รูปแบบการประยุกต์ใช้ข้อมูลขนาดใหญ่เพื่อพัฒนาสู่โรงงานอัจฉริยะ
คำสำคัญ:
ข้อมูลขนาดใหญ่, โรงงานอัจฉริยะ, อุตสาหกรรม 4.0, การพัฒนา, ปัจจัยความสำเร็จบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษารูปแบบการประยุกต์ ผลลัพธ์ และปัจจัยความสำเร็จของการใช้ข้อมูลขนาดใหญ่จากโรงงานที่ดำเนินการพัฒนาเป็นโรงงานอัจฉริยะในประเทศไทย เป็นงานวิจัยเชิงคุณภาพใช้วิธีวิทยาแบบกรณีศึกษา ผู้ให้ข้อมูลหลักคือโรงงานที่มีการประยุกต์ใช้ข้อมูลขนาดใหญ่จำนวน 4 แห่ง ผลการศึกษาพบว่าการประยุกต์ใช้ข้อมูลขนาดใหญ่ในโรงงานผลิตมี 7 รูปแบบ ได้แก่ การติดตามกระบวนการ การปรับแต่งค่าพารามิเตอร์ การปรับปรุงคุณภาพ การบำรุงรักษาเชิงทรัพยากร การติดตามวัตถุดิบ การจัดการพลังงาน และการจัดการการตอบรับลูกค้า ผลการประยุกต์ข้อมูลขนาดใหญ่นำไปสู่การปรับปรุงตัวชี้วัดประสิทธิภาพโรงงาน 3 ด้าน ด้านต้นทุน ได้แก่ ประสิทธิผลโดยรวมของเครื่องจักร การลดความสูญเสีย ประสิทธิภาพการใช้พลังงาน ด้านคุณภาพ ได้แก่ อัตราของเสียในกระบวนการ และข้อร้องเรียนของลูกค้า ด้านเวลา คือ อัตราการส่งมอบตรงเวลา ปัจจัยที่สนับสนุนความสำเร็จการประยุกต์ใช้ข้อมูลขนาดใหญ่ ได้แก่ ปัจจัยมุ่งเน้นด้านองค์กร ด้านระบบ ด้านทรัพยากร และด้านข้อมูล ซึ่งเน้นการพัฒนาข้อมูลขนาดใหญ่กับกระบวนการคอขวดที่มีความจำเป็นต้องปรับปรุงความสามารถการผลิต
เอกสารอ้างอิง
คณะกรรมการอุตสาหกรรม 4.0. (2559) การยกระดับอุตสาหกรรมไทยสู่อุตสาหกรรม 4.0 (Industry 4.0). สืบค้นเมื่อ 25 กรกฎาคม 2562, จาก สภาเกษตรกรแห่งชาติ เว็บไซต์: http://www.nfcrbr.or.th
ชุติกา เกียรติเรืองไกร, พรชนก เทพขาม, & วัชรินทร์ ชินวรวัฒนา. (2563). 10 ปีอุตสาหกรรมไทย เรามาไกลแค่ไหน. FOCUSED AND QUICK (FAQ), 13(165), 1-12.
บัญชา ธนบุญสมบัติ. (2560). อุตสาหกรรม 4.0. วารสารเทคโนโลยีวัสดุ, 23(84), 23-34
วิชาญ ทรายอ่อน. (2559). ประเทศไทย 4.0. Academic Focus, 3(37), 1-13.
สถาบันไทย-เยอรมัน. (2562). คู่มือการพัฒนาโรงงานอุตสาหกรรมสู่ความเป็นโรงงานอัจฉริยะ (Smart Factory). กรุงเทพฯ:TGI Thai-German Institute.
สุพันธุ์ มงคลสุธี. (2561). ก้าวสู่ ‘Industry 4.0’ อย่างไรในวันที่อุตสาหกรรมไทยยังแค่ 2.0. สืบค้นเมื่อ 20 ตุลาคม 2562, จาก The Bangkok Insight เว็บไซต์: https://www.thebangkokinsight.com/
สุรัชพงศ์ สิกขาบัณฑิต. (2560). นโยบายประเทศไทย ๔.๐ : โอกาส อุปสรรค และผลประโยชน์ของไทยในภูมิภาคอาเซียน. สืบค้นเมื่อ 25 กรกฎาคม 2562, จาก รัฐสภาไทย เว็บไซต์: www.parliament.go.th
สำนักงานที่ปรึกษาด้านอุตสาหกรรม (2558). Industry 4.0 (The Fourth industrial Revolution). สืบค้นเมื่อ 7 ตุลาคม 2562, จาก กระทรวงอุตสาหกรรม เว็บไซต์: www.industry.go.th
สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ. (2558). อุตสาหกรรม 4.0 แนวทางของอุตสาหกรรมแห่งอนาคต. สืบค้นเมื่อ 9 ตุลาคม 2562, จาก นานาสาระน่ารู้ เว็บไซต์: www.nstda.or.th
Alkahtani, M., Choudhary, A., De, A., & Harding, J. (2019). A Decision Support System based on Ontology and Data mining to Improve Design using Warranty Data. Computers & Industrial Engineering, 128, 1027-1039.
Auschitzky, E., Hammer, M., & Rajagopaul, A. (2014). How big data can improve manufacturing. McKinsey Quarterly Magazine, 50, 1-4.
Dhawan, R., Singh, K., & Tuteja, A. (2014). When big data goes lean. McKinsey Quarterly Magazine, 50, 1-5.
Gunasekaran, A., Yusuf, Y., Adeleye, E. O., & Papadopoulos, T. (2017). Agile Manufacturing Practices - The Role of Big Data and Business Analytics with Multiple Case Studies. International Journal of Production Research, 56, 385-397.
Haseeb, M., Hussain, H., Slusarczyk, B., & Jermsittiparsert, K. (2019). Industry 4.0: A Solution towards Technology Challenges of Sustainable Business Performance. MDPI Social Sciences, 16, 1-24.
Kozjek, D., Vrabič, R., Rihtaršič, B., & Butal, P. (2018). Big data analytics for operations management in engineer-to-order manufacturing. Procedia CIRP, 72, 209-214.
Kumar, A., Chinnam, R., & Tseng, F. (2019). An HMM and Polynomial Regression Based Approach for Remaining Useful Life and Health State Estimation of Cutting Tools. Computers & Industrial Engineering, 128, 1008-1014.
Lamba, K., Singh, S., & Mishra, N. (2019). Integrated Decisions for Supplier Selection and Lot-Sizing Considering Different Carbon Emission Regulations in Big Data Environment. Computers & Industrial Engineering, 128, 1052-1062.
Moktadira, A., Alib, S., Paul, S., & Shuklad, N. (2019). Barriers to big data analytics in manufacturing supply chains: A case study from Bangladesh. Computers & Industrial Engineering, 128, 1027-1039.
Mourtzis, D., Vlachou E., & Milas, N. (2016). Industrial Big Data as a result of IoT adoption in Manufacturing. Procedia CIRP, 55, 290 – 295.
Narasimhan, R., & Bhuvaneshwari, T. (2014). Big Data – A Brief Study. International Journal of Scientific & Engineering Research, 5 (90), 1-2.
Neely, A., Gregory, M., & Platts, K. (2005). Performance measurement system design: A literature review and research agenda. International Journal of Operations & Production Management, 25(12), 1228-1263.
Stock, T., & Seliger, G. (2016). Opportunities of Sustainable Manufacturing in Industry 4.0. Procedia CIRP, 40, 536–41.
Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2018). Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157–169.
Waller, M. A., & Fawcett, S. E. (2013). Data Science, Predictive Analytics, and Big Data: A Revolution That Will Transform Supply Chain Design and Management. Journal of Business Logistics, 34, 77–84
Wantao, Y., Chavez, R., Jacobs, M. A., & Feng, M. (2018). Data-driven supply chain capabilities and performance: A resource-based view. Transportation Research, 114, 371–385.
Yu-Chien K., & Fujita, H. (2019). An evidential analytics for buried information in big data samples: Case study of semiconductor manufacturing. Information Sciences, 486, 190-203.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
บทความที่ได้รับการตีพิมพ์จะเป็นลิขสิทธิ์ของวารสารธุรกิจปริทัศน์
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับมหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ และคณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
