តើការបិទ-បើកសៀគ្វី IoT អាចបង្ការគ្រោះថ្នាក់អគ្គិសនីបានដោយប្រសិទ្ធភាពឬទេ?

ការបិទ-បើកសៀគ្វី IoT៖ ការសម្គាល់ការខូចខាតក្នុងរយៈពេលតិចជាងមួយវដ្ត និងឆាប់រហ័ស

ការរចនាដែលទូទៅបំផុតសម្រាប់ស្វ៊ីតឆ្លាក់ (circuit breaker) ប្រើប្រាស់ការប៉ះពាល់ដែលផ្អែកលើការកំដៅ ឬការម៉ាញេទិក។ ចរន្តខុសប្រក្រតីត្រូវតែបន្តរយៈពេលជាក់លាក់មួយ (ជាទូទៅ ៣–៥ វដ្ត AC ឬ ៥០–៨៣ មិល្លីវិនាទី) ដើម្បីឱ្យស្វ៊ីតឆ្លាក់ធ្វើការ។ កំរិតនេះដំណាំងជាការហ៊ានដែលមេកានិក ហើយមិនបានយកចិត្តទុកដាក់ចំពោះការខុសប្រក្រតីដែលមានរយៈពេលគ្រាន់តែមិល្លីវិនាទី (ដូចជាការផ្ទះផ្លែកអេឡិចត្រិក ឬការធ្លាក់ចុះវ៉ុលដែលឆាប់រហ័ស)។ ផ្ទុយពីការអនុវត្តន៍ឧស្សាហកម្មទូទៅ ហេតុការណ៍ដែលមានថាមពលខ្ពស់ និងរយៈពេលខ្លី កើតឡើងជាប្រចាំ ហើយជាប៉ារេន្តនៃការខូចខាតសម្ភារៈឧស្សាហកម្ម ៤២% (EPRI ២០២៣)។ ហេតុការណ៍ទាំងនេះជាទូទៅបានសម្អាតខ្លួនឯង ហើយកើតឡើងក្នុងរយៈពេលឆ្លើយតបរបស់ឧបករណ៍ការពារការខុសប្រក្រតីបែបបុរាណ។ នេះបណ្តាលឱ្យមានការកើនឡើងយ៉ាងឆាប់រហ័សនៃសីតុណ្ហភាព (thermal runaway) ឬសូម្បីតែការបាក់បែកនៃស្រទាប់ការពារ (insulation failure) ការបាក់បែកនៃឧបករណ៍ និងសូម្បីតែការបាក់បែកជាបណ្តើរៗ។ ឧបករណ៍បែបបុរាណទាំងនេះមិនមានការវិភាគលើរាងរបស់សញ្ញាប៉ារេន្ត (waveform-level analysis) ហើយដោយសារតែការខ្វះខាតនេះ ពួកវាមិនអាចរកឃើញភាពមិនធម្មតានៅកម្រិតមិក្រូវិនាទី ដែលអាចនាំឱ្យមានការបាក់បែកយ៉ាងធ្ងន់ធ្ងរបានទេ។

ស្ថាបត្យកម្មដែលដំណាំនៅលើគែម (Edge-Processing Architecture): ការវិភាគជាក់ស្តែងនូវបច្ចុប្បន្នភាព សីតុណ្ហភាព និងការរាវរាយ

ដោយសារការអនុវត្តប្រព័ន្ធអ៊ីនធឺណិតនៃវត្ថុ (IoT) ស្តេកប្រព័ន្ធបិទ-បើក (circuit breakers) ឥឡូវនេះអាចដាក់បញ្ចូលម៉ូឌុលដែលដំណាំនៅលើគែម (edge-processing modules)។ ម៉ូឌុលទាំងនេះអាចអនុវត្តការស្ទង់សញ្ញាបានយ៉ាងស៊ីនគ្រូនីស (synchronized, multi-parameter sensing) ដោយប្រេកង់គំរូ 10kHz (មានន័យថា ពេលវេលាដែលបិទ-បើក 250 មីក្រូវិនាទី) ដែលមានន័យថា ស្តេកប្រព័ន្ធបិទ-បើកមានពេលវេលាវិភាគ 250 មីក្រូវិនាទី។ ប្រូសេស័រផ្ទៃក្នុងវាស់

- ហាម៉ូនិកនៃរូបរាងសញ្ញាបច្ចុប្បន្នភាព
- ភាពខុសគ្នានៃសីតុណ្ហភាពនៅលើចំណុចបញ្ចប់
- ការរាវរាយនៃស្រទាប់ការពារ
- ការមានវត្តមាននៃវាលអេឡិចត្រូម៉ាញេទិក

សមត្ថភាពផ្សារភ្ជាប់ទិន្នន័យដែលមានឥទ្ធិពលខ្លាំងរបស់ម៉ូឌុលទាំងនេះ ធ្វើឱ្យការរកឃើញដំណាក់កាលដំបូងនៃអាកាសចរ (arcing), ការប៉ះទង្គិចផ្នែក (partial discharge) និងការរត់ហួលកំដៅ (thermal runaway) ក្លាយជារឿងដែលគ្មានភាពអាចជៀសវាងបាន។ ពេលវេលាប្រតិបត្តិការឆាប់រហ័សក្រោម ២០ មិល្លីវិនាទី ត្រូវបានធានាដោយការប្រើប្រាស់ប្រព័ន្ធបែងចែកដែលឆ្លាត (ឬការផ្សារភ្ជាប់ទិន្នន័យនៅជាប់គែមបណ្តាញ — edge) ដើម្បីលុបបំបាត់ការពឹងផ្អែកលើប្រព័ន្ធអ៊ីនធឺណិតក្រៅ (cloud systems)។ ការផ្ទៀងផ្ទាត់លទ្ធផលប្រតិបត្តិការឆាប់រហ័សតាមរយៈការសាកល្បងនៅវាល (field testing) បានបង្ហាញថា មានអត្រាប្រសព្វគ្នាប្រហែល ៩៨,៧% រវាងការរកឃើញដែលបានទស្សន៍ទាយ និងការរកឃើញជាក់ស្តែងនៃការរត់ហួលកំដៅ។

ការផ្ទៀងផ្ទាត់៖ ការដំឡើងប្រព័ន្ធ Siemens Desigo CC — មធ្យមពេលវេលាបើកបរ (tripping) ២២ មិល្លីវិនាទី ប្រទំនឹងប្រព័ន្ធដែលប្រើប្រាស់មកយូរ ៣០០ មិល្លីវិនាទី

នៅឆ្នាំ២០២៣ ការដំឡើងប្រព័ន្ធក្នុងស្មុគស្មាញពាណិជ្ជកម្មដែលប្រើប្រាស់ស៊ីមេនស៍ Desigo CC រួមបញ្ចូលទាំងស៊ីវ៉ែរអ៊ីយ៉ូធី (IoT) បានកត់ត្រាបានពេលវេលាមធ្យមសម្រាប់កាត់ផ្តាច់ការខុសប្រក្រតី ២២ មីលីវិនាទី (០,១៨ ចក្រ AC)។ នេះបានសម្រេចបានអត្ថប្រយោជន៍ ១៣,៦ ដង ធៀបនឹងប្រព័ន្ធដែលប្រើប្រាស់មកយូរមកហើយ (៣០០ មីលីវិនាទី)។ ក្នុងការធ្វើម៉ូឌែលការខុសប្រក្រតីនៅលើដី ប្រព័ន្ធនេះបានរកឃើញ ៩៩,៤% នៃបាក់បែកខ្លីៗ (transients) ដែលមានរយៈពេល ៥–១០ មីលីវិនាទី ដែលស៊ីវ៉ែរប្រពៃណីមិនអាចរកឃើញបាន ដែលជាការបង្ការការកើនឡើងនៃផ្ទះលីក (arc escalation) និងការខូចខាតដែលទាក់ទងនឹងស្រទាប់ការពារ (insulation damage)។ ទិន្នន័យឆ្លងតាមបណ្តាញដែលបានអ៊ិនគ្រីប ហើយដែលបានឈានដល់មជ្ឈមណ្ឌលត្រួតពិនិត្យពីចម្ងាយក្នុងរយៈពេល ៤០០ មីលីវិនាទី បានបង្ហាញពីការបញ្ចូលគ្នាដ៏រឹងមាំរវាងប្រព័ន្ធប៉ែក (edge) និងពពក (cloud) ដែលរក្សាទុកនូវស្វាប់ឯករាជ្យភាពសំខាន់សម្រាប់សុវត្ថិភាព ខណៈពេលដែលអនុញ្ញាតឱ្យមានការគ្រប់គ្រងគ្រោះថ្នាក់ក្នុងរយៈពេលតិចជាងមួយវិនាទី។

ការបង្ការគ្រោះថ្នាក់ជាមុនដោយប្រើការស្តាប់ច្រើនប៉ារ៉ាម៉ែត្រ (Multi-Parameter Sensing) នៅក្នុងស៊ីវ៉ែរអ៊ីយ៉ូធី (IoT Circuit Breaker)

ការការពារស៊ីវ៉ែរបែបប្រពៃណីគឺផ្អែកលើការឆ្លើយតបនៅពេលមានការបរាជ័យ ខណៈដែលស៊ីវ៉ែរអ៊ីយ៉ូធី (IoT) អាចបង្ការការបរាជ័យបាន ដោយប្រើការវិភាគច្រើនសេនសើរ (multi-sensor analysis) ដែលបានបញ្ចូលគ្នាជាមួយគ្នា។

ភាពគ្រប់គ្រងដោយការខុសប្រក្រតីនៅលើដី (Ground-Fault Dominance): ទិន្នន័យ NFPA បង្ហាញថា ៦៨% នៃអគ្គិភ័យអគ្គិសនីកើតឡើងដោយសារការរំសាយ (leakage) ដែលមិនត្រូវបានរកឃើញ

យោងតាមសមាគមការពារអគ្គិភ័យជាតិ (NFPA) ការឆេះដែលបណ្តាលមកពីបញ្ហាបច្ចេកទេសអគ្គិសនី ៦៨% កើតឡើងដោយសារការខូចខាតនៃការភ្ជាប់ដី (ground faults) ដែលមិនបានរកឃើញ ការខូចខាតដែលកើតឡើងជាបន្តបន្ទាប់ និងការខូចខាតនៃស្រទាប់ការពារដែលគ្មានស្រទាប់ការពារ ដែលបណ្តាលមកពីស្វ៊ីត្ច (breakers) ប្រពៃណី ដែលខ្វះសមត្ថភាពក្នុងការរកឃើញការផ្លាស់ប្តូរតូចៗ (milliamp sensitivity) (ការខូចខាតនៃស្រទាប់ការពារ និងការកើនឡើងយ៉ាងឆាប់រហ័សនៃសីតុណ្ហភាព)។ ស្វ៊ីត្ច IoT ត្រួតពិនិត្យ និងគ្រប់គ្រងការខូចខាតនៃស្រទាប់ការពារ ដោយតាមដានការខូចខាតយ៉ាងឆាប់រហ័សនៃស្រទាប់ការពារ មុនពេលវាកើតឡើង។

ហេតុផលនៃការបញ្ចូលគ្នានៃគោលការណ៍ (Threshold Fusion Logic): ការសមស្របគ្នារវាងបរិមាណចរន្ត សីតុណ្ហភាព ការប៉ះទង្គិច (harmonics) និងសុពលភាពនៃស្រទាប់ការពារ

ស្វ៊ីត្ច IoT ប្រើប្រាស់ការរួមបញ្ចូលគ្នានៃសញ្ញាបញ្ជូល ៤ ប្រភេទ (ចរន្ត សីតុណ្ហភាព ការប៉ះទង្គិច និងស្រទាប់ការពារ) ដើម្បីអនុញ្ញាតឱ្យមានការបើក-បរិច្ឆេទ (tripping) ជាមុន នៅ ៨៥% នៃកម្រិតដែលបានកំណត់ ដែលជៀសវាងការបើក-បរិច្ឆេទដែលបណ្តាលមកពីកត្តាតែមួយ។ ហេតុផលច្រើនកត្តានេះ ជៀសវាងការបើក-បរិច្ឆេទដែលមិនចាំបាច់ដែលបណ្តាលមកពីកត្តាតែមួយ ខណៈពេលដែលកាត់បន្ថយហានិភ័យនៃការផ្ទះះ (arc flash) បាន ៤០ ដង ធៀបនឹងប្រព័ន្ធដែលប្រើកត្តាតែមួយ។

សមត្ថភាពត្រួតពិនិត្យជាបន្តបន្ទាប់ និងអន្តរាគមន៍ពីចម្ងាយរបស់ស្វ៊ីត្ច IoT

ការបំពេញចន្លោះរវាងការជូនដំណឹង និងការសកម្មភាព៖ ទិន្នន័យ Telemetry MQTT និងពេលវេលាបញ្ជូនទៅពពក (cloud loop latency) តិចជាង ៥០០ms

សៀគ្វី IoT ប្រើប្រាស់ប្រូតូកុល Message Queuing Telemetry Transport (MQTT) ហើយសម្រេចបាននូវពេលវេលាបញ្ជូនទិន្នន័យពីចុងទៅចុងទៅកាន់ពពកក្នុងរយៈពេលតិចជាង ៥០០ មិល្លីវិនាទី។ ដោយសារតែស្ថាបត្យកម្មប៉ាប់ផ្សាយ-ជាប់ទាក់ទង (publish-subscribe) ដែលស្រាល ការប្រាប់អំពីកំហុសដែលបានផ្ទៀងផ្ទាត់រួចរាល់ ត្រូវបានផ្ញើទៅកាន់មជ្ឈមណ្ឌលគ្រប់គ្រងក្នុងរយៈពេលមួយវដ្ត AC ។ ការអាចធ្វើបាននេះគឺមានសារៈសំខាន់ខ្លាំងណាស់ ដោយសារភ្លើងឆេះដែលកើតឡើងដោយសារការប៉ះទង្គិចគ្នារវាងអេឡិចត្រូន (arcs) អាចកើតឡើងក្នុងរយៈពេលតិចជាង ១០០ មិល្លីវិនាទី។ សមត្ថភាពនេះធ្វើឱ្យការថែទាំបន្ទាប់ពីកើតបញ្ហាប្តូរទៅជាការកាត់បន្ថយគ្រោះថ្នាក់ជាមុន ដោយអនុញ្ញាតឱ្យបិទសៀគ្វីមុនពេលថាមពលដែលបានបំបែកឈានដល់កម្រិតគ្រោះថ្នាក់។

ការបញ្ចូលជាមួយផ្ទាំងគ្រប់គ្រងរបស់អ្នកប្រើប្រាស់ និងការប្រាប់ដោយស្វ័យប្រវ័ត្តិ

ផ្ទាំងគ្រប់គ្រងផ្តោតសេវាកម្ម (Centralized dashboards) បញ្ចូលទិន្នន័យដែលអាចវាស់បានជាបន្តបន្ទាប់ (real-time metrics) របស់ការប៉ះទង្គិច IoT ដែលបានរាយការណ៍ពីចម្ងាយ ហើយផ្តល់នូវការបង្ហាញដែលមានពណ៌សម្គាល់ដែលងាយយល់ នៅលើផែនទីរបស់ស្ថាប័ន។ នៅពេលដែលមានការកំណត់ការប៉ះទង្គិចច្រើនជាងមួយដែលគ្របសារគ្នា ប្រូតូកុលស្វ័យប្រវ័ត្តិសម្រាប់ការបង្ហាញបន្ត (automated escalation protocols) ធ្វើឱ្យគ្មានតម្រូវការសម្រាប់ការពិនិត្យឡើងវិញដោយដៃ។ ការជូនដំណឹងត្រូវបានបង្កើតឡើងតាមរយៈ SMS ឬសារប៉ុស (push messages) ទៅកាន់សមាជិកក្រុមឆ្លើយតបដែលបានកំណត់។ ការផ្ញើសារជូនដំណឹងជាបន្តបន្ទាប់ (Redundant delivery of alerts) ធានាថា ការជូនដំណឹងសំខាន់ៗនឹងឈានដល់អ្នកឆ្លើយតបដែលអាចប្រើបានក្នុងរយៈពេល ៩០ វិនាទី ទោះបីជាក្នុងរយៈពេលយប់ក៏ដោយ។ សកម្មភាពទាំងអស់ត្រូវបានកត់ត្រាដើម្បីបំពេញតាមតម្រូវការសម្រាប់ការត្រួតពិនិត្យ (compliance purposes) ហើយប្រព័ន្ធបង្កើតប័ត្ស (integrated ticketing systems) ផ្ញើក្រុមថែទាំទៅកាន់ទីតាំងកំហុសដែលបានកំណត់យ៉ាងច្បាស់ រួមទាំងព័ត៌មានបរិបទដែលពាក់ព័ន្ធ។

ការចាត់ថ្នាក់កំហុសដោយប្រាជ្ញា (Intelligent Fault Classification): កាត់បន្ថយការជូនដំណឹងខុស (False Alarms) ឱ្យបានតិចបំផុត និងបង្កើនការរកឃើញកំហុសឱ្យបានច្រើនបំផុត

ការរក្សាបាននូវសមាមាត្រដែលប្រុងប្រយ័ត្ន និងប្រុងប្រយ័ត្នខ្ពស់ជាងគេរវាងការបែងចែក (discrimination) ភាពច្បាស់លាស់ (precision) និងភាពអាចទុកចិត្តបាន (reliability): ការធ្វើតម្រាមជាមួយ ML នៅលើគែម (Edge ML Trade-offs) ក្នុងការដាក់បញ្ចូលប្រើប្រាស់នៅតាមវាល (Field Deployments)

ការអនុវត្តការរៀនរបស់ម៉ាស៊ីនដែលត្រូវបានដំឡើងនៅលើគែម (Edge) ត្រូវបានរំពឹងថានឹងធ្វើតុល្យភាពរវាងកម្រិតភាពត្រឹមត្រូវដែលទទួលបាន និងតម្រូវការជាក់ស្តែង ព្រោះភាពត្រឹមត្រូវខ្ពស់ជាងនេះក្នុងការបែងចែកកំហុស នាំឱ្យម៉ូដែលកាន់តែស្មុគស្មាញ ហើយបណ្តាលឱ្យមានពេលវេលាបន្ទាប់ (latencies) និងការប្រើប្រាស់ថាមពលកាន់តែច្រើន។ ការអនុវត្តដែលបានប៉ះប៉ូវគឺផ្អែកលើបណ្តាញសរសៃប្រសាទប៉ះប៉ូវ (quantized neural networks) សម្រាប់សញ្ញាណកំហុសជាច្រើនប្រភេទ រួមទាំងការផ្ទះផ្លែក (arc flashes) ការហ៊ុះហែងរបស់ម៉ូទ័រ (motor inrush) និងការបរាជ័យនៃការប៉ះពាល់ខាងក្នុង (internal insulation failure) ដោយនៅតែអាចសម្រេចបាននូវពេលវេលាប៉ាន់ប្រាប់ (inference times) តិចជាង ១០០ms ក្នុងបរិស្ថានដែលមានការរំខានអគ្គិសនីខ្លាំងណាស់ (significantly electrically noisy environments) តិចជាង ៥%។ តម្រូវការទាក់ទងនឹងការប្រមូលថាមពល (Energy harvesting) បានជំរុញឱ្យមានការប្រើប្រាស់បច្ចេកទេសស្រាល (sparsity techniques) យ៉ាងទូទៅ ដែលអនុញ្ញាតឱ្យរក្សាបាននូវភាពត្រឹមត្រូវក្នុងការចាត់ថ្នាក់ (classification fidelity) លើសពី ៩៥% ដោយមិនប៉ះពាល់ដល់សម្ភារៈរចនាប៉ះពាល់ខ្លួនឯង (self-powering design integrity)។

ការផ្ទៀងផ្ទាត់៖ ការចាត់ថ្នាក់កំហុសផ្ទះផ្លែក (Arc Fault Classification) នៅលើបណ្តាញអគ្គិសនីដែលកំពុងដំណាំ (Live Grids) ដោយមានភាពត្រឹមត្រូវ ៩៩,២%

ការសាកល្បងនៅស្ថានីយ៍រង ១២ កន្លែង លើព្រិត្តិការណ៍វាលចំនួន ៤៧,០០០ បានបញ្ជាក់ថា ប្រព័ន្ធមានភាពត្រឹមត្រូវ ៩៩,២% ក្នុងការចាត់ថ្នាក់គ្រោះថ្នាក់ដែលបណ្តាលមកពីអាកាសចរ (arc faults)។ ដោយការវិភាគការខូចទម្រង់ហាម៉ូនិក (harmonic distortion) ការផ្លាស់ប្តូរបច្ចុប្បន្នភាគរហ័ស (current transients) និងសញ្ញាកំដៅ (thermal signatures) ប្រព័ន្ធបានស្វែងរកគ្រោះថ្នាក់ដែលបណ្តាលមកពីអាកាសចរ ដោយកាត់បន្ថយការប្រកាសគ្រោះថ្នាក់ខុស (false alarms) ចំនួន ៨៣% ដែលទាក់ទងនឹងព្រិត្តិការណ៍ធម្មតា (ដូចជាការចាប់ផ្តើមម៉ូទ័រ ជាដើម) ធៀបទៅនឹងបច្ចេកទេសដែលផ្អែកលើការកំណត់ដែនកំណត់ (threshold-based techniques)។ ការប៉ះទង្គិលដោយស្វ័យប្រវ័ត្តិ (Automatic isolation) កើតឡើងក្នុងរយៈពេលតិចជាង ១/៨ នៃវដ្ត AC មួយ ដែលបញ្ជាក់ថា ប្រឆាំងនឹងអាកាសចរ (AI) អាចបន្ថយហានិភ័យនៃគ្រោះអគ្គិភ័យអគ្គិសនី ខណៈពេលដែលរក្សាប្រតិបត្តិការឱ្យបន្តដោយគ្មានការរំខាន។

មុខងារនៃម៉ាស៊ីនកាត់សៀគ្វី IoT ផ្អែកលើស្ថាបត្យកម្មដែលដំណាំនៅលើគែម (edge-processing architecture) ដូច្នេះវាអាចអនុវត្តការវិភាគប៉ារ៉ាម៉ែត្រច្រើនក្នុងពេលជាក់ស្តែង ដែលបណ្តាលឱ្យមានការស្គាល់គ្រោះថ្នាក់បណ្តោះអាសន្ន (transient fault recognition) ដែលម៉ាស៊ីនកាត់សៀគ្វីប្រក្រតី (electromechanical) មិនអាចស្វែងរកឃើញបាន។

ការខូចទឹកដីគិតជាប្រភាគ ៦៨% នៃអគ្គិសនីឆេះ ហើយមូលហេតុនៃការកើតឡើងញឹកញាប់នេះគឺដោយសារតែស៊ីរ៉ូប្រេកើរទូទៅមិនអាចរកឃើញការខូចទឹកដីដែលកើតឡើងយឺតៗ (ការរលាយបន្ត) ដែលស៊ីរ៉ូប្រេកើរ IoT អាចត្រួតពិនិត្យ និងរកឃើញជាការខូចបាន។

ដោយសារតែពេលវេលាបណ្តាញពពកមានល្បឿនលឿន (ក្នុងករណីស៊ីរ៉ូប្រេកើរ IoT មិនមានពពកទេ ផ្ទុយទៅវិញ សមាសធាតុដូចជា សេនសើរពេលវេលា ស៊ីរ៉ូប្រេកើរ និងការគ្រប់គ្រងត្រូវបានបញ្ចូលគ្នាជាមួយគ្នា) ដូច្នេះវដ្តបិទសម្រាប់ការថែទាំបង្ការត្រូវបានផ្លាស់ប្តូរពីការថែទាំបន្ទាប់ពីកើតបញ្ហា ទៅជាការជៀសវាងគ្រោះថ្នាក់ជាមុន។

បញ្ញាសិប្បនិម្មិត (AI) មានតួនាទីសំខាន់ណាស់ក្នុងស៊ីរ៉ូប្រេកើរ IoT ដោយការកំណត់ប្រភេទការខូចផ្សេងៗគ្នាដោយភាពច្បាស់លាស់ និងការកំណត់ពេលវេលាប្រតិបត្តិការដែលសមស្រប ដើម្បីបន្ថយហានិភ័យនៃអគ្គិសនីឆេះ ដូច្នេះមុខងាររបស់ AI មានទំនាក់ទំនងដោយផ្ទាល់ជាមួយការបន្ថយហានិភ័យឆេះចំពោះសៀគ្វី។