กลับไปที่นวัตกรรมทั้งหมด
การมอนิเตอร์แบบเรียลไทม์และการบำรุงรักษาเชิงคาดการณ์โดยใช้ tinyML
Real-time Monitoring and Predictive Maintenance Using tinyML
@คณะวิศวกรรมศาสตร์
#KLLC 2024
#Industry 4.0
รายละเอียด
โครงงานนี้นำเสนอระบบการตรวจสอบและบำรุงรักษาเชิงคาดการณ์แบบเรียลไทม์โดยใช้ Machine Learning ขนาดเล็ก (tinyML) ใช้ชุดพัฒนา SensorTile เป็น Remote Terminal Units (RTU) เพื่อรวบรวมข้อมูลเซ็นเซอร์และใช้ Raspberry Pi เป็นเกตเวย์สำหรับการรวมและส่งข้อมูลผ่าน MQTT ไปยังเซิร์ฟเวอร์ ระบบประกอบด้วยโมเดลการคาดการณ์ที่ฝังอยู่ใน SensorTile ซึ่งเป็นการประมวลผลบนอุปกรณ์ เพื่อการตรวจจับเครื่องจักรที่มีปัญหาก่อนที่จะเสียหาย และมีเว็บแอปพลิเคชันอำนวยความสะดวกในการแสดงผลข้อมูลและการจัดการอุปกรณ์ วิธีแก้ปัญหาที่ครอบคลุมนี้ช่วยเพิ่มประสิทธิภาพการดำเนินงานทางอุตสาหกรรม ลดการหยุดทำงาน และปรับกำหนดเวลาการบำรุงรักษาให้เหมาะสม
วัตถุประสงค์
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
ผู้จัดทำ
ธนนนท์ สมบูรณ์
THANANON SOMBOON
#นักศึกษา
สมาชิก
ชินพัฒน์ ลิ้มประธาน
CHINNAPAT LIMPRATHAN
#นักศึกษา
สมาชิก
ญาณวุฒิ ถิ่นแถลบ
YANNAWUT TINTALAB
#นักศึกษา
สมาชิก
สรยุทธ กลมกล่อม
Sorayut Glomglome
#อาจารย์
อาจารย์ที่ปรึกษา
โหวตนวัตกรรมนี้
กำลังดาวน์โหลด
Powered By KMITL Innovation Project