Case Study: Chiller Plant 2,000 RT ลด kW/RT ได้ 22.8% โดยไม่เปลี่ยนเครื่องจักรใหญ่ — เรื่องจริงจากข้อมูล 1 นาที

โรงงานผลิตชิ้นส่วนแห่งหนึ่งในนิคมอุตสาหกรรมภาคตะวันออกมี Chiller Plant ขนาด 2,000 ตันเย็น (RT) ให้บริการทั้งระบบปรับอากาศและน้ำเย็นกระบวนการผลิต ทุกคนในทีมซ่อมบำรุงรู้ดีว่า “ค่าไฟห้อง Chillers สูงผิดปกติ” มาหลายปี แต่ไม่มีใครตอบได้ว่าสูงเพราะอะไร เพราะข้อมูลที่มีคือยอด kWh รวมต่อเดือนจากมิเตอร์เดียว และค่าการตั้งค่าที่ “ถูกปรับครั้งสุดท้ายเมื่อคนเก่ายังอยู่”

กรณีศึกษานี้ถอดบทเรียนจากโครงการปรับปรุงประสิทธิภาพระบบน้ำเย็นด้วยการติดตั้ง IIoT Monitoring และการวิเคราะห์ข้อมูลแบบ Fault Detection ตั้งแต่วันแรกจนถึงการเปลี่ยนแปลงที่วัดผลได้ — แบบเดียวกับที่โรงงานอื่นต่างประเทศทำและได้ผลยืนยันจากงานวิจัยระดับชาติสหรัฐฯ

ปัญหา: เครื่องจักรปกติ แต่ระบบไม่ปกติ

สิ่งที่ทีมวิศวกรพบหลังติดตั้งเซ็นเซอร์วัดอุณหภูมิน้ำเข้า/ออกทุกเครื่อง วัดกำลังไฟฟ้าของคอมเพรสเซอร์แยกทีละตัว และดึงค่าจาก BMS มาวิเคราะห์ร่วมกัน คือภาพที่ต่างจากความเชื่อเดิมโดยสิ้นเชิง:

• เครื่อง Chiller เดิน 3 เครื่องพร้อมกันทั้งวัน ทั้งที่โหลดจริงเฉลี่ยเพียง 58% ของกำลังติดตั้ง — ปัญหา Staging Logic ผิดพลาด
• อุณหภูมิน้ำเย็นออกถูกตั้งไว้ 6.0°C ทั้งที่กระบวนการผลิตรับ 7.2°C ได้ — ทุก 1°C ที่ลดลงเกินจำเป็น กินพลังงานเพิ่มราว 2-3%
• Condenser Approach ของเครื่องที่ 2 สูงผิดปกติ (เกิน 3°C) — สัญญาณท่อคอนเดนเซอร์มีตะกอน
• ปั๊มน้ำเดินที่ความเร็วเต็ม (100%) ตลอดเวลาแม้โหลดต่ำ — ไม่มี VFD ควบคุมตามความต้องการจริง

โซลูชัน: มองเห็นก่อน แล้วค่อยแก้

หลักการของโครงการคือ “ไม่เดา ไม่ลองผิดลองถูก ใช้ข้อมูลตัดสิน” โดยแบ่งเป็น 3 เส้นทาง:

1. ติดตั้งชั้นข้อมูล (Instrumentation Layer)

เพิ่มเซ็นเซอร์อุณหภูมิแม่นยำ ±0.1°C ที่ท่อน้ำเข้า/ออกทุกเครื่อง มิเตอร์วัดกำลังไฟฟ้าทุกตัวขับหลัก (คอมเพรสเซอร์ ปั๊ม พัดลมหอ้นเย็น) และเกตเวย์ IIoT เก็บข้อมูลทุก 1 นาที ส่งขึ้นแพลตฟอร์มวิเคราะห์แบบเรียลไทม์ ตัวชี้วัดหลักที่คำนวณอัตโนมัติคือ kW/RT (กิโลวัตต์ต่อตันเย็น) — ตัวเลขเดียวที่บอกสุขภาพทั้งระบบ

2. วิเคราะห์หาความผิดปกติ (Fault Detection)

แพลตฟอร์มเทียบพฤติกรรมจริงกับ Baseline ทางเทคนิค เช่น ความสัมพันธ์ระหว่างโหลด-อุณหภูมิ-กำลังไฟที่ควรเป็นตามหลักอุณหพลศาสตร์ ความผิดปกติที่ตรวจพบถูกจัดคิวตามผลกระทบด้านพลังงาน ไม่ใช่ตามลำดับที่คนเห็นเป็นเรื่องเป็นราวก่อน วิธีนี้เป็นแนวทางเดียวกับ Fault Detection and Diagnostics (FDD) ที่งานวิจัยของ Lawrence Berkeley National Laboratory ร่วมกับแคมเปญ Smart Energy Analytics สรุปว่า อาคารที่ใช้ระบบนี้ ประหยัดพลังงานค่ามัธยฐานได้ 9%

3. ปรับตั้งค่าและควบคุมใหม่ (Optimization)

เมื่อข้อมูลชี้เป้า การแก้ไขส่วนใหญ่คือการเปลี่ยน Logic ไม่ใช่การเปลี่ยนเครื่อง: ปรับ Chiller Staging ให้เดิน 2 เครื่องที่โหลดสูงแทน 3 เครื่องที่โหลดต่ำ ยกอุณหภูมิน้ำเย็นตามโหลดจริง (Chilled Water Reset) ติด VFD ควบคุมปั๊มตามแรงดันส่วนต่าง และล้างท่อคอนเดนเซอร์เครื่องที่ 2

ผลลัพธ์ที่วัดได้

ตัวเลข kW/RT ที่ลดลง 22.8% แปลเป็นค่าไฟของห้อง Chillers ที่หายไปเกือบหนึ่งในสี่ โดยไม่ได้เปลี่ยนเครื่องจักรใหญ่แม้แต่ตัวเดียว — การลงทุนทั้งหมดอยู่ที่ชั้นข้อมูลและการเขียน Logic ใหม่ ซึ่งเป็นรูปแบบเดียวกับผลสรุปของงานวิจัย Retro-commissioning ที่ชี้ว่าการปรับปรุงการเดินเครื่องและการบำรุงรักษาเพียงอย่างเดียว มีศักยภาพลดการใช้พลังงานของอาคารได้ 5-30%

บทเรียนสำหรับโรงงานที่กำลังตัดสินใจ

1. อย่าเริ่มจากการเปลี่ยนเครื่อง — ปัญหาส่วนใหญ่ของ Chiller Plant เก่าอยู่ที่การตั้งค่าและการเดินเครื่อง ไม่ใช่ตัวเครื่อง
2. kW/RT ต้องวัดจริง ไม่ใช่ประมาณ — การมีตัวเลขนี้แบบเรียลไทม์คือการเปลี่ยนการคุยกันจาก “รู้สึกว่าแพงขึ้น” เป็น “แพงขึ้น 8% จากสัปดาห์ก่อน ที่จุดไหน”
3. ข้อมูล 1 นาที เปลี่ยนเกมการตรวจจับ — เหตุการณ์ Surging, การเด้งของเครื่อง, ปัญหา Load Hunting มองไม่เห็นในข้อมูลรายวัน
4. Logic เก่าต้องถูกท้าทาย — ค่าที่ตั้งไว้ 10 ปีก่อนอาจเหมาะกับโหลดสมัยนั้น แต่ไม่ใช่โหลดวันนี้

รูปแบบการทำงานชุดนี้คืองานที่ทีม Honey Corporation ทำประจำ — ตั้งแต่การติดตั้งเซ็นเซอร์และเกตเวย์ IIoT การเชื่อมข้อมูลเข้าแพลตฟอร์มมอนิเตอริ่ง ไปจนถึงการออกแบบ Dashboard ที่ทีมโรงงานใช้ตัดสินใจจริงทุกวัน เราเห็นซ้ำๆ ว่า Chiller Plant ที่ “ไม่มีใครกล้าแตะ” มักซ่อนการประหยัดพลังงานระดับ 10-20% ไว้ในตั้งค่าเดิมๆ ที่รอใครสักคนมาถามว่า “ทำไมตั้งค่านี้”

Key Takeaways

• Chiller Plant ที่ไม่มีข้อมูลคือกล่องดำของต้นทุน — มิเตอร์รวมตัวเดียวไม่บอกว่าปัญหาอยู่จุดไหน
• kW/RT คือตัวชี้วัดเดียวที่ต้องมี — วัดทุกวัน เทียบทุกสัปดาห์ และตั้งเป้าปรับปรุงเป็นร้อยละ
• FDD ให้ผลตอบแทนพิสูจน์แล้ว — งานวิจัย LBNL พบการประหยัดค่ามัธยฐาน 9% จากระบบตรวจจับความผิดปกติ
• ปรับ Logic ก่อนเปลี่ยนเครื่อง — งานวิจัย Retro-commissioning ชี้ศักยภาพประหยัด 5-30% จากการเดินเครื่องที่ถูกต้อง
• Condenser Approach เกิน 3°C คือสัญญาณเตือน — ตะกอนในท่อกินพลังงานเงียบๆ ทุกวัน
• ทุก 1°C ของน้ำเย็นที่เย็นเกินจำเป็น มีราคา — ยกอุณหภูมิตามโหลดจริงได้ต้องมีข้อมูลหนุน