การพยากรณ์ดัชนีสุขภาพของมอเตอร์เหนี่ยวนำแบบเรียลไทม์ในโรงงานปิโตรเคมี โดยใช้การเรียนรู้ของเครื่อง

วริศรา ขระเขื่อน

dc.contributor.advisor	ปารเมศ ชุติมา
dc.contributor.author	วริศรา ขระเขื่อน
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2022-07-23T05:14:54Z
dc.date.available	2022-07-23T05:14:54Z
dc.date.issued	2564
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/80108
dc.description	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564
dc.description.abstract	เอกสารฉบับนี้นำเสนอการทำนายดัชนีสุขภาพของมอเตอร์เหนี่ยวนำแบบเรียลไทม์ ที่ใช้ในโรงงานปิโตรเคมีกรณีศึกษาผ่านการใช้เซ็นเซอร์อัจฉริยะและแบบจำลองการเรียนรู้ของเครื่อง ที่ในปัจจุบันวิศวกรซ่อมบำรุง ใช้เทคนิคการบำรุงรักษาตามเวลาและตามเงื่อนไขในการตรวจสอบและวินิจฉัยสภาพของมอเตอร์เหนี่ยวนำเป็นระยะๆ ซึ่งส่งผลต่อมอเตอร์ยังคงขัดข้องเสียหาย โดยการพังเสียหายดังกล่าวบางครั้งทำให้กระบวนการผลิตทั้งหมดต้องหยุดเพื่อทำการบำรุงรักษาแบบฉุกเฉิน ส่งผลให้บริษัทสูญเสียรายได้มหาศาล ดังนั้น ผู้บริหารระดับสูงจึงตัดสินใจเปลี่ยนวิธีในการปฏิบัติงานเดิมเป็นการบำรุงรักษาเชิงคาดการณ์แบบเรียลไทม์แทน โดยเซ็นเซอร์อัจฉริยะถูกติดตั้งบนมอเตอร์เหนี่ยวนำนี้ใช้เพื่อรวบรวมข้อมูลที่จำเป็นเกี่ยวกับสถานะการทำงานของมอเตอร์และเพื่อระบุความผิดปกติของมอเตอร์ก่อนที่จะเกิดความล้มเหลวขึ้น โดยแบบจำลองการเรียนรู้ของเครื่องทั้งสี่แบบที่ได้สร้างขึ้นมาของงานวิจัย ได้รับการตรวจสอบและเปรียบเทียบประสิทธิภาพผลลัพธ์เพื่อประเมินว่าแบบจำลองใดดีที่สุด ประกอบด้วย แบบจำลองโครงข่ายประสาทเทียม , แบบจำลองการเพิ่มประสิทธิภาพอนุภาคฝูง, แบบจำลองต้นไม้การตัดสินใจส่งเสริมการไล่ระดับสีและแบบจำลองป่าไม้สุ่ม ซึ่งเมตริกประสิทธิภาพมาตรฐานที่ใช้เพื่อเปรียบเทียบประสิทธิภาพสัมพัทธ์ระหว่างแต่ละแบบจำลองการเรียนรู้ของเครื่องต่างๆ ประกอบด้วย ค่าความถูกต้องแม่นยำ , ค่าความแม่นยำ , การเรียกคืน , คะแนน F1 และ เส้นโค้ง AUC-ROC ผลการวิจัยพบว่าแบบจำลองการเพิ่มประสิทธิภาพอนุภาคฝูง ไม่เพียงแต่ได้ค่าความเที่ยงตรงแบบถ่วงน้ำหนักเฉลี่ยสูงสุดเท่านั้น แต่ยังสามารถแยกแยะสถานะดัชนีสุขภาพของมอเตอร์ของมอเตอร์เหนี่ยวนำได้ถูกต้องกว่ารุ่นอื่นๆ
dc.description.abstractalternative	This paper presents real-time health index levels prediction of induction motors (IMs) utilised in a petrochemical plant through intelligent sensors and machine learning (ML) models. At present, maintenance engineers implement time-based and condition-based maintenance techniques in periodically examining and diagnosing IMs' health, which results in sporadic breakdowns to IMs. Such breakdowns sometimes force the entire production process to stop for emergency maintenance resulting in a massive loss in the company’s revenue. Hence, top management decides to switch the operational practice to real-time predictive maintenance instead. Intelligent sensors are installed on IMs to collect necessary information about their working statuses and to flag abnormalities of IMs before potential failures are reached. Four ML models are investigated to evaluate and compare the efficiency of which one is the best, i.e., Artificial Neural Network (ANN), Particle Swarm Optimization (PSO), Gradient Boosting Decision Trees (GBT), and Random Forest (RF). Standard performance metrics are used to compare the relative effectiveness among different ML models, including Accuracy, Precision, Recall, F1-score, and AUC-ROC curves. The results reveal that PSO not only obtains the highest average weighted Accuracy but also can differentiate the statuses of health index levels of the IM more correctly than other counterpart models.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2021.1007
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject.classification	Engineering
dc.title	การพยากรณ์ดัชนีสุขภาพของมอเตอร์เหนี่ยวนำแบบเรียลไทม์ในโรงงานปิโตรเคมี โดยใช้การเรียนรู้ของเครื่อง
dc.title.alternative	Real-time induction motor health index prediction in a petrochemical plant using machine learning
dc.type	Thesis
dc.degree.name	วิศวกรรมศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิศวกรรมอุตสาหการ
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2021.1007