การประยุกต์ใช้วิธีการทางปัญญาประดิษฐ์เพื่อช่วยในการระบุลายดอกยางเสียงรบกวนต่ำ

บทคัดย่อ

การวิจัยนี้มีวัตถุประสงค์เพื่อออกแบบลายดอกยางที่ช่วยลดเสียงรบกวน โดยใช้การจัดเรียง ระยะพิทช์ที่แตกต่างกันเพื่อให้เกิดลักษณะเสียงที่เหมาะสมและไม่สร้างความราคาญต่อผู้ใช้งาน ในการทดลอง ได้ศึกษาและออกแบบลายดอกยางจานวน 60 ลาย โดยแต่ละลายแบ่งเป็น 3 ส่วน ได้แก่ Rib ซ้าย (L), กลาง (M) และขวา (R) รวมเป็นข้อมูลภาพทั้งหมด 6,480 รูป จากนั้นนา สัญญาณเสียงของแต่ละลายมาแปลงเป็นภาพสเปกโตรแกรม ซึ่งแสดงการเปลี่ยนแปลงของความถี่ ตามเวลา เพื่อนามาใช้ในการฝึกและทดสอบโมเดลจาแนกเสียง โดยเปรียบเทียบประสิทธิภาพของ โมเดล ได้แก่ CNN, Resnet50, VGG16, Efficientnetb0 และ Autoencoder ผลการทดลองพบว่า Autoencoder เป็นโมเดลที่เหมาะสมที่สุดในการจาแนกความแตกต่าง ของเสียงจากลายดอกยาง โดยให้ค่า Root Mean Square Error (RMSE) เท่ากับ 5.8117 นอกจากนี้ ยังพบว่าเสียงรบกวนที่ส่งผลต่อความไม่สบายมักเกิดในช่วงเวลาที่มีความถี่เด่นชัดและต่อเนื่อง การ แปลงข้อมูลเสียงเป็นภาพเพื่อวิเคราะห์ในเชิงเวลาและความถี่ช่วยให้สามารถระบุลักษณะเสียงที่ไม่พึง ประสงค์ได้ชัดเจนมากขึ้น งานวิจัยนี้สามารถนาไปประยุกต์ใช้ในการพั ฒนาโปรแกรมออกแบบลาย ดอกยางเพื่ อ เพิ่ ม ประสิ ท ธิ ภาพด้า นความเงี ย บและความสบายในการขั บ ขี่ ใ ห้ กั บ ผลิ ต ภั ณ ฑ์ ใ น ภาคอุตสาหกรรม คาสาคัญ : ลายดอกยาง/เสียงรบกวนต่า/ระยะพิทช์/สเปกตรัมเสียง/สเปกโตรแกรม/ปัญญาประดิษฐ์ ก Name Thesis Title Department Advisor Academic Year Mr. Phumravee Yookam Miss Areeya Jitsumphun Mr. Natthawut Chiamchan Application Of Artificial Intelligence To Identify The Low Noise Tire Pattern Mechanical And Aerospace Engineering Asst Prof Chak Chanthalakana, Phd 2024 Abstract This Study Aims To Design Tire Tread Patterns That Reduce Noise By Adjusting Pitch Arrangements For Desirable Acoustic Properties Without Causing Discomfort To Users. A Total Of 60 Tread Designs Were Analyzed, Each Divided Into Three Ribs: Left (L), Middle (M), And Right (R), Resulting In 6,480 Images. The Sound Signals From Each Tread Were Then Transformed Into Spectrogram Images, Which Visualize Changes In Frequency Over Time. These Were Used As Input Data To Train And Test Classification Models, Including CNN, Resnet50, VGG16, Efficientnetb0, And Autoencoder. Results Showed That Autoencoder Was The Most Suitable, With A Root Mean Square Error (RMSE) Of 5.8117. Uncomfortable Noise Often Occurred During Periods Of Dominant And Continuous Frequencies. Converting Sound Signals Into TimeFrequency Images Improved The Ability To Identify Undesirable Tonal Characteristics. This Research Can Be Applied To The Development Of Tire Tread Design Software To Improve Acoustic Performance And Enhance Ride Comfort In Industrial Products. Keywords : Tire Tread Pattern/ Low Noise/ Pitch Length/ Sound Spectrum/ Spectrogram/ Artificial Intelligence (AI) ข กิตติกรรมประกาศ ปริญญานิพนธ์เรื่องนี้สาเร็จลุล่วงด้วยดี เนื่องจากได้รับความอนุเคราะห์ ความช่วยเหลือ และ คาแนะนาจากหลายภาคส่วน คณะผู้จัดทาขอกราบขอบพระคุณ ผู้ช่วยศาสตราจารย์ ดร.จักร จันท ลักขณา อาจารย์ที่ปรึกษา ซึ่งได้ให้คาแนะนาอย่างใกล้ชิดตลอดระยะเวลาการดาเนินงาน ตั้งแต่การ วางแผน การทดลอง ตลอดจนการวิเคราะห์ผลลัพธ์ พร้อมทั้งให้กาลังใจและความกรุณาเป็นอย่างยิ่ง ขอขอบคุณ บริษัท ดีสโตน จากัด ที่ให้ความอนุเคราะห์ข้อมูลลายดอกยางสาหรับการศึกษา และวิจัย รวมถึงเปิดโอกาสให้สามารถนาข้อมูลจริงมาใช้เพื่อการพัฒนาโมเดลทางด้านปัญญาประดิษฐ์ ได้อย่างมีประสิทธิภาพ นอกจากนี้ คณะผู้จัดทาขอขอบคุณ อาจารย์ทุกท่านในภาควิชาวิศวกรรมเครื่องกลและการบินอวกาศ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ ที่มอบความรู้และ ประสบการณ์ตลอดระยะเวลาที่ศึกษาในระดับปริญญาตรี ท้ายที่สุดนี้ ขอขอบคุณ ครอบครัว เพื่อน และบุคคลใกล้ชิด ที่ให้กาลังใจ สนับสนุน และเป็น แรงผลักดันให้คณะผู้จัดทาสามารถดาเนินโครงงานนี้จนสาเร็จลุล่วงด้วยดี นายภูมิรวี อยู่คา นางสาวอารียา จิตสัมพันธ์ นายณัฐวุฒิ เจียมจันทร์ คณะผู้จัดทา ค สารบัญ หน้า บทที่ 1 บทนา………………………………………………………………………………………………………………......1 1.1 ทีม่าและความสาคัญ...................................................................................................1 1.2 วัตถุประสงค์………………………………………………………….….....………….….....………….…...2 1.3 ขอบเขตโครงงาน....................................................................................................... 2 1.4 ประโยชน์ที่คาดว่าจะได้รับ...........................................................................................3 1.5 แผนการดาเนินงาน......................................................................................................4 บทที่ 2 งานวิจัยและทฤษฎีที่เกี่ยวข้อง............................................................................................5 2.1 ปัญญาประดิษฐ์ (Artificial Intelligence - AI) .........................................................5 2.2 เสียงจากยางรถยนต์....................................................................................................5 2.3 การประเมินความสบายในการสั่นสะเทือนของยานพาหนะ........................................5 2.4 Time Waveform.......................................................................................................6 2.5 Harmonic..................................................................................................................6 2.6 การแปลงฟูเรียร์แบบเร็ว (Fast Fourier Transform - FFT) .....................................7 2.7 ค่า Tonality............................................................................................................ 8 2.8 การเรียนรูข้ อง Machine Learning............................................................................9 2.9 การเรียนรูเ้ ชิงลึก (Deep Learning) ..........................................................................9 2.10 โครงข่ายประสาทเทียม (Artificial Neural Network - ANN)……………………..…….10 2.11 โครงข่ายคอนโวลูชัน (Convolutional Neural Network - CNN)………………...…..10 2.12 Autoencoder...........................................................................................................11 2.13 โมเดลสาเร็จรูป (Pre-Trained Models)……………………………………………………..……11 2.14 โครงสร้างโมเดล.........................................................................................................13 2.15 จานวนชั้นซ้อน (Hidden Layers) และจานวนโหนด (Nodes)….............................15 2.16 รายละเอียดการฝึกโมเดล...........................................................................................17 บทที่ 3 การดาเนินงาน.....................................................................................................................18 3.1 การนาเข้าข้อมูล (Data Input)...................................................................................18 3.2 กระบวนการเตรียมข้อมูล (Data Preparation).........................................................26 3.3 การสกัดคุณลักษณะ (Feature Extraction)……………………………………………………….30 3.4 กระบวนการฝึกโมเดล…………………………………………………………………..…………………35 ง สารบัญ (ต่อ) หน้า บทที่ 4 ผลการดาเนินงาน……………………………………………………………………………………………………40 4.1 ผลการวิเคราะหเบื้องต้นเพื่อเปรียบเทียบประสิทธิภาพของโมเดล...............................40 4.2 ผลการวิเคราห์หลายดอกยาง 60 ลายดวยโมเดล Autoencoder…………………..…… 44 บทที่ 5 สรุปผล.............................................................................................................................. 48 5.1 สรุปผลการทดลอง.....................................................................................................48 5.2 ปัญหาและอุปสรรค....................................................................................................48 5.3 ข้อเสนอแนะ.............................................................................................................. 49 เอกสารอ้างอิง................................................................................................................................ 50 ภาคผนวก...................................................................................................................................... 53 จ สารบัญตาราง หน้า ตารางที่ 1.1 แผนการดาเนินงาน Proposal…………………………………………………………………….… 4 ตารางที่ 3.1 ตารางเปรียบเทียบค่า Tonality ที่เปลี่ยนแปลงไปจากหมุนของ Rib ลายดอกยาง 25 ตารางที่ 3.2 ผลการวิเคราะหของการใช AI ใน MATLAB สาหรับการสกัดฟีเจอร์........................ 33 ตารางที่ 3.3 ผลการวิเคราะหของการคานวณโดยมนุษยจากการแปลง FFT ใน MATLAB สาหรับการสกัดฟีเจอร์................................................................................................................... 33 ตารางที่ 4.1 แสดงผลลัพธ์เปรียบเทียบโมเดลกับขอมูล 3 ลายดอกยาง........................................ 43 ฉ สารบัญรูปภาพ หน้า ภาพที่ 2.1 รูปภาพลายดอกยาง ซึ่งแสดงถึง Order ที่ 68................................................................. 6 ภาพที่ 2.2 กราฟการแปลงสัญญาณเสียงรบกวนจากลายดอกยาง เป็นโดเมนความถี่ ด้วยวิธี การแปลงฟูเรียร์แบบเร็ว (FFT)..........................................................................................7 ภาพที่ 2.3 การเปรียบเทียบการทางานระหว่าง Machine Learning และ Deep Learning…….9 ภาพที่ 2.4 โครงสร้างของโครงข่ายประสาทเทียม ANN (Artificial Neural Network - ANN)…. 10 ภาพที่ 2.5 โครงสร้างของโครงข่ายประสาทเทียม CNN (convolution neural network)………11 ภาพที่ 2.6 โครงสร้างของ Autoencoder.....................................................................................11 ภาพที่ 2.7 โครงสร้างของ Restnet50...........................................................................................12 ภาพที่ 2.8 โครงสร้างของ VGG16.................................................................................................12 ภาพที่ 2.9 โครงสร้างของ EfficientNetB0................................................................................... 13 ภาพที่ 3.1 กราฟ Spectrogram ของลายดอกยางลายที่ 1.......................................................... 19 ภาพที่ 3.2 กราฟ Spectrogram ของลายดอกยางลายที่ 1 ที่มีการกรองสัญญาณโดยเลือก ข้อมูลที่มีความเข้มข้นมากกว่าหรือเท่ากับ 70% ของค่าพลังงานสูงสุด......................................... 20 ภาพที่ 3.3 หน้าจอการนาเข้าภาพและการแปลงลายดอกยางเป็นภาพขาวดา................................21 ภาพที่ 3.4 การวิเคราะห์พื้นที่สุทธิของลายดอกยาง...................................................................... 22 ภาพที่ 3.5 แสดงถึงการหมุนลายดอกยางในแต่ละฝั่งเพื่อตรวจสอบผลกระทบเชิงเรขาคณิต…….. 22 ภาพที่ 3.6 กราฟ FFT ของลายดอกยางพร้อมการวิเคราะห์ Leading Edge............................... 23 ภาพที่ 3.7 หน้าจอการส่งออกข้อมูลลายดอกยางเป็น Waveform เพื่อใช้สาหรับแปลงเป็น กราฟ Spectrogram ต่อไป.............................................................................................................. 23 ภาพที่ 3.8 กราฟ Spectrogram ที่ได้จากการหมุน Rib ของลายดอกยางฝั่งซ้าย (L) ที่มุม 180 องศา................................................................................................................................24 ภาพที่ 3.9 กราฟ Spectrogramที่ได้จากการหมุน Rib ของลายดอกยางฝั่งกลาง (M) ที่มุม 180 องศา................................................................................................................................24 ภาพที่ 3.10 กราฟ Spectrogramที่ได้จากการหมุน Rib ของลายดอกยางฝั่งขวา (R) ที่มุม 180 องศา...............................................................................................................................24 ภาพที่ 3.11 กราฟเปรียบเทียบค่า Tonality จากการปรับมุมลายดอกยาง...................................25 ภาพที่ 3.12 ตัวอย่างการจัดข้อมูลเป็น Cell Array..........................................................................28 ภาพที่ 3.13 ตัวอย่างการจัดข้อมูลเป็น Time Table.................................................................... 29 ช สารบัญรูปภาพ (ต่อ) หน้า ภาพที่ 3.14 การตรวจสอบสัญญาณ Var1 ด้วย Signal Trace ใน Diagnostic Feature Designer....................................................................................................................................... 30 ภาพที่ 3.15 ตัวเลือกการประมวลผลข้อมูลใน MATLAB Diagnostic Feature Designer.......... 31 ภาพที่ 3.16 ตัวเลือกการประมวลผลข้อมูลใน Diagnostic Feature Designer.............................31 ภาพที่ 3.17 การแจกแจงข้อมูลของคุณลักษณะต่าง ๆ ด้วย Histogram ใน Diagnostic Feature Designer....................................................................................................................................... 32 ภาพที่ 3.18 ผลการวิเคราะห์ของการใช้ AI ใน MATLAB สาหรับการสกัดฟีเจอร์............................33 ภาพที่ 3.19 ตัวอย่างโครงสร้างไฟล์................................................................................................35 ภาพที่ 4.1 ผลการฝึก Model Autoencoder.............................................................................. 40 ภาพที่ 4.2 ผลการฝึก Model CNN Custom.............................................................................. 41 ภาพที่ 4.3 ผลการฝึก Model Restnet50................................................................................... 41 ภาพที่ 4.4 ผลการฝึก Model VGG16......................................................................................... 42 ภาพที่ 4.5 ผลการฝึก Model Efficientnetb0............................................................................ 42 ภาพที่ 4.6 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลาย……………………………….. 45 ภาพที่ 4.7 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลายผ่าน Confusion Matrix........................................................................................................................................... 45 ภาพที่ 4.8 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลายผ่าน ROC Curve………. 46 ภาพที่ 4.9 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลายผ่านการกระจายของ Reconstruction Error…………………………………………………………………………………………………… 46 ซ บทที่ 1 บทนา 1.1 ที่มาและความสาคัญ ในยุคที่การพัฒนาเทคโนโลยีและนวัตกรรมก้าวหน้าอย่างรวดเร็ว ความต้องการในการเพิ่ม คุณภาพชีวิตและลดมลภาวะทางเสียงได้รับความสนใจอย่างมาก โดยเฉพาะในเขตเมืองที่มีความ หนาแน่นสูงและการจราจรที่หนาแน่น เสียงรบกวนจากยานยนต์เป็นปัญหาที่มีผลกระทบต่อคุณภาพ ชีวิตของประชาชน โดยเฉพาะเสียงที่เกิดจากลายดอกยางรถยนต์ ซึ่งมีบทบาทสาคัญในการสร้างเสียง รบกวนขณะขับขี่ เสียงรบกวนจากลายดอกยางเกิดจากหลายปัจจัย เช่น การกระทาของลมที่ผ่านลายดอกยาง การเคลื่อนไหวของยางบนถนนที่มีพื้นผิวไม่สม่าเสมอ และการเกิดสั่นสะเทือนจากการสัมผัสกับพื้นผิว ถนน ลายดอกยางที่ออกแบบไม่เหมาะสมสามารถสร้างเสียงรบกวนที่สูง ซึ่งส่งผลกระทบต่อความ สะดวกสบายในการขับขี่และเสียงรบกวนภายในรถยนต์ ปัญหานี้ได้รับความสนใจจากทั้งบริษัทผู้ผลิตยางและผู้ใช้รถยนต์ เนื่องจากเสียงรบกวนที่เกิด จากยางรถยนต์สามารถส่งผลกระทบต่อประสบการณ์การขับขี่โดยรวมและเพิ่มความเครียดจากเสียง ที่ดัง การลดเสียงรบกวนจึงเป็นความท้าทายที่สาคัญในการพัฒนาและออกแบบยางรถยนต์ จากการศึกษาเกี่ยวกับลักษณะของลายดอกยางและวิธีการลดเสียงรบกวน จากงานวิจัยของ Shin & Lee (2012) เรื่ อ ง "Effect Of Tire Tread Patterns On Tire Noise" งานวิ จั ย นี้ ไ ด้ ศึ ก ษา ผลกระทบของลายดอกยางที่แตกต่างกันต่อระดับเสียงที่เกิดจากการเคลื่อนที่ของยางบนถนน โดยการ ใช้เทคนิคการจาลองและการทดสอบในห้องปฏิบัติการ พบว่าลายดอกยางที่มีช่องว่างขนาดใหญ่และ รูปแบบที่ไม่สม่าเสมอสามารถลดเสียงรบกวนจากการกระทาของลมได้อย่างมีนัยสาคัญ อย่างไรก็ตาม การพัฒนาเทคโนโลยีการออกแบบยางในงานวิจัยนี้ยังมีข้อจากัด เช่น ความ แม่นยาของการจาลองและการทดสอบในห้องปฏิบัติการ แม้จะสามารถให้ข้อมูลที่ละเอียด แต่ยังไม่ สามารถจาลองสภาพการขับขี่จริงทั้งหมดได้อย่างครบถ้วน ความแตกต่างระหว่างสภาพการทดสอบ และสภาพการใช้งานจริงอาจทาให้ผลลัพธ์จากการวิจัยไม่สามารถนาไปใช้ได้อย่างมีประสิทธิภาพใน กรณีการใช้งานที่หลากหลาย อีกทั้งยังมีข้อจากัดทางการเงินและทรัพยากร เช่น ต้นทุนการวิจัยและ การขาดแคลนทรัพยากรบุคคลที่มีทักษะเฉพาะทาง ซึ่งอาจส่งผลกระทบต่อความสามารถในการ ดาเนินการวิจัยและพัฒนาอย่างต่อเนื่อง 1 ในบริบทของการพัฒนาเทคโนโลยีและนวัตกรรม การใช้ปัญญาประดิษฐ์ (AI) เป็นเครื่องมือใน การระบุลายดอกยางที่มีเสียงรบกวนต่ามีความสาคัญทั้งทางวิชาการและทางปฏิบัติ AI สามารถช่วย วิเคราะห์และจัดการข้อมูลขนาดใหญ่จากการทดลองและการจาลองลายดอกยางอย่างมีประสิทธิภาพ ซึ่งช่วยในการระบุรูปแบบและปัจจัยที่มีผลต่อเสียงรบกวนได้อย่างแม่นยา การประยุกต์ใช้ AI ยังช่วยในการพัฒนาโมเดลการจาลองที่สามารถคาดการณ์เสียงรบกวนจาก ลายดอกยางได้อย่างแม่นยา การเรียนรู้จากข้อมูลจริงและการจาลองทาให้สามารถสร้างความเข้าใจที่ ลึ ก ซึ้ ง เกี่ ย วกั บ ปั จ จั ย ที่ ส่ ง ผลต่ อ เสี ย งรบกวนและช่ ว ยปรั บ ปรุ ง การออกแบบลายดอกยางให้ มี ประสิทธิภาพสูงขึ้น นอกจากนี้ AI ยังสามารถลดต้นทุนในการวิจัยและพัฒนา โดยลดความต้องการใน การทดลองจริงที่ต้องใช้ทรัพยากรและค่าใช้จ่ายสูง การออกแบบลายดอกยางที่ลดเสียงรบกวนได้อย่างมีประสิทธิภาพไม่เพียงแต่จะช่วยเพิ่มความ สะดวกสบายในการขับขี่ แต่ยังช่วยลดมลภาวะเสียงในสภาพแวดล้อมทางเมือง การลดเสียงรบกวน สามารถช่วยปรับปรุงคุณภาพชีวิตของประชาชน ลดความเครียดจากเสียงรบกวน และส่งเสริมความ ยั่งยืนในสังคม การใช้ AI ในการระบุลายดอกยางที่มีเสียงรบกวนต่าจึงเป็นก้าวสาคัญในการพัฒนา ผลิตภัณฑ์ที่มีคุณภาพสูงและตอบสนองความต้องการของตลาดได้อย่างมีประสิทธิภาพ การนา AI มาใช้ ใ นกระบวนการนี้ ไ ม่ เ พี ย งแต่ ช่ ว ยสร้า งนวั ต กรรมใหม่ ๆ แต่ ยั ง ช่ ว ยสร้า ง เทคโนโลยีที่สามารถปรับปรุงคุณภาพของชีวิตและส่งเสริมความยั่งยืนในสังคม การประยุกต์ใช้ AI เป็นเครื่องมือที่มีศักยภาพในการพัฒนาเทคโนโลยีการออกแบบยางที่ลดเสียงรบกวนและช่วยยกระดับ มาตรฐานของผลิตภัณฑ์ในอุตสาหกรรมยางอย่างยั่งยืน 1.2 วัตถุประสงค์ 1.2.1 เพื่อศึกษาการคาดคะเนวิธีการเรียงระยะพิทช์ที่แตกต่างกัน โดยใช้ข้อมูลจากลายดอก ยางจานวน 60 ลาย เพื่อวิเคราะห์ความสัมพันธ์ระหว่างรูปแบบการเรียงกับระดับเสียงรบกวนของยาง ล้อ เพื่อให้ได้รูปแบบที่ให้เสียงรบกวนยางล้อต่า 1.2.2 เพื่อศึกษาการสร้างแบบจาลองปัญญาประดิษฐ์ (AI) เพื่อช่วยในการวิเคราะห์และจัดการ ข้อมูลขนาดใหญ่จากการทดลอง รวมไปถึงช่วยในการระบุรูปแบบและปัจจัยที่มีผลต่อเสียงรบกวน 1.3 ขอบเขตโครงงาน 1.3.1 ใช้โปรแกรม MATLAB และโมเดลสาเร็จรูปที่มีในการสร้างแบบจาลอง AI 1.3.2 ลายดอกยางล้อและรูปแบบการเรียงอ้างอิงจากการสุ่มทางเทคนิค และข้อมูลที่ได้รับ ความอนุเคราะห์จากบริษัทยางล้อ 2 1.4 ประโยชน์ที่คาดว่าจะได้รับ สามารถใช้ปัญญาประดิษฐ์ (AI) เป็นเครื่องมือในการระบุลายดอกยางที่มีเสียงรบกวนต่าโดย การวิ เ คราะห์ แ ละจั ด การข้ อ มู ล ขนาดใหญ่ จากการทดลองและการจาลองลายดอกยางอย่า งมี ประสิทธิภาพ ซึ่งช่วยในการค้นหารูปแบบและปัจจัยที่มีผลต่อเสียงรบกวนอย่างแม่นยา นอกจากนี้ ความรู้ที่ได้ยังสามารถนาไปใช้เป็นแนวทางในการออกแบบและเลือกอุปกรณ์ให้เหมาะสม ซึ่งจะเป็น ประโยชน์ต่อการต่อยอดและการศึกษาที่เกี่ยวข้อง รวมถึงการประยุกต์ใช้ AI ในด้านอื่นๆ ต่อไป 3 1.5 แผนการดาเนินงาน ตารางที่ 1.1 แผนการดาเนินงาน ขั้นตอนการดาเนินงาน 1.1 1.1.1 1.1.2 1.1.3 1.1.4 1.1.5 1.2 1.2.1 1.2.2 1.2.3 ก.ค. W1 W2 W1 W2 W1 W2 W1 W2 ส.ค. W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 W2 W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 ต.ค. W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 พ.ย. W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 W1 W2 W3 W4 ต.ค. พ.ย. W3 W4 W3 W4 W3 W4 ธ.ค. การเก็บข้อมูล ข้อมูลพื้นฐานเกี่ยวกับลายดอกยาง ข้อมูลเสียงและการสั่นสะเทือน การเตรียมข้อมูล Cleaning ข้อมูล การแปลงข้อมูล การวิเคราะห์ข้อมูล การวิเคราะห์ลกั ษณะเสียง การสร้างโมเดลทางคณิตศาสตร์ ต.ค. พ.ย. ธ.ค. ม.ค. การสร้างแบบจาลอง AI การใช้ Machine Learning การ Train Model การจาลองและทดสอบ โมเดล CNNcustom, RestNet50 โมเดล VGG16, และ EfficientNetB0 พ.ย. 4.1 4.1.1 4.1.2 4.2 4.2.1 4.2.2 4.2.3 4.3 4.3.1 W1 ก.ย. ก.ย. 3.1 3.1.1 3.1.2 3.2 3.2.1 3.2.2 W4 ศึกษาค้นคว้าและรวบรวมข้อมูลที่เกี่ยวข้อง ศึกษางานวิจัยและทฤษฎีที่เกี่ยวข้อง ศึกษาข้อมูลเกีย่ วกับ AI in MAE เรียนรู้การใช้งาน MatLab เบื้องต้น ศึกษาข้อมูลเพิ่มเติมเกี่ยวกับ Deep Learning ศึกษาข้อมูลเพิ่มเติมเกี่ยวกับ Predictive Maintenance จัดทาเอกสารรายงานและการนาเสนอ Proposal ศึกษาการทารายงานจาก Thesis Template จัดทาเอกสารรายงานนาเสนอ จัดทา Powerpoint สาหรับการนาเสนอ Proposal ส.ค. 2.1 2.1.1 2.1.2 2.2 2.2.1 2.2.2 2.3 2.3.1 2.3.2 ก.ย. W3 ธ.ค. ม.ค. การปรับปรุงและเพิ่มประสิทธิภาพ การเพิ่มประสิทธิภาพโมเดล การปรับปรุงความแม่นยาโมเดล การสรุปผลการพัฒนา เรียบเรียงข้อมูล สรุปผลข้อมูล ข้อเสนอแนะสาหรับการวิจยั ในอนาคต การนาเสนอผลลัพธ์ การนาเสนอผลลัพธ์และใช้งานจริง 4 ก.พ. มี.ค. บทที่ 2 งานวิจัยและทฤษฎีที่เกี่ยวข้อง 2.1 ปัญญาประดิษฐ์ (Artificial Intelligence - AI) ปัญญาประดิษฐ์ (AI) คือระบบที่สามารถเลียนแบบความสามารถของมนุษย์ในการคิด วิเคราะห์ และตัดสินใจ โดยเฉพาะในด้านการรู้จาเสียงและภาพ AI ได้เข้ามามีบทบาทสาคัญในการประมวลผล ข้อมูลรูปแบบต่าง ๆ เพื่อนาไปใช้ในระบบอัตโนมัติ อุตสาหกรรม และวิศวกรรมยานยนต์ 2.2 เสียงจากยางรถยนต์ เสียงจากยางรถยนต์เกิดจากแรงกระทาที่เกิดขึ้นระหว่างพื้นผิวถนนกับดอกยาง ซึ่งแบ่งได้เป็น หลายประเภท เช่น 2.2.1 Cavity Noise เกิดจากการสั่นของอากาศภายในโพรงของยาง ความถี่โดยทั่วไปอยู่ที่ 200–300 Hz 2.2.2 Structure-Borne Noise เกิดจากแรงกระแทกที่ถ่ายผ่านโครงสร้างยางและช่วงล่าง รถ ความถี่อยู่ที่ 100–800 Hz 2.2.3 Pattern Noise เกิดจากการออกแบบลายดอกยางที่มีบล็อกเรียงซ้า ๆ เมื่อยางหมุน บล็อกจะกระแทกพื้นถนนเป็นจังหวะ ทาให้เกิดเสียงซ้าแบบฮาร์โมนิก ซึ่งมักมีความถี่สูง นักออกแบบลายดอกยางจึงใช้การเรียงลาดับพิทช์ (Pitch Sequencing) ที่หลากหลาย โดย แบ่งขนาดของบล็อกเป็น Large, Medium, และ Small เพื่อลดเสียงฮาร์โมนิกเด่น และนาข้อมูลไป วิ เ คราะห์ ไ ด้ ใ นเชิ ง ความถี่ ด้ ว ยการแปลงข้ อ มู ล ให้ อ ยู่ ใ นรู ป แบบ Order Spectrum หรื อ ผ่า น กระบวนการ Fast Fourier Transform (FFT) 2.3 การประเมินความสบายในการสั่นสะเทือนของยานพาหนะ ความสบายของผู้โดยสารจากการสั่นสะเทือนเป็นปัจจัยสาคัญที่ส่งผลต่อประสบการณ์การขับขี่ โดยการสั่นสะเทือนจาก พื้นถนน, เครื่องยนต์, ระบบส่งกาลัง และยางรถยนต์ ล้วนเป็นแหล่งกาเนิด สั่นสะเทือนที่ส่งผ่านมายังห้องโดยสารผ่านโครงสร้างตัวรถ เช่น เบาะนั่ง พวงมาลัย หรือแป้นเหยีย ในอดีตมีการใช้ดัชนีเชิงกล (เช่น RMS Acceleration) เพื่อประเมินระดับความสั่นสะเทือน แต่ ยังไม่สามารถอธิบายผลกระทบต่อความรู้สึกของมนุษย์ได้อย่างครบถ้วน ปัจจุบัน มีการนาเทคนิค Deep Learning มาใช้ในงานด้านนี้ เพื่อเรียนรู้ลักษณะของสัญญาณ ที่สร้างความไม่สบาย และสามารถ ประเมินระดับความรู้สึกของผู้โดยสารได้โดยตรงจากสัญญาณดิบ นอกจากนี้ยังมีการใช้เทคนิค Data Augmentation เพื่อขยายชุดข้อมูลการสั่นสะเทือนจาลอง ช่วยให้โมเดลมีความสามารถในการเรียนรู้ครอบคลุมมากขึ้น และลดความเสี่ยงจาก Overfitting 5 2.4 Time Waveform Time Waveform คือรูปแบบของสัญญาณเสียงหรือแรงสั่นที่แสดงการเปลี่ยนแปลงตามเวลา ซึ่งเหมาะสาหรับการตรวจจับความผิดปกติของระบบที่มีลักษณะการหมุน เช่น ล้อรถยนต์ การ วิเคราะห์ข้อมูลในโดเมนเวลา (Time Domain) มีประโยชน์ในการตรวจจับจังหวะผิดปกติ หรือ พฤติกรรมเฉพาะที่ไม่สามารถเห็นได้ในโดเมนความถี่ อย่างไรก็ตาม Time Waveform มักมีข้อมูลจานวนมาก การวิเคราะห์ด้วยตาเปล่าจึงทาได้ยาก จึงนิยมแปลงเป็นรูปแบบอื่น เช่น FFT, Spectrogram หรือ Order Spectrum เพื่อให้มองเห็น โครงสร้างของสัญญาณได้ง่ายขึ้น และสามารถนาไปใช้เป็นข้อมูลนาเข้าในโมเดล AI ได้อย่างมี ประสิทธิภาพ 2.5 Harmonic Harmonic หรื อ คลื่ น ฮาร์ ม อนิ ก หมายถึ ง ความถี่ ที่ เ ป็ น ทวี คู ณ ของความถี่ พื้ น ฐาน (Fundamental Frequency) ซึ่งเกิดจากการสั่นสะเทือนในระบบที่มีลักษณะเป็นระยะๆ หรือการ เปลี่ยนแปลงที่มีลักษณะซ้าๆ ความถี่เหล่านี้มักปรากฏในสัญญาณที่เกิดจากการเคลื่อนที่หรือการหมุน เช่น การหมุนของยางรถยนต์ หรือการสั่นสะเทือนของเครื่องจักร โดยฮาร์มอนิกจะช่วยให้สามารถ วิเคราะห์และทาความเข้าใจลักษณะการสั่นสะเทือนและเสียงที่เกิดจากระบบนั้นๆ ได้อย่างละเอียด Harmonic ที่ 1 (1X) : เป็นความถี่พื้นฐานที่เกิดจากการหมุนยาง 1 รอบ โดยจุดที่ลายดอกยาง เกิดขึ้นซ้าครบหนึ่งรอบ จะถูกกาหนดเป็น Order ที่ 1 ตัวอย่างเช่น หากในหนึ่งรอบของการหมุนยาง มี 68 แถบสี ลายดอกยางจะเกิดซ้า 68 ครั้งต่อรอบ หมายความว่า Harmonic ที่ 1 อยู่ที่ Order 68 Harmonic ที่ 2 (2X) : เป็นความถี่ที่เกิดจากลายดอกยางซ้าสองรอบต่อหนึ่งรอบของการหมุน ยาง หรือเท่ากับสองเท่าของความถี่พื้นฐาน เช่น หาก Harmonic ที่ 1 อยู่ที่ Order 68 Harmonic ที่ 2 จะอยู่ที่ Order 136 ภาพที่ 2.1 รูปภาพลายดอกยาง ซึ่งแสดงถึง Order ที่ 68 ที่ถูกกาหนดตามจานวนแถบสีของลายดอก ยางที่เกิดในหนึ่งรอบของการหมุนของยาง การวิเคราะห์ Harmonic ที่ 1 และ 2 ช่วยให้สามารถระบุลักษณะเสียงที่มีการซ้าที่เกิดจากการ หมุนของยางได้แม่นยามากขึ้น ซึ่งมีความสาคัญต่อการปรับปรุงการออกแบบเพื่อควบคุมเสียงไม่พึ ง ประสงค์หรือเสียงรบกวน 6 2.6 การแปลงฟูเรียร์แบบเร็ว (Fast Fourier Transform - FFT) การแปลงฟู เรี ย ร์ แ บบรวดเร็ ว (Fast Fourier Transform: FFT) เป็ น กระบวนการทาง คณิ ต ศาสตร์ ที่ ใช้ สาหรั บ แปลงสั ญ ญาณจากโดเมนเวลา (Time Domain) ไปยั ง โดเมนความถี่ (Frequency Domain) ซึ่งช่วยให้สามารถระบุองค์ประกอบความถี่ต่าง ๆ ที่ประกอบกันเป็นสัญญาณ ต้นฉบับได้อย่างชัดเจน การวิเคราะห์ในโดเมนความถี่มีความสาคัญอย่างยิ่งในงานที่เกี่ยวข้องกับเสียง และการสั่นสะเทือน เนื่องจากช่วยให้เห็นถึงพฤติกรรมของพลังงานในแต่ละช่วงความถี่ และสามารถ ใช้ในการวินิจฉัยหรือตรวจสอบลักษณะเสียงที่เกิดจากลายดอกยางได้อย่างมีประสิทธิภาพ โดยสามารถเขียนได้ดังสมการที่ (1) ∞ 𝑥(𝑡) = ∑𝑛=−∞ 𝐶𝑛 ⅇ 𝑗𝜔𝑡 (1) โดยที่ 𝐶𝑛 คือค่าคงที่ของ Fourier Coefficients ซึ่งแสดงถึงการกระจายของพลังงานที่ความถี่ 𝜔 ส่ ว นกราฟที่ แ สดงพลั ง งานที่ ค วามถี่ ต่า ง ๆ จะมี ลั ก ษณะเป็ น สเปกตรั ม ความถี่ ( Frequency Spectrum) ซึ่งมักจะมีจุดพีค (peaks) ที่แสดงถึงความถี่ที่เด่นในสัญญาณ ในการประยุกต์ใช้กับการวิเคราะห์เสียงจากลายดอกยาง การแปลง FFT ใช้เพื่อแปลงสัญญาณ ที่ได้จาก Time Waveform ของแรงดันหรือความเร่งที่เกิดจากการหมุนของยาง ไปเป็นสเปกตรัม ความถี่ เพื่อให้สามารถวิเคราะห์ ค่า Peak, Harmonic และ Tonality ได้อย่างชัดเจนดังแสดงใน รูปภาพที่ 2.2 ภาพที่ 2.2 กราฟการแปลงสัญญาณเสียงรบกวนจากลายดอกยางเป็นโดเมนความถี่ด้วยวิธีการแปลง ฟูเรียร์แบบเร็ว (FFT) ของลายดอกยางลายที่ 1 7 2.7 ค่า Tonality Tonality คือคุณลักษณะของเสียงที่มีองค์ประกอบความถี่แบบจาเพาะเจาะจง (Discrete Frequencies) หรือมีความถี่เด่นชัดในช่วงแคบ (Narrowband), ซึ่งทาให้เสียงนั้นมีลักษณะของ “โทนเสียง” หรือ “เสียงหึ่ง” ที่สามารถรับรู้ได้โดยประสาทการได้ยินของมนุษย์ โดย Tonality มัก เป็นผลมาจากสัญญาณที่มีพลังงานความถี่เฉพาะสูงกว่าเสียงรบกวนพื้นหลัง (Background Noise) ในบริเวณใกล้เคียงเช่น Noise ในบริบทของยางรถยนต์ Tonality ช่วยให้ประเมินได้ว่าเสียงที่เกิดจาก ลายดอกยางมีความราคาญหรือไม่ ขั้นตอนการวิเคราะห์ค่า Tonality 1) การแยก Harmonic ที่ 1 และ 2 ระบุจุดพีคที่สอดคล้องกับ Harmonic 1 และ 2 ในกราฟ FFT โดยอิงจากจานวนแถบสีที่ ลายดอกยางกระทบในหนึ่งรอบโดยที่ Harmonic 1 = Order 68 Harmonic 2 = Order 136 2) กาหนดช่วง Bandwidth (BW) ตามมาตรฐาน ECMA-418-1 กาหนดช่วงความถี่รอบ Harmonic หรือ Bandwidth (BW) ที่สนใจเป็น 15% ของ Order นั้น โดยมีสูตร BW=0.15×Order(P1 ) (2) 3) คานวณค่า RMS ของค่าแมกนิจูด ภายในช่วง BW ที่กาหนดไว้ ให้นาค่าของแต่ละ Order มาคานวณค่า RMS ตามสูตร 1 RMS=√ ∑Ni=1 X2i N (3) โดยที่ Xi คือ Magnitude ของแต่ละ Order ภายใน BW จากสมการ (3) ค่าของ RMS ถูกคานวณจากสูตรนี้ 4) คานวณค่า Tonality นาค่า Peakmax และ RMS มาคานวณ Tonality ด้วยสูตร Tonallity= 8 Peakmax RMS (4) จากสมการ (4) ค่าของ Tonality ถูกคานวณจากสูตรนี้ ค่าที่ได้จะระบุว่าเสียงในช่วงความถี่นั้นมีลักษณะ "ชัดเจน" หรือ "โดดเด่น" มากเพียงใด หาก Tonality สูง แสดงว่ามีพีคที่ชัดเจนในช่วงความถี่นั้น ซึ่งมักสัมพันธ์กับเสียงที่มนุษย์รับรู้ว่า "รบกวน" 2.8 การเรียนรู้ของ Machine Learning Machine Learning หรือ การเรียนรู้ของเครื่อง เป็นแขนงหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence: AI) ที่เน้นให้คอมพิวเตอร์สามารถเรียนรู้จากข้อมูล และปรับปรุงการทางานของตนเอง ได้โดยไม่ต้องถูกตั้งโปรแกรมอย่างชัดเจนทุกขั้นตอน แนวคิดสาคัญของ ML คือการฝึกให้โมเดล สามารถจดจารูปแบบ (Patterns) ที่ปรากฏในข้อมูล และใช้ความรู้ดังกล่าวในการทานายหรือจาแนก ข้อมูลใหม่ในอนาคต Machine Learning สามารถแบ่งได้เป็น 3 ประเภทหลัก ได้แก่: 1) Supervised Learning: ใช้ข้อมูลที่มีป้ายกากับ (Label) เช่น การจาแนกภาพว่าเป็นPass หรือ Reject 2) Unsupervised Learning: ใช้ข้อมูลที่ไม่มีป้ายกากับ เช่น การจัดกลุ่มข้อมูล (Clustering) 3) Reinforcement Learning: ระบบทางานบนพื้นฐานของการเรียนรู้จากการทดลอง หนึ่งในสาขาย่อยของ Machine Learning ที่ได้รับความนิยมและมีประสิทธิภาพสูงคือ Deep Learning ซึ่งเป็นการเรียนรู้ของเครื่องที่ใช้ โครงข่ายประสาทเทียมหลายชั้น (Multi-Layer Neural Network) ในการเรียนรู้ข้อมูลที่มีความซับซ้อน 2.9 การเรียนรู้เชิงลึก (Deep Learning) ภาพที่ 2.3 การเปรียบเทียบการทางานระหว่าง Machine Learning และ Deep Learning [16] 9 การเรียนรู้เชิงลึก (Deep Learning) เป็นแขนงหนึ่งของการเรียนรู้ของเครื่อง (Machine Learning) ที่มีการใช้งานอย่างแพร่หลายในปัจจุบัน โดยอาศัย โครงข่ายประสาทเทียม (Artificial Neural Networks) หลายชั้นในการเรียนรู้และวิเคราะห์ข้อมูลที่มีความซับซ้อนสูง เช่น ภาพ เสียง ข้อความ หรือสัญญาณจากเซนเซอร์ Deep Learning ประกอบด้วยเลเยอร์หลายชั้น ได้แก่: 1) Input Layer: รับข้อมูลดิบ เช่น รูปภาพเสียง หรือ Time Waveform 2) Hidden Layers : มีหลายชั้น ซึ่งอาจเป็น Fully Connected Layer, Convolutional Layer หรือ Recurrent Layer ที่ช่วยแปลงข้อมูลเป็นฟีเจอร์ 3) Output Layer : ให้ผลลัพธ์สุดท้าย เช่น การจาแนกประเภท หรือค่าความผิดปกติ แต่ละนิวรอนในชั้นจะคานวณค่าผลลัพธ์จากน้าหนัก (Weights) และค่าเบี่ยงเบน (Bias) จาก ข้อมูลที่ป้อนเข้ามา และผ่าน Activation Function เช่น Relu หรือ Sigmoid เพื่อเพิ่มความไม่เป็น เชิงเส้นให้กับระบบ 2.10 โครงข่ายประสาทเทียม (Artificial Neural Network - ANN) ANN เป็นโครงสร้างพื้นฐานของระบบการเรียนรู้ของเครื่อง ซึ่งประกอบด้วยชั้นของนิวรอนที่ เชื่อมโยงกัน โดยแต่ละนิวรอนจะทาหน้าที่ประมวลผลข้อมูลที่ได้รับและส่งต่อไปยังชั้นถัดไป ANN ถูก นามาใช้หลากหลายในด้านการวิเคราะห์รูปแบบ (Pattern Recognition) ภาพที่ 2.4 โครงสร้างของโครงข่ายประสาทเทียม ANN (Artificial Neural Network - ANN) [17] 2.11 โครงข่ายคอนโวลูชัน (Convolutional Neural Network - CNN) CNN เป็นรูปแบบหนึ่งของโครงข่ายประสาทเทียมที่ถูกออกแบบมาเพื่อการประมวลผลข้อมูล เชิงพื้นที่ เช่น รูปภาพหรือ Spectrogram ของเสียง CNN มีความสามารถในการสกัดคุณลักษณะ สาคัญจากข้อมูลภาพได้โดยอัตโนมัติ ผ่านกระบวนการ Convolution และ Pooling ก่อนนาข้อมูล เข้าสู่ชั้น Fully Connected เพื่อใช้ในการจาแนกผล 10 ภาพที่ 2.5 โครงสร้างของโครงข่ายประสาทเทียม CNN (convolution neural network) [18] 2.12 Autoencoder Autoencoder เป็นโมเดลโครงข่ายประสาทเทียมชนิดหนึ่งที่เรียนรู้การเข้ารหัสและถอดรหัส ข้อมูล โดยไม่จาเป็นต้องใช้ Label ในการฝึก (Unsupervised Learning) มีโครงสร้างหลักคือ Encoder, Bottleneck, และ Decoder ซึ่งเหมาะสาหรับการลดมิติข้อมูล การบีบอัด และการ ตรวจจับความผิดปกติ (Anomaly Detection) โดยสามารถนามาใช้ในการแยกแยะลักษณะที่ผิดปกติ ของข้อมูล เช่น เสียงที่ไม่ปกติจากยางรถยนต์ ภาพที่ 2.6 โครงสร้างของ Autoencoder [19] 2.13 โมเดลสาเร็จรูป (Pre-Trained Models) 2.13.1 Resnet50 Resnet50 เป็นโมเดล CNN แบบลึกที่มีจานวนถึง 50 ชั้น ใช้เทคนิค Residual Learning และ Skip Connections เพื่อป้องกันปัญหา Gradient Vanishing ในโครงข่ายลึก เหมาะ สาหรับงานที่ต้องการความแม่นยาสูงในด้านการจาแนก 11 ภาพที่ 2.7 โครงสร้างของ Restnet50 [20] 2.13.2 VGG16 VGG16 เป็นอีกหนึ่งโมเดลที่ได้รับความนิยม โดยใช้การซ้อนชั้นของ Convolutionที่มี ขนาดฟิลเตอร์ 3x3 อย่างต่อเนื่องเพื่อจับรายละเอียดของลักษณะต่าง ๆ ของภาพได้อย่างลึกซึ้ง โดยมี จานวนเลเยอร์รวม 16 ชั้น ภาพที่ 2.8 โครงสร้างของ VGG16 [21] 2.13.3 EfficientnetB0 EfficientNetB0 เป็นโมเดลที่ถูกออกแบบด้วยแนวคิด Compound Scaling ซึ่งปรับ ขนาดของความลึก (Depth), ความกว้าง (Width), และความละเอียด (Resolution) ไปพร้อมกัน Efficientnetb0 เป็นรุ่นพื้นฐานที่มีประสิทธิภาพสูงเมื่อเทียบกับจานวนพารามิเตอร์และเวลา ในการฝึก 12 ภาพที่ 2.9 โครงสร้างของ EfficientNetB0 [22] 2.14 โครงสร้างโมเดล 2.14.1 CNN Custom จะปรับแต่งตามลักษณะของปัญหาที่ต้องการแก้ไข แต่โดยทั่วไปจะประกอบไปด้วย 1) Input Layer ข้ อ มู ล เข้า ของโมเดล ซึ่ ง อาจจะเป็ น ภาพหรื อ ข้ อ มู ล อื่ น ๆ เช่ น 224x224x3 (สาหรับภาพ RGB) 2) Convolutional Layer ชั้นที่ทาการสกัดคุณลักษณะจากภาพโดยใช้การกรอง (Filter) หรือคอนโวลูชัน (Convolution) เพื่อดึงลักษณะสาคัญจากข้อมูล โดยจานวนฟิลเตอร์ (Filters) และขนาดของฟิลเตอร์ (Kernel Size) อาจแตกต่างกัน เช่น 32 Filters ขนาด 3x3 3) Activation Function ฟังก์ชันที่ทาให้โมเดลสามารถเรียนรู้ลักษณะไม่เป็นเชิง เส้ น เช่น Relu 4) Pooling Layer ใช้การลดขนาดข้อมูลโดยใช้ Max Pooling หรือ Average Pooling เช่น 2x2 ขนาด 5) Fully Connected Layer ชั้นที่เชื่อมโยงนิวรอนทั้งหมดเพื่อทาการตัดสินใจ สุดท้าย 6) Dropout Layer ใช้เพื่อลดการ Overfitting โดยการปิดบางนิวรอนในระหว่าง การฝึก 7) Output Layer ชั้นสุดท้ายของโมเดลที่ทาหน้าที่ในการทานายผลลัพธ์ เช่น Softmax สาหรับการจาแนกประเภท 13 2.14.2 Resnet50 (Residual Networks 50 Layers) โมเดลที่ มี การใช้ Residual Learning โดยการเชื่ อ มโยงข้ อ มู ล ผ่า น "Shortcut Connections" หรือ Skip Connections เพื่อช่วยในการเรียนรู้ข้อมูลลึกได้ดียิ่งขึ้น 1) Input Layer: ข้อมูลเข้ามีขนาด 224x224x3 (สาหรับภาพ RGB) 2) Convolutional Layer: โมเดลเริ่มต้นด้วยการใช้ Convolutional Layers หลาย ชั้น โดยแต่ละชั้นจะมีฟิลเตอร์ขนาด 7x7 และใช้ Stride 2 เพื่อเริ่มต้นการสกัดคุณลักษณะ 3) Residual Blocks: Resnet50 ใช้ Residual Blocks ซึ่งมีการเชื่อมโยงผลลัพธ์ของ ชั้นหนึ่งไปยังชั้นถัดไปโดยตรงผ่าน Skip Connections ช่วยให้โมเดลสามารถเรียนรู้ลึกได้โดยไม่เกิด ปัญหา Vanishing Gradients 4) Bottleneck: ประกอบด้ ว ย 3 ชั้ น ในแต่ ละ Residual Block โดยมี Convolutional Layers ที่มีฟิลเตอร์ 1x1, 3x3 และ 1x1 ตามลาดับ 5) Fully Connected Layer: ชั้นที่ทาหน้าที่ในการตัดสินใจสุดท้าย 6) Output Layer: ใช้ Softmax สาหรับการจาแนกประเภท 2.14.3 VGG16 โมเดล CNN ที่ประกอบด้วยการใช้ 3x3 Convolutional Layers หลายๆ ชั้น โดยมี การเพิ่มความลึกเพื่อให้สามารถสกัดคุณลักษณะได้ดียิ่งขึ้น 1) Input Layer: ขนาดของข้อมูลคือ 224x224x3 2) Convolutional Layers: ใช้ 3x3 Convolutional Filters เพื่อสกัดคุณลักษณะ โดยจะมีการเพิ่มจานวนฟิลเตอร์ในแต่ละชั้น ชั้นแรกประกอบด้วย 64 Filters ขนาด 3x3, ชั้นถัดไป 128 Filters ขนาด 3x3, และต่อด้วย 256 Filters 3) Max Pooling Layers: ใช้ Max Pooling ขนาด 2x2 เพื่อลดขนาดข้อมูล 4) Fully Connected Layers: มี 3 ชั้น ได้แก่ 4096, 4096, และ 1000 Neurons ตามลาดับ 5) Output Layer: ใช้ Softmax สาหรับการจาแนกประเภท 2.14.4 Efficientnetb0 โมเดลที่พัฒนาโดยใช้วิธี Compound Scaling ซึ่งปรับขนาดของ Depth, Width, และ Resolution ของโมเดลในเวลาเดียวกัน โดยเริ่มจาก Efficientnetb0 ที่เป็นโมเดลเริ่มต้นในซีรสี์ นี้ 1) Input Layer: ขนาดข้อมูล 224x224x3 (สาหรับภาพ RGB) 2) Conv1 Layer: ใช้ Depthwise Separable Convolutions เพื่อลดจานวน พารามิเตอร์ โดยเริ่มต้นที่ 32 Filters ขนาด 3x3 14 3) Mobile Inverted Bottleneck: ใช้เทคนิค Inverted Residuals ในการเชื่อมโยง ระหว่างชั้นต่างๆ ช่วยให้โมเดลสามารถเรียนรู้ได้ดียิ่งขึ้น 4) Depthwise Separable Convolutions: ช่วยลดขนาดโมเดลโดยการแยกการ คอนโวลูชันสาหรับฟีเจอร์แต่ละช่องออกจากกัน 5) Fully Connected Layers: มีเลเยอร์สุดท้ายที่เป็น Fully Connected Layer ที่ ทาการจาแนกประเภท 6) Output Layer: ใช้ Softmax สาหรับการจาแนกประเภท 2.14.5 Autoencoder Autoencoder เป็นโครงข่ายประสาทเทียมที่ใช้เรียนรู้การบีบอัดและสร้างข้อมูล กลับมาให้ใกล้เคียงกับต้นฉบับมากที่สุด โดยสามารถใช้ในงาน Feature Extraction และ Anomaly Detection 1) Input Layer รับข้อมูลขนาด 128x128x1 (ภาพ Greyscale Spectrogram) 2) Encoder: Fully Connected Layer (128 Neurons) + Batch Normalization + Relu Fully Connected Layer (128 Neurons) + Batch Normalization + Relu Bottleneck Layer (8 Neurons) + Batch Normalization + Relu 3) Decoder: Fully Connected Layer (128 Neurons) + Batch Normalization +Relu Fully Connected Layer (128 Neurons) + Batch Normalization + Relu Fully Connected Layer (Output Size เท่ากับ Input) + Regression Layer 4) Output Layer: ใช้ Regression Layer แทน Softmax เนื่องจาก Autoencoder ไม่ได้ใช้สาหรับ Classification 2.15 จานวนชั้นซ่อน (Hidden Layers) และจานวนโหนด (Nodes) 2.15.1 CNN Custom 1) จานวนชั้นซ่อน (Hidden Layers): จานวนของชั้นซ่อนจะขึ้นอยู่กับการออกแบบ โมเดลของคุณ เช่น การเลือกจานวน Convolutional Layers, Pooling Layers, และ Fully Connected Layers ที่จะใช้ 2) จานวนโหนด (Nodes): จานวนโหนดใน Fully Connected Layer สามารถเลือก ได้ตามความต้องการ เช่น 512, 1024, หรือ 2048 โหนดในแต่ละชั้น 15 2.15.2 Resnet50 1) จานวนชั้นจานวนชั้นซ่อน (Hidden Layers): มี 50 ชั้น รวมถึง Residual Blocks ที่ประกอบด้วยการเชื่อมโยงแบบ Skip Connections 2) จานวนโหนด (Nodes): จานวนโหนดใน Fully Connected Layer ของ Resnet50 ที่ชั้นสุดท้ายจะมี 1000 โหนด (สาหรับ 1000 คลาสใน Imagenet) 2.15.3 VGG16 1) จานวนชั้นซ่อน (Hidden Layers): 16 ชั้น ประกอบด้วย 13 Convolutional Layers และ 3 Fully Connected Layers 2) จานวนโหนด (Nodes): ใน Fully Connected Layers: ชั้นแรก: 4096 โหนด ชั้นที่สอง: 4096 โหนด ชั้นสุดท้าย: 1000 โหนด (สาหรับการ จาแนกประเภท 1000 คลาส) 2.15.4 Efficientnetb0 1) จานวนชั้นซ่อน (Hidden Layers): มี 8 บล็อกหลัก ซึ่งประกอบด้วย Depthwise Separable Convolutions และ Inverted Residual Blocks ที่ออกแบบให้มีประสิทธิภาพสูง 2) จานวนโหนด (Nodes): ใน Fully Connected Layer ของ Efficientnetb0 มี 1280 โหนด 2.15.5 Autoencoder 1) จานวนชั้นซ่อน (Hidden Layers): ประกอบด้วย สองส่วนหลัก ได้แก่ 1.1) Encoder ทาหน้าที่ลดมิติข้อมูล โดยใช้ Fully Connected Layers หรือ Convolutional Layers 1.2) Decoder ทาหน้าที่สร้างข้อมูลคืนให้ใกล้เคียงต้นฉบับ จานวนชั้นซ่อนขึ้นอยู่ กับโครงสร้างของโมเดลที่ออกแบบ ซึ่งสามารถเพิ่มหรือลดจานวนเลเยอร์ได้ตามความซับซ้อนของ ข้อมูล 2) จานวนโหนด (Nodes): 2.1) Encoder Layers สามารถมีจานวนโหนดตั้งแต่ 128, 256, 512 หรือ มากกว่านั้น 2.2) Bottleneck Layer ซึ่งเป็นจุดที่บีบอัดข้อมูลให้อยู่ใน Latent Space อาจมี 8, 16 หรือ 32 โหนด 2.3) Decoder Layers มีจานวนโหนดที่ขยายออกให้กลับมาใกล้เคียงกับ Input 16 2.16 รายละเอียดการฝึกโมเดล 2.16.1 CNN Custom การฝึกโมเดลจะใช้ข้อมูลฝึก (Training Data) โดยปรับค่าพารามิเตอร์ของโมเดล (Weights) ตามฟังก์ชันความสูญ เสีย จานวน Epoch และ Batch Size จะถูกเลือกตามความ เหมาะสม โดย Epoch จะหมายถึงจานวนรอบการฝึกและ Batch Size คือจานวนข้อมูลที่ใช้ในแต่ละ รอบการฝึก 2.16.2 Restnet50 Resnet50 ถูกฝึกโดยใช้ Residual Blocks ที่มี Skip Connections ช่วยลดปัญหา การหายไปของเกรเดียนต์ (Vanishing Gradients) ทาให้สามารถฝึกโมเดลที่ลึกได้ โมเดลสามารถฝึก ได้เร็วขึ้นโดยการใช้ Transfer Learning จากโมเดลที่ฝึกมาจากข้อมูลใหญ่เช่น Imagenet 2.16.3 VGG16 การฝึก VGG16 มักจะใช้ Transfer Learning โดยการใช้โมเดลที่ได้รับการฝึกจาก Imagenet และนามาฝึกใหม่กับข้อมูลที่เฉพาะเจาะจง (Fine-Tuning) ในระหว่างการฝึก , ขนาด Batch และจานวน Epoch จะต้องพิจารณาให้เหมาะสมกับขนาดของข้อมูล 2.16.4 Efficientnetb0 Efficientnetb0 ใช้ Compound Scaling ที่ปรับความลึก , ความกว้าง และความ ละเอียดพร้อมกัน เช่นเดียวกับโมเดลอื่นๆ, การฝึก Efficientnetb0 ควรใช้ Transfer Learning โดย การนาโมเดลที่ผ่านการฝึกจาก Imagenet มาใช้เพื่อประหยัดเวลาในการฝึก 2.16.5 Autoencoder Autoencoder เป็นโครงข่ายประสาทเทียมที่ใช้สาหรับบีบอัดและสร้างข้อมูลกลับมา ให้ ใ กล้ เ คี ย งต้ น ฉบั บ มากที่ สุ ด โดยโมเดลนี้ เ หมาะสาหรั บ งานลดมิ ติ ข้ อ มู ล ( Dimensionality Reduction), การดึงฟีเจอร์ (Feature Extraction) และการตรวจจับความผิดปกติ (Anomaly Detection) เช่นเดียวกับโมเดลอื่น ๆ การฝึก Autoencoder สามารถใช้ Transfer Learning ได้ โดย การนา Encoder จากโมเดลที่ผ่านการฝึกแล้วมาใช้เป็นตัวดึงฟีเจอร์ และสามารถ Fine-Tune ต่อ เพื่อให้เหมาะสมกับข้อมูลเฉพาะทาง 17 บทที่ 3 การดาเนินงาน บทนี้จะกล่าวถึงการออกแบบและพัฒนาโมเดลด้วยการประยุกต์ใช้วิธีการทางปัญญาประดิษฐ์ เพื่อช่วยในการระบุลายดอกยางเสียงรบกวนต่า โดยข้อมูลที่ใช้ในการฝึกโมเดลมาจากลายดอกยาง 1– 60 ลาย โดยในแต่ละลายประกอบด้วยภาพจากตาแหน่ง Rib ซ้าย (L), กลาง (M) และขวา (R) ซึ่ง แบ่งเป็นกลุ่ม Pass และ Reject รวมถึงการแปลงข้อมูลให้อยู่ในรูปแบบ Spectrogram ขนาด 128x128 พิกเซล (ภาพขาวดา) สาหรับใช้ในโมเดล Autoencoder และภาพขนาด 224x224x3 สาหรับใช้กับโมเดลอื่น ๆ ที่เป็นโครงสร้างมาตรฐาน ซึ่งมีรายละเอียดในการออกแบบดังนี้ 3.1 การนาเข้าข้อมูล (Data Input) ข้อมูลที่ใช้ในโปรเจกนี้มาจาก ภาพลายดอกยาง ของยางรถยนต์จานวน 60 แบบ ซึ่งได้รับความ อนุเคราะห์จาก บริษัท ดีสโตน จากัด เพื่อใช้ในการศึกษาและวิเคราะห์ลักษณะลายดอกยางที่อาจ ส่งผลต่อเสียงรบกวนที่เกิดขึ้นจากการหมุนของยาง เป้าหมายหลักของการวิเคราะห์นี้คือการระบุลาย ดอกยางที่มีศักยภาพในการลดเสียงรบกวนได้อย่างมีประสิทธิภาพ ข้อมูลเริ่มต้นประกอบด้วยภาพลายดอกยาง 60 แบบ ซึ่งแสดงถึงลวดลายและโครงสร้างของ ดอกยางที่แตกต่างกัน ยางแต่ละแบบมีลักษณะเฉพาะในด้านรูปทรงและการจัดวางลายต่างๆ ซึ่งอาจ ส่งผลต่อการเกิดเสียงรบกวนหรือลดเสียงได้ ขนาดและรูปร่างของบล็อกยาง รวมถึงการกระจายตัว ของช่องว่าง เป็นปัจจัยสาคัญในการวิเคราะห์เสียง ภาพลายดอกยางเหล่านี้ถูกแปลงเป็นสามรูปแบบ หลัก ได้แก่ FFT และ Time Waveform และ Spectrogram 3.1.1 การแปลง Time Waveform การแปลงภาพเป็นข้อมูลเชิงเวลาที่จาลองเสียงที่เกิดขึ้นในระหว่างการหมุนของยาง ลักษณะของ Time Waveform นี้จะช่วยให้เราสามารถตรวจสอบการเปลี่ยนแปลงของสัญญาณเสียง ในช่วงเวลาต่างๆ ได้ โดยมีความสัมพันธ์กับการหมุนของยาง ข้อมูลแต่ละแบบมีจานวน 8192 จุดข้อมูลแต่ละชุดประกอบด้วยค่าเวลาแอมพลิจู ดที่ แสดงถึงการเปลี่ยนแปลงของสัญญาณเสียงที่แสดงแทนจากช่องว่างอากาศในลายดอกยางแต่ละแนว ขวางของหน้ายางไปตลอดจนครบรอบวงล้อ ข้อมูลเหล่านี้ถูกนามาใช้ในการวิเคราะห์ AI เพื่อทานาย ลายดอกยางที่ช่วยลดเสียงรบกวนได้มากที่สุด 3.1.2 การแปลง FFT การแปลงภาพเป็นข้อมูลเชิงความถี่ทาให้สามารถตรวจสอบผลกระของลายดอกยางต่อ ความถี่เสียงและการสั่นสะเทือนขณะยางหมุน การแปลงเป็น FFT ช่วยระบุความถี่หลักที่เกิดจากลาย ดอกยาง และใช้วิเคราะห์ผลกระทบต่อเสียงรบกวนอย่างแม่นยา 18 3.1.3 การแปลง Spectrogram การแปลง Spectrogram คือกระบวนการที่ใช้ในการแสดงการเปลี่ยนแปลงของ สัญญาณในมิติของเวลาและความถี่ โดยการคานวณ Fast Fourier Transform (FFT) จากสัญญาณที่ มี ลั ก ษณะต่ อ เนื่ อ งในโดเมนเวลา (Time Domain) เพื่ อ แปลงสั ญ ญาณไปยั ง โดเมนความถี่ (Frequency Domain) โดยการแบ่งสัญญาณออกเป็นช่วงเวลาสั้น ๆ ที่ไม่ทับซ้อนหรือทับซ้อนกัน บางส่วน และคานวณ FFT สาหรับแต่ละช่วงเวลา การแสดงผลจะถูกจัดเรียงในรูปแบบของกราฟสอง มิติ (2D) ที่มีแกน X แทนช่วงเวลา (Time) และแกน Y แทนความถี่ (Frequency) ในขณะที่ค่าสีหรือ ความสว่างของพิกเซลจะแสดงถึงพลังงานของสัญญาณในแต่ละช่วงเวลาและความถี่ ภาพที่ 3.1 กราฟ Spectrogram ของลายดอกยางลายที่ 1 จากภาพที่ 3.1 กราฟ Spectrogram นี้แสดงถึงการกระจายพลังงานของสัญญาณแรงดัน อากาศที่เปลี่ยนแปลงไปในช่องว่างของลายดอกยางลายที่ 1 โดยแสดงพลังงานตามแกนเวลาบนแกน X และความถี่บนแกน Y ค่าสีในกราฟแสดงถึงความเข้มของสัญญาณในแต่ละช่วงเวลาและความถี่ ซึ่ง มีการกระจายพลังงานในช่วงความถี่ประมาณ 600–1200 Hz ที่อาจเชื่อมโยงกับการเปลี่ยนแปลงของ แรงดันอากาศในช่องว่างของลายดอกยางที่ส่งผลต่อการเกิดเสียงรบกวนจากลายดอกยาง โดยจาก กราฟสามารถสังเกตได้ว่า การกระจายพลังงานตามช่วงเวลาในสัญญาณมีความต่อเนื่องและสม่าเสมอ ซึ่งสะท้อนถึงลักษณะของการหมุนของยางที่ไม่เปลี่ยนแปลงมากในช่วงเวลาเดียวกัน การกระจาย พลังงานที่มีในช่วงความถี่นี้อาจมีความสัมพันธ์กับการสั่นสะเทือนหรือเสียงที่เกิดจากการเคลื่อนที่ของ ยาง ซึ่งสามารถนาไปใช้ในการศึกษาและวิเคราะห์เสียงรบกวนจากลายดอกยางในการศึกษาการ ออกแบบยางที่มีเสียงรบกวนต่า 19 ในทางปฏิบัติการวิเคราะห์ภาพจาก Spectrogram อาจทาให้เกิดการตกหล่นของข้อมูลหรือ การบิดเบือนของสัญญาณได้ เนื่องจากสัญญาณที่ได้จาก Spectrogram อาจมีความละเอียดสูงและ เต็มไปด้วยข้อมูลที่ไม่จาเป็น หรือสัญญาณที่มีความเข้มต่าซึ่งไม่เกี่ยวข้องกับการศึกษาที่ต้องการ ดังนั้นจึงจาเป็นต้องมีการกรองสัญญาณเพื่อให้ได้ข้อมูลที่มีความสาคัญและมีความชัดเจนมากขึ้น การ กรองสัญญาณในที่นี้จะทาการเลือกข้อมูลที่มีความเข้มข้นที่ มากกว่าหรือเท่ากับ 70% ของค่าพลังงาน สูงสุด โดยการตั้งค่าความเข้มนี้จะช่วยคัดกรองสัญญาณที่มีความแรงต่าออกไป และจะเน้นเฉพาะ สัญญาณที่มีผลกระทบสาคัญ เช่น สัญญาณที่มีความแรงสูง ซึ่งมีความสัมพันธ์กับเสียงรบกวนจากลาย ดอกยาง หลังจากนั้นจึงได้ทาการแปลง Spectrogram เป็น Grey Scale ดังภาพที่ 3.2 เพื่อเพิ่มความ ง่ายในการศึกษาและวิเคราะห์สัญญาณต่อไป การแปลงเป็น Grey Scale ทาให้สามารถเห็นพลังงานที่ กระจายตัวในสัญญาณได้อย่างชัดเจน โดยใช้สีขาวแทนความเข้มสูงและสีดาแทนความเข้มต่า การ แปลงนี้ไม่เพียงช่วยลดความซับซ้อนในกราฟ แต่ยังช่วยให้สามารถแยกแยะและเปรียบเทียบข้อมูลได้ ง่ายขึ้นในการศึกษาลักษณะและพฤติกรรมของสัญญาณในมิติของเวลาและความถี่ ภาพที่ 3.2 กราฟ Spectrogram ของลายดอกยางลายที่ 1 ที่มีการกรองสัญญาณโดยเลือกข้อมูลที่มี ความเข้มข้นมากกว่าหรือเท่ากับ 70% ของค่าพลังงานสูงสุด การกรองสัญญาณและการแปลงเป็น Grey Scale จึงเป็นขั้นตอนสาคัญในการทาให้การ วิเคราะห์ข้อมูลจาก Spectrogram มีความแม่นยามากขึ้น และช่วยให้การศึกษาพฤติกรรมของ สัญญาณจากลายดอกยางเป็นไปได้ง่ายและมีประสิทธิภาพมากขึ้น จากการวิเคราะห์ Spectrogram ในภาพที่ 3.2 พบว่า Harmonic ที่ 2 (ช่วงความถี่ 12001400 Hz) แสดงถึงการกระจายพลังงานที่มีความเข้มสูงกว่า 70% ของความถี่สูงสุดและเกิดขึ้นอย่าง ต่อเนื่องมากกว่า Harmonic ที่ 1 (ช่วงความถี่ 400-600 Hz) ซึ่งมีลักษณะการเกิดขึ้นเป็นช่วง ๆ ที่ไม่ ต่อเนื่อง การที่ Harmonic ที่ 2 เกิดขึ้นอย่างต่อเนื่องนี้มีผลกระทบต่อความราคาญจากเสียงรบกวน 20 มากกว่า เนื่องจากเสียงในช่วงความถี่สูงนี้มีลักษณะคมชัดและสามารถรับรู้ได้ง่ายกว่าเสียงใน Harmonic ที่ 1 ซึ่งมีความถี่ต่ากว่าและมักจะมีลักษณะเสียงที่นุ่มนวลกว่า เสียงใน Harmonic ที่ 2 ที่เกิดขึ้นต่อเนื่องจะสร้างความราคาญมากขึ้นเนื่องจากความถี่สูงทา ให้เสียงนั้นถูกรับรู้ได้อย่างชัดเจนและติดต่อกันในระยะยาว ส่งผลให้ผู้ขับขี่หรือผู้โดยสารรู้สึกไม่สบาย หูและมีความเครียดจากการรับรู้เสียงที่รบกวนตลอดเวลา ในขณะที่เสียงจาก Harmonic ที่ 1 แม้ว่า จะมีความดังสูงในบางช่วงเวลา แต่เนื่องจากลักษณะเสียงที่มีความถี่ต่าและการเกิดขึ้นเป็นช่วง ๆ ผู้ขับ ขี่จะสามารถทนต่อเสียงนั้นได้ดีกว่า เนื่องจากมีช่วงเวลาที่เงียบและเสียงจะไม่รบกวนอย่างต่อเนื่อง ในการศึกษาผลกระทบของลายดอกยาง ต่อเสียงรบกวนจากการหมุนของยาง บทวิเคราะห์ นี้จะเน้นการหมุน rib ของลายดอกยางในแต่ละฝั่ง (ซ้าย, กลาง, ขวา) ทีละ 10 องศา เพื่อศึกษาการ กระจายพลังงานเสียงที่เกิดขึ้นในมุมต่าง ๆ และเพื่อให้ได้ข้อมูลที่มีความละเอียดเพียงพอต่อการ วิเคราะห์เชิงลึก ในขณะเดียวกันยังคงรักษาความสมดุลเพื่อหลีกเลี่ยงการเพิ่มข้อมูลที่มากเกินความ จาเป็นในการประมวลผล การหมุนนี้มีความสาคัญเนื่องจากมุมที่แตกต่างกันของลายดอกยางสามารถ มีผลต่อการกระจายเสียงรบกวนในรูปแบบที่แตกต่างกันออกไป การหมุนลายดอกยางในลักษณะนี้ ช่วยให้สามารถศึกษาผลกระทบจากการเปลี่ยนแปลงของมุมลายดอกยางที่อาจส่งผลต่อเสียงที่เกิดขึ้น จากการหมุนของยางและการกระทบระหว่างลายดอกยางกับพื้นผิวถนน ซึ่งมีบทบาทในการลดเสียง รบกวนที่เกิดขึ้น 3.1.4 การปรับมุม Rib ของลายดอกยางในการศึกษาผลกระทบต่อเสียงรบกวน 3.1.4.1 ขั้นตอนการปรับมุม Rib ของลายดอกยาง มีรายละเอียดดังนี้ 1.นาเข้าภาพลายดอกยางและแปลงเป็นภาพขาวดาเพื่อการวิเคราะห์ เบื้องต้น ภาพที่ 3.3 หน้าจอการนาเข้าภาพและการแปลงลายดอกยางเป็นภาพขาวดา 21 2. แบ่งพื้นที่ลายดอกยางออกเป็นสามส่วนคือ ซ้าย(L) กลาง(M) และขวา(R) สาหรับการวิเคราะห์เชิงพื้นที่ ภาพที่ 3.4 การวิเคราะห์พื้นที่สุทธิของลายดอกยาง 3. ปรับมุมลายดอกยางเพื่อศึกษาความสัมพันธ์ระหว่างองศากับลักษณะเชิง เรขาคณิต โดยในครั้งนีเ้ ลือกวิเคราะห์ที่มุม 180 องศาของทั้ง 3 ฝั่ง (ซ้าย, กลาง ,ขวา) ภาพที่ 3.5 แสดงถึงการหมุนลายดอกยางในแต่ละฝั่งเพื่อตรวจสอบผลกระทบเชิงเรขาคณิต 22 4. แปลงข้อมูลลายดอกยางเป็นกราฟ FFT เพื่อวิเคราะห์เสียงรบกวน ภาพที่ 3.6 กราฟ FFT ของลายดอกยางพร้อมการวิเคราะห์ Leading Edge 5. ส่งออกข้อมูลสาหรับการประมวลผลและการวิเคราะห์เชิงลึก ภาพที่ 3.7 หน้าจอการส่งออกข้อมูลลายดอกยางเป็น Waveform เพื่อใช้สาหรับแปลงเป็นกราฟ Spectrogram ต่อไป 23 3.1.4.2 ผลลัพธ์จากการหมุน Rib ของลายดอกยางและการกระจายพลังงานเสียง ภาพที่ 3.8 กราฟ Spectrogram ที่ได้จากการหมุน Rib ของลายดอกยางฝั่งซ้าย (L) ที่มุม 180 องศา ภาพที่ 3.9 กราฟ Spectrogramที่ได้จากการหมุน Rib ของลายดอกยางฝั่งกลาง (M) ที่มุม 180 องศา ภาพที่ 3.10 กราฟ Spectrogramที่ได้จากการหมุน Rib ของลายดอกยางฝั่งขวา (R) ที่มุม 180 องศา 24 จากการหมุน rib ในทั้ง 3 ฝั่ง (ซ้าย, กลาง, ขวา) ที่มุม 180 องศา จะส่งผลให้ Harmonic ที่ 1 (ช่วงความถี่ 400-600 Hz) และ Harmonic ที่ 2 (ช่วงความถี่ 1200-1400 Hz) มีการกระจายพลังงาน ที่แตกต่างไปจากการหมุนก่อนหน้านี้ โดยเฉพาะใน Harmonic ที่ 2 ที่มีความถี่สูง เสียงจะไม่เกิดขึ้น ต่อเนื่องในลักษณะที่เดิม การหมุนทาให้เสียงในช่วงความถี่สูงลดความรุนแรงลงและเกิดขึ้นในลักษณะ ที่กระชับมากขึ้นในขณะที่ Harmonic ที่ 1 ซึ่งเป็นเสียงในช่วงความถี่ต่าจะยังคงรักษาลักษณะเสียงที่ ไม่ต่อเนื่อง แต่การหมุนทาให้การกระจายพลังงานในช่วงนี้ดีขึ้น ทาให้เสียงรบกวนจากลายดอกยางที่ เกิดขึ้นในช่วงนี้น่าจะลดลงไปในระยะยาว ตารางที่ 3.1 ตารางเปรียบเทียบค่า Tonality ที่เปลี่ยนแปลงไปจากหมุนของ Rib ลายดอกยาง ค่า Tonality ที่แต่ละองศาการหมุนของลายดอกยางลายที่ 1 ฝั่งการหมุน 0 องศา (original) 180 องศา 1x 2x 1x 2x ซ้าย (L) 0.63590 0.62338 กลาง (M) 0.65596 0.69772 0.70164 0.45668 ขวา (R) 0.67891 0.61333 ภาพที่ 3.11 กราฟเปรียบเทียบค่า Tonality จากการปรับมุมลายดอกยาง 25 สรุปผลการหมุนของ Rib ต่อค่า Tonality จากการเปรียบเทียบค่า Tonality ระหว่างการหมุน 0 องศากับ 180 องศา ในแต่ละฝั่ง พบว่า: 1) ฝั่งซ้าย: การหมุน 180 องศาทาให้ค่า Tonality ลดลงเล็กน้อยในทั้ง 1X และ 2X 2) ฝั่งกลาง: การหมุน 180 องศาทาให้ค่า Tonality ใน 1X เพิ่มขึ้น แต่ใน 2X ลดลง อย่างมาก 3) ฝั่งขวา: การหมุน 180 องศาทาให้ค่า Tonality ลดลงในทั้ง 1X และ 2X โดยรวมแล้วการหมุนของ Rib ส่งผลต่อ ค่า Tonality ทั้งการเพิ่มขึ้นและลดลง ขึ้นอยู่กับฝั่ง ของยางและฮาร์มอนิกที่วัด โดยที่ฝั่งกลางมีความแปรผันมากที่สุด ในขณะที่ฝั่งซ้ายและขวามีการ ลดลงของค่า Tonality ในทั้งสองฮาร์มอนิก การหมุน Rib ช่วยกระจายพลังงาน ที่เกิดจากการ เคลื่อนที่ของยางและการเสียดสีได้ดีกว่า โดยสามารถลดการสะสมความเค้นในบางพื้นที่ ในขณะที่การ ไม่หมุน Rib อาจทาให้พลังงานสะสมในบางจุดและอาจทาให้เกิดการสะสมของความร้อนและเสียง รบกวนที่ไม่พึงประสงค์ได้ 3.2 กระบวนการเตรียมข้อมูล (Data Preparation) การเตรียมข้อมูลถือเป็นขั้นตอนที่สาคัญอย่างยิ่งในกระบวนการพัฒนาโมเดล AI เนื่องจาก ข้อมูลที่สะอาดและพร้อมใช้งานจะช่วยเพิ่มประสิทธิภาพและความแม่นยาของโมเดล การเตรียม ข้อมูลในโปรเจกต์นี้ประกอบด้วย 4 ขั้นตอนหลัก ได้แก่ การทาความสะอาดข้อมูล (Data Cleansing), การทาให้เป็นมาตรฐานของข้อมูล (Normalization), การจัดข้อมูลเป็น Timetable และ การแบ่ง ข้อมูลออกเป็นชุดฝึก (Training Set) และชุดทดสอบ (Test Set) ซึ่งมีรายละเอียดดังนี้ 3.2.1 การทาความสะอาดข้อมูล (Data Cleansing) การทาความสะอาดข้อมูลเป็นขั้นตอนที่สาคัญในการจัดการกับข้อมูลดิบที่มีข้อบกพร่อง หรือไม่สมบูรณ์ ข้อมูลภาพลายดอกยางที่ได้รับอาจมีปัญหาในด้านต่างๆ เช่น ข้อมูลสูญหายหรือ ผิดปกติ การทาความสะอาดข้อมูลช่วยให้มั่นใจว่าข้อมูลที่ใช้ในการวิเคราะห์มีความถูกต้องและ สม่าเสมอ ซึ่งในขั้นตอนนี้รวมถึง 1) การจัดการกับข้อมูลสูญหาย (Missing Data) : ตรวจสอบว่ามีค่าข้อมูลสูญหาย หรือไม่ เช่น การมีค่าว่าง (Nan) หรือค่าผิดปกติที่ไม่สามารถนาไปวิเคราะห์ได้ ข้อมูลเหล่านี้จะถูก แทนที่หรือเติมด้วยค่าเฉลี่ยของข้อมูลใกล้เคียง หรือในกรณีที่ข้อมูลสูญหายมากเกินไปอาจพิจารณา ลบข้อมูลดังกล่าวออก 2) การลบข้อมูลที่ไม่เกี่ยวข้อง (Irrelevant Data) : การตรวจสอบและลบข้อมูลที่ไม่ เกี่ยวข้องกับการวิเคราะห์ เช่น การมีส่วนของภาพที่ไม่เกี่ยวข้องกับลายดอกยางจริง หรือสัญญาณ รบกวนที่ไม่จาเป็น ข้อมูลเหล่านี้จะถูกลบเพื่อรักษาความแม่นยาของการวิเคราะห์ 26 3) การตรวจสอบความสม่าเสมอของข้อมูล (Data Consistency) : ตรวจสอบความ สม่าเสมอของค่าข้อมูล เพื่อให้แน่ใจว่าค่าทุกส่วนมีความสัมพันธ์กันและไม่แสดงผลผิดปกติในระหว่าง กระบวนการแปลงหรือวิเคราะห์ 3.2.2 การทาให้เป็นมาตรฐานของข้อมูล (Normalization) เมื่อข้อมูลผ่านการทาความสะอาดข้อมูลเรียบร้อยแล้ว ขั้นตอนต่อไปคือการ ทาให้เป็น มาตรฐานของข้อมูล (Normalization) ซึ่งเป็นกระบวนการปรับค่าข้อมูลให้อยู่ในช่วงที่เหมาะสม โดยเฉพาะในกรณีของข้อมูลที่มีหน่วยหรือขนาดแตกต่างกัน เช่น ข้อมูลแอมพลิจูดที่อาจมีค่าที่ แตกต่างกันอย่างมากระหว่างลายดอกยางแต่ละแบบ หากไม่มีการปรับค่าข้อมูลเหล่านี้จะทาให้เกิด ความไม่สมดุลในการฝึกโมเดล การทาให้เป็นมาตรฐานของข้อมูลจะทาให้ค่าของข้อมูลอยู่ในช่วงที่กาหนด เช่น 0 ถึง 1 หรือ -1 ถึง 1 ซึ่งเป็นมาตรฐานที่ใช้ทั่วไปในงานด้าน Machine Learning การทาให้เป็นมาตรฐานนี้จะ ช่ ว ยลดความแตกต่า งระหว่า งค่า ข้ อ มู ล และช่ ว ยให้ โ มเดลสามารถประมวลผลข้ อ มู ล ได้ อ ย่า งมี ประสิทธิภาพและแม่นยามากขึ้น โดยกระบวนการนี้อาจใช้วิธีการต่างๆ เช่น 1) Min-Max Normalization : การปรับค่าข้อมูลให้อยู่ในช่วงระหว่างค่าต่าสุดและ ค่าสูงสุด เช่น จากช่วงเดิมของข้อมูลที่อาจเป็น 0-100 ปรับให้เป็น 0-1 2) Z-Score Normalization : การปรับข้อมูลโดยใช้ค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐาน เพื่อให้ข้อมูลมีการกระจายตัวที่เหมาะสมและอยู่ในช่วงมาตรฐาน 3.2.3 การจัดข้อมูลเป็น Cell Array หรือ Timetable ข้อมูลที่เกี่ยวข้องกับแอมพลิจูดของสัญญาณเสียงถูกรวบรวมและจัดเก็บในรูปแบบCell Array หรือ Timetable เพื่อช่วยในการจัดเก็บและการประมวลผลข้อมูลอย่างมีประสิทธิภาพ 1) การจัดข้อมูลเป็น Cell Array : ข้อมูลถูกจัดเก็บในรูปแบบของ Cell Array โดยแต่ ละเซลล์มีขนาด 8192 × 1 จุดข้อมูล การจัดเก็บข้อมูลในรูปแบบนี้ช่วยให้สามารถเข้าถึงข้อมูลได้ง่าย ในแต่ละเซลล์ ซึ่งช่วยในการแปลงข้อมูลเพิ่มเติม เช่น การแปลงเป็น FFT Order หรือ Time Waveform เพื่อใช้ในการวิเคราะห์เชิงลึกต่อไป 27 ภาพที่ 3.12 ตัวอย่างการจัดข้อมูลเป็น Cell Array [23] 2) การจัดข้อมูลเป็น Timetable : ข้อมูลยังถูกจัดเก็บในรูปแบบ Timetable เพื่อ เชื่อมโยงข้อมูลแอมพลิจูดกับเวลา การใช้ Timetable ช่วยให้สามารถประมวลผลข้อมูลที่เชื่อมโยงกับ เวลาหรือการเรียงลาดับของข้อมูลได้อย่างมีประสิทธิภาพ โดยข้อมูลนี้จะถูกใช้สาหรับการวิเคราะห์เชิง เวลา เช่น การตรวจสอบการเปลี่ยนแปลงของสัญญาณเสียงตามเวลาจริง Step 1) กาหนด Cell Array เพื่อเก็บข้อมูลจากแต่ละไฟล์ Step 2) วนลูปเพื่ออ่านข้อมูลจากแต่ละไฟล์และเก็บใน Cell Array เป็น Timetable Step 3) สร้างชื่อไฟล์ตามลาดับหมายเลข Step 4) อ่านข้อมูลจากไฟล์ Step 5) สร้างตัวแปรเวลาให้สอดคล้องกับข้อมูล Step 6) แปลงข้อมูลเป็น Timetable Step 7) แสดงผลลัพธ์ Step 8) Save เป็นไฟล์ .Mat 28 ภาพที่ 3.13 ตัวอย่างการจัดข้อมูลเป็น Time Table [24] 3.2.4 การแบ่งข้อมูลออกเป็นชุดฝึกและชุดทดสอบ (Training Set & Test Set) หลังจากที่ข้อมูลได้รับการทาให้เป็นมาตรฐานแล้ว ขั้นตอนถัดไปคือการแบ่งข้อมูล ออกเป็นสองชุด ได้แก่ ชุดฝึก (Training Set) และ ชุดทดสอบ (Test Set) การแบ่งข้อมูลเป็นสองชุด นี้มีความสาคัญต่อการพัฒนาโมเดล AI เนื่องจากจะช่วยให้สามารถทดสอบและประเมินผลการทางาน ของโมเดลได้ 1) ชุดฝึก (Training Set) : ข้อมูลในชุดฝึกจะถูกนามาใช้ในการฝึกโมเดล AI โดยใน กระบวนการฝึกนี้ โมเดลจะเรียนรู้จากลักษณะต่างๆ ของข้อมูล เช่น ความสัมพันธ์ระหว่างลายดอก ยางและเสียงรบกวน โมเดลจะถูกฝึกให้สามารถคาดการณ์เสียงที่เกิดขึ้นจากลายดอกยางต่างๆ ได้โดย อิงจากข้อมูลที่ได้รับ 2) ชุดทดสอบ (Test Set): ข้อมูลในชุดทดสอบจะถูกเก็บไว้ใช้สาหรับการประเมิน โมเดล หลังจากที่โมเดลได้รับการฝึกจากชุดฝึกแล้ว จะมีการนาชุดทดสอบมาใช้ในการตรวจสอบ ประสิทธิภาพของโมเดล โดยการทดสอบนี้จะช่วยให้เราทราบว่าโมเดลสามารถทางานได้ดีเพียงใดเมื่อ พบกับข้อมูลที่ไม่เคยเห็นมาก่อน การแบ่งข้อมูลออกเป็นชุดฝึกและชุดทดสอบโดยทั่วไปนิยมใช้สัดส่วน เช่น 80:20 หรือ 70:30 ขึ้นอยู่กับจานวนข้อมูลทั้งหมด การแบ่งข้อมูลในลักษณะนี้ช่วยให้การ ประเมิ น ผลของโมเดลมี ค วามน่า เชื่ อ ถื อ และลดความเสี่ ย งในการเกิ ด การฝึ ก โมเดลมากเกิ น ไป (Overfitting) 29 3.3 การสกัดคุณลักษณะ (Feature Extraction) โดยการใช้ Diagnostic Feature Designer ใน MATLAB Diagnostic Feature Designer ใน MATLAB เป็นเครื่องมือที่ช่วยในการสกัดฟีเจอร์จากข้อมูล สัญญาณ เช่น Time Waveform ซึ่งช่วยให้สามารถเลือกฟีเจอร์ที่สาคัญที่สุดสาหรับการวิเคราะห์ได้ อย่างง่ายดาย เครื่องมือนี้มีขั้นตอนสาคัญ 3 ขั้นตอน ได้แก่ การนาเข้าและแสดงผลข้อมูล (Import And Visualize Ensemble Data), การประมวลผลข้อมูลและสารวจฟีเจอร์ (Process Data And Explore Features) และ การจัดอันดับและส่งออกฟีเจอร์ (Rank And Export Features) 3.3.1 การนาเข้าและแสดงผลข้อมูล (Import And Visualize Ensemble Data) 1) การนาเข้าข้อมูล ข้อมูล Time Waveform จะถูกนาเข้าไปยัง Diagnostic Feature Designer เพื่อ เริ่มต้นกระบวนการสกัดฟีเจอร์ ขั้นตอนการนาเข้าข้อมูลมีดังนี้: Step 1) Load Data Step 2) เปิด Diagnostic Feature Designer Step 3) นาเข้าข้อมูล Step 4) New Session จะปรากฏขึ้น เลือก Dataset จาก Workspace Step 5) ตั้งค่า Source Variable Step 6) Check Summary และ Import Variable 2) การแสดงผลข้อมูล (Visualize Data) เมื่อข้อมูลถูกนาเข้าแล้ว สามารถแสดงผลข้อมูลในรูปแบบกราฟเพื่อดูการกระจาย ตัวและความเปลี่ยนแปลงของสัญญาณในช่วงเวลาต่างๆ กราฟเหล่านี้จะช่วยให้ผู้ใช้สามารถทาความ เข้าใจพฤติกรรมของสัญญาณและลักษณะเฉพาะของข้อมูลก่อนที่จะทาการประมวลผล ภาพที่ 3.14 การตรวจสอบสัญญาณ Var1 ด้วย Signal Trace ใน Diagnostic Feature Designer 30 3.3.2 การประมวลผลข้ อ มู ล และการสารวจฟี เจอร์ (Process Data And Explore Features) ในขั้นตอนนี้ ข้อมูลที่นาเข้าแล้วจะถูกประมวลผลเพื่อสกัดฟีเจอร์ต่างๆ ที่เกี่ยวข้องกับ การวิเคราะห์ลักษณะของสัญญาณ เช่น ความถี่ที่สาคัญ ค่าความผันผวน (Variance) และพลังงาน ของสัญญาณ เครื่องมือนี้มีเครื่องมือหลายอย่างในการสร้างฟีเจอร์ต่างๆ จากข้อมูลที่มีอยู่ 1) การประมวลผลข้อมูล (Process Data) เครื่องมือที่ใ ห้ใช้ได้ เช่น การกรองสัญ ญาณ (Filtering), การวิเคราะห์ความถี่ (Frequency Analysis), การคานวณค่าพลังงาน (Power Spectrum), และอื่นๆ ที่เกี่ยวข้องกับ สัญญาณ Time Waveform ภาพที่ 3.15 ตัวเลือกการประมวลผลข้อมูลใน MATLAB Diagnostic Feature Designer 2) การสารวจฟีเจอร์ (Explore Features) เมื่อสกัดฟีเจอร์แล้ว สามารถทาการสารวจฟีเจอร์ต่างๆ โดยการสร้างกราฟและ พล็อตผลลัพธ์ เพื่อทาความเข้าใจเกี่ยวกับลักษณะของฟีเจอร์ที่ได้ การสารวจฟีเจอร์นี้ช่วยให้สามารถ วิเคราะห์ฟีเจอร์ที่มีผลต่อการทานายเสียงรบกวนได้อย่างละเอียด ตัวอย่างฟีเจอร์จากการสกัด ภาพที่ 3.16 ตัวเลือกการประมวลผลข้อมูลใน Diagnostic Feature Designer 31 ตัวอย่างฟีเจอร์ที่สามารถสกัดได้แก่ ความถี่เด่น (Peak Frequency), สเปกตรัมพลังงาน (Power Spectrum), ค่าความแปรปรวน (Variance) และ ความเบี่ยงเบนมาตรฐาน (Standard Deviation) 3.3.3 การจัดอันดับและส่งออกฟีเจอร์ (Rank And Export Features) หลังจากทาการประมวลผลและสกัดฟีเจอร์ต่างๆ ได้แล้ว ขั้นตอนสุดท้ายคือการ จัด อันดับฟีเจอร์ (Rank Features) เพื่อเลือกฟีเจอร์ที่มีความสาคัญมากที่สุดต่อการวิเคราะห์หรือการ พัฒนาโมเดล AI 1) การจัดอันดับฟีเจอร์ (Feature Ranking) Diagnostic Feature Designer มีเครื่องมือที่ช่วยจัดอันดับความสาคัญของฟีเจอร์ โดยวัดผลจากเกณฑ์ต่างๆ เช่น การวิเคราะห์ความสัมพันธ์ของฟีเจอร์และผลลัพธ์ที่ต้องการ (เช่น การ คาดการณ์เสียงรบกวนจากลายดอกยาง) การจัดอันดับนี้ช่วยให้สามารถเลือกฟีเจอร์ที่สาคัญที่สุด เพื่อให้โมเดลทางานได้อย่างมีประสิทธิภาพ ในที่นี้เลือกใช้ Auto Feature ภาพที่ 3.17 การแจกแจงข้อมูลของคุณลักษณะต่าง ๆ ด้วย Histogram ใน Diagnostic Feature Designer 2) การส่งออกฟีเจอร์ (Export Features) เมื่อจัดอันดับฟีเจอร์ที่สาคัญแล้ว ฟีเจอร์เหล่านี้จะถูกส่งออกเพื่อใช้ในการพัฒนา โมเดล AI โดยสามารถส่งออกฟีเจอร์ในรูปแบบไฟล์ที่พร้อมสาหรับการนาไปใช้งานในขั้นตอนถัดไป เช่น การฝึกโมเดล 3.3.4 การเปรียบเทียบการสกัดฟีเจอร์โดย AI และมนุษย์ 3.3.4.1 ผลการวิเคราะห์ของการใช้ AI ใน MATLAB โดยใช้ Diagnostic Feature Designer ใน MATLAB สาหรับการสกัดฟีเจอร์ 32 ภาพที่ 3.18 ผลการวิเคราะห์ของการใช้ AI ใน MATLAB สาหรับการสกัดฟีเจอร์ ตารางที่ 3.2 ผลการวิเคราะห์ของการใช้ AI ใน MATLAB สาหรับการสกัดฟีเจอร์ Features ความเสถียร (การกระจายตัว) ความเหมาะสมสาหรับใช้ Train Model Crest Factor สูง (ค่ากระจุกตัวดีมาก) ดีมาก : แสดงความแหลมของเสียง ใช้แยก เสียง “Pure tone” ได้ดี Peak Value ปานกลาง ดี : ใช้บ่งชี้ความดังเฉียบพลัน RMS สูง ดี : บ่งบอกพลังงานรวมของสัญญาณ 3.3.4.2 ผลการวิเคราะห์ของการคานวณจากการแปลง FFT ใน MATLAB สาหรับการ สกัดฟีเจอร์ ตารางที่ 3.3 ผลการวิเคราะห์ของการคานวณโดยมนุษย์จากการแปลง FFT ใน MATLAB สาหรับการ สกัดฟีเจอร์ Peak (max) rms tonality ลายดอกยาง 1X 2X 1 2 3 4 5 6 7 8 9 10 1X 3.882 3.256 3.528 3.614 3.417 3.194 3.197 3.360 3.327 2.642 2X 1.119 1.178 1.118 1.379 1.102 1.142 1.265 1.097 1.299 0.945 order 68 67 66 69 70 68 72 67 71 70 mag 1.510 1.417 1.553 1.550 1.623 1.459 1.494 1.550 1.485 1.682 33 order 145 125 129 127 129 146 127 130 134 128 mag 0.552 0.756 0.748 0.594 0.395 0.533 0.559 0.652 0.559 0.542 1X 0.389 0.435 0.440 0.429 0.475 0.457 0.467 0.461 0.446 0.637 2X 0.493 0.642 0.669 0.431 0.358 0.467 0.442 0.595 0.431 0.574 ค่า RMS 1. ค่า RMS เป็นตัวชี้วัดความเข้มของเสียง โดยแสดงถึงพลังงานเฉลี่ยของสัญญาณเสียง 2. จากข้ อ มู ล พบว่า ค่า RMS ในลาดั บ 1X จะมี ค่า ที่สูง กว่า 2X ในทุ ก ลายดอกยาง ซึ่ ง หมายความว่าเสียงจากลาดับ 1X นั้นมีพลังงานเฉลี่ยสูงกว่าลาดับ 2X 3. ลายดอกยางที่มีค่า RMS สูงสุดในลาดับ 1X คือ ลายดอกยางแบบที่ 1 (3.882) แสดงถึง ความเข้มของเสียงที่สูงกว่าแบบอื่น ๆ ในขณะที่ลายดอกยางแบบที่ 10 มีค่า RMS ต่าที่สุด (2.642) บ่งบอกถึงความเข้มเสียงที่น้อยกว่า ค่า Peak (Max) 1. ค่า Peak (Max) แสดงถึงความดังสูงสุดของสัญญาณในลาดับต่าง ๆ ซึ่งสามารถบ่งบอกถึง ความดังของเสียงที่เกิดขึ้น 2. ในลาดับ 1X ค่า Peak (Max) สูงสุดอยู่ที่ลายดอกยางแบบที่ 10 (1.682) ซึ่งหมายถึงลาย ดอกยางนี้สร้างเสียงดังสูงสุดในลาดับ 1X ขณะที่ลายดอกยางแบบที่ 2 มีค่า Peak (Max) ต่าที่สุด (1.417) 3. ในลาดับ 2X ค่า Peak (Max) สูงสุดอยู่ที่ลายดอกยางแบบที่ 3 (0.748) และต่าสุดที่ลาย ดอกยางแบบที่ 6 (0.533) แสดงถึงการกระจายของความดังสูงสุดในลาดับ 2X ที่แตกต่างกัน ค่าTonality (1X และ 2X): 1. ค่า Tonality แสดงถึงลักษณะเฉพาะของเสียงในแต่ละลาดับ 2. ในลาดับ 1X ค่าที่สูงสุดพบในลายดอกยางแบบที่ 10 (0.637) และต่าสุดในลายดอกยาง แบบที่ 4 (0.395) ซึ่งแสดงถึงการเปลี่ยนแปลงในคุณลักษณะเสียงที่แตกต่างกันไป 3. ในลาดับ 2X ค่าสูงสุดอยู่ที่ลายดอกยางแบบที่ 2 (0.642) และต่าสุดที่ลายดอกยางแบบที่ 4 (0.358) เช่นกัน แสดงถึงคุณลักษณะเสียงที่มีความแตกต่างในลาดับ 2X 3.3.4.3 สรุปผลเปรียบเทียบระหว่างการสกัดฟีเจอร์โดยใช้ AI กับการคานวณในการ สกัดฟีเจอร์ การวิเคราะห์ด้วย Diagnostic Feature Analysis ให้ผลลัพธ์ที่สอดคล้องและใกล้เคียงกับการ คานวณด้วยมนุษย์ในทุกค่า (RMS, Peak(Max), และ Tonality) โดยมีความแตกต่างเล็กน้อยเท่านั้น Diagnostic Feature Analysis อาจมีความแม่นยาและสะดวกต่อการวิเคราะห์ข้อมูลจานวน มากเนื่องจากเป็นกระบวนการอัตโนมัติและรวดเร็ว ซึ่งอาจเป็นทางเลือกที่ดีสาหรับการวิเคราะห์ สัญญาณเสียงของลายดอกยางหลายแบบ 34 3.4 กระบวนการฝึกโมเดล 3.4.1 การเตรียมข้อมูล (Data Preparation) 1) สร้างโฟลเดอร์หลัก ที่เก็บข้อมูลทั้งหมด โดยมีโฟลเดอร์ย่อยสาหรับการฝึก (Train) และการทดสอบ (Test) 2) แยกโฟลเดอร์ตามคลาส (Labels) เช่น Pass และ Reject ซึ่งจะช่วยให้เครื่องมือเช่น Imagedatastore หรือ Flow_From_Directory สามารถสร้าง Label โดยอัตโนมัติ ภาพที่ 3.19 ตัวอย่างโครงสร้างไฟล์ คาอธิบาย /Data: โฟลเดอร์หลักที่เก็บข้อมูลทั้งหมด /Train: โฟลเดอร์ย่อยสาหรับข้อมูลฝึกโมเดล /Pass: ภาพที่สเปกโตรแกรมกระจายตัว ไม่เกิดเสียงรบกวนที่สร้างความราคาญ /Reject: ภาพที่สเปกโตรแกรมมีเส้นตรง ค้างยาว ทาให้เกิดเสียง Tonality /Test: โฟลเดอร์ย่อยสาหรับข้อมูลทดสอบโมเดล /Pass: ภาพสาหรับทดสอบที่ไม่มีเสียงรบกวน /Reject: ภาพสาหรับทดสอบที่มีเสียง Tonality 3) การใช้ Imagedatastore ใน MATLAB หลังจากจัดระเบียบข้อมูลตามโครงสร้างเพื่อ โหลดข้อมูล 3.4.2 การแบ่งข้อมูล (Data Splitting) เป็นขั้นตอนสาคัญในการเตรียมข้อมูลเพื่อฝึกและทดสอบโมเดล โดยปกติแล้วจะมี การ แบ่งข้อมูลออกเป็น สองส่วนหลัก คือ Training Data (ข้อมูลฝึก) และ Testing Data (ข้อมูลทดสอบ) เพื่อให้สามารถฝึกโมเดลและทดสอบผลลัพธ์ที่ได้จากโมเดลได้อย่างมีประสิทธิภาพ 35 1) ข้อมูลออกเป็น Training Set และ Test Set โดยอัตราส่วนการแบ่งข้อมูลจะอยู่ที่ 70% สาหรับการ Train และ 30% สาหรับการ Test 3.4.3 การเสริมข้อมูล (Data Augmentation) ใน CNN Custom ใช้สาหรับเพิ่มความหลากหลายของข้อมูลฝึก โดยการปรับเปลี่ยน รูปภาพในวิธีต่างๆ เพื่อให้โมเดลสามารถเรียนรู้ได้ดีขึ้นและลดความเสี่ยงในการ Overfitting โดยไม่ ต้องใช้ข้อมูลใหม่ 1) การตั้ ง ค่า Imagedataaugmenter: เพื่ อ ทาการหมุ น (Rotation), การย้า ย (Translation) และการยืด (Scaling) ของภาพ 2) Randrotation: หมุนภาพในช่วง [-40, 40] องศา เพื่อเพิ่มความหลากหลายของมุม การหมุน 3) Randxtranslation, Randytranslation: การย้ายภาพในแนวแกน X และ Y ในช่วง [-20, 20] 4) Randxscale, Randyscale: การยืดขยายภาพในแนว X และ Y ในช่วง [0.8, 1.2] 3.4.5 การกาหนดโครงสร้างเครือข่าย (Network Architecture Definition) ในการวิจัยครั้งนี้ได้เลือกใช้ โมเดล Autoencoder เป็นโมเดลหลัก สาหรับการวิเคราะห์ และจาแนกลายดอกยางที่มีเสียงรบกวนต่า โดยทาการฝึกด้วยข้อมูลจากลายดอกยางทั้งหมดจานวน 60 ลาย เพื่อให้ครอบคลุมลักษณะของข้อมูลที่หลากหลายอย่างเพียงพอ นอกจากนี้ ได้มีการทดลองใช้ โมเดลเปรียบเทียบ ได้แก่ CNN Custom, Resnet50, VGG16 และ Efficientnetb0 ซึ่งเป็นโมเดลประเภทจาแนกภาพ (Image Classification) โดยใช้ ข้อมูลจากัดเพียง 3 ลายดอกยาง สาหรับเปรียบเทียบประสิทธิภาพเบื้องต้นในการจาแนกประเภท เสียง (Pass / Reject) เพื่อสนับสนุนความเหมาะสมของการเลือก Autoencoder เป็นโมเดลหลัก 3.4.5.1 Autoencoder (โครงสร้างโมเดลหลัก) 1) Input Layer รับข้อมูลที่มีขนาด 128x128x1 (ภาพขาวดา) โดยใช้ Feature Input Layer เพื่อกาหนดขนาดของข้อมูลที่ป้อนเข้ามาในโมเดล 2) Encoder Layers ประกอบด้วย 2 ชั้นของ Fully Connected Layers ที่ใช้สาหรับลดมิติของ ข้อมูลและสกัดฟีเจอร์ที่สาคัญ 3) Fully Connected Layer (128 Nodes) + Batch Normalization+ Relu 4) Fully Connected Layer (128 Nodes) + Batch Normalization + Relu Bottleneck Layer (8 Nodes) + Batch Normalization + Relu 36 5) Bottleneck Layer บีบอัดข้อมูลให้อยู่ใน Latent Space ที่มีขนาด 8 Nodes ซึ่งเป็นจุดที่โมเดลสามารถเรียนรู้โครงสร้างของข้อมูลได้ดีที่สุด 6) Decoder Layers ใช้โครงสร้างคล้าย Encoder แต่ทางานย้อนกลับเพื่อ สร้างข้อมูลคืนมา 7) Output Layer 7.1) ใช้ Regression Layer แทน Softmax เนื่องจาก Autoencoder ไม่ได้ใช้สาหรับการจาแนกประเภท 7.2) เปรียบเทียบ Output กับ Input เพื่อให้โมเดลเรียนรู้การสร้างข้อมูลที่ เหมือนต้นฉบับมากที่สุด 3.4.5.2 โครงสร้างโมเดลเปรียบเทียบ (CNN, Resnet50, VGG16,Efficientnetb0) 1) CNN Custom 1.1) Input Layer: ขนาดภาพ 224×224×1 (ขาวดา) 1.2) Convolutional Layers: 3 ชั้น ขนาดฟิลเตอร์ 3×3, Padding = 'Same', Stride = 1 1.3) Batch Normalization: เพิ่มหลังแต่ละชั้น Convolution เพื่อความ เสถียร 1.4) Activation Function: ใช้ Relu ทุกชั้น 1.5) Max Pooling: ขนาด 2×2 เพื่อลดขนาดข้อมูล 1.6) Fully Connected Layer: 1.6.1 ชั้นแรก: 256 Nodes 1.6.2 Dropout Layer: ใช้ค่า Dropout เพื่อป้องกัน Overfitti 1.6.3 ชั้นที่สอง: 2 Nodes สาหรับจาแนก 2 คลาส 3.4.6 การกาหนดพารามิเตอร์การฝึก 3.4.6.1 Autoencoder (โมเดลหลัก) 1) Preprocessing: ขนาดข้อมูล 128x128x1 (สาหรับภาพขาวดา) 2) Data Augmentation: ไม่ มี การใช้ Data Augmentation ใน Autoencoder เนื่องจากโมเดลต้องการเรียนรู้โครงสร้างของข้อมูลต้นฉบับโดยตรง 3) Training Options 3.1) Maxepochs: 40 3.2) Initiallearnrate: 1e-3 3.3) Minibatchsize: ปรับตามขนาดของข้อมูล 37 3.4) Shuffle: Every-Epoch 3.5) Validationfrequency: 16 3.6) Executionenvironment: Gpu 3.7) Validationdata: Valdata 3.4.6.2 CNN Custom (โมเดลเปรียบเทียบ) 1) Preprocessing: ขนาดภาพ 224x224x1 (สาหรับภาพขาวดา) 2) Data Augmentation: 3) Randrotation: [-40, 40] องศา 4) Training Options: 4.1) Maxepochs: 75 4.2) Initiallearnrate: 5e-5 4.3) Minibatchsize: 16 4.4) Shuffle: Every-Epoch 4.5) Validationfrequency: 5 4.6) Executionenvironment: Gpu 4.7) Filters: [32, 64, 128] 4.8) Fully Connected Neurons: 256 4.9) Dropout Rate: 0.5 3.4.6.3 Restnet50 (โมเดลเปรียบเทียบ) 1) Preprocessing: 224×224×3 (RGB) Data Augmentation: เหมื อ นกั บ CNN 1.1) Training Options: 1.2) Maxepochs: 25 1.3) Initiallearnrate: 5e-5 1.4) Minibatchsize: 16 1.5) Shuffle: Every-Epoch 1.6) Validationfrequency: 5 1.7) Executionenvironment: Gpu 1.8) Validationdata: Testimds 38 3.4.6.4 VGG16 (โมเดลเปรียบเทียบ) 1) Preprocessing: 224×224×3 (RGB) 2) Data Augmentation: เหมือนกับ Resnet50 3) Training Options: เหมือนกับ Resnet50 3.4.6.5 Efficientnetb0 (โมเดลเปรียบเทียบ) การประยุกต์ใช้ Transfer Learning ใน Autoencoder ในการวิจัยนี้มีการประยุกต์ใช้ Transfer Learning ร่วมกับโมเดล Autoencoder เพื่อเพิ่ม ประสิ ท ธิ ภาพของการฝึ ก โมเดลและลดระยะเวลาในการเรี ย นรู้ โดยเริ่ ม จากการฝึ ก โมเดล Autoencoder ชุดแรกกับข้อมูลลายดอกยางลาดับที่ 1-3 จากนั้นได้ทาการบันทึกโมเดลไว้ในรูปแบบ ไฟล์ Trainedmodel.Mat ภายหลังได้มีการนาโมเดลที่ฝึกไว้แล้วกลับมาใช้งาน โดยทาการ Load โมเดลที่ฝึกไว้ และปรับ ค่า การเรี ย นรู้ ข องเลเยอร์ Encoder ทั้ ง สามเลเยอร์ ใ ห้ เ ป็ น 0 (Freeze Layer) ด้ ว ยคาสั่ ง Weightlearnratefactor = 0 และ Biaslearnratefactor = 0 เพื่อไม่ให้เลเยอร์เหล่านี้ถูกฝึกซ้าอีกใน ข้อมูลชุดใหม่ และทาการ Fine-Tune เฉพาะส่วนของ Decoder และ Output Layer กับข้อมูลลาย ดอกยางลาดับที่ 4-60 ( Transfer Learning รอบละ 3 ลายจนครบ 60 ลาย ) ซึ่งเป็นลายที่โมเดลยัง ไม่เคยเห็นมาก่อน ขั้ น ตอนนี้ ช่ ว ยให้ โ มเดลสามารถ รั ก ษาความรู้ เ ดิ ม จากการฝึ ก เบื้ อ งต้ น (Knowledge Retention) และสามารถปรับตัวเข้ากับข้อมูลใหม่ได้อย่างรวดเร็ว (Adaptation) ส่งผลให้การเรียนรู้ มีประสิทธิภาพมากขึ้นโดยใช้ข้อมูลจานวนไม่มากในรอบที่สองของการฝึก นอกจากนี้ ยั ง ได้ มี การปรั บ Output Layer โดยลบเลเยอร์ Regressionoutput เดิ ม และ เพิ่ ม เลเยอร์ Regressionlayer("Name", "Outputlayer") แทน พร้ อ มเปลี่ ย นรู ป แบบโมเดลจาก Seriesnetwork เป็น Dlnetwork เพื่อรองรับการฝึกแบบลึกและปรับแต่งโมเดลเพิ่มเติม 39 บทที่ 4 ผลการดาเนินงาน 4.1 ผลการวิเคราะห์เบื้องต้นเพื่อเปรียบเทียบประสิทธิภาพของโมเดล ในขั้นต้นของการดาเนินงาน ได้มีการทดสอบโมเดล Autoencoder ร่วมกับโมเดลประเภท Classification ได้แก่ CNN Custom, Resnet50, VGG16 และ Efficientnetb0 ด้วยข้อมูลลายดอก ยางจานวน 3 ลาย เพื่อวิเคราะห์เบื้องต้นว่าประสิทธิภาพของ Autoencoder สามารถเทียบเคียงหรือ ดีกว่าโมเดลที่ใช้กันทั่วไปในงานจาแนกภาพหรือไม่ 4.1.1 ผลการฝึกโมเดล 1) Autoencoder ภาพที่ 4.1 ผลการฝึก Model Autoencoder 1.1 RMSE Threshold: 12.326 1.2 Validation Accuracy คาดการณ์: 85–90% 1.3 Training Loss / Validation Loss: ลดลงต่อเนื่อง ไม่มี Overfitting 40 2) CNN Custom ภาพที่ 4.2 ผลการฝึก Model CNN Custom 2.1 Validation Accuracy: 78.79% 2.2 Training Epochs: 75 2.3 Training / Validation Loss: ลดลงต่ อ เนื่ อ ง แสดงถึ ง การเรี ย นรู้ ที่ มี ประสิทธิภาพ 3) Restnet50 ภาพที่ 4.3 ผลการฝึก Model Restnet50 3.1 Validation Accuracy: 78.12% 3.2 Training Epochs: 25 3.3 Loss: ลดลงอย่างต่อเนื่อง แสดงว่าโมเดลเรียนรู้ได้ดี 41 4) VGG16 ภาพที่ 4.4 ผลการฝึก Model VGG16 4.1 Validation Accuracy: 90.62% 4.2 Training Loss / Validation Loss: ลดลงอย่างชัดเจน 4.3 เป็ น โมเดลที่ ใ ห้ ผ ลแม่ น ยาที่ สุ ด ในกลุ่ ม โมเดล Classification 5) Efficientnetb0 ภาพที่ 4.5 ผลการฝึก Model Efficientnetb0 5.1 Validation Accuracy: 84.38% 5.2 Training Accuracy: สูงถึง ~90% 5.3 Loss: มีแนวโน้มลดลงต่อเนื่อง 42 4.1.2 การประเมินผลลัพธ์ผ่าน Confusion Matrix จากการฝึกโมเดลได้มีการประเมินผลการทานายผ่าน Confusion Matrix ของแต่ละ โมเดล เพื่อวัดค่าตัวชี้วัดทางสถิติ เช่น Accuracy, Precision, Recall และ F1-Score ได้ผลลัพธ์ ดังต่อไปนี้ ตารางที่ 4.1 แสดงผลลัพธ์เปรียบเทียบโมเดลกับข้อมูล 3 ลายดอกยาง Model Accuracy Precision Recall CNN Custom 78.79% 0.5 0.7879 ResNet50 78.13% 0.8542 0.7667 VGG16 90.63% 0.8125 0.9444 EfficientNetB0 87.50% 0.875 0.8273 Autoencoder 78.18% 0.8846 0.7188 F1-Score 0.8814 0.7625 0.8552 0.8454 0.7927 หมายเหตุ: Autoencoder ใช้วิธีตัด Threshold จาก RMSE เพื่อจาแนก Pass / Reject แทน การใช้ Softmax Accuracy: วัดความแม่นยาของโมเดล โดยคานวณจากจานวนการทานายที่ถูกต้องทั้งหมด (ทั้ง คลาสที่ถูกต้องและผิดพลาด) หารด้วยจานวนตัวอย่างทั้งหมด Precision: วัดความแม่นยาในกลุ่มที่โมเดลทานายว่าเป็น "Positive" (หรือคลาสที่สนใจ) โดย คานวณจากจานวนทานายที่ถูกต้องในกลุ่ม "Positive" หารด้วยจานวนที่โมเดลทานายว่า เป็น "Positive" Recall: วัดความสามารถของโมเดลในการจับกลุ่ม "Positive" ที่แท้จริง โดยคานวณจาก จานวนที่โมเดลทานายว่าเป็น "Positive" หารด้วยจานวนที่แท้จริงเป็น "Positive" F1-Score: เป็นค่าเฉลี่ยแบบถ่วงน้าหนักระหว่าง Precision และ Recall ใช้เพื่อให้ข้อมูลที่ สมดุลสาหรับโมเดลที่มีความไม่สมดุลในคลาส จึงเหมาะสาหรับกรณีที่ข้อมูลไม่สมดุลระหว่างคลาส ซึ่ง การใช้ Accuracy เพียงอย่างเดียวอาจไม่สะท้อนผลที่แท้จริง โดยทั่วไป F1-Score ที่สูงแสดงว่าโมเดล สามารถจาแนกได้อย่างสมดุล ทั้งลดความผิดพลาดและไม่พลาดคลาสสาคัญ 43 4.1.3 เหตุผลในการเลือก Autoencoder เป็นโมเดลหลักในการทดลอง จากผลการเปรียบเทียบโมเดลในเบื้องต้นกับข้อมูลลายดอกยางจานวน 3 ลาย พบว่าแม้ โมเดลประเภท Classification เช่น VGG16 และ Efficientnetb0 จะให้ผลลัพธ์ที่มี Accuracy และ Recall สูงในการจาแนกประเภทเสียง แต่ยังมีข้อจากัดในการใช้งานในบริบทของปัญหานี้ ได้แก่ 1. จาเป็นต้องมีการระบุ Label (Pass/Reject) ล่วงหน้าสาหรับทุกข้อมูลในชุดฝึก 2. ไม่สามารถตรวจจับความเบี่ยงเบนของเสียงที่ไม่ได้อยู่ในขอบเขตการฝึกได้อย่าง แม่นยา 3. ไม่รองรับการวิเคราะห์ลักษณะเสียงที่เปลี่ยนแปลงอย่างละเอียดในระดับโครงสร้าง สัญญาณ ในขณะที่ Autoencoder ซึ่งเป็นโมเดลประเภท Unsupervised Learning มีจุดเด่น ดังนี้ 1. ไม่จาเป็นต้องใช้ป้ายกากับข้อมูล (Unlabeled Data) 2. สามารถเรี ย นรู้ "ลั ก ษณะปกติ " ของข้ อ มู ล (Normal Pattern) แล้ ว ใช้ ค่า Reconstruction Error เพื่อตรวจจับความผิดปกติที่เบี่ยงเบนจากลักษณะเดิม 3. เหมาะอย่างยิ่งกับลักษณะปัญหาที่เสียงจากยางมีความซับซ้อน หรือมีความต่อเนื่อง ของความถี่ (Continuous Spectrum) ที่ไม่สามารถแบ่งแยกได้ชัดเจน 4. ใช้งานได้ดีกับข้อมูลจานวนมาก เช่น ลายดอกยางทั้งหมด 60 ลาย ในงานวิจัยนี้ ด้วยเหตุผลทั้งหมดนี้ จึงได้เลือก Autoencoder เป็นโมเดลหลักสาหรับการทดลองกับข้อมูล ลายดอกยางทั้งหมดจานวน 60 ลาย เพื่อนาไปสู่การวิเคราะห์ที่ละเอียดและแม่นยาในการแยกแยะ เสียงรบกวนจากยางที่อาจส่งผลต่อความสบายในการขับขี่ 4.2 ผลการวิเคราะห์ลายดอกยาง 60 ลายด้วยโมเดล Autoencoder จากผลการทดลองเบื้องต้น พบว่า Autoencoder มีความสามารถในการเรียนรู้และจาแนก ลายดอกยางที่มีเสียงผิดปกติได้ดี จึงได้นามาใช้เป็น โมเดลหลักในการวิเคราะห์เสียงจากลายดอกยาง ทั้งหมดจานวน 60 ลาย 44 4.2.1 ผลการฝึกโมเดล ภาพที่ 4.6 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลาย ค่า RMSE (Root Mean Squared Error) สาหรับ Validation ลดลงอย่างต่อเนื่อง และคงที่ ในช่วงประมาณ 5.81 เมื่อถึงจุดสิ้นสุดของการฝึกที่ Epoch ที่ 40 ค่า Training Loss และ Validation Loss ลดลงอย่างมีนัยสาคัญ โดยค่า Training Loss ลด จากประมาณ 70 เหลือต่ากว่า 10 และค่า Validation Loss คงที่ในช่วงต่ากว่า 20 แสดงถึงการ เรียนรู้ที่มีประสิทธิภาพและไม่มีปัญหา Overfitting 4.2.2 การประเมินผลลัพธ์ผ่าน Confusion Matrix ภาพที่ 4.7 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลายผ่าน Confusion Matrix จากภาพที่ 4.7 แสดงผลการทานายบนชุดทดสอบด้วยการใช้ค่า Reconstruction Error เป็น เกณฑ์ในการจาแนกประเภท: 1. True Positive (TP) = 9 2. True Negative (TN) = 66 45 3. False Positive (FP) = 9 4. False Negative (FN) = 22 โดยรวม Accuracy อยู่ที่ประมาณ 75% ซึ่งแสดงว่าโมเดลสามารถจาแนกตัวอย่างเสียงที่ผ่าน (Pass) ได้ดีมาก แต่ยังมีข้อผิดพลาดในการจาแนก Reject บางส่วน 4.2.3 การประเมินผลลัพธ์ผ่าน ROC Curve ภาพที่ 4.8 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลายผ่าน ROC Curve จากภาพที่ 4.8 แสดงค่า ROC Curve ที่มีลักษณะค่อย ๆ ไต่ระดับขึ้น แสดงว่าโมเดลมี ศักยภาพในการแยกประเภทเสียงระหว่างกลุ่ม Pass และ Reject ได้ในระดับหนึ่ง โดยมีจุด Cutoff ที่ เหมาะสมบริเวณประมาณ FPR = 0.1 4.2.4 การประเมินผลลัพธ์ผ่านการกระจายของ Reconstruction Error ภาพที่ 4.9 ผลการฝึก Model Autoencoder กับลายดอกยาง 60 ลายผ่านการกระจายของ Reconstruction Error 46 จากภาพที่ 4.9 แสดงการกระจายของค่า Reconstruction Error แยกตามกลุ่ม Pass และ Reject พบว่า 1) กลุ่ม Pass มีค่า Error ต่ากว่าและกระจุกตัวอยู่ที่ช่วง 0.3 ถึง 0.6 (×10-3 ) 2) กลุ่ม Reject มีการกระจายของ Error กว้างกว่า และมีค่า Error ที่สูงกว่า ซึ่งสอดคล้องกับ แนวคิดของ Autoencoder ที่จะสามารถจาลองข้อมูลปกติ (Pass) ได้ดีกว่า ทาให้กลุ่มที่มีความ ผิดปกติ (Reject) มี Reconstruction Error ที่สูงกว่า 47 บทที่ 5 สรุปผล 5.1 สรุปผลการทดลอง จากการศึกษาการประยุกต์ใช้เทคนิคปัญญาประดิษฐ์ในการวิเคราะห์เสียงจากลายดอกยาง รถยนต์เพื่อคัดเลือกลายที่มีเสียงรบกวนต่า งานวิจัยนี้ได้ออกแบบและพัฒนาโมเดล Autoencoder เป็นโมเดลหลัก โดยใช้ข้อมูลภาพ Spectrogram จากลายดอกยางจานวน 60 ลาย ซึ่งแปลงมาจาก ข้อมูลเสียงจริง และเปรียบเทียบประสิทธิภาพกับโมเดลอื่น ได้แก่ CNN Custom, Resnet50, VGG16 และ Efficientnetb0 ซึ่งใช้ข้อมูลเพียง 3 ลายในการทดลองเบื้องต้น จากการทดลองพบว่า 1. Autoencoder สามารถเรียนรู้โครงสร้างของข้อมูลเสียงปกติ (Pass) ได้ดี โดยมีค่า RMSE ลดลงอย่างต่อเนื่อง และแยกแยะเสียงผิดปกติ (Reject) ได้จากค่า Reconstruction Error 2. แม้โมเดล Autoencoder จะมี Accuracy โดยรวมที่ 75% ในการทดลองกับลายดอกยาง 60 ลาย แต่มี Precision สูงถึง 0.88 และสามารถประเมินโอกาส Reject ได้อย่างแม่นยา 3. โมเดล VGG16 มี Accuracy สูงที่สุดในการทดลองเบื้องต้น (3 ลาย) ที่ 90.63% แต่ต้อง อาศัยข้อมูลที่มีป้ายกากับ (Supervised) และขนาดโมเดลที่ใหญ่กว่า 4. การใช้ ROC Curve และการแจกแจง Reconstruction Error แสดงให้ เ ห็ น ว่า Autoencoder มีศักยภาพในการใช้งานจริง โดยเฉพาะกับข้อมูลใหม่ที่ไม่มีป้ายกากับ ด้วยเหตุผลข้างต้น Autoencoder จึงเป็นทางเลือกที่เหมาะสมสาหรับการใช้งานจริงในบริบท ของการตรวจสอบคุณภาพลายดอกยางในแง่ของเสียงรบกวน เนื่องจากสามารถเรียนรู้จากข้อมูลที่ไม่ มี Label และตรวจจับความผิดปกติได้อย่างยืดหยุ่น 5.2 ปัญหาและอุปสรรค 5.2.1 ปริมาณข้อมูลที่จากัด จานวนลายดอกยางและชุดข้อมูลเสียงมีจากัด ส่งผลให้การฝึกโมเดลอาจไม่ครอบคลุม ความหลากหลายของลายที่อาจเกิดขึ้นในสถานการณ์จริง 5.2.2 ความไม่สมดุลของข้อมูล จานวนตัวอย่าง Pass และ Reject มีความไม่สมดุล ส่งผลต่อค่า Recall ของโมเดล 5.2.3 ต้นแบบลายดอกยางที่ได้จากการสุ่มจาลอง ลายดอกยางที่สร้างขึ้นในเบื้องต้นเป็นการสุ่มโดยใช้แบบจาลองทางคอมพิวเตอร์ อาจ ยังไม่สะท้อนถึงลายดอกยางจริงในเชิงการผลิต 48 5.2.4 ขีดจากัดของการวัดเสียงจากการจาลอง เสียงที่ใช้ในการแปลงเป็น Spectrogram เป็นเสียงที่ได้จากการจาลองผ่านแบบจาลอง ของลายดอกยาง ไม่ใช่เสียงจากการทดสอบภาคสนามจริง (Field Test) 5.3 ข้อเสนอแนะ 5.3.1 ขยายขนาดข้อมูล ควรมีการเพิ่มจานวนลายดอกยางและข้อมูลเสียงจริงจากการทดสอบภาคสนาม เพื่อ เพิ่มความแม่นยาและครอบคลุมของโมเดล 5.3.2 ใช้เทคนิค Semi-Supervised Learning ผสานการใช้ Autoencoder กับโมเดลแบบ Classification เพื่อเพิ่มความแม่นยาใน การจาแนก 5.3.3 เพิ่มขั้นตอนวิเคราะห์คุณภาพเสียง เช่น การพิจารณาค่า Tonality, Psychoacoustics หรือระดับเสียงที่มนุษย์รับรู้ได้ เพื่อ ประเมินความราคาญของเสียงได้ตรงจุดยิ่งขึ้น 5.3.4 นาโมเดลไปใช้ในระบบจริง ควรมีการพัฒนาโปรแกรมต้นแบบ (Prototype) เพื่อให้สามารถประยุกต์ใช้งานใน สายการผลิตหรืองานวิจัยในอนาคต 49 เอกสารอ้างอิง 1. หนังสือ [1] Jerzy A. Ejsmont, Ulf Sandberg และ Stanislaw Taryma, Influence of Tread Pattern on Tire/Road Noise, SAE International, 1984. (In case of Book) [2] Etienne Parizet, Applied Acoustics, Elsevier Ltd., Villeurbanne, 2024. (In case of Book) 2. บทความในวารสาร [3] Disha N. Girish และ M. Priyanka, “Tire Imprint Identification and Classification Using VGG19,” Proceedings of Fifth International Conference on Computer and Communication Technologies, 2023 (Vol. 1), หน้า 73-94. (In case of Journal) [4] Rui Cao, J. Stuart Bolton และ Matthew Black, “Force Transmission Characteristics for a Loaded Structural-Acoustic Tire Model,” Passenger Cars - Mech. Syst., 2018 (Vol. 4, No. 11), หน้า 305-319. (In case of Journal) [5] Arricale และ V.M. et al., “Tire Noise Analysis: A Correlation Among Track and Laboratory Measurements,” SAE Transactions, 2022 (Vol. 122, No. 5), หน้า 632-640. (In case of Journal) 3. สารสนเทศอิเล็กทรอนิกส์ 3.1 สารสนเทศจาก World Wide Web [ 6 ] Yo k o h a m a T i r e C o r p o r a t i o n , Yo k o h a m a T i r e , 2 0 2 4 , A v a i l a b l e : http://www.yokohamatire.com [วันที่สืบค้น: 14 สิงหาคม 2567]. (In case from Internet) [7] Søren Linnet Gjelstrup, Dewesoft, 2023, Available: http://www.dewesoft.com [วันที่ สืบค้น: 15 กันยายน 2567]. (In case from Internet) [8] Mathworks, Import and Visualize Ensemble Data in Diagnostic Feature Designer, 2024, Available: https://www.mathworks.com/help/predmaint/ref/diagnosticfeaturedesigner-app.html [วันที่สืบค้น: 10 ตุลาคม 2567]. (In case from Internet) [9] Mathworks, Process Data and Explore Features in Diagnostic Feature Designer, 2024, Available: https://www.mathworks.com/help/predmaint/gs/explore-features-indiagnostic-feature-designer.html [วันที่สืบค้น: 12 ตุลาคม 2567]. (In case from Internet) 50 เอกสารอ้างอิง (ต่อ) [10] Mathworks, Rank and Export Features in Diagnostic Feature Designer, 2024, Available: https://www.mathworks.com/help//releases/R2021a/predmaint/gs/rankand-export-features-in-diagnostic-feature-designer.html [วันที่สืบค้น: 15 ตุลาคม 2567]. (In case from Internet) [11] Mathworks, Anomaly Detection in Industrial Machinery Using Three-Axis Vibration Data, 2024, Available: https://www.mathworks.com/matlabcentral/fileexchange/90752-industrial-machineryanomaly-detection [วันทีส่ืบค้น: 20 ตุลาคม 2567]. (In case from Internet) [12] Mathworks, What is an Autoencoder, 2024, Available: https://www.mathworks.com/help/deeplearning/autoencoders.html [วันที่สืบค้น: 22 ตุลาคม 2567]. (In case from Internet) [13] Mathworks, Rolling Element Bearing Fault Diagnosis, 2024, Available: https://www.mathworks.com/help/predmaint/ug/Rolling-Element-Bearing-FaultDiagnosis.html [วันที่สืบค้น: 25 ตุลาคม 2567]. (In case from Internet) [14] ISO 2631-1: Mechanical Vibration and Shock — Evaluation of Human Exposure to Whole-Body Vibration, 2024, Available: http://www.iso.org [วันที่สืบค้น: 30 ตุลาคม 2567]. (In case from Internet) [15] Ghasemi Damavandi Et Al., “Deep Learning for Passenger Comfort Estimation in Autonomous Vehicles,” IEEE Transactions on Intelligent Vehicles, 2020, Available: http://ieeexplore.ieee.org [วันที่สืบค้น: 5 ธันวาคม 2567]. (In case from Internet) [16] Builtin, "What is Deep Learning," 2024, Available: https://builtin.com/sites/www.builtin.com/files/styles/ckeditor_optimize/public/inline -images/3_what-is-deep-learning.png [วันที่สืบค้น: 8 มกราคม 2568]. (In case from Internet) [17] GeeksforGeeks, "Neural Networks Architecture," 2024, Available: https://media.geeksforgeeks.org/wp-content/cdn-uploads/20230602113310/NeuralNetworks-Architecture.png [วันที่สืบค้น: 10 มกราคม 2568]. (In case from Internet) 51 เอกสารอ้างอิง (ต่อ) [18] Saturncloud, "A Comprehensive Guide to Convolutional Neural Networks," 2024, Available: https://saturncloud.io/images/blog/a-comprehensive-guide-toconvolutional-neural-networks-the-eli5-way.webp [วันที่สืบค้น: 15 มกราคม 2568]. (In case from Internet) [19] GeeksforGeeks, "Neural Networks and Their Architecture," 2024, Available: https://media.geeksforgeeks.org/wp-content/uploads/20240515023125/Screenshot2024-05-15-022904.png [วันที่สืบค้น: 20 มกราคม 2568]. (In case from Internet) [20] Medium, "Deep Learning Architecture," 2024, Available: https://www.researchgate.net/publication/338603223/figure/fig1/AS:847598516711425 @/ResNet-50-architecture-26-shown-with-the-residual-units-the-sizeof-the-filters-and.png [วันที่สืบค้น: 25 มกราคม 2568]. (In case from Internet) [21] ResearchGate, “EfficientNetB0 Model Architecture,” 2024, Available: https://miro.medium.com/v2/resize:fit:720/1*lXCy8RLUOtAwoS2H4ortZA.png [วันที่ สืบค้น: 28 มกราคม 2568]. (In case from Internet) [22] GeeksforGeeks, "Understanding Convolutional Neural Networks," 2024, Available: https://www.researchgate.net/publication/378395574/figure/fig2/AS:114312812252918 31@/EfficientnetB0-Model-Architecture.ppm [วันที่สืบค้น: 2 กุมภาพันธ์ 2568]. (In case from Internet) [23] Mathworks, "Load Timetable Data Using Playback Block Example," 2024, Available: https://media.geeksforgeeks.org/wp-content/uploads/20221016214000/Picture2660x490.png [วันที่สืบค้น: 5 กุมภาพันธ์ 2568]. (In case from Internet) [24] ResearchGate, "ResNet-50 Architecture," 2024, Available: https://www.mathworks.com/help/examples/simulink/win64/LoadTimetableDataUsin gPlaybackBlockExample_02.png [วั น ที่ สื บ ค้ น : 10 กุ ม ภาพั น ธ์ 2568]. (In case from Internet) 52 ภาคผนวก ก คู่มือการจัดข้อมูลเป็น Timetable ใน MATLAB 53 การจัดข้อมูลเป็น Timetable ใน MATLAB 1) กาหนด cell array เพื่อเก็บข้อมูลจากแต่ละไฟล์ ภาพที่ ก.1 2) วนลูปเพื่ออ่านข้อมูลจากแต่ละไฟล์และเก็บใน cell array เป็น timetable ภาพที่ ก.2 3) สร้างชื่อไฟล์ตามลาดับหมายเลข ภาพที่ ก.3 4) อ่านข้อมูลจากไฟล์ ภาพที่ ก.4 5) สร้างตัวแปรเวลาให้สอดคล้องกับข้อมูล ภาพที่ ก.5 6) แปลงข้อมูลเป็น timetable ภาพที่ ก.6 7) แสดงผลลัพธ์ ภาพที่ ก.7 54 8) save เป็นไฟล์ .mat ภาพที่ ก.8 55 ภาคผนวก ข คู่มือการใช้งาน Diagnostic Feature Designer ใน MATLAB 56 ขั้นตอนการใช้งาน Diagnostic Feature Designer ใน MATLAB 1) Load data ภาพที่ ข.1 2) เปิด Diagnostic Feature Designer ภาพที่ ข.2 3) นาเข้าข้อมูล ภาพที่ ข.3 4) New Session จะปรากฏขึ้น เลือก dataset จาก workspace ภาพที่ ข.4 5) ตั้งค่า Source Variable ภาพที่ ข.5 57 6) Check the summary และ import the variable ภาพที่ ข.6 58

Abstract

This Study Aims To Design Tire Tread Patterns That Reduce Noise By Adjusting Pitch Arrangements For Desirable Acoustic Properties Without Causing Discomfort To Users. A Total Of 60 Tread Designs Were Analyzed, Each Divided Into Three Ribs: Left (L), Middle (M), And Right (R), Resulting In 6,480 Images. The Sound Signals From Each Tread Were Then Transformed Into Spectrogram Images, Which Visualize Changes In Frequency Over Time. These Were Used As Input Data To Train And Test Classification Models, Including CNN, Resnet50, VGG16, Efficientnetb0, And Autoencoder. Results Showed That Autoencoder Was The Most Suitable, With A Root Mean Square Error (RMSE) Of 5.8117. Uncomfortable Noise Often Occurred During Periods Of Dominant And Continuous Frequencies. Converting Sound Signals Into TimeFrequency Images Improved The Ability To Identify Undesirable Tonal Characteristics. This Research Can Be Applied To The Development Of Tire Tread Design Software To Improve Acoustic Performance And Enhance Ride Comfort In Industrial Products.

อ้างอิงผลงานนี้ / Cite this

รหัสโปรเจค

DC-2567-002

ชื่อเรื่อง

การประยุกต์ใช้วิธีการทางปัญญาประดิษฐ์เพื่อช่วยในการระบุลายดอกยางเสียงรบกวนต่ำ / Application of Artificial Intelligence to identify the Low Noise Tire Pattern

ผู้จัดทำ

ภูมิรวี อยู่คำ, อารียา จิตสัมพันธ์, ณัฐวุฒิ เจียมจันทร์

อาจารย์ที่ปรึกษา

ผศ.ดร.จักร จันทลักขณา

ปีการศึกษา

2567 (C.E. 2024)

หน่วยงาน

ภาควิชาวิศวกรรมเครื่องกลและการบิน-อวกาศ (MAE) มจพ.

URL

https://maeconnect.eng.kmutnb.ac.th/projects/cmoi2npzs003q0gyre94zfqu3