La misma pequeña pieza de tecnología que algún día puede ayudar a entrenar robots de soldadura y monitorear vehículos eléctricos podría permitir a las empresas de energía potenciar mejor los hogares y las fábricas inteligentes.

Los innovadores de la Universidad de Purdue han desarrollado un módulo de detección que funciona con el aprendizaje automático para aplicaciones que van desde automóviles eléctricos hasta fabricación y diseño de viviendas. La tecnología es un sensor pequeño y no invasivo que monitorea las corrientes eléctricas.

"Hemos creado el primer sensor de corriente de su clase que no es invasivo, seguro y mucho más preciso que otras opciones, "dijo Kaushik Roy, Edward G. Tiedemann Jr., profesor distinguido de Ingeniería Eléctrica e Informática de Purdue, que ayuda a dirigir el equipo de investigación.

Las opciones para la detección de corriente en aplicaciones como vehículos eléctricos incluyen el uso de una resistencia como sensor de corriente o el uso de un sensor Hall no invasivo, que no puede medir pequeñas corrientes. El equipo de Purdue utiliza un algoritmo de aprendizaje automático con el sensor para ayudar a interpretar y recopilar datos como el uso de energía, problemas con los enfoques actuales y mejores para la fabricación.

"Nuestra tecnología permite que alguien descubra a través de "dijo Byunghoo Jung, profesor de ingeniería eléctrica e informática en la Facultad de Ingeniería de Purdue, otro miembro del equipo de investigación. "Este sensor podría utilizarse con el aprendizaje automático para entrenar robots de fabricación, Brindar consejos precisos para los propietarios de viviendas sobre cómo reducir su uso de energía o ayudar a diagnosticar problemas con vehículos eléctricos y scooters ".

Roy dijo que otras ventajas del sensor Purdue incluyen una instalación y un mantenimiento sencillos, ya que el pequeño sensor está envuelto alrededor de un cable central para monitorear la corriente. El sensor puede transmitir la información actual medida a cualquier sistema informático a través de Bluetooth, USB u otros métodos, y se puede entrenar a través del aprendizaje automático para detectar algo tan preciso como la marca de microondas que se está utilizando en un momento determinado y si ese momento del día es óptimo para el consumo de energía.