Original Title: Digital Twin and BIM synergy for predictive maintenance in smart building engineering systems development
Source: doi.org/10.30574/wjarr.2020.8.2.0409
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

កិច្ចសហប្រតិបត្តិការរវាងបច្ចេកវិទ្យា Digital Twin និង BIM សម្រាប់ការថែទាំបែបព្យាករណ៍ក្នុងការអភិវឌ្ឍប្រព័ន្ធវិស្វកម្មអគារឆ្លាតវៃ

ចំណងជើងដើម៖ Digital Twin and BIM synergy for predictive maintenance in smart building engineering systems development

អ្នកនិពន្ធ៖ Iyiola Oladehinde Olaseni (School of Engineering and Computer Science, Concordia University, Montreal, Canada)

ឆ្នាំបោះពុម្ព៖ 2020, World Journal of Advanced Research and Reviews

វិស័យសិក្សា៖ Building Engineering and Information Technology

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ថ្វីបើបច្ចេកវិទ្យាអគារឆ្លាតវៃមានការរីកចម្រើនក៏ដោយ ក៏ការប្រើប្រាស់ប្រព័ន្ធ BIM និងបច្ចេកវិទ្យាវិភាគទិន្នន័យ (Predictive Analytics) នៅតែមានលក្ខណៈដាច់ដោយឡែកពីគ្នា ដែលធ្វើឱ្យរាំងស្ទះដល់ការព្យាករណ៍និងការថែទាំប្រកបដោយប្រសិទ្ធភាពនៅក្នុងអគារ។ ឯកសារនេះដោះស្រាយបញ្ហានេះដោយស្នើឱ្យមានការរួមបញ្ចូលបច្ចេកវិទ្យា Digital Twin និង BIM ដើម្បីបង្កើតប្រព័ន្ធអគារដែលអាចស្វ័យគ្រប់គ្រងបាន។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រវិភាគឯកសារនិងទ្រឹស្តី (Review Article) ដោយផ្តោតលើការរៀបចំស្ថាបត្យកម្មប្រព័ន្ធ និងការលើកយកករណីសិក្សាជាក់ស្តែងមកបង្ហាញ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Traditional Preventive Maintenance
ការថែទាំបែបបង្ការតាមកាលវិភាគ
អាចជួយកាត់បន្ថយការខូចខាតដែលមិនបានព្រាងទុកបានមួយកម្រិត និងមានភាពងាយស្រួលក្នុងការអនុវត្តតាមកាលវិភាគស្តង់ដាររបស់ក្រុមហ៊ុនផលិត។ ជារឿយៗនាំឱ្យមានការថែទាំលើសកម្រិត ខាតបង់កម្លាំងពលកម្ម ផ្លាស់ប្តូរគ្រឿងបន្លាស់មុនអាយុកាល និងមិនឆ្លើយតបទៅនឹងស្ថានភាពជាក់ស្តែងនៃឧបករណ៍។ មិនមានប្រសិទ្ធភាពខ្ពស់ និងចំណាយច្រើនសម្រាប់អគារទំនើបដែលស្មុគស្មាញ។
Predictive Maintenance via Digital Twin + BIM
ការថែទាំបែបព្យាករណ៍តាមរយៈការរួមបញ្ចូល Digital Twin និង BIM
អាចទស្សន៍ទាយការខូចខាតមុនពេលកើតឡើង កាត់បន្ថយពេលវេលារអាក់រអួលនៃប្រព័ន្ធ ពន្យារអាយុកាលឧបករណ៍ និងសន្សំសំចៃថាមពលបានយ៉ាងមានប្រសិទ្ធភាព។ ត្រូវការចំណាយដើមខ្ពស់លើការរៀបចំហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា (IoT, Cloud) ទាមទារអ្នកជំនាញបច្ចេកទេសកម្រិតខ្ពស់ និងប្រឈមនឹងហានិភ័យផ្នែកសុវត្ថិភាពសាយប័រ។ កាត់បន្ថយព្រឹត្តិការណ៍ថែទាំដោយមិនបានគ្រោងទុករហូតដល់ ៣៤% កាត់បន្ថយការអាក់ខានដំណើរការជណ្តើរយន្ត ២២% និងសន្សំសំចៃការចំណាយថាមពលបានពី ៩% ទៅ ១៧%។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធរួមបញ្ចូលគ្នានេះទាមទារការវិនិយោគដើមយ៉ាងច្រើនទាំងលើការទិញឧបករណ៍ សេវាកម្មក្លោដ និងធនធានមនុស្សដែលមានជំនាញច្បាស់លាស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះពឹងផ្អែកលើករណីសិក្សានៅតំបន់អឺរ៉ុបខាងជើង អាស៊ីអាគ្នេយ៍ និងអាមេរិកខាងជើង ដែលមានហេដ្ឋារចនាសម្ព័ន្ធអគារ និងបច្ចេកវិទ្យាទំនើបរួចជាស្រេច។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តអាចនឹងមានបញ្ហាប្រឈមធំ ដោយសារកង្វះខាតទិន្នន័យប្រវត្តិអគារ ស្តង់ដារនៃការសាងសង់មិនទាន់បានរៀបចំជាឌីជីថលពេញលេញ និងកង្វះបណ្តាញហេដ្ឋារចនាសម្ព័ន្ធ IoT។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាទាមទារការវិនិយោគខ្ពស់ក៏ដោយ បច្ចេកវិទ្យានេះមានសក្តានុពលក្នុងការផ្លាស់ប្តូរមុខមាត់ការគ្រប់គ្រងអគារធំៗនៅក្នុងប្រទេសកម្ពុជា។

ការចាប់ផ្តើមគម្រោងសាកល្បង (Pilot projects) ជាជំហានៗលើអគារសាងសង់ថ្មី គឺជាជម្រើសដ៏ល្អបំផុតដើម្បីជួយកម្ពុជាក្នុងការសន្សំសំចៃថាមពល និងកាត់បន្ថយថ្លៃថែទាំក្នុងរយៈពេលវែង។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះនៃ BIM និង IoT: និស្សិតត្រូវចាប់ផ្តើមសិក្សាអំពីការធ្វើគំរូអគារជា 3D តាមរយៈកម្មវិធី Autodesk RevitArchiCAD និងស្វែងយល់ពីរបៀបដំណើរការនៃការប្រមូលទិន្នន័យពីឧបករណ៍ចាប់សញ្ញា IoT
  2. ស្វែងយល់ពីស្តង់ដារទិន្នន័យ និងពិធីការ (Protocols): អនុវត្តការរៀបចំរចនាសម្ព័ន្ធទិន្នន័យដោយប្រើប្រាស់ស្តង់ដារ IFC (Industry Foundation Classes) និងសាកល្បងភ្ជាប់ទិន្នន័យជាមួយពិធីការទំនាក់ទំនងដូចជា MQTTBACnet សម្រាប់ការបញ្ជូនទិន្នន័យ។
  3. សាកល្បងវេទិកា Digital Twin លើក្លោដ: បង្កើតគម្រោងសាកល្បងតូចមួយដោយភ្ជាប់ទិន្នន័យពីឧបករណ៍ IoT ទៅកាន់វេទិកាដូចជា Microsoft Azure Digital TwinsAWS IoT Core ដើម្បីរៀនពីរបៀបគ្រប់គ្រង និងធ្វើសមកាលកម្មម៉ូដែល។
  4. អនុវត្តការវិភាគទិន្នន័យដើម្បីព្យាករណ៍ (Predictive Analytics): សិក្សា និងប្រើប្រាស់ក្បួនដោះស្រាយ Machine Learning តាមរយៈភាសា Python (Scikit-learn, TensorFlow) ដើម្បីវិភាគរកភាពមិនប្រក្រតីនៃទិន្នន័យសេនស័រ និងទស្សន៍ទាយការខូចខាត។
  5. អភិវឌ្ឍគម្រោងស្រាវជ្រាវខ្នាតតូចជាក់ស្តែង (Pilot Project): ជ្រើសរើសបន្ទប់ឬអគារណាមួយក្នុងសាកលវិទ្យាល័យ ដើម្បីដាក់តម្លើងសេនស័រវាស់សីតុណ្ហភាព/សំណើម រួចភ្ជាប់វាទៅក្នុងម៉ូដែល BIM ដើម្បីបង្ហាញទិន្នន័យផ្ទាល់លើ Dashboard

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Digital Twin ជាការបង្កើតទម្រង់ចម្លងឌីជីថលនៃវត្ថុរូបវន្ត (ដូចជាអគារ ឬម៉ាស៊ីន) ដែលតែងតែធ្វើបច្ចុប្បន្នភាពទិន្នន័យជាក់ស្តែង (Real-time) ពីឧបករណ៍ចាប់សញ្ញា ដើម្បីតាមដាន វិភាគ និងក្លែងធ្វើសកម្មភាពផ្សេងៗមុននឹងអនុវត្តផ្ទាល់។ ដូចជាស្រមោលកញ្ចក់ឆ្លុះរបស់អគារនៅក្នុងកុំព្យូទ័រ ដែលចេះប្រាប់យើងពីអាការៈជំងឺរបស់អគារនោះភ្លាមៗ។
Building Information Modelling (BIM) គឺជាដំណើរការនៃការបង្កើតនិងគ្រប់គ្រងទិន្នន័យអគារក្នុងទម្រង់ 3D ដែលរួមបញ្ចូលព័ត៌មានលម្អិតដូចជា រចនាសម្ព័ន្ធ ប្រព័ន្ធអគ្គិសនី បំពង់ទឹក និងកាលវិភាគថែទាំ ដែលជួយសម្រួលដល់ការសាងសង់និងប្រតិបត្តិការទូទៅ។ ដូចជាគំនូរប្លង់ផ្ទះ 3D ដ៏ឆ្លាតវៃមួយ ដែលមានផ្ទុកព័ត៌មានគ្រប់យ៉ាងតាំងពីទំហំឥដ្ឋ រហូតដល់ថ្ងៃដែលត្រូវប្តូរអំពូលភ្លើង។
Predictive Maintenance យុទ្ធសាស្ត្រថែទាំដែលប្រើប្រាស់ទិន្នន័យជាក់ស្តែង និងក្បួនដោះស្រាយ (Algorithms) ដើម្បីទស្សន៍ទាយថាតើពេលណាឧបករណ៍មួយនឹងខូចខាត ដើម្បីអាចឱ្យអ្នកបច្ចេកទេសជួសជុលវាបានមុនពេលបញ្ហាកើតឡើង។ ដូចជាកម្មវិធីព្យាករណ៍អាកាសធាតុអញ្ចឹង តែនេះជាការទស្សន៍ទាយទុកជាមុនថាពេលណាម៉ាស៊ីនត្រជាក់នឹងខូច ដើម្បីប្រញាប់ជួសជុលមុនវាឈប់ដើរ។
Internet of Things (IoT) បណ្តាញនៃឧបករណ៍រូបវន្ត (ដូចជាសេនស័រ ម៉ាស៊ីន ឬកាមេរ៉ា) ដែលត្រូវបានភ្ជាប់ទៅអ៊ីនធឺណិត ដើម្បីប្រមូលនិងផ្លាស់ប្តូរទិន្នន័យគ្នាទៅវិញទៅមកដោយស្វ័យប្រវត្តិ។ ដូចជាការបង្រៀនរបស់របរប្រើប្រាស់ក្នុងផ្ទះឱ្យចេះនិយាយប្រាប់គ្នា និងរាយការណ៍ប្រាប់យើងតាមរយៈអ៊ីនធឺណិត។
Industry Foundation Classes (IFC) ស្តង់ដារទម្រង់ទិន្នន័យអន្តរជាតិ (Open standard) ដែលអនុញ្ញាតឱ្យកម្មវិធី BIM ផ្សេងៗគ្នា (របស់ក្រុមហ៊ុនផ្សេងគ្នា) អាចផ្លាស់ប្តូរនិងអានទិន្នន័យម៉ូដែល 3D ជាមួយគ្នាបានដោយមិនបាត់បង់ព័ត៌មាន។ ដូចជាភាសាអន្តរជាតិ (ឧទាហរណ៍៖ ភាសាអង់គ្លេស) ដែលជួយឱ្យកម្មវិធីកុំព្យូទ័រផ្សេងៗគ្នាអាចនិយាយស្តាប់គ្នាបានយ៉ាងរលូន។
Edge Processing ការដំណើរការនិងវិភាគទិន្នន័យនៅលើឧបករណ៍ដែលនៅក្បែរប្រភពទិន្នន័យនោះផ្ទាល់ (ឧទាហរណ៍៖ វិភាគលើសេនស័រតែម្តង) ជាជាងការបញ្ជូនទិន្នន័យទាំងអស់ទៅកាន់ Cloud ដើម្បីចំណេញពេលវេលាឆ្លើយតប។ ដូចជាការសម្រេចចិត្តដោះស្រាយបញ្ហាភ្លាមៗនៅកន្លែងកើតហេតុដោយខ្លួនឯង ដោយមិនបាច់រង់ចាំសួរមេនៅឯទីស្នាក់ការកណ្តាល។
MQTT ជាពិធីការទំនាក់ទំនងបណ្តាញ (Network Protocol) ដែលមានទម្ងន់ស្រាល និងត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់ការបញ្ជូនទិន្នន័យរវាងឧបករណ៍ IoT ក្នុងទីតាំងដែលមានអ៊ីនធឺណិតខ្សោយ ឬបញ្ជូនទិន្នន័យតូចៗជាប់ជាប្រចាំ។ ដូចជាសេវាកម្មផ្ញើសារខ្លីៗដ៏រហ័សនិងស៊ីសេវាតិចបំផុត ដែលសេនស័រតូចៗប្រើសម្រាប់ផ្ញើរបាយការណ៍ប្រាប់កុំព្យូទ័រ។
Self-Healing Building Systems ប្រព័ន្ធអគារជំនាន់ថ្មីដែលបំពាក់ដោយបញ្ញាសិប្បនិម្មិត និងសម្ភារៈឆ្លាតវៃ ដែលអាចដឹងពីការខូចខាត និងធ្វើការជួសជុល ឬកែតម្រូវបញ្ហាដោយខ្លួនឯង ដោយមិនចាំបាច់មានការអន្តរាគមន៍ពីមនុស្ស។ ដូចជារាងកាយមនុស្សយើងដែលអាចផ្សះមុខរបួសដោយខ្លួនឯងពេលមុតដៃតូចតាចអញ្ចឹងដែរ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖