Details

This project introduces a real-time monitoring and predictive maintenance system using tiny Machine Learning (tinyML). It employs SensorTile development kits as Remote Terminal Units (RTUs) to gather sensor data and a Raspberry Pi gateway for data aggregation and transmission via MQTT to a server. The system includes predictive models embedded in the SensorTile as edge computing for early detection of machinery issues. A web application facilitates data visualization and device management. This comprehensive solution enhances industrial operational efficiency, reduces downtime, and optimizes maintenance scheduling.

Objective

ในสภาพแวดล้อมทางอุตสาหกรรม ความล้มเหลวในการทำงานของอุปกรณ์นำไปสู่การหยุดทำงานที่สำคัญในระบบอุตสาหกรรม และค่าบำรุงรักษาสูง โดยเฉพาะอย่างยิ่งความล้มเหลวของมอเตอร์ไฟฟ้าเป็นปัญหาทั่วไปที่อาจส่งผลให้เกิดการหยุดทำงานโดยไม่ได้วางแผนและการซ่อมแซมที่มีค่าใช้จ่ายสูง วิธีการบำรุงรักษาแบบดั้งเดิมโดยอาศัยการตรวจสอบและซ่อมแซมเป็นประจำอาจใช้เวลานานและมีค่าใช้จ่ายสูง ซึ่งระบบการบำรุงรักษาเชิงคาดการณ์ในปัจจุบันมักจะเป็นการทำงานบนคลาวน์เซอร์วิส ทำให้ต้องมีการรับส่งข้อมูลไปยังคลาวน์เป็นจำนวนมาก กลับกลายเป็นว่าลดระยะเวลาการหยุดทำงานจริง แต่จะต้องทำการเสียค่าใช้จ่ายในส่วนของค่าบริการคลาวน์เซอร์วิสมากขึ้นตามจำนวนของข้อมูลที่รับส่งไป
           	เพื่อแก้ไขปัญหานี้ จึงได้เสนอการพัฒนาระบบการตรวจสอบแบบเรียลไทม์และการบำรุงรักษาเชิงคาดการณ์โดยใช้ TinyML เพื่อคาดการณ์ระดับความเสียหายของมอเตอร์ไฟฟ้าก่อนที่จะเกิดขึ้น ด้วยการตรวจจับการเปลี่ยนแปลงของรูปแบบการสั่นสะเทือน ระบบสามารถระบุปัญหาที่อาจเกิดขึ้นและสร้างการแจ้งเตือนแบบเรียลไทม์ ทำให้สามารถบำรุงรักษาเชิงรุกและลดเวลาหยุดทำงานของอุปกรณ์ และด้วยการใช้อัลกอริทึมการเรียนรู้ของเครื่องเพื่อคาดการณ์ความล้มเหลวของมอเตอร์นั้น จะต้องทำการฝึกและรันโมเดลบนคลาวด์คอมพิวติ้งให้เสร็จ แล้วจึงนำไปติดตั้งลงบนบอร์ด Microcontroller ซึ่งเป็นวิธีที่ยากและไม่สะดวก เนื่องจากบอร์ด STM32 จะต้องเชื่อมต่อระบบเน็ตเวิร์ค แต่ด้วยสภาพแวดล้อมในโรงงาน ทำให้การเชื่อมต่ออาจจะไม่เสถียร เราจึงตั้งเป้าที่จะรันโมเดล TinyML บนบอร์ด STM32 เพื่อเพิ่มประสิทธิภาพและลดการใช้พลังงาน การใช้บอร์ด STM32 จะช่วยให้สามารถติดตั้งระบบตรวจเข้ากับมอเตอร์ได้โดยตรง ลดความจำเป็นในการประมวลผลและการสื่อสารจากภายนอกเช่นคลาวด์คอมพิวติ้ง ซึ่งจะส่งผลให้ระบบมีความคล่องตัวและคุ้มค่ามากขึ้น นอกจากนี้ได้พัฒนาเว็บแอปพลิเคชันสำหรับการตรวจสอบสภาพมอเตอร์และการสร้างการแจ้งเตือนยังมีส่วนต่อประสานที่ใช้งานง่ายและเป็นมิตรกับผู้ใช้สำหรับผู้ปฏิบัติงานและเจ้าหน้าที่ซ่อมบำรุง  เว็บแอปพลิเคชันจะช่วยให้พวกเขาเห็นภาพสถานะของมอเตอร์ได้อย่างรวดเร็วและดำเนินการเพื่อป้องกันความล้มเหลวที่อาจเกิดขึ้นได้
           	ด้วยการใช้แนวทางที่ขับเคลื่อนด้วยข้อมูลเพื่อการบำรุงรักษาเชิงคาดการณ์และรวมการใช้บอร์ด STM32 สำหรับการฝึกโมเดล TinyML ระบบที่เรานำเสนอมีเป้าหมายเพื่อลดต้นทุนการบำรุงรักษาและเพิ่มความน่าเชื่อถือของอุปกรณ์ ปรับปรุงประสิทธิภาพการผลิตและผลกำไรสำหรับการดำเนินการทางอุตสาหกรรมในท้ายที่สุด

Project Members

ธนนนท์ สมบูรณ์

THANANON SOMBOON

#นักศึกษา

Member

ชินพัฒน์ ลิ้มประธาน

CHINNAPAT LIMPRATHAN

#นักศึกษา

Member

ญาณวุฒิ ถิ่นแถลบ

YANNAWUT TINTALAB

#นักศึกษา

Member

สรยุทธ กลมกล่อม

Sorayut Glomglome

#อาจารย์

Advisor

Vote for this Innovation!