Sono moltissimi gli incendi in case e aziende, purtroppo a volte con feriti e morti, oltre a danni gravissimi. Oltre un quarto di questi incendi è imputabile ad anomalie dell'impianto elettrico. La maggior parte di questi è causata dalla formazione di archi elettrici che ne determinano l'innesco.
Per questo esistono gli AFDD (Arc Fault Detection Devices), dispositivi che grazie a una tempestiva identificazione del guasto, possono preservare vite umane, edifici e beni insostituibili. Secondo il MIT gli AFDD moderni sono però eccessivamente sensibili e interrompono l'alimentazione di una presa in risposta a segnali elettrici che in realtà sarebbero innocui.
Per questo a Boston stanno creando quella che chiamano "smart power outlet", un dispositivo capace di analizzare l'uso della corrente elettrica di una o più prese e capace di distinguere tra archi benigni - picchi elettrici innocui come quelli causati da comuni elettrodomestici - e archi pericolosi, come scintille figlie di collegamenti difettosi e che potrebbero scatenare un incendio.
Il prodotto del MIT può anche essere allenato a identificare i dispositivi collegati, per esempio a capire se la presa sta alimentando un computer o una ventola. Il progetto dei ricercatori prevede una soluzione hardware ad hoc che processa i dati legati alla corrente elettrica in tempo reale, e un software che analizza il dato tramite una rete neurale.
L'algoritmo di machine learning è in grado di determinare se un segnale è dannoso oppure no confrontandolo con un segnale catturato in precedenza, nella fase di "allenamento" della rete. Maggiore è il numero di dati a cui la rete può "abbeverarsi", più accurate sono le "impronte digitali" usate per distinguere il comportamento benigno o maligno di arco di corrente.
Joshua Siegel, ricercatore del dipartimento di ingegneria meccanica del MIT, ha spiegato che questo dispositivo può essere connesso senza fili ad altri dispositivi. L'idea finale è quella di creare una rete pervasiva in cui gli utenti possono installare non solo una presa di corrente intelligente nelle proprie case, ma anche un'app sul loro telefono, tramite cui possono analizzare e condividere i dati sul loro uso elettrico.
I dati - quali dispositivi sono collegati e dove, ma anche quando il sistema è andato in protezione è perché - se condivisi consentirebbero di perfezionare ulteriormente l'algoritmo di apprendimento automatico.
"Rendendo l'IoT in grado di apprendere, sei in grado di aggiornare costantemente il sistema. Di conseguenza l'aspirapolvere farà scattare l'interruttore una o due volte la prima settimana, ma diventerà più intelligente con il passare del tempo", ha spiegato Siegel. "Avendo 1.000 o 10.000 utenti che contribuiscono al modello, pochissime persone sperimenteranno interruzioni di corrente perché si avranno tanti dati aggregati da tante case diverse".
"Tutti gli AFCI (arc fault circuit interrupter) che abbiamo analizzato avevano piccoli microprocessori, ed eseguivano un algoritmo tradizionale che cercava firme semplici e primitive di un arco", ha aggiunto il coautore dello studio Shane Pratt. Così al MIT hanno progettato qualcosa di più complesso, capace di discernere meglio i segnali benigni da quelli maligni.
Per farlo hanno usato un Raspberry Pi Model 3, capace di registrare i dati in ingresso relativi alla corrente elettrica, e una pinza amperometrica induttiva posta in prossimità (senza toccarlo) del filo della presa per rilevare il passaggio della corrente tramite il cambiamento del campo magnetico.
Tra la pinza amperometrica e il Raspberry, il team ha posto una scheda audio USB, usata per leggere i dati di corrente in ingresso. Il team ha riscontrato che queste schede audio sono ideali per catturare il tipo di dati che viene prodotto dai circuiti elettronici, in quanto progettate per raccogliere segnali molto piccoli ad alte velocità, simili a quelli che emessi da un filo elettrico.
La scheda audio ha anche altri vantaggi, incluso un convertitore integrato analogico-digitale che campiona segnali a 48 kiloherz, il che significa prendere valori 48.000 volte al secondo, e un buffer di memoria integrato, che permette al dispositivo del team di monitorare continuamente l'attività elettrica in tempo reale.
Oltre a registrare il dato in ingresso, gran parte della potenza del Raspberry Pi è dedicata alla rete neurale. Per il loro studio i ricercatori hanno allenato la rete a stabilire "definizioni", o meglio a riconoscere i modelli elettronici associati, di quattro configurazioni di prodotti: una ventola, un iMac, un piano cottura a induzione e un generatore di ozono - un purificatore d'aria che produce ozono caricando elettricamente l'ossigeno nell'aria e che può produrre una reazione simile a un arco elettrico pericoloso.
Il team ha fatto funzionare il dispositivo molte volte in diverse condizioni, ottenendo i dati che ha poi dato in pasto alla rete neurale. "Creiamo le impronte digitali dei dati e li etichettiamo come buoni o cattivi, o indicando a quali dispositivi appartengono", ha spiegato Siegel. "Ci sono le impronte digitali buone e poi quelle delle cose che bruciano casa tua. Il nostro lavoro a breve termine è capire cosa brucerà casa tua e cosa no e, a lungo termine, capire attentamente che cosa è collegato alla presa e dove".
Dopo aver allenato la rete, i ricercatori hanno fatto funzionare l'intera configurazione con i nuovi dati ottenuti dai quattro dispositivi e riscontrato che la rete è in grado di capire quale tra i quattro è collegato con una precisione del 95,61%. Per quanto concerne l'identificazione dei segnali buoni e di quelli cattivi l'accuratezza è stata del 99,95% - di poco superiore agli AFCI esistenti. Il sistema è stato anche in grado di reagire rapidamente e di far scattare un circuito in meno di 250 millisecondi, con prestazioni simili ai prodotti certificati.
La sfida è chiaramente non solo portare questo progetto sul mercato, ma poi anche creare quella fiducia necessari affinché le persone condividano le informazioni utili a migliorare costantemente la rete neurale.