ข้ามไปยังเนื้อหาหลัก
Smart Medtech Co., Ltd.

Solutions สำหรับ Manufacturing

เฝ้าระวังหน้างานแบบ Real-time และปิดงานให้ตรวจสอบได้

ปรับปรุงล่าสุด

Manufacturing ใช้ AI และ Workflow อย่างไร

สำหรับภาคการผลิต Smart Medtech ใช้ AI-Driven Maintenance เฝ้าติดตามข้อมูลจากเครื่องจักรและเซนเซอร์แบบ Real-time พร้อมแจ้งเตือนและ Escalation จนปิดงาน และใช้ WAMS ร่วมกับ AI Workflow Automation จัดการงานเอกสารและการอนุมัติในสายการผลิต

โจทย์ที่พบบ่อยในอุตสาหกรรมนี้

ในภาคการผลิต เวลาที่เครื่องจักรหยุดโดยไม่ได้วางแผนส่งผลต่อทั้งกำลังการผลิตและกำหนดส่งมอบ แต่ข้อมูลที่บอกสัญญาณล่วงหน้ามักกระจายอยู่ในเซนเซอร์ ระบบควบคุม และบันทึกของแต่ละกะ ทีมช่างจึงมักรู้ปัญหาเมื่อเครื่องหยุดไปแล้ว

อีกด้านหนึ่งคืองานเอกสาร ทั้งรายงานประจำกะ ใบแจ้งซ่อม และการอนุมัติที่ต้องผ่านฝ่ายผลิตและฝ่ายคุณภาพ ซึ่งหลายโรงงานยังเดินด้วยกระดาษ แนวทางของ Smart Medtech คือเชื่อมข้อมูลหน้างานเข้ากับการแจ้งเตือนที่มีผู้รับผิดชอบ และย้ายงานเอกสารเข้า Workflow ที่ตรวจสอบย้อนหลังได้

ระบบที่เหมาะกับโรงงานจึงต้องรับข้อมูลจากอุปกรณ์ที่มีอยู่ได้ โดยไม่จำเป็นต้องเปลี่ยนเครื่องจักรทั้งหมด และต้องจบที่การลงมือแก้ไข ไม่ใช่จบที่หน้าจอแสดงผล

  • รู้ว่าเครื่องจักรมีปัญหาตอนที่หยุดไปแล้ว
  • ข้อมูลหน้างานอยู่คนละระบบ สรุปสาเหตุช้า
  • งานแจ้งซ่อมตกหล่นระหว่างกะ
  • งานเอกสารและการอนุมัติในโรงงานยังเดินด้วยกระดาษ

ผลิตภัณฑ์ที่มักถูกใช้

เลือกเฉพาะสิ่งที่ตอบโจทย์จริง ไม่จำเป็นต้องใช้ทุกตัวพร้อมกัน

สถานการณ์การใช้งานจริง

ค่าการทำงานของเครื่องเบี่ยงเบน

ระบบตรวจพบรูปแบบที่ต่างจากปกติ แจ้งทีมช่างพร้อมข้อมูลย้อนหลังให้เทียบได้ทันที

รายงานประจำกะ

รวบรวมข้อมูลจากหลายแหล่งและสร้างรายงานให้อัตโนมัติ แทนการรวมไฟล์เอง

กระบวนการที่ต้องตรวจหลายฝ่าย

ออกแบบเป็นผัง BPMN ที่ให้ฝ่ายผลิตและฝ่ายคุณภาพตรวจคู่ขนานกันได้

การแจ้งเตือนไม่ถูกตอบรับ

ระบบยกระดับไปยังหัวหน้างานหรือผู้รับผิดชอบลำดับถัดไปตามเส้นทาง Escalation จนกว่างานจะถูกรับและปิด

วิเคราะห์สาเหตุหลังเหตุขัดข้อง

ข้อมูลย้อนหลังของเครื่องและประวัติงานซ่อมอยู่ในที่เดียว ทีมช่างเทียบรูปแบบก่อนเกิดเหตุได้โดยไม่ต้องรวบรวมจากหลายระบบ

ขออนุมัติซื้ออะไหล่เร่งด่วน

คำขอเดินตามสายอนุมัติพร้อมเอกสารประกอบ ผู้อนุมัติเห็นงานในระบบและมีบันทึกทุกขั้น

เส้นทางเริ่มต้นที่แนะนำ

เริ่มจากจุดที่เห็นผลเร็วที่สุดก่อน แล้วค่อยขยาย ทุกขั้นเดินตาม Discovery → Design → Integration → UAT → Go Live

  1. 01เริ่มต้น

    เลือกเครื่องจักรวิกฤตมาเฝ้าระวังก่อน

    สำรวจหน้างานและเลือกเครื่องจักรที่หยุดแล้วกระทบสายการผลิตมากที่สุด เชื่อมข้อมูลจากเซนเซอร์หรือ Gateway เข้า AI-Driven Maintenance พร้อมกำหนดเงื่อนไขแจ้งเตือน

  2. 02ขยายผล

    ลดงานรายงานที่ทำซ้ำทุกกะ

    ใช้ AI Workflow Automation รวบรวมข้อมูลจากหลายแหล่งและสร้างรายงานประจำกะ รวมถึงเปิดงานแจ้งซ่อมจากการแจ้งเตือนให้อัตโนมัติ

  3. 03ต่อยอด

    ย้ายกระบวนการตรวจและอนุมัติเข้าระบบ

    ออกแบบกระบวนการที่ต้องผ่านหลายฝ่ายเป็นผัง BPMN ใน WAMS Enterprise ให้ตรวจคู่ขนานได้และมี Audit Trail

ระบบที่มักต้องเชื่อมต่อ

ขอบเขตจริงของแต่ละโครงการสรุปร่วมกันในขั้นตอน Discovery

แหล่งข้อมูล

  • IoT Device
  • Sensor
  • Industrial Protocol
  • Gateway

ระบบเดิม

  • ฐานข้อมูล
  • REST API
  • ระบบควบคุมที่มีอยู่
  • ERP

ช่องทางแจ้งเตือน

  • อีเมล
  • ช่องทางแชทภายใน
  • แจ้งเตือนในระบบ

ปลายทางของงาน

  • งานแจ้งซ่อม
  • รายงานสรุปเหตุการณ์
  • กระบวนการอนุมัติใน WAMS

ตัวชี้วัดที่ควรติดตาม

เก็บค่าตั้งต้นก่อนเริ่มโครงการ แล้ววัดซ้ำหลัง Go Live เพื่อเทียบกับวิธีทำงานเดิม

  • จำนวนครั้งที่เครื่องจักรหยุดโดยไม่ได้วางแผนและเวลาที่หยุด
  • เวลาตั้งแต่ระบบแจ้งเตือนจนทีมช่างรับงาน
  • เวลาตั้งแต่รับงานจนปิดงานซ่อม
  • เวลาที่ใช้จัดทำรายงานประจำกะ
  • ระยะเวลาของกระบวนการตรวจและอนุมัติในแต่ละขั้น

คำถามที่พบบ่อย

เครื่องจักรเก่าที่ไม่มีระบบเชื่อมต่อใช้ได้ไหม

ขึ้นกับว่าติดตั้งเซนเซอร์หรือ Gateway เพิ่มได้หรือไม่ ทีมงานจะสำรวจหน้างานเพื่อประเมินแนวทางก่อนสรุปขอบเขต

ทำ Predictive Maintenance ได้เลยไหม

การคาดการณ์ต้องอาศัยข้อมูลย้อนหลังที่เพียงพอ โครงการจึงมักเริ่มจาก Realtime Monitoring และ Anomaly Detection ก่อน

ข้อมูลหน้างานต้องส่งออกนอกโรงงานไหม

ขอบเขตการจัดเก็บและประมวลผลข้อมูลกำหนดร่วมกันในขั้นตอน Design และระบุไว้ในเอกสารของโครงการ

ต่างจากระบบควบคุมเครื่องจักรเดิมอย่างไร

ระบบควบคุมเดิมยังทำหน้าที่ควบคุมเครื่องจักรตามเดิม AI-Driven Maintenance รับข้อมูลจากระบบเหล่านั้นมาเฝ้าระวัง แจ้งเตือน และติดตามงานจนปิด โดยไม่จำเป็นต้องเปลี่ยนอุปกรณ์ทั้งหมด

ควรเริ่มจากเครื่องจักรกี่เครื่อง

แนะนำให้เริ่มจากเครื่องที่สำคัญต่อสายการผลิตจำนวนหนึ่งก่อน เพื่อปรับเงื่อนไขแจ้งเตือนให้เหมาะกับหน้างาน แล้วค่อยขยาย จำนวนที่เหมาะสมประเมินในขั้นตอน Discovery

ทีมช่างรับการแจ้งเตือนผ่านช่องทางใด

รับได้ผ่านอีเมล ช่องทางแชทภายใน หรือการแจ้งเตือนในระบบ ตามช่องทางที่องค์กรใช้อยู่

ต้องมีข้อมูลย้อนหลังนานแค่ไหน

การเฝ้าระวังและแจ้งเตือนเริ่มได้เมื่อเชื่อมข้อมูลแล้ว ส่วนการวิเคราะห์รูปแบบหรือการคาดการณ์ต้องอาศัยข้อมูลย้อนหลังที่เพียงพอ ซึ่งประเมินร่วมกันในขั้นตอน Discovery

รายงานประจำกะดึงข้อมูลจากที่ใด

ดึงจากแหล่งข้อมูลที่เชื่อมไว้ เช่น ระบบ Monitoring ฐานข้อมูล และระบบเดิมผ่าน REST API รูปแบบรายงานกำหนดร่วมกับทีมหน้างานในขั้นตอน Design

คุยกับทีมงานเรื่องโซลูชันสำหรับ Manufacturing