Graph Neural Networks (GNN): เมื่อ AI เข้าใจความสัมพันธ์ระหว่างเครื่องจักรในโรงงาน
ในโรงงานอุตสาหกรรมสมัยใหม่ เครื่องจักรหลายสิบหรือหลายร้อยตัวทำงานเชื่อมโยงกันเป็นสายการผลิต เมื่อเครื่องหนึ่งเริ่มทำงานผิดปกติ มักส่งผลกระทบไปยังเครื่องอื่นๆ ที่เชื่อมโยงด้วยกระบวนการผลิตเดียวกัน ปัญหาคือ AI แบบดั้งเดิม เช่น Random Forest หรือ LSTM มักวิเคราะห์เครื่องจักรแต่ละตัวแบบ แยกส่วน (Isolated) โดยไม่คำนึงถึงความสัมพันธ์ระหว่างเครื่อง ทำให้ไม่สามารถคาดการณ์ Cascading Failure หรือการล้มท cascading ของสายการผลิตได้
Graph Neural Network (GNN) คือสถาปัตยกรรม Deep Learning ที่ออกแบบมาเพื่อประมวลผลข้อมูลที่มีโครงสร้างเป็นกราฟ (Graph) — โดยมองเครื่องจักรแต่ละตัวเป็น Node และความสัมพันธ์ทางกายภาพ/กระบวนการผลิตเป็น Edge เทคโนโลยีนี้กำลังเปลี่ยนวิธีที่โรงงานทำ Predictive Maintenance อย่าง根本的
โครงสร้างกราฟในโรงงานอุตสาหกรรม
การสร้างกราฟสำหรับ GNN ในโรงงานเริ่มจากการกำหนด Node และ Edge ดังนี้:
- Node (จุด) = เครื่องจักร เช่น มอเตอร์ ปั๊ม คอมเพรสเซอร์ คอนเวย์เบล์ หรือ Heat Exchanger — แต่ละ Node มี Feature Vector ที่ประกอบด้วยข้อมูลเซ็นเซอร์ เช่น อุณหภูมิ (°C), การสั่นสะเทือน (mm/s), กระแสไฟฟ้า (A), และความดัน (bar)
- Edge (เส้นเชื่อม) = ความสัมพันธ์ระหว่างเครื่องจักร เช่น การไหลของวัตถุดิบ สายพลังงานร่วมกัน หรือการควบคุมแบบ Cascade Control — Edge สามารถมีน้ำหนัก (Edge Weight) แสดงความแรงของความสัมพันธ์ได้
กลไก Message Passing ของ GNN
หัวใจของ GNN คือกระบวนการ Message Passing — ในแต่ละรอบการเรียนรู้ Node ทุกตัวจะรวบรวมข้อมูลจาก Node ที่อยู่ติดกัน (Neighbors) ผ่านฟังก์ชัน Aggregation เช่น mean(), max() หรือ Attention Mechanism จากนั้นอัปเดต Feature ของตนเองด้วยสมการ:
h(node_i)^(l+1) = σ(W · AGG({h(node_j)^(l) : j ∈ N(i)}))โดยที่ h คือ Hidden Representation, W คือ Weight Matrix ที่เรียนรู้ได้, σ คือ Activation Function (เช่น ReLU หรือ GELU) และ N(i) คือเซตของ Neighbor Nodes กระบวนการนี้ทำซ้ำ 2-4 ชั้น (Layers) ทำให้ข้อมูลสามารถ “ไหล” ผ่านกราฟได้ 2-4 ขั้น ซึ่งเพียงพอที่จะจับภาพ ความสัมพันธ์ระยะไกล ระหว่างเครื่องจักรที่ไม่ได้ติดกันโดยตรง
ตัวอย่าง Cascading Failure ที่ GNN ตรวจจับได้
สถานการณ์จำลอง: ปั๊มน้ำหล่อเย็น (Pump A) เริ่มสั่นสะเทือนเพิ่มขึ้นจาก 2.1 mm/s เป็น 4.8 mm/s (เกิน ISO 10816 Threshold ที่ 4.5 mm/s สำหรับ Zone D) ในขณะที่มอเตอร์และ Heat Exchanger ที่เชื่อมต่อยังแสดงค่าปกติ
ผลลัพธ์จาก GNN: โมเดลตรวจพบว่าการสั่นสะเทือนของ Pump A จะส่งผลให้ Heat Exchanger B ที่อยู่ Downstream เริ่มมีอุณหภูมิสูงขึ้นภายใน 6-8 ชั่วโมง และมอเตอร์ C จะทำงานหนักขึ้น 15-20% ภายใน 12 ชั่วโมง → ส่ง Early Warning ล่วงหน้า 6+ ชั่วโมง ก่อนเกิด Secondary Failure
ตารางเปรียบเทียบ: Traditional ML vs GNN สำหรับ Predictive Maintenance
| เกณฑ์เปรียบเทียบ | Random Forest / LSTM | Graph Neural Network |
|---|---|---|
| มุมมองข้อมูล | แต่ละเครื่องจักรแยกกัน (Isolated) | เห็นความสัมพันธ์ทั้งระบบ (Holistic) |
| Cascading Failure | ไม่สามารถทำนายได้ | ทำนายได้ล่วงหน้า 6-12 ชม. |
| F1-Score (เฉลี่ย) | 0.82-0.87 | 0.91-0.95 |
| False Alarm Rate | ~15% | ~5-7% |
| Root Cause Analysis | ต้องวิเคราะห์ด้วยมือ | ระบุแหล่งที่มาได้อัตโนมัติ |
| ข้อมูลที่ต้องการ | Sensor Data เท่านั้น | Sensor Data + Topology Graph |
| Training Data | 1000-5000 samples | 500-2000 samples (น้อยกว่า) |
ประเภทของ GNN ที่ใช้ในอุตสาหกรรม
- GCN (Graph Convolutional Network) — เหมาะสำหรับกราฟที่ Edge Weight คงที่ ใช้ในการจำแนกประเภทเครื่องจักรเป็น “เสี่ยงสูง” หรือ “ปกติ”
- GAT (Graph Attention Network) — ใช้ Attention Mechanism เรียนรู้น้ำหนักของ Edge อัตโนมัติ เหมาะเมื่อความสำคัญของความสัมพันธ์ระหว่างเครื่องจักรเปลี่ยนแปลงตามสภาพการผลิต
- GraphSAGE — รองรับการ Inductive Learning คือสามารถทำนาย Node ใหม่ที่ไม่เคยอยู่ในชุดฝึกได้ เหมาะสำหรับโรงงานที่เพิ่ม/ถอดเครื่องจักรบ่อย
การนำไปใช้ในโรงงานจริง
การ Deploy GNN เริ่มจากการสร้าง Asset Topology Graph จาก P&ID (Piping and Instrumentation Diagram) หรือจากข้อมูลการติดตั้งจริง จากนั้นเชื่อมข้อมูลเซ็นเซอร์แบบ Real-Time ผ่าน Edge Gateway ที่ส่งข้อมูลทุก 1-5 วินาที โมเดล GNN ทำงานบนเซิร์ฟเวอร์ที่มี GPU (เช่น NVIDIA A100 หรือเทียบเท่า) โดยใช้เวลา Inference เพียง 50-200 ms ต่อกราฟทั้งสายการผลิต
Key Takeaways
| # | ประเด็นสำคัญ |
|---|---|
| 1 | GNN มองเครื่องจักรเป็นกราฟที่เชื่อมโยงกัน ไม่ใช่แค่จุดข้อมูลแยกส่วน ทำให้เข้าใจ Cascading Failure ที่ AI แบบดั้งเดิมมองไม่เห็น |
| 2 | กลไก Message Passing ทำให้ข้อมูลไหลผ่านกราฟ 2-4 ชั้น จับภาพความสัมพันธ์ระยะไกลระหว่างเครื่องจักรที่ไม่ได้ติดกันโดยตรง |
| 3 | GNN ลด False Alarm Rate จาก ~15% เหลือ 5-7% และยกระดับ F1-Score จาก 0.82-0.87 เป็น 0.91-0.95 เมื่อเทียบกับ Random Forest/LSTM |
| 4 | GAT (Graph Attention Network) เรียนรู้น้ำหนักของ Edge อัตโนมัติ เหมาะกับสายการผลิตที่มีการเปลี่ยนแปลงสภาพการผลิตบ่อย |
| 5 | การ Deploy ต้องสร้าง Asset Topology Graph จาก P&ID ก่อน และต้องการข้อมูลน้อยกว่า ML แบบดั้งเดิม (500-2000 samples vs 1000-5000) |
| 6 | Inference Time เพียง 50-200 ms ทำให้ GNN เหมาะกับการทำงานแบบ Near Real-Time บนเซิร์ฟเวอร์ GPU |
Graph Neural Network กำลังกลายเป็นเครื่องมือสำคัญของ Predictive Maintenance ยุคใหม่ ที่ไม่ได้ตอบแค่คำถาม “เครื่องไหนจะเสีย?” แต่ตอบได้ว่า “ทำไมเสีย? จะกระทบเครื่องอื่นอย่างไร? และจะป้องกันได้อย่างไร?” — นี่คืออนาคตของ Smart Maintenance ที่โรงงานอุตสาหกรรมไทยควรเตรียมรับให้พร้อม