เทคโนโลยีการจัดการอุตสาหกรรมในยุคดิจิทัล 4.0
คำสำคัญ:
เทคโนโลยีการจัดการอุตสาหกรรม, การบริหารจัดการ, การควบคุมคุณภาพบทคัดย่อ
บทความวิชาการนี้มุ่งเน้นการสำรวจและวิเคราะห์บทบาทของเทคโนโลยีการจัดการอุตสาหกรรมในการขับเคลื่อนการเปลี่ยนแปลงและเพิ่มขีดความสามารถในการแข่งขันของภาคอุตสาหกรรมในยุคดิจิทัล โดยครอบคลุมการประยุกต์ใช้เทคโนโลยีหลักได้แก่ ปัญญาประดิษฐ์ (AI), Internet of Things (IoT),ระบบอัตโนมัติและหุ่นยนต์ (Automation and Robotics), การวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data Analytics) และเทคโนโลยีคลาวด์ (Cloud Technology) ในมิติของการบริหารจัดการ การผลิต และการควบคุมคุณภาพ บทความนี้ ได้นำเสนอแนวคิดและวิวัฒนาการของเทคโนโลยีการจัดการอุตสาหกรรมตั้งแต่ยุคแรกเริ่มจนถึง Industry 4.0 พร้อมทั้งเจาะลึกถึงประเด็นการประยุกต์ใช้เทคโนโลยีเหล่านี้ในด้านต่างๆ ของอุตสาหกรรม รวมถึงผลกระทบต่อการบริหารจัดการโซ่อุปทานและโลจิสติกส์ ตลอดจนการยกระดับกระบวนการควบคุมคุณภาพให้มีความแม่นยำและมีประสิทธิภาพมากยิ่งขึ้น นอกจากนี้ได้นำเสนอองค์ความรู้ใหม่ที่ได้รับจากบริบทความเข้าใจในการบูรณาการเทคโนโลยีเพื่อสร้างโรงงานอัจฉริยะและการผลิตที่ยั่งยืน บทสรุปของบทความได้เน้นย้ำถึงความสำคัญของการปรับตัวขององค์กรและบุคลากรเพื่อรองรับการเปลี่ยนแปลงทางเทคโนโลยี พร้อมทั้งนำเสนอข้อเสนอแนะสำหรับการนำไปประยุกต์ใช้ในภาคปฏิบัติ เพื่อให้ภาคอุตสาหกรรมไทยสามารถก้าวทันการเปลี่ยนแปลงและสร้างความได้เปรียบในการแข่งขันในเวทีโลก
เอกสารอ้างอิง
Accenture. (2023). The supply chain of the future: Digital logistics and automation. Accenture Insights. Retrieved from https://www.accenture.com
ASQ. (n.d.). What is quality control? American Society for Quality. Retrieved from https://asq.org
Atzori, L., Iera, A., & Morabito, G. (2010). The Internet of Things: A survey. Computer Networks, 54(15), 2787–2805. https://doi.org/10.1016/j.comnet.2010.05.010
Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. D. P., Basto, J. P., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
Deloitte Insights. (2020). Digital transformation 2020: Strategy and leadership in the age of AI. Deloitte University Press.
Deloitte. (2020). Industry 4.0: The future of manufacturing. https://www2.deloitte.com/us/en/insights/focus/industry-4-0.html
Demirkan, H., & Delen, D. (2013). Leveraging the capabilities of service-oriented decision support systems: Putting analytics and big data in cloud. Decision Support Systems, 55(1), 412–421. https://doi.org/10.1016/j.dss.2012.05.048
Demirkan, H., & Delen, D. (2013). Leveraging the capabilities of service-oriented decision support systems: Putting analytics and big data in cloud. Decision Support Systems, 55(1), 412–421. https://doi.org/10.1016/j.dss.2012.05.048
European Commission. (2021). Industry 5.0: Towards a sustainable, human-centric and resilient European industry. Publications Office of the European Union. https://doi.org/10.2777/308407
Ford, H. (1922). My life and work. Garden City, NY: Doubleday.
George, M. L., Rowlands, D., Price, M., & Maxey, J. (2022). The lean six sigma pocket toolbook (3rd ed.). McGraw-Hill.
Groover, M. P. (2015). Automation, production systems, and computer-integrated manufacturing (4th ed.). Upper Saddle River, NJ: Pearson.
Hermann, M., Pentek, T., & Otto, B. (2016). Design principles for Industrie 4.0 scenarios: A literature review. In Proceedings of the 49th Hawaii International Conference on System Sciences (HICSS). https://doi.org/10.1109/HICSS.2016.488
IBM. (2024). How is AI being used in manufacturing. https://www.ibm.com/think/topics/ai-in-manufacturing
IBM. (n.d.). Blockchain for supply chain transparency. IBM Blockchain Solutions. Retrieved from https://www.ibm.com/blockchain
Kagermann, H., Wahlster, W., & Helbig, J. (2013). Recommendations for implementing the strategic initiative INDUSTRIE 4.0: Securing the future of German manufacturing industry (Final report of the Industrie 4.0 Working Group). Forschungsunion.
Kagermann, H., Wahlster, W., & Helbig, J. (2013). Recommendations for implementing the strategic initiative INDUSTRIE 4.0: Securing the future of German manufacturing industry (Final report of the Industrie 4.0 Working Group). Forschungsunion.
Kagermann, H., Wahlster, W., & Helbig, J. (2013). Recommendations for implementing the strategic initiative INDUSTRIE 4.0. acatech—National Academy of Science and Engineering.
Kagermann, H., Wahlster, W., & Helbig, J. (2013). Recommendations for implementing INDUSTRIE 4.0: Final report of the Industry 4.0 Working Group. acatech – National Academy of Science and Engineering.
Kim, T.-H., Yu, J., Park, S., & Kim, J. (2021). Product inspection methodology via deep learning. Sensors, 21(15), 5039. https://doi.org/10.3390/s21155039
Laney, D. (2001). 3D data management: Controlling data volume, velocity, and variety. META Group (Research Note).
Lee, J., Bagheri, B., & Kao, H. A. (2014). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.01.001
Lee, J., Bagheri, B., & Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.12.001 ScienceDirect
Lee, J., Bagheri, B., & Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23.
Lee, J., Bagheri, B., & Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.12.001
Lee, J., Bagheri, B., & Kao, H.-A. (2015). A cyber-physical systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23. https://doi.org/10.1016/j.mfglet.2014.12.001
Marston, S., Li, Z., Bandyopadhyay, S., Zhang, J., & Ghalsasi, A. (2011). Cloud computing—The business perspective. Decision Support Systems, 51(1), 176–189. https://doi.org/10.1016/j.dss.2010.12.006
McKinsey & Company. (2021). The case for digital transformation: How technology is reshaping management and operations. McKinsey Digital.
McKinsey. (2021). Industry 4.0: Reimagining manufacturing operations. https://www.mckinsey.com/capabilities/operations/our-insights/industry-4-0-reimagining-manufacturing-operations
Mediavilla, M. A., et al. (2022). Review and analysis of artificial intelligence methods for supply chain management. Journal of Intelligent Manufacturing, 33(8), 2033–2062. https://doi.org/10.1007/s10845-022-01963-8 ScienceDirect
Mokyr, J. (1998). The second industrial revolution, 1870–1914. In The Oxford encyclopedia of economic history. Oxford University Press.
NetSuite. (2024). AI-driven quality inspection and manufacturing analytics. Oracle NetSuite White Paper. Retrieved from https://www.netsuite.com
Pournader, M., Shi, Y., Seuring, S., & Koh, S. C. L. (2021). Artificial intelligence applications in supply chain management: A systematic literature review. International Journal of Production Economics, 241, 108250. https://doi.org/10.1016/j.ijpe.2021.108250
Pournader, M., Shi, Y., Seuring, S., & Koh, S. C. L. (2021). Artificial intelligence applications in supply chain management: A systematic literature review. International Journal of Production Economics, 241, 108250. https://doi.org/10.1016/j.ijpe.2021.108250
Qi, M., Zhou, X., Zou, B., & Zhang, Y. (2018). On the evaluation of AGVS-based warehouse operation systems. Engineering Applications of Artificial Intelligence, 72, 135–146. https://doi.org/10.1016/j.engappai.2018.03.013
Ren, Z., et al. (2022). State of the art in defect detection based on machine vision. International Journal of Precision Engineering and Manufacturing-Green Technology, 9, 611–640. https://doi.org/10.1007/s40684-021-00343-6 SpringerLink
RF Page. (2025). Real-time quality monitoring in smart factories. RF Page Technology Review. Retrieved from https://rfpage.com
Robotized and automated warehouse systems: Review and recent developments. (2019). ResearchGate preprint. (Comprehensive review of shuttle-based AS/RS, robotic handling, etc.).
Russell, S. J., & Norvig, P. (2010). Artificial intelligence: A modern approach (3rd ed.). Pearson. (Global edition preview)
SAP. (n.d.). Manufacturing execution systems (MES) and ERP integration. SAP Knowledge Center. Retrieved from https://www.sap.com
Schwab, K. (2016). The Fourth Industrial Revolution. Geneva: World Economic Forum.
SHRM (Society for Human Resource Management). (2021). The future of work: A journey to 2022. https://www.shrm.org/hr-today/trends-and-forecasting/research-and-surveys/pages/future-of-work-report.aspx
Splunk. (n.d.). Predictive maintenance with IoT and machine learning. Splunk Industrial Data Analytics. Retrieved from https://www.splunk.com
Stevenson, W. J. (2021). Operations management (14th ed.). New York, NY: McGraw-Hill.
Taylor, F. W. (1911). The principles of scientific management. New York, NY: Harper & Brothers.
Tsai, C.-W., Lai, C.-F., & Chao, H.-C. (2015). Data mining for the Internet of Things: A survey. Information Sciences, 318, 64–86. https://doi.org/10.1016/j.ins.2015.02.027
Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J.-F., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
Wamba, S. F., Gunasekaran, A., Akter, S., Ren, S. J.-F., Dubey, R., & Childe, S. J. (2017). Big data analytics and firm performance: Effects of dynamic capabilities. Journal of Business Research, 70, 356–365. https://doi.org/10.1016/j.jbusres.2016.08.009
Wang, J., Ma, Y., & Wang, L. (2018). Deep learning for smart manufacturing: Methods and applications. Journal of Manufacturing Systems, 48, 144–156. https://doi.org/10.1016/j.jmsy.2018.01.003
Womack, J. P., Jones, D. T., & Roos, D. (1990). The machine that changed the world. New York, NY: Rawson Associates.
Xu, L. D., He, W., & Li, S. (2014). Internet of Things in industries: A survey. IEEE Transactions on Industrial Informatics, 10(4), 2233–2243. https://doi.org/10.1109/TII.2014.2300753
Zhang, W., Yang, D., & Wang, H. (2019). Data-driven methods for predictive maintenance of industrial equipment: A survey. IEEE Systems Journal, 13(3), 2213–2227. https://doi.org/10.1109/JSYST.2019.2905565
Zhong, R. Y., Xu, X., Klotz, E., & Newman, S. T. (2017). Intelligent manufacturing in the context of Industry 4.0: A review. Engineering, 3(5), 616–630. https://doi.org/10.1016/J.ENG.2017.05.015
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 วารสารการวิจัยการบริหารการพัฒนา
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของมหาวิทยาลัยราชภัฏสวนสุนันทา
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยราชภัฏสวนสุนันทา และคณาจารย์ท่านอื่นๆ ในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
