Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/58338
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorพีรพล เวทีกูล-
dc.contributor.authorมนัสกานต์ เสน่หา-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2018-04-11T01:37:46Z-
dc.date.available2018-04-11T01:37:46Z-
dc.date.issued2559-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/58338-
dc.descriptionวิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2559-
dc.description.abstractในการดำเนินการของโรงไฟฟ้าหรือโรงงาน เครื่องจักรและอุปกรณ์ต้องมีความน่าเชื่อถือ พร้อมใช้งาน และทำงานได้อย่างต่อเนื่องตลอดเวลาเพื่อการผลิตได้อย่างมีประสิทธิภาพ การทำนายอายุการใช้งานคงเหลือ (Remaining Useful Life Prediction) ของอุปกรณ์ เป็นการดำเนินการในงานวางแผนบำรุงรักษาแบบทำนายล่วงหน้า (Predictive Maintenance) ซึ่งมีข้อดีคือ สามารถลดค่าใช้จ่ายของการบำรุงรักษาเชิงป้องกันและแก้ไข โดยวิธีการทำนายส่วนใหญ่ที่มีอยู่ในปัจจุบันจะเลือกวิเคราะห์ข้อมูลจุดวัดแต่ละจุดของอุปกรณ์แยกกัน ซึ่งไม่มีการพิจารณาถึงความสัมพันธ์ระหว่างจุดวัดกับจุดวัดและความสัมพันธ์ระหว่างจุดวัดกับช่วงเวลา ในวิทยานิพนธ์นี้ได้มีการประยุกต์ใช้โครงข่ายประสาทเทียมคอนโวลูชัน (Convolution Neural Network; CNN) ซึ่งเป็นการวิเคราะห์อนุกรมเวลาแบบหลายตัวแปร ทั้งในแง่ของความสัมพันธ์ระหว่างจุดวัดกับจุดวัดและความสัมพันธ์ของจุดวัดกับช่วงเวลา นอกจากนี้ยังได้นำเทคนิคต่าง ๆ มาใช้ในการปรับปรุงการเรียนรู้ของแบบจำลองที่นำเสนอให้มีประสิทธิภาพดีขึ้น ได้แก่ การป้องกันการอิงกับข้อมูลเรียนรู้มากเกินไป (Overfitting) ด้วยดรอปเอาท์ การทำเรกูลาร์ไรเซชันแบบแอลสอง (L2 Regularization) เพื่อลดความซ้ำซ้อนของแบบจำลอง และการปรับค่าน้ำหนักและอัตราการเรียนรู้ด้วยเกรเดียนที่ปรับตัวได้ (Adaptive Gradient Method; AdaGrad) สำหรับการทดลองได้แสดงให้เห็นถึงประสิทธิภาพโดยใช้ค่าความคลาดเคลื่อนของการทำนาย ได้แก่ ค่ารากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Root Mean Square Error; RMSE) บนชุดข้อมูลที่มีคุณสมบัติแบบอนุกรมเวลาหลายตัวแปรที่มีการเผยแพร่โดยทั่วไปและชุดข้อมูลจากการดำเนินการจริงของอุปกรณ์ตัวอย่างในโรงไฟฟ้า-
dc.description.abstractalternativeIn the operation of power plants or factories, machinery and equipment must be reliable, ready to use and work continuously for efficient production. The Remaining Useful Life (RUL) prediction of equipment is performed in Predictive Maintenance (PdM) process which can reduce the cost of corrective and preventive maintenance. Most of existing models analyse sensor data separately; univariate analysis and rarely considers relationship between sensors and time. In this research, we applied a Convolutional Neural Network (CNN) which considers both dimensions, including time and sensors; multivariate time series analysis to predict the RUL of machine. In addition, many techniques have been applied to improve the learning of the proposed model in order to increase the performance, including dropout which prevent overfitting problem of model, model’s complexity reduction with L2 Regularization and the Adaptive Gradient Descent (AdaGrad) to adjust the weight and learning rate of model while training. The performance was demonstrated in the experiments using the error of the prediction in term of the Root Mean Square Error (RMSE) on the datasets with the multivariate time series property on a standard benchmark datasets and dataset from the actual operation of sample equipment in power plants.-
dc.language.isoth-
dc.publisherจุฬาลงกรณ์มหาวิทยาลัย-
dc.relation.urihttp://doi.org/10.58837/CHULA.THE.2016.820-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัย-
dc.titleการทำนายอายุการใช้งานคงเหลือของเครื่องจักรด้วยเน็ตเวิร์กคอนโวลูชันเชิงลึกที่เพิ่มประสิทธิภาพ-
dc.title.alternativeRemaining Useful Life Prediction of Machine Using Enhanced Deep Convolutional Neural Network-
dc.typeThesis-
dc.degree.nameวิทยาศาสตรมหาบัณฑิต-
dc.degree.levelปริญญาโท-
dc.degree.disciplineวิทยาศาสตร์คอมพิวเตอร์-
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัย-
dc.email.advisorPeerapon.V@chula.ac.th,peerapon.V@chula.ac.th-
dc.identifier.DOI10.58837/CHULA.THE.2016.820-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
5870956621.pdf3.08 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.