បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានៃការរកឃើញភាពមិនប្រក្រតីនៃទួរប៊ីនខ្យល់ (Wind Turbines) ដោយសារការប្រែប្រួលលក្ខខណ្ឌប្រតិបត្តិការ ដើម្បីជួយសម្រួលដល់ការថែទាំនិងជួសជុលបានទាន់ពេលវេលា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់បច្ចេកទេស Deep Learning ចំនួន៣ប្រភេទ ដើម្បីវិភាគនិងទស្សន៍ទាយលើទិន្នន័យប្រវត្តិពីប្រព័ន្ធ SCADA របស់ទួរប៊ីនខ្យល់។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Gated Recurrent Unit (GRU) បណ្ដាញចងចាំ GRU |
មានរចនាសម្ព័ន្ធសាមញ្ញជាងម៉ូដែល LSTM ព្រោះមាន Gates តិចជាង និងមានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកទំនាក់ទំនងទិន្នន័យរយៈពេលវែង (Long-term dependencies)។ | ទាមទារធនធានកុំព្យូទ័រខ្ពស់ និងស៊ីពេលយូរនៅពេលដំណើរការហ្វឹកហាត់លើទិន្នន័យធំៗ។ | ទទួលបានលទ្ធផលល្អបំផុតដោយមាន MSE ០.០២៤, ភាពត្រឹមត្រូវ R² ៨២.៣៧% និងទំនាក់ទំនង Pearson ០.៩១។ |
| Long Short-Term Memory (LSTM) ម៉ូដែលចងចាំរយៈពេលខ្លី-វែង (LSTM) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការទាញយកលក្ខណៈពិសេសពីទិន្នន័យ Time-series ដែលមិនមែនជាលីនេអ៊ែរ និងអាចដោះស្រាយបញ្ហា Gradient vanishing បានយ៉ាងល្អ។ | មានរចនាសម្ព័ន្ធស្មុគស្មាញ (Complexity) ជាង GRU ដែលធ្វើឱ្យការប្រើប្រាស់អង្គចងចាំ និងធនធានមានកម្រិតខ្ពស់ជាង។ | ទទួលបាន R² ៧៣.៦០% និងទំនាក់ទំនង Pearson ០.៨៨ ដែលបង្ហាញពីសមត្ថភាពទស្សន៍ទាយល្អបង្គួរតែទាបជាង GRU បន្តិច។ |
| Convolutional Neural Network (CNN) បណ្ដាញសរសៃប្រសាទកម្រិតជ្រៅ (CNN) |
មានសមត្ថភាពក្នុងការជ្រើសរើសមុខងារ (Feature selection) និងចែករំលែកទម្ងន់ទិន្នន័យ (Weight sharing) ល្អសម្រាប់ទិន្នន័យជាប្រភេទរូបភាព ឬ Grid-like។ | មិនសូវមានប្រសិទ្ធភាពសម្រាប់ទិន្នន័យ Time-series ដូចជាល្បឿនខ្យល់ និងការទស្សន៍ទាយថាមពលសកម្មឡើយ។ | ទទួលបាន R² ៧៣.៦០% ដូច LSTM ដែរ ប៉ុន្តែមានទំនាក់ទំនង Pearson ទាបបំផុតត្រឹមតែ ០.០៧៦ ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារធនធានកុំព្យូទ័រ (Hardware) កម្រិតខ្ពស់ និងកម្មវិធីឯកទេសផ្នែក Data Science ដើម្បីដំណើរការក្បួនដោះស្រាយ Deep Learning លើទិន្នន័យធំៗ។
ការសិក្សានេះផ្អែកទាំងស្រុងលើទិន្នន័យពីកសិដ្ឋានខ្យល់នៅតំបន់ Yalova ប្រទេសទួរគី ដែលស្ថិតក្នុងតំបន់អាកាសធាតុត្រជាក់មានសីតុណ្ហភាពខុសពីកម្ពុជា។ នេះជាចំណុចសំខាន់សម្រាប់ប្រទេសកម្ពុជា ព្រោះម៉ូដែលដែលត្រូវបានហ្វឹកហាត់ដោយប្រើទិន្នន័យបរទេសនេះ អាចនឹងធ្វើការទស្សន៍ទាយខុស (Misclassification) ប្រសិនបើត្រូវយកមកប្រើប្រាស់ជាមួយលក្ខខណ្ឌខ្យល់មូសុង ឬខ្យល់ត្រូពិចនៅក្នុងស្រុក។
វិធីសាស្ត្រ Deep Learning ក្នុងការរកឃើញភាពមិនប្រក្រតីនេះ មានសក្តានុពលខ្ពស់សម្រាប់គម្រោងអភិវឌ្ឍន៍ថាមពលកកើតឡើងវិញនៅកម្ពុជានាពេលអនាគត។
ជារួម បច្ចេកវិទ្យានេះគឺជាឧបករណ៍ដ៏មានតម្លៃសម្រាប់វិស្វករកម្ពុជាក្នុងការគ្រប់គ្រងអាយុកាលឧបករណ៍ និងធានាស្ថិរភាពផលិតកម្មថាមពលបៃតងឱ្យមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| SCADA | ប្រព័ន្ធកុំព្យូទ័រដែលប្រើសម្រាប់ត្រួតពិនិត្យ ប្រមូល និងវិភាគទិន្នន័យពីម៉ាស៊ីនឧស្សាហកម្មដូចជាទួរប៊ីនខ្យល់ ដើម្បីតាមដានស្ថានភាពប្រតិបត្តិការ និងការពារពីការខូចខាតធ្ងន់ធ្ងរ។ | ដូចជាកាមេរ៉ាសុវត្ថិភាព និងប្រព័ន្ធរាយការណ៍ប្រចាំថ្ងៃ ដែលចាំមើលនិងកត់ត្រារាល់សកម្មភាពរបស់រោងចក្រដោយស្វ័យប្រវត្តិ។ |
| Anomaly Detection | ដំណើរការវិភាគទិន្នន័យដើម្បីស្វែងរកព្រឹត្តិការណ៍ ឬទិន្នន័យណាដែលខុសប្រក្រតី ឬមិនដើរតាមលំនាំធម្មតា ដែលអាចបញ្ជាក់ពីការខូចខាត ឬបញ្ហាណាមួយដែលត្រូវជួសជុលជាបន្ទាន់។ | ដូចជាគ្រូពេទ្យពិនិត្យមើលចង្វាក់បេះដូងលោតខុសធម្មតា ដើម្បីដឹងថាមនុស្សម្នាក់កំពុងមានជំងឺ។ |
| Long Short-Term Memory (LSTM) | ប្រភេទមួយនៃបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (RNN) ដែលមានយន្តការចងចាំទិន្នន័យរយៈពេលវែង និងខ្លី (តាមរយៈ Gates) សម្រាប់ទស្សន៍ទាយទិន្នន័យបន្តបន្ទាប់គ្នា (Time-series) ដូចជាល្បឿនខ្យល់។ | ដូចជាសិស្សដែលពូកែចងចាំមេរៀនចាស់ៗពីឆ្នាំមុន និងមេរៀនថ្មីៗ ដើម្បីយកទៅប្រឡងនិងដោះស្រាយលំហាត់ថ្មីៗបានយ៉ាងល្អ។ |
| Gated Recurrent Unit (GRU) | កំណែអាប់ដេតមួយទៀតនៃបណ្ដាញសរសៃប្រសាទដែលស្រដៀងនឹង LSTM ដែរ ប៉ុន្តែមានរចនាសម្ព័ន្ធសាមញ្ញជាង ដោយកាត់បន្ថយចំនួន Gates ធ្វើឱ្យវាដំណើរការហ្វឹកហាត់បានលឿននិងមានប្រសិទ្ធភាពខ្ពស់ក្នុងការវិភាគអតីតកាល។ | ដូចជាកំណត់ហេតុឆ្លាតវៃដែលអាចសម្រេចចិត្តដោយស្វ័យប្រវត្តិថា ព័ត៌មានចាស់មួយណាសំខាន់គួរទុក និងមួយណាមិនសំខាន់គួរលុបចោលដើម្បីចំណេញទំហំផ្ទុក។ |
| Convolutional Neural Networks (CNNs) | ក្បួនដោះស្រាយ Deep Learning ដែលពូកែក្នុងការទាញយកលក្ខណៈពិសេស (Feature extraction) ពីទិន្នន័យដែលមានទម្រង់ជាក្រឡាចត្រង្គ។ ក្នុងការសិក្សានេះ គេសាកល្បងវាជាមួយទិន្នន័យ SCADA ទោះបីជាវាមិនសូវស៊ីមេកជាមួយទិន្នន័យប្រភេទពេលវេលាក៏ដោយ។ | ដូចជាឧបករណ៍ស្កេនដែលផ្តោតមើលរាល់ចំណុចតូចៗ (Pixels) នៃរូបភាព ដើម្បីកំណត់ថាវាជារូបសត្វអ្វីឱ្យប្រាកដ។ |
| Data Preprocessing | ជំហាននៃការរៀបចំ និងសម្អាតទិន្នន័យឆៅ (Raw Data) ដោយលុបចោលទិន្នន័យខុស (Outliers) ធ្វើមាត្រដ្ឋានទិន្នន័យ (Normalization) និងបំពេញទិន្នន័យដែលបាត់ មុននឹងបញ្ជូនទៅឱ្យម៉ូដែល AI ហ្វឹកហាត់។ | ដូចជាការលាងសម្អាត និងហាន់បន្លែសាច់ឱ្យបានត្រឹមត្រូវ មុននឹងចាប់ផ្តើមចម្អិនម្ហូប។ |
| Time-series data | សំណុំទិន្នន័យដែលត្រូវបានប្រមូល និងកត់ត្រាតាមលំដាប់លំដោយនៃពេលវេលាជាក់លាក់ណាមួយ (ឧទាហរណ៍៖ ទិន្នន័យល្បឿនខ្យល់ និងថាមពលដែលកត់ត្រារៀងរាល់ ១០នាទីម្តង)។ | ដូចជាការកត់ត្រាសីតុណ្ហភាពអាកាសធាតុប្រចាំថ្ងៃនៅម៉ោង ៧ព្រឹក ជារៀងរាល់ថ្ងៃរយៈពេល១ឆ្នាំពេញ។ |
| Pearson Correlation | រង្វាស់ស្ថិតិដែលត្រូវបានប្រើប្រាស់ដើម្បីវាស់ស្ទង់ពីកម្រិតទំនាក់ទំនងជាលីនេអ៊ែររវាងអថេរពីរ (ឧទាហរណ៍៖ កម្រិតល្បឿនខ្យល់ និងទំហំថាមពលអគ្គិសនីដែលផលិតបាន) ថាតើវាដើរស្របគ្នា ឬផ្ទុយគ្នាកម្រិតណា។ | ដូចជាការវាស់ស្ទង់ថាតើពេលមេឃកាន់តែក្តៅ មនុស្សកាន់តែទិញទឹកកកច្រើនកម្រិតណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
