文 / 自動化所  涂紹凱

研究背景與動機

在過去眾多物聯網應用研究中，雲端智慧技術以網際網路無中斷為基礎，並集中收集各地傳感數據傳輸至中央雲端資料庫儲存，後續進行人工智慧機器學習之資料分析與瑕疵診斷（以配電設備狀態監測應用為例），再將診斷結果發送至本地端應用設備。如此一來對網路頻寬的需求極為講究，儘管現今網路技術有所增進，但仍無法確保傳輸過程中傳輸速率與回應時間能符合使用者應用需求。對此，嵌入式開發版Jetson Nano則可實現有別於雲端智慧，進行邊緣端智慧瑕疵檢測，藉由邊緣技術盡可能接近應用場域以減少延遲狀況和頻寬使用，從而最大限度地減少本地端與伺服器端之間所發生的通信量。此外，其最大的優勢在於能夠有效改善網路依賴性，不再需要仰賴永不中斷的連線網路（邊緣智慧不中斷）。基於邊緣智慧技術的導入與IoT之AI雲端運算應用整合，本社群構想將進行「雲端－邊緣架構為基礎的智慧型電氣（預）診斷系統」的設計與開發，預計改進現今雲端智慧架構所存在的缺點，並提供進階的邊緣整合系統。以下我們將提出預期的研究貢獻：

(1)在網際網路偶發狀況，發生離線中斷時，現地端邊緣智慧仍具有處理本地端即時資料能力（AI物件辨識及瑕疵診斷），維持正常系統運作流程。
(2)開發與驗證具有「物件偵測與自動故障診斷」的雲端AI演算法，並可植基該AI演算法於現地端的IoT終端裝置(Nvidia Jetson nano)。

系統架構與研究步驟：
本社群構想之系統架構將以圖（一）展示，簡單區分成三個區塊，分別是end device、edge client以及cloud server三者相互串聯整合。以下將細項說明自動化瑕疵診斷系統開發步驟，預計將分成四個執行階段完成。

(1)「配電盤可控負載環境建置」： 設計一組具可控實驗環境，架構以單相三線式家用配電盤為比擬對象，再參考現今配電盤相關規範以及常引起火災案例原因，模擬電器設備負載分別在輕度、中度、重度瑕疵狀態時進行模擬實驗。
(2)「物件瑕疵診斷Rule base」: 針對前述所配置之配電箱元件，尋找國內外相對應的診斷規範，最終建立一則配電設備元件診斷規則表，其功能最主要是用於自動化診斷過程中基礎判斷是否存在缺陷發生的準則。
(3)「雲端深度學習AI演算法開發建模」：建立熱影像資料集，並採用深度學習中以CNN(Convolution Neural Network)為基礎架構的YOLO(You Only Look Once)物件偵測(one -stage)演算法，以此作為基礎整合一套雲端AI深度學習演算法，進而建立物件辨識之模型，並驗證其訓練穩定度和效能比較。
(4)「Jetson Nano主體與熱像模組整合」：此部分將以嵌入式開發版Nvidia Jetson Nano為主體，並利用USB將熱像模組(lepton 3.5 module)所感測到的溫度數據進行傳輸與分析，透過github將上述離線建立之模型進一步佈署至嵌入式開發版上（AI物件偵測於雲端平台完成建模），實踐邊緣智慧AI，亦期望一同實現系統即時性診斷分析，架構分析如圖（二）左側Edge client 所示。

實驗平台與結果展示：
依據離線訓練完的AI物件偵測模型，再針對實驗室可控配電箱進行系統驗證及消融實驗，首先將熱像模組與嵌入式開發版做整合，將欲診斷之影像以及其溫度資訊做擷取動作，影像作為物件偵測模型的輸入資訊，溫度資訊則作為診斷的依據條件，接著按照規則表診斷出其相對應的結果。最終本社群團隊根據實驗模擬情境驗證系統其可行性。實體展示平台如圖（三）所示。

模擬情境舉例：(監測(NFB, No Fuse Breaker)兩側接續處之接點狀況)
以監測(NFB, No Fuse Breaker)兩側接續處之接點狀況為例，將配電盤中NFB(15A)與2.0(mm)銅導線間的螺絲接點鬆脫並更換鏽化後的螺絲，促使端子鎖接觸不良，造成電阻率上升，以此模擬配電箱因年久失修導致設備元件發生瑕疵之案例。其中紅外線擷取圖像、物件偵測結果以及診斷分析分別如圖（四）、圖（五）所示。首先進行AI物件偵測辨識，再者根據辨識結果對應元件診斷規則表，細部分析其狀態以及缺陷程度等級，比如圖（四）所偵測之最上方NFB右側接點具有缺陷，兩側接點溫度相差至17.82度，因此透過規則表我們將可自動斷定為緊急缺陷，需立即維護元件狀態。

參考資料(校訊)：https://newsletter.ntut.edu.tw/p/406-1121-129560,r2574.php

圖（一）雲端-邊緣智慧架構之配電盤狀態監測系統設計與開發

圖（二）配電系統在線監測與離線資料存取建模架構

圖（三）配電設備邊雲協作監測系統實作平台

圖（四）配電元件勿進偵測結果

圖（五）配電盤(單時間點)物件辨識及瑕疵診斷結果