รูปแบบการประยุกต์ใช้ข้อมูลขนาดใหญ่เพื่อพัฒนาสู่โรงงานอัจฉริยะ
关键词:
ข้อมูลขนาดใหญ่, โรงงานอัจฉริยะ, อุตสาหกรรม 4.0, การพัฒนา, ปัจจัยความสำเร็จ摘要
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
参考
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.
##submission.downloads##
已出版
##submission.howToCite##
期
栏目
##submission.license##
All articles published in the Business Administration and Management Journal Review are copyrighted by the journal.
The views and opinions expressed in each article are solely those of the individual authors and do not represent those of Huachiew Chalermprakiet University or any other faculty members. Each author is fully responsible for the content of their own article. Any errors or issues found are the sole responsibility of the respective author.
