Research

การพยากรณ์สถานะของเครื่องจักรและอุปกรณ์ในการบำรุงรักษาเชิงคาดการณ์ (Prognostics and Health Management in Condition-based Maintenance)


การพยากรณ์สถานะของเครื่องจักรและอุปกรณ์ในการบำรุงรักษาเชิงคาดการณ์ (Prognostics and Health Management in Condition-based Maintenance)

รองศาสตราจารย์ ดร. พีระพล ยุวภูษิตานนท์

สถาบันนวัตกรรมมหานคร 

บทนำ

ในปัจจุบันนี้แผนการบำรุงรักษาเครื่องจักรและอุปกรณ์ที่ใช้กันเป็นส่วนใหญ่จะเป็นการกำหนดแผนการบำรุงรักษาไว้ล่วงหน้า (Predetermined Maintenance) หรือ PM ซึ่งนับว่าเป็นการบำรุงรักษาเชิงป้องกัน (Preventive Maintenance) รูปแบบหนึ่ง (Gouriveau, 2016) ในรูปแบบของ PM นั้นเป็นการวางแผนการบำรุงรักษาโดยอาศัย “เวลา” หรือ “ระยะการใช้งาน” ของเครื่องจักรและอุปกรณ์เป็นข้อมูลหลักในการทำแผนการบำรุงรักษา โดยไม่ได้ใช้ข้อมูลอื่นใดของเครื่องจักรหรืออุปกรณ์ ณ เวลาปัจจุบันมาช่วยในการกำหนดแผนการบำรุงรักษาเลย ตัวอย่างที่เห็นได้ชัดเจนของ PM ก็คือการเปลี่ยนอะไหล่ตามเวลาหรือระยะทางที่ใช้งานของรถยนต์เป็นต้น แม้ PM จะเป็นแผนการบำรุงรักษาที่ใช้กันเป็นส่วนใหญ่ แต่ PM นั้นมีข้อด้อยหลักๆอยู่สองประการ คือ ประการที่หนึ่ง หากอุปกรณ์ที่ทำการเปลี่ยนไปนั้นยังคงสามารถใช้งานได้ ก็เท่ากับว่าเกิดมีค่าใช้จ่ายจากการเปลี่ยนอุปกรณ์โดยไม่จำเป็น และ ประการที่สองคือ ไม่มีการรับประกันว่าอุปกรณ์ที่เปลี่ยนนั้นจะสามารถทำงานได้ดีจนกว่าจะถึงรอบการเปลี่ยนครั้งต่อไป

แต่ด้วยความก้าวหน้าทางเทคโนโลยีเซนเซอร์และอัลกอริธึมการประมวลผลสัญญาณ (Signal Processing Algorithms) และ การเรียนรู้ของเครื่องจักร (Machine Learning) ทำให้มีการบำรุงรักษาแบบใหม่ได้รับการพัฒนาขึ้น นั่นคือ การบำรุงรักษาเชิงคาดการณ์ (Condition-based Maintenance) หรือ CBM (Dragomir, et al., 2009) จุดเด่นที่สำคัญของ CBM คือ การประเมินสถานะของเครื่องจักรเพื่อที่จะทราบเวลาที่หมดสภาพการใช้งานหรือเวลาสิ้นอายุ (End of Life) เพราะ CBM เน้นการใช้ “ข้อมูลสถานะ ณ เวลาปัจจุบัน" เป็นปัจจัยหลักในการทำแผนการบำรุงรักษาดังนั้น จึงให้ทราบถึงช่วงเวลานับจากเวลาปัจจุบัน (Current cycle) จนกระทั่งถึงเวลาเวลาสิ้นอายุ โดยช่วงเวลาที่ว่านี้เรียกว่าอายุที่เหลืออยู่ (Remaining Useful Life) หรือ RUL ของอุปกรณ์ซึ่ง RUL นี้เป็นข้อมูลที่มีค่ามากเพราะนอกจากช่วยประหยัดเวลาในการหยุดเดินเครื่องจักรและลดค่าใช้จ่ายจากการเปลี่ยนอุปกรณ์โดยไม่จำเป็นลง ยังสามารถนำ RUL มาใช้ในการวางแผนทางด้านโลจิสติกส์ (logistics planning) ให้เป็นไปได้อย่างแม่นยำและมีประสิทธิภาพมากขึ้นได้อีกด้วย (Kim, N., An, D. & Choi, J., 2017).

การพยากรณ์สถานะของเครื่องจักรและอุปกรณ์ (Prognostics and Health Management)

หัวใจหลักของ CBM นั้นคือการพยากรณ์สถานะของเครื่องจักรและอุปกรณ์ (Prognostics and Health Management) หรือ PHM นั้นเพราะ PHM เป็นกระบวนการเชิงวิศวกรรมที่จะทำการประเมินสถานะของ เครื่องจักรหรืออุปกรณ์ในระบบในแบบเวลาจริง (Real-time State Estimation) โดยอาศัยข้อมูลมีอยู่นับจนถึง “เวลาปัจจุบัน” จากเซนเซอร์หลากชนิด ร่วมกับทฤษฎีทางด้านกายภาพของระบบหรืออุปกรณ์ และใช้การประมวลผลสัญญาณ (Signal Processing) หรือ การเรียนรู้ของเครื่องจักร (Machine Learning) เพื่อที่จะพยากรณ์ (Prognosis) ระดับการเสื่อมสภาพที่จะเกิดขึ้น ณ เวลาในอนาคต

ลักษณะงานที่สามารถใช้ PHM นั้นมีหลากหลาย ตัวอย่างเช่น ใช้ในการคาดการณ์การเสื่อมสภาพของตลับลูกปืน (Degradation of bearings) (Qian & Yan, 2015) การเสื่อมประสิทธิภาพในการชาร์จและการดีสชาร์จของแบตเตอรี่ (Degradation of Charge/Discharge capability of batteries) (Goebel et al., 2008) อุปกรณ์สารกึ่งตัวนำด้านอิเล็กทรอนิกส์กำลัง (Power electronic semiconductor devices) (Pecht, 2008) อากาศยาน (Kirkland, Pombo, Nelson, & Berghout, 2004) หรือ สถานะของใบพัดกังหันลมเพื่อการผลิตไฟฟ้าขนาดใหญ่ (Lei, 2017) เป็นต้น

การประมาณอายุที่เหลืออยู่ (Remaining Useful Life Estimation)

สิ่งที่เราต้องการทราบมากที่สุดในการพยากรณ์ก็คือช่วงเวลาเหลืออยู่ก่อนที่อุปกรณ์นั้นจะหมดสภาพในการใช้งานไป เราเรียกช่วงเวลานี้ว่า อายุที่เหลืออยู่ (Remaining Useful Life) หรือ RUL โดยคำจำกัดความของ RUL นั้นคือ ช่วงเวลาที่นับจากเวลาปัจจุบัน (Current Cycle) ที่อุปกรณ์นั้นจะยังทำงานได้ปกติจนกระทั่งถึงเวลาที่คาดว่าอุปกรณ์นั้นหมดสภาพหรือสิ้นอายุในการใช้งาน (Kim, N., An, D. & Choi, J., 2017)  

กระบวนการในการประมาณค่า RUL จะแสดงดังรูปที่ 1 โดยเริ่มจากการเก็บข้อมูลดิบ (raw data) ที่ได้มาจากการเครื่องจักรหรืออุปกรณ์ที่อาจจะมีรูปแบบหลากหลาย เช่น วัดค่าความต้านทานภายใน (resistance) ของแบตเตอรี่ หรือ จากสัญญาณการสั่นสะเทือน (vibration signals) หรือ จากตัววัดสัญญาณที่ติดกับมอเตอร์หรือเจนเนอเรเตอร์ หรือ จากการวิเคราะห์การสึกหรอของโลหะจากน้ำมัน (oil wear) หรือ จากเครื่องวัดความหนาผิวเคลือบ (Thickness tester) หรือ จากตัววัดค่าความร้อนของวัตถุ (Thermograph) เป็นต้น สัญญาณเหล่านี้จะถูกจัดการเบื้องต้น (Preprocessing) เพื่อลดสัญญาณรบกวนที่ไม่ต้องการ หรือ ในบางกรณีก็เป็นไปเพื่อการเติมค่าที่ขาดหาย (missing data) เพื่อสร้างสัญญาณฟีเจอร์ (feature) ซึ่งมีลักษณะของการเกิดแนวโน้ม (trending) ของระดับการเสื่อมสภาพที่เป็นแบบฟังก์ชันทางเดียว (Monotonic function) จากนั้นจะทำการพยากรณ์ (prognosis) โดยอาศัยอัลกอริธึมเพื่อคำนวณว่าเมื่อใดที่สภาวะการเสื่อมสภาพของอุปกรณ์นั้นจะดำเนินไปจนถึงระดับที่ตั้งไว้ (threshold) ซึ่ง ณ เวลานั้น จะเรียกว่าเวลาสิ้นอายุ (End of life) หรือ EOL และ ช่วงเวลาที่นับจากเวลาปัจจุบันถึงเวลาสิ้นอายุ EOL ก็จะเรียกว่าช่วงเวลาที่เหลืออยู่ หรือ RUL ของอุปกรณ์นั้นๆ

รูปที่ 1

 

โดยทั่วไปแล้วอัลกอริธึมที่ใช้การพยากรณ์จะแบ่งออกเป็นสามวิธีดังต่อไปนี้  ("Prognostics", 2018)

  1. วิธีการใช้แบบจำลองทางกายภาพ (physical model-based approach)
  2. วิธีการใช้ข้อมูลอย่างเดียว (data-driven based approach)
  3. วิธีผสมการใช้แบบจำลองทางกายภาพและข้อมูล (mixed physical model-based and data-driven approach)

วิธีของการใช้แบบจำลองทางกายภาพจะเป็นรูปแบบที่ง่ายที่สุดในการพยากรณ์ RUL โดยในรูปที่ 2 แสดงกรรมวิธีการหา RUL โดยวิธีการใช้แบบจำลองทางกายภาพ โดยเริ่มจากการใช้ข้อมูลฟีเจอร์ที่มีอยู่นับถึงเวลาขณะปัจจุบัน (Current cycle) หลังจากนั้นอัลกอริธึมจะอาศัยแบบจำลองทางกายภาพของอุปกรณ์ในการประมาณค่า (Prediction) เพื่อสร้างฟังก์ชันความหนาแน่นความน่าจะเป็น (Probability Density Function) หรือ pdf ของค่าระดับการเสื่อมสภาพ และ ช่วงความเชื่อมั่น (Confidence interval) ของการประมาณค่านี้ สังเกตว่าการทำนายค่าในอนาคตที่ห่างจากเวลาปัจจุบันมากจะทำให้ช่วงความเชื่อมั่นกว้างขึ้น ซึ่งจะหมายถึงการที่ค่าเบี่ยงเบนมาตรฐาน (standard deviation) การประมาณค่าระดับการเสื่อมสภาพมีค่ามากตามไปด้วย และเมื่อระดับของค่าประมาณการเสื่อมสภาพของอุปกรณ์ได้ดำเนินไปถึงระดับ threshold ที่ได้ตั้งไว้ ก็จะเรียกได้ว่าถึงเวลาสิ้นอายุหรือ EOL ของเครื่องจักรหรืออุปกรณ์นั้นแล้ว ความแม่นยำของการพยากรณ์ EOL อธิบายได้ด้วยการกระจาย (Distribution) ที่ขึ้นกับหลายปัจจัย เช่น แบบจำลองที่ใช้ ปริมาณสัญญาณรบกวน จำนวนข้อมูลที่ได้จนถึงเวลาปัจจุบัน และ อัลกอริธึมที่ใช้ในการประมาณค่า ซึ่งปัจจัยต่างๆเหล่านี้ยังมีความแตกต่างกันไปในแต่ละลักษณะของเครื่องจักรหรืออุปกรณ์อีกด้วย ดังนั้นจึงเป็นเรื่องที่วิศวกรซ่อมบำรุงที่จะต้องพิจารณาเพื่อเลือกใช้วิธีการการพยากรณ์ RUL ให้เหมาะสมกับแต่ละชนิดของงาน   

รูปที่ 2

บทสรุป

การพยากรณ์สถานะของเครื่องจักรและอุปกรณ์ (Prognostics and Health Management) หรือ PHM นั้นเป็นหัวใจหลักของการบำรุงรักษาเชิงคาดการณ์ (Condition-based Maintenance) หรือ CBM ซึ่งเป็นเทคนิคการบำรุงรักษาที่เน้นการใช้สถานะของเครื่องจักรและอุปกรณ์มาใช้ในการกำหนดแผนงานเพื่อเพิ่มประสิทธิภาพในการจัดทำแผนการบำรุงรักษา ความแม่นยำของการประมาณค่าอายุที่เหลืออยู่ หรือ RUL ของเครื่องจักรหรืออุปกรณ์นั้นขึ้นกับหลายปัจจัย เช่น แบบจำลองที่ใช้ ปริมาณสัญญาณรบกวน จำนวนข้อมูลที่ได้จนถึงเวลาปัจจุบัน อัลกอริธึมที่ใช้ในการประมาณค่าและลักษณะของเครื่องจักรหรืออุปกรณ์ที่พิจารณา  ผู้อ่านท่านใดมีข้อสงสัยต้องการซักถามหรือแนะนำติชม สามารถติดต่อผู้เขียนมาได้ที่ peerapol.y@gmail.com

เอกสารอ้างอิง

Dragomir, O. E., Gouriveau, R., Dragomir, F., Minca, E., & Zerhouni, N. (2009). Review of prognostic problem in condition-based maintenance. 2009 European Control Conference (ECC). doi:10.23919/ecc.2009.7074633

Goebel, K., Saha, B., Saxena, A., Celaya, J. and Christophersen, J. (2008). Prognostics in Battery Health Management. IEEE Instrumentation & Measurement Magazine, 11(4), pp.33-40.

Gouriveau, R. (2016). From prognostics and health systems management to predictive maintenance 1: Monitoring and prognostics. London: ISTE.

Kim, N., An, D. and Choi, J. (2017). Prognostics and Health Management of Engineering Systems. Cham: Springer International Publishing.

Kirkland, L., Pombo, T., Nelson, K., & Berghout, F. (2004). Avionics health management: Searching for the prognostics grail. 2004 IEEE Aerospace Conference Proceedings (IEEE Cat. No.04TH8720), 3448-3554. doi:10.1109/aero.2004.1368150

Lei, Y. (2017). Intelligent fault diagnosis and remaining useful life prediction of rotating machinery. Oxford, United Kingdom: Butterworth-Heinemann Ltd.

Pecht, M. (2008). Prognostics and Health Management of Electronics. John Wiley &Sons, Inc. Hoboken, USA.

Prognostics. (2018, August 09). Retrieved from https://en.wikipedia.org/wiki/Prognostics

Qian, Y., & Yan, R. (2015). Remaining Useful Life Prediction of Rolling Bearings Using an Enhanced Particle Filter. IEEE Transactions on Instrumentation and Measurement, 64(10), 2696-2707. doi:10.1109/tim.2015.2427891

 

<< ย้อนกลับ