เครือข่ายไร้สายเพื่อการจำแนกเครื่องใช้ไฟฟ้าและการเปรียบเทียบประสิทธิภาพในการจำแนก

เกรียงศักดิ์ ปานโพธิ์ทอง

กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้: https://buuir.buu.ac.th/xmlui/handle/1234567890/6477

ระเบียนเมทาดาทาแบบเต็ม

ฟิลด์ DC	ค่า	ภาษา
dc.contributor.advisor	ณัฐนนท์ ลีลาตระกูล
dc.contributor.author	เกรียงศักดิ์ ปานโพธิ์ทอง
dc.contributor.other	มหาวิทยาลัยบูรพา. คณะวิทยาการสารสนเทศ
dc.date.accessioned	2023-05-12T02:51:26Z
dc.date.available	2023-05-12T02:51:26Z
dc.date.issued	2560
dc.identifier.uri	https://buuir.buu.ac.th/xmlui/handle/1234567890/6477
dc.description	งานนิพนธ์ (วท.ม.)--มหาวิทยาลัยบูรพา, 2560
dc.description.abstract	งานวิจัยนี้เสนอการเปรียบเทียบประสิทธิภาพของเทคนิคการจำแนกเครื่งใช้ไฟฟ้าจากการตรวจวัดกระแสไฟฟ้าที่แต่ละอุปกรณ์ไฟฟ้า ซึ่งถูกเฝ้าดูและควบคุมด้วยระบบเครือข่ายเซ็นเซอร์ไร้สายในงานวิจัยนี้ผู้วิจัยเลือกเปรียบเทียบเทคนิคการจำแนก 4 วิธีได้แก่ ต้นไม้ตัดสินใจ (Decision tree) นาอีฟเบย์ (Naïve Bayes) โครงข่ายประสาทเทียม (Neural network) และซัพพอร์ตเวกเตอร์แมชชีน (Support vector machine) เพื่อหาเทคนิคการจำแนกที่เหมาะสม ผู้วิจัยได้ออกแบบอุปกรณ์ตรวจจับกระแสในรูปแบบรางปลักไฟฟ้าและนำไปใช้กับทุก ๆ จุดที่เครื่องใช้ไฟฟ้าทำงานอยู่ในขั้นตอนการสร้างแบบจำลอง ค่ากระแสไฟฟ้าที่วัดจะถูกจัเก็บในระบบคอมพิวเตอร์ก่อนนำเข้าสู่กระบวนการจำแนกโดยใช้โปรแกรม Weka จุดมุ่งหมายของการตรวจจับกระแสไฟฟ้าในจุดที่เครื่องใชไฟฟ้าทำงานอยู่ (แทนที่จะเป็นแผงวงจรหลัก) เพื่อให้ระบบสามารถถูกพัฒนาต่อยอดให้รับรู้ได้อัตโนมัติว่าเครื่องไฟฟ้าถูกย้ายไปอยู่ที่ตำแหน่งใด สามารถควบคุมการเปิด/ปิด เครื่องใช้ไฟฟ้าแบบอัตโนมัติ สามารถระบุอุปกรณ์ไฟฟ้าที่ต้องระมัดระวังเป็นพิเศษเช่น กาต้มน้ำร้อน อันจะส่งผลให้สามารถเพิ่มความปลอดภัยในครัวเรือน ช่วยลดการสิ้นเปลืองพลังงาน และเพิ่มคุณภาพชีวิตได้ในอนาคต จากการทดสอบกับเครื่องใช้ไฟฟ้าตัวอย่าง 40 อุปกรณ์และเปรียบเทียบความถูกต้องของเทคนิค การจำแนกทั้ง 4 เทคนิค ผู้วิจัยพบว่า 1) ค่าเบี่ยงเบนมาตรฐานการใช้ไฟฟ้าเป็นข้อมูลที่จำเป็นสำหรัยการจำแนกสถานะของอุปกรณ์ไฟฟ้า 2) ต้นไม้ตัดสินใจ (J48) ให้ค่าความผิดพลาดน้อยที่สุดที่ 1.66% กฎที่ได้จากแบบจำลองต้นไม้ตัดสินใจถูกนำไปใช้ในอุปกรณ์ไมโครคอนโทรเลอร์ เพื่อการจำแนกแบบเวลาจริงพร้อมแสดงผลและควบคุมการเปิด/ปิด อุปกรณ์ไฟฟ้าผ่านเว็บไซต์
dc.language.iso	th
dc.publisher	คณะวิทยาการสารสนเทศ มหาวิทยาลัยบูรพา
dc.rights	มหาวิทยาลัยบูรพา
dc.subject	เขตพัฒนาพิเศษภาคตะวันออก (อีอีซี)
dc.subject	เครื่องใช้ไฟฟ้าในบ้าน
dc.subject	เครื่องมือเครื่องใช้ไฟฟ้า
dc.subject	มหาวิทยาลัยบูรพา -- สาขาวิชาเทคโนโลยีสารสนเทศ
dc.subject	อุตสาหกรรมอิเล็กทรอนิกส์อัจฉริยะ
dc.title	เครือข่ายไร้สายเพื่อการจำแนกเครื่องใช้ไฟฟ้าและการเปรียบเทียบประสิทธิภาพในการจำแนก
dc.title.alternative	A wireless sensor network for pplince clssifiction nd its efficient clssifiction techniques
dc.type	วิทยานิพนธ์/ Thesis
dc.description.abstractalternative	This work presents a performance comparison of four classification techniques (i.e., Decision Tree, Naïve Bayes, Neuron Network, and Support Vector Machine) for appliance classification by analyzing each appliance’s electricity usage sent via a wireless sensor network. To measure and collect the actual electrical power consumed by each device, we designed sensor circuits, each of which is deployed inside each power outlet. The measured data are sent to a centralized system via a wireless sensor network (which can also be used to deliver control commands to turn on/off each appliance). The system uses the data to classify a type of each appliance connected to each of the outlet. Since this research is to be detecting electrical usage at each outlet (instead of at the main circuit as in previous works), the system can be developed further to help identifying the abnormal operation of each appliance, and to automatically recognize the device when it is moved to another outlet, making possible automatic appliance on/off control. As a result, it could promote home safety and energy savings without affecting users’ normal behaviors. Comparing the accuracies of classifying 40 electric devices using the four techniques, we found that 1) standard deviation of measured electricity usage is a necessary attribute for accurately classifying appliance states, and 2) the decision tree algorithm (i.e., J48) performs best (with the error of 1.66%).
dc.degree.level	ปริญญาโท
dc.degree.discipline	เทคโนโลยีสารสนเทศ
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.grantor	มหาวิทยาลัยบูรพา
ปรากฏในกลุ่มข้อมูล:	วิทยานิพนธ์ (Theses)

แฟ้มในรายการข้อมูลนี้:

แฟ้ม	รายละเอียด	ขนาด	รูปแบบ
Fulltext.pdf		5.05 MB	Adobe PDF	ดู/เปิด

แสดงระเบียนรายการแบบย่อ

รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น