🚗 車載機器の放射ノイズを予測する機械学習モデル
車載機器の放射ノイズ（エミッション） を予測するために、近年、機械学習（ML） やAIが積極的に活用されています。特に、従来の複雑で時間のかかる電磁界シミュレーション (EMCシミュレーション) を補完・代替し、開発効率を大幅に向上させることを目指した研究が進んでいます。
ノイズ予測モデルの最も一般的なアプローチは、「近傍磁界情報から遠方界の放射ノイズを予測する」というものです。
🔬 主な機械学習モデルのアプローチ
1. 近傍ノイズ（近傍磁界）からの予測
このアプローチが最も実用化に近く、注目されています。
-
入力データ:
-
近傍ノイズ測定データ: 実機または試作機のPCB（プリント基板）表面、筐体近傍で近傍磁界プローブを用いて測定された磁界分布（周波数スペクトル、強度、空間分布）。
-
（場合によっては）基板のレイアウト情報、使用部品の種類、回路動作状態などの設計パラメータ。
-
-
出力データ:
-
遠方界放射ノイズ: EMCサイト（電波暗室など）で測定される、EMC規格（例：CISPR 25）に適合するかどうかを判断するための、3mや10m離れた場所でのノイズレベル。
-
-
学習の目標: 近傍ノイズ測定という簡易で高速な測定の結果と、EMC認証試験に必要な複雑な遠方界ノイズ測定の結果との間の非線形な関係を機械学習モデルに学習させます。
2. 利用される機械学習モデル
主に深層学習 (Deep Learning) や回帰モデルが用いられます。
-
畳み込みニューラルネットワーク (CNN): 近傍磁界の空間分布を画像データとして扱い、ノイズ源のパターンや特徴を認識し、遠方界のノイズレベルに結びつけるのに適しています。
-
多層パーセプトロン (MLP) / リッジ回帰: 周波数ごとのノイズ強度など、数値的な特徴量からノイズレベルを予測する場合に使われます。
-
データセット: 精度を担保するためには、多数の異なる設計の車載機器について、近傍ノイズと遠方ノイズのペアデータを大量に用意する必要があります（ビッグデータの構築）。
💡 メリットと開発現場への適用
開発におけるメリット
| メリット | 詳細 |
| 開発期間の短縮 | 複雑なEMCシミュレーションや、高価なEMCサイトでの実測評価回数を減らすことができ、開発サイクルを高速化できます。 |
| 早期リスク評価 | 開発初期の段階で、実験室内の近傍測定だけで最終的なEMC適合予測が可能になり、手戻りを最小限に抑えられます。 |
| ノウハウの活用 | 過去の膨大な測定データや設計データを機械学習モデルとして形式知化し、効率的に設計に活かせます。 |
今後の展望
この技術は、高周波化・高密度化が進む車載ECU (電子制御ユニット) やADAS (先進運転支援システム) 関連機器のEMC対策において、重要な役割を果たすと期待されています。シミュレーション技術との融合や、レイアウトデータから直接ノイズを予測する技術の研究も並行して進められています。
参考：
「初めてのスペアナによるEMIノイズ対策」 スペアナによるEMIノイズ測定の手順書を差し上げています。
 |
「初めてのスペアナによるEMIノイズ対策」
資料は下記フォームよりご依頼ください。 |
 |
SIGLENT お買い得キャンペンーン実施中(～2026/03/31まで） SSA3000X-R シリーズ リアルタイム・スペクトラム・アナライザ （EMIフィルタ、準尖頭値検波器、EMI測定モード）
姉妹機も実施中（EMI測定機能は同じです） |
