การพยากรณ์ความเสียหายสเต็ปเปอร์มอเตอร์โดยใช้อัลกอริทึมการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอวิธีการพยากรณ์ความเสียหายของสเต็ปเปอร์มอเตอร์ในระบบอัตโนมัติสมัยใหม่ โดยเก็บข้อมูลจากเซนเซอร์ 5 ประเภท ได้แก่ กระแสไฟฟ้า แรงดันไฟฟ้า แรงบิด อุณหภูมิ และการสั่นสะเทือน พร้อมบันทึกข้อมูลวันที่ เวลา และค่าความผิดพลาดในการเคลื่อนที่ เป็นระยะเวลา 3 เดือน การวิจัยนี้เปรียบเทียบประสิทธิภาพของอัลกอริทึมการเรียนรู้ของเครื่อง 3 แบบ ได้แก่ เกรเดียนท์บูสต์ทรี (Gradient Boosted Trees) ดีปเลิร์นนิง (Deep Learning) และเอ็กซ์ตรีมเกรเดียนท์บู๊สติ้ง (Extreme Gradient Boosting) ผลการวิจัยพบว่า เกรเดียนท์บูสต์ทรีมีประสิทธิภาพสูงสุด ด้วยความแม่นยำร้อยละ 91.17 และสามารถพยากรณ์โอกาสเกิดความเสียหายร้อยละ 90 ภายในระยะเวลา 5-6 เดือน การวิเคราะห์ความสำคัญของตัวแปรพบว่า ปัจจัยด้านเวลาและการสั่นสะเทือนมีผลต่อการเสื่อมสภาพของมอเตอร์มากที่สุด คิดเป็นร้อยละ 55.32 และ 28.35 ตามลำดับ ผลการวิจัยนี้สามารถนำไปประยุกต์ใช้ในการวางแผนบำรุงรักษาเชิงคาดการณ์ เพื่อลดการหยุดชะงักของสายการผลิตและเพิ่มประสิทธิภาพการผลิตโดยรวม
คําสําคัญ: สเต็ปเปอร์มอเตอร์ การพยากรณ์ความเสียหาย การเรียนรู้ของเครื่อง เกรเดียนท์บูสต์ทรี การบำรุงรักษาเชิงคาดการณ์
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวารสารวิทยาศาสตร์และเทคโนโลยีถือเป็นลิขสิทธิ์ของวารสารวารสารวิทยาศาสตร์และเทคโนโลยีหากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวารสารวิทยาศาสตร์และเทคโนโลยี ก่อนเท่านั้น
เอกสารอ้างอิง
Carvalho, T. P., Soares, F. A., Vita, R., Francisco, R. D. P., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024.
Chen, B., Wan, J., Shu, L., Li, P., Mukherjee, M., & Yin, B. (2017). Smart factory of industry 4.0: Key technologies, application case, and challenges. Ieee Access, 6, 6505-6519.
Lei, Y., Jia, F., Lin, J., Xing, S., & Ding, S. X. (2016). An intelligent fault diagnosis method using unsupervised feature learning towards mechanical big data. IEEE Transactions on, 63(5), 3137-3147.
Liu, Y., Zhou, H., Tsung, F., & Zhang, S. (2019). Real-time quality monitoring and diagnosis for manufacturing process profiles based on deep belief networks. Computers & Industrial Engineering, 136, 494-503.
Rojko, A. (2017). Industry 4.0 concept: Background and overview. International Journal of Interactive Mobile Technologies, 11(5), 77-90.
Susto, G. A., Schirru, A., Pampuri, S., McLoone, S., & Beghi, A. (2014). Machine learning for predictive maintenance: A multiple classifier approach. IEEE Transactions on Industrial Informatics, 11(3), 812-820.
Wang, J., Ma, Y., Zhang, L., Gao, R. X., & Wu, D. (2018). Deep learning for smart manufacturing: Methods and applications. Journal of manufacturing systems, 48, 144-156.
Yang, L., & Shami, A. (2020). On hyperparameter optimization of machine learning algorithms: Theory and practice. Neurocomputing, 415, 295-316.
Zhang, W., Yang, D., & Wang, H. (2019). Data-driven methods for predictive maintenance of industrial equipment: A survey. IEEE Systems Journal, 13(3), 2213-2227.
