JP3128156B2 - 空気調和機制御装置 - Google Patents
空気調和機制御装置Info
- Publication number
- JP3128156B2 JP3128156B2 JP03316708A JP31670891A JP3128156B2 JP 3128156 B2 JP3128156 B2 JP 3128156B2 JP 03316708 A JP03316708 A JP 03316708A JP 31670891 A JP31670891 A JP 31670891A JP 3128156 B2 JP3128156 B2 JP 3128156B2
- Authority
- JP
- Japan
- Prior art keywords
- air conditioner
- control device
- indoor
- conditioner control
- learning
- 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
- Air Conditioning Control Device (AREA)
Description
【0001】
【産業上の利用分野】本発明は、室内の温度、風量およ
び風向の制御を行なうことにより、室内の人間の快適性
を高めるための空気調和機制御装置に関するものであ
り、例えばマイクロコンピュータ搭載の空気調和機にお
いて、快適な空調運転を自動的に行なわせるようにした
空気調和機制御装置に関するものである。
び風向の制御を行なうことにより、室内の人間の快適性
を高めるための空気調和機制御装置に関するものであ
り、例えばマイクロコンピュータ搭載の空気調和機にお
いて、快適な空調運転を自動的に行なわせるようにした
空気調和機制御装置に関するものである。
【0002】
【従来の技術】空調調和機制御装置は、例えば特開昭6
3−108145号公報に記載された例が一般的に知ら
れている。以下、図7を参照して従来の空気調和機制御
装置について説明する。
3−108145号公報に記載された例が一般的に知ら
れている。以下、図7を参照して従来の空気調和機制御
装置について説明する。
【0003】図7は従来の空気調和機制御装置における
推論制御ソフトウェアの構成を示すブロック図である。
図7において、61は温度、湿度、外光などの空調環境
をそれぞれのセンサー(図示せず)より感知し、データ
を蓄積する環境検知プログラムであり、62は上記デー
タから特定の事実を導き出すための条件を設定する条件
設定プログラムであり、63は上記条件と蓄積された空
調のための知識データベースを要素構文的意味記号化処
理する処理プログラムであり、64は上記意味記号化さ
れた知識を述語論理型プログラム言語により推論して最
適解を取り出そうとする推論プログラムであり、65は
上記最適解のデジタル信号を制御出力表示、アクチュェ
ータ、モータなどに分配して出力する駆動インターフェ
イス制御プログラムであり、66は空気調和機である。
推論制御ソフトウェアの構成を示すブロック図である。
図7において、61は温度、湿度、外光などの空調環境
をそれぞれのセンサー(図示せず)より感知し、データ
を蓄積する環境検知プログラムであり、62は上記デー
タから特定の事実を導き出すための条件を設定する条件
設定プログラムであり、63は上記条件と蓄積された空
調のための知識データベースを要素構文的意味記号化処
理する処理プログラムであり、64は上記意味記号化さ
れた知識を述語論理型プログラム言語により推論して最
適解を取り出そうとする推論プログラムであり、65は
上記最適解のデジタル信号を制御出力表示、アクチュェ
ータ、モータなどに分配して出力する駆動インターフェ
イス制御プログラムであり、66は空気調和機である。
【0004】次に、図8を参照して上記従来装置の動作
について説明する。まずステップ71では、センサー群
からの入力である環境からの事実をデータとして蓄積す
る。次にステップ72では、上記データから条件などに
よる制御知識ルール、例えばIF〜THEN形式を用い
て新たな意味を持つ知識を作る。例えば、24時間の時
計装置を電子的に有し、特定時刻に25度を越えた日が
5日間続けば、いまは「夏」というなどという判定条件
の知識ルールをデジタル記号化して、マイクロコンピュ
ータのメモリに保有させる。
について説明する。まずステップ71では、センサー群
からの入力である環境からの事実をデータとして蓄積す
る。次にステップ72では、上記データから条件などに
よる制御知識ルール、例えばIF〜THEN形式を用い
て新たな意味を持つ知識を作る。例えば、24時間の時
計装置を電子的に有し、特定時刻に25度を越えた日が
5日間続けば、いまは「夏」というなどという判定条件
の知識ルールをデジタル記号化して、マイクロコンピュ
ータのメモリに保有させる。
【0005】次にステップ73では、上記の条件などに
よる制御知識ルールによって生成された知識により、例
えば夏であれば、人は薄着でいるから、短時間低い方向
に冷気を吹き出し、その後、人に直接当たらないように
方向を上向きに変えるパターンが良いと推論し、風向き
切り替え手段で制御する。その他、運転開始時刻、運転
モード切り替え、風速風向切り替え、温度設定などの制
御出力を出力する。
よる制御知識ルールによって生成された知識により、例
えば夏であれば、人は薄着でいるから、短時間低い方向
に冷気を吹き出し、その後、人に直接当たらないように
方向を上向きに変えるパターンが良いと推論し、風向き
切り替え手段で制御する。その他、運転開始時刻、運転
モード切り替え、風速風向切り替え、温度設定などの制
御出力を出力する。
【0006】次にステップ74では、上記の推論された
出力に対し、使用者が例えば風向を変える操作入力を行
なったとき、その情報を蓄積する。そして次のステップ
75でその蓄積データを分析し、使用者の習慣や好みを
判定し、その結果をステップ72にフィードバックし、
推論の前提を変更できる構成としている。
出力に対し、使用者が例えば風向を変える操作入力を行
なったとき、その情報を蓄積する。そして次のステップ
75でその蓄積データを分析し、使用者の習慣や好みを
判定し、その結果をステップ72にフィードバックし、
推論の前提を変更できる構成としている。
【0007】
【発明の解決しようとする課題】しかしながら、上記従
来の装置では、センサ群の入力から知識を検知したり、
検知された知識から新たな知識を生成し推論するため
に、予め熟練者により既に得られた経験に基づいて制御
知識ルールを生成しなければならず、制御知識ルールの
作成に多くの時間と手間がかかるという問題を有してい
た。
来の装置では、センサ群の入力から知識を検知したり、
検知された知識から新たな知識を生成し推論するため
に、予め熟練者により既に得られた経験に基づいて制御
知識ルールを生成しなければならず、制御知識ルールの
作成に多くの時間と手間がかかるという問題を有してい
た。
【0008】また、センサ群も空調環境のみを検出する
ために、室内の人間情報や室内の熱分布を直接検出する
ことができず、快適な空調を行なうために必要な情報が
欠如するという問題を有していた。
ために、室内の人間情報や室内の熱分布を直接検出する
ことができず、快適な空調を行なうために必要な情報が
欠如するという問題を有していた。
【0009】本発明は、このような従来の問題を解決す
るものであり、部屋の環境や使用者の人間情報を加味し
て快適な空調運転を自動的にかつ容易に行なうことので
きる空気調和機制御装置を提供することを目的とする。
るものであり、部屋の環境や使用者の人間情報を加味し
て快適な空調運転を自動的にかつ容易に行なうことので
きる空気調和機制御装置を提供することを目的とする。
【0010】
【課題を解決するための手段】本発明は、上記目的を達
成するために、室内外の環境条件を検知する複数のセン
サ手段と、前記センサ手段の前状態を保持する記憶手段
と、室内の2次元の画像情報を検知する画像入力手段
と、前記画像入力手段から得られた画像データから室内
の特徴量を抽出する特徴抽出手段と、使用者の意思表示
を入力する操作手段と、空気調和機の運転開始からの経
過時間を検出する運転時間検出手段と、前記センサ手段
および前記記憶手段からの出力値である室内外の環境条
件と前記特徴抽出手段および操作手段ならびに運転時間
検出手段からの情報により使用者の操作内容を推測する
操作内容推測手段と、前記各手段から得られた結果を参
照して操作内容を学習する学習手段と、前記操作内容推
測手段から出力された信号をもとに空気調和機を制御す
る制御信号生成手段とを備えたものである。
成するために、室内外の環境条件を検知する複数のセン
サ手段と、前記センサ手段の前状態を保持する記憶手段
と、室内の2次元の画像情報を検知する画像入力手段
と、前記画像入力手段から得られた画像データから室内
の特徴量を抽出する特徴抽出手段と、使用者の意思表示
を入力する操作手段と、空気調和機の運転開始からの経
過時間を検出する運転時間検出手段と、前記センサ手段
および前記記憶手段からの出力値である室内外の環境条
件と前記特徴抽出手段および操作手段ならびに運転時間
検出手段からの情報により使用者の操作内容を推測する
操作内容推測手段と、前記各手段から得られた結果を参
照して操作内容を学習する学習手段と、前記操作内容推
測手段から出力された信号をもとに空気調和機を制御す
る制御信号生成手段とを備えたものである。
【0011】本発明はまた、室内外の環境条件を検知す
るセンサ手段が、室内外の温度、空気調和機の風量、風
向、湿度を検出する手段を含むものである。 本発明はま
た、センサの前状態を保持する記憶手段が、N秒(Nは
正の実数値)間隔の空気調和機の吸込空気温度勾配を記
憶するものである。 本発明はまた、使用者の意思表示を
入力する操作手段が、学習に際して使用者が室内環境に
おける体感を暑い、寒いの2つの分類で意思表示するよ
うにしたものである。 本発明はまた、運転時間検出手段
が、月、日、時間についての信号を出力するカレンダー
機能を備えたものである。 本発明はまた、操作内容を推
測し、学習する手段が、ニューラルネットワークを用い
たものである。 本発明はまた、画像入力手段が、室内の
熱エネルギーの分布を検知する手段である。 本発明はま
た、特徴抽出手段が、室内の人数、人間の位置、姿勢、
動き物体の数、動きの度合い、床および壁面の温度を抽
出する手段である。 本発明はまた、特徴抽出手段が、室
内で行なわれている生活シーンを示す情報を抽出する手
段である。
るセンサ手段が、室内外の温度、空気調和機の風量、風
向、湿度を検出する手段を含むものである。 本発明はま
た、センサの前状態を保持する記憶手段が、N秒(Nは
正の実数値)間隔の空気調和機の吸込空気温度勾配を記
憶するものである。 本発明はまた、使用者の意思表示を
入力する操作手段が、学習に際して使用者が室内環境に
おける体感を暑い、寒いの2つの分類で意思表示するよ
うにしたものである。 本発明はまた、運転時間検出手段
が、月、日、時間についての信号を出力するカレンダー
機能を備えたものである。 本発明はまた、操作内容を推
測し、学習する手段が、ニューラルネットワークを用い
たものである。 本発明はまた、画像入力手段が、室内の
熱エネルギーの分布を検知する手段である。 本発明はま
た、特徴抽出手段が、室内の人数、人間の位置、姿勢、
動き物体の数、動きの度合い、床および壁面の温度を抽
出する手段である。 本発明はまた、特徴抽出手段が、室
内で行なわれている生活シーンを示す情報を抽出する手
段である。
【0012】
【作用】本発明は、上記構成により、例えば操作内容を
推測して学習する手段としてニューラルネットワークを
用いることにより、センサ群からの入力と出力を関係づ
けるルールを必要とせず、使用者の環境における暑い、
寒いの2通りの意思表示を行なう操作手段からの操作を
学習して操作の先取り予測を行なう。また、部屋の環境
や個人の好みおよび運転開始からの時間、時刻や季節に
あった自動モード運転の空調を行なって、学習により使
用者をリモコン設定の煩わしさから解放するとともに、
室内の人間情報や室内の熱分布を用いることにより、使
用者の快適性の向上を図ることができる。
推測して学習する手段としてニューラルネットワークを
用いることにより、センサ群からの入力と出力を関係づ
けるルールを必要とせず、使用者の環境における暑い、
寒いの2通りの意思表示を行なう操作手段からの操作を
学習して操作の先取り予測を行なう。また、部屋の環境
や個人の好みおよび運転開始からの時間、時刻や季節に
あった自動モード運転の空調を行なって、学習により使
用者をリモコン設定の煩わしさから解放するとともに、
室内の人間情報や室内の熱分布を用いることにより、使
用者の快適性の向上を図ることができる。
【0013】
【実施例】以下、本発明の一実施例について図面を参照
して説明する。図1は本発明の一実施例における空気調
和機制御装置の概略ブロック図である。図1において、
1はセンサ手段、101はセンサ信号、2はセンサ手段
1からのセンサ値を記憶する記憶手段、102は記憶さ
れたセンサ値、3は画像入力手段、103は画像デー
タ、4は特徴抽出手段、104は特徴抽出された情報信
号、5はリモコンまたは操作パネルである操作手段、1
05は使用者の操作内容を示す信号、105aは空気調
和機10の運転開始を示す信号、6は運転開始からの経
過時間を検出する運転時間検出手段、106は運転開始
からの時間信号、7は学習手段、107は学習結果信
号、8は操作内容推測手段、108は操作内容推測信
号、9は制御信号生成手段、109は制御信号、10は
空気調和機である。
して説明する。図1は本発明の一実施例における空気調
和機制御装置の概略ブロック図である。図1において、
1はセンサ手段、101はセンサ信号、2はセンサ手段
1からのセンサ値を記憶する記憶手段、102は記憶さ
れたセンサ値、3は画像入力手段、103は画像デー
タ、4は特徴抽出手段、104は特徴抽出された情報信
号、5はリモコンまたは操作パネルである操作手段、1
05は使用者の操作内容を示す信号、105aは空気調
和機10の運転開始を示す信号、6は運転開始からの経
過時間を検出する運転時間検出手段、106は運転開始
からの時間信号、7は学習手段、107は学習結果信
号、8は操作内容推測手段、108は操作内容推測信
号、9は制御信号生成手段、109は制御信号、10は
空気調和機である。
【0014】以上のような構成において、以下その動作
について説明する。多数のセンサ手段1、例えば外気温
センサ、吸い込み温度(室温)センサ、湿度センサ等は
空気調和機10に設けられている。センサ手段1からセ
ンサ信号101が出力されると、その内容である室外温
度、吸い込み温度、湿度などが、学習手段7、操作内容
推測手段8および記憶手段2へ出力される。記憶手段2
は、入力されたセンサ信号101について過去N秒間
(Nは正の実数)の履歴を記憶するとともに、記憶され
たセンサ値の前の状態、例えば室内温度のN秒間隔の傾
斜センサ値102を学習手段7および操作内容推測手段
8へ出力する。
について説明する。多数のセンサ手段1、例えば外気温
センサ、吸い込み温度(室温)センサ、湿度センサ等は
空気調和機10に設けられている。センサ手段1からセ
ンサ信号101が出力されると、その内容である室外温
度、吸い込み温度、湿度などが、学習手段7、操作内容
推測手段8および記憶手段2へ出力される。記憶手段2
は、入力されたセンサ信号101について過去N秒間
(Nは正の実数)の履歴を記憶するとともに、記憶され
たセンサ値の前の状態、例えば室内温度のN秒間隔の傾
斜センサ値102を学習手段7および操作内容推測手段
8へ出力する。
【0015】画像入力手段3は、画像データ103を特
徴抽出手段4へ出力し、特徴抽出手段4は画像データ1
03から得られた特徴量104を学習手段7および操作
内容推測手段8へ出力する。ここで、画像入力手段3は
室内の2次元画像入力装置であり、画像データ103は
室内の2次元画像データとなる。この画像データ103
は、画像入力手段3が可視画像入力装置の場合は輝度値
が出力され、画像入力手段3が焦電型赤外線センサの場
合は熱の温度値が出力される。
徴抽出手段4へ出力し、特徴抽出手段4は画像データ1
03から得られた特徴量104を学習手段7および操作
内容推測手段8へ出力する。ここで、画像入力手段3は
室内の2次元画像入力装置であり、画像データ103は
室内の2次元画像データとなる。この画像データ103
は、画像入力手段3が可視画像入力装置の場合は輝度値
が出力され、画像入力手段3が焦電型赤外線センサの場
合は熱の温度値が出力される。
【0016】リモコンまたは操作パネルである操作手段
5からは、使用者の現在の空調における意思表示である
例えば「暑い」、「寒い」の相反する2種類の信号が出
力されるとともに、温度、風量、風向等の設定または変
更を示す信号105が学習手段7および操作内容推測手
段8へ出力される。また操作手段5からは、運転開始信
号105aが運転時間検出手段6へ出力される。運転時
間検出手段6では、空気調和機10の運転開始から現在
までの時間t1を計算し、学習手段7および操作内容推
測手段8へ出力する。
5からは、使用者の現在の空調における意思表示である
例えば「暑い」、「寒い」の相反する2種類の信号が出
力されるとともに、温度、風量、風向等の設定または変
更を示す信号105が学習手段7および操作内容推測手
段8へ出力される。また操作手段5からは、運転開始信
号105aが運転時間検出手段6へ出力される。運転時
間検出手段6では、空気調和機10の運転開始から現在
までの時間t1を計算し、学習手段7および操作内容推
測手段8へ出力する。
【0017】 t1=tn−t0 ・・・(1) tn:現在時刻 t0:運転開始時刻 ただし、絶対時刻tn、月m、日dを用いる場合は、運
転時間検出手段6に設定されているtn、m、dを学習
手段7および操作内容推測手段8へ出力する。
転時間検出手段6に設定されているtn、m、dを学習
手段7および操作内容推測手段8へ出力する。
【0018】各手段1、2、4、5から出力された信号
101,102,104,105と、運転時間検出手段
6から出力された上記式(1)に基づく時間t1を示す
信号106(絶対時刻tn、月m、日dを使う場合も含
む。)とを入力された操作内容推測手段8は、ニューラ
ルネットを用いて、例えば「暑い」、「寒い」などの操
作手段5の操作内容を推測する。操作内容推測手段8か
ら出力された操作内容推測信号108は制御信号生成手
段9に入力し、制御信号109を生成して空気調和機1
0を制御する。
101,102,104,105と、運転時間検出手段
6から出力された上記式(1)に基づく時間t1を示す
信号106(絶対時刻tn、月m、日dを使う場合も含
む。)とを入力された操作内容推測手段8は、ニューラ
ルネットを用いて、例えば「暑い」、「寒い」などの操
作手段5の操作内容を推測する。操作内容推測手段8か
ら出力された操作内容推測信号108は制御信号生成手
段9に入力し、制御信号109を生成して空気調和機1
0を制御する。
【0019】一方、同様に各手段1、2、4、5、6か
ら出力された信号101,102,104,105,1
06は学習手段7にも入力される。学習手段7は、各手
段の入力値と、実際の操作手段5における操作内容を教
師信号として、ニューラルネットの学習を行なう。学習
終了後、ニューラルネット内の学習結果信号(参照情
報)107を操作内容推測手段8に出力し、操作内容推
測手段8は、内部に持っている参照情報を更新する。
ら出力された信号101,102,104,105,1
06は学習手段7にも入力される。学習手段7は、各手
段の入力値と、実際の操作手段5における操作内容を教
師信号として、ニューラルネットの学習を行なう。学習
終了後、ニューラルネット内の学習結果信号(参照情
報)107を操作内容推測手段8に出力し、操作内容推
測手段8は、内部に持っている参照情報を更新する。
【0020】次に、図2を参照して特徴抽出手段4の動
作について説明する。画像入力手段3から出力された画
像データ101は、特徴抽出手段4に引き渡される。特
徴抽出手段4は、画像データ101を記憶するメモリ1
1と、画像処理部12と、特徴量抽出部13とから構成
される。メモリ11に一時的に格納された画像データ1
01は、画像処理部12に呼び出され、ノイズ除去やエ
ッジ検出等の処理が行なわれた後、特徴量抽出部13で
人間の員数14、人間の位置15、人間の姿勢16、動
き物体数17、動きの度合い18、床、壁面の温度19
等の情報を引き出す。14から18までは、室内の人間
情報20として一括して室内の生活シーンを示す情報と
して利用することができる。生活シーンを示す情報とし
ては、例えば団らん、就寝、家事、食事、勉強、帰宅、
退室等である。生活シーンを抽出することに関しては、
本願出願人が先に出願した特願平3−285106、3
−285107号明細書に詳しく述べられており、これ
らの明細書に開示された技術は、そのまままたは若干の
変更を伴って本発明の実施に適用されるものである。
作について説明する。画像入力手段3から出力された画
像データ101は、特徴抽出手段4に引き渡される。特
徴抽出手段4は、画像データ101を記憶するメモリ1
1と、画像処理部12と、特徴量抽出部13とから構成
される。メモリ11に一時的に格納された画像データ1
01は、画像処理部12に呼び出され、ノイズ除去やエ
ッジ検出等の処理が行なわれた後、特徴量抽出部13で
人間の員数14、人間の位置15、人間の姿勢16、動
き物体数17、動きの度合い18、床、壁面の温度19
等の情報を引き出す。14から18までは、室内の人間
情報20として一括して室内の生活シーンを示す情報と
して利用することができる。生活シーンを示す情報とし
ては、例えば団らん、就寝、家事、食事、勉強、帰宅、
退室等である。生活シーンを抽出することに関しては、
本願出願人が先に出願した特願平3−285106、3
−285107号明細書に詳しく述べられており、これ
らの明細書に開示された技術は、そのまままたは若干の
変更を伴って本発明の実施に適用されるものである。
【0021】次に、図3を参照して操作内容推測手段8
の詳細について説明する。図3はニューラルネットの構
成を示しており、本発明におけるニューラルネットは、
パターン分類型の各種のモデルが使えるが、本実施例で
は、LVQ(Learning Vector Quantum :参考文献、T.
Kohonen,"Self-Organization and Associative Memor
y",2nd,Springer-Verlag,1988 )を例に示す。図3にお
いて、21は入力信号正規化部であり、22は参照情報
部であり、人間の意思に合わせた「暑い」、「寒い」、
「満足」の3個のカテゴリ(事象)とそれぞれについて
m個の参照情報を有する。23は距離算出部であり、2
4はカテゴリ算出部である。
の詳細について説明する。図3はニューラルネットの構
成を示しており、本発明におけるニューラルネットは、
パターン分類型の各種のモデルが使えるが、本実施例で
は、LVQ(Learning Vector Quantum :参考文献、T.
Kohonen,"Self-Organization and Associative Memor
y",2nd,Springer-Verlag,1988 )を例に示す。図3にお
いて、21は入力信号正規化部であり、22は参照情報
部であり、人間の意思に合わせた「暑い」、「寒い」、
「満足」の3個のカテゴリ(事象)とそれぞれについて
m個の参照情報を有する。23は距離算出部であり、2
4はカテゴリ算出部である。
【0022】以上のような構成において、以下その動作
について説明する。入力信号210は、入力信号正規化
部21において正規化される。すなわち、全ての入力信
号x1は、次式のように処理される。
について説明する。入力信号210は、入力信号正規化
部21において正規化される。すなわち、全ての入力信
号x1は、次式のように処理される。
【0023】 Sx1=(xmax −x1)/(xmax −xmin ) ・・・(2) Sx1:正規化された信号値 xmax :入力信号がとる最大値 xmin :入力信号がとる最小値
【0024】入力信号210は、外気温、吸い込み温
度、吸い込み温度の傾斜(N秒前の吸い込み温度)、風
量、設定温度、運転時間、人数、人間の位置、人間の姿
勢、動き物体数、動きの度合い、壁面の温度等である。
入力信号正規化部21により正規化された信号は、入力
ベクトル211として距離算出部23に出力される。距
離算出部23では、入力ベクトルと参照情報部22の人
間の意思を表わす「暑い」、「寒い」、「満足」の各カ
テゴリにおける参照情報との距離を算出する。すなわ
ち、例えば「暑い」カテゴリの参照情報との距離dAj
は次式(3)から求められ、次いで参照情報部22のデ
ィレクトリ221を参照し、カテゴリ数3と各カテゴリ
の参照情報数を算出する。なお、参照情報部22のディ
レクトリ221の内容を図4に示す。
度、吸い込み温度の傾斜(N秒前の吸い込み温度)、風
量、設定温度、運転時間、人数、人間の位置、人間の姿
勢、動き物体数、動きの度合い、壁面の温度等である。
入力信号正規化部21により正規化された信号は、入力
ベクトル211として距離算出部23に出力される。距
離算出部23では、入力ベクトルと参照情報部22の人
間の意思を表わす「暑い」、「寒い」、「満足」の各カ
テゴリにおける参照情報との距離を算出する。すなわ
ち、例えば「暑い」カテゴリの参照情報との距離dAj
は次式(3)から求められ、次いで参照情報部22のデ
ィレクトリ221を参照し、カテゴリ数3と各カテゴリ
の参照情報数を算出する。なお、参照情報部22のディ
レクトリ221の内容を図4に示す。
【0025】 dAj = Σ(xi ー Raji)2 ・・・(3) dAj :j番目の参照情報との距離 xi :i番目の入力ベクトル値 Raji:j番目の参照情報のi番目のベクトル値
【0026】次に、各カテゴリに対し参照情報と入力ベ
クトルとの距離を算出し、さらに全てのカテゴリに対し
ても同様の処理を行なって距離を算出する。距離算出部
23で求める距離の総数dnum は、次式(4)のように
なる。
クトルとの距離を算出し、さらに全てのカテゴリに対し
ても同様の処理を行なって距離を算出する。距離算出部
23で求める距離の総数dnum は、次式(4)のように
なる。
【0027】 dnum =m1+m2・・・+m3 ・・・(4)
【0028】次に、距離算出部23で求めた距離dnum
は、カテゴリ算出部24に出力される。カテゴリ算出部
24では、dnum 個の距離の中で最も短い距離dmin を
算出し、さらに該当参照情報が属するカテゴリを算出す
る。なお、最短距離を出力する一般的なアルゴリズムを
図5に示す。入力ベクトルと最短距離にある参照情報が
属するカテゴリを算出したカテゴリ算出部24の出力
は、図1の操作内容推測手段8の出力となる。たとえ
ば、「寒い」カテゴリに対し「設定温度を1度上げる」
とか、「暑い」カテゴリに対して「設定温度を1度下げ
る」とか、「満足」カテゴリに対して「設定温度を変更
しない」などと対応させる。
は、カテゴリ算出部24に出力される。カテゴリ算出部
24では、dnum 個の距離の中で最も短い距離dmin を
算出し、さらに該当参照情報が属するカテゴリを算出す
る。なお、最短距離を出力する一般的なアルゴリズムを
図5に示す。入力ベクトルと最短距離にある参照情報が
属するカテゴリを算出したカテゴリ算出部24の出力
は、図1の操作内容推測手段8の出力となる。たとえ
ば、「寒い」カテゴリに対し「設定温度を1度上げる」
とか、「暑い」カテゴリに対して「設定温度を1度下げ
る」とか、「満足」カテゴリに対して「設定温度を変更
しない」などと対応させる。
【0029】次に、図6を用いて学習手段7の詳細につ
いて説明する。図6において、51は図2の入力信号正
規化部21と共通の入力信号を正規化し、入力ベクトル
に変換する。52も図2と共通の参照情報部である。5
3は参照情報検索部、54は参照情報生成部、55は参
照情報学習部である。
いて説明する。図6において、51は図2の入力信号正
規化部21と共通の入力信号を正規化し、入力ベクトル
に変換する。52も図2と共通の参照情報部である。5
3は参照情報検索部、54は参照情報生成部、55は参
照情報学習部である。
【0030】以上のような構成において、以下その動作
について説明する。入力信号正規化部51で正規化され
た入力信号は、入力ベクトルとして参照情報検索部53
に入力される。さらに入力ベクトルの正しいカテゴリT
C(教師データ)も同時に参照情報検索部53に入力さ
れる。参照情報検索部53では、参照情報部52のディ
レクトリを参照し、入力ベクトルの正しいカテゴリTC
が例えば「暑い」カテゴリの場合、「暑い」カテゴリの
参照情報数が以下のような関係にある時、次のような処
理を行なう。
について説明する。入力信号正規化部51で正規化され
た入力信号は、入力ベクトルとして参照情報検索部53
に入力される。さらに入力ベクトルの正しいカテゴリT
C(教師データ)も同時に参照情報検索部53に入力さ
れる。参照情報検索部53では、参照情報部52のディ
レクトリを参照し、入力ベクトルの正しいカテゴリTC
が例えば「暑い」カテゴリの場合、「暑い」カテゴリの
参照情報数が以下のような関係にある時、次のような処
理を行なう。
【0031】ARnum <ARnummax ならば、参照情
報生成部54の処理を行なう。 ARnum ≧ARnummax ならば、参照情報学習部55
の処理を行なう。 ARnum :「暑い」カテゴリの参照情報数 ARnummax:「暑い」カテゴリの参照情報最大数
報生成部54の処理を行なう。 ARnum ≧ARnummax ならば、参照情報学習部55
の処理を行なう。 ARnum :「暑い」カテゴリの参照情報数 ARnummax:「暑い」カテゴリの参照情報最大数
【0032】参照情報生成部54では、入力ベクトルを
正しいカテゴリTCの参照情報として生成する。ここで
は、「暑い」カテゴリの参照情報を生成し、ARnum を
1増やす。
正しいカテゴリTCの参照情報として生成する。ここで
は、「暑い」カテゴリの参照情報を生成し、ARnum を
1増やす。
【0033】参照情報学習部55では、操作手段5の出
力値と入力ベクトルの正しいカテゴリTCとを比較し、
一致している場合は、一番距離の短い参照情報を近づけ
る。また,操作手段5の出力値と入力ベクトルの正しい
カテゴリTCとが一致していない場合は、一番距離の短
い参照情報を遠ざける。すなわち、 OC=TC ならば、 RV=RV+α(RV−Sx) OC≠TC ならば、 RV=RV−α(RV−Sx) RV:入力ベクトルと一番距離の短い参照情報 OC:出力カテゴリ(RVのカテゴリ) TC:入力ベクトルの正しいカテゴリ Sx:入力ベクトル α :学習レート
力値と入力ベクトルの正しいカテゴリTCとを比較し、
一致している場合は、一番距離の短い参照情報を近づけ
る。また,操作手段5の出力値と入力ベクトルの正しい
カテゴリTCとが一致していない場合は、一番距離の短
い参照情報を遠ざける。すなわち、 OC=TC ならば、 RV=RV+α(RV−Sx) OC≠TC ならば、 RV=RV−α(RV−Sx) RV:入力ベクトルと一番距離の短い参照情報 OC:出力カテゴリ(RVのカテゴリ) TC:入力ベクトルの正しいカテゴリ Sx:入力ベクトル α :学習レート
【0034】従って、参照情報学習部55では、参照情
報数が参照情報の最大値を超えるまでは、入力ベクトル
を入力ベクトルの正しいカテゴリTCの参照情報として
生成する。また、最大値を超えてからは、出力カテゴリ
と入力カテゴリが一致した場合は、参照情報を入力ベク
トルの方向へ少し近づけ、一致しない場合は、参照情報
を入力ベクトルから少し遠ざける。近づけたり、遠ざけ
たりする距離はαで設定する。
報数が参照情報の最大値を超えるまでは、入力ベクトル
を入力ベクトルの正しいカテゴリTCの参照情報として
生成する。また、最大値を超えてからは、出力カテゴリ
と入力カテゴリが一致した場合は、参照情報を入力ベク
トルの方向へ少し近づけ、一致しない場合は、参照情報
を入力ベクトルから少し遠ざける。近づけたり、遠ざけ
たりする距離はαで設定する。
【0035】このように、上記実施例によれば、操作内
容を推測して学習する手段としてニューラルネットワー
クを用いることにより、センサ群からの入力と出力とを
関係づけるルールを必要とせず、使用者の環境における
暑い、寒いの2通りの意思表示を行なう操作手段からの
操作を学習して操作の先取り予測を行なうとともに、部
屋の環境や個人の好みおよび運転開始からの時間、時刻
や季節にあった自動モード運転の空調を行なうことがで
き、学習により使用者をリモコン設定の煩わしさから解
放するとともに、室内の人間情報や室内の熱分布を用い
ることにより、使用者の快適性の向上を図ることができ
る。
容を推測して学習する手段としてニューラルネットワー
クを用いることにより、センサ群からの入力と出力とを
関係づけるルールを必要とせず、使用者の環境における
暑い、寒いの2通りの意思表示を行なう操作手段からの
操作を学習して操作の先取り予測を行なうとともに、部
屋の環境や個人の好みおよび運転開始からの時間、時刻
や季節にあった自動モード運転の空調を行なうことがで
き、学習により使用者をリモコン設定の煩わしさから解
放するとともに、室内の人間情報や室内の熱分布を用い
ることにより、使用者の快適性の向上を図ることができ
る。
【0036】
【発明の効果】本発明は、上記実施例から明らかなよう
に、センサ手段から得られる室内外の環境条件と、画像
入力手段から出力された室内の2次元の画像情報から得
られる室内の特徴量と、操作手段から得られる使用者の
意思情報とから使用者の操作内容を推測して学習する手
段を備えているので、部屋の環境、室内の生活シーンや
個人の好み、および時間、季節に合った空調運転を自動
的にかつ容易に行なうことができる。
に、センサ手段から得られる室内外の環境条件と、画像
入力手段から出力された室内の2次元の画像情報から得
られる室内の特徴量と、操作手段から得られる使用者の
意思情報とから使用者の操作内容を推測して学習する手
段を備えているので、部屋の環境、室内の生活シーンや
個人の好み、および時間、季節に合った空調運転を自動
的にかつ容易に行なうことができる。
【図1】本発明の一実施例における空気調和機制御装置
の概略ブロック図
の概略ブロック図
【図2】同装置における特徴抽出手段の概略ブロック図
【図3】同装置における操作内容推測手段の概略ブロッ
ク図
ク図
【図4】同操作内容推測手段における参照情報部のディ
レクトリの内容を示す模式図
レクトリの内容を示す模式図
【図5】同操作内容推測手段における最短距離を出力す
るアルゴリズム例を示すフローチャート
るアルゴリズム例を示すフローチャート
【図6】本発明の一実施例における学習手段の概略ブロ
ック図
ック図
【図7】従来の空気調和機制御装置における推論制御ソ
フトウェア構成を示す概略ブロック図
フトウェア構成を示す概略ブロック図
【図8】同従来装置における推論制御ソフトウェアにお
ける動作を示す概略ブロック図
ける動作を示す概略ブロック図
1 センサ手段 2 記憶手段 3 画像入力手段 4 特徴抽出手段 5 操作手段 6 運転時間検出手段 7 学習手段 8 操作内容推測手段 9 制御信号生成手段 10 空気調和機
───────────────────────────────────────────────────── フロントページの続き (72)発明者 ▲吉▼田 邦 夫 神奈川県川崎市多摩区東三田3丁目10番 1号 松下技研株式会社内 (72)発明者 赤 嶺 育 雄 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (72)発明者 清 水 真 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (72)発明者 藤 原 克 彦 大阪府門真市大字門真1006番地 松下電 器産業株式会社内 (56)参考文献 特開 平3−177742(JP,A) 特開 昭62−147391(JP,A) (58)調査した分野(Int.Cl.7,DB名) F24F 11/02
Claims (9)
- 【請求項1】 室内外の環境条件を検知する複数のセン
サ手段と、前記センサ手段の前状態を保持する記憶手段
と、室内の2次元の画像情報を検知する画像入力手段
と、前記画像入力手段から得られた画像データから室内
の特徴量を抽出する特徴抽出手段と、使用者の意思表示
を入力する操作手段と、空気調和機の運転開始からの経
過時間を検出する運転時間検出手段と、前記センサ手段
および前記記憶手段からの出力値である室内外の環境条
件と前記特徴抽出手段および操作手段ならびに運転時間
検出手段からの情報により使用者の操作内容を推測する
操作内容推測手段と、前記各手段から得られた結果を参
照して操作内容を学習する学習手段と、前記操作内容推
測手段から出力された信号をもとに空気調和機を制御す
る制御信号生成手段とを備えた空気調和機制御装置。 - 【請求項2】 室内外の環境条件を検知するセンサ手段
が、室内外の温度、空気調和機の風量、風向、湿度を検
出する手段を含む請求項1記載の空気調和機制御装置。 - 【請求項3】 センサの前状態を保持する記憶手段が、
N秒(Nは正の実数値)間隔の空気調和機の吸込空気温
度勾配を記憶する請求項1または2記載の空気調和機制
御装置。 - 【請求項4】 使用者の意思表示を入力する操作手段
が、学習に際して使用者が室内環境における体感を暑
い、寒いの2つの分類で意思表示するようにした請求項
1から3のいずれかに記載の空気調和機制御装置。 - 【請求項5】 運転時間検出手段が、月、日、時間につ
いての信号を出力するカレンダー機能を備えた請求項1
から4のいずれかに記載の空気調和機制御装置。 - 【請求項6】 操作内容を推測し、学習する手段が、ニ
ューラルネットワークを用いた請求項1から5のいずれ
かに記載の空気調和機制御装置。 - 【請求項7】 画像入力手段が、室内の熱エネルギーの
分布を検知する手段である請求項1から6のいずれかに
記載の空気調和機制御装置。 - 【請求項8】 特徴抽出手段が、室内の人数、人間の位
置、姿勢、動き物体の数、動きの度合い、床および壁面
の温度を抽出する手段である請求項1から7のいずれか
に記載の空気調和機制御装置。 - 【請求項9】 特徴抽出手段が、室内で行なわれている
生活シーンを示す情報を抽出する手段である請求項1か
ら8のいずれかに記載の空気調和機制御装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP03316708A JP3128156B2 (ja) | 1991-11-29 | 1991-11-29 | 空気調和機制御装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP03316708A JP3128156B2 (ja) | 1991-11-29 | 1991-11-29 | 空気調和機制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH05149599A JPH05149599A (ja) | 1993-06-15 |
JP3128156B2 true JP3128156B2 (ja) | 2001-01-29 |
Family
ID=18080019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP03316708A Expired - Fee Related JP3128156B2 (ja) | 1991-11-29 | 1991-11-29 | 空気調和機制御装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3128156B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3691353B2 (ja) * | 2000-06-07 | 2005-09-07 | 三洋電機株式会社 | 複数機器制御システム |
KR100388666B1 (ko) * | 2000-12-18 | 2003-06-25 | 삼성전자주식회사 | 공기조화기의 온도 제어방법 |
JP5195258B2 (ja) * | 2008-10-10 | 2013-05-08 | パナソニック株式会社 | 空気調和機 |
JP2011137589A (ja) * | 2009-12-28 | 2011-07-14 | Mitsubishi Electric Corp | 空気調和機、空気調和機の制御装置 |
KR102043194B1 (ko) | 2012-07-25 | 2019-11-11 | 엘지전자 주식회사 | 공기조화기 관리 시스템 및 공기조화기의 제어 방법 |
JP6071728B2 (ja) * | 2013-04-25 | 2017-02-01 | 大成建設株式会社 | 快適環境選択支援装置および快適環境選択支援方法 |
CN110736221B (zh) * | 2019-10-29 | 2020-10-02 | 珠海格力电器股份有限公司 | 空调的控制方法、装置和*** |
-
1991
- 1991-11-29 JP JP03316708A patent/JP3128156B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JPH05149599A (ja) | 1993-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021258695A1 (zh) | 一种睡眠环境下的空气调节方法、装置及电子设备 | |
US11268713B2 (en) | Smart home air conditioner automatic control system based on artificial intelligence | |
JPH05193338A (ja) | 空調制御装置 | |
JP3128156B2 (ja) | 空気調和機制御装置 | |
JP2012251731A (ja) | 空調システム | |
JPH05149791A (ja) | 室内情報検出装置 | |
JPH08313028A (ja) | 空気調和機の制御装置 | |
JP3314137B2 (ja) | 空気調和機の制御装置 | |
JP2673394B2 (ja) | 空気調和機制御装置 | |
JP3564583B2 (ja) | 空気調和機の制御装置 | |
JP3198523B2 (ja) | 空気調和機の制御装置 | |
JP2899484B2 (ja) | パターン分類装置と環境認識装置と空調機 | |
JPH07198186A (ja) | 空気調和機の冷暖切替装置 | |
Wei et al. | Real-time clothing insulation level classification based on model transfer learning and computer vision for PMV-based heating system optimization through piecewise linearization | |
JPH08189683A (ja) | 空気調和機の制御装置 | |
WO2021176700A1 (ja) | 学習装置、推論装置及び空気調和機 | |
KR102233157B1 (ko) | 딥러닝 기반의 재실자 포즈 분류를 이용한 재실자 활동량 산출 방법 및 시스템 | |
JP2707890B2 (ja) | 空気調和機の制御装置 | |
JP2897395B2 (ja) | 空気調和機の制御装置 | |
JP3198522B2 (ja) | 空気調和機の制御装置 | |
JPH06221648A (ja) | 空気調和機の制御装置および制御方法 | |
JP2712947B2 (ja) | 空気調和機の制御装置 | |
JP2897415B2 (ja) | 空気調和機の制御装置 | |
JPH04320749A (ja) | 空気調和機の制御装置 | |
JP2517164B2 (ja) | 空気調和機の制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
LAPS | Cancellation because of no payment of annual fees |