特許 7549261 機器制御または異常検知システム、方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-09-03

(45)【発行日】2024-09-11

(54)【発明の名称】機器制御または異常検知システム、方法、およびプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240904BHJP

   F24F 11/64 20180101ALI20240904BHJP

   F24F 11/89 20180101ALI20240904BHJP

   F24F 11/38 20180101ALI20240904BHJP

   F24F 140/00 20180101ALN20240904BHJP

【ＦＩ】

G06N20/00 130

F24F11/64

F24F11/89

F24F11/38

F24F140:00

【請求項の数】 9

(21)【出願番号】P 2023058419

(22)【出願日】2023-03-31

【審査請求日】2024-04-12

(73)【特許権者】

【識別番号】000002853

【氏名又は名称】ダイキン工業株式会社

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(72)【発明者】

【氏名】吉見 学

(72)【発明者】

【氏名】岩名 壱征

(72)【発明者】

【氏名】山田 祥平

【審査官】宮司 卓佳

(56)【参考文献】

【文献】特開２０２０－０７０１１５（ＪＰ，Ａ）

【文献】特開２０２０－１８７５１６（ＪＰ，Ａ）

【文献】特開平０６－０６７７０５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｆ２４Ｆ １１／６４

Ｆ２４Ｆ １１／８９

Ｆ２４Ｆ １１／３８

Ｆ２４Ｆ １４０／００

(57)【特許請求の範囲】

【請求項1】

教師データを用いて学習した予測モデルを用いて複数の異なる機種の機器の制御または異常検知を行うシステムであって、
前記予測モデルの作成時に、複数の異なる機種の各機種の機器の運転データの特性を、仮想の運転データの特性に近づけるように補正して、前記補正された運転データを教師データとして機械学習し、
前記システムの運用時に、運用時の複数の異なる機種の各機種の機器の運転データの特性を、前記仮想の運転データの特性に近づけるように補正して、前記補正された運転データを前記予測モデルに入力する、制御部を備えるシステム。

【請求項2】

前記制御部は、前記運転データの前記機器が装備する部品の機械的な特徴に基づく運転データの特性を補正する、請求項１に記載のシステム。

【請求項3】

前記制御部は、前記運転データの統計的な特徴に基づく運転データの特性を補正する、請求項１に記載のシステム。

【請求項4】

前記制御部は、前記運転データを、最小値を０、最大値を１にスケーリングして変換する、請求項３に記載のシステム。

【請求項5】

前記制御部は、前記運転データを、平均が０かつ分散が１にスケーリングしてＺスコアに変換する、請求項３に記載のシステム。

【請求項6】

前記制御部は、前記運転データを、ロバストＺスコアに変換する、請求項３に記載のシステム。

【請求項7】

前記制御部は、補正された運転データを再補正し、前記再補正された運転データを前記予測モデルに入力する、請求項１から６のいずれか一項に記載のシステム。

【請求項8】

教師データを用いて学習した予測モデルを用いて複数の異なる機種の機器の制御または異常検知を行うシステムの制御部が実行する方法であって、
前記予測モデルの作成時に、複数の異なる機種の各機種の機器の運転データの特性を、仮想の運転データの特性に近づけるように補正して、前記補正された運転データを教師データとして機械学習し、
前記システムの運用時に、運用時の複数の異なる機種の各機種の機器の運転データの特性を、前記仮想の運転データの特性に近づけるように補正して、前記補正された運転データを前記予測モデルに入力するステップ
を含む方法。

【請求項9】

教師データを用いて学習した予測モデルを用いて複数の異なる機種の機器の制御または異常検知を行うシステムの制御部に、
前記予測モデルの作成時に、複数の異なる機種の各機種の機器の運転データの特性を、仮想の運転データの特性に近づけるように補正して、前記補正された運転データを教師データとして機械学習し、
前記システムの運用時に、運用時の複数の異なる機種の各機種の機器の運転データの特性を、前記仮想の運転データの特性に近づけるように補正して、前記補正された運転データを前記予測モデルに入力すること
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、機器制御または異常検知システム、方法、およびプログラムに関する。

【背景技術】

【0002】

従来、機器の運転データと予測モデルを用いて、機器の制御または異常検知を行うことが知られている。機器の特性が異なると（例えば、機器の種類が異なると）運転データの特性も異なるため、予測誤差が生じないように、各機器の特性に応じた予測モデルを作成する必要がある。

【先行技術文献】

【特許文献】

【0003】

【文献】特許第７１５２９３８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、各機器の特性に応じた予測モデル（例えば、機器の種類ごとの予測モデル）を作成することは容易ではなかった。

【0005】

本開示では、機器ごとの専用の予測モデルを作成せずに、複数の異なる機器の制御または異常検知を行うことを目的とする。

【課題を解決するための手段】

【0006】

本開示の第１の態様によるシステムは、
教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステムであって、
前記予測モデルの作成時に教師データとして使用される機器の運転データと、前記システムの運用時に前記予測モデルへの入力となる運用時の機器の運転データと、に対して、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性に近づけるように補正する制御部を備える。

【0007】

本開示の第１の態様によれば、機器ごとの専用の予測モデルを作成せずに、複数の異なる機器の制御または異常検知を行うことができる。

【0008】

本開示の第２の態様は、第１の態様に記載のシステムであって、
前記教師データが、前記複数の種類の機器のうちの一つの種類の機器の運転データであり、
前記制御部は、前記システムの運用時に前記教師データに使用した機器以外の機器の運転データの特性を前記教師データに使用した機器の運転データの特性と近づけるように補正する。

【0009】

本開示の第２の態様によれば、ある機器用に既に作成されている予測モデルを別の機器でも活用することができる。

【0010】

本開示の第３の態様は、第２の態様に記載のシステムであって、
前記運転データは、前記機器が装備する部品に関する指令値または状態量であり、
前記制御部は、前記指令値または前記状態量を前記部品の機械的な運転データの特性に基づいて補正する。

【0011】

本開示の第３の態様によれば、各機器が装備する部品の機械的な違いを補正することができる。

【0012】

本開示の第４の態様は、第３の態様に記載のシステムであって、
前記部品は、冷凍空調機器の膨張弁と、圧縮機と、送風機と、である。

【0013】

本開示の第４の態様によれば、各冷凍空調機の膨張弁と、圧縮機と、送風機と、の機械的な違いを補正することができる。

【0014】

本開示の第５の態様は、第２の態様に記載のシステムであって、
主成分分析により、前記教師データに使用した機器の運転データの確率楕円、および、前記教師データに使用した機器以外の機器の運転データの確率楕円を計算し、
前記教師データに使用した機器以外の機器の運転データの確率楕円を前記教師データに使用した機器の運転データの確率楕円に一致させるアフィン変換行列を計算し、前記教師データに使用した機器以外の機器の運転データを前記アフィン変換行列により補正する。

【0015】

本開示の第５の態様によれば、各機器が装備する部品の機械的な違いを補正するための情報がない場合でも、統計的な手法によりデータの違いを補正することができる。

【0016】

本開示の第６の態様は、第１の態様に記載のシステムであって、
前記複数の異なる機器の運転データの特性を補正のために一致させる対象となる前記他の機器の運転データの特性は、仮想の運転データの特性であり、
前記制御部は、
前記予測モデルの作成時に、機器の運転データの特性を、前記仮想の運転データの特性に近づけるように補正して、前記補正された運転データを教師データとして機械学習し、
前記システムの運用時に、運用時の機器の運転データの特性を、前記仮想の運転データの特性に近づけるように補正して、前記補正された運転データを前記予測モデルに入力する。

【0017】

本開示の第６の態様によれば、複数の異なる機器の運転データを教師データとして用いた１つの予測モデルだけで、複数の異なる機器の制御または異常検知を行うことができる。

【0018】

本開示の第７の態様は、第６の態様に記載のシステムであって、
前記制御部は、前記運転データの前記機器が装備する部品の機械的な特徴に基づく運転データの特性を補正する。

【0019】

本開示の第７の態様によれば、各機器が装備する部品の機械的な特徴に基づき違いを補正することができる。

【0020】

本開示の第８の態様は、第６の態様に記載のシステムであって、
前記制御部は、前記運転データの統計的な特徴に基づく運転データの特性を補正する。

【0021】

本開示の第８の態様によれば、統計的な特徴に基づき違いを補正することができる。

【0022】

本開示の第９の態様は、第８の態様に記載のシステムであって、
前記制御部は、前記運転データを、最小値を０、最大値を１にスケーリングして変換する。

【0023】

本開示の第９の態様によれば、データの最小値と最大値の範囲が明確な場合に、補正の精度を向上させることができる。

【0024】

本開示の第１０の態様は、第８の態様に記載のシステムであって、
前記制御部は、前記運転データを、平均が０かつ分散が１にスケーリングしてＺスコアに変換する。

【0025】

本開示の第１０の態様によれば、データに大きい外れ値が存在する場合でも、補正の精度を向上させることができる。

【0026】

本開示の第１１の態様は、第８の態様に記載のシステムであって、
前記制御部は、前記運転データを、ロバストＺスコアに変換する。

【0027】

本開示の第１１の態様によれば、データが非正規分布の場合でも、補正の精度を向上させることができる。

【0028】

本開示の第１２の態様は、第６の態様から第１１の態様のいずれか一項に記載のシステムであって、
前記制御部は、補正された運転データを再補正し、前記再補正された運転データを前記予測モデルに入力する。

【0029】

本開示の第１２の態様によれば、補正の精度を向上させることができる。

【0030】

本開示の第１３の態様による方法は、
教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステムの制御部が実行する方法であって、
前記予測モデルの作成時に機器の運転データを教師データとして使用する前と、前記システムの運用時の機器の運転データを前記予測モデルへ入力する前に、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性と近づけるように補正するステップ
を含む。

【0031】

本開示の第１４の態様によるプログラムは、
教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステムの制御部に、
前記予測モデルの作成時に機器の運転データを教師データとして使用する前と、前記システムの運用時の機器の運転データを前記予測モデルへ入力する前に、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性と近づけるように補正すること
を実行させる。

【図面の簡単な説明】

【0032】

【図1】膨張弁開度と流量比の関係の機器による違いについて説明するための図である。

【図2】圧縮機の断熱効率の機器による違いについて説明するための図である。

【図3】本開示の第１の実施形態の概要について説明するための図である。

【図4】本開示の第２の実施形態の概要について説明するための図である。

【図5】本開示の一実施形態に係る全体の構成を示す図である。

【図6】本開示の一実施形態に係る学習装置および予測装置のハードウェア構成を示す図である。

【図7】本開示の第１の実施形態について説明するための図である。

【図8】本開示の第２の実施形態について説明するための図である。

【図9】本開示の一実施形態に係る学習装置の制御部の機能ブロックを示す図である。

【図10】本開示の一実施形態に係る予測装置の制御部の機能ブロックを示す図である。

【図11】本開示の一実施形態に係る膨張弁開度の補正の例である。

【図12】本開示の一実施形態に係る圧縮機回転数の補正の例である。

【図13】本開示の一実施形態に係るアフィン変換による補正の例である。

【図14】本開示の一実施形態に係る仮想的な膨張弁開度の特性の例である。

【図15】本開示の一実施形態に係る膨張弁開度の補正の例である。

【図16】本開示の一実施形態に係る統計的処理による補正の例である。

【図17】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。

【図18】本開示の一実施形態に係る予測処理のフローチャートである。

【発明を実施するための形態】

【0033】

以下、図面に基づいて本開示の実施の形態を説明する。

【0034】

まず、図１～図２を参照しながら、機器による運転データの特性の違いについて説明する。機器（例えば、冷凍空調装置）Ａと機器（例えば、冷凍空調装置）Ｂで膨張弁や圧縮機の種類が異なると、膨張弁開度と流量比の関係や圧縮機の断熱効率が異なる。

【0035】

図１は、膨張弁開度と流量比の関係の機器による違いについて説明するための図である。図１は、機器Ａの膨張弁（膨張弁Ａ）の膨張弁開度（％）と流量比（％／ｓｅｃ）の関係、および、機器Ｂの膨張弁（膨張弁Ｂ）の膨張弁開度（％）と流量比（％／ｓｅｃ）の関係を示す。図１に示されるように、同流量比（例えば、５０％／ｓｅｃ）に対する膨張弁開度に差がある（膨張弁Ａでは５０％、膨張弁Ｂでは３０％）。このように、機器ごとに膨張弁開度に違いが生じる。

【0036】

図２は、圧縮機の断熱効率の機器による違いについて説明するための図である。図２は、機器Ａの圧縮機（圧縮機Ａ）のｐ－ｈ線図、および、機器Ｂの圧縮機（圧縮機Ｂ）のｐ－ｈ線図を示す。図２に示されるように、圧縮機Ａと圧縮機Ｂの断熱効率に差があると、凝縮圧力と蒸発圧力が同じ条件であっても圧縮機Ａと圧縮機Ｂで、吐出温度や吐出過熱度に違いが生じる。

【0037】

＜概要＞
図３を参照しながら第１の実施形態の概要について説明し、図４を参照しながら第２の実施形態について説明する。機器の一例である冷凍空調装置の運転データ（例えば、膨張弁開度と吐出過熱度）用いる場合を説明する。

【0038】

［第１の実施形態］
図３は、本開示の第１の実施形態の概要について説明するための図である。

【0039】

図３の［補正前］は、機器Ａの膨張弁開度と吐出過熱度の分布、および、機器Ｂ（なお、機器Ａの特性と機器Ｂの特性は異なる（例えば、機器Ａの機種と機器Ｂの機種は異なる））の膨張弁開度と吐出過熱度の分布を示す。

【0040】

第１の実施形態では、図３の［補正後］に示されるように、機器Ｂの運転データの特性が機器Ａの運転データの特性に近づくように、機器Ｂの運転データ（膨張弁開度と吐出過熱度）を補正する。

【0041】

［第２の実施形態］
図４は、本開示の第２の実施形態の概要について説明するための図である。

【0042】

図４の［補正前］は、機器Ａの膨張弁開度と吐出過熱度の分布、および、機器Ｂ（なお、機器Ａの特性と機器Ｂの特性は異なる（例えば、機器Ａの機種と機器Ｂの機種は異なる））の膨張弁開度と吐出過熱度の分布を示す。

【0043】

第２の実施形態では、図４の［補正後］に示されるように、機器Ａの運転データの特性が仮想的な運転データの特性に近づくように、機器Ａの運転データ（膨張弁開度と吐出過熱度）を補正する、かつ、機器Ｂの運転データの特性が仮想的な運転データの特性に近づくように、機器Ｂの運転データ（膨張弁開度と吐出過熱度）を補正する。

【0044】

＜全体の構成＞
図５は、本開示の一実施形態に係る全体の構成を示す図である。機器制御・異常検知システム（以下、単に"システム"ともいう）１は、学習装置１０と、予測装置２０と、を含むことができる。なお、図５では、学習装置１０と予測装置２０を別々の装置として示しているが、学習装置１０と予測装置２０を一つの装置としてもよい。以下、それぞれについて説明する。

【0045】

＜＜機器制御・異常検知システム＞＞
機器制御・異常検知システム１は、機器３０を制御する、あるいは、機器３０の異常を検知するシステムである。なお、本明細書では、機器３０の冷媒の漏洩を検知する場合を説明するが、冷媒の漏洩の検知に限定されず、本開示は、任意の制御あるいは任意の異常の検知に適用することができる。

【0046】

＜＜学習装置＞＞
学習装置１０は、機器３０の運転データが入力されると、機器３０を制御するための情報あるいは機器３０の異常を検知するための情報（例えば、機器３０の冷媒量（漏洩量あるいは保有量））が出力される予測モデルを作成する装置である。学習装置１０は、１つまたは複数のコンピュータから構成される。学習装置１０に入力される運転データは、例えば図示しない記憶装置に蓄積されている機器３０の過去の運転データである。

【0047】

＜＜予測装置＞＞
予測装置２０は、学習装置１０が作成した予測モデルに、機器３０の運転データを入力して、機器３０を制御するための情報あるいは機器３０の異常を検知するための情報（例えば、機器３０の冷媒量（漏洩量あるいは保有量））を出力して、機器３０を制御する、あるいは、機器３０の異常を検知する。予測装置２０は、１つまたは複数のコンピュータから構成される。予測装置２０に入力される運転データは、例えば稼働中の機器３０から取得したリアルタイムの運転データである。

【0048】

＜＜機器＞＞
機器３０は、任意の機器であってよい。例えば、機器３０は、セントラル空調システムの熱源装置である冷水チラーである。冷水チラーは、圧縮機、凝縮器、膨張弁、蒸発器を配管で接続し、当該配管の内部を冷媒が循環する冷媒回路を有する。冷水チラーは、膨張弁の開度を変化させることで圧縮機の吸入過熱度または吐出過熱度を一定値に制御する。冷水チラーの蒸発器には、冷媒配管と別に水配管が接続されている。蒸発器は、低温の冷媒と水を熱交換させることで冷水を作る。空冷式の冷水チラーの場合、凝縮器から屋外の空気に排熱する。

【0049】

例えば、セントラル空調システムは、熱源装置である冷水チラーと室内に設置されるファンコイル含む。冷水チラーとファンコイルは水配管で接続されている。セントラル空調システムは、冷水チラーの蒸発器からファンコイルに冷水を供給し、冷水を室内の空気と熱交換させることで室内を冷房する。セントラル空調システムは、ファンコイルで熱交換して温度が上昇した水を再び冷水チラーの蒸発器へ戻して再度冷却することで、継続して室内を冷房する。

【0050】

＜＜運転データ＞＞
運転データは、機器３０の運転中に取得可能なデータである。例えば、運転データは、機器３０が装備する部品に関する制御指令値、または、機器３０に関する、温度、圧力、電流等の状態量である。例えば、部品は、冷凍空調機器の膨張弁と、圧縮機と、送風機と、の少なくとも１つを含む。

【0051】

＜ハードウェア構成＞
図６は、本開示の一実施形態に係る学習装置１０および予測装置２０のハードウェア構成を示す図である。学習装置１０および予測装置２０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。

【0052】

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）など）である。

【0053】

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。

【0054】

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。

【0055】

入力部１００４は、学習装置１０および予測装置２０の操作者が学習装置１０および予測装置２０に対して各種指示を入力する入力デバイスである。

【0056】

出力部１００５は、学習装置１０および予測装置２０の内部状態等を出力する出力デバイスである。

【0057】

インタフェース部１００６は、ネットワークに接続し、他の装置と通信を行うための通信デバイスである。

【0058】

［第１の実施形態］
図７は、本開示の第１の実施形態について説明するための図である。機器Ａと機器Ｂは、特性が異なる機器（例えば、機器Ａの機種と機器Ｂの機種が異なる、機器Ａが機器Ｂの旧機種である等）である。

【0059】

例えば、教師データは、冷凍空調装置の冷媒量（冷媒の漏洩量（漏洩している量）または冷媒の保有量（保有している量））、膨張弁の開度、圧縮機の吐出過熱度、冷凍空調装置の負荷率である。例えば、予測モデルは、運転データ（膨張弁開度および吐出過熱度および負荷率）が入力されると、冷媒量を予測する。

【0060】

［学習］
学習時には、教師データである機器Ａのデータを用いて予測モデル（つまり、機器Ａ用予測モデル）が作成される。

【0061】

［予測］
・機器Ａの予測時には、運用中の機器Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を、［学習］で作成した予測モデルに入力して、冷媒量を予測する。
・機器Ｂの予測時には、運用中の機器Ｂの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を、機器Ｂの運転データの特性が機器Ａの運転データの特性に近くづくように補正する。そして、補正後の機器Ｂの運転データを、［学習］で作成した予測モデルに入力して、冷媒量を予測する。

【0062】

このように、第１の実施形態では、機器Ｂの運転データの特性が機器Ａの運転データ（つまり、予測モデルの教師データである機器の運転データ）の特性に近づくように、機器Ｂの運転データを補正したうえで、機器Ａのデータを用いて作成された予測モデルに入力する。

【0063】

［第２の実施形態］
図８は、本開示の第２の実施形態について説明するための図である。機器Ａと機器Ｂは、特性が異なる機器（例えば、機器Ａの機種と機器Ｂの機種は異なる）である。なお、図８では、機器Ａと機器Ｂの２つを示しているが、機器Ａ、機器Ｂ、機器Ｃ、・・・と３つ以上でもよい。

【0064】

例えば、教師データは、冷凍空調装置の冷媒量（冷媒の漏洩量（漏洩している量）または冷媒の保有量（保有している量））、膨張弁の開度、圧縮機の吐出過熱度、冷凍空調装置の負荷率である。例えば、予測モデルは、運転データ（膨張弁開度および吐出過熱度および負荷率）が入力されると、機器の冷媒量が予測される。

【0065】

［学習］
学習時には、教師データである機器Ａのデータと機器Ｂのデータを用いて予測モデルが作成される。
・機器Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を、機器Ａの運転データの特性が仮想の運転データの特性に近づくように補正する。
・機器Ｂの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を、機器Ｂの運転データの特性が仮想の運転データの特性に近づくように補正する。
・そして、補正後の機器Ａの運転データと補正後の機器Ｂの運転データを用いて予測モデルが作成される。

【0066】

［予測］
・機器Ａの予測時には、運用中の機器Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を、機器Ａの運転データの特性が仮想の運転データの特性（［学習］時と同じ仮想の運転データの特性）に近くづくように補正する。そして、補正後の機器Ａの運転データを、［学習］で作成した予測モデルに入力して、冷媒量を予測する。
・機器Ｂの予測時には、運用中の機器Ｂの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を、機器Ｂの運転データの特性が仮想の運転データの特性（［学習］時と同じ仮想の運転データの特性）に近くづくように補正する。そして、補正後の機器Ｂの運転データを、［学習］で作成した予測モデルに入力して、冷媒量を予測する。

【0067】

なお、仮想の運転データとは、実在する機器（この例では、機器Ａおよび機器Ｂ）の運転データではなく、仮想的な運転データである。機器Ａの学習時、機器Ｂの学習時、機器Ａの予測時、機器Ｂの予測時に用いられる仮想データは、同じ仮想データである。

【0068】

このように、第２の実施形態では、機器Ａと機器Ｂの運転データの特性が仮想の運転データの特性に近づくように、機器Ａと機器Ｂの運転データを補正する。補正後の機器Ａおよび機器Ｂの運転データを用いて予測モデルを作成し、補正後の機器Ａまたは機器Ｂの運転データを当該予測モデルに入力する。

【0069】

＜機能ブロック＞
図９は、本開示の一実施形態に係る学習装置１０の制御部１００１の機能ブロックを示す図である。制御部１００１は、教師データ取得部１０１と、補正部１０２と、学習部１０３と、を備えることができる。制御部１００１は、プログラムを実行することによって、教師データ取得部１０１、補正部１０２、学習部１０３、として機能することができる。

【0070】

教師データ取得部１０１は、教師データを取得する。

【0071】

［第１の実施形態］の場合、教師データ取得部１０１は、機器（例えば、冷凍空調装置）Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）、および、冷媒量（漏洩量または保有量）を取得する。

【0072】

［第２の実施形態］の場合、教師データ取得部１０１は、機器（例えば、冷凍空調装置）Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）および冷媒量（漏洩量または保有量）、および、機器Ｂの運転データおよび冷媒量を取得する。

【0073】

補正部１０２は、教師データ取得部１０１が取得したデータのうち、［第１の実施形態］の場合、一部の機器の運転データを補正し、［第２の実施形態］の場合、全部の機器の運転データを補正する。

【0074】

［第２の実施形態］の場合、補正部１０２は、機器Ａの運転データの特性が仮想の運転データの特性に近づくように、機器Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を補正する。また、補正部１０２は、機器Ｂの運転データの特性が仮想の運転データの特性に近づくように、機器Ｂの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を補正する。

【0075】

学習部１０３は、機器３０の運転データが入力されると機器３０の冷媒量が出力される予測モデルを作成する。学習装置１０は、機械学習して予測モデルのパラメータを決定する。

【0076】

［第１の実施形態］の場合、学習部１０３は、教師データ取得部１０１が取得した機器Ａの運転データおよび冷媒量を用いて、予測モデルを作成する。

【0077】

［第２の実施形態］の場合、学習部１０３は、補正部１０２が補正した機器Ａの運転データおよび機器Ｂの運転データ、および、教師データ取得部１０１が取得した機器Ａの冷媒量および機器Ｂの冷媒量を用いて、予測モデルを作成する。

【0078】

図１０は、本開示の一実施形態に係る予測装置２０の制御部１００１の機能ブロックを示す図である。制御部１００１は、運転データ取得部２０１と、補正部２０２と、予測部２０３と、を備えることができる。制御部１００１は、プログラムを実行することによって、運転データ取得部２０１、補正部２０２、予測部２０３、として機能することができる。

【0079】

運転データ取得部２０１は、運用中の機器３０の運転データを取得する。

【0080】

［第１の実施形態］の場合、運転データ取得部２０１は、機器（例えば、冷凍空調装置）Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）または機器Ｂの運転データを取得する。

【0081】

［第２の実施形態］の場合、運転データ取得部２０１は、機器（例えば、冷凍空調装置）Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）または機器Ｂの運転データを取得する。

【0082】

補正部２０２は、運転データ取得部２０１が取得したデータのうち、［第１の実施形態］の場合、一部の機器の運転データを補正し、［第２の実施形態］の場合、全部の機器の運転データを補正する。

【0083】

［第１の実施形態］の場合、補正部２０２は、機器Ｂの運転データの特性が機器Ａの運転データの特性に近づくように、機器Ｂの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を補正する。

【0084】

［第２の実施形態］の場合、補正部２０２は、機器Ａの運転データの特性が仮想の運転データの特性に近づくように、機器Ａの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を補正する。また、補正部１０２は、機器Ｂの運転データの特性が仮想の運転データの特性に近づくように、機器Ｂの運転データ（例えば、膨張弁開度および吐出過熱度および負荷率）を補正する。

【0085】

予測部２０３は、機器３０の運転データを予測モデルに入力して機器３０の冷媒量を予測する。

【0086】

［第１の実施形態］の場合、予測部２０３は、運転データ取得部２０１が取得した機器Ａの運転データを予測モデルに入力して機器Ａの冷媒量を予測する。また、予測部２０３は、補正部２０２が補正した機器Ｂの運転データを予測モデルに入力して機器Ｂの冷媒量を予測する。

【0087】

［第２の実施形態］の場合、予測部２０３は、補正部２０２が補正した機器Ａの運転データを予測モデルに入力して機器Ａの冷媒量を予測する。また、予測部２０３は、補正部２０２が補正した機器Ｂの運転データを予測モデルに入力して機器Ｂの冷媒量を予測する。

【0088】

以下、補正の例を説明する。

【0089】

学習装置１０および予測装置２０は、任意の手法で運転データを補正することができる。

【0090】

例えば、学習装置１０および予測装置２０は、機械学習により作成されたモデル（詳細には、補正前の運転データが入力されると補正後の運転データが出力されるモデル）を用いて運転データを補正することができる。

【0091】

例えば、学習装置１０および予測装置２０は、回帰式（詳細には、補正前の運転データが入力されると補正後の運転データが算出される回帰式）を用いて運転データを補正することができる。

【0092】

例えば、学習装置１０および予測装置２０は、マップ（詳細には、補正前の運転データと補正後の運転データとの対応関係を定めたルール）を用いて運転データを補正することができる。

【0093】

まず、本開示の第１の実施形態の例として膨張弁開度の補正について説明する。

【0094】

図１１は、仕様の異なる機器Ａと機器Ｂが備える膨張弁の開度（ｐｌｓ）と流量（％）の関係を示す。２つの膨張弁は、１００％の最大流量時の膨張弁開度が異なっている。そのため、ある中間流量ｙ％の時の機器Ａ、Ｂのそれぞれの膨張弁開度が、ｘ１、ｘ２であり異なる値になっている。例えば、機器Ａの膨張弁開度と流量データで学習した予測モデルを機器Ｂで使用する場合、ｘ２をｘ１に補正してから入力する必要がある。そのためには、ｘ２をｘ１に補正する補正式を求める必要がある。

【0095】

ｘ２をｘ１に補正する補正式は、機器Ａと機器Ｂの膨張弁の機械的な特性から求めることができる。機器Ａと機器Ｂの膨張弁開度に対する流量特性Ｑ１とＱ２が既知の場合、以下のようになる。
機器Ａの膨張弁開度：ｘ１
機器Ｂの膨張弁開度：ｘ２
機器Ａの膨張弁流量特性：Ｑ１＝ｋ１・ｘ１＾２
機器Ｂの膨張弁流量特性：Ｑ２＝ｋ２・ｘ２
Ｑ１＝Ｑ２とすると、式（１）が成り立つ。

【0096】

【数1】

【0097】

機器Ｂの補正後の膨張弁開度をｘ２´とすると、式（１）のｘ１をｘ２´で置き換えるとｘ２の補正式である式（２）が導き出される。

【0098】

【数2】

【0099】

このように、運転データが、機器３０が装備する部品に関する指令値または状態量である場合、当該部品の機械的な運転データの特性に基づいて、運転データを補正することができる。

【0100】

次に、本開示の別の一実施形態に係る圧縮機回転数の補正の例を説明する。

【0101】

図１２は、仕様の異なる機器Ａと機器Ｂが備える圧縮機の回転数（ｒｐｓ）と冷凍能力（％）の関係を示す。２つの機器は、冷凍能力が最大である１００％の時の圧縮機回転数が異なっている。そのため、ある中間冷凍能力ｙ％の時の機器Ａ、Ｂのそれぞれの圧縮機回転数が、ｘ１、ｘ２であり異なる値になっている。例えば、機器Ａの圧縮機回転数と冷凍能力のデータで学習した予測モデルを機器Ｂで使用する場合、ｘ２をｘ１に補正してから入力する必要がある。そのためには、ｘ２をｘ１に補正する補正式を求める必要がある。

【0102】

ｘ２をｘ１に補正する補正式は、機器Ａと機器Ｂの圧縮機の機械的な特性から求めることができる。機器Ａと機器Ｂの圧縮機回転数に対する冷凍能力Ｗ１とＷ２が既知の場合、以下のようになる。
機器Ａの圧縮機回転数：ｘ１
機器Ｂの圧縮機回転数：ｘ２
機器Ａの冷凍能力：Ｗ１＝ｋ１・ｘ１
機器Ｂの冷凍能力：Ｗ２＝ｋ２・ｘ２
機器Ｂの補正後の圧縮機回転数：ｘ２´
Ｗ１＝Ｗ２とすると、式（３）が成り立つ。式（３）から、ｘ２の補正式である式（４）が導き出される。
ｘ１＝（ｋ２／ｋ１）・ｘ２ 式（３）
ｘ２´＝（ｋ２／ｋ１）・ｘ２ 式（４）

【0103】

このように、運転データが、機器３０が装備する部品に関する指令値または状態量である場合、当該部品の機械的な運転データの特性に基づいて、運転データを補正することができる。

【0104】

図１３は、本開示の一実施形態に係るアフィン変換による補正の例である。下記のように、アフィン変換により運転データを補正することができる。
・主成分分析により、教師データに使用した機器（機器Ａ）の運転データの確率楕円、および、教師データに使用した機器以外の機器（機器Ｂ）の運転データの確率楕円を計算する（図１３の左図）。
・次に、教師データに使用した機器以外の機器（機器Ｂ）の運転データの確率楕円を教師データに使用した機器（機器Ａ）の運転データの確率楕円に一致させるアフィン変換行列を計算する。
・次に、教師データに使用した機器以外の機器（機器Ｂ）の運転データをアフィン変換行列により補正する（図１３の右図）。

【0105】

【数3】

【0106】

式（５）は、アフィン変換行列を示す。なお、λは拡大・縮小率、θは回転角度、Ｔｘ、Ｔｙは、ｘ、ｙ方向の平行移動である。

【0107】

なお、線形変換（上記のアフィン変換）ではなく、非線形変換（格子点の移動およびＢ－スプライン補間）を用いてもよい。

【0108】

次に、第２の実施形態の場合の補正の例を説明する。本開示の一実施形態に係る膨張弁開度の補正の例として、図１１に示す仕様の異なる機器Ａと機器Ｂの膨張弁を用いる。

【0109】

図１４は、仮想的な膨張弁の膨張弁開度（％）に対する流量Ｑ（％）の特性を示す。この膨張弁の流量は、膨張弁開度に比例し、膨張弁開度が１００％の時に流量が最大の１００％になる。本実施形態では、機器Ａと機器Ｂと膨張弁の開度特性を前記の仮想的な膨張弁の開度特性と一致するように補正する。

【0110】

図１５の上図は、機器Ａと機器Ｂが備える膨張弁の膨張弁開度（ｐｌｓ）を、膨張弁の最大開度を１００％とし、％表示にスケール変換したものである。この変換により、機器Ａ、Ｂ共に、膨張弁開度が１００％の時は、流量が最大の１００％となっている。機器Ｂの場合、流量が膨張弁開度に比例しているため、この変換だけで膨張弁開の特性が仮想的な膨張弁の特性と一致するように補正されている。

【0111】

それに対して機器Ａは、流量と膨張弁開度が非線形な関係であるため、膨張弁開度を％表示に変換するだけでは、仮想的な膨張弁の特性と一致しない。そこで、図１５の下図に示すように、機器Ａの膨張弁開度を％表示に変換した後、流量に対する非線形な特性を線形化する補正を実施することで、仮想的な膨張弁の特性と一致させることができる。そのような補正は、機器Ａの膨張弁開度（ｐｌｓ）と流量（％）の関係式が既知であれば、まず関係式の膨張弁開度を％表示に変更した式の逆関数を求め、その逆関数に機器Ａの値を入力することで容易に実施可能である。

【0112】

このように、運転データの機器が装備する部品の機械的な特徴に基づく運転データの特性を補正することができる。

【0113】

図１６は、本開示の一実施形態に係る統計的処理による補正の例である。機器Ａの運転データの分布、機器Ｂの運転データの分布、機器Ｃの運転データの分布、・・・が仮想的な分布に近づくように、各機器（つまり、機器Ａ、機器Ｂ、機器Ｃ、・・・）の運転データを補正することができる。なお、機器の運転データの分布は、正規分布であってもよいし、非正規分布であってもよい。以下、具体例を説明する。

【0114】

例えば、各機器の運転データを、最小値を０、最大値を１にスケーリングして変換する（つまり、正規化）ことで、補正することができる。各機器の運転データの分布が外れ値がなく一様分布とみなせる場合に適している。

【0115】

例えば、各機器の運転データを、平均が０かつ分散が１にスケーリングしてＺスコアに変換することで、補正することができる。各機器の運転データの分布が正規分布とみなせる場合に適している。

【0116】

例えば、各機器の運転データを、ロバストＺスコアに変換することで、補正することができる。各機器の運転データの分布が非正規分布である場合に適している。

【0117】

［再補正］
例えば、補正部２０２が、補正された運転データを再補正し、予測部２０３が、再補正された運転データを予測モデルに入力してもよい。具体的には、図１６に示す機器Ａ、Ｂ、Ｃのように非正規分布（ピークが左右に偏っている、複数のピークを持つ等）である運転データに対しては、各手法（例えば、対数変換、指数変換、Ｂｏｘ－Ｃｏｘ変換）を用いて非正規分布から正規分布に補正する。例えば、機器Ａ、Ｂ、Ｃの運転データを非正規分から正規分布に補正した場合、補正後の分布は正規分布であっても、それぞれの平均と分散が異なるため、分布の形状は一致しない。そこで、正規分布に補正された運転データをｚスコアに変換することで再補正すれば、それぞれの正規分布の形が一致して等価な運転データとして扱うことが可能になる。

【0118】

＜方法＞
図１７を参照しながら学習処理の方法について説明し、図１８を参照しながら予測処理の方法について説明する。

【0119】

［学習処理］
図１７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。

【0120】

ステップ１０１（Ｓ１０１）において、学習装置１０は、教師データを取得する。

【0121】

ステップ１０２（Ｓ１０２）において、学習装置１０は、機器３０の運転データを補正する。

【0122】

ステップ１０３（Ｓ１０３）において、学習装置１０は、予測モデルを作成する。

【0123】

［第１の実施形態］
上記の第１の実施形態の場合を説明する。
・学習装置１０は、教師データ（詳細には、機器の運転データ（例えば、機器Ａの運転データ）、および、機器を制御するための情報あるいは機器の異常を検知するための情報（例えば、機器Ａの冷媒量））を取得する。
・次に、学習装置１０は、取得した教師データを用いて予測モデルを作成する。

【0124】

［第２の実施形態］
上記の第２の実施形態の場合を説明する。
・学習装置１０は、教師データ（詳細には、機器の運転データ（例えば、機器Ａの運転データ、機器Ｂの運転データ、・・・）、および、機器を制御するための情報あるいは機器の異常を検知するための情報（例えば、機器Ａの冷媒量、機器Ｂの冷媒量、・・・））を取得する。
・次に、学習装置１０は、取得した機器の運転データ（機器Ａの運転データ、機器Ｂの運転データ、・・・）の特性を仮想の運転データの特性に近づけるように、取得した機器の運転データ（機器Ａの運転データ、機器Ｂの運転データ、・・・）を補正する。
・次に、学習装置１０は、補正した機器の運転データ（つまり、機器Ａの補正後の運転データ、機器Ｂの補正後の運転データ、・・・）、および、機器を制御するための情報あるいは機器の異常を検知するための情報（機器Ａの冷媒量、機器Ｂの冷媒量、・・・）を用いて予測モデルを作成する。

【0125】

［予測処理］
図１８は、本開示の一実施形態に係る予測処理のフローチャートである。

【0126】

ステップ２０１（Ｓ２０１）において、予測装置２０は、運用中の機器３０の運転データを取得する。

【0127】

ステップ２０２（Ｓ２０２）において、予測装置２０は、Ｓ２０１で取得した機器３０の運転データを補正する。

【0128】

ステップ２０３（Ｓ２０３）において、予測装置２０は、Ｓ２０２で補正した機器３０の運転データを予測モデルに入力して冷媒量を予測する。

【0129】

［第１の実施形態］
上記の第１の実施形態の場合を説明する。
・予測装置２０は、運用中の機器の運転データ（例えば、機器Ｂの運転データ）を取得する。
・次に、予測装置２０は、取得した機器の運転データ（つまり、機器Ｂの運転データ）の特性を予測モデルの教師データである機器の運転データ（つまり、機器Ａの運転データ）の特性に近づくように、取得した機器の運転データ（つまり、機器Ｂの運転データ）を補正する。
・次に、予測装置２０は、補正した機器の運転データ（つまり、機器Ｂの運転データ）を予測モデル（機器Ａの運転データを教師データとして用いて作成された予測モデル）に入力して冷媒量を予測する。

【0130】

［第２の実施形態］
上記の第２の実施形態の場合を説明する。
・予測装置２０は、運用中の機器の運転データ（例えば、機器Ａの運転データ、機器Ｂの運転データ、・・・のいずれかの機器の運転データ）を取得する。
・次に、予測装置２０は、取得した機器の運転データ（つまり、機器Ａの運転データ、機器Ｂの運転データ、・・・のいずれかの機器の運転データ）の特性を仮想の運転データの特性に近づけるように、取得した機器の運転データ（つまり、機器Ａの運転データ、機器Ｂの運転データ、・・・のいずれかの機器の運転データ）を補正する。
・次に、予測装置２０は、補正した機器の運転データ（つまり、機器Ａの運転データ、機器Ｂの運転データ、・・・のいずれかの機器の補正後の運転データ）を予測モデル（機器Ａの補正後の運転データ、機器Ｂの補正後の運転データ、・・・を教師データとして用いて作成された予測モデル）に入力して冷媒量を予測する。

【0131】

以上、本開示の実施形態によれば、教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステム１であって、予測モデルの作成時に教師データとして使用される機器の運転データと、システム１の運用時に予測モデルへの入力となる運用時の機器の運転データと、に対して、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性に近づけるように補正する制御部１００１を備えるシステム１を提供することができる。

【0132】

これにより、機器ごとの専用の予測モデルを作成せずに、複数の異なる機器の制御または異常検知を行うことができる 。

【0133】

好ましくは、教師データが、複数の種類の機器のうちの一つの種類の機器（例えば、旧機種の機器）の運転データであり、制御部１００１は、システム１の運用時に教師データに使用した機器以外の機器（例えば、新機種の機器）の運転データの特性を教師データに使用した機器（例えば、旧機種の機器）の運転データの特性と近づけるように補正する。これにより、ある機器（例えば、旧機種の機器）用に既に作成されている予測モデルを別の機器（例えば、新機種の機器）でも活用することができる。

【0134】

好ましくは、運転データは、機器が装備する部品に関する指令値または状態量であり、制御部１００１は、指令値または状態量を部品の機械的な運転データの特性に基づいて補正する。これにより、各機器が装備する部品の機械的な違いを補正することができる。

【0135】

好ましくは、部品は、冷凍空調機器の膨張弁と、圧縮機と、送風機と、である。これにより、各冷凍空調機の膨張弁と、圧縮機と、送風機と、の機械的な違いを補正することができる。

【0136】

好ましくは、主成分分析により、教師データに使用した機器の運転データの確率楕円、および、教師データに使用した機器以外の機器の運転データの確率楕円を計算し、教師データに使用した機器以外の機器の運転データの確率楕円を教師データに使用した機器の運転データの確率楕円に一致させるアフィン変換行列を計算し、教師データに使用した機器以外の機器の運転データをアフィン変換行列により補正する。これにより、各機器が装備する部品の機械的な違いを補正するための情報がない場合でも、統計的な手法によりデータの違いを補正することができる。

【0137】

好ましくは、複数の異なる機器の運転データの特性を補正のために一致させる対象となる他の機器の運転データの特性は、仮想の運転データの特性であり、制御部１００１は、予測モデルの作成時に、機器（例えば、機器Ａ、機器Ｂ、・・・）の運転データの特性を、仮想の運転データの特性に近づけるように補正して、補正された運転データを教師データとして機械学習し、システム１の運用時に、運用時の機器（例えば、機器Ａ、機器Ｂ、・・・）の運転データの特性を、仮想の運転データの特性に近づけるように補正して、補正された運転データを予測モデルに入力する。これにより、複数の異なる機器（例えば、機器Ａ、機器Ｂ、・・・）の運転データを教師データとして使用した１つの予測モデルだけで、複数の異なる機器（例えば、機器Ａ、機器Ｂ、・・・）の制御または異常検知を行うことができる。

【0138】

好ましくは、制御部１００１は、運転データの機器が装備する部品の機械的な特徴に基づく運転データの特性を補正する。これにより、各機器が装備する部品の機械的な特徴の違いを補正することができる。

【0139】

好ましくは、制御部１００１は、運転データの統計的な特徴に基づく運転データの特性を補正する。これにより、統計的な特徴の違いを補正することができる。

【0140】

好ましくは、制御部１００１は、運転データを、最小値を０、最大値を１にスケーリングして変換する。これにより、データの最小値と最大値の範囲が明確な場合に、補正の精度を向上させることができる。

【0141】

好ましくは、制御部１００１は、運転データを、平均が０かつ分散が１にスケーリングしてＺスコアに変換する。これにより、データに大きい外れ値が存在する場合でも、補正の精度を向上させることができる。

【0142】

好ましくは、制御部１００１は、運転データを、ロバストＺスコアに変換する。これにより、データが非正規分布の場合でも、補正の精度を向上させることができる。

【0143】

好ましくは、制御部１００１は、補正された運転データを再補正し、再補正された運転データを予測モデルに入力する。これにより、補正の精度を向上させることができる。

【0144】

本開示の実施形態によれば、教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステム１の制御部１００１が実行する方法であって、予測モデルの作成時に機器の運転データを教師データとして使用する前と、システム１の運用時の機器の運転データを予測モデルへ入力する前に、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性と近づけるように補正するステップを含む方法を提供することができる。

【0145】

本開示の実施形態によれば、教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステム１の制御部１００１に、予測モデルの作成時に機器の運転データを教師データとして使用する前と、システム１の運用時の機器の運転データを予測モデルへ入力する前に、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性と近づけるように補正することを実行させるプログラムを提供することができる。

【0146】

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。

【符号の説明】

【0147】

１ 機器制御・異常検知システム
１０ 学習装置
２０ 予測装置
３０ 機器
１０１ 教師データ取得部
１０２ 補正部
１０３ 学習部
２０１ 運転データ取得部
２０２ 補正部
２０３ 予測部
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

【要約】

【課題】機器ごとの専用の予測モデルを作成せずに、複数の異なる機器の制御または異常検知を行う。
【解決手段】本開示の一実施形態であるシステムは、教師データを用いて学習した予測モデルを用いて複数の異なる機器の制御または異常検知を行うシステムであって、前記予測モデルの作成時に教師データとして使用される機器の運転データと、前記システムの運用時に前記予測モデルへの入力となる運用時の機器の運転データと、に対して、一部の機器または全部の機器の運転データの特性を、他の機器の運転データの特性に近づけるように補正する制御部を備える。
【選択図】図５

【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】

【図18】