Raspberry Pi เฝ้าระวังตู้เย็น Walk-in เชิงพาณิชย์: คู่มือวัดอุณหภูมิและการใช้ไฟแบบเรียลไทม์เพื่อหยุดการสูญเสียก่อนจะสายเกินไป

ในครัวเชิงพาณิชย์ ความผิดพลาดเพียงเล็กน้อยของระบบทำความเย็นอาจแปลความหมายเป็นต้นทุนมหาศาลทันที ไม่ว่าจะเป็นอุณหภูมิแกว่งเกินจุดปลอดภัย ประตูตู้เย็นถูกเปิดค้างไว้ หรือคอมเพรสเซอร์เริ่มกินไฟผิดปกติโดยที่ไม่มีใครสังเกต บทความนี้จะพาคุณสร้างระบบ Raspberry Pi ตรวจวัดอุณหภูมิและการใช้ไฟตู้เย็นเชิงพาณิชย์ แบบลงมือทำจริง ตั้งแต่การเลือกฮาร์ดแวร์ การป้องกันความชื้น การเขียน Python เพื่ออ่านค่าจากเซ็นเซอร์ การเก็บข้อมูลลง InfluxDB ไปจนถึงการสร้างแดชบอร์ด Grafana และระบบแจ้งเตือนผ่าน Telegram แนวทางนี้เหมาะทั้งกับร้านอาหาร โรงแรม คาเฟ่ ห้องเตรียมอาหาร ไปจนถึงผู้ดูแลพื้นที่เก็บวัตถุดิบที่ต้องการเปลี่ยนจากการ “เดาอาการ” ไปสู่การบริหารด้วยข้อมูลจริง

ทำไมตู้เย็นเชิงพาณิชย์จึงควรถูกตรวจวัดมากกว่าดูแค่ตัวเลขหน้าตู้

ตัวเลขบนหน้าคอนโทรลเลอร์ตู้เย็นมักบอกแค่อุณหภูมิ ณ จุดเดียวและ ณ เวลาหนึ่ง แต่ในการใช้งานจริง ตู้เย็น Walk-in ต้องเผชิญกับปัจจัยมากมาย เช่น การเปิดปิดประตูถี่ช่วงเร่งด่วน การวางของแน่นจนลมไหลเวียนไม่ดี ซีลประตูเสื่อม คอมเพรสเซอร์เริ่มทำงานหนักขึ้น หรือไฟกระชากที่ส่งผลต่อรอบการทำงานของระบบ เมื่อคุณมีระบบ Raspberry Pi ตรวจวัดอุณหภูมิและการใช้ไฟตู้เย็นเชิงพาณิชย์ คุณจะเริ่มเห็นสิ่งที่ตามองไม่เห็น เช่น ช่วงเวลาที่อุณหภูมิฟื้นตัวช้าหลังประตูถูกเปิด ความถี่การติดของคอมเพรสเซอร์ที่ผิดปกติ หรือการกินไฟค้างแบบ “ghost load” ที่ทำให้ค่าไฟสูงขึ้นเรื่อย ๆ โดยไม่รู้ตัว จุดสำคัญคือข้อมูลเหล่านี้ช่วยให้คุณแก้ปัญหาก่อนเกิดอาหารเสียทั้งล็อต และยังใช้พิสูจน์เชิงตัวเลขได้ว่าการบำรุงรักษาหรือการเปลี่ยนอุปกรณ์นั้นคุ้มค่าจริง

ภาพรวมสถาปัตยกรรมระบบที่เราจะสร้าง

โครงสร้างของระบบนี้แบ่งออกเป็น 4 ส่วนหลัก ได้แก่ 1) Raspberry Pi 5 ทำหน้าที่เป็นศูนย์กลางประมวลผล 2) เซ็นเซอร์อุณหภูมิและความชื้นสำหรับติดตามสภาพภายในหรือบริเวณใกล้ตู้ 3) เซ็นเซอร์วัดกระแสไฟฟ้าแบบ CT Clamp หรือโมดูลวัดพลังงาน เพื่อดูการทำงานของคอมเพรสเซอร์ และ 4) ซอฟต์แวร์ฝั่ง Linux สำหรับเก็บและแสดงผลข้อมูล โดยในบทความนี้เราจะใช้ Python อ่านค่าจากเซ็นเซอร์เป็นรอบ ๆ แล้วบันทึกลง InfluxDB จากนั้นใช้ Grafana สร้างแดชบอร์ดให้เห็นเส้นกราฟอุณหภูมิและพลังงานอย่างชัดเจน หากต้องการขยายระบบภายหลัง คุณยังสามารถเพิ่ม node อื่น ๆ เช่น เซ็นเซอร์ประตู เซ็นเซอร์น้ำแข็งเกาะ หรือเซ็นเซอร์ความชื้นสำหรับห้อง dry-aging ได้อีกด้วย จุดเด่นของแนวคิดนี้คือมันใช้ Open Source Software เกือบทั้งหมด จึงควบคุมข้อมูลเองได้ดี เหมาะกับสาย Digital Sovereignty และ System Engineering ที่ไม่อยากผูกทุกอย่างไว้กับบริการ cloud ของผู้ผลิตรายเดียว

อุปกรณ์ที่แนะนำและแนวคิดเรื่องความทนทานในสภาพแวดล้อมครัว

แม้ Raspberry Pi จะถูกมองว่าเป็นอุปกรณ์สายเมกเกอร์ แต่หากออกแบบอย่างระมัดระวังก็สามารถนำมาใช้ในงานภาคสนามได้ดีมาก สิ่งสำคัญไม่ใช่แค่ “ใช้ได้หรือไม่” แต่คือ “ป้องกันความชื้นและติดตั้งอย่างปลอดภัยหรือไม่” สำหรับรายการอุปกรณ์พื้นฐาน ผมแนะนำดังนี้:

– Raspberry Pi 5 พร้อม microSD คุณภาพดีหรือ SSD ภายนอกถ้าต้องการความเสถียรสูง
– Power supply มาตรฐานของ Pi
– เซ็นเซอร์ DHT22 หรือถ้าต้องการแม่นยำ/เสถียรกว่าในงานจริงอาจพิจารณา DS18B20 แบบกันน้ำ หรือ SHT31
– CT Clamp สำหรับวัดกระแสไฟของคอมเพรสเซอร์ โดยต้องติดตั้งร่วมกับวงจรที่ถูกต้องและปลอดภัย
– กล่อง enclosure กันชื้น พร้อมช่องระบายอากาศแบบพอเหมาะสำหรับจุดที่ต้องวัดอุณหภูมิแวดล้อม
– สายไฟ, terminal block, resistor, ADC module หากใช้ CT ที่ต้องอ่านสัญญาณแอนะล็อก
– Optional: magnetic reed switch สำหรับตรวจจับการเปิดปิดประตู

หากตู้เป็นพื้นที่ชื้นจัดหรือมีน้ำแข็งเกาะบ่อย ผมแนะนำให้เก็บตัว Pi ไว้นอกห้องเย็น แล้วลากเฉพาะสายเซ็นเซอร์เข้าไป จะช่วยยืดอายุอุปกรณ์และลดความเสี่ยงจากหยดน้ำหรือการควบแน่นได้อย่างมาก แนวทางนี้มักดีกว่าการเอา Pi เข้าไปอยู่ในจุดโหดที่สุดโดยตรง ยกเว้นคุณออกแบบ enclosure และการไล่ความชื้นมาอย่างจริงจัง

การติดตั้ง Raspberry Pi OS และเตรียมเครื่องให้พร้อมสำหรับงานมอนิเตอร์

เริ่มต้นด้วยการติดตั้ง Raspberry Pi OS Lite เพื่อให้ระบบเบาและเหมาะกับงานเซิร์ฟเวอร์ จากนั้นอัปเดตแพ็กเกจ ติดตั้ง Python tools และเปิดใช้งาน interface ที่จำเป็น ขั้นตอนพื้นฐานมีดังนี้

sudo apt update && sudo apt upgrade -y
sudo apt install -y python3 python3-pip python3-venv git curl wget
sudo raspi-config

ใน raspi-config ให้ตั้งค่า hostname เช่น walkin-monitor เปิด SSH สำหรับ remote management และถ้าคุณใช้เซ็นเซอร์ 1-Wire อย่าง DS18B20 ให้เปิด 1-Wire interface ไว้ด้วย หลังจากนั้นรีบูตเครื่อง:

sudo reboot

เมื่อระบบกลับมาออนไลน์ ให้สร้างโฟลเดอร์โปรเจกต์และ virtual environment เพื่อแยก dependencies อย่างเป็นระเบียบ:

mkdir -p ~/walkin-monitor
cd ~/walkin-monitor
python3 -m venv venv
source venv/bin/activate
pip install --upgrade pip

ขั้นตอนนี้อาจดูเป็นเรื่องเล็ก แต่สำหรับงานที่ต้องรันยาวหลายเดือน ความเป็นระเบียบของ environment สำคัญมาก เพราะทำให้การอัปเดต การสำรองระบบ และการย้ายไปเครื่องใหม่ทำได้ง่ายกว่าเดิมมาก

ต่อเซ็นเซอร์อุณหภูมิ: DHT22 และทางเลือกที่เหมาะกว่าในงานจริง

DHT22 ใช้งานง่ายและราคาประหยัด จึงเหมาะกับการทำต้นแบบ แต่สำหรับ Walk-in fridge ที่ต้องการความเสถียรสูงในสภาวะชื้นมาก ผมมองว่า DS18B20 แบบกันน้ำมักตอบโจทย์กว่า เพราะวัดอุณหภูมิได้ดีในสภาพใช้งานต่อเนื่องและรองรับสายยาวได้สะดวก อย่างไรก็ตาม หากคุณต้องการอ่านทั้งอุณหภูมิและความชื้น DHT22 ก็ยังเป็นตัวเลือกที่เข้าถึงง่าย ตัวอย่างการต่อ DHT22 คือ VCC ไป 3.3V, GND ไป GND, DATA ไป GPIO4 และใส่ pull-up resistor 10K ระหว่าง VCC กับ DATA จากนั้นติดตั้งไลบรารี:

source ~/walkin-monitor/venv/bin/activate
pip install adafruit-circuitpython-dht influxdb-client

ตัวอย่างสคริปต์อ่านค่า DHT22:

import time
import board
import adafruit_dht

sensor = adafruit_dht.DHT22(board.D4)

while True:
try:
temp_c = sensor.temperature
humidity = sensor.humidity
print(f"Temp: {temp_c:.2f} C | Humidity: {humidity:.2f}%")
except Exception as e:
print("Read error:", e)
time.sleep(5)

ถ้าคุณใช้ DS18B20 แทน ให้เปิด 1-Wire แล้วอ่านค่าจากไฟล์ใน /sys/bus/w1/devices/ ได้โดยตรง ซึ่งมักเสถียรกว่าในงานภาคสนาม การเลือกเซ็นเซอร์จึงไม่ควรดูแค่ราคา แต่ควรดูความแม่นยำ ความทนชื้น และความง่ายในการบำรุงรักษาด้วย

วัดการใช้ไฟของคอมเพรสเซอร์ด้วย CT Clamp อย่างปลอดภัย

ส่วนนี้สำคัญมากและต้องย้ำเรื่องความปลอดภัยก่อนเสมอ หากคุณไม่ชำนาญระบบไฟฟ้าแรงดันบ้านหรือระบบตู้เย็นเชิงพาณิชย์ ควรให้ช่างไฟหรือผู้เชี่ยวชาญช่วยติดตั้ง CT Clamp เพราะแม้ตัว Clamp จะอ่านกระแสแบบไม่ต้องตัดสาย แต่การเข้าถึงตู้ไฟและการระบุเส้นโหลดของคอมเพรสเซอร์ยังเป็นงานที่มีความเสี่ยง แนวคิดคือหนีบ CT เข้ากับสายเส้นเดียวของโหลด ไม่หนีบรวมทั้ง L และ N พร้อมกัน เพราะสนามแม่เหล็กจะหักล้างกันจนอ่านค่าไม่ได้ ในโปรเจกต์นี้คุณอาจใช้โมดูลอย่าง ADS1115 เพื่ออ่านสัญญาณแอนะล็อกจากวงจร CT หรือเลือกใช้โมดูล energy meter สำเร็จรูปที่ส่งข้อมูลผ่าน Modbus/Serial ซึ่งมักแม่นยำและปลอดภัยกว่าในงานเชิงพาณิชย์

ตัวอย่างการติดตั้งไลบรารีสำหรับ ADS1115:

source ~/walkin-monitor/venv/bin/activate
pip install adafruit-circuitpython-ads1x15

ตัวอย่างโค้ดอ่านค่าเบื้องต้นจาก ADS1115:

import time
import board
import busio
from adafruit_ads1x15.ads1115 import ADS1115
from adafruit_ads1x15.analog_in import AnalogIn

i2c = busio.I2C(board.SCL, board.SDA)
ads = ADS1115(i2c)
chan = AnalogIn(ads, 0)

while True:
print(f"Raw voltage: {chan.voltage:.4f} V")
time.sleep(1)

ในงานจริง คุณต้องมีสมการ calibration เพื่อแปลงค่าแรงดันที่อ่านได้ไปเป็นกระแส และถ้าต้องการ watt ที่แม่นยำควรวัดแรงดันร่วมด้วยหรือใช้ energy meter ที่คำนวณค่า true power มาให้แล้ว ประเด็นนี้สะท้อนมุมมองด้าน System Engineering ชัดเจนมาก: ต้นแบบอาจเริ่มจากของง่าย แต่ระบบใช้งานจริงควรเลือกส่วนที่เชื่อถือได้สูงสุดในจุดที่เกี่ยวข้องกับไฟฟ้าและความปลอดภัย

ออกแบบ enclosure ให้ Pi อยู่รอดในความชื้นและไอร้อนจากครัว

หลายโปรเจกต์ล้มเหลวไม่ใช่เพราะโค้ดไม่ดี แต่เพราะการติดตั้งทางกายภาพไม่เหมาะกับพื้นที่ใช้งานจริง หากคุณจะใช้ Raspberry Pi ตรวจวัดอุณหภูมิและการใช้ไฟตู้เย็นเชิงพาณิชย์ ในครัวที่มีไอน้ำ ไขมัน ความชื้น และอุณหภูมิเปลี่ยนตลอดเวลา ให้ยึดหลักดังนี้: วาง Pi ใน enclosure ที่ป้องกันละอองและฝุ่นได้ดี, ยึดสายให้แน่นด้วย cable gland, ใช้ silica gel หรือสารดูดความชื้นในกล่องหากจำเป็น, หลีกเลี่ยงการวางติดแหล่งความร้อนโดยตรง, และแยกสายสัญญาณออกจากสายไฟแรงดันสูงเพื่อลดสัญญาณรบกวน หากเซ็นเซอร์ต้องอยู่ในห้องเย็น ให้ใช้ probe แบบกันน้ำและเดินสายผ่านจุดที่ป้องกันการควบแน่นได้ เช่น ใช้ยางซีลหรือ fitting ที่เหมาะสม อีกเรื่องที่มักถูกมองข้ามคือการดูแล storage ของ Pi ถ้าระบบต้องเขียนข้อมูลถี่มาก การใช้ SSD ภายนอกหรือส่งข้อมูลออกไปเก็บในเซิร์ฟเวอร์อื่นจะช่วยลดโอกาส microSD เสื่อมก่อนเวลาได้มาก

ติดตั้ง InfluxDB เพื่อเก็บ time-series data อย่างเป็นระบบ

เมื่อเราอ่านค่าอุณหภูมิและพลังงานได้แล้ว ขั้นต่อไปคือเก็บข้อมูลให้อยู่ในรูปแบบที่เหมาะกับ time-series database ซึ่ง InfluxDB เป็นตัวเลือกยอดนิยมมากสำหรับงานมอนิเตอร์ ตัวอย่างต่อไปนี้เป็นแนวคิดการติดตั้งแบบย่อบน Raspberry Pi หรือคุณอาจแยก InfluxDB ไปอยู่เครื่องอื่นในเครือข่ายเพื่อประหยัดทรัพยากรบน Pi ก็ได้ เริ่มด้วยการดาวน์โหลดตามเอกสารทางการของ InfluxData ที่ https://docs.influxdata.com/ จากนั้นกำหนด bucket, org และ token สำหรับเขียนข้อมูล เมื่อพร้อมแล้วให้ติดตั้ง Python client:

source ~/walkin-monitor/venv/bin/activate
pip install influxdb-client

ตัวอย่างโค้ดบันทึกข้อมูลลง InfluxDB:

from influxdb_client import InfluxDBClient, Point, WritePrecision
from influxdb_client.client.write_api import SYNCHRONOUS
import datetime

url = "http://localhost:8086"
token = "YOUR_INFLUX_TOKEN"
org = "kitchenlab"
bucket = "walkin"

client = InfluxDBClient(url=url, token=token, org=org)
write_api = client.write_api(write_options=SYNCHRONOUS)

point = Point("fridge_metrics") \
.tag("location", "walkin_fridge_1") \
.field("temperature_c", 3.8) \
.field("humidity", 72.1) \
.field("current_amp", 2.4) \
.time(datetime.datetime.utcnow(), WritePrecision.NS)

write_api.write(bucket=bucket, org=org, record=point)
print("Data written")

จุดเด่นของ InfluxDB คือคุณจะ query ข้อมูลตามช่วงเวลาได้ง่าย เช่น ดูอุณหภูมิย้อนหลัง 24 ชั่วโมง เปรียบเทียบรอบการทำงานคอมเพรสเซอร์ก่อนและหลังการเปลี่ยนซีลประตู หรือหาค่าเฉลี่ยการใช้พลังงานในช่วงเร่งด่วนของร้าน ซึ่งทั้งหมดนี้คือหัวใจของการทำ audit แบบ data-driven จริง ๆ

เขียน Python collector ให้เก็บข้อมูลทุกช่วงเวลาแบบพร้อมใช้งานจริง

แทนที่จะรันสคริปต์หลายไฟล์แยกกัน เราควรสร้าง collector ตัวเดียวที่อ่านค่าจากเซ็นเซอร์ทั้งหมดแล้วส่งเข้า InfluxDB เป็นรอบ ๆ วิธีนี้ดูแลง่ายกว่าและตั้งเป็น systemd service ได้สะดวก ด้านล่างคือตัวอย่างสคริปต์รวมแบบเริ่มต้น ซึ่งคุณสามารถปรับให้เข้ากับฮาร์ดแวร์จริงของคุณได้

import time
import datetime
import board
import adafruit_dht
from influxdb_client import InfluxDBClient, Point, WritePrecision
from influxdb_client.client.write_api import SYNCHRONOUS

INFLUX_URL = "http://localhost:8086"
INFLUX_TOKEN = "YOUR_INFLUX_TOKEN"
INFLUX_ORG = "kitchenlab"
INFLUX_BUCKET = "walkin"
POLL_INTERVAL = 10

sensor = adafruit_dht.DHT22(board.D4)
client = InfluxDBClient(url=INFLUX_URL, token=INFLUX_TOKEN, org=INFLUX_ORG)
write_api = client.write_api(write_options=SYNCHRONOUS)

def read_current_amp():
# TODO: replace with calibrated CT/energy meter reading
return 2.15

while True:
try:
temp_c = sensor.temperature
humidity = sensor.humidity
current_amp = read_current_amp()

point = Point("fridge_metrics") \
.tag("location", "walkin_fridge_1") \
.field("temperature_c", float(temp_c)) \
.field("humidity", float(humidity)) \
.field("current_amp", float(current_amp)) \
.time(datetime.datetime.utcnow(), WritePrecision.NS)

write_api.write(bucket=INFLUX_BUCKET, org=INFLUX_ORG, record=point)
print(f"Wrote: T={temp_c}C H={humidity}% I={current_amp}A")
except Exception as e:
print("Collector error:", e)

time.sleep(POLL_INTERVAL)

หลักคิดสำคัญคืออย่าปล่อยให้สคริปต์ตายง่ายเมื่ออ่านค่าไม่ได้ครั้งเดียว เพราะหน้างานจริงจะมี noise และความผิดพลาดชั่วคราวเสมอ คุณควรใส่ retry, logging และอาจมีค่า fallback หรือ health check เพิ่มเติมเพื่อให้ระบบเดินต่อได้อย่างนุ่มนวล

ทำให้สคริปต์รันอัตโนมัติด้วย systemd service

เมื่อ collector ใช้งานได้แล้ว ขั้นต่อไปคือทำให้มันรันเองหลังบูตและรีสตาร์ตอัตโนมัติเมื่อเกิดปัญหา นี่เป็นส่วนที่ผู้เริ่มต้นหลายคนมองข้าม แต่จริง ๆ แล้วมันคือความแตกต่างระหว่าง “เดโมที่รันบนโต๊ะ” กับ “ระบบมอนิเตอร์ที่พร้อมใช้งานในครัวจริง” สร้างไฟล์ service ดังนี้:

sudo nano /etc/systemd/system/walkin-monitor.service

ใส่เนื้อหา:

[Unit]
Description=Walk-in Fridge Monitor
After=network.target

[Service]
User=pi
WorkingDirectory=/home/pi/walkin-monitor
Environment="PATH=/home/pi/walkin-monitor/venv/bin"
ExecStart=/home/pi/walkin-monitor/venv/bin/python /home/pi/walkin-monitor/collector.py
Restart=always
RestartSec=5

[Install]
WantedBy=multi-user.target

จากนั้นเปิดใช้งาน:

sudo systemctl daemon-reload
sudo systemctl enable walkin-monitor.service
sudo systemctl start walkin-monitor.service
sudo systemctl status walkin-monitor.service

หากต้องการดู log แบบต่อเนื่อง ใช้คำสั่ง:

journalctl -u walkin-monitor.service -f

นี่คือวิธีทำให้ระบบ Raspberry Pi ตรวจวัดอุณหภูมิและการใช้ไฟตู้เย็นเชิงพาณิชย์ มีความเป็น production มากขึ้นอย่างชัดเจน และเป็นแนวคิด DevOps ที่ดีแม้จะเป็นโปรเจกต์ขนาดเล็กก็ตาม

ติดตั้ง Grafana และสร้างแดชบอร์ดที่มองเห็นความผิดปกติได้ทันที

ข้อมูลจะมีคุณค่ามากขึ้นเมื่อมองเห็นได้ง่าย Grafana ช่วยให้คุณสร้าง dashboard ที่ดูได้ทั้งบนหน้าจอหลังครัว แท็บเล็ต หรือเครื่องผู้จัดการร้าน คุณสามารถติดตั้ง Grafana ตามเอกสารทางการที่ https://grafana.com/docs/ แล้วเพิ่ม InfluxDB เป็น data source จากนั้นสร้าง panel สำคัญอย่างน้อย 4 แบบ ได้แก่ กราฟอุณหภูมิรายเวลา, กราฟความชื้น, กราฟกระแสหรือกำลังไฟ, และ panel แสดงสถานะล่าสุดของระบบ ตัวอย่าง query จะแตกต่างตามเวอร์ชัน InfluxDB แต่แนวคิดคือ plot เส้นอุณหภูมิเทียบกับเวลา แล้วตั้ง threshold สีให้เห็นทันทีเมื่อเกินช่วงปลอดภัย เช่น 0–5°C สำหรับ chilled storage หรือค่าที่ตรงกับมาตรฐานของคุณ

ผมแนะนำให้เพิ่ม visualization ต่อไปนี้ด้วย:

– กราฟซ้อนระหว่างอุณหภูมิกับกระแสไฟของคอมเพรสเซอร์
– Stat panel แสดง “เวลาฟื้นตัวหลังประตูถูกเปิด”
– ตารางสรุปช่วงที่คอมเพรสเซอร์ทำงานถี่ผิดปกติ
– Heatmap รายชั่วโมงเพื่อดูว่าช่วงเวลาไหนของวันมีความเสี่ยงมากที่สุด

เมื่อแดชบอร์ดออกแบบดี คุณจะสามารถคุยกับทีมครัวด้วยภาพที่เข้าใจง่ายกว่าตาราง log ยาว ๆ มาก และนี่คือจุดที่เทคโนโลยีเริ่มเชื่อมกับการบริหารงานจริง ไม่ใช่แค่การทดลองของคนไอที

ตั้งค่าแจ้งเตือนผ่าน Telegram หรือ SMS เมื่ออุณหภูมิเริ่มเสี่ยง

ข้อมูลย้อนหลังมีประโยชน์ แต่สิ่งที่ช่วยป้องกันความเสียหายทันเวลาคือ alert หากอุณหภูมิสูงเกิน threshold นานเกิน 10 นาที หรือกระแสไฟบ่งชี้ว่าคอมเพรสเซอร์ทำงานต่อเนื่องผิดปกติ เราควรส่งแจ้งเตือนทันที ตัวอย่าง Telegram bot ทำได้ง่ายและเหมาะมากกับร้านขนาดเล็ก เริ่มจากสร้าง bot ผ่าน BotFather แล้วนำ token และ chat ID มาใช้ใน Python:

source ~/walkin-monitor/venv/bin/activate
pip install requests

import requests

def send_telegram(token, chat_id, message):
url = f"https://api.telegram.org/bot{token}/sendMessage"
payload = {
"chat_id": chat_id,
"text": message
}
r = requests.post(url, json=payload, timeout=10)
return r.json()

bot_token = "YOUR_BOT_TOKEN"
chat_id = "YOUR_CHAT_ID"
send_telegram(bot_token, chat_id, "Alert: Walk-in fridge temperature exceeded threshold!")

คุณสามารถฝัง logic นี้ลงใน collector หรือใช้ Grafana Alerting เพื่อจัดการเงื่อนไขแทนก็ได้ เงื่อนไขที่ผมแนะนำให้ตั้งอย่างน้อยคือ:

– อุณหภูมิสูงเกินค่าที่กำหนดนานเกิน X นาที
– คอมเพรสเซอร์ทำงานต่อเนื่องเกินเวลาปกติ
– ไม่มีข้อมูลเข้า InfluxDB เกิน Y นาที แปลว่าระบบมอนิเตอร์อาจล่ม
– ประตูเปิดค้างเกินเวลาที่กำหนด หากมีติดตั้ง reed switch เพิ่ม

นี่คือจุดที่ระบบเริ่มทำงานเชิงป้องกันจริง ไม่ใช่แค่เก็บข้อมูลเพื่อมาดูย้อนหลังหลังเกิดความเสียหายไปแล้ว

อ่านข้อมูลอย่างไรให้เจอ “ตัวร้ายล่องหน” ที่ทำให้ค่าไฟพุ่ง

หลังจากเก็บข้อมูลสัก 1 สัปดาห์ คุณจะเริ่มเห็นแพตเทิร์นที่มีความหมายมากขึ้น เช่น หากอุณหภูมิกระโดดสูงทุกวันช่วง 11:30–13:00 และคอมเพรสเซอร์ทำงานหนักต่อเนื่องในช่วงเดียวกัน นั่นอาจสัมพันธ์กับเวลาที่พนักงานเปิดประตูบ่อยตอนเตรียมออเดอร์ หรือหากกระแสไฟเฉลี่ยสูงขึ้นเรื่อย ๆ แต่ประสิทธิภาพการลดอุณหภูมิแย่ลง นั่นอาจชี้ถึงซีลประตูเสื่อม คอยล์สกปรก หรือคอมเพรสเซอร์เริ่มอ่อนแรง ในมุมมองของผม เสน่ห์ของโปรเจกต์นี้อยู่ตรงที่มันเปลี่ยนเรื่องที่เคยเป็น “ความรู้สึกหน้างาน” ให้กลายเป็น “ข้อเท็จจริงที่ตรวจสอบได้” และตรงนี้เองที่ผู้ประกอบการมักตัดสินใจได้ดีขึ้นมาก ไม่ว่าจะเป็นการล้างคอยล์ เปลี่ยนยางซีล ปรับขั้นตอนทำงานของทีม หรือแม้แต่ตัดสินใจเปลี่ยนตู้ก่อนพังหนักจนของเสียทั้งสต๊อก

อีกประเด็นที่น่าสนใจคือการดู ghost power draw หากคุณพบว่าระบบยังมีการใช้ไฟในช่วงที่ไม่ควรมีโหลดเด่นชัด หรือมีรอบสั้น ๆ บ่อยผิดปกติ นั่นอาจเป็นสัญญาณของอุปกรณ์ควบคุมที่เริ่มมีปัญหา การมีข้อมูลกราฟชัด ๆ จะช่วยมากเวลาเรียกช่าง เพราะคุณไม่ได้บอกแค่ว่า “เหมือนจะมีปัญหา” แต่คุณมีหลักฐานเชิงเวลาและเชิงพลังงานให้ตรวจสอบต่อได้ทันที

คำนวณ ROI ของระบบมอนิเตอร์นี้แบบไม่ต้องเดา

หลายคนถามว่าการทำ Raspberry Pi ตรวจวัดอุณหภูมิและการใช้ไฟตู้เย็นเชิงพาณิชย์ คุ้มไหม คำตอบคือให้ดู 3 มิติพร้อมกัน ได้แก่ การลดอาหารเสีย การลดค่าไฟ และการลด downtime จากความเสียหายหนัก สมมติคุณพบว่าซีลประตูเสื่อมทำให้คอมเพรสเซอร์กินไฟเพิ่ม 10–15% ตลอดทั้งเดือน หรือพบว่ามีพฤติกรรมเปิดประตูค้างช่วงจัดของซ้ำ ๆ จนทำให้อุณหภูมิฟื้นตัวช้าและกระทบคุณภาพวัตถุดิบ เพียงแค่แก้สองจุดนี้ ค่าใช้จ่ายของฮาร์ดแวร์ก็มักคืนทุนได้ค่อนข้างเร็ว ตัวอย่างการคิดแบบง่ายคือ:

Monthly Energy Waste Cost = Extra_kWh_per_day * 30 * Electricity_Rate
Food Loss Prevention Value = Estimated_spoilage_events_prevented * Average_loss_per_event
ROI Period (months) = Project_Cost / (Monthly Energy Waste Cost + Food Loss Prevention Value)

ถ้าคุณอยากคำนวณด้วย Python:

project_cost = 8500
extra_kwh_per_day_saved = 3.2
electricity_rate = 4.5
spoilage_prevented_per_month = 1
loss_per_event = 6000

monthly_energy_saved = extra_kwh_per_day_saved * 30 * electricity_rate
monthly_spoilage_saved = spoilage_prevented_per_month * loss_per_event
monthly_total_saved = monthly_energy_saved + monthly_spoilage_saved
roi_months = project_cost / monthly_total_saved

print("Monthly energy saved:", monthly_energy_saved)
print("Monthly spoilage saved:", monthly_spoilage_saved)
print("ROI (months):", round(roi_months, 2))

สำหรับธุรกิจอาหาร จุดที่คุ้มค่ามากที่สุดมักไม่ใช่ค่าไฟเพียงอย่างเดียว แต่คือการป้องกันเหตุการณ์เสียหายครั้งใหญ่ที่เกิดขึ้นเพียงครั้งเดียวแล้วต้นทุนพุ่งทันที

ต่อยอดสู่ Smart Kitchen Ecosystem และการบำรุงรักษาเชิงคาดการณ์

เมื่อระบบหลักทำงานนิ่งแล้ว คุณสามารถขยายมันไปไกลกว่าการวัดอุณหภูมิและกระแสไฟ เช่น เพิ่มเซ็นเซอร์เปิดปิดประตูเพื่อคำนวณความสัมพันธ์ระหว่างพฤติกรรมทีมกับภาระของคอมเพรสเซอร์ เพิ่มเซ็นเซอร์หลายจุดในตู้เพื่อดูการกระจายตัวของอุณหภูมิ เพิ่ม humidity control สำหรับห้องบ่มหรือ dry-aging หรือแม้แต่เชื่อมข้อมูลเข้ากับโมเดล machine learning แบบง่ายเพื่อทำนายความเสี่ยงที่คอมเพรสเซอร์กำลังเสื่อมสภาพ หากคุณทำหลายสาขา ก็อาจใช้ MQTT หรือ VPN เชื่อมหลาย node กลับมายังศูนย์กลางเดียวได้ นี่คือเสน่ห์ของ Open Source และ Creative DevOps อย่างแท้จริง: เริ่มจากปัญหาเล็กที่จับต้องได้ แล้วค่อยประกอบระบบนิเวศของข้อมูลให้แข็งแรงขึ้นทีละชั้น โดยที่เจ้าของระบบยังควบคุมสถาปัตยกรรมเองได้เต็มที่

สรุป: เปลี่ยนครัวที่เต็มไปด้วยความเสี่ยงให้กลายเป็นพื้นที่ที่ตัดสินใจด้วยข้อมูล

โปรเจกต์นี้ไม่ได้เป็นแค่การเอา Raspberry Pi ไปติดข้างตู้เย็น แต่คือการสร้างระบบเฝ้าระวังที่ช่วยให้คุณเข้าใจสุขภาพของตู้เย็น Walk-in แบบต่อเนื่องและเป็นรูปธรรม ตั้งแต่การเลือกเซ็นเซอร์ให้เหมาะกับความชื้น การติดตั้งอย่างปลอดภัย การเก็บข้อมูลด้วย Python และ InfluxDB การมองเห็นด้วย Grafana ไปจนถึงการแจ้งเตือนเมื่อเริ่มมีสัญญาณผิดปกติ หากคุณกำลังมองหาแนวทาง Raspberry Pi ตรวจวัดอุณหภูมิและการใช้ไฟตู้เย็นเชิงพาณิชย์ เพื่อป้องกันอาหารเสีย ลดค่าไฟ และยกระดับการดูแลอุปกรณ์แบบมืออาชีพ นี่คือหนึ่งในโปรเจกต์ Open Source ที่คุ้มค่ามากที่สุดในการเริ่มต้น สิ่งสำคัญคืออย่ามองระบบนี้เป็นเพียง gadget แต่ให้มองมันเป็นเครื่องมือ audit ที่ช่วยเปลี่ยน “ความวุ่นวายในครัว” ให้กลายเป็น “ข้อมูลที่นำไปสู่การตัดสินใจที่แม่นยำ” และเมื่อคุณมีข้อมูลจริง คุณจะไม่ต้องเดาอีกต่อไปว่าตู้เย็นของคุณกำลังมีปัญหาหรือไม่ เพราะระบบจะเป็นคนบอกคุณก่อนที่ความเสียหายจะเกิดขึ้น