การทดสอบโมเดลของระบบแนะน าภาพยนตร์โดยการท าเหมืองข้อความ ... · classifier

PIM 8th National Conference

June 21, 2018

G 1

การทดสอบโมเดลของระบบแนะน าภาพยนตรโดยการท าเหมองขอความจากค าวจารณ ของผชม MODEL TESTING FOR MOVIE RECOMMENDATION SYSTEM USING TEXT MINING FROM AUDIENCE COMMENTS

อษนษา เถาวโท1, ฉฐเมศร พลทรพย2, เกยรตกล เจยรนยธนะกจ3*, บณฑต พสยา4

Usanisa Taoto1, Chattamet Poonsub2, Kietkul Jearanaitanakij3*, Bundit Pasaya4

1ภาควชาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร สถาบนเทคโนโลยพระจอมเกลาเจาคณทหารลาดกระบง

1Department of Computer Engineering, Faculty of Engineering, King Mongkut’s Institute of Technology of Ladkrabang

2ภาควชาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร สถาบนเทคโนโลยพระจอมเกลาเจาคณทหารลาดกระบง 2Department of Computer Engineering, Faculty of Engineering, King Mongkut’s Institute of Technology of

Ladkrabang 3ภาควชาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร สถาบนเทคโนโลยพระจอมเกลาเจาคณทหารลาดกระบง

3Department of Computer Engineering, Faculty of Engineering, King Mongkut’s Institute of Technology of Ladkrabang

4ภาควชาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร สถาบนเทคโนโลยพระจอมเกลาเจาคณทหารลาดกระบง 4Department of Computer Engineering, Faculty of Engineering, King Mongkut’s Institute of Technology of

Ladkrabang *Corresponding author, E-mail: [email protected]

บทคดยอ ระบบแนะน าภาพยนตรโดยการท าเหมองขอความจากค าวจารณของผชม มวตถประสงคเพอศกษากระบวนการประมวลผลทางภาษาและการเรยนรของเครองและทดลองสรางโมเดลจ าแนกขอความภาษาไทยทวจารณภาพยนตรออกมาเปนแงมม โดยแบงออกเปน 4 แงมม ไดแก นกแสดง, เสยง, ภาพหรอกราฟก และภาพรวม และวเคราะหความรสกตอแงมมนน ๆ เปนแงบวกและแงลบ โดยจะน าชดขอมลทไดจากการใหอาสาสมครทใชภาษาไทยท าการวเคราะหขอความแลวน าชดขอมลทใชฝกไปคดเลอกค าทเปนฟเจอรแลวฝกโมเดลส าหรบวเคราะหแงมมของภาพยนตรดวยอลกอรทม Decision tree และฝกโมเดลวเคราะหความรสกของขอความดวยอลกอรทม Random forest ในการทดสอบประสทธภาพของโมเดลทงสองโมเดล จะน าชดขอมลทใชทดสอบน าเขาไปเพอใหโมเดลท านายและสรปผลของประสทธภาพการจ าแนกแงมมและความรสกทมตอภาพยนตรแตละคลาสดวย Confusion matrix เมอวเคราะหประสทธภาพของโมเดลจ าแนกแงมมของภาพยนตรไดประสทธภาพทด สวนการจ าแนกขอความทใหความรสกมประสทธภาพต าส าหรบขอความทเปนความรสกเชงลบ ค าส าคญ: เหมองขอความ การประมวลผลทางภาษา บทวจารณภาพยนตร ตวจ าแนก ตนไมตดสนใจ


June 21, 2018

G 2

ABSTRACT The purpose of this research is to build two classifiers for categorizing audience’s comments about the movie they viewed into various aspects and predicting the sentiments of those aspects. While the aspect of the movie can be classified into four classes, i.e., actor, graphic, sound and general, the sentiment of the aspect can be categorized into positive and negative feelings. We collected audience comments from ten volunteers and feed the training data to decision tree and random forest classifiers. The performance of each classifier model is shown in confusion matrices. The experimental results indicate that the performance of the aspect classifier is acceptable. Conversely, the performance of the sentiment model is quite low. Keyword: text mining, aspect and sentiment analysis, movie reviews, classifier, decision tree บทน า ภาพยนตรคอการน าเสนอเรองราวทนกคดใหเปนเรองราวแปลกใหมโดยนกประพนธหรอผก ากบและถกแสดงในรปของล าดบภาพ โดยเรองราวเหลานนจะถกปรบแตงโดยใชเทคนคตาง ๆเ พอท าใหเกดการสอสารระหวางภาพยนตรกบตวผชม เชน เรองของอารมณและการบรรยายเรองราว ภาพยนตรจะถกท าใหอยในความยาวตงแตสบนาทไปถงสองชวโมงหรอมากกวานน คณภาพของภาพยนตรสามารถวดไดจากหลาย ๆ ปจจยทปรากฏในตวภาพยนตรเอง ปจจยดงกลาว ไดแก ตวละครทงหมดในภาพยนตร ความสวยงามความอลงการของภาพและองคประกอบจากภาพยนตร เพลงและเสยงดนตรรวมไปถงความสมจรงของเสยงในภาพยนตร ซงภาพยนตรทกเรองเมอไดท าการฉายไปแลวนน เราจะสามารถเหนบทวจารณของภาพยนตรไดตามเวบไซตออนไลนเชน IMDB หรอ Rotten tomato หรอพบไดตามแฟนเพจ Facebook ทวจารณภาพยนตร ซงในบทวจารณเราสามารถทจะแยกแยะแงมมทงหมดของภาพยนตรออกมาสรปวามแงมมใดบางเชน นกแสดง เสยงประกอบและดนตร ความสวยงามของภาพ และ ภาพรวมของภาพยนตร ซงเมอผทตองการจะไปชมภาพยนตรเรองใดเรองหนง ผชมมกจะอานบทวจารณตามชองทางดงกลาวกอนทจะรบชม จากการศกษาคนควาแนวทางในการสรางโมเดลพบวา ไดมการแยกแงมมและความรสกของขอความวจารณภาพยนตรทเปนภาษาองกฤษ โดยการเลอกค าคณศพท (adjective) เปนฟเจอรสรางโมเดลแยกประเภทของแงมมภาพยนตรและความรสกดวยอลกอรทม Support Vector Machine และ Max Entropy ตามล าดบ (Pannala, N. Nawarathna, C. and Jayakody, J, 2559) และมการใชค าจาก WordNet เปนฟเจอรเพอสรางโมเดลแยกขอความวจารณภาพยนตรตามความรสกดวยอลกอรทม Naïve Bayes (Li, Z. Feng, J. and Xiao-Yan, Z, 2549) เพราะฉะนนระบบของเราจะท าการวเคราะหบทวจารณหรอความคดเหนและแบงแงมมออกเปน 4 อยางดงทกลาวขางตนและแตละแงมมจะถกตดสนอกครงวาเปนความรสกเชงบวกหรอเชงลบ


June 21, 2018

G 3

ตารางท 1: แสดงรปแบบทงหมดทระบบสามารถจ าแนกไดเมอรวมทงการจ าแนกแงมมของภาพยนตรและการจ าแนกความรสก

ความรสก แงมม

ของภาพยนตร แงบวก แงลบ

นกแสดง นกแสดง, แงบวก นกแสดง, แงลบ เสยง เสยง, แงบวก เสยง, แงลบ ภาพ / กราฟก ภาพ / กราฟก, แงบวก ภาพ / กราฟก, แงลบ ภาพรวม ภาพรวม, แงบวก ภาพรวม, แงลบ ในการศกษาครงนผวจยจะน าเสนอระบบทสามารถคดกรองบทวจารณออกไดโดยแบงประเภทออกตามตารางท 1 หลงจากนนเราจะท าการสรปทกความเหนแลวใหผลลพธนนออกมาอยในรปของคะแนน ซงระบบนจะอางองจากผลลพธสวนใหญทเราพบเหนตามเวบไซตการวจารณภาพยนตร ซงจะอยในรปของคะแนนเชนกน เพราะฉะนนเราจงสรปคะแนนออกเปนแตละแงมมและตดสนออกมาเปนคะแนนในแตละแงมม โดยคะแนนจะอยในชวงตงแต 0-10

ในระบบจะม 2 ฟงกชนในการทจะแนะน าภาพยนตรใหกบผชมภาพยนตร ฟงกชนแรกคอเราจะตดสนจากภาพยนตรทผชมก าลงรบชม อยโดยในสวนทแนะน าภาพยนตรจะแนะน าภาพยนตรทมคะแนนใกลเคยงกบภาพยนตรทก าลงรบชมทสด โดยไลล าดบจากผลตางทนอยทสดไปหาผลตางทมากทสด ฟงกชนทสองเราจะท าการสรางระบบคดกรองโดยสามารถใหผชมสามารถตงกฏเกณฑของคะแนนเพอคดกรองภาพยนตรทตองการรบชมได ยกตวอยางเชน กรองภาพยนตรทมคะแนนดานกราฟฟกมากกวา 8 คะแนนขนไป เปนตน โดยสรปแลวระบบจะมความสามารถในการทจะแยกความเหนหรอบทวจารณตางๆ และท าสรปออกมาในรปของคะแนนทเปนตวเลขเพอใหผใชงานระบบไดเขาใจงายยงขน

ทบทวนวรรณกรรม การจดท าระบบดงกลาว ผวจยไดศกษาความรเกยวกบดานคอมพวเตอรเพอเปนพนฐานความรส าหรบใชในการศกษาคนควาดงตอไปน

การประมวลผลภาษาธรรมชาต (Natural language processing) เปนกระบวนการทใชในการวเคราะหภาษาเพอท าการรวบรวมขอมลทเกดขน โดยมขอความหรอบทความใดๆ เพอเปนขอมลน าเขา หลงจากนนจะผานกระบวนการขนตอนตาง ๆ เชน การแยกค าจากขอความ การหาประเภทของค าจากผลลพธทไดจากการแยกค า การจดการความเรยบรอยของขอมล การนบความถของค าส าคญ ผลลพธทไดจากกระบวนการตางๆ เพอทจะเขาสกระบวนการของ Machine learning ตอไปเพอหาความสมพนธของขอมลทมหรอท าการจดหมวดหมของขอมลน าเขา (Bird, S. Kelein, E. and Loper, E., 2552) ในการวจยนผวจยไดใชไลบรารภาษาไพธอน (python) ทมชอวาไพไทยเอนแอลพ (pythainlp) (วรรณพงษ ภททยไพบลย, 2560) ในการท าการประมวลผลภาษาธรรมชาตของระบบน โดยไดใชการตดค า (Word tokenization) และการนบจ านวนค าทมในชดขอมล รวมถงการก าหนดหนาทของค า (part


June 21, 2018

G 4

of speech) (Sornlertlamvanich, V. and Phantachat, W., 2558). ซงผลลพธทไดจะท าไปใชในการจ าแนกขอมล (classification) ตอไป

Machine learning เปนกระบวนการเรยนรดวยตนเองของคอมพวเตอรซงจะถกแบงออกเปน 2 ประเภทคอ และ การเรยนรแบบมคนสอน (supervised learning) และการเรยนรแบบไมมคนสอน (unsupervised learning) ตามล าดบ ในระบบทไดท าการวจยพบวาเราจ าเปนทตองใช supervised learning ในการพฒนาระบบ โดย supervised learning เราจะตองท าการก าหนดขอมลน าเขา เปนขอมลชนดใดกไดและก ฟเจอรกได ซงในระบบจะตองใชความคดเหนเปนขอมลน าเขาและบอกค าตอบทถกตองของขอมลเหลานนเพอใหเกดการเรยนร หลงจากทเราก าหนดเสรจแลวเราจะสามารถตรวจสอบความแมนย าไดโดยการแบงขอมลทน าเขาทก าหนดค าตอบเรยบรอยแลว แบงออกเปน 2 สวน สวนนงเราจะเอาไวฝกโมเดลในระบบ อกสวนนงจะน ามาใชวดความแมนย าในการตอบของโมเดล หลงจากนนเราสามารถสรางฟงกชนทรบขอมลน าเขาอนๆแลวน าเขาโมเดลเพอใหโมเดลใหค าตอบตามทเรยนรมา (Roger, S. and Girolami, M., 2555)

Bag of word เปนอลกอรทมทใชสรางฟเจอรทใหกบการใชการจ าแนกประเภทของขอความ (Text classification) โดยจะท าการรวมรวมค าทเปนปจจยส าคญทสงผลตอการเรยนร และน าค าเหลานนมาท าการจ าแนกประเภทของขอความนนจะตองผานกระบวนการประมวลผลภาษาธรรมชาตมาเพอรวบรวมค าทงหมดทเกดขนและสรางเปน bag of word ได หลงจากนนเราสามารถลดจ านวนค าส าคญลงเพอลดความซบซอนใหระบบโดยแบงออกเปน 2 ประเภทคอ Feature extraction และ Feature selection อยางแรก Feature extraction จะน าค าทผานการคดกรองมาในระดบนงมาสรางกฎเพมเตมหรอสมการใหมเพอลดความซบซอนลงและสรางออกมาเปนฟเจอรใหมและอยางทสองคอ Feature selection คอการคดเลอกฟเจอรโดยเปนการคดออกจากฟเจอรเดมทม ไมตองสรางฟเจอรใหม

Decision Tree เปนอลกอรทมส าหรบการจ าแนกประเภทของขอมล (classification) เพอทจะใหค าตอบโดยจะมการก าหนดเงอนไข ในแตละเงอนไขจะเปนตวก าหนดวาขอมลท เขามาเปนขอมลประเภทใด ถาตดสนวาสามารถแบงไดจะไดผลลพธมา แตถาไมไดจะพจารณาเงอนไขตอไป ล าดบของเงอนไขเปนปจจยทสงผลตอการจ าแนกประเภทของขอมลเชนกน Entropy เปนคาทบงบอกวาหากเกดเหตการณหนงขนจะเกดคณคาของขอมลของเหตการณนนมากนอยเพยงใด คา Entropy สามารถน ามาค านวณคา Information gain เพอเปนการวดวา หากจ าแนกขอมลโดยใชฟเจอรใดจะสามารถจ าแนกขอมลออกมาไดประสทธภาพดหรอไม คา Information gain มกจะท ามาใชในกระบวนการคดเลอกฟเจอร (Feature selection) Random forest เปนอลกอรทมส าหรบการจ าแนกประเภทของขอมล โดยการใชตวจ าแนกประเภทของขอมล (classifier) มากกวา 1 ตวในการจ าแนกประเภท ซงผลลพธของการจ าแนกจะขนอยกบเสยงสวนใหญของตวจ าแนกขอมลวาจะจ าแนกไปอยทประเภทใด จ านวนของตวจ าแนกประเภทของขอมลควรเปนจ านวนค และผลลพธทไดจาก classifier ควรใชผลลพธทเปนเอกฉนท ยกตวอยางเชนถาใช classifier ทงหมด 7 ตวในการ


June 21, 2018

G 5

จ าแนกประเภทขอมล ผลลพธจาก classifier จะตองตอบเหมอนกนอยางนอย 5 ตวหรอ 70% ขนไป เราจงจะสามารถใชค าตอบนในการท านายระบบ วตถประสงคของการวจย

1. เพอศกษาโมเดลของการประมวลผลทางภาษา (Natural language processing) และน าไปประยกตใชในในระบบวเคราะหค าวจารณภาพยนตร

2. เพอท าใหผใชงานไดมประสบการณในการใชระบบวจารณภาพยนตรแบบใหมทสามารถแยกค าวจารณออกมาเปนประเดนได วธด าเนนการวจย

การเกบรวมรวมขอมล ในการศกษาครงนจะเกบขอมลจากเวบไซตทมเนอหาเกยวกบการวจารณภาพยนตร โดยท าการสมเลอกขอความออกมาเปนลกษณะของประโยคซงมทงประโยคความเดยว ประโยคความซอนและประโยคความรวมเกบเปนชดขอมล (dataset) จ านวน 400 ขอความ และใหอาสาสมครจ านวน 10 คน ซงทงหมดใชภาษาไทยเปนภาษาแม (native language) และเปนภาษาหลกทใชในการสอสารในชวตประจ าวน อานประโยคและท าการตอบค าถามวาประโยคดงกลาวกลาวถงแงมมใดของภาพยนตรและพจารณาวาประโยคดงกลาวแสดงการต าหนหรอชนชม ค าตอบทอาสาสมครเลอกมากทสดอยางเปนเอกฉนทจะถอวาเปนค าตอบแงมมและความรสกของขอความนน ๆ

การเลอกค าส าคญ (keyword) การเลอกค าส าคญ (keyword) เพอน ามาใชเปนค าใน Bag of word ในการท านายแงมมของและเปน ฟเจอรส าหรบท านายความรสก โดยการน าขอความในชดขอมลมาท าตดค า หาหนาทของค าแตละค า ตดค าทไมจ าเปนออกไปเชน ค าบพบท ค าสนธาน (วจนตน ภาณพงศ, 2520) จากนนน าค าทเหลอใชการค านวณคา Information gain เพอพจารณาวาค าใดควรถกคดเลอกใหเปนค าส าคญจากค าทงหมดทมในชดขอมลทไดจากขนตอนการเกบขอมล

การแบงขอมล ผวจยไดท าการแบงชดขอมลจ านวน 400 instances โดยแบง 300 Instances ไวส าหรบใชเปนชด

ขอมลส าหรบการฝก (training set) และอก 100 instances เปนชดขอมลทใชทดสอบความแมนย าของโมเดลทง 2 โมเดล ไดแก โมเดลทใชท านายแงมมของภาพยนตร (Aspect predictive model) และโมเดลทใชท านายความรสกทมตอภาพยนตร (Sentiment predictive model)

การออกแบบ การออกแบบระบบเราจะอางองจากการแบงประเภทของความคดเหนโดยแบงออกเปน 2 อยางคอแงมมของภาพยนตร (aspect) และความรสก (sentiment) โดยมโมเดลจะถกแบงออกเปน 5 สวนดงน


June 21, 2018

G 6

ภาพท 1: ระบบท านายแงมมของภาพยนตรและท านายความรสกทมตอภาพยนตร

โมเดลนไดถกออกแบบขนโดยอางองจากฟเจอรททางผวจยคาดหวงใหผลลพธออกมา โดยแบงเปน 2 หนาทหลก คอ สวนทใชในการฝกโมเดล ไดแก Aspect trainer, Sentiment trainer และสวนเรยกใชโมเดล ไดแก Aspect predictive model, Sentiment predictive model และ Function caller สวนประกอบดงกลาวสามารถอธบายไดดงน 1. Aspect trainer ในสวนนเราจะท าการคดเลอกค าส าคญทจะน ามาตดสนขอความหรอความคดเหน โดยในโมดลดงกลาวจะท าการตดค าทไดจากขอมลความคดเหนและนบความถของค าทงหมดทเกดขน หลงจากนนท าการตดค าทไมจ าเปนออกไปและเกบค าส าคญสงผลตอแงมมภาพยนตรเอาไว ซงผลลพธจะเปนค าทแยกประเภทตามแงมมของภาพยนตร ไดแก นกแสดง ภาพ/กราฟก เสยงประกอบและองคประกอบโดยรวม 2. Sentiment trainer สวนนจะท าหนาทคลาย ๆ กบ Aspect trainer คอการคดเลอกค าส าคญมาตดสนขอความหรอความคดเหนตามประเภทของความรสก ซงแบงออกเปนความรสกทเชงบวกและความรสกเชงลบ ในสวนนจะใชตวจ าแนกประเภท (Classifier) ทงหมด 7 ตวไดแก Naïve Bays, Multinomial Naïve Bays, Bernoulli Naïve Bays, Logistic regression, Linear support vector classification, Stochastic gradient descent และ Nu-Support vector classification 3. Aspect predictive model คอสวนทใชผลลพธทเราไดจาก Aspect trainer ทอยในรปของชดค า (Bag of word) โดยในสวนนจะใชการตดค าเพอแยกค าของความคดเหนทน ามาทดสอบและท าเขาสกระบวนการจ าแยกดวย decision tree เพอท านายวาขอความนนกลาวถงแงมมใดของภาพยนตร 4. Sentiment predictive model คอสวนทใชผลลพธทเราไดจาก Sentiment trainer ในการวเคราะหขอมลชดใด ๆ ทไดรบมาเพอแสดงผลลพธออกมาเปนความรสกทมตอภาพยนตร ในสวนนจะใช random forest ซงประกอบดวยตวจ าแนกประเภท (classifier) หลายตวซงจะแสดงผลลพธซงเปนเสยงสวนใหญ


June 21, 2018

G 7

5. Function caller คอสวนทเราจะน าฟงกชนจาก Aspect predictive model และ Sentiment predictive model มาประยกตใชกบสวนอน ๆ ของระบบ เชน การดงขอมลจากฐานขอมลมาเปนขอมลน าเขาและแสดงผลลพธทง 2 ประเภท

ผลการวจยและอภปรายผล ชดขอมลทไดท าการเกบรวบรวมชดขอมล ผวจยไดท าการแบงชดขอมลออกเปน 2 ชด ประกอบไป

ดวยชดขอมลใชส าหรบฝกและชดขอมลส าหรบทดสอบโมเดล ส าหรบชดขอมลทใชส าหรบฝกจะมจ านวนค าตอบของแงมมและความรสกตามตารางท 2 จะเหนไดวา จ านวนค าตอบในแตละคลาสมจ านวนไมเทากน กลาวคอ แงมมทเปนภาพรวมในชดขอมลทใชฝกมจ านวนมากเมอเทยบกบแงมมอนๆ สวนจ านวนคลาสของความรสกทมตอภาพยนตรความรสกแงบวกจะมจ านวนมากกวาแงลบ ซงอาจสงผลตอประสทธภาพการจ าแยกประเภทได ตารางท 2: แสดงจ านวนค าตอบของแงมมภาพยนตร (aspect) และค าตอบของความรสกทมตอภาพยนตร (sentiment) จาก training set

ความรสก แงมม

ของภาพยนตร แงบวก แงลบ

นกแสดง 52 9 เสยงประกอบ 27 3 ภาพ/กราฟก 44 10 ภาพรวม 117 38

สวนท 1 การทดสอบความแมนย าของการแยกประเภทของแงมมภาพยนตร (Aspect predictive

model) สามารสรปการทดสอบไดเปน Confusion matrix ตามตารางท 3 โดยใหในแถวเปนคลาสทเปนค าตอบจรง (actual) แนวคอลมนเปนคลาสทท านายมาได (predicted)

ตารางท 3: Confusion matrix แสดงผลการทดสอบเมอจ าแนกแงมมของภาพยนตรดวย Aspect predictive model

predicted actual

นกแสดง เสยงประกอบ ภาพ/กราฟก ภาพรวม

นกแสดง 12 0 1 6 เสยงประกอบ 1 10 0 0 ภาพ/กราฟก 0 1 13 7 ภาพรวม 8 6 8 27


June 21, 2018

G 8

จาก Confusion matrix ทแสดงในตารางท 3 สามารถอธบายประสทธภาพในการท านายของแตละคลาสได อาทเชน จ านวนขอมลททดสอบมแงมมนกแสดงทงหมด 19 instances โมเดลท านายออกมาเปนแงมมนกแสดง เสยงประกอบ ภาพ/กราฟก และภาพรวมเปน 12, 0, 1 และ 6 instances ตามล าดบ จากตารางท 3 พบวา การจ าแนกแงมมทเปนเรองเกยวกบภาพรวมท านายถกมากทสดแตกท านายผดมากทสดเชนกน สวนแงมมเกยวกบเสยงท านายผดนอยทสดคอท านายออกมาเปนแงมมเกยวกบเสยง 10 instances ซงถอวาท านายถกและท านายผดเปนแงมมนกแสดงเพยงแค 1 instance เทานน

สวนท 2 การทดสอบความแมนย าของการแยกประเภทของความรสกดวย Sentiment predictive model) สามารสรปการทดสอบไดดงตารางท 4

ตารางท 4: Confusion matrix แสดงผลการทดสอบเมอแยกประเภทของความรสกดวย Sentiment predictive model

predicted actual แงบวก แงลบ

แงบวก 70 5 แงลบ 17 8

ส าหรบ Confusion matrix ทปรากฎในตารางท 4 พบวาในการท านายคลาสทเปนความรสกแงบวก

ท าไดด แตในแงลบนนมความแมนย าทคอนขางต า ซงสบเนองจากจ านวนชอใชฝกโมเดลมจ านวนคลาสทเปนแงลบมจ านวนนอยสงผลใหการท านายขอความทเปนแงลบมประสทธภาพทไมด สวนท 3: การทดสอบความแมนย าของการจ าแนกทงแงมมของภาพยนตรและความรสกทมตอภาพยนตรดวย Function caller

ตารางท 5: Confusion matrix แสดงผลการทดสอบดวย function caller

predicted actual

นกแสดง

แงบวก นกแสดง

แงลบ

เสยง

แงบวก

เสยง

แงลบ

ภาพ/กราฟก

แงบวก

ภาพ/กราฟก

แงลบ

ภาพรวม

แงบวก

ภาพรวม

แงลบ

นกแสดง, แงบวก 9 0 0 0 6 0 1 0 นกแสดง, แงลบ 4 0 0 0 0 1 0 0 เสยง, แงบวก 0 0 11 1 5 0 0 0 เสยง, แงบวก 1 0 0 0 1 0 0 0 ภาพ/กราฟก, แงบวก 7 1 5 0 13 3 4 0 ภาพ/กราฟก, แงลบ 0 0 2 1 7 4 1 1 ภาพรวม, แงบวก 0 0 1 0 0 0 8 0 ภาพรวม, แงลบ 0 0 0 0 0 0 1 1


June 21, 2018

G 9

จากผลการทดสอบความแมนย าจาก Confusion matrix ในตารางท 5 พบวาการใช Function caller เพอท านายแงมมและความรสกพรอมกบในบางคลาสท านายไมถกตองไดแก ขอความทกลาวถงนกแสดงในแงลบและขอความทกลาวถงเสยงประกอบในแงลบ สาเหตเปนเพราะจ านวนขอมลทเปนแงมมนกแสดงและเสยงมนอย ประกอบกบการทดสอบการท านายความรสกในแงลบนนมประสทธภาพทไมด ซงดไดจาก Confusion matrix ในตารางท 4 สรป

ผลการสรปการศกษาวจยเรอง “ระบบแนะน าภาพยนตรโดยการท าเหมองขอความจากค าวจารณของผชม” สามารถสรปผลการวจยไดวาในการทดสอบการแยกประเภทของขอความวจารณภาพยนตรออกเปนแงมมและแบงตามความรสกนน พบวาโดยรวมโมเดลจ าแนกแงมมของภาพยนตรท าไดด แตในการจ าแนกขอความทใหความรสกเชงลบยงมประสทธภาพต า

ขอจ ากดของโมเดลส าหรบแยกประเภทของขอความวจารณภาพยนตรออกเปนแงมมและความรสกมประสทธภาพไมดในบางประเภท อาทเชน ในตารางท 2 จ านวนบทวจารณในแงบวกมจ านวนมากกวาแงลบ จงสงผลใหการท านายบทวจารณในแงบวกมความแมนย ามากกวาในแงลบ ดงนนการท านายความรสกแงลบอาจจะตองใชจ านวนบทวจารณใหเทยบเทากบจ านวนค าวจารณทมแงมมบวก ในสวนของค าส าคญทเลอกมาเปนฟเจอรส าหรบฝกโมเดลจ าแนกแงมมหรอความรสกใหไดอยางมประสทธภาพ ควรจะเปนค าทอาสาสมครเหนดวยทกคนหรออยางนอยตองมากเกนรอยละ 70 เพราะหากเปนเปนค าทอาสาสมครเหนดวยในอตราสวนทนอยกวานนอาจจะเปนขอความทมเนอหาประชด เชน “หนงเรองนผก ากบยงคงรกษามาตรฐานไวดงเดม” สามารถตความไดทงแงบวกและแงลบ ซงอาจท าใหการจ าแนกประเภทเกดความผดพลาดได สงทผวจยเหนวาสามารถปรบปรงไดอนาคตโดย การปรบเปลยนค าทมาใชเปนฟเจอรในโมเดลจ าแนกขอมล รวมถงการปรบเปลยนอลกอรทมในการสรางโมเดลเพอใหประสทธภาพในการจ าแนกขอมลในแตละคลาสท าไดดยงขน

เอกสารอางอง วจนตน ภาณพงศ. (2520). โครงสรางภาษาไทย : ระบบไวยากรณ. กรงเทพฯ: มหาวทยาลยรามค าแหง.

วรรณพงษ ภททยไพบลย. (2560). คมอการใชงาน PyThaiNLP 1.5. สบคน Online https://github.com/PyThaiNLP/pythainlp เมอ มนาคม 2561.

Bird, S. Kelein, E. and Loper, E. (2552). Natural Language Processing with Python. California: O’Reilly Media, Inc.

Li, Z. Feng, J. and Xiao-Yan, Z. (2549). Movie Review Mining and Summarization. Beijing: Tsinghua University.

Pannala, N. Nawarathna, C. and Jayakody, J. (2559). Supervised Learning Based Approach to Aspect Base Sentiment Analysis. Malabe: Sri Lanka Institute of Information Technology.

Roger, S. and Girolami, M. (2555). A First Course in Machine Learning. Florida: CRC Press. Sornlertlamvanich, V. and Phantachat, W. (2558). Thai Part-of-Speech Tagged Corpus.

Bangkok: National Electronics and Computer Technology Center.


June 21, 2018

G 10

การประมาณสโดยใชการวเคราะหการถดถอยดวยการเรยนรเชงลก COLOR ESTIMATION USING REGRESSION ANALYSIS WITH DEEP LEARNING

ปรญญา สงวนสตย

Parinya Sanguansat

คณะวศวกรรมศาสตรและเทคโนโลย สถาบนการจดการปญญาภวฒน Faculty of Engineering and Technology, Panyapiwat Institute of Management

Corresponding author, E-mail: [email protected] บทคดยอ

สเปนปจจยหนงทจ าเปนอยางยงในการสรางสรรคผลงานตางๆ เชน สงกอสราง สนคา งานศลป ในยคดจทลงานสรางสรรคเหลานสวนใหญถกออกแบบขนจากคอมพวเตอร การเลอกใชสใหตรงความตองการของผออกแบบเปนสงส าคญอยางยง เนองจากสของชนงานท เสรจสมบรณกบสตนฉบบทออกแบบไวในคอมพวเตอรมกมความแตกตางกน บทความนน าเสนอวธการประมาณสระหวางสตนฉบบ (แสงส) และสของวตถ(สารส) ทผลตจากสตนฉบบนน การวเคราะหการถดถอยเปนวธการหนงทเหมาะสมในปญหาน เนองจากคาความเขมแสงเปนคาตอเนอง แตการวเคราะหการถดถอยแบบมาตรฐานไดคาความผดพลาดคอนขางสง บทความนจงน าเสนอการเรยนรเชงลกดวยโครงขายแบบสงวตนาการเพอการประมาณส โดยเปรยบเทยบกบการถดถอยแบบมาตรฐานชนดตางๆ ทงแบบเชงเสนและพหนาม รวมทงแบบทใชโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชน จากผลการทดลองพบวาโครงขายแบบสงวตนาการทน าเสนอมคาความผดพลาดก าลงสองเฉลยต าทสดคอ 0.00237 ซงดกวาการวเคราะหการถดถอยแบบเพอรเซพตรอนหลายชน ทไดผลเปนอนดบสองมคาความถกตองมากกวาถง 2 เทา

ค าส าคญ: การประมาณส การวเคราะหการถดถอย การเรยนรเชงลก โครงขายแบบสงวตนาการ ABSTRACT

Color is the essential factor in creations (building, goods, artwork, etc.). In digital era, most of these items were designed by computer. To find out the exact color that is right for designer is very important because the color of the finished product is not the same as the original color designed in computer. This paper proposes the novel color estimation between light colors that use in design and pigment colors that use in production. The regression analysis is one of the solution for this problem because the light intensity is continuous value, but the traditional methods provided high error. In this paper, deep convolutional neural network was proposed for color estimation and compare with the traditional regression analysis methods, including linear, polynomial and multilayer perceptron. The experimental results showed that the proposed method provided the best mean square error of 0.00237 that is twice better than multilayer perceptron that is the second best.

mailto:[email protected]


June 21, 2018

G 11

Keywords: Color Estimation, Convolutional Network, Deep Learning, Regression Analysis บทน า

สเปนสงส าคญในการออกแบบสรางวตถตางๆ การเลอกสใหตรงตามความตองการเปนสงจ าเปน ทงนความแตกตางระหวางแสงสทใชในการออกแบบดวยคอมพวเตอรและสารสทใชในการผลตวตถม มกความแตกตางกน อยางไรกตาม สารสจ าเปนตองผานอปกรณน าเขาภาพเพอเขามาวเคราะหในคอมพวเตอร การวเคราะหความสมพนธระหวางแสงสและสารสทผานอปกรณน าเขาภาพสามารถน ามาใชในการประมาณสได

การวเคราะหการถดถอย (Regression Analysis) เปนวธการหนงทสามารถใชในการประมาณสระหวางแสงสและสารสทผานอปกรณน าเขาภาพมาได การวเคราะหการถดถอยมหลายวธ โดยวธการพนฐานทน ามาเปรยบเทยบในงานวจยน ไดแก การวเคราะหการถดถอยแบบเชงเสน การวเคราะหการถดถอยแบบพหนามดกรตาง ๆ รวมทงการวเคราะหการถดถอยดวยโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชน (Multilayer Perceptron)

การเรยนรเชงลก (Deep Learning) เปนวธการในส าหรบการเรยนรของเครอง (Machine Learning) มการประยกตใชในการวเคราะหการถดถอย หนงในโครงขายทไดรบความนยมในการเรยนรเชงลก ไดแก โครงขายประสาทสงวตนาการ (Convolutional Neural Network: CNN) (Lecun, Bottou, Bengio, & Haffner, 1998) ซงประสบความส าเรจอยางมากส าหรบขอมลปอนเขาทเปนภาพ (Krizhevsky, Sutskever, & Hinton, 2012; Szegedy et al., 2015) รวมถงภาพส ไดประสทธภาพทดในการรจ าสของรถยนต (Rachmadi & Purnama, 2015) ซงงานวจยนยงพบวาปรภมสแบบสแดง เขยว น าเงน (RGB) ไดผลการรจ าทดทสดเมอเทยบกบปรภมสอน ๆ แตการรจ าสในงานวจยนจ ากดอยทงหมด 8 ส โดยก าหนดใหโครงขายขาออกมทงหมด 8 ปมตามจ านวนสโดยใช Softmax เปนซงคาทไดจะเปนคาความนาจะเปนของแตละส ไมใชคาของความเขมแสงของสทตองการวจยในบทความน

งานวจยนน าเสนอวธการทเหมาะสมในการประมาณสโดยใชโครงขายประสาทสงวตนาการ รวมกบชนรวมแบบคาเฉลย (Average Pooling) การท า Batch Normalization (Ioffe & Szegedy, 2015) เพอสรางโครงสรางทเหมาะสมส าหรบการประมาณส จากการทดสอบโครงขายทน าเสนอเปรยบเทยบกบวธมาตรฐานทกลาวมาพบวา วธการทน าเสนอไดประสทธภาพสงทสด

การวเคราะหการถดถอยแบบเชงเสน

สโดยสวนใหญจะอยในปรภมสแบบ RGB หรอแมสแดง เขยว และน าเงน ดงนนตวแปรอสระ ( x ) และตวแปรตาม ( y ) ในการประมาณคาจะเปนเวกเตอรขนาด 3 มต ดงน

r

g

b

x (1)

โดย r คอ คาความเขมแสงสแดงของสวตถทผานอปกรณรบภาพ g คอ คาความเขมแสงสเขยวของสวตถทผานอปกรณรบภาพ

b คอ คาความเขมแสงสน าเงนของสวตถทผานอปกรณรบภาพ


June 21, 2018

G 12

และ

r

g

b

y (2)

โดย r คอ คาความเขมแสงสแดงของแสงสตนฉบบ g คอ คาความเขมแสงสเขยวของแสงสตนฉบบ

b คอ คาความเขมแสงสน าเงนของแสงสตนฉบบ

ดงนนการถดถอยเชงเสนสามารถเขยนเปนสมการในรปแบบเมทรกซไดดงสมการ

1

xy R (3)

โดย R คอ เมทรกซของคาสมประสทธการถดถอย

เพอความงายในการหาผลเฉลยของสมการจงท าการแตงเตม 1 ให x เพอเพมความเอนเอยง (Bias) และผลเฉลยของเมทรกซของคาสมประสทธการถดถอยไดดงน

1

T T

R yX XX (4)

โดย 1T

X x การวเคราะหการถดถอยแบบพหนาม

การวเคราะหการถดถอยแบบพหนาม สามารถหาผลเฉลยของเมทรกซของคาสมประสทธการถดถอยไดดวยวธเดยวกนกบสมการท (4) แตท าการเปลยนคาตวแปร X ตามดกรทตองการดงน

1 1T

n n n n X x x x (5)

โดย n คอ ดกรของพหนามทตองการ ซงในบทความนจะทดลองตงแตดกร 2 ถง 19 เพอหาคาดกรทเหมาะสม การวเคราะหการถดถอยดวยโครงขายประสาทเทยม

โครงขายประสาทเทยมเปนเครองมอหนงทสามารถน ามาใชวเคราะหการถดถอยได โดยมกนยมใชโครงขายแบบเพอรเซพตรอนหลายชน ซงมจ านวนชนไมมากนกเนองจากปญหาการหายไปของคาเกรเดยนต บทความนไดทดลองใชหลายแบบพบวาโครงสรางทไดผลดประกอบดวย 2 ชนหลกดงแสดงในตารางท 1 คอประกอบดวยชนเชอมตอสมบรณ (Fully Connected Layer) จ านวนสองชนทมฟงกชนกระตนแบบ Rectified Linear Unit (ReLU) ดงสมการท (6) ทงนจากการทดลองพบวาการใชฟงกชนซกมอยดหรอฟงกชนลกษณะอนทมลกษณะการจ ากดขอบเขตบนท าใหคาสทไดจะวงเขาหาคาสทเปนแมสปฐมภมและทตยภมเกอบทงหมด


June 21, 2018

G 13

( ) max(0, )f x x (6)

แตเนองจากการน าขอมลดบซงเปนเทนเซอรอนดบสามมาท าใหแบน (Flattening) จะมจ านวนปมขาเขาสงมากเกนความจ าเปน ดงนนในบทความนจงใชคาเฉลยของแตละชองสเพอลดจ านวนปมขาเขาเหลอเพยง 3 ปม ตามจ านวนชองสแดง เขยว และน าเงน สวนจ านวนปมในชนซอนไดจากการทดลองเปลยนจ านวนหลายกรณพบวาจ านวนประมาณ 48 ปม ไดผลดทสด

ตารางท 1: โครงขายประสาทเทยมส าหรบการถดถอย

ชนท ชนด พารามเตอร

1 ชนปอนเขา (Input) ขนาด 28 x 28 x 3

2 ชนรวมแบบคาเฉลย (Average Pooling) Kernel ขนาด 28x28

3 ชนเชอมตอสมบรณ (Fully Connected Layer) 48 โหนด

4 ReLU -


6 ReLU -

วธการทน าเสนอ

หนงในโครงขายทนยมทสดส าหรบการเรยนรแบบลกคอโครงขายประสาทสงวตนาการ โดยบทความนไดน าเสนอโครงสรางของโครงขายทประกอบดวยชนสงวตนาการ (Convolutional Layer) ซงจากการทดลองหลายโครงสรางในงานวจยนพบวา โครงสรางทเหมาะสมกบการประมาณสประมาณดวยชนสงวตนาการจ านวน 2 ชน โดยชนสงวตนาการชนแรกก าหนดใหมจ านวนชอง 10 ชองโดยแตละชองใชเคอรเนลขนาด 5 x 5 ตามดวยชนรวมคาเฉลย (Average Pooling) และ Batch Normalization และผานฟงกชนกระตนแบบ ReLU จากนนท าการ Dropout (Srivastava, Hinton, Krizhevsky, Sutskever, & Salakhutdinov, 2014) ดวยความนาจะเปน 0.5 สวนในชนสงวตนาการท 2 คลายกบชนแรกแตลดเหลอ 5 ชองและไมมการใช Batch Normalization เมอผานชนสงวตนาการทงสองจะเปนชนเชอมตอสมบรณ (Fully connected Layer) แบบเดยวกบทใชในเพอรเซพตรอนหลายชน โดยในทนจะใช 2 ชนโดยมจ านวน 10 ปม และชนขาออกจ านวน 3 ปมเทากบจ านวนชองสในปรภม RGB ดงรายละเอยดในตารางท 2 จากการทดลองพบวาฟงกชนกระตนแบบทมลมตบนจะท าใหคาสลเขาคาแมสปฐมภมและทตยภมเชนเดยวกน ส าหรบอกปจจยหนงทมผลอยางมากในการเรยนรคออตราการเรยนรโดยจากการทดลองพบวาการก าหนดคาอตราการเรยนรแบบคงทไดผลลพธทไมด จ าเปนตองมการลดทอนคาลงเมอจ านวน epoch มากขน


June 21, 2018

G 14

ตารางท 2: โครงขายทน าเสนอ

ชนท ชนด พารามเตอร

1 ชนปอนเขา (Input) ขนาด 28 x 28 x 3

2 ชนสงวตนาการ (Convolutional Layer) Kernel ขนาด 5 x 5 จ านวน 10 ชอง

3 ชนรวมแบบคาเฉลย (Average Pooling) Kernel ขนาด 2 x 2

4 Batch Normalization -

5 ReLU -

6 Dropout PDropout = 0.5

7 ชนสงวตนาการ (Convolutional Layer) Kernel ขนาด 5 x 5 จ านวน 5 ชอง

8 ชนรวมแบบคาเฉลย (Average Pooling) Kernel ขนาด 2 x 2

9 ReLU -

10 Dropout PDropout = 0.5


12 ReLU -


14 ReLU -

ผลการทดลอง

ขอมลทใชในการทดลองเปนการสรางตารางสโดยการท าการเรยงสดวยปรภม HSV (Hue-Saturation-Value) ซงมลกษณะดงภาพท 1 รปซาย และท าการพมพบนกระดาษขาวขนาด 70 ปอนด จากนนน าเขาคอมพวเตอรดวยเครองกราดภาพไดผลลพธดงภาพท 1 รปขวาซงจะเหนไดวาสแตกตางกนอยางชดเจน การเตรยมขอมลเพอการวเคราะหการถดถอยท าโดยการเลอกจดภาพบรเวณสแตละสขนาด 28 x 28 โดยจะท าการวเคราะหในปรภมส RGB ดงนน ขอมลปอนเขาจะเปนเทนเซอรขนาด 28 x 28 x 3 ทผานการเปลยนคาจากจ านวนเตม 256 ระดบใหเปนคาจ านวนจรงทอยในชวง [0, 1] โดยจะน าไปวเคราะหการถดถอยดวยวธแบบเชงเสน แบบพหนามดกร 2 ถงดกร 19 และแบบโครงขายประสาทเทยม เพอเปรยบเทยบผลดวยคาผดพลาดก าลงสองเฉลย (Mean Square Error: MSE) ดงแสดงในสมการท (7)

2

1

1 N

i i

i

MSE a bN

(7)

โดย ia และ ib เปนสมาชกของเวกเตอร a และ b ตามล าดบ


June 21, 2018

G 15

ภาพท 1: ตวอยางสทใชในการทดลองจ านวน 70 ส โดย รปดานซายเปนสตนฉบบ และ รปดานขวาเปนสของ

วตถทน าเขาคอมพวเตอรดวยอปกรณรบภาพ

อยางไรกตามส าหรบการวเคราะหการถดถอยดวยวธแบบเชงเสน แบบพหนาม และแบบโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชน ไมรองรบการปอนเขาดวยเทนเซอรอนดบ 3 ซงเปนขอมลดบท าใหตองท าการแปลงขอมลใหงายตอการวเคราะหโดยการใชคาเฉลยของสทง 28 x 28 จดภาพแทนตวแปรอสระดงสมการท (1) กอน โดยใชกรณของโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชนจะใชชนรวมคาเฉลย ดงระบโครงสรางไวในตารางท 1 จากนนจงท าการวเคราะหการถดถอย สวนโครงขายแบบสงวตนาการทน าเสนอนนสามารถรบตวแปรอสระเปนขอมลดบทเปนเทนเซอรอนดบ 3 ได โดยโครงสรางของโครงขายแบบสงวตนาการทน าเสนอแสดงในตารางท 2

ผลการวเคราะหการถดถอยทงหมดถกแสดงเปรยบเทยบในภาพท 2 โดยเพอใหแสดงผลไดคาทมากกวา 1 จะก าหนดใหเทากบ 1 และคาทนอยกวา 0 จะก าหนดใหเทากบ 0 จากนนปรบเปน 256 ระดบ พบวาผลทไดจากการวเคราะหการถดถอยแบบพหนามตงแตดกร 5 ขนไปสทไดมความผดเพยนมากไมสามารถใชงานได และพนนามดกร 4 ไดผลลพธดทสดของแบบพหนามทงหมดเมอน าสทไดเฉพาะกรณทดทสดของแตละแบบมาแสดงรวมกนเพอเปรยบเทยบดงภาพท 3 พบวาการวเคราะหการถดถอยแบบเชงเสนท าไดดในชวงสแดง และสมวงแดง นอกนนแสดงสไดไมถกตอง สวนการวเคราะหการถดถอยแบบพหนามดกร 4 ไดผลดในชวงสแดง สมวงแดง สน าเงน และสเขยว แตท าไดไมดในบรเวณสฟา สเหลอง และสสม สวนการวเคราะหการถดถอยแบบโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชนไดผลใกลเคยงกบแบบเชงเสนคอไดผลดในชวงสแดง สมวงแดง แตท าการแยกเฉดสบรเวณสเขยวและสสมไดดกวาแบบเชงเสน สวนว ธทน าเสนอสามารถไลเฉดสไดดขนในทกสแตมบางสทผดพลาดจนสงเกตได


June 21, 2018

G 16

ภาพท 2: ผลการประมาณคาสดวยการถดถอยชนดตาง ๆ โดยแถวท 1 เปนสปอนเขา แถวท 2 เปนสจรง แถวท 3 เปนผลการประมาณคาสดวยการถดถอยแบบเชงเสน แถวท 4 ถงแถวท 21 เปนผลการประมาณคาสดวยการถดถอยแบบพหนามตงแตดกร 2 ถง 19 ตามล าดบ แถวท 22 เปนผลการประมาณคาสดวยโครงขายในตารางท 1 และแถวท 23 เปนผลการประมาณคาสดวยโครงขายทน าเสนอในตารางท 2

ภาพท 3: ผลการประมาณคาสดวยการถดถอยชนดตางๆ โดยเลอกเฉพาะทดทสดในแตละกรณมากเปรยบเทยบกน โดยแถวท 1 เปนสปอนเขา แถวท 2 เปนสจรง แถวท 3 เปนผลการประมาณคาสดวยการถดถอยแบบเชงเสน แถวท 4 เปนผลการประมาณคาสดวยการถดถอยแบบพหนามดกร 4 แถวท 5 เปนผลการประมาณคาสดวยโครงขายในตารางท 1 และแถวท 6 เปนผลการประมาณคาสดวยโครงขายทน าเสนอในตารางท 2

ส าหรบการวดประสทธภาพของการทดลองนจะใชคาผดพลาดก าลงสองเฉลยโดยหากคายงนอยจะถงวาผดพลาดนอยหรอประสทธภาพดโดยคาผดพลาดก าลงสองเฉลยของทกวธแสดงดงตารางท 3 ซงพบวาวธทน าเสนอไดผลดทสด รองลงมาเปนแบบโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชน แบบพหนามดกร 4 แบบดกร 3 แบบดกร 2 และแบบเชงเสน ตามล าดบ โดยวธการทน าเสนอไดไดผลดกวาประมาณ 2 เทาเมอเทยบกบวธการทใหผลดอนดบสองหรอแบบโครงขายประสาทเทยมแบบเพอรเซพตรอนหลายชน

ตารางท 3: คาผดพลาดก าลงสองเฉลย

ชนดการถดถอย ความผดพลาดก าลงสองเฉลย เชงเสน 0.01542

พหนามดกร 2 0.00927 พหนามดกร 3 0.00620 พหนามดกร 4 0.00481 พหนามดกร 5 0.81451


June 21, 2018

G 17

ชนดการถดถอย ความผดพลาดก าลงสองเฉลย พหนามดกร 6 0.67928 พหนามดกร 7 0.41837 พหนามดกร 8 2.65002 พหนามดกร 9 2.60797 พหนามดกร 10 13.14447 พหนามดกร 11 2,442.72339 พหนามดกร 12 16.88457 พหนามดกร 13 992.63214 พหนามดกร 14 149.18365 พหนามดกร 15 1,200.57873 พหนามดกร 16 25.10668 พหนามดกร 17 62,387.34375 พหนามดกร 18 204.45195 พหนามดกร 19 343.54803

โครงขาย (ตารางท 1) 0.00464 วธการทน าเสนอ (ตารางท 2) 0.00237

สรป

งานวจยนไดน าเสนอวธการประมาณสดวยการเรยนรเชงลก โดยไดเสนอโครงสรางทอาศย ของโครงขายทประกอบดวยชนสงวตนาการเปนหลก และเมอเปรยบเทยบกบการวเคราะหการถดถอยทใชแบบเชงเสน แบบพหนาม และแบบทใชโครงขายประสาทเทยมแบบเดม พบวาไดประสทธภาพทดกวา การประยกตใชงานจรงท าไดโดยการน าไปใชประกอบกบอปกรณรบภาพ เชน กลองถายรป เพอท าการประมาณสวตถตางๆ ทตองการรวาเปนสอะไร โดยท าการเกบภาพวตถนนพรอมกบแถบเทยบสทสรางขนใหเหมาะสมตอไป

เอกสารอางอง

Ioffe, S., & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. In F. Bach & D. Blei (Eds.), Proceedings of the 32nd International Conference on Machine Learning (Vol. 37, pp. 448–456). Lille, France: PMLR. Retrieved from http://proceedings.mlr.press/v37/ioffe15.html

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In F. Pereira, C. J. C. Burges, L. Bottou, & K. Q. Weinberger (Eds.), Advances in Neural Information Processing Systems 25 (pp. 1097–1105). Curran Associates, Inc. Retrieved from http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf


June 21, 2018

G 18

Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791

Rachmadi, R. F., & Purnama, I. K. E. (2015). Vehicle Color Recognition using Convolutional Neural Network. CoRR, abs/1510.0. Retrieved from http://arxiv.org/abs/1510.07391

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15, 1929–1958. Retrieved from http://jmlr.org/papers/v15/srivastava14a.html

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … Rabinovich, A. (2015). Going deeper with convolutions. In 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1–9). https://doi.org/10.1109/CVPR.2015.7298594


June 21, 2018

G 19

การพยากรณการใชพลงงานไฟฟาในอตสาหกรรมถงพลาสตก โดยวธการหาคาพลงงานจ าเพาะและวธการถดถอยเชงเสนพหคณ ELECTRICAL ENERGY CONSUMPTION FORECASTING IN PLASTIC BAG INDUSTRY USING SPECIFIC ENERGY CONSUMPTION AND MULTIPLE LINEAR REGRESSION

อรยพงศ อารเวชศรมงคล1*, ฐกฤต ปานขลบ2, อภนนท ภเกาลวน2, กฤตเดช ดวงใจบญ2

Aripong Areewechsrimongkol1, Thakrit Panklib2, Apinan Phukhaoluan2, Krittidej Duangjaiboon2

1สาขาวชาการจดการพลงงานและสงแวดลอม คณะเทคโนโลย วทยาลยเทคโนโลยสยาม

1Energy and Environmental Department, Faculty of Technology, Siam Technology College 2คณะเทคโนโลย วทยาลยเทคโนโลยสยาม

2Faculty of Technology, Siam Technology College *Corresponding author, E-mail: [email protected]

บทคดยอ

งานวจยนจะน าเสนอการพยากรณการใชพลงงานไฟฟาในอตสาหกรรมถงพลาสตก โดยวธการหาคาพลงงานจ าเพาะ (Specific Energy Consumption) และวธการถดถอยเชงเสนพหคณ (Multiple Linear Regression) โดยสรางสมการจ าลองทางคณตศาสตรจากขอมลการใชพลงงานฐานเปนเวลา 12 เดอน (เดอนมกราคม 2559 ถงเดอนธนวาคม 2559) และท าการวเคราะหความสมพนธของตวแปรอสระหรอตวแปรตน (Independent Variable) ประกอบไปดวยผลผลตซงแยกตามประเภทการใชพลงงานทแตกตางกนอยางมนยส าคญรวมทงสน 14 ชนด ในการพยากรณตวแปรตาม (Dependent Variable) หรอปรมาณการใชพลงงานไฟฟารายวนของโรงงานอตสาหกรรมถงพลาสตก ผลลพธทไดแสดงใหเหนวา การวเคราะหดวยวธการถดถอยเชงเสนพหคณสามารถอธบายความสมพนธระหวางตวแปรตนและตวแปรตามไดแมนย ามากกวาวธการหาคาพลงงานจ าเพาะ โดยพจารณาไดจากคาสมประสทธสหพนธยกก าลงสอง (R2), ผลตางของคาพลงงานทไดจากการพยากรณกบคาการใชพลงงานจรง (Diff) ผลตางสะสม (CUSUM) และเปอรเซนตของผลตาง (%Diff)

ผลการพยากรณการใชพลงงานในโรงงานอตสาหกรรมถงพลาสตกหลงชวงขอมลฐานเปนเวลา 4 เดอน (เดอนมกราคม 2560 ถงเดอนเมษายน 2560) พบวา ผลจากการพยากรณการใชพลงงานดวยวธการหาคาพลงงานจ าเพาะมคาผลตางสะสมของคาพลงงานจรงกบคาจากการค านวณ (CUSUM) อยท -79,733.26 กโลวตต-ชวโมง และมเปอรเซนตของผลตาง (%Diff) อยท -2.35% ในขณะทผลจากการพยากรณการใชพลงงานดวยวธการถดถอยเชงเสนพหคณมคา CUSUM อยท -72,620.66 กโลวตต-ชวโมง และมคา %Diff อยท -2.12%

ค าส าคญ: การใชพลงงานฐาน การหาคาพลงงานจ าเพาะ การถดถอยเชงเสนพหคณ


June 21, 2018

G 20

ABSTRACT This thesis presented specific energy consumption (SEC) and multiple linear

regression model for forecasting the electricity consumption in the plastic bag industry. By using 12 month of baseline energy used (January 2016 to December 2016) to create a mathematical equation. The input variables of both models consisted of 14 type of productions were used as inputs to predict daily electricity consumption in plastic bag industry. The results showed that the multiple linear regression model was more accurate estimations than the SEC model as indicated by the performance measures which consisted of coefficient of determination (R2), the difference of energy from predictions and actual energy consumption (Diff), cumulative sum of difference (CUSUM) and percentage of difference (%Diff). The forecasting result after baseline 4 month (January 2017 to April 2017) by using the SEC model in this study prophesied that the cumulative sum of difference (CUSUM) of electricity consumption from mathematical model and actual value is equal to -79,733.26 kWh and the percentage of difference (%Diff) is equal to -2.35% meanwhile the multiple linear regression model would reach -72,620.66 kWh and -2.12%, respectively.

Keywords: Baseline Energy Used, Specific Energy Consumption, Multiple Linear Regression บทน า

ในปจจบนอตสาหกรรมถงพลาสตก เปนอตสาหกรรมหนงทส าคญยงตอระบบเศรษฐกจ เนองจากเปนอตสาหกรรมทสรางมลคาเพมใหกบประเทศ อกทงยงเกยวของกบผประกอบการจ านวนมาก ทงทเปนธรกจขนาดใหญ ขนาดกลาง และขนาดยอม อยางไรกตาม หลายปทผานมาผประกอบการอตสาหกรรมพลาสตกประสบปญหาดานการแขงขนทางธรกจอยางตอเนอง ตงแตปญหาเรองของราคาน ามนดบในตลาดโลกทเพมขน ราคาเมดพลาสตกและปญหาคาแรงทเพมสงขน สงผลกระทบตอตนทนการผลต ท าใหความสามารถในการแขงขนในอตสาหกรรมลดลง การลดตนทนดานพลงงานจงมความส าคญเปนอยางยงกบผประกอบการ เนองจากหากสามารถลดคาใชจายดานพลงงานทใชในกระบวนการผลตได จะเปนการเพมผลก าไรใหกบบรษทอกทางหนง วธการทนยมน ามาใชคดค านวณหาตนทนการใชพลงงานในปจจบนกคอ การวเคราะหการใชพลงงานตอหนวยผลผลต (Specific Energy Consumption : SEC) หรอดชนชวดการใชพลงงาน ซงเปนรปแบบทเขาใจไดงายและไมซบซอน แมวาจะสามารถน ามาใชในการวเคราะหในภาพรวมได แตในความเปนจรงแลวพบวาในอตสาหกรรมถงพลาสตกนนมความหลากหลายของผลตภณฑ ท าใหการวเคราะหตนทนการใชพลงงานโดยวธดงกลาวขาดความแมนย า จงตองท าการศกษาเกณฑการใชพลงงานในอตสาหกรรมถงพลาสตกใหม เพอใหเกดความแมนย ามากขน

ส าหรบโรงงานอตสาหกรรมถงพลาสตกทมผลตภณฑหลายรปแบบจะมตนทนของแตละผลตภณฑทแตกตางกน ซงการใชคาการใชพลงงานตอหนวยผลผลตหรอ SEC สามารถน ามาใชเปนดชนชวดคาพลงงานแยกตามผลตภณฑนน จะตองแยกขอมลของพลงงานของผลผลตแตละผลตภณฑอยางละเอยดและชดเจน ท าใหเปนเรองยากทจะอธบายตนทนการใชพลงงานภาพรวมของทงโรงงาน เนองจากทผานมาโรงงานสวนใหญจะ


June 21, 2018

G 21

หาคาตนทนพลงงานตอผลผลต (Unit Cost) โดยน าเอาคาพลงงานไฟฟาทใชตอเดอนหารดวยผลผลตทไดในเดอนนนๆ ผลทไดยงมความคลาดเคลอนทสง เพราะไมสามารถน าคาทไดมาถวเฉลยกบผลตภณฑทมอยหลายรปแบบทงหมดได จงตองหาวธการใหไดคาทถกตองแมนย าขนมากกวาเดม โดยการวเคราะหความสมพนธของผลตภณฑทมความหลากหลายตอการใชพลงงานไฟฟาดวยวธการถดถอยเชงเสนพหคณเปนอกแนวทางหนงทภาคอตสาหกรรมใหความสนใจ เนองจากสามารถพยากรณการใชพลงงานไฟฟาของโรงงานได อกทงสามารถบงบอกตนทนการผลตสนคาแตละผลตภณฑจากสมการถดถอยได งานวจยนจงไดท าการศกษารปแบบการพยากรณการใชพลงงานในอตสาหกรรมถงพลาสตกดวยการสรางสมการจ าลองทางคณตศาสตรจากวธการหาคาพลงงานจ าเพาะและวธการถดถอยเชงเสนพหคณ โดยเปรยบเทยบความแมนย าของขอมลจากหนวยพลงงานทสรางขนมาจากสมการกบหนวยพลงงานทใชจรง ซงสามารถใชส าหรบการประเมนตนทนพลงงานของทางโรงงานไดตอไป ทบทวนวรรณกรรม

การวจยครงน ผวจยไดศกษาเอกสารและงานวจยทเกยวของเพอเปนแนวทางในการศกษาโดยมประเดนการคนควาเปนดงตอไปน

ตวชวดประสทธภาพพลงงาน ประสทธภาพพลงงาน หมายถง อตราสวนของปรมาณพลงงานทใชไปในกระบวนการผลต ตอหนวย

ของปรมาณหรอมลคาผลผลต ซงเปนสงทสะทอนถงความเหมาะสมในการบรโภคพลงงานของอตสาหกรรม การพฒนาประสทธภาพพลงงานจะเกดขนเมอมการใชพลงงานลดลง ในขณะทระดบการผลตคงท หรอเมอมการใชพลงงานคงท แตมระดบการผลตเพมขน การหาประสทธภาพพลงงานจ าเปนตองอาศยขอมลสองสวน ไดแก ปรมาณพลงงานทใชไป และปรมาณหรอมลคาผลผลตทเกดขนจากพลงงานทใชไป

ในระดบโรงงาน การค านวณหาประสทธภาพพลงงานอาจท าไดโดยไมยากนก เนองจากโรงงานทมการตรวจวดและเกบรวบรวมขอมลเปนปกต กจะมขอมลทงสองสวนดงกลาวอยแลว สวนในระดบอตสาหกรรมและกลมอตสาหกรรม ขอมลทจะน ามาค านวณหาประสทธภาพพลงงานจะตองเปนขอมลในระดบมหภาค ซงจ าเปนตองมหนวยงานทท าหนาทรบผดชอบในเรองการเกบรวบรวมขอมลดงกลาว (ทปรกษาตรวจสอบ จฬาลงกรณมหาวทยาลย, 2549) โดยตวชวดประสทธภาพพลงงานทมการใชอยทวไป คอ ดชนการใชพลงงานจ าเพาะ (Specific Energy Consumption หรอ SEC) และความเขมพลงงาน (Energy Intensity หรอ EI)

มาตรฐานการใชพลงงานในอตสาหกรรม มาตรฐานการใชพลงงานในอตสาหกรรม (Energy Benchmark) เปนการเปรยบเทยบคาการใช

พลงงานหรอประสทธภาพการใชพลงงานของอาคารใดอาคารหนงกบอาคารอนทมสภาพการใชงานประเภทเดยวกนกบอาคารนน หรอเปรยบเทยบคาการใชพลงงานของอาคารนนในปปจจบนกบคาการใชพลงงานในปทผานมา เพอใหทราบถงปรมาณการใชพลงงานของอาคารนน วามการเปลยนแปลงหรอไมและเปลยนแปลงอยางไร

การวเคราะหสมการถดถอยและสหสมพนธ วธคาดการณเชนนจะอนมานวาขอมลในแตละชวงเวลาสามารถประมาณการไดจากผลรวมของบางตว

แปรอสระในเชงเสน โดยทวไปหากการวเคราะหประกอบดวยขอมลหรอตวแปรอสระจ านวนมากจะใหผลทแมนย ามากกวา แตจะใชเวลาในการค านวณมาก (ฐกฤต ปานขลบ,2556:58-67) โดยการวเคราะหแบบถดถอยเชงเสนพหคณจะมรปแบบโดยทวไปดงน

Yc = a + b1x1 + b2x2 + b3x3 + b4x4 + ei (1)


June 21, 2018

G 22

โดยท Yc = ตวแปรตาม (Dependent variable), a = คาคงท (Constant parameter of the model), b1 = คาสมประสทธของตวแปรอสระ (Coefficient of independent variable), x1 = ตวแปรอสระ (Independent variable) และ ei = คาความคลาดเคลอน

กระบวนการผลตในอตสาหกรรมถงพลาสตก ในอตสาหกรรมถงพลาสตกจะใชวตถดบหลกคอ เมดพลาสตก ซงเปนผลตภณฑขนปลายจากอตสาหกรรมปโตรเคมเมดพลาสตกทใชมากในประเทศไทยมอย 4 ประเภท คอ โพลเอธลน (polyethylene - PE) โพลโพรพลน (polypropylene - PP) โพลสไตรน (polystyrene - PS) และโพลไวนลคลอไรดหรอพวซ (polyvinyl cholride - PVC) โดยเมดพลาสตกแตละประเภทมความแตกตางกนในดานคณสมบต การใช และการบรโภค ซงอตสาหกรรมถงพลาสตกมกระบวนการผลตทไมซบซอน โดยใชเครองจกรในเกอบทกขนตอนการผลต กระบวนการผลตของถงพลาสตกชนดตางๆ มขนตอนทเหมอนกน ตางกนเพยงวตถดบเมดพลาสตกทใชในการผลตเทานน

1) การเตรยมวตถดบ เรมจากการน าเอาวตถดบ ไดแก เมดพลาสตกชนดตางๆ ตามความเหมาะสมของชนดและปรมาณของถงพลาสตกทตองการมาผสมกบสในอตราสวนทเหมาะสม ถาตองการถงพลาสตกทไมมส กไมตองผสมส จากนนน าวตถดบไปเทเขาเครองเปาถง

2) การเปาถง เครองเปาถงจะท าการหลอเมดพลาสตกโดยใชความรอนในแมแบบรด โดยท เกลยวรดจะรดหมนอดเมดพลาสตกผานเขาในสวนใหความรอน ซงมอณหภม 300-500 องศาฟาเรนไฮต เมดพลาสตกทหลอมเหลวจะถกอดผานแมแบบดวยแรงอด 500-600 ปอนดตอตารางนว จากนนจะเปาอากาศเขาไปในชองอากาศใหพลาสตกพองตวตามขนาดทตองการ ชนงานทไดจะมลกษณะเปนหลอดพลาสตกขนาดใหญ ซงจะถกสงผานลกกลงทมความเรยบสนทอกครงเพอรดพลาสตกใหอยในลกษณะแบน ตลอดจนปองกนอากาศภายในไมใหออกจากชองพลาสตกได เพอใหอากาศทอยภายในมปรมาณคงทและจะไดถงพลาสตกขนาดเทาเดม ทายสด ชนงานทออกมาจะมลกษณะแบนและมวนไวเพอรอการพมพหรอตดเยบตอไป

3) การพบดานขางส าหรบถงหว ส าหรบถงหวชนดพบดานขาง หลงจากทไดชนงานทมลกษณะเปนหลอดพลาสตก สงผานลกกลงในครงแรกแลว ขนตอไปคอการพบดานขางโดยมไมยนดานขางทงสองดานไวแลวสงชนงานพลาสตกผานลกกลงอกครงหนงเพอเกบไวเปนมวนรอการพมพหรอตดเยบตอไป

4) การหลอน าเยนส าหรบถงรอน ขนตอนนเปนการผลตถงรอนทใชเมดพลาสตกโพลโพรพลนเปนวตถดบ ซงมจดหลอมละลายสงกวาเมดพลาสตกทใชในการผลตถงพลาสตกชนดอน ชนงานพลาสตกทไดจงตองผานการหลอเยนดวยน าอกครงหนง

5) การพมพลายถง หลงจากทเครองเปาท าการเปาถงพลาสตกออกมาเปนมวนแลว หากตองการพมพลายถงหรอยหอ กจะตองท าการพมพถงกอนทจะเขาเครองตดและเยบถง มวนพลาสตกจะถกสงผานแบบแมพมพทแกะเปนลวดลายหรอยหอไว หากลวดลายหรอยหอนนมหลายส กจะตองท าการพมพมวนพลาสตกตามจ านวนสทตองการพมพเปนล าดบไป

6) การตดและเยบถง ขนตอนนท าโดยเครองตดและเยบถง ซงท าการตดและเยบถงเสรจภายในกระบวนการเดยวกน มวนพลาสตกจะถกสงผานเขาเครองเยบดวยความรอนรด จากนนจะผานไปเขาขนตอนการตดเพอใหไดขนาดและความยาวตามทตองการ

7) การตดปากถง ถงพลาสตกชนดหหวทผานการเยบเรยบรอยแลวจะถกน ามาเขาเครองตดปากถงเพอท าหหว

8) การบรรจหบหอ เปนขนตอนสดทายของการผลตเพอรอการขนสงและจ าหนาย


June 21, 2018

G 23

ภาพท 1 : กระบวนการผลตถงพลาสตก วตถประสงคของการวจย

1. เพอศกษารปแบบการพยากรณการใชพลงงานภาพรวมในอตสาหกรรมถงพลาสตก ดวยการสรางสมการจ าลองทางคณตศาสตรดวยวธการหาคาพลงงานจ าเพาะและวธการถดถอยเชงเสนพหคณ 2. เพอเปรยบเทยบความแมนย าดชนชวดคาพลงงานในอตสาหกรรมถงพลาสตกดวยวธการหาคาพลงงานจ าเพาะและวธการถดถอยเชงเสนพหคณ วธด าเนนการวจย

1) การศกษาขอมลทเกยวของกบการใชพลงงานไฟฟาในอตสาหกรรมถงพลาสตก จากขอมลรายงานการจดการพลงงานป 2559 ของโรงงานอตสาหกรรมถงพลาสตก มการใชพลงงานไฟฟาตอปอยท 9,673,136.80 กโลวตต-ชวโมง/ป คดเปนสดสวนรอยละของระบบตางๆ ประกอบไปดวย ระบบแสงสวาง 2.11% ระบบปรบอากาศส านกงาน 1.97% ในกระบวนการผลต 88.05% และอนๆ 7.88% ดงแสดงในตารางท 1


June 21, 2018

G 24

ตารางท 1 : สดสวนการใชพลงงานไฟฟาแยกตามระบบของโรงงานอตสาหกรรมถงพลาสตก

2) การวเคราะหความสมพนธของตวแปรทท าการศกษา จากการวเคราะหสดสวนการใชพลงงานของโรงงานอตสาหกรรมถงพลาสตกดงตารางท 1 พบวา การ

ใชพลงงานสวนใหญของโรงงานจะอยในสวนของกระบวนการผลตโดยคดเปน 88.05% ซงการวเคราะหตวแปรจะพจารณาจากขอมลผลผลตซงมผลตอการใชพลงงานของโรงงานอยางมนยส าคญยง โดยมการบนทกขอมลทละเอยดเปนรายวนตามประเภทของถงพลาสตกซงเปนผลตภณฑทมความหลากหลาย ซงมรายละเอยดของตวแปรผลผลตทท าการศกษาแยกตามประเภทของการใชพลงงานไดดงภาพท 2

ภาพท 2 : แผนภาพกลมของผลผลตทใชในการวเคราะหเพอหาตวแปรทท าการศกษา 3) การวเคราะหดชนการใชพลงงานของอตสาหกรรมถงพลาสตก ส าหรบการวเคราะหดชนการใชพลงงานของอตสาหกรรมถงพลาสตก จะพจารณาจะคาดชนการใช

พลงงานจ าเพาะ (Specific Energy Consumption หรอ SEC) และการพยากรณการใชพลงงานจากสมการจ าลองทางคณตศาสตรดวยวธการถดถอยเชงเสนพหคณ (Multiple Linear Regression)

กโลวตต-ชวโมง/ป รอยละ

แสงสวาง 203,977.44 2.11%

ปรบอากาศส านกงาน 190,316.99 1.97%

การผลต 8,517,196.95 88.05%

อนๆ 761,844.28 7.88%

รวม 9,673,136.80 100.00%

ระบบการใชพลงงานไฟฟา


June 21, 2018

G 25

3.1. ดชนการใชพลงงานจ าเพาะ (Specific Energy Consumption หรอ SEC) เปนอตราสวนระหวางพลงงานทงหมดทใชในกระบวนการผลตตอหนวยการผลตของโรงงาน โดยสามารถประเมนไดจากสมการตอไปน

Specific Energy Consumption (SEC) = kWh Energy Used / Production (2) kWh Energy Used = (SEC x Production) + Base Load (3)

3.2. การพยากรณการใชพลงงานดวยวธการถดถอยเชงเสนพหคณ (Multiple Linear Regression) เปนการสรางสมการจ าลองทางคณตศาสตรดวยวธการถดถอยเชงเสนพหคณ (Multiple Linear Regression) เปนวธการทางสถตอยางหนงทใชในการวเคราะหความสมพนธของขอมลตงแต 2 ตวแปรขนไป โดยแบงเปนออกเปน ตวแปรตนหรอตวแปรอสระ (Independent Variable) และตวแปรตาม (Dependent Variable) โดยรปแบบของสมการถดถอยเชงเสนพหคณโดยทวไปมลกษณะตามสมการดงตอไปน

Y = a + b1x1 + b2x2 + b3x3 + b4x4 + … + bnxn (4)

โดยท Y = ตวแปรตาม (Dependent variable) ก าหนดใหเปนหนวยการใชพลงงานรายวน a = คาคงท (Constant parameter of the model) bn = คาสมประสทธของตวแปรอสระ (Coefficient of independent variable) xn = ตวแปรอสระ (Independent variable) ก าหนดใหเปนตวแปรผลผลตแตละชนด

4) การตรวจวดประสทธผลของการวเคราะห ในการศกษาน จะท าการตรวจวดประสทธผลการวเคราะหดวยคาสมประสทธสหพนธยกก าลงสอง

(R2) ประเมนความใกลเคยงของผลลพธทไดจากการวเคราะหกบขอมลจรง และผลตางสะสม (Cumulative Sum of Difference, CUSUM) และเปอรเซนตของผลตาง (Percentage of Difference, %Diff) ซงมวธการค านวณตามสมการท 5 และสมการท 6 ดงน

CUSUM = ผลรวมของ (kWh ทค านวณจากสมการ – kWh ทใชงานจรง) (5) %Diff = (kWh ทค านวณจากสมการ – kWh ทใชงานจรง) / kWh ทใชงานจรง (6)

ทงน ไดท าการวเคราะหความสมพนธของตวแปรตางๆ จากฟงกชน Data Analysis - Regression ดวยโปรแกรม Microsoft Office Excel 2013 โดยใหผลการวเคราะหดวยสมการถดถอยเชงเสนพหคณ ซงสามารถใชพยากรณการใชพลงงานไฟฟาของโรงงานตอไป ผลการวจยและอภปรายผล ผลการศกษาการวเคราะหความสมพนธของตวแปรผลผลตทมตอปรมาณการใชพลงงานไฟฟา ดวยวธการหาคาพลงงานจ าเพาะและวธการถดถอยเชงเสนพหคณ ขอมลทมอยจะถกแบงออกเปน 2 ชด ไดแก ชดแรกส าหรบการเรยนรหรอสรางแบบจ าลองทางคณตศาสตร ประกอบดวยขอมลฐานตงแตวนท 1 มกราคม 2559 ถงวนท 31 ธนวาคม 2559 (365 วน) และชดทสองส าหรบการทดสอบการพยากรณการใชพลงงานไฟฟา ประกอบดวยขอมลตงแตวนท 1 มกราคม 2560 ถงวนท 30 เมษายน 2560 (120 วน) ผลลพธทไดจะถกน ามาเปรยบเทยบกบขอมลจรง เพอตรวจสอบความนาเชอถอและความถกตอง โดยขนตอนดงกลาวจะถกน าไปใชกบทงสองแบบจ าลองทางคณตศาสตรทไดสรางขน


June 21, 2018

G 26

ผลลพธทไดจากการวเคราะหดวยวธการหาคาพลงงานจ าเพาะ และวธการถดถอยเชงเสนพหคณในการพยากรณการใชพลงงานของโรงงานอตสาหกรรมถงพลาสตก มความสมพนธดงภาพท 3 ซงประกอบไปดวยกราฟขอมลการเปรยบเทยบของขอมลจรงตงแตวนท 1 มกราคม 2559 ถงวนท 30 เมษายน 2560 (1 ป 4 เดอน) ซงแบงออกเปน 2 ชวง คอ ชดแรกเปนขอมลฐานส าหรบการสรางสมการจ าลองทางคณตศาสตรประกอบไปดวยขอมลตงแตวนท 1 มกราคม 2559 ถงวนท 31 ธนวาคม 2559 และชวงการทดสอบการพยากรณการใชพลงงานไฟฟาตงแตวนท 1 มกราคม 2560 ถงวนท 30 เมษายน 2560

ภาพท 3 : กราฟแสดงการพยากรณการใชพลงงานจากสมการพลงงานจ าเพาะเทยบกบคาจรง ผลการเปรยบเทยบขอมลจรงกบผลลพธทไดจากการวเคราะหดวยวธการหาคาพลงงานจ าเพาะ มคาสมประสทธสหพนธยกก าลงสอง (R2) เทากบ 0.5144 โดยในชวงการทดสอบตงแตวนท 1 มกราคม 2560 ถงวนท 30 เมษายน 2560 มเปอรเซนตความแตกตางของขอมลในแตละเดอนอยท -4.07% ถง -0.98% จากคาเฉลยสะสม และมคาผลตางสะสม (CUSUM) อยท -79,733.26 กโลวตต-ชวโมง และเปอรเซนตของผลตางสะสมอยท -2.35% ดงแสดงในตารางท 2


June 21, 2018

G 27

ตารางท 2 : การเปรยบเทยบคาการใชพลงงานจรงเทยบกบคาจากสมการพลงงานจ าเพาะของโรงงานเดอนมกราคม 2559 ถงเดอนเมษายน 2560

ผลการเปรยบเทยบขอมลจรงกบผลลพธทไดจากการวเคราะหดวยวธการถดถอยเชงเสนพหคณ มคา

สมประสทธสหพนธยกก าลงสอง (R2) เทากบ 0.8492 โดยในชวงการทดสอบตงแตวนท 1 มกราคม 2560 ถงวนท 30 เมษายน 2560 มเปอรเซนตความแตกตางของขอมลในแตละเดอนอยท -4.06% ถง -1.02% จากคาเฉลยสะสม และมคาผลตางสะสม (CUSUM) อยท -72,620.66 กโลวตต-ชวโมง และเปอรเซนตของผลตางสะสมอยท -2.12% ดงแสดงในตารางท 3

ป เดอน kWh AMR kWh Forecast Diff %Diff CUSUM

มกราคม 825,193.06 826,067.87 874.81 0.11% 874.81

กมภาพนธ 746,362.77 786,812.84 40,450.07 5.42% 41,324.88

มนาคม 832,885.89 865,303.19 32,417.30 3.89% 73,742.19

เมษายน 674,465.26 654,333.93 -20,131.33 -2.98% 53,610.86

พฤษภาคม 841,872.34 821,254.42 -20,617.92 -2.45% 32,992.94

มถนายน 810,181.30 801,657.33 -8,523.97 -1.05% 24,468.97

กรกฎาคม 876,299.53 860,572.32 -15,727.21 -1.79% 8,741.76

สงหาคม 909,859.59 878,308.93 -31,550.66 -3.47% -22,808.90

กนยายน 850,840.06 821,730.77 -29,109.29 -3.42% -51,918.19

ตลาคม 787,956.36 778,698.69 -9,257.67 -1.17% -61,175.87

พฤศจกายน 799,566.85 830,717.66 31,150.81 3.90% -30,025.05

ธนวาคม 717,653.79 748,269.48 30,615.69 4.27% 590.63

9,673,136.80 9,673,727.43 590.63 0.01% 590.63

มกราคม 931,691.68 893,815.22 -37,876.46 -4.07% -37,285.83

กมภาพนธ 781,565.40 773,880.33 -7,685.07 -0.98% -44,970.89

มนาคม 798,583.58 775,124.15 -23,459.42 -2.94% -68,430.32

เมษายน 882,222.99 871,510.69 -10,712.31 -1.21% -79,142.62

3,394,063.65 3,314,330.39 -79,733.26 -2.35% -79,142.62

2559

2560

ผลรวม

ผลรวม


June 21, 2018

G 28

ตารางท 3 : การเปรยบเทยบคาการใชพลงงานจรงเทยบกบคาจากสมการถดถอยเชงเสนพหคณของโรงงานเดอนมกราคม 2559 ถงเดอนเมษายน 2560

จากตารางท 2 และตารางท 3 แสดงใหเหนวาผลการพยากรณการใชพลงงานไฟฟาดวยวธการถดถอย

เชงเสนพหคณใหผลลพธทมความแมนย ามากกวาวธการหาคาพลงงานจ าเพาะ สรป จากการศกษาการพยากรณการใชพลงงานไฟฟาในอตสาหกรรมถงพลาสตกดวยวธการหาคาพลงงานจ าเพาะและวธการถดถอยเชงเสนพหคณ พบวาการคาดการณโดยใชวธการถดถอยเชงเสนพหคณนนใหผลลพธและสามารถอธบายความสมพนธระหวางขอมลผลผลตตอการใชพลงงานไฟฟาไดอยางแมนย ามากกวาการคาดการณดวยวธการหาคาพลงงานจ าเพาะภายใตเงอนไขและตวแปรอสระเดยวกน

โดยปจจบนการคาดการณหรอการพยากรณการใชพลงงานไฟฟาในโรงงานอตสาหกรรมนนถอวาเปนสงส าคญส าหรบผประกอบการในการประเมนเพอหาตนทนพลงงาน และยงสามารถใชกบการวางแผน

ป เดอน kWh AMR kWh Forecast Diff %Diff CUSUM

มกราคม 825,193.06 817,371.60 7,821.46 0.95% 7,821.46

กมภาพนธ 746,362.77 756,503.72 -10,140.95 -1.36% -2,319.49

มนาคม 832,885.89 847,464.21 -14,578.32 -1.75% -16,897.82

เมษายน 674,465.26 671,461.58 3,003.68 0.45% -13,894.14

พฤษภาคม 841,872.34 825,213.16 16,659.18 1.98% 2,765.04

มถนายน 810,181.30 807,989.16 2,192.14 0.27% 4,957.18

กรกฎาคม 876,299.53 887,144.53 -10,845.00 -1.24% -5,887.81

สงหาคม 909,859.59 910,556.59 -697.00 -0.08% -6,584.81

กนยายน 850,840.06 844,465.17 6,374.89 0.75% -209.92

ตลาคม 787,956.36 783,781.58 4,174.78 0.53% 3,964.86

พฤศจกายน 799,566.85 796,499.62 3,067.23 0.38% 7,032.08

ธนวาคม 717,653.79 724,685.87 -7,032.08 -0.98% 0.00

9,673,136.80 9,673,136.80 0.00 0.00% 0.00

มกราคม 963,090.06 918,756.95 -44,333.11 -4.60% -44,333.11

กมภาพนธ 781,565.40 771,177.23 -10,388.17 -1.33% -54,721.28

มนาคม 798,583.58 790,449.09 -8,134.49 -1.02% -62,855.77

เมษายน 882,222.99 872,458.10 -9,764.89 -1.11% -72,620.66

3,425,462.03 3,352,841.37 -72,620.66 -2.12% -72,620.66

2559

2560

ผลรวม

ผลรวม


June 21, 2018

G 29

ยทธศาสตรการผลตของโรงงานในแตละเดอน อกทงยงใชเปนเครองมอทส าคญในการก าหนดราคาสนคาทเหมาะสม รวมถงการวางแผนการผลตไดในระยะยาวอกดวย เอกสารอางอง กลยมนส มนสปต “การพฒนาระบบการจ าแนกประเภทอตสาหกรรมผลตภณฑพลาสตกตามประสทธภาพ

พลงงาน” วทยานพนธหลกสตรปรญญาวศวกรรมศาสตรมหาบณฑต ภาควชาวศวกรรมอตสาหการ คณะวศวกรรมศาสตร จฬาลงกรณมหาวทยาลย [2006]

จตพรรษ อนวรรตกล “คาดชนการใชพลงงานจ าเพาะในอตสาหกรรมอาหาร” วทยานพนธหลกสตรปรญญาวทยาศาสตรมหาบณฑต สายวชาเทคโนโลยอณหภาพคณะพลงงานและวสด มหาวทยาลยเทคโนโลยพระจอมเกลาธนบร [2000]

ฐกฤต ปานขลบ, “การพยากรณการใชพลงงานไฟฟาในประเทศไทย โดยวธการถดถอยเชงเสนพหคณและโครงขายประสาทเทยม” วารสารวทยาศาสตรประยกต, Vol.12 No.2 :58-67 [2013]

ด ารงศกด การะเกษ “การหาคาดชนการใชพลงงานจ าเพาะในโรงพยาบาล: กรณศกษาโรงพยาบาลเลศสน” วทยานพนธหลกสตรปรญญาวทยาศาสตรมหาบณฑต สาขาวชาเทคโนโลยการจดการพลงงาน คณะพลงงานสงแวดลอมและวสด มหาวทยาลยเทคโนโลยพระจอมเกลาธนบร [2006]

เปนธดา มณโชต, จนทนา จนทโร, ไชยะ แชมชอย “การประยกตใชเครองมอทางสถตเพอการตรวจตดตามผลการอนรกษพลงงาน” วารสารวจยพลงงานปท 8 ฉบบท 2554/2 [2011]

เปนธดา มณโชต, จนทนา จนทโร, ไชยะ แชมชอย “การวเคราะหประสทธภาพการใชพลงงานของโรงงานควบคม : TSIC 33, 36, 37 และ 38” วารสารวจยพลงงานปท 8 ฉบบท 2554/2 [2011]

บญญารตน แสงปยะ, จนทนา จนทโร, ไชยะ แชมชอย “ปจจยทมผลตอประสทธภาพการอนรกษพลงงานไฟฟาในโรงงานควบคม” วารสารวจยพลงงานปท 8 ฉบบท 2554/2 [2011]

พรรณภา เกษมเจรญวงษ, สทศน รตนเกอกงวาน “การศกษาเสนฐานอางองของการใชพลงงานของอตสาหกรรมผลตสายไฟ” วารสารวจยพลงงานปท 11 ฉบบท 1 (ม.ค.57 – ม.ย.57) [2014]

พรพงษ แกววมลรตน “การพฒนาแบบจ าลองดชนการใชพลงงานจ าเพาะดวยเทคนคหนวยเทยบเทาในอตสาหกรรมอเลกทรอนกส” วทยานพนธหลกสตรปรญญาวศวกรรมศาสตรมหาบณฑตภาควชาวศวกรรมอตสาหการ คณะวศวกรรมศาสตร จฬาลงกรณมหาวทยาลย [2009]

พชรมาศ นมด, จนทนา จนทโร, ไชยะ แชมชอย “การศกษาประสทธภาพและตรวจตดตามการใชพลงงานของโรงงานควบคม” วารสารวจยพลงงานปท 8 ฉบบท 2554/2 [2011]

เอกสารเผยแพรโครงการศกษาเกณฑการใชพลงงานในอตสาหกรรม ผลตภณฑพลาสตกกรมพฒนาพลงงานทดแทนและอนรกษพลงงาน กระทรวงพลงงาน

A.A. Mati, B.G. Gajoga, B. Jimoh, A. Adegobye, D.D. Dajab, Electricity Demand Forecasting in Nigeria using Time Series Model, The Pacific Journal of Science and Technology, Volume 10, Number 2, November 2009, 479-485.

A. Chaouachi, R. M. Kamel, R. Ichikawa, H. Hayashi, K. Nagasaka, Neural Network Ensemble-based Solar Power Generation Short-Term Forecasting, World Academy of Science, Engineering and Technology 54 2009, 54-59.

B. Kermanshahi, H. Iwamiya, Up to year 2020 Load forecasting using neural nets, Electrical Power and Energy System, 24, 2002, 789-799.


June 21, 2018

G 30

C.C. Hsu, & C.Y. Chen, Regional load forecasting in Taiwan-applications of artificial neural networks, Energy Conversion and Management, 44, 2003, 1941-1949.

Guoqiang Zhang, B. Eddy Patuwo and Michael Y. Hu, ‘‘Forecasting with artificial neural networks: The state of the art,’’ International Journal of Forecasting, 1998, Volume 14, Issue 1, 35-62.

Hesham K. Alfares, Mohammad Nazeeruddin, Electric load forecasting: literature survey and classification of Methods, International Journal of Systems Science, 2002, volume 33, number 1, 23-34.

J.P.S. Catalao, S.J.P.S. Mariano, V.M.F. Mendes, L.A.F.M. Ferreira, Short-term electricity prices forecasting in a competitive market: A neural network approach, Electric Power Systems Research 77 (2007), 1297–1304.

Soteris A. Kalogirou, Applications of artificial neural-networks for energy systems, AppliedEnergy 67 (2000) 17-35.

Tomonobu Senjyu, Hitoshi Takara, Katsumi Uezato, Toshihisa Funabashi, One-Hour-Ahead Load Forecasting Using Neural Network, IEEE Trans Power Systems, 6(2), Vol. 17, No.1, February 2002, 113-118.

Zaid Mohamed, Pat Bodger, Forecasting electricity consumption in New Zealand using economic and demographic variables, Energy 30 (2005) 1833-1843.


June 21, 2018

G 31

การพฒนาแอปพลเคชนควบคมน าหนกดวยเทคนคโซเชยลเนตเวรค Weight Control Application applying Social Network Motivated Technique

(1 Enter, 18 pt)สรนธร จยาศกด

(1 Enter, 16 pt) คณะเทคโนโลยสารสนเทศและนวตกรรม มหาวทยาลยกรงเทพ

E-mail: [email protected] บทคดยอ

ปจจบนประเทศไทยประสบปญหาดานสขภาพเพมมากขนอยางตอเนองโดยสาเหตหลกมาจากภาวะโรคอวนซงเปนตนเหตท าใหมความเสยงตอการเกดโรครายแรง ผวจยจงมความสนใจทจะน าเอาเทคนคดานโซเชยลเนตเวรคทคนไทยนยมใชเปนอนดบตนๆ ของโลกมาประยกตในการพฒนาแอปพลเคชนเพอใชส าหรบการควบคมน าหนก เพอใหเกดแรงเสรมส าหรบการควบคมดแลน าหนกของตนเอง ซงการวจยครงนพฒนาบนระบบปฏบตการ iOS ซงแบงการท างานดงนคอ การบนทกขอมลผใชพรอมค านวณคาดชนมวลกาย การตงเปาหมายในการลดน าหนก การเรยกดขอมลการตงเปาหมาย การเรยกดของผอนไดโดยใชโซเชยลเนตเวรคดวยการเพมเพอนจากรายชอผใชงานภายในแอปพลเคชน พรอมทงศกษาความพงพอใจของผใชแอปพลเคชนของกลมตวอยางจ านวน 30 คน พบวาการใชเทคนคดานโซเชยลเนตเวรคท าใหสามารถสรางแรงจงไดดวยคาเฉลย 4.64 อยในระดบดมาก เนองจากแอปพลเคชนสามารถเพมเพอน สามารถแชรขอมลการลดน าหนกท าใหเกดการแชรขอมลจงท าใหผใชเกดแรงจงใจในการลดน าหนก โดยมสงผลใหระดบความพงพอใจในภาพรวมตอแอปพลเคชนอยในระดบด ดวยคาเฉลย 4.11 ( X =4.11, SD=0.74)

คาสาคญ: ควบคมน าหนก ไอโอเอส โซเชยลเนตเวรค ABSTRACT

Thailand is experiencing health problems especially in the condition of being overweight. The obesity results in the risk of several serious diseases. We are interested in introducing social networking techniques applied to application development for a bodyweight control. This application is developed on IOS operating system. The features of the application are user data recording with Body Mass Index (BMI), setting a weight loss goal, browsing for social friends’ weight loss goal and BMI via social networks created by the application. The sample for this study was a group of 30 people. It found that the satisfaction of using social networking techniques motivating users to lose their weight was an average of 4.64 on very good level. Due to social friends on the application, sharing of data between users can motivate the weight loss. Consequently, the satisfaction of the overall of application usage was good, 4.11. ( X =4.11, SD=0.74).

Keywords: Weight Control, iOS, Social Network (1 Enter, 16 pt)


June 21, 2018

G 32

บทนา ในสภาวะปจจบนสงคมไทยประสบปญหาดานสขภาพมากขนซงจากการศกษาพบวาสาเหตหนงมา

จากภาวะโรคอวน โดยส านกงานคณะกรรมการสขภาพแหงชาต ส านกงานกองทนสนบสนนการสรางเสรมสขภาพและสถาบนวจยประชากรและสงคมไดมการเปดเผย “รายงานสขภาพคนไทย 2557” เกยวกบภาวะโรคอวนถอเปนสาเหตใหสขภาพรางกายเจบปวยและอาจท าใหเสยงตอการเปนโรคตางๆ มากขน โรคอวนเกดจากการกนทมากเกนความจ าเปนท าใหดชนมวลกายเกนกวาคามาตรฐาน เมอกนมากเกนความจ าเปนกจะตองออกก าลงกายเพอใหรางกายไดเผาผลาญไขมนสวนเกนออกไป แตในความเปนจรงในสงคมไทยปจจบนสวนใหญขาดการออกก าลงกายดงค ากลาววา “พรงนคอยลดน าหนก พรงนคอยเบรนออก” (ผจดการออนไลน, 2558) แตยงคงรบประทานอาหารมากเกนความจ าเปนตนเองท าใหเกดภาวะน าหนกเกนหรอทเรยกวา “โรคอวน” โดยสวนใหญแลวปจจยทพบมากกคอ เมอตงเปาหมายในการลดน าหนกแลวสามารถลดไดนอยเพราะขาดแรงจงใจในการลดน าหนกและคนสวนใหญไมกลาและไมอยากรน าหนก หรอบางคนไมทราบวาจะค านวณคาน าหนกตวเมอเทยบกบมาตรฐาน (Body Mass Index: BMI) ของตนเองอยางไร

โซเซยลเนตเวรคหรอสงคมออนไลน (Social Network) ไดรบความนยมแพรหลายในประเทศไทย จากผลการส ารวจโดยส านกงานพฒนาธรกรรมทางอเลกทรอนกส (องคการมหาชน) กระทรวงเทคโนโลยสารสนเทศและการสอสาร (ETDA) ประเทศไทย แจงผลส ารวจการใชอนเทอรเนตของประเทศไทยเฉลยของป 2560 เทากบ 45 ชวโมงตอสปดาห โดยสวนใหญมวตถประสงคการใชอนเทอรเนตเพอเลนโซเซยลมเดยสงถง 86.9% คดเปนอนดบหนง ซงโชเชยลมเดยทไดรบความนยมสงสด 3 อนดบของประเทศไทยไดแก Facebook Youtube และ Line พบวาปจจบนคนไทยใช Facebook ส าหรบการสรางบญชหรอผกบญชผใช เพอเปนชองทางในการตดตามขาวสารเพอนหรอคนรจก แลกเปลยนและส ารวจความคดเหน โดยสามารถสอสารตอกนจากเพอนไปสเพอน ท าใหเกดเปนสงคมออนไลนกลมหนง ทรวมกลมคนทสนใจในสงทตนเองหรอเพอนสนใจมาแลกเปลยนความคดเหน พดคย อพเดทและบอกเลาเรองราวภายในกลมตนเองไดดวยเหตนเองจงท าใหสงคมออนไลนเปนทนยมในปจจบน

ผวจยจงตองการศกษาและน าเทคนคโซเชยลเนตเวรคในเบองตนส าหรบมาประยกตใชในการพฒนาแอปพลเคชนเพอควบคมน าหนกบนระบบปฏบตการ iOS ทสามารถบนทกขอมลผใชพรอมค านวณคาดชนมวลกาย การตงเปาหมายในการลดน าหนก การการเรยกดขอมลการตงเปาหมาย การลดน าหนกของผอนไดโดยใชโซเชยลเนตเวรคดวยการเพมเพอนจากรายชอผใชงานภายในแอปพลเคชน และเมอไดรบการตอบรบเปนเพอนผใชสามารถตรวจสอบความกาวหนาในการลดน าหนกของเพอนได พรอมทงศกษาความพงพอใจของผใช แอปพลเคชนในดานตางๆ และดานการน าเทคนคโซเชยลเนตเวรคมาประยกตใชแลวนนจะท าใหผใชเกดแรงจงใจในการลดน าหนกอยางไร ทบทวนวรรณกรรม

ผวจยไดศกษารวบรวมขอมลแอปพลเคชนทเกยวของกบการดแลสขภาพบนระบบปฏบตการ iOS จ านวน 4 แอปพลเคชนเพอน ามาศกษาและวเคราะหเพอใชเปนขอมลและแนวทางประกอบกบการพฒนาแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลบนระบบปฏบตการ iOS ดงน

CalkCal แอปพลเคชนทสามารถบนทกปรมาณแคลอรแตละวน ปรมาณการเผาผลาญจากกจกรรมแตละวน มรายการอาหารมากกวา 2000 รายการและผใชสามารถเพมเตมภายหลงได แอปพลเคชนจะค านวณปรมาณแคลอรตอใหเพอใหสามารถตงเปาหมายในการลดน าหนกภายในระยะเวลาทก าหนด

Calories Diary แอปพลเคชนทบนทกปรมาณแคลอรมการตงโปรไฟลของตนเองในโปรไฟลจะบอก


June 21, 2018

G 33

การค านวณการเผาผลาญพลงงาน(BMR) คาดชนมวลกาย(BMI) น าหนกปจจบนของผใช น าหนกทลดไดในแตละวนทใชงาน ความกาวหนาในสวนของการบนทกสามารถบนทกปรมาณแคลอรทบรโภคในแตละวนจากรายการอาหารทมอยในแอปพลเคชนมค านวณปรมาณพลงงานการเผาพลาญจากการออกก าลงกายทท างายๆไมวาอยทไหนกตามกท าได เหมาะส าหรบผทตองการควบคมน าหนก

จด Calories แอปพลเคชนทรวบรวมแคลอรของอาหาร เครองดม ขนม และอนๆ ซงในแอปพลเคชนสามารถจดบนทกขอมลสวนตว ปรมาณการรบแคลอรในแตละวน โดยสามารถคนหารายการอาหารหรอสามารถคนหาขอมลอาหาร สามารถสราง QR code จากอาหารทบนทก และอานขอมลจาก QR code นได

FitandFirm เปนแอปพลเคชนทส าหรบชวยวางแผนการลดน าหนกเบองตน โดยจะสามารถทราบปรมาณแคลอรทจะไดรบในแตละวน ภายในแอปพลเคชนสามารถค านวณคาดชนมวลกายของตนเอง ค านวณปรมาณแคลอรทควรบรโภคตอวนจากรายการอาหารทบนทกไวมากกวา 100 รายการ และเคลดลบการลดน าหนก

จากการศกษาโครงสรางของสอสงคมออนไลน (วรากรทรพย วรยะปกรณ, 2551) กลาววาเครอขายสงคมออนไลนแสดงถงสถานภาพของบคคลทมการตดตอสอสาร แลกเปลยนขอมล มการเกอกลชวยเหลอซงกนและกนท าใหเกดการตอบสนองความตองการของบคคลซงสอดคลองกบการศกษาของ Jeger และ Slotnic ทพบวาโครงสรางเครอขายสงคมออนไลนเปนสอกลางท าใหบคคลมความสมพนธกบบคคลอน มการชวยเหลอ แบงปนขอมลสงผลใหเกดความพงพอใจของสงคมนนได

จากการศกษาแอปพลเคชนทง 4 พบวาสวนใหญเนนการใชงานส าหรบผใชเพยงคนเดยวยงไมมการน าเทคนคโซเซยลเนตเวรคเขามาประยกตใชงาน เพอใหบคคลสามารถสอสารดวยการเพมเพอนและดรายละเอยดขอมลซงกนและกน แชรขอมลระหวางกนเพอใหมแรงเสรมหรอแรงสงใจส าหรบการลดน าหนก ดงนนผวจยจงมความสนใจน าเทคนคของโซเซยลเนตเวรคมาประยกตใชในการพฒนาแอปพลเคชนนส าหรบการควบคมน าหนกเพอผใชจะไดเกดการแขงขนในกลมท าใหเสรมแรงจงใจส าหรบการลดน าหนกได วตถประสงคของการวจย

1. เพอศกษาและพฒนาแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS ส าหรบสรางแรงจงใจส าหรบการลดน าหนก

2. เพอศกษาความพงพอใจของผใชทมตอการใชงานแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS วธดาเนนการวจย

งานวจยนมงเนนเพอศกษาความพงพอใจของผใชทมตอการใชงานแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS ในดานความสวยงามของการออกแบบ ดานขอมล ดานการใชงานระบบและการสรางแรงจงใจของแอปพลเคชน โดยกลมตวอยางส าหรบงานวจยครงนคอกกลมคนทวไปทมความสนใจเกยวกบการควบคมน าหนกหรอสนใจสขภาพทใชอปกรณมอถอไอโฟนในชวตประจ าวนโดยเปนเพศชายและเพศหญงรวมจ านวน 30 คน

ขอบเขตการพฒนาแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS เพอน ามาศกษาถงความพงพอใจของผใชในครงนแบงเปน 2 สวนหลก คอ


June 21, 2018

G 34

1. สวนบนทกขอมลผใช ส าหรบสวนนผใชสามารถบนทกขอมลสวนตว แอปพลเคชนจะค านวณหาคาดชนมวลกาย (BMI) ของผใช และสามารถบนทกเปาหมายการลดน าหนกส าหรบการลดหรอควบคมน าหนกพรอมขอมลบอกระดบความเสยงตอโรคจากคาดชนมวลกาย

2. สวนเทคนคการใชโซเซยลเนตเวรคโดยผใชสามารถเพมเพอนทใชแอปพลเคชนน พรอมดขอมลการลดน าหนกของเพอน และแบงปนซงกนละกนได

การวจยครงนไดพฒนาแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS โดยใชกระบวนการพฒนาแอปพลเคชน 7 ขนตอนดงน

1. เกบรวบรวมขอมล ผวจยไดศกษาและเกบรวบรวมขอมลของการดแลน าหนกและวเคราะหเทคนคโซเชยลเนตเวรด

ส าหรบการพฒนาแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS ผพฒนาใชวธการศกษาจากเวบไซตทเกยวของกบการควบคมน าหนก เวบไซตสขภาพตางๆ พฤตกรรมการใชงานโซเซยลเนตเวรค อาทเชน การควบคมน าหนก การค านวณคาดชนมวลกาย(BMI) เวบไซตเฟซบค นอกจากนยงรวมไปถงการศกษาแอปพลเคชนทเกยวของกบการควบคมน าหนก เพอศกษาขอมลเปรยบเทยบจดเดนและจดดอยในแตละแอปพลเคชน ส าหรบน ามาปรบใชเพอพฒนาแอปพลเคชนใหเปนประโยชนส าหรบผใช รวมถงไดศกษาเครองมอและภาษาส าหรบการพฒนาแอปพลเคชนบนระบบปฏบตการ iOS นดวยภาษา Objective-C รวมกบโปรแกรม Xocde

2. วเคราะหและกาหนดขอบเขตแอปพลเคชน เมอท าการเกบรวบรวมขอมลทจ าเปนและท าการวเคราะหขอมลจากนนจะก าหนดขอบเขตการพฒนา

แอปพลเคชนทงหมดโดยผใชสามารถบนทกขอมลสวนตว พรอมค านวณหาคาดชนมวลกาย กอนทผใชจะก าหนดเปาหมายน าหนกทตองการจะลด และยงสามารถเพมเพอนเพอเรยกดขอมลการลดน าหนกของเพอนได โดยการแสดงเปาหมายการลดน าหนกจะแสดงลกษณะเปนรอยละดวยแทบส

3. การออกแบบแอปพลเคชน กระบวนการออกแบบแอปพลเคชนมฟงกชนการท างาน 4 ฟงกชน ไดแก 1.ฟงกชนการบนทกขอมล

สวนตวผใชหรอสมาชก 2. ฟงกชนการค านวณหาคาดชนมวลกาย 3. ฟงกชนการจดการเพมเพอนและตอบรบการเปนเพอนเพอแชรหรอดขอมลของเพอน 4. ฟงกชนการตงเปาหมายการลดน าหนก ดงแสดงรายละเอยดในภาพท 1

ภาพท 1: หนาหลกและหนาแสดงรายการของแอปพลเคชน


June 21, 2018

G 35

จากหนาหลกนผใชสามารถลงทะเบยนสมาชกเพอเขาสแอปพลเคชนจากนนจะมแถบส าหรบเลอกการท างานไปยงเมนตางๆ ถดไป ไดแก การบนทกขอมลสวนตวพรอมค านวณคาดชนมวลกาย การตงคาเปาหมาย ขอมลระดบความเสยงตอโรค การเพมเพอน ค าขอเปนเพอนเปนตน

ภาพท 2: หนาการบนทกขอมลสวนตว

จากรปหนาการบนทกขอมลสวนตว ผใชสามารถบนทกขอมลชอผใช น าหนก และสวนสง จากนน

แอปพลเคชนจะค านวณคาดชนมวลกายออกเปนเปนตวเลขทศนยม 2 หลก แจงเกณฑของคาดชนมวลกาย พรอมแจงระดบความเสยงทอาจจะท าใหเกดโรค

ภาพท 3: หนาการตงเปาหมายการลดน าหนก

จากรปหนาการตงเปาหมายการลดน าหนกของผใช ผใชสามารถบนทกขอมลการลดน าหนกทส าเรจ

หรอการอพเดทน าหนกทลดไดแอปพลเคชนจะแสดงแถบสถานะเปนรอยละทผใชลดน าหนกไดส าเรจ


June 21, 2018

G 36

ภาพท 4: หนาแสดงระดบความเสยงตอโรคตามชวงดชนมวลกาย

จากรปแสดงขอมลระดบความเสยงตอโรคแบงตามชวงดชนมวลกายทงหมด 5 ระดบ ไดแก ระดบ

ผอม ระดบปกต ระดบทวม ระดบอวนและระดบอวนมาก

ภาพท 5: หนาการเพมเพอนในแอปพลเคชน

จากภาพท 5 แสดงรายการขอมลผใชแอปพลเคชนทงหมด ผใชสามารถเลอกเพมเพอนจากรายการ

ขอมลผใชนได โดยเลอกไปยงเพอนทตองการเพมแอปพลเคชนจะสงค ารองขอความเปนเพอนเปนยงผใชปลายทางเพอยนยนหรอตอบรบการเปนเพอน


June 21, 2018

G 37

ภาพท 6: หนาแสดงสถานะการลดน าหนก

จากภาพท 6 หนาแสดงสถานการณลดน าหนกของเพอนทผใชไดรองขอการเพมเปนเพอนและเพอน

ไดตอบรบแลว แอปพลเคชนจะสามารถเขาไปดสถานการณลดน าหนกของเพอนและเพอนกสามารถดขอมลของกนละกนได

4. การพฒนาแอปพลเคชน การพฒนาแอปพลเคชนส าหรบการวจยในครงนใชใชภาษา Objective-C ส าหรบการพฒนาเพอให

ตรงกบขอบเขตและการออกแบบทไดก าหนดไว 5. การทดสอบแอปพลเคชน เพอใหการพฒนาแอปพลเคชนสมบรณจงมกระบวนการทดสอบภายหลงจากผานขนตอนการพฒนา

แอปพลเคชนโดยผพฒนาไดทดสอบในสวนตางๆ ไมวาจะเปนความถกตองของขอมลการค านวณดชนมวลกาย ระดบความเสยงตอโรค การจดวางขอมล การเพมเพอน และความสอดคลองของการแสดงขอมลรวมถงการใชงานโดยรวมในแตละหนาทแสดงผลบนอปกรณมอถอทใชระบบปฏบตการ iOS หากเกดขอผดพลาดของขอมล การออกแบบหรอการท างานสวนใดผพฒนาไดด าเนนการแกไขเพอใหไดแอปพลเคชนทพรอมและท างานไดสมบรณ

6. การทดลองใชงานแอปพลเคชน งานวจยนใชแบบสอบถามเพอส ารวจประกอบกบการทดสอบประสทธภาพการท างานของแอปพลเค

ชน เพอน าขอมลมาวเคราะหและศกษาความพงพอใจตอการใชงานแอปพลเคชนโดยแบบสอบถามทงดานความสวยงามของการออกแบบ ดานขอมลดานการใชงานละการเทคนคการใชโซเซยลเนตเวรคส าหรบการเพมเพอนสามารถสรางแรงจงใจในการใชแอปพลเคชนโดยศกษาจากกลมประชากรจ านวน 30 คน แบงเปนเพศชาย 15 คน คดเปนรอยละ 50 และเพศหญง 15 คน คดเปนรอยละ 50

7. การวเคราะหขอมลและสรปผลการวจย ภายหลงการเกบรวบรวมขอมลจากแบบสอบถาม ผวจยจงไดรวบรวมขอมลและน าขอมลมาวเคราะห

เพอหาผลสรปของความพงพอใจ ดวยการหาคาเฉลยในแตละดานทตองการศกษา พรอมทงคาเฉลยรวมของแอปพลเคชน ส าหรบเกณฑทใชในการประเมนใชเกณฑประเมน 5 ระดบ (Rating Scale) (บญชม ศรสะอาด, 2553) ดงน


June 21, 2018

G 38

4.50 – 5.00 หมายถง มความพงพอใจระดบดมาก 3.50 – 4.49 หมายถง มความพงพอใจระดบด 2.50 – 3.49 หมายถง มความพงพอใจระดบปานกลาง 1.50 – 2.49 หมายถง มความพงพอใจระดบนอย 1.00 – 1.49 หมายถง มความพงพอใจระดบนอยทสด

\ ผลการวจยและอภปรายผล

จากการส ารวจความพงพอใจของผใชทมแตแอปพลเคชนควบคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS โดยใหผใชตอบแบบสอบถามมความแตกตางทางเพศและอาย จ านวนทงหมดรวม 30 คน ไดน าขอมลมาสรปผลการประเมนความพงพอใจดงแสดงในตารางท 1

ตาราง 1: ผลการประเมนความพงพอใจของผใชทมตอแอปพลเคชน

รายการประเมน ผลการประเมน

X SD แปลผล ดานความสวยงามของการออกแบบ

1. สสนภายในแอพพลเคชน 3.93 0.42 ด 2. ความเหมาะสมและสวยงามของรปภาพ 3.80 0.35 ด 3. การออกแบบหนาจอทสวยงาม 3.73 0.40 ด 4. การใชขนาดตวอกษะทเหมาะสม 4.03 0.61 ด

คาเฉลย 3.87 0.45 ด ดานขอมล

1. ความถกตองของขอมล 4.20 0.71 ด 2. มจ านวนขอมลทครอบคลม 4.10 0.84 ด 3. จดการขอมลการบรหารของตนเองไดงาย 3.90 0.78 ด

คาเฉลย 4.07 0.78 ด ดานการท างานของระบบ 1. ความเรวในการตอบสนองการท างาน 4.00 0.76 ด 2. ความสะดวกส าหรบการเพมเพอน 4.43 0.63 ด 3. แอปพลเคชนสรางแรงจงใจส าหรบการลดน าหนก 4.64 0.55 ดมาก 4. การเพมเพอนท าใหแอปพลเคชนมความนาสนใจ 4.58 0.84 ดมาก

คาเฉลย 4.41 0.70 ด คาเฉลยประสทธภาพโดยรวมของแอปพลเคชน 4.11 0.74 ด

จากผลการประเมนพบวาความพงพอใจของผใชทมตอความสวยงามและการออกแบบพบวาสสน

ความสวยงาม ความเหมาะสมของรปภาพ การออกแบบหนาจอ และขนาดตวอกษรมความนาสนใจพบวาอยในระดบดดวยคาเทากบ 3.87 ดานขอมลของแอปพลเคชนพบวามความถกตองและครบถวนเพยงพอตอความ


June 21, 2018

G 39

ตองการอยในระดบด ดวยคะแนนเฉลยรวมเทากบ 4.07 สวนดานการท างานของระบบและการน าเทคนคโซเซยลเนตเวรคมาใหพอวาอยในระดบด ดวยคะแนนเฉลย 4.41 ซงพบวาแอปพลเคชนนสามารถสรางแรงจงใจการลดน าหนกไดระดบดมากดวยคะแนนเฉลย 4.64 และฟงกชนการเพมเพอนสงผลใหแอปพลเคชนมความนาสนใจ ดงนนจะผลการประเมนแตละดานท าใหสงผลใหประสทธภาพโดยรวมของแอปพลเคชนมคาเฉลยเทากบ 4.11 ซงสงผลใหมระดบความพงพอใจโดยรวมอยในระดบด (1 Enter, 16 pt) สรป

จากผลการศกษาความพงพอใจตอการพฒนาแอปพลเคชนควมคมน าหนกดวยเทคนคโซเซยลเนตเวรคบนระบบปฏบตการ iOS พบวาการน าเทคนคโซเซยลเนตเวรคเบองตนดวยการเพมเพอน การแชรขอมลการลดน าหนก มาประยกตใชท าใหแอปพลเคชนควบคมน าหนกมความนาสนใจสามารถสรางแรงกระตนใหผใชแอปพลเคชนมสนใจควบคมน าหนกทงนเนองจากไดแชรขอมลจงท าใหเกดการแขงขนโดยสงผลใหความพงพอใจของผใชทมตอแอปพลเคชนในทงดานความสวยงามและการออกแบบ ดานขอมล ดานการใชงานระบบและการสรางแรงจงใจดวยเทคนคโซเซยลเนตเวรค และประสทธภาพโดยรวมพบวาอยในระดบดทงหมด ทงนเนองจากแอปพลเคชนเนนการออกแบบและสสนทเหมาะสม การใชงานทสะดวกมขอมลระดบความเสยงตอโรคส าหรบการดแลควบคมน าหนก ความสามารถในการเพมเพอนทสะดวกไมยงยาก สามารถแชรหรอเรยกดขอมลเพอนได ท าใหสามารถสรางแรงจงใจในการใชแอปพลเคชนนส าหรบการควบคมน าหนกน จงสงผลใหระดบความพงพอใจในประสทธภาพโดยรวมของการแอปพลเคชนนมคะแนนเฉลยเทากบ 4.11 ซงอยในระดบด เอกสารอางอง เกศรน แสงจนทรเรอง. (2554). การใชเครอขายสงคมออนไลนเพอสงเสรมและพฒนาการเรยนรทางสงคม

(กรณศกษา: การใช Facebook.com ของนกศกษามหาวทยาลยธรรมศาสตร). วทยานพนธหลกสตรวทยาศาสตรมหาบณฑต สาขาวชาการบรหารเทคโนโลย มหาวทยาลยธรรมศาสตร

คณะกรรมการอาหารแหงชาต. (2555). คมอเครองชวดทางโภชนาการและโรคทเกยวของ. สบคนเมอ 22 กมภาพนธ 2560, จาก http://tnfc.fda.moph.go.th/file/fileDoc/2015-03-08_9603.pdf

นรงคฤทธ ตงปฐมพงศและคณะ. (2558). FitandFirm. สบคนเมอ 14 กมภาพนธ 2560, จาก http://fit-and-firm.appstor.io/

บญชม ศรสะอาด. (2553). การวจยเบองตน. (พมพครงท 8). กรงเทพฯ: ส านกพมพ สวรยาสาสน. ผจดการออนไลน. (2558). 6 โรคอนตรายทมาจากความอวน, สบคนเมอ 25 เมษายน 2560,

จาก http://www.manager.co.th/goodhealth/ViewNews.aspx?NewsID=9580000078624 วรากร ทรพยวรยะปกรณและทรงวฒอ อยเอยม. (2551). แรงจงใจในงานทมตอความผกพนในงานของ

อาสาสมครสาธารณสข. วารสารศกษาศาสตร มหาวทยาลยบรพา ปท 19 ฉบบท 2 หนา 59 - 74 ส านกงานพฒนาธรกรรมทางอเลกทรอนกส (องคการมหาชน). (2560). การใชอนเทอรเนตของประเทศไทย

เฉลยของป 2560. สบคนเมอ 14 กมภาพนธ 2560, จาก https://www.etda.or.th/publishing-detail/thailand-internet-user-profile-2017.html

ส านกงานพฒนาระบบขอมลขาวสารสขภาพ. (2557). รายงานสขภาพคนไทย 2557. สบคนเมอ 25 เมษายน 2560, จาก http://www.hiso.or.th/hiso5/report/ThaiHealth.php

Dimo Company Ltd. (2560). Calories Diary. สบคนเมอ 14 กมภาพนธ 2560,

https://www.etda.or.th/publishing-detail/thailand-internet-user-profile-2017.html

https://www.etda.or.th/publishing-detail/thailand-internet-user-profile-2017.html


June 21, 2018

G 40

จาก https://software.thaiware.com/11839-Calories-Diary-App.html Phoom Punyaratabandhu. (2559). จด Calorie. สบคนเมอ 14 กมภาพนธ 2560,

จาก https://itunes.apple.com/th/app/%E0%B8%88%E0%B8%94-calorie/id872410893?l=th&mt=8

PUN CORPORATION COMPANY Ltd. (2559). Calkcal. สบคนเมอ 25 มนาคม 2560, จาก https://itunes.apple.com/th/app/calkcal/id983189383?mt=8

https://software.thaiware.com/11839-Calories-Diary-App.html

https://itunes.apple.com/th/app/%E0%B8%88%E0%B8%94-calorie/id872410893?l=th&mt=8

https://itunes.apple.com/th/app/%E0%B8%88%E0%B8%94-calorie/id872410893?l=th&mt=8


June 21, 2018

G 41

การเพมประสทธภาพกระบวนการผลตดวยระบบแขนกล :กรณศกษาการผลตขนรปพลาสตกดวยระบบสญญากาศ INCREASING EFFICIENCY OF PRODUCTION PROCESS USING ROBOTICS ARM : A CASE STUDY OF VACUUM FORMING MANUFACTURING PROCESS

สปรชา เหมยเปง1*, บญชย แซสว2, ศภรชชย วรรตน3

Supreecha Maeipeng1, Bunchai Sae - sio2, Suparatchai Vorarat3

1,3สาขาการจดการทางวศวกรรม มหาวทยาลยธรกจบณฑตย Department of Engineering Management, Dhurakij Pundit University

2สาขาวศวกรรมการจดการและโลจสตกส มหาวทยาลยธรกจบณฑตย 2Faculty of Management and Logistics Engineering, Dhurakij Pundit University

*Corresponding author, E-mail: [email protected] บทคดยอ

งานวจยฉบบนมวตถประสงคเ พอ เพมประสทธภาพกระบวนการผลตดวยระบบแขนกล ในกระบวนการขนรปพลาสตกดวยระบบสญญากาศ ซงผวจยไดน าเทคนคการศกษาวธการท างาน เปนเครองมอในการเกบรวบรวมขอมลกระบวนการท างานในการขนรปพลาสตก โดยท าการศกษาดานเวลา สถตทใชในการวเคราะหขอมล คอ คาเฉลย สวนเบยงเบนมาตรฐาน การทดสอบ 1-Sample T test และการวเคราะหประสทธผลโดยรวมของเครองจกรอปกรณ จากผลการศกษาพบวาเวลาในการท างานของพนกงานใชเวลาเพยง 7 วนาทหรอ 17.78 % มเปอรเซนตในการวางงาน 82.22 % ตอการผลต 1 ชน โดยปรมาณในการผลต 1 ลอต เทากบ 500 ชน ซงเวลาวางงานของพนกงานเกดจากการรอเครองจกรท างาน และการวเคราะหประสทธผลโดยรวมของเครองจกรอปกรณ เทากบ 29% จากการวเคราะหพบวาสาเหตทท าใหคาการวเคราะหประสทธผลโดยรวมต าเกดจาก อตราการเดนเครอง และอตราคณภาพ หลงปรบปรงผวจยไดท าการออกแบบแขนกลเพอชวยเพมประสทธภาพในขนตอนดงกลาว สามารถลดพนกงานในการปฏบตงาน 1 คน ลดตนทนในกระบวนการผลตไดเดอนละ 13,000 บาท และสามารถประสทธผลโดยรวมของเครองจกรอปกรณ 68% จากการทดสอบเวลาในการท างานของพนกงาน จ านวน 40 ชดขอมล การวเคราะหสมมตฐานขอมลเปนการแจกแจงแบบปกต เนองจาก P – Value มคา 0.082 มากกวา 0.05 คาเฉลยของเวลาเทากบ 14.09 วนาทตอการปรบตงเครองจกรตอการผลต 1 ลอต คาความเบยงเบนมาตรฐาน 0.565 การทดสอบสมมตฐานโดยวธ 1-Sample T test ในสวนของเวลาปรบตงเครองจกร คา P – Value เทากบ 0.976 ซงหมายความวาเวลาปรบตงเครองจกรไมแตกตางกนอยางมนยส าคญทางสถตทระดบ 0.05

ค าส าคญ: แขนกล ระบบสญญากาศ ประสทธผลโดยรวมของเครองจกรอปกรณ ผลตภาพ ABSTRACT This research aims to improve efficiency of the production process by mechanical system in vacuum plastic molding process. Time study is the part of work study theory was applied to collect time data. Statistics was used in data analysis were mean, standard


June 21, 2018

G 42

deviation, 1-Sample T test and, overall equipment effectiveness analysis. This research found that employees' working time was only 7 seconds, or 17.78 %, with 82.22 % unemployment rate per piece. The production of 1 lot was 500 pieces this meaning the overall equipment effectiveness was 29 % because employees was waiting for the machine to work. The result of this research shows that the causes for low overall effectiveness were machine operating rate and quality rate. In improvement process we designed the robotic arm to enhance the efficiency of the procedure by the way we can reduce 1 employee. The overall equipment effectiveness before and after this research are 29% and missing 97% respectively meaning increasing 68%. The result from 40 data of operating hours it shown the P-Value is 0.082 that meaning this data is a normal distribution, average of setup time is 14.09 seconds per lot and standard deviation is 0.565. 1-Sample T-test shown the P-Value is 0.976 it was fail to reject null hypothesis that meaning setup time is not difference by statistically significant at the .05 level.

Keywords: Robotics Arm Vacuum Forming Overall Equipment Effectiveness บทน า

จากนโยบายการพฒนาเศรษฐกจ “ประเทศไทย 4.0” ในการปรบเปลยนโครงสรางเศรษฐกจ ไปส “Value–Based Economy” หรอ “เศรษฐกจทขบเคลอนดวยนวตกรรม” คอ การเพมขดความสามารถในการแขงขนภาคอตสาหกรรม และการขบเคลอนยทธศาสตรการพฒนาอตสาหกรรมไทย เพอใหเกดการลงทน และการสรางการผลตในประเทศ รวมถงการสรางรายไดจากสนคาทผลตไดในประเทศ ท าใหเกดการจางงาน ตลอดจนสามารถลดการน าเขาสนคาได โดยมงเนนอตสาหกรรมไปยง New S-Curve คอ การก าหนดอตสาหกรรมเปาหมายของประเทศ 5 อตสาหกรรมอนาคต ซงหนงในนนกคอ หนยนต (Robotics) เพอลดตนทน และเพมผลตภาพในกระบวนการผลต จากการขายตวของอตสาหกรรมผลตภณฑพลาสตกมลคาการสงออกรวมของผลตภณฑพลาสตกในชวงเดอนม.ค.- ก.ค. 2560 มจ านวน 2,358.59 ลานเหรยญสหรฐฯ ขยายตวรอยละ 9.81 (พชญสน โพธจตต, 2560) สงผลใหผประกอบการหลายรายมการน านวตกรรม และเทคโนโลยตางๆ มาใชในกระบวนการผลตเพอตอบสนองปรมาณความตองการของลกคาใหทนเวลา

โรงงานกรณศกษาเปนโรงงานผลตภณฑพลาสตก เชน ถาดผลไม ถาดผกสด กลองพบ กลองขนม อปกรณอเลคทรอนคส เครองเขยน เครองมอ เครองใช ฯลฯ โดยใชกระบวนการขนรปพลาสตกดวยระบบสญญากาศ (Vacuum Forming) ซงเปนวธการขนรปพลาสตกอกประเภทหนงทก าลงไดรบความนยมในปจจบน เพราะมขนตอนในการผลตทงาย ไมซบซอน โดยอาศยการยดตวของพลาสตกเมอไดรบความรอนทเหมาะสม และใชหลกของสญญากาศดดใหพลาสตกแนบตดกบแบบแมพมพ (คมกรช และคณะ, 2548) จากการศกษาขอมลพบวาเครองจกรทใชในกระบวนการผลตบางสวนทใชคนท างานรวมกบเครองจกร มประสทธภาพในการใชงานต า จากการวเคราะหกจกรรมดงกลาวโดยใช แผนภมการปฏบตงานทวคณ (Multiple activity chart) พบวาสดสวนการวางของพนกงานทท างานรวมกบเครองจกรสงถง 82.22 % ทางผวจยจงไดท าการทดลองพฒนาระบบแขนกล เพอเพมประสทธภาพในกระบวนการดงกลาว วตถประสงคของการวจย

1. เพอศกษาขนตอนในกระบวนการขนรปพลาสตกดวยระบบสญญากาศ (Vacuum Forming)


June 21, 2018

G 43

2. เพอศกษาความสมพนธการท างานระหวางคน และเครองจกร เพอลดกจกรรมทกอใหเกดความสญเปลาในกระบวนการผลต 3. เพอเพมผลตภาพในกระบวนการผลต โดยใชระบบแขนกล วธด าเนนการวจย และเครองมอทใชในการวจย

การศกษาขอมลเบองตนของโรงงานทเปนกรณศกษา Thermoforming เปนการขนรปโดยการใหความรอนกบแผนฟลม หรอ แผนพลาสตกจนถงอณหภมออนตว แลวใชแรงบงคบใหแนบกบแมพมพ สวนใหญทพบจะเปนการใชแรงดดของสญญากาศ (Vacuum Forming) หรอใชลมอด (Blow Forming) หลงจากนนตองท าใหเยน เพอชนงานคงรปไวตามแบบของแมพมพ (อฐลกษณ เตยวต และคณะ, 2557)

ภาพท 1: การขนรปแบบใชลมอด (Blow Forming)

ภาพท 2: การปฏบตงานของพนกงานในปจจบน


June 21, 2018

G 44

จากการวเคราะหขนตอนการท างานในปจจบนโดยใช แผนภมการปฏบตงานทวคณ เพอเปนการบนทกความสมพนธในเชงเวลาในกระบวนการผลตระหวางพนกงาน และเครองจกร (วจตร ตณฑสทธ และคณะ, 2550) ตารางท 1: แผนภมการปฏบตงานทวคณการท างานของกระบวรการขนรป

แผนภมการปฏบตงานทวคณ เวลา(s.) คน เครองจกร เวลา(s.)

1-2 ดงแผนฟลมพลาสตกเขามายงพนทขนรป วาง 1-2 3 กดปมเฟรมหนบแผนฟลมลง เครองจกรเลอนเฟรมลง 3 4 กดปมเดนเครอง เตาความรอนเคลอนทมายงพนทขนรป

(ขนอยกบความหนาและชนดของแผนฟลมพลาสตก)

4-15

5-41 เตาความรอนเคลอนทกลบสต าแหนงปกต 16-17

ฐานแมพมพเคลอนทขน/ทอปแมพมพ เคลอนทลง ท าการขนรป

18-20

วาลวแวคคมท างานดดฟลมใหแนบแมพมพ

21-41

42-45 ใชมอจบทขอบแผนฟลม และดงชนงาน

ออก วาง 42-45

% การท างาน

17.78% 86.66 % % การท างาน

จากตารางท 1 พบวา เปอรเซนตการท างานของพนกงาน 17.78 % มเปอรเซนตในการวางงานท

82.22 % ตอการผลต 1 ชน โดยปรมาณในการผลต 1 ลอตไซส เทากบ 500 ชน ซงถอวาเปนความสญเปลาในกระบวนการทมคาสง จากนนผวจยไดท าการวเคราะหประสทธผลโดยรวมของเครองจกรอปกรณ (OEE – Overall Equipment Effectiveness) เปนวธการวดประสทธผลโดยรวมของเครองจกรอปกรณในอตสาหกรรมประเภทตางๆ (เกยรตขจร โฆมานะสน, 2550) โดยพจารณาจาก

1. อตราการเดนเครอง (Availability %) คอความพรอมของเครองจกรในการท างานระยะเวลาทเครองจกรหยด

2. ประสทธภาพการเดนเครอง (Performance %) คอสมรรถนะการท างานของเครองจกร 3. อตราคณภาพ (Quality %) คอความสามารถในการผลตของดตรงตามขอก าหนดของเครองจกร

ตารางท 2: การวเคราะหประสทธผลโดยรวมของเครองจกรอปกรณ

Overall Equipment Effectiveness : OEE

เดอน อตราการเดนเครอง ประสทธภาพการเดนเครอง อตราคณภาพ OEE

1 61% 98% 49% 29% 2 74% 97% 86% 62%


June 21, 2018

G 45

จากตารางท 2 การวเคราะหประสทธผลโดยรวมของเครองจกร พบวาในเดอนท 1 คาการวเคราะหประสทธผลโดยรวม เทากบ 29% จากการวเคราะหพบวาสาเหตทท าใหคาการวเคราะหประสทธผลโดยรวมต าเกดจาก อตราการเดนเครอง และอตราคณภาพ เนองจากในเดอนดงกลาวพนกงานทปฏบตงานเปนพนกงานใหม ท าใหขาดทกษะและความช านาญในการท างาน และเดอนท 2 คาการวเคราะหประสทธผลโดยรวมเทากบ 62% สาเหตทสงขนเกดจาก อตราการเดนเครอง และอตราคณภาพมคาสงขน แตกยงต าวามาตรฐานททางโรงงานก าหนด คอ 95%

แนวความคดการออกแบบ ทางผวจยไดด าเนนการออกแบบระบบแขนกลเพอทดแทนการท างานของคน โดยท าชดแขนกลตอ

เขากบเครองขนรปพลาสตก และการเชอตอสญญาณกบระบบควบคมเครองจกร เพอใหการท างานของเครองจกรอยในรปแบบอตโนมต

ภาพท 3: การออกแบบระบบแขนกล


June 21, 2018

G 46

ภาพท 4: การเชอตอระบบแขนกล

ภาพท 5: การตดตงและทดสอบระบบแขนกล


June 21, 2018

G 47

ภาพท 6: การตดตงและทดสอบระบบแขนกล (ตอ) การวเคราะหขอมล จากการทดสอบ และตดตงระบบแขนกล ทางผวจยไดท าการอบรมการใชงาน และการบ ารงรกษา

ใหแกพนกงานพรอมทงท าการเกบผลการทดลองในสวนของ การปฏบตงานทวคณการท างานของกระบวรการขนรปและการวเคราะหประสทธผลโดยรวมของเครองจกรอปกรณ โดยมรายละเอยด ดงน ตารางท 3: การเกบเวลาในการปรบตงเครองจกร

ครงท เวลา (s) ครงท เวลา (s) ครงท เวลา (s) ครงท เวลา (s) 1 13.75 11 14.69 21 14.49 31 14.83 2 13.68 12 14.55 22 14.17 32 14.50 3 14.72 13 14.89 23 14.13 33 14.72 4 13.42 14 13.39 24 13.30 34 14.95 5 14.19 15 14.15 25 13.17 35 13.40 6 14.00 16 13.82 26 14.79 36 14.91 7 14.26 17 13.74 27 13.83 37 14.90 8 13.98 18 13.29 28 13.66 38 14.89 9 13.53 19 13.82 29 13.46 39 14.05 10 13.87 20 14.61 30 14.10 40 13.11


June 21, 2018

G 48

จากตารางท 3 หลงจากท าการตดตงระบบแขนกล ทางผวจยไดท าการอบรมการใชงานรวมถงการปรบตงคาเครองจกร โดยไดท าการเกบผลการทดลองจ านวน 40 ชด เพอท าการทดสอบสมมตฐานการแจกแจงแบบปกต คาเฉลยของเวลาเทากบ 14.09 วนาท คาความเบยงเบนมาตรฐาน 0.565 และคา P – Value เทากบ 0.082 ดงภาพท 7

ภาพท 7: การวเคราะหแจกแจงของชดขอมล

ในการอนมานคากลางของประชากร กรณไมรคาความแปรปรวน (Inference on the mean of a population, Variance unknown) (ฉลอง สแกวสว, 2561) ทางผวจยไดท าการทดสอบสมมตฐานนาวนของเวลาในการปรบตงคาเครองจกร โดยใชการทดสอบสมมตฐาน จ านวน 40 ชดขอมลซงในการทดลองดงกลาวไมทราบคาความแปรปรวน จงใชการทดดสอบโดยวธ 1-Sample T test (C. Montgomery and George C. Runger, 2014) ดงตารางท 4

สมมตฐานในการทดสอบ H0 : เวลาทใชในการปรบตงคาเครองจกรไมแตกตางกน H1 : เวลาทใชในการปรบตงคาเครองจกรนนแตกตางกน

ตารางท 4: แผนภมการปฏบตงานทวคณการท างานของกระบวรการขนรป หลงปรบปรง

Variable N Mean StDev SE Mean 95% CI T P เวลา (s) 40 14.0928 0.5655 0.0894 (13.91,14.27) 0.03 0.976

จากตารางท 4 การทดสอบสมมตฐานโดยวธ 1-Sample T test ในสวนของเวลาปรบตงเครองจกร คา P – Value เทากบ 0.976 ยอมรบในสมมตฐานหลก (H0) เวลาทใชในการปรบตงคาเครองจกรไมแตกตางกน


June 21, 2018

G 49

ตารางท 5: แผนภมการปฏบตงานทวคณการท างานของกระบวรการขนรป หลงปรบปรง

แผนภมการปฏบตงานทวคณ เวลา(s.) คน เครองจกร เวลา(s.)

1-15 พนกงานตงคาเครองจกร และระบบ

แขนกล

วาง 1-2 เครองจกรเลอนเฟรมลง 3

เตาความรอนเคลอนทมายงพนทขนรป (ขนอยกบความหนาและชนดของ

แผนฟลมพลาสตก) 4-15

16-45

เตาความรอนเคลอนทกลบสต าแหนงปกต 16-17

ฐานแมพมพเคลอนทขน/ทอปแมพมพ เคลอนทลง ท าการขนรป

18-20

วาลวแวคคมท างานดดฟลมใหแนบแมพมพ

21-41

วาง 42-45 % การท างาน

33.33 % 86.66 % % การท างาน

จากตารางท 5 การวเคราะหแผนภมการปฏบตงานทวคณการท างานของกระบวรการขนรป หลงปรบปรง โดยการประยกตใชระบบแขนกลพบวาพนกงานมหนาทในการปรบตงเครองจกรเพยง 2 วนาท ตอรอบการท างาน (1,000 ชน) และพนกงานสามารถควบคลมเครองจกร หรอท างานอนๆทไดรบมอบหมายได ซงไมจ าเปนตองมพนกงานประจ าเครองจกรตลอดเวลา ตารางท 6: การวเคราะหประสทธผลโดยรวมของเครองจกรอปกรณ หลงปรบปรง

สรปผลการวจยและอภปรายผล

ผลการสรปขอมลจากการศกษาวจยเรอง การเพมประสทธภาพกระบวนการผลตดวยระบบแขนกล : กรณศกษาการผลตขนรปพลาสตกดวยระบบสญญากาศ จากการการทดสอบสมมตฐานโดยวธ 1-Sample T test คา P – Value เทากบ 0.976 ยอมรบในสมมตฐานหลก (H0) เวลาทใชในการปรบตงคาเครองจกรไมแตกตางกน จากการวจยสามารถแยกสภาพปญหาออกเปน 2 สวนคอ ปญหาเรองของการเพมผลตภาพในกระบวนการผลต สามารถลดจ านวนพนกงานในกระบวนการผลตได 1 คน คาแรงพนกงาน 13,000 บาท และประสทธผลโดยรวมของเครองจกรอปกรณ กอนปรบปรง 29 % หลงปรบปรง 97 % เพมขน 68 % โดยสามารถสรปไดดงตารางท 7

Overall Equipment Effectiveness : OEE

เดอน อตราการเดนเครอง ประสทธภาพการเดนเครอง อตราคณภาพ OEE

1 61% 98% 49% 29% 2 74% 97% 86% 62% 3 95% 98% 98% 97%


June 21, 2018

G 50

ตารางท 7: สรปผลการวจย

ขอเสนอแนะ

1. ในการวจยไดท าการออกแบบระบบแขนกลดวยการเชอมตอการท างานกบเครองขนรปพลาสตก ดวยระบบสญญากาศ โดยการตดตงจ าตองตองพจารณาถงระดบความลาดเอยงของพนทท าการตดตงแขนกลตองอยในระดบเดยวกบเครองจกร

2. การจดวางต าแหนงของเซนเซอรในจดทมการสนสะเทอน ความสกของพนผว ทเกดจากการท างาน ของเครองจกรอาจสงผลใหการท างานของเซนเซอรเกดการท างานทผดพลาด ควรมการจดท ามาตราฐานในการท างาน ใหมการตรวจสอบต าแหนง และการตรวจสอบความพรอมของเซนเซอรทกครงในการปรบตงเครองจกรกอนเรมงาน เอกสารอางอง เกยรตขจร โฆมานะสน. (2550). LEAN:วถแหงการสรางคณคาสองคกรทเปนเลศ. กรงเทพฯ :บรษทอมรนทร

พรนตงแอนดพบลชชง จ ากด (มหาชน). คมกรช สรเวช, จกรพงษ มงคลรตน และเอนก แสน นจา.(2548). อณหภมและเวลาทเหมาะสมสาหรบ การ

ขนรปแผนพลาสตกโดยวธเทอรโมฟอรมแบบสญญากาศ. คณะอตสาหกรรมเกษตร สาขาเทคโนโลยการบรรจ มหาวทยาลยเชยงใหม.

ฉลอง สแกวสว. (2561). สถตอนมานส าหรบหนงประชากร (Statistical Inference for a Single Sample) . สบคน online จาก https://sites.google.com/site/mystatistics01/chapter3/1-sample-t-test เมอ มกราคม 2561

พชญสน โพธจตต. (2560). อตสาหกรรมผลตภณฑพลาสตก. สวนเศรษฐกจรายสาขา ศนยวจยเศรษฐกจ ธรกจ และเศรษฐกจฐานราก.

วจตร ตณฑสทธ, วนชย รจรวนช, จรญ มหทธาฟองกล และชเวช ชาญสงาเวช.(2550). การศกษาวธการท างาน. กรงเทพฯ: โรงพมพแหงจฬาลงกรณมหาวทยาลย.

อฐลกษณ เตยวต, บญชย แซสว และศภชย วรรตน.(2557) การปรบปรงกระบวนการผลตเพอลดของเสยในกระบวนการผลต โดยใชหลกควบคมคณภาพ 7 อยาง :กรณศกษาการผลตขนรปพลาสตกดวยระบบสญญากาศ. การประชมวชาการขายงานวศวกรรมอตสาหการ ประจ า ป พ.ศ. 2557

Douglas C. Montgomery, George C. Runger (2014). Applied Statistics and Probability for Engineers. John Wiley & Sons, Inc.,

ล าดบ รายละเอยด กอนปรบปรง หลงปรบปรง ผลตาง หนวย

1 จ านวนพนกงาน 1 0 -1 คน

2 คาแรงพนกงานในการปฏบตงาน (เครองทท าการทดสอบ)

13,000 0 -13,000 บาท

3 ประสทธผลโดยรวมของเครองจกรอปกรณ 29% 97% 68 % %


June 21, 2018

G 51

การศกษาและพฒนาเครองก าเนดไฟฟาเทอรโมอเลกทรกสของอปกรณประหยดพลงงานส าหรบเตาแกสหงตมในครวเรอน Study and Development Thermoelectric electrical generator of energy saving equipment for household gas store

กฤษณ แกวศร1*, ฐกฤต ปานขลบ2, อภนนท ภเกาลวน2, กฤตเดช ดวงใจบญ2

Kris Kaewsri, Thakrit Panklib2, Apinan Phukhaoluan2, Krittidej Duangjaiboon2

1สาขาวชาการจดการพลงงานและสงแวดลอม คณะเทคโนโลย วทยาลยเทคโนโลยสยาม 1Energy and Environmental Department, Faculty of Technology, Siam Technology College

2คณะเทคโนโลย วทยาลยเทคโนโลยสยาม 2Faculty of Technology, Siam Technology College

*Corresponding author, E-mail: [email protected]

บทคดยอ งานวจยนไดศกษาการผลตไฟฟาดวยเทอรโมอเลกทรกสโดยการใชความรอนสญเสยจากเตาหงตมใน

ครวเรอน ซงการพฒนาอปกรณเพมประสทธภาพเตาหงตมครวเรอนและผลตไฟฟาโดยการใช เทอรโมอเลกทรกส (รน TEC1-12706) จ านวน 12 ตวซงตออนกรมกน โดยดานรอนของเทอรโมอเลกทรกสถกตดตงอยกบฮทซงคดานอณหภมสงของอปกรณเพมประสทธภาพเพอรบความรอนสญเสยจากเตาหงตม สวนดานทมอณหภมต าของเทอรโมอเลกทรกสถกตดตงกบอปกรณระบายความรอนดวยน าเพอระบายความรอนออกจากเทอรโมอเลกทรกส โดยการทดลองจะแบงเปน 3 กรณ กรณแรก (Case A) ท าการทดสอบโดยไมมน าระบายความรอน (0 ลตรตอนาท) กรณทสอง(Case B) ท าการทดสอบโดยมน าระบายความรอน (5 ลตรตอนาท) และกรณทสาม (Case C) ทดสอบโดยมน าระบายความรอน (9 ลตรตอนาท) และแบงเปน 2 ขนตอนดงน ขนตอนท 1 (Unsteady state) ทดสอบเกบคาตางๆ โดยควบคมใหน าในภาชนะมอณหภมตงแต 40 – 100 องศาเซลเซยส ขนตอนท 2 (Steady state) เมอน ามอณหภม 100 องศาเซลเซยส ท าการเกบผลการทดลองตอเนองอก 5 นาท

ผลการทดลองพบวาเมอระบบมน าระบายความรอนไหลผานมากทสด (9 ลตรตอนาท) ท าใหความแตกตางของอณหภมระหวางครบรอนและครบเยนเพมมากขน สงผลใหมการผลตไฟฟาทเพมขนตามไปดวยโดยคาก าลงไฟฟาทผลตไดสงสดคอ 5.198 วตต ทงนเมอควบคมใหมการไหลของน าลดลงท 0 ลตรตอนาท และ 5ลตรตอนาท สามารถผลตก าลงไฟฟาไดสงสดท 0.493 วตตและ 4.623 วตต ตามล าดบ

ค าส าคญ: เทอรโมอเลกทรกส/เตาหงตม/ เครองก าเนดไฟฟาขนาดเลก/ก าลงไฟฟา ABSTRACT This study investigates the electrical energy generated by thermoelectric by using heat loss from the domestic cooking stove. The development of equipment for the


June 21, 2018

G 52

production of household electric stoves and the production of electricity using 12- thermoelectric (TEC1-12706). High temperature side of thermoelectric is installed with the heat sink. Low temperature side of thermoelectric is installed with the water cooling device. The first case (Case A) was tested without cooling water (0 liters per minute). The second case (Case B) was tested with cooling water (5 liters per minute) and the third case (Case C) tested with cooling water (9 liters per minute). All case was divided into 2 steps. The first step (Unsteady state) was controlled the water temperature in the container from 40 to 100 °C. The second step (Steady state), the experiment will continue another 5 minutes when the water temperature is 100 °C.

The results showed that when the system had the highest flow (9 liters per minute), the difference in temperature between hot and cold was increased. As a result, the power generation is increased with the maximum power output of 5.198 watts. By controlling the flow of water at 0 liters per minute and 5 liters per minute, it produces maximum power at 0.493 watts and 4.623 watts respectively.

Keywords: Thermoelectric /Cooking stove /Small electric generator /Power บทน า

ในปจจบนโลกมความตองการใชพลงงานสงขนเรอยๆ เนองจากประชากรโลกทเพมขนและเพอรองรบเทคโนโลยตางๆ ทถกพฒนาขน เชน คอมพวเตอร โทรทศน โทรศพท เครองจกรกล การผลตในอตสาหกรรม รถไฟฟา และอนๆ อกมากมาย ซงอปกรณทกลาวมานนลวนแลวแตตองใชพลงงานในรปแบบตางๆเพอขบเคลอนกจกรรมของอปกรณเหลานน สงผลใหการใชพลงงานในทกๆ รปแบบมแนวโนมสงขน ท าใหพลงงานมราคาแพงและเกดปญหาสภาวะโลกรอน ทกประเทศทวโลกจงพยายามแสวงหาแหลงพลงงานทดแทนใหมๆ และวธการใชพล งงานทมอย ให เกดประสทธภาพส งสด การผลตไฟฟาดวย เทอร โมอ เลกทรกส (Thermoelectric cell) เปนเทคโนโลยหนงของการแปรรปพลงงานเพอใชเปนพลงงานทดแทน

งานวจยนพฒนาอปกรณเพมประสทธภาพเตาแกสหงตมและผลตกระแสไฟฟาใหมประสทธภาพในสวนของการผลตไฟฟา ซงเปนการตอยอดเทคโนโลยดานพลงงานทดแทนทส าคญและเปนอกทางเลอกในการแกปญหาวกฤตดานพลงงานในอนาคต สามารถน าไปใชประโยชนไดจรงกบประชาชน โดยเนนพฒนาในสวนของการผลตไฟฟาเพอน ามาใชกบเครองใชไฟฟาขนาดเลก ดวยวธระบายความรอนดวยน าซงคาดการวาจะเปนการแกไขปญหาการระบายความรอนของเทอรโมอเลกทรกสไดดสงผลใหอปกรณเพมประสทธภาพเตาแกสหงตมและผลตกระแสไฟฟา สามารถประหยดเชอเพลงทางดานความรอนและยงสามารถผลตไฟฟาเพอใชกบเครองใชไฟฟาขนาดเลกได ทบทวนวรรณกรรม

ฐกฤต ปานขลบ, องอาจ วเศษสข, โกศาสตร ทวชศร ไดศกษาและสรางตนแบบนวตกรรมเพอประหยดพลงงานส าหรบเตาแกสหงตมและเครองก าเนดไฟฟาเทอรโมอเลกทรกสหลงจากนนท าการทดสอบอปกรณทสรางขน โดยการทดลองแบงออกเปน 2 กรณศกษา คอ กรณแรกทดสอบการท างานโดยไมไดตดตงอปกรณประหยดพลงงานทสรางขน กรณทสอง ทดสอบการท างานเมอตดตงอปกรณประหยดพลงงาน ซงในแตละกรณไดถกออกแบบใหท างานในสภาพแวดลอมทตางกน เชน ในพนทปดและทอตราเรวลมไหลผาน


June 21, 2018

G 53

ตางกน ผลทดลองท าใหทราบวาอปกรณประหยดพลงงาน สามารถชวยเพมประสทธภาพเชงความรอนใหกบเตาแกสหงตมในครวเรอนไดเปนอยางด โดยพบวาคาประสทธภาพเชงความรอนหลงตดตงอปกรณจากกรณศกษาท 1 ถง 4 เพมขน 4.68%, 7.82%, 12.21% และ 18.58% ตามล าดบ โดยมคาเฉลยการเพมขนของคาประสทธภาพเชงความรอนอยทประมาณ 10.82% แรงดนไฟฟาทผลตไดอปกรณไดจากอปกรณประหยดพลงงาน จะแปรผนตรงกบความแตกตางของอณหภมครบโลหะของเทอรโมอเลกทรกสระหวางดานอณหภมต าและดานอณหภมสง อปกรณจะจายแรงดนไฟฟาออกมาในลกษณะเชงเสน โดยเฉลย 2.5-3.0 โวลต

เจนศกด เอกบรณะวฒน สรางเครองผลตไฟฟาโดยใชเทอรโมอเลกทรกสโมดลเปนตวผลตไฟฟาระบบทสรางขนสามารถเปลยนพลงงานความรอนใหเปนพลงงานไฟฟากระแสตรงเพอประจลงในแบตเตอรรไดโดยตรง และไดท าการทดสอบหาคณลกษณะทางไฟฟาของเทอรโมอเลกทรกสโมดลทใชโดยก าหนดอณหภมดานอณหภมสงของตวเทอรโมอเลกทรกสไวทอณหภม 100,125,150 และ175 องศาเซลเซยส และควบคมอณหภมดานอณหภมต าไวท 50 องศาเซลเซยส ในสวนของการประจแบตเตอรใชวงจรแปรผนไฟตรงแบบเซปก (Sepic) ทควบคมดวยไมโครคอนโทรเลอรเบอร T89C51AC2 โดยโปรแกรมใหวงจรสามารถท างานทจดพลงงานสงสดไดตลอดการประจแมความรอนทจายใหตวเทอรโมอเลกทรกสจะเกดการเปลยนแปลง ระบบทด าเนนการสามารถประจแบตเตอรรขนาด 6 โวลต 12 แอมแปร-ชวโมง ไดก าลงไฟฟาสงสดท 7.99 วตต

กตต นลผง ไดศกษาการผลตไฟฟาดวยเทอรโมอเลกทรกสโดยการใชความรอนเหลอทงจากทอไอเสยรถยนตดวยเทอรโมอเลกทรกสรน TEC1-12709 90 วตต จ านวน 6 ตวน ามาตออนกรมกน โดยดานนอยของเทอรโมอเลกทรกสถกตดตงททอรวมไอเสยของเครองยนตกาซโซลน ยหอ Mitsubishi รน Champ ชดระบายความรอนถกตดตงดานอณหภมต าของเทอรโมอเลกทรกสเพอระบายความรอนออกจากเทอรโมอเลกทรกส ขนาดของครบระบายความรอนทใชในการทดสอบคอ 50 x 62 มลลเมตร และ 105 x 130 มลลเมตร แรงดนไฟฟาทไดจากการผลตของเทอรโมอเลกทรกสไดถกปรบเพมดวยวงจรปรบแรงดนไฟฟากอนอดประจเขาสแบตเตอรโทรศพทมอถอขนาด 3.7 โวลต 950 มลลแอมปฮาวและ 3.5 วตตฮาวการทดสอบไดด าเนนการขณะรถยนตเคลอนทดวยความเรว 20, 40, 60 กโลเมตรตอชวโมง โดยมความเรวรอบเครองยนต1,000 – 2,500 รอบตอนาท ผลการทดลองพบวาเมอความเรวของรถยนตเพมขนมผลท าใหแรงดนไฟฟาทผลตไดเพมขน 64.6%, 89.2% และ 97.8% ส าหรบความเรว 20 กโลเมตรตอชวโมง, 40 กโลเมตรตอชวโมง และ 60 กโลเมตรตอชวโมง ตามล าดบ

Dan Mastbergen ไดวจย คนควา เกยวกบเครองก าเนดไฟฟาแบบ Thermoelectric โดยอาศยแหลงความรอนจากผนงเตาหงตมชวมวล โดยไฟฟาทผลตไดจะถกน าไปใชกบพดลมเพอเตมอากาศเขาสหองเผาไหม และชารจแบตเตอรขนาดเลก แมวาประสทธภาพทไดคอนขางต าแตกถกน าไปประยกตใชในพนทหางไกลและธระกนดารกนอยางแพรหลาย งานวจยชนนจงเปรยบเสมอนการพฒนาตอยอดจากองคความรของเทคโนโลยทงสอง ใหเปนนวตกรรมใหม ซงจะเปนประโยชนตอประชาชนและประเทศ ทงในดานการอนรกษพลงงานและการน าเอาความรอนสญเสยมาใชประโยชนในการผลตกระแสไฟฟา

การถายเทความรอนของเตาแกสหงตมกบภาชนะ การถายเทความรอนของเตาแกสหงตมกบภาชนะจะเกดขนใน 2 สวน คอ 1. การถายเทความรอนจากดานลางของภาชนะ ความรอนจากการเผาไหมเชอเพลงแกสจะถายเทจากทางดานลางของภาชนะโดยวธการพาความรอน

ของไอเสยและการแผรงสความรอนของเปลวไฟ โดยประมาณความรอนทถายเทจากทางดานลางของภาชนะ จะเปลยนแปลงตามขนาดของภาชนะหรอพนทสมผสดานลาง ถาพนทมากการถายเทความรอนจะเกดไดด


June 21, 2018

G 54

และการถายเทความรอนยงขนอยกบคาสมประสทธการถายเทความรอนดานลางของภาชนะ และความแตกตางระหวางอณหภมของเปลวไฟและพนผวดานลางของภาชนะอกดวย

2. การถายเทความรอนจากดานขางของภาชนะ ความรอนทถายเทสดานขางของภาชนะเปนการถายเทความรอนโดยกระบวนการพาความรอนของไอ

เสยและการแผรงสความรอนของไอเสยความรอนทถายเทจากทางดานลางของภาชนะ จะเปลยนแปลงไปตามคาสมประสทธการถายเทความรอนดานขางของภาชนะและความแตกตางระหวางอณหภมของไอเสยเมอไหลสมผสกบพนผวดานขางของภาชนะ ซงเปนไปตาม Newton law of cooling

ทฤษฏเทอรโมอเลกทรกส(Thermoelectric) ปรากฏการณเทอรโมอเลกทรกส เปนการเปลยนความรอนใหเปนกระแสไฟฟาไดโดยตรง และในทางกลบกนกสามารถเปลยนกระแสไฟฟาใหเปนความเยนหรอความรอนไดโดยตรง โดยกระบวนการจะอาศยหลกการสนสะเทอนของโครงสรางภายในวสดเชงฟสกสควอนตม เมอวสด เทอรโมอเลกทรกสไดรบอณหภมทแตกตางกนระหวางปลายทง 2 ขางพบวาจะมการถายเทอณหภมสงไปยงอณหภมต ากวา นนคอมการสนของอนภาคโฟนอน (Phonon) และการเคลอนทของอเลกตรอน (Electron) จะไดพลงงานไฟฟาออกมาในทางตรงขาม เมอวสดเทอรโมอเลกทรกสมความตางศกยไฟฟาจะมการถายเทความตางศกยไฟฟาจากความตางศกยไฟฟาสงไปยงศกยไฟฟาต ากวาจะไดความเยนออกมาเปนไปตามหลกการของเพลเทยร

ปรากฏการณซเบก (Seeback effect) ในป ค.ศ. 1821 นกฟสกสชาวเอสโทเนย Thomas Johann Seebeck ไดคนพบวาถาใหความรอนท

รอยตอของโลหะ 2 ชนด จะท าใหเกดความตางศกยไฟฟาระหวางปลายโลหะทงสอง เนองจากกลมอเลกตรอนในโลหะดานรอนจะมพลงงานจลนสงกวาโลหะดานเยนและเคลอนทเรวกวา จงท าใหเกดความแตกตางปรมาณของอเลกตรอนทปลายโลหะดงกลาว ซเบก ไดสรปวาความแตกตางอณหภมมผลท าใหเกดกระแสไฟฟาในโลหะ เรยกปรากฏการณนวา Seebeck effect

โครงสรางของอปกรณเทอรโมอเลกทรกส อปกรณเทอรโมอเลกทรกสทผลตกนในเชงพาณชย จะมการก าหนดขอมลเฉพาะ ทงขนาดพนท

รปรางและก าลงไฟฟาของเซลล เพอใหผใชสามารถเลอกใชงานไดหลากหลายตามวตถประสงค โดยในการผลตทางอตสาหกรรมเทอรโมอเลกทรกสชนดสารกงตวน าแบบพและเอน (P type - N type) จะถกน ามาจดเรยงบนแผนฉนวนไฟฟาตอสลบอนดบกนทางวงจรไฟฟาและตอขนานกนในเชงวงจรความรอนบนพนทกวาง ทงนเพอใหมทศทางการเคลอนทของพาหะไฟฟาทสอดคลองกบการเกดปรากฏการณ Peltier effect เปนการสรางรอยตอโอหมมกทผนงอปกรณดานอณหภมสงและดานอณหภมต า

การน าอปกรณเทอรโมอเลกทรกสไปใชงาน ปรากฏการณ Seebeck effect และ Peltier effect ไดรบการพฒนาเปนอปกรณเทอรโมอเลกทรกส

ทท างานตามกระบวนการอณพหลศาสตรใน 2 รปแบบ คอ จกรกลความรอน (Heat engine) และจกรกลสบความรอน (Heat pump) โดยมการออกแบบโครงสรางของอปกรณแยกชนดตามหนาทในการท างานดงน

1. อปกรณท าความเยน (Thermoelectric cooler ตวยอ TEC.) อปกรณท าความเยน เรยกวา Thermoelectric cooler (TEC.) หรอ Peltier cooler การท าความ

เยนดวยกระแสไฟฟาทไหลผานบรเวณรอยตอโอหมมกของอปกรณเทอรโมอเลกทรกสคลเลอร อาศยผลการดดกลนความรอนของกลมอเลกตรอนซงเคลอนทจากรอยตอดานเยนผานเทอรโมอเลกทรกส และน าไปปลดปลอยทรอยตอดานอณหภมสง ท าใหเกดความแตกตางอณหภม โดยมผลใหรอยตอดานอณหภมต ามอณหภมลดต าลง ขนกบปรมาณกระแสไฟฟาและการระบายความรอนทรอยตอดานอณหภมสงออก


June 21, 2018

G 55

2. อปกรณผลตไฟฟาจากความรอน (Thermoelectric generator ตวยอ TEG.) อปกรณผลตไฟฟาจากความรอนตามปรากฏการณ Seebeck effect เรยกวา Thermoelectric

generator การก าเนดไฟฟาดวยความรอนจากพฤตกรรมรอยตอโอหมมก (Ohmic junction) ของอปกรณ Thermoelectric generator อาศยความแตกตางอณหภมระหวางรอยตอดานอณหภมสงและดานอณหภมต าของเทอรโมอเลกทรกส มผลใหกลมอเลกตรอนในวสดดานอณหภมสงมพลงงานจลนสงกวาวสดดานอณหภมต าและเคลอนทเรวกวา เกดความตางปรมาณของประจไฟฟาและก าเนดไฟฟาขนทปลายขวตอของอปกรณ พรอมจายกระแสไฟฟาใหโหลด (Load) ไดโดยอปกรณเทอรโมอเลกทรกสจะเหมาะกบแหลงความรอนประเภทต า (Low Grade waste heat) เนองจากขอจ ากดดานการทนอณหภมของเซลล

ระดบอณหภมของแหลงความรอนสญเสย ความรอนสญเสยจากการหงตมจะเปนความรอนเกรดต า (low grade source) มอณหภมในชวง 60

ถง 120 องศาเซลเซยส ซงความรอนจากแหลงความรอนสญเสยดงกลาวสามารถน ากลบมาใชประโยชน แทนทจะสญเสยความรอนสบรรยากาศ อกประการหนงลกษณะของความรอนเปนแหลงพลงงานทใหความรอนตอเน องและม อณหภมท ไม เปล ยนแปลงมาก จ งสามารถน ามาใชก บระบบผลตไฟฟาดวย Thermoelectric generator เพอน าความรอนสญเสยมาเปนพลงงานไฟฟาได วตถประสงคของการวจย

1. ศกษา ออกแบบ และพฒนาเครองก าเนดไฟฟาเทอรโมอเลกทรกสของอปกรณประหยดพลงงานส าหรบเตาแกสหงตมในครวเรอน

2. พฒนารปแบบการอนรกษพลงงานจากสงรอบตวและการใชพลงงานอยางมประสทธภาพ 3. สรางอปกรณประหยดพลงงานและผลตไฟฟาจากเตาหงตมครวเรอนและผลตไฟฟา 4. ตรวจวดการผลตไฟฟาทผลตไดจากอปกรณทสรางขน การออกแบบนวตกรรม อปกรณเพมประสทธภาพเตาแกสหงตมในครวเรอนและผลตกระแสไฟฟา ประกอบไปดวย

สวนประกอบทส าคญ 2 ชด ชดแรกคออปกรณบงลมซงจะท าหนาทกกเกบพลงงานความรอนและปองกนการสญเสยพลงงานความรอนสสภาพแวดลอมและชดทสองคอเครองก าเนดไฟฟา

การตอวงจรไฟฟา อปกรณเพมประสทธภาพเตาแกสหงตมและผลตไฟฟาในครวเรอนทใชในงานวจยน ถกพฒนาในสวนของการผลตไฟฟาใหมประสทธภาพสงขน โดยใช เทอรโมอเลกทรกสเซลลแบงเปน 4 ชด ชดละ 3 เซลล ทงหมด 12 เซลล เรยกวา Thermo electric generator ใชตวยอวา TEG. น ามาตออนกรมกนเพอใหไดแรงดนไฟฟาสงสดโดยชด TEG. จะตอแบบอนกรมอยกบ Resistor 100 โอหม ดงรปท 8

ภาพท 1 รปวงจรไฟฟาของอปกรณเพมประสทธภาพเตาหงตมและผลตไฟฟาในครวเรอน


June 21, 2018

G 56

รปอปกรณทใชในการทดลอง

ในการสรางอปกรณผวจยไดใชเหลกเปนโครงสรางของอปกรณและประกอบอปกรณตางๆดงภาพท 2 อปกรณทใชในการทดลอง และภาพท 3 สวนประกอบของ Thermoelectric Generator

ภาพท 2 อปกรณทใชในการทดลอง ภาพท 3 สวนประกอบของ Thermoelectric generator วธท าการทดลอง แบงเปน 3 กรณดงน

กรณ A ทดสอบโดยไมมน าระบายความรอน (0 ลตรตอนาท) กรณ B ทดสอบโดยมน าระบายความรอน (5 ลตรตอนาท) กรณ C ทดสอบโดยมน าระบายความรอน (10 ลตรตอนาท)

และแบงเปน 2 ขนตอนดงน ขนตอนท 1 ทดสอบเกบคาตางๆ โดยควบคมใหน าในภาชนะมอณหภมตงแต 40 – 100 องศาเซลเซยส (Unsteady state)

ขนตอนท 2 เมอน ามอณหภม 100 องศาเซลเซยส ท าการเกบผลการทดลองตอเนองอก 5 นาท (Steady state) ผลการวจยและอภปรายผล

กรณ A การทดสอบกรณ A ชวง Unsteady state เปนการทดสอบกรณทไมมน ามาชวยระบายความรอน

ครบดานอณหภมต าของ TEG. จะเหนไดวาอณหภมดานอณหภมสงนนสงขนอยางรวดเรว โดยมอณหภมสงสดอยท 95 องศาเซลเซยส ในสวนของครบดานอณหภมต ากมอณหภมสงขนอยางรวดเรวเชนกน ท าใหความแตกตางของอณหภมของทง 2 ดานมคาต าโดยคาแตกตางของอณหภมสงสดอยท 13 องศาเซลเซยส เทานนซงสงผลใหก าลงไฟฟาทผลตไดจากชด TEG. นอยตามไปดวย โดยมก าลงไฟฟาสงสดอยท 0.493 วตต เมอท าการทดสอบท A1 เสรจ ท าการทดสอบตอไปอก 5 นาทโดยเกบผลการทดลองทกๆ 30 วนาท พบวาเมอเวลาผานไป 5 นาท ครบดานรอนของชด TEG. มอณหภมสงถง 113.8 องศาเซลเซยส สวนครบของดานเยนมอณหภมอณหภมอยท 107.5 องศาเซลเซยส และชด TEG. ไมสามารถผลตก าลงไฟฟาออกมาได โดยหยดผลตกระแสไฟฟาตงแตนาทท 3 ของการทดสอบ A ชวง Steady state ท าใหสามารถสรปไดวาชด TEG. ไมสามารถท าการผลตพลงงานไฟฟาไดหากไมมการระบายความรอนใหกบดานอณหภมต า


June 21, 2018

G 57

กรณ B การทดสอบกรณ B เปนการทดสอบทใหน าเปนตวระบายความรอนดานรอนของชด TEG. โดย

ควบคมอตราการไหลท 5 ลตรตอนาท จากการทดสอบพบวาครบดานอณหภมต ามอณหภมต าลงมากกวาการทดสอบกรณ A อณหภมของครบดานอณหภมต าของการทดสอบกรณ B มอณหภมสงขนเรอยตามล าดบ เชนเดยวกนกบครบดานอณหภมสง โดยมความแตกแตกของอณหภมสงสดอยท 34.2 องศาเซลเซยส ซงสงผลใหก าลงไฟฟาสงสดทผลตไดของการทดสอบ B คอ 3.02 วตต (มากกวาการทดสอบ A 2.53 วตต คดเปนรอยละ 84) เมอทดสอบตอเนองในชวง Steady State พบวาคาอณหภมของครบดานอณหภมสงเฉลยอยท 91.26 องศาเซลเซยส ครบดานอณหภมต าเฉลยอยท 41.83 องศาเซลเซยส อณหภมน าระบายความรอนดานกอนชดระบายความรอนคาเฉลยอยท 29 องศาเซลเซยส ดานออกเฉลยอยท 32.14 องศาเซลเซยส และมคาก าลงไฟฟาทผลตจากชด TEG. สงทสดอยท 4.623 วตต ซงมากกวาการทดสอบ A อยท 4.387 วตต คดเปนรอยละ 95

กรณ C การทดสอบกรณ C เปนการทดสอบโดยควบคมใหมน าเพอระบายความรอนครบดานอณหภมต าของชด TEG. อยท 9 ลตรตอนาท ซงเปนคาการไหลของน าสงสดทอปกรณสามารถท าได จากการทดสอบคาตางๆ จะคลายกบการทดสอบใน Case A และB แตเนองจากมการควบคมใหน าเพอระบายความรอนครบดานอณหภมต ามากกวาใน Case A และB ท าใหมการระบายความรอนไดดกวา อณหภมครบดานอณหภมต าลดต ากวาในการทดสอบ B โดยการทดสอบ B มอณหภมครบดานอณหภมต าเฉลยอยท 35.27 องศาเซลเซยส การทดสอบ C มอณหภมครบดานอณหภมต าเฉลยอยท 33.61 องศาเซลเซยส สวนของอณหภมน าทน ามาระบายความรอนดานเขาเฉลยอยท 29 องศาเซลเซยส และดานออกเฉลยอยท 31.81 องศาเซลเซยส ต ากวาอณหภมน าออกของการทดสอบ B ซงโดยเฉลยอยท 32.01องศาเซลเซยส เพยง 0.2 องศาเซลเซยส ทงนการทดชอบชวง Unsteady state ของกรณ C สามารถผลตก าลงไฟฟาสงสดอยท 3.46 วตต การทดสอบกรณ C ชวง Steady state ท าการทดสอบและเกบคาตางๆตอเนองพบวาอณหภมของครบดานรอนเฉลยอยท 90.86 องศาเซลเซยส ครบดานอณหภมต าเฉลยอยท 38.03 องศาเซลเซยส อณหภมน าระบายความรอนดานเขาเฉลยอยท 29 องศาเซลเซยส ดานออกเฉลยอยท 31.84 องศาเซลเซยส และมคาก าลงไฟฟาทผลตจากชด TEG. สงทสดอยท 5.19 วตต ซงมากกวาการทดสอบ B อยท 0.56 วตต คดเปนรอยละ 11.08


June 21, 2018

G 58

ภาพท 4 การทดสอบกรณ A (Unsteady state) ภาพท 5 การทดสอบกรณ A อณหภมคงท 5 นาท (Steady state)

ภาพท 6 การทดสอบกรณ B (Unsteady state) ภาพท 7 การทดสอบกรณ B อณหภมคงท 5 นาท (Steady state)

0.000

0.500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

0

20

40

60

80

100

1.09 2.4 4.07 5.39 7.08 8.56 10.47

ก ำลง

ไฟฟำ

(Wat

t)

อณหภ

ม (°C

)

เวลำ(นำท)

Water Temp. Hot side Coldside Power

0.000

0.050

0.100

0.150

0.200

0.250

0

20

40

60

80

100

120

00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00

ก ำลง

ไฟฟำ

(Wat

t)

อณหภ

ม (°C

)


Hot side Coldside Power

0.000

0.500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

0

20

40

60

80

100

1.09 2.4 4.07 5.39 7.08 8.56 10.47

ก ำลง

ไฟฟำ

(Wat

t)

อณหภ

ม (°C

)


Water Temp. Hot side Coldside WT.Temp in WT. Temp out Power

0.000

1.000

2.000

3.000

4.000

5.000

0

20

40

60

80

100

00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00

ก ำลง

ไฟฟำ

(Wat

t)

อณหภ

ม (°C

) เวลำ(นำท)

Hot side Coldside WT. Temp in

WT. Temp out Power


June 21, 2018

G 59

ภาพท 8 การทดสอบกรณ C (Unsteady state) ภาพท 9 การทดสอบกรณ C อณหภมคงท 5 นาท (Steady state)

ภาพท 10 การเปรยบเทยบการผลตไฟฟาในขนตอนท 1 (Unsteady State) ภาพท 11 การเปรยบเทยบการผลตไฟฟาในขนตอนท 2 (steady State)

0.00

0.50

1.00

1.50

2.00

2.50

3.00

3.50

4.00

0

20

40

60

80

100

1.09 2.4 4.07 5.39 7.08 8.56 10.47

ก ำลง

ไฟฟำ

(Wat

t)

อณหภ

ม (°C

)


Water Temp. Hot side Coldside WT.Temp in WT. Temp out Power

0.000

1.000

2.000

3.000

4.000

5.000

6.000

0

20

40

60

80

100

00:30 01:00 01:30 02:00 02:30 03:00 03:30 04:00 04:30 05:00

ก ำลง

ไฟฟำ

(Wat

t)

อณหภ

ม (°C

)


Hot side Coldside WT. Temp in

0.000

1.000

2.000

3.000

4.000

30 40 50 60 70 80 90 100 110

ก ำลง

ไฟฟำ

(Wat

t)

อณหภมน ำ(°C)

เปรยบเทยบกำรผลตไฟฟำ

Power(W.) Power(W.) Power(W.)

0.000

1.000

2.000

3.000

4.000

5.000

6.000

00:00 00:43 01:26 02:10 02:53 03:36 04:19 05:02 05:46

ก ำลง

ไฟฟำ

(Wat

t)

เวลำ(นำท:วนำท)

เปรยบเทยบกำรผลตไฟฟำ (อณหภมน ำคงท 100°C)

Power(W.) Power(W.) Power(W.)


June 21, 2018

G 60

ตารางท 1 ผลตางอณหภมและพลงงานไฟฟา(เฉลย)

การเปรยบเทยบการผลตไฟฟา การเปรยบเทยบการผลตไฟฟาในชวง (Unsteady state) พบวากรณ C สามารถผลตไฟฟาไดดทสดท

3.455 วตต กรณ B สามารถผลตไฟฟาได 3.021 วตต และ C สามารถผลตไฟฟาได 0.493 วตตทงนแสดงใหเหนวาปรมาณอตราการไหลของน าระบายความรอนมผลโดยตรงกบการผลตไฟฟาของ TEG.

การเปรยบเทยบการผลตไฟฟาในชวง (Steady state) เมอใหมน าระบายความรอนชด TEG. สงสดท 9 ลตรตอนาท (กรณ C) สามารถผลตไฟฟาไดสงสดท 5.198 W กรณ B มน าระบายความรอนชด TEG.ท 5 ลตรตอนาท สามารถผลตไฟฟาสงสดท 4.623 วตต และกรณ A มน าระบายความรอนชด TEG.ท 0 ลตรตอนาท สามารถผลตไฟฟาสงสดท 0.235 วตต จากภาพท 12 เปนการน าขอมลเฉลยของผลตางอณหภมดานอณหภมสงและอณหภมต ามาเปรยบเทยบกบการผลตไฟฟาจากชด TEG. โดยน าขอมลมาจากผลการทดลองท A, B และ C แสดงใหเหนวาผลตางอณหภมมผลโดยตรงกบการผลตกระแสไฟฟาสามารถสรปขอมลไดดงตารางท 1

ภาพท 12 เปรยบเทยบการผลตไฟฟากบผลตางอณหภม(เฉลย) สรปผลการทดลอง

1. อปกรณเพมประสทธภาพเตาหงตมครวเรอนและผลตไฟฟา ประกอบดวย Thermo electrics cell รน TEG1-12706 จ านวน 12 เซลลตออนกรมกน ท าการทดสอบโดยควบคมใหมการระบายความรอนดวยน าทอตราการไหล 0 ลตรตอนาท 5 ลตรตอนาทและ 9 ลตรตอนาท จากการทดสอบอปกรณสามารถผลตไฟฟาไดก าลงไฟฟาสงสด 0.493 วตต, 4.623 วตต, 5.198 วตตตามล าดบ

2. พลงงานไฟฟาทผลตได จะแปรผนตรงกบผลตางของอณหภมครบโลหะของเทอรโมอเลกทรกสดานอณหภมต าและดานอณหภมรอน โดยจะจายพลงงานไฟฟาออกมาในลกษณะเชงเสนสงสดท 5.198 วตต

3.อปกรณเพมประสทธภาพ จะชวยในการถายเทความรอนจากแหลงพลงงานความรอนหรอจากเตาหงตม สดานลางและจากดานขางของภาชนะ และทส าคญยงเปนการปองกนการสญเสยพลงงานความรอน การลดลงของคาสมประสทธการถายเทความรอน เนองจากผลของการเปลยนแปลงสภาพแวดลอมไดอกดวย

4.แรงดนไฟฟาทผลตออกมา สามารถใชเปนแหลงพลงงานไฟฟาส าหรบอปกรณไฟฟาขนาดเลก เชนโทรศพทเคลอนท วทย เครองมอสอสาร หรอชารจแบตเตอรขนาดเลกส าหรบโคมไฟฉกเฉนหรอไฟฉาย โดยเฉพาะในพนทหางไกลทระกนดาร หรอชมชนทยงไมมไฟฟาใชไดเปนอยางด

0.00

1.00

2.00

3.00

4.00

5.00

6.00

0.00

10.00

20.00

30.00

40.00

50.00

60.00

ผลตำงอณหภม(°C) ก ำลงไฟฟำ

Power(watt) อณหภม°C

CaseA CaseB CaseC

การทดสอบ ผลตางอณหภม(องศาเซลเซยส)

ก าลงไฟฟา

Watt

กรณA 10.50 0.11 กรณB 49.43 4.30 กรณC 52.83 4.86


June 21, 2018

G 61

ขอเสนอแนะ 1. ผลงานการศกษาและวจยชนน สามารถน าไปประยกตใชกบครวเรอน รานอาหาร และ

อตสาหกรรมขนาดเลกไดทนท 2. ควรมการท าระบบน าวนส าหรบน าทใชระบายความรอนชด TEG. เนองจากการทดลองในครงนน า

ทมาใชระบายความรอนยงไมมระบบน าวนท าใหสนเปลองน าทมาใชระบายความรอน เอกสารอางอง กตต นลผง. (2555). การอดประจไฟฟาแบตเตอรรดวยเทอรโมอเลกทรกสทใชความรอนทงจากไอเสย , การ

ประชมวชาการเครอขายวศวกรรมเครองกลแหงประเทศไทย ครงท 26, สาขาวศวกรรมเครองกล คณะวศวกรรมศาสตร มหาวทยาลยเอเชยอาคเนย.

เจนศกด เอกบรณะวฒน. (2548). การจดการพลงงานของระบบผลตไฟฟาโดยใชเทอรโมอเลกตรก , สาขาวชา เทคโนโลยพลงงาน คณะ พลงงานและวสด มหาวทยาลยเทคโนโลยพระจอมเกลาธนบร.

ฐกฤต ปานขลบ, องอาจ วเศษสข และโกศาสตร ทวชศร. (2557). อปกรณเพมประสทธภาพเตาหงตม ครวเรอนและผลตกระแสไฟฟา (Energy Saving Equipment for House Cooking Stove with Electric Generator), สาขาวศวกรรมพลงงาน คณะเทคโนโลย วทยาลยเทคโนโลยสยาม. ทศวรรษ สตะวน, เทคโนโลยเทอรโมอเลกทรกส ส ำนกพมพแหงจฬำลงกรณมหำวทยำลย. นนทพร วนเรยน. (2559). ระบบผลตพลงงานไฟฟา และพลงงานความรอน ดวยพลงงานแสงอาทตยโดยใช

เทอรโมอเลกตรกรวมกบเลนสเฟรสเนล, ประชมสมมนาวชาการรปแบบพลงงานทดแทนสชมชนแหงประเทศไทยครงท 9, 3ภาควชาฟสกส คณะวทยาศาสตร มหาวทยาลยนเรศวร.

แสงดาว สงขแกว, ปนอนงค แกวมณ และสมภพ จรเจษฎา. (2546). การศกษาพฤตกรรมและการประยกตใชงานเทอรโมอเลกทรกเจนเนอเรเตอร, ปรญญานพนธ ภาควชาวศวกรรมไฟฟา คณะวศวกรรมศาสตร มหาวทยาลยเทคโนโลยพระจอมเกลาธนบร.

Dan Mastbergen, Sachin Johsi, Bryan Wilson. "Development of a Thermoelectric Cook stove for Generating Electric Power." Presented at the ETHOS International Stove Research Conference. January 28-29. Kirkland, Washington.

Ferrotec. Thermoeletric Technical Reference – Basic Principles of ThermoeletricMaterials. [online]. Available from: https://thermal.ferrotec.com/technology/thermoelectric-reference-guide/thermalref02/


June 21, 2018

G 62

ระบบการยนยนตวตนดวยเสยงส าหรบภาษาไทยแบบขนอยกบประโยค TEXT-DEPENDENT SPEAKER VERIFICATION SYSTEM FOR THAI LANGUAGE

นารถนรนทร สมะนงกล1, วรวฒ ทฬหกรรม2, วาทยา ชณหวจตรา3

Nartnarin Sumanungkul1, Weerawut Thanhikam2, Vataya Chunwijitra3

1,2คณะวศวกรรมศาสตรและเทคโนโลย สถาบนการจดการปญญาภวฒน 1,2Faculty of Engineering and Technology, Panyapiwat Institute of Management

3ส านกงานพฒนาวทยาศาสตรและเทคโนโลยแหงชาต สงกดศนยเทคโนโลยอเลกทรอนกสและคอมพวเตอรแหงชาต

3National Science and Technology Development Agency, National Electronics and Computer Technology Center

*Corresponding author, E-mail: [email protected] บทคดยอ

งานวจยเรองระบบการยนยนตวตนดวยเสยงส าหรบภาษาไทยแบบขนอยกบประโยค มวตถประสงคเพอศกษา วจย พฒนาระบบยนยนตวตนดวยเสยงพดภาษาไทยแบบขนกบประโยค (Text-Dependent) โดยพดค าวา “ยนยนตวตนดวยเสยง” และสรางแบบจ าลองโปรแกรม

การพฒนาระบบยนยนตวตนดวยเสยงพดในงานวจยน ไดน าวธการโครงขายประสาทเทยมแบบลก (Deep Neural Networks) มาใชในการสรางแบบจ าลองเสยงพด อกทงน าเทคนค MFCC (Mel-frequency cepstral coefficients) และ I-vector มาใชในการสวนสกดคาลกษณะส าคญ (Feature extraction) และ อาศยเทคนค PLDA (Probabilistic Linear Discriminant Analysis) มาใชส าหรบการคดเลอกคาลกษณะส าคญดวย

ผวจยเลอกการสกดคาลกษณะส าคญเสยง I-Vector แบบเทคนค DNN ทคามต 100 และจดท าตวอยางโปรแกรมทจะใชในการทดสอบจรงพบวาอตราการปฎเสธผใชงานทเปนเจาของเสยง FRR (False Reject Rate) อยท 22 คนคดเปนรอยละ 22 ถอวาอยในเกณฑทดแมจะถกปฎเสธบางแตถอเปนอตราความผดพลาดเชงบวกทยอมรบได และอตราการยอมรบผใชงานทไมไดเปนเจาของเสยง FAR (False Accept Rate) อยท 37 คนคดเปนรอยละ 37 ถอวาอยในเกณฑทไมดเนองจากผทไมไดท าการลงทะเบยนไมควรไดรบการยอมรบใหเขาใชงานซงอาจกอใหเกดความเสยหาย หรอการแอบอางตวตนของเจาของขอมลนนไดซงเป นความผดพลาดเชงลบ และอตราความผดพลาดทเทากน EER (Equal Error Rate) อยทรอยละ 29.5 ถอวาอยในเกณฑทพอใช

ค าส าคญ: เสยง ผพด ยนยนตวตน ภาษาไทย ระบบ

ABSTRACT Text-dependent Speaker verification system for Thai language have been prepared for the purpose for research, develop speaker modeling for Thai language with text-dependent which word is “Yunyan taw tn dwy seiyng” and develop speaker verification program.


June 21, 2018

G 63

In this research for develop Speaker verification system, we use DNN (Deep Neural Networks) for train speaker modeling, MFCC (Mel-frequency cepstral coefficients) and I-vector for feature extraction and PLDA (Probabilistic Linear Discriminant Analysis) for select important extraction. We use DNN I-Vector 100 dimension and develop speaker verification program that will be used in real testing, in summary of the score that reject user who enrollment (False reject rate) is 22%, It is considered a good criterion even though it is reject sometimes, but it is an acceptable. And the score that accept user who does not enrollment (False accept rate) is 37%, It is considered a bad criterion because user who does not enrollment should not be allowed access. Those may cause damage or impersonation to data. And Equal Error Rate is 29.5% which is considered a rather fair criterion for use.

Keywords: Voice, Speaker, Verification, Thai language, System บทน า

ในปจจบนเทคโนโลยตางๆ ไดเขามามบทบาทตอชวตประจ าวนไมวาจะดานการศกษา ดานธรกจ หรอแมแตกระทงดานการเงน ทงนทกอยางยอมมขอบเขตความเปนสวนตว หรอสงทส าคญทสดคอความปลอดภยในขอมลของผใชงานจงเกดระบบยนยนตวตนดวยรปแบบตางๆ ขนมา ฉะนนในแตละตวบคคลจะมเสยงทเปนเอกลกษณแตกตางกนออกไปดงเชนลายนวมอ หรอดเอนเอ เปนตน ผศกษาจงน าสวนนมาใชในการศกษาเปนพนฐานในการตอยอด เพอพฒนาแอปพลเคชน หรอโปรแกรมใหมความปลอดภยมากยงขน ทงนขอดของการยนยนตวบคคลดวยเสยงมขอดคอสามารถยนยนตวตนจากทางไกลได ผใชงานไมจ าเปนตองเดนทาง หรอไปยนยนตวตนถงท ท าใหมความสะดวกสบาย ประหยดเวลา เชนธนาคารทตองการยนยนตวบคคลทท าธรกรรมทางการเงนผานสายโทรศพทวาเปนบคคลนนจรงๆ หรอไม เปนตน

เทคโนโลยนไดเรมมการใชงานอยางจรงจง และกวางขวางมากขน ลาสดทางซตแบงคไดน าเทคโนโลยรจ าผพด (Speaker recognition) มาใชในการตรวจสอบตวตนของบคคลทท าธรกรรมการเงนผานทางโทรศพท ซงท าใหบคคลทใชบรการมความสะดวกรวดเรวมากขนไมจ าเปนตองตอบค าถามรกษาความปลอดภยใหมากมาย และทางธนาคารกจะมนใจไดวาบคคลทท าธรกรรมนนเปนตวจรง จะเหนไดวาเทคโนโลยดงกลาวมประโยชนอยางมากในการชวยรกษาความปลอดภย และขอมลของผใชงาน อกทงยงยนยนตวตนจากระยะไกลไดดวยมความสะดวก และประหยดเวลา

ผจดท าเลงเหนวาผคนสวนมากนนมสมารทโฟน และคอมพวเตอรกน ซงทงคไมไดใชเพยงแคในดานการสอสาร และความบนเทงเทานน มนยงสามารถใชในการรบสง คนหาขอมล และการเกบรวบรวมขอมลส าคญตางๆ ของผใชงาน รวมถงแอปพลเคชน และโปรแกรมตางๆ มากมายทมขอมลสวนตวของผใชงานรวมอยดวย ฉะนนจากประเดนขางตนผจดท าคอนขางมนใจไดวาโครงการวจยระบบการยนยนตวตนดวยเสยง จะเปนประโยชนตอการพฒนาระบบในดานการรกษาความปลอดภย และขอมลสวนบคคล และน าไปสการเปนตนแบบในการน าไปพฒนาตอยอดในอนาคต ทบทวนวรรณกรรม

จากการคนควาพบวาทางซตแบงคไดน าเทคโนโลยรจ าผพด (Speaker recognition) มาใชในการตรวจสอบตวตนของบคคลทท าธรกรรมการเงนผานทางโทรศพท ซงท าใหบคคลทใชบรการมความสะดวก


June 21, 2018

G 64

รวดเรวมากขนไมจ าเปนตองตอบค าถามรกษาความปลอดภยใหมากมาย และทางธนาคารกจะมนใจไดวาบคคลทท าธรกรรมนนเปนตวจรง จะเหนไดวาเทคโนโลยดงกลาวมประโยชนอยางมากในการชวยรกษาความปลอดภย และขอมลของผใชงาน อกทงยงยนยนตวตนจากระยะไกลไดดวยมความสะดวก และประหยดเวลาท าใหคอนขางมนใจไดวาโครงการวจยระบบการยนยนตวตนดวยเสยง จะเปนประโยชนตอการพฒนาระบบในดานการรกษาความปลอดภย และขอมลสวนบคคล และน าไปสการเปนตนแบบในการน าไปพฒนาตอยอดในอนาคต ผศกษาไดท าการศกษา และทบทวนบทความตงแตอดตจนถงปจจบน (Douglas A. Reynolds, 2002) ไดท าการวจยภาพรวมของการรจ าเสยงโดยมสวนประกอบหลกๆ 3 สวนในการท าคอ 1. Front-end Processing/Feature Extraction เปนสวนของการกรองเสยงเพอดงเอกลกษณทส าคญของแตละบคคลออกมา 2. Speaker Modeling เปนแบบจ าลองเพอใหระบบจดจ าผพด มหลากหลายรปแบบการท าซงขนอยกบค าพด หรอสงทตองการจากผพด 3. Imposter Modeling เปนแบบจ าลองเพอใชตดเสยงรบกวน หรอเสยงพนหลงทไมตองการ ซงในสมยนนเทคนคยงมไมมากมายท าใหผลลพธมความผดพลาดอยมาก ทงนยงมปจจยอกหลายอยางทท าใหผลลพธออกมาอยางถกตอง เชนเสยงรบกวนทมากเกนไป การขนอยกบค าพด (Text-dependent) และการไมขนอยกบค าพด (Text-independent) ทงนการพดทขนอยกบค าพดจะใหผลลพธทถกตองมากกวา การพดแบบไมขนอยกบค าพด ตอมา ( Kirandeep Kaur และ Neelu Jain ,2015) ไดท าการทดสอบกระบวนการกรองเสยง และท าแบบจ าลองโมเดล ดวยเทคนคตางๆ แลวน ามาเปรยบเทยบหาขอด ขอเสยในแตละเทคนค ซงแบงแยกออกเปน 2 สวน คอสวนแรกจะเปนสวนของการกรองเสยง มเทคนคคอ linear predictive cepstral coefficients (LPCC), perceptual linear predictive coefficients (PLPC), cepstrum analysis, linear frequency cepstral coefficients (LFCC) และ mel frequency cepstral coefficients (MFCC) และสวนท 2 เปนสวนของการจดท าแบบจ าลองโมเดล มเทคนคคอ Gaussian Mixture Model (GMM), Hidden Markov Model (HMM), Support Vector Machines (SVM), Dynamic Time Warping (DTW), Neural Networks (NN) และ Vector Quantization (VQ) จากผลการทดลองพบวาในสวนของการกรองเสยงเทคนค MFCC ดทสดเพราะมความคลายกบการไดยนของมนษยมากทสด และยงสามารถผสมผสานกบวธอนๆ เพอเพมประสทธภาพในการระบเอกลกษณของเสยงไดดยงขน สวนในดานของแบบจ าลองโมเดลมขอดและขอเสยตางกนออกไปคอเทคนคแบบ VQ จะใชไดดกบระบบท real time และใชหนวยความจ านอย และเทคนคแบบ GMM เหมาะกบงานทมผใชเปนจ านวนมากเนองจากใชขอมลเสยงของแตละบคคลในการจดท าโมเดลเสยงนอย นอกจากนยงมเทคนคอกมากมายโดยผศกษาสนใจทจะจดท าระบบโมเดลเสยงแบบ deep learning โดยทดลอง feature extraction ดวยวธตางๆตามความเหมาะสม และมรปแบบค าพดทแนนอนเพอใหงายตอการท าแบบจ าลอง โดยไดศกงานวจยตอไปนพบวา (Ehsan Variani, Xin Lei, Erik McDermott, Ignacio Lopez Morenocและ Javier Gonzalez-Dominguez ,2014) ไดท าการเทรนระบบดวย Deep Neural Networks (DNN) ดวยรปแบบค าพดทแนนอน โดยใชเทคนค i-vectors ,d-vectors และผสมกนระหวาง i-vectorsกบ d-vectors และแสดงผลลพธดวยวธการ cosine distance scoring โดยผลลพธทไดคอ d-vectors มประสทธภาพทมากกวา i-vectors และแบบผสมมประประสทธภาพมากกวา standalone i-vector โดยระบบแบบผสมมคาความผดพลาด (EER) อยท 14% ในสภาพแวดลอมทเงยบ และ 24% ใน


June 21, 2018

G 65

สภาพแวดลอมทมเสยงรบกวน ซงใหผลทดกวา i-vector แบบดงเดมในทงสองสภาพแวดลอม นอกจากนน d-vectors ยงมประสทธภาพมากขนในสภาพแวดลอมทมเสยงรบกวน

ทงนเทคนคทนยม และมการใชมากกนในปจจบนทผศกษาจะน ามาเปนแนวทางในการจดท าระบบ และโมเดลเสยงโดยอางองจากงานวจยเรอง TIME DELAY DEEP NEURAL NETWORK-BASED UNIVERSAL BACKGROUND MODELS FOR SPEAKER RECOGNITION (David Snyder, Daniel Garcia-Romero และ Daniel Povey, 2015) ไดท าการทดลองเรองการรจ าเสยงผพดโดยใชเทคนคการหนวงเวลาระบบประสาทเทยมแบบลก (TDNN) ในการจดท าการโมเดลฐานเสยงสากล (UBM) แทนแบบเดมทใชเทคนคเกาเซยนมกเจอรโมเดล (GMM) โดยแนวทางในการจดท าเรมตนจากการสกดคาขอมลเสยงดวยเทคนค MFCC โดยปรบคาท 40 และการตรวจจบชวงทมเสยงพดดวยเทคนค VAD แลวจดท าโมเดลเสยงพดดวยเทคนคระบบประสาทเทยมแบบลก จากนนจดท าฐานเสยงสากลดวยการหนวงเวลาระบบประสาทเทยมแบบลกโดยทคาองคประกอบท 5297 แลวใชเทคนค I-vector ท Dimension 600 แลวประเมนผลดวยเทคนค PLDA โดยทดสอบแบบไมขนอยกบเพศของผพดพบวามคาความผดพลาดรวมของการทดสอบแบบเทคนคการหนวงเวลาระบบประสาทเทยมแบบลก อยท 1.20% ซงมคาความผดพลาดนอยกวาแบบเกาเซยนมกเจอรโมเดลทคาองคประกอบท 5297 ถง 50.41% วตถประสงคของการวจย

1. เพอศกษาวจย ขนตอน และวธการระบเอกลกษณเสยงพดของแตละบคคล 2. เพอระบตวตนดวยเสยงพดภาษาไทย แบบขนอยกบประโยค

3. เพอพฒนาตนแบบระบบยนยนตวตนดวยเสยง วธด าเนนการวจย

ในการพฒนางานวจยผจดท าไดน าแนวคด SDLC หรอ วฏจกรการพฒนาระบบงาน โดยใชรปแบบของ Waterfall model เปนแนวทางในการท างานววจย ประกอบดวย การวเคราะหความตองการของผใชงาน (Requirement), การวเคราะหและการออกแบบระบบ (Analysis and design), การพฒนาระบบ (Coding or Development), การทดสอบระบบ (Testing), การน าไปใชงานจรง (Product or Implement) และ การดแลผใชงานและการประเมนผล (Maintenance and Evaluation)

1. การวเคราะหความตองการของผใชงาน (Requirement) ผจดท างานววจยไดประเมนความตองการของผใชงาน ซงไดเลงเหนถงความส าคญของการรกษาความ

ปลอดภยของขอมล ถงแมวาปจจบนจะมการรกษาความปลอดภยทหลากหลายรปแบบมากมายตงแตการใชรหสผานเปนตวอกษร จนถงแบบ biometric เชนการสแกนมานตา หรอตรวจสอบลายนวมอเปนตน แตท าไดเพยงแคระยะใกลๆ เทานน ตางกบการยนยนตวตนดวยเสยงทสามารถท าในระยะไกลๆได เชนการตดตอท าธรกรรมการเงนกบธนาคาร เปนตน ซงกอใหเกดความสะดวกสบาย รวดเรว และเปนระบบรกษาความปลอดภยแบบ biometric ทเปนเอลกษณโดดเดนอยางหนง

1.1 ปญหาของผใชงาน 1. การใชระบบรกษาความปลอดภยแบบใชตวอกษรยงมความปลอดภยไมมากพอ 2. ผใชงานทตองการยนยนตวตนจากทไกลๆ มความไมสะดวก ตองเสยเวลา และคาใชจาย 3. ผทพการทางสายตา หรอทางรางกายบางสวน อาจยากตอการระบตวตนดวยรปแบบ

biometric ทมอยอยางแพรหลายในปจจบน


June 21, 2018

G 66

1.2 ความตองการของผใชงาน 1. ผใชงานตองการระบบความรกษาความปลอดภยในรปแบบใหมๆ และมความเปน

เอกลกษณทไมสามารถลอกเลยนแบบกนได 2. ผใชงานทตองการยนยนตวตนจากทไกลๆ ตองการความสะดวกสบาย ประหยดเวลาและ

คาใชจาย 3. ถงแมวาผพการจะพการทางสายตา รางกาย หรอหหนวกแตมสงเดยวทยงสามารถใชงานได

นนคอเสยงทสามารถเปลงออกมาไดแมจะไมเปนค าพดกตาม 2. การวเคราะหและการออกแบบระบบ (Analysis and Design) ผจดท างานววจยไดรวบรวมขอมลผลงานวจย และขอมลทเกยวของกบระบบทจะพฒนาซงประกอบ

ไปดวยสวนตางๆ ดงน 2.1 การเตรยมการขอมล และรปแบบขอมล

ผจดท าตองจดการเกบตวอยางขอมลเสยงจากผใชงานเปนจ านวนทงหมด 30 คนโดยมรายละเอยดดงน

1. เกบตวอยางจากผใชงานเพศชาย 15 คน และเพศหญง 15 คน 2. ใหพดค าวา “ยนยนตวตนดวยเสยง” เปนจ านวน 300 ประโยค หรอครง โดยทงหมด 30

คนจะพดประโยคเดยวกนทงหมด 300 ประโยคนเพอเปนการขนอยกบค าพด 3. ใชคอมพวเตอรโนตบคในการอดเสยงโดยใชไมโครโฟน TRUST MICO USB Microphone

และโปรแกรม Wavesurfer ในการอดเสยง 4. น าขอมลทไดมาจดเกบเพอน าไปท าจดท าโมเดล (Train) 20 คน NSFVI (Normal

sentences for verification part 1) รวมกบชดขอมล LOTUS อก 48 คน ทงนชดขอมล LOTUS เปนชดขอมลทมบทความตางๆ ไมขนอยกบค าพด กวา 6,500 ประโยค รวมผพด 68 คน จ านวนเพศชายและหญงเทาๆกน มมากกวา 12,000 กวาประโยคในการจดท าโมเดลตางๆ

5. น าขอมลทไดมาจดเกบเพอสมคร และทดสอบ (Enrollment and Test) 10 คน จ านวนเพศชายและหญงเทาๆกน NSFVII (Normal sentences for verification part 2) ทงนจะคดมา 15 ไฟลจาก 300 เพอน ามาสมคร และอก 285 ใชในการทดสอบเพอหาคา EER ดวยวธการ PLDA ในไฟล trials

6. ในการอดเสยงใชเปนรปแบบไฟล wav.โดยมคา Sample rate 16000Hz และ Bit rate 16kbit/s 2.2 การวเคราะหขนตอนการจดท าโมเดล และโปรแกรม

การท าระบบการยนยนตวตนดวยเสยงนนสงทส าคญทสดคอขอมล เนองจากขอมลเปนสวนทชวยในการศกษา และพฒนาของโมเดลระบบ เพอทระบบจะไดน าขอมลเหลานไปวเคราะหและออกแบบโมเดลตาม Algorithm ทผพฒนาก าหนดเอาไว ซงสวนประกอบของโมเดลนนจะประกอบไปดวย 5 สวนโดยการเขยน Shell script สงการผาน Kaldi-toolkit และจดท าโปรแกรม ดงน

1. แบบจ าลองภาษา (Language model) ใชก าหนดวาค าใดๆ ในพจนานกรมของระบบจะตอดวยอกค าหนงไดดวยความนาจะเปนเทาใด

2. พจนานกรมค าอาน (Pronoun dict) บรรจค าศพททงหมดทระบบรจกและ ค าอานในรปแบบหนวยเสยง

3. แบบจ าลองเสยงดวยโครงขายประสาท (Acoustic model on neural network) ใชก าหนดวาหนวยเสยงแตละหนวยสามารถออกเสยงไดอยางไร โดยการเทยบสญญาณกบสญลกษณทางภาษา


June 21, 2018

G 67

4. แบบจ าลองฐานเสยงสากลโดยฐานการเรยนรแบบโครงขายประสาทแบบลก (Universal Back-ground Model on deep neural network) ใชเปนแบบจ าลองเสยงฐานสากลในการจดท า i-vector extractor โดยใชแบบจ าลองเสยงเปนฐานในการเรยนรควบค

5. แบบจ าลองการระบตวตนดวยเวกเตอรดวยโครงขายประสาท (I-vectors extractor base on DNN) ใชเปนแบบจ าลองเวกเตอรในการแยกแยะลกษณะเสยงพด เพอใชในการจ าแนกคา (Extract I-vectors)

6. จดท าโปรแกรมดวยภาษา Java โดยการจดท าฟงกชนอดเสยง และน าเสยงทไดไปเขากระบวกการ Decode ดวยวธการ PLDA โดยสงผานโปรแกรมใหรน Shell script

2.3 การวเคราะหการท างานของระบบ และหนาตางผใชงาน จากแนวทางการจดท าโมเดลขางตนน ผจดท าจะน าโมเดลเหลานมาจดท าตวอยางระบบการ

ยนยนตวตนดวยการเขยนโปรแกรมดวยภาษา Java และสงผาน Shell Script ทเปนเบองหลงการท างานของระบบ และสงคากลบมาเปนคากลาง กบคาการสกดเสยงทน าเขา ณ ชวงเวลานน หากมคามากกวา หมายความวาใชผใชคนนนจรงๆ ดงนนในสวนนจะเปนการวเคราะหขนตอนการท างานของระบบตงแตการเรมเขาสระบบจนสนสดการท างาน

เรมจากจดท าการเขยนโปรแกรม Java โดยสวนแบงออกเปน 2 สวนคอสวนการเขาสระบบโดยจะท าการตรวจสอบวา ID และ Password ตรงกบ Array ทเกบไวหรอไม ถาหากตรงกนระบบจะใหท าการผานเขาไป พรอมสง index แสดงรายชอของผพดในรหสนนๆ เชน NSFVII-010 คอของ Nartnarin Sumanungkul และในสวนท 2 คอสวนการอดเสยงซงไฟลเสยงจะถกบนทกและสงไปจดใหอยในรปแบบขอมลใหพรอมตอการถอดรหสตอไปผาน Shell script แลวสงผานให Java ท าการ Execute ไฟล Shell script นนๆ จากนนจดท าการเขยน Shell script โดยแบงเปน 3 สวน คอ script ส าหรบจดขอมลใหอยในรปพรอมใชงาน, script ทเขาท ากระบวนการตางๆ ตามขางตนเพอสกดคาทไดจากเสยงทน าเขามา และ script ส าหรบการเปรยบเทยบคา threshold และสงคากลบมาเปรยบเทยบใน Java program รปแบบหนาโปรแกรม เปนการออกแบบอยางงายเพอใหผใชงานใชงานได และเขาใจไดงาย ไมซบซอน แตจะเนนไปทระบบเบองหลงแทน ซงจะน าขอมลของผใชงาน ขนไปแสดงผลดงรปตอไปน รปท 1: หนาตางของโปรแกรม


June 21, 2018

G 68

3. การพฒนาระบบ (Coding or Development) 3.1 เครองมอทใชในการพฒนาระบบ ในสวนของการพฒนาระบบ ผจดท างานววจยไดเลอกใชเครองมอตามความเหมาะสมมาใชพฒนาระบบดงตอไปน 1. เครองคอมพวเตอร และโนตบค 2. ใชเครองมอ Kaldi ASR ในการจดการท าระบบ ใชภาษา Shell script ในการเขยนโคดเบองหลกในการจดท าโมเดล และการถอดรหสคา 3. ใชภาษา java ใน Netbean ในการท าหนา Interface และระบบเบองหนาในการใชงานโดยการอดเสยงเขา แลวสงผาน shell script 4. ใช TRUST MICO USB Microphone 5. ใชโปรแกรม Wavesurfer ในการอดเสยงในการเกบตวอยางเสยง 6. ใชระบบปฏบตการ Ubuntu Linux ในการจดท า 7. ใช Word ในการจดการรายงาน และเอกสาร 3.2 ล าดบ และแนวทางการเขยนโปรแกรมในการพฒนาระบบ ในการพฒนาระบบนนผจดท าไดใช Kaldi toolkit ในการชวยในดานของอลกอรทมเพอการเทรนโมเดล และผจดท าไดเขยน Shell script ในการเรยกใช Kaldi ซงมขนตอนในการจดท าดงตอไปน โดยอางองแนวทาง และการขยายความจากหวขอการวเคราะหและออกแบบระบบ 1. จดการเตรยมขอมลในการใชเทรนโมเดล 2. จดการท าโมเดลเสยงโดยใช DNN 3. จดการท าโมเดลฐานสากล UBM-DNN โดยใชโมเดลเสยงทท าไว 4. จดการท าโมเดล I-vector extractor base on DNN จาก UBM-DNN 5. จดการ Extract ตวขอมลทใช Train และ Enrollment 6. จดการเขยนโปรแกรม Java ในสวนของการเขาใชระบบ และการบนทกเสยง 7. จดการเขยนโปรแกรม Java ใหเรยกใช Shell script ในการสกดและหาคากลาง 8. จดท า Script ส าหรบการเตรยมขอมลทไดรบมาจาก Java 9. จดท า Script extract เสยงทไดมาจาก Java และน าไปเทยบคากบโมเดล Train และ Enrollment ท Extract ไวกอนหนานแลวน าคาทไดไปใชการใหคะแนนแบบ PLDA แลวจะไดคา threshold ออกมา 10. จดท าscript เปรยบเทยบคาทสกดมาไดจากเสยงเพอมาเปรยบเทยบกบคา Threshold ทได แลวสงคากลบไปยง Java ในรปแบบขอความวาใช หรอไมใชผพดนน 4. การทดสอบระบบ (Testing) 4.1 การทดสอบระบบการยนยนดวยตวอกษร 1. สามารถกดปมตางๆ และเชอมโยงค าสงไดอยางถกตอง 2. สามารถใสตวอกษรในชองใส id password ได 3. สามารถแสดงรปภาพ และตวอกษรประกอบได 4. เมอใสรหสถกตอง แลวกดยนยนระบบจะอนญาตใหกดอดเสยงได 5. เมอใสรหสไมถกตองแลวกดยนยนระบบจะไมอนญาตใหไปหนาตอไปได พรอมทงขนขอความใหกรอกใหมอกครง


June 21, 2018

G 69

4.2 การทดสอบระบบยนยนดวยเสยง 1. สามารถกดปมอดเสยง หยดเสยง และเลนเสยงได 2. สามารถบนทกไฟลเสยงหลงจากอดแลวได 3. สามารถดงไฟลเสยงมาใชงานได 4. สามารถถอดรหสสญญาณเสยงได 5. สามารถสง Execute Shell script ได 6. สามารถสงคาความถกตองจากการถอดรหสเขาระบบตอนแรกได 7. หากการเทยบถกตองระบบจะปรากฏขอความวา “ยนยนตวตนถกตอง” 8. หากการเทยบไมถกตองระบบจะปรากฏขอความวา “ยนยนตวตนไมถกตอง” 4.3 การทดสอบความถกตอง การทดสอบความถกตองผจดท าดวย 2 วธการ โดยวธการแรกจะท าการเขยน Script ในการสกดคาจากไฟลเสยงแทนการใชงานจรง และดผลลพธวาคา EER มมากหรอนอยเพยงใด และดแนวโนมความเปนไปของความผดพลาดเชงบวก หรอความผดพลาดเชงลบ โดยจะอธบายในหวขอการประเมนผล 5. การน าไปใชงานจรง (Deployment) ในการพฒนาระบบการยนยนตวตนดวยเสยงนนเปนรปแบบของงานวจยซงจะเปนตวอยาง หรอระบบตงตนโดยจะสามารถน าไปตอยอดกบโปรแกรมหรอ แอปพลเคชนตางๆ ไดในอนาคต โดยตนแบบระบบนทางผจดท าจะท าการทดสอบจากผทดสอบจ านวน 10 คนโดยแตละคนจะไดรบ id และ password ของตวเอง และเมอเขาสระบบไดแลวจะใหพดยนยนตวตนโดยการทดสอบคนทเปนเจาของรหสนน กบคนทไมใชเจาของรหสนนเพอดความถกตองของระบบ โดยเบองตนผจดท างานววจยจะพฒนาระบบทไดไปใหนกศกษาภายในสถาบนการจดการปญญาภวฒน และบคลากรทเกยวของเปนกลมเสยงตวอยาง ไดใชงานทดสอบระบบกอน จากนนท าการทดสอบหาคาเปอรเซนความผดพลาดทงหม ซงรายละเอยดจะอยในสวนของการประเมนผลในหวขอถดไปหลงจากนน จากนนจะมการเผยแพรเพอใหบคคลภายนอกทสนใจไดมาตอยอดระบบน 6. การดแลผใชงานและการประเมนผล (Maintenance and Evaluation) การประเมนผล ผจดท าโครงงานไดเลอกวธการหาคาความผดพลาด ซงในทางระบบไบโอเมตรกสามารถจ าแนกความผดพลาดได 2 ประเภท คออตราความผดพลาดการยอมรบของผทไมไดรบอนญาต หรอ FAR (False Acceptance Rate) เชนหากผทไมไดรบอนญาตท าการยนยนตวตนดวยเสยง แลวระบบอนญาตใหผานถอเปนขอผดพลาดทาง FAR และอตราความผดพลาดการไมยอมรบของผทไดรบอนญาต หรอ FRR (False Rejection Rate) เชนหากผทไดรบอนญาตท าการยนยนตวตนดวยเสยง แลวระบบอนญาตไมใหผานถอเปนขอผดพลาดทาง FRR โดยทงคาเปนคาทไมมความเปนอสระตอกนนนหมายถงคาทงสองคามความแปรผกผนกน ฉะนนถาหากพดถงระบบความปลดภยทางผจดท าจะใหความสนใจในคา FAR มากกวาเนองจากไมตองการใหผทไมไดรบอนญาตเขาสระบบได แมวาผใชตวจรงจะเขาไมไดบาง แตกสามารถยนยนตวไดอกรอบ จากนนจงท าการค านวณหาคาอตราความผดพลาดทเทากน EER (Equal Error Rate) ซงเปนจดตดอตราความผดทต าทสดของ FAR และ FRR


June 21, 2018

G 70

ผลการวจยและอภปรายผล จากการทดสอบผเขาสมครใชโปรแกรมจ านวน 10 คนโดยท าการใหเจาของเสยงนนๆ พดเอง 10 ครง

และผอน 10 ครง รวมทงหมด 20 ครง ตอคน สรปผลไดตามตารางท 4.3 ดงน ตารางท 1: ผลการประเมนความถกตองในสวนของการใชงานจรง

Enroll Voice (10) Other Voice (10) ID Enrollment TAR FRR TRR FAR

NSFVII-001 7 3 7 3 NSFVII-002 8 2 6 4 NSFVII-003 8 2 4 6 NSFVII-004 6 4 8 2 NSFVII-005 9 1 7 3 NSFVII-006 7 3 8 2 NSFVII-007 9 1 5 5 NSFVII-008 9 1 6 4 NSFVII-009 7 3 7 3 NSFVII-010 8 2 5 5

Total 78 22 63 37

ความถกตองของระบบในดานของเสยงของผทสมครพบวา TAR (True Accept Rate) อยท 78 และ FRR (False Reject Rate) อยท 22 โดยมคาเฉลยของความผดพลาดทางดานบวก (False Positive Rate) คดเปนรอยละ 22 ถอวาอยในเกณฑทดแมจะถกปฎเสธบางแตถอเปนอตราความผดพลาดเชงบวกทยอมรบได ความถกตองของระบบในดานเสยงของผอนทไมไชเจาของเสยงพบวา TRR (True Reject Rate) อยท 63 และ FAR (False Accept Rate) อยท 37 โดยมคาเฉลยของความผดพลาดทางดานลบ (False Negative Rate) คดเปนรอยละรอยละ 37 ถอวาอยในเกณฑทไมดเนองจากผทไมไดท าการลงทะเบยนไมควรไดรบการยอมรบใหเขาใชงานซงอาจกอใหเกดความเสยหาย หรอการแอบอางตวตนของเจาของขอมลนนไดซงเปนความผดพลาดเชงลบ และอตราความผดพลาดทเทากน EER (Equal Error Rate) อยทรอยละ 29.5 ถอวาอยในเกณฑทพอใช สรป

ผวจยเลอกการสกดคาลกษณะส าคญเสยง I-Vector แบบเทคนค DNN ทคามต 100 ในการจดท าตวอยางระบบเนองจากมผลคาความผดพลาดนอยทสดซงอยทรอยละ 3 และน าการสกดคาลกษณะส าคญเสยง I-Vector ดงกลาวไปจดท าตวอยางโปรแกรมทจะใชในการทดสอบจรงพบวาอตราการปฎเสธผใชงานทเปนเจาของเสยง FRR (False Reject Rate) อยท 22 คนคดเปนรอยละ 22 ถอวาอยในเกณฑทดแมจะถกปฎเสธบางแตถอเปนอตราความผดพลาดเชงบวกทยอมรบได และอตราการยอมรบผใชงานทไมไดเปนเจาของเสยง FAR (False Accept Rate) อยท 37 คนคดเปนรอยละ 37 ถอวาอยในเกณฑทไมดเนองจากผทไมไดท าการลงทะเบยนไมควรไดรบการยอมรบใหเขาใชงานซงอาจกอใหเกดความเสยหาย หรอการแอบอางตวตนของเจาของขอมลนนไดซงเปนความผดพลาดเชงลบ และ EER (Equal Error Rate) อยทรอยละ 29.5 ถอวาอยในเกณฑทพอใช


June 21, 2018

G 71

ความแมนย า หรอความผดพลาดทงหมดขนอยกบจ านวนขอมลเสยงทใชในการจดท าระบบ และการใชประสทธภาพของอลกอรทม ซงผจดท าจะด าเนนการศกษา และหาวธการแกไขปญหาเพอเพมประสทธภาพใหแกระบบตอไปในอนาคต รองรบกบการใชงานในทกรปแบบไมวาจะเปนในคอมพวเตอร หรอในสมารทโฟน และน าไปประยกตใชไดกบหลายๆ ระบบ เชนระบบรกษาความปลอดภย

กตตกรรมประกาศ ปรญญานพนธระบบการยนยนตวตนดวยเสยงส าหรบภาษาไทยแบบขนอยกบประโยค ส าเรจลลวงไดดวยความกรณาของบคคลหลายทานดวยกนจงใครขอขอบคณทานทงหลายดงน

ผรบทนไดรบการสนบสนนเงนทนจากส านกงานพฒนาวทยาศาสตรและเทคโนโลยแหงชาตตามสญญารบทนสนบสนนการศกษาวจยเพอจดท าปรญญานพนธโครงการสรางปญญาวทย ผลตนกเทคโนเลขท SCA-CO-2560-4691-TH

ขอขอบพระคณทปรกษาโครงการ ดร.วาทยา ชณหวจตรา ผศ.ดร.วรวฒ ทฬหกรรม และพๆในทมทกคน ทกรณาใหค าแนะน า และใหความรเพมเตมอนเปนประโยชนตอการจดท า โครงงานปรญญานพนธนขน ตลอดจนใหแนวทางแกไขปญหาตาง ๆ ท าใหผจดท าสามารถพฒนาโครงงานส าเรจลลวงไปไดดวยด

คณคาและประโยชนอนพงมจากการท าโครงงานปรญญานพนธน ผจดท าขอมอบใหแกผมพระคณทกทาน

เอกสารอางอง ศนยเทคโนโลยอเลกทรอนกสและคอมพวเตอรแหงชาต. (2548). Large Vocabulary Continuous Speech

Recognition: LVCSR. สบคนเมอ สงหาคม 2560, จาก https://www.nectec.or.th/corpus/ index.php?league=sa ส านกหอสมด มหาวทยาลยธรรมศาสตร (ภชรภา คชส าโรง, ตรภพ สรรเพชรนยม, ศวต กาสรยะ, ณฐนนท

ทดพทกษกล และชย วฒวฒนชย). (2548). สญลกษณแทนการออกเสยงพยญชนะ และสระ. สบคนเมอ สงหาคม 2560, จาก http://digi.library.tu.ac.th/thesis/st/0053/10CHAPTER_2.pdf

Athiwat (นามแฝง). (2560). Deep Learning คออะไร. สบคนเมอ สงหาคม 2560, จาก https://medium.com/@athivvat/deep-leaning-คออะไร-785e16d01773 Citibank. (2560). Voice Biometrics. สบคนเมอ ตลาคม 2560, จากhttp://www.citibank.co.th/edm/

1016/voicebiometrics/index-web.html David Snyder, Daniel Garcia-Romero, Daniel Povey. (2558). TIME DELAY DEEP NEURAL

NETWORK-BASED UNIVERSAL BACKGROUND MODELS FOR SPEAKER RECOGNITION. สบคนเมอ ตลาคม 2560, จาก http://www.danielpovey.com/files/2015_asru_tdnn_ubm.

Pdf Douglas A. Reynolds. (2545). An Overview of Automatic Speaker Recognition Technology.

สบคนเมอ ตลาคม 2560, จาก https://pdfs.semanticscholar.org/5f43/edd2d16f9b0a53632 8bb4d83b322f0788abc.pdf


June 21, 2018

G 72

Ehsan Variani, Xin Lei, Erik McDermott, Ignacio Lopez Moreno, Javier Gonzalez-Dominguez. (2557). DEEP NEURAL NETWORKS FOR SMALL FOOTPRINT TEXT-DEPENDENT SPEAKER VERIFICATION. สบคนเมอ ตลาคม 2560, จาก https://static.googleusercontent

.com/media/research.google.com/th//pubs/archive/41939.pdf Kirandeep Kaur, Neelu Jain. (2558). Feature Extraction and Classification for Automatic

Speaker Recognition System. สบคนเมอ ตลาคม 2560, จาก https://pdfs.semantic scholar.org/3e75/781a18158f6643115ba825034f9f95b4f13b.pdf?_ga=2.41037793.298307354.1525332117-1194340413.1525332117

Sciski-learn (นามแฝง). (ไมระบ). Gaussian mixture models. สบคนเมอ สงหาคม 2560, จากhttp://scikit-learn.org/stable/modules/mixture.html

https://pdfs.semantic/

Documents

การทดสอบโมเดลของระบบแนะน าภาพยนตร์โดยการท าเหมืองข้อความ ... · classifier