JP2023516463A

JP2023516463A - Controller and method for predicting faults in heating, ventilation, or air conditioning (HVAC) systems

Info

Publication number: JP2023516463A
Application number: JP2022554346A
Authority: JP
Inventors: ツォンイェソン、; リミンヤン、; ロバートディー．ターニー、; ルミンワン、; ボファン、; チガンウ、
Original assignee: ジョンソン・コントロールズ・タイコ・アイピー・ホールディングス・エルエルピー
Priority date: 2020-03-12
Filing date: 2020-03-12
Publication date: 2023-04-19
Also published as: WO2021179250A1; CN115516254A; US20230116964A1

Abstract

暖房、換気、又は空調（ＨＶＡＣ）装置のためのオイル管理コントローラ。コントローラは、処理回路を含む。処理回路は、機械学習モデルを使用して、ＨＶＡＣ装置の動作データを分析して、ＨＶＡＣ装置によって使用されるオイルの可変状態又はコンディションを予測するように構成されている。処理回路は、オイルの可変状態又はコンディションに基づいて、オイル欠乏を識別するように構成されている。処理回路は、オイル欠乏を識別することに応答して、自動的に是正措置を開始するように構成されている。【選択図】図８An oil management controller for heating, ventilation, or air conditioning (HVAC) systems. The controller includes processing circuitry. The processing circuitry is configured to use machine learning models to analyze HVAC system operating data to predict variable states or conditions of oil used by the HVAC system. The processing circuitry is configured to identify oil starvation based on the variable state or condition of the oil. The processing circuitry is configured to automatically initiate corrective action in response to identifying oil starvation. [Selection drawing] Fig. 8

Description

本開示は、概して、建物装置を動作させる分野に関し、より具体的には、人工知能を使用して、建物装置の状態を予測することに関する。 TECHNICAL FIELD This disclosure relates generally to the field of operating building equipment, and more particularly to using artificial intelligence to predict the state of building equipment.

建物装置（例えば、暖房、換気、又は空調（ＨＶＡＣ）装置）が効果的に動作し、建物装置の劣化を最小限に抑えるために、建物装置の様々な動作状態を監視し、考慮する必要がある。しかしながら、従来の建物システムは、多くの動作コンディションを監視しないままにし、これは、建物装置の急速な劣化及び経時的なコストの増加につながる可能性がある。 In order for building equipment (e.g., heating, ventilation, or air conditioning (HVAC) equipment) to operate effectively and to minimize deterioration of the building equipment, various operating conditions of the building equipment need to be monitored and considered. be. However, conventional building systems leave many operating conditions unmonitored, which can lead to rapid deterioration of building equipment and increased costs over time.

本開示の一実施形態は、暖房、換気、又は空調（ＨＶＡＣ）装置のためのオイル管理コントローラである。コントローラは、処理回路を備える。処理回路は、機械学習モデルを使用して、ＨＶＡＣ装置の動作データを分析して、ＨＶＡＣ装置によって使用されるオイルの可変状態又はコンディションを予測するように構成されている。処理回路は、オイルの可変状態又はコンディションに基づいて、オイル欠乏を識別するように構成されている。処理回路は、オイル欠乏を識別することに応答して、自動的に是正措置を開始するように構成されている。 One embodiment of the present disclosure is an oil management controller for a heating, ventilation, or air conditioning (HVAC) system. The controller comprises processing circuitry. The processing circuitry is configured to use machine learning models to analyze HVAC system operating data to predict variable states or conditions of oil used by the HVAC system. The processing circuitry is configured to identify oil starvation based on the variable state or condition of the oil. The processing circuitry is configured to automatically initiate corrective action in response to identifying oil starvation.

オイルの可変状態又はコンディションは、ＨＶＡＣ装置内のオイルの量である。オイル欠乏を識別することは、ＨＶＡＣ装置内のオイルの量が、閾値量未満であると判定することを含む。是正措置は、ＨＶＡＣ装置に、より多くのオイルを提供して、ＨＶＡＣ装置内のオイルの量を増加させることを含む。 The variable state or condition of the oil is the amount of oil in the HVAC system. Identifying oil starvation includes determining that the amount of oil in the HVAC system is below a threshold amount. Corrective actions include providing more oil to the HVAC system to increase the amount of oil in the HVAC system.

いくつかの実施形態では、オイルの可変状態又はコンディションは、ＨＶＡＣ装置内のオイル冷媒混合物の粘度である。オイル欠乏を識別することは、オイル冷媒混合物の粘度が、閾値粘度未満であると判定することを含む。是正措置は、ＨＶＡＣ装置に、より多くのオイルを提供して、ＨＶＡＣ装置内のオイル冷媒混合物の粘度を増加させることを含む。 In some embodiments, the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture within the HVAC system. Identifying oil starvation includes determining that the viscosity of the oil refrigerant mixture is less than the threshold viscosity. Corrective actions include providing more oil to the HVAC system to increase the viscosity of the oil-refrigerant mixture within the HVAC system.

いくつかの実施形態では、ＨＶＡＣ装置は、異なる動作速度で動作可能である。オイルの可変状態又はコンディションは、ＨＶＡＣ装置内のオイル冷媒混合物の粘度である。是正措置は、オイル冷媒混合物の粘度に基づいて、ＨＶＡＣ装置の動作速度の上限を設定することを含む。 In some embodiments, the HVAC equipment is operable at different operating speeds. A variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system. Corrective action includes capping the operating speed of the HVAC system based on the viscosity of the oil refrigerant mixture.

いくつかの実施形態では、ＨＶＡＣ装置は、冷媒ループに結合されており、冷媒ループが、ＨＶＡＣ装置と、冷媒ループに結合された１つ以上の他のデバイスとの間でオイル冷媒混合物を循環させる。是正措置は、ＨＶＡＣ装置を動作させて、オイル冷媒混合物を、冷媒ループ内で循環させ、それによって１つ以上の他のデバイスからＨＶＡＣ装置に、オイルを戻すことを含む。 In some embodiments, the HVAC device is coupled to a refrigerant loop that circulates an oil refrigerant mixture between the HVAC device and one or more other devices coupled to the refrigerant loop. . Corrective action includes operating the HVAC system to circulate an oil refrigerant mixture in the refrigerant loop, thereby returning oil from one or more other devices to the HVAC system.

いくつかの実施形態では、機械学習モデルは、入力層、１つ以上の隠れ層、及び出力層を有する畳み込みニューラルネットワーク（ＣＮＮ）モデルである。動作データを分析することは、ＣＮＮモデルの入力層への入力として、動作データを提供することと、ＣＮＮモデルの出力層において、オイルの可変状態又はコンディションの予測を取得することと、を含む。 In some embodiments, the machine learning model is a convolutional neural network (CNN) model having an input layer, one or more hidden layers, and an output layer. Analyzing the operating data includes providing the operating data as input to the input layer of the CNN model and obtaining a prediction of the variable state or condition of the oil in the output layer of the CNN model.

いくつかの実施形態では、機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルである。動作データを分析することは、ＲＮＮモデルへの入力として、動作データの値の時系列を提供することと、ＲＮＮモデルの出力として、オイルの可変状態又はコンディションの予測を取得することと、を含む。 In some embodiments, the machine learning model is a recurrent neural network (RNN) model. Analyzing the operating data includes providing a time series of values of the operating data as an input to the RNN model and obtaining a prediction of the variable state or condition of the oil as an output of the RNN model. .

いくつかの実施形態では、処理回路は、シミュレーションモデルから取得された訓練データのセットを使用して、機械学習モデルを生成するように構成される。 In some embodiments, the processing circuitry is configured to generate the machine learning model using a set of training data obtained from the simulation model.

本開示の別の実施形態は、機械学習モデルを使用して、暖房、換気、又は空調（ＨＶＡＣ）装置を動作させるための方法である。方法は、ＨＶＡＣ装置によって使用されるオイルに影響を与えるコンディション、及びオイルの可変状態又はコンディションを示す訓練データを取得することを含む。方法は、訓練データに基づいて、訓練プロセスを実行することによって、機械学習モデルを生成することを含む。機械学習モデルは、オイルに影響を与えるコンディションに基づいて、オイルの可変状態又はコンディションを予測するように訓練されている。方法は、機械学習モデルを使用して、オイルの可変状態又はコンディションが、閾値に違反するかどうかを予測することを含む。方法は、オイルの可変状態又はコンディションが、閾値に違反することを予測することに応答して、是正措置を自動的に開始することを含む。 Another embodiment of the disclosure is a method for operating a heating, ventilation, or air conditioning (HVAC) device using a machine learning model. The method includes obtaining training data indicative of conditions affecting oil used by the HVAC system and variable states or conditions of the oil. The method includes generating a machine learning model by performing a training process based on training data. A machine learning model is trained to predict the variable state or condition of the oil based on the conditions affecting the oil. The method includes using a machine learning model to predict whether the variable state or condition of the oil violates a threshold. The method includes automatically initiating corrective action in response to predicting that the variable state or condition of the oil will violate the threshold.

いくつかの実施形態では、オイルの可変状態又はコンディションは、ＨＶＡＣ装置内のオイルの量である。閾値は、ＨＶＡＣ装置内のオイルの量に対する最小閾値である。是正措置は、ＨＶＡＣ装置に、より多くのオイルを提供して、ＨＶＡＣ装置内のオイルの量を増加させることを含む。 In some embodiments, the variable state or condition of oil is the amount of oil in the HVAC system. The threshold is the minimum threshold for the amount of oil in the HVAC system. Corrective actions include providing more oil to the HVAC system to increase the amount of oil in the HVAC system.

いくつかの実施形態では、オイルの可変状態又はコンディションは、ＨＶＡＣ装置内のオイル冷媒混合物の粘度である。閾値は、オイル冷媒混合物の粘度に対する最小閾値である。是正措置は、ＨＶＡＣ装置に、より多くのオイルを提供して、ＨＶＡＣ装置内のオイル冷媒混合物の粘度を増加させることを含む。 In some embodiments, the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture within the HVAC system. The threshold is the minimum threshold for the viscosity of the oil refrigerant mixture. Corrective actions include providing more oil to the HVAC system to increase the viscosity of the oil-refrigerant mixture within the HVAC system.

いくつかの実施形態では、ＨＶＡＣ装置は、冷媒ループに結合されており、冷媒ループは、ＨＶＡＣ装置と、冷媒ループに結合された１つ以上の他のデバイスとの間でオイル冷媒混合物を循環させる。是正措置は、ＨＶＡＣ装置を動作させて、オイル冷媒混合物を、冷媒ループ内で循環させ、それによって１つ以上の他のデバイスからＨＶＡＣ装置に、オイルを戻すことを含む。 In some embodiments, the HVAC device is coupled to a refrigerant loop that circulates an oil refrigerant mixture between the HVAC device and one or more other devices coupled to the refrigerant loop. . Corrective action includes operating the HVAC system to circulate an oil refrigerant mixture in the refrigerant loop, thereby returning oil from one or more other devices to the HVAC system.

いくつかの実施形態では、機械学習モデルは、入力層、１つ以上の隠れ層、及び出力層を有する畳み込みニューラルネットワーク（ＣＮＮ）モデルである。機械学習モデルを使用して、オイルの可変状態又はコンディションが、制約に違反しているかどうかを判定することが、ＣＮＮモデルの入力層への入力として、動作データを提供することと、ＣＮＮモデルの出力層において、オイルの可変状態又はコンディションの予測を取得することとを含む。 In some embodiments, the machine learning model is a convolutional neural network (CNN) model having an input layer, one or more hidden layers, and an output layer. Determining whether a variable state or condition of the oil violates a constraint using a machine learning model provides motion data as input to the input layer of the CNN model; At the output layer, obtaining a prediction of the variable state or condition of the oil.

いくつかの実施形態では、機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルである。機械学習モデルを使用して、オイルの可変状態又はコンディションが、制約に違反しているかどうかを判定することが、ＲＮＮモデルへの入力として、動作データの値の時系列を提供することと、ＲＮＮモデルの出力として、オイルの可変状態又はコンディションの予測を取得することとを含む。 In some embodiments, the machine learning model is a recurrent neural network (RNN) model. Determining whether a variable state or condition of the oil violates a constraint using a machine learning model provides a time series of values of operational data as input to the RNN model; and obtaining predictions of the variable state or condition of the oil as an output of the model.

いくつかの実施形態では、訓練データを取得することは、ＨＶＡＣ装置の動作、及びオイルの可変状態又はコンディションの経時的な変化をシミュレーションするシミュレーションモデルを取得することを含む。訓練データを取得することは、シミュレーションモデルを実行して、訓練データを生成することを含む。 In some embodiments, obtaining training data includes obtaining a simulation model that simulates the operation of the HVAC system and changes in the variable state or condition of the oil over time. Obtaining training data includes running the simulation model to generate training data.

本開示の別の実施形態は、建物のための環境制御システムである。システムは、建物の環境コンディションに影響を与えるように動作可能な、暖房、換気、又は空調（ＨＶＡＣ）装置を備える。システムは、処理回路を備えるコントローラを備える。処理回路は、機械学習モデルを使用して、ＨＶＡＣ装置の動作データを分析して、ＨＶＡＣ装置によって使用されるオイルの可変状態又はコンディションを予測するように構成されている。処理回路は、オイルの可変状態又はコンディションに基づいて、オイル欠乏を識別するように構成されている。処理回路は、オイル欠乏を識別することに応答して、自動的に是正措置を開始するように構成されている。 Another embodiment of the present disclosure is an environmental control system for buildings. The system includes heating, ventilation, or air conditioning (HVAC) equipment operable to affect the environmental conditions of the building. The system includes a controller with processing circuitry. The processing circuitry is configured to use machine learning models to analyze HVAC system operating data to predict variable states or conditions of oil used by the HVAC system. The processing circuitry is configured to identify oil starvation based on the variable state or condition of the oil. The processing circuitry is configured to automatically initiate corrective action in response to identifying oil starvation.

いくつかの実施形態では、オイルの可変状態又はコンディションは、ＨＶＡＣ装置内のオイルの量である。オイル欠乏を識別することは、ＨＶＡＣ装置内のオイルの量が、閾値量未満であると判定することを含む。是正措置は、ＨＶＡＣ装置に、より多くのオイルを提供して、ＨＶＡＣ装置内のオイルの量を増加させることを含む。 In some embodiments, the variable state or condition of oil is the amount of oil in the HVAC system. Identifying oil starvation includes determining that the amount of oil in the HVAC system is below a threshold amount. Corrective actions include providing more oil to the HVAC system to increase the amount of oil in the HVAC system.

本開示の別の実施形態は、いくつかの実施形態による、暖房、換気、又は空調（ＨＶＡＣ）システム内のコンプレッサのモータを動作させるためのコントローラである。コントローラは、処理回路を備える。処理回路は、モータに提供される電流の振幅設定値を予測する機械学習モデルを取得するように構成されている。振幅設定値は、モータの振動に影響を与える。処理回路は、機械学習モデルを使用して、モータの動作データを分析して、電流に対する振幅設定値を予測するように構成されている。処理回路は、振幅設定値に基づいて、モータを動作させるように構成されている。 Another embodiment of the present disclosure is a controller for operating a compressor motor in a heating, ventilation, or air conditioning (HVAC) system, according to some embodiments. The controller comprises processing circuitry. The processing circuitry is configured to obtain a machine learning model that predicts amplitude settings for current provided to the motor. The amplitude setting affects the vibration of the motor. The processing circuitry is configured to use a machine learning model to analyze motor operating data to predict amplitude settings for current. The processing circuitry is configured to operate the motor based on the amplitude setting.

いくつかの実施形態では、振幅設定値に基づいて、モータを動作させることは、振幅設定値をインバータに提供することを含む。インバータは、モータに電流を提供するように構成されている。 In some embodiments, operating the motor based on the amplitude setting includes providing the amplitude setting to the inverter. The inverter is configured to provide current to the motor.

いくつかの実施形態では、機械学習モデルへの入力は、モータの直軸と横軸との間の軸誤差、電流の周波数、モータに関連付けられた実際の騒音レベル、又はモータに関連付けられた必要な騒音レベルのうちの少なくとも１つを含む。 In some embodiments, the inputs to the machine learning model are the axis error between the direct and lateral axes of the motor, the frequency of the current, the actual noise level associated with the motor, or the noise level associated with the motor. at least one of the following noise levels:

いくつかの実施形態では、機械学習モデルは、動作データと、モータによって生成される騒音の量との間の相関関係を学習するように訓練されている。騒音の量は、モータの振動を予測するための代用として使用される。 In some embodiments, a machine learning model is trained to learn correlations between operational data and the amount of noise produced by the motor. The amount of noise is used as a proxy to predict motor vibration.

いくつかの実施形態では、処理回路は、シミュレーションモデルから取得された訓練データのセットを使用して、機械学習モデルを生成するように更に構成されている。 In some embodiments, the processing circuitry is further configured to use the set of training data obtained from the simulation model to generate the machine learning model.

いくつかの実施形態では、機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルである。動作データを分析することは、ＲＮＮモデルへの入力として、動作データの値の時系列を提供することと、ＲＮＮモデルの出力として、振幅設定値の予測を取得することと、を含む。 In some embodiments, the machine learning model is a recurrent neural network (RNN) model. Analyzing the operational data includes providing a time series of values of the operational data as an input to the RNN model and obtaining predictions of amplitude settings as an output of the RNN model.

いくつかの実施形態では、電流は、交流（ＡＣ）である。ＡＣの周波数は、モータの回転速度に影響を与え、ＡＣの振幅は、モータによって印加されるトルクに影響を与える。 In some embodiments, the current is alternating current (AC). The frequency of the AC affects the speed of rotation of the motor and the amplitude of the AC affects the torque applied by the motor.

本開示の別の実施形態は、可変冷媒流（ＶＲＦ）システムの障害を予測するためのコントローラである。コントローラは、処理回路を備える。処理回路は、機械学習モデルを使用して、ＶＲＦシステムの動作データを分析して、ＶＲＦシステムの障害分類を予測するように構成されている。障害分類は、ＶＲＦシステムに影響を与える障害コンディションを識別する。処理回路は、障害コンディションに関連付けられたＶＲＦシステムのＶＲＦデバイスを識別するように構成されている。処理回路は、デバイス及び障害コンディションを識別することに応答して、障害コンディションに対処するための是正措置を自動的に開始するように構成されている。 Another embodiment of the present disclosure is a controller for predicting faults in a variable refrigerant flow (VRF) system. The controller comprises processing circuitry. The processing circuitry is configured to analyze VRF system operational data to predict a VRF system fault classification using a machine learning model. Fault classification identifies fault conditions affecting the VRF system. Processing circuitry is configured to identify a VRF device of the VRF system associated with the failure condition. The processing circuitry is configured, in response to identifying the device and the fault condition, to automatically initiate corrective action to address the fault condition.

いくつかの実施形態では、障害分類は、障害コンディションに関連付けられた重大度メトリックを含む。重大度メトリックは、障害コンディションのＶＲＦシステムへの影響を示す。是正措置は、重大度メトリックに基づいて判定される。 In some embodiments, the fault classification includes a severity metric associated with the fault condition. A severity metric indicates the impact of a failure condition on the VRF system. Corrective action is determined based on the severity metric.

いくつかの実施形態では、機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルである。動作データを分析することは、ＲＮＮモデルへの入力として、動作データの値の時系列を提供することと、ＲＮＮモデルの出力として、障害分類の予測を取得することと、を含む。 In some embodiments, the machine learning model is a recurrent neural network (RNN) model. Analyzing the operational data includes providing a time series of values of the operational data as an input to the RNN model and obtaining predictions of fault classifications as an output of the RNN model.

いくつかの実施形態では、処理回路は、シミュレーションモデルから取得された訓練データのセットを使用して、機械学習モデルを生成するように更に構成される。 In some embodiments, the processing circuitry is further configured to use the set of training data obtained from the simulation model to generate the machine learning model.

いくつかの実施形態では、障害分類は、ＶＲＦシステムに影響を与える複数の障害コンディションを識別する。複数の障害コンディションは、ＶＲＦシステムの複数のＶＲＦデバイスに関連付けられる。 In some embodiments, the fault classification identifies multiple fault conditions affecting the VRF system. Multiple failure conditions are associated with multiple VRF devices in the VRF system.

いくつかの実施形態では、障害コンディションは、冷媒の漏れ、室外ユニットの霜降り、室内ファンの目詰まり、室内フィルタの目詰まり、熱交換器の目詰まり、室外ファンの目詰まり、モータの消磁、又はコンプレッサからのオイルの漏れのうちの少なくとも１つである。 In some embodiments, the fault condition is a refrigerant leak, frosting of the outdoor unit, clogged indoor fan, clogged indoor filter, clogged heat exchanger, clogged outdoor fan, degaussed motor, or At least one of oil leaking from the compressor.

本開示の別の実施形態は、いくつかの実施形態による、暖房、換気、又は空調（ＨＶＡＣ）システム内のコンプレッサのモータを動作させるための方法である。方法は、モータに提供される電流に対する振幅設定値を予測する機械学習モデルを取得することを含む。振幅設定値は、モータの振動に影響を与える。方法は、機械学習モデルを使用して、モータの動作データを分析して、電流に対する振幅設定値を予測することを含む。方法は、振幅設定値に基づいてモータを動作させることを含む。 Another embodiment of the disclosure is a method for operating a compressor motor in a heating, ventilation, or air conditioning (HVAC) system, according to some embodiments. The method includes obtaining a machine learning model that predicts amplitude settings for current provided to the motor. The amplitude setting affects the vibration of the motor. The method includes using a machine learning model to analyze motor operating data to predict amplitude settings for current. The method includes operating the motor based on the amplitude setting.

いくつかの実施形態では、振幅設定値に基づいてモータを動作させることは、振幅設定値をインバータに提供することを含む。インバータは、モータに電流を提供するように構成されている。 In some embodiments, operating the motor based on the amplitude setting includes providing the amplitude setting to the inverter. The inverter is configured to provide current to the motor.

いくつかの実施形態では、方法は、シミュレーションモデルから取得される訓練データのセットを使用して、機械学習モデルを生成することを含む。 In some embodiments, the method includes generating a machine learning model using a set of training data obtained from the simulation model.

いくつかの実施形態では、機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルである。動作データを分析することが、ＲＮＮモデルへの入力として、動作データの値の時系列を提供することと、ＲＮＮモデルの出力として、振幅設定値の予測を取得することと、を含む。 In some embodiments, the machine learning model is a recurrent neural network (RNN) model. Analyzing the operational data includes providing a time series of values of the operational data as an input to the RNN model and obtaining predictions of amplitude settings as an output of the RNN model.

当業者は、概要が単なる例示であり、いかなる方法でも制限することを意図しないことを理解するであろう。特許請求の範囲によってのみ定義される、本明細書に記載のデバイス及び／又はプロセスの他の態様、本発明の特徴、及び利点は、本明細書に記載され、添付の図面と併せてなされた詳細な説明において、明らかになるであろう。 Those skilled in the art will appreciate that the summary is merely exemplary and is not intended to be limiting in any way. Other aspects of the devices and/or processes described herein, features and advantages of the invention, as defined solely by the claims, are set forth herein and taken in conjunction with the accompanying drawings. It will become clear in the detailed description.

本開示の様々な目的、態様、特徴、及び利点は、添付の図面と併せて取られる詳細な説明を参照することによって、より明らかになり、よりよく理解され、同様の参照符号は、全体を通して対応する要素を識別する。図面において、同様の参照番号は、概して、同一の、機能的に類似した、及び／又は構造的に類似した要素を示す。 Various objects, aspects, features and advantages of the present disclosure will become more apparent and better understood by reference to the detailed description taken in conjunction with the accompanying drawings, wherein like reference numerals indicate Identify the corresponding element. In the drawings, like reference numbers generally indicate identical, functionally similar, and/or structurally similar elements.

いくつかの実施形態による、ＨＶＡＣシステムを備えた建物の図である。1 is a diagram of a building with an HVAC system, according to some embodiments; FIG. いくつかの実施形態による、図１の建物の加熱又は冷却負荷にサービスを提供するために使用され得るウォーターサイドシステムのブロック図である。2 is a block diagram of a waterside system that may be used to service the heating or cooling loads of the building of FIG. 1, according to some embodiments; FIG. いくつかの実施形態による、図１の建物の加熱又は冷却負荷にサービスを提供するために使用され得るエアサイドシステムのブロック図である。2 is a block diagram of an airside system that may be used to service the heating or cooling loads of the building of FIG. 1, according to some embodiments; FIG. いくつかの実施形態による、図１の建物を監視及び制御するために使用することができる建物管理システム（ＢＭＳ）のブロック図である。2 is a block diagram of a building management system (BMS) that can be used to monitor and control the building of FIG. 1, according to some embodiments; FIG. いくつかの実施形態による、図１の建物を監視及び制御するために使用することができる別のＢＭＳのブロック図である。2 is a block diagram of another BMS that can be used to monitor and control the building of FIG. 1, according to some embodiments; FIG. いくつかの実施形態による、１つ以上の室外可変冷媒流（ＶＲＦ）ユニット及び複数の室内ＶＲＦユニットを有するＶＲＦシステムの図である。1 is a diagram of a VRF system having one or more outdoor variable refrigerant flow (VRF) units and multiple indoor VRF units, according to some embodiments; FIG. いくつかの実施形態による、１つ以上の室外可変冷媒流（ＶＲＦ）ユニット及び複数の室内ＶＲＦユニットを有するＶＲＦシステムの図である。1 is a diagram of a VRF system having one or more outdoor variable refrigerant flow (VRF) units and multiple indoor VRF units, according to some embodiments; FIG. いくつかの実施形態による、ＶＲＦシステムの概略図である。1 is a schematic diagram of a VRF system, according to some embodiments; FIG. いくつかの実施形態による、ＶＲＦシステムのブロック図である。1 is a block diagram of a VRF system, according to some embodiments; FIG. いくつかの実施形態による、オイルの特性を予測するためのコントローラのブロック図である。FIG. 4 is a block diagram of a controller for predicting oil properties, according to some embodiments; いくつかの実施形態による、リカレントニューラルネットワーク（ＲＮＮ）構造の例示である。1 is an illustration of a Recurrent Neural Network (RNN) structure, according to some embodiments; いくつかの実施形態による、ニューラルネットワーク（ＮＮ）アーキテクチャの例示である。1 is an illustration of a neural network (NN) architecture, according to some embodiments; いくつかの実施形態による、ＡＩモデルを使用してオイル特性を監視するためのプロセスのフロー図である。FIG. 4 is a flow diagram of a process for monitoring oil properties using an AI model, according to some embodiments; いくつかの実施形態による、人工知能（ＡＩ）モデルに対する例示的なモデル訓練プロセスにおけるいくつかの反復に基づくＲＭＳＥの変化を例示するグラフである。4 is a graph illustrating changes in RMSE based on several iterations in an exemplary model training process for an artificial intelligence (AI) model, according to some embodiments; いくつかの実施形態による、図１１ＡのＡＩモデルに関連付けられた反復の数に基づく損失の変化を例示するグラフである。11B is a graph illustrating changes in loss based on the number of iterations associated with the AI model of FIG. 11A, according to some embodiments; いくつかの実施形態による、図１１ＡのＡＩモデルによって生成された、コンプレッサのオイル量の予測を例示するグラフである。11B is a graph illustrating a compressor oil amount prediction generated by the AI model of FIG. 11A, according to some embodiments; いくつかの実施形態による、図１１ＡのＡＩモデルによって生成された、アキュムレータのオイル量の予測を例示するグラフである。11B is a graph illustrating an accumulator oil amount prediction generated by the AI model of FIG. 11A, according to some embodiments; いくつかの実施形態による、図１１ＡのＡＩモデルによって生成された、オイルの粘度の予測を例示するグラフである。11B is a graph illustrating predictions of oil viscosity generated by the AI model of FIG. 11A, according to some embodiments; いくつかの実施形態による、コンプレッサ振動コントローラを含むＶＲＦシステムのブロック図である。1 is a block diagram of a VRF system including a compressor vibration controller, according to some embodiments; FIG. いくつかの実施形態による、より詳細な図１３ＡのＶＲＦシステムのブロック図である。13B is a more detailed block diagram of the VRF system of FIG. 13A, according to some embodiments; FIG. いくつかの実施形態による、キルヒホッフの法則を例示するグラフである。4 is a graph illustrating Kirchhoff's law, according to some embodiments; いくつかの実施形態による、モータに対するαβ変換を例示するグラフである。4 is a graph illustrating αβ transformation for a motor, according to some embodiments; いくつかの実施形態による、モータに対する直接直交変換（ｄｑ）を例示するグラフである。4 is a graph illustrating a direct orthogonal transform (dq) for a motor, according to some embodiments; いくつかの実施形態による、異なるタイプのコンプレッサに対する、クランク角とトルクとの間の関係を例示するグラフである。4 is a graph illustrating the relationship between crank angle and torque for different types of compressors, according to some embodiments; いくつかの実施形態による、より詳細な図１３Ａのコンプレッサ振動コントローラのブロック図である。13B is a more detailed block diagram of the compressor vibration controller of FIG. 13A, according to some embodiments; FIG. いくつかの実施形態による、コンプレッサモータに提供する電流の値を予測するためのニューラルネットワークの例示である。4 is an illustration of a neural network for predicting the value of current to provide to a compressor motor, according to some embodiments; いくつかの実施形態による、コンプレッサモータに提供する電流の値を予測するための別のニューラルネットワークの例示である。5 is an illustration of another neural network for predicting the value of current to provide to a compressor motor, according to some embodiments; いくつかの実施形態による、ＡＩモデルを使用して、コンプレッサに提供するＡＣ信号振幅を予測するためのプロセスのフロー図である。FIG. 4 is a flow diagram of a process for using an AI model to predict the AC signal amplitude to provide to the compressor, according to some embodiments; いくつかの実施形態による、ＶＲＦシステムのブロック図である。1 is a block diagram of a VRF system, according to some embodiments; FIG. いくつかの実施形態による、ＶＲＦシステムにおける障害を予測するためのＶＲＦ障害コントローラのブロック図である。1 is a block diagram of a VRF fault controller for predicting faults in a VRF system, according to some embodiments; FIG. いくつかの実施形態による、ＶＲＦシステムの障害分類を予測するためのニューラルネットワークの図である。FIG. 4 is a diagram of a neural network for predicting fault classification of a VRF system, according to some embodiments; いくつかの実施形態による、ＡＩモデルを使用して、ＶＲＦシステムの障害分類を予測するためのプロセスのフロー図である。FIG. 4 is a flow diagram of a process for predicting fault classification of a VRF system using an AI model, according to some embodiments; いくつかの実施形態による、モータ効率コントローラのブロック図である。FIG. 4 is a block diagram of a motor efficiency controller, according to some embodiments; いくつかの実施形態による、ＡＩモデルを使用して、ＶＲＦシステム内のモータの効率を予測するプロセスのフロー図である。FIG. 4 is a flow diagram of a process for predicting efficiency of motors in a VRF system using an AI model, according to some embodiments; いくつかの実施形態による、リカレントニューラルネットワーク構造の例示である。4 is an illustration of a recurrent neural network structure, according to some embodiments; いくつかの実施形態による、長期短期メモリモデル構造の例示である。4 is an illustration of a long-term short-term memory model structure, according to some embodiments;

概要
いくつかの実施形態による、建物の可変冷媒流（ＶＲＦ）システムの特性を予測し、かつＶＲＦシステム及びＶＲＦシステム構成要素を動作させる際に、人工知能（ＡＩ）を利用するための図、システム及び方法を概して参照する。特に、本開示は、ＡＩを利用して、ＶＲＦシステムで使用されるオイルの特性を予測するとともに、ＶＲＦシステム内のモータ及びコンプレッサの様々な状態及び特性を予測する。 Overview Diagrams, systems for utilizing artificial intelligence (AI) in predicting building variable refrigerant flow (VRF) system characteristics and operating VRF systems and VRF system components, according to some embodiments. and methods in general. In particular, the present disclosure utilizes AI to predict properties of oil used in VRF systems, as well as predict various states and properties of motors and compressors within VRF systems.

しかしながら、本明細書に記載されるシステム及び方法は、ＶＲＦシステムに限定されないことを理解されたい。むしろ、ＶＲＦシステムは、本開示の潜在的な実装態様の１つとして、例のためにのみ示され、説明される。本明細書に記載のシステム及び方法は、オイルが装置に提供されることを必要とする様々なシステム（例えば、他の環境制御システム）、並びにコンプレッサ、モータ、オイルを使用する任意のタイプの装置、及び／又は動作中に振動若しくは障害を経験する可能性のある任意のタイプの装置を含む他のタイプのシステムに適用することができる。例えば、本明細書に記載のシステム及び方法は、様々な暖房、換気、又は空調（ＨＶＡＣ）システム及びデバイス（例えば、様々な空調装置、可変風量（ＶＡＶ）システム、住宅空調（ＲＡＣ）システムなど）に適用することができる。 However, it should be understood that the systems and methods described herein are not limited to VRF systems. Rather, a VRF system is shown and described by way of example only as one potential implementation of the present disclosure. The systems and methods described herein are useful in a variety of systems that require oil to be provided to equipment (e.g., other environmental control systems), as well as compressors, motors, and any type of equipment that uses oil. , and/or other types of systems, including any type of device that may experience vibrations or disturbances during operation. For example, the systems and methods described herein can be used in various heating, ventilation, or air conditioning (HVAC) systems and devices (e.g., various air conditioners, variable air volume (VAV) systems, residential air conditioning (RAC) systems, etc.). can be applied to

本明細書で言及されるように、ＡＩ及びＡＩモデルは、ＶＲＦシステム内のデバイスに関連付けられた状態及び他の情報を予測する際に使用することができる様々な異なるモデルを記述するために使用することができる。いくつかの実施形態では、リカレントニューラルネットワーク（ＲＮＮ）モデルは、予測を生成するために利用される。ＲＮＮは、ノード間の接続が、時間的シーケンスに沿って有向グラフを形成する、人工ニューラルネットワークのクラスである。より具体的には、長期短期メモリ（ＬＳＴＭ）モデルは、予測を生成する際に利用され得る。ＬＳＴＭは、主に深層学習に使用される特定のタイプの人工ＲＮＮアーキテクチャである。ＬＳＴＭは、時系列データのシーケンス全体を分類及び処理することができ、当該時系列データに基づいて予測を行うことができる。有利には、ＬＳＴＭは、時系列内の重要なイベント間の未知の持続時間の遅れを説明することができる。いくつかの実施形態では、畳み込みニューラルネットワーク（ＣＮＮ）などの他のタイプのＡＩモデルが、予測を生成する際に利用される。したがって、様々なタイプのＡＩモデルが、予測を生成する際に利用されることができることを理解されたい。 As referred to herein, AI and AI Models are used to describe a variety of different models that can be used in predicting the state and other information associated with devices within a VRF system. can do. In some embodiments, recurrent neural network (RNN) models are utilized to generate predictions. RNNs are a class of artificial neural networks in which the connections between nodes form a directed graph along a temporal sequence. More specifically, long-short-term memory (LSTM) models can be utilized in generating predictions. LSTM is a particular type of artificial RNN architecture mainly used for deep learning. An LSTM can classify and process an entire sequence of time series data and can make predictions based on the time series data. Advantageously, the LSTM can account for delays of unknown duration between significant events in the time series. In some embodiments, other types of AI models such as Convolutional Neural Networks (CNN) are utilized in generating predictions. Therefore, it should be appreciated that various types of AI models can be utilized in generating predictions.

本明細書で定義されるように、本明細書で「オイル特性」という用語と互換的に使用されるオイルの特性は、オイルの特定の性質を指すことができる。言い換えると、オイル特性は、オイルの可変状態又はコンディションであり得る。ＶＲＦシステムのオイル特性（すなわち、オイルの可変状態又はコンディション）は、例えば、ＶＲＦシステムの１つ以上のコンプレッサのオイル量、ＶＲＦシステムのアキュムレータのオイル量、オイルの粘度などを含み得る。いくつかの実施形態では、オイル冷媒混合物の粘度は、単にオイルの粘度の代わりに、又はそれに加えて推定される。この場合、オイル冷媒混合物は、コンプレッサによって典型的に出力される圧縮された冷媒にオイルが統合された結果として、ＶＲＦシステムのコンプレッサによって出力され得る。ＶＲＦシステムが動作されると、オイルの特性は、経時的に変化し得、それによってＶＲＦシステム内の建物デバイス（例えば、コンプレッサ、バルブ、オイルセパレータなど）の動作の変化につながる。例えば、オイルを使用するコンプレッサが、より高い速度で動作する場合、コンプレッサ内のオイルの量は低下し得、オイルの粘度は、コンプレッサのより高い動作温度に起因して低下し得る。 As defined herein, oil properties, used interchangeably with the term "oil properties" herein, can refer to specific properties of an oil. In other words, the oil property can be the variable state or condition of the oil. VRF system oil characteristics (ie, the variable state or condition of the oil) may include, for example, the amount of oil in one or more compressors of the VRF system, the amount of oil in the accumulators of the VRF system, the viscosity of the oil, and the like. In some embodiments, the viscosity of the oil-refrigerant mixture is estimated solely instead of or in addition to the viscosity of the oil. In this case, the oil refrigerant mixture may be output by the compressor of the VRF system as a result of the oil being integrated into the compressed refrigerant typically output by the compressor. As the VRF system is operated, the properties of the oil may change over time, leading to changes in the operation of building devices (eg, compressors, valves, oil separators, etc.) within the VRF system. For example, when a compressor that uses oil operates at a higher speed, the amount of oil in the compressor may drop and the viscosity of the oil may drop due to the higher operating temperature of the compressor.

具体的には、ＶＲＦシステムに関して、従来の時間ベースのオイル戻りシステムは、ＶＲＦシステムによって提供される加熱及び／又は冷却を周期的に中断し得、ＶＲＦシステムの全体的な効率を低下させ得る。冷凍サイクルにおいて、オイルドリフト及び他の関連する問題は、ＶＲＦシステムの全体的な動作状態にしばしば有害である、特定の室内熱交換器又は室外熱交換器が長期間利用されることをもたらし得る。更に、ＶＲＦデバイス（例えば、コンプレッサ）が、十分なオイルを受け取ることができない場合、ＶＲＦデバイスは、故障のリスクが高い可能性がある。従来のオイル戻りシステムは、故障、及び不正確なオイル戻りに関連付けられた他の壊滅的な問題を軽減することができるが、多くの場合、ＶＲＦシステムの効率に大きな影響がある。例えば、定期的なオイル戻りでは、オイル戻り状態に遷移した後、ＶＲＦシステムのコンプレッサは、動作速度を低下させる、及び／又は再起動する必要があり得、それによって、加熱／冷却システムの効率損失をもたらす。 Specifically, with respect to VRF systems, conventional time-based oil return systems may periodically interrupt the heating and/or cooling provided by the VRF system, reducing the overall efficiency of the VRF system. In the refrigeration cycle, oil drift and other related problems can cause a particular indoor or outdoor heat exchanger to be utilized for extended periods of time, which is often detrimental to the overall operating conditions of the VRF system. Additionally, if a VRF device (eg, a compressor) fails to receive enough oil, the VRF device may be at high risk of failure. While conventional oil return systems can mitigate failures and other devastating problems associated with inaccurate oil return, they often have a significant impact on the efficiency of VRF systems. For example, with periodic oil return, after transitioning to the oil return state, the VRF system's compressor may need to be slowed down and/or restarted, thereby causing a loss of efficiency in the heating/cooling system. bring.

以下に詳細に記載されるように、従来のオイル戻りシステム（例えば、時間ベースのオイル戻り）に関連する問題は、ＡＩの利用により対処することができる。ＡＩは、様々な建物デバイスにおけるオイル量及びオイルの粘度を予測するために使用することができる。当該予測に基づいて、ＡＩは、ＶＲＦシステムが、冷却／暖房動作中であるときに、オイル戻りを実行するための最適な時間を決定することができる。有利には、ＡＩによって実行される予測は、オイルセンサを使用することなく行うことができる。オイルセンサを利用してオイル状態（例えば、オイル量、オイル粘度など）を検出する必要がないことは、購入及び維持する部品が少なくて済むため、コストを削減することができる。 As described in detail below, problems associated with conventional oil return systems (eg, time-based oil return) can be addressed through the use of AI. AI can be used to predict oil quantity and oil viscosity in various building devices. Based on that prediction, the AI can determine the optimal time to perform oil return when the VRF system is in cooling/heating operation. Advantageously, the predictions performed by the AI can be made without using oil sensors. Not having to use an oil sensor to detect oil condition (eg, oil level, oil viscosity, etc.) can reduce costs by requiring fewer parts to purchase and maintain.

いくつかの実施形態では、ＡＩモデルを利用して、ＶＲＦシステムのコンプレッサに関連付けられた振動を管理することができる。コンプレッサの過度の振動は、より高い運用コスト、保守コスト、及び交換コストに起因して、急速な劣化をもたらし、したがって、長期間にわたってコストの増加をもたらす可能性がある。振動を管理するために、特定のＡＩモデル（例えば、ＲＮＮモデル）を、直軸（Ｄ軸）及び横軸（Ｑ軸）に関連付けられた目標電流を予測するように、訓練することができる。目標電流の予測は、例えば、インバータによって提供される周波数、実際の騒音レベル、ｑ軸フィードバック電流、軸間の軸誤差など、コンプレッサに関連付けられた入力に基づいてもよい。予測されたＤ軸電流及びＱ軸電流を使用して、コンプレッサの相関振動を決定することができる。予測された電流及び／又は予測された振動が高すぎる（例えば、予測された電流が電流値の閾値よりも高い）場合、コンプレッサの動作は、過度の振動を回避するように変更され、それによってコンプレッサの急速な劣化を回避することができる。具体的には、一定の入力電流及び速度制御を実装して、振動を低減することができる。 In some embodiments, AI models may be utilized to manage vibrations associated with compressors in VRF systems. Excessive compressor vibration can lead to rapid deterioration and thus increased costs over time due to higher operating, maintenance and replacement costs. To manage vibration, certain AI models (e.g., RNN models) can be trained to predict target currents associated with the direct (D-axis) and transverse (Q-axis) axes. The target current prediction may be based on inputs associated with the compressor, such as, for example, frequency provided by the inverter, actual noise level, q-axis feedback current, axis-to-axis error. The predicted D-axis and Q-axis currents can be used to determine the correlated oscillations of the compressor. If the predicted current and/or predicted vibration are too high (e.g., the predicted current is higher than a threshold current value), the compressor operation is modified to avoid excessive vibration, thereby Rapid deterioration of the compressor can be avoided. Specifically, constant input current and speed control can be implemented to reduce vibration.

いくつかの実施形態では、ＡＩモデルを利用して、ＶＲＦシステム内のコンプレッサの障害コンディションを予測することができる。障害コンディションは、好ましい動作コンディションを超えているコンプレッサの動作状態を指すことができる。例えば、ＶＲＦシステムの障害コンディションは、冷媒漏れ、室外ユニットの霜降り、室内ファンの目詰まり、汚れた室内フィルタ、汚れた熱交換器、汚れた室外ファン、モータ消磁、コンプレッサオイル漏れ、及びコンプレッサの不完全な効率をもたらす他のコンディションを含むことができる。コンディションを予測するために、ＡＩモデル（例えば、ＲＮＮモデル）は、コンプレッサに関連付けられた入力の値を障害分類にマッピングするように訓練され得る。障害分類は、入力データのセットに基づいて、ＶＲＦシステムに対してどのような障害コンディション（もしあれば）が識別されるかの表示を含むことができる。例えば、ＡＩモデルは、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、室内ファンモード、室外ファンステップなどの入力を利用して、障害分類を生成し得る。障害分類に基づき、応答して、様々な是正措置を開始することができる。本明細書で定義されるように、是正措置は、障害及び／又はいくつかの望ましくないコンディションに対処するために取られた任意の措置を指すことができる。例えば、是正措置は、メンテナンスをスケジュールすること、建物オペレータに障害を警告すること、特定のデバイス（例えば、特定のコンプレッサ）を無効にすること、特定のデバイスを動作させることなどを含み得る。このようにして、コンプレッサに影響を与える障害に迅速かつ効率的に対処することができる。 In some embodiments, AI models may be utilized to predict compressor failure conditions in VRF systems. A fault condition may refer to a compressor operating condition that exceeds the preferred operating conditions. For example, VRF system failure conditions include refrigerant leaks, frosting of outdoor units, clogged indoor fans, dirty indoor filters, dirty heat exchangers, dirty outdoor fans, motor degaussing, compressor oil leaks, and compressor failures. Other conditions can be included that result in full efficiency. To predict conditions, an AI model (eg, an RNN model) can be trained to map values of inputs associated with compressors to fault classes. A fault classification may include an indication of what fault conditions (if any) are identified for a VRF system based on a set of input data. For example, an AI model may utilize inputs such as compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, indoor fan mode, outdoor fan step, etc. to generate a fault classification. Based on the fault classification, various corrective actions can be initiated in response. As defined herein, corrective action can refer to any action taken to address a fault and/or some undesirable condition. For example, corrective actions may include scheduling maintenance, alerting building operators of a fault, disabling certain devices (e.g., certain compressors), activating certain devices, and the like. In this way, faults affecting the compressor can be dealt with quickly and efficiently.

いくつかの実施形態では、ＡＩモデルは、ＶＲＦシステム（又は他のシステム）内のモータの効率を予測するために利用される。モータ効率は、特に、モータが高レベルの非効率で運転されている場合、ある期間にわたってコストに直接影響を与える可能性がある。モータの効率が低下するにつれて、追加のリソース（例えば、電気、水など）が消費されて、所望の出力を生成することにより、コストが増加し得る。更に、モータは、所望の出力を生成するために、より集中的な動作状態で（例えば、分当たりより高い回転で）動作する必要がある結果として、より速い速度で劣化し得る。いくつかの実施形態では、モータの電流効率は、モータが最初に設置されたときの最大効率値と比較して、モータがどの程度効率的であるかのパーセンテージとして表され得る。モータ効率は、特定の変更をもたらすために入力として必要とされるリソースの量に基づいて判定され得る。例えば、コンプレッサ内の電気モータの効率は、所定量のガス（例えば、空気）を圧縮するために必要な電気の量によって定義され得る。例では、電気モータの５０％の効率は、モータが最初に設置されたときの半分の効率であり、それによって、所定の量のガスを圧縮するために２倍の電力を必要とすることを示し得る。モータの効率を予測するために、ＡＩモデルは、様々な入力（例えば、モータによって消費される電力の量、周囲温度、モータの毎分回転（ＲＰＭ）値など）をモータの効率値にマッピングするように訓練され得る。 In some embodiments, AI models are utilized to predict the efficiency of motors in VRF systems (or other systems). Motor efficiency can directly affect cost over time, especially if the motor is operated at high levels of inefficiency. As the efficiency of the motor decreases, additional resources (eg, electricity, water, etc.) are consumed to produce the desired output, which can increase costs. In addition, the motor may degrade at a faster rate as a result of having to operate under more intensive operating conditions (eg, higher revolutions per minute) to produce the desired output. In some embodiments, the current efficiency of a motor may be expressed as a percentage of how efficient the motor is compared to a maximum efficiency value when the motor is first installed. Motor efficiency may be determined based on the amount of resources required as input to effect a particular change. For example, the efficiency of an electric motor within a compressor may be defined by the amount of electricity required to compress a given amount of gas (eg, air). In the example, a 50% efficiency of an electric motor is half as efficient as when the motor was first installed, thereby requiring twice as much power to compress a given amount of gas. can show To predict motor efficiency, the AI model maps various inputs (e.g., amount of power consumed by the motor, ambient temperature, motor revolutions per minute (RPM) value, etc.) to motor efficiency values. can be trained to

振動、障害コンディション、及びモータ効率を予測するために使用されるＡＩモデルが別々に説明されるが、本開示はまた、前述の予測目標のうちの１つ以上を予測する１つ以上の集計ＡＩモデルを企図することに留意されたい。例えば、単一のＡＩモデルは、コンプレッサに影響を与え得る振動及び障害コンディションに関連付けられた電流を予測するように訓練され得る。本開示のこれら及び他の特徴は、以下で詳細に考察される。 Although the AI models used to predict vibration, fault conditions, and motor efficiency are described separately, this disclosure also describes one or more aggregate AI models that predict one or more of the aforementioned prediction goals. Note that we contemplate a model. For example, a single AI model can be trained to predict currents associated with vibration and fault conditions that can affect a compressor. These and other features of the disclosure are discussed in detail below.

ＨＶＡＣシステム及び建物管理システムの構築
ここで、図１～図５を参照すると、いくつかの実施形態による、本開示のシステム及び方法が実装され得る、いくつかの建物管理システム（ＢＭＳ）及びＨＶＡＣシステムが示される。簡単な概要では、図１は、ＨＶＡＣシステム１００を備えた建物１０を示す。図２は、建物１０にサービスを提供するために使用することができるウォーターサイドシステム２００のブロック図である。図３は、建物１０にサービスを提供するために使用することができるエアサイドシステム３００のブロック図である。図４は、建物１０を監視及び制御するために使用することができるＢＭＳのブロック図である。図５は、建物１０を監視及び制御するために使用することができる別のＢＭＳのブロック図である。 Building HVAC and Building Management Systems Referring now to FIGS. 1-5, several building management systems (BMS) and HVAC systems in which the systems and methods of the present disclosure may be implemented, according to some embodiments. is shown. In brief overview, FIG. 1 shows a building 10 with an HVAC system 100 . FIG. 2 is a block diagram of a waterside system 200 that may be used to service building 10 . FIG. 3 is a block diagram of an airside system 300 that may be used to service building 10 . FIG. 4 is a block diagram of a BMS that can be used to monitor and control building 10. As shown in FIG. FIG. 5 is a block diagram of another BMS that can be used to monitor and control building 10. As shown in FIG.

建物及びＨＶＡＣシステム
特に図１を参照すると、建物１０の斜視図が示される。建物１０は、ＢＭＳによってサービスを提供される。ＢＭＳは、一般に、建物又は建物領域の中又はその周辺の装置を制御、監視、及び管理するように構成されたデバイスのシステムである。ＢＭＳは、例えば、ＨＶＡＣシステム、セキュリティシステム、照明システム、火災警報システム、建物機能又はデバイスを管理することが可能である任意の他のシステム、又はそれらの任意の組み合わせを含むことができる。 BUILDINGS AND HVAC SYSTEMS Referring specifically to FIG. 1, a perspective view of a building 10 is shown. Building 10 is served by BMS. A BMS is generally a system of devices configured to control, monitor, and manage equipment in or around a building or building area. A BMS may include, for example, HVAC systems, security systems, lighting systems, fire alarm systems, any other system capable of managing building functions or devices, or any combination thereof.

建物１０にサービスを提供するＢＭＳは、ＨＶＡＣシステム１００を含む。ＨＶＡＣシステム１００は、暖房、冷却、換気、又は建物１０のための他のサービスを提供するように構成された複数のＨＶＡＣデバイス（例えば、ヒータ、冷却器、空気処理ユニット、ポンプ、ファン、熱エネルギーストレージなど）を含むことができる。例えば、ＨＶＡＣシステム１００は、ウォーターサイドシステム１２０及びエアサイドシステム１３０を含むことが示される。ウォーターサイドシステム１２０は、加熱又は冷却された流体を、エアサイドシステム１３０の空気処理ユニットに提供し得る。エアサイドシステム１３０は、加熱又は冷却された流体を使用して、建物１０に提供される空気流を加熱又は冷却し得る。ＨＶＡＣシステム１００で使用することができる例示的なウォーターサイドシステム及びエアサイドシステムは、図２～図３を参照してより詳細に説明される。 A BMS serving building 10 includes an HVAC system 100 . HVAC system 100 may include multiple HVAC devices (e.g., heaters, coolers, air handling units, pumps, fans, thermal energy storage, etc.). For example, HVAC system 100 is shown to include waterside system 120 and airside system 130 . The waterside system 120 may provide heated or cooled fluid to the air handling units of the airside system 130 . Airside system 130 may use heated or cooled fluid to heat or cool the airflow provided to building 10 . Exemplary waterside and airside systems that may be used with HVAC system 100 are described in more detail with reference to FIGS. 2-3.

ＨＶＡＣシステム１００は、冷却器１０２、ボイラ１０４、及び屋上空気処理ユニット（ＡＨＵ）１０６を含むことが示されている。ウォーターサイドシステム１２０は、ボイラ１０４及び冷却器１０２を使用して、作動流体（例えば、水、グリコールなど）を加熱又は冷却し得、作動流体をＡＨＵ１０６に循環させ得る。様々な実施形態では、ウォーターサイドシステム１２０のＨＶＡＣデバイスは、建物１０（図１に示すように）内又はその周りに、又は中央プラント（例えば、冷却プラント、蒸気プラント、熱プラントなど）などのオフサイト場所に位置することができる。作動流体は、建物１０で加熱又は冷却が必要かどうかに応じて、ボイラ１０４で加熱され得、又は冷却器１０２で冷却され得る。ボイラ１０４は、例えば、可燃性材料（例えば、天然ガス）を燃焼させることによって、又は電気加熱要素を使用することによって、循環された流体に熱を加え得る。冷却器１０２は、循環された流体を、熱交換器（例えば、蒸発器）内の別の流体（例えば、冷媒）との熱交換関係に配置して、循環された流体から熱を吸収し得る。冷却器１０２及び／又はボイラ１０４からの作動流体は、配管１０８を介してＡＨＵ１０６に輸送され得る。 HVAC system 100 is shown to include chiller 102 , boiler 104 , and rooftop air handling unit (AHU) 106 . Waterside system 120 may use boiler 104 and cooler 102 to heat or cool a working fluid (eg, water, glycol, etc.) and circulate the working fluid to AHU 106 . In various embodiments, the HVAC devices of the waterside system 120 are installed in or around the building 10 (as shown in FIG. 1) or off-site, such as in a central plant (e.g., cooling plant, steam plant, heat plant, etc.). The site can be located at any location. The working fluid may be heated in boiler 104 or cooled in cooler 102 depending on whether building 10 requires heating or cooling. Boiler 104 may add heat to the circulated fluid, for example, by burning a combustible material (eg, natural gas) or by using an electric heating element. Chiller 102 may place the circulated fluid in a heat exchange relationship with another fluid (eg, refrigerant) in a heat exchanger (eg, an evaporator) to absorb heat from the circulated fluid. . Working fluid from cooler 102 and/or boiler 104 may be transported to AHU 106 via piping 108 .

ＡＨＵ１０６は、作動流体を、（例えば、冷却コイル及び／又は加熱コイルの１つ以上の段階を介して）ＡＨＵ１０６を通過する空気流と熱交換関係に配置し得る。空気流は、例えば、外部空気、建物１０内からの還気、又は両方の組み合わせであり得る。ＡＨＵ１０６は、空気流と作動流体との間で熱を伝達して、空気流の加熱又は冷却を提供し得る。例えば、ＡＨＵ１０６は、空気流を、作動流体を含む熱交換器の上を、又はそれを通って通過させるように構成された１つ以上のファン又はブロワを含むことができる。次に、作動流体は、配管１１０を介して冷却器１０２又はボイラ１０４に戻り得る。 AHU 106 may place the working fluid in a heat exchange relationship with airflow passing through AHU 106 (eg, via one or more stages of cooling and/or heating coils). The airflow can be, for example, outside air, return air from within building 10, or a combination of both. AHU 106 may transfer heat between the airflow and the working fluid to provide heating or cooling of the airflow. For example, AHU 106 may include one or more fans or blowers configured to pass airflow over or through a heat exchanger containing a working fluid. The working fluid may then return to cooler 102 or boiler 104 via line 110 .

エアサイドシステム１３０は、ＡＨＵ１０６によって供給された空気流（すなわち、供給空気流）を、空気供給ダクト１１２を介して建物１０に送達し得、建物１０からＡＨＵ１０６に空気戻りダクト１１４を介して還気を提供し得る。いくつかの実施形態では、エアサイドシステム１３０は、複数の可変空気量（ＶＡＶ）ユニット１１６を含む。例えば、エアサイドシステム１３０は、建物１０の各フロア又はゾーンに別個のＶＡＶユニット１１６を含むように示される。ＶＡＶユニット１１６は、建物１０の個々のゾーンに提供される供給空気流の量を制御するように動作させることができるダンパ又は他の流量制御要素を含むことができる。他の実施形態では、エアサイドシステム１３０は、中間ＶＡＶユニット１１６又は他の流量制御要素を使用せずに、供給空気流を、建物１０の１つ以上のゾーンに（例えば、供給ダクト１１２を介して）送達する。ＡＨＵ１０６は、供給空気流の属性を測定するように構成された様々なセンサ（例えば、温度センサ、圧力センサなど）を含むことができる。ＡＨＵ１０６は、ＡＨＵ１０６内及び／又は建物ゾーン内に位置するセンサから入力を受信し得、ＡＨＵ１０６を通る供給空気流の流量、温度、又は他の属性を調節して、建物ゾーンの設定値コンディションを達成し得る。 Airside system 130 may deliver airflow supplied by AHU 106 (i.e., supply airflow) to building 10 via air supply duct 112 and return air from building 10 to AHU 106 via air return duct 114 . can provide In some embodiments, the airside system 130 includes multiple variable air volume (VAV) units 116 . For example, airside system 130 is shown to include a separate VAV unit 116 for each floor or zone of building 10 . VAV unit 116 may include dampers or other flow control elements that may be operated to control the amount of supply airflow provided to individual zones of building 10 . In other embodiments, airside system 130 directs supply airflow to one or more zones of building 10 (e.g., via supply duct 112) without the use of intermediate VAV unit 116 or other flow control elements. delivery). AHU 106 may include various sensors (eg, temperature sensors, pressure sensors, etc.) configured to measure attributes of the supply airflow. The AHU 106 may receive input from sensors located within the AHU 106 and/or within the building zone to adjust the flow rate, temperature, or other attributes of the supply airflow through the AHU 106 to achieve setpoint conditions for the building zone. can.

ウォーターサイドシステム
ここで図２を参照すると、いくつかの実施形態による、ウォーターサイドシステム２００のブロック図が示される。様々な実施形態では、ウォーターサイドシステム２００は、ＨＶＡＣシステム１００内のウォーターサイドシステム１２０を補完又は置き換え得、又はＨＶＡＣシステム１００とは別個に実装され得る。ＨＶＡＣシステム１００に実装されるとき、ウォーターサイドシステム２００は、ＨＶＡＣシステム１００内のＨＶＡＣデバイスのサブセット（例えば、ボイラ１０４、冷却器１０２、ポンプ、バルブなど）を含むことができ、加熱又は冷却された流体をＡＨＵ１０６に供給するように動作し得る。ウォーターサイドシステム２００のＨＶＡＣデバイスは、（例えば、ウォーターサイドシステム１２０の構成要素として）建物１０の中に、又は中央プラントのようなオフサイト場所に位置し得る。 Waterside System Referring now to FIG. 2, a block diagram of a waterside system 200 is shown, according to some embodiments. In various embodiments, waterside system 200 may complement or replace waterside system 120 within HVAC system 100 or may be implemented separately from HVAC system 100 . When implemented in HVAC system 100, waterside system 200 may include a subset of the HVAC devices in HVAC system 100 (e.g., boiler 104, chiller 102, pumps, valves, etc.) that are heated or cooled. It may operate to supply fluid to AHU 106 . The HVAC device of waterside system 200 may be located within building 10 (eg, as a component of waterside system 120) or at an off-site location such as a central plant.

図２において、ウォーターサイドシステム２００は、複数のサブプラント２０２～２１２を有する中央プラントとして示される。サブプラント２０２～２１２は、ヒータサブプラント２０２、熱回収冷却器サブプラント２０４、冷却器サブプラント２０６、冷却塔サブプラント２０８、高温熱エネルギーストレージ（ＴＥＳ）サブプラント２１０、及び低温熱エネルギーストレージ（ＴＥＳ）サブプラント２１２を含むことが示されている。サブプラント２０２～２１２は、建物又は構内の熱エネルギー負荷（例えば、温水、冷水、暖房、冷却など）を提供するために、ユーティリティから資源（例えば、水、天然ガス、電気など）を消費する。例えば、ヒータサブプラント２０２は、ヒータサブプラント２０２と建物１０との間の温水を循環させる温水ループ２１４内の水を加熱するように構成することができる。冷却器サブプラント２０６は、冷却器サブプラント２０６と建物１０との間の冷水を循環する冷水ループ２１６内の水を冷却するように構成することができる。熱回収冷却器サブプラント２０４は、熱を、冷水ループ２１６から温水ループ２１４に伝達して、温水のための追加の暖房及び冷水のための追加の冷却を提供するように構成することができる。凝縮器水ループ２１８は、冷却器サブプラント２０６内の冷水から熱を吸収し、冷却塔サブプラント２０８内で吸収された熱を排出し、又は吸収された熱を温水ループ２１４に伝達し得る。高温ＴＥＳサブプラント２１０及び低温ＴＥＳサブプラント２１２は、その後の使用のために、それぞれ、高温熱エネルギー及び低温熱エネルギーを貯蔵し得る。 In FIG. 2, waterside system 200 is shown as a central plant having multiple sub-plants 202-212. Subplants 202-212 include a heater subplant 202, a heat recovery cooler subplant 204, a cooler subplant 206, a cooling tower subplant 208, a high temperature thermal energy storage (TES) subplant 210, and a low temperature thermal energy storage (TES) subplant. ) subplant 212 . Subplants 202-212 consume resources (eg, water, natural gas, electricity, etc.) from utilities to provide thermal energy loads (eg, hot water, cold water, heating, cooling, etc.) for a building or premises. For example, heater subplant 202 may be configured to heat water in hot water loop 214 that circulates hot water between heater subplant 202 and building 10 . Chiller subplant 206 may be configured to cool water in chilled water loop 216 that circulates chilled water between chiller subplant 206 and building 10 . Heat recovery chiller subplant 204 may be configured to transfer heat from cold water loop 216 to hot water loop 214 to provide additional heating for hot water and additional cooling for cold water. Condenser water loop 218 may absorb heat from the chilled water in cooler subplant 206 , exhaust heat absorbed in cooling tower subplant 208 , or transfer absorbed heat to hot water loop 214 . Hot TES subplant 210 and cold TES subplant 212 may store hot and cold thermal energy, respectively, for subsequent use.

温水ループ２１４及び冷水ループ２１６は、加熱及び／又は冷却された水を、建物１０の屋上に位置するエアハンドラ（例えば、ＡＨＵ１０６）に、又は建物１０の個々のフロア又はゾーン（例えば、ＶＡＶユニット１１６）に送達し得る。エアハンドラは、水が流れる熱交換器（例えば、加熱コイル又は冷却コイル）を通って空気を押し、空気の加熱又は冷却を提供する。加熱又は冷却された空気は、建物１０の個々のゾーンに送達されて、建物１０の熱エネルギー負荷を提供することができる。次いで、水は、サブプラント２０２～２１２に戻って、更なる加熱又は冷却を受ける。 A hot water loop 214 and a cold water loop 216 deliver heated and/or cooled water to air handlers (e.g., AHU 106) located on the roof of building 10 or to individual floors or zones of building 10 (e.g., VAV units 116). ). The air handler pushes the air through a water-flowing heat exchanger (eg, heating or cooling coils) to provide heating or cooling of the air. Heated or cooled air can be delivered to individual zones of the building 10 to provide the thermal energy load of the building 10 . The water is then returned to subplants 202-212 for further heating or cooling.

サブプラント２０２～２１２は、建物への循環のための加熱水及び冷却水として示され、説明されているが、熱エネルギー負荷を提供するために、水の代わりに又はそれに加えて、任意の他のタイプの作動流体（例えば、グリコール、ＣＯ２など）を使用することができることが理解される。他の実施形態では、サブプラント２０２～２１２は、中間熱伝達流体を必要とせずに、建物又は構内に直接加熱及び／又は冷却を提供し得る。これら及びウォーターサイドシステム２００に対する他の変形形態は、本開示の教示内にある。 Subplants 202-212 are shown and described as heating and cooling water for circulation to the building, but any other (eg, glycol, CO2, etc.) can be used. In other embodiments, subplants 202-212 may provide heating and/or cooling directly to a building or premises without the need for an intermediate heat transfer fluid. These and other variations to the waterside system 200 are within the teachings of the present disclosure.

サブプラント２０２～２１２の各々は、サブプラントの機能を容易にするように構成された様々な装置を含むことができる。例えば、ヒータサブプラント２０２は、温水ループ２１４内の温水に熱を加えるように構成された複数の加熱要素２２０（例えば、ボイラ、電気ヒータなど）を含むように示される。ヒータサブプラント２０２は、温水ループ２１４内の温水を循環させ、かつ個々の加熱要素２２０を通る温水の流量を制御するように構成されたいくつかのポンプ２２２及び２２４も含むことが示されている。冷却器サブプラント２０６は、冷水ループ２１６内の冷水から熱を除去するように構成された複数の冷却器２３２を含むことが示されている。冷却器サブプラント２０６はまた、冷水ループ２１６内の冷水を循環させ、かつ個々の冷却器２３２を通る冷水の流量を制御するように構成されたいくつかのポンプ２３４及び２３６を含むことが示されている。 Each of subplants 202-212 may include various devices configured to facilitate the functioning of the subplant. For example, heater subplant 202 is shown to include a plurality of heating elements 220 (eg, boilers, electric heaters, etc.) configured to add heat to hot water in hot water loop 214 . Heater subplant 202 is also shown to include a number of pumps 222 and 224 configured to circulate hot water in hot water loop 214 and to control the flow of hot water through individual heating elements 220 . . Chiller subplant 206 is shown to include a plurality of chillers 232 configured to remove heat from chilled water in chilled water loop 216 . Chiller subplant 206 is also shown to include a number of pumps 234 and 236 configured to circulate chilled water within chilled water loop 216 and to control the flow of chilled water through individual chillers 232 . ing.

熱回収冷却器サブプラント２０４は、冷水ループ２１６から温水ループ２１４に熱を伝達するように構成された複数の熱回収熱交換器２２６（例えば、冷蔵回路）を含むことが示されている。熱回収冷却器サブプラント２０４はまた、熱回収熱交換器２２６を通して温水及び／又は冷水を循環させ、かつ個々の熱回収熱交換器２２６を通して水の流量を制御するように構成されたいくつかのポンプ２２８及び２３０を含むことが示されている。冷却塔サブプラント２０８は、凝縮器水ループ２１８内の凝縮器水から熱を除去するように構成された複数の冷却塔２３８を含むことが示されている。冷却塔サブプラント２０８はまた、凝縮器水ループ２１８内の凝縮器水を循環させ、かつ個々の冷却塔２３８を通る凝縮器水の流量を制御するように構成されたいくつかのポンプ２４０を含むことが示されている。 Heat recovery chiller subplant 204 is shown to include a plurality of heat recovery heat exchangers 226 (eg, refrigeration circuits) configured to transfer heat from cold water loop 216 to hot water loop 214 . The heat recovery chiller subplant 204 also has a number of heat recovery heat exchangers 226 configured to circulate hot and/or cold water through the heat recovery heat exchangers 226 and to control the flow of water through the individual heat recovery heat exchangers 226 . It is shown to include pumps 228 and 230 . Cooling tower subplant 208 is shown to include a plurality of cooling towers 238 configured to remove heat from the condenser water in condenser water loop 218 . Cooling tower subplant 208 also includes a number of pumps 240 configured to circulate condenser water within condenser water loop 218 and to control the flow of condenser water through individual cooling towers 238 . is shown.

高温ＴＥＳサブプラント２１０は、後で使用するために、温水を貯蔵するように構成された高温ＴＥＳタンク２４２を含むことが示されている。高温ＴＥＳサブプラント２１０はまた、高温ＴＥＳタンク２４２への、又は高温ＴＥＳタンク２４２からの温水の流量を制御するように構成された１つ以上のポンプ又はバルブを含み得る。低温ＴＥＳサブプラント２１２は、後で使用するために、冷水を貯蔵するように構成された低温ＴＥＳタンク２４４を含むことが示されている。低温ＴＥＳサブプラント２１２はまた、低温ＴＥＳタンク２４４への、又は低温ＴＥＳタンク２４４からの冷水の流量を制御するように構成された１つ以上のポンプ又はバルブを含み得る。 The hot TES subplant 210 is shown to include a hot TES tank 242 configured to store hot water for later use. Hot TES subplant 210 may also include one or more pumps or valves configured to control the flow of hot water to or from hot TES tank 242 . Cryogenic TES subplant 212 is shown to include a cryogenic TES tank 244 configured to store chilled water for later use. Cryogenic TES subplant 212 may also include one or more pumps or valves configured to control the flow of chilled water to or from cryogenic TES tank 244 .

いくつかの実施形態では、ウォーターサイドシステム２００内の１つ以上のポンプ（例えば、ポンプ２２２、２２４、２２８、２３０、２３４、２３６、及び／又は２４０）又はウォーターサイドシステム２００内のパイプラインは、それに関連付けられた隔離弁を含む。隔離弁は、ポンプと統合するか、又はポンプの上流又は下流に配置されて、ウォーターサイドシステム２００内の流体の流れを制御することができる。様々な実施形態では、ウォーターサイドシステム２００は、ウォーターサイドシステム２００の特定の構成及びウォーターサイドシステム２００によって提供される負荷の種類に基づいて、より多くの、より少ない、又は異なるタイプのデバイス及び／又はサブプラントを含むことができる。 In some embodiments, one or more pumps (e.g., pumps 222, 224, 228, 230, 234, 236, and/or 240) in waterside system 200 or pipelines in waterside system 200 are including an isolation valve associated therewith. Isolation valves may be integrated with the pump or located upstream or downstream of the pump to control fluid flow within the waterside system 200 . In various embodiments, the waterside system 200 may include more, fewer, or different types of devices and/or devices based on the particular configuration of the waterside system 200 and the type of load provided by the waterside system 200. or sub-plants.

エアサイドシステム
ここで図３を参照すると、いくつかの実施形態による、エアサイドシステム３００のブロック図が示される。様々な実施形態では、エアサイドシステム３００は、ＨＶＡＣシステム１００内のエアサイドシステム１３０を補完又は置き換え得、又はＨＶＡＣシステム１００とは別個に実装され得る。ＨＶＡＣシステム１００内に実装されるとき、エアサイドシステム３００は、ＨＶＡＣシステム１００内のＨＶＡＣデバイスのサブセット（例えば、ＡＨＵ１０６、ＶＡＶユニット１１６、ダクト１１２～１１４、ファン、ダンパなど）を含むことができ、建物１０内又は建物１０の周りに位置することができる。エアサイドシステム３００は、ウォーターサイドシステム２００によって提供される加熱又は冷却された流体を使用して、建物１０に提供される空気流を加熱又は冷却するように動作し得る。 Airside System Referring now to FIG. 3, a block diagram of an airside system 300 is shown, according to some embodiments. In various embodiments, airside system 300 may complement or replace airside system 130 within HVAC system 100 or may be implemented separately from HVAC system 100 . When implemented within HVAC system 100, airside system 300 may include a subset of the HVAC devices within HVAC system 100 (e.g., AHU 106, VAV unit 116, ducts 112-114, fans, dampers, etc.); It can be located in or around building 10 . Airside system 300 may operate to heat or cool the airflow provided to building 10 using the heated or cooled fluid provided by waterside system 200 .

図３では、エアサイドシステム３００は、エコノマイザタイプの空気処理ユニット（ＡＨＵ）３０２を含むことが示されている。エコノマイザタイプのＡＨＵは、空気処理ユニットが加熱又は冷却のために使用する外部空気及び還気の量を変化させる。例えば、ＡＨＵ３０２は、還気ダクト３０８を介して建物ゾーン３０６から還気３０４を受け取り得、供給空気ダクト３１２を介して建物ゾーン３０６に供給空気３１０を送達し得る。いくつかの実施形態では、ＡＨＵ３０２は、建物１０の屋上に位置する（例えば、図１に示されるようなＡＨＵ１０６）、又はそうでなければ還気３０４及び外部空気３１４の両方を受け入れるように配置された屋上ユニットである。ＡＨＵ３０２は、排気ダンパ３１６、混合ダンパ３１８、及び外気ダンパ３２０を動作させて、供給空気３１０を形成するために組み合わされる外部空気３１４及び還気３０４の量を制御するように構成することができる。混合ダンパ３１８を通過しない任意の還気３０４は、排気空気３２２として、ＡＨＵ３０２から排気ダンパ３１６を通って排出され得る。 In FIG. 3, the airside system 300 is shown to include an economizer-type air handling unit (AHU) 302 . Economizer-type AHUs vary the amount of external and return air that the air handling unit uses for heating or cooling. For example, AHU 302 may receive return air 304 from building zone 306 via return air duct 308 and may deliver supply air 310 to building zone 306 via supply air duct 312 . In some embodiments, AHU 302 is located on the roof of building 10 (eg, AHU 106 as shown in FIG. 1) or otherwise positioned to receive both return air 304 and outside air 314. It is a rooftop unit. AHU 302 may be configured to operate exhaust damper 316 , mixing damper 318 , and ambient air damper 320 to control the amount of ambient air 314 and return air 304 that combine to form supply air 310 . Any return air 304 that does not pass through mixing damper 318 may be exhausted from AHU 302 through exhaust damper 316 as exhaust air 322 .

ダンパ３１６～３２０の各々は、アクチュエータによって動作させることができる。例えば、排気ダンパ３１６は、アクチュエータ３２４によって動作させることができ、混合ダンパ３１８は、アクチュエータ３２６によって動作させることができ、外気ダンパ３２０は、アクチュエータ３２８によって動作させることができる。アクチュエータ３２４～３２８は、通信リンク３３２を介してＡＨＵコントローラ３３０と通信し得る。アクチュエータ３２４～３２８は、ＡＨＵコントローラ３３０から制御信号を受信し得、ＡＨＵコントローラ３３０にフィードバック信号を提供し得る。フィードバック信号は、例えば、電流アクチュエータ又はダンパ位置の指示、アクチュエータによって及ぼされるトルク又は力の量、診断情報（例えば、アクチュエータ３２４～３２８によって実行された診断テストの結果）、ステータス情報、試運転情報、構成設定、較正データ、及び／又はアクチュエータ３２４～３２８によって収集、記憶、又は使用され得る他のタイプの情報若しくはデータを含むことができる。ＡＨＵコントローラ３３０は、１つ以上の制御アルゴリズム（例えば、状態ベースのアルゴリズム、極値探索制御（ＥＳＣ）アルゴリズム、比例積分（ＰＩ）制御アルゴリズム、比例積分微分（ＰＩＤ）制御アルゴリズム、モデル予測制御（ＭＰＣ）アルゴリズム、フィードバック制御アルゴリズムなど）を使用して、アクチュエータ３２４～３２８を制御するように構成されたエコノマイザコントローラであり得る。 Each of dampers 316-320 may be operated by an actuator. For example, exhaust damper 316 may be operated by actuator 324 , mixing damper 318 may be operated by actuator 326 , and outside air damper 320 may be operated by actuator 328 . Actuators 324 - 328 may communicate with AHU controller 330 via communication link 332 . Actuators 324 - 328 may receive control signals from AHU controller 330 and may provide feedback signals to AHU controller 330 . Feedback signals may be, for example, an indication of current actuator or damper position, the amount of torque or force exerted by the actuator, diagnostic information (eg, results of diagnostic tests performed by actuators 324-328), status information, commissioning information, configuration Settings, calibration data, and/or other types of information or data that may be collected, stored, or used by actuators 324-328 may be included. AHU controller 330 implements one or more control algorithms (e.g., state-based algorithms, extremum seeking control (ESC) algorithms, proportional-integral (PI) control algorithms, proportional-integral-derivative (PID) control algorithms, model predictive control (MPC ) algorithm, feedback control algorithm, etc.) to control the actuators 324-328.

更に図３を参照すると、ＡＨＵ３０２は、供給空気ダクト３１２内に配置された、冷却コイル３３４、加熱コイル３３６、及びファン３３８を含むことが示されている。ファン３３８は、冷却コイル３３４及び／又は加熱コイル３３６を通して供給空気３１０を強制的に送り、かつ供給空気３１０を建物ゾーン３０６に提供するように構成することができる。ＡＨＵコントローラ３３０は、通信リンク３４０を介してファン３３８と通信して、供給空気３１０の流量を制御し得る。いくつかの実施形態では、ＡＨＵコントローラ３３０は、ファン３３８の速度を変調することによって、供給空気３１０に印加される加熱又は冷却の量を制御する。 Still referring to FIG. 3 , AHU 302 is shown to include cooling coils 334 , heating coils 336 and fan 338 positioned within supply air duct 312 . Fan 338 may be configured to force supply air 310 through cooling coils 334 and/or heating coils 336 and to provide supply air 310 to building zone 306 . AHU controller 330 may communicate with fan 338 via communication link 340 to control the flow rate of supply air 310 . In some embodiments, AHU controller 330 controls the amount of heating or cooling applied to supply air 310 by modulating the speed of fan 338 .

冷却コイル３３４は、配管３４２を介してウォーターサイドシステム２００から（例えば、冷水ループ２１６から）冷却された流体を受け入れ得、配管３４４を介してウォーターサイドシステム２００に冷却された流体を戻し得る。バルブ３４６は、冷却コイル３３４を通る冷却された流体の流量を制御するために、配管３４２又は配管３４４に沿って配置することができる。いくつかの実施形態では、冷却コイル３３４は、独立して（例えば、ＡＨＵコントローラ３３０によって、ＢＭＳコントローラ３６６によって、など）アクティブ及び非アクティブにされて、供給空気３１０に印加される冷却の量を調節することができる複数の段階の冷却コイルを含む。 Cooling coil 334 may receive chilled fluid from waterside system 200 (eg, from cold water loop 216 ) via piping 342 and may return cooled fluid to waterside system 200 via piping 344 . A valve 346 may be positioned along line 342 or line 344 to control the flow of chilled fluid through cooling coil 334 . In some embodiments, cooling coils 334 are activated and deactivated independently (eg, by AHU controller 330, by BMS controller 366, etc.) to regulate the amount of cooling applied to supply air 310. It includes multiple stages of cooling coils that can be

加熱コイル３３６は、配管３４８を介してウォーターサイドシステム２００から（例えば、温水ループ２１４から）加熱された流体を受け入れ得、配管３５０を介してウォーターサイドシステム２００に加熱された流体を戻し得る。バルブ３５２は、加熱コイル３３６を通る加熱された流体の流量を制御するために、配管３４８又は配管３５０に沿って配置することができる。いくつかの実施形態では、加熱コイル３３６は、独立して（例えば、ＡＨＵコントローラ３３０によって、ＢＭＳコントローラ３６６によって、など）アクティブ及び非アクティブにされて、供給空気３１０に印加される加熱の量を調節することができる複数の段階の加熱コイルを含む。 Heating coil 336 may receive heated fluid from waterside system 200 (eg, from hot water loop 214 ) via piping 348 and may return heated fluid to waterside system 200 via piping 350 . A valve 352 may be positioned along line 348 or line 350 to control the flow of heated fluid through heating coil 336 . In some embodiments, heating coils 336 are activated and deactivated independently (eg, by AHU controller 330, by BMS controller 366, etc.) to regulate the amount of heating applied to supply air 310. It includes a multi-stage heating coil that can be

バルブ３４６及び３５２の各々は、アクチュエータによって制御され得る。例えば、バルブ３４６は、アクチュエータ３５４によって制御され得、バルブ３５２は、アクチュエータ３５６によって制御され得る。アクチュエータ３５４～３５６は、通信リンク３５８～３６０を介してＡＨＵコントローラ３３０と通信し得る。アクチュエータ３５４～３５６は、ＡＨＵコントローラ３３０から制御信号を受信し得、コントローラ３３０にフィードバック信号を提供し得る。いくつかの実施形態では、ＡＨＵコントローラ３３０は、供給空気ダクト３１２（例えば、冷却コイル３３４及び／又は加熱コイル３３６の下流）に配置された温度センサ３６２から、供給空気温度の測定値を受信する。ＡＨＵコントローラ３３０はまた、建物ゾーン３０６に位置する温度センサ３６４から、建物ゾーン３０６の温度の測定値を受信し得る。 Each of valves 346 and 352 may be controlled by an actuator. For example, valve 346 may be controlled by actuator 354 and valve 352 may be controlled by actuator 356 . Actuators 354-356 may communicate with AHU controller 330 via communication links 358-360. Actuators 354 - 356 may receive control signals from AHU controller 330 and may provide feedback signals to controller 330 . In some embodiments, AHU controller 330 receives supply air temperature measurements from temperature sensors 362 located in supply air duct 312 (eg, downstream of cooling coils 334 and/or heating coils 336). AHU controller 330 may also receive measurements of the temperature of building zone 306 from temperature sensor 364 located in building zone 306 .

いくつかの実施形態では、ＡＨＵコントローラ３３０は、アクチュエータ３５４～３５６を介してバルブ３４６及び３５２を動作させて、空気３１０に提供される加熱又は冷却の量を調節する（例えば、供給空気３１０に対する設定値温度を達成するか、又は供給空気３１０の温度を、設定値温度範囲内に維持する）。バルブ３４６及び３５２の位置は、冷却コイル３３４又は加熱コイル３３６によって供給空気３１０に提供される加熱又は冷却の量に影響を与え、所望の供給空気温度を達成するために消費されるエネルギーの量と相関し得る。ＡＨＵ３３０は、コイル３３４～３３６をアクティブ若しくは非アクティブにすること、ファン３３８の速度を調整すること、又はその両方の組み合わせによって、供給空気３１０及び／又は建物ゾーン３０６の温度を制御し得る。 In some embodiments, AHU controller 330 operates valves 346 and 352 via actuators 354-356 to adjust the amount of heating or cooling provided to air 310 (eg, set achieve the value temperature or maintain the temperature of the supply air 310 within the set value temperature range). The position of valves 346 and 352 affects the amount of heating or cooling provided to supply air 310 by cooling coils 334 or heating coils 336, and the amount of energy consumed to achieve the desired supply air temperature. can be correlated. AHU 330 may control the temperature of supply air 310 and/or building zone 306 by activating or deactivating coils 334-336, adjusting the speed of fan 338, or a combination of both.

更に図３を参照すると、エアサイドシステム３００は、建物管理システム（ＢＭＳ）コントローラ３６６及びクライアントデバイス３６８を含むことが示されている。ＢＭＳコントローラ３６６は、エアサイドシステム３００、ウォーターサイドシステム２００、ＨＶＡＣシステム１００、及び／又は建物１０にサービスを提供する他の制御可能なシステムに対する、システムレベルコントローラ、アプリケーション若しくはデータサーバ、ヘッドノード、又はマスターコントローラとして機能する１つ以上のコンピュータシステム（例えば、サーバ、監視コントローラ、サブシステムコントローラなど）を含むことができる。ＢＭＳコントローラ３６６は、同様の、又は異なるプロトコル（例えば、ＬＯＮ、ＢＡＣｎｅｔなど）に従って、通信リンク３７０を介して、複数の下流の建物システム又はサブシステム（例えば、ＨＶＡＣシステム１００、セキュリティシステム、照明システム、ウォーターサイドシステム２００など）と通信し得る。様々な実施形態では、ＡＨＵコントローラ３３０及びＢＭＳコントローラ３６６は、（図３に示されるように）分離され得るか、又は統合され得る。統合された実装態様では、ＡＨＵコントローラ３３０は、ＢＭＳコントローラ３６６のプロセッサによる実行のために構成されたソフトウェアモジュールであり得る。 Still referring to FIG. 3, airside system 300 is shown to include building management system (BMS) controller 366 and client device 368 . BMS controller 366 is a system level controller, application or data server, head node, or head node for airside system 300, waterside system 200, HVAC system 100, and/or other controllable systems that service building It can include one or more computer systems (eg, servers, supervisory controllers, subsystem controllers, etc.) that act as master controllers. BMS controller 366 communicates with multiple downstream building systems or subsystems (e.g., HVAC system 100, security system, lighting system, waterside system 200). In various embodiments, AHU controller 330 and BMS controller 366 may be separate (as shown in FIG. 3) or integrated. In an integrated implementation, AHU controller 330 may be a software module configured for execution by the BMS controller 366 processor.

いくつかの実施形態では、ＡＨＵコントローラ３３０は、ＢＭＳコントローラ３６６から情報（例えば、コマンド、設定値、動作境界など）を受信し、ＢＭＳコントローラ３６６に情報（例えば、温度測定、バルブ又はアクチュエータ位置、動作ステータス、診断など）を提供する。例えば、ＡＨＵコントローラ３３０は、建物ゾーン３０６内の可変状態若しくはコンディションを監視若しくは制御するためにＢＭＳコントローラ３６６によって使用され得る、温度センサ３６２～３６４、装置オン／オフ状態、装置動作容量、及び／又は任意の他の情報からの温度測定値を、ＢＭＳコントローラ３６６に提供し得る。 In some embodiments, AHU controller 330 receives information (eg, commands, setpoints, operating boundaries, etc.) from BMS controller 366 and provides information (eg, temperature measurements, valve or actuator positions, operating status, diagnostics, etc.). For example, AHU controller 330 may be used by BMS controller 366 to monitor or control variable states or conditions within building zone 306, such as temperature sensors 362-364, equipment on/off status, equipment operating capacity, and/or Temperature measurements from any other information may be provided to BMS controller 366 .

クライアントデバイス３６８は、ＨＶＡＣシステム１００、そのサブシステム、及び／若しくはデバイスを制御する、閲覧する、若しくはそうでなければ相互作用するための１つ以上のヒューマンマシンインターフェース、又はクライアントインターフェース（例えば、グラフィカルユーザインターフェース、レポートインターフェース、テキストベースのコンピュータインターフェース、クライアント対応ウェブサービス、ウェブクライアントにページを提供するウェブサーバなど）を含むことができる。クライアントデバイス３６８は、コンピュータワークステーション、クライアント端末、リモート若しくはローカルインターフェース、又は任意の他のタイプのユーザインターフェースデバイスであり得る。クライアントデバイス３６８は、固定端末又はモバイルデバイスであり得る。例えば、クライアントデバイス３６８は、デスクトップコンピュータ、ユーザインターフェースを備えるコンピュータサーバ、ラップトップコンピュータ、タブレット、スマートフォン、ＰＤＡ、又は任意の他のタイプのモバイルデバイス若しくは非モバイルデバイスであり得る。クライアントデバイス３６８は、通信リンク３７２を介して、ＢＭＳコントローラ３６６及び／又はＡＨＵコントローラ３３０と通信し得る。 Client device 368 is one or more human-machine interfaces or client interfaces (e.g., graphical user interfaces) for controlling, viewing, or otherwise interacting with HVAC system 100, its subsystems, and/or devices. interface, report interface, text-based computer interface, client-facing web service, web server serving pages to web clients, etc.). Client device 368 may be a computer workstation, client terminal, remote or local interface, or any other type of user interface device. Client device 368 may be a fixed terminal or a mobile device. For example, client device 368 can be a desktop computer, a computer server with a user interface, a laptop computer, a tablet, a smart phone, a PDA, or any other type of mobile or non-mobile device. Client device 368 may communicate with BMS controller 366 and/or AHU controller 330 via communication link 372 .

建物管理システム
ここで図４を参照すると、いくつかの実施形態による、建物管理システム（ＢＭＳ）４００のブロック図が示される。ＢＭＳ４００は、様々な建物機能を自動的に監視及び制御するために、建物１０に実装され得る。ＢＭＳ４００は、ＢＭＳコントローラ３６６及び複数の建物サブシステム４２８を含むことが示される。建物サブシステム４２８は、建物電気サブシステム４３４、情報通信技術（ＩＣＴ）サブシステム４３６、セキュリティサブシステム４３８、ＨＶＡＣサブシステム４４０、照明サブシステム４４２、リフト／エスカレータサブシステム４３２、及び防火安全サブシステム４３０を含むことが示される。様々な実施形態では、建物サブシステム４２８は、より少ないサブシステム、追加サブシステム、又は代替サブシステムを含むことができる。例えば、建物サブシステム４２８はまた、又は代替的に、冷蔵サブシステム、広告サブシステム若しくは標識サブシステム、調理サブシステム、自動販売サブシステム、プリンタ若しくはコピーサービスサブシステム、又は制御可能な装置及び／若しくはセンサを使用して、建物１０を監視若しくは制御する任意の他のタイプの建物サブシステムを含み得る。いくつかの実施形態では、建物サブシステム４２８は、図２～図３を参照して説明された、ウォーターサイドシステム２００及び／又はエアサイドシステム３００を含む。 Building Management System Referring now to FIG. 4, a block diagram of a building management system (BMS) 400 is shown, according to some embodiments. BMS 400 may be implemented in building 10 to automatically monitor and control various building functions. BMS 400 is shown to include BMS controller 366 and multiple building subsystems 428 . Building subsystems 428 include building electrical subsystem 434 , information and communication technology (ICT) subsystem 436 , security subsystem 438 , HVAC subsystem 440 , lighting subsystem 442 , lift/escalator subsystem 432 , and fire safety subsystem 430 . is shown to contain In various embodiments, building subsystems 428 may include fewer subsystems, additional subsystems, or alternative subsystems. For example, building subsystem 428 may also or alternatively include a refrigeration subsystem, an advertising or signage subsystem, a cooking subsystem, a vending subsystem, a printer or copy service subsystem, or any controllable device and/or It may include any other type of building subsystem that monitors or controls building 10 using sensors. In some embodiments, building subsystem 428 includes waterside system 200 and/or airside system 300 described with reference to FIGS.

建物サブシステム４２８の各々は、その個々の機能及び制御活動を完了するための任意の数のデバイス、コントローラ、及び接続を含むことができる。ＨＶＡＣサブシステム４４０は、図１～図３を参照して説明された、ＨＶＡＣシステム１００と同じ構成要素の多くを含むことができる。例えば、ＨＶＡＣサブシステム４４０は、冷却器、ボイラ、任意の数の空気処理ユニット、エコノマイザ、フィールドコントローラ、監視コントローラ、アクチュエータ、温度センサ、及び建物１０内の温度、湿度、空気流、又は他の可変コンディションを制御するための他のデバイスを含むことができる。照明サブシステム４４２は、任意の数の照明器具、バラスト、照明センサ、調光器、又は建物空間に提供される光の量を制御可能に調整するように構成された他のデバイスを含むことができる。セキュリティサブシステム４３８は、占有センサ、ビデオ監視カメラ、デジタルビデオレコーダ、ビデオ処理サーバ、侵入検出デバイス、アクセス制御デバイス及びサーバ、又は他のセキュリティ関連デバイスを含むことができる。 Each of building subsystems 428 may include any number of devices, controllers, and connections to complete its respective functions and control activities. HVAC subsystem 440 may include many of the same components as HVAC system 100 described with reference to FIGS. 1-3. For example, HVAC subsystem 440 may include chillers, boilers, any number of air handling units, economizers, field controllers, supervisory controllers, actuators, temperature sensors, and temperature, humidity, airflow, or other variables within building 10 . Other devices for controlling conditions can be included. Lighting subsystem 442 may include any number of lighting fixtures, ballasts, light sensors, dimmers, or other devices configured to controllably adjust the amount of light provided to the building space. can. Security subsystem 438 may include occupancy sensors, video surveillance cameras, digital video recorders, video processing servers, intrusion detection devices, access control devices and servers, or other security related devices.

更に図４を参照すると、ＢＭＳコントローラ３６６は、通信インターフェース４０７及びＢＭＳインターフェース４０９を含むことが示される。インターフェース４０７は、ＢＭＳコントローラ３６６及び／又はサブシステム４２８に対するユーザ制御、監視、及び調整を可能にするために、ＢＭＳコントローラ３６６と外部アプリケーション（例えば、監視及び報告アプリケーション４２２、エンタープライズ制御アプリケーション４２６、リモートシステム及びアプリケーション４４４、クライアントデバイス４４８上に存在するアプリケーションなど）との間の通信を容易にし得る。インターフェース４０７はまた、ＢＭＳコントローラ３６６とクライアントデバイス４４８との間の通信を容易にし得る。ＢＭＳインターフェース４０９は、ＢＭＳコントローラ３６６と建物サブシステム４２８（例えば、ＨＶＡＣ、照明セキュリティ、リフト、配電、ビジネスなど）との間の通信を容易にし得る。 Still referring to FIG. 4, BMS controller 366 is shown to include communication interface 407 and BMS interface 409 . Interface 407 interfaces BMS controller 366 and external applications (e.g., monitoring and reporting application 422, enterprise control application 426, remote system and applications 444, applications residing on client device 448, etc.). Interface 407 may also facilitate communication between BMS controller 366 and client device 448 . BMS interface 409 may facilitate communication between BMS controller 366 and building subsystems 428 (eg, HVAC, lighting security, lift, power distribution, business, etc.).

インターフェース４０７、４０９は、建物サブシステム４２８又は他の外部システム若しくはデバイスとデータ通信を行うための有線又は無線通信インターフェース（例えば、ジャック、アンテナ、伝送機、受信機、トランシーバ、有線端末など）であることができるか、又はそれを含むことができる。様々な実施形態では、インターフェース４０７、４０９を介した通信は、直接的なもの（例えば、ローカル有線又は無線通信）であり得るか、又は通信ネットワーク４４６（例えば、ＷＡＮ、インターネット、セルラネットワークなど）を介してであり得る。例えば、インターフェース４０７、４０９は、イーサネット（登録商標）ベースの通信リンク又はネットワークを介して、データを送信及び受信するためのイーサネットカード及びポートを含むことができる。別の例では、インターフェース４０７、４０９は、無線通信ネットワークを介して通信するためのＷｉ－Ｆｉトランシーバを含むことができる。別の例では、インターフェース４０７、４０９のうちの一方又は両方は、セルラフォン通信トランシーバ又はモバイルフォン通信トランシーバを含むことができる。一実施形態では、通信インターフェース４０７は、電源配管通信インターフェースであり、ＢＭＳインターフェース４０９は、イーサネットインターフェースである。他の実施形態では、通信インターフェース４０７及びＢＭＳインターフェース４０９の両方は、イーサネットインターフェースであるか、又は同じイーサネットインターフェースである。 Interfaces 407, 409 are wired or wireless communication interfaces (eg, jacks, antennas, transmitters, receivers, transceivers, wired terminals, etc.) for data communication with building subsystem 428 or other external systems or devices. can be or include it. In various embodiments, communication via interfaces 407, 409 can be direct (eg, local wired or wireless communication) or through communication network 446 (eg, WAN, Internet, cellular network, etc.). can be through For example, interfaces 407, 409 may include Ethernet cards and ports for transmitting and receiving data over Ethernet-based communication links or networks. In another example, interfaces 407, 409 can include Wi-Fi transceivers for communicating over wireless communication networks. In another example, one or both of interfaces 407, 409 may include a cellular phone communications transceiver or a mobile phone communications transceiver. In one embodiment, communication interface 407 is a power plumbing communication interface and BMS interface 409 is an Ethernet interface. In other embodiments, both communication interface 407 and BMS interface 409 are Ethernet interfaces or the same Ethernet interface.

更に図４を参照すると、ＢＭＳコントローラ３６６は、プロセッサ４０６及びメモリ４０８を含む処理回路４０４を含むことが示される。処理回路４０４及びその様々な構成要素が、インターフェース４０７、４０９を介してデータを送信及び受信することができるように、処理回路４０４は、ＢＭＳインターフェース４０９及び／又は通信インターフェース４０７に通信可能に接続され得る。プロセッサ４０６は、汎用プロセッサ、特定用途向け統合回路（ＡＳＩＣ）、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、処理構成要素のグループ、又は他の好適な電子処理構成要素として実装され得る。 Still referring to FIG. 4, BMS controller 366 is shown to include processing circuitry 404 including processor 406 and memory 408 . Processing circuitry 404 is communicatively coupled to BMS interface 409 and/or communication interface 407 such that processing circuitry 404 and its various components can transmit and receive data via interfaces 407 , 409 . obtain. Processor 406 may be implemented as a general purpose processor, an application specific integrated circuit (ASIC), one or more field programmable gate arrays (FPGA), a group of processing components, or other suitable electronic processing component.

メモリ４０８（例えば、メモリ、メモリユニット、記憶デバイスなど）は、本出願に記載される様々なプロセス、層、及びモジュールを完了又は容易にするためのデータ及び／又はコンピュータコードを記憶するための１つ以上のデバイス（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ハードディスク記憶装置など）を含むことができる。メモリ４０８は、揮発性メモリ又は不揮発性メモリであり得るか、又はそれを含むことができる。メモリ４０８は、データベース構成要素、オブジェクトコード構成要素、スクリプト構成要素、又は本出願に記載される様々な活動及び情報構造をサポートするための任意の他のタイプの情報構造を含むことができる。いくつかの実施形態によれば、メモリ４０８は、処理回路４０４を介してプロセッサ４０６に通信可能に接続され、本明細書に記載される１つ以上のプロセスを（例えば、処理回路４０４及び／又はプロセッサ４０６によって）実行するためのコンピュータコードを含む。 A memory 408 (eg, memory, memory unit, storage device, etc.) is one for storing data and/or computer code for completing or facilitating the various processes, layers, and modules described in this application. One or more devices (eg, RAM, ROM, flash memory, hard disk storage, etc.) may be included. Memory 408 may be or include volatile or non-volatile memory. Memory 408 may include database components, object code components, script components, or any other type of information structure to support the various activities and information structures described in this application. According to some embodiments, memory 408 is communicatively coupled to processor 406 via processing circuitry 404 to execute one or more processes described herein (e.g., processing circuitry 404 and/or includes computer code for execution by the processor 406).

いくつかの実施形態では、ＢＭＳコントローラ３６６は、単一のコンピュータ（例えば、１つのサーバ、１つのハウジングなど）内に実装される。様々な他の実施形態では、ＢＭＳコントローラ３６６は、複数のサーバ又はコンピュータ（例えば、分散された場所に存在し得る）にわたって分散され得る。更に、図４は、ＢＭＳコントローラ３６６の外部に存在するアプリケーション４２２及び４２６を示すが、いくつかの実施形態では、アプリケーション４２２及び４２６は、ＢＭＳコントローラ３６６内（例えば、メモリ４０８内）にホストされ得る。 In some embodiments, BMS controller 366 is implemented within a single computer (eg, one server, one housing, etc.). In various other embodiments, BMS controller 366 may be distributed across multiple servers or computers (eg, which may reside at distributed locations). Further, although FIG. 4 shows applications 422 and 426 residing external to BMS controller 366, in some embodiments applications 422 and 426 may be hosted within BMS controller 366 (eg, within memory 408). .

更に図４を参照すると、メモリ４０８は、エンタープライズ統合層４１０、自動測定及び検証（ＡＭ＆Ｖ）層４１２、需要応答（ＤＲ）層４１４、障害検出及び診断（ＦＤＤ）層４１６、統合制御層４１８、並びに後の建物サブシステム統合４２０を含むことが示される。層４１０～４２０は、建物サブシステム４２８及び他のデータソースから入力を受信し、入力に基づいて、建物サブシステム４２８に対する最適な制御アクションを決定し、最適な制御アクションに基づいて、制御信号を生成し、生成された制御信号を、建物サブシステム４２８に提供するように構成され得る。以下の段落は、ＢＭＳ４００内の層４１０～４２０の各々によって実行される一般的な機能のうちのいくつかを説明する。 Still referring to FIG. 4, memory 408 includes enterprise integration layer 410, automatic measurement and verification (AM&V) layer 412, demand response (DR) layer 414, fault detection and diagnosis (FDD) layer 416, integration control layer 418, and It is shown to include a later building subsystem integration 420 . Layers 410-420 receive input from building subsystem 428 and other data sources, determine the optimal control action for building subsystem 428 based on the input, and provide control signals based on the optimal control action. It may be configured to generate and provide the generated control signal to the building subsystem 428 . The following paragraphs describe some of the general functions performed by each of layers 410 - 420 within BMS 400 .

エンタープライズ統合層４１０は、様々なエンタープライズレベルのアプリケーションをサポートするための情報及びサービスを、クライアント又はローカルアプリケーションに提供するように構成することができる。例えば、エンタープライズ制御アプリケーション４２６は、サブシステムスパニング制御を、グラフィカルユーザインターフェース（ＧＵＩ）又は任意の数のエンタープライズレベルのビジネスアプリケーション（例えば、会計システム、ユーザ識別システムなど）に提供するように構成され得る。エンタープライズ制御アプリケーション４２６はまた、又は代替的に、ＢＭＳコントローラ３６６を構成するための構成ＧＵＩを提供するように構成され得る。更に他の実施形態では、エンタープライズ制御アプリケーション４２６は、インターフェース４０７及び／又はＢＭＳインターフェース４０９で受信される入力に基づいて、層４１０～４２０と動作して、建物性能（例えば、効率、エネルギー使用、快適性、又は安全性）を最適化することができる。 Enterprise integration layer 410 may be configured to provide information and services to clients or local applications to support various enterprise-level applications. For example, enterprise control application 426 may be configured to provide subsystem spanning control to a graphical user interface (GUI) or any number of enterprise-level business applications (eg, accounting systems, user identification systems, etc.). Enterprise control application 426 may also or alternatively be configured to provide a configuration GUI for configuring BMS controller 366 . In yet other embodiments, enterprise control application 426 operates with layers 410-420 based on inputs received at interface 407 and/or BMS interface 409 to determine building performance (eg, efficiency, energy usage, comfort, etc.). performance, or safety) can be optimized.

建物サブシステム統合層４２０は、ＢＭＳコントローラ３６６と建物サブシステム４２８との間の通信を管理するように構成することができる。例えば、建物サブシステム統合層４２０は、建物サブシステム４２８からセンサデータ及び入力信号を受信し、出力データ及び制御信号を、建物サブシステム４２８に提供し得る。建物サブシステム統合層４２０はまた、建物サブシステム４２８間の通信を管理するように構成され得る。建物サブシステム統合層４２０は、複数のマルチベンダ／マルチプロトコルシステムにわたる通信（例えば、センサデータ、入力信号、出力信号など）を変換する。 Building subsystem integration layer 420 may be configured to manage communications between BMS controller 366 and building subsystems 428 . For example, building subsystem integration layer 420 may receive sensor data and input signals from building subsystems 428 and provide output data and control signals to building subsystems 428 . Building subsystem integration layer 420 may also be configured to manage communications between building subsystems 428 . The building subsystem integration layer 420 translates communications (eg, sensor data, input signals, output signals, etc.) across multiple multi-vendor/multi-protocol systems.

需要応答層４１４は、建物１０の需要を満たすことに応答して、資源使用（例えば、電気使用、天然ガス使用、水使用など）及び／又はそのような資源使用の金銭的コストを最適化するように構成することができる。最適化は、使用時間価格、抑制信号、エネルギー可用性、又はユーティリティプロバイダ、分散型エネルギー生成システム４２４、エネルギーストレージ４２７（例えば、高温ＴＥＳ２４２、低温ＴＥＳ２４４など）、若しくは他のソースから受信される他のデータに基づき得る。需要応答層４１４は、ＢＭＳコントローラ３６６の他の層（例えば、建物サブシステム統合層４２０、統合制御層４１８など）から入力を受信し得る。他の層から受信される入力は、温度、二酸化炭素レベル、相対湿度レベル、空気品質センサ出力、占有センサ出力、ルームスケジュールなどの環境又はセンサ入力を含むことができる。入力はまた、電気使用（例えば、ｋＷｈで表される）、熱負荷測定値、価格情報、予測された価格設定、平滑化された価格設定、ユーティリティからの抑制信号などのような入力を含み得る。 The demand response layer 414 optimizes resource usage (eg, electricity usage, natural gas usage, water usage, etc.) and/or the monetary cost of such resource usage in response to meeting the demand of the building 10. can be configured as Optimization may include time-of-use pricing, curtailment signals, energy availability, or other data received from utility providers, distributed energy generation systems 424, energy storage 427 (eg, hot TES 242, cold TES 244, etc.), or other sources. can be based on Demand response layer 414 may receive inputs from other layers of BMS controller 366 (eg, building subsystem integration layer 420, integration control layer 418, etc.). Inputs received from other layers may include environmental or sensor inputs such as temperature, carbon dioxide levels, relative humidity levels, air quality sensor outputs, occupancy sensor outputs, room schedules, and the like. Inputs may also include inputs such as electricity usage (e.g., expressed in kWh), heat load measurements, pricing information, predicted pricing, smoothed pricing, curtailment signals from utilities, etc. .

いくつかの実施形態によれば、需要応答層４１４は、データ及びそれが受信する信号に応答するための制御ロジックを含む。これらの応答は、統合制御層４１８内の制御アルゴリズムと通信すること、制御戦略を変更すること、設定値を変更すること、又は制御された方法で建物装置又はサブシステムをアクティブ／非アクティブにすることを含むことができる。需要応答層４１４はまた、記憶されたエネルギーをいつ利用するかを決定するように構成された制御ロジックを含み得る。例えば、需要応答層４１４は、ピーク使用時間の開始の直前に、エネルギーストレージ４２７からのエネルギーを使用することを開始すると判定し得る。 According to some embodiments, demand response layer 414 includes control logic for responding to data and signals it receives. These responses may be used to communicate with control algorithms within the integrated control layer 418, change control strategies, change setpoints, or activate/deactivate building devices or subsystems in a controlled manner. can include Demand response layer 414 may also include control logic configured to determine when to utilize the stored energy. For example, demand response layer 414 may determine to begin using energy from energy storage 427 just prior to the start of peak usage hours.

いくつかの実施形態では、需要応答層４１４は、需要（例えば、価格、抑制信号、需要レベルなど）を表す１つ以上の入力に基づいて、又はそれに基づいて、エネルギーコストを最小限に抑える制御アクションを能動的に開始する（例えば、自動的に設定値を変更する）ように構成された制御モジュールを含む。いくつかの実施形態では、需要応答層４１４は、装置モデルを使用して、制御アクションの最適セットを判定する。装置モデルは、例えば、様々なセットの建物装置によって実行される入力、出力、及び／又は機能を説明する熱力学モデルを含むことができる。装置モデルは、建物装置の集合体（例えば、サブプラント、冷却器アレイなど）又は個々のデバイス（例えば、個々の冷却器、ヒータ、ポンプなど）を表し得る。 In some embodiments, the demand response layer 414 controls energy cost minimization based on or based on one or more inputs representing demand (e.g., prices, curtailment signals, demand levels, etc.). Includes a control module configured to actively initiate actions (eg, automatically change settings). In some embodiments, the demand response layer 414 uses device models to determine the optimal set of control actions. Equipment models can include, for example, thermodynamic models that describe the inputs, outputs, and/or functions performed by various sets of building equipment. Equipment models may represent collections of building equipment (eg, subplants, chiller arrays, etc.) or individual devices (eg, individual chillers, heaters, pumps, etc.).

需要応答層４１４は、１つ以上の需要応答ポリシー定義（例えば、データベース、ＸＭＬファイルなど）を更に含み得るか、又はそれを利用し得る。ポリシー定義は、需要入力に応答して開始される制御アクションが、ユーザのアプリケーション、所望の快適性レベル、特定の建物装置に合わせて、又は他の懸念に基づいて調整され得るように、ユーザによって（例えば、グラフィカルユーザインターフェースを介して）編集又は調整され得る。例えば、需要応答ポリシー定義は、特定の需要入力に応答して、どの装置をオン又はオフにすることができるか、１つのシステム又は装置をどのくらいの期間オフにするべきか、どのような設定値を変更することができるか、どのような許容される設定値調整範囲であるか、通常スケジュールされた設定値に戻る前に、どのくらいの時間、高い需要設定値を保持するか、どのくらいの容量制限に近づくか、どの装置モードを利用するか、エネルギーストレージデバイス（例えば、蓄熱タンク、バッテリーバンクなど）への、及びエネルギーストレージデバイスからのエネルギー伝達率（例えば、最大レート、アラームレート、他のレート境界情報など）、及びエネルギーのオンサイト生成をいつディスパッチするか（例えば、燃料電池、モータジェネレータセットなどを介して）を指定することができる。 Demand response layer 414 may further include or utilize one or more demand response policy definitions (eg, databases, XML files, etc.). Policy definitions are defined by the user so that control actions initiated in response to demand input can be tailored to the user's application, desired comfort level, specific building equipment, or based on other concerns. It can be edited or adjusted (eg, via a graphical user interface). For example, a demand response policy definition may specify which devices can be turned on or off in response to a particular demand input, how long a system or device should be turned off, what settings what the acceptable setpoint adjustment range is, how long to hold the high demand setpoint before reverting to the normally scheduled setpoint, what capacity limit which device mode to utilize, the rate of energy transfer to and from the energy storage device (e.g. thermal storage tank, battery bank, etc.) (e.g. maximum rate, alarm rate, other rate boundaries) information, etc.) and when to dispatch on-site generation of energy (eg, via fuel cells, motor generator sets, etc.).

統合制御層４１８は、建物サブシステム統合層４２０及び／又は後の需要応答４１４のデータ入力又は出力を使用して、制御決定を行うように構成することができる。建物サブシステム統合層４２０によって提供されるサブシステム統合により、統合制御層４１８は、サブシステム４２８が、単一の統合されたスーパーシステムとして動作するように、サブシステム４２８の制御活動を統合することができる。いくつかの実施形態では、統合制御層４１８は、複数の建物サブシステムからの入力及び出力を使用して、別個のサブシステムが単独で提供することができる快適さ及びエネルギー節約と比較して、より大きな快適さ及びエネルギー節約を提供する制御ロジックを含む。例えば、統合制御層４１８は、第１のサブシステムからの入力を使用して、第２のサブシステムに対するエネルギー節約制御決定を行うように構成することができる。これらの決定の結果は、建物サブシステム統合層４２０に戻って伝達することができる。 Integrated control layer 418 may be configured to use data inputs or outputs of building subsystem integration layer 420 and/or subsequent demand response 414 to make control decisions. The subsystem integration provided by building subsystem integration layer 420 allows integrated control layer 418 to integrate the control activities of subsystems 428 such that subsystems 428 operate as a single integrated super-system. can be done. In some embodiments, the integrated control layer 418 uses inputs and outputs from multiple building subsystems to reduce the comfort and energy savings that separate subsystems can provide alone. Includes control logic that provides greater comfort and energy savings. For example, integrated control layer 418 may be configured to use input from a first subsystem to make energy saving control decisions for a second subsystem. The results of these decisions can be communicated back to building subsystem integration layer 420 .

統合制御層４１８は、需要応答層４１４の論理的に下にあることが示される。統合制御層４１８は、建物サブシステム４２８及びそれらのそれぞれの制御ループが、需要応答層４１４と協調して制御されることを可能にすることによって、需要応答層４１４の有効性を強化するように構成することができる。この構成は、従来のシステムと比較して、破壊的な需要応答挙動を有利に低減し得る。例えば、統合制御層４１８は、冷却された水温（又は温度に直接的又は間接的に影響を与える別の構成要素）の設定値に対する需要応答、すなわち駆動上方調整が、冷却器で節約されたよりも大きな建物の総エネルギー使用量をもたらすファンエネルギー（又は空間を冷却するために使用される他のエネルギー）の増加をもたらさないことを保証するように構成され得る。 The integrated control layer 418 is shown logically below the demand response layer 414 . Integrated control layer 418 enhances the effectiveness of demand response layer 414 by allowing building subsystems 428 and their respective control loops to be controlled in concert with demand response layer 414. Can be configured. This configuration can advantageously reduce disruptive demand response behavior compared to conventional systems. For example, the integrated control layer 418 determines that the demand response to the set point of chilled water temperature (or another component that directly or indirectly affects temperature), i. It can be configured to ensure that it does not result in an increase in fan energy (or other energy used to cool the space) that contributes to the total energy usage of large buildings.

統合制御層４１８は、需要応答層４１４が、要求された負荷制限が進行中であっても、制約（例えば、温度、照明レベルなど）が適切に維持されていることを確認するように、需要応答層４１４にフィードバックを提供するように構成することができる。制約はまた、安全性、装置動作制限及び性能、快適性、火災コード、電気コード、エネルギーコードなどに関連する設定値又は感知された限度を含み得る。統合制御層４１８はまた、障害検出及び診断層４１６、並びに自動測定及び検証層４１２の論理的に下にある。統合制御層４１８は、２つ以上の建物サブシステムからの出力に基づいて、計算された入力（例えば、集計）をこれらのより高いレベルに提供するように構成することができる。 Integrated control layer 418 controls demand so that demand response layer 414 ensures that constraints (e.g., temperature, lighting levels, etc.) are properly maintained even when requested load shedding is in progress. It can be configured to provide feedback to the response layer 414 . Constraints may also include set points or sensed limits related to safety, device operating limits and performance, comfort, fire codes, electrical codes, energy codes, and the like. Integrated control layer 418 is also logically below fault detection and diagnostic layer 416 and automatic measurement and verification layer 412 . Integrated control layer 418 may be configured to provide calculated inputs (eg, aggregates) to these higher levels based on outputs from two or more building subsystems.

自動測定及び検証（ＡＭ＆Ｖ）層４１２は、統合制御層４１８又は需要応答層４１４によって命令される制御戦略が、適切に動作していることを（例えば、ＡＭ＆Ｖ層４１２、統合制御層４１８、建物サブシステム統合層４２０、ＦＤＤ層４１６、又はそれ以外によって集約されたデータを使用して）検証するように構成することができる。ＡＭ＆Ｖ層４１２によって行われる計算は、個々のＢＭＳデバイス又はサブシステムに対する建物システムエネルギーモデル及び／又は装置モデルに基づくことができる。例えば、ＡＭ＆Ｖ層４１２は、モデル予測出力を建物サブシステム４２８からの実際の出力と比較して、モデルの精度を判定し得る。 The automatic measurement and verification (AM&V) layer 412 verifies that the control strategies dictated by the integrated control layer 418 or the demand response layer 414 are working properly (e.g., AM&V layer 412, integrated control layer 418, building sub (using data aggregated by system integration layer 420, FDD layer 416, or otherwise). The calculations performed by the AM&V layer 412 can be based on building system energy models and/or equipment models for individual BMS devices or subsystems. For example, AM&V layer 412 may compare the model predicted output to the actual output from building subsystem 428 to determine model accuracy.

障害検出及び診断（ＦＤＤ）層４１６は、建物サブシステム４２８、建物サブシステムデバイス（すなわち、建物装置）、並びに需要応答層４１４及び統合制御層４１８によって使用される制御アルゴリズムに対する継続的な障害検出を提供するように構成することができる。ＦＤＤ層４１６は、統合制御層４１８から、１つ以上の建物サブシステム若しくはデバイスから、又は別のデータソースから直接、データ入力を受信し得る。ＦＤＤ層４１６は、検出された障害を自動的に診断し、それに応答し得る。検出又は診断された障害に対する応答は、ユーザに、警告メッセージ、メンテナンススケジューリングシステム、又は障害を修復しようと試みるか、若しくは障害を回避するように構成された制御アルゴリズムを提供することを含むことができる。 A fault detection and diagnosis (FDD) layer 416 provides continuous fault detection to building subsystems 428 , building subsystem devices (i.e., building equipment), and control algorithms used by demand response layer 414 and integrated control layer 418 . can be configured to provide FDD layer 416 may receive data input from integrated control layer 418, from one or more building subsystems or devices, or directly from another data source. The FDD layer 416 may automatically diagnose and respond to detected faults. Responses to detected or diagnosed faults may include providing the user with warning messages, a maintenance scheduling system, or control algorithms configured to attempt to repair the fault or avoid the fault. .

ＦＤＤ層４１６は、建物サブシステム統合層４２０で利用可能な詳細なサブシステム入力を使用して、障害のある構成要素又は障害の原因（例えば、緩いダンパ連動）の特定の識別を出力するように構成することができる。他の例示的な実施形態では、ＦＤＤ層４１６は、受信した障害イベントに応答して、制御戦略及びポリシーを実行する統合制御層４１８に、「障害」イベントを提供するように構成されている。いくつかの実施形態によれば、ＦＤＤ層４１６（又は統合された制御エンジン若しくはビジネスルールエンジンによって実行されるポリシー）は、障害のあるデバイス又はシステムの周りのシステム又は直接制御活動をシャットダウンして、エネルギー廃棄物を削減し、装置の寿命を延長し、又は適切な制御応答を確保し得る。 The FDD layer 416 uses the detailed subsystem inputs available in the building subsystem integration layer 420 to output a specific identification of the failing component or cause of failure (e.g., loose damper engagement). Can be configured. In another exemplary embodiment, FDD layer 416 is configured to provide “failure” events to integrated control layer 418, which implements control strategies and policies, in response to received failure events. According to some embodiments, the FDD layer 416 (or the policy executed by the integrated control engine or business rules engine) shuts down system or direct control activities around the faulty device or system, It may reduce energy waste, extend device life, or ensure proper control response.

ＦＤＤ層４１６は、様々な異なるシステムデータストア（又は生のデータのためのデータポイント）を保存又はそれにアクセスするように構成することができる。ＦＤＤ層４１６は、データストアのいくつかのコンテンツを使用して、装置レベルの障害（例えば、特定の冷却器、特定のＡＨＵ、特定の端末ユニットなど）を識別し、他のコンテンツを使用して、構成要素又はサブシステムレベルの障害を識別し得る。例えば、建物サブシステム４２８は、ＢＭＳ４００及びその様々な構成要素の性能を示す時間的（すなわち、時系列）データを生成し得る。建物サブシステム４２８によって生成されたデータは、統計的特徴を示し、かつ対応するシステム又はプロセス（例えば、温度制御プロセス、フロー制御プロセスなど）が、その設定値からの誤差に関してどのように実行されているかに関する情報を提供する測定値又は計算値を含むことができる。これらのプロセスは、ＦＤＤ層４１６によって検査されて、システムが性能の劣化を開始するときに露出し、障害がより深刻になる前に障害を修復するようにユーザに警告することができる。 The FDD layer 416 can be configured to store or access various different system data stores (or data points for raw data). The FDD layer 416 uses some content of the data store to identify device-level failures (e.g., specific coolers, specific AHUs, specific terminal units, etc.) and other content to , component or subsystem level failures. For example, building subsystem 428 may generate temporal (ie, time series) data indicative of the performance of BMS 400 and its various components. The data generated by building subsystem 428 indicates statistical characteristics and how the corresponding system or process (e.g., temperature control process, flow control process, etc.) is performing in terms of error from its set point. may include measurements or calculations that provide information about whether These processes can be inspected by the FDD layer 416 to expose when the system begins to degrade performance and alert the user to fix the fault before it becomes more serious.

ここで図５を参照すると、いくつかの実施形態による、別の建物管理システム（ＢＭＳ）５００のブロック図が示される。ＢＭＳ５００は、ＨＶＡＣシステム１００、ウォーターサイドシステム２００、エアサイドシステム３００、建物サブシステム４２８、並びに他のタイプのＢＭＳデバイス（例えば、照明装置、セキュリティ装置など）及び／又はＨＶＡＣ装置のデバイスを監視及び制御するために使用することができる。 Referring now to FIG. 5, a block diagram of another building management system (BMS) 500 is shown, according to some embodiments. BMS 500 monitors and controls HVAC system 100, waterside system 200, airside system 300, building subsystem 428, as well as other types of BMS devices (e.g., lighting equipment, security equipment, etc.) and/or devices of HVAC equipment. can be used to

ＢＭＳ５００は、自動装置発見及び装置モデル分配を容易にするシステムアーキテクチャを提供する。装置発見は、複数の異なる通信バス（例えば、システムバス５５４、ゾーンバス５５６～５６０、及び５６４、センサ／アクチュエータバス５６６など）にわたって、及び複数の異なる通信プロトコルにわたって、複数のレベルのＢＭＳ５００上で発生することができる。いくつかの実施形態では、装置発見は、各通信バスに接続されたデバイスに対するステータス情報を提供するアクティブノードテーブルを使用して達成される。例えば、各通信バスは、新しいノードに対する対応するアクティブノードテーブルを監視することによって、新しいデバイスに対して監視され得る。新しいデバイスが検出されると、ＢＭＳ５００は、ユーザインタラクションなしで、新しいデバイスとのインタラクション（例えば、デバイスからのデータを使用して制御信号を送信すること）を開始することができる。 BMS 500 provides a system architecture that facilitates automatic device discovery and device model distribution. Device discovery occurs on multiple levels of BMS 500 across multiple different communication buses (eg, system bus 554, zone buses 556-560 and 564, sensor/actuator bus 566, etc.) and across multiple different communication protocols. can do. In some embodiments, device discovery is accomplished using an active node table that provides status information for devices connected to each communication bus. For example, each communication bus can be monitored for new devices by monitoring the corresponding active node table for new nodes. Once a new device is detected, the BMS 500 can initiate interaction with the new device (eg, using data from the device to send control signals) without user interaction.

ＢＭＳ５００のいくつかのデバイスは、装置モデルを使用して、ネットワークに表示される。装置モデルは、他のシステムとの統合に使用される装置オブジェクト属性、ビュー定義、スケジュール、傾向、及び関連するＢＡＣｎｅｔ値オブジェクト（例えば、アナログ値、バイナリ値、マルチステート値など）を定義する。ＢＭＳ５００のいくつかのデバイスには、独自の装置モデルが記憶されている。ＢＭＳ５００の他のデバイスは、外部（例えば、他のデバイス内）に記憶される装置モデルを有する。例えば、ゾーンコーディネータ５０８は、バイパスダンパ５２８に対する装置モデルを記憶することができる。いくつかの実施形態では、ゾーンコーディネータ５０８は、ゾーンバス５５８上のバイパスダンパ５２８又は他のデバイスに対する装置モデルを自動的に作成する。他のゾーンコーディネータはまた、ゾーンバスに接続されたデバイスに対する装置モデルを作成することもできる。デバイスに対する装置モデルは、デバイスがゾーンバス上で公開するデータポイントのタイプ、デバイスタイプ、及び／又は他のデバイス属性に基づいて、自動的に作成することができる。自動装置発見及び装置モデル分配のいくつかの例を以下でより詳細に説明する。 Some devices in BMS 500 are represented in the network using equipment models. A device model defines device object attributes, view definitions, schedules, trends, and associated BACnet value objects (eg, analog, binary, multi-state values, etc.) used for integration with other systems. Some devices in the BMS 500 have their own equipment model stored. Other devices in BMS 500 have device models stored externally (eg, within other devices). For example, zone coordinator 508 can store a device model for bypass damper 528 . In some embodiments, zone coordinator 508 automatically creates equipment models for bypass dampers 528 or other devices on zone bus 558 . Other zone coordinators can also create equipment models for devices attached to the zone bus. A device model for a device can be automatically created based on the type of data points that the device exposes on the zone bus, the device type, and/or other device attributes. Some examples of automatic device discovery and device model distribution are described in more detail below.

更に図５を参照すると、ＢＭＳ５００は、システムマネージャ５０２と、いくつかのゾーンコーディネータ５０６、５０８、５１０、及び５１８と、いくつかのゾーンコントローラ５２４、５３０、５３２、５３６、５４８、及び５５０とを含むことが示されている。システムマネージャ５０２は、ＢＭＳ５００内のデータポイントを監視し、監視された変数を様々な監視及び／又は制御アプリケーションに報告することができる。システムマネージャ５０２は、データ通信リンク５７４（例えば、ＢＡＣｎｅｔＩＰ、イーサネット、有線又は無線通信など）を介して、クライアントデバイス５０４（例えば、ユーザデバイス、デスクトップコンピュータ、ラップトップコンピュータ、モバイルデバイスなど）と通信することができる。システムマネージャ５０２は、データ通信リンク５７４を介して、クライアントデバイス５０４にユーザインターフェースを提供することができる。ユーザインターフェースは、ユーザが、クライアントデバイス５０４を介して、ＢＭＳ５００を監視及び／又は制御することを可能にし得る。 Still referring to FIG. 5, the BMS 500 includes a system manager 502, several zone coordinators 506, 508, 510 and 518, and several zone controllers 524, 530, 532, 536, 548 and 550. is shown. System manager 502 can monitor data points within BMS 500 and report monitored variables to various monitoring and/or control applications. System manager 502 communicates with client devices 504 (eg, user devices, desktop computers, laptop computers, mobile devices, etc.) via data communication links 574 (eg, BACnet IP, Ethernet, wired or wireless communications, etc.). be able to. System manager 502 can provide a user interface to client device 504 via data communication link 574 . A user interface may allow a user to monitor and/or control BMS 500 via client device 504 .

いくつかの実施形態では、システムマネージャ５０２は、システムバス５５４を介して、ゾーンコーディネータ５０６～５１０及び５１８と接続される。システムマネージャ５０２は、マスタースレーブトークンパッシング（ＭＳＴＰ）プロトコル又は任意の他の通信プロトコルを使用して、システムバス５５４を介して、ゾーンコーディネータ５０６～５１０及び５１８と通信するように構成することができる。システムバス５５４はまた、システムマネージャ５０２を、定容量（ＣＶ）屋上ユニット（ＲＴＵ）５１２、入力／出力モジュール（ＩＯＭ）５１４、サーモスタットコントローラ５１６（例えば、ＴＥＣ５０００シリーズサーモスタットコントローラ）、及びネットワーク自動化エンジン（ＮＡＥ）又はサードパーティコントローラ５２０などの他のデバイスと接続することができる。ＲＴＵ５１２は、システムマネージャ５０２と直接通信するように構成することができ、システムバス５５４に直接接続することができる。他のＲＴＵは、中間デバイスを介して、システムマネージャ５０２と通信することができる。例えば、有線入力５６２は、サードパーティＲＴＵ５４２を、システムバス５５４に接続するサーモスタットコントローラ５１６に接続することができる。 In some embodiments, system manager 502 is connected to zone coordinators 506 - 510 and 518 via system bus 554 . System manager 502 may be configured to communicate with zone coordinators 506-510 and 518 via system bus 554 using the Master Slave Token Passing (MSTP) protocol or any other communication protocol. System bus 554 also connects system manager 502 to constant volume (CV) rooftop unit (RTU) 512, input/output module (IOM) 514, thermostat controller 516 (e.g., TEC5000 series thermostat controller), and network automation engine (NAE). ) or other devices such as a third party controller 520 . RTU 512 may be configured to communicate directly with system manager 502 and may be directly connected to system bus 554 . Other RTUs can communicate with system manager 502 through intermediate devices. For example, wired input 562 may connect third party RTU 542 to thermostat controller 516 which connects to system bus 554 .

システムマネージャ５０２は、装置モデルを含む任意のデバイスのためのユーザインターフェースを提供することができる。ゾーンコーディネータ５０６～５１０及び５１８並びにサーモスタットコントローラ５１６などのデバイスは、それらの装置モデルを、システムバス５５４を介して、システムマネージャ５０２に提供することができる。いくつかの実施形態では、システムマネージャ５０２は、装置モデル（例えば、ＩＯＭ５１４、サードパーティコントローラ５２０など）を含まない接続されたデバイスに対する装置モデルを自動的に作成する。例えば、システムマネージャ５０２は、デバイスツリー要求に応答する任意のデバイスに対する装置モデルを作成することができる。システムマネージャ５０２によって作成された装置モデルは、システムマネージャ５０２内に記憶され得る。次いで、システムマネージャ５０２は、システムマネージャ５０２によって作成された装置モデルを使用して、独自の装置モデルを含まないデバイスに対するユーザインターフェースを提供することができる。いくつかの実施形態では、システムマネージャ５０２は、システムバス５５４を介して接続された装置の各タイプに対するビュー定義を記憶し、記憶されたビュー定義を使用して、装置に対するユーザインターフェースを生成する。 System manager 502 can provide a user interface for any device, including device models. Devices such as zone coordinators 506 - 510 and 518 and thermostat controller 516 can provide their equipment models to system manager 502 via system bus 554 . In some embodiments, system manager 502 automatically creates device models for connected devices that do not contain device models (eg, IOM 514, third-party controllers 520, etc.). For example, system manager 502 can create a device model for any device that responds to device tree requests. Device models created by system manager 502 may be stored within system manager 502 . System manager 502 can then use the device model created by system manager 502 to provide a user interface for devices that do not contain their own device model. In some embodiments, system manager 502 stores view definitions for each type of device connected via system bus 554 and uses the stored view definitions to generate user interfaces for the devices.

各ゾーンコーディネータ５０６～５１０及び５１８は、ゾーンバス５５６、５５８、５６０、及び５６４を介して、ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０のうちの１つ以上と接続することができる。ゾーンコーディネータ５０６～５１０及び５１８は、ＭＳＴＰプロトコル又は任意の他の通信プロトコルを使用して、ゾーンバス５５６～５６０及び５６４を介して、ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０と通信することができる。ゾーンバス５５６～５６０及び５６４はまた、ゾーンコーディネータ５０６～５１０及び５１８を、可変空気量（ＶＡＶ）ＲＴＵ５２２及び５４０、切り替えバイパス（ＣＯＢＰ）ＲＴＵ５２６及び５５２、バイパスダンパ５２８及び５４６、並びにＰＥＡＫコントローラ５３４及び５４４などの他のタイプのデバイスと接続することができる。 Each zone coordinator 506-510 and 518 can be connected to one or more of zone controllers 524, 530-532, 536 and 548-550 via zone buses 556, 558, 560 and 564. . Zone coordinators 506-510 and 518 communicate with zone controllers 524, 530-532, 536, and 548-550 via zone buses 556-560 and 564 using the MSTP protocol or any other communication protocol. can do. Zone buses 556-560 and 564 also serve zone coordinators 506-510 and 518, variable air volume (VAV) RTUs 522 and 540, switching bypass (COBP) RTUs 526 and 552, bypass dampers 528 and 546, and PEAK controllers 534 and 544. It can be connected with other types of devices such as

ゾーンコーディネータ５０６～５１０及び５１８は、様々なゾーニングシステムを監視及び指令するように構成することができる。いくつかの実施形態では、各ゾーンコーディネータ５０６～５１０及び５１８は、別個のゾーニングシステムを監視及び指令し、別個のゾーンバスを介して、ゾーニングシステムに接続される。例えば、ゾーンコーディネータ５０６は、ゾーンバス５５６を介して、ＶＡＶＲＴＵ５２２及びゾーンコントローラ５２４に接続することができる。ゾーンコーディネータ５０８は、ゾーンバス５５８を介して、ＣＯＢＰＲＴＵ５２６、バイパスダンパ５２８、ＣＯＢＰゾーンコントローラ５３０、及びＶＡＶゾーンコントローラ５３２に接続することができる。ゾーンコーディネータ５１０は、ゾーンバス５６０を介して、ＰＥＡＫコントローラ５３４及びＶＡＶゾーンコントローラ５３６に接続することができる。ゾーンコーディネータ５１８は、ゾーンバス５６４を介して、ＰＥＡＫコントローラ５４４、バイパスダンパ５４６、ＣＯＢＰゾーンコントローラ５４８、及びＶＡＶゾーンコントローラ５５０に接続することができる。 Zone coordinators 506-510 and 518 can be configured to monitor and direct various zoning systems. In some embodiments, each zone coordinator 506-510 and 518 monitors and directs a separate zoning system and is connected to the zoning system via separate zone buses. For example, zone coordinator 506 can connect to VAV RTU 522 and zone controller 524 via zone bus 556 . Zone coordinator 508 may connect to COBP RTU 526 , bypass damper 528 , COBP zone controller 530 , and VAV zone controller 532 via zone bus 558 . Zone coordinator 510 may be connected to PEAK controller 534 and VAV zone controller 536 via zone bus 560 . Zone coordinator 518 may be connected to PEAK controller 544 , bypass damper 546 , COBP zone controller 548 , and VAV zone controller 550 via zone bus 564 .

ゾーンコーディネータ５０６～５１０及び５１８の単一のモデルは、複数の異なるタイプのゾーニングシステム（例えば、ＶＡＶゾーニングシステム、ＣＯＢＰゾーニングシステムなど）を扱うように構成することができる。各ゾーニングシステムは、ＲＴＵ、１つ以上のゾーンコントローラ、及び／又はバイパスダンパを含むことができる。例えば、ゾーンコーディネータ５０６及び５１０は、それぞれ、ＶＡＶＲＴＵ５２２及び５４０に接続されたＶｅｒａｓｙｓＶＡＶエンジン（ＶＶＥ）として示される。ゾーンコーディネータ５０６は、ゾーンバス５５６を介して、ＶＡＶＲＴＵ５２２に直接接続され、ゾーンコーディネータ５１０は、ＰＥＡＫコントローラ５３４に提供される有線入力５６８を介してサードパーティＶＡＶＲＴＵ５４０に接続される。ゾーンコーディネータ５０８及び５１８は、それぞれ、ＣＯＢＰＲＴＵ５２６及び５５２に接続されたＶｅｒａｓｙｓＣＯＢＰエンジン（ＶＣＥ）として示される。ゾーンコーディネータ５０８は、ゾーンバス５５８を介して、ＣＯＢＰＲＴＵ５２６に直接接続されるが、ゾーンコーディネータ５１８は、ＰＥＡＫコントローラ５４４に提供される有線入力５７０を介して、サードパーティＣＯＢＰＲＴＵ５５２に接続される。 A single model of zone coordinators 506-510 and 518 can be configured to handle multiple different types of zoning systems (eg, VAV zoning systems, COBP zoning systems, etc.). Each zoning system may include an RTU, one or more zone controllers, and/or bypass dampers. For example, zone coordinators 506 and 510 are shown as Verasys VAV engines (VVE) connected to VAV RTUs 522 and 540, respectively. Zone coordinator 506 is directly connected to VAV RTU 522 via zone bus 556 and zone coordinator 510 is connected to third party VAV RTU 540 via wired input 568 provided to PEAK controller 534 . Zone coordinators 508 and 518 are shown as Verasys COBP engines (VCE) connected to COBP RTUs 526 and 552, respectively. Zone coordinator 508 is directly connected to COBP RTU 526 via zone bus 558 , while zone coordinator 518 is connected to third party COBP RTU 552 via wired input 570 provided to PEAK controller 544 .

ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０は、センサ／アクチュエータ（ＳＡ）バスを介して、個々のＢＭＳデバイス（例えば、センサ、アクチュエータなど）と通信することができる。例えば、ＶＡＶゾーンコントローラ５３６は、ＳＡバス５６６を介して、ネットワーク化されたセンサ５３８に接続されるように示される。ゾーンコントローラ５３６は、ＭＳＴＰプロトコル又は任意の他の通信プロトコルを使用して、ネットワーク化されたセンサ５３８と通信することができる。図５には１つのＳＡバス５６６のみが示されているが、各ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０が、異なるＳＡバスに接続され得ることを理解されたい。各ＳＡバスは、ゾーンコントローラを、様々なセンサ（例えば、温度センサ、湿度センサ、圧力センサ、光センサ、占有センサなど）、アクチュエータ（例えば、ダンパアクチュエータ、バルブアクチュエータなど）、及び／又は他のタイプの制御可能な装置（例えば、冷却器、ヒータ、ファン、ポンプなど）と接続することができる。 Zone controllers 524, 530-532, 536, and 548-550 can communicate with individual BMS devices (eg, sensors, actuators, etc.) via a sensor/actuator (SA) bus. For example, VAV zone controller 536 is shown connected to networked sensors 538 via SA bus 566 . Zone controller 536 may communicate with networked sensors 538 using the MSTP protocol or any other communication protocol. Although only one SA bus 566 is shown in FIG. 5, it should be understood that each zone controller 524, 530-532, 536, and 548-550 may be connected to a different SA bus. Each SA bus connects the zone controllers to various sensors (eg, temperature sensors, humidity sensors, pressure sensors, light sensors, occupancy sensors, etc.), actuators (eg, damper actuators, valve actuators, etc.), and/or other types of sensors. controllable devices (eg, coolers, heaters, fans, pumps, etc.).

各ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０は、異なる建物ゾーンを監視及び制御するように構成することができる。ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０は、それらのＳＡバスを介して提供される入力及び出力を使用して、様々な建物ゾーンを監視及び制御することができる。例えば、ゾーンコントローラ５３６は、ＳＡバス５６６を介して、ネットワーク化されたセンサ５３８から受信された温度入力（例えば、建物ゾーンの測定された温度）を、温度制御アルゴリズム内のフィードバックとして使用することができる。ゾーンコントローラ５２４、５３０～５３２、５３６、及び５４８～５５０は、様々なタイプの制御アルゴリズム（例えば、状態ベースのアルゴリズム、極値探索制御（ＥＳＣ）アルゴリズム、比例積分（ＰＩ）制御アルゴリズム、比例積分微分（ＰＩＤ）制御アルゴリズム、モデル予測制御（ＭＰＣ）アルゴリズム、フィードバック制御アルゴリズムなど）を使用して、建物１０内又は建物１０の周りの可変状態又はコンディション（例えば、温度、湿度、空気流、照明など）を制御することができる。 Each zone controller 524, 530-532, 536, and 548-550 can be configured to monitor and control a different building zone. Zone controllers 524, 530-532, 536, and 548-550 can monitor and control various building zones using inputs and outputs provided via their SA buses. For example, zone controller 536 may use temperature inputs (e.g., measured temperatures of building zones) received from networked sensors 538 via SA bus 566 as feedback within temperature control algorithms. can. Zone controllers 524, 530-532, 536, and 548-550 implement various types of control algorithms (e.g., state-based algorithms, extremum seeking control (ESC) algorithms, proportional-integral (PI) control algorithms, proportional-integral-derivatives). Variable state or conditions (e.g., temperature, humidity, airflow, lighting, etc.) in or around building 10 using (PID) control algorithms, model predictive control (MPC) algorithms, feedback control algorithms, etc.) can be controlled.

可変冷媒流システム
ここで図６Ａ～図６Ｂを参照すると、いくつかの実施形態による、可変冷媒流（ＶＲＦ）システム６００が示される。ＶＲＦシステム６００は、複数の室外ＶＲＦユニット６０２及び複数の室内ＶＲＦユニット６０４を含むことが示されている。室外ＶＲＦユニット６０２は、建物の外側に位置することができ、冷媒を加熱又は冷却するように動作することができる。室外ＶＲＦユニット６０２は、電気を消費して、冷媒を、液相、気相、及び／又は過熱気相間で変換することができる。室内ＶＲＦユニット６０４は、建物内の様々な建物ゾーン全体に分散することができ、室外ＶＲＦユニット６０２から、加熱又は冷却された冷媒を受け取ることができる。各室内ＶＲＦユニット６０４は、室内ＶＲＦユニットが位置する特定の建物ゾーンに対する温度制御を提供することができる。 Variable Refrigerant Flow System Referring now to FIGS. 6A-6B, a variable refrigerant flow (VRF) system 600 is shown, according to some embodiments. VRF system 600 is shown to include multiple outdoor VRF units 602 and multiple indoor VRF units 604 . The outdoor VRF unit 602 can be located outside the building and can operate to heat or cool the refrigerant. The outdoor VRF unit 602 can consume electricity to convert refrigerant between liquid, gas and/or superheated gas phases. Indoor VRF units 604 may be distributed throughout various building zones within a building and may receive heated or cooled coolant from outdoor VRF units 602 . Each indoor VRF unit 604 can provide temperature control for the specific building zone in which the indoor VRF unit is located.

ＶＲＦシステムの主な利点は、いくつかの室内ＶＲＦユニット６０４が、冷却モードで動作することができ、他の室内ＶＲＦユニット６０４が、加熱モードで動作することができることである。例えば、室外ＶＲＦユニット６０２及び室内ＶＲＦユニット６０４の各々は、加熱モード、冷却モード、又はオフモードで動作することができる。各建物ゾーンは、独立して制御することができ、異なる温度設定値を有することができる。いくつかの実施形態では、各建物は、建物の外側（例えば、屋上）に位置する最大３個の室外ＶＲＦユニット６０２、及び建物全体（例えば、様々な建物ゾーン）に分散された最大１２８個の室内ＶＲＦユニット６０４を有する。 A major advantage of the VRF system is that some indoor VRF units 604 can operate in cooling mode and other indoor VRF units 604 can operate in heating mode. For example, each of the outdoor VRF unit 602 and the indoor VRF unit 604 can operate in heating mode, cooling mode, or off mode. Each building zone can be independently controlled and can have different temperature setpoints. In some embodiments, each building has up to 3 outdoor VRF units 602 located outside the building (e.g., rooftop) and up to 128 outdoor VRF units 602 distributed throughout the building (e.g., various building zones). It has an indoor VRF unit 604 .

ＶＲＦシステム６００に対して、多くの異なる構成が存在する。いくつかの実施形態では、ＶＲＦシステム６００は、各室外ＶＲＦユニット６０２が、単一の冷媒戻り配管及び単一の冷媒出口配管に接続する２パイプシステムである。２パイプシステムでは、加熱又は冷却された冷媒のうちの１つのみが、単一の冷媒出口配管を介して提供され得るため、室外ＶＲＦユニット６０２の全てが同じモードで動作する。他の実施形態では、ＶＲＦシステム６００は、各室外ＶＲＦユニット６０２が、冷媒戻り配管、高温冷媒出口配管、及び低温冷媒出口配管に接続する３パイプシステムである。３パイプシステムにおいて、加熱及び冷却の両方は、二重の冷媒出口配管を介して同時に提供され得る。 There are many different configurations for VRF system 600 . In some embodiments, VRF system 600 is a two-pipe system in which each outdoor VRF unit 602 connects to a single refrigerant return line and a single refrigerant outlet line. In a two-pipe system, all of the outdoor VRF units 602 operate in the same mode because only one of the heated or cooled refrigerant can be provided through a single refrigerant outlet pipe. In another embodiment, VRF system 600 is a three-pipe system in which each outdoor VRF unit 602 connects to a refrigerant return line, a hot refrigerant outlet line, and a cold refrigerant outlet line. In a three-pipe system, both heating and cooling can be provided simultaneously via dual refrigerant outlet piping.

ＶＲＦシステム６００は、構成要素（例えば、室外ＶＲＦユニット６０２、室内ＶＲＦユニット６０４など）が正しく動作していることを確実にするために、ＡＩを利用して、オイル量及び粘度を予測し得るＶＲＦシステムの例を表すことができる。具体的には、構成要素は、構成要素の急速な劣化が回避されることを確実にするために、適切な潤滑のためのオイルを必要とし得る。具体的には、ＶＲＦシステム６００は、図７～図１０を通して説明されるシステム及び方法を活用して、全ての構成要素が、十分なオイルの供給を有し、提供されるオイルが、適切な粘度であることを確実にし得る。 The VRF system 600 may utilize AI to predict oil volume and viscosity to ensure that components (e.g., outdoor VRF unit 602, indoor VRF unit 604, etc.) are operating correctly. An example system can be represented. Specifically, components may require oil for adequate lubrication to ensure that rapid deterioration of the components is avoided. Specifically, VRF system 600 utilizes the systems and methods described through FIGS. viscosity.

ここで図７Ａを参照すると、いくつかの実施形態による、ＶＲＦシステム７００の例示が示される。いくつかの実施形態では、ＶＲＦシステム７００は、図６Ａ及び図６Ｂを参照して説明されたＶＲＦシステム６００に類似する、及び／又は同じである。より具体的には、ＶＲＦシステム７００は、ＶＲＦシステムにおいてオイルがどのように利用されるかを例示することができる。ＶＲＦシステム７００は、単に、ＶＲＦシステムがどのように動作し得るかの例のために示されることに留意されたい。ＶＲＦシステム７００の構成要素、関係、及び／又は他の特徴は、特定の実装態様に基づいてカスタマイズ及び構成することができる。例えば、ＶＲＦシステム７００は、図７Ａに示されるよりも多い又は少ないコンプレッサ７０１を含み得る。 Referring now to FIG. 7A, an illustration of a VRF system 700 is shown, according to some embodiments. In some embodiments, VRF system 700 is similar to and/or the same as VRF system 600 described with reference to FIGS. 6A and 6B. More specifically, VRF system 700 can illustrate how oil is utilized in a VRF system. Note that VRF system 700 is merely shown as an example of how a VRF system may operate. Components, relationships, and/or other features of VRF system 700 may be customized and configured based on a particular implementation. For example, VRF system 700 may include more or fewer compressors 701 than shown in FIG. 7A.

ＶＲＦシステム７００は、コンプレッサ７０１、熱交換器７０２、ダブルチューブ型熱交換器７０３、オイルセパレータ７０４、及びアキュムレータ７０５を含むことが示されている。適切に動作するために、コンプレッサ７０１の構成要素が適切に潤滑されることを確実にするために、コンプレッサ７０１はオイルを必要とし得る。オイルなしでは、構成要素は、急速に劣化し得、コンプレッサ７０１は、ゾーンに適切な冷却／加熱を提供することができない場合がある。熱交換器７０２及び７０３は、流体（例えば、オイル及び冷媒）間で熱を伝達することができる。オイルセパレータ７０４は、ＶＲＦシステム７００内の冷媒及び／又は他の流体からオイルを分離することができる。具体的には、動作中に、コンプレッサ７０１は、漏れ得る、及び／又はそうでなければ、いくつかのオイルが、コンプレッサ７０１によって出力された冷媒に混合されることを可能にし得る。当該オイルが、オイル／冷媒混合物から逆抽出されない場合、オイルは、ＶＲＦシステム７００内のオイルの急速な損失をもたらし得るＶＲＦシステム７００を超える構成要素（例えば、室内ＡＨＵ）に提供され得る。したがって、オイルセパレータ７０４は、オイルを流体混合物から蒸留し、一時的に保管するためにアキュムレータ７０５にオイルを提供することができる。アキュムレータ７０５は、オイルを保管することができ、ＶＲＦシステム７００の他の構成要素のためのオイルを回収するために、必要に応じてアクセスすることができる。 VRF system 700 is shown to include compressor 701 , heat exchanger 702 , double tube heat exchanger 703 , oil separator 704 and accumulator 705 . In order to operate properly, compressor 701 may require oil to ensure that the components of compressor 701 are properly lubricated. Without oil, the components may degrade quickly and the compressor 701 may not be able to provide adequate cooling/heating to the zones. Heat exchangers 702 and 703 can transfer heat between fluids (eg, oil and refrigerant). Oil separator 704 may separate oil from refrigerant and/or other fluids within VRF system 700 . Specifically, during operation, compressor 701 may leak and/or otherwise allow some oil to mix with the refrigerant output by compressor 701 . If the oil is not back-extracted from the oil/refrigerant mixture, the oil may be provided to components beyond the VRF system 700 (eg, indoor AHUs) that can result in rapid loss of oil within the VRF system 700 . Oil separator 704 can thus distill oil from the fluid mixture and provide the oil to accumulator 705 for temporary storage. Accumulator 705 can store oil and can be accessed as needed to collect oil for other components of VRF system 700 .

ＶＲＦシステム７００はまた、ストレーナ７０６、ディストリビュータ７０７、逆転弁７０８、キャピラリーチューブ７０９、及びマイクロコンピュータ制御膨張弁７１０を含むことが示されている。ストレーナ７０６は、ＶＲＦシステム７００の動作中に、オイル及び／又はオイル／冷媒混合物と偶発的に統合され得る不純物（例えば、汚れ、破片など）を、オイル及び／又はオイル／冷媒混合物から除去することができる。不純物は、建物装置の機能不良をもたらす可能性があり、（例えば、オイルの粘度を増加又は減少させることによって）ＶＲＦシステム７００内のオイルの特性に影響を与え得る。ディストリビュータ７０７は、熱交換器７０２全体に流体を分配することを支援することができる。逆転弁７０８は、ＶＲＦシステム７００内の冷媒流の方向を変更して、加熱モードと冷却モードとの間でＶＲＦシステム７００を切り替えることができる。キャピラリーチューブ７０９は、冷媒の圧力に影響を与えることによって、ＶＲＦシステム７００内の冷媒の温度を低下させることを支援することができる。マイクロコンピュータ制御膨張弁７１０は、ＶＲＦシステム７００の構成要素に入る冷媒の量を調節することができる。 VRF system 700 is also shown to include strainer 706 , distributor 707 , reversing valve 708 , capillary tube 709 and microcomputer controlled expansion valve 710 . The strainer 706 removes impurities (e.g., dirt, debris, etc.) from the oil and/or the oil/refrigerant mixture that may inadvertently become integrated with the oil and/or the oil/refrigerant mixture during operation of the VRF system 700. can be done. Impurities can cause malfunction of building equipment and can affect the properties of the oil in the VRF system 700 (eg, by increasing or decreasing the viscosity of the oil). Distributor 707 can assist in distributing fluid throughout heat exchanger 702 . A reversing valve 708 can change the direction of refrigerant flow within the VRF system 700 to switch the VRF system 700 between heating and cooling modes. Capillary tube 709 can help reduce the temperature of the coolant in VRF system 700 by influencing the pressure of the coolant. A microcomputer controlled expansion valve 710 can regulate the amount of refrigerant entering the components of the VRF system 700 .

ＶＲＦシステム７００はまた、逆止弁７１１、電磁弁７１２、チェックジョイント７１３、液体配管用の停止弁７１４、ガス（低温）配管用の停止弁７１５、ガス（高温／低温）配管用の停止弁７１６、冷媒圧力センサ７１７、別の冷媒圧力センサ７１８、及び高圧スイッチ７１９を含むことが示されている。逆止弁７１１は、流体が所望の流れ方向と反対の方向に流れることを制限することによって、流体が、ＶＲＦシステム７００内で正しい方向に流れていることを確実にするのに役立つことができる。電磁弁７１２は、ＶＲＦシステム７００内の流体の流れを調節することができる。チェックジョイント７１３は、ＶＲＦシステム７００の構成要素の応力を調節するのに役立つことができる。停止弁７１４、７１５、及び７１６は、それぞれ、図７Ａの例示に示される液体配管、ガス（低温）配管、及びガス（高温／低温）配管内の流体の流れを制限することができる。冷媒圧力センサ７１７及び７１８に関して、冷媒圧力センサ７１７は、高圧センサであり得るが、冷媒圧力センサ７１８は、ＶＲＦシステム７００内の低圧センサであり得る。冷媒がコンプレッサ７０１に戻ると、高圧スイッチ７１９は、コンプレッサ７０１への損傷を防止するために、冷媒の圧力が高すぎるか、又は低すぎる場合、冷媒が、コンプレッサ７０１に入るのを停止することができる。 The VRF system 700 also includes a check valve 711, a solenoid valve 712, a check joint 713, a stop valve for liquid lines 714, a stop valve for gas (cold) lines 715, and a stop valve for gas (hot/cold) lines 716. , a refrigerant pressure sensor 717 , another refrigerant pressure sensor 718 , and a high pressure switch 719 . Check valve 711 can help ensure that fluid is flowing in the correct direction within VRF system 700 by restricting fluid from flowing in a direction opposite to the desired flow direction. . A solenoid valve 712 may regulate fluid flow within the VRF system 700 . Check joints 713 can help regulate stress in the components of VRF system 700 . Stop valves 714, 715, and 716 can restrict fluid flow in the liquid, gas (cold), and gas (hot/cold) lines, respectively, shown in the illustration of FIG. 7A. Regarding refrigerant pressure sensors 717 and 718 , refrigerant pressure sensor 717 may be a high pressure sensor while refrigerant pressure sensor 718 may be a low pressure sensor within VRF system 700 . Once the refrigerant returns to the compressor 701 , a high pressure switch 719 can stop refrigerant from entering the compressor 701 if the refrigerant pressure is too high or too low to prevent damage to the compressor 701 . can.

ＶＲＦシステム７００はまた、様々なサーミスタを含むことが示されている。ＶＲＦシステム７００では、サーミスタにわたる抵抗は、主に、接続された構成要素の温度に基づくことができる。図７Ａの例示では、ＶＲＦシステム７００は、サーミスタ７２０～７２５を含むことが示されている。サーミスタ７２０は、第１のコンプレッサ７０１の上側に関連付けられている。サーミスタ７２１は、第２のコンプレッサ７０１の上側に関連付けられている。サーミスタ７２２は、熱交換器７０２のガス側に関連付けられる。サーミスタ７２３は、熱交換器７０２の液体側に関連付けられている。サーミスタ７２４は、サブクーラバイパス側に関連付けられている。サーミスタ７２５は、冷媒の自動充填に関連付けられている。 VRF system 700 is also shown to include various thermistors. In VRF system 700, the resistance across the thermistor can be primarily based on the temperature of the connected components. In the illustration of FIG. 7A, VRF system 700 is shown to include thermistors 720-725. A thermistor 720 is associated with the upper side of the first compressor 701 . A thermistor 721 is associated with the upper side of the second compressor 701 . A thermistor 722 is associated with the gas side of the heat exchanger 702 . A thermistor 723 is associated with the liquid side of heat exchanger 702 . A thermistor 724 is associated with the subcooler bypass side. Thermistor 725 is associated with automatic charging of refrigerant.

ＶＲＦシステム７００内の各パイプにはまた、対応する外径ＯＤ及び厚さＴがラベル付けされており、これは、以下の表Ａに示される。留意すべきこととして、全ての配管にわたってＶＲＦシステム７００で使用される材料は、Ｃ１２２０Ｔ－Ｏである。

Each pipe in VRF system 700 is also labeled with a corresponding outer diameter OD and thickness T, which are shown in Table A below. It should be noted that the material used in the VRF system 700 over all piping is C1220TO.

ここで図７Ｂを参照すると、いくつかの実施形態による、ＶＲＦシステム７５０の例示が示される。いくつかの実施形態では、ＶＲＦシステム７５０は、図７を参照して説明されたＶＲＦシステム７００、及び／又は図６Ａ及び図６Ｂを参照して説明されたＶＲＦシステム６００に類似する及び／又は同じである。具体的には、ＶＲＦシステム７５０は、ＶＲＦシステム全体のオイルの流れを例示する。ＶＲＦシステム７００と同様に、ＶＲＦシステム７５０は、単に例のために提供される。ＶＲＦシステム７５０の構成要素、構造、及び／又は他の特性は、実装態様に応じて、カスタマイズ及び構成することができる。 Referring now to FIG. 7B, an illustration of a VRF system 750 is shown, according to some embodiments. In some embodiments, VRF system 750 is similar and/or the same as VRF system 700 described with reference to FIG. 7 and/or VRF system 600 described with reference to FIGS. is. Specifically, VRF system 750 illustrates the flow of oil through the VRF system. Similar to VRF system 700, VRF system 750 is provided merely as an example. The components, structure, and/or other characteristics of VRF system 750 can be customized and configured depending on the implementation.

ＶＲＦシステム７５０は、吸引配管７５２を含むことが示されている。吸引配管７５２は、１つ以上のデバイス／システム（例えば、室内ＡＨＵ）によって使用される冷媒（例えば、冷媒蒸気）をコンプレッサ７５４に提供することができる。いくつかの実施形態では、いくつかのオイルは、吸引配管７５２によってコンプレッサ７５４に提供される流体に含まれ得る。受け取った冷媒に基づいて、コンプレッサ７５４は、冷媒を、より高い圧力ガスに圧縮し、吐出配管７５６を介して、当該より高い圧力ガスを出力するように動作することができる。コンプレッサ７５４が、適切に機能するためにオイルを必要とし得るので、コンプレッサ７５４によって実行される圧縮プロセスは、出力された高圧ガスに混合されるいくつかのオイルをもたらし得、それによってオイル／冷媒混合物をもたらし得る。 VRF system 750 is shown to include suction tubing 752 . Suction line 752 can provide refrigerant (eg, refrigerant vapor) to compressor 754 for use by one or more devices/systems (eg, indoor AHU). In some embodiments, some oil may be included in the fluid provided to compressor 754 by suction line 752 . Based on the refrigerant received, compressor 754 is operable to compress the refrigerant into a higher pressure gas and output the higher pressure gas via discharge line 756 . Since compressor 754 may require oil to function properly, the compression process performed by compressor 754 may result in some oil being mixed with the output high pressure gas, thereby creating an oil/refrigerant mixture. can result in

ＶＲＦシステム７５０はまた、オイルセパレータ７５８を含むことが示される。受け取ったオイル／冷媒混合物に基づいて、オイルセパレータ７５８は、オイルを、冷媒から分離するように動作することができる。分離後、冷媒は、冷媒管７６２を介して、いくつかのデバイス／システム（例えば、室内ＡＨＵ）に提供することができる。分離されたオイルは、オイル管７６４を介してアキュムレータ７６０に提供することができる。アキュムレータ７６０は、オイルセパレータ７５８によって分離されたオイルの貯蔵容器として機能することができる。アキュムレータ７６０は、アキュムレータ７６０に貯蔵することができるオイルの最大量を画定するいくつかの最大容量を有し得る。 VRF system 750 is also shown to include oil separator 758 . Based on the received oil/refrigerant mixture, the oil separator 758 can operate to separate oil from the refrigerant. After separation, refrigerant can be provided to some device/system (eg, indoor AHU) via refrigerant tube 762 . The separated oil can be provided to accumulator 760 via oil tube 764 . Accumulator 760 can serve as a reservoir for oil separated by oil separator 758 . Accumulator 760 may have several maximum capacities that define the maximum amount of oil that can be stored in accumulator 760 .

アキュムレータ７６０によって貯蔵されたオイルは、オイル戻り管７６６を介して、コンプレッサ７５４に戻すことができる。アキュムレータ７６０がいくらかの非ゼロ量の貯蔵オイルを有することを考えると、アキュムレータ７６０は、特定のコンプレッサ７５４が、より多くのオイルを必要とする場合、コンプレッサ７５４のいずれかにオイルを提供することができる。いくつかの実施形態では、ＶＲＦシステム７５０は、コンプレッサ７５４へのオイルの流れを調節するバルブ７６８を含む。この場合、バルブ７６８は、過剰なオイルがコンプレッサ７５４に提供されることを防止し得、及び／又はそうでなければ、コンプレッサ７５４に提供されるオイルを調節し得る。 Oil stored by accumulator 760 may be returned to compressor 754 via oil return line 766 . Given that the accumulator 760 has some non-zero amount of stored oil, the accumulator 760 can provide oil to any of the compressors 754 if a particular compressor 754 needs more oil. can. In some embodiments, VRF system 750 includes valve 768 that regulates the flow of oil to compressor 754 . In this case, valve 768 may prevent excess oil from being provided to compressor 754 and/or may otherwise regulate the oil provided to compressor 754 .

いくつかの実施形態では、ＶＲＦシステム７５０内のオイルの粘度、並びにコンプレッサ７５４及びアキュムレータ７６０の各々内のオイル量は、ＡＩモデルによって推定／予測される。この場合、ＡＩモデルは、コンプレッサ７５４の動作速度、ＶＲＦシステム７５０の近傍の周囲温度、吐出配管７５６の吐出温度及び吐出圧力、吸引配管７５２の吸引圧力、冷媒蒸気の温度、及び／又はＶＲＦシステム７５０内の他のガスの温度などの入力を取り込み得る。当該入力は、ＶＲＦシステム７５０全体でセンサ（例えば、温度センサ、圧力センサなど）によって測定され得、及び／又はＶＲＦシステム７５０の構成要素によって直接提供され得る（例えば、コンプレッサ７５４は、それらの動作速度を直接出力し得る）。 In some embodiments, the viscosity of the oil in VRF system 750 and the amount of oil in each of compressor 754 and accumulator 760 are estimated/predicted by an AI model. In this case, the AI model can determine the operating speed of the compressor 754, the ambient temperature in the vicinity of the VRF system 750, the discharge temperature and pressure of the discharge line 756, the suction pressure of the suction line 752, the refrigerant vapor temperature, and/or the VRF system 750 Inputs such as the temperature of other gases within may be taken. Such inputs may be measured by sensors (e.g., temperature sensors, pressure sensors, etc.) throughout VRF system 750 and/or may be provided directly by components of VRF system 750 (e.g., compressors 754 may measure their operating speeds). can be output directly).

入力に基づいて、ＡＩモデルは、ＶＲＦシステム７５０内のオイルの特性（例えば、オイル量、オイル粘度など）を予測し得る。オイルの特性が、事前定義された閾値（又はいくつかの他の制約）を満たしていない場合、１つ以上の是正措置を開始して、事前定義された閾値を満たすように、オイルの特性の不足に対処し得る。例えば、ＶＲＦシステム７５０内のオイルの粘度が高すぎるか、又は低すぎる場合、是正措置は、ＶＲＦシステム７５０に新規のオイルを導入すること、及び／又は特定の時間にＶＲＦシステム７５０内のオイルを完全に交換することを含み得る。別の例として、特定のコンプレッサ７５４内のオイル量が低すぎる場合、是正手段が開始されて、特定のコンプレッサ７５４が、ＶＲＦシステム７５０の効率への比較的低い影響をもたらす特定の時間に、アキュムレータ７６０から、より多くのオイルを取得することができるように、特定のコンプレッサ７５４、特定のバルブ７６８、及び／又はアキュムレータ７６０を動作させ得る。開始することができるＡＩモデル及び是正措置は、図８～図１０を参照して以下でより詳細に説明する。 Based on the input, the AI model may predict properties of the oil (eg, oil quantity, oil viscosity, etc.) within the VRF system 750 . If an oil property does not meet a predefined threshold (or some other constraint), initiate one or more corrective actions to improve the oil property so that it meets the predefined threshold. shortage can be addressed. For example, if the viscosity of the oil in the VRF system 750 is too high or too low, corrective actions may include introducing new oil into the VRF system 750 and/or removing the oil in the VRF system 750 at certain times. It can include a full replacement. As another example, if the amount of oil in a particular compressor 754 is too low, corrective action may be initiated such that the particular compressor 754 may run the accumulator at a particular time with relatively low impact on the efficiency of the VRF system 750. Certain compressors 754 , certain valves 768 , and/or accumulators 760 may be operated so that more oil can be obtained from 760 . AI models and corrective actions that can be initiated are described in more detail below with reference to FIGS. 8-10.

オイル量及び粘度推定のためのシステム及び方法
概して図８～図１０を参照すると、いくつかの実施形態による、ＶＲＦシステム内のオイルの特性を推定及び予測するためのシステム及び方法が示され、説明される。以下の説明は、例示のためだけにＶＲＦシステムを参照して説明されており、限定的であると見なされるべきではないことを理解されたい。図８～図１０を通して説明されるシステム及び方法は、同様に、オイルを利用する様々なシステム（例えば、他の建物システム、車両システムなど）に適用することができ、ＶＲＦシステムに限定されることを意味しない。 Systems and Methods for Oil Quantity and Viscosity Estimation Referring generally to FIGS. 8-10, systems and methods for estimating and predicting properties of oil in a VRF system are shown and described, according to some embodiments. be done. It should be understood that the following description is described with reference to a VRF system for illustrative purposes only and should not be considered limiting. The systems and methods described through FIGS. 8-10 are similarly applicable to a variety of oil-based systems (e.g., other building systems, vehicle systems, etc.) and are limited to VRF systems. does not mean

以下に説明されるシステム及び方法は、人工知能（ＡＩ）モデルを利用して、様々な入力に基づいて、オイルの特性が経時的にどのように変化するかを予測することができる。ＡＩモデルは、任意の適切なタイプのＡＩモデルを含むことができる。例えば、ＡＩモデルは、長期短期メモリ（ＬＳＴＭ）モデル、他のタイプのリカレントニューラルネットワーク（ＲＮＮ）、畳み込みニューラルネットワーク（ＣＮＮ）などであり得るか、又はそれを含み得る。利用するＡＩモデルのタイプは、例えば、所与のＡＩモデルの精度、考慮すべき具体的な入力／出力が何か、ユーザ好みなどに基づいて選択することができる。いくつかの実施形態では、ＬＳＴＭモデルなどのＲＮＮモデルは、オイルの時系列の性質のため、好ましい。機械学習モデルは、本明細書では、ＡＩモデルと同義であると称され得ることに留意されたい。 The systems and methods described below can utilize artificial intelligence (AI) models to predict how oil properties will change over time based on various inputs. AI models may include any suitable type of AI model. For example, AI models can be or include long-short-term memory (LSTM) models, other types of recurrent neural networks (RNN), convolutional neural networks (CNN), and the like. The type of AI model utilized can be selected based, for example, on the accuracy of a given AI model, what specific inputs/outputs to consider, user preferences, and the like. In some embodiments, RNN models, such as LSTM models, are preferred due to the time-series nature of oil. Note that machine learning models may be referred to herein as synonymous with AI models.

ＡＩモデルは、訓練データのセットに基づいて、特定のオイル特性を予測するように訓練することができる。訓練データは、様々なソースによって提供され得る。例えば、ユーザは、ＡＩモデルが、ＶＲＦシステムにおいてオイルがどのように利用されているかを判定するのに役立つことができる多様変数を含む入力のセット、及びシステム又は同様のシステムの実際の測定された動作状態に基づいて、対応する出力のセットを提供し得る。この場合、入力は、例えば、コンプレッサの動作速度、コンプレッサの付近の周囲温度、コンプレッサの吐出温度、コンプレッサの吸引圧力、コンプレッサの吐出圧力、コンプレッサ内のガスのガス温度などを含み得る。本明細書で定義されるように、コンプレッサの吐出温度は、ＶＲＦシステム内の過熱冷媒蒸気の温度測定値を指すことができ、吸引圧力は、動作中にコンプレッサによって生成された吸引圧力を指すことができ、吐出圧力は、コンプレッサの出力側で生成された圧力を指すことができる。出力は、例えば、オイル粘度、コンプレッサのオイル量、アキュムレータのオイル量などを含み得る。次いで、ＡＩモデルは、入力、及び対応する出力を使用して、入力に基づいて出力の値を予測するように訓練することができる。もちろん、当該入力及び出力は、例のために与えられるものであり、ＡＩモデルへの可能な入力を制限することを意味するものではない。 AI models can be trained to predict specific oil properties based on a set of training data. Training data can be provided by various sources. For example, a user can provide a set of inputs including multiple variables that can help the AI model determine how oil is being utilized in a VRF system and the actual measured values of the system or similar system. Based on operating conditions, a corresponding set of outputs may be provided. In this case, the inputs may include, for example, the operating speed of the compressor, the ambient temperature in the vicinity of the compressor, the discharge temperature of the compressor, the suction pressure of the compressor, the discharge pressure of the compressor, the gas temperature of the gas within the compressor, and the like. As defined herein, compressor discharge temperature may refer to the temperature measurement of the superheated refrigerant vapor in the VRF system, and suction pressure may refer to the suction pressure generated by the compressor during operation. and discharge pressure can refer to the pressure produced at the output of the compressor. Outputs may include, for example, oil viscosity, compressor oil amount, accumulator oil amount, and the like. An AI model can then be trained using the inputs and corresponding outputs to predict the value of the output based on the inputs. Of course, the inputs and outputs are given for example and are not meant to limit the possible inputs to the AI model.

いくつかの実施形態では、シミュレーションモデルは、ＡＩモデルを訓練するために使用される訓練データを生成するために利用される。シミュレーションモデルを使用して生成された訓練データは、別個に、又は他のソースから（例えば、実際のシステムの測定された状態から）集められた訓練データに加えて使用され得る。シミュレーションモデルは、様々なコンディションに基づいて、経時的なオイル戻りシステムの変化をシミュレーションするように構築することができる。言い換えると、シミュレーションモデルは、オイル戻りシステムの動作をデジタル的に模倣するように構築することができる。シミュレーションモデルの状態（例えば、オイル量、オイル粘度、エネルギー消費など）を操作して、多種多様なコンディションを表す訓練データを生成することができる。シミュレーションモデルは、複数回実行されて、様々な異なる負荷下で、異なる建物デバイスを使用して、異なる気象／環境条件下で、異なる時間などで、システムの経時的な進化を表す訓練データを生成し得る。ＶＲＦシステムに関して、シミュレーションモデルは、例えば、ＡＩモデルが使用されない場合、ＶＲＦシステムを動作させるために典型的に使用され得る、閉ループ機能モックアップユニット（ＦＭＵ）モデルであり得る。有利には、シミュレーションモデルを利用することによって、大量の訓練データを、訓練データを生成するために経時的に実際のシステムを動作させることと比較して、より短い期間で生成することができる。更に、シミュレーションモデルは、実際のシステムに、危険であり得、実際の建物内の居住者の快適性を妨害し得る条件を課すことなく、フリンジシナリオ（例えば、危険なほど高い負荷、危険な動作コンディション、デバイス障害など）を表す訓練データを生成するように実行され得る。 In some embodiments, the simulation model is utilized to generate training data used to train the AI model. Training data generated using the simulation model may be used separately or in addition to training data gathered from other sources (eg, from measured conditions of the actual system). A simulation model can be constructed to simulate changes in the oil return system over time based on various conditions. In other words, a simulation model can be constructed to digitally mimic the operation of the oil return system. The state of the simulation model (eg, oil quantity, oil viscosity, energy consumption, etc.) can be manipulated to generate training data representing a wide variety of conditions. The simulation model is run multiple times to generate training data representing the evolution of the system over time, under various different loads, using different building devices, under different weather/environmental conditions, at different times, etc. can. For VRF systems, the simulation model may be, for example, a closed-loop functional mockup unit (FMU) model, which may typically be used to operate the VRF system when AI models are not used. Advantageously, by utilizing simulation models, large amounts of training data can be generated in a shorter period of time compared to running a real system over time to generate the training data. Furthermore, the simulation model allows fringe scenarios (e.g., dangerously high loads, dangerous motions, etc.) without imposing conditions on the real system that can be dangerous and interfere with the comfort of the occupants in the real building. conditions, device faults, etc.).

訓練データのセットに基づいて訓練されると、ＡＩモデルは、入力に基づいてオイル特性を予測することができる。例えば、ＡＩモデルは、オイルの粘度、コンプレッサ内のオイル量、及びアキュムレータ内のオイル量を予測し得る。予測されるオイル特性に基づいて、予測されるオイルの特性が、特性の値に関する所定の閾値（及び／又は他の制約）に従うかどうかを判定することができる。所定の閾値は、例えば、特性の値が上又は下でなければならない閾値、特性の許容可能な値の範囲など、値に対する任意の制限を含むことができる。オイル特性の値が、事前定義された閾値を満たしている場合、ＶＲＦシステムは、標準動作を継続することができる。しかしながら、オイル特性の値が、事前定義された閾値を満たしていない場合、是正措置を生成し、開始することができる。是正措置は、本明細書で定義されるように、いくつかの事前定義された制約／閾値を満たしていない１つ以上のオイルの特性に対処するために行われる任意の措置を指すことができる。例えば、是正措置は、ユーザデバイスに通知を生成及び伝送すること、ＶＲＦシステム上でメンテナンスを実行する、及び／又はオイルを交換するように技術者をスケジュールすること、制御信号に基づいて、制御信号を生成すること、及び建物装置（例えば、ＶＲＦデバイス）を動作させること、特定の建物デバイスを無効にすること、新しいオイルを、ＶＲＦシステムに自動的に注入すること、閾値違反をデータベースに記録することなどを含み得る。開始する是正措置は、違反した閾値、違反した閾値の量（例えば、オイル特性の実際の値と閾値との間の差）、ユーザ好み、及び／又は他の適用可能な考慮事項などの様々な要因に基づいて決定することができる。オイル特性に関する閾値の違反は、オイルが、いくつかの所望の特性（例えば、所望の粘度）を欠いているという点で、オイルの欠乏を示すこともできる。本明細書に記載されるように、閾値の違反は、最大値閾値の場合、値（例えば、予測された値）が閾値を上回っている場合、又は最小値閾値の場合、閾値を下回っている場合を指すことができる。 When trained on a set of training data, the AI model can predict oil properties based on inputs. For example, an AI model may predict the viscosity of oil, the amount of oil in the compressor, and the amount of oil in the accumulator. Based on the predicted oil property, it can be determined whether the predicted oil property obeys predetermined thresholds (and/or other constraints) on the value of the property. Predetermined thresholds can include arbitrary limits on values, such as, for example, a threshold above or below which the property's value must be above or below, a range of acceptable values for the property, and the like. If the oil property value meets the predefined threshold, the VRF system can continue normal operation. However, if the oil property value does not meet a predefined threshold, corrective action can be generated and initiated. Corrective action, as defined herein, can refer to any action taken to address one or more oil properties that do not meet some predefined constraint/threshold . For example, the corrective action may be to generate and transmit a notification to the user device, schedule a technician to perform maintenance and/or change oil on the VRF system, control signal based on the control signal and operating building equipment (e.g., VRF devices), disabling specific building devices, automatically injecting new oil into the VRF system, and recording threshold violations in a database can include things like The corrective actions to initiate may vary, such as the threshold violated, the amount of the threshold violated (e.g., the difference between the actual value of the oil property and the threshold), user preferences, and/or other applicable considerations. can be determined based on factors. Violation of thresholds for oil properties can also indicate oil deficiencies in that the oil lacks some desired property (eg, desired viscosity). As described herein, a threshold violation is a maximum threshold, if the value (e.g., predicted value) is above the threshold, or if a minimum threshold, below the threshold. You can point to the case.

ここで図８を参照すると、いくつかの実施形態による、オイルの特性を予測するためのオイル管理コントローラ８００のブロック図が示される。特に、オイル管理コントローラ８００は、ＶＲＦシステムにおけるオイルの特性を予測し得る。しかしながら、オイル管理コントローラ８００は、適切に動作するためにオイルを必要とする様々な他のシステム／デバイス（例えば、他のＨＶＡＣシステム、カーシステムなど）に適用することができる。いくつかの実施形態では、オイル管理コントローラ８００及び／又はその構成要素は、図３～図４を参照して説明されたＢＭＳコントローラ３６６、及び／又は別のコントローラに組み込まれる。いくつかの実施形態では、オイル管理コントローラ８００は、図７Ａ～図７Ｂを通して説明されるＶＲＦシステムのいくつか及び／又は全てを動作させるために使用される。 Referring now to FIG. 8, a block diagram of an oil management controller 800 for predicting oil properties is shown, according to some embodiments. In particular, oil management controller 800 may predict the properties of oil in a VRF system. However, the oil management controller 800 can be applied to various other systems/devices (eg, other HVAC systems, car systems, etc.) that require oil to operate properly. In some embodiments, the oil management controller 800 and/or its components are incorporated into the BMS controller 366 described with reference to FIGS. 3-4 and/or another controller. In some embodiments, oil management controller 800 is used to operate some and/or all of the VRF systems described through FIGS. 7A-7B.

オイル管理コントローラ８００は、通信インターフェース８０８及び処理回路８０２を含むことが示されている。通信インターフェース８０８は、様々なシステム、デバイス、又はネットワークとデータ通信を行うための、有線又は無線インターフェース（例えば、ジャック、アンテナ、伝送機、受信機、トランシーバ、有線端末など）を含み得る。例えば、通信インターフェース８０８は、イーサネットベースの通信ネットワークを介してデータを送信及び受信するためのイーサネットカード及びポート、及び／又は無線通信ネットワークを介して通信するためのＷｉ－Ｆｉトランシーバを含み得る。通信インターフェース８０８は、ローカルエリアネットワーク又はワイドエリアネットワーク（例えば、インターネット、建物ＷＡＮなど）を介して通信するように構成され得、様々な通信プロトコル（例えば、ＢＡＣｎｅｔ（登録商標）、ＩＰ、ＬＯＮ（登録商標）など）を使用し得る。 Oil management controller 800 is shown to include communication interface 808 and processing circuitry 802 . Communication interface 808 may include wired or wireless interfaces (eg, jacks, antennas, transmitters, receivers, transceivers, wired terminals, etc.) for communicating data with various systems, devices, or networks. For example, communication interface 808 may include Ethernet cards and ports for transmitting and receiving data over Ethernet-based communication networks, and/or Wi-Fi transceivers for communicating over wireless communication networks. Communication interface 808 can be configured to communicate over a local area network or a wide area network (eg, Internet, building WAN, etc.) and can support various communication protocols (eg, BACnet®, IP, LON®, etc.). trademark), etc.) may be used.

通信インターフェース８０８は、オイル管理コントローラ８００と、様々な外部システム又はデバイス（例えば、装置８２２、センサ８２０、ユーザデバイス８２４など）との間の電子データ通信を容易にするように構成されたネットワークインターフェースであり得る。例えば、オイル管理コントローラ８００は、通信インターフェース８０８を介して、装置８２２から装置フィードバックを受信し得る。 Communication interface 808 is a network interface configured to facilitate electronic data communication between oil management controller 800 and various external systems or devices (e.g., apparatus 822, sensor 820, user device 824, etc.). could be. For example, oil management controller 800 may receive device feedback from device 822 via communication interface 808 .

処理回路８０２は、プロセッサ８０４及びメモリ８０６を含むことが示されている。プロセッサ８０４は、汎用若しくは特定目的プロセッサ、特定用途向け統合回路（ＡＳＩＣ）、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、処理構成要素のグループ、又は他の好適な処理構成要素であり得る。プロセッサ８０４は、メモリ８０６に記憶された、又は他のコンピュータ可読媒体（例えば、ＣＤＲＯＭ、ネットワーク記憶装置、リモートサーバなど）から受信された、コンピュータコード又は命令を実行するように構成され得る。 Processing circuitry 802 is shown to include processor 804 and memory 806 . Processor 804 may be a general-purpose or special-purpose processor, an application-specific integrated circuit (ASIC), one or more field-programmable gate arrays (FPGAs), a group of processing components, or any other suitable processing component. Processor 804 may be configured to execute computer code or instructions stored in memory 806 or received from other computer-readable media (eg, CD ROM, network storage device, remote server, etc.).

メモリ８０６は、本開示に記載の様々なプロセスを完了及び／又は容易にするための、データ及び／又はコンピュータコードを記憶するための１つ以上のデバイス（例えば、メモリユニット、メモリデバイス、記憶デバイスなど）を含み得る。メモリ８０６は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ記憶装置、一時記憶装置、不揮発性メモリ、フラッシュメモリ、光メモリ、又はソフトウェアオブジェクト及び／若しくはコンピュータ命令を記憶するための任意の他の好適なメモリを含み得る。メモリ８０６は、データベース構成要素、オブジェクトコード構成要素、スクリプト構成要素、又は本開示に記載される様々な活動及び情報構造をサポートするための任意の他のタイプの情報構造を含み得る。メモリ８０６は、処理回路８０２を介して、プロセッサ８０４に通信可能に接続され得、本明細書に記載の１つ以上のプロセスを（例えば、プロセッサ８０４によって）実行するためのコンピュータコードを含み得る。いくつかの実施形態では、メモリ８０６の１つ以上の構成要素は、単一の構成要素の一部である。しかしながら、メモリ８０６の各構成要素は、説明を容易にするために、独立して示される。 Memory 806 may be one or more devices (e.g., memory units, memory devices, storage devices) for storing data and/or computer code for completing and/or facilitating various processes described in this disclosure. etc.). Memory 806 may be random access memory (RAM), read only memory (ROM), hard drive storage, temporary storage, non-volatile memory, flash memory, optical memory, or any suitable memory for storing software objects and/or computer instructions. may include other suitable memory. Memory 806 may include database components, object code components, script components, or any other type of information structure to support the various activities and information structures described in this disclosure. Memory 806 may be communicatively coupled to processor 804 via processing circuitry 802 and may contain computer code for executing (eg, by processor 804) one or more processes described herein. In some embodiments, one or more components of memory 806 are part of a single component. However, each component of memory 806 is shown separately for ease of explanation.

メモリ８０６は、訓練データ収集器８１０を含むように示される。訓練データ収集器８１０は、１つ以上の訓練データソース８１８から、人工知能モデルを訓練するために使用される訓練データを収集することができる。具体的には、訓練データ収集器８１０は、ＶＲＦシステム内のオイルの特性に関連付けられた訓練データを取得することができる。いくつかの実施形態では、訓練データ収集器８１０は、訓練データソース８１８にクエリを伝送して、訓練データを取得する。いくつかの実施形態では、訓練データ収集器８１０は、訓練データを能動的に要求する必要なしに、訓練データソース８１８から受動的に訓練データを受信し得る。 Memory 806 is shown to include training data collector 810 . Training data collector 810 can collect training data used to train the artificial intelligence model from one or more training data sources 818 . Specifically, training data collector 810 may obtain training data associated with properties of oil in the VRF system. In some embodiments, training data collector 810 transmits queries to training data source 818 to obtain training data. In some embodiments, training data collector 810 may passively receive training data from training data source 818 without having to actively request training data.

訓練データソース８１８は、訓練データ収集器８１０に訓練データを記憶及び／又は提供することができる任意のデータソースを含むことができる。例えば、訓練データソース８１８は、記憶された訓練データセットを、訓練データ収集器８１０に提供することができるユーザデバイス（例えば、ラップトップ、デスクトップコンピュータ、モバイルデバイス、タブレットなど）であり得るか、又はそれを含み得る。別の例として、訓練データソース８１８は、オイル量、オイル粘度などの追加の出力を備える標準ＶＲＦプラントモデルを利用することに関連付けられたデータを記憶するデータベース（例えば、クラウドデータベース）であり得るか、又はそれを含み得る。当該例では、ＶＲＦプラントモデルは、ＶＲＦシステムを動作させるために使用される標準モデルであり得る。このようにして、訓練データは、オイル特性の測定値とともに、実際の動作におけるＶＲＦシステムからの測定値を含むことができる。 Training data sources 818 may include any data source capable of storing and/or providing training data to training data collector 810 . For example, training data source 818 can be a user device (eg, laptop, desktop computer, mobile device, tablet, etc.) that can provide a stored training data set to training data collector 810, or can contain it. As another example, training data source 818 can be a database (e.g., cloud database) that stores data associated with utilizing a standard VRF plant model with additional outputs such as oil quantity, oil viscosity, etc. , or may include it. In the example, the VRF plant model may be the standard model used to operate the VRF system. In this way, the training data can include measurements from the VRF system in actual operation along with measurements of oil properties.

いくつかの実施形態では、訓練データ収集器８１０は、シミュレーションモデルを利用して、モデルジェネレータ８１２によって使用される訓練データのいくつか又は全てを生成して、ＡＩモデルを生成する。シミュレーションモデルは、実際のシステムが、様々な条件（例えば、気象条件、加熱／冷却負荷、デバイス制限など）下でどのように動作し得るか、及びシステム内のオイルが、どのように消費され得るか、及び／又はそうでなければ経時的に変化し得るかをモデル化することができる。このようにして、訓練データ収集器８１０は、訓練データソース８１８から訓練データを取り出す必要がない場合があり、代わりに、オイル管理コントローラ８００内で訓練データを生成することができる。いくつかの実施形態では、シミュレーションモデルは、シミュレーションモデルを実行した結果として生成される訓練データを、オイル管理コントローラ８００に提供することができる、サードパーティコントローラ／デバイス／システム（例えば、クラウドコンピューティングシステム）によってホストされる。いずれの場合でも、シミュレーションモデルを使用／実行して、実際のシステムが動作を通じて訓練データを生成するのを待つよりも短い期間で、オイルを利用するシステムの様々な動作コンディションを表す様々な訓練データを生成することができる。更に、シミュレーションモデルは、単に訓練データを生成するために、実際のシステムがその下で動作することが危険であり得るフリンジシナリオを例示する訓練データを生成するために実行され得る。 In some embodiments, training data collector 810 utilizes simulation models to generate some or all of the training data used by model generator 812 to generate AI models. The simulation model demonstrates how a real system may behave under various conditions (e.g. weather conditions, heating/cooling loads, device limitations, etc.) and how oil in the system may be consumed. and/or may otherwise change over time. In this manner, the training data collector 810 may not need to retrieve training data from the training data source 818 and instead may generate training data within the oil management controller 800 . In some embodiments, the simulation model is a third-party controller/device/system (e.g., a cloud computing system) that can provide training data generated as a result of running the simulation model to the oil management controller 800. ). In any case, different training data representing different operating conditions of the oil-utilizing system in a shorter period of time than using/executing the simulation model and waiting for the real system to generate the training data through operation. can be generated. Additionally, simulation models can be run to generate training data that illustrate fringe scenarios under which a real system could be dangerous to operate, simply to generate training data.

取得された訓練データに基づいて、訓練データ収集器８１０は、収集された訓練データを、訓練データセットに組み合わせ、モデルジェネレータ８１２に訓練データセットを提供することができる。訓練データセットに基づいて、モデルジェネレータ８１２は、経時的にオイル特性をモデル化するＡＩモデルを生成することができる。具体的には、モデルジェネレータ８１２は、ＡＩモデルを訓練して、指定された入力に基づいて、オイル特性を予測することができる。例えば、モデルジェネレータ８１２は、ＡＩモデルを、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、及びガス温度の入力に基づいて、オイル粘度、１つ以上のコンプレッサ内のオイル量、及びアキュムレータ内のオイル量の値を予測するように訓練し得る。 Based on the obtained training data, training data collector 810 can combine the collected training data into a training data set and provide the training data set to model generator 812 . Based on the training data set, model generator 812 can generate an AI model that models oil properties over time. Specifically, model generator 812 can train an AI model to predict oil properties based on specified inputs. For example, the model generator 812 generates an AI model based on inputs of compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, and gas temperature, oil viscosity, oil volume in one or more compressors, and accumulator can be trained to predict the value of the amount of oil in

モデルジェネレータ８１２によって生成されるＡＩモデルは、様々なＡＩモデル構造のいずれかであり得る。いくつかの実施形態では、ＡＩモデルは、ＬＳＴＭモデルなどのＲＮＮモデルである。この場合、ＲＮＮがＶＲＦシステム上で適切に動作するために、元のＦＭＵプラントモデルを利用して、ＲＮＮモデルが、それに基づいて分析及び訓練するのに十分なシミュレーションデータを生成することができる。訓練時間が増加するにつれて、最終的なＲＮＮモデルは、元のプラントモデルとはるかに近い機能を有し得る。特に、ＲＮＮモデルを使用するいくつかの利点は、ＦＭＵプラントモデルと比較して、より速く、より高い安定性を有し得ることである。更に、訓練されたＲＮＮモデルは、オイル戻りの影響を低減し、ＶＲＦシステムの効率を向上させ得る。特にＬＳＴＭモデルについては、ＬＳＴＭモデルは、深層学習に使用される人工ＲＮＮである。ＬＳＴＭモデルは、時系列データのシーケンス全体を分類及び処理することができ、時系列内の重要なイベント間の未知の期間のラグがあっても予測を行うことができる。モデルジェネレータ８１２によって生成されたＬＳＴＭモデルは、実装態様に応じて様々な構造を含み得る。例えば、モデルジェネレータ８１２によって生成されたＬＳＴＭモデルは、１つのシーケンス入力層、１つのドロップアウト層、２つの全結合層、及び２つのＬＳＴＭ層を含み得る。 The AI model generated by model generator 812 can be any of a variety of AI model structures. In some embodiments, the AI model is an RNN model, such as an LSTM model. In this case, the original FMU plant model can be utilized to generate sufficient simulation data for the RNN model to analyze and train on, in order for the RNN to operate properly on the VRF system. As the training time increases, the final RNN model may have much closer functionality to the original plant model. In particular, some advantages of using RNN models are that they can be faster and have higher stability compared to FMU plant models. Additionally, the trained RNN model may reduce the effects of oil return and improve the efficiency of the VRF system. Specifically for the LSTM model, the LSTM model is an artificial RNN used in deep learning. LSTM models can classify and process entire sequences of time series data and can make predictions even with unknown duration lags between important events in the time series. The LSTM model generated by model generator 812 may include various structures depending on the implementation. For example, the LSTM model generated by model generator 812 may include one sequence input layer, one dropout layer, two fully connected layers, and two LSTM layers.

いくつかの実施形態では、ＡＩモデルは、ＣＮＮモデルである。この場合、ＣＮＮモデルは、例えば、入力層、複数の隠れ層（例えば、正規化線形ユニット層、プーリング層、全結合層、正規化層など）、出力層などを含み得る。いくつかの実施形態では、ＡＩモデルは、いくつかの他の人工知能モデルアーキテクチャに従う。ＡＩモデルの例示的なアーキテクチャは、図９Ａ及び図９Ｂを参照して以下により詳細に説明する。 In some embodiments, the AI model is a CNN model. In this case, the CNN model may include, for example, an input layer, multiple hidden layers (eg, a normalized linear unit layer, a pooling layer, a fully connected layer, a normalization layer, etc.), an output layer, and so on. In some embodiments, the AI model follows some other artificial intelligence model architecture. An exemplary architecture of the AI model is described in more detail below with reference to FIGS. 9A and 9B.

モデルジェネレータ８１２は、様々な訓練技術を利用して、ＡＩモデルを生成し得る。例えば、モデルジェネレータ８１２は、運動量アプローチを伴う確率的勾配降下法、適応モーメント推定アプローチ、二乗平均平方根伝播アプローチなどを利用し得る。二乗平均平方根伝播アプローチに関して、モデルジェネレータ８１２は、二乗平均平方根誤差（ＲＭＳＥ）を利用して、モデル予測が、訓練データ収集器８１０によって提供された訓練データに対してどれだけ正確であるかを測定し得る。具体的には、モデルジェネレータ８１２は、以下の式に基づいて、経時的にＲＭＳＥを監視し得る。

式中、Ｙ_{ｐｒｅｄ，ｔ}は、時間ステップｔでの変数Ｙに対するＡＩモデルの先行予測であり、Ｙ_{ｔｅｓｔ，ｔ}は、時間ステップｔでの訓練データによって示される変数Ｙの実測値である。（Ｙ_{ｐｒｅｄ，ｔ}－Ｙ_{ｔｅｓｔ，ｔ}）^２の計算は、各時間ステップｔ＝１…ｎに対して実行することができ、ｎは、予測の総数である。次いで、各差を一緒に平均化することができる。訓練プロセスの間、モデルジェネレータ８１２は、ＡＩモデルを改良して、ＲＭＳＥを低減することができる。ＡＩモデルを訓練する例示的な実験は、図１１Ａ及び図１１Ｂを参照して以下で詳細に説明する。 Model generator 812 may utilize various training techniques to generate AI models. For example, model generator 812 may utilize stochastic gradient descent with momentum approach, adaptive moment estimation approach, root mean square propagation approach, and the like. For the root-mean-square propagation approach, the model generator 812 utilizes the root-mean-square error (RMSE) to measure how accurate the model predictions are on the training data provided by the training data collector 810. can. Specifically, model generator 812 may monitor RMSE over time based on the following equation.

where Y _pred,t is the AI model's prior prediction for variable Y at time step t, and Y _test,t is the observed value of variable Y as indicated by the training data at time step t. The computation of (Y _pred,t −Y _test,t ) ² can be performed for each time step t=1 . . . n, where n is the total number of predictions. Each difference can then be averaged together. During the training process, model generator 812 can refine the AI model to reduce the RMSE. An exemplary experiment for training an AI model is described in detail below with reference to FIGS. 11A and 11B.

モデルジェネレータ８１２は、生成されたＡＩモデルを、予測ジェネレータ８１４に提供することができる。予測ジェネレータ８１４は、ＡＩモデルを使用して、経時的なオイル特性の予測を生成することができる。当該予測を生成するために、予測ジェネレータ８１４は、様々なソースから、ＡＩモデルによって必要とされる入力の値を取得するように動作することができる。例えば、予測ジェネレータ８１４は、装置８２２からの装置フィードバック、センサ８２０からの測定された変数、及び／又は入力値の任意の他の適切なソースを取得し得る。 Model generator 812 can provide the generated AI model to prediction generator 814 . The prediction generator 814 can use AI models to generate predictions of oil properties over time. To generate such predictions, the prediction generator 814 can operate to obtain the values of the inputs required by the AI model from various sources. For example, prediction generator 814 may obtain device feedback from device 822, measured variables from sensors 820, and/or any other suitable source of input values.

装置８２２は、ＡＩモデルによって必要とされる入力の値を提供することができる任意のデバイスであることができるか、又はそれを含むことができる。例えば、ＶＲＦシステムでは、装置８２２は、コンプレッサ、熱交換器、アキュムレータなどを含み得る。より具体的には、ＡＩモデルが入力としてコンプレッサ速度を必要とする場合、装置８２２は、予測ジェネレータ８１４への装置フィードバックとして動作速度を提供することができる１つ以上のコンプレッサを含み得る。 The device 822 can be or include any device capable of providing the values of the inputs required by the AI model. For example, in a VRF system, device 822 may include compressors, heat exchangers, accumulators, and the like. More specifically, if the AI model requires compressor speed as an input, device 822 may include one or more compressors that can provide operating speed as device feedback to prediction generator 814 .

センサ８２０は、ＡＩモデルによって必要とされる入力（すなわち、変数）の値を測定することができる様々なセンサであり得るか、又はそれを含み得る。例えば、センサ８２０は、吸引圧力及び／又は吐出圧力を測定する圧力センサを含み得る。別の例として、センサ８２０は、周囲温度、吐出温度、及び／又はガス温度を測定する温度センサを含み得る。 Sensors 820 may be or include various sensors capable of measuring the values of inputs (ie, variables) required by the AI model. For example, sensors 820 may include pressure sensors that measure suction pressure and/or discharge pressure. As another example, sensors 820 may include temperature sensors that measure ambient temperature, discharge temperature, and/or gas temperature.

ＡＩモデル及び取得された入力値に基づいて、予測ジェネレータ８１４は、取得された入力値をＡＩモデルに渡すことによって、オイル特性予測を生成することができる。取得された入力値をＡＩモデルに渡した結果、ＡＩモデルは、１つ以上のオイル特性（例えば、オイル粘度、コンプレッサ内のオイル量、アキュムレータ内のオイル量など）の値を出力することができる。このようにして、ＶＲＦシステム内のオイルの特性は、オイル特性を測定するための追加のセンサを必要とせずに推定することができる。 Based on the AI model and the obtained input values, the prediction generator 814 can generate an oil property prediction by passing the obtained input values to the AI model. As a result of passing the obtained input values to the AI model, the AI model can output the value of one or more oil properties (e.g., oil viscosity, oil amount in compressor, oil amount in accumulator, etc.). . In this way, the properties of the oil in the VRF system can be estimated without the need for additional sensors to measure the oil properties.

いくつかの実施形態では、予測ジェネレータ８１４は、ＶＲＦシステム内の複数の段階でのオイルに関する予測を生成する。例えば、予測ジェネレータ８１４は、コンプレッサによって出力されるオイル冷媒混合物の粘度の予測を生成し得、オイルが、オイル冷媒混合物から分離された後のオイルだけの別個の粘度を予測し得る。当該例では、オイル冷媒混合物の粘度及びオイルだけの粘度を予測することは、オイルが、特定の是正措置（例えば、ＶＲＦシステムから追加／除去するオイルの量）からどのように利益を得ることができるかを判定するのに有益であり得る。ＶＲＦシステム内の複数の段階のオイルに関する予測を生成することによって、オイル欠乏は、ＶＲＦシステムの単一のポイントではなく、ＶＲＦシステム全体にわたって経時的に予測及び追跡することができる。 In some embodiments, prediction generator 814 generates predictions for oil at multiple stages within the VRF system. For example, the prediction generator 814 may generate a prediction of the viscosity of the oil-refrigerant mixture output by the compressor, and may predict the separate viscosity of the oil alone after the oil is separated from the oil-refrigerant mixture. In this example, predicting the viscosity of the oil refrigerant mixture and the viscosity of the oil alone will show how the oil will benefit from a particular corrective action (e.g., the amount of oil to add/remove from the VRF system). It can be useful to determine if By generating predictions for multiple stages of oil within the VRF system, oil starvation can be predicted and tracked over time throughout the VRF system rather than at a single point in the VRF system.

予測ジェネレータ８１４は、是正措置ジェネレータ８１６にオイル特性の予測を提供することができる。是正措置ジェネレータ８１６は、予測されたオイル特性を分析して、何らかの是正措置が開始されるべきかどうか、及びどのような是正措置が開始されるべきかを判定することができる。上記で定義されているように、是正措置は、いくつかの事前定義された閾値を満たしていないオイル特性に対処するために取られた任意の措置を指すことができる。是正措置は、例えば、特定のオイル特性が、所定の閾値に違反していることをユーザに示すための通知／警告をユーザデバイス８２４に配布すること、オイル戻り制御で装置８２２を動作させること、装置８２２を無効にすること、装置８２２で実行されるメンテナンス活動を自動的にスケジュールすること、閾値違反をデータベースに記録することなどを含み得る。事前定義された閾値は、ユーザによって定義され、製造元によって提供され、ＶＲＦシステム内の装置の動作状態などに基づいて推定されるなどであり得る。例えば、製造元は、コンプレッサを動作させるべき許容可能なオイル粘度レベルの範囲を定義し得る。この場合、過度に粘性の高いオイル及び／又は低粘性のオイルは、コンプレッサのより迅速な劣化をもたらし得る。別の例として、ユーザは、アキュムレータ内のオイルの最低許容量を定義する最小オイル量閾値を定義し得る。理解されるべきであるように、オイル特性に対して定義される閾値は、様々なソース（例えば、製造元、ユーザ、予測に基づくなど）から取得することができ、様々な制限タイプ（例えば、範囲、閾値、特性に相当すべき正確な値など）を含むことができる。 Prediction generator 814 may provide predictions of oil properties to corrective action generator 816 . The corrective action generator 816 can analyze the predicted oil properties to determine if and what corrective action should be initiated. Corrective action, as defined above, may refer to any action taken to address an oil property that does not meet some predefined threshold. Corrective actions may include, for example, distributing a notification/warning to the user device 824 to indicate to the user that a particular oil property has violated a predetermined threshold, operating the device 822 with oil return control, This may include disabling device 822, automatically scheduling maintenance activities to be performed on device 822, recording threshold violations in a database, and the like. The predefined thresholds may be user defined, provided by the manufacturer, estimated based on the operating conditions of the devices in the VRF system, and the like. For example, a manufacturer may define a range of acceptable oil viscosity levels at which the compressor should operate. In this case, excessively viscous oil and/or low viscosity oil can lead to faster deterioration of the compressor. As another example, a user may define a minimum oil level threshold that defines the minimum allowable amount of oil in the accumulator. As should be understood, the threshold values defined for oil properties can come from a variety of sources (e.g., manufacturer, user, forecast-based, etc.) and can be of various limit types (e.g., range , thresholds, exact values to which the characteristics should correspond, etc.).

より具体的な例として、ＡＩモデルが、コンプレッサ内のオイル量、アキュムレータ内のオイル量、オイルの粘度、及び／又はコンプレッサを流れるオイル冷媒混合物の粘度を含むオイル特性の値を予測するシナリオを検討する。実施例では、是正措置ジェネレータ８１６は、コンプレッサ及びアキュムレータ内のオイル量が、それぞれ第１及び第２の最小閾値を上回っているかどうかを判定し得る。コンプレッサ内のオイル量が低い場合、是正措置ジェネレータ８１６は、コンプレッサが、オイル戻り制御で動作して、外部ソース（例えば、室内ＶＲＦシステム）から及び／又はアキュムレータからオイルを回収するべきであると判定し得る。本明細書で定義されるように、オイル戻り制御は、コンプレッサが高速で動作して、室外システムからオイルを戻す動作モードを示し得る。オイル戻り制御は、高いエネルギー消費をもたらすことができ、コンプレッサがオイルを回収するために作動している間、必要な加熱／冷却が一時的に保留され得る。アキュムレータ内のオイル量が、第２の最小閾値を下回る場合、是正措置ジェネレータ８１６は、オイル量が低すぎるため、より多くのオイルをＶＲＦシステムに追加すべきであると判定し得る。オイルの追加は、オイル戻り制御でコンプレッサを動作させることから生じ得、ユーザが新しいオイルを手動でＶＲＦシステムに追加することなどを含み得る。 As a more specific example, consider a scenario in which an AI model predicts values for oil properties including the amount of oil in the compressor, the amount of oil in the accumulator, the viscosity of the oil, and/or the viscosity of the oil-refrigerant mixture flowing through the compressor. do. In an embodiment, corrective action generator 816 may determine whether the amount of oil in the compressor and accumulator are above first and second minimum thresholds, respectively. If the amount of oil in the compressor is low, corrective action generator 816 determines that the compressor should operate with oil return control to recover oil from an external source (e.g., indoor VRF system) and/or from the accumulator. can. As defined herein, oil return control may indicate an operating mode in which the compressor is operating at high speed to return oil from the outdoor system. Oil return control can result in high energy consumption and the required heating/cooling can be temporarily put on hold while the compressor is working to recover the oil. If the oil level in the accumulator is below the second minimum threshold, corrective action generator 816 may determine that the oil level is too low and more oil should be added to the VRF system. Adding oil may result from operating the compressor with an oil return control, may include a user manually adding new oil to the VRF system, or the like.

同様に、是正措置ジェネレータ８１６が、オイル又はオイル冷媒混合物の粘度が、事前定義された範囲外であると判定する場合、是正措置ジェネレータ８１６は、オイルが、ＶＲＦシステムから追加又は除去されるべきであると判定し得る。具体的には、オイル冷媒混合物の粘度が、範囲の最大境界を上回る場合、是正措置ジェネレータ８１６は、粘度を低下させるために、ＶＲＦシステムからオイルを除去（すなわち、オイル冷媒混合物中のオイルの量を減少させる）すべきであると判定し得る。オイル冷媒混合物の粘度が、範囲の最小境界を下回る場合、是正措置ジェネレータ８１６は、粘度を増加させるために、ＶＲＦシステムにオイルが添加される（すなわち、オイル冷媒混合物中のオイルの量を増加させる）べきであると判定し得る。オイル自体に関して、オイルの粘度が、範囲の最大境界を上回る場合、是正措置ジェネレータ８１６は、新しいオイルが、既存のオイルと比較して粘度が低いと予想される場合、粘度を低くするために、ＶＲＦシステムにオイルを追加すべきであると判定し得る。オイルの粘度が、最小境界を下回る場合、是正措置ジェネレータ８１６は、粘度を増加させるために、オイルを除去すべきであると判定し得る。 Similarly, if corrective action generator 816 determines that the viscosity of the oil or oil refrigerant mixture is outside the predefined range, corrective action generator 816 indicates that oil should be added or removed from the VRF system. It can be determined that there is Specifically, if the viscosity of the oil-refrigerant mixture exceeds the maximum boundary of the range, corrective action generator 816 removes oil from the VRF system (i.e., the amount of oil in the oil-refrigerant mixture should be reduced). If the viscosity of the oil-refrigerant mixture is below the minimum boundary of the range, corrective action generator 816 indicates that oil is added to the VRF system to increase the viscosity (i.e., increase the amount of oil in the oil-refrigerant mixture). ) should be determined. With respect to the oil itself, if the viscosity of the oil is above the maximum boundary of the range, the corrective action generator 816 will, if the new oil is expected to be less viscous than the existing oil, It may be determined that oil should be added to the VRF system. If the viscosity of the oil is below the minimum boundary, corrective action generator 816 may determine that oil should be removed to increase the viscosity.

いくつかの実施形態では、是正措置ジェネレータ８１６は、経時的にＡＩモデルの出力を比較して、特定のオイル特性が、閾値違反に近づいており、それによって欠乏を含むかどうかを判定する。この場合、是正措置ジェネレータ８１６は、ＡＩモデルによって出力されるオイル特性の値を、オイル特性の以前の出力された値と比較し得る。特定のオイル特性が、閾値に違反する傾向にある場合、是正措置ジェネレータ８１６は、違反が発生する前に先制的に是正措置を開始し得る。例えば、オイルの粘度が、経時的に増加しており、現在の傾向に基づいて、今後の期間内に粘度の上限を超える場合、是正措置ジェネレータ８１６は、オイルの粘度が最大限界を超える前に是正措置を開始し得る。有利には、是正措置の先制開始は、装置（例えば、コンプレッサ）が、オイル特性閾値の違反に関連付けられた条件下で動作される時間を確実に減らすことができる。当該時間を削減することは、同様に、装置の劣化を削減し、エネルギー消費を削減し、他の利点を提供することができる。 In some embodiments, corrective action generator 816 compares the output of the AI model over time to determine if a particular oil property is nearing a threshold violation, thereby including starvation. In this case, the corrective action generator 816 may compare the value of the oil property output by the AI model to the previously output value of the oil property. If a particular oil property tends to violate a threshold, corrective action generator 816 may initiate corrective action preemptively before the violation occurs. For example, if the viscosity of the oil is increasing over time and, based on current trends, exceeds the upper viscosity limit in the future period, the corrective action generator 816 may Corrective action can be initiated. Advantageously, preemptive initiation of corrective action can reliably reduce the amount of time a device (eg, a compressor) is operated under conditions associated with oil property threshold violations. Reducing such time can similarly reduce device degradation, reduce energy consumption, and provide other benefits.

いくつかの実施形態では、是正措置ジェネレータ８１６は、装置８２２及び／又は他のデバイス／システムへの影響を低減するための特定の是正措置を開始する時間を予測する。例えば、是正措置ジェネレータ８１６は、建物によって必要とされる加熱／冷却負荷への負の影響を低減するために、オイル戻り制御を開始する時間を予測し得る。上述したように、オイル戻り制御下でコンプレッサを動作させると、オイル戻り制御の間、必要な加熱／冷却が一時的に延期される可能性がある。したがって、是正措置ジェネレータ８１６は、必要とされる加熱／冷却への影響が低減され得る（例えば、最小化され得る）時間を予測することができる。別の例として、新しいオイルがシステムに導入される必要がある場合、是正措置ジェネレータ８１６は、新しいオイルが個人によってシステムに安全に追加することができるように、装置８２２を一時的に無効にする時間を予測することができる。 In some embodiments, corrective action generator 816 predicts when to initiate certain corrective actions to reduce the impact on apparatus 822 and/or other devices/systems. For example, corrective action generator 816 may predict when to initiate oil return control to reduce negative impacts on heating/cooling loads required by the building. As noted above, operating the compressor under oil return control can temporarily postpone the required heating/cooling during oil return control. Accordingly, the corrective action generator 816 can predict when the required heating/cooling impact can be reduced (eg, minimized). As another example, if new oil needs to be introduced into the system, corrective action generator 816 will temporarily disable device 822 so that new oil can be safely added to the system by an individual. time can be predicted.

是正措置ジェネレータ８１６は、様々な技術を利用して、特定の是正措置を開始する時間を予測することができる。例えば、是正措置ジェネレータ８１６は、経時的に特定の変数を追跡し、システムへの少量の中断をもたらし得る値のより低い範囲を識別し得る。特定の例として、是正措置ジェネレータ８１６は、建物内の環境コンディションへの影響が低減されるように、低い加熱／冷却ニーズに関連付けられた値の範囲を識別し得る。識別された値の範囲に基づいて、是正措置ジェネレータ８１６は、経時的に実際の加熱／冷却ニーズを追跡し得、実際の加熱／冷却ニーズが識別された範囲内にある期間を識別することに応答して、当該期間中に是正措置を開始することができる。このようにして、是正措置ジェネレータ８１６は、是正措置を開始することが低い全体的な影響をもたらす期間を効果的に予測している。 Corrective action generator 816 may utilize various techniques to predict when to initiate a particular corrective action. For example, corrective action generator 816 may track certain variables over time and identify lower ranges of values that may result in minor disruptions to the system. As a particular example, corrective action generator 816 may identify a range of values associated with low heating/cooling needs such that the impact on environmental conditions within the building is reduced. Based on the identified range of values, corrective action generator 816 may track the actual heating/cooling needs over time to identify periods when the actual heating/cooling needs are within the identified range. In response, corrective action may be initiated during that period. In this way, the corrective action generator 816 is effectively predicting a time period during which initiating corrective action will have a low overall impact.

いくつかの実施形態では、是正措置ジェネレータ８１６は、是正措置が必要でない場合（例えば、オイル粘度及びオイル量が適切な値にある場合）に、標準の装置コントローラとして動作することができる。言い換えると、是正措置ジェネレータ８１６は、装置８２２を動作させて、建物内のいくつかの可変状態又はコンディション（例えば、温度、湿度など）に影響を与えるために、装置８２２に対する制御信号を生成することができる。いくつかの実施形態では、是正措置ジェネレータ８１６は、予測ジェネレータ８１４によって提供される予測に基づいて、装置８２２に対する境界条件を設定するように構成され得る。例えば、是正措置ジェネレータ８１６は、オイル粘度の予測に基づいて、コンプレッサの最大速度を設定し得る。当該例では、粘度が適切な範囲内にあり、範囲の違反に近づいていない場合、是正措置ジェネレータ８１６は、オイル粘度が適切であるため、より高速でコンプレッサを動作させるための制御信号を生成し得る。 In some embodiments, the corrective action generator 816 can operate as a standard equipment controller when no corrective action is required (eg, oil viscosity and oil quantity are at appropriate values). In other words, corrective action generator 816 may generate control signals for device 822 to operate device 822 and affect some variable state or condition (eg, temperature, humidity, etc.) within the building. can be done. In some embodiments, corrective action generator 816 may be configured to set boundary conditions for device 822 based on predictions provided by prediction generator 814 . For example, the corrective action generator 816 may set the maximum speed of the compressor based on the predicted oil viscosity. In the example, if the viscosity is within the proper range and is not close to violating the range, the corrective action generator 816 will generate a control signal to run the compressor at a higher speed because the oil viscosity is proper. obtain.

何らかの是正措置を開始した結果、オイル特性に対する閾値の任意の違反に対処することができる。これは、いくつかのオイル特性違反に関連付けられたコンディション下で、装置８２２が動作している間の時間を確実に減らす（例えば、最小限にする）ことができる。全体として、ＶＲＦシステムでは、ＡＩモデルに基づく予測を使用して、是正措置を開始することは、ハードウェアコストを節約し、オイル戻りの影響を低減し、ＶＲＦシステムの効率を向上させることができるなどの利点がある。 Any violation of thresholds for oil properties can be addressed as a result of initiating some corrective action. This can certainly reduce (eg, minimize) the amount of time the device 822 is operating under conditions associated with some oil property violations. Overall, in VRF systems, using predictions based on AI models to initiate corrective action can save hardware costs, reduce the impact of oil return, and improve the efficiency of VRF systems. There are advantages such as

ここで図９Ａを参照すると、いくつかの実施形態による、リカレントニューラルネットワーク（ＲＮＮ）構造９００の例示が示される。具体的には、ＲＮＮ構造９００は、図８を参照して上述したＡＩモデルとして生成及び利用することができるＲＮＮモデル（例えば、ＬＳＴＭモデル）の構造を例示することができる。 Referring now to FIG. 9A, an illustration of a Recurrent Neural Network (RNN) structure 900 is shown, according to some embodiments. Specifically, RNN structure 900 can illustrate the structure of an RNN model (eg, LSTM model) that can be generated and utilized as an AI model as described above with reference to FIG.

ＲＮＮは、ノード間の接続が、時間的シーケンスに沿って有向グラフを形成する、人工ニューラルネットワークのクラスである。ＶＲＦシステムの場合、ＲＮＮ構造９００によって表されるＲＮＮモデルは、ＦＭＵプラントモデルに基づいて収集されたシミュレーションデータを使用して、生成され得る。訓練時間が長くなるにつれて、ＲＮＮモデルは、ＶＲＦシステムに対するオリジナルのプラントモデルとますます近い機能を有することができる。 RNNs are a class of artificial neural networks in which the connections between nodes form a directed graph along a temporal sequence. For VRF systems, the RNN model represented by RNN structure 900 may be generated using simulation data collected based on the FMU plant model. As the training time increases, the RNN model can have closer and closer functionality to the original plant model for the VRF system.

ＲＮＮ構造９００は、凝縮されたネットワーク構造、及び凝縮されたネットワーク構造を「展開」することができる方法を例示して、ＲＮＮ構造９００が時間的シーケンスにわたってどのように動作するかを例示する。具体的には、凝縮された（「折り畳まれた」）構造と展開された構造は等価であり、展開された構造は、時間的シーケンスにわたるＲＮＮモデルの使用をより詳細に例示する。 RNN structure 900 illustrates a condensed network structure and how the condensed network structure can be "unfolded" to illustrate how RNN structure 900 operates over a temporal sequence. Specifically, the condensed (“folded”) and unfolded structures are equivalent, with the unfolded structure illustrating the use of the RNN model over temporal sequences in more detail.

ＲＮＮ構造９００は、ＲＮＮモデルによって必要とされる入力を含むベクトルであり得る、ｘとして表される入力を含むことが示される。ＶＲＦシステムの場合、入力ベクトルｘは、例えば、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、ガス温度などを含み得る。重みベクトルＵを、ｘに適用することができ、結果を、隠れ層ベクトルｈに提供することができる。同様に、重みベクトルＶは、前の時間ステップの隠れ層ベクトルに適用することができる。重み付けられた入力、及び前の隠れ層ベクトルの重み付けられた値に基づいて、関数を適用して、重みベクトルＷが適用された後に、出力ｏをもたらすことができる対応する出力を決定することができる。このプロセスは、時間的シーケンスの各時間ステップに対して繰り返すことができる。言い換えると、新しい入力ベクトルｘ_ｔは、時間ステップｔに対して取得することができ、ｘ_ｔ、以前の状態ｈ_ｔ－１、及び対応する重みベクトルＵ、Ｖ、及びＷに基づいて、出力ベクトルｏ_ｔは、時間ステップｔに対して決定することができる。 RNN structure 900 is shown to include an input, denoted as x, which can be a vector containing the inputs required by the RNN model. For VRF systems, the input vector x may include, for example, compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, gas temperature, and the like. A weight vector U can be applied to x and the result can be provided in a hidden layer vector h. Similarly, the weight vector V can be applied to the hidden layer vector of the previous time step. Based on the weighted input and the weighted values of the previous hidden layer vector, a function can be applied to determine the corresponding output that can result in the output o after the weight vector W is applied. can. This process can be repeated for each time step of the temporal sequence. In other words, a new input vector x _t can be obtained for time step t, and based on x _t , the previous state h _t−1 , and the corresponding weight vectors U, V, and W, the output vector o _t can be determined for time step t.

オイル管理コントローラ８００によって生成及び使用されるＲＮＮモデルに、ＲＮＮ構造９００を組み込んだ結果、ＲＮＮモデルの予測は、以前の時間ステップの結果として経時的に修正され得る。変化するコンディション（例えば、変化する環境コンディション、動作コンディションなど）の結果、オイル特性が経時的に変化するため、いくつかの他のニューラルネットワークアーキテクチャがそうであるように、元の訓練プロセスによって制限されるのとは対照的に、時間的シーケンスにわたる変化を考慮するＲＮＮモデルの独自の能力のために、特にＲＮＮモデルを利用することは、有用であり得る。 As a result of incorporating the RNN structure 900 into the RNN model generated and used by the oil management controller 800, the predictions of the RNN model can be modified over time as a result of previous time steps. Because oil properties change over time as a result of changing conditions (e.g., changing environmental conditions, operating conditions, etc.), they are limited by the original training process, as are some other neural network architectures. It may be useful to utilize RNN models specifically because of their unique ability to account for changes over temporal sequences, as opposed to using RNN models.

ここで図９Ｂを参照すると、いくつかの実施形態による、ニューラルネットワーク（ＮＮ）アーキテクチャ９５０の例示が示される。ＮＮアーキテクチャ９５０は、ＶＲＦシステム（例えば、ＶＲＦシステム６００）に対する、図８を参照して上述したＡＩモデルによって利用され得る一般的なアーキテクチャを記述することができる。具体的には、ＮＮアーキテクチャ９５０は、ニューラルネットワークが、ＶＲＦシステムに関連する入力のセットに基づいて、出力のセットを生成することができる方法を例示することができる。しかしながら、ＮＮアーキテクチャ９５０が、単に、利用することができるニューラルネットワークアーキテクチャの例のために提供され、図８を参照して説明されたＡＩモデルによって利用することができるニューラルネットワークアーキテクチャに制限することを意図するものではないことに留意されたい。 Referring now to FIG. 9B, an illustration of neural network (NN) architecture 950 is shown, according to some embodiments. NN architecture 950 can describe a general architecture that can be utilized by the AI model described above with reference to FIG. 8 for a VRF system (eg, VRF system 600). Specifically, NN architecture 950 can illustrate how a neural network can generate a set of outputs based on a set of inputs associated with the VRF system. However, NN architecture 950 is provided merely as an example of a neural network architecture that can be utilized, and is intended to be limited to neural network architectures that can be utilized by the AI model described with reference to FIG. Note that this is not intended.

ＮＮアーキテクチャ９５０は、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、及びガス温度を入力として受け取ることが示される。各入力は、ＮＮアーキテクチャ９５０内の入力層の特定の入力ノードに関連付けられ得る。言い換えると、入力層内のいくつかのノードは、１対１の関係として、いくつかの実際の入力に対応し得る。図９Ｂに示される入力は、単に例のために提供されることを理解されたい。ＮＮアーキテクチャ９５０は、実装態様に応じて様々な異なる入力を説明するように修正され得る。例えば、ガス温度が入力として考慮されない場合、入力層は、５つの入力ノードのみを含み得る。 The NN architecture 950 is shown receiving as inputs compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, and gas temperature. Each input may be associated with a particular input node of the input layer within NN architecture 950 . In other words, several nodes in the input layer may correspond to several real inputs in a one-to-one relationship. It should be appreciated that the inputs shown in FIG. 9B are provided for example only. NN architecture 950 can be modified to account for various different inputs depending on the implementation. For example, if gas temperature is not considered as an input, the input layer may contain only 5 input nodes.

ＮＮアーキテクチャ９５０はまた、隠れノードを含む隠れ層を含むことが示される。ＮＮアーキテクチャ９５０では、隠れ層は、入力層の入力ノードの数に相当するいくつかの隠れノードを含む単一の層を含むように示される。しかしながら、様々な実施形態によれば、隠れ層は、いくつかの入力ノードに対応し得るか、又はし得ない様々な数の隠れノードを含む１つ以上の層を含むことができることに留意されたい。例えば、畳み込みニューラルネットワークアーキテクチャでは、ＮＮアーキテクチャ９５０は、様々な数の隠れノードを有する複数の隠れ層（例えば、複数の畳み込み層）を含み得る。更に、各層のノードは、図９Ｂに示されるように、必ずしも隣接する層の全てのノードに接続する必要はない。 NN architecture 950 is also shown to include a hidden layer containing hidden nodes. In NN architecture 950, the hidden layer is shown to include a single layer containing a number of hidden nodes corresponding to the number of input nodes in the input layer. Note, however, that according to various embodiments, a hidden layer may include one or more layers with varying numbers of hidden nodes that may or may not correspond to some input nodes. sea bream. For example, in a convolutional neural network architecture, the NN architecture 950 may include multiple hidden layers (eg, multiple convolutional layers) with varying numbers of hidden nodes. Furthermore, the nodes in each layer do not necessarily connect to all the nodes in adjacent layers, as shown in FIG. 9B.

ＮＮアーキテクチャ９５０では、重みＷは、２つのノード間の接続に関して適用することができる。いくつかの実施形態では、ノード間の各接続は、特定の接続に対する特定の値を含む。例えば、入力層の入力ノード１と、隠れ層の隠れノード１との間の重みは、入力ノード１と隠れ層の隠れノード２との間の重みとは異なり得る。いくつかの実施形態では、ノード間の様々な接続は、同じ重みに関連付けられ得る。例えば、ＬＳＴＭ固有のアーキテクチャでは、入力ノードと隠しノードとの間の接続に関連付けられた重みは同じであり得る。 In NN architecture 950, a weight W can be applied on a connection between two nodes. In some embodiments, each connection between nodes contains a specific value for that particular connection. For example, the weight between input node 1 of the input layer and hidden node 1 of the hidden layer may be different than the weight between input node 1 and hidden node 2 of the hidden layer. In some embodiments, various connections between nodes may be associated with the same weight. For example, in LSTM-specific architectures, the weights associated with connections between input nodes and hidden nodes may be the same.

特定のノードに入力される各重み付けられた値に基づいて、関数を適用して、ノードの合成値を決定することができる。例えば、ＮＮアーキテクチャ９５０の隠れノード１について、関数は、ノードに入力される重み付けされた入力値に適用されて、隠れノード１の合成値を決定することができる。特定の層の出力を決定するために、特定の層内の各ノードの合成値。特定の層の出力は、特定の層と後続の層との間の重みとともに、後続の層への入力に対応することができる。このプロセスは、出力層に到達するまで、各層に対して繰り返すことができる。 Based on each weighted value input to a particular node, a function can be applied to determine the node's composite value. For example, for hidden node 1 in NN architecture 950, a function may be applied to the weighted input values entering the node to determine the composite value for hidden node 1. Composite value of each node in a particular layer to determine the output of a particular layer. The output of a particular layer can correspond to the input to the subsequent layer along with the weights between the particular layer and the subsequent layer. This process can be repeated for each layer until the output layer is reached.

ＮＮアーキテクチャ９５０はまた、出力ノードを含む出力層を含むことが示される。出力層内のいくつかの出力ノードは、１対１でＮＮモデルの所望の出力に対応することができる。特にＶＲＦシステムに関して、出力は、オイル粘度、オイル冷媒混合粘度、１つ以上のコンプレッサのオイル量、及びアキュムレータのオイル量を含み得る。したがって、第１、第２、及び第３の出力ノードは、オイル粘度、１つ以上のコンプレッサのオイル量、及びアキュムレータのオイル量にそれぞれ対応することができる。ＮＮアーキテクチャ９５０に関して、出力ノード１の合成値は、オイル粘度に対応することができ、出力ノード２の合成値は、１つ以上のコンプレッサのオイル量に対応することができ、出力ノード３の合成値は、アキュムレータのオイル量に対応することができる。このようにして、単に入力値をＮＮアーキテクチャ９５０に提供することによって、出力の予測された値を生成することができる。 NN architecture 950 is also shown to include an output layer containing output nodes. Several output nodes in the output layer can correspond one-to-one to the desired output of the NN model. For VRF systems in particular, outputs may include oil viscosity, oil refrigerant mixture viscosity, one or more compressor oil quantities, and accumulator oil quantities. Accordingly, the first, second, and third output nodes may correspond to oil viscosity, one or more compressor oil amounts, and accumulator oil amounts, respectively. With respect to NN architecture 950, output node 1's combined value may correspond to oil viscosity, output node 2's combined value may correspond to one or more compressor oil quantities, and output node 3's combined value may correspond to oil viscosity. The value can correspond to the amount of oil in the accumulator. In this way, by simply providing input values to the NN architecture 950, the expected values of the outputs can be generated.

ここで図１０を参照すると、いくつかの実施形態による、ＡＩモデルを使用してオイル特性を監視するためのプロセス１０００のフロー図が示される。プロセス１０００は、ＡＩモデルを利用して、オイル特性の値を予測することができ、当該値が、事前定義された閾値を満たさない場合、是正措置を開始することができる。プロセス１０００は、主に建物システム（例えば、ＶＲＦシステム）を参照して説明されるが、プロセス１０００は、適切な動作のためにオイルを必要とする構成要素／デバイスを含む様々なシステムに適用することができる。例えば、プロセス１０００は、ＶＲＦシステム、他のＨＶＡＣシステム、カーシステムなどに適用することができる。いくつかの実施形態では、プロセス１０００のいくつかの及び／又は全てのステップは、図８を参照して説明されたオイル管理コントローラ８００によって実行される。 Referring now to FIG. 10, a flow diagram of a process 1000 for monitoring oil properties using AI models is shown, according to some embodiments. Process 1000 can utilize AI models to predict values of oil properties and can initiate corrective action if the values do not meet predefined thresholds. Although process 1000 is primarily described with reference to building systems (eg, VRF systems), process 1000 applies to various systems containing components/devices that require oil for proper operation. be able to. For example, process 1000 can be applied to VRF systems, other HVAC systems, car systems, and the like. In some embodiments, some and/or all steps of process 1000 are performed by oil management controller 800 described with reference to FIG.

プロセス１０００は、建物の建物装置によって使用されるオイルに影響を与えるコンディションと、オイルの特性との間の関係を記述する訓練データを取得することを含むことが示される（ステップ１００２）。建物装置は、建物の可変状態又はコンディションに影響を与えることができ、適切な動作のためにオイルを利用する様々な装置を含むことができる。例えば、建物装置は、コンプレッサ、ＡＨＵ、他のサブプラントなどを含み得る。訓練データは、様々なソースから取得することができる。例えば、訓練データは、建物装置の動作に関連付けられた履歴情報を記憶するデータベース（例えば、クラウドデータベース）にアクセスすることによって、建物装置の製造元によって提供される訓練データを使用することなどによって、ユーザからの直接入力を介して取得され得る。いくつかの実施形態では、ステップ１００２は、シミュレーションモデルを使用して訓練データを生成することを含む。シミュレーションモデルが使用される場合、シミュレーションモデルは、ステップ１００２で取得される訓練データのいくつか及び／又は全てを生成することができる。シミュレーションモデルは、例えば、動作中に建物装置のデバイスによって使用されるオイルの量、外部気象条件及び／又は他の周囲条件がシステムにどのように影響するか、建物の様々な加熱／冷却負荷など、建物装置を含む、システムの様々な態様を考慮するように構成することができる。訓練データの生成中、シミュレーションモデルに関連付けられた変数を操作して、様々なシナリオを表す訓練データを生成することができる。ステップ１００２でシミュレーションモデルを使用することは、建物装置の実際の動作に基づいてデータを集めることと比較して、より多くの訓練データがより短い時間で利用可能であることをもたらすことができる。更に、ステップ１００２でシミュレーションモデルを使用することは、実際のデバイス動作に基づいて収集された訓練データに典型的には含まれない場合があるフリンジケースを記述する訓練データを取得するのに役立つことができる。いくつかの実施形態では、ステップ１００２は、訓練データ収集器８１０によって実行される。 The process 1000 is shown including obtaining training data describing the relationship between the conditions affecting the oil used by building equipment in the building and the properties of the oil (step 1002). Building devices can include various devices that can affect variable states or conditions of a building and utilize oil for proper operation. For example, building equipment may include compressors, AHUs, other sub-plants, and the like. Training data can be obtained from various sources. For example, the training data may be collected by the user, such as by accessing a database (e.g., a cloud database) that stores historical information associated with the operation of the building device, using training data provided by the manufacturer of the building device, or the like. can be obtained via direct input from In some embodiments, Step 1002 includes generating training data using the simulation model. If a simulation model is used, the simulation model may generate some and/or all of the training data obtained at step 1002 . The simulation model may, for example, determine the amount of oil used by the devices of the building equipment during operation, how external weather conditions and/or other ambient conditions affect the system, various heating/cooling loads of the building, etc. , building equipment, and can be configured to take into account various aspects of the system. During the generation of training data, variables associated with the simulation model can be manipulated to generate training data representing various scenarios. Using a simulation model in step 1002 can result in more training data being available in less time compared to gathering data based on the actual operation of the building equipment. Additionally, using a simulation model in step 1002 helps obtain training data that describes fringe cases that may not typically be included in training data collected based on actual device behavior. can be done. In some embodiments, step 1002 is performed by training data collector 810 .

プロセス１０００は、オイルの特性をモデル化するための訓練データに基づいて、人工知能（ＡＩ）モデルを生成することを含むことが示される（ステップ１００４）。ステップ１００４で生成されるＡＩモデルは、例えば、ＲＮＮモデル（例えば、ＬＳＴＭモデル）、ＣＮＮモデルなどの様々な異なるＡＩモデルであり得る。ＡＩモデルは、オイルに影響を与えるコンディション、及びオイル特性そのものを関連付けるように生成することができる。具体的には、ＡＩモデルは、特定の入力（例えば、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、ガス温度など）を特定の出力（例えば、オイル粘度、コンプレッサ内のオイル量、アキュムレータ内のオイル量など）に関連付けるように訓練され得る。いくつかの実施形態では、ステップ１００４は、コンディションと、オイルの特性との間の関係を考慮するために、ＡＩモデルのノード間の接続に関連付けられた重みを訓練することを含み得る。いくつかの実施形態では、ステップ１００４は、モデルジェネレータ８１２によって実行される。 Process 1000 is shown including generating an artificial intelligence (AI) model based on training data for modeling oil properties (step 1004). The AI models generated in step 1004 can be various different AI models, such as, for example, RNN models (eg, LSTM models), CNN models, and the like. AI models can be generated to relate the conditions affecting the oil and the oil properties themselves. Specifically, the AI model translates certain inputs (e.g., compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, gas temperature, etc.) into specific outputs (e.g., oil viscosity, amount of oil in compressor, can be trained to relate to the amount of oil in an accumulator, etc.). In some embodiments, step 1004 may include training weights associated with connections between nodes of the AI model to account for relationships between conditions and oil properties. In some embodiments, step 1004 is performed by model generator 812 .

プロセス１０００は、ＡＩモデルを使用して、モデル入力のセットに基づいて、経時的なオイル特性の予測を生成することを含むように示されている（ステップ１００６）。ステップ１００４で上述したように、ＡＩモデルは、特定の入力を特定の出力に関連付けるように訓練することができる。したがって、訓練されると、ＡＩモデルは、入力の値を利用して、出力の対応する値（すなわち、オイル特性）を予測することができる。いくつかの実施形態では、ステップ１００６は、予測ジェネレータ８１４によって実行される。 Process 1000 is shown including using an AI model to generate predictions of oil properties over time based on a set of model inputs (step 1006). As noted above in step 1004, the AI model can be trained to associate specific inputs with specific outputs. Thus, when trained, an AI model can utilize values of inputs to predict corresponding values of outputs (ie, oil properties). In some embodiments, step 1006 is performed by prediction generator 814 .

プロセス１０００は、予測が、任意の制約に違反するかどうかを判定することを含むことが示される（ステップ１００８）。いくつかの実施形態では、制約は、オイル特性の許容値を定義する事前定義された制約である。例えば、制約は、オイル特性の値が、上回る／下回るべき閾値、オイル特性の値が、内にあるべき値の許容範囲などを含み得る。具体的には、制約は、違反してはならない閾値であり得る。特定の例として、オイル粘度に対する制約は、オイル粘度が内にあり得る許容値の範囲として定義され得る。当該例では、予測されたオイル粘度が、範囲の最大値を上回る場合、又は範囲の最小値を下回る場合、違反が識別され得る。予測されたオイルの特性がいかなる制約にも違反せず、したがって欠陥を有しない場合（ステップ１００８、「いいえ」）、プロセス１０００は、ステップ１００６から開始することを繰り返し得る。この場合、オイル特性を経時的に監視／追跡することができるように、後続の時間ステップに対して新しい予測セットを生成することができる。しかしながら、制約違反が識別された場合（ステップ１００８、「はい」）、プロセス１０００は、ステップ１０１０に進み得る。いくつかの実施形態では、単一の制約違反は、プロセス１０００がステップ１０１０に進む結果となる。いくつかの実施形態では、プロセス１０００がステップ１０１０に進むためには、複数の制約違反（例えば、２つの制約違反、３つの制約違反など）が必要とされ得る。いくつかの実施形態では、ステップ１００８は、ステップ１０１０に進むかどうかを判定する際に、特定の制約違反の深刻度を少なくとも部分的に考慮することを含む。例えば、最大粘度０．００１パスカル秒を超えるオイル粘度は、プロセス１０００がステップ１０１０に進むために、いくつかの他の制約にも違反する必要があり得るが、一方で、最大粘度１パスカル秒を超えるオイル粘度は、プロセス１０００がステップ１０１０に進むために、単独で十分であり得る。いくつかの実施形態では、ステップ１００８は、オイル特性が、今後の期間内に制約に違反するかどうかを予測することを含み得、そうである場合、プロセス１０００をステップ１０１０に進ませて、予期される違反に先制的に対処させることができる。いくつかの実施形態では、ステップ１００８は、是正措置ジェネレータ８１６によって実行される。 Process 1000 is shown including determining whether the prediction violates any constraints (step 1008). In some embodiments, the constraints are pre-defined constraints that define acceptable values for oil properties. For example, the constraints may include threshold values that the oil property value should exceed/below, an acceptable range of values that the oil property value should be within, and the like. Specifically, a constraint can be a threshold that must not be violated. As a specific example, a constraint on oil viscosity may be defined as a range of acceptable values within which oil viscosity may lie. In that example, a violation may be identified if the predicted oil viscosity is above the maximum value of the range or below the minimum value of the range. If the predicted oil properties do not violate any constraints and therefore have no defects (step 1008 , NO), process 1000 may repeat starting at step 1006 . In this case, a new set of predictions can be generated for subsequent time steps so that oil properties can be monitored/tracked over time. However, if a constraint violation is identified (step 1008 , YES), process 1000 may proceed to step 1010 . In some embodiments, a single constraint violation results in process 1000 proceeding to step 1010 . In some embodiments, multiple constraint violations (eg, 2 constraint violations, 3 constraint violations, etc.) may be required for process 1000 to proceed to step 1010 . In some embodiments, step 1008 includes considering, at least in part, the severity of the particular constraint violation when determining whether to proceed to step 1010 . For example, an oil viscosity greater than 0.001 Pascal-second maximum viscosity may also need to violate some other constraint in order for process 1000 to proceed to step 1010, while increasing the maximum viscosity to 1 Pascal-second. The excess oil viscosity alone may be sufficient for process 1000 to proceed to step 1010 . In some embodiments, step 1008 may include predicting whether the oil property will violate the constraint in the future time period, and if so, direct process 1000 to step 1010 to predict violations can be dealt with preemptively. In some embodiments, step 1008 is performed by corrective action generator 816 .

プロセス１０００は、どのオイル特性が制約に違反したかに基づいて、是正措置を判定することを含むことが示される（ステップ１０１０）。言い換えると、是正措置は、１つ以上の制約／閾値に違反している特定のオイル特性に対処するように判定され得る。例えば、オイルの粘度が、制約（例えば、最大許容粘度）に違反する場合、判定される是正措置は、建物装置の整備が、オイル粘度を低減するために必要であり得ることを、ユーザに通知するために、ユーザデバイスに通知を伝送することであり得る。別の例として、コンプレッサのオイル量が、最小閾値を下回る場合、ステップ１０１０で判定された是正措置は、（例えば、アキュムレータから、室内ＶＲＦシステムからなど）より多くのオイルを回収するために、オイル戻り制御でコンプレッサを動作させることであり得る。いくつかの実施形態では、ステップ１０１０は、是正措置が発生するための特定の時間及び／又は期間を判定することを含む。特定の時間及び／又は期間を判定するために、ステップ１０１０は、システムのコンディション（例えば、デバイスの動作コンディション、周囲コンディションなど）を監視して、コスト、加熱／冷却効率などへの最も小さい影響が発生する時間を判定することを含み得る。いくつかの実施形態では、是正措置が、通知を伝送している場合、又は制約違反が、深刻である場合、判定された時間及び／又は期間は、可能な限り早い時間（例えば、直ちに）であり得る。いくつかの実施形態では、ステップ１０１０は、是正措置ジェネレータ８１６によって実行される。 Process 1000 is shown including determining corrective action based on which oil property violated the constraint (step 1010). In other words, corrective actions may be determined to address specific oil properties that violate one or more constraints/thresholds. For example, if the oil viscosity violates a constraint (e.g., maximum allowable viscosity), the determined corrective action will notify the user that maintenance of building equipment may be required to reduce oil viscosity. To do so, it may be to transmit a notification to the user device. As another example, if the compressor oil level is below the minimum threshold, the corrective action determined in step 1010 may be to recover more oil (e.g., from the accumulator, from the indoor VRF system, etc.). It can be to operate the compressor with return control. In some embodiments, step 1010 includes determining a specific time and/or duration for corrective action to occur. To determine specific times and/or durations, step 1010 monitors system conditions (e.g., device operating conditions, ambient conditions, etc.) to minimize impact on cost, heating/cooling efficiency, etc. Determining the time of occurrence can include. In some embodiments, if the corrective action is delivering a notification, or if the constraint violation is severe, the determined time and/or duration is as soon as possible (e.g., immediately). could be. In some embodiments, step 1010 is performed by corrective action generator 816 .

プロセス１０００は、是正措置を開始することを含むことが示される（ステップ１０１２）。ステップ１０１０で判定された是正措置を開始することによって、ステップ１００８で識別された１つ以上の制約／閾値違反に対処することができる。このようにして、１つ以上の制約／閾値違反がアクティブである全体的な時間を短縮することができる。制約／閾値に違反する時間を短縮することは、建物装置の劣化を低減し、コスト（例えば、エネルギーコスト）を削減することに役立つことができ、システムの全体的な安全性を高めることができるなどの利点がある。いくつかの実施形態では、ステップ１０１０が、是正措置がいつ実行されるべきかを判定することを含む場合、ステップ１０１２は、判定された時間に是正措置を開始することを含むことができる。いくつかの実施形態では、ステップ１０１２は、是正措置ジェネレータ８１６によって実行される。 Process 1000 is shown including initiating remedial action (step 1012). One or more of the constraint/threshold violations identified in step 1008 may be addressed by initiating corrective action as determined in step 1010 . In this way, the overall time that one or more constraint/threshold violations are active can be reduced. Reducing the time constraints/thresholds are violated can help reduce deterioration of building equipment, reduce costs (e.g., energy costs), and can increase the overall safety of the system. There are advantages such as In some embodiments, if step 1010 includes determining when remedial action should be taken, step 1012 may include initiating remedial action at the determined time. In some embodiments, step 1012 is performed by corrective action generator 816 .

実験結果
概して図１１Ａ～図１２Ｃを参照すると、いくつかの実施形態による、例示的な実験の結果が示される。図１１Ａ～図１２Ｃの例示的な実験は、単に例示の目的のために提供され、本開示を制限することを意図しないが、むしろオイル特性を予測する際にＡＩモデルを利用する実用性を示すことが意図される。図１１Ａ～図１２Ｃを通して以下で参照されるＡＩモデルは、オイル特性を予測する目的で訓練されたＲＮＮモデルである。 Experimental Results Referring generally to FIGS. 11A-12C, exemplary experimental results are shown, according to some embodiments. The example experiments of FIGS. 11A-12C are provided for illustrative purposes only and are not intended to limit the present disclosure, but rather demonstrate the utility of utilizing AI models in predicting oil properties. is intended. The AI model referenced below through FIGS. 11A-12C is an RNN model trained for the purpose of predicting oil properties.

ここで図１１Ａ及び図１１Ｂを参照すると、いくつかの実施形態による、例示的な実験に対する、ＡＩモデルの訓練プロセスの結果を例示する一対のグラフが示される。図１１Ａは、例示の訓練プロセスのいくつかの反復に基づいて、ＲＭＳＥの変化を例示するグラフ１１００を含むことが示されている。図１１Ｂは、反復の数に基づいて、損失の変化を例示するグラフ１１５０を含むことが示されている。図１１Ａ及び図１１Ｂに関連付けられた例示的な訓練プロセスは、訓練データとして各テストケースに約４０００秒割り当てられた、ＶＲＦモデルベースの定義（ＭＢＤ）オイル粘度プラントモデルからの１０の閉ループテストケースを利用した。ＡＩモデルの精度を判定するために、各テストケースに約４０００秒割り当てられた、ＶＲＦＭＢＤオイル粘度プラントモデルからの単一のテストデータセットを、比較のために使用した。 11A and 11B, a pair of graphs illustrating the results of the AI model training process for an exemplary experiment are shown, according to some embodiments. FIG. 11A is shown to include a graph 1100 illustrating changes in RMSE based on several iterations of an exemplary training process. FIG. 11B is shown to include a graph 1150 illustrating changes in loss based on the number of iterations. The exemplary training process associated with FIGS. 11A and 11B used 10 closed-loop test cases from the VRF model-based definition (MBD) oil viscosity plant model, with approximately 4000 seconds assigned to each test case as training data. used. To determine the accuracy of the AI model, a single test data set from the VRF MBD oil viscosity plant model, with approximately 4000 seconds allotted to each test case, was used for comparison.

グラフ１１００は、シリーズ１１０２を含むことが示されている。シリーズ１１０２は、訓練プロセスの追加の反復の結果として、ＡＩモデルに関連付けられたＲＭＳＥがどのように変化するかを例示することができる。具体的には、シリーズ１１０２は、反復の数が増加するにつれて概して減少傾向を例示している。言い換えると、反復の数を増やすことで、ＡＩモデルの精度を向上させることができる。シリーズ１１０２は、各反復で収集されたＲＭＳＥのデータポイントの平滑化された曲線を表すことに留意されたい。 Graph 1100 is shown to include series 1102 . Series 1102 can illustrate how the RMSE associated with the AI model changes as a result of additional iterations of the training process. Specifically, series 1102 illustrates a generally decreasing trend as the number of iterations increases. In other words, increasing the number of iterations can improve the accuracy of the AI model. Note that series 1102 represents a smoothed curve of RMSE data points collected at each iteration.

グラフ１１５０は、シリーズ１１５２を含むことが示されている。シリーズ１１５２は、ＡＩモデルに関連付けられた損失が、いくつかの反復に基づいて、経時的にどのように変化するかを例示することができる。この場合、損失は、ＡＩモデルの予測がどれほど不正確であるかを記述し、０の損失が、特定の予測が、実際の測定値に等しいことを示す。シリーズ１１５２及びシリーズ１１０２から明らかなように、オイル特性を予測するためのＡＩモデルの精度は、反復回数に基づいて増加する。 Graph 1150 is shown to include series 1152 . Series 1152 can illustrate how the loss associated with the AI model changes over time based on a number of iterations. In this case, the loss describes how inaccurate the AI model's predictions are, with a loss of 0 indicating that a particular prediction is equal to the actual measurement. As can be seen from series 1152 and series 1102, the accuracy of the AI model for predicting oil properties increases based on the number of iterations.

概して図１２Ａ～図１２Ｃを参照すると、いくつかの実施形態による、図１１Ａ～図１１Ｂの例示的な実験で訓練されたＡＩモデルのオイル特性予測を示すグラフが示される。例示的な実験では、ＡＩモデルは、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、及びガス温度の入力を取り入れて、オイル粘度、コンプレッサ内のオイル量、及びアキュムレータのオイル量の予測された出力を生成した。 Referring generally to FIGS. 12A-12C, graphs illustrating oil property predictions of an AI model trained on the exemplary experiments of FIGS. 11A-11B are shown, according to some embodiments. In an exemplary experiment, the AI model takes inputs of compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, and gas temperature to predict oil viscosity, oil amount in the compressor, and oil amount in the accumulator. generated the output.

具体的に図１２Ａを参照すると、いくつかの実施形態による、コンプレッサのオイル量に関するＡＩモデルの予測を例示するグラフ１２００が示される。グラフ１２００は、経時的なコンプレッサ内の予測されたオイル量を例示するシリーズ１２０２を含むことが示される。いくつかの実施形態では、コンプレッサに関連付けられた動作決定の目的は、安定かつ信頼できる動作を確実にするために、コンプレッサ内のオイル量の比較的一定の値を維持することであり得る。 Referring specifically to FIG. 12A, a graph 1200 illustrating an AI model's prediction of compressor oil quantity is shown, according to some embodiments. Graph 1200 is shown to include a series 1202 illustrating the predicted amount of oil in the compressor over time. In some embodiments, the purpose of the operational determination associated with the compressor may be to maintain a relatively constant value of oil quantity within the compressor to ensure stable and reliable operation.

ここで図１２Ｂを参照すると、いくつかの実施形態による、アキュムレータのオイル量に関するＡＩモデルの予測を例示するグラフ１２１０が示される。グラフ１２１０は、経時的なアキュムレータ内の予測されたオイル量を例示するシリーズ１２１２を含むことが示される。シリーズ１２１２の変化は、例えば、コンプレッサの動作の変化から生じ得る。具体的には、コンプレッサは、オイル／冷媒混合物のオイルが、アキュムレータによって集められるように分離されるオイル／冷媒混合物を提供出力し得、これは、シリーズ１２１２の予測された増加をもたらし得る。代替的に、コンプレッサは、アキュムレータからオイルを回収するように動作し得、これは、シリーズ１２１２の減少をもたらし得る。 Referring now to FIG. 12B, a graph 1210 illustrating an AI model's prediction of accumulator oil amount is shown, according to some embodiments. Graph 1210 is shown to include a series 1212 illustrating the predicted amount of oil in the accumulator over time. Changes in series 1212 may result, for example, from changes in compressor operation. Specifically, the compressor may output an oil/refrigerant mixture separated such that the oil of the oil/refrigerant mixture is collected by the accumulator, which may result in the predicted increase in series 1212. Alternatively, the compressor may operate to withdraw oil from the accumulator, which may result in series 1212 reduction.

ここで図１２Ｃを参照すると、いくつかの実施形態による、オイルの粘度に関するＡＩモデルの予測を例示するグラフ１２２０が示される。オイルの粘度は、外部温度、コンプレッサがどのようにオイルを利用するかなどに応じて変化し得る。したがって、ＡＩモデルは、オイルを利用するシステム全体がどのように変化するかに基づいて、オイル粘度が経時的にどのように変化するかを予測することができる。 Referring now to FIG. 12C, a graph 1220 illustrating an AI model's prediction of oil viscosity is shown, according to some embodiments. The viscosity of the oil can vary depending on the external temperature, how the compressor utilizes the oil, and so on. Thus, an AI model can predict how oil viscosity will change over time based on how the overall system that utilizes the oil changes.

ＶＲＦシステム管理のためのＡＩの活用
概して図１３Ａ～図２４を参照すると、いくつかの実施形態による、ＶＲＦシステムの特性に関する予測を生成するためにＡＩを利用するためのシステム及び方法が示され、説明される。特に、以下に説明するシステム及び方法は、どのようにＡＩを利用して、ＶＲＦシステム内のコンプレッサの振動、ＶＲＦシステムにおける障害コンディション、及びコンプレッサ内のモータの効率を予測することができるかを例示する。ＡＩの予測に基づいて、ＶＲＦシステム及び／又はその構成要素の任意の特性が、好ましい動作限界を超えて動作しているかどうかについて判定を行うことができる。本明細書で記載されるように、是正措置は、ＶＲＦシステムのいくつかの予測された特性、及び／又はその中の１つ以上の構成要素が、事前定義された許容範囲（例えば、事前定義された閾値）を超えていることに対処するために取られる任意の措置を指すことができる。例えば、ＡＩモデルが、ＶＲＦシステムに対して障害コンディションが存在すると予測した場合、障害コンディションを修正するためのメンテナンスを自動的にスケジュールする是正措置が開始され得る。別の例として、ＡＩが、コンプレッサの振動速度が、事前定義された最大閾値（例えば、１分当たりの最大動作サイクル数）を超えていると予測する場合、開始することができる是正措置は、コンプレッサに提供される入力電流を低下させること、及び／又はコンプレッサに一時的に無効にすることであり得る。 Utilizing AI for VRF System Management Referring generally to FIGS. 13A-24, systems and methods for utilizing AI to generate predictions about characteristics of VRF systems are shown, according to some embodiments, explained. In particular, the systems and methods described below illustrate how AI can be used to predict compressor vibration in VRF systems, fault conditions in VRF systems, and motor efficiency in compressors. do. Based on AI predictions, a determination can be made as to whether any characteristic of the VRF system and/or its components is operating beyond preferred operating limits. As described herein, a corrective action may be taken if some predicted characteristic of the VRF system, and/or one or more components therein, falls within a predefined tolerance (e.g., a predefined can refer to any action taken to address exceeding a specified threshold). For example, if an AI model predicts that a failure condition exists for the VRF system, corrective action can be initiated that automatically schedules maintenance to correct the failure condition. As another example, if the AI predicts that the compressor vibration rate is exceeding a predefined maximum threshold (e.g., maximum operating cycles per minute), corrective actions that may be initiated are: It may be to reduce the input current provided to the compressor and/or to temporarily disable the compressor.

本明細書に記載されるように、「ＡＩ」という用語は、予測を生成するために使用される様々な異なるタイプのＡＩモデルを指すために使用され得る。特に、本明細書に記載のシステム及び方法は、ニューラルネットワークを活用して、ＶＲＦシステムに関連付けられた予測を生成し得る。例えば、長期短期メモリ（ＬＳＴＭ）ネットワークなどのリカレントニューラルネットワーク（ＲＮＮ）を使用して、予測を生成し得る。ＬＳＴＭの例示的な構造は、図２５Ａ及び図２５Ｂを参照して以下でより詳細に説明する。もちろん、他のタイプのニューラルネットワーク及び／又は異なるＡＩモデルが、ＶＲＦシステムに関連付けられた予測を生成する際に利用されることができることを理解されたい。例えば、畳み込みニューラルネットワーク（ＣＮＮ）、多層パーセプトロンなどを、予測を生成する際に利用することができる。いくつかの実施形態では、複数のＡＩモデルは、特定の予測を生成するために訓練され、既知のデータセットに対する予測の精度に対してテストすることができる。判定された各ＡＩモデルの精度に基づいて、既知のデータセットに最も近い予測を生成するＡＩモデルを選択し、利用することができる。 As described herein, the term "AI" can be used to refer to various different types of AI models used to generate predictions. In particular, the systems and methods described herein may leverage neural networks to generate predictions associated with VRF systems. For example, a recurrent neural network (RNN), such as a long short-term memory (LSTM) network, may be used to generate predictions. Exemplary structures of LSTMs are described in more detail below with reference to FIGS. 25A and 25B. Of course, it should be appreciated that other types of neural networks and/or different AI models can be utilized in generating predictions associated with the VRF system. For example, convolutional neural networks (CNN), multi-layer perceptrons, etc. can be utilized in generating predictions. In some embodiments, multiple AI models can be trained to generate specific predictions and tested for prediction accuracy against known datasets. Based on the determined accuracy of each AI model, the AI model that produces the closest prediction to the known dataset can be selected and utilized.

以下でより詳細に説明されるように、予測を生成するために利用されるＡＩモデルは、様々な異なるデータソースに基づいて、訓練することができる。いくつかの実施形態では、ＡＩモデルは、動作中の１つ以上のＶＲＦシステムから集められた実データに基づいて、訓練されている。いくつかの実施形態では、ＡＩモデルは、シミュレーションした環境に基づいて生成されたデータに基づいて、訓練されている。この場合、シミュレーションした環境は、動作中の実際のＶＲＦシステムを模倣するように構成され得る。有利には、訓練データを生成するためのシミュレーションを使用すると、そうでなければ、動作中の実際のＶＲＦシステムによって生成され得るよりも大きな訓練データのセットが生成され得る。いくつかの実施形態では、ＡＩモデルは、シミュレーションによって生成された、実際のＶＲＦシステムから集められた、及び／又は訓練データのいくつかの他のソースからの、訓練データの混合に基づいて、訓練されている。 As described in more detail below, AI models utilized to generate predictions can be trained based on a variety of different data sources. In some embodiments, the AI model is trained based on real data collected from one or more VRF systems in operation. In some embodiments, the AI model is trained based on data generated based on simulated environments. In this case, the simulated environment can be configured to mimic the actual VRF system in operation. Advantageously, using a simulation to generate training data can generate a larger set of training data than could otherwise be generated by an actual VRF system in operation. In some embodiments, the AI model is trained based on a mixture of training data generated by simulation, gathered from actual VRF systems, and/or from some other source of training data. It is

ＡＩモデルを利用して、ＶＲＦシステムに関連付けられた予測を生成することにより、ＶＲＦシステム内の問題を迅速に識別し、対処することができる。更に、ＡＩモデルは、より深刻な問題（例えば、建物デバイスの完全な故障）になる前に、ＶＲＦシステム内の可能性のある問題を正確に識別するのに役立つことができる。このようにして、ＡＩモデルはできる。 By utilizing AI models to generate predictions associated with the VRF system, problems within the VRF system can be quickly identified and addressed. In addition, AI models can help accurately identify potential problems in VRF systems before they become more serious problems (eg, complete failure of building devices). This is how AI models are made.

コンプレッサ振動予測
概して図１３Ａ～図１８を参照すると、いくつかの実施形態による、ＶＲＦシステム内のコンプレッサの振動を管理するためのシステム及び方法が示され、説明される。しかしながら、以下の説明は、必ずしもＶＲＦシステム内のコンプレッサに限定されるものではないことを理解されたい。以下に記載するシステム及び方法は、様々なシステム（例えば、異なるＨＶＡＣシステム）内の様々な異なるコンプレッサ及び／又は異なる建物装置に適用することができる。 Compressor Vibration Prediction Referring generally to FIGS. 13A-18, systems and methods for managing compressor vibration in a VRF system are shown and described, according to some embodiments. However, it should be understood that the following discussion is not necessarily limited to compressors within VRF systems. The systems and methods described below can be applied to a variety of different compressors and/or different building equipment within a variety of systems (eg, different HVAC systems).

コンプレッサの振動は、コンプレッサの急速な劣化をもたらす可能性がある。振動の周波数及び／又は強度が増加するにつれて、コンプレッサは、メンテナンス及び／又はコンプレッサの完全な交換を必要とし得る、障害及び他の問題に対してますます影響を受けやすくなり得る。ただし、コンプレッサが、動作中に、ある程度振動するため、振動の完全な排除は現実的ではない場合がある。したがって、コンプレッサの動作は、負荷及び／又はＶＲＦシステムの他の必要なニーズを満たしながら、振動を低減することとの間でバランスをとるべきである。 Compressor vibration can lead to rapid deterioration of the compressor. As the frequency and/or intensity of vibration increases, compressors may become more susceptible to failures and other problems that may require maintenance and/or complete replacement of the compressor. However, since the compressor vibrates to some extent during operation, complete elimination of vibration may not be practical. Therefore, compressor operation should be balanced between reducing vibration while meeting the load and/or other necessary needs of the VRF system.

本明細書で言及されるように、「コンプレッサ」は、一般に、ＶＲＦシステムで利用することができる様々な異なるタイプのコンプレッサを指すために使用され得る。例えば、ＶＲＦシステムは、単一のロータリーコンプレッサ、ツインロータリーコンプレッサ、スクロールコンプレッサなどを含み得る。ＶＲＦシステムでは、コンプレッサは、インバータによって提供される交流（ＡＣ）に基づいて、動作され得る。具体的には、インバータは、コンプレッサに提供されるＡＣの周波数を変更して、コンプレッサのモータが回転する速度を変更することができ、ＡＣの振幅を変更して、モータによって印加されるトルクを変更することができる。 As referred to herein, "compressor" may be used generically to refer to various different types of compressors that may be utilized in VRF systems. For example, a VRF system may include a single rotary compressor, twin rotary compressors, scroll compressors, and the like. In a VRF system, the compressor may be operated based on alternating current (AC) provided by an inverter. Specifically, the inverter can change the frequency of the AC provided to the compressor to change the speed at which the compressor's motor rotates, and can change the amplitude of the AC to increase the torque applied by the motor. can be changed.

インバータによって提供されるＡＣは、コンプレッサの動作に直接影響を与えるため、ＡＣの特性（例えば、周波数及び／又は振幅）とコンプレッサの振動との間の相関関係を識別することができる。例えば、振動の周波数は、ＡＣの周波数及び／又は強度（すなわち、振幅）が増加するにつれて、増加し得る。識別された関係に基づいて、ＡＩモデルを、どの電流特性（例えば、振幅）の値が、加熱／冷却負荷及び／又はコンプレッサの他の要件を依然として満たしながら、低減された振動をもたらすことができるかを学習するように訓練することができる。いくつかの実施形態では、以下により詳細に説明されるように、ＡＩモデルは、振動を管理（例えば、低減）するために、ＡＣ振幅の適切な値を予測して、モータによって印加されるトルクを修正するように具体的に訓練され得る。 Since the AC provided by the inverter directly affects the operation of the compressor, a correlation between the AC characteristics (eg, frequency and/or amplitude) and compressor vibration can be identified. For example, the frequency of vibration may increase as the frequency and/or intensity (ie, amplitude) of the AC increases. Based on the identified relationships, an AI model can be used to determine which current characteristic (e.g., amplitude) values result in reduced vibration while still meeting the heating/cooling load and/or other requirements of the compressor. can be trained to learn In some embodiments, as described in more detail below, the AI model predicts appropriate values for the AC amplitude to control (e.g., reduce) vibrations and reduce the torque applied by the motor. can be specifically trained to modify

いくつかの実施形態では、コンプレッサに対する適切な電流値を予測するために構成されたＡＩモデルは、振動の代用として、騒音を利用する。このようにして、ＡＩモデルは、コンプレッサによって生成される騒音の量を低減する、コンプレッサに提供されるＡＣの適切な振幅を予測するように訓練することができる。振動の代用として騒音を使用することは、騒音と振動との間の既知の関係の結果として適切であり得る。一般に、より大きな騒音は、増加した振動を示し得るが、より静かな騒音はより少ない振動を示し得る。より具体的には、デシベル（ｄＢ）とヘルツ（Ｈｚ）単位のコンプレッサの振動の周波数との間の関係が存在し得る。例えば、騒音の１ｄＢ増加は、振動周波数の１Ｈｚ増加と相関すると判定され得る。有利には、振動の代用として騒音を使用することは、振動を直接測定するためのセンサが、音を測定するためのセンサ（例えば、標準的なオーディオセンサ）と比較して、著しくより高価であり得るため、全体的なコストを低減し得る。 In some embodiments, an AI model configured to predict appropriate current values for a compressor uses noise as a proxy for vibration. In this way, an AI model can be trained to predict the appropriate amplitude of AC provided to the compressor that will reduce the amount of noise produced by the compressor. Using noise as a proxy for vibration may be appropriate as a result of the known relationship between noise and vibration. In general, louder noise may indicate increased vibration, while quieter noise may indicate less vibration. More specifically, there may be a relationship between the frequency of vibration of the compressor in decibels (dB) and hertz (Hz). For example, a 1 dB increase in noise may be determined to correlate with a 1 Hz increase in vibration frequency. Advantageously, the use of noise as a proxy for vibration makes sensors for directly measuring vibration significantly more expensive compared to sensors for measuring sound (e.g. standard audio sensors). possible, thus reducing the overall cost.

ここで図１３Ａを参照すると、いくつかの実施形態による、ＶＲＦシステム１３００のブロック図が示される。理解されるように、図１３Ａに示されるように、ＶＲＦシステム１３００は、コンプレッサを利用して、建物に加熱／冷却を提供する、より大きなＶＲＦシステムの一部分を例示する。例えば、ＶＲＦシステム１３００は、図６Ａ及び図６Ｂを参照して説明されたＶＲＦシステム６００のサブシステムであり得る。 Referring now to FIG. 13A, a block diagram of a VRF system 1300 is shown, according to some embodiments. As will be appreciated, as shown in FIG. 13A, VRF system 1300 exemplifies a portion of a larger VRF system that utilizes compressors to provide heating/cooling to buildings. For example, VRF system 1300 may be a subsystem of VRF system 600 described with reference to FIGS. 6A and 6B.

ＶＲＦシステム１３００は、コンバータ１３０４及びインバータ１３０６を含むことが示されている。コンバータ１３０４は、交流（ＡＣ）電力を、ＡＣ電源（図示せず）から受け取ることができ、ＡＣ電力を、直流（ＤＣ）電力に変換することができる。コンバータ１３０４は、変換されたＤＣ電力を、インバータ１３０６に提供することができる。インバータ１３０６は、受信したＤＣ信号の周波数を変更し、ＡＣ信号をコンプレッサ１３０２に出力する、電子変調器であり得る。特に、インバータ１３０６は、出力されたＡＣ信号が、コンプレッサ１３０２のモータ１３０８が、特定の速度及びトルクで動作することをもたらすように、ＡＣ信号の周波数及び／又は振幅を操作するように動作することができる。 VRF system 1300 is shown to include converter 1304 and inverter 1306 . Converter 1304 can receive alternating current (AC) power from an AC power source (not shown) and can convert the AC power to direct current (DC) power. Converter 1304 can provide converted DC power to inverter 1306 . Inverter 1306 may be an electronic modulator that changes the frequency of the received DC signal and outputs an AC signal to compressor 1302 . In particular, the inverter 1306 operates to manipulate the frequency and/or amplitude of the AC signal so that the output AC signal causes the motor 1308 of the compressor 1302 to operate at a particular speed and torque. can be done.

いくつかの実施形態では、インバータ１３０６によって提供されるＡＣ信号の周波数は、コンプレッサ１３０２を通過する流体の既知の量、及び／又はコンプレッサ１３０２を通過すると予想される流体の既知の量に関連する。ＡＣ信号の周波数は、流体の適切な量が、コンプレッサ１３０２を通って流れることを確保するために、モータ１３０８がどのくらい速く回転するべきか、及び／又は回転しているかを示すことができ、これは、毎分の回転で測定され得る。ＡＣ信号の周波数は、それによって、建物及び／又は他の対象物の加熱／冷却負荷に基づいて、判定され得る。例えば、建物に必要とされるより高い冷却負荷は、ＡＣ信号のより高い周波数をもたらし得、それによって、より多くの流体を、コンプレッサ１３０２を通過させるためにモータ１３０８がより速く回転することをもたらす。ＡＣ信号の周波数は、コントローラによって、インバータ１３０６自体によって、コンプレッサ１３０２からのフィードバックなどに基づいて、判定され得る。 In some embodiments, the frequency of the AC signal provided by inverter 1306 is related to a known amount of fluid passing through compressor 1302 and/or a known amount of fluid expected to pass through compressor 1302 . The frequency of the AC signal can indicate how fast the motor 1308 should and/or is rotating to ensure an adequate amount of fluid is flowing through the compressor 1302, which can be measured in revolutions per minute. The frequency of the AC signal may thereby be determined based on the heating/cooling load of buildings and/or other objects. For example, a higher cooling load required for a building may result in a higher frequency of the AC signal, thereby causing the motor 1308 to spin faster to force more fluid through the compressor 1302. . The frequency of the AC signal may be determined by the controller, by the inverter 1306 itself, based on feedback from the compressor 1302, or the like.

どのような振幅（本明細書では強度とも称される）のＡＣ信号を出力するかを判定するために、インバータ１３０６は、コンプレッサ振動コントローラ１３１０からＡＣ振幅設定値を受信し得る。いくつかの実施形態では、コンプレッサ振動コントローラ１３１０は、ＡＩモデルを利用して、コンプレッサ１３０２が、振動の結果として過度に速く劣化しないようにするために、どのような振幅値（例えば、ボルト単位）がモータ１３０８に提供されるべきかを予測する。受信されたＡＣ振幅設定値に基づいて、インバータ１３０６は、上述の所望の周波数だけでなく、コンプレッサ振動コントローラ１３１０によって提供されるＡＣ振幅設定値と一致する（又はほぼ一致する）ＡＣ信号をコンプレッサ１３０２に出力するように、コンバータ１３０４から受信されたＤＣ信号を変調することができる。コンプレッサ振動コントローラ１３１０は、図１６を参照して以下により詳細に説明される。 Inverter 1306 may receive an AC amplitude setpoint from compressor vibration controller 1310 to determine what amplitude (also referred to herein as strength) of an AC signal to output. In some embodiments, the compressor vibration controller 1310 utilizes an AI model to determine what amplitude value (e.g., in volts) to ensure that the compressor 1302 does not degrade too quickly as a result of vibration. should be provided to motor 1308 . Based on the received AC amplitude setting, inverter 1306 outputs an AC signal to compressor 1302 that matches (or nearly matches) the AC amplitude setting provided by compressor vibration controller 1310 as well as the desired frequency described above. The DC signal received from converter 1304 can be modulated to output to . Compressor vibration controller 1310 is described in more detail below with reference to FIG.

ＶＲＦシステム１３００はまた、コンプレッサ１３０２を含むことが示される。コンプレッサ１３０２は、流体を圧縮するために使用される任意のタイプのコンプレッサ（例えば、単一ロータリーコンプレッサ、ツインロータリーコンプレッサ、スクロールコンプレッサなど）であり得る。コンプレッサ１３０２は、吸引配管を介して、流体（例えば、ガス）を取り込み、流体を圧縮し、吐出配管を介して、圧縮された流体を出力するように構成することができる。上述したように、コンプレッサ１３０２は、コンプレッサ１３０２の構成要素を駆動して、流体を圧縮し、流体を、コンプレッサ１３０２を通して移動させる、モータ１３０８を含み得る。モータ１３０８は、インバータ１３０６から受信したＡＣ信号（電流）に基づいて、動作することができる。具体的には、ＡＣ信号の周波数は、モータ１３０８の動作速度に影響を与えることができる。 VRF system 1300 is also shown to include compressor 1302 . Compressor 1302 can be any type of compressor used to compress fluids (eg, single rotary compressor, twin rotary compressor, scroll compressor, etc.). Compressor 1302 can be configured to take in fluid (eg, gas) via a suction line, compress the fluid, and output the compressed fluid via a discharge line. As described above, compressor 1302 may include motor 1308 that drives components of compressor 1302 to compress fluid and move fluid through compressor 1302 . Motor 1308 can operate based on the AC signal (current) received from inverter 1306 . Specifically, the frequency of the AC signal can affect the operating speed of motor 1308 .

従来のシステムでは、インバータ１３０６によって提供される電流は、コンプレッサ１３０２の振動を考慮しない所定の停滞値であり得る。これらの従来のシステムは、コンプレッサ１３０２が、危険な周波数及び／又は強度で振動しているため、コンプレッサ１３０２が迅速に劣化することをもたらし得る。しかしながら、図１６を参照して以下でより詳細に説明するように、コンプレッサ振動コントローラ１３１０は、コンプレッサ１３０２の振動を管理する（例えば、低減する）ことができるように、インバータ１３０６によって提供されるＡＣ信号の振幅に対する適切な値を予測することができる。このようにして、インバータ１３０６は、コンプレッサ１３０２に、コンプレッサ１３０２の寿命を増加させるように、可能性のある振動に応じて判定される電流を、一貫して提供することができる。 In conventional systems, the current provided by inverter 1306 may be a predetermined plateau value that does not account for compressor 1302 oscillations. These conventional systems can cause compressor 1302 to degrade quickly because compressor 1302 is vibrating at unsafe frequencies and/or intensities. However, as described in more detail below with reference to FIG. 16, compressor vibration controller 1310 controls the AC provided by inverter 1306 so that the vibration of compressor 1302 can be managed (eg, reduced). Appropriate values for the amplitude of the signal can be predicted. In this manner, inverter 1306 can consistently provide current to compressor 1302 that is determined as a function of possible vibrations to increase the life of compressor 1302 .

ここで図１３Ｂを参照すると、いくつかの実施形態による、ＶＲＦシステム１３００のブロック図がより詳細に示される。モータ１３０８は、ＡＣ信号に基づいて動作する任意のタイプのモータであり得る。例えば、モータ１３０８は、単相電源に基づいて動作する単相モータであり得る。別の例として、かつ図１３Ｂに示されるように、モータ１３０８は、三相電源に基づいて動作する三相モータであり得る。 Referring now to FIG. 13B, a block diagram of VRF system 1300 is shown in more detail, according to some embodiments. Motor 1308 may be any type of motor that operates based on AC signals. For example, motor 1308 may be a single phase motor operating from a single phase power supply. As another example, and as shown in FIG. 13B, motor 1308 may be a three-phase motor operating from a three-phase power supply.

図１３Ａを参照して上述したように、インバータ１３０６は、コンプレッサ振動コントローラ１３１０によって提供されるＡＣ振幅設定値に基づいて、モータ１３０８に、ＡＣ信号を提供するように構成することができる。図１３Ｂに示されるように、モータ１３０８に提供される信号は、位相Ａ、Ｂ、及びＣを含む三相信号であり得る。この場合、コンプレッサ振動コントローラ１３１０は、モータ１３０８を適切に動作させるために必要な三相信号に対する予測を生成し得る。位相Ａ、Ｂ、及びＣの各々は、それぞれ、特定の軸、すなわち、Ａ軸、Ｂ軸、及びＣ軸に対応し得る。 As described above with reference to FIG. 13A, inverter 1306 may be configured to provide an AC signal to motor 1308 based on the AC amplitude setting provided by compressor vibration controller 1310 . As shown in FIG. 13B, the signal provided to motor 1308 may be a three-phase signal including phases A, B, and C. In this case, compressor vibration controller 1310 may generate predictions for the three-phase signals needed to properly operate motor 1308 . Each of the phases A, B, and C may correspond to a particular axis, namely the A-axis, B-axis, and C-axis, respectively.

いくつかの実施形態では、コンプレッサ１３０２は、ＡＣ信号とは対照的に、ＤＣ信号を受信し得る。この場合、インバータ１３０６は、ＶＲＦシステム１３００の構成要素であり得るか、又はあり得ない。例えば、コンバータ１３０４は、モータ１３０８に提供する信号を変調するための、インバータ１３０６の機能性のいくつか及び／又は全てを含み得る。ＤＣ信号の強度は、モータ１３０８によって印加されるトルクに影響を与えるために、コンプレッサ振動コントローラ１３１０によって判定され、コンバータ１３０４に提供され得る。しかしながら、電気信号の周波数以外のいくつかの他の入力値に基づいて、モータ１３０８が判定され得る速度。例えば、モータ１３０８の回転速度は、コンプレッサ振動コントローラ１３１０及び／又はいくつかの他のコンピューティングデバイスによって、モータ１３０８に直接提供され得る。しかしながら、コンプレッサ１３０２／モータ１３０８は、説明を簡単にするため、及び明確さのために、インバータ１３０６からＡＣ信号を受信するものとして本明細書に記載される。 In some embodiments, compressor 1302 may receive a DC signal as opposed to an AC signal. In this case, inverter 1306 may or may not be a component of VRF system 1300 . For example, converter 1304 may include some and/or all of the functionality of inverter 1306 to modulate the signal provided to motor 1308 . The strength of the DC signal may be determined by compressor vibration controller 1310 and provided to converter 1304 to influence the torque applied by motor 1308 . However, the speed of motor 1308 may be determined based on some other input value than the frequency of the electrical signal. For example, the rotational speed of motor 1308 may be provided directly to motor 1308 by compressor vibration controller 1310 and/or some other computing device. However, compressor 1302/motor 1308 is described herein as receiving an AC signal from inverter 1306 for simplicity and clarity.

図１３Ｂは、モータ１３０８の直軸（ｄ軸）及び横軸（ｑ軸）を更に例示する。ｄ軸及びｑ軸は、互いに対して常に９０度の角度であり得る。いくつかの実施形態では、インバータ１３０６によって提供される三相電流は、ｄ軸及びｑ軸に対して分離され得る。この場合、かつ図１６を参照して以下により詳細に説明するように、コンプレッサ振動コントローラ１３１０は、ｄ軸に対する第１の三相電流予測、及びｑ軸に対する第２の三相電流予測を生成し得る。このようにして、モータ１３０８は、受け取った流体を圧縮するように、適切に動作することができる。コンプレッサ振動コントローラ１３１０によって行われる軸方向電流の計算は、図１４Ａ～図１４Ｃを参照して以下により詳細に説明する。 FIG. 13B further illustrates the direct (d-axis) and lateral (q-axis) axes of motor 1308 . The d-axis and q-axis can always be at a 90 degree angle to each other. In some embodiments, the three-phase current provided by inverter 1306 may be separated for the d-axis and q-axis. In this case, and as described in more detail below with reference to FIG. 16, compressor vibration controller 1310 generates a first three-phase current prediction for the d-axis and a second three-phase current prediction for the q-axis. obtain. In this way, the motor 1308 can operate properly to compress the received fluid. The axial current calculations performed by the compressor vibration controller 1310 are described in more detail below with reference to FIGS. 14A-14C.

インバータ１３０６によって提供される三相電流信号は、位相Ａ、Ｂ、及びＣを含むことが示される。いくつかの実施形態では、コンプレッサ振動コントローラ１３１０は、各位相に対する適切な振幅値を予測するように構成されている。いくつかの実施形態では、コンプレッサ振動コントローラ１３１０は、位相Ａ、Ｂ、及びＣに適用される単一の振幅値を予測するように構成されている。各位相に適用される単一の振幅値を使用することは、３つの別個の振幅値を判定することと比較して、計算コストが低い場合があることを理解されたい。 The three-phase current signal provided by inverter 1306 is shown to include phases A, B, and C. In some embodiments, compressor vibration controller 1310 is configured to predict the appropriate amplitude value for each phase. In some embodiments, compressor vibration controller 1310 is configured to predict a single amplitude value applied to phases A, B, and C. It should be appreciated that using a single amplitude value applied to each phase may be computationally less expensive compared to determining three separate amplitude values.

ここで、図１４Ａ～図１４Ｃを参照すると、いくつかの実施形態による、電流変換を例示するグラフのセットが示される。図１４Ａ～図１４Ｃは、モータ（例えば、モータ１３０８）にどのような電流値を提供するかの予測を生成する際に、コンプレッサ振動コントローラ１３１０によって使用することができる電流間の関係を例示する。コンプレッサ振動コントローラ１３１０は、順方向及び逆方向のｄｑ電流変換の両方を実行するように構成することができる。モータのｄ軸及びｑ軸は、それぞれ、電流値Ｉ_ｄｃ及びＩ_ｑｃに関連付けることができる。順方向電流変換では、Ｉ_ｄｃ及びＩ_ｑｃは、検出されたＵ相及びＷ相の観察された電流値Ｉ_ｕｃ及びＩ_ｗｃを、仮想回転座標ｄｃｑｃ軸上の値に変換することによって、判定することができる。 14A-14C, a set of graphs illustrating current conversion are shown, according to some embodiments. 14A-14C illustrate relationships between currents that can be used by compressor vibration controller 1310 in generating a prediction of what current value to provide to a motor (eg, motor 1308). Compressor oscillation controller 1310 can be configured to perform both forward and reverse dq current conversion. The d-axis and q-axis of the motor can be associated with current values _Idc and _Iqc , respectively. In the forward current transform, I _dc and I _qc are determined by transforming the observed current values I _uc and I _wc of the detected U and W phases to values on the virtual rotating coordinate dc qc axis. be able to.

逆電流変換は、ＵＶＷ電流捕捉処理で使用される、推定された電流値

を関連付けることができる。ＵＶＷ電流捕捉処理は、仮想回転座標ｄｃｑｃ軸の値を逆変換して、

を判定することを含むことができる。Ｖ相電流

は、以下でより詳細に説明するように、キルヒホッフの法則を介して追加的に判定することができる。ＵＶＷ電流捕捉処理では、電流検出コンディション設定処理で検出が無効になったときに、モータ電流情報を補償するために、Ｉ_ｕ及びＩ_ｗを推定することができる。ｄｃｑｃ軸の値に基づいて、ＵＶＷに逆換算することによって、Ｉ_ｕ及びＩ_ｗの推定された値Ｉ_ｕｃ及びＩ_ｗｃを取得することができる。加えて、Ｉ_ｕ、Ｉ_ｗ推定の計算式に使用される、Ｉ_ｖｃは、キルヒホッフの法則から取得することができる。 The inverse current transform is the estimated current value used in the UVW current capture process.

can be associated. The UVW current acquisition process inversely transforms the value of the virtual rotating coordinate dcqc axis,

can include determining V-phase current

can additionally be determined via Kirchhoff's laws, as described in more detail below. The UVW current acquisition process can estimate I _u and I _w to compensate for the motor current information when detection is disabled in the current sense condition setting process. Based on the dcqc axis values, the estimated values Iu and _Iwc of _Iu _and _Iw can be obtained by converting back to UVW. In addition, I _vc , which is used in the I _u and I _w estimation formulas, can be obtained from Kirchhoff's law.

より具体的に図１４Ａを参照すると、いくつかの実施形態による、キルヒホッフの法則を例示するグラフ１４００が示される。グラフ１４００は、点ａから発する電流Ｉ_ｖ、Ｉ_ｕ、及びＩ_ｗを含むことが示されている。キルヒホッフの法則に従うと、点ａにおける電流の和は、０である。したがって、キルヒホッフの法則は：
Ｉ_ｖ＝Ｉ_ｕ－Ｉ_ｗ
が当てはまる。 Referring more specifically to FIG. 14A, a graph 1400 illustrating Kirchhoff's law is shown, according to some embodiments. Graph 1400 is shown to include currents I _v , I _u , and I _w emanating from point a. According to Kirchhoff's law, the sum of the currents at point a is zero. Kirchhoff's law is therefore:
_Iv = _Iu - _Iw
applies.

この関係は、図１４Ａ及び図１４Ｂを参照して以下でより詳細に説明するように、順方向及び逆方向の電流変換の両方で使用することができる。 This relationship can be used for both forward and reverse current conversion, as described in more detail below with reference to FIGS. 14A and 14B.

ここで図１４Ｂを参照すると、いくつかの実施形態による、αβ変換を例示するグラフ１４２０が示される。順方向電流変換において、αβ変換は、コンプレッサ振動コントローラ１３１０によって、電流Ｉ_αｃ及びＩ_βｃに対して実行することができる。αβ変換は、以下の式により表すことができる。

Referring now to FIG. 14B, a graph 1420 illustrating αβ transformation is shown, according to some embodiments. In the forward current conversion, an αβ conversion can be performed on the currents I _αc and I _βc by the compressor oscillation controller 1310 . The αβ conversion can be expressed by the following equations.

Ｉ_ｖ＝－Ｉ_ｕ－Ｉ_ｗの関係が、コンプレッサ振動コントローラ１３１０によって上記の式に代入される場合、以下の関係を識別することができる。

式中、Ｉ_ｕｃ＝Ｉ_ｕ、及びＩ_ｗｃ＝Ｉ_ｗ。このようにして、キルヒホッフの法則を使用して、Ｉ_αｃ及びＩ_βｃを取得することができる。 If the relationship I _v =−I _u −I _w is substituted into the above equation by the compressor vibration controller 1310, the following relationship can be identified.

where I _uc =I _u and I _wc =I _w . Thus, using Kirchhoff's laws, I _αc and I _βc can be obtained.

ここで図１４Ｃを参照すると、いくつかの実施形態による、ｄｑ変換を例示するグラフ１４４０が示される。グラフ１４４０では、θ_ｄｃは、固定座標α軸と仮想回転座標ｄｃ軸との間の角度を表すことができる。順方向電流変換において、ｄｑ変換は、Ｉ_ｄｃ及びＩ_ｑｃが、Ｉ_αｃ及びＩ_βｃを代入することによって取得することができる、以下の式で表すことができる。

Referring now to FIG. 14C, a graph 1440 illustrating a dq transform is shown, according to some embodiments. In graph 1440, θ _dc may represent the angle between the fixed coordinate α-axis and the virtual rotating coordinate dc-axis. In the forward current transform, the dq transform can be expressed in the following equations where I _dc and I _qc can be obtained by substituting I _αc and I _βc .

Ｉ_ｄｃ及びＩ_ｑｃの値は、フィルタリングされ、コンプレッサモータ（例えば、モータ１３０８）の制御のために使用されることができる。Ｉ_ｄｃ及びＩ_ｑｃをフィルタリングするために、フィルタのフィルタ時定数（例えば、ミリ秒、秒など）は、モータの回転速度に従って切り替えることができる。いくつかの実施形態では、回転速度は、低速領域、中速領域、及び高速領域の３つの領域に分割される。例えば、低速領域は、毎分０～９９の回転数（ＲＰＭ）として定義され得、中速領域は、１００～２００ＲＰＭとして定義され得、高速領域は、２００＋ＲＰＭとして定義され得る。識別された回転速度に基づいて、フィルタ時定数は、観察された電流に応じて切り替えることができる。特に、フィルタ時定数は、低速領域において最大であり得、高速領域において最小であり得る。このようにして、回転速度が増加するにつれて、フィルタ時定数が減少して、電流のより粒度の高い分解能を取得することができる。 The _Idc and _Iqc values can be filtered and used for control of the compressor motor (eg, motor 1308). To filter I _dc and I _qc , the filter time constants (eg, milliseconds, seconds, etc.) of the filter can be switched according to the rotational speed of the motor. In some embodiments, the rotational speed is divided into three regions, a low speed region, a medium speed region, and a high speed region. For example, the low speed region may be defined as 0-99 revolutions per minute (RPM), the medium speed region may be defined as 100-200 RPM, and the high speed region may be defined as 200+RPM. Based on the identified rotational speed, the filter time constant can be switched in response to the observed current. In particular, the filter time constant may be maximum in the low speed region and minimum in the high speed region. In this way, as the rotational speed increases, the filter time constant decreases to obtain a more granular resolution of the current.

逆電流変換に関して、ｄｑ逆変換は、以下のｄｑ逆変換方程式に基づいて、コンプレッサ振動コントローラ１３１０によって実行することができる。

Regarding the inverse current conversion, the dq inverse conversion can be performed by the compressor vibration controller 1310 based on the following dq inverse conversion equation.

このようにして、Ｉ_αｃ及びＩ_βｃの値を取得することができる。コンプレッサ振動コントローラ１３１０は更に、以下の式を使用して、αβ逆変換を実行して、Ｉ_ｕｃ及びＩ_ｗｃの値を取得することができる。

In this way the values of I _αc and I _βc can be obtained. Compressor vibration controller 1310 may also perform an αβ inverse transform to obtain the values of I _uc and I _wc using the following equations.

ここで図１５を参照すると、いくつかの実施形態による、異なるタイプのコンプレッサに対する、クランク角度とトルクとの間のグラフ１５００関係が示される。具体的には、グラフ１５００は、クランク角とガス圧縮トルクとの間の関係を例示する。図１３Ａ及び図１３Ｂを参照して上で詳細に説明したように、モータ（例えば、モータ１３０８）によって印加されるトルクは、コンプレッサの振動に影響を与えることができる。したがって、モータによって印加されるトルクは、コンプレッサの過度の振動が回避されるように、監視され、維持されるべきである。 Referring now to FIG. 15, a graphical 1500 relationship between crank angle and torque for different types of compressors is shown, according to some embodiments. Specifically, graph 1500 illustrates the relationship between crank angle and gas compression torque. As described in detail above with reference to FIGS. 13A and 13B, torque applied by a motor (eg, motor 1308) can affect compressor vibration. Therefore, the torque applied by the motor should be monitored and maintained so that excessive vibration of the compressor is avoided.

グラフ１５００は、シリーズ１５０２、シリーズ１５０４、及びシリーズ１５０６を含むことが示されている。シリーズ１５０２は、シングルロータリーコンプレッサのトルク測定値に関連付けられており、シリーズ１５０４は、ツインロータリーコンプレッサのトルク測定値に関連付けられており、シリーズ１５０６は、モータのクランク角に関するスクロールコンプレッサのトルク測定値全てに関連付けられている。グラフ１５００に基づいて理解されるべきであるように、各タイプのコンプレッサは、クランク角とトルク（及びそれによって振動）との間に異なる関係を有し得る。例えば、シリーズ１５０２によって表されるシングルロータリーコンプレッサは、クランク角度に対して、高いピークトルクを有することが示されるが、一方、シリーズ１５０６によって表されるスクロールコンプレッサは、クランク角度とトルクとの間にほぼ一定の関係を有する。ＡＩモデルの訓練プロセスの間、コンプレッサ振動コントローラ１３１０は、これらの関係を活用し、様々なタイプのコンプレッサに対する異なるＡＩモデルを生成することができる。 Graph 1500 is shown to include series 1502 , series 1504 , and series 1506 . Series 1502 is associated with torque measurements for a single rotary compressor, series 1504 is associated with torque measurements for a twin rotary compressor, and series 1506 is associated with all scroll compressor torque measurements with respect to motor crank angle. associated with. As should be understood based on graph 1500, each type of compressor may have a different relationship between crank angle and torque (and thereby vibration). For example, a single rotary compressor represented by series 1502 is shown to have a high peak torque versus crank angle, while a scroll compressor represented by series 1506 has a have a nearly constant relationship. During the AI model training process, the compressor vibration controller 1310 can exploit these relationships to generate different AI models for various types of compressors.

ここで図１６を参照すると、いくつかの実施形態による、より詳細なコンプレッサ振動コントローラ１３１０のブロック図が示される。コンプレッサ振動コントローラ１３１０は、ＡＩモデルを利用して、コンプレッサ１３０２（及び／又はいくつかの他のコンプレッサ）を動作させるために使用することができる電流の値に対する予測を生成し、振動によるコンプレッサ１３０２の劣化を低減するように構成することができる。コンプレッサ振動コントローラ１３１０は、様々な方法で実装することができる。いくつかの実施形態では、コンプレッサ振動コントローラ１３１０は、建物システムのローカルコントローラである。例えば、コンプレッサ振動コントローラ１３１０は、デスクトップコンピュータ、モバイルデバイス、サーモスタット、及び／又は建物にローカルないくつかの他のコンピューティングデバイス／システムに実装され得る。いくつかの実施形態では、コンプレッサ振動コントローラ１３１０は、ＶＲＦシステムの構成要素として実装され得る。例えば、コンプレッサ振動コントローラ１３１０は、図１３Ａを参照して説明されたインバータ１３０６の構成要素として実装され得る。この場合、インバータ１３０６自体は、コンプレッサ１３０２に提供するための電流の周波数を判定することができ得る。いくつかの実施形態では、コンプレッサ振動コントローラ１３１０は、クラウドコンピューティングシステムによるなど、いくつかの他のコンピューティングデバイス／システムを介して実装されている。 Referring now to FIG. 16, a more detailed block diagram of a compressor vibration controller 1310 is shown, according to some embodiments. Compressor vibration controller 1310 utilizes an AI model to generate a prediction for the value of current that can be used to operate compressor 1302 (and/or some other compressor) and to It can be configured to reduce degradation. Compressor vibration controller 1310 can be implemented in a variety of ways. In some embodiments, compressor vibration controller 1310 is a building system local controller. For example, compressor vibration controller 1310 may be implemented in a desktop computer, mobile device, thermostat, and/or some other computing device/system local to the building. In some embodiments, compressor vibration controller 1310 may be implemented as a component of the VRF system. For example, compressor vibration controller 1310 may be implemented as a component of inverter 1306 described with reference to FIG. 13A. In this case, inverter 1306 itself may be able to determine the frequency of the current to provide to compressor 1302 . In some embodiments, compressor vibration controller 1310 is implemented via some other computing device/system, such as via a cloud computing system.

コンプレッサ振動コントローラ１３１０は、通信インターフェース１６０８及び処理回路１６０２を含むことが示されている。通信インターフェース１６０８は、様々なシステム、デバイス、又はネットワークとデータ通信を行うための、有線又は無線インターフェース（例えば、ジャック、アンテナ、伝送機、受信機、トランシーバ、有線端末など）を含み得る。例えば、通信インターフェース１６０８は、イーサネットベースの通信ネットワークを介してデータを送信及び受信するためのイーサネットカード及びポート、及び／又は無線通信ネットワークを介して通信するためのＷｉ－Ｆｉトランシーバを含み得る。通信インターフェース１６０８は、ローカルエリアネットワーク又はワイドエリアネットワーク（例えば、インターネット、建物ＷＡＮなど）を介して通信するように構成され得、様々な通信プロトコル（例えば、ＢＡＣｎｅｔ、ＩＰ、ＬＯＮなど）を使用し得る。 Compressor vibration controller 1310 is shown to include communication interface 1608 and processing circuitry 1602 . Communication interface 1608 may include wired or wireless interfaces (eg, jacks, antennas, transmitters, receivers, transceivers, wired terminals, etc.) for data communication with various systems, devices, or networks. For example, communication interface 1608 may include Ethernet cards and ports for sending and receiving data over Ethernet-based communication networks, and/or Wi-Fi transceivers for communicating over wireless communication networks. Communication interface 1608 may be configured to communicate over a local area network or a wide area network (eg, Internet, building WAN, etc.) and may use various communication protocols (eg, BACnet, IP, LON, etc.). .

通信インターフェース１６０８は、コンプレッサ振動コントローラ１３１０と、様々な外部システム又はデバイス（例えば、インバータ１３０６、センサ１６２０、ユーザデバイス１６２２など）との間の電子データ通信を容易にするように構成されたネットワークインターフェースであり得る。例えば、コンプレッサ振動コントローラ１３１０は、通信インターフェース１６０８を介して、インバータ１３０６にＡＣ振幅設定値を提供し得る。 Communication interface 1608 is a network interface configured to facilitate electronic data communication between compressor vibration controller 1310 and various external systems or devices (e.g., inverter 1306, sensors 1620, user devices 1622, etc.). could be. For example, compressor vibration controller 1310 may provide AC amplitude setpoints to inverter 1306 via communication interface 1608 .

処理回路１６０２は、プロセッサ１６０４及びメモリ１６０６を含むことが示されている。プロセッサ１６０４は、汎用若しくは特定目的プロセッサ、特定用途向け統合回路（ＡＳＩＣ）、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、処理構成要素のグループ、又は他の好適な処理構成要素であり得る。プロセッサ１６０４は、メモリ１６０６に記憶された、又は他のコンピュータ可読媒体（例えば、ＣＤＲＯＭ、ネットワーク記憶装置、リモートサーバなど）から受信された、コンピュータコード又は命令を実行するように構成され得る。 Processing circuitry 1602 is shown to include processor 1604 and memory 1606 . Processor 1604 may be a general-purpose or special-purpose processor, an application-specific integrated circuit (ASIC), one or more field-programmable gate arrays (FPGAs), a group of processing components, or any other suitable processing component. Processor 1604 may be configured to execute computer code or instructions stored in memory 1606 or received from other computer-readable media (eg, CD ROM, network storage device, remote server, etc.).

メモリ１６０６は、本開示に記載の様々なプロセスを完了及び／又は容易にするための、データ及び／又はコンピュータコードを記憶するための１つ以上のデバイス（例えば、メモリユニット、メモリデバイス、記憶デバイスなど）を含み得る。メモリ１６０６は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ記憶装置、一時記憶装置、不揮発性メモリ、フラッシュメモリ、光メモリ、又はソフトウェアオブジェクト及び／若しくはコンピュータ命令を記憶するための任意の他の好適なメモリを含み得る。メモリ１６０６は、データベース構成要素、オブジェクトコード構成要素、スクリプト構成要素、又は本開示に記載される様々な活動及び情報構造をサポートするための任意の他のタイプの情報構造を含み得る。メモリ１６０６は、処理回路１６０２を介して、プロセッサ１６０４に通信可能に接続され得、本明細書に記載の１つ以上のプロセスを（例えば、プロセッサ１６０４によって）実行するためのコンピュータコードを含み得る。いくつかの実施形態では、メモリ１６０６の１つ以上の構成要素は、単一の構成要素の一部である。しかしながら、メモリ１６０６の各構成要素は、説明を容易にするために、独立して示される。 Memory 1606 may be one or more devices (e.g., memory units, memory devices, storage devices) for storing data and/or computer code for completing and/or facilitating various processes described in this disclosure. etc.). Memory 1606 may be random access memory (RAM), read only memory (ROM), hard drive storage, temporary storage, non-volatile memory, flash memory, optical memory, or any suitable memory for storing software objects and/or computer instructions. may include other suitable memory. Memory 1606 may include database components, object code components, script components, or any other type of information structure to support the various activities and information structures described in this disclosure. Memory 1606 may be communicatively coupled to processor 1604 via processing circuitry 1602 and may contain computer code for executing (eg, by processor 1604) one or more processes described herein. In some embodiments, one or more components of memory 1606 are part of a single component. However, each component of memory 1606 is shown separately for ease of explanation.

メモリ１６０６は、訓練データ収集器１６１０を含むように示される。訓練データ収集器１６１０は、１つ以上の訓練データソース１６１８から、人工知能モデルを訓練するために使用される訓練データを収集することができる。具体的には、訓練データ収集器１６１０は、コンプレッサ１３０２の振動に関連付けられた訓練データを取得することができる。 Memory 1606 is shown to include training data collector 1610 . Training data collector 1610 can collect training data used to train the artificial intelligence model from one or more training data sources 1618 . Specifically, training data collector 1610 can obtain training data associated with the vibration of compressor 1302 .

訓練データ収集器１６１０によって収集される訓練データは、特定の入力とコンプレッサ１３０２の振動との間の関連付けを学習するように、ＡＩモデルを訓練するために使用することができる任意の関連データを含むことができる。代替的又は追加的に、訓練データは、騒音が、振動の代用として使用される場合、特定の入力とコンプレッサ１３０２によって生成される騒音との間の関係を示す情報を含み得る。訓練データは、例えば、モータ１３０８のＡ軸とｄ軸との間の軸誤差、検出されたｑ軸電流、インバータ１３０６によって提供されるＡＣ信号の周波数、コンプレッサ１３０２の付近の測定された騒音などを含む入力に対する値を含み得る。訓練データはまた、ＡＩモデルが、入力と出力との間の関係を学習することができるように、電流特性（例えば、振幅）の値を含むことができる。 The training data collected by training data collector 1610 includes any relevant data that can be used to train an AI model to learn associations between particular inputs and vibrations of compressor 1302. be able to. Alternatively or additionally, training data may include information that indicates the relationship between a particular input and the noise produced by compressor 1302 when noise is used as a proxy for vibration. Training data may include, for example, the axis error between the A and d axes of motor 1308, the sensed q-axis current, the frequency of the AC signal provided by inverter 1306, the measured noise near compressor 1302, and the like. It may contain values for the inputs it contains. Training data can also include current characteristic (eg, amplitude) values so that the AI model can learn the relationship between inputs and outputs.

訓練データを集めるために、訓練データ収集器１６１０は、クエリを、訓練データソース１６１８に伝送して、訓練データを取得し得る。いくつかの実施形態では、訓練データ収集器１６１０は、訓練データを能動的に要求する必要なしに、訓練データソース１６１８から受動的に訓練データを受信し得る。訓練データソース１６１８は、訓練データ収集器１６１０に訓練データを記憶及び／又は提供することができる任意のデータソースを含むことができる。例えば、訓練データソース１６１８は、記憶された訓練データセットを、訓練データ収集器１６１０に提供することができるユーザデバイス（例えば、ラップトップ、デスクトップコンピュータ、モバイルデバイス、タブレットなど）であり得るか、又はそれを含み得る。別の例として、訓練データソース１６１８は、実際のＶＲＦシステムの動作中に収集されたデータを記憶するデータベース（例えば、クラウドデータベース）であり得るか、又はそれを含み得る。このようにして、ＡＩモデルは、動作中の実際のＶＲＦデバイスから直接収集されたデータに基づいて、訓練することができる。 To collect training data, training data collector 1610 may transmit queries to training data source 1618 to obtain training data. In some embodiments, training data collector 1610 may passively receive training data from training data source 1618 without having to actively request the training data. Training data sources 1618 may include any data source capable of storing and/or providing training data to training data collector 1610 . For example, training data source 1618 can be a user device (eg, laptop, desktop computer, mobile device, tablet, etc.) that can provide a stored training data set to training data collector 1610, or can contain it. As another example, training data source 1618 may be or include a database (eg, a cloud database) that stores data collected during operation of an actual VRF system. In this way, AI models can be trained based on data collected directly from actual VRF devices in operation.

いくつかの実施形態では、訓練データ収集器１６１０は、１つ以上のシミュレーションモデルを利用して、モデルジェネレータ１６１２によって使用される訓練データのいくつか又は全てを生成して、ＡＩモデルを生成する。シミュレーションモデル（本明細書では「シミュレーション」又は「シミュレーションフレームワーク」とも称される）は、実際のＶＲＦシステムが、様々なコンディション及び制限（例えば、気象条件、加熱／冷却負荷、固有のデバイス制限など）下で、どのように動作し得るかをシミュレーションすることができる。シミュレーションモデルは、ＶＲＦシステムの構成要素間の関係、及び構成要素が、変化するコンディションにどのように反応し得るかを考慮することができる。例えば、シミュレーションモデルは、コンプレッサ１３０２が、特定の必要な加熱／冷却負荷を達成するために、どのように動作し得るか、及び結果としてコンプレッサ１３０２が、どのように振動するかをモデル化することができる。 In some embodiments, training data collector 1610 utilizes one or more simulation models to generate some or all of the training data used by model generator 1612 to generate AI models. A simulation model (also referred to herein as a "simulation" or "simulation framework") describes how a real VRF system behaves under various conditions and limitations (e.g., weather conditions, heating/cooling loads, inherent device limitations, etc.). ) below, we can simulate how it might work. A simulation model can consider the relationships between the components of the VRF system and how the components may react to changing conditions. For example, the simulation model may model how the compressor 1302 may operate to achieve a particular required heating/cooling load, and how the compressor 1302 will vibrate as a result. can be done.

シミュレーションモデルを利用することによって、訓練データ収集器１６１０は、訓練データソース１６１８から訓練データを取り出す必要がない場合があり、代わりに、コンプレッサ振動コントローラ１３１０内で訓練データを生成することができる。いくつかの実施形態では、シミュレーションモデルは、シミュレーションモデルを実行した結果として生成される訓練データを、コンプレッサ振動コントローラ１３１０に提供することができる、サードパーティコントローラ／デバイス／システム（例えば、クラウドコンピューティングシステム）によってホストされる。いずれの場合でも、シミュレーションモデルは、ＡＩモデルを訓練するために使用することができる、様々な動作コンディションを表す様々な訓練データを生成するために、使用／実行することができる。 By utilizing a simulation model, training data collector 1610 may not need to retrieve training data from training data source 1618 and instead may generate training data within compressor vibration controller 1310 . In some embodiments, the simulation model is a third-party controller/device/system (e.g., cloud computing system) that can provide training data generated as a result of running the simulation model to compressor vibration controller 1310. ). In either case, the simulation model can be used/executed to generate various training data representing various operating conditions that can be used to train the AI model.

有利には、シミュレーションモデルは、動作中の実際のＶＲＦシステムから訓練データを収集するのと比較して、より短い時間で大量のデータを生成することができる。このようにして、コンプレッサ１３０２は、より早い時間において、より短く、ＡＩモデルの決定に基づいて動作することができ、これは、振動がより早く管理されるにつれて、コンプレッサ１３０２の寿命を増加させ得る。更に、シミュレーションモデルは、実際のＶＲＦシステム動作中に頻繁には発生しない場合があるシナリオに対する訓練データを生成するために使用され得る。例えば、シミュレーションモデルは、実際のＶＲＦシステムの標準動作中に頻繁には発生しない場合がある強烈な加熱／冷却負荷下で、コンプレッサ１３０２を動作させることを表す訓練データを生成することができる場合がある。このようにして、様々なケースを表す大量の訓練データは、生成され、モデルジェネレータ１６１２に利用可能にして、正確かつ代表的なモデルを生成することができる。 Advantageously, the simulation model can generate a large amount of data in a shorter amount of time compared to collecting training data from an actual VRF system in operation. In this way, the compressor 1302 can operate faster and shorter based on the decisions of the AI model, which can increase the life of the compressor 1302 as vibrations are managed sooner. . Furthermore, simulation models can be used to generate training data for scenarios that may not occur frequently during actual VRF system operation. For example, the simulation model may generate training data representative of operating the compressor 1302 under intense heating/cooling loads that may not occur frequently during normal operation of an actual VRF system. be. In this way, a large amount of training data representing a variety of cases can be generated and made available to the model generator 1612 to generate accurate and representative models.

取得された訓練データに基づいて、訓練データ収集器１６１０は、収集された訓練データを、訓練データセットに組み合わせ、モデルジェネレータ１６１２に訓練データセットを提供することができる。訓練データセットに基づいて、モデルジェネレータ１６１２は、コンプレッサ１３０２の動作コンディションを記述する入力のセットと、コンプレッサ１３０２の振動を管理するためにコンプレッサ１３０２に提供することができるＡＣ信号の振幅を記述する対応する出力との間の関係をモデル化するＡＩモデルを生成することができる。いくつかの実施形態では、モデルジェネレータ１６１２は、必要な加熱／冷却負荷を依然として満たしながら、コンプレッサ１３０２によって生成される騒音を低減するために、インバータ１３０６を介してモータ１３０８に提供することができるＡＣ信号振幅を予測するように、ＡＩモデルを訓練する。 Based on the training data obtained, training data collector 1610 can combine the collected training data into a training data set and provide the training data set to model generator 1612 . Based on the training data set, the model generator 1612 generates a set of inputs that describe the operating conditions of the compressor 1302 and corresponding correspondences that describe the amplitude of the AC signal that can be provided to the compressor 1302 to manage the vibration of the compressor 1302. An AI model can be generated that models the relationship between the outputs that In some embodiments, model generator 1612 can provide AC power to motor 1308 via inverter 1306 to reduce noise generated by compressor 1302 while still meeting the required heating/cooling load. Train an AI model to predict the signal amplitude.

モデルジェネレータ１６１２によって生成されるＡＩモデルは、任意の様々なＡＩモデルアーキテクチャのものであり得る。例えば、ＡＩモデルは、ＬＳＴＭネットワークなどのＲＮＮであり得る。 The AI models generated by model generator 1612 can be of any variety of AI model architectures. For example, an AI model can be an RNN, such as an LSTM network.

モデルジェネレータ１６１２によって生成されたＡＩモデルへの入力は、コンプレッサ１３０２及び／又はモータ１３０８の動作に関連付けられた様々な入力を含むことができる。例えば、ＡＩモデルへの入力は、モータ１３０８のｄ軸とＡ軸との間の軸誤差（軸方向差とも称される）、ｑ軸電流検出値、モータ１３０８の回転速度を示すインバータ周波数、及び実際及び／又は必要な騒音レベルを含み得る。いくつかの実施形態では、モータ１３０８の回転速度（例えば、毎分回転数（ＲＰＭ））は、インバータ周波数の代わりに、又はそれに加えて、入力として使用される。ＡＩモデルの出力は、モータ１３０８によって印加されるトルクを管理するために、コンプレッサ１３０２に提供するＡＣ信号の目標振幅値（例えば、ボルト単位、アンペア単位など）を入力することができる。モデルジェネレータ１６１２によって生成することができるＡＩモデルの例示的な例示は、図１７Ａ及び図１７Ｂを参照して以下により詳細に説明する。 Inputs to the AI model generated by model generator 1612 may include various inputs associated with operation of compressor 1302 and/or motor 1308 . For example, the inputs to the AI model are the axial error (also referred to as the axial difference) between the d-axis and the A-axis of the motor 1308, the q-axis current sensed value, the inverter frequency indicating the rotational speed of the motor 1308, and It may include actual and/or required noise levels. In some embodiments, the rotational speed (eg, revolutions per minute (RPM)) of the motor 1308 is used as an input instead of or in addition to the inverter frequency. The output of the AI model can input a target amplitude value (eg, in volts, amperes, etc.) of the AC signal provided to compressor 1302 to govern the torque applied by motor 1308 . Exemplary illustrations of AI models that may be generated by model generator 1612 are described in more detail below with reference to FIGS. 17A and 17B.

モデルジェネレータ１６１２は、様々な訓練技術を利用して、ＡＩモデルを生成し得る。例えば、モデルジェネレータ１６１２は、運動量アプローチを伴う確率的勾配降下法、適応モーメント推定アプローチ、二乗平均平方根伝播アプローチなどを利用し得る。二乗平均平方根伝播アプローチに関して、モデルジェネレータ１６１２は、二乗平均平方根誤差（ＲＭＳＥ）を利用して、モデル予測が、訓練データ収集器１６１０によって提供された訓練データに対してどれだけ正確であるかを測定し得る。経時的にＲＭＳＥを監視するために、モデルジェネレータ１６１２は、以下の式を利用し得、

式中、Ｙ_{ｐｒｅｄ，ｔ}は、時間ステップｔでの変数Ｙに対するＡＩモデルの先行予測であり、Ｙ_{ｔｅｓｔ，ｔ}は、時間ステップｔでの訓練データによって示される変数Ｙの実測値である。（Ｙ_{ｐｒｅｄ，ｔ}－Ｙ_{ｔｅｓｔ，ｔ}）^２の計算は、各時間ステップｔ＝１…ｎに対して実行することができ、ｎは、予測の総数である。次いで、各差を一緒に平均化することができる。訓練プロセスの間、モデルジェネレータ１６１２は、ＡＩモデルを改良して、ＲＭＳＥを低減することができる。 Model generator 1612 may utilize various training techniques to generate AI models. For example, model generator 1612 may utilize stochastic gradient descent with momentum approach, adaptive moment estimation approach, root mean square propagation approach, and the like. For the root-mean-square propagation approach, the model generator 1612 utilizes the root-mean-square error (RMSE) to measure how accurate the model predictions are on the training data provided by the training data collector 1610. can. To monitor RMSE over time, model generator 1612 may utilize the following equation:

where Y _pred,t is the AI model's prior prediction for variable Y at time step t, and Y _test,t is the observed value of variable Y as indicated by the training data at time step t. The computation of (Y _pred,t −Y _test,t ) ² can be performed for each time step t=1 . . . n, where n is the total number of predictions. Each difference can then be averaged together. During the training process, model generator 1612 can refine the AI model to reduce the RMSE.

モデルジェネレータ１６１２は、生成されたＡＩモデルを、予測ジェネレータ１６１４に提供することができる。予測ジェネレータ１６１４は、ＡＩモデルを使用して、コンプレッサ１３０２によって生成される振動の量及び／又は騒音を低減する、ＡＣ信号振幅の値に対する予測を生成することができる。当該予測を生成するために、予測ジェネレータ１６１４は、様々なソースから、ＡＩモデルによって必要とされる入力の値を取得するように動作することができる。例えば、予測ジェネレータ１６１４は、センサ１６２０からの測定された変数、ユーザデバイス１６２２を介してユーザによって手動で観察された変数の値、及び／又は入力値の任意の他の適切なソースを取得し得る。ＡＩモデルへの特定の入力に関して、モータ１３０８の回転速度は、ユーザによって観察され得、既知の周波数が、モータ１３０８に提供されることに基づいて、予測ジェネレータ１６１４によって指揮され計算され得、などであり得る。いくつかの実施形態では、モータ１３０８に小さな電流を提供し、かつモータ１３０８からのフィードバックを分析して、軸方向の差を推定することによって、モータ１３０８のＡ軸とｄ軸との間の軸方向の差は、観察者（例えば、ユーザ）によって推定される。いくつかの実施形態では、軸方向差は、センサ１６２０のうちのあるセンサによって測定される。しかしながら、軸方向差を測定するように構成されたセンサに関連付けられた価格のため、手動推定が好ましい場合がある。いくつかの実施形態では、コンプレッサ１３０２に関連付けられたｑ軸フィードバック電流は、センサ１６２０のうちのある電流センサを介して直接測定される。騒音に関して、実際の騒音レベルは、センサ１６２０のオーディオセンサを介して測定され得、及び／又はユーザによって推定され得る。ＡＩモデルが入力として必要な騒音レベルを利用する場合、必要な騒音レベルは、ユーザデバイス１６２２を介してユーザによって提供され得、予測ジェネレータ１６１４（又はコンプレッサ振動コントローラ１３１０の別の構成要素）によって推定／判定され得、などであり得る。この場合、必要な騒音レベルは、コンプレッサ１３０２によって達成されるべき所定の騒音値（例えば、ｄＢ単位）を説明する。 Model generator 1612 can provide the generated AI model to prediction generator 1614 . Prediction generator 1614 can use AI models to generate predictions for values of AC signal amplitude that reduce the amount of vibration and/or noise generated by compressor 1302 . To generate such predictions, the prediction generator 1614 can operate to obtain the values of the inputs required by the AI model from various sources. For example, prediction generator 1614 may obtain measured variables from sensors 1620, values of variables manually observed by a user via user device 1622, and/or any other suitable source of input values. . For certain inputs to the AI model, the rotational speed of the motor 1308 can be observed by the user, can be commanded and calculated by the prediction generator 1614 based on a known frequency provided to the motor 1308, and so on. could be. In some embodiments, by providing a small current to the motor 1308 and analyzing the feedback from the motor 1308 to estimate the axial difference, the axial The directional difference is estimated by an observer (eg, user). In some embodiments, the axial difference is measured by one of sensors 1620 . However, due to the price associated with sensors configured to measure axial difference, manual estimation may be preferred. In some embodiments, the q-axis feedback current associated with compressor 1302 is directly measured via a current sensor in sensors 1620 . Regarding noise, the actual noise level may be measured via the audio sensor of sensor 1620 and/or estimated by the user. If the AI model utilizes the required noise level as input, the required noise level may be provided by the user via the user device 1622 and estimated/estimated by the prediction generator 1614 (or another component of the compressor vibration controller 1310). may be determined, and so on. In this case, the required noise level describes a predetermined noise value (eg, in dB) to be achieved by compressor 1302 .

モデルジェネレータ１６１２によって生成されたＡＩモデルに、入力の受信された値を渡した結果、予測ジェネレータ１６１４は、インバータ１３０６によってコンプレッサ１３０２に提供されたＡＣ信号に対する振幅設定値を判定することができる。いくつかの実施形態では、ＡＣ振幅設定値は、ｄ軸に対して提供される電流及びｑ軸に提供される電流の異なる振幅を含む。いくつかの実施形態では、単一のＡＣ振幅設定値は、入力値をＡＩモデルに渡す結果として判定される。この場合、単一のＡＣ振幅設定値は、ｄ軸電流とｑ軸電流の両方に適用することができる。 As a result of passing the received values of the inputs to the AI model generated by model generator 1612 , prediction generator 1614 can determine the amplitude setpoint for the AC signal provided to compressor 1302 by inverter 1306 . In some embodiments, the AC amplitude settings include different amplitudes of the current provided to the d-axis and the current provided to the q-axis. In some embodiments, a single AC amplitude setting is determined as a result of passing input values to the AI model. In this case, a single AC amplitude setting can be applied to both the d-axis and q-axis currents.

いくつかの実施形態では、予測ジェネレータ１６１４は、ＡＣ振幅設定値を、（例えば、通信インターフェース１６０８を介して）インバータ１３０６に直接提供する。いくつかの実施形態では、予測ジェネレータ１６１４は、ＡＣ振幅設定値を、メモリ１６０６の是正措置ジェネレータ１６１６に提供する。是正措置ジェネレータ１６１６は、ＡＣ振幅設定値に基づいて、１つ以上の是正措置を生成及び開始するように構成することができる。いくつかの実施形態では、１つの是正措置は、ＡＣ振幅設定値を、インバータ１３０６に提供することである。この場合、是正措置ジェネレータ１６１６によって生成され、開始される是正措置は、ＡＣ振幅設定値を示す制御信号に基づいてインバータ１３０６を動作させることであり得る。このようにして、モータ１３０８によって印加されるトルクを調整することができる。いくつかの実施形態では、是正措置ジェネレータ１６１６によって生成され、開始され得る別の是正措置は、ＡＣ振幅設定値についてユーザに通知するように、通知をユーザデバイス１６２２に提供することである。当該通知は、異なるＡＣ振幅が、振動にどのように影響を与えるかをユーザが理解することを可能にし得、建物装置（例えば、コンプレッサ１３０２）が、振動に起因する急速な劣化を回避することを確実にするために、ユーザが先制的な措置を講じることを可能にし得る。いくつかの実施形態では、是正措置ジェネレータ１６１６は、急速な劣化を回避するために必要とされるＡＣ振幅設定値が、閾値を下回っており、それによって、建物の加熱／冷却負荷の履行を危うくすると判定することに応答して、例えば、コンプレッサ１３０２上のメンテナンスをスケジューリングするなどの他のタイプの是正措置を生成し、開始する。 In some embodiments, prediction generator 1614 provides AC amplitude settings directly to inverter 1306 (eg, via communication interface 1608). In some embodiments, prediction generator 1614 provides AC amplitude settings to corrective action generator 1616 in memory 1606 . Corrective action generator 1616 can be configured to generate and initiate one or more corrective actions based on the AC amplitude setting. In some embodiments, one remedial action is to provide an AC amplitude setpoint to inverter 1306 . In this case, the corrective action generated and initiated by corrective action generator 1616 may be to operate inverter 1306 based on the control signal indicative of the AC amplitude set point. In this manner, the torque applied by motor 1308 can be adjusted. In some embodiments, another corrective action that may be generated and initiated by corrective action generator 1616 is to provide a notification to user device 1622 to notify the user about the AC amplitude setting. Such notification may allow the user to understand how different AC amplitudes affect vibration so that building equipment (e.g., compressor 1302) can avoid rapid deterioration due to vibration. may allow the user to take preemptive action to ensure In some embodiments, the corrective action generator 1616 determines that the AC amplitude set point required to avoid rapid deterioration is below a threshold, thereby jeopardizing the building's heating/cooling load fulfillment. In response to determining to do so, other types of corrective actions are generated and initiated, such as scheduling maintenance on compressor 1302, for example.

ここで図１７Ａを参照すると、いくつかの実施形態による、コンプレッサモータに提供する電流の値を予測するためのニューラルネットワーク（ＮＮ）１７００の例示が示される。ＮＮ１７００は、図１６を参照して説明されたように、モデルジェネレータ１６１２によって生成することができるＡＩモデルの例示的な構造を例示することができる。ＮＮ１７００は、入力のセットに対応する、入力層内の入力ノードを含むように示される。具体的には、ＮＮ１７００は、モータ１３０８のＡ軸とｄ軸との間の軸誤差の入力ノード、ｑ軸電流検出値、インバータ１３０６によって出力されるＡＣ信号の周波数を記述するインバータ周波数、及び実際の騒音レベルを含むことが示される。もちろん、これらの入力は、単に例のために提供されることを理解されたい。モデルジェネレータ１６１２は、コンプレッサの振動／騒音を推定するために使用することができる異なる入力を利用するＡＩモデルを生成することができる。出力に関して、ＮＮ１７００は、ｄ軸電流振幅及びｑ軸電流振幅に対しての別個の出力を含むことが示される。ｄ軸及びｑ軸に対する別々の出力は、より正確に動作するコンプレッサ１３０２において有用であり得る。いくつかの実施形態では、ＮＮ１７００は、ｄ軸電流及びｑ軸電流の両方に適用することができる単一電流振幅値を出力する。単一の値を出力することは、ＮＮ１７００の複雑さを低減し、それによって予測を生成するときの処理効率を改善し得る。 Referring now to FIG. 17A, an illustration of a neural network (NN) 1700 for predicting the value of current to provide to a compressor motor is shown, according to some embodiments. NN 1700 can illustrate an exemplary structure of an AI model that can be generated by model generator 1612, as described with reference to FIG. NN 1700 is shown to include input nodes in the input layer corresponding to a set of inputs. Specifically, NN 1700 includes input nodes for axis error between the A and d axes of motor 1308, the q-axis current sensed value, the inverter frequency describing the frequency of the AC signal output by inverter 1306, and the actual is shown to include the noise level of Of course, it should be understood that these inputs are provided for example only. The model generator 1612 can generate an AI model that utilizes different inputs that can be used to estimate compressor vibration/noise. Regarding outputs, NN 1700 is shown to include separate outputs for d-axis current amplitude and q-axis current amplitude. Separate outputs for the d-axis and q-axis may be useful in compressor 1302 operating more accurately. In some embodiments, NN 1700 outputs a single current amplitude value that can be applied to both d-axis and q-axis currents. Outputting a single value may reduce the complexity of NN 1700, thereby improving processing efficiency when generating predictions.

図１６を参照して上述したように、軸誤差は、ユーザ及び／又はセンサによって測定され得、ｑ軸電流検出値は、電流センサによって測定され得、インバータ周波数は、測定され得、既知の値などであり得る。実際の騒音レベルに関して、実際の騒音レベルは、コンプレッサ１３０２の事前定義された物理的近接性（例えば、コンプレッサ１３０２に物理的に取り付けられる、１０フィート以内、１フィート以内など）を備えるオーディオセンサによって測定され得る。実際の騒音レベルに基づいて、ＮＮ１７００は、コンプレッサ１３０２の振動を本質的に予測し、予測された振動に応じて振幅設定値を出力することができる。この場合、コンプレッサ１３０２の動作に関するフィードバックをＮＮ１７００に提供している。具体的には、騒音は、振動の代用として使用することができるため、ＮＮ１７００は、コンプレッサ１３０２の振動を示す知識を効果的に取得している。このように、ＮＮ１７００は、この情報を利用して、危険な動作コンディションを回避するＡＣ信号振幅を予測することができる。例えば、比較的低い（例えば、＜５０ｄＢ、＜２０ｄＢなど）の騒音レベルであれば、ＮＮ１７００は、雑音レベルが比較的高い場合（例えば、＞５０ｄＢ、＞１００ｄＢ、＞２００ｄＢなど）と比較して、より大きな振幅（例えば、ボルト又はアンペア単位）を出力し得る。このようにして、ＮＮ１７００は、経時的に振幅の値を変更して、危険な動作コンディション及び振動を回避する、コンプレッサ１３０２に対する適切な動作コンディションを達成することができる。 As described above with reference to FIG. 16, the axis error can be measured by the user and/or sensor, the q-axis current sensed value can be measured by a current sensor, and the inverter frequency can be measured to a known value. and so on. With respect to the actual noise level, the actual noise level is measured by an audio sensor with a predefined physical proximity of the compressor 1302 (e.g., within 10 feet, within 1 foot, etc., physically attached to the compressor 1302). can be Based on the actual noise level, the NN 1700 can inherently predict the vibration of the compressor 1302 and output an amplitude setpoint in response to the predicted vibration. In this case, feedback is provided to NN 1700 regarding the operation of compressor 1302 . Specifically, since noise can be used as a proxy for vibration, NN 1700 effectively has knowledge indicative of compressor 1302 vibration. Thus, NN 1700 can utilize this information to predict AC signal amplitudes that avoid unsafe operating conditions. For example, at relatively low (e.g., <50 dB, <20 dB, etc.) noise levels, the NN 1700 may Larger amplitudes (eg, in volts or amperes) can be output. In this way, NN 1700 can change the value of amplitude over time to achieve proper operating conditions for compressor 1302 that avoid unsafe operating conditions and vibrations.

ここで図１７Ｂを参照すると、いくつかの実施形態による、コンプレッサモータに提供する電流の値を予測するためのニューラルネットワーク（ＮＮ）１７５０の例示が示される。いくつかの実施形態では、ＮＮ１７５０は、図１７Ａを参照して上述したように、ＮＮ１７００に類似している、及び／又は同じである。したがって、ＮＮ１７５０は、図１６を参照して説明されたモデルジェネレータ１６１２によって生成することができるＡＩモデルの別の例であり得る。図１７Ｂに示されるように、ＮＮ１７５０は、ＮＮ１７００の実際の騒音レベルと比較して、入力として、必要な騒音レベルを受信するように示される。必要な騒音レベルは、コンプレッサ１３０２によって生成された騒音の目標値であり得る。いくつかの実施形態では、必要な騒音レベルは、コンプレッサ１３０２によって生成される騒音が、閾値を下回るように、閾値として機能する。特に、必要な騒音レベルは、コンプレッサ１３０２を危険な動作コンディションに置かないように、（例えば、ユーザによって）判定される振動に関連付けられることが知られている騒音レベル（例えば、ｄＢ単位）であり得る。例えば、必要な騒音レベルは、３０Ｈｚのレートの下で、コンプレッサ１３０２の振動を維持することが期待される５０ｄＢであり得る。 Referring now to FIG. 17B, an illustration of a neural network (NN) 1750 for predicting the value of current to provide to the compressor motor is shown, according to some embodiments. In some embodiments, NN 1750 is similar to and/or the same as NN 1700, as described above with reference to FIG. 17A. NN 1750 may thus be another example of an AI model that may be generated by model generator 1612 described with reference to FIG. As shown in FIG. 17B, NN 1750 is shown receiving as input the desired noise level compared to the actual noise level of NN 1700 . The required noise level may be a target value for the noise produced by compressor 1302 . In some embodiments, the required noise level acts as a threshold such that the noise generated by compressor 1302 is below the threshold. In particular, the desired noise level is a noise level (eg, in dB) known to be associated with vibration determined (eg, by a user) so as not to subject the compressor 1302 to unsafe operating conditions. obtain. For example, the required noise level may be 50 dB expected to sustain compressor 1302 oscillation under a rate of 30 Hz.

必要な騒音レベルを入力として使用するために、ＮＮ１７５０は、騒音と振動との間の既知の相関関係に基づいて、訓練され得る。このようにして、ＮＮ１７５０は、既知の相関関係に対して、他の入力（例えば、コンプレッサ１３０２を通過する流体の量に関連付けられていることが知られているインバータ周波数）に基づいて、出力された電流振幅を調整することができる。いくつかの実施形態では、モデルジェネレータ１６１２は、実際の騒音レベル及び必要な騒音レベルの両方を入力として利用するＡＩモデルを生成する。 To use the desired noise level as input, the NN 1750 can be trained based on known correlations between noise and vibration. In this way, the NN 1750 outputs to a known correlation based on other inputs (eg, the inverter frequency, which is known to be associated with the amount of fluid passing through the compressor 1302). current amplitude can be adjusted. In some embodiments, model generator 1612 produces an AI model that utilizes both actual noise levels and desired noise levels as inputs.

ここで図１８を参照すると、いくつかの実施形態による、ＡＩモデルを使用してコンプレッサに提供するＡＣ信号振幅を予測するためのプロセス１８００のフロー図が示される。ＡＣ信号振幅は、必要な加熱／冷却負荷、及び／又は建物の他の要件を満たしながらも、コンプレッサの振動の減少をもたらすと予測される振幅値（例えば、ボルト、アンペア単位など）であり得る。いくつかの実施形態では、ＡＣ信号の振幅は、コンプレッサのモータによって印加されるトルクに影響を与える。具体的には、増大する振幅は、モータによって印加されるトルクを増大させることに関連し得る。いくつかの実施形態では、プロセス１８００のステップのいくつか及び／又は全ては、図１３及び図１６を参照して説明されたコンプレッサ振動コントローラ１３１０によって実行される。 Referring now to FIG. 18, a flow diagram of a process 1800 for predicting the AC signal amplitude to provide to the compressor using an AI model is shown, according to some embodiments. The AC signal amplitude can be an amplitude value (e.g., in volts, amperes, etc.) that is expected to result in reduced compressor vibration while meeting the required heating/cooling load and/or other building requirements. . In some embodiments, the amplitude of the AC signal affects the torque applied by the compressor motor. Specifically, increasing amplitude may be associated with increasing torque applied by the motor. In some embodiments, some and/or all of the steps of process 1800 are performed by compressor vibration controller 1310 described with reference to FIGS.

プロセス１８００は、コンプレッサの動作に影響を与えるコンディションと、コンプレッサによって生成される騒音との間の関係を記述する訓練データを取得することを含むことが示される（ステップ１８０２）。この場合、騒音は、コンプレッサの振動の代用として使用することができる。訓練データは、例えば、コンプレッサのモータのＡ軸とｄ軸との間の軸誤差、ｑ軸電流検出値、インバータによって提供されるＡＣ信号の周波数（これは、コンプレッサを通過する流体の量を表し得、それにより必要な加熱／冷却負荷を表し得る）、実際及び／又は必要な騒音レベル、騒音測定値などの値を含み得る。訓練データは、例えば、クラウドデータベース、建物にローカルなデータベース、ユーザ、建物内のセンサなどの１つ以上の訓練データソースから取得され得る。いくつかの実施形態では、ステップ１８０２は、訓練データ収集器１６１０によって実行される。 Process 1800 is shown including obtaining training data describing the relationship between the conditions affecting the operation of the compressor and the noise produced by the compressor (step 1802). In this case, noise can be used as a proxy for compressor vibration. The training data may be, for example, the axis error between the A-axis and the d-axis of the compressor motor, the q-axis current sensed value, the frequency of the AC signal provided by the inverter (which represents the amount of fluid passing through the compressor). (which may represent the required heating/cooling load), actual and/or required noise levels, noise measurements, and the like. The training data may be obtained from one or more training data sources such as, for example, a cloud database, a database local to the building, users, sensors in the building, and the like. In some embodiments, step 1802 is performed by training data collector 1610 .

プロセス１８００は、訓練データに基づいて、コンプレッサのモータによって印加されるトルクに影響を与えるＡＣ信号の振幅を予測するためのＡＩモデルを訓練することを含むことが示されている（ステップ１８０４）。いくつかの実施形態では、より大きなＡＣ信号振幅は、モータによって印加される増加したトルクに対応する。しかしながら、モータによって印加されるトルクが増加するにつれて、コンプレッサの振動は、増加し得、これは、コンプレッサによって出力される騒音の量に基づいて、測定され得る。ステップ１８０４で訓練されたＡＩモデルは、どのＡＣ信号振幅が、入力値のセットに依存する特定の騒音レベルに対応するかを学習することができる。いくつかの実施形態では、ＡＩモデルの目標は、どのＡＣ信号振幅が、必要な加熱／冷却負荷を満たしながらも、コンプレッサによって出力される騒音を低減及び／又は最小限に抑えるかを学習することである。もちろん、動作のため、いくつかの騒音／振動は、避けられない場合もあるが、ＡＩモデルは、建物のニーズを満たしながらも、装置の過度の劣化を回避する振幅を識別するように訓練することができる。いくつかの実施形態では、ステップ１８０４は、モデルジェネレータ１６１２によって実行される。 The process 1800 is shown including training an AI model to predict the amplitude of the AC signal that affects the torque applied by the compressor motor based on the training data (step 1804). In some embodiments, a larger AC signal amplitude corresponds to increased torque applied by the motor. However, as the torque applied by the motor increases, the vibration of the compressor may increase, which can be measured based on the amount of noise output by the compressor. The AI model trained in step 1804 can learn which AC signal amplitude corresponds to a particular noise level depending on the set of input values. In some embodiments, the goal of the AI model is to learn which AC signal amplitude will reduce and/or minimize the noise output by the compressor while meeting the required heating/cooling load. is. Of course, due to its operation, some noise/vibration may be unavoidable, but the AI model is trained to identify amplitudes that meet building needs while avoiding excessive equipment degradation. be able to. In some embodiments, step 1804 is performed by model generator 1612 .

プロセス１８００は、コンプレッサの動作に関連付けられたデータを取得することを含むことが示される（ステップ１８０６）。この場合、データは、ステップ１８０４で訓練されたＡＩモデルへの入力に関連付けられ得る。例えば、ステップ１８０６で取得されたデータは、コンプレッサに提供された、及び／又は提供されるＡＣ信号の周波数、周囲温度、コンプレッサの付近の実際の騒音レベルなどを含み得る。データは、装置などからのフィードバックとして、例えば、ユーザ、センサなどの様々なソースから取得することができる。いくつかの実施形態では、ステップ１８０６は、予測ジェネレータ１６１４によって実行される。 Process 1800 is shown including obtaining data associated with compressor operation (step 1806). In this case, the data can be associated with inputs to the AI model trained in step 1804 . For example, the data obtained at step 1806 may include the frequency of the AC signal provided and/or provided to the compressor, the ambient temperature, the actual noise level in the vicinity of the compressor, and the like. Data can be obtained from various sources, eg, users, sensors, etc., as feedback from devices and the like. In some embodiments, step 1806 is performed by prediction generator 1614 .

プロセス１８００は、ＡＩモデルを使用して、取得されたデータに基づいて、ＡＣ振幅設定値を生成することを含むことが示されている（ステップ１８０８）。ＡＩモデルは、必要な加熱／冷却負荷（及び／又は建物のいくつかの他の要件／ニーズ）が満たされ、コンプレッサによって生成される対応する騒音が低減されるように、ＡＣ振幅設定値を生成することができる。このようにして、モータは、不必要な劣化を回避しながら、一定量の流体を圧縮するように動作される。有利には、ＡＩモデルを使用して、ＡＣ振幅設定値を生成することは、モータが不必要な量のトルクを印加する結果として、コンプレッサが、不必要な劣化を経験する状況の頻度を低減することができる。いくつかの実施形態では、ＡＣ振幅設定値は、モータのｄ軸及びｑ軸に対する別個の振幅設定値を含む。いくつかの実施形態では、ステップ１８０８は、予測ジェネレータ１６１４によって実行される。 Process 1800 is shown including generating AC amplitude settings based on the acquired data using the AI model (step 1808). The AI model generates AC amplitude setpoints such that the required heating/cooling load (and/or some other requirement/needs of the building) is met and the corresponding noise produced by the compressor is reduced can do. In this way the motor is operated to compress a fixed amount of fluid while avoiding unnecessary deterioration. Advantageously, using the AI model to generate the AC amplitude setpoint reduces the frequency of situations where the compressor experiences unnecessary degradation as a result of the motor applying an unnecessary amount of torque. can do. In some embodiments, the AC amplitude settings include separate amplitude settings for the d-axis and q-axis of the motor. In some embodiments, step 1808 is performed by prediction generator 1614 .

プロセス１８００は、モータを動作させるために、インバータにＡＣ振幅設定値を提供することを含むことが示される（ステップ１８１０）。いくつかの実施形態では、インバータは、コンプレッサに提供される実際のＡＣ信号を生成する。このようにして、インバータは、インバータによって出力されるＡＣ信号が、ＡＣ振幅設定値に等しい（又はほぼ等しい）振幅を有するように、動作することができる。結果として、モータは、ＡＣ信号の振幅に応じてトルクを印加するように動作することができる。いくつかの実施形態では、ステップ１８１０は、予測ジェネレータ１６１４及び／又は是正措置ジェネレータ１６１６によって実行される。 Process 1800 is shown including providing an AC amplitude setpoint to the inverter to operate the motor (step 1810). In some embodiments, the inverter produces the actual AC signal that is provided to the compressor. In this way, the inverter can be operated such that the AC signal output by the inverter has an amplitude equal (or approximately equal) to the AC amplitude setting. As a result, the motor can operate to apply torque in response to the amplitude of the AC signal. In some embodiments, step 1810 is performed by prediction generator 1614 and/or corrective action generator 1616 .

ＶＲＦシステム障害コンディション予測
概して、図１９～図２２を参照すると、いくつかの実施形態による、ＶＲＦシステムの障害コンディションを予測するためのシステム及び方法が示され、説明される。障害コンディションは、コストを上昇させる可能性がある、及び／又はＶＲＦシステムのいくつかの他の望ましくない特性をもたらす可能性がある任意の種類の障害を含むことができる。例えば、障害コンディションには、冷媒漏れ、室外ユニット霜降り、室内ファンの目詰まり、汚れた室内フィルタ、汚れた熱交換器、汚れた室外ファン、モータ消磁、コンプレッサオイル漏れなどが含まれ得る。障害コンディションは、ＶＲＦシステムに関連付けられたコスト（例えば、運用コスト）に影響を与える可能性のあるコンプレッサの不完全な効率をもたらし得る。 VRF System Failure Condition Prediction Referring generally to FIGS. 19-22, systems and methods for predicting failure conditions in a VRF system are shown and described, according to some embodiments. A failure condition can include any type of failure that can increase costs and/or result in some other undesirable characteristic of the VRF system. For example, fault conditions may include refrigerant leaks, outdoor unit frosting, clogged indoor fans, dirty indoor filters, dirty heat exchangers, dirty outdoor fans, motor degaussing, compressor oil leaks, and the like. Fault conditions can result in imperfect compressor efficiency that can impact the costs (eg, operating costs) associated with the VRF system.

図１９～図２２を通してより詳細に説明されるように、ＡＩモデルは、ＶＲＦシステムにおける構成要素の障害コンディションを予測するために使用され得る。特に、ＡＩモデルは、ＶＲＦシステムのコンプレッサに関連付けられた障害コンディションを予測するために使用することができる。各異なる障害状況に対して、パーセンテージを使用して、故障がＶＲＦシステムに影響を与える量を表すことができる。したがって、詳細な障害分類に対して２つのモデル（例えば、２つのＲＮＮ）があり得る。第１のモデルは、ＶＲＦシステム内に、もしあれば、どのような障害コンディションが存在するかを記述する障害分類を出力するように構成することができる。効果的に、第１のモデルは、ＶＲＦシステム及び／又はその構成要素が経験している障害（もしあれば）を判定／予測するように構成することができる。第２のモデルは、代表的なパーセンテージ及び／又はいくつかの他のメトリックを使用して、各障害コンディションの重大度を判定／予測するように構成することができる。障害の重大度は、障害がＶＲＦシステムに及ぼす影響の程度を効果的に示すことができる。例えば、第２のモデルによる０．５（すなわち、５０％）の冷媒漏れ指数の出力は、５０％の冷媒が漏れを通して失われていることを示し得る。別の例として、第２のモデルによる０．９の室内ファン目詰まり指標の出力は、室内ファンが９０％詰まっていることを示し得る。いくつかの実施形態では、第１のモデル及び第２のモデルは、単一のモデルに組み合わされる。この場合、単一のモデルは、ＶＲＦシステム内の障害コンディションを示す障害分類、及び各コンディションに関連付けられた重大度を表す対応するメトリックを出力し得る。いくつかの実施形態では、第２のモデルは、利用されない場合がある。この場合、第１のモデルによって生成される障害分類は、開始する是正措置を判定する際に利用される。言い換えると、第２のモデルが利用されない場合、障害分類に基づいて、及び障害がＶＲＦシステムに影響を与える量に関係なく、是正措置が開始され得る。 As described in more detail through FIGS. 19-22, AI models can be used to predict component failure conditions in VRF systems. In particular, AI models can be used to predict fault conditions associated with compressors in VRF systems. For each different fault condition, a percentage can be used to represent the amount that the fault affects the VRF system. Therefore, there may be two models (eg, two RNNs) for detailed fault classification. The first model can be configured to output a fault classification that describes what, if any, fault conditions exist within the VRF system. Effectively, the first model can be configured to determine/predict faults (if any) that the VRF system and/or its components are experiencing. A second model may be configured to determine/predict the severity of each fault condition using a representative percentage and/or some other metric. The severity of a fault can effectively indicate the degree of impact the fault has on the VRF system. For example, a refrigerant leakage index output of 0.5 (ie, 50%) by the second model may indicate that 50% of the refrigerant is lost through leakage. As another example, a second model output of an indoor fan clogging index of 0.9 may indicate that the indoor fan is 90% clogged. In some embodiments, the first model and the second model are combined into a single model. In this case, a single model may output a fault classification indicating fault conditions within the VRF system and a corresponding metric representing the severity associated with each condition. In some embodiments, the second model may not be utilized. In this case, the fault classification produced by the first model is utilized in determining which corrective action to initiate. In other words, if the second model is not utilized, corrective action may be initiated based on the fault classification and regardless of how much the fault affects the VRF system.

理解されるべきであるように、図１９～図２２を通して以下に示され、説明されるシステム及び方法は、様々な建物システムに適用することができ、必ずしもＶＲＦシステムに限定されない場合がある。例えば、システム及び方法は、同様に、建物の他のＨＶＡＣシステムに適用することができる。 As should be appreciated, the systems and methods shown and described below through FIGS. 19-22 may be applied to a variety of building systems and may not necessarily be limited to VRF systems. For example, the system and method can be applied to other HVAC systems in buildings as well.

ここで図１９を参照すると、いくつかの実施形態による、ＶＲＦシステム１９００のブロック図が示される。ＶＲＦシステム１９００は、ＡＩモデルを適用して、障害分類の予測を生成することができる例示的なＶＲＦシステムを例示することができる。特に、ＶＲＦシステム１９００は、ＡＩモデルを介して、障害分類を生成する際に使用され得る入力値のソースを例示することができる。いくつかの実施形態では、ＶＲＦシステム１９００は、図６Ａ及び図６Ｂを参照して説明されたＶＲＦシステム６００に類似する、及び／又は同じである。 Referring now to FIG. 19, a block diagram of a VRF system 1900 is shown, according to some embodiments. VRF system 1900 can illustrate an exemplary VRF system that can apply AI models to generate predictions of failure classifications. In particular, the VRF system 1900 can illustrate, via AI models, sources of input values that can be used in generating fault classifications. In some embodiments, VRF system 1900 is similar to and/or the same as VRF system 600 described with reference to FIGS. 6A and 6B.

ＶＲＦシステム１９００は、室外ユニット（ＯＤＵ）１９０２及び室内ユニット（ＩＤＵ）１９０４を含むことが示されている。ＯＤＵ１９０２は、コンプレッサ１９０６及び熱交換器１９０８を含むことが示されている。コンプレッサ１９０６は、コンプレッサ電源配管１９１４を介して、インバータから電流Ｉを受信することができる。Ｉ_{ｉｎｖｅｒｔｅｒ}は、例えば、ＡＣなどの任意のタイプの電力信号であり得る。Ｉ_{ｉｎｖｅｒｔｅｒ}は、コンプレッサ１９０６に動力を供給することができる。いくつかの実施形態では、コンプレッサ１９０６は、図１３Ａ～図１８を参照して上でより詳細に説明したように、Ｉ_{ｉｎｖｅｒｔｅｒ}の周波数及び振幅に応じてモータを動作させる。 VRF system 1900 is shown to include an outdoor unit (ODU) 1902 and an indoor unit (IDU) 1904 . ODU 1902 is shown to include compressor 1906 and heat exchanger 1908 . Compressor 1906 may receive current I from the inverter via compressor power line 1914 . I _inverter can be any type of power signal, such as AC, for example. The I _inverter can power the compressor 1906 . In some embodiments, compressor 1906 operates the motor in response to the frequency and amplitude of I _inverter , as described in more detail above with reference to FIGS. 13A-18.

コンプレッサ１９０６はまた、熱交換器１９０８から流体（例えば、冷媒）を受け入れることができる。流体を取得するために、コンプレッサ１９０６は、吸引配管１９２２を介して、熱交換器１９０８から流体を吸引することができる。流体の吸引は、パスカルなどの好適な圧力メトリックで測定され得る吸引圧力Ｐ_ｓに関連付けることができる。いくつかの実施形態では、Ｐ_ｓは、吸引配管１９２２に関連付けられた圧力センサによって測定される。 Compressor 1906 may also receive fluid (eg, refrigerant) from heat exchanger 1908 . To obtain fluid, compressor 1906 can draw fluid from heat exchanger 1908 via suction line 1922 . Fluid aspiration can be associated with an aspiration pressure _Ps , which can be measured in a suitable pressure metric such as Pascal. In some embodiments, P _s is measured by a pressure sensor associated with suction tubing 1922 .

吸引配管１９２２を介して流体を吸引する結果として、コンプレッサ１９０６は、流体を圧縮し、吐出配管１９１６を介して、ＩＤＵ１９０４に、圧縮された流体を出力することができる。吐出配管１９１６を介した流体の出力は、吐出圧力Ｐ_ｄ及び吐出温度Ｔ_ｄに関連付けることができる。いくつかの実施形態では、Ｐ_ｄ及びＴ_ｄは、それぞれ、吐出配管１９１６に関連付けられた、圧力センサ及び温度センサによって測定される。 As a result of drawing fluid through suction line 1922 , compressor 1906 can compress the fluid and output the compressed fluid to IDU 1904 via discharge line 1916 . The output of fluid through the discharge line 1916 can be related to the discharge pressure _Pd and the discharge temperature _Td . In some embodiments, P _d and T _d are measured by pressure and temperature sensors, respectively, associated with discharge line 1916 .

ＩＤＵ１９０４のファン１９１２は、吐出配管１９１６を介して、圧縮された流体（例えば、圧縮された冷媒）、及び室内ファン電源配管１９１８を介して、室内ファン電流Ｉ_{ｆａｎ，ｉ}を受け取ることができる。圧縮された流体を使用して、ファン１９１２は、空間に加熱／冷却を提供するように動作することができる。具体的には、圧縮された流体によって放出される熱は、ファン１９１２を使用して、空間に押し込むことができる。いくつかの実施形態では、ＩＤＵ１９０４は、空間内の様々な場所に加熱／冷却を提供する複数のファン１９１２を含む。 Fan 1912 of IDU 1904 may receive compressed fluid (eg, compressed refrigerant) via discharge line 1916 and indoor fan current I _fan,i via indoor fan power line 1918 . Using the compressed fluid, the fan 1912 can operate to provide heating/cooling to the space. Specifically, heat released by the compressed fluid can be forced into space using fan 1912 . In some embodiments, IDU 1904 includes multiple fans 1912 that provide heating/cooling to various locations within the space.

ＩＤＵ１９０４は、戻り配管１９２０を介して、ＯＤＵ１９０２に戻して、流体を再循環させることができる。具体的には、流体は、熱交換器１９０８に戻すことができる。室外ファン電源配管１９２４を介して、室外ファン電流Ｉ_{ｆａｎ，ｏ}によって電力供給されるファン１９１０は、熱交換器１９０８に空気を提供することができる。このようにして、いくつかの熱は、流体から外部空間に放散され得る。最後に、流体は、吸引配管１９２２を介して、コンプレッサ１９０６に戻され得る。 IDU 1904 can return fluid to ODU 1902 via return line 1920 to recirculate fluid. Specifically, the fluid can be returned to heat exchanger 1908 . A fan 1910 powered by outdoor fan current I _fan,o via outdoor fan power line 1924 may provide air to heat exchanger 1908 . In this way some heat can be dissipated from the fluid to the external space. Finally, the fluid may be returned to compressor 1906 via suction line 1922 .

ＶＲＦシステム１９００に示され、かつ上述のような変数（例えば、Ｉ_{ｆａｎ，ｉ}、Ｐ_ｓ、Ｐ_ｄ、Ｔ_ｄなど）は、配管１９１４～１９２４に取り付けられた、それらの内部にある、又はそうでなければそれらに関連付けられたそれぞれのセンサによって測定することができる。当該変数の測定値は、ＡＩモデルを利用して、ＶＲＦシステム１９００に関連付けられた障害を識別するコントローラに戻すことができる。例えば、変数は、図２０を参照して以下で詳細に説明するように、ＶＲＦ障害コントローラ２０００に提供され得る。理解されるべきであるように、図１９に示される変数及び構成要素は、単に例のために提供される。ＶＲＦシステム１９００は、図１９に示されるようなものとは異なる構成要素を含み得る。同様に、図１９に示されるもの以外の変数又はそれに加えて、変数は、コントローラに提供され得る。 Variables (eg, I _fan,i , P _s , P _d , T _{d ,} etc.) shown in VRF system 1900 and as described above may be attached to, within, or otherwise connected to piping 1914-1924. Otherwise they can be measured by their associated respective sensors. Measurements of such variables can be returned to a controller that utilizes AI models to identify faults associated with the VRF system 1900 . For example, variables may be provided to VRF fault controller 2000 as described in detail below with reference to FIG. As should be understood, the variables and components shown in FIG. 19 are provided for example only. VRF system 1900 may include different components than those shown in FIG. Similarly, variables other than or in addition to those shown in FIG. 19 may be provided to the controller.

ここで図２０を参照すると、いくつかの実施形態による、ＶＲＦシステムにおける障害を予測するためのＶＲＦ障害コントローラ２０００のブロック図が示される。ＶＲＦ障害コントローラ２０００を使用して、ＶＲＦシステム（例えば、図１６を参照して説明されたＶＲＦシステム６００、図１９を参照して説明されたＶＲＦシステム１９００など）に関連付けられた障害に関する予測を生成することができる。ＶＲＦ障害コントローラ２０００は、１つ以上のＡＩモデルを利用して、障害分類、及び障害分類によって識別される障害コンディションの対応する重大度を生成することができる。いくつかの実施形態では、ＶＲＦ障害コントローラ２０００は、単一のコントローラとして、本明細書に記載される他のコントローラと統合される。例えば、ＶＲＦ障害コントローラ２０００の機能性は、図８を参照して説明されたオイル管理コントローラ８００、及び／又は図１６を参照して説明されたコンプレッサ振動コントローラ１３１０と統合され得る。 Referring now to FIG. 20, a block diagram of a VRF fault controller 2000 for predicting faults in a VRF system is shown, according to some embodiments. VRF fault controller 2000 is used to generate predictions about faults associated with VRF systems (eg, VRF system 600 described with reference to FIG. 16, VRF system 1900 described with reference to FIG. 19, etc.). can do. VRF fault controller 2000 can utilize one or more AI models to generate fault classifications and corresponding severities of fault conditions identified by the fault classifications. In some embodiments, VRF fault controller 2000 is integrated with other controllers described herein as a single controller. For example, the functionality of the VRF disturbance controller 2000 may be integrated with the oil management controller 800 described with reference to FIG. 8 and/or the compressor vibration controller 1310 described with reference to FIG.

ＶＲＦ障害コントローラ２０００は、通信インターフェース２００８及び処理回路２００２を含むことが示されている。通信インターフェース２００８は、様々なシステム、デバイス、又はネットワークとデータ通信を行うための、有線又は無線インターフェース（例えば、ジャック、アンテナ、伝送機、受信機、トランシーバ、有線端末など）を含み得る。例えば、通信インターフェース２００８は、イーサネットベースの通信ネットワークを介してデータを送信及び受信するためのイーサネットカード及びポート、及び／又は無線通信ネットワークを介して通信するためのＷｉ－Ｆｉトランシーバを含み得る。通信インターフェース２００８は、ローカルエリアネットワーク又はワイドエリアネットワーク（例えば、インターネット、建物ＷＡＮなど）を介して通信するように構成され得、様々な通信プロトコル（例えば、ＢＡＣｎｅｔ、ＩＰ、ＬＯＮなど）を使用し得る。 VRF fault controller 2000 is shown to include communication interface 2008 and processing circuitry 2002 . Communication interface 2008 may include wired or wireless interfaces (eg, jacks, antennas, transmitters, receivers, transceivers, wired terminals, etc.) for data communication with various systems, devices, or networks. For example, communication interface 2008 may include Ethernet cards and ports for transmitting and receiving data over Ethernet-based communication networks, and/or Wi-Fi transceivers for communicating over wireless communication networks. Communication interface 2008 may be configured to communicate over a local area network or a wide area network (eg, Internet, building WAN, etc.) and may use various communication protocols (eg, BACnet, IP, LON, etc.). .

通信インターフェース２００８は、ＶＲＦ障害コントローラ２０００と、様々な外部システム又はデバイス（例えば、訓練データソース２０１８、センサ２０２０、ユーザデバイス２０２４など）との間の電子データ通信を容易にするように構成されたネットワークインターフェースであり得る。例えば、ＶＲＦ障害コントローラ２０００は、通信インターフェース２００８を介して、装置２０２２の障害分類を記述する通知を、ユーザデバイス２０２４に提供し得る。 Communication interface 2008 is a network configured to facilitate electronic data communication between VRF impairment controller 2000 and various external systems or devices (eg, training data sources 2018, sensors 2020, user devices 2024, etc.). can be an interface. For example, VRF fault controller 2000 may provide a notification to user device 2024 via communication interface 2008 that describes the fault classification of device 2022 .

処理回路２００２は、プロセッサ２００４及びメモリ２００６を含むことが示されている。プロセッサ２００４は、汎用若しくは特定目的プロセッサ、特定用途向け統合回路（ＡＳＩＣ）、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、処理構成要素のグループ、又は他の好適な処理構成要素であり得る。プロセッサ２００４は、メモリ２００６に記憶された、又は他のコンピュータ可読媒体（例えば、ＣＤＲＯＭ、ネットワーク記憶装置、リモートサーバなど）から受信された、コンピュータコード又は命令を実行するように構成され得る。 Processing circuitry 2002 is shown to include processor 2004 and memory 2006 . Processor 2004 may be a general-purpose or special-purpose processor, an application-specific integrated circuit (ASIC), one or more field-programmable gate arrays (FPGAs), a group of processing components, or any other suitable processing component. Processor 2004 may be configured to execute computer code or instructions stored in memory 2006 or received from another computer-readable medium (eg, CD ROM, network storage device, remote server, etc.).

メモリ２００６は、本開示に記載の様々なプロセスを完了及び／又は容易にするための、データ及び／又はコンピュータコードを記憶するための１つ以上のデバイス（例えば、メモリユニット、メモリデバイス、記憶デバイスなど）を含み得る。メモリ２００６は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ記憶装置、一時記憶装置、不揮発性メモリ、フラッシュメモリ、光メモリ、又はソフトウェアオブジェクト及び／若しくはコンピュータ命令を記憶するための任意の他の好適なメモリを含み得る。メモリ２００６は、データベース構成要素、オブジェクトコード構成要素、スクリプト構成要素、又は本開示に記載される様々な活動及び情報構造をサポートするための任意の他のタイプの情報構造を含み得る。メモリ２００６は、処理回路２００２を介して、プロセッサ２００４に通信可能に接続され得、本明細書に記載の１つ以上のプロセスを（例えば、プロセッサ２００４によって）実行するためのコンピュータコードを含み得る。いくつかの実施形態では、メモリ２００６の１つ以上の構成要素は、単一の構成要素の一部である。しかしながら、メモリ２００６の各構成要素は、説明を容易にするために、独立して示される。 Memory 2006 may be one or more devices (e.g., memory units, memory devices, storage devices) for storing data and/or computer code for completing and/or facilitating various processes described in this disclosure. etc.). Memory 2006 may be random access memory (RAM), read only memory (ROM), hard drive storage, temporary storage, non-volatile memory, flash memory, optical memory, or any suitable memory for storing software objects and/or computer instructions. may include other suitable memory. Memory 2006 may include database components, object code components, script components, or any other type of information structure to support the various activities and information structures described in this disclosure. Memory 2006 may be communicatively coupled to processor 2004 via processing circuitry 2002 and may contain computer code for executing (eg, by processor 2004) one or more processes described herein. In some embodiments, one or more components of memory 2006 are part of a single component. However, each component of memory 2006 is shown separately for ease of explanation.

メモリ２００６は、訓練データ収集器２０１０を含むように示される。いくつかの実施形態では、訓練データ収集器２０１０は、図１６を参照して説明された訓練データ収集器１６１０に類似する、及び／又は同じである。訓練データ収集器２０１０は、訓練データソース２０１８からＡＩモデルの訓練に使用するための訓練データを取得するように構成することができる。訓練データソース２０１８は、ＶＲＦ障害コントローラ２０００に訓練データを提供することができる様々なソースを含むことができる。例えば、訓練データソース２０１８は、クラウドデータベース、建物のオンサイトデータベース、ユーザデバイス、建物装置などを含み得る。いくつかの実施形態では、訓練データソース２０１８は、訓練データソース１６１８と類似する、及び／又は同じである。 Memory 2006 is shown to include training data collector 2010 . In some embodiments, training data collector 2010 is similar to and/or the same as training data collector 1610 described with reference to FIG. Training data collector 2010 may be configured to obtain training data for use in training the AI model from training data source 2018 . Training data sources 2018 can include various sources that can provide training data to VRF impairment controller 2000 . For example, training data sources 2018 may include cloud databases, building on-site databases, user devices, building equipment, and the like. In some embodiments, training data source 2018 is similar to and/or the same as training data source 1618 .

訓練データ収集器２０１０によって収集された訓練データは、どのような障害が、ＶＲＦシステムに存在する可能性があるか、及びいくつかの場合においては、当該障害の重大度（例えば、問題が存在しないことを表す０％、及び壊滅的な障害を表す１００％を備える、障害のパーセンテージ値）を予測するようにＡＩモデルを訓練するために関連する任意の情報を含むことができる。例えば、訓練データには、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、室内ファンモード及びＶＲＦモード（例えば、加熱又は冷却）、室外ファンステップなどの値が含まれ得る。訓練データには、値に関連付けられた障害分類も含まれ得る。この場合、障害分類は、値に応じてユーザ（例えば、メンテナンス要員、建物所有者など）によって訓練データに入力され得る。代替的又は追加的に、障害分類は、特定のデバイスが、故障したとき、及び／又はそうでなければ障害状態にあるときを示す装置フィードバックに基づいて、訓練データに自動的に入力され得る。いくつかの実施形態では、障害分類は、いくつかの他の障害分類のソースを介して、訓練データに入力される。 The training data collected by training data collector 2010 indicates what faults may exist in the VRF system and, in some cases, the severity of the fault (e.g., no problem exists). any information relevant to training an AI model to predict failure percentage values, with 0% representing catastrophic failure, and 100% representing catastrophic failure. For example, training data may include values for compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, indoor and VRF modes (eg, heating or cooling), outdoor fan steps, and the like. The training data may also include fault classifications associated with the values. In this case, fault classifications can be entered into the training data by users (eg, maintenance personnel, building owners, etc.) according to the values. Alternatively or additionally, fault classification may be automatically entered into training data based on device feedback indicating when a particular device has failed and/or is otherwise in a fault condition. In some embodiments, the fault classification is input into the training data via some other source of fault classification.

いくつかの実施形態では、訓練データ収集器２０１０は、シミュレーションフレームワークを利用して、１つ以上のＡＩモデルを訓練するために必要な訓練データのいくつか及び／又は全てを生成する。この場合、シミュレーションフレームワークは、ＶＲＦシステムの閉ループ機能モックアップユニット（ＦＭＵ）モデルを使用することによって、ＶＲＦシステムの動作を表すテストケースのシミュレーションを実行することができる。シミュレーションフレームワークは、デバイスが経時的にどのように劣化するか、及びその結果としてどのような障害が生じ得るかをモデル化することができる。シミュレーションフレームワークは、様々な異なる負荷に対して、様々な期間にわたって、異なる装置などで実行することができる。このようにして、ＶＲＦシステム内の障害を識別する方法を学ぶように、ＡＩモデルを訓練する際に使用することができる訓練データの包括的な収集を取得することができる。有利には、シミュレーションフレームワークは、ＡＩモデルが、ＶＲＦシステム内のダイナミクスを正確にモデル化するのに十分な訓練データを有し、その結果、建物デバイスがどのように影響を受けるかを確実にすることができる。シミュレーション訓練データは、訓練データソース２０１８から集められた訓練データの代わりに、又はそれに加えて使用することができる。 In some embodiments, training data collector 2010 utilizes a simulation framework to generate some and/or all of the training data needed to train one or more AI models. In this case, the simulation framework can perform simulations of test cases representing the behavior of the VRF system by using a closed-loop functional mockup unit (FMU) model of the VRF system. A simulation framework can model how a device degrades over time and what failures can result. The simulation framework can run on different devices, etc., for different periods of time, for different loads. In this way, a comprehensive collection of training data can be obtained that can be used in training an AI model to learn how to identify faults in the VRF system. Advantageously, the simulation framework ensures that the AI model has sufficient training data to accurately model the dynamics within the VRF system, and thus how building devices are affected. can do. Simulation training data may be used in place of or in addition to training data gathered from training data source 2018 .

訓練データ収集器２０１０は、収集された訓練データを、訓練データセットとして、モデルジェネレータ２０１２に提供することができる。いくつかの実施形態では、モデルジェネレータ２０１２は、図１６を参照して説明されたモデルジェネレータ１６１２に類似している、及び／又は同じである。モデルジェネレータ２０１２は、訓練データ収集器２０１０から取得される訓練データを利用して、障害コンディションの特性を予測するための１つ以上のＡＩモデルを訓練することができる。具体的には、モデルジェネレータ２０１２は、第１のＡＩモデルを訓練して、ＶＲＦシステムの動作を記述する入力のセットに応じて障害分類を出力し、第２のＡＩモデルを訓練して、ＶＲＦシステム上に有する、第１のＡＩモデルによって識別された障害の重大度（例えば、パーセンテージ値）を出力し得る。いくつかの実施形態では、モデルジェネレータ２０１２は、障害分類、及び障害分類で識別された各障害コンディションの対応する重大度を出力する単一のＡＩモデルを生成する。いくつかの実施形態では、モデルジェネレータ２０１２は、障害分類のみを出力する単一のＡＩモデルを生成する。障害分類を出力するＡＩモデルの例は、図２１を参照して以下により詳細に説明する。 Training data collector 2010 can provide the collected training data to model generator 2012 as a training data set. In some embodiments, model generator 2012 is similar to and/or the same as model generator 1612 described with reference to FIG. Model generator 2012 can utilize training data obtained from training data collector 2010 to train one or more AI models for predicting characteristics of fault conditions. Specifically, model generator 2012 trains a first AI model to output a fault classification in response to a set of inputs describing the behavior of the VRF system, and trains a second AI model to It may output the severity (eg, percentage value) of the faults it has on the system identified by the first AI model. In some embodiments, model generator 2012 generates a single AI model that outputs a fault classification and the corresponding severity of each fault condition identified in the fault classification. In some embodiments, model generator 2012 generates a single AI model that outputs only fault classification. An example AI model that outputs a fault classification is described in more detail below with reference to FIG.

１つ以上のＡＩモデルによって出力される障害分類は、ＶＲＦシステム内の障害を記述することができる。例えば、障害分類は、「冷媒漏れ」、「室内ファン目詰まり」、「室外ユニット霜降り」、「汚れた室内フィルタ」、「汚れた熱交換器」、「汚れた室外ファン」、「モータ消磁」、「コンプレッサオイル漏れ」、「コンプレッサの不完全な効率」などのテキスト文字列を含み得る。別の例として、障害分類は、特定の障害コンディションが存在するかどうかを表すバイナリ変数（例えば、０又は１）を使用して、特定の障害コンディションの存在を示し得る。障害分類は、ＶＲＦシステムを記述する入力に基づいて、１つ以上のＡＩモデルによって予測することができる。具体的には、１つ以上のＡＩモデルは、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、室内ファンモード、室外ファンステップなどの入力変数の値と、障害分類に対応することとの相関関係を学習し得る。特定の例として、ＡＩモデルは、訓練データに基づいて、吸引圧力が、特定の閾値（例えば、２０ポンド毎平方インチ（ＰＳＩ）、３０ＰＳＩなど）を超える場合、ＶＲＦシステム内に冷媒漏れがあり得ることを学習し得る。ＡＩモデルは、どれくらいの冷媒が、ＶＲＦシステムから漏れているかのパーセンテージ値を予測するように更に構成され得る。例では、ＡＩモデルは、コンプレッサ速度、吐出温度などの入力に基づいて、漏れにより冷媒の５０％が失われていることを予測し得る。 Fault classifications output by one or more AI models can describe faults in the VRF system. For example, failure classifications include "refrigerant leak", "indoor fan clogging", "outdoor unit frosting", "dirty indoor filter", "dirty heat exchanger", "dirty outdoor fan", and "motor demagnetization". , “compressor oil leak”, “compressor imperfect efficiency”, and other text strings. As another example, a fault classification may indicate the presence of a particular fault condition using a binary variable (eg, 0 or 1) that represents whether the particular fault condition exists. Fault classification can be predicted by one or more AI models based on inputs describing the VRF system. Specifically, the one or more AI models correspond to values for input variables such as compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, indoor fan mode, outdoor fan step, and fault classification. can learn the correlation of As a specific example, the AI model, based on training data, indicates that if the suction pressure exceeds a certain threshold (e.g., 20 pounds per square inch (PSI), 30 PSI, etc.), there may be a refrigerant leak in the VRF system. can learn. The AI model may be further configured to predict a percentage value of how much refrigerant is leaking from the VRF system. In an example, the AI model may predict that 50% of the refrigerant has been lost to leakage based on inputs such as compressor speed, discharge temperature, and the like.

モデルジェネレータ２０１２によって生成される１つ以上のＡＩモデルは、任意のタイプのＡＩモデルであり得る。例えば、１つ以上のＡＩモデルは、ＲＮＮ（例えば、ＬＳＴＭモデル）、畳み込みニューラルネットワーク、多層パーセプトロン、フィードフォワードニューラルネットワークなどであり得る。特に、１つ以上のＡＩモデルは、ＲＮＮの高速及び信頼性のためにＲＮＮであり得る。より具体的には、ＬＳＴＭは、時系列データのシーケンス全体を処理し、予測を行うＬＳＴＭの能力に起因して、時系列内の重要なイベント間の未知の持続時間のラグがあっても利用され得る。具体的な例の構造として、モデルジェネレータ２０１２によって生成されるＡＩモデルのうちの１つは、１つのシーケンス入力層、１つの双方向ＬＳＴＭ層、１つの全結合層、１つのソフトマックス層、及び１つの分類層を有し得る。このようにして、ＡＩモデルは、障害分類を生成するために使用することができ、時系列又はシーケンスデータの時間ステップ間の双方向の長期依存性を学習することができる。これらの依存性は、ネットワークが、各時間ステップの完全な時系列から学習するのに有用である。 The one or more AI models generated by model generator 2012 can be any type of AI model. For example, one or more AI models can be RNNs (eg, LSTM models), convolutional neural networks, multilayer perceptrons, feedforward neural networks, and the like. In particular, one or more AI models can be RNNs due to their high speed and reliability. More specifically, LSTMs can take advantage of lags of unknown duration between significant events in the time series due to the ability of LSTMs to process entire sequences of time series data and make predictions. can be As a specific example structure, one of the AI models generated by the model generator 2012 includes: 1 sequential input layer, 1 bidirectional LSTM layer, 1 fully connected layer, 1 softmax layer, and It can have one classification layer. In this way, AI models can be used to generate fault classifications and can learn bi-directional long-term dependencies between time steps of time-series or sequence data. These dependencies are useful for the network to learn from the complete time series for each time step.

いくつかの実施形態では、モデルジェネレータ２０１２は、各障害コンディションに対する個々のＡＩモデルを生成する。この場合、各ＡＩモデルは、特定の障害コンディションが、ＶＲＦシステムに存在するかどうかを予測するように訓練することができる。個々のＡＩモデルを生成することは、特定の障害コンディションが存在するかどうかを予測するための向上精度であり得る。特に、個々のＡＩモデルを生成することは、モデルの生成に影響を与える可能性のある複数の障害コンディションに対する重複データを回避することができる。いくつかの実施形態では、モデルジェネレータ２０１２が、障害コンディションに対して個々のＡＩモデルを生成する場合、モデルジェネレータ２０１２は、各個々のモデルを組み合わせて、複数の障害コンディションを考慮する複合ＡＩモデルを生成し得る。 In some embodiments, model generator 2012 generates individual AI models for each fault condition. In this case, each AI model can be trained to predict whether a particular fault condition exists in the VRF system. Generating individual AI models can be of increased accuracy for predicting whether a particular fault condition exists. In particular, generating individual AI models can avoid duplicate data for multiple fault conditions that can affect model generation. In some embodiments, when model generator 2012 generates individual AI models for fault conditions, model generator 2012 combines each individual model to create a composite AI model that considers multiple fault conditions. can be generated.

モデルジェネレータ２０１２は、１つ以上の生成されたＡＩモデルを、予測ジェネレータ２０１４に提供することができる。いくつかの実施形態では、予測ジェネレータ２０１４は、予測ジェネレータ１６１４に類似している、及び／又は同じである。１つ以上のＡＩモデルを使用して、予測ジェネレータ２０１４は、もしあれば、ＶＲＦシステムに影響を与えている障害コンディションの予測、及びいくつかの実施形態では、障害コンディションの重大度を生成することができる。予測を生成するために、予測ジェネレータ２０１４は、１つ以上のＡＩモデルによって必要とされる値入力を取得することができる。具体的には、予測ジェネレータ２０１４は、センサ２０２０から、測定された変数を取得し、装置２０２２から装置フィードバックを取得し得る。センサ２０２０は、ＶＲＦシステムの特定の特性を測定するように構成された１つ以上のセンサを含むことができる。例えば、センサ２０２０は、Ｐ_ｄ、Ｐ_ｓ、Ｔ_ｄ、周囲温度などの値を測定する温度センサ、圧力センサなどを含み得る。装置２０２２は、ＶＲＦシステムの任意の装置を含むことができる。例えば、装置２０２２は、ＯＤＵ、ＩＤＵなどを含み得る。装置フィードバックは、例えば、室内ファンモード、室外ファンステップ、コンプレッサ速度、吐出温度、吸引圧力など、１つ以上のＡＩモデルによって必要とされる入力を含み得る。いくつかの実施形態では、センサ２０２０は、装置２０２２の構成要素であり、及び／又はそうでなければ装置２０２２に関連付けられている。 Model generator 2012 can provide one or more generated AI models to prediction generator 2014 . In some embodiments, prediction generator 2014 is similar to and/or the same as prediction generator 1614 . Using one or more AI models, the prediction generator 2014 generates a prediction of, and in some embodiments, the severity of, fault conditions affecting the VRF system, if any. can be done. To generate predictions, prediction generator 2014 can obtain value inputs required by one or more AI models. Specifically, prediction generator 2014 may obtain measured variables from sensors 2020 and device feedback from devices 2022 . Sensors 2020 may include one or more sensors configured to measure certain characteristics of the VRF system. For example, sensors 2020 may include temperature sensors, pressure sensors, etc. that measure values such as P _d , P _s , T _d , ambient temperature. Device 2022 may include any device in the VRF system. For example, device 2022 may include ODUs, IDUs, and the like. Device feedback may include inputs required by one or more AI models such as, for example, indoor fan mode, outdoor fan step, compressor speed, discharge temperature, suction pressure, and the like. In some embodiments, sensor 2020 is a component of and/or otherwise associated with device 2022 .

予測ジェネレータ２０１４は、１つ以上のＡＩモデルに、入力の受信された値を渡して、ＶＲＦシステムの障害特性に関連付けられた予測を生成することができる。予測ジェネレータ２０１４は、是正措置ジェネレータ２０１６に当該予測を提供することができる。是正措置ジェネレータ２０１６は、予測に含まれる障害分類、及び障害コンディションの重大度によって示される障害コンディションに応じて様々な異なる是正措置を開始するように構成することができる。是正措置ジェネレータ２０１６によって開始される是正措置は、予測で識別された障害コンディションのうちの１つ以上を解決するための任意の適切な措置を含むことができる。例えば、是正措置は、ユーザデバイス２０２４に通知を提供すること、制御信号を生成し、装置２０２２に提供すること、装置２０２２のいくつかのＶＲＦデバイスを一時的に無効にすること、装置２０２２のメンテナンスをスケジュールすることなどによって、障害コンディションについてユーザに通知することを含み得る。 Prediction generator 2014 can pass received values of inputs to one or more AI models to generate predictions associated with fault characteristics of the VRF system. Prediction generator 2014 can provide such predictions to corrective action generator 2016 . Corrective action generator 2016 may be configured to initiate a variety of different corrective actions depending on the fault condition indicated by the fault classification included in the prediction and the severity of the fault condition. Corrective actions initiated by corrective action generator 2016 may include any suitable action to resolve one or more of the fault conditions identified in the prediction. For example, the corrective action may be providing a notification to the user device 2024, generating and providing a control signal to the device 2022, temporarily disabling some VRF devices of the device 2022, maintenance of the device 2022 may include notifying the user of the fault condition, such as by scheduling a

いくつかの実施形態では、是正措置ジェネレータ２０１６によって開始される是正措置は、予測に含まれる障害分類、及び各障害の重大度に基づいている。いくつかの障害コンディションは、より高いコスト（例えば、＄）に関連付けられる是正措置を必要とする場合があり、他の是正措置と比較して、メンテナンス技術者などのより多くの時間を必要とする場合がある。例えば、特定の建物デバイス（例えば、ＩＤＵ）のメンテナンスをスケジュールすることは、ユーザデバイス２０２４に通知を提供することと比較して、より高い関連付けられたコストを有し得る。したがって、是正措置ジェネレータ２０１６は、特定の障害コンディションが、ＶＲＦシステムに及ぼし得る影響を判定し、判定された影響に応じて是正措置を開始し得る。例えば、予測ジェネレータ２０１４から受信された予測に含まれる障害分類が、室内ファンフィルタが５０％目詰まりしていることを示す場合、是正措置ジェネレータ２０１６は、ＶＲＦシステムへの影響が低いと判定し得、目詰まりに関してユーザデバイス２０２４を介してユーザに通知するための是正措置を開始し得る。しかしながら、障害分類が、ＶＲＦシステムのコンプレッサが９０％非効率であることを示す場合、是正措置ジェネレータ２０１６は、コンプレッサの非効率性が運用コストに高い影響を与えると判定し、それによって、コンプレッサのメンテナンス及び／又は交換を実行するための是正措置を開始し得る。 In some embodiments, the corrective actions initiated by corrective action generator 2016 are based on the fault classifications included in the prediction and the severity of each fault. Some fault conditions may require corrective action that is associated with a higher cost (e.g., $) and require more time, such as a maintenance technician, compared to other corrective actions Sometimes. For example, scheduling maintenance for a particular building device (eg, IDU) may have higher associated costs compared to providing notifications to user devices 2024 . Accordingly, the corrective action generator 2016 may determine the impact that a particular fault condition may have on the VRF system and initiate corrective action in response to the determined impact. For example, if the fault classification included in the prediction received from prediction generator 2014 indicates that the indoor fan filter is 50% clogged, corrective action generator 2016 may determine that the VRF system impact is low. , may initiate corrective action to notify the user via user device 2024 about the clog. However, if the fault classification indicates that the VRF system's compressor is 90% inefficient, corrective action generator 2016 determines that compressor inefficiency has a high impact on operating costs, thereby reducing compressor Corrective action may be initiated to perform maintenance and/or replacement.

どのような是正措置を開始するかを判定するために、是正措置ジェネレータ２０１６は、対応する重大度を備える障害コンディションと、特定の是正措置との間のマッピングを利用し得る。特に、重大度が、０％が、ＶＲＦシステムへの影響がないことを示し、１００％が、ＶＲＦシステムへの深刻な影響を示す、パーセンテージとして与えられた場合、是正措置ジェネレータ２０１６は、重大度の境界に基づいて特定の是正措置を開始し得る。いくつかの実施形態では、単一の障害コンディションに対して複数の是正措置が開始される。どのような是正措置を開始するかを判定するために利用することができる決定木の例を以下の表１に提供する。

To determine what corrective action to initiate, corrective action generator 2016 may utilize a mapping between fault conditions with corresponding severities and specific corrective actions. In particular, if the severity is given as a percentage, with 0% indicating no impact on the VRF system and 100% indicating severe impact on the VRF system, the corrective action generator 2016 Specific corrective actions can be initiated based on the boundaries of In some embodiments, multiple corrective actions are initiated for a single fault condition. An example of a decision tree that can be utilized to determine what corrective action to initiate is provided in Table 1 below.

是正措置が開始された場合、存在すると予測される障害コンディションに対処することができる。１つ以上のＡＩモデルを利用して、特定の障害コンディション及び対応する重大度を示す障害分類を予測することによって、１つ以上のＡＩモデルによって予測された特定の障害に対処するために適切な是正措置を開始することができる。有利には、特定の障害に対処するために開始された是正措置は、障害の推定された重大度に応じ得る。このようにして、ＶＲＦシステムに低い影響を与える障害に対して、高価かつ／又は時間のかかる是正措置を回避することができる。 Fault conditions that are predicted to exist can be addressed when corrective action is initiated. By utilizing one or more AI models to predict a particular fault condition and a corresponding severity class of faults, suitable for addressing the specific faults predicted by the one or more AI models. Corrective action can be initiated. Advantageously, corrective actions initiated to address a particular fault may be responsive to the estimated severity of the fault. In this way, expensive and/or time-consuming corrective actions can be avoided for faults that have a low impact on the VRF system.

ここで図２１を参照すると、いくつかの実施形態による、ＶＲＦシステムの障害分類を予測するためのニューラルネットワーク（ＮＮ）２１００の例示が示される。ＮＮ２１００は、図２０を参照して説明されたモデルジェネレータ２０１２によって生成することができるＡＩモデルの例示的な構造を例示することができる。具体的には、ＮＮ２１００は、障害分類予測のためのＲＮＮ構造を表すことができる。 Referring now to FIG. 21, an illustration of a neural network (NN) 2100 for predicting fault classification of VRF systems is shown, according to some embodiments. NN 2100 can illustrate an exemplary structure of an AI model that can be generated by model generator 2012 described with reference to FIG. Specifically, NN 2100 can represent the RNN structure for fault classification prediction.

ＮＮ２１００は、入力のセットに対応する、入力層内の入力ノードを含むように示される。ＮＮ１７００は、コンプレッサ速度、周囲温度、吐出温度、吸引圧力、吐出圧力、室内ファンモード、及び室外ファンステップの入力ノードを含むことが示されている。理解されるべきであるように、ＮＮ２１００に示される入力は、単に例のために提供される。ＮＮ２１００への入力は、どのような測定値がＶＲＦシステムから集められ得るか、どのような測定値が障害分類を生成することに関連するかなどに基づいて変更することができる。 NN 2100 is shown to include input nodes in the input layer corresponding to a set of inputs. NN 1700 is shown to include input nodes for compressor speed, ambient temperature, discharge temperature, suction pressure, discharge pressure, indoor fan mode, and outdoor fan step. As should be understood, the inputs shown in NN 2100 are provided for example only. The inputs to the NN 2100 can vary based on what measurements can be collected from the VRF system, what measurements are relevant to generating the fault classification, and so on.

ＮＮ２１００の出力は、ＶＲＦシステム内に存在し得る特定の障害を識別する障害分類を含むことができる。例えば、ＮＮ２１００は、冷媒漏れ、室内ファンの目詰まり、室外ユニットの霜降り、汚れた室内フィルタ、汚れた熱交換器、汚れた室外ファン、モータ消磁、コンプレッサオイル漏れ、コンプレッサの不完全な効率などの障害コンディションを識別し得る。入力と同様に、ＮＮ２１００によって出力することができる障害分類を変更することができる。ＮＮ２１００によって出力することができる障害分類は、ユーザ好み、システム内のデバイス、どのような入力がＮＮ２１００に利用可能であるかなどに応じて調整することができる。具体的には、障害分類は、障害コンディションの特定のセットがＶＲＦシステム内に存在するかどうかのみを示すように調整することができる。 The output of NN 2100 may include fault classifications that identify specific faults that may exist within the VRF system. For example, the NN2100 can detect refrigerant leaks, clogged indoor fans, frosted outdoor units, dirty indoor filters, dirty heat exchangers, dirty outdoor fans, motor degaussing, compressor oil leaks, imperfect compressor efficiency, etc. A fault condition can be identified. Similar to the inputs, the fault classifications that can be output by NN 2100 can be changed. The fault classifications that can be output by NN 2100 can be tailored depending on user preferences, devices in the system, what inputs are available to NN 2100, and so on. Specifically, the fault classification can be adjusted to indicate only whether a particular set of fault conditions exist within the VRF system.

ここで図２２を参照すると、いくつかの実施形態による、ＡＩモデルを使用して、ＶＲＦシステムの障害分類を予測するためのプロセス２２００のフロー図が示される。いくつかの実施形態では、プロセス２２００のいくつか及び／又は全てのステップは、ＶＲＦ障害コントローラ２０００によって実行される。 Referring now to FIG. 22, a flow diagram of a process 2200 for predicting VRF system fault classification using AI models is shown, according to some embodiments. In some embodiments, some and/or all steps of process 2200 are performed by VRF fault controller 2000 .

プロセス２２００は、ＶＲＦシステムの動作コンディション及びＶＲＦシステムの障害コンディションに関連付けられた訓練データを取得することを含むことが示される（ステップ２２０２）。訓練データは、例えば、クラウドデータベースなどの様々なソースから、ユーザ、装置フィードバックなどから直接取得することができる。訓練データに含まれる動作コンディションは、例えば、Ｔ_ｄ、Ｐ_ｄ、Ｐ_ｓ、周囲温度、コンプレッサ速度、室外ファンステップ（すなわち、室外ファン速度）、室内ファン速度、及びＶＲＦモード（例えば、加熱又は冷却）などの変数の値を含み得る。訓練データに含まれる障害コンディションは、ＶＲＦシステムによって経験され得る任意の種類の障害コンディションを含み得る。例えば、障害コンディションは、冷媒漏れ、室内ファンの目詰まり、室外ユニットの霜降り、汚れた室内フィルタ、汚れた熱交換器、汚れた室外ファン、モータ消磁、コンプレッサオイル漏れ、コンプレッサの不完全な効率などを含み得る。いくつかの実施形態では、訓練データに含まれる各障害コンディションはまた、推定された重大度（例えば、パーセンテージ値、１～１０スケールの値など）を含む。推定された重大度は、訓練データなどによって示される、変化する動作コスト基づいて、ユーザによって自動的に手動で推定され得る。いくつかの実施形態では、訓練データは、動作コンディションの変化と、特定の障害コンディションとの間の関係が、識別することができるように、時系列データである。いくつかの実施形態では、ステップ２２０２は、訓練データ収集器２０１０によって実行される。 Process 2200 is shown including obtaining training data associated with VRF system operating conditions and VRF system failure conditions (step 2202). Training data can be obtained directly from users, device feedback, etc., from various sources such as, for example, cloud databases. Operating conditions included in the training data include, for example, T _d , P _d , P _s , ambient temperature, compressor speed, outdoor fan step (i.e., outdoor fan speed), indoor fan speed, and VRF mode (e.g., heating or cooling ) may contain the values of variables such as Impairment conditions included in the training data can include any type of impairment condition that can be experienced by the VRF system. For example, fault conditions include refrigerant leaks, clogged indoor fans, frosted outdoor units, dirty indoor filters, dirty heat exchangers, dirty outdoor fans, motor degaussing, compressor oil leaks, imperfect compressor efficiency, etc. can include In some embodiments, each impairment condition included in the training data also includes an estimated severity (eg, percentage value, value on a 1-10 scale, etc.). The estimated severity may be automatically manually estimated by the user based on varying cost of operation as indicated by training data or the like. In some embodiments, the training data is time series data so that relationships between changes in operating conditions and specific impairment conditions can be identified. In some embodiments, step 2202 is performed by training data collector 2010 .

プロセス２２００は、訓練データに基づいて、ＶＲＦシステムの障害分類を予測するための訓練ＡＩモデルを含むことが示されている（ステップ２２０４）。ステップ２２０４で訓練されたＡＩモデルは、ＲＮＮなどの任意のタイプのＡＩモデルであり得る。ＡＩモデルによって予測される障害分類は、ＶＲＦシステム内に１つ以上の障害コンディションが存在するかどうか、及び任意の既存の障害の対応する重大度を示すことができる。いくつかの実施形態では、第１のＡＩモデルが、入力データに基づいて、もしあれば、どのような障害コンディションが存在するかを示す障害分類が存在するかを予測し、第２のＡＩモデルが、存在する障害コンディションの重大度を予測するように、２つのＡＩモデルがステップ２２０４で訓練される。ステップ２２０４で生成することができるＡＩモデルの例は、図２１を参照して上記で説明される。いくつかの実施形態では、ステップ２２０４は、モデルジェネレータ２０１２によって実行される。 Process 2200 is shown including training AI models for predicting fault classification of VRF systems based on training data (step 2204). The AI model trained in step 2204 can be any type of AI model such as a RNN. The fault classification predicted by the AI model can indicate whether one or more fault conditions exist within the VRF system and the corresponding severity of any existing faults. In some embodiments, a first AI model predicts, based on input data, whether a fault classification exists indicating what, if any, fault conditions exist; Two AI models are trained in step 2204 to predict the severity of existing fault conditions. Examples of AI models that can be generated at step 2204 are described above with reference to FIG. In some embodiments, step 2204 is performed by model generator 2012 .

プロセス２２００は、ＶＲＦシステムの動作に関連付けられたデータを取得することを含むことが示される（ステップ２２０６）。ステップ２２０６で取得されたデータは、ステップ２２０４で生成された１つ以上のＡＩモデルによって必要とされる入力の値を含むことができる。例えば、データには、Ｔ_ｄ、Ｐ_ｄ、Ｐ_ｓ、周囲温度、コンプレッサ速度、室外ファンステップ、室内ファン速度、及びＶＲＦモードの値が含まれ得る。データは、センサ、装置フィードバックなどの様々なソース、ユーザなどから取得することができる。いくつかの実施形態では、ステップ２２０６は、予測ジェネレータ２０１４によって実行される。 Process 2200 is shown including obtaining data associated with operation of the VRF system (step 2206). The data obtained at step 2206 may include values for inputs required by one or more AI models generated at step 2204 . For example, data may include values for T _d , P _d , P _s , ambient temperature, compressor speed, outdoor fan step, indoor fan speed, and VRF mode. Data can be obtained from various sources such as sensors, device feedback, users, and the like. In some embodiments, step 2206 is performed by prediction generator 2014 .

プロセス２２００は、取得されたデータに基づいて、ＶＲＦシステムの障害分類を予測するためにＡＩモデルを使用することを含むことが示されている（ステップ２２０８）。障害分類は、もしあれば、どのような障害コンディションが、ＶＲＦシステム内に存在すると識別されるかを示すことができる。障害分類は、例えば、既存の障害コンディションのテキスト文字列を含むことによって、特定の障害コンディションの存在又は非存在を示すバイナリ変数の配列を含むことによってなど、任意の適切な方法を通じて、既存の障害コンディションを示し得る。いくつかの実施形態では、ステップ２２０８はまた、ＡＩモデル（又は第２のＡＩモデル）を使用して、取得されたデータに基づいて、各既存の障害コンディションの重大度を予測することを含む。いくつかの実施形態では、ステップ２２０８は、予測ジェネレータ２０１４によって実行される。 Process 2200 is shown including using an AI model to predict the fault classification of the VRF system based on the obtained data (step 2208). The fault classification may indicate what, if any, fault conditions are identified as existing in the VRF system. A fault classification may be defined in any suitable manner, such as by including a text string of an existing fault condition, by including an array of binary variables that indicate the presence or absence of a particular fault condition, etc. It can show condition. In some embodiments, step 2208 also includes using the AI model (or a second AI model) to predict the severity of each existing fault condition based on the obtained data. In some embodiments, step 2208 is performed by prediction generator 2014 .

プロセス２２００は、ＡＩモデルによって出力された障害分類に基づいて、是正措置を判定することを含むことが示される（ステップ２２１０）。いくつかの実施形態では、是正措置は、もしあれば、どのような障害コンディションが、障害分類によって識別されるかに基づいて判定される。いくつかの実施形態では、是正措置は、障害分類によって識別される各障害コンディションの示された重大度に基づいて更に判定される。是正措置は、障害分類によって示された障害コンディションに対処する任意の措置を含むことができる。例えば、是正措置は、識別された障害コンディション及び対応する重大度に関してユーザに通知すること、ＶＲＦ装置のメンテナンス／交換をスケジュールすること、ＶＲＦ装置に制御信号を生成及び伝送すること、障害コンディション及び対応する重大度をデータベースに記録することなどを含み得る。いくつかの実施形態では、ステップ２２１０で、複数の是正措置が判定される。いくつかの実施形態では、ステップ２２１０は、是正措置ジェネレータ２０１６によって実行される。 Process 2200 is shown including determining corrective action based on the fault classification output by the AI model (step 2210). In some embodiments, corrective action is determined based on what fault conditions, if any, are identified by the fault classification. In some embodiments, corrective action is further determined based on the indicated severity of each fault condition identified by the fault classification. A corrective action can include any action that addresses the fault condition indicated by the fault category. For example, corrective actions may include notifying users about identified fault conditions and corresponding severities, scheduling maintenance/replacement of VRF devices, generating and transmitting control signals to VRF devices, fault conditions and responding to them. recording the severity of the incident in a database, etc. In some embodiments, at step 2210, multiple corrective actions are determined. In some embodiments, step 2210 is performed by corrective action generator 2016 .

プロセス２２００は、是正措置を開始することを含むことが示される（ステップ２２１２）。ステップ２２１２は、是正措置が正常に実行されることを確実にするために必要な任意のステップ／プロセスを実行することを含むことができる。例えば、是正措置が、ユーザに通知することである場合、ステップ２４１２は、通知を生成することと、通信インターフェースを使用して、通知を通信することと、を含み得る。別の例として、是正措置が、ＶＲＦデバイスを無効にすることである場合、ステップ２４１２は、ＶＲＦデバイスをオフにする制御信号を生成することと、制御信号をＶＲＦデバイスに提供することと、を含み得る。いくつかの実施形態では、ステップ２２１２は、是正措置ジェネレータ２０１６によって実行される。 Process 2200 is shown including initiating remedial action (step 2212). Step 2212 may include performing any steps/processes necessary to ensure that the corrective action is successfully implemented. For example, if the corrective action is to notify the user, step 2412 may include generating a notification and communicating the notification using the communication interface. As another example, if the corrective action is to disable the VRF device, step 2412 includes generating a control signal to turn off the VRF device and providing the control signal to the VRF device. can contain. In some embodiments, step 2212 is performed by corrective action generator 2016 .

モータ効率予測
概して図２３～図２４を参照すると、いくつかの実施形態による、ＡＩモデルを使用して、ＶＲＦシステム内のモータの効率を予測するためのシステム及び方法が示され、説明される。いくつかの実施形態では、以下に記載されるシステム及び方法は、図８～図２２を通じて上述されたシステム及び方法のいずれか及び／又は全てと統合することができる。 Motor Efficiency Prediction Referring generally to FIGS. 23-24, systems and methods for predicting efficiency of motors in VRF systems using AI models are shown and described, according to some embodiments. In some embodiments, the systems and methods described below can be integrated with any and/or all of the systems and methods described above through FIGS.

コンプレッサのためのモータの効率は、モータの入力電力及び出力電力に基づいて、定義することができる。具体的には、モータ効率η_{ｍｏｔｏｒ}は、以下の式で与えられることができる。

式中、φ_{ｏｕｔ，ｍｏｔｏｒ}は、モータの出力電力であり、φ_{ｉｎ，ｍｏｔｏｒ}は、モータの入力電力である。いくつかの実施形態では、モータは、インバータから、受信された信号に基づいて電力供給される。インバータη_{ｉｎｖｅｒｔｅｒ}の効率も判定されることができ、以下の式に基づいて定義することができる。

式中、φ_{ｏｕｔ，ｉｎｖｅｒｔｅｒ}は、インバータの出力電力であり、φ_{ｉｎ，ｉｎｖｅｒｔｅｒ}は、インバータの入力電力である。この場合、インバータの出力電力は、モータの入力電力（すなわち、φ_{ｏｕｔ，ｉｎｖｅｒｔｅｒ}＝φ_{ｉｎ，ｍｏｔｏｒ}）と同じ（又はほぼ同じ）である必要がある。 The efficiency of a motor for a compressor can be defined based on the input power and output power of the motor. Specifically, the motor efficiency η _motor can be given by the following equation.

where φ _out,motor is the output power of the motor and φ _in,motor is the input power of the motor. In some embodiments, the motor is powered based on the signal received from the inverter. The efficiency of the inverter η _inverter can also be determined and can be defined based on the following equation.

where φ _out,inverter is the output power of the inverter and φ _in,inverter is the input power of the inverter. In this case, the output power of the inverter should be the same (or nearly the same) as the input power of the motor (ie, φ _out,inverter =φ _in,motor ).

モータ効率の変化は、効率低下につながる障害及び推論理由を検出するための重要な指標であり得る。モータ効率の検出は、システム（例えば、ＶＲＦシステム）が、異常な情報を早期に（例えば、壊滅的な障害の前に）識別することを可能にすることができる。検出されたモータ効率の変化に基づいて、モータの動作をそれに応じて調整することができる。具体的には、検出されたモータ効率の変化は、モータ駆動へのオフセット補償及び／又は機械の完全な停止をもたらし得る。したがって、モータ効率の予測は、全体的なハードウェアコスト（例えば、動作コスト、メンテナンスコストなど）を削減することができ、モータ駆動の信頼性を向上させることができる。 A change in motor efficiency can be an important indicator for detecting faults and inferred reasons that lead to a decrease in efficiency. Motor efficiency detection can allow a system (eg, a VRF system) to identify abnormal information early (eg, before a catastrophic failure). Based on the detected change in motor efficiency, the operation of the motor can be adjusted accordingly. Specifically, detected changes in motor efficiency may result in offset compensation to the motor drive and/or complete machine shutdown. Therefore, prediction of motor efficiency can reduce overall hardware costs (eg, operating costs, maintenance costs, etc.) and can improve motor drive reliability.

以下でより詳細に説明されるように、ＡＩモデルを利用して、モータ効率を予測することができ、任意選択で、インバータの効率を利用して、モータ駆動システムの異常な状態を検出することができる。効率を予測するために使用されるＡＩモデルは、任意のタイプのＡＩモデルであることができる。特に、効率予測のためのＡＩモデルは、効率を記述するデータの事例依存的な性質のために、線形ＲＮＮモデルであり得る。線形ＲＮＮモデルが使用される場合、予測された効率は、モータの瞬間効率であり得る。 As described in more detail below, the AI model can be used to predict motor efficiency, and optionally inverter efficiency can be used to detect abnormal conditions in the motor drive system. can be done. The AI model used to predict efficiency can be any type of AI model. In particular, the AI model for efficiency prediction can be a linear RNN model due to the case-dependent nature of the data describing efficiency. If a linear RNN model is used, the predicted efficiency can be the instantaneous efficiency of the motor.

予測されたモータ効率は、モータが故障する可能性を示し得る。モータがより非効率になると、モータが故障する確率が増加し得る。このようにして、予測されたモータ効率は、モータが故障することが予測されるときを予測するために使用することができる。いくつかの実施形態では、閾値効率値を使用して、モータの障害を定義することができる。例えば、モータは、予測された効率が、５０％、３０％、２０％などを下回っている場合、故障したと見なされ得る。このようにして、モータ効率の変化の傾向を識別し、将来を予測して、モータ効率が、閾値効率を下回ると予測され、モータが、故障したと見なされる時間を予測することができる。インバータ効率とインバータ障害についても同様の予測を行うことができる。 Predicted motor efficiency may indicate the likelihood of motor failure. As the motor becomes less efficient, the probability of motor failure may increase. In this way, predicted motor efficiency can be used to predict when the motor is predicted to fail. In some embodiments, a threshold efficiency value may be used to define motor failure. For example, a motor may be considered failed if its predicted efficiency is below 50%, 30%, 20%, and so on. In this manner, trends in motor efficiency change can be identified and projected into the future to predict when the motor efficiency is expected to fall below a threshold efficiency and the motor will be considered failed. Similar predictions can be made for inverter efficiency and inverter failure.

モータの予測された効率（及び／又はモータが故障すると予測された時間）に基づいて、効率に対処するために、もしあれば、どのような是正措置を開始すべきかについて判定を行うことができる。例えば、モータが、完全な効率（すなわち、１００％の効率）で動作していると予測される場合、判定された是正措置は、予測された効率を記録することであり得る。別の例として、モータが、５０％の効率で動作していると予測される場合、モータの効率を高めるために、モータに対するメンテナンスをスケジュールする是正措置がスケジュールされ得る。 Based on the predicted efficiency of the motor (and/or the predicted time the motor will fail), a determination can be made as to what corrective action, if any, should be initiated to address the efficiency. . For example, if the motor is predicted to operate at full efficiency (ie, 100% efficiency), the determined corrective action may be to record the predicted efficiency. As another example, if a motor is predicted to be operating at 50% efficiency, corrective action to schedule maintenance to the motor may be scheduled to increase the efficiency of the motor.

ここで図２３を参照すると、いくつかの実施形態による、モータ効率コントローラ２３００のブロック図が示される。モータ効率コントローラ２３００は、建物システムで使用されるモータの効率を予測するように構成することができる。具体的には、モータ効率コントローラ２３００は、ＶＲＦシステム内のコンプレッサのモータの効率を予測するように構成することができる。しかしながら、モータ効率の予測は、他のシステム（例えば、他のＨＶＡＣシステム）内のモータに同様に適用することができる。いくつかの実施形態では、モータ効率コントローラ２３００の機能性は、本明細書に記載の１つ以上のコントローラ（例えば、オイル管理コントローラ８００、コンプレッサ振動コントローラ１３１０、及び／又はＶＲＦ障害コントローラ２０００）と組み合わせられる。 Referring now to FIG. 23, a block diagram of a motor efficiency controller 2300 is shown, according to some embodiments. Motor efficiency controller 2300 may be configured to predict the efficiency of motors used in building systems. Specifically, motor efficiency controller 2300 may be configured to predict the efficiency of a compressor motor in a VRF system. However, motor efficiency predictions are equally applicable to motors in other systems (eg, other HVAC systems). In some embodiments, the functionality of motor efficiency controller 2300 is combined with one or more controllers described herein (eg, oil management controller 800, compressor vibration controller 1310, and/or VRF fault controller 2000). be done.

モータ効率コントローラ２３００は、通信インターフェース２３０８及び処理回路２３０２を含むことが示されている。通信インターフェース２３０８は、様々なシステム、デバイス、又はネットワークとデータ通信を行うための、有線又は無線インターフェース（例えば、ジャック、アンテナ、伝送機、受信機、トランシーバ、有線端末など）を含み得る。例えば、通信インターフェース２３０８は、イーサネットベースの通信ネットワークを介してデータを送信及び受信するためのイーサネットカード及びポート、及び／又は無線通信ネットワークを介して通信するためのＷｉ－Ｆｉトランシーバを含み得る。通信インターフェース２３０８は、ローカルエリアネットワーク又はワイドエリアネットワーク（例えば、インターネット、建物ＷＡＮなど）を介して通信するように構成され得、様々な通信プロトコル（例えば、ＢＡＣｎｅｔ、ＩＰ、ＬＯＮなど）を使用し得る。 Motor efficiency controller 2300 is shown to include communication interface 2308 and processing circuitry 2302 . Communication interface 2308 may include wired or wireless interfaces (eg, jacks, antennas, transmitters, receivers, transceivers, wired terminals, etc.) for communicating data with various systems, devices, or networks. For example, communication interface 2308 may include Ethernet cards and ports for transmitting and receiving data over Ethernet-based communication networks, and/or Wi-Fi transceivers for communicating over wireless communication networks. Communication interface 2308 may be configured to communicate over a local area network or wide area network (eg, Internet, building WAN, etc.) and may use various communication protocols (eg, BACnet, IP, LON, etc.). .

通信インターフェース２３０８は、モータ効率コントローラ２３００と、様々な外部システム又はデバイス（例えば、訓練データソース２３１８、センサ２３２０、モータ２３２２、ユーザデバイス２３２４など）との間の電子データ通信を容易にするように構成されたネットワークインターフェースであり得る。例えば、モータ効率コントローラ２３００は、通信インターフェース２３０８を介して、ユーザデバイス２３２４に、モータ効率予測を記述する通知を提供し得る。 Communication interface 2308 is configured to facilitate electronic data communication between motor efficiency controller 2300 and various external systems or devices (eg, training data sources 2318, sensors 2320, motors 2322, user devices 2324, etc.). network interface. For example, motor efficiency controller 2300 may provide notifications describing motor efficiency predictions to user devices 2324 via communication interface 2308 .

処理回路２３０２は、プロセッサ２３０４及びメモリ２３０６を含むことが示されている。プロセッサ２３０４は、汎用若しくは特定目的プロセッサ、特定用途向け統合回路（ＡＳＩＣ）、１つ以上のフィールドプログラマブルゲートアレイ（ＦＰＧＡ）、処理構成要素のグループ、又は他の好適な処理構成要素であり得る。プロセッサ２３０４は、メモリ２３０６に記憶された、又は他のコンピュータ可読媒体（例えば、ＣＤＲＯＭ、ネットワーク記憶装置、リモートサーバなど）から受信された、コンピュータコード又は命令を実行するように構成され得る。 Processing circuitry 2302 is shown to include processor 2304 and memory 2306 . Processor 2304 may be a general-purpose or special-purpose processor, an application-specific integrated circuit (ASIC), one or more field-programmable gate arrays (FPGAs), a group of processing components, or any other suitable processing component. Processor 2304 may be configured to execute computer code or instructions stored in memory 2306 or received from other computer-readable media (eg, CD ROM, network storage device, remote server, etc.).

メモリ２３０６は、本開示に記載の様々なプロセスを完了及び／又は容易にするための、データ及び／又はコンピュータコードを記憶するための１つ以上のデバイス（例えば、メモリユニット、メモリデバイス、記憶デバイスなど）を含み得る。メモリ２３０６は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、ハードドライブ記憶装置、一時記憶装置、不揮発性メモリ、フラッシュメモリ、光メモリ、又はソフトウェアオブジェクト及び／若しくはコンピュータ命令を記憶するための任意の他の好適なメモリを含み得る。メモリ２３０６は、データベース構成要素、オブジェクトコード構成要素、スクリプト構成要素、又は本開示に記載される様々な活動及び情報構造をサポートするための任意の他のタイプの情報構造を含み得る。メモリ２３０６は、処理回路２３０２を介して、プロセッサ２３０４に通信可能に接続され得、本明細書に記載の１つ以上のプロセスを（例えば、プロセッサ２３０４によって）実行するためのコンピュータコードを含み得る。いくつかの実施形態では、メモリ２３０６の１つ以上の構成要素は、単一の構成要素の一部である。しかしながら、メモリ２３０６の各構成要素は、説明を容易にするために、独立して示される。 Memory 2306 may be one or more devices (e.g., memory units, memory devices, storage devices) for storing data and/or computer code for completing and/or facilitating various processes described in this disclosure. etc.). Memory 2306 may be random access memory (RAM), read only memory (ROM), hard drive storage, temporary storage, non-volatile memory, flash memory, optical memory, or any suitable memory for storing software objects and/or computer instructions. may include other suitable memory. Memory 2306 may include database components, object code components, script components, or any other type of information structure to support the various activities and information structures described in this disclosure. Memory 2306 may be communicatively coupled to processor 2304 via processing circuitry 2302 and may contain computer code for executing (eg, by processor 2304) one or more processes described herein. In some embodiments, one or more components of memory 2306 are part of a single component. However, each component of memory 2306 is shown separately for ease of explanation.

メモリ２３０６は、訓練データ収集器２３１０を含むように示される。いくつかの実施形態では、訓練データ収集器２３１０は、図１６を参照して説明された訓練データ収集器１６１０、及び／又は図２０を参照して説明された訓練データ収集器２０１０に類似する、及び／又は同じである。訓練データ収集器２３１０は、訓練データソース２３１８からモータ効率を予測することに関連付けられた訓練データを取得することができる。訓練データソース２３１８は、クラウドデータベース、ローカルストレージ、ユーザ入力、モバイルデバイス、装置フィードバックなど、訓練データの任意の適切なソースを含むことができる。訓練データは、様々なコンディション下でのモータ２３２２の動作を記述する訓練データを含むことができる。例えば、訓練データは、モータ２３２２の回転速度、インバータ２３２８によってモータ２３２２に供給される電力、必要な加熱／冷却負荷などの値を含み得る。同様に、訓練データは、モータの推定された効率値を含むことができる。効率値は、モータ２３２２に関連付けられたコストに対する検出された変化（例えば、より高いコストが、より低い効率を示す動作コストの変化）に基づいて、自動的に、及び／又はいくつかの他のプロセスを介して推定され得る。 Memory 2306 is shown to include training data collector 2310 . In some embodiments, training data collector 2310 is similar to training data collector 1610 described with reference to FIG. 16 and/or training data collector 2010 described with reference to FIG. and/or the same. A training data collector 2310 can obtain training data associated with predicting motor efficiency from a training data source 2318 . Training data sources 2318 can include any suitable source of training data, such as cloud databases, local storage, user input, mobile devices, equipment feedback, and the like. Training data may include training data that describes the operation of motor 2322 under various conditions. For example, training data may include values such as the rotational speed of motor 2322, power supplied to motor 2322 by inverter 2328, required heating/cooling loads, and the like. Similarly, training data may include estimated efficiency values for motors. The efficiency value may be automatically and/or based on a detected change to the cost associated with the motor 2322 (eg, a change in operating cost where higher cost indicates lower efficiency) and/or some other can be estimated through the process.

いくつかの実施形態では、訓練データ収集器２３１０は、シミュレーションフレームワークを利用して、訓練データのいくつか及び／又は全てを生成する。シミュレーションフレームワークは、モータ２３２２が、様々な動作コンディション（例えば、温度、加熱／冷却負荷など）に基づいて、どのように動作するかをモデル化し得る。同様に、シミュレーションフレームワークは、動作の結果として、モータ２３２２の効率が経時的にどのように低下するかをモデル化することができる。このようにして、モータ２３２２の動作及び劣化を表す訓練データを生成し、ＡＩモデルを訓練するために利用することができる。 In some embodiments, training data collector 2310 utilizes a simulation framework to generate some and/or all of the training data. The simulation framework may model how motor 2322 operates based on various operating conditions (eg, temperature, heating/cooling loads, etc.). Similarly, the simulation framework can model how the efficiency of motor 2322 degrades over time as a result of operation. In this way, training data representing the operation and deterioration of the motor 2322 can be generated and utilized to train the AI model.

訓練データ収集器２３１０は、収集された訓練データを、訓練データセットとして、モデルジェネレータ２３１２に提供することができる。いくつかの実施形態では、モデルジェネレータ２３１２は、モデルジェネレータ１６１２及び／又はモデルジェネレータ２０１２に類似する、及び／又は同じである。訓練データを使用して、モデルジェネレータ２３１２は、ＶＲＦシステム（例えば、ＶＲＦシステム６００、ＶＲＦシステム１９００など）内のモータの効率値を予測するために使用することができるＡＩモデル（例えば、線形ＲＮＮ）を生成することができる。特に、ＡＩモデルは、モータ２３２２が動作している最大効率のパーセンテージを表すパーセンテージを出力し得る。この場合、最大効率は、モータ２３２２への入力電力が、モータ２３２２の出力電力に等しい（すなわち、φ_{ｏｕｔ，ｉｎｖｅｒｔｅｒ}＝φ_{ｉｎ，ｉｎｖｅｒｔｅｒ}）状況によって表されることができる。いくつかの実施形態では、モデルジェネレータ２３１２はまた、ＡＩモデルがまた、インバータ効率の予測も出力するように、ＡＩモデルを生成する。この場合、インバータ効率は、モータ効率と同様にモデル化することができ、インバータ２３２８の動作コンディション（例えば、必要な加熱／冷却負荷、周囲温度など）に基づくことができる。いくつかの実施形態では、モデルジェネレータ２３１２は、モータ効率及びインバータ効率を予測するための別個のＡＩモデルを生成する。 Training data collector 2310 can provide the collected training data to model generator 2312 as a training data set. In some embodiments, model generator 2312 is similar to and/or the same as model generator 1612 and/or model generator 2012 . Using the training data, the model generator 2312 creates an AI model (e.g., linear RNN) that can be used to predict efficiency values for motors in VRF systems (e.g., VRF system 600, VRF system 1900, etc.). can be generated. In particular, the AI model may output a percentage representing the percentage of maximum efficiency that the motor 2322 is operating. In this case, maximum efficiency can be represented by the situation where the input power to motor 2322 is equal to the output power of motor 2322 (ie, φ _out,inverter =φ _in,inverter ). In some embodiments, model generator 2312 also generates an AI model such that the AI model also outputs a prediction of inverter efficiency. In this case, inverter efficiency can be modeled similarly to motor efficiency and can be based on the operating conditions of inverter 2328 (eg, heating/cooling load required, ambient temperature, etc.). In some embodiments, model generator 2312 produces separate AI models for predicting motor efficiency and inverter efficiency.

モータ２３２２の効率を予測するように構成されたＡＩモデルに関して、ＡＩモデルは、モータ２３２２の回転速度、（例えば、インバータ２３２８によって）モータ２３２２に提供される電力、周囲温度、必要な加熱／冷却負荷などの入力を含み得る。当該入力に基づいて、ＡＩモデルは、モータ効率の予測を（例えば、最大効率のパーセンテージとして）出力することができる。 Regarding the AI model configured to predict the efficiency of the motor 2322, the AI model can determine the rotational speed of the motor 2322, the power provided to the motor 2322 (eg, by the inverter 2328), the ambient temperature, the required heating/cooling load, may include inputs such as Based on such inputs, the AI model can output a prediction of motor efficiency (eg, as a percentage of maximum efficiency).

モデルジェネレータ２３１２は、ＡＩモデルを予測ジェネレータ２３１４に提供することができる。いくつかの実施形態では、予測ジェネレータ２３１４は、予測ジェネレータ１６１４及び／又は予測ジェネレータ２０１４に類似する、及び／又は同じである。予測ジェネレータ２３１４は、ＡＩモデル、及び入力変数の受信された値を利用して、モータ効率の予測を生成することができる。入力変数に関して、予測ジェネレータ２３１４は、センサ２３２０から、測定された変数の値を受信し得る。センサ２３２０は、ＡＩモデルによって必要とされる入力の値を測定することができる任意のタイプのセンサ（例えば、温度センサ、圧力センサなど）を含むことができる。例えば、センサ２３２０は、周囲温度の値を予測ジェネレータ２３１４に提供する温度センサを含み得る。いくつかの実施形態では、センサ２３２０は、必要な入力値を提供するサードパーティソースを含む。例えば、センサ２３２０は、周囲温度値を提供する気象サービスを含み得る。 Model generator 2312 can provide AI models to prediction generator 2314 . In some embodiments, prediction generator 2314 is similar to and/or the same as prediction generator 1614 and/or prediction generator 2014 . Prediction generator 2314 can utilize the AI model and the received values of the input variables to generate a prediction of motor efficiency. For input variables, prediction generator 2314 may receive values of measured variables from sensors 2320 . Sensors 2320 can include any type of sensor (eg, temperature sensor, pressure sensor, etc.) that can measure the value of the input required by the AI model. For example, sensors 2320 may include a temperature sensor that provides ambient temperature values to prediction generator 2314 . In some embodiments, sensor 2320 includes a third party source that provides the necessary input values. For example, sensor 2320 may include a weather service that provides ambient temperature values.

予測ジェネレータ２３１４はまた、モータ２３２２及びインバータ２３２８を含む装置２３２６からの装置フィードバックに基づいて、入力変数の値を取得することができる。装置フィードバックは、例えば、モータ２３２２の回転速度、電源電流、電圧、及びインバータ２３２８によってモータ２３２２に提供される入力電力などの変数の値を含むことができる。 Prediction generator 2314 may also obtain values for input variables based on system feedback from system 2326 , which includes motor 2322 and inverter 2328 . Device feedback can include, for example, the values of variables such as rotational speed of motor 2322 , power supply current, voltage, and input power provided to motor 2322 by inverter 2328 .

入力変数の取得された値を使用して、予測ジェネレータ２３１４は、取得された入力変数をＡＩモデルに渡して、モータ効率の予測を生成することができる。モータ効率の当該予測は、是正措置ジェネレータ２３１６に提供することができる。いくつかの実施形態では、是正措置ジェネレータ２３１６は、是正措置ジェネレータ１６１６及び／又は是正措置ジェネレータ２０１６に類似する、及び／又は同じである。 Using the obtained values of the input variables, the prediction generator 2314 can pass the obtained input variables to the AI model to generate a prediction of motor efficiency. Such a prediction of motor efficiency can be provided to corrective action generator 2316 . In some embodiments, corrective action generator 2316 is similar to and/or the same as corrective action generator 1616 and/or corrective action generator 2016 .

是正措置ジェネレータ２３１６は、モータ効率の予測に基づいて、もしあれば、どのような是正措置を開始すべきかを判定するように構成することができる。特に、是正措置ジェネレータ２３１６は、モータ効率の低下に対処するために措置を講じるべきかどうかを判定することができる。是正措置ジェネレータ２３１６によって開始することができる是正措置は、例えば、ユーザデバイス２３２４を介して、予測されたモータ効率について、ユーザに警告すること、制御信号を介して、モータ２３２２の動作を調整すること、モータ２３２２を無効にすること、モータ２３２２のメンテナンス／交換をスケジュールすること、モータ効率の予測された値をデータベースに記録することなどを含み得る。 Corrective action generator 2316 may be configured to determine what corrective action, if any, to initiate based on the prediction of motor efficiency. In particular, the corrective action generator 2316 can determine whether action should be taken to address a decrease in motor efficiency. Corrective actions that can be initiated by corrective action generator 2316 include, for example, alerting a user, via user device 2324, of predicted motor efficiency, adjusting operation of motor 2322, via control signals. , disabling the motor 2322, scheduling maintenance/replacement of the motor 2322, recording the predicted value of motor efficiency in a database, and the like.

どのような是正措置を開始するかを判定するために、是正措置ジェネレータ２３１６は、特定の効率範囲を、特定の是正措置に対応させ得る。例えば、是正措置ジェネレータ２３１６は、７５％～１００％の効率値を、予測された効率をユーザに通知する是正措置に、５０％～７５％の効率値を、制御信号を介してモータ２３２２の動作を調整するための是正措置に、及び０％～５０％の効率値を、モータ２３２２のメンテナンス及び／又は交換をスケジュールするための是正措置に、関連付け得る。いくつかの実施形態では、是正措置ジェネレータ２３１６は、予測された効率値に基づいてどのような是正措置を開始するべきかを判定するためのいくつかの他の判定を利用する。 To determine what corrective action to initiate, corrective action generator 2316 may map a particular efficiency range to a particular corrective action. For example, the corrective action generator 2316 may provide an efficiency value between 75% and 100% to a corrective action that notifies the user of the predicted efficiency, an efficiency value between 50% and 75%, and an efficiency value of 50% to 75% to the operation of the motor 2322 via control signals. and the efficiency value between 0% and 50% to corrective action to schedule maintenance and/or replacement of the motor 2322 . In some embodiments, corrective action generator 2316 utilizes some other decision to determine what corrective action to initiate based on the predicted efficiency value.

是正措置を開始する結果として、モータ２３２２の非効率性に対処することができる。このようにして、モータ２３２２が、高い非効率性の下で動作する状況の頻度を、回避することができる。これにより、ＶＲＦシステムの信頼性を高め、全体的なコストを削減し、ＶＲＦシステムの一般的なメンテナンスを簡素化することができる。 Inefficiencies in the motor 2322 can be addressed as a result of initiating corrective action. In this way, frequent situations in which the motor 2322 operates under high inefficiencies can be avoided. This can increase the reliability of the VRF system, reduce overall costs, and simplify general maintenance of the VRF system.

ここで図２４を参照すると、いくつかの実施形態による、ＡＩモデルを使用して、ＶＲＦシステム内のモータの効率を予測するためのプロセス２４００のフロー図が示される。プロセス２４００は、ＶＲＦシステムのモータを参照して説明されるが、プロセス２４００は、ＶＲＦシステムのインバータに関連付けられた効率予測を生成するために同様に適用できることを理解されたい。いくつかの実施形態では、プロセス２４００のいくつか及び／又は全てのステップは、モータ効率コントローラ２３００によって実行される。 Referring now to FIG. 24, a flow diagram of a process 2400 for predicting efficiency of motors in VRF systems using AI models is shown, according to some embodiments. Although process 2400 is described with reference to motors in VRF systems, it should be understood that process 2400 is equally applicable to generate efficiency predictions associated with inverters in VRF systems. In some embodiments, some and/or all steps of process 2400 are performed by motor efficiency controller 2300 .

プロセス２４００は、ＶＲＦシステムのモータの動作コンディション、及びモータの関連付けられた効率値を記述する訓練データを取得することを含むことが示される（ステップ２４０２）。訓練データは、例えば、クラウドデータベース、建物のローカルストレージなどの様々な訓練データソースから、ユーザ入力に基づいて、装置からのフィードバックなどを介して取得することができる。訓練データは、モータの効率値を予測するようにＡＩモデルを訓練することに関連する任意の情報を含むことができる。例えば、訓練データは、動作中のモータの回転速度、周囲温度、加熱／冷却負荷、モータに提供される電流、モータに提供される電圧、モータに提供される電力、モータの推定された効率値などの値を含み得る。いくつかの実施形態では、ステップ２４０２は、訓練データ収集器２３１０によって実行される。 Process 2400 is shown including obtaining training data describing the operating conditions of the motors of the VRF system and the associated efficiency values of the motors (step 2402). Training data can be obtained from various training data sources such as, for example, cloud databases, building local storage, based on user input, via feedback from the device, and the like. Training data can include any information related to training an AI model to predict motor efficiency values. For example, the training data may include the rotational speed of the motor during operation, the ambient temperature, the heating/cooling load, the current provided to the motor, the voltage provided to the motor, the power provided to the motor, the estimated efficiency value of the motor. can contain values such as In some embodiments, step 2402 is performed by training data collector 2310 .

プロセス２４００は、訓練データに基づいて、モータの効率を予測するための人工知能（ＡＩ）モデルを訓練することを含むことが示される（ステップ２４０４）。ＡＩモデルは、モータの動作に影響を与える変数のセットと、モータの対応する効率値との間の相関関係を学習するように訓練され得る。ステップ２４０４で訓練されたＡＩモデルは、様々な異なるＡＩモデルのいずれかであり得る。例えば、ＡＩモデルは、モータの効率を評価するための線形ＲＮＮであり得る。いくつかの実施形態では、ステップ２４０４は、モデルジェネレータ２３１２によって実行される。 Process 2400 is shown including training an artificial intelligence (AI) model to predict motor efficiency based on the training data (step 2404). AI models can be trained to learn correlations between a set of variables that affect motor operation and the motor's corresponding efficiency values. The AI model trained in step 2404 can be any of a variety of different AI models. For example, the AI model can be a linear RNN for evaluating motor efficiency. In some embodiments, step 2404 is performed by model generator 2312 .

プロセス２４００は、モータの動作に関連付けられたデータを取得することを含むことが示される（ステップ２４０６）。ステップ２４０６で取得されたデータは、モータ効率の予測が所望される場合、実際の動作中のモータに基づき得る。特に、ステップ２４０６で取得されたデータは、ステップ２４０４で生成されたＡＩモデルへの入力変数の値を含むことができる。したがって、データは、モータの回転速度、周囲温度、モータへの入力電力などの値を含むことができる。いくつかの実施形態では、データは、ステップ２４０２で訓練データを取得するために使用される同じソースのいくつか及び／又は全てから取得され得る。いくつかの実施形態では、ステップ２４０６は、予測ジェネレータ２３１４によって実行される。 Process 2400 is shown including obtaining data associated with operation of the motor (step 2406). The data obtained in step 2406 may be based on actual operating motors if a prediction of motor efficiency is desired. In particular, the data obtained in step 2406 can include values of input variables to the AI model generated in step 2404. The data can thus include values such as the rotational speed of the motor, the ambient temperature, the power input to the motor, and the like. In some embodiments, data may be obtained from some and/or all of the same sources used to obtain training data in step 2402 . In some embodiments, step 2406 is performed by prediction generator 2314 .

プロセス２４００は、ＡＩモデルを使用して、取得されたデータに基づいて、モータの効率を予測することを含むことが示されている（ステップ２４０８）。ステップ２４０８において、ステップ２４０６で取得されたデータを、入力としてＡＩモデルに渡して、モータの効率に関する予測を生成することができる。いくつかの実施形態では、モータの予測された効率は、最大効率のパーセンテージとして提供される。いくつかの実施形態では、予測された効率は、別のメトリック（例えば、「良い」、「中間」、又は「悪い」の評価）として提供される。いくつかの実施形態では、ステップ２４０８は、予測ジェネレータ２３１４によって実行される。 Process 2400 is shown including using the AI model to predict the efficiency of the motor based on the obtained data (step 2408). At step 2408, the data obtained at step 2406 can be passed as input to an AI model to generate a prediction for motor efficiency. In some embodiments, the predicted efficiency of the motor is provided as a percentage of maximum efficiency. In some embodiments, the predicted efficiency is provided as another metric (eg, a "good", "medium", or "poor" rating). In some embodiments, step 2408 is performed by prediction generator 2314 .

プロセス２４００は、ＡＩモデルによって出力された、予測されたモータ効率に基づいて、是正措置を判定することを含むことが示される（ステップ２４１０）。是正措置は、モータの推定された劣化状態に基づいて、判定することができる。例えば、高効率値（例えば、＞８０％効率、＞９０％効率など）は、モータが著しく劣化していないことを示し得る。したがって、ステップ２４１０で判定される是正措置は、ユーザデバイスに通知をディスパッチする、又はデータベースに、推定された効率値を記録するなどの低コスト（例えば、金銭的コスト、時間的コストなど）に関連付けられた是正措置であり得る。しかしながら、推定された効率が低い場合（例えば、＜５０％効率、＜４０％効率など）、ステップ２４１０で判定される是正措置は、モータのメンテナンスをスケジュールすること、モータを無効にすることなど、より高いコストに関連付けられた是正措置であり得る。このようにして、ステップ２４１０で判定される是正措置は、モータの推定された効率に基づいて、動的に調整することができる。いくつかの実施形態では、ステップ２４１０は、是正措置ジェネレータ２３１６によって実行される。 Process 2400 is shown including determining corrective action based on the predicted motor efficiency output by the AI model (step 2410). Corrective action can be determined based on the estimated state of deterioration of the motor. For example, high efficiency values (eg, >80% efficiency, >90% efficiency, etc.) may indicate that the motor is not significantly degraded. Accordingly, the corrective action determined in step 2410 is associated with a low cost (e.g., monetary cost, time cost, etc.) such as dispatching a notification to the user device or recording the estimated efficiency value in a database. corrective action taken. However, if the estimated efficiency is low (e.g., <50% efficiency, <40% efficiency, etc.), the corrective action determined at step 2410 may be scheduling maintenance on the motor, disabling the motor, etc. It can be a corrective action associated with higher costs. In this way, the corrective actions determined in step 2410 can be dynamically adjusted based on the estimated efficiency of the motor. In some embodiments, step 2410 is performed by corrective action generator 2316 .

プロセス２４００は、是正措置を開始することを含むことが示される（ステップ２４１２）。ステップ２４１０で判定された是正措置に基づいて、ステップ２４１２は、是正措置を開始する方法を判定することと、是正措置が完了するために必要なステップを実行することと、を含むことができる。例えば、是正措置が、ユーザに通知することである場合、ステップ２４１２は、通知を生成することと、通信インターフェースを使用して、通知を通信することと、を含み得る。別の例として、是正措置が、モータを無効にすることである場合、ステップ２４１２は、モータをオフにする制御信号を生成することと、制御信号をモータに提供することと、を含み得る。いくつかの実施形態では、ステップ２４１２は、是正措置ジェネレータ２３１６によって実行される。 Process 2400 is shown including initiating remedial action (step 2412). Based on the corrective action determined in step 2410, step 2412 can include determining how to initiate the corrective action and performing the necessary steps to complete the corrective action. For example, if the corrective action is to notify the user, step 2412 may include generating a notification and communicating the notification using the communication interface. As another example, if the corrective action is to disable the motor, step 2412 may include generating a control signal to turn off the motor and providing the control signal to the motor. In some embodiments, step 2412 is performed by corrective action generator 2316 .

ニューラルネットワーク実装の例
概して、図２５Ａ及び図２５Ｂを参照すると、いくつかの実施形態による、予測を生成するためのものであり得るＡＩモデル構造に関連付けられた例示が示される。以下に記載されるＡＩモデル構造は、本明細書に記載される様々なコントローラ及び／又は方法のいずれかにおいて利用することができる。例えば、図２５Ａ～図２５Ｂに提供されるＡＩモデル構造は、コンプレッサ振動コントローラ１３１０、ＶＲＦ障害コントローラ２０００などによって利用され得る。図２５Ａ及び図２５Ｂに提供されるＡＩモデル構造は、単に例のために提供され、予測を生成するために利用することができるＡＩモデル構造に制限することを意図しないことを理解されたい。 Example Neural Network Implementations Referring generally to FIGS. 25A and 25B, illustrated are illustrations associated with AI model structures that may be for generating predictions, according to some embodiments. The AI model structures described below can be utilized in any of the various controllers and/or methods described herein. For example, the AI model structures provided in FIGS. 25A-25B may be utilized by compressor vibration controller 1310, VRF disturbance controller 2000, and the like. It should be appreciated that the AI model structures provided in FIGS. 25A and 25B are provided merely as examples and are not intended to limit the AI model structures that can be utilized to generate predictions.

ここで図２５Ａを参照すると、いくつかの実施形態による、ＲＮＮ構造２５００の例示が示される。いくつかの実施形態では、ＲＮＮ構造２５００は、図９Ａを参照して説明されたＲＮＮ構造９００に類似する、及び／又は同じである。いくつかの実施形態では、ＲＮＮ構造２５００は、ＬＳＴＭモデルのハイレベルビューを例示し得る。ＬＳＴＭモデルは、深層学習の分野で使用することができる特定の人工ＲＮＮアーキテクチャである。ＬＳＴＭモデルは、時系列データのシーケンス全体を分類及び処理し、予測を行うことができる。有利には、ＬＳＴＭモデルは、時系列データ内の重要なイベント間の未知の持続時間のラグがあっても予測を生成することができる。ＬＳＴＭモデルは、例えば、シーケンス入力層、１つ以上のドロップアウト層、１つ以上の全結合層、１つ以上のＬＳＴＭ層、出力層などの様々な層を含むことができる。 Referring now to FIG. 25A, an illustration of RNN structure 2500 is shown, according to some embodiments. In some embodiments, RNN structure 2500 is similar to and/or the same as RNN structure 900 described with reference to FIG. 9A. In some embodiments, RNN structure 2500 may illustrate a high-level view of an LSTM model. A LSTM model is a specific artificial RNN architecture that can be used in the field of deep learning. LSTM models can classify and process entire sequences of time-series data to make predictions. Advantageously, the LSTM model can generate predictions even with unknown duration lags between significant events in the time series data. An LSTM model can include various layers such as, for example, a sequential input layer, one or more dropout layers, one or more fully connected layers, one or more LSTM layers, an output layer, and the like.

図２５Ａに示されるように、ＲＮＮ構造２５００は、凝縮されたモデル構造、及び「展開された」モデル構造の両方によって表すことができる。展開されたモデル構造は、時間ステップ間で情報が完全に失われないように、ＲＮＮ構造２５００が、どのように、出力に影響を与える可能性のある情報を経時的に保存するかをより詳細に例示することができる。図２５Ａにおいて、ｘは、ＲＮＮへの入力を表すことができ、Ｕは、ｘに適用される入力パラメータを表すことができ、ｏは、ＲＮＮの出力を表すことができ、Ｗは、ｏを生成する、ｈの出力に適用される出力パラメータを表すことができ、ｈは、ＲＮＮの重み及び活性化関数を含むＲＮＮの一次ブロックを表すことができ、ｖは、時間ステップの間で通信される情報を表すことができる。 As shown in FIG. 25A, RNN structure 2500 can be represented by both a condensed model structure and an "unfolded" model structure. The expanded model structure provides more detail on how the RNN structure 2500 preserves information over time that can affect the output so that no information is completely lost between time steps. can be exemplified. In FIG. 25A, x can represent an input to the RNN, U can represent an input parameter applied to x, o can represent an output of the RNN, and W can represent o. , which can represent the output parameters applied to the output of h, where h can represent the primary block of the RNN, including the RNN's weights and activation functions, and v, which is communicated between time steps. can represent information that

ここで図２５Ｂを参照すると、いくつかの実施形態による、ＬＳＴＭモデル構造２５５０の例示が示される。ＬＳＴＭモデル構造２５５０は、情報が、ＲＮＮ内の時間ステップ間でどのように保存されるかを例示することができる。ＬＳＴＭモデル構造２５５０は、図２５Ｂに示されるブロックへの出力を生成するために使用することができる関数ｆ、ｇ、ｉ、及びｏを含むことが示される。ＬＳＴＭモデル構造２５５０は更に、忘却ゲート、更新ゲート、及び出力ゲートを含むように示される。忘却ゲートは、非関連データが、時間シーケンス内の将来の時間ステップのために考慮され、記憶されることを排除するように構成することができる。更新ゲートは、入力情報を組み合わせて、データの変更を考慮するために、何らかの動作を適用することができる。最後に、出力ゲートは、どの情報が、次の時間ステップに出力として渡されるかを決定することができる。ＬＳＴＭモデル構造２５５０は、時間シーケンス内の特定の時間ステップに関連付けられた情報を、次の時間ステップに渡す複数のブロックを含むことができる。有利には、この構造は、情報が、保持され、時間ステップの間に失われないことを可能にし、それによって時系列データに対する、予測の精度を高める。 Referring now to FIG. 25B, an illustration of an LSTM model structure 2550 is shown, according to some embodiments. The LSTM model structure 2550 can illustrate how information is preserved between time steps within the RNN. LSTM model structure 2550 is shown to include functions f, g, i, and o that can be used to generate the outputs to the blocks shown in FIG. 25B. LSTM model structure 2550 is further shown to include forget gates, update gates, and output gates. A forget gate can be configured to exclude irrelevant data from being considered and stored for future time steps in the time sequence. An Update Gate can combine input information and apply some action to account for changes in data. Finally, an output gate can determine what information will be passed as output to the next time step. The LSTM model structure 2550 can include multiple blocks that pass information associated with a particular time step in the time sequence to the next time step. Advantageously, this structure allows information to be retained and not lost between time steps, thereby increasing the accuracy of predictions for time series data.

例示的な実施形態の構成
様々な例示的な実施形態に示されるシステム及び方法の構成及び配置は、例示的なものに過ぎない。本開示では、いくつかの実施形態のみが詳細に説明されてきたが、多くの修正が可能である（例えば、様々な要素のサイズ、寸法、構造、形状、及び割合の変化、パラメータの値、取り付け配置、材料の使用、色、配向など）。例えば、要素の位置は、逆にされるか、又はそうでなければ変化させることができ、別個の要素の性質若しくは数、又は位置は、変更するか、又は変化させることができる。そのため、全てのそのような修正は、本開示の範囲内に含まれることが意図される。任意のプロセス又は方法ステップの順序又はシーケンスは、代替実施形態に従って、変化又は再順序付けすることができる。本開示の範囲から逸脱することなく、例示的な実施形態の設計、動作コンディション及び配置において、他の置換、修正、変更、及び省略を行うことができる。 Configurations of Exemplary Embodiments The configurations and arrangements of the systems and methods shown in various exemplary embodiments are merely exemplary. Although only a few embodiments have been described in detail in this disclosure, many modifications are possible (e.g., changes in size, dimensions, structure, shape, and proportions of various elements, values of parameters, mounting arrangement, material use, color, orientation, etc.). For example, the position of elements may be reversed or otherwise changed, and the nature or number or position of distinct elements may be altered or changed. Accordingly, all such modifications are intended to be included within the scope of this disclosure. The order or sequence of any process or method steps may be varied or reordered according to alternative embodiments. Other substitutions, modifications, alterations, and omissions may be made in the design, operating conditions, and arrangement of the illustrative embodiments without departing from the scope of this disclosure.

本開示は、様々な動作を達成するための任意の機械可読媒体上の方法、システム、及びプログラム製品を企図する。本開示の実施形態は、既存のコンピュータプロセッサを使用して、又は適切なシステムの専用コンピュータプロセッサによって、実装され、この目的若しくは別の目的のために、又は有線システムによって組み込まれることができる。本開示の範囲内の実施形態は、その上に記憶された機械実行可能命令又はデータ構造を搬送する又は有するための機械可読媒体を備えるプログラム製品を含む。そのような機械可読媒体は、プロセッサを備えた、汎用若しくは専用のコンピュータ又は他の機械によってアクセスすることができる任意の利用可能な媒体であり得る。例として、そのような機械可読媒体は、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、ＣＤ－ＲＯＭ、若しくは他の光ディスク記憶装置、磁気ディスク記憶装置若しくは他の磁気記憶装置、又は所望のプログラムコードを機械実行可能命令若しくはデータ構造の形態で搬送若しくは記憶するために使用することができ、プロセッサを備える、汎用若しくは専用コンピュータ又は他の機械によってアクセスすることができる任意の他の媒体を含むことができる。上記の組み合わせはまた、機械可読媒体の範囲内に含まれる。機械実行可能命令は、例えば、汎用コンピュータ、専用コンピュータ、又は専用処理機械に、特定の機能又は機能群を実行させる命令及びデータを含む。 This disclosure contemplates methods, systems, and program products on any machine-readable medium for accomplishing various operations. Embodiments of the present disclosure may be implemented using existing computer processors or by dedicated computer processors in suitable systems, incorporated for this or other purposes, or by wired systems. Embodiments within the scope of the present disclosure include program products comprising machine-readable media for carrying or having machine-executable instructions or data structures stored thereon. Such machine-readable media can be any available media that can be accessed by a general purpose or special purpose computer or other machine with a processor. By way of example, such machine-readable medium may be RAM, ROM, EPROM, EEPROM, CD-ROM, or other optical disk storage devices, magnetic disk storage devices or other magnetic storage devices, or a machine capable of executing desired program code. It can include any other medium that can be used for carrying or storing instructions or data structures, and that can be accessed by a general purpose or special purpose computer or other machine comprising a processor. Combinations of the above are also included within the scope of machine-readable media. Machine-executable instructions include, for example, instructions and data that cause a general purpose computer, special purpose computer, or special purpose processing machine to perform a particular function or group of functions.

図は、方法ステップの特定の順序を示すが、ステップの順序は、描写されるものとは異なる場合がある。また、２つ以上のステップを同時に、又は部分的に同時に実行することができる。このような変形は、選択されたソフトウェア及びハードウェアシステム、及び設計者選択に依存する。全てのそのような変形は、本開示の範囲内である。同様に、ソフトウェア実装は、様々な接続ステップ、処理ステップ、比較ステップ、及び決定ステップを達成するために、ルールベースのロジック及び他のロジックを備える標準的なプログラミング技術によって達成され得る。
Although the figures show a particular order of method steps, the order of the steps may differ from that depicted. Also, two or more steps may be performed concurrently or with partial concurrence. Such variations will depend on the software and hardware systems chosen and on designer choice. All such variations are within the scope of this disclosure. Similarly, a software implementation may be accomplished by standard programming techniques with rule-based and other logic to accomplish the various connecting, processing, comparing, and determining steps.

Claims

暖房、換気、又は空調（ＨＶＡＣ）装置のためのオイル管理コントローラであって、
機械学習モデルを使用して前記ＨＶＡＣ装置の動作データを分析して、前記ＨＶＡＣ装置によって使用されるオイルの可変状態又はコンディションを予測することと、
前記オイルの前記可変状態又はコンディションに基づいてオイル欠乏を識別することと、
前記オイル欠乏を識別することに応答して自動的に是正措置を開始することと
を行うように構成された処理回路を備える、オイル管理コントローラ。 An oil management controller for a heating, ventilation, or air conditioning (HVAC) system, comprising:
analyzing operating data of the HVAC system using a machine learning model to predict variable states or conditions of oil used by the HVAC system;
identifying oil starvation based on the variable state or condition of the oil;
and automatically initiating corrective action in response to identifying said oil starvation.

前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内の前記オイルの量であり、
前記オイル欠乏を識別することは、前記ＨＶＡＣ装置内の前記オイルの前記量が、閾値量未満であると判定することを含み、
前記是正措置は、前記ＨＶＡＣ装置に、より多くのオイルを提供して、前記ＨＶＡＣ装置内の前記オイルの量を増加させることを含む、請求項１のオイル管理コントローラ。 the variable state or condition of the oil is the amount of the oil in the HVAC system;
identifying the oil deficiency includes determining that the amount of the oil in the HVAC system is less than a threshold amount;
2. The oil management controller of claim 1, wherein said corrective action includes providing more oil to said HVAC system to increase the amount of said oil in said HVAC system.

前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内のオイル冷媒混合物の粘度であり、
前記オイル欠乏を識別することは、前記オイル冷媒混合物の粘度が閾値粘度未満であると判定することを含み、
前記是正措置は、前記ＨＶＡＣ装置に、より多くのオイルを提供して、前記ＨＶＡＣ装置内の前記オイル冷媒混合物の前記粘度を増加させることを含む、請求項１のオイル管理コントローラ。 the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system;
identifying the oil starvation includes determining that the viscosity of the oil refrigerant mixture is less than a threshold viscosity;
2. The oil management controller of claim 1, wherein said corrective action includes providing more oil to said HVAC system to increase said viscosity of said oil-refrigerant mixture within said HVAC system.

前記ＨＶＡＣ装置は、複数の異なる動作速度で動作可能であり、
前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内のオイル冷媒混合物の粘度であり、
前記是正措置は、前記オイル冷媒混合物の粘度に基づいて、前記ＨＶＡＣ装置の動作速度の上限を設定することを含む、請求項１のオイル管理コントローラ。 the HVAC equipment is operable at a plurality of different operating speeds;
the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system;
2. The oil management controller of claim 1, wherein the corrective action comprises capping the operating speed of the HVAC system based on the viscosity of the oil refrigerant mixture.

前記ＨＶＡＣ装置は冷媒ループに結合されており、
前記冷媒ループは、前記ＨＶＡＣ装置と、前記冷媒ループに結合された１つ以上の他のデバイスとの間でオイル冷媒混合物を循環させ、
前記是正措置は、前記ＨＶＡＣ装置を動作させて前記オイル冷媒混合物を前記冷媒ループ内で循環させ、それによって前記１つ以上の他のデバイスから前記ＨＶＡＣ装置に、前記オイルを戻すことを含む、請求項１のオイル管理コントローラ。 the HVAC device is coupled to a refrigerant loop;
the refrigerant loop circulates an oil refrigerant mixture between the HVAC system and one or more other devices coupled to the refrigerant loop;
The corrective action includes operating the HVAC system to circulate the oil refrigerant mixture within the refrigerant loop, thereby returning the oil from the one or more other devices to the HVAC system. The oil management controller of paragraph 1.

前記機械学習モデルは、入力層、１つ以上の隠れ層、及び出力層を有する畳み込みニューラルネットワーク（ＣＮＮ）モデルであり、
前記動作データを分析することは、
前記ＣＮＮモデルの前記入力層への入力として、前記動作データを提供することと、
前記ＣＮＮモデルの前記出力層において、前記オイルの可変状態又はコンディションの予測を取得することと
を含む、請求項１のオイル管理コントローラ。 the machine learning model is a convolutional neural network (CNN) model having an input layer, one or more hidden layers, and an output layer;
Analyzing the operational data includes:
providing the motion data as an input to the input layer of the CNN model;
obtaining predictions of the variable state or condition of the oil in the output layer of the CNN model.

前記機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルであり、
前記動作データを分析することは、
前記ＲＮＮモデルへの入力として、前記動作データの値の時系列を提供することと、
前記ＲＮＮモデルの出力として、前記オイルの可変状態又はコンディションの予測を取得することと
を含む、請求項１のオイル管理コントローラ。 The machine learning model is a recurrent neural network (RNN) model,
Analyzing the operational data includes:
providing a time series of values of the operational data as an input to the RNN model;
and obtaining a prediction of the variable state or condition of the oil as an output of the RNN model.

前記処理回路は、シミュレーションモデルから取得された訓練データのセットを使用して、前記機械学習モデルを生成するように構成される、請求項１のオイル管理コントローラ。 2. The oil management controller of claim 1, wherein the processing circuitry is configured to generate the machine learning model using a training data set obtained from a simulation model.

機械学習モデルを使用して、暖房、換気、又は空調（ＨＶＡＣ）装置を動作させるための方法であって、
前記ＨＶＡＣ装置によって使用されるオイルに影響を与えるコンディション、及び前記オイルの可変状態又はコンディションを示す訓練データを取得することと、
前記訓練データに基づいて訓練プロセスを実行することによって前記機械学習モデルを生成することであって、前記機械学習モデルは、前記オイルに影響を与える前記コンディションに基づいて前記オイルの可変状態又はコンディションを予測するように訓練されていることと、
前記機械学習モデルを使用して、前記オイルの可変状態又はコンディションが、閾値に違反するかどうかを予測することと、
前記オイルの可変状態又はコンディションが、前記閾値に違反することを予測することに応答して、是正措置を自動的に開始することと
を含む、方法。 A method for operating a heating, ventilation, or air conditioning (HVAC) system using a machine learning model, comprising:
obtaining training data indicative of conditions affecting oil used by the HVAC system and variable states or conditions of the oil;
generating the machine learning model by performing a training process based on the training data, the machine learning model transforming the variable states or conditions of the oil based on the conditions affecting the oil; being trained to predict and
using the machine learning model to predict whether the variable state or condition of the oil violates a threshold;
and automatically initiating corrective action in response to predicting that the variable state or condition of the oil will violate the threshold.

前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内の前記オイルの量であり、
前記閾値は、前記ＨＶＡＣ装置内の前記オイルの量に対する最小閾値であり、
前記是正措置は、前記ＨＶＡＣ装置に、より多くのオイルを提供して、前記ＨＶＡＣ装置内の前記オイルの量を増加させることを含む、請求項９の方法。 the variable state or condition of the oil is the amount of the oil in the HVAC system;
the threshold is a minimum threshold for the amount of oil in the HVAC system;
10. The method of claim 9, wherein the corrective action includes providing more oil to the HVAC system to increase the amount of the oil in the HVAC system.

前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内のオイル冷媒混合物の粘度であり、
前記閾値は、前記オイル冷媒混合物の粘度に対する最小閾値であり、
前記是正措置は、前記ＨＶＡＣ装置に、より多くのオイルを提供して、前記ＨＶＡＣ装置内の前記オイル冷媒混合物の粘度を増加させることを含む、請求項９の方法。 the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system;
the threshold is a minimum threshold for the viscosity of the oil refrigerant mixture;
10. The method of claim 9, wherein the corrective action includes providing more oil to the HVAC system to increase viscosity of the oil-refrigerant mixture within the HVAC system.

前記ＨＶＡＣ装置は、複数の異なる動作速度で動作可能であり、
前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内のオイル冷媒混合物の粘度であり、
前記是正措置は、前記オイル冷媒混合物の粘度に基づいて、前記ＨＶＡＣ装置の動作速度の上限を設定することを含む、請求項９の方法。 the HVAC equipment is operable at a plurality of different operating speeds;
the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system;
10. The method of claim 9, wherein the corrective action includes capping the operating speed of the HVAC system based on the viscosity of the oil-refrigerant mixture.

前記ＨＶＡＣ装置は、冷媒ループに結合されており、
前記冷媒ループは、前記ＨＶＡＣ装置と、前記冷媒ループに結合された１つ以上の他のデバイスとの間でオイル冷媒混合物を循環させ、
前記是正措置は、前記ＨＶＡＣ装置を動作させて前記オイル冷媒混合物を前記冷媒ループ内で循環させ、それによって前記１つ以上の他のデバイスから前記ＨＶＡＣ装置に、前記オイルを戻すことを含む、請求項９の方法。 the HVAC device is coupled to a refrigerant loop;
the refrigerant loop circulates an oil refrigerant mixture between the HVAC system and one or more other devices coupled to the refrigerant loop;
The corrective action includes operating the HVAC system to circulate the oil refrigerant mixture within the refrigerant loop, thereby returning the oil from the one or more other devices to the HVAC system. Item 9 method.

前記機械学習モデルは、入力層、１つ以上の隠れ層、及び出力層を有する畳み込みニューラルネットワーク（ＣＮＮ）モデルであり、
前記機械学習モデルを使用して前記オイルの可変状態又はコンディションが制約に違反しているかどうかを判定することが、前記ＣＮＮモデルの前記入力層への入力として、動作データを提供することと、前記ＣＮＮモデルの前記出力層において、前記オイルの前記可変状態又はコンディションの予測を取得することとを含む、請求項９の方法。 the machine learning model is a convolutional neural network (CNN) model having an input layer, one or more hidden layers, and an output layer;
determining whether the variable state or condition of the oil violates a constraint using the machine learning model provides operational data as an input to the input layer of the CNN model; obtaining a prediction of the variable state or condition of the oil in the output layer of a CNN model.

前記機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルであり、
前記機械学習モデルを使用して前記オイルの前記可変状態又はコンディションが制約に違反しているかどうかを判定することが、前記ＲＮＮモデルへの入力として、動作データの値の時系列を提供することと、前記ＲＮＮモデルの出力として、前記オイルの前記可変状態又はコンディションの予測を取得することとを含む、請求項９の方法。 The machine learning model is a recurrent neural network (RNN) model,
Determining whether the variable state or condition of the oil violates a constraint using the machine learning model provides a time series of values of operational data as an input to the RNN model. 10. The method of claim 9, and obtaining the prediction of the variable state or condition of the oil as an output of the RNN model.

前記訓練データを取得することは、
前記ＨＶＡＣ装置の動作、及び前記オイルの可変状態又はコンディションの経時的な変化をシミュレーションするシミュレーションモデルを取得することと、
前記シミュレーションモデルを実行して前記訓練データを生成することと
を含む、請求項９の方法。 Obtaining the training data includes:
obtaining a simulation model that simulates the operation of the HVAC system and the variable state or condition of the oil over time;
10. The method of claim 9, comprising running the simulation model to generate the training data.

建物のための環境制御システムであって、
前記建物の環境コンディションに影響を与えるように動作可能な、暖房、換気、又は空調（ＨＶＡＣ）装置と、
コントローラと
を備え、
前記コントローラは、
機械学習モデルを使用して前記ＨＶＡＣ装置の動作データを分析して、前記ＨＶＡＣ装置によって使用されるオイルの可変状態又はコンディションを予測することと、
前記オイルの可変状態又はコンディションに基づいて、オイル欠乏を識別することと、
前記オイル欠乏を識別することに応答して、自動的に是正措置を開始することと
を行うように構成された処理回路を備える、環境制御システム。 An environmental control system for a building comprising:
a heating, ventilation, or air conditioning (HVAC) device operable to affect the environmental conditions of said building;
a controller;
The controller is
analyzing operating data of the HVAC system using a machine learning model to predict variable states or conditions of oil used by the HVAC system;
identifying oil starvation based on the variable state or condition of the oil;
and automatically initiating corrective action in response to identifying said oil deficiency.

前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内の前記オイルの量であり、
前記オイル欠乏を識別することは、前記ＨＶＡＣ装置内の前記オイルの量が、閾値量未満であると判定することを含み、
前記是正措置は、前記ＨＶＡＣ装置に、より多くのオイルを提供して、前記ＨＶＡＣ装置内の前記オイルの量を増加させることを含む、請求項１７の環境制御システム。 the variable state or condition of the oil is the amount of the oil in the HVAC system;
identifying the oil deficiency includes determining that the amount of oil in the HVAC system is less than a threshold amount;
18. The environmental control system of claim 17, wherein the corrective action includes providing more oil to the HVAC system to increase the amount of the oil in the HVAC system.

前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内のオイル冷媒混合物の粘度であり、
前記オイル欠乏を識別することは、前記オイル冷媒混合物の粘度が閾値粘度未満であると判定することを含み、
前記是正措置は、前記ＨＶＡＣ装置に、より多くのオイルを提供して、前記ＨＶＡＣ装置内の前記オイル冷媒混合物の粘度を増加させることを含む、請求項１７の環境制御システム。 the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system;
identifying the oil starvation includes determining that the viscosity of the oil refrigerant mixture is less than a threshold viscosity;
18. The environmental control system of claim 17, wherein the corrective action includes providing more oil to the HVAC system to increase viscosity of the oil-refrigerant mixture within the HVAC system.

前記ＨＶＡＣ装置は、複数の異なる動作速度で動作可能であり、
前記オイルの可変状態又はコンディションは、前記ＨＶＡＣ装置内のオイル冷媒混合物の粘度であり、
前記是正措置は、前記オイル冷媒混合物の粘度に基づいて前記ＨＶＡＣ装置の動作速度の上限を設定することを含む、請求項１７の環境制御システム。 the HVAC equipment is operable at a plurality of different operating speeds;
the variable state or condition of the oil is the viscosity of the oil-refrigerant mixture in the HVAC system;
18. The environmental control system of claim 17, wherein the corrective action includes capping the operating speed of the HVAC device based on the viscosity of the oil refrigerant mixture.

暖房、換気、又は空調（ＨＶＡＣ）システム内のコンプレッサのモータを動作させるためのコントローラであって、
前記モータに提供される電流に対する振幅設定値を予測する機械学習モデルを取得することであって、前記振幅設定値は前記モータの振動に影響を与えることと、
前記機械学習モデルを使用して前記モータの動作データを分析して、前記電流に対する振幅設定値を予測することと、
前記振幅設定値に基づいて前記モータを動作させることと
を行うように構成された処理回路を備える、コントローラ。 A controller for operating a compressor motor in a heating, ventilation, or air conditioning (HVAC) system, comprising:
obtaining a machine learning model that predicts an amplitude setpoint for a current provided to the motor, the amplitude setpoint affecting vibration of the motor;
analyzing operating data of the motor using the machine learning model to predict amplitude settings for the current;
and operating the motor based on the amplitude setting.

前記振幅設定値に基づいて前記モータを動作させることは、前記振幅設定値をインバータに提供することを含み、
前記インバータは、前記モータに前記電流を提供するように構成されている、請求項２１のコントローラ。 operating the motor based on the amplitude setting includes providing the amplitude setting to an inverter;
22. The controller of Claim 21, wherein the inverter is configured to provide the current to the motor.

前記機械学習モデルへの入力が、
前記モータの直軸と横軸との間の軸誤差、
前記電流の周波数、
前記モータに関連付けられた実際の騒音レベル、又は
前記モータに関連付けられた必要な騒音レベル
のうちの少なくとも１つを含む、請求項２１のコントローラ。 The input to the machine learning model is:
axis error between the direct and lateral axes of the motor;
the frequency of said current;
22. The controller of claim 21, comprising at least one of an actual noise level associated with said motor or a desired noise level associated with said motor.

前記機械学習モデルは、前記動作データと、前記モータによって生成される騒音の量との間の相関関係を学習するように訓練されており、
前記騒音の量は、前記モータの前記振動を予測するための代用として使用される、請求項２１のコントローラ。 the machine learning model is trained to learn a correlation between the operational data and the amount of noise produced by the motor;
22. The controller of claim 21, wherein the amount of noise is used as a proxy for predicting the vibration of the motor.

前記処理回路は、シミュレーションモデルから取得された訓練データのセットを使用して、前記機械学習モデルを生成するように更に構成されている、請求項２１のコントローラ。 22. The controller of Claim 21, wherein the processing circuitry is further configured to generate the machine learning model using a training data set obtained from a simulation model.

前記機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルであり、
前記動作データを分析することは、
前記ＲＮＮモデルへの入力として、前記動作データの値の時系列を提供することと、
前記ＲＮＮモデルの出力として、前記振幅設定値の予測を取得することと
を含む、請求項２１のコントローラ。 The machine learning model is a recurrent neural network (RNN) model,
Analyzing the operational data includes:
providing a time series of values of the operational data as an input to the RNN model;
and obtaining predictions of the amplitude settings as outputs of the RNN model.

前記電流は、交流（ＡＣ）であり、
前記ＡＣの周波数が、前記モータの回転速度に影響を与え、前記ＡＣの振幅が、前記モータによって印加されるトルクに影響を与える、請求項２１のコントローラ。 the electric current is alternating current (AC);
22. The controller of claim 21, wherein the frequency of the AC affects the speed of rotation of the motor and the amplitude of the AC affects the torque applied by the motor.

可変冷媒流（ＶＲＦ）システムの障害を予測するためのコントローラであって、
機械学習モデルを使用して前記ＶＲＦシステムの動作データを分析して、前記ＶＲＦシステムの障害分類を予測することであって、前記障害分類は、前記ＶＲＦシステムに影響を与える障害コンディションを識別することと、
前記障害コンディションに関連付けられた前記ＶＲＦシステムのＶＲＦデバイスを識別することと、
前記デバイス及び前記障害コンディションを識別することに応答して、前記障害コンディションに対処するための是正措置を自動的に開始することと
を行うように構成された処理回路を備える、コントローラ。 A controller for predicting faults in a variable refrigerant flow (VRF) system, comprising:
Analyzing operational data of the VRF system using a machine learning model to predict a fault classification of the VRF system, the fault classification identifying a fault condition affecting the VRF system. and,
identifying a VRF device of the VRF system associated with the failure condition;
in response to identifying the device and the fault condition, automatically initiating corrective action to address the fault condition.

前記障害分類は、前記障害コンディションに関連付けられた重大度メトリックを含み、
前記重大度メトリックは、前記障害コンディションの前記ＶＲＦシステムへの影響を示し、
前記是正措置は、前記重大度メトリックに基づいて判定される、請求項２８のコントローラ。 the fault classification includes a severity metric associated with the fault condition;
the severity metric indicates the impact of the failure condition on the VRF system;
29. The controller of Claim 28, wherein the corrective action is determined based on the severity metric.

前記機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルであり、
前記動作データを分析することは、
前記ＲＮＮモデルへの入力として、前記動作データの値の時系列を提供することと、
前記ＲＮＮモデルの出力として、前記障害分類の予測を取得することと
を含む、請求項２８のコントローラ。 The machine learning model is a recurrent neural network (RNN) model,
Analyzing the operational data includes:
providing a time series of values of the operational data as an input to the RNN model;
and obtaining predictions of the fault classification as an output of the RNN model.

前記処理回路は、シミュレーションモデルから取得された訓練データのセットを使用して、前記機械学習モデルを生成するように更に構成される、請求項２８のコントローラ。 29. The controller of Claim 28, wherein the processing circuitry is further configured to generate the machine learning model using a training data set obtained from a simulation model.

前記障害分類は、前記ＶＲＦシステムに影響を与える複数の障害コンディションを識別し、
前記複数の障害コンディションは、前記ＶＲＦシステムの複数のＶＲＦデバイスに関連付けられる、請求項２８のコントローラ。 the fault classification identifies a plurality of fault conditions affecting the VRF system;
29. The controller of claim 28, wherein the multiple failure conditions are associated with multiple VRF devices of the VRF system.

前記障害コンディションは、
冷媒の漏れ、
室外ユニットの霜降り、
室内ファンの目詰まり、
室内フィルタの目詰まり
熱交換器の目詰まり、
室外ファンの目詰まり、
モータの減磁、又は
コンプレッサからのオイルの漏れ
のうちの少なくとも１つである、請求項２８のコントローラ。 The failure condition is
refrigerant leaks,
Marbling of the outdoor unit,
clogged indoor fan,
clogged indoor filters clogged heat exchangers,
clogged outdoor fan,
29. The controller of claim 28, wherein at least one of demagnetization of the motor or oil leakage from the compressor.

暖房、換気、又は空調（ＨＶＡＣ）システム内のコンプレッサのモータを動作させるための方法であって、
前記モータに提供される電流に対する振幅設定値を予測する機械学習モデルを取得することであって、前記振幅設定値は前記モータの振動に影響を与えることと、
前記機械学習モデルを使用して前記モータの動作データを分析して、前記電流に対する振幅設定値を予測することと、
前記振幅設定値に基づいて前記モータを動作させることと
を含む、方法。 A method for operating a compressor motor in a heating, ventilation, or air conditioning (HVAC) system comprising:
obtaining a machine learning model that predicts an amplitude setpoint for a current provided to the motor, the amplitude setpoint affecting vibration of the motor;
analyzing operating data of the motor using the machine learning model to predict amplitude settings for the current;
operating the motor based on the amplitude setting.

前記振幅設定値に基づいて前記モータを動作させることは、前記振幅設定値をインバータに提供することを含み、
前記インバータは、前記モータに前記電流を提供するように構成されている、請求項３４の方法。 operating the motor based on the amplitude setting includes providing the amplitude setting to an inverter;
35. The method of claim 34, wherein the inverter is configured to provide the current to the motor.

前記機械学習モデルへの入力が、
前記モータの直軸と横軸との間の軸誤差、
前記電流の周波数、
前記モータに関連付けられた実際の騒音レベル、又は
前記モータに関連付けられた必要な騒音レベル
のうちの少なくとも１つを含む、請求項３４の方法。 The input to the machine learning model is:
axis error between the direct and lateral axes of the motor;
the frequency of said current;
35. The method of claim 34, including at least one of an actual noise level associated with the motor or a desired noise level associated with the motor.

前記機械学習モデルは、前記動作データと、前記モータによって生成される騒音の量との間の相関関係を学習するように訓練されており、
前記騒音の量は、前記モータの前記振動を予測するための代用として使用される、請求項３４の方法。 the machine learning model is trained to learn a correlation between the operational data and the amount of noise produced by the motor;
35. The method of claim 34, wherein the amount of noise is used as a proxy for predicting the vibration of the motor.

シミュレーションモデルから取得された訓練データのセットを使用して、前記機械学習モデルを生成することを更に含む、請求項３４の方法。 35. The method of claim 34, further comprising generating the machine learning model using a training data set obtained from a simulation model.

前記機械学習モデルは、リカレントニューラルネットワーク（ＲＮＮ）モデルであり、
前記動作データを分析することは、
前記ＲＮＮモデルへの入力として、前記動作データの値の時系列を提供することと、
前記ＲＮＮモデルの出力として、前記振幅設定値の予測を取得することと
を含む、請求項３４の方法。 The machine learning model is a recurrent neural network (RNN) model,
Analyzing the operational data includes:
providing a time series of values of the operational data as an input to the RNN model;
35. The method of claim 34, comprising obtaining a prediction of the amplitude setting as an output of the RNN model.

前記電流は交流（ＡＣ）であり、
前記ＡＣの周波数が、前記モータの回転速度に影響を与え、前記ＡＣの振幅が、前記モータによって印加されるトルクに影響を与える、請求項３４の方法。
the electric current is alternating current (AC);
35. The method of claim 34, wherein the frequency of the AC affects the speed of rotation of the motor and the amplitude of the AC affects the torque applied by the motor.