ชุดวิชาการประยุกต์ใช้ AI IoT และการมองเห็นของเครื่องในระบบเชิงกล
12(12-0-36)
วิชาบังคับก่อน : ไม่มี
ชุดวิชานี้เน้นในการสร้างมหาบัณฑิตวิศวกรรมเครื่องกลให้มีความสามารถด้านปัญญาประดิษฐ์ (AI) และ Internet of Things (IoT) ในบริบทของระบบวิศวกรรมเครื่องกล นักศึกษาจะได้รับความเชี่ยวชาญด้านระบบอัตโนมัติที่ขับเคลื่อนด้วย AI, การเรียนรู้ของเครื่อง, เครือข่ายเซ็นเซอร์ และ cloud computing วิชาเอกนี้มุ่งเน้นไปที่การนําไปใช้จริงและความรู้ทางทฤษฎี ช่วยให้วิศวกรสามารถรวม AI และ IoT เพื่อการเพิ่มประสิทธิภาพระบบ การบํารุงรักษาเชิงคาดการณ์ และการผลิตอัจฉริยะ จำนวน 12 หน่วยกิต จำนวน 4 โมดูล ประกอบไปด้วย
Module 1: พื้นฐาน AI สำหรับวิศวกรเครื่องกล
ความรู้เบื้องต้นเกี่ยวกับแนวคิดของ AI และ Machine Learning (ML), การเรียนรู้ภายใต้การดูแลและไม่มีผู้ดูแล, โครงข่ายประสาทเทียม, การเรียนรู้เชิงลึก, AI ในระบบอัตโนมัติและระบบควบคุม, กรณีศึกษา: การประยุกต์ใช้ AI ในหุ่นยนต์, ระบบปรับอากาศ HVAC และกระบวนการผลิต มีภาคปฏิบัติห้องปฏิบัติการในการนําโมเดล AI พื้นฐานมาใช้ เช่น การถดถอยเชิงเส้น การจําแนกประเภท โดยใช้ Python และฝึกทักษะด้านการใช้โครงข่ายประสาทเทียมเพื่อทํานายพฤติกรรมของระบบกลไก
Module 2: การออกแบบระบบ IoT สำหรับวิศวกรเครื่องกล
ภาพรวมของสถาปัตยกรรมและโปรโตคอล IoT (MQTT, CoAP, HTTP), Edge Computing และ Cloud computing, การรวมเซ็นเซอร์ในระบบเชิงกล, เทคโนโลยีการสื่อสาร เช่น Wi-Fi, LoRa, BLE, Zigbee การเก็บและจัดการข้อมูลสำหรับระบบเครื่องกล มีภาคปฏิบัติห้องปฏิบัติการในการสร้างและปรับใช้ระบบ IoT โดยใช้ไมโครคอนโทรลเลอร์ การรวมเซ็นเซอร์สำหรับงานเชิงกล เช่นอุณหภูมิ การสั่นสะเทือน เป็นต้น เข้ากับแพลตฟอร์ม IoT สำหรับการตรวจสอบระยะไกล
Module 3: AI, IoT และ Machine Vision สำหรับการบำรุงรักษาเชิงคาดการณ์
การบำรุงรักษาเชิงคาดการณ์โดยใช้ AI และ IoT โมเดล การใช้การเรียนรู้ของเครื่อง (Machine Learning) สำหรับการตรวจจับและวินิจฉัยข้อผิดพลาด ระบบการมองเห็นของเครื่อง (Machine Vision) สำหรับการตรวจสอบและการควบคุมคุณภาพ เทคนิคการประมวลผลภาพ เช่น การตรวจจับวัตถุ การแยกคุณสมบัติ Convolutional Neural Networks (CNNs) สำหรับการจําแนกภาพ การตัดสินใจที่ขับเคลื่อนด้วยข้อมูลในระบบกลไก ฝาแฝดดิจิทัลสำหรับการวิเคราะห์เชิงคาดการณ์ โรงงานอัจฉริยะและการบูรณาการอุตสาหกรรม 4.0 มีภาคปฏิบัติห้องปฏิบัติการในการพัฒนาอัลกอริธึมการบำรุงรักษาเชิงคาดการณ์สำหรับเครื่องจักรที่มีส่วนหมุนและส่วนประกอบเชิงกล การใช้ระบบการมองเห็นของเครื่องโดยใช้ AI สำหรับการตรวจสอบแบบเวลาจริง เช่น การตรวจจับข้อบกพร่องในการผลิต การใช้ CNN สำหรับการจดจําวัตถุในระบบการตรวจสอบ
Module 4: โครงการขั้นสูงในการใช้งานด้าน AI, IoT และการมองเห็นของเครื่อง
การพิจารณาเครือข่าย IoT ขนาดใหญ่สำหรับระบบกลไก การรวมระบบคลาวด์และการวิเคราะห์โดยใช้แพลตฟอร์ม เช่น AWS IoT, Microsoft Azure หรือ IBM Watson ข้อกำหนดด้านจริยธรรม ความเป็นส่วนตัว และความปลอดภัยในแอปพลิเคชัน AI, IoT และการมองเห็นของเครื่อง กรณีศึกษางานจริงจากอุตสาหกรรม ในอุตสาหกรรมต่าง ๆ เช่น อุตสาหกรรมยานยนต์ การบินและอวกาศ และการผลิต รวมถึงงานมอบหมายโครงงานสรุปยอด (Capstone Project) ในการทำงานเพื่อออกแบบและสร้างระบบ IoT ที่ใช้งาน AI เต็มรูปแบบสำหรับการประยุกต์ใช้ในงานด้านวิศวกรรมเครื่องกลที่สามารถใช้งานได้จริง
เค้าโครงรายวิชา
ผลสัมฤทธิ์การเรียนรู้
AI IoT and Machine Vision Applications in Mechanical Systems Module
Prerequisite : None
This module explores the intersection of Artificial Intelligence (AI) and the Interne of Things (IoT) in the context of Mechanical Engineering systems. Students will gain expertise in AI-driven automation, machine learning, sensor networks, and cloud computing. The course focuses on practical implementations and theoretical knowledge, enabling engineers to integrate AI and IoT for system optimization, predictive maintenance, and smart manufacturing.
Module 1: Foundations of AI for Mechanical Engineers
Introduction to AI and Machine Learning (ML) concepts, Supervised and unsupervised learning, Neural networks, deep learning, AI in automation and control systems, Case studies: AI applications in robotics, HVAC systems, and manufacturing. With practical laboratory in Implementing basic AI models (e.g., linear regression, classification) using Python. Applying neural networks to predict mechanical system behaviors.
Module 2: IoT System Design for Mechanical Applications
Overview of IoT architecture and protocols (MQTT, CoAP, HTTP), Edge computing vs. cloud computing, Sensor integration in mechanical systems, Communication technologies such as Wi-Fi, LoRa, BLE, Zigbee. Data acquisition and management for mechanical systems. With practical laboratory in building and deploying IoT systems using microcontrollers. Integrating sensors in mechanical system such as temperature, vibration, etc. with IoT platforms for remote monitoring.
Module 3: AI, IoT, and Machine Vision for Predictive Maintenance
Predictive maintenance using AI and IoT. Machine learning models for fault detection and diagnostics. Machine vision systems for inspection and quality control. Image processing techniques (object detection, feature extraction). Convolutional Neural Networks (CNNs) for image classification. Data-driven decision making in mechanical systems. Digital twins for predictive analytics. Smart factories and Industry 4 .0 integration. Practical Labs in: Developing predictive maintenance algorithms for rotating machinery and mechanical components. Implementing machine vision systems using AI for real-time inspection (e.g., defect detection in manufacturing).
Module 4: Advanced Projects in AI, IoT and Machine Vision Integration
Large-scale IoT networks for mechanical systems. Cloud integration and analytics using platforms such as AWS IoT, Microsoft Azure, or IBM Watson. Ethics, privacy, and security concerns in AI, IoT and Machine Vision applications. Real-world case studies from automotive, aerospace, and manufacturing industries. Capstone Project for Teams design a full AI-enabled IoT system for a real-world mechanical application.
Course Outline
Learning Outcomes