WO2024058149A1 - 機器性能値予測方法、システム、およびプログラム - Google Patents

機器性能値予測方法、システム、およびプログラム Download PDF

Info

Publication number
WO2024058149A1
WO2024058149A1 PCT/JP2023/033109 JP2023033109W WO2024058149A1 WO 2024058149 A1 WO2024058149 A1 WO 2024058149A1 JP 2023033109 W JP2023033109 W JP 2023033109W WO 2024058149 A1 WO2024058149 A1 WO 2024058149A1
Authority
WO
WIPO (PCT)
Prior art keywords
performance value
data
model
performance
installed state
Prior art date
Application number
PCT/JP2023/033109
Other languages
English (en)
French (fr)
Inventor
葵 後藤
昌和 岡本
嘉紀 由良
修二 藤本
静香 定井
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 WO2024058149A1 publication Critical patent/WO2024058149A1/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
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/80—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air
    • F24F11/86—Control systems characterised by their outputs; Constructional details thereof for controlling the temperature of the supplied air by controlling compressors within refrigeration or heat pump circuits
    • 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
    • F24F11/88—Electrical aspects, e.g. circuits
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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 device performance value prediction method, system, and program.
  • Patent Document 1 operation data of an air conditioner is collected, and individual information that is corrected against an equipment characteristic database (a data group covering operating conditions that meet the specifications of the air conditioner) corresponds to the operation data. Equipment is diagnosed by calculating characteristic surface data.
  • equipment characteristic database a data group covering operating conditions that meet the specifications of the air conditioner
  • a model that predicts the standard performance value of each device in other words, a machine learning model generated for each device model.
  • a model that predicts individual performance values for each property may be used. For example, by comparing the normal performance values predicted by each model in FIG. 1 with the actual performance values, it is possible to detect an abnormality in the device.
  • the model that predicts the standard performance value for each model and the model that predicts the individual performance value for each property have the following problems.
  • the present disclosure aims to obtain performance values that take into account individual variations in the manufacturing of devices or variations in conditions during installation.
  • the device performance value prediction method includes: a step of acquiring data in the installed state of the device; predicting a performance value of the device in the installed state corresponding to a predetermined time using data of the device in the installed state and at least a reference model; including.
  • the first aspect of the present disclosure it is possible to obtain a performance value that takes into account individual variations in the manufacturing of devices or variations in conditions at the time of installation.
  • a device performance value prediction method is the device performance value prediction method according to the first aspect, comprising: In the obtaining step, data is obtained when the device is installed at a predetermined property; In the step of predicting, the reference model predicts the standard performance value of the device from data when the device is installed in a predetermined property and at least data of the device generated for each model of the device. , to predict the performance value corrected for the individual differences between the properties.
  • a performance value that takes into account variations between properties can be calculated. Obtainable.
  • a device performance value prediction method is the device performance value prediction method according to the second aspect, comprising: In the step of predicting, two models, the reference model and a model for correcting the reference performance value, are used to predict the performance value corrected for individual differences between the properties.
  • a device performance value prediction method is the device performance value prediction method according to the first aspect, comprising: In the step of predicting, Predicting a standard performance value of the device using data in the installed state of the device and the reference model, The installed state of the device corresponding to a predetermined time is calculated using data for the installed state of the device and a correction model that corrects the standard performance value of the device predicted by the reference model. Predict the performance value at
  • a device performance value prediction method is the device performance value prediction method according to the fourth aspect, comprising: The method further includes the step of generating the correction model by learning with data of the equipment at a predetermined time and in an installed state, and learning with data including at least operating conditions of the equipment as an explanatory variable. .
  • a device performance value prediction method is the device performance value prediction method according to the first aspect, comprising: In the step of predicting, A performance value of the device in the installed state corresponding to a predetermined period is predicted using data in the installed state of the device and a model generated using the reference model.
  • a corrected performance value can be predicted using one model.
  • a device performance value prediction method is the device performance value prediction method according to the sixth aspect, comprising: The method further includes the step of additionally learning the reference model using data of the device in the installed state at a predetermined time.
  • a corrected performance value can be predicted using one model.
  • a device performance value prediction method is the device performance value prediction method according to any one of the first to seventh aspects, comprising: The method further includes the step of calculating an index related to performance deterioration from the predicted performance value of the device and the performance value of the device calculated from the acquired data of the device.
  • the eighth aspect of the present disclosure it is possible to diagnose performance deterioration by taking into account individual variations in manufacturing of devices or variations in conditions at the time of installation.
  • a device performance value prediction method is the device performance value prediction method according to the eighth aspect, comprising: The method further includes the step of notifying performance deterioration using the calculated index related to performance deterioration.
  • the administrator or user of the device can know performance deterioration taking into account individual variations in the manufacturing of the device or variations in the state at the time of installation.
  • the device performance value prediction method according to the tenth aspect of the present disclosure is the device performance value prediction method according to the fourth aspect or the fifth aspect, comprising:
  • the device used to generate the correction model is the same device of the same model as the device for prediction.
  • a correction model can be generated using equipment data of a new property.
  • the device performance value prediction method according to the eleventh aspect of the present disclosure is the device performance value prediction method according to the fourth aspect or the fifth aspect, comprising:
  • the device used to generate the correction model is one or more different devices of the same model as the device for prediction.
  • a correction model can be generated using data of equipment of an existing property.
  • the device performance value prediction method is the device performance value prediction method according to the fourth aspect or the fifth aspect, comprising:
  • the devices used to generate the correction model are the same device of the same model as the device for prediction, and one or more different devices of the same model.
  • a correction model can be generated using equipment data of a new property and data of an existing property.
  • a device performance value prediction method is the device performance value prediction method according to the fourth aspect or the fifth aspect, comprising:
  • the training data for the reference model and the correction model is test data, field data (market operation data), or simulation data.
  • learning can be performed using various data.
  • the device performance value prediction method according to the fourteenth aspect of the present disclosure is the device performance value prediction method according to the fourth aspect or the fifth aspect, comprising:
  • the teaching data of the reference model and the correction model is data when the device is normal.
  • the fourteenth aspect of the present disclosure it is possible to predict the performance value when the device is normal.
  • a device performance value prediction system includes: A system comprising a control unit that predicts performance values of equipment in an installed state corresponding to a predetermined period, The control unit includes: Obtain data on the installed state of the device, A performance value of the device in the installed state corresponding to a predetermined period is predicted using data of the device in the installed state and at least a reference model.
  • a device performance value prediction system is the device performance value prediction system according to the fifteenth aspect, comprising: The control unit includes: Predicting a standard performance value of the device using data in the installed state of the device and the reference model, The installed state of the device corresponding to a predetermined time is calculated using data for the installed state of the device and a correction model that corrects the standard performance value of the device predicted by the reference model. Predict the performance value at
  • the device performance value prediction system is the device performance value prediction system according to the fifteenth aspect, comprising:
  • the control unit includes: A performance value of the device in the installed state corresponding to a predetermined period is predicted using data in the installed state of the device and a model generated using the reference model.
  • the program according to the eighteenth aspect of the present disclosure includes: A device performance value prediction system equipped with a control unit that predicts the performance value of the device in the installed state corresponding to a predetermined period, a procedure for acquiring data in the installed state of the device; a step of predicting a performance value of the device in an installed state corresponding to a predetermined time using data of the device in an installed state and at least a reference model; Execute.
  • FIG. 3 is a diagram for explaining a method of predicting performance values.
  • FIG. 3 is a diagram for explaining a method of predicting performance values.
  • 1 is an example of the entire configuration according to an embodiment of the present disclosure.
  • FIG. 1 is a hardware configuration diagram of a device performance value prediction device and a device performance value diagnosis device according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit according to an embodiment of the present disclosure (in a case where two models are generated). This is an example of predicting performance values using two models according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit according to an embodiment of the present disclosure (in the case of additionally learning a reference model).
  • FIG. 1 is an example of the entire configuration according to an embodiment of the present disclosure.
  • FIG. 1 is a hardware configuration diagram of a device performance value prediction device and a device performance value diagnosis device according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of
  • FIG. 2 is a functional block diagram of a control unit (in case of parallel operation) according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit (in the case of series 1) according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit (in the case of series 2) according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit (in the case of additional learning) according to an embodiment of the present disclosure.
  • 1 is an example of a model according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit according to an embodiment of the present disclosure.
  • FIG. 2 is a functional block diagram of a control unit according to an embodiment of the present disclosure.
  • FIG. 1 is a hardware configuration diagram of an air conditioner according to an embodiment of the present disclosure.
  • FIG. 3 is a diagram for explaining the degree of subcooling (SC) according to an embodiment of the present disclosure.
  • FIG. 13 is a diagram for explaining a degree of superheat (SH) according to an embodiment of the present disclosure.
  • FIG. 2 is a diagram for explaining a thermal conductivity (KA) according to an embodiment of the present disclosure.
  • 3 is a flowchart of learning processing according to an embodiment of the present disclosure. It is a flowchart of prediction processing (in case of parallel) according to one embodiment of the present disclosure.
  • FIG. 3 is an example of the overall configuration of the present disclosure.
  • the device performance value diagnosis system 1 includes a device performance value prediction device 10, a device performance value diagnosis device 11, and a device 20.
  • the device performance value prediction device 10 and the device performance value diagnosis device 11 can transmit and receive data to and from the device 20 via any network.
  • the device performance value prediction device 10 and the device performance value diagnosis device 11 can exchange data with each other via any network.
  • the device performance value prediction device 10 and the device performance value diagnosis device 11 are explained as separate devices, but the device performance value prediction device 10 and the device performance value diagnosis device 11 can be implemented as one device. good.
  • the device performance value prediction device 10 is a device that predicts the performance value of the device 20 during normal operation. Specifically, the device performance value prediction device 10 acquires data of the device 20 from the device 20. The device performance value prediction device 10 predicts the standard performance value of the device 20 from the data of the device 20 using the reference model, and predicts the performance correction value of the device 20 from the data of the device 20 using the correction model. The device performance value prediction device 10 calculates the performance value of the device 20 from the reference performance value and the performance correction value. The performance correction value of the device 20 is based on either individual differences at the time of manufacture of the device 20 or state differences at the time of installation.
  • the device performance value diagnosis device 11 diagnoses the device 20. Specifically, the device performance value diagnosis device 11 calculates the performance value of the device 20 calculated by the device performance value prediction device 10 from the standard performance value and the performance correction value, and the actual performance value (actually measured performance value) of the device 20. , to diagnose the device 20.
  • the device 20 may be any device.
  • device 20 is an air conditioner.
  • the device 20 can include devices of multiple models (for example, in FIG. 3, a device of model X and a device of model Y).
  • the building, floor, etc. (hereinafter also referred to as property) on which the device 20 is installed can include a plurality of properties (for example, property A, property B, and property C in FIG. 3).
  • property A has equipment of model X and equipment of model Y installed
  • property B has equipment of model X installed
  • property C has equipment of model Y installed. ing.
  • Individual differences between properties may be individual differences that occur between different buildings (for example, variations that occur between building A and building B), or the installation location of floors, areas, rooms, etc. within the same building. It may also be an individual difference that occurs between the two (for example, a variation that occurs between the installation location a and the installation location b in the building A).
  • the device performance value prediction device 10 and the device performance value diagnosis device 11 are located remotely from the device 20 (for example, a cloud server) is explained, but the device performance value prediction device 10 and the device At least one of the performance value diagnostic device 11 may be located inside the device 20, or may be installed within the property where the device 20 is installed.
  • a system including the equipment performance value prediction device 10 and the equipment performance value diagnosis device 11 acquires data when the equipment 20 is installed (for example, data when the equipment 20 is installed at a predetermined property), Using data on the installed state of the device 20 and at least the reference model, the performance value of the device 20 in the installed state corresponding to a predetermined period (e.g., normal time) is predicted (e.g. , using data when the device 20 is installed in a predetermined property, and at least a reference model that predicts the standard performance value of the device 20 from data of the device 20 generated for each model of the device 20. It is possible to predict performance values that correct for individual differences between properties (reflecting variations between properties).
  • a predetermined period e.g., normal time
  • the system can predict performance values that have been corrected for individual differences between properties using two models: a reference model and a model for correcting the reference performance values.
  • the system predicts the standard performance value of the device 20 using the data in the installed state of the device 20 and the reference model, and uses the data in the installed state of the device 20 and the standard model.
  • the performance value of the device 20 in the installed state corresponding to a predetermined period can be predicted using the correction model that corrects the reference performance value of the device 20 predicted in the above.
  • the system generates a correction model by learning with data of the device 20 in the installed state at a predetermined time, and by learning with data including at least the operating conditions of the device 20 as an explanatory variable. be able to.
  • the system uses data on the installed state of the device 20 and a model generated using the reference model to determine the performance of the device 20 in the installed state corresponding to a predetermined period. value can be predicted.
  • the system can additionally learn the reference model using data from the installed state of the device 20 at a predetermined time.
  • FIG. 4 is a hardware configuration diagram of the device performance value prediction device 10 and the device performance value diagnosis device 11 according to an embodiment of the present disclosure.
  • the equipment performance value prediction device 10 and the equipment performance value diagnosis device 11 include a control unit 1001, a main storage unit 1002, an auxiliary storage unit 1003, an input unit 1004, an output unit 1005, and an interface unit 1006. Can be done. Each will be explained below.
  • the control unit 1001 is a processor (for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), etc.) that executes various programs installed in the auxiliary storage unit 1003.
  • a processor for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), etc.
  • CPU Central Processing Unit
  • GPU Graphics Processing Unit
  • the main storage unit 1002 includes nonvolatile memory (ROM (Read Only Memory)) and volatile memory (RAM (Random Access Memory)).
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the ROM stores various programs, data, etc. necessary for the control unit 1001 to execute various programs installed in the auxiliary storage unit 1003.
  • the RAM provides a work area in which various programs installed in the auxiliary storage unit 1003 are expanded when the control unit 1001 executes them.
  • the auxiliary storage unit 1003 is an auxiliary storage device that stores various programs and information used when the various programs are executed.
  • the input unit 1004 is an input device through which the operator of the device performance value prediction device 10 and the device performance value diagnosis device 11 inputs various instructions to the device performance value prediction device 10 and the device performance value diagnosis device 11.
  • the output unit 1005 is an output device that outputs the internal state of the device performance value prediction device 10 and the device performance value diagnosis device 11.
  • the interface unit 1006 is a communication device that connects to various sensors and networks and communicates with various sensors and other devices.
  • FIG. 5 is a functional block diagram of the control unit 1001 (when two models are generated) according to an embodiment of the present disclosure.
  • FIG. 5 shows the learning process.
  • the control unit 1001 includes a reference model learning unit 101 and a correction model learning unit 102. Further, the control unit 1001 functions as a reference model learning unit 101 and a correction model learning unit 102 by executing programs. Each will be explained below.
  • the reference model learning unit 101 generates a reference model and stores the generated reference model in an arbitrary storage unit.
  • the reference model learning unit 101 acquires teacher data.
  • the teacher data is the operating condition of the device 20 and the actual performance value of the device 20 (the actual performance value is calculated from the operating condition of the device 20 and the sensor value).
  • the reference model learning unit 101 performs learning using the acquired teacher data to generate a reference model.
  • the reference model is a model that outputs a performance value (reference performance value) of the device when data of the device 20 (for example, operating conditions of the device 20) is input.
  • the reference model predicts a reference performance value based on the performance values of a plurality of devices whose individual state at the time of manufacture and state at the time of installation is different.
  • the standard model is machine learning that is learned by associating data from multiple devices (e.g., device operating conditions) with different individual device states at the time of manufacture and in different states at the time of installation, and the actual performance values of the device. It's a model.
  • the reference model is generated for each model of the device 20.
  • the reference model learning unit 101 calculates, for each model of the device 20, the data of the device 20 (for example, the operating conditions of the device 20) and the actual performance value of the device 20 of the device 20. , and learn by relating them.
  • the reference model is a machine learning model trained using data from at least a device different from the target device (that is, the device for which the performance value is to be obtained). That is, the training data of the reference model may include only data of a device different from the target device, or may include both data of a device different from the target device and data of the target device.
  • the teacher data of the reference model is data when the device 20 is normal.
  • the teacher data for the reference model includes test data (data collected during development and research tests of the equipment 20), field data (data collected in the field (for example, data collected in the actual installed environment), (log data or cloud data), or simulation data (data simulated by a computer).
  • the correction model learning unit 102 generates a correction model and stores the generated correction model in an arbitrary storage unit.
  • the correction model learning unit 102 acquires teacher data.
  • the teaching data includes the operating conditions and actual element performance values of the device 20 (the actual element performance values are calculated from the operating conditions and sensor values of the device 20), and the reference performance value of the device 20. The difference between (calculated from the operating conditions and sensor values).
  • the correction model learning unit 102 performs learning using the acquired teacher data to generate a correction model.
  • the correction model calculates the difference between the standard performance value and the actual performance value of the device 20 or the actual performance with respect to the standard performance value. This is a model that outputs the ratio of values (performance correction value).
  • the performance correction value indicates "the difference between the normal performance value of the device 20 and the reference performance value" or "the ratio of the normal performance value of the device 20 to the reference performance value.”
  • the correction model is a machine learning model that corrects the standard performance value of the device 20 predicted by the standard model.
  • the input of the correction model is based on the data of the equipment 20, which has a large correlation with the difference from the standard performance value or the ratio with respect to the standard performance value (in other words, either the individual difference at the time of manufacture of the equipment or the difference in the state at the time of installation). parameters).
  • the correction model learning unit 102 inputs all data of the device 20 (for example, all operating conditions and all element performance values) into the correction model, and outputs the difference from the reference performance value or the ratio to the reference performance value. Sometimes, data that has a high contribution rate to increasing the difference or ratio (for example, operating conditions with a high contribution rate and element performance values with a high contribution rate) are input (explanation) to predict the performance correction value. variable).
  • the correction model learning unit 102 determines the optimal explanatory variables for the correction model based on the importance of the random forest (contribution rate to the reduction of the Gini coefficient), or determines the optimal explanatory variables for the correction model using multiple regression analysis or the like. can be determined.
  • parameters that have a large correlation with the difference from the standard performance value or the ratio to the standard performance value are indicators related to the refrigerant charge amount of the equipment, indicators related to the heat exchanger performance of the equipment, and indicators related to the compressor performance of the equipment.
  • any one of the related indicators, the indicators related to the connecting piping length of the equipment, or the indicators related to the refrigerant filling amount of the equipment, and the indicators related to the heat exchanger performance of the equipment It is a value related to two or more indicators including one of the indicators related to the compressor performance of the equipment and the indicator related to the connecting piping length of the equipment and another indicator.
  • the output of the correction model is the difference from the reference performance value or the ratio to the reference performance value.
  • the performance correction value is based on either individual differences at the time of manufacture of the equipment or differences in conditions at the time of installation.
  • the difference in the state at the time of equipment installation is the initial refrigerant filling amount.
  • the state difference at the time of installation is the initial refrigerant charging amount
  • the smaller the initial refrigerant charging amount the larger the absolute value of the performance correction value (for example, COP).
  • the difference in conditions at the time of installation is the weight value of the filling pump at the time of installation, the value of the degree of subcooling (SC) at the time of installation, the value of the degree of superheating (SH) at the time of installation, and the value of the expansion valve opening at the time of installation. (EV opening degree) or the like.
  • the difference in condition at the time of installation may be a difference in condition due to the fins of the heat exchanger falling down or being crushed during transportation or installation.
  • a correction model is generated for each property where the device 20 is installed.
  • the correction model learning unit 102 calculates, for each property where the equipment 20 is installed, the operating conditions and actual element performance values of the equipment 20 installed in the property, and the operating conditions and actual element performance values of the equipment 20 installed in the property. The difference between the standard performance value and the actual performance value or the ratio of the actual performance value to the standard performance value is learned in association with each other.
  • the teaching data of the correction model is data when the device 20 is normal.
  • the training data for the correction model can be test data (data collected during development or research tests of the equipment 20), field data (data collected in the field (for example, data collected in the actual installed environment), (log data or cloud data), or simulation data (data simulated by a computer).
  • the device used to generate the correction model is the same device of the same model as the device used for prediction by the device performance value prediction device 10.
  • the device used to generate the correction model is one or more devices of the same model as the device for prediction by the device performance value prediction device 10.
  • the equipment used to generate the correction model may be the same equipment of the same model as the equipment predicted by the equipment performance value prediction device 10, or one or more different equipment of the same model. be.
  • the performance value can be corrected for each property by taking into account individual differences in the manufacturing of devices and differences in conditions at the time of installation.
  • a reference model is generated for each type of device, and a correction model is generated for each property where the device is installed.
  • the standard performance value is predicted using a standard model of the same model as the target device (that is, the device whose performance value is to be obtained), and the performance correction value is predicted using a correction model of the property where the target device is installed. Therefore, it is possible to correct variations in performance values for each property that occur even if the same model and equipment are normal.
  • the performance value may be corrected for each model by taking into account individual differences in the manufacturing of the device and differences in the conditions at the time of installation.
  • a reference model is generated using data from multiple models of devices, and a correction model is generated for each model.
  • the model by dividing the model into two: the standard model that predicts the standard performance value and the correction model that predicts the performance correction value, the number of explanatory variables can be reduced, so learning converges quickly without overfitting. .
  • FIG. 6 is an example of predicting performance values using two models according to an embodiment of the present disclosure.
  • a reference model for example, a model generated for each model; a reference performance value that is a performance value for each model is predicted from device data
  • a correction model based on equipment data for example, a model generated for each property where the equipment of the relevant model is installed.
  • the performance value and standard performance of the equipment of the equipment in the relevant property The corrected performance of the device 20 is calculated based on the predicted performance correction value (predicting the difference or ratio with the standard performance value) and It is possible to predict the performance value (that is, the performance value taking into account variations).
  • a reference model for example, a model generated for each model predicts a reference performance value that is a performance value for each model from device data.
  • a correction model for example, a model generated for each property where the device of the relevant model is installed
  • the standard performance value is used to predict the standard performance value using the standard performance value. It is possible to predict the corrected performance value (that is, the performance value taking into account variations) of the device 20 using the following information.
  • a correction model for example, a model generated for each property
  • the equipment at a predetermined property (reference property).
  • Predict the corrected device data using the corrected device data predict the corrected device data
  • use the corrected device data to predict the standard model (for example, a model generated for each model.
  • the corrected performance value that is, the performance value taking into account variations) of the device 20 can be predicted using the standard performance value that is a performance value for each model.
  • FIG. 7 is a functional block diagram of the control unit 1001 according to an embodiment of the present disclosure (in the case of additionally learning a reference model).
  • FIG. 7 shows the learning process.
  • the control unit 1001 includes a reference model learning unit 101 and an additional learning unit 103. Furthermore, the control unit 1001 functions as a reference model learning unit 101 and an additional learning unit 103 by executing programs.
  • the differences from the case of FIG. 5 will be mainly explained for each case.
  • the reference model learning unit 101 generates a reference model and stores the generated reference model in an arbitrary storage unit. For example, the reference model learning unit 101 learns using teacher data (for example, device data for each model and reference performance values that are performance values for each model) and performs learning using teacher data (for example, device data is inputted to the reference model). Then, a model is generated that outputs the standard performance value of the device.
  • teacher data for example, device data for each model and reference performance values that are performance values for each model
  • teacher data for example, device data is inputted to the reference model.
  • the additional learning unit 103 additionally learns the reference model generated by the reference model learning unit 101 using the data of the device 20 (data on the property where the device 20 is installed (device data and performance value of the device). For example, additional learning is transfer learning, distillation, and fine tuning.
  • FIG. 8 is a functional block diagram (in the case of parallel control) of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 8 shows the prediction process.
  • the control unit 1001 includes a reference performance value prediction unit 111, a performance correction value prediction unit 112, and a performance value calculation unit 113. Further, the control unit 1001 functions as a reference performance value prediction unit 111, a performance correction value prediction unit 112, and a performance value calculation unit 113 by executing the program. Each will be explained below.
  • the reference performance value prediction unit 111 predicts the reference performance value of the device 20 using the reference model from the data of the device 20. For example, the standard performance value prediction unit 111 inputs the operating conditions of the device 20 into the standard model and outputs the standard performance value of the device 20.
  • the performance correction value prediction unit 112 predicts the performance correction value of the device 20 from the data of the device 20 using a correction model.
  • the device performance value prediction device 10 inputs the operating conditions and element performance values of the device 20 into the correction model (the element performance values are calculated from the operating conditions and sensor values of the device 20), and output the performance correction value.
  • the performance value calculation unit 113 calculates the performance value of the device 20 based on the standard performance value predicted by the standard performance value prediction unit 111 and the performance correction value predicted by the performance correction value prediction unit 112. For example, the device performance value prediction device 10 adds or multiplies a performance correction value to a reference performance value.
  • FIG. 9 is a functional block diagram (in the case of series 1) of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 9 shows the prediction process.
  • the control unit 1001 includes a reference performance value prediction unit 111 and a performance value correction unit 114. Further, the control unit 1001 functions as a reference performance value prediction unit 111 and a performance value correction unit 114 by executing a program.
  • the reference performance value prediction unit 111 predicts the reference performance value of the device 20 using the reference model from the data of the device 20. Specifically, the standard performance value prediction unit 111 inputs the data of the device 20 into the standard model and outputs the standard performance value of the device 20.
  • the performance value correction unit 114 generates a correction model (specifically, when a standard performance value of a device is inputted, a corrected performance value of the device is output based on the standard performance value predicted by the standard performance value prediction unit 111).
  • the corrected performance value of the device 20 is predicted using the corrected model.
  • the performance value correction unit 114 inputs the standard performance value of the device 20 into the correction model, and causes the corrected performance value of the device 20 to be output.
  • FIG. 10 is a functional block diagram (in the case of series 2) of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 10 shows the prediction process.
  • the control unit 1001 includes an equipment data correction unit 115 and a reference performance value prediction unit 111. Further, the control unit 1001 functions as the device data correction unit 115 and the reference performance value prediction unit 111 by executing the program.
  • the device data correction unit 115 calculates the corrected device 20 from the data of the device 20 using a correction model (specifically, a model that outputs corrected device data when device data is input). Predict data. Specifically, the device data correction unit 115 inputs the data of the device 20 into the correction model and causes the corrected data of the device 20 to be output.
  • a correction model specifically, a model that outputs corrected device data when device data is input.
  • the reference performance value prediction unit 111 predicts the performance value of the device 20 (i.e., the corrected performance value) using a reference model from the corrected data of the device 20 predicted by the device data correction unit 115. Specifically, the reference performance value prediction unit 111 inputs the corrected data of the device 20 into the reference model, and outputs the performance value of the device 20 (i.e., the corrected performance value).
  • FIG. 11 is a functional block diagram (in the case of additional learning) of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 11 shows the prediction process.
  • the control unit 1001 includes a performance value prediction unit 116. Furthermore, the control unit 1001 functions as the performance value prediction unit 116 by executing a program.
  • the performance value prediction unit 116 predicts the performance value (that is, the corrected performance value) from the data of the device 20 using the model obtained by additionally learning the reference model.
  • FIG. 12 is an example of a model according to an embodiment of the present disclosure.
  • the reference model and correction model described in this specification are not limited to machine learning models, and may be expressions or maps.
  • FIG. 12 shows an example of a reference model.
  • the model is, for example, a machine learning model.
  • the reference model is a model that has been trained to output a reference performance value when device data (eg, A, B) is input.
  • the model is, for example, an equation (regression equation).
  • the standard formula (regression formula) is a formula (regression formula) that can calculate a standard performance value from device data (for example, A, B).
  • the model is, for example, a map (also referred to as a correspondence table).
  • the reference map is a map representing reference performance values corresponding to each value of device data (for example, A1, A2, A3, B1, B2, B3).
  • FIG. 13 is a functional block diagram of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 13 shows the diagnosis process.
  • the control unit 1001 includes an actual measured performance value calculation unit 121, a diagnosis unit 122, and a notification unit 123. Furthermore, the control unit 1001 functions as an actual measured performance value calculation unit 121, a diagnosis unit 122, and a notification unit 123 by executing a program.
  • FIG. 13 describes the above-mentioned parallel case, the same applies to series 1, series 2, and additional learning.
  • the measured performance value calculation unit 121 calculates the measured performance value (actual performance value) of the device 20 from the data of the device 20. For example, the measured performance value calculation unit 121 calculates the measured performance value of the device 20 from the operating conditions of the device 20 and the sensor values.
  • the diagnostic unit 122 diagnoses the performance value of the device 20.
  • the diagnosis unit 122 uses the performance value of the device 20 calculated by the performance value calculation unit 113 (that is, the performance value calculated based on the reference performance value and the performance correction value in FIG. 8) and the measured performance value calculation unit.
  • An index related to performance deterioration is calculated from the actual measured performance value of the device 20 calculated by 121.
  • the diagnosis section 122 uses the performance value of the device 20 calculated by the performance value calculation section 113 and the measured performance value calculation section 121. It can be diagnosed that the performance of the device 20 is more degraded as the difference between the actual measured performance value of the device 20 and the calculated performance value of the device 20 is greater.
  • the notification unit 123 notifies the results of the diagnosis performed by the diagnosis unit 122 (for example, transmits the results of the diagnosis to the terminal of the administrator or user of the device 20). For example, the notification unit 123 uses the index related to performance deterioration calculated by the diagnosis unit 122 to notify the performance deterioration. For example, the notification unit 123 can notify the presence or absence of deterioration of the device 20 and the degree of deterioration of the device 20.
  • the device 20 can be diagnosed using the performance value of the device 20 obtained with high accuracy.
  • FIG. 14 is a functional block diagram of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 14 shows the initial diagnosis process.
  • the control unit 1001 includes an actual measured performance value calculation unit 121, a diagnosis unit 122, and a notification unit 123. Further, the control unit 1001 functions as an actual measured performance value calculation unit 121, a diagnosis unit 122, and a notification unit 123 by executing a program.
  • FIG. 14 describes the above-mentioned parallel case, the same applies to series 1, series 2, and additional learning.
  • the measured performance value calculation unit 121 calculates the measured performance value (actual performance value) of the device 20 from the data of the device 20. For example, the measured performance value calculation unit 121 calculates the measured performance value of the device 20 from the operating conditions of the device 20 and the sensor values.
  • the diagnostic unit 122 diagnoses the performance value of the device 20. Specifically, the diagnosis unit 122 uses the standard performance value of the device 20 predicted by the standard performance value prediction unit 111 (that is, the standard performance value predicted using the standard model in FIG. 8) and the actual measured performance value calculation. An index related to performance deterioration is calculated from the actual measured performance value of the device 20 calculated by the unit 121.
  • the diagnosis unit 122 uses the performance value of the device 20 calculated by the standard performance value prediction unit 111 and the performance value calculated by the actual measured performance value calculation unit 121. The greater the difference between the measured performance value of the device 20 and the measured performance value of the device 20, the more it can be diagnosed that the performance of the device 20 has deteriorated.
  • the notification unit 123 notifies the results of the diagnosis performed by the diagnosis unit 122 (for example, transmits the results of the diagnosis to the terminal of the administrator or user of the device 20). For example, the notification unit 123 uses the index related to performance deterioration calculated by the diagnosis unit 122 to notify the performance deterioration. For example, the notification unit 123 can notify the presence or absence of deterioration of the device 20 and the degree of deterioration of the device 20.
  • FIG. 15 is a functional block diagram of the control unit 1001 according to an embodiment of the present disclosure.
  • FIG. 15 shows the process of calculating element performance values.
  • the control unit 1001 includes an element performance value calculation unit 131. Furthermore, the control unit 1001 functions as the element performance value calculation unit 131 by executing a program.
  • the element performance value calculation unit 131 acquires data of the device 20 (for example, operating conditions of the device 20 and sensor values of the device 20). The element performance value calculation unit 131 calculates the element performance value of the device 20 by performing calculations using data of the device 20 (for example, operating conditions of the device 20 and sensor values of the device 20).
  • Air conditioner an air conditioner that is an example of the device 20 will be described.
  • the air conditioner may be a room air conditioner, a package air conditioner, a multi-air conditioner, a central air conditioner, or the like, and may be used not only for heating and cooling purposes but also for a refrigeration/freezing system.
  • FIG. 16 is a hardware configuration diagram of an air conditioner 2000 according to an embodiment of the present disclosure.
  • the air conditioner 2000 has an indoor unit 2001 and an outdoor unit 2002.
  • the indoor unit 2001 and the outdoor unit 2002 are connected by a connecting pipe. Note that FIG. 16 shows a refrigeration cycle during cooling of the air conditioner 2000.
  • the indoor unit 2001 has an expansion valve 3001 and a heat exchanger (evaporator) 3002.
  • the outdoor unit 2002 has a compressor 3003 and a heat exchanger (condenser) 3004.
  • the flow of refrigerant will be explained.
  • the high temperature and high pressure liquid is depressurized by the expansion valve 3001 and becomes a low temperature and low pressure liquid.
  • the refrigerant changes from liquid to gas due to heat absorption.
  • the low-temperature, low-pressure gas is pressurized by the compressor 3003, and becomes high-temperature, high-pressure gas.
  • the condenser 3004 the refrigerant changes from gas to liquid due to heat radiation.
  • the heat exchanger of the indoor unit 2001 serves as a condenser
  • the heat exchanger of the outdoor unit 2002 serves as an evaporator
  • the refrigerant flows in the opposite direction to that in FIG. 16.
  • the data of the device 20 is data that can be acquired while the device 20 is operating.
  • the data of the device 20 includes operating conditions of the device 20 (various conditions during operation of the device 20), sensor values of the device 20 (values acquired by the sensors of the device 20), and the like.
  • the operating conditions of the device 20 include outdoor temperature, outdoor humidity, indoor temperature, indoor humidity, compressor rotation speed, indoor fan rotation speed, outdoor fan rotation speed, and the like.
  • the sensor values of the device 20 are high pressure, low pressure, condensation temperature, evaporation temperature, liquid pipe temperature, gas pipe temperature, discharge temperature, suction temperature, outdoor temperature, outdoor humidity, indoor temperature, indoor humidity, etc.
  • the element performance value is calculated from the operating conditions of the device 20 and the sensor values of the device 20.
  • the performance values of the device 20 will be explained.
  • the performance value is a performance value regarding the entire device (for example, an air conditioner) 20 or a performance value regarding an element of the device (for example, an air conditioner) 20.
  • the device performance value prediction device 10 can calculate performance values regarding elements of the device 20 (element performance values) from the operating conditions and sensor values of the device 20.
  • the overall performance value is a performance value regarding an air conditioner system.
  • the overall performance value includes at least one of the cooling capacity, heating capacity, power consumption, and COP (Coefficient of Performance) of the air conditioner.
  • Cooling capacity is the performance of an air conditioner during cooling.
  • Heating capacity is the performance of an air conditioner during heating.
  • Power consumption is the power consumption of the air conditioner.
  • COP is the capacity per 1 kW of power consumption of an air conditioner.
  • the element performance value is a performance value regarding element parts that constitute an air conditioner.
  • the element performance values include the degree of subcooling (SC), degree of superheating (SH), expansion valve opening (EV opening), condenser heat transfer coefficient (condenser KA), and evaporation It includes at least one of the unit heat transfer coefficient (evaporator KA), compressor current, and differential pressure.
  • the refrigerant filling amount (for example, variation in initial filling amount) is expressed by, for example, SC, SH, and EV opening degree.
  • the degree of supercooling represents the amount of refrigerant charged in the air conditioner.
  • the degree of supercooling is a value that changes depending on the amount of refrigerant charged during cooling. This will be explained in detail later with reference to FIG. 17.
  • the degree of superheating represents the amount of refrigerant charged in the air conditioner.
  • the degree of superheat (SH) is a value that changes depending on the amount of refrigerant charged during heating. This will be explained in detail later with reference to FIG. 18.
  • the expansion valve opening degree (EV opening degree) represents the amount of refrigerant charged in the air conditioner.
  • the expansion valve opening degree (EV opening degree) is a value that changes depending on the amount of refrigerant charged even under the same operating conditions.
  • the condenser heat transfer coefficient represents the performance of the condenser.
  • the condenser is a heat exchanger for an outdoor unit during cooling, and a heat exchanger for an indoor unit during heating.
  • the condenser heat transfer coefficient (condenser KA) is a value that changes depending on the shape of the heat exchanger and the installed environment even under the same operating conditions. This will be explained in detail later with reference to FIG. 19.
  • the evaporator heat transfer coefficient (evaporator KA) represents the performance of the evaporator.
  • the evaporator is a heat exchanger for an indoor unit during cooling, and a heat exchanger for an outdoor unit during heating.
  • the evaporator heat transfer coefficient (evaporator KA) is a value that changes depending on the shape of the heat exchanger and the installed environment even under the same operating conditions. This will be explained in detail later with reference to FIG. 19.
  • the compressor current is the input (current) of the compressor.
  • Compressor current represents the current consumption that varies depending on the efficiency of the compressor.
  • Differential pressure is the difference between high and low pressure. Differential pressure represents pressure loss that varies depending on the length of connecting piping.
  • the differential pressure is the suction pressure drop.
  • the suction pressure drop is a value that changes depending on the length of the connecting piping even under the same operating conditions.
  • the differential pressure is a difference between high and low pressures.
  • the height differential pressure is a value that changes depending on the length of the connecting pipe even under the same operating conditions.
  • the element performance values include the type of refrigerant in the air conditioner, the fan of the air conditioner, the inner diameter of the connecting pipe, the bent pipe of the connecting pipe, values related to short circuits, and recorded data (refrigerant charge amount, connecting pipe For example, it may be how many kg of refrigerant is filled, how many meters of pipes are connected, etc.).
  • FIG. 17 is a diagram for explaining the degree of subcooling (SC) according to an embodiment of the present disclosure.
  • the refrigerant in the condenser changes from the gas phase to the liquid phase due to heat radiation, but the pressure and temperature remain constant during the phase change (saturation state). However, even if the pressure remains the same, when the refrigerant becomes only liquid, the temperature of the liquid decreases. The state in which the refrigerant temperature falls below the saturation temperature is called supercooling (see FIG. 17), and the temperature difference at this time is called the degree of supercooling.
  • FIG. 18 is a diagram for explaining the degree of superheat (SH) according to an embodiment of the present disclosure.
  • the refrigerant in the evaporator changes from the liquid phase to the gas phase due to heat absorption, but the pressure and temperature remain constant during the phase change (saturation state). However, even if the pressure remains the same, when the refrigerant becomes only gas, the temperature of the gas increases. The state in which the refrigerant temperature rises above the saturation temperature is called superheating (see FIG. 18), and the temperature difference at this time is called the degree of superheating.
  • FIG. 19 is a diagram for explaining the thermal conductivity (KA) according to an embodiment of the present disclosure.
  • the movement of heat between the outer and inner surfaces of the heat exchanger is called heat transfer. 1 mm 2 and the heat passage rate per hour is expressed as K, and the area of the heat exchanger is expressed as A, and the performance of the heat exchanger is expressed.
  • FIG. 20 is a flowchart of learning processing according to an embodiment of the present disclosure.
  • step 101 (S101) the device performance value prediction device 10 acquires teacher data.
  • step 102 the device performance value prediction device 10 performs learning using the teacher data acquired in S101 to generate a machine learning model.
  • the device performance value prediction device 10 acquires data of at least a device different from the target device (that is, the device for which the performance value is to be obtained), learns using the acquired data of the device, and creates a reference model. generate.
  • the reference model is a model that outputs the performance value (reference performance value) of the device when the operating conditions of the device are input.
  • the device performance value prediction device 10 acquires device data, performs learning using the acquired device data, and generates a correction model.
  • the correction model is a model that outputs performance correction values when operating conditions and element performance values of the device are input.
  • the equipment performance value prediction device 10 learns using teacher data (for example, equipment data for each model and reference performance values that are performance values for each model) to create a reference model (equipment performance value).
  • teacher data for example, equipment data for each model and reference performance values that are performance values for each model
  • a model is generated that outputs the standard performance value of the device.
  • the device performance value prediction device 10 also uses teacher data (for example, a “standard performance value” that is a performance value for each model, and a “corrected performance value” that is a performance value for each property of the model). and learns to generate a correction model (a model that outputs the corrected performance value of the device when the standard performance value of the device is input).
  • the device performance value prediction device 10 can generate a reference model for each model of the device 20, and generate a correction model for each property in which the device 20 of the model is installed.
  • the equipment performance value prediction device 10 uses teacher data (for example, equipment data for each property and corrected equipment data that is equipment data at a predetermined property (reference property)). ”) to generate a correction model (a model that outputs “corrected device data” when device data is input).
  • the device performance value prediction device 10 learns using teacher data (for example, “corrected device data” and “standard performance value” that is a performance value for each model) and uses a correction model (corrected When the data of a device is input, a model is generated that outputs the corrected performance value of the device. In this way, the device performance value prediction device 10 can generate a correction model for each property in which the device 20 is installed, and can generate a reference model for each model of the device 20.
  • the device performance value prediction device 10 learns using teacher data (for example, device data for each model and a reference performance value that is a performance value for each model) to create a reference model (device model).
  • teacher data for example, device data for each model and a reference performance value that is a performance value for each model
  • a model is generated that outputs the standard performance value of the device.
  • the device performance value prediction device 10 additionally learns the reference model using data on the property where the device 20 is installed (device data and performance value of the device). In this way, the device performance value prediction device 10 generates a reference model for each model of the device 20, and uses the reference model based on data (device data and performance values of the device) in the property where the device 20 is installed. ) for additional learning.
  • FIG. 21 is a flowchart of prediction processing (in parallel) according to an embodiment of the present disclosure.
  • step 201 the device performance value prediction device 10 predicts the standard performance value of the device 20 from the data of the device 20 using the standard model. For example, the device performance value prediction device 10 inputs the operating conditions of the device 20 into the reference model and outputs the reference performance value of the device 20.
  • step 202 the device performance value prediction device 10 predicts the performance correction value of the device 20 using the correction model from the data of the device 20.
  • the device performance value prediction device 10 inputs the operating conditions and element performance values of the device 20 into a correction model, and causes the correction model to output a performance correction value of the device 20.
  • S201 and S202 may be executed at the same time, or the order may be reversed.
  • step 203 the device performance value prediction device 10 calculates the performance value of the device 20 based on the reference performance value predicted in S201 and the performance correction value predicted in S202. For example, the device performance value prediction device 10 adds or multiplies a performance correction value to a reference performance value.
  • step 204 the device performance value prediction device 10 calculates the measured performance value of the device 20 from the data of the device 20. For example, the device performance value prediction device 10 calculates the measured performance value of the device 20 from the operating conditions and sensor values of the device 20.
  • S204 may be executed simultaneously with any one of S201 to S203, or may be executed before S201, before S202, or before S203.
  • step 205 the device performance value diagnosis device 11 diagnoses the device 20.
  • the device performance value diagnosis device 11 calculates an index related to performance deterioration from the performance value of the device 20 calculated in S203 and the measured performance value of the device 20 calculated in S204.
  • step 206 the device performance value diagnosis device 11 notifies the results of the diagnosis in S205 (for example, sends the results of the diagnosis to the terminal of the administrator or user of the device 20).
  • the device performance value diagnosis device 11 uses the index related to the performance deterioration calculated in S205 to notify the performance deterioration.
  • the device performance value diagnostic device 11 can notify the presence or absence of deterioration of the device 20 and the degree of deterioration of the device 20.
  • FIG. 22 is a flowchart of prediction processing (in the case of series 1) according to an embodiment of the present disclosure.
  • step 301 the device performance value prediction device 10 acquires data of the device 20.
  • step 302 the device performance value prediction device 10 predicts the standard performance value of the device 20 using the standard model from the data of the device 20 acquired in S301. Specifically, the device performance value prediction device 10 inputs data of the device 20 into a reference model and outputs a reference performance value of the device 20.
  • step 303 the device performance value prediction device 10 uses a correction model (specifically, when the standard performance value of the device is input, the device performance value prediction device 10 uses the correction model (specifically, when the standard performance value of the device is input, The corrected performance value of the device 20 is predicted using the model that outputs the performance value of . Specifically, the device performance value prediction device 10 inputs the reference performance value of the device 20 into the correction model, and causes the corrected performance value of the device 20 to be output.
  • FIG. 23 is a flowchart of prediction processing (in the case of series 2) according to an embodiment of the present disclosure.
  • step 401 the device performance value prediction device 10 acquires data of the device 20.
  • step 402 the device performance value prediction device 10 uses the correction model to predict the corrected data of the device 20 from the data of the device 20 acquired in S401. Specifically, the device performance value prediction device 10 inputs the data of the device 20 into the correction model and outputs the corrected data of the device 20.
  • step 403 the device performance value prediction device 10 predicts the performance value (that is, the corrected performance value) of the device 20 using the reference model from the corrected data of the device 20 predicted in S402. Specifically, the device performance value prediction device 10 inputs the corrected data of the device 20 into the reference model, and outputs the performance value (that is, the corrected performance value) of the device 20.
  • FIG. 24 is a flowchart of prediction processing (in the case of additional learning) according to an embodiment of the present disclosure.
  • step 501 the device performance value prediction device 10 acquires data of the device 20.
  • step 502 the device performance value prediction device 10 predicts the performance value (that is, the corrected performance value) from the data of the device 20 acquired in S501, using the model in which the reference model has been additionally learned. .
  • Equipment performance value diagnosis system 10 Equipment performance value prediction device 11 Equipment performance value diagnosis device 20 Equipment 101 Standard model learning section 102 Correction model learning section 103 Additional learning section 111 Standard performance value prediction section 112 Performance correction value prediction section 113 Performance value calculation Section 114 Performance value correction section 115 Equipment data correction section 116 Performance value prediction section 121 Actual performance value calculation section 122 Diagnosis section 123 Notification section 131 Element performance value calculation section 1001 Control section 1002 Main storage section 1003 Auxiliary storage section 1004 Input section 1005 Output Section 1006 Interface section 2000 Air conditioner 2001 Indoor unit 2002 Outdoor unit 3001 Expansion valve 3002 Evaporator 3003 Compressor 3004 Condenser

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Thermal Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能値を得る。本開示の一実施形態に係る機器性能値予測方法は、機器の設置された状態でのデータを取得するステップと、前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測するステップと、を含む。

Description

機器性能値予測方法、システム、およびプログラム
　本開示は、機器性能値予測方法、システム、およびプログラムに関する。
　従来、空気調和機等のＣＯＰ（Coefficient of Performance）等の性能値を用いて機器を診断することが知られている（特許文献１）。特許文献１では、空気調和機の稼働データを収集し、当該稼働データに対応するように、機器特性データベース（空気調和機の仕様を満たす稼働条件を網羅するデータ群）に対して補正された個別特性曲面データを算出することによって、機器を診断している。
　機械学習モデルを用いて機器を診断する場合には、図１に示すように、機種単位の基準の性能値を予測するモデル（つまり、機器の機種ごとに生成された機械学習モデル）を用いる場合、あるいは、物件単位の個別の性能値を予測するモデル（つまり、機器が設置される物件ごとに生成された機械学習モデル）を用いる場合が考えられる。例えば、図１の各モデルで予測された正常時の性能値と実際の性能値とを比較して、機器の異常を検知することができる。
特許６７５００９１号公報
　しかしながら、図２に示すように、機種単位の基準の性能値を予測するモデルと物件単位の個別の性能値を予測するモデルには以下のような課題がある。
　各物件における性能値には、ばらつきがあり、機種単位の基準の性能値を予測するモデルの場合、機種単位の基準の性能値（図２の基準性能値）と各物件における性能値（図２の物件Ａの性能値および物件Ｂの性能値）の乖離が反映されない。
　一方、物件単位の個別の性能値を予測するモデルの場合、物件に初期異常があると（図２の初期異常物件の性能値）、物件単位の個別の性能値を正しく予測するモデルを生成することができない。
　本開示では、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能値を得ることを目的とする。
　本開示の第１の態様による機器性能値予測方法は、
　機器の設置された状態でのデータを取得するステップと、
　前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測するステップと、
を含む。
　本開示の第１の態様によれば、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能値を得ることができる。
　本開示の第２の態様による機器性能値予測方法は、第１の態様に記載の機器性能値予測方法であって、
　前記取得するステップでは、前記機器が所定の物件に設置された状態でのデータを取得し、
　前記予測するステップでは、前記機器が所定の物件に設置された状態でのデータと、少なくとも、前記機器の機種別に生成された前記機器のデータから前記機器の基準性能値を予測する前記基準モデルと、を用いて、前記物件間の個体差を補正した性能値を予測する。
　本開示の第２の態様によれば、機種単位の基準の性能値である基準性能値を基準モデルで予測して当該基準性能値を補正することで、物件間のばらつきを考慮した性能値を得ることができる。
　本開示の第３の態様による機器性能値予測方法は、第２の態様に記載の機器性能値予測方法であって、
　前記予測するステップでは、前記基準モデルと、前記基準性能値を補正するためのモデルと、の２つのモデルを用いて、前記物件間の個体差を補正した性能値を予測する。
　本開示の第３の態様によれば、２つのモデルに分けることで、説明変数を削減することができる。
　本開示の第４の態様による機器性能値予測方法は、第１の態様に記載の機器性能値予測方法であって、
　前記予測するステップでは、
　前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
　前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
　本開示の第４の態様によれば、２つのモデルに分けることで、説明変数を削減することができる。
　本開示の第５の態様による機器性能値予測方法は、第４の態様に記載の機器性能値予測方法であって、
　前記機器の所定の時期の、設置された状態でのデータで学習し、かつ、前記機器の少なくとも運転条件を含むデータを説明変数にして学習することで前記補正モデルを生成するステップ、をさらに含む。
　本開示の第５の態様によれば、２つのモデルに分けることで、説明変数を削減することができる。
　本開示の第６の態様による機器性能値予測方法は、第１の態様に記載の機器性能値予測方法であって、
前記予測するステップでは、
　前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
　本開示の第６の態様によれば、補正済みの性能値を１つモデルで予測することができる。
　本開示の第７の態様による機器性能値予測方法は、第６の態様に記載の機器性能値予測方法であって、
　前記機器の所定の時期の、設置された状態でのデータで前記基準モデルを追加学習するステップ、をさらに含む。
　本開示の第７の態様によれば、補正済みの性能値を１つモデルで予測することができる。
　本開示の第８の態様による機器性能値予測方法は、第１の態様から第７の態様のいずれかに記載の機器性能値予測方法であって、
　前記予測された前記機器の性能値と、前記取得された前記機器のデータから算出した前記機器の性能値と、から性能劣化に関係する指標を算出するステップ、をさらに含む。
　本開示の第８の態様によれば、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮して性能の劣化を診断することができる。
　本開示の第９の態様による機器性能値予測方法は、第８の態様に記載の機器性能値予測方法であって、
　前記算出した性能劣化に関係する指標を用いて、性能劣化として通知するステップ、をさらに含む。
　本開示の第９の態様によれば、機器の管理者または使用者は、機器の製造時の個体のばらつきまたは据付時の状態のばらつきを考慮した性能の劣化を知ることができる。
　本開示の第１０の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
　前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器である。
　本開示の第１０の態様によれば、新規の物件の機器のデータを用いて補正モデルを生成することができる。
　本開示の第１１の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
　前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の異なる１つまたは複数の機器である。
　本開示の第１１の態様によれば、既存の物件の機器のデータを用いて補正モデルを生成することができる。
　本開示の第１２の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
　前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である。
　本開示の第１２の態様によれば、新規の物件の機器のデータと既存の物件のデータを用いて補正モデルを生成することができる。
　本開示の第１３の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
　前記基準モデルおよび前記補正モデルの教師データは、試験データ、フィールドデータ（市場運転データ）、シミュレーションデータのいずれかである。
　本開示の第１３の態様によれば、種々のデータで学習することができる。
　本開示の第１４の態様による機器性能値予測方法は、第４の態様または第５の態様に記載の機器性能値予測方法であって、
　前記基準モデルおよび前記補正モデルの教師データは、前記機器が正常であるときのデータである。
　本開示の第１４の態様によれば、機器が正常であるときの性能値を予測することができる。
　本開示の第１５の態様による機器性能値予測システムは、
　機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えたシステムであって、
　前記制御部は、
　前記機器の設置された状態でのデータを取得し、
　前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
　本開示の第１６の態様による機器性能値予測システムは、第１５の態様に記載の機器性能値予測システムであって、
　前記制御部は、
　前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
　前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
　本開示の第１７の態様による機器性能値予測システムは、第１５の態様に記載の機器性能値予測システムであって、
　前記制御部は、
　前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する。
　本開示の第１８の態様のプログラムは、
　機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えた機器性能値予測システムに、
　前記機器の設置された状態でのデータを取得する手順と、
　前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する手順と、
を実行させる。
性能値の予測の手法について説明するための図である。 性能値の予測の手法について説明するための図である。 本開示の一実施形態に係る全体の構成例である。 本開示の一実施形態に係る機器性能値予測装置、機器性能値診断装置のハードウェア構成図である。 本開示の一実施形態に係る制御部の機能ブロック図（２つのモデルを生成する場合）である。 本開示の一実施形態に係る２つのモデルを用いて性能値を予測する例である。 本開示の一実施形態に係る制御部の機能ブロック図（基準モデルを追加学習する場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（並列の場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（直列１の場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（直列２の場合）である。 本開示の一実施形態に係る制御部の機能ブロック図（追加学習の場合）である。 本開示の一実施形態に係るモデルの例である。 本開示の一実施形態に係る制御部の機能ブロック図である。 本開示の一実施形態に係る制御部の機能ブロック図である。 本開示の一実施形態に係る制御部の機能ブロック図である。 本開示の一実施形態に係る空気調和機のハードウェア構成図である。 本開示の一実施形態に係る過冷却度（ＳＣ）について説明するための図である。 本開示の一実施形態に係る過熱度（ＳＨ）について説明するための図である。 本開示の一実施形態に係る熱貫流率（ＫＡ）について説明するための図である。 本開示の一実施形態に係る学習処理のフローチャートである。 本開示の一実施形態に係る予測処理（並列の場合）のフローチャートである。 本開示の一実施形態に係る予測処理（直列１の場合）のフローチャートである。 本開示の一実施形態に係る予測処理（直列２の場合）のフローチャートである。 本開示の一実施形態に係る予測処理（追加学習の場合）のフローチャートである。
　以下、図面に基づいて本開示の実施の形態を説明する。
＜全体の構成例＞
　図３は、本開示の全体の構成例である。機器性能値診断システム１は、機器性能値予測装置１０と、機器性能値診断装置１１と、機器２０と、を含む。
　機器性能値予測装置１０と機器性能値診断装置１１は、任意のネットワークを介して機器２０とデータを送受信することができる。機器性能値予測装置１０と機器性能値診断装置１１は、任意のネットワークを介して互いにデータを送受信することができる。なお、図３では、機器性能値予測装置１０と機器性能値診断装置１１を別々の装置として説明するが、機器性能値予測装置１０と機器性能値診断装置１１を１つの装置で実装してもよい。
　機器性能値予測装置１０は、機器２０の正常時の性能値を予測する装置である。具体的には、機器性能値予測装置１０は、機器２０のデータを機器２０から取得する。機器性能値予測装置１０は、基準モデルを用いて機器２０のデータから機器２０の基準性能値を予測し、補正モデルを用いて機器２０のデータから機器２０の性能補正値を予測する。機器性能値予測装置１０は、基準性能値と性能補正値から機器２０の性能値を算出する。機器２０の性能補正値は、機器２０の製造時の個体差および据付時の状態差のいずれかに依拠している。
　機器性能値診断装置１１は、機器２０を診断する。具体的には、機器性能値診断装置１１は、機器性能値予測装置１０が基準性能値と性能補正値から算出した機器２０の性能値と、機器２０の実際の性能値（実測性能値）と、を比較して機器２０を診断する。
　機器２０は、任意の機器であってよい。例えば、機器２０は、空気調和機である。機器２０は、複数の機種の機器（例えば、図３では、機種Ｘの機器と機種Ｙの機器）を含むことができる。また、機器２０が設置される建物、フロア等（以下、物件ともいう）は、複数の物件（例えば、図３では、物件Ａと物件Ｂと物件Ｃ）を含むことができる。例えば、図３では、物件Ａには機種Ｘの機器と機種Ｙの機器が設置されており、物件Ｂには機種Ｘの機器が設置されており、物件Ｃには機種Ｙの機器が設置されている。
　なお、本開示の一実施形態では、機器の物件間のばらつき（つまり、個体差）を補正した性能値を予測することができる。物件間の個体差は、異なる建物間で生じる個体差（例えば、建物Ａと建物Ｂとの間で生じるばらつき）であってもよいし、同一の建物内のフロア、エリア、部屋等の設置場所間で生じる個体差（例えば、建物Ａ内の設置場所ａと設置場所ｂとの間で生じるばらつき）であってもよい。
　なお、図３では、機器性能値予測装置１０および機器性能値診断装置１１が機器２０から離れた遠隔にある（例えば、クラウドサーバである）場合を説明したが、機器性能値予測装置１０と機器性能値診断装置１１との少なくとも一方が機器２０の内部にあってもよいし、あるいは、機器２０が設置されている物件内に設置されてもよい。
　機器性能値予測装置１０および機器性能値診断装置１１を含むシステムは、機器２０の設置された状態でのデータ（例えば、機器２０が所定の物件に設置された状態でのデータ）を取得し、機器２０の設置された状態でのデータと、少なくとも基準モデルと、を用いて、機器２０の所定の時期（例えば、正常時）に相当する、設置された状態での性能値を予測する（例えば、機器２０が所定の物件に設置された状態でのデータと、少なくとも、機器２０の機種別に生成された機器２０のデータから機器２０の基準性能値を予測する基準モデルと、を用いて、物件間の個体差を補正した（物件間のばらつきを反映した）性能値を予測する）ことができる。
　例えば、当該システムは、基準モデルと、基準性能値を補正するためのモデルと、の２つのモデルを用いて、物件間の個体差を補正した性能値を予測することができる。例えば、当該システムは、機器２０の設置された状態でのデータと、基準モデルと、を用いて、機器２０の基準性能値を予測し、機器２０の設置された状態でのデータと、基準モデルで予測された機器２０の基準性能値を補正する補正モデルと、を用いて、機器２０の所定の時期に相当する、設置された状態での性能値を予測することができる。例えば、当該システムは、機器２０の所定の時期の、設置された状態でのデータで学習し、かつ、機器２０の少なくとも運転条件を含むデータを説明変数にして学習することで補正モデルを生成することができる。
　例えば、当該システムは、機器２０の設置された状態でのデータと、基準モデルを用いて生成されたモデルと、を用いて、機器２０の所定の時期に相当する、設置された状態での性能値を予測することができる。例えば、当該システムは、機器２０の所定の時期の、設置された状態でのデータで基準モデルを追加学習することができる。
＜機器性能値予測装置、機器性能値診断装置＞
　図４は、本開示の一実施形態に係る機器性能値予測装置１０、機器性能値診断装置１１のハードウェア構成図である。機器性能値予測装置１０、機器性能値診断装置１１は、制御部１００１と、主記憶部１００２と、補助記憶部１００３と、入力部１００４と、出力部１００５と、インタフェース部１００６と、を備えることができる。以下、それぞれについて説明する。
　制御部１００１は、補助記憶部１００３にインストールされている各種プログラムを実行するプロセッサ（例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等）である。
　主記憶部１００２は、不揮発性メモリ（ＲＯＭ（Read Only Memory））および揮発性メモリ（ＲＡＭ（Random Access Memory））を含む。ＲＯＭは、補助記憶部１００３にインストールされている各種プログラムを制御部１００１が実行するために必要な各種プログラム、データ等を格納する。ＲＡＭは、補助記憶部１００３にインストールされている各種プログラムが制御部１００１によって実行される際に展開される作業領域を提供する。
　補助記憶部１００３は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する補助記憶デバイスである。
　入力部１００４は、機器性能値予測装置１０、機器性能値診断装置１１の操作者が機器性能値予測装置１０、機器性能値診断装置１１に対して各種指示を入力する入力デバイスである。
　出力部１００５は、機器性能値予測装置１０、機器性能値診断装置１１の内部状態等を出力する出力デバイスである。
　インタフェース部１００６は、各種センサやネットワークに接続し、各種センサや他の装置と通信を行うための通信デバイスである。
＜機能ブロック＞
　以下、図５－図１５を参照しながら制御部１００１の機能ブロックについて説明する。
［学習］
　図５は、本開示の一実施形態に係る制御部１００１の機能ブロック図（２つのモデルを生成する場合）である。図５は、学習の処理を示す。制御部１００１は、基準モデル学習部１０１と、補正モデル学習部１０２と、を備える。また、制御部１００１は、プログラムを実行することによって、基準モデル学習部１０１、補正モデル学習部１０２、として機能する。以下、それぞれについて説明する。
［基準モデル］
　基準モデル学習部１０１は、基準モデルを生成して、生成した基準モデルを任意の記憶部に記憶させる。
　具体的には、基準モデル学習部１０１は、教師データを取得する。例えば、教師データは、機器２０の運転条件、および、当該機器２０の実際の性能値（なお、実際の性能値は、機器２０の運転条件とセンサ値から算出される）である。基準モデル学習部１０１は、取得した教師データを用いて学習して基準モデルを生成する。基準モデルは、機器２０のデータ（例えば、機器２０の運転条件）が入力されると当該機器の性能値（基準性能値）が出力されるモデルである。
　ここで、基準モデルについて説明する。基準モデルは、機器の製造時の個体および据付時の状態が異なる、複数の機器の性能値に基づく基準性能値を予測する。つまり、基準モデルは、機器の製造時の個体および据付時の状態が異なる複数の機器のデータ（例えば、機器の運転条件）と、当該機器の実際の性能値と、を関連付けて学習した機械学習モデルである。
　例えば、基準モデルは、機器２０の機種ごとに生成される。具体的には、基準モデル学習部１０１は、機器２０の機種ごとに、当該機種である機器２０のデータ（例えば、機器２０の運転条件）と、当該機種である機器２０の実際の性能値と、を関連付けて学習する。
　基準モデルは、少なくとも対象機器（つまり、性能値を得たい機器）とは異なる機器のデータで学習された機械学習モデルである。つまり、基準モデルの教師データは、対象機器とは異なる機器のデータのみであってもよいし、対象機器とは異なる機器のデータと対象機器のデータの両方を含んでもよい。基準モデルの教師データは、機器２０が正常であるときのデータである。例えば、基準モデルの教師データは、試験データ（機器２０の開発や研究時の試験で収集されたデータ）、フィールドデータ（現場で収集されたデータ（例えば、実際に設置された環境で収集されたログデータやクラウドデータ））、シミュレーションデータ（コンピュータがシミュレーションしたデータ）のいずれかである。
［補正モデル］
　補正モデル学習部１０２は、補正モデルを生成して、生成した補正モデルを任意の記憶部に記憶させる。
　具体的には、補正モデル学習部１０２は、教師データを取得する。例えば、教師データは、機器２０の運転条件と実際の要素性能値（なお、実際の要素性能値は、機器２０の運転条件とセンサ値から算出される）、および、当該機器２０の基準性能値と実際の性能値（なお、実際の性能値は、機器２０の運転条件とセンサ値から算出される）との差または基準性能値に対する実際の性能値（なお、実際の性能値は、機器２０の運転条件とセンサ値から算出される）の比である。補正モデル学習部１０２は、取得した教師データを用いて学習して補正モデルを生成する。補正モデルは、機器２０のデータ（例えば、機器２０の運転条件および要素性能値）が入力されると、当該機器２０の基準性能値と実際の性能値との差または基準性能値に対する実際の性能値の比（性能補正値）が出力されるモデルである。つまり、性能補正値は、「機器２０の正常時の性能値の基準性能値との差」または「機器２０の正常時の性能値の基準性能値に対する比」を示す。
　ここで、補正モデルについて説明する。補正モデルは、基準モデルで予測された機器２０の基準性能値を補正する機械学習モデルである。
　補正モデルの入力は、機器２０のデータのうち、基準性能値との差または基準性能値に対する比と相関が大きいパラメータ（つまり、機器の製造時の個体差および据付時の状態差のいずれかに依拠しているパラメータ）である。補正モデル学習部１０２は、補正モデルに、機器２０の全データ（例えば、全ての運転条件および全ての要素性能値）を入力して、基準性能値との差または基準性能値に対する比を出力したときに、当該差または当該比が大きくなることへの寄与率が高いデータ（例えば、寄与率が高い運転条件および寄与率が高い要素性能値）を、性能補正値を予測するための入力（説明変数）とすることができる。例えば、補正モデル学習部１０２は、学習時にランダムフォレストの重要度等（ジニ係数の減少への寄与率）で補正モデルの最適な説明変数を決める、重回帰分析等で補正モデルの最適な説明変数を決めることができる。
　例えば、基準性能値との差または基準性能値に対する比と相関が大きいパラメータは、機器の冷媒充填量に関係する指標と、機器の熱交換器性能に関係する指標と、機器の圧縮機性能に関係する指標と、機器の連絡配管長に関係する指標と、のうちのいずれか１つの指標、あるいは、機器の冷媒充填量に関係する指標と、機器の熱交換器性能に関係する指標と、機器の圧縮機性能に関係する指標と、機器の連絡配管長に関係する指標と、のうちのいずれか１つの指標と他の指標とを含む２つ以上の指標に関係する値である。
　補正モデルの出力（性能補正値）は、基準性能値との差または基準性能値に対する比である。性能補正値は、機器の製造時の個体差および据付時の状態差のいずれかに依拠している。
　例えば、機器の製造時の個体差は、部品ごとの公差や多数の部品からなる製品の組み立て時の公差といったばらつきにより、機器ごとに生じる個体差である（このような個体差が機器（例えば、熱交換器や圧縮機）の性能に影響を及ぼす）。
　例えば、機器の据付時の状態差は、初期冷媒充填量である。据付時の状態差が初期冷媒充填量の場合、初期冷媒充填量が少ないと性能補正値(例えば、ＣＯＰ)の絶対値が大きくなる。例えば、据付時の状態差は、据付時の充填ポンプの重さの値、据付時の過冷却度（ＳＣ）の値、据付時の過熱度（ＳＨ）の値、据付時の膨張弁開度（ＥＶ開度）等であってもよい。また、例えば、据付時の状態差は、輸送や設置の時に熱交換器のフィンが倒れたり、潰れたりすることによる状態差であってもよい。
　例えば、補正モデルは、機器２０が設置される物件ごとに生成される。具体的には、補正モデル学習部１０２は、機器２０が設置される物件ごとに、当該物件に設置される機器２０の運転条件および実際の要素性能値と、当該物件に設置される機器２０の基準性能値と実際の性能値との差または基準性能値に対する実際の性能値の比と、を関連付けて学習する。
　補正モデルの教師データは、機器２０が正常であるときのデータである。例えば、補正モデルの教師データは、試験データ（機器２０の開発や研究時の試験で収集されたデータ）、フィールドデータ（現場で収集されたデータ（例えば、実際に設置された環境で収集されたログデータやクラウドデータ））、シミュレーションデータ（コンピュータがシミュレーションしたデータ）のいずれかである。
　以下、補正モデルを生成するために用いられる機器の例を説明する。
　例えば、補正モデルを生成するために用いられる機器は、機器性能値予測装置１０が予測するための機器と同一の機種の同一の機器である。
　例えば、補正モデルを生成するために用いられる機器は、機器性能値予測装置１０が予測するための機器と同一の機種の異なる１つまたは複数の機器である。
　例えば、補正モデルを生成するために用いられる機器は、機器性能値予測装置１０が予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である。
　以下、物件ごとの補正と機種ごとの補正について説明する。
［物件ごとの補正］
　例えば、物件ごとに、機器の製造時の個体差および据付時の状態差を考慮して性能値を補正することができる。この場合、機器の機種ごとに基準モデルを生成して、機器が設置される物件ごとに補正モデルを生成する。対象機器（つまり、性能値を得たい機器）と同じ機種の基準モデルで基準性能値を予測し、対象機器が設置される物件の補正モデルで性能補正値を予測する。そのため、同じ機種かつ機器が正常であっても生じる物件ごとの性能値のばらつきを補正することができる。
［機種ごとの補正］
　なお、機種ごとに、機器の製造時の個体差および据付時の状態差を考慮して性能値を補正してもよい。この場合、複数の機種の機器のデータで基準モデルを生成して、機種ごとに補正モデルを生成する。
　このように、基準性能値を予測する基準モデルと性能補正値を予測する補正モデルの２つに分けることで、説明変数を削減することができるので、過学習することなく、学習が早く収束する。
　図６は、本開示の一実施形態に係る２つのモデルを用いて性能値を予測する例である。
　図６の（１）並列に示すように、本開示の一実施形態では、機器のデータから基準モデル（例えば、機種ごとに生成されたモデル。機種ごとの性能値である基準性能値を予測する）を用いて予測した基準性能値と、機器のデータから補正モデル（例えば、当該機種の機器が設置される物件ごとに生成されたモデル。当該機種の機器の当該物件での性能値と基準性能値との差または比を予測する）を用いて予測した性能補正値と、に基づいて（具体的には、基準性能値に性能補正値を加算あるいは乗算する）、機器２０の補正済みの性能値（つまり、ばらつきを考慮した性能値）を予測することができる。
　図６の（２）直列１に示すように、本開示の一実施形態では、機器のデータから基準モデル（例えば、機種ごとに生成されたモデル。機種ごとの性能値である基準性能値を予測する）を用いて基準性能値を予測し、当該基準性能値から補正モデル（例えば、当該機種の機器が設置される物件ごとに生成されたモデル。当該機種の機器の当該物件での性能値を予測する）を用いて機器２０の補正済みの性能値（つまり、ばらつきを考慮した性能値）を予測することができる。
　図６の（３）直列２に示すように、本開示の一実施形態では、機器のデータから補正モデル（例えば、物件ごとに生成されたモデル。所定の物件（基準となる物件）での機器のデータである“補正済みの機器のデータ”を予測する）を用いて補正済みの機器のデータを予測し、当該補正済みの機器のデータから基準モデル（例えば、機種ごとに生成されたモデル。機種ごとの性能値である基準性能値を予測する）を用いて機器２０の補正済みの性能値（つまり、ばらつきを考慮した性能値）を予測することができる。
　図７は、本開示の一実施形態に係る制御部１００１の機能ブロック図（基準モデルを追加学習する場合）である。図７は、学習の処理を示す。制御部１００１は、基準モデル学習部１０１と、追加学習部１０３と、を備える。また、制御部１００１は、プログラムを実行することによって、基準モデル学習部１０１、追加学習部１０３、として機能する。以下、それぞれについて、主に図５の場合と異なる点を説明する。
　基準モデル学習部１０１は、基準モデルを生成して、生成した基準モデルを任意の記憶部に記憶させる。例えば、基準モデル学習部１０１は、教師データ（例えば、機種ごとの機器のデータ、および、当該機種ごとの性能値である基準性能値）を用いて学習して基準モデル（機器のデータが入力されると、当該機器の基準性能値が出力されるモデル）を生成する。
　追加学習部１０３は、基準モデル学習部１０１が生成した基準モデルを、機器２０のデータ（機器２０が設置される物件におけるデータ（機器のデータ、および、当該機器の性能値）で追加学習する。例えば、追加学習は、転移学習、蒸留、ファインチューニングである。
［予測］
　図８は、本開示の一実施形態に係る制御部１００１の機能ブロック図（並列の場合）である。図８は、予測の処理を示す。制御部１００１は、基準性能値予測部１１１と、性能補正値予測部１１２と、性能値算出部１１３と、を備える。また、制御部１００１は、プログラムを実行することによって、基準性能値予測部１１１、性能補正値予測部１１２、性能値算出部１１３、として機能する。以下、それぞれについて説明する。
　基準性能値予測部１１１は、機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。例えば、基準性能値予測部１１１は、基準モデルに機器２０の運転条件を入力して、機器２０の基準性能値を出力させる。
　性能補正値予測部１１２は、機器２０のデータから補正モデルを用いて機器２０の性能補正値を予測する。例えば、機器性能値予測装置１０は、補正モデルに機器２０の運転条件および要素性能値（なお、要素性能値は、機器２０の運転条件とセンサ値から算出される）を入力して、機器２０の性能補正値を出力させる。
　性能値算出部１１３は、基準性能値予測部１１１が予測した基準性能値と性能補正値予測部１１２が予測した性能補正値に基づいて、機器２０の性能値を算出する。例えば、機器性能値予測装置１０は、基準性能値に性能補正値を加算あるいは乗算する。
　このように、機器２０の製造時の個体のばらつきまたは据付時の状態のばらつき（例えば、機器２０が設置される物件ごとのばらつき）を考慮した性能値を得ることができる。基準モデルと補正モデルに分けることで、説明変数を削減することができるので、多重共線性によって予測精度が低下することを防ぐことができる。
　図９は、本開示の一実施形態に係る制御部１００１の機能ブロック図（直列１の場合）である。図９は、予測の処理を示す。制御部１００１は、基準性能値予測部１１１と、性能値補正部１１４と、を備える。また、制御部１００１は、プログラムを実行することによって、基準性能値予測部１１１、性能値補正部１１４、として機能する。
　基準性能値予測部１１１は、機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。具体的には、基準性能値予測部１１１は、基準モデルに機器２０のデータを入力して、機器２０の基準性能値を出力させる。
　性能値補正部１１４は、基準性能値予測部１１１が予測した基準性能値から、補正モデル（具体的には、機器の基準性能値が入力されると、当該機器の補正済みの性能値が出力されるモデル）を用いて機器２０の補正済みの性能値を予測する。具体的には、性能値補正部１１４は、補正モデルに機器２０の基準性能値を入力して、機器２０の補正済みの性能値を出力させる。
　図１０は、本開示の一実施形態に係る制御部１００１の機能ブロック図（直列２の場合）である。図１０は、予測の処理を示す。制御部１００１は、機器データ補正部１１５と、基準性能値予測部１１１と、を備える。また、制御部１００１は、プログラムを実行することによって、機器データ補正部１１５、基準性能値予測部１１１、として機能する。
　機器データ補正部１１５は、機器２０のデータから補正モデル（具体的には、機器のデータが入力されると、補正済みの機器のデータが出力されるモデル）を用いて補正済みの機器２０のデータを予測する。具体的には、機器データ補正部１１５は、補正モデルに機器２０のデータを入力して、補正済みの機器２０のデータを出力させる。
　基準性能値予測部１１１は、機器データ補正部１１５が予測した補正済みの機器２０のデータから基準モデルを用いて機器２０の性能値（つまり、補正済みの性能値）を予測する。具体的には、基準性能値予測部１１１は、基準モデルに補正済みの機器２０のデータを入力して、機器２０の性能値（つまり、補正済みの性能値）を出力させる。
　図１１は、本開示の一実施形態に係る制御部１００１の機能ブロック図（追加学習の場合）である。図１１は、予測の処理を示す。制御部１００１は、性能値予測部１１６を備える。また、制御部１００１は、プログラムを実行することによって、性能値予測部１１６として機能する。
　性能値予測部１１６は、基準モデルが追加学習されたモデルを用いて、機器２０のデータから性能値（つまり、補正済みの性能値）を予測する。
　図１２は、本開示の一実施形態に係るモデルの例である。本明細書で説明する基準モデルおよび補正モデルは、機械学習モデルに限らず、式、マップであってもよい。図１２は、基準モデルの例を示す。
　図１２の（１）機械学習モデルに示すように、モデルは、例えば機械学習モデルである。例えば、基準モデルは、機器のデータ（例えば、Ａ、Ｂ）が入力されると、基準性能値が出力されるように学習されたモデルである。
　図１２の（２）基準式（回帰式）に示すように、モデルは、例えば式（回帰式）である。例えば、基準式（回帰式）は、機器のデータ（例えば、Ａ、Ｂ）から基準性能値を算出することができる式（回帰式）である。
　図１２の（３）基準マップに示すように、モデルは、例えばマップ（対応表ともいう）である。例えば、基準マップは、機器のデータの各値（例えば、Ａ１、Ａ２、Ａ３、Ｂ１、Ｂ２、Ｂ３）に対応する基準性能値を表すマップである。
［診断］
　図１３は、本開示の一実施形態に係る制御部１００１の機能ブロック図である。図１３は、診断の処理を示す。制御部１００１は、実測性能値算出部１２１と、診断部１２２と、通知部１２３と、を備える。また、制御部１００１は、プログラムを実行することによって、実測性能値算出部１２１、診断部１２２、通知部１２３として機能する。以下、それぞれについて説明する。なお、図１３では、上記の並列の場合を説明するが、直列１、直列２、追加学習の場合も同様である。
　実測性能値算出部１２１は、機器２０のデータから機器２０の実測性能値（実際の性能値）を算出する。例えば、実測性能値算出部１２１は、機器２０の運転条件およびセンサ値から、機器２０の実測性能値を算出する。
　診断部１２２は、機器２０の性能値を診断する。例えば、診断部１２２は、性能値算出部１１３が算出した機器２０の性能値（つまり、図８で、基準性能値と性能補正値に基づいて算出された性能値）と、実測性能値算出部１２１が算出した機器２０の実測性能値と、から性能劣化に関係する指標を算出する。
　例えば、基準モデルと補正モデルの教師データが機器２０が正常であるときのデータである場合、診断部１２２は、性能値算出部１１３が算出した機器２０の性能値と、実測性能値算出部１２１が算出した機器２０の実測性能値と、が乖離しているほど、機器２０の性能が劣化していると診断することができる。
　通知部１２３は、診断部１２２が診断した結果を通知する（例えば、機器２０の管理者または使用者の端末に診断の結果を送信する）。例えば、通知部１２３は、診断部１２２が算出した性能劣化に関係する指標を用いて、性能劣化として通知する。例えば、通知部１２３は、機器２０の劣化の有無、機器２０の劣化の度合いを通知することができる。
　このように、高い精度で得られた機器２０の性能値を用いて、機器２０を診断することができる。
［初期診断］
　図１４は、本開示の一実施形態に係る制御部１００１の機能ブロック図である。図１４は、初期診断の処理を示す。制御部１００１は、実測性能値算出部１２１と、診断部１２２と、通知部１２３と、を備える。また、制御部１００１は、プログラムを実行することによって、実測性能値算出部１２１、診断部１２２、通知部１２３として機能する。以下、それぞれについて説明する。なお、図１４では、上記の並列の場合を説明するが、直列１、直列２、追加学習の場合も同様である。
　実測性能値算出部１２１は、機器２０のデータから機器２０の実測性能値（実際の性能値）を算出する。例えば、実測性能値算出部１２１は、機器２０の運転条件およびセンサ値から、機器２０の実測性能値を算出する。
　診断部１２２は、機器２０の性能値を診断する。具体的には、診断部１２２は、基準性能値予測部１１１が予測した機器２０の基準性能値（つまり、図８で、基準モデルを用いて予測された基準性能値）と、実測性能値算出部１２１が算出した機器２０の実測性能値と、から性能劣化に関係する指標を算出する。
　例えば、基準モデルの教師データが機器２０が正常であるときのデータである場合、診断部１２２は、基準性能値予測部１１１が算出した機器２０の性能値と、実測性能値算出部１２１が算出した機器２０の実測性能値と、が乖離しているほど、機器２０の性能が劣化していると診断することができる。
　通知部１２３は、診断部１２２が診断した結果を通知する（例えば、機器２０の管理者または使用者の端末に診断の結果を送信する）。例えば、通知部１２３は、診断部１２２が算出した性能劣化に関係する指標を用いて、性能劣化として通知する。例えば、通知部１２３は、機器２０の劣化の有無、機器２０の劣化の度合いを通知することができる。
　このように、機器２０の基準性能値を用いて機器２０の初期診断を行うことで、機器２０が設置される物件の初期異常を検知することができる。
［要素性能値算出］
　図１５は、本開示の一実施形態に係る制御部１００１の機能ブロック図である。図１５は、要素性能値の算出の処理を示す。制御部１００１は、要素性能値算出部１３１を備える。また、制御部１００１は、プログラムを実行することによって、要素性能値算出部１３１として機能する。
　要素性能値算出部１３１は、機器２０のデータ（例えば、機器２０の運転条件と機器２０のセンサ値）を取得する。要素性能値算出部１３１は、機器２０のデータ（例えば、機器２０の運転条件と機器２０のセンサ値）を用いて計算して、機器２０の要素性能値を算出する。
　このように、機器２０のセンサ値そのものではなく、機器２０のセンサ値から算出した要素性能値を用いて学習することにより、学習が早く収束する。
＜空気調和機＞
　ここで、機器２０の一例である空気調和機について説明する。なお、空気調和機は、ルームエアコン、パッケージエアコン、マルチエアコン、セントラル空調方式の空気調和機等であってもよいし、冷暖房用途のみならず冷蔵・冷凍システムであってもよい。
　図１６は、本開示の一実施形態に係る空気調和機２０００のハードウェア構成図である。空気調和機２０００は、室内機２００１および室外機２００２を有する。室内機２００１と室外機２００２は、連絡配管で接続されている。なお、図１６では、空気調和機２０００の冷房時の冷凍サイクルを示している。
　室内機２００１は、膨張弁３００１および熱交換器（蒸発器）３００２を有する。室外機２００２は、圧縮機３００３および熱交換器（凝縮器）３００４を有する。
　冷媒の流れについて説明する。高温・高圧の液体は、膨張弁３００１で減圧されて、低温・低圧の液体となる。蒸発器３００２において、冷媒は、吸熱により液体から気体に変化する。低温・低圧の気体は、圧縮機３００３で加圧されて、高温・高圧の気体となる。凝縮器３００４において、冷媒は、放熱により気体から液体に変化する。
　なお、暖房時には、室内機２００１の熱交換器が凝縮器となり、室外機２００２の熱交換器が蒸発器となり、冷媒は図１６とは反対方向に流れる。
＜機器のデータ＞
　ここで、機器２０のデータについて説明する。機器２０のデータは、機器２０の運転中に取得されうるデータである。例えば、機器２０のデータは、機器２０の運転条件（機器２０の運転中の種々の条件）、機器２０のセンサ値（機器２０のセンサが取得した値）等を含む。例えば、機器２０の運転条件は、室外温度、室外湿度、室内温度、室内湿度、圧縮機回転数、室内ファン回転数、室外ファン回転数等である。例えば、機器２０のセンサ値は、高圧圧力、低圧圧力、凝縮温度、蒸発温度、液管温度、ガス管温度、吐出温度、吸入温度、室外温度、室外湿度、室内温度、室内湿度等である。なお、機器２０の運転条件と機器２０のセンサ値から要素性能値が算出される。
＜性能値＞
　ここで、機器２０の性能値について説明する。例えば、性能値は、機器（例えば、空気調和機）２０の全体に関する性能値、または、機器（例えば、空気調和機）２０の要素に関する性能値である。なお、機器性能値予測装置１０は、機器２０の運転条件およびセンサ値から機器２０の要素に関する性能値（要素性能値）を算出することができる。
＜全体性能値＞
　機器の全体に関する性能値（全体性能値）について説明する。例えば、全体性能値は、空気調和機のシステムに関する性能値である。例えば、全体性能値は、空気調和機の冷房能力と、暖房能力と、消費電力と、ＣＯＰ（Coefficient of Performance）と、のうちの少なくとも１つを含む。以下、それぞれについて説明する。
　冷房能力は、冷房時の空気調和機の性能である。
　暖房能力は、暖房時の空気調和機の性能である。
　消費電力は、空気調和機の消費電力である。
　ＣＯＰは、空気調和機の消費電力１ｋＷ当たりの能力である。
＜要素性能値＞
　機器の要素に関する性能値（要素性能値）について説明する。例えば、要素性能値は、空気調和機を構成する要素部品に関する性能値である。例えば、要素性能値は、空気調和機の過冷却度（ＳＣ）と、過熱度（ＳＨ）と、膨張弁開度（ＥＶ開度）と、凝縮器熱貫流率（凝縮器ＫＡ）と、蒸発器熱貫流率（蒸発器ＫＡ）と、圧縮機電流と、差圧と、のうちの少なくとも１つを含む。以下、それぞれについて説明する。
　冷媒の充填量（例えば、初期充填量のばらつき）は、例えば、ＳＣ、ＳＨ、ＥＶ開度で表される。
　過冷却度（ＳＣ）は、空気調和機の冷媒の充填量を表す。過冷却度（ＳＣ）は、冷房時に冷媒の充填量によって変化する値である。後段で、図１７を参照しながら詳細に説明する。
　過熱度（ＳＨ）は、空気調和機の冷媒の充填量を表す。過熱度（ＳＨ）は、暖房時に冷媒の充填量によって変化する値である。後段で、図１８を参照しながら詳細に説明する。
　膨張弁開度（ＥＶ開度）は、空気調和機の冷媒の充填量を表す。膨張弁開度（ＥＶ開度）は、同じ運転条件でも冷媒の充填量によって変化する値である。
　凝縮器熱貫流率（凝縮器ＫＡ）は、凝縮器の性能を表す。凝縮器とは、冷房時の室外機の熱交換器、および、暖房時の室内機の熱交換器である。凝縮器熱貫流率（凝縮器ＫＡ）は、同じ運転条件でも熱交換器の形状や設置された環境によって変化する値である。後段で、図１９を参照しながら詳細に説明する。
　蒸発器熱貫流率（蒸発器ＫＡ）は、蒸発器の性能を表す。蒸発器とは、冷房時の室内機の熱交換器、および、暖房時の室外機の熱交換器である。蒸発器熱貫流率（蒸発器ＫＡ）は、同じ運転条件でも熱交換器の形状や設置された環境によって変化する値である。後段で、図１９を参照しながら詳細に説明する。
　圧縮機電流は、圧縮機の入力（電流）である。圧縮機電流は、圧縮機の効率によって変化する消費電流を表す。
　差圧は、高圧と低圧の差である。差圧は、連絡配管長によって変化する圧力損失を表す。差圧は、吸入圧損である。吸入圧損は、同じ運転条件でも連絡配管長によって変化する値である。差圧は、高低差圧である。高低差圧は、同じ運転条件でも連絡配管長によって変化する値である。
　その他、要素性能値は、空気調和機の冷媒の種類、空気調和機のファン、連絡配管の内径、連絡配管の曲管、ショートサーキットに関係する値、記録されたデータ（冷媒充填量、連絡配管長等。例えば、何ｋｇ冷媒を充填した、何ｍ配管を連絡した等）等であってもよい。
［過冷却度（ＳＣ）］
　図１７は、本開示の一実施形態に係る過冷却度（ＳＣ）について説明するための図である。凝縮器内の冷媒は放熱により気相から液相に変化するが、相変化中(飽和状態)の圧力と温度は一定になる。しかし、圧力が同じでも、冷媒が液体だけになると、液体の温度は下降する。冷媒温度が飽和温度より下降した状態を過冷却（図１７参照）と言い、この時の温度差を過冷却度と言う。
［過熱度（ＳＨ）］
　図１８は、本開示の一実施形態に係る過熱度（ＳＨ）について説明するための図である。蒸発器内の冷媒は吸熱により液相から気相に変化するが、相変化中(飽和状態)の圧力と温度は一定になる。しかし、圧力が同じでも、冷媒が気体だけになると、気体の温度は上昇する。冷媒温度が飽和温度より上昇した状態を過熱（図１８参照）と言い、この時の温度差を過熱度と言う。
［熱貫流率（ＫＡ）］
　図１９は、本開示の一実施形態に係る熱貫流率（ＫＡ）について説明するための図である。熱交換器の外面と内面間を熱が移動することを熱通過と言う。１ｍｍ２かつ１時間当たりの熱通過率をＫ、熱交換器の面積をＡと表し、熱交換器の性能を表す。
＜方法＞
　以下、図２０を参照しながら学習処理について説明し、図２１－図２４を参照しながら予測処理について説明する。
　図２０は、本開示の一実施形態に係る学習処理のフローチャートである。
　ステップ１０１（Ｓ１０１）において、機器性能値予測装置１０は、教師データを取得する。
　ステップ１０２（Ｓ１０２）において、機器性能値予測装置１０は、Ｓ１０１で取得した教師データを用いて学習して機械学習モデルを生成する。
　上記の並列の場合について説明する。
［基準モデル］
　具体的には、機器性能値予測装置１０は、少なくとも対象機器（つまり、性能値を得たい機器）とは異なる機器のデータを取得して、取得した機器のデータを用いて学習して基準モデルを生成する。例えば、基準モデルは、機器の運転条件が入力されると当該機器の性能値（基準性能値）が出力されるモデルである。
［補正モデル］
　具体的には、機器性能値予測装置１０は、機器のデータを取得して、取得した機器のデータを用いて学習して補正モデルを生成する。例えば、補正モデルは、機器の運転条件および要素性能値が入力されると性能補正値が出力されるモデルである。
　以下、上記の直列１の場合の学習処理、直列２の場合の学習処理、追加学習の場合の学習処理について説明する。
　直列１の場合、機器性能値予測装置１０は、教師データ（例えば、機種ごとの機器のデータ、および、当該機種ごとの性能値である基準性能値）を用いて学習して基準モデル（機器のデータが入力されると、当該機器の基準性能値が出力されるモデル）を生成する。また、機器性能値予測装置１０は、教師データ（例えば、機種ごとの性能値である“基準性能値”、および、当該機種の物件ごとの性能値である“補正済みの性能値”）を用いて学習して補正モデル（機器の基準性能値が入力されると、当該機器の補正済みの性能値が出力されるモデル）を生成する。このように、機器性能値予測装置１０は、機器２０の機種別に基準モデルを生成し、当該機種の機器２０が設置される物件別に補正モデルを生成することができる。
　直列２の場合、機器性能値予測装置１０は、教師データ（例えば、物件ごとの機器のデータ、および、所定の物件（基準となる物件）での機器のデータである“補正済みの機器のデータ”）を用いて学習して補正モデル（機器のデータが入力されると、“補正済みの機器のデータ”が出力されるモデル）を生成する。また、機器性能値予測装置１０は、教師データ（例えば、“補正済みの機器のデータ”、および、機種ごとの性能値である“基準性能値”）を用いて学習して補正モデル（補正済みの機器のデータが入力されると、当該機器の補正済みの性能値が出力されるモデル）を生成する。このように、機器性能値予測装置１０は、機器２０が設置される物件別に補正モデルを生成し、機器２０の機種別に基準モデルを生成することができる。
　追加学習の場合、機器性能値予測装置１０は、教師データ（例えば、機種ごとの機器のデータ、および、当該機種ごとの性能値である基準性能値）を用いて学習して基準モデル（機器のデータが入力されると、当該機器の基準性能値が出力されるモデル）を生成する。そして、機器性能値予測装置１０は、当該基準モデルを、機器２０が設置される物件におけるデータ（機器のデータ、および、当該機器の性能値）で追加学習する。このように、機器性能値予測装置１０は、機器２０の機種別に基準モデルを生成して、当該基準モデルを、機器２０が設置される物件におけるデータ（機器のデータ、および、当該機器の性能値）で追加学習することができる。
　図２１は、本開示の一実施形態に係る予測処理（並列の場合）のフローチャートである。
　ステップ２０１（Ｓ２０１）において、機器性能値予測装置１０は、機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。例えば、機器性能値予測装置１０は、基準モデルに機器２０の運転条件を入力して、機器２０の基準性能値を出力させる。
　ステップ２０２（Ｓ２０２）において、機器性能値予測装置１０は、機器２０のデータから補正モデルを用いて機器２０の性能補正値を予測する。例えば、機器性能値予測装置１０は、補正モデルに機器２０の運転条件および要素性能値を入力して、機器２０の性能補正値を出力させる。
　なお、Ｓ２０１とＳ２０２は、同時に実行されてもよいし、順序が逆であってもよい。
　ステップ２０３（Ｓ２０３）において、機器性能値予測装置１０は、Ｓ２０１で予測された基準性能値とＳ２０２で予測された性能補正値に基づいて、機器２０の性能値を算出する。例えば、機器性能値予測装置１０は、基準性能値に性能補正値を加算あるいは乗算する。
　ステップ２０４（Ｓ２０４）において、機器性能値予測装置１０は、機器２０のデータから機器２０の実測性能値を算出する。例えば、機器性能値予測装置１０は、機器２０の運転条件およびセンサ値から、機器２０の実測性能値を算出する。
　なお、Ｓ２０４は、Ｓ２０１からＳ２０３までのいずれかと同時に実行されてもよいし、Ｓ２０１の前、Ｓ２０２の前、Ｓ２０３の前に実行されてもよい。
　ステップ２０５（Ｓ２０５）において、機器性能値診断装置１１は、機器２０を診断する。例えば、機器性能値診断装置１１は、Ｓ２０３で算出された機器２０の性能値と、Ｓ２０４で算出された機器２０の実測性能値と、から性能劣化に関係する指標を算出する。
　ステップ２０６（Ｓ２０６）において、機器性能値診断装置１１は、Ｓ２０５の診断の結果を通知する（例えば、機器２０の管理者または使用者の端末に診断の結果を送信する）。例えば、機器性能値診断装置１１は、Ｓ２０５で算出した性能劣化に関係する指標を用いて、性能劣化として通知する。例えば、機器性能値診断装置１１は、機器２０の劣化の有無、機器２０の劣化の度合いを通知することができる。
　以下、図２２－図２４を参照しながら、上記の直列１の場合の予測処理、直列２の場合の予測処理、追加学習の場合の予測処理について説明する。なお、機器性能値の診断については図２１のＳ２０４－Ｓ２０６と同様であるので説明を省略する。
　図２２は、本開示の一実施形態に係る予測処理（直列１の場合）のフローチャートである。
　ステップ３０１（Ｓ３０１）において、機器性能値予測装置１０は、機器２０のデータを取得する。
　ステップ３０２（Ｓ３０２）において、機器性能値予測装置１０は、Ｓ３０１で取得した機器２０のデータから基準モデルを用いて機器２０の基準性能値を予測する。具体的には、機器性能値予測装置１０は、基準モデルに機器２０のデータを入力して、機器２０の基準性能値を出力させる。
　ステップ３０３（Ｓ３０３）において、機器性能値予測装置１０は、Ｓ３０２で予測した機器２０の基準性能値から補正モデル（具体的には、機器の基準性能値が入力されると、当該機器の補正済みの性能値が出力されるモデル）を用いて機器２０の補正済みの性能値を予測する。具体的には、機器性能値予測装置１０は、補正モデルに機器２０の基準性能値を入力して、機器２０の補正済みの性能値を出力させる。
　図２３は、本開示の一実施形態に係る予測処理（直列２の場合）のフローチャートである。
　ステップ４０１（Ｓ４０１）において、機器性能値予測装置１０は、機器２０のデータを取得する。
　ステップ４０２（Ｓ４０２）において、機器性能値予測装置１０は、Ｓ４０１で取得した機器２０のデータから補正モデルを用いて補正済みの機器２０のデータを予測する。具体的には、機器性能値予測装置１０は、補正モデルに機器２０のデータを入力して、補正済みの機器２０のデータを出力させる。
　ステップ４０３（Ｓ４０３）において、機器性能値予測装置１０は、Ｓ４０２で予測した補正済みの機器２０のデータから基準モデルを用いて機器２０の性能値（つまり、補正済みの性能値）を予測する。具体的には、機器性能値予測装置１０は、基準モデルに補正済みの機器２０のデータを入力して、機器２０の性能値（つまり、補正済みの性能値）を出力させる。
　図２４は、本開示の一実施形態に係る予測処理（追加学習の場合）のフローチャートである。
　ステップ５０１（Ｓ５０１）において、機器性能値予測装置１０は、機器２０のデータを取得する。
　ステップ５０２（Ｓ５０２）において、機器性能値予測装置１０は、基準モデルが追加学習されたモデルを用いて、Ｓ５０１で取得した機器２０のデータから性能値（つまり、補正済みの性能値）を予測する。
　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。
　本国際出願は２０２２年９月１２日に出願された日本国特許出願２０２２－１４４６１６号に基づく優先権を主張するものであり、２０２２－１４４６１６号の全内容をここに本国際出願に援用する。
１　機器性能値診断システム
１０　機器性能値予測装置
１１　機器性能値診断装置
２０　機器
１０１　基準モデル学習部
１０２　補正モデル学習部
１０３　追加学習部
１１１　基準性能値予測部
１１２　性能補正値予測部
１１３　性能値算出部
１１４　性能値補正部
１１５　機器データ補正部
１１６　性能値予測部
１２１　実測性能値算出部
１２２　診断部
１２３　通知部
１３１　要素性能値算出部
１００１　制御部
１００２　主記憶部
１００３　補助記憶部
１００４　入力部
１００５　出力部
１００６　インタフェース部
２０００　空気調和機
２００１　室内機
２００２　室外機
３００１　膨張弁
３００２　蒸発器
３００３　圧縮機
３００４　凝縮器

Claims (18)

  1. 　機器の設置された状態でのデータを取得するステップと、
    　前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測するステップと、
    を含む方法。
  2. 　前記取得するステップでは、前記機器が所定の物件に設置された状態でのデータを取得し、
    　前記予測するステップでは、前記機器が所定の物件に設置された状態でのデータと、少なくとも、前記機器の機種別に生成された前記機器のデータから前記機器の基準性能値を予測する前記基準モデルと、を用いて、前記物件間の個体差を補正した性能値を予測する、請求項１に記載の方法。
  3. 　前記予測するステップでは、前記基準モデルと、前記基準性能値を補正するためのモデルと、の２つのモデルを用いて、前記物件間の個体差を補正した性能値を予測する、請求項２に記載の方法。
  4. 　前記予測するステップでは、
    　前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
    　前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１に記載の方法。
  5. 　前記機器の所定の時期の、設置された状態でのデータで学習し、かつ、前記機器の少なくとも運転条件を含むデータを説明変数にして学習することで前記補正モデルを生成するステップ、をさらに含む請求項４に記載の方法。
  6. 　前記予測するステップでは、
    　前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１に記載の方法。
  7. 　前記機器の所定の時期の、設置された状態でのデータで前記基準モデルを追加学習するステップ、をさらに含む請求項６に記載の方法。
  8. 　前記予測された前記機器の性能値と、前記取得された前記機器のデータから算出した前記機器の性能値と、から性能劣化に関係する指標を算出するステップ、をさらに含む請求項１から７のいずれか一項に記載の方法。
  9. 　前記算出した性能劣化に関係する指標を用いて、性能劣化として通知するステップ、をさらに含む請求項８に記載の方法。
  10. 　前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器である、請求項４または５に記載の方法。
  11. 　前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の異なる１つまたは複数の機器である、請求項４または５に記載の方法。
  12. 　前記補正モデルを生成するために用いられる機器は、前記予測するための機器と同一の機種の同一の機器と、同一の機種の異なる１つまたは複数の機器と、である、請求項４または５に記載の方法。
  13. 　前記基準モデルおよび前記補正モデルの教師データは、試験データ、フィールドデータ、シミュレーションデータのいずれかである、請求項４または５に記載の方法。
  14. 　前記基準モデルおよび前記補正モデルの教師データは、前記機器が正常であるときのデータである、請求項４または５に記載の方法。
  15. 　機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えたシステムであって、
    　前記制御部は、
    　前記機器の設置された状態でのデータを取得し、
    　前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、
    機器性能値予測システム。
  16. 　前記制御部は、
    　前記機器の設置された状態でのデータと、前記基準モデルと、を用いて、前記機器の基準性能値を予測し、
    　前記機器の設置された状態でのデータと、前記基準モデルで予測された前記機器の基準性能値を補正する補正モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１５に記載の機器性能値予測システム。
  17. 　前記制御部は、
    　前記機器の設置された状態でのデータと、前記基準モデルを用いて生成されたモデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する、請求項１５に記載の機器性能値予測システム。
  18. 　機器の所定の時期に相当する、設置された状態での性能値を予測する、制御部を備えた機器性能値予測システムに、
    　前記機器の設置された状態でのデータを取得する手順と、
    　前記機器の設置された状態でのデータと、少なくとも基準モデルと、を用いて、前記機器の所定の時期に相当する、設置された状態での性能値を予測する手順と、
    を実行させるためのプログラム。
PCT/JP2023/033109 2022-09-12 2023-09-11 機器性能値予測方法、システム、およびプログラム WO2024058149A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-144616 2022-09-12
JP2022144616 2022-09-12

Publications (1)

Publication Number Publication Date
WO2024058149A1 true WO2024058149A1 (ja) 2024-03-21

Family

ID=90275061

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/033109 WO2024058149A1 (ja) 2022-09-12 2023-09-11 機器性能値予測方法、システム、およびプログラム

Country Status (2)

Country Link
JP (1) JP2024040138A (ja)
WO (1) WO2024058149A1 (ja)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006343063A (ja) * 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法

Also Published As

Publication number Publication date
JP2024040138A (ja) 2024-03-25

Similar Documents

Publication Publication Date Title
Li et al. A review of virtual sensing technology and application in building systems
JP6359423B2 (ja) 空調システムの制御装置、空調システム、及び空調システムの制御装置の異常判定方法
US11713893B2 (en) Refrigeration leak detection
Du et al. Effect of common faults on the performance of different types of vapor compression systems
Kim et al. Extension of a virtual refrigerant charge sensor
JPH11148750A (ja) 膨張バルブの動作を監視するための方法
US11561019B2 (en) Performance diagnosis device and performance diagnosis method for air conditioner
JP4290705B2 (ja) 空気調和機の診断方法及び診断システム
EP3196563B1 (en) Control device for air conditioning system, air conditioning system, and method for determining anomaly of air conditioning system
JP2012047364A (ja) 冷凍サイクル装置
US20230109334A1 (en) Refrigerant Charge Monitoring Systems And Methods For Multiple Evaporators
Yoon et al. Improved energy balance calculation of unitary air conditioners via virtual in-situ calibration
JP2010025475A (ja) 冷凍サイクル機器に用いられる故障診断装置
WO2022196813A1 (ja) 補正装置、予測装置、方法、プログラム、および補正モデル
JP6750091B2 (ja) 空気調和機の性能診断装置及び性能診断方法
Hu et al. Multiple simultaneous faults’ impacts on air-conditioner behavior and performance of a charge diagnostic method
JP2019020070A (ja) 空調装置の評価装置および評価方法
WO2024058149A1 (ja) 機器性能値予測方法、システム、およびプログラム
Hu Development and demonstration of a method to determine residential air-conditioning system fault prevalence
Kim et al. Virtual refrigerant mass flow and power sensors for variable-speed compressors
JP2009299934A (ja) 冷凍サイクル機器に用いられる故障診断装置
Kim et al. Evaluation of virtual refrigerant mass flow sensors
Hjortland Automated fault detection, diagnostics, impact evaluation, and service decision-making for direct expansion air conditioners
Rueda et al. Fault detection and diagnosis in liquid chillers
Behfar et al. Numerical Simulation of Fault Impacts for Commercial Walk-in Freezers

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: 23865502

Country of ref document: EP

Kind code of ref document: A1