はじめに
前回の記事では、電気保安の現場で高圧受変電設備（キュービクル）の放電音をスマホで録音し、絶縁破壊を予知しようとする取り組みの全体像をご紹介しました。
今回は、「録音したただの音声データから、どうやって放電の特徴をあぶり出しているのか？」という、プログラムの裏側のロジック（PRPD解析の概略）を解説します。電気の専門知識がない方にもわかるように図解しました。
- 放電音の正体と「0.01秒」の法則
そもそも、なぜマイクで録音した音から電気の異常がわかるのでしょうか？
日本の商用電源（東日本は50Hz、西日本は60Hz）は、交流（サイン波）で電気が送られています。設備の絶縁が低下してくると、電圧のピーク（山の頂上と谷の底）付近に達した時にだけ「ジリッ」という微小な放電（部分放電）が発生します。
50Hzの場合、1サイクルは0.02秒です。山の頂上と谷の底でそれぞれ放電が起きるため、放電音は「半サイクル＝0.01秒間隔」で周期的に鳴り続けることになります。
この「0.01秒の周期性」を見つけ出すことが、ノイズだらけの現場から異常を検知するための鍵になります。
２. 音声データの信号処理プロセス（10分割オーバーラップ）
私がPythonで組んだ解析プログラムは、以下の手順でこの周期性をあぶり出しています。
Step 1: 高速フーリエ変換（FFT）と周波数フィルタリング
スマホで録音した音声のうち、0.4秒分（50Hzで20サイクル分）をFFTにかけ、「時間・周波数・音の大きさ」の3次元データに変換します。
現場にはトランスの唸り音（低周波）が溢れているため、ここで高めの周波数帯（開発初期は10〜17kHz付近を抽出。現在はさらに高域の超音波帯域を狙っています）だけをプログラム上で切り出します。
Step 2: 配列の「10分割」と加算
ここがこのアルゴリズムの肝です。
抽出した0.4秒（20サイクル）の配列データを、10個に分割します。1つあたり0.04秒（2サイクル分）のデータになります。これを10枚重ね合わせて（配列の加算・平均化をして）グラフを描画します。
なぜこんな面倒な配列操作をするのか？
それは、「ランダムに鳴る環境ノイズ」を薄め、「0.01秒間隔で鳴る放電音」だけを増幅させるためです。同じ位相（タイミング）で鳴る音だけが重なって山が高くなるため、放電の兆候が視覚的な「パターン」として浮かび上がってきます。
３. 現場の実測で分かった「限界」（AIが必要な理由）
このアルゴリズムを使って、実際の現場で録音と絶縁抵抗値の測定をひたすら繰り返しました。
その結果、多くの現場で「音の振幅パターン」と「実際の絶縁抵抗値（劣化具合）」に強い相関関係がありそうな手ごたえを感じました。
しかし同時に、単純なアルゴリズムと計算式では越えられない「限界」にも直面しました。
そこで得られた振幅こそが、絶縁抵抗値と線形な関連があるという仮説は崩れ去りました。
４. 次のステップ：ディープラーニングとエッジAIへの挑戦
だからこそ、私はこのプロジェクトに機械学習（CNNなどの画像認識AI）を導入したいと考えています。
10枚重ねて作った「PRPDの波形画像（スペクトログラム）」をAIに読ませれば、「これは放電の特徴だ」「これはただの励磁音だ」と高精度に見分けてくれるはずです。
【現在の構想と募集】
目標は、1万円台のRaspberry PiにこのマイクとAIモデル（TensorFlow Lite等）を載せて現場に設置し、異常を察知して現場へ急行できるシステムを作ることです。
私1人のフィールドワークで、すでにテスト用の生データ（音声と実測値のセット）は蓄積され始めています。
しかし、このデータを捌くパイプラインの構築や、ラズパイ上で動くエッジAIの軽量化実装において、私1人では手が足りていません。
課題はまだあって、サンプリング周波数を96KHZに強化し、実用上48KHZまで測定周波数帯を広げたいのです。
（現在のプロトタイプでは44.1KHZサンプリング）
「社会インフラを守るAI」で卒論・修論を書きたい情報系の学生さん
IoTやエッジAI（TFLite）の泥臭い実装に興味があるエンジニアの方
引き続き、一緒にこの「ゲームチェンジャー」を作ってくれる仲間を募集しています！少しでも興味が湧いた方は、お気軽にコメントやDMをお願いします。