fieldid E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น
สืบค้น:

เขตข้อมูล ข้อมูล
บทคัดย่อ
การวิเคราะห์แรงบิดเพื่อตรวจจับความผิดปกติวาล์วที่ใช้มอเตอร์ด้วยเทคนิคการเรียนรู้เครื่อง : ในอุตสาหกรรมกระบวนการ การเกิดการหยุดเดินเครื่อง (Shutdown) โดยไม่คาดคิดส่งผลให้เกิดความเสียหายทั้งด้านการผลิตและต้นทุนการดำเนินงาน Motor-Operated Valve (MOV) เป็นหนึ่งในอุปกรณ์ที่อาจเป็นสาเหตุของการเกิด Unplanned Shutdown โดยชิ้นส่วนที่มีแนวโน้มก่อให้เกิดปัญหามากที่สุดส่วนหนึ่งคือ Drive Bush ซึ่งเป็นชิ้นส่วนที่เกิดการสึกหรอจากการใช้งาน หากสามารถคาดการณ์ระดับการสึกหรอได้ล่วงหน้า จะช่วยให้สามารถวางแผนบำรุงรักษาเชิงคาดการณ์และลดโอกาสการหยุดเดินเครื่องที่ไม่คาดคิดได้ งานวิจัยนี้พัฒนาแบบจำลองการเรียนรู้ของเครื่องสำหรับจำแนกระดับการสึกหรอของ Drive Bush ในมอเตอร์ขับวาล์ว โดยแบ่งระดับการสึกหรอออกเป็น 4 ระดับ โดยใช้ข้อมูลโปรไฟล์แรงบิด–ตำแหน่ง 1600 ตัวอย่าง ภายใต้สภาวะการทดสอบเดียวกันแต่จำลองระดับการสึกหรอ ข้อมูลถูกแบ่งออกเป็นชุดฝึกสอน ชุดตรวจสอบความถูกต้อง และชุดทดสอบ สำหรับการประเมินแบบ Train–Test Split และเพิ่มเติมด้วยการทำ K-Fold Cross Validation เพื่อประเมินความคงที่ของแบบจำลอง การศึกษาครั้งนี้เปรียบเทียบโมเดลแบบรวมกลุ่ม ensemble จำนวน 5 แบบ ได้แก่ Random Forest XGBoost AdaBoost LightGBM และ CatBoost ภายใต้การแบ่งข้อมูลแบบ Train–Test Split โดย XGBoost และ LightGBM ให้ผลลัพธ์ดีที่สุด มีค่าความถูกต้อง (Accuracy) ได้ 0.9875 ค่าความแม่นยำ (Precision) 0.9881 ค่า Recall 0.9875 และค่า F1-Score 0.9878 และผลจาก K-Fold Cross Validation ยังยืนยันประสิทธิภาพสูงอย่างสม่ำเสมอของทั้งสองโมเดลในการจำแนกระดับการสึกหรอของ Drive Bush ขณะที่ AdaBoost ให้ผลการทำนายต่ำที่สุดเมื่อเทียบกับแบบจำลองอื่น
ผู้แต่ง
ฐาปน สิทธิเลิศพิศาล
ประเภทสิ่งพิมพ์
วิทยานิพนธ์ (MIT) 2025
เลขหน้า
67
หัวเรื่อง
เทคโนโลยีสารสนเทศ--วิทยานิพนธ์
เอกสารฉบับเต็ม
Download full text