JP2810607B2 - 除霜制御装置 - Google Patents
除霜制御装置Info
- Publication number
- JP2810607B2 JP2810607B2 JP6076493A JP6076493A JP2810607B2 JP 2810607 B2 JP2810607 B2 JP 2810607B2 JP 6076493 A JP6076493 A JP 6076493A JP 6076493 A JP6076493 A JP 6076493A JP 2810607 B2 JP2810607 B2 JP 2810607B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- compressor
- frost
- amount
- defrosting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Devices That Are Associated With Refrigeration Equipment (AREA)
- Defrosting Systems (AREA)
- Feedback Control In General (AREA)
Description
【0001】
【産業上の利用分野】本発明は、冷凍冷蔵庫における除
霜制御装置に関する。
霜制御装置に関する。
【0002】
【従来の技術】冷凍冷蔵庫においては、一般的には冷却
器に霜が付着する。そのため、通常は所定の間隔毎に、
冷却器に備えられたヒータに電流を流すことにより冷却
器の除霜を行っている。
器に霜が付着する。そのため、通常は所定の間隔毎に、
冷却器に備えられたヒータに電流を流すことにより冷却
器の除霜を行っている。
【0003】従来の冷凍冷蔵庫においては、圧縮器の動
作時間をタイマーによって計測し、圧縮器(以下、コン
プレッサと呼ぶ)の動作時間を積算することにより、除
霜を行うタイミングを決定する方法が、しばしば使用さ
れている。このような方法は、例えば実開昭58−19
2377号公報に記載されている。
作時間をタイマーによって計測し、圧縮器(以下、コン
プレッサと呼ぶ)の動作時間を積算することにより、除
霜を行うタイミングを決定する方法が、しばしば使用さ
れている。このような方法は、例えば実開昭58−19
2377号公報に記載されている。
【0004】上記公報に記載されている除霜制御装置
は、常に一定の時間の経過後に除霜を行う。これに対
し、本願出願人が社内的に開発した除霜制御装置によれ
ば、コンプレッサの動作時間の積算値が、例えばおよそ
8〜16時間になった場合であって、かつ、扉の開閉時
間が最も少ないと予測される所定の2時間の期間内で、
除霜が行われる。
は、常に一定の時間の経過後に除霜を行う。これに対
し、本願出願人が社内的に開発した除霜制御装置によれ
ば、コンプレッサの動作時間の積算値が、例えばおよそ
8〜16時間になった場合であって、かつ、扉の開閉時
間が最も少ないと予測される所定の2時間の期間内で、
除霜が行われる。
【0005】すなわち、このような冷凍冷蔵庫によれ
ば、コンプレッサの動作の積算値が8時間から16時間
となる範囲において、この期間を8個の2時間毎のブロ
ックに分割し、どのブロックにおいて扉の開閉が最も少
ないかが調査される。扉の開閉は多くの場合深夜に解閉
回数が最小となり、また、個々の家庭においてほぼ決ま
った時間帯において開閉回数が最小となると予想される
ので、これに基づいて上記開閉回数が最小となるブロッ
ク内で除霜が行われる。ここにおいて、8時間から16
時間と制限を設けているのは、除霜間隔が著しく短くな
ったり、また長くなってしまうことを防止するためであ
る。すなわち、除霜が行われる間隔は、少なくとも8時
間は確保され、また最高でも16時間毎にかならず行わ
れるのである。
ば、コンプレッサの動作の積算値が8時間から16時間
となる範囲において、この期間を8個の2時間毎のブロ
ックに分割し、どのブロックにおいて扉の開閉が最も少
ないかが調査される。扉の開閉は多くの場合深夜に解閉
回数が最小となり、また、個々の家庭においてほぼ決ま
った時間帯において開閉回数が最小となると予想される
ので、これに基づいて上記開閉回数が最小となるブロッ
ク内で除霜が行われる。ここにおいて、8時間から16
時間と制限を設けているのは、除霜間隔が著しく短くな
ったり、また長くなってしまうことを防止するためであ
る。すなわち、除霜が行われる間隔は、少なくとも8時
間は確保され、また最高でも16時間毎にかならず行わ
れるのである。
【0006】コンプレッサの作動時間と、冷却器に付着
する着霜量との間には、ある一定条件下おいて比例比例
係数があることが良く知られているため、上記方法は幅
広く用いられている。そして、このような手法を適用
し、上述したように8〜16時間という条件を用いた冷
凍冷蔵庫によれば、多くの家庭においては、ほぼ一日一
回の割合で除霜が行われることが経験的に知られてい
る。
する着霜量との間には、ある一定条件下おいて比例比例
係数があることが良く知られているため、上記方法は幅
広く用いられている。そして、このような手法を適用
し、上述したように8〜16時間という条件を用いた冷
凍冷蔵庫によれば、多くの家庭においては、ほぼ一日一
回の割合で除霜が行われることが経験的に知られてい
る。
【0007】除霜は上述したように冷却器に備え付けら
れたヒータに通電することにより行われるが、通電時間
は冷却器の温度によって制御される。すなわち、冷却器
にはサーミスタが設けられており、その温度が逐次計測
されている。そして、上記ヒータに通電が開始されてか
ら、冷却器の温度が所定の温度に達したならば除霜が完
了したものと見なし、通電を解除するのである。このよ
うな通電時間の制御により、通常はおよそ30〜50分
の通電時間で除霜が行われる。
れたヒータに通電することにより行われるが、通電時間
は冷却器の温度によって制御される。すなわち、冷却器
にはサーミスタが設けられており、その温度が逐次計測
されている。そして、上記ヒータに通電が開始されてか
ら、冷却器の温度が所定の温度に達したならば除霜が完
了したものと見なし、通電を解除するのである。このよ
うな通電時間の制御により、通常はおよそ30〜50分
の通電時間で除霜が行われる。
【0008】また、他の除霜制御装置として、外気温度
検出手段とドア解放時間積算手段とを備えた冷凍冷蔵庫
の除霜制御装置が、例えば特開平4−190075号公
報に記載されている。ここに記載されている除霜制御装
置は、上記外気温度検出手段とドア解放時間積算手段と
からの信号に基づき、ファジー制御則により除霜間隔を
決定している。
検出手段とドア解放時間積算手段とを備えた冷凍冷蔵庫
の除霜制御装置が、例えば特開平4−190075号公
報に記載されている。ここに記載されている除霜制御装
置は、上記外気温度検出手段とドア解放時間積算手段と
からの信号に基づき、ファジー制御則により除霜間隔を
決定している。
【0009】
【発明が解決しようとする課題】上述した従来のファジ
ー制御則による冷蔵庫においては、庫内食品の量・質
(食品を冷蔵庫に収納してからの温度及び水分)によっ
て着霜量は大きく異なってしまうため、適正な除霜制御
とはならないという欠点があった。また、冷凍庫内の温
度を監視していないため、除霜に時間が掛かり過ぎてし
まい、食品の劣化を引き起こす恐れがあった。さらに、
あらかじめファジー制御則によって入出力比例係数が定
められるが、制御則で定められた入力以外には対応でき
ないと共に、開発時に膨大な実験データが必要となる。
ー制御則による冷蔵庫においては、庫内食品の量・質
(食品を冷蔵庫に収納してからの温度及び水分)によっ
て着霜量は大きく異なってしまうため、適正な除霜制御
とはならないという欠点があった。また、冷凍庫内の温
度を監視していないため、除霜に時間が掛かり過ぎてし
まい、食品の劣化を引き起こす恐れがあった。さらに、
あらかじめファジー制御則によって入出力比例係数が定
められるが、制御則で定められた入力以外には対応でき
ないと共に、開発時に膨大な実験データが必要となる。
【0010】前述したように、コンプレッサの作動時間
の積算値はほぼ着霜量に比例することが広く知られてい
るので、「従来の技術」において最初に述べた方法を適
用することは、原理的には正しいといえる。しかしなが
ら、除霜を行うべきコンプレッサの作動時間の積算値が
例えば8〜16時間に固定されていた(制限されたい
た)ので、各家庭における使用状況に応じた除霜制御を
行うことはできなかった。
の積算値はほぼ着霜量に比例することが広く知られてい
るので、「従来の技術」において最初に述べた方法を適
用することは、原理的には正しいといえる。しかしなが
ら、除霜を行うべきコンプレッサの作動時間の積算値が
例えば8〜16時間に固定されていた(制限されたい
た)ので、各家庭における使用状況に応じた除霜制御を
行うことはできなかった。
【0011】例えば、コンプレッサの作動時間の積算値
と、着霜量との比例係数の一例を示すグラフが図19に
示されている。
と、着霜量との比例係数の一例を示すグラフが図19に
示されている。
【0012】図19に示されているグラフは、横軸がコ
ンプレッサの作動時間の積算値であり、縦軸は冷却器に
付着する霜の量(すなわち、着霜量)を示す。このグラ
フにおいて、破線Cで示されているのは、一定負荷条件
(扉が閉状態のみ等)におけるコンプレッサの作動時間
の積算値と着霜量との比例係数の例である。この破線
は、例えば、一次回帰式によって算出される。この一次
回帰式は、例えば図19に示されているようにY=6.
739+13.84Xとなる。ここで、Yは着霜量であ
り、Xはコンプレッサの作動時間の積算値である。ま
た、信頼度r=0.998である。なお、この一次回帰
は、11点のデータ(n=11)により求めた。
ンプレッサの作動時間の積算値であり、縦軸は冷却器に
付着する霜の量(すなわち、着霜量)を示す。このグラ
フにおいて、破線Cで示されているのは、一定負荷条件
(扉が閉状態のみ等)におけるコンプレッサの作動時間
の積算値と着霜量との比例係数の例である。この破線
は、例えば、一次回帰式によって算出される。この一次
回帰式は、例えば図19に示されているようにY=6.
739+13.84Xとなる。ここで、Yは着霜量であ
り、Xはコンプレッサの作動時間の積算値である。ま
た、信頼度r=0.998である。なお、この一次回帰
は、11点のデータ(n=11)により求めた。
【0013】また、ある家庭B宅において、実際に測定
されたコンプレッサの作動時間の積算値と着霜量との比
例係数の実測値が丸印で示されている。この丸印によれ
ば、図に示されているように、B宅においてはほぼ一点
鎖線Bで示されるような比例係数が、コンプレッサの作
動時間の積算値と着霜量との間にあることが理解されよ
う。
されたコンプレッサの作動時間の積算値と着霜量との比
例係数の実測値が丸印で示されている。この丸印によれ
ば、図に示されているように、B宅においてはほぼ一点
鎖線Bで示されるような比例係数が、コンプレッサの作
動時間の積算値と着霜量との間にあることが理解されよ
う。
【0014】また、別の家庭A宅において、実際に測定
されたコンプレッサの作動時間の積算値と着霜量との比
例係数の実測値が四角印で示されている。この四角印に
よれば、図に示されているように、A宅においてはほぼ
二点鎖線Aで示されるような比例係数が、コンプレッサ
の作動時間の積算値と着霜量との間にあることが理解さ
れよう。
されたコンプレッサの作動時間の積算値と着霜量との比
例係数の実測値が四角印で示されている。この四角印に
よれば、図に示されているように、A宅においてはほぼ
二点鎖線Aで示されるような比例係数が、コンプレッサ
の作動時間の積算値と着霜量との間にあることが理解さ
れよう。
【0015】ここで測定された冷蔵庫の冷却器の最適着
霜量が600gであった場合、A宅においては、ほぼ
(コンプレッサの動作時間の積算値が)16時間でこの
着霜量600gに達する。したがって、A宅において
は、8〜16時間という制限は、適切な値であるといえ
る。一方、B宅においては、ほぼ(コンプレッサの動作
時間の積算値が)24時間で上記最適な着霜量に達する
が、16時間ではおよそ400g程度しか着霜量がない
ことが理解される。すなわち、B宅において、同様に8
〜16時間の制限を設けた冷蔵庫を使用した場合、冷却
器の着霜量が少ないうちに除霜が行われ、除霜のために
無駄な電力が使用されると共に、冷凍庫内の望ましくな
い温度変化を起こす可能性がある。
霜量が600gであった場合、A宅においては、ほぼ
(コンプレッサの動作時間の積算値が)16時間でこの
着霜量600gに達する。したがって、A宅において
は、8〜16時間という制限は、適切な値であるといえ
る。一方、B宅においては、ほぼ(コンプレッサの動作
時間の積算値が)24時間で上記最適な着霜量に達する
が、16時間ではおよそ400g程度しか着霜量がない
ことが理解される。すなわち、B宅において、同様に8
〜16時間の制限を設けた冷蔵庫を使用した場合、冷却
器の着霜量が少ないうちに除霜が行われ、除霜のために
無駄な電力が使用されると共に、冷凍庫内の望ましくな
い温度変化を起こす可能性がある。
【0016】そこで、B宅においては、コンプレッサの
作動時間の積算値の制限を、例えば16時間から24時
間とすることができれば、除霜のために無駄な電力を消
費することもなく、また、冷凍庫内の予期せぬ温度変化
を引き起こす恐れもない。
作動時間の積算値の制限を、例えば16時間から24時
間とすることができれば、除霜のために無駄な電力を消
費することもなく、また、冷凍庫内の予期せぬ温度変化
を引き起こす恐れもない。
【0017】本発明は上記課題に鑑みなされたものであ
り、その目的は、各家庭におけるコンプレッサの作動状
況を観察し、それに基づいて除霜をおこなべきコンプレ
ッサの作動時間の積算値を制御可能な除霜制御装置を提
供することである。
り、その目的は、各家庭におけるコンプレッサの作動状
況を観察し、それに基づいて除霜をおこなべきコンプレ
ッサの作動時間の積算値を制御可能な除霜制御装置を提
供することである。
【0018】
【課題を解決するための手段】第一の本発明は、上述の
課題を解決するために、外気温度を計測する外気温度計
測手段と、冷凍室もしくは冷蔵室の温度を計測する庫内
温度計測手段と、前記外気温度計測手段によって計測さ
れた外気温度と、前記庫内温度計測手段によって計測さ
れた庫内温度と、に基づき、コンプレッサの駆動制御を
行うコンプレッサ駆動手段と、前記コンプレッサ駆動手
段が前記コンプレッサを駆動する時間を積算し、コンプ
レッサ駆動積算時間を計時するコンプレッサ積算時間計
時手段と、前記冷蔵庫の扉の開閉頻度を計測する扉開閉
頻度計測手段と、前記冷蔵庫の冷却器の温度を計測する
冷却器温度計測手段と、前記コンプレッサ積算時間計時
手段が出力するコンプレッサ駆動積算時間が、所定の時
間範囲内にある場合に除霜を行う除霜制御手段であっ
て、前記扉開閉頻度計測手段から出力される扉開閉頻度
を参照することにより前記所定の時間範囲内における最
も扉の開閉の少ない時間帯を選択し、その時間帯におい
て除霜を開始し、前記除霜を開始した後で前記冷却器温
度計測手段によって冷却器の温度が所定の温度に達した
時に除霜を終了させる霜取りヒータ制御手段と、を含む
除霜制御装置において、前記冷却器に付着した霜の量で
ある着霜量を計測する着霜量計測手段と、前記着霜量と
除霜が行われた際の前記コンプレッサ駆動積算時間とを
演算し、前記着霜量と前記コンプレッサ駆動積算時間と
の比例係数を算出する積算時間・着霜量演算手段と、あ
らかじめ定められた最適な着霜量と、前記積算時間・着
霜量演算手段によって算出された比例係数とを比較し、
除霜を行うべき前記コンプレッサの駆動積算時間の前記
所定の時間範囲を算出するコンプレッサ積算時間範囲演
算手段と、を含み、前記霜取りヒータ制御手段は、前記
コンプレッサ積算時間範囲演算手段によって算出された
前記所定の時間範囲を用いて、前記コンプレッサ積算時
間がその所定の時間範囲内にあるか否かを判断すること
を特徴とする除霜制御装置である。
課題を解決するために、外気温度を計測する外気温度計
測手段と、冷凍室もしくは冷蔵室の温度を計測する庫内
温度計測手段と、前記外気温度計測手段によって計測さ
れた外気温度と、前記庫内温度計測手段によって計測さ
れた庫内温度と、に基づき、コンプレッサの駆動制御を
行うコンプレッサ駆動手段と、前記コンプレッサ駆動手
段が前記コンプレッサを駆動する時間を積算し、コンプ
レッサ駆動積算時間を計時するコンプレッサ積算時間計
時手段と、前記冷蔵庫の扉の開閉頻度を計測する扉開閉
頻度計測手段と、前記冷蔵庫の冷却器の温度を計測する
冷却器温度計測手段と、前記コンプレッサ積算時間計時
手段が出力するコンプレッサ駆動積算時間が、所定の時
間範囲内にある場合に除霜を行う除霜制御手段であっ
て、前記扉開閉頻度計測手段から出力される扉開閉頻度
を参照することにより前記所定の時間範囲内における最
も扉の開閉の少ない時間帯を選択し、その時間帯におい
て除霜を開始し、前記除霜を開始した後で前記冷却器温
度計測手段によって冷却器の温度が所定の温度に達した
時に除霜を終了させる霜取りヒータ制御手段と、を含む
除霜制御装置において、前記冷却器に付着した霜の量で
ある着霜量を計測する着霜量計測手段と、前記着霜量と
除霜が行われた際の前記コンプレッサ駆動積算時間とを
演算し、前記着霜量と前記コンプレッサ駆動積算時間と
の比例係数を算出する積算時間・着霜量演算手段と、あ
らかじめ定められた最適な着霜量と、前記積算時間・着
霜量演算手段によって算出された比例係数とを比較し、
除霜を行うべき前記コンプレッサの駆動積算時間の前記
所定の時間範囲を算出するコンプレッサ積算時間範囲演
算手段と、を含み、前記霜取りヒータ制御手段は、前記
コンプレッサ積算時間範囲演算手段によって算出された
前記所定の時間範囲を用いて、前記コンプレッサ積算時
間がその所定の時間範囲内にあるか否かを判断すること
を特徴とする除霜制御装置である。
【0019】第二の本発明は、上述の課題を解決するた
めに、第一の本発明における除霜制御装置において、前
記積算時間・着霜量演算手段は、最新に行われた所定回
数の除霜の際のコンプレッサ駆動積算時間と着霜量とを
記憶する記憶手段と、前記記憶手段に記憶された前記コ
ンプレッサ積算時間と着霜量とから、前記コンプレッサ
積算時間と着霜量との比例係数を、前記所定回数分算出
する比例係数算出手段と、前記比例係数算出手段によっ
て算出された所定回数分の比例係数の平均値を算出する
平均値算出手段と、を含み、前記平均値算出手段によっ
て算出された平均の比例係数を、前記コンプレッサ駆動
積算時間と前記着霜量との比例係数として出力し、前記
コンプレッサ駆動積算時間範囲演算手段は、前記あらか
じめ定められた最適な着霜量と、前記積算時間・着霜量
演算手段が出力した比例係数とから、前記最適な着霜量
の霜が前記冷却器に付着すると予想される前記コンプレ
ッサ駆動積算時間を算出する最適着霜予想時間算出手段
と、前記最適着霜予想時間算出手段によって算出された
最適着霜予想時間を中心とする一定の時間範囲を、前記
所定の時間範囲として設定する時間範囲設定手段と、を
含み、前記霜取りヒータ制御手段は、前記コンプレッサ
駆動積算時間が、前記時間範囲設定手段によって設定さ
れた時間範囲内であるか否かを判断することを特徴とす
る除霜制御装置である。
めに、第一の本発明における除霜制御装置において、前
記積算時間・着霜量演算手段は、最新に行われた所定回
数の除霜の際のコンプレッサ駆動積算時間と着霜量とを
記憶する記憶手段と、前記記憶手段に記憶された前記コ
ンプレッサ積算時間と着霜量とから、前記コンプレッサ
積算時間と着霜量との比例係数を、前記所定回数分算出
する比例係数算出手段と、前記比例係数算出手段によっ
て算出された所定回数分の比例係数の平均値を算出する
平均値算出手段と、を含み、前記平均値算出手段によっ
て算出された平均の比例係数を、前記コンプレッサ駆動
積算時間と前記着霜量との比例係数として出力し、前記
コンプレッサ駆動積算時間範囲演算手段は、前記あらか
じめ定められた最適な着霜量と、前記積算時間・着霜量
演算手段が出力した比例係数とから、前記最適な着霜量
の霜が前記冷却器に付着すると予想される前記コンプレ
ッサ駆動積算時間を算出する最適着霜予想時間算出手段
と、前記最適着霜予想時間算出手段によって算出された
最適着霜予想時間を中心とする一定の時間範囲を、前記
所定の時間範囲として設定する時間範囲設定手段と、を
含み、前記霜取りヒータ制御手段は、前記コンプレッサ
駆動積算時間が、前記時間範囲設定手段によって設定さ
れた時間範囲内であるか否かを判断することを特徴とす
る除霜制御装置である。
【0020】第三の本発明は、上述の課題を解決するた
めに、第一の本発明における除霜制御装置において、前
記積算時間・着霜量演算手段は、所定回数の最新に行わ
れた除霜の際のコンプレッサ駆動積算時間と着霜量とを
記憶する記憶手段と、前記記憶手段に記憶された複数個
の前記コンプレッサ積算時間と着霜量とに基づき、最小
二乗法により一次回帰式を算出する一次回帰手段と、を
含み、前記一次回帰手段によって算出された一次回帰式
の定数項と傾きとを、前記コンプレッサ駆動積算時間と
前記着霜量との比例係数として出力し、前記コンプレッ
サ駆動積算時間範囲演算手段は、前記積算時間・着霜量
演算手段が出力した前記定数項及び傾きと、前記最適な
着霜量とから、前記最適な着霜量の霜が前記冷却器に付
着すると予想される前記コンプレッサ駆動積算時間を算
出する最適着霜予想時間算出手段と、前記最適着霜予想
時間算出手段によって算出された最適着霜予想時間を中
心とする一定の時間範囲を、前記所定の時間範囲として
設定する時間範囲設定手段と、を含み、前記霜取りヒー
タ制御手段は、前記コンプレッサ駆動積算時間が、前記
時間範囲設定手段によって設定された時間範囲内である
か否かを判断することを特徴とする除霜制御装置であ
る。
めに、第一の本発明における除霜制御装置において、前
記積算時間・着霜量演算手段は、所定回数の最新に行わ
れた除霜の際のコンプレッサ駆動積算時間と着霜量とを
記憶する記憶手段と、前記記憶手段に記憶された複数個
の前記コンプレッサ積算時間と着霜量とに基づき、最小
二乗法により一次回帰式を算出する一次回帰手段と、を
含み、前記一次回帰手段によって算出された一次回帰式
の定数項と傾きとを、前記コンプレッサ駆動積算時間と
前記着霜量との比例係数として出力し、前記コンプレッ
サ駆動積算時間範囲演算手段は、前記積算時間・着霜量
演算手段が出力した前記定数項及び傾きと、前記最適な
着霜量とから、前記最適な着霜量の霜が前記冷却器に付
着すると予想される前記コンプレッサ駆動積算時間を算
出する最適着霜予想時間算出手段と、前記最適着霜予想
時間算出手段によって算出された最適着霜予想時間を中
心とする一定の時間範囲を、前記所定の時間範囲として
設定する時間範囲設定手段と、を含み、前記霜取りヒー
タ制御手段は、前記コンプレッサ駆動積算時間が、前記
時間範囲設定手段によって設定された時間範囲内である
か否かを判断することを特徴とする除霜制御装置であ
る。
【0021】第四の本発明は、上述の課題を解決するた
めに、第一の本発明における除霜制御装置において、前
記積算時間・着霜量演算手段は、所定回数の最新に行わ
れた除霜の際のコンプレッサ駆動積算時間と着霜量とを
記憶する記憶手段と、前記記憶手段に記憶された前記コ
ンプレッサ積算時間と着霜量とから、前記コンプレッサ
積算時間と着霜量との比例係数を、前記所定回数分算出
する比例係数算出手段と、前記比例係数算出手段によっ
て算出された所定回数分の比例係数のうち、最大値と最
小値とを算出する最大・最小値算出手段と、を含み、前
記最大・最小値算出手段によって算出された比例係数の
最大値と最小値とを、前記コンプレッサ駆動積算時間と
前記着霜量との比例係数として出力し、前記コンプレッ
サ駆動積算時間範囲演算手段は、前記積算時間・着霜量
演算手段が出力した比例係数の最大値と、前記最適な着
霜量とから、前記最適な着霜量の霜が前記冷却器に付着
すると予想される前記コンプレッサ駆動積算時間を算出
する第一最適着霜予想時間算出手段と、前記積算時間・
着霜量演算手段が出力した比例係数の最小値と、前記最
適な着霜量とから、前記最適な着霜量の霜が前記冷却器
に付着すると予想される前記コンプレッサ駆動積算時間
を算出する第二最適着霜予想時間算出手段と、前記第一
最適着霜予想時間算出手段によって算出された第一最適
着霜予想時間から、前記第二最適着霜予想時間算出手段
によって算出された第二最適着霜予想時間までの時間範
囲を、前記所定の時間範囲として設定する時間範囲設定
手段と、を含み、前記霜取りヒータ制御手段は、前記コ
ンプレッサ駆動積算時間が、前記時間範囲設定手段によ
って設定された時間範囲内であるか否かを判断すること
を特徴とする除霜制御装置である。
めに、第一の本発明における除霜制御装置において、前
記積算時間・着霜量演算手段は、所定回数の最新に行わ
れた除霜の際のコンプレッサ駆動積算時間と着霜量とを
記憶する記憶手段と、前記記憶手段に記憶された前記コ
ンプレッサ積算時間と着霜量とから、前記コンプレッサ
積算時間と着霜量との比例係数を、前記所定回数分算出
する比例係数算出手段と、前記比例係数算出手段によっ
て算出された所定回数分の比例係数のうち、最大値と最
小値とを算出する最大・最小値算出手段と、を含み、前
記最大・最小値算出手段によって算出された比例係数の
最大値と最小値とを、前記コンプレッサ駆動積算時間と
前記着霜量との比例係数として出力し、前記コンプレッ
サ駆動積算時間範囲演算手段は、前記積算時間・着霜量
演算手段が出力した比例係数の最大値と、前記最適な着
霜量とから、前記最適な着霜量の霜が前記冷却器に付着
すると予想される前記コンプレッサ駆動積算時間を算出
する第一最適着霜予想時間算出手段と、前記積算時間・
着霜量演算手段が出力した比例係数の最小値と、前記最
適な着霜量とから、前記最適な着霜量の霜が前記冷却器
に付着すると予想される前記コンプレッサ駆動積算時間
を算出する第二最適着霜予想時間算出手段と、前記第一
最適着霜予想時間算出手段によって算出された第一最適
着霜予想時間から、前記第二最適着霜予想時間算出手段
によって算出された第二最適着霜予想時間までの時間範
囲を、前記所定の時間範囲として設定する時間範囲設定
手段と、を含み、前記霜取りヒータ制御手段は、前記コ
ンプレッサ駆動積算時間が、前記時間範囲設定手段によ
って設定された時間範囲内であるか否かを判断すること
を特徴とする除霜制御装置である。
【0022】第五の本発明は、上述の課題を解決するた
めに、冷蔵庫の外気温度を計測する外気温度計測手段
と、前記冷蔵庫の冷凍室もしくは冷蔵室の温度を計測す
る庫内温度計測手段と、前記外気温度計測手段によって
計測された外気温度と、前記庫内温度計測手段によって
計測された庫内温度と、に基づき、コンプレッサの駆動
制御を行うコンプレッサ駆動手段と、前記コンプレッサ
駆動手段が前記コンプレッサを駆動する時間を積算し、
コンプレッサ駆動積算時間を計時するコンプレッサ積算
時間計時手段と、前記冷蔵庫の扉の開閉頻度を計測する
扉開閉頻度計測手段と、前記冷蔵庫の冷却器の温度を計
測する冷却器温度計測手段と、前記コンプレッサ積算時
間計時手段が出力するコンプレッサ駆動積算時間が、所
定の時間範囲内にある場合に除霜を行う霜取りヒータ制
御手段であって、前記扉開閉頻度計測手段から出力され
る扉開閉頻度を参照することにより前記所定の時間範囲
内における最も扉の開閉の少ない時間帯を選択し、その
時間帯において除霜を開始し、前記除霜を開始した後で
前記冷却器温度計測手段によって冷却器の温度が所定の
温度に達した時に除霜を終了させる霜取りヒータ制御手
段と、を含む除霜制御装置において、前記冷却器に付着
した霜の量である着霜量を計測する着霜量計測手段と、
前記着霜量と除霜が行われた際の前記コンプレッサ駆動
積算時間とを演算し、前記着霜量と前記コンプレッサ駆
動積算時間との比例係数を算出する積算時間・着霜量演
算手段と、前記庫内温度計測手段によって計測された庫
内温度の変化に基づき、除霜動作の評価を行う評価関数
演算手段と、前記評価関数演算手段から出力される評価
関数値と、前記着霜量計測手段によって計測された実際
の着霜量とから、最適な着霜量を算出する最適着霜量演
算手段と、前記積算時間・着霜量演算手段によって算出
された比例係数と、最適な着霜量とを比較し、除霜を行
うべき前記コンプレッサの駆動積算時間の前記所定の時
間範囲を算出するコンプレッサ積算時間範囲演算手段
と、を含み、前記霜取りヒータ制御手段は、前記コンプ
レッサ積算時間範囲演算手段によって算出された前記所
定の時間範囲を用いて、前記コンプレッサ積算時間がそ
の所定の時間範囲内にあるか否かを判断することを特徴
とする除霜制御装置である。
めに、冷蔵庫の外気温度を計測する外気温度計測手段
と、前記冷蔵庫の冷凍室もしくは冷蔵室の温度を計測す
る庫内温度計測手段と、前記外気温度計測手段によって
計測された外気温度と、前記庫内温度計測手段によって
計測された庫内温度と、に基づき、コンプレッサの駆動
制御を行うコンプレッサ駆動手段と、前記コンプレッサ
駆動手段が前記コンプレッサを駆動する時間を積算し、
コンプレッサ駆動積算時間を計時するコンプレッサ積算
時間計時手段と、前記冷蔵庫の扉の開閉頻度を計測する
扉開閉頻度計測手段と、前記冷蔵庫の冷却器の温度を計
測する冷却器温度計測手段と、前記コンプレッサ積算時
間計時手段が出力するコンプレッサ駆動積算時間が、所
定の時間範囲内にある場合に除霜を行う霜取りヒータ制
御手段であって、前記扉開閉頻度計測手段から出力され
る扉開閉頻度を参照することにより前記所定の時間範囲
内における最も扉の開閉の少ない時間帯を選択し、その
時間帯において除霜を開始し、前記除霜を開始した後で
前記冷却器温度計測手段によって冷却器の温度が所定の
温度に達した時に除霜を終了させる霜取りヒータ制御手
段と、を含む除霜制御装置において、前記冷却器に付着
した霜の量である着霜量を計測する着霜量計測手段と、
前記着霜量と除霜が行われた際の前記コンプレッサ駆動
積算時間とを演算し、前記着霜量と前記コンプレッサ駆
動積算時間との比例係数を算出する積算時間・着霜量演
算手段と、前記庫内温度計測手段によって計測された庫
内温度の変化に基づき、除霜動作の評価を行う評価関数
演算手段と、前記評価関数演算手段から出力される評価
関数値と、前記着霜量計測手段によって計測された実際
の着霜量とから、最適な着霜量を算出する最適着霜量演
算手段と、前記積算時間・着霜量演算手段によって算出
された比例係数と、最適な着霜量とを比較し、除霜を行
うべき前記コンプレッサの駆動積算時間の前記所定の時
間範囲を算出するコンプレッサ積算時間範囲演算手段
と、を含み、前記霜取りヒータ制御手段は、前記コンプ
レッサ積算時間範囲演算手段によって算出された前記所
定の時間範囲を用いて、前記コンプレッサ積算時間がそ
の所定の時間範囲内にあるか否かを判断することを特徴
とする除霜制御装置である。
【0023】第六の本発明は、上述の課題を解決するた
めに、外気温度を計測する外気温度計測手段と、冷凍室
もしくは冷蔵室の温度を計測する庫内温度計測手段と、
前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、前記コンプレッサ駆動手段が前記コンプレ
ッサを駆動する時間を積算し、コンプレッサ駆動積算時
間を計時するコンプレッサ積算時間計時手段と、前記冷
蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手段と、
前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、前記コンプレッサ積算時間計時手段が出力するコ
ンプレッサ駆動積算時間が、所定の時間範囲内にある場
合に除霜を行う霜取りヒータ制御手段であって、前記扉
開閉頻度計測手段から出力される扉開閉頻度を参照する
ことにより前記所定の時間範囲内における最も扉の開閉
の少ない時間帯を選択し、その時間帯において除霜を開
始し、前記除霜を開始した後で前記冷却器温度計測手段
によって冷却器の温度が所定の温度に達した時に除霜を
終了させる霜取りヒータ制御手段と、を含む除霜制御装
置において、前記冷却器に付着した霜の量である着霜量
を計測する着霜量計測手段と、前記庫内温度計測手段に
よって計測された庫内温度の変化と、前記着霜量計測手
段によって計測された着霜量とに基づき、ファジー制御
則によって最適な着霜量を算出する最適着霜量演算手段
と、を含み、前記最適着霜量演算手段は、ファジー制御
則を記憶する知識部と、前記庫内温度計測手段によって
計測された庫内温度の変化と、前記着霜量計測手段によ
って計測された着霜量とを入力し、前記知識部に記憶さ
れているファジー制御則に基づき、除霜を行うべき前記
コンプレッサの駆動積算時間の前記所定の時間範囲を更
新する推論部と、を含み、前記霜取りヒータ制御手段
は、前記推論部から算出された前記所定の時間範囲を用
いて、前記コンプレッサ積算時間がその所定の時間範囲
内にあるか否かを判断することを特徴とする除霜制御装
置である。
めに、外気温度を計測する外気温度計測手段と、冷凍室
もしくは冷蔵室の温度を計測する庫内温度計測手段と、
前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、前記コンプレッサ駆動手段が前記コンプレ
ッサを駆動する時間を積算し、コンプレッサ駆動積算時
間を計時するコンプレッサ積算時間計時手段と、前記冷
蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手段と、
前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、前記コンプレッサ積算時間計時手段が出力するコ
ンプレッサ駆動積算時間が、所定の時間範囲内にある場
合に除霜を行う霜取りヒータ制御手段であって、前記扉
開閉頻度計測手段から出力される扉開閉頻度を参照する
ことにより前記所定の時間範囲内における最も扉の開閉
の少ない時間帯を選択し、その時間帯において除霜を開
始し、前記除霜を開始した後で前記冷却器温度計測手段
によって冷却器の温度が所定の温度に達した時に除霜を
終了させる霜取りヒータ制御手段と、を含む除霜制御装
置において、前記冷却器に付着した霜の量である着霜量
を計測する着霜量計測手段と、前記庫内温度計測手段に
よって計測された庫内温度の変化と、前記着霜量計測手
段によって計測された着霜量とに基づき、ファジー制御
則によって最適な着霜量を算出する最適着霜量演算手段
と、を含み、前記最適着霜量演算手段は、ファジー制御
則を記憶する知識部と、前記庫内温度計測手段によって
計測された庫内温度の変化と、前記着霜量計測手段によ
って計測された着霜量とを入力し、前記知識部に記憶さ
れているファジー制御則に基づき、除霜を行うべき前記
コンプレッサの駆動積算時間の前記所定の時間範囲を更
新する推論部と、を含み、前記霜取りヒータ制御手段
は、前記推論部から算出された前記所定の時間範囲を用
いて、前記コンプレッサ積算時間がその所定の時間範囲
内にあるか否かを判断することを特徴とする除霜制御装
置である。
【0024】第7の本発明は、上記課題を解決するため
に、外気温度を計測する外気温度計測手段と、冷凍室も
しくは冷蔵室の温度を計測する庫内温度計測手段と、前
記外気温度計測手段によって計測された外気温度と、前
記庫内温度計測手段によって計測された庫内温度と、に
基づき、コンプレッサの駆動制御を行うコンプレッサ駆
動手段と、前記コンプレッサ駆動手段が前記コンプレッ
サを駆動する時間を積算し、コンプレッサ駆動積算時間
を計時するコンプレッサ積算時間計時手段と、前記冷蔵
庫の扉の開閉頻度を計測する扉開閉頻度計測手段と、前
記冷蔵庫の冷却器の温度を計測する冷却器温度計測手段
と、前記コンプレッサ積算時間計時手段が出力するコン
プレッサ駆動積算時間が、所定の時間範囲内にある場合
に除霜を行う霜取りヒータ制御手段であって、前記扉開
閉頻度計測手段から出力される扉開閉頻度を参照するこ
とにより前記所定の時間範囲内における最も扉の開閉の
少ない時間帯を選択し、その時間帯において除霜を開始
し、前記除霜を開始した後で前記冷却器温度計測手段に
よって冷却器の温度が所定の温度に達した時に除霜を終
了させる霜取りヒータ制御手段と、を含む除霜制御装置
において、前記冷却器に付着した霜の量である着霜量を
計測する着霜量計測手段と、前記着霜量と除霜が行われ
た際の前記コンプレッサ駆動積算時間とを演算し、前記
着霜量と前記コンプレッサ駆動積算時間との比例係数を
算出する積算時間・着霜量演算手段と、前記扉開閉頻度
計測手段によって計測された冷蔵庫の扉の開閉頻度を記
憶し、過去の前記扉の開閉頻度から、将来の扉の開閉頻
度を予測する扉開閉頻度予測手段と、前記扉開閉頻度予
測手段から出力される扉開閉予測頻度と、前記着霜量計
測手段によって計測された実際の着霜量とから、最適な
着霜量を算出する最適着霜量演算手段と、前記積算時間
・着霜量演算手段によって算出された比例係数と、前記
最適着霜量算出手段によって算出され最適な着霜量とを
比較し、除霜を行うべき前記コンプレッサの駆動積算時
間の前記所定の時間範囲を算出するコンプレッサ積算時
間範囲演算手段と、を含み、前記霜取りヒータ制御手段
は、前記コンプレッサ積算時間範囲演算手段によって算
出された前記所定の時間範囲を用いて、前記コンプレッ
サ積算時間がその所定の時間範囲内にあるか否かを判断
することを特徴とする除霜制御装置である。
に、外気温度を計測する外気温度計測手段と、冷凍室も
しくは冷蔵室の温度を計測する庫内温度計測手段と、前
記外気温度計測手段によって計測された外気温度と、前
記庫内温度計測手段によって計測された庫内温度と、に
基づき、コンプレッサの駆動制御を行うコンプレッサ駆
動手段と、前記コンプレッサ駆動手段が前記コンプレッ
サを駆動する時間を積算し、コンプレッサ駆動積算時間
を計時するコンプレッサ積算時間計時手段と、前記冷蔵
庫の扉の開閉頻度を計測する扉開閉頻度計測手段と、前
記冷蔵庫の冷却器の温度を計測する冷却器温度計測手段
と、前記コンプレッサ積算時間計時手段が出力するコン
プレッサ駆動積算時間が、所定の時間範囲内にある場合
に除霜を行う霜取りヒータ制御手段であって、前記扉開
閉頻度計測手段から出力される扉開閉頻度を参照するこ
とにより前記所定の時間範囲内における最も扉の開閉の
少ない時間帯を選択し、その時間帯において除霜を開始
し、前記除霜を開始した後で前記冷却器温度計測手段に
よって冷却器の温度が所定の温度に達した時に除霜を終
了させる霜取りヒータ制御手段と、を含む除霜制御装置
において、前記冷却器に付着した霜の量である着霜量を
計測する着霜量計測手段と、前記着霜量と除霜が行われ
た際の前記コンプレッサ駆動積算時間とを演算し、前記
着霜量と前記コンプレッサ駆動積算時間との比例係数を
算出する積算時間・着霜量演算手段と、前記扉開閉頻度
計測手段によって計測された冷蔵庫の扉の開閉頻度を記
憶し、過去の前記扉の開閉頻度から、将来の扉の開閉頻
度を予測する扉開閉頻度予測手段と、前記扉開閉頻度予
測手段から出力される扉開閉予測頻度と、前記着霜量計
測手段によって計測された実際の着霜量とから、最適な
着霜量を算出する最適着霜量演算手段と、前記積算時間
・着霜量演算手段によって算出された比例係数と、前記
最適着霜量算出手段によって算出され最適な着霜量とを
比較し、除霜を行うべき前記コンプレッサの駆動積算時
間の前記所定の時間範囲を算出するコンプレッサ積算時
間範囲演算手段と、を含み、前記霜取りヒータ制御手段
は、前記コンプレッサ積算時間範囲演算手段によって算
出された前記所定の時間範囲を用いて、前記コンプレッ
サ積算時間がその所定の時間範囲内にあるか否かを判断
することを特徴とする除霜制御装置である。
【0025】第八の本発明は、上記課題を解決するため
に、上記第七の本発明において、前記扉開閉頻度予測手
段は、所定の期間の過去の前記扉の開閉頻度を記憶する
開閉頻度記憶手段と、前記開閉頻度記憶手段に記憶され
た開閉頻度の時系列データを、多次元空間上に埋め込
み、非線形予測によって将来における扉の開閉頻度を予
測する非線形予測手段と、を含むことを特徴とする除霜
制御装置である。
に、上記第七の本発明において、前記扉開閉頻度予測手
段は、所定の期間の過去の前記扉の開閉頻度を記憶する
開閉頻度記憶手段と、前記開閉頻度記憶手段に記憶され
た開閉頻度の時系列データを、多次元空間上に埋め込
み、非線形予測によって将来における扉の開閉頻度を予
測する非線形予測手段と、を含むことを特徴とする除霜
制御装置である。
【0026】第九の本発明は、上記課題を解決するため
に、外気温度を計測する外気温度計測手段と、冷凍室も
しくは冷蔵室の温度を計測する庫内温度計測手段と、前
記外気温度計測手段によって計測された外気温度と、前
記庫内温度計測手段によって計測された庫内温度と、に
基づき、コンプレッサの駆動制御を行うコンプレッサ駆
動手段と、前記コンプレッサ駆動手段が前記コンプレッ
サを駆動する時間を積算し、コンプレッサ駆動積算時間
を計時するコンプレッサ積算時間計時手段と、前記冷蔵
庫の扉の開閉頻度を計測する扉開閉頻度計測手段と、前
記冷蔵庫の冷却器の温度を計測する冷却器温度計測手段
と、前記コンプレッサ積算時間計時手段が出力するコン
プレッサ駆動積算時間が、所定の時間範囲内にある場合
に除霜を行う霜取りヒータ制御手段であって、前記扉開
閉頻度計測手段から出力される扉開閉頻度を参照するこ
とにより前記所定の時間範囲内における最も扉の開閉の
少ない時間帯を選択し、その時間帯において除霜を開始
し、前記除霜を開始した後で前記冷却器温度計測手段に
よって冷却器の温度が所定の温度に達した時に除霜を終
了させる霜取りヒータ制御手段と、を含む除霜制御装置
において、前記冷却器に付着した霜の量である着霜量を
計測する着霜量計測手段と、前記着霜量と除霜が行われ
た際の前記コンプレッサ駆動積算時間とを演算し、前記
着霜量と前記コンプレッサ駆動積算時間との比例係数を
算出する積算時間・着霜量演算手段と、前記扉開閉頻度
計測手段によって計測された冷蔵庫の扉の開閉時間を記
憶し、所定の期間における扉の開状態時間を計測する扉
開時間計測手段と、前記コンプレッサ積算時間計時手段
によって計時されたコンプレッサ積算時間から、コンプ
レッサの運転率を演算するコンプレッサ運転率演算手段
と、前記扉開時間計測手段から出力される扉開状態時間
と、前記コンプレッサ運転率演算手段によって算出され
コンプレッサの運転率と、前記着霜量演算手段によって
計測された実際の着霜量とから、最適な着霜量を算出す
る最適着霜量演算手段と、前記積算時間・着霜量演算手
段によって算出された比例係数と、前記最適着霜量演算
手段によって算出された最適な着霜量とに基づき、除霜
を行うべき前記コンプレッサの駆動積算時間の前記所定
の時間範囲を算出するコンプレッサ積算時間範囲演算手
段と、を含み、前記霜取りヒータ制御手段は、前記コン
プレッサ積算時間範囲演算手段によって算出された前記
所定の時間範囲を用いて、前記コンプレッサ積算時間が
その所定の時間範囲内にあるか否かを判断することを特
徴とする除霜制御装置である。
に、外気温度を計測する外気温度計測手段と、冷凍室も
しくは冷蔵室の温度を計測する庫内温度計測手段と、前
記外気温度計測手段によって計測された外気温度と、前
記庫内温度計測手段によって計測された庫内温度と、に
基づき、コンプレッサの駆動制御を行うコンプレッサ駆
動手段と、前記コンプレッサ駆動手段が前記コンプレッ
サを駆動する時間を積算し、コンプレッサ駆動積算時間
を計時するコンプレッサ積算時間計時手段と、前記冷蔵
庫の扉の開閉頻度を計測する扉開閉頻度計測手段と、前
記冷蔵庫の冷却器の温度を計測する冷却器温度計測手段
と、前記コンプレッサ積算時間計時手段が出力するコン
プレッサ駆動積算時間が、所定の時間範囲内にある場合
に除霜を行う霜取りヒータ制御手段であって、前記扉開
閉頻度計測手段から出力される扉開閉頻度を参照するこ
とにより前記所定の時間範囲内における最も扉の開閉の
少ない時間帯を選択し、その時間帯において除霜を開始
し、前記除霜を開始した後で前記冷却器温度計測手段に
よって冷却器の温度が所定の温度に達した時に除霜を終
了させる霜取りヒータ制御手段と、を含む除霜制御装置
において、前記冷却器に付着した霜の量である着霜量を
計測する着霜量計測手段と、前記着霜量と除霜が行われ
た際の前記コンプレッサ駆動積算時間とを演算し、前記
着霜量と前記コンプレッサ駆動積算時間との比例係数を
算出する積算時間・着霜量演算手段と、前記扉開閉頻度
計測手段によって計測された冷蔵庫の扉の開閉時間を記
憶し、所定の期間における扉の開状態時間を計測する扉
開時間計測手段と、前記コンプレッサ積算時間計時手段
によって計時されたコンプレッサ積算時間から、コンプ
レッサの運転率を演算するコンプレッサ運転率演算手段
と、前記扉開時間計測手段から出力される扉開状態時間
と、前記コンプレッサ運転率演算手段によって算出され
コンプレッサの運転率と、前記着霜量演算手段によって
計測された実際の着霜量とから、最適な着霜量を算出す
る最適着霜量演算手段と、前記積算時間・着霜量演算手
段によって算出された比例係数と、前記最適着霜量演算
手段によって算出された最適な着霜量とに基づき、除霜
を行うべき前記コンプレッサの駆動積算時間の前記所定
の時間範囲を算出するコンプレッサ積算時間範囲演算手
段と、を含み、前記霜取りヒータ制御手段は、前記コン
プレッサ積算時間範囲演算手段によって算出された前記
所定の時間範囲を用いて、前記コンプレッサ積算時間が
その所定の時間範囲内にあるか否かを判断することを特
徴とする除霜制御装置である。
【0027】第十の本発明は、上記課題を解決するため
に、第九の本発明において、前記積算時間・着霜量演算
手段及び最適着霜量演算手段は、CMAC(Cereb
ellar Model Arithmetic Co
mputer)型ニューラルネットワークを含み、前記
CMAC型ニューラルネットワークは、前記扉開時間と
前記コンプレッサ運転率とを入力とし、前記前記積算時
間・着霜量演算手段によって算出されるべき比例係数を
出力とすることを特徴とする除霜制御装置である。
に、第九の本発明において、前記積算時間・着霜量演算
手段及び最適着霜量演算手段は、CMAC(Cereb
ellar Model Arithmetic Co
mputer)型ニューラルネットワークを含み、前記
CMAC型ニューラルネットワークは、前記扉開時間と
前記コンプレッサ運転率とを入力とし、前記前記積算時
間・着霜量演算手段によって算出されるべき比例係数を
出力とすることを特徴とする除霜制御装置である。
【0028】
【作用】第一の本発明におけるコンプレッサ積算時間範
囲演算手段は、着霜量とコンプレッサの駆動積算時間と
の比例係数と、最適な着霜量とに基づき、除霜タイミン
グを決定する際の基礎となるコンプレッサ積算時間の時
間範囲を更新する。したがって、冷蔵庫の使用状況に応
じた最適な時間範囲を設定することができ、従来、この
時間範囲が固定であったのに比較して、最適な着霜量と
なるタイミングで除霜を行うことが可能である。
囲演算手段は、着霜量とコンプレッサの駆動積算時間と
の比例係数と、最適な着霜量とに基づき、除霜タイミン
グを決定する際の基礎となるコンプレッサ積算時間の時
間範囲を更新する。したがって、冷蔵庫の使用状況に応
じた最適な時間範囲を設定することができ、従来、この
時間範囲が固定であったのに比較して、最適な着霜量と
なるタイミングで除霜を行うことが可能である。
【0029】第二の本発明の平均値算出手段は、所定回
数の最近の過去の除霜の際におけるコンプレッサ駆動積
算時間と、着霜量との比例係数の平均値を算出する。ま
た、コンプレッサ駆動積算時間範囲演算手段は、前記比
例係数の平均値から、最適着霜量となるコンプレッサの
駆動積算時間を求め、その時間を中心として所定の時間
範囲を、除霜のタイミングの基礎となるコンプレッサ駆
動積算時間の範囲として設定する。そのため、第一の本
発明における所定の時間範囲の算出が容易にかつ正確に
行える。
数の最近の過去の除霜の際におけるコンプレッサ駆動積
算時間と、着霜量との比例係数の平均値を算出する。ま
た、コンプレッサ駆動積算時間範囲演算手段は、前記比
例係数の平均値から、最適着霜量となるコンプレッサの
駆動積算時間を求め、その時間を中心として所定の時間
範囲を、除霜のタイミングの基礎となるコンプレッサ駆
動積算時間の範囲として設定する。そのため、第一の本
発明における所定の時間範囲の算出が容易にかつ正確に
行える。
【0030】第三の本発明の一次回帰手段は、所定回数
の最近の過去の除霜の際におけるコンプレッサ駆動積算
時間と、着霜量とに基づき、それらの値の間の一次回帰
式を算出する。また、コンプレッサ駆動積算時間範囲演
算手段は、前記一次回帰式を用いて、最適着霜量となる
コンプレッサの駆動積算時間を求め、その時間を中心と
して所定の時間範囲を、除霜のタイミングの基礎となる
コンプレッサ駆動積算時間の範囲として設定する。その
ため、第一の本発明における所定の時間範囲の算出が容
易にかつ正確に行える。
の最近の過去の除霜の際におけるコンプレッサ駆動積算
時間と、着霜量とに基づき、それらの値の間の一次回帰
式を算出する。また、コンプレッサ駆動積算時間範囲演
算手段は、前記一次回帰式を用いて、最適着霜量となる
コンプレッサの駆動積算時間を求め、その時間を中心と
して所定の時間範囲を、除霜のタイミングの基礎となる
コンプレッサ駆動積算時間の範囲として設定する。その
ため、第一の本発明における所定の時間範囲の算出が容
易にかつ正確に行える。
【0031】第四の本発明の最大・最小値算出手段は、
所定回数の最近の過去の除霜の際におけるコンプレッサ
駆動積算時間と、着霜量との比例係数の最大値及び最小
値を算出する。また、コンプレッサ駆動積算時間範囲演
算手段は、前記最大値と最小値とに対応したそれぞれの
コンプレッサの駆動積算時間を求め、その最大値に対応
した時間から最小値に対応した時間までの範囲を、除霜
のタイミングの基礎となるコンプレッサ駆動積算時間の
範囲として設定する。そのため、第一の本発明における
所定の時間範囲の算出がより的確に行える。
所定回数の最近の過去の除霜の際におけるコンプレッサ
駆動積算時間と、着霜量との比例係数の最大値及び最小
値を算出する。また、コンプレッサ駆動積算時間範囲演
算手段は、前記最大値と最小値とに対応したそれぞれの
コンプレッサの駆動積算時間を求め、その最大値に対応
した時間から最小値に対応した時間までの範囲を、除霜
のタイミングの基礎となるコンプレッサ駆動積算時間の
範囲として設定する。そのため、第一の本発明における
所定の時間範囲の算出がより的確に行える。
【0032】第五の本発明における評価関数演算手段
は、除霜動作の評価を行い、その評価関数値を出力す
る。したがって、最適着霜量演算手段が、この評価関数
値を用いて、最適着霜量の値を変更するので、より正確
な除霜制御が行える。
は、除霜動作の評価を行い、その評価関数値を出力す
る。したがって、最適着霜量演算手段が、この評価関数
値を用いて、最適着霜量の値を変更するので、より正確
な除霜制御が行える。
【0033】第六の本発明における最適着霜量演算手段
は、ファジー制御則により最適な着霜量を算出したの
で、最適着霜量の演算をより容易に実現することができ
る。
は、ファジー制御則により最適な着霜量を算出したの
で、最適着霜量の演算をより容易に実現することができ
る。
【0034】第七の本発明における開閉頻度予測手段
は、将来における冷蔵庫の扉の開閉頻度を予測する。し
たがって、最適着霜量演算手段は、この予測結果に基づ
いて最適着霜量を演算するので、扉の開閉頻度が一定の
周期を持って変化する場合には、除霜制御をその変化に
自動的に追従させることが可能である。
は、将来における冷蔵庫の扉の開閉頻度を予測する。し
たがって、最適着霜量演算手段は、この予測結果に基づ
いて最適着霜量を演算するので、扉の開閉頻度が一定の
周期を持って変化する場合には、除霜制御をその変化に
自動的に追従させることが可能である。
【0035】第八の本発明における開閉頻度予測手段
は、過去における開閉頻度の時系列データを多次元上へ
埋め込むことによって、すなわちいわゆる時系列データ
の特徴を再現するアトラクタの構築をすることによっ
て、非線形予測を行う。したがって、予測の精度が視覚
的に分かりやすくなると共に予測精度も向上する。
は、過去における開閉頻度の時系列データを多次元上へ
埋め込むことによって、すなわちいわゆる時系列データ
の特徴を再現するアトラクタの構築をすることによっ
て、非線形予測を行う。したがって、予測の精度が視覚
的に分かりやすくなると共に予測精度も向上する。
【0036】第九の本発明における最適着霜量演算手段
は、扉開状態時間と、コンプレッサの運転率とに基づい
て、最適な着霜量を算出する。したがって、単なる扉の
開閉回数だけでなく、開いている時間をも考慮にいれて
いるため、より的確に、最適着霜量を算出することが可
能である。
は、扉開状態時間と、コンプレッサの運転率とに基づい
て、最適な着霜量を算出する。したがって、単なる扉の
開閉回数だけでなく、開いている時間をも考慮にいれて
いるため、より的確に、最適着霜量を算出することが可
能である。
【0037】第十の本発明におけるCMAC型ニューラ
ルネットワークは、学習演算が容易であるため、除霜制
御を行いながら、CMAC型ニューラルネットワークの
学習を行わせることができる。したがって、実際の使用
状況に応じた適格な除霜制御を行わせることが可能であ
る。
ルネットワークは、学習演算が容易であるため、除霜制
御を行いながら、CMAC型ニューラルネットワークの
学習を行わせることができる。したがって、実際の使用
状況に応じた適格な除霜制御を行わせることが可能であ
る。
【0038】
【実施例】以下、本発明の好適な実施例を図面に基づい
て説明する。
て説明する。
【0039】実施例1.1 図1は、本実施例1.1に係る、冷蔵庫に使用される除
霜制御装置の構成ブロック図である。この除霜装置は図
1に示されているように、サーミスタである外気温度計
測手段10と、冷凍室サーミスタ及び冷蔵室サーミスタ
からなる庫内温度計測手段12とを備えている。そし
て、コンプレッサ制御手段14は、これらのサーミスタ
から計測された温度に基づき、庫内温度を一定に保つべ
くコンプレッサの動作を制御する。
霜制御装置の構成ブロック図である。この除霜装置は図
1に示されているように、サーミスタである外気温度計
測手段10と、冷凍室サーミスタ及び冷蔵室サーミスタ
からなる庫内温度計測手段12とを備えている。そし
て、コンプレッサ制御手段14は、これらのサーミスタ
から計測された温度に基づき、庫内温度を一定に保つべ
くコンプレッサの動作を制御する。
【0040】コンプレッサ積算時間計時手段16は、コ
ンプレッサが駆動される時間の積算値を算出する。霜取
りヒータ制御手段18は、この積算値を用いて除霜を行
うタイミングの基本となる時間を知ることができ、具体
的な除霜を行うタイミングは、扉開閉頻度計測手段20
からの扉の開閉信号によって求められた扉の開閉頻度に
よって決定される。このタイミングには、一定の制限が
設けられており、本実施例においては、最低8時間から
最高16時間の間に除霜が行われるように設定されてい
る。また、除霜の終了タイミングは、冷却器温度計測手
段22により冷却器の温度を検知することにより決定さ
れる。
ンプレッサが駆動される時間の積算値を算出する。霜取
りヒータ制御手段18は、この積算値を用いて除霜を行
うタイミングの基本となる時間を知ることができ、具体
的な除霜を行うタイミングは、扉開閉頻度計測手段20
からの扉の開閉信号によって求められた扉の開閉頻度に
よって決定される。このタイミングには、一定の制限が
設けられており、本実施例においては、最低8時間から
最高16時間の間に除霜が行われるように設定されてい
る。また、除霜の終了タイミングは、冷却器温度計測手
段22により冷却器の温度を検知することにより決定さ
れる。
【0041】本実施例において特徴的なことは、除霜が
完了した後、その除霜量に基づいて、コンプレッサの積
算時間に設けられている上記制限を調整したことであ
る。すなわち、除霜が行われる度にその除霜量を検出す
る除霜量計測手段24と、この除霜量とコンプレッサの
駆動積算時間とから除霜量と積算時間との比例係数を演
算する積算時間−除霜量演算手段26とを備えている。
そして、この比例係数と、あらかじめ定められている最
適除霜量(例えば600g)とから、コンプレッサの駆
動積算時間に設けられるべき時間の制限を新たに設定す
るのである。
完了した後、その除霜量に基づいて、コンプレッサの積
算時間に設けられている上記制限を調整したことであ
る。すなわち、除霜が行われる度にその除霜量を検出す
る除霜量計測手段24と、この除霜量とコンプレッサの
駆動積算時間とから除霜量と積算時間との比例係数を演
算する積算時間−除霜量演算手段26とを備えている。
そして、この比例係数と、あらかじめ定められている最
適除霜量(例えば600g)とから、コンプレッサの駆
動積算時間に設けられるべき時間の制限を新たに設定す
るのである。
【0042】従来、この時間的制限は、除霜処理を十分
安全に行うため、例えば8時間から16時間のように選
ばれ、いかなる場合にも8時間から16時間の時間間隔
で除霜が行われていた。したがって、家庭によっては、
従来の技術において説明したように、除霜の行われる時
間間隔が短すぎる場合も生じる。本実施例によれば、除
霜が行われた際の除霜量を計測することにより、上記コ
ンプレッサの駆動積算時間に設けられている時間の制限
を適宜変更することが可能であるので、除霜を行う時間
間隔を使用状況に応じた適正なものとすることが可能で
ある。
安全に行うため、例えば8時間から16時間のように選
ばれ、いかなる場合にも8時間から16時間の時間間隔
で除霜が行われていた。したがって、家庭によっては、
従来の技術において説明したように、除霜の行われる時
間間隔が短すぎる場合も生じる。本実施例によれば、除
霜が行われた際の除霜量を計測することにより、上記コ
ンプレッサの駆動積算時間に設けられている時間の制限
を適宜変更することが可能であるので、除霜を行う時間
間隔を使用状況に応じた適正なものとすることが可能で
ある。
【0043】以下、本実施例の具体的な動作について説
明する。
明する。
【0044】本実施例の冷蔵庫において、コンプレッサ
の制御はいわゆるon/off制御によって行われる。
すなわち、コンプレッサはコンプレッサ制御手段14に
よって駆動されたり(on)、停止(off)されたり
するのである。このon/offを表す信号はコンプレ
ッサ積算時間計時手段16に入力され、コンプレッサ積
算時間計時手段16は、この信号を監視することにより
コンプレッサの駆動時間の積算値を計時することが可能
である。本実施例においては、コンプレッサ積算時間計
時手段16は、マイクロプロセッサと、このマイクロプ
ロセッサが実行するプログラムとから構成されている。
もちろんこのコンプレッサ積算時間計時手段16は、上
記コンプレッサの駆動状態を表す信号によって動作が制
御されるカウンタ等を用いても好適である。
の制御はいわゆるon/off制御によって行われる。
すなわち、コンプレッサはコンプレッサ制御手段14に
よって駆動されたり(on)、停止(off)されたり
するのである。このon/offを表す信号はコンプレ
ッサ積算時間計時手段16に入力され、コンプレッサ積
算時間計時手段16は、この信号を監視することにより
コンプレッサの駆動時間の積算値を計時することが可能
である。本実施例においては、コンプレッサ積算時間計
時手段16は、マイクロプロセッサと、このマイクロプ
ロセッサが実行するプログラムとから構成されている。
もちろんこのコンプレッサ積算時間計時手段16は、上
記コンプレッサの駆動状態を表す信号によって動作が制
御されるカウンタ等を用いても好適である。
【0045】霜取りヒータ制御手段18は、図示されて
いない霜取りヒータを制御し、霜取りの実行及び終了を
制御する手段であり、本実施例においてはマイクロプロ
セッサとこのマイクロプロセッサが実行するプログラム
で構成されている。
いない霜取りヒータを制御し、霜取りの実行及び終了を
制御する手段であり、本実施例においてはマイクロプロ
セッサとこのマイクロプロセッサが実行するプログラム
で構成されている。
【0046】この霜取りヒータ制御手段18は、前記コ
ンプレッサ積算時間計時手段16によって計時されたコ
ンプレッサの駆動時間の積算値を監視しており、前記駆
動時間が8時間から16時間の間のいずれかの値を採っ
た場合に除霜を行うように霜取りヒータを制御する。8
時間から16時間の間のどのタイミングで除霜を行うか
については、扉開閉頻度計測手段20から出力される扉
の開閉信号を基にして決定される。
ンプレッサ積算時間計時手段16によって計時されたコ
ンプレッサの駆動時間の積算値を監視しており、前記駆
動時間が8時間から16時間の間のいずれかの値を採っ
た場合に除霜を行うように霜取りヒータを制御する。8
時間から16時間の間のどのタイミングで除霜を行うか
については、扉開閉頻度計測手段20から出力される扉
の開閉信号を基にして決定される。
【0047】この扉開閉頻度計測手段20は、本実施例
においては、扉の開閉を表す開閉信号を出力する扉セン
サである。本実施例においては、この扉開閉頻度計測手
段20からの扉開閉信号を上記霜取りヒータ制御手段1
8が監視しており、所定時間ごとの扉の開閉回数が霜取
りヒータ制御手段18において所定のメモリ上に記憶さ
れる。本実施例においては、霜取りヒータ制御手段18
は、例えば2時間ごとに扉の開閉回数を前記メモリ上に
記憶している。
においては、扉の開閉を表す開閉信号を出力する扉セン
サである。本実施例においては、この扉開閉頻度計測手
段20からの扉開閉信号を上記霜取りヒータ制御手段1
8が監視しており、所定時間ごとの扉の開閉回数が霜取
りヒータ制御手段18において所定のメモリ上に記憶さ
れる。本実施例においては、霜取りヒータ制御手段18
は、例えば2時間ごとに扉の開閉回数を前記メモリ上に
記憶している。
【0048】すなわち、上記コンプレッサの駆動時間で
ある8時間から16時間までの間を2時間ごとの時間帯
に分割し、最も扉の開閉頻度が少ない時間帯において除
霜が開始されるのである。なお、8時間から16時間ま
での間においてどの時間帯が扉の開閉頻度が少ないかを
予め知ることはできない。本実施例においては、前回の
除霜が行われた場合の上記2時間ごとの開閉回数を参照
し、今回もほぼ同様の扉の開閉頻度になると仮定するこ
とにより、これから行われる除霜が何時行われるべきで
あるかを決定している。なお、扉の開閉頻度が最も少な
くなるタイミングの予想方法については、他にも様々な
手法が従来から提案されている。
ある8時間から16時間までの間を2時間ごとの時間帯
に分割し、最も扉の開閉頻度が少ない時間帯において除
霜が開始されるのである。なお、8時間から16時間ま
での間においてどの時間帯が扉の開閉頻度が少ないかを
予め知ることはできない。本実施例においては、前回の
除霜が行われた場合の上記2時間ごとの開閉回数を参照
し、今回もほぼ同様の扉の開閉頻度になると仮定するこ
とにより、これから行われる除霜が何時行われるべきで
あるかを決定している。なお、扉の開閉頻度が最も少な
くなるタイミングの予想方法については、他にも様々な
手法が従来から提案されている。
【0049】このようにして、霜取りヒータ制御手段1
8が除霜を開始するタイミングを決定するわけである
が、除霜が終了するタイミングもこの霜取りヒータ制御
手段18によって決定される。霜取りヒータ制御手段1
8は、除霜の終了タイミングを決定するために冷却器温
度計測手段22からの温度信号を利用する。この温度信
号は、冷蔵庫の冷却器の温度であり、除霜を行うべき冷
却器そのものの温度を表す。霜取りヒータ制御装置18
は、この冷却器温度計測手段22からの温度信号が所定
の温度に達したならば除霜が完了したものと見なし、霜
取りヒータへの通電を停止するのである。
8が除霜を開始するタイミングを決定するわけである
が、除霜が終了するタイミングもこの霜取りヒータ制御
手段18によって決定される。霜取りヒータ制御手段1
8は、除霜の終了タイミングを決定するために冷却器温
度計測手段22からの温度信号を利用する。この温度信
号は、冷蔵庫の冷却器の温度であり、除霜を行うべき冷
却器そのものの温度を表す。霜取りヒータ制御装置18
は、この冷却器温度計測手段22からの温度信号が所定
の温度に達したならば除霜が完了したものと見なし、霜
取りヒータへの通電を停止するのである。
【0050】本実施例において特徴的なことは、霜取り
ヒータ制御手段18によって、霜取りヒータへの通電が
完了した後、着霜量が着霜量計測手段24によって計測
されることである。これは、上記通電によって溶かされ
た霜の量をドレンパンに溜まった水の量を計量すること
により達成される。そして、この計測した霜の量に基づ
き、本実施例においては上記除霜を行うタイミングにお
ける8時間から16時間までという制限が変更される。
この点が本実施例において特徴的なことであり、種々の
作用効果を奏する点である。
ヒータ制御手段18によって、霜取りヒータへの通電が
完了した後、着霜量が着霜量計測手段24によって計測
されることである。これは、上記通電によって溶かされ
た霜の量をドレンパンに溜まった水の量を計量すること
により達成される。そして、この計測した霜の量に基づ
き、本実施例においては上記除霜を行うタイミングにお
ける8時間から16時間までという制限が変更される。
この点が本実施例において特徴的なことであり、種々の
作用効果を奏する点である。
【0051】図2に、本実施例に係る冷蔵庫の断面模式
図が示されている。図2において示されているように、
冷却器200に付着した霜は、霜取りヒータ202によ
って溶かされる。溶かされて生じた水は、ドレン廃水入
り口204を通じて、下部のドレン廃水出口206から
排出される。ここから排出される水がドレンパン208
に溜まるのである。このドレンパン208には、除霜量
検出手段24たる重量センサ210が設けられており、
ドレンパン208に溜まった水の重量を計測することに
より除霜された霜の量を検出することができる。このよ
うに、本実施例においては、除霜量計測手段24として
重量センサ210が用いられており、除霜が行われる度
にその除霜量が計測される。
図が示されている。図2において示されているように、
冷却器200に付着した霜は、霜取りヒータ202によ
って溶かされる。溶かされて生じた水は、ドレン廃水入
り口204を通じて、下部のドレン廃水出口206から
排出される。ここから排出される水がドレンパン208
に溜まるのである。このドレンパン208には、除霜量
検出手段24たる重量センサ210が設けられており、
ドレンパン208に溜まった水の重量を計測することに
より除霜された霜の量を検出することができる。このよ
うに、本実施例においては、除霜量計測手段24として
重量センサ210が用いられており、除霜が行われる度
にその除霜量が計測される。
【0052】このようにして計測された除霜量と、前記
コンプレッサ積算時間計時手段16により計時されたコ
ンプレッサの動作の積算値(以下、単に積算時間と呼
ぶ)との比例係数が、積算時間−着霜量演算手段26に
より算出される。従来の技術において述べ、また、図1
9において示したように、積算時間と着霜量との間には
一定の比例係数がある。本実施例においては、これらの
数値の間にほぼ比例比例係数があることに着目し、積算
時間と着霜量との間の比例係数を算出したのである。
コンプレッサ積算時間計時手段16により計時されたコ
ンプレッサの動作の積算値(以下、単に積算時間と呼
ぶ)との比例係数が、積算時間−着霜量演算手段26に
より算出される。従来の技術において述べ、また、図1
9において示したように、積算時間と着霜量との間には
一定の比例係数がある。本実施例においては、これらの
数値の間にほぼ比例比例係数があることに着目し、積算
時間と着霜量との間の比例係数を算出したのである。
【0053】この比例係数は、例えば着霜量が400g
で、積算時間が14時間であった場合には、14/40
0=0.035(h/g)のように算出される。
で、積算時間が14時間であった場合には、14/40
0=0.035(h/g)のように算出される。
【0054】さらに、本実施例における積算時間−着霜
量演算手段26においては、過去7回の除霜の度に求め
られた上記比例係数を記憶しており、これら7個の値の
平均を採ってから、次に説明するコンプレッサ積算時間
範囲演算手段28に供給している。すなわち、過去7回
の除霜の際に求められた比例係数の移動平均値を求めて
いるのである。この平均値の算出は、例えば以下のよう
に行われる。
量演算手段26においては、過去7回の除霜の度に求め
られた上記比例係数を記憶しており、これら7個の値の
平均を採ってから、次に説明するコンプレッサ積算時間
範囲演算手段28に供給している。すなわち、過去7回
の除霜の際に求められた比例係数の移動平均値を求めて
いるのである。この平均値の算出は、例えば以下のよう
に行われる。
【0055】 比例係数の移動平均値=(DSUM +DNEW )/7 ここで、DSUM は過去最新の6回の除霜の際に求められ
た比例係数であり、DNE W は、今回の除霜の際に求めら
れた比例係数である。
た比例係数であり、DNE W は、今回の除霜の際に求めら
れた比例係数である。
【0056】このように、移動平均値を求めたのは、平
日と週末とで、冷蔵庫の使用状況が大きく変化してしま
うことを考慮したものである。
日と週末とで、冷蔵庫の使用状況が大きく変化してしま
うことを考慮したものである。
【0057】以上のようにして、積算時間−着霜量演算
手段26において求められている比例係数の平均値と、
あらかじめ定められている最適着霜量とから、コンプレ
ッサ積算時間範囲演算手段28は、除霜を行う基準とな
るコンプレッサの積算時間野制限を新たに算出する。最
適着霜量は、冷蔵庫に備えられている冷却器に依存する
定数である。この値は、従来の技術において述べたよう
に例えば600g等の値をとる。そして、コンプレッサ
積算時間範囲演算手段28は、まず、前記求められた比
例係数から、前記最適着霜量に達するまでのコンプレッ
サの積算時間を算出する。例えば、前記比例係数の平均
値が0.035(h/g)であり、前記最適着霜量が本
実施例の冷蔵庫の冷却器では600gであるとすると、
600×0.035=21(h)と求められる。この2
1時間という値は、最適着霜量に達すると予想されるコ
ンプレッサ積算時間である。本実施例においてはこの2
1時間を中心として、±4時間を積算時間範囲として設
定している。すなわち、前記比例係数の平均値が0.0
35であった場合、コンプレッサ積算時間範囲演算手段
28は、17時間から25時間までを除霜が行われるべ
きコンプレッサ積算時間の範囲として設定する。
手段26において求められている比例係数の平均値と、
あらかじめ定められている最適着霜量とから、コンプレ
ッサ積算時間範囲演算手段28は、除霜を行う基準とな
るコンプレッサの積算時間野制限を新たに算出する。最
適着霜量は、冷蔵庫に備えられている冷却器に依存する
定数である。この値は、従来の技術において述べたよう
に例えば600g等の値をとる。そして、コンプレッサ
積算時間範囲演算手段28は、まず、前記求められた比
例係数から、前記最適着霜量に達するまでのコンプレッ
サの積算時間を算出する。例えば、前記比例係数の平均
値が0.035(h/g)であり、前記最適着霜量が本
実施例の冷蔵庫の冷却器では600gであるとすると、
600×0.035=21(h)と求められる。この2
1時間という値は、最適着霜量に達すると予想されるコ
ンプレッサ積算時間である。本実施例においてはこの2
1時間を中心として、±4時間を積算時間範囲として設
定している。すなわち、前記比例係数の平均値が0.0
35であった場合、コンプレッサ積算時間範囲演算手段
28は、17時間から25時間までを除霜が行われるべ
きコンプレッサ積算時間の範囲として設定する。
【0058】このようにして求められたコンプレッサ積
算時間範囲は、上述したように、霜取りヒータ制御手段
18によって参照され、除霜が行われるタイミングを制
御する際に利用される。
算時間範囲は、上述したように、霜取りヒータ制御手段
18によって参照され、除霜が行われるタイミングを制
御する際に利用される。
【0059】以上述べたように、本実施例においては、
除霜が行われた際の除霜量を計測し、この除霜量に基づ
いて、除霜が行われるべきタイミングの設定に利用され
るコンプレッサ積算時間の時間範囲とを更新した。した
がって、各家庭によって、冷蔵庫の使用状況が異なる場
合においても、効率的な除霜を行うことが可能である。
その結果、電気代の節約が図れ、また、内部の食品等を
傷めてしまう恐れも少なくなる。
除霜が行われた際の除霜量を計測し、この除霜量に基づ
いて、除霜が行われるべきタイミングの設定に利用され
るコンプレッサ積算時間の時間範囲とを更新した。した
がって、各家庭によって、冷蔵庫の使用状況が異なる場
合においても、効率的な除霜を行うことが可能である。
その結果、電気代の節約が図れ、また、内部の食品等を
傷めてしまう恐れも少なくなる。
【0060】実施例1.2 上記実施例1.1においては、積算時間−着霜量演算手
段26は、コンプレッサ積算時間と、着霜量との間に比
例比例係数があると見なし、その比例係数を算出した
が、本実施例ではより正確にその比例係数を求めるた
め、一次回帰式を用いて近似を行った。すなわち、過去
6回の積算時間と着霜量と、及び今回の積算時間と着霜
量とを基にして一次回帰を行う。例えば、最小二乗法に
よりy=ax+bという回帰直線を求める場合、このa
とbは以下の式により求められる。
段26は、コンプレッサ積算時間と、着霜量との間に比
例比例係数があると見なし、その比例係数を算出した
が、本実施例ではより正確にその比例係数を求めるた
め、一次回帰式を用いて近似を行った。すなわち、過去
6回の積算時間と着霜量と、及び今回の積算時間と着霜
量とを基にして一次回帰を行う。例えば、最小二乗法に
よりy=ax+bという回帰直線を求める場合、このa
とbは以下の式により求められる。
【0061】 b={Σxiyi−(Σxi・Σyi)/7}/{Σx
i 2 −(Σxi)2 /7} a=(Σyi−bΣxi)/7 (i=1,2,3,4...7) このようにして求めたコンプレッサ積算時間と着霜量と
の比例係数、すなわち一次回帰式が、コンプレッサ積算
時間範囲演算手段に供給されると、上述したようにして
求めた一次回帰式から、着霜量が600g(本実施例に
おける最適着霜量)となるコンプレッサ積算時間が算出
される。この算出されたコンプレッサ積算時間は、上記
実施例1.1と同様に、着霜量が最適着霜量に達するま
でのコンプレッサ積算時間と予想される時間を表す。そ
して、上記実施例1.1と同様に、この予想時間を中心
にして±4時間の時間範囲を、除霜が行われるタイミン
グの基礎となるコンプレッサ積算時間の範囲として設定
する。こうして設定されたコンプレッサ積算時間の範囲
を基にして、霜取りヒータ制御手段18は除霜のタイミ
ングを決定する。本実施例2.1において、その他の動
作は全て上記実施例1.1と同様である。
i 2 −(Σxi)2 /7} a=(Σyi−bΣxi)/7 (i=1,2,3,4...7) このようにして求めたコンプレッサ積算時間と着霜量と
の比例係数、すなわち一次回帰式が、コンプレッサ積算
時間範囲演算手段に供給されると、上述したようにして
求めた一次回帰式から、着霜量が600g(本実施例に
おける最適着霜量)となるコンプレッサ積算時間が算出
される。この算出されたコンプレッサ積算時間は、上記
実施例1.1と同様に、着霜量が最適着霜量に達するま
でのコンプレッサ積算時間と予想される時間を表す。そ
して、上記実施例1.1と同様に、この予想時間を中心
にして±4時間の時間範囲を、除霜が行われるタイミン
グの基礎となるコンプレッサ積算時間の範囲として設定
する。こうして設定されたコンプレッサ積算時間の範囲
を基にして、霜取りヒータ制御手段18は除霜のタイミ
ングを決定する。本実施例2.1において、その他の動
作は全て上記実施例1.1と同様である。
【0062】以上述べたように、本実施例1.2によれ
ば、コンプレッサ積算時間と着霜量との比例係数を一次
回帰により求めたので、最適着霜量に達するコンプレッ
サ積算時間のより正確な予想が可能となる。その結果、
上記実施例1.1と比較して、より正確な除霜制御が行
える。
ば、コンプレッサ積算時間と着霜量との比例係数を一次
回帰により求めたので、最適着霜量に達するコンプレッ
サ積算時間のより正確な予想が可能となる。その結果、
上記実施例1.1と比較して、より正確な除霜制御が行
える。
【0063】実施例1.3 上記実施例1.1においては、コンプレッサ積算時間範
囲演算手段28は、積算時間−着霜量演算手段26から
出力される積算時間と着霜量との比例係数に基づき、ま
ず、最適な着霜量に達するまでのコンプレッサ積算時間
の予想時間を算出した。そして、その予想された時間を
中心にして±4時間を、除霜が行われるべきコンプレッ
サ積算時間の範囲とした。したがって、更新される時間
範囲はその幅が常に8時間となっている。
囲演算手段28は、積算時間−着霜量演算手段26から
出力される積算時間と着霜量との比例係数に基づき、ま
ず、最適な着霜量に達するまでのコンプレッサ積算時間
の予想時間を算出した。そして、その予想された時間を
中心にして±4時間を、除霜が行われるべきコンプレッ
サ積算時間の範囲とした。したがって、更新される時間
範囲はその幅が常に8時間となっている。
【0064】しかしながら、使用される環境において
は、上記積算時間と着霜量との相関が極めて強く、もっ
と狭い時間範囲に制限しても良い場合がある。一方にお
いて、日々の使用状況が著しく変化し、8時間の時間範
囲では良好な除霜ができない可能性も否定できない。
は、上記積算時間と着霜量との相関が極めて強く、もっ
と狭い時間範囲に制限しても良い場合がある。一方にお
いて、日々の使用状況が著しく変化し、8時間の時間範
囲では良好な除霜ができない可能性も否定できない。
【0065】本実施例1.3におけるコンプレッサ積算
時間範囲演算手段28は、積算時間と着霜量との比例係
数から、除霜を行うタイミングを規定する時間の範囲に
ついても調整可能とすることにより、より適切な除霜制
御を行わせたものである。
時間範囲演算手段28は、積算時間と着霜量との比例係
数から、除霜を行うタイミングを規定する時間の範囲に
ついても調整可能とすることにより、より適切な除霜制
御を行わせたものである。
【0066】本実施例1.3における積算時間着霜量演
算手段26は、上記実施例1.1〜1.2と同様に、過
去6回の除霜及び今回の除霜における着霜量とコンプレ
ッサ積算時間とを記憶している。しかし、本実施例にお
いて特徴的なことは、積算時間着霜量演算手段26が、
過去6回及び今回の除霜のそれぞれについて、着霜量と
コンプレッサ積算時間との比例係数を全て算出し、その
中から最大値と大小値とを選択したことである。そし
て、この最大値と最小値とをコンプレッサ積算時間範囲
演算手段28に供給する。
算手段26は、上記実施例1.1〜1.2と同様に、過
去6回の除霜及び今回の除霜における着霜量とコンプレ
ッサ積算時間とを記憶している。しかし、本実施例にお
いて特徴的なことは、積算時間着霜量演算手段26が、
過去6回及び今回の除霜のそれぞれについて、着霜量と
コンプレッサ積算時間との比例係数を全て算出し、その
中から最大値と大小値とを選択したことである。そし
て、この最大値と最小値とをコンプレッサ積算時間範囲
演算手段28に供給する。
【0067】コンプレッサ積算時間範囲演算手段28
は、上記供給された最大値と最小値とのぞれぞれに基づ
き、最適着霜量に達するコンプレッサ積算時間を算出す
る。例えば、上記供給された比例係数の最大値と最小値
とがそれぞれ0.038(h/g)と、0.02(h/
g)であった場合には、予想時間はそれぞれ以下のよう
に算出される。
は、上記供給された最大値と最小値とのぞれぞれに基づ
き、最適着霜量に達するコンプレッサ積算時間を算出す
る。例えば、上記供給された比例係数の最大値と最小値
とがそれぞれ0.038(h/g)と、0.02(h/
g)であった場合には、予想時間はそれぞれ以下のよう
に算出される。
【0068】 600(g)×0.03(h/g)=18(h) 600(g)×0.02(h/g)=12(h) 例えばこのような例のグラフが、図3に示されている。
図3に示されているグラフにおいては、従来の技術にお
いて説明した図10と同様に、縦軸は着霜量であり、横
軸はコンプレッサの積算時間を表す。そして、図中の7
個の丸印は、過去6回の除霜及び今回の除霜の際におけ
るコンプレッサ積算時間と着霜量とを表す。そして、こ
れらの丸印の中で比例係数が最大の点と、最小の点とを
選択し、それらの比例係数に基づき、最適着霜量(本実
施例においては、600g)が冷却器に付着するコンプ
レッサ積算時間の予想値を算出する。
図3に示されているグラフにおいては、従来の技術にお
いて説明した図10と同様に、縦軸は着霜量であり、横
軸はコンプレッサの積算時間を表す。そして、図中の7
個の丸印は、過去6回の除霜及び今回の除霜の際におけ
るコンプレッサ積算時間と着霜量とを表す。そして、こ
れらの丸印の中で比例係数が最大の点と、最小の点とを
選択し、それらの比例係数に基づき、最適着霜量(本実
施例においては、600g)が冷却器に付着するコンプ
レッサ積算時間の予想値を算出する。
【0069】このような計算により、本実施例1.3に
おけるコンプレッサ積算時間範囲演算手段28は、上述
した計算式のように、12時間から18時間までを、除
霜のタイミングを決定する際のコンプレッサ積算時間範
囲の制限として設定する。
おけるコンプレッサ積算時間範囲演算手段28は、上述
した計算式のように、12時間から18時間までを、除
霜のタイミングを決定する際のコンプレッサ積算時間範
囲の制限として設定する。
【0070】以上述べたように、本実施例によれば、コ
ンプレッサ積算時間範囲をより自由に設定することがで
きるので、個々の冷蔵庫の使用状況に合致したコンプレ
ッサ積算時間範囲を設定することができる。したがって
上記実施例1.1や1.2と比較して、より正確な除霜
制御を行うことが可能である。
ンプレッサ積算時間範囲をより自由に設定することがで
きるので、個々の冷蔵庫の使用状況に合致したコンプレ
ッサ積算時間範囲を設定することができる。したがって
上記実施例1.1や1.2と比較して、より正確な除霜
制御を行うことが可能である。
【0071】実施例2.1 図4は、本実施例2.1に係る、冷蔵庫に使用される除
霜制御装置の構成ブロック図である。この除霜制御装置
は上記実施例1.1と同様に、サーミスタである外気温
度計測手段40と、冷凍室サーミスタ及び冷蔵室サーミ
スタからなる庫内温度計測手段42とを備えている。そ
して、コンプレッサ制御手段44は、これらのサーミス
タから計測された温度に基づき、庫内温度を一定に保つ
べくコンプレッサの動作を制御する。
霜制御装置の構成ブロック図である。この除霜制御装置
は上記実施例1.1と同様に、サーミスタである外気温
度計測手段40と、冷凍室サーミスタ及び冷蔵室サーミ
スタからなる庫内温度計測手段42とを備えている。そ
して、コンプレッサ制御手段44は、これらのサーミス
タから計測された温度に基づき、庫内温度を一定に保つ
べくコンプレッサの動作を制御する。
【0072】また、コンプレッサ積算時間計時手段46
は、コンプレッサが駆動される時間の積算値を算出し、
霜取りヒータ制御手段48は、この積算値を用いて除霜
を行うタイミングの基礎となる時間を知ることができ
る。具体的な除霜を行うタイミングは、上述した実施例
1.1と同様に、扉開閉頻度計測手段50からの扉の開
閉信号から算出された扉の開閉頻度によって決定され
る。このタイミングには、上記実施例1.1〜1.3と
同様に所定の時間的制限が設けられている。本実施例
2.1においても上記実施例と同様にこの時間的制限は
除霜の度に適宜更新される。また、除霜の終了タイミン
グも、上記実施例1.1〜1.3と同様に、冷却器温度
計測手段52により冷却器の温度を検知することにより
決定される。
は、コンプレッサが駆動される時間の積算値を算出し、
霜取りヒータ制御手段48は、この積算値を用いて除霜
を行うタイミングの基礎となる時間を知ることができ
る。具体的な除霜を行うタイミングは、上述した実施例
1.1と同様に、扉開閉頻度計測手段50からの扉の開
閉信号から算出された扉の開閉頻度によって決定され
る。このタイミングには、上記実施例1.1〜1.3と
同様に所定の時間的制限が設けられている。本実施例
2.1においても上記実施例と同様にこの時間的制限は
除霜の度に適宜更新される。また、除霜の終了タイミン
グも、上記実施例1.1〜1.3と同様に、冷却器温度
計測手段52により冷却器の温度を検知することにより
決定される。
【0073】除霜が完了した後、その除霜量に基づい
て、コンプレッサの積算時間に設けられている上記制限
が調整されるが、その調整のために上記実施例1.1〜
1.3と同様に、着霜量計測手段54、積算時間着霜量
演算手段56、そして、コンプレッサ積算時間範囲演算
手段58とが備えられている。
て、コンプレッサの積算時間に設けられている上記制限
が調整されるが、その調整のために上記実施例1.1〜
1.3と同様に、着霜量計測手段54、積算時間着霜量
演算手段56、そして、コンプレッサ積算時間範囲演算
手段58とが備えられている。
【0074】本実施例において特徴的なことは、コンプ
レッサ積算時間範囲演算手段58が参照する最適着霜量
が固定の値ではなく、庫内温度の変化に基づいて、最適
着霜量を変化させたことである。本実施例においては、
このため、上記庫内温度計測手段42が計測する庫内温
度の変化の様子を評価する評価関数演算手段60を備え
ている。また、この評価関数演算手段60が出力する評
価値に基づき、最適着霜量を更新する最適着霜量演算手
段62を有している。上述したように、本実施例ではコ
ンプレッサ積算時間範囲演算手段58が、あらかじめ定
められた固定の値である最適着霜量ではなく、この最適
着霜量演算手段62が算出した更新された最適着霜量を
参照して、除霜のタイミングを定めるための基礎となる
コンプレッサ積算時間の範囲を決定する。
レッサ積算時間範囲演算手段58が参照する最適着霜量
が固定の値ではなく、庫内温度の変化に基づいて、最適
着霜量を変化させたことである。本実施例においては、
このため、上記庫内温度計測手段42が計測する庫内温
度の変化の様子を評価する評価関数演算手段60を備え
ている。また、この評価関数演算手段60が出力する評
価値に基づき、最適着霜量を更新する最適着霜量演算手
段62を有している。上述したように、本実施例ではコ
ンプレッサ積算時間範囲演算手段58が、あらかじめ定
められた固定の値である最適着霜量ではなく、この最適
着霜量演算手段62が算出した更新された最適着霜量を
参照して、除霜のタイミングを定めるための基礎となる
コンプレッサ積算時間の範囲を決定する。
【0075】以下、本実施例の具体的な動作について説
明する。
明する。
【0076】本実施例の冷蔵庫においては、図4に示さ
れているように、除霜が行われるタイミングを決定する
構成、すなわち外気温度計測手段40から、冷却器温度
計測手段52までの構成及びその動作は、上記実施例
1.1から実施例1.3までと同様であり、また、除霜
のタイミングを決定する基礎となるコンプレッサの積算
時間の範囲(制限)を設ける構成、すなわち着霜量計測
手段54からコンプレッサ積算時間範囲演算手段58ま
での構成及びその動作も、上記実施例1.1から実施例
1.3までと同様である。なお、これらの各手段の動作
は上記実施例1.1から実施例1.3までのいずれの動
作を行っても構わない。
れているように、除霜が行われるタイミングを決定する
構成、すなわち外気温度計測手段40から、冷却器温度
計測手段52までの構成及びその動作は、上記実施例
1.1から実施例1.3までと同様であり、また、除霜
のタイミングを決定する基礎となるコンプレッサの積算
時間の範囲(制限)を設ける構成、すなわち着霜量計測
手段54からコンプレッサ積算時間範囲演算手段58ま
での構成及びその動作も、上記実施例1.1から実施例
1.3までと同様である。なお、これらの各手段の動作
は上記実施例1.1から実施例1.3までのいずれの動
作を行っても構わない。
【0077】本実施例における評価関数演算手段60
は、庫内温度の変化から除霜の様子を観察する。そして
その観察結果から、現在のコンプレッサ積算時間範囲演
算手段58が参照する最適着霜量が妥当な値であるか否
かが判断され得る。
は、庫内温度の変化から除霜の様子を観察する。そして
その観察結果から、現在のコンプレッサ積算時間範囲演
算手段58が参照する最適着霜量が妥当な値であるか否
かが判断され得る。
【0078】図5には、除霜の際の冷凍庫の温度上昇の
様子の一例を表すグラフが示されている。このグラフに
おいて横軸は時間であり、縦軸は温度の相対値である。
図中、除霜によって霜取りヒータに通電がされている期
間をDEF時間と呼ぶ。そして、除霜が行われる前の温
度をDEF前温度と、除霜後の庫内温度をDEF後温度
と、それぞれ呼ぶ。なお、冷凍庫内の最大許容温度、す
なわち食品が傷む恐れのある温度をDEFmax温度と
呼ぶ。
様子の一例を表すグラフが示されている。このグラフに
おいて横軸は時間であり、縦軸は温度の相対値である。
図中、除霜によって霜取りヒータに通電がされている期
間をDEF時間と呼ぶ。そして、除霜が行われる前の温
度をDEF前温度と、除霜後の庫内温度をDEF後温度
と、それぞれ呼ぶ。なお、冷凍庫内の最大許容温度、す
なわち食品が傷む恐れのある温度をDEFmax温度と
呼ぶ。
【0079】図5に示されているように、除霜が開始さ
れると霜取りヒータの発生する熱により庫内温度は上昇
する。なお、庫内温度は冷蔵庫(F)サーミスタにより
計測される。そして前述したように、冷却器温度計測手
段52により計測された冷却器の温度が所定の温度に達
したならば除霜が完了したものとし、霜取りヒータの通
電が解除される。この通電が解除されたときの冷凍庫の
庫内温度DEF後温度は、図5に示されているように、
DEFmax温度を越えないように、前記除霜を完了す
べき冷却器の温度が定められている。
れると霜取りヒータの発生する熱により庫内温度は上昇
する。なお、庫内温度は冷蔵庫(F)サーミスタにより
計測される。そして前述したように、冷却器温度計測手
段52により計測された冷却器の温度が所定の温度に達
したならば除霜が完了したものとし、霜取りヒータの通
電が解除される。この通電が解除されたときの冷凍庫の
庫内温度DEF後温度は、図5に示されているように、
DEFmax温度を越えないように、前記除霜を完了す
べき冷却器の温度が定められている。
【0080】しかしながら、季節の変化により、一般に
除霜が完了するまでの時間は変化してしまう。その結
果、冬期においては一般的に着霜量が少ないため短時間
で除霜が完了しても、夏期においては一般的に着霜量が
多いため除霜が完了するまでの時間(DEF時間)が長
くなってしまうので、冷凍庫内の庫内温度が上昇してし
まう。このようにコンプレッサ積算時間の長期化による
庫内温度の上昇を表すグラフが図6に示されている。図
6に示されているグラフの横軸はコンプレッサ積算時間
を表し、縦軸は庫内温度の上昇温度(相対値)をそれぞ
れ表す。横軸に表されているコンプレッサ積算時間が長
くなれば着霜量は増加し、その結果除霜時間(通電時
間:DEF時間)が長時間になるため、庫内温度は図中
三角印で示されているように上昇する。
除霜が完了するまでの時間は変化してしまう。その結
果、冬期においては一般的に着霜量が少ないため短時間
で除霜が完了しても、夏期においては一般的に着霜量が
多いため除霜が完了するまでの時間(DEF時間)が長
くなってしまうので、冷凍庫内の庫内温度が上昇してし
まう。このようにコンプレッサ積算時間の長期化による
庫内温度の上昇を表すグラフが図6に示されている。図
6に示されているグラフの横軸はコンプレッサ積算時間
を表し、縦軸は庫内温度の上昇温度(相対値)をそれぞ
れ表す。横軸に表されているコンプレッサ積算時間が長
くなれば着霜量は増加し、その結果除霜時間(通電時
間:DEF時間)が長時間になるため、庫内温度は図中
三角印で示されているように上昇する。
【0081】従来においては、夏期においても食品が傷
むことのないように、最適着霜量を十分小さい値に固定
しておくことが行われていた。このようにすれば庫内温
度の上昇の問題は回避できるが、その分除霜が頻繁に行
われ、無駄な電力が消費されてしまう恐れがあった。
むことのないように、最適着霜量を十分小さい値に固定
しておくことが行われていた。このようにすれば庫内温
度の上昇の問題は回避できるが、その分除霜が頻繁に行
われ、無駄な電力が消費されてしまう恐れがあった。
【0082】本実施例はこのような問題を解決するた
め、最適着霜量を更新することを特徴とするものであ
る。本実施例においては、庫内温度計測手段42により
計測された庫内の温度変化に基づき、評価値(評価関数
値)が、以下のように求められる。
め、最適着霜量を更新することを特徴とするものであ
る。本実施例においては、庫内温度計測手段42により
計測された庫内の温度変化に基づき、評価値(評価関数
値)が、以下のように求められる。
【0083】評価値=g{(DEF前温度−DEFma
x温度)/(DEF前温度−DEF後温度)} ここで、gは安全係数であり、1よりやや小さな値が使
用される。すなわち、上記式より理解されるように、D
EF後温度がDEFmax温度を少し下まわった程度の
温度となれば、上記評価値はほぼ1を採り、DEF後温
度が上昇すればするほど上記評価値は減少する。
x温度)/(DEF前温度−DEF後温度)} ここで、gは安全係数であり、1よりやや小さな値が使
用される。すなわち、上記式より理解されるように、D
EF後温度がDEFmax温度を少し下まわった程度の
温度となれば、上記評価値はほぼ1を採り、DEF後温
度が上昇すればするほど上記評価値は減少する。
【0084】このようにして求めた評価値は、最適着霜
量演算手段62に供給される。最適着霜量演算手段62
は、現在コンプレッサ積算時間範囲演算手段58に供給
している最適着霜量(現状着霜量)と、上記評価値を乗
算し、新たにコンプレッサ積算時間範囲演算手段58に
供給すべき最適着霜量を算出する。すなわち、最適着霜
量は、以下の式によって算出される。
量演算手段62に供給される。最適着霜量演算手段62
は、現在コンプレッサ積算時間範囲演算手段58に供給
している最適着霜量(現状着霜量)と、上記評価値を乗
算し、新たにコンプレッサ積算時間範囲演算手段58に
供給すべき最適着霜量を算出する。すなわち、最適着霜
量は、以下の式によって算出される。
【0085】 最適着霜量(更新後)=評価値×現状着霜量 このようにして算出された最適着霜量は、コンプレッサ
積算時間範囲演算手段58に供給される。
積算時間範囲演算手段58に供給される。
【0086】コンプレッサ積算時間範囲演算手段58
は、上記実施例1.1〜1.3と同様に、積算時間着霜
量演算手段56によって得られたコンプレッサ積算時間
と着霜量との比例係数を入力するだけでなく、前記最適
着霜量演算手段62によって算出された最適着霜量をも
入力している。本実施例において特徴的なことは、この
最適着霜量が固定の値ではなく、除霜の際の庫内温度の
変化に応じて更新されたことである。
は、上記実施例1.1〜1.3と同様に、積算時間着霜
量演算手段56によって得られたコンプレッサ積算時間
と着霜量との比例係数を入力するだけでなく、前記最適
着霜量演算手段62によって算出された最適着霜量をも
入力している。本実施例において特徴的なことは、この
最適着霜量が固定の値ではなく、除霜の際の庫内温度の
変化に応じて更新されたことである。
【0087】このコンプレッサ積算時間範囲演算手段5
8の動作は上記実施例1.1〜1.3と同様に、例え
ば、最適着霜量と、コンプレッサ積算時間と着霜量との
比例係数を乗算することにより、最適着霜量となると予
想されるコンプレッサ積算時間をまず計算する。例え
ば、その計算は以下のように行われる。
8の動作は上記実施例1.1〜1.3と同様に、例え
ば、最適着霜量と、コンプレッサ積算時間と着霜量との
比例係数を乗算することにより、最適着霜量となると予
想されるコンプレッサ積算時間をまず計算する。例え
ば、その計算は以下のように行われる。
【0088】550(g)×{14(h)/400
(g)}=19.25(h) ここで、550(g)は、上記最適着霜量演算手段62
によって算出された最適着霜量であり、上記実施例1.
1〜1.3においては600(g)と固定されていた値
である。そして、例えばこの求められた19.25時間
を中心として±4時間を新たにコンプレッサ積算時間範
囲として、霜取りヒータ制御手段48に供給する。
(g)}=19.25(h) ここで、550(g)は、上記最適着霜量演算手段62
によって算出された最適着霜量であり、上記実施例1.
1〜1.3においては600(g)と固定されていた値
である。そして、例えばこの求められた19.25時間
を中心として±4時間を新たにコンプレッサ積算時間範
囲として、霜取りヒータ制御手段48に供給する。
【0089】以上述べたように、本実施例によれば、除
霜が行われる際の庫内温度の変化を観察し、この変化に
基づいて最適着霜量の値を変化させた。そして、この最
適着霜量に基づいて上記実施例1.1〜1.3と同様に
コンプレッサ積算時間範囲を設定した。したがって、本
実施例によれば、季節等が変化し、外部気温が変化して
も、除霜後の庫内温度の上昇を一定の値に維持すること
が可能であり、食品の保存を確実に達成しつつ、より適
切な除霜が行えるという効果を有する。
霜が行われる際の庫内温度の変化を観察し、この変化に
基づいて最適着霜量の値を変化させた。そして、この最
適着霜量に基づいて上記実施例1.1〜1.3と同様に
コンプレッサ積算時間範囲を設定した。したがって、本
実施例によれば、季節等が変化し、外部気温が変化して
も、除霜後の庫内温度の上昇を一定の値に維持すること
が可能であり、食品の保存を確実に達成しつつ、より適
切な除霜が行えるという効果を有する。
【0090】実施例2.2 上記実施例2.1においては、最適着霜量を算出する最
適着霜量演算手段62は、評価関数を、利用して最適着
霜量を算出していた。しかしながら、実際の庫内温度変
化は一般に複雑であり、単純な評価関数ではその除霜の
評価を正確に行うことは困難である。
適着霜量演算手段62は、評価関数を、利用して最適着
霜量を算出していた。しかしながら、実際の庫内温度変
化は一般に複雑であり、単純な評価関数ではその除霜の
評価を正確に行うことは困難である。
【0091】そこで、本実施例2.2では、コンプレッ
サ積算時間範囲演算手段64は、上記実施例2.1にお
ける最適着霜量演算手段62と、評価関数演算手段60
と、積算時間ー着霜量演算手段56との機能を含み、フ
ァジー制御により、コンプレッサ積算時間範囲を求める
ように構成した。この結果、本実施例2.2によれば、
より柔軟なコンプレッサ積算時間範囲の算出が行える。
サ積算時間範囲演算手段64は、上記実施例2.1にお
ける最適着霜量演算手段62と、評価関数演算手段60
と、積算時間ー着霜量演算手段56との機能を含み、フ
ァジー制御により、コンプレッサ積算時間範囲を求める
ように構成した。この結果、本実施例2.2によれば、
より柔軟なコンプレッサ積算時間範囲の算出が行える。
【0092】図7に、本実施例に係る除霜制御装置のブ
ロック構成図が示されている。図7に示されているよう
に、本実施例2.2に係る除霜制御装置で特徴的な構成
は、上述したようにコンプレッサ積算時間範囲演算手段
64であり、その他の構成は、全て前記実施例2.1と
同様である。
ロック構成図が示されている。図7に示されているよう
に、本実施例2.2に係る除霜制御装置で特徴的な構成
は、上述したようにコンプレッサ積算時間範囲演算手段
64であり、その他の構成は、全て前記実施例2.1と
同様である。
【0093】本実施例におけるコンプレッサ積算時間範
囲演算手段64は、ファジールール及びメンバーシップ
関数を記憶するファジー知識部64aと、この知識部6
4aに格納されているルールを用いてファジー推論を行
うファジー推論部64bとを含むファジー制御器であ
る。
囲演算手段64は、ファジールール及びメンバーシップ
関数を記憶するファジー知識部64aと、この知識部6
4aに格納されているルールを用いてファジー推論を行
うファジー推論部64bとを含むファジー制御器であ
る。
【0094】ファジー知識部64aは、本実施例におい
ては半導体メモリで構成されており、そこに記憶されて
いるメンバーシップ関数を表すグラフが、図8(a)〜
(c)に示されている。図8(a)は、(現状)着霜量
が「少ない」か、「中位」か、「多い」かを判断する際
に使用されるメンバーシップ関数を表す。また、図8
(b)は、冷凍庫(F)室温度上昇値が、「低い」か
「良い」か、または「高い」かを判断するのに使用され
るメンバーシップ関数を表す。図8(d)には、ファジ
ー知識部64aに格納されているファジールールの例が
示されている。例えば、現状着霜量が少なく、かつ、庫
内温度上昇が低ければ、コンプレッサの積算時間は延ば
す、というように制御ルールが種々設定される。
ては半導体メモリで構成されており、そこに記憶されて
いるメンバーシップ関数を表すグラフが、図8(a)〜
(c)に示されている。図8(a)は、(現状)着霜量
が「少ない」か、「中位」か、「多い」かを判断する際
に使用されるメンバーシップ関数を表す。また、図8
(b)は、冷凍庫(F)室温度上昇値が、「低い」か
「良い」か、または「高い」かを判断するのに使用され
るメンバーシップ関数を表す。図8(d)には、ファジ
ー知識部64aに格納されているファジールールの例が
示されている。例えば、現状着霜量が少なく、かつ、庫
内温度上昇が低ければ、コンプレッサの積算時間は延ば
す、というように制御ルールが種々設定される。
【0095】ファジー推論部64bは、上記ファジー知
識部64aを参照しながら、ファジー推論を行う。この
ファジー推論部64bは、上記ファジー知識部64aに
格納されているファジールールに基づき、コンプレッサ
の積算時間を延ばすか、現在のままで良いか、または短
縮するかを表す出力信号を上記メンバーシップ関数の結
果に応じて生成する。この生成された複数の結果を例え
ば重心法等により統合してコンプレッサ積算時間範囲を
最終的にどのように制御するかの結論が得られる。例え
ば図8(c)は、「縮める」か「現状」のままか「延ば
す」かについて3つのシングルトンがいわゆる後件部と
して表されている。なお、MIN−MAX法の他に、代
数積−加算法等を用いても好適である。
識部64aを参照しながら、ファジー推論を行う。この
ファジー推論部64bは、上記ファジー知識部64aに
格納されているファジールールに基づき、コンプレッサ
の積算時間を延ばすか、現在のままで良いか、または短
縮するかを表す出力信号を上記メンバーシップ関数の結
果に応じて生成する。この生成された複数の結果を例え
ば重心法等により統合してコンプレッサ積算時間範囲を
最終的にどのように制御するかの結論が得られる。例え
ば図8(c)は、「縮める」か「現状」のままか「延ば
す」かについて3つのシングルトンがいわゆる後件部と
して表されている。なお、MIN−MAX法の他に、代
数積−加算法等を用いても好適である。
【0096】以上述べたように、本実施例においては、
コンプレッサ積算時間範囲演算手段64がファジー制御
器であり、着霜量と冷凍室温度上昇値とから、ファジー
ルールにより直接コンプレッサ積算時間範囲を算出し
た。この結果、コンプレッサ積算時間範囲の計算をより
きめ細かく行うことが可能である。
コンプレッサ積算時間範囲演算手段64がファジー制御
器であり、着霜量と冷凍室温度上昇値とから、ファジー
ルールにより直接コンプレッサ積算時間範囲を算出し
た。この結果、コンプレッサ積算時間範囲の計算をより
きめ細かく行うことが可能である。
【0097】実施例3 上記実施例2.1においては、庫内温度を監視すること
により、除霜の様子を調べ、その時間の比例係数から最
適着霜量の変更を行った。しかしながら、この最適着霜
量は除霜が完了した時点で、その除霜時のデータを基に
して次回の除霜も同様にして行われるとの仮定の下に、
最適着霜量の変更を行っている。
により、除霜の様子を調べ、その時間の比例係数から最
適着霜量の変更を行った。しかしながら、この最適着霜
量は除霜が完了した時点で、その除霜時のデータを基に
して次回の除霜も同様にして行われるとの仮定の下に、
最適着霜量の変更を行っている。
【0098】しかしながら、実際の家庭における使用に
おいては、週末と平日の使用状況に大きな差があるのが
通例である。したがって、次の除霜において、明日は週
末であるのか平日であるのかが判別できれば、その判別
から扉の開閉回数などが判明すればそれに応じた除霜制
御を行えるので便利である。
おいては、週末と平日の使用状況に大きな差があるのが
通例である。したがって、次の除霜において、明日は週
末であるのか平日であるのかが判別できれば、その判別
から扉の開閉回数などが判明すればそれに応じた除霜制
御を行えるので便利である。
【0099】すなわち、本実施例は、次回に行われる除
霜の制御がどの様に行われるべきかを予測し、その予測
結果に基づいて、最適着霜量を更新する除霜制御装置を
実現するものである。
霜の制御がどの様に行われるべきかを予測し、その予測
結果に基づいて、最適着霜量を更新する除霜制御装置を
実現するものである。
【0100】図9に本実施例3の除霜制御装置の構成ブ
ロック図が示されている。図9に示されているように、
本実施例3による冷蔵庫の除霜制御装置は、上記実施例
2.1とほぼ同様の構成である。異なる構成は、評価関
数演算手段60(図4参照)の代わりに、扉開閉頻度予
測手段90が設けられていることである。この扉開閉頻
度予測手段90は、扉開閉頻度計測手段80から出力さ
れる扉開閉信号を入力し、未来における扉開閉頻度を予
測する。そして、この予測された開閉頻度に基づき、最
適着霜量演算手段92が、最適着霜量を算出する。
ロック図が示されている。図9に示されているように、
本実施例3による冷蔵庫の除霜制御装置は、上記実施例
2.1とほぼ同様の構成である。異なる構成は、評価関
数演算手段60(図4参照)の代わりに、扉開閉頻度予
測手段90が設けられていることである。この扉開閉頻
度予測手段90は、扉開閉頻度計測手段80から出力さ
れる扉開閉信号を入力し、未来における扉開閉頻度を予
測する。そして、この予測された開閉頻度に基づき、最
適着霜量演算手段92が、最適着霜量を算出する。
【0101】コンプレッサ積算時間範囲演算手段88
は、実施例2.1におけるコンプレッサ積算時間範囲演
算手段58とまったく同様の構成であり、上記求められ
た最適着霜量と、積算時間着霜量演算手段86が算出し
た積算時間と着霜量との比例係数に基づき、コンプレッ
サ積算時間を算出する。
は、実施例2.1におけるコンプレッサ積算時間範囲演
算手段58とまったく同様の構成であり、上記求められ
た最適着霜量と、積算時間着霜量演算手段86が算出し
た積算時間と着霜量との比例係数に基づき、コンプレッ
サ積算時間を算出する。
【0102】このように、本実施例において特徴的なこ
とは、扉開閉信号に基づき、未来の扉開閉頻度を予測し
たことである。そして、この扉開閉頻度の予測結果に基
づき、最適着霜量を算出したので、次回における除霜制
御を良好に行うことが可能である。
とは、扉開閉信号に基づき、未来の扉開閉頻度を予測し
たことである。そして、この扉開閉頻度の予測結果に基
づき、最適着霜量を算出したので、次回における除霜制
御を良好に行うことが可能である。
【0103】以下、本実施例の具体的な動作について説
明する。
明する。
【0104】本実施例の除霜制御装置においては、図9
に示されているように、除霜が行われるタイミングを決
定する構成、すなわち外気温度計測手段70から、冷却
器温度計測手段82までの構成及びその動作は、上記実
施例2.1と同様である。また、着霜量を計測する着霜
量計測手段84、着霜量と積算時間の比例係数を算出す
る積算時間−着霜量演算手段86と、コンプレッサ積算
時間範囲演算手段88までの構成及びその動作も、上記
実施例2.1と同様である。
に示されているように、除霜が行われるタイミングを決
定する構成、すなわち外気温度計測手段70から、冷却
器温度計測手段82までの構成及びその動作は、上記実
施例2.1と同様である。また、着霜量を計測する着霜
量計測手段84、着霜量と積算時間の比例係数を算出す
る積算時間−着霜量演算手段86と、コンプレッサ積算
時間範囲演算手段88までの構成及びその動作も、上記
実施例2.1と同様である。
【0105】本実施例の特徴的な構成である扉開閉頻度
予測手段90は、扉開閉頻度計測手段80が出力する扉
開閉信号を入力し、過去一週間分の扉開閉回数を記憶し
ており、この記憶に基づき、未来の扉の開閉頻度を予測
している。図10に一週間分の扉の開閉回数の実測例を
表すグラフが示されている。このグラフにおいては、横
軸は時間を表し、縦軸が扉の開閉回数を表す。扉の開閉
回数は2時間ごとに累積され、その開閉回数が縦軸に表
されている。すなわち、1日を12ブロックに分け(1
ブロックは2時間)、ブロック毎の扉の開閉回数を一週
間分記録したものである。グラフの横軸に沿って示され
ているように、月曜日から金曜日までは、開閉頻度が3
つの山に分けられることが理解されよう。これは、1日
の3回の食事に相当するものと考えられる。一方、週末
の土曜日、日曜日においては、扉の開閉頻度が2つの山
にのみ分けられ、平日とは明らかな相違が見られる。
予測手段90は、扉開閉頻度計測手段80が出力する扉
開閉信号を入力し、過去一週間分の扉開閉回数を記憶し
ており、この記憶に基づき、未来の扉の開閉頻度を予測
している。図10に一週間分の扉の開閉回数の実測例を
表すグラフが示されている。このグラフにおいては、横
軸は時間を表し、縦軸が扉の開閉回数を表す。扉の開閉
回数は2時間ごとに累積され、その開閉回数が縦軸に表
されている。すなわち、1日を12ブロックに分け(1
ブロックは2時間)、ブロック毎の扉の開閉回数を一週
間分記録したものである。グラフの横軸に沿って示され
ているように、月曜日から金曜日までは、開閉頻度が3
つの山に分けられることが理解されよう。これは、1日
の3回の食事に相当するものと考えられる。一方、週末
の土曜日、日曜日においては、扉の開閉頻度が2つの山
にのみ分けられ、平日とは明らかな相違が見られる。
【0106】本実施例3においては、過去一週間分の扉
開閉頻度から、アトラクタの構成を行うことによって、
未来の開閉頻度の予測を行っている。上述したように、
過去一週間分の開閉頻度データは2時間ごとに採られて
いるので、合計84個のデータ(1日当たり12データ
×7日分)となる。この84個のデータをx1、x2、
x3、…、x84と表す。アトラクタの構成には、デー
タの基本周期のほぼ1/4の期間を送れ時間として、ア
トラクタを構成するのが一般的に良いとされている。扉
の開閉頻度は大きな周期としては、ほぼ1日周期になる
と考えられる。一方、上述したように、1日には3つの
開閉頻度の山があると考えられるので、本実施例3にお
いては、1日の1/3である8時間をデータの周期とし
ている。その結果、周期の1/4である2時間が遅れ時
間として適当な値であること判断される。したがって、
上記xn(n=1、2、3、…、84)という1次元デ
ータは、(xn、xn+1)(n=1、2、3、…、8
4)という2次元データに変換され、2次元空間にアト
ラクタの構成がなされる。
開閉頻度から、アトラクタの構成を行うことによって、
未来の開閉頻度の予測を行っている。上述したように、
過去一週間分の開閉頻度データは2時間ごとに採られて
いるので、合計84個のデータ(1日当たり12データ
×7日分)となる。この84個のデータをx1、x2、
x3、…、x84と表す。アトラクタの構成には、デー
タの基本周期のほぼ1/4の期間を送れ時間として、ア
トラクタを構成するのが一般的に良いとされている。扉
の開閉頻度は大きな周期としては、ほぼ1日周期になる
と考えられる。一方、上述したように、1日には3つの
開閉頻度の山があると考えられるので、本実施例3にお
いては、1日の1/3である8時間をデータの周期とし
ている。その結果、周期の1/4である2時間が遅れ時
間として適当な値であること判断される。したがって、
上記xn(n=1、2、3、…、84)という1次元デ
ータは、(xn、xn+1)(n=1、2、3、…、8
4)という2次元データに変換され、2次元空間にアト
ラクタの構成がなされる。
【0107】このようにして、構成された、(x1、x
2)、(x2、x3)、(x3、x4)、…、(x8
3、x84)という2次元データを表したグラフが図1
1に示されている。図11は、横軸にxnを、縦軸にx
n+1をそれぞれ表す。このように、2次元のアトラク
タを構成することにより、上記時系列データxn(n=
1、2、3、…、84)の時間的な動きが把握され、将
来の動向が予測され得る。
2)、(x2、x3)、(x3、x4)、…、(x8
3、x84)という2次元データを表したグラフが図1
1に示されている。図11は、横軸にxnを、縦軸にx
n+1をそれぞれ表す。このように、2次元のアトラク
タを構成することにより、上記時系列データxn(n=
1、2、3、…、84)の時間的な動きが把握され、将
来の動向が予測され得る。
【0108】本実施例3においては、点(x83、x8
4)がs単位時間後にどの様に変化するかが、以下のよ
うにして行われる。ここで、単位時間は上述したように
2時間である。
4)がs単位時間後にどの様に変化するかが、以下のよ
うにして行われる。ここで、単位時間は上述したように
2時間である。
【0109】まず、(x83、x84)の点に最も近接
した点を見つける。そして、この最近接点(xm、xm
+1)から、s単位時間後の変化を算出する。そして、
このs単位時間後の変化を上記(x83、x84)に加
えることにより、s単位時間後の予測値(x83+s、
x84+s)が算出される。sとして0、1、2、…と
繰り返せば、(x83+1、x84+1)、(x83+
2、x84+2)、(x83+3、x84+3)の値が
求められる。このようにして、x85、x86、x8
7、x88、x89、…が求められ、未来の扉の開閉回
数(頻度)が予測される。
した点を見つける。そして、この最近接点(xm、xm
+1)から、s単位時間後の変化を算出する。そして、
このs単位時間後の変化を上記(x83、x84)に加
えることにより、s単位時間後の予測値(x83+s、
x84+s)が算出される。sとして0、1、2、…と
繰り返せば、(x83+1、x84+1)、(x83+
2、x84+2)、(x83+3、x84+3)の値が
求められる。このようにして、x85、x86、x8
7、x88、x89、…が求められ、未来の扉の開閉回
数(頻度)が予測される。
【0110】この方法は、いわば現在と似ている過去の
状態を多次元状態空間上の距離で算出し、この過去の状
態の遷移を用いて将来を予測する手法である。
状態を多次元状態空間上の距離で算出し、この過去の状
態の遷移を用いて将来を予測する手法である。
【0111】このように、本実施例3においては、アト
ラクタを2次元上に構築することにより、効率的な予測
が可能である。そして、上記予測結果x85、x86、
x87、x88、x89、…が、最適着霜量演算手段9
2に供給される。最適着霜量演算手段92は、着霜量計
測手段84からの着霜量と、上記予測結果とから、最適
着霜量を算出し、コンプレッサ積算時間範囲演算手段8
8に供給する。換言すれば、この最適着霜量演算手段9
2は、上記計測された着霜量に基づき最適着霜量を決定
する際に、冷蔵庫の扉の開閉頻度の予測値に基づき、こ
の最適着霜量の値に修正を施すのである。例えば、明日
は、使用頻度が多い(休日)と予測されるので、着霜量
が増えるはずである。したがって、この場合は、最適着
霜量を少なめに設定し、除霜タイミングが早くなるよう
に設定される。
ラクタを2次元上に構築することにより、効率的な予測
が可能である。そして、上記予測結果x85、x86、
x87、x88、x89、…が、最適着霜量演算手段9
2に供給される。最適着霜量演算手段92は、着霜量計
測手段84からの着霜量と、上記予測結果とから、最適
着霜量を算出し、コンプレッサ積算時間範囲演算手段8
8に供給する。換言すれば、この最適着霜量演算手段9
2は、上記計測された着霜量に基づき最適着霜量を決定
する際に、冷蔵庫の扉の開閉頻度の予測値に基づき、こ
の最適着霜量の値に修正を施すのである。例えば、明日
は、使用頻度が多い(休日)と予測されるので、着霜量
が増えるはずである。したがって、この場合は、最適着
霜量を少なめに設定し、除霜タイミングが早くなるよう
に設定される。
【0112】以上述べたように、本実施例3によれば、
将来の冷蔵庫の扉の開閉頻度を予測し、この予測結果に
基づいて最適着量を算出した。したがって、将来の使用
状況に応じた除霜制御が行えるという効果を有する。
将来の冷蔵庫の扉の開閉頻度を予測し、この予測結果に
基づいて最適着量を算出した。したがって、将来の使用
状況に応じた除霜制御が行えるという効果を有する。
【0113】実施例4.1 上記実施例3においては、扉開閉頻度を予測し、その予
測結果に基づき、最適着霜量を算出した。したがって、
扉の開閉頻度が変化することにより、異なる除霜制御が
行うべきであるときでも、開閉頻度の予測によって効率
的な除霜制御が行える。しかしながら、一回の扉の開閉
に伴う開時間がいつも一定であるとは限らず、それぞれ
の開閉時に対してことなる可能性は大きい。したがっ
て、開閉頻度のみに基づき、最適着霜量を算出すること
には誤差が生じやすい。また、コンプレッサの運転率も
着霜量に大きな影響を与える。
測結果に基づき、最適着霜量を算出した。したがって、
扉の開閉頻度が変化することにより、異なる除霜制御が
行うべきであるときでも、開閉頻度の予測によって効率
的な除霜制御が行える。しかしながら、一回の扉の開閉
に伴う開時間がいつも一定であるとは限らず、それぞれ
の開閉時に対してことなる可能性は大きい。したがっ
て、開閉頻度のみに基づき、最適着霜量を算出すること
には誤差が生じやすい。また、コンプレッサの運転率も
着霜量に大きな影響を与える。
【0114】本実施例4.1は、これらの値を考慮して
最適着霜量を算出するようにしたものである。
最適着霜量を算出するようにしたものである。
【0115】本実施例4.1における構成は上記実施例
3とほぼ同様である。ただし、上記実施例3における扉
開閉頻度予測手段90(図9参照)はなく、その代わ
り、図12に示されているように、扉開時間計測手段1
20と、コンプレッサ運転率演算手段122が備えられ
ている。扉開時間計測手段120は、扉開閉頻度計測手
段110からの扉開閉信号を入力し、1日当たりの冷蔵
庫の扉が開いているのべ時間を計測する構成である。こ
れによって、扉の開閉の頻度が同じであっても、扉が開
いている時間の長短を考慮した除霜制御が行える。
3とほぼ同様である。ただし、上記実施例3における扉
開閉頻度予測手段90(図9参照)はなく、その代わ
り、図12に示されているように、扉開時間計測手段1
20と、コンプレッサ運転率演算手段122が備えられ
ている。扉開時間計測手段120は、扉開閉頻度計測手
段110からの扉開閉信号を入力し、1日当たりの冷蔵
庫の扉が開いているのべ時間を計測する構成である。こ
れによって、扉の開閉の頻度が同じであっても、扉が開
いている時間の長短を考慮した除霜制御が行える。
【0116】コンプレッサ運転率演算手段122は、コ
ンプレッサ積算時間計時手段106から出力されるコン
プレッサの駆動信号を入力し、1日当たりのコンプレッ
サ運転率を出力する。このコンプレッサ運転率は上記扉
開時間と共に、最適着霜量演算手段122に供給され
る。
ンプレッサ積算時間計時手段106から出力されるコン
プレッサの駆動信号を入力し、1日当たりのコンプレッ
サ運転率を出力する。このコンプレッサ運転率は上記扉
開時間と共に、最適着霜量演算手段122に供給され
る。
【0117】最適着霜量演算手段124は、上記2つの
信号と現状の着霜量とを入力し、最適な着霜量を算出
し、コンプレッサ積算時間範囲演算手段118に供給す
る。
信号と現状の着霜量とを入力し、最適な着霜量を算出
し、コンプレッサ積算時間範囲演算手段118に供給す
る。
【0118】本実施例において特徴的な構成は、上記扉
開時間計測手段120や、コンプレッサ運転率演算手段
122であり、また、最適着霜量演算手段124も特徴
的な構成である。上記扉開時間信号とコンプレッサ運転
率とを入力し、最適着霜量演算手段124は、より正確
な最適着霜量を算出することができる。
開時間計測手段120や、コンプレッサ運転率演算手段
122であり、また、最適着霜量演算手段124も特徴
的な構成である。上記扉開時間信号とコンプレッサ運転
率とを入力し、最適着霜量演算手段124は、より正確
な最適着霜量を算出することができる。
【0119】本実施例においては、最適着霜量演算手段
124と、積算時間ー着霜量演算手段116とは、CM
AC(Cerebellar Model Arith
metic Computer)型ニューラルネットワ
ークを利用して構成されている。
124と、積算時間ー着霜量演算手段116とは、CM
AC(Cerebellar Model Arith
metic Computer)型ニューラルネットワ
ークを利用して構成されている。
【0120】ニューラルネットワークは、学習と実行
(予測)を行う手段として、幅広く用いられている。一
般的なニューラルネットワークとしてバックプロパゲー
ションによる学習を行うバックプロパゲーション型ネッ
トワークが広く知られている。しかしながら、このバッ
クプロパゲーション型ネットワークは、実行(予測)に
先だって学習をさせねばならないが、この学習計算が複
雑であるので、一般的なマイクロコンピュータでは現実
的な計算時間で学習を行わせることは不可能である。さ
らに、局所的なエネルギーが極小になるように収束して
しまったり、または全く収束しなかったりするため、常
に利用できるわけではない。そのため、オンラインでの
学習、すなわち、現実に使用(予測)をしながら、同時
に学習をさせることができず、実際の使用状況に合致し
た学習を行わせることができないという困難がある。そ
のため、バックプロパゲーション型のニューラルネット
ワークを適用する場合においては、工場・研究室等であ
らかじめ学習をさせ、そのデータを固定してしまう必要
があった。
(予測)を行う手段として、幅広く用いられている。一
般的なニューラルネットワークとしてバックプロパゲー
ションによる学習を行うバックプロパゲーション型ネッ
トワークが広く知られている。しかしながら、このバッ
クプロパゲーション型ネットワークは、実行(予測)に
先だって学習をさせねばならないが、この学習計算が複
雑であるので、一般的なマイクロコンピュータでは現実
的な計算時間で学習を行わせることは不可能である。さ
らに、局所的なエネルギーが極小になるように収束して
しまったり、または全く収束しなかったりするため、常
に利用できるわけではない。そのため、オンラインでの
学習、すなわち、現実に使用(予測)をしながら、同時
に学習をさせることができず、実際の使用状況に合致し
た学習を行わせることができないという困難がある。そ
のため、バックプロパゲーション型のニューラルネット
ワークを適用する場合においては、工場・研究室等であ
らかじめ学習をさせ、そのデータを固定してしまう必要
があった。
【0121】CMAC型のニューラルネットワーク(以
下、しばしば「CMAC」と称する)は、3段階の写像
から構成されている。学習は、CMACによる出力値と
目標値との誤差によって各細胞の加重値を修正すること
により行われる。この写像と修正を重ねることによりC
MACの出力が目標値に近付くように学習を繰り返す。
下、しばしば「CMAC」と称する)は、3段階の写像
から構成されている。学習は、CMACによる出力値と
目標値との誤差によって各細胞の加重値を修正すること
により行われる。この写像と修正を重ねることによりC
MACの出力が目標値に近付くように学習を繰り返す。
【0122】CMACには以下のような特徴がある。
【0123】(1)汎化作用を有する。
【0124】一つの細胞の加重値が変化するときに、近
傍の他の細胞の加重値も変化する。
傍の他の細胞の加重値も変化する。
【0125】(2)バックプロパゲーション型より多い
が、従来のテーブルマッピングより少ない記憶容量で制
御が実現可能である。
が、従来のテーブルマッピングより少ない記憶容量で制
御が実現可能である。
【0126】(3)学習計算がバックプロパゲーション
型に比べて簡単であるため、学習速度が速い。
型に比べて簡単であるため、学習速度が速い。
【0127】(4)多次元の入力信号をマッピングする
のに向いている。
のに向いている。
【0128】CMACは以下の3段階の写像比例係数を
有する。
有する。
【0129】S→M→A→P ここで、Sは入力ベクトルであり、MはSをコード化す
るのに用いられるセルの集合である。Aは、Mが接続さ
れる細胞(及びその加重値)の集合である。そして、P
は出力の値である。
るのに用いられるセルの集合である。Aは、Mが接続さ
れる細胞(及びその加重値)の集合である。そして、P
は出力の値である。
【0130】現在、CMACでは、以下のように学習が
進行する。
進行する。
【0131】(a)入力空間内の個々の点Sに関して、
最終的に求めたいベクトル値yを求める。
最終的に求めたいベクトル値yを求める。
【0132】(b)出力をyの持つべき入力空間内の1
点Sを選ぶ。次いでその入力に対し、現在の内部状態で
得られる出力ytを一時的に計算する。
点Sを選ぶ。次いでその入力に対し、現在の内部状態で
得られる出力ytを一時的に計算する。
【0133】(c)求めたい出力全ての要素について、
推論誤差と許容誤差εとの比例係数が次式を満足すると
き、学習は終了する。
推論誤差と許容誤差εとの比例係数が次式を満足すると
き、学習は終了する。
【0134】 |y−yt|≦ε ・・・(i) (s)上記式(1)を満足しない場合、次式にて加重値
の修正を行う。
の修正を行う。
【0135】 Wt+1 k=Wt k+g×(y−yt)/m ・・・(ii) ここで、mは、レイヤ数であり、gは一回の学習過程の
中で行われる修正の度合いを決める学習係数である。g
=「1」であるならば、一回の学習動作で誤りの量を一
気に修正してしまうという単発学習を意味し、0<g<
1ならば何回かの修正が必要になる。
中で行われる修正の度合いを決める学習係数である。g
=「1」であるならば、一回の学習動作で誤りの量を一
気に修正してしまうという単発学習を意味し、0<g<
1ならば何回かの修正が必要になる。
【0136】図13に、CMACで必要とされる記憶容
量の説明図が示されている。上述したCMACの写像S
→Aは、アドレスデコーダの役割を果たしている。すな
わち、Sが入力ラインで、Aが選択された出力ライン
(複数)である。この選び出された出力ライン上の信号
の総和が、そのままアドレスSで指定されたメモリの内
容と解釈される。CMACでは一個のアドレスで複数個
の記憶場所を一つの集合として同時に指定することがで
きる。図13(a)に示されているのは従来のテーブル
マッピングの際のメモリのアクセスの様子を示す図であ
り、図13(b)は、CMACによるメモリのアクセス
の様子を示す図である。
量の説明図が示されている。上述したCMACの写像S
→Aは、アドレスデコーダの役割を果たしている。すな
わち、Sが入力ラインで、Aが選択された出力ライン
(複数)である。この選び出された出力ライン上の信号
の総和が、そのままアドレスSで指定されたメモリの内
容と解釈される。CMACでは一個のアドレスで複数個
の記憶場所を一つの集合として同時に指定することがで
きる。図13(a)に示されているのは従来のテーブル
マッピングの際のメモリのアクセスの様子を示す図であ
り、図13(b)は、CMACによるメモリのアクセス
の様子を示す図である。
【0137】このように、m個の登録場所を持つ数表か
らn(n>1)個の要素を取り出す組み合わせは、mよ
り大きいので少ない記憶容量で済むのである。
らn(n>1)個の要素を取り出す組み合わせは、mよ
り大きいので少ない記憶容量で済むのである。
【0138】N変数の関数で、各変数毎の分解能がR段
必要なとき、従来の表参照方式で必要とされる格納場所
の数はRNとなる。一方、CMACでは、わずかKQN
個の格納場所を必要とするだけである。ここでKはレイ
ヤ数、Qは各レイヤごとのセル分解能の段数である。
必要なとき、従来の表参照方式で必要とされる格納場所
の数はRNとなる。一方、CMACでは、わずかKQN
個の格納場所を必要とするだけである。ここでKはレイ
ヤ数、Qは各レイヤごとのセル分解能の段数である。
【0139】このように、本実施例4.1においては、
積算時間−着霜量演算手段116と、最適着霜量演算手
段124とは、一個のCMAC型ニューラルネットワー
クを用いて構成されている。CMAC型ニューラルネッ
トワークの動作概念図が図14に示されている。図14
において、X軸は扉開時間を表し、Y軸はコンプレッサ
運転率を表し、Z軸は比例係数を表す。図14に示され
ているように、本実施例4.1に係るCMAC型ニュー
ラルネットワークは、コンプレッサ運転率と、扉開時間
とを入力し、比例係数(コンプレッサ積算時間と着霜量
との比例係数)を出力するニューラルネットワークであ
る。
積算時間−着霜量演算手段116と、最適着霜量演算手
段124とは、一個のCMAC型ニューラルネットワー
クを用いて構成されている。CMAC型ニューラルネッ
トワークの動作概念図が図14に示されている。図14
において、X軸は扉開時間を表し、Y軸はコンプレッサ
運転率を表し、Z軸は比例係数を表す。図14に示され
ているように、本実施例4.1に係るCMAC型ニュー
ラルネットワークは、コンプレッサ運転率と、扉開時間
とを入力し、比例係数(コンプレッサ積算時間と着霜量
との比例係数)を出力するニューラルネットワークであ
る。
【0140】上述したように、このCMAC型ニューラ
ルネットワークはオンラインで、すなわち、制御(予
測)をしながら、学習も同時に行うことが可能なニュー
ラルネットワークである。図14には、一個のデータに
よる学習がなされた場合の状態の例が、点線で示されて
いる。すなわち例えば、扉開時間が54分で、コンプレ
ッサ運転率が70パーセントである場合に、比例係数が
3.5であることが記憶されると、般化作用によって、
一定の範囲におけるデータが更新される。図14におい
ては、扉開時間が54分で、コンプレッサ運転率が70
パーセントである点を中心にして(中心は3.5に設定
され)、ピラミッド状に値が設定されている。このよう
な学習が行われた後、例えば、48分である扉開時間と
65パーセントであるコンプレッサ運転率とが入力され
ると、このCMAC型ニューラルネットワークは、制御
値(予測値)として2.5を出力する。なお、図15
に、ある程度の学習が進んだ状態のCMAC型ニューラ
ルネットワークの出力状態(学習状態)が示されてい
る。ここに示されている図は、上記図14と同様に3次
元的に表示したものである。
ルネットワークはオンラインで、すなわち、制御(予
測)をしながら、学習も同時に行うことが可能なニュー
ラルネットワークである。図14には、一個のデータに
よる学習がなされた場合の状態の例が、点線で示されて
いる。すなわち例えば、扉開時間が54分で、コンプレ
ッサ運転率が70パーセントである場合に、比例係数が
3.5であることが記憶されると、般化作用によって、
一定の範囲におけるデータが更新される。図14におい
ては、扉開時間が54分で、コンプレッサ運転率が70
パーセントである点を中心にして(中心は3.5に設定
され)、ピラミッド状に値が設定されている。このよう
な学習が行われた後、例えば、48分である扉開時間と
65パーセントであるコンプレッサ運転率とが入力され
ると、このCMAC型ニューラルネットワークは、制御
値(予測値)として2.5を出力する。なお、図15
に、ある程度の学習が進んだ状態のCMAC型ニューラ
ルネットワークの出力状態(学習状態)が示されてい
る。ここに示されている図は、上記図14と同様に3次
元的に表示したものである。
【0141】以下、このCMAC型ニューラルネットワ
ークを中心として、本実施例4.1による除霜制御装置
の動作を説明する。
ークを中心として、本実施例4.1による除霜制御装置
の動作を説明する。
【0142】図16には、本実施例4.1に係る除霜装
置が最初に動作を開始してから5日目、6日目及び7日
目の動作を示すタイムチャートが示されている。本実施
例4.1に係る除霜制御装置が最初に動作を開始した場
合、まず最初の一週間は、従来の制御方法による除霜が
行われる。すなわち、除霜のタイミングを決定する際の
基礎となるコンプレッサ積算時間範囲には、8時間以上
16時間未満という固定の制限が設けられており、この
時間範囲内で、最も扉の開閉頻度が少ないと推測される
時間のブロック(2時間単位)において除霜が行われ
る。なお、図16中、DEFは除霜を行うタイミングを
表す。また、コンプレッサ運転率は一様に50パーセン
トであるとしている。このように、一様にコンプレッサ
運転率が50パーセントであるとしているので、上記8
時間以上16時間未満という固定の制限は、実際の時間
にすれば16時間以上32時間未満に相当する。
置が最初に動作を開始してから5日目、6日目及び7日
目の動作を示すタイムチャートが示されている。本実施
例4.1に係る除霜制御装置が最初に動作を開始した場
合、まず最初の一週間は、従来の制御方法による除霜が
行われる。すなわち、除霜のタイミングを決定する際の
基礎となるコンプレッサ積算時間範囲には、8時間以上
16時間未満という固定の制限が設けられており、この
時間範囲内で、最も扉の開閉頻度が少ないと推測される
時間のブロック(2時間単位)において除霜が行われ
る。なお、図16中、DEFは除霜を行うタイミングを
表す。また、コンプレッサ運転率は一様に50パーセン
トであるとしている。このように、一様にコンプレッサ
運転率が50パーセントであるとしているので、上記8
時間以上16時間未満という固定の制限は、実際の時間
にすれば16時間以上32時間未満に相当する。
【0143】図16に示されているように、5日目の第
12ブロック(23:00時)において、除霜が行われ
ている。この除霜時におけるコンプレッサ運転率と扉開
時間とが上述したようにCMAC型ニューラルネットワ
ークに印加され、学習が行われる。上述したように、本
実施例4.1に係る除霜制御装置においては、最初に動
作を開始してから一週間は従来の制御方法が採用され、
CMAC型ニューラルネットワークの出力信号は除霜制
御には使用されない。これは、除霜制御を行うのに必要
な学習を、一週間の期間で行うためである。
12ブロック(23:00時)において、除霜が行われ
ている。この除霜時におけるコンプレッサ運転率と扉開
時間とが上述したようにCMAC型ニューラルネットワ
ークに印加され、学習が行われる。上述したように、本
実施例4.1に係る除霜制御装置においては、最初に動
作を開始してから一週間は従来の制御方法が採用され、
CMAC型ニューラルネットワークの出力信号は除霜制
御には使用されない。これは、除霜制御を行うのに必要
な学習を、一週間の期間で行うためである。
【0144】上記5日目の第12ブロックにおける除霜
が行われてからのコンプレッサ積算時間で8時間から1
6時間の時間範囲は、実際の時間では16時間から32
時間に相当する。具体的には、6日目の第9ブロックか
ら7日目の第4ブロックまでに相当する。この期間の間
で、最も扉の開閉回数が少ない時間ブロックは、6日目
の第11ブロックであると(本実施例においては)予測
されている。そのため、この6日目の第11ブロックに
おいて除霜が行われている。この除霜が完了した場合に
も同様に、コンプレッサの運転率及び扉開閉時間による
CMAC型ニューラルネットワークの学習が行われる。
なお、コンプレッサ積算時間及び着霜量の計測が行わ
れ、それらの間の比例係数の計算も行われている。
が行われてからのコンプレッサ積算時間で8時間から1
6時間の時間範囲は、実際の時間では16時間から32
時間に相当する。具体的には、6日目の第9ブロックか
ら7日目の第4ブロックまでに相当する。この期間の間
で、最も扉の開閉回数が少ない時間ブロックは、6日目
の第11ブロックであると(本実施例においては)予測
されている。そのため、この6日目の第11ブロックに
おいて除霜が行われている。この除霜が完了した場合に
も同様に、コンプレッサの運転率及び扉開閉時間による
CMAC型ニューラルネットワークの学習が行われる。
なお、コンプレッサ積算時間及び着霜量の計測が行わ
れ、それらの間の比例係数の計算も行われている。
【0145】この6日目の第11ブロックにおける除霜
の次の除霜が、7日目の第12ブロックにおいて行われ
ている。この7日目の第12ブロックにおいて行われて
いる除霜までは、上述したように、従来の制御方法で行
われ、また、コンプレッサ運転率と扉開時間によるCM
AC型ニューラルネットワークの学習が行われる。
の次の除霜が、7日目の第12ブロックにおいて行われ
ている。この7日目の第12ブロックにおいて行われて
いる除霜までは、上述したように、従来の制御方法で行
われ、また、コンプレッサ運転率と扉開時間によるCM
AC型ニューラルネットワークの学習が行われる。
【0146】図17には、図16のタイムチャートの続
きが示されており、本実施例に係る除霜制御装置の8日
目から11日目の動作のタイムチャートが示されてい
る。上述したように、本実施例4.1においては、7日
目までは従来の制御方法による除霜制御が行われ、CM
AC型ニューラルネットワークの学習が行われている。
そして、8日目からはこの学習結果に基づく除霜制御が
行われる。
きが示されており、本実施例に係る除霜制御装置の8日
目から11日目の動作のタイムチャートが示されてい
る。上述したように、本実施例4.1においては、7日
目までは従来の制御方法による除霜制御が行われ、CM
AC型ニューラルネットワークの学習が行われている。
そして、8日目からはこの学習結果に基づく除霜制御が
行われる。
【0147】本実施例においては、このCMAC型ニュ
ーラルネットワークの実行(予測)タイミングは、従来
の除霜タイミングと同一のタイミングである。ここで、
実行とは、CMAC型ニューラルネットワークにデータ
を入力し、所望のデータ(予測値)を出力させることを
いう。上記除霜タイミング、すなわち、図17におい
て、白い菱形印の下に「従来DEF点」と示されている
タイミング(8日目の第11ブロック)は、従来の除霜
制御方法によれば除霜を行うべきであったタイミングで
ある。本実施例4.1においてはこのタイミングにおい
て、その直前の12ブロックにおけるコンプレッサ運転
率と扉開時間とをCMAC型ニューラルネットワークに
入力し、CMAC型ニューラルネットワークから比例係
数を出力させる。この比例係数は、今まで述べてきたよ
うにコンプレッサ積算時間と着霜量との比例係数であ
る。
ーラルネットワークの実行(予測)タイミングは、従来
の除霜タイミングと同一のタイミングである。ここで、
実行とは、CMAC型ニューラルネットワークにデータ
を入力し、所望のデータ(予測値)を出力させることを
いう。上記除霜タイミング、すなわち、図17におい
て、白い菱形印の下に「従来DEF点」と示されている
タイミング(8日目の第11ブロック)は、従来の除霜
制御方法によれば除霜を行うべきであったタイミングで
ある。本実施例4.1においてはこのタイミングにおい
て、その直前の12ブロックにおけるコンプレッサ運転
率と扉開時間とをCMAC型ニューラルネットワークに
入力し、CMAC型ニューラルネットワークから比例係
数を出力させる。この比例係数は、今まで述べてきたよ
うにコンプレッサ積算時間と着霜量との比例係数であ
る。
【0148】換言すれば、本実施例においては、従来除
霜を行っていたタイミングにおいて、そのタイミングに
至るまでの12ブロックにおけるデータに基づいて、C
MAC型ニューラルネットワークによる予測を行ったの
である。この予測の結果得られた比例係数に基づいて、
冷却器に付着する霜の着霜量が最適着霜量となるコンプ
レッサ積算時間を算出する。図17には、例えばこのコ
ンプレッサ積算時間として20時間であると計算された
場合が示されている。そして、この20時間を中心とし
て、前後に4時間ずつ時間範囲を採って、コンプレッサ
積算時間範囲として設定する。図17に「決定COMP積算
時間(学習)」として示されているように、20±4時
間、すなわち16時間から24時間が新たにコンプレッ
サ積分時間範囲として設定されている。このコンプレッ
サ積算時間範囲は、そして、このコンプレッサ積算時間
範囲のなかで、最も扉の開閉頻度が少ないと予測される
範囲時間ブロックにおいて除霜が行われる。本実施例
4.1においては、このタイミングは黒い菱形印で表さ
れ、図17においては、9日目の第9ブロックにおいて
除霜が行われている。
霜を行っていたタイミングにおいて、そのタイミングに
至るまでの12ブロックにおけるデータに基づいて、C
MAC型ニューラルネットワークによる予測を行ったの
である。この予測の結果得られた比例係数に基づいて、
冷却器に付着する霜の着霜量が最適着霜量となるコンプ
レッサ積算時間を算出する。図17には、例えばこのコ
ンプレッサ積算時間として20時間であると計算された
場合が示されている。そして、この20時間を中心とし
て、前後に4時間ずつ時間範囲を採って、コンプレッサ
積算時間範囲として設定する。図17に「決定COMP積算
時間(学習)」として示されているように、20±4時
間、すなわち16時間から24時間が新たにコンプレッ
サ積分時間範囲として設定されている。このコンプレッ
サ積算時間範囲は、そして、このコンプレッサ積算時間
範囲のなかで、最も扉の開閉頻度が少ないと予測される
範囲時間ブロックにおいて除霜が行われる。本実施例
4.1においては、このタイミングは黒い菱形印で表さ
れ、図17においては、9日目の第9ブロックにおいて
除霜が行われている。
【0149】この9日目の除霜においては、その除霜タ
イミングに至るまでの12ブロックにおけるコンプレッ
サ運転率と扉開時間とが所定の記憶領域に記憶され、後
述するように、CMAC型ニューラルネットワークの学
習の用に供される。同時に、コンプレッサ積算時間と着
霜量とから比例係数が算出され、この比例係数も同様に
学習の用に供される。
イミングに至るまでの12ブロックにおけるコンプレッ
サ運転率と扉開時間とが所定の記憶領域に記憶され、後
述するように、CMAC型ニューラルネットワークの学
習の用に供される。同時に、コンプレッサ積算時間と着
霜量とから比例係数が算出され、この比例係数も同様に
学習の用に供される。
【0150】本実施例4.1においては、過去7回の除
霜の際における、コンプレッサ運転率及び扉開閉時間を
CMAC型ニューラルネットワークに入力し、教師デー
タとして、上記(過去7回の)比例係数を与えることに
よって、学習を行わせる。すなわち、図17において、
9日目の第12ブロックにおいて行われる除霜の際に算
出される比例係数は、CMAC型ニューラルネットワー
クの教師データとして使用され、実際の除霜タイミング
を決定するのには用いられない。一方、図17の8日目
の第11ブロックにおいて行われる比例係数の計算は、
上記教師データを使用して学習させたCMAC型ニュー
ラルネットワークの出力であり、この出力(予測値)を
利用してコンプレッサ積算時間範囲が算出されている。
霜の際における、コンプレッサ運転率及び扉開閉時間を
CMAC型ニューラルネットワークに入力し、教師デー
タとして、上記(過去7回の)比例係数を与えることに
よって、学習を行わせる。すなわち、図17において、
9日目の第12ブロックにおいて行われる除霜の際に算
出される比例係数は、CMAC型ニューラルネットワー
クの教師データとして使用され、実際の除霜タイミング
を決定するのには用いられない。一方、図17の8日目
の第11ブロックにおいて行われる比例係数の計算は、
上記教師データを使用して学習させたCMAC型ニュー
ラルネットワークの出力であり、この出力(予測値)を
利用してコンプレッサ積算時間範囲が算出されている。
【0151】以下、10日目以後の動作はこの繰り返し
となり、CMAC型ニューラルネットワークを用いて、
効率の良い除霜制御が行える。
となり、CMAC型ニューラルネットワークを用いて、
効率の良い除霜制御が行える。
【0152】以上述べたように、本実施例4.1におい
ては、学習演算が容易なCMACのニューラルネットワ
ークを用いたので、オンラインでの学習が可能である。
その結果、各家庭、使用環境に応じた効率のより除霜制
御が達成でき、無駄な電力を消費することなく、かつ、
食品を痛める恐れの少ない冷蔵庫が得られる。
ては、学習演算が容易なCMACのニューラルネットワ
ークを用いたので、オンラインでの学習が可能である。
その結果、各家庭、使用環境に応じた効率のより除霜制
御が達成でき、無駄な電力を消費することなく、かつ、
食品を痛める恐れの少ない冷蔵庫が得られる。
【0153】実施例4.2 上記実施例4.1においては、CMAC型ニューラルネ
ットワークの実行、すなわち予測を行うタイミングを、
従来の制御方法を採用した場合の除霜を行うタイミング
とした。すなわち、従来の制御方法における除霜のタイ
ミングに至るまでの12ブロックのデータ(コンプレッ
サ運転率及び扉開時間)をCMAC型ニューラルネット
ワークに入力することにより、最適な比例係数の予測を
行っている。
ットワークの実行、すなわち予測を行うタイミングを、
従来の制御方法を採用した場合の除霜を行うタイミング
とした。すなわち、従来の制御方法における除霜のタイ
ミングに至るまでの12ブロックのデータ(コンプレッ
サ運転率及び扉開時間)をCMAC型ニューラルネット
ワークに入力することにより、最適な比例係数の予測を
行っている。
【0154】これは、従来の制御方法による除霜タイミ
ングは、ある程度安全を見込んで早めに行われていたこ
とに由来するものである。すなわち、従来の除霜タイミ
ングは一般に早いので、そのタイミングにおいて予測を
行えば、最適な除霜のタイミングより早い時期において
予測が可能となると期待されるのである。予測をする場
合、一般に、その予測点に近い時点で予測をするほど、
予測精度は高いものとなるので、上記実施例4.1にお
いては、最適な除霜のタイミングより早いタイミング
で、かつ、なるべく最適な除霜のタイミングに近い時点
で予測を行おうとしたのである。
ングは、ある程度安全を見込んで早めに行われていたこ
とに由来するものである。すなわち、従来の除霜タイミ
ングは一般に早いので、そのタイミングにおいて予測を
行えば、最適な除霜のタイミングより早い時期において
予測が可能となると期待されるのである。予測をする場
合、一般に、その予測点に近い時点で予測をするほど、
予測精度は高いものとなるので、上記実施例4.1にお
いては、最適な除霜のタイミングより早いタイミング
で、かつ、なるべく最適な除霜のタイミングに近い時点
で予測を行おうとしたのである。
【0155】しかしながら、最適な除霜のタイミング
が、従来の除霜タイミングより早くなる可能性も否定で
きない。このような場合、CMAC型ニューラルネット
ワークの実行、すなわち予測をした時には、すでに最適
な時点は通過していたという場合も生じる可能性があ
る。
が、従来の除霜タイミングより早くなる可能性も否定で
きない。このような場合、CMAC型ニューラルネット
ワークの実行、すなわち予測をした時には、すでに最適
な時点は通過していたという場合も生じる可能性があ
る。
【0156】本実施例4.2においては、上記のような
事態を防ぐため、CMAC型ニューラルネットワークの
実行を行う時点を、従来の除霜制御方法における、コン
プレッサ積算時間範囲の最も早い時点とした。このよう
な動作のタイムチャートが図18に示されている。図1
8に示されているのは、上記図17と同様に、8日目及
び9日目における動作のタイムチャートである。動作を
開始してから最初の一週間の動作は上記実施例4.1す
なわち図16と同様である。
事態を防ぐため、CMAC型ニューラルネットワークの
実行を行う時点を、従来の除霜制御方法における、コン
プレッサ積算時間範囲の最も早い時点とした。このよう
な動作のタイムチャートが図18に示されている。図1
8に示されているのは、上記図17と同様に、8日目及
び9日目における動作のタイムチャートである。動作を
開始してから最初の一週間の動作は上記実施例4.1す
なわち図16と同様である。
【0157】図18に示されているように、8日目の第
8ブロックの終了時点において、CMAC型ネットワー
クの実行、すなわち予測が行われている。この予測にお
いては、上記実施例4.1と同様に、その直前における
12ブロックのコンプレッサ運転率及び扉開時間を入力
として、(コンプレッサ積算時間と着霜量との)比例係
数の予測値が出力される。このように、本実施例4.2
においては、従来の除霜制御における固定的な制限、す
なわちコンプレッサ運転時間範囲の8時間から16時間
という時間範囲内での最も早い時点において、CMAC
型ニューラルネットワークの実行を行った。したがっ
て、本実施例によれば、上記実施例4.1と比較して、
誤って、除霜を行うべきタイミングを通過してしまう恐
れが少なくなる。なお、図18には、8日目の8ブロッ
クの終了時点における予測に基づき、最適なコンプレッ
サ積算時間範囲が、16時間から24時間であると算出
された場合についても図示されているが、この際の動作
は、上記実施例4.2とまったく同様である。
8ブロックの終了時点において、CMAC型ネットワー
クの実行、すなわち予測が行われている。この予測にお
いては、上記実施例4.1と同様に、その直前における
12ブロックのコンプレッサ運転率及び扉開時間を入力
として、(コンプレッサ積算時間と着霜量との)比例係
数の予測値が出力される。このように、本実施例4.2
においては、従来の除霜制御における固定的な制限、す
なわちコンプレッサ運転時間範囲の8時間から16時間
という時間範囲内での最も早い時点において、CMAC
型ニューラルネットワークの実行を行った。したがっ
て、本実施例によれば、上記実施例4.1と比較して、
誤って、除霜を行うべきタイミングを通過してしまう恐
れが少なくなる。なお、図18には、8日目の8ブロッ
クの終了時点における予測に基づき、最適なコンプレッ
サ積算時間範囲が、16時間から24時間であると算出
された場合についても図示されているが、この際の動作
は、上記実施例4.2とまったく同様である。
【0158】以上述べたように、本実施例によれば、上
記実施例4.1より、比較的早い時期においてCMAC
型ニューラルネットワークの実行(予測)を行った。し
たがって、最適な除霜タイミングを通過してからCMA
C型ニューラルネットワークの実行を行ってしまう恐れ
が少なくなり、より安定な除霜制御が行えるという効果
を有する。
記実施例4.1より、比較的早い時期においてCMAC
型ニューラルネットワークの実行(予測)を行った。し
たがって、最適な除霜タイミングを通過してからCMA
C型ニューラルネットワークの実行を行ってしまう恐れ
が少なくなり、より安定な除霜制御が行えるという効果
を有する。
【0159】
【発明の効果】以上述べたように、第一の本発明によれ
ば、除霜タイミングを決定する際の基礎となるコンプレ
ッサ積算時間の時間範囲(制限)を固定の値ではなく、
除霜量とコンプレッサ駆動積算時間との比例係数に応じ
て変更する。したがって、より最適なタイミングで除霜
を行うことが可能な除霜制御装置が得られる。
ば、除霜タイミングを決定する際の基礎となるコンプレ
ッサ積算時間の時間範囲(制限)を固定の値ではなく、
除霜量とコンプレッサ駆動積算時間との比例係数に応じ
て変更する。したがって、より最適なタイミングで除霜
を行うことが可能な除霜制御装置が得られる。
【0160】第二の本発明によれば、除霜量とコンプレ
ッサ駆動積算時間との比例係数として、両者の比例係数
を算出し、所定期間の前記比例係数の平均値を算出し
た。そして、この平均値に基づいて、前記時間範囲を変
更したので、より正確な設定が可能となる除霜制御装置
が得られる。
ッサ駆動積算時間との比例係数として、両者の比例係数
を算出し、所定期間の前記比例係数の平均値を算出し
た。そして、この平均値に基づいて、前記時間範囲を変
更したので、より正確な設定が可能となる除霜制御装置
が得られる。
【0161】第三の本発明によれば、除霜量とコンプレ
ッサ駆動積算時間との比例係数を、一次回帰式として算
出した。したがって、より正確な設定が可能となる除霜
制御装置が得られる。
ッサ駆動積算時間との比例係数を、一次回帰式として算
出した。したがって、より正確な設定が可能となる除霜
制御装置が得られる。
【0162】第四の本発明によれば、除霜量とコンプレ
ッサ駆動積算時間との比例係数として、両者の比例係数
を算出し、この比例係数の最大値と最小値とのそれぞれ
に対応するコンプレッサの駆動積算時間の間を、コンプ
レッサの駆動積算時間の範囲としたので、より正確な設
定が可能となる除霜制御装置が得られる。
ッサ駆動積算時間との比例係数として、両者の比例係数
を算出し、この比例係数の最大値と最小値とのそれぞれ
に対応するコンプレッサの駆動積算時間の間を、コンプ
レッサの駆動積算時間の範囲としたので、より正確な設
定が可能となる除霜制御装置が得られる。
【0163】第五の本発明によれば、コンプレッサ駆動
積算時間の範囲を設定する際の基準となる最適着霜量
を、除霜の様子を評価することにより更新した。したが
って、具体的な除霜の様子によって除霜を制御すること
により、季節等の影響を受けにくい除霜制御が可能な除
霜制御装置が得られるという効果を有する。
積算時間の範囲を設定する際の基準となる最適着霜量
を、除霜の様子を評価することにより更新した。したが
って、具体的な除霜の様子によって除霜を制御すること
により、季節等の影響を受けにくい除霜制御が可能な除
霜制御装置が得られるという効果を有する。
【0164】第六の本発明によれば、ファジー制御則に
より、最適着霜量を算出したので、最適着霜量の算出が
より容易に行える除霜制御装置が得られるという効果を
有する。
より、最適着霜量を算出したので、最適着霜量の算出が
より容易に行える除霜制御装置が得られるという効果を
有する。
【0165】第七の本発明によれば、将来の扉の開閉頻
度を予測して除霜制御を行ったので、休日等において
も、正確な除霜制御が行えるという効果を有する。
度を予測して除霜制御を行ったので、休日等において
も、正確な除霜制御が行えるという効果を有する。
【0166】第八の本発明によれば、扉の開閉頻度の時
系列データからアトラクタを構築することにより非線形
予測を行ったので、予測の精度が把握しやすい除霜制御
装置が得られるという効果を有する。
系列データからアトラクタを構築することにより非線形
予測を行ったので、予測の精度が把握しやすい除霜制御
装置が得られるという効果を有する。
【0167】第九の本発明によれば、コンプレッサの運
転率と、扉開状態時間とに基づいて、最適な着霜量を算
出したので、より適格な除霜制御が行える除霜制御装置
が得られるという効果を有する。
転率と、扉開状態時間とに基づいて、最適な着霜量を算
出したので、より適格な除霜制御が行える除霜制御装置
が得られるという効果を有する。
【0168】第十の本発明によれば、CMAC型ニュー
ラルネットワークを利用して、コンプレッサ運転率と、
前記扉開状態時間とから、コンプレッサの駆動積算時間
と、着霜量との比例係数を算出する。また、上記CMA
C型ニューラルネットワークは、除霜制御が行われなが
らもその学習が行われる。したがって、各使用状況に応
じた学習が上記CMAC型ニューラルネットワークに対
して行われ、各使用状況に応じた除霜制御が行える除霜
制御装置が得られるという効果を有する。
ラルネットワークを利用して、コンプレッサ運転率と、
前記扉開状態時間とから、コンプレッサの駆動積算時間
と、着霜量との比例係数を算出する。また、上記CMA
C型ニューラルネットワークは、除霜制御が行われなが
らもその学習が行われる。したがって、各使用状況に応
じた学習が上記CMAC型ニューラルネットワークに対
して行われ、各使用状況に応じた除霜制御が行える除霜
制御装置が得られるという効果を有する。
【図1】本発明の実施例1.1に係る除霜制御装置の構
成ブロック図である。
成ブロック図である。
【図2】本発明の実施例1.1に係る除霜制御装置が適
用される冷蔵庫の断面模式図である。
用される冷蔵庫の断面模式図である。
【図3】本発明の実施例1.3に係る除霜制御装置の動
作を説明するに、着霜量とコンプレッサの駆動積算時間
との比例係数を表すグラフである。
作を説明するに、着霜量とコンプレッサの駆動積算時間
との比例係数を表すグラフである。
【図4】本発明の実施例2.1に係る除霜制御装置の構
成ブロック図である。
成ブロック図である。
【図5】本発明の実施例2.1に係る除霜制御装置の説
明をするために、除霜の際の冷凍庫の温度上昇の様子を
表すグラフである。
明をするために、除霜の際の冷凍庫の温度上昇の様子を
表すグラフである。
【図6】本発明の実施例2.1に係る除霜制御装置の説
明をするために、コンプレッサ積算時間と、庫内温度の
上昇との比例係数を表すグラフである。
明をするために、コンプレッサ積算時間と、庫内温度の
上昇との比例係数を表すグラフである。
【図7】本発明の実施例2.2に係る除霜制御装置の構
成ブロック図である。
成ブロック図である。
【図8】本発明の実施例2.2に係る除霜制御装置のフ
ァジー知識部に記憶されているメンバーシップ関数を表
すグラフである。
ァジー知識部に記憶されているメンバーシップ関数を表
すグラフである。
【図9】本実施例3に係る除霜制御装置の構成ブロック
図である。
図である。
【図10】本実施例3に係る除霜制御装置を説明するた
めの、ある家庭における冷蔵庫の扉の開閉頻度の一週間
の変化を表すグラフである。
めの、ある家庭における冷蔵庫の扉の開閉頻度の一週間
の変化を表すグラフである。
【図11】本実施例3に係る除霜制御装置を説明するた
めの、扉の開閉頻度の時系列データを2次元空間上に埋
め込んだ例を表すグラフである。
めの、扉の開閉頻度の時系列データを2次元空間上に埋
め込んだ例を表すグラフである。
【図12】本発明の実施例4.1に係る除霜制御装置に
構成ブロック図である。
構成ブロック図である。
【図13】CMAC型ニューラルネットワークにおいて
必要とされる記憶容量の説明図である。
必要とされる記憶容量の説明図である。
【図14】本発明の実施例4.1に係る除霜制御装置の
ニューラルネットワークの動作概念図である。
ニューラルネットワークの動作概念図である。
【図15】学習が進んだCMAC型ニューラルネットワ
ークの出力状態を表す説明図である。
ークの出力状態を表す説明図である。
【図16】本発明の実施例4.1に係る除霜制御装置が
動作を開始してから5日目及び6日目、7日目における
動作を表すタイムチャートである。
動作を開始してから5日目及び6日目、7日目における
動作を表すタイムチャートである。
【図17】本発明の実施例4.1に係る除霜制御装置の
動作を表すタイムチャートであって、上記図16の続き
である。
動作を表すタイムチャートであって、上記図16の続き
である。
【図18】本発明の実施例4.2に係る除霜制御装置の
動作を表すタイムチャートである。
動作を表すタイムチャートである。
【図19】コンプレッサの作動時間の積算値と、着霜量
との比例係数を表すグラフである。
との比例係数を表すグラフである。
10 外気温度計測手段 12 庫内温度計測手段 14 コンプレッサ制御手段 16 コンプレッサ積算時間計時手段 18 霜取りヒータ制御手段 20 扉開閉頻度計測手段 22 冷却器温度計測手段 24 着霜量計測手段 26 積算時間−着霜量演算手段 28 コンプレッサ積算時間範囲演算手段
フロントページの続き (72)発明者 鈴木 浪平 静岡県静岡市小鹿三丁目18番1号 三菱 電機株式会社 静岡製作所内 (72)発明者 杉本 泰彦 静岡県静岡市小鹿三丁目18番1号 三菱 電機メカトロニクスソフトウエア株式会 社 静岡支所内 (72)発明者 山本 英生 静岡県静岡市小鹿三丁目18番1号 三菱 電機株式会社 静岡製作所内 (56)参考文献 特開 平3−7840(JP,A) 特開 平4−283378(JP,A) (58)調査した分野(Int.Cl.6,DB名) F25D 21/08 F25D 11/02 G05B 13/02
Claims (10)
- 【請求項1】 外気温度を計測する外気温度計測手段
と、 冷凍室もしくは冷蔵室の温度を計測する庫内温度計測手
段と、 前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、 前記コンプレッサ駆動手段が前記コンプレッサを駆動す
る時間を積算し、コンプレッサ駆動積算時間を計時する
コンプレッサ積算時間計時手段と、 前記冷蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手
段と、 前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、 前記コンプレッサ積算時間計時手段が出力するコンプレ
ッサ駆動積算時間が、所定の時間範囲内にある場合に除
霜を行う霜取りヒータ制御手段であって、前記扉開閉頻
度計測手段から出力される扉開閉頻度を参照することに
より前記所定の時間範囲内における最も扉の開閉の少な
い時間帯を選択し、その時間帯において除霜を開始し、
前記除霜を開始した後で前記冷却器温度計測手段によっ
て冷却器の温度が所定の温度に達した時に除霜を終了さ
せる霜取りヒータ制御手段と、 を含む除霜制御装置において、 前記冷却器に付着した霜の量である着霜量を計測する着
霜量計測手段と、 前記着霜量と除霜が行われた際の前記コンプレッサ駆動
積算時間とを演算し、前記着霜量と前記コンプレッサ駆
動積算時間との比例係数を算出する積算時間・着霜量演
算手段と、 あらかじめ定められた最適な着霜量と、前記積算時間・
着霜量演算手段によって算出された比例係数とを比較
し、除霜を行うべき前記コンプレッサの駆動積算時間の
前記所定の時間範囲を算出するコンプレッサ積算時間範
囲演算手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ積算時
間範囲演算手段によって算出された前記所定の時間範囲
を用いて、前記コンプレッサ積算時間がその所定の時間
範囲内にあるか否かを判断することを特徴とする除霜制
御装置。 - 【請求項2】 請求項1記載の除霜制御装置において、 前記積算時間・着霜量演算手段は、 最新に行われた所定回数の除霜の際のコンプレッサ駆動
積算時間と着霜量とを記憶する記憶手段と、 前記記憶手段に記憶された前記コンプレッサ積算時間と
着霜量とから、前記コンプレッサ積算時間と着霜量との
比例係数を、前記所定回数分算出する比例係数算出手段
と、 前記比例係数算出手段によって算出された所定回数分の
比例係数の平均値を算出する平均値算出手段と、 を含み、前記平均値算出手段によって算出された平均の
比例係数を、前記コンプレッサ駆動積算時間と前記着霜
量との比例係数として出力し、 前記コンプレッサ駆動積算時間範囲演算手段は、 前記あらかじめ定められた最適な着霜量と、前記積算時
間・着霜量演算手段が出力した比例係数とから、前記最
適な着霜量の霜が前記冷却器に付着すると予想される前
記コンプレッサ駆動積算時間を算出する最適着霜予想時
間算出手段と、 前記最適着霜予想時間算出手段によって算出された最適
着霜予想時間を中心とする一定の時間範囲を、前記所定
の時間範囲として設定する時間範囲設定手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ駆動積
算時間が、前記時間範囲設定手段によって設定された時
間範囲内であるか否かを判断することを特徴とする除霜
制御装置。 - 【請求項3】 請求項1記載の除霜制御装置において、 前記積算時間・着霜量演算手段は、 所定回数の最新に行われた除霜の際のコンプレッサ駆動
積算時間と着霜量とを記憶する記憶手段と、 前記記憶手段に記憶された複数個の前記コンプレッサ積
算時間と着霜量とに基づき、最小二乗法により一次回帰
式を算出する一次回帰手段と、 を含み、前記一次回帰手段によって算出された一次回帰
式の定数項と傾きとを、前記コンプレッサ駆動積算時間
と前記着霜量との比例係数として出力し、 前記コンプレッサ駆動積算時間範囲演算手段は、 前記積算時間・着霜量演算手段が出力した前記定数項及
び傾きと、前記最適な着霜量とから、前記最適な着霜量
の霜が前記冷却器に付着すると予想される前記コンプレ
ッサ駆動積算時間を算出する最適着霜予想時間算出手段
と、 前記最適着霜予想時間算出手段によって算出された最適
着霜予想時間を中心とする一定の時間範囲を、前記所定
の時間範囲として設定する時間範囲設定手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ駆動積
算時間が、前記時間範囲設定手段によって設定された時
間範囲内であるか否かを判断することを特徴とする除霜
制御装置。 - 【請求項4】 請求項1記載の除霜制御装置において、
前記積算時間・着霜量演算手段は、 所定回数の最新に行われた除霜の際のコンプレッサ駆動
積算時間と着霜量とを記憶する記憶手段と、 前記記憶手段に記憶された前記コンプレッサ積算時間と
着霜量とから、前記コンプレッサ積算時間と着霜量との
比例係数を、前記所定回数分算出する比例係数算出手段
と、 前記比例係数算出手段によって算出された所定回数分の
比例係数のうち、最大値と最小値とを算出する最大・最
小値算出手段と、 を含み、前記最大・最小値算出手段によって算出された
比例係数の最大値と最小値とを、前記コンプレッサ駆動
積算時間と前記着霜量との比例係数として出力し、 前記コンプレッサ駆動積算時間範囲演算手段は、 前記積算時間・着霜量演算手段が出力した比例係数の最
大値と、前記最適な着霜量とから、前記最適な着霜量の
霜が前記冷却器に付着すると予想される前記コンプレッ
サ駆動積算時間を算出する第一最適着霜予想時間算出手
段と、 前記積算時間・着霜量演算手段が出力した比例係数の最
小値と、前記最適な着霜量とから、前記最適な着霜量の
霜が前記冷却器に付着すると予想される前記コンプレッ
サ駆動積算時間を算出する第二最適着霜予想時間算出手
段と、 前記第一最適着霜予想時間算出手段によって算出された
第一最適着霜予想時間から、前記第二最適着霜予想時間
算出手段によって算出された第二最適着霜予想時間まで
の時間範囲を、前記所定の時間範囲として設定する時間
範囲設定手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ駆動積
算時間が、前記時間範囲設定手段によって設定された時
間範囲内であるか否かを判断することを特徴とする除霜
制御装置。 - 【請求項5】 冷蔵庫の外気温度を計測する外気温度計
測手段と、 前記冷蔵庫の冷凍室もしくは冷蔵室の温度を計測する庫
内温度計測手段と、 前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、 前記コンプレッサ駆動手段が前記コンプレッサを駆動す
る時間を積算し、コンプレッサ駆動積算時間を計時する
コンプレッサ積算時間計時手段と、 前記冷蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手
段と、 前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、 前記コンプレッサ積算時間計時手段が出力するコンプレ
ッサ駆動積算時間が、所定の時間範囲内にある場合に除
霜を行う霜取りヒータ制御手段であって、前記扉開閉頻
度計測手段から出力される扉開閉頻度を参照することに
より前記所定の時間範囲内における最も扉の開閉の少な
い時間帯を選択し、その時間帯において除霜を開始し、
前記除霜を開始した後で前記冷却器温度計測手段によっ
て冷却器の温度が所定の温度に達した時に除霜を終了さ
せる霜取りヒータ制御手段と、 を含む除霜制御装置において、 前記冷却器に付着した霜の量である着霜量を計測する着
霜量計測手段と、 前記着霜量と除霜が行われた際の前記コンプレッサ駆動
積算時間とを演算し、前記着霜量と前記コンプレッサ駆
動積算時間との比例係数を算出する積算時間・着霜量演
算手段と、 前記庫内温度計測手段によって計測された庫内温度の変
化に基づき、除霜動作の評価を行う評価関数演算手段
と、 前記評価関数演算手段から出力される評価関数値と、前
記着霜量計測手段によって計測された実際の着霜量とか
ら、最適な着霜量を算出する最適着霜量演算手段と、 前記積算時間・着霜量演算手段によって算出された比例
係数と、最適な着霜量とを比較し、除霜を行うべき前記
コンプレッサの駆動積算時間の前記所定の時間範囲を算
出するコンプレッサ積算時間範囲演算手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ積算時
間範囲演算手段によって算出された前記所定の時間範囲
を用いて、前記コンプレッサ積算時間がその所定の時間
範囲内にあるか否かを判断することを特徴とする除霜制
御装置。 - 【請求項6】 外気温度を計測する外気温度計測手段
と、 冷凍室もしくは冷蔵室の温度を計測する庫内温度計測手
段と、 前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、 前記コンプレッサ駆動手段が前記コンプレッサを駆動す
る時間を積算し、コンプレッサ駆動積算時間を計時する
コンプレッサ積算時間計時手段と、 前記冷蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手
段と、 前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、 前記コンプレッサ積算時間計時手段が出力するコンプレ
ッサ駆動積算時間が、所定の時間範囲内にある場合に除
霜を行う霜取りヒータ制御手段であって、前記扉開閉頻
度計測手段から出力される扉開閉頻度を参照することに
より前記所定の時間範囲内における最も扉の開閉の少な
い時間帯を選択し、その時間帯において除霜を開始し、
前記除霜を開始した後で前記冷却器温度計測手段によっ
て冷却器の温度が所定の温度に達した時に除霜を終了さ
せる霜取りヒータ制御手段と、 を含む除霜制御装置において、 前記冷却器に付着した霜の量である着霜量を計測する着
霜量計測手段と、 前記庫内温度計測手段によって計測された庫内温度の変
化と、前記着霜量計測手段によって計測された着霜量と
に基づき、ファジー制御則によって最適な着霜量を算出
する最適着霜量演算手段と、 を含み、 前記最適着霜量演算手段は、 ファジー制御則を記憶する知識部と、 前記庫内温度計測手段によって計測された庫内温度の変
化と、前記着霜量計測手段によって計測された着霜量と
を入力し、前記知識部に記憶されているファジー制御則
に基づき、除霜を行うべき前記コンプレッサの駆動積算
時間の前記所定の時間範囲を更新する推論部と、 を含み、 前記霜取りヒータ制御手段は、前記推論部から算出され
た前記所定の時間範囲を用いて、前記コンプレッサ積算
時間がその所定の時間範囲内にあるか否かを判断するこ
とを特徴とする除霜制御装置。 - 【請求項7】 外気温度を計測する外気温度計測手段
と、 冷凍室もしくは冷蔵室の温度を計測する庫内温度計測手
段と、 前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、 前記コンプレッサ駆動手段が前記コンプレッサを駆動す
る時間を積算し、コンプレッサ駆動積算時間を計時する
コンプレッサ積算時間計時手段と、 前記冷蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手
段と、 前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、 前記コンプレッサ積算時間計時手段が出力するコンプレ
ッサ駆動積算時間が、所定の時間範囲内にある場合に除
霜を行う霜取りヒータ制御手段であって、前記扉開閉頻
度計測手段から出力される扉開閉頻度を参照することに
より前記所定の時間範囲内における最も扉の開閉の少な
い時間帯を選択し、その時間帯において除霜を開始し、
前記除霜を開始した後で前記冷却器温度計測手段によっ
て冷却器の温度が所定の温度に達した時に除霜を終了さ
せる霜取りヒータ制御手段と、 を含む除霜制御装置において、 前記冷却器に付着した霜の量である着霜量を計測する着
霜量計測手段と、 前記着霜量と除霜が行われた際の前記コンプレッサ駆動
積算時間とを演算し、前記着霜量と前記コンプレッサ駆
動積算時間との比例係数を算出する積算時間・着霜量演
算手段と、 前記扉開閉頻度計測手段によって計測された冷蔵庫の扉
の開閉頻度を記憶し、過去の前記扉の開閉頻度から、将
来の扉の開閉頻度を予測する扉開閉頻度予測手段と、 前記扉開閉頻度予測手段から出力される扉開閉予測頻度
と、前記着霜量計測手段によって計測された実際の着霜
量とから、最適な着霜量を算出する最適着霜量演算手段
と、 前記積算時間・着霜量演算手段によって算出された比例
係数と、前記最適着霜量算出手段によって算出され最適
な着霜量とを比較し、除霜を行うべき前記コンプレッサ
の駆動積算時間の前記所定の時間範囲を算出するコンプ
レッサ積算時間範囲演算手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ積算時
間範囲演算手段によって算出された前記所定の時間範囲
を用いて、前記コンプレッサ積算時間がその所定の時間
範囲内にあるか否かを判断することを特徴とする除霜制
御装置。 - 【請求項8】 請求項7記載の除霜制御装置において、
前記扉開閉頻度予測手段は、 所定の期間の過去の前記扉の開閉頻度を記憶する開閉頻
度記憶手段と、前 記開閉頻度記憶手段に記憶された開閉頻度の時系列デ
ータを、多次元空間上に埋め込み、非線形予測によって
将来における扉の開閉頻度を予測する非線形予測手段
と、 を含むことを特徴とする除霜制御装置。 - 【請求項9】 外気温度を計測する外気温度計測手段
と、 冷凍室もしくは冷蔵室の温度を計測する庫内温度計測手
段と、 前記外気温度計測手段によって計測された外気温度と、
前記庫内温度計測手段によって計測された庫内温度と、
に基づき、コンプレッサの駆動制御を行うコンプレッサ
駆動手段と、 前記コンプレッサ駆動手段が前記コンプレッサを駆動す
る時間を積算し、コンプレッサ駆動積算時間を計時する
コンプレッサ積算時間計時手段と、 前記冷蔵庫の扉の開閉頻度を計測する扉開閉頻度計測手
段と、 前記冷蔵庫の冷却器の温度を計測する冷却器温度計測手
段と、 前記コンプレッサ積算時間計時手段が出力するコンプレ
ッサ駆動積算時間が、所定の時間範囲内にある場合に除
霜を行う霜取りヒータ制御手段であって、前記扉開閉頻
度計測手段から出力される扉開閉頻度を参照することに
より前記所定の時間範囲内における最も扉の開閉の少な
い時間帯を選択し、その時間帯において除霜を開始し、
前記除霜を開始した後で前記冷却器温度計測手段によっ
て冷却器の温度が所定の温度に達した時に除霜を終了さ
せる霜取りヒータ制御手段と、 を含む除霜制御装置において、 前記冷却器に付着した霜の量である着霜量を計測する着
霜量計測手段と、 前記着霜量と除霜が行われた際の前記コンプレッサ駆動
積算時間とを演算し、前記着霜量と前記コンプレッサ駆
動積算時間との比例係数を算出する積算時間・着霜量演
算手段と、 前記扉開閉頻度計測手段によって計測された冷蔵庫の扉
の開閉時間を記憶し、所定の期間における扉の開状態時
間を計測する扉開時間計測手段と、 前記コンプレッサ積算時間計時手段によって計時された
コンプレッサ積算時間から、コンプレッサの運転率を演
算するコンプレッサ運転率演算手段と、 前記扉開時間計測手段から出力される扉開状態時間と、
前記コンプレッサ運転率演算手段によって算出されコン
プレッサの運転率と、前記着霜量演算手段によって計測
された実際の着霜量とから、最適な着霜量を算出する最
適着霜量演算手段と、 前記積算時間・着霜量演算手段によって算出された比例
係数と、前記最適着霜量演算手段によって算出された最
適な着霜量とに基づき、除霜を行うべき前記コンプレッ
サの駆動積算時間の前記所定の時間範囲を算出するコン
プレッサ積算時間範囲演算手段と、 を含み、 前記霜取りヒータ制御手段は、前記コンプレッサ積算時
間範囲演算手段によって算出された前記所定の時間範囲
を用いて、前記コンプレッサ積算時間がその所定の時間
範囲内にあるか否かを判断することを特徴とする除霜制
御装置。 - 【請求項10】 請求項9記載の除霜制御装置におい
て、前記積算時間・着霜量演算手段及び最適着霜量演算
手段は、CMAC(Cerebellar Model
Arithmetic Computer)型ニュー
ラルネットワークを含み、 前記CMAC型ニューラルネットワークは、前記扉開状
態時間と前記コンプレッサ運転率とを入力とし、前記積
算時間・着霜量演算手段によって算出されるべき比例係
数を出力とすることを特徴とする除霜制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6076493A JP2810607B2 (ja) | 1993-03-19 | 1993-03-19 | 除霜制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP6076493A JP2810607B2 (ja) | 1993-03-19 | 1993-03-19 | 除霜制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH06273033A JPH06273033A (ja) | 1994-09-30 |
JP2810607B2 true JP2810607B2 (ja) | 1998-10-15 |
Family
ID=13151677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP6076493A Expired - Fee Related JP2810607B2 (ja) | 1993-03-19 | 1993-03-19 | 除霜制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2810607B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022255343A1 (ja) * | 2021-05-31 | 2022-12-08 | パナソニックIpマネジメント株式会社 | 推定システム、推定システムの制御方法、及びサーバー装置 |
WO2022255344A1 (ja) * | 2021-05-31 | 2022-12-08 | パナソニックIpマネジメント株式会社 | 冷蔵庫、冷蔵庫の制御方法、及びプログラム |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003035483A (ja) * | 2001-07-23 | 2003-02-07 | Mitsubishi Electric Corp | 冷蔵庫 |
US7765818B2 (en) * | 2006-05-30 | 2010-08-03 | B/E Aerospace, Inc. | Refrigeration unit and diagnostic method therefor |
JP5366764B2 (ja) * | 2009-11-06 | 2013-12-11 | 三菱電機株式会社 | 冷却装置及び冷凍サイクル装置 |
JP5544251B2 (ja) * | 2010-09-10 | 2014-07-09 | 日立アプライアンス株式会社 | 冷蔵庫 |
ITVR20120193A1 (it) * | 2012-09-28 | 2014-03-29 | Technoalpin A G S P A | Sistema di controllo per un impianto di innevamento artificiale |
JP6615361B2 (ja) * | 2016-08-16 | 2019-12-04 | 三菱電機株式会社 | 冷蔵庫 |
JP7215135B2 (ja) * | 2018-12-17 | 2023-01-31 | 富士電機株式会社 | ショーケース及びショーケースの除霜制御方法 |
-
1993
- 1993-03-19 JP JP6076493A patent/JP2810607B2/ja not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022255343A1 (ja) * | 2021-05-31 | 2022-12-08 | パナソニックIpマネジメント株式会社 | 推定システム、推定システムの制御方法、及びサーバー装置 |
WO2022255344A1 (ja) * | 2021-05-31 | 2022-12-08 | パナソニックIpマネジメント株式会社 | 冷蔵庫、冷蔵庫の制御方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JPH06273033A (ja) | 1994-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20090234511A1 (en) | Demand control device | |
US20090018705A1 (en) | Demand control device | |
Henze et al. | Development of a predictive optimal controller for thermal energy storage systems | |
AU724685B2 (en) | Control of defrost in heat pump | |
JP2810607B2 (ja) | 除霜制御装置 | |
KR101251873B1 (ko) | 지능형 제어 알고리즘을 이용한 건물 공조 제어 방법 | |
JPH07260326A (ja) | 冷蔵庫の除霜制御装置 | |
CN104930814A (zh) | 冰箱的化霜控制方法和装置 | |
US5673565A (en) | Defrosting method and apparatus for freezer-refrigerator using GA-fuzzy theory | |
JP2008109813A (ja) | デマンド制御装置および電力消費システム | |
CN116075783A (zh) | 控制压缩机房间的方法及其装置 | |
Chen et al. | Investigation of practical issues in building thermal parameter estimation | |
JPH08226682A (ja) | 氷蓄熱式冷房装置 | |
Massie et al. | Predicting central plant HVAC equipment performance using neural networks--laboratory system test results/Discussion | |
CN114234381A (zh) | 基于强化学习的中央空调控制方法和控制*** | |
JP3523793B2 (ja) | プラント制御装置 | |
JPH0735421A (ja) | 蒸気圧縮式冷凍機 | |
JP7026844B2 (ja) | 情報処理装置、空気調和装置および空気調和システム | |
KR950014631B1 (ko) | 인공신경회로망을 이용한 고로용선온도 예측 및 액션 제어량 가이드 장치 | |
Datta et al. | Frost prediction on evaporator coils of supermarket display cabinets using artificial neural networks | |
CN115552182A (zh) | 室内温度估计装置、程序以及室内温度估计方法 | |
JPH0526555A (ja) | 冷蔵庫の冷却運転方法及びその冷却運転制御装置 | |
CN109751830A (zh) | 制冷设备及其状态的检测方法与装置 | |
EP3943843B1 (en) | Setting temperature calculation device, low temperature processing system, setting temperature calculation method, and setting temperature calculation program | |
JP2021140499A (ja) | 冷蔵庫、強化学習装置、及び強化学習方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |