ปัจจุบันแบตเตอรี่ลิเทียมถูกใช้งานอย่างแพร่หลายในอุปกรณ์อิเล็กทรอนิกส์และยานยนต์ไฟฟ้า ทำให้การประมาณสถานะสุขภาพ (State of Health: SOH) ของแบตเตอรี่มีความสำคัญอย่างมาก เนื่องจากสามารถช่วยยืดอายุการใช้งาน ลดค่าใช้จ่ายในการบำรุงรักษา และป้องกันปัญหาด้านความปลอดภัย เช่น ความร้อนสูงเกินหรือการระเบิด โครงงานนี้มีวัตถุประสงค์เพื่อศึกษาและวิเคราะห์แบบจำลองทางคณิตศาสตร์ของแบตเตอรี่ ตลอดจนพัฒนาเทคนิคการประมาณสถานะสุขภาพโดยใช้โครงข่ายประสาทเทียม (Neural Networks) เพื่อเพิ่มความแม่นยำและความรวดเร็วในการประเมิน การทดลองได้ทำการเก็บข้อมูลการประจุและคายประจุของแบตเตอรี่ลิเทียมจำนวน 3 เซลล์ ภายใต้อุณหภูมิที่ควบคุม และใช้กระแสคงที่ในการชาร์จและคายประจุไฟฟ้า พร้อมทั้งบันทึกค่ากระแส แรงดัน และเวลา จากนั้นนำข้อมูลที่ได้มาวิเคราะห์เพื่อหาค่าความจุของแบตเตอรี่ในแต่ละรอบการใช้งาน และใช้เป็นข้อมูลฝึกสอนโครงข่ายประสาทเทียม ผลลัพธ์ที่ได้ช่วยให้สามารถคาดการณ์สถานะสุขภาพของแบตเตอรี่ได้อย่างมีประสิทธิภาพ ผลจากโครงงานนี้สามารถนำไปพัฒนาระบบจัดการแบตเตอรี่ (Battery Management System) เพื่อช่วยปรับปรุงประสิทธิภาพและยืดอายุการใช้งานของแบตเตอรี่ ทั้งยังเป็นแนวทางในการนำเทคนิคปัญญาประดิษฐ์มาประยุกต์ใช้ในงานด้านพลังงานอย่างมีประสิทธิภาพ
เนื่องจากปัจจุบันมีการใช้งานแบตเตอรี่ลิเทียมในอุปกรณ์อิเล็กทรอนิกส์ เช่น โทรศัพท์มือถือ และยานยนต์ไฟฟ้าอย่างแพร่หลาย การประเมินสถานะสุขภาพของแบตเตอรี่จึงเป็นสิ่งสำคัญที่ช่วยยืดอายุการใช้งาน ลดค่าใช้จ่ายในการบำรุงรักษา และป้องกันการเสื่อมสภาพที่อาจนำไปสู่ปัญหาด้านความปลอดภัย เช่น ความร้อนสูงเกินหรือการระเบิด ทำให้การประมาณสถานะสุขภาพมีส่วนช่วยลดความเสี่ยงในการใช้งานแบตเตอรี่และเพิ่มประสิทธิภาพในการใช้พลังงานให้เกิดประโยชน์สูงสุด อีกทั้งการประเมินสถานะสุขภาพนี้ยังช่วยลดต้นทุนการเปลี่ยนแบตเตอรี่บ่อยครั้งที่อาจเกิดขึ้นจากการใช้งานที่ไม่ถูกต้อง ปัญหาของการเสื่อมสภาพของแบตเตอรี่เกิดขึ้นจากการใช้งานที่ต่อเนื่อง ทั้งการประจุไฟฟ้าและการคายประจุไฟฟ้า ซึ่งจะมีผลให้ความเสถียรของแบตเตอรี่ลดลงไปเรื่อยๆ การตรวจสอบสถานะสุขภาพแบตเตอรี่เป็นการแก้ปัญหาหนึ่ง แต่เทคนิคที่มีอยู่เดิมอาจใช้เวลานานหรือมีความแม่นยำที่ไม่เพียงพอ การนำเทคโนโลยีปัญญาประดิษฐ์ โดยเฉพาะโครงข่ายประสาทเทียม (Neural Networks) เข้ามาประยุกต์ใช้จึงเป็นทางเลือกใหม่ที่ช่วยให้การประเมินสถานะสุขภาพแม่นยำขึ้นและรวดเร็วขึ้น การพัฒนาอัลกอริทึมสำหรับการคาดการณ์จากข้อมูลการประจุไฟฟ้าและการคายประจุไฟฟ้าของแบตเตอรี่ช่วยให้เกิดโมเดลที่สามารถเรียนรู้จากข้อมูลในอดีตและคาดการณ์สถานะสุขภาพของแบตเตอรี่ในอนาคตได้
คณะวิศวกรรมศาสตร์
โครงการสหกิจนี้มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพกระบวนการผลิต Hydrogen Manufacturing Unit 2 (HMU-2) และ Pressure Swing Adsorption 3 (PSA-3) โดยการใช้แบบจำลองกระบวนการ AVEVA Pro/II และ แบบจำลอง Machine Learning เพื่อจำลองกระบวนการ ผลการศึกษาพบว่า แบบจำลอง AVEVA Pro/II สามารถทำนายผลลัพธ์ โดยมีความคลาดเคลื่อนอยู่ในช่วง 0–35% มีความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA สูงถึง 12% เกินเกณฑ์ 10% ที่บริษัทยอมรับได้ จึงได้พัฒนาแบบจำลอง Machine Learning โดยการปรับไฮเปอร์พารามิเตอร์ของอัลกอริทึมแบบ Random Forest ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำสูง มีค่า Mean Squared Error (MSE) มีค่า 8.48 และ 0.18 สำหรับข้อมูลกระบวนการ และ ข้อมูลห้องปฏิบัติการ และ R-squared มีค่า 0.98 และ 0.88 สำหรับข้อมูลชุดเดียวกัน และพบว่าสามารถทำนายผลลัพธ์ได้แม่นยำกว่าแบบจำลอง AVEVA Pro/II ในทุกๆ ตัวแปร สามารถลดความคลาดเคลื่อนของอัตราการไหลของไฮโดรเจนจากหน่วย PSA เหลือเพียง 4.75 และ 1.35% สำหรับอัตราการผลิต 180 และ 220 ตันต่อวันตามลำดับ จึงได้นำแบบจำลองมาทำการ Optimization ตัวแปรกระบวนการ พบว่าสามารถให้ข้อแนะนำในการปรับค่าตัวแปรต่างๆ ได้ โดยสามารถเพิ่มผลผลิตไฮโดรเจนได้ 7.8 ตันต่อวัน และสร้างผลกำไรเพิ่มขึ้น 850,966.23 บาทต่อปี
คณะวิศวกรรมศาสตร์
ถังบรรจุก๊าซความดันสูงที่ผลิตจากวัสดุประกอบ ได้แก่ คาร์บอนไฟเบอร์ เรซิน และพลาสติก ถูกออกแบบสำหรับบรรจุก๊าซธรรมชาติอัด (CNG) หรือไฮโดรเจน ซึ่งถูกเรียกว่าถังความดันสูง แบบที่4 โดยในงานวิจัยนี้ได้ออกแบบให้รองรับการใช้งานที่ความดัน 250 บาร์ สำหรับการขนส่งก๊าซธรรมชาติอัด
คณะวิศวกรรมศาสตร์
ปัจจุบันมีการพัฒนาเทคโนโลยียานยนต์ที่ขับเคลื่อนด้วยพลังงานไฟฟ้า (Electric Vehicle: EV) ทดแทนเทคโนโลยียานยนต์พลังงานน้ำมันเชื้อเพลิง (Internal Combustion Engine: ICE) เพื่อลดปัญหามลพิษสิ่งแวดล้อมที่มีแนวโน้มสูงขึ้นในทุกประเทศทั่วโลก ซึ่งประเทศไทยเริ่มมีการผลักดันนโยบายการส่งเสริมยานยนต์พลังงานไฟฟ้าผ่านหลายกระทรวงที่เกี่ยวข้องตลอดระยะเวลาที่ผ่านมา เช่น การนำรถโดยสารไฟฟ้ามาทดสอบให้บริการประชาชนผ่านหน่วยงาน ขสมก. แต่อุปสรรคสำคัญของโครงการคือต้นทุนเริ่มต้นของราคายานยนต์ไฟฟ้ามีราคาสูง แม้ว่ายานยนต์ไฟฟ้าจะมีค่าดำเนินการต่อระยะทางต่ำกว่าการใช้เชื้อเพลิงฟอสซิลมากก็ตาม จึงทำให้ผู้ประกอบการยังไม่ให้ความสนใจในการเปลี่ยนการใช้งานจากรถเครื่องยนต์สันดาปภายในเป็นยานยนต์ไฟฟ้า ดังนั้นการดัดแปลงรถเดิมเป็นรถไฟฟ้าจึงเป็นทางเลือกหนึ่งที่จะช่วยลดต้นทุนส่วนนี้ลงได้ โครงการนี้จะใช้เทคโนโลยีนี้กับการดัดแปลงรถกระบะเก่าให้เป็นรถ 2 แถวไฟฟ้า เพราะการใช้งานรถ 2 แถวมีระยะทางเฉลี่ยต่อวันค่อนข้างคงที่ ทำให้การออกแบบที่เหมาะสมมีเงื่อนไขที่ไม่เป็นอุปสรรคมากนัก และผู้ประกอบการขับรถ 2 แถว มีข้อจำกัดด้านงบประมาณในการเปลี่ยนไปใช้ยานยนต์ไฟฟ้า ดังนั้นโครงการนี้จะส่งผลให้เป็นการผลักดันให้เกิดการเปลี่ยนแปลงไปใช้งานยานยนต์ไฟฟ้ามากขึ้น นอกจากนี้เมื่อรถเครื่องยนต์สันดาปลดลงจะช่วยทำให้สิ่งแวดล้อมดีขึ้นด้วย