Industry 4.0 Archives - Page 18 of 20 - บริษัท ฮันนี่คอร์ปอเรชั่น จำกัด

May202026 by contentNo Comments

Pick-and-Place Machine และ SMT Automation: ระบบอัตโนมัติความแม่นยำสูงในอุตสาหกรรมอิเล็กทรอนิกส์

Article

Pick-and-Place Machine คืออะไร? หัวใจของสายการผลิตอิเล็กทรอนิกส์ Pick-and-Place Machine หรือเครื่องจับวางอัตโนมัติ เป็นอุปกรณ์หลักในสายการผลิต SMT (Surface Mount Technology) ที่ทำหน้าที่จับ Component อิเล็กทรอนิกส์ขนาดเล็กจาก Tape/Tray แล้ววางลงบน PCB (Printed Circuit Board) ด้วยความแม่นยำระดับไมครอน เครื่องรุ่น High-Speed สามารถวาง Component ได้มากกว่า 100,000 CPH (Components Per Hour) ทำให้เป็นเครื่องจักรที่สำคัญที่สุดใน Electronics Manufacturing สถาปัตยกรรมและกลไกการทำงาน 1. Feeder System ระบบป้อน Component แบ่งเป็น 3 ประเภทหลัก: Tape Feeder: สำหรับ Component ขนาดเล็ก (0402, 0201) ห่อใน Tape ม้วน 8 mm – 56 mm มาตรฐาน EIA-481 Tray Feeder: สำหรับ IC ขนาดใหญ่ เช่น BGA, QFP ที่วางใน JEDEC Tray Stick Feeder: สำหรับ Component ทรงกระบอก เช่น Electrolytic Capacitor 2. Vision Alignment System ระบบกล้องความละเอียดสูง (≥5 Megapixel) ตรวจจับตำแหน่งและมุมของ Component ก่อนวาง มี Downward Camera สำหรับดู Component และ Upward Camera สำหรับดู PCB Landmark ความแม่นยำในการวางอยู่ที่ ±25 μm (0.025 mm) สำหรับเครื่องระดับ High-Accuracy 3. Placement Head และ Nozzle Placement Head คือแขนกลที่จับ Component ด้วย Vacuum Nozzle มีทั้งแบบ Single-Nozzle (สำหรับ Component ขนาดใหญ่) และ Multi-Nozzle Rotary Head (Gang…

May192026 by contentNo Comments

Master Data Management (MDM) สำหรับอุตสาหกรรม: รากฐานข้อมูลแม่นยำสู่ Smart Factory

Article

Master Data Management (MDM) สำหรับอุตสาหกรรม: รากฐานข้อมูลแม่นยำที่ขับเคลื่อน Smart Factory หนึ่งในความท้าทายที่ซ่อนอยู่เบื้องหลังความล้มเหลวของโปรเจกต์ Digital Transformation ในโรงงานอุตสาหกรรมคือ “ข้อมูลที่ไม่สอดคล้องกัน” (Inconsistent Data) ตัวอย่างเช่น Material Code ของวัตถุดิบตัวเดียวกันมีชื่อต่างกันใน ERP (MAT-001), MES (RM-RAW-001) และ LIMS (SAMPLE_A1) ทำให้ระบบไม่สามารถเชื่อมโยงข้อมูลข้ามระบบได้ Master Data Management (MDM) คือวิธีการแก้ปัญหานี้โดยสร้าง “Single Source of Truth” หรือแหล่งข้อมูลหลักเพียงแหล่งเดียวที่ทุกระบบยอมรับร่วมกัน ในบริบท Smart Factory ที่ MES, SCADA, ERP, PLM (Product Lifecycle Management) และ IoT Platform ต้องแลกเปลี่ยนข้อมูลกันตลอดเวลา MDM ทำหน้าที่เป็น “Golden Record” — ข้อมูลหลักที่ถูกต้อง สมบูรณ์ และเป็นปัจจุบันที่สุด — ที่ทุกระบบต้องอ้างอิง Master Data ในโรงงานมีอะไรบ้าง? Master Data ในบริบทอุตสาหกรรมแบ่งเป็น 4 กลุ่มหลัก: Product Data: Bill of Material (BOM), Specification, Drawing Number, Revision, Material Code Asset Data: Equipment ID, Machine Model, Location, Maintenance Schedule, Spare Part List Supplier/Customer Data: Vendor Code, Customer ID, Contact, Certification Status Process Data: Operation Step, Routing, Standard Parameter (Temperature, Pressure, Speed), Quality Specification ปัญหาที่เกิดขึ้นเมื่อไม่มี MDM ในโรงงาน ปัญหา ตัวอย่างในโรงงาน ผลกระทบ Duplicate Data Equipment เครื่องเดียวกันถูกลงทะเบียน 3 รหัสใน 3 ระบบ OEE…

May192026 by contentNo Comments

TinyML สำหรับอุปกรณ์ IoT: เมื่อ Machine Learning วิ่งบนไมโครคอนโทรลเลอร์ขนาดเพียงหลายสิบ KB

Article

TinyML คืออะไร? เมื่อ AI ลงไปอยู่บนไมโครคอนโทรลเลอร์ TinyML หรือ Tiny Machine Learning คือการนำโมเดล Machine Learning มาทำงานบนไมโครคอนโทรลเลอร์ขนาดเล็ก (Microcontroller Unit หรือ MCU) ที่มี RAM เพียง 32-512 KB และ Flash Memory ไม่เกิน 2 MB ต่างจาก AI แบบดั้งเดิมที่ต้องพึ่ง Cloud Server ด้วยกำลังประมวลผลหลาย TFLOPS TinyML ทำให้อุปกรณ์ IoT ราคาประหยัดสามารถ “คิดเองได้” โดยไม่ต้องเชื่อมต่อ Internet ในบริบทของโรงงานอุตสาหกรรม TinyML เปิดโอกาสให้ Sensor Node แต่ละจุดสามารถวิเคราะห์ข้อมูลได้แบบ Real-time ที่ตำแหน่งที่ตั้งจริง (Edge Inference) ลด Latency จากหลายร้อยมิลลิวินาที (ส่งขึ้น Cloud แล้วรอผล) เหลือเพียง 1-10 มิลลิวินาที ซึ่งเป็นความแตกต่างที่สำคัญต่อการตัดสินใจเชิงควบคุม สถาปัตยกรรม TinyML สำหรับ Industrial IoT ระบบ TinyML แบ่งเป็น 3 ชั้นหลัก: ชั้นฝึกอบรม (Training Phase): ฝึกโมเดลบน Cloud หรือเวิร์กสเตชันด้วย Dataset ขนาดใหญ่ ใช้เทคนิค Quantization และ Pruning ลดขนาดโมเดลให้พอดีกับ MCU ชั้นแปลงโมเดล (Model Optimization): ใช้ ML Framework สำหรับ Microcontrollers (เช่น TFLM, MCUNet) แปลงโมเดลจาก float32 เป็น int8 ลดขนาดลง 4 เท่าโดย Accuracy ลดลงไม่เกิน 2-3% ชั้นอนุมาน (Inference on Device): รันโมเดลบน MCU โดยตรง ตัวอย่างเช่น MCU ระดับ Cortex-M7 ที่มี RAM 1MB สามารถรัน CNN สำหรับ Anomaly Detection ที่ 50 MHz…

May192026 by contentNo Comments

Data Lake สำหรับโรงงานอุตสาหกรรม: จาก Data Silo สู่ Data-Driven Factory

Article

Data Lake สำหรับโรงงานอุตสาหกรรม: จาก Data Silo สู่ Data-Driven Factory ในโรงงานอุตสาหกรรมยุคใหม่ ข้อมูลถูกสร้างขึ้นจากหลากหลายแหล่ง — SCADA, PLC, Sensor IoT, MES, ERP, LIMS (Laboratory Information Management System) และอีกมากมาย ปัญหาคือข้อมูลเหล่านี้มักกระจัดกระจายอยู่ใน “Data Silo” แยกกัน ทำให้วิเคราะห์ข้ามระบบไม่ได้ Data Lake เป็นแนวทางสถาปัตยกรรมที่แก้ปัญหานี้โดยรวบรวมข้อมูลทุกประเภทไว้ในที่เดียว ทั้ง Structured, Semi-structured และ Unstructured ต่างจาก Data Warehouse ที่ต้องกำหนด Schema ล่วงหน้า (Schema-on-Write) Data Lake ใช้หลักการ Schema-on-Read คือเก็บข้อมูลดิบ (Raw Data) ก่อน แล้วค่อยกำหนดโครงสร้างตอนอ่านมาวิเคราะห์ ทำให้รองรับข้อมูลได้หลากหลายกว่าและเพิ่ม Source ใหม่ได้ง่ายกว่า สถาปัตยกรรม Data Lake สำหรับโรงงาน (Industrial Data Lake) Industrial Data Lake มีโครงสร้าง 4 ชั้นหลัก: Ingestion Layer: รับข้อมูลจากทุกแหล่ง — MQTT Broker (Sensor Data), OPC UA (PLC/SCADA), Database Connector (ERP/MES), File Upload (CAD, Report PDF) รองรับทั้ง Batch และ Real-time Streaming Storage Layer: เก็บข้อมูลใน Object Storage หรือ Hadoop Distributed File System (HDFS) แบ่งเป็น 3 Zone: Raw Zone (Bronze), Cleansed Zone (Silver), Curated Zone (Gold) Processing Layer: ใช้ Apache Spark หรือ Apache Flink ประมวลผลข้อมูลทั้ง Batch และ Stream ทำ ETL/ELT,…

May172026 by contentNo Comments

Green Manufacturing: ยกระดับโรงงานสู่การผลิตสีเขียวด้วยเทคโนโลยี IoT และ Automation

Article

Green Manufacturing: ยกระดับโรงงานสู่การผลิตสีเขียวด้วยเทคโนโลยี IoT และ Automation ในยุคที่ Climate Change กลายเป็นประเด็นระดับโลก อุตสาหกรรมการผลิตซึ่งมีสัดส่วนการปล่อยก๊าซเรือนกระจกประมาณ 21% ของทั้งโลก (ตามข้อมูล IEA 2025) จำเป็นต้องเปลี่ยนผ่านสู่ Green Manufacturing อย่างหลีกเลี่ยงไม่ได้ แต่ Green Manufacturing ไม่ใช่แค่การลดการปล่อยก๊าซ ทว่าเป็นการปรับโครงสร้างกระบวนการผลิตทั้งระบบด้วยเทคโนโลยี IoT, AI และ Automation Green Manufacturing คืออะไร? ต่างจาก Greenwashing อย่างไร? Green Manufacturing คือแนวทางการผลิตที่ลดผลกระทบต่อสิ่งแวดล้อมอย่างเป็นระบบ ตั้งแต่การเลือกวัตถุดิบ กระบวนการผลิต การจัดการของเสีย ไปจนถึงการขนส่ง โดยอาศัย ข้อมูลเชิงลึก (Data-Driven) ในการตัดสินใจ ไม่ใช่แค่ปลูกต้นไม้หน้าโรงงานแล้วถ่ายรูปลง Social Media ความแตกต่างสำคัญคือ Green Manufacturing ต้องมี ตัวเลขที่วัดได้ (Measurable Metrics) ซึ่งต้องอาศัยระบบ IoT Monitoring ที่ติดตามข้อมูลแบบ Real-Time เสาหลัก 5 ด้านของ Green Manufacturing เสาหลัก เป้าหมาย เทคโนโลยีหลัก KPI ตัวอย่าง Energy Efficiency ลดการใช้พลังงานต่อหน่วยผลิต IoT Energy Meter, Smart Grid, VFD kWh/Unit ลด ≥15% Waste Minimization ลดของเสียและเพิ่ม Recycle Rate AI Quality Inspection, SPC, Digital Tracking Scrap Rate <2% Water Management ลดการใช้น้ำและเพิ่ม Water Reuse Flow Meter, pH Sensor, Water Treatment IoT Water Reuse ≥60% Emission Control ลด GHG Emission ทุก Scope Gas Analyzer, Stack Monitoring, Carbon Accounting Scope 1+2 ลด ≥20% Circular…

May122026 by contentNo Comments

Computer Vision ใน Quality Control: AI ตรวจสอบคุณภาพสินค้าแม่นยำกว่าดวงตามนุษย์ 10 เท่า

Article

Computer Vision กำลังเปลี่ยนหน้าการตรวจสอบคุณภาพในโรงงาน ในอดีต การตรวจสอบคุณภาพ (Quality Control) ในโรงงานอุตสาหกรรมพึ่งพา ดวงตามนุษย์ เป็นหลัก ช่าง QC นั่งตรวจสินค้าทีละชิ้นบนสายพาน ซึ่งมีข้อจำกัดชัดเจน: ความเหนื่อยล้าจากการทำงานซ้ำๆ, ความแม่นยำลดลงหลัง 2-3 ชั่วโมง, และอัตราพลาด (False Negative) สูงถึง 20-30% ตามงานวิจัยจาก ASQ (American Society for Quality) Computer Vision (CV) ด้วยเทคโนโลยี Deep Learning กำลังเข้ามาแทนที่กระบวนการนี้ — ด้วยอัตราตรวจจับข้อบกพร่อง (Defect Detection) สูงถึง 99.5% และความเร็วในการตรวจที่ 100-1,000 ชิ้น/นาที ขึ้นอยู่กับประเภทสินค้า เทคโนโลยีหลักที่อยู่เบื้องหลัง AI Quality Control Convolutional Neural Network (CNN) สถาปัตยกรรม CNN เป็นหัวใจหลักของ Computer Vision สำหรับ Quality Control โดยเฉพาะโมเดลตระกูล: ResNet-50/101: สำหรับจำแนกประเภทข้อบกพร่อง (Classification) — เช่น รอยร้าว, รอยขีดข่วน, สีผิดเพี้ยน YOLOv8/v9: สำหรับ Object Detection แบบ Real-time — สามารถตรวจจับตำแหน่งข้อบกพร่องพร้อมกันหลายจุดในภาพเดียว U-Net / Mask R-CNN: สำหรับ Semantic Segmentation — ระบุขอบเขตข้อบกพร่องแบบ Pixel-level Vision Transformer (ViT): โมเดลยุคใหม่ที่ให้ความแม่นยำสูงขึ้น โดยเฉพาะกับข้อบกพร่องที่ซับซ้อน ฮาร์ดแวร์ที่จำเป็น ระบบ Computer Vision QC ที่สมบูรณ์ต้องประกอบด้วย: Industrial Camera: Area Scan (2-45 MP) สำหรับชิ้นงานนิ่ง หรือ Line Scan สำหรับสายพานเคลื่อนที่ต่อเนื่อง Lighting System: Backlight, Ring Light, Dome Light, Structured Light ขึ้นอยู่กับประเภทของข้อบกพร่องที่ต้องการตรวจจับ Edge GPU: NVIDIA Jetson AGX Orin (275 TOPS) สำหรับ…

May122026 by contentNo Comments

Federated Learning ในอุตสาหกรรม: AI แบบไม่ต้องส่งข้อมูลออกนอกโรงงาน

Article

Federated Learning คืออะไร? และทำไมโรงงานถึงต้องรู้? หนึ่งในความท้าทายที่ใหญ่ที่สุดในการนำ AI มาใช้ในโรงงานอุตสาหกรรมคือ "ไม่อยากส่งข้อมูลออกนอกโรงงาน" — ไม่ว่าจะเป็นข้อมูลการผลิต, สูตรการผลิต, พารามิเตอร์เครื่องจักร, หรือข้อมูลลูกค้า ล้วนเป็นความลับทางการค้า (Trade Secret) ที่ไม่ควรส่งไปยัง Cloud ของผู้ให้บริการ AI Federated Learning (FL) คือเทคนิค Machine Learning ที่อนุญาตให้ ฝึกโมเดล AI โดยไม่ต้องย้ายข้อมูลออกจากแหล่งกำเนิด — โรงงานแต่ละแห่งฝึกโมเดลจากข้อมูลของตัวเอง แล้วส่งเฉพาะ "น้ำหนักของโมเดล" (Model Weights/Gradients) ไปรวมกันที่ Central Server ทำให้ได้โมเดลที่แม่นยำกว่า โดยข้อมูลดิบไม่เคยออกจากโรงงาน 💡 Analogy: ลองจินตนาการว่าแต่ละโรงงานคือ "นักเรียน" ที่เรียนหนังสือจากหนังสือของตัวเอง (ข้อมูล) แล้วส่งเฉพาะ "สรุปความรู้" (Model Weights) ไปให้ครู (Central Server) รวมสรุปจากทุกคนเป็น "ความรู้ร่วม" — โดยไม่มีใครเห็นหนังสือของใคร ทำไม Federated Learning ถึงสำคัญสำหรับอุตสาหกรรม? 1. ปกป้องข้อมูลลับทางการค้า โรงงานผลิตชิ้นส่วนยานยนต์, อิเล็กทรอนิกส์, หรืออาหาร — ข้อมูลสูตรการผลิต, พารามิเตอร์เครื่องจักร, อัตราการผลิต ล้วนเป็นความลับทางการคารที่เสียหายได้หลายล้านบาทหากรั่วไหว FL ช่วยให้ฝึก AI โดย ข้อมูลดิบไม่เคยออกจากโรงงาน 2. ละเว้นข้อกังวลด้าน GDPR / PDPA กฎหมายคุ้มครองข้อมูลส่วนบุคคล (GDPR ในยุโรป, PDPA ในไทย) จำกัดการส่งข้อมูลข้ามพรมแดน FL ช่วยให้ ข้อมูลยังอยู่ในประเทศ โดยส่งเฉพาะ Model Updates เท่านั้น 3. รวมความรู้จากหลายโรงงาน บริษัทที่มีโรงงานหลายแห่ง หรือกลุ่มอุตสาหกรรมที่ต้องการร่วมมือกัน — สามารถฝึกโมเดล AI ร่วมกันได้ โดยข้อมูลของแต่ละโรงงาน ไม่ถูกแบ่งปันกัน 4. ใช้ประโยชน์จาก Edge Computing FL ทำงานได้ดีบน Edge Device — สามารถฝึกโมเดลบน Edge GPU ที่วางอยู่ในโรงงานโดยตรง ลด Latency และลดความจำเป็นในการเชื่อมต่อ Internet ตลอดเวลา ตารางเปรียบเทียบ: Centralized ML vs Federated Learning ประเภท…

May102026 by contentNo Comments

Augmented Reality (AR) สำหรับ Maintenance & Repair: เทคโนโลยีที่เพิ่มประสิทธิภาพช่างซ่อมบำรุงโรงงาน

Article

ทำไม AR ถึงกลายเป็นเทคโนโลยีที่ช่างซ่อมบำรุงโรงงานต้องมี ในยุคที่โรงงานอุตสาหกรรมมีเครื่องจักรที่ซับซ้อนมากขึ้น การซ่อมบำรุง (Maintenance & Repair) ไม่ใช่แค่เรื่องของประสบการณ์อีกต่อไป แต่เป็นเรื่องของ ความแม่นยำและความเร็ว การหยุดเครื่องจักร (Downtime) แม้เพียง 1 ชั่วโมง อาจสร้างความเสียหายหลายแสนถึงหลายล้านบาท ขึ้นอยู่กับขนาดของโรงงาน Augmented Reality (AR) คือเทคโนโลยีที่วางซ้อนข้อมูลดิจิทัล (Digital Overlay) บนโลกความเจริงผ่าน Smart Glasses, Tablet หรือ Smartphone ช่วยให้ช่างเห็นข้อมูลสำคัญ เช่น ขั้นตอนการซ่อม, ค่าพารามิเตอร์, หรือตำแหน่งของส่วนประกอบ ได้ทันทีในมุมมองจริง ประเภทของ AR ในงาน Industrial Maintenance 1. Step-by-Step Guided Repair ระบบ AR แสดงขั้นตอนการซ่อมทีละขั้นตอน โดยวางซ้อนลูกศร, วงกลม หรือข้อความแนะนำบนเครื่องจักรจริง เช่น บอกให้ถอดสกรูตัวไหนก่อน, ใช้แรงบิดเท่าไร, หรือตรวจสอบจุดไหนบ้าง 2. Remote Expert Assistance เมื่อช่างในสนามเจอปัญหาที่ซับซ้อน ผู้เชี่ยวชาญที่อยู่ห่างไกลสามารถเห็นภาพจากกล้องของช่าง และ วาด Annotation หรือลูกศร ลงบนหน้าจอ ซึ่งจะปรากฏบนแว่น AR ของช่างในเวลาจริง ลดเวลาการเดินทางของผู้เชี่ยวชาญได้มากกว่า 70% 3. Digital Twin Overlay ซ้อนข้อมูลจาก Digital Twin (แบบจำลองดิจิทัล) บนเครื่องจักรจริง เช่น แสดงอุณหภูมิของแต่ละส่วน, แรงดัน, ความสั่นสะเทือน ผ่านสีที่วางซ้อนบนเครื่องจักร ช่วยให้เห็นจุดผิดปกติได้ทันทีโดยไม่ต้องดู Dashboard 4. Training & Onboarding ใช้ AR ฝึกช่างใหม่ให้เรียนรู้ขั้นตอนการซ่อมแบบ Hands-on โดยไม่เสี่ยงต่อความปลอดภัย ลดเวลา Training จาก 6-12 เดือน เหลือ 2-4 เดือน Hardware ยอดนิยมสำหรับ Industrial AR อุปกรณ์ประเภทจุดเด่นราคาโดยประมาณ Microsoft HoloLens 2Smart GlassesFull holographic, Hand tracking, 6DoF$3,500 RealWear Navigator 520Head-mounted Displayเบา 340g, Voice control, ATEX certified$1,099 Apple Vision ProMixed RealitySpatial…

May72026 by contentNo Comments

IEC 62443: มาตรฐานความปลอดภัย OT ที่วิศวกรระบบควบคุมต้องรู้

Article

IEC 62443 คืออะไร? ทำไมโรงงานอุตสาหกรรมถึงต้องใส่ใจ ในยุคที่ระบบ OT (Operational Technology) ถูกเชื่อมต่อเข้าสู่เครือข่าย IT มากขึ้นเรื่อยๆ ความเสี่ยงด้านความปลอดภัยทางไซเบอร์ก็สูงขึ้นตามไปด้วย IEC 62443 คือชุดมาตรฐานสากลที่ออกแบบมาเพื่อปกป้องระบบควบคุมอุตสาหกรรม (Industrial Automation and Control Systems - IACS) โดยเฉพาะ ไม่ใช่แค่แนวทางทั่วไป แต่เป็น framework ที่มีโครงสร้างชัดเจน สามารถนำไป implement ได้จริงในโรงงาน มาตรฐานนี้พัฒนาโดย ISA99 Committee และถูกนำไปรับรองโดย IEC (International Electrotechnical Commission) ทำให้ได้รับการยอมรับในระดับสากล ปัจจุบันหลายประเทศในยุโรปและอเมริกาเหนือเริ่มบังคับใช้ในอุตสาหกรรมที่สำคัญ เช่น พลังงาน น้ำ และยานยนต์ โครงสร้าง IEC 62443: 4 ส่วนหลักที่ต้องรู้ มาตรฐาน IEC 62443 แบ่งออกเป็น 4 ส่วนหลัก แต่ละส่วนมีหน้าที่แตกต่างกัน: ส่วน หมวด เนื้อหาหลัก กลุ่มเป้าหมาย ส่วน 1 General แนวคิด คำศัพท์ โมเดล และแนวทางทั่วไป ทุกคนที่เกี่ยวข้อง ส่วน 2 Policy & Procedure โปรแกรมบริหารความปลอดภัยสำหรับ IACS Management, Asset Owner ส่วน 3 System ข้อกำหนดทางเทคนิคสำหรับระบบ (Security Levels, Zones) System Integrator, Engineer ส่วน 4 Component ข้อกำหนดสำหรับอุปกรณ์และ component แต่ละตัว Vendor, Manufacturer Security Level (SL): 4 ระดับความปลอดภัย แกนกลางของ IEC 62443 คือ Security Level (SL) ที่จัดแบ่งระดับความปลอดภัยเป็น 4 ระดับ: SL 1 — Casual/Accidental: ป้องกันการโจมตีแบบไม่ได้ตั้งใจหรือสุ่ม เช่น พนักงานเข้าผิดระบบ เหมาะสำหรับกระบวนการที่ไม่วิกฤต SL 2 — Simple Intent: ป้องกันผู้โจมตีที่มีทักษะต่ำ ใช้เครื่องมือพื้นฐาน เช่น สแกนพอร์ต หรือ brute-force…

May72026 by contentNo Comments

Network Segmentation สำหรับโรงงานอุตสาหกรรม: แยก IT-OT อย่างไรให้ปลอดภัย

Article

ทำไม Network Segmentation ถึงสำคัญสำหรับโรงงานอุตสาหกรรม ในอดีต ระบบ OT (Operational Technology) ทำงานแยกจากระบบ IT โดยสมบูรณ์ — ไม่มีการเชื่อมต่อ ไม่มีช่องทางเข้าจากภายนอก ความปลอดภัยขึ้นอยู่กับ "Air Gap" แต่ในยุค Industry 4.0 ที่ทุกอย่างต้องเชื่อมต่อกัน ไม่ว่าจะเป็น SCADA ส่งข้อมูลไป Cloud, ERP ดึง OEE จาก MES หรือวิศวกร Remote Access เข้าไปแก้ไข PLC — Air Gap ก็ไม่มีอีกต่อไปแล้ว Network Segmentation คือการแบ่งเครือข่ายออกเป็นส่วนๆ (Segment) แยกจากกันด้วย Firewall หรือ Security Gateway เพื่อจำกัดการกระจายของการโจมตี หาก Segment หนึ่งถูกบุก ผู้โจมตีจะไม่สามารถเคลื่อนย้ายไปยัง Segment อื่นได้ง่าย ⚡ ตัวอย่างจริง: เหตุการณ์ WannaCry (2017) ทำให้ Nissan ต้องหยุดผลิตที่โรงงานในสหราชอาณาจักร หากมี Network Segmentation ที่ดีพอ มัลแวร์จะไม่สามารถแพร่จากเครือข่ายออฟฟิศไปยังระบบควบคุมการผลิตได้ Purdue Model: โมเดลมาตรฐานสำหรับ Industrial Network Purdue Enterprise Reference Architecture (PERA) เป็นโมเดลที่ใช้กันทั่วไปในการออกแบบเครือข่ายโรงงาน แบ่งเป็น Layers ดังนี้: Layer ชื่อ อุปกรณ์/ระบบ ตัวอย่าง Level 5 Enterprise Network ERP, Email, Web SAP, Office 365 Level 4 Site Business Planning MES, CMMS Wonderware MES, SAP MII Level 3 Site Operations SCADA, HMI, Historian WinCC, Ignition, OSIsoft PI Level 2 Supervisory Control HMI, Engineering WS Panel PC, TIA Portal…