เมื่อพิจารณาการนำ AI ตรวจจับเสียงผิดปกติในโรงงาน สิ่งแรกที่ต้องตัดสินใจไม่ใช่ชื่อโมเดล แต่คือ “อุปกรณ์ใด สถานะการทำงานใด จะตรวจจับความเปลี่ยนแปลงของเสียงแบบไหน ใครจะตรวจสอบอะไร” เสียงของเครื่องจักรเปลี่ยนแปลงได้จากความเร็วรอบ วัสดุที่ใช้ อุปกรณ์รอบข้าง ทิศทางไมโครโฟน หรือแม้แต่การเปิด-ปิดประตู แค่บันทึกเสียงแล้วส่งเข้า AI ไม่เพียงพอที่จะเป็นสัญญาณเตือนที่หน้างานรับมือได้ บทความนี้ออกแบบสำหรับผู้รับผิดชอบในโรงงานไทยที่ต้องการนำระบบตรวจจับเสียงผิดปกติสำหรับมอเตอร์ สายพานลำเลียง พัดลม เกียร์ทด ฯลฯ โดยอธิบายตั้งแต่การวัดเสียง การจัดทำ RFP ไปจนถึง FAT และ SAT เป็นกระบวนการเดียว ไม่ใช่การวินิจฉัย cavitation ของปั๊มเฉพาะ หรือการบำรุงรักษาเชิงคาดการณ์ทั่วไป แต่เน้นการตัดสินใจเมื่อต้องใช้เสียงที่เดินทางผ่านอากาศ
สรุป: การตรวจจับเสียงผิดปกติ ต้องออกแบบ “ความแตกต่างของเสียง” และ “การปฏิบัติของหน้างาน” พร้อมกัน
AI ตรวจจับเสียงผิดปกติสามารถแจ้งเตือนเมื่อเสียงที่ได้เบี่ยงเบนจากเสียงปกติที่กำหนดไว้ อย่างไรก็ตาม แค่การเบี่ยงเบนของเสียง ไม่สามารถฟันธงตำแหน่งเสีย อายุการใช้งานที่เหลือ หรือจำเป็นต้องหยุดเครื่องได้เสมอ งานวิจัย DCASE เกี่ยวกับการตรวจจับเสียงผิดปกติ ก็ชี้ให้เห็นปัญหาการขาดข้อมูลเสียงผิดปกติ และ “domain shift” จากการเปลี่ยนแปลงสภาพแวดล้อมและสถานะการทำงาน ดังนั้น สเปคที่สั่งซื้อไม่ควรสรุปแค่ “ความแม่นยำของ AI” แต่ต้องแยกเขียนอุปกรณ์/สถานะการทำงานที่ต้องการตรวจจับ ตำแหน่งไมโครโฟน ขอบเขตเสียงปกติ ผู้รับการแจ้งเตือน ขั้นตอนการตรวจสอบ และเงื่อนไขการรับมอบ ISO 17359 แนะนำขั้นตอนทั่วไปของโปรแกรมตรวจสอบสภาพเครื่องจักร โดยถือว่าการวัดและการตัดสินใจบำรุงรักษาเป็นกระบวนการเดียวกัน
ในทางปฏิบัติ ไม่ควรเริ่มจากทั้งไลน์ ให้เลือกเครื่องจักรที่มีผลต่อการหยุดหรือของเสีย เลือกเสียงที่ตรวจจับได้ บันทึกประวัติการบำรุงรักษาที่ตรวจสอบได้ และการปฏิบัติที่ผู้รับผิดชอบทำได้ สรุปเป็นตารางเดียว จากนั้นบันทึกเสียงทดสอบช่วงสั้น ๆ และให้คนตรวจสอบว่าเสียงที่เปลี่ยนแปลงนั้นควรเป็นสัญญาณเตือนหรือไม่ บันทึกเงื่อนไขการติดตั้งและ threshold ที่ใช้ในการทดสอบ FAT ตรวจสอบข้อมูลและอินเทอร์เฟซ ส่วน SAT ตรวจสอบกับเครื่องจริงและกะงาน หากอุปกรณ์หรือกระบวนการเปลี่ยน ต้องอัปเดตนิยามของ “ปกติ” นี่คือโครงสร้างหลักของการนำไปใช้
อุปกรณ์ที่เหมาะสมและไม่เหมาะสมกับ AI ตรวจจับเสียงผิดปกติในโรงงาน
เครื่องจักรหมุน พัดลม สายพานลำเลียง เกียร์ทด ระบบลม หรือกลไกที่มีการสัมผัสเป็นจังหวะ เป็นเป้าหมายที่เหมาะสม หากความผิดปกติ เช่น การเสียดสี การกระแทก การรั่วของลม การหลวม แสดงออกในย่านเสียงที่ได้ยินหรือย่านที่ต้องการวัด การใช้ไมโครโฟนแบบไม่สัมผัสมีความหมาย อย่างไรก็ตาม การที่มีเสียงออกมา ไม่ได้แปลว่าสามารถระบุความเสียหายได้แน่นอน ในไลน์ที่มีแหล่งกำเนิดเสียงหนาแน่น เครื่องข้างๆ อาจดังกลบเป้าหมาย หากมีฝาครอบหรือกล่องเก็บเสียง ตำแหน่งไมโครโฟนจะมีผลมาก หากการเปลี่ยนแปลงภายในเครื่องไม่แสดงออกทางเสียงในอากาศ อาจต้องใช้สัญญาณอื่น เช่น การสั่น กระแสไฟฟ้า หรืออุณหภูมิ
การตรวจสอบหน้างานครั้งแรก ควรจัดเรียง “โหมดเสีย/ผิดปกติ” “ความเปลี่ยนแปลงของเสียงที่คาดหวัง” “เสียงมาตรฐานที่วัดได้” “เสียงรบกวนพื้นหลัง” “วิธีตรวจสอบหลังการแจ้งเตือน” เช่น หากต้องการจับเสียงสัมผัสของไกด์สายพาน ให้บันทึกเสียงในล็อตปกติที่เปลี่ยนสินค้า การสตาร์ท/หยุด การทำงานของเครื่องข้างเคียง แม้จะได้ยินเสียงที่สงสัยว่าเป็นสายพานเบี้ยว หน้างานต้องตรวจสอบการ์ดตามขั้นตอนความปลอดภัย ตรวจสอบแรงตึงและแนวศูนย์ก่อนตัดสินใจ ไม่ควรตั้งสมมติฐานว่า AI จะสั่งหยุดเครื่องอัตโนมัติแทนฟังก์ชันความปลอดภัยหรืออินเตอร์ล็อก
กรณีที่ไม่เหมาะสม ควรระบุไว้แต่แรก เช่น อุปกรณ์ที่ไม่มีผู้รับสัญญาณเตือน ไลน์ชั่วคราวที่แหล่งเสียงรบกวนเปลี่ยนบ่อย อุปกรณ์ปิดสนิทที่เสียงแทบไม่รั่ว อุปกรณ์ที่ไม่มีบันทึกเวลาการบำรุงรักษา ต้องเตรียมระบบปฏิบัติหรือฐานข้อมูลก่อน PoC ก่อนจะอ้างว่าเสียงบอกความผิดปกติได้ ต้องตรวจสอบว่าคนแยกแยะได้ในเงื่อนไขเดียวกัน หรือมีความแตกต่างในรูปคลื่นหรือย่านความถี่หรือไม่ การคัดกรองเป้าหมายล่วงหน้าแบบนี้ มีเหตุผลมากกว่าการติดไมโครโฟนทุกเครื่องแล้วค่อยลดสัญญาณเตือนทีหลัง
ก่อนติดตั้ง ต้องกำหนด “อะไรคือเสียงปกติ”
เสียงปกติไม่ได้มีแค่แบบเดียว หากนำเสียงขณะ idle, สตาร์ท, เดินเครื่องปกติ, เปลี่ยนความเร็ว, เปลี่ยนงาน, เปลี่ยนชนิดสินค้า, ทำความสะอาด, หยุดชั่วคราว, หรือการสตาร์ทเครื่องข้างๆ มารวมเป็น “ปกติ” เดียว โมเดลจะสับสนและแยกความแตกต่างที่ควรแยกไม่ออก ในทางกลับกัน หากแยกละเอียดเกินไป จะขาดตัวอย่างสำหรับแต่ละเงื่อนไข เริ่มจากการลิสต์โหมดการทำงาน ความเร็ว รหัสสินค้า กะงาน ฯลฯ ที่ดึงจาก PLC หรือ MES ได้ แล้วให้ความสำคัญกับเงื่อนไขที่มีผลต่อเสียง เงื่อนไขที่ดึงไม่ได้ ให้วางแผนจับคู่กับบันทึกงานหรือใบสั่งผลิต
DCASE 2024 อธิบายชัดเจนว่าตัวอย่างเสียงผิดปกติมีน้อยและหลากหลาย ต้องคำนึงถึงการเปลี่ยนแปลงของสถานะการทำงานและเสียงรบกวน ใน PoC โรงงานก็สามารถใช้วิธี “เรียนรู้จากเสียงปกติเท่านั้น แล้วตรวจจับค่าผิดปกติ” ได้ แต่ไม่ควรกำหนดช่วงเวลาบันทึกเสียงปกติแค่ตามจำนวนวัน ให้ตัดสินจากการครอบคลุมเงื่อนไขการทำงาน เช่น หลายกะ ชนิดสินค้าหลัก ช่วงความเร็ว การเปลี่ยนงาน การทำงานของเครื่องข้างเคียง ต้องบันทึกว่าครอบคลุมหรือไม่ อย่าถือว่าช่วงที่ไม่มีบันทึกเสียงผิดปกติคือ “ปกติ” โดยอัตโนมัติ ให้ตรวจสอบกับบันทึกบำรุงรักษาและสัมภาษณ์ผู้ปฏิบัติงาน
นิยามของ “ปกติ” ต้องมีวันที่อัปเดตและผู้อนุมัติด้วย หากมีการเปลี่ยนอะไหล่ที่สึกหรอ ย้ายตำแหน่งติดตั้ง เปลี่ยนการ์ด เปลี่ยนรุ่นเครื่อง อัปเดตซอฟต์แวร์ หรือเปลี่ยนไมโครโฟน แม้ชื่ออุปกรณ์เดิม เงื่อนไขเสียงก็เปลี่ยน ต้องรีวิวความแตกต่างกับมาตรฐานเดิม และสร้างมาตรฐานใหม่หากจำเป็น อย่าลบข้อมูลเก่า ต้องติดตามได้ว่าใช้โมเดลและเงื่อนไขใดแจ้งเตือนอะไร นี่มีประโยชน์ทั้งกับการปรับปรุงโมเดล การหาสาเหตุแจ้งเตือนผิด และการอธิบายผลรับมอบ
การวางไมโครโฟน: ตรวจสอบแหล่งเสียง เสียงรบกวน และงานบำรุงในแผนภาพเดียว
แค่สเปคไมโครโฟนไม่เพียงพอ ต้องตรวจสอบระยะห่าง ทิศทาง การบังของการ์ดหรือโครงเครื่อง การสะท้อนจากพื้น/ผนัง อุปกรณ์ข้างเคียง แอร์ ลมเป่า การเดินผ่านของคน เลือกตำแหน่งที่เป็นไปได้ 2-3 จุด แล้วบันทึกเสียงเปรียบเทียบในเงื่อนไขเดียวกัน หากติดตั้งกับเครื่องถาวร ต้องดูเรื่องการทำความสะอาด น้ำ เศษวัสดุ ความร้อน การสั่น การเดินสายไฟ และการเข้าถึงเพื่อเปลี่ยนไมโครโฟน อย่าเลือกตำแหน่งที่เข้าถึงยากขณะเดินเครื่องเพียงเพราะบันทึกเสียงง่าย
คู่มือเทคนิคการวัดเสียงของ OSHA อธิบายว่าร่างกายผู้วัดหรืออุปกรณ์รอบข้างอาจบังเสียงได้ ทิศทางไมโครโฟนมีผลต่อการวัด แม้จะเป็นบริบทของการวัดเสียงรบกวนต่อคนงาน ไม่ใช่เกณฑ์รับมอบสำหรับการตรวจจับเสียงผิดปกติของเครื่องจักร แต่ข้อควรระวังเรื่อง “ตำแหน่งและทิศทางเปลี่ยนเสียง” มีประโยชน์ ให้บันทึกตำแหน่ง/ความสูง/มุมของไมโครโฟนในจิ๊กยึด และถ่ายรูปไว้เพื่อเปรียบเทียบหลังย้ายตำแหน่ง อย่าขยับทิศทางไมโครโฟนระหว่างทดสอบแล้วเปรียบเทียบความแม่นยำ เพราะจะแยกไม่ออกว่าเป็นผลจากโมเดลหรือการติดตั้ง
หากมีแหล่งเสียงหลายจุดใกล้กัน เช่น มอเตอร์ เกียร์ทด พื้นสายพาน อย่าพยายามระบุสาเหตุด้วยไมโครโฟนเดียว ให้แยกไมโครโฟนตามความจำเป็น เปรียบเทียบระหว่างช่วงหยุดไลน์ ช่วงเดินเครื่อง และช่วงที่เครื่องข้างเคียงทำงานเท่านั้น อาจวางไมโครโฟนอ้างอิงสำหรับเสียงรอบข้าง แต่ต้องเดินสายและซิงค์ข้อมูลเพิ่ม ควรทดสอบใน PoC ก่อน หากเสียงผิดปกติที่ต้องการถูกกลบด้วยเสียงพื้นหลัง การเปลี่ยนชนิดเซ็นเซอร์อาจเหมาะสมกว่าการเพิ่มไมโครโฟน

ข้อมูลเสียงต้องจับคู่กับ “สถานะเครื่องจักรขณะนั้น”
หน่วยที่บันทึกไม่ใช่แค่ไฟล์เสียง ต้องเชื่อมโยงกับรหัสอุปกรณ์ รหัสไมโครโฟน ตำแหน่ง/ทิศทาง เวลาพร้อมไทม์โซน โหมดการทำงาน รหัสสินค้า/เงื่อนไขงาน เวอร์ชันโมเดล คะแนนแจ้งเตือน และผลการตัดสินบำรุงรักษา การเก็บเสียงทั้งวันทั้งคืนหรือไม่ ขึ้นกับวัตถุประสงค์และกฎบริษัท ปกติอาจเก็บแค่คุณลักษณะและคลิปเสียงสั้นสำหรับตรวจสอบ ต้องออกแบบขอบเขตการเก็บเสียง สิทธิ์เข้าถึง ระยะเวลาการเก็บ โดยคำนึงถึงเหตุผลการแจ้งเตือน การเรียนรู้ซ้ำในอนาคต และความเป็นไปได้ที่เสียงคนจะติดเข้าไป อย่าออกแบบให้ “บันทึกทุกอย่าง”
หากเวลาที่ AI ประมวลผลกับเวลาของ PLC/MES ไม่ตรงกัน จะจับคู่เหตุการณ์เสียงกับเหตุการณ์หยุดเครื่องผิด ต้องรวมการซิงค์เวลาของอุปกรณ์ปลายทาง การเก็บข้อมูลในเครื่องเมื่อเน็ตเวิร์กขาด การส่งซ้ำหลังฟื้นตัว และการตรวจสอบไฟล์เสียหายใน RFP วิธีเชื่อมโยงข้อมูลการผลิตขึ้นกับอุปกรณ์และระบบที่มีอยู่ สเปค OPC UA สำหรับเครื่องจักรของ OPC Foundation เป็นอินเทอร์เฟซกลางสำหรับแลกเปลี่ยนข้อมูลกับ MES, SCADA, ERP, ระบบวิเคราะห์ แต่ต้องตรวจสอบว่าเครื่องที่มีอยู่รองรับหรือไม่ ตรวจสอบ tag และคุณภาพเวลาของเครื่องจริงก่อน
ในโรงงานไทย อาจมีบันทึกการทำงานทั้งไทย ญี่ปุ่น อังกฤษ แค่แปลชื่อหมวดหมู่ไม่ทำให้การปฏิบัติสอดคล้อง หน้าจอแจ้งเตือนควรแสดงรหัสอุปกรณ์ เวลา สถานะการทำงาน คลิปเสียงล่าสุด ตัวเลือกการตัดสินที่ผู้รับผิดชอบเลือกในความหมายเดียวกัน เมื่อนำไปสู่ใบสั่งงานหรือบัตรบำรุงรักษา ต้องอ้างอิงเสียงต้นฉบับและผลการตัดสินของคน แยกชัดเจนระหว่าง “ตรวจจับความเปลี่ยนแปลงของเสียง” กับ “ยืนยันสาเหตุแล้ว”
Edge inference หรือ Cloud: ตัดสินใจงานที่ต้องทำแม้เน็ตเวิร์กขาดก่อน
หากประมวลผลที่ edge จะสามารถประมวลผลเสียงใกล้เครื่องจักร ส่งเฉพาะเหตุการณ์หรือคุณลักษณะสั้นๆ ไปยังระบบหลักได้ ออกแบบให้ตรวจจับได้แม้เน็ตเวิร์กไม่เสถียร แต่ต้องดูแลสภาพแวดล้อมติดตั้ง แหล่งจ่ายไฟ ความร้อน การอัปเดต การเปลี่ยนเครื่อง การแจกจ่ายโมเดล การเก็บ log ที่หน้างาน หากประมวลผลบน cloud จะรวมการวิเคราะห์ข้ามไลน์และจัดการโมเดลได้ง่ายกว่า แต่ต้องกำหนดแบนด์วิดท์การส่งเสียง ความหน่วง เวลาขาดการเชื่อมต่อ ที่เก็บข้อมูล และสิทธิ์เข้าถึง ไม่มีทางเลือกที่ดีกว่าเสมอไป
การตัดสินใจเริ่มจากเวลาตอบสนองของสัญญาณเตือนและการจัดการข้อมูล สัญญาณเตือนที่รอให้เจ้าหน้าที่ตรวจสอบรอบถัดไป กับสัญญาณเตือนที่ต้องตรวจสอบทันทีระหว่างกระบวนการ มีข้อกำหนดต่างกัน ตำแหน่งที่เสียงสนทนาของคนอาจติดเข้าไป กับห้องเครื่องปิดที่มีแต่เสียงเครื่องจักร ก็ออกแบบต่างกัน ใน RFP ต้องระบุว่า “ขณะเน็ตเวิร์กขาด งานใดต้องดำเนินต่อ งานใดส่งข้อมูลย้อนหลัง และแสดงผลบนหน้าจออย่างไร” แม้เลือก edge ก็ต้องกำหนดวิธีอัปเดตเวอร์ชันและ rollback
ใน PoC แรก ควรเน้นการกำหนดเงื่อนไขการเก็บเสียงและหน่วยสัญญาณเตือนที่คนตรวจสอบได้ มากกว่าการเลือกโมเดลที่ซับซ้อน มีวิธีการมากมาย เช่น spectrogram, feature extraction, embedding, reconstruction error งานวิจัย DCASE ก็มีการใช้งานหลากหลาย อันดับ benchmark ไม่สามารถนำมาใช้เป็นอัตราการตรวจจับของไลน์ตนเองได้โดยตรง เพราะเครื่องจักร เสียงรบกวน ตำแหน่งไมโครโฟน และต้นทุนการแจ้งเตือนผิดต่างกัน ในการประชุมเลือกโมเดล ควรแสดงผลเปรียบเทียบจากข้อมูลหน้างานเดียวกันและโอกาสปรับปรุง มากกว่าชื่อโมเดล

ประเมิน false alarm และ missed detection อย่างไร
“Accuracy 99%” ไม่เพียงพอสำหรับการรับมอบระบบตรวจสอบเครื่องจักร หากข้อมูลส่วนใหญ่เป็นปกติ แม้ระบบที่ตอบว่าปกติทุกครั้งก็มี accuracy สูง สิ่งที่ควรวัดคือ ตรวจจับเหตุการณ์ผิดปกติที่กำหนดได้กี่ครั้ง เวลาตั้งแต่แจ้งเตือนถึงตรวจสอบหน้างานเท่าไร มีการเรียกตรวจสอบเกินจำเป็นในช่วงเดินเครื่องปกติเท่าไร สามารถรีวิวสาเหตุของสัญญาณเตือนได้หรือไม่ ต้องระบุฐานข้อมูลและช่วงเวลาที่ใช้ประเมิน หากตัวอย่างผิดปกติน้อย ไม่ควรสัญญาอัตราการตรวจจับเป็นตัวเลขแน่นอน ให้แยกช่วงที่ทดสอบได้กับช่วงที่ยังไม่ได้ทดสอบ
การแจ้งเตือนผิด (false alarm) ต้องแยกตามเครื่องจักร โหมดการทำงาน กะงาน รหัสสินค้า หากแจ้งเตือนมากเฉพาะช่วงเปลี่ยนงาน อาจเลือกแยกโหมดนั้นเป็นปกติอีกกลุ่ม หรือระงับการตรวจสอบในช่วงนั้น แต่หากระงับมากเกินไปจะพลาดสัญญาณเตือนที่จำเป็น หากแบ่งสัญญาณเตือนเป็น “แจ้งเตือน” “ต้องตรวจสอบ” “ต้องตรวจสอบด่วน” ต้องกำหนดเหตุผล ผู้รับผิดชอบ และเวลารอสูงสุดในขั้นตอนการทำงานด้วย หาก threshold ต่ำเกินไปโดยไม่สนใจภาระงาน สัญญาณเตือนจะถูกละเลย
missed detection ไม่สามารถรู้ได้แค่ replay เหตุการณ์หยุดเครื่องในอดีต เพราะบางกรณีไม่มีเสียงก่อนเสีย บางกรณีเปลี่ยนเงื่อนไขหลังซ่อม บางกรณีเกิดก่อนติดไมโครโฟน ห้ามสร้างความเสียหายเพื่อทดสอบ แยกผลการทดสอบจากเหตุการณ์จริงที่บันทึกไว้ เสียงจำลองที่ได้รับอนุญาตจากผู้ผลิตเครื่องจักร และเสียงจำลองที่หน้างานอนุมัติ หากตรวจจับเสียงผิดปกติไม่ได้ ต้องกำหนดว่าการตรวจสอบรอบเดินตรวจหรือการวัดการสั่นจะช่วยเสริมอย่างไร
ผสานการตรวจสอบของคนใน flow การแจ้งเตือน
ผู้รับผิดชอบที่ได้รับสัญญาณเตือนจาก AI ต้องเห็นอุปกรณ์เป้าหมาย เวลาที่เกิดเสียง สถานะการทำงาน เสียงปกติเปรียบเทียบ และประวัติงานบำรุงล่าสุด แค่แสดงคะแนนเป็นสีแดงไม่ช่วยให้สืบสวน ในการตรวจสอบขั้นแรก ให้ตรวจสอบสถานะเครื่องและค่าต่างๆ จากจุดที่ปลอดภัย การตรวจสอบของจริงหรือเปิดการ์ดต้องเป็นไปตามขั้นตอนความปลอดภัย หากสาเหตุเสียงเปลี่ยนมาจากเงื่อนไขงาน ให้บันทึกเป็น “เปลี่ยนเงื่อนไขปกติ” หากสงสัยความผิดปกติทางกล ให้บันทึกเป็น “ต้องตรวจสอบ” หากยังตัดสินไม่ได้ ให้บันทึกเป็น “รอพิจารณา” พร้อมเหตุผล
เมื่อใช้ผลการตรวจสอบหลังแจ้งเตือนเพื่อปรับปรุงโมเดล ต้องแยก “แจ้งเตือนผิด” กับ “ยังไม่สามารถระบุสาเหตุที่หน้างาน” กรณีแรกอาจเป็นปัญหา threshold หรือข้อมูลเรียนรู้ กรณีหลังอาจต้องเพิ่มเซ็นเซอร์หรือบันทึกบำรุงรักษา เชื่อมโยงอะไหล่ที่เปลี่ยน ผลการตรวจสอบ เวลาหยุดเครื่อง ผลกระทบต่อคุณภาพกับบัตรบำรุง และรีวิวประโยชน์ของสัญญาณเตือนในเดือนถัดไป ปริมาณงาน labeling ของคนต้องรวมในต้นทุน PoC หากจำนวนการตรวจจับเพิ่มแต่การตัดสินใจบำรุงไม่เร็วขึ้น ต้องทบทวนการออกแบบ
ตามความสำคัญของไลน์หรืออุปกรณ์ ผู้รับแจ้งเตือนอาจเป็นฝ่ายบำรุง ฝ่ายผลิต ฝ่ายคุณภาพ หรือหลายฝ่าย ใช้หลัก RACI แยกผู้รับ ผู้ตรวจสอบครั้งแรก ผู้ตัดสินใจหยุด ผู้วินิจฉัยสาเหตุ ผู้อนุมัติเปลี่ยนโมเดล โดยเฉพาะ “ใครเป็นผู้ตัดสินใจหยุดเครื่อง” ไม่ใช่สิ่งที่ AI vendor กำหนดในหน้าจอ แต่ต้องกำหนดตามขั้นตอนความปลอดภัย คุณภาพ และการผลิต AI มีหน้าที่ให้ข้อมูลประกอบ ISO 13374-1 เป็นแนวทางทั่วไปสำหรับซอฟต์แวร์จัดการข้อมูลตรวจสอบสภาพเครื่อง แต่การออกแบบสิทธิ์จริงเป็นความรับผิดชอบของแต่ละโรงงาน

PoC ต้องออกแบบจากอุปกรณ์เดียวและเป้าหมายการตรวจจับเดียว
ก่อนเริ่ม PoC ให้เขียนอุปกรณ์เป้าหมายและโหมดผิดปกติเป็นประโยคเดียว เช่น “ตรวจจับเสียงเปลี่ยนแปลงที่สงสัยว่าเป็นการสัมผัสไกด์ของสายพานขณะลำเลียงปกติ และให้ฝ่ายบำรุงตรวจสอบในวันเดียวกัน” ไม่ใช่แค่ “หาความผิดปกติ” หากยังไม่แน่ใจว่าจะระบุชื่อความเสียหายได้ ให้เริ่มจาก “แจ้งเตือนความผิดปกติที่สงสัย” ตรวจสอบจากประวัติบำรุงและสัมภาษณ์ผู้ปฏิบัติงานว่ามีกรณีเปรียบเทียบหรือไม่
ขั้นตอน PoC คือ วัดเสียงหน้างาน เปรียบเทียบตำแหน่ง เก็บเสียงปกติ สร้างโมเดลหรือกติกาเบื้องต้น รีวิวสัญญาณเตือนที่หน้างาน ปรับปรุง และตัดสินรับมอบ หลักฐานแต่ละขั้นต่างกัน เช่น เปรียบเทียบตำแหน่งต้องมีแผนผังและเสียง เก็บเสียงปกติต้องมีตารางเงื่อนไขการทำงาน เปรียบเทียบโมเดลต้องมีข้อมูลประเมินที่ตรึงไว้ รีวิวหน้างานต้องมีประวัติการตัดสินใจต่อสัญญาณเตือน กำหนดช่วงประเมินและ threshold ล่วงหน้า อย่าเปลี่ยนเงื่อนไขหลังเห็นผล แยกช่วงปรับปรุงกับช่วงตรึงเพื่อรับมอบ
ต้นทุน PoC ไม่ใช่แค่ไมโครโฟนกับอุปกรณ์ปลายทาง ต้องรวมจิ๊กยึด เดินสาย กันฝุ่น/น้ำ เวลาหยุดเครื่องเพื่อติดตั้ง การเชื่อมต่อกับ PLC/MES การเก็บเสียง การรีวิวหน้างาน การอัปเดตโมเดล การอบรม การบำรุงรักษา ในการเสนอราคาให้แยกต้นทุนเริ่มต้นกับต้นทุนต่อเนื่อง ระบุเวลาทำงานของโรงงานให้ชัดเจน แยกส่วนที่ใช้ร่วมกันได้กับส่วนที่เพิ่มตามจำนวนอุปกรณ์ การประเมินประโยชน์จากการตรวจจับล่วงหน้า ต้องคำนวณหลังรู้จำนวนการหยุดและความสามารถในการแก้ไข อย่าตั้งอัตราลดต้นทุนหรือระยะเวลาคืนทุนโดยไม่มีหลักฐาน
ข้อกำหนดที่ควรระบุใน RFP
ใน RFP ควรนิยาม input/output ตั้งแต่การวัดจนถึงการตัดสินใจ มากกว่าแค่ “AI ตรวจจับเสียงผิดปกติ” ให้ลิสต์ชื่อเครื่องจักร/ตำแหน่งเป้าหมาย/ความผิดปกติที่ต้องการ/โหมดการทำงาน/เสียงรบกวน/ตำแหน่งติดตั้ง/เวลาต้องแจ้งเตือน/ผู้ใช้งาน/ระบบบำรุงรักษาที่มีอยู่ ให้ vendor เสนอจุดติดไมโครโฟนและเหตุผล วิธีบันทึกเสียงเปรียบเทียบ ระบุเงื่อนไข sampling ของเสียง การซิงค์ การจัดการข้อมูลขาด การเก็บเสียง ข้อมูล local/cloud วิธีตั้งค่าใหม่เมื่อเปลี่ยนอุปกรณ์ ระบุขอบเขตผลงานที่ประเมินได้โดยเปิดโอกาสให้ vendor ออกแบบ
ส่วน AI ให้ระบุการนิยามเสียงปกติ การจัดการเงื่อนไขการทำงาน การตั้ง threshold การจัดการเวอร์ชันโมเดล เหตุผลการเรียนรู้ซ้ำ การแสดงเหตุผลของสัญญาณเตือน หากต้องการแสดงชื่อความผิดปกติอัตโนมัติ ต้องขอข้อมูลการเรียนรู้และทดสอบที่รองรับการแบ่งกลุ่มนั้น สำหรับความผิดปกติที่ไม่รู้จัก ให้เน้นการแจ้งเตือนและช่องทางตรวจสอบมากกว่าการเดาชื่อ ตัวชี้วัดประเมินต้องกำหนดตามขอบเขตข้อมูลจริงที่มีอยู่ หากไม่มีเสียงความเสียหายในอดีต อย่ากำหนด “อัตราการตรวจจับทุกความเสียหาย” เป็นข้อผูกพัน
ส่วนการปฏิบัติ ให้รวมผู้รับสัญญาณเตือน หน้าจอแสดงผล การสร้างบัตรบำรุง ผู้รับผิดชอบการตอบสนอง สิทธิ์การใช้งาน การอบรม log และการจัดการเหตุขัดข้อง หากโรงงานมีข้อกำหนดด้าน network หรือการเชื่อมต่อภายนอก ต้องตรวจสอบกับฝ่าย IT ล่วงหน้า กำหนดความรับผิดชอบในการบำรุงรักษาอุปกรณ์และโมเดลให้ชัดเจน หากไม่ระบุผู้รับผิดชอบการทำความสะอาดไมโครโฟน ตรวจสอบมุมติดตั้ง อัปเดตอุปกรณ์ ความจุ log การเปลี่ยนอุปกรณ์ การประเมินใหม่หลังปรับปรุงไลน์ อาจพลาดปัญหาหลังใช้งานจริง ตารางเปรียบเทียบราคาไม่ควรมีแค่ชื่อฟังก์ชัน แต่ต้องรวมขอบเขตการปฏิบัติด้วย
ตารางข้อมูลขั้นต่ำที่ควรแนบกับ RFP
| รายการ | ข้อมูลที่โรงงานให้ | ข้อมูลที่ vendor ตอบกลับ |
|---|---|---|
| อุปกรณ์/ผิดปกติ | รหัสอุปกรณ์, ตำแหน่งเป้าหมาย, เหตุการณ์ที่สงสัย, ประวัติบำรุง | ความเป็นไปได้ในการตรวจสอบด้วยเสียง, ข้อเสนอเซ็นเซอร์อื่น |
| เงื่อนไขการทำงาน | ความเร็ว, ชนิดสินค้า, กะงาน, สตาร์ท/หยุด, เครื่องข้างเคียง | การแบ่งกลุ่มเสียงปกติและแผนการเก็บเสียง |
| เงื่อนไขการติดตั้ง | ตำแหน่งที่เสนอ, ข้อจำกัดความปลอดภัย, ไฟฟ้า, network | แผนผังติดตั้ง, สเปคทนสภาพแวดล้อม, แผนบันทึกเสียงเปรียบเทียบ |
| การแจ้งเตือน | ผู้รับผิดชอบ, เวลาตอบสนอง, flow บำรุง | เนื้อหาหน้าจอ, การแจ้งเตือน, การจัดการข้อมูลขาด |
| การรับมอบ | เสียงผิดปกติที่มี, ช่วงเวลาที่สังเกตได้ | ขั้นตอน FAT/SAT, หลักฐาน, ขอบเขตที่ยังไม่ทดสอบ |
FAT และ SAT ต้องตรวจสอบอะไรแยกกัน
FAT (Factory Acceptance Test) คือการตรวจสอบฟังก์ชันกับข้อมูลเสียงและโครงสร้างที่ตกลงกันก่อนติดตั้งที่โรงงาน ตรวจสอบการนำเข้าไฟล์เสียง การระบุโหมดการทำงาน การแสดงคะแนนผิดปกติและสัญญาณเตือน หน้าจอ เวอร์ชันโมเดล สิทธิ์ การจัดการข้อมูลขาดและการส่งซ้ำ ผู้รับแจ้งเตือน log ข้อผิดพลาด หากมีตัวอย่างเสียงผิดปกติให้ replay หากไม่มีต้องระบุว่า “ยังไม่ได้ทดสอบความผิดปกตินี้” เสียงจำลองหรือข้อมูลสังเคราะห์ใช้ทดสอบการเชื่อมต่อได้ แต่ไม่ใช่หลักฐานประสิทธิภาพในหน้างาน ต้องระบุแหล่งข้อมูลและสิทธิ์ใช้งานในเอกสารรับมอบ
SAT (Site Acceptance Test) คือการตรวจสอบที่โรงงานจริง ด้วยตำแหน่งไมโครโฟนที่ตรึง เสียงรบกวนหน้างาน เงื่อนไขการทำงานหลายแบบ คุณภาพ network ขั้นตอนงานข้ามกะ ต้องตรึงตำแหน่งและเวอร์ชันโมเดลก่อนเริ่ม หากเปลี่ยนต้องบันทึก ตรวจสอบว่าเหตุการณ์ปกติในกระบวนการไม่ทำให้เกิดสัญญาณเตือนซ้ำๆ สัญญาณเตือนไหลไปถึงผู้รับผิดชอบหรือไม่ ระบบฟื้นตัวหลังหยุดเครื่องหรือ network ขาดหรือไม่ หากพบแจ้งเตือนผิดใน SAT แล้วปรับ threshold ทันที อาจไม่รู้ว่าทำให้ missed detection เพิ่มขึ้นหรือไม่ ต้องบันทึกเหตุผลและผลก่อน/หลังเปลี่ยน
การรับมอบ FAT/SAT ไม่ใช่แค่ “accuracy” เดียว แต่ตัดสินตามตารางทดสอบที่ตกลงกัน แต่ละกรณีต้องระบุเงื่อนไข input ผลที่คาดหวัง ผลจริง หลักฐาน ผู้ตัดสินใจ และประเด็นที่ยังไม่แก้ หากขาดตัวอย่างเสียงผิดปกติ ให้รับมอบแบบมีเงื่อนไขและกำหนดเวลารวบรวมกรณีเพิ่มเติมและผู้รับผิดชอบ การอัปเดตโมเดลหลังรับมอบไม่ถือว่าผ่านอัตโนมัติ ต้องกำหนดวิธีจัดการการเปลี่ยนแปลงและขอบเขตการทดสอบใหม่ในสัญญา เมื่อกำหนดครบจึงจะเปลี่ยนจาก PoC เป็นใช้งานจริงได้
ควรบันทึกเงื่อนไขที่ต้องประเมินใหม่หลังรับมอบไว้ในแผนทดสอบด้วย การย้ายเครื่อง เปลี่ยนมอเตอร์หรือเกียร์ เพิ่มฝาครอบกันเสียง ถอดแล้วติดตั้งขายึดไมโครโฟนใหม่ หรือเปลี่ยนวัสดุและช่วงความเร็วของชิ้นงาน อาจเปลี่ยนเส้นทางเสียงหรือเสียงปกติ ไม่ได้หมายความว่าต้องฝึกโมเดลใหม่ทุกครั้ง เริ่มจากเทียบแบบติดตั้งและสภาวะเดินเครื่อง แล้วบันทึกเสียงฐานใหม่ภายใต้สภาวะที่ตรงกัน หากความต่างเล็กน้อยให้บันทึกเหตุผลที่เฝ้าระวังต่อได้ หากต่างมากให้ส่งเกณฑ์แจ้งเตือนและโมเดลเพื่อประเมินใหม่โดยผู้มีอำนาจ อย่าตัดสินจากจำนวนแจ้งเตือนเพียงอย่างเดียว ต้องดูประเภทเหตุการณ์ที่ช่างบำรุงยืนยันด้วย เพื่อแยกการปรับปรุงจริงจากความเสี่ยงที่จะพลาดความผิดปกติ สัญญาเริ่มต้นควรระบุสิทธิในข้อมูลที่ใช้ประเมินใหม่ รูปแบบส่งมอบโมเดลและการตั้งค่า ช่องทางติดต่อผู้ขาย และขอบเขตที่โรงงานปรับเองได้ เก็บผลการตัดสินและประวัติเปลี่ยนค่าภายใต้รหัสเครื่องเดียวกันเพื่อให้ผู้รับผิดชอบคนใหม่ตรวจสอบย้อนหลังได้
การใช้งานในโรงงานไทย: เชื่อมโยงการบำรุงรักษาและภาษาหน้างาน
ในโรงงานไทยที่มีสำนักงานใหญ่ญี่ปุ่น ฝ่ายผลิตในประเทศ และผู้รับเหมาบำรุงรักษา การอธิบายสัญญาณเตือนข้ามภาษา ข้อความแจ้งเตือนควรสั้น มีรหัสอุปกรณ์ เวลา แหล่งเสียงเป้าหมาย และการปฏิบัติขั้นแรกเป็นรายการคงที่ ใช้ event ID เดียวกันในรายงานเทคนิคภาษาญี่ปุ่นและใบสั่งงานภาษาไทย อย่าใช้แค่คำว่า “ผิดปกติ” ที่แปลแล้วในการสั่งหยุดเครื่อง ต้องทำให้ชื่ออุปกรณ์และอะไหล่ตรงกันกับบันทึกบำรุงรักษา
ก่อนนำไปใช้ ต้องตรวจสอบตำแหน่งไมโครโฟนกับผู้ปฏิบัติงาน ความเป็นไปได้ที่เสียงสนทนาจะติดเข้าไป กฎการบันทึกเสียงของโรงงาน กำหนดขอบเขตการใช้งานเฉพาะการตรวจสอบเครื่องจักร ไม่ใช้ประเมินบุคคล และบันทึกเป็นลายลักษณ์อักษร ตรวจสอบกฎบริษัทและกฎหมายที่เกี่ยวข้องกับการจัดการเสียงแต่ละกรณี หากส่งข้อมูลขึ้น cloud ต้องกำหนดที่เก็บข้อมูล ผู้รับจ้าง สิทธิ์เข้าถึง วิธีลบข้อมูลกับฝ่าย IT คุณค่าของระบบไม่ใช่การบันทึกเสียงนานที่สุด แต่คือการติดตามความเปลี่ยนแปลงของเสียงที่จำเป็นและผลการตรวจสอบ
การเชื่อมต่อกับอุปกรณ์เดิม ไม่จำเป็นต้องส่งเสียงเข้า PLC ให้ terminal ประมวลผลเสียงสร้าง event รับสถานะการทำงานจาก PLC/MES และส่งผลตรวจสอบไปยังระบบบำรุงรักษา สเปค OPC UA สำหรับเครื่องจักรเป็นแนวทางออกแบบการแลกเปลี่ยนข้อมูลระหว่างระบบ แต่ต้องตรวจสอบว่าเครื่องจริงรองรับหรือไม่ แม้เริ่มจากการป้อนข้อมูลกระบวนการด้วยมือ ต้องบันทึกว่าเสียงเวลาใดตรงกับสถานะการทำงานใด ให้ความสำคัญกับการรักษาบริบทที่จำเป็นต่อการตัดสินใจ มากกว่าวิธีเชื่อมต่อ
5 ข้อผิดพลาดที่ควรหลีกเลี่ยงในการนำ AI ตรวจจับเสียงผิดปกติ
- ไม่บันทึกตำแหน่งไมโครโฟน หากเงื่อนไขการบันทึกเสียงช่วงแรกกับช่วงใช้งานจริงต่างกัน การเปรียบเทียบโมเดลจะไร้ความหมาย
- ผสมเสียงปกติจากโหมดการทำงานต่างกัน เช่น เสียงขณะสตาร์ทถูกเข้าใจผิดเป็นเสียงเสีย ทำให้หน้างานไม่เชื่อถือ
- ใช้ผล benchmark เป็นค่ารับประกันของไลน์ตนเอง DCASE มีประโยชน์สำหรับเปรียบเทียบงานวิจัย แต่เครื่องจักรและสภาพแวดล้อมต่างกัน
- ไม่กำหนดขั้นตอนหลังแจ้งเตือน แม้สัญญาณเตือนเพิ่มขึ้นแต่ไม่เชื่อมโยงกับการตรวจสอบหรือซ่อม
- อัปเดตโมเดลหรือเครื่องจักรโดยไม่มีการจัดการการเปลี่ยนแปลง แม้เปลี่ยนมุมติดตั้ง อะไหล่ ความเร็ว ยังใช้มาตรฐานเดิม
ข้อผิดพลาดเหล่านี้ป้องกันได้โดยไม่ต้องใช้ AI ขั้นสูง แค่ใช้เอกสารปกติ เช่น แผนผังติดตั้ง ตารางเงื่อนไขการทำงาน ตารางรีวิวสัญญาณเตือน ตารางทดสอบ FAT/SAT และประวัติการเปลี่ยนแปลง สำหรับแนวทางทั่วไปของการตรวจจับสภาพเครื่องจักร ดูที่ วิธีเลือกขอบเขต AI ตรวจจับความผิดปกติ การวิเคราะห์สัญญาณเตือนที่บันทึกใน PLC ดูที่ การนำ AI มาใช้วิเคราะห์สัญญาณเตือนเครื่องจักร บทความนี้เน้นเงื่อนไขการใช้งานจริงเมื่อวัดเสียงจากไมโครโฟน
FAQ: คำถามก่อนนำ AI ตรวจจับเสียงผิดปกติในโรงงาน
AI ตรวจจับเสียงผิดปกติสามารถระบุสาเหตุความเสียหายได้หรือไม่?
บางกรณีสามารถประมาณสาเหตุได้ แต่แค่ตรวจจับความเปลี่ยนแปลงของเสียง ไม่สามารถฟันธงสาเหตุได้ เช่น เสียงโลหะเหมือนกันอาจเกิดจากการสัมผัส วัตถุตก เครื่องข้างเคียง หรือเปลี่ยนเงื่อนไขงาน การแสดงชื่อสาเหตุต้องมีข้อมูลเรียนรู้และการตรวจสอบหน้างาน ในการเริ่มนำไปใช้ ควรกำหนดว่า “แจ้งเตือนเมื่อเสียงต่างจากปกติ ให้หน้างานตรวจสอบร่วมกับข้อมูลอื่น” จะยอมรับได้ง่ายกว่า
ถ้ามีเซ็นเซอร์วัดการสั่นอยู่แล้ว ยังต้องใช้ไมโครโฟนหรือไม่?
ขึ้นกับปรากฏการณ์ที่ต้องการวัด การสั่นเหมาะกับการจับการเคลื่อนไหวของโครงเครื่องหรือแบริ่ง เสียงเหมาะกับการรั่วลม การสัมผัส หรือปฏิสัมพันธ์ระหว่างผลิตภัณฑ์กับเครื่องจักรจากระยะไกล ทั้งสองแบบอาจตอบสนองต่อความเสียหายเดียวกันไม่พร้อมกัน หากสัญญาณที่มีเพียงพอ ไม่จำเป็นต้องเพิ่มไมโครโฟน แต่ถ้ามีกรณีที่เสียงผิดปกตินำหน้าการสั่น ควรทำ PoC เปรียบเทียบ ตรวจสอบว่าเซ็นเซอร์เพิ่มข้อมูลหรือไม่
ถ้าไม่มีเสียงผิดปกติบันทึกไว้ จะสร้าง AI ได้หรือไม่?
สามารถพิจารณาวิธีแจ้งเตือนค่าผิดปกติจากเสียงปกติเท่านั้น งานวิจัย DCASE ก็มีการตั้งค่าดังกล่าว แต่การประเมินว่าระบบนี้ตรวจจับความเสียหายสำคัญได้มากน้อยแค่ไหน ต้องมีตัวอย่างผิดปกติจริงบ้าง อย่าฟันธงชนิดความผิดปกติแต่แรก ให้เน้นการครอบคลุมเสียงปกติและรีวิวสัญญาณเตือน เก็บผลบำรุงรักษาหลังใช้งานจริง แล้วอัปเดตประสิทธิภาพแยกตามความผิดปกติ
ต้องใช้ไมโครโฟนกี่ตัว และวางตรงไหน?
ไม่สามารถกำหนดตามขนาดเครื่องหรือเสียงรบกวนพื้นหลังเพียงอย่างเดียว ต้องวาดแหล่งเสียงเป้าหมายและเสียงรอบข้าง ทดลองบันทึกเสียงเปรียบเทียบที่ตำแหน่งต่างๆ คำนึงถึงการ์ด การสะท้อน การทำความสะอาด การเดินสาย การเปลี่ยนไมโครโฟน อย่าเพิ่มจำนวนไมโครโฟนหากแยกเสียงเป้าหมายได้ด้วยตัวเดียว ให้รวมการเปรียบเทียบตำแหน่งเป็นผลลัพธ์ของ PoC แทนการกำหนดจำนวนไมโครโฟนล่วงหน้า
ต้นทุนและระยะเวลาคืนทุนของ AI ตรวจจับเสียงผิดปกติประเมินอย่างไร?
แยกต้นทุนไมโครโฟน การติดตั้ง อุปกรณ์ปลายทาง การสื่อสาร การเก็บข้อมูล การพัฒนาโมเดล การเชื่อมต่อกับระบบเดิม การรีวิวสัญญาณเตือน การบำรุงรักษา ต้นทุนขึ้นกับจำนวนอุปกรณ์ ความยากในการติดตั้ง ข้อมูลที่มีอยู่ เวลาตอบสนองที่ต้องการ ระยะเวลาคืนทุนคำนวณจากสถิติการหยุด/สูญเสียคุณภาพในอดีต และขอบเขตที่สามารถป้องกันได้จริงหลังตรวจจับ อย่านำอัตราลดต้นทุนของโรงงานอื่นมาใช้โดยตรง ใน RFP แรกควรเปรียบเทียบทั้งราคาทั้งหมด ภาระงาน และขอบเขตที่ยังไม่ทดสอบ
แค่ FAT เพียงพอสำหรับการรับมอบใช้งานจริงหรือไม่?
FAT ตรวจสอบฟังก์ชัน เส้นทางข้อมูล และ input จำลองได้ แต่เสียงรบกวนหน้างาน หลายกะ ตำแหน่งไมโครโฟนที่ตรึง การสื่อสาร การตอบสนองหน้างาน ต้องตรวจสอบใน SAT หากตัวอย่างผิดปกติน้อย SAT ก็อาจยังไม่ครอบคลุมทุกกรณี ต้องกำหนดการรับมอบแบบมีเงื่อนไขและเวลาประเมินเพิ่มเติม หากเปลี่ยนโมเดลหรือเงื่อนไขเครื่องจักรต้องทดสอบใหม่
สรุป
การนำ AI ตรวจจับเสียงผิดปกติในโรงงาน ไม่ใช่แค่การติดไมโครโฟนกับเครื่องจักร แต่คือการวัดเสียงเป้าหมาย จัดการเงื่อนไขปกติ และเชื่อมโยงสัญญาณเตือนของ AI กับการตัดสินใจบำรุงรักษาของคน ต้องโฟกัสที่ความผิดปกติเป้าหมายเดียว ตรึงตำแหน่งเปรียบเทียบเสียง จับคู่โหมดการทำงานกับเสียง แจ้งขอบเขต false alarm และกรณีที่ยังไม่ทดสอบ ระบุขอบเขตการปฏิบัติและเส้นทางข้อมูลใน RFP แยก FAT กับ SAT ในการรับมอบ จะช่วยแยกสิ่งที่พิสูจน์ใน PoC กับสิ่งที่รับประกันในงานจริงได้
หากอยู่ในขั้นตอนจัดกลุ่มอุปกรณ์เป้าหมายหรือจุดติดไมโครโฟนในโรงงานไทย ปรึกษา TOMAS TECH ได้ที่นี่ แม้ยังไม่มีเสียงผิดปกติบันทึกไว้ ก็สามารถเริ่มจากแผนการวัด การรีวิวหน้างาน RFP และเงื่อนไขรับมอบ
ข้อมูลอ้างอิง
- DCASE 2024 Task 2: First-Shot Unsupervised Anomalous Sound Detection for Machine Condition Monitoring — อธิบายการเรียนรู้เสียงปกติ ความผิดปกติที่ไม่รู้จัก และ domain shift จากเงื่อนไขการทำงาน/เสียงรบกวน
- DCASE 2024 Task 2 description and discussion — รายละเอียดโจทย์และผลการวิจัย
- ISO 17359:2018 — แนวทางทั่วไปของโปรแกรมตรวจสอบสภาพเครื่องจักร
- ISO 13374-1:2003 — แนวทางทั่วไปสำหรับการประมวลผล/สื่อสาร/แสดงข้อมูลตรวจสอบสภาพเครื่องจักร
- OPC UA for Machine Tools, Part 1 — สเปคการแลกเปลี่ยนข้อมูลการตรวจสอบเครื่องจักรกับระบบบน
- OSHA Technical Manual, Section III, Chapter 5 — ข้อควรระวังเรื่องตำแหน่ง/ทิศทาง/การบังของไมโครโฟนในการวัดเสียง (สำหรับการวัดเสียงรบกวนต่อคนงาน ไม่ใช่เกณฑ์รับมอบการตรวจจับเสียงผิดปกติของเครื่องจักร)