top of page

Data Driven Process สำหรับอุตสาหกรรมการผลิต

อุตสาหกรรมการผลิต เป็นกลุ่มอุตสาหกรรมที่มีข้อมูลขนาดใหญ่มหาศาล โดยข้อมูลส่วนใหญ่เป็นข้อมูลภายใน หรือ Internal Data จึงมีความยุ่งยากในการจัดการข้อมูลน้อยกว่าการมีข้อมูลภายนอก หรือ External Data เข้ามาเกี่ยวข้องด้วย

ข้อมูลที่มีในส่วนของการผลิต จะแบ่งออกเป็น 2 ประเภท คือ 1. ข้อมูลแบบ Batch ที่เก็บอยู่ในระบบ เช่น ข้อมูลกำลังผลิต 2. ข้อมูลแบบ Real-Time ที่จะได้จากการติดตั้ง IoT

ในยุคปฏิวัติอุตสาหกรรมครั้งที่ 3 หรือ ยุค Robotic เริ่มเกิดการลงทุนในเครื่องจักรและระบบสำเร็จรูป ทำให้หลายๆ คนเคยชินกับการลงทุนในระบบที่พร้อมใช้ ต่อมาเมื่อเข้าสู่ยุคปฏิวัติอุตสาหกรรมครั้งที่ 4 หรือยุคดิจิทัล จึงเริ่มเน้นการลงทุนในระบบแบบ Customized มากขึ้น ซึ่งทำให้เกิดเป็นช่องว่างระหว่างการใช้ระบบแบบสำเร็จรูปและการพัฒนาระบบแบบ Customized เพราะยังขาดความเข้าใจ ไม่สามารถประเมินความแตกต่างของระบบทั้ง 2 แบบได้ และหากไม่เข้าใจก็ยากที่จะสามารถออกแบบเป็นระบบที่เหมาะสมได้

การติดตั้ง IoT มีข้อจำกัดอยู่ว่าจะนำข้อมูลจาก IoT ไปใช้ประโยชน์ได้อย่างไร เพราะถ้าแค่ติดตั้ง IoT เพื่อแจ้งสถานะของตัวเลขในระยะเวลาใดระยะเวลาหนึ่ง ก็คงเป็นการลงทุนที่ไม่คุ้มค่า ยิ่งไปกว่านั้นการติดตั้ง IoT นอกจากจะมีค่าใช้จ่ายเรื่องอุปกรณ์ที่ติดตั้งแล้ว ยังจำเป็นต้องลงทุนใน Data Infrastructure ที่เหมาะสมอีกด้วย เพราะจะมีข้อมูลที่ไหลเข้ามาในระบบอยู่ตลอดเวลาและมีโอกาสที่จะขยายตัวอย่างรวดเร็ว

หลายครั้งพบว่าเมื่อลงทุนกับ Infrastructure และการติดตั้งอุปกรณ์กลับได้ผลลัพธ์เป็นเพียง Dashboard เพื่อแสดง Status ของตัวเลขในแต่ละส่วนของโรงงาน โดยไม่มีการรวมศูนย์ข้อมูลและไม่มีข้อมูลแบบ Real-Time ไม่สามารถนำข้อมูลเหล่านั้นมาใช้ประโยชน์ได้ ทำให้โครงการ Big Data ที่จะนำไปสู่ Data Driven Process ในอุสาหกรรมการผลิตจึงไม่เกิดผลสำเร็จ

ตัวอย่างการใช้ประโยชน์จาก Data สำหรับอุตสาหกรรมการผลิต มีดังต่อไปนี้

1. เพื่อจัดลำดับการผลิตได้อย่างเหมาะสมมากขึ้น

สำหรับโรงงานใดที่ยังมีการจัดลำดับงานโดย “มนุษย์” อยู่นั้น ถือเป็นความเสี่ยงในการดำเนินการอย่างมาก เช่น การจัดลำดับว่าวันนี้จะผลิตสินค้าแต่ละชนิดเป็นจำนวนเท่าไหร่ Line การผลิตแต่ละ Line จะมีลำดับในการผลิตอย่างไร รวมไปถึงปริมาณแรงงานหรือระยะเวลาในการทำงานแต่ละวัน

การมี Big Data และ Data Model จะทำให้สามารถออกแบบการจัดลำดับงานได้อย่างมีประสิทธิภาพมากขึ้นและในระยะยาวหากต้องการปรับปรุง Line การผลิตก็สามารถใช้ Model เพื่อวิเคราะห์ได้ว่าตรงไหนคือส่วนที่ทำให้เกิดผลเสียต่อระบบได้อีกด้วย

2.การตัดสินใจหน้างานที่มีประสิทธิภาพมากขึ้น

การผลิตสินค้าบางชนิดมีข้อจำกัดเรื่องสภาพแวดล้อม เช่น อุณหภูมิ อัตราการไหล ความเร็วลม เป็นต้น ทำให้การผลิตยังต้องใช้ทักษะและประสบการณ์หน้างานเป็นหลัก ซึ่งถือเป็นความเสี่ยงอย่างนึงทั้งในมุมของประสิทธิภาพในการทำงานและความเสี่ยงเรื่องบุคลากร ตามหลักวิชาการแล้วการทำงานแบบ Closed Loop หรือจำกัดสภาพแวดล้อมของการผลิตจะทำให้การผลิตมีประสิทธิภาพสูงสุด

แต่ในความเป็นจริงการทำงานแบบ Closed Loop นั้นทำให้เกิดขึ้นได้ยากในโลกแห่งความเป็นจริง ซึ่งในทางปฏิบัติการใช้ IoT จะสามารถส่งข้อมูลแบบ Real-Time ไปยังหน่วยการประมวลผลได้ ที่หน่วยประมวลผลจะมี Data Model ที่สร้างจากการนำข้อมูลขนาดใหญ่มาวิเคราะห์และสร้างเป็นต้นแบบเอาไว้ จากนั้นจะส่งผลลัพธ์เป็นแนวทางปฏิบัติไปแสดงผลให้ผู้ปฏิบัติดำเนินการต่อไป ตัวอย่างโครงการ เช่น การติด IoT เพื่อวัดค่าปริมาณสารคงเหลือในคลัง เพื่อตัดสินใจสั่งซื้อสารจาก Supplier หรือ การติดตั้ง IoT เพื่อวิธีการหลอมภายใต้สภาพแวดล้อมที่ไม่คงที่ เป็นต้น

3.การพยากรณ์รอบการผลิตที่ต่ำลง หรือ Preventive Accident

ในโรงงานการผลิตที่ใช้เครื่องจักรอยู่ตลอดเวลาจะมีรอบการเกิดอุบัติเหตุ ทำให้จำเป็นต้องมีแผนการซ่อมบำรุงเป็นค่ามาตรฐาน ซึ่งเป็นค่าที่ทางบริษัทเครื่องมือได้กำหนดเอาไว้ ในความเป็นจริงอายุของเครื่องมือ สภาพแวดล้อมและอัตราการผลิต ต่างมีผลต่อรอบการเกิดอุบัติเหตุหรืออัตราการผลิตที่ลดต่ำลงในแต่ละโรงงาน ถึงแม้จะใช้เครื่องมือชนิดเดียวกันแต่ก็เป็นไปได้ว่ารอบบำรุงรักษาระบบอาจเกิดขึ้นไม่พร้อมกัน

ซึ่งข้อมูลขนาดใหญ่ทั้งจาก IoT จากระบบการผลิตและการบำรุงรักษา จะสามารถนำมาสร้างเป็น Preventive Accident ได้ แต่อย่างไรก็ตามการจะสร้าง Model ประเภทนี้ อาจจะต้องรอให้มีข้อมูลที่มากพอ เพราะอุบัติเหตุที่เกิดขึ้นในระบบอาจจะเกิดขึ้นน้อยครั้งจนไม่สามารถนำมาสร้างเป็นต้นแบบของเหตุผลในการเกิดแต่ละครั้งได้ (แนะนำว่าควรจะต้องมีข้อมูลย้อนหลังอย่างน้อย 5 ปี)

3 ตัวอย่างที่นำเสนอเป็นเพียงตัวอย่างงานที่หลายโรงงานหรือหลายองค์กรได้ทำสำเร็จเป็นที่เรียบร้อย ยังมีอีกหลายโครงการที่มีการพัฒนาขึ้นแบบเป็นเอกลักษณ์หรือ Customized System ที่จะเหมาะกับการแก้ปัญหาเฉพาะบางองค์กรเท่านั้น และไม่อาจจะนำไปแก้ปัญหาเดียวกันกับที่อื่นได้เพราะปัจจัยต่างๆ ที่แตกต่างกัน


การเป็น Data Driven Process คือ การที่ระบบดำเนินการไปเรื่อยๆ โดยมีข้อมูลไหลผ่านและเกิดการประมวลผลอยู่ตลอดเวลา ซึ่งหากมีพฤติกรรมเปลี่ยนแปลงไปเกิดความผิดปกติทั้งในทางที่ดีหรือไม่ดี ระบบจะมีการกระทำหรือมีการแจ้งเตือน เพื่อให้ผู้รับผิดชอบดำเนินการต่อไป โดยที่ไม่จำเป็นต้องมี “มนุษย์” หรือผู้รับผิดชอบ คอย Monitor ข้อมูลเหล่านั้น นอกจากจะเป็นการลดงานบางอย่างลงแล้ว ยังเป็นการนำข้อมูลมาใช้ให้เกิดประโยชน์ ได้ผลลัพธ์ที่มีประสิทธิภาพและวัดผลได้จริงอีกด้วย

ข้อจำกัดหลัก คือ ความเข้าใจ เพราะอุตสาหกรรมการผลิตเป็นอุตสาหกรรมขนาดใหญ่ทั้งในเรื่องของขนาดองค์กร ขนาดการผลิต ขนาดของข้อมูลและขนาดของการลงทุน ถ้าไม่เริ่มให้ถูกทางตั้งแต่แรกก็จะยากที่จะเดินต่ออย่างถูกต้อง

การจะสร้าง Data Driven Process ให้เกิดขึ้นได้ในอุตสาหกรรมการผลิต จึงต้องใช้ข้อมูลขนาดใหญ่กว่าอุตสาหกรรมแบบปกติ จึงต้องมีการออกแบบ Infrastructure อย่างรัดกุม ถือว่าเป็นโครงการ Big Data ที่ท้าทายอย่างมากและอาจจะต้องใช้ระยะเวลาในการดำเนินการ ทำให้ในการออกแบบโครงการควรจะออกแบบโครงการออกเป็นส่วนๆ หรือ Phase ย่อยๆ เพื่อให้มีจังหวะในการวัดผลและประเมินความเหมาะสมของเทคโนโลยี เนื่องจากในแต่ละช่วงเวลาจะมีเทคโนโลยีใหม่ๆ เกิดขึ้นเช่นกัน ระบบที่เหมาะสมคือ ระบบที่ยืดหยุ่นและพร้อมต่อการเปลี่ยนแปลง เช่นเดียวกับบุคลากรที่จะต้องมีความรู้ทั้งในเชิงกว้างและลึกที่จะสามารถเข้าใจ Flow ของข้อมูลได้ตั้งแต่ต้นน้ำจนถึงปลายน้ำ


 

We turn your DATA into your KEY of success.


#Coraline ให้คำปรึกษาและพัฒนาโครงการ Big Data, Data Model, Artificial Intelligence และ Digital Transformation เพื่อเพิ่มศักยภาพของธุรกิจ


คอราไลน์ให้บริการครบวงจรด้านข้อมูลมหัต (Big Data) ปัญญาประดิษฐ์ (AI) เพื่อการพัฒนาองค์กรให้ขับเคลื่อนด้วยข้อมูลโดยสมบูรณ์ (Data Driven Transformation)


Tel: 099-425-5398


Data Driven Process สำหรับอุตสาหกรรมการผลิต
Data Driven Process สำหรับอุตสาหกรรมการผลิต

Comentarios


< Previous
Next >
bottom of page