ระบบตรวจหาและวินิจฉัยความบกพร่องด้วยเทคนิคการเรียนรู้ของเครื่องจักรเพื่อป้องกันปัญหา หัวอ่านเขียนหล่นหายระหว่างการเคลื่อนที่ไปติดตั้ง

Fault detection and diagnosis via machine learning for preventing slider loss defect

Name: ธนาภรณ์ ธรรมเจริญ

Organization : มหาวิทยาลัยเทคโนโลยีสุรนารี

Email : Thanaporn.cme@gmail.com

Name: จิระพล ศรีเสริฐผล

Organization : มหาวิทยาลัยเทคโนโลยีสุรนารี

Email : Jiraphon@sut.ac.th

Name: ธนศักดิ์ หวังล้อมกลาง

Organization : มหาวิทยาลัยเทคโนโลยีสุรนารี

Email : thanasak.w@sut.ac.th

Name: ประธาน ชมเมืองปัก

Organization : เวสเทิร์น ดิจิตอล (ประเทศไทย

Email : Prathan8137@hotmail.com

Name: จักรวรรดิ ดียิ่ง

Organization : เวสเทิร์น ดิจิตอล (ประเทศไทย

Email : Jakawat.deeying@gmail.com

keyword: การตรวจจับและวินิจฉัยความบกพร่อง

ThaSH: เครื่องจักรกลอัตโนมัติ

; การจําแนกประเภทความบกพร่อง

ThaSH: การเรียนรู้ของเครื่อง

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

Abstract: งานวิจัยนี้เสนอการวิเคราะห์การหยุดทํางานของเครื่องจักรในกระบวนการติดตั้งหัวอ่านเขียนของฮาร์ดดิสก์ไดร์ฟ ที่มีปัญหาการแจ้งเตือนของเครื่องจักรที่เรียกว่า Alarm 71 อยู่ที่ 2 เปอร์เซ็น ซึ่งสาเหตุเกิดจากหัวอ่านเขียนหล่นหายระหว่างการเคลื่อนที่ไป ติดตั้ง (Slider Loss Defect: SLD) ซึ่ง Mount head จะมีหน้าที่ในการติดตั้งหัวอ่านเขียนลงบนแขนจับหัวอ่านเขียนด้วยเทคนิค Pick and place โดยใช้แรงดันสุญญากาศเพื่อหยิบหัวอ่านขึ้นและไปติดตั้งลงบนแขนจับหัวอ่านเขียนในตําแหน่งที่ถูกต้อง เมื่อมี อัตราการผลิตที่สูง Mount Head อาจเกิดความเสียหายหรือเสื่อมอายุได้ ส่งผลให้หัวอ่านเขียนหล่นหาย ในงานวิจัยนี้จึงออกแบบ ระบบตรวจจับและวินิจฉัยข้อบกพร่องด้วยรูปภาพของ Mount Head เพื่อเป็นตัวตัดสินใจในการทํางานของกระบวนการติดตั้ง หัวอ่านเขียนโดยประยุกต์ใช้ Artificial Neural Network (ANN) ซึ่งเปรียบเทียบค่าความถูกต้องระหว่างสองคุณลักษณะและสาม คุณลักษณะ เพื่อช่วยในการตรวจจับและจําแนกข้อบกพร่องทั้ง 4 คลาส คือ Good, Fault I, Fault II และ Fault III พบว่าแบบ สองคุณลักษณะมีความถูกต้องสูงที่สุด คือ 95.8 เปอร์เซ็น ซึ่งสามารถลด Alarm71 เหลือเพียง 0.084 เปอร์เซ็น และสามคุณลักษณะมีความ ถูกต้อง 94.3 เปอร์เซ็น สามารถลด Alarm71 เหลือ 0.114 เปอร์เซ็น. ดังนั้น ANN สามารถตรวจจับและจําแนกข้อบกพร่องของ Mount head เพื่อลดการเกิด SLD, Alarm 71 ได้

Abstract: Hard Disk Drive (HDD) utilize automation machines for the assembly processes used in the industry to achieve higher production rates and lower costs. The Head Gimbal Assembly (HGA) production process has two main parts: glue dispensing and slider attaching by an Auto Core Adhesion mounting Machine (ACAM). The slider attaching process produces a mounted head to the suspension utilizing vacuum pressure to hold and position a slider. The errors from a vacuum leak effect to slider loss defective (SLD) resulting alarm71 and machine downtime. The proposed Fault Detection and Diagnosis (FDD) to detect and classify fault level of the mount head. Applied the Artificial Neural Network (ANN) for detection and classification to investigated fault different class: Good, Fault I, Fault II and Fault III, comparison to classifier between ANN with 2 inputs and 3 inputs. that result, a fault detection and classification has achieved accuracy are 95.8 percent 94.3 percent respectively. The ANN achieve for fault detection and classification of mount head can be reduce SLD, Alarm71 and machine downtime.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2563

Modified: 2564-04-30

Issued: 2564-04-30

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยมหิดล คณะวิศวกรรมศาสตร์ ร่วมกับ สมาคมวิศวกรเครื่องกลไทย. การประชุมวิชาการเครือข่ายวิศวกรรมเครื่องกลแห่งประเทศไทย ครั้งที่ 34 (ME-NETT 2020) (pp.216-223). นครปฐม : มหาวิทยาลัยมหิดล

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	ME-NETT 2020pp.216-223.pdf	960.06 KB	4	2024-01-04 17:03:15

ใช้เวลา

0.041308 วินาที