បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការខូចខាតម៉ាស៊ីនញឹកញាប់នៅក្នុងប្រព័ន្ធផលិតកម្ម ដោយស្នើឡើងនូវវិធីសាស្ត្រថែទាំបែបព្យាករណ៍ (Predictive Maintenance) ដើម្បីកាត់បន្ថយពេលវេលាផ្អាកដំណើរការដែលមិនបានគ្រោងទុក និងសន្សំសំចៃការចំណាយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ទិន្នន័យប្រវត្តិបញ្ហាពីប្រព័ន្ធធនធានសហគ្រាស (ERP) ដើម្បីបង្វឹកបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) សម្រាប់ការទស្សន៍ទាយពីការខូចខាតដោយមិនចាំបាច់ពឹងផ្អែកលើបច្ចេកវិទ្យា IoT ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Multilayer Perceptron (MLP) Neural Network via ERP Data បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (MLP) ប្រើប្រាស់ទិន្នន័យពីប្រព័ន្ធ ERP |
មិនតម្រូវឱ្យមានការបំពាក់ឧបករណ៍សេនស័រ (IoT) ថ្មី ដែលជួយសន្សំសំចៃការចំណាយលើផ្នែករឹង។ អាចព្យាករណ៍ការខូចខាតទុកជាមុនបានច្រើនថ្ងៃដោយផ្អែកលើទិន្នន័យប្រវត្តិ។ | ពឹងផ្អែកខ្លាំងលើគុណភាពនិងភាពសុក្រឹតនៃកំណត់ត្រាប្រវត្តិបញ្ហាក្នុងប្រព័ន្ធ ERP។ ទាមទារការពិនិត្យនិងចាត់ថ្នាក់ទិន្នន័យដោយអ្នកជំនាញជាមុនសិន។ | សម្រេចបានអត្រាជោគជ័យនៃការទស្សន៍ទាយ ៩១% និងអាចព្យាករណ៍ជាមធ្យម ៥.២៤ ថ្ងៃមុនពេលការបរាជ័យពិតប្រាកដកើតឡើង។ |
| IoT-based Predictive Maintenance (Baseline/Alternative from literature) ការថែទាំបែបព្យាករណ៍ផ្អែកលើបច្ចេកវិទ្យា IoT (វិធីសាស្ត្រទូទៅ) |
ផ្តល់ទិន្នន័យជាក់ស្តែង (Real-time) ពីស្ថានភាពម៉ាស៊ីនដូចជា រំញ័រ សីតុណ្ហភាព និងសំណើម ដែលមានភាពសុក្រឹតខ្ពស់ក្នុងការតាមដាន។ | តម្រូវឱ្យមានការវិនិយោគខ្ពស់លើការបំពាក់សេនស័រ (Sensors) និងហេដ្ឋារចនាសម្ព័ន្ធ Cloud សម្រាប់ផ្ទុកទិន្នន័យធំ (Big Data)។ | មិនមានលទ្ធផលជាក់លាក់ធៀបក្នុងឯកសារនេះទេ ប៉ុន្តែត្រូវបានលើកឡើងថាទាមទារការចំណាយនិងពេលវេលាខ្ពស់ក្នុងការដំឡើងប្រព័ន្ធ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ វិធីសាស្ត្រនេះកាត់បន្ថយការចំណាយលើផ្នែករឹង (Hardware) ដោយប្រើប្រាស់ទិន្នន័យដែលមានស្រាប់ ប៉ុន្តែទាមទារធនធានកុំព្យូទ័រ និងអ្នកជំនាញក្នុងការរៀបចំទិន្នន័យនិងបង្វឹកម៉ូដែល។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យប្រវត្តិបញ្ហាចំនួន ១៥៧ ករណី (២០១៧-២០១៩) ពីមនុស្សយន្តវេចខ្ចប់នៅក្នុងរោងចក្រសូកូឡា (Pladis Global) នៅប្រទេសទួរគី។ ដោយសារទិន្នន័យនេះពឹងផ្អែកលើម៉ាស៊ីន និងបរិស្ថានរោងចក្រជាក់លាក់ ម៉ូដែលនេះប្រហែលជាមិនអាចយកមកប្រើដោយផ្ទាល់ជាមួយរោងចក្រនៅកម្ពុជាបានទេ ប្រសិនបើគ្មានការបង្វឹកឡើងវិញ (Retraining) ជាមួយទិន្នន័យក្នុងស្រុក។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់វិស័យឧស្សាហកម្មកម្ពុជា ដោយសារវាជាដំណោះស្រាយដែលមានតម្លៃទាប និងមិនទាមទារការផ្លាស់ប្តូរហេដ្ឋារចនាសម្ព័ន្ធម៉ាស៊ីនទំនើបៗភ្លាមៗនោះទេ។
សរុបមក ការប្រើប្រាស់ទិន្នន័យ ERP ដែលមានស្រាប់រួមជាមួយ Machine Learning គឺជាជំហានដំបូងដ៏សមស្របសម្រាប់រោងចក្រនៅកម្ពុជាក្នុងការឈានឆ្ពោះទៅរកឧស្សាហកម្ម ៤.០ ដោយមិនចាំបាច់ចំណាយទុនច្រើន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Predictive Maintenance | វិធីសាស្ត្រថែទាំម៉ាស៊ីនដែលប្រើប្រាស់ទិន្នន័យដើម្បីទស្សន៍ទាយថាពេលណាដែលម៉ាស៊ីនអាចនឹងខូច ហើយធ្វើការជួសជុលជាមុនដើម្បីជៀសវាងការខាតបង់ពេលវេលាឈប់ដំណើរការ។ | ដូចជាការមើលឃើញពពកខ្មៅហើយប្រញាប់ប្រមូលខោអាវហាលទុកមុនពេលភ្លៀងធ្លាក់។ |
| Mean Time to Failure (MTTF) | ការគណនាពេលវេលាជាមធ្យមដែលគ្រឿងបន្លាស់ឬម៉ាស៊ីនមួយអាចដំណើរការបានមុនពេលវាជួបបញ្ហាឬខូចខាត។ វាជួយក្នុងការកំណត់អាយុកាលរំពឹងទុករបស់សមាសធាតុណាមួយក្នុងប្រព័ន្ធ។ | ដូចជាការដឹងពីចំនួនគីឡូម៉ែត្រជាមធ្យមដែលសំបកកង់ឡានមួយអាចរត់បានមុនពេលវាសឹកអស់ហើយត្រូវផ្លាស់ប្តូរថ្មី។ |
| Artificial Neural Network (ANN) | ប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដោយចម្លងតាមទម្រង់បណ្ដាញកោសិកាសរសៃប្រសាទរបស់ខួរក្បាលមនុស្ស ដើម្បីរៀនស្គាល់លំនាំ (patterns) ពីទិន្នន័យនិងធ្វើការសម្រេចចិត្តឬទស្សន៍ទាយ។ | ដូចជាកូនក្មេងដែលរៀនស្គាល់សត្វឆ្មាដោយការមើលរូបភាពសត្វឆ្មាជាច្រើនដងរហូតដល់ចាំច្បាស់ថាវាមានលក្ខណៈបែបណា។ |
| Multilayer Perceptron (MLP) | ជាប្រភេទមួយនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ដែលមានស្រទាប់ច្រើន (Input, Hidden, Output) ដែលព័ត៌មានធ្វើដំណើរទៅមុខជានិច្ចដើម្បីដោះស្រាយបញ្ហាស្មុគស្មាញពីទិន្នន័យដែលវាទទួលបាន។ | ដូចជារោងចក្រកាត់ដេរមួយដែលមានផ្នែកកាត់ ផ្នែកដេរ និងផ្នែកវេចខ្ចប់ ដែលធ្វើការបន្តបន្ទាប់គ្នារហូតចេញជាអាវមួយដោយមិនមានការបញ្ជូនត្រឡប់ក្រោយវិញនៅពេលកំពុងផលិត។ |
| Enterprise Resource Planning (ERP) | ប្រព័ន្ធសូហ្វវែរដែលក្រុមហ៊ុនប្រើប្រាស់សម្រាប់គ្រប់គ្រងទិន្នន័យរួមបញ្ចូលគ្នាពីផ្នែកផ្សេងៗដូចជា ផលិតកម្ម ឃ្លាំងទំនិញ ហិរញ្ញវត្ថុ និងប្រវត្តិការជួសជុលម៉ាស៊ីនជាដើម។ | ដូចជាខួរក្បាលកណ្តាលរបស់រាងកាយ ដែលប្រមូលព័ត៌មាននិងដឹងពីអ្វីគ្រប់យ៉ាងដែលកំពុងកើតឡើងនៅគ្រប់សរីរាង្គទាំងអស់។ |
| Poisson Distribution | ទ្រឹស្ដីស្ថិតិដែលត្រូវបានប្រើប្រាស់ដើម្បីទស្សន៍ទាយប្រូបាប៊ីលីតេនៃចំនួនដងដែលព្រឹត្តិការណ៍មួយអាចកើតឡើង (ឧទាហរណ៍ ការខូចម៉ាស៊ីន ឬតម្រូវការគ្រឿងបន្លាស់) ក្នុងចន្លោះពេលជាក់លាក់មួយ។ | ដូចជាការប៉ាន់ស្មានថាតើមានអតិថិជនប៉ុន្មាននាក់នឹងដើរចូលហាងកាហ្វេរបស់អ្នកនៅចន្លោះម៉ោង ៨ ដល់ ៩ ព្រឹក ដោយផ្អែកលើការកត់ត្រាពីថ្ងៃមុនៗ។ |
| Fault Tree Diagram (FTD) | ដ្យាក្រាមរចនាសម្ព័ន្ធបែបតក្កវិទ្យាដែលត្រូវបានប្រើដើម្បីវិភាគនិងស្វែងរកមូលហេតុដើមដែលអាចធ្វើឱ្យប្រព័ន្ធឬម៉ាស៊ីនទាំងមូលបរាជ័យ ដោយមើលលើកំហុសរបស់គ្រឿងបន្លាស់តូចៗនីមួយៗ។ | ដូចជាការដេញខ្សែភ្លើងក្នុងផ្ទះពីបន្ទប់មួយទៅបន្ទប់មួយ ដើម្បីរកមើលថាតើកណ្តុរកាត់ដាច់នៅត្រង់ណាទើបធ្វើឱ្យអំពូលលែងភ្លឺ។ |
| Backpropagation algorithm | ដំណើរការរៀនសូត្ររបស់បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត ដែលវាគណនាកំហុសពីលទ្ធផលចុងក្រោយ រួចបញ្ជូនព័ត៌មានត្រឡប់ក្រោយវិញដើម្បីកែសម្រួលទម្ងន់ (weights) ឱ្យការទស្សន៍ទាយលើកក្រោយកាន់តែសុក្រឹត។ | ដូចជាអ្នកបាញ់ធ្នូដែលបាញ់ខុសគោលដៅ រួចក៏វិភាគមើលកំហុស និងកែសម្រួលកម្លាំងទាញរួមទាំងទិសដៅដៃឡើងវិញ ដើម្បីឱ្យការបាញ់លើកក្រោយចំកណ្តាលស៊ីប។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
