fieldid E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น
สืบค้น:

เขตข้อมูล ข้อมูล
บทคัดย่อ
การขยายข้อมูลในทางเวลาสำหรับการเรียนรู้เชิงลึกเพื่อใช้ในการตรวจจับความผิดปกติทางอุตสาหกรรม : การตรวจจับความผิดปกติในกระบวนการทางอุตสาหกรรมอย่างทันท่วงทีถือเป็นสิ่งสำคัญยิ่ง เนื่องจากสามารถป้องกันความเสียหาย ลดต้นทุน และเพิ่มความปลอดภัย ในปัจจุบันการเก็บข้อมูลการทำงานของเครื่องจักรและกระบวนการต่างๆ อยู่ในรูปแบบชุดข้อมูล time series เพื่อใช้ในการวิเคราะห์ ซึ่งวิธีการตรวจจับอาศัยกฎเกณฑ์ที่ตั้งไว้ล่วงหน้า (Rule-based) วิธีการเหล่านี้มีข้อจำกัดเนื่องจากไม่สามารถปรับตัวกับความผิดปกติใหม่ๆได้ อีกทั้งยังต้องใช้ความเชี่ยวชาญเฉพาะด้านในการกำหนดกฎเกณฑ์ ในขณะที่วิธีการทางสถิติ (Statistical) เช่น การคำนวณค่าเบี่ยงเบนมาตรฐาน (Standard deviation) สามารถปรับตัวกับความผิดปกติได้ดีกว่า แต่ก็ยังมีข้อจำกัดในกรณีที่ความผิดปกติมีรูปแบบที่ซับซ้อน จึงนำวิธีการเรียนรู้เชิงลึก (Deep learning) ซึ่งเป็นเทคนิคการเรียนรู้ของเครื่องจักร (Machine learning) ที่ได้รับความนิยมอย่างมากในปัจจุบัน โดยมีสามารถเรียนรู้รูปแบบที่ซับซ้อนจากข้อมูลจำนวนมากและนำไปใช้ในการแก้ปัญหาต่างๆได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม หนึ่งในข้อจำกัดสำคัญของการเรียนรู้เชิงลึกคือการที่ต้องการข้อมูลจำนวนมากในการฝึกโมเดล ในกรณีของข้อมูลอุตสาหกรรม ข้อมูลความผิดปกติมักมีอยู่น้อยกว่าข้อมูลปกติ ทำให้โมเดลที่ฝึกมาจากข้อมูลเหล่านี้มีประสิทธิภาพในการตรวจจับความผิดปกติต่ำ ดังนั้นงานวิจัยชิ้นนี้จึงได้หยิบยกเทคนิคการขยายข้อมูลในทางเวลา (Time series data augmentation) ซึ่งเป็นเทคนิคที่ช่วยเพิ่มขนาดและความหลากหลายของข้อมูล time series โดยไม่ต้องเก็บข้อมูลใหม่ เพื่อแก้ปัญหาข้อมูลไม่เพียงพอในการฝึกโมเดลการเรียนรู้เชิงลึก ด้วยเทคนิคต่างๆ อาทิ Oversampling : เพิ่มจำนวนตัวอย่างของข้อมูลความผิดปกติ, Under sampling : ลดจำนวนตัวอย่างของข้อมูลปกติ เป็น
ผู้แต่ง
กฤชภัทร เบญจกรัณย์
ประเภทสิ่งพิมพ์
วิทยานิพนธ์ (MET) 2023
เลขหน้า
60
หัวเรื่อง
สถาบันเทคโนโลยีไทย-ญี่ปุ่น.สาขาเทคโนโลยีวิศวกรรม--วิทยานิพนธ์
หัวเรื่อง
เทคโนโลยีวิศวกรรม--วิทยานิพนธ์
เอกสารฉบับเต็ม
Download full text