WO2024047996A1 - 予測システム、予測方法、及びプログラム - Google Patents

予測システム、予測方法、及びプログラム Download PDF

Info

Publication number
WO2024047996A1
WO2024047996A1 PCT/JP2023/021242 JP2023021242W WO2024047996A1 WO 2024047996 A1 WO2024047996 A1 WO 2024047996A1 JP 2023021242 W JP2023021242 W JP 2023021242W WO 2024047996 A1 WO2024047996 A1 WO 2024047996A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
drain pump
control unit
prediction
prediction system
Prior art date
Application number
PCT/JP2023/021242
Other languages
English (en)
French (fr)
Inventor
浩二 崎
宗之 渡辺
真希子 中田
将司 川上
優奈 本村
幸生 北出
Original Assignee
ダイキン工業株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ダイキン工業株式会社 filed Critical ダイキン工業株式会社
Publication of WO2024047996A1 publication Critical patent/WO2024047996A1/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
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/49—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring ensuring correct operation, e.g. by trial operation or configuration checks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/89—Arrangement or mounting of control or safety devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F13/00—Details common to, or for air-conditioning, air-humidification, ventilation or use of air currents for screening
    • F24F13/22—Means for preventing condensation or evacuating condensate
    • 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
    • F24F2110/10—Temperature
    • 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
    • F24F2110/20—Humidity

Definitions

  • the present disclosure relates to a prediction system, a prediction method, and a program.
  • the current value (or rotational speed) of the drain pump varies widely from drain pump to drain pump, so simply determining an abnormality based on the instantaneous value of the current value (or rotational speed), as in the conventional technology, may result in false detection.
  • the problem is that it is easy to occur.
  • the present disclosure makes it possible to predict abnormalities in a drain pump included in an air conditioner with higher accuracy.
  • a prediction system is a prediction system including an air conditioner equipped with a drain pump and a control section, the control section controlling the rotation speed of the drain pump or the rotation speed of the drain pump.
  • Current value data is acquired, and a prediction result for predicting abnormality of the drain pump is output based on changes in the data over a predetermined period.
  • a second aspect of the present disclosure is the prediction system according to the first aspect, in which the control unit outputs the prediction result based on a representative value of the data for the predetermined period.
  • a third aspect of the present disclosure is the prediction system according to the first aspect or the second aspect, wherein the control unit includes the data for a first predetermined period and a period shorter than the first predetermined period. An abnormality in the drain pump is predicted based on an average value of the data for a second predetermined period.
  • a fourth aspect of the present disclosure is the prediction system according to the third aspect, in which the control unit calculates an average value of the data in the first predetermined period and an average value of the data in the second predetermined period. If the deviation from the average value exceeds a threshold value, the prediction result predicting an abnormality of the drain pump is output.
  • a fifth aspect of the present disclosure is the prediction system according to any one of the first to fourth aspects, wherein the control unit further includes, based on environmental data including temperature data or humidity data, Predicting an abnormality in the drain pump. This allows the prediction system to predict drain pump abnormalities with higher accuracy.
  • a sixth aspect of the present disclosure is the prediction system according to any one of the first to fifth aspects, in which the control unit is configured to predict whether the air conditioner or the drain pump is not operating. Instead of the data from a period when the air conditioner or the drain pump is not operating, the data from before the period is used to predict an abnormality in the drain pump. This allows the prediction system to predict drain pump abnormalities with higher accuracy.
  • a seventh aspect of the present disclosure is the prediction system according to the sixth aspect, in which the control unit determines a period during which the drain pump is not operating based on environmental data including temperature data or humidity data. to judge.
  • An eighth aspect of the present disclosure is the prediction system according to any one of the first to fifth aspects, wherein the control unit determines whether drain water is detected from environmental data including temperature data or humidity data. It is determined whether or not the drain water is generated, and the data of the rotation speed of the drain pump or the current value of the drain pump during a period in which drain water is not generated is excluded to predict an abnormality of the drain pump.
  • a ninth aspect of the present disclosure is the prediction system according to the eighth aspect, wherein the control unit further uses information indicating whether or not the air conditioner is operating in a predetermined mode to Determine whether drain water is occurring.
  • a tenth aspect of the present disclosure is the prediction system according to any one of the first to ninth aspects, wherein the prediction system includes an edge device that collects the data from the air conditioner; The control unit acquires the data averaged by the air conditioner or the edge device.
  • An eleventh aspect of the present disclosure is the prediction system according to the first aspect, wherein the control unit supervises the data when the drain pump is normal and the data when the drain pump is abnormal. Abnormalities in the drain pump are predicted using a learned predictive model that has been machine learned as data.
  • a twelfth aspect of the present disclosure is the prediction system according to the first aspect, which includes an image representing the data when the drain pump is normal and an image representing the data when the drain pump is abnormal. Abnormalities in the drain pump are predicted using a learned prediction model that has been subjected to machine learning as training data.
  • a prediction method is a prediction system including an air conditioner including a drain pump and a control unit, in which the control unit controls the rotation speed of the drain pump or the current value of the drain pump. data is acquired, and a prediction result for predicting abnormality of the drain pump is output based on changes in the data over a predetermined period.
  • a program provides, in a prediction system having an air conditioner equipped with a drain pump and a control unit, a computer with data on the rotation speed of the drain pump or the current value of the drain pump.
  • a process of acquiring the data and a process of outputting a prediction result for predicting abnormality of the drain pump based on changes in the data over a predetermined period are executed.
  • Another aspect of the present disclosure is realized by a recording medium recording a program according to the fourteenth aspect.
  • FIG. 1 is a diagram illustrating an example of a system configuration of a prediction system according to an embodiment.
  • FIG. 2 is a diagram (1) for explaining an overview of prediction processing according to an embodiment.
  • FIG. 2 is a diagram (2) for explaining an overview of prediction processing according to an embodiment.
  • FIG. 1 is a diagram illustrating an example of a hardware configuration of a computer according to an embodiment.
  • FIG. 2 is a sequence diagram illustrating an example of processing of the prediction system according to the first embodiment.
  • FIG. 7 is a sequence diagram illustrating an example of processing of a prediction system according to a second embodiment. It is a flow chart which shows an example of judgment processing of drain water concerning a 2nd embodiment.
  • It is a figure showing an example of the system configuration of the prediction system concerning a 3rd embodiment.
  • It is a sequence diagram showing an example of processing of a prediction system concerning a 3rd embodiment.
  • It is a sequence diagram showing an example of processing of a prediction system concerning a 4th embodiment.
  • FIG. 1 is a diagram illustrating an example of a system configuration of a prediction system according to an embodiment.
  • the prediction system 1 includes an air conditioner (air conditioner) 10 that includes a drain pump 11 and a control unit 101 .
  • the prediction system 1 is a system in which the control unit 101 acquires data on the rotation speed (or current value) of the drain pump 11 and predicts abnormalities in the drain pump based on changes in the data over a predetermined period.
  • the prediction system 1 includes a local controller 20 that is communicably connected to the air conditioner 10 via a predetermined communication interface and controls the air conditioner 10.
  • the prediction system 1 also includes a control unit 101 and a prediction server 100 that can communicate with a local controller 20 via a communication network 2 such as the Internet or a LAN (Local Area Network).
  • a communication network 2 such as the Internet or a LAN (Local Area Network).
  • the system configuration of the prediction system 1 shown in FIG. 1 is an example.
  • the control unit 101 may be included in the local controller 20.
  • the prediction server 100 may be configured by a plurality of information processing devices.
  • the following explanation will be given assuming that the prediction server 100 has the control unit 101.
  • the air conditioner 10 is configured such that, for example, during cooling operation, condensed water (drain) is generated in a heat exchanger included in the air conditioner 10, and the generated condensed water is collected in a saucer called a drain pan.
  • drain condensed water
  • the drain pump 11 is a pump that sucks up condensed water accumulated in a drain pan and discharges it to the outside via a drain hose.
  • This drain pump condensed water accumulates inside the air conditioner 10, and when the amount of accumulated condensed water exceeds the allowable range, the air conditioner 10 detects the abnormality (drain pump failure) and stops operation. do.
  • the prediction system 1 is designed to prevent the drain pump 11 from becoming completely clogged so that, for example, a service person or the like can respond to it on site. Outputs prediction results that predict abnormalities in advance.
  • the local controller 20 has, for example, a computer configuration, and controls the air conditioner 10 by executing a predetermined program recorded (stored) on a recording medium. Further, the local controller 20 according to the present embodiment transmits measurement data including the rotational speed of the drain pump 11 or the current value of the drain pump 11, which is measured periodically (for example, every minute) by the air conditioner 10, to a predetermined value. It has a function of acquiring the data every hour (for example, every hour). Further, the local controller 20 transmits measurement data (second measurement data) obtained by averaging the measurement data (first measurement data) obtained from the air conditioner 10 at predetermined time intervals to the prediction server 100 via the communication network 2. It has the function to send to. Note that the local controller 20 is an example of an edge device.
  • the air conditioner 10 may average measurement data at predetermined intervals, and the local controller 20 may acquire the averaged measurement data from the air conditioner 10.
  • the first measurement data that the local controller 20 acquires from the air conditioner 10 and the second measurement data that the local controller 20 transmits to the prediction server 100 may be the same data.
  • the prediction server 100 has a computer configuration, and executes a prediction process for predicting an abnormality in the drain pump 11 by executing a predetermined program recorded (stored) on a recording medium.
  • FIG. 2 represents the number of days that have passed since the start of measurement
  • the vertical axis represents the rotation speed of the drain pump 11.
  • measured data (raw data) 201 of the rotation speed of the drain pump 11 a cumulative average 202 of the measured data 201, and a 3-day moving average 203 of the measured data 201 are plotted.
  • the rotational speed of the drain pump can be determined by, for example, measuring the number of pulses and determining the rotational speed from the measured number of pulses. In this case, for example, if one pulse is 24 rpm, the rotation speed is measured at 24 rpm intervals. Further, the rotational speed measurement data 201 includes measurement variation 204 of ⁇ 48 rpm ( ⁇ 2 pulses), for example, as shown in FIG.
  • the measurement data 201 of the rotation speed of the drain pump 11 has large variations, and there are also variations (individual differences) between drain pumps 11, so unlike the conventional technology, abnormalities cannot be detected based on the instantaneous value of the rotation speed. There is a problem in that erroneous detection is likely to occur if only the judgment is made.
  • the control unit 101 stores (accumulates) the measurement data 201 that the local controller 20 transmits every hour, for example, in the storage unit.
  • the storage unit that stores the measurement data 201 may be, for example, a storage device included in the prediction server 100 or a storage server external to the prediction server 100.
  • control unit 101 obtains a cumulative average 202 of the measurement data 201 stored in the storage unit and a 3-day moving average 203 of the measurement data 201.
  • the three-day moving average 203 is the average value (moving average) of the measurement data 201 for the most recent three days.
  • three days is an example of a predetermined period (second predetermined period) used for predicting abnormality of the drain pump 11.
  • the second predetermined period may be a number of days other than 3 days (for example, about 1 to 5 days).
  • the cumulative average 202 is, for example, the average value of the measurement data 201 for a first predetermined period that is sufficiently longer than the second predetermined period.
  • the cumulative average 202 may be, for example, the average value (moving average value) of the measurement data 201 for the most recent 30 days, or the cumulative moving average value from the time when measurement was started.
  • the cumulative average 202 is the average value of the measurement data 201 for 30 days.
  • the rotational speed of the drain pump gradually decreases, and the value of the three-day moving average 203 gradually decreases.
  • the cumulative average 202 is an average value over a period sufficiently longer than three days, the value changes less than the three-day moving average 203.
  • the control unit 101 uses a cumulative average 202 (an average value of data for a first predetermined period) and a 3-day moving average 203 (an average value of data for a second predetermined period shorter than the first predetermined period).
  • a prediction result for predicting abnormality of the drain pump 11 is output based on the average value). For example, the control unit 101 determines that the deviation between the cumulative average 202 (the average value of data for a first predetermined period) and the 3-day moving average 203 (the average value of data for a second predetermined period) exceeds a threshold value. If so, a prediction result predicting an abnormality of the drain pump 11 is output.
  • the control unit 101 calculates the difference 301 between the 3-day moving average 203 and the stacked average 202, and when the calculated difference 301 exceeds the threshold 302, A prediction result for predicting an abnormality in the drain pump 11 is output.
  • the threshold value 302 is determined in advance based on, for example, how many days before an abnormality occurs in the drain pump 11, the prediction result is to be output.
  • the prediction system 1 can predict abnormalities in the drain pump 11 included in the air conditioner 10 with higher accuracy.
  • the rotation speed of the drain pump 11 (the rotation speed of the motor included in the drain pump) was used as the measurement data 201. current value).
  • the control unit 101 predicts an abnormality in the drain pump 11 when the deviation between the 3-day moving average 203 of the measured data 201 and the accumulated average 202 of the measured data 201 exceeds a threshold value. All you have to do is output the prediction results.
  • the prediction result for predicting an abnormality in the drain pump 11 may be notified to the air conditioner 10 or the local controller 20 to display a predetermined display, or may be notified to the air conditioner 10 or the local controller 20, or may be notified to the air conditioner 10 or the local controller 20, or may be notified to the air conditioner 10 or the local controller 20 to display a predetermined display.
  • the notification may also be made to notify the person, etc.
  • the prediction result may be, for example, a message such as "The drain pump is dirty. Please check it.” or information indicating the period until an abnormality occurs in the drain pump 11. good.
  • the prediction server 100 and the local controller 20 have, for example, the hardware configuration of a computer 400 as shown in FIG. Note that the prediction server 100 may be configured by a plurality of computers 400.
  • FIG. 4 is a diagram illustrating an example of the hardware configuration of a computer according to an embodiment.
  • the computer 400 includes, for example, a control unit 101, a memory 401, a storage device 402, a communication device 403, a display device 404, an input device 405, a drive device 406, a bus 408, and the like.
  • the control unit 101 is, for example, a processor such as a CPU (Central Processing Unit) that realizes various functions by executing a predetermined program stored in a storage medium (recording medium) such as the storage device 402 or the memory 401.
  • a processor such as a GPU (Graphics Processing Unit) or a DSP (Digital Signal Processor) in addition to the CPU.
  • the control unit 101 may be a device such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
  • the memory 401 includes, for example, RAM (Random Access Memory), which is a volatile memory used as a work area for the control unit 101, and ROM (Random Access Memory), which is a non-volatile memory that stores a program for starting the control unit 101, etc. Read Only Memory), etc.
  • the storage device 402 is a large-capacity storage device that stores an OS (Operating System), programs such as applications, and various data, information, etc., and is, for example, an SSD (Solid State Drive) or an HDD (Hard Disk Drive). This is realized by etc.
  • OS Operating System
  • SSD Solid State Drive
  • HDD Hard Disk Drive
  • the communication device 403 includes one or more communication interfaces or communication devices for communicating with external devices.
  • the communication device 403 includes a NIC (Network Interface Card) for connecting the computer 400 to the communication network 2 and communicating with other devices.
  • the communication device 403 may also include, for example, a communication interface for connecting the air conditioner 10 and the like to the computer 400.
  • the display device 404 is a display device or apparatus that displays a display screen.
  • the input device 405 is, for example, an input device such as a keyboard, a pointing device, or a touch panel that receives input from the outside.
  • the display device 404 and the input device 405 may be an integrated display and input device, such as a touch panel display, for example.
  • the drive device 406 is a device for connecting a recording medium 407 on which a predetermined program is recorded (stored) to the computer 400.
  • the recording medium 407 here includes, for example, a medium on which information is recorded optically, electrically, or magnetically, such as a CD-ROM, a flexible disk, or a magneto-optical disk. Further, the recording medium 407 may include, for example, a semiconductor memory such as a ROM, a flash memory, etc. that records information electrically.
  • a bus 408 is commonly connected to each of the above components and transmits, for example, address signals, data signals, various control signals, and the like.
  • FIG. 5 is a sequence diagram illustrating an example of processing of the prediction system according to the first embodiment. This process shows an example of a prediction process that is repeatedly executed by the prediction system 1 described in FIG. 1 .
  • step S501 the air conditioner 10 collects measurement data including the rotational speed of the drain pump 11 included in the air conditioner 10 or the current value of the drain pump.
  • the air conditioner 10 measures the rotation speed of the drain pump 11 periodically (for example, every minute) and stores it in a storage unit or the like included in the air conditioner 10.
  • step S502 the local controller 20 requests the air conditioner 10 to obtain data.
  • the air conditioner 10 transmits the collected measurement data (first measurement data) to the local controller 20.
  • the local controller 20 transmits a data acquisition request to the air conditioner 10 at predetermined time intervals (for example, one hour intervals).
  • the air conditioner 10 transmits measurement data for the most recent predetermined period (for example, one hour) to the local controller as first measurement data.
  • the air conditioner 10 calculates the average value of the measurement data for the most recent predetermined period, and transmits the calculated average value to the local controller 20 as the first measurement data. good.
  • step S504 the local controller 20 transmits the average value of the measurement data for the most recent predetermined period to the prediction server 100 as second measurement data based on the data (first measurement data) received from the air conditioner 10. do. For example, if the first measurement data received from the air conditioner 10 is measurement data for the most recent predetermined period, the local controller 20 calculates the average value of the first measurement data, and uses the calculated average value as the second measurement data. is transmitted to the prediction server 100 as measurement data. Further, if the first measurement data received from the air conditioner 10 is the average value of the measurement data for the most recent predetermined period, the local controller 20 sends the first measurement data to the prediction server 100 as second measurement data. Send.
  • step S505 the control unit 101 of the prediction server 100 stores the data (second measurement data) received from the local controller 20 or the data obtained by processing the received data in a storage unit such as the storage device 402. accumulate.
  • the control unit 101 may replace data for a period in which the drain pump 11 is not operating with data from before the period and store it in the storage unit. good.
  • the control unit 101 replaces the data for the one day during which the drain pump 11 was stopped with the above data, It may be stored in the storage unit. Furthermore, if the drain pump 11 has been stopped for one hour, the control unit 101 may replace the data for the one hour during which the drain pump 11 was stopped with data for the immediately preceding hour and store it in the storage unit. good.
  • control unit 101 may store the data received from the local controller 20 as is in the storage unit.
  • control unit 101 may calculate the stacked average 202 or the 3-day moving average 203 by excluding, for example, data during the period when the drain pump 11 was stopped.
  • step S506 the control unit 101 calculates the cumulative average 202 and the 3-day moving average 203 from the rotation speed (or current value) of the drain pump 11 included in the data stored in the storage unit, and also calculates the cumulative average 202 and the 3-day moving average 203.
  • the difference 301 from the 3-day moving average 203 is calculated.
  • step S507 the control unit 101 outputs a prediction result predicting an abnormality in the drain pump 11.
  • the prediction system 1 can, for example, output a prediction result predicting an abnormality in the drain pump 11 with higher accuracy before the abnormality occurs in the drain pump 11, as shown in FIG. Can be done.
  • FIG. 6 is a sequence diagram showing an example of processing of the prediction system according to the first embodiment. This process shows another example of the prediction process repeatedly executed by the prediction system 1 described in FIG. 1 . Note that since the basic process flow is the same as that in the first embodiment, detailed explanation of the same processing contents as in the first embodiment will be omitted here.
  • the air conditioner 10 collects measurement data including the rotational speed of the drain pump 11 included in the air conditioner 10 or the current value of the drain pump, environmental data, and operation data.
  • the environmental data includes, for example, temperature data indicating room temperature, humidity data indicating relative humidity, and the like. Note that if the air conditioner 10 cannot acquire humidity data, the environmental data may be only temperature data.
  • the operation data includes, for example, data indicating the operation mode of the air conditioner 10 (cooling, dehumidification, heating, etc.), and data such as the evaporation temperature measured by the temperature sensor of the heat exchanger of the air conditioner 10. Note that the data on the evaporation temperature may be included in the environmental data.
  • step S602 the local controller 20 requests the air conditioner 10 to obtain data.
  • step S603 the air conditioner 10 transmits data including the collected measurement data (first measurement data), environmental data, operation data, etc. to the local controller 20.
  • step S604 the local controller 20 transmits data including second measurement data, which is the average value of the first measurement data received from the air conditioner 10, environmental data, operation data, etc., to the prediction server 100.
  • second measurement data which is the average value of the first measurement data received from the air conditioner 10, environmental data, operation data, etc.
  • step S605 the control unit 101 of the prediction server 100 stores (accumulates) the data received from the local controller 20, or data obtained by processing the received data, in a storage unit such as the storage device 402, for example.
  • step S606 the control unit 101 identifies a period in which there is no drain water from the data stored in the storage unit. For example, the control unit 101 executes drain water determination processing as shown in FIG.
  • FIG. 7 is a flowchart illustrating an example of drain water determination processing according to the second embodiment. This process shows an example of the process executed by the control unit 101 in step S606 of FIG. 6, for example. For example, the control unit 101 executes the process shown in FIG. 7 on data stored in the storage unit that indicates that the air conditioner 10 is in cooling operation.
  • step S701 the control unit 101 calculates the dew point temperature (the temperature at which dew condensation occurs) using the temperature data and humidity data, or the temperature data. For example, the control unit 101 obtains water vapor pressure from temperature data indicating room temperature and humidity data indicating relative humidity, and obtains a temperature at which the obtained water vapor pressure becomes a saturated water vapor pressure. Note that if there is no humidity data, the control unit 101 temporarily sets the relative humidity value and calculates the dew point temperature.
  • step S702 the control unit 102 acquires the evaporation temperature from the operation data.
  • the evaporation temperature is the temperature of the heat exchanger of the air conditioner 10 measured by a sensor of the heat exchanger.
  • step S703 the control unit 101 determines whether the evaporation temperature is equal to or lower than the calculated dew point temperature. If the evaporation temperature is below the dew point temperature, dew condensation occurs, so in step S704, the control unit 101 determines that there is drain water. On the other hand, if the evaporation temperature is not below the dew point, in step S705, the control unit 101 determines that there is no drain water.
  • step S607 the control unit 101 excludes data from a period in which there is no drain water from the measured data (for example, the rotation speed of the drain pump 11) stored in the storage unit, and calculates a cumulative average 202 and a 3-day moving average 203. Calculate the difference 301 between . This is because when there is no drain water, the drain pump 11 becomes unloaded and the rotational speed of the drain pump 11 increases. Therefore, by excluding data during a period in which there is no drain water, the accuracy of predicting an abnormality in the drain pump 11 can be further improved.
  • the measured data for example, the rotation speed of the drain pump 11
  • step S608 the control unit 101 outputs a prediction result for predicting an abnormality in the drain pump 11.
  • the prediction system 1 can further improve the accuracy of the prediction result for predicting an abnormality in the drain pump 11.
  • control unit 101 uses a learned prediction model that is machine-learned using data for a predetermined period when the drain pump 11 is normal and data for a predetermined period when the drain pump 11 is abnormal. Next, an example of predicting an abnormality in the drain pump 11 will be explained.
  • FIG. 8 is a diagram showing an example of the system configuration of a prediction system according to the third embodiment.
  • the prediction system 1 according to the third embodiment includes a prediction model 801 in addition to the system configuration of the prediction system 1 described in FIG.
  • the prediction model 801 is a learning model in which machine learning is performed to predict an abnormality in the drain pump 11 using data for a predetermined period when the drain pump 11 is normal and data for a predetermined period when the drain pump 11 is abnormal as training data. This is an established prediction model.
  • the control unit 101 determines whether an abnormality will occur in the drain pump 11 by inputting measurement data for a predetermined period (for example, cumulative average 202 and 3-day moving average 203) stored in the storage unit into the prediction model 801. It is possible to obtain a prediction result indicating whether or not.
  • the measurement data for the predetermined period may be only the 3-day moving average 203.
  • learning of the prediction model 801 may be performed by the prediction server 100 using data stored in the storage unit by the control unit 101, or learning of the prediction model 801 that has been learned by another information processing device may be performed. may be set in the prediction server 100.
  • FIG. 9 is a sequence diagram illustrating an example of processing of the prediction system according to the third embodiment. This process shows an example of a prediction process that is repeatedly executed by the prediction system 1 described in FIG. 8 . Note that the basic process flow is the same as the process of the prediction system according to the first embodiment described in FIG. 5, so a detailed explanation of the same processing contents as in the first embodiment will be omitted here. .
  • step S901 the air conditioner 10 collects measurement data including the rotational speed of the drain pump 11 included in the air conditioner 10 or the current value of the drain pump.
  • step S902 the local controller 20 requests the air conditioner 10 to obtain data.
  • step S903 the air conditioner 10 transmits the collected measurement data (first measurement data) to the local controller 20.
  • step S904 the local controller 20 transmits the average value of the measurement data for the most recent predetermined period to the prediction server 100 as second measurement data based on the data (first measurement data) received from the air conditioner 10. do.
  • step S905 the control unit 101 of the prediction server 100 stores the data received from the local controller 20 (second measurement data) or data obtained by processing the received data in a storage unit such as the storage device 402. accumulate.
  • step S906 the control unit 101 inputs the measured data for a predetermined period stored in the storage unit to the trained prediction model 801. For example, the control unit 101 calculates a stacked average 202 and a 3-day moving average 203 of the measurement data of the rotation speed (or current value) of the drain pump 11 stored in the storage unit, and uses the calculated data in the learned data. Input to prediction model 801. Thereby, the learned prediction model 801 outputs a prediction result indicating whether or not an abnormality will occur in the drain pump 11.
  • step S907 the control unit 101 outputs a prediction result predicting an abnormality in the drain pump 11.
  • the prediction system 1 uses the trained prediction model 801 that is machine-learned using the data when the drain pump 11 is normal and the data when the drain pump 11 is abnormal as training data. may be predicted.
  • the predictive model 801 is machine-learned using data when the drain pump 11 is normal and data when the drain pump 11 is abnormal as training data.
  • the prediction model 801 is a trained prediction model that is machine-trained using an image showing data when the drain pump 11 is normal and an image showing data when the drain pump 11 is abnormal. shall be.
  • the image showing the data when the drain pump 11 is normal and the image showing the data when the drain pump 11 is abnormal are, for example, the stacked average 202 and the 3-day moving average 203, as shown in FIG. It is possible to apply an image of a graph 200 plotting .
  • FIG. 10 is a sequence diagram illustrating an example of processing of the prediction system according to the fourth embodiment. This process shows another example of the prediction process repeatedly executed by the prediction system 1 described in FIG. 8 . Note that among the processes shown in FIG. 10, the processes in steps S901 to S905 and S907 are the same as the processes of the prediction system according to the third embodiment described in FIG. 9, and therefore the description thereof will be omitted here.
  • step S1001 the control unit 101 images the changes in the accumulated average 202 and the 3-day moving average 203 of the measurement data (for example, the number of rotations of the drain pump 11) stored in the storage unit. For example, the control unit 101 creates an image of a graph 200 as shown in FIG.
  • step S1002 the control unit 101 inputs the created image to the trained prediction model 801. Thereby, the learned prediction model 801 outputs a prediction result indicating whether or not an abnormality will occur in the drain pump 11.
  • control unit 101 executes the process of step S907.
  • the prediction system 1 uses the trained prediction model 801 that is machine-trained using images of data when the drain pump 11 is normal and images of data when the drain pump 11 is abnormal as training data. An abnormality in the pump 11 may be predicted.
  • an abnormality in the drain pump 11 included in the air conditioner 10 can be predicted with higher accuracy.
  • abnormalities in the drain pump 11 are predicted using average values such as the cumulative average 202 and the 3-day moving average.
  • the average value is not limited to this, and the average value may be, for example, a median value or other representative value such as a mode value.
  • the prediction server 100 has the control unit 101, but the local controller 20 may also have the control unit 101. Further, the control unit 101 may be realized by, for example, a virtual computer on a cloud.
  • Prediction system 2 Communication network 10 Air conditioner 11 Drain pump 20 Local controller 100 Prediction server 101 Control unit 200 Graph 202 Stacked average 203 3-day moving average 302 Threshold 400 Computer 407 Recording medium 801 Prediction model

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Air Conditioning Control Device (AREA)
  • Devices For Blowing Cold Air, Devices For Blowing Warm Air, And Means For Preventing Water Condensation In Air Conditioning Units (AREA)

Abstract

空調機が備えるドレンポンプの異常を、より高い精度で予測できるようにするために、予測システムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、前記制御部は、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。

Description

予測システム、予測方法、及びプログラム
　本開示は、予測システム、予測方法、及びプログラムに関する。
　ドレンポンプを備えた空調機（空気調和機）において、ドレンポンプの汚れ具合を判定する技術が知られている。例えば、ドレンポンプの電流値又は回転数を検出し、ドレンポンプの電流値が所定値以上、又はドレンポンプの回転数が所定値以下となった場合、ドレンポンプの汚れをメンテナンスが必要なレベルと判断する技術が知られている（例えば、特許文献１参照）。
特開２００５－２８３０５７号公報
　しかし、ドレンポンプの電流値（又は回転数）は、ドレンポンプごとのばらつきが大きいため、従来技術のように、電流値（又は回転数）の瞬間値で異常を判断するだけでは、誤検知が発生し易いという問題がある。
　本開示は、空調機が備えるドレンポンプの異常を、より高い精度で予測できるようにする。
　本開示の第１の態様に係る予測システムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、前記制御部は、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。
　本開示の第１の態様によれば、空調機が備えるドレンポンプの異常を、より高い精度で予測できるようになる。
　本開示の第２の態様は、第１の態様に記載の予測システムであって、前記制御部は、前記所定期間の前記データの代表値に基づいて、前記予測結果を出力する。
　本開示の第３の態様は、第１の態様又は第２の態様に記載の予測システムであって、前記制御部は、第１の所定期間の前記データと、前記第１の所定期間より短い第２の所定期間の前記データの平均値に基づいて、前記ドレンポンプの異常を予測する。
　本開示の第４の態様は、第３の態様に記載の予測システムであって、前記制御部は、前記第１の所定期間の前記データの平均値と、前記第２の所定期間の前記データの平均値との乖離がしきい値を超えた場合、前記ドレンポンプの異常を予測する前記予測結果を出力する。
　本開示の第５の態様は、第１の態様乃至第４の態様のいずれかに記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データにさらに基づいて、前記ドレンポンプの異常を予測する。これにより、予測システムは、より高い精度で、ドレンポンプの異常を予測することができる。
　本開示の第６の態様は、第１の態様乃至第５の態様のいずれかに記載の予測システムであって、前記制御部は、前記空調機又は前記ドレンポンプが動作していない場合、前記空調機又は前記ドレンポンプが動作していない期間の前記データに代えて、当該期間より以前の前記データを用いて、前記ドレンポンプの異常を予測する。これにより、予測システムは、より高い精度で、ドレンポンプの異常を予測することができる。
　本開示の第７の態様は、第６の態様に記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データに基づいて、前記ドレンポンプが動作していない期間を判断する。
　本開示の第８の態様は、第１の態様乃至第５の態様のいずれかに記載の予測システムであって、前記制御部は、温度データ、又は湿度データを含む環境データから、ドレン水が発生しているか否かを判断し、ドレン水が発生していない期間の前記ドレンポンプの回転数、又は前記ドレンポンプの電流値の前記データを除外して、前記ドレンポンプの異常を予測する。
　本開示の第９の態様は、第８の態様に記載の予測システムであって、前記制御部は、前記空調機が所定のモードで運転しているか否かを示す情報をさらに用いて、前記ドレン水が発生しているか否かを判断する。
　本開示の第１０の態様は、第１の態様乃至第９の態様のいずれかに記載の予測システムであって、前記予測システムは、前記空調機から前記データを収集するエッジデバイスを有し、前記制御部は、前記空調機、又は前記エッジデバイスで平均化された前記データを取得する。
　本開示の第１１の態様は、第１の態様に記載の予測システムであって、前記制御部は、前記ドレンポンプの正常時の前記データと、前記ドレンポンプの異常時の前記データとを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する。
　本開示の第１２の態様は、第１の態様に記載の予測システムであって、前記ドレンポンプの正常時の前記データを表す画像と、前記ドレンポンプの異常時の前記データを表す画像とを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する。
　本開示の第１３の態様に係る予測方法は、ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、前記制御部が、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する。
　本開示の第１４の態様に係るプログラムは、ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、コンピュータに、前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得する処理と、所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する処理と、を実行させる。
　本開示の他の態様は、第１４の態様に係るプログラムを記録した記録媒体によって実現される。
一実施形態に係る予測システムのシステム構成の例を示す図である。 一実施形態に係る予測処理の概要について説明するための図（１）である。 一実施形態に係る予測処理の概要について説明するための図（２）である。 一実施形態に係るコンピュータのハードウェア構成の例を示す図である。 第１の実施形態に係る予測システムの処理の例を示すシーケンス図である。 第２の実施形態に係る予測システムの処理の例を示すシーケンス図である。 第２の実施形態に係るドレン水の判断処理の例を示すフローチャートである。 第３の実施形態に係る予測システムのシステム構成の例を示す図である。 第３の実施形態に係る予測システムの処理の例を示すシーケンス図である。 第４の実施形態に係る予測システムの処理の例を示すシーケンス図である。
　以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
　＜システム構成＞
　図１は、一実施形態に係る予測システムのシステム構成の例を示す図である。予測システム１は、ドレンポンプ１１を備える空調機（空気調和機）１０と、制御部１０１とを有する。予測システム１は、制御部１０１が、ドレンポンプ１１の回転数（又は電流値）のデータを取得し、所定の期間のデータの変化に基づいて、ドレンポンプの異常を予測するシステムである。
　図１の例では、予測システム１は、所定の通信インタフェースで空調機１０と通信可能に接続され、空調機１０を制御するローカルコントローラ２０を有する。また、予測システム１は、制御部１０１を備え、例えば、インターネット、又はＬＡＮ（Local Area Network）等の通信ネットワーク２を介して、ローカルコントローラ２０と通信可能な予測サーバ１００を有する。
　なお、図１に示した、予測システム１のシステム構成は一例である。例えば、制御部１０１は、ローカルコントローラ２０が備えていてもよい。また、予測サーバ１００は、複数の情報処理装置によって構成されるものであってもよい。ここでは、一例として、予測サーバ１００が制御部１０１を有しているものとして、以下の説明を行う。
　空調機１０は、例えば、冷房運転時に、空調機１０が備える熱交換器で結露水（ドレン）が発生し、発生した結露水は、ドレンパンと呼ばれる受け皿に溜まるように構成されている。
　ドレンポンプ１１は、ドレンパンに溜まった結露水を吸い上げて、ドレンホースを介して、外部に排出するポンプである。このドレンポンプに異常が発生すると、空調機１０の内部に結露水が溜まり、溜まった結露水の量が許容範囲を超えると、空調機１０は異常（ドレンポンプ故障）を検知して運転を停止する。
　このドレンポンプ故障が発生してしまうと、ユーザが冷房運転できないので、予測システム１は、ドレンポンプ１１が完全に詰まる前に、例えば、サービス担当者等が、現場で対応できるように、ドレンポンプの異常を事前に予測する予測結果を出力する。
　ローカルコントローラ２０は、例えば、コンピュータの構成を備え、記録媒体に記録（記憶）した所定のプログラムを実行することにより、空調機１０を制御する。また、本実施形態に係るローカルコントローラ２０は、空調機１０が定期的（例えば１分ごと）に測定する、ドレンポンプ１１の回転数、又はドレンポンプ１１の電流値を含む測定データを、所定の時間ごと（例えば、１時間ごと）に取得する機能を有している。さらに、ローカルコントローラ２０は、空調機１０から取得した測定データ（第１の測定データ）を所定の時間ごと平均した測定データ（第２の測定データ）を、通信ネットワーク２を介して、予測サーバ１００に送信する機能を有している。なお、ローカルコントローラ２０は、エッジデバイスの一例である。
　別の一例として、空調機１０が、所定の時間ごとに測定データを平均化し、ローカルコントローラ２０は、空調機１０から、平均化され測定データを取得するものであってもよい。この場合、ローカルコントローラ２０が空調機１０から取得する第１の測定データと、ローカルコントローラ２０が予測サーバ１００に送信する第２の測定データは、同じデータであってよい。
　予測サーバ１００は、コンピュータの構成を備え、記録媒体に記録（記憶）した所定のプログラムを実行することにより、ドレンポンプ１１の異常を予測する予測処理を実行する。
　（予測処理の概要）
　図２、３は、一実施形態に係る予測処理の概要について説明するための図である。図２に示すグラフ２００の横軸は、測定を開始した時点からの経過日数を表し、縦軸は、ドレンポンプ１１の回転数を表している。また、グラフ２００には、ドレンポンプ１１の回転数の測定データ（生データ）２０１と、測定データ２０１の積み重ね平均２０２と、測定データ２０１の３日移動平均２０３と、をプロットしている。
　ドレンポンプの回転数は、例えば、パルス数を測定し、測定したパルス数から回転数を求めることができる。この場合、例えば、１パルスが２４ｒｐｍであれば、回転数は２４ｒｐｍ間隔で測定される。また、回転数の測定データ２０１には、例えば、図２に示すように、±４８ｒｐｍ（±２パルス）の測定ばらつき２０４が含まれる。
　このように、ドレンポンプ１１の回転数の測定データ２０１は、ばらつきが大きく、また、ドレンポンプ１１ごとのばらつき（個体差）もあるため、従来技術のように、回転数の瞬間値で異常を判断するだけでは、誤検知が発生し易いという問題がある。
　そこで、本実施形態に係る制御部１０１は、例えば、ローカルコントローラ２０が、１時間ごとに送信する測定データ２０１を、記憶部に記憶（蓄積）する。ここで、測定データ２０１を記憶する記憶部は、例えば、予測サーバ１００が備えるストレージデバイスであってもよいし、予測サーバ１００の外部のストレージサーバ等であってもよい。
　また、制御部１０１は、記憶部に記憶した測定データ２０１の積み重ね平均２０２と、測定データ２０１の３日移動平均２０３とを求める。ここで、３日移動平均２０３は、直近の３日間の測定データ２０１の平均値（移動平均）である。なお、３日間は、ドレンポンプ１１の異常の予測に用いる所定期間（第２の所定期間）の一例である。第２の所定期間は、３日以外の他の日数（例えば、１～５日程度）であってもよい。
　また、積み重ね平均２０２は、例えば、第２の所定期間より十分に長い第１の所定期間の測定データ２０１の平均値である。積み重ね平均２０２は、例えば、直近の３０日間の測定データ２０１の平均値（移動平均値）であってもよいし、測定を開始した時点からの累積移動平均値等であってもよい。ここでは、積み重ね平均２０２が、３０日間の測定データ２０１の平均値であるものとして、以下の説明を行う。
　ドレンポンプ１１に詰まり傾向があると、図２に示すように、ドレンポンプの回転数が徐々に低下し、３日間の移動平均２０３の値がなだらかに低下する。一方、積み重ね平均２０２は、３日間より十分に長い期間の平均値なので、３日間の移動平均２０３より値の変化が少ない。
　そこで、本実施形態に係る制御部１０１は、積み重ね平均２０２（第１の所定期間のデータの平均値）と、３日移動平均２０３（第１の所定期間より短い第２の所定期間のデータの平均値）に基づいて、ドレンポンプ１１の異常を予測する予測結果を出力する。例えば、制御部１０１は、積み重ね平均２０２（第１の所定期間のデータの平均値）と、３日移動平均２０３（第２の所定期間のデータの平均値）との乖離がしきい値を超えた場合、ドレンポンプ１１の異常を予測する予測結果を出力する。
　具体的な一例として、制御部１０１は、図３に示すように、３日移動平均２０３と積み重ね平均２０２との差３０１を算出し、算出した差３０１がしきい値３０２を超えたときに、ドレンポンプ１１の異常を予測する予測結果を出力する。ここで、しきい値３０２は、例えば、ドレンポンプ１１に異常が発生する何日前に予測結果を出力するか等により、予め決定しておく。
　上記の処理により、本実施形態に係る予測システム１によれば、空調機１０が備えるドレンポンプ１１の異常を、より高い精度を予測することができる。
　なお、上記の説明では、測定データ２０１として、ドレンポンプ１１の回転数（ドレンポンプが備えるモータの回転数）を用いたが、測定データ２０１は、ドレンポンプ１１の電流値（ドレンポンプ１１に流れる電流値）であってもよい。
　なお、ドレンポンプ１１が詰まり傾向がある場合、ドレンポンプ１１の回転数は低下し、ドレンポンプ１１の電流値は上昇する。いずれの場合でも、制御部１０１は、測定データ２０１の３日移動平均２０３と、測定データ２０１の積み重ね平均２０２との乖離が、しきい値を超えたときに、ドレンポンプ１１の異常を予測する予測結果を出力すればよい。
　なお、ドレンポンプ１１の異常を予測する予測結果は、例えば、空調機１０、又はローカルコントローラ２０に通知して、所定の表示を行わせるものであってもよいし、空調機１０を管理する管理者等に通知を行うものであってもよい。また、予測結果は、例えば、「ドレンポンプが汚れていますので点検してください。」といったメッセージであってもよいし、ドレンポンプ１１に異常が発生するまでの期間を示す情報等であってもよい。
　＜ハードウェア構成＞
　予測サーバ１００、及びローカルコントローラ２０は、例えば、図４に示すような、コンピュータ４００のハードウェア構成を有している。なお、予測サーバ１００は、複数のコンピュータ４００によって構成されるものであってもよい。
　図４は、一実施形態に係るコンピュータのハードウェア構成の例を示す図である。コンピュータ４００は、例えば、制御部１０１、メモリ４０１、ストレージデバイス４０２、通信装置４０３、表示装置４０４、入力装置４０５、ドライブ装置４０６、及びバス４０８等を有する。
　制御部１０１は、例えば、ストレージデバイス４０２、又はメモリ４０１等の記憶媒体（記録媒体）に記憶した所定のプログラムを実行することにより、様々な機能を実現するＣＰＵ（Central Processing Unit）等のプロセッサである。なお、制御部１０１は、ＣＰＵ以外にも、ＧＰＵ（Graphics Processing Unit）、又はＤＳＰ（Digital Signal Processor）等のプロセッサを含んでいてもよい。また、制御部１０１は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）、又はＦＰＧＡ（Field Programmable Gate Array）等のデバイスであってもよい。
　メモリ４０１は、例えば、制御部１０１のワークエリア等として用いられる揮発性のメモリであるＲＡＭ（Random Access Memory）、及び制御部１０１の起動用のプログラム等を記憶する不揮発性のメモリであるＲＯＭ（Read Only Memory）等を含む。ストレージデバイス４０２は、ＯＳ（Operating System）、アプリケーション等のプログラム、及び各種のデータ、情報等を記憶する大容量の記憶装置であり、例えば、ＳＳＤ（Solid State Drive）、又はＨＤＤ（Hard Disk Drive）等によって実現される。
　通信装置４０３は、外部装置と通信するための１つ以上の通信インタフェース、又は通信デバイスを含む。例えば、通信装置４０３は、コンピュータ４００を通信ネットワーク２に接続して、他の装置と通信するためのＮＩＣ（Network Interface Card）等を含む。また、通信装置４０３は、例えば、コンピュータ４００に、空調機１０等を接続するための通信インタフェース等も含み得る。
　表示装置４０４は、表示画面を表示する表示デバイス、又は装置である。入力装置４０５は、例えば、キーボード、ポインティングデバイス、又はタッチパネル等の外部からの入力を受け付ける入力デバイスである。なお、表示装置４０４と入力装置４０５は、例えば、タッチパネルディスプレイのように、一体化された表示入力装置であってもよい。
　ドライブ装置４０６は、所定のプログラムを記録（記憶）した記録媒体４０７をコンピュータ４００に接続するためのデバイスである。ここでいう記録媒体４０７には、例えば、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体４０７には、例えば、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。バス４０８は、上記の各構成要素に共通に接続され、例えば、アドレス信号、データ信号、及び各種の制御信号等を伝送する。
　＜処理の流れ＞
　続いて、本実施形態に係る予測方法の処理の流れについて、複数の実施形態を例示して説明する。
　［第１の実施形態］
　図５は、第１の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図１で説明した予測システム１が、繰り返し実行する予測処理の一例を示している。
　ステップＳ５０１において、空調機１０は、空調機１０が備えるドレンポンプ１１の回転数、又はドレンポンプの電流値を含む測定データを収集する。例えば、空調機１０は、ドレンポンプ１１の回転数を定期的（例えば、１分間ごと）に測定し、空調機１０が備える記憶部等に記憶しておく。
　ステップＳ５０２において、ローカルコントローラ２０は、空調機１０にデータの取得を要求する。これに応じて、ステップＳ５０３において、空調機１０は、収集した測定データ（第１の測定データ）を、ローカルコントローラ２０に送信する。例えば、ローカルコントローラ２０は、所定の時間間隔（例えば、１時間間隔）で、空調機１０にデータの取得要求を送信する。また、空調機１０は、データの取得要求を受け付けると、直近の所定期間（例えば、１時間）の測定データを第１の測定データとして、ローカルコントローラに送信する。或いは、空調機１０は、データの取得要求を受け付けると、直近の所定の期間の測定データの平均値を算出し、算出した平均値を第１の測定データとして、ローカルコントローラ２０に送信してもよい。
　ステップＳ５０４において、ローカルコントローラ２０は、空調機１０から受信したデータ（第１の測定データ）に基づいて、直近の所定期間の測定データの平均値を第２の測定データとして、予測サーバ１００に送信する。例えば、空調機１０から受信する第１の測定データが、直近の所定期間の測定データである場合、ローカルコントローラ２０は、第１の測定データの平均値を算出し、算出した平均値を第２の測定データとして予測サーバ１００に送信する。また、空調機１０から受信する第１の測定データが、直近の所定期間の測定データの平均値である場合、ローカルコントローラ２０は、第１の測定データを第２の測定データとして予測サーバ１００に送信する。
　ステップＳ５０５において、予測サーバ１００の制御部１０１は、ローカルコントローラ２０から受信したデータ（第２の測定データ）、又は受信したデータを加工したデータを、例えば、ストレージデバイス４０２等の記憶部に記憶（蓄積）する。
　例えば、ドレンポンプ１１が動作していない（停止している）場合、ドレンポンプ１１の回転数、及び電流値の測定データ２０１は０になる。従って、ドレンポンプ１１が動作していない期間のデータを用いて、積み重ね平均２０２、又は３日移動平均を算出してしまうと、正しい予測結果が得られない恐れがある。そこで、制御部１０１は、一例として、ドレンポンプ１１が動作していない場合、ドレンポンプ１１が動作していない期間のデータを、当該期間より以前のデータに置き換えて、記憶部に記憶してもよい。
　例えば、休日、又は留守等により、ドレンポンプ１１の動作が１日停止していた場合、制御部１０１は、ドレンポンプ１１が停止していた１日分のデータを、前記のデータに置き換えて、記憶部に記憶してもよい。また、ドレンポンプ１１が１時間停止していた場合、制御部１０１は、ドレンポンプ１１が停止していた１時間のデータを、直前の１時間のデータに置き換えて、記憶部に記憶してもよい。
　ただし、これは好適な一例であり、制御部１０１は、ローカルコントローラ２０から受信したデータをそのまま記憶部に記憶してもよい。この場合、制御部１０１は、例えば、ドレンポンプ１１が停止していた期間のデータを除外して、積み重ね平均２０２、又は３日移動平均２０３を算出すればよい。
　ステップＳ５０６において、制御部１０１は、記憶部に記憶したデータに含まれるドレンポンプ１１の回転数（又は電流値）から、積み重ね平均２０２と、３日移動平均２０３を算出するとともに、積み重ね平均２０２と３日移動平均２０３との差３０１を算出する。
　また、制御部１０１は、算出した差３０１が、予め設定したしきい値３０２を超えた場合、ステップＳ５０７の処理を実行する。ステップＳ５０７において、制御部１０１は、ドレンポンプ１１の異常を予測する予測結果を出力する。
　図５の処理により、予測システム１は、例えば、図３に示すように、ドレンポンプ１１に異常が発生する前に、ドレンポンプ１１の異常を予測する予測結果を、より高い精度で出力することができる。
　［第２の実施形態］
　第２の実施形態では、制御部１０１が、温度データ、又は湿度データを含む環境データにさらに基づいて、ドレンポンプ１１の異常を予測する場合の処理の例について説明する。
　図６は、第１の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図１で説明した予測システム１が、繰り返し実行する予測処理の別の一例を示している。なお、基本的な処理の流れは、第１の実施形態と同様なので、ここでは、第１の実施形態と同様の処理内容に対する詳細な説明は省略する。
　ステップＳ６０１において、空調機１０は、空調機１０が備えるドレンポンプ１１の回転数、又はドレンポンプの電流値を含む測定データと、環境データと、運転データと、を収集する。ここで、環境データには、例えば、室温を示す温度データと、相対湿度を示す湿度データ等が含まれる。なお、空調機１０が湿度データを取得できない場合、環境データは、温度データのみであってもよい。また、運転データには、例えば、空調機１０の運転モード（冷房、除湿、暖房等）を示すデータ、及び空調機１０の熱交換器の温度センサで測定した蒸発温度等のデータが含まれる。なお、蒸発温度のデータは、環境データに含まれていてもよい。
　ステップＳ６０２において、ローカルコントローラ２０は、空調機１０にデータの取得を要求する。これに応じて、ステップＳ６０３において、空調機１０は、収集した測定データ（第１の測定データ）、環境データ、及び運転データ等を含むデータを、ローカルコントローラ２０に送信する。
　ステップＳ６０４において、ローカルコントローラ２０は、空調機１０から受信した第１の測定データの平均値である第２の測定データ、環境データ、及び運転データ等を含むデータを、予測サーバ１００に送信する。
　ステップＳ６０５において、予測サーバ１００の制御部１０１は、ローカルコントローラ２０から受信したデータ、又は受信したデータを加工したデータを、例えば、ストレージデバイス４０２等の記憶部に記憶（蓄積）する。
　ステップＳ６０６において、制御部１０１は、記憶部に記憶したデータから、ドレン水がない期間を特定する。例えば、制御部１０１は、図７に示すような、ドレン水の判断処理を実行する。
　図７は、第２の実施形態に係るドレン水の判断処理の例を示すフローチャートである。この処理は、例えば、図６のステップＳ６０６において、制御部１０１が実行する処理の一例を示している。制御部１０１は、例えば、記憶部に記憶したデータのうち、空調機１０が冷房運転中のデータに対して、図７の処理を実行する。
　ステップＳ７０１において、制御部１０１は、温度データと湿度データ、又は温度データを用いて、露点温度（結露が発生する温度）を算出する。例えば、制御部１０１は、室温を示す温度データと、相対湿度を示す湿度データから水蒸気圧を求め、その水蒸気圧を飽和水蒸気圧とする温度を求める。なお、湿度データがない場合、制御部１０１は、相対湿度の値を仮置きして、露点温度を算出する。
　ステップＳ７０２において、制御部１０２は、運転データから蒸発温度を取得する。ここで、蒸発温度は、空調機１０の熱交換器のセンサで測定した熱交換器の温度である。
　ステップＳ７０３において、制御部１０１は、蒸発温度が、算出した露点温度以下であるか否かを判断する。蒸発温度が露点温度以下である場合、結露が発生するので、ステップＳ７０４において、制御部１０１は、ドレン水があると判断する。一方、蒸発温度が露点以下でないばあい、ステップＳ７０５において、制御部１０１は、ドレン水がないと判断する。
　ここで、図６に戻り、シーケンス図の説明を続ける。ステップＳ６０７において、制御部１０１は、記憶部に記憶した測定データ（例えば、ドレンポンプ１１の回転数）から、ドレン水がない期間のデータを除外して、積み重ね平均２０２と、３日移動平均２０３との差３０１を算出する。これは、ドレン水がない場合、ドレンポンプ１１が無負荷となり、ドレンポンプ１１の回転数が上昇してしまうためである。従って、ドレン水がない期間のデータを除外することにより、ドレンポンプ１１の異常を予測する予測精度を、さらに向上させることができる。
　続いて、制御部１０１は、算出した差３０１が、予め設定したしきい値３０２を超えた場合、ステップＳ６０８の処理を実行する。ステップＳ６０８において、制御部１０１は、ドレンポンプ１１の異常を予測する予測結果を出力する。
　図６の処理により、予測システム１は、ドレンポンプ１１の異常を予測する予測結果の精度を、より高めることができる。
　［第３の実施形態］
　第１、２の実施形態では、制御部１０１は、ドレンポンプ１１の回転数（又は電流値）の測定データの積み重ね平均２０２と、３日移動平均２０３との乖離がしきい値を超えた場合に、ドレンポンプ１１の異常を予測する予測結果を出力していた。
　第３の実施形態では、制御部１０１が、ドレンポンプ１１の正常時の所定期間のデータと、ドレンポンプ１１の異常時の所定期間のデータを教師データとして機械学習した学習済の予測モデルを用いて、ドレンポンプ１１の異常を予測する場合の例について説明する。
　図８は、第３の実施形態に係る予測システムのシステム構成の例を示す図である。図８に示すように、第３の実施形態に係る予測システム１は、図１の説明した予測システム１のシステム構成に加えて、予測モデル８０１を有している。
　予測モデル８０１は、ドレンポンプ１１の正常時の所定期間のデータと、ドレンポンプ１１の異常時の所定期間のデータとを教師データとして、ドレンポンプ１１の異常を予測するように機械学習した、学習済の予測モデルである。制御部１０１は、記憶部に記憶した所定の期間の測定データ（例えば、積み重ね平均２０２、及び３日移動平均２０３）を、予測モデル８０１に入力することにより、ドレンポンプ１１に異常が発生するか否かを示す予測結果を得ることができる。なお、所定の期間の測定データは、３日移動平均２０３のみであってもよい。
　なお、予測モデル８０１の学習は、制御部１０１が記憶部に記憶したデータを用いて、予測サーバ１００が行うものであってもよいし、他の情報処理装置で学習した学習済の予測モデル８０１を、予測サーバ１００に設定するものであってもよい。
　＜処理の流れ＞
　図９は、第３の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図８で説明した予測システム１が、繰り返し実行する予測処理の一例を示している。なお、基本的な処理の流れは、図５で説明した第１の実施形態に係る予測システムの処理と同様なので、ここでは、第１の実施形態と同様の処理内容に対する詳細な説明は省略する。
　ステップＳ９０１において、空調機１０は、空調機１０が備えるドレンポンプ１１の回転数、又はドレンポンプの電流値を含む測定データを収集する。
　ステップＳ９０２において、ローカルコントローラ２０は、空調機１０にデータの取得を要求する。これに応じて、ステップＳ９０３において、空調機１０は、収集した測定データ（第１の測定データ）を、ローカルコントローラ２０に送信する。
　ステップＳ９０４において、ローカルコントローラ２０は、空調機１０から受信したデータ（第１の測定データ）に基づいて、直近の所定期間の測定データの平均値を第２の測定データとして、予測サーバ１００に送信する。
　ステップＳ９０５において、予測サーバ１００の制御部１０１は、ローカルコントローラ２０から受信したデータ（第２の測定データ）、又は受信したデータを加工したデータを、例えば、ストレージデバイス４０２等の記憶部に記憶（蓄積）する。
　ステップＳ９０６において、制御部１０１は、記憶部に記憶した所定の期間の測定データを、学習済の予測モデル８０１に入力する。例えば、制御部１０１は、記憶部に記憶した、ドレンポンプ１１の回転数（又は電流値）の測定データの積み重ね平均２０２と、３日移動平均２０３とを算出し、算出したデータを学習済の予測モデル８０１に入力する。これにより、学習済の予測モデル８０１は、ドレンポンプ１１に異常が発生するか否かを示す予測結果を出力する。
　続いて、制御部１０１は、ドレンポンプ１１に異常が発生すると予測された場合、ステップＳ９０７の処理を実行する。ステップＳ９０７において、制御部１０１は、ドレンポンプ１１の異常を予測する予測結果を出力する。
　このように、予測システム１は、ドレンポンプ１１の正常時のデータと、ドレンポンプ１１の異常時のデータとを教師データとして機械学習した学習済の予測モデル８０１を用いて、ドレンポンプ１１の異常を予測してもよい。
　なお、図９で説明した処理は一例である。例えば、第３の実施形態に係る予測システムの処理は、図６で説明した第２の実施形態のように、記憶部に記憶したデータから、ドレン水がない期間のデータを除外して、ドレンポンプ１１の異常を予測してもよい。
　［第４の実施形態］
　第３の実施形態では、予測モデル８０１を、ドレンポンプ１１の正常時のデータと、ドレンポンプ１１の異常時のデータとを教師データとして機械学習していた。
　第４の実施形態では、予測モデル８０１は、ドレンポンプ１１の正常時のデータを示す画像と、ドレンポンプ１１の異常時のデータを示す画像とを教師データとして機械学習した、学習済の予測モデルであるものとする。
　ここで、ドレンポンプ１１の正常時のデータを示す画像、及びドレンポンプ１１の異常時のデータを示す画像は、例えば、図２に示すように、積み重ね平均２０２と、３日移動平均２０３のデータをプロットしたグラフ２００の画像を適用することができる。
　＜処理の流れ＞
　図１０は、第４の実施形態に係る予測システムの処理の例を示すシーケンス図である。この処理は、図８で説明した予測システム１が、繰り返し実行する予測処理の別の一例を示している。なお、図１０に示す処理のうち、ステップＳ９０１～Ｓ９０５、Ｓ９０７の処理は、図９で説明した第３の実施形態に係る予測システムの処理と同様なので、ここでは説明を省略する。
　ステップＳ１００１において、制御部１０１は、記憶部に記憶した測定データ（例えば、ドレンポンプ１１の回転数）の積み重ね平均２０２と、３日移動平均２０３の推移を画像化する。例えば、制御部１０１は、図２に示すようなグラフ２００の画像を作成する。
　ステップＳ１００２において、制御部１０１は、作成した画像を、学習済の予測モデル８０１に入力する。これにより、学習済の予測モデル８０１は、ドレンポンプ１１に異常が発生するか否かを示す予測結果を出力する。
　続いて、制御部１０１は、ドレンポンプ１１に異常が発生すると予測された場合、ステップＳ９０７の処理を実行する。
　このように、予測システム１は、ドレンポンプ１１の正常時のデータの画像と、ドレンポンプ１１の異常時のデータの画像とを教師データとして機械学習した学習済の予測モデル８０１を用いて、ドレンポンプ１１の異常を予測してもよい。
　なお、第４の実施形態に係る予測システムの処理も、図６で説明した第２の実施形態のように、記憶部に記憶したデータから、ドレン水がない期間のデータを除外して、ドレンポンプ１１の異常を予測してもよい。
　以上、本開示の各実施形態によれば、空調機１０が備えるドレンポンプ１１の異常を、より高い精度で予測できるようになる。
　以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
　例えば、上記の各実施形態では、積み重ね平均２０２、３日移動平均等の平均値を用いて、ドレンポンプ１１の異常を予測していた。ただし、これに限られず、平均値は、例えば、中央値、又は最頻値等の他の代表値であってもよい。
　また、上記の各実施形態では、予測サーバ１００が制御部１０１を有していたが、制御部１０１は、ローカルコントローラ２０が有していてもよい。また、制御部１０１は、例えば、クラウド上の仮想コンピュータ等によって実現されるものであってもよい。
　本願は、日本特許庁に２０２２年８月２９日に出願された基礎出願２０２２－１３６１９３号の優先権を主張するものであり。その全内容を参照によりここに援用する。
　１　予測システム
　２　通信ネットワーク
　１０　空調機
　１１　ドレンポンプ
　２０　ローカルコントローラ
　１００　予測サーバ
　１０１　制御部
　２００　グラフ
　２０２　積み重ね平均
　２０３　３日移動平均
　３０２　しきい値
　４００　コンピュータ
　４０７　記録媒体
　８０１　予測モデル

Claims (14)

  1. 　ドレンポンプを備えた空調機と、制御部とを有する予測システムであって、
    　前記制御部は、
    　前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、
    　所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する、
    　予測システム。
  2. 　前記制御部は、前記所定期間の前記データの代表値に基づいて、前記予測結果を出力する、請求項１に記載の予測システム。
  3. 　前記制御部は、第１の所定期間の前記データと、前記第１の所定期間より短い第２の所定期間の前記データの平均値に基づいて、前記ドレンポンプの異常を予測する、請求項１又は２に記載の予測システム。
  4. 　前記制御部は、前記第１の所定期間の前記データの平均値と、前記第２の所定期間の前記データの平均値との乖離がしきい値を超えた場合、前記ドレンポンプの異常を予測する前記予測結果を出力する、請求項３に記載の予測システム。
  5. 　前記制御部は、温度データ、又は湿度データを含む環境データにさらに基づいて、前記ドレンポンプの異常を予測する、請求項１乃至４のいずれか一項に記載の予測システム。
  6. 　前記制御部は、前記空調機又は前記ドレンポンプが動作していない場合、前記空調機又は前記ドレンポンプが動作していない期間の前記データに代えて、当該期間より以前の前記データを用いて、前記ドレンポンプの異常を予測する、請求項１乃至５のいずれか一項に記載の予測システム。
  7. 　前記制御部は、温度データ、又は湿度データを含む環境データに基づいて、前記ドレンポンプが動作していない期間を判断する、請求項６に記載の予測システム。
  8. 　前記制御部は、温度データ、又は湿度データを含む環境データから、ドレン水が発生しているか否かを判断し、ドレン水が発生していない期間の前記ドレンポンプの回転数、又は前記ドレンポンプの電流値の前記データを除外して、前記ドレンポンプの異常を予測する、請求項１乃至５のいずれか一項に記載の予測システム。
  9. 　前記制御部は、前記空調機が所定のモードで運転しているか否かを示す情報をさらに用いて、前記ドレン水が発生しているか否かを判断する、請求項８に記載の予測システム。
  10. 　前記予測システムは、前記空調機から前記データを収集するエッジデバイスを有し、
    　前記制御部は、前記空調機、又は前記エッジデバイスで平均化された前記データを取得する、請求項１乃至９のいずれか一項に記載の予測システム。
  11. 　前記制御部は、前記ドレンポンプの正常時の前記データと、前記ドレンポンプの異常時の前記データとを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する、請求項１に記載の予測システム。
  12. 　前記制御部は、前記ドレンポンプの正常時の前記データを表す画像と、前記ドレンポンプの異常時の前記データを表す画像とを教師データとして機械学習した学習済の予測モデルを用いて、前記ドレンポンプの異常を予測する、請求項１に記載の予測システム。
  13. 　ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、
    　前記制御部が、
    　前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得し、
    　所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する、
    　予測方法。
  14. 　ドレンポンプを備えた空調機と、制御部とを有する予測システムにおいて、
    　コンピュータに、
    　前記ドレンポンプの回転数、又は前記ドレンポンプの電流値のデータを取得する処理と、
    　所定期間の前記データの変化に基づいて、前記ドレンポンプの異常を予測する予測結果を出力する処理と、
    　を実行させる、プログラム。
PCT/JP2023/021242 2022-08-29 2023-06-07 予測システム、予測方法、及びプログラム WO2024047996A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022136193A JP2024032510A (ja) 2022-08-29 2022-08-29 予測システム、予測方法、及びプログラム
JP2022-136193 2022-08-29

Publications (1)

Publication Number Publication Date
WO2024047996A1 true WO2024047996A1 (ja) 2024-03-07

Family

ID=90099336

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/021242 WO2024047996A1 (ja) 2022-08-29 2023-06-07 予測システム、予測方法、及びプログラム

Country Status (2)

Country Link
JP (1) JP2024032510A (ja)
WO (1) WO2024047996A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003083592A (ja) * 2001-06-29 2003-03-19 Sanyo Electric Co Ltd 空気調和装置及びその除霜運転解除方法
JP2012052743A (ja) * 2010-09-01 2012-03-15 Mitsubishi Electric Corp 空気調和機
JP2020139673A (ja) * 2019-02-27 2020-09-03 ダイキン工業株式会社 汚れ情報推定システム
JP2022053265A (ja) * 2020-09-24 2022-04-05 ダイキン工業株式会社 エアハンドリングユニット

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003083592A (ja) * 2001-06-29 2003-03-19 Sanyo Electric Co Ltd 空気調和装置及びその除霜運転解除方法
JP2012052743A (ja) * 2010-09-01 2012-03-15 Mitsubishi Electric Corp 空気調和機
JP2020139673A (ja) * 2019-02-27 2020-09-03 ダイキン工業株式会社 汚れ情報推定システム
JP2022053265A (ja) * 2020-09-24 2022-04-05 ダイキン工業株式会社 エアハンドリングユニット

Also Published As

Publication number Publication date
JP2024032510A (ja) 2024-03-12

Similar Documents

Publication Publication Date Title
JP4572251B2 (ja) 計算機システム、計算機システムの障害の予兆検知方法及びプログラム
JP5901140B2 (ja) システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。
WO2017090515A1 (ja) 機器診断装置及びシステム及び方法
CN107621040B (zh) 温度传感器的纠错方法、装置和空调器
JP5627504B2 (ja) 空調設備保守システム及びデータ解析装置
WO2013069138A1 (ja) 稼働情報予測計算機、稼働情報予測方法及びプログラム
JP7260292B2 (ja) 異常診断装置及び異常診断方法
US11029810B2 (en) Equipment service graphical interface
JP6438124B2 (ja) 運用管理システム及び運用管理方法
JP2017088314A (ja) 機器診断装置および機器診断方法、並びに機器診断システム
CN114474076B (zh) 机器人碰撞检测方法、装置、检测设备及可读存储介质
JP4341779B2 (ja) 空調機の異常検知装置及び異常検知方法
WO2024047996A1 (ja) 予測システム、予測方法、及びプログラム
CN110099089B (zh) 传感器网络中多个数据流的在线自校正
US11844002B2 (en) Environmental information management system
JPWO2020183539A1 (ja) 故障診断システム、故障予測方法、および故障予測プログラム
WO2022030548A1 (ja) 監視情報処理装置、方法およびプログラム
CN108920337A (zh) 一种设备异常信息展示方法和计算机设备
WO2021009949A1 (ja) 制御方法、タッチパネル装置、制御プログラム、記録媒体
EP3546892B1 (en) Voltage differential transducer (vdt) fault detection
KR101862111B1 (ko) 스텝모터의 스톨 감지 방법 및 장치
WO2023248402A1 (ja) 空気調和システム及び異常診断方法
EP3480781A1 (en) Interactive method and system for scaling data plots in distributed control system
EP4254111A1 (en) Fault diagnosis apparatus, method, computer program, and non-transitory computer-readable recording medium
AU2020432994B2 (en) State detection system

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: 23859766

Country of ref document: EP

Kind code of ref document: A1