เมื่อ Smoke Detector ไม่ได้แค่ “จับควัน” แต่ AI ช่วยตัดสินว่า “ไฟไหม้จริงหรือไม่
เมื่อชุมชนและเมืองขยายตัวมากขึ้น ขณะที่มาตรฐานด้านความปลอดภัยก็เข้มงวดขึ้นตามไปด้วย ระบบตรวจจับอัคคีภัยที่มีความน่าเชื่อถือจึงกลายเป็นองค์ประกอบสำคัญทั้งในอาคารเชิงพาณิชย์และที่พักอาศัย โดยเฉพาะ เครื่องตรวจจับควัน (Smoke Detector) ซึ่งมีบทบาทสำคัญในการตรวจพบสัญญาณของเหตุเพลิงไหม้ตั้งแต่ระยะแรก และช่วยลดความเสี่ยงต่อชีวิตและทรัพย์สิน
ปัจจุบันเทคโนโลยีตรวจจับควันได้รับการพัฒนาอย่างต่อเนื่อง พร้อมกับความคาดหวังที่เพิ่มขึ้นต่อประสิทธิภาพการทำงานในสภาพแวดล้อมจริง เครื่องตรวจจับควันยุคใหม่จึงต้องมีความไวเพียงพอที่จะตรวจพบสัญญาณเตือนของไฟไหม้ได้ตั้งแต่เนิ่น ๆ ขณะเดียวกันก็ต้องใช้พลังงานอย่างมีประสิทธิภาพ เพื่อให้สามารถทำงานได้อย่างเสถียรและต่อเนื่องเป็นเวลาหลายปี
แนวทางหนึ่งที่น่าสนใจคือการผสาน ฮาร์ดแวร์ที่ใช้พลังงานต่ำ (Low-Power Hardware) เข้ากับการประมวลผลสัญญาณอัจฉริยะ โดยตัวอย่างโซลูชันของ Renesas ใช้ RL78/G22 MCU ทำงานร่วมกับโมเดล TinyML ที่สร้างและพัฒนาด้วย Reality AI Tools®
การทำงานร่วมกันของเทคโนโลยีทั้งสองส่วนช่วยให้เครื่องตรวจจับสามารถวิเคราะห์รูปแบบของควันได้แม่นยำยิ่งขึ้น ตรวจจับความผิดปกติของสัญญาณ และช่วยให้ระบบตอบสนองต่อเหตุการณ์ได้อย่างเหมาะสมมากขึ้น โดยยังคงรักษาจุดเด่นด้านการใช้พลังงานต่ำ พร้อมช่วยลดระยะเวลาในการพัฒนาผลิตภัณฑ์และการนำเทคโนโลยีไปผสานเข้ากับระบบจริง
โซลูชันสำหรับเครื่องตรวจจับควัน
เทคโนโลยีตรวจจับควันที่นิยมใช้งานในปัจจุบันสามารถแบ่งออกได้เป็นหลายรูปแบบ เช่น Photoelectric, Ionization และ Dual-Sensor โดยโซลูชันของ Renesas เลือกใช้หลักการตรวจจับแบบ Photoelectric ซึ่งมีประสิทธิภาพเป็นพิเศษในการตรวจจับไฟไหม้ระยะเริ่มต้น โดยเฉพาะไฟที่ลุกไหม้หรือคุกรุ่นอย่างช้า ๆ และก่อให้เกิดควันในปริมาณมากก่อนที่จะเกิดเปลวไฟอย่างชัดเจน
อย่างไรก็ตาม การพัฒนาเครื่องตรวจจับควันในปัจจุบันต้องเผชิญกับข้อกำหนดด้านความแม่นยำที่เข้มงวดขึ้น โดยมาตรฐาน UL ฉบับปรับปรุงได้เพิ่มการทดสอบที่เกี่ยวข้องกับไฟไหม้จากวัสดุ Polyurethane รวมถึงการทดสอบเพื่อแยกแยะควันที่เกิดจากการประกอบอาหาร ซึ่งถือเป็นหนึ่งในสาเหตุสำคัญของการแจ้งเตือนที่ไม่ใช่เหตุเพลิงไหม้จริง หรือ Nuisance Alarm
ข้อกำหนดเหล่านี้ทำให้เครื่องตรวจจับควันไม่เพียงต้องตรวจจับควันได้ไวเท่านั้น แต่ยังต้องสามารถแยกแยะระหว่าง ควันที่เกิดจากไฟไหม้ กับ ควันที่เกิดจากการประกอบอาหาร ได้อย่างแม่นยำ เพื่อลดการแจ้งเตือนที่ผิดพลาด
เพื่อรับมือกับความท้าทายดังกล่าว โซลูชันนี้จึงนำสถาปัตยกรรมการตรวจจับแบบ Dual-Wavelength LED มาใช้ โดยอาศัย LED ที่ปล่อยแสงในความยาวคลื่นแตกต่างกันในการตรวจวัดอนุภาคควัน
หลักการสำคัญอยู่ที่อนุภาคควันแต่ละประเภทมีขนาดแตกต่างกัน และจะทำให้แสงในแต่ละความยาวคลื่นเกิดการกระเจิง (Light Scattering) ในระดับที่ไม่เท่ากัน เมื่อแสงที่กระเจิงถูกตรวจจับด้วย Photodiode ความเข้มของสัญญาณทางแสงที่ได้จึงมีความแตกต่างกันตามลักษณะของอนุภาคควัน
ข้อมูลจากการตรวจจับในหลายความยาวคลื่นนี้สามารถนำมาวิเคราะห์เพื่อจำแนกลักษณะของควันได้ละเอียดขึ้น ทำให้ระบบสามารถแยกแยะ ควันจากการเผาไหม้ และ ควันจากการประกอบอาหาร ได้แม่นยำกว่าการใช้การตรวจจับด้วยสัญญาณเพียงรูปแบบเดียว
เมื่อผสานความสามารถของวงจรตรวจจับแบบใช้พลังงานต่ำเข้ากับการประมวลผลสัญญาณและโมเดล TinyML ระบบจึงมีศักยภาพในการสร้างเครื่องตรวจจับควันที่ทั้ง ตอบสนองได้รวดเร็ว ใช้พลังงานต่ำ และลดการแจ้งเตือนที่ผิดพลาด ซึ่งเป็นแนวทางสำคัญสำหรับการพัฒนาอุปกรณ์ตรวจจับอัคคีภัยรุ่นใหม่ที่ต้องทำงานได้อย่างน่าเชื่อถือในสภาพแวดล้อมจริง
เพื่อให้สถาปัตยกรรมการตรวจจับดังกล่าวสามารถทำงานได้อย่างมีประสิทธิภาพ โซลูชันนี้จึงออกแบบฮาร์ดแวร์แบบบูรณาการ โดยมี RL78/G22 MCU ทำงานร่วมกับ Analog Front-End (AFE) IC ซึ่งเป็นวงจรสำคัญสำหรับรับและประมวลผลสัญญาณจากส่วนตรวจจับ
ระบบได้รับการออกแบบสำหรับ เครื่องตรวจจับควันแบบ Conventional สำหรับการใช้งานเชิงพาณิชย์ รองรับแหล่งจ่ายไฟในช่วง 24V ถึง 40V พร้อมวงจรจำกัดกระแสที่ควบคุมกระแสไว้ไม่เกิน 160µA นอกจากนี้ ยังมีวงจรสำหรับส่งสัญญาณแจ้งเตือนภายนอก เพื่อรองรับการเชื่อมต่อกับระบบแจ้งเหตุเพลิงไหม้หรืออุปกรณ์ที่เกี่ยวข้อง
จุดเด่นสำคัญของสถาปัตยกรรมนี้ประกอบด้วย
- ประหยัดพลังงาน: RL78/G22 MCU มาพร้อมประสิทธิภาพการทำงานสูงและมีคุณสมบัติด้านการใช้พลังงานต่ำ โดยในช่วงที่ระบบอยู่ในสถานะ Standby สามารถใช้ Snooze Mode Sequencer (SMS)¹ ซึ่งช่วยให้ MCU ทำงานบางส่วนได้โดยไม่ต้องปลุกระบบขึ้นมาทำงานเต็มรูปแบบ ส่งผลให้ประสิทธิภาพด้านพลังงานดีขึ้น และสามารถลดการใช้กระแสในช่วง Standby ได้สูงสุดถึง 20%
- โครงสร้างเรียบง่ายและมีขนาดกะทัดรัด: การทำงานร่วมกันระหว่าง MCU และ AFE ช่วยลดจำนวนอุปกรณ์ภายนอกที่จำเป็นต่อระบบ ทำให้สามารถลดพื้นที่ที่ใช้บน PCB และช่วยให้การออกแบบวงจรโดยรวมมีความเรียบง่ายและกะทัดรัดมากขึ้น เหมาะสำหรับการพัฒนาเครื่องตรวจจับควันที่ต้องการประหยัดพื้นที่และพลังงาน
AI-Powered Sensing: ยกระดับการตรวจจับด้วยเซนเซอร์อัจฉริยะเพียงหนึ่งตัว
แนวทางการตรวจจับแบบดั้งเดิมมักใช้ LED จำนวน 2 ตัว เพื่อช่วยจำแนกประเภทของควัน โดยอาศัยอัลกอริทึมในการวิเคราะห์หลังจากตรวจจับและแปลงสัญญาณแสงที่เกิดจากการกระเจิงของแสง LED ให้เป็นข้อมูลดิจิทัล รวมถึงต้องมีวงจร Driver สำหรับควบคุม LED เพิ่มเติม แม้แนวทางนี้จะสามารถทำงานได้ดี แต่ก็แลกมาด้วยต้นทุนและความซับซ้อนที่เพิ่มขึ้นในเครื่องตรวจจับทุกตัว
ด้วยเหตุนี้ เราจึงย้อนกลับมาพิจารณาปัญหาที่ต้นทางใหม่ว่า แทนที่จะต้องจัดการกับแหล่งกำเนิดแสง 2 ตัว เราสามารถใช้ IR LED เพียงตัวเดียว เพื่อเก็บข้อมูลที่จำเป็นต่อการตรวจจับได้หรือไม่?
คำตอบคือการนำ Edge AI เข้ามาช่วยประมวลผล โดยระบบไม่จำเป็นต้องอาศัยเพียงการกำหนดค่า Threshold เพื่อดูว่าระดับสัญญาณสูงหรือต่ำกว่าค่าที่กำหนด แต่สามารถวิเคราะห์ข้อมูลที่ละเอียดขึ้นได้ โดยโมเดล AI จะพิจารณา รูปแบบการเปลี่ยนแปลงของสัญญาณตามช่วงเวลา (Temporal Signature) ซึ่งมีลักษณะเฉพาะแตกต่างกันไปตามเหตุการณ์ที่เกิดขึ้น
เพื่อพัฒนาโมเดลให้สามารถจำแนกเหตุการณ์ได้อย่างแม่นยำ เราได้รวบรวมชุดข้อมูลจากการทดสอบ Reference Design ภายใต้สถานการณ์ต่าง ๆ ตามข้อกำหนดของมาตรฐาน UL ตั้งแต่การเผาไหม้แบบคุกรุ่นของไม้ การเผาไหม้ของวัสดุ Polyurethane ไปจนถึงแหล่งกำเนิดควันที่อาจทำให้เกิดการแจ้งเตือนผิดพลาด เช่น ควันจากการประกอบอาหาร รวมถึงการทดสอบที่รู้จักกันในชื่อ “Hamburger Test”
ข้อมูลที่ได้ถูกนำมาใช้ฝึก Machine Learning Model ซึ่งสามารถทำงานโดยตรงบน RL78/G22 MCU ทำให้ระบบสามารถเรียนรู้และแยกแยะรูปแบบสัญญาณที่เป็นลักษณะเฉพาะของเหตุการณ์แต่ละประเภทได้
ผลลัพธ์ที่ได้คือเครื่องตรวจจับที่ไม่ได้เพียงตอบสนองต่อการเปลี่ยนแปลงของความเข้มแสงเท่านั้น แต่สามารถ วิเคราะห์และตีความลักษณะของสัญญาณที่ตรวจพบ เพื่อแยกแยะระหว่างเหตุเพลิงไหม้จริงกับสัญญาณเตือนที่ผิดพลาดได้อย่างแม่นยำ
ที่สำคัญ แนวทางนี้สามารถทำได้โดยใช้ IR LED ราคาประหยัดเพียงตัวเดียว ช่วยลดจำนวนอุปกรณ์และความซับซ้อนของวงจร ขณะเดียวกันยังเปิดทางให้เครื่องตรวจจับควันมีความสามารถด้าน AI มากขึ้นโดยไม่จำเป็นต้องเพิ่มต้นทุนฮาร์ดแวร์อย่างมีนัยสำคัญ
สรุป
แนวทางการพัฒนา Smoke Detector ยุคใหม่ ที่ไม่ได้เน้นแค่การตรวจจับควันให้ไว แต่ต้องสามารถแยกแยะได้ด้วยว่า “ควันที่ตรวจเจอเป็นไฟไหม้จริง หรือเป็นควันที่เกิดจากการทำอาหาร” เพราะถ้าแจ้งเตือนบ่อยเกินไปจากเหตุการณ์ที่ไม่ใช่ไฟไหม้ ก็อาจทำให้ผู้ใช้งานเกิดความเคยชินและมองข้ามสัญญาณเตือนได้
แนวทางนำเสนอคือการนำ RL78/G22 MCU ซึ่งเป็น MCU ที่เน้นการใช้พลังงานต่ำ มาทำงานร่วมกับ TinyML และ Edge AI โดยจุดที่น่าสนใจคือ จากเดิมที่ต้องใช้ LED 2 ตัวเพื่อช่วยแยกประเภทของควัน ระบบสามารถลดเหลือ IR LED เพียงตัวเดียว แล้วให้ AI วิเคราะห์รูปแบบของสัญญาณที่เปลี่ยนแปลงไปตามเวลาแทน
พูดง่าย ๆ คือ Sensor ไม่ได้ดูแค่ว่า “แสงมากหรือน้อย?” แต่พยายามดูว่า “สัญญาณที่เกิดขึ้นมีรูปแบบเหมือนเหตุการณ์อะไร?” ทำให้สามารถแยกแยะควันจากไฟไหม้กับควันจากการประกอบอาหารได้แม่นยำขึ้น
มองในมุมเทคโนโลยี
สิ่งที่น่าสนใจของแนวทางนี้คือ AI ไม่ได้ถูกนำมาใช้เพื่อทำให้ระบบดูซับซ้อนขึ้น แต่กลับช่วยลดความซับซ้อนของฮาร์ดแวร์ จากการใช้ LED หลายตัวและวงจรที่เกี่ยวข้อง เปลี่ยนมาใช้เซนเซอร์ที่เรียบง่ายขึ้น แล้วให้ MCU ทำหน้าที่ประมวลผลข้อมูลแทน
อีกจุดที่เหมาะกับงาน Smoke Detector มากคือเรื่อง Low Power เพราะอุปกรณ์ประเภทนี้ต้องเปิดใช้งานและเฝ้าระวังอยู่ตลอดเวลา การใช้ MCU ที่ประหยัดพลังงานจึงมีความสำคัญมาก และการนำ TinyML มาประมวลผลบนตัวอุปกรณ์เองก็ช่วยลดความจำเป็นในการส่งข้อมูลไปประมวลผลบน Cloud
อย่างไรก็ตาม จุดที่ต้องให้ความสำคัญคือ คุณภาพของข้อมูลที่ใช้ฝึก AI เพราะในโลกจริง ควันไม่ได้มีรูปแบบเหมือนกันทุกครั้ง การฝึกโมเดลจึงต้องครอบคลุมสถานการณ์ที่หลากหลาย เพื่อให้ระบบสามารถแยกแยะเหตุการณ์จริงได้อย่างน่าเชื่อถือ และแนวคิดนี้เป็นเพียง ไอเดียเบื้องต้นต้องได้รับเทรน AI ให้มากเพียงพอเสียก่อน
Source : Renesas
VDO : AI-Powered Smoke Alarm with RL78/G22 | Renesas
Tools : Reality AI Tools | Renesas
Data : RL78/G22 Multiwavelength Smoke Detector Reference Design
Translated and edited by Bunpajarn
TINYML | Renesas | Smoke Detector|
