การประยุกต์ใช้เอเจนต์ปัญญาประดิษฐ์ร่วมกับเทคนิค RAG เพื่อลดเวลาวินิจฉัยในการซ่อมบำรุงเชิงแก้ไข: กรณีศึกษาโรงงานผลิตเครื่องปรับอากาศ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อยกระดับประสิทธิภาพกระบวนการซ่อมบำรุงเชิงแก้ไขในอุตสาหกรรมผลิตเครื่องปรับอากาศ โดยมุ่งเน้นการลดความสูญเปล่าในขั้นตอนการวินิจฉัยปัญหา (Mean Time to Diagnose: MTTD) กรณีศึกษาเครื่องจักร MC-01 ซึ่งประสบปัญหาการหยุดทำงานสะสมสูงสุดถึง 362.81 ชั่วโมงต่อปี จากการวิเคราะห์หาสาเหตุรากเหง้าพบว่า ความล่าช้าร้อยละ 36.58 ของเวลาซ่อมบำรุงรวม เกิดจากข้อจำกัดในการสืบค้นข้อมูลประวัติการซ่อมในระบบบริหารจัดการงานซ่อมบำรุงด้วยคอมพิวเตอร์ (CMMS) ที่ขาดโครงสร้างมาตรฐานและนำข้อมูลกลับมาใช้งานได้ยาก งานวิจัยนี้ได้พัฒนาระบบผู้ช่วยซ่อมบำรุงอัจฉริยะผ่านแอปพลิเคชัน LINE Official Account โดยบูรณาการเทคโนโลยีเอเจนต์ปัญญาประดิษฐ์ (AI Agent) ผสานกับเทคนิคการดึงข้อมูลเสริมการสร้างคำตอบ (RAG) และโมเดลภาษาขนาดใหญ่ (LLM) ผ่านระบบอัตโนมัติ n8n เพื่อทำหน้าที่เป็นคลังความรู้เคลื่อนที่สำหรับช่างเทคนิคหน้างาน ผลการประเมินประสิทธิภาพพบว่า ระบบสามารถสนับสนุนการตัดสินใจและนำเสนอวิธีการซ่อมได้อย่างแม่นยำ ส่งผลให้เวลาในการวินิจฉัยปัญหาลดลงร้อยละ 46.77 อย่างมีนัยสำคัญทางสถิติที่ระดับ 0.05 นอกจากนี้ ระบบดังกล่าวยังเป็นเครื่องมือสำคัญช่วยให้ช่างซ่อมบำรุงทุกระดับสามารถปฏิบัติงานได้อย่างรวดเร็วและมีประสิทธิภาพตามมาตรฐานที่กำหนด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารฯ ถือเป็นลิขสิทธิ์ของวารสารฯ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะได้รับอนุญาต แต่ห้ามนำไปใช้เพื่่อประโยชน์ทางธุรกิจ และห้ามดัดแปลง
เอกสารอ้างอิง
ธนาคารแห่งประเทศไทย. รายงานประจำปี 2567 [อินเทอร์เน็ต]. 2567 [เข้าถึงเมื่อ 2568 กันยายน 20]. เข้าถึงได้จาก: https://www.bot.or.th
ศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร สำนักงานปลัดกระทรวงพาณิชย์. สถิติการค้าระหว่างประเทศของไทย [อินเทอร์เน็ต]. 2567 [เข้าถึงเมื่อ 2568 กันยายน 20]. เข้าถึงได้จาก: https://www.ops.moc.go.th
กิตติศักดิ์ โชติโรจนวัชร์, ไอลดา ตรีรัตน์ตระกูล และอินทิราภรณ์ มูลศาสตร์. การออกแบบและพัฒนาระบบช่วยวินิจฉัยปัญหาความผิดปกติของอุปกรณ์ กรณีศึกษาโครงการก่อสร้างโรงไฟฟ้าพลังงานความร้อนร่วม. เอกสารสืบเนื่องจากการประชุมวิชาการระดับชาติด้านการพัฒนาการดำเนินงานทางอุตสาหกรรม ครั้งที่ 16 (CIOD 2025); 26 เมษายน 2568; กรุงเทพฯ; 2568. หน้า 32-40.
อิสริยา กุลศิลารัตน์ และวรพจน์ มีถม. การออกแบบและพัฒนาโปรแกรมการจัดการฐานข้อมูลภายในองค์กร กรณีศึกษา บริษัทผู้ผลิตน้ำมันหล่อลื่น. เอกสารสืบเนื่องจากการประชุมวิชาการระดับชาติด้านการพัฒนาการดำเนินงานทางอุตสาหกรรม ครั้งที่ 16 (CIOD 2025); 26 เมษายน 2568; กรุงเทพฯ; 2568. หน้า 214-222.
วันชัย แซ่ลิ้ม. การพัฒนาระบบโต้ตอบอัตโนมัติผ่านแอปพลิเคชันไลน์เพื่อสนับสนุนการให้บริการแก้ไขปัญหาคอมพิวเตอร์. วารสารวิชาการ ปขมท. 2564; 10(2): 56-65.
Jiang W, Hu F. Artificial Intelligence Agent-Enabled Predictive Maintenance: Conceptual Proposal and Basic Framework. Computers. 2025; 14(8): 329.
León-Paredes GA, Alba-Narváez LA, Paltin-Guzmán KD. NOVA: A Retrieval-Augmented Generation Assistant in Spanish. Applied Sciences. 2025; 15: 8175.
British Standards Institution. BS EN 13306:2017 Maintenance - Maintenance terminology. London: BSI Standards Limited; 2017.
Mobley RK. An Introduction to Predictive Maintenance. 2nd ed. Boston: Butterworth-Heinemann; 2002.
Blanchard BS. Logistics Engineering and Management. 6th ed. Upper Saddle River, NJ: Pearson Prentice Hall; 2004.
Nonaka I, Takeuchi H. The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. New York: Oxford University Press; 1995.
Han J, Kamber M, Pei J. Data Mining: Concepts and Techniques. 3rd ed. Waltham, MA: Morgan Kaufmann; 2011.
n8n. Workflow Automation for Everyone [Internet]. 2024 [cited 2025 Sep 20]. Available from: https://n8n.io
Google Cloud. Generative AI agents [Internet]. 2024 [cited 2025 Sep 20]. Available from: https://cloud.google.com/use-cases/generative-ai-agents
Amazon Web Services. What is RAG? - Retrieval-Augmented Generation AI Explained [Internet]. 2024 [cited 2025 Sep 20]. Available from: https://aws.amazon.com/what-is/retrieval-augmented-generation/
Yamane T. Statistics: An Introductory Analysis. 3rd ed. New York: Harper and Row; 1973.
Barra FL, Rodella G, Costa A, Scalogna A, Carenzo L, Monzani A, et al. From prompt to platform: An agentic AI workflow for healthcare simulation scenario design. Adv Simul. 2025; 10: 29.
Chatterjee J, Dethlefs N. This new conversational AI model can be your friend, philosopher, and guide... and even your worst enemy. Patterns. 2023; 4(1): 100676.
