Case Study: ใช้ Digital Twin วิเคราะห์คอขวดและจัดสมดุลสายการผลิต เพิ่ม Throughput 18% โดยไม่ต้องติดตั้งเครื่องจักรเพิ่ม

สายการผลิตบรรจุภัณฑ์แห่งหนึ่งผลิตชิ้นงานได้เพียง 8,200 ชิ้นต่อกะ ทั้งที่เป้าหมายคือ 9,500 ชิ้น ผู้จัดการโรงงานเชื่อว่าปัญหาคือเครื่องจักรที่เก่าและช้า และวางแผนจะขออนุมัติซื้อเครื่องจักรใหม่ แต่ก่อนตัดสินใจครั้งใหญ่ ทีมวิศวกรเสนอให้สร้าง Digital Twin ของสายการผลิบทั้งสาย แล้วรันการจำลองเพื่อหาคำตอบว่าคอขวด (Bottleneck) อยู่ที่ใดจริงๆ ผลที่ได้คือบทเรียนที่เปลี่ยนวิธีคิดของทั้งโรงงาน

ปัญหา: Throughput ต่ำกว่าเป้า 15% แต่หาสาเหตุไม่เจอ

สายการผลิตแห่งนี้มีสถานี (Station) หลัก 6 ด่าน ได้แก่ การขึ้นรูป (Forming), การบรรจุ (Filling), การปิดผนึก (Sealing), การติดฉลาก (Labeling), การตรวจสอบด้วยกล้อง (Vision Inspection) และการพลีเบคกิ้ง (Palletizing) เมื่อดูจากสเปกเครื่องจักรแต่ละสถานี ทุกเครื่องสามารถผลิตได้มากกว่า 10,000 ชิ้นต่อกะ ทำให้ไม่มีใครสามารถชี้ได้ว่าคอขวดอยู่ที่เครื่องจักรใด

ปัญหาจริงคือทุกคนดูแค่ อัตราการผลิตตามสเปก (Nameplate Capacity) แต่ละเครื่องแยกกัน โดยไม่ได้คำนึงถึง ความแปรผัน ที่เกิดขึ้นจริง เช่น เวลาที่ชิ้นงานไหลระหว่างสถานี, เวลาที่เครื่องจักรหยุดเพื่อเติมวัตถุดิบ, และการสะสมของชิ้นงานค้างระหว่างสถานี (WIP Buffer) เป็นตัวแปรที่สเปกเครื่องจักรไม่ได้บอก

แนวทางแก้ไข: สร้าง Digital Twin และรัน Discrete Event Simulation

ทีมวิศวกรเริ่มจากการติดตั้งเซ็นเซอร์นับชิ้นงานและจับเวลาที่แต่ละสถานี ทำงานสำเร็จ 1 ชิ้น รวบรวมข้อมูลต่อเนื่อง 14 วัน เพื่อสร้างการแจกแจงความน่าจะเป็น (Probability Distribution) ของเวลาทำงานจริงของแต่ละสถานี แทนที่จะใช้ค่าเฉลี่ยจากสเปก จากนั้นสร้างแบบจำลอง Digital Twin ด้วยเทคนิค Discrete Event Simulation (DES) ที่จำลองการไหลของชิ้นงานผ่านสถานีทั้ง 6 ตามลำดับเวลาจริง

ข้อมูลสำคัญที่ค้นพบ: เวลาทำงานจริงของสถานี Sealing ไม่ใช่ค่าคงที่ 4.0 วินาทีตามสเปก แต่เป็นการแจกแจงแบบ Triangular ที่ Min = 3.8, Mode = 4.2, Max = 6.5 วินาที — เพราะเครื่องจักรต้องหยุดทุก 50 ชิ้นเพื่อเติมฟิล์มปิดผนึก

ผลลัพธ์: พบคอขวดที่ไม่มีใครคาดถึง

เมื่อรัน DES จำลอง 5,000 รอบ ผลลัพธ์เผยให้เห็นว่าคอขวดที่แท้จริงไม่ใช่สถานีที่ช้าที่สุดตามสเปก แต่คือ สถานี Vision Inspection ที่ดูสเปกแล้วเร็วสุด (2.5 วินาที/ชิ้น) เหตุผลคือเมื่อสถานี Sealing ส่งชิ้นงานมาเป็นจังหวะกระตุกเนื่องจากการหยุดเติมฟิล์ม ชิ้นงานจะสะสมใน Buffer ระหว่างสถานี จากนั้นไหลเข้าสถานี Vision Inspection เป็นกลุ่มใหญ่ ทำให้กล้องตรวจสอบต้องปฏิเสธชิ้นงานที่เข้ามาเกินความจุ และระบบส่งชิ้นงานกลับไปตรวจซ้ำ สร้างวงจรที่กัดกินเวลาการผลิตไปอีกมาก

ทีมวิศวกรจึงรัน What-If Analysis หลายสถานการณ์เพื่อหาแนวทางแก้ไขที่ดีที่สุด:

ผลลัพธ์น่าประหลาดใจ: การซื้อเครื่องจักรใหม่ (สถานการณ์ B) เพิ่ม Throughput เพียง 3% เพราะคอขวดจริงไม่ได้อยู่ที่สถานี Sealing ในขณะที่การปรับสมดุลสายการผลิต (Line Balancing) โดยการจัดการ Buffer และลำดับคิว (สถานการณ์ C) ทำให้ Throughput พุ่งขึ้น 18% — โดยไม่ต้องซื้อเครื่องจักรเครื่องใหม่เลย

Honey Connection: จากการจำลองสู่การปรับปรุงจริง

กรณีศึกษานี้สะท้อนถึงแนวทางการทำงานของ Honey Corporation ที่เชื่อในการแก้ปัญหาด้วยข้อมูลก่อนลงทุน ทีมงานของเรามีประสบการณ์ในการติดตั้งระบบ IoT Monitoring เพื่อเก็บข้อมูลจริงจากเครื่องจักร และนำข้อมูลเหล่านั้นมาสร้างแบบจำลอง Digital Twin ที่สมจริง เช่นเดียวกับงานที่ Honey Corporation เคยติดตั้งระบบมอนิเตอริ่งสำหรับตู้แช่และระบบทำความเย็นในอุตสาหกรรม ที่ต้องวิเคราะห์จังหวะการทำงานและคอขวดของระบบอย่างละเอียด ก่อนที่จะแนะนำการปรับแก้ที่คุ้มค่าที่สุด