JP7147573B2 - サーバ装置および学習方法 - Google Patents

Description

本開示は、サーバ装置等に関する。

たとえば、特許文献１には、学習機能を有する空調システムが開示されている。また、特許文献１には、記憶部が学習機能を有する場合、標準仕様設定（たとえば、人感センサの検知結果を用いた自動運転）による制御に、居住者等の好みや行動パターン等を反映させて、居住者等に対して好適な温度環境を実現することが記載されている。

特開２０１５－１１７９３３号公報

ところで、サーバが空調システムに係るデータを収集し、学習モデルを生成する手法も提案されている。たとえば、サーバは、室温や外気温等の環境情報とともにユーザの操作情報を学習用データとして収集した後、これら各学習用データを用いて、環境情報が入力されると最適な空気調和機の操作情報を出力する学習モデルを生成する。

また、このようなサーバでは、一般的に、複数の学習ＶＭ（Virtual Machine：仮想機械）を有し、各学習ＶＭが予め決められた顧客（空調システム）の学習用データを用いて学習し、各顧客の学習モデルを生成している。学習ＶＭは、学習部の一例である。例えば、顧客がｎ人（＃０～＃ｎ）、学習ＶＭが３個（＃０～＃２）の場合、学習ＶＭ＃０が顧客＃０、＃３、＃６、・・・、＃ｎ－２の収集データを学習し、学習ＶＭ＃１が顧客＃１、＃４、＃７、・・・、＃ｎ－１の収集データを学習し、学習ＶＭ＃２が顧客＃２、＃５、＃８、・・・、＃ｎの収集データを学習する。

しかしながら、上記の生成手法では、各学習ＶＭにおいて、学習にかかる時間にバラツキが生じることがある。たとえば、学習ＶＭ＃０が顧客＃０、＃３、＃６、・・・、＃ｎ－２の学習用データの全てを処理したが、学習ＶＭ＃１が顧客＃１、＃４、＃７、・・・、＃ｎ－１のうち複数の顧客ｍ人の学習用データをの処理をまだ行っていない場合、学習ＶＭ＃０の処理時間より学習ＶＭ＃１の処理時間の方が長くなる。学習用データは定期的（例えば、５分毎）に取得されるため、早く処理が完了した学習ＶＭは次の学習用データを取得するまで処理を行わない待ち時間が発生し、計算リソースが無駄になる。

本開示ではこのような問題に鑑み、学習処理時間にバラツキがあっても、学習ＶＭに待ち時間を生じさせることがないサーバ装置および学習方法を提供することを目的とする。

一つの態様のサーバ装置は、キュー管理部と、複数の学習部とを有する。キュー管理部は、空気調和機を制御する制御部が用いる学習モデルの生成に用いられ、複数の学習項目に対する運転履歴情報と操作情報とのデータセットを含む学習用データを収集するアダプタから、学習用データを取得する度に、取得した順番に基づいて、学習用データを、先入れ先出しのメモリとなるキューに格納する。複数の学習部は、キューに格納された複数の学習用データのうち、先頭に格納された学習用データを取り出して学習モデルに対する学習処理を実行し、学習処理が完了したとき、キューの先頭に格納された学習用データを取り出して学習処理を繰り返し実行する。

一つの側面として、学習処理時間にバラツキがあっても、学習ＶＭ（学習部）に待ち時間の発生を抑止できる。

図１は、本実施例の空気調和システムの一例を示す図である。 図２は、アダプタの構成の一例を示すブロック図である。 図３は、サーバ装置の構成の一例を示すブロック図である。 図４は、キューにおけるデータの先入れ先出し処理の一例を示す図である。 図５は、運転履歴データの内容の一例を示す説明図である。 図６は、収集パターンのデータ構造の一例を示す図である。 図７は、モデルメモリのデータ構造の一例を示す図である。 図８は、本実施例に係るキュー管理部の処理動作の一例を示すフローチャートである。 図９は、本実施例に係る学習ＶＭの処理動作の一例を示すフローチャートである。

以下、図面に基づいて、本願の開示するサーバ装置および学習方法等の実施例を詳細に説明する。尚、本実施例により、開示技術が限定されるものではない。また、以下に示す各実施例は、矛盾を起こさない範囲で適宜変形しても良い。

図１は、本実施例の空気調和システムの一例を示す図である。図１に示す空気調和システム１は、室内機２Ａ，２Ｂ，２Ｃと、アダプタ５０Ａ，５０Ｂ，５０Ｃと、アクセスポイント４と、中継装置６と、通信端末７と、通信網８とを有する。ここでは、室内機２Ａから２Ｃ、アダプタ５０Ａ～５０Ｃを示すが、空気調和システム１は、他の室内機、アダプタを有していてもよい。

室内機２Ａは、例えば、室内に配置され、室内の空気を加熱又は冷却する空気調和機の一部である。尚、室内機２Ａの利用者は、リモコン９Ａの操作により室内機２Ａを遠隔操作することが可能である。室内機２Ａは、本体３Ａと、当該本体３Ａを制御する制御部４Ａとを有する。本体３Ａには、室内ファンや室内熱交換器が備えられ、室内熱交換器で冷媒と熱交換を行った室内空気が本体３Ａから吹き出されることで、部屋の暖房、冷房、除湿等が行われる。

室内機２Ｂは、本体３Ｂ、制御部４Ｂを有する。室内機２Ｂ、本体３Ｂ、制御部４Ｂに関する説明は、室内機２Ａ、本体３Ａ、制御部４Ａに関する説明と同様である。室内機２Ｂの利用者は、リモコン９Ｂの操作により室内機２Ｂを遠隔操作することが可能である。

室内機２Ｃは、本体３Ｃ、制御部４Ｃを有する。室内機２Ｃ、本体３Ｃ、制御部４Ｃに関する説明は、室内機２Ａ、本体３Ａ、制御部４Ａに関する説明と同様である。室内機２Ｃの利用者は、リモコン９Ｃの操作により室内機２Ｃを遠隔操作することが可能である。

アダプタ５０Ａは、室内機２Ａとアクセスポイント４との間を無線通信で接続する通信機能と、室内機２ＡをＡＩ(Artificial Intelligence)制御する制御機能とを有する。アダプタ５０Ｂは、室内機２Ｂとアクセスポイント４との間を無線通信で接続する通信機能と、室内機２ＢをＡＩ制御する制御機能とを有する。アダプタ５０Ｃは、室内機２Ｃとアクセスポイント４との間を無線通信で接続する通信機能と、室内機２ＣをＡＩ制御する制御機能とを有する。

以下の説明では、特に区別しない場合に、室内機２Ａ，２Ｂ，２Ｃをまとめて、室内機２と表記する。また、アダプタ５０Ａ，５０Ｂ，５０Ｃをまとめて、アダプタ５０と表記する。

アクセスポイント４は、例えば、ＷＬＡＮ(Wireless Local Area Network)等を使用してアダプタ５０Ａと通信網８とを無線通信で接続する装置である。通信網８は、例えば、インターネット等の通信網である。通信端末７は、利用者が持つスマートフォン等の端末装置である。利用者は、外出先から通信端末７を使用して、室内機２の運転条件（冷房／暖房といった運転モードや設定温度など）を送信することができる。

中継装置６は、アダプタ５０とサーバ装置１００との間でＡＩ制御に関わる各種データを中継する装置である。

サーバ装置１００は、室内機２を制御するＡＩの学習モデルを生成する機能や学習用データ等を記憶するデータベース等を有する。尚、サーバ装置１００は、例えば、データセンタに配置されている。

図２は、アダプタの構成の一例を示すブロック図である。ここでは一例として、アダプタ５０Ａを用いて説明を行う。図２に示すように、アダプタ５０Ａは、第１の通信部５１と、第２の通信部５２と、記憶部５３と、ＣＰＵ(Central Processing Unit)５４とを有する。第１の通信部５１は、ＣＰＵ５４と室内機２Ａ内の制御部４Ａと通信接続する、例えば、ＵＡＲＴ（Universal Asynchronous Receiver Transmitter）等の通信ＩＦ（Interface）である。第２の通信部５２は、ＣＰＵ５４とアクセスポイント４を通信接続する、例えば、ＷＬＡＮ等の通信ＩＦ等の通信部である。記憶部５３は、例えば、ＲＯＭ（Read Only Memory）やＲＡＭ(Random Access Memory)等を有し、データやプログラム等の各種情報を格納する。ＣＰＵ５４は、アダプタ５０全体を制御する。

図２に示すアダプタ５０Ａ内の記憶部５３は、室内機２Ａから取得した運転履歴データを一時記憶する運転履歴メモリ５３Ａと、サーバ装置１００から取得した学習モデルを記憶するモデルメモリ５３Ｂと、天気予報等の外部データを記憶する外部メモリ５３Ｃとを有する。

ＣＰＵ５４は、取得部５４Ａと、送信部５４Ｂと、受信部５４Ｃと、設定部５４Ｄと、予測制御部５４Ｅとを有する。

取得部５４Ａは、室内機２Ａから所定周期、例えば５分毎の取得タイミングで運転履歴データと、操作履歴データとを取得する。取得部５４Ａは、５分周期で取得した運転履歴データと、操作履歴データとを運転履歴メモリ５３Ａに記憶する。

送信部５４Ｂは、運転履歴メモリ５３Ａに記憶された運転履歴データと、操作履歴データとを通信網８経由でサーバ装置１００に送信する。

受信部５４Ｃは、通信網８経由でサーバ装置１００から学習モデルを受信し、受信した学習モデルをモデルメモリ５３Ｂに記憶する。

設定部５４Ｄは、モデルメモリ５３Ｂに記憶中の学習モデルを予測制御部５４Ｅに適用する。

予測制御部５４Ｅは、設定部５４Ｄにて適用された学習モデルに基づき、室内機２Ａ内の制御部４Ａを制御する。尚、説明の便宜上、予測制御部５４Ｅは、学習モデルに基づき、室内機２Ａ内の制御部４Ａを制御する場合を例示したが、予測制御部５４Ｅは、学習モデルに基づき、室内機２Ａの本体３Ａを直接的に制御しても良い。また、予測制御部５４Ｅは、学習モデルに基づく制御態様を含む信号を制御部４Ａに送信する。つまり、予測制御部５４Ｅが、制御部４Ａを介して本体２Ａを間接的に制御するようにしても良く、適宜変更可能である。

ところで、アダプタ５０Ｂ，５０Ｃのハードウェア構成は、アダプタ５０Ａと同様である。なお、アダプタ５０Ｂの処理の対象は、室内機２Ｂ、本体３Ｂ、制御部４Ｂとなる。アダプタ５０Ｃの処理の対象は、室内機２Ｃ、本体３Ｃ、制御部４Ｃとなる。

図３は、サーバ装置１００の構成の一例を示すブロック図である。図３に示すサーバ装置１００は、通信部１１０と、記憶部１２０と、ＣＰＵ１３０とを有する。通信部１１０は、ＣＰＵ１３０と中継装置６を通信接続する通信ＩＦである。記憶部１２０は、例えば、ＨＤＤ(Hard Disk Drive)、ＲＯＭやＲＡＭ等を有し、データやプログラム等の各種情報を記憶する。ＣＰＵ１３０は、サーバ装置１００全体を制御する。

図３に示すサーバ装置１００内の記憶部１２０は、キュー保存部１２０Ａ、収集パターンメモリ１２０Ｂ、モデルメモリ１２０Ｃを有する。

キュー１２０Ａは、運転履歴データと、操作履歴データとの学習用データを、先入れ先出しのリスト構造で保持するメモリである。キュー１２０Ａからデータを取り出す場合、先に入れられた学習用データから順に取り出される。以下の説明では、運転履歴データと、操作履歴データとの組をそれぞれ、データ（学習用データ）と表記する。運転履歴データと、操作履歴データとの組はデータセットの一例である。キュー１２０Ａの最後尾にデータを入れることを「エンキュー」と表記し、取り出すことを「デキュー」と表記する。

図４は、キューにおけるデータの先入れ先出し処理の一例を示す図である。図４のステップＳ１０において、キュー１２０Ａには、先頭から順に、学習用データ１０－１～１０－４が格納されている。ここで、学習用データ１０－５が、エンキュー（Enqueue）されると、ステップＳ１１に示すように、最後尾の学習用データ１０－４の後ろに、学習用データ１０－５が格納される。

図４のステップのステップＳ１２において、デキュー（Dequeue）されると、キュー１２０Ａの先頭に格納されていた学習用データ１０－１が取り出される。そうすると、ステップＳ１３に示すように、キュー１２０Ａには、学習用データ１０－２～１０－５が順に格納される。

続いて、学習用データに含まれる運転履歴データの内容の一例について説明する。図５は、運転履歴データの内容の一例を示す説明図である。運転履歴データには、複数の項目があり、各項目には、項目を一意に識別するための項番が対応付けられる。たとえば、運転履歴データの項目には、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサ、輻射センサ、室内熱交温度、室外温度、圧縮機回転数、室外風量、運転電流、室外熱交温度等である。更に、運転履歴データは、たとえば、吐出温度、圧縮機温度、膨張弁開度、放熱器温度、起動失敗履歴、異常停止履歴、応急運転履歴、空気調和機ＩＤ、設置場所や施設種類等がある。

運転状態とは、室内機２の運転のＯＮ－ＯＦＦ状態である。運転モードは、室内機２の冷房や暖房等の動作モードである。設定温度は、室内機２を使用する室内の室内目標温度である。室内温度は、室内機２を使用する室内の実際の温度である。室内湿度は、室内機２を使用する室内の実際の湿度である。風量は、室内機２から吹き出される空調空気の風量である。風向は、室内機２から吹き出される空調空気の風向きである。人感センサは、室内の人の有無や活動量のセンサによる検出結果である。輻射センサは、室内の床や壁の温度のセンサによる検出結果である。室内熱交温度は、室内機２の本体２Ａの一部をなす図示しない室内熱交換器の温度である。室外温度は、室外の実際の温度である。圧縮機回転数は、室内機２と冷媒配管で接続される図示しない室外機に備えられた圧縮機の運転回転数である。室外風量は、室外機に備えられる室外ファンの風量である。運転電流は、例えば、室内機２及び室外機等の空気調和機全体の運転電流である。室外熱交温度は、室外機に備えられる室外熱交換機の温度である。吐出温度は、圧縮機から吐出される冷媒の温度である。圧縮機温度は、圧縮機底部の温度である。膨張弁開度は、室外機に備えられる電子膨張弁の開度である。放熱器温度は、圧縮機を駆動制御するパワー半導体の温度である。起動失敗履歴は、圧縮機起動失敗の履歴である。異常停止履歴は、異常停止の履歴である。応急運転履歴は、応急運転の実施履歴である。タイムスタンプは、データ取得時の年月日時分秒である。空気調和機ＩＤは、室内機２等の空気調和機を識別するために室内機２に付与するＩＤである。設置場所は、空気調和機が設置された場所の住所である。施設種類は、室内機２等の空気調和機が設置された店舗、飲食店、工場等の施設の種類である。

運転履歴データには、家庭用の空気調和機に使用するデータと、業務用の空気調和機に使用するデータとがある。家庭用の空気調和機に使用される運転履歴データとしては、例えば、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサで検出した値、輻射センサで検出した値、タイムスタンプ、空気調和機ＩＤ、設置場所等である。家庭用の空気調和機では、快適性や省エネ性の追求にＡＩを用いて操作や提案を行うため、例えば、設定温度、運転モード、室内や周囲環境等が家庭用に必要なデータである。

また、業務用の空気調和機に使用される運転履歴データとしては、例えば、運転状態、運転モード、設定温度、室内温度、室内湿度、風量、風向、人感センサで検出した値、輻射センサで検出した値、室内熱交温度、室外温度、圧縮機回転数、室外風量、運転電流及び室外熱交温度等である。更に他の運転履歴データとしては、例えば、吐出温度、圧縮機温度、膨張弁開度、放熱器温度、起動失敗履歴、異常停止履歴、応急運転履歴、タイムスタンプ、空気調和機ＩＤ、設置場所や施設種類等である。業務用の空気調和機では、ＡＩが各装置の故障やメンテナンスの必要性を予測するため、例えば、故障予測に使用する空気調和機内の各部品レベルの運転状況や履歴を蓄積し、故障の予兆をＡＩで判定する。上記に加えて、業務用の空気調和機に必要な運転履歴データは、例えば、故障予測に使用するデータである。尚、空気調和機に使用する圧縮機やファンモータの回転数等は空気調和機の停止中は停止し、各々の運転履歴データが発生しないため、例えば、圧縮機回転数、室外風量、運転電流及び室外熱交温度等のデータは空気調和機の停止中は取得しないものとする。

操作履歴データは、室内機２に対する利用者の操作履歴を示すものである。たとえば、操作履歴データには、変更された設定温度、風量、風速等が含まれる。

収集パターンメモリ１２０Ｂは、学習モデルと、この学習モデルの生成に使用する運転履歴データとを対応付けた収集パターン１２０ＢＢを記憶するメモリである。図６は、収集パターンのデータ構造の一例を示す図である。図６に示すように、収集パターン１２０ＢＢは、学習モデル識別情報と、項目の項番とが対応付けられている。学習モデル識別情報は、生成した学習モデルを一意に識別する情報である。学習対象の項番は、学習モデルを生成する場合に用いる、運転履歴データの項目を一意に識別する情報である。たとえば、学習モデルを生成する場合に用いる、運転履歴データの項目は、「学習項目」の一例である。

たとえば、学習モデル識別情報「Ｅ００１」の学習モデルを生成する場合には、図６で説明した全項目のうち、項番「１～７」の項目のデータを用いて、生成されることを示す。学習モデル識別情報「Ｅ００２」の学習モデルを生成する場合には、図６で説明した全項目のうち、項番「１～１１」の項目のデータを用いて、生成されることを示す。学習モデル識別情報「Ｅ００３」の学習モデルを生成する場合には、図６で説明した全項目のうち、項番「１～１５」の項目のデータを用いて、生成されることを示す。

モデルメモリ１２０Ｃは、学習部１３０Ｃにより生成された学習モデルを記憶する。図７は、モデルメモリのデータ構造の一例を示す図である。図７に示すように、モデルメモリ１２０Ｃは、学習モデル識別情報と、学習モデルとを対応付ける。

サーバ装置１００のＣＰＵ１３０は、キュー管理部１３１と、学習部１３２と、通知部１３３とを有する。

キュー管理部１３１は、アダプタ５０から学習用データを受信する。キュー管理部１３１は、受信した学習用データを受信した順番にキュー１２０Ａにエンキューする処理部である。たとえば、図４のステップＳ１０、Ｓ１１で説明したように、学習用データ１０－５を受信すると、学習用データ１０－５を学習用データ１０－４の後ろにエンキューする。

学習部１３２は、学習ＶＭ１３２ａ、学習ＶＭ１３２ｂ、学習ＶＭ１３２ｃを有する。学習ＶＭ１３２ａ～１３２ｃは、キュー１２０Ａに格納された学習用データをデキューし、デキューした学習用データを基にして、学習モデルを生成する。学習ＶＭ１３２ａ～１３２ｃが学習する学習モデルの学習モデル識別情報は、学習ＶＭ１３２ａ～１３２ｃに予め割り当てられているものとする。たとえば、学習ＶＭ１３２ａには、学習モデル識別情報「Ｅ００１」が割り当てられ、学習ＶＭ１３２ａには、学習モデル識別情報「Ｅ００２」が割り当てられ、学習ＶＭ１３２ｂには、学習モデル識別情報「Ｅ００３」が割り当てられているものとする。学習ＶＭ１３２ａ～１３２ｃは、新しい学習モデルを生成する場合には、新たな学習モデル識別情報を生成する。

学習ＶＭ１３２ａは、キュー１２０Ａに格納された学習用データをデキューし、デキューした学習用データの運転履歴データの全項目のうち、収集パターン１２０Ｂに定義された学習対象の項番「１～７」に対応する項目のデータを用いて、学習モデル識別情報「Ｅ００１」の学習モデルを生成する。学習ＶＭ１３２ａは、デキューした学習用データを用いた学習モデルの生成が終了すると、再度、キュー１２０Ａに格納された学習用データをデキューして、上記処理を繰り返し実行する。学習ＶＭ１３２ａは、生成した学習モデルによって、モデルメモリ１２０Ｃに記憶された前回の学習モデルを更新する。

学習ＶＭ１３２ｂは、キュー１２０Ａに格納された学習用データをデキューし、デキューした学習用データの運転履歴データの全項目のうち、収集パターン１２０Ｂに定義された学習対象の項番「１～１１」に対応する項目のデータを用いて、学習モデル識別情報「Ｅ００２」の学習モデルを生成する。学習ＶＭ１３２ｂは、デキューした学習用データを用いた学習モデルの生成が終了すると、再度、キュー１２０Ａに格納された学習用データをデキューして、上記処理を繰り返し実行する。学習ＶＭ１３２ｂは、生成した学習モデルによって、モデルメモリ１２０Ｃに記憶された前回の学習モデルを更新する。

学習ＶＭ１３２ｃは、キュー１２０Ａに格納された学習用データをデキューし、デキューした学習用データの運転履歴データの全項目のうち、収集パターン１２０Ｂに定義された学習対象の項番「１～７」に対応する項目のデータを用いて、学習モデル識別情報「Ｅ００１」の学習モデルを生成する。学習ＶＭ１３２ｃは、デキューした学習用データを用いた学習モデルの生成が終了すると、再度、キュー１２０Ａに格納された学習用データをデキューして、上記処理を繰り返し実行する。学習ＶＭ１３２ｃは、生成した学習モデルによって、モデルメモリ１２０Ｃに記憶された前回の学習モデルを更新する。

通知部１３０Ｅは、モデルメモリ１２０Ｃに格納された各学習モデルを、アダプタ５０に送信する処理部である。

次に、本実施例に係るサーバ装置１００のキュー管理部１３１の動作について説明する。図８は、本実施例に係るキュー管理部の処理動作の一例を示すフローチャートである。図８に示すように、サーバ装置１００のキュー管理部１３１は、学習用データをアダプタ５０から受信したか否かを判定する（ステップＳ１０１）。キュー管理部１３１は、学習用データをアダプタ５０から受信していない場合には（ステップＳ１０１，Ｎｏ）、再度ステップＳ１０１に移行する。

一方、キュー管理部１３１は、学習用データをアダプタ５０から受信した場合には（ステップＳ１０１，Ｙｅｓ）、アダプタ５０から受信した学習用データをキュー１２０Ａにエンキューする（ステップＳ１０２）。

キュー管理部１３１は、処理を継続する場合には（ステップＳ１０３，Ｙｅｓ）、ステップＳ１０１に移行する。キュー管理部１３１は、処理を継続しない場合には（ステップＳ１０３，Ｎｏ）、処理を終了する。

続いて、学習部１３２に含まれる学習ＶＭ１３２ａ～１３２ｃの動作について説明する。一例として、学習ＶＭ１３２ａの動作について説明する。学習ＶＭ１３２ｂ，１３２ｃの動作は、学習ＶＭ１３２ａの動作と同様であるため、説明を省略する。図９は、本実施例に係る学習ＶＭの処理動作の一例を示すフローチャートである。

学習ＶＭ１３２ａは、キュー１２０Ａから学習用データをデキューする（ステップＳ２０１）。学習ＶＭ１３２ａは、学習用データを用いて学習モデルを生成する（ステップＳ２０２）。学習ＶＭ１３２ａは、学習モデルの生成が終了した場合に、生成した学習モデルを、モデルメモリ１２０Ｃに記憶する（ステップＳ２０３）。

学習ＶＭ１３２ａは、処理を継続する場合には（ステップＳ２０４，Ｙｅｓ）、ステップＳ２０１に移行する。学習ＶＭ１３２ａは、処理を継続しない場合には（ステップＳ２０４，Ｎｏ）、処理を終了する。

以上説明したように、本実施例に係るサーバ装置１００は、アダプタ５０から受信する学習用データをキュー１２０Ａにエンキューし、各学習ＶＭ１３２ａ～１３２ｃは、キュー１２０Ａから、学習用データをデキューして、学習モデルを生成する。このように、各学習ＶＭ１３２ａ～１３２ｃは、学習用データの生成が終わると、キュー１２０Ａから学習用データをデキューするため、学習処理時間にバラツキがあっても、学習ＶＭに待ち時間を生じさせることがない。

各学習ＶＭ１３２ａ～１３２ｃは、学習モデルを生成する場合に、収集パターン１２０Ｂを基にして、生成する学習モデルに対応する学習用データを、運転履歴データの全項目のデータから取得する。これによって、それぞれ異なる学習モデルを生成する場合も、学習モデル毎に、学習用データを格納する必要が無くなり、メモリ資源を有効に活用できる。

ところで、図３で説明したキュー管理部１３１は、アダプタ５０から学習用データを受信した順番で、学習用データをキュー１２０Ａにエンキューしていたが、これに限定されるものでは無い。以下では、キュー管理部１３１のその他の処理１～３について説明する。

キュー管理部１３１のその他の処理１について説明する。その他の処理１では、キュー管理部１３１が受信する学習用データに、室内機２に対する操作回数の情報が付与されているものとする。たとえば、キュー管理部１３１は、一定期間（たとえば１分）、アダプタ５０から受信する複数の学習用データを一旦保持し、保持した複数の学習用データのうち、操作回数の多い学習用データを優先して、キュー１２０Ａにエンキューする。キュー管理部１３１は、一定期間毎に、上記処理を繰り返し実行する。

キュー管理部１３１のその他の処理２について説明する。その他の処理１では、キュー管理部１３１が受信する学習用データに、室内機２の固有情報（ＭＡＣアドレス等）が付与されているものとする。たとえば、キュー管理部１３１は、一定期間（たとえば１分）、アダプタ５０から受信する複数の学習用データを一旦保持し、保持した複数の学習用データのうち、高い優先順位が設定されているＭＡＣアドレスが付与された学習用データを優先して、キュー１２０Ａにエンキューする。キュー管理部１３１は、一定期間毎に、上記処理を繰り返し実行する。各ＭＡＣアドレスの優先順位は、事前に設定されているものとする。

キュー管理部１３１のその他の処理３について説明する。その他の処理１では、キュー管理部１３１が受信する学習用データに、室内機２周辺の天気予報の情報が付与されているものとする。たとえば、キュー管理部１３１は、所定の条件を満たす、天気予報の情報に付与された学習用データのみを選択して、キュー１２０Ａにエンキューする。所定の条件とは、気温が一定温度以上となるという条件、または、一定温度未満となるという条件である。または、外気温の変動が閾値以上であるとうい条件である。所定の条件は、事前に設定されているものとする。

ところで、アダプタ５０は、室内機２の運転履歴データ等を中継装置６経由でサーバ装置１００に送信する場合を例示したが、運転履歴データ等を中継装置６を経由することなく、そのまま、サーバ装置１００に送信しても良く、適宜変更可能である。

また、図示した各部の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各部の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。

更に、各装置で行われる各種処理機能は、ＣＰＵ（Central Processing Unit）（又はＭＰＵ（Micro Processing Unit）、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部又は任意の一部を実行するようにしても良い。また、各種処理機能は、ＣＰＵ（又はＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行するプログラム上、又はワイヤードロジックによるハードウェア上で、その全部又は任意の一部を実行するようにしても良いことは言うまでもない。

１ 空気調和システム
２Ａ，２Ｂ，２Ｃ 室内機
３Ａ，３Ｂ，３Ｃ 本体
４Ａ，４Ｂ，４Ｃ 制御部
５０Ａ，５０Ｂ，５０Ｃ アダプタ
５１ 第１の通信部
５２ 第２の通信部
５３，１２０ 記憶部
５３Ａ 運転履歴メモリ
５３Ｂ、１２０Ｃ モデルメモリ
５３Ｃ 外部メモリ
５４，１３０ ＣＰＵ
５４Ａ 取得部
５４Ｂ 送信部
５４Ｃ 受信部
５４Ｄ 設定部
５４Ｅ 予測制御部
１００ サーバ装置
１２０Ａ キュー
１２０Ｂ 収集パターンメモリ
１３１ キュー管理部
１３２ 学習部
１３２ａ，１３２ｂ，１３２ｃ 学習ＶＭ
１３３ 通知部

Claims (6)

1. 空気調和機を制御する制御部が用いる学習モデルの生成に用いられ、複数の学習項目に対する運転履歴情報と操作情報とのデータセットを含む学習用データを収集するアダプタから、前記学習用データを取得する度に、取得した順番に基づいて、前記学習用データを、先入れ先出しのメモリとなるキューに格納するキュー管理部と、
   前記キューに格納された複数の学習用データのうち、先頭に格納された学習用データを取り出して学習モデルに対する学習処理を実行し、学習処理が完了したとき、前記キューの先頭に格納された学習用データを取り出して学習処理を繰り返し実行する複数の学習部と
   を有することを特徴とするサーバ装置。
2. 前記複数の学習部は、前記キューの先頭に格納された学習用データを取り出す際に、学習処理の対象となる学習モデル固有の学習項目に対応するデータセットを取り出し、取り出したデータセットを学習用データとして前記学習モデルの学習処理を実行することを特徴とする請求項１に記載のサーバ装置。
3. 前記アダプタから取得する複数の学習用データは、前記空気調和機に対する操作回数の情報がそれぞれ付与され、前記キュー管理部は、前記操作回数の情報を基にして、前記複数の学習用データを前記キューに格納する順番を制御することを特徴とする請求項１または２に記載のサーバ装置。
4. 前記アダプタから取得する複数の学習用データは、前記空気調和機の識別情報がそれぞれ付与され、前記キュー管理部は、前記識別情報を基にして、前記複数の学習用データを前記キューに格納する順番を制御することを特徴とする請求項１、２または３に記載のサーバ装置。
5. 前記アダプタから取得する複数の学習用データは、前記空気調和機の設置された地域の天気予報の情報が付与され、前記キュー管理部は、前記天気予報の情報を基にして、前記複数の学習用データのうち、前記キューに格納する学習用データを選択することを特徴とする請求項１～４のいずれか一つに記載のサーバ装置。
6. コンピュータが、
   空気調和機を制御する制御部が用いる学習モデルの生成に用いられ、複数の学習項目に対する運転履歴情報と操作情報とのデータセットを含む学習用データを収集するアダプタから、前記学習用データを取得する度に、取得した順番に基づいて、前記学習用データを先入れ先出しのメモリとなるキューに格納するステップと、
   前記キューに格納された複数の学習用データのうち、先頭に格納された学習用データを取り出して学習モデルに対する学習処理を実行し、学習処理が完了したとき、前記キューの先頭に格納された学習用データを取り出して学習処理を繰り返し実行する複数の学習ＶＭ（Virtual Machine）を実行するステップと
   を実行することを特徴とする学習方法。

Images