Har du någonsin anslutit en dammsugare, bara för att få den att stängas av utan varning innan jobbet är gjort? Eller så kanske din skrivbordslampa fungerar bra, tills du sätter på luftkonditioneringen som är ansluten till samma eluttag.

Dessa avbrott är troligen "olägenheter, "där en detektor installerad bakom väggen utlöser ett utlopps elektriska krets när den känner av något som kan vara ett bågfel-en potentiellt farlig gnista i den elektriska ledningen.

Problemet med dagens ljusbågsfeldetektorer, enligt ett team av MIT -ingenjörer, är att de ofta tar fel på att vara alltför känsliga, stänga av ett uttags ström som svar på elektriska signaler som faktiskt är ofarliga.

Nu har teamet utvecklat en lösning som de kallar ett "smart eluttag, "i form av en enhet som kan analysera elektrisk strömanvändning från ett eller flera uttag, och kan skilja mellan godartade bågar - ofarliga elektriska spikar som de som orsakas av vanliga hushållsapparater - och farliga bågar, gnistor som uppstår på grund av felaktiga ledningar och som kan leda till brand. Enheten kan också utbildas för att identifiera vad som kan vara anslutet till ett visst uttag, till exempel en fläkt kontra en stationär dator.

Teamets design består av anpassad hårdvara som bearbetar elektrisk strömdata i realtid, och programvara som analyserar data via ett neuralt nätverk - en uppsättning algoritmer för maskininlärning som är inspirerade av den mänskliga hjärnans funktion.

I detta fall, lagets maskininlärningsalgoritm är programmerad för att avgöra om en signal är skadlig eller inte genom att jämföra en fångad signal med andra som forskarna tidigare använde för att träna systemet. Ju mer data nätverket utsätts för, ju mer exakt den kan lära sig karakteristiska "fingeravtryck" som används för att skilja gott från dåligt, eller till och med för att skilja en apparat från en annan.

Joshua Siegel, en forskare vid MIT:s avdelning för maskinteknik, säger att det smarta eluttaget kan ansluta till andra enheter trådlöst, som en del av "sakernas internet" (IoT). Han föreställer sig slutligen ett genomgripande nätverk där kunder kan installera inte bara ett smart eluttag i sina hem, men också en app på sin telefon, genom vilken de kan analysera och dela data om sin elanvändning. Dessa uppgifter, till exempel vilka apparater som är inkopplade var, och när ett uttag faktiskt har snubblat och varför, skulle säkert och anonymt delas med teamet för att ytterligare förfina deras maskininlärningsalgoritm, gör det lättare att identifiera en maskin och att skilja en farlig händelse från en godartad.

"Genom att göra IoT kapabel att lära sig, du kan ständigt uppdatera systemet, så att din dammsugare kan utlösa strömbrytaren en eller två gånger den första veckan, men det kommer att bli smartare med tiden, "Siegel säger." När du har 1, 000 eller 10, 000 användare som bidrar till modellen, väldigt få människor kommer att uppleva dessa olägenheter eftersom det finns så mycket data som samlas in från så många olika hus. "

Siegel och hans kollegor har publicerat sina resultat i tidskriften Engineering Applications of Artificial Intelligence. Hans medförfattare är Shane Pratt, Yongbin Sun, och Sanjay Sarma, Fred Fort Flowers och Daniel Fort Flowers professor i maskinteknik och vice ordförande för öppet lärande vid MIT.

Elektriska fingeravtryck

För att minska brandrisken, moderna hem kan använda en ljusbågskretsbrytare (AFCI), en enhet som avbryter felaktiga kretsar när den känner av vissa potentiellt farliga elektriska mönster.

"Alla AFCI -modeller vi tog isär hade små mikroprocessorer i sig, och de körde en vanlig algoritm som letade efter ganska primitiv, enkla signaturer av en båge, " säger Pratt.

Pratt och Siegel bestämde sig för att designa en mer kräsna detektor som kan skilja mellan en mängd signaler för att avgöra ett godartat elektriskt mönster från en potentiellt skadlig.

Deras hårdvaruinstallation består av en Raspberry Pi Model 3 mikrodator, en låg kostnad, energieffektiv processor som registrerar inkommande elektrisk strömdata; och en induktiv strömklämma som fixerar runt ett utlopps tråd utan att vidröra den, som känner av den passerande strömmen som ett föränderligt magnetfält.

Mellan den aktuella klämman och mikrodatorn, teamet anslöt ett USB -ljudkort, varahårdvara som liknar vad som finns i konventionella datorer, som de använde för att läsa inkommande aktuella data. Teamet fann att sådana ljudkort är idealiska för att fånga den typ av data som produceras av elektroniska kretsar, eftersom de är designade för att ta upp mycket små signaler vid höga datahastigheter, liknande det som skulle avges av en elektrisk ledning.

Ljudkortet kom också med andra fördelar, inklusive en inbyggd analog-till-digital-omvandlare som samplar signaler vid 48 kiloherz, vilket betyder att det tar mätningar 48, 000 gånger i sekunden, och en integrerad minnesbuffert, gör det möjligt för teamets enhet att kontinuerligt övervaka elektrisk aktivitet, i realtid.

Förutom att spela in inkommande data, mycket av mikrodatorns processorkraft ägnas åt att driva ett neuralt nätverk. För deras studier, de tränade nätverket för att fastställa "definitioner, " eller känna igen tillhörande elektriska mönster, produceras av fyra enhetskonfigurationer:en fläkt, en iMac -dator, en spishällsbrännare, och en ozongenerator — en typ av luftrenare som producerar ozon genom att elektriskt ladda syre i luften, som kan ge en reaktion som liknar ett farligt ljusbågsfel.

Teamet körde varje enhet flera gånger under en rad förhållanden, samla in data som de matade in i det neurala nätverket.

"Vi skapar fingeravtryck av aktuell data, och vi märker dem som bra eller dåliga, eller vilken enskild enhet de är, " säger Siegel. "Det finns bra fingeravtryck, och sedan fingeravtryck av saker som bränner ditt hus. Vårt jobb på kort sikt är att ta reda på vad som kommer att bränna ner ditt hus och vad som inte kommer att göra det, och på lång sikt, ta reda på exakt vad som är anslutet var."

"Skiftande intelligens"

Efter att ha tränat nätverket, de körde hela installationen - hårdvara och programvara - på ny data från samma fyra enheter, och fann att den kunde skilja mellan de fyra typerna av enheter (till exempel, en fläkt mot en dator) med 95,61 procents noggrannhet. När man identifierar bra från dåliga signaler, systemet uppnådde 99,95 procents noggrannhet - något högre än befintliga AFCI:er. Systemet kunde också reagera snabbt och utlösa en krets på under 250 millisekunder, matchar prestandan av samtida, certifierade bågdetektorer.

Siegel säger att deras smarta eluttagsdesign bara blir mer intelligent med ökande data. Han tänker sig att driva ett neuralt nätverk över internet, där andra användare kan ansluta till det och rapportera om sin elektriska användning, tillhandahålla ytterligare data till nätverket som hjälper det att lära sig nya definitioner och associera nya elektriska mönster med nya apparater och enheter. Dessa nya definitioner skulle sedan delas trådlöst till användarnas uttag, förbättra sina prestationer, och minska risken för störande resor utan att äventyra säkerheten.

"Utmaningen är, om vi försöker upptäcka en miljon olika enheter som ansluts, du måste stimulera människor att dela den informationen med dig, "Siegel säger." Men det finns tillräckligt många människor som vi som kommer att se den här enheten och installera den i sitt hus och vill träna den. "

Utöver eluttag, Siegel ser teamets resultat som ett bevis på konceptet för "genomgripande intelligens, "och en värld som består av vardagliga enheter och apparater som är intelligenta, självdiagnostik, och lyhörda för människors behov.

"Allt detta flyttar intelligensen till kanten, till skillnad från på en server eller ett datacenter eller en stationär dator, "Siegel säger." Jag tror att det större målet är att ha allt anslutet, hela tiden, för en smartare, en mer sammankopplad värld. Det är den vision jag vill se. "

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.