ปัจจุบัน ภาคการผลิตกำลังเผชิญกับแรงกดดันอย่างสูงให้เพิ่มผลผลิต ลดต้นทุน ปรับปรุงคุณภาพ และอื่น ๆ

การผลิตแบบเดิมใช้ข้อมูลแบบเรียลไทม์น้อยมาก ในทางกลับกันการผลิตที่ขับเคลื่อนด้วยข้อมูลใช้ข้อมูลที่รวบรวมจากเครื่องจักรและสายการผลิต เพื่อวิเคราะห์และปรับกระบวนการผลิตให้เหมาะสม ทำให้การตัดสินใจอย่างมีข้อมูลโดยอิงจากข้อเท็จจริงมากกว่าจะใช้ประสบการณ์หรือสัญชาตญาณ ซึ่งนำไปสู่การปรับปรุงการดำเนินงานตามเป้าหมาย

การผลิตที่ขับเคลื่อนด้วยข้อมูลคืออะไร

การผลิตสมัยใหม่ต้องสามารถปรับเปลี่ยนได้อย่างรวดเร็วเพราะนวัตกรรมใหม่เกิดขึ้น และเทคโนโลยีเก่าหายไปเร็วกว่าเดิม แนวทางที่ขับเคลื่อนด้วยข้อมูลช่วยให้ผู้ผลิตรวบรวม และแยกข้อมูลที่สำคัญออกมาได้ เพื่อนำไปสู่การตัดสินใจที่แม่นยำและทันสถานการณ์

การผลิตที่ขับเคลื่อนด้วยข้อมูลนั้นอาศัยสามองค์ประกอบหลักดังต่อไปนี้:

การรวบรวมข้อมูล: เริ่มต้นด้วยการรวบรวมข้อมูลจากทุกพื้นที่ของการผลิต ซึ่งรวมถึงข้อมูลจากเซ็นเซอร์ในเครื่องจักร บันทึกจากสายการผลิต การเปลี่ยนแปลงทางวิศวกรรม (ECN) และข้อมูลภายนอก เช่น การเปลี่ยนแปลงสเปกของวัตถุดิบ เนื่องจากมีข้อมูลจำนวนมาก หรือที่เรียกว่า “บิ๊กดาต้า” จึงจำเป็นต้องมีระบบจัดการที่แข็งแกร่งเพื่อรวบรวมและจัดเก็บข้อมูล

การวิเคราะห์แบบเรียลไทม์: ผู้ผลิตต้องการการวิเคราะห์แบบเรียลไทม์เพื่อแยกย่อยและทำความเข้าใจข้อมูลที่สร้างขึ้นนี้ ซึ่งช่วยให้ได้รับข้อมูลเชิงลึกว่าการผลิตจะดำเนินไปได้ดีเพียงใด ด้วยวิธีนี้ ผู้ผลิตจึงสามารถทำการเปลี่ยนแปลงอย่างรวดเร็ว และหยุดปัญหาได้ก่อนที่ปัญหาจะเกิดขึ้น

ปัญญาประดิษฐ์ (AI):

AI จะช่วยวิเคราะห์ข้อมูลให้ลึกยิ่งขึ้น โดยใช้แมชชีนเลิร์นนิ่งเพื่อตรวจสอบชุดข้อมูลขนาดใหญ่ AI สามารถค้นหารูปแบบและทำนายสิ่งที่จะเกิดขึ้นต่อไปได้ GenAI ทำให้วิศวกรสามารถพูดคุยกับบิ๊กดาต้าได้ด้วยเทคโนโลยี ChatBot ทำให้วิศวกรแสวงหาความรู้ต่าง ๆ มาประกอบการวิเคราะห์

ประโยชน์ของการนำแนวทางที่ขับเคลื่อนด้วยข้อมูลมาใช้

เมื่อผู้ผลิตใช้ข้อมูลมากขึ้นก็มีความสามารถการแข่งขันสูงขึ้น ข้อมูลแบบเรียลไทม์ช่วยให้ผู้ผลิตสามารถจับตาดูประสิทธิภาพของเครื่องจักรและอุปกรณ์ในสายการผลิตได้อย่างใกล้ชิด ประโยชน์ของการผลิตที่ขับเคลื่อนด้วยข้อมูลมาใช้ ได้แก่:

การบำรุงรักษาเชิงพยากรณ์:

การวิเคราะห์ข้อมูลสามารถแสดงได้ว่าเครื่องจักรอาจขัดข้องเมื่อใด ซึ่งจะช่วยให้ผู้ผลิตสามารถดำเนินการบำรุงรักษาได้ในเวลาที่เหมาะสม ซึ่งจะช่วยลดเวลาหยุดทำงานที่มีค่าใช้จ่ายสูง แทนการแก้ไขปัญหาหลังจากที่เกิดขึ้นแล้ว ช่วยประหยัดเวลาและทรัพยากร

การเพิ่มประสิทธิภาพแรงงาน:

การดูข้อมูลสามารถเผยให้เห็นความล่าช้าและปัญหาในเวิร์คโฟลว์ โรงงานจึงสามารถออกแบบโปรแกรมการฝึกอบรมเฉพาะเพื่อให้พนักงานส่วนนั้นได้รับทักษะที่จำเป็น ส่งผลให้ประสิทธิภาพการทำงานเพิ่มขึ้นและข้อผิดพลาดลดลง

การลดของเสีย:

ข้อมูลเกี่ยวกับการใช้วัสดุวัตถุดิบ จำนวนผลิตภัณฑ์ที่ผลิตและจำนวนผลิตภัณฑ์ที่มีข้อบกพร่อง สามารถแสดงขั้นตอนการผลิตที่สามารถปรับปรุงได้ ซึ่งจะช่วยลดของเสียและใช้ทรัพยากรอย่างคุ้มค่าขึ้น

เริ่มต้นระบบการผลิตที่ขับเคลื่อนด้วยข้อมูลอย่างไร

การประยุกต์ใช้ระบบการผลิตที่ขับเคลื่อนด้วยข้อมูล ไม่ได้หมายความว่าต้องเปลี่ยนแปลงทุกอย่างในคราวเดียว แต่ควรเริ่มอย่างช้า ๆ แต่สม่ำเสมอ ต่อไปนี้คือขั้นตอนง่ายๆ สำหรับการเริ่มต้น:

การรวบรวมและวิเคราะห์ข้อมูล:

คือการสร้างระบบที่แข็งแกร่งสำหรับการรวบรวมและวิเคราะห์ข้อมูล สำรวจหาแหล่งข้อมูลจากไลน์ผลิตที่มีความสำคัญในกระบวนการผลิต ซึ่งอาจเป็นข้อมูลเซ็นเซอร์จากเครื่องจักร บันทึกการผลิต บันทึกฝ่าย QC และแม้แต่ปัจจัยภายนอก เช่น ECN หรือการเปลี่ยนแปลงวัสดุ

จากนั้นต้องหาวิธีในการรวบรวมและจัดเก็บข้อมูลอย่างปลอดภัย ซึ่งอาจหมายถึงการซื้อฮาร์ดแวร์หรือซอฟต์แวร์สำหรับรวบรวมข้อมูล เมื่อมีข้อมูลแล้ว ให้ใช้เครื่องมือวิเคราะห์เพื่อค้นหารูปแบบและแนวโน้ม ซึ่งจะช่วยให้เข้าใจกระบวนการผลิตได้ดีขึ้นมาก

ระบุคอขวดและพื้นที่สำหรับการปรับปรุง:

เมื่อมีข้อมูลเข้ามา สิ่งสำคัญคือต้องหาพื้นที่ที่ส่งผลกระทบต่อการดำเนินงาน โดยเน้นจุดในกระบวนการผลิตที่เป็นคอขวด ที่ทำให้การผลิตช้าลงหรือส่งผลกระทบต่อคุณภาพของผลิตภัณฑ์ ผู้ผลิตสามารถสร้างแดชบอร์ดโดยใช้เครื่องมือที่แสดงข้อมูลแบบเรียลไทม์ ซึ่งจะบ่งชี้ประสิทธิภาพหลัก (KPI) ของขั้นตอนการทำงาน ซึ่งจะช่วยให้เห็นว่าต้องปรับปรุงสิ่งไหน เช่น การทำให้เครื่องจักรทำงานได้ดีขึ้น เร่งการไหลของวัสดุ หรือปรับปรุงการสื่อสารระหว่างหน่วยผลิตต่าง ๆ

ผนวกเครื่องมือ BI และเทคโนโลยีเข้าด้วยกัน:

การผนวกเครื่องมือ Business intelligence ที่เหมาะสมสามารถเปลี่ยนข้อมูลเชิงลึกที่ได้จากการวิเคราะห์ให้กลายเป็นแผนปฏิบัติ เลือก BI ที่เหมาะกับความต้องการด้านการผลิตและงบประมาณ หาแพลตฟอร์มที่ช่วยให้การแสดงภาพข้อมูล การรายงาน และการวิเคราะห์ขั้นสูงมาช่วย เช่น การสร้างแบบจำลองเชิงพยากรณ์ตรวจสอบและเพิ่มประสิทธิภาพอย่างต่อเนื่อง: การผลิตที่ขับเคลื่อนด้วยข้อมูลมาใช้ไม่ใช่งานที่จัดทำครั้งเดียวแล้วจบ แต่เป็นกระบวนการที่ต้องมีการปรับปรุงอย่างต่อเนื่อง การจัดทำระบบตรวจสอบที่มีประสิทธิภาพจะช่วยติดตามตัวชี้วัดประสิทธิภาพที่สำคัญ (KPI) และวัดผลว่าการเปลี่ยนแปลงนั้นได้ผลดีเพียงใด

สรุป

เมื่อผู้ผลิตใช้ประโยชน์จากข้อมูลได้เต็มที่ก็สามารถทำงานได้อย่างมีประสิทธิภาพ ส่งผลต่อการตัดสินใจทางธุรกิจ ซึ่งแม้แต่สถาบันมาตรฐานและเทคโนโลยีแห่งชาติอเมริกา (NIST) ยังให้ความสำคัญ จึงสามารถกล่าวได้ว่าการผลิตที่ขับเคลื่อนด้วยข้อมูลนั้นเป็นตัวเปลี่ยนเกมอย่างแท้จริงสำหรับผู้ผลิต

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

Today, the manufacturing sector is facing relentless pressure to increase productivity, reduce costs, improve quality, and more. The conventional manufacturing makes very little on real-time data. In contrast, data-driven manufacturing uses data collected from machines and production lines to analyze and optimize the manufacturing process, enabling informed decisions based on facts rather than experience or intuition, leading to targeted operational improvements.

What is data-driven manufacturing?

Modern manufacturing needs to be able to adapt quickly as new innovations emerge and current technologies fade out faster than ever before. Data-driven approaches help manufacturers collect and extract key data to enable more accurate and timely decisions. Data-driven manufacturing relies on three key components:

Data collection: It starts with collecting data from all areas of production, including sensors on machines, records from production lines, engineering changes notice (ECN), and external data such as changes in raw material specifications. Because of the large volume of data, or “big data,” a robust data management system is needed to collect and store it.

Real-time analytics: Manufacturers need real-time analytics to break down and understand this data, providing insights into how well production is performing. This way, manufacturers can make changes quickly and stop problems before they arise.

Artificial intelligence (AI): AI helps analyze data more deeply. By using machine learning (ML) to examine large data sets, AI can find patterns and predict what might happen next. Gen AI enables engineers to talk to big data with ChatBot technology, allowing engineers to gather insights to support their analysis.

Benefits of Adopting Data-driven Approach

As manufacturers use more data, they become more competitive. Real-time data allows manufacturers to keep a close eye on the performance of their machinery and equipment on the production line. Some of the benefits of using data-driven manufacturing include:

Predictive maintenance: Data analysis can show when a machine is likely to fail, allowing manufacturers to perform maintenance at the right time, reducing costly downtime instead of fixing the problem after it has already occurred, saving time and resources.

Increased workforce efficiency: Viewing data can reveal delays and problems in workflows, allowing factories to design specific training programs to equip employees with the skills they need, resulting in increased productivity and fewer errors.

Reduced waste: Data about how raw materials are used, how many the products are produced, and the number of defective products can reveal areas that can be improved, reducing waste and making better use of resources.

How to Start a Data-Driven Manufacturing System

Implementing a data-driven manufacturing system doesn’t mean changing everything at once, but rather starting slowly and steadily. Here are some simple steps to get started:

Data collection and analysis: This involves creating a robust system for collecting and analyzing data. Explore sources of data from the production lines that are important to the manufacturing process. This could be sensor data from machines, production logs, QC records, and even external factors such as ECNs or material changes. Then, find a way to securely collect and store the data. This could mean purchasing hardware or software to collect the data. Once you have the data, use an analytics tool to find patterns and trends, which can help you better understand your manufacturing process.

Identify bottlenecks and areas for improvement: Once the data is in, it’s important to identify areas that are impacting your operations. Focus on the bottlenecks that are slowing down production or impacting product quality. Manufacturers can create dashboards using tools that display real-time data that show key performance indicators (KPIs) of your processes. This helps you see where you need to improve, such as making machines run better, speeding up material flow, or improving communication between production units.

Integrate BI tools and technology: Integrating the right business intelligence tools can turn insights gained from analytics into actionable plans. Choose a BI that fits your manufacturing needs and budget. Look for platforms that enable data visualization, reporting, and advanced analytics, such as predictive modeling.

Continuous monitoring and optimization: Adopting data-driven manufacturing is not a one-time job, but a process that requires continuous improvement. Establishing an effective monitoring system will help you track key performance indicators (KPIs) and measure how well your changes are working.

Summary

When manufacturers are able to fully leverage their data, they can operate more efficiently, result in better business decisions. Even the US National Institute of Standards and Technology (NIST) recognizes this. So, it’s safe to say that data-driven manufacturing is a real game changer for manufacturers.

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

現在、製造業は生産性向上やコスト削減、品質向上等様々な課題に大きなプレッシャーに直面しています。

従来の製造業ではリアルタイムのデータがほとんど使用されません。一方、データ駆動型製造では、機械や生産ラインから収集されたデータを用いて、生産プロセスを分析・最適化します。これにより、経験や直感に頼らず、現実的な情報に基づいた意思決定が可能になり、業務の改善につながります。

データ駆動型製造とは？

既存技術がかつてない速さで消えていく中、新たなイノベーションが生まれ、現代の製造業は迅速に適応できなければなりません。データ駆動型のアプローチは、製造業者が重要なデータを収集・活用して、企業経営の正確かつタイムリーな意思決定が可能となります。

データ駆動型製造は、次の3つの主要な要素に依存します。

データ収集: 生産のすべての領域からデータを収集することから始めます。これには、機械内のIoTセンサーや、生産ラインの記録エンジニアリング変更(ECN) および原材料仕様の変更などの外部データから得た全ての情報が含まれます。いわゆる「ビッグデータ」と呼ばれる大量の情報の中から存在するため、データを収集して保存するためのビッグデータと呼ばれる大量の情報の中から、自社にとって有益な情報を収集・保存・すばやく見出せるような堅牢な管理システムが必要になります。

リアルタイム分析: 製造業者は、生成されるデータを加工・処理をし、理解するためにリアルタイム分析を必要とします。 これにより、製造現場の実績状況をリアルタイムで把握することです。これにより、パフォーマンスの問題が起こる前に、問題を迅速に収束させることができ、問題解決にあたる体制を実現できます。

人工知能 (AI): AI技術は、機械学習を用いて大規模なデータセットを調査することで、データをより深く分析するのに役立ちます。AIはデータのパターンを識別し、自動的にクリーニングを行うことが可能、未来の状況を予測できます。GenAI は、エンジニアがChatBot技術の活用により、ビッグデータと対話できるようにします。 エンジニアが分析をサポートするために必要な知識・データを素早く効率的に検索・活用することができます。

データ駆動型のアプローチによる企業のメリット

データ駆動の活用により、市場における競争力を高めることができます。リアルタイムデータを効果的に活用することで、製造現場の機械や装置のパフォーマンスの詳細な情報を注意深く把握することが可能となります。データ駆動の活用により、製造メーカーに対するメリットは次のとおりです。

予測メンテナンス: データ分析により、設備が故障してから修理を行う事後保全とは異なり、故障の兆候を検知して適切なタイミングで予防保全を行うことができます。また、設備停止によるダウンタイムを未然に防止してコストの節約を実現でき、設備稼働時間も向上させることができます。

労働生産性の向上: 製造現場のデータを監視することにより、ワークフローの遅延や問題が見える化になり、工場では従業員に必要なスキルを身につけさせるための個別化されたトレーニングプログラムを設計することで、作業効率が向上やエラーが減少します。

不良削減：材料使用や生産された製品の数と不良品の数に関するデータ駆動による生産手順の改善は、不良品を削減し、廃棄物を減らすことにつながります。また、リソースの効率化や生産性の向上にも寄与します。

データ駆動型製造システムを始める際の実践方法

データ駆動型製造システムを自社に導入するのに、すべてを一括に変更することではなく、慎重かつ着実に物事を進めていく必要があります。ここではシステム化を始めるにあたり、いくつかの簡単な手順を紹介します。

データ収集と分析: 生産プロセスで重要な生産ラインからの情報源を探索および発見し、データを収集および分析するための強力なシステムを構築することです。これには、機械内のIoTセンサーや、生産記録、QC記録、更にはエンジニアリングによるECNや材料変更等などの外部要因から得た全ての情報も含まれます。

次に、データを安全に収集して保存する方法を見つける必要があります。これは、データを収集するためのハードウェアまたはソフトウェアを購入することを意味する場合があります。情報が入手できたら高度な分析ツールを使用してパターンと傾向を探すことにより、製造プロセスをより深く理解できるようになります。

ボトルネックと改善点の特定: データが入ると生産を遅らせたり製品の品質に影響を与えたりする製造プロセスのボトルネックに焦点を当て、業務運用における影響を与えている領域を特定することが重要です。製造業者は、ワークフローの主要業績評価指標 (KPI)を示すリアルタイムデータを表示するツールを使用してダッシュボードを作成できます。これにより、機械動作の改善や材料の流れを加速させる、もしくは異なる生産ユニット間のコミュニケーションを改善するなど、何の業務を改善する余地があるのかを表面化させて簡単に活用できるようになります。

BIツールとデータ技術ツールの統合: ビジネスインテリジェンスツールを適正に統合することで、複雑なデータ分析から得られた情報をより高度な意思決定や実行計画変換の支援が行えるようになりました。生産ニーズと予算に合ったBIツールを選択し、大量のデータを収集し・加工して視覚的なグラフやレポート、トレンドの発見、効率的な戦略の策定などの高度なデータの分析を容易にしてくれます。

継続的な監視と業務改善: データ駆動型製造システムを自社に導入するにあたっては一度きりのことではなく、継続的な改善を必要とするプロセスです。効果的な監視システムを確立することにより、主要業績評価指標 (KPI)を追跡し、改善を繰り返すことで、最適化された機能や業務フローを維持できます。

まとめ

メーカーとしてデータを最大限に活用することで、業務効率の向上、迅速な意思決定につながることが期待できます。アメリカ国立技術標準研究所(NIST)もDX戦略を重視しています。したがって、データ駆動型製造システムは製造業界にとって真のゲームチェンジャーであると言えます。

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech