JP7340747B2 - 制御方法、制御プログラムおよび空調制御装置 - Google Patents

Description

本発明は、制御方法、制御プログラムおよび空調制御装置に関する。

ユーザにとって快適な室温となるように、エアコンなどの空調機の制御を行うクラウドとエッジとを連携させた連携システムが利用されている。例えば、クラウドサーバが、空調制御対象である各エッジから収集した情報を用いて空調制御の内容を予測する予測モデルを学習して各エッジに配信する。そして、各エッジが、配信された予測モデルを用いて空調制御の内容を推論し、推論結果に応じた空調制御を実行する。

近年では、各エッジが、輻射センサで、特定のエリアの温度ムラを検知してから、温度ムラを解消するように、風向を制御することも行われている。また、現在の風向とその風向を向けていた時間を基に、ルールベースで温度ムラができそうかを判断する手法や、１つの空間の環境を既定の温度範囲内に維持するように制御し、環境センサに及ぼす影響を信頼度で予測する手法も知られている。

特開２０１８－７１８８５号公報 国際公開第２０１４／１７４８７１号 国際公開第２０１４／１８２９３４号

ところで、東向きの部屋と西向きの部屋では、温度ムラのできる時間帯が違うように、部屋によって、温度ムラのできる状況やエリアは変わる。また、季節変動や家具のレイアウト変更などによっても、温度ムラが発生するエリア等が変わる。

したがって、クラウド側から配信されたある時期のある部屋の学習データを用いて学習された予測モデルを使用し続けることは、予測精度の劣化を引き起こし、ユーザの不快な時間が発生しやすくなる。なお、定期的な再学習を必ず実施する方法も考えられるが、学習にかかる計算コストが膨大になり、良い予測モデルが精度の低い予測モデルに置き換わってしまう可能性もある。

一つの側面では、ユーザの快適性を向上させることができる制御方法、制御プログラムおよび空調制御装置を提供することを目的とする。

第１の案では、制御方法は、コンピュータが、複数エリアのエリア毎の学習済みモデルを取得する処理を実行する。制御方法は、コンピュータが、エリア毎の第一の輻射温を検出し、検出した前記エリア毎の第一の輻射温と前記学習済みモデルとに基づいて、前記複数エリアの中で温度ムラが予測されるエリアに対して吹出空気を送風する処理を実行する。制御方法は、コンピュータが、前記吹出空気を送風した後にエリアの第二の輻射温を検出し、前記第二の輻射温に基づき作成された温度ムラに関するラベルと、前記第二の輻射温とに基づいて、前記学習済みモデルの再学習を実行させる処理を実行する。

一実施形態によれば、ユーザの快適性を向上させることができる。

図１は、実施例１にかかるシステムの全体構成例を示す図である。 図２は、エッジ側のエリアを説明する図である。 図３は、空調制御の例を説明する図である。 図４は、実施例１にかかるシステムの機能構成を示す機能ブロック図である。 図５は、ログＤＢに記憶される情報の例を示す図である。 図６は、温度ムラの判定例を説明する図である。 図７は、学習データの生成例を説明する図である。 図８は、学習データの生成例を説明する図である。 図９Ａは、学習例を説明する図である。 図９Ｂは、学習例を説明する図である。 図１０は、再学習の判定例を説明する図である。 図１１は、エッジの空調制御例を説明する図である。 図１２は、学習処理の流れを示すフローチャートである。 図１３は、再学習処理の流れを示すフローチャートである。 図１４は、空調制御処理の流れを示すフローチャートである。 図１５は、比較例を説明する図である。 図１６は、再学習の判定の別例を説明する図である。 図１７は、ハードウェア構成例を示す図である。

以下に、本発明にかかる制御方法、制御プログラムおよび空調制御装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、各実施例は、矛盾のない範囲内で適宜組み合わせることができる。

［全体構成例］
図１は、実施例１にかかるシステムの全体構成例を示す図である。図１に示すように、このシステムは、空調制御装置の一例であるクラウドサーバ１０と、エッジに該当する各部屋の通信装置とがネットワークＮを介して相互に通信可能に接続される、クラウドサーバとエッジとを連携させた空調制御システムである。なお、ネットワークＮには、有線や無線を問わず、インターネットなどの各種通信網を採用することができる。

各部屋は、クラウドサーバ１０による制御対象であるエッジの一例である。例えば、部屋１は、室内に設置されて室内の空調制御を実行する空調機１ａを有する。部屋２は、室内に設置されて室内の空調制御を実行する空調機２ａ、無線ネットワークやＵＰｎＰ（Universal Plug and Play）などを用いて空調機２ａへの空調制御指示を送信する情報端末２ｂを有する。また、部屋３は、室内に設置されて室内の空調制御を実行する空調機３ａと、空調機３ａへの空調制御指示を送信するリモコン３ｂを有する。

また、図示しないが、各部屋には、外気温を測定するセンサ、室内の温度や湿度を測定するセンサなどが設置される。また、各種センサがセンシングしたセンサ値（観測値やログと記載する場合がある）は、各センサ等により、クラウドサーバ１０に送信することもできる。また、各空調機や各エッジ端末は、空調制御のオン／オフとその時刻とを対応付けた操作ログなどを収集して、クラウドサーバ１０に送信することもできる。なお、ここでは、部屋が３つの場合を示したが、あくまで例示であり、部屋数等を限定するものではない。

このような各部屋には、窓や、冷房器具や暖房器具などがあることから、冷房や暖房を行ったとしても部屋全体では温度ムラが発生する。なお、温度ムラとは、例えば部屋全体の室温が均一ではなく、不均一な状態の一例である。そこで、実施例１では、クラウドサーバ１０から各エッジに配信される予測モデルを用いて、エッジの各エリアにおける温度ムラの発生を予測し、温度ムラが発生しないように風向を制御する。

図２は、エッジ側のエリアを説明する図である。図２に示すように、各部屋は、左側（Ｌ：Ｌｅｆｔ）、中央側（Ｃ：Ｃｅｎｔｅｒ）、右側（Ｒ：Ｒｉｇｈｔ）に分けられる。また、空調機１ａは、エアコンなどの一例であり、輻射センサ８０とエッジ端末５０を有する。例えば、空調機１ａは、熱交換器、送風ファン、ドレンパン、フィルタ、風向きルーバー、吹き出し口などを有し、部屋内の空気を取り込んで、温めたもしくは冷やした空気を吹出空気として吹き出すことで、部屋の空調を制御する。なお、ここでは、一例として、部屋を３つの領域に分割する例で説明するが、２つ以上の領域であれば、任意に設定することができる。

輻射センサ８０は、空調機１ａの前面に設置され、各部屋の各エリア（Ｌ、Ｃ、Ｒ）の輻射温を測定する測定器である。輻射センサ８０は、測定した各エリアの輻射温をエッジ端末５０に送信したり、クラウドサーバ１０に送信したりする。このとき、どの部屋のどのエリアの輻射温かがわかるように、識別子等を付与して送信することもできる。

エッジ端末５０は、クラウドサーバ１０、輻射センサ８０、空調機１ａと通信可能なコンピュータの一例である。このエッジ端末５０は、クラウドサーバ１０から配信されたエリアごとの予測モデルを保持する。そして、エッジ端末５０は、各予測モデルを用いて、予測時間から所定時間後（例えば５分後）に、各エリアに温度ムラが発生するか否かを予測する。そして、エッジ端末５０は、温度ムラが発生すると予測されたエリアに冷房等が行われるように、空調機１ａの風向や風量などを制御する。

図３は、空調制御の例を説明する図である。図３に示すように、エッジ端末５０は、各エリアに対応する各予測モデルを用いて温度ムラの発生を予測する。そして、エッジ端末５０は、窓があるエリアＲについて温度ムラの発生が予測されると、エリアＲへの風量が大きくなるように、空調機１ａの風向きを制御する。このようにすることで、エッジ端末５０は、温度ムラの発生前に、空調制御を実行することができるので、温度ムラの発生を事前に抑制でき、ユーザの快適性を向上させることができる。

［機能構成］
図４は、実施例１にかかるシステムの機能構成を示す機能ブロック図である。ここでは、クラウドサーバ１０の機能とエッジ端末５０の機能とについて説明する。また、クラウドサーバ１０がエッジ端末５０に対して予測モデルの学習や配信等を行う例で説明するが、クラウドサーバ１０は他のエッジ端末に対しても同様の処理を実行する。

（クラウドサーバ１０の機能構成）
図４に示すように、クラウドサーバ１０は、通信部１１、記憶部１２、制御部２０を有する。通信部１１は、他の装置の間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部１１は、各エッジ端末から各種ログを受信し、各エッジ端末に各予測モデルを送信する。

記憶部１２は、データや制御部２０が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやプロセッサなどである。この記憶部１２は、ログＤＢ１３、学習データＤＢ１４、学習結果１５を記憶する。

ログＤＢ１３は、各エッジのエッジ端末や各地域の気温などの気象データを管理する気象サーバ（図示しない）から収集された、エッジの空調制御に関するログ情報を記憶するデータベースである。図５は、ログＤＢ１３に記憶される情報の例を示す図である。図５に示すように、ログＤＢ１３は、エッジごとに、「時刻、室温、外気温、エリアＬの輻射温、エリアＣの輻射温、エリアＲの輻射温」を対応付けて記憶する。

ここで記憶される「時刻」は、測定された時刻であり、「室温」は、エッジ（部屋）の温度である。「外気温」は、エッジの外の温度であり、気象サーバなどが収集することができる。「エリアＬの輻射温」は、エッジのエリアＬの輻射温であり、「エリアＣの輻射温」は、エッジのエリアＣの輻射温であり、「エリアＲの輻射温」は、エッジのエリアＲの輻射温である。なお、ここで示したログは、一例であり、例えば湿度などこれら以外の情報を収集することもできる。

学習データＤＢ１４は、各種予測モデルの学習に利用される学習データを記憶するデータベースである。ここで記憶される情報は、後述する前処理部２２等により生成されるので、詳細は後述する。

学習結果１５は、学習済みの予測モデルに関する情報である。例えば、学習結果１５は、学習済みの予測モデルが有する各種パラメータである。また、学習結果１５は、各種パラメータが設定された学習済みの予測モデルそのものであってもよい。

制御部２０は、クラウドサーバ１０全体を司る処理部であり、例えばプロセッサなどである。この制御部２０は、収集部２１、前処理部２２、学習部２３、再学習処理部２４を有する。なお、収集部２１、前処理部２２、学習部２３、再学習処理部２４は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例などである。

収集部２１は、各エッジ端末からログを収集する処理部である。例えば、収集部２１は、エッジＡのエッジ端末５０から上記輻射温などを収集するとともに、気象サーバから気温などの気象データを収集し、同時刻のデータをまとめたログ情報を生成して、ログＤＢ１３に格納する。なお、収集するタイミングは、予め定めたタイミングでもよく、定期的に実行してもよく、任意に設定することができる。また、収集部２１は、予測モデルの学習が完了した後や予測モデルが各エッジに配信された後も、ログ等を収集する。

前処理部２２は、予測モデルの学習の前に、学習データの生成などの前処理を実行する処理部である。具体的には、前処理部２２は、ログＤＢ１３を参照して温度ムラの発生状況を検出し、温度ムラの発生状況を用いて学習データを生成し、学習データの正規化を実行する。

（温度ムラ判定）
前処理部２２は、各エリアの輻射温の相対関係に基づき、各エリアの温度ムラの発生を判定することができる。図６は、温度ムラの判定例を説明する図である。図６には、エッジＡのログ情報が図示されている。図６に示すように、前処理部２２は、時刻ｔ０ではエリアＬの輻射温が他のエリアの輻射温よりも閾値（例えば２度）以上離れているので、エリアＬに温度ムラが発生と判定する。また、前処理部２２は、時刻ｔ１では各エリアの輻射温の差が閾値（例えば２度）未満なので、温度ムラが未発生と判定する。また、前処理部２２は、時刻ｔ２ではエリアＲの輻射温が他のエリアの輻射温よりも閾値（例えば２度）以上離れているので、エリアＲに温度ムラが発生と判定する。なお、前処理部２２は、温度ムラの発生結果を記憶部１２等に格納することもできる。

（学習データの生成）
続いて、前処理部２２は、温度ムラの判定結果とログとを用いて、エリアごとの予測モデルの学習に用いる学習データを生成して、学習データＤＢ１４に格納する。具体的には、前処理部２２は、図５に示す各ログに、そのログの収集時刻より所定時間経過後（例えば５分後）に温度ムラが発生したか否かを示すラベルを設定し、各ログを特徴ベクトル（説明変数）、ラベルを目的変数とする学習データを生成する。

図７と図８は、学習データの生成例を説明する図である。図７では、エリアＬ向けの学習データの生成を説明し、図８では、エリアＲ向けの学習データの生成を説明するが、エリアＣについても同様に処理することができる。

図７に示すように、前処理部２２は、１つの特徴ベクトル（ログ）に対して、そのログの時刻の５分後にエリアＬに温度ムラが発生していた場合には、そのログに対してラベル「１」を設定する。一方、前処理部２２は、５分後にエリアＬに温度ムラが発生していない場合には、そのログに対してラベル「０」を設定する。このようにして、前処理部２２は、ログＤＢ１３に記憶されるログに対して、エリアＬの温度ムラ発生状況によりラベルを付与して、エリアＬ向けの学習データを生成する。

その後、前処理部２２は、エリアＬ向けの学習データを正規化して学習データＤＢ１４に格納する。例えば、前処理部２２は、学習データの各列の平均μ、標準偏差σを用いて、各学習データの数値ｘ_ｉを（（ｘ_ｉ－μ）／σ）で正規化する。例えば、エリアＬの輻射温を例にして説明すると、前処理部２２は、エリアＬの輻射温「１２、１５、１６、・・・、１５」の平均μと標準偏差σとを算出する。そして、前処理部２２は、エリアＬの輻射温「１２、１５、１６、・・・、１５」を「（（１２－μ）／σ）、（（１５－μ）／σ）、・・・」と正規化する。

また、図８に示すように、前処理部２２は、１つの特徴ベクトル（ログ）に対して、そのログの時刻の５分後にエリアＲに温度ムラが発生していた場合には、ラベル「１」を設定し、５分後にエリアＲに温度ムラが発生していない場合には、ラベル「０」を設定する。このようにして、前処理部２２は、ログＤＢ１３に記憶されるログに対して、エリアＲの温度ムラ発生状況によりラベルを付与して、エリアＲ向けの学習データを生成する。その後、前処理部２２は、上記処理と同様の正規化を行って、学習データＤＢ１４に格納する。

なお、各エッジに対して、全エッジから収集されたログを用いて学習データを生成することもできる。また、各エッジの特徴に応じてクラスタリングし、同じクラスタに属するエッジのログを用いて学習データを生成することもできる。

図４に戻り、学習部２３は、各エッジのエリアごとに、予測モデルを学習する処理部である。具体的には、学習部２３は、エッジ端末５０の空調制御対象である部屋１のエリアＬ向けの学習データを学習データＤＢ１４から読み出して、エリアＬ向けの予測モデルを学習する。また、学習部２３は、エリアＣ向けの学習データを学習データＤＢ１４から読み出して、エリアＣ向けの予測モデルを学習し、エリアＲ向けの学習データを学習データＤＢ１４から読み出して、エリアＲ向けの予測モデルを学習する。

ここで、学習部２３は、一例として、ロジスティック回帰やニューラルネットワークを用いて各予測モデルを学習する。例えば、学習部２３は、式（１）に示す線形回帰の式を、式（２）に示すシグモイド関数に入力し、式（２）で得られる値をロジスティック回帰モデルとして取得する。ここで、式（１）におけるＸに説明変数が入力され、ｙが目的変数、ｗは重みであり、ｂは予め指定された定数である。

ｙ＝ｗＸ＋ｂ・・・式（１）
ｚ＝１／（１＋ｅ^－ｙ）・・・式（２）

図７の例では、学習部２３は、特徴ベクトルを式（１）のＸに入力し、ラベルをｙに入力して、ロジスティック回帰を適用したエリアＬ向けの予測モデルＬを学習する。この結果、図９Ａに示すように、温度ムラありと温度ムラなしを分類する線形モデルを学習することができる。なお、図９Ａは、学習例を説明する図である。図９Ａでは、説明を簡単にするために、一例として、エリアＬの輻射温と外気温との２次元の関係性を示したが、あくまで一例である。

別手法としては、学習部２３は、ニューラルネットワークを用いて各予測モデルＲを学習することもできる。例えば、図８の例では、学習部２３は、先頭レコードの特徴ベクトルと教師ラベル「０（温度ムラなし）」を取得し、特徴ベクトルをニューラルネットワークに入力する。続いて、学習部２３は、ニューラルネットワークの出力結果として、５分後にエリアＲに温度ムラが発生する確率（尤度）と発生しない確率とを取得する。そして、学習部２３は、教師ラベル「０（温度ムラなし）」の確率が大きくなるように、誤差逆伝搬法などを用いてニューラルネットワークを学習する。このような手法により、学習部２３は、各学習データを用いてニューラルネットワークを学習することで、図９Ｂに示すように、温度ムラありと温度ムラなしを分類する非線形モデルを学習することができる。なお、図９Ｂは、学習例を説明する図である。図９Ｂでは、説明を簡単にするために、一例として、エリアＲの輻射温と外気温との２次元の関係性を示したが、あくまで一例である。

このようにして、学習部２３は、各エッジ端末に対して、エリアＬ向けの予測モデルＬ、エリアＣ向けの予測モデルＣ、エリアＲ向けの予測モデルＲを学習する。そして、学習部２３は、学習が完了すると、学習結果１５を記憶部１２に格納する。なお、学習を終了するタイミングは、すべての学習データを用いた学習が完了した時点、所定数以上の学習データを用いた学習が完了した時点や復元誤差が閾値未満となった時点など、任意に設定することができる。

そして、学習部２３は、学習結果を各エッジ端末に配信する。例えば、学習部２３は、エッジ端末５０に対して、エリアＬ向けに学習された予測モデルＬのパラメータ、エリアＣ向けに学習された予測モデルＣのパラメータ、エリアＲ向けに学習された予測モデルＲのパラメータを、学習結果１５から取得して配信する。なお、学習部２３は、正規化に関するスケール情報などもあわせて送信することもできる。

図４に戻り、再学習処理部２４は、判定部２５と再学習部２６を有し、予測モデル配信後にも関わらず、温度ムラが発生しているエリアを特定し、そのエリアに対応する予測モデルの再学習を実行する処理部である。

判定部２５は、予測モデルの配信後に、温度ムラが発生しているエリアか否かを判定する処理部である。具体的には、判定部２５は、エッジ端末５０から収集されたログのうち、予測モデルの配信後のログをログＤＢ１３から取得し、図６の手法を用いて各エリアにおける温度ムラの発生回数を計数することにより、温度ムラが発生しているエリアを判定する。すなわち、判定部２５は、温度ムラが発生すると予測されたエリアに対して空調制御が行われた後の状態から、温度ムラが発生しているか否かを判定する。

図１０は、再学習の判定例を説明する図である。図１０に示すように、判定部２５は、予測モデル配信後の温度ムラ発生状況として、エリアＬでは５回、エリアＣでは０回、エリアＲでは２回を検出する。そして、判定部２５は、エリアＬの発生回数（５回）が閾値（例えば３回）以上であることから、予測モデルＬの信頼性が低下していると判定し、エリアＬの予測モデルＬの再学習を再学習部２６に要求する。なお、エリアＣとエリアＲは、現状の予測モデルで信頼性の高い結果を得られているので、再学習は行われない。このように、判定部２５は、エリアごとに再学習の要否を判定する。

再学習部２６は、配信された各エリアの予測モデルのうち、信頼性が低下した予測モデルの再学習を実行する処理部である。具体的には、再学習部２６は、判定部２５から通知されたエリアの予測モデルに対してのみ再学習を実行し、再学習の結果を学習結果１５として記憶部１２に格納する。すなわち、再学習部２６は、配信済みの予測モデルによる予測結果に応じて、温度ムラが発生しないように空調制御された結果のログを用いて予測モデルの更新を実行する。そして、再学習部２６は、再学習結果をエッジ端末に配信する。

上記例で説明すると、再学習部２６は、信頼性が低下している予測モデルＬを学習するために、図７や図８で説明した手法により、予測モデルＬ向けの学習データを生成する。このとき、全てのログから学習データを生成することもでき、前回の予測モデル配信後に収集されたログから学習データを生成することもできる。そして、再学習部２６は、予測モデルＬの再学習が完了すると、再学習された予測モデルＬのパラメータをエッジ端末５０に配信する。なお、再学習の手法は、学習部２３と同様の手法を用いることができる。

（エッジ端末５０の機能構成）
図４に示すように、エッジ端末５０は、通信部５１、記憶部５２、制御部６０を有する。通信部５１は、他の装置の間の通信を制御する処理部であり、例えば通信インタフェースなどである。例えば、通信部５１は、クラウドサーバ１０に各種ログを送信し、クラウドサーバ１０から学習結果を受信する。

記憶部５２は、データや制御部６０が実行するプログラムなどを記憶する記憶装置の一例であり、例えばメモリやプロセッサなどである。この記憶部５２は、観測結果ＤＢ５３、学習結果５４を記憶する。なお、記憶部５２は、温度ムラの発生結果や予測結果を記憶することもできる。

観測結果ＤＢ５３は、空調機１ａの空調制御に関する情報や空調制御対象の部屋に関する情報を記憶するデータベースである。例えば、観測結果ＤＢ５３は、観測時刻に対応付けて、室温や各エリアの輻射温などを記憶する。

学習結果５４は、学習済みの予測モデルに関する情報である。例えば、学習結果５４は、クラウドサーバ１０から配信された学習済みの予測モデルが有する各種パラメータなどであり、クラウドサーバ１０の学習結果１５と同様の情報が記憶される。

制御部６０は、エッジ端末５０全体を司る処理部であり、例えばプロセッサなどである。この制御部６０は、観測部６１、取得部６２、予測部６３、空調制御部６４を有する。なお、観測部６１、取得部６２、予測部６３、空調制御部６４は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例などである。

観測部６１は、部屋の室温や輻射温などを観測する処理部である。例えば、観測部６１は、エッジ端末５０を搭載するまたはエッジ端末５０と無線通信が可能な空調機１ａが有する輻射センサから、部屋の各エリアの輻射温を取得する。また、観測部６１は、空調機１ａが有する温度センサから室温を取得し、外部の気象サーバや室外機などから部屋の外の温度（外気温）を取得する。観測部６１は、このようにして取得された観測値をログとして観測結果ＤＢ５３に格納する。また、観測部６１は、観測結果ＤＢ５３に含まれるログ（観測値）をクラウドサーバ１０に送信する。

取得部６２は、クラウドサーバ１０から学習済みの予測モデルに関する情報を取得する処理部である。例えば、取得部６２は、各エリア向けの予測モデルを構築するための各種パラメータをクラウドサーバ１０から取得して、学習結果５４に格納する。

予測部６３は、クラウドサーバ１０により学習されたエリアごとの予測モデルを用いて温度ムラの発生を事前に予測する処理部である。例えば、予測部６３は、学習結果５４から、エリアＬ向けに学習された予測モデルＬのパラメータ、エリアＣ向けに学習された予測モデルＣのパラメータ、エリアＲ向けに学習された予測モデルＲのパラメータを読み出し、予測モデルＬ、予測モデルＣ、予測モデルＲを構築する。

そして、予測部６３は、学習データの同様の項目である現時点の観測値「室温、外気温、各エリアの輻射温」を観測結果ＤＢ５３から取得し、予測モデルＬ、予測モデルＣ、予測モデルＲに入力する。その後、予測部６３は、各予測モデルの出力結果に基づいて、温度ムラの発生を予測する。つまり、予測部６３は、クラウドサーバ１０によって再学習された予測モデルが学習結果５４に格納されている場合には、再学習後の予測モデルを用いた予測を実行する。

空調制御部６４は、予測部６３の予測結果に応じた空調制御を実行する処理部である。例えば、空調制御部６４は、空調機１ａの風向きを、５分後に温度ムラが発生すると予測されたエリアに変更して、冷房等が集中的に行われるように、空調機１ａの吹出空気を送風する。一例を挙げると、空調制御部６４は、窓側のエリアＲに５分後に温度ムラが発生すると予測された場合、エリアＲに風向きを変えたり、エリアＲへの風量を強くするなどして、温度ムラの発生を事前に抑制する。

図１１は、エッジの空調制御例を説明する図である。図１１に示すように、予測部６３は、部屋の観測値から特徴ベクトルを生成して、予測モデルＬ、予測モデルＣ、予測モデルＲのそれぞれに入力する。そして、予測部６３は、各予測モデルから、ｘ（例えば５）分後の温度ムラ有りの割合（確率）を取得する。ここでは、予測モデルＬからは、「０．９（９０％）」、予測モデルＣからは、「０．１（１０％）」、予測モデルＲからは、「０．５（５０％）」が出力されたとする。

この場合、予測部６３は、確率が閾値（例えば７０％）以上である予測モデルＬを特定し、エリアＬに温度ムラが発生する確率が高いと判定する。この結果、空調制御部６４は、エリアＬに対して空調制御を実行する。なお、ここでは、１つのエリアに温度ムラの発生が予測された例で説明したが、複数のエリアに温度ムラが同時に予測されることもある。その場合、予測部６３は、予測された各エリアへの風量を強くするなどして、温度ムラの発生を事前に抑制する。

［処理の流れ］
次に、上述したシステムで実行される学習処理、再学習処理、空調制御処理のそれぞれについて説明する。なお、ここで説明する学習処理および再学習処理は、クラウドサーバ１０がエッジごとに実行し、空調制御処理は、各エッジで実行される。

（学習処理）
図１２は、学習処理の流れを示すフローチャートである。図１２に示すように、学習開始が管理者等により指示されると（Ｓ１０１：Ｙｅｓ）、前処理部２２は、各エリア向けの学習データを生成し（Ｓ１０２）、各エリア向けの学習データを正規化する（Ｓ１０３）。

続いて、学習部２３は、各エリア向けの予測モデルの学習を実行し（Ｓ１０４）、学習が完了すると、エッジ端末５０に各エリアの予測モデルを配信する（Ｓ１０５）。このとき、学習部２３は、正規化に関するスケール情報を送信することもできる。

（再学習処理）
図１３は、再学習処理の流れを示すフローチャートである。図１３に示すように、再学習処理部２４は、予測モデルの配信後も各エッジ端末からログを収集し（Ｓ２０１）、再学習の判定タイミングに到達すると（Ｓ２０２：Ｙｅｓ）、収集されたログを参照して、温度ムラを検出する（Ｓ２０３）。

そして、再学習処理部２４は、温度ムラの発生回数が閾値以上であるエリアが存在しない場合（Ｓ２０４：Ｎｏ）、予測モデルの再学習を抑制し、Ｓ２０１以降を繰り返す。

一方、再学習処理部２４は、温度ムラの発生回数が閾値以上であるエリアが存在する場合（Ｓ２０４：Ｙｅｓ）、該当エリア向けの学習データを生成する（Ｓ２０５）。このとき、再学習処理部２４は、スケール情報を用いて、学習データの正規化を行う。

その後、再学習処理部２４は、該当エリア向けの学習データを用いて、該当エリア向けの予測モデルのみを再学習し、再学習後の予測モデルをエッジ端末５０に配信する（Ｓ２０６）。

（空調制御処理）
図１４は、空調制御処理の流れを示すフローチャートである。図１４に示すように、エッジ端末５０の予測部６３は、空調機１ａに対して、予測モデルを用いた予測を行う設定になっているか否かを判定する（Ｓ３０１）。

ここで、予測部６３は、予測モデルを用いた予測を行う設定になっている場合（Ｓ３０１：Ｙｅｓ）、予測用のデータを生成し（Ｓ３０２）、学習時と同様のスケール情報を用いて予測用のデータを正規化する（Ｓ３０３）。

そして、予測部６３は、予測用のデータと各エリアの予測モデルを用いて、各エリアにおける温度ムラの発生を予測する（Ｓ３０４）。また、Ｓ３０１において、空調制御部６４は、予測モデルを用いた予測を行う設定になっていない場合（Ｓ３０１：Ｎｏ）、一般的に利用される予め定めた空調制御のルールにしたがって、温度ムラの発生の検出を行う（Ｓ３０５）。

ここで、温度ムラが発生するエリアが予測された場合（Ｓ３０６：Ｙｅｓ）、空調制御部６４は、該当エリアに温度ムラが発生しないように、空調制御を実行する（Ｓ３０７）。また、空調制御部６４は、一般的なルールベースにより温度ムラの発生が検出されると、温度ムラを解消するように、空調制御を実行する。

［効果］
上述したように、クラウドサーバ１０は、機械学習により、温度ムラの発生を予測する予測モデルを生成し、予測モデル適用中の温度ムラの発生頻度から、予測モデルを更新すべきか判断し、再学習を実行する。この結果、予測精度が低下した予測モデルを検出し、自動で再学習を実行してエッジ側に配信することができるので、同じ予測モデルを使い続ける場合に比べて、温度ムラの発生を抑制することができる。したがって、クラウドサーバ１０は、ユーザの快適性を向上させることができ、ユーザにとって快適な空間の創出することができる。

また、エッジ端末５０は、温度ムラが発生する前に、温度ムラが発生しそうなエリアに空調制御を実行することができるので、温度ムラの発生を抑制することができる。また、予測精度が低下した場合に再学習を実行するので、温度ムラ予測のモデルの再学習にかかる計算量を削減することができる。

ここで、一般的な温度ムラ検出技術と実施例１にかかる温度ムラ予測との比較例を説明する。図１５は、比較例を説明する図である。図１５の（ａ）に示すように、一般技術では、１つの空間の室温を制御しているので、外部環境から影響を受けるエリアの一例である窓があるエリアは、窓から熱が放射されると、窓側が暑くなる（寒くなる）が、窓から離れた壁側は寒くなってしまい（暑くなる）、空間の中で温度ムラが発生してしまう。一方で、図１５の（ｂ）に示すように、実施例１にかかる技術では、温度ムラができる（暑くなる／寒くなる）と予測されるエリアに、吹出空気を当てることにより、温度ムラの発生を抑制することができる。なお、外部環境から影響を受けるエリアの一例としては、窓以外にも、人が集まるソファなども該当する。

さて、これまで本発明の実施例について説明したが、本発明は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。

［再学習の判定］
上記実施例では、一定期間のうち、温度ムラ有りの回数をエリア毎にカウントすることで、再学習対象の予測モデルを判定する例を説明したが、これに限定されるものではない。例えば、運転開始直後のように解消することが難しい温度ムラを除外してカウントすることで、再学習の判定精度を向上させることができる。

図１６は、再学習の判定の別例を説明する図である。図１６に示すように、クラウドサーバ１０は、温度ムラが検出された時刻のうち、運転開始後ＸＸ分以降（例えば６０分）の温度ムラをカウント対象とし、それ以前の温度ムラをカウント対象外とする。このようにすることで、予測モデルの予測精度の低下の判定精度を向上させることができ、無用な再学習を抑制することができる。なお、再学習の判定は、例えば１週間おきなどのように、予め定めた間隔で実行される。温度ムラの定義としては、例えば、あるエリアの輻射温が他のエリアの輻射温よりｘ度以上高く、上記がｙ分間継続するなどと定義できる。なお、ｘやｙは任意の数値である。

［対象空間］
上記実施例では、会社などの部屋を一例として説明したが、これに限定されるものではない。例えば、電車や車などの車内、マシンルーム、飛行機の機内など様々な空間を対象とすることができる。

［学習データ等］
上記実施例で用いたデータ例、数値例、表示例等は、あくまで一例であり、任意に変更することができる。また、特徴ベクトルや観測データも一例であり、風向版の向きなど観測可能な他の情報を用いることもできる。上記実施例では、学習モデルとして、ロジスティック回帰モデルやニューラルネットワークを用いた例を説明したが、これに限定されるものではなく、サポートベクターマシンなど他の機械学習を採用することもできる。

［特徴ベクトル］
予測モデルの学習に利用する特徴ベクトルも任意に設定することができる。例えば、原時点から１５分前の観測データ、１０分前の観測データ、５分前の観測データを１つの特徴ベクトルとして学習することもできる。また、上記実施例では、各エリアの予測モデルを学習する際に、全エリアの輻射温を含む特徴ベクトルを用いる例を説明したが、これに限定されるものではなく、例えば予測対象のエリアの輻射温だけを特徴ベクトルとすることもでき、予測対象のエリアの輻射温に重みを乗算した特徴ベクトルを用いることもできる。

［数値］
上記実施例で説明したセンサ値の項目、数値、装置の台数、エッジ数などは、図示したものに限定されず、一般的なセンサなどで収集可能な情報を用いることができる。また、温度ムラの発生予測も、１０分後に発生するか否かのように、任意に変更することができる。その場合、センサ値などの収集単位も任意の時間に変更する。

［システム］
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。なお、温度ムラの発生検出や再学習の要求などは、エッジ端末５０側で実行することもできる。

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［ハードウェア］
次に、クラウドサーバ１０やエッジ端末５０のハードウェア構成例を説明する。クラウドサーバ１０やエッジ端末５０は、同様のハードウェア構成を有するので、ここでは、コンピュータ１００として説明する。

ここでは、図１７は、ハードウェア構成例を示す図である。図１７に示すように、コンピュータ１００は、通信装置１００ａ、ＨＤＤ（Hard Disk Drive）１００ｂ、メモリ１００ｃ、プロセッサ１００ｄを有する。また、図１７に示した各部は、バス等で相互に接続される。

通信装置１００ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１００ｂは、図４に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１００ｄは、図４に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１００ｂ等から読み出してメモリ１００ｃに展開することで、図４等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、コンピュータ１００が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１００ｄは、収集部２１、前処理部２２、学習部２３、再学習処理部２４等と同様の機能を有するプログラムをＨＤＤ１００ｂ等から読み出す。そして、プロセッサ１００ｄは、収集部２１、前処理部２２、学習部２３、再学習処理部２４等と同様の処理を実行するプロセスを実行する。

このように、コンピュータ１００は、プログラムを読み出して実行することで制御方法を実行する情報処理装置として動作する。また、コンピュータ１００は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施例と同様の機能を実現することもできる。なお、この他の実施例でいうプログラムは、コンピュータ１００によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

１０ クラウドサーバ
１１ 通信部
１２ 記憶部
１３ ログＤＢ
１４ 学習データＤＢ
１５ 学習結果
２０ 制御部
２１ 収集部
２２ 前処理部
２３ 学習部
２４ 再学習処理部
２５ 判定部
２６ 再学習部

Claims (12)

1. コンピュータが、
   複数エリアのエリア毎の学習済みモデルを取得し、
   エリア毎の第一の輻射温を検出し、
   検出した前記エリア毎の第一の輻射温と前記学習済みモデルとに基づいて、前記複数エリアの中で温度ムラが予測されるエリアに対して吹出空気を送風し、
   前記吹出空気を送風した後にエリアの第二の輻射温を検出し、
   前記第二の輻射温に基づき作成された温度ムラに関するラベルと、前記第二の輻射温とに基づいて、前記学習済みモデルの再学習を実行させる
   処理を実行することを特徴とする制御方法。
2. 前記検出する処理は、前記吹出空気を送風した後にエリア毎の第二の輻射温を検出し、
   前記実行させる処理は、検出した前記第二の輻射温の相対関係に基づき生成された温度ムラに関するラベルと、前記第二の輻射温とに基づいて、前記学習済みモデルの再学習を実行させることを特徴とする請求項１に記載の制御方法。
3. 前記エリア毎の第二の輻射温の相対関係と、空気機の設定された条件とに基づいて、解消可能な温度ムラの回数を計数する処理を前記コンピュータが実行し、
   前記実行させる処理は、計数された回数が予め設定された閾値以上である場合に、検出した前記第二の輻射温の相対関係に基づき生成された温度ムラに関するラベルと、前記第二の輻射温とに基づいて、前記学習済みモデルの再学習を実行させることを特徴とする請求項１に記載の制御方法。
4. 前記複数エリアのエリア毎の第一の輻射温と前記学習済みモデルとに基づいて、前記エリア毎の温度ムラの発生確率を算出し、
   前記エリア毎の温度ムラの発生確率のうち、前記温度ムラの発生確率が最大であるエリアに吹出空気が送風されるように風向板の向きを回動させた後に、前記エリア毎の第二の輻射温を検出し、
   ある一定期間にて、前記エリア毎の第二の輻射温の相対関係に基づいてエリア毎に温度ムラが発生しているか否かを判定し、
   前記温度ムラが発生していると判定されたときに、前記エリア毎の温度ムラの回数を計数する、処理を前記コンピュータが実行し、
   前記実行させる処理は、前記エリア毎の温度ムラの回数が予め設定された閾値以上のエリアに対し、前記第二の輻射温の相対関係に基づき作成された温度ムラに関するラベルと、前記第二の輻射温とを対応付けて、前記学習済みモデルの再学習を実行させることを特徴とする請求項１に記載の制御方法。
5. 算出したエリア毎の温度ムラの発生確率のうち、前記温度ムラの発生確率が最大であるエリアを外部環境から影響を受けるエリアとして記憶部に記憶し、
   前記記憶部に記憶された外部環境から影響を受けるエリアに吹出空気が送風されるように風向板の向きを回動させた後に、前記エリア毎の第二の輻射温を検出し、
   ある一定期間にて、前記エリア毎の第二の輻射温の相対関係に基づいて前記エリア毎に前記温度ムラが発生しているか否かを判定し、
   前記温度ムラが発生していると判定されたときに、前記エリア毎の温度ムラの回数が予め設定された閾値以上のエリアを外部環境から影響を受けるエリアとして特定する、処理を前記コンピュータが実行し、
   前記実行させる処理は、特定された前記外部環境から影響を受けるエリアに対し、検出した前記第二の輻射温の相対関係に基づき作成された温度ムラに関するラベルと、前記第二の輻射温とを対応付けて、前記学習済みモデルの再学習を実行させることを特徴とする請求項１に記載の制御方法。
6. 前記エリア毎の各温度ムラに対し、空気機の運転時間が予め設定された時間を経過しているときの温度ムラか否かを判定する処理を前記コンピュータが実行し、
   前記実行させる処理は、前記予め設定された時間を経過しているときの温度ムラであると判定されたときであって、前記温度ムラの回数が予め設定された閾値以上であるときに、前記エリア毎の温度ムラの回数が予め設定された閾値以上のエリアに対し、検出した前記第二の輻射温の相対関係に基づき作成された温度ムラに関するラベルと、前記第二の輻射温とを対応付けて、前記学習済みモデルの再学習を実行させることを特徴とする請求項１に記載の制御方法。
7. 前記実行させる処理は、前記第二の輻射温、室温、外気温および気象データを説明変数とし、第二の輻射温の相対関係に基づき作成された温度ムラを目的変数として、前記学習済みモデルの再学習を実行させることを特徴とする請求項１に記載の制御方法。
8. 外部環境に影響を受けるエリアに対して、温度ムラが発生していることを示すラベルを対応づけ、
   前記温度ムラが発生していることを示すラベルと前記第二の輻射温とに基づいて、前記外部環境に影響を受けるエリアに関する学習済みモデルを生成し、
   生成した前記学習済みモデルで、生成した外部環境に影響を受けるエリアに関する既存の学習済みモデルを更新する、処理を前記コンピュータが実行することを特徴とする請求項１に記載の制御方法。
9. 前記第二の輻射温と前記第二の輻射温の相対関係に基づき作成された温度ムラとに基づいて、ロジスティクス回帰に関するクラス分類、または、ニューラルネットワークを用いた学習を実行し、
   実行された学習に基づいて、前記学習済みモデルを生成する、処理を前記コンピュータが実行することを特徴とする請求項１に記載の制御方法。
10. 外部環境に影響を受けるエリアは、室内空間を区分した複数のエリアの中で窓を有するエリアであることを特徴とする請求項５に記載の制御方法。
11. コンピュータに、
    複数エリアのエリア毎の学習済みモデルを取得し、
    エリア毎の第一の輻射温を検出し、
    検出した前記エリア毎の第一の輻射温と前記学習済みモデルとに基づいて、前記複数エリアの中で温度ムラが予測されるエリアに対して吹出空気を送風し、
    前記吹出空気を送風した後にエリアの第二の輻射温を検出し、
    前記第二の輻射温に基づき作成された温度ムラに関するラベルと、前記第二の輻射温とに基づいて、前記学習済みモデルの再学習を実行させる
    処理を実行させることを特徴とする制御プログラム。
12. 空調制御対象の複数の空間それぞれについて、空間内を分割したエリアごとに時刻の入力に応じて所定時間後に温度ムラが発生するか否かを予測する各学習モデルを学習して、前記複数の空間それぞれに設置された各エッジ端末に、学習済みの前記各学習モデルを配信する学習部と、
    前記各エッジ端末から、前記エリアごとの輻射温を取得する取得部と、
    前記複数の空間それぞれについて、前記エリアごとの輻射温の相対関係に基づき、温度ムラが発生しているエリアを検出する検出部と、
    前記温度ムラが発生しているエリアに対応する前記学習モデルの再学習を実行して、前記各エッジ端末のうち前記温度ムラが発生しているエリアを含む空間に設置されるエッジ端末に、再学習後の学習モデルを配信する再学習部と
    を有することを特徴とする空調制御装置。

Images