机器设备的控制系统的制作方法

1.利用相似性高的通用已学习模型的机器设备的控制系统。


背景技术：

2.提出了在空调装置的控制中引入机器学习的建议。在专利文献1(日本特许第2978374号公报)中，根据红外线图像，分别利用不同的神经网络对人的位置和姿态进行学习，由此能够进行准确的位置检测。


技术实现要素：

3.发明要解决的课题
4.以往，在使用红外线图像的空调装置的控制中引入机器学习的情况下，存在以下课题。在从头学习学习模型的情况下，学习过于消耗成本。另一方面，在利用已学习模型的情况下，已经学习完成，因此，追加的信息没有灵活性。
5.用于解决课题的手段
6.第1观点的机器设备的控制系统具有机器设备的控制部和存储部。存储部存储对机器设备进行控制的多个已学习通用模型。控制部从多个已学习通用模型中选择在机器设备的控制中利用的一个模型。
7.第1观点的机器设备的控制系统利用从多个已学习通用模型中选择出的已学习模型进行机器设备的控制，因此，能够高效地进行机器设备的控制。
8.第2观点的机器设备的控制系统在第1观点的系统中，机器设备包含从空调装置、换气装置、冷冻装置、调湿装置和热水器的组中选择的至少一个设备。
9.第3观点的机器设备的控制系统在第1观点或第2观点的系统中，控制部根据机器设备的机型、周围的环境或机器设备的利用状况来选择一个模型。
10.第3观点的机器设备的控制系统在从多个已学习模型中选择要应用的模型时，能够选择适合于根据环境的相似性进行判断的已学习模型。
11.第4观点的机器设备的控制系统在第1观点～第3观点中的任意一个观点的系统中，控制部利用选择出的模型，进一步进行追加的学习。
12.第4观点的机器设备的控制系统通过进行追加的学习，进而，能够高效地进行机器设备的控制。
13.第5观点的机器设备的控制系统在第4观点的系统中，控制部使追加的学习的结果反映于选择出的通用模型，将反映后的通用模型存储于存储部。
14.第5观点的机器设备的控制系统对通用模型进行更新，因此，在其他环境下的另一机器设备的控制中，也能够利用该设备中的学习结果。
15.第6观点的机器设备的控制系统在第1观点～第5观点中的任意一个观点的系统中，在机器设备的控制中利用的一个模型的输入中包含有图像。
16.关于图像，即使不使用大量传感器，利用一台摄像装置也得到大量数据，因此，适
合于学习模型的输入。
17.第7观点的机器设备的控制系统在第6观点的系统中，控制部在进行了图像的预处理后，将进行了预处理的图像作为输入，利用选择出的一个模型进行学习。
18.第7观点的机器设备的控制系统通过对预处理进行分离，能够减少学习所需要的数据。
19.第8观点的机器设备的控制系统在第7观点的系统中，图像的预处理是以个人信息保护为目的的处理、以所述预处理后的学习的高速化为目的的处理、或以双方为目的的处理中的任意一方。
20.第8观点的机器设备的控制系统通过图像的预处理，能够实现个人信息保护。此外，通过预处理，能够实现学习的高速化。
21.第9观点的机器设备的控制系统具有配置于建筑物的机器设备和服务器。服务器经由网络而与机器设备连接。服务器具有第1控制部和存储部。机器设备具有主体和第2控制部。第1控制部使存储部存储对机器设备进行控制的多个已学习通用模型。第1控制部或第2控制部从多个已学习通用模型中选择在机器设备的控制中利用的一个模型。
22.第9观点的机器设备的控制系统利用从多个已学习通用模型中选择出的已学习模型进行机器设备的控制，因此，能够高效地进行机器设备的控制。
23.第10观点的机器设备的控制系统在第9观点的系统中，第2控制部取得环境信息，进行所述环境信息的预处理，第1控制部或第2控制部将预处理后的环境信息作为至少一个输入，使用选择出的模型进行机器设备的控制。
24.第10观点的机器设备的控制系统利用第2控制部进行环境信息的预处理，因此，能够减少服务器与机器设备之间的通信量。
附图说明
25.图1是第1实施方式的控制系统1的整体结构图。
26.图2是第1实施方式的机器设备的控制方法的流程图。
具体实施方式
27.<第1实施方式>
28.(1)机器设备的控制系统
29.图1示出第1实施方式的机器设备的控制系统1。本实施方式的机器设备的控制系统1具有多个机器设备20、以及经由网络15而与机器设备20连接的服务器10。
30.机器设备20配置于建筑物。建筑物可以是各种建筑物。例如可以是大厦，也可以是独立住宅。建筑物可以是办公室、学校、商业设施等，也可以是集体住宅、独立住宅等。
31.机器设备20是空调装置、换气装置、冷冻装置、调湿装置或热水器等。
32.在本实施方式中，机器设备20是空调装置20a、20b、20c。空调装置通常具有室内单元和室外单元。在本说明书中，有时将室内单元或室外单元中的某一方简称为空调装置。在本实施方式中，空调装置20a表示室内单元。空调装置20a具有第2控制部21、空调部22和图像取得部23。第2控制部具有处理器和存储部。第2控制部21对空调部22和图像取得部23进行控制。空调部22也可以说是空调装置20a的主体。空调部22包含壳体、风扇和利用侧热交
换器。图像取得部23是红外线照相机。本实施方式的图像取得部取得室内的壁面、地面的热图像。
33.(2)关于机器学习
34.在本实施方式中，通过进行机器学习，进行机器设备的控制。作为本实施方式中的机器学习，可以是有教师学习、无教师学习、半有教师学习、强化学习、转导、多任务学习等各种机器学习。例如，关于有教师学习，存在多元回归、逻辑回归、arima(自回归移动平均)、var(向量自回归)、支持向量机、决策树、随机森林、提升方法、神经网络、深度学习。关于无教师学习，存在k
‑
means法、ward法、主成分分析等。在有教师学习的情况下，以使学习模型的预测值和实测值的误差最小的方式进行学习。在无教师学习的情况下，在对输入数据的群组构造进行强化学习的情况下，以使作为一连串行动的结果的报酬最大的方式进行学习。
35.(3)利用通用已学习模型的机器设备的控制方法
36.使用图2的流程图对本发明的机器设备的控制方法进行说明。这里，作为机器设备20，设为空调装置20a。
37.在本实施方式的机器设备的控制方法中，首先，作为准备阶段，在步骤s101中，在多个环境下进行机器学习。其结果是，生成已学习通用模型，将其存储于存储部12。具体而言，在位于不同的室内空间的空调装置20b、20c等中进行机器学习，进行空调装置20b、20c的控制。由此，生成已学习通用模型。最好准备较多的通用模型。需要2个以上的通用模型。通用模型例如根据空调装置的机型、设置有空调装置的室内空间的面积、人的出入的状态、外部空气温度等来准备。
38.接着，在步骤s102中，第1控制部11从存储部中存储的已学习通用模型中选择在空调装置20a的控制中利用的通用模型。这里，作为选择通用模型的基准，是环境构造的相似性。或者是学习时的输入构造和输出构造、控制的目的的共通性。输入构造共通意味着空调装置的机型相似、或者室内空间的大小、室内的人的出入、外部空气温度等共通。输出构造意味着空调装置的风速、风量、风向、吹出温度等参数。例如，在本实施方式中，控制的目的为室内的壁面、地面的温度的均匀化。
39.接着，处理转移到机器设备20侧的处理。在步骤s103中，图像取得部23取得室内的壁面、地面的热图像。
40.接着，在第2控制部21中，对取得的热图像进行预处理(s104)。
41.预处理是以个人信息保护为目的的处理、以预处理后的学习的高速化为目的的处理、或以双方为目的的处理中的任意一方。
42.以个人信息保护为目的的处理是与个人信息有关的数据的加工处理。存在图像的马赛克处理等。作为以学习的高速化为目的的处理，存在灰度化、放大缩小等。
43.在步骤104之后进入步骤s105。在步骤s105中，判断是否结束控制。在最初到达s105时，选择不结束控制，进入步骤s106。
44.接着，由机器设备20取得的数据被送到服务器10(未图示)。
45.接着，第1控制部11通过步骤s102中选择出的通用模型进行机器学习(s106)。作为输入，利用步骤s104中进行预处理后的数据。
46.学习结果作为已学习模型存储于存储部12(s107)。这里，可以存储为已学习专用
模型，也可以存储为已学习通用模型。在其他环境下也利用已学习模型的情况下，用作已学习通用模型，在仅在学习中的环境下再次利用已学习模型的情况下，存储为专用模型。
47.然后，基于学习结果的控制值从服务器10被送到机器设备20。在机器设备20中，第2控制部21根据学习结果进行空调部22的控制(s108)。换言之，进行吹出温度、风向、风量等的调整。
48.步骤s108之后再次返回步骤s103。在步骤s103中，图像取得部23再次取得室内的壁面、地面的热图像。接着，在步骤s104中，在第2控制部21中对取得的热图像进行预处理。
49.接着，在步骤s105中，判断是否结束控制。根据是否实现了控制的目的来判断是否结束控制。这里，也可以根据在图像取得部取得的热图像中是否抑制了温度分布来进行判断。在判断为实现了目的的情况下，结束控制，全体流程也结束。在未实现目的的情况下，不结束控制。该情况下，反复进行步骤s106～s108、s103、s104。
50.在第2次的步骤s106的学习中，作为模型，与第1次的步骤s106同样，可以使用选择出的通用模型，但是，也可以利用第1次生成的已学习专用模型。
51.如上所述，反复进行步骤s103～s108，直到实现目的且控制结束为止，结束控制。
52.(4)特征
53.(4
‑
1)
54.本实施方式的机器设备的控制系统预先使存储部存储对机器设备进行控制的多个已学习通用模型(s101)。然后，从多个已学习通用模型中选择在机器设备的控制中利用的一个模型(s102)。然后，在新的环境下，利用选择出的通用已学习模型进行机器设备的控制(s108)。
55.本发明的机器设备的控制系统从多个已学习通用模型中进行选择并利用，因此，能够高效地进行设备的控制。这里，高效意味着能够快速进行控制、能够快速进行学习、能够抑制进行学习等计算的机器的使用费等。
56.(4
‑
2)
57.本实施方式的机器设备的控制系统利用通用已学习模型，进一步进行追加的学习(s106)。
58.以往，在利用已学习模型的控制中，学习已结束，因此，针对追加的信息，没有灵活性。本实施方式的机器设备的控制系统进行追加的学习，因此，针对追加的信息的灵活性较高。
59.(4
‑
3)
60.本实施方式的机器设备的控制系统将追加的学习模型存储于存储部12(s107)。存储部12中存储的已学习模型被用于接下来的学习或控制。换言之，该已学习模型成为专用已学习模型。在专用已学习模型中反复进行学习且在其他环境下也能够利用的已学习模型作为通用已学习模型存储于存储部12。
61.(4
‑
4)
62.在本实施方式的机器设备的控制系统中，关于不嵌入模型中也能够实现的处理，与模型分离地进行处理。在本案件中，在利用已学习模型进行学习之前，进行预处理(s104)。
63.通过预处理，能够降低模型中的学习的负荷。
64.(4
‑
5)
65.在本实施方式的学习中使用的输入中包含有图像。作为图像，例如是红外线图像(热图像)。
66.通过红外线图像，能够监视室内空间内的壁面、地面、其他物体的温度。这样，能够用于作为机器设备的空调装置的温度控制。
67.(4
‑
6)
68.本实施方式的机器设备的控制系统1具有机器设备20和服务器10。服务器10经由网络15而与机器设备20连接。服务器10具有第1控制部11和存储部12。机器设备20具有主体和第2控制部21。
69.预先使存储部12存储对机器设备进行控制的多个已学习通用模型(s101)。然后，第1控制部11从多个已学习通用模型中选择在机器设备20的控制中利用的一个模型(s102)。然后，第1控制部从通用已学习模型中选择适应于新的环境的模型。第1控制部11利用选择出的已学习模型，进一步进行学习。第2控制部21根据学习结果进行机器设备20的控制(s108)。
70.本发明的机器设备的控制系统从多个已学习通用模型中进行选择并利用，因此，能够高效地进行设备的控制。
71.(4
‑
7)
72.在(4
‑
6)中，第2控制部21取得环境信息，进行环境信息的预处理。第1控制部将预处理后的环境信息作为输入来进行学习。第2控制部使用学习结果进行机器设备的控制。
73.本实施方式的机器设备的控制系统在机器设备20侧进行环境信息的预处理，因此，服务器的负荷降低。此外，能够削减服务器与机器设备之间的通信量。进而，能够降低模型中的学习的负荷。
74.以上说明了本发明的实施方式，但是，能够理解到能够在不脱离权利要求书记载的本发明的主旨和范围的情况下进行方式和详细情况的多种变更。
75.标号说明
[0076]1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
控制系统
[0077]
10
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
服务器
[0078]
11
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
第1控制部
[0079]
12
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
存储部
[0080]
20
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
机器设备
[0081]
20a、20b、20c 空调装置
[0082]
21
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
第2控制部
[0083]
22
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
空调部(主体)
[0084]
23
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
图像取得部
[0085]
现有技术文献
[0086]
专利文献
[0087]
专利文献1：日本特许第2978374号公报。