電気システムの分野では、安全の確保、機器損傷の予防、停電のない操業の維持を実現するために、障害を迅速に特定して解決することが最も重要です。 送配電網から複雑な産業用システムまで、インフラストラクチャを円滑に運用するには電気障害の正確な検出と分類が不可欠です。 しかし、人間の専門知識に基づくリアクティブ・メンテナンスには限界がある。リアルタイムの監視ができない、人為的ミスが発生しやすい、拡張性に限界がある、などである。
人工知能（AI）などの新技術は、電気システムのメンテナンス方法を変革しつつあり、潜在的な故障をプロアクティブかつ正確に特定し、中断の影響を最小限に抑えることを可能にしている。
人工知能（AI）などの新技術は、電気システムのメンテナンス方法を変革しつつあり、潜在的な故障をプロアクティブかつ正確に特定し、中断の影響を最小限に抑えることを可能にしている。
アプローチ
このユース･ケースは、Kaggle社のデータセット「Electrical Fault detection and classification（電気的障害の検出と分類）」に基づいています。
目標は、まず電源システムの異常を検出したうえで、検出された異常を、発生する可能性がある6種類の異常のいずれか1つに分類します。
3相（A、B、C）の発電機4台からなる基準電源システムを使用し、3相それぞれの電圧と電流に関する12,000個のデータ･ポイントによって構成されるデータを収集します。
次に、NanoEdge AI Studioを使用して、これらの入力から電気的な異常を検出、分類するN-クラス分類モデルを作成しました。
目標は、まず電源システムの異常を検出したうえで、検出された異常を、発生する可能性がある6種類の異常のいずれか1つに分類します。
3相（A、B、C）の発電機4台からなる基準電源システムを使用し、3相それぞれの電圧と電流に関する12,000個のデータ･ポイントによって構成されるデータを収集します。
次に、NanoEdge AI Studioを使用して、これらの入力から電気的な異常を検出、分類するN-クラス分類モデルを作成しました。
センサ
電流センサと電圧センサ
データ
異常検出の2クラス
N-クラス分類（6クラス）
信号長6（マルチセンサー）
データレート1000 Hz
- 正常
- 異常
N-クラス分類（6クラス）
- 故障なし
- 地絡（LG）故障（A相とグランド間）
- 線間（LL）故障（A相とB相間）
- 線間地絡（LLG）故障（A相、B相とグランド間）
- 全線間（LLL）故障（3相すべての間）
- 全線間地絡（LLLG）故障（3相すべてとグランド間）
信号長6（マルチセンサー）
データレート1000 Hz
結果
異常検知：
98.90%の精度、0.6KバイトのRAM、7.1Kバイトのフラッシュメモリ
故障分類：
98.51%の精度、0.1KB RAM、214.9KB フラッシュ
98.90%の精度、0.6KバイトのRAM、7.1Kバイトのフラッシュメモリ
故障分類：
98.51%の精度、0.1KB RAM、214.9KB フラッシュ
リソース
モデル作成ツール NanoEdge AI Studio
要件に合った最適なAIモデルを簡単に見つけられるようユーザをステップ･バイ･ステップでガイドし、組込みプロジェクトにAIを追加できる無償のAuto MLソフトウェアです。
対応製品 STM32マイコン
Arm® Cortex®-Mベース32bitマイコンのSTM32ファミリは、マイコン･ユーザに高いレベルの自由を提供します。完全統合性および開発の容易さを維持しながら、高性能、リアルタイム性能、豊富な機能、デジタル信号処理、低消費電力 / 低電圧駆動、およびコネクティビティを兼ね備えた製品を提供します。
