การตรวจจับความผิดปกติของเครื่องมือตัดซีเอ็นซีด้วยเทคนิคการเรียนรู้ของเครื่องแบบไม่มีผู้สอน

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาวิธีการตรวจจับความผิดปกติในการทำงานของเครื่องมือตัด ของเครื่องจักรควบคุมเชิงตัวเลข (CNC) โดยประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อสนับสนุนการบำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance) และลดความเสียหายที่ อาจเกิดขึ้นระหว่างกระบวนการผลิต ข้อมูลที่ใช้ในการวิจัยได้มาจากการทดลองตัดเฉือนชิ้นงานจริง โดยเก็บข้อมูลแรงตัดและการสั่นสะเทือนของเครื่องจักรในสภาวะการทำงานที่แตกต่างกัน วิธีการที่ นำเสนอประกอบด้วยการประมวลผลข้อมูลเบื้องต้นเพื่อลดสัญญาณรบกวน จากนั้นนำข้อมูลเข้าสู่ ขั้นตอนการตรวจจับความผิดปกติด้วยขั้นตอนวิธีป่าแยกตัว (Isolation Forest) ร่วมกับการ กำหนดค่าเกณฑ์การตัดสินแบบควอนไทล์ (Quantile Threshold) เพื่อเพิ่มความเหมาะสมในการ แยกแยะระหว่างสภาวะปกติและสภาวะผิดปกติของการทำงานเครื่องมือตัด ผลการทดลองแสดงให้ เห็นว่าวิธีการที่นำเสนอสามารถตรวจจับแนวโน้มความผิดปกติได้อย่างมีประสิทธิภาพ และสามารถระบุ สัญญาณเตือนล่วงหน้าก่อนเกิดความเสียหายรุนแรงของเครื่องมือตัด ผลการวิจัยที่ได้แสดงให้เห็นถึง ศักยภาพของการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่องในการเฝ้าระวังสภาพการทำงานของ เครื่องจักร CNC ซึ่งสามารถนำไปประยุกต์ใช้ในภาคอุตสาหกรรมจริงเพื่อเพิ่มความน่าเชื่อถือของ กระบวนการผลิต ลดต้นทุนการบำรุงรักษา และยืดอายุการใช้งานของเครื่องจักรได้อย่างมีประสิทธิภาพ