การพัฒนาโมเดลปัญญาประดิษฐ์เพื่อจำแนกเหตุการณ์การหยุดชะงักของเครื่องจักร ในระยะเวลาสั้น: กรณีศึกษาโรงงานผลิตเครื่องดื่ม
Article Sidebar
Main Article Content
บทคัดย่อ
บทคัดย่อ
ในอุตสาหกรรมการบรรจุเครื่องดื่ม การหยุดชะงักของเครื่องจักรในระยะเวลาสั้นสามารถส่งผลกระทบต่อประสิทธิภาพการผลิตโดยรวมอย่างมีนัยสำคัญ งานวิจัยนี้พัฒนาโมเดลปัญญาประดิษฐ์โดยใช้โครงข่ายประสาทเทียมแบบหลายชั้น (Multilayer Perceptron: MLP) เพื่อจำแนกเหตุการณ์การหยุดชะงักระยะสั้น (Minor Stoppage) บนสายการบรรจุกระป๋องออกเป็น 2 ระดับ ได้แก่ General-Minor Stoppage (GM) และ Major-Minor Stoppage (Mi) และประเมินประสิทธิภาพด้วยการตรวจสอบความถูกต้องแบบไขว้สำหรับข้อมูลอนุกรมเวลาแบบเดินหน้า (Walk-Forward Time-Series Cross-Validation) 5 รอบ ผลการทดลองพบว่าโมเดลมีค่าเฉลี่ย Macro-F1 เท่ากับร้อยละ 92.00 ( = 8.40) และค่าเฉลี่ย Mi-F1 เท่ากับร้อยละ 84.48 ( = 15.97) สะท้อนถึงความสามารถในการจำแนกคลาสได้อย่างสมดุล แม้ข้อมูลมีความไม่สมดุลระหว่างกลุ่มเหตุการณ์ โดยเหตุการณ์ส่วนใหญ่จัดอยู่ในกลุ่ม GM ร้อยละ 62.83 ขณะที่กลุ่ม Mi มีร้อยละ 6.67 แต่เป็นสาเหตุหลักของการสูญเสียเชิงประสิทธิภาพ ผลลัพธ์แสดงให้เห็นว่าโมเดลที่พัฒนาขึ้นสามารถก้าวข้ามข้อจำกัดของวิธีการติดตามแบบดั้งเดิม โดยทำหน้าที่เป็นเครื่องมืออัจฉริยะสำหรับติดตาม วิเคราะห์ และแจ้งเตือนเหตุหยุดเครื่องจักรได้อย่างเป็นระบบ ระบบสามารถตรวจจับสัญญาณความผิดปกติในระยะเริ่มต้น เพื่อให้พนักงานตอบสนองได้ก่อนเกิดความเสียหายรุนแรง ซึ่งช่วยสนับสนุนการวางแผนบำรุงรักษาเชิงรุกลดระยะเวลาหยุดเครื่องจักรที่ไม่ได้วางแผนไว้ ยกระดับค่า OEE อย่างเป็นรูปธรรม และเพิ่มขีดความสามารถในการแข่งขันระยะยาวของโรงงานผลิตเครื่องดื่ม
Article Details
เอกสารอ้างอิง
360i Research. Beverage market by beverage type, packaging format, distribution channel, flavor profile global forecast to 2030. 2025. Available from: https://www.researchandmarkets.com/ report/beverage [Accessed 12 Nov 2025].
Nakajima S. Introduction to total productive maintenance. Cambridge (MA): Productivity Press; 1988.
Bengtsson M, Johansson A, Andersson J. Managing chronic losses through continuous improvement and TPM. International Journal of Production Research. 2022;60(12):3752–3767.
Arima S, Sumita U, Yoshii J. Development of sequential association rules for preventing minor-stoppages in semiconductor manufacturing. In: Proceedings of the 1st International Conference on Operations Research and Enterprise Systems (ICORES 2012). 2012. p.1–8.
Corrales LdCN, Lambán MP, Körner MEH, Royo J. Overall equipment effectiveness: systematic literature review and overview of different approaches. Applied Sciences. 2020;10(18):6469. DOI:10.3390/app10186469.
Hedman R, Subramaniyan M, Almström P. Analysis of hidden losses in manufacturing: a case study in continuous improvement. Journal of Manufacturing Technology Management. 2016;27(1):78–95. DOI:10.1108/ JMTM-02-2015-0017.
Perumal A, Hasan N, Lam J. Reducing minor stoppages in food manufacturing using Lean Six Sigma. Journal of Cleaner Production. 2019;234:1203–1213. DOI:10.1016/j.jclepro.2019. 06.188.
Lee J, Kao HA, Yang S. Deep learning-based anomaly detection in manufacturing systems. IEEE Transactions on Industrial Informatics. 2019;15(9):5079–5088. DOI:10.1109/ TII.2019. 2894262.
Goodfellow I, Bengio Y, Courville A. Deep learning. Cambridge (MA): MIT Press; 2016.
Hubicki R, Richert M, Lebkowski P, Hubicka N. Impact of micro-stoppages on overall equipment effectiveness measure. Enterprise Management (Zarzadzanie Przedsiebiorstwem). 2020;23(1):1015.
Carver D, Sapkota DN, Hossain DS. Precision in production: understanding the ripple effects of minor stops and adaptive speed strategies. In: Proceedings of the International Conference on Industrial Engineering and Operations Management. 2024.
Suthikunsombat P, Ruangchoengchum P. The loss reduction from downtime by improving overall equipment effectiveness and speed controlling in the offset printing process. Journal of Accountancy and Management Mahasarakham University. 2020;12(3):144–156. (in Thai).
Stryker C, Kavlakoglu E. What is artificial intelligence (AI). IBM. 2024. Available from: https://www.ibm.com/think/topics/artificial-intelligence [Accessed 12 Nov 2025].
Digital Government Development Agency (DGA). AI and the public sector: a beginner’s guide to using AI with good governance. Bangkok: Digital Government Development Agency; 2023. (in Thai).
Wosu D, George A, Aikhuele DO, Nwosu HU. Development of artificial intelligent-based model for improving productivity and reducing manufacturing cost. Saudi Journal of Engineering and Technology. 2025;10(1):13–16.
Zaid S, Diaa A, Osintsev K. Prediction by artificial neural networks of wind turbine outages for maintenance to reduce energy losses. E3S Web of Conferences. 2025;614:01010. DOI:10.1051/ e3sconf/202561401010.
Nixon J, Dusenberry MW, Zhang L, Jerfel G, Tran D. Measuring calibration in deep learning. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2019.
Zhong Z, Lin C, Wang J, Li S. Improving calibration for long-tailed recognition. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021. p.16489–16498.
