特許 7540962 学習データ生成装置、外気導入量推定装置および方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-19

(45)【発行日】2024-08-27

(54)【発明の名称】学習データ生成装置、外気導入量推定装置および方法

(51)【国際特許分類】

   F24F 11/64 20180101AFI20240820BHJP

【ＦＩ】

F24F11/64

【請求項の数】 23

(21)【出願番号】P 2021021576

(22)【出願日】2021-02-15

(65)【公開番号】P2022124045

(43)【公開日】2022-08-25

【審査請求日】2023-12-26

(73)【特許権者】

【識別番号】000006666

【氏名又は名称】アズビル株式会社

(74)【代理人】

【識別番号】100098394

【弁理士】

【氏名又は名称】山川 茂樹

(74)【代理人】

【識別番号】100064621

【弁理士】

【氏名又は名称】山川 政樹

(72)【発明者】

【氏名】三浦 眞由美

(72)【発明者】

【氏名】太宰 龍太

【審査官】奥隅 隆

(56)【参考文献】

【文献】特開２０１７－９６５９２（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１９／０３８３５１０（ＵＳ，Ａ１）

【文献】国際公開第２０１５／１７３８４２（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｆ２４Ｆ １１／００－１１／８９

(57)【特許請求の範囲】

【請求項1】

空調システムの過去の空調運用データから所定の運転条件を満たす一連のデータセットを抽出するように構成された運用データ抽出部と、
前記運用データ抽出部によって抽出されたデータセットに基づいて、前記空調システムの還気と外気の混合比から得られる外気導入比をデータセット毎に演算するように構成された外気導入比演算部と、
前記外気導入比演算部によって演算された外気導入比と、この外気導入比の演算に使用されたデータセットとの組を、前記空調システムの外気導入比を推定するための学習データとして蓄積するように構成された学習データ保持部とを備えることを特徴とする学習データ生成装置。

【請求項2】

請求項１記載の学習データ生成装置において、
前記学習データ保持部は、所定のフィルタリング条件に該当するデータの組を前記学習データから除外することを特徴とする学習データ生成装置。

【請求項3】

請求項２記載の学習データ生成装置において、
前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、
前記学習データ保持部は、前記還気ダンパ開度と前記外気ダンパ開度のうち少なくとも一方が開度閾値以下のデータの組を前記学習データから除外することを特徴とする学習データ生成装置。

【請求項4】

請求項２記載の学習データ生成装置において、
前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、
前記学習データ保持部は、前記還気温度と前記外気温度の温度差が温度差閾値以下、または前記温度差に基づく信頼性指標が信頼性指標閾値以下のデータの組を前記学習データから除外することを特徴とする学習データ生成装置。

【請求項5】

請求項１乃至４のいずれか１項に記載の学習データ生成装置において、
前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、
前記外気導入比演算部は、前記運用データ抽出部によって抽出されたデータセットに含まれる前記還気温度と前記外気温度と前記給気温度に基づいて前記外気導入比を演算することを特徴とする学習データ生成装置。

【請求項6】

請求項５記載の学習データ生成装置において、
前記学習データ保持部は、前記外気導入比演算部によって演算された外気導入比と、この外気導入比の演算に使用されたデータセットに含まれる還気ダンパ開度と外気ダンパ開度との組を、前記学習データとして蓄積することを特徴とする学習データ生成装置。

【請求項7】

請求項１乃至６のいずれか１項に記載の学習データ生成装置において、
前記空調運用データは、空調機への調温と調湿に関わる冷温水供給のアクチュエータの動作に関するデータを含み、
前記所定の運転条件は、２種類の異なる温度の空気である還気と外気の温度差による熱交換以外の熱交換の影響を無視できる条件であることを特徴とする学習データ生成装置。

【請求項8】

請求項１乃至７のいずれか１項に記載の学習データ生成装置において、
前記空調運用データは、空調機の冷水弁開度、温水弁開度、加湿弁開度の各データを少なくとも含み、
前記所定の運転条件は、前記冷水弁開度と前記温水弁開度と前記加湿弁開度が全て０という条件であることを特徴とする学習データ生成装置。

【請求項9】

請求項１乃至８のいずれか１項に記載の学習データ生成装置と、
前記学習データ生成装置の学習データ保持部に蓄積された学習データに基づいて、前記空調システムの還気と外気のアクチュエータの動作状態のデータと、外気導入比との関係を学習した外気導入比推定モデルを生成するように構成された推定モデル生成部と、
前記空調システムから新たに取得した空調運用データから還気と外気のアクチュエータの動作状態のデータを取得して、取得したデータを前記外気導入比推定モデルの入力として、外気導入比の推定値を前記外気導入比推定モデルから取得し、この推定値と前記新たに取得した空調運用データから外気導入量の推定値を演算するように構成された推定部とを備えることを特徴とする外気導入量推定装置。

【請求項10】

請求項９記載の外気導入量推定装置において、
前記外気導入比の推定値と前記外気導入量の推定値とをオペレータに対して提示するように構成された外気導入情報提示部をさらに備えることを特徴とする外気導入量推定装置。

【請求項11】

請求項９または１０記載の外気導入量推定装置において、
前記還気と外気のアクチュエータの動作状態のデータは、還気ダンパ開度、外気ダンパ開度のデータであることを特徴とする外気導入量推定装置。

【請求項12】

請求項９乃至１１のいずれか１項に記載の外気導入量推定装置において、
前記推定部は、新たに取得した空調運用データに含まれる給気風量のデータと前記外気導入比の推定値とに基づいて外気導入量の推定値を演算するか、または新たに取得した空調運用データに含まれるインバータ出力値のデータから得られる給気風量と前記外気導入比の推定値とに基づいて外気導入量の推定値を演算することを特徴とする外気導入量推定装置。

【請求項13】

空調システムの過去の空調運用データから所定の運転条件を満たす一連のデータセットを抽出する第１のステップと、
前記第１のステップで抽出したデータセットに基づいて、前記空調システムの還気と外気の混合比から得られる外気導入比をデータセット毎に演算する第２のステップと、
前記第２のステップで演算した外気導入比と、この外気導入比の演算に使用したデータセットとの組を、前記空調システムの外気導入比を推定するための学習データとして蓄積する第３のステップとを含むことを特徴とする学習データ生成方法。

【請求項14】

請求項１３記載の学習データ生成方法において、
前記第３のステップは、所定のフィルタリング条件に該当するデータの組を前記学習データから除外するステップを含むことを特徴とする学習データ生成方法。

【請求項15】

請求項１４記載の学習データ生成方法において、
前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、
前記第３のステップは、前記還気ダンパ開度と前記外気ダンパ開度のうち少なくとも一方が開度閾値以下のデータの組を前記学習データから除外するステップを含むことを特徴とする学習データ生成方法。

【請求項16】

請求項１４記載の学習データ生成方法において、
前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、
前記第３のステップは、前記還気温度と前記外気温度の温度差が温度差閾値以下、または前記温度差に基づく信頼性指標が信頼性指標閾値以下のデータの組を前記学習データから除外するステップを含むことを特徴とする学習データ生成方法。

【請求項17】

請求項１３乃至１６のいずれか１項に記載の学習データ生成方法において、
前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、
前記第２のステップは、前記第１のステップで抽出したデータセットに含まれる前記還気温度と前記外気温度と前記給気温度に基づいて前記外気導入比を演算するステップを含むことを特徴とする学習データ生成方法。

【請求項18】

請求項１７記載の学習データ生成方法において、
前記第３のステップは、前記第２のステップで演算した外気導入比と、この外気導入比の演算に使用したデータセットに含まれる還気ダンパ開度と外気ダンパ開度との組を、前記学習データとして蓄積するステップを含むことを特徴とする学習データ生成方法。

【請求項19】

請求項１３乃至１８のいずれか１項に記載の学習データ生成方法において、
前記空調運用データは、空調機の冷水弁開度、温水弁開度、加湿弁開度の各データを少なくとも含み、
前記所定の運転条件は、前記冷水弁開度と前記温水弁開度と前記加湿弁開度が全て０という条件であることを特徴とする学習データ生成方法。

【請求項20】

請求項１３乃至１９のいずれか１項に記載の各ステップと、
前記第３のステップで蓄積した学習データに基づいて、前記空調システムの還気と外気のアクチュエータの動作状態のデータと、外気導入比との関係を学習した外気導入比推定モデルを生成する第４ステップと、
前記空調システムから新たに取得した空調運用データから還気と外気のアクチュエータの動作状態のデータを取得して、取得したデータを前記外気導入比推定モデルの入力として、外気導入比の推定値を前記外気導入比推定モデルから取得し、この推定値と前記新たに取得した空調運用データから外気導入量の推定値を演算する第５のステップとを含むことを特徴とする外気導入量推定方法。

【請求項21】

請求項２０記載の外気導入量推定方法において、
前記外気導入比の推定値と前記外気導入量の推定値とをオペレータに対して提示する第６のステップをさらに含むことを特徴とする外気導入量推定方法。

【請求項22】

請求項２０または２１記載の外気導入量推定方法において、
前記還気と外気のアクチュエータの動作状態のデータは、還気ダンパ開度、外気ダンパ開度のデータであることを特徴とする外気導入量推定方法。

【請求項23】

請求項２０乃至２２のいずれか１項に記載の外気導入量推定方法において、
前記第５のステップは、新たに取得した空調運用データに含まれる給気風量のデータと前記外気導入比の推定値とに基づいて外気導入量の推定値を演算するか、または新たに取得した空調運用データに含まれるインバータ出力値のデータから得られる給気風量と前記外気導入比の推定値とに基づいて外気導入量の推定値を演算するステップを含むことを特徴とする外気導入量推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、空調システムに係り、特に建物内空調における外気導入量を推定するための学習データ生成装置、外気導入量推定装置および方法に関するものである。

【背景技術】

【0002】

従来より、外気を導入し、外気と還気とを混合して室内に供給可能な空調システムが普及している（例えば特許文献１参照）。この空調システムにおいては、外気風量を直接計測するか、あるいは給気風量と還気風量とを計測して給気風量と還気風量との差から外気導入量や外気導入比を演算する方法が一般的である。

【0003】

しかしながら、上記のような空調システムにおいては、風量計の設置が困難な場合、還気風量および外気風量の計測値を使えないケースがあり、改善が求められている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１３－１８５７６８号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明は、上記課題を解決するためになされたもので、還気風量の計測値および外気風量の計測値を使わずに外気導入量を推定することが可能な学習データ生成装置、外気導入量推定装置および方法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】

本発明の学習データ生成装置は、空調システムの過去の空調運用データから所定の運転条件を満たす一連のデータセットを抽出するように構成された運用データ抽出部と、前記運用データ抽出部によって抽出されたデータセットに基づいて、前記空調システムの還気と外気の混合比から得られる外気導入比をデータセット毎に演算するように構成された外気導入比演算部と、前記外気導入比演算部によって演算された外気導入比と、この外気導入比の演算に使用されたデータセットとの組を、前記空調システムの外気導入比を推定するための学習データとして蓄積するように構成された学習データ保持部とを備えることを特徴とするものである。
また、本発明の学習データ生成装置の１構成例において、前記学習データ保持部は、所定のフィルタリング条件に該当するデータの組を前記学習データから除外することを特徴とするものである。
また、本発明の学習データ生成装置の１構成例において、前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、前記学習データ保持部は、前記還気ダンパ開度と前記外気ダンパ開度のうち少なくとも一方が開度閾値以下のデータの組を前記学習データから除外することを特徴とするものである。
また、本発明の学習データ生成装置の１構成例において、前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、前記学習データ保持部は、前記還気温度と前記外気温度の温度差が温度差閾値以下、または前記温度差に基づく信頼性指標が信頼性指標閾値以下のデータの組を前記学習データから除外することを特徴とするものである。

【0007】

また、本発明の学習データ生成装置の１構成例において、前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、前記外気導入比演算部は、前記運用データ抽出部によって抽出されたデータセットに含まれる前記還気温度と前記外気温度と前記給気温度に基づいて前記外気導入比を演算することを特徴とするものである。
また、本発明の学習データ生成装置の１構成例において、前記学習データ保持部は、前記外気導入比演算部によって演算された外気導入比と、この外気導入比の演算に使用されたデータセットに含まれる還気ダンパ開度と外気ダンパ開度との組を、前記学習データとして蓄積することを特徴とするものである。
また、本発明の学習データ生成装置の１構成例において、前記空調運用データは、空調機への調温と調湿に関わる冷温水供給のアクチュエータの動作に関するデータを含み、前記所定の運転条件は、２種類の異なる温度の空気である還気と外気の温度差による熱交換以外の熱交換の影響を無視できる条件である。
また、本発明の学習データ生成装置の１構成例において、前記空調運用データは、空調機の冷水弁開度、温水弁開度、加湿弁開度の各データを少なくとも含み、前記所定の運転条件は、前記冷水弁開度と前記温水弁開度と前記加湿弁開度が全て０という条件である。

【0008】

また、本発明の外気導入量推定装置は、学習データ生成装置と、前記学習データ生成装置の学習データ保持部に蓄積された学習データに基づいて、前記空調システムの還気と外気のアクチュエータの動作状態のデータと、外気導入比との関係を学習した外気導入比推定モデルを生成するように構成された推定モデル生成部と、前記空調システムから新たに取得した空調運用データから還気と外気のアクチュエータの動作状態のデータを取得して、取得したデータを前記外気導入比推定モデルの入力として、外気導入比の推定値を前記外気導入比推定モデルから取得し、この推定値と前記新たに取得した空調運用データから外気導入量の推定値を演算するように構成された推定部とを備えることを特徴とするものである。
また、本発明の外気導入量推定装置の１構成例は、前記外気導入比の推定値と前記外気導入量の推定値とをオペレータに対して提示するように構成された外気導入情報提示部をさらに備えることを特徴とするものである。
また、本発明の外気導入量推定装置の１構成例において、前記還気と外気のアクチュエータの動作状態のデータは、還気ダンパ開度、外気ダンパ開度のデータである。
また、本発明の外気導入量推定装置の１構成例において、前記推定部は、新たに取得した空調運用データに含まれる給気風量のデータと前記外気導入比の推定値とに基づいて外気導入量の推定値を演算するか、または新たに取得した空調運用データに含まれるインバータ出力値のデータから得られる給気風量と前記外気導入比の推定値とに基づいて外気導入量の推定値を演算することを特徴とするものである。

【0009】

また、本発明の学習データ生成方法は、空調システムの過去の空調運用データから所定の運転条件を満たす一連のデータセットを抽出する第１のステップと、前記第１のステップで抽出したデータセットに基づいて、前記空調システムの還気と外気の混合比から得られる外気導入比をデータセット毎に演算する第２のステップと、前記第２のステップで演算した外気導入比と、この外気導入比の演算に使用したデータセットとの組を、前記空調システムの外気導入比を推定するための学習データとして蓄積する第３のステップとを含むことを特徴とするものである。
また、本発明の学習データ生成方法の１構成例において、前記第３のステップは、所定のフィルタリング条件に該当するデータの組を前記学習データから除外するステップを含むことを特徴とするものである。
また、本発明の学習データ生成方法の１構成例において、前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、前記第３のステップは、前記還気ダンパ開度と前記外気ダンパ開度のうち少なくとも一方が開度閾値以下のデータの組を前記学習データから除外するステップを含むことを特徴とするものである。
また、本発明の学習データ生成方法の１構成例において、前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、前記第３のステップは、前記還気温度と前記外気温度の温度差が温度差閾値以下、または前記温度差に基づく信頼性指標が信頼性指標閾値以下のデータの組を前記学習データから除外するステップを含むことを特徴とするものである。

【0010】

また、本発明の学習データ生成方法の１構成例において、前記データセットは、還気温度、外気温度、給気温度、還気ダンパ開度、外気ダンパ開度の各データを少なくとも含み、前記第２のステップは、前記第１のステップで抽出したデータセットに含まれる前記還気温度と前記外気温度と前記給気温度に基づいて前記外気導入比を演算するステップを含むことを特徴とするものである。
また、本発明の学習データ生成方法の１構成例において、前記第３のステップは、前記第２のステップで演算した外気導入比と、この外気導入比の演算に使用したデータセットに含まれる還気ダンパ開度と外気ダンパ開度との組を、前記学習データとして蓄積するステップを含むことを特徴とするものである。
また、本発明の学習データ生成方法の１構成例において、前記空調運用データは、空調機の冷水弁開度、温水弁開度、加湿弁開度の各データを少なくとも含み、前記所定の運転条件は、前記冷水弁開度と前記温水弁開度と前記加湿弁開度が全て０という条件である。

【0011】

また、本発明の外気導入量推定方法は、前記の各ステップと、前記第３のステップで蓄積した学習データに基づいて、前記空調システムの還気と外気のアクチュエータの動作状態のデータと、外気導入比との関係を学習した外気導入比推定モデルを生成する第４ステップと、前記空調システムから新たに取得した空調運用データから還気と外気のアクチュエータの動作状態のデータを取得して、取得したデータを前記外気導入比推定モデルの入力として、外気導入比の推定値を前記外気導入比推定モデルから取得し、この推定値と前記新たに取得した空調運用データから外気導入量の推定値を演算する第５のステップとを含むことを特徴とするものである。
また、本発明の外気導入量推定方法の１構成例は、前記外気導入比の推定値と前記外気導入量の推定値とをオペレータに対して提示する第６のステップをさらに含むことを特徴とするものである。
また、本発明の外気導入量推定方法の１構成例において、前記還気と外気のアクチュエータの動作状態のデータは、還気ダンパ開度、外気ダンパ開度のデータである。
また、本発明の外気導入量推定方法の１構成例において、前記第５のステップは、新たに取得した空調運用データに含まれる給気風量のデータと前記外気導入比の推定値とに基づいて外気導入量の推定値を演算するか、または新たに取得した空調運用データに含まれるインバータ出力値のデータから得られる給気風量と前記外気導入比の推定値とに基づいて外気導入量の推定値を演算するステップを含むことを特徴とするものである。

【発明の効果】

【0012】

本発明によれば、空調システムの過去の空調運用データから所定の運転条件を満たすデータセットを抽出する運用データ抽出部と、外気導入比をデータセット毎に演算する外気導入比演算部と、外気導入比とこの外気導入比の演算に使用されたデータセットとの組を学習データとして蓄積する学習データ保持部とを設けることにより、外気導入比推定モデルを生成することが可能になり、この外気導入比推定モデルを使って新たに取得した空調運用データに対応する外気導入比と外気導入量を推定することが可能になる。その結果、本発明では、還気風量の計測値および外気風量の計測値を使わずに、新たに取得した空調運用データに対応する外気導入量を推定することができる。

【0013】

また、本発明では、所定のフィルタリング条件に該当するデータの組を学習データから除外することにより、信頼性のより高い学習データを生成することができる。

【0014】

また、本発明では、還気ダンパ開度と外気ダンパ開度のうち少なくとも一方が開度閾値以下のデータの組を学習データから除外することにより、信頼性のより高い学習データを生成することができる。

【0015】

また、本発明では、還気温度と外気温度の温度差が温度差閾値以下、または温度差に基づく信頼性指標が信頼性指標閾値以下のデータの組を学習データから除外することにより、信頼性のより高い学習データを生成することができる。

【0016】

また、本発明では、外気導入比演算部は、運用データ抽出部によって抽出されたデータセットに含まれる還気温度と外気温度と給気温度を用いることにより、外気導入比を演算することができる。

【0017】

また、本発明では、冷水弁開度と温水弁開度と加湿弁開度が全て０という運転条件を満たすデータセットを抽出することにより、熱交換の影響を無視することができ、還気温度と外気温度と給気温度の関係から外気導入比を演算することができる。

【0018】

また、本発明では、学習データ生成装置に加えて、推定モデル生成部と推定部とを設けることにより、新たに取得した空調運用データに対応する外気導入量を推定することができる。

【図面の簡単な説明】

【0019】

【図1】図１は、本発明の第１の実施例に係る空調システムの構成を示すブロック図である。

【図2】図２は、本発明の第１の実施例に係る空調システムのコントローラの構成を示すブロック図である。

【図3】図３は、本発明の第１の実施例に係る空調システムの学習データ生成部の詳細な構成を示すブロック図である。

【図4】図４は、本発明の第１の実施例に係る空調システムの学習データ生成部と推定モデル生成部と外気導入比推定部と外気導入情報提示部の動作を説明するフローチャートである。

【図5】図５は、本発明の第１の実施例に係る空調システムの学習データ生成部の動作を説明するフローチャートである。

【図6】図６は、本発明の第１の実施例に係る空調システムにおける還気と外気の空気混合の様子を示す図である。

【図7】図７は、空気温度と外気導入比の関係を示す図である。

【図8】図８は、本発明の第１の実施例における還気温度、外気温度、給気温度、および外気導入比のデータの１例を示す図である。

【図9】図９は、本発明の第１の実施例における学習データの１例を示す図である。

【図10】図１０は、本発明の第２の実施例に係る空調システムの学習データ生成部の動作を説明するフローチャートである。

【図11】図１１は、本発明の第２の実施例における学習データの１例を示す図である。

【図12】図１２は、本発明の第３の実施例に係る空調システムの学習データ生成部の動作を説明するフローチャートである。

【図13】図１３は、還気温度と外気温度の温度差の絶対値と、信頼性指標との関係の１例を示す図である。

【図14】図１４は、本発明の第３の実施例における学習データの１例を示す図である。

【図15】図１５は、本発明の第１～第３の実施例に係る空調システムのコントローラを実現するコンピュータの構成例を示すブロック図である。

【発明を実施するための形態】

【0020】

［発明の原理］
発明者は、一般的な空調システムにおいて、ダクト内の風速分布は様々に変化するが、ファンにより空気が循環しているためにダクト内の温度分布は比較的少ないことに着眼した。すなわち、異なる温度の空気を混合した後の温度は、主に混合する空気の容積割合に応じて確定する。よって、２種類の異なる温度の空気である還気と外気の温度差による熱交換以外の熱交換の影響が無視できる条件（例えば、調温のための冷温水弁と調湿のための加湿弁が全閉という条件、あるいは、これと同等の状態の条件）であれば、還気温度と外気温度と給気温度の関係から、還気と外気の混合比、すなわち外気導入比が演算可能である。

【0021】

そこで、発明者は、この外気導入比と、還気ダンパの開度および外気ダンパの開度との関係を学習しておけば、外気導入比の推定が可能になり、熱交換の影響が無視できない運転条件の場合でも適用できることに想到した。

【0022】

一般的な空調システムでは、室内への給気風量は計測や推定で取得できることが多い。よって、還気ダンパの開度および外気ダンパの開度から上記学習による推定外気導入比を取得し、給気風量と外気導入比の積により、還気風量および外気風量の計測値を使わずに、外気導入量を演算することができる。学習用に取得するデータは、還気温度と外気温度の温度差が大きいほど、給気温度と外気導入比の関係の精度が向上する。したがって、収集したデータについての温度差を信頼性の指標として活用できる。

【0023】

［第１の実施例］
以下、本発明の第１の実施例について図面を参照して説明する。本発明の第１の実施例では、外気導入が可能なＶＡＶ（Variable Air Volume）方式の空調システムをベースとし、本発明の適用対象について理解しやすくするために、適宜簡略化などを含めた例で説明する。ただし、本発明は、外気と室内からの還気とを混合して室内への給気を生成する一般的な空調システムであれば適用することができるので、空調設備や空調方式等で限定されない。

【0024】

本実施例では、過去の空調運用データから、少なくとも、熱交換の影響が無視できる運転状態（例えば冷温水弁と加湿弁が全閉の状態）の還気温度と導入外気の温度と給気温度と還気ダンパ開度と外気ダンパ開度のデータを抽出し、抽出した還気温度と外気温度と給気温度から外気導入比を演算する。この外気導入比とその時点のアクチュエータの動作状態（還気ダンパ開度、外気ダンパ開度）との関係を機械学習などにより学習し、外気導入比推定モデルを生成する。このモデルを利用して、以降の運転時のアクチュエータの動作状態から外気導入比を推定できるようにする。

【0025】

図１は本実施例に係るＶＡＶ方式の空調システムの構成を示すブロック図である。空調システムは、空調機１と、外気ＯＡの空調機１への導入量を制御する外気ダンパ２と、部屋１３－１，１３－２から戻る空気（還気ＲＡ）の空調機１への導入量を制御する還気ダンパ３と、空調機１の冷却コイルに送る冷水の量を制御する冷水弁４と、空調機１の加熱コイルに送る温水の量を制御する温水弁５と、空調機１の加湿器に送る冷水又は温水の量を制御する加湿弁６と、空調機１から送り出される空気（給気ＳＡ）の温度Ｔｓを計測する温度センサ７と、部屋１３－１，１３－２の温度を計測する温度センサ８－１，８－２と、還気ＲＡの温度Ｔｒを計測する温度センサ９と、外気ＯＡの温度Ｔｏを計測する温度センサ１０と、部屋１３－１，１３－２へ供給する給気ＳＡの量を部屋毎に制御するＶＡＶユニット１１－１，１１－２と、ダンパ２，３と弁４～６とを制御するコントローラ１２とを備えている。

【0026】

空調機１は、エアフィルタ１４と、空気を冷却する冷却コイル１５と、空気を加熱する加熱コイル１６と、加湿器１７と、冷却又は加熱された空気を送る送風機１８と、送風機１８の風量を増減制御するインバータ１９とを備えている。図１において、２０は給気ダクト、２１－１，２１－２は給気の吹出口、２２－１，２２－２は吸込口、２３は還気ダクトである。

【0027】

次に、一般的なＶＡＶ方式の空調について簡単に説明する。外気ＯＡと還気ＲＡとは空調機１内で混合され、微粒子などを取り除くエアフィルタ１４を通過する。空調機１の冷却コイル１５は、図示しない熱交換器から冷水弁４を介して供給される冷水により外気ＯＡおよび還気ＲＡを冷却する。空調機１の温水コイル１６は、熱交換器から温水弁５を介して供給される温水により外気ＯＡおよび還気ＲＡを加熱する。また、加湿弁６を通って加湿用の水が加湿器１７に供給されることにより、コイル１５，１６で冷却又は加熱された給気ＳＡの湿度を制御する。加湿方式としては気化式や蒸気式などが一般的である。

【0028】

コイル１５，１６で冷却又は加熱され加湿器１７で加湿された給気ＳＡは、送風機１８によって送り出される。給気ＳＡは、給気ダクト２０を介してＶＡＶユニット１１－１，１１－２へ供給され、ＶＡＶユニット１１－１，１１－２を通過して吹出口２１－１，２１－２から各部屋１３－１，１３－２へ供給されるようになっている。

【0029】

ＶＡＶユニット１１－１，１１－２のコントローラは、部屋１３－１，１３－２の温度センサ８－１，８－２によって計測された室内温度と室内温度設定値との偏差に基づいて部屋１３－１，１３－２の要求風量を演算して要求風量値をコントローラ１２へ送る一方、その要求風量を確保するように、ＶＡＶユニット１１－１，１１－２内のダンパ（不図示）の開度を制御する。

【0030】

ＶＡＶユニット１１－１，１１－２を通過し、吹出口２１－１，２１－２を介して部屋１３－１，１３－２へ吹き出される給気は、部屋１３－１，１３－２における空調制御に貢献した後、吸込口２２－１，２２－２から還気ダクト２３を経て、一部が還気ダンパ３を介し還気ＲＡとして空調機１へ戻される。そして、この空調機１へ戻される還気ＲＡに対し、外気ＯＡが外気ダンパ２を介して所定の割合で取り込まれる。還気ＲＡおよび外気ＯＡの混合割合は主に還気ダンパ３および外気ダンパ２の開度によって決定される。還気ダンパ３および外気ダンパ２のそれぞれの開度はコントローラ１２からの指令によって調整される。

【0031】

図２はコントローラ１２の構成を示すブロック図である。コントローラ１２は、冷水弁４および温水弁５の開度を示す操作量を算出する操作量演算部１２０と、操作量演算部１２０によって算出された操作量を冷水弁４および温水弁５に出力する操作量出力部１２１と、加湿弁６の開度を示す操作量を算出する操作量演算部１２２と、操作量演算部１２２によって算出された操作量を加湿弁６に出力する操作量出力部１２３と、空調機１の送風機１８を制御する風量制御部１２４とを備えている。

【0032】

また、コントローラ１２は、外気導入比推定モデルの生成のための学習データを生成する学習データ生成部１２５（学習データ生成装置）と、学習データに基づいて、空調システムの還気と外気のアクチュエータの動作状態のデータ（還気ダンパ開度Ｄｒ、外気ダンパ開度Ｄｏ）と、外気導入比との関係を学習した外気導入比推定モデル１２６０を生成する推定モデル生成部１２６と、空調システムから新たに取得した空調運用データから還気と外気のアクチュエータの動作状態のデータを取得して、取得したデータを外気導入比推定モデル１２６０の入力として外気導入比の推定値を取得し、外気導入量の推定値を演算する外気導入比推定部１２７と、外気導入比の推定値と外気導入量の推定値とをオペレータに対して提示する外気導入情報提示部１２８と、外気ダンパ２と還気ダンパ３の開度を制御するダンパ制御部１２９とを有する。学習データ生成部１２５と推定モデル生成部１２６と外気導入比推定部１２７と外気導入情報提示部１２８とは、外気導入量推定装置を構成している。なお、前記の新たに取得する空調運用データは、設備管理者等のオペレータが推定値を入手したい外気導入比や外気導入量に対応する空調運用データであり、例えば最新の空調運用データがある。本実施例では、最新の空調運用データとする例で説明する。

【0033】

コントローラ１２の操作量演算部１２０は、温度センサ７によって計測された給気温度計測値と給気温度設定値とが一致するように操作量を算出し、操作量出力部１２１は、操作量演算部１２０が算出した操作量を冷水弁４および温水弁５に出力する。こうして、冷水弁４および温水弁５の開度が制御され、空調機１に供給される熱媒（冷水または温水）の量が制御される。

【0034】

コントローラ１２の操作量演算部１２２は、図示しない湿度センサによって計測された湿度計測値と湿度設定値とが一致するように操作量を算出し、操作量出力部１２３は、操作量演算部１２２が算出した操作量を加湿弁６に出力する。こうして、加湿弁６の開度が制御される。

【0035】

コントローラ１２の風量制御部１２４は、各ＶＡＶユニット１１－１，１１－２のコントローラから送られてくる要求風量値からシステム全体の総要求風量値を演算し、この総要求風量値に応じた送風機回転数を求め、求めた回転数となるようにインバータ１９を介して空調機１の送風機１８を制御する。
以上の空調システムの動作は、従来のＶＡＶ方式の空調システムをベースとして、適宜簡略化などを含めたものであるが、ＶＡＶ方式の空調システムと概ね同様である。

【0036】

次に、本実施例の特徴的な動作について説明する。ＢＡＳ（Building Automation System）やＢＥＭＳ（Building Energy Management System）などの空調管理システムのサーバには、図１に示したようなセンサの計測値（例えば温度、流量）やアクチュエータの動作状態（例えばダンパ開度、弁開度）、機器の起動状態や警報情報などの空調運用データが定期的（例えば１分周期、１０分周期など）に収集され、時系列の時刻に対応する一連のデータ（データセット）として保持されている。空調管理システムは、収集した空調運用データを設備管理者に提示する。

【0037】

本実施例では、この空調運用データを利用して外気導入量推定に必要な学習データを生成し、学習データを利用した外気導入比推定モデルにより、以降の運用時の外気導入量推定値を提示する。

【0038】

図３は図２の学習データ生成部１２５（学習データ生成装置）の詳細な構成を示すブロック図である。なお、図２では、便宜上、学習データ生成部１２５と推定モデル生成部１２６と外気導入比推定部１２７と外気導入情報提示部１２８とをコントローラ１２に搭載しているが、図２の例は１例である。学習データ生成部１２５と推定モデル生成部１２６と外気導入比推定部１２７と外気導入情報提示部１２８とをコントローラ１２よりも上位の装置に設けるようにしてもよい。また、冷水弁４および温水弁５の開度を示す操作量を算出する操作量演算部１２０と、操作量演算部１２０によって算出された操作量を冷水弁４および温水弁５に出力する操作量出力部１２１、および、加湿弁６の開度を示す操作量を算出する操作量演算部１２２と、操作量演算部１２２によって算出された操作量を加湿弁６に出力する操作量出力部１２３、および、空調機１の送風機１８を制御する風量制御部１２４は、別々のコントローラに分散され、各々が上位の装置に接続されるように構成してもよい。

【0039】

図３に示すように、学習データ生成部１２５は、空調システムの過去の空調運用データから所定の運転条件を満たすデータセットを抽出する運用データ抽出部１２５０と、運用データ抽出部１２５０によって抽出されたデータセットに基づいて、空調システムの還気と外気の混合比から得られる外気導入比をデータセット毎に演算する外気導入比演算部１２５１と、外気導入比演算部１２５１によって演算された外気導入比と、この外気導入比の演算に使用されたデータセットとの組を学習データとして蓄積する学習データ保持部１２５２とから構成される。

【0040】

空調運用データの抽出条件として、２種類の異なる温度の空気である還気と外気を混合する場合の温度差による熱交換以外の熱交換の影響が無視できる運転条件（以下、単純混合状態条件）が、設備管理者やソリューションプロバイダにより、予め設定されている。具体的には、その条件判断に用いる空調運用データの種類、判断に必要な閾値等のパラメータ値、判断方法が定められている。学習データ生成部１２５の運用データ抽出部１２５０は、空調管理システムのサーバから空調運用データを取得し、単純混合状態条件を満たすデータセットのみを抽出する。

【0041】

学習データ生成部１２５の外気導入比演算部１２５１は、運用データ抽出部１２５０によって抽出されたデータセットの還気温度Ｔｒ［℃］と外気温度Ｔｏ［℃］と給気温度Ｔｓ［℃］とに基づいて、還気ＲＡと外気ＯＡの混合比から得られる外気導入比ｎを演算する。

【0042】

学習データ生成部１２５の学習データ保持部１２５２は、外気導入比演算部１２５１で求めた外気導入比ｎと、その時点の還気ダンパ開度Ｄｒ［％］および外気ダンパ開度Ｄｏ［％］を関連付けて、学習データとして保持する。

【0043】

推定モデル生成部１２６は、外気導入比ｎ、還気ダンパ開度Ｄｒ［％］、外気ダンパ開度Ｄｏ［％］の関係を、ディープラーニングなどの一般的な手法で機械学習し、学習結果を外気導入比推定モデル１２６０として保持する。

【0044】

外気導入比推定部１２７は、設備管理者等のオペレータからの要求に応じ、空調運用データから還気ダンパ開度Ｄｒ［％］、外気ダンパ開度Ｄｏ［％］の情報を取得する。このデータを外気導入比推定モデル１２６０の入力として、外気導入比の推定値を取得する。外気導入比推定部１２７は、給気風量と外気導入比の推定値から外気導入量を演算し、外気導入比とともに外気導入情報提示部１２８に通知する。

【0045】

外気導入情報提示部１２８は、外気導入比と外気導入量のうち少なくとも一方の推定値を設備管理者等のオペレータに提示する。

【0046】

次に、学習データ生成部１２５と推定モデル生成部１２６と外気導入比推定部１２７と外気導入情報提示部１２８の動作を図４を参照して詳細に説明する。
学習データ生成部１２５は、外気導入比推定モデルを生成するための学習データを生成する（図４ステップＳ１）。

【0047】

図５は学習データ生成部１２５の動作を説明するフローチャートである。本実施例の学習データ生成部１２５の運用データ抽出部１２５０には、「冷水弁、温水弁、加湿弁がいずれも全閉である」という単純混合状態条件が予め設定されているとする。具体的には、空調運用データの冷水弁開度Ｂｃ［％］、温水弁開度Ｂｗ［％］、加湿弁開度Ｂｈ［％］が以下の条件を満たすとする。
Ｂｃ＝Ｂｗ＝Ｂｈ＝０［％］ ・・・（１）

【0048】

運用データ抽出部１２５０は、この式（１）を満たすデータセット（還気温度Ｔｒ［℃］、外気温度Ｔｏ［℃］、給気温度Ｔｓ［℃］、還気ダンパ開度Ｄｒ［％］、外気ダンパ開度Ｄｏ［％］）を空調運用データから抽出する（図５ステップＳ１－１１）。ここでは、抽出できたデータセットの数をｋｍとする。

【0049】

続いて、学習データ生成部１２５の外気導入比演算部１２５１は、運用データ抽出部１２５０によって抽出されたデータセットを数えるためのカウント値ｋを１増やす（図５ステップＳ１－１２）。ｋの初期値は０である。そして、外気導入比演算部１２５１は、カウント値ｋがｋｍ以下の場合（図５ステップＳ１－１３においてＹＥＳ）、カウント値ｋのデータセットについて外気導入比ｎを演算する（図５ステップＳ１－１４）。

【0050】

外気導入比ｎの演算方法について以下に説明する。単純混合状態条件を満たす空調運転中は、給気温度Ｔｓ［℃］は、主に還気温度Ｔｒ［℃］、外気温度Ｔｏ［℃］、還気ＲＡと外気ＯＡの混合比から得られる外気導入比ｎによって決定される。

【0051】

還気ＲＡと外気ＯＡの空気混合の様子を図６に示し、空気線図を用いた空気温度と外気導入比の関係を図７に示す。図６は空調機内熱交換が無視できる場合を示している。Ｖｒは還気風量、Ｖｓは給気風量、Ｖｏは外気風量である。外気導入比ｎ（０≦ｎ≦１）を用いると、以下のような関係が成り立つ。
Ｖｒ＝（１－ｎ）×Ｖｓ ・・・（２）
Ｖｏ＝ｎ×Ｖｓ ・・・（３）

【0052】

図７は空気の状態を説明する際に一般的に利用される空気線図上で、２種類の異なる温度の空気である還気と外気を混合する熱交換時の空気状態を説明するイメージ図である。図７において、縦軸は絶対湿度であり、Ｈｒ［ｋｇ／ｋｇ（ＤＡ）］は還気湿度、Ｈｓ［ｋｇ／ｋｇ（ＤＡ）］は給気湿度、Ｈｏ［ｋｇ／ｋｇ（ＤＡ）］は外気湿度である。図７の線分比である外気導入比ｎは、乾球温度の軸に投影すれば湿度によらず同じ比率になる。このため、還気温度Ｔｒ［℃］、外気温度Ｔｏ［℃］、給気温度Ｔｓ［℃］が決まれば外気導入比ｎが決まる。つまり、単純混合状態条件での、還気温度Ｔｒ［℃］、外気温度Ｔｏ［℃］、給気温度Ｔｓ［℃］が分かれば、式（４）を変形した式（５）により、還気ＲＡと外気ＯＡの外気導入比ｎを求めることができる。
Ｔｓ＝ｎ×Ｔｏ＋（１－ｎ）×Ｔｒ ・・・（４）
ｎ＝（Ｔｓ－Ｔｒ）／（Ｔｏ－Ｔｒ） ・・・（５）

【0053】

こうして、外気導入比演算部１２５１は、カウント値ｋのデータセットについて式（５）により外気導入比ｎを演算する（ステップＳ１－１４）。

【0054】

学習データ生成部１２５の学習データ保持部１２５２は、外気導入比演算部１２５１によって演算された外気導入比ｎと、外気導入比ｎの演算に使用されたデータセットに含まれる還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］（演算に使用された温度Ｔｒ，Ｔｏ，Ｔｓと同時点のダンパ開度Ｄｒ，Ｄｏ）との組を、学習データとして蓄積する（図５ステップＳ１－１５）。

【0055】

外気導入比演算部１２５１は、ステップＳ１－１２に戻ってカウント値ｋを１増やす。こうして、データセット毎にステップＳ１－１４，Ｓ１－１５の処理が実行される。全てのデータセットについて外気導入比ｎの演算と学習データの蓄積が終わると、ステップＳ１－１３においてカウント値ｋがｋｍを上回るので、学習データ生成部１２５の処理が終了する。

【0056】

還気温度Ｔｒ［℃］、外気温度Ｔｏ［℃］、給気温度Ｔｓ［℃］とこれらから演算した外気導入比ｎのデータの例を図８に示す。また、図８のデータから得られた外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］との組からなる学習データの例を図９に示す。ここでは、説明を容易にするために架空のデータの例で示すが、実際は、各ダンパのサイズや羽根形状、データ取得時の空気環境などによってデータは多様化する。

【0057】

なお、送風機１８の発熱分による温度上昇ΔＴｆが予め推定できる場合には、温度上昇ΔＴｆの分を加味して適用すればよい。すなわち、外気導入比演算部１２５１は、以下のように外気導入比ｎの演算が可能である。
（Ｔｓ－ΔＴｆ）＝ｎ×Ｔｏ＋（１－ｎ）×Ｔｒ ・・・（６）
ｎ＝（（Ｔｓ－ΔＴｆ）－Ｔｒ）／（Ｔｏ－Ｔｒ） ・・・（７）

【0058】

温度上昇ΔＴｆは、例えば、外気ダンパ２を全閉として還気のみを循環させた状態での還気温度Ｔｒ＿ｃｉｒｃと給気温度Ｔｓ＿ｃｉｒｃとから、ΔＴｆ＝Ｔｓ＿ｃｉｒｃ－Ｔｒ＿ｃｉｒｃを算出することで取得できる。

【0059】

次に、推定モデル生成部１２６は、学習データ保持部１２５２に保持された学習データ（外気導入比ｎ、還気ダンパ開度Ｄｒ［％］、外気ダンパ開度Ｄｏ［％］）に基づいて、還気ダンパ開度Ｄｒ［％］および外気ダンパ開度Ｄｏ［％］と、外気導入比ｎとの関係を機械学習した外気導入比推定モデル１２６０を生成する（図４ステップＳ２）。機械学習の方法については、ディープラーニングなどが知られている。

【0060】

続いて、外気導入比推定部１２７は、設備管理者等のオペレータからの要求に応じて外気導入比を推定しようとする現時点の空調運用データから、還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］と給気風量Ｖｓ［ｍ³／ｈ］のデータを取得する（図４ステップＳ３）。

【0061】

外気導入比推定部１２７は、ステップＳ３で取得した還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］のデータを外気導入比推定モデル１２６０の入力として、外気導入比推定モデル１２６０の出力である外気導入比の推定値ｎ’を取得する（図４ステップＳ４）。

【0062】

外気導入比推定部１２７は、外気導入比の推定値ｎ’とステップＳ３で取得した給気風量Ｖｓ［ｍ³／ｈ］とから式（８）により外気導入量の推定値ＯＶ［ｍ³／ｈ］を演算する（図４ステップＳ５）。
ＯＶ＝ｎ’×Ｖｓ ・・・（８）

【0063】

そして、外気導入比推定部１２７は、外気導入比の推定値ｎ’と外気導入量の推定値ＯＶ［ｍ³／ｈ］とを外気導入情報提示部１２８に通知する（図４ステップＳ６）。
外気導入情報提示部１２８は、外気導入比の推定値ｎ’と外気導入量の推定値ＯＶ［ｍ³／ｈ］とを設備管理者等のオペレータに対して提示する（図４ステップＳ７）。

【0064】

なお、ＶＡＶ方式の空調システムでは、一般的に給気風量Ｖｓ［ｍ³／ｈ］が空調運用データに含まれが、ＶＡＶ方式以外の空調システムの場合は、空調機１の送風機回転数を調整するインバータ出力値［％］が空調運用データに含まれることが多い。ＶＡＶ方式以外の空調システムの場合、外気導入比推定部１２７は、インバータ出力値［％］を空調運用データから取得し、インバータ出力値［％］と給気風量定格値（固定値）との積を計算することで給気風量Ｖｓ［ｍ³／ｈ］を取得すればよい。

【0065】

以上により、本実施例では、過去の空調運用データから得られる外気導入比ｎと、還気ダンパ開度Ｄｒ［％］および外気ダンパ開度Ｄｏ［％］との関係を学習することで、現在の外気導入比ｎを推定することが可能になり、還気風量の計測値および外気風量の計測値を使わずに、現在の外気導入量ＯＶを推定することができる。

【0066】

なお、学習データと外気導入比推定モデルを生成する処理（ステップＳ１，Ｓ２）と最新の外気導入比と外気導入量を推定して提示する処理（ステップＳ３～Ｓ７）とを常に連続して行う必要はなく、運用前に予めステップＳ１，Ｓ２の処理を行っておき、通常運用時はステップＳ３～Ｓ７の処理のみを行うようにすればよい。また、例えば１ヶ月毎にステップＳ１，Ｓ２の処理を行って外気導入比推定モデルを更新するようにしてもよい。

【0067】

また、本実施例では、設備管理者等から要求があったときに外気導入比の推定値ｎ’と外気導入量の推定値ＯＶ［ｍ³／ｈ］とを演算・提示するようにしているが、還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］と給気風量Ｖｓ［ｍ³／ｈ］の最新のデータを周期的に収集して外気導入比の推定値ｎ’と外気導入量の推定値ＯＶ［ｍ³／ｈ］とを周期的に演算・提示したり、この演算結果を外気導入量の制御に活用したりするようにしてもよい。

【0068】

外気導入量の推定値を提示する以外でも、外気導入量を用いて算出する換気回数などを提示してもよい。例えば室内の換気性能を表す指標として換気回数があり、１時間あたりの必要換気回数が予め定められている。この換気回数の算出のために外気導入量ＯＶ［ｍ³／ｈ］が必要である。部屋１３－１，１３－２の既知の容積をＶ［ｍ³］とすると、換気回数Ｎは次式のようになる。
Ｎ＝ＯＶ／Ｖ ・・・（９）

【0069】

また、制御に活用する場合には、例えばコントローラ１２のダンパ制御部１２９は、外気導入比推定部１２７によって周期的に演算される外気導入量の推定値ＯＶ［ｍ³／ｈ］から換気回数Ｎを演算する。そして、ダンパ制御部１２９は、換気回数Ｎが必要換気回数を満たすように外気ダンパ２と還気ダンパ３を制御すればよい。

【0070】

［第２の実施例］
次に、本発明の第２の実施例について説明する。本実施例は、外気導入比推定モデルの信頼性を向上させるデータフィルタリングを行う例であり、ダンパ開度を信頼性の指標として活用するものである。羽根構造等の起因により、ダンパは開度に応じて風量の再現精度が異なる。そこで、このような精度の違いを考慮し、ダンパ開度を信頼性の指標としてデータをフィルタリングし、信頼性のより高い学習データを生成する。

【0071】

本実施例においても、空調システムの構成は第１の実施例と同様であるので、図１、図２、図３の符号を用いて説明する。本実施例では、学習データ生成部１２５の学習データ保持部１２５２の動作が第１の実施例と異なる。

【0072】

図１０は本実施例の学習データ生成部１２５の動作を説明するフローチャートである。学習データ生成部１２５の運用データ抽出部１２５０と外気導入比演算部１２５１の動作（図１０ステップＳ１－１１～Ｓ１－１４）は、第１の実施例と同じなので、説明は省略する。

【0073】

本実施例の学習データ保持部１２５２は、第１の実施例と同様に、外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］との組を学習データとして蓄積するが、この蓄積に際してフィルタリング条件に該当するデータの組を学習データから除外する。具体的には、還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］のうち少なくとも一方が所定の開度閾値（本実施例では１０％）以下というフィルタリング条件が、設備管理者やソリューションプロバイダにより予め設定されている。

【0074】

学習データ保持部１２５２は、外気導入比演算部１２５１による外気導入比ｎの演算に使用されたデータセットに含まれる還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］（演算に使用された温度Ｔｒ，Ｔｏ，Ｔｓと同時点のダンパ開度Ｄｒ，Ｄｏ）がフィルタリング条件に該当する場合（図１０ステップＳ１－１６においてＹＥＳ）、外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］の組を学習データから除外する。

【0075】

還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］がフィルタリング条件に該当しない場合の学習データ保持部１２５２の動作（図１０ステップＳ１－１５）は、第１の実施例と同じである。

【0076】

図１１は、図８のデータから得られた外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］との組からなる学習データの例を示す図であり、本実施例の学習データ保持部１２５２の動作を説明する図である。ここでは、説明を簡単にするため、データＮｏを付加している。

【0077】

データＮｏ＝１の外気ダンパ開度Ｄｏ＝８．６［％］、データＮｏ＝９の還気ダンパ開度Ｄｒ＝２．９［％］、データＮｏ＝２０の還気ダンパ開度Ｄｒ＝１．２［％］はいずれも１０［％］以下である。したがって、フィルタリング条件に該当し、データＮｏ＝１，９，２０のデータは学習データから除外される。
外気導入比演算部１２５１以外の構成は第１の実施例と同じである。

【0078】

以上のように、本実施例では、風量の再現精度を考慮してダンパ開度に応じた学習データのフィルタリングを行うことで、信頼性のより高い学習データを生成することができる。

【0079】

［第３の実施例］
次に、本発明の第３の実施例について説明する。本実施例は、外気導入比推定モデルの信頼性を向上させるデータフィルタリングを行う別の例であり、還気温度と外気温度の温度差を信頼性の指標として活用するものである。図７に示したように還気温度Ｔｒ［℃］と外気温度Ｔｏ［℃］の温度差ΔＴｒｏ［℃］が大きいほど、按分する長さが長くなり、給気温度Ｔｓ［℃］と外気導入比ｎの関係の精度が向上する。よって、温度差ΔＴｒｏ［℃］を考慮してデータをフィルタリングし、信頼性のより高い学習データを生成する。

【0080】

本実施例においても、空調システムの構成は第１の実施例と同様であるので、図１、図２、図３の符号を用いて説明する。本実施例では、学習データ生成部１２５の学習データ保持部１２５２の動作が第１の実施例と異なる。

【0081】

図１２は本実施例の学習データ生成部１２５の動作を説明するフローチャートである。学習データ生成部１２５の運用データ抽出部１２５０と外気導入比演算部１２５１の動作（図１２ステップＳ１－１１～Ｓ１－１４）は、第１の実施例で説明したとおりである。

【0082】

本実施例の学習データ保持部１２５２は、第１の実施例と同様に、外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］との組を学習データとして蓄積するが、この蓄積に際してフィルタリング条件に該当するデータの組を学習データから除外する。具体的には、還気温度Ｔｒ［℃］と外気温度Ｔｏ［℃］の温度差ΔＴｒｏ［℃］に基づくフィルタリング条件が、設備管理者やソリューションプロバイダにより予め設定されている。より具体的には、還気温度Ｔｒ［℃］と外気温度Ｔｏ［℃］の温度差の絶対値｜ΔＴｒｏ｜［℃］から算出する信頼性指標Ｑ［％］が所定の信頼性指標閾値（本実施例では５０％）以下というフィルタリング条件が予め設定されている。

【0083】

図１３は温度差の絶対値｜ΔＴｒｏ｜［℃］と信頼性指標Ｑ［％］との関係の１例を示す図である。本実施例では、温度差の絶対値｜ΔＴｒｏ｜［℃］に所定の係数α（図１３の例ではα＝１０）を乗算した値が信頼性指標Ｑ［％］となる。

【0084】

学習データ保持部１２５２は、外気導入比演算部１２５１による外気導入比ｎの演算に使用された還気温度Ｔｒ［℃］と外気温度Ｔｏ［℃］の温度差の絶対値｜ΔＴｒｏ｜［℃］から信頼性指標Ｑ［％］を演算したときに、信頼性指標Ｑ［％］がフィルタリング条件に該当する場合（図１２ステップＳ１－１７においてＹＥＳ）、外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］の組を学習データから除外する。

【0085】

信頼性指標Ｑ［％］がフィルタリング条件に該当しない場合の学習データ保持部１２５２の動作（図１２ステップＳ１－１５）は、第１の実施例と同じである。

【0086】

図１４は、図８のデータから得られた外気導入比ｎと還気ダンパ開度Ｄｒ［％］と外気ダンパ開度Ｄｏ［％］との組からなる学習データの例を示す図であり、本実施例の学習データ保持部１２５２の動作を説明する図である。ここでは、説明を簡単にするため、データＮｏを付加している。データＮｏ＝１１の信頼性指標Ｑ［％］＝４７．６［％］は５０［％］以下である。したがって、フィルタリング条件に該当し、データＮｏ＝１１のデータは学習データから除外される。
外気導入比演算部１２５１以外の構成は第１の実施例と同じである。

【0087】

以上のように、本実施例では、給気温度Ｔｓ［℃］と外気導入比ｎの関係の精度に着目して、還気温度Ｔｒ［℃］と外気温度Ｔｏ［℃］の温度差ΔＴｒｏ［℃］に基づく学習データのフィルタリングを行うことで、信頼性のより高い学習データを生成することができる。

【0088】

なお、本実施例では、温度差の絶対値｜ΔＴｒｏ｜［℃］から信頼性指標Ｑ［％］を演算しているが、温度差の絶対値｜ΔＴｒｏ｜［℃］を信頼性指標としてもよい。この場合には、温度差の絶対値｜ΔＴｒｏ｜［℃］が所定の温度差閾値以下というフィルタリング条件を設定する。また、温度差ΔＴｒｏ［℃］に基づくより複雑な信頼性指標を定義してもよい。

【0089】

第１～第３の実施例のコントローラ１２は、ＣＰＵ（Central Processing Unit）、記憶装置および外部とのインターフェースを備えたコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。このコンピュータの構成例を図１５に示す。コンピュータは、ＣＰＵ３００と、記憶装置３０１と、インターフェース装置（Ｉ／Ｆ）３０２とを備えている。

【0090】

Ｉ／Ｆ３０２には、ダンパ２，３と弁４～６と温度センサ７，８－１，８－２，９，１０とインバータ１９とＶＡＶユニット１１－１，１１－２などが接続される。本発明の学習データ生成方法、外気導入量推定方法および空調制御方法を実現させるためのプログラムは記憶装置３０１に格納される。ＣＰＵ３００は、記憶装置３０１に格納されたプログラムに従って第１～第３の実施例で説明した処理を実行する。ただし、コントローラ１２の全ての構成を１台のコンピュータで実現する必要はなく、上記のとおり学習データ生成部１２５と推定モデル生成部１２６と外気導入比推定部１２７と外気導入情報提示部１２８を別のコンピュータによって実現するようにしてもよい。

【産業上の利用可能性】

【0091】

本発明は、空調システムに適用することができる。

【符号の説明】

【0092】

１…空調機、２…外気ダンパ、３…還気ダンパ、４…冷水弁、５…温水弁、６…加湿弁、７，８－１，８－２，９，１０…温度センサ、１１－１，１１－２…ＶＡＶユニット、１２…コントローラ、１３－１，１３－２…部屋、１４…エアフィルタ、１５…冷却コイル、１６…加熱コイル、１７…加湿器、１８…送風機、１９…インバータ、２０…給気ダクト、２１－１，２１－２…吹出口、２２－１，２２－２…吸込口、２３…還気ダクト、１２０，１２２…操作量演算部、１２１，１２３…操作量出力部、１２４…風量制御部、１２５…学習データ生成部、１２６…推定モデル生成部、１２７…外気導入比推定部、１２８…外気導入情報提示部、１２９…ダンパ制御部、１２５０…運用データ抽出部、１２５１…外気導入比演算部、１２５２…学習データ保持部、１２６０…外気導入比推定モデル。

【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】