เอกสารเผยแพร่ – NECTEC : National Electronics and Computer Technology Center

การประยุกต์ใช้ Machine Learning กับงานในภาคอุตสาหกรรม (ตอนที่ 1)

Sasiwipar Hasuk — Fri, 19 Aug 2022 07:22:38 +0000

บทความ : รัสรินทร์ เมธาเฉลิมพัฒน์
วิศวกร ทีมระบบไซเบอร์-กายภาพ (CPS)
กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม (IIARG)
เนคเทค สวทช.

บริษัทยักษ์ใหญ่ทั่วโลกกำลังลงทุนเพื่อนำเทคโนโลยี Machine Learning มาใช้ในกระบวนการผลิตเพื่อให้ได้ผลลัพธ์ที่น่าพอใจ ธุรกิจจำนวนมากกำลังใช้ประโยชน์จากเทคโนโลยีนี้ในหลาย ๆ ด้าน และในอีกไม่กี่ปีต่อจากนี้การประยุกต์ใช้งาน Machine Learning ในภาคอุตสาหกรรมจะแพร่หลายมากขึ้น เพราะสามารถช่วยสร้างผลลัพธ์ที่ดีกว่าและช่วยแก้ไขปัญหาต่างๆได้อย่างเหมาะสม เนื่องจากอุตสาหกรรมการผลิตมีความซับซ้อนมากขึ้นและมีการพัฒนาอย่างต่อเนื่อง ซึ่งการรักษาให้เครื่องจักรและกระบวนการผลิตคงสภาพการผลิตสินค้าที่มีคุณภาพจึงเป็นสิ่งสำคัญที่โรงงานอุตสาหกรรมต้องปรับตัวให้เข้ากับยุคสมัยและนำ Machine Learning เข้ามาใช้ให้เกิดประโยชน์สูงสุด

Machine Learning คืออะไร?

อธิบายง่าย ๆ ได้ว่า Machine Learning คือการใช้ข้อมูลเพื่อทำให้เครื่องคอมพิวเตอร์สามารถเรียนรู้ได้ด้วยตัวเอง โดยแบ่งออกเป็น 3 ประเภท คือ

1. Supervised Learning หรือการเรียนรู้แบบชี้นำด้วยข้อมูล เป็นการฝึกสอนเครื่องคอมพิวเตอร์โดยใช้การใส่ข้อมูล (input) เข้าไปแล้วมีผลลัพธ์ (output) ออกมา ซึ่งแบ่งแยกย่อยได้อีกเป็น 2 ประเภทหลักๆ คือ Classification และ Regression Classification คือการจำแนกประเภทของข้อมูล 2 กลุ่มหรือข้อมูลที่ไม่มีความต่อเนื่องโดยใช้ Confusion Matrix เป็นตัววัดค่าความแม่นยำซึ่งผลลัพธ์ที่ได้จะเป็นการจัดกลุ่มชุดข้อมูล เช่น การคัดแยกคุณภาพของผลิตภัณฑ์การจำแนกการจำแนกประเภทของสัตว์ การคัดแยกลักษณะหน้าตาเป็นต้น

Regression หรือการถดถอยจะใช้กับข้อมูลที่มีความต่อเนื่อง ไม่ได้รวมกันเป็นกลุ่ม โดยใช้ค่า Root Mean Square Error (RMSE) ในการวัดความแม่นยำซึ่งผลลัพธ์ที่ได้จะอยู่ในรูปแบบของตัวเลข เช่น การทำนายยอดขายสินค้าล่วงหน้าเพื่อวางแผนการจัดโปรโมชั่นหรือการพยากรณ์อากาศในอนาคตเป็นต้น

2. Unsupervised Learning หรือการเรียนรู้แบบไม่ชี้นำโดยไม่มีข้อมูล เป็นการฝึกสอนเครื่องคอมพิวเตอร์โดยการป้อนเฉพาะข้อมูล (input) โดยให้เครื่องเรียนรู้และค้นพบรูปแบบด้วยตัวเอง การเรียนรู้แบบนี้มักถูกนำไปใช้เพื่อการแยกกลุ่ม (Clustering) กลุ่มลูกค้าสำหรับ Target Advertisement การลดขนาดมิติข้อมูล (Dimensionality Reduction) สำหรับการทำ Dashboard หรือเตรียมข้อมูลสำหรับทำ Supervised Learning ต่อไป

3. Reinforcement Learning หรือการเรียนรู้ตามการกระทำหรือสภาพแวดล้อมที่พบ โดยให้คอมพิวเตอร์ลองผิดลองถูกและปรับปรุงความสามารถจากผลลัพธ์ในรูปแบบรางวัล-การลงโทษ (Reward-Penalty) วิธีการเรียนรู้แบบนี้ใช้กันแพร่หลายใน Gaming Robot, Autonomous Vehicle, Facebook Chat bot เป็นต้น

รูปที่ 1 ประเภทของ Machine Learning
ที่มา: https://towardsdatascience.com/machine-learning-types-2-c1291d4f04b1

รูปที่ 1 แสดงการแบ่งย่อยประเภทของ Machine Learning ตามการประยุกต์ใช้งาน ซึ่งล้วนเป็นประโยชน์ต่อภาคอุตสาหกรรมทั้งสิ้น โดยจะขอยกตัวอย่างสองกรณี คือการจำแนกภาพและการจำแนกเสียง ที่สามารถนำไปใช้ได้ในหลายส่วนงานตั้งแต่การตรวจสอบสายการผลิต การควบคุมคุณภาพผลิตภัณฑ์ การบำรุงรักษาเครื่องจักร ไปจนกระทั่งการบริหารทรัพยากรบุคคล

ในกรณีแรก การจำแนกภาพถูกนำไปประยุกต์ในหลายงาน เช่นการตรวจสอบคุณภาพชิ้นงาน การตรวจวัดความเสื่อมสภาพของเครื่องจักร การวัดปริมาณสินค้าหรือวัตถุดิบในคลัง เป็นต้น การจำแนกภาพ (Image Classification) โดยวิธีการ Supervised Learning เป็นการจำแนกข้อมูลประเภทรูปภาพโดยใช้ผลทางสถิติ โดยแบ่งภาพที่ต้องการศึกษาออกเป็นกลุ่มย่อยตามชนิดหรือประเภท (Class) ที่ต้องการจำแนก แล้วนำไปใช้ฝึกสอนด้วยอัลกอริทึม Machine Learning ให้ได้ผลลัพธ์ที่มีประสิทธิภาพ โดยอัลกอริทึมที่นิยมในการใช้ทำ Image Classification มีหลายอัลกอริทึม เช่น CNN , VGG16 , ResNet50 และ MobileNETV2 เป็นต้น

อย่างไรก็ดีอัลกอริทึมที่ถือว่าเป็นพื้นฐานของอัลกอริทึมยอดนิยมอื่นๆ ในการทำ Image Classification ก็คือ CNN หรือ Convolutional Neural Network ซึ่งเป็น Deep Neural Network ที่ออกแบบโดยลอกเลียนจากประสาทการมองเห็นของมนุษย์ มีการใช้ Layer ชนิดพิเศษ ที่เรียกว่า Convolution layer ที่ทำหน้าที่สกัดเอาลักษณะเฉพาะต่างๆ (Features) ของภาพออกมา เช่น เส้นขอบของวัตถุต่างๆ เพื่อให้เครือข่ายสามารถเรียนรู้ลักษณะของภาพได้อย่างมีประสิทธิภาพและแม่นยำ นอกจาก Convolution layer แล้ว CNN ยังประกอบด้วย Layer ชนิดอื่น เช่น Pooling layer, Dropout layer, Fully-connected layer, ReLu Activation layer การนำ Layer ดังกล่าวมาซ้อนต่อๆ กันด้วยจำนวนและลำดับที่ต่างกัน หรือเปลี่ยน Hyperparameter บางอย่าง เช่น ขนาดของ Filter layer (ซึ่งเป็นส่วนหนึ่งของ Convolution layer) และจำนวน Channel ของ layer นำมาซึ่งโครงสร้าง (Architecture) ของ CNN หลากหลายแบบ เช่น LeNet, AlexNet, VGG, ResNet, Inception Network เป็นต้น

รูปที่ 2 แสดงโครงข่าย CNN. ที่ประกอบด้วย Convolution Layers และ Filters ที่นำไปประมวลผลกับภาพสำหรับเรียนรู้

ชั้นของ CNN มีลักษณะเช่นเดียวกับ Neural Network อื่นๆ ประกอบด้วย Input layer, Output layer, และ Hidden layers จำนวนมากที่แทรกอยู่ระหว่างชั้น จากรูปที่ 2 คือส่วนของ Feature Learning Layers นั่นเอง

หน้าที่ของ Feature Learning Layers

หน้าที่ของ Feature Learning Layers คือทำหน้าที่ในการเปลี่ยนแปลงข้อมูล เพื่อเรียนรู้คุณลักษณะเด่นของข้อมูล โดย 5 Layers ที่พบบ่อยที่สุด คือ Convolution Layer, ReLU Activation Layer, Pooling Layer, Classification (Fully-Connected) Layers และ Batch Normalization Layer โดยแต่ละ Layer มีหน้าที่ดังนี้

1. Convolution Layer

เป็นชั้นที่ดำเนินการกรอง (Filter) เพื่อสกัดลักษณะเฉพาะ (Features) ของข้อมูลภาพออกมา โดยการคำนวณค่า Convolution หรือ Dot Product ระหว่างอินพุตของชั้นกับ Filter หรือ Kernel โดยปกติแล้ว Convolution Layer ของ CNN จะประกอบด้วย Filter มากกว่า 1 ตัวของ Convolutional Filters ซึ่งจะได้ Features บางอย่างออกมาจากชุดข้อมูลภาพ Convolution Layer

2. ReLU: Rectified Linear Unit Activation Layer

หน้าที่ของ Activation Layer คือการเติมความสัมพันธ์ที่ไม่เป็นเชิงเส้น (Nonlinear) ให้กับโมเดลเพื่อให้สามารถเรียนรู้ความสัมพันธ์ที่ซับซ้อนระหว่างข้อมูลอินพุตและผลลัพธ์ได้ ฟังก์ชัน ReLU หรือ Piecewise Linear เป็นฟังก์ชันไม่เชิงเส้นที่นิยมใช้เป็น Activation Function ในปัจจุบันเนื่องจากทำให้การเรียนรู้ง่ายขึ้นโดยหลีกเลี่ยงปัญหา Saturation ใน Activation Function แบบเดิมๆ เช่น Sigmoid หรือ Hyperbolic Tangent โดย สมการของ Activation Function คือ

ReLU(x) = max(0,x)

3. Pooling Layer

เป็นชั้นที่ดำเนินการ ลดขนาดของข้อมูล โดยใช้วิธีการสุ่มตัวอย่างข้อมูล เพื่อป้องกัน Overfitting หรือการที่โมเดลมีความจำเพาะกับข้อมูลที่ใช้ฝึกฝนมากจนเกินไปและไม่สามารถปรับตัวกับข้อมูลที่ไม่เคยเห็นมาก่อนได้ Pooling Layer แบ่งได้เป็น 2 ชนิดคือ Max Pooling และ Average Pooling โดยที่ Max Pooling คือการหาค่าสูงสุดในบริเวณที่ตัวกรองทาบอยู่ซึ่งตัวกรองจะคล้ายกับการทำ Feature Extraction ของ CNN ส่วน Average Pooling คือการหาค่าเฉลี่ยดังนั้นการใช้ค่า Max Pooling จึงได้ค่าที่แม่นยำ และเป็นที่นิยมมากกว่า Average Pooling

4. Classification Layer

Classification Layer หรือ Fully-Connected Layer ชั้นนี้เป็นชั้นสุดท้ายของ CNN ที่มีการเชื่อมต่ออย่างสมบูรณ์ดังแสดงในรูปที่ 2 ดังนั้น ในชั้นสุดท้ายจะมี Output เป็น Vector จำนวน K มิติ, โดยที่ K คือ จำนวนประเภท (Classes) ของภาพที่โครงข่าย CNN จะทำนาย (Prediction) โดยแต่ละค่าภายใน Vector คือความน่าจะเป็นของแต่ละประเภท หรือ กลุ่มที่ต้องการจำแนก ในชั้นสุดท้ายของส่วน Classification Layer จึงมักใช้ฟังก์ชัน “Softmax” เพื่อให้ได้ผลลัพธ์เป็นความน่าจะเป็นที่รวมกันมีค่าเท่ากับ 1

5. Batch Normalization Layer

Batch Normalization คือ เทคนิคที่ใช้เพื่อเร่งความเร็วในการฝึกสอน Deep Neural Network ด้วยการ Normalize แต่ละค่า Input ของ Activation Layer ที่อยู่ภายใน Deep Neural Network ให้มีค่าทางสถิติใกล้เคียงกันในแต่ละ Batch ของข้อมูล วิธีการนี้จะทำให้การปรับน้ำหนักของโมเดลไม่กระโดดไปมาในขณะฝึกสอนด้วยข้อมูลในแต่ละ Batch ช่วยให้โมเดลลู่เข้าสู่จุดที่ทำงานได้เหมาะสมเร็วขึ้น

จะเห็นได้ว่าการทำงานของอัลกอริทึม CNN ในแต่ละ Layer มีโครงสร้างที่เฉพาะตัวซึ่งทำให้มีความสามารถในการสกัด Feature จากข้อมูลได้มากยิ่งขึ้น เหมาะกับการทำ Classification กับชุดข้อมูลที่มีความซับซ้อนมากเป็นพิเศษ แต่ในขณะเดียวกันการเพิ่มจำนวนชั้นของ CNN ให้มีความซับซ้อนก็มีข้อเสียคือทำให้ฝึกสอนโมเดลได้ยากและใช้เวลานานและทรัพยากรมากขึ้น ดังนั้นการจะเลือกใช้อัลกอริทึมนี้เพื่อทำ Machine Learning นอกจากต้องดูความเหมาะสมของชุดข้อมูล แล้วยังต้องคำนึงถึงทรัพยากรสำหรับรองรับการประมวลผลอีกด้วย

ในส่วนของการจำแนกเสียง (Audio Classification) นั้น ไม่ต่างจากการจำแนกภาพมากนักในแง่ของกระบวนการ โดยเริ่มจากแบ่งชุดข้อมูลเป็นกลุ่มย่อยตามลักษณะ หรือประเภทของเสียง (Class) แล้วฝึกสอน อัลกอริทึม Machine Learning ให้ได้ผลลัพธ์ที่มีประสิทธิภาพเช่นกัน สำหรับอัลกอริทึมที่ใช้งานได้ดีกับการจำแนกเสียง ได้แก่ LSTM (Long Short-Term Memory), SVM (Support Vector Machine) หรือแม้แต่ CNN ที่กล่าวถึงไปแล้วในตอนต้น ก็สามารถใช้ได้เช่นกัน ในที่นี้ขอกล่าวถึงอัลกอริทึมที่ใช้งานกันอย่างแพร่หลายเพราะใช้ข้อมูลไม่มาก ฝึกสอนได้รวดเร็ว และได้ผลลัพธ์ที่ดีคืออัลกอริทึม SVM

อัลกอริทึม SVM

SVM (Support Vector Machine) เป็นตัวจำแนกเชิงเส้น (Linear Classifier) แบบไบนารี่ (Binary) (แบ่งแยกข้อมูลได้ 2 ประเภท) ข้อได้เปรียบของ SVM คือมีประสิทธิภาพในการจำแนกข้อมูลที่มีมิติจำนวนมากได้ นอกจากนี้การใช้ฟังก์ชันเคอร์เนล (Kernel Function) ยังช่วยให้สามารถจำแนกข้อมูลที่มีความคลุมเครือได้อย่างมีประสิทธิภาพ หลักการของ SVM คือการหา Hyperplane ทีที่สามารถแบ่งจุดข้อมูลออกเป็น 2 Class ด้วยระยะห่างที่มากที่สุด (Maximum Margin) ในขณะเดียวก็สามารถแบ่งจุดข้อมูลได้อย่างถูกต้องมากที่สุดเท่าที่จะเป็นไปได้ จากหลักการเดียวกันนี้ยังถูกนำไปใช้สำหรับ Regression อีกด้วย เรียกว่า SVR (Support Vector Regression)

รูปที่ 3 ข้อมูลขนาด 2 มิติซึ่งถูกจำแนกออกเป็น 2 Class ได้แก่ + และClass –

จำนวนมิติของ Hyperplane คือจำนวนมิติของข้อมูล ในกรณีที่ข้อมูลมี 2 มิติ (x,y) ดังรูปที่ 3 Hyperplane คือเส้นที่ ที่มี Margin จากแต่ละ Class มากที่สุด โดยวิธีการที่ใช้ในการหา Hyperplane คือการหาจุดข้อมูลที่อยู่ใกล้กับเส้นแบ่งพรมแดนข้อมูลทั้งสองฝั่งที่จะใช้กำหนดเส้นขอบของแต่ละฝั่ง โดยจุดข้อมูลดังกล่าวจะถูกเรียกว่า Support Vector และการหา Support Vector นี้ขึ้นอยู่กับการกำหนดค่าตัวแปรสำคัญอีกหนึ่งตัวคือพารามิเตอร์ C ที่จะทำให้ Margin จาก Hyperplane ไปยัง Support Vector ที่ยอมรับได้มีขนาดแตกต่างกันดังแสดงในรูปที่ 4 โดยหาก C มีค่ามากจะทำให้ Margin แคบ ทำให้การแบ่งจุดข้อมูลที่ใช้ในการฝึกสอนมีความแม่นยำมากขึ้น แต่อาจทำให้เกิด Overfitting ได้ ในขณะที่หากกำหนด C ให้มีค่าน้อยจะทำให้ Margin กว้างขึ้นทำให้การแบ่งจุดข้อมูลแม่นยำน้อยลง แต่ช่วยกำจัดจุดข้อมูลที่เป็น Outliers หรือ Noise ไปได้ การเลือกค่า C จึงมีความสำคัญโดยต้องพิจารณาให้เหมาะสมกับลักษณะการกระจายตัวของข้อมูล

รูปที่ 4 ตัวอย่างการปรับค่า Parameter C ที่มีผลต่อขนาดของเส้นแบ่ง

ในกรณีที่ชุดข้อมูลไม่สามารถถูกแบ่งได้ด้วย Linear Hyperplane ฟังก์ชัน Kernel จะถูกนำมาใช้ในการหา Pattern and Relation ของข้อมูลเพื่อช่วยให้ได้การแบ่งแยกที่เป็น Non Linear ฟังก์ชัน Kernel จึงเป็นฟังก์ชัน Non Linear ที่สร้างจากข้อมูลในมิติที่มีอยู่เดิมแล้วเพิ่มขึ้นมาเป็นมิติใหม่ เช่น z² = x²+y² ทำให้ได้ Hyperplane ที่เป็นวงกลม เป็นต้น

รูปที่ 5 Kernel Function

SVM เหมาะกับ Dataset ที่มี Feature จำนวนมาก แต่มีปริมาณข้อมูลน้อยถึงปานกลาง แต่ในขณะเดียวกัน หากเลือกใช้งานอัลกอริทึม SVM กับชุดข้อมูลที่มีขนาดใหญ่ เวลาที่ใช้ในการฝึก (Training Time) จะเพิ่มขึ้นและอาจส่งผลลบต่อประสิทธิภาพของอัลกอริทึม

การจำแนกเสียงในงานอุตสาหกรรมด้วย Machine Learning สามารถนำไปใช้ได้อย่างดีโดยเฉพาะอย่างยิ่งในการวางแผนซ่อมบำรุงเครื่องจักร ช่วยให้ระบบสามารถทำงานสะดวกมากยิ่งขึ้น เพราะนอกจากจะมีการบันทึกข้อมูลยังมีการคาดการณ์และแจ้งเตือนหากเครื่องจักรขัดข้อง ทำให้สามารถลดค่าใช้จ่ายในการซ่อมบำรุงช่วยเพิ่มประสิทธิภาพของเครื่องจักรและยังช่วยเพิ่มความปลอดภัยให้กับพนักงานที่ต้องควบคุมเครื่องจักรนั้น ๆ อีกด้วย

ดังนั้นเทคโนโลยี Machine Learning สามารถช่วยให้ภาคอุตสาหกรรมผลิตสินค้าที่มีประสิทธิภาพและคุณภาพมากขึ้นและมีการบำรุงรักษาเครื่องจักรที่ดียิ่งขั้น เกิดการคล่องตัวในการผลิตสามารถควบคุมคุณภาพของสินค้า ลดต้นทุน ลดค่าใช้จ่ายในการบำรุงรักษาและยังเพิ่มความน่าเชื่อถือให้กับระบบและกระบวนการ เทคโนโลยีนี้จึงเป็นสิ่งสำคัญที่จะปรับเปลี่ยนอุตสาหกรรมการผลิตตั้งแต่อุตสาหกรรมขนาดเล็กจนถึงขนาดใหญ่ให้มีความทันสมัยและมีประสิทธิภาพที่ดียิ่งขึ้น

เอกสารอ้างอิง

[1] Natthawat Phongchit, มาทำความรู้จัก Machine Learning เบื้องต้น,
https://medium.com/@natthawatphongchit/machine-learning-basics-2b38700cb10b
[2] Sumit Saha, A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way,
https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way
[3] Natthawat Phongchit, Convolutional Neural Network (CNN) คืออะไร. https://medium.com/@natthawatphongchit
[4] KKLoft, Convolutional Neural Networks (CNN): สร้าง Model เพื่อทำ Image Classification,
https://medium.com/@app.kkloft/convolutional-neural-networks-cnn-สร้าง-model-เพื่อทำ-image-classification-ด้วย-tensorflow-58173661cfeb
[5] PradyaSin, Support Vector Machines (SVM),
https://medium.com/@pradyasin/support-vector-machines-svm-943f9a732a69
[6] scikit-learn developers ,1.4. Support Vector Machines,
https://scikit-learn.org/stable/modules/svm.html
[7] Manu Siddharth Jha, 15 Proven Facts Why Artificial Intelligence Will Create More Jobs in 2021, https://www.mygreatlearning.com/blog/15-reasons-why-ai-will-create-more-jobs-than-it-takes/
[8] James Green, 5 ways you can use Machine Learning in manufacturing,
https://www.ancoris.com/blog/5-ways-machine-learning-manufacturing

Free Audio E-Books ! NECTEC towards National Digital Platform หนังสือรวมผลงานเด่นเนคเทค สวทช. ครบรอบ 36 ปี

Walailak Kongprajan — Mon, 01 Aug 2022 08:22:50 +0000

ก้าวสู่ 36 ปีบนเส้นทางการสร้างฐานรากทางเทคโนโลยี ของศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค) สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สวทช.) และเป็นวาระการบริหารงานที่ 2 ของดร.ชัย วุฒิวิวัฒน์ชัย ผู้อำนวยการ ที่ยังคงมุ่งมั่น “สร้างฐานรากทางเทคโนโลยีขั้นสูงให้กับประเทศ” โดยได้เพิ่มแนวทางเพิ่มแนวทางจากเพียง “ผู้วิจัยพัฒนา เป็นผู้ขับเคลื่อนนโยบาย” และผู้สร้างระบบนิเวศของการใช้เทคโนโลยีไปสู่การพัฒนาแพลตฟอร์มที่สามารถใช้งานได้จริง (De Facto Platform)

ดร.ชัย วุฒิวัฒน์ชัย กล่าวว่า “เราไม่ได้อยู่ในจุดที่แข่งขันเราอยู่ในจุดที่จะสนับสนุน เป็นการสนับสนุนที่ชัดเจนมากขึ้น ร่วมมือกับเอกชนรูปแบบการทำงานจะออกมาเป็น “Public Service” หรือ บริการสาธารณะ ที่เน้นช่วยให้เอกชนลดการลงทุน ทั้งในรูปแบบ Open Source และ Open Innovation และนี่คือ สิ่งที่เนคเทค สวทช. อยากจะทำ อยากจะไป”

ชวนทุกท่านติดตาม 19 เรื่องราวผลงานเด่นเนคเทค สวทช. และพันธมิตร ทั้งผลงานวิจัยและพัฒนาในรูปแบบฮาร์ดแวร์ และ ซอฟต์แวร์ ได้ในรูปแบบ E-Books และ Audio E-Books ด้านล่างนี้

E-Books | NECTEC towards National Digital Platform

Audio E-Books | NECTEC towards National Digital Platform

Audio E-Books หนังสือเสียง จากความสามารถของ “VAJA” บริการแปลงข้อความภาษาไทยให้เป็นเสียงพูด (Text to Speech) โดยทีมวิจัยการเข้าใจเสียงและข้อความ (STU) กลุ่มวิจัยปัญญาประดิษฐ์ (AINRG) เนคเทค สวทช.

ดาวน์โหลดไฟล์ Audio E-Books | NECTEC towards National Digital Platform ได้ที่นี่

EV Charger | มาตรฐานหัวชาร์จแบบกระแสสลับในประเทศไทย

Sasiwipar Hasuk — Tue, 07 Jun 2022 05:16:30 +0000

EV Charger | มาตรฐานหัวชาร์จแบบกระแสสลับในประเทศไทย
บทความ : ทีมวิจัยเทคโนโลยีระบบวัดและควบคุมระยะไกล (IST)
กลุ่มวิจัยการควบคุมและอิเล็กทรอนิกส์ขั้นสูง(ACERG)
ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค สวทช.)

ปัจจุบันแนวโน้มของการใช้งานยานยนต์ไฟฟ้ากำลังเติบโตมากขึ้นเรื่อยๆ และสำหรับในประเทศไทยเองก็ได้มีการเตรียมความพร้อมไม่ว่าจะทั้งส่วนภาครัฐและเอกชน ซึ่งจะเห็นได้จากการค่อยๆ เพิ่มขึ้นของจำนวนของสถานีชาร์จยานยนต์ไฟฟ้ารวมถึงตัวยานยนต์ไฟฟ้าที่เริ่มมีความหลากหลายเป็นตัวเลือกที่เพิ่มมากขึ้น องค์ประกอบร่วมที่สำคัญอย่างหนึ่งที่จะขาดไม่ได้เลยนั้นก็คือส่วนของตัวต่อยานยนต์ และ เต้ารับยานยนต์ (Vehicle connector and Vehicle inlet) ตามมาตรฐาน มอก. ในบทความนี้ขอเรียกตัวต่อยานยนต์ว่า “หัวชาร์จ” ซึ่งใช้เชื่อมต่อระหว่างยานยนต์ไฟฟ้ากับสถานีประจุไฟฟ้าเพื่อชาร์จแบตเตอรี่

ลักษณะของมาตรฐานหัวชาร์จในประเทศไทย

ในประเทศไทยนั้นได้เลือกใช้หัวชาร์จแบบ Type II ซึ่งอ้างอิงตามมาตรฐาน IEC 62196 และได้ถูกประกาศใช้ให้เป็นมาตรฐานอุตสาหกรรม มอก. 2749 เล่ม 2-2559 นอกจากนี้ยังมีมาตรฐานที่เกี่ยวข้องอีกส่วนหนึ่งคือ IEC 61851 ซึ่งเป็นเป็นมาตรฐานด้านระบบอัดประจุไฟฟ้าผ่านตัวนำสำหรับยานยนต์ไฟฟ้า ซึ่งจะครอบคลุมทั้งระบบอัดประจุไฟฟ้ากระแสสลับ (AC) และไฟฟ้ากระแสตรง (DC) แต่ในที่นี้จะกล่าวถึงความรู้เบื้องต้นที่เกี่ยวข้องกับหัวชาร์จในแบบไฟฟ้ากระแสสลับ เพราะเป็นลักษณะการประจุไฟฟ้าของเครื่องชาร์จยานยนต์ไฟฟ้าแบบติดผนัง (Wall Charger) หรือโฮมชาร์จเจอร์ (Home Charger) ซึ่งเป็นเครื่องชาร์จที่ใช้กระแสไฟฟ้าไม่สูงมากนักและมักจะแถมพร้อมกับติดตั้งให้ตามบ้านเรือนไปพร้อมกับตัวยานยนต์ไฟฟ้า โดยจะมีรายละเอียดดังต่อไปนี้

รูปที่ 1 รายละเอียดของหัวชาร์จแบบไฟฟ้ากระแสสลับ (AC) Type-II

จากรูปที่ 1 โดยทั่วไปหัวชาร์จตามสายที่ต่อออกมาจากตู้ชาร์จจะมีลักษณะเป็นเต้าเสียบแบบขั้วต่อตัวเมีย (Plug Female Type-II) ซึ่งขั้วต่อด้านในจะเป็นตัวนำและมีฉนวนหุ้มรอบๆ เพื่อป้องกันอันตรายจากการสัมผัสที่ผิวตัวนำ โดยแต่ละขั้วต่อในหัวชาร์จจะมีรายละเอียดตามตารางที่ 1

ตารางที่ 1 รายละเอียดขั้วต่อหรือพินภายในหัวชาร์จ

รูปที่ 2 ขั้วต่อหัวชาร์จจากฝั่งตู้ชาร์จ (ซ้าย) และเต้ารับฝั่งยานยนต์ไฟฟ้า (ขวา)

รูปที่ 2 แสดงลักษณะของหัวชาร์จซึ่งใช้เชื่อมต่อกับเต้ารับที่ตัวยานยนต์ไฟฟ้า (Vehicle inlet) ซึ่งในส่วนของเต้ารับฝั่งยานยนต์ไฟฟ้านั้นหากระบบการชาร์จแบตเตอรี่ภายในยานยนต์ไฟฟ้ารองรับได้เพียงไฟฟ้ากระแสสลับ 1 เฟส ก็จะไม่มีขั้วต่อ L2, L3 สำหรับเชื่อมต่อ ทั้งนี้ข้อมูลเกี่ยวกับรูปแบบหัวชาร์จและขั้วต่อต่างๆ สามารถหาได้จากแหล่งความรู้ทั่วไป แต่ส่วนสำคัญอีกอย่างหนึ่งคือ ตู้ชาร์จแบบกระแสสลับกับยานยนต์ไฟฟ้านั้นมีการสื่อสารกันอย่างไร

รูปแบบการสื่อสารของตู้ชาร์จกับยานยนต์ไฟฟ้า

การสื่อสารระหว่างตู้ชาร์จกับยานยนต์ไฟฟ้านั้นจะอาศัยขั้วต่อ CP กับ PE โดยจะเรียกสัญญาณสื่อสารนี้ว่า สัญญาณ Control Pilot เพื่อให้เห็นภาพเบื้องต้นของการทำงานในส่วนนี้จะแสดงวงจรสมมูลตามตัวอย่างดังรูปที่ 3 ซึ่งเป็นไปตามมาตรฐาน IEC 61851-1 โดยมีรูปแบบที่ถอดมาจากมาตรฐาน J1772 เดิม

รูปที่ 3 วงจรการสื่อสารระหว่างตู้ชาร์จกับยานยนต์ไฟฟ้า

การทำงานของวงจรชุดนี้เริ่มจากการที่ส่วนควบคุมการชาร์จภายในตู้ชาร์จสร้างสัญญาณ Control Pilot ที่มีระดับแรงดันไฟฟ้า +12V และ -12V โดยมีลักษณะเป็น Pulse Width Modulation (PWM) ด้วยความถี่ 1 kHz ซึ่งสัญญาณนี้จะถูกส่งผ่านสายชาร์จออกมาที่หัวชาร์จ ต่อจากนั้นเมื่อมีการเสียบหัวชาร์จเข้ากับเต้ารับยานยนต์ไฟฟ้า วงจรภายในฝั่งยานยนต์ไฟฟ้าจะเป็นตัวปรับแรงดันไฟฟ้าของสัญญาณ โดยอาศัยหลักการทำงานของไดโอดและตัวต้านทาน เพื่อลดทอนแรงดันไฟฟ้าฝั่งบวก ซึ่งค่าแรงดันไฟฟ้าของสัญญาณที่เปลี่ยนแปลงไปจะเป็นตัวกำหนดสถานะต่างๆ ของการทำงานในการชาร์จประจุ โดยสถานะแรงดันของสัญญาณ Control Pilot มีรายละเอียดตามรูปที่ 4 รูปที่ 4 ระดับแรงดันของสัญญาณ Control Pilot กับสถานะการชาร์จ

สถานะการชาร์จจะแบ่งออกเป็น state ต่างๆ ตามระดับแรงดันไฟฟ้าฝั่งบวกของสัญญาณ Control Pilot ซึ่งแต่ละ state จะมีรายละเอียดดังนี้

+12V State A: คือสถานะรอ (Standby) ของตู้ชาร์จ ซึ่งอยู่ในช่วงที่ยังไม่มียานยนต์ไฟฟ้าเข้ามาเสียบหัวชาร์จ
+9V State B: พบการเชื่อมต่อกับยานยนต์ไฟฟ้า (EV Connected) เกิดขึ้นเมื่อผู้ใช้เสียบหัวชาร์จเข้ากับยานยนต์ไฟฟ้า
+6V State C: กำลังชาร์จยานยนต์ไฟฟ้า (EV Charging) หลังจากเสียบหัวชาร์จและยานยนต์ไฟฟ้าพร้อมสำหรับการชาร์จ วงจรภายในยานยนต์ไฟฟ้าจะเปลี่ยนค่าแรงดันไฟฟ้าของสัญญาณ Control Pilot เพื่อสื่อสารให้ตู้ชาร์จทำการจ่ายกระแสไฟฟ้าให้แก่ยานยนต์ไฟฟ้า
+3V State D: กำลังชาร์จให้กับยานยนต์ไฟฟ้าและเปิดระบบระบายอากาศ (EV Charging, Ventilation)
0V State E: พบปัญหาในการชาร์จ (Error)

เมื่อทราบถึง state การชาร์จโดยรวมแล้ว จะเห็นได้ว่าส่วนที่สำคัญสำหรับการชาร์จจะอยู่ที่ State B และ State C เป็นหลัก นอกจากนี้ยังมีอีกตัวแปรหลักที่สำคัญ ซึ่งตู้ชาร์จจะใช้เพื่อสื่อสารให้ยานยนต์ไฟฟ้าให้รู้ว่าตู้ชาร์จนั้นๆจะสามารถจ่ายกระแสสูงสุดได้เท่าไร ซึ่งจะเรียกว่าพิกัดกระแสชาร์จ

พิกัดของกระแสชาร์จ

ตู้ชาร์จจะใช้วิธีกำหนด Duty Cycle ของสัญญาณ Control Pilot ซึ่งเป็นการกำหนดอัตราส่วนระหว่างความกว้างของพัลส์ (Pulse Width) กับคาบเวลาของพัลส์ (Time period) มีหน่วยเป็นเปอร์เซ็นต์ “%” เมื่อยานยนต์ไฟฟ้าอ่านค่า Duty Cycle จากสัญญาณ Control Pilot ที่ตู้ชาร์จส่งมาให้ก็จะทำให้รู้ได้ทันทีว่าสามารถใช้กระแสชาร์จจากตู้ชาร์จได้มากที่สุดเท่าไร ดังนั้นระบบชาร์จแบตเตอรี่ในยานยนต์ไฟฟ้าก็จะไม่ดึงกระแสเกินจากที่ตู้ชาร์จกำหนดไว้ ความสัมพันธ์ของ % Duty Cycle กับพิกัดกระแสชาร์จนั้นจะแสดงตามตัวอย่างในรูปที่ 5 ซึ่งมีการแบ่งสเกลของ % Duty Cycle และพิกัดกระแสชาร์จเป็น 2 ช่วง โดยสามารถคำนวณได้ด้วยสมการดังนี้

รูปที่ 5 ความสัมพันธ์ระหว่างค่าพิกัดกระแสชาร์จและ % Duty Cycle ของสัญญาณ Control Pilot

อีกขั้วต่อหนึ่งที่มีความสำคัญซึ่งได้กล่าวถึงก่อนหน้าคือ PP (Proximity Pilot) โดยปกติแล้ว PP จะไม่ถูกใช้งานหากตู้ชาร์จเป็นแบบที่มีสายชาร์จต่อตรงออกจากวงจรภายในตู้ แต่ยังมีตู้ชาร์จอีกแบบหนึ่งที่ไม่มีสายชาร์จต่อออกมา แต่จะมีลักษณะเป็นเต้ารับ (Socket Female) ติดอยู่บนตู้ตัวชาร์จแทน โดยจะแสดงตามรูปที่ 6

รูปที่ 6 เต้ารับของตู้ชาร์จ

การใช้งานตู้ชาร์จที่มีลักษณะนี้ ผู้ใช้จะต้องมีสายชาร์จที่เป็นแบบเต้าเสียบ 2 ด้าน คือด้านหนึ่งเป็นเต้าเสียบตัวผู้ (Male Plug) ใช้เสียบเข้ากับตัวตู้ชาร์จ และอีกด้านหนึ่งเป็นเต้าเสียบตัวเมีย (Female Plug) เพื่อเสียบเข้ากับตัวยานยนต์ไฟฟ้า ทั้งนี้สายชาร์จที่ผู้ใช้แต่ละคนนำมาใช้งานนั้นอาจจะมีพิกัดการทนกระแสที่แตกต่างกัน ดังนั้นเพื่อให้ตู้ชาร์จรู้ว่าสายชาร์จที่นำมาต่อใช้งานนั้นสามารถรองรับกระแสชาร์จได้กี่แอมแปร์ จึงมีความจำเป็นต้องใช้งานขั้วต่อ PP โดยจะอาศัยหลักพื้นฐานของวงจรไฟฟ้าด้วยวิธีการต่อความต้านทานค่าหนึ่งไว้ภายในสายชาร์จระหว่างขั้วต่อ PP กับ PE ซึ่งมีวงจรสมมูลแสดงดังรูปที่ 7

รูปที่ 7 วงจรสมมูลของ Proximity Pilot ระหว่างตู้ชาร์จและสายชาร์จ

ค่าความต้านทานกับขนาดกระแสพิกัดของสายชาร์จตามมาตรฐาน IE61851-1 แสดงรายละเอียดดังตารางที่ 2

จากข้อมูลเบื้องต้นของหัวชาร์จแบบไฟฟ้ากระแสสลับในประเทศไทย ซึ่งเป็นไปมาตรฐานอุตสาหกรรม มอก. 2749 เล่ม 2-2559 จะช่วยให้ผู้อ่านสามารถทำความเข้าใจลักษณะการทำงานของกระบวนการชาร์จทั้งในฝั่งตู้ชาร์จและฝั่งยานยนต์ไฟฟ้าในเชิงเทคนิคได้มากขึ้น นอกจากนี้ยังทำให้เกิดความรู้ความเข้าใจในการประเมินพิกัดความทนทานของอุปกรณ์ควบคุมการชาร์จและอุปกรณ์ป้องกันในระบบการชาร์จ ทำให้สามารถเลือกใช้อุปกรณ์ไฟฟ้าในการติดตั้ง โดยพิจารณาได้ว่ามีขนาดพิกัดเหมาะสมและสามารถรองรับต่อการใช้งานของระบบชาร์จได้หรือไม่ เพื่อเสริมสร้างความปลอดภัยสำหรับการใช้งานในชีวิตประจำวันได้มากยิ่งขึ้น

[Final Report] การสำรวจและวิเคราะห์ตลาดของ EV Charger ในประเทศไทย

Sasiwipar Hasuk — Tue, 31 May 2022 07:11:26 +0000

ประเทศไทยมีนโยบายส่งเสริมและสนับสนุนให้เป็นศูนย์กลางการผลิตและใช้ยานยนต์ไฟฟ้าในเขตภูมิภาค ซึ่งอุปกรณ์ประจุไฟฟ้าสำหรับยานยนต์ไฟฟ้าถือเป็นอุปกรณ์สำคัญที่ขาดไม่ได้สำหรับการใช้งานยานยนต์ไฟฟ้า จึงมีนโยบายส่งเสริมให้เกิดสถานีประจุไฟฟ้าในรูปแบบต่าง ๆ ทั้งสนับสนุนงบประมาณจากหน่วยงานภาครัฐ และเกิดจากการลงทุนสถานีประจุไฟฟ้าโดยเอกชนผู้มองเห็นโอกาสในการดำเนินธุรกิจการให้บริการสถานีประจุไฟฟ้าแก่ยานยนต์ไฟฟ้าในประเทศไทย

ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค สวทช.) โดยศูนย์นวัตกรรมการผลิตยั่งยืน Sustainable Manufacturing Center (SMC) จึงได้มีโครงการวิจัยสำรวจและวิเคราะห์ตลาดของ EV Charger ในประเทศไทยโดยวัตถุประสงค์ของโครงการวิจัยคือ

เพื่อศึกษาสถานะตลาด อุตสาหกรรมและเทคโนโลยีของอุปกรณ์ประจุไฟฟ้าชนิดต่าง ๆ (Charging Station, Wallbox charger, Onboard charger, Normal charger) สำหรับยานยนต์ไฟฟ้าแต่ละประเภท ที่มีในประเทศไทย
เพื่อศึกษาพฤติกรรม ความสนใจของผู้ใช้งาน ผู้ประกอบการและหน่วยงานในภาคธุรกิจบริการต่าง ๆ ในประเทศไทย สำหรับการให้บริการอุปกรณ์ประจุไฟฟ้าแก่ลูกค้า เช่น ห้างสรรพสินค้า ร้านนวด/สปา ภัตตาคาร/ร้านอาหาร เป็นต้น รวมทั้งความต้องการและปัญหาต่าง ๆ ในการใช้งาน
เพื่อจัดทำกรณีศึกษา (Case Study) ความต้องการของผู้ประกอบการและหน่วยงานในภาคธุรกิจบริการต่าง ๆ ในการนำเทคโนโลยีอุปกรณ์ประจุไฟฟ้าชนิดต่าง ๆ มาใช้อย่างน้อย 5 กรณีศึกษา เพื่อระบุ Customer needs & pain-points ของตลาดและอุตสาหกรรมในปัจจุบัน
เพื่อวิเคราะห์โอกาสด้านเทคโนโลยีและความต้องการของตลาด ของอุปกรณ์ประจุไฟฟ้าชนิดต่าง ๆ รวมถึงปัจจัยสนับสนุนและปัญหาอุปสรรค์ของทำตลาดอุปกรณ์ประจุไฟฟ้าชนิดต่าง ๆ
เพื่อศึกษาวิเคราะห์บริษัทและแนวทางการดำเนินธุรกิจ ที่เกี่ยวข้องกับอุปกรณ์ประจุไฟฟ้าทั้งผู้ผลิต ผู้นำเข้า และผู้ให้บริการ เช่น การจำหน่ายตู้ประจุไฟฟ้า การคิดค่าบริการจากการจำหน่ายไฟ

มาตรฐาน ศอ. | มาตรฐานเมตาดาตาสําหรับข้อมูลเมืองอัจฉริยะ

Sasiwipar Hasuk — Wed, 15 Sep 2021 08:56:35 +0000

ประกาศมาตรฐานศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ เมตาดาตาสำหรับข้อมูลเมืองอัจฉริยะ

“ระบบตรวจสอบด้วยวิดีโอ” เป็นฟันเฟืองหนึ่งที่มีความสำคัญต่อเมืองอัจฉริยะ เป็นดัชนีในการชี้วัดถึงความปลอดภัยและการจราจรของเมืองอัจฉริยะ ดังนั้นข้อมูลภายในระบบตรวจสอบด้วยวิดีโอจึงเป็นข้อมูลที่จำเป็นต้องจัดเก็บ ใช้งานและแลกเปลี่ยนข้อมูลกับระหว่างระบบตรวจสอบด้วยวิดีโอและระบบอื่น ๆ ภายในเมืองอัจฉริยะ ส่วนประกอบที่สำคัญของระบบตรวจสอบด้วยวิดีโอ คือ กล้องโทรทัศน์วงจรปิดและระบบจัดการวิดีโอ ซึ่ง ปัจจุบันมีผู้ผลิตและให้บริการจำนวนมาก แต่มีการกำหนดเมตาดาตาที่แตกต่างกันไป ทำให้เป็นอุปสรรคในการจัดเก็บเพื่อการใช้งาน การแลกเปลี่ยนข้อมูล และอาจทำให้มีความยุ่งยากในการนำข้อมูลมาวิเคราะห์ประมวลผล

ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ ซึ่งมีหน่วยวิจัยที่มีองค์ความรู้ด้านคอมพิวเตอร์ และ สำนักงานมาตรฐานผลิตภัณฑ์อุตสาหกรรม (สมอ.) ซึ่งเป็นหน่วยงานกำหนดมาตรฐานระดับชาติ เห็นควรกำหนดมาตรฐานศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ เมตาดาตาสำหรับข้อมูลเมืองอัจฉริยะ เล่ม ๒ ระบบตรวจสอบด้วยวิดีโอ ส่วนที่ ๑ ระบบจัดการวิดีโอ และส่วนที่ ๒ กล้องโทรทัศน์วงจรปิด เพื่อใช้เป็นแนวทางอ้างอิงเดียวกันในการกำกับข้อมูล ต่อไป

1. มศอ. ๔๐๑๒.๒.๑-๒๕๖๔ มาตรฐานศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ
เมตาดาตาสำหรับข้อมูลเมืองอัจฉริยะ เล่ม ๒ ระบบตรวจสอบด้วยวิดีโอ ส่วนที่ ๑ ระบบจัดการวิดีโอ
[Download]

2. มศอ. ๔๐๑๒.๒.๒-๒๕๖๔ มาตรฐานศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ
เมตาดาตาสำหรับข้อมูลเมืองอัจฉริยะ เล่ม ๒ ระบบตรวจสอบด้วยวิดีโอ ส่วนที่ ๒ กล้องโทรทัศน์วงจรปิด
[Download]

Edge และ Cloud ในยุคโรงงานอัจฉริยะ

dtmd-saw — Fri, 27 Mar 2020 03:05:54 +0000

บทความ | ดร.เอมอัชนา นิรันตสุขรัตน์: ทีมระบบไซเบอร์-กายภาพ (CPS); หน่วยทรัพยากรด้านการคำนวณและไซเบอร์-กายภาพ (NCCPI); ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค)
ภาพปก | กรรวี แก้วมูล เรียบเรียง | ศศิวิภา หาสุข

ปัจจุบันเทคโนโลยี Internet of Things ถูกยกให้เป็น “Mega Trend” ที่จะส่งผลมหาศาลต่อธุรกิจทุกๆ ด้าน เราได้เห็นอุปกรณ์หรือ Things ที่สามารถสื่อสารกันผ่านอินเทอร์เน็ตมากขึ้นและเริ่มติดตลาด ตั้งแต่อุปกรณ์ควบคุมอุณหภูมิอัจฉริยะ (Smart Thermostat) ไปจนถึงสายข้อมือตรวจวัดกิจกรรมของผู้สวมใส่ (Fitness Bracelet/Tracker) ความสามารถที่จะเชื่อมต่ออุปกรณ์ทุกประเภททำให้เกิดโมเดลบริการใหม่ๆ และสร้างแรงจูงใจให้ธุรกิจหันมาให้ความสนใจนำเทคโนโลยี IoT มาใช้มากขึ้นเรื่อยๆ และเมื่อพูดถึง IoT ทุกคนมักจะนึกถึงการเชื่อมต่ออุปกรณ์ต่างๆ ให้สื่อสารกันได้ผ่านคลาวด์ ดังนั้นในยุค IoT คลาวด์ได้กลายมาเป็นศูนย์กลางของทุกอย่าง ไม่ว่าจะเป็นการเชื่อมต่อ การเก็บข้อมูล และการประมวลผล จึงไม่น่าแปลกใจที่ปริมาณ Data Center เพิ่มขึ้นเป็นเท่าตัวในแต่ละปี เช่นเดียวกับปริมาณข้อมูลที่วิ่งบนอินเทอร์เน็ต เมื่อถนนทุกสายมุ่งสู่คลาวด์ ผลกระทบที่ตามมาก็คือปัญหาคอขวดทั้งในแง่ของการเก็บข้อมูลและเครือข่ายเข้าออก การเปลี่ยน HDD มาใช้ SSD อาจจะช่วยเพิ่มความเร็วในการเก็บข้อมูลได้บ้าง และหลายคนฝากความหวังว่าการมาถึงของ 5G จะเยียวยาในเรื่องเครือข่าย แต่ทั้งหมดก็เป็นการแก้ปัญหาที่ปลายเหตุ เพราะสิ่งที่ผิดมาแต่ต้นคือสมมติฐานที่ว่า คลาวด์คือคำตอบ (ที่เหมาะสม) ของทุกสิ่ง

เทคโนโลยี Edge Computing หรือเรียกย่อๆ ว่า Edge เป็นวิธีการเลือกใช้หน่วยประมวลผลในคลาวด์ที่อยู่ใกล้กับต้นทางข้อมูลมากที่สุดเพื่อลดเวลาในการเข้าถึงข้อมูล ที่เห็นกันมากคือ Edge ในอุปกรณ์สื่อสารระดับท้องถิ่นจำพวกเกตเวย์หรือเราท์เตอร์ เทคโนโลยี Edge เข้ามาอยู่ในกระแสมากขึ้นในระยะปีสองปีหลังมานี้ เนื่องจากคนเริ่มตระหนักกันแล้วว่า Edge เป็นองค์ประกอบที่จำเป็นของ IoT ที่จะมาช่วยเติมเต็มการทำงานของ Cloud และแก้ปัญหาที่กล่าวมาข้างต้น

คำที่เกี่ยวข้อง

Cloud Computing

Cloud Computing หรือที่มักเรียกกันโดยย่อว่า Cloud คือโมเดลในการให้บริการทรัพยากรเพื่อการคำนวณซึ่งผู้ใช้บริการสามารถเข้าถึงได้ผ่านเครือข่าย มีโครงสร้างพื้นฐานเป็น Data Center ที่ประกอบด้วยเซิร์ฟเวอร์จำนวนมาก โดยจากมุมมองของผู้ใช้ ทรัพยากรของเซิร์ฟเวอร์เหล่านี้จะหลอมประสานเสมือนใช้งานบนเครื่องเดียว (Virtualized Resources)

จุดเด่นของ Cloud คือความสามารถในการจัดสรรทรัพยากรแบบพลวัต กล่าวคือผู้ใช้งานสามารถเปลี่ยนแปลง เพิ่มลด (scale) ขนาดของโหลดการใช้งานได้ตลอดเวลา ไม่จำเป็นต้องจัดสรรทรัพยากรเผื่อโหลดสูงสุดไว้ล่วงหน้าเมื่อยังไม่ได้ใช้ ค่าใช้บริการ Cloud จึงเป็นแบบจ่ายตามที่ใช้หรือ pay as you go และเป็นเหตุผลหนึ่งที่ทำให้บริการคลาวด์ได้รับความนิยมสูงขึ้นเรื่อยๆ จากรายงานประจำปี 2019 ของ Rightscale (Flexera) พบว่า 94% ของบริษัทที่สำรวจใช้ Cloud และพบว่านอกจากเปอร์เซ็นต์การใช้งานจะเพิ่มขึ้นทุกปีอย่างต่อเนื่องแล้ว แต่ละบริษัทยังมีแนวโน้มใช้งบประมาณไปกับค่า Cloud เพิ่มขึ้นด้วย [1]

Edge Computing

Edge Computing ในที่นี้ขอเรียกสั้นๆ ว่า Edge คือแนวคิดในการประมวลผลใกล้กับแหล่งกำเนิดข้อมูล แทนที่การส่งข้อมูลทั้งหมดไปประมวลผลที่คลาวด์ โดยตำแหน่งการประมวลผลของเอดจ์สามารถเป็นได้ตั้งแต่บนตัวอุปกรณ์ IoT เองขึ้นไปจนกระทั่งถึงชั้นบนสุดของ Local Area Network (LAN) เช่นอุปกรณ์เกตเวย์ เซิร์ฟเวอร์ของสำนักงานหรือโรงงาน ฯลฯ ดังแสดงในรูปข้างล่าง

ตำแหน่งของคลาวด์และเอดจ์ภายในเครือข่าย

แท้จริงแล้วแนวคิด Edge Computing เกิดขึ้นมาก่อนยุค IoT ตัวอย่างชัดๆ คือ Edge ในเครือข่ายอินเทอร์เน็ตเช่น LAN และ Content Delivery Network (CDN) จึงอาจกล่าวได้ว่า Edge มีรากฐานมาจากวิวัฒนาการของเครือข่ายจากการรวมศูนย์แบบ Star topology มาเป็น Tree topology ที่มีการเพิ่มชั้น (Tier) ของโหนดคั่นกลางระหว่างโหนดราก (Root Node) ซึ่งเป็นศูนย์กลางกับโหนดปลายทาง (End Nodes) ดังนั้นหากมองเช่นนี้ คำว่า Edge มีความหมายที่กว้างและสามารถนำไปปรับใช้ได้ในหลายบริบท ต่างจาก Fog Computing หรือ Fogging ซึ่งเกี่ยวข้องกับ IoT โดยตรง และเพิ่งจะถูกนิยามขึ้นในปี 2012 โดยบริษัท Cisco

นัยยะของ Fog Computing ซ้อนทับคาบเกี่ยวกับ Edge Computing มากจนมักเกิดความสับสนว่าทั้งคู่เหมือนหรือต่างกันอย่างไร เหตุการณ์คล้ายกับคราวที่ Cisco นิยามคำว่า “Internet of Everything” ขึ้นมาเพื่อครอบ Internet of Things เพียงแต่ได้ผลลัพธ์ต่างกันคือ Fog Computing ติดกระแส ในขณะที่ Internet of Everything ไม่แพร่หลายมากนัก ส่วนหนึ่งอาจเป็นเพราะ Cisco ได้ก่อตั้ง OpenFog Consortium ตามมาในปี 2015 โดยร่วมมือกับบริษัทและมหาวิทยาลัยระดับชั้นนำในการผลักดันให้ Fog Computing เป็นมาตรฐานให้กับภาคธุรกิจในการสร้าง Edge Computing โดยนอกจาก framework อ้างอิงสำหรับอุปกรณ์ Edge แล้ว กลุ่มจะร่วมกันกำหนดรายละเอียดทางเทคนิคของส่วนอื่นๆ ที่เกี่ยวข้อง ไม่ว่าจะเป็นเครือข่าย การเก็บข้อมูล ความปลอดภัย ฯลฯ กล่าวโดยย่อคือ Edge เป็นแนวคิด ส่วน Fogging เป็นวิธีการ [2]

อย่างไรก็ดี หากสำรวจนิยามของ Edge และ Fogging ในปัจจุบัน จะพบว่ามีความพยายามในการขยับจุดยืนของทั้งสองคำออกจากกันให้เกิดความต่างมากขึ้น ซึ่งมีสองแนวทางหลักๆ คือ

1) แบ่งตามตำแหน่งที่ตั้งของการคำนวณในแนวตั้งจากอุปกรณ์สู่คลาวด์ โดย Edge Computing จะครอบคลุมเฉพาะการคำนวณที่เกิดขึ้นภายในอุปกรณ์หรือแหล่งกำเนิดข้อมูลเองหรือในโหนดห่างจากแหล่งกำเนิดข้อมูลไม่เกิน 1 hop ส่วน Fog Computing จะอยู่ในอุปกรณ์เครือข่ายระดับ LAN เช่น Gateway, Router, Access Point

2) แบ่งตามการกระจายตัวของการคำนวณในแนวนอน กล่าวคือ Edge หมายถึงการคำนวณที่เกิดขึ้นในโหนดๆ หนึ่งที่อยู่ตำแหน่งใดก็ได้ที่ต่ำกว่า Cloud และใกล้แหล่งข้อมูล และ Fogging หมายถึงการทำให้โหนด Edge หลายๆ โหนดทำงานร่วมกันเป็นคลัสเตอร์หรือที่เรียกว่า Micro Data Center ซึ่งเลียนมาจากแนวคิดของ Cloud แต่อยู่ใกล้พื้นดิน (อุปกรณ์ปลายทาง) มากกว่า ซึ่งหากจะต้องเลือก ผู้เขียนเองโน้มเอียงมาทางนิยามแบบที่สองนี้

ถึงกระนั้น Edge และ Fogging ต่างตั้งอยู่บนเหตุผลและเป้าหมายเดียวกันคือการแบ่งเบาภาระของ Cloud และเครือข่าย เพิ่มประสิทธิภาพให้กับแอปพลิเคชัน IoT และลดค่าใช้จ่ายในการส่งข้อมูลที่ไม่จำเป็น

ดังนั้นจะเรียกอย่างไรก็ยังไม่สำคัญเท่ากับการนำไปใช้ การพัฒนาระบบ IoT ใดๆ ก็ตามควรพิจารณาถึงความสมดุลในการใช้ Cloud และ Edge เป็นลำดับแรกๆ โดยเริ่มตั้งแต่ขั้นตอนออกแบบ

Cloud vs Edge

ดังที่ได้เกริ่นไปแล้วว่า Cloud และ Edge ไม่ใช่เทคโนโลยีที่เป็นคู่แข่ง หากแต่ช่วยเติมเต็มซึ่งกันและกัน ดังนั้นระบบ IoT หนึ่งๆ อาจใช้ทั้ง Cloud และ Edge ควบคู่กัน แต่ก่อนที่จะตัดสินได้ว่ากระบวนการใดควรเลือกใช้ Cloud หรือ Edge เราควรทราบความสามารถและข้อจำกัดของทั้งคู่เพื่อชั่งเปรียบเทียบ

1. Delay/Response time

เวลา คือข้อได้เปรียบหลักที่ Edge มีเหนือ Cloud จุดมุ่งหมายแรกๆ ของการสร้าง IoT Edge ก็คือเพื่อลดเวลาการตอบสนอง ตัวอย่างที่ชัดเจนที่สุดคือ รถยนต์อัตโนมัติไร้คนขับซึ่งประกอบด้วยเซนเซอร์จำนวนมาก ข้อมูลจากเซนเซอร์จะต้องถูกประมวลผลเพื่อควบคุมอุปกรณ์กลไกต่างๆ ของรถแบบ Real Time การส่งข้อมูลทั้งหมดไปที่ Cloud แล้วรอให้ Cloud ส่งคำสั่งกลับมาที่รถจึงไม่ใช่วิธีการที่เหมาะสม หากจะเปรียบเทียบ ให้คิดถึงเวลาที่เราเปิดเช็คอีเมล์ทั้งหลายที่ให้บริการบนคลาวด์ เราต้องรอโหลดหน้า Inbox อยู่หลายวินาที ดังนั้นถ้ากรณีเป็นตายอย่างการเบรคของรถ ซึ่งไม่ใช่แค่การส่งข้อมูลไปกลับจากคลาวด์เท่านั้น แต่ยังต้องมีการคำนวณว่ามีสิ่งกีดขวางหรือไม่ จำแนกว่าเป็นสิ่งกีดขวางประเภทใด เคลื่อนที่ด้วยความเร็วเท่าไหร่ ต้องเบรคหรือไม่ ฯลฯ ทั้งหมดนี้จะต้องเสร็จในหลักเสี้ยววินาที เราจึงไม่สามารถที่จะรอ Cloud ได้ แต่ก็ไม่ได้หมายความว่ารถยนต์ไร้คนขับจะใช้ Cloud ไม่ได้เลย เพราะยังมีกระบวนการบางอย่างที่ไม่ต้องการความเร่งด่วนในการตัดสินใจ หรืออาจต้องรอเก็บข้อมูลเป็นเวลานานเพื่อดูแนวโน้ม เช่นการตรวจวัดสภาพรถเพื่อแจ้งเตือนการซ่อมแซม กรณีเช่นนี้จะใช้ Cloud ก็มีความเหมาะสม

ตัวอย่าง Real-time IoT Edge (ซ้าย) รถยนต์อัตโนมัติไร้คนขับ (ขวา) ปั๊มอินซูลิน (ที่มา Wikipedia และ JDRF)

2. Resource/Computational power

จริงอยู่ว่าอุปกรณ์ Edge ไม่ว่าจะเป็น Microcontroller, Single-board computer ไปจนกระทั่งถึง Mobile device หรือ Personal computer ล้วนมีความสามารถเพิ่มขึ้นเรื่อยๆ แต่ก็ยังเป็นมวยคนละชั้นกับ High-performance servers ที่ทำงานร่วมกันภายใน Data Center ดังนั้น Cloud เป็นตัวเลือกที่เหมาะสมสำหรับกระบวนการที่ต้องมีการคำนวณจำนวนมากและซับซ้อนเช่น Deep Learning หรือมีตัวแปรที่เกี่ยวข้องจำนวนมากเช่น Big Data Analytics แต่ไม่ได้หมายความว่า Edge จะไม่สามารถทำสิ่งเหล่านี้ได้ โดยเฉพาะอย่างยิ่ง Deep Learning/Machine Learning ซึ่งปัจจุบันมี Edge Hardware ที่ออกแบบเฉพาะมาเพื่อรองรับมากมาย เช่น NVIDIA Jetson, Intel Movidius, Google Edge TPU แต่กระนั้นอุปกรณ์เหล่านี้ก็ยังมีขีดจำกัดและไม่สามารถทดแทน Cloud ได้ทั้งหมด วิธีการที่นิยมกันสำหรับ Deep Learning/Machine Learning ใน IoT คือการใช้ทั้ง Cloud และ Edge ควบคู่กัน โดยฝึกหรือ train โมเดลบน Cloud และถ่ายโอนโมเดลที่ฝึกเสร็จมาไว้ที่ Edge เพื่อทำ Inference ช่วยให้ผลลัพธ์ถูกส่งกลับไปที่อุปกรณ์ได้เร็วขึ้น

3. Cost/Expense

เป็นการยากที่เราจะตัดสินแบ่งแยกดำขาวในหัวข้อนี้อย่างชัดเจน เพราะมีปัจจัยปลีกย่อยหลากหลายที่ส่งผลต่องบลงทุนและค่าใช้จ่าย ตัวอย่างได้แก่

Cloud: • ประเภทของ Cloud ที่ใช้ Private หรือ Public, On-premise หรือ Off-premise; • ปริมาณการใช้งานเช่น อัตราส่งข้อมูล ปริมาณข้อมูลที่เก็บ ความถี่การอ่านเขียนข้อมูล การวิเคราะห์ข้อมูล หากใช้แบบ Pay as You Go; • ประเภทของการเชื่อมต่อ leased line, DSL, 3G/4G, Lora

Edge: • เป็น Client-side Edge หรือ Platform-side Edge; • ค่าพัฒนาโปรแกรม; • ปริมาณการใช้งานสำหรับ Platform-side Edge; • ค่าอุปกรณ์และบำรุงรักษา

4. Geographical dispersion of devices

ถ้าต้นกำเนิดข้อมูลที่จะใช้ในการประมวลผลอยู่ในตำแหน่งที่ห่างจากกันมาก (เกินระยะของเครือข่าย LAN) เช่นค่าพลังงานที่วัดจากร้านค้าสาขาในเครือทั่วประเทศ ตำแหน่งของรถบรรทุกสำหรับติดตามและวางแผนการส่งสินค้า สถานะตำแหน่งที่จอดรถในการจัดการเมืองอัจฉริยะ กรณีเช่นนี้การใช้ Cloud ย่อมเหมาะสมมากกว่า Edge อย่างไม่มีข้อกังขา และเมื่อผนวกกับแอปพลิเคชัน IoT ที่ต้องเก็บข้อมูลจากพื้นที่ที่มีอาณาบริเวณกว้างโดยมากมักเป็นลักษณะการติดตามและแสดงผล หรือการวางแผนระยะยาวที่สามารถทนต่อ Delay ยิ่งทำให้เราตัดสินได้ง่ายขึ้น อาจจะมีเพียงส่วนน้อยที่ไม่สามารถทนต่อDelay ได้ เช่น การควบคุม Power Grid ในระดับบน ซึ่งก็มีแนวทางที่จะใช้ Cloud และลดเวลาตอบสนองลง ไม่ว่าจะเป็นการใช้ On-premise, High-Bandwidth Private Cloud หรือ Dedicated Communication Network เป็นต้น แต่แน่นอนว่าทั้งหมดแลกมาด้วยต้นทุนและค่าใช้จ่ายที่สูงขึ้น

5. Internet Connectivity

การใช้ Cloud หมายถึงอุปกรณ์ IoT ต้องเชื่อมต่อผ่านอินเทอร์เน็ต ซึ่งก็ไม่ได้เป็นข้อด้อยอันใด เพราะจริงๆ ในทางทฤษฎีแล้ว IoT คือการเชื่อมต่อสิ่งของต่างๆ ให้สื่อสารและทำงานร่วมกันได้ผ่านอินเทอร์เน็ต แต่ในทางปฏิบัติ การเข้าถึงเครือข่ายอินเทอร์เน็ตในบางกรณีเป็นเรื่องยากหรือมีต้นทุนสูง หากมีความจำเป็นต้องใช้ Computation Resource ขนาดใหญ่จริงๆ เราก็ไม่อาจหลีกเลี่ยงที่จะใช้ Cloud ได้ แต่สำหรับกรณีที่ไม่ได้มีการคำนวณซับซ้อน เช่นแอปพลิเคชันที่ใช้ใน Smart Farm ทั้งหลายที่อุปกรณ์ต่างๆ สื่อสารและควบคุมกันเองอยู่ในวง LAN เดียวกันอยู่แล้ว Edge เป็นทางเลือกที่เหมาะสมด้วยประการทั้งปวง

โรงเรือน Smart Farm

6. Data Privacy/Security

เมื่อใดก็ตามที่ต้องมีการส่งข้อมูลผ่านอินเทอร์เน็ต เมื่อนั้นก็ยังคงมีความเสี่ยง ต่อให้มีมาตรการป้องกันเข้มแข็งสักเพียงใดก็ตาม เพราะการเชื่อมต่ออินเทอร์เน็ตเหมือนการเปิดประตูบ้าน เราต้องเผชิญความเสี่ยงไม่เฉพาะเพียงจากการส่งข้อมูลออกไปภายนอก แต่ยังมีความเสี่ยงที่ผู้ไม่หวังดีจะบุกรุกเข้ามาภายใน อุปกรณ์ IoT มักปรากฏเป็นข่าวบ่อยครั้งว่ากลายมาเป็นจุดอ่อนในด้านความปลอดภัย เหตุผลส่วนหนึ่งมาจากการที่อุปกรณ์เหล่านี้มักมีกำลังประมวลผลต่ำและหน่วยความจำขนาดเล็ก ทำให้รองรับกลไกความปลอดภัยที่มีประสิทธิภาพสูงๆ ไม่ได้ อีกส่วนหนึ่งมาจากความสะเพร่าหรือความไม่รู้ของผู้พัฒนาอุปกรณ์และผู้ใช้อุปกรณ์เอง ตัวอย่างล่าสุดเมื่อไม่นานมานี้คือกรณีที่ Microsoft ตรวจพบกิจกรรมของกลุ่ม Hacker ชื่อ Strontium ที่มีพฤติกรรมมุ่งโจมตีโทรศัพท์ VOIP เครื่องพิมพ์สำนักงาน และตัวถอดรหัสวิดีโอ เพื่อใช้เป็นทางเข้าไปยังเครือข่ายภายในและขโมยข้อมูลสำคัญขององค์กรหรือบริษัท [3] Microsoft เชื่อว่ากลุ่มดังกล่าวอยู่เบื้องหลังการแฮ็คอีเมล์ของพรรคเดโมแครตในระหว่างการเลือกตั้งประธานาธิบดีสหรัฐฯ ในปี 2016 จึงไม่น่าแปลกใจว่าบางบริษัทถึงขั้นมีกฎห้ามส่งข้อมูลออกนอกเครือข่ายภายในเด็ดขาด เมื่อเป็นเช่นนี้บริษัทไม่มีทางออกอื่นนอกจาก Edge หรือ Private, On-Premise Cloud

จากที่ได้กล่าวมาทั้งหมด หากไม่มีข้อจำกัดที่บังคับให้เราต้องเลือกวิธีหนึ่งเนื่องจากอีกวิธีไม่สามารถใช้งานได้ เราสามารถสรุปแนวทางการเลือกระหว่าง Cloud และ Edge ได้คร่าวๆ ดังรูป โดยพื้นที่สีเทาเป็นบริเวณคาบเกี่ยวที่อาจต้องใช้ปัจจัยอื่นๆ มาช่วยตัดสินเช่นค่าใช้จ่าย

เลือก Edge หรือ Cloud?

Edge ในภาคอุตสาหกรรม

การพัฒนาระบบ IoT ในภาคอุตสาหกรรมมีข้อที่ต้องพิจารณาซึ่งแตกต่างจากภาคส่วนอื่นๆ ประการแรก ในขณะที่ปัจจุบัน IoT อาศัยการเชื่อมต่อแบบไร้สายแทบจะทั้งหมด เพราะให้ความยืดหยุ่นในการเคลื่อนที่ของอุปกรณ์ แต่สำหรับภาคอุตสาหกรรมเราอาจใช้ตรรกะเดียวกันไม่ได้ ต้องยอมรับว่ากระบวนการในภาคอุตสาหกรรมส่วนใหญ่ต้องการความเชื่อมั่น (Reliability) ที่สูง มาตรฐานการสื่อสารที่ใช้กันอยู่จึงมักเป็นแบบมีสาย เช่น ตระกูล Fieldbus หรือ Ethernet

ประการที่สอง อุปกรณ์เครื่องจักรในโรงงานมักจะมาจากผู้ผลิตที่หลากหลาย มีโพรโตคอลสื่อสารแตกต่างกัน หรือแม้กระทั่งเครื่องจักรเก่าๆ ที่ไม่สามารถสื่อสารใดๆ ได้เลย ทำอย่างไรจึงจะสามารถดึงข้อมูลจากอุปกรณ์เครื่องจักรเหล่านี้ออกมาประมวลผล จากสองประเด็นนี้ Edge จะสามารถก้าวเข้ามามีบทบาทที่สำคัญยิ่ง โดยในเบื้องต้นอุปกรณ์ Edge ควรมีฟังก์ชันที่สามารถแปลงรูปแบบข้อมูลที่แตกต่างจากอุปกรณ์เครื่องจักรที่หลากหลายทั้งเก่าและใหม่ให้อยู่ในรูปแบบกลางเพื่อให้บูรณาการเข้าด้วยกันได้ และจากนั้นจะประมวลผลเลยหรือส่งขึ้นไปยัง Cloud ก็ตามแต่ความเหมาะสม

ประการที่สาม การสังเคราะห์โมเดลจากข้อมูลที่เก็บมาได้เพื่อนำไปใช้ตัดสินในภาคอุตสาหกรรม จะต้องอาศัยองค์ความรู้จากทั้งฝั่ง OT และ IT มาผนวกกัน การซื้อระบบสำเร็จรูปหรือว่าจ้างผู้เชี่ยวชาญมาพัฒนาอาจให้ผลลัพธ์ที่เร็วแต่ไม่ยั่งยืน เปรียบเสมือนการเพาะชำ เพราะสภาวะในโรงงานหรือธุรกิจที่เปลี่ยนแปลงได้ตลอดเวลาเช่น ความต้องการของตลาด สภาวะของอุปกรณ์ตามอายุการใช้งาน เครื่องจักรใหม่ๆ ที่เพิ่มเข้ามาในระบบ หรือการปรับขั้นตอนการผลิต ทั้งหมดล้วนส่งผลให้โมเดลที่ใช้อยู่ใช้ไม่ได้อีกต่อไป

ดังนั้นหากบุคลากรของโรงงานเองไม่มีส่วนร่วมกับการพัฒนาระบบตั้งแต่ต้น ก็เป็นการยากที่โรงงานจะสามารถบำรุงรักษาและปรับแก้ระบบได้เองอย่างเหมาะสม คำถามที่ตามมาคือ ใครควรรับผิดชอบหน้าที่นี้? IT หรือ OT? นำไปสู่บางเสียงที่ไม่เห็นด้วยกับการใช้ Edge ในอุตสาหกรรม และเสนอให้ใช้ Private Cloud แทนเพื่อให้ความรับผิดชอบนี้ตกอยู่กับฝ่าย IT อย่างชัดเจน เมื่อเรามองวัฒนธรรมในโรงงานส่วนใหญ่ จริงอยู่ที่ OT และ IT ทำงานเป็นเอกเทศจากกันมาก และการรวมกันไม่ใช่เรื่องง่ายด้วยพื้นฐาน องค์ความรู้ และโฟกัสที่ต่างกัน แต่เราต้องไม่ลืมว่าการก้าวไปสู่อุตสาหกรรม 4.0 การบูรณาการ OT และ IT เข้าด้วยกันเป็นสิ่งที่หลีกเลี่ยงไม่ได้ ซึ่งไม่ใช่จะบูรณาการเพียงแค่ระบบ แต่ต้องรวมไปถึงคน ดังนั้นโรงงานต้องวางแนวทางปรับตัวหากต้องการพัฒนาไปสู่การเป็นโรงงานที่อัจฉริยะหรือฉลาดขึ้น โดยอาจเริ่มต้นจากตั้งโปรเจ็คพัฒนา Edge เพื่อติดตามหรือควบคุมกระบวนการใดกระบวนการหนึ่ง และผนึกกำลังคนจากทั้งสองฝั่งให้เข้ามามีส่วนร่วม โดย OT มีบทบาทในการถ่ายทอดองค์ความรู้เฉพาะด้าน หาวิธีการดึงข้อมูลที่เกี่ยวข้องจากเครื่องจักร และนำผลลัพธ์ไปปรับปรุงกระบวนการ ขณะที่ฝ่าย IT รับผิดชอบในการสร้างโมเดล พัฒนาโปรแกรม ออกแบบตำแหน่งที่ตั้งภายในเครือข่ายของโรงงาน และดูแลเครือข่ายและหน่วยเก็บข้อมูล

ถ้าถามต่อไปว่า “…แล้วควรจะเริ่มจากกระบวนการใด?”

หากมองประสิทธิภาพเป็นหลัก เราสามารถจำแนกได้ว่าแอปพลิเคชันใดเหมาะสมกับการใช้ Edge โดยดูจากเวลาและกำลังประมวลผล แต่ภาคอุตสาหกรรมมีความได้เปรียบในแง่ที่ว่าอุปกรณ์ Edge สำหรับโรงงานสามารถมีขนาดใหญ่และมีประสิทธิภาพสูงได้เพราะ

1) ไม่จำเป็นต้องเคลื่อนย้าย

2) ความต้องการด้านความน่าเชื่อถือ (Reliability) ดังนั้นเกณฑ์ตัดสินจึงเหลือเพียงเวลาตอบสนองเป็นสำคัญ

รูปข้างล่างแสดงความสัมพันธ์ระหว่างเวลาตอบสนองกับประสิทธิภาพของแอปพลิเคชันต่างๆ ในโรงงานอุตสาหกรรม จะเห็นได้ว่าแอปพลิเคชันเที่ควรเป็น Edge อย่างชัดเจนคือการตรวจวัดและแจ้งเตือนความล้มเหลวของอุปกรณ์หรือเครื่องจักร (ควรจะรวมถึงความผิดปกติที่เกี่ยวข้องกับความปลอดภัยเช่น ไฟไหม้ ก๊าซรั่ว ฯลฯ) ซึ่งก็ไปสอดคล้องกับสิ่งที่โรงงานอุตสาหกรรมการผลิตส่วนใหญ่ให้ความสำคัญเป็นอันดับหนึ่งอยู่แล้ว นั่นคือการลด Downtime [4] เนื่องจากส่งผลเสียหายตีมูลค่าเป็นเม็ดเงินได้โดยตรง

กราฟความสัมพันธ์ระหว่างเวลาและค่าของข้อมูลในแอปพลิเคชันต่างๆ ของโรงงาน (ที่มา Industrial Internet Consortium)

มีการทำนายว่าการใช้งาน Edge จะเพิ่มขึ้นเป็น 75% ภายในปี 2025 [4] แต่ไม่ได้หมายความว่า Cloud จะถึงคราวสูญพันธุ์ เพราะไม่ว่าอุปกรณ์ Edge จะมีสมรรถนะแรงขึ้นมากแค่ไหน ก็ยังไม่สามารถทดแทน Cloud ได้ทั้งหมด ดังนั้นหากไม่มีข้อจำกัดในเรื่องกฎเกณฑ์หรือปัญหาการเชื่อมต่ออินเทอร์เน็ต การใช้ Edge และ Cloud ควบคู่กันเป็นแนวทางที่จะก่อให้เกิดประสิทธิภาพสูงสุด

ตัวอย่างแนวทางการพัฒนาระบบ IoT Edge-Cloud ในภาคอุตสาหกรรม

การซ่อมบำรุงเครื่องจักรกลไอน้ำในโรงงานอุตสาหกรรม (ที่มา Pxfuel)

การพัฒนาระบบ IoT ในโรงงานอุตสาหกรรมไม่จำเป็นจะต้องสำเร็จเบ็ดเสร็จในคราวเดียว แต่สามารถค่อยพัฒนาเพิ่มขึ้นทีละขั้น เพื่อให้ผู้ประกอบการได้ประเมินประโยชน์และความคุ้มค่า และให้โอกาสผู้พัฒนาได้ทยอยเก็บข้อมูลเพื่อนำไปสังเคราะห์โมเดลและปรับปรุงระบบให้มีความเป็นอัตโนมัติเพิ่มขึ้นในขั้นต่อไป ตัวอย่างเช่น การพัฒนาระบบตรวจวัดและแจ้งเตือนความล้มเหลวของเครื่องจักรอาจแบ่งการพัฒนาเป็น 5 ขั้นตอนได้แก่

1) Visualization: รวบรวมพารามิเตอร์ต่างๆ จากเครื่องจักร ไม่ว่าจะด้วยการดึงข้อมูลจากเซนเซอร์ที่อยู่ในเครื่องจักรหรือติดตั้งเซนเซอร์ภายนอกเพิ่มเติม จากนั้นส่งไปยังอุปกรณ์ Edge ซึ่งจะทำหน้าที่แสดงค่าให้ผู้ทำงานได้เห็นสถานะของเครื่องจักรแบบเวลาจริง พร้อมๆ กันกับส่งต่อข้อมูลไปเก็บที่คลาวด์
2) Fault Detection and Notification: เมื่อมีปริมาณข้อมูลเพียงพอ เราสามารถใช้วิธีการทางสถิติหรือ Unsupervised Machine Learning ในการจำแนกสภาวะผิดปกติของเครื่องจักรเพื่อส่งสัญญาณแจ้งเตือน โดยการคำนวณสามารถทำได้ที่ Edge และแจ้งเตือนแบบ local เช่นไฟแจ้งเตือน หรือคำนวณที่คลาวด์และแจ้งเตือนผ่านเครือข่ายอินเทอร์เน็ต เช่น Line เป็นต้น โดยในขั้นนี้เราอาจเพิ่มอินพุตจากวิศวกรหรือช่างที่ดูแลเครื่องจักรเข้าสู่ระบบ เช่นให้ระบุชนิดหรือสาเหตุของความผิดปกติเมื่อเกิดการแจ้งเตือน เพื่อใช้เป็น Label ของข้อมูลเตรียมนำไปฝึกสอนโมเดลแบบ Supervised Machine Learning บนคลาวด์สำหรับการพัฒนาขั้นต่อไป
3) Fault Identification: ฝึกสอนโมเดลแบบ Supervised Learning โดยใช้ทรัพยากรบนคลาวด์ ระบบที่เป็นผลลัพธ์จะมีความสามารถแยกแยะชนิดของความผิดปกติได้ละเอียดขึ้นโดยเลียนแบบ domain expert ผู้ label ข้อมูล
4) Fault Prediction: ใช้ข้อมูลช่วงก่อนเกิดสภาวะผิดปกติในการฝึกสอนระบบให้ทำนายความผิดปกติชนิดต่างๆ ล่วงหน้า และแจ้งเตือน ควรให้วิศวกรหรือช่างสามารถอินพุตเฉลย (ผิด/ถูก) เข้าไปในระบบเพื่อให้เกิดการฝึกฝนต่อเนื่องและปรับปรุงความแม่นยำของการทำนาย
5) Automatic Fault Prevention: กำหนด Action ของระบบสำหรับแต่ละสภาวะผิดปกติที่ทำนายเพื่อป้อนกลับไปจัดการเครื่องจักรโดยไม่ต้องรอให้เกิดความผิดปกติหรือรอให้คนมาแก้ไข ดังนั้นการคำนวณ (Inference) ในขั้นนี้จำเป็นที่จะต้องเกิดที่ Edge เพื่อการตอบสนองที่รวดเร็ว

แนวทางการพัฒนาระบบ IoT-Edge-Cloud แบบขั้นบันได

ตัวอย่างข้างต้นแสดงแนวทางการพัฒนาแบบขั้นบันไดที่แต่ละขั้นเป็นฐานให้กับขั้นถัดไป สิ่งที่สำคัญคือระบบผลลัพธ์ในแต่ละขั้นต้องพร้อมใช้และสร้างคุณค่าเพิ่มให้กับโรงงานได้ในตัวมันเอง ดังนั้นแม้ว่าผู้ประกอบการตัดสินใจหยุดการพัฒนาที่ขั้นใดขั้นหนึ่งไม่ไปต่อจนสุดทาง โรงงานจะยังคงได้รับประโยชน์จากเทคโนโลยี IoT-Edge-Cloud โดยมีระบบเข้ามาช่วยปรับปรุงกระบวนการไว้ใช้ ภายใต้เงื่อนไขการลงทุนที่ผู้ประกอบการเห็นว่าคุ้มค่าเหมาะสม

เอกสารอ้างอิง

[1] Flexera, “Cloud Computing Trends:2019 State of the Cloud Survey”, https://www.flexera.com/blog/cloud/2019/02/cloud-computing-trends-2019-state-of-the-cloud-survey/, February 27, 2019.

[2] David Linthicum, Cisco, “Edge Computing vs. Fog Computing: Definitions and enterprise uses”, https://www.cisco.com/c/en/us/solutions/enterprise-networks/edge-computing.html

[3] Microsoft, “Corporate IoT – a path to intrusion”, https://msrc-blog.microsoft.com/2019/08/05/corporate-iot-a-path-to-intrusion/, August 2019.

[4] Bryan Tantzen, Cisco, “Connected Machines: Reducing Unplanned Downtime and Improving Service”, https://blogs.cisco.com/manufacturing/connected-machines-reducing-downtime, October 2015.

ดาวน์โหลดเอกสาร

[ดาวน์โหลดเอกสาร] Edge และ Cloud ในยุคโรงงานอัฉริยะ

เอกสารเผยแพร่ – NECTEC : National Electronics and Computer Technology Center

การประยุกต์ใช้ Machine Learning กับงานในภาคอุตสาหกรรม (ตอนที่ 1)

Machine Learning คืออะไร?

หน้าที่ของ Feature Learning Layers

อัลกอริทึม SVM

เอกสารอ้างอิง

Free Audio E-Books ! NECTEC towards National Digital Platform หนังสือรวมผลงานเด่นเนคเทค สวทช. ครบรอบ 36 ปี

E-Books | NECTEC towards National Digital Platform

Audio E-Books | NECTEC towards National Digital Platform

EV Charger | มาตรฐานหัวชาร์จแบบกระแสสลับในประเทศไทย

ลักษณะของมาตรฐานหัวชาร์จในประเทศไทย

รูปแบบการสื่อสารของตู้ชาร์จกับยานยนต์ไฟฟ้า

พิกัดของกระแสชาร์จ

[Final Report] การสำรวจและวิเคราะห์ตลาดของ EV Charger ในประเทศไทย

มาตรฐาน ศอ. | มาตรฐานเมตาดาตาสําหรับข้อมูลเมืองอัจฉริยะ

ประกาศมาตรฐานศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ เมตาดาตาสำหรับข้อมูลเมืองอัจฉริยะ

Edge และ Cloud ในยุคโรงงานอัจฉริยะ

คำที่เกี่ยวข้อง

Cloud vs Edge

1. Delay/Response time

2. Resource/Computational power

3. Cost/Expense

4. Geographical dispersion of devices

5. Internet Connectivity

6. Data Privacy/Security

Edge ในภาคอุตสาหกรรม

ตัวอย่างแนวทางการพัฒนาระบบ IoT Edge-Cloud ในภาคอุตสาหกรรม

เอกสารอ้างอิง

ดาวน์โหลดเอกสาร

บทความที่เกี่ยวข้อง