สร้าง Industrial AI ในเครื่องจักรเก่าด้วย Retrofit

· 2 min read

การนำ Industrial AI มาใช้งานจริงไม่ได้เริ่มต้นที่โมเดลอัจฉริยะ แต่เริ่มที่การสร้างฐานข้อมูลที่เชื่อถือได้ ผู้ผลิตชิ้นส่วนยานยนต์และงานโลหะการในไทยสามารถใช้ Retrofit ผสานโครงสร้าง Edge Cloud เพื่อดึงข้อมูลเชิงลึกจากเครื่องจักรเก่า สร้างบริบทที่ชัดเจนก่อนนำไปวิเคราะห์ต่อยอด โดยไม่สูญเสียความปลอดภัยทางข้อมูล

Table of Contents

  • Digital Retrofit: ข้อมูลที่ลึกและมีปริมาณมากพอ เปิดทางสู่ Industrial AI
  • Digital Twin และ Industrial AI ปลายทางของการทำ Retrofit สำหรับเครื่องจักรโบราณ
  • เริ่มต้นใช้ AI เริ่มต้นที่ข้อมูลที่ครบบริบท
  • เชื่อมต่อองค์ประกอบทางเทคนิคด้วย Edge Cloud
  • กุญแจสู่ความสำเร็จ คือ Data Orchestration
  • ขาดอธิปไตยของข้อมูล การเชื่อมโยงไม่อาจเกิดขึ้นได้อย่างแท้จริง
  • บริการใหม่ที่เกิดจากข้อมูลการผลิต
  • มูลค่าเพิ่มที่แท้จริงเกิดจาก ‘ความร่วมมือ’

การรื้อถอนเครื่องจักรเก่าทั้งสายการผลิตเพื่อเปลี่ยนเป็นระบบใหม่ทั้งหมดนั้นสร้างความสูญเสียทางเศรษฐกิจมหาศาลและแทบเป็นไปไม่ได้เลยในระหว่างการเดินเครื่องผลิตจริง ทว่าในยุคที่เทคโนโลยีปัญญาประดิษฐ์กำลังเข้ามาพลิกโฉมวงการอุตสาหกรรม โรงงานสามารถประยุกต์ใช้เทคโนโลยี ‘Retrofit’ ร่วมกับสถาปัตยกรรม ‘Edge Cloud’ เพื่อยกระดับเครื่องจักรดั้งเดิมให้รองรับการทำงานของ ‘Industrial AI’ ได้อย่างสมบูรณ์แบบ

การนำ AI มาใช้ในภาคอุตสาหกรรมเปิดโอกาสใหม่ๆ มากมาย ตั้งแต่ ‘Predictive Maintenance’ การปรับปรุงคุณภาพ ไปจนถึง ‘Digital Twin’ ของการผลิตและบริการที่ขับเคลื่อนด้วยข้อมูล แต่การเชื่อมโยงข้อมูลการผลิตเข้ากับวิธีการทาง AI ให้เกิดประสิทธิภาพสูงสุดนั้นต้องการมากกว่าแค่การตรวจสอบกระบวนการแบบผิวเผิน

Digital Retrofit: ข้อมูลที่ลึกและมีปริมาณมากพอ เปิดทางสู่ Industrial AI

เงื่อนไขเบื้องต้นสำหรับการผลิตด้วย AI ไม่ได้จบแค่การมีโมเดล AI ที่ทรงพลังเท่านั้น แต่ ‘Industrial AI’ ต้องการฐานข้อมูลการผลิตที่เชื่อถือได้ พร้อมใช้งานอย่างต่อเนื่อง และมีบริบทที่ชัดเจน สำหรับโรงงานที่เติบโตมานาน การก้าวไปสู่การผลิตที่รองรับ AI จึงมักต้องเริ่มต้นที่เครื่องจักรเดิมที่มีอยู่ ระบบและเครื่องมือกลหลายตัวมีเซนเซอร์ติดตั้งอยู่แล้วและสามารถดึงข้อมูลควบคุมออกมาได้ แต่ค่าจากเครื่องจักรเหล่านี้มักสะท้อนภาพกระบวนการผลิตจริงเพียงบางส่วน ข้อมูลสำคัญบางอย่างมักขาดหายไป เช่น แรงตกกระทบที่จุดทำงานของเครื่องมือ สภาพของเครื่องมือ หรือคุณภาพของชิ้นงานที่ผลิตเสร็จ นอกจากนี้ สภาพแวดล้อมการผลิตยังมีความซับซ้อน ประกอบด้วยเครื่องจักรหลายรุ่น อินเทอร์เฟซการสื่อสาร และรูปแบบข้อมูลที่แตกต่างกัน ด้วยเหตุนี้ แค่การรวบรวมค่าจากการวัดให้ได้มากที่สุดจึงไม่เพียงพอ ข้อมูลที่เกี่ยวข้องจะต้องถูกดึงออกมา ซิงโครไนซ์ จัดโครงสร้าง และจัดให้อยู่ในบริบทของการผลิตนั้นๆ

เครื่องจักรในภาคอุตสาหกรรมถูกออกแบบมาให้มีอายุการใช้งานยาวนาน การเปลี่ยนใหม่ทั้งหมดจึงไม่คุ้มค่าทางเศรษฐกิจและไม่สอดคล้องกับสภาพการทำงานจริง ในขณะเดียวกัน ข้อกำหนดด้านประสิทธิภาพ ความยืดหยุ่น คุณภาพ และความสามารถในการตรวจสอบย้อนกลับก็เพิ่มสูงขึ้น ‘Digital Retrofit’ จึงเป็นแนวทางปฏิบัติที่ช่วยให้เครื่องจักรเดิมสามารถเชื่อมต่อกับแอปพลิเคชันที่ขับเคลื่อนด้วยข้อมูลได้อย่างค่อยเป็นค่อยไป เครื่องจักรเหล่านี้จะได้รับการติดตั้งเซนเซอร์เพิ่มเติม อินเทอร์เฟซการสื่อสาร และระบบประมวลผลข้อมูลในพื้นที่ (Local) เซนเซอร์ที่ติดตั้งเพิ่มจะสามารถเก็บข้อมูลที่ระบบควบคุมเครื่องจักรเดิมไม่สามารถเข้าถึงได้ หรือไม่มีรายละเอียดที่ลึกพอ เช่น อุณหภูมิ การสั่นสะเทือน หรือแรงบิด โดยเก็บข้อมูลจากกระบวนการผลิตได้โดยตรง

Digital Twin และ Industrial AI ปลายทางของการทำ Retrofit สำหรับเครื่องจักรโบราณ

ค่าการวัดเหล่านี้สามารถนำมาผสานรวมกับข้อมูลต่างๆ เช่น อัตราป้อน ความเร็วรอบ สถานะเครื่องจักร หรือขั้นตอนการตัดเฉือน ผ่านทางเกตเวย์ (Gateway) และคอมพิวเตอร์ระดับอุตสาหกรรมแบบ ‘Edge’ ปัจจัยชี้ขาดความสำเร็จคือการซิงโครไนซ์เวลาที่แม่นยำ หากเราสามารถระบุได้แน่ชัดว่าสัญญาณใดเกิดในช่วงสถานะใดของกระบวนการผลิต เราจะสามารถวิเคราะห์ความเชื่อมโยงระหว่างเครื่องจักร เครื่องมือ ชิ้นงาน และคุณภาพได้อย่างลึกซึ้ง การนำข้อมูลกระบวนการเหล่านี้ไปเชื่อมโยงกับข้อมูลชิ้นงานและผลการตรวจสอบคุณภาพ จะเปลี่ยนสัญญาณการวัดแต่ละตัวให้กลายเป็นข้อมูลกระบวนการที่นำไปใช้งานได้จริง ข้อมูลเหล่านี้ยังเป็นรากฐานสำหรับ ‘Digital Twin’ และการวิเคราะห์ด้วย AI การทำ ‘Retrofit’ จึงก้าวข้ามจากการเป็นแค่เครื่องมือปรับปรุงเครื่องจักร ไปสู่จุดเริ่มต้นของการผลิตที่เชื่อมโยงถึงกันและขับเคลื่อนด้วยข้อมูลอย่างแท้จริง

เริ่มต้นใช้ AI เริ่มต้นที่ข้อมูลที่ครบบริบท

ความพร้อมทางเทคนิคของข้อมูลเป็นเพียงก้าวแรก ค่าที่วัดได้จะมีความหมายก็ต่อเมื่อเรารู้บริบทของมัน นั่นคือ ข้อมูลนี้มาจากเครื่องจักรใดและขั้นตอนใด? ใช้เครื่องมือและวัสดุอะไร? มีพารามิเตอร์กระบวนการและผลลัพธ์คุณภาพอื่นใดที่เกี่ยวข้องบ้าง? การจัดบริบทนี้เท่านั้นที่จะทำให้เราสามารถประเมินข้อมูลเซนเซอร์ เครื่องจักร กระบวนการ และคุณภาพร่วมกันได้ กระบวนการ ‘Machine Learning’ (ML) จะอาศัยฐานข้อมูลนี้เพื่อค้นหารูปแบบและความเชื่อมโยง ซึ่งช่วยให้ระบบสามารถระบุความผิดปกติ ตรวจจับการสึกหรอของเครื่องมือ คาดการณ์ความคลาดเคลื่อนของคุณภาพ หรือปรับแต่งพารามิเตอร์กระบวนการผลิตได้ ทั้งนี้ สภาพการผลิตมีการเปลี่ยนแปลงอยู่เสมอ เช่น เครื่องมือสึกหรอ วัสดุเปลี่ยน หรือการสลับรอบการผลิต โมเดล AI จึงต้องได้รับการตรวจสอบระหว่างการทำงานและพัฒนาต่อเนื่องด้วยข้อมูลใหม่ๆ ซึ่งนำไปสู่คำถามที่ว่า ควรประมวลผลข้อมูลและฝึกอบรมโมเดลที่ใด

เชื่อมต่อองค์ประกอบทางเทคนิคด้วย Edge Cloud

แอปพลิเคชัน ‘Industrial AI’ มีข้อกำหนดด้านการประมวลผลข้อมูลที่แตกต่างกัน งานที่แข่งกับเวลาอย่างการตรวจสอบกระบวนการหรือตรวจจับความผิดปกติ จำเป็นต้องทำใกล้กับเครื่องจักรให้มากที่สุด ในขณะที่การฝึกอบรม การทดสอบ และการตรวจสอบความถูกต้องของโมเดล ‘Machine Learning’ มักต้องใช้ฐานข้อมูลขนาดใหญ่และทรัพยากรการประมวลผลที่ยืดหยุ่น การเลือกใช้แค่ ‘Edge’ หรือ ‘Cloud’ อย่างใดอย่างหนึ่งจึงไม่ครอบคลุมเพียงพอ สถาปัตยกรรม ‘Edge Cloud Continuum’ ช่วยให้สามารถประมวลผลข้อมูลและดำเนินการคำนวณในจุดที่เหมาะสมที่สุดทั้งในด้านเทคนิคและเศรษฐศาสตร์ ที่ฝั่ง ‘Edge’ ข้อมูลจากเซนเซอร์และเครื่องจักรจะถูกซิงโครไนซ์ กรอง และวิเคราะห์แบบ ‘Real-Time’

ส่วนการฝึกอบรมโมเดล AI ข้อมูลที่ถูกเตรียมไว้จะถูกส่งไปยังระบบ ‘Cloud’ ที่มีประสิทธิภาพสูงกว่า หรือโครงสร้างพื้นฐานที่ใกล้เคียงกับ ‘Cloud’ เมื่อโมเดลได้รับการฝึกฝนและตรวจสอบแล้ว จะถูกส่งกลับไปยัง ‘Edge’ เพื่อนำไปวิเคราะห์ค่าการวัดปัจจุบันแบบใกล้ชิดกับกระบวนการผลิต ข้อมูลการผลิตใหม่ๆ จะถูกนำมาใช้เพื่อปรับปรุงและฝึกอบรมซ้ำ (Re-Training) กระบวนการนี้สร้างวงจรการเรียนรู้ระหว่างเครื่องจักร ‘Edge’ และ ‘Cloud’ โครงสร้างแบบโมดูลาร์เป็นสิ่งสำคัญ แต่ละองค์ประกอบสามารถเพิ่มหรือเชื่อมโยงเข้าด้วยกันเป็นสถาปัตยกรรมที่ครอบคลุมมากขึ้นได้ทีละขั้นตอน แนวทางนี้จึงสามารถปรับให้เข้ากับเครื่องจักร กระบวนการผลิต และโครงสร้าง IT/OT ที่มีอยู่แตกต่างกันได้

กุญแจสู่ความสำเร็จ คือ Data Orchestration

ยิ่งมีการเชื่อมต่อเครื่องจักร เซนเซอร์ และแอปพลิเคชันมากเท่าใด การจัดการข้อมูล (Data Orchestration) ก็ยิ่งสำคัญมากขึ้นเท่านั้น ข้อมูลจากแหล่งต่างๆ ต้องถูกนำมารวมกันอย่างสอดคล้อง จัดทำบริบท และเตรียมพร้อมสำหรับแอปพลิเคชันต่างๆ สิ่งนี้ต้องการมากกว่าแค่ความสามารถในการเชื่อมต่อทางเทคนิค อินเทอร์เฟซมาตรฐาน โมเดลข้อมูลร่วม และคำอธิบายเชิงความหมาย (Semantic Description) จะช่วยให้ข้อมูลที่เกี่ยวกับผลิตภัณฑ์ กระบวนการ และเครื่องจักร สามารถถูกตีความและเชื่อมโยงถึงกันได้อย่างถูกต้องข้ามขีดจำกัดของระบบ ศูนย์กลางข้อมูลอุตสาหกรรมสามารถจัดระเบียบเส้นทางข้อมูลที่จำเป็นและเชื่อมโยงสภาพแวดล้อมการผลิตเข้ากับโครงสร้างพื้นฐาน ‘Edge’ และ ‘Cloud’ ได้ ‘Data Orchestration’ จึงเป็นตัวเชื่อมระหว่างการเก็บข้อมูลระดับท้องถิ่นกับการใช้งานขั้นสูงในองค์กร รวมถึงในระบบนิเวศข้อมูลโดยรวม

ขาดอธิปไตยของข้อมูล การเชื่อมโยงไม่อาจเกิดขึ้นได้อย่างแท้จริง

หากมีการใช้ข้อมูลการผลิตข้ามพื้นที่หรือระหว่างบริษัท ข้อกำหนดด้านความปลอดภัยและการควบคุมก็จะเพิ่มสูงขึ้นตามไปด้วย ข้อมูลการผลิตมักแฝงไปด้วยความรู้ที่สำคัญเกี่ยวกับเครื่องจักร กระบวนการ และความเชี่ยวชาญ บริษัทจึงต้องสามารถตัดสินใจได้ว่าจะเปิดเผยข้อมูลใด ใครมีสิทธิ์เข้าถึง และจะนำไปใช้เพื่อวัตถุประสงค์ใด พื้นที่ข้อมูลแบบกระจายศูนย์ (Federated Data Spaces) คือแนวทางที่เหมาะสม แตกต่างจากรูปแบบแพลตฟอร์มส่วนกลาง ข้อมูลจะยังคงอยู่ภายใต้การควบคุมของบริษัทเจ้าของข้อมูลเสมอ ข้อมูลจะถูกทำให้พร้อมใช้งานตามความต้องการของผู้ที่มีส่วนร่วม โดยไม่ต้องรวมศูนย์ข้อมูลไว้ถาวร

การนำไปปฏิบัติจริงจำเป็นต้องมีอินเทอร์เฟซที่ปลอดภัยและทำงานร่วมกันได้ ‘Dataspace Connectors’ ช่วยให้สามารถแลกเปลี่ยนข้อมูลระหว่างผู้มีส่วนร่วมได้อย่างเจาะจงและเป็นไปตามกฎ เทคโนโลยีตัวเชื่อมต่อแบบเปิดนี้กำลังถูกนำมาใช้ในระบบนิเวศข้อมูลอุตสาหกรรมอย่าง ‘Catena-X’ และ ‘Manufacturing-X’ ซึ่งช่วยขยายฐานข้อมูลสำหรับ ‘Industrial AI’ ให้กว้างขึ้น ผู้ผลิตเครื่องจักร ผู้ดำเนินกิจการโรงงาน ซัพพลายเออร์ และผู้ให้บริการสามารถนำข้อมูลมาใช้ร่วมกันตามแอปพลิเคชันที่กำหนดไว้ โดยแต่ละบริษัทยังคงรักษาสิทธิ์ขาดเหนือข้อมูลของตนเองได้

บริการใหม่ที่เกิดจากข้อมูลการผลิต

สำหรับผู้ผลิตเครื่องจักรและโรงงาน การเชื่อมต่อที่เพิ่มขึ้นเปิดมุมมองใหม่ที่เป็นประโยชน์นอกเหนือจากการเพิ่มประสิทธิภาพกระบวนการ ฐานข้อมูลที่ทำงานร่วมกันได้อย่างต่อเนื่องคือรากฐานสำหรับบริการที่ขับเคลื่อนด้วยข้อมูลและการทำงานร่วมกันรูปแบบใหม่กับลูกค้า ตัวอย่างเช่น ‘Predictive Maintenance’ ที่ข้อมูลสถานะและกระบวนการช่วยให้ระบุความต้องการในการบำรุงรักษาได้แม่นยำขึ้น ศักยภาพเพิ่มเติมยังอยู่ที่การวิเคราะห์คุณภาพที่สนับสนุนด้วย AI การปรับปรุงกระบวนการ การตรวจสอบย้อนกลับ และ ‘Digital Twin’ ของการผลิต ผู้ผลิตเครื่องจักรจึงสามารถขยายขอบเขตการให้บริการจากเดิมไปสู่บริการด้านข้อมูลได้

มูลค่าเพิ่มที่แท้จริงเกิดจาก ‘ความร่วมมือ’

‘Industrial AI’ ไม่ได้เริ่มต้นที่ตัวโมเดล AI เอง แต่เริ่มต้นจากความสามารถในการจำลองกระบวนการผลิตจริงโดยใช้ข้อมูลที่เชื่อถือได้ การทำ ‘Retrofit’ ช่วยปลดล็อกข้อมูลเหล่านี้แม้ในเครื่องจักรเก่า สถาปัตยกรรม ‘Edge Cloud’ ผสมผสานการประมวลผลใกล้กระบวนการเข้ากับทรัพยากรที่ปรับขนาดได้สำหรับโมเดล AI ในขณะที่ ‘Data Orchestration’ ช่วยรวบรวมข้อมูลจากแหล่งต่างๆ ให้อยู่ในบริบทที่ถูกต้อง พื้นที่ข้อมูลที่มีอธิปไตยจะช่วยขยายขอบเขตการใช้งานข้ามสาขาและระหว่างบริษัท สำหรับอุตสาหกรรมการผลิตแล้ว สิ่งสำคัญไม่ได้อยู่ที่แค่การสร้างข้อมูล แต่ต้องสามารถแปลงข้อมูลเหล่านั้นให้กลายเป็นการสร้างมูลค่าได้อย่างปลอดภัย และมีสิทธิ์ควบคุมข้อมูลอย่างเต็มที่ โครงสร้างพื้นฐานที่เชื่อมโยงกันอย่างเป็นระบบ จึงเป็นเงื่อนไขเบื้องต้นที่ขาดไม่ได้สำหรับความสำเร็จนี้

MM
Michael Fritz / Fraunhofer CCIT