制冷循环装置、制冷剂泄漏检测系统以及信息处理装置的制作方法

1.本发明的实施方式涉及制冷循环装置、制冷剂泄漏检测系统以及信息处理装置。
背景技术：
：：2.在使从压缩机排出的制冷剂通过凝结器、电子膨胀阀(例如促动器)、蒸发器而返回到压缩机的制冷循环中，由于制冷剂所通过的配管的松弛、各构成部件的恶化等，有时制冷剂会泄漏。在通过膨胀阀开度对蒸发器(低压侧)的气体化量进行自动控制的情况下，如果制冷剂泄漏，则为了维持制冷剂的流量，膨胀阀开度变大。因此，作为对制冷剂的泄漏进行检测的方法，可以考虑利用膨胀阀开度的方法。3.然而，一般来说，在空调机的电子膨胀阀的流量特性中存在制造误差、设置环境等所引起的个体差。因此，即使膨胀阀开度相同，也存在制冷剂的流量在不同的个体中不同的情况。因而，如果对于全部电子膨胀阀使用统一的阈值，则有时发生制冷剂泄漏的误检测、漏检测。4.本发明的实施方式的目的在于通过考虑电子膨胀阀的个体差而高精度地检测制冷剂的泄漏。5.现有技术文献6.专利文献7.专利文献1：国际公开第2015/125509号技术实现要素：8.发明要解决的课题9.本发明是考虑上述情况而完成的，其目的在于提供能够通过考虑电子膨胀阀的个体差而高精度地检测制冷剂的泄漏的制冷循环装置、制冷剂泄漏检测系统以及信息处理装置。10.用于解决课题的手段11.本发明的实施方式的制冷循环装置为了解决上述课题，具有空调机、多个传感器、开度预测部、预测误差计算部、预测误差校正部以及泄漏检测部。空调机具有压缩机、凝结器、电子膨胀阀以及蒸发器。多个传感器分别检测出空调机的排出气体温度、吸入气体温度、蒸发压力、凝结压力。开度预测部以规定的采样间隔基于多个传感器的输出和压缩机的运行频率(日文：運転周波数)，求出假定空调机正常运行时的电子膨胀阀的预测开度。预测误差计算部以规定的采样间隔从预测开度中减去电子膨胀阀的实测开度，由此求出预测误差。预测误差校正部使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个预测误差。此外，预测误差校正部求出作为偏移计算用的多个预测误差的平均值的偏移值，从当前的预测误差中减去偏移值，由此求出并输出校正预测误差。泄漏检测部基于校正预测误差对空调机的制冷剂泄漏进行检测。12.此外，在实施方式的制冷循环装置中，偏移(offset)计算用的多个预测误差服从正态分布，预测误差校正部可以根据预测误差的总体平均(日文：母平均)相对于样本平均的误差的允许范围来确定采样次数。13.此外，在实施方式的制冷循环装置中，预测误差校正部也可以将校正预测误差的规定期间的移动平均作为校正预测误差输出。14.此外，在实施方式的制冷循环装置中，泄漏检测部也可以当预测误差校正部所输出的校正预测误差以次数阈值以上的判定次数连续地大于检测阈值时，检测为空调机的制冷剂泄漏。15.此外，在实施方式的制冷循环装置中，开度预测部也可以预先将多个其他空调机的多个传感器的输出和压缩机的运行频率作为输入侧的学习用数据，将该学习用数据所对应的多个其他空调机正常运行时的电子膨胀阀的实测开度作为监督数据(日文：教師データ)来构建泛化学习完毕模型。此时，开度预测部通过对泛化学习完毕模型输入空调机的当前的多个传感器的输出和当前的压缩机的运行频率，生成假定空调机正常运行时的当前的预测开度。16.此外，在实施方式的制冷循环装置中，开度预测部也可以将第二规定的采样次数的量的空调机的多个传感器的输出以及压缩机的运行频率的数据作为输入侧的学习用数据，将该学习用数据所对应的空调机正常运行时的电子膨胀阀的实测开度作为监督数据，使泛化学习完毕模型进行再学习，更新泛化学习完毕模型的参数，由此构建空调机的专用学习完毕模型。此时，开度预测部通过对专用学习完毕模型输入空调机的当前的多个传感器的输出和当前的压缩机的运行频率，生成假定空调机正常运行时的当前的预测开度。17.此外，为了解决上述课题，本发明的实施方式的制冷剂泄漏检测系统具备：制冷循环装置，包括空调机以及多个传感器，所述空调机具有压缩机、凝结器、电子膨胀阀和蒸发器，所述多个传感器分别检测出该空调机的排出气体温度、吸入气体温度、蒸发压力、及凝结压力；以及信息处理装置，经由网络以能够通信的方式与该制冷循环装置连接，制冷剂泄漏检测系统的特征在于，制冷循环装置和信息处理装置具有：开度预测部，以规定的采样间隔基于多个传感器的输出和压缩机的运行频率，求出假定空调机正常运行时的电子膨胀阀的预测开度；预测误差计算部，以规定的采样间隔从预测开度中减去电子膨胀阀的实测开度，由此求出预测误差；预测误差校正部，使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个预测误差，求出作为该偏移计算用的多个预测误差的平均值的偏移值，从当前的预测误差中减去偏移值，由此求出并输出校正预测误差；以及泄漏检测部，基于校正预测误差对空调机的制冷剂泄漏进行检测。18.此外，为了解决上述课题，本发明的实施方式的信息处理装置经由网络从空调机的制冷循环装置取得空调机的运行数据，空调机包括具有压缩机、凝结器、电子膨胀阀以及蒸发器，信息处理装置的特征在于，具有开度预测部。开度预测部预先将多个其他空调机的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机的运行频率作为输入侧的学习用数据，将该学习用数据所对应的多个其他空调机正常运行时的电子膨胀阀的实测开度作为监督数据来构建泛化学习完毕模型，经由网络将该泛化学习完毕模型提供给空调机。此外，开度预测部经由网络从空调机取得多个采样次数的量的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机的运行频率作为输入侧的学习用数据，并且经由网络从空调机取得该学习用数据所对应的空调机正常运行时的电子膨胀阀的实测开度作为监督数据，将该取得的数据作为训练数据集使泛化学习完毕模型进行再学习，更新泛化学习完毕模型的参数，由此构建空调机的专用学习完毕模型，经由网络将该专用学习完毕模型或者更新后的参数提供给空调机。此时，制冷循环装置具有：调节机侧开度预测部，对从开度预测部接受的专用学习完毕模型、或者将更新后的参数应用于泛化学习完毕模型而生成的专用学习完毕模型输入空调机的当前的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机的运行频率，由此以规定的采样间隔生成假定空调机正常运行时的当前的预测开度；预测误差计算部，以规定的采样间隔从预测开度中减去电子膨胀阀的实测开度，由此求出预测误差；预测误差校正部，使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个预测误差，求出作为该偏移计算用的多个预测误差的平均值的偏移值，从当前的预测误差中减去偏移值，由此求出并输出校正预测误差；以及泄漏检测部，基于校正预测误差对空调机的制冷剂泄漏进行检测。19.发明效果20.根据本发明，能够通过考虑电子膨胀阀的个体差而高精度地检测制冷剂的泄漏。附图说明21.图1是表示本发明的一个实施方式的制冷剂泄漏检测系统的一个构成例的框图。22.图2是表示本实施方式的处理电路的一个构成例的说明图。23.图3是表示预测误差δpmv的一个例子的说明图。24.图4是表示通过利用处理电路的处理器来考虑电子膨胀阀的个体差而高精度地检测制冷剂的泄漏时的顺序的一个例子的流程图。25.图5是表示由电子膨胀阀的个体差引起的预测误差分布的偏差的一个例子的说明图。26.图6是用于对基于预测误差校正部的使用偏移值的预测误差δpmv的校正处理进行说明的图。27.图7是表示校正预测误差δpmv_corr与其移动平均值δpmv_ave的关系的一个例子的说明图。28.图8是表示基于校正预测误差δpmv_corr或者δpmv_ave的制冷剂泄漏检测方法的一个例子的说明图。29.图9是表示基于开度预测部的泛化学习完毕模型的学习时的数据流程的一个例子的说明图。30.图10是表示基于开度预测部的泛化学习完毕模型的运用时的数据流程的一个例子的说明图。31.图11是表示基于开度预测部的专用学习完毕模型的学习时的数据流程的一个例子的说明图。32.图12是表示基于开度预测部的专用学习完毕模型的运用时的数据流程的一个例子的说明图。具体实施方式33.参照附图，对本发明的制冷循环装置、制冷剂泄漏检测系统以及信息处理装置的实施方式进行说明。34.图1是表示本发明的一个实施方式的制冷剂泄漏检测系统1的一个构成例的框图。制冷剂泄漏检测系统1具有相互经由网络100连接的制冷循环装置10和信息处理装置101。35.制冷循环装置10包括作为检测制冷剂泄漏的对象的空调机11、存储电路12、网络连接电路13和处理电路14。如图1所示，空调机11具有压缩机21、凝结器22、电子膨胀阀23以及蒸发器24。36.压缩机21、凝结器22、电子膨胀阀23以及蒸发器24通过制冷剂配管被依次连接，构成制冷剂以环状循环的制冷循环。作为制冷剂，例如能够使用r410a或者r32等。37.压缩机21吸入制冷剂，将所吸入的制冷剂压缩并以高温高压状态排出。从压缩机21排出的高温高压的制冷剂通过凝结器22进行热交换，由此进行散热而凝结。凝结的制冷剂通过电子膨胀阀23被减压，成为低温低压状态。成为低温低压的制冷剂通过蒸发器24进行热交换，由此进行蒸发而被冷却。进行蒸发而气体化的制冷剂经由未图示的储液器返回到压缩机21。38.在压缩机21的排出侧的制冷剂配管设置有排出温度传感器31和排出压力传感器32。在凝结器22的输出侧的制冷剂配管设置有凝结压力传感器33。在蒸发器24的输入侧的制冷剂配管设置有蒸发压力传感器34。在压缩机21的吸入侧的制冷剂配管设置有吸入温度传感器35和吸入压力传感器36。这些传感器31-36的检测值被输入到处理电路14。处理电路14基于传感器31-36的检测值对压缩机21的运行频率以及电子膨胀阀23的开度进行控制。另外，制冷循环装置10可以还具备其他传感器，例如，可以在凝结器22的输出侧的制冷剂配管设置凝结温度传感器，也可以在蒸发器24的输入侧的制冷剂配管设置蒸发温度传感器。39.电子膨胀阀23包括促动器。电子膨胀阀23的开度被控制为使制冷剂的流量保持恒定。具体而言，电子膨胀阀23的开度被自动控制为根据蒸发器24的气体压力推断的制冷剂的饱和气体温度(蒸发温度)与压缩机21的紧前的吸入气体温度(吸入温度)之间的差分(过热度)成为规定温度(例如10度)。可通过对电子膨胀阀23的开度进行控制来控制蒸发器24的气体化量。40.由于制冷剂所通过的配管的松弛、各构成部件的恶化等，有时制冷剂会泄漏。如果制冷剂泄漏，则与泄漏位置无关，电子膨胀阀23的入口侧的液体密度降低。在这种情况下，为了将制冷剂的膨胀阀流量保持恒定而维持上述气体温度差，膨胀阀的开度变大，以使得制冷剂的流出面积增大。41.因而，对未发生制冷剂泄漏的正常动作时的膨胀阀开度进行预测，将假定该正常动作而预测的当前的膨胀阀开度(以下称作正常动作预测开度)与当前的实际的膨胀阀开度(以下称作实测开度)比较，由此能够对制冷剂的泄漏进行检测。另一方面，在电子膨胀阀23的流量特性中存在个体差。因此，如果不考虑该个体差而求出正常动作预测开度，则有时发生制冷剂泄漏的误检测、漏检测。因此，本实施方式的处理电路14考虑电子膨胀阀23的个体差来对制冷剂泄漏进行检测。之后，使用图2-12对处理电路14的构成以及动作进行叙述。42.存储电路12例如具有包括ram(randomaccessmemory：随机存取存储器)、闪存等半导体存储元件、硬盘、光盘等能够通过处理器进行读取的记录介质的构成，存储处理电路14所利用的程序、参数数据、其他数据。另外，存储电路12的记录介质内的程序以及数据的一部分或者全部可以通过经由网络100的通信从包括信息处理装置101的他机下载，也可以经由光盘等移动型存储介质提供给存储电路12。43.网络连接电路13安装与网络100的方式相应的各种信息通信用协议。网络连接电路13根据该各种协议经由网络100与信息处理装置101连接。网络100是指利用了电子通信技术的全部信息通信网，除了包括无线/有线lan、因特网以外，还包括电话通信线路网、光纤通信网络、线缆通信网络以及卫星通信网络等。44.图2是表示本实施方式的处理电路14的一个构成例的说明图。45.处理电路14实现将制冷循环装置10统一控制的功能。处理电路14是通过读出并执行存储于存储电路12的程序，考虑电子膨胀阀23的个体差，由此执行用于高精度地检测制冷剂的泄漏的处理的处理器。46.如图2所示，处理电路14的处理器实现取得部141、开度预测部142、预测误差计算部143、预测误差校正部144以及泄漏检测部145。这些各部的各功能分别以程序的方式存储于存储电路12。47.取得部141分别从排出温度传感器316取得排出的气体温度，从吸入温度传感器35取得吸入气体温度，从蒸发压力传感器34取得蒸发压力，从凝结压力传感器33取得凝结压力。48.开度预测部142以规定的采样间隔基于排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机21的运行频率，求出空调机11的正常动作预测开度pmv_pred(假定正常运行时的电子膨胀阀23的预测开度)。49.另外，作为用于求出正常动作预测开度pmv_pred而使用的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机21的运行频率，可以仅使用在最近的采样定时得到的最近的数据，也可以使用利用过去的数据、未来的推定数据而进行了平滑化后的数据。50.由膨胀阀流量控制的动作原理可知，为了对在制冷剂量为恒定的条件下进行过热度(吸入气体温度与蒸发温度的温度差)控制的膨胀阀的开度进行预测而需要的数据至少需要膨胀阀入口的压力、膨胀阀出口的压力、压缩机21的运行频率以及吸入气体温度。可以根据制冷循环的方式、膨胀阀控制的方式来使用其他传感器信息、控制信息。在本实施方式中，示出使用排出气体温度、吸入气体温度、作为膨胀阀出口的压力的蒸发压力、作为膨胀阀入口的压力的凝结压力以及压缩机21的运行频率来求出正常动作预测开度pmv_pred时的例子。51.另外，可以在开度预测处理中例如使用将排出气体温度、吸入气体温度、蒸发压力、凝结压力以及将压缩机21的运行频率与正常动作预测开度pmv_pred建立关联的查找表(lookuptable)、一个函数。这些查找表、一个函数能够基于其他多个空调机的运行数据而生成。52.此外，也可以在开度预测处理中使用通过机器学习构建的学习完毕模型。作为机器学习所使用的数据，例如能够使用其他多个空调机的运行数据。学习完毕模型能够使用神经网络、逻辑回归、决策树、随机森林、svm(支持向量机)、提升(boosting)或者它们的组合等各种机器学习方法。此外，作为机器学习，也可以使用cnn(卷积神经网络)、卷积深度置信网络(cdbn：convolutionaldeepbeliefnetwork)等使用多层的神经网络的深度学习。之后，使用图9-12来对在开度预测部142所执行的开度预测处理中使用深度学习时的详细情况进行叙述。53.预测误差计算部143以规定的采样间隔从正常动作预测开度pmv_pred中减去电子膨胀阀23的实测开度pmv_fact，由此求出预测误差δpmv。54.图3是表示预测误差δpmv的一个例子的说明图。如图3所示，预测误差计算部143从正常动作预测开度pmv_pred中减去电子膨胀阀23的实测开度pmv_fact，由此求出每个采样定时的预测误差δpmv。另外，作为实测开度pmv_fact，可以仅使用在最近的采样定时得到的最近的数据，也可以使用利用过去的数据、未来的推定数据而进行了平滑化后的数据。55.预测误差校正部144根据规定的采样次数的量的数据求出作为预测误差计算部143所预先求出的偏移计算用的多个预测误差δpmv的平均值的偏移值pmv_offset，从当前的预测误差δpmv中减去偏移值pmv_offset，由此求出并输出考虑了电子膨胀阀23的个体差的校正预测误差δpmv_corr。56.泄漏检测部145基于校正预测误差δpmv_corr对空调机11的制冷剂泄漏进行检测。57.另外，在以下的说明中，对通过制冷循环装置10的处理电路14来实现各部141-145时的例子进行说明，但这些各部141-145的一部分或者全部可以通过与网络100连接的信息处理装置101、云控制台、服务器、工件站等与制冷循环装置10独立的、至少具有处理器以及存储电路的外部的装置来实现。信息处理装置101以及云控制台是专利权利要求所记载的信息处理装置的一个例子。58.图4是表示通过处理电路14的处理器来考虑电子膨胀阀23的个体差而高精度地检测制冷剂的泄漏时的顺序的一个例子的流程图。在图4中，对s附加了数字的附图标记表示流程图的各步骤。59.首先，在步骤s1中，预测误差校正部144以预先规定的样品容量(samplesize)预先求出偏移计算用的多个预测误差δpmv，求出作为该偏移计算用的多个预测误差δpmv的平均值的偏移值pmv_offset。60.图5是表示由电子膨胀阀23的个体差引起的预测误差分布的偏差的一个例子的说明图。如上所述，可在开度预测处理中使用由其他多个空调机的运行数据生成的查找表、函数、基于机器学习的学习完毕模型等。61.因此，在假定电子膨胀阀23中不存在个体差的情况下，开度预测部142能够基于空调机11的当前的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机21的运行频率，通过开度预测处理来大致准确地求出正常动作预测开度pmv_pred。在这种情况下，正常动作预测开度pmv_pred与电子膨胀阀23的实测开度pmv_fact大致一致，因此，当预测误差δpmv服从正态分布时，预测误差δpmv的平均成为零(参照图5的虚线的直方图)。62.但是，实际上，在电子膨胀阀23中，即使是同一规格的产品也存在个体差。因此，例如，在膨胀阀a中，在阀开度为150步数(日文：パルス)、阀差压为0.1mpa时以251/分钟的流量流动，另一方面，在膨胀阀b中，在阀开度为150步数、阀差压为0.1mpa时以351/分钟的流量流动等，即使开度相同，也存在制冷剂的流量在不同的个体中不同的情况。63.因此，开度预测部142通过开度预测处理求出的正常动作预测开度pmv_pred对于电子膨胀阀23的实测开度pmv_fact包含与个体差相应的偏差。这是指在预测误差δpmv服从正态分布时，预测误差δpmv的平均成为与个体差相应的偏移值pmv_offset(参照图5的实线的直方图)。64.因此，预测误差校正部144对预先规定的采样次数的量的预测误差δpmv进行平均，预先求出电子膨胀阀23固有的偏移值pmv_offset。65.在空调机11正常地动作的情况下，用于求出预测误差δpmv的平均的采样次数越多，则偏移值pmv_offset越接近真值。但是，采样次数越多，则越需要长时间的运行，在数据收集期间内以制冷剂泄漏为代表设备发生故障的可能性越高，与偏移值pmv_offset真值大幅偏离的可能性越高。66.在本实施方式中，以统计分析的观点如以下那样对在推断偏移值pmv_offset时所需要的最低限度的规定的采样次数n进行定义。67.设预测误差δpmv的总体(日文：母集団)的平均值(总体平均)为电子膨胀阀的个体差的真值(pmv_offset的真值)，可以预先决定根据总体使用什么程度的样本数来计算出样本平均才能使总体平均与样本平均的误差在允许范围。而且，预测误差校正部144可以将预测误差δpmv的总体平均(pmv_offset的真值)相对于样本平均(pmv_offset)的误差的允许范围y作为基准来确定规定的采样次数。68.假定预测误差δpmv服从正态分布，将信度系数设为k％，将t值设为h，将具有平均值的样本比率设为p％，将预测误差δpmv的总体平均(pmv_offset的真值)相对于样本平均(pmv_offset)的误差的允许范围设为y时，规定的采样次数n按照下式进行定义。69.[数学式1][0070][0071]例如，当将信度系数k设为99％时，t值h为2.58，当将样本比率p设为50％时，通过式(1)成为n＝(2.58/y)^2。在这种情况下，当将允许范围y设为10％时，采样次数n为666。因此，通过采样666次以上而计算出偏移值pmv_offset，能够以与pmv_offset的真值之间的误差为10％以下的方式推断偏移值pmv_offset。这相当于在膨胀阀开度的预测值中，在预计最大+50步数左右的个体差导致的测定误差的情况下，即使与偏移值的真值偏离5步数左右也是允许的。[0072]如此，通过根据总体平均与样本平均的误差的允许范围y来确定规定的采样次数n，能够不浪费而高效地进行采样。[0073]接着，在步骤2中，预测误差计算部143从开度预测部142所求出的当前的正常动作预测开度pmv_pred中减去电子膨胀阀23的当前的实测开度pmv_fact，由此求出当前的预测误差δpmv(参照图3)。[0074]图6是用于对基于预测误差校正部144的使用偏移值的预测误差δpmv的校正处理进行说明的图。[0075]在预测误差计算部143所计算出的当前的预测误差δpmv中包含与个体差相应的偏移值pmv_offset部分的偏差。[0076]因此，在步骤s3中，预测误差校正部144从当前的预测误差δpmv中减去预先求出的电子膨胀阀23所固有的偏移值pmv_offset，由此求出考虑了电子膨胀阀23的个体差的校正预测误差δpmv_corr。[0077]校正预测误差δpmv_corr成为排除了由预测误差δpmv所含的个体差带来的影响后的值。因此，在使用校正预测误差δpmv_corr来对制冷剂泄漏进行检测的情况下，与使用预测误差δpmv的情况相比，能够大幅减少误检测、漏检测。[0078]图7是表示校正预测误差δpmv_corr与其移动平均值δpmv_ave的关系的一个例子的说明图。[0079]预测误差校正部144可以求出校正预测误差δpmv_corr的规定区间的移动平均值δpmv_ave，并将该值作为校正预测误差输出。在这种情况下，泄漏检测部145基于校正预测误差的移动平均值δpmv_ave对空调机11的制冷剂泄漏进行检测。[0080]在压缩机21的运行频率急剧地变化、吸入气体温度变化之前存在时滞的情况等制冷循环的运行数据在过渡的状态下变得不稳定的情况下，会发生校正预测误差δpmv_corr的值瞬间变大而偏差。在这种情况下，存在校正预测误差δpmv_corr的值短期地超过检测阈值，误检测到制冷剂泄漏的情况。通过使用校正预测误差的移动平均值δpmv_ave来对制冷剂泄漏进行判断，能够减少由制冷循环的运行数据的短期的不稳定带来的影响。图7中示出了使用每3次采样次数的移动平均时的例子。[0081]接着，在步骤s4中，泄漏检测部145对预测误差校正部144所输出的校正预测误差δpmv_corr或者δpmv_ave是否大于检测阈值进行判定。进而，泄漏检测部145对预测误差校正部144所输出的校正预测误差δpmv_corr或者δpmv_ave是否以次数阈值以上的判定次数连续地大于检测阈值进行判定。当校正预测误差以次数阈值以上的判定次数连续地大于检测阈值时，判定为发生了制冷剂泄漏，进入步骤s5。另一方面，当校正预测误差以次数阈值以上的判定次数连续地小于次数阈值时，返回步骤s2。[0082]校正预测误差δpmv_corr或者δpmv_ave是否大于检测阈值的判定定时可以是每个采样定时，也可以是每多个采样定时、每规定时间(例如每1小时等)。[0083]图8是表示基于校正预测误差δpmv_corr或者δpmv_ave的制冷剂泄漏检测方法的一个例子的说明图。[0084]即使在制冷剂泄漏以外的制冷循环异常中，也存在膨胀阀开度成为与正常时不同的开度而满足检测阈值条件的情况。因此，即使校正预测误差仅有一次成为检测阈值以上，也会不能将其他突发的异常与制冷剂泄漏区分开，难以断定发生了制冷剂泄漏。[0085]另一方面，当从制冷剂配管的任一处开始泄漏制冷剂时，只要不进行修理制冷剂泄漏状态的恶化也会发展。即，制冷剂泄漏是具有不可逆性和发展性(日文：進行性)的制冷循环异常。因此，当满足制冷剂泄漏判断的检测闘值条件时，以后会连续地满足该条件。[0086]因此，泄漏检测部145判定预测误差校正部144所输出的校正预测误差δpmv_corr或者δpmv_ave是否以次数阈值以上(例如10次以上等)的采样次数连续地大于检测阈值。[0087]次数阈值可以根据制冷剂泄漏判定的频率(日文：頻度)来设定适当的值，例如，在每1小时进行一次的判定频率时，如果将次数阈值设为10，则在校正预测误差10小时连续地超过检测阈值时，判定为制冷剂泄漏。图8中示出了次数阈值为3时的例子。[0088]然后，在步骤s5中，泄漏检测部145将表示检测到制冷剂泄漏的信息经由未图示的扬声器进行语音输出，或者在未图示的显示装置中以图像的形式显示。此外，泄漏检测部145也可以经由网络连接电路13呼叫维修人员。另外，这里，“语音”是指通过被听众识别为人声的声音来读出文本数据的声音。此外，“声音”除了包括“语音”以外，还包括“音乐”、“效果音(蜂鸣音等)”等。[0089]通过以上的顺序，通过考虑电子膨胀阀23的个体差而高精度地检测制冷剂的泄漏。[0090]接着，使用图9-12，对开度预测部142在开度预测处理中使用深度学习的方法进行说明。[0091]如上所述，开度预测部142能够使用在开度预测处理中基于其他多个空调机的运行数据生成的查找表、一个函数。但是，在使用查找表、一个函数的情况下，对于运行状态的表现力存在极限，在制冷循环为不稳定的状态(过渡状态)下，有时预测精度会变低。因此，开度预测部142优选使用通过深度学习而构建的学习完毕模型来进行开度预测处理。通过使用这种学习完毕模型，可得到与将多个函数叠加而进行计算等同的效果，函数的表现力显著提高，能够大幅提高制冷循环在不稳定的状态下的预测精度。[0092]图9是表示基于开度预测部142的泛化学习完毕模型50的学习时的数据流程的一个例子的说明图。[0093]开度预测部142通过使用多个训练数据集来进行深度学习，依次地更新参数数据52。另外，在构建用于检测制冷剂泄漏的学习完毕模型的情况下，神经网络为3层以上即可，例如可以为4层。[0094]另外，如果他机的个体数为100个左右、采样间隔为1分钟左右，则神经网络的学习用数据量能够高精度地学习100万条记录(日文：レコード)左右。在层数和学习用数据量过多、他机的个体数过少的情况下，有时可能陷入过度学习而失去通用性。[0095]多个训练数据集的各个训练数据集由学习用数据41与监督数据42的组构成。学习用数据41是至少包括在正常动作时分别从多个其他空调机(以下称作他机)取得的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机的运行频率的他机的运行数据411、412、413、……。监督数据42是他机的运行数据411、412、413、……所对应的正常动作时的实测开度421、422、423、……。[0096]开度预测部142每当被提供训练数据集时，进行所谓的学习，上述学习是指不断更新参数数据52以使得通过神经网络51对学习用数据41进行处理而得到的结果接近监督数据42。一般来说，当参数数据52的变化比例收敛在阈值以内时，学习被判断为结束。以下，将学习后的参数数据52特别地称作学习完毕参数数据52t。神经网络51和学习完毕参数数据52t构成泛化学习完毕模型50。[0097]另外，注意学习用数据的种类与图4所示的运用时的输入数据的种类应该一致。例如，在记录有数据的情况下，可以汇集输入运行数据的时间序列数据作为学习用数据，但在这种情况下，在运用时也汇集输入运行数据的时间序列数据。在无法处理数据的记录的情况下，可以使用循环型神经网络(rnn，recurrentneuralnetwork)来构建学习完毕模型，以使得依次输入时间序列的一系列的运行数据，输出正常动作预测开度。[0098]图10是表示基于开度预测部142的泛化学习完毕模型50的运用时的数据流程的一个例子的说明图。在运用时，开度预测部142被输入作为制冷剂泄漏检测的对象的空调机11(以下称作本机)的运行数据61，使用泛化学习完毕模型50来生成正常动作预测开度pmv_pred62。[0099]神经网络51以程序的形式存储于存储电路12。学习完毕参数数据52t可以存储于存储电路12，也可以经由网络100存储于与处理电路14连接的存储介质。在泛化学习完毕模型50(神经网络51和学习完毕参数数据52t)存储于存储电路12的情况下，通过处理电路14的处理器来实现的开度预测部142通过从存储电路12读出并执行泛化学习完毕模型50，能够基于运行数据61生成正常动作预测开度pmv_pred。[0100]此外，泛化学习完毕模型50可以通过asic(applicationspecificintegratedcircuit：专用集成电路)、fpga(fieldprogrammablegatearray：现场可编程门阵列)等集成电路来构建。[0101]此外，通过具备处理器和存储电路的信息处理装置101、云控制台等外部装置，至少可以在开度预测部142中实现泛化学习完毕模型50的构建功能。例如，在利用信息处理装置101的情况下，信息处理装置101的构建功能构建泛化学习完毕模型50(参照图9)，将所构建的泛化学习完毕模型50存储于制冷循环装置10的存储电路12。在将学习委托给外部装置的情况下，能够通过制冷循环装置10来利用计算处理能力较高的装置，能够减少制冷循环装置10的计算负荷。[0102]此外，外部装置也可以经由网络100从空调机11取得空调机11的运行数据，外部装置使用泛化学习完毕模型50而生成正常动作预测开度pmv_pred并提供给空调机11。[0103]通过使用由深度学习根据多个他机的运行数据构建的泛化学习完毕模型50，与使用查找表、一个函数的情况相比，能够进行包括复杂的动态行为的函数化，能够获得高精度的正常动作预测开度pmv_pred。[0104]泛化学习完毕模型50可使用多个他机的运行数据来构建。因此，泛化学习完毕模型50所输出的正常动作预测开度pmv_pred成为忽略了电子膨胀阀23的个体差的通用的值。[0105]因此，为了构建考虑了电子膨胀阀23的个体差的学习完毕模型，可以使用作为制冷剂泄漏的检知对象的空调机11(本机)的运行数据来使泛化学习完毕模型50进行再学习。[0106]图11是表示基于开度预测部142的专用学习完毕模型50r的学习时的数据流程的一个例子的说明图。[0107]在使泛化学习完毕模型50进行再学习时，学习用数据71是至少包括在本机的正常动作时取得的多个采样次数的量的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及压缩机21的运行频率的本机的运行数据711、712、713、……。监督数据72是本机的运行数据711、712、713，……所对应的正常动作时的实测开度721、722、723，……。[0108]开度预测部142每当被提供基于本机的运行数据的训练数据集时，不断更新泛化学习完毕模型50的参数数据52t，以使得通过神经网络51对学习用数据71进行处理而得到的结果接近监督数据72，由此获得专用学习完毕参数数据52tr。神经网络51和专用学习完毕参数数据52tr构成专用学习完毕模型50。[0109]通过利用泛化学习完毕模型50，能够大幅减少专用学习完毕模型50的构建所需的训练数据集数。[0110]图12是表示基于开度预测部142的专用学习完毕模型50r的运用时的数据流程的一个例子的说明图。在运用时，开度预测部142被输入本机的运行数据81，能够使用专用学习完毕模型50r来生成精度比正常动作预测开度pmv_pred高的校正正常动作预测开度pmv_corr82。[0111]专用学习完毕模型50r可以与泛化学习完毕模型50同样地通过信息处理装置101、云控制台等外部装置的构建功能来实现。例如，在利用信息处理装置101的情况下，经由网络100从空调机11取得多个采样次数的量的运行数据和电子膨胀阀23的实测开度，将该取得的数据作为训练数据集使泛化学习完毕模型50进行再学习，由此构建空调机11的专用学习完毕模型50r。在这种情况下，信息处理装置101将专用学习完毕模型50r存储于制冷循环装置10的存储电路12。此外，在这种情况下，在制冷循环装置10的存储电路12中已经存储有泛化学习完毕模型50(神经网络51和学习完毕参数数据52t)的情况下，信息处理装置101可以仅将专用学习完毕参数数据52tr提供给制冷循环装置10，用专用学习完毕参数数据52tr置换存储于存储电路12的学习完毕参数数据52t。[0112]此外，外部装置可以经由网络100从空调机11取得空调机11的运行数据，外部装置使用专用学习完毕模型50r来生成校正正常动作预测开度pmv_corr并提供给空调机11。[0113]如以上说明那样，根据本发明，能够通过考虑电子膨胀阀的个体差而高精度地检测制冷剂的泄漏。[0114]另外，在上述实施方式中，“处理器”这一术语例如是指专用或者通用的cpu(centralprocessingunit：中央处理器)、gpu(graphicsprocessingunit：图形处理器)或者专用集成电路(applicationspecificintegratedcircuit：asic)、可编程逻辑器件(例如简单可编程逻辑器件(simpleprogrammablelogicdevice：spld)、复杂可编程逻辑器件(complexprogrammablelogicdevice：cpld)以及现场可编程门阵列(fieldprogrammablegatearray：fpga))等电路。在处理器例如为cpu的情况下，处理器通过读出并执行存储于存储电路的程序来实现各种功能。此外，在处理器例如为asic的情况下，代替在存储电路中保存程序，相当于该程序的功能被直接装入到处理器的电路内作为逻辑电路。在这种情况下，处理器通过读出并执行被装入到电路内的程序的硬件处理来实现各种功能。或者，此外，处理器也能够将软件处理与硬件处理组合来实现各种功能。[0115]此外，在上述实施方式中，示出了处理电路的单一的处理器实现各功能时的例子，但也可以将多个独立的处理器组合来构成处理电路，各处理器实现各功能。此外，在设置有多个处理器的情况下，存储程序的存储电路可以按照处理器被分开地设置，也可以是一个存储电路一并存储全部处理器的功能所对应的程序。[0116]说明了几个实施方式，但这些实施方式是作为例子而提示的，并不意图限定发明的范围。这些实施方式能够以其他各种方式实施，在不脱离发明的主旨的范围内能够进行各种省略、置换、变更、实施方式彼此的组合。这些实施方式及其变形与发明的范围及主旨所包含的内容同样地包含于权利要求的范围所记载的发明及其等同的范围内。[0117]附图标记说明[0118]1：制冷剂泄漏检测系统，10：制冷循环装置，11：空调机，12：存储电路，13：网络连接电路，14：处理电路，21：压缩机，22：凝结器，23：电子膨胀阀，24：蒸发器，31：排出温度传感器，32：排出压力传感器，33：凝结压力传感器，34：蒸发压力传感器，35：吸入温度传感器，36：吸入压力传感器，50：泛化学习完毕模型，50r：专用学习完毕模型，51：神经网络，52t：学习完毕参数数据，52tr：专用学习完毕参数数据，6101：信息处理装置，142：开度预测部，143：预测误差计算部，144：预测误差校正部，145：泄漏检测部，pmv_offset：偏移值，pmv_corr：校正正常动作预测开度，pmv_fact：实测开度，pmv_pred：正常动作预测开度，δpmv：预测误差，δpmv_ave：移动平均值，δpmv_corr：校正预测误差。当前第1页12当前第1页12
技术特征：
1.一种制冷循环装置，其特征在于，具备：空调机，具有压缩机、凝结器、电子膨胀阀以及蒸发器；多个传感器，分别检测出所述空调机的排出气体温度、吸入气体温度、蒸发压力、以及凝结压力；开度预测部，以规定的采样间隔基于所述多个传感器的输出和所述压缩机的运行频率，求出假定所述空调机正常运行时的所述电子膨胀阀的预测开度；预测误差计算部，以规定的采样间隔从所述预测开度中减去所述电子膨胀阀的实测开度，由此求出预测误差；预测误差校正部，使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个所述预测误差，求出作为该偏移计算用的多个所述预测误差的平均值的偏移值，从当前的所述预测误差中减去所述偏移值，由此求出并输出校正预测误差；以及泄漏检测部，基于所述校正预测误差对所述空调机的制冷剂泄漏进行检测。2.根据权利要求1所述的制冷循环装置，其特征在于，所述偏移计算用的多个所述预测误差服从正态分布，所述预测误差校正部根据所述预测误差的总体平均相对于样本平均的误差的允许范围来确定所述规定的采样次数。3.根据权利要求1或者2所述的制冷循环装置，其特征在于，所述预测误差校正部将所述校正预测误差的规定期间的移动平均作为所述校正预测误差输出。4.根据权利要求1～3中任一项所述的制冷循环装置，其特征在于，所述泄漏检测部当所述预测误差校正部所输出的所述校正预测误差以次数阈值以上的判定次数连续地大于检测阈值时，检测为所述空调机的制冷剂泄漏。5.根据权利要求1～4中任一项所述的制冷循环装置，其特征在于，所述开度预测部，预先将多个其他空调机的所述多个传感器的输出和所述压缩机的运行频率作为输入侧的学习用数据，将该学习用数据所对应的所述多个其他空调机正常运行时的所述电子膨胀阀的实测开度作为监督数据来构建泛化学习完毕模型，并且通过对所述泛化学习完毕模型输入所述空调机的当前的所述多个传感器的输出和当前的所述压缩机的运行频率，生成假定所述空调机正常运行时的当前的所述预测开度。6.根据权利要求5所述的制冷循环装置，其特征在于，所述开度预测部，将第二规定的采样次数的量的所述空调机的所述多个传感器的输出以及所述压缩机的运行频率的数据作为输入侧的学习用数据，将该学习用数据所对应的所述空调机正常运行时的所述电子膨胀阀的实测开度作为监督数据，使所述泛化学习完毕模型进行再学习，更新所述泛化学习完毕模型的参数，由此构建所述空调机的专用学习完毕模型，并且通过对所述专用学习完毕模型输入所述空调机的当前的所述多个传感器的输出和当前的所述压缩机的运行频率，生成假定所述空调机正常运行时的当前的所述预测开度。7.一种制冷剂泄漏检测系统，具备：制冷循环装置，包括空调机以及多个传感器，所述空调机具有压缩机、凝结器、电子膨
胀阀和蒸发器，所述多个传感器分别检测出该空调机的排出气体温度、吸入气体温度、蒸发压力、及凝结压力；以及信息处理装置，经由网络以能够通信的方式与该制冷循环装置连接，所述制冷剂泄漏检测系统的特征在于，所述制冷循环装置和所述信息处理装置具备：开度预测部，以规定的采样间隔基于所述多个传感器的输出和所述压缩机的运行频率，求出假定所述空调机正常运行时的所述电子膨胀阀的预测开度；预测误差计算部，以规定的采样间隔从所述预测开度中减去所述电子膨胀阀的实测开度，由此求出预测误差；预测误差校正部，使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个所述预测误差，求出作为该偏移计算用的多个所述预测误差的平均值的偏移值，从当前的所述预测误差中减去所述偏移值，由此求出并输出校正预测误差；以及泄漏检测部，基于所述校正预测误差对所述空调机的制冷剂泄漏进行检测。8.一种信息处理装置，经由网络从包括空调机的制冷循环装置取得所述空调机的运行数据，所述空调机具有压缩机、凝结器、电子膨胀阀以及蒸发器，所述信息处理装置的特征在于，具备开度预测部，所述开度预测部，预先将多个其他空调机的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及所述压缩机的运行频率作为输入侧的学习用数据，将该学习用数据所对应的所述多个其他空调机正常运行时的所述电子膨胀阀的实测开度作为监督数据来构建泛化学习完毕模型，经由所述网络将该泛化学习完毕模型提供给所述空调机，并且经由所述网络从所述空调机取得多个采样次数的量的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及所述压缩机的运行频率作为输入侧的学习用数据，并且经由所述网络从所述空调机取得该学习用数据所对应的所述空调机正常运行时的所述电子膨胀阀的实测开度作为监督数据，将该取得的数据作为训练数据集使所述泛化学习完毕模型进行再学习，更新所述泛化学习完毕模型的参数，由此构建所述空调机的专用学习完毕模型，经由所述网络将该专用学习完毕模型或者所述更新后的参数提供给所述空调机，所述制冷循环装置具有：调节机侧开度预测部，对从所述开度预测部接受的所述专用学习完毕模型、或者将所述更新后的参数应用于所述泛化学习完毕模型而生成的所述专用学习完毕模型输入所述空调机的当前的排出气体温度、吸入气体温度、蒸发压力、凝结压力以及所述压缩机的运行频率，由此以规定的采样间隔生成假定所述空调机正常运行时的当前的预测开度；预测误差计算部，以规定的采样间隔从所述预测开度中减去所述电子膨胀阀的实测开度，由此求出预测误差；预测误差校正部，使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个所述预测误差，求出作为该偏移计算用的多个所述预测误差的平均值的偏移值，从当前的所述预测误差中减去所述偏移值，由此求出并输出校正预测误差；以及泄漏检测部，基于所述校正预测误差对所述空调机的制冷剂泄漏进行检测。

技术总结
制冷循环装置(10)具有空调机(11)、多个传感器、开度预测部(142)、预测误差计算部(143)、预测误差校正部(144)以及泄漏检测部(145)。空调机(11)具有压缩机(21)、凝结器(22)、电子膨胀阀(23)以及蒸发器(24)。多个传感器分别检测出空调机(11)的排出气体温度、吸入气体温度、蒸发压力、以及凝结压力。开度预测部(142)以规定的采样间隔基于多个传感器的输出压缩机(21)的运行频率，求出假定空调机(11)的正常运行时的电子膨胀阀(23)的预测开度。预测误差计算部(143)以规定的采样间隔从预测开度中减去电子膨胀阀(23)的实测开度，由此求出预测误差。预测误差校正部(144)使用预先规定的采样次数的量的数据来预先求出偏移计算用的多个预测误差。此外，预测误差校正部(144)求出作为偏移计算用的多个预测误差的平均值的偏移值，从当前的预测误差中减去偏移值，由此求出并输出校正预测误差。泄漏检测部(145)基于校正预测误差对空调机的制冷剂泄漏进行检测。测误差对空调机的制冷剂泄漏进行检测。测误差对空调机的制冷剂泄漏进行检测。


技术研发人员：小牟礼信哉 平原茂利夫 木口行雄 冈崎德臣
受保护的技术使用者：东芝开利株式会社
技术研发日：2021.06.22
技术公布日：2023/9/12