Original Title: Part Inspection Tracking and Forecasting in Machining and Assembly Plants
Source: isrdo.com
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការតាមដាន និងការព្យាករណ៍ការត្រួតពិនិត្យផ្នែកនៅក្នុងរោងចក្រម៉ាស៊ីន និងដំឡើង

ចំណងជើងដើម៖ Part Inspection Tracking and Forecasting in Machining and Assembly Plants

អ្នកនិពន្ធ៖ Raunak Ujawane (Dana Anand India Private Limited), Balaji Mali (Dana Anand India Private Limited), Aditya Agarwal (Thapar Institute of Engineering & Technology)

ឆ្នាំបោះពុម្ព៖ 2025, Scientific Research Journal of Science, Engineering and Technology

វិស័យសិក្សា៖ Industrial Engineering / Machine Learning

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ រោងចក្រផលិតជាច្រើននៅតែពឹងផ្អែកលើការកត់ត្រាទិន្នន័យដោយដៃ (Manual entry) សម្រាប់ការត្រួតពិនិត្យគុណភាពផ្នែកផលិតផល ដែលជាដំណើរការយឺតយ៉ាវ ងាយមានកំហុស និងធ្វើឱ្យមានការលំបាកក្នុងការគ្រប់គ្រងធនធាន ឬការព្យាករណ៍ការងារនាពេលអនាគត។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវប្រព័ន្ធឌីជីថលតាមដានការត្រួតពិនិត្យផ្នែក (Part Inspection Tracking) ដែលភ្ជាប់ទៅនឹងប្រព័ន្ធ Cloud និងប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិតដើម្បីធ្វើការព្យាករណ៍។

ការបង្កើតចំណុចប្រទាក់អ្នកប្រើ (User Interface) ដោយប្រើ Python Tkinter ដើម្បីកត់ត្រាទិន្នន័យជាក់ស្តែងទៅក្នុង Cloud Database
ការប្រើប្រាស់គំរូ Long Short-Term Memory (LSTM) ដើម្បីវិភាគទិន្នន័យប្រវត្តិសាស្ត្ររយៈពេល ៦ ខែ និងព្យាករណ៍ចំនួនផ្នែកដែលត្រូវត្រួតពិនិត្យ
ការប្រៀបធៀបប្រសិទ្ធភាពរវាងគំរូ LSTM ជាមួយគំរូប្រពៃណីដូចជា ARIMA, Prophet និង Holt-Winters

លទ្ធផលសំខាន់ៗ (The Verdict)៖

គំរូ LSTM ផ្តល់នូវលទ្ធផលល្អបំផុតដោយមានកម្រិតកំហុស RMSE ទាបបំផុតត្រឹម ០.០៦៩ ខណៈដែលគំរូ ARIMA មានកម្រិតកំហុសរហូតដល់ ៣.២០។
ប្រព័ន្ធនេះអាចចាប់យកគំរូនៃការផលិតប្រចាំថ្ងៃ និងប្រចាំសប្តាហ៍បានយ៉ាងល្អ ដែលជួយឱ្យអ្នកគ្រប់គ្រងអាចបែងចែកធនធាន និងបុគ្គលិកបានកាន់តែមានប្រសិទ្ធភាព។
ការដាក់ឱ្យប្រើប្រាស់ប្រព័ន្ធនេះជួយកាត់បន្ថយការពឹងផ្អែកលើការកត់ត្រាដោយក្រដាស និងផ្តល់ទិន្នន័យជាក់ស្តែង (Real-time data) សម្រាប់គាំទ្រដល់គោលដៅឧស្សាហកម្ម ៤.០ (Industry 4.0)។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Long Short-Term Memory (LSTM) គំរូ បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (RNN) ប្រភេទ LSTM	មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកលំនាំទិន្នន័យស្មុគស្មាញ និងតាមរដូវកាល (Seasonality) ដូចជាការប្រែប្រួលប្រចាំថ្ងៃ ឬប្រចាំសប្តាហ៍។	ត្រូវការទិន្នន័យច្រើនសម្រាប់បង្រៀន (Training) និងចំណាយពេលយូរក្នុងការកំណត់ប៉ារ៉ាម៉ែត្រ (Hyperparameter tuning)។	ទទួលបានកម្រិតកំហុស RMSE ទាបបំផុតគឺ ០.០៦៩ (ល្អបំផុតក្នុងការពិសោធន៍)។
ARIMA គំរូស្ថិតិបែបបុរាណសម្រាប់ការវិភាគស계៊េរីពេលវេលា	ងាយស្រួលយល់ និងមិនត្រូវការធនធានកុំព្យូទ័រខ្លាំងដូច Deep Learning។	មិនអាចចាប់យកលំនាំទិន្នន័យដែលមិនមែនជាលីនេអ៊ែរ (Non-linear) បានល្អទេ ជាហេតុធ្វើឱ្យការព្យាករណ៍មានលក្ខណៈស្មើ (Flatline)។	កម្រិតកំហុស RMSE ខ្ពស់រហូតដល់ ៣.២០ (មិនស័ក្តិសមសម្រាប់ករណីនេះ)។
Prophet គំរូព្យាករណ៍របស់ Facebook ដែលផ្អែកលើការបូកបន្ថែមសមាសធាតុ (Additive model)	ល្អក្នុងការដោះស្រាយទិន្នន័យដែលបាត់ និងថ្ងៃឈប់សម្រាក ប៉ុន្តែក្នុងករណីនេះវាធ្វើឱ្យទិន្នន័យរលូនពេក (Over-smoothing)។	មិនអាចចាប់យកភាពប្រែប្រួលខ្លាំង ឬ 'Noise' នៅក្នុងដំណើរការផលិតកម្មបានល្អទេ។	កម្រិតកំហុស RMSE គឺ ២.៨០។
Holt-Winters វិធីសាស្ត្រ Exponential Smoothing	សាមញ្ញ និងល្អសម្រាប់ទិន្នន័យដែលមានលំនាំរដូវកាលច្បាស់លាស់។	មានទំនោរក្នុងការកែតម្រូវហួសហេតុ (Overcorrecting) ដែលធ្វើឱ្យការព្យាករណ៍ខ្ពស់ជាងឬទាបជាងការពិតខ្លាំង។	កម្រិតកំហុស RMSE គឺ ២.៧៥។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានកុំព្យូទ័រដែលមានកម្រិតមធ្យមសម្រាប់ការបង្រៀនគំរូ (Training) និងធនធានតិចតួចសម្រាប់ការប្រើប្រាស់ជាក់ស្តែង (Inference)។

Hardware (Training): ត្រូវការ GPU សម្រាប់ការបង្រៀនគំរូឱ្យបានលឿន (អ្នកស្រាវជ្រាវប្រើប្រាស់ Tesla T4 GPU លើ Google Colab)។
Hardware (Deployment): អាចដំណើរការលើកុំព្យូទ័រធម្មតា (Shop floor PC) ព្រោះគំរូដែលបង្រៀនរួចមានទំហំតូច និងស្រាល។
Software Stack: ប្រើប្រាស់ភាសា Python, បណ្ណាល័យ TensorFlow/Keras សម្រាប់ AI និង Tkinter សម្រាប់បង្កើតកម្មវិធី (GUI)។
Data Infrastructure: ត្រូវការប្រព័ន្ធ Cloud Database ឬ Server ក្នុងស្រុក (Intranet) ដើម្បីរក្សាទុកទិន្នន័យ CSV ជាកណ្តាល។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះធ្វើឡើងនៅរោងចក្រផលិតគ្រឿងបន្លាស់រថយន្តមួយ (ទំនងជានៅប្រទេសឥណ្ឌា) ដោយប្រើទិន្នន័យរយៈពេល ៦ ខែ។ ទិន្នន័យនេះឆ្លុះបញ្ចាំងពីលំនាំការងារ និងការផ្លាស់ប្តូរវេន (Shifts) ជាក់លាក់នៃតំបន់នោះ ដែលអាចខុសប្លែកពីកាលវិភាគការងារនៅក្នុងរោងចក្រនៅកម្ពុជា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនេះមានសារៈសំខាន់ និងអាចអនុវត្តបានខ្ពស់នៅក្នុងវិស័យឧស្សាហកម្មកម្ពុជាដែលកំពុងផ្លាស់ប្តូរទៅរកទំនើបកម្ម (Industry 4.0)។

តំបន់សេដ្ឋកិច្ចពិសេស (SEZs): រោងចក្រដំឡើងរថយន្ត និងគ្រឿងអេឡិចត្រូនិកនៅតំបន់សេដ្ឋកិច្ចពិសេសភ្នំពេញ និងក្រុងព្រះសីហនុ អាចប្រើប្រាស់ប្រព័ន្ធនេះដើម្បីព្យាករណ៍ចំនួនការងារ QC។
វិស័យកាត់ដេរ និងស្បែកជើង: អាចយកទៅអនុវត្តសម្រាប់ការតាមដាន និងព្យាករណ៍ចំនួនផលិតផលដែលត្រូវត្រួតពិនិត្យគុណភាព (Quality Control) ដើម្បីចៀសវាងការកកស្ទះនៅផ្នែក QC។
ការគ្រប់គ្រងឃ្លាំង (Warehousing): ជួយអ្នកគ្រប់គ្រងឃ្លាំងក្នុងការត្រៀមលក្ខណៈសម្រាប់ការដឹកជញ្ជូន និងការរក្សាទុក ដោយផ្អែកលើការព្យាករណ៍បរិមាណទំនិញចេញ។

ការប្រើប្រាស់ប្រព័ន្ធនេះនឹងជួយកាត់បន្ថយការប្រើប្រាស់ក្រដាស បង្កើនតម្លាភាពទិន្នន័យ និងអនុញ្ញាតឱ្យអ្នកគ្រប់គ្រងធ្វើការសម្រេចចិត្តបានត្រឹមត្រូវនិងទាន់ពេលវេលា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

ជំហានទី ១៖ ការប្រមូលទិន្នន័យឌីជីថល: ផ្លាស់ប្តូរការកត់ត្រាដោយដៃមកជាប្រព័ន្ធកុំព្យូទ័រ។ និស្សិតអាចចាប់ផ្តើមដោយបង្កើតកម្មវិធីសាមញ្ញដោយប្រើ Python Tkinter ឬ Streamlit ដើម្បីឱ្យបុគ្គលិកបញ្ចូលទិន្នន័យផលិតកម្មប្រចាំថ្ងៃទៅក្នុង Database (ដូចជា PostgreSQL ឬ Firebase)។
ជំហានទី ២៖ ការរៀបចំទិន្នន័យ (Data Preprocessing): រៀបចំទិន្នន័យជាស៊េរីពេលវេលា (Time-series) ដោយបែងចែកជាចន្លោះពេល ៣០ នាទី និងធ្វើ Normalization (បម្លែងតម្លៃឱ្យនៅចន្លោះ ០ និង ១) ដើម្បីឱ្យគំរូ AI ងាយស្រួលរៀន។
ជំហានទី ៣៖ ការបង្រៀនគំរូ AI (Model Training): ប្រើប្រាស់ Google Colab ដើម្បីសរសេរកូដ និងបង្រៀនគំរូ LSTM ដោយប្រើបណ្ណាល័យ Keras។ ចាប់ផ្តើមជាមួយទិន្នន័យប្រវត្តិសាស្ត្រយ៉ាងតិច ៣-៦ ខែ។
ជំហានទី ៤៖ ការដាក់ឱ្យប្រើប្រាស់ (Deployment): នាំយកគំរូដែលបានបង្រៀនរួច (Trained Model) ទៅដាក់បញ្ចូលក្នុងកម្មវិធីដែលបានបង្កើតនៅជំហានទី ១ ដើម្បីបង្ហាញការព្យាករណ៍ជាក្រាហ្វិកសម្រាប់ការងារ ២៤ ម៉ោងបន្ទាប់។
ជំហានទី ៥៖ ការវាយតម្លៃ និងកែលម្អ: ប្រៀបធៀបលទ្ធផលព្យាករណ៍ជាមួយនឹងទិន្នន័យជាក់ស្តែង (Actual vs Predicted) ដោយប្រើរង្វាស់ RMSE ហើយធ្វើការបង្រៀនគំរូឡើងវិញ (Retrain) ជារៀងរាល់ខែដើម្បីរក្សាភាពត្រឹមត្រូវ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Long Short-Term Memory (LSTM)	ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Recurrent Neural Network) ដែលត្រូវបានរចនាឡើងពិសេសដើម្បីចងចាំព័ត៌មានសំខាន់ៗពីអតីតកាលក្នុងរយៈពេលវែង។ វាមានសមត្ថភាពរៀនពីលំនាំទិន្នន័យដែលកើតឡើងជាបន្តបន្ទាប់ (Sequence Data) និងអាចសម្រេចចិត្តថាព័ត៌មានណាគួររក្សាទុក ឬព័ត៌មានណាគួរ 'បំភ្លេច' ចោល។	ដូចជាការអានសៀវភៅរឿងមួយ ដែលអ្នកត្រូវចងចាំសាច់រឿងសំខាន់ៗតាំងពីជំពូកទី ១ ដើម្បីយល់ពីជំពូកទី ១០ ប៉ុន្តែអ្នកអាចបំភ្លេចរឿងតូចតាចដែលមិនសំខាន់បាន។
Time Series Forecasting	គឺជាដំណើរការនៃការប្រើប្រាស់គំរូស្ថិតិ ឬម៉ាស៊ីនរៀន (Machine Learning) ដើម្បីវិភាគទិន្នន័យដែលបានកត់ត្រាតាមលំដាប់ពេលវេលា (ពីអតីតកាល) ក្នុងគោលបំណងទស្សន៍ទាយតម្លៃដែលអាចនឹងកើតឡើងនៅពេលអនាគត។	ដូចជាការពិនិត្យមើលអាកាសធាតុរយៈពេល ៧ ថ្ងៃកន្លងមក ដើម្បីទស្សន៍ទាយថាថ្ងៃស្អែកនឹងមានភ្លៀងឬអត់។
Root Mean Square Error (RMSE)	ជារង្វាស់ស្តង់ដារមួយដែលប្រើដើម្បីវាស់វែងកម្រិតកំហុសរបស់គំរូព្យាករណ៍។ វាគណនាគម្លាត ឬភាពខុសគ្នារវាងតម្លៃដែលគំរូបានទស្សន៍ទាយ (Predicted) និងតម្លៃជាក់ស្តែង (Actual)។ តម្លៃ RMSE កាន់តែទាប បញ្ជាក់ថាការព្យាករណ៍កាន់តែត្រឹមត្រូវ។	ដូចជាការបាញ់ព្រួញទៅកាន់ផ្ទាំងស៊ីប; RMSE គឺជាការវាស់វែងចម្ងាយជាមធ្យមដែលព្រួញរបស់អ្នកខុសពីចំណុចកណ្តាល។
Industry 4.0	សំដៅលើបដិវត្តន៍ឧស្សាហកម្មទី ៤ ដែលផ្តោតលើការធ្វើទំនើបកម្មរោងចក្រដោយប្រើប្រាស់បច្ចេកវិទ្យាឆ្លាតវៃ ដូចជាប្រព័ន្ធអ៊ីនធឺណិតនៃវត្ថុ (IoT), ការវិភាគទិន្នន័យធំ (Big Data), និងប្រព័ន្ធស្វ័យប្រវត្តិកម្ម ដើម្បីឱ្យម៉ាស៊ីនអាចប្រាស្រ័យទាក់ទងគ្នា និងធ្វើការសម្រេចចិត្តដោយផ្អែកលើទិន្នន័យ។	ដូចជាការប្តូរពីការប្រើប្រាស់ទូរស័ព្ទដៃធម្មតា (ចុចប៊ូតុង) មកជាទូរស័ព្ទស្មាតហ្វូនដែលអាចភ្ជាប់អ៊ីនធឺណិត និងប្រើកម្មវិធីជំនួយជាច្រើនដើម្បីសម្រួលការងារ។
Epoch	នៅក្នុងការបង្រៀនម៉ាស៊ីន (Training Machine Learning Models), Epoch មួយមានន័យថា គំរូ AI បានមើលឃើញ និងសិក្សាទិន្នន័យទាំងអស់នៅក្នុងសំណុំទិន្នន័យ (Dataset) ចំនួនមួយចប់។ ការបង្រៀនច្រើន Epoch ជួយឱ្យ AI រៀនបានកាន់តែច្បាស់ ប៉ុន្តែបើច្រើនពេកអាចធ្វើឱ្យវាទន្ទេញចាំ (Overfitting)។	ដូចជាការអានសៀវភៅសិក្សាមួយក្បាលចប់ម្តង។ បើអ្នកអានចប់ ១០ ដង (១០ Epochs) អ្នកនឹងចងចាំមេរៀនបានកាន់តែច្បាស់ជាងការអានតែម្តង។
ARIMA	ពាក្យពេញគឺ Autoregressive Integrated Moving Average។ វាជាគំរូស្ថិតិបែបបុរាណដែលប្រើសម្រាប់ព្យាករណ៍ទិន្នន័យតាមពេលវេលា ដោយផ្អែកលើទំនាក់ទំនងលីនេអ៊ែរ (Linear) នៃទិន្នន័យអតីតកាល។ វាមានប្រសិទ្ធភាពតិចជាង LSTM ក្នុងការចាប់យកលំនាំទិន្នន័យស្មុគស្មាញ ឬទិន្នន័យដែលមានការប្រែប្រួលខ្លាំង។	ដូចជាការទស្សន៍ទាយការកកស្ទះចរាចរណ៍ដោយផ្អែកលើមធ្យមភាគពីម្សិលមិញ ដោយមិនបានគិតដល់កត្តាផ្សេងៗដែលស្មុគស្មាញដូចជាគ្រោះថ្នាក់ចរាចរណ៍ ឬបុណ្យទាន។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖