MIT-Ingenieure bauen intelligente Steckdosen

Bilder zum Herunterladen auf der Website des MIT News-Büros werden nichtkommerziellen Unternehmen, der Presse und der Öffentlichkeit unter einer Creative Commons-Lizenz „Namensnennung, nicht kommerziell, keine Bearbeitung“ zur Verfügung gestellt. Sie dürfen die bereitgestellten Bilder nicht verändern, außer sie auf die richtige Größe zuzuschneiden. Bei der Reproduktion von Bildern muss eine Kreditlinie in Anspruch genommen werden; Wenn dies unten nicht angegeben ist, nennen Sie die Bilder „MIT“.

Vorheriges Bild Nächstes Bild

Haben Sie schon einmal einen Staubsauger angeschlossen, nur um ihn ohne Vorwarnung auszuschalten, bevor die Arbeit erledigt ist? Oder vielleicht funktioniert Ihre Schreibtischlampe einwandfrei, bis Sie die Klimaanlage einschalten, die an dieselbe Steckdosenleiste angeschlossen ist.

Bei diesen Unterbrechungen handelt es sich wahrscheinlich um „Störauslösungen“, bei denen ein hinter der Wand installierter Detektor den Stromkreis einer Steckdose auslöst, wenn er etwas erkennt, bei dem es sich um einen Lichtbogenfehler handeln könnte – einen potenziell gefährlichen Funken in der Stromleitung.

Laut einem Team von MIT-Ingenieuren besteht das Problem mit den heutigen Störlichtbogendetektoren darin, dass sie häufig den Fehler machen, überempfindlich zu sein und den Strom einer Steckdose als Reaktion auf eigentlich harmlose elektrische Signale abzuschalten.

Jetzt hat das Team eine Lösung entwickelt, die es „intelligente Steckdose“ nennt, in Form eines Geräts, das den Stromverbrauch einer einzelnen oder mehrerer Steckdosen analysieren und zwischen harmlosen Lichtbögen – harmlosen Stromspitzen wie diesen – unterscheiden kann verursacht durch gewöhnliche Haushaltsgeräte – und gefährliche Lichtbögen, wie z. B. Funkenbildung, die durch fehlerhafte Verkabelung entsteht und zu einem Brand führen könnte. Das Gerät kann auch darauf trainiert werden, zu erkennen, was an eine bestimmte Steckdose angeschlossen sein könnte, z. B. einen Lüfter oder einen Desktop-Computer.

Das Design des Teams umfasst kundenspezifische Hardware, die elektrische Stromdaten in Echtzeit verarbeitet, und Software, die die Daten über ein neuronales Netzwerk analysiert – eine Reihe von Algorithmen für maschinelles Lernen, die von der Funktionsweise des menschlichen Gehirns inspiriert sind.

In diesem Fall ist der maschinelle Lernalgorithmus des Teams so programmiert, dass er ermittelt, ob ein Signal schädlich ist oder nicht, indem er ein erfasstes Signal mit anderen vergleicht, die die Forscher zuvor zum Trainieren des Systems verwendet haben. Je mehr Daten dem Netzwerk ausgesetzt sind, desto genauer kann es charakteristische „Fingerabdrücke“ lernen, die zur Unterscheidung von Gut und Böse oder sogar zur Unterscheidung eines Geräts von einem anderen verwendet werden.

Joshua Siegel, Forscher am Department of Mechanical Engineering des MIT, sagt, dass die intelligente Steckdose im Rahmen des „Internets der Dinge“ (IoT) in der Lage sei, sich drahtlos mit anderen Geräten zu verbinden. Letztendlich stellt er sich ein allgegenwärtiges Netzwerk vor, in dem Kunden nicht nur eine intelligente Steckdose in ihren Häusern installieren können, sondern auch eine App auf ihrem Telefon, über die sie Daten über ihren Stromverbrauch analysieren und teilen können. Diese Daten, beispielsweise welche Geräte wo angeschlossen sind, wann eine Steckdose tatsächlich ausgefallen ist und warum, würden sicher und anonym an das Team weitergegeben, um den maschinellen Lernalgorithmus weiter zu verfeinern und so die Identifizierung und Unterscheidung einer Maschine zu erleichtern ein gefährliches Ereignis von einem harmlosen.

„Indem Sie IoT lernfähig machen, sind Sie in der Lage, das System ständig zu aktualisieren, sodass Ihr Staubsauger in der ersten Woche vielleicht ein- oder zweimal den Schutzschalter auslöst, aber mit der Zeit immer intelligenter wird“, sagt Siegel. „Wenn Sie 1.000 oder 10.000 Benutzer haben, die zum Modell beitragen, werden nur noch sehr wenige Menschen diese lästigen Fahrten erleben, weil so viele Daten aus so vielen verschiedenen Häusern gesammelt werden.“

Siegel und seine Kollegen haben ihre Ergebnisse in der Fachzeitschrift Engineering Applications of Artificial Intelligence veröffentlicht. Seine Co-Autoren sind Shane Pratt, Yongbin Sun und Sanjay Sarma, Fred Fort Flowers und Daniel Fort Flowers Professor für Maschinenbau und Vizepräsident für offenes Lernen am MIT.

Elektrische Fingerabdrücke

Um die Brandgefahr zu verringern, werden moderne Häuser möglicherweise mit einem Lichtbogenschutzschalter (AFCI) ausgestattet, einem Gerät, das fehlerhafte Stromkreise unterbricht, wenn es bestimmte potenziell gefährliche elektrische Muster erkennt.

„Alle von uns zerlegten AFCI-Modelle hatten kleine Mikroprozessoren und sie liefen mit einem regulären Algorithmus, der nach ziemlich primitiven, einfachen Signaturen eines Bogens suchte“, sagt Pratt.

Pratt und Siegel wollten einen anspruchsvolleren Detektor entwickeln, der zwischen einer Vielzahl von Signalen unterscheiden kann, um ein harmloses elektrisches Muster von einem potenziell schädlichen zu unterscheiden.

Ihr Hardware-Setup besteht aus einem Raspberry Pi Model 3-Mikrocomputer, einem kostengünstigen, energieeffizienten Prozessor, der eingehende elektrische Stromdaten aufzeichnet; und eine induktive Stromzange, die um das Kabel einer Steckdose befestigt wird, ohne es tatsächlich zu berühren, und die den fließenden Strom als sich änderndes Magnetfeld erkennt.

Zwischen der Stromzange und dem Mikrocomputer schloss das Team eine USB-Soundkarte an, eine handelsübliche Hardware ähnlich der in herkömmlichen Computern, mit der sie die eingehenden Stromdaten auslesen konnten. Das Team stellte fest, dass solche Soundkarten ideal für die Erfassung der Art von Daten geeignet sind, die von elektronischen Schaltkreisen erzeugt werden, da sie darauf ausgelegt sind, sehr kleine Signale mit hohen Datenraten zu erfassen, ähnlich denen, die von einem elektrischen Kabel abgegeben würden.

Die Soundkarte verfügte außerdem über weitere Vorteile, darunter einen eingebauten Analog-Digital-Wandler, der Signale mit 48 Kilohertz abtastet, was bedeutet, dass Messungen 48.000 Mal pro Sekunde durchgeführt werden, und einen integrierten Speicherpuffer, der es dem Gerät des Teams ermöglicht, elektrische Signale zu überwachen Aktivität kontinuierlich und in Echtzeit.

Neben der Aufzeichnung eingehender Daten wird ein Großteil der Rechenleistung des Mikrocomputers für den Betrieb eines neuronalen Netzwerks aufgewendet. Für ihre Studie trainierten sie das Netzwerk, „Definitionen“ zu erstellen oder zugehörige elektrische Muster zu erkennen, die von vier Gerätekonfigurationen erzeugt werden: einem Ventilator, einem iMac-Computer, einem Herdbrenner und einem Ozongenerator – einer Art Luftreiniger, der Ozon erzeugt durch elektrische Aufladung des Sauerstoffs in der Luft, was zu einer Reaktion führen kann, die einem gefährlichen Lichtbogenfehler ähnelt.

Das Team ließ jedes Gerät mehrmals unter verschiedenen Bedingungen laufen und sammelte Daten, die es in das neuronale Netzwerk einspeiste.

„Wir erstellen Fingerabdrücke aktueller Daten und kennzeichnen sie als gut oder schlecht oder um welches einzelne Gerät es sich handelt“, sagt Siegel. „Es gibt die guten Fingerabdrücke und dann die Fingerabdrücke der Dinge, die Ihr Haus niederbrennen. Unsere Aufgabe besteht darin, kurzfristig und langfristig herauszufinden, was Ihr Haus niederbrennen wird und was nicht Finden Sie heraus, was genau wo eingesteckt ist.

„Verschiebliche Intelligenz“

Nachdem sie das Netzwerk trainiert hatten, ließen sie ihr gesamtes Setup – Hardware und Software – mit neuen Daten von denselben vier Geräten laufen und stellten fest, dass es mit 95,61 Prozent zwischen den vier Gerätetypen (z. B. einem Lüfter gegenüber einem Computer) unterscheiden konnte Genauigkeit. Bei der Unterscheidung von guten und schlechten Signalen erreichte das System eine Genauigkeit von 99,95 Prozent – ​​etwas mehr als bestehende AFCIs. Das System war außerdem in der Lage, schnell zu reagieren und einen Stromkreis in weniger als 250 Millisekunden auszulösen, was der Leistung moderner, zertifizierter Lichtbogendetektoren entspricht.

Siegel sagt, dass ihr intelligentes Steckdosendesign mit zunehmender Datenmenge immer intelligenter wird. Er stellt sich den Betrieb eines neuronalen Netzwerks über das Internet vor, mit dem andere Benutzer eine Verbindung herstellen und über ihren Stromverbrauch berichten können. Dadurch werden dem Netzwerk zusätzliche Daten bereitgestellt, die ihm helfen, neue Definitionen zu lernen und neue elektrische Muster mit neuen Geräten und Geräten zu verknüpfen. Diese neuen Definitionen würden dann drahtlos an die Steckdosen der Benutzer weitergegeben, wodurch deren Leistung verbessert und das Risiko von Fehlfahrten verringert würde, ohne die Sicherheit zu beeinträchtigen.

„Die Herausforderung besteht darin, dass wir, wenn wir versuchen, eine Million verschiedener angeschlossener Geräte zu erkennen, die Leute dazu anregen müssen, diese Informationen mit Ihnen zu teilen“, sagt Siegel. „Aber es gibt genug Leute wie uns, die dieses Gerät sehen und in ihrem Haus installieren und es trainieren wollen.“

Über Steckdosen hinaus sieht Siegel in den Ergebnissen des Teams einen Proof of Concept für „pervasive Intelligence“ und eine Welt aus alltäglichen Geräten und Geräten, die intelligent sind, sich selbst diagnostizieren und auf die Bedürfnisse der Menschen reagieren.

„Das alles verlagert die Intelligenz an den Rand, im Gegensatz zu einem Server, einem Rechenzentrum oder einem Desktop-Computer“, sagt Siegel. „Ich denke, das größere Ziel besteht darin, alles jederzeit miteinander zu verbinden, um eine intelligentere, vernetztere Welt zu schaffen. Das ist die Vision, die ich sehen möchte.“

Vorheriger Artikel Nächster Artikel