MIT エンジニアがスマート電源コンセントを開発

Jul 17, 2023

MIT ニュース オフィスの Web サイトでダウンロードできる画像は、クリエイティブ コモンズ表示、非営利、改変禁止ライセンスに基づいて、非営利団体、報道機関、および一般の人々に提供されています。 提供された画像は、サイズに合わせてトリミングする以外に変更することはできません。 画像を複製する場合はクレジットラインを使用する必要があります。 以下に提供されていない場合は、画像のクレジットを「MIT」に記載してください。

前の画像 次の画像

掃除機の電源を接続したのに、作業が完了する前に何の警告もなく電源が切れてしまった経験はありませんか? あるいは、同じ電源タップに接続されているエアコンの電源を入れるまでは、電気スタンドが正常に動作する可能性があります。

これらの中断はおそらく「迷惑トリップ」であり、壁の後ろに設置された検出器がアーク障害、つまり電線内の潜在的に危険な火花の可能性のあるものを感知すると、コンセントの電気回路をトリップさせます。

MITの技術者チームによると、今日のアーク故障検出器の問題は、検出器が敏感すぎるという誤った行動が多く、実際には無害な電気信号に反応してコンセントの電源を遮断してしまうことだという。

現在、研究チームは、単一または複数のコンセントからの電流使用量を分析し、良性のアーク（次のような無害な電気スパイク）を区別できるデバイスの形で、「スマート電源コンセント」と呼ぶソリューションを開発した。一般的な家庭用電化製品によって引き起こされるものや、配線不良から発生して火災につながる可能性のあるスパークなどの危険なアークも含まれます。 デバイスは、扇風機とデスクトップ コンピューターなど、特定のコンセントに何が差し込まれているかを識別するようにトレーニングすることもできます。

チームの設計は、電流データをリアルタイムで処理するカスタム ハードウェアと、人間の脳の働きにヒントを得た一連の機械学習アルゴリズムであるニューラル ネットワークを介してデータを分析するソフトウェアで構成されています。

この場合、チームの機械学習アルゴリズムは、捕捉した信号を研究者が以前にシステムのトレーニングに使用した他の信号と比較することによって、信号が有害かどうかを判断するようにプログラムされています。 ネットワークがさらされるデータが増えるほど、良品と不良品を区別したり、あるアプライアンスと別のアプライアンスを区別したりするために使用される特徴的な「フィンガープリント」をより正確に学習できるようになります。

マサチューセッツ工科大学機械工学部の研究員ジョシュア・シーゲル氏は、スマート電源コンセントは「モノのインターネット」（IoT）の一部として、他のデバイスにワイヤレスで接続できると語る。 同氏は最終的に、顧客が自宅にスマート電源コンセントを設置できるだけでなく、携帯電話にアプリを設置して、電気使用量に関するデータを分析および共有できる普及型ネットワークを構想している。 どの家電製品がどこに差し込まれているか、実際にコンセントが落ちたのはいつとその理由などのこれらのデータは、機械学習アルゴリズムをさらに改良するために安全かつ匿名でチームと共有され、マシンの識別と区別が容易になります。良性の出来事から生じる危険な出来事。

「IoT に学習機能を持たせることで、システムを常に更新できるようになります。そのため、掃除機は最初の週に 1 回か 2 回サーキットブレーカーを作動させるかもしれませんが、時間の経過とともに賢くなっていきます」とシーゲル氏は言います。 「モデルに 1,000 人または 10,000 人のユーザーが貢献する頃には、非常に多くの異なる家から集められた膨大なデータがあるため、このような迷惑な旅行を経験する人はほとんどいません。」

シーゲル氏と彼の同僚は、その結果を「Engineering Applications of Artificial Intelligence」誌に発表しました。 彼の共著者は、シェーン・プラット、ヨンビン・サン、サンジェイ・サルマ、フレッド・フォート・フラワーズとダニエル・フォート・フラワーズ機械工学教授であり、MITのオープンラーニング担当副社長です。

電気指紋

火災の危険性を軽減するために、現代の家庭ではアーク障害回路遮断器 (AFCI) を使用することがあります。これは、特定の潜在的に危険な電気パターンを感知したときに障害のある回路を遮断する装置です。

「私たちが分解したすべてのAFCIモデルには小さなマイクロプロセッサが組み込まれており、かなり原始的で単純な円弧の特徴を探す通常のアルゴリズムを実行していました」とプラット氏は言う。

プラットとシーゲルは、多数の信号を識別して良性の電気パターンと潜在的に有害な電気パターンを区別できる、より洞察力のある検出器の設計に着手しました。

同社のハードウェア構成は、受信電流データを記録する低コストで電力効率の高いプロセッサである Raspberry Pi Model 3 マイクロコンピュータで構成されています。 誘導電流クランプは、実際には触れずにコンセントのワイヤーの周りに固定し、通過する電流を変化する磁界として感知します。

研究チームは、電流クランプとマイクロコンピュータの間に、従来のコンピュータに搭載されているものと同様の汎用ハードウェアである USB サウンド カードを接続し、入ってくる電流データを読み取るために使用しました。 研究チームは、このようなサウンドカードは、電線から発せられるものと同様に、高いデータレートで非常に小さな信号を拾うように設計されているため、電子回路によって生成されるタイプのデータをキャプチャするのに理想的に適していることを発見した。

このサウンド カードには、48 kHz で信号をサンプリングする内蔵アナログ - デジタル コンバーター（1 秒あたり 48,000 回の測定を意味します）や、統合されたメモリ バッファーなど、他の利点もありました。これにより、チームのデバイスが電気信号を監視できるようになります。アクティビティを継続的にリアルタイムで監視します。

受信データの記録に加えて、マイクロコンピューターの処理能力の多くはニューラル ネットワークの実行に費やされます。 研究では、ファン、iMac コンピューター、コンロバーナー、オゾン発生器 (オゾンを生成する空気清浄機の一種) という 4 つのデバイス構成によって生成される「定義」を確立、つまり関連する電気パターンを認識するようにネットワークをトレーニングしました。空気中の酸素を帯電させ、危険なアーク故障と同様の反応を引き起こす可能性があります。

チームは各デバイスをさまざまな条件で何度も実行し、ニューラル ネットワークに入力したデータを収集しました。

「私たちは現在のデータのフィンガープリントを作成し、それらに良いか悪いか、または個々のデバイスのラベルを付けています」とシーゲル氏は言います。 「良い指紋もあれば、家を燃やすものの指紋もあります。私たちの短期的な仕事は、何があなたの家を燃やし、何が燃えないのかを解明することです。そして長期的には、 、何がどこに接続されているかを正確に把握してください。」

「変化する知性」

ネットワークをトレーニングした後、同じ 4 台のデバイスからの新しいデータでセットアップ全体 (ハードウェアとソフトウェア) を実行したところ、4 種類のデバイス (たとえば、ファンとコンピュータ) を 95.61% の確率で識別できることがわかりました。正確さ。 良い信号と悪い信号を識別する際、システムは 99.95% の精度を達成しました。これは、既存の AFCI よりわずかに高い精度です。 また、このシステムは迅速に反応し、250 ミリ秒未満で回路をトリップすることができ、最新の認定アーク検出器の性能に匹敵しました。

シーゲル氏は、同社のスマート電源コンセント設計は、データが増加するにつれてさらにインテリジェントになるだろうと述べています。 同氏は、インターネット上でニューラル ネットワークを実行し、他のユーザーがそれに接続して電気使用状況を報告できるようにすることで、ネットワークが新しい定義を学習し、新しい電気パターンを新しい電気製品やデバイスに関連付けることに役立つ追加データを提供できるようにすることを構想しています。 これらの新しい定義はユーザーのコンセントにワイヤレスで共有され、ユーザーのパフォーマンスが向上し、安全性を損なうことなく迷惑な旅行のリスクが軽減されます。

「課題は、接続されている 100 万もの異なるデバイスを検出しようとしている場合、その情報を共有するように人々を動機付ける必要があることです」とシーゲル氏は言います。 「しかし、私たちのように、このデバイスを見て家に設置し、訓練したいと思う人は十分にいます。」

シーゲル氏は、チームの結果が「普及型インテリジェンス」の概念実証であり、インテリジェントで自己診断機能があり、人々のニーズに応える日常的なデバイスや電化製品で構成される世界の概念実証であると考えています。

「これはすべて、サーバーやデータセンター、デスクトップコンピュータではなく、エッジにインテリジェンスをシフトさせていることです」とシーゲル氏は言います。 「より大きな目標は、よりスマートで相互接続された世界のために、すべてのものを常に接続することだと思います。それが私が見たいビジョンです。」

前の項目 次の項目