピー f(Te,相対湿度100%)[kJ/kg]
ρｓ：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓｔ：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｃｏ：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(LEVの仕様・開度に応じた値)
ρｃｏ：室内熱交換器２２の出口の冷媒の密度 f(HS1,TH2ic)[kg/m3]
また、暖房時における正常範囲からの上記の特徴量のはみ出し傾向は、以下の通りである。
冷媒漏洩：上側はみ出し
室外熱交換器１２伝熱不良：下側はみ出し
室内熱交換器２２伝熱不良：下側はみ出し
室内膨張弁不良：上側＆下側はみ出し
また、暖房時の室外熱交換器１２の熱交換能力の不調、室内熱交換器２２の熱交換能力の不調についても、下記の表５に示すように特徴量を変更し、同様のプロセスにより不調を判定することができる。
上記表５において、各変数の示す内容は以下の通りである。なお、OC_は室外機を意味し、IC_は室内機を意味する記号である。また、以下のｆ（）は、センサで検出される括弧内の数値に対して冷媒物性テーブルから得られる値を用いて演算する関数として規定されることを示す。
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
ｈｃｏ_ave：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic_ave)[kJ/kg]
※TH2ic_aveは全室内熱交換器２２の出口の冷媒温度Th2icの平均値
ρs：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓt：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｃｏ：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(膨張弁の仕様によって決まる開度に応じた値)
ρｃｏ：室内熱交換器２２の出口の冷媒の密度 f(HS1,TH2ic)[kg/m3]
以上により、冷媒不足は、表２および表４に記載した冷媒漏洩に関連する特徴量の正常範囲からのはみ出しと熱交換能力ＯＣ＿Ｑの正常範囲からの低下とを同時に検出した場合に判定することができる。
ｈｓ：圧縮機吸入エンタルピー f(LS,TH5)[kJ/kg]
ｈｃｏ_ave：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic_ave)[kJ/kg]
※TH2ic_aveは全室内熱交換器２２の出口の冷媒温度Th2icの平均値
ρs：圧縮機吸入密度 f(LS,TH5)[kg/m3]
ｆCOMP：圧縮機周波数[Hz]
Ｓt：排除体積[cc]
ηｖ：体積効率0.95[-]
ｈｃｏ：室内熱交換器２２の出口の冷媒のエンタルピー f(HS1,TH2ic)[kJ/kg]
Ａ：係数(圧力の単位に応じた値)
Ｃｖ：流量係数(膨張弁の仕様によって決まる開度に応じた値)
ρｃｏ：室内熱交換器２２の出口の冷媒の密度 f(HS1,TH2ic)[kg/m3]
以上により、冷媒不足は、表２および表４に記載した冷媒漏洩に関連する特徴量の正常範囲からのはみ出しと熱交換能力ＯＣ＿Ｑの正常範囲からの低下とを同時に検出した場合に判定することができる。
また、室外熱交換器１２の伝熱不良は、表２および表４に記載した室外熱交換器１２の伝熱不良に関連する特徴量の正常範囲からのはみ出しと表３および表５に記載した熱交換能力ＯＣ＿Ｑの正常範囲からの低下とを同時に検出した場合に判定することができる。
また、室内熱交換器２２の伝熱不良は、表２および表４に記載した室内熱交換器伝熱不良に関連する特徴量の正常範囲からのはみ出しと表３および表５に記載した熱交換能力ＩＣ＿Ｑの正常範囲からの低下とを同時に検出した場合に判定することができる。
また、室内膨張弁の不良は、室内膨張弁に関する特徴量ＩＣ＿ＬＥＶのはみ出し率と熱交換能力ＩＣ＿Ｑの正常範囲からの低下とを同時に検出した場合に判定することができる。
＜まとめ＞
再び図面を参照して本開示の学習装置、監視装置および空調システムを総括する。
再び図面を参照して本開示の学習装置、監視装置および空調システムを総括する。
（第１項） 本開示は、冷媒が循環する空気調和装置４０の状態を学習する学習装置４に関する。図４に示すように、空気調和装置４０の運転データＤＡは、第１データ群Ｄ１Ａ１と、第１データ群Ｄ１Ａ１とは同じデータ要素を含まない第２データ群Ｄ２Ａ１とを含む。学習装置４は、学習期間における空気調和装置の第１データ群Ｄ１Ａ１から第１特徴量Ｆ１Ａ１を演算するように構成される第１演算部１１０Ａと、第１特徴量Ｆ１Ａ１を正解データとして、第２データ群Ｄ２Ａ１を用いて教師あり学習を行ない、第２データ群Ｄ２Ａ１から第１特徴量Ｆ１Ａ１の第１正常範囲を推論する第１推論モデルＭ１を生成するように構成される学習部１２０とを備える。
（第２項） 第１項に記載の学習装置において、図４に示すように、運転データＤＡは、第１データ群Ｄ１Ａ１と異なる第３データ群Ｄ１Ａ２と、第３データ群Ｄ１Ａ２とは同じデータ要素を含まない第４データ群Ｄ２Ａ２とを含む。第１演算部１１０Ａは、学習期間における第３データ群Ｄ１Ａ２から第２特徴量Ｆ１Ａ２を演算するように構成される。学習部１２０は、第１演算部１１０Ａが演算して得られた第２特徴量Ｆ１Ａ２を正解データとして、第４データ群Ｄ２Ａ２を用いて教師あり学習を行ない、第４データ群Ｄ２Ａ２から第２特徴量Ｆ１Ａ２の第２正常範囲を推論する第２推論モデルＭ２を生成するように構成される。
（第３項） 本開示は、他の局面では、第２項に記載の学習装置４によって生成された学習済みの第１推論モデルＭ１および第２推論モデルＭ２を用いる空気調和装置４０の監視装置５に関する。図４に示すように、監視装置５は、監視期間における空気調和装置４０の運転データＤＢのうちの第１データ群Ｄ１Ｂ１から第１特徴量Ｆ１Ｂ１を演算し、第３データ群Ｄ１Ｂ２から第２特徴量Ｆ１Ｂ２を演算するように構成される第２演算部１１０Ｂと、監視期間における空気調和装置の運転データＤＢのうちの第２データ群Ｄ２Ｂ１から、学習済みの第１推論モデルＭ１を用いて第１正常範囲Ｆ２Ｂ１を出力し、監視期間における空気調和装置の運転データのうちの第４データ群Ｄ２Ｂ２から第２正常範囲Ｆ２Ｂ２を出力するように構成される推論部２２０と、第２演算部１１０Ｂが演算した第１特徴量Ｆ１Ｂ１が推論部２２０が推論した第１正常範囲Ｆ２Ｂ１から外れる第１不調状態と、第２演算部１１０Ｂが演算した第２特徴量Ｆ１Ｂ２が推論部２２０が推論した第２正常範囲Ｆ２Ｂ２から外れる第２不調状態とが同時に検出される頻度に基づいて、空気調和装置の状態が正常か否かを判定する判定部３１０とを備える。
（第４項） 第３項に記載の監視装置５において、空気調和装置４０は、冷媒が循環する冷媒回路Ｃ１を備える。図２に示すように、冷媒回路Ｃ１は、圧縮機１１と、凝縮器（室外熱交換器１２）と、膨張弁２１と、蒸発器（室内熱交換器２２）とを含む。第１特徴量は、凝縮器の出口の冷媒の過冷却度ＳＣであり、第２特徴量は、凝縮器の熱交換能力Ｑｏである。
（第５項） 第４項に記載の監視装置５において、表１に示すように、第１データ群Ｄ１Ｂ１は、少なくとも、圧縮機から吐出される冷媒の圧力ＨＳ１と、凝縮器の出口部の冷媒温度ＴＨ３とを含み、第２データ群Ｄ２Ｂ１は、少なくとも、空調対象空間の温度ＴＨ１icと、圧縮機１１の運転周波数ｆCOMPと、膨張弁２１の開度Ｌｉとを含む。第３データ群Ｄ１Ｂ２は、少なくとも、圧縮機１１から吐出される冷媒の圧力ＨＳ１と、凝縮器の出口部の冷媒温度ＴＨ３と、圧縮機１１の運転周波数ｆCOMPとを含み、第４データ群Ｄ２Ｂ２は、少なくとも、空調対象空間の温度ＴＨ１icと、膨張弁２１の開度Ｌｉとを含む。
（第６項） 第３項に記載の監視装置５は、頻度の一定期間経過ごとの変化を表示するとともに、頻度が判定しきい値を超えた場合に保守が必要であることを表示する表示部３２０をさらに備える。
（第７項） 本開示は、さらに他の局面では、第１項に記載の学習装置４によって生成された学習済みの第１推論モデルＭ１を用いる空気調和装置４０の監視装置５に関する。図４に示すように、監視装置５は、監視期間における空気調和装置４０の運転データＤＢのうちの第１データ群Ｄ１Ｂ１から第１特徴量Ｆ１Ｂ１を演算するように構成される第２演算部１１０Ｂと、学習済みの第１推論モデルＭ１を用いて、監視期間における空気調和装置４０の運転データＤＢのうちの第２データ群Ｄ２Ｂ１から第１正常範囲Ｆ２Ｂ１を出力するように構成される推論部２２０と、第２演算部１１０Ｂが演算した第１特徴量Ｆ１Ｂ１と、推論部２２０が推論した第１正常範囲Ｆ２Ｂ１とを比較して、空気調和装置４０の状態が正常か否かを判定する判定部３１０とを備える。
（第８項） 第７項に記載の監視装置５において、空気調和装置４０は、冷媒が循環する冷媒回路Ｃ１を備える。図２に示すように、冷媒回路Ｃ１は、圧縮機１１と、凝縮器（室外熱交換器１２）と、膨張弁２１と、蒸発器（室内熱交換器２２）とを含む。第１特徴量Ｆ１Ｂ１は、凝縮器の出口の冷媒の過冷却度ＳＣである。
（第９項） 第８項に記載の監視装置において、表１に示すように、第１データ群Ｄ１Ｂ１は、圧縮機１１から吐出される冷媒の圧力ＨＳ１と、凝縮器の出口部の冷媒温度ＴＨ３とを含み、第２データ群Ｄ２Ｂ１は、少なくとも、空調対象空間の温度ＴＨ１icと、圧縮機１１の運転周波数ｆCOMPとを含む。
（第１０項） 本開示は、さらに他の局面では、第３項から第９項のいずれか１項に記載の監視装置５と、空気調和装置４０とを備える、図１に示した空調システム１０００に関する。
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 異常検知システム、２，３２ ＣＰＵ、３，３３ メモリ、４ 学習装置、５ 監視装置、１０ 室外機、１１ 圧縮機、１２，２２ 熱交換器、１３ 四方弁、１４ 室外ファン、１５ アキュムレータ、２０ 室内機、２１ 膨張弁、２３ 室内ファン、３０ 制御装置、４０ 空気調和装置、５１，５２，５３，５４，５５，５６ 温度センサ、５７ 湿度センサ、６１，６３ 圧力センサ、１１０，１１０Ａ，１１０Ｂ 演算部、１２０ 学習部、２２０ 推論部、３１０ 判定部、３１１，３１２ データ処理部、３２０ 表示部、９００ ネットワーク、１０００ 空調システム、Ｃ１ 冷媒回路、Ｍ１，Ｍ２ 推論モデル、Ｎｗ１ ニューラルネットワーク。
Claims (10)
- 冷媒が循環する空気調和装置の状態を学習する学習装置であって、
前記空気調和装置の運転データは、第１データ群と、前記第１データ群とは同じデータ要素を含まない第２データ群とを含み、
前記学習装置は、
学習期間における前記空気調和装置の前記第１データ群から第１特徴量を演算するように構成される第１演算部と、
前記第１特徴量を正解データとして、前記第２データ群を用いて教師あり学習を行ない、前記第２データ群から前記第１特徴量の第１正常範囲を推論する第１推論モデルを生成するように構成される学習部とを備える、学習装置。 - 前記運転データは、前記第１データ群と異なる第３データ群と、前記第３データ群とは同じデータ要素を含まない第４データ群とを含み、
前記第１演算部は、前記学習期間における前記第３データ群から第２特徴量を演算するように構成され、
前記学習部は、前記第１演算部が演算して得られた前記第２特徴量を正解データとして、前記第４データ群を用いて教師あり学習を行ない、前記第４データ群から前記第２特徴量の第２正常範囲を推論する第２推論モデルを生成するように構成される、請求項１に記載の学習装置。 - 請求項２に記載の学習装置によって生成された学習済みの前記第１推論モデルおよび前記第２推論モデルを用いる空気調和装置の監視装置であって、
監視期間における前記空気調和装置の運転データのうちの前記第１データ群から前記第１特徴量を演算し、前記第３データ群から前記第２特徴量を演算するように構成される第２演算部と、
前記監視期間における前記空気調和装置の運転データのうちの前記第２データ群から、学習済みの前記第１推論モデルを用いて前記第１正常範囲を出力し、前記監視期間における前記空気調和装置の運転データのうちの前記第４データ群から前記第２正常範囲を出力するように構成される推論部と、
前記第２演算部が演算した前記第１特徴量が前記推論部が推論した前記第１正常範囲から外れる第１不調状態と、前記第２演算部が演算した前記第２特徴量が前記推論部が推論した前記第２正常範囲から外れる第２不調状態とが同時に検出される頻度に基づいて、前記空気調和装置の状態が正常か否かを判定する判定部とを備える、監視装置。 - 前記空気調和装置は、冷媒が循環する冷媒回路を備え、
前記冷媒回路は、圧縮機と、凝縮器と、膨張弁と、蒸発器とを含み、
前記第１特徴量は、前記凝縮器の出口の冷媒の過冷却度であり、
前記第２特徴量は、前記凝縮器の熱交換能力である、請求項３に記載の監視装置。 - 前記第１データ群は、少なくとも、前記圧縮機から吐出される冷媒の圧力と、前記凝縮器の出口部の冷媒温度とを含み、
前記第２データ群は、少なくとも、空調対象空間の温度と、前記圧縮機の運転周波数と、前記膨張弁の開度とを含み、
前記第３データ群は、少なくとも、前記圧縮機から吐出される冷媒の圧力と、前記凝縮器の出口部の冷媒温度と、前記圧縮機の運転周波数とを含み、
前記第４データ群は、少なくとも、空調対象空間の温度と、前記膨張弁の開度とを含む、請求項４に記載の監視装置。 - 前記頻度の一定期間経過ごとの変化を表示するとともに、前記頻度が判定しきい値を超えた場合に保守が必要であることを表示する表示部をさらに備える、請求項３に記載の監視装置。
- 請求項１に記載の学習装置によって生成された学習済みの前記第１推論モデルを用いる空気調和装置の監視装置であって、
監視期間における前記空気調和装置の運転データのうちの前記第１データ群から前記第１特徴量を演算するように構成される第２演算部と、
学習済みの前記第１推論モデルを用いて、前記監視期間における前記空気調和装置の運転データのうちの前記第２データ群から前記第１正常範囲を出力するように構成される推論部と、
前記第２演算部が演算した前記第１特徴量と、前記推論部が推論した前記第１正常範囲とを比較して、前記空気調和装置の状態が正常か否かを判定する判定部とを備える、監視装置。 - 前記空気調和装置は、冷媒が循環する冷媒回路を備え、
前記冷媒回路は、圧縮機と、凝縮器と、膨張弁と、蒸発器とを含み、
前記第１特徴量は、前記凝縮器の出口の冷媒の過冷却度である、請求項７に記載の監視装置。 - 前記第１データ群は、前記圧縮機から吐出される冷媒の圧力と、前記凝縮器の出口部の冷媒温度とを含み、
前記第２データ群は、少なくとも、空調対象空間の温度と、前記圧縮機の運転周波数とを含む、請求項８に記載の監視装置。 - 請求項３または請求項７に記載の監視装置と、
前記空気調和装置とを備える、空調システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/021256 WO2023228277A1 (ja) | 2022-05-24 | 2022-05-24 | 学習装置、監視装置および空調システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/021256 WO2023228277A1 (ja) | 2022-05-24 | 2022-05-24 | 学習装置、監視装置および空調システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023228277A1 true WO2023228277A1 (ja) | 2023-11-30 |
Family
ID=88918832
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2022/021256 WO2023228277A1 (ja) | 2022-05-24 | 2022-05-24 | 学習装置、監視装置および空調システム |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2023228277A1 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021049191A1 (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 |
| JP2021076310A (ja) * | 2019-11-11 | 2021-05-20 | 東京電力ホールディングス株式会社 | 推定装置、推定方法及びプログラム |
| KR20210093666A (ko) * | 2020-01-20 | 2021-07-28 | 엘지전자 주식회사 | 공기조화기 및 그 제어방법 |
| WO2022014533A1 (ja) * | 2020-07-16 | 2022-01-20 | 三菱重工サーマルシステムズ株式会社 | 異常検知システム及び冷凍機、並びに異常検知方法、並びに異常検知プログラム |
-
2022
- 2022-05-24 WO PCT/JP2022/021256 patent/WO2023228277A1/ja unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021049191A1 (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 |
| JP2021076310A (ja) * | 2019-11-11 | 2021-05-20 | 東京電力ホールディングス株式会社 | 推定装置、推定方法及びプログラム |
| KR20210093666A (ko) * | 2020-01-20 | 2021-07-28 | 엘지전자 주식회사 | 공기조화기 및 그 제어방법 |
| WO2022014533A1 (ja) * | 2020-07-16 | 2022-01-20 | 三菱重工サーマルシステムズ株式会社 | 異常検知システム及び冷凍機、並びに異常検知方法、並びに異常検知プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rogers et al. | A review of fault detection and diagnosis methods for residential air conditioning systems | |
| Zhang et al. | Review on recent developments of variable refrigerant flow systems since 2015 | |
| Kocyigit | Fault and sensor error diagnostic strategies for a vapor compression refrigeration system by using fuzzy inference systems and artificial neural network | |
| Kim et al. | Development and evaluation of virtual refrigerant mass flow sensors for fault detection and diagnostics | |
| JP6911883B2 (ja) | 冷凍サイクル装置の性能劣化診断システム | |
| CN107110539A (zh) | 空调系统的控制装置、空调系统以及空调系统的异常判定方法 | |
| CN111023461B (zh) | 一种空调器的检测控制方法、系统、空调器及存储介质 | |
| RU2694295C2 (ru) | Устройство и способ контроля работы системы овк, комплекс, содержащий систему овк и такое устройство контроля, и соответствующий компьютерный программный продукт | |
| US20240005212A1 (en) | Correction apparatus, prediction apparatus, method, non-transitory computer-readable recording medium storing program, and correction model | |
| Guo et al. | Modularized PCA method combined with expert-based multivariate decoupling for FDD in VRF systems including indoor unit faults | |
| JP2005301582A (ja) | プロセス管理装置 | |
| Barandier et al. | A review of fault diagnostics in heat pumps systems | |
| WO2023228277A1 (ja) | 学習装置、監視装置および空調システム | |
| Li et al. | An overall performance index for characterizing the economic impact of faults in direct expansion cooling equipment | |
| JPH09113077A (ja) | 空気調和機 | |
| Ejenakevwe et al. | Review of fault detection and diagnosis studies on residential HVAC systems | |
| JP2021156532A (ja) | 空気調和機 | |
| US20240142125A1 (en) | Air conditioning system, abnormality estimation method for air conditioning system, air conditioner, and abnormality estimation method for air conditioner | |
| Rueda et al. | Fault detection and diagnosis in liquid chillers | |
| JP7124851B2 (ja) | 空気調和機 | |
| JP7147909B1 (ja) | 空気調和システム、空気調和システムの冷媒量推定方法、空気調和機及び空気調和機の冷媒量推定方法 | |
| WO2024058149A1 (ja) | 機器性能値予測方法、システム、およびプログラム | |
| CN109654663A (zh) | 一种多联机故障提示方法、装置及空调器 | |
| WO2024114675A1 (zh) | 多联机空调系统及其控制方法 | |
| JP2023051341A (ja) | 情報処理システム、方法、およびプログラム |
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: 22943682 Country of ref document: EP Kind code of ref document: A1 |