車載充電器における AC 電力系統の故障検出 ― 最大 95% の精度を実現するエッジ AI 検出

電力系統の故障検出用データ セットを収集する主な方法は、2 つあります。

1) 商用グリッド監視装置を使用する

• 最も簡単な方法は、機器が異常時に電力系統データを自動的に収集・報告する仕組みを利用することであり、当社が提供するデータセットもこの方法で取得されています

2) グリッド接続型コンバータを使用する

• 最終的に検出アルゴリズムを実行するコンバータと同じものを展開します 
• グリッド接続モードで、長時間動作させます

異常なイベント間隔を正しく識別し、タグ付けします

AC 電力系統の故障分類は、以下の理由により大きな課題を伴います。

• データセット間の故障特性の多様性
• 標準化された故障クラスがない
• 車載充電器 (OBC) の動作に関連する故障を優先的に特定する必要があります

これらの課題を克服するために、以下を組み合わせた独自の半教師ありアノテーション手法が開発されました。

• 人間の専門家によるアノテーション：ドメイン知識を活用して重要な故障パターンを特定します
• 教師なし階層クラスタリング
• 類似した故障パターンを自動的にグループ化します
• データ内の自然なカテゴリを特定するのに役立ちます

アノテーションの品質は、次元削減の可視化手法を用いて厳密に評価されており、これにより故障クラス間の明確な分離を確認できるとともに、誤分類や曖昧なケースの特定にも役立ちます。

このハイブリッド手法により、故障カテゴリは OBC の動作において技術的に意味があり、かつデータ上で統計的に識別可能であることが保証されます。

データセットの準備ができたら、TI tinyML Model Zoo を使用してモデルの探索、学習、評価を行います 

性能と電力に関する要件を満たせるスケーラブルな最適化済みの汎用時シリーズモデルで構成された当社のライブラリにアクセスできます。

このユースケースについては、例 → グリッド故障検出の TI tinyML Model Zoo にあるモデルを参照してください。

まずはコマンド ライン ツールから始めます。tinyml-modelzoo では、独自データの持ち込み (BYOD)  や独自モデルの持ち込み (BYOM) を含む、より拡張性と柔軟性の高いモデル開発ツール一式を提供しています