Predictive Maintenance Archives - บริษัท ฮันนี่คอร์ปอเรชั่น จำกัด

Sep142026 by contentNo Comments

บทวิเคราะห์ Motor Current Signature Analysis (MCSA): เมื่อมอเตอร์คือเซ็นเซอร์ของตัวเอง — Pole Pass Frequency และ Sideband dB

Article

บทวิเคราะห์: ทำไมสัญญาณที่ "พร้อมใช้" ที่สุดในโรงงาน กลับถูกมองข้ามมานานที่สุด ในโลกของ Condition Monitoring เราคุ้นเคยกับการติดเซ็นเซอร์วัดการสั่นสะเทือนบนตัวมอเตอร์ ติดเทอร์มอคัปเปิลวัดอุณหภูมิ หรือส่งน้ำมันเข้าห้องแล็บ แต่มีสัญญาณหนึ่งที่พร้อมใช้งานอยู่แล้วในทุกมอเตอร์ไฟฟ้า โดยไม่ต้องติดอะไรเพิ่มเลย — กระแสไฟฟ้าที่ไหลเข้าสู่ขดลวดสเตเตอร์ นี่คือจุดเริ่มต้นของเทคนิคที่ชื่อว่า Motor Current Signature Analysis (MCSA) หลักการง่ายๆ คือแรงบิดของมอเตอร์เหนี่ยวนำสัมพันธ์โดยตรงกับกระแสโรเตอร์ เมื่อชิ้นส่วนกลไกภายในเริ่มผิดปกติ ไม่ว่าจะเป็นแท่งนำของโรเตอร์หลุด ความไม่สมดุลของช่องอากาศ (Airgap Eccentricity) หรือแม้แต่โหลดกลไกที่กระตุก เฟร์ชชูเรชันของความเร็วรอบนั้นจะถูกสะท้อนกลับมาปรากฏเป็น Sideband รอบๆ ความถี่ไฟฟ้าในสเปกตรัมของกระแส นั่นคือเหตุผลที่นักวิเคราะห์บอกว่า "มอเตอร์คือเซ็นเซอร์ของตัวเอง" ขดลวดสเตเตอร์ — จุดที่สัญญาณกลไกทั้งหมดของมอเตอร์และโหลดถูก "มอดูเลต" ลงบนกระแสไฟฟ้า กลายเป็นข้อมูลวินิจฉัยที่เข้าถึงได้จากหน้าปัดเดียว | ภาพ: public domain คณิตศาสตร์ที่โรงงานควรรู้: Pole Pass Frequency สูตรสำคัญที่สุดของ MCSA คือการหา Pole Pass Frequency (PPF) ซึ่งกำหนดโดย: Slip (s) = (Ns - Nr) / Ns # Ns = synchronous speed, Nr = rated speed PPF = Slip × P × f_line # P = number of pole pairs Sideband = f_line ± n x PPF # n = 1, 2, 3, ... ตัวอย่างเชิงตัวเลข: มอเตอร์ 4 โพล (2 pole pairs) ความถี่ไฟฟ้า 50 Hz ความเร็วพร้อมนามมาตรฐาน 1,470 rpm จะมี Synchronous Speed 1,500 rpm คำนวณ Slip = 2% ดังนั้น PPF = 0.02 × 2…

Sep142026 by contentNo Comments

Case Study: Oil Analysis กับระบบไฮดรอลิคที่ ISO 4406 เกินเกณฑ์ — จาก 21/19/16 สู่ 17/15/12 ใน 6 เดือน

Article

บทนำ: เมื่อ "เดือนดาว" เริ่มจากขวดน้ำมันเพียงขวดเดียว โรงงานผลิตชิ้นส่วนยนต์แห่งหนึ่งใน ระยะคุมภัย 1 ปี พบว่าเครื่องจักรไฮดรอลิคหยุดกะทันหันบ่อยครั้งขึ้นเรื่อยๆ จนกระทั่งช่างเทคนิคเริ่มชินกับคำว่า "อีกแล้ว" ทุกครั้งที่ไฟสัญญาณเตือนเครื่องตัดกำลังบนเครื่อง Press ขนาดใหญ่กะพริบ ฝ่ายบำรุงรักษาใช้แนวทาง Run-to-Failure มาตลอด เพราะ "เครื่องอื่นก็เป็นแบบนี้" และการหยุดเพื่อตรวจสภาพถือเป็นการรบกวนสายการผลิต จุดเปลี่ยนมาถึงเมื่อทีมวิศวกรเสนอแผนนำร่องที่แทบไม่ต้องลงทุนอะไรเลย: เก็บตัวอย่างน้ำมันส่งตรวจแล็บ ตามรอบเวลาที่กำหนด และติดตามผลเป็นตัวเลข ไม่ใช่ความรู้สึก ห้องแล็บวิเคราะห์น้ำมันอุตสาหกรรม — ผลวิเคราะห์จากที่นี่คือ "ผลตรวจเลือด" ของเครื่องจักร ที่บอกทั้งสุขภาพน้ำมันและสุขภาพชิ้นส่วนภายใน | ภาพ: U.S. Army, public domain ปัญหา: ทำไมการเปลี่ยนน้ำมันตามเวลาจึงไม่พอ โรงงานส่วนใหญ่เปลี่ยนน้ำมันตามรอบเวลา (Time-Based) เช่น ทุก 4,000 ชั่วโมงการทำงาน ซึ่งเป็นวิธีที่ง่ายและถูกต้องตามคู่มือ แต่มีข้อจำกัดสองด้าน ด้านแรกคือน้ำมันที่ยังใช้งานได้ดีถูกทิ้งก่อนวัยอันควร ด้านที่สองและอันตรายกว่าคือน้ำมันที่ "เสียก่อนเวลา" จากการปนเปื้อนน้ำ ความร้อนสูง หรืออนุภาคโลหะ ไม่ได้ถูกพบจนกว่าความเสียหายจะเกิดขึ้นแล้ว ในกรณีของโรงงานชิ้นส่วนยนต์นี้ ผลวิเคราะห์รอบแรกจากเครื่อง Press ตัวหลักพบค่าความสะอาดตามมาตรฐาน ISO 4406 อยู่ที่ 21/19/16 ในขณะที่ค่าเป้าหมายของระบบไฮดรอลิคแรงดันสูงควรอยู่ที่ 18/16/13 หรือดีกว่า ตัวเลขสามชั้นนี้แทนจำนวนอนุภาคต่อมิลลิลิตร ที่ขนาดมากกว่า 4 ไมครอน, 6 ไมครอน และ 14 ไมครอนตามลำดับ — โดยแต่ละเลขคือลอการิทึมของจำนวนอนุภาค (เลขเพิ่ม 1 = อนุภาคเพิ่มประมาณ 2 เท่า) น้ำมันไฮดรอลิค — ตัวกลางถ่ายทอดพลังงานที่ต้องการ "ความสะอาด" มากกว่าที่หลายโรงงานคิด เพราะอนุภาคแข็งขนาด 1–5 ไมครอนเข้าไปเกาะในช่องว่างภายในวาล์ว | ภาพ: public domain ทางแก้: โปรแกรม Oil Analysis 4 ขั้นตอน ทีมวิศวกรร่วมกับห้องแล็บออกแบบโปรแกรมตรวจสอบน้ำมันเชิงรุก 4 ขั้นตอน: จัดทำรายการเครื่องจักรและ Baseline — เก็บตัวอย่างน้ำมันจากทุกถังสำคัญ พร้อมระบุจุดเก็บตัวอย่างมาตรฐานให้ช่างทุกคนใช้จุดเดียวกันเพื่อความเปรียบเทียบได้ กำหนดเกณฑ์เป้าหมาย (Target Cleanliness) — ระบบไฮดรอลิคแรงดันสูงกำหนดที่ 18/16/13, Gearbox ที่ 17/15/12, น้ำมันหล่อลื่นแบริ่งที่ 16/14/11 เก็บตัวอย่างตามรอบสม่ำเสมอ — เครื่องวิกฤตทุกเดือน, เครื่องสำคัญทุก 3 เดือน โดยเก็บขณะเครื่องกำลังทำงานหรือหลังหยุดไม่เกิน 15 นาที ปฏิบัติตามผล (Act…

Sep142026 by contentNo Comments

Vibration Analysis: อ่านลายเซ็นความถี่จากเครื่องจักรก่อนที่มันจะพัง — Deep Dive จาก FFT ถึง ISO 20816

Article

ทำไม "เสียงเครื่องจักร" จึงโกหกคุณได้ แต่ "ค่าการสั่นสะเทือน" โกหกไม่ได้ ช่างเทคนิคที่เก่งที่สุดในโรงงานมักบอกได้ว่าเครื่องจักรกำลังจะพัง "จากเสียง" — แต่หูมนุษย์มีข้อจำกัดสองข้อที่ยอมรับกันในวงวิศวกรรมเครื่องกล ข้อแรกคือหูคนได้ยินตั้งแต่ 20 Hz ถึงราว 20,000 Hz ในขณะที่สัญญาณบ่งชี้ความเสียหายระยะแรกของลูกสูบมักเกิดที่ความถี่ต่ำกว่านั้น ข้อสองคือสมองมนุษย์ "ชิน" กับเสียงที่เพิ่มขึ้นอย่างค่อยเป็นค่อยไปในแต่ละวัน จนกระทั่งวันหนึ่งเครื่องหยุดกลางคัน Vibration Analysis คือการเปลี่ยนสัญญาณการสั่นสะเทือนให้กลายเป็นตัวเลขที่วัดได้ ตรวจสอบซ้ำได้ และเปรียบเทียบข้ามเวลาได้ ด้วยหลักการง่ายๆ ว่า ทุกความผิดปกติเชิงกล มีลายเซ็นความถี่เป็นของตัวเอง ลูกสูบ (Rolling Element Bearing) — แหล่งกำเนิดความถี่บกพร่องที่นำไปคำนวณเป็น BPFO, BPFI, BSF และ FTF ได้ | ภาพ: public domain หลักการ 4 ขั้น: จากคลื่นสั่นสะเทือนสู่การวินิจฉัย ขั้นตอนการวิเคราะห์มาตรฐานในอุตสาหกรรมคือ (1) เก็บสัญญาณด้วยเซ็นเซอร์วัดความเร่ง (Accelerometer) ที่ติดตั้งบนตัวเครื่องจักรใกล้จุดรับน้ำหนัก (2) แปลงสัญญาณแรงดันไฟฟ้าให้เป็นหน่วยความเร่ง g ผ่านตัวเก็บประจุภายในเซ็นเซอร์แบบ Piezoelectric (3) นำข้อมูลดิบผ่านการแปลงฟูเรียร์ (FFT) เพื่อแยกสัญญาณออกเป็นแต่ละความถี่ และ (4) ตีความความถี่ที่โดดออกมาเทียบกับความถี่บกพร่องทางทฤษฎีของเครื่องจักร เซ็นเซอร์ 100 mV/g เป็นสเปกที่พบมากที่สุดในโรงงานอุตสาหกรรม ส่วนความถี่ในการเก็บข้อมูล (Sampling Rate) ต้องเป็นอย่างน้อย 2.56 เท่าของความถี่สูงสุดที่สนใจตามทฤษฎีบทของไนควิสต์ เช่น ต้องการวิเคราะห์ถึง 10 kHz ต้องเก็บข้อมูลที่ 25.6 kHz การติดตั้งเซ็นเซอร์วัดค่าที่จุดสำคัญ ตำแหน่งและวิธีติดตั้ง (แม่เหล็ก/สติ๊ก/ยึดสกรู) มีผลต่อความถี่สูงสุดที่วัดได้จริง | ภาพ: NASA, public domain ตารางลายเซ็นความถี่: อ่านตัวโรคเครื่องจักรให้เป็น ความถี่ที่พบ สาเหตุที่พบบ่อย สิ่งที่ควรตรวจสอบต่อ 1×RPMความไม่สมดุล (Unbalance)น้ำหนักเพิ่มจากเศษวัสดุหรือฝุ่นเป็นก้อนบนใบพัด หรือโรเตอร์โค้งงอ โดยเฟสของสัญญาณจะนิ่งไม่เปลี่ยน 2×RPMเพลาไม่ได้แนว (Misalignment)ตรวจการจัดแนวเพลาด้วยเลเซอร์ ทั้งแนวออฟเซ็ตและแนวมุม BPFO / BPFIลูกสูบเสียหาย (แหวนนอก/ใน)โดยเฉพาะเมื่อมี Sideband ของ FTF ปรากฏร่วมด้วย หมายถึงการสึกหรอลุกลาม ราว 0.42–0.48×RPMฟิล์มน้ำมันไม่เสถียร (Oil Whirl)ตรวจระดับความหนืดน้ำมัน แรงดันน้ำมันหล่อลื่น และ Load ของ Sleeve Bearing — มักพบในเครื่องจักรความเร็วสูง ความถี่ลูกผสม (Line Frequency ×…

Sep132026 by contentNo Comments

Soft Sensor (เซ็นเซอร์เสมือน): คำนวณค่าที่วัดไม่ได้จากข้อมูลที่มีอยู่แล้ว — หัวใจที่ถูกลืมของ Digital Twin ระดับกระบวนการ

Article

ในโรงงานกระบวนการผลิต (Process Industry) มีค่าบางอย่างที่วิศวกร "อยากรู้" แต่วัดตรงๆ ไม่ได้ หรือวัดได้แต่ช้าเกินไป ซับซ้อนเกินไป หรือเปลืองเกินไป — ไม่ว่าจะเป็นความเข้มข้นของสารในถังปฏิกิริยา คุณภาพของผลิตภัณฑ์กลางกระบวนการ หรืออัตราการไหลมวลในท่อที่มีสารกัดกร่อน วิธีแก้ดั้งเดิมคือหยิบตัวอย่างส่งแล็บ ซึ่งใช้เวลาเป็นชั่วโมง ทำให้ค่าที่ได้ "สะท้อนอดีต" ไม่ใช่สิ่งที่เกิดขึ้นในถังตอนนี้ Soft Sensor (หรือเรียกอีกชื่อว่า Virtual Sensor / Inferential Sensor) คือคำตอบของปัญหานี้ — มันไม่ใช่ฮาร์ดแวร์ แต่เป็น "เซ็นเซอร์ชิ้นใหม่ที่เกิดจากซอฟต์แวร์" โดยนำค่าจากเซ็นเซอร์จริงหลายสิบถึงหลายร้อยตัวที่มีอยู่แล้วในระบบควบคุม มาประมวลผลร่วมกันเพื่อ "คำนวณ" ค่าที่ต้องการนั้นออกมาแบบเรียลไทม์ โดยไม่ต้องติดตั้งอะไรเพิ่มบนท่อหรือถังเลย Soft Sensor ทำงานอย่างไร — หลักการพื้นฐาน หัวใจของ Soft Sensor อยู่ที่แนวคิดทางทฤษฎีการควบคุมที่เรียกว่า State Observer — ระบบที่ใช้สัญญาณที่วัดได้หลายตัว มาประมาณ "สถานะภายใน" (internal state) ของกระบวนการที่มองไม่เห็น ลองนึกภาพถังปฏิกิริยาเคมี: เราวัดอุณหภูมิ ความดัน อัตราการป้อนวัตถุดิบ และกำลังกวนได้ แต่ความเข้มข้นของผลิตภัณฑ์ในถังต้องรอผลแล็บ Soft Sensor จะเรียนรู้ความสัมพันธ์ระหว่างสัญญาณเหล่านี้กับผลแล็บในอดีต แล้วใช้โมเดลนั้นทำนายความเข้มข้นทุก ๆ วินาที แทนที่จะรอชั่วโมงเดียว แผนภาพหลักการทำงานแบบ Predict–Correct ของ Kalman Filter — อัลกอริทึมตระกูล State Observer คลาสสิกที่ถูกนับเป็น Soft Sensor ยุคแรก (ภาพ: Wikimedia Commons, CC BY-SA 3.0) อัลกอริทึมที่ถูกยกให้เป็นตัวอย่างคลาสสิกของ Soft Sensor คือ Kalman Filter — อัลกอริทึมที่รับชุดการวัดที่มี noise เข้ามาต่อเนื่อง แล้วประมาณค่าตัวแปรที่ไม่รู้ค่าออกมาพร้อมช่วงความไม่แน่นอนของการประมาณ ส่วนการ implement ยุคใหม่นิยมใช้ Neural Network หรือ Fuzzy Computing ซึ่งจับความสัมพันธ์แบบไม่เชิงเส้น (non-linear) ที่ซับซ้อนได้ดีกว่าสมการคณิตศาสตร์แบบดั้งเดิม เปรียบเทียบ Soft Sensor กับเซ็นเซอร์จริงและการวิเคราะห์ในแล็บ ประเด็นเปรียบเทียบ เซ็นเซอร์จริง (Hardware Sensor) การเก็บตัวอย่างส่งแล็บ (Lab Analysis) Soft Sensor (Virtual Sensor) ความถี่ของข้อมูล ต่อเนื่อง (วินาที–มิลลิวินาที) ต่ำมาก (ทุก 2–8…

Sep112026 by contentNo Comments

บทวิเคราะห์: Digital Twin ออกจากห้วงนำร่องปี 2026 — ทำไม Predictive Maintenance กลายเป็น use case แรกที่ขยายสู่ทั้งโรงงาน

Article

คำถามที่เปลี่ยนไป — สองปีก่อน คำถามที่ผู้บริหารโรงงานถามเรื่อง Digital Twin คือ "มันคุ้มไหม" ปี 2026 คำถามกลายเป็น "จะขยายจากนำร่องสู่ทั้งโรงงานได้อย่างไร" รายงานแนวโน้มอุตสาหกรรมการผลิตปี 2026 จากหลายสำนักวิเคราะห์ระดับโลกสะท้อนภาพเดียวกัน: Digital Twin และ Smart Factory กำลังก้าวพ้นช่วงทดลอง (Pilot Phase) สู่การใช้งานจริงในระดับองค์กร โดยเฉพาะในงานมอนิเตอร์เครื่องจักรเรียลไทม์และการบำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance) การเปลี่ยนแปลงนี้สำคัญเพราะเกือบทศวรรษที่ผ่านมา เทคโนโลยีโรงงานอัจฉริยะติดอยู่ที่ "Pilot Purgatory" — นำร่องเสร็จ ทำได้จริง แต่ขยายไม่ได้ ครั้งนี้ต่างจากเดิมเพราะตัวแปรหลายตัวเปลี่ยนพร้อมกัน ห้องควบคุมโรงงาน — จุดที่ข้อมูลจาก Digital Twin ต้องมาบรรจบเป็นการตัดสินใจจริง ไม่ใช่แค่ภาพสวยบนจอ (ภาพ: Wikimedia Commons) ทำไมครั้งนี้ถึงออกจาก Pilot ได้จริง: 4 ตัวแปรที่พร้อมพร้อมกัน จากที่เราสังเกตจากงานวางระบบให้โรงงานอุตสาหกรรม การออกจากห้วงนำร่องของ Digital Twin ปี 2026 เกิดจากตัวแปร 4 ตัวที่สุกพร้อมกัน: ข้อมูลเรียลไทม์ราคาถูกลงมาก — เซ็นเซอร์วัดอุณหภูมิ แรงสั่นสะเทือน แรงดัน ความเร็วรอบ และพลังงาน พร้อมโปรโตคอลมาตรฐานอย่าง OPC UA (IEC 62541) และ MQTT ทำให้ต้นทุนการ "เติมเซ็นเซอร์" ให้เครื่องจักรเดิมลดลงจนคุ้มค่าในเชิงพาณิชย์ — เฉพาะงานแรงสั่น เซ็นเซอร์เร่งความเร็วแบบ MEMS รุ่นอุตสาหกรรมปัจจุบันสุ่มข้อมูลได้ระดับหลัก kHz เพียงพอต่อการวิเคราะห์ FFT หาความผิดปกติของลูกปืนและเฟืองตามโซนความรุนแรงของมาตรฐาน ISO 10816/20816 Edge Computing เสถียรแล้ว — การประมวลผลที่ตู้คอนโทรลหรือ Edge Gateway ทำให้การตรวจจับความผิดปกติเกิดขึ้นในหลักมิลลิวินาที ไม่ต้องรอขึ้นคลาวด์ ลดภาระแบนด์วิดท์และความเสี่ยงจากเน็ตขาด AI ตรวจจับความผิดปกติได้จริง — โมเดลเรียนรู้พฤติกรรมปกติของเครื่องจักรแต่ละตัว แล้วแจ้งเตือนเมื่อพฤติกรรมเบี่ยงเบน โดยไม่ต้องรอ failure label ที่มีน้อยมากในโรงงานจริง การผสานระบบที่จำเป็นเริ่มเป็นมาตรฐาน — Digital Twin + CMMS (ระบบซ่อมบำรุง) + ERP + Edge + 5G กำลังถูกออกแบบให้ทำงานร่วมกันตั้งแต่ต้น ไม่ใช่ต่อทีหลัง เซ็นเซอร์ IIoT ติดตั้งภาคสนามเพื่อมอนิเตอร์คุณภาพน้ำและอากาศ — โมเดลมูลค่าเดียวกันกับที่ใช้กับแรงสั่น อุณหภูมิ และแรงดันในงานบำรุงรักษาเชิงคาดการณ์ (ภาพ:…

Sep42026 by contentNo Comments

Smart Materials ในโรงงานอุตสาหกรรม: เมื่อวัสดุกลายเป็นเซ็นเซอร์และ Actuator ไปพร้อมกัน

Article

ถ้ามองย้อนไปสิบปีที่แล้ว "วัสดุ" ในโรงงานคือสิ่งที่ถูกซื้อมา ถูกใช้ และถูกเปลี่ยนเมื่อเสีย — ไม่มีส่วนร่วมในระบบดิจิทัลเลย แต่ในปี 2026 แนวคิดกำลังพลิกไปจากเดิม: วัสดุอัจฉริยะ (Smart Materials) กลายเป็น "โหนดข้อมูลชิ้นหนึ่งของระบบ IIoT" ที่รู้สภาพตัวเอง สื่อสารได้ และตอบสนองต่อสภาพแวดล้อมโดยไม่ต้องรอคำสั่งจากภายนอก รายงานเทรนด์อุตสาหกรรมล่าสุดถึงกับจัดให้ Smart Materials เป็นหนึ่งใน 6 เทรนด์หลักของการผลิตปี 2026 พร้อมคาดการณ์มูลค่าตลาดระดับ 1.33 แสนล้านดอลลาร์ภายในปี 2030 บทความนี้เจาะลึกกลไกทางฟิสิกส์ของวัสดุอัจฉริยะ 4 ตระกูลหลักที่เริ่มใช้งานจริงในภาคอุตสาหกรรม พร้อมชี้จุดที่วิศวกรโรงงานควรประเมินก่อนตัดสินใจนำไปใช้ วัสดุอัจฉริยะต่างจากวัสดุทั่วไปอย่างไร วัสดุทั่วไปมีสมบัติคงที่ (Passive) — แข็งแรงเท่าเดิม นำความร้อนเท่าเดิมไม่ว่าสภาวะรอบตัวจะเปลี่ยนไปแค่ไหน วัสดุอัจฉริยะต่างออกไปตรงที่มีสมบัติที่ ตอบสนองต่อสิ่งเร้า (Stimuli-Responsive) อย่างตั้งใจ ไม่ว่าจะเป็นความร้อน แรงสั่น สนามไฟฟ้า หรือความชื้น เมื่อสิ่งเร้าเปลี่ยน โครงสร้างระดับโมเลกุลของวัสดุจัดตัวใหม่ ทำให้เกิดการเปลี่ยนรูป สร้างประจุไฟฟ้า หรือเปลี่ยนสีอย่างย้อนกลับได้ จุดที่ทำให้เรื่องนี้สำคัญกับคนทำ IIoT คือ เมื่อวัสดุ "ตอบสนอง" ได้เอง เราสามารถอ่านค่าการตอบสนองนั้นออกมาเป็นข้อมูล หรือใช้มันเป็นตัวขับ (Actuator) ได้โดยตรง — วัสดุจึงกลายเป็นทั้งเซ็นเซอร์และอินสตรูเมนต์ในชิ้นเดียว ลดจำนวนอุปกรณ์เสริมที่ต้องติดตั้งบนเครื่องจักร เซ็นเซอร์เพียโซอิเล็กทริกแบบแผ่น — หนึ่งในรูปแบบที่พบมากที่สุดของวัสดุอัจฉริยะในงาน Monitor แรงสั่นสะเทือนเครื่องจักร (ภาพ: Wikimedia Commons) 4 ตระกูลวัสดุอัจฉริยะที่ใช้งานจริงในโรงงาน 1. Piezoelectric — วัสดุที่แปลงแรงกดเป็นไฟฟ้า ผลึกเพียโซอิเล็กทริกเช่น PZT (Lead Zirconate Titanate) จะเกิดประจุไฟฟ้าบนผิวเมื่อถูกกดหรือสั่น หลักการนี้ถูกใช้สองทางคู่ขนานกัน: ทางแรกคือเป็นเซ็นเซอร์วัดแรงสั่นความถี่สูง (เหมาะกับงาน Vibration Analysis ของลูกสูบ ปั๊ม และแบริ่งความเร็วสูงที่สัญญาณอยู่ในย่าน kHz) ทางที่สองคือ Energy Harvesting — ใช้แรงสั่นเหลือทิ้งจากเครื่องจักรสร้างไฟฟ้าระดับมิลลิวัตต์เลี้ยงเซ็นเซอร์ไร้สายแบบไม่ต้องเปลี่ยนแบตเตอรี่ ซึ่งเปลี่ยนเกมการติดตั้งเซ็นเซอร์บนเครื่องจักรหมุนที่เดิมต้องวางสายไฟข้ามจุดหมุน 2. Shape Memory Alloy (SMA) — โลหะที่จำรูปและกลับตัวเองได้ โลหะผสมนิกเกิล-ไทเทเนียม (NiTi) สามารถ "จำ" รูปร่างที่ตั้งโปรแกรมไว้ แล้วกลับไปหารูปนั้นเมื่อได้รับความร้อนหรือกระแสไฟฟ้า ในโรงงาน SMA ถูกใช้ทำ Actuator ขนาดเล็กที่มีอัตราส่วนแรงต่อน้ำหนักสูงและกลไกน้อยชิ้นกว่า ตั้งแต่วาล์วนิวแมติกทดแทน คลัตช์แบบอ่อนตัวเมื่อร้อน (ป้องกัน Overload) ไปจนถึงข้อต่อกันสั่นสะเทือนในโครงสร้างอาคารและงานยานยนต์ กลไก Shape Memory Effect: โครงผลึกเปลี่ยนเฟสระหว่างมาร์เทนไซต์ (เย็น)…

Aug262026 by contentNo Comments

บทวิเคราะห์: Anti-Surge Control — ทำไม Recycle Valve ตัวเดียวที่เปิดไม่ทันใน 200 มิลลิวินาที ชี้ขาดชะตากรรมของคอมเพรสเซอร์

Article

ในบรรดา Loop ควบคุมทั้งหมดในโรงงานโปรเซส มี Loop หนึ่งที่ไม่มีสิทธิ์ล้มเหลว — Anti-Surge Control ของ Centrifugal Compressor เพราะเมื่อเกิด Surge ขึ้นแล้ว แรงสั่นสะเทือนที่กระทบ Impeller, Thrust Bearing และ Dry Gas Seal จะทำลายเครื่องจักรภายในเวลาเพียงไม่กี่วินาที ผลที่ตามมาคือการเปลี่ยน Rotor ทั้งชุดและเวลาหยุดผลิตที่ยาวนานต่อทุกเหตุการณ์ บทวิเคราะห์นี้ถอดรหัสว่า Surge เกิดขึ้นได้อย่างไร และเพราะเหตุใดหัวใจของการป้องกันจึงอยู่ที่วาล์วตัวเดียวที่ต้องเปิดทันภายในระดับร้อยมิลลิวินาที Centrifugal Compressor ติดตั้งบน Skid พร้อมระบบประกอบ — หน้างานจริงในอุตสาหกรรมโปรเซส (ภาพ: Wikimedia Commons) Surge คืออะไร: วินาทีที่แรงดันไหลย้อนกลับ Centrifugal Compressor เสถียรเฉพาะเมื่อ Flow สูงกว่าค่าต่ำสุดของแต่ละความเร็วรอบและอัตราส่วนความดัน เมื่อ Flow ตกต่ำกว่าจุดนั้น (Surge Point) เครื่องจะไม่สามารถรักษา Differential Pressure ไว้ได้ แก๊สแรงดันสูงด้าน Discharge จะไหลย้อนกลับผ่านเครื่อง ความดันคายตัว เครื่องจักรสร้าง Flow ใหม่ชั่วขณะ แล้ววงจรก็ซ้ำไปซ้ำมา — นี่คือ Surge โดยในเครื่องขนาดเล็กวงรอบการไหลย้อนเกิดที่ความถี่ราว 10–20 Hz สร้างแรงกระชากซ้ำๆ บนชิ้นส่วนหมุนทั้งหมด ความน่ากลัวของ Surge อยู่ที่ความเร็วในการทำลาย: เหตุการณ์เพียง 1–2 วินาทีก็เพียงพอจะทำให้ใบพัดเกิด Fatigue Cracking จากการสั่นพ้อง Thrust Bearing รับแรงเพลามหาศาลระหว่างการไหลย้อน และ Dry Gas Seal เสียหายจากการกลับด้านของ Differential Pressure หลายเหตุการณ์ที่รายงานต่อกันมาจบด้วยการเปลี่ยน Rotor ทั้งชุด Surge Control Line: เส้นเบี่ยง 10–15% ที่ซ่อนความหมายไว้ Anti-Surge Controller คำนวณจุดทำงานของเครื่องแบบ Real-time (มักพล็อตเป็น Head vs Flow หรือ Pressure Ratio vs Reduced Flow) แล้วเทียบกับ Surge Limit Line ที่เก็บไว้ในตัวควบคุม ทางปฏิบัติจะวาง Surge Control Line แบบเว้นระยะ Flow Margin ประมาณ 10–15%…

Aug262026 by contentNo Comments

Control Valve และ Smart Positioner: Final Control Element ที่ถูกมองข้าม — เมื่อ Control Loop ที่แก้ไม่ได้ส่วนใหญ่ มีต้นตออยู่ที่วาล์ว

Article

ในโลกของ Process Automation หลายคนให้ความสำคัญกับ DCS, PID Algorithm และ Advanced Process Control แต่มักลืมว่าคำสั่งควบคุมทั้งหมดต้องผ่านอุปกรณ์กลไกชิ้นเดียวก่อนถึงกระบวนการผลิตจริง — Control Valve ประสบการณ์จากโครงการจริงหลายแห่งชี้ตรงกันว่า เมื่อ Control Loop หนึ่งแกว่งไม่หยุด ทั้งที่ Tuning ถูกต้องแล้ว สาเหตุมักไม่ได้อยู่ที่ตัวควบคุม แต่อยู่ที่วาล์วที่มี Hysteresis สูง, Stem Friction หรือ Positioner ที่หมดอายุการใช้งาน Final Control Element: จุดที่ Signal ไฟฟ้ากลายเป็นการไหลจริง Control Loop ปิด (Closed Loop) ประกอบด้วย 3 ส่วนหลัก: Sensor/Transmitter ที่วัดค่า Process Variable, Controller ที่คำนวณ Output และ Final Control Element ที่ลงมือปรับกระบวนการจริง ในอุตสาหกรรมโปรเซส ส่วนสุดท้ายนี้คือ Control Valve นั่นเอง — รับสัญญาณ 4–20 mA จาก Controller แปลงเป็นตำแหน่ง Stem แล้วเปลี่ยนอัตราการไหลของ Fluid ในท่อ ประเด็นสำคัญคือ วาล์วเป็นชิ้นส่วนกลไกที่เคลื่อนไหวต่อเนื่องเพียงชิ้นเดียวใน Loop ทั้งหมด Transmitter ไม่มีชิ้นส่วนหมุน 100 รอบ/วินาที แต่วาล์วอาจต้องขยับตำแหน่งหลายพันครั้งต่อวันในโหมดควบคุมที่แรง ความเสียดสีที่สะสมจึงเป็นตัวแปรที่เปลี่ยนไปตลอดเวลา และเป็นสาเหตุที่ Loop Performance ถดลงโดยไม่มีใครสังเกตเห็น Control Valve พร้อม Positioner ติดตั้งในโรงงานโปรเซสจริง — สังเกต Actuator ด้านบนและ Positioner ที่ยึดอยู่กับ Yoke (ภาพ: Wikimedia Commons) Positioner ไม่ใช่ "อุปกรณ์เสริม" แต่คือสมองของวาล์ว Positioner ทำหน้าที่เปรียบเทียบ Setpoint ตำแหน่งจาก Controller กับตำแหน่งจริงของ Stem แล้วปรับแรงดันอากาศเข้า Actuator จนกว่าตำแหน่งจริงจะตรงกับคำสั่ง — โดยพื้นฐานแล้ว Positioner คือ Controller ตัวที่สองที่ทำงานอยู่ในระดับตำแหน่ง (Position Loop) ซ้อนอยู่กับ Process Loop หลัก วาล์วที่ไม่มี…

Aug252026 by contentNo Comments

TinyML ในโรงงานอุตสาหกรรม: ฝาก AI ลงไมโครคอนโทรลเลอร์ขนาด KB เพื่อตรวจสุขภาพเครื่องจักรแบบ Real-time โดยไม่ต้องพึ่งคลาวด์

Article

หลายโรงงานที่เริ่มใช้ AI ตรวจสอบสถานะเครื่องจักรมักเจอทางตันเดียวกัน คือสถาปัตยกรรมแบบ "ส่งข้อมูลขึ้นคลาวด์แล้วค่อยวิเคราะห์" ทำงานได้ดีในห้องทดลอง แต่เมื่อลงสนามจริงกับเซ็นเซอร์หลายร้อยจุด ปัญหาที่ตามมาคือค่า bandwidth, latency หลายร้อยมิลลิวินาที และความเสี่ยงเมื่ออินเทอร์เน็ตขาดกลางคัน คำตอบที่วงวิศวกร embedded เลือกใช้มากขึ้นเรื่อยๆ ในปี 2026 คือ TinyML — การฝากโมเดล Machine Learning ที่ผ่านการบีบอัดลงไปรันบนไมโครคอนโทรลเลอร์ (MCU) ที่มี RAM เพียงหลักร้อยกิโลไบต์ กินไฟระดับมิลลิวัตต์ และตัดสินใจได้เองที่ขอบเครือข่ายโดยไม่ต้องส่งข้อมูลดิบออกไปไหนเลย TinyML คืออะไร และทำไมโรงงานควรสนใจ TinyML คือสาขาย่อยของ Machine Learning ที่เน้นการ deploy และรันโมเดลบนอุปกรณ์ embedded ที่มีทรัพยากรจำกัด เช่น ไมโครคอนโทรลเลอร์ที่มี RAM เพียง "หลักสิบถึงหลักร้อยกิโลไบต์" flash จำกัด ไม่มี GPU และมักรันบน bare-metal หรือ RTOS เบาๆ ข้อจำกัดพวกนี้บังคับให้ทุกการตัดสินใจทางวิศวกรรมต้องแม่นยำ ตั้งแต่เลือกสถาปัตยกรรมโมเดลไปจนถึงวิธี quantize น้ำหนักโมเดล เหตุผลที่แนวทางนี้โตเร็วในภาคอุตสาหกรรมชัดเจนมาก: การทำ inference บนตัวอุปกรณ์เองช่วยรักษาความเป็นส่วนตัวของข้อมูล (ไม่ต้องส่ง raw data ขึ้นคลาวด์), ยืดอายุแบตเตอรี่ และทำให้ระบบตรวจจับความผิดปกติทำงานต่อได้แม้เน็ตหลุด สำหรับโรงงานที่มีจุดวัดในพื้นที่ห่างไกลหรือสภาพแวดล้อมรุนแรง TinyML จึงเป็นเสมือน "ผู้เชี่ยวชาญที่ประจำอยู่ในเครื่องจักร" 24 ชั่วโมง แผนภาพ: TinyML pipeline — เซ็นเซอร์ส่งสัญญาณเข้า preprocessing (FFT/Filter) แล้วป้อนเข้าโครงข่ายประสาทเทียมขนาดเล็กบน MCU ที่ตัดสินใจส่ง alert เองโดยไม่ผ่านคลาวด์ (ที่มา: Honey Corporation) อาหารสมองของ TinyML: Quantization หัวใจที่ทำให้โมเดล AI ลงไปอยู่ใน MCU ได้คือเทคนิคบีบอัด โมเดล image classification สถาปัตยกรรมยอดนิยมขนาด 50 เลเยอร์ในความละเอียดเต็ม (FP32) มีขนาดราว 100 MB เมื่อแปลงเป็น INT8 ด้วย Post-Training Quantization (PTQ) จะเหลือประมาณ 5 MB และเมื่อปรับให้เหมาะกับงานเฉพาะแบบ TinyML แล้ว ขนาดที่ทำได้จริงคือระดับ 500 KB — เล็กลงราว 200 เท่าจากต้นฉบับ พอที่จะฝากลง flash…

Aug232026 by contentNo Comments

Dark Factory ยุค 2026: เทคโนโลยี 5 ชั้นที่ทำให้โรงงานผลิตต่อเนื่อง 30 วันโดยไม่มีคนเฝ้า

Article

แนวคิดที่กลับมาเป็นข่าวอีกครั้งในปี 2026 คำว่า "Dark Factory" หรือ "Lights-Out Manufacturing" ไม่ใช่แนวคิดใหม่ แต่ในปี 2026 มันกลับมาเป็นหัวข้อสนทนาของวงการผลิตอีกครั้ง เพราะเทคโนโลยีที่จำเป็นต้นทุนต่ำลงและแข็งแรงขึ้นจนแนวคิดนี้เปลี่ยนจาก "การทดลอง" เป็น "กลยุทธ์การแข่งขัน" ของผู้ผลิตจริงหลายราย สิ่งที่เปลี่ยนไปคือชั้นของเทคโนโลยีที่ทำให้โรงงานรันได้โดยไม่ต้องมีคนเฝ้า ทั้งหุ่นยนต์ที่ปรับตัวได้ เซ็นเซอร์ IIoT ที่เข้าถึงง่ายขึ้น และซอฟต์แวร์ orchestration ที่เชื่อมทุกอย่างเข้าด้วยกัน นิยามสั้นๆ: Dark Factory คือโรงงานที่ทำงานโดยไม่ต้องมีคนอยู่หน้างาน เครื่องจักรและหุ่นยนต์จัดการกระบวนการทั้งหมดตั้งแต่ป้อนวัตถุดิบ ประกอบ ตรวจสอบ จนถึงบรรจุ มนุษย์เข้ามาเฉพาะเมื่อต้องดูแลระบบจากระยะไกล หรือทำ maintenance ตามแผน ส่วนชื่อ "มืด" มาจากการที่ไม่ต้องเปิดไฟ เปิดแอร์ หรือสร้างสวัสดิการให้คน จึงประหยัดพลังงานและพื้นที่ได้อีกส่วน หุ่นยนต์อุตสาหกรรมทำงานจัดเรียงสินค้าบนพาเลท — งานซ้ำซากปริมาณมากคือจุดเริ่มต้นที่พบมากที่สุดของ lights-out operation (ภาพ: Wikimedia Commons) โรงงานจริงที่ปิดไฟแล้ว ยังผลิตได้ 30 วัน กรณีศึกษาที่ถูกอ้างถึงมากที่สุดคือโรงงานผู้ผลิตหุ่นยนต์ในเมืองโอชิโนะ ประเทศญี่ปุ่น ซึ่งใช้หุ่นยนต์ประกอบหุ่นยนต์ตัวอื่นด้วยกันเอง โดยมีรายงานว่าสายการผลิตสามารถ รันแบบไม่มีคนเฝ้าต่อเนื่องได้นานถึง 30 วัน จุดยืนคือการออกแบบเครื่องจักรแบบ modular มาตรฐานเดียวกันทั้งไลน์ ควบคุมสภาพแวดล้อมการผลิตอย่างเข้มงวด และใช้ predictive maintenance คาดการณ์ปัญหาล่วงหน้า วิศวกรเข้ามาเฉพาะตามแผนบำรุงรักษาและตรวจสอบ อีกตัวอย่างที่มักถูกพูดถึงคือโรงงานเครื่องใช้ไฟฟ้าในเมืองดรัคเติน ประเทศเนเธอร์แลนด์ ที่ผลิตเครื่องโกนหนวดด้วย หุ่นยนต์ 128 ตัว กับคนเพียง 9 คน ที่ดูแลเรื่องคุณภาพ จุดเด่นคือระบบ modular cell + vision-guided ที่สลับผลิตรุ่นต่างๆ ได้เร็ว และ predictive maintenance ที่เห็นสัญญาณความเสียหายล่วงหน้าถึง 72 ชั่วโมง ขณะที่อุตสาหกรรมเซมิคอนดักเตอร์ 300 มิลลิเมตรคือ dark factory โดยความจำเป็น — คนคือแหล่งปนเปื้อน (contamination) ที่ใหญ่ที่สุดในห้องสะอาด จึงต้องใช้ AMHS (ระบบลำเลียงวัสดุอัตโนมัติ) และ FOUP เคลื่อนย้ายวาเฟอร์ผ่านขั้นตอนนับร้อยโดยไม่มีมือมนุษย์แตะ แขนกลอุตสาหกรรมยุคใหม่ออกแบบให้สอนงานได้ง่ายและปรับเปลี่ยนงานได้เร็ว — เงื่อนไขสำคัญของ hybrid lights-out (ภาพ: Wikimedia Commons) เทคโนโลยีเบื้องหลัง: ชั้นต่อชั้นที่ต้องครบ Lights-out ไม่ได้แปลว่าซื้อหุ่นยนต์มาวางแล้วจบ แต่คือการเรียงชั้นเทคโนโลยีให้ต่อกันครบ ดังนี้: ชั้นเทคโนโลยี หน้าที่ ตัวอย่างเทคโนโลยี 1. Executionทำงานแทนแรงงานคน ทั้งจับ…