WRÓĆ DO STRONY
GŁÓWNEJ
Nauka

MIT stworzyło system NILM lokalizujący awarie elektryczne przed ich wystąpieniem

Wygląda na to, że nasze polskie przysłowie „lepiej zapobiegać, niż leczyć”, znajduje też uzasadnienie wśród naukowców na politechnice MIT, z której to coraz częściej wychodzą świetne wynalazki. Tym razem mowa o systemie NILM (Nieinwazyjny Monitoring Obciążenia), który za pośrednictwem czujników i komputera do śledzenia stanu urządzeń elektrycznych jest w stanie zlokalizować awarię elektryczną przed jej wystąpieniem. 

Najważniejszym elementem systemu NILM jest czujnik zamontowany na zewnątrz pojedynczego przewodu w obwodzie elektrycznym. Ten odpowiada za monitorowanie prądu przepływającego przez przewód i śledzi aktywność różnych urządzeń działających w tym obwodzie. Jest w stanie to zrobić na podstawie charakterystycznych fluktuacji prądu, które występują, gdy każde urządzenie włącza się lub wyłącza. W oparciu o te odczyty system może określić nie tylko, kiedy i czy każde urządzenie działa, ale także, czy pobiera więcej prądu niż jest to normalne. To ostatnie może z kolei wskazywać, że urządzenie stało się wadliwe.

Dane są przekazywane do komputera centralnego, gdzie ekranowy pulpit nawigacyjny zawiera wskaźniki dla każdego urządzenia. Jeśli igła na tarczy dowolnego urządzenia znajduje się w zielonej strefie, wszystko idzie dobrze, ale jeśli przesunie się do żółtej lub czerwonej strefy, to oznacza, że coś tam nie gra.

System został przetestowany w zeszłym roku na statku Spencer z nożem Coast Guard, w którym dwa czujniki NILM zostały użyte do monitorowania około 20 różnych urządzeń. Kiedy odkryto, że „płaszczowy podgrzewacz wody” na jednym z silników wysokoprężnych (na zdjęciu powyżej, w środku) pobiera podejrzaną ilość mocy, naukowcy zareagowali. Po zdjęciu pokrywy grzejnika okazało się, że cały układ opanowało spore ognisko korozji, co z kolei spowodowało pęknięcie izolacji. Uchroniło to placówkę przed prawdopodobnym pożarem, więc NILM zdecydowanie jest warty naszej uwagi.

Czytaj też: MIT opracowało SI przyśpieszające proces maszynowego uczenia systemów

Źródło: New Atlas