ตรวจจับความผิดปกติของเครื่องจักรจากเสียง ด้วย Machine Learning แบบใหม่

หากคนเกิดอาการเจ็บป่วย ยังสามารถบอกได้ว่ามีอาการอย่างไร เจ็บ ปวด ไม่สบายตัวตรงไหน แล้วถ้าเครื่องจักรของคุณเกิดอาการผิดปกติขึ้นมา จะดีแค่ไหน หากรู้ได้ทันก่อนเครื่องจักรจะเกิดปัญหาขึ้น สามารถป้องกันความเสียหายและค่าใช้จ่ายที่ตามมา
นักวิจัยสถาบันเทคโนโลยีแห่งสหพันธ์สวิส ซือริช (Swiss Federal Institute of Technology in Zurich หรือ ETH) ได้พัฒนาวิธี
Machine Learning แบบใหม่ ที่สามารถตัดสินใจได้อัตโนมัติว่าเครื่องจักรนี้มีสภาพดีหรือต้องการการบำรุงรักษา
เครื่องจักร ดังกล่าวอาจเป็นเครื่องปั่นไฟ
ปั๊ม หรือ วาล์ว ต่างก็มีเสียงของตัวเองอยู่ เสียงของชิ้นส่วน เครื่องจักร หรือระบบนั้นมีเสียงที่ต่างกันไปเมื่ออยู่ในสภาพปกติและเมื่อมีจุดตำหนิเสียหายเกิดขึ้น
เสียงที่อุปกรณ์เหล่านี้ส่งออกมาเป็นสิ่งสำคัญที่ผู้เชี่ยวชาญจะใช้ตัดสินสภาพของเครื่องจักรได้ ว่าต้องมีการบำรุงรักษาหรือจำเป็นต้องซ่อมแซมอย่างเร่งด่วนหรือไม่ หากสามารถรู้ได้ทันก่อนเครื่องจักรเหล่านี้เกิดปัญหาขึ้น ก็จะสามารถช่วยป้องกันปัญหาล่วงหน้าและลดค่าใช้จ่ายจากความเสียหายก่อนเกิดปัญหาได้ ด้วยเหตุนี้ การเฝ้าระวังและตรวจสอบเสียงของเครื่องจักรจึงมีความจำเป็นสำหรับการดำเนินงานและการบำรุงรักษาโครงสร้างพื้นฐานเอาไว้ ยิ่งในปัจจุบันที่การบันทึกโทนเสียง เสียงรบกวน และสัญญาณเสียงต่าง ๆ ด้วยไมโครโฟนที่ทันสมัยมีราคาไม่แพงแล้ว
ในทางคณิตศาสตร์โทนเสียง เสียงรบกวน และเสียงทั่วไป สามารถแสดงออกมาเป็นคลื่นได้ วิธีวิเคราะห์และประมวลผลเสียงอย่าง
Wavelet Transformation จะแบ่งองค์ประกอบต่าง ๆ ของเสียงออกมาเป็นเวฟเล็ตจำนวนหนึ่ง ซึ่งเวฟเล็ตเหล่านี้คือการสั่นสะเทือนที่คล้ายคลื่นและมีการเปลี่ยนไปตามช่วงเวลา แนวคิดพื้นฐานของวิธีการนี้คือการตรวจสอบจำนวนคลื่นเวฟเล็ตที่มีอยู่ในสัญญาณ ถึงแม้ว่าวิธีการนี้จะค่อนข้างประสบความสำเร็จแต่ต้องใช้ประสบการณ์สูง และต้องมีการปรับพารามิเตอร์ด้วยตนเองทำให้ต้องมีผู้เชี่ยวชาญในการจัดการ
นักวิจัย ETH จึงได้พัฒนาวิธีการ Machine Learning แบบใหม่ ที่สามารถเรียนรู้ Wavelet Transformation ได้อย่างครบถ้วน ซึ่งวิธีการนี้เหมาะกับการรับสัญญาณที่มีความถี่สูง เช่น เสียงและการสั่นสะเทือน ทำให้ AI สามารถรับรู้ได้โดยอัตโนมัติว่าเครื่องจักรอยู่ในสภาพดีหรือไม่
วิธีการนี้ถูกพัฒนาขึ้น โดยนักวิจัย Gabriel Michau, Gaëtan Frusque และ Olga Fink ศาสตราจารย์ด้านระบบบำรุงรักษาอัจฉริยะ ได้ทำการรวมวิธีประมวลผลสัญญาณ และการใช้ Machine Learning ในรูปแบบใหม่ ทำให้ระบบอัลกอริทึมอัจฉริยะสามารถตรวจสอบและวิเคราะห์เสียงของเครื่องจักรได้โดยอัตโนมัติ ทำให้สามารถนำมาใช้อ่านข้อมูลได้เป็นอย่างดี
นักวิจัยเหล่านี้คาดหวังว่าระบบนี้จะช่วยให้ผู้เชี่ยวชาญที่ควบคุมเครื่องจักรต่าง ๆ ในอุตสาหกรรมสามารถตรวจสอบเครื่องจักร และช่วยแจ้งเตือนล่วงหน้าได้อัตโนมัติหากว่าเครื่องจักรที่ดูแลมีแนวโน้มจะแสดงความผิดปกติขึ้น โดยผู้ใช้งานไม่จำเป็นต้องมีความรู้พิเศษใด ๆ มาก่อน วิธีการนี้นอกจากจะสามารถใช้งานได้กับเครื่องจักรหลากหลายแบบแล้ว ยังสามารถใช้อ่านสัญญาณได้ทั้งเสียงและการสั่นสะเทือน ซึ่งสามารถอ่านได้แม้แต่คลื่นอัลตราซาวด์หรือเสียงที่มีความถี่สูงจนมนุษย์ไม่สามารถได้ยินได้
เสียงของเครื่องจักรการเก็บตัวอย่างเสียงเครื่องจักรที่เกิดปัญหามาเป็นต้นแบบให้อัลกอริทึมใช้เรียนรู้นั้นทำได้ยาก เพราะนาน ๆ ครั้งจะเกิดการชำรุดของเครื่องจักร ทำให้การเรียนรู้ว่าเสียงของเครื่องจักรที่เสียหายแตกต่างจากเสียงของเครื่องจักรปกติอย่างไร นักวิจัย ETH จึงฝึกสอนระบบอัลกอริทึมให้เรียนรู้ว่าเสียงปกติของเครื่องจักรนั้นเป็นอย่างไร และตรวจจับหากเสียงมีการเปลี่ยนไปจากปกติแทน
มีการใช้ข้อมูลเสียงจำนวนมากจาก ปั๊ม พัดลม
วาล์ว รางเลื่อน และเลือกที่จะใช้การสอนแบบไม่มีผู้ควบคุมดูแล โดยไม่ได้บอกระบบว่าต้องเรียนรู้ในเรื่องอะไร แต่ให้ระบบทำการเรียนรู้ส่วนที่เกี่ยวข้องเองโดยไม่มีคู่มือหรือรูปแบบที่ตายตัว วิธีการนี้จึงทำให้นักวิจัยสามารถสร้างขั้นตอนการเรียนรู้เพื่อรับรู้เสียงที่เกี่ยวข้องกับประเภทเครื่องที่เฉพาะเจาะจงได้ และสามารถคัดแยกประเภทของความผิดปกติจากเสียงได้
อย่างไรก็ตาม เสียงจากตัวอย่างทั้งเครื่องจักรที่สภาพดีและเครื่องจักรที่มีความผิดปกติจำนวนมากนั้น ก็ยังไม่สามารถจำแนกเสียงความผิดปกติของเครื่องจักรได้ทุกรูปแบบ เครื่องจักรประเภทเดียวกันอาจจะมีเสียงที่ต่างกันออกไป ขึ้นอยู่กับการใช้งาน สภาพอากาศ สภาพแวดล้อม ทำให้เสียงแต่ละเครื่องจักรอาจจะแตกต่างกันไปได้
การนำ AI มาใช้เรียนรู้จะช่วยพัฒนาโครงสร้างพื้นฐานของระบบในการนำไปใช้ฟังเสียงของเครื่องจักร ระบบอัลกอริทึมจะต้องเรียนรู้ที่จะตัดเสียงรบกวนเบื้องหลังออกจากเสียงที่จำเป็นของเครื่องจักร ต้องสามารถเรียนรู้ความแตกต่างของเสียงได้แม้เพียงนิดเดียว ต้องไม่แจ้งเตือนบ่อยเกินไป และต้องไม่มองข้ามเสียงที่สำคัญของเครื่องจักร อีกทั้งยังสามารถนำไปใช้กับงานในรูปแบบอื่น ๆ ได้
ขอบคุณที่มาโดย : MODERN MANUFACTURINGขอบคุณภาพโดย : Song background vector created by starline - www.freepik.comบทความน่าสนใจ >> JIDOKA ระบบป้องกันความผิดพลาดและลดความสูญเสียจากการผลิต
5 เหตุผลที่ IoT จัดการกับปัญหา Downtime ได้อย่างมีประสิทธิภาพ
อ่านบทความเพิ่มเติม >> คลิกที่นี่