Page 31 - วิศวกรรมสาร ปีที่ 78 ฉบับที่ 1 มกราคม - มีนาคม 2568

การใช้ Raspberry Pi ในงานอุตสาหกรรมร่วมกับ AI

ตัวอย่างการคาดการณ์ราคาวัตถุดิบการคาดการณ์ความต้องการสินค้า หรือการบ�ารุง
รักษาเชิงคาดการณ์ (Predictive Maintenance) โดยใช้ Raspberry ร่วมกับโมเดล AI
สามารถวิเคราะห์ข้อมูลจากเซ็นเซอร์ เพื่อคาดการณ์การเสียหายของเครื่องจักรและ
วางแผนการบ�ารุงรักษา เป็นการสร้างข้อมูลตัวอย่าง (Sine wave + noise) จ�าลองข้อมูล
จากเซ็นเซอร์ที่ใส่ noise เข้าไปเล็กน้อย จากนั้นสร้างล�าดับข้อมูลส�าหรับ RNN ซึ่งเป็น AI

การเรียนรู้แบบมีผู้สอน (Supervised Learning) โดยก�าหนดพารามิเตอร์และใช้ข้อมูล
50 จุดในการท�านาย ที่มีการ Reshape ข้อมูลให้อยู่ในรูป (samples, timesteps,
features) จากนั้นสร้างโมเดล RNN แบบ LSTM ท�าการคอมไพล์โมเดล เทรนโมเดล และ
ท�านายค่าต่อไปจนถึงจุดสิ้นสุดที่ก�าหนด การเรียนรู้จะหยุดเมื่อค่าความผิดพลาดที่ท�านาย
เข้าใกล้ศูนย์

ภาพที่ 10: เป็นจ�าลองข้อมูลจากเซ็นเซอร์และคาดการณ์การด้วยโมเดล RNN (ใช้ LSTM) ของ
Sine wave + noise

ตัวอย่างต่อมาเป็นการสร้างข้อมูลแบบ Random Walk จ�าลองข้อมูลจากเซ็นเซอร์
ท�าการสุ่มค่าเพิ่มขึ้นและลดลงโดยสร้างค่าแบบสะสมร่วมกับการใช้ Gaussian Filter เพื่อ
ลดความผันผวน เตรียมข้อมูลส�าหรับ RNN โดยการ Reshape เป็น (samples, timesteps,
features) จากนั้นแบ่งชุดข้อมูลเป็น train และ test สร้างโมเดล RNN (ใช้ LSTM) ท�าการ
คอมไพล์โมเดล เทรนโมเดลฝึกโมเดล และท�านายค่าจากจุดที่ 1,001 ถึง 1,100 แล้วแสดง
ผลลัพธ์ดังภาพซึ่งท�าให้สามารถคาดการณ์การเสียหายของเครื่องจักรและวางแผนการบ�ารุง

รักษาในอนาคตได้จากข้อมูลเซ็นเซอร์ที่บันทึกไว้

ภาพที่ 11: การคาดการณ์การด้วยโมเดล RNN (ใช้ LSTM)

วิศวกรรมสาร l ปีที่ 78 ฉบับที่ 1 มกราคม - มีนาคม 2568 31