Abstract:
ความท้าทายหลักในการบำรุงรักษาเชิงคาดการณ์คือปัญหาการขาดแคลนข้อมูลความผิดปกติของเครื่องจักรสำหรับใช้ในการฝึกสอนแบบจำลอง และความซับซ้อนของระบบโรงงานซึ่งมีสภาพการทำงานของเครื่องจักรที่ไม่แน่นอน ทำให้เกณฑ์ตรวจจับความผิดปกติที่ถูกกำหนดไว้ล่วงหน้าอาจเปลี่ยนแปลงได้ การตรวจจับความแปลกใหม่ (novelty detection) แก้ปัญหาดังกล่าวโดยการตรวจจับความผิดปกติผ่านการเรียนรู้เฉพาะข้อมูลปกติเท่านั้น วิทยานิพนธ์นี้ใช้วิธีการตรวจจับความแปลกใหม่เพื่อตรวจจับสัญญาณเริ่มต้นของความเสียหายในคอมเพรสเซอร์แบบลูกสูบโดยใช้ตัวเข้ารหัสอัตโนมัติประเภทหน่วยความจำระยะสั้นแบบยาว ตัวเข้ารหัสอัตโนมัติประเภทหน่วยความจำระยะสั้นแบบยาวเป็นขั้นตอนวิธีการเรียนรู้เชิงลึกที่รวมตัวเข้ารหัสอัตโนมัติและเครือข่ายหน่วยความจำระยะสั้นแบบยาวเข้าด้วยกัน เพื่อสร้างข้อมูลปกติขึ้นมาใหม่เพื่อเรียนรู้ความสัมพันธ์ของข้อมูลที่ไม่เป็นเชิงเส้นและความสัมพันธ์เชิงเวลา คุณลักษณะทางกายภาพเพิ่มเติมของเครื่องจักรถูกคำนวณจากสมการอุณหพลศาสตร์เพื่อช่วยในการระบุความสัมพันธ์ระหว่างตัวแปรแต่ละตัว ชั้นดรอปเอาท์ (dropout layer) ถูกใช้เพื่อสร้างแบบจำลองร่วมตัดสินใจของโครงข่ายประสาทเทียม แบบจำลองนี้ได้รับการฝึกสอนด้วยข้อมูลเซ็นเซอร์อนุกรมเวลาแบบหลายตัวแปรที่ถูกรวบรวมมาจากช่วงเวลาที่เครื่องจักรทำงานเป็นปกติโดยบริษัท ระยองวิศวกรรมและซ่อมบำรุง จำกัด แผนงานวิจัยได้รับการทดสอบกับรูปแบบความเสียหายที่ถูกจำลองขึ้นของคอมเพรสเซอร์ ผลการวิจัยชี้ให้เห็นว่าตัวเข้ารหัสอัตโนมัติประเภทหน่วยความจำระยะสั้นแบบยาวสามารถแยกความแตกต่างระหว่างรูปแบบความปกติและรูปแบบความเสียหายของคอมเพรสเซอร์ได้อย่างมีประสิทธิภาพด้วยความเที่ยงตรงสูงสุด 90% และความถูกต้อง 100% สุดท้ายจึงสร้างสัญญาณเตือนเพื่อจำแนกความเสียหายที่ตรวจจับได้ออกเป็น 3 ระดับตามความรุนแรง
