Smart Manufacturing – NECTEC : National Electronics and Computer Technology Center

ปิดฉากอย่างเป็นทางการ! อบรมชุดหลักสูตรพัฒนาโรงงานอัจฉริยะ รุ่นที่ 1 (Industry 4.0 & Smart Manufacturing Bootcamp)

Sasiwipar Hasuk — Tue, 01 Apr 2025 09:06:25 +0000

สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สวทช.) โดย เนคเทค – SMC ได้ดำเนินการจัดอบรม ชุดหลักสูตรพัฒนาโรงงานอัจฉริยะ (Industry 4.0 & Smart Manufacturing Bootcamp) รุ่นที่ 1 ภายใต้โครงการ SMC Academy ซึ่งจัดขึ้นระหว่างเดือนมกราคม ถึง มีนาคม 2568 รวมระยะเวลาการอบรมทั้งสิ้น 23 วัน โดยหลักสูตรนี้มีวัตถุประสงค์เพื่อเสริมสร้างองค์ความรู้และศักยภาพของบุคลากรในโรงงานอุตสาหกรรม โดยเฉพาะในด้านการประยุกต์ใช้เทคโนโลยี Industry 4.0 และงานวิจัยของเนคเทค เพื่อการใช้งานจริงอย่างมีประสิทธิภาพและยั่งยืน

การอบรมประกอบด้วย 2 กลุ่มหลักสูตรสำคัญ ได้แก่

กลุ่มพื้นฐานด้านอุตสาหกรรม 4.0 (4 กลุ่มหลักสูตร)

1. พื้นฐานเทคโนโลยีและการบูรณาการอุตสาหกรรม Industry 4.0 (1 วัน)
2. พื้นฐานเครื่องจักร และการพัฒนาระบบอัตโนมัติ (4 วัน)
3. การพัฒนาเครื่องจักรอุตสาหกรรม และระบบ Industrial IoT (3 วัน)
4. พื้นฐานปัญญาประดิษฐ์ (AI) และ Data Preprocessing สำหรับอุตสาหกรรม 4.0 (3 วัน)

กลุ่มการประยุกต์ใช้เทคโนโลยีวิจัยจากเนคเทค (6 เทคโนโลยีวิจัย)
1. การพัฒนาแอปพลิเคชัน AIoT สำหรับอุปกรณ์ Edge Computing ด้วยแพลตฟอร์ม Daysie (2 วัน)
2. การพัฒนาปัญญาประดิษฐ์ด้วย NOMADML ร่วมกับ Computer Vision ในงานอุตสาหกรรม (2 วัน)
3. การประยุกต์ใช้ระบบระบุตำแหน่ง (UNAI) ในโรงงานอุตสาหกรรมและคลังสินค้า (2 วัน)
4. การพัฒนาระบบดัชนีวัดประสิทธิภาพการผลิต (OEE) ด้วย SMART OEE (2 วัน)
5. การประเมินคาร์บอนฟุตพริ้นท์ขององค์กรแบบเรียลไทม์ด้วย ACAMP (2 วัน)
6. แพลตฟอร์มวิเคราะห์ข้อมูลอุตสาหกรรม (IDA) (1 วัน)

ผู้เข้าอบรมในรุ่นที่ 1 เป็นวิศวกรจากโรงงานอุตสาหกรรม 33 คน ผู้จัดการหรือเจ้าของกิจการ 13 คน รวมทั้งสิ้น 46 คน จาก 11 บริษัทชั้นนำของประเทศ โดยมีผู้เข้าอบรมจากหลายภาคส่วน เช่น ฝ่าย IT, ฝ่ายผลิต, ฝ่ายซ่อมบำรุง และฝ่าย Facility

สะท้อนให้เห็นว่า การพัฒนาโรงงานอัจฉริยะให้ประสบผลสำเร็จ ไม่ได้ขึ้นอยู่กับการนำเทคโนโลยีเข้ามาเพียงอย่างเดียว หากแต่ต้องเริ่มจาก “การพัฒนาคน” ให้เข้าใจเทคโนโลยีที่เกี่ยวข้อง ทั้งระบบอัตโนมัติ ระบบ IoT และ AI เพื่อให้สามารถต่อยอด ปรับใช้ และสร้างความยั่งยืนในระยะยาวได้อย่างแท้จริง

พบกันใหม่! รุ่นที่ 2 เปิดรับสมัคร พฤษภาคม 2568

สำหรับผู้ที่สนใจเข้าร่วม อบรมชุดหลักสูตรพัฒนาโรงงานอัจฉริยะ รุ่นที่ 2 สามารถติดตามข่าวสารและรายละเอียดได้ทาง Facebook: SMC

เนคเทค สวทช. ร่วมเวทีเสวนา “Road to Industry 5.0: Leveraging Automation and IIoT for Smart Manufacturing” ในงาน Intelligent Asia Thailand 2025

Sasiwipar Hasuk — Mon, 10 Mar 2025 03:43:21 +0000

6 มีนาคม 2568 เนคเทค สวทช. โดย คุณอุดม ลิ่วลมไพศาล ผู้อำนวยการกลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม เข้าร่วมพิธีเปิดงาน “Intelligent Asia Thailand 2025” งานแสดงเทคโนโลยีการผลิตแห่งอนาคตที่มุ่งเน้นอุตสาหกรรมชิ้นส่วนอิเล็กทรอนิกส์และการผลิตอัจฉริยะ โดยได้รับเกียรติจากคุณเกรียงไกร เธียรนุกุล ประธานสภาอุตสาหกรรมแห่งประเทศไทย เป็นประธานในพิธีเปิด

ในโอกาสนี้ คุณอุดมได้เข้าร่วมเป็นวิทยากรบนเวที SPS Stage Bangkok ซึ่งเป็นเวทีเสวนาภายใต้หัวข้อ “Road to Industry 5.0: Leveraging Automation and IIoT for Smart Manufacturing” (ประตูสู่อุตสาหกรรม 5.0: ยกระดับระบบอัตโนมัติและ IIoT สำหรับการผลิตอัจฉริยะ) ซึ่งเป็นเวทีเสวนาที่มุ่งเน้นการแลกเปลี่ยนองค์ความรู้เกี่ยวกับแนวโน้มและการประยุกต์ใช้เทคโนโลยีอุตสาหกรรม 5.0 เพื่อนำไปสู่การผลิตอัจฉริยะ โดยเวทีนี้เปิดโอกาสให้ผู้เชี่ยวชาญและผู้ประกอบการในภาคอุตสาหกรรมไทยได้แลกเปลี่ยนมุมมอง เพื่อเพิ่มขีดความสามารถทางการแข่งขันและยกระดับประสิทธิภาพการผลิต

เสวนานี้ได้รับเกียรติจากผู้เชี่ยวชาญที่มีบทบาทสำคัญในการขับเคลื่อนอุตสาหกรรมไทยที่มาร่วมถ่ายทอดมุมมอง ได้แก่: ดร.ประพิณ อภินรเศรษฐ์ นายกสมาคมผู้ประกอบการระบบอัตโนมัติและหุ่นยนต์ไทย (TARA) ดร.สุทัด ครองชนม์ นายกสมาคมไทยไอโอที (Thai IoT Association) คุณธีระ กิตติธีรพรชัย กรรมการผู้จัดการ บริษัท จีเอ็มทีเอ็กซ์ จำกัด (ผู้ดำเนินรายการ) โดยมีเนื้อหาสาระสำคัญของการเสวนาครอบคลุมหัวข้อสำคัญที่เกี่ยวข้องกับการผลิตยุคใหม่ อาทิ:

แนวคิดและกลไกขับเคลื่อนสู่อุตสาหกรรม 5.0
อุตสาหกรรม 5.0 เป็นแนวทางการผลิตที่ผสมผสานระหว่าง ระบบอัตโนมัติ ปัญญาประดิษฐ์ (AI) และ Internet of Things (IoT) เข้ากับความสามารถของมนุษย์ โดยมุ่งเน้นให้เทคโนโลยีช่วยสนับสนุนการทำงานของมนุษย์แทนที่จะทดแทน อุตสาหกรรมนี้ให้ความสำคัญกับ Mass Personalization หรือการผลิตที่สามารถปรับเปลี่ยนได้ตามความต้องการของลูกค้าแบบเฉพาะเจาะจง รวมถึงการพัฒนาเศรษฐกิจที่ยั่งยืนด้วยการใช้พลังงานอย่างมีประสิทธิภาพ

การเสริมศักยภาพมนุษย์และการทำงานร่วมกับเทคโนโลยี
Industry 5.0 ไม่ได้มุ่งเน้นเพียงการใช้ระบบอัตโนมัติ แต่ยังให้ความสำคัญกับ Human-Centric Manufacturing หรือการผลิตที่มนุษย์เป็นศูนย์กลาง เทคโนโลยีช่วยเสริมศักยภาพของแรงงาน เช่น การใช้หุ่นยนต์ที่สามารถทำงานร่วมกับมนุษย์ (Collaborative Robots) และระบบ AI ที่สามารถเรียนรู้และปรับตัวตามบริบทของการทำงาน

เทคโนโลยีสำคัญและทักษะที่จำเป็น
เทคโนโลยีที่มีบทบาทสำคัญในการขับเคลื่อนอุตสาหกรรม 5.0 ได้แก่ Industrial Internet of Things (IIoT), Digital Twin, ปัญญาประดิษฐ์ (AI), หุ่นยนต์อัจฉริยะ, Blockchain และ 5G โดยบุคลากรในอุตสาหกรรมจำเป็นต้องพัฒนาทักษะด้าน การวิเคราะห์ข้อมูล (Data Analytics), การเขียนโปรแกรมระบบอัตโนมัติ และความรู้ด้านความปลอดภัยไซเบอร์ (Cybersecurity) เพื่อให้สามารถทำงานร่วมกับเทคโนโลยีได้อย่างมีประสิทธิภาพ

ความท้าทายระดับสากลและระดับท้องถิ่น
แม้ว่าอุตสาหกรรม 5.0 จะเปิดโอกาสใหม่ ๆ ให้กับการผลิต แต่อุตสาหกรรมไทยยังต้องเผชิญความท้าทาย เช่น ต้นทุนการลงทุนที่สูง, ความพร้อมของแรงงาน, มาตรฐานอุตสาหกรรมที่ต้องปรับตัว และการรักษาสมดุลระหว่างเทคโนโลยีกับแรงงานมนุษย์ ผู้ประกอบการจำเป็นต้องวางแผนการปรับเปลี่ยนองค์กรให้สอดคล้องกับทิศทางอุตสาหกรรมโลก และภาครัฐต้องมีนโยบายสนับสนุนที่ชัดเจนเพื่อส่งเสริมให้ไทยก้าวสู่การเป็นศูนย์กลางการผลิตอัจฉริยะของภูมิภาค

Intelligent Asia Thailand 2025 ในครั้งนี้เกิดขึ้นจากความร่วมมือระหว่าง เมสเซ่ แฟรงค์เฟิร์ต ผู้จัดงานแสดงสินค้าแถวหน้าของโลกจากเยอรมนี ร่วมมือกับ บริษัท ยอร์คเกอร์ส เทรด แอนด์ มาร์เก็ตติ้ง เซอร์วิส จำกัด ผู้จัดงานแสดงสินค้าสำหรับภาคอุตสาหกรรมแถวหน้าของไต้หวัน และ บริษัท จีเอ็มทีเอ็กซ์ จำกัด ผู้จัดงานแสดงสินค้าสำหรับภาคอุตสาหกรรมและผู้ผลิตสื่ออุตสาหกรรมชั้นนำของไทยภายใต้แนวคิด “งานแสดงเทคโนโลยีอัจฉริยะเพื่ออุตสาหกรรมแห่งอนาคต” ที่มุ่งเน้นไปยังการก้าวเข้าสู่อุตสาหกรรมใหม่และการยกระดับอุตสาหกรรมเดิมให้มีประสิทธิภาพมากยิ่งขึ้น ประกอบไปด้วย 3 Highlight หลัก ได้แก่ Automation Thailand 2025 งานแสดงเทคโนโลยีการผลิตอัจฉริยะแห่งเอเชีย, PCB Thailand 2025 งานแสดงเทคโนโลยีแผงวงจรพิมพ์ PCB ที่ครบเครื่องที่สุดที่แรกในประเทศไทย และ SPS Stage Bangkok 2025 สุดยอดเวทีสัมมนาระดับโลกเพื่อมุ่งสู่ความล้ำหน้าด้านการผลิต จัดขึ้นระหว่างวันที่ 6-8 มีนาคม 2025 ณ ศูนย์นิทรรศการและการประชุมไบเทค บางนา กรุงเทพฯ

Smart Technician อย่างไรให้ SMART

Sasiwipar Hasuk — Thu, 11 Apr 2024 04:26:09 +0000

ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ หรือ เนคเทค สวทช. กำกับดูแล ศูนย์นวัตกรรมการผลิตยั่งยืน (Sustainable Manufacturing Center: SMC) หน่วยงานที่จัดตั้งขึ้นเพื่อเป้าหมายในการยกระดับอุตสาหกรรมไทยสู่ Industry 4.0 ส่วนหนึ่งของ ARIPOLIS ศูนย์กลางการวิจัยและนวัตกรรมด้านอุตสาหกรรมระบบอัตโนมัติ(Automation) หุ่นยนต์(Robotic) และระบบอัจฉริยะ(Intelligence system) โดยมีจุดประสงค์เพื่อสนับสนุนและส่งเสริมทั้ง 3 เรื่อง ให้เป็นจริง ด้วยการสร้าง Solution platform for Smart Manufacturing เพื่อให้โรงงานสามารถเข้าถึงได้ ใช้งานได้จริง และจัดหาได้ในราคาที่เหมาะสม โดยดร.พรพรหม อธีตนันท์ รองผู้อำนวยการฝ่าย ฝ่ายกลยุทธ์วิจัยและถ่ายทอดเทคโนโลยี กล่าวในงานสัมมนา ซึ่งจัดขึ้นในวันที่ 13 มีนาคม 2567 ภายในงาน Automation Expo 2024

แน่นอนว่า! ในการยกระดับสู่อุตสาหกรรม 4.0 นั้นกุญแจสำคัญสำหรับองค์กรที่ประสบความสำเร็จในยุคดิจิทัล องค์กรต้องพร้อมปรับตัว เรียนรู้ และนำเทคโนโลยีดิจิทัลมาใช้เพื่อเพิ่มประสิทธิภาพ และตอบสนองต่อความต้องการของลูกค้า

หัวใจหลักของ Digital Transformation (DX) for Industry 4.0

การเปลี่ยนแปลงองค์กรอย่างต่อเนื่องโดยนำเทคโนโลยี อาทิ Cloud Computing, IoT, Cybersecurity, Augmented Reality, Big Data, Autonomous Robots, Additive Manufacturing, Simulation, System Integration เข้ามาในกระบวนการทำงาน การผลิต การบริการ และการจัดการข้อมูล เพื่อเพิ่มประสิทธิภาพ ปรับตัว และตอบสนองต่อความต้องการของลูกค้าในยุคอุตสาหกรรม 4.0 โดยอาศัยทักษะของ “Smart Technician” ช่างที่มีความรู้และประสบการณ์สูง มีความเชี่ยวชาญในการใช้เทคโนโลยีสมัยใหม่เพื่อทำงานในโรงงาน จะช่วยกระบวนการผลิตเป็นอย่างดี

นอกจากนี้องค์กรควรปรับเปลี่ยนวิธีการทำงาน มุ่งเน้นการทำงานอัตโนมัติ การวิเคราะห์ข้อมูลเชิงลึก การตัดสินใจบนฐานข้อมูล และการทำงานแบบออนไลน์ สร้างวัฒนธรรมองค์กร: เน้นความคล่องตัว การเรียนรู้ การทำงานร่วมกัน และความยืดหยุ่น รวมทั้ง reskill/upskill ทักษะใหม่ ๆ เกี่ยวกับเทคโนโลยีดิจิทัลให้กับพนักงานในองค์กร ในหลายๆ ครั้งมักจะมีคำถามว่าแล้วผู้ประกอบการจะเริ่มต้นอย่างไรดี

ความเข้าใจในบทบาท และลักษณะของบุคลากรสู่อุตสาหกรรม 4.0 ควรเป็นอย่างไร?

กุญแจสําคัญในการยกระดับองค์กรสู่อุตสาหกรรม 4.0 คือ “การมีวัฒนธรรมและกลยุทธ์ดิจิทัลที่เข้มแข็ง” เกิดจากเสาหลักต่อไปนี้

ความมุ่งมั่นของผู้นำ โดยผู้บริหารระดับสูงต้องมีความมุ่งมั่น จริงจังที่จะทํา Digital Tranformation และต้องจัดเตรียมทรัพยากรและให้การสนับสนุนที่จําเป็นทั้งงบประมาณและคนที่คัดเลือกมาเพื่อทํางานนี้โดยเฉพาะ
มีโครงสร้างองค์กรที่เอื้อต่อการทำงาน องค์กรควรจะจัดโครงสร้างที่เอื้อให้เกิดการเปลี่ยนแปลงทางดิจิทัล สามารถปรับเปลี่ยน โดยมีสายงานและความรับผิดชอบที่ชัดเจน
บุคลากรมีทักษะและความสามารถพิเศษ ในองค์กรควรจะมีบุคลากรที่มีทักษะที่เหมาะสม รวมถึงมีผู้เชี่ยวชาญด้าน เทคโนโลยีดิจิทัล การวิเคราะห์ข้อมูล และความปลอดภัยทางไซเบอร์ ขึ้นอยู่กับความจำเป็นที่เหมาะสมขององค์กร
เป็นองค์กรที่ตัดสินใจ และขับเคลื่อนด้วยข้อมูล เพื่อประกอบการตัดสินใจทางธุรกิจ ช่วยเพิ่มประสิทธิภาพการดําเนินงาน และปรับปรุงประสบการณ์ของลูกค้า Customer experience
ใช้แนวทางที่ยึดลูกค้าเป็นศูนย์กลาง โดยใช้เทคโนโลยีดิจิทัล เพื่อปรับปรุงประสบการณ์และการมีส่วนร่วมของลูกค้า
มีกระบวนการผลิตที่ทันสมัย องค์กรควรปรับปรุงกระบวนการผลิตอย่างต่อเนื่อง โดยใช้เทคโนโลยีดิจิทัล เพื่อปรับเปลี่ยนงานที่ต้องทําด้วยตนเองสู่ระบบอัตโนมัติ กําจัดของเสีย ได้อย่างมีประสิทธิภาพ
โครงสร้างพื้นฐานทางเทคโนโลยี องค์กรควรมีโครงสร้างพื้นฐานทางเทคโนโลยีที่แข็งแกร่ง เช่น คลาวด์คอมพิวติ้ง, Internet of Things (IoT) และปัญญาประดิษฐ์ (AI) เพื่อรองรับการเปลี่ยนแปลงทางดิจิทัลที่มากขึ้นในอนาคต

โดยสรุป กุญแจสําคัญในการยกระดับองค์กรสู่อุตสาหกรรม 4.0 คือ การมีวัฒนธรรมดิจิทัลที่แข็งแกร่ง พร้อมด้วยบุคลากร เทคโนโลยี และกระบวนการที่เหมาะสมเพื่อรองรับ โดยทุกประเภทของอุตสาหกรรมไม่ว่าจะเป็นขนาด S M L ล้วนต้องเตรียม“คน” ให้พร้อมสู่อุตสาหกรรม 4.0 ในส่วนผสมที่หลากหลายมิติ

“คน” แบบไหนที่อุตสาหกรรม 4.0 ต้องการ

เพื่อเป้าหมายความสำเร็จในยุคดิจิทัลของอุตสาหกรรม 4.0ต จำเป็นต้องมีบุคลากรที่มีทักษะและความรู้ที่เหมาะสม และมีคุณสมบัติและความเชี่ยวชาญที่สําคัญบางประการที่ผู้ที่เกี่ยวข้องในอุตสาหกรรมควรมี ได้แก่

Digital literacy มีความเข้าใจวิธีการใช้เทคโนโลยี และเครื่องมือดิจิทัลเพื่อปรับปรุง กระบวนการ รวบรวมและวิเคราะห์ ข้อมูล และขับเคลื่อนนวัตกรรม
ทักษะการวิเคราะห์ข้อมูล สามารถในการรวบรวม ประมวลผล และวิเคราะห์ข้อมูลจํานวนมาก เพื่อสนับสนุนกระบวนการตัดสินใจ
ความเฉียบแหลมทางธุรกิจ มีเข้าใจเกี่ยวกับวิธีการและ เครื่องมือต่าง ๆ เพื่อปรับปรุงกระบวนการทางธุรกิจและการพัฒนา รูปแบบธุรกิจใหม่ๆ
ความเชี่ยวชาญด้านเทคนิค มีความรู้เกี่ยวกับความก้าวหน้าทางเทคโนโลยีล่าสุด และวิธีการใช้ พร้อมเรียนรู้เทคโนโลยีใหม่ๆ เพื่อปรับปรุงกระบวนการและสร้าง โอกาสทางธุรกิจใหม่ ๆ
การทำงานเป็นทีม สามารถสื่อสารและทํางานร่วมกับสมาชิกในทีม ผู้มีส่วนได้ส่วนเสีย และลูกค้าได้อย่างมีประสิทธิภาพ
มีความคิดเชิงกลยุทธ์ สามารถคิดเชิงกลยุทธ์ และสร้างแผนระยะยาว เพื่อความสําเร็จ
ความเป็นผู้นำ มีคุณสมบัติของผู้นําที่ดี และสามารถสร้างแรงบันดาลใจ กระตุ้นให้สมาชิกในทีมบรรลุเป้าหมาย รวมถึงมีความยืดหยุ่นต่อสถานการณ์เฉพาะหน้าได้

[White Paper] 5G Use Cases for Smart Factory/Manufacturing ในประเทศไทย: มุมมองเชิงเทคนิคและความคุ้มค่าการลงทุน

Sasiwipar Hasuk — Wed, 27 Mar 2024 04:02:33 +0000

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

สามารถดาวน์โหลดได้ที่นี่

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

Best practices & Lesson learnt – AI in Manufacturing

Sasiwipar Hasuk — Mon, 22 Jan 2024 09:19:49 +0000

สรุปสาระจากเสวนา “METALEX AI FORUM 2023: จากนโยบายสู่การปฏิบัติ – ปฏิวัติอุตสาหกรรมการผลิต”

เป็นที่รู้กันดีว่าปัจจุบัน แทบทุกอุตสาหกรรมการผลิต นำ “AI” มาใช้ในเพื่อช่วยอำนวยความสะดวกให้กับผู้ใช้งาน ซึ่ง AI กับงานด้านอุตสาหกรรมการผลิตนั้นไม่ใช่เรื่องใหม่หากแต่มีมานานแล้ว ได้แก่ เทคโนโลยีการประมวลผลภาพ (Image processing) หรือ กระบวนการ สอนคอมพิวเตอร์ให้ประมวลผลข้อมูลในลักษณะที่อ้างอิงมาจากสมองมนุษย์ (Neural Networks) ซึ่งปัจจุบันด้วยความพร้อมของโครงสร้างพื้นฐานทำให้กลไกการเรียนรู้สามารถพัฒนาไปถึงระดับ Deep Neural Networks ที่ช่วยในการทำนายหรือจัดกลุ่มการ ทำงานได้อย่าง Real Time ตัวอย่าง ChatGPT ที่สามารถผลิตคำได้มากกว่า 300 ล้านคำ/นาที เมื่อหากนำ ChatGPT มาประยุกต์ใช้กับอุตสาหกรรมการผลิตแล้วนั้น จะเกิดความเป็นไปได้นั้นมีอย่างไม่สิ้นสุด

เหล่านี้เป็นตัวอย่างของ AI ที่นำไปประยุกต์ใช้ทั้งการควบคุมสายการผลิต การทำนาย และวิเคราะห์ ความต้องการของตลาด เพื่อวางแผนการผลิตที่มีประสิทธิภาพมากขึ้น การวิเคราะห์ข้อมูลการลงทุน รวมไปถึงการคาดการณ์ก่อนที่เครื่องจักร จะเกิดการชำรุดและทำให้เกิดความเสียหายแก่การผลิต

การใช้ AI ในอุตสาหกรรมมีผลดี เช่น เพิ่มประสิทธิภาพ ลดค่าใช้จ่าย และสร้างผลิตภัณฑ์/บริการใหม่ๆ แต่ก็มีความท้าทายบางอย่าง เช่น การจัดการข้อมูลที่ซับซ้อน ความเป็นส่วนตัว และการจัดการกับความเป็นไปได้ทางกฎหมายและกฎระเบียบ ต่างๆ ที่เกี่ยวข้องกับการใช้งาน AI ในอุตสาหกรรม

คุณวริทธิ์ กฤตผล ผู้อำนวยการ REPCO NEX (Rayong Engineering and Plant Service Co., Ltd.) บริษัทลูกของเอสซีจี เคมิคอลส์ หรือ เอสซีจีซี (SCGC) ผู้ให้บริการโซลูชั่นด้านอุตสาหกรรมแบบครบวงจร ด้วยประสบการณ์ในการดูแลโรงงานมากกว่า 40 ปี ทั้งในและนอกประเทศมากกว่า 30 แห่ง มีประสบการณ์ดูแลเครื่องจักรที่มีความสำคัญต่อกระบวนการผลิต (Critical Machines) มากกว่า 5,000 ตัว ได้แชร์มุมมองและประสบการณ์จากปัญหาที่ REPCO NEX พบและคาดการณ์ว่าผู้ประกอบหลายๆ โรงงานคงประสบคล้ายๆ กัน ตลอดจนนำองค์ความรู้ที่มีมาเผยแพร่ เพื่อช่วยเพิ่มขีดความสามารถ ในการแข่งขันให้กับประเทศ

สำหรับเส้นทางในการนำดิจิทัลเข้ามาใช้เพื่อขับเคลื่อนการแข่งขันธุรกิจ เพื่อสร้างประสิทธิภาพ สูงสุดให้สินทรัพย์ของ REPCO NEX สามารถนำองค์ความรู้ที่มีผนวกรวมเข้าไปในแพลตฟอร์มได้ เพื่อมั่นใจ ได้ว่าเซนเซอร์ต่างๆ สามารถใช้งานได้จริง นอกจากนี้ยังช่วยขยายผลและสนับสนุนภาคอุตสาหกรรมอื่นๆ โดยวางตำแหน่งผลิตภัณฑ์เป็นผู้เชี่ยวชาญเฉพาะด้านในงานปฏิบัติ (Practitioner) ในสนามจริง

REPCO NEX มี 6 องค์ประกอบที่สำคัญในการทำ Digital Transformation นอกจากนี้ยังมีกลยุทธ์ การเปลี่ยนแปลงทางดิจิทัลแบบบูรณาการในแนวตั้ง 3 ส่วนที่ต้องคำนึง หากขาด Layer ใดไปการทำ Digital Transformation จะไม่สมบูรณ์ ที่สำคัญคือต้องตอบโจทย์ทางธุรกิจ (Business Value) ซึ่งการมองโจทย์ ทางธุรกิจให้ออกคือหลักสำคัญ การนำ AI เข้ามาใช้ แต่ไม่สามารถตอบโจทย์ทางธุรกิจได้ก็เท่ากับเสียประโยชน์ไปโดยสิ้นเชิง ดังนั้น AI ในแต่ละตัวแต่ละอัลกอริทึมนั้นต้องชี้โจทย์ให้ชัดเจนถึงจะแก้ปัญหาได้

กรณีศึกษาของ REPCO NEX มีทั้งในประเทศและต่างประเทศ ซึ่งหลายๆ แห่งทำไปแล้วไม่สามารถ แก้ปัญหาและขยายผลได้อย่างรวดเร็ว หลักสำคัญต้องพิจารณาถึง Business Impact จุดที่ยากที่สุดคือ ความยั่งยืน (Sustainability) ทำอย่างไรให้เกิดการใช้งานในโรงงานอย่างต่อเนื่อง

Best Practice และ Success Story ที่ใช้ AI ไปบ้างแล้วมีอะไรบ้าง

ดร.วโรดม คำแผ่นชัย ประธานเจ้าหน้าที่บริหารและผู้ก่อตั้ง บริษัท อัลโต้เทค โกบอล จำกัด ได้ยกตัวอย่างอาคาร 70 ปี พพ.ต้นแบบ Net Zero Energy Building เน้นออกแบบให้ประหยัดพลังงานและ นำพลังงานทดแทนมาใช้ ซึ่งสอดคล้องกับแผนที่ประเทศไทยประกาศจะบรรลุเป้า “carbon neutrality” ภายในปี 2050 ซึ่งตามแผนขององค์การพลังงานระหว่างประเทศ (International Energy Agency: IEA) ระบุว่าอาคารต้อง เป็น Zero Carbon Ready คือสร้างอาคารขึ้นมาแล้วยังไม่ต้องผลิตพลังงาน แต่การใช้พลังงานของอาคารนั้นต้องต่ำกว่าอาคารอื่นๆ ดังนั้นสิ่งที่ทำในวันนี้คือการนำเทคโนโลยีของอาคาร ผสานกับนักออกแบบในการออกแบบอาคารมีระบบทำนายการใช้พลังงาน, ควบคุมระบบภายในอาคาร, การเก็บพลังงานจากแสงอาทิตย์เพื่อนำมาใช้, คำนวณช่องทางการเลือกใช้พลังงานจากแหล่งใดที่คุ้มค่าที่สุด รวมทั้งการใช้พลังงานไฟฟ้าจาก EV Charger ว่าควรชาร์จเมื่อไร เพื่อลดปัญหาด้านพลังงาน โดยทำให้เกิดผลลัพธ์ Net Zero มากที่สุด สำหรับผลตอบรับหลังจากที่รันโมเดลและเปิดอาคารได้ 3 เดือน ปรากฎว่าสามารถสามารถช่วยประหยัดพลังงานเพิ่มขึ้น 14 % (ลดการใช้ไฟฟ้าโดยใช้ไฟจากพลังงานแสงอาทิตย์แทน)

สำหรับการขยายผลในอนาคตมุ่งพัฒนาเมือง สร้างนิคมอุตสาหกรรมให้กลายเป็น ความเป็นกลางทางคาร์บอน (Carbon Neutral) โดยแต่ละโรงงานอาจมีพลังงานแสงอาทิตย์เหลือพอจำหน่ายให้แก่โรงงานอื่น จึงต้องพึ่งตัวช่วยอย่างอัลกอริทึมให้เร่งให้เติบโตและขยายผล แม้นการออกแบบดีแต่เมื่อดำเนินงานจริงผลลัพธ์ที่ได้มาอาจแค่ ประมาณ 50 % จึงจำเป็นที่ต้องมี AI มาช่วยเพิ่มประสิทธิภาพหลังบ้านให้ดียิ่งขึ้น

หลักปฏิบัติในการนำ AI ไปใช้งานให้สำเร็จ

ดร.อภินันทน์ ตั้นพันธุ์ ประธานเจ้าหน้าที่บริหารเทคโนโลยี บริษัท สมาร์ท เซนส์ อินดัสเตรียล ดีไซน์ จำกัด สำหรับกลุ่มลูกค้าส่วนใหญ่ซึ่งเป็นกลุ่มวิสาหกิจขนาดกลางและขนาดย่อม (SME) เรื่องกรอบความคิด (Mindset) ของเจ้าของธุรกิจคือสิ่งสำคัญ โดยพบว่าผู้ประกอบการรุ่นใหม่ๆ ต้องการนำดิจิทัลเทคโนโลยีเข้ามาใช้ เนื่องจากการใช้วิธีดั้งเดิมในการประกอบธุรกิจเริ่มเกิดปัญหาเชิงประสิทธิภาพ และไม่ได้ผลลัพธ์ตามเป้าหมาย ทางสมาร์ท เซนส์ฯ จึงเข้าไปให้คำแนะนำ จุดตั้งต้นที่สำคัญคือข้อมูล (Data) ในกระบวนการผลิตของลูกค้า ซึ่งต้องนำข้อมูลมาแปลงให้อยู่ในรูปแบบดิจิทัล (Digitization) แล้วค่อยๆ ปรับกระบวนการให้มีการใช้ประโยชน์จากข้อมูลดิจิทัลนั้น (Digitalization) เพราะก่อนที่จะมี AI จำเป็นต้องอาศัยการเรียนรู้จาก Data ที่มีความจำเพาะเจาะจงกับแต่ละกิจการ

คุณวริทธิ์ กล่าวเสริมว่านอกจากกระบวนการทั้ง 6 ขั้นตอนของ Digital Transformation Critical Elements แล้วนั้น สิ่งที่ขาดไม่ได้คือ ลูกค้าต้องมีโจทย์/ความต้องการที่ชัดเจน โดยโจทย์ส่วนใหญ่ ได้รับจากลูกค้าหลากหลาย เช่น ต้องการหน้าจอ (Dashboard) ที่สรุปข้อมูลทุกอย่างให้ผู้บริหาร แต่ยังไม่รู้ว่าต้องการ Transform เป็นอะไร หลายๆ โจทย์ไม่ชัดเจน บางโจทย์ยังไม่เคยผ่านกระบวนการ ขั้นพื้นฐานแต่ต้องการทำ Supply Chain ซึ่งเป็นการก้าวกระโดดอย่างมาก รวมถึงการก้าวไปสู่ Digital Twin ถึงแม้ AI จะสั่งให้ทำงานได้แต่สุดท้ายแล้วโรงงานไม่สามารถทำงานได้ก็เท่ากับเปล่าประโยชน์

สำหรับก้าวแรก ผู้ประกอบการสามารถกลับไปศึกษาได้จากแผนระยะกลาง(medium term plan) ขององค์กร ซึ่งฝ่าย Business Development (BD) ของแต่ละแห่งที่จัดทำไว้ดีแล้ว เพียงทดลองเพิ่มความเร็ว ในการผลิต หรือเพิ่มมูลค่า (Value) สินค้าให้เพิ่มขึ้นอีก 10 เท่า เพื่อเพิ่มประสิทธิภาพ ข้อสำคัญที่ไม่ควร ละเลย คือ วัฒนธรรมขององค์กร (Culture Transformation) ซึ่งในองค์กรจะประกอบไปด้วยผู้มีส่วนได้ส่วนเสีย (Stakeholders) ที่หลากหลาย จะทำอย่างไรบุคคลเหล่านี้สามารถเดินไปด้วยกันได้ สิ่งสำคัญผู้บริหาร จำเป็นต้องเข้าใจถึงกระบวนการ Work Process ของโรงงานด้วย ผู้บริหารหลายๆ ท่านคิดว่า Transformation คือ ยาวิเศษ มีตัวอย่างที่ผู้บริหารไม่เข้าใจ Work Process ของโรงงาน เมื่อนำเอา Digital Transformation ไปใช้อาจเกิดความล้มเหลวสร้างมูลค่าความเสียหายเป็นร้อยล้านก็เป็นได้ ท้ายสุดการปลุกกำลังใจของคนในองค์กรเพื่อให้ลุกขึ้นมาสู้ใหม่นั้นเป็นเรื่องที่ค่อนข้างยาก และใช้เวลา ดั้งนั้นการเลือกใช้เทคโนโลยีที่มีความหลากหลายโดยอาศัยความเชื่อมั่นในฝีมือคนไทยด้วย (Thailand Team)

จะรู้ได้อย่างไรว่ากระบวนการผลิตของแต่ละโรงงาน/ธุรกิจ จำเป็นต้องมี AI เข้าไปช่วยหรือไม่

ดร.ณิชา อภิชิตโสภา นักวิจัย ทีมวิจัยสมองกลอัจฉริยะและความจริงเสมือน กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม เนคเทค สวทช. ได้ยกตัวอย่าง การตรวจคุณภาพชิ้นงานทางด้านบรรจุภัณฑ์เครื่องดื่มและอาหาร ในมุมมองนักวิจัยไม่ใช่ว่าทุกโจทย์จะใช้ AI เพื่อตอบโจทย์ ได้ บางโจทย์อาจปรับมาใช้ระบบถ่ายภาพให้ภาพมันมีความคงที่มากขึ้นทำให้จุดตำหนิที่ต้องการตรวจพบมีความชัดเจนขึ้น ซึ่งอาจจะเป็นสิ่งรบกวนในภาพที่ทำให้ภาพไม่ชัด (Noise) ก็สามารถใช้ Traditional image processing algorithm โดยไม่ต้องเสียเวลาในการเก็บ จัดการ ทำชุดข้อมูล (Data) และเทรนโมเดล ดังนั้นควรหารือกับผู้เชี่ยวชาญก่อนว่าควรใช้เทคนิคใด ต้องใช้ AI หรือไม่ และจัดลำดับโครงการที่ควรเริ่มทำก่อนจะทำให้โครงการนั้นมีโอกาสประสบความสำเร็จได้สูง ทำให้ทีมทำงานและผู้บริหารเกิดความมั่นใจในการนำAI มาใช้งานต่อไป

ข้อควรพิจารณาในการเลือก Technology หรือ Solution สำหรับผู้ผลิต

ดร.อภินันทน์ กล่าวว่าสำหรับโรงงานขนาดกลางและเล็กควรเริ่มพิจารณาจากปัญหาหรือจุดอ่อนของตัวธุรกิจ (Pain Point) ว่าต้องการแก้ปัญหาอะไร เช่น ปัญหาผลิตแล้วของเสียเยอะ หรือปัญหาการวางแผนและติดตามการผลิต ซึ่งเจ้าของกิจการจะทราบปัญหาดี จากนั้นจึงจะรู้ว่าจะต้องเสนอให้เลือกใช้เทคโนโลยีอะไร โดยเลือกความเร็ว (Speed) และ ราคา (Price Point) ที่เหมาะสมกับปัญหาหน้างาน ซึ่งทาง สมาร์ท เซนส์ จะพยายามช่วยให้ลูกค้าดำเนินการแก้ปัญหาที่มี impact ต่อลูกค้า SME สูงก่อน

คุณวริทธิ์ ข้อคิดเห็นสำหรับลูกค้าโรงงานขนาดใหญ่ ประเด็นแรกที่ต้องพิจารณาคือ ความเหมาะสมกับอุตสาหกรรม (Fit for Purpose) ทำแล้วต้องได้ใช้ โดยกุญแจหลัก จากการตั้งโจทย์ที่ถูกต้อง ธุรกิจต้องการผลักดันอะไร สร้างมูลค่าทางธุรกิจเท่าไร เพราะอย่าลืมทุกเทคโนโลยีล้วนมีค่าใช้จ่าย ดังนั้นการเลือกใช้ Technology หรือ Solution ต้องช่วยตอบโจทย์ทางธุรกิจ มึความเหมาะสมกับอุตสาหกรรม (Fit for Purpose) ช่วยสร้างมูลค่าทางธุรกิจที่คุ้มค่าเมื่อเทียบกับค่าใช้จ่ายที่ลงทุนไป รวมทั้งต้องยั่งยืน (Sustainability) เพราะหากทำแล้วไม่ได้ใช้ก็เปล่าประโยชน์ หลายๆ องค์กรที่กำลังประสบปัญหาเนื่องจากมีพนักงานหลายคนอยู่พื้นที่ Comfort Zone จำเป็นต้องพัฒนาให้ก้าวสู่ Learning Zone ซึ่งเกิดจากความร่วมมือทั้งผู้บริหารระดับสูงจนถึงพนักงานในทุกระดับ

ปัญหาที่พบบ่อยเมื่อนำเทคโนโลยีมาใช้ และมีวิธีการแก้ปัญหาอย่างไร

ดร.วโรดม กล่าวถึงตัวอย่างลูกค้าที่ได้นำเทคโนโลยี IoT มาใช้ในแต่ละโรงงานทำความเย็น Chiller Plant ของแต่ละพื้นที่ที่มีสภาพหน้างานต่างกัน ดังนั้นปัญหาที่พบคือ Hardware และ Technical สำหรับปัญหาด้าน Software อาจพบน้อยกว่า เพราะสามารถควบคุมเองได้ รวมทั้งการนำเทคโนโลยีเข้ามาใช้เพื่อปรับตัวเป็นดิจิทัลเทคโนโลยี โดยผู้บริหารนำเข้าเทคโนโลยีจากต่างประเทศ ทั้งแพลตฟอร์ม เครื่องมือในการวิเคราะห์ข้อมูลธุรกิจ (Business Analytics Tool) :Power BI และ AI ซึ่งเครื่องมือเหล่านี้ผู้ใช้คือ ช่าง หัวหน้าช่าง แม้หน้าบ้านจะดูล้ำสมัย แต่หลังบ้านเจอปัญหาในการใช้งานเนื่องจากผู้ใช้ไม่มีประสบการณ์การใช้งาน(User Experience)

ตัวอย่างผู้บริหารธุรกิจโรงแรมที่ต้องการดำเนินงานข้อมูล ซึ่ง Pain Point ของงานโรงแรมคือ ทำอย่างไรให้ผู้ที่เข้าพัก/ใช้บริการ เสียเวลาน้อยที่สุด ซึ่งช่วงแรกที่ปรับเป็นดิจิทัลเทคโนโลยีได้ปรับให้แม่บ้าน ช่าง ไม่ต้องใช้กระดาษบันทึกในการทำงานแต่ละชั้น นำเครื่องมือ จับเวลาการทำงาน เดินเข้าออกห้องไหน ลูกค้าห้องไหนคอมแพลนบ้าง มีการดึงข้อมูลพฤติกรรมการทำงานของพนักงาน รวมถึงนำเซนเซอร์ไปใช้ในโรงแรมผ่าน IoT สุดท้ายแล้วสิ้นสุดลงที่ ประสบการณ์การใช้งานของผู้ใช้ (User Experience) เนื่องจากแม่บ้านและช่างที่กล่าวนั้นไม่คุ้นเคยกับเครื่องมือ ดังนั้นต้องเป็นเทคโนโลยีที่ได้รับการยอมรับ เหมาะสม และง่ายต่อการใช้ง่าย เพียงไม่กี่ขั้นตอนเท่านั้น และผู้ใช้งานจะช่วยในการประชาสัมพันธ์และการันตีผลงานให้เป็นที่รู้จักต่อไป

ดร.อภินันทน์ กล่าวว่าความคาดหวังหนึ่งในการทำงานสำหรับกลุ่มลูกค้าขนาดเล็ก คืออาจต้องเป็นที่ปรึกษาด้านเทคโนโลยี (Technology Advisor) ให้ด้วย โดยเน้นการแก้ปัญหาเฉพาะหน้าเพื่อให้บริหารจัดการงานได้ง่ายขึ้น อาจทำทุกอย่างผ่าน Cloud เพื่อให้ง่ายต่อการเข้าถึง รวมทั้งการวางระบบการประมวลผลและสื่อสารข้อมูล (Data Processing & Communication) ตั้งต้นที่เหมาะสมสำหรับการเริ่มต้นทำ Edge AI นอกจากนี้ต้องมี UX/UI ที่ง่ายต่อการใช้งาน และพูดคุยสื่อสารติดตามผลกับลูกค้าบ่อย ๆ เพื่อให้ทราบว่ามีประสบปัญหาเชิงเทคนิคอื่นใดเพิ่มเติมหรือไม่

สำหรับความท้าทายในมุมมองนักวิจัยในการนำ AI ไปใช้ในอุตสาหกรรม

ดร.ณิชา ให้ข้อมูลว่า ความท้าทายหลักคือการจัดการความคาดหวังของลูกค้า เช่น ChatGPT ที่ทุกคนคาดว่าทุก AI โมเดลจะทำได้ ทั้งภาพ เสียง เหมือนที่มนุษย์ทำได้ แต่จริงๆ ChatGPT Model หรือ โมเดลพื้นฐานเป็นรูปแบบหนึ่งของปัญญาประดิษฐ์ (Foundational Model) นั้นเกิดจาการสอนจาก ชุดข้อมูลขนาดใหญ่มาแล้วด้วยการคำนวณที่สูงมาก เมื่อนำไปใช้ในอุตสาหกรรมไม่จำเป็นต้องใช้โมเดล ขนาดนั้น เพราะไม่สามารถนำมาใช้หน้างานจริงได้ ดั้งนั้นควรใช้โมเดลที่มีขนาดเล็กลงมาหน่อย แต่ควรผ่านการปรับแต่งให้เข้ากับโจทย์

Sustainable in Smart Manufacturing: ไม่ตกยุค ก้าวสู่อนาคต นำความยั่งยืนสู่อุตสาหกรรม

Walailak Kongprajan — Wed, 28 Jun 2023 07:40:18 +0000

บทความ | นัทธ์หทัย ทองนะ

เสวนาพิเศษ Sustainable in Smart Manufacturing: ไม่ตกยุคและพร้อมก้าวสู่อนาคต นำความยั่งยืนมาสู่การผลิตภาคอุตสาหกรรมจัดขึ้นเพื่อสนับสนุนและเผยแพร่ความรู้เกี่ยวกับการผลิตอุตสาหกรรมที่ยั่งยืนและยังคงมีอนาคตที่ยั่งยืนด้วยการใช้เทคโนโลยีสมาร์ตและแนวคิดที่เกี่ยวข้องกับการออกแบบและการผลิตที่เชื่อมต่อและยั่งยืนอย่างมีประสิทธิภาพ ด้วยความยั่งยืนที่เป็นหลักในการผลิตภาคอุตสาหกรรม ผลิตภัณฑ์และกระบวนการที่มีผลกระทบต่อสิ่งแวดล้อมน้อยลง และสามารถตอบสนองต่อความต้องการของตลาดได้อย่างเหมาะสม

ในการเริ่มต้นพูดถึงคำว่า “อนาคต” ความยั่งยืนเป็นปัจจัยที่สำคัญสำหรับอุตสาหกรรมในยุคปัจจุบันและในอนาคต การผลิตที่ยั่งยืนเป็นที่สำคัญเนื่องจากมีผลกระทบต่อสิ่งแวดล้อมน้อยลง ลดการใช้พลังงานและวัสดุที่ไม่จำเป็น และลดการปล่อยสารเคมีอันตรายลงในกระบวนการผลิต เพื่อให้อุตสาหกรรมสามารถยั่งยืนและเติบโตในอนาคตได้อย่างยั่งยืน การนำเทคโนโลยีสมาร์ตและแนวคิดเชิงยั่งยืนเข้ามาใช้ในการผลิตจึงเป็นสิ่งสำคัญ การผลิตที่ยั่งยืนไม่เพียงแค่สร้างผลิตภัณฑ์ที่มีคุณภาพสูงและตอบสนองต่อความต้องการของตลาด แต่ยังสร้างความรับผิดชอบต่อสิ่งแวดล้อมและสังคมที่ยั่งยืนด้วย

การจัดการคาร์บอนฟุตพริ้นท์อย่างฉลาด ต้องรู้และเตรียมอะไรบ้าง ?

ความยั่งยืนด้านอุตสาหกรรมมีความเชื่อมโยงกับสภาพแวดล้อมจากภูมิอากาศที่ร้อนขึ้น ส่งผลอย่างไรต่อภาคการผลิตที่ต้องปรับตัว การเตรียมพร้อมรับมาตรการด้านสิ่งแวดล้อมที่กำลังจะเกิดขึ้น พร้อมประสบการณ์ตรงจากผู้เชี่ยวชาญสายตรงด้านอุตสาหกรรมเบอร์ใหญ่ตัวจริง

ภคมน สุภาพพันธ์ ผู้อำนวยการสำนักรับรองธุรกิจคาร์บอนต่ำ องค์การบริหารจัดการก๊าซเรือนกระจก (องค์การมหาชน) : อบก. กล่าวว่า สืบเนื่องจากกระแสโลกที่ตื่นตัวเรื่องคาร์บอนเครดิต จึงให้ความสำคัญกับเรื่องการเปลี่ยนแปลงสภาพภูมิอากาศ ผลักดันให้เกิดกิจกรรมด้านการจัดการเรื่องก๊าซเรือนกระจกเยอะขึ้น องค์การบริหารจัดการก๊าซเรือนกระจก (อบก.) ซึ่งมีบทบาทหน้าที่ในการส่งเสริมให้ภาคส่วนต่างๆ ปัจจุบันมีบริการ 3 ส่วน

Climate Action Capacity Building & Communication ทำหน้าที่สื่อสารข้อมูลด้านการเปลี่ยนแปลงสภาพ กิจกรรม กลไกต่างๆ สื่อสารสู่สาธารณะ
Carbon Neutral Compliance Platform มีสถาบันการเปลี่ยนแปลงสภาพภูมิอากาศให้ความรู้ สัมมนา อบรม รวมทั้งการอภิปรายเกี่ยวกับสภาพภูมิอากาศ จากผู้บริหารต่างๆ ร่วมระดมความเห็นแก้ปัญหาให้กับประเทศ พร้อมทั้งการรับรองการซื้อขายคาร์บอนเครดิตอีกด้วย
Carbon Neutral Driving Policy & Technical Support ทำหน้าที่ติดตามและประเมินผล เพื่อที่จะส่งผลการลดก๊าซเรือนกระจกไปยัง UNFCC ตามนโยบายที่ระบุไว้ว่าประเทศไทยจะต้องลดก๊าซเรือนกระจกให้ได้ภายในปี 2573

ดร. กิตติวัตร โสมวดี รองผู้จัดการบริหารการผลิต บริษัท ไลอ้อน จำกัด (ประเทศไทย) บริษัทผู้ผลิตภัณฑ์สินค้าที่หลากหลายในครัวเรือนสำหรับผู้บริโภค ซึ่งทำโครงการร่วมกับ อบก. ด้านการประเมินคาร์บอนฟุตพริ้นท์ และทำงานร่วมกับ SMC เรื่อง industry 4.0

คุณธเนศ อิงสกุลรุ่งเรือง ผู้จัดการส่วนเทคโนโลยีภาคอุตสาหกรรม บมจ. ปตท. กล่าวว่าปัจจุบันโลกเปลี่ยน ฉะนั้น ปตท.องค์กรที่ปรับเปลี่ยนไปตามกระแสโลก ตั้งแต่การปรับวิสัยทัศน์ใหม่ “Powering Life with Future Energy and Beyond” ปตท. มุ่งเน้นการปรับเปลี่ยนธุรกิจ โดยพยายามมุ่งสู่ธุรกิจพลังงานอนาคตและไกลกว่าธุรกิจพลังงาน แต่ภารกิจหลักยังคงเหมือนเดิม คือ ดูแลและตอบสนองความคาดหวังของผู้มีส่วนได้ส่วนเสียทั้งหมด รวมทั้งสังคม ชุมชน และสิ่งแวดล้อม โดยเฉพาะกลุ่มลูกค้ากลุ่มอุตสาหกรรม ภารกิจหลัก คือการสร้างนวัตกรรมหรือบริการใหม่ๆ ให้กับลูกค้า อุตสาหกรรม เพื่อขับเคลื่อนภาคอุตสาหกรรมให้ก้าวไปสู่ อุตสาหกรรม 4.0

คุณสิริวัฒน์ ไวยนิตย์ ผู้อำนวยการศูนย์เทคโนโลยีการผลิตอัตโนมัติและหุ่นยนต์ สถาบันไทย-เยอรมัน (TGI) กล่าวในฐานะองค์กรอิสระภายใต้กระทรวงอุตสาหกรรม ซึ่งดำเนินการมาแล้วกว่า 20 ปี เพื่อพัฒนากระบวนการผลิตด้วยเทคโนโลยีและนวัตกรรม เพื่อให้เกิดความยั่งยืนในอุตสาหกรรม 4.0 ผ่านกระบวนการฝึกอบรม พัฒนาบุคลากร ให้คำปรึกษา รวมทั้งการทำโครงการอุตสาหกรรม Industrial Project และให้บริการวิจัยพัฒนา รวมทั้งในส่วนของการทดสอบหรือตรวจสอบคุณสมบัติต่างๆ ของตัววัสดุ และการมอบใบรับรองแก่บุคลากรด้านงานอุตสาหกรรม

ภาคธุรกิจจะมุ่งสู่ Carbon Neutrality ได้อย่างไร

คุณภคมน เผยว่าในต่างประเทศผู้ประกอบการต่างตื่นตัวและให้ความสำคัญ อาทิ Apple มีการร้องขอให้ supply chain จากทั่วโลกเป็นคาร์บอนนิวทรัลภายในปี 2030 หรือไมโครซอฟท์ตั้งเป้า สู่สถานะการปล่อยคาร์บอนเป็นลบภายในปี 2030 ขณะที่ผู้ประกอบไทยก็ตื่นตัวและดำเนินงานลักษณะเดียวกับต่างประเทศ ปัจจุบันมีเครือข่าย Carbon Neutrality ในประเทศไทยไม่น้อยกว่า 400 ราย

สำหรับเส้นทางการดำเนินการเริ่มที่ระดับองค์กร ผลิตภัณฑ์โดยเฉพาะผลิตภัณฑ์ส่งออก (SME) บริการ หรืออีเว้นท์โดยเฉพาะในอุตสาหกรรมMICE

การวัดการปล่อยก๊าซเรือนกระจกขององค์กร
การตั้งเป้าหมายการลดก๊าซเรือนกระจกขององค์กร
การหาแนวทาง/กิจกรรมการลดก๊าซเรือนกระจก
การชดเชยคาร์บอน เพื่อมุ่งสู่คาร์บอนนิวทรัล

ซึ่งมีแนวทางในการชดเชยคาร์บอนฟุตพริ้นท์ สำหรับ องค์กร ผลิตภัณฑ์ บริการหรืออีเว้นท์ เหล่านี้ตามที่ อบก. กำหนด สำหรับประเทศไทยให้การรับรองคาร์บอนเครดิตในประเทศไทยทั้งหมด 14 ล้านตัน และมีการซื้อคาร์บอนเครดิตมาชดเชยอีกประมาณ 1 ล้านตัน ล่าสุดองค์การบริหารจัดการก๊าซเรือนกระจก ผนึกกำลังสภาอุตสาหกรรมสร้างแพลตฟอร์ม FTIX เปิดให้ซื้อขายคาร์บอนเครดิต เปิดให้ผู้ประกอบการได้มีการซื้อขายจริง ซึ่งมีสมาชิกกว่า 40 ร้าน ซื้อขายเครดิตจริงกว่าหมื่นตัน พร้อมกันนี้ สำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม (สสว.) ได้ออกแคมเปญในการสนับสนุนงบประมาณให้กับ SME ที่เข้าร่วมโครงการคาร์บอนฟุตพริ้นท์กว่า 80% นอกจากนี้ยังมีกระบวนการขออนุญาตใช้เครื่องหมายคาร์บอนฟุตพริ้นท์และชดเชยคาร์บอนอีกด้วย

สามารถดูรายละเอียดเพิ่มเติมได้ที่ https://thaicarbonlabel.tgo.or.th/?lang=th

ดังนั้นจะเห็นได้ว่าผู้ประกอบการไทยตื่นตัว ให้ความสำคัญ และดำเนินการอย่างจริงจัง โดยเฉพาะ SME ที่ประกอบกิจการสินค้าส่งออก ที่มักถูกร้องขอว่าองค์กรหรือสินค้าได้รับการรับรองหรือมีการใส่ใจเรื่องสภาพภูมิอากาศแก่ผู้ซื้อปลายทางเพียงใด เพื่อเพิ่มขีดความสามารถทางการแข่งขัน โดยเฉพาะในตลาดโลกที่ให้ความสำคัญเรื่องค่าคาร์บอนฟุตพริ้นท์ เริ่มต้นจากการประเมินก่อนว่าโรงงานของตนว่าปล่อยก๊าซเรือนกระจกออกมาคิดเป็นจำนวนเท่าใด แล้วจึงหาแนวทางการลดในกรณีขององค์กร ผลการวัดคาร์บอนฟุตพริ้นท์จะแสดงในปีหน้า เมื่อรู้จำนวนคาร์บอนที่องค์กรปล่อยออกมาแล้วนั้น องค์กรต้องตอบให้ได้ว่าพร้อมที่จะชดเชยทั้งหมด หรือชดเชยเพียงบางส่วน นั่นคือ การซื้อคาร์บอนเครดิตมาชดเชย สำหรับองค์กรที่พร้อมจะซื้อคาร์บอนมาชดเชยเพียงบางส่วน จะเรียกว่า Carbon Offset Organization สำหรับการวัดก๊าซเรือนกระจก ปริมาณก๊าซเรือนกระจกที่ปล่อยออกมาจากผลิตภัณฑ์แต่ละหน่วย คาร์บอนฟุตพริ้นท์ของผลิตภัณฑ์ต้องมาขึ้นทะเบียนที่ อบก. ด้วย เพื่อคำนวณหาคาร์บอนฟุตพริ้นท์ด้วย

นอกจากนี้ยังมีมาตรการเรื่อง CBAM คือมาตรการปรับราคาคาร์บอนก่อนข้ามพรมแดนของสหภาพยุโรป ซึ่งเป็นการกำหนดราคาสินค้านำเข้าบางประเภท เพื่อป้องกันการนำเข้าสินค้าที่ปล่อยก๊าซเรือนกระจกสูงเข้ามาใน EU ในสินค้า 7 กลุ่มแรก โดยกำหนดให้มีการคำนวณค่าคาร์บอนแฝงให้กับผู้ซื้อปลายทาง ซึ่งมีลักษณะการคิดคำนวนแบบเดียวกับการคิดค่าคาร์บอนฟุตพริ้นท์ แต่มีขอบเขตการคำนวนที่น้อยกว่าคาร์บอนฟุตพริ้นท์ของผลิภัณฑ์ โดยมาตรฐานของ CBEM จะมีการประกาศใช้ในช่วงปลายเดือนมิถุนายน 2566 โดยเฉพาะผู้ประกอบการเหล็กและเหล็กกล้า และอลูมิเนียม จึงเป็นการปรับใช้การคิดคำนวนแบบแพลตฟอร์มค่าคาร์บอนฟุตพริ้นท์ และปรับใช้เป็นแพลตฟอร์มค่าคาบอนแฝงอัตโนมัติในมาตรฐานสากล ต่อไปอีก 3 ปีข้างหน้า

แชร์แบบเจาะลึกตัวอย่างโรงงาน และมุมมองผู้เชี่ยวชาญด้วยอุตสาหกรรม

ดร. กิตติวัตร กล่าวว่าด้วยวิสัยทัศน์ พันธกิจที่เน้นเรื่องสิ่งแวดล้อม ค่านิยมหลัก พันธสัญญา และวัฒนธรรมของบริษัท ไลอ้อน (ประเทศไทย) จำกัด ซึ่งเป็นพื้นฐานในการพัฒนาองค์กรและคน เพื่อให้สอดรับกับการเปลี่ยนแปลง โดยมียุทธศาสตร์ การสร้าง “องค์กรคนดี” เพื่อ Sustainability in Smart Manufacturing อาทิ โคงการอัปเดตบุคลากรสู่อุตสาหกรรม 4.0 การรับนักศึกษาในระบบสหกิจมาฝึกงาน การขอฉลากรับรองคาร์บอนฟุตพริ้นท์ของผลิตภัณฑ์ และองค์กร Green industry สำหรับด้านความยั่งยืนได้เดำเนินงานมุ่งตามหลัก ESG คือดำเนินธุรกิจ โดยไม่หวังผลกำไรเพียงอย่างเดียว อันได้แก่ Environment, Social, Governance : ESG) เพื่อมุ่งสู่เป้าหมายด้าน (Sustainable Development Goals : SDGs) SDGs

ด้านSocial ที่ผ่านมาคือการพัฒนาคนดีทั้งภายในและนอกองค์กร ตามแนวทางพัฒนาบุคลากรไลอ้อน เพื่อตอบโจทย์ SDGs
ด้าน Governance มีกฎบัตรของไลอ้อนเพื่อเป็นแนวทาง การเข้าโครงการต่อต้านทุจริตคอร์รัปชัน
ด้านสิ่งแวดล้อม(Environment) เรื่องการลดคาร์บอนไดออกไซด์ ไลอ้อนตั้งต้นปีฐาน (Base YEAR) เริ่มที่จะดำเนินการ ในปี 2017 โดยตั้งเป้าลดให้ได้ 17 % ในปี 2022 และในปี 2030 ต้องลดให้ได้ 55 % รวมทั้งการทำกิจกรรมเพื่อ Carbon Neutral ในปี 2050

นอกจากนี้ยังมีกลยุทธ์กิจกรรมปรับปรุงภายในเรื่องของ Carbon offset เรื่องการจัดการคาร์บอนจากพืช, การนำความร้อนกลับมาใช้, โซลาร์เซลล์, โซลาร์รูฟท็อบ, คาร์บอนฟุตพริ้นท์ขององค์กร และผลิตภัณฑ์ Eco Project นอกจากนี้ยังมีโครงการที่ทำร่วมกับกับ อบก. อีกหลายโครงการ โดยในปีนี้ มีโครงการ Low Carbon and Circular Economy ในอุตสาหกรรม EEC ของ อบก. รวมทั้งมีการสนับสนุนให้ชุมชนปลูกป่าอีกด้วย

ขณะเดียวกันมีโครงการร่วมกับ เนคเทค สวทช. ด้าน SMART MANUFACTURING, ด้าน Thailand I4.0 Index การประเมินความพร้อมของอุตสาหกรรม 4.0 จุดอ่อน จุดแข็ง แนวทางการพัฒนาต่อไป โดยไลอ้อนได้เริ่มเข้าร่วมตั้งแต่ 2013 โดยแบ่งออกเป็นกลุ่มเทคโนโลยี กระบวนการทำงาน จัดการ พัฒนาองค์กร เมื่อทราบผลการประเมินแล้วต้องพัฒนาอย่างต่อเนื่องจึงจะเห็นผล ยิ่งมีการ Integration เพื่อต่อยอดข้อมูล Smart Prododuction / Enterprise / Facility อย่างเป็นลำดับสร้างความตื่นตัว และองค์กรสามารถพัฒนาไปได้อย่างรวดเร็ว พร้อมก้าวสู่ อุตสาหกรรม 4.0 พร้อมนำ IDA Platform แพลตฟอร์มไอโอทีและระบบวิเคราะห์ข้อมูลอุตสาหกรรม ซึ่งช่วยประหยัดค่าใช้จ่าย ของเนคเทค สวทช.และ Energy Platform ช่วยในระบบพลังงาน โดยมี (System integration) SI จาก ปตท. ช่วยในการติดตั้งระบบ ช่วยเข้ามาเติมเต็มในจุดอ่อน ช่วยในการเชื่อมต่อระบบสามารถนำข้อมูลมาใช้งานเกิดไอเดียใหม่ๆ เพื่อนำข้อมูลไปวิเคราะห์ขั้นสูงต่อไป

คุณธเนศ เผยประสบการณ์ของ ปตท. ในเรื่องคาร์บอนและ Smart Manufacturing ว่า ปตท.ได้ปักธงแผน Carbon Neutrality ในปี 2040 โดยเร่งดำเนินใน 3 เรื่อง 1. เร่งลดกระบวนผลิตให้ลดคาร์บอนให้น้อยลง โดยปรับกระบวนการผลิต 2. เร่งเปลี่ยน โดยลงทุนในภาค EV หรือภาคธุรกิจอื่นๆ ที่ไกลกว่าพลังงาน 3.เร่งปลูกพืชในแผน 1 ล้านไร่

สำหรับความยั่งยืนของ ปตท. ประกอบไปด้วย 3P คือ Profit เน้นกำไรในระยะยาว People การเตรียมคนให้พร้อมกับเทคโนโลยีที่เปลี่ยนแปลง Planet ในเรื่องสภาพโลกร้อนซึ่งมีผลต่อการดำเนินธุรกิจ ทั้ง 3 เรื่องสำคัญเท่ากัน แต่ทาง ปตท.ให้สำคัญกับ Profile ด้วยการ LEAN ร่วมกับ People และมีผลออกมาร่วมกับ Planet ซึ่งหากมองปัญหาจริงๆแล้ว สิ่งที่ทุกองค์กรลงทุนไปนั้น มีความคุ้มค่า สามารวัดผลได้ สร้างกระทบกับ ธุกิจอย่างไรนั้น รวมทั้งผลประเมินที่ลงทุนดำเนินการไปตามแผนมากน้อยเพียงใด ซึ่งกระบวนการที่ใช้ในการวัดผลนั้นจะมีความยั่งยืนที่แท้จริงเพียงใด ดังนั้น สิ่งที่องค์กรต้องการจริงๆนั่น คือการวัดว่าผลความยั่งยื่น การติดตามความคุ้มค่าแบบ Real Time โดยหยิบเอา Digital Technology ช่วยผู้ประกอบการใช้การแก้ปัญหาได้

SMART MANUFACTURING คือ การที่โรงงานเปลี่ยน กระบวนการผลิต จนถึง Enterprise เป็น Digital ซึ่งช่วยให้ทุกคนในโรงงานสามารถสื่อสารข้อมูลถึงกันได้ นับเป็นการยกระดับการดำเนินการต่างๆ ตัวอย่าง การเชื่อมโยงข้อมูลถึงกัน เพื่อความยั่งยืน

โดย ปตท. ได้ พัฒนา NGR AIoT Platform ระบบบริหารจัดการข้อมูลระบบสาธารณูปโภคของอาคารและโรงงาน พร้อมระบบวิเคราะห์ข้อมูลอัตโนมัติด้วย IoT Data Platform เพื่อช่วยให้ผู้ประกอบการไทยยกระดับอุตสาหกรรมไทยสู่ industry 4.0 และสามารถต่อยอดค่าคาร์บอนฟุตพริ้นท์ไปยัง อบก. ได้ด้วย

การสร้างคนเพื่อตอบโจทย์ความยั่งยืนทางอุตสาหกรรม

คุณสิริวัฒน์ กล่าว่า สำหรับการผลิตที่ยั่งยืนในมุมมองของ สถาบันไทย-เยอรมัน จะเน้นที่การแข่งขัน (Competitive) เพราะการที่จะยั่งยืนได้นั้นต้องมีความสามารถทางการแข่งขันเกิดขึ้นมาก่อน จึงเน้นการสร้าง Productivity มาก่อนซึ่งจะตอบโจทย์ในระยะสั้น ประกอบกับอีกส่วนหนึ่งคือ Social Responsible and Environment ที่จะทำให้เกิดความยั่งยืนในระยะยาว

ซึ่งส่วนใหญ่โรงงานอุตสาหกรรมของประเทศไทยอยู่ในอุตสาหกรรม 2.0 เป็นโรงงานที่เน้นคนกับเครื่องจักร ทางสถาบันไทย-เยอรมัน จึงพัฒนากำลังคนโดยเน้นการสร้างตามความต้องการ (Demand) ของโรงงานอุตสาหกรรม และ การจัดหา(supply) ของSI ไปพร้อมกัน โดยมีองค์กรเรียกว่า Center of Robotic Excellence (CoRE) เป็นผู้สนับสนุน กล่าว คือ การทำทั้งระบบนั่นเอง ซึ่งพัฒนาอย่างต่อเนื่องตั้งแต่ปี 2562 เรื่อยมา เป้าหมายที่ดำเนินการเพื่อให้เกิด 30 % ของโรงงานที่ก้าวไปสู่ อุตสาหกรรม 4.0 ที่เกิดจาก SI ของไทย และในปี 2569 มีเทคโนโลยีเหล่านี้ของคนไทยเอง ซึ่งการพัฒนาให้เกิดความยั่งยืนได้นั้นจะมี System Analyst (SA) นักวิเคราะห์ เข้ามาช่วยหาความต้องการ โจทย์ รวมไปถึงความคุ้มค่าในการลงทุนของงโรงงาน โดยมีเป้าหมายหลักเพื่อความ SMART

โดยในปี 2566 สถาบันไทย-เยอรมันได้พัฒนาในเรื่องต่างๆ 1.พัฒนา System Analyst (SA) เพื่อให้คำปรึกษาอุตสาหกรรม 2.การจัดทำมาตรฐานอาชีพ System Integrator (SI) องค์กร และบุคคล 3.พัฒนาแพลตฟอร์มการทำงานร่วมกัน ในรูปแบบ Digital platform ผู้เชี่ยวชาญที่เป็นบุคคล ทั้งโรงงาน SA SI เชื่อมเข้าหากัน เพิ่มความรวมดเร็ว ให้เกิดการบูรณาการสู่อุตสาหกรรม 4.0 ต่อไป และคาดว่าจากการเสวนาครั้งนี้ต้องเพิ่มมุมมองในเรื่องสิ่งแวดล้อมให้มากขึ้น

การโปรแกรมหุ่นยนต์อุตสาหกรรม (Industrial Robot Programming) ตอนที่ 1

Sasiwipar Hasuk — Mon, 26 Sep 2022 10:23:59 +0000

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

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

ติดต่อ ศูนย์นวัตกรรมการผลิตยั่งยืน (SMC)

112 อุทยานวิทยาศาสตร์ประเทศไทย
ถนนพหลโยธิน ตำบลคลองหนึ่ง
อำเภอคลองหลวง จังหวัดปทุมธานี 12120
เว็บไซต์ : https://www.nectec.or.th/smc
Facebook : https://www.facebook.com/smceeci

การประยุกต์ใช้ Machine Learning กับงานในภาคอุตสาหกรรม (ตอนที่ 1)

Sasiwipar Hasuk — Fri, 19 Aug 2022 07:22:38 +0000

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

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 ร่วมกับ TDS จัดอบรม Industrial Automation Training Systems รุ่นที่ 4

Sasiwipar Hasuk — Fri, 01 Jul 2022 07:03:00 +0000

บริษัท ทีดีเอส เทคโนโลยี (ประเทศไทย) จํากัด ร่วมกับ ศูนย์นวัตกรรมการผลิตยั่งยืน (SMC) โดย กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม จัดกิจกรรมอบรม “Industrial Automation Training Systems” รุ่นที่ 4 ระหว่างวันที่ 29-30 มิ.ย. 65 ณ อาคาร Nectec Pilot Plant สวทช. จ.ปทุมธานี โดยมี ดร.กุลชาติ มีทรัพย์หลาก หัวหน้าทีมวิจัยระบบไซเบอร์-กายภาพ (CPS) กล่าวเปิดอบรมซึ่งมีผู้เข้าร่วมจากบริษัทปูนซิเมนต์ไทย (แก่งคอย) จำกัด และ การไฟฟ้าฝ่ายผลิตแห่งประเทศไทย จำนวน 10 ท่าน

ดร.กุลชาติ กล่าวต้อนรับและเปิดการอบรม ได้แนะนำบริการศูนย์ SMC ช่วยภาคอุตสาหกรรมปรับตัวเตรียมความพร้อมสู่อุตสาหกรรม 4.0 โดยมี บริการประเมินความพร้อมและวิเคราะห์ปัญหา บริการศูนย์ทดสอบ (Testbed) บริการให้คำปรึกษาและเปิดอบรมตลอดทั้งปี ณ อุทยานวิทยาศาสตร์ จังหวัดปทุมธานี และ EECi วังจันทร์วัลเลย์ จังหวัดระยอง ซึ่งจะเปิดให้บริการปลายปีนี้ เชิญชวนผู้ประกอบการหรือบุคลากรภาคอุตสาหกรรมเข้ารับบริการได้ทั้ง 2 แห่ง

วิทยากร ได้แก่ อาจารย์วิโรจน์ ฤทธิ์บุญ จากบริษัท ทีดีเอส เทคโนโลยี (ประเทศไทย) จํากัด และ คุณทศพล กลิ่นสุคนธ์ ทีมระบบไซเบอร์-กายภาพ (CPS) เนคเทค สวทช.

การอบรมตลอด 2 วัน ผู้เข้าอบรมได้เรียนรู้ทั้งเชิงทฤษฎี และ ปฏิบัติในด้านต่าง ๆ โดยมีเนื้อหาอบรมดังนี้ การเขียนโปรแกรมและเชื่อมต่ออุปกรณ์ PLC, การใช้งาน System Manager Configuration, ระบบ SCADA Software, การประยุกต์ใช้ Graphic design สำหรับการสร้างหน้า Monitoring (Dashboard) สำหรับ SCADA , และเรียนรู้การใช้งานระบบ IIoT ในอุตสาหกรรม พร้อมได้ลงมือปฏิบัติจริงในการประยุกต์ใช้งานและออกแบบระบบ

การอบรมครั้งนี้เป็นการเสริมสร้างความรู้ทางด้าน PLC, SCADA, IIoT เพื่อพัฒนาบุคลากรทางด้านอุตสาหกรรมให้สามารถเรียนรู้การทำงานและเขียนโปรแกรมสามารถนำความรู้ไปประยุกต์ในการทำงานในอุสาหกรรมได้อย่างมีประสิทธิภาพ

Digital Twin แบบจำลองเสมือนจริงจากระบบทางกายภาพ

Sasiwipar Hasuk — Fri, 11 Mar 2022 10:35:44 +0000

บทความ : ทศพล กลิ่นสุคนธ์
ทีมระบบไซเบอร์-กายภาพ (CPS)
กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม (IIARG)
ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (เนคเทค สวทช.)

คำว่า Digital Twin ถูกกล่าวขึ้นครั้งแรกในปี ค.ศ. 1991 ในหนังสือ Mirror Worlds เขียนโดย David Gelernter ต่อมาคำนี้ถูกรู้จักกว้างขวางมากขึ้นทั้งในวงการอุตสาหกรรมและวงการการศึกษา โดยเฉพาะอย่างยิ่งเมื่อ Michael Grieves จาก Florida Institute of Technology ได้นำแนวคิดของ Digital Twin มาใช้งานจริงครั้งแรกในกระบวนการผลิต และในปี ค.ศ. 2002 คำว่า Digital Twin ได้ถูกเผยแพร่อย่างเป็นทางการโดย Michael Grieves ในงานประชุมวิชาการของ Society of Manufacturing Engineers เมือง Troy มลรัฐมิชิแกน ประเทศสหรัฐอเมริกา ซึ่งได้กล่าวไว้ว่าเป็นแนวคิดของแบบจำลองที่อยู่ภายใต้รากฐานของการจัดการวงจรชีวิตผลิตภัณฑ์ (Product Lifecycle Management; PLM) เดิมทีแนวคิด PLM นี้มีชื่อเรียกที่หลากหลาย แต่คำว่า Digital twin นั้นถูกเรียกในภายหลังโดย John Vickers จาก Roadmap Report ของ NASA ในปี ค.ศ. 2010 ซึ่งคำจำกัดความนี้ถูกใช้ในงานปรับปรุงแบบจำลองทางกายภาพของยานอวกาศ

Digital Twin มีองค์ประกอบทั้งหมดสามส่วนที่แตกต่างกันชัดเจนคือ

ผลิตภัณฑ์จริง(Physical Product)
ผลิตภัณฑ์จำลอง (Digital/Virtual Product)
ระบบเชื่อมโยง(Connections between the two products)

โดยที่ผลิตภัณฑ์จำลองนั้นจะแปรผันไปพร้อมๆกันกับผลิตภัณฑ์จริงผ่านระบบเชื่อมโยง ในภายหลัง Digital Twin ได้ถูกแบ่งเป็นประเภทย่อยๆอีกซึ่งประกอบด้วย Digital Twin Prototype (DTP), Digital Twin Instance (DTI) และ Digital Twin Aggregate (DTA) DTP ประกอบด้วย การออกแบบ การวิเคราะห์ และขั้นตอนการดำเนินงานในการสร้างผลิตภัณฑ์จริง (Physical Product) ตามขั้นตอนแล้ว DTP จะถูกจำลองขึ้นก่อนการสร้างผลิตภัณฑ์จริง ขณะที่ DTI คือชิ้นส่วนจำลองแต่ละชิ้นส่วนของผลิตภัณฑ์ที่ถูกผลิตขึ้น ซึ่งถูกปรับปรุงสถานะตลอดเวลาเพื่อให้ชิ้นส่วนจำลองนั้นเป็นเสมือนฝาแฝดของชิ้นส่วนจริง ส่วนของ DTA จะเป็นการรวมกันของส่วน DTI เกิดเป็นระบบที่เต็มไปด้วยชิ้นส่วนจำลอง หรือก็คือผลิตภัณฑ์จำลองเพื่อใช้ในการบ่งชี้ลักษณะกายภาพของผลิตภัณฑ์จริง

รูปที่ 1 ข้อมูลที่จำเป็นในการสร้างแบบจำลอง Digital Twin

Digital Twin คืออะไร

คำว่า Digital Twin ถูกกล่าวถึงบ่อยครั้งในปัจจุบัน คือแบบจำลองของโครงสร้างทางกายภาพที่มีอยู่จริง ถูกนำมาใช้นำเสนอคุณลักษณะที่เป็นอยู่ในปัจจุบัน ตลอดจนอดีตที่ผ่านมาทั้งหมดของกระบวนการทำงาน เพื่อการประเมินผล การคาดการณ์ และการปรับแต่งรูปแบบการใช้งาน หรือการควบคุมเพื่อให้เกิดผลลัพธ์การดำเนินงานที่มีประสิทธิภาพ Digital Twin สามารถเป็นได้ตั้งแต่องค์ประกอบเพียงส่วนเดียวของระบบ เช่น ปั๊ม เครื่องยนต์ หรือเครื่องปรับอากาศ ไปจนถึงองค์รวมของทั้งระบบ เช่น โรงไฟฟ้า โรงงานผลิตหรือแม้กระทั่งรถยนต์ทั้งคัน การนำเสนอคุณลักษณะนั้นประกอบด้วย รูปแบบการดำเนินงานในปัจจุบัน ระยะเวลาการทำงาน การกำหนดเงื่อนไขต่างๆ ตลอดจนสิ่งต่างๆที่ส่งผลต่อการดำเนินงาน [2] , [3] , [4]

ทำไม Digital Twin ถึงมีความสำคัญ

การสร้าง Digital Twin เพื่อนำมาใช้งานจะทำให้เพิ่มความเป็นอัจฉริยะ ให้แก่การดำเนินงานของระบบ การนำเสนอคุณลักษณะปัจจุบันของระบบจริงผ่านแบบจำลองจะช่วยให้ผู้ใช้งานได้ควบคุมการทำงานได้มีประสิทธิภาพมากขึ้น รวมไปถึงการนำแบบจำลองมาวิเคราะห์เพื่อปรับปรุงการดำเนินการ ให้เกิดผลลัพธ์ที่ดีขึ้นในอนาคต [5] , [6] ในกรณีการดำเนินงานทางธุรกิจ การใช้ Digital Twin เข้ามาร่วมด้วย จะช่วยเพิ่มประสิทธิภาพในการทำงานในกระบวนการต่างๆ เช่น การเฝ้าระวังเหตุการณ์ไม่พึงประสงค์ที่อาจจะเกิดขึ้น การจำลองเหตุการณ์และการวางแผนการดำเนินการซึ่งประกอบด้วยการวางกรอบเวลาสำหรับแผนงานซ่อมบำรุง การจำลองสถานการณ์สมมติ และการตรวจสอบการทำงานของเครื่องจักรที่ทำงานร่วมกันหลายชิ้น ตลอดจนการช่วยแจ้งเตือนและเริ่มดำเนินขั้นตอนในการทำงานแบบอัตโนมัติเพื่อช่วยหลีกเลี่ยงเหตุการณ์ที่อาจสร้างความเสียหายและนำไปสู่เหตุการณ์ที่เหมาะสมที่สุดสำหรับการดำเนินงาน [7] , [8]

รูปที่ 2 กระบวนการดำเนินงานของ Digital Twin

การใช้งาน Digital Twin

เนื่องจากแบบจำลองของระบบต้องทำการอัพเดทข้อมูลจากการทำงานของระบบจริงแบบทันท่วงที จึงเกี่ยวข้องกับระบบการส่งข้อมูลอย่างต่อเนื่องจากระบบจริงมาเข้าสู่อัลกอริทึมเพื่อทำการปรับค่าคุณสมบัติให้คล้ายคลึงกับวัตถุทางกายภาพ [9] และเมื่อ Digital twin ได้ทำการอัพเดทข้อมูลเป็นปัจจุบันเรียบร้อย ขั้นตอนต่อไปจะเข้าสู่กระบวนการพิจารณาคุณลักษณะของระบบ อาทิ สภาพแวดล้อมของระบบ อายุการใช้งานของเครื่องจักร หรือปริมาณผลผลิตที่ได้รับ เพื่อนำผลลัพธ์มาใช้ทำนายพฤติกรรมและคุณลักษณะที่จะเปลี่ยนไปในอนาคต แล้วนำมาเลือกรูปแบบการทำงาน หรือค้นหารูปแบบการดำเนินการที่มีประสิทธิภาพมากขึ้น การสร้าง Digital Twin สามารถทำได้จากการบูรณาการเทคโนโลยีหลัก 3 ชนิดเข้าด้วยกัน ได้แก่

เทคโนโลยีการสร้างแบบจำลองวัตถุเสมือน ซึ่งสามารถนำเสนอข้อมูลในรูปแบบ 3D หรือรูปแบบคณิตศาสตร์
เทคโนโลยีเซนเซอร์ และ IoT ที่ถูกนำมาใช้ในการเก็บรวบรวมข้อมูลทางกายภาพ และข้อมูลที่จำเป็นจากอุปกรณ์ต้นแบบ
ระบบการประมวลผลคุณภาพสูง ที่สามารถวิเคราะห์และนำเสนอข้อมูล รวมถึงตรวจสอบข้อผิดพลาด และการค้นหาช่องทางเพิ่มประสิทธิภาพ

รูปที่ 3 ข้อแตกต่างระหว่าง การวิเคราะห์เชิงวิศวกรรม การจำลอง และ Digital twin

องค์ประกอบสำคัญในการดำเนินงานของ Digital Twin

มี 6 องค์ประกอบสำคัญที่ขาดไม่ได้ เมื่อผู้พัฒนาระบบต้องการยกระดับรูปแบบการดำเนินงานดั้งเดิมให้เข้าสู่มิติของ Digital twin จะต้องเตรียมความพร้อม อุปกรณ์ เครื่องมือ และวิธีการต่างๆ ตามรายการที่ระบุต่อไปนี้ [10]

สมการคณิตศาสตร์สำหรับใช้อธิบายพฤติกรรมระบบ
ฮาร์ดแวร์และโปรแกรมสำหรับบันทึกสถานะต่างๆของระบบตั้งแต่อดีตจนถึงปัจจุบัน
ฮาร์ดแวร์และโปรแกรมสำหรับการดำเนินแผนงานตามผลลัพธ์ที่ได้จากการวิเคราะห์
กระบวนการสำหรับเปรียบเทียบการดำเนินการตามผลการวิเคราะห์ ระหว่างปฏิบัติจริงเทียบกับผลจากการจำลอง
กระบวนการบ่งชี้การปรับเปลี่ยนพฤติกรรมของระบบจริง แสดงค่าเป็นความคลาดเคลื่อน
การกำหนดวิธีการปฏิบัติสำหรับการลดความคลาดเคลื่อนที่เกิดขึ้น

รูปแบบการนำแบบจำลอง Digital Twin ไปใช้งาน

รายละเอียดข้อมูลต่อไปนี้ เป็นส่วนหนึ่งของแนวทางการนำ Digital twin มาใช้งาน เพื่อให้เกิดประโยชน์ต่างๆแก่กระบวนการทำงาน แต่ละรูปแบบมีการวิเคราะห์และให้ผลลัพธ์ที่แตกต่างกัน ผู้พัฒนาระบบต้องศึกษาข้อมูลเชิงลึกและเลือกใช้ให้ตรงกับจุดประสงค์ [11]

Operations Optimization : เป็นการใช้ตัวแปรหลายๆตัวมาวิเคราะห์ด้วยวิธีการจำลองที่ใช้จำนวนครั้งในการคำนวณในปริมาณมหาศาล หลังเสร็จสิ้นการประมวลผล จึงทำการสั่งการดำเนินการที่เป็นผลลัพธ์จากการจำลองไปยังระบบจริง หลังการปฏิบัติการเมื่อเกิดความคลาดเคลื่อนของตัวแปรต่าง ๆ ระหว่างการปฏิบัติจริงเทียบกับผลของการจำลอง อัลกอริทึมจะทำการวิเคราะห์เพื่อปรับเปลี่ยนตัวแปรสำหรับการดำเนินการให้เป็นรูปแบบใหม่เพื่อให้มีความเหมาะสมกับรูปแบบของระบบในปัจจุบัน การใช้วิธีดังกล่าวนี้จะเพื่อให้ระบบลดความเสี่ยงในการเกิดความผิดพลาด ลดค่าใช้จ่ายในการดำเนินงาน และยังเพิ่มประสิทธิภาพระบบให้สูงขึ้นกว่าการดำเนินการที่ไม่ผ่านการ Operations Optimization อีกด้วย

รูปที่ 4 ตัวอย่างของการปฏิบัติงานแบบ Operations optimization
Predictive Maintenance : เป็นการใช้ Digital Twin ทำนายอัตราการเสื่อมถอยของอายุการใช้งานเครื่องจักร โดยอาศัยผลของการวัดค่าต่าง ๆ เช่น ข้อมูลกระบวนการ (Process Data) ของระบบตั้งแต่อดีตจนถึงปัจจุบัน แล้วทำการพยากรณ์การชำรุดหรือสึกหรอในปัจจุบันเพื่อให้สามารถจัดวางแผนการซ่อมบำรุงรักษาเครื่องจักรได้ทันท่วงที ดังนั้นในขั้นตอนการพยากรณ์ จึงจำเป็นต้องมีการวัดค่า ตัวเลขและมีการเปรียบเทียบข้อมูลตัวเลข เพื่อประมาณกำหนดเวลาและส่วนการชำรุดที่อาจเกิดขึ้น เพื่อให้สามารถเตรียมการล่วงหน้าสำหรับ แรงงาน ชิ้นส่วน อะไหล่ และแผนการผลิตที่อาจมีผลกระทบได้อย่างแม่นยำ นอกจากนี้ Predictive Maintenance ยังมีความแตกต่างจาก Preventive Maintenance โดยที่ Predictive Maintenance จะทำการบำรุงรักษาเครื่องจักรตามเงื่อนไขหรือผลลัพธ์ที่ได้จากการพยากรณ์ จึงทำให้มีความแม่นยำยิ่งขึ้น
รูปที่ 5 ความแตกต่างของการ Maintenance ทั้งสามรูปแบบที่ถูกพัฒนาขึ้นตามลำดับ
Anomaly Detection: เป็นรูปแบบการจำลองการทำงานของแบบจำลองระบบ ควบคู่ไปกับการดำเนินงานจริงของระบบ สำหรับตัวอย่างการตรวจสอบความผิดปกติที่เกิดขึ้นแบบทันท่วงที ซึ่งจะแสดงผลออกมาผ่านแบบจำลอง เช่น บริษัทน้ำมันกำลังทำการส่งข้อมูลเซนเซอร์จากแท่นขุดเจาะน้ำมันที่ทำงานตลอดเวลา ขณะที่ Digital twin จะช่วยในการแสดงผลความผิดปกติในการดำเนินการของแท่นขุดเจาะจริง เพื่อช่วยหลีกเลี่ยงความเสียหายที่อาจเกิดขึ้นได้

รูปที่ 6 การตรวจจับสัญญาณที่ผิดปกติ
Fault Detection and Isolation: เป็นกระบวนการนำแบบจำลองของระบบมาตรวจสอบหนทางที่จะเกิดความผิดพลาดขึ้น แบบจำลองที่นำมาใช้จะมีรูปแบบสมการทางคณิตศาสตร์ หรือรูปแบบข้อมูลที่ถูกบันทึกไว้ ภายหลังจากการตรวจสอบ โปรแกรมจะแจ้งเตือนแก่ผู้ใช้งาน และโปรแกรมยังทำการค้นหาหนทางใหม่ที่จะหลีกเลี่ยงปัญหา รวมถึงสามารถดำเนินการให้อยู่ภายใต้ข้อกำหนดของผู้ใช้ อันนำไปสู่การทำงานที่มีประสิทธิภาพสูงสุด

รูปที่ 7 กระบวนการของ Fault detection and isolation

ความแตกต่างระหว่างการจำลอง (Simulation) และ Digital Twin

แม้ว่าเทคโนโลยีการจำลอง (Simulation) และ Digital Twin จะมีความสามารถในการดำเนินการจำลองเสมือน แต่ก็ไม่เหมือนกัน แม้ว่าความสามารถในการจำลองแบบเดิมที่พบในแอปพลิเคชันการออกแบบโดยใช้คอมพิวเตอร์ช่วย (CAD) และวิศวกรรม (CAE) เป็นเครื่องมือออกแบบผลิตภัณฑ์ที่มีประสิทธิภาพ แต่ระบบ Digital Twin สามารถทำได้มากกว่านั้น ในทั้งสองกรณี การจำลองเกิดขึ้นในแบบจำลองเสมือน แต่โมเดลจะกลายเป็น Digital Twin เมื่อผลิตภัณฑ์ได้ถูกผลิตขึ้นแล้ว นอกจากนี้ เมื่อ Digital Twin ถูกขับเคลื่อนโดยแพลตฟอร์ม Industrial Internet of Things (IIoT) ก็จะสามารถรับข้อมูลในโลกแห่งความเป็นจริงได้อย่างรวดเร็ว และยังทำให้นักออกแบบสามารถ “เห็น” ว่าผลิตภัณฑ์จริงทำงานอย่างไร โดยแท้จริงแล้ว ด้วยการขับเคลื่อนโดยแพลตฟอร์ม IoT โมเดลดังกล่าวจะกลายเป็น Digital Twin แบบบูรณาการซึ่งเมื่อใช้งานและเชื่อมต่ออย่างสมบูรณ์ผ่านเธรดดิจิทัล (Digital thread) แล้ว จะเป็นเครื่องมือจำลองธุรกิจที่สามารถขับเคลื่อนกลยุทธ์ในทุกขั้นตอนของธุรกิจได้อย่างไรโดยมี 3 รูปแบบดังนี้ [12]

Static vs Active : เครื่องมือจำลองด้วยโปรแกรม CAD จะคำนึงถึงการสร้างโมเดลจำลองของชิ้นงานหรือระบบที่ผู้ออกแบบได้จินตนาการไว้ ตั้งแต่ประเภทวัสดุ องค์ประกอบต่าง ๆ รวมไปถึงรูปแบบการทำงานหรือการดำเนินงาน ทำให้กระบวนการเปลี่ยนแปลงค่าตัวแปรนั้นต้องรอผู้ออกแบบมาทำการปรับเปลี่ยนด้วยตัวเอง ดังนั้นการจำลองด้วย CAD จึงมีลักษณะที่ตายตัว เมื่อเทียบกับ Digital Twin ที่ยืดหยุ่นพร้อมเปลี่ยนแปลงตัวแปรภายในแบบจำลองให้เข้าหากับระบบจริงตลอดเวลา ด้วยเหตุนี้ Digital Twin จึงวิวัฒนาการไปพร้อมกับระบบจริง และให้ผลลัพธ์ข้อมูลที่เป็นประโยชน์แก่ผู้ใช้งาน
Could be vs What is : เครื่องมือจำลองด้วยโปรแกรม CAD สามารถตอบสนองด้วยการจำลองสถานการณ์ของความเป็นจริง ถ้าหากตัวแปรถูกเปลี่ยนแปลงตามการออกแบบของผู้ใช้งาน ทำให้การตอบสนองนั้นถูกจำกัดรูปแบบตามจินตนาการของผู้ออกแบบเท่านั้น ในขณะที่ Digital Twin ที่ถูกเสริมประสิทธิภาพด้วย IoT ได้ปรับเปลี่ยนสถานะของตัวเองควบคู่ไปกับระบบจริงในปัจจุบัน ซึ่งจะช่วยแสดงผลคุณลักษณะของระบบให้แก่ผู้ใช้งานได้ออกแบบกระบวนวิธีการปรับปรุงและพัฒนาระบบจากแหล่งข้อมูลจริง ดังนั้นการใช้ประโยชน์จากข้อมูลที่เปรียบดั่งเป็น Real Time จาก Digital Twin จะช่วยให้การบริหารระบบต่าง ๆเป็นไปด้วยความยืดหยุ่น ฉับไว และช่วยให้การปรับปรุงแก้ไขระบบเป็นไปอย่างทันทีรวมถึงตรงตามข้อกำหนดและความต้องการของผู้ใช้งาน
Product-focused vs business-focused : เครื่องมือจำลองด้วยโปรแกรม CAD จะเน้นช่วยในการแสดงผลของชิ้นงานหรือระบบให้แก่ผู้ใช้งานหรือวิศวกร และทำการทดสอบการใช้งานแบบจำลองรวมถึงการแก้ไขตัวแปรต่าง ๆ ซึ่งจากรูปแบบการทำงานลักษณะนี้จะไม่ครอบคลุมไปจนถึงขั้นการ วิจัยและพัฒนา (R&D) ในระดับอุตสาหกรรม แตกต่างกับ Digital Twin เนื่องจากเป็นรูปแบบการอัพเดทตัวแปรจากระบบจริงตลอดเวลา ทำให้ผู้เชี่ยวชาญสามารถนำผลลัพธ์การวิเคราะห์จาก Digital Twin มาใช้ในทุก ๆ ส่วนของกระบวนการทำงานทางธุรกิจที่ซึ่งต้องการการปรับแต่งรูปแบบการทำงาน หรือ ต้องการการตัดสินใจดำเนินงานที่สำคัญ

จากข้อมูลทั้งหมดที่นำเสนอสามารถสรุปได้ว่า เทคโนโลยี Digital Twin นั้นคือผลลัพธ์ของการพัฒนาควบรวมของเทคโนโลยี Internet of Thing, Cloud Computing, Big Data, ระบบจำลองภาพสามมิติ และอื่น ๆ ที่ช่วยให้ผู้ใช้งานสามารถรับรู้ ตรวจสอบ คาดการณ์ วิเคราะห์และปรับแต่งการดำเนินงาน โดยไม่จำเป็นต้องใช้ส่วนกายภาพของระบบจริง Digital Twin จะเป็นรากฐานที่สำคัญของระบบอุตสาหกรรม 4.0 ที่จะก่อเกิดประสิทธิภาพการผลิตที่เพิ่มขึ้น ลดต้นทุนในการผลิตลง นำไปสู่การเพิ่มมูลค่าทางธุรกิจและช่วยในการตอบคำถามเชิงกลยุทธ์ที่สำคัญให้กับอุตสาหกรรมที่นำเทคโนโลยีนี้ไปประยุกต์ใช้ ในอนาคตอันใกล้นี้ Digital Twin จะมีบทบาทเข้ามาเป็นตัวสำคัญแก่อุตสาหกรรมหลายๆประเภท เพื่อจัดการข้อจำกัดและความยุ่งยากต่าง ๆ นำไปสู่การยกระดับประสิทธิภาพของการบริการและการทำงาน

ดาวน์โหลดเอกสารเผยแพร่

ข้อมูลอ้างอิง

บทความนี้ผู้เขียนได้เรียบเรียงจากข้อมูลจากอินเทอร์เน็ตและบทความวิจัยมาสรุป วิเคราะห์ และคัดเลือกประเด็นสำคัญนำเสนอจากแหล่งต่าง ๆ ดังนี้

[1] https://en.wikipedia.org/wiki/Digital_twin
[2] L. Ragazzini, E. Negri, M. Macchi, A Digital Twin-based Predictive Strategy for Workload Control, IFAC-PapersOnLine, vol. 54, Issue 1, pp. 743-748, 2021.
[3] A. Padovano, F. Longo, L. Nicoletti, G. Mirabelli, A Digital Twin based Service Oriented Application for a 4.0 Knowledge Navigation in the Smart Factory, IFAC-PapersOnLine, vol. 51, Issue 11, pp. 631-636, 2018.
[4] https://new.abb.com/control-systems/features/digital-twin-applications
[5] C. Cunha, O. Cardin, G. Gallot, J. Viaud, Designing the Digital Twins of Reconfigurable Manufacturing Systems: application on a smart factory, IFAC-PapersOnLine, vol. 54, Issue 1, pp. 874-879, 2021.
[6] E. Yildiz, C. Møller, A. Bilberg, Virtual Factory: Digital Twin Based Integrated Factory Simulations, Procedia CIRP, vol. 93, pp. 216-221, 2020.
[7] https://www.controleng.com/articles/rise-of-the-digital-twin/
[8] https://www.nokia.com/networks/insights/technology/how-digital-twins-driving-future-of-engineering/
[9] https://www.mitrpholmodernfarm.com/news/2020/02/digital-twin-เทคโนโลยีฝาแฝดดิจิตอลเปลี่ยนโลก
[10] https://www.olisystems.com/post/when-does-a-process-model-become-a-digital-twin
[11] https://www.mathworks.com/discovery/digital-twin.html
[12] https://blogs.sw.siemens.com/mindsphere/the-difference-between-a-simulation-and-a-digital-twin