Smart Manufacturing – SMC https://www.nectec.or.th/smc Sustainable Manufacturing Center Mon, 01 Apr 2024 01:11:42 +0000 en-US hourly 1 https://wordpress.org/?v=6.8.1 https://www.nectec.or.th/smc/wp-content/uploads/2021/02/cropped-siteicon-SMC-32x32.png Smart Manufacturing – SMC https://www.nectec.or.th/smc 32 32 [White Paper] 5G Use Cases for Smart Factory/Manufacturing ในประเทศไทย: มุมมองเชิงเทคนิคและความคุ้มค่าการลงทุน https://www.nectec.or.th/smc/5g-use-cases-for-smart-factory-manufacturing/ Mon, 01 Apr 2024 01:06:01 +0000 https://www.nectec.or.th/smc/?p=7567

โดย กลุ่มวิจัยการสื่อสารและเครือข่าย (CNWRG)
กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม (IIARG)
ทีมวิเคราะห์ตลาดและเทคโนโลยี
เนคเทค สวทช.

เทคโนโลยีเครือข่ายเซลลูลาร์ไร้สายมีวิวัฒนาการมาถึงยุคที่ 5 หรือที่เรียกว่าย่อว่า 5th Generation Cellular  Network (5G) ในช่วงปี พ.ศ. 2562 ด้วยศักยภาพของเทคโนโลยีที่มีการพัฒนาเพิ่มขึ้นอย่างต่อเนื่อง ทำให้มีการนำเทคโนโลยีนี้มาประยุกต์ใช้ในภาคอุตสาหกรรมการผลิต นอกเหนือจากการให้บริการโทรคมนาคมแก่บุคคลทั่วไปในการใช้งานโทรศัพท์เคลื่อนที่หรือเชื่อมต่อข้อมูลผ่านเครือข่ายอินเทอร์เน็ต ซึ่งเทคโนโลยี 5G มีศักยภาพที่สอดคล้องกับแนวทางการปรับปรุงอุตสาหกรรมการผลิตให้เข้าสู่ยุคที่ 4 หรือ ที่เรียกว่า Industry 4.0 ด้วยการเพิ่มการเชื่อมต่อระบบเครือข่ายข้อมูลที่มีเสถียรภาพ เข้าไปในสายการผลิต เป็นผลให้การผลิตสามารถปรับให้มีความยืดหยุ่นได้ สามารถตรวจสอบ และปรับปรุงประสิทธิภาพในกระบวนการผลิตได้ดีขึ้น

อย่างไรก็ตามเทคโนโลยีนี้ยังมีความใหม่ และมีการปรับปรุงมาตรฐานอย่างต่อเนื่อง อุปกรณ์ที่ใช้งานได้ในโรงงานกำลังค่อย ๆ เพิ่มจำนวนขึ้น อีกทั้งผู้ให้บริการและผู้ใช้งานยังมีความเข้าใจในการประยุกต์ใช้งานในภาคอุตสาหกรรมการผลิตอย่างจำกัด ผนวกกับความกังวลในความคุ้มค่าที่จะลงทุนในการเลือกใช้เทคโนโลยีที่เหมาะสมกับบริบทของแต่ละราย เป็นส่วนสำคัญที่ยับยั้งการขับเคลื่อนไปข้างหน้าของการลงทุนใหม่ ๆ ก่อให้เกิดการหยุดชะงักของการพัฒนาอุตสาหกรรมให้ก้าวสู่อุตสาหกรรม 4.0

ดังนั้น จึงมีความจำเป็นอย่างยิ่งที่จะมีการทดลองทดสอบและการถ่ายทอดการประยุกต์ใช้งานเทคโนโลยี 5G ให้กับอุตสาหกรรมเพื่อนำไปสู่ Smart Factory/Manufacturing ได้อย่างยั่งยืน ให้เข้ากับบริบทของอุตสาหกรรมไทย ซึ่งการทดลองมาจากความต้องการของผู้ประกอบการโรงงาน พร้อมทั้งชี้ให้เห็นถึงขีดความสามารถของเทคโนโลยี 5G ในด้านต่าง ๆ ซึ่งเอกสารเผยแพร่ฉบับนี้เป็นสรุปผลการทดลองภายใต้โครงการทดลองและถ่ายทอดการประยุกต์ใช้เทคโนโลยี 5G สำหรับ Smart Factory/Manufacturing ที่ได้รับการส่งเสริมสนับสนุนจากกองทุนวิจัยและพัฒนากิจการกระจายเสียง กิจการโทรทัศน์ และกิจการโทรคมนาคม เพื่อประโยชน์สาธารณะ (กทปส.) เพื่อเป็นการนำร่องศึกษาการใช้งานเทคโนโลยี 5G ในโรงงาน ซึ่งจะแสดงให้เห็นถึงประโยชน์จากแนวทางการเลือกใช้เทคโนโลยีทั้งในแง่ของประสิทธิภาพและความคุ้มค่าของการลงทุน และผลกระทบต่อภาคธุรกิจโทรคมนาคมและภาคอุตสาหกรรม รวมถึงโอกาสและข้อจำกัดต่าง ๆ นอกจากนี้ยังเป็นการเตรียมความพร้อมให้อุตสาหกรรมในประเทศไทยสามารถก้าวเข้าสู่ยุค 4.0 อย่างแท้จริง

สามารถดาวน์โหลดเอกสารได้ ที่นี่

5G Use Cases for Smart Factory/Manufacturing ในประเทศไทย: มุมมองเชิงเทคนิคและความคุ้มค่าการลงทุน

]]>
เส้นทางการประยุกต์ใช้เทคโนโลยีแพลตฟอร์ม IDA เพื่อการวิเคราะห์ข้อมูลในโรงงาน https://www.nectec.or.th/smc/%e0%b9%80%e0%b8%aa%e0%b9%89%e0%b8%99%e0%b8%97%e0%b8%b2%e0%b8%87%e0%b8%81%e0%b8%b2%e0%b8%a3%e0%b8%9b%e0%b8%a3%e0%b8%b0%e0%b8%a2%e0%b8%b8%e0%b8%81%e0%b8%95%e0%b9%8c%e0%b9%83%e0%b8%8a%e0%b9%89%e0%b9%80/ Mon, 01 Apr 2024 00:54:15 +0000 https://www.nectec.or.th/smc/?p=7553

โดย ทีมวิเคราะห์ตลาดและเทคโนโลยี
เนคเทค สวทช.

วิกฤตการณ์ที่ต้องจัดการเพื่อหาทางเลือกและทางรอด

กระแสโลก Digital Transformation and Disruption ที่บีบคั้นให้ภาคธุรกิจและอุตสาหกรรมต้องปรับตัวให้อยู่รอดได้ โดยเฉพาะในยุค New and Next normal หลังการแพร่ระบาดทั่วโลกของ COVID-19 ซึ่งเป็นแรงกระเพื่อมเร่งให้ภาคอุตสาหกรรมมุ่งเข้าสู่อุตสาหกรรม 4.0 อย่างรวดเร็วขึ้นกว่าแต่ก่อน เพื่อให้สามารถก้าวข้ามผ่านวิกฤตการณ์เหล่านี้ไปให้ได้ แพลตฟอร์มดิจิทัลน่าจะเป็นตัวช่วยภาคอุตสาหกรรมได้อีกแรง โดยช่วยลดช่องว่างการมุ่งสู่อุตสาหกรรม 4.0 ที่หวังผลหลักทำให้ต้นทุนต่ำที่สุดและเกิดความคุ้มค่ามากที่สุด

นอกจากวิกฤตการณ์ในระดับมหภาคแล้ว ในระดับจุลภาค เมื่อเห็นบิลค่าไฟฟ้าในแต่ละเดือนแล้ว ผู้ใช้ไฟฟ้าส่วนใหญ่คงตกใจกับค่าไฟฟ้าที่เพิ่มสูงขึ้นอย่างมาก เผาผลาญเงินอย่างรวดเร็ว ทั้ง ๆ ที่การใช้ไฟฟ้ายังเท่าเดิม โดยตัวแปรสำคัญของเรื่องนี้คือค่า Ft[1] ซึ่งเพิ่มสูงขึ้นแบบก้าวกระโดดในช่วงปีที่ผ่านมา ประชาชนทั่วไปยังลำบากทุกหย่อมหญ้า นับประสาอะไรกับผู้ประกอบธุรกิจ โดยเฉพาะโรงงานผลิตสินค้าที่ต้องใช้ไฟฟ้าหล่อเลี้ยงเครื่องจักรตลอด 24 ชม. ย่อมได้รับผลกระทบอย่างรุนแรงยิ่งกว่าอย่างหลีกเลี่ยงไม่ได้

ชีวิตจริงของโรงงาน

ปัจจุบันผู้ประกอบการโรงงานต้องเผชิญกับปัญหาและความท้าทายหลายด้าน ไม่ว่าจะเป็น เครื่องจักรเสียหาย (โดยไม่ได้แจ้งเตือนก่อน) ระบบควบคุมต่าง ๆ ทำงานไม่ได้เต็มประสิทธิภาพ ต้องหยุดการผลิตชั่วคราว และย่อมส่งผลต่อการผลิตสินค้าที่ไม่ได้คุณภาพ การไม่มีระบบแจ้งเตือนเมื่อเครื่องจักรมีปัญหาหรือหยุดการทำงาน ข้อมูลที่มีไม่เพียงพอต่อการตัดสินใจและหลาย ๆ โรงงานข้อมูลเหล่านั้นยังอยู่ในรูปแบบแฟ้มกระดาษกองโต ซึ่งไม่สามารถนำมาใช้จัดการปัญหาได้ทันท่วงที เจ้าของโรงงานหลายแห่งที่พยายามนำเอาเทคโนโลยีมาใช้ยังต้องลองผิดลองถูกในการจัดการหาระบบดิจิทัลมาช่วยเหลือหรือมองหา System Integrator (SI) และต้องการผู้เชี่ยวชาญที่น่าไว้วางใจมาช่วยชี้แนะให้ตรงจุดของปัญหา

สิ่งที่โรงงานอยากเห็น

เพื่อเอาตัวรอดในการจัดการพลังงานและการบริหารจัดการโรงงาน และมุ่งสู่การเป็นอุตสาหกรรม 4.0 หากมีตัวช่วยเรื่องการจัดการข้อมูลต่าง ๆ ได้อย่างมีประสิทธิภาพ ฉายภาพให้เห็นแบบรวดเร็วและเข้าใจง่ายมากกว่าเป็นแฟ้มกระดาษปริมาณมหาศาล มีตัวช่วยสะกิดเตือนอย่างทันท่วงทีก่อนเกิดความเสียหายต่อการผลิตและเครื่องจักร มองหาตัวช่วยเพื่อวัดประสิทธิภาพการผลิต ตลอดจนช่วยลดต้นทุนการผลิตในแง่มุมต่าง ๆ ย่อมเป็นทางเลือกและทางรอดของโรงงานในยุคปัจจุบัน

แพลตฟอร์ม IDA เป็นตัวช่วยได้

Industrial IoT & Data Analytic Platform (IDA) หรือ แพลตฟอร์ม IDA คือตัวช่วย “ปลดล็อคศักยภาพโรงงานด้วยเทคโนโลยีไอโอที” หรือ “Connecting industrial IoT, unlocking new insights”

เนคเทค-สวทช. ได้มีการพัฒนาเทคโนโลยีเพื่อตอบโจทย์อุตสาหกรรม 4.0 หลายผลงาน โดยแพลตฟอร์ม IDA ก็เป็นหนึ่งในนั้น แพลตฟอร์ม IDA คือ แพลตฟอร์มที่สามารถเชื่อมต่อ เชื่อมโยง และรวบรวมข้อมูล (Integrate) จากอุปกรณ์ไอโอทีหรือ Internet of Things (IOT) ที่ช่วยตรวจจับสัญญาณต่าง ๆ จากเครื่องจักรในกระบวนการผลิตสู่การวิเคราะห์ บูรณาการข้อมูล และแสดงผล (Visualize) แบบ Real time ทำให้ทราบสถานภาพของเครื่องจักร ตลอดจนการวินิจฉัยข้อมูล (Diagnose) แจ้งเตือนและตอบสนอง (Alert & React) นำไปสู่การบริหารจัดการการผลิตได้อย่างมีประสิทธิภาพ รวดเร็ว ทันท่วงที และที่สำคัญยังช่วยในการประหยัดพลังงานได้อีกด้วย

สำหรับเทคโนโลยีที่เป็นส่วนประกอบหลักของแพลตฟอร์ม IDA เฉพาะของเนคเทคนั้น ได้แก่[2]

1. uRTU (Universal Remote Terminal Unit) หรือ หน่วยตรวจวัดระยะไกลยูนิเวอร์แซลโดยการเก็บและวิเคราะห์ข้อมูลเพื่อทราบต้นทุนรวมถึงภาพรวมด้านการใช้พลังงานเพื่อปรับปรุงประสิทธิภาพการใช้พลังงานในโรงงานให้คุ้มค่าสูงสุด

2. NETPIE (Network Platform for Internet of Everything) หรือ แพลตฟอร์มสื่อสารเพื่อเชื่อมต่อทุกสรรพสิ่ง โดย “NETPIE 2020” แพลตฟอร์ม IoT สัญชาติไทยเวอร์ชันใหม่ล่าสุด ด้วยคุณสมบัติที่พัฒนาขึ้นเพื่อลดภาระและตอบโจทย์ผู้ใช้งานด้าน IoT โดยเฉพาะ ทำให้เป็นเรื่องง่าย ตั้งแต่ขั้นตอนการสร้างต้นแบบ การพัฒนาระบบเพื่อการใช้งานเชิงพาณิชย์ ไปจนถึงการดูแลรักษา ตอบสนองความต้องการของผู้ใช้งานอย่างเต็มรูปแบบ

นอกจากนั้นแพลตฟอร์มยังมีหน้าจอแสดงผลข้อมูลต่าง ๆ เพื่อการวิเคราะห์และติดตามของเจ้าหน้าที่และเจ้าของโรงงาน จึงนับได้ว่าแพลตฟอร์ม IDA เป็นแพลตฟอร์ม IoT และระบบวิเคราะห์ข้อมูลอุตสาหกรรมที่เชื่อมโยงข้อมูลจากเครื่องจักรการผลิตสู่การวิเคราะห์ข้อมูล (Data Analytic) อย่างอิสระ ดังนั้นแพลตฟอร์ม IDA จึงสามารถประยุกต์ใช้งานครอบคลุมได้หลายมิติ เช่น

1. การตรวจวัดปริมาณการใช้พลังงานในโรงงาน (Energy Monitoring) โดยการเก็บและวิเคราะห์ข้อมูลเพื่อทราบต้นทุนรวมถึงภาพรวมด้านการใช้พลังงานเพื่อปรับปรุงประสิทธิภาพการใช้พลังงานในโรงงานให้คุ้มค่าสูงสุด

2. การปรับปรุงประสิทธิภาพของกระบวนการผลิต หรือ Overall Equipment Effectiveness (OEE) โดยการเชื่อมโยงข้อมูลพารามิเตอร์ต่าง ๆ ของเครื่องจักรเพื่อวิเคราะห์ประสิทธิผลโดยรวมที่บ่งบอกความพร้อมของเครื่องจักรซึ่งเป็นหัวใจสำคัญของประสิทธิภาพการผลิต นำไปสู่การแก้ไข ปรับปรุงกระบวนการผลิตอย่างตรงจุดเพื่อเพิ่ม Productivity แก่โรงงานอุตสาหกรรม

3. การบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance) โดยการเชื่อมโยงข้อมูลพารามิเตอร์ต่าง ๆ ของเครื่องจักรมาวิเคราะห์อย่างต่อเนื่อง ถึงความเป็นไปได้ที่เครื่องจักรจะเกิดอาการเสียหายในอนาคต ช่วยให้ผู้ประกอบการสามารถวางแผนการซ่อมบำรุงได้อย่างทันท่วงที ช่วยลดต้นทุนและเพิ่มประสิทธิภาพในการบำรุงรักษาเครื่องจักรในโรงงาน

การตรวจจับการใช้พลังงานในระดับเครื่องจักรแบบ Real-time ช่วยให้ผู้ประกอบการนำข้อมูลที่ได้ไปประกอบการตัดสินใจในการวางแผนและบริหารจัดการพลังงานในสถานประกอบการของตนได้อย่างมีประสิทธิภาพพร้อมต่อยอดไปสู่การวัดประสิทธิภาพการผลิตของเครื่องจักร (Overall Equipment Effectiveness: OEE) และการบำรุงรักษาเชิงพยากรณ์ (Predictive Maintenance) ต่อไป

ตัวอย่าง Dashboard แสดงผลสถานะเครื่องจักร “ควบคุมแรงดันปั๊มน้ำเย็นแบบรวมศูนย์อัตโนมัติ” มีเริ่มต้นตั้งแต่เชื่อมต่อรวบรวมข้อมูล (Integrate) จึงมีการแสดงผล (Visualize) ในกรณีตัวอย่างนี้คือแสดงออกมาเป็นกราฟแนวโน้มแรงดันปั๊มน้ำเย็น และมีการวินิจฉัยข้อมูล (Diagnose) ว่ามีความปกติหรือผิดปกติ และที่สำคัญมีระบบแจ้งเตือนผ่าน Application LINE เพื่อให้บริษัทฯ สามารถแก้ไขปัญหาได้ทันท่วงที (Alert & React) แพลตฟอร์ม IDA จึงเป็นทั้งทางเลือกและทางรอดของการจัดการพลังงานของโรงงาน

จากเทคโนโลยีสู่ผู้ใช้ตัวจริง: กรณีศึกษา 2 บริษัท

จากบริษัทผู้ใช้แพลตฟอร์ม IDA ในปัจจุบันกว่า 20 แห่ง  บริษัท ธนากรผลิตภัณฑ์น้ำมันพืช จำกัด และบริษัท เดอะเพ็ท จำกัด จังหวัดปทุมธานี เป็นกรณีศึกษาที่จะนำมาแสดงให้เห็นตัวอย่างประโยชน์ที่เกิดจากการใช้งานแพลตฟอร์ม IDA

รณีศึกษาแรกคือ บริษัท ธนากรผลิตภัณฑ์น้ำมันพืช จำกัด มีแผนดำเนินการเพื่อยกระดับโรงงานไปสู่ระดับ Industry 4.0 โดยในการผลิตน้ำมันพืชให้มีคุณภาพสูงนั้น จำเป็นต้องมีการตรวจวัดกระบวนการในการผลิต (Process Monitoring) และสิ่งสำคัญที่สุดหนึ่งคือ การบำรุงรักษาเครื่องจักรมิให้มีความผิดปกติหรือหยุดทำงานส่งผลให้การผลิตหยุดชะงัก โดยโรงงานได้ใช้แพลตฟอร์ม IDA เพื่อเป็นตัวช่วยการตรวจสอบการใช้พลังงานพื้นฐานและการบำรุงรักษาเครื่องจักรสำหรับหอหล่อเย็น (Cooling Tower) ซึ่งเป็นหนึ่งในเครื่องจักรที่สำคัญที่สุดในกระบวนการผลิต ซึ่งจะต้องมีการตรวจสอบมอเตอร์ทั้งในส่วนของปั๊มน้ำและพัดลมโดยติดตั้งอุปกรณ์เซนเซอร์เพื่อนำข้อมูลการใช้พลังงานไฟฟ้า การสั่นสะเทือน (Vibration) อุณหภูมิ (Temperature) และกระแสไฟฟ้า (Current) ผ่านอุปกรณ์ URCONNECT ขึ้นสู่ระบบเครือข่าย IoT คลาวด์ของ IDA เพื่อตรวจวัด และแพลตฟอร์ม IDA ช่วยแสดงผลสถานะการทำงานแบบ Real-time หากเกิดความผิดปกติสามารถทำการแจ้งเตือนได้ทันที นอกจากนี้ IDA Dashboard ยังมีการแสดงผลตัวชี้วัดประสิทธิภาพของเครื่องจักร เช่น Cooling Efficiency ของ Cooling Tower ซึ่งจะถูกนำไปปรับปรุงการใช้งานได้

สำหรับกรณีศึกษาที่สอง บริษัท เดอะเพ็ท จำกัด จังหวัดปทุมธานี มีการใช้งานเทคโนโลยีเพื่อสนับสนุนกระบวนการบำรุงรักษาระบบ Cooling Tower น้ำหล่อเย็นของเครื่องจักร พร้อมทั้งออกแบบระบบให้สามารถควบคุมย้อนกลับได้ โดยเมื่อใช้งานจริง นำไปควบคุมส่วน Pump Chiller เป็นหลัก ทำให้สามารถควบคุมการใช้พลังงานไฟฟ้า สำหรับมอเตอร์ปั๊มได้อย่างมีประสิทธิภาพ แพลตฟอร์ม IDA นอกจากช่วยให้โรงงานทราบถึงสถานะการทำงานของปั๊มน้ำและมอเตอร์ของ Cooling Tower แล้ว ยังช่วยในการควบคุมการทำงานของปั๊มน้ำเย็นแบบอัตโนมัติอีกด้วย ส่งผลให้ลดการใช้แรงงานคน อีกทั้งยังสามารถควบคุมการใช้พลังงานไฟฟ้าของปั๊มน้ำและมอเตอร์ของ Cooling Tower ได้อย่างมีประสิทธิภาพมากขึ้น

นอกจากสถานะการทำงานของปั๊มและมอเตอร์แล้ว ยังมีการตรวจวัดแรงดันและอุณหภูมิน้ำเย็นสำหรับระบายความร้อนเครื่องผลิตฉีดพลาสติก ซึ่งสามารถตรวจสอบความผิดปกติและแก้ไขได้อย่างรวดเร็ว ช่วยป้องกันเครื่องจักรเสียหายและลดระยะเวลาการหยุดผลิตเพื่อซ่อมแซมเครื่องจักรได้ การแจ้งเตือนความผิดปกติของปั๊มน้ำ มีระบบแจ้งเตือนผ่านแอปพลิเคชัน LINE ในกลุ่มผู้รับผิดชอบ ทำให้เมื่อมีความผิดปกติเกิดขึ้น ระบบจะแจ้งเตือนผ่านทางช่องแชตกลุ่ม เพื่อให้ผู้รับผิดชอบสามารถเข้าแก้ไขปัญหาได้อย่างรวดเร็วการใช้งานแพลตฟอร์ม IDA นอกจากช่วยลดต้นทุนและประหยัดพลังงานได้แล้ว ยังช่วยในเรื่องของความเสถียรของกระบวนการผลิต ส่งผลให้คุณภาพของผลิตภัณฑ์คงที่ ช่วยให้ลดของเสียของผลิตภัณฑ์อีกด้วย

จากกรณีศึกษาทั้งสองบริษัท ถึงแม้ว่าโรงงานจะมีขนาดแตกต่างกัน และการผลิตสินค้าที่แตกต่างกัน แต่ก็มีการใช้งานแพลตฟอร์ม IDA ที่มีความคล้ายคลึงกัน โดยเน้นในส่วนบำรุงรักษาเครื่องจักรสำหรับหอหล่อเย็น (Cooling Tower) ที่เป็นหนึ่งในเครื่องจักรที่สำคัญที่สุดในกระบวนการผลิต ตลอดจนช่วยในการควบคุมการทำงานของปั๊มน้ำเย็นแบบอัตโนมัติอีกด้วย และยังช่วยแสดงผลสถานะการทำงานแบบ Real-time หากเกิดความผิดปกติสามารถทำการแจ้งเตือนเพื่อแก้ไขปัญหาได้ทันท่วงทีเช่นเดียวกันทั้งสองโรงงาน

ทั้งนี้ เมื่อได้วิเคราะห์ประเมินเชิงตัวเลข เพื่อยืนยันถึงผลประโยชน์ที่บริษัททั้งสองได้รับจากการใช้แพลตฟอร์ม IDA อย่างเป็นรูปธรรม โดยทีมประเมินผลของเนคเทค ซึ่งแสดงให้เห็นถึงมิติผลประโยชน์ที่บริษัทได้รับที่มีความแตกต่างกันได้อย่างชัดเจน ดังนี้

สำหรับบริษัท ธนากรฯ ในภาพรวมบริษัทฯ มี Return on Investment (ROI) เป็นจำนวนสูงถึง 102 เท่าของเงินลงทุน โดยมีระยะเวลาคืนทุน (Payback Period) เพียงภายใน 1 เดือนเท่านั้น ตลอดจนได้สร้างผลกระทบเชิงเศรษฐกิจจากการลดความสูญเสียกำลังการผลิตโดยรวมได้สูงถึง 126 ล้านบาท ส่วนหนึ่งมาจากการมีข้อมูลแบบ Real-time Dashboard และมีระบบแจ้งเตือน ทำให้สามารถวางแผนป้องกันก่อนเครื่องจักรเสียหาย ซึ่งถ้าเสียหายขึ้นมานั้นต้องใช้เวลาสั่งซื้อหรือซ่อมนานถึง 3 เดือน และยิ่งไปกว่านั้นคือ ทำให้บริษัทฯ มีการลงทุนเพิ่มเพื่อต่อยอดจากการใช้งานแพลตฟอร์ม IDA เพื่อเพิ่มประสิทธิภาพการผลิต โดยได้ติดตั้งระบบ Cooling Tower และ  Expander เช่น การติดตั้ง Pressure Transmitter, Vibration Sensor & Temperature Sensor และระบบ Automation มูลค่ารวมเกือบ 1 ล้านบาท

ในขณะที่บริษัท เดอะเพ็ทฯ เมื่อเทียบประสิทธิภาพการผลิตก่อนการติดตั้งระบบและหลังการติดตั้งระบบแพลตฟอร์ม IDA บริษัทฯ มี Return on Investment (ROI) เป็นจำนวน 1.4 เท่าของเงินลงทุน เมื่อคำนวณระยะเวลาคืนทุน (Payback Period)  ใช้เวลาในการคืนทุน 1 ปี ตลอดจนได้สร้างผลกระทบเชิงเศรษฐกิจจากการเพิ่มประสิทธิภาพการทำงานและลดเวลาการทำงานของพนักงาน 4 หมื่นบาท จากการมีระบบแจ้งเตือนแก้ไขปัญหาได้อย่างทันท่วงที และยิ่งไปกว่านั้นคือ ช่วยประหยัดการใช้พลังงานสูงถึงเกือบ 1 ล้านบาท หรือในระยะยาวสามารถประหยัดพลังงานได้สูงถึง 50% ภายในระยะเวลา 5 ปี มีผลทำให้บริษัทฯ ตัดสินใจลงทุนเพิ่มต่อยอดจากการใช้งานแพลตฟอร์ม IDA เพื่อเพิ่มประสิทธิภาพการผลิตในระบบควบคุมและเซนเซอร์ มูลค่ารวมเกือบ 3 แสนบาท

เมื่อเปรียบเทียบทั้งสองบริษัท พบว่าบริษัท ธนากรฯ มี ROI (102 เท่า) สูงกว่าบริษัท เดอะเพ็ทฯ (1.4 เท่า) อย่างมาก เนื่องจากขนาดโรงงานการผลิต และจุดที่นำเอาเทคโนโลยีไปแก้ปัญหามีความแตกต่างกันเนื่องจากบริษัท ธนากรฯ ได้ประโยชน์จากการใช้แพลตฟอร์ม IDA ในการลดความสูญเสียกำลังการผลิต ลดความเสี่ยงในการสูญเสียจากการลดกำลังการผลิต ลดความเสียหายของเครื่องจักร ลด downtime ลดค่าบำรุงรักษาโดยไม่จำเป็น ซึ่งหากเกิดขึ้น จะกระทบอย่างมากต่อยอดการผลิต ยอดขายและต้นทุนจัดเก็บคลังสินค้าเป็นมูลค่าสูง

ในขณะที่บริษัท เดอะเพ็ทฯ ทดลองนำไปใช้งานโดยมุ่งเน้นผลประโยชน์ในมิติการประหยัดพลังงานและลดเวลาการทำงานของพนักงานก่อน ซึ่งการนำไปใช้ยังไม่ได้อยู่ในกระบวนการผลิตโดยตรง ทำให้มูลค่าประโยชน์ที่เกิดขึ้นยังไม่สูงเท่า หากในอนาคตปรับไปสู่การวิเคราะห์เพื่อการลดความสูญเสียกำลังการผลิตเช่นบริษัท ธนากรฯ ก็มีแนวโน้มให้ค่าผลตอบแทนการลงทุนสูงขึ้นได้ ในขณะที่ต้นทุนของในส่วนของการประยุตก์ใช้แพลตฟอร์ม IDA ของทั้งสองแห่งไม่ต่างกันมากนัก ทั้งนี้จากผลประโยชน์ต่อการลงทุนที่แตกต่างกันดังกล่าว ย่อมส่งผลกระทบต่อระยะเวลาคืนทุน (Payback Period) และการลงทุนเพิ่มของบริษัทฯ ที่แตกต่างกันเช่นกัน

อย่างไรก็ตาม รายงานฉบับนี้เป็นเพียงกรณีศึกษาการใช้เทคโนโลยีแพลตฟอร์ม IDA โดยเน้นในส่วนบำรุงรักษาเครื่องจักรสำหรับหอหล่อเย็น (Cooling Tower) ที่มีการวิเคราะห์เชิงตัวเลขทั้ง ROI, Payback Period, Impact และ Investment เพียงสองบริษัทเท่านั้น ซึ่งอาจจะมีการประยุกต์ใช้แพลตฟอร์ม IDA นี้ในแง่มุมอื่น ๆ ของโรงงาน หรือใช้เทคโนโลยีอื่น ๆ มาสผมผสานอีก ตลอดจนใช้ในโรงงานที่ขนาดการผลิตและสินค้าที่แตกต่างกัน ย่อมจะส่งผลให้การวิเคราะห์ เปรียบเทียบ และประเมินเชิงเศรษฐศาสตร์ตลอดจนผลประโยชน์และประสิทธิภาพการผลิตตามบริบทโรงงานที่แตกต่างกัน

สนใจรายละเอียดข้อมูลเพิ่มเติม สามารถดาวน์โหลดเอกสารได้ ที่นี่

เส้นทางการประยุกต์ใช้เทคโนโลยีแพลตฟอร์ม IDA เพื่อการวิเคราะห์ข้อมูลในโรงงาน: ตัวอย่างทางเลือกและทางรอดของผู้ใช้งานจริง

]]>
การโปรแกรมหุ่นยนต์อุตสาหกรรม (Industrial Robot Programming) ตอนที่ 1 https://www.nectec.or.th/smc/industrial-robot-programming1/ Mon, 26 Sep 2022 06:14:27 +0000 https://www.nectec.or.th/smc/?p=6445

บทความ : ชำนาญ ปัญญาใส และ รพีพงศ์ โชครุ่งอิสรานุกูล
ทีมระบบไซเบอร์-กายภาพ (CPS)
กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม (IIARG) เนคเทค สวทช.

ในช่วงอุตสาหกรรมยุคที่ 3 หุ่นยนต์อุตสาหกรรมถูกนำมาใช้ในโรงงานอย่างแพร่หลาย เช่น ในอุตสาหกรรม ผลิตรถยนต์ และอุตสาหกรรมผลิตเครื่องดื่ม ปัจจุบันหุ่นยนต์เข้ามามีบทบาทอย่างสูงในโรงงาน สมัยใหม่ที่ต้องการการผลิตอย่างต่อเนื่อง การควบคุมคุณภาพที่เข้มงวด และความประณีตสูง ในช่วงวิกฤติโรคระบาด ความต้องการใช้หุ่นยนต์ยิ่งสูงขึ้นอย่างมาก จากปัจจัยความเสี่ยงของ การหยุดสายการผลิตเนื่องจากคนงานเจ็บป่วย หุ่นยนต์และระบบออโตเมชั่นจึงเป็นสิ่งสำคัญอย่างยิ่ง ในการลดความเสี่ยงของการหยุดงานสายการผลิต รวมถึงลดผลกระทบกับห่วงโซ่อุปทาน เมื่อความต้องการใช้หุ่นยนต์ในแต่ละสาขาอุตสาหกรรมมีมากขึ้น ความต้องการวิศวกรทางด้านหุ่นยนต์ ย่อมมีความต้องการเป็นเท่าตัว การพัฒนาองค์ความรู้และทักษะในการเขียนโปรแกรมควบคุม จึงมีความสำคัญ สำหรับวิศวกรหรือช่างเทคนิคควบคุมการผลิตด้วยหุ่นยนต์

ในบทความนี้จะได้อธิบายถึงหุ่นยนต์ และวิธีการเขียนโปรแกรมควบคุมในเบื้องต้น เพื่อเป็นแนวทางให้ผู้สนใจได้ศึกษาค้นคว้าต่อในเชิงลึกสำหรับการพัฒนาทักษะและสมรรถนะทางด้านหุ่นยนต์ต่อไป

ประเภทหุ่นยนต์อุตสาหกรรม (Industrial Robot)

เราสามารถแบ่งประเภทของหุ่นยนต์ตามการใช้งานได้ 6 ประเภท ดังนี้ 

1. หุ่นยนต์แบบ Cartesian  เป็นหุ่นยนต์ที่แกนทั้ง 3 ของหุ่นยนต์จะเคลื่อนที่เป็นแนวเส้นตรง หุ่นยนต์มีความแข็งแรง และมีประสิทธิภาพ  ในการรับน้ำหนักได้มาก หุ่นยนต์ชนิดนี้นิยมใช้ในการหยิบจับ เพื่อทำการประกอบ เช่น การประกอบชิ้นส่วนอิเล็กทรอนิกส์ หรือติดชิ้นส่วนยานยนต์ เนื่องจาก โครงสร้างมีความแข็งแรงตลอดแนวการเคลื่อนที่   ดังนั้น จึงเหมาะกับงานเคลื่อนย้ายชิ้นงานหนัก ๆ หรือ เรียกว่า Pick-and-Place เช่น ใช้โหลดชิ้นงานเข้าเครื่องจักร (Machine loading) ใช้จัดเก็บชิ้นงาน (Stacking) นอกจากนี้ ยังสามารถใช้ในงานประกอบ (Assembly)

ที่มา: Yamaha-Motor

2. หุ่นยนต์ทรงกระบอก (Cylindrical Robot) เป็นหุ่นยนต์ที่มีลักษณะ การเคลื่อนที่คล้าย  Cartesian แต่มีความแตกต่างกันอยู่ที่ตัวฐานของหุ่นจะเป็นการหมุนรอบแกน แทนการเคลื่อนที่แบบเคลื่อนเข้าเลื่อนออก โดยทั่วไปใช้ในงานการหยิบ-วางชิ้นงาน  (Pick-and-Place) ขนย้ายสิ่งของ งานเชื่อม รวมถึงงานประกอบต่างๆ เน้นการทำงานที่รวดเร็ว เพราะสามารถเคลื่อนที่เข้าออกบริเวณที่เป็นช่องโพรงเล็กๆ ได้สะดวก หุ่นยนต์ประเภทนี้จึงนิยมใช้ในห้องปฏิบัติการ

ที่มา: Thermo Scientific

3. SCARA หรือ Selective Compliance Assembly Robot Arm เป็นหุ่นยนต์ที่มีการเคลื่อนที่แบบหมุน 2 จุด    โดยจะสามารถเคลื่อนที่ได้รวดเร็วในแนวระนาบ และมีความแม่นยำสูงจึงเหมาะกับงานประกอบชิ้นส่วนทาง อิเล็กทรอนิกส์ที่ไม่ต้องการ     ความรวดเร็วในการหมุนมากนัก แต่จะไม่เหมาะกับงานประกอบชิ้นส่วนทางกล (Mechanical Part) งานตรวจสอบ (Inspection) และงานบรรจุภัณฑ์ (Packaging)

ที่มา: Delta Electronics

4. Polar หรือที่เรียกว่า Spherical Robot คือหุ่นยนต์ที่มีแนวการเคลื่อนที่เป็นการหมุนสองแกน คือที่ฐานและที่ไหล่ของหุ่นยนต์ และส่วนมือจับสามารถยืดหดในแนวเส้นตรงได้ หุ่นยนต์ประเภทนี้ สามารถทำงานในการหยิบจับชิ้นงาน รวมถึงงานเชื่อมรูปแบบต่าง ๆ ได้ดี เหมาะกับการใช้ในงานที่มี การเคลื่อนที่ในแนวตั้ง (Vertical) เพียงเล็กน้อย เช่น การโหลดชิ้นงานเข้าออกจากเครื่องปั้ม (Press) หรืออาจจะใช้งานเชื่อมจุด (Spot Welding)

ที่มา: howtorobot.com

ที่มา: ieee.org

5. หุ่นยนต์ Delta หรือ หุ่นยนต์ Parallel มีรูปทรงคล้ายแมงมุม มีจุดเด่น  ในเรื่อง ความเร็ว ความแม่นยำ และ ความแข็งแรงทนทาน มีส่วนประกอบระบบเซนเซอร์ และระบบการมองเห็นที่ติดไว้บนแขนหุ่นยนต์ ทำให้การจับและการวางสิ่งของที่กำลังเคลื่อนที่มีความแม่นยำสูง ดังนั้นหุ่นยนต์ประเภทนี้จึงเหมาะกับ การหยิบจับวางชิ้นงาน   ขนาดเล็กที่เคลื่อนด้วยความเร็วสูง การหยิบจับวางบนสายพานการผลิต การบรรจุภัณฑ์ชิ้นงาน เช่น ชิ้นส่วนอิเล็กทรอนิกส์ ขนม หรือ อาหาร 

ที่มา: Fanuc

6. Articulated (Jointed Arm) ทุกแกนการเคลื่อนที่จะเป็นแบบหมุน (Revolute) รูปแบบการเคลื่อนที่จะคล้ายกับแขนคน ซึ่งจะประกอบด้วยช่วงเอว ท่อนแขนบน ท่อนแขนล่าง ข้อมือ การเคลื่อนที่ทำให้ได้พื้นที่ การทำงาน หุ่นยนต์ชนิดนี้สามารถใช้งานได้กว้างขวาง เพราะสามารถเข้าถึง ตำแหน่งต่างๆ ได้ดี เช่น งานเชื่อม Spot Welding, Path Welding, งานยกของ, งานตัด, งานทากาว, งานที่มีการเคลื่อนที่ยากๆ เช่น  งานพ่นสี งาน Sealing  เป็นต้น

ที่มา: OMRON

หุ่นยนต์อุตสาหกรรมโดยทั่วไปจะมีพื้นที่ในการทำงานจำเพาะ มีการกำหนดพื้นที่ความปลอดภัย มนุษย์ไม่อาจเข้าทำงานใกล้ได้ ในปัจจุบันได้มีการพัฒนาหุ่นยนต์ที่ทำงานร่วมกับมนุษย์เรียกว่า Collaborative Robot หรือ Cobot หรือ โคบอทเป็นหุ่นยนต์ที่สามารถทำงานร่วมกับมนุษย์ได้โดยตรง และปลอดภัยในพื้นที่ที่ทำงานร่วมกัน ได้ถูกนำมาใช้งานในอุตสาหกรรมอย่างแพร่หลายมากยิ่งขึ้น หุ่นยนต์โคบอทมีหลายประเภท และหลายยี่ห้อในท้องตลาด โดยทั่วไปโคบอทจะถูกใช้สำหรับ งานการหยิบและวาง การจัดเรียงพาเลท การตรวจสอบคุณภาพ และการจัดเรียงเครื่องมือ

ที่มา: ieee.org

วิธีการโปรแกรมหุ่นยนต์ (Robot Programming Methods)

การเขียนโปรแกรมมีความสำคัญต่อความสำเร็จในการทำงานของระบบหุ่นยนต์ เนื่องจากมีชุดคำสั่งที่จำเป็น สำหรับการประมวลผลหุ่นยนต์ ในการโต้ตอบกับสภาพแวดล้อมเพื่อทำงานเฉพาะ ยกตัวอย่างก่อนที่หุ่นยนต์ จะเชื่อมชิ้นงานเข้าด้วยกัน ต้องตั้งโปรแกรมด้วยคำสั่งเฉพาะเพื่อให้สามารถใช้งานได้อย่างถูกต้องแม่นยำ วิธีการเขียนโปรแกรมมีหลายวิธีสำหรับการเขียนโปรแกรมหุ่นยนต์อุตสาหกรรม แต่สามารถแบ่งได้ 2 วิธีหลัก คือ วิธีการเขียนโปรแกรมแบบออนไลน์ และการเขียนโปรแกรมแบบออฟไลน์ สำหรับการเขียนโปรแกรมออนไลน์ จะแบ่งย่อยเป็นการเขียนโปรแกรมด้วยวิธี การสอนผ่านหน้าจอ และ การสอนนำด้วยมือ

การเขียนโปรแกรมแบบออนไลน์ (On-line Programming)

การโปรแกรมแบบออนไลน์ เป็นวิธีการที่วิศวกรหรือโปรแกรมเมอร์ ทำการโปรแกรมควบคุมการทำงาน ของหุ่นยนต์ ในขณะที่หุ่นยนต์มีการเปิดระบบใช้งานตลอดเวลา โดยอาจเชื่อมต่อสื่อสารผ่านอุปกรณ์ หรือแผงควบคุมแบบมือถือ หรือที่เรียกว่าแผงการสอน (Teach pendant) หรือ ผ่านเครื่องคอมพิวเตอร์ ดังนั้น ถ้าหุ่นยนต์อยู่ในสายการผลิต  จำเป็นต้องหยุดสายการผลิตก่อน

1. วิธีสอนนำด้วยมือ (Hand guided/Lead-through Method)
การโปรแกรมโดยวิธีการสอนด้วยมือ (Hand guided) หรือ การสอนนำ (Lead through)  ซึ่งโดยทั่วไปแล้ว จะเกี่ยวข้องกับการควบคุมเส้นทางการเคลื่อนที่อย่างต่อเนื่อง ผู้ปฏิบัติงานจะเคลื่อนที่แขนของหุ่นยนต์ด้วยมือ ในเส้นทางที่ต้องการ ขณะที่แขนหุ่นยนต์มีการเคลื่อนที่ ส่วนควบคุมจะจัดเก็บตำแหน่งปัจจุบัน และทิศทางของจุดศูนย์กลางเครื่องมือเป็นระยะๆ  หลังจากที่มีการบันทึกตำแหน่ง การเคลื่อนที่เรียบร้อยแล้ว สามารถสั่งให้หุ่นยนต์เล่นย้อนกลับ (Play-back) ตามที่ได้สอนนำไว้แล้ว ตัวอย่าง เช่น งานเชื่อมแบบต่อเนื่อง  งานพ่นสี  การขัดพื้นผิว เป็นต้น

วิธีการโปรแกรมหุ่นยนต์ลักษณะนี้ สามารถทำได้รวดเร็วและสะดวก กว่าการสอนหุ่นยนต์ โดยวิธีการจิ้มหรือพิมพ์คำสั่งงานที่หน้าจอควบคุมแบบมือถือ ไม่จำเป็นต้องมีทักษะ การเขียนโปรแกรมคอมพิวเตอร์ ก็สามารถทำการโปรแกรมหุ่นยนต์ได้ แต่ข้อเสียของ วิธีการโปรแกรมด้วยวิธีการสอนด้วยมือ คือ ไม่เหมาะกับหุ่นยนต์ที่มีขนาดใหญ่ มีน้ำหนักมาก และงานที่ต้องการความแม่นยำเที่ยงตรงสูง การสอนนำด้วยการแนะแนวหุ่นยนต์ด้วยมือไม่อาจกำหนด จุดอย่างแม่นยำได้ จำเป็นต้องใช้การสอนผ่านแผงควบคุมแบบมือถือ มาช่วยกำหนดค่าตำแหน่งที่แม่นยำ

2. Teach Pendant Programming การโปรแกรมแบบการสอนหน้าจอ
การเขียนโปรแกรมผ่านหน้าจออุปกรณ์ควบคุมแบบมือถือ (Teach pendant) โปรแกรมเมอร์จะเพิ่มคำสั่งทีละบรรทัดและกำหนดเงื่อนไขแต่ละคำสั่งเป็นลำดับ ชุดคำสั่งโดยทั่วไปแบ่งเป็น 3 กลุ่ม ได้แก่ กลุ่มคำสั่งพื้นฐาน (Basic) เช่น คำสั่ง Move, Waypoint, Set, Wait กลุ่มคำสั่งขั้นสูง (Advanced) เช่น คำสั่ง Thread, Procedure, Script และ กลุ่มคำสั่งอุปกรณ์ต่อพ่วง (Peripheral) เช่น Gripper, Smart3D

การเขียนโปรแกรมแบบออนไลน์ผ่านหน้าจอแผงควบคุมแบบมือถือ

ตัวอย่าง หากต้องการให้ตำแหน่งหุ่นยนต์เคลื่อนที่ Move ไปยังตำแหน่งพิกัดตาม Waypoint โดยการจี้
ที่ลูกศรที่ช่อง Position Control  เพื่อเลื่อนแขนหุ่นยนต์ไปตามแนวแกน XYZ และปรับมุมทิศทางของ หน้าแปลนจุดศูนย์กลางเครื่องมือ (Tool Center Point:TCP)  โดยการจี้ที่ ลูกศรที่ช่อง  Orientation Control ให้หมุนไปตามทิศทางที่ต้องการ หุ่นยนต์บางตัวที่แผงควบคุม แบบมือถืออาจจะขยับ หรือเลื่อนตำแหน่งของแขนหุ่นยนต์โดยใช้ Joystick

การควบคุมการเคลื่อนที่ของแขนหุ่นยนต์โดยการจิ้มลูกศร
ปรับตำแหน่งและมุมของจุดศูนย์กลางเครื่องมือ (TCP)

เมื่อผู้ปฏิบัติงานทำการเคลื่อนแขนหุ่นยนต์ให้อยู่ในตำแหน่งพิกัดที่ต้องการ โดยใช้แผงควบคุมแบบมือถือแล้ว ผู้ปฏิบัติงานสามารถบันทึกพิกัดภายในรายการตำแหน่งได้ โดยการกดปุ่มบันทึก หรือยืนยัน  เนื่องจากเหตุผล ด้านความปลอดภัย หุ่นยนต์สามารถขับเคลื่อนในโหมดการทำงานนี้ได้เฉพาะในแบบช้าๆ เท่านั้น เนื่องจาก ผู้ปฏิบัติงานทำงานภายในพื้นที่ทำงานของหุ่นยนต์ แผงควบคุมจึงจะต้องมีการติดตั้งสวิตช์ฉุกเฉิน  ตัวอย่างลักษณะของงาน สำหรับวิธีการโปรแกรมลักษณะนี้ จะเป็นการทำงานแบบทั่วไปที่ไม่ซับซ้อน เช่น งานการเชื่อมแบบจุด งานหยิบและวาง

การเขียนโปรแกรมแบบออฟไลน์ (Off-line Programming : OLP)

การโปรแกรมแบบออฟไลน์นั้นผู้เขียนโปรแกรมไม่จำเป็นต้องปฏิบัติงานร่วมกับหุ่นยนต์ทำงานจึงไม่จำเป็นต้อง หยุดสายการผลิต กรณีหยุดการผลิตจะเกิดขึ้นเมื่อมีการโปรแกรมงานลงเครื่องควบคุมหุ่นยนต์เท่านั้น  ทั้งนี้ ผู้เขียนโปรแกรมจะใช้ซอฟต์แวร์สำหรับการเขียนโปรแกรม และจำลองการทำงานของหุ่นยนต์  (Robot simulator) ที่ติดตั้งบนเครื่องคอมพิวเตอร์แทน โดยการเขียนโปรแกรมทดสอบการทำงานของหุ่นยนต์ เสมือนว่ากำลังทำงานกับหุ่นยนต์จริง ซึ่งทำให้ผู้เขียนสามารถทดสอบ หรือทดลองเงื่อนไขต่างๆ ได้หลายรูปแบบ และเลือกเงื่อนไขที่เหมาะสมสำหรับการโปรแกรม หุ่นยนต์ เป็นการลดความเสี่ยง และความผิดพลาดที่จะเกิดกับหุ่นยนต์ก่อนไปทดสอบใช้งานจริง

รูปแบบการเขียนโปรแกรมแบบออฟไลน์ สามารถเขียนโค้ดคำสั่งเป็นตัวหนังสือ (Text based) หรือแบบกราฟิก (Graphical programming) ขึ้นอยู่กับความสามารถของซอฟต์แวร์โปรแกรมที่ผู้ผลิตโปรแกรมได้สร้างขึ้นมา ซอฟต์แวร์สำหรับการโปรแกรม และจำลองการทำงานของหุ่นยนต์ โดยทั่วไปมักจะผลิตโดยผู้ผลิตหุ่นยนต์เอง เช่น ROBOGUIDE ของบริษัท Fanuc, KUKA.Sim/KUKA.Apptech ของบริษัท KUKA, URSim5 ของบริษัท Universal Robots, RobotStudio ของบริษัท ABB  หรือใช้โปรแกรมออฟไลน์ที่ผลิตโดยผู้ผลิตเจ้าอื่น (third-party vendor) เช่น RoboDK, RobotMaster, OCTOPUZ, Delfoi  เป็นต้น

รูปแบบการเขียนโปรแกรมแบบออฟไลน์เหมาะสมที่สุดสำหรับกระบวนการผลิตที่มีแอปพลิเคชั่นการวางแผนเส้นทางเคลื่อนที่ที่ซับซ้อน โดยส่วนมากจะมีการทำงานของหุ่นยนต์หลายอย่าง เช่น การตัดด้วยเลเซอร์ การเชื่อม การพ่นสี การขัดผิว ทั้งนีการหยิบและวางแบบง่าย เช่น การบรรจุหีบห่อ การจัดเรียงพาเลท และการประกอบอาจไม่เหมาะสำหรับรูปแบบวิธีการโปรแกรมแบบออฟไลน์

โปรแกรม URSim ของ Universal Robots จำลองหน้าตาเหมือนกับใช้งานบนอุปกรณ์ควบคุมแบบมือถือ

ตัวอย่างโปรแกรมสำหรับการจำลองการทำงานหุ่นยนต์

RoboDK  เป็นซอฟต์แวร์การเขียนโปรแกรมและการจำลองแบบออฟไลน์ สำหรับหุ่นยนต์อุตสาหกรรมซอฟต์แวร์จำลอง สามารถใช้ได้กับงานการผลิตที่หลากหลาย เช่น การกัด การเชื่อม การหยิบและวาง การบรรจุ และการติดฉลาก การจัดวางบนแท่นวางสินค้า การพ่นสี การสอบเทียบหุ่นยนต์ และอื่นๆ (https://robodk.com)

ที่มา: RoboDK

ที่มา: RoboDK

RobotMaster  เป็นซอฟต์แวร์ CAD/CAM สำหรับหุ่นยนต์อุตสาหกรรมแบบ off-line โดยโปรแกรม สามารถสร้างโปรแกรมเส้นทางการเคลื่อนที่ของหุ่นยนต์โดยไม่ต้องใช้วิธีสอน ( teaching ) ลดเวลาในการสร้างโปรแกรม สามารถจำลองการทำงานแบบ 3 มิติได้ และลดข้อผิดพลาดที่เกิดจากการใช้วิธีสอน (teaching) (www.robotmaster.com)

ที่มา: RobotMaster
 

Gazebo เป็นโปรแกรมจำลองหุ่นยนต์โอเพนซอร์ส 3 มิติ โดยรวมเอ็นจิ้น ทางฟิสิกส์ ODE, การเรนเดอร์ OpenGL และโค้ดโปรแกรมสนับสนุนสำหรับการจำลอง เซ็นเซอร์และการควบคุมแอคทูเอเตอร์ (https://gazebosim.org)

Webots เป็นโปรแกรมจำลองหุ่นยนต์ 3 มิติ แบบโอเพนซอร์ส ที่ใช้ในอุตสาหกรรม การศึกษา และการวิจัย (www.cyberbotics.com)

CoppeliaSim หรือที่รู้จักกันในชื่อ V-REP เป็นหุ่นยนต์จำลอง ที่ใช้ในอุตสาหกรรม การศึกษา และการวิจัย เดิมได้รับการพัฒนาภายใน R&D ของบริษัทโตชิบา และขณะนี้ กำลังได้รับการพัฒนาและบริการโดย Coppelia Robotics AG ประเทศสวิตเซอร์แลนด์ (www.coppeliarobotics.com)

 

จากข้างต้นที่กล่าวถึงการโปรแกรมหุ่นยนต์อุตสาหกรรมพื้นฐานทั่วไปที่ผลิตและจำหน่ายในท้องตลาด โดยที่ผู้เขียนโปรแกรมมีหน้าที่เพียงเขียนโปรแกรมควบคุมคำสั่งการทำงานของหุ่นยนต์ โดยไม่ได้มีส่วนในการ สร้างฮาร์ดแวร์ ภาษาที่ใช้เขียนโปรแกรมสำหรับควบคุมหุ่นยนต์จะจำเพาะหุ่นยนต์แต่ละยี่ห้อ เช่น ABB เขียนด้วยภาษา RAPID, KUKA เขียนด้วยภาษา KRL, FANUC เขียนด้วยภาษา KAREL, UR เขียนด้วยภาษา URScript เป็นต้น

ในกรณีที่ผู้พัฒนาประสงค์ที่จะสร้างหุ่นยนต์ขึ้นมาเอง เป็นต้องเขียนโปรแกรมควบคุมหุ่นยนต์เฉพาะกิจขึ้นมา อาจจะเขียนโปรแกรมด้วยภาษา C/C++, Python, Java, Lua หรือใช้โปรแกรมเช่น MATLAB ในการพัฒนา ส่วนควบคุมหุ่นยนต์ หรือใช้ระบบปฏิบัติการหุ่นยนต์ในการพัฒนาหุ่นยนต์ เป็นต้น

ระบบปฏิบัติการสำหรับหุ่นยนต์

เมื่อหุ่นยนต์ถูกใช้งานนอกเหนือจากงานในสายการผลิตอุตสาหกรรม สู่สายงานอื่น ทั้งหุ่นยนต์บริการ ในภาคธุรกิจ หุ่นยนต์การศึกษา การแพทย์ หุ่นยนต์สำรวจ หรือหุ่นยนต์ทางทหาร การพัฒนาแอพพลิเคชั่น สำหรับหุ่นยนต์ จึงให้ความสนใจในด้านการพัฒนาด้วยแพลตฟอร์มหรือระบบปฏิบัติการสำหรับหุ่นยนต์ (Robot Operating System for robots) เช่น ROS, URBI, Microsoft Robotics Developer Studio

ROS (Robot Operating System) 
ระบบปฏิบัติการหุ่นยนต์ (ROS) (https://www.ros.org) เป็นแพลตฟอร์มแบบเปิด สำหรับการพัฒนาแอพพลิเคชั่น สำหรับหุ่นยนต์ทำงานในหลากหลายด้าน นิยมอย่างมากโดยเฉพาะการประยุกต์ใช้งานในกลุ่มหุ่นยนต์ ด้านบริการ (service robots) ทั้งนี้ เรายังสามารถประยุกต์ใช้งานสำหรับหุ่นยนต์อุตสาหกรรม โดยมีกลุ่มคณะทำงาน ROS ที่เน้นการใช้งานทางด้านอุตสาหกรรม เรียกว่า ROS-Industrial (https://rosindustrial.org/)  สำหรับภาพโครงสร้างสถาปัตยกรรม ROS-Industrial แสดงดังรูป

โครงสร้างสถาปัตยกรรม ROS-Industrial  (ที่มา: https://wiki.ros.org/Industrial)

ส่วนประกอบของ ROS (ที่มา: https://wiki.ros.org/APIs )

ตัวอย่าง ผู้ผลิตหุ่นยนต์ที่สนับสนุนการพัฒนาโปรแกรมด้วย ROS ได้แก่ บริษัท Universal Robots, AUBO, Fanuc ตัวอย่างงานวิจัยการใช้งาน ROS ในการพัฒนาแอปพลิเคชันหุ่นยนต์ ชื่อ Manipulator Control in Collaborative Assembly

ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องจักร (Artificial Intelligence/Machine Learning)

ปัญญาประดิษฐ์ หรือ AI และการเรียนรู้ของเครื่องจักร (machine learning) ได้ถูกนำมาใช้งานกับหุ่นยนต์ มายาวนาน ทำให้หุ่นยนต์สามารถประยุกต์ตัวเองและปรับแต่งการทำงาน หรือทำการอัพเดตพารามิเตอร์  ใหม่อีกครั้ง  ให้สามารถทำงานได้ถูกต้องแม่นยำตามสภาพแวดล้อม การใช้ AI ในการโปรแกรมหุ่นยนต์  เพื่อให้หุ่นยนต์สามารถปรับเปลี่ยนตัวเองได้ (reconfigurable) ยังคงอยู่ในขั้นของการวิจัยพัฒนา

การโปรแกรมด้วย VR

AR (Augmented Reality) ได้ถูกนำมาใช้งานในการฝึกอบรมพัฒนาทักษะของบุคลากรในการปฏิบัติงาน กับเครื่องจักรเสมือน โดยอยู่ด้านหน้าเครื่องจริง เป็นวิธีการฝึกฝนที่ผู้เรียนสามารถฝึกฝนได้ตลอดเวลา งานด้าน VR (Virtual Reality) และ AR ได้ถูกนำมาประยุกต์ใช้กับการสอนหุ่นยนต์และการโปรแกรมหุ่นยนต์ เสมือนหนึ่งกับการทำงานร่วมกับหุ่นยนต์จริง

บทสรุป

บทความนี้ได้กล่าวถึงวิธีการโปรแกรมหุ่นยนต์อุตสาหกรรมรูปแบบต่างๆ ทำให้ผู้ที่สนใจเรียนรู้เกี่ยวกับ การโปรแกรมหุ่นยนต์เห็นภาพรวมและเข้าใจกระบวนการโปรแกรมหุ่นยนต์ สามารถต่อยอดองค์ความรู้ และทักษะของตนเองในระดับสูงที่ขึ้น  อย่างไรก็ตาม การใช้งานหุ่นยนต์ที่มีความซับซ้อนมากขึ้น ขีดความสามารถของหุ่นยนต์ที่สูงขึ้น  เทคนิคและวิธีการโปรแกรมหุ่นยนต์ได้มีการพัฒนาเครื่องมือใหม่ๆ เพื่ออำนวยความสะดวกให้การพัฒนาแอปพลิเคชันสำหรับหุ่นยนต์ได้อย่างรวดเร็ว  

การเลือกวิธีการโปรแกรมที่ดีที่สุด เป็นสิ่งที่ตอบได้ยาก ขึ้นอยู่กับปัจจัยและสถานการณ์มาประกอบร่วมกัน เช่น ลักษณะและความซับซ้อนของงาน ประสบการณ์ของการเขียนโปรแกรมของผู้ปฏิบัติงาน ระยะเวลา ผลกระทบในการหยุดสายการผลิต ฟังก์ชั่นต่างๆ ที่บริษัทผู้ผลิตหุ่นยนต์ให้มา หรือแม้แต่ความสะดวก ของเครื่องมือ หรือซอฟต์แวร์โปรแกรมที่ผู้ผลิตจัดหาให้ เป็นสิ่งที่ผู้เขียนโปรแกรมต้องเลือกใช้ ตามความสะดวก และเหมาะสมกับสถานการณ์  การติดตามข้อมูลข่าวสารผ่านสื่อต่างๆ ตลอดจน การฝึกทักษะอย่างต่อเนื่อง จึงสำคัญต่อการพัฒนาความรู้ และทักษะของกำลังคนอุตสาหกรรมยุคใหม่

เอกสารอ้างอิง

[1] บุญธรรม ภัทราจารุกุล, หุ่นยนต์อุตสาหกรรม (ปวส.) (รหัสวิชา 30127-2103), ซีเอ็ดยูเคชั่น, 2565
[2] รายงานการศึกษาเรื่อง “อุตสาหกรรมหุ่นยนต์ของประเทศไทย” โดย ฝ่ายวิจัยนโยบาย สวทช. https://waa.inter.nstda.or.th/prs/pub/Robot-Whitepaper-Cover.pdf
[3] อุตสาหกรรมหุ่นยนต์กับการพัฒนาภาคการผลิตของไทย (ตอนที่ 1), https://www.krungsri.com/th/research/research-intelligence/ri-robotic-series1-landscape
[4] Fengxin Zhang, Chow Yin Lai, Milan Simic, Songlin Ding, Augmented reality in robot programming, Procedia Computer Science 176 (2020) 1221–1230.
[5] https://wiki.ros.org/Industrial
[6] Gopika Ajaykumar, Maureen Steele, and Chien-Ming Huang. 2021. A Survey on End-User Robot Programming. ACM Comput. Surv. 54, 8, Article 164 (November 2022), 36 pages. https://doi.org/10.1145/3466819
[7] YoonSeok Pyo, HanCheol Cho, RyuWoon Jung, TaeHoon Lim, ROS Robot Programming, ROBOTIS Co.,Ltd., 2017        
[8] รู้จัก 5 ประเภทหุ่นยนต์พื้นฐานในอุตสาหกรรม (Industrial Robot) และการใช้งาน, สถาบันเทคโนโลยีการผลิตสุมิพล, https://simtec.or.th/blog-5-industrial-robot-12112021

ดาวน์โหลดเอกสารเผยแพร่

]]>
การประยุกต์ใช้ Machine Learning กับงานในภาคอุตสาหกรรม (ตอนที่ 1) https://www.nectec.or.th/smc/machine-learning/ Fri, 19 Aug 2022 05:09:43 +0000 https://www.nectec.or.th/smc/?p=6374

บทความ : รัสรินทร์ เมธาเฉลิมพัฒน์
วิศวกร ทีมระบบไซเบอร์-กายภาพ (CPS)
กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม (IIARG)
เนคเทค สวทช.

บริษัทยักษ์ใหญ่ทั่วโลกกำลังลงทุนเพื่อนำเทคโนโลยี Machine Learning มาใช้ในกระบวนการผลิตเพื่อให้ได้ผลลัพธ์ที่น่าพอใจ ธุรกิจจำนวนมากกำลังใช้ประโยชน์จากเทคโนโลยีนี้ในหลาย ๆ ด้าน และในอีกไม่กี่ปีต่อจากนี้การประยุกต์ใช้งาน Machine Learning ในภาคอุตสาหกรรมจะแพร่หลายมากขึ้น เพราะสามารถช่วยสร้างผลลัพธ์ที่ดีกว่าและช่วยแก้ไขปัญหาต่างๆได้อย่างเหมาะสม เนื่องจากอุตสาหกรรมการผลิตมีความซับซ้อนมากขึ้นและมีการพัฒนาอย่างต่อเนื่อง ซึ่งการรักษาให้เครื่องจักรและกระบวนการผลิตคงสภาพการผลิตสินค้าที่มีคุณภาพจึงเป็นสิ่งสำคัญที่โรงงานอุตสาหกรรมต้องปรับตัวให้เข้ากับยุคสมัยและนำ Machine Learning เข้ามาใช้ให้เกิดประโยชน์สูงสุด

Machine Learning คืออะไร?

อธิบายง่าย ๆ ได้ว่า Machine Learning คือการใช้ข้อมูลเพื่อทำให้เครื่องคอมพิวเตอร์สามารถเรียนรู้ได้ด้วยตัวเอง โดยแบ่งออกเป็น 3 ประเภท คือ

1. Supervised Learning หรือการเรียนรู้แบบชี้นำด้วยข้อมูล เป็นการฝึกสอนเครื่องคอมพิวเตอร์โดยใช้การใส่ข้อมูล (input) เข้าไปแล้วมีผลลัพธ์ (output) ออกมา ซึ่งแบ่งแยกย่อยได้อีกเป็น 2 ประเภทหลักๆ คือ Classification และ Regression Classification คือการจำแนกประเภทของข้อมูล 2 กลุ่มหรือข้อมูลที่ไม่มีความต่อเนื่องโดยใช้ Confusion Matrix เป็นตัววัดค่าความแม่นยำซึ่งผลลัพธ์ที่ได้จะเป็นการจัดกลุ่มชุดข้อมูล เช่น การคัดแยกคุณภาพของผลิตภัณฑ์การจำแนกการจำแนกประเภทของสัตว์ การคัดแยกลักษณะหน้าตาเป็นต้น

Regression หรือการถดถอยจะใช้กับข้อมูลที่มีความต่อเนื่อง ไม่ได้รวมกันเป็นกลุ่ม โดยใช้ค่า Root Mean Square Error (RMSE) ในการวัดความแม่นยำซึ่งผลลัพธ์ที่ได้จะอยู่ในรูปแบบของตัวเลข เช่น การทำนายยอดขายสินค้าล่วงหน้าเพื่อวางแผนการจัดโปรโมชั่นหรือการพยากรณ์อากาศในอนาคตเป็นต้น

2. Unsupervised Learning หรือการเรียนรู้แบบไม่ชี้นำโดยไม่มีข้อมูล เป็นการฝึกสอนเครื่องคอมพิวเตอร์โดยการป้อนเฉพาะข้อมูล (input) โดยให้เครื่องเรียนรู้และค้นพบรูปแบบด้วยตัวเอง การเรียนรู้แบบนี้มักถูกนำไปใช้เพื่อการแยกกลุ่ม (Clustering) กลุ่มลูกค้าสำหรับ Target Advertisement การลดขนาดมิติข้อมูล (Dimensionality Reduction) สำหรับการทำ Dashboard หรือเตรียมข้อมูลสำหรับทำ Supervised Learning ต่อไป

3. Reinforcement Learning หรือการเรียนรู้ตามการกระทำหรือสภาพแวดล้อมที่พบ โดยให้คอมพิวเตอร์ลองผิดลองถูกและปรับปรุงความสามารถจากผลลัพธ์ในรูปแบบรางวัล-การลงโทษ (Reward-Penalty) วิธีการเรียนรู้แบบนี้ใช้กันแพร่หลายใน Gaming Robot, Autonomous Vehicle, Facebook Chat bot เป็นต้น

รูปที่ 1 ประเภทของ Machine Learning
ที่มา: https://towardsdatascience.com/machine-learning-types-2-c1291d4f04b1

รูปที่ 1 แสดงการแบ่งย่อยประเภทของ Machine Learning ตามการประยุกต์ใช้งาน ซึ่งล้วนเป็นประโยชน์ต่อภาคอุตสาหกรรมทั้งสิ้น โดยจะขอยกตัวอย่างสองกรณี คือการจำแนกภาพและการจำแนกเสียง ที่สามารถนำไปใช้ได้ในหลายส่วนงานตั้งแต่การตรวจสอบสายการผลิต การควบคุมคุณภาพผลิตภัณฑ์ การบำรุงรักษาเครื่องจักร ไปจนกระทั่งการบริหารทรัพยากรบุคคล

ในกรณีแรก การจำแนกภาพถูกนำไปประยุกต์ในหลายงาน เช่นการตรวจสอบคุณภาพชิ้นงาน การตรวจวัดความเสื่อมสภาพของเครื่องจักร การวัดปริมาณสินค้าหรือวัตถุดิบในคลัง เป็นต้น การจำแนกภาพ (Image Classification) โดยวิธีการ Supervised Learning เป็นการจำแนกข้อมูลประเภทรูปภาพโดยใช้ผลทางสถิติ โดยแบ่งภาพที่ต้องการศึกษาออกเป็นกลุ่มย่อยตามชนิดหรือประเภท (Class) ที่ต้องการจำแนก แล้วนำไปใช้ฝึกสอนด้วยอัลกอริทึม Machine Learning ให้ได้ผลลัพธ์ที่มีประสิทธิภาพ โดยอัลกอริทึมที่นิยมในการใช้ทำ  Image Classification มีหลายอัลกอริทึม เช่น CNN , VGG16 , ResNet50 และ MobileNETV2 เป็นต้น

อย่างไรก็ดีอัลกอริทึมที่ถือว่าเป็นพื้นฐานของอัลกอริทึมยอดนิยมอื่นๆ ในการทำ Image Classification ก็คือ CNN หรือ Convolutional Neural Network ซึ่งเป็น Deep Neural Network ที่ออกแบบโดยลอกเลียนจากประสาทการมองเห็นของมนุษย์ มีการใช้ Layer ชนิดพิเศษ ที่เรียกว่า Convolution layer ที่ทำหน้าที่สกัดเอาลักษณะเฉพาะต่างๆ (Features) ของภาพออกมา เช่น เส้นขอบของวัตถุต่างๆ เพื่อให้เครือข่ายสามารถเรียนรู้ลักษณะของภาพได้อย่างมีประสิทธิภาพและแม่นยำ นอกจาก Convolution layer แล้ว CNN ยังประกอบด้วย Layer ชนิดอื่น เช่น Pooling layer, Dropout layer, Fully-connected layer, ReLu Activation layer การนำ Layer ดังกล่าวมาซ้อนต่อๆ กันด้วยจำนวนและลำดับที่ต่างกัน หรือเปลี่ยน Hyperparameter บางอย่าง เช่น ขนาดของ Filter layer (ซึ่งเป็นส่วนหนึ่งของ Convolution layer) และจำนวน Channel ของ layer นำมาซึ่งโครงสร้าง (Architecture) ของ CNN หลากหลายแบบ เช่น LeNet, AlexNet, VGG, ResNet, Inception Network เป็นต้น

รูปที่ 2 แสดงโครงข่าย CNN. ที่ประกอบด้วย Convolution Layers และ Filters ที่นำไปประมวลผลกับภาพสำหรับเรียนรู้

ชั้นของ CNN มีลักษณะเช่นเดียวกับ Neural Network  อื่นๆ ประกอบด้วย Input layer, Output layer, และ Hidden layers จำนวนมากที่แทรกอยู่ระหว่างชั้น จากรูปที่ 2 คือส่วนของ Feature Learning Layers นั่นเอง

หน้าที่ของ Feature Learning Layers

หน้าที่ของ Feature Learning Layers คือทำหน้าที่ในการเปลี่ยนแปลงข้อมูล เพื่อเรียนรู้คุณลักษณะเด่นของข้อมูล โดย 5 Layers ที่พบบ่อยที่สุด คือ Convolution Layer, ReLU Activation Layer, Pooling Layer, Classification (Fully-Connected) Layers และ Batch Normalization Layer โดยแต่ละ Layer มีหน้าที่ดังนี้

1. Convolution Layer

เป็นชั้นที่ดำเนินการกรอง (Filter) เพื่อสกัดลักษณะเฉพาะ (Features) ของข้อมูลภาพออกมา โดยการคำนวณค่า Convolution หรือ Dot Product ระหว่างอินพุตของชั้นกับ Filter หรือ Kernel โดยปกติแล้ว Convolution Layer ของ CNN จะประกอบด้วย Filter มากกว่า 1 ตัวของ Convolutional Filters ซึ่งจะได้ Features บางอย่างออกมาจากชุดข้อมูลภาพ Convolution Layer

2. ReLU: Rectified Linear Unit Activation Layer

หน้าที่ของ Activation Layer คือการเติมความสัมพันธ์ที่ไม่เป็นเชิงเส้น (Nonlinear) ให้กับโมเดลเพื่อให้สามารถเรียนรู้ความสัมพันธ์ที่ซับซ้อนระหว่างข้อมูลอินพุตและผลลัพธ์ได้ ฟังก์ชัน ReLU หรือ Piecewise Linear เป็นฟังก์ชันไม่เชิงเส้นที่นิยมใช้เป็น Activation Function ในปัจจุบันเนื่องจากทำให้การเรียนรู้ง่ายขึ้นโดยหลีกเลี่ยงปัญหา Saturation ใน Activation Function แบบเดิมๆ เช่น Sigmoid หรือ Hyperbolic Tangent โดย สมการของ Activation Function คือ

ReLU(x) = max(0,x)

3. Pooling Layer

เป็นชั้นที่ดำเนินการ ลดขนาดของข้อมูล โดยใช้วิธีการสุ่มตัวอย่างข้อมูล เพื่อป้องกัน Overfitting หรือการที่โมเดลมีความจำเพาะกับข้อมูลที่ใช้ฝึกฝนมากจนเกินไปและไม่สามารถปรับตัวกับข้อมูลที่ไม่เคยเห็นมาก่อนได้  Pooling Layer แบ่งได้เป็น 2 ชนิดคือ Max Pooling และ Average Pooling โดยที่ Max Pooling คือการหาค่าสูงสุดในบริเวณที่ตัวกรองทาบอยู่ซึ่งตัวกรองจะคล้ายกับการทำ Feature Extraction ของ CNN ส่วน Average Pooling คือการหาค่าเฉลี่ยดังนั้นการใช้ค่า Max Pooling จึงได้ค่าที่แม่นยำ และเป็นที่นิยมมากกว่า Average Pooling

4. Classification Layer

Classification Layer หรือ Fully-Connected Layer ชั้นนี้เป็นชั้นสุดท้ายของ CNN ที่มีการเชื่อมต่ออย่างสมบูรณ์ดังแสดงในรูปที่ 2 ดังนั้น ในชั้นสุดท้ายจะมี Output เป็น Vector จำนวน K มิติ, โดยที่ K คือ จำนวนประเภท (Classes) ของภาพที่โครงข่าย CNN จะทำนาย (Prediction) โดยแต่ละค่าภายใน Vector คือความน่าจะเป็นของแต่ละประเภท หรือ กลุ่มที่ต้องการจำแนก ในชั้นสุดท้ายของส่วน Classification Layer จึงมักใช้ฟังก์ชัน “Softmax” เพื่อให้ได้ผลลัพธ์เป็นความน่าจะเป็นที่รวมกันมีค่าเท่ากับ 1

5. Batch Normalization Layer

Batch Normalization คือ เทคนิคที่ใช้เพื่อเร่งความเร็วในการฝึกสอน Deep Neural Network ด้วยการ Normalize แต่ละค่า Input ของ Activation Layer ที่อยู่ภายใน Deep Neural Network ให้มีค่าทางสถิติใกล้เคียงกันในแต่ละ Batch ของข้อมูล วิธีการนี้จะทำให้การปรับน้ำหนักของโมเดลไม่กระโดดไปมาในขณะฝึกสอนด้วยข้อมูลในแต่ละ Batch ช่วยให้โมเดลลู่เข้าสู่จุดที่ทำงานได้เหมาะสมเร็วขึ้น

จะเห็นได้ว่าการทำงานของอัลกอริทึม CNN ในแต่ละ Layer มีโครงสร้างที่เฉพาะตัวซึ่งทำให้มีความสามารถในการสกัด  Feature จากข้อมูลได้มากยิ่งขึ้น เหมาะกับการทำ Classification กับชุดข้อมูลที่มีความซับซ้อนมากเป็นพิเศษ แต่ในขณะเดียวกันการเพิ่มจำนวนชั้นของ CNN ให้มีความซับซ้อนก็มีข้อเสียคือทำให้ฝึกสอนโมเดลได้ยากและใช้เวลานานและทรัพยากรมากขึ้น ดังนั้นการจะเลือกใช้อัลกอริทึมนี้เพื่อทำ Machine Learning นอกจากต้องดูความเหมาะสมของชุดข้อมูล แล้วยังต้องคำนึงถึงทรัพยากรสำหรับรองรับการประมวลผลอีกด้วย      

ในส่วนของการจำแนกเสียง (Audio Classification) นั้น ไม่ต่างจากการจำแนกภาพมากนักในแง่ของกระบวนการ โดยเริ่มจากแบ่งชุดข้อมูลเป็นกลุ่มย่อยตามลักษณะ หรือประเภทของเสียง (Class) แล้วฝึกสอน อัลกอริทึม Machine Learning ให้ได้ผลลัพธ์ที่มีประสิทธิภาพเช่นกัน สำหรับอัลกอริทึมที่ใช้งานได้ดีกับการจำแนกเสียง ได้แก่ LSTM (Long Short-Term Memory), SVM (Support Vector Machine) หรือแม้แต่ CNN ที่กล่าวถึงไปแล้วในตอนต้น ก็สามารถใช้ได้เช่นกัน ในที่นี้ขอกล่าวถึงอัลกอริทึมที่ใช้งานกันอย่างแพร่หลายเพราะใช้ข้อมูลไม่มาก ฝึกสอนได้รวดเร็ว และได้ผลลัพธ์ที่ดีคืออัลกอริทึม SVM 

อัลกอริทึม SVM

SVM (Support Vector Machine) เป็นตัวจำแนกเชิงเส้น (Linear Classifier) แบบไบนารี่ (Binary) (แบ่งแยกข้อมูลได้ 2 ประเภท) ข้อได้เปรียบของ SVM คือมีประสิทธิภาพในการจำแนกข้อมูลที่มีมิติจำนวนมากได้ นอกจากนี้การใช้ฟังก์ชันเคอร์เนล (Kernel Function) ยังช่วยให้สามารถจำแนกข้อมูลที่มีความคลุมเครือได้อย่างมีประสิทธิภาพ หลักการของ SVM คือการหา Hyperplane ทีที่สามารถแบ่งจุดข้อมูลออกเป็น 2 Class ด้วยระยะห่างที่มากที่สุด (Maximum Margin) ในขณะเดียวก็สามารถแบ่งจุดข้อมูลได้อย่างถูกต้องมากที่สุดเท่าที่จะเป็นไปได้ จากหลักการเดียวกันนี้ยังถูกนำไปใช้สำหรับ Regression อีกด้วย เรียกว่า SVR (Support Vector Regression)

รูปที่ 3 ข้อมูลขนาด 2 มิติซึ่งถูกจำแนกออกเป็น 2 Class ได้แก่ และClass

จำนวนมิติของ Hyperplane คือจำนวนมิติของข้อมูล ในกรณีที่ข้อมูลมี 2 มิติ (x,y) ดังรูปที่ 3 Hyperplane คือเส้นที่ ที่มี Margin จากแต่ละ Class มากที่สุด โดยวิธีการที่ใช้ในการหา Hyperplane คือการหาจุดข้อมูลที่อยู่ใกล้กับเส้นแบ่งพรมแดนข้อมูลทั้งสองฝั่งที่จะใช้กำหนดเส้นขอบของแต่ละฝั่ง โดยจุดข้อมูลดังกล่าวจะถูกเรียกว่า Support Vector และการหา Support Vector นี้ขึ้นอยู่กับการกำหนดค่าตัวแปรสำคัญอีกหนึ่งตัวคือพารามิเตอร์ C ที่จะทำให้ Margin จาก Hyperplane ไปยัง Support Vector ที่ยอมรับได้มีขนาดแตกต่างกันดังแสดงในรูปที่ 4  โดยหาก C มีค่ามากจะทำให้ Margin แคบ ทำให้การแบ่งจุดข้อมูลที่ใช้ในการฝึกสอนมีความแม่นยำมากขึ้น แต่อาจทำให้เกิด Overfitting ได้ ในขณะที่หากกำหนด C ให้มีค่าน้อยจะทำให้ Margin กว้างขึ้นทำให้การแบ่งจุดข้อมูลแม่นยำน้อยลง แต่ช่วยกำจัดจุดข้อมูลที่เป็น Outliers หรือ Noise ไปได้ การเลือกค่า C จึงมีความสำคัญโดยต้องพิจารณาให้เหมาะสมกับลักษณะการกระจายตัวของข้อมูล

รูปที่ 4 ตัวอย่างการปรับค่า Parameter C ที่มีผลต่อขนาดของเส้นแบ่ง

ในกรณีที่ชุดข้อมูลไม่สามารถถูกแบ่งได้ด้วย Linear Hyperplane ฟังก์ชัน Kernel จะถูกนำมาใช้ในการหา Pattern and Relation ของข้อมูลเพื่อช่วยให้ได้การแบ่งแยกที่เป็น Non Linear ฟังก์ชัน Kernel จึงเป็นฟังก์ชัน Non Linear ที่สร้างจากข้อมูลในมิติที่มีอยู่เดิมแล้วเพิ่มขึ้นมาเป็นมิติใหม่ เช่น z2 = x2+y2 ทำให้ได้ Hyperplane ที่เป็นวงกลม เป็นต้น

รูปที่ 5 Kernel Function

SVM เหมาะกับ Dataset ที่มี Feature จำนวนมาก แต่มีปริมาณข้อมูลน้อยถึงปานกลาง แต่ในขณะเดียวกัน หากเลือกใช้งานอัลกอริทึม SVM กับชุดข้อมูลที่มีขนาดใหญ่ เวลาที่ใช้ในการฝึก (Training Time) จะเพิ่มขึ้นและอาจส่งผลลบต่อประสิทธิภาพของอัลกอริทึม

การจำแนกเสียงในงานอุตสาหกรรมด้วย Machine Learning สามารถนำไปใช้ได้อย่างดีโดยเฉพาะอย่างยิ่งในการวางแผนซ่อมบำรุงเครื่องจักร ช่วยให้ระบบสามารถทำงานสะดวกมากยิ่งขึ้น เพราะนอกจากจะมีการบันทึกข้อมูลยังมีการคาดการณ์และแจ้งเตือนหากเครื่องจักรขัดข้อง ทำให้สามารถลดค่าใช้จ่ายในการซ่อมบำรุงช่วยเพิ่มประสิทธิภาพของเครื่องจักรและยังช่วยเพิ่มความปลอดภัยให้กับพนักงานที่ต้องควบคุมเครื่องจักรนั้น ๆ อีกด้วย

ดังนั้นเทคโนโลยี Machine Learning สามารถช่วยให้ภาคอุตสาหกรรมผลิตสินค้าที่มีประสิทธิภาพและคุณภาพมากขึ้นและมีการบำรุงรักษาเครื่องจักรที่ดียิ่งขั้น เกิดการคล่องตัวในการผลิตสามารถควบคุมคุณภาพของสินค้า ลดต้นทุน ลดค่าใช้จ่ายในการบำรุงรักษาและยังเพิ่มความน่าเชื่อถือให้กับระบบและกระบวนการ เทคโนโลยีนี้จึงเป็นสิ่งสำคัญที่จะปรับเปลี่ยนอุตสาหกรรมการผลิตตั้งแต่อุตสาหกรรมขนาดเล็กจนถึงขนาดใหญ่ให้มีความทันสมัยและมีประสิทธิภาพที่ดียิ่งขึ้น

ดาวน์โหลดเอกสารเผยแพร่

เอกสารอ้างอิง

[1] Natthawat Phongchit, มาทำความรู้จัก Machine Learning เบื้องต้น,
https://medium.com/@natthawatphongchit/machine-learning-basics-2b38700cb10b
[2] Sumit Saha, A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way,
https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way
[3] Natthawat Phongchit, Convolutional Neural Network (CNN) คืออะไร. https://medium.com/@natthawatphongchit
[4] KKLoft, Convolutional Neural Networks (CNN): สร้าง Model เพื่อทำ Image Classification,
https://medium.com/@app.kkloft/convolutional-neural-networks-cnn-สร้าง-model-เพื่อทำ-image-classification-ด้วย-tensorflow-58173661cfeb
[5] PradyaSin, Support Vector Machines (SVM),
 https://medium.com/@pradyasin/support-vector-machines-svm-943f9a732a69
[6] scikit-learn developers ,1.4. Support Vector Machines,
https://scikit-learn.org/stable/modules/svm.html
[7] Manu Siddharth Jha, 15 Proven Facts Why Artificial Intelligence Will Create More Jobs in 2021, https://www.mygreatlearning.com/blog/15-reasons-why-ai-will-create-more-jobs-than-it-takes/
[8] James Green, 5 ways you can use Machine Learning in manufacturing,
https://www.ancoris.com/blog/5-ways-machine-learning-manufacturing

]]>
SMC x Thailand 5G Summit 2022 https://www.nectec.or.th/smc/smc-x-thailand-5g-summit-2022/ Fri, 17 Jun 2022 09:33:40 +0000 https://www.nectec.or.th/smc/?p=5913
SMC x Thailand 5G Summit 2022
ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค สวทช.) โดยศูนย์นวัตกรรมการผลิตยั่งยืน (SMC) ร่วมกับ AIS นำผลงาน Co-bot เพื่อโชว์การประยุกต์ใช้เทคโนโลยี 5G ใน Industry 4.0 นำเสนอโดย คุณรพีพงศ์ โชครุ่งอิสรานุกูล และ คุณชำนาญ ปัญญาใส ทีมระบบไซเบอร์-กายภาพ (CPS) และโครงการทดลองและถ่ายทอดการประยุกต์ใช้เทคโนโลยี 5G สำหรับ Smart Factory/Manufacturingโดย ดร.กมล เขมะรังษี จากกลุ่มวิจัยการสื่อสารและเครือข่าย (CNWRG) ร่วมออกบูธ ในงานThailand 5G Summit 2022: “The Real 5G Leader of The Region” ซึ่งจัดขึ้นในระหว่างวันที่ 16 – 17 มิถุนายน 2565 ณ โรงแรมเซ็นทารา แกรนด์ และบางกอกคอนเวนชัน เซ็นเตอร์ เซ็นทรัลเวิลด์ ชั้น 22 กรุงเทพฯ
โดยพลเอก ประยุทธ์ จันทร์โอชา นายกรัฐมนตรี และ รัฐมนตรีว่าการกระทรวงกลาโหม ให้เกียรติเป็นประธานในพิธีเปิดงานสัมมนาและนิทรรศการในชื่อ Thailand 5G Summit 2022 ภายใต้แนวคิด The 5G Leader in the Region ที่จัดโดย สำนักงานส่งเสริมเศรษฐกิจดิจิทัล หรือ ดีป้า กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม (ดีอีเอส) รวมถึงเครือข่ายพันธมิตรภาคเอกชน บริษัท หัวเว่ย เทคโนโลยี (ประเทศไทย) จำกัด และ Global System for Mobile Communications Association (GSMA) APAC 5G Industry Community
และในวันที่ 17 มิถุนายน 2565 ดร.กมล เขมะรังสี ผู้อำนวยการกลุ่มวิจัยการสื่อสารและเครือข่าย ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ ได้บรรยายพิเศษ เรื่อง “5G Enabling Sustainable Manufacturing”เพื่อแนะนำศูนย์นวัตกรรมการผลิตยั่งยืน (SMC) บริการต่างๆ Testbed รวามทั้งนำเสนอตัวอย่าง usecase 5G for factory & Warehouse อีกด้วย
]]>
3 เรื่องที่ต้องรู้!!! ก่อนดัดแปลงรถยนต์สันดาปเป็นรถยนต์ไฟฟ้า https://www.nectec.or.th/smc/3-%e0%b9%80%e0%b8%a3%e0%b8%b7%e0%b9%88%e0%b8%ad%e0%b8%87%e0%b8%97%e0%b8%b5%e0%b9%88%e0%b8%95%e0%b9%89%e0%b8%ad%e0%b8%87%e0%b8%a3%e0%b8%b9%e0%b9%89-%e0%b8%81%e0%b9%88%e0%b8%ad%e0%b8%99%e0%b8%94/ Thu, 02 Jun 2022 06:54:57 +0000 https://www.nectec.or.th/smc/?p=5794
📌3 เรื่องที่ต้องรู้!!! ก่อนดัดแปลงรถยนต์สันดาปเป็นรถยนต์ไฟฟ้า
——————————
อย่าเพิ่งตัดสินใจเปลี่ยนรถยนต์คู่ใจเป็นรถยนต์ไฟฟ้า ถ้าคุณยังไม่รู้ 3 เรื่องนี้
🚗 วิธีการดัดแปลงรถยนต์
🚗 อุปกรณ์ที่ใช้ในการดัดแปลง
🚗 บริการจากศูนย์นวัตกรรมการผลิตยั่งยืน (SMC)
หากสนใจรายละเอียดเพิ่มเติมอื่นๆ หรือติดตามข่าวสารการอบรมเกี่ยวกับความรู้เบื้องต้นในการดัดแปลงรถยนต์ให้เป็นรถยนต์ไฟฟ้า (EV Conversion)
• ข้อดีของยานยนต์ไฟฟ้า และความเป็นมาของยานยนต์ไฟฟ้าดัดแปลง
• การเปรียบเทียบระบบต่างๆ ในรถยนต์สันดาปภายในกับรถไฟฟ้าดัดแปลง
• ภาพรวมวิธีการดัดแปลงในรูปแบบต่างๆ
• เรียนรู้อุปกรณ์หลักๆ ที่ใช้ในการดัดแปลง
• ตัวอย่างการประกอบอุปกรณ์เข้ากับตัวรถ
สามารถแวะเข้ามาดูรายละเอียดได้ที่ https://www.nectec.or.th/smc/
หรือทักมาได้เลยที่ smc-business@nectec.or.th
และอย่าลืมกดติดตาม https://www.facebook.com/smceeci/
เพื่อไม่ให้พลาดข่าวสารและสิทธิประโยชน์ใหม่ๆ 
 
#SMC ตอบโจทย์การผลิตยุคใหม่ พัฒนาไทยสู่ Industry 4.0
]]>
SMC ต้อนรับคณะผู้บริหารจากสถาบันไทย-เยอรมัน และ บริษัท เอส เอ็น ซี ฟอร์เมอร์ จำกัด (มหาชน) https://www.nectec.or.th/smc/smc-%e0%b8%95%e0%b9%89%e0%b8%ad%e0%b8%99%e0%b8%a3%e0%b8%b1%e0%b8%9a%e0%b8%84%e0%b8%93%e0%b8%b0%e0%b8%9c%e0%b8%b9%e0%b9%89%e0%b8%9a%e0%b8%a3%e0%b8%b4%e0%b8%ab%e0%b8%b2%e0%b8%a3%e0%b8%88%e0%b8%b2/ Thu, 02 Jun 2022 06:51:32 +0000 https://www.nectec.or.th/smc/?p=5770
วันที่ 2 มิ.ย. 65 ดร.พนิตา พงษ์ไพบูลย์ รองผู้อำนวยการเนคเทค และ ผู้อำนวยการศูนย์นวัตกรรมการผลิตยั่งยืน (SMC) นำทีมนักวิจัยให้การต้อนรับ ดร.สมชัย ไทยสงวนวรกุล ประธานกรรมการบริหาร บริษัท เอส เอ็น ซี ฟอร์เมอร์ จำกัด (มหาชน) พร้อมด้วย คุณสมหวัง บุญรักษ์เจริญ ที่ปรึกษาสถาบันไทย-เยอรมัน ในโอกาสเข้าพบและประชุมหารือแนวทางความร่วมมือศูนย์นวัตกรรมการผลิตยั่งยืน (SMC )พร้อมแลกเปลี่ยนความรู้ ประสบการณ์การดำเนินงานและเยี่ยมชมผลงาน โดยมี นักวิจัยเนคเทค สวทช. ร่วมนำเสนอผลงานวิจัยพัฒนา ได้แก่
  • เยี่ยมชมรถยนต์ดัดแปลง นำเสนอโดย ดร.ดวิษ กิระชัยวนิช หัวหน้าทีมวิจัยผลิตภัณฑ์อุตสาหกรรมและอิเล็กทรอนิกส์กำลัง (IPP)
  • นำเสนอ SQUAT & Hardware in the Loop ผลงานจากงานวิศวกรรมซอฟต์แวร์และทดสอบผลิตภัณฑ์ และเยี่ยมชมห้องปฏิบัติการ ทีมวิจัยมอเตอร์และการแปลงผันกำลังงาน นำเสนอโดย ดร. บุรินทร์ เกิดทรัพย์ นักวิจัย ทีมวิจัยมอเตอร์และการแปลงผันกำลังงาน (MAP)

ร่วมด้วย ดร. พรพรหม อธีตนันท์ รองผู้อำนวยการฝายกลยุทธ์วิจัยและถ่ายทอดเทคโนโลยี พร้อมด้วย ทีมวิจัยมอเตอร์และการแปลงผันกำลังงาน (MAP) และ ทีมวิจัยผลิตภัณฑ์อุตสาหกรรมและอิเล็กทรอนิกส์กำลัง (IPP) เข้าร่วมหารือและสร้างเครือข่ายความร่วมมือที่จะดำเนินงานร่วมกันในอนาคต

]]>
SMC x SMART TECHNOLOGY FOR MANUFACTURING https://www.nectec.or.th/smc/smcxsmart-technology/ Tue, 24 May 2022 10:23:22 +0000 https://www.nectec.or.th/smc/?p=5451
SMC x SMART TECHNOLOGY FOR MANUFACTURING
ดร.พนิตา พงษ์ไพบูลย์ รองผู้อำนวยการเนคเทค สวทช. และ ผู้อำนวนการศูนย์นวัตกรรมการผลิตยั่งยืน ได้พูดถึง สถานะและปัญหาของอุตสาหกรรมไทยในปัจจุบัน การใช้เทคโนโลยี 4.0 จะช่วยลดต้นทุนในโรงงานอุตสาหกรรมได้อย่างไร พร้อมแนะนำศูนย์นวัตกรรมการผลิตยั่งยืน (SMC) หน่วยงานที่จะช่วยยกระดับอุตสาหกรรมไทยไปสู่ 4.0 บริการต่างๆ อาทิ Thailand i4.0 index, ศูนย์การเรียนรู้ SMC @NECTEC Pilot Plant, Testbed @EECI วังจันทร์ จ.ระยอง, Smart warehouse testbed, EV Motor and Drive Testing, บริการยื่นขอรับการส่งเสริมมาตรการ Industry 4.0 ตามแนวทาง สำนักงานคณะกรรมการส่งเสริมการลงทุน(BOI) และเชิญชวนให้ร่วมสมัครเป็นสมาชิก โดยจะได้รับสิทธิพิเศษต่างๆ ในการสัมมนาหัวข้อ SMART TECHNOLOGY FOR MANUFACTURING เพื่อเพิ่มขีดความสามารถขององค์กร ตอบสนองต่อความต้องการของลูกค้าและการแข่งขันภายใต้สภาวะของการเปลี่ยนแปลงที่เกิดขึ้นอย่างรวดเร็ว ด้วยเทคโลยี อย่าง MACHINE LEARNING,CLOUD, IOT, AI, DATA, DEEPTECHNOLOGY และ 5G โดยผู้บริหารจากองค์กรชั้นนำร่วมแชร์ผลิตภัณฑ์ โซลูชั่น เทคโนโลยี สำหรับอุตสาหกรรมการผลิต DIGITAL MANUFACTURING ECOSYSTEM เมื่อวันที่ 20 พฤษภาคม 2565 ในงาน INTERMACH & SUBCON 2022 งานแสดงเทคโนโลยีเครื่องจักรกล และอุตสาหกรรมรับช่วงการผลิต เพื่อการจัดซื้อชิ้นส่วนชั้นนำของอาเซียน ณ ศูนย์นิทรรศการและการประชุมไบเทค บางนา
]]>
Karakuri Kaizen ทางเลือกเพื่อการปรับปรุงสายการผลิต https://www.nectec.or.th/smc/karakuri-kaizen/ Wed, 15 Sep 2021 12:17:06 +0000 https://www.nectec.or.th/smc/?p=5159
บทความ | ภัทภูมิ ทิพย์ประเสริฐสิน ทีมระบบไซเบอร์-กายภาพ (CPS) หน่วยทรัพยากรด้านการคำนวณและไซเบอร์-กายภาพ (NCCPI) ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค-สวทช.) ภาพประกอบ | ศศิวิภา หาสุข
ในยุคอุตสาหกรรม 4.0 ระบบอัตโนมัติมีความสำคัญมากขึ้นเป็นลำดับ นอกจากนี้คำว่า “ระบบอัตโนมัติ” ยังครอบคลุมไปถึงหุ่นยนต์ที่ซับซ้อนและสามารถเชื่อมโยงกับอุตสาหกรรมสมัยใหม่ได้อย่างลงตัว ดังนั้นการนำหลักการ Karakuri Kaizen มาประยุกต์ใช้ร่วมกับระบบอัตโนมัติ จึงสามารถตอบสนองต่อนโยบายการผลิตที่ต้องการปรับปรุงกระบวนการผลิตโดยใช้หลักการของกลไกต่างๆ [1] และแรงในการขับเคลื่อน โดยที่แรงที่ใช้ใน Karakuri Kaizen ที่ว่านี้จะหมายความถึง แรงโน้มถ่วง แรงหดหรือยืด แรงลอยตัว แรงแม่เหล็ก แรงคน เป็นต้น

ที่มาของ Karakuri Kaizen

ภาพที่ 1: ตุ๊กตาเสิร์ฟน้ำชา Karakuri
เพื่อให้เข้าใจที่มา Karakuri Kaizen ต้องย้อนเวลากลับไปสู่ประเทศญี่ปุ่นในศตวรรษที่ 17 กล่าวคือ Karakuri Kaizen เป็นคำที่ใช้เรียกการเคลื่อนที่โดยปราศจากการใช้พลังงานไฟฟ้าหรือลมและได้มีการพัฒนาโดยนำมาใช้กับงานในด้านต่างๆ เช่น การประยุกต์ใช้กับละครเวที ตุ๊กตาเสิร์ฟน้ำชา การนำกลไกและพลังงานของวัตถุ มาเป็นแรงขับเคลื่อน โดยปราศจาก การใช้พลังงานของไฟฟ้า และลม ในการขับเคลื่อน [2]
ในภาคอุตสาหกรรม การนำ Karakuri Kaizen เข้ามาใช้งานในสถานที่การผลิตจะสามารถช่วยลดการใช้พลังงาน และลดต้นทุนในการผลิต ในขณะเดียวกันยังสามารถช่วยเพิ่มประสิทธิภาพในการทำงานได้ ดังนั้นแนวทางการนำ Karakuri Kaizen ซึ่งเป็นอุปกรณ์อัตโนมัติที่มีต้นทุนต่ำ และมีกลไกการทำงานแบบง่ายๆ ตามหลักกลศาสตร์ เช่น แรงโน้มถ่วง เพื่อมุ่งเน้นการกำจัด Muda Mura และ Muri นอกจากจะสามารถนำมาช่วยพนักงานในการทำงานแล้วยังช่วยลดความซับซ้อนในกระบวนการอีกด้วย ทั้งนี้ Karakuri Kaizen ยังใช้ต้นทุนในการสร้างและการดูแลรักษาการใช้งานต่ำช่วยประหยัดทรัพยากร และยังช่วยเพิ่มความปลอดภัยให้แก่พนักงาน ปัจจุบันในภาคอุตสาหกรรมการผลิตได้มีการประยุกต์ใช้กันอย่างแพร่หลายและยังขยายผลการประยุกต์ใช้งานไปถึงภาคธุรกิจต่างๆ ด้วย

วัตถุประสงค์

  1. พัฒนาสายการผลิตโรงงานแห่งการเรียนรู้ด้านลีนดิจิทัล
  2. เพื่อศึกษาและเรียนรู้ในส่วนของการออกแบบโครงสร้าง อุปกรณ์ กลไกในการขับเคลื่อนให้สอดคล้องกับเครื่องจักรที่มีการใช้งานอยู่ในปัจจุบัน
  3. ลดความสูญเปล่าด้วยการทำให้เป็นระบบอัตโนมัติที่มีต้นทุนต่ำ
  4. พัฒนาและต่อยอดในส่วนของ Karakuri Kaizen ในสายการผลิต

Karakuri Kaizen คืออะไร

Karakuri Kaizen เป็นกิจกรรมในภาคอุตสาหกรรมการผลิตซึ่งมีการให้พนักงานทุกๆ คนมีส่วนร่วมในการคิดริเริ่มสร้างสรรค์ในการปรับปรุงสายการผลิตให้มีประสิทธิภาพเพิ่มมากขึ้นโดยเป็นไอเดียของพนักงานที่ทำการผลิตหน้างานเป็นประจำการทำ Karakuri kaizen จะใช้แรงโน้มถ่วง พื้นเอียง ลอก ลูกตุ้ม หรือสปริง ซึ่งทั้งหมดจะไม่ใช้ชิ้นส่วนอุปกรณ์ที่ต้องใช้พลังงานไฟฟ้ามาขับเคลื่อนกลไกแต่อย่างใด Karakuri Kaizen เป็นกิจกรรมที่มุ่งเน้นการแก้ไขปัญหาหน้างานของสายการผลิตด้วยไอเดียของพนักงานโดยพนักงานจะต้องสังเกตสภาพความผิดปกติที่เกิดขึ้นที่บริเวณหน้างานเป็นประจำ ความผิดปกติที่เกิดขึ้นแบ่งออกเป็น 3 ประเภทคือ 1. Muda (มุดะความสูญเปล่า ความสูญเปล่าที่เกิดขึ้นในกระบวนการผลิตจะมีอยู่ด้วยกัน 7 ประการ ดังนี้
  1. ความสูญเปล่าจากการขนส่ง (Transportation)
  2. ความสูญเปล่าจากการเก็บวัสดุคงคลัง (Inventory)
  3. ความสูญเปล่าจากการเคลื่อนไหว (Motion)
  4. ความสูญเปล่าจากการรอคอย (Waiting)
  5. ความสูญเปล่าจากการผลิตมากเกินไป (Over production)
  6. ความสูญเปล่าจากกระบวนการผลิตมากเกินไป (Overprocessing)
  7. ความสูญเปล่าจากการผลิตของเสีย (Defect) [3]
ภาพที่ 2: แผนภาพสรุป Muda 7 ประการ ด้วยคำย่อ “TIMWOOD”
2. Mura (มุระ) ความไม่สม่ำเสมอ ความไม่สม่ำเสมอไม่ว่าจะเป็นในเรื่องของปริมาณงาน หรือเรื่องวิธีการทำงาน ย่อมส่งผลเสียต่อความไม่สม่ำเสมอของผลงานตามไปด้วย นั่นหมายความว่า ผลงานที่ออกมาจะไม่เป็นไปตามมาตรฐาน และไม่มีความคงที่ในเชิงคุณภาพและปริมาณอีกด้วย หากการทำงานไม่มีความสม่ำเสมอกระบวนการต่างๆในการทำงานก็จะไม่ราบรื่นเกิดความผิดพลาดในกระบวนการผลิตซึ่งจะส่งผลเสียต่อประสิทธิภาพโดยรวมของผลผลิตหรือสินค้าได้ 3. Muri (มุริ) การทำงานที่เกินกำลัง การทำงานเกินกำลัง อาจจะส่งผลในเชิงบวกต่อการทำงานในระยะสั้น เช่น การเพิ่มกำลังการผลิตด้วยการทำงานล่วงเวลา แต่ในระยะยาวจะเกิดผลในเชิงลบต่อกระบวนการทำงานในภาพรวมเนื่องจากผลของการล้า และเคร่งเครียดในการทำงาน     การทำงานที่เกินความสามารถหรือเกินกำลังจึงเป็นการฝืนทั้งกระบวนการทำงานและคนทำงานไปพร้อมๆ กันซึ่งไม่เป็นผลดีต่อการทำงานโดยรวม และยังส่งผลให้ประสิทธิภาพการทำงานลดน้อยลงอีกด้วย [4] ภาพที่ 3: 3 Mu ต้นเหตุการสูญเสีย ( ที่มา :  modchang.namjai.cc/e175870.html )

ตัวอย่างที่ 1

การทำ KARAKURI KAIZEN (Digital Lean Learning Factory) จุดที่ทำ KAIZEN Store Side Line 2 ภาพที่ 4: Layout โรงงานแห่งการเรียนรู้ด้านลีนดิจิทัล (Digital Lean Learning Factory) Store Side Line 2 จะใช้ในการเก็บพักชิ้นงานในส่วนของกระบวนการกลึงหัวซึ่งพนักงานจะต้องผลิตเป็น Lot เมื่อจำนวนงานที่ผลิตเต็ม Lot จึงจะทำการเข้าสู่กระบวนการกลึงท้ายซึ่งเป็นกระบวนการผลิตในลำดับถัดไป ก่อนทำ KAIZEN พนักงานจะต้องเดินอ้อมมาหยิบงานที่กลึงหัวเสร็จแล้ว Input ไปเติมในช่อง Output เพื่อทำการกลึงท้ายซึ่งทำให้เกิดความสูญเปล่าจากการเคลื่อนไหว (Motion) และความสูญเปล่าจากการขนส่ง (Transportation) ภาพที่ 7 : Store Side Line 2 (ด้านหน้า) แนวคิดในการทำ KAIZEN
  1. ทำอย่างไรให้พนักงานเดินน้อยที่สุดและไม่เกิดความสูญเปล่าในกระบวนการ
  2. พนักงานจากเดิมต้องยกชิ้นงานซึ่งมีน้ำหนักงาน 1 กล่องเท่ากับ 5 กิโลกรัม (และมีเป้าหมายที่จะปรับปรุงอย่างไร เช่น ลดหรือเพิ่ม จำนวนชิ้นงาน น้ำหนักชิ้นงาน ฯลฯ)
ปัญหาของ Store Side Line 2 คือ การขนย้าย
ภาพแสดงปัญหา
สภาพปัญหา เมื่อพนักงานใส่งานที่ Input ทางด้านซ้าย พนักงาน จะต้องเดินอ้อมมาหยิบงานที่ตำแหน่ง A ทางด้านขวา และยังต้องใส่งานไปในช่อง Output ตำแหน่ง B เพื่อที่จะเอางานทางด้าน Output ทางด้านซ้าย เพื่อไปทำการผลิตต่อไปตามระบบ FIFO  ซึ่งทำให้เสียเวลาในการเดินโดยจำเป็นที่จะต้องลดเวลาความสูญเปล่า จุดที่เป็นอุปสรรค ต้องออกแบบในส่วนของคาราคุริโดยทำเป็นชูตเตอร์คานกระดกและใช้น้ำหนักของชิ้นงานเป็นตัวขับเคลื่อน ซึ่งทั้งตำแหน่งคานกระดกและน้ำหนักของตัวถ่วงน้ำหนักจะต้องมีความสัมพันธ์กับชิ้นงานที่ใส่ลงกล่อง เพื่อให้กลไกของซูตเตอร์ทำงานได้อย่างถูกต้องสมบูรณ์

ดำเนินการทำ KARAKURI KAIZEN

แนวทางการออกแบบอุปกรณ์และกลไกคาราคุริโดยอาศัยแรงโน้มถ่วงจะใช้ประโยชน์ของแรงโน้มถ่วงไม่เฉพาะแรงในแนวดิ่งเท่านั้น แต่ยังสามารถใช้กับพื้นเอียงซึ่งอาศัยหลักการออกแบบมุมเอียงที่เหมาะสม เพื่อให้กล่องที่ใส่ชิ้นงานสามารถเลื่อนลงตามรางได้โดยไม่หยุดค้างเนื่องจากแรงเสียดทาน ขณะเดียวกันจะต้องไม่ให้กล่องใส่ชิ้นงานเลื่อนลงตามรางเร็วจนเกินไปจนอาจเกิดความเสียหายหรืออุบัติเหตุจากการชนได้
  • ใส่กล่องใส่ชิ้นงานในช่อง Input หรือตำแหน่ง A จากนั้นกล่องใส่ชิ้นงานจะเคลื่อนที่เลื่อนลงได้เองบนรางพื้นเอียง (ภาพที่ 9) และกล่องใส่ชิ้นงานที่ต้องนำไปผลิตต่อจะอยู่ในช่อง Output หรือตำแหน่ง B ซึ่งทั้งหมดจะเป็นระบบ First In First Out (FIFO)
  • กล่องใส่ชิ้นงานเคลื่อนที่มายังกลไกคาราคุริไคเซ็น (ภาพที่ 10) ซึ่งน้ำหนักของกล่องใส่ชิ้นงานจะทำให้กลไกฯ มีการขยับหมุนตัวเมื่อกลไกฯได้รับกล่องเข้ามาแล้ว ทำให้น้ำหนักของกล่องมีมากกว่าน้ำหนักของตัวถ่วงของกลไกฯ จึงทำให้กลไกฯ ทำหน้าที่ป้อนกล่องใส่ชิ้นงานกลับคืนที่บริเวณรางด้านล่าง และเมื่อกล่องใส่ชิ้นงานถูกป้อนเข้าสู่รางด้านล่างแล้ว จะทำให้กลไกปรับกลับคืนสู่ตำแหน่งเดิมเนื่องจากน้ำหนักของตัวถ่วงเพื่อที่จะรองรับกล่องใส่ชิ้นงานอื่นในลำดับถัดไปอย่างต่อเนื่อง ขณะเดียวกัน กล่องใส่ชิ้นงานจะเลื่อนลงตามรางจนถึงช่อง Output หรือตำแหน่ง B (ภาพที่ 9) เพื่อนำชิ้นงานไปดำเนินการในกระบวนการผลิตขั้นต่อไป
สำหรับความสัมพันธ์ระหว่างแรงที่ทำให้กลไกคาราคุริไคเซ็นจะทำงานเมื่อมีวัตถุที่มีน้ำหนักมากระทำซึ่งเกิดจะแรงโน้มถ่วงทำให้งานไหลไปสู่ทิศทางที่ต้องการ ผลที่คาดว่าจะได้รับ
  1. ลดความสูญเปล่าในการเดินไปหยิบงานในกระบวนการผลิตเพื่อให้พนักงานเดินน้อยที่สุดและอยู่ในสถานที่ปฎิบัติงานให้มากที่สุด
  2. แบ่งเบาภาระให้พนักงานจากของเดิมใช้พนักงานในการยกงานจากช่อง InPut ไปยังช่อง Out Put โดยใช้หลักการคาราคุริโดยทำเป็นชู๊ตเตอร์คานกระดกและใช้น้ำหนักของชิ้นงานเป็นตัวขับเคลื่อนงาน โดยอาศัยความสัมพันธ์ของแรงโน้มถ่วงที่เกิดขึ้นผ่านรางพื้นเอียงให้สัมพันธ์กับแรงเสียดทานระหว่างกล่องใส่ชิ้นงานและราง เพื่อให้การเคลื่อนที่ของกล่องใส่ชิ้นงานสามารถเลื่อนลงไปอย่างเหมาะสมไม่ช้าหรือเร็วจนเกินไป

ตัวอย่างที่ 2

การทำ KARAKURI KAIZEN  (Digital Lean Learning Factory) จุดที่ทำ KAIZEN Staging Area & Shipping Area ภาพที่ 13: Layout ก่อนปรับปรุง
  • หมายเลข 1 Staging Area กระบวนการนี้จะใช้ในการจัดเตรียมและจัดเรียงสินค้า (FG) และตรวจสอบความถูกต้องก่อนเพื่อที่จะส่งต่อไปยังกระบวนการ Shipping Area
  • หมายเลข 2 Shipping Area กระบวนการจัดส่งสินค้า (FG) ให้กลับลูกค้าที่มารับสินค้า
ก่อนทำ KAIZEN หมายเลข 1 Staging Area และหมายเลข 2  Shipping Area จะเป็นไม้พาเลทสำหรับวางสินค้าพนักงานจะต้องยกสินค้าจากหมายเลข 1 ไปยังหมายเลข 2 ทำให้เกิดการเสียเวลาในการขนย้ายและยังทำให้พนักงานเกิดความเมื่อยล้าในการยกสิ้นค้า FG และเกิดการทำงานซ้ำซ้อน แนวคิดในการทำ KAIZEN
  1. ทำอย่างไรให้พนักงานใช้เวลาในการขนย้ายสินค้า FG จาก Staging ไป Shipping ให้คุ้มค่า
  2. ลดความเมื่อยล้าในการยกสินค้าโดยใช้ Karakuri kaizen โดยใช้แนวคิดการเคลื่อนย้ายอย่างไร
ปัญหาของ Staging Area & Shipping Area  คือ การขนย้าย
ภาพแสดงปัญหา
สภาพปัญหา พนักงานใช้เวลาในการขนย้ายสินค้า FG จาก Staging ไป Shipping นานและเมื่อย้ายสินค้าบ่อยครั้ง จึงเกิดความเมื่อยล้าในการยก และเคลื่อนย้ายสินค้าเป็นจำนวนมากๆ จุดที่เป็นอุปสรรค ต้องออกแบบในส่วนของคาราคุริโดยทำเป็นชูตเตอร์และต้องมีกลไกในการขับเคลื่อนสินค้าจาก Staging ไป Shipping โดยที่ไม่ต้องการให้พนักงานยกสินค้า

ดำเนินการทำ KARAKURI KAIZEN

แนวทางในการปรับปรุงจะทำโดยการเปลี่ยนจากไม้พาเลทมาเป็นอลูมิเนียมโปรไฟล์และออกแบบให้ทั้ง 2 กระบวนการคือ Staging และ Shipping ติดกันจึงทำกลไกในส่วนของการแยก 2 กระบวนการไว้ระหว่างกลาง โดยมีเงื่อนไขในการเคลื่อนคือ ถ้ามีสินค้า FG ที่มาเตรียมการที่ Staging ครบถ้วนตามจำนวนเมื่อใด สินค้า FG ก็จะถูกส่งไปยังบริเวณ Shipping โดยใช้กลไกในการส่งสินค้า FG ด้วยการปลดล็อคโดยอาศัยแป้นเหยียบ เพื่อคลายอุปกรณ์ล็อคที่ติดตั้งอยู่ และเมื่อสินค้าเคลื่อนที่ด้วยรางพื้นเอียงไปยังบริเวณ Shipping เรียบร้อยแล้ว อุปกรณ์ล็อคจะกลับคืนมาล็อคในตำแหน่งเดิมก่อนเหยียบแป้น เพื่อใช้ในการแยกสินค้าที่จัดเรียงในบริเวณ Staging เพื่อรอการตรวจสอบความครบถ้วนในลำดับถัดไป ผลที่คาดว่าจะได้รับ
  1. ลดเวลาในการยกย้ายสินค้า FG จาก Staging ไป Shipping
  2. ลดความเมื่อยล้าในการยกสินค้า FG จาก Staging ไป Shipping โดยใช้กลไก Karakuri
  3. ได้ Layout ใหม่กระบวนการไหลของสินค้า FG ราบรื่นมากขึ้น
ภาพที่ 16: Layout หลังปรับปรุง นอกจากนั้นแล้วกลไก Karakuri Kaizen ยังสามารถเป็นตัวช่วยหรือเครื่องมือที่ช่วยให้การพัฒนาและปรับปรุงในส่วนของกระบวนการผลิตได้และยังรวมไปถึง Layout ใหม่ก็เป็นผลพลอยได้จากการใช้ Karakuri จากทำให้ประหยัดพื้นที่แล้วยังช่วยให้การไหลของสินค้า FG ราบรื่นขึ้นด้วย ที่กล่าวมาทั้ง 2 ตัวอย่างนี้เป็นเพียงแนวทางเบื้องต้นที่สามารถนำมาประยุกต์ และนำมาพัฒนาและปรับปรุงกระบวนการ ในปัจจุบัน NECTEC สวทช. ได้เปิดบริการศูนย์เรียนรู้ SMC Learning Center ในส่วนของ Digital Lean Learning Factory สำหรับผู้ที่สนใจสามารถเยี่ยมชมโรงงานจำลองที่สร้างให้มีสภาวะใกล้เคียงกับโรงงานจริง และเรียนรู้หลักการและแนวทางเพื่อนำไปปรับปรุงกระบวนการผลิต

[1] Item Blog. (2021). Karakuri/LCA: Automation with smarts, สืบค้นเมื่อ 28 มิถุนายน 2564. จาก https://blog.item24.com/en/lean-production/karakuri-lca-automation-with-smarts/

[2] TOYATA MOTOR THAILAND CO.,LTD. (2021). KARAKURI KAIZEN, สืบค้นเมื่อ 1 กรกฎาคม 2564. จาก https://www.mostori.com/blog_detail.php?b_id=91

[3] Wisdom Max Center. (2021). The 7 Wastes การลดความสูญเสีย 7 ประการ, สืบค้นเมื่อ 8 กรกฎาคม 2564. จาก https://www.wisdommaxcenter.com/detail.php?WP=oGM3ZHjkoH9axUF5nrO4Ljo7o3Qo7o3Q

[4] evisualcontrol.com. (2021). ความสูญเปล่า 3 สิ่งที่ต้องกำจัดในกระบวนการผลิต มีอะไรบ้าง, สืบค้นเมื่อ 15 กรกฎาคม 2564. จาก  https://evisualcontrol.com/podcasts/muda-mura-muri/

]]>