Predictive Maintenance เมื่อการพยากรณ์กลายเป็นส่วนหนึ่งของโรงงาน
สวัสดีครับ วันนี้เราจะมาพูดคุยกันในหัวข้อ Predictive Maintenance ครับ เป็นเรื่องเกี่ยวกับการซ่อมบำรุงในโรงงานยุคใหม่ครับ ส่วนรูปแบบ และประโยชน์จะเป็นอย่างไรติดตามรับชมได้เลยครับผม
ก่อนจะก้าวเข้าไปในส่วนของระบบและเทคโนโลยีเรามาปูความรู้เกี่ยวกับการซ่อมบำรุงกันก่อนดีกว่าครับ
โดยปกติแล้วการซ่อมบำรุงจะมีอยู่หลักๆสองรูปแบบครับ คือ
1.Corrective Maintenance หรือซ่อมเมื่อเสีย ผมขออธิบายตัวอย่างโดยเปรียบเทียบกับรถยนต์แทนนะครับ เพื่อให้ท่านที่ไม่ได้ทำงานในโรงงานเห็นภาพครับ การซ่อมเมื่อเสียของรถยนต์มักจะเป็นอุปกรณ์เล็กๆที่ไม่มีความสำคัญ หรือไม่มีตัววัด เช่น หลอดไฟ หรือที่ปัดน้ำฝนครับ ก็คือไฟไม่ติดก็เปลี่ยน หรือเมื่อปัดน้ำฝนไม่สะอาดก็เปลี่ยนเช่นกันครับ
ข้อดี ของวิธีนี้คือประหยัดครับ เพราะเท่ากับเราได้ใช้ของตาม Lifetime จนหมดอายุจริงๆ
ข้อเสีย ก็คือถ้าเกิดเป็นอะไหล่ที่มีความสำคัญนะครับ เป็นเรื่องแน่นอนคือ ทำให้รถเสียในเวลาที่เราไม่ต้องการทำให้เราต้องไปติดอยู่ในที่ที่เราไม่ปรารถนา และต้องมาเสียเงินจ้างช่าง หรือรถมาลากไปอีก และเผลอๆอาจทำให้ต้องจ่ายค่าซ่อมราคาแพงขึ้นเพราะไปทำความเสียหายให้กับส่วนอื่นๆ
2.Preventive Maintenance หรือการซ่อมบำรุงตามรอบระยะหรือเวลา ถ้าเปรียบกับรถยนต์ก็คือการเข้าศูนย์เช็คระยะ โดยการซ่อมประเภทนี้จะดูที่ตามระยะทางที่รถวิ่งมาแล้ว หรือดูตามอายุของรถ และจะทำการเปลี่ยนทันทีโดยไม่สนใจเรื่องความสึกหรอว่าจะมากน้อยเท่าใด สาเหตุที่เป็นเช่นนั้นเพราะทางค่ายรถจะใช้มาตรฐานการประมาณการอายุตามรอบเวลาจากผู้ผลิต และเปลี่ยนก่อนที่จะถึงรอบเสียจริงเพื่อความปลอดภัยในอนาคตของผู้ขับขี่ เช่น การเปลี่ยนสายพานเมื่อครบหนึ่งแสนกิโลเมตร
ข้อดี ก็คือปลอดภัยเพราะเป็นการเปลี่ยนก่อนถึงอายุ เป็นการป้องกันความเสี่ยงรูปแบบหนึ่ง
ข้อเสีย ก็คือเป็นการขาดทุนสำหรับช่วงอายุการใช้งานที่เหลือ ซึ่งอาจจะเหลืออีกจำนวนมาก หรือถ้าโชคร้ายเจอกับของหลุด QC อะไหล่นั้นอาจเสียก่อนรอบเวลาก็ได้
ดูดูไปก็มีข้อดีข้อเสียทั้งสองวิธี แต่เหมือนจะมีช่องว่างอยู่บางประการ เช่น เรื่องต้นทุน กับเรื่องของเสีย แล้วมีวิธีที่รวมข้อดีของทั้งสองวิธีนี้หรือไม่
คำตอบคือมี ด้วย Predictive Maintenance ระบบจะรวมเทคโนโลยี IoT, Big Data และ AI ผสมผสานผูกโยงข้อมูลเข้าด้วยกันเป็นกระบวนการดังต่อไปนี้
การใช้ประโยชน์จาก Sensor ในระบบจะมีการติด Sensor กับอะไหล่ที่ต้องการโฟกัสไว้ทุกตัวและจะส่งข้อมูลรูปแบบที่ต้องการโฟกัสไปจัดเก็บไว้ที่ Big Data ประเภทของข้อมูลเช่น ค่าความสั่นสะเทือน ค่าความร้อน
Big data จะนำข้อมูลที่ได้มาประมวลผล โดยมีตัวเทียบจากข้อมูลในอดีต หรือข้อมูลตัวอย่าง เพราะอะไหล่แม้จะต่างประเภทโรงงานก็เป็นอะไหล่ชนิดเดียวกัน จึงสามารถเทียบได้
หากการหาสัญญาณผิดปกติไม่ต้องการทำโดยมนุษย์เนื่องจากปริมาณ หรือต้องการโฟกัสตลอด 24 ชม. ก็สามารถใช้ AI มาช่วยได้ โดยหลักการเทียบจะดูค่าสัญญาณที่แตกต่างจากค่ามาตรฐานเป็นปริมาณมากๆ หรือตรงกับรูปแบบที่อะไหล่ใกล้จะเสียหาย ถ้าตรงกับ Pattern ประเภทนี้ให้แจ้งเตือนและต้องทำการเปลี่ยนทันทีเพื่อความปลอดภัย หรืออาจตั้งเวลาเผื่อไว้กรณีที่ต้องทำการจัดซื้ออะไหล่เป็นเวลานาน
มาทวนเพื่อให้เห็นภาพอีกซักครั้ง
ติด Sensor เพื่อรับค่าจากอะไหล่ และค่าจะถูกจัดส่งไปเก็บที่ Big Data เมื่อสัญญาณผิดปกติจากค่ามาตรฐานหรือตรงกับ Pattern ของความเสียหายให้แจ้งเตือนโดย AI เพื่อทำการเปลี่ยนตามอายุ Lifetime ของอะไหล่ชิ้นนั้นๆ ลองคิดดูนะครับว่าจะดีแค่ไหนที่มีระบบมาเตือนก่อนที่อะไหล่จะหมดอายุจริงๆไม่นาน คือได้ใช้จนคุ้มค่า และก็ไม่เสี่ยงต่อการเกิด Down Time อีกด้วย
ข้อดีของวิธีนี้ก็คือ
สามารถเปลี่ยนอะไหล่ตรงกับ Lifetime ของมันจริงๆ ทำให้ประหยัดหากอะไหล่ยังสามารถใช้งานได้อีกยาวนาน ไม่ต้องเปลี่ยนทิ้งเมื่อถึงรอบ
สามารถเฝ้าระวังและเปลี่ยนอะไหล่ได้ก่อนที่จะเสียจริงๆ เพราะหากเป็นตัวอะไหล่หลุด QC ก็ไม่สามารถเปลี่ยนได้ทันถ้าใช้วิธีการปกติ ทำให้หลีกเลี่ยงอุบัติเหตุ, Downtime หรือเหตุการณ์ Plant Shut Down ได้ครับ
อุบัติเหตุใครๆก็ไม่อยากให้เกิดใช่ไหมละครับ
สุดท้ายมาดู VDO ตัวอย่างจาก Microsoft Azure กันซักรอบก่อนลาจาก ท่านใดเป็นผู้บริหารโรงงานก็อาจลองนำเทคโนโลยีนี้ไปใช้ดู เพื่อลดต้นทุน และหลีกเลี่ยงอุบัติเหตุครับ ;-)
อ้างอิง
- 7
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2025 Blockdit
