IoT စီးရီးဇ်ဘရိတ်ကာ သံလွင်မှုဖြစ်ပွားမှုများကို ထိရောက်စွာ ကာကွယ်နိုင်ပါသလား။

IoT စီးကရ်တ်ဘရိတ်ခ်- စီးကရ်တ်စောင်းခြင်းကို စီးကရ်တ်တစ်ခုလုံး ပြီးမှီအထိ မှီခိုမှုမရှိဘဲ ရှာဖွေခြင်းနှင့် အများဆုံးမှန်ကန်စွာ တုံ့ပြန်ခြင်း

စီးကရ်ကြေးတွင် အသုံးများသည့် ဒီဇိုင်းအများဆုံးမှာ ပူပေါင်းခြင်း (thermal) သို့မဟုတ် သံလိုက်ဖော်စပ်ခြင်း (magnetic) ဖြင့် လှုံ့ဆော်သည့် စနစ်ဖြစ်သည်။ ဖောက်ပေါက်မှုလျှပ်စီးကို ခလုတ်ကို လှုံ့ဆော်ရန်အတွက် အချိန်အနည်းငယ် (ပုံမှန်အားဖဲ့ ၃–၅ ခုလ်စ် သို့မဟုတ် ၅၀–၈၃ မီလီစက္ကန့်) ကြာအောင် ထိန်းသိမ်းထားရန် လိုအပ်သည်။ ဤချိန်ကာစသည် ယန္တရားဆိုင်ရာ အချိန်ကြာမှု (mechanical inertia) အဖြစ် အလုပ်လုပ်ပြီး မီလီစက္ကန့်အနည်းငယ်သာ ကြာသည့် ဖောက်ပေါက်မှုများ (ဥပမါ- လျှပ်စီးအောက်တွင် မီးပေါက်ခြင်း သို့မဟုတ် ဗို့အား အလွန်မြန်မြန်ကျဆင်းခြင်း) ကို မျက်စိမှုန်းဖြင့် လျစ်လျူရှုလေ့ရှိသည်။ စီးပွားရေးလုပ်ငန်းများတွင် အသုံးများသည့် လုပ်ထုံးလုပ်နည်းများနှင့် ဆန့်ကျင်ဘက်ဖြစ်သည့် အရှိန်မြင်းသည့် စွမ်းအင်မြင့်မှုဖြစ်စဉ်များသည် ပုံမှန်အားဖဲ့ ပုံမှန်ဖြစ်ပြီး စက်မှုလုပ်ငန်းများတွင် စက်ပစ္စည်းများ ပျက်စီးမှု၏ ၄၂ ရှိသည် (EPRI ၂၀၂၃)။ ဤဖောက်ပေါက်မှုများသည် အများအားဖဲ့ ကိုယ်တိုင်ပြေလျော့သည့် သဘောရှိပြီး ရှေးနည်းစနစ်များဖြင့် ဖောက်ပေါက်မှုကို ကာကွယ်ရန် အချိန်ကာလအတွင်းတွင် ဖောက်ပေါက်မှုများ ဖြစ်ပေါ်လေ့ရှိသည်။ ဤသည်မှာ အပူချိန်အလွန်မြန်မြန်တက်လာခြင်း (rapid thermal runaway) သို့မဟုတ် အားကုန်ခြင်း (insulation failure)၊ စက်ပစ္စည်းများ အလုပ်မလုပ်ခြင်း (device derailment) နှင့် ပိုမိုကြီးမားသည့် ဖောက်ပေါက်မှုများ ဆက်တိုက်ဖြစ်ပေါ်ခြင်း (cascading chain of failures) တို့ကို ဖော်ပေါ်စေသည်။ ရှေးနည်းစနစ်များတွင် လှိုင်းပုံစံအဆင့် (waveform-level) အထိ အသုံးပြုသည့် အသုံးပြုမှု ခွဲခြမ်းစိတ်ဖြာမှုများ မရှိသည့်အတွက် အလွန်အသေးစိတ်သည့် မှုန်းမှုများ (microsecond level anomalies) ကို မှန်ကန်စွာ မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်းမှုများကို မှုန်......

အနောက်ဘက် ပရိုဆက်စင်းအာခီတက်ခ်ချာ - လျှပ်စီး၊ အပူခါး၊ နှင့် လျှပ်စီးယိမ်းစိမ်းမှုများကို အချိန်နှင့်တစ်ပါစေ သုံးသပ်ခြင်း

အင်တာနက်သုံး အရာဝတ္ထုများ (IoT) စနစ်ကို အသုံးပြုခြင်းဖြင့် စီးကွင်းဖွင့်ခြင်းအာရုံခေါ်စက်များသည် အနောက်ဘက် ပရိုဆက်စင်းမော်ဂျူးများကို ထည့်သွင်းနိုင်ပါသည်။ ဤမော်ဂျူးများသည် ၁၀ ကီလိုဟာတ်ဇ် (Hz) အထိ နမူနာယူမှုမှုနှုန်းဖြင့် တစ်ပါတည်း စုစည်းထားသော စုစည်းမှုအများအပါတ် အာရုံခေါ်မှုများကို လုပ်ဆောင်နိုင်ပါသည် (တစ်နည်းအားဖဲ့ ၂၅၀ မိုက်ခရိုစက္ကန့် အထိ ဖွင့်ခြင်းစက်ကြောင်းအချိန်)။ ထို့ကြောင့် ဖွင့်ခြင်းအာရုံခေါ်စက်သည် ၂၅၀ မိုက်ခရိုစက္ကန့်အထိ သုံးသပ်မှုအချိန်ရှိပါသည်။ စက်တွင် ထည့်သွင်းထားသော ပရိုဆက်စားမှုစက်များသည်

- လျှပ်စီးလှိမ့်ပုံများ၏ ဟာမောနစ်များ
- အဆုံးသွေးများတွင် အပူခါးကွာခြားမှုများ
- အာရုံကြောများ ပေါ်တွင် လျှပ်စီးယိမ်းစိမ်းမှုများ
- လျှပ်စီးသံသရာ ကွင်းများ ရှိမှု

မော်ဂျူးများ၏ အင်အားကြီးသော ဒေတာပေါင်းစပ်မှုစွမ်းရည်များကြောင့် လျှပ်စစ်အားဖောက်ခွဲမှု (arcing)၊ အစိတ်အပိုင်းအလျှင်း (partial discharge) နှင့် အပူချိန်အလွန်မြင့်မှု (thermal runaway) တို့ကို အစေးအနှေးအဆင့်တွင် စေ့စပ်မှုရရှိရန် အလွန်ဖြစ်နိုင်ခြေရှိပါသည်။ အထူးသဖြင့် အသုံးပြုသည့် ဉာဏ်ရည်ထက်မြက်သော ဖြန့်ကျက်ထားသော စနစ်များ (သို့မဟုတ် အစွန်းတွင် ဒေတာပေါင်းစပ်မှု) ကို အသုံးပြုခြင်းဖြင့် ၂၀ မီလီစက္ကန့်အောက် တုံ့ပြန်မှုအချိန်ကို အာမခံပေးပါသည်။ ထို့ကြောင့် အပူချိန်အလွန်မြင့်မှုကို စေ့စပ်မှုအတွက် လုပ်ကွက်တွင် စမ်းသပ်မှုများဖြင့် အတည်ပြုခဲ့ရာ ကြိုတင်ခန့်မှန်းထားသော စေ့စပ်မှုနှင့် အမှန်တကယ် စေ့စပ်မှုအကြား ၉၈.၇% အထိ ကိုက်ညီမှုနှုန်းကို တွေ့ရှိခဲ့ပါသည်။

အတည်ပြုခြင်း - Siemens Desigo CC စနစ်တပ်ဆင်မှု — ပျမ်းမျှ ၂၂ms အထိ အလျင်အမြန်ဖွင့်ခြင်း (tripping) နှင့် ရှေးနည်းစနစ်များတွင် ၃၀၀ms

၂၀၂၃ ခုနှစ်တွင် Siemens Desigo CC နှင့်ပေါင်းစပ်ထားသော IoT ဖျက်သိမ်းရေး ကိရိယာများကို စီးပွားရေးရုံးအဆောက်အဦးတွင် တပ်ဆင်ခဲ့ပြီး အမှားအမှင်ဖြစ်ပွားမှုကို ဖျက်သိမ်းရေးအတွက် အလျင်အမြန် ၂၂ms (AC စက်ဝန်း ၀.၁၈ ခု) သာကုန်သော အလျင်အမြန်ဖျက်သိမ်းမှုကို မှတ်တမ်းတင်ခဲ့သည်။ ဤသည်မှာ ရှေးနည်းစနစ်များ (၃၀၀ms) ထက် ၁၃.၆ ဆ ပိုမိုကောင်းမွန်ခြင်းဖြစ်သည်။ မြေပြင်ဖျက်သိမ်းမှု အတိမ်အနက် စမ်းသပ်မှုများတွင် ဤစနစ်သည် ရှေးနည်းဖျက်သိမ်းရေးကိရိယာများဖြင့် မှန်ကန်စွာ မှတ်သားနိုင်ခြင်းမရှိသော ၅-၁၀ms အထိ အချိန်တို ဖျက်သိမ်းမှုများ၏ ၉၉.၄% ကို အမှန်အကန် ရှာဖွေတွေ့ရှိနိုင်ခဲ့ပြီး အောက်စီဂျင် ပေါက်ကွဲမှု ပြဿနာများနှင့် သက်ဆိုင်ရာ အွန်ဆိုက် ပျက်စီးမှုများကို ကာကွယ်ပေးနိုင်ခဲ့သည်။ ၄၀၀ms အတွင်း အဝေးမှ စောင်းကြည့်ရှုမှု ဗဟိုချက်များသို့ ရောက်ရှိသော အောက်စီဂျင် ကုဒ်ဖော်ထုတ်ထားသော အချက်အလက်များသည် လုံခြုံရေးအရ အရေးကြီးသော အလိုအလျောက်စနစ်ကို ထိန်းသိမ်းပေးနေသည့် အားကောင်းသော Edge-Cloud ပေါင်းစပ်မှုကို ပြသပေးသည်။

IoT ဖျက်သိမ်းရေးကိရိယာတွင် အများစုသော အချက်အလက်များကို တစ်ပါတည်း စောင်းကြည့်နိုင်သော စနစ်ဖြင့် အန္တရာယ်ကို ကြိုတင်ကာကွယ်ခြင်း

ရှေးနည်း ဖျက်သိမ်းရေးစနစ်များသည် အမှားအမှင်ဖြစ်ပွားပြီးနောက် တုံ့ပြန်မှုများကို အခြေခံပြီး အလုပ်လုပ်သည်။ အနက် အမှားအမှင်ဖြစ်ပွားမှုကို ကြိုတင်ကာကွယ်နိုင်သည့် IoT ဖျက်သိမ်းရေးကိရိယာများသည် အများစုသော အချက်အလက်များကို တစ်ပါတည်း စောင်းကြည့်နိုင်သော စနစ်များဖြင့် အလုပ်လုပ်သည်။

မြေပြင်ဖျက်သိမ်းမှု အဓိကအကြောင်းရင်း – NFPA အချက်အလက်များအရ လျှပ်စစ်မီးလောင်မှုများ၏ ၆၈% သည် မှန်ကန်စွာ မှတ်သားနိုင်ခြင်းမရှိသော လျှပ်စစ်စီးဆင်းမှု ပေါက်ကွဲမှုများမှ အဓိကအကြောင်းရင်းဖြစ်သည်။

အမျိုးသားမီးဘေးကာကွယ်ရေးအသင်း (NFPA) ၏ အဆိုအရ လျှပ်စစ်မီးလောင်မှု ၆၈% သည် မြေပြင်အမှားများကြောင့် ဖြစ်ပေါ်ပြီး ပုံမှန်မီးသတ်ကိရိယာများကြောင့် မတွေ့ရှိရ၊ တိုးတက်လာပြီး အပူထိန်းချုပ်မှုမရှိသော အပူထိန်းချုပ်မှု ပျက်စီးမှုများကြောင့် ဖြစ်ပေါ်သည်။ IoT circuit breakers တွေဟာ အကာအကွယ် ချွတ်ယွင်းမှုကို စောင့်ကြည့်၊ စီမံခန့်ခွဲလျက် မစခင်မှာ အကာအကွယ် ချွတ်ယွင်းမှုကို ခြေရာခံပေးပါတယ်။

Threshold Fusion Logic: လျှပ်စစ်၊ အပူချိန်၊ ဟားမုန်းများနှင့် အကာအကွယ် မပြတ်သားမှုကို ညှိနှိုင်းခြင်း

IoT breakers များသည် ဝင်ရောက်မှု ၄ ခု (စီးဆင်းမှု၊ အပူချိန်၊ ဟားမုန်းများနှင့် အကာအကွယ်) ၏ ပေါင်းစပ်မှုကို အသုံးပြုပြီး အတားအဆီး၏ ၈၅% တွင် ကြိုတင်ခန့်မှန်းနိုင်သော ကြုံတွေ့မှုကို ဖြစ်ပေါ်စေပြီး တစ်ပါမစ်ခရီးစဉ်များကို ဖယ်ရှားပေးသည်။ ဒီ multi-parameter logic က single-parameter excursions တွေမှာ အနှောက်အယှက်ဖြစ်တာတွေကို ဖယ်ရှားပေးပြီး တစ်မက်ထရစ်စနစ်တွေနဲ့ယှဉ်ရင် 40x အထိ arc flash အန္တရာယ်ကို လျှော့ချပေးပါတယ်။

IoT circuit breaker ၏ အချိန်နှင့်တပြေးညီ စောင့်ကြည့်ခြင်းနှင့် အဝေးမှ ကြားဝင်မှုစွမ်းရည်များ

သတိပေးခြင်းမှ လုပ်ဆောင်မှုအထိ ကွာဟချက်ကို ဖြည့်ဆည်းခြင်း MQTT Telemetry နှင့် <500ms Cloud Loop Latency

IoT circuit breakers များသည် Message Queuing Telemetry Transport (MQTT) ပရိုတိုကောကို အသုံးပြုပြီး end-to-end cloud loop latency ကို 500ms အောက်သို့ ရရှိစေသည်။ ပေါ့ပါးတဲ့ publish-subscribe ဗိသုကာကြောင့် AC စက်ဝန်းတစ်ခုအတွင်းမှာ အတည်ပြုထားတဲ့ အမှားသတိပေးချက်တွေကို ထိန်းချုပ်ရေး ဗဟိုဌာနတွေကို ပို့ပေးပါတယ်။ ဒါက မိုင်လီမီတာ ၁၀၀ အောက်မှာ ကျစ်လစ်နေတဲ့ မီးပုံတွေကြောင့် မီးလောင်တာတွေကို ထည့်တွက်ရင် တာဝန်က အရေးပါပါတယ်။ ဒီစွမ်းရည်က စွမ်းအင်ဖြာထွက်မှု အန္တရာယ်ရှိတဲ့အဆင့်မရောက်ခင် ပိတ်ဖို့ အခွင့်ပေးခြင်းဖြင့် တုံ့ပြန်မှုထိန်းသိမ်းမှုကို ကြိုတင်ကာကွယ်ရေး အန္တရာယ်လျှော့ချမှုဆီ ရွှေ့ပေးပါတယ်။

Operator Dashboard နှင့် အလိုအလျောက် တိုးမြှင့်ခြင်းနှင့် ပေါင်းစပ်ခြင်း

ဗဟိုချုပ်ထားသော ဒက်ရှ်ဘုတ်များသည် ဖြန့်ကျက်ထားသော IoT ဘရိတ်ကာများ၏ အချိန်နှင့်တစ်ပါစ် မှုန်းသော စံနှုန်းများကို ပေါင်းစပ်ပေးပြီး စက်ရုံအဆောက်အဦးများ၏ အစီအစဥ်များတွင် အလွယ်တကူ နားလည်နိုင်သော အရောင်ကုဒ်ဖြင့် ပုံဖော်ပေးပါသည်။ အပေါ်ဆုံးဖြစ်နေသော အမှားအမှင်များ အများအပြားကို ရှာဖွေတွေ့ရှိပါက အလိုအလျောက် အဆင့်မြင့်သော အစီအမံများသည် လက်ဖြင့် ပြန်လည်သုံးသပ်ရန် လိုအပ်ခြင်းကို ဖျောက်ပေးပါသည်။ သတ်မှတ်ထားသော တုံ့ပြန်မှုအဖွဲ့ဝင်များသို့ SMS သို့မဟုတ် ပုရှ်စ်အက်စ် (push) စာသော်များဖြင့် အကြောင်းကြားခြင်းများ စတင်ပေးပါသည်။ အသိပေးခြင်းများကို နောက်ထပ်အကူအညီဖြင့် ပေးပေးခြင်းဖြင့် အရေးကြီးသော အသိပေးခြင်းများသည် ညအချိန်တွင်ပါ အသုံးပြုနိုင်သော တုံ့ပြန်မှုပေးသူများထံ စက္ကန်း ၉၀ အတွင်း ရောက်ရှိမှုကို အာမခံပေးပါသည်။ လုပ်ဆောင်မှုအားလုံးကို စံနှုန်းမှီမှုအတွက် မှတ်တမ်းတင်ပေးပါသည်။ ပေါင်းစပ်ထားသော တစ်ကေးတင်န်စ် (ticketing) စနစ်များသည် အတိအကျရှိသော အဖော်ထုတ်မှုနေရာများနှင့် အကူအညီဖြစ်စေသော အချက်အလက်များဖြင့် ပြုပြင်ထိန်းသိမ်းရေးအဖွဲ့များကို စေလွှတ်ပေးပါသည်။

အသိဉာဏ်ရှိသော အဖော်ထုတ်မှု အမျိုးအစားခွဲခြင်း - အမှားအမှင်များကို အနည်းဆုံးဖြစ်အောင် လျှော့ချခြင်းနှင့် အဖော်ထုတ်မှုကို အများဆုံးဖြစ်အောင် မြင့်တင်ခြင်း

ခွဲခြားသိမ်းခြင်း၊ တိကျမှုနှင့် ယုံကြည်စိတ်ချရမှုတို့အကြား အလွန်အမင်း ပေါ့ပါးသော ဟန်ချက်ညှိမှုကို ထိန်းသိမ်းခြင်း - မြေပြင်တွင် အသုံးပြုသော Edge ML အတွက် အကောင်းဆုံးအဖြေရှာရေး အကောင်းဆုံးအဖြေများ

အိုင်ဂျီ (Edge) တွင် စက်သင်ယူမှု (Machine learning) အကောင်အထည်ဖော်မှုများကို အတိမ်အနက်ရှိသော တိကျမှုနှင့် အချိန်နှင့်တစ်ပါတည်း လုပ်ဆောင်ရမည့် လိုအပ်ချက်များကြား ဟန်ခေါင်းညှိရန် လိုအပ်ပါသည်။ အကြောင်းမှာ အကြောင်းအရာ ခွဲခြားမှု (fault discrimination) တွင် တိကျမှုများလေလေ မော်ဒယ်၏ ရှုပ်ထွေးမှုများလေလေ ဖြစ်ပြီး အချိန်ကြာမှု (latencies) နှင့် စွမ်းအင်လိုအပ်ချက်များ များပေါ်လေလေ ဖြစ်ပါသည်။ အထူးပြုထားသော အကောင်အထည်ဖော်မှုများသည် လျှပ်စစ်ဓာတ်သို့ ပေါက်ကွဲမှု (arc flashes)၊ မော်တာ စတပ်အချိန်တွင် လျှပ်စစ်စီးကောင်းမှု (motor inrush) နှင့် အတွင်းပိုင်း အွန်ဆူလေးရှင်း ပျက်စီးမှု (internal insulation failure) စသည့် အများပြားသော အကြောင်းအရာများ (fault signatures) အတွက် အရှိန်မြင်းထားသော နျူရယ်နက်ဝပ် (quantized neural networks) များအပေါ်တွင် အခြေခံပါသည်။ ထို့ပြင besides လျှပ်စစ်အားဖော်ပေးမှု အလွန်များပြားသော ပတ်ဝန်းကျင်များတွင် ၅% ထက်နည်းသော အမှားအမှန် အများအပေါ် ၁၀၀ms အောက် အချိန်ကုန်သော အဖြေထုတ်မှု (inference times) ကို ရရှိနိုင်ပါသည်။ စွမ်းအင်အုပ်မှု (Energy harvesting) လိုအပ်ချက်များကြောင့် အလွန်များပြားသော အပ်စ်ပ်စီ (sparsity) နည်းလမ်းများကို အသုံးပြုရနှင့် လိုအပ်ပါသည်။ ထိုနည်းလမ်းများသည် ကိုယ်ပိုင်စွမ်းအင်ဖေးမှု (self-powering) ဒီဇိုင်း၏ အရည်အသွေးကို မထိခိုက်စေဘဲ ၉၅% ထက်များသော အမျိုးအစားခွဲခြားမှု အတိမ်အနက် (classification fidelity) ကို ရရှိစေပါသည်။

အတည်ပြုခြင်း – လျှပ်စစ်ဓာတ်သို့ ပေါက်ကွဲမှု (Arc Fault) အမျိုးအစားခွဲခြားမှုကို လုပ်ဆောင်နေသော လျှပ်စစ်လိုင်းများတွင် ၉၉.၂% အတိမ်အနက်ဖြင့် အတည်ပြုခြင်း

အီလက်ထရွန်နစ်မီးပေါက်ခြင်း (arc faults) ကို ၉၉.၂% တိကျစွာ သိရှိနိုင်ကြောင်း ၁၂ ခုသော စွမ်းအင်ဖြန့်ဖြူးရေးစခန်းများတွင် ၄၇,၀၀၀ ကျော်သော အထူးပြုမှုများဖြင့် စမ်းသပ်မှုများက အတည်ပြုခဲ့သည်။ ဟာမောနစ်ပျက်စီးမှု (harmonic distortion)၊ လျှပ်စီးကြောင်းအချိန်တိုတောင်းပေါက်ကွင်းများ (current transients) နှင့် အပူလက္ခဏာများ (thermal signatures) ကို စီမံခန့်ခွဲခြင်းဖြင့် စနစ်သည် အန္တရာယ်ရှိသော အီလက်ထရွန်နစ်မီးပေါက်ခြင်းဖြစ်ရပ်များကို သိရှိနိုင်ခဲ့ပြီး မှုန်းသော အသိပေးခြင်းများ (false alarms) ကို ၈၃% အထိ လျော့ချနိုင်ခဲ့သည်။ ထိုသို့သော မှုန်းသော အသိပေးခြင်းများသည် မော်တာစတာတ်ခြင်းကဲ့သို့သော ပုံမှန်ဖြစ်ရပ်များနှင့် ဆက်စပ်နေသည်။ ထိုအချက်များကို ချိန်ညှိမှုအခြေပြုနည်းလမ်းများ (threshold-based techniques) နှင့် နှိုင်းယှဉ်ပါက ဖော်ပြပါအတိုင်း ဖြစ်သည်။ အလိုအလျောက် ခွဲခြားခြင်းလုပ်ငန်းစဉ်သည် AC စက်ဝန်း၏ ၁/၈ အပိုင်းထက် များစွာ မှန်ကန်စွာ အကောင်အထည်ဖော်နိုင်ခဲ့ပြီး AI သည် လျှပ်စစ်မီးလောင်မှုအန္တရာယ်ကို လျော့ပါးစေနိုင်ပြီး လုပ်ငန်းများကို မပေါက်ကွင်းဘဲ ဆက်လက်လုပ်ဆောင်နိုင်ကြောင်း အတည်ပြုခဲ့သည်။

IoT စွမ်းအင်ဖြတ်စက်များ၏ လုပ်ဆောင်ချက်သည် အစွန်းတွင် စီမံခန့်ခွဲမှု (edge-processing) အခြေခံမှုပေါ်တွင် အခြေခံပါသည်။ ထို့ကြောင့် ၎င်းတို့သည် အချိန်နှင့်တစ်ပါက စံချိန်မှုများစွာကို အသုံးပြု၍ စီမံခန့်ခွဲနိုင်ပြီး အချိန်တိုတောင်းပေါက်ကွင်းများကို သိရှိနိုင်ခဲ့သည်။ ထိုသို့သော အချိန်တိုတောင်းပေါက်ကွင်းများကို ရိုးရိုးရှင်းရှ်င်းသော လျှပ်စစ်-မော်တော်စီးနှင့် မော်တော်စီးမှုန်းသော စွမ်းအင်ဖြတ်စက်များ (electromechanical circuit breakers) ဖြင့် သိရှိနိုင်မည်မဟုတ်ပါ။

မြေပြင်ချို့ယွင်းမှုများသည် လျှပ်စစ်မီးလောင်မှုများ၏ ၆၈ ရာခိုင်နှုန်းကို ဖြစ်ပေါ်စေပါသည်။ ဤအဖြစ်များခြင်း၏ အကြောင်းရင်းမှာ အထောက်အပံ့ပေးသည့် အိုင်အိုတီ စားကပ်ခြင်းများ (IoT circuit breakers) သည် အိုင်ဆိုလေးရှင်း၏ တဖြည်းဖြည်းချင်း ပျက်စီးမှု (တဖြည်းဖြည်းချင်း ရှုံ့ထွက်မှု) ကို စောင်းမှုနှင့် ခွဲခြမ်းစိတ်ဖြာမှု ပြုလုပ်နိုင်သော်လည်း ပုံမှန် စားကပ်ခြင်းများသည် ထိုသို့သော ပျက်စီးမှုကို မှုန်းမှုန်းနိုင်ခြင်းမရှိခြင်းဖြစ်ပါသည်။

အိုင်အိုတီ စားကပ်ခြင်းများတွင် မှုန်းမှုန်းမှု အမြန်နှုန်း (cloud loop latency) သည် အလွန်မြန်ဆန်ပါသည် (အိုင်အိုတီ စားကပ်ခြင်းများတွင် ကလောင်းဒ်စနစ် မရှိပါ။ အစားထိုး၍ အချိန်ခိုင်းမှု စိုက်ထားသည့် စားကပ်ခြင်းနှင့် ထိန်းချုပ်မှုစနစ်များကို ပေါင်းစပ်ထားပါသည်)။ ထို့ကြောင့် ကာကွယ်ရေး ထိန်းသိမ်းမှုအတွက် ပိတ်ထားသည့် စနစ်သည် အဖြစ်ပေါ်ပြီးနောက် ပြုပြင်မှုမှ အန္တရာယ်ကို ကြိုတင်ကာကွယ်ရေး အသုံးပြုမှုသို့ ရွှေ့ပေးပါသည်။

အိုင်အိုတီ စားကပ်ခြင်းများတွင် AI သည် မတော်တဆမှုအမျိုးအစားများကို တိကျစွာ သိရှိနေပါသည်။ ထို့အပေါ်အခြေခံ၍ လျှပ်စစ်မီးလောင်မှုအန္တရာယ်ကို လျှော့ချရန် သင့်တော်သည့် တုံ့ပြန်မှုအချိန်များကို ဆုံးဖြတ်ပေးပါသည်။ ထို့ကြောင့် AI ၏ လုပ်ဆောင်ချက်သည် စားကပ်ခြင်း၏ မီးလောင်မှုအန္တရာယ်ကို လျှော့ချခြင်းနှင့် တိကျစွာ ဆက်စပ်နေပါသည်။