การเฝ้าระวังความเสี่ยงไฟฟ้าสำรองด้วยฟัซซีเชิงกฎและกราฟพึ่งพา
Article Sidebar
Main Article Content
บทคัดย่อ
การจ่ายไฟฟ้าอย่างต่อเนื่องมีความสำคัญต่อโรงงานอุตสาหกรรมในภาคใต้ฝั่งอันดามัน หากเกิดการหยุดชะงักเพียงไม่กี่วินาทีอาจทำให้การผลิตหยุดชะงักและกระทบความต่อเนื่องทางธุรกิจ ระบบเฝ้าระวังเครื่องสำรองไฟฟ้าเดิมที่อาศัยวิธีเกณฑ์คงที่มักสร้างสัญญาณเตือนเกินความจำเป็นหรือเตือนช้าในช่วงวิกฤต งานวิจัยนี้จึงนำเสนอเฟรมเวิร์กกราฟฟัซซี ซึ่งประกอบด้วยสององค์ประกอบหลัก ได้แก่ ระบบอนุมานฟัซซีแบบลิเนียร์โอเวอร์แลป (LO-FIS) ที่ใช้การกำหนดเกณฑ์เทรชโฮลด์แทนการแปลงค่าฟัซซีเป็นค่าจริง เพื่อสร้างเอาต์พุตทวิภาค (0 = ปกติ, 1 = วิกฤต) และกราฟพึ่งพาที่สะท้อนการแพร่กระจายความเสี่ยงจากเครื่องสำรองไฟฟ้าไปยังอุปกรณ์สำคัญ เฟรมเวิร์กถูกติดตั้งบน raspberry Pi และเชื่อมต่อกับเครื่องสำรองไฟ Syndome HE-RT-1-3K ในการทดลองได้มีการจำลองเหตุขัดข้องที่ควบคุมได้หลายระดับ พร้อมบันทึกข้อมูลต่อเนื่องรวม 72 ชั่วโมง ครอบคลุมช่วงโหลดหลากหลาย จำนวนข้อมูล 4,321 ตัวอย่าง ผลการทดลองแสดงให้เห็นว่า ให้ค่าความแม่นยำ 99.32%, ความสามารถในการตรวจจับ 97.14%, และคะแนน F1 เท่ากับ 98.07% มีการแจ้งเตือนผิดพลาดเพียง 1 ครั้ง และสร้างระยะเวลาแจ้งเตือนล่วงหน้า เฉลี่ยประมาณ 30 วินาทีก่อนเหตุไฟดับจริง แนวทางนี้จึงสามารถเพิ่มความน่าเชื่อถือและความทนทานของระบบไฟฟ้าสำรองในโรงงานอุตสาหกรรมได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาต้นฉบับที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
- ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต ถือเป็นกรรมสิทธิ์ของวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต
เอกสารอ้างอิง
(1) Decker, L., Leite, D., Giommi, L., & Bonacorsi, D. (2020). Real-time anomaly detection in data centers for log-based predictive maintenance using an evolving fuzzy-rule-based approach. arXiv preprint, arXiv:2004.13527.
(2) Zhang, H., Li, Z., & Ren, Z. (2020). Data-driven construction of data center graph of things for anomaly detection. arXiv preprint, arXiv:2004.12540.
(3) Shrestha, B. R., Tamrakar, U., Hansen, T. M., Bhattarai, B. P., James, S., & Tonkoski, R. (2018). Efficiency and reliability analyses of AC and 380 V DC distribution in data centers. IEEE Access, 6, 63305–63315.
(4) Zakharov, A. V., Gusev, O. Y., & Cho, G. C. (2018). Reliability assessment of data centers power system. Proceedings of the 2018 International Conference on Information Technologies (INFORINO), 1–4.
(5) O’Halloran, B. M., Papakonstantinou, N., Giammarco, K., & Van Bossuyt, D. L. (2017). A graph theory approach to functional failure propagation in early complex cyber-physical systems. INCOSE International Symposium, 27(1), 164–178.
(6) Fliss, I., & Tagina, M. (2012). A novel fault detection approach combining adaptive thresholding and fuzzy reasoning. arXiv preprint, arXiv:1203.5454.
(7) Xu, J., Zhao, M., Fortes, J. A. B., Carpenter, R., & Yousif, M. (2007). On the use of fuzzy modeling in virtualized data center management. Proceedings of the 4th IEEE International Conference on Autonomic Computing (ICAC), 25–34.
(8) Fu, Y., Zhou, C., Li, J., & Chen, L. (2025). Long-term evolutionary patterns matter: Self-supervised anomaly detection on dynamic graphs. Knowledge-Based Systems, 311, 113049.
(9) Wagner, S. M., Bode, C., & Koziol, P. (2009). Supplier default dependencies: Empirical evidence from the automotive industry. European Journal of Operational Research, 199(1), 150–161.
(10) Prasath, S. C., Darwin, N., Ramkumar, R. S., Nithishkumar, S., & Somasundharam, P. L. (2023). IoT-powered UPS battery monitoring: Ensuring high availability and reliability for critical systems. E3S Web of Conferences, 399, 04007.
(11) Rao, Y., Chen, X., & Wang, Y. (2024). Fuzzy-coalition graphs: A framework for understanding multi-agent cooperation in uncertain environments. Mathematics, 12(22), 3614.
