JP2021042893A - パーソナル空調機器の制御装置、パーソナル空調システム及びプログラム - Google Patents

Abstract

【課題】ユーザの申告が無くても、ユーザの好みの吹出風量に合うように予測モデルを更新でき、しかも、ユーザの好みに対する吹出風量の精度を向上させることができるようにする。【解決手段】パーソナル空調機器の制御装置２０は、ユーザの代謝状態が高代謝状態である場合のデータであって、パーソナル空調機器１４の設置環境の温度及び湿度並びにパーソナル空調機器１４の吹出温度及び吹出風量と、ユーザの代謝量との関係を表すデータを蓄積する高代謝状態データ記録部６６と、蓄積されたデータを用いて機械学習を実行し、ユーザのための予測モデルを更新する機械学習部６８とを備える。制御装置２０は、ユーザの代謝状態が高代謝状態である場合には、予測モデルを用い、パーソナル空調機器１４の設置環境の温度及び湿度と、パーソナル空調機器の吹出温度と、ユーザの代謝量の各々のデータに基づいて、パーソナル空調機器１４の吹出風量を制御する。【選択図】図２

Description

本発明は、パーソナル空調機器の制御装置、パーソナル空調システム及びプログラムに関する。

従来、機械学習により構築された予測モデルを用い、空調機器が設置された環境の温度及び湿度並びに空調機器の吹出温度等の条件に基づいて空調機器の吹出風量等を制御する空調機器の制御装置がある（例えば、特許文献１、２参照）。この従来の制御装置では、空調機器の吹出風量等がユーザの好みに合わない場合に、ユーザが申告すると、この申告時のデータが蓄積される。そして、この蓄積されたデータを用いて機械学習が実行され、予測モデルが更新される。

特開平６−９４２９２号公報 特開２０１８−９７７０号公報

しかしながら、従来の制御装置では、例えば、ユーザの好みの吹出風量に合うように予測モデルを更新するためには、ユーザの申告が必要であり煩わしい。また、この種の制御装置では、ユーザの好みに対する吹出風量の精度向上が要求される。

本発明は、上記事情に鑑みてなされたものであり、ユーザの申告が無くても、ユーザの好みの吹出風量に合うように予測モデルを更新でき、しかも、ユーザの好みに対する吹出風量の精度を向上させることができるようにすることを目的とする。

請求項１に記載のパーソナル空調機器の制御装置は、パーソナル空調機器を使用するユーザの代謝量に基づいて、前記ユーザの代謝状態が予め定められた高代謝状態であるか否かを判定する代謝状態判定部と、前記ユーザの代謝状態が前記高代謝状態である場合のデータであって、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度及び吹出風量と、前記ユーザの代謝量との関係を表すデータを蓄積する記録部と、前記記録部に蓄積されたデータを用いて機械学習を実行し、前記ユーザのための予測モデルを更新する機械学習部と、前記ユーザの代謝状態が前記高代謝状態である場合に、前記予測モデルを用い、前記パーソナル空調機器の設置環境の温度及び湿度と、前記パーソナル空調機器の吹出温度と、前記ユーザの代謝量の各々のデータに基づいて、前記パーソナル空調機器の吹出風量を制御する制御部と、を備える。

このパーソナル空調機器の制御装置によれば、パーソナル空調機器を使用するユーザの代謝状態が予め定められた高代謝状態であるか否かが代謝状態判定部で判定される。また、ユーザの代謝状態が高代謝状態である場合には、この高代謝状態である場合のデータであって、パーソナル空調機器の設置環境の温度及び湿度並びにパーソナル空調機器の吹出温度及び吹出風量と、ユーザの代謝量との関係を表すデータが記録部に蓄積される。そして、機械学習部では、記録部に蓄積されたデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザの申告が無くても、ユーザの好みの吹出風量に合うように予測モデルを更新できる。

しかも、このパーソナル空調機器の制御装置によれば、上述の通り、ユーザの代謝状態が高代謝状態である場合のデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザの代謝状態が高代謝状態である場合に予測モデルを用いて吹出風量の制御を行うときには、ユーザの代謝状態が高代謝状態である場合のデータのみが反映されるので、ユーザの好みに対する吹出風量の精度を向上させることができる。

請求項２に記載のパーソナル空調機器の制御装置は、請求項１に記載のパーソナル空調機器の制御装置において、前記代謝状態判定部が、一定期間における前記ユーザの動きの加速度の平均値を算出することによって前記ユーザの代謝量を検出する。

このパーソナル空調機器の制御装置によれば、代謝量と相関が高く、また、制御対象である吹出風量とも相関が高い、一定期間におけるユーザの動きの加速度の平均値を算出することによって代謝量が検出される。したがって、代謝量の検出精度、ひいては、ユーザの好みに対する吹出風量の精度を向上させることができる。

請求項３に記載のパーソナル空調機器の制御装置は、請求項１又は請求項２に記載のパーソナル空調機器の制御装置において、前記記録部としての第一記録部と、前記制御部としての第一制御部と、前記ユーザの代謝状態が前記高代謝状態よりも低い安定状態である場合のデータであって、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度と、前記パーソナル空調機器の吹出風量との関係を表すデータを蓄積する第二記録部と、前記ユーザの代謝状態が前記安定状態である場合に、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度の各々のデータに基づいて、前記第二記録部に蓄積されたデータを統計処理し、前記統計処理の結果に基づいて前記パーソナル空調機器の吹出風量を制御する第二制御部と、を備える。

このパーソナル空調機器の制御装置によれば、ユーザの代謝状態が安定状態である場合には、この安定状態である場合のデータに基づいて統計処理される。したがって、ユーザの代謝状態が安定状態である場合に統計処理を用いて吹出風量の制御を行うときには、ユーザの代謝状態が安定状態である場合のデータのみが反映されるので、ユーザの好みに対する吹出風量の精度を向上させることができる。

請求項４に記載のパーソナル空調システムは、パーソナル空調機器と、前記パーソナル空調機器の設置環境の温度及び湿度を検出する環境センサと、前記パーソナル空調機器を使用するユーザの代謝量を検出する代謝量センサと、前記パーソナル空調機器を制御する制御装置と、を備え、前記制御装置は、パーソナル空調機器を使用するユーザの代謝量に基づいて、前記ユーザの代謝状態が予め定められた高代謝状態であるか否かを判定する代謝状態判定部と、前記ユーザの代謝状態が前記高代謝状態である場合のデータであって、前記環境センサによって検出された温度及び湿度並びに前記パーソナル空調機器の吹出温度及び吹出風量と、前記代謝量センサによって検出された代謝量との関係を表すデータを蓄積する記録部と、前記記録部に蓄積されたデータを用いて機械学習を実行し、前記ユーザのための予測モデルを更新する機械学習部と、前記ユーザの代謝状態が前記高代謝状態である場合に、前記予測モデルを用い、前記環境センサによって検出された温度及び湿度と、前記パーソナル空調機器の吹出温度と、前記代謝量センサによって検出された代謝量の各々のデータに基づいて、前記パーソナル空調機器の吹出風量を制御する制御部と、を有する。

このパーソナル空調システムによれば、パーソナル空調機器を使用するユーザの代謝状態が予め定められた高代謝状態であるか否かが代謝状態判定部で判定される。また、ユーザの代謝状態が高代謝状態である場合には、この高代謝状態である場合のデータであって、パーソナル空調機器の設置環境の温度及び湿度並びにパーソナル空調機器の吹出温度及び吹出風量と、ユーザの代謝量との関係を表すデータが記録部に蓄積される。そして、機械学習部では、記録部に蓄積されたデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザの申告が無くても、ユーザの好みの吹出風量に合うように予測モデルを更新できる。

しかも、このパーソナル空調システムによれば、上述の通り、ユーザの代謝状態が高代謝状態である場合のデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザの代謝状態が高代謝状態である場合に予測モデルを用いて吹出風量の制御を行うときには、ユーザの代謝状態が高代謝状態である場合のデータのみが反映されるので、ユーザの好みに対する吹出風量の精度を向上させることができる。

請求項５に記載のプログラムは、パーソナル空調機器を使用するユーザの代謝量に基づいて、前記ユーザの代謝状態が予め定められた高代謝状態であるか否かを判定する代謝状態判定ステップと、前記ユーザの代謝状態が前記高代謝状態である場合のデータであって、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度及び吹出風量と、前記ユーザの代謝量との関係を表すデータを蓄積する記録ステップと、前記記録部に蓄積されたデータを用いて機械学習を実行し、前記ユーザのための予測モデルを更新する機械学習ステップと、前記ユーザの代謝状態が前記高代謝状態である場合に、前記予測モデルを用い、前記パーソナル空調機器の設置環境の温度及び湿度と、前記パーソナル空調機器の吹出温度と、前記ユーザの代謝量の各々のデータに基づいて、前記パーソナル空調機器の吹出風量を制御する制御ステップと、をコンピュータに実行させるためのプログラムである。

このプログラムによれば、パーソナル空調機器を使用するユーザの代謝状態が予め定められた高代謝状態であるか否かが代謝状態判定部で判定される。また、ユーザの代謝状態が高代謝状態である場合には、この高代謝状態である場合のデータであって、パーソナル空調機器の設置環境の温度及び湿度並びにパーソナル空調機器の吹出温度及び吹出風量と、ユーザの代謝量との関係を表すデータが記録部に蓄積される。そして、機械学習部では、記録部に蓄積されたデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザの申告が無くても、ユーザの好みの吹出風量に合うように予測モデルを更新できる。

しかも、このプログラムによれば、上述の通り、ユーザの代謝状態が高代謝状態である場合のデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザの代謝状態が高代謝状態である場合に予測モデルを用いて吹出風量の制御を行うときには、ユーザの代謝状態が高代謝状態である場合のデータのみが反映されるので、ユーザの好みに対する吹出風量の精度を向上させることができる。

以上詳述したように、本発明によれば、ユーザの申告が無くても、ユーザの好みの吹出風量に合うように予測モデルを更新でき、しかも、ユーザの好みに対する吹出風量の精度を向上させることができる。

本発明の一実施形態に係るパーソナル空調システムの全体構成図であって、制御装置をハードウェア構成によって示す図である。 本発明の一実施形態に係るパーソナル空調システムの全体構成図であって、制御装置をデータ記録処理の機能ブロックによって示す図である。 本発明の一実施形態に係るパーソナル空調システムの全体構成図であって、制御装置を制御処理の機能ブロックによって示す図である。 制御装置で実行されるデータ記録処理の流れを示すフローチャートである。 制御装置で実行される制御処理の流れを示すフローチャートである。 （Ａ）は、高代謝状態データ記録部の記録データの第一例を示す表であり、（Ｂ）は、予測処理部の入力データに対する出力データの第一例を示す表である。 （Ａ）は、高代謝状態データ記録部の記録データの第二例を示す表であり、（Ｂ）は、予測処理部の入力データに対する出力データの第二例を示す表である。 図６、図７のデータをまとめたグラフである。 （Ａ）、（Ｂ）は、安定状態データ記録部の記録データの一例を示す表であり、（Ｃ）は、統計処理部の入力データに対する出力データの一例を示す表である。

以下、本発明の一実施形態を説明する。

図１には、本発明の一実施形態に係るパーソナル空調システム１０の全体構成が示されている。図１に示されるように、本実施形態に係るパーソナル空調システム１０は、パーソナル空調機器１４と、環境センサ１６と、ウェアラブル端末１８と、制御装置２０とを備える。

パーソナル空調機器１４は、ユーザ２２が使用する座席２４に対応して設置されており、ユーザ２２が個別に使用するものである。このパーソナル空調機器１４は、座席２４に着席するユーザ２２に対して空調空気２６を吹き出す構成とされている。また、このパーソナル空調機器１４は、ユーザ２２によって吹出温度及び吹出風量を任意に設定することが可能となっており、ユーザ２２によって吹出温度及び吹出風量が設定されると、この設定された吹出温度及び吹出風量のデータを出力する構成とされている。

環境センサ１６は、パーソナル空調機器１４の設置環境（例えば、建物の室内におけるパーソナル空調機器１４の近辺）に設けられる。この環境センサ１６は、温度センサ２８と、湿度センサ３０とを有する。温度センサ２８は、設置環境の温度として室内温度を検出し、湿度センサ３０は、設置環境の湿度として室内湿度を検出する。この環境センサ１６は、温度センサ２８及び湿度センサ３０で検出した室内温度及び室内湿度のデータを出力する構成とされている。

ウェアラブル端末１８は、例えば、腕時計型とされており、ユーザ２２に装着される。このウェアラブル端末１８は、加速度センサ３２と、ユーザ情報出力部３４とを有する。加速度センサ３２は、ユーザ２２の動きに伴ってウェアラブル端末１８に作用する加速度を検出し、この加速度のデータを出力する構成とされている。この加速度センサ３２は、「代謝量センサ」の一例である。ユーザ情報出力部３４は、ユーザ２２を識別するためのユーザ情報を記憶しており、このユーザ情報を出力する構成とされている。

制御装置２０は、パーソナル空調機器１４、環境センサ１６及びウェアラブル端末１８から出力されたデータに基づいてパーソナル空調機器１４の吹出風量を制御するものである。図１には、制御装置２０のハードウェア構成が示されている。

この制御装置２０は、ハードウェア構成として、入出力インターフェース３８と、ＣＰＵ（Central Processing Unit）４０と、ＲＯＭ（Read Only Memory）４２と、ＲＡＭ（Random Access Memory）４４と、不揮発性メモリ４６を有している。ＣＰＵ４０は、「コンピュータ」の一例である。

入出力インターフェース３８と、ＣＰＵ４０と、ＲＯＭ４２と、ＲＡＭ４４と、不揮発性メモリ４６とは、バス４８を介して相互に通信可能に接続されている。不揮発性メモリ４６には、パーソナル空調機器１４の吹出風量を制御するためのプログラム５０が記憶されている。このプログラム５０は、データ記録処理のためのプロセスと、制御処理のためのプロセスとを有する。

図２には、データ記録処理を実行する制御装置２０の機能ブロックが示されている。図２に示されるように、制御装置２０は、データ記録処理を実行する機能部として、データ取得部６０と、データ記録部６２と、代謝状態判定部６４と、高代謝状態データ記録部６６と、機械学習部６８と、予測モデル記憶部７０と、安定状態データ記録部７２とを有する。

データ取得部６０と、代謝状態判定部６４と、機械学習部６８は、図１に示されるＣＰＵ４０がプログラム５０を実行することにより実現される。一方、データ記録部６２と、高代謝状態データ記録部６６と、予測モデル記憶部７０と、安定状態データ記録部７２は、図１に示される不揮発性メモリ４６によって形成される。高代謝状態データ記録部６６は、「記録部」及び「第一記録部」の一例であり、安定状態データ記録部７２は、「第二記録部」の一例である。

図３には、制御処理を実行する制御装置２０の機能ブロックが示されている。図３に示されるように、制御装置２０は、制御処理を実行する機能部として、データ取得部８０と、ユーザ判定部８２と、代謝状態判定部８４と、予測処理部９０と、統計処理部９２と、デフォルト処理部９４とを有する。

データ取得部８０と、ユーザ判定部８２と、代謝状態判定部８４と、予測処理部９０と、統計処理部９２と、デフォルト処理部９４は、図１に示されるＣＰＵ４０がプログラム５０を実行することにより実現される。予測処理部９０は、「制御部」及び「第一制御部」の一例であり、統計処理部９２は、「第二制御部」の一例である。

次に、本実施形態に係るパーソナル空調機器の制御方法について説明する。

なお、以下の説明において、パーソナル空調システム１０の構成については、上述の図１〜図３を適宜参照することにする。図４には、制御装置２０で実行されるデータ記録処理の流れが示されている。データ記録処理では、以下のステップＳ１〜ステップＳ７が実行される。

ステップＳ１では、温度センサ２８によって検出された室内温度と、湿度センサ３０によって検出された室内湿度と、加速度センサ３２によって検出された加速度と、パーソナル空調機器１４の吹出温度及び吹出風量（設定値）の各々のデータがデータ取得部６０によって取得される。また、ユーザ情報出力部３４から出力されたユーザ情報も、データ取得部６０によって取得される。

ステップＳ２では、データ取得部６０で取得されたデータがユーザ情報と関連付けてデータ記録部６２に記録される。また、このとき、データ取得部６０で取得されたデータは、パーソナル空調機器１４の起動時間毎にデータ記録部６２に記録される。

ステップＳ３では、代謝状態判定部６４によって、データ記録部６２に記録された一定期間におけるユーザ２２の動きの加速度の平均値が算出され、この算出された平均値によってユーザ２２の代謝量が検出される。そして、この検出された代謝量に基づいて、ユーザ２２の代謝状態が予め定められた高代謝状態であるか否かが代謝状態判定部６４によって判定される。

本実施形態では、一例として、データ記録部６２に記録された過去３０分間の加速度の平均値が予め定められた規定値以上で、かつ、パーソナル空調機器１４が起動してから３０分以内である場合に、ユーザ２２の代謝状態が高代謝状態であると判定される。このステップＳ３は、「代謝状態判定ステップ」の一例である。

ここで、ステップＳ３において、ユーザ２２の代謝状態が高代謝状態であると判定された場合には、ステップＳ４に移行する。

ステップＳ４では、ユーザ２２の代謝状態が高代謝状態である場合のデータであって、室内温度及び室内湿度並びにパーソナル空調機器１４の吹出温度及び吹出風量（設定値）と、ユーザ２２の代謝量との関係を表すデータがパーソナル空調機器１４の起動時間毎に高代謝状態データ記録部６６に蓄積される。このステップＳ４は、「記録ステップ」の一例である。

ステップＳ５では、機械学習部６８によって、高代謝状態データ記録部６６に蓄積されたデータを用いて機械学習が実行され、ユーザ２２のための予測モデルが更新される。このステップＳ５は、「機械学習ステップ」の一例である。予測モデルには、例えば、サポートベクター回帰（ＳＶＲ：Support Vector Regression）や、ニューラルネットワーク等が用いられる。

ステップＳ６では、機械学習部６８によって更新された予測モデルが予測モデル記憶部７０に記憶される。

一方、ステップＳ３において、ユーザ２２の代謝状態が高代謝状態よりも低い安定状態であると判定された場合には、ステップＳ７に移行する。

ステップＳ７では、ユーザ２２の代謝状態が安定状態である場合のデータであって、室内温度及び室内湿度並びにパーソナル空調機器１４の吹出温度と、パーソナル空調機器１４の吹出風量との関係を表すデータが安定状態データ記録部７２に蓄積される。

以上のステップＳ１〜ステップＳ７は、データ取得部６０でデータが取得される毎に実行される。

図５には、制御装置２０で実行される制御処理の流れが示されている。制御処理では、以下のステップＳ１１〜ステップＳ１６が実行される。

ステップＳ１１では、温度センサ２８によって検出された室内温度と、湿度センサ３０によって検出された室内湿度と、加速度センサ３２によって検出された加速度と、パーソナル空調機器１４の吹出温度及び吹出風量（設定値）の各々のデータがデータ取得部８０によって取得される。また、ユーザ情報出力部３４から出力されたユーザ情報も、データ取得部８０によって取得される。

ステップＳ１２では、ユーザ判定部８２によって、データ取得部８０で取得されたユーザ情報が読み出され、このユーザ情報に基づいて、データ記録部６２に記録されたデータから、ユーザ２２が過去にパーソナル空調機器１４の吹出風量を変更操作したことがある人であるか否かが判定される。

ここで、ステップＳ１２において、ユーザ２２が過去にパーソナル空調機器１４の吹出風量を変更操作したことがある人ではないと判定された場合には、ステップＳ１３に移行する。

ステップＳ１３では、デフォルト処理部９４によってデフォルト処理が実行される。すなわち、デフォルト処理として、パーソナル空調機器１４の吹出風量が予め定められた吹出風量（デフォルト値）に制御される。

一方、ステップＳ１２において、ユーザ２２が過去にパーソナル空調機器１４の吹出風量を変更操作したことがある人であると判定された場合には、ステップＳ１４に移行する。

ステップＳ１４は、上述のステップＳ３と同様である。このステップＳ１４では、データ記録部６２に記録された一定期間におけるユーザ２２の動きの加速度の平均値が算出され、この算出された平均値によってユーザ２２の代謝量が検出される。そして、この検出された代謝量に基づいて、ユーザ２２の代謝状態が予め定められた高代謝状態であるか否かが代謝状態判定部８４によって判定される。

ここで、ステップＳ１４において、ユーザ２２の代謝状態が高代謝状態であると判定された場合には、ステップＳ１５に移行する。

ステップＳ１５では、予測処理部９０によって、予測モデル記憶部７０に記憶された予測モデルが読み出され、この予測モデルを用い、パーソナル空調機器１４の起動時間と、室内温度及び室内湿度と、パーソナル空調機器１４の吹出温度と、ユーザ２２の代謝量の各々の直近のデータに基づいて、パーソナル空調機器１４の吹出風量（予測値）が算出される。そして、この算出された吹出風量にパーソナル空調機器１４が制御される。このステップＳ１５は、「制御ステップ」の一例である。

一方、ステップＳ１４において、ユーザ２２の代謝状態が高代謝状態よりも低い安定状態であると判定された場合には、ステップＳ１６に移行する。

ステップＳ１６では、統計処理部９２によって、室内温度及び室内湿度並びにパーソナル空調機器１４の吹出温度の各々の直近のデータに基づいて、安定状態データ記録部７２に蓄積されたデータが統計処理される。そして、この統計処理の結果に基づいてパーソナル空調機器１４の吹出風量が制御される。

次に、本実施形態の作用及び効果について説明する。

以上詳述した通り、本実施形態によれば、パーソナル空調機器１４を使用するユーザ２２の代謝状態が予め定められた高代謝状態であるか否かが代謝状態判定部６４で判定される（ステップＳ３）。また、ユーザ２２の代謝状態が高代謝状態である場合には、この高代謝状態である場合のデータであって、室内温度及び室内湿度並びにパーソナル空調機器１４の吹出温度及び吹出風量と、ユーザ２２の代謝量との関係を表すデータが高代謝状態データ記録部６６に蓄積される（ステップＳ４）。そして、機械学習部６８では、記録部に蓄積されたデータを用いて機械学習が実行され、予測モデルが更新される（ステップＳ５）。したがって、ユーザ２２の申告が無くても、ユーザ２２の好みの吹出風量に合うように予測モデルを更新できる。

しかも、本実施形態によれば、上述の通り、ユーザ２２の代謝状態が高代謝状態である場合のデータを用いて機械学習が実行され、予測モデルが更新される。したがって、ユーザ２２の代謝状態が高代謝状態である場合に予測モデルを用いて吹出風量の制御を行うときには（ステップＳ１５）、ユーザ２２の代謝状態が高代謝状態である場合のデータのみが反映されるので、ユーザ２２の好みに対する吹出風量の精度を向上させることができる。

また、本実施形態によれば、代謝量と相関が高く、また、制御対象である吹出風量とも相関が高い、一定期間におけるユーザ２２の動きの加速度の平均値を算出することによって代謝量が検出される（ステップＳ３）。したがって、代謝量の検出精度、ひいては、ユーザ２２の好みに対する吹出風量の精度を向上させることができる。

さらに、本実施形態によれば、ユーザ２２の代謝状態が安定状態である場合には、この安定状態である場合のデータに基づいて統計処理される（ステップＳ８、ステップＳ１６）。したがって、ユーザ２２の代謝状態が安定状態である場合に統計処理を用いて吹出風量の制御を行うときには、ユーザ２２の代謝状態が安定状態である場合のデータのみが反映されるので、ユーザ２２の好みに対する吹出風量の精度を向上させることができる。

次に、第一実施形態の変形例について説明する。

上記実施形態では、好ましい例として、一定期間におけるユーザ２２の加速度の平均値から代謝量が算出されるが、代謝量は、一定期間におけるユーザ２２の動きの加速度の平均値以外によって算出されてもよい。

次に、実施例について説明する。

図６（Ａ）には、高代謝状態データ記録部６６の記録データ（起動時間、室内温度、室内湿度、吹出温度、代謝量、吹出風量の設定値）の第一例が示されており、図６（Ｂ）には、予測処理部９０の入力データ（起動時間、室内温度、室内湿度、吹出温度、代謝量）に対する出力データ（吹出風量の予測値）の第一例が示されている。吹出風量の設定値は、ユーザ２２が設定した好みの値である。

また、図７（Ａ）には、高代謝状態データ記録部６６の記録データ（起動時間、室内温度、室内湿度、吹出温度、代謝量、吹出風量の設定値）の第二例が示されており、図７（Ｂ）には、予測処理部９０の入力データ（起動時間、室内温度、室内湿度、吹出温度、代謝量）に対する出力データ（吹出風量の予測値）の第二例が示されている。

図８は、図６、図７のデータをまとめたグラフである。図８の縦軸は吹出風量の値を示し、図８の横軸は起動時間を示している。

図６〜図８に示されるように、本実施形態によれば、ユーザ２２の代謝状態が高代謝状態である場合のデータを用いて予測モデルが更新され、この予測モデルを用いて吹出風量の制御を行うので、吹出風量の設定値に近い吹出風量の予測値を得ることができる。

図９（Ａ）、（Ｂ）には、安定状態データ記録部７２の記録データ（室内温度、室内湿度、吹出温度、吹出風量の設定値）の一例が示されており、図９（Ｃ）には、統計処理部９２の入力データ（室内温度、室内湿度、吹出温度）に対する出力データ（吹出風量の出力値）の一例が示されている。

図９に示されるように、本実施形態によれば、ユーザ２２の代謝状態が安定状態である場合のデータを用いて統計処理が実行され、この統計処理の結果に基づいて吹出風量の制御を行うので、吹出風量の設定値に近い吹出風量の出力値を得ることができる。

以上、本発明の一実施形態について説明したが、本発明は、上記に限定されるものでなく、上記以外にも、その主旨を逸脱しない範囲内において種々変形して実施可能であることは勿論である。

１０ パーソナル空調システム
１４ パーソナル空調機器
１６ 環境センサ
１８ ウェアラブル端末
２０ 制御装置
２２ ユーザ
２８ 温度センサ
３０ 湿度センサ
３２ 加速度センサ（代謝量センサの一例）
４０ ＣＰＵ（コンピュータの一例）
５０ プログラム
６４ 代謝状態判定部
６６ 高代謝状態データ記録部（記録部及び第一記録部の一例）
６８ 機械学習部
７０ 予測モデル記憶部
７２ 安定状態データ記録部（第二記録部の一例）
９０ 予測処理部（制御部及び第一制御部の一例）
９２ 統計処理部（第二制御部の一例）

Claims (5)

1. パーソナル空調機器を使用するユーザの代謝量に基づいて、前記ユーザの代謝状態が予め定められた高代謝状態であるか否かを判定する代謝状態判定部と、
   前記ユーザの代謝状態が前記高代謝状態である場合のデータであって、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度及び吹出風量と、前記ユーザの代謝量との関係を表すデータを蓄積する記録部と、
   前記記録部に蓄積されたデータを用いて機械学習を実行し、前記ユーザのための予測モデルを更新する機械学習部と、
   前記ユーザの代謝状態が前記高代謝状態である場合に、前記予測モデルを用い、前記パーソナル空調機器の設置環境の温度及び湿度と、前記パーソナル空調機器の吹出温度と、前記ユーザの代謝量の各々のデータに基づいて、前記パーソナル空調機器の吹出風量を制御する制御部と、
   を備えるパーソナル空調機器の制御装置。
2. 前記代謝状態判定部は、一定期間における前記ユーザの動きの加速度の平均値を算出することによって前記ユーザの代謝量を検出する、
   請求項１に記載のパーソナル空調機器の制御装置。
3. 前記記録部としての第一記録部と、
   前記制御部としての第一制御部と、
   前記ユーザの代謝状態が前記高代謝状態よりも低い安定状態である場合のデータであって、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度と、前記パーソナル空調機器の吹出風量との関係を表すデータを蓄積する第二記録部と、
   前記ユーザの代謝状態が前記安定状態である場合に、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度の各々のデータに基づいて、前記第二記録部に蓄積されたデータを統計処理し、前記統計処理の結果に基づいて前記パーソナル空調機器の吹出風量を制御する第二制御部と、
   を備える請求項１又は請求項２に記載のパーソナル空調機器の制御装置。
4. パーソナル空調機器と、
   前記パーソナル空調機器の設置環境の温度及び湿度を検出する環境センサと、
   前記パーソナル空調機器を使用するユーザの代謝量を検出する代謝量センサと、
   前記パーソナル空調機器を制御する制御装置と、
   を備え、
   前記制御装置は、
   パーソナル空調機器を使用するユーザの代謝量に基づいて、前記ユーザの代謝状態が予め定められた高代謝状態であるか否かを判定する代謝状態判定部と、
   前記ユーザの代謝状態が前記高代謝状態である場合のデータであって、前記環境センサによって検出された温度及び湿度並びに前記パーソナル空調機器の吹出温度及び吹出風量と、前記代謝量センサによって検出された代謝量との関係を表すデータを蓄積する記録部と、
   前記記録部に蓄積されたデータを用いて機械学習を実行し、前記ユーザのための予測モデルを更新する機械学習部と、
   前記ユーザの代謝状態が前記高代謝状態である場合に、前記予測モデルを用い、前記環境センサによって検出された温度及び湿度と、前記パーソナル空調機器の吹出温度と、前記代謝量センサによって検出された代謝量の各々のデータに基づいて、前記パーソナル空調機器の吹出風量を制御する制御部と、
   を有する、
   パーソナル空調システム。
5. パーソナル空調機器を使用するユーザの代謝量に基づいて、前記ユーザの代謝状態が予め定められた高代謝状態であるか否かを判定する代謝状態判定ステップと、
   前記ユーザの代謝状態が前記高代謝状態である場合のデータであって、前記パーソナル空調機器の設置環境の温度及び湿度並びに前記パーソナル空調機器の吹出温度及び吹出風量と、前記ユーザの代謝量との関係を表すデータを記録部に蓄積する記録ステップと、
   前記記録部に蓄積されたデータを用いて機械学習を実行し、前記ユーザのための予測モデルを更新する機械学習ステップと、
   前記ユーザの代謝状態が前記高代謝状態である場合に、前記予測モデルを用い、前記パーソナル空調機器の設置環境の温度及び湿度と、前記パーソナル空調機器の吹出温度と、前記ユーザの代謝量の各々のデータに基づいて、前記パーソナル空調機器の吹出風量を制御する制御ステップと、
   をコンピュータに実行させるためのプログラム。

Images