การทำนายประสิทธิภาพของเครื่องทำลมแห้งเพื่อการบำรุงรักษาโดยใช้อุปกรณ์ IIoT และการเรียนรู้ของเครื่องจักร

การวิจัยนี้ทำการศึกษาและเปรียบเทียบประสิทธิภาพของโมเดลการเรียนรู้ของเครื่องจักรในการทำนายค่าอุณหภูมิจุดน้ำค้างของเครื่องทำลมแห้งในระบบอัดอากาศ โดยมีการวิเคราะห์โมเดลที่หลากหลาย ได้แก่ Linear Regression, Artificial Neural Network (ANN), Decision Trees, K-Nearest Neighbors (K-NN), Naïve Bayes, และ Random Forest เพื่อหาโมเดลที่ให้ความแม่นยำสูงสุดในการทำนาย การศึกษานี้ยังรวมถึงการวิเคราะห์คุณลักษณะของข้อมูลที่มีผลต่อค่าอุณหภูมิจุดกลั่นตัว ผลลัพธ์จากการวิจัยชี้ให้เห็นว่า K-NN ด้วย K=4 มีความแม่นยำสูงที่สุดที่ 91.08% ตามมาด้วย Random Forest ที่ความแม่นยำ 82.91% ในขณะที่ Naïve Bayes มีความแม่นยำต่ำสุดที่ 78.60% การวิจัยนี้ไม่เพียงแต่ชี้ให้เห็นถึงโมเดลที่เหมาะสมสำหรับการทำนายค่าอุณหภูมิจุดน้ำค้างแต่ยังเน้นความสำคัญของการเลือกคุณลักษณะข้อมูลที่เหมาะสมในการพัฒนาความแม่นยำของการทำนาย ผลการวิจัยนี้มีความสำคัญต่อการประยุกต์ใช้ในอุตสาหกรรมและการจัดการระบบอัดอากาศ เพื่อปรับปรุงประสิทธิภาพและลดความเสี่ยงที่เกี่ยวข้องกับความชื้นสูงในกระบวนการผลิต