特開 2021-89116 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】特開2021-89116(P2021-89116A)

(43)【公開日】2021年6月10日

(54)【発明の名称】情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法

(51)【国際特許分類】

   F24F 11/38 20180101AFI20210514BHJP

   F25B 49/02 20060101ALI20210514BHJP

【ＦＩ】

   F24F11/38

   F25B49/02 570Z

   F25B49/02 510F

   F25B49/02 510A

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

【全頁数】21

(21)【出願番号】特願2019-220682(P2019-220682)

(22)【出願日】2019年12月5日

【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 令和 １年 ９月 ４日に、令和元年度空気調和・衛生工学会大会学術講演論文集ＤＶＤ−ＲＯＭ、講演番号Ｅ−３、Ｅ−４にて公開 令和 １年 ９月１８日に、令和元年度空気調和・衛生工学会大会にて公開

(71)【出願人】

【識別番号】000003687

【氏名又は名称】東京電力ホールディングス株式会社

(71)【出願人】

【識別番号】899000057

【氏名又は名称】学校法人日本大学

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】前田 浩行

(72)【発明者】

【氏名】久保井 大輔

(72)【発明者】

【氏名】井口 雅登

(72)【発明者】

【氏名】蜂巣 浩生

【テーマコード（参考）】

3L260

【Ｆターム（参考）】

3L260AB01

3L260BA51

3L260CA32

3L260CB18

3L260CB19

3L260EA08

(57)【要約】

【課題】冷熱システムの異常を好適に検出することができる情報処理装置等を提供する。
【解決手段】情報処理装置１は、熱交換を行う冷熱システムから計測した計測値を取得する取得部と、前記計測値と、該計測値を計測時の前記冷熱システムの状態とを学習済みの学習済みモデルであって、前記冷熱システムで発生する異常状態の種類に応じて用意された複数の前記学習済みモデルに基づき、前記取得部が取得した前記計測値から、前記冷熱システムが前記異常状態であるか否か、及び前記異常状態の種類を推定する推定部とを備えることを特徴とする。
【選択図】図１

【特許請求の範囲】

【請求項1】

熱交換を行う冷熱システムから計測した計測値を取得する取得部と、
前記計測値と、該計測値を計測時の前記冷熱システムの状態とを学習済みの学習済みモデルであって、前記冷熱システムで発生する異常状態の種類に応じて用意された複数の前記学習済みモデルに基づき、前記取得部が取得した前記計測値から、前記冷熱システムが前記異常状態であるか否か、及び前記異常状態の種類を推定する推定部と
を備えることを特徴とする情報処理装置。

【請求項2】

前記冷熱システムは、冷凍機を含む空調システムであり、
前記推定部は、前記冷凍機に供給された電流値、前記冷凍機の圧縮機の高圧側及び低圧側夫々の圧力値、該高圧側及び低圧側夫々の圧力値の差分である圧力差、前記冷凍機の出入口夫々の温度差、並びに前記冷凍機の外気温から推定を行う
ことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記推定部が推定した前記異常状態の種類に応じて、該異常状態に対する対応策を出力する出力部を備える
ことを特徴とする請求項１又は２に記載の情報処理装置。

【請求項4】

前記取得部は、複数種類の前記計測値を取得し、
前記推定部は、
各前記学習済みモデルに応じて異なる種類の前記計測値を選択し、
選択した種類の前記計測値を各前記学習済みモデルに入力して推定を行う
ことを特徴とする請求項１〜３のいずれか１項に記載の情報処理装置。

【請求項5】

前記学習済みモデルは、複数種類の前記異常状態を分類した一又は複数のグループ毎に用意され、
前記推定部は、各グループに対応する前記学習済みモデルに前記計測値を入力して、前記異常状態であるか否か、及び前記異常状態の種類を推定する
ことを特徴とする請求項１〜４のいずれか１項に記載の情報処理装置。

【請求項6】

前記推定部は、前記冷熱システムの異常が発生する兆候状態であるか否かを推定する
ことを特徴とする請求項１〜５のいずれか１項に記載の情報処理装置。

【請求項7】

熱交換を行う冷熱システムから計測した計測値を取得し、
前記計測値と、該計測値を計測時の前記冷熱システムの状態とを学習済みの学習済みモデルであって、前記冷熱システムで発生する異常状態の種類に応じて用意された複数の前記学習済みモデルに基づき、取得した前記計測値から、前記冷熱システムが前記異常状態であるか否か、及び前記異常状態の種類を推定する
処理をコンピュータが実行することを特徴とする情報処理方法。

【請求項8】

熱交換を行う冷熱システムから計測した計測値を取得し、
前記計測値と、該計測値を計測時の前記冷熱システムの状態とを学習済みの学習済みモデルであって、前記冷熱システムで発生する異常状態の種類に応じて用意された複数の前記学習済みモデルに基づき、取得した前記計測値から、前記冷熱システムが前記異常状態であるか否か、及び前記異常状態の種類を推定する
処理をコンピュータに実行させることを特徴とするプログラム。

【請求項9】

冷熱システムから計測した計測値に対し、該計測値を計測時の前記冷熱システムの状態、及び該冷熱システムの状態が異常状態である場合は該異常状態の種類を表す情報が付与された教師データを取得し、
前記教師データに基づき、前記計測値を入力とし、前記冷熱システムの状態を出力とする学習済みモデルであって、前記異常状態の種類に応じて異なる複数の前記学習済みモデルを生成する
処理をコンピュータに実行させることを特徴とする学習済みモデルの生成方法。

【請求項10】

前記教師データから、各前記学習済みモデルに対応する種類の前記異常状態における前記計測値と、前記異常状態以外の正常状態における前記計測値とを同数ずつ抽出して各前記学習済みモデルを生成する
ことを特徴とする請求項９に記載の学習済みモデルの生成方法。

【請求項11】

前記教師データに基づき、前記異常状態の種類毎に各前記学習済みモデルを生成し、
生成した各前記学習済みモデルに、他の種類の前記異常状態における前記計測値を入力して前記異常状態であるか否かを推定し、
他の種類の前記異常状態における前記計測値から推定した推定結果に基づき、各前記学習済みモデルの間の相関性を表す指標値を算出し、
算出した前記指標値に基づき、複数種類の前記異常状態を一又は複数のグループに分類し、
分類したグループ毎に前記教師データを学習して、各グループに対応する前記学習済みモデルを再生成する
ことを特徴とする請求項９又は１０に記載の学習済みモデルの生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法に関する。

【背景技術】

【0002】

空調システムのように、熱交換を行う冷熱システムの異常を検知する技術がある。例えば特許文献１では、空調機から計測した電流値等の検出情報を所定の時間間隔毎に区切ったフレーム画像を生成し、フレーム画像の特徴を機械学習で学習したモデルを構築して、空調機の異常を検知する状態監視装置等が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第６２９８５６２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、特許文献１に係る発明では空調機で発生するあらゆる種類の異常を同じモデルで学習しており、異常検知の精度を損ねる恐れがある。

【0005】

一つの側面では、冷熱システムの異常を好適に検出することができる情報処理装置等を提供することを目的とする。

【課題を解決するための手段】

【0006】

一つの側面に係る情報処理装置は、熱交換を行う冷熱システムから計測した計測値を取得する取得部と、前記計測値と、該計測値を計測時の前記冷熱システムの状態とを学習済みの学習済みモデルであって、前記冷熱システムで発生する異常状態の種類に応じて用意された複数の前記学習済みモデルに基づき、前記取得部が取得した前記計測値から、前記冷熱システムが前記異常状態であるか否か、及び前記異常状態の種類を推定する推定部とを備えることを特徴とする。

【発明の効果】

【0007】

一つの側面では、冷熱システムの異常を好適に検出することができる。

【図面の簡単な説明】

【0008】

【図1】異常検出システムの構成例を示す模式図である。

【図2】サーバの構成例を示すブロック図である。

【図3】計測値ＤＢのレコードレイアウトの一例を示す説明図である。

【図4】推定モデルに関する説明図である。

【図5】推定モデルの生成処理に関する説明図である。

【図6】推定結果の通知画面の一例を示す説明図である。

【図7】推定モデルの生成処理の手順を示すフローチャートである。

【図8】状態推定処理の手順を示すフローチャートである。

【図9】推定モデルによる推定結果を表す散布図である。

【図10】実施の形態２に係る推定モデルの生成処理の手順を示すフローチャートである。

【図11】実施の形態２に係る状態推定処理の手順を示すフローチャートである。

【図12】モデル間の相互評価処理に関する説明図である。

【図13】相互評価結果を表す説明図である。

【図14】実施の形態３に係る推定モデルの生成処理の手順を示すフローチャートである。

【図15】実施の形態３に係る状態推定処理の手順を示すフローチャートである。

【図16】実施の形態４の概要を示す説明図である。

【図17】実施の形態４に係る状態推定処理の手順を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、異常検出システムの構成例を示す模式図である。本実施の形態では、空調システム３の異常を検出する異常検出システムについて説明する。異常検出システムは、情報処理装置１、端末２、空調システム３を含む。情報処理装置１及び端末２は、インターネット等のネットワークＮを介して通信接続されている。

【0010】

空調システム３は、例えば建築物に設置された空調システムであり、空調機３１との間で熱交換を行う熱源機器として、冷凍機３２を備えた空調システムである。冷凍機３２は所謂チラーであり、冷媒（例えば水）を介して空調機３１との間で熱交換を行う。なお、冷凍機３２は空冷式チラーであってもよい。

【0011】

なお、本実施の形態では冷熱システムの一例として空調システム３を挙げるが、推定対象とする冷熱システムは空調システム３に限定されず、例えば冷凍機３２を用いて産業用機械、計測機器などを冷却するシステムであってもよい。すなわち、冷熱システムは熱交換を行うシステムであればよく、その用途は空調に限定されない。

【0012】

また、本実施の形態では空調システム３が冷凍機３２を備える空調システムであるものとして説明するが、空調システム３は室外機及び室内機のみの空調システムであってもよく、冷凍機３２のような熱源機器を備える構成は必須ではない。

【0013】

情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバコンピュータ、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバコンピュータであるものとし、以下ではサーバ１と読み替える。サーバ１は、空調システム３から計測した所定の計測値に基づき、空調システム３の状態を推定する。具体的には後述のように、サーバ１は、教師用の計測値と、当該計測値を計測時の冷凍機３２の状態とを、冷凍機３２で発生する異常状態の種類毎に学習する機械学習を行って複数の推定モデル１４１（図４参照）を生成しておく。そしてサーバ１は、複数の推定モデル１４１を用いて、冷凍機３２が異常状態であるか否か、及び異常状態である場合はその異常状態の種類を推定する。

【0014】

端末２は、例えば空調システム３の保守点検を行う点検業者、あるいは空調システム３のエンドユーザ（例えば建築物のオーナー）などの端末装置であり、例えばパーソナルコンピュータ、スマートフォン、タブレット端末等である。本実施の形態でサーバ１は、端末２から空調システム３の計測値を取得して推定を行う。例えばサーバ１は、冷凍機３２から計測した計測値、及び保守点検作業の内容（例えば冷凍機３２の修理、交換等）などが記載された管理日報のデータを端末２から定期的に取得し、データベースに蓄積してある。サーバ１は、データベースに蓄積された管理日報のデータを教師データとして学習を行い、推定モデル１４１を生成する。また、空調システム３の状態を推定する場合、サーバ１は、端末２から定期的に取得する空調システム３の計測値に基づき、空調システム３の状態を推定する。

【0015】

なお、本実施の形態では管理日報という形で、人手で記録されたデータに基づき処理を行うものとするが、例えばＢＥＭＳ（Building Energy Management System）のように、空調システム３から計測値を自動的に取得する構成であってもよい。

【0016】

また、本実施の形態ではクラウド上のサーバ１で処理を行うものとするが、ローカルの端末２に推定モデル１４１をインストールし、空調システム３の状態推定に関わる処理を行ってもよい。

【0017】

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、及び補助記憶部１４を備える。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

【0018】

補助記憶部１４は、大容量メモリ、ハードディスク等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ、その他のデータを記憶している。また、補助記憶部１４は、推定モデル１４１、計測値ＤＢ１４２を記憶している。推定モデル１４１は、機械学習によって生成された学習済みモデルであり、例えばニューラルネットワークに係るモデルである。推定モデル１４１は、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定される。計測値ＤＢ１４２は、冷凍機３２から計測した計測値等を格納するデータベースである。

【0019】

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

【0020】

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）−ＲＯＭ、ＤＶＤ（Digital Versatile Disc）−ＲＯＭ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰを読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰを読み込んでも良い。

【0021】

図３は、計測値ＤＢ１４２のレコードレイアウトの一例を示す説明図である。計測値ＤＢ１４２は、冷凍機ＩＤ列、日時列、計測値列、状態列、作業列を含む。冷凍機ＩＤ列は、空調システム３の冷凍機３２の識別子である冷凍機ＩＤを記憶している。日時列、計測値列、状態列、及び作業列はそれぞれ、冷凍機ＩＤと対応付けて、冷凍機３２から計測値を計測した日時、計測値、当該日時における冷凍機３２の状態、及び異常があった場合に行った保守点検作業の内容を記憶している。計測値列には、冷凍機３２から計測した計測値であって、冷凍機３２に供給された電流値、圧縮機の高圧側及び低圧側それぞれの圧力値、外気温、圧縮機の高圧側及び低圧側それぞれの圧力値の差分である圧力差、及び冷凍機３２の出入口の温度差が記憶されている。状態列には、冷凍機３２の状態（異常状態であるか、異常状態以外の正常状態であるか）、及び異常状態である場合はその異常状態の種類を表すラベルが記憶されている。作業列には、例えば冷凍機３２の修理や交換など、作業者が行った作業内容が記憶されている。

【0022】

図４は、推定モデル１４１に関する説明図である。図４に基づき、推定モデル１４１の概要を説明する。
推定モデル１４１は、空調システム３から計測した計測値を入力として、空調システム３の状態を推定した推定結果を出力するモデルである。具体的には図４に図示するように、推定モデル１４１はニューラルネットワークであり、計測値の入力を受け付ける入力層と、計測値から特徴量を抽出する中間層と、中間層で抽出した特徴量に基づき推定結果を出力する出力層とを備える。各層は、一又は複数のニューロンで構成される。

【0023】

本実施の形態では、推定モデル１４１には、空調システム３の冷凍機３２から計測した複数種類の計測値が入力され、冷凍機３２の状態を推定した推定結果が出力される。推定モデル１４１に入力する計測値は特に限定されないが、本実施の形態では、冷凍機３２に供給された電流値Ａ、圧縮機の高圧側及び低圧側それぞれの圧力差ｄＰ、低圧側の圧力値Ｐ_Ｌ、高圧側の圧力値Ｐ_Ｈ、冷凍機３２の出入口の温度差ｄＴ、及び外気温Ｔ_０の６種類の計測値が入力される。なお、これらの計測値は例示であって、計測値は５種類以下であってもよく、７種類以上であってもよい。各種類の計測値は、入力値ｘ_１〜ｘ_６として入力層の各ニューロンに入力される。なお、入力層に計測値を入力する場合、各計測値は標準化した値が入力される。

【0024】

推定モデル１４１の出力層は、冷凍機３２が異常状態である確率を表す出力値ｙ_１と、正常状態である確率を表す出力値ｙ_２とを出力する２つのニューロンを備える。サーバ１は、各計測値を入力層に入力して中間層での演算を行い、出力層から出力値ｙ_１、ｙ_２を取得する。例えばサーバ１は、ｙ_１＜ｙ_２である場合は異常状態であると判定し、ｙ_１≧ｙ_２である場合は正常状態であると判定する。

【0025】

学習時においてサーバ１は、計測値ＤＢ１４２に記憶されている各計測時点の計測値と、各計測時点における冷凍機３２の状態とを教師データとして学習を行い、推定モデル１４１を生成する。具体的には、サーバ１は、上記の６種類の計測値を計測値ＤＢ１４２から読み出し、入力値ｘ_１〜ｘ_６として入力層に入力して、出力層から出力値ｙ_１、ｙ_２を取得する。サーバ１は、計測時点の冷凍機３２の状態が異常状態である場合はｃ_１＝０．０及びｃ_２＝１．０とし、正常状態である場合はｃ_１＝１．０及びｃ_２＝０．０として、正解値ｃ_１、ｃ_２と出力値ｙ_１、ｙ_２とを比較する。サーバ１は、両者が近似するように誤差逆伝播法でニューロン間の重みｗを更新する。サーバ１は、教師データに含まれる各計測時点での計測値を順次入力して重みｗを最適化し、推定モデル１４１を生成する。

【0026】

なお、図４に示す推定モデル１４１は中間層が一層のみであるが、中間層を多層とした深層学習を行うようにしてもよい。また、推定モデル１４１はニューラルネットワークに限定されず、例えばＳＶＭ（Support Vector Machine）、ランダムフォレスト、決定木等の他の学習アルゴリズムに基づくモデルであってもよい。

【0027】

また、本実施の形態では一の計測時点の計測値から異常推定を行うが、例えばＲＮＮ（Recurrent Neural Network）のように、推定モデル１４１を時系列データを取り扱うことが可能なモデルとして、複数時点の計測値から冷凍機３２の状態を推定してもよい。

【0028】

図５は、推定モデル１４１の生成処理に関する説明図である。図５では、冷凍機３２で発生する異常状態の種類毎に、別々の推定モデル１４１を生成する様子を概念的に図示している。図５に基づき、推定モデル１４１を生成する機械学習の処理内容を説明する。

【0029】

サーバ１は、複数の計測時点それぞれにおける冷凍機３２の計測値と、各計測時の冷凍機３２の状態を表すラベルとを含む教師データを学習する機械学習を行い、推定モデル１４１を生成する。具体的には図５に示すように、教師データは、複数の計測時点それぞれの計測値に対して、冷凍機３２が異常状態又は正常状態であるか、及び異常状態である場合はその異常状態の種類を表すラベルが付与されたデータである。正常状態である場合はＮＦ（Not Failure）のラベルが付与され、異常状態である場合は異常の種類を表すＦｘ（ｘ＝１、２、３…）のラベルが付与されている。

【0030】

本実施の形態では、異常状態の種類として１１種類のラベルＦ１〜Ｆ１１が用意されている。各ラベルについて詳細な説明及び図示は省略するが、例えばラベルＦ１は送風ファンの不調を、ラベルＦ２は温水の異常を表す。なお、異常状態の種類の数やその内容は特に限定されず、任意に設定され得る。

【0031】

サーバ１は、異常状態における計測値と、正常状態における計測値とを計測値ＤＢ１４２から読み出し、推定モデル１４１に与えて学習を行う。この場合にサーバ１は、各種類の異常状態推定用の推定モデル１４１を別々に生成するため、一の推定モデル１４１に対して一種類の異常状態時の計測値及び正常状態時の計測値のみを与え、他の種類の異常状態時の計測値を与えずに学習を行う。

【0032】

図５では、「空調機Ａ」で示す空調システム３のデータから、ラベルＦ１、Ｆ２それぞれに対応する推定モデル１４１を生成する様子を図示してある。図５に示す教師データにはＦ１、Ｆ２の２つのラベルが含まれているが、ラベルＦ１推定用の推定モデル１４１を生成する場合、サーバ１は、ラベルＦ２が付与された計測値を除外し、ラベルＦ１及びＮＦが付与された計測値のみを推定モデル１４１に与えて学習を行う。Ｆ２ラベル推定用の推定モデル１４１の学習を行う場合、サーバ１は、Ｆ１ラベルが付与された計測値を除外し、Ｆ２及びＮＦのラベルが付与された計測値のみを与えて学習を行う。

【0033】

このように、サーバ１は、一の推定モデル１４１に対して一種類の異常状態のデータのみを与え、Ｆ１、Ｆ２、Ｆ３…それぞれのラベル推定用の推定モデル１４１を生成する。教師データに複数種類のラベルＦｘが含まれる場合、これを同一の推定モデル１４１で学習すると、学習精度を低下させてしまう恐れがある。そこで本実施の形態では異常状態の種類毎に別々に推定モデル１４１を生成することで、学習精度の低下を防止する。

【0034】

上記のように、ラベルＦｘが付与された計測値とラベルＮＦが付与された計測値とを推定モデル１４１に与えて学習を行う。この場合にサーバ１は、異常状態を表すラベルＦｘが付与された計測値と、正常状態を表すラベルＮＦが付与された計測値とを１つずつ交互にランダムに抽出して学習を行う。例えばラベルＦ１推定用の推定モデル１４１の学習を行う場合、サーバ１は、まずラベルＦ１が付与された計測値を教師データからランダムに抽出して学習し、次に、ラベルＮＦが付与された計測値をランダムに抽出して学習する。サーバ１は、学習回数が予め定めた所定回数に達するまで、ラベルＦ１及びＮＦが付与された計測値を交互に抽出し、推定モデル１４１に与えて学習する。

【0035】

このように、サーバ１は、異常状態及び正常状態の学習回数が同数となるようにデータを抽出し、学習を行う。一般的に空調システム３が異常状態である場合は正常状態である場合よりも稀であるため、教師データには、異常状態時のデータよりも正常状態時のデータの方が圧倒的に多くなる。そこで両者の学習回数を同数とし、交互に学習することで、推定精度を向上させることができる。

【0036】

なお、上記では異常状態及び正常状態のデータを１つずつ交互に学習したが、例えば両者を２つずつ交互に学習してもよい。すなわち、サーバ１は両者が同数となるように学習を行うことが可能であればよく、その学習順序は特に限定されない。

【0037】

上述の如くサーバ１は、異常状態の種類毎に、異常状態及び正常状態の学習回数が同数となるよう交互に学習を行い、各種類の異常状態推定用の推定モデル１４１、１４１、１４１…を生成する。実際に推定対象の空調システム３の状態を推定する場合、サーバ１は端末２から空調システム３の計測値を取得し、生成済み（学習済み）の推定モデル１４１、１４１、１４１…を用いて推定を行う。

【0038】

すなわち、サーバ１は、推定対象の空調システム３の冷凍機３２から計測した各計測値を、ラベルＦ１、Ｆ２、Ｆ３…推定用の各推定モデル１４１に入力し、各推定モデル１４１から、異常状態又は正常状態である確率を表す出力値ｙ_１、ｙ_２を取得する。そしてサーバ１は、各推定モデル１４１からの出力に基づき、異常状態であるか否か、及び異常状態である場合はその異常状態の種類を推定する。例えばサーバ１は、推定モデル１４１毎にｙ_１＜ｙ_２であるか否かを判定し、ｙ_１＜ｙ_２である場合はその推定モデル１４１に対応するラベルＦｘの異常状態が発生しているものとして、各推定モデル１４１での推定結果を並列的に出力する

【0039】

なお、例えばサーバ１は、出力値ｙ_１が最も高い推定モデル１４１の結果を採用し、当該推定モデル１４１に対応するラベルＦｘを冷凍機３２で発生している異常状態の種類と判定して、複数の推定モデル１４１、１４１、１４１…の推定結果を統合してもよい。各推定モデル１４１からの出力をどのように処理するかは、種々の変更が考えられる。

【0040】

サーバ１は、上記の推定結果を端末２に通知する。具体的には、冷凍機３２が正常状態であると推定された場合、サーバ１は冷凍機３２が正常である旨を端末２に通知する。一方、冷凍機３２が異常状態であると推定された場合、サーバ１は、冷凍機３２で異常が発生した旨、及び推定された異常状態の種類を通知する。

【0041】

図６は、推定結果の通知画面の一例を示す説明図である。端末２は、サーバ１からの出力を受けて、図６に例示する画面を表示する。例えば図６に示すように、端末２は異常状態の種類毎に確率値（ｙ₂）を表示し、異常状態であるか否かを推定した推定結果を表示する。

【0042】

この場合にサーバ１は、冷凍機３２の異常を通知するだけでなく、推定された種類の異常状態に対する対応策を併せて通知すると好適である。対応策は、例えば冷凍機３２の修理や交換などの方法であるが、その内容は特に限定されない。

【0043】

例えばサーバ１は、計測値ＤＢ１４２に、冷凍機３２における異常発生時に行われた保守点検作業の内容を、冷凍機３２で発生した異常状態の種類と対応付けて記憶してある。サーバ１は、上記で推定した異常状態の種類に応じて、対応する過去の作業内容を計測値ＤＢ１４２から読み出し、端末２に通知する。これにより、空調システム３の点検業者、エンドユーザなどは、空調システム３の故障等に対して迅速に対応することができる。

【0044】

また、サーバ１は、図６の通知画面において、推定モデル１４１による推定結果が正しいか否か、推定結果の修正入力を受け付けるようにすると好適である。例えば図６に示すように、端末２は推定結果を修正するためのタブ６１を表示し、タブ６１への操作入力を受け付ける。これにより、サーバ１は推定結果（推定モデル１４１）を修正することができる。例えばサーバ１は、修正された推定結果をラベルとして計測値と対応付けて計測値ＤＢ１４２に格納し、再学習用の教師データに用いて推定モデル１４１の再学習を行う。これにより、推定モデル１４１による推定精度を向上させていくことができる。

【0045】

以上より、本実施の形態１によれば、空調システム３で発生する異常状態の種類毎に異なる複数の推定モデル１４１を用いることで、空調システム３の異常を好適に検出することができる。

【0046】

図７は、推定モデル１４１の生成処理の手順を示すフローチャートである。図７に基づき、推定モデル１４１を生成する機械学習の処理内容を説明する。
サーバ１の制御部１１は、空調システム３から計測した計測値に対して、計測時における空調システム３の状態、及び空調システム３の状態が異常状態である場合はその異常状態の種類を示す情報が付与された教師データを取得する（ステップＳ１１）。計測値は、空調システム３の冷凍機３２に関する計測値であって、冷凍機３２に供給された電流値、圧縮機の高圧側及び低圧側の圧力値、圧力差、冷凍機３２の出入口の温度差、外気温などを含む。制御部１１は、当該計測値に対し、計測時において空調システム３が異常状態であるか正常状態であるか、及び異常状態である場合はその異常状態の種類を表すラベルが付与された教師データを取得する。

【0047】

制御部１１は、学習対象とする異常状態の種類を一種類選択する（ステップＳ１２）。制御部１１は、選択した種類の異常状態のラベルが付与された計測値を教師データからランダムに抽出する（ステップＳ１３）。制御部１１は、抽出した計測値を推定モデル１４１に与え、学習を行う（ステップＳ１４）。具体的には、制御部１１は、計測値を推定モデル１４１に入力して空調システム３の状態を推定し、推定結果を正解のラベルと比較し、推定モデル１４１の重みを更新する。

【0048】

次に制御部１１は、正常状態のラベルが付与された計測値を教師データからランダムに抽出する（ステップＳ１５）。制御部１１は、抽出した計測値を推定モデル１４１に与え、学習を行う（ステップＳ１６）。

【0049】

制御部１１は、ステップＳ１２で選択した種類の異常状態のラベルが付与された計測値を、予め定めた所定回数学習したか否かを判定する（ステップＳ１７）。所定回数学習していないと判定した場合（Ｓ１７：ＮＯ）、制御部１１は処理をステップＳ１３に戻す。この場合、制御部１１は異なる計測時点の計測値を教師データから抽出し（ステップＳ１３）、学習を行う（ステップＳ１４）。制御部１１は当該処理を繰り返し、ステップＳ１２で選択した種類の異常状態に対応する推定モデル１４１を生成する。

【0050】

計測値を所定回数学習したと判定した場合（Ｓ１７：ＹＥＳ）、制御部１１は、全種類の異常状態について学習が完了したか否かを判定する（ステップ１８）。学習が完了していないと判定した場合（Ｓ１８：ＮＯ）、制御部１１は処理をステップＳ１２に戻す。この場合、制御部１１は異なる異常状態の種類を選択し（ステップＳ１２）、異常状態及び正常状態の計測値を交互に学習して推定モデル１４１を生成する。全種類の異常状態について学習が完了したと判定した場合（Ｓ１８：ＹＥＳ）、制御部１１は一連の処理を終了する。

【0051】

図８は、状態推定処理の手順を示すフローチャートである。図８に基づき、推定モデル１４１を用いて空調システム３の状態を推定する処理内容について説明する。
サーバ１の制御部１１は、推定対象とする空調システム３の計測値を取得する（ステップＳ３１）。制御部１１は、取得した計測値を、異常状態の種類に応じて用意された複数の推定モデル１４１それぞれに入力して、異常状態であるか否か、及び異常状態である場合はその異常状態の種類を推定する（ステップＳ３２）。

【0052】

制御部１１は、ステップＳ３２の推定結果に基づき、空調システム３が異常状態であるか否かを判定する（ステップＳ３３）。異常状態でないと判定した場合（Ｓ３３：ＮＯ）、制御部１１は、空調システム３が正常である旨を端末２に通知し（ステップＳ３４）、一連の処理を終了する。

【0053】

異常状態であると判定した場合（Ｓ３３：ＹＥＳ）、制御部１１は、空調システム３に異常が発生した旨、及び推定された異常状態の種類を端末２に通知する（ステップＳ３５）。例えば制御部１１は、推定された種類の異常が発生した旨を通知すると共に、当該種類の異常状態に対する対応策を通知する。対応策は、例えば空調システム３（冷凍機３２）の修理、交換などの方法である。例えば制御部１１は、計測値ＤＢ１４２を参照して、推定された種類の異常状態時に行われた過去の保守点検作業の内容を通知する。制御部１１は一連の処理を終了する。

【0054】

以上より、本実施の形態１によれば、異常状態の種類に応じて用意された複数の学習済みモデル（推定モデル１４１）を用いることで、冷熱システム（空調システム３）の異常検出を好適に行うことができる。

【0055】

また、本実施の形態１によれば、推定された冷熱システムの異常に対する対応策を提示することもできる。

【0056】

（実施の形態２）
本実施の形態では、推定する異常状態の種類に応じて、推定モデル１４１に入力する計測値の種類を変更する形態について説明する。なお、実施の形態１と重複する内容については同一の符号を付して説明を省略する。

【0057】

本願の発明者の研究によれば、各種類の異常状態推定用の推定モデル１４１に応じて、複数の入力値（計測値）ｘ_１〜ｘ_６の内、出力値ｙ_１、ｙ_２に対して相関が高いものと低いものがあることが分かっている。図９は、推定モデル１４１による推定結果を表す散布図である。図９では、ラベルＦ１推定用の推定モデル１４１に対し、計測値を模擬した乱数を入力してラベルＦ１又はＮＦの推定を行った場合の散布図を図示している。

【0058】

図９の各散布図では、６種類の計測値Ａ、ｄＰ、Ｐ_Ｌ、Ｐ_Ｈ、ｄＴ、Ｔ_０（ｘ_１〜ｘ_６）の内、任意の２種類の計測値を縦軸及び横軸として、Ｆ１又はＮＦのラベルと推定された結果をプロットしている。図９に示すように、ｄＰ、Ｐ_Ｌ、Ｐ_Ｈ、ｄＴ、Ｔ_０を縦軸又は横軸とした散布図（図９の２段目以降）ではＦ１及びＮＦのラベルが分散している。一方で、電流値Ａを横軸とする散布図（図９の１段目）では、同様の値を境として識別境界面が表れており、ラベルＦ１に対して電流値Ａの相関性が高いことが分かる。

【0059】

このように、推定モデル１４１によっては、推定結果との相関性が高い計測値と相関性が低い計測値とがあり得る。そこで、相関性が高い計測値のみを入力として他の計測値を除外することで、推定精度を高めてもよい。

【0060】

例えばサーバ１は、教師データから各種類の異常状態推定用の推定モデル１４１、１４１、１４１…を生成する場合に、各種類の異常状態と相関性が高いと予測される計測値の種類を選択する変数選択（特徴量選択、Feature Selection）を行い、選択した種類の計測値を学習して各推定モデル１４１を生成する。

【0061】

変数選択の具体的な手法は特に限定されないが、例えばカイ二乗検定等を用いたフィルタ法（Filter Method）が考えられる。あるいはサーバ１は、ラッパー法（Wrapper Method）、組み込み法（Embedded Method）のように、教師データの学習と変数選択とを同時並行で行う手法を用いてもよい。

【0062】

例えばサーバ１は、教師データを学習する前に、教師データにおいて各種類の異常状態を表すラベルＦｘが付与された計測値を統計処理し、ラベルＦｘと相関性が高い計測値の種類を選択する。図９の例に則して説明すれば、サーバ１は、計測値Ａ、ｄＰ、Ｐ_Ｌ、Ｐ_Ｈ、ｄＴ、Ｔ_０とラベルＦ１との統計検定量を算出し、算出した検定量に応じて、相関性が高い計測値として電流値Ａを選択する。

【0063】

サーバ１は、同様にラベルＦ２、Ｆ３、Ｆ４…についても相関性が高い計測値の種類を選択する。サーバ１は、選択した種類の計測値と、当該計測値に対して付与されたラベルＦｘ及びＮＦとからラベルＦｘ推定用の推定モデル１４１を生成する。上記の例では、サーバ１は、電流値Ａを入力として、ラベルＮＦ又はＦ１である確率を表す出力値ｙ_１、ｙ_２を出力とする推定モデル１４１を生成する。

【0064】

このように、各推定モデル１４１で推定する異常状態の種類に応じて、推定に用いる計測値を選択してもよい。これにより、推定精度の向上を期待することができると共に、例えば一部の計測値が欠損している場合であっても、推定モデル１４１によっては問題なく推定を行うことができ、空調システム３の状態推定が全く行えなくなることを回避することができる。

【0065】

図１０は、実施の形態２に係る推定モデル１４１の生成処理の手順を示すフローチャートである。教師データを取得した後（ステップＳ１１）、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、異常状態の種類毎に、各種類の異常状態推定用の推定モデル１４１の入力とする計測値の種類を選択する（ステップＳ２０１）。例えば制御部１１は、上述の如く、フィルタ法等による変数選択を行い、推定モデル１４１の入力とする計測値の種類を選択する。制御部１１は処理をステップＳ１２に移行し、推定する異常状態の種類に応じて、入力とする計測値の種類が異なる複数の推定モデル１４１、１４１、１４１…を生成する。

【0066】

図１１は、実施の形態２に係る状態推定処理の手順を示すフローチャートである。推定対象の空調システム３の計測値を取得した後（ステップＳ３１）、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、各種類の異常状態推定用の推定モデル１４１、１４１、１４１…に応じて、異なる種類の計測値を選択する（ステップＳ２２１）。制御部１１は、選択した種類の計測値を、対応する各推定モデル１４１に入力して、推定モデル１４１毎に異なる種類の計測値から空調システム３の状態を推定する（ステップＳ２２２）。制御部１１は処理をステップＳ３３に移行する。

【0067】

以上より、本実施の形態２によれば、各推定モデル１４１に応じて入力する計測値の種類を変更することで、各種類の異常状態の推定をより好適に行うことができる。

【0068】

（実施の形態３）
実施の形態１では、異常状態の種類毎に推定モデル１４１を用意（生成）する形態について説明した。本実施の形態では、異常状態の種類毎に生成した推定モデル１４１同士の相互評価を行い、複数種類の異常状態をグルーピングして、より一般化した推定モデル１４１を生成する形態について述べる。

【0069】

図１２は、モデル間の相互評価処理に関する説明図である。図１２では、ラベルＦ１推定用の推定モデル１４１に対してラベルＦ２が付与された教師用の計測値を入力し、ラベルＦ２の推定を行う様子を図示している。図１２に基づき、本実施の形態の概要を説明する。

【0070】

実施の形態１では、推定モデル１４１はラベルＦ１、Ｆ２、Ｆ３…毎に生成した。一方で、異常状態の種類が異なっていても、同様な不具合（異常）であれば推定モデル１４１を一般化し、同じ推定モデル１４１で異常状態を推定することが期待できる。そこでサーバ１は、ラベルＦｘ毎に生成された推定モデル１４１同士の相関性を評価し、複数種類の異常状態をまとめて推定する推定モデル１４１を生成する。

【0071】

具体的には、サーバ１は、ラベルＦｘ推定用の推定モデル１４１に対し、異なる種類のラベルＦｙ（ｘ≠ｙ）が付与された教師用の計測値を入力する。そしてサーバ１は出力層から、空調システム３の状態に関する出力値ｙ_１、ｙ_２を取得する。図１２の例では、サーバ１はラベルＦ１推定用の推定モデル１４１にラベルＦ２が付与された計測値を入力して、出力値ｙ_１、ｙ_２を取得する様子を図示している。サーバ１は同様に、ラベルＦ３、Ｆ４、Ｆ５…についても計測値を入力して推定を行う。

【0072】

このように、サーバ１は、ラベルＦｘ推定用の推定モデル１４１に、異なるラベルＦｙの計測値を入力して出力値を取得する。そしてサーバ１は、各推定モデル１４１から出力された出力値に基づき、推定モデル１４１同士の相関性を表す所定の指標値を算出する。指標値は、例えば推定モデル１４１同士の再現率、及び出力値の相関係数である。なお、再現率は、ラベルＦｙが付与された計測値が正解通りに異常状態と推定された割合であり、正解通りに異常状態と推定された回数をＴＰ、異常状態と推定されるべきデータが誤って正常状態と推定された回数をＦＮとして、再現率＝ＴＰ／（ＴＰ＋ＦＮ）として計算される。相関係数は、例えばピアソン相関係数であり、出力値の共分散及び標準偏差から算出される。

【0073】

図１３は、相互評価結果を表す説明図である。図１３Ａでは推定モデル１４１同士の再現率を示す表を、図１３Ｂでは出力値の相関係数を示す表をそれぞれ図示する。なお、説明の便宜上、表中の値に応じてハッチングを付してある。

【0074】

図１３Ａ、Ｂから分かるように、ラベルＦ１、Ｆ２は相互に再現率及び相関係数が高く、また、ラベルＦ６〜Ｆ９の再現率及び相関係数も高くなっている。同様に見ていくと、およそＦ１〜Ｆ４及びＦ６〜Ｆ９のグループと、Ｆ５、Ｆ１０及びＦ１１のグループとに分類できる。

【0075】

サーバ１は、図１３Ａ、Ｂに示す再現率及び相関係数に応じて、各推定モデル１４１に対応する複数種類の異常状態を、一又は複数のグループに分類する。例えばサーバ１は、推定モデル１４１同士の再現率及び／又は相関係数が一定値以上の異常状態を同じグループに分類する。あるいはサーバ１は、図１３Ａ、Ｂに示す再現率及び相関係数を表示し、人手によるグルーピングの設定入力を受け付けるようにしてもよい。

【0076】

例えばサーバ１は、上記で分類されたグループ毎に再学習を行い、複数の推定モデル１４１、１４１、１４１…をまとめた推定モデル１４１を再生成する。例えばラベルＦ１〜Ｆ４及びＦ６〜Ｆ９が同じグループに分類された場合、サーバ１は、当該グループに属する各ラベルＦｘが付与された計測値と、正常状態時のラベルＮＦが付与された計測値とをランダムに抽出して学習を行い、ラベルＦ１〜Ｆ４及びＦ６〜Ｆ９推定用の推定モデル１４１を生成する。

【0077】

この場合、例えばサーバ１は、ラベルＦ１〜Ｆ４及びＦ６〜Ｆ９を一つのラベル（一種類の異常状態）と見なして、ラベルＦ１〜Ｆ４及びＦ６〜Ｆ９から成るラベル群に該当するか否かを推定する推定モデル１４１を生成するようにしてもよい。あるいはサーバ１は、出力層にラベルＦ１〜Ｆ４、Ｆ６〜Ｆ９、及びＮＦの確率を演算するための９つのニューロンを設け、各ラベルに該当する確率を個別に推定可能な推定モデル１４１を生成してもよい。このように、再生成した推定モデル１４１は、対応する異常状態のグループ（種類群）に該当するか否かを推定するモデルであってもよく、個々の異常状態の種類に該当するか否かを推定するモデルであってもよい。

【0078】

実際に空調システム３の状態を推定する場合、サーバ１は、グループ毎に生成した各推定モデル１４１に計測値を入力して、グループ毎に推定結果を出力する。このように、複数種類の異常状態をグルーピングして、より一般化した推定モデル１４１を構築することもできる。

【0079】

図１４は、実施の形態３に係る推定モデル１４１の生成処理の手順を示すフローチャートである。ステップＳ１８でＹＥＳと判定した後、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、異常状態の種類に応じて生成した複数の推定モデル１４１、１４１、１４１…毎に、他の推定モデル１４１との相関性を表す指標値を算出する（ステップＳ３０１）。具体的には上述の如く、制御部１１は、ラベルＦｘ推定用の推定モデル１４１に対してラベルＦｙ（ｘ≠ｙ）の計測値を入力し、出力値から推定モデル１４１同士の再現率及び相関係数を算出する。

【0080】

制御部１１は、算出した指標値に基づき、複数種類の異常状態を一又は複数のグループに分類する（ステップＳ３０２）。そして制御部１１は、分類したグループ毎に推定モデル１４１を再生成し（ステップＳ３０３）、一連の処理を終了する。

【0081】

図１５は、実施の形態３に係る状態推定処理の手順を示すフローチャートである。推定対象の空調システム３の計測値を取得した後（ステップＳ３１）、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、取得した計測値を各推定モデル１４１に入力して、空調システム３が異常状態であるか否か、及び異常状態である場合はその異常状態の種類を推定する（ステップＳ３２１）。ここで制御部１１は、ステップＳ３０２で分類したグループ毎に推定を行う。すなわち制御部１１は、上述の如く、グループ毎に再生成された各推定モデル１４１に計測値を入力して、グループ毎に推定を行う。制御部１１は処理をステップＳ３３に移行する。

【0082】

以上より、本実施の形態３によれば、複数種類の異常状態を統合して、より一般化した推定モデル１４１を構築することができる。これにより、教師データとなる計測値や故障履歴が蓄積されていない、例えば運用を開始したばかりの空調システム３に対しても推定モデル１４１を適用可能となることが期待できる。

【0083】

（実施の形態４）
実施の形態１では、空調システム３に異常が現に発生している状態を推定する形態について説明した。本実施の形態では、空調システム３に異常が発生する兆候が現れている状態を推定する形態について説明する。

【0084】

図１６は、実施の形態４の概要を示す説明図である。図１６に基づき、本実施の形態の概要を説明する。
本実施の形態でサーバ１は、推定モデル１４１からの出力に基づき、空調システム３に現に異常が発生しているか否かだけでなく、異常が発生する兆候があるか否かを推定する。例えばサーバ１は、教師用の計測値に対して、正常状態であることを示すＮＦ、及び現に異常が発生していることを表すラベルＦｘのほかに、異常発生前の兆候状態を表すラベルＦｘｓが付与された教師データを学習して、各ラベルに対応する出力値ｙ_１、ｙ_２、ｙ_３を出力する推定モデル１４１を生成する。

【0085】

サーバ１は、上記で生成した推定モデル１４１に対して計測値を入力し、空調システム３の状態を推定する。例えばサーバ１は、ラベルＦｘ、Ｆｘｓ、及びＮＦの内、最も値が大きいラベルを採用し、推定結果とする。すなわち、ラベルＦｘが最も高い場合は異常が現に発生しているものと推定し、ラベルＦｘｓが最も高い場合は兆候状態であるものと推定する。サーバ１は、推定結果を端末２に出力し、兆候状態である場合は異常の兆候がある旨を提示する。

【0086】

なお、兆候状態であると推定して場合、サーバ１は、兆候状態である点だけでなく、異常が発生すると予測される時点を併せて提示すると好適である。例えばサーバ１は、教師データにおいて兆候状態を表すラベルＦｘｓが初めて出現する時点と、異常が現に発生している状態を表すＦｘが初めて出現する時点との間の期間を記憶しておき、当該期間を異常が発生するまでの参考値として端末２に出力する。あるいはサーバ１は、兆候状態の時点から異常が発生する時点までの期間を推定モデル１４１に学習させてもよい。これにより、点検業者やエンドユーザは対策を取る時間を知ることができ、利便性を向上させることができる。

【0087】

なお、上記では教師データに兆候状態を表すラベルを付与することで異常の兆候を推定するものとしたが、本実施の形態はこれに限定されるものではない。例えばサーバ１は、実施の形態１と同様に出力値がｙ_１、ｙ_２のみの推定モデル１４１を利用し、異常状態の確率を表す出力値ｙ₂の高低に応じて兆候段階であるか否かを推定してもよい。例えばサーバ１は、ｙ₂＞０．９（９０％）の場合は現に異常が発生していると推定し、ｙ₂≦０．９の場合は兆候状態であると推定する。このように、兆候状態を表すラベルが付与された教師データを学習する構成は必須ではなく、推定モデル１４１の出力値の大小で兆候状態であるか否かを推定してもよい。

【0088】

図１７は、実施の形態４に係る状態推定処理の手順を示すフローチャートである。推定対象の空調システム３の計測値を取得した後（ステップＳ３１）、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、取得した計測値を各推定モデル１４１に入力して、異常が現に発生している状態であるか、及び異常が発生する兆候状態であるか否かを、異常状態の種類と共に推定する（ステップＳ４０１）。制御部１１は処理をステップＳ３３に移行する。

【0089】

空調システム３に異常が現に発生している状態でないと判定した場合（Ｓ３３：ＮＯ）、制御部１１は、ステップＳ４０１での推定結果に基づき、異常が発生する兆候状態であるか否かを判定する（ステップＳ４０２）。兆候状態でないと判定した場合（Ｓ４０２：ＮＯ）、制御部１１は処理をステップＳ３４に移行する。兆候状態であると判定した場合（Ｓ４０２：ＹＥＳ）、制御部１１は、異常の兆候がある旨を端末２に通知する（ステップＳ４０３）。例えば制御部１１は、兆候があると推定された異常の種類と、異常が発生すると予測される異常発生時点とを端末２に通知する。制御部１１は一連の処理を終了する。

【0090】

以上より、本実施の形態４によれば、空調システム３の異常発生の予測を行うこともできる。

【0091】

今回開示された実施の形態はすべての点で例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0092】

１ サーバ（情報処理装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
Ｐ プログラム
２ 端末
３ 空調システム
３１ 空調機
３２ 冷凍機

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】