เครื่องตัดวงจรแบบ IoT สามารถป้องกันอุบัติเหตุทางไฟฟ้าได้อย่างมีประสิทธิภาพหรือไม่?

เครื่องตัดวงจรแบบ IoT: การตรวจจับความผิดปกติภายในหนึ่งรอบของสัญญาณและการตอบสนองอย่างรวดเร็ว

การออกแบบเบรกเกอร์แบบวงจรทั่วไปที่สุดใช้ตัวกระตุ้นแบบความร้อนหรือแม่เหล็ก กระแสไฟฟ้าลัดวงจรจะต้องคงอยู่เป็นระยะเวลาหนึ่ง (โดยทั่วไปคือ 3–5 รอบของกระแสสลับ หรือ 50–83 มิลลิวินาที) ก่อนที่เบรกเกอร์จะทำงาน ค่าเกณฑ์นี้ทำหน้าที่เสมือนความเฉื่อยเชิงกล ซึ่งไม่สามารถตรวจจับเหตุผิดปกติที่มีระยะเวลาสั้นเพียงไม่กี่มิลลิวินาทีได้ (เช่น การลัดวงจรแบบอาร์กแฟลช หรือการลดลงของแรงดันอย่างรวดเร็ว) ซึ่งขัดแย้งกับแนวปฏิบัติอุตสาหกรรมโดยรวม เหตุการณ์ที่มีพลังงานสูงแต่เกิดขึ้นในช่วงเวลาสั้น ๆ นี้เกิดขึ้นบ่อยครั้งและเป็นสาเหตุของความเสียหายต่ออุปกรณ์อุตสาหกรรมถึง 42% (EPRI 2023) เหตุการณ์เหล่านี้มักจะหายไปเอง (self-clear) และเกิดขึ้นภายในช่วงเวลาตอบสนองของอุปกรณ์ป้องกันความผิดปกติรุ่นเก่า ส่งผลให้เกิดภาวะความร้อนล้นอย่างรวดเร็ว (rapid thermal runaway) หรือแม้กระทั่งความล้มเหลวของฉนวนกันไฟฟ้า การทำงานผิดพลาดของอุปกรณ์ (device derailment) และแม้แต่เหตุการณ์ล้มเหลวแบบลูกโซ่ (cascading chain of failures) อุปกรณ์รุ่นเก่าไม่มีความสามารถในการวิเคราะห์ระดับคลื่น (waveform-level analysis) และเนื่องจากข้อจำกัดนี้ จึงไม่สามารถตรวจจับความผิดปกติที่เกิดขึ้นในระดับไมโครวินาที ซึ่งอาจนำไปสู่ความล้มเหลวอย่างร้ายแรงได้

สถาปัตยกรรมการประมวลผลที่ขอบเครือข่าย: การวิเคราะห์แบบเรียลไทม์ของกระแสไฟฟ้า อุณหภูมิ และการรั่วไหลของฉนวน

ด้วยการนำระบบอินเทอร์เน็ตของสรรพสิ่ง (IoT) มาใช้งาน ตัวตัดวงจรจึงสามารถฝังโมดูลการประมวลผลที่ขอบเครือข่ายได้ โมดูลเหล่านี้สามารถทำการตรวจวัดพารามิเตอร์หลายตัวแบบซิงโครไนซ์ได้ที่ความถี่ในการสุ่มตัวอย่าง 10 กิโลเฮิร์ตซ์ (กล่าวคือ เวลาสำหรับหนึ่งรอบการตัดวงจรคือ 250 ไมโครวินาที) ซึ่งหมายความว่าตัวตัดวงจรสามารถวิเคราะห์ข้อมูลได้ภายในเวลา 250 ไมโครวินาที โปรเซสเซอร์บนตัวเครื่องจะวัด

- ฮาร์โมนิกของคลื่นกระแสไฟฟ้า
- ความต่างของอุณหภูมิที่ขั้วต่อ
- การรั่วไหลของฉนวน
- การมีอยู่ของสนามแม่เหล็กไฟฟ้า

ความสามารถในการผสานข้อมูลอันทรงพลังของโมดูลทำให้การตรวจจับล่วงหน้าของการเกิดอาร์ก การปล่อยประจุบางส่วน และภาวะร้อนล้น (thermal runaway) เกิดขึ้นได้เกือบแน่นอน ระยะเวลาตอบสนองต่ำกว่า 20 มิลลิวินาทีได้รับประกันโดยการใช้ระบบแบบกระจายอัจฉริยะ (หรือการผสานข้อมูลที่ขอบเครือข่าย — edge data fusion) เพื่อขจัดความจำเป็นในการพึ่งพาโครงสร้างพื้นฐานคลาวด์ภายนอก การตรวจสอบความรวดเร็วในการตอบสนองผ่านการทดสอบภาคสนามแสดงให้เห็นว่ามีอัตราความสอดคล้องกันระหว่างการคาดการณ์การตรวจจับกับการตรวจจับภาวะร้อนล้นจริงอยู่ที่ร้อยละ 98.7

การตรวจสอบ: การติดตั้งระบบ Siemens Desigo CC — เวลาตัดวงจรเฉลี่ย 22 มิลลิวินาที เทียบกับระบบรุ่นเก่าที่ใช้เวลา 300 มิลลิวินาที

ในปี ค.ศ. 2023 การติดตั้งระบบในศูนย์การค้าเชิงพาณิชย์โดยใช้เซอร์กิตเบรกเกอร์แบบ IoT ที่ผสานรวมกับ Siemens Desigo CC บันทึกเวลาเฉลี่ยในการตัดวงจรเมื่อเกิดข้อผิดพลาดไว้ที่ 22 มิลลิวินาที (0.18 รอบของกระแสสลับ) ซึ่งมีประสิทธิภาพเหนือกว่าระบบที่ใช้งานอยู่เดิมถึง 13.6 เท่า (300 มิลลิวินาที) ในการจำลองสถานการณ์การลัดวงจรที่ดินที่ผ่านการประมวลผลแล้ว ระบบนี้สามารถตรวจจับสัญญาณรบกวนแบบชั่วคราว (transients) ที่มีระยะเวลา 5–10 มิลลิวินาที ได้ถึงร้อยละ 99.4 ซึ่งเซอร์กิตเบรกเกอร์แบบดั้งเดิมไม่สามารถตรวจจับได้ จึงช่วยป้องกันไม่ให้เกิดการลุกลามของอาร์กและลดความเสียหายต่อฉนวนกันไฟฟ้าที่เกี่ยวข้อง ข้อมูลโทรมาตริกที่เข้ารหัสซึ่งส่งถึงศูนย์ควบคุมระยะไกลภายใน 400 มิลลิวินาที แสดงให้เห็นถึงความสามารถในการผสานรวมอย่างแข็งแกร่งระหว่างขอบเครือข่าย (edge) กับคลาวด์ (cloud) ซึ่งรักษาอิสระในการดำเนินงานที่สำคัญต่อความปลอดภัยไว้ได้ ขณะเดียวกันก็ยังสามารถควบคุมอันตรายได้ภายในเวลาไม่ถึงหนึ่งวินาที

การป้องกันอันตรายเชิงรุกด้วยการตรวจวัดหลายพารามิเตอร์ในเซอร์กิตเบรกเกอร์แบบ IoT

ระบบป้องกันวงจรแบบดั้งเดิมตอบสนองหลังเกิดความล้มเหลว ในขณะที่เซอร์กิตเบรกเกอร์แบบ IoT สามารถป้องกันความล้มเหลวล่วงหน้าได้ด้วยการวิเคราะห์จากเซนเซอร์หลายตัวที่ผสานรวมไว้ภายใน

การลัดวงจรที่ดินเป็นสาเหตุหลัก: ข้อมูลจาก NFPA เปิดเผยว่าไฟฟ้าลัดวงจรที่ไม่ถูกตรวจจับเป็นสาเหตุของเพลิงไหม้ทางไฟฟ้าร้อยละ 68

ตามรายงานของสมาคมป้องกันอัคคีภัยแห่งชาติ (NFPA) ไฟฟ้าลัดวงจรที่เกิดจากข้อบกพร่องการต่อพื้น (ground faults) เป็นสาเหตุของเพลิงไหม้ที่เกิดจากไฟฟ้าถึงร้อยละ 68 โดยมีสาเหตุหลักมาจากการเสื่อมสภาพของฉนวนกันไฟฟ้าที่ไม่สามารถตรวจจับได้ ค่อยเป็นค่อยไป และไม่มีฉนวนหุ้ม ซึ่งเกิดจากเครื่องตัดวงจรแบบดั้งเดิมที่ขาดความไวในการตรวจจับกระแสระดับมิลลิแอมแปร์ (การเสื่อมสภาพของฉนวนกันไฟฟ้าและการเพิ่มขึ้นอย่างควบคุมไม่ได้ของอุณหภูมิ) เครื่องตัดวงจรแบบ IoT ทำหน้าที่ตรวจสอบและจัดการการเสื่อมสภาพของฉนวนกันไฟฟ้า รวมทั้งติดตามสัญญาณเตือนของการเสื่อมสภาพแบบควบคุมไม่ได้ล่วงหน้าก่อนที่จะเกิดขึ้นจริง

ตรรกะการผสานค่าเกณฑ์: การประสานงานระหว่างกระแสไฟฟ้า อุณหภูมิ ฮาร์โมนิกส์ และความสมบูรณ์ของฉนวนกันไฟฟ้า

เครื่องตัดวงจรแบบ IoT ใช้ข้อมูลนำเข้า 4 ประเภทร่วมกัน (ได้แก่ กระแสไฟฟ้า อุณหภูมิ ฮาร์โมนิกส์ และสถานะของฉนวนกันไฟฟ้า) เพื่อให้สามารถตัดวงจรเชิงคาดการณ์ได้ที่ร้อยละ 85 ของค่าเกณฑ์ที่กำหนด ซึ่งช่วยกำจัดการตัดวงจรที่เกิดจากค่าผิดปกติของพารามิเตอร์เพียงตัวเดียว ตรรกะแบบหลายพารามิเตอร์นี้ช่วยลดการตัดวงจรโดยไม่จำเป็นที่เกิดจากค่าผิดปกติของพารามิเตอร์เพียงตัวเดียว ขณะเดียวกันยังลดความเสี่ยงจากการเกิดอาร์กแฟลชลงได้มากถึง 40 เท่า เมื่อเทียบกับระบบที่วัดค่าเพียงตัวเดียว

ความสามารถในการตรวจสอบแบบเรียลไทม์และการเข้าแทรกแซงจากระยะไกลของเครื่องตัดวงจรแบบ IoT

การเชื่อมช่องว่างระหว่างการแจ้งเตือนกับการดำเนินการ: การส่งข้อมูลโทรมาตรผ่านโปรโตคอล MQTT และความหน่วงเวลาในการส่งข้อมูลถึงคลาวด์น้อยกว่า 500 มิลลิวินาที

เซอร์กิตเบรกเกอร์แบบอินเทอร์เน็ตของสรรพสิ่ง (IoT) ใช้โปรโตคอล Message Queuing Telemetry Transport (MQTT) และสามารถบรรลุความหน่วงเวลาในการส่งข้อมูลครบวงจรจากอุปกรณ์ถึงคลาวด์ (end-to-end cloud loop latency) น้อยกว่า 500 มิลลิวินาที ด้วยสถาปัตยกรรมแบบเผยแพร่-สมัครรับ (publish-subscribe) ที่มีน้ำหนักเบา ทำให้การแจ้งเตือนข้อผิดพลาดที่ได้รับการยืนยันแล้วสามารถส่งไปยังศูนย์ควบคุมได้ภายในหนึ่งรอบของกระแสสลับ (AC cycle) เท่านั้น ซึ่งเป็นสิ่งสำคัญอย่างยิ่งต่อภารกิจ เนื่องจากไฟไหม้ที่เกิดจากอาร์กสามารถลุกลามได้ภายในเวลาไม่ถึง 100 มิลลิวินาที ความสามารถนี้จึงเปลี่ยนแนวทางการบำรุงรักษาแบบตอบสนอง (reactive maintenance) ไปสู่การป้องกันและลดความเสี่ยงล่วงหน้า (preventive hazard mitigation) โดยสามารถสั่งตัดระบบได้ก่อนที่พลังงานที่ปล่อยออกจะถึงระดับอันตราย

การบูรณาการเข้ากับแดชบอร์ดของผู้ปฏิบัติงานและการแจ้งเตือนแบบอัตโนมัติในลำดับขั้นที่สูงขึ้น

แดชบอร์ดแบบรวมศูนย์ผสานรวมตัวชี้วัดแบบเรียลไทม์จากเครื่องตัดวงจร IoT ที่กระจายอยู่ และให้การแสดงผลแบบภาพที่เข้าใจง่ายโดยใช้รหัสสีบนแผนผังสถานที่ตั้งของโรงงาน เมื่อมีการระบุความผิดปกติหลายรายการที่ทับซ้อนกัน โปรโตคอลการแจ้งเตือนแบบอัตโนมัติจะช่วยขจัดความจำเป็นในการตรวจสอบด้วยตนเอง ระบบจะส่งการแจ้งเตือนผ่าน SMS หรือข้อความแบบพุชไปยังสมาชิกทีมปฏิบัติการที่ได้รับมอบหมายไว้ล่วงหน้า การส่งการแจ้งเตือนซ้ำซ้อน (Redundant delivery) ทำให้มั่นใจได้ว่าการแจ้งเตือนที่มีความสำคัญสูงจะถึงผู้ปฏิบัติงานที่พร้อมให้บริการภายใน 90 วินาที แม้ในช่วงเวลากลางคืนก็ตาม กิจกรรมทั้งหมดจะถูกบันทึกเพื่อวัตถุประสงค์ในการปฏิบัติตามข้อกำหนด และระบบออกใบแจ้งซ่อมแบบบูรณาการจะส่งทีมบำรุงรักษาพร้อมระบุตำแหน่งข้อบกพร่องที่แน่นอนและข้อมูลบริบทที่เกี่ยวข้อง

การจัดหมวดหมู่ความผิดพลาดอย่างชาญฉลาด: ลดการแจ้งเตือนเท็จให้น้อยที่สุด และเพิ่มประสิทธิภาพในการตรวจจับความผิดพลาดให้สูงสุด

การรักษาสมดุลที่ละเอียดอ่อนอย่างยิ่งระหว่างความสามารถในการแยกแยะ ความแม่นยำ และความน่าเชื่อถือ: ข้อแลกเปลี่ยนด้าน Machine Learning ที่ขอบเครือข่าย (Edge ML) ในการนำไปใช้งานจริงภาคสนาม

การนำการเรียนรู้ของเครื่อง (Machine learning) ไปใช้งานที่ขอบเครือข่าย (Edge) จำเป็นต้องสร้างสมดุลระหว่างระดับความแม่นยำที่ได้กับข้อกำหนดด้านเวลาจริง เนื่องจากยิ่งความแม่นยำในการแยกแยะข้อบกพร่องสูงเท่าใด แบบจำลองก็จะยิ่งซับซ้อนมากขึ้นเท่านั้น ส่งผลให้เกิดความหน่วง (latency) และการใช้พลังงานเพิ่มขึ้น การนำไปใช้งานอย่างเหมาะสมนั้นอาศัยโครงข่ายประสาทเทียมที่ผ่านการลดความแม่นยำ (quantized neural networks) เพื่อตรวจจับลักษณะเฉพาะของข้อบกพร่องหลากหลายประเภท รวมถึงการลัดวงจรแบบอาร์ค (arc flashes), กระแสเริ่มต้นสูงของมอเตอร์ (motor inrush) และความล้มเหลวของฉนวนภายใน (internal insulation failure) โดยยังคงสามารถให้เวลาในการอนุมาน (inference time) ต่ำกว่า 100 มิลลิวินาที แม้ในสภาพแวดล้อมที่มีสัญญาณรบกวนทางไฟฟ้าสูงอย่างมีนัยสำคัญ (มากกว่า 5%) ความต้องการด้านการเก็บเกี่ยวพลังงาน (Energy harvesting) ได้กระตุ้นให้เกิดการใช้เทคนิคการลดความหนาแน่น (sparsity techniques) อย่างกว้างขวาง ซึ่งช่วยรักษาความแม่นยำในการจัดหมวดหมู่ไว้ได้มากกว่า 95% โดยไม่กระทบต่อความสมบูรณ์ของแนวคิดการออกแบบระบบขับเคลื่อนด้วยตนเอง (self-powering design integrity)

การตรวจสอบความถูกต้อง: การจัดหมวดหมู่ข้อบกพร่องแบบอาร์คในระบบจ่ายไฟฟ้าที่กำลังทำงานอยู่ ด้วยความแม่นยำ 99.2%

การทดลองที่สถานีย่อย 12 แห่ง ครอบคลุมเหตุการณ์ในสนามที่ไม่ซ้ำกันกว่า 47,000 ครั้ง ยืนยันความแม่นยำในการจัดประเภทของอาร์คฟอลต์อยู่ที่ร้อยละ 99.2 โดยระบบวิเคราะห์การบิดเบือนฮาร์โมนิก กระแสไฟฟ้าชั่วคราว และลักษณะความร้อน ทำให้สามารถระบุเหตุการณ์อาร์คที่เป็นอันตรายได้ พร้อมลดสัญญาณเตือนเท็จที่เกิดจากเหตุการณ์ปกติ (เช่น การสตาร์ทมอเตอร์ ฯลฯ) ลงได้ร้อยละ 83 เมื่อเปรียบเทียบกับเทคนิคที่ใช้เกณฑ์แบบคงที่ การตัดวงจรโดยอัตโนมัติเกิดขึ้นภายในเวลาไม่ถึง 1/8 ของหนึ่งไซเคิล AC ซึ่งยืนยันว่าปัญญาประดิษฐ์ (AI) สามารถลดความเสี่ยงจากเพลิงไหม้ที่เกิดจากไฟฟ้าได้ ขณะเดียวกันก็รักษาการดำเนินงานอย่างต่อเนื่องไว้ได้

ฟังก์ชันของเซอร์กิตเบรกเกอร์แบบ IoT อาศัยสถาปัตยกรรมการประมวลผลที่ขอบเครือข่าย (edge-processing architecture) ดังนั้นจึงสามารถวิเคราะห์พารามิเตอร์หลายตัวแบบเรียลไทม์ ทำให้สามารถตรวจจับข้อผิดพลาดชั่วคราวได้ ซึ่งเซอร์กิตเบรกเกอร์แบบดั้งเดิม (แบบอิเล็กโตรเมคานิคัล) จะไม่สามารถตรวจจับได้

ข้อบกพร่องที่เกิดจากการต่อพื้น (Ground faults) เป็นสาเหตุของเพลิงไหม้ทางไฟฟ้าถึง 68% และเหตุผลที่ข้อบกพร่องประเภทนี้เกิดขึ้นบ่อยคือ เบรกเกอร์แบบดั้งเดิมไม่สามารถตรวจจับการเสื่อมสภาพของฉนวนอย่างค่อยเป็นค่อยไป (การรั่วไหลแบบค่อยเป็นค่อยไป) ซึ่งเบรกเกอร์แบบ IoT สามารถตรวจสอบและตรวจจับได้ในฐานะข้อบกพร่องหนึ่ง

เนื่องจากความล่าช้าของวงจรคลาวด์ที่รวดเร็ว (ในกรณีของเบรกเกอร์แบบ IoT ไม่มีการใช้คลาวด์แต่อย่างใด แต่เซ็นเซอร์เวลา เบรกเกอร์ และคอนโทรลเลอร์ถูกผสานรวมเข้าด้วยกัน) ทำให้วงจรปิดสำหรับการบำรุงรักษาเชิงป้องกันเปลี่ยนจากการบำรุงรักษาแบบตอบสนอง (reactive maintenance) ไปสู่การหลีกเลี่ยงอันตรายแบบรุก (proactive hazard avoidance)

ปัญญาประดิษฐ์ (AI) มีบทบาทสำคัญอย่างยิ่งในเบรกเกอร์แบบ IoT โดยสามารถระบุประเภทของข้อบกพร่องที่แตกต่างกันได้อย่างแม่นยำ และกำหนดระยะเวลาในการตอบสนองที่เหมาะสม เพื่อลดความเสี่ยงของการเกิดเพลิงไหม้ทางไฟฟ้า ดังนั้น หน้าที่ของ AI จึงสัมพันธ์โดยตรงกับการลดความเสี่ยงจากเพลิงไหม้ที่เกิดกับวงจรไฟฟ้า