東京工科大学　工学部　電気電子工学科　ブログ

こんにちは。電気電子工学科の新海です。

AIやIoTの分野では、たびたびビッグデータが登場します。ビッグデータとは、以前のデータベースでは扱えないほど巨大で複雑なデータ群です。これをうまく使うと価値の高いアウトプット・サービスを生み出せるとされているわけです。 

一般にビッグデータの収集には費用がかかります。良い結果が得られることがわかっていても、費用がかかり、コストパフォーマンスがよくないなら、やっぱりやめとこう、となるわけです。 

例えば、農業でもビッグデータの活用が期待されています。気温や湿度、日射量はもちろん、風速・風向き、水質、土壌の栄養分濃度・水分濃度・温度、作物のいろいろ、と、限りなくデータを取りたくなります。 

しかし、日本の農業は小規模農家が多いため、投資に踏み切れない面もあるようです。インフラ関係でも、大きな電力会社や自治体はよいのですが、小規模なところでは同じ悩みがあるようです。 

ビッグデータの解析、保存・蓄積、通信など、たびたび話題になりますが、ビッグデータの基になるセンサやカメラなどの技術もとても重要です。ビッグデータを意識すると、安価・小型・頑丈・低消費電力なものが欲しくなります。精度は目的により要求レベルが異なるわけです。過剰スペックを求めてはいけません。 

ビッグデータの活用を進めるために、センサの進化・多様化が必要です。目的に応じて、いろいろなものから選択できることが重要です。前置きが長くなってしまいましたが、その一例として、風向風速センサの研究を紹介したいと思います。このセンサは写真のような単なる棒です。

通常の風速センサは、風杯型(小型風車)や電熱線を使うもの、超音波を使うものなどあります。風杯型は大きく、熱線・超音波は高価で繊細です。この棒センサでは、ひずみゲージという、曲がると抵抗が変わる金属を張り込んで使っています。 

風が強くなるほど棒のしなりが大きくなり、ひずみゲージの抵抗変化が大きくなることを使って風速を求めます。ひずみゲージを4枚使うと、わりと単純な回路で風向きも測定できます。棒をパイプにし、内面にひずみゲージを張ることで屋外でも使用できます。他の種類のセンサ(例えば温度)を棒に埋め込むこともできます。 

今日はここまでにします。

こんにちは、電気電子工学科の天野です。

先日のオープンキャンパスでは研究で用いている技術を転用したデモンストレーションを実施しました。技術面では前回のAI/IoTブログで紹介した音伝播特性＋AI/機械学習を用いた内容で、これを使って簡単な当てもの手品？を実現しました。

先日のオープンキャンパスでは通算で8回デモンストレーションを行って、2回失敗したのでやり直しました。1回はスマホを操作直後に触れてしまったので、実質的に失敗は1回でした。内心ではもっと失敗するかもと心配していたので成功率は上々でした。音伝播特性を用いているので、どうしても周辺の騒音の影響を受けます。それなりに騒音耐性のあるように作り込んでいますが、一定以上の外音が入ってしまうと誤認識が増えすぎてしまうのです。

この作り込みでどのような工夫をしたかを簡単に紹介してみます。この例では様々な騒音環境下で様々な配置で録音を行って、その多様なデータで機械学習のトレーニング（学習）を行いました。単純に静穏な環境での録音データだけでトレーニングを行うと騒音に弱いモデルができあがってしまうからです。他にも、擬似的にノイズを付加したデータを生成してトレーニングに用いる方法や録音データをフィルタリングしてから推定するといった方法も考えられます。

こういった手法はどれが正解というのではなく、対象に合わせて選んだり、組み合わせたりします。研究室で学生が行っている研究では対象の特性に合わせてこういった手法を理論と試行錯誤で解決します。卒研生はまもなく中間発表、大学院修正課程2年生も予備審査会が近づいていますので、こういった試行錯誤を経て、適切な手法を導き出して良い成果を目指しているところです。

こんにちは。電気電子工学科の新海です。

AIや機械学習というと、文章や文字（テキスト）、画像などを扱ったものが多いのですが、
いろいろな適用先に拡大しようという研究が少しずつ進んでいます。

コンピュータシミュレーションってわかるでしょうか？
力、熱、電磁界、流体、などなど、物理法則にのっとって、いろいろな物理現象を計算机上で再現するものです。
産業界でも、様々なシステムや機器の研究や開発になくてはならないものになっています。

このコンピュータシミュレーションをAIで手助けする研究をしています。
といっても活用法はいろいろあります。
“モノ”の形状を最適化する、というのが、もっとも成果をあげているAI的方法です。
最近始めたのは、AIでコンピュータシミュレーションの計算精度をよくする、もしくは計算時間を短縮するといった研究です。

コンピュータシミュレーションはとても役立つものですが、
大規模なもの、複雑なものを計算すると、膨大な時間がかかります。
例えば、何日も時間がかかために、いまひとつ活用できない（間に合わない！）ということもあります。

下の絵は、とある機械内部の流れの分布を示しています。
左側は計算精度のよい結果です。
右側は短時間で計算できるようにモデルを変更したものです。短時間になった代わりに計算精度を犠牲にしています。
ＡＩに助けてもらい、右側の計算時間で、左側なみの計算結果を手に入れたい！という虫のいい話を考えているわけです。

シミュレーション結果を機械学習させた優秀な学習モデルをつくっておけば、
実際シミュレーションしなくてもよい結果が予測できるということになります。
機械学習にはGNN(グラフニューラルネットワーク)を使っています。
と言ったって、そんなに簡単にいくわけないですよね。
挑戦中です。よい結果が出たらまたご紹介したいと思います。

ちなみに、この研究は共同研究で行っています。
分野の異なる方もいて、なかなかおもしろいです。

こんにちは。電気電子工学科の新海です。

インフラIoTの一例として、高電圧電力ケーブルの劣化診断のお話をしました。その続きです。

経年劣化で絶縁耐力が低下してくるとケーブルのシースや被覆(カバー)で部分放電が起き始めます。そうなったら、いち早く検知し、交換や保守をうまく進める必要があるわけです。

簡単に、安く、安全に、AIの力も借りて、誰でも診断できるようなシステムを目指して研究しています。

磁界を使った非接触の電流センサを使って、負荷電流を測定します。その中に含まれる微小なコロナ電流信号を分離してあげる必要があります。

測定波形をそのままAIに読ませて異常度を診断することも試しましたが、初期の部分放電は微小で、周波数やタイミングもランダムなため、簡単ではありません。AIの前のデータ処理を工夫することが重要です。

比較的うまくいきそうなのがウェーブレット変換を使った方法です。周波数スペクトルって聞いたことあるでしょうか？　波形の中にどんな周波数成分が含まれているかという情報を示します。ウェーブレット変換は少し精度は落ちるのですが、周波数スペクトルの時間変化を求めることができます。

図のように、ウェーブレット変換で時間と周波数と強度の３つの情報を含んだカラーマップを作り、AIによる画像診断に持ち込めないかなと考えて研究中です。宝探しみたいなものですね。（宝じゃなくて異常ですが。。。）

こんにちは、電気電子工学科の黒川です。

前回も少し書きましたが、私の研究室では計算知能に関する研究を行っています。計算知能って聞き慣れない言葉ですが、最近流行りの人工知能のように少し賢いコンピュータを作るための技術のことを言います。

もう少し具体的に書くと、遺伝的アルゴリズムや遺伝的プログラミング、粒子群最適化などの進化計算アルゴリズムとニューラルネットワークをベースとした機械学習アルゴリズムをツールとして具体的な問題への適用を考えています。

例えば、数年前に最適な避難誘導看板配置を決める方法を提案しています。図のように、地図を決めて、マルチエージェントシミュレーションという手法で災害時の人流のシミュレーションを行いながら、遺伝的アルゴリズムを使って避難にかかる時間を短くする最適な看板の配置を求める試みです。

他にも、かなり昔の話になりますが、遺伝子制御ネットワークという生き物の仕組みを表現したネットワークを推定する研究もしていました。これは一種のシステム推定の研究で、ニューラルネットワークを使います。

最近はマイクログリッドの運用や電気自動車の運用など社会システムの最適化に興味を持っていて研究室の学生と一緒に考えを膨らませているところです。おそらく近々お話しできるような成果も上がるんじゃないかと期待しています。

冗談のようなことを真面目にやっていたりもします。例えば、数年前には遺伝的プログラミングを用いたじゃんけんマシンを作りました。人間とじゃんけんをして勝てるプログラムを作るのは無理ですが、ある程度人間っぽさが現れるプログラムができました。統計的に人間っぽさを評価しているのですが、ただの乱数とは違った性質が見えてきます。

役に立たない研究…と言われることも多いのですが、ここには人間の意思決定の特性とか、乱数ってなんだろう？とか、計算知能は何ができて何ができないのかとか、好奇心をくすぐるネタがたくさんあります。論文はいろんな国の人がダウンロードしてくれているっぽいので、人間の知的好奇心には訴えかけているようです。

ただ、この研究、一つ欠点があって、じゃんけんをするときの手の入力にキーボードを使うので、人間らしいじゃんけんになってません。より自然なデータを取るためにカメラで人の手を撮ってじゃんけんの入力としてくれる機械を昨年作ってみました。実用に耐える精度にはもう少し改良が必要なので頑張っているところです。

こんな感じであまり派手な研究はしてませんが、研究って、どんな分野やテーマだとしても、やってる本人が面白いと言うのが大事だなと思います。これを読んでくれた皆さんも、ぜひ自分の研究テーマを決めて研究を楽しんでみましょう。

こんにちは、電気電子工学科の天野です。

私の担当する研究室で取り組んでいるインフラIoTのテーマの1つに斜面監視があります。このテーマは研究室での最初のインフラIoTの取り組みであり、沖縄県の株式会社 南伸様との産学共同研究を進めてきました。

更に昨年から同じ斜面監視ではありますが、異なる機器・条件に関連した産学共同研究を株式会社ファストリンクテック様と「簡易斜面監視システムの開発」として開始しました。

現在、天野研の大学院生 Mさんが斜面監視に関連した研究に取り組んでいます。その中で塩ビパイプに様々なセンサーを詰め込んで継続的に計測する準備をしています。多数のセンサーを接続するためにかなりがっしりとした装置ができあがりつつあります。私も先行して取り組んできた研究でいくつかの試みをしてきましたが、今回はそれらを上回る詳細なデータの計測を目指しています。せっかくなので私も大学院生とは違う機器構成で同種の装置を作っています（申し訳ありませんが、現時点ではいずれも中身はお見せできませんので写真はただの塩ビパイプになってしまいました...）。

研究室で取り組んでいるインフラIoTに関する研究では初段階はいささか過剰なデータ計測をしています。どんなデータがどれぐらい分析に有益かを知ることが目的なので、余分にデータをとって様々な分析をしてみます。ここで余分というのは対象によってセンサーの種類・数・場所・期間など様々です。計測範囲が広いままだとコスト・消費電力の面で課題が多いので、最終的には余計な部分をそぎ落として最小化した計測手段を検討します。Mさんの取り組みはこの初段階に相当しています。

私が試作しているのは継続計測・通信を目的とした試行で計測データは少なくなります。その分だけメンテナンス間隔を長くすることができるので実用性という面では優れていると期待しています。これだけだとデータ量が足らないので何をどれぐらい計測すればよいのかがはっきりとしません。あくまでもこの時点では補助的な位置づけになります。

実はまだこの私の方の取り組みをMさんに話していないので、このブログで知られてしまいますね...。Mさんの計測を優先した装置と私の試作した通信を優先した装置を比較・様々な面から評価して、その結果をいずれまたブログに掲載したいと思います。

こんにちは、電気電子工学科の高木です。

皆さんは、TVのリモコンやラジオで、乾電池が液漏れして使えなくなった経験はありませんか？　おそらく、誰もが一度や二度は経験していると思います。乾という言葉とは異なり、乾電池には電解液という液体が使われているためです。

こうした液漏れを無くすため、電解液の代わりにセラミック材、半導体を使った固体電池の研究が進んでいます。固体電池は電子機器だけでなく、大容量の電気自動車のバッテリとしても期待されています。しかしながら、現状では電子機器用の小型な固体電池が市販されているレベルです。

高木研究室では、2019年から東芝マテリアル（株）との共同研究で半導体薄膜を使った固体電池（半導体蓄電池）の研究を行っています。今回、市販の固体電池（セラチャージ）を入手し、両者の特性を比較しながら、電子機器の電源に適用する研究を始めました。

固体電池と太陽電池を組合せ、太陽光で発電した電力を固体電池、半導体蓄電池に蓄え、夜間でも使えるようにします。液漏れがなくなり、電池交換が不要な全固体素子の電源を開発し、屋外で使われるIoT端末や電子機器に展開できると考えています。

こんにちは，電気電子工学科の美井野です．

第１回のブログで紹介した通り，私の研究テーマは AI や IoT の基本単位である「数理モデル」の解析です．基本単位ということで，「いかにコンパクトなモデルで世の中の不可思議な現象を捉えられるか」という視点でのモデル設計にも取り組んでいます．

コンパクトなモデルを考えることにはどのような意味があるでしょうか？

簡単なロードマップとしては，次のような例が考えられます．

1. AI/IoT を含む大規模システムの不具合（不安定な動作，最適でない値への収束）を観測する
2. 不具合を観測できるコンパクトなモデルを設計する
3. 設計したモデルを解析し，不具合の根本的な要因をさぐる
4. 得られた知見を元の大規模システムに還元する

すなわち，複雑に入り組んでいて手も足も出ないシステムも，適切に部分分解すれば手も足も出せるようになるのです．

昨年末に，電子情報通信学会の国際会議「2020 International Symposium on Nonlinear Theory and its Application」[1] や 米国電気電子学会 IEEE のワークショップ [2] にて不安定動作を示す最小構成の回路を公表しました．

現在，中京大学の研究チームと合同で回路設計・解析に取り組んでいます．上記ロードマップのステップ 3. に相当する部分です．

このステップでうまく解析ができれば，AI/IoT を始めとした様々な大規模システムで生じる不具合の検知や回避に役立つ見込みです．

[1] Yuu Miino, and Tetsushi Ueta, "Devil's staircase and multistability in a hybrid harmonic oscillator," Proceedings of 2020 IEICE NOLTA, Virtual, pp. 501-504, Nov. 2020.
[2] Yuu Miino, and Tetsushi Ueta, "An RLC circuit with a switch giving rich nonlinear phenomena," Proceedings of 2020 IEEE NCN, Tokushima, Japan, pp. 84-87, Dec. 2020. 

こんにちは。電気電子工学科の新海です。

天野先生のインフラIoTに続き、第2弾です。

みなさん、コロナ放電とか部分放電って知ってるでしょうか。
雨の日に、電車のパンダグラフや、変電所の機器から、ジリジリという音がすることがあります。
空気中の電界の高い箇所で、湿度が高いと空気の部分的な絶縁破壊が起きる現象です。

これ自体はあまり問題ないのですが、
高電圧のケーブルや機器の内部でこれが起きるのはまずいのです。
経年劣化で絶縁耐力が低下してくると部分放電が起き、
次第に状態がわるくなり、最後は完全な絶縁破壊を起こし、
機器が破損したり、火災が起きるようなこともあります。

部分放電が起き始めたら、いち早く検知し、
交換や保守をうまく進める必要があります。

通常、部分放電の検出には電磁波や超音波を使うのですが、
これがなかなか厄介で、高価な装置と熟練の専門家が必要で、
だれでも簡単に取り組めるものではありませんでした。

簡単に、安く、安全に、AIの力も借りて、
誰でも診断できるようなシステムを目指して研究しています。

写真のような非接触のクランプ型電流センサと、この小さなマイコンで、負荷電流を測定します。
タブレットやPCで、負荷電流波形から小さなコロナ電流信号を分離して、AIで異常度を判定します。

ちょっと長くなるので、検出方法は、また次回紹介したいと思います。

こんにちは、電気電子工学科の黒川です。

私の研究室では計算知能に関する研究を行っています。計算知能って聞き慣れない言葉ですが、最近流行りの人工知能のように少し賢いコンピュータを作るための技術のことを言います。

具体的な研究紹介はまたの機会にして、今日は先週の土曜日にうちの大学院1年生の学生がしてきた学会発表の話をします。発表内容はシステム解析の一種の話で彼の卒論の内容をまとめたものです。小難しい話は置いといて、解析結果としてこんな絵が描けるのですが、これを如何に速く解くかという話題でした。（図は私が良く使う研究紹介のスライドの一部です）

今回発表した彼の仕事はプログラムの並列化です。粒子群最適化のプログラムを分解して、たくさんの小さな計算機が詰まっている機械に計算をやらせます。「小さな計算機が詰まっている機械」というのはゲーム好きな人ならよく知っている「グラボ」と呼ばれる部品です。本来は綺麗な画面を映し出すためのものですが、最近は科学技術計算にも使われます。あの無駄に光るゲーミングパソコンを研究費で購入するのはちょっと気がひけるのですが、絶大な効果が得られます。

通常の学会発表は参加者が同じ場所に集まって発表の時以外にも様々な議論を行う場所が提供されますが、今回はまだまだコロナ禍が続いている中でオンラインの開催でした。オンライン学会は移動もなく参加のハードルも低いので良いところもありますが、やはり現地で集まって対面で行う学会の方がコミュニケーションの密度という点で圧倒的に優れていることをこの1年で感じました。遠隔会議のツールはとても工夫されていますが一度に1人しか話せませんからね。また、コロナ禍が収束して元のように対面の集会ができるようになるのを楽しみにしています。