បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហានៃការចុះខ្សោយ និងការខូចខាតឧបករណ៍នៅក្នុងប្រព័ន្ធផលិតកម្ម (ជាពិសេសម៉ាស៊ីនយន្តហោះ) ដោយសារកង្វះខាតប្រព័ន្ធថែទាំដែលអាចព្យាករណ៍ទុកជាមុនបានច្បាស់លាស់ ដែលបណ្តាលឱ្យខាតបង់ផលិតភាពនិងកើនឡើងការចំណាយ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានបង្កើតក្របខ័ណ្ឌថែទាំព្យាករណ៍ (PdM) ឆ្លាតវៃ ដោយប្រើប្រាស់ទិន្នន័យពេលវេលាជាក់ស្តែងពីបណ្តាញអ៊ីនធឺណិតនៃវត្ថុសម្រាប់ឧស្សាហកម្ម (IIoT) និងក្បួនដោះស្រាយការរៀនរបស់ម៉ាស៊ីនដើម្បីទស្សន៍ទាយពីការខូចខាត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest Regression ម៉ូដែលតំរែតំរង់ Random Forest (Random Forest Regression) |
មានសមត្ថភាពខ្ពស់ក្នុងការទស្សន៍ទាយពេលវេលាមុនពេលខូច (TTF) បានយ៉ាងច្បាស់លាស់ និងមានកម្រិតលម្អៀងទាបជាងម៉ូដែលដទៃ។ | ត្រូវការទិន្នន័យច្រើនសម្រាប់ការបណ្តុះបណ្តាល ហើយអាចមានភាពស្មុគស្មាញក្នុងការបកស្រាយលទ្ធផលធៀបនឹងម៉ូដែលសាមញ្ញ។ | ទទួលបានកម្រិតលម្អៀងមធ្យម (RMSE) ±២៨.៦៣ ជុំ (cycles) ក្នុងការទស្សន៍ទាយ TTF ។ |
| LSTM (Long Short-Term Memory) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត LSTM |
ដំណើរការបានយ៉ាងល្អជាមួយនឹងទិន្នន័យប្រភេទស៊េរីពេលវេលា (Time-series data) ដែលមានការពឹងផ្អែកគ្នាក្នុងរយៈពេលវែង។ | ទាមទារថាមពលកុំព្យូទ័រខ្ពស់ និងចំណាយពេលយូរក្នុងការបណ្តុះបណ្តាលម៉ូដែល។ | ទទួលបានកម្រិតលម្អៀង RMSE ២២.៨៩ និង ២.៩ សម្រាប់ទិន្នន័យអថេរទោលនៃសមាសធាតុផ្សេងៗ ដែលបង្ហាញពីភាពសុក្រឹតខ្ពស់។ |
| SARIMA (Seasonal Autoregressive Integrated Moving Average) ម៉ូដែល SARIMA |
ស័ក្តិសមសម្រាប់ទិន្នន័យដែលមានលក្ខណៈតាមរដូវកាល ឬវដ្តប្រែប្រួលច្បាស់លាស់។ | មានប្រសិទ្ធភាពទាបជាងម៉ូដែល LSTM ក្នុងការស្វែងរកលំនាំស្មុគស្មាញនៃភាពចុះខ្សោយរបស់ឧបករណ៍។ | ទទួលបានកម្រិតលម្អៀង RMSE ២៩.៩៧ និង ៣.៦៨ ដែលខ្ពស់ជាង (មិនសូវសុក្រឹត) បើធៀបនឹង LSTM ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការវិនិយោគទាំងលើផ្នែករឹង (សេនស័រ IIoT) ផ្នែកទន់ (ប្រព័ន្ធវិភាគនិងផ្ទុកលើពពក) និងធនធានមនុស្សដែលមានជំនាញ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យដែលបានមកពីម៉ាស៊ីនយន្តហោះ (Aircraft engines) ចំនួន ១០០គ្រឿង ដែលផ្តោតជាសំខាន់លើវិស័យអាកាសចរណ៍។ ដោយសារទិន្នន័យនេះមានលក្ខណៈជាក់លាក់ វាអាចមានភាពលម្អៀង និងពិបាកយកមកអនុវត្តដោយផ្ទាល់លើម៉ាស៊ីនក្នុងរោងចក្រធម្មតានៅកម្ពុជា ប្រសិនបើមិនមានការប្រមូលទិន្នន័យថ្មីក្នុងស្រុក។
ទោះបីជាការសិក្សានេះផ្តោតលើអាកាសចរណ៍ក៏ដោយ វិធីសាស្ត្រនៃការថែទាំព្យាករណ៍ (Predictive Maintenance) នេះមានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តក្នុងវិស័យឧស្សាហកម្មសំខាន់ៗនៅកម្ពុជា។
សរុបមក ការចាប់ផ្តើមអនុវត្តបច្ចេកវិទ្យាថែទាំព្យាករណ៍ផ្អែកលើទិន្នន័យ IIoT នឹងជួយលើកកម្ពស់ប្រសិទ្ធភាព និងភាពប្រកួតប្រជែងនៃហេដ្ឋារចនាសម្ព័ន្ធឧស្សាហកម្មកម្ពុជាឱ្យស្របតាមស្តង់ដារឧស្សាហកម្ម ៤.០ (Industry 4.0)។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Predictive Maintenance | យុទ្ធសាស្ត្រថែទាំដែលប្រើប្រាស់ទិន្នន័យនិងបច្ចេកវិទ្យាវិភាគ ដើម្បីទស្សន៍ទាយពីពេលវេលាដែលម៉ាស៊ីនអាចនឹងមានបញ្ហា ឬខូចខាត ដើម្បីអនុញ្ញាតឱ្យមានការជួសជុលជាមុន និងបញ្ចៀសការរំខានដល់ប្រតិបត្តិការ។ | ដូចជាការព្យាករណ៍អាកាសធាតុដែលប្រាប់យើងឱ្យយកឆ័ត្រតាមខ្លួនមុនពេលភ្លៀងធ្លាក់ ដើម្បីកុំឱ្យទទឹក។ |
| Random Forest Regression | ក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning) ដែលបង្កើតមែកធាងសម្រេចចិត្ត (Decision Trees) ជាច្រើនដើម្បីធ្វើការទស្សន៍ទាយតម្លៃលេខបន្តបន្ទាប់ ហើយយកមធ្យមភាគនៃលទ្ធផលទាំងអស់នោះមកបូកបញ្ចូលគ្នាដើម្បីបង្កើនភាពសុក្រឹត។ | ដូចជាការសួរយោបល់ពីគ្រូពេទ្យជំនាញជាច្រើននាក់ រួចយកចម្លើយដែលភាគច្រើនឯកភាពគ្នា ដើម្បីធ្វើរោគវិនិច្ឆ័យឱ្យបានត្រឹមត្រូវបំផុត។ |
| Time-To-Failure (TTF) | រង្វាស់នៃរយៈពេល ឬចំនួនជុំនៃប្រតិបត្តិការ (Cycles) ដែលនៅសល់របស់ម៉ាស៊ីន ឬគ្រឿងបន្លាស់ណាមួយ មុនពេលវាឈានដល់ការខូចខាតមិនអាចដំណើរការបានទាំងស្រុង។ | ដូចជាការមើលនាឡិការាប់ថយក្រោយ ដែលប្រាប់យើងពីពេលវេលាជាក់លាក់ដែលគ្រាប់បែកនឹងផ្ទុះ។ |
| Industrial Internet of Things (IIoT) | បណ្តាញឧបករណ៍ សេនស័រ និងគ្រឿងម៉ាស៊ីនក្នុងវិស័យឧស្សាហកម្មដែលតភ្ជាប់គ្នាទៅវិញទៅមកតាមរយៈប្រព័ន្ធអ៊ីនធឺណិត ដើម្បីប្រមូល ផ្លាស់ប្តូរ និងវិភាគទិន្នន័យក្នុងគោលបំណងគ្រប់គ្រងដំណើរការដោយស្វ័យប្រវត្តិ។ | ដូចជាប្រព័ន្ធសរសៃប្រសាទនៅក្នុងរាងកាយមនុស្ស ដែលបញ្ជូនព័ត៌មានពីសរីរាង្គផ្សេងៗ (ម៉ាស៊ីន) ទៅកាន់ខួរក្បាល (ប្រព័ន្ធកុំព្យូទ័រ) ដើម្បីចាត់វិធានការ។ |
| Data wrangling | ដំណើរការនៃការសម្អាត រៀបចំ និងបំលែងទិន្នន័យឆៅ (Raw data) ដែលមានភាពរញ៉េរញ៉ៃ ឬមានកំហុស ឱ្យទៅជាទម្រង់រៀបរយនិងមានលក្ខណៈស្តង់ដារ ដែលងាយស្រួលសម្រាប់ការវិភាគ។ | ដូចជាការលាងសម្អាត បកសំបក និងហាន់បន្លែសាច់ឱ្យបានស្អាតល្អនិងត្រឹមត្រូវ មុននឹងយកទៅចម្អិនជាម្ហូប។ |
| Feature extraction | ដំណើរការជ្រើសរើស ទាញយក ឬបង្កើតលក្ខណៈសម្បត្តិសំខាន់ៗ (Features) ពីទិន្នន័យឆៅ ដើម្បីកាត់បន្ថយទំហំទិន្នន័យដែលមិនចាំបាច់ និងជួយឱ្យម៉ូដែលវិភាគដំណើរការបានកាន់តែរហ័សនិងមានប្រសិទ្ធភាព។ | ដូចជាការអានសៀវភៅក្រាស់ៗរួចកត់ត្រាយកតែចំណុចសំខាន់ៗ ដើម្បីងាយស្រួលទន្ទេញប្រឡង។ |
| Root-mean-square deviation (RMSE) | រង្វាស់គណិតវិទ្យាដែលប្រើដើម្បីវាស់ពីកម្រិតលម្អៀង (Error) រវាងតម្លៃដែលម៉ូដែលបានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដ ដោយវាស់ពីគម្លាតជាមធ្យម។ តម្លៃកាន់តែតូច បង្ហាញថាម៉ូដែលកាន់តែមានភាពសុក្រឹត។ | ដូចជាការពិន័យអ្នកបាញ់ធ្នូ ដោយវាស់ចម្ងាយជាមធ្យមពីគ្រាប់ព្រួញនីមួយៗទៅកាន់ចំណុចកណ្តាលនៃផ្ទាំងស៊ីប (កាន់តែជិត កាន់តែល្អ)។ |
| LSTM | ប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network) ដែលមានសមត្ថភាពចងចាំព័ត៌មានពីអតីតកាលក្នុងរយៈពេលយូរ ដែលស័ក្តិសមបំផុតសម្រាប់វិភាគទិន្នន័យប្រភេទស៊េរីពេលវេលា (Time-series data) និងស្វែងរកលំនាំស្មុគស្មាញ។ | ដូចជាសិស្សពូកែដែលមិនត្រឹមតែយល់មេរៀនថ្ងៃនេះទេ តែនៅចាំមេរៀនដែលគ្រូធ្លាប់បង្រៀនកាលពីខែមុនយ៉ាងច្បាស់ ដើម្បីយកមកដោះស្រាយលំហាត់ថ្មី។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
