สัมภาษณ์ผู้บริการ PTT กับการใช้ IoT และ Machine Learning...

กระแส IoT ในปีที่ผ่านมาคงเริ่มเป็นเรื่องที่ได้รับความสนใจมากขึ้นเรื่อยๆ เมื่อข้อมูลเหล่านี้สามารถนำมาใช้งานได้ดีขึ้นเรื่อยๆ จากเทคนิคการประมวลผลข้อมูลที่ก้าวหน้าไปมากในช่วงหลายปีที่ผ่านมา

เมื่องาน IBM 65 ปีในไทยมีการยกตัวอย่างหนึ่งของปตท. ที่ได้ลงระบบทำนายการซ่อมบำรุงล่วงหน้า (predictive maintenance) เพื่อใช้ข้อมูลจากเซ็นเซอร์จำนวนมากมาบอกเครื่องยนต์ในโรงงานมีโอกาสเสียหายหรือต้องการซ่อมบำรุงมากน้อยเพียงใด เมื่อผมไปร่วมงานและเห็นว่าน่าสนใจจึงขอไปพูดคุยกับผู้บริหารปตท. และผู้บริหาร Triple Dot บริษัทผู้ให้คำปรึกษาในโครงการนี้



ผังระบบโรงงานแยกก๊าซระยอง ปตท. ที่มี gas turbine เป็นหัวใจ

โครงการนี้ใช้เครื่องมือ IBM PMQ ซึ่งเป็นซอฟต์แวร์สำหรับการวิเคราะห์การซ่อมบำรุงเครื่องจักรคือ gas turbine ที่มีความสำคัญต่อกระบวนการผลิตสูง และหากเกิดความเสียหายขึ้นมาจะมีมูลค่าสูงมาก โดยโครงการสร้าง dashboard เพื่อแจ้งเตือนว่าเครื่องจักรมีแนวโน้มจะเสียหายล่วงหน้า

การใช้เซ็นเซอร์ตามจุดต่างๆ ในโรงงานเพื่อดูแลเป็นเรื่องที่มีก่อนหน้านี้แล้ว ระบบใหม่นี้แตกต่างอย่างไร


PTT: ที่ผ่านมาก็มีการเก็บข้อมูลและทำนายความจำเป็นในการซ่อมบำรุงอยู่ก่อนแล้ว แต่การทำนายด้วยคนโดยมากมักดูพารามิเตอร์แค่ 1-2 พารามิเตอร์ ซึ่งบางกรณีไม่เพียงพอจะทำนายความเสียหาย การจับรูปแบบก็อาจจะหาวิธีการพล็อตกราฟรูปแบบต่างๆ เพื่อให้เห็นรูปแบบได้ว่าเหมือนช่วงเวลาที่เคยเกิดเหตุจนต้องซ่อมบำรุงอย่างไร แต่คนก็พล็อตรูปแบบออกมาดูได้จำกัด

ปตท.นำ machine learning เข้ามาใช้งานโดยหวังว่าระบบเหล่านี้จะมีความแม่นยำสูงกว่า เพราะระบบเหล่านี้สามารถมองข้อมูลในมุมมองที่ปกติคนมองไม่ได้อยู่





หน้าจอ dashboard วิเคราะห์ "สุขภาพ" ของ gas turbine ว่ายังสมบูรณ์ดีอยู่หรือไม่

กระบวนการพัฒนาเป็นอย่างไร


Triple Dot: ทีมงานได้รับข้อมูลย้อนหลังของการรายงานการซ่อมบำรุงและค่าจากเซ็นเซอร์ต่างๆ ที่เก็บไว้ เรานำข้อมูลมาสร้างโมเดลเพื่อทำนายล่วงหน้าว่าจะเกิดความเสียหายด้วยความน่าจะเป็นเพียงใด

เราแยกข้อมูลออกเป็นสองส่วน จากข้อมูลที่ได้มาสองปี ส่วนแรกเป็นข้อมูลสำหรับฝึกโมเดล และส่วนหลังเป็นข้อมูลสำหรับยืนยันว่าโมเดลสามารถทำนายได้จริง

เราสร้างโมเดลโดยต้องคำนึงหลายอย่าง เช่นว่าโมเดลอาจจะแจ้งเตือนว่าควรซ่อมบำรุงโดยที่จริงๆ ไม่จำเป็นได้บ้าง (false positive) แต่เรายอมรับการไม่แจ้งเตือนทั้งที่จะเกิดความเสียหาย (false negative) ไม่ได้เลย เพราะหากปล่อยให้มีความเสียหายขึ้นมาจริงไ มูลค่าจะสูงมาก

ข้อมูลที่ใช้สร้างโมเดลจากแหล่งต่างๆ อาจจะต่างกันไป เซ็นเซอร์บางตัวส่งข้อมูลออกมาทุกวินาทีซึ่งไม่มีประโยชน์ต่อการทำนายนัก เราก็ต้องทดสอบว่าโมเดลที่เหมาะสมเป็นอย่างไร ข้อมูลจากเซ็นเซอร์บางตัวเราอาจจะต้องการเพียงนาทีหรือสองสามนาทีครั้งเท่านั้น

โมเดลเองต้องสร้างขึ้นกับเครื่องจักรแต่ละเครื่องโดยเฉพาะ เครื่องจักรบางเครื่องอาจจะไม่เคยมีข้อมูลเลยว่าเมื่อเริ่มเสียหายจะเป็นอย่างไร แต่ในแง่หนึ่งเราก็ได้ข้อมูลว่าลักษณะข้อมูลเมื่อเครื่องทำงานได้ปกติเป็นอย่างไร และสร้างระบบแจ้งเตือนเมื่อมีความผิดปกติไปจากเดิมที่เคยเป็นมา

ในเมื่อมีการทำนายด้วยคนอยู่แล้ว การนำ machine learning เข้ามาช่วยแบบนี้มีข้อดีอย่างไร


PTT: เราคาดหวังว่าระบบเช่นนี้ต้องทำนายได้ไกลกว่าที่คนเคนดูแลอยู่ เช่นว่าทุกวันนี้เรามองค่าพารามิเตอร์แล้วทำนายได้ว่าเครื่องจะเสียในอีกสองสัปดาห์ ระบบแบบนี้ต้องเตือนเราล่วงหน้าได้นานกว่านั้นเพื่อให้มีโอกาสวางแผนการซ่อมบำรุงได้ดีขึ้น

ใช้งานระบบนี้มานานแค่ไหนแล้ว และสามารถทำนายได้มากไหม


PTT: ใช้งานมาแล้ว2 ปีเต็ม ที่ผ่านมามีการแจ้งเตือนหนึ่งครั้ง ซึ่งก็เป็นเรื่องปกติเพราะเครื่องจักรขนาดใหญ่ไม่ได้เสียบ่อยขนาดนั้น บางปีก็ไม่มีเหตุใดๆ เลย

แต่หนึ่งครั้งนั้นก็สำคัญมากเพราะการซ่อมล่วงหน้าทำให้เราสามารถจัดการได้มาก เช่น การสั่งอะไหล่อาจจะต้องใช้เวลาช่วงหนึ่งและอาจจะหาอะไหล่ได้ไม่ทัน ระบบใหม่นี้ที่เคยแจ้งเตือนสามารถแจ้งเตือนได้ล่วงหน้าหนึ่งเดือน ซึ่งปกติหากใช้คนมองก็จะไม่สามารถทำนายได้นานขนาดนั้น

ตอนนี้ระบบ predictive maintainance ดูแลเครื่องจักรกี่ตัวแล้ว


PTT: เราลงระบบครั้งแรกทดสอบด้วยเครื่อง turbine เครื่องเดียว และค่อยๆ ขยายไปเรื่อยๆ จนปีนี้เริ่มตรวจจับเครื่องจักรขนาดใหญ่ตอนนี้มอนิเตอร์ด้วย PMQ อยู่ 9 เครื่องแล้ว และมีการสำรวจอยู่บ้างว่าจะขยายไปทางใด แต่ตอนนี้เน้นเครื่องจักรที่เป็นหัวใจของแต่ละโรงงานก่อน

คิดจะขยายระบบไปมากกว่านี้ไหม


PTT: อาจจะมีการตรวจสอบวาล์วที่มีความสำคัญเพิ่มเติมในอนาคต และการสร้างโมเดลกับอุปกรณ์ที่ต่างออกไปก็ต้องการโมเดลที่ต่างกัน

คิดไหมว่าในอนาคตมีไปถึงยุคที่อุปกรณ์ทุกชิ้นถูกตรวจสอบด้วยระบบ แจ้งเตือนแบบนี้ทั้งหมด


PTT: ถ้าเรามีงบประมาณก็คงเป็นไปได้ และต้องระวังเรื่องภาระในการบำรุงรักษา การติดตั้งเซ็นเซอร์เองก็ต้องการการบำรุงรักษาของตัวเองด้วย การติดเซ็นเซอร์และสร้างโมเดลดูแลก็ต้องดูว่าคุ้มค่าไหม

อีกอย่างการติดตั้งเซ็นเซอร์แจ้งเตือนการซ่อมบำรุงก็ไม่ใช่เรื่องดีเสมอไป หากระบบแจ้งเตือนอย่างไม่จำเป็นบ่อยๆ เข้าก็กลายเป็นการซ่อมบำรุงเกินความจำเป็น แบบเดียวกับเซ็นเซอร์ถอยหลังรถยนต์ที่บางคันติดเพิ่มเป็นเซ็นเซอร์รอบคันทำให้ร้องเตือนตลอดเวลา



ทาง Blognone ขอขอบคุณ คุณสรไนย เลิศอักษร รองประธานฝ่ายวางแผนการผลิตและการจัดการเทคนิค โรงงานแยกก๊าซระยอง ปตท., คุณคมกฤช โล่ห์เพ็ชร์ รองประธานฝ่ายวิศวกรรมและการซ่อมบำรุง โรงงานแยกก๊าซระยอง ปตท. และคุณสุวิชา กอจรัญจิตต์ ผู้จัดการทั่วไป Triple Dot Consulting Co.,Ltd.

Topics: Machine Learning