บทวิเคราะห์: Discrete Event Simulation — เครื่องมือหาคอขวดที่ถูกลืม ก่อนคุณซื้อเครื่องจักรเพิ่ม

เมื่อ throughput ไม่ถึงเป้า คำตอบแรกของหลายโรงงานคือ “ซื้อเครื่องจักรเพิ่ม” แต่งานวิจัยนำเสนอที่งาน Winter Simulation Conference ปี 2025 จากโรงงานผลิตหม้อแปลงไฟฟ้าบอกเรื่องตรงข้าม: ทีมวิจัยใช้ Discrete Event Simulation (DES) จำลองไลน์ผลิตแล้วพบว่าการเพิ่มจำนวน workstation ไม่ได้ลด lead time ตามที่คาด เพราะคอขวดไม่ได้อยู่ที่จุดนั้น — สุดท้ายการเพิ่มเครื่องเฉพาะประเภทที่เป็นข้อจำกัดจริงเท่านั้นที่ลด lead time ได้ถึง 110 ชั่วโมง

DES คืออะไร ในเมื่อมี Digital Twin แล้ว

DES คือการจำลองระบบผลิตโดยมองว่าระบบเปลี่ยนสถานะเฉพาะเมื่อเกิด “เหตุการณ์” — ชิ้นงานมาถึง, เครื่องเสร็จงาน, เครื่องเสีย — ระหว่างเหตุการณ์ ระบบนิ่ง จึงข้ามเวลาไปยังเหตุการณ์ถัดไปได้เลย (next-event time advance) ผลคือจำลองการผลิตทั้งปีในไม่กี่นาที นี่คือความต่างสำคัญจาก Digital Twin แบบเรียลไทม์ที่ต้องเดินตามเวลาจริง:

ทำไม DES ยังจำเป็นแม้มี AI ทุกหนแห่ง

AI เก่งเรื่อง ทำนายจากข้อมูลที่เคยเกิด แต่อ่อนเรื่อง ตอบคำถามที่ไม่เคยเกิด — คุณไม่มีข้อมูลการเพิ่มเครื่อง CNC ตัวที่ 5 เพราะมันไม่เคยมีอยู่ DES ตอบโจทย์นี้ด้วยการสร้างโลกจำลองที่กายภาพของโรงงานถูกฝังอยู่ในสมการ งานวิจัยปี 2025 ใน International Journal of Advanced Manufacturing Technology ใช้ DES วิเคราะห์ไลน์ประกอบชิ้นส่วนอะลูมิเนียมแล้วลด WIP และ cycle time ลงได้พร้อมเพิ่ม throughput โดยไม่ต้องเพิ่มทรัพยากรใดๆ ส่วนงานวิจัยก่อนหน้าด้าน logistics คลังสินค้าลด throughput time ได้ 28% ด้วยการจัดระเบียบการไหลของวัสดุล้วนๆ

จากคอขวดล่องหนสู่ตัวเลขที่ตัดสินใจได้

คอขวดที่อันตรายที่สุดคือคอขวดที่ไม่มีใครเห็น — เพราะคิวรอที่ยาวไม่ได้อยู่ที่เครื่องที่ช้าที่สุดเสมอไป แต่อยู่ที่จุดที่ความแปรปรวน (variability) สูงสุด เครื่องที่เร็วมากแต่เสียบ่อยแบบสุ่ม สร้างคิวยาวกว่าเครื่องที่ช้าแต่เสถียร DES เห็นสิ่งนี้เพราะจำลองความแปรปรวนจากการแจกแจงความน่าจะเป็นจริง ไม่ใช่ค่าเฉลี่ยลวงตา

เมื่อ DES ผสมกับ optimization algorithm

แนวโน้มล่าสุดคือ simulation-optimization: ให้ algorithm ค้นหาคำตอบที่ดีที่สุดแทนมนุษย์ เช่น งานวิจัย ISARC ปี 2026 ผสาน DES กับ CMA-ES evolutionary strategy เพื่อหา time buffer ที่เหมาะสมในไลน์ผลิตแบบโมดูลาร์ ผลคือลดภาระที่สถานีคอขวดลดลง ~20% เทียบกับการจัด buffer แบบสม่ำเสมอ โดยไม่เกิดการอุดตัน upstream หรือ WIP สะสมเกิน

บทวิเคราะห์: ทำไมโรงงานไทยควรกลับมามอง DES

1. ความเสี่ยงการลงทุนสูงขึ้น — เครื่องจักรหนึ่งตัวเป็นการลงทุนที่ผูกก้อนหลายปี DES ช่วยทดสอบสมมติฐานก่อนเซ็น PO ในเมื่อจำลอง 1 ปีผลิตใช้เวลาไม่กี่นาที การไม่จำลองคือการเสี่ยงโดยไม่จำเป็น
2. ข้อมูลอยู่ในมือแล้ว — โรงงานที่ติดตั้ง IIoT monitoring ไว้แล้วมีข้อมูล cycle time, downtime, defect rate ครบสำหรับสร้างโมเดล DES โดยไม่ต้องเก็บข้อมูลใหม่
3. เป็นฐานของ Twin ระดับกระบวนการ — DES คือเครื่องยนต์ what-if ของ Digital Twin ระดับ process ที่วิ่งไล่หลังเวลาจริงเพื่อถ่วงดุลสายการผลิต ทีม Honey Corporation ใช้แนวทางนี้ในงานวิเคราะห์สายการผลิตเพื่อหาจุดคุ้มค่าการลงทุนก่อนแนะนำลูกค้า
4. ตอบโจทย์ ESG ที่กำลังจะบังคับ — การจำลองช่วยหาทางลด WIP และ energy ต่อชิ้นโดยไม่ลด output ซึ่งเป็นตัวเลขที่รายงานความยั่งยืนสมัยใหม่ต้องการ
5. เครื่องเร็วแต่เสียบ่อย แพงกว่าเครื่องช้าแต่เสถียร — คอขวดที่แท้จริงอยู่ที่จุดที่ความแปรปรวนสูงสุด ไม่ใช่เครื่องที่ช้าที่สุด จำลองด้วยการแจกแจงความน่าจะเป็นจริง ไม่ใช่ค่าเฉลี่ย

ประเด็นสุดท้ายที่ควรคิด: DES ไม่ใช่เทคโนโลยีใหม่ — มันอยู่กับวงการ industrial engineering มากว่า 60 ปี แต่สิ่งที่เปลี่ยนคือต้นทุนการเข้าถึงข้อมูลดิบลดลงมาก สมัยก่อนการได้ cycle time จริงของทุกเครื่องต้องนั่งจับเวลาด้วยมือ วันนี้มันไหลมาจาก IIoT gateway ทุกวินาที เครื่องมือเก่าที่ถูกลืมกำลังกลายเป็นอาวุธลับของโรงงานที่มีข้อมูลแล้วแต่ยังตัดสินใจด้วยความรู้สึก