AIが駆動するアーク故障検知システム、EV充電の安全性を革新
電気自動車（EV）の充電ケーブル内部で最初の火花が散るとき――それは興奮によるものではなく、潜在的な故障によってもたらされるものだ――そのリスクは比喩的なものでは決してない。目に見えず、音もない微小なシリーズアークは、溶岩よりも高い温度に達し、警告灯が点滅する前に静かに火災を引き起こす危険性をはらんでいる。これは仮説上の懸念ではない。世界的なEVの普及が急速に進む中、故障したコネクタや老朽化したケーブル、不安定な接点に関連する実際の事故が相次ぎ、アーク故障検知は、ニッチな工学的課題から最前線の安全対策へとその地位を変えつつある。
このたび、中国の研究チームが、精度を向上させるだけでなく、診断のパラダイムそのものを再構築する新たな検出方法を発表した。生の電流信号を視覚的な「スペクトル指紋」に変換し、画像認識用に設計された強力な深層学習モデルに入力することで、従来システムが誤検出しがちな電磁干渉の多い状況を含む多様な実稼働環境下で、98％を超える故障検出精度を達成した。
この画期的な成果は、学術誌『Proceedings of the CSU-EPSA』に最近掲載された論文で詳細が説明されており、信号処理と人工知能（AI）の巧妙な融合が核心にある。瞬間的なスパイクを分析したり、通常の電流変動時に誤警報を発生しやすい固定しきい値に依存したりする従来手法とは異なり、この方法ではミリ秒単位の電流セグメントを周波数領域の画像に変換する。離散フーリエ変換（DFT）によって生成されるこれらの画像は、明確な視覚的コントラストを映し出す。アークは5kHzから60kHzの範囲にエネルギーが集中した特徴的な「ハロー」を残すのに対し、正常な動作ではその帯域でスペクトル的に静穏を保つ。人間の目にはその差は微妙に映るかもしれないが、訓練されたニューラルネットワークにとっては疑いようのない差異なのである。
採用されたAIエンジンは、オックスフォード大学のVisual Geometry Groupが開発し、物体認識などのコンピュータビジョンタスクで広く利用されている16層の畳み込みニューラルネットワーク（CNN）である「VGG16」だ。画像分類器を電気診断に転用するのは、一見直観に反するように思える。しかし実際には、これは操作上の優雅さを実現する妙手といえる。CNNは、局所的なパターン、テクスチャ、階層的な特徴を検出することに優れており、まさにアークのスペクトルに埋もれた微妙な兆候を捉えるのに適している。従来のアルゴリズムは、「アーク」を「Xアンペア以上で立ち上がり時間がYマイクロ秒未満の電流変動」と定義するかもしれない。これに対しVGG16は、周波数領域でアークがどのように見えるかを学習し、負荷やケーブル長、コネクタの摩耗、さらにはインバータの挙動の変化に適応する――手動でのルール更新を必要としない。
国家電網日照供電公司の潘 光旭（パン・グアンシュー）氏が率いる研究チームは、現実的なEV充電シナリオをシミュレートするためのフルスケールの実験プラットフォームを構築した。そのセットアップには、高電圧DC電源（最大810V）、市販のEV充電器、80メートルのケーブル経路を模倣したインピーダンスネットワーク、そして電流がわずか3Aという多くのポータブル充電器の下限値でも安定したアークを発生させることが可能な制御されたアーク発生器が含まれていた。決定的に重要なのは、すべてのテストが250kHzのサンプリングレートで実行され、ほとんどの産業用モニターが捕捉できない高周波の過渡現象を捉えている点である。
この研究を際立たせているのは、単なる性能だけでなく、その堅牢性である。多くのAI駆動型診断システムでは、モデルが実験室では優れた性能を発揮しても、現実世界の条件が学習時の前提から外れる「コンセプトドリフト」により、現場では失敗することがある。ここでは、研究者らが意図的に、分散型エネルギーシステムにおける最も厄介な誤作動トリガーの一つに対してシステムのストステストを行った。それは、太陽光充電システムにおける最大電力点追従（MPPT）の遷移である。雲の覆いが変化したりパネルが影になったりすると、インバータは動作点を急速に調整し、初期段階のアーク放電を模倣するような電流波形のジッタを引き起こす。古い方法では、このような条件下でしばしば誤作動が発生する。しかし、VGG16ベースの検出器は、MPPTによって誘発された200サンプルの過渡現象を入力されても98％の精度を維持し――誤って故障と分類したのはわずか4つだけだった。
このレベルの回復力は、2つの重要な設計選択に起因する。第一に、オンラインデータ拡張の使用である。トレーニング前にデータセットを人為的に増やす（オフライン拡張）代わりに、チームはコンピュータビジョンで一般的な技術であるImageDataGeneratorを使用し、各トレーニングバッチ中にスペクトル画像にランダムな反転、回転、切り抜きを適用した。これにより、ネットワークは同じ基本パターンの無限の細かな変動にさらされ、ノイズ、位相シフト、またはセンサーの位置ずれに対する不変性が強化される。第二に、DFT分析に固定の10ミリ秒ウィンドウを使用する決定である。より短いウィンドウ（例：2ms）は時間分解能を高めるがノイズを増幅し、長いウィンドウ（例：50ms）は重要な過渡現象を平滑化してしまう。10msという妥協点は、十分なアークの「バースト」の詳細を捕捉すると同時に、将来のエッジデバイスへの展開を考慮した計算負荷を管理可能に保つ――リアルタイム保護デバイスにとって極めて重要な考慮事項である。
結果はそれを物語っている。4つの電流レベル（3A, 8A, 8.5A, 15A）において、モデルは、1000の「アーク」サンプルと1200の「非アーク」サンプルからなる均衡の取れたテストセットで、一貫して≥98.5%の精度を達成した。混同行列はほぼ対称的な性能を示している。つまり、微妙な低電流アークを検出することも、安定した高負荷運転中の誤検出を回避することも同等に優れている。さらに重要なのは、トレーニングと検証の曲線がスムーズに収束し、過学習の兆候が見られない点である――これは多くの小規模データAIプロジェクトにおける危険信号だ。この安定性は、基礎となるデータセットの質の高さを示唆している。6178の注意深くラベル付けされクリーニングされたセグメントは、各10msクリップが1つの状態（アークまたは非アーク）のみを含むことを保証するために手動で検証され、モデルの学習を阻害する曖昧なボーダーラインケースを排除している。
しかし、これは高速道路のサービスエリアで充電するEVオーナーにとって何を意味するのだろうか？短期的には：目に見える形では何もない。これらのアルゴリズムは、充電ステーションの保護ユニットや車載充電器内部で不可視的に動作する――静かな番人として。危険なアークに一致するスペクトル特性を検出すると、システムはミリ秒単位で急速な遮断を引き起こすことができ、どのような熱ヒューズや機械的ブレーカーよりもはるかに高速である。時間の経過とともに、このような知能が標準装備となるにつれ、充電インフラに関連する「原因不明の火災」報告が劇的に減少する可能性がある。
規制当局はすでに注目している。米国家電気規格（NEC）は、10年以上前から家庭用AC回路におけるアーク故障遮断器（AFCI）の設置を義務付けている。特にEVや太陽光発電システムにおけるDCシステムに対する同様の要求は、IECやULの作業部会で活発に議論されている。しかし、既存の多くのDC-AFCIはアナログフィルタと固定しきい値に依存しており、スイッチング電源回路に固有の広帯域ノイズに対処するのに苦労している。この新しいアプローチは、インテリジェントなAFCIへの道筋を提供する。つまり、学習し、適応し、（原理的にはアテンションマップを通じて）トリップした理由を説明できるデバイスであり、保護という機能を単純な手段から診断ツールへと変えるのである。
批判的に見ても、著者らは「AIのためのAI」という罠を回避している。彼らは、DFTを短時間フーリエ変換（STFT）やウェーブレット解析などの代替手法と、精度だけでなく実用性においても厳密に比較している。DFTが優れているのは、理論的に優れているからではなく、計算量が軽く、低次元の出力（振幅対周波数のみ、時間軸なし）が得られ、CNNの入力期待値とよく一致するからである。STFTとウェーブレットはより豊富な時間－周波数情報を提供するが、その代償として複雑さが増し、二値分類にとっては見合わない可能性がある。この工学的プラグマティズム――課題に合わせてツールを選択すること――が、ソリューションを大量生産に適したものにしている。
もちろん、完璧なシステムは存在しない。論文では、データの不足が制約として認められている。実際のアークデータを生成するには労力がかかり（電極は各テスト後に再調整する必要がある）、アーク持続時間も様々（場合によっては20～40ms）であるため、データセットの規模が制限される。だからこそ、オンライン拡張が不可欠だったのである。今後の研究では、合成データ生成や大規模画像データセットからの転移学習が組み込まれるかもしれないが、現時点では、6千サンプルを賢く活用することが十分であることを証明している。
もう一つの微妙だが極めて重要な詳細：アークは回路に沿った4つの異なる物理的位置（正極と負極の両方のラインインピーダンスの前後）で生成された。これは実際の故障モードを模倣している。充電器インレットの緩んだ端子は、ケーブル中間地点の擦り切れた部分とは異なる挙動をする。多くの実験室研究では単一のアーク位置しかテストせず、単一の故障シグネチャに過学習するモデルのリスクがある。位置を変えることで、チームは検出器がアークの本質を捉えること――単なる一つの現れではないことを保証した。
将来を見据えると、このアーキテクチャはEV以外の分野への扉を開く。同じパイプライン――DFT → スペクトル画像 → CNN分類器――は、バッテリーパック、DCマイクログリッド、航空機の電源システム、さらにはフレキシブルケーブリングが微細断裂を起こしやすい産業用ロボットアームの監視にも応用できる。少しの再トレーニングで、モデルは故障の種類――持続アーク対間欠火花対コロナ放電――を区別することさえ可能になり、完全な故障前に予知保全を可能にするかもしれない。
おそらく最も励みになるのは、民主化の側面である。VGG16は深層ではあるが、十分に文書化されており、TensorFlowやPyTorchなどの成熟したフレームワークでサポートされている。そのパラメータ数（約1億3800万）はマイクロコントローラにとっては大きいが、モデル圧縮技術――プルーニング、量子化、知識蒸留――を用いれば、ハードウェアアクセラレータを搭載した最新のARM Cortex-M7やRISC-Vチップに適合するように縮小できる。論文で選択された224×224ピクセルの入力（ImageNetでトレーニングされたCNNの標準）も、数百万の自然画像で事前トレーニングされた重みをアークデータでファインチューニングできることを意味し、トレーニング時間とデータ要件を削減する――これは、大規模な計算予算を持たないスタートアップや中小のOEMにとって大きな利点である。
生態学的な側面もある。世界がカーボンニュートラルに向けて疾走する中、展開されるすべてのEVは、単にクリーンであるだけでなく、安全でなければならない。ひとつの高プロファイルの火災事故は、千の効率向上よりも速く社会的信頼を損なう可能性がある。信頼性の高いアーク検出は贅沢品ではない――電動化輸送の社会的受容性の基礎なのである。検出の基準を「十分良い」から「事実上絶対的」に引き上げることで、この研究は、電気への移行が一方の環境リスクと他方の環境リスクを交換しないことを確保する一助となる。
AIの誇大宣伝が実用性をしばしば凌駕する時代において、この研究はその地に足のついた野心で際立っている。それは、知覚する充電器や自己修復ケーブルを約束しない。それは一つの難しい問題――致命的だが捉えにくい電気的異常を発見すること――を、優雅さ、厳密さ、そして展開可能な技術で解決する。そしてそうすることで、最も革命的な進歩は、時に派手ではないということを我々に思い出させる。それらは、我々がプラグを差し込むたびに、静かに安全を守ってくれるものなのである。
潘 光旭 (Pan Guangxu)¹、裴 立伟 (Pei Liwei)¹、李 星宇 (Li Xingyu)¹、王 希涛 (Wang Xitao)¹、班 云生 (Ban Yunsheng)² ¹国家電網日照供電公司、日照市 276800、中国 ²北京七星華創流量計有限公司、北京市 100176、中国 Proceedings of the CSU-EPSA、Vol. 35, No. 10, Oct. 2023 DOI: 10.19635/j.cnki.csu-epsa.001300