ஐஓடி சுற்று முறிப்பான் (சர்க்யூட் பிரேக்கர்) மின் விபத்துகளை திறம்பட தடுக்க முடியுமா?

ஐஓடி சுற்று முறிப்பான்: சுற்றின் உள்-சுழற்சி தவறு கண்டறிதல் மற்றும் விரைவான பதிலளிப்பு

சர்க்யூட் பிரேக்கருக்கான மிகவும் பொதுவான வடிவமைப்பு வெப்ப அல்லது காந்த ட்ரிக்கரைப் பயன்படுத்துகிறது. சர்க்யூட் பிரேக்கர் செயல்பட குறைந்தது ஒரு குறிப்பிட்ட நேரம் (பொதுவாக 3–5 AC சைக்கிள்கள் அல்லது 50–83 மில்லிசெகண்டுகள்) வரை தவறு மின்னோட்டம் தொடர்ந்து நிலைத்திருக்க வேண்டும். இந்த எல்லை ஒரு இயந்திர நிலைத்தன்மையாகச் செயல்படுகிறது; மில்லிசெகண்டுகள் அளவிலான மிகக் குறுகிய கால அளவிலான தவறுகளை (எ.கா., ஆர்க் ஃபிளாஷ் அல்லது வேகமான மின்னழுத்த வீழ்ச்சி) கண்ணை மூடிக்கொண்டு புறக்கணிக்கிறது. பொதுவான தொழில்துறை நடைமுறைக்கு மாறாக, அதிக ஆற்றல் கொண்ட, குறுகிய கால நிகழ்வுகள் அடிக்கடி ஏற்படுகின்றன மற்றும் தொழில்துறை சாதனங்களுக்கு ஏற்படும் சேதத்தின் 42% ஐ இவையே ஏற்படுத்துகின்றன (EPRI 2023). இந்த நிகழ்வுகள் பொதுவாக தாமாகவே தீர்ந்துவிடும் வகையில் ஏற்படுகின்றன, மேலும் பழைய தவறு பாதுகாப்பு சாதனங்களின் பதிலளிப்பு நேரத்தின் போது ஏற்படுகின்றன. இது வேகமான வெப்ப ஓட்ட வெளியேற்றம் (thermal runaway) அல்லது மின்காப்பு தோல்வி, சாதனத்தின் செயலிழப்பு, மேலும் தொடர் சேத விளைவுகளையும் ஏற்படுத்துகிறது. பழைய சாதனங்கள் அலைவு வடிவ மட்டத்திலான பகுப்பாய்வைக் கொண்டிருக்கவில்லை; எனவே, அவை சேதத்திற்கு வழிவகுக்கக்கூடிய மைக்ரோ வினாடிகள் அளவிலான மாறுபாடுகளைக் கண்டறிய முடியாது.

விளிம்பு-செயலாக்க கட்டமைப்பு: தற்போதைய நிலை, வெப்பநிலை மற்றும் கசிவு ஆகியவற்றின் உண்மை-நேர பகுப்பாய்வு

இணையம் வழியான விஷயங்களின் (IoT) அமைப்பு ஏற்றுக்கொள்ளப்பட்டதன் விளைவாக, சுற்று முறிப்பான்கள் இப்போது விளிம்பு-செயலாக்க மாட்யூள்களை உள்ளடக்கியுள்ளன. இந்த மாட்யூள்கள் 10 கிலோஹெர்ட்ஸ் மாதிரியாக்க அதிர்வெண்ணில் (அதாவது, 250 மைக்ரோ வினாடிகள் என்ற முறிப்பு சுழற்சி நேரத்தில்) ஒத்திசைவு பல-அளவுரு உணர்தலைச் செய்ய வல்லவை, இதன் பொருள் சுற்று முறிப்பான் 250 மைக்ரோ வினாடிகள் என்ற பகுப்பாய்வு நேரத்தைக் கொண்டுள்ளது. வாகனத்தில் பொருத்தப்பட்ட செயலிகள் அளவிடுகின்றன

- தற்போதைய அலைவடிவங்களின் ஒத்த அதிர்வுகள்
- முனைகளில் வெப்பநிலை வேறுபாடுகள்
- மின்காப்பு கசிவு
- மின்காந்த புலங்களின் இருப்பு

இந்த மாடுல்களின் சக்திவாய்ந்த தரவு ஒன்றிணைப்பு திறன்கள், விற்றும் மின்னோட்ட விலகல் (arcing), பகுதி மின்னோட்ட விலகல் (partial discharge) மற்றும் வெப்ப அதிகரிப்பு (thermal runaway) ஆகியவற்றை ஆரம்ப கட்டத்திலேயே கண்டறிவதை கிட்டத்தட்ட உறுதிப்படுத்துகின்றன. வெளிப்புற மேக அமைப்புகளைச் சார்ந்திருப்பதை நீக்குவதற்காக, புத்திசாலி பரவலாக்கப்பட்ட அமைப்புகள் (அல்லது ஓரத்தில் தரவு ஒன்றிணைப்பு) பயன்படுத்தப்படுவதன் மூலம் 20 மில்லிவினாடிக்கு கீழான பதிலளிப்பு நேரம் உறுதிப்படுத்தப்படுகிறது. புலத் தரவு சோதனைகள் மூலம் விரைவான பதிலளிப்பை செல்லுபடியாக்கும் போது, வெப்ப அதிகரிப்பை முன்கூட்டியே கண்டறிவது மற்றும் அதனை உண்மையில் கண்டறிவது ஆகியவற்றுக்கு இடையே 98.7% ஒத்திசைவு விகிதம் காணப்பட்டுள்ளது.

செல்லுபடியாக்கம்: சீமென்ஸ் டெசிகோ CC நிறுவல் — சராசரி 22 மில்லிவினாடி தடுப்பு நேரம் எதிர்மறை 300 மில்லிவினாடி பழைய அமைப்புகள்

2023-இல், சீமென்ஸ் டெசிகோ CC–ஒருங்கிணைந்த IoT பிரேக்கர்களைப் பயன்படுத்தி ஒரு வணிக வளாகத்தில் செயல்படுத்தப்பட்ட அமைப்பு, குறைபாடு தடுப்பிற்காக சராசரியாக 22 மில்லிசெகன்டுகள் (0.18 AC சுழற்சிகள்) எடுத்தது. இது பழைய அமைப்புகளை விட 13.6× சிறப்பான செயல்திறனை (300 மில்லிசெகன்டுகள்) வழங்குகிறது. செயலாக்கப்பட்ட தரை-குறைபாடு மாதிரிகளில், இந்த அமைப்பு பாரம்பரிய பிரேக்கர்களால் கண்டறியப்படாத 5–10 மில்லிசெகன்டு கால மாறுபாடுகளில் 99.4% ஐக் கண்டறிந்தது; இது விற்கு ஏற்படும் விரிவாக்கத்தையும், அதனால் ஏற்படும் மின்காப்பு சேதத்தையும் தடுக்கிறது. 400 மில்லிசெகன்டுகளில் தொலைநிலை கண்காணிப்பு மையங்களை அடைந்த மறைக்கப்பட்ட தொலைஅளவியல் தரவு, பாதுகாப்பு-முக்கிய சுதந்திரத்தைப் பாதுகாத்துக் கொள்ளும் வகையில் வலுவான ஓரத்திலிருந்து மேகத்திற்கான (edge-cloud) ஒருங்கிணைப்பை வெளிப்படுத்துகிறது, மேலும் ஒரு வினாடிக்கு குறைவான நேரத்தில் ஆபத்துகளைக் கட்டுப்படுத்த அனுமதிக்கிறது.

IoT மின்சுற்று பிரேக்கரில் பல-அளவுரு உணர்வு மூலம் முன்கூட்டியே ஆபத்து தடுப்பு

மரபுவழி மின்சுற்றுப் பாதுகாப்பு தோல்வியை எதிர்கொள்வதற்கானது, அதே நேரத்தில் IoT சக்தியுள்ள மின்சுற்று பிரேக்கர்கள் பல-மாதிரியாக்கப்பட்ட உணர்விகளின் ஒருங்கிணைந்த பகுப்பாய்வுடன் தோல்வியைத் தடுப்பதற்கானவை.

தரை-குறைபாடு ஆதிக்கம்: NFPA தரவுகள், மின்சாரத்தால் ஏற்படும் தீவிபத்துகளில் 68% கண்டறியப்படாத கசிவிலிருந்து ஏற்படுகின்றன என்பதை வெளிப்படுத்துகின்றன.

தேசிய தீப்பாதுகாப்பு சங்கம் (NFPA) அறிவிப்பின்படி, மின்சார தீவிபத்துகளில் 68% ஆனவை நிலத்திற்கு மின்னோட்டம் கசிவதால் (ground faults) ஏற்படுகின்றன; இது மில்லியாம்ப் உணர்திறன் இல்லாத பாரம்பரிய சுற்று முறிப்பிகளால் கண்டறியப்படாமல், படிப்படியாக மோசமாகும் மற்றும் காப்புரிமை தவறுகளால் (காப்பு தவறு, கட்டுப்பாடற்ற வெப்ப வளர்ச்சி) ஏற்படுகிறது. IoT சுற்று முறிப்பிகள் காப்பு தவறுகளைக் கண்காணித்து மேலாண்மை செய்கின்றன, அத்தவறு தொடங்குவதற்கு முன்பே அதன் கட்டுப்பாடற்ற வளர்ச்சியை கண்காணித்து வருகின்றன.

தீர்மான ஒன்றிணைப்பு தர்க்கம்: மின்னோட்டம், வெப்பநிலை, ஹார்மோனிக்ஸ் மற்றும் காப்பு ஒருமைப்பாடு ஆகியவற்றை ஒத்திசைத்தல்

IoT சுற்று முறிப்பிகள் மின்னோட்டம், வெப்பநிலை, ஹார்மோனிக்ஸ் மற்றும் காப்பு ஆகிய 4 உள்ளீடுகளை ஒருங்கிணைத்து, தீர்மான மதிப்பின் 85% அளவில் முன்கூட்டியே சுற்று முறிப்பை செயல்படுத்துகின்றன, இதனால் ஒற்றை-அளவீட்டு மாறுபாடுகள் தவிர்க்கப்படுகின்றன. இந்த பல-அளவீட்டு தர்க்கம் ஒற்றை-அளவீட்டு மாறுபாடுகளின் போது தவறான சுற்று முறிப்புகளை நீக்குகிறது, மேலும் ஒற்றை-அளவீட்டு அமைப்புகளுடன் ஒப்பிடும்போது விற்கும் விளக்கு ஆபத்தை 40 மடங்கு குறைக்கிறது.

IoT சுற்று முறிப்பியின் தற்காலிக கண்காணிப்பு மற்றும் தொலைதூர தலையீட்டு திறன்கள்

எச்சரிக்கையிலிருந்து செயல்பாட்டு வரையிலான இடைவெளியை நிரப்புதல்: MQTT தூர அளவீட்டு தகவல் மற்றும் <500ms மேக சுழற்சி தாமதம்

இன்டர்நெட் ஆஃப் திங்ஸ் (IoT) சுற்று முறிப்பிகள் செய்தி குவியல் தகவல் பரிமாற்ற புரோட்டோகால் (MQTT) ஐப் பயன்படுத்துகின்றன, மேலும் முழு மேக-சுழற்சி தாமதம் 500 மில்லிசெகண்டுக்கு கீழ் ஆகும். இலகுவான வெளியிடு-சந்தாதார் கட்டமைப்பு காரணமாக, சரிபார்க்கப்பட்ட தவறு எச்சரிக்கைகள் ஒரு மாறுதல் மின்னோட்ட சுழற்சிக்குள் கட்டுப்பாட்டு மையங்களுக்கு வழங்கப்படுகின்றன. இது மிகவும் முக்கியமானது, ஏனெனில் 100 மில்லிசெகண்டுக்கு கீழ் விலகல் (arc) காரணமாக தீ வெடிக்கும் அபாயம் உள்ளது. இந்த திறன், ஆற்றல் வெளியேற்றம் ஆபத்தான அளவை எட்டுவதற்கு முன்பே சாதனங்களை நிறுத்துவதை சாத்தியமாக்குவதன் மூலம், பின்னடைவு பராமரிப்பை (reactive maintenance) தடுப்பு அபாய நிர்வாகமாக (preventive hazard mitigation) மாற்றுகிறது.

ஆபரேட்டர் டாஷ்போர்டுடன் ஒருங்கிணைப்பு மற்றும் தானியங்கி அதிகார மாற்றம்

மையப்படுத்தப்பட்ட டாஷ்போர்டுகள், பரவியுள்ள IoT பிரேக்கர்களின் இயல்புநிலை நேர மெட்ரிக்ஸ்களை ஒருங்கிணைக்கின்றன, மேலும் வசதியின் அமைப்பு வரைபடங்கள் முழுவதும் தெளிவான வண்ண-குறியீடிடப்பட்ட காட்சிப்படுத்தல்களை வழங்குகின்றன. பல மேலும் மேலும் மூடப்பட்ட சீர்கேடுகள் அடையாளம் காணப்படும்போது, தானியங்கி உயர்-அளவு அறிவிப்பு நடைமுறைகள் கையால் மதிப்பீட்டின் தேவையை நீக்குகின்றன. அறிவிப்புகள் SMS அல்லது தள்ளு செய்திகள் மூலம் வரையறுக்கப்பட்ட பதிலளிக்கும் குழு உறுப்பினர்களுக்கு தானியங்கியாக தூண்டப்படுகின்றன. அறிவிப்புகளை மீண்டும் மீண்டும் அனுப்பும் ஏற்பாடு மூலம், முக்கியமான அறிவிப்புகள் இரவு நேரத்திலும் கூட 90 வினாடிகளுக்குள் கிடைக்கக்கூடிய பதிலளிப்பாளர்களை அடைகின்றன. அனைத்து செயல்பாடுகளும் ஒழுங்குமுறை நோக்கங்களுக்காக பதிவு செய்யப்படுகின்றன, மேலும் ஒருங்கிணைந்த டிக்கெட்டிங் அமைப்புகள் துல்லியமான குறைபாட்டு இடங்கள் மற்றும் சூழல் தகவல்களுடன் பராமரிப்புக் குழுக்களை அனுப்புகின்றன.

அறிவுசார் குறைபாடு வகைப்பாடு: தவறான எச்சரிக்கைகளை குறைத்தல் மற்றும் குறைபாடுகளை கண்டறிவதை அதிகரித்தல்

வேறுபாடு, துல்லியம் மற்றும் நம்பகத்தன்மை ஆகியவற்றுக்கு இடையே மிக நுணுக்கமான சமநிலையை பராமரித்தல்: புல நிறுவல்களில் Edge ML இன் வர்த்தக பரிமாற்றங்கள்

எஜ் (Edge) இல் செயல்படுத்தப்படும் இயந்திர கற்றல் (Machine learning) செயல்பாடுகள், அடையப்படும் துல்லியத்தின் அளவையும் மெய்நேர (real-time) தேவைகளையும் சமன் செய்ய வேண்டும். ஏனெனில், குறைபாடுகளை வேறுபடுத்தும் துல்லியம் அதிகரிக்கும் போது, மாதிரி (model) அதிக சிக்கலானதாக மாறுகிறது; இது காலதாமதம் (latencies) மற்றும் மின்சக்தி தேவைகளை அதிகரிக்கிறது. விற்றுச் செயல்படுத்தப்பட்ட மாதிரிகள், விற்று செய்யப்பட்ட நரம்பு வலையமைப்புகளை (quantized neural networks) அடிப்படையாகக் கொண்டவையாகும்; இவை விற்று விளக்கு (arc flashes), மோட்டார் துவக்க மின்னோட்டம் (motor inrush), உள் மின்காப்பு தோல்வி (internal insulation failure) போன்ற பல்வேறு குறைபாடு குறியீடுகளை (fault signatures) கையாள வல்லவை. இதே நேரத்தில், மின்னியல் ரீதியாக மிகவும் இரைச்சல் நிறைந்த (electrically noisy) சூழல்களில் 5% ஐ விடக் குறைவான பிழை விகிதத்துடன் 100 மில்லிசெகன்டுக்கு கீழ் முடிவீட்டு நேரத்தை (inference times) அடைய முடியும். ஆற்றல் சேகரிப்பு (Energy harvesting) தேவைகள், 95% க்கு மேல் வகைப்படுத்தும் துல்லியத்தை (classification fidelity) வழங்கக்கூடிய, ஆனால் தன்னியக்க மின்சக்தி வடிவமைப்பின் (self-powering design) ஒருமைப்பாட்டை (integrity) பாதிக்காத விரிவான மீன்மை (sparsity) நுண்ணறிவு முறைகளை (techniques) உருவாக்கும் தேவையை ஏற்படுத்தியுள்ளன.

செல்லுபடியாக்கம்: 99.2% துல்லியத்துடன் செயல்பாட்டில் உள்ள மின்சுற்றுகளில் (Live Grids) விற்று குறைபாடு வகைப்பாடு (Arc Fault Classification)

47,000 தனித்துவமான புல நிகழ்வுகளைக் கொண்ட 12 சப்ஸ்டேஷன்களில் நடத்தப்பட்ட சோதனைகள், ஆர்க் தவறுகளை வகைப்படுத்துவதில் 99.2% துல்லியத்தை உறுதிப்படுத்தின. ஹார்மோனிக் மாசுபடுதல், மின்னோட்ட காலநிலை மாற்றங்கள் மற்றும் வெப்ப குறியீடுகளைச் செயலாக்குவதன் மூலம், இந்த அமைப்பு ஆபத்தான ஆர்க் நிகழ்வுகளைக் கண்டறிந்தது; இது தீவிரமற்ற நிகழ்வுகளுக்கு (எ.கா., மோட்டார் தொடங்குதல் போன்றவை) தொடர்புடைய தவறான எச்சரிக்கைகளை, தற்போதைய தீர்மான அடிப்படையிலான தொழில்நுட்பங்களுடன் ஒப்பிடும்போது 83% குறைவாக்கியது. மின்சார சுழற்சியின் 1/8 பங்கிற்கும் குறைவான நேரத்தில் தானியங்கி பிரிவு ஏற்பட்டது; இது மின்சாரத் தீக்கு அபாயத்தை செயற்கை நுண்ணறிவு குறைக்க முடியும் என்பதையும், தொடர்ச்சியான இயக்கத்தை பராமரிக்க முடியும் என்பதையும் உறுதிப்படுத்தியது.

இயர்-செயலாக்க கட்டமைப்பின் அடிப்படையில் ஐஓடி சுற்று முறிப்பிகளின் செயல்பாடு அமைந்துள்ளது; எனவே, அவை தற்காலிக தவறுகளைக் கண்டறியும் வகையில் தற்காலிக பல-அளவுரு பகுப்பாய்வை உண்மை நேரத்தில் செயல்படுத்த முடியும், இது மரபு சுற்று முறிப்பிகள் (மின்காந்த-இயந்திர வகை) கண்டறிய முடியாத ஒன்றாகும்.

மின் தீவிபத்துகளில் 68% ஆனவை நிலத்திற்கு ஏற்படும் கசிவுகளால் (Ground faults) ஏற்படுகின்றன, இதன் முக்கிய காரணம் பாரம்பரிய சுற்று முறிப்பிகள் (conventional breakers) மின்காப்புப் பொருளின் கிரமங்களாக ஏற்படும் சிதைவுகளை (progressive leakage) கண்டறிய முடியாது; ஆனால் IoT சுற்று முறிப்பிகள் இத்தகைய கசிவுகளை கண்காணித்து, தவறாகக் கண்டறிய முடியும்.

விரைவான கிளவுட் சுழற்சி தாமதம் (cloud loop latency) காரணமாக (IoT சுற்று முறிப்பிகளின் வழக்கில் கிளவுட் என்பது இல்லை; பதிலாக, நேர உணர்வி, சுற்று முறிப்பி மற்றும் கட்டுப்பாட்டு அலகு ஆகியவை ஒருங்கிணைக்கப்பட்டுள்ளன), தடுப்பு பராமரிப்புக்கான மூடிய சுழற்சி (closed loop) பின்னடைவு சார்ந்த பராமரிப்பிலிருந்து (reactive maintenance) முன்கூட்டியே ஆபத்துகளைத் தடுக்கும் முன்னோக்கு அணுகுமுறைக்கு (proactive hazard avoidance) மாற்றப்படுகிறது.

AI என்பது IoT சுற்று முறிப்பிகளில் பல்வேறு வகையான தவறுகளை துல்லியமாக அடையாளம் காண்பதிலும், மின் தீவிபத்துகளின் அபாயத்தைக் குறைப்பதற்காக ஏற்ற செயல்பாட்டு நேரங்களைத் தீர்மானிப்பதிலும் முக்கிய பங்கு வகிக்கிறது; எனவே, AI இன் செயல்பாடு நேரடியாக சுற்றின் மீதான தீவிபத்து அபாயக் குறைப்புடன் தொடர்புடையதாகும்.