ชื่อโปรเจกต์: การวินิจฉัยและตรวจสอบระบบท่อด้วย AI โดยใช้ mmWave
นับตั้งแต่เริ่มต้นการปฏิวัติอุตสาหกรรม การบำรุงรักษาระบบท่อที่แม่นยำมีความสำคัญอย่างยิ่งต่อการรักษากระบวนการทำงานของเครื่องจักรให้ยั่งยืน มีกำไร และมั่นคง แม้ว่าชิ้นส่วนเครื่องจักรและหน่วยควบคุมทั้งหมดได้พัฒนาจากการกินพื้นที่ขนาดใหญ่ไปเป็นขนาดที่พอดีในกระเป๋าของเรา การบำรุงรักษาระบบท่อยังคงเป็นหนึ่งในด้านที่สำคัญที่สุดในการรักษาสภาพเครื่องจักรให้สมบูรณ์ขณะดำเนินการผลิตอัตโนมัติ ตั้งแต่การระบายความร้อนโปรเซสเซอร์ด้วยน้ำบน motherboards ไปจนถึงการจัดหาสารโลหะผสมเหลวหรือพลาสติกสำหรับกระบวนการ injection molding ระบบท่อที่ผิดพลาดสามารถก่อให้เกิดปัญหาการผลิตต่างๆ ได้ในขณะที่เครื่องจักรทำงาน โดยเฉพาะอย่างยิ่งสำหรับธุรกิจขนาดเล็กที่มีงบประมาณจำกัดไม่เพียงพอต่อค่าใช้จ่ายในการยกเครื่องที่มีราคาแพง
ดังนั้น การจัดตั้งกลไกการวินิจฉัยระบบท่อที่มีประสิทธิภาพและแม่นยำซึ่งสอดคล้องกับกฎระเบียบการบำรุงรักษาทั่วไป สามารถช่วยให้ช่างเทคนิคดูแลเครื่องจักรให้ทนทานได้นานกว่าที่คาดการณ์ไว้มาก และป้องกันไม่ให้บริษัทสิ้นเปลืองทรัพยากรในการเปลี่ยนหรือซ่อมแซมส่วนประกอบเครื่องจักรที่มีมูลค่าสูง เนื่องจากขาดการวินิจฉัยระบบท่อที่เหมาะสม
รอยร้าวในท่อเป็นหนึ่งในข้อบกพร่องที่พบบ่อยที่สุดขณะขนถ่ายของเหลว โดยเฉพาะอย่างยิ่งเมื่อมีสภาวะทางความร้อนที่แตกต่างกัน ในระหว่างการทำงานของเครื่องจักร ความเค้นทางกลและความร้อนทำให้เกิดข้อบกพร่องเล็กน้อยในระบบท่อเนื่องจากความล้า เมื่อข้อบกพร่องเล็กๆ เหล่านี้สะสม ผลลัพธ์ส่วนใหญ่จะส่งผลให้เกิดความดันปั่นป่วนภายในที่แตกต่างกัน ซึ่งนำไปสู่การผิดรูปทรงเล็กน้อย และส่งผลให้เกิดความบกพร่องค่อยๆ เพิ่มขึ้นเมื่อเวลาผ่านไปเนื่องจากความตึงเครียด ยิ่งไปกว่านั้น ขึ้นอยู่กับกระบวนการทำงานและสภาพแวดล้อม ยังมีข้อบกพร่องของระบบท่อที่เป็นไปได้มากมายนอกเหนือจากรอยร้าว เช่น การกัดกร่อน การสึกหรอ ข้อต่ออุดตันเนื่องจากสารเคมีตกค้าง จุดเชื่อมต่อรั่วเนื่องจากการปล่อยก๊าซสูง เป็นต้น
แม้ว่าจะมีอุปกรณ์ตรวจสอบระบบท่อภายนอกที่แตกต่างกันซึ่งใช้ computer vision (camera), การวัดสนามแม่เหล็ก และ acoustic detection (microphone)[1] แต่วิธีการเหล่านี้ไม่สามารถนำไปใช้กับระบบท่อที่แตกต่างกันได้ ตัวอย่างเช่น อุปกรณ์ที่ใช้ object detection ด้วย thermal camera อาจไม่สามารถตรวจจับผลึกภายในได้เนื่องจากก๊าซสามารถซึมผ่านได้สูงในระบบท่อที่ขนส่ง antifreeze เพื่อระบายความร้อนส่วนประกอบต่างๆ
อย่างไรก็ตาม วิธีการใหม่ๆ ที่เป็นนวัตกรรมบางอย่างมุ่งเป้าไปที่การตรวจจับความล้มเหลวที่อาจเกิดขึ้นในระบบท่อโดยการตรวจสอบการเปลี่ยนแปลงลักษณะการสั่นสะเทือน เนื่องจากความเค้นที่สะสมเนื่องจากข้อบกพร่องของระบบท่อส่งผลกระทบต่อความสมบูรณ์และโครงสร้างของวัสดุอย่างค่อยเป็นค่อยไป ความล้มเหลวเหล่านี้จึงสามารถตรวจจับได้โดยการตรวจสอบการสั่นสะเทือนที่ผันผวนในฐานะกลไก non-destructive testing and evaluation (NDT&E) ตัวอย่างเช่น ในการตรวจสอบล่าสุด นักวิจัยได้ใช้ ground penetrating radar (GPR) เพื่อตรวจจับรอยร้าวในท่อที่ฝังอยู่[2] และ microwave-based synthetic aperture radar (SAR) เพื่อตรวจสอบข้อบกพร่องของระบบท่อ[3]
หลังจากที่ได้ศึกษาเอกสารวิจัยล่าสุดเกี่ยวกับการวินิจฉัยระบบท่อโดยอาศัยการสั่นสะเทือน ผมสังเกตเห็นว่าแทบไม่มีอุปกรณ์ใดเลยที่มุ่งเน้นการรวบรวมข้อมูลจาก mmWave radar module เพื่อดึง data parameters ตรวจจับข้อบกพร่องของระบบท่อที่อาจเกิดขึ้น และแสดงผลการตรวจจับแบบ real-time พร้อมรูปภาพของท่อที่ผิดรูปสำหรับการตรวจสอบเพิ่มเติม ดังนั้น ผมจึงตัดสินใจสร้างกลไกที่ประหยัดงบประมาณและกะทัดรัดเพื่อวินิจฉัยข้อบกพร่องของระบบท่อด้วย machine learning และแจ้งผลการตรวจจับของ model พร้อมรูปภาพของท่อที่ผิดรูปให้ผู้ใช้ทราบพร้อมกัน โดยหวังว่าจะช่วยธุรกิจในการรักษาเครื่องจักรให้ทนทานและมั่นคงโดยการขจัดข้อบกพร่องพื้นฐานของระบบท่อ
เพื่อวินิจฉัยข้อบกพร่องของระบบท่อที่แตกต่างกัน ผมจำเป็นต้องรวบรวมการวัดค่าการสั่นสะเทือนที่แม่นยำจากระบบท่อ เพื่อฝึก neural network model ของผมให้มีความถูกต้องน่าเชื่อถือ ดังนั้น ผมจึงตัดสินใจสร้างระบบท่ออย่างง่ายโดยใช้ท่อและข้อต่อ (adapters) ที่มีค่า thermal conductivity ปานกลาง ซึ่งแสดงให้เห็นถึงข้อบกพร่องของระบบท่อที่แตกต่างกันสามแบบในแต่ละส่วนหลัก — โดยมีการกำหนดสีไว้ เนื่องจาก Seeed Studio มี mmWave radar modules พร้อม algorithms ในตัวเพื่อตรวจจับการเปลี่ยนแปลงการสั่นสะเทือนเล็กน้อยเพื่อประเมินอัตราการหายใจ อัตราการเต้นของหัวใจ และสถานะการนอนหลับ ผมจึงตัดสินใจใช้ 60GHz mmWave module เพื่อดึง data parameters ของผมผ่าน algorithms ที่กล่าวถึง เนื่องจาก Arduino Nicla Vision เป็น edge device ที่พร้อมใช้งานและกะทัดรัด พร้อมกล้องสี 2MP และการเชื่อมต่อ WiFi/BLE ในตัว ผมจึงตัดสินใจใช้ Nicla Vision เพื่อรัน neural network model ของผม จับภาพของท่อที่ผิดรูป และแจ้งผลการตรวจจับของ model พร้อมรูปภาพท่อที่ถ่ายไว้ให้ผู้ใช้ทราบ เนื่องจากความไม่เข้ากันของ architecture และ library ผมจึงเชื่อมต่อ mmWave module เข้ากับ Arduino Nano เพื่อดึงและส่ง radar data parameters ไปยัง Nicla Vision ผ่าน serial communication จากนั้น ผมเชื่อมต่อ control buttons สี่ปุ่มเข้ากับ Arduino Nano เพื่อส่ง commands พร้อมกับ mmWave data parameters ที่รวบรวมได้ไปยัง Nicla Vision นอกจากนี้ ผมยังเพิ่ม ILI9341 TFT LCD screen เพื่อแสดงเมนู interface ซึ่งรวมถึง custom radar indicator
เนื่องจากผมมุ่งเน้นไปที่การสร้างอุปกรณ์ AIoT ที่สมบูรณ์แบบเพื่อวินิจฉัยข้อบกพร่องของระบบท่อ ผมจึงตัดสินใจพัฒนา web application ขึ้นมาตั้งแต่ต้น โดยมีคุณสมบัติที่หลากหลายให้กับผู้ใช้ ประการแรก ผมใช้ web application เพื่อรับ mmWave data parameters ที่รวบรวมได้พร้อมกับ label ที่เลือกจาก Nicla Vision ผ่าน HTTP GET request บันทึกข้อมูลที่ได้รับลงใน MySQL database table และแสดงบันทึกข้อมูลที่จัดเก็บไว้บน interface ในลำดับจากมากไปน้อย (descending order) ผ่าน HTML button เพียงปุ่มเดียวบน interface, web application ยังสามารถสร้าง CSV file ที่จัดรูปแบบไว้ล่วงหน้าจากบันทึกข้อมูลที่จัดเก็บไว้ใน database โดยไม่จำเป็นต้องมีขั้นตอนเพิ่มเติมใดๆ
หลังจากที่ผมสร้าง data set ของผมเสร็จสมบูรณ์โดยการรวบรวมข้อมูลจาก custom pipeline system ที่ผมประกอบขึ้น ผมได้สร้าง artificial neural network model (ANN) ของผมด้วย Edge Impulse เพื่อทำการทำนายข้อบกพร่องของระบบท่อ (classes) เนื่องจาก Edge Impulse สามารถทำงานร่วมกับ microcontrollers และ development boards เกือบทั้งหมด ผมจึงไม่พบปัญหาใดๆ ในขณะที่อัปโหลดและรัน model ของผมบน Nicla Vision ในฐานะ labels ผมใช้ข้อบกพร่องพื้นฐานสามประการของระบบท่อที่แสดงโดยแต่ละเส้นหลัก (มีการกำหนดสีบนระบบ):
- Clogged
- Cracked
- Leakage
หลังจากฝึกและทดสอบ neural network model ของผมแล้ว ผมได้ deploy และอัปโหลด model ดังกล่าวบน Nicla Vision ในรูปแบบของ Arduino library ด้วยเหตุนี้ อุปกรณ์จึงสามารถวินิจฉัยข้อบกพร่องของระบบท่อได้โดยการรัน model อย่างอิสระโดยไม่มีขั้นตอนเพิ่มเติมหรือ latency
จากนั้น ผมใช้ web application เพื่อรับผลการตรวจจับของ model พร้อมรูปภาพของท่อที่ผิดรูปจาก Nicla Vision ผ่าน HTTP POST requests บันทึกข้อมูลที่ได้รับลงใน MySQL database table เฉพาะ และแสดงผลลัพธ์ของ model ที่จัดเก็บไว้พร้อมรูปภาพการตรวจจับที่กำหนดบน application interface ในลำดับจากมากไปน้อย (descending order) พร้อมกัน
เนื่องจาก Nicla Vision สามารถสร้าง raw image buffer (RGB565) เท่านั้น web application เสริมนี้จึงรัน Python script เพื่อแปลง raw image buffer ที่ได้รับให้เป็น JPG file โดยอัตโนมัติก่อนที่จะบันทึกลงใน server หลังจากบันทึกภาพที่แปลงแล้วสำเร็จ web application จะเพิ่มภาพนั้นลงใน HTML table บน interface อย่างต่อเนื่อง ทำให้ผู้ใช้สามารถตรวจสอบผลการตรวจจับของ model ก่อนหน้าทั้งหมดและภาพท่อที่ผิดรูปที่กำหนดได้ในลำดับจากมากไปน้อย (descending order)
เมื่อพิจารณาถึงสภาพการทำงานที่สมบุกสมบัน ผมจึงตัดสินใจออกแบบ PCB ที่ไม่เหมือนใครหลังจากเสร็จสิ้นการเดินสายบน breadboard สำหรับ prototype และทดสอบ code และ neural network model ของผม เนื่องจากผมต้องการให้การออกแบบ PCB ของผมสื่อถึงความรู้สึกเสียหายจากน้ำที่เป็นเอกลักษณ์และทรงพลัง ผมจึงตัดสินใจออกแบบ PCB ที่ได้รับแรงบันดาลใจจาก Dragonite เนื่องจากเป็น Pokémon ตัวแรกที่เกี่ยวกับน้ำที่น่ากลัวสำหรับผมจากอนิเมะ แม้ว่าจะเป็น Pokémon ประเภท Dragon/Flying ก็ตาม ต้องขอบคุณ uni