How-to: Transfer Learning ข้ามเครื่องจักร — เริ่ม Predictive Maintenance ด้วย Fault จริงแค่ 20-50 ตัวอย่าง

คำถามที่ทีมวิศวกรของเราเจอบ่อยที่สุดจากโรงงานที่อยากเริ่ม Predictive Maintenance คือ “โมเดลเราต้องการข้อมูล fault ของเครื่องจักรตัวนี้กี่ตัวอย่าง กว่าจะใช้งานได้จริง?” คำตอบตรงๆ คือหลายพันตัวอย่าง — จำนวนที่โรงงานส่วนใหญ่ไม่มีทางรอให้เกิดขึ้นเองโดยไม่เจอ breakdown ก่อน Transfer Learning คือทางออกที่ถูกที่สุดและงานวิจัยล่าสุดยืนยันแล้วว่า ยืมความรู้จากข้อมูลสาธารณะมาใช้กับเครื่องจักรจริงได้ ด้วยตัวอย่างเพียง 20-50 ตัวอย่าง

หลักการ: Source Domain → Target Domain

แนวคิดคือการแยกโมเดลเป็นสองส่วน: ชั้น feature extractor (คอนโวลิวชัน) ที่เรียนรู้ลักษณะพื้นฐานของสัญญาณแรงสั่น — harmonic ของ BPFO/BPFI, รูปแบบ modulation เมื่อแบริ่งเสียหาย ซึ่งเหมือนกันข้ามเครื่องจักรไม่ว่าจะเป็นปั๊มหรือมอเตอร์ กับ ชั้น classifier ปลายทางที่จำเพาะกับเครื่องจักรแต่ละตัว เราจึง pre-train ทั้งหมดบนชุดข้อมูลสาธารณะ แล้ว freeze ชั้นแรกไว้ ปรับแต่งเฉพาะชั้นท้าย

งานวิจัยใน Scientific Reports (2025) พิสูจน์แนวทางนี้บนงานจริง: ทีมวิจัยสร้าง Siamese-WDCNN จากชุดข้อมูล CWRU แล้วโอนย้ายไปยัง hydrodynamic transmission testbed กำลังสูง — อุปกรณ์ที่มีโครงสร้างและลักษณะสัญญาณต่างจากแบริ่งทดสอบในแล็บอย่างมาก ผลคือ FSL+TL ทำได้ 85.30% บนสภาวะผสม และเมื่อเติม attention mechanism ขึ้นเป็น 88.75% เทียบกับ WDCNN เดี่ยวๆ ที่ตกไปอยู่ระดับ 70% ต้นๆ

5 ขั้นตอนนำไปใช้จริงในโรงงาน

ขั้นที่ 1: เก็บสัญญาณ baseline ให้ถูกวิธี

ก่อนคุยเรื่อง AI ต้องมีข้อมูลที่เปรียบเทียบได้ก่อน ติดเซ็นเซอร์แรงสั่น 3 แกนที่จุดวัดตามมาตรฐาน ISO 20816 (ผิวแบน สะอาด ใกล้ bearing load zone) พร้อมไมโครโฟนหรือ acoustic sensor เสริม ตั้ง sampling rate ≥ 25.6 kHz เพื่อให้จับ signature ความถี่สูงได้ เก็บข้อมูลสภาวะปกติของเครื่องจักรเป้าหมายไว้ก่อนแม้ยังไม่มี fault — มันคือ negative class ที่จำเป็น

ขั้นที่ 2: Pre-train บนชุดข้อมูลสาธารณะ

เลือก source domain ที่ใกล้เคียงเครื่องจักรเป้าหมายมากที่สุด สำหรับแบริ่ง CWRU เป็นจุดเริ่มที่ดี ถ้าเป็นกังหัน/เกียร์ Paderborn เหมาะกว่า เทรนโมเดลให้เรียนรู้ fault ครบทุกประเภท (inner race, outer race, ball, combination) แล้วเก็บ weights เป็น starting point

ขั้นที่ 3: Fine-tune ด้วย fault จริง 20-50 ตัวอย่าง

เมื่อมี fault เกิดขึ้นจริงบนเครื่องจักรเป้าหมาย (จากการทดสอบ หรือครั้งแรกที่เจอแล้วเก็บไว้) ให้ fine-tune เฉพาะ classifier head ด้วย learning rate ต่ำ (1e-4 ถึง 1e-5) ระวังอย่าปรับทั้งโมเดล — ข้อมูลน้อยเกินไปจะทำให้ catastrophic forgetting ทำลายความรู้เดิมทั้งหมด

ขั้นที่ 4: ตรวจ negative transfer ก่อนเสมอ

สิ่งที่มักไม่มีใครพูด: transfer ไม่เสมอไปทางที่ดี ถ้า source กับ target ห่างกันเกิน (เช่น จากแบริ่งเล็ก 6205 ไปกังหันกำลังสูง) โมเดลอาจแย่กว่าเทรนใหม่แบบ scratch ต้องเทียบ accuracy กับ baseline เดิมทุกครั้ง ถ้าแย่ลงต้องถอยไปใช้ domain adaptation แบบมี adversarial alignment แทน (แนวทาง PPO-MSDATL, 2026)

ขั้นที่ 5: วาง inference ที่ edge + เฝ้า drift

โมเดลที่ fine-tune แล้วมักเล็กพอจะรันบน edge gateway ในโรงงาน ให้ latency ต่ำและไม่ต้องส่งข้อมูลดิบออกนอกเครือข่าย แต่อย่าลืมว่าเมื่อเครื่องจักรผ่านการ overhaul หรือเปลี่ยนแบริ่ง การกระจายของสัญญาณจะเปลี่ยน — ตรวจ PSI ของ distribution ทุก 2-4 สัปดาห์ ถ้าเกิน 0.2 แปลว่าโมเดลเริ่มเพี้ยนและต้อง retrain

เทียบวิธี: เทรนเอง vs Transfer

Key Takeaways

• อย่ารอข้อมูล fault พันตัวอย่าง: Transfer Learning ทำให้เริ่มได้ด้วย 20-50 ตัวอย่างจากเครื่องจักรจริง
• ผลงานวิจัยรองรับ: FSL+TL+AM = 88.75% บนสภาวะผสมของ hydrodynamic transmission จริง (Scientific Reports 2025)
• Freeze/Train คือหัวใจ: ตรึง feature extractor เทรนเฉพาะ classifier head ด้วย LR ต่ำ
• ตรวจ negative transfer ทุกครั้ง: ถ้า accuracy ต่ำกว่า baseline ให้ถอยไป domain adaptation
• เฝ้า drift หลัง overhaul: PSI > 0.2 แปลว่าต้อง retrain — อย่าปล่อยโมเดลแช่แข็ง
• เริ่มเก็บ baseline วันนี้: ข้อมูลสภาวะปกติคือ negative class ที่จำเป็นและเก็บได้ทันทีไม่ต้องรอ