ຈະສາມາດໃຊ້ເຄື່ອງຕັດໄຟຟ້າ IoT ເພື່ອປ້ອງກັນອຸບັດຕິເຫດທາງໄຟຟ້າໄດ້ຢ່າງມີປະສິດທິຜົນຫຼືບໍ່?

ເຄື່ອງຕັດວົງຈອນ IoT: ການສະແດງຜົນຂໍ້ບົກພ່ອງໃນເວລາໆດຽວກັນ ແລະ ການຕອບສະຫນອງຢ່າງໄວວາ

ການອອກແບບທີ່ປະສົບການຫຼາຍທີ່ສຸດສຳລັບເຄື່ອງຕັດວົງຈອນ (circuit breaker) ໃຊ້ຕົວເລືອກທີ່ເປັນໄປໄດ້ເປັນຕົວເລືອກທີ່ມີທັງລັກສະນະຄວາມຮ້ອນ ຫຼື ລັກສະນະແມ່ເຫຼັກ. ປັດຈຸບັນທີ່ເກີດຂໍ້ຜິດພາດຕ້ອງຖືກຮັກສາໄວ້ເປັນເວລາໜຶ່ງ (ໂດຍທົ່ວໄປ 3–5 ວົງຈອນ AC ຫຼື 50–83 ມີລິຊີຄອນ) ເພື່ອໃຫ້ເຄື່ອງຕັດວົງຈອນເຮັດວຽກ. ຄ່າເກນນີ້ເຮັດໜ້າທີ່ເປັນຄວາມເຄື່ອນໄຫວທາງກາຍະພາບ (mechanical inertia) ແລະ ບໍ່ສາມາດຈັບຈຸດເກີດຂໍ້ຜິດພາດທີ່ເກີດຂຶ້ນເປັນເວລາສັ້ນໆເທົ່ານັ້ນ (ເຊັ່ນ: ການແສງເປັນເສັ້ນໄຟຟ້າ (arc flash) ຫຼື ການຫຼຸດລົງຢ່າງໄວວ່າຂອງຄ່າຄວາມຕ້ານທາງໄຟຟ້າ (voltage sag)). ຕ່າງຈາກວິທີການທີ່ນິຍົມໃຊ້ໃນອຸດສາຫະກຳໂດຍທົ່ວໄປ, ເຫດການທີ່ມີພະລັງງານສູງແຕ່ເກີດຂຶ້ນເປັນເວລາສັ້ນໆເກີດຂຶ້ນເປັນປະຈຳ ແລະ ເປັນສາເຫດຂອງຄວາມເສຍຫາຍຕໍ່ອຸປະກອນອຸດສາຫະກຳ 42% (EPRI 2023). ເຫດການເຫຼົ່ານີ້ມັກຈະຫາຍໄປດ້ວຍຕົວເອງ (self-clear) ແລະ ເກີດຂຶ້ນໃນໄລຍະເວລາທີ່ອຸປະກອນປ້ອງກັນຂໍ້ຜິດພາດເກົ່າໆຕອບສະຫນອງ. ສິ່ງນີ້ເຮັດໃຫ້ເກີດການລຸກລາມຂອງຄວາມຮ້ອນຢ່າງໄວວ່າ (rapid thermal runaway) ຫຼື ການລົ້ມສະຫຼາກຂອງຊັ້ນກັ້ນ (insulation failure), ການເຮັດວຽກຜິດປົກກະຕິຂອງອຸປະກອນ (device derailment), ແລະ ເຖິງແມ່ນແຕ່ການລົ້ມສະຫຼາກຕໍ່ເນື່ອງ (cascading chain of failures). ອຸປະກອນເກົ່າໆບໍ່ມີຄວາມສາມາດໃນການວິເຄາະລັກສະນະຄວາມຖີ່ (waveform-level analysis), ແລະ ເນື່ອງຈາກຂໍ້ຈຳກັດນີ້ ມັນຈຶ່ງບໍ່ສາມາດຈັບຈຸດຄວາມຜິດປົກກະຕິທີ່ເກີດຂຶ້ນໃນລະດັບໄມໂຄຣວິນາທີ (microsecond level) ທີ່ອາດຈະນຳໄປສູ່ການລົ້ມສະຫຼາກຢ່າງຮ້າຍແຮງ.

ສະຖາປັດຕະຍາການປະມວນຜົນທີ່ເຂດຮິມ: ການວິເຄາະແບບຈິງໃນເວລາຈິງຂອງປັດໄຈທີ່ກ່ຽວຂ້ອງກັບປະຈຸບັນ, ອຸນຫະພູມ, ແລະ ການຮົ່ວໄຫຼ

ດ້ວຍການນຳໃຊ້ລະບົບອິນເຕີເນັດຂອງສິ່ງຕ່າງໆ (IoT), ເຄື່ອງຕັດວົງຈອນໃນປັດຈຸບັນສາມາດຝັງໂມດູນປະມວນຜົນທີ່ເຂດຮິມໄດ້. ໂມດູນເຫຼົ່ານີ້ສາມາດປະຕິບັດການວັດແທກທີ່ເປັນເວລາດຽວກັນ ແລະ ມີຫຼາຍປັດໄຈໃນຄວາມຖີ່ການເກັບຕົວຢ່າງ 10 kHz (ຄືແຕ່ວ່າເວລາວົງຈອນການຕັດແມ່ນ 250 ມິໂຄຣວິນາທີ), ສິ່ງນີ້ໝາຍຄວາມວ່າເຄື່ອງຕັດວົງຈອນມີເວລາການວິເຄາະເທົ່າກັບ 250 ມິໂຄຣວິນາທີ. ໂປເຊສເຊີທີ່ຕິດຕັ້ງຢູ່ໃນຕົວເຄື່ອງຈະວັດແທກ

- ຄ່າຮາມໂມນິກຂອງຄ່າກະແສໄຟຟ້າ
- ຄວາມແຕກຕ່າງຂອງອຸນຫະພູມທີ່ຂາເຂົ້າ-ອອກ
- ການຮົ່ວໄຫຼຂອງຊັ້ນຫຸ້ມຫໍ່
- ການມີຢູ່ຂອງສະໜາມໄຟຟ້າ-ແມ່ເຫຼັກ

ຄວາມສາມາດໃນການລວມຂໍ້ມູນທີ່ມີອຳນາດຂອງແຕ່ລະໂມດູນເຮັດໃຫ້ການປະກາດເບື້ອງຕົ້ນເຖິງການເກີດຂຶ້ນຂອງການແຕກຕົວ (arcing), ການປ່ອຍໄຟຟ້າສ່ວນໜຶ່ງ (partial discharge), ແລະ ການລຸກລາມຂອງອຸນຫະພູມ (thermal runaway) ເກີດຂຶ້ນໄດ້ຢ່າງເກືອບຈະແນ່ນອນ. ເວລາຕອບສະຫນອງທີ່ຕ່ຳກວ່າ 20 ມີ.ຊ. ແມ່ນຮັບປະກັນໄວ້ດ້ວຍການນຳໃຊ້ລະບົບທີ່ແຈກຢາຍຢ່າງສຸກເສີນ (hoor intelligent distributed systems) ຫຼື ການລວມຂໍ້ມູນທີ່ເຂດດົນເດີ່ມ (data fusion at the edge) ເພື່ອກຳຈັດຄວາມເປັນເອກະລາດຕໍ່ລະບົບເຄື່ອງມືເກັບຂໍ້ມູນທາງໄອທີ (cloud systems). ການທົດສອບໃນສະພາບການຈິງເພື່ອຢືນຢັນຄວາມໄວໃນການຕອບສະຫນອງ ໄດ້ສະແດງໃຫ້ເຫັນວ່າອັດຕາຄວາມສອດຄ່ອງລະຫວ່າງການຄາດຄະເນການປະກາດ ແລະ ການປະກາດທີ່ເກີດຂຶ້ນຈິງໆ ຂອງການລຸກລາມຂອງອຸນຫະພູມ (thermal runaway) ແມ່ນ 98.7%.

ການຢືນຢັນ: ການຕິດຕັ້ງລະບົບ Siemens Desigo CC — ເວລາຕອບສະຫນອງສະເລ່ຍ 22 ມີ.ຊ. ເທື່ອລະ 300 ມີ.ຊ. ຂອງລະບົບເກົ່າ

ໃນປີ 2023 ການຕິດຕັ້ງໃນສະຖານທີ່ເຮືອນຄ້າທີ່ໃຊ້ເຄື່ອງຕັດໄຟຟ້າ IoT ທີ່ເຊື່ອມຕໍ່ກັບລະບົບ Siemens Desigo CC ໄດ້ບັນທຶກເວລາການຕັດໄຟຟ້າເມື່ອເກີດຂໍ້ຜິດພາດເປັນເວລາສະເລ່ຍ 22 ມີ.ຊ. (0.18 ວົງຈອນ AC) ເຊິ່ງເປັນການປັບປຸງທີ່ດີຂຶ້ນ 13.6 ເທົ່າເມື່ອທຽບກັບລະບົບເກົ່າ (300 ມີ.ຊ.) ໃນການຈຳລອງເຫດການລົ້ມເຫລວທີ່ເກີດຈາກການຕິດດິນ (ground-fault) ລະບົບນີ້ສາມາດກວດພົບເຫດການທີ່ເກີດຂຶ້ນຢ່າງໄວວ່າ 5-10 ມີ.ຊ. ໄດ້ 99.4% ຂອງທັງໝົດ ເຊິ່ງເຄື່ອງຕັດໄຟຟ້າແບບດັ້ງເດີມບໍ່ສາມາດກວດພົບໄດ້ ສະນັ້ນຈຶ່ງຊ່ວຍປ້ອງກັນການລຸກລາມຂອງແສງຟ້າໄຟ (arc) ແລະ ອັນຕະລາຍທີ່ເກີດຂື້ນຕໍ່ສ່ວນທີ່ຫ້ອມຫໍ່ (insulation damage) ຂໍ້ມູນທີ່ຖືກເຂົ້າລະຫັດ (encrypted telemetry) ທີ່ສົ່ງໄປຫາສູນການຕິດຕາມທາງໄກ (remote monitoring hubs) ໃນເວລາ 400 ມີ.ຊ. ແຕ່ກໍຍັງຮັກສາຄວາມເປັນອິດສະຫຼະ (autonomy) ທີ່ສຳຄັນຕໍ່ຄວາມປອດໄພໄວ້ໄດ້ຢ່າງເຂັ້ມແຂງ ແລະຍັງອະນຸຍາດໃຫ້ຄວບຄຸມອັນຕະລາຍໄດ້ພາຍໃນເວລານ້ອຍກວ່າ 1 ວິນາທີ.

ການປ້ອງກັນອັນຕະລາຍແບບເປັນກິດຈະກຳລ່ວງໆ ໂດຍການໃຊ້ເซັນເຊີຫຼາຍປະເພດໃນເຄື່ອງຕັດໄຟຟ້າ IoT

ການປ້ອງກັນໄຟຟ້າແບບດັ້ງເດີມເປັນການຕອບສະຫນອງຫຼັງຈາກເກີດຂໍ້ຜິດພາດ ແຕ່ເຄື່ອງຕັດໄຟຟ້າທີ່ເຊື່ອມຕໍ່ກັບເຄືອຂ່າຍ IoT ນັ້ນເປັນການປ້ອງກັນກ່ອນເກີດຂໍ້ຜິດພາດ ໂດຍມີການວິເຄາະຈາກເຊັນເຊີຫຼາຍປະເພດທີ່ເຊື່ອມຕໍ່ກັນ.

ເຫດການລົ້ມເຫລວທີ່ເກີດຈາກການຕິດດິນ (Ground-Fault) ເປັນສາເຫດຫຼັກ: ຂໍ້ມູນຈາກ NFPA ແຕ່ງກ່າວວ່າ 68% ຂອງເຫດໄຟໄໝ້ທີ່ເກີດຈາກລະບົບໄຟຟ້າເກີດຂື້ນຈາກການລົ້ມເຫລວທີ່ບໍ່ຖືກກວດພົບ (undetected leakage)

ຕາມການປະກາດຂອງສະຖາບັນປ້ອງກັນໄຟແຫ່ງຊາດ (NFPA) ມີໄຟໄຫຼວ 68% ເກີດຈາກຄວາມຜິດປົກກະຕິຂອງການຕໍ່ດິນ (ground faults) ເຊິ່ງເກີດຈາກຄວາມລົ້ມເຫຼວຂອງເຄື່ອງຫຸ້ມຫໍ່ທີ່ບໍ່ຖືກຄົ້ນພົບ, ຄ່ອຍໆເລີ່ມຮ້າຍແຮງຂຶ້ນ, ແລະ ບໍ່ມີການຫຸ້ມຫໍ່ຢ່າງເຕັມທີ່ ເນື່ອງຈາກເຄື່ອງຕັດໄຟແບບດັ້ງເດີມທີ່ບໍ່ມີຄວາມອ່ອນໄຫວໃນລະດັບ milliamp (ຄວາມລົ້ມເຫຼວຂອງເຄື່ອງຫຸ້ມຫໍ່, ອຸນຫະພູມທີ່ເພີ່ມຂຶ້ນຢ່າງບໍ່ຄວບຄຸມ). ເຄື່ອງຕັດໄຟແບບ IoT ຈະຕິດຕາມ ແລະ ຈັດການກັບຄວາມລົ້ມເຫຼວຂອງເຄື່ອງຫຸ້ມຫໍ່ ໂດຍການຕິດຕາມການເພີ່ມຂຶ້ນຢ່າງບໍ່ຄວບຄຸມຂອງຄວາມຕ້ານທານຂອງເຄື່ອງຫຸ້ມຫໍ່ກ່ອນທີ່ມັນຈະເລີ່ມເກີດຂຶ້ນ.

ເຫດຜົນຂອງການປະສົມປະສານເຖິງເກນ: ການປະສົມປະສານລະຫວ່າງປະລິມານກະແສໄຟ, ອຸນຫະພູມ, ຄວາມເບື່ອນ (harmonics), ແລະ ຄວາມເປັນປົກກະຕິຂອງເຄື່ອງຫຸ້ມຫໍ່

ເຄື່ອງຕັດໄຟແບບ IoT ໃຊ້ຂໍ້ມູນເຂົ້າ 4 ປະເພດ (ປະລິມານກະແສໄຟ, ອຸນຫະພູມ, ຄວາມເບື່ອນ, ແລະ ຄວາມເປັນປົກກະຕິຂອງເຄື່ອງຫຸ້ມຫໍ່) ເພື່ອເຮັດໃຫ້ການຕັດໄຟເກີດຂຶ້ນກ່ອນເຖິງເກນໄດ້ທີ່ 85% ຂອງເກນທີ່ກຳນົດໄວ້, ເຊິ່ງຈະປ້ອງກັນການຕັດໄຟທີ່ເກີດຈາກການປ່ຽນແປງຂອງພາລາມິເຕີດຽວ. ລະບົບເຫດຜົນທີ່ອີງໃສ່ຫຼາຍພາລາມິເຕີນີ້ຈະປ້ອງກັນການຕັດໄຟທີ່ບໍ່ຈຳເປັນເມື່ອມີການປ່ຽນແປງຂອງພາລາມິເຕີດຽວ ແລະ ລົດຄວາມສ່ຽງຂອງການລຸກລາມຂອງໄຟຟ້າ (arc flash) ລົງ 40 ເທົ່າ ເມື່ອທຽບກັບລະບົບທີ່ອີງໃສ່ພາລາມິເຕີດຽວ.

ຄວາມສາມາດໃນການຕິດຕາມແບບ real-time ແລະ ການເຂົ້າໄປຈັດການຈາກໄລຍະໄກຂອງເຄື່ອງຕັດໄຟແບບ IoT

ການເຊື່ອມຕໍ່ຊ່ອງຫວ່າງລະຫວ່າງການເຕືອນກັບການດຳເນີນການ: ຂໍ້ມູນ telemetry ຜ່ານ MQTT ແລະ ເວລາທີ່ຂໍ້ມູນເດີນທາງຈາກອຸປະກອນໄປຫາເຄື່ອງເຊີບເວີແລະກັບຄືນມາ (cloud loop latency) ໜ້ອຍກວ່າ 500ms

ເຄື່ອງຕັດໄຟ IoT ໃຊ້ໂປໂຕຄອນ Message Queuing Telemetry Transport (MQTT) ແລະບັນລຸຄວາມໜ້ອຍກວ່າ 500ms ສຳລັບຄວາມໜ້ອຍທີ່ສຸດຂອງເວລາທີ່ຂໍ້ມູນເດີນທາງຈາກຈຸດເລີ່ມຕົ້ນຈົນເຖິງເຄື່ອງແທັກເວີ່ງໃນເຄື່ອງມືເກັບຂໍ້ມູນ. ເນື່ອງຈາກສະຖາປັດຕະຍາການທີ່ມີນ້ຳໜັກເບົາຂອງການສົ່ງ-ຮັບຂໍ້ມູນ (publish-subscribe), ຂໍ້ມູນການເຕືອນເຫດຜົນຂອງຄວາມເສຍຫາຍທີ່ໄດ້ຮັບການຢືນຢັນແລ້ວຈະຖືກສ่งໄປຍັງສູນຄວບຄຸມພາຍໃນໜຶ່ງວຟັງຈັກ AC. ນີ້ເປັນສິ່ງທີ່ສຳຄັນຢ່າງຍິ່ງເນື່ອງຈາກເຫດໄຟໄໝ້ທີ່ເກີດຈາກການແຕກຂອງໄຟຟ້າ (arcs) ອາດເກີດຂຶ້ນພາຍໃນເວລາໜ້ອຍກວ່າ 100ms. ຄວາມສາມາດນີ້ເຮັດໃຫ້ການບໍາລຸງຮັກສາທີ່ເກີດຂື້ນຫຼັງເຫດການ (reactive maintenance) ປ່ຽນເປັນການປ້ອງກັນອັນຕະລາຍລ່ວງໆ ໂດຍການປິດລະບົບກ່ອນທີ່ພະລັງງານຈະຖືກປ່ອຍອອກໄປໃນລະດັບທີ່ອັນຕະລາຍ.

ການເຊື່ອມຕໍ່ກັບແຜງຈັດການຂອງຜູ້ປະກອບການ ແລະ ການຍົກເວັ້ນອັດຕະໂນມັດ

ແຜງຄວບຄຸມສູນກາງປະກອບດ້ວຍຕົວຊີ້ວັດທີ່ເຮັດວຽກແບບຈິງໃນເວລາຈິງຂອງເຄື່ອງຕັດໄຟຟ້າ IoT ທີ່ຖືກຈັດຕັ້ງຢູ່ຕາມຈຸດຕ່າງໆ ແລະ ສະເໜີການສະແດງຜົນທີ່ເຂົ້າໃຈງ່າຍດ້ວຍສີທີ່ຖືກຈັດລະດັບໄວ້ຕາມແຜນຜັງຂອງສິ່ງອຳນວຍຄວາມສະດວກ. ເມື່ອມີການປະກົດຂຶ້ນຂອງຄວາມຜິດປົກກະຕິຫຼາຍຢ່າງທີ່ເກີດຂຶ້ນເທິງກັນ ໂປຣໂຕຄອນການເພີ່ມລະດັບອັດຕະໂນມັດຈະເຮັດໃຫ້ບໍ່ຈຳເປັນຕ້ອງທົບທວນດ້ວຍມື. ການແຈ້ງເຕືອນຈະຖືກເປີດໃຊ້ຜ່ານ SMS ຫຼື ຂໍ້ຄວາມເຕືອນ (push messages) ໄປຫາສະມາຊິກທີມງານທີ່ຮັບຜິດຊອບ. ການສ่งການແຈ້ງເຕືອນທີ່ມີຄວາມຊ້ຳຊ້ອນຈະຮັບປະກັນວ່າການແຈ້ງເຕືອນທີ່ສຳຄັນຈະເຂົ້າເຖິງຜູ້ຕອບສະຫນອງທີ່ມີຢູ່ພາຍໃນ 90 ວິນາທີ, ເຖີງແມ່ນຈະເປັນເວລາກາງຄືນກໍຕາມ. ການດຳເນີນການທັງໝົດຈະຖືກບັນທຶກເພື່ອຈຸດປະສົງດ້ານການປະຕິບັດຕາມຂໍ້ກຳນົດ, ແລະ ລະບົບການຈັດຕັ້ງບັນທຶກບັນຫາ (ticketing systems) ທີ່ເຊື່ອມຕໍ່ກັນຈະສົ່ງທີມບໍາລຸງຮັກສາໄປຍັງສະຖານທີ່ຂອງບັນຫາທີ່ແນ່ນອນ ແລະ ມີຂໍ້ມູນບ່ອນເກີດບັນຫາທີ່ເປັນບ່ອນອ້າງອີງ.

ການຈັດປະເພດບັນຫາຢ່າງສຸກເສີນ: ລົດຕ່ຳສຸດຂອງການແຈ້ງເຕືອນທີ່ບໍ່ຖືກຕ້ອງ ແລະ ສູງສຸດຂອງການຈັບຈຸດບັນຫາ

ການຮັກສາດຸລະພາບທີ່ບໍ່ງ່າຍດາຍລະຫວ່າງການແຍກແຍະ, ຄວາມຖືກຕ້ອງ, ແລະ ຄວາມເຊື່ອຖືໄດ້: ການຕັດສິນໃຈທີ່ເກີດຈາກການນຳໃຊ້ Machine Learning ຢູ່ທີ່ເຂດ (Edge ML) ໃນການນຳໃຊ້ຈິງ

ການນຳໃຊ້ການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ຖືກຕິດຕັ້ງໃນເຂດ Edge ຈະຕ້ອງມີການສົ່ງເສີມຄວາມສົມດຸນລະຫວ່າງລະດັບຄວາມຖືກຕ້ອງທີ່ບັນລຸໄດ້ ແລະ ຄວາມຕ້ອງການໃນເວລາຈິງ; ເນື່ອງຈາກວ່າ ຄວາມຖືກຕ້ອງທີ່ສູງຂຶ້ນໃນການແຍກແຍະຂໍ້ຜິດພາດ ຈະເຮັດໃຫ້ແບບຈຳລອງມີຄວາມສັບສົນຫຼາຍຂຶ້ນ ເຊິ່ງນຳໄປສູ່ເວລາລ່າຊ້າ (latency) ແລະ ຄວາມຕ້ອງການພະລັງງານທີ່ສູງຂຶ້ນ. ການນຳໃຊ້ທີ່ຖືກເພີ່ມປະສິດທິພາບແລ້ວ ອີງໃສ່ເຄືອຂ່າຍປະສາດທີ່ຖືກປັບຂະໜາດ (quantized neural networks) ສຳລັບລາຍການຂອງສັນຍານຂໍ້ຜິດພາດທີ່ແຕກຕ່າງກັນຢ່າງກວ້າງຂວາງ ເຊັ່ນ: ການລຸກລາມຂອງແສງຟ້າ (arc flashes), ການເລີ່ມຕົ້ນຂອງມໍເຕີ (motor inrush), ແລະ ການລົ້ມເຫຼວຂອງການຫຸ້ມຫໍ່ຂອງສ່ວນໃນ (internal insulation failure), ໂດຍຍັງຄົງສາມາດບັນລຸເວລາການຄຳນວນ (inference time) ນ້ອຍກວ່າ 100 ມີລິວິນາທີ ແລະ ມີຄວາມຖືກຕ້ອງໃນການຈັດປະເພດ (classification accuracy) ນ້ອຍກວ່າ 5% ໃນສະພາບແວດລ້ອມທີ່ມີສັນຍານໄຟຟ້າຮຸນແຮງ (electrically noisy environments). ຄວາມຕ້ອງການດ້ານການກູ້ເກັບພະລັງງານ (energy harvesting) ໄດ້ເຮັດໃຫ້ເກີດຄວາມຈຳເປັນໃນການນຳໃຊ້ເຕັກນິກການຫຼຸດຜ່ອນຄວາມໜາແໜັ້ນ (sparsity techniques) ຢ່າງກວ້າງຂວາງ ເຊິ່ງອະນຸຍາດໃຫ້ບັນລຸຄວາມຖືກຕ້ອງໃນການຈັດປະເພດໄດ້ຫຼາຍກວ່າ 95% ໂດຍບໍ່ເຮັດໃຫ້ຄວາມເປັນອິດສະຫຼະໃນການຈ່າຍພະລັງງານດ້ວຍຕົວເອງ (self-powering design integrity) ສູນເສຍ.

ການຢືນຢັນ: ການຈັດປະເພດຂໍ້ຜິດພາດຂອງແສງຟ້າ (Arc Fault Classification) ໃນເຄືອຂ່າຍໄຟຟ້າທີ່ກຳລັງໃຊ້ງານຢູ່ ດ້ວຍຄວາມຖືກຕ້ອງ 99.2%

ການທົດສອບທີ່ ສະຖານີຍ່ອຍ 12 ແຫ່ງ ເທິງເຫດການໃນສະພາບແວດລ້ອມຈິງທີ່ແຕກຕ່າງກັນ 47,000 ເຫດການ ໄດ້ຢືນຢັນຄວາມຖືກຕ້ອງໃນການຈັດປະເພດຂອງຄວາມຜິດປົກກະຕິຂອງການແຕກຕົວ (arc faults) ໃນອັດຕາ 99.2%. ໂດຍການປະມວນຜົນການເຮັດໃຫ້ເກີດຄວາມເສຍຮູບຂອງຄວາມຖີ່ (harmonic distortion), ການປ່ຽນແປງຂອງກະແສໄຟຟ້າ (current transients), ແລະ ລັກສະນະຄວາມຮ້ອນ (thermal signatures), ລະບົບນີ້ສາມາດຈັດປະເພດເຫດການຄວາມຜິດປົກກະຕິຂອງການແຕກຕົວ (hazard arc events) ໄດ້ດ້ວຍການຫຼຸດລົງຂອງຄວາມຜິດພາດໃນການເຕືອນ (false alarms) ໃນອັດຕາ 83% ທີ່ກ່ຽວຂ້ອງກັບເຫດການທີ່ບໍ່ເປັນອັນຕະລາຍ (ເຊັ່ນ: ການເລີ່ມຕົ້ນຂອງມໍເຕີ, ແລະອື່ນໆ) ເມື່ອທຽບກັບວິທີການທີ່ອີງໃສ່ເກນ (threshold-based techniques). ການຕັດແຍກອັດຕະໂນມັດເກີດຂຶ້ນພາຍໃນເວລານ້ອຍກວ່າ 1/8 ຂອງວຟີເຄີ (AC cycle), ເຊິ່ງຢືນຢັນວ່າປັນຍາປະດິດສ້າງ (AI) ສາມາດຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງໄຟໄໝ້ທີ່ເກີດຈາກໄຟຟ້າ ໂດຍບໍ່ຂັດຂວາງການດຳເນີນງານ.

ຫນ້າທີ່ຂອງເຄື່ອງຕັດໄຟຟ້າ IoT ຢູ່ໃນສະຖາປັດຕະຍາການການປະມວນຜົນທີ່ເກີດຂຶ້ນທີ່ຈຸດປະມວນຜົນ (edge-processing architecture); ດັ່ງນັ້ນ ມັນສາມາດປະຕິບັດການວິເຄາະຫຼາຍປັດໄຈໃນເວລາຈິງ (real-time multi-parameter analysis), ສົ່ງຜົນໃຫ້ເກີດການຈັດປະເພດຄວາມຜິດປົກກະຕິທີ່ເກີດຂຶ້ນຢ່າງໄວວາ (transient fault recognition) ທີ່ເຄື່ອງຕັດໄຟຟ້າທົ່ວໄປ (ເຄື່ອງຕັດໄຟຟ້າທີ່ເຮັດດ້ວຍກົກໄຟຟ້າ-ເຄື່ອງຈັກ) ບໍ່ສາມາດຈັບຈຸດໄດ້.

ຄວາມບໍ່ປົກຕິທີ່ເກີດຈາກການຕິດດິນ (Ground faults) ເປັນສາເຫດຂອງໄຟໄໝ້ທາງໄຟຟ້າ 68%, ແລະ ເຫດຜົນທີ່ເກີດຂຶ້ນຢ່າງເປັນປົກກະຕິແມ່ນຍ້ອນວ່າເຄື່ອງຕັດໄຟທຳມະດາບໍ່ສາມາດຮູ້ຈັກການເສື່ອມສະພາບຢ່າງຊ້າໆ ຂອງຊັ້ນຫຸ້ມຫໍ່ (ການຮີນໄຟທີ່ຄ່ອຍເປັນລຳດັບ) ເຊິ່ງເຄື່ອງຕັດໄຟ IoT ສາມາດຕິດຕາມ ແລະ ຮູ້ຈັກເປັນຄວາມບໍ່ປົກຕິໄດ້.

ເນື່ອງຈາກຄວາມລ່າຊ້າຂອງວຟົງການເຊື່ອມຕໍ່ເຄືອຂ່າຍເຖິງເຄື່ອງຄວບຄຸມ (cloud loop latency) ທີ່ໄວຫຼາຍ (ໃນກໍລະນີຂອງເຄື່ອງຕັດໄຟ IoT, ບໍ່ມີການເຊື່ອມຕໍ່ກັບເຄືອຂ່າຍເຖິງເຄື່ອງຄວບຄຸມ; ແທນທີ່ຈະເປັນດັ່ງນັ້ນ, ເວລາຂອງເซັນເຊີ, ເຄື່ອງຕັດໄຟ ແລະ ເຄື່ອງຄວບຄຸມຈະຖືກບູລະນາການເຂົ້າກັນ), ລະບົບວຟົງການປິດລັບສຳລັບການບໍາລຸງຮັກສາເພື່ອປ້ອງກັນຈຶ່ງຖືກປ່ຽນຈາກການບໍາລຸງຮັກສາທີ່ເກີດຂື້ນຫຼັງຈາກເກີດບັນຫາ (reactive maintenance) ໄປເປັນການຫຼີກເວັ້ນອັນຕະລາຍທີ່ເກີດຂື້ນກ່ອນເວລາ (proactive hazard avoidance).

ປັນຍາປະດິດສ້າງ (AI) ເປັນສ່ວນສຳຄັນຫຼາຍໃນເຄື່ອງຕັດໄຟ IoT ໂດຍການຮູ້ຈັກປະເພດຄວາມບໍ່ປົກຕິທີ່ແຕກຕ່າງກັນຢ່າງຖືກຕ້ອງ ແລະ ການກຳນົດເວລາທີ່ເໝາະສົມໃນການຕອບສະຫນອງເພື່ອຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງໄຟໄໝ້ທາງໄຟຟ້າ; ດັ່ງນັ້ນ ໜ້າທີ່ຂອງ AI ຈຶ່ງເຊື່ອມໂຍງໂດຍກົງກັບການຫຼຸດຜ່ອນຄວາມສ່ຽງຂອງໄຟໄໝ້ທີ່ເກີດຂື້ນໃນວົງຈອນໄຟຟ້າ.