Real Time NILM Based Power Monitoring of Identical Induction Motors Representing Cutting Machines in Textile Industry

技術概要：繊維産業における同一誘導モーターのリアルタイム NILM に基づく電力監視

問題提起
バングラデシュの繊維産業は主要な経済貢献者であるが、監視慣行が旧来型であるため、依然としてエネルギー集約型である。多くの施設の現在のエネルギー管理は、手動追跡または侵入型負荷監視（ILM）に依存しており、これには広範なセンサー設置、複雑な配線、および高い維持コストが必要となる。ILM は詳細なデータを提供するが、大規模工場でのスケーリングが困難であり、過酷な産業環境における較正の問題に悩まされている。非侵入型負荷監視（NILM）は、単一の集約測定点から個別の機器消費を推定することで、費用対効果の高い代替手段を提供する。しかし、既存の NILM 研究は、主に多様な負荷を有する住宅環境に焦点を当てている。リアルタイムかつ低周波の監視条件下で、同一のモーター駆動負荷（例えば繊維切断機など）を区別するために NILM を産業環境に適用するという点において、大きなギャップが存在する。

方法論
著者らは、これらの課題に対処するためのハードウェアおよびソフトウェアフレームワークを開発した。

• 実験セットアップ: システムは、3 台の同一 50W 誘導モーター（切断機を表す）と 2 台の 15W 電球負荷（補助照明を表す）を使用して、繊維切断セクションを模擬する。
• ハードウェアアーキテクチャ:
  • センシング: ZMPT101B（電圧）および ZMCT103C（電流）センサーが、主電源線および個別負荷線からデータを取得する。
  • 処理: Arduino Mega 2560 が信号をデジタル化し、リアルタイムの電気パラメータを計算する。
  • 送信: ESP8266 Wi-Fi モジュールがデータをクラウドプラットフォームに送信する。
  • 可視化: データは Google シートに保存され、ローカルの 20×4 LCD およびリモートの Blynk モバイル/ウェブアプリケーションを介して可視化される。
• データセット作成: 15 日間にわたり、チームは平均サンプリング間隔 5 秒で 180,631 サンプルを収集した。データセットには、集約データおよび個別負荷データの両方を捕捉する 16 種類の異なる負荷状態の組み合わせが含まれる。
• モデル選択: 本研究では、マルチヘッド自己注意（2DMA）メカニズムを利用した最先端モデルである MATNILM（多機器タスク非侵入型負荷監視）を採用する。REDD や UK-DALE などの住宅用データセットを使用した先行研究とは異なり、このモデルは新たに作成された産業用データセット上で訓練および評価された。
• トレーニング戦略: 時間的負荷パターンを保持するため、データセットは時系列順に分割された（トレーニング 81%、検証 7.6%、テスト 11.4%）。モデルは特定のハイパーパラメータ（バッチサイズ 32、学習率 0.001）で微調整され、限られたデータセットサイズに対処するためにデータ拡張が利用された。
• 評価指標: パフォーマンスは、平均絶対誤差（MAE）、信号集約誤差（SAE）、F1 スコア、および正規化分解誤差（NDE）を用いて評価された。

主な貢献

1. 産業用データセットの作成: 本論文は、実験的にテストされた同一誘導モーターから導出された新しいデータセットを導入し、合成データや住宅データに依存するのではなく、繊維産業の応用に特に関連するベンチマークを提供する。
2. 統合リアルタイムフレームワーク: 著者らは、データ収集、モデル展開、およびリモート監視（Blynk 経由）を組み合わせた完全なシステムを提示し、オフライン評価を超えて機能的な産業プロトタイプへと移行させた。
3. 同一負荷における評価: 本研究は、ほとんどの NILM アルゴリズムが困難に直面する条件である、同一負荷を含む困難なシナリオにおける MATNILM モデルのパフォーマンスを具体的にテストする。
4. 産業的限界の特定: 本研究は、特に同一機械の区別および低周波サンプリングの影響に関する NILM が産業文脈で直面する困難を明示的に浮き彫りにする。

結果と洞察

• 集約対分解パフォーマンス: システムは、総集約エネルギー消費量の推定において妥当な精度を示した（SAE 平均 8.65%）。しかし、機器ごとの分解には重大な課題に直面した。
• 同一負荷の影響: モデルは、単一の機械のみが稼働している場合は良好に機能した。しかし、2 台以上の同一モーターが同時に稼働すると、パフォーマンスは急激に低下した。これらのシナリオでは、モデルは頻繁に同一ユニット間でエネルギーを誤配分し、より高い MAE（6.20W から 12.68W の範囲）および低い F1 スコア（0.66–0.79）をもたらした。
• 状態検出: モデルは、重なり合う電力特性により、同一モーターの ON/OFF 遷移を区別することに苦労した。一方、非モーター負荷（電球）はより効果的に追跡されたが、定常状態の大きさには依然として誤差が生じた。
• リアルタイム展開: 展開後、システムはリモートアクセス性を維持しながら機能した。リアルタイムテストでは F1 スコアが向上し（負荷の存在検出の向上を示す）、MAE および SAE は増加した。これは、制御されたトレーニング環境には存在しなかったセンサーノイズおよびデータシフトに起因する可能性が高い。

意義と主張
本論文は、NILM が産業エネルギー監視の可能性を秘めている一方で、同一モーター駆動負荷への適用は現在限られていると結論付けている。著者らは控えめに、自らの研究がリアルタイムかつ低コストの監視フレームワークの実用的実現可能性と、残存する特定の技術的障壁の両方を浮き彫りにしていると主張する。

本研究は、この文脈における高精度分解を妨げる主な限界は以下の通りであると主張している。

1. 現在のモデルが同一の電力特性を区別できないこと。
2. 識別に必要な過渡特性を捉えられない低周波データへの依存。
3. 小規模データセットがモデルの汎化に課す制約。

著者らは、将来の改善には高周波のデータ収集、より大規模かつ多様な産業用データセット、および同一負荷の処理に特様に設計された高度な深層学習アプローチが必要であると示唆している。彼らは、同一負荷の分解の問題を解決したと主張するのではなく、むしろ産業環境における現在の能力の重要な評価を提供している。