วิเคราะห์สาเหตุปัญหาคุณภาพในการผลิต
เมื่อสินค้าตกเกณฑ์ QC ซ้ำ ๆ การเพิ่มรอบตรวจสอบอาจไม่ช่วยให้ปัญหาหมดไป
ปัญหาคุณภาพกระทบทั้งต้นทุนวัตถุดิบ งานแก้ไข การวางแผนผลิต และกำหนดส่งมอบ โดยเฉพาะโรงงานที่รับวัตถุดิบหลายแหล่ง หรือผลิตสินค้าให้ลูกค้าต่างประเทศ
DEMETER ช่วยเชื่อมข้อมูลแต่ละ Batch กับผลตรวจ QC และสภาวะการเดินเครื่อง เพื่อศึกษาว่าปัจจัยใดเกี่ยวข้องกับความผิดปกติ และควรตรวจสอบสาเหตุอย่างไรต่อไป
ศึกษาภาพรวม บริการ AI สำหรับอุตสาหกรรมการผลิต และ บริการพัฒนาระบบ AI ตามความต้องการธุรกิจ
สินค้าที่ไม่ผ่านมาตรฐานอาจต้องพักรอการตรวจเพิ่มเติม นำกลับไปแก้ไข หรือผลิตใหม่ทั้งหมด ระหว่างนั้นเครื่องจักรและพนักงานยังมีต้นทุน และบางครั้งต้องเลื่อนส่งสินค้าให้ลูกค้า
หากแก้ปัญหาเฉพาะ Batch ที่ไม่ผ่าน QC โดยไม่ตรวจสอบเงื่อนไขการผลิตที่เกี่ยวข้อง ปัญหาเดิมก็มีโอกาสเกิดขึ้นอีก
ของเสียและงานแก้ไข
สูญเสียวัตถุดิบ ค่าแรง และเวลาเครื่องจักร ไปกับสินค้าที่ไม่ผ่านเกณฑ์
การผลิตและการส่งมอบล่าช้า
ต้องพักสินค้า ตรวจซ้ำ หรือปรับแผนผลิต กระทบคำสั่งซื้อและกำหนดส่งมอบ
เสียเวลาสืบหาปัญหาเดิม
ทีมผลิตและ QC ต้องกลับมาตรวจสอบเรื่องเดิม เพราะยังไม่มีผลยืนยันสาเหตุและแนวทางป้องกัน
ทำไมบาง Batch จึงมีสินค้าที่ไม่ผ่าน QC มากกว่าปกติ?
สมมติว่าโรงงานผลิตชิ้นส่วนพลาสติกแล้วพบปัญหา ขนาดชิ้นงานคลาดเคลื่อนเป็นบาง Batch ผลตรวจ QC บอกได้ว่า Batch ไหนมีของเสียมาก แต่ยังบอกไม่ได้ทันทีว่ามาจากวัตถุดิบ อุณหภูมิ แรงดัน สภาพแม่พิมพ์ หรือปัจจัยอื่น
กราฟด้านล่างเป็นข้อมูลสมมติจาก 7 Batch โดย B03, B05 และ B07 มีอัตราของเสียสูงกว่า เกณฑ์ตัวอย่างที่ 5% ตัวเลขเหล่านี้ใช้เพื่ออธิบายวิธีวิเคราะห์เท่านั้น ไม่ใช่ผลการดำเนินงานของลูกค้า DEMETER
ข้อมูลตัวอย่างเพื่ออธิบายแนวคิด ไม่ใช่ผลลัพธ์จากโครงการลูกค้า
เชื่อมผล QC กับข้อมูลการผลิตของแต่ละ Batch
ผลตรวจ QC แสดงว่าสินค้าไม่ผ่านเกณฑ์อะไร แต่การหาสาเหตุต้องดูต่อว่า Batch นั้นใช้วัตถุดิบล็อตใด ผลิตด้วยเครื่องจักรอะไร และมีการตั้งค่าหรือสภาวะการผลิตต่างจาก Batch ที่ผ่านเกณฑ์อย่างไร
เริ่มจากข้อมูลที่โรงงานมีอยู่ได้ ไม่ว่าจะเป็นใบสั่งผลิต บันทึกการเดินเครื่อง หมายเลขล็อตวัตถุดิบ หรือผลตรวจคุณภาพ สิ่งสำคัญคือข้อมูลแต่ละชุดต้องเชื่อมถึงกันได้ หากรหัส Batch หรือเวลาที่บันทึกไม่ตรงกัน ต้องจัดการเรื่องนี้ก่อนวิเคราะห์
พบความสัมพันธ์ในข้อมูล ยังไม่ใช่ข้อสรุปว่าเป็นสาเหตุ
การทำแผนผังก้างปลา (Fishbone Diagram) และการถามเหตุผลต่อเนื่องด้วย 5 Whys ช่วยรวบรวมสาเหตุที่เป็นไปได้ ส่วนการควบคุมกระบวนการทางสถิติ (SPC) ช่วยตรวจสอบว่าค่าการผลิตหรือผล QC มีความผิดปกติเมื่อใด
เมื่อนำข้อมูลต่าง ๆ มาเปรียบเทียบ อาจพบว่า Batch ที่มีของเสียสูง มักมีอุณหภูมิหรือความเร็วเครื่องจักรอยู่ในช่วงหนึ่ง แต่ยังสรุปไม่ได้ว่าตัวแปรนั้นเป็นสาเหตุ ต้องตรวจสอบตามหลักวิศวกรรม และทดลองภายใต้เงื่อนไขที่ควบคุมได้ก่อน
วิเคราะห์ปัญหา ทดลองแก้ไข และติดตามผลในการผลิตจริง
เริ่มจากกำหนดให้ชัดว่าความผิดปกติที่ต้องแก้คืออะไร เกิดบ่อยเพียงใด และมีต้นทุนเท่าไร จากนั้นนำข้อมูล Batch ที่ผ่านและไม่ผ่าน QC มาเปรียบเทียบ เพื่อเลือกปัจจัยที่ควรตรวจสอบเพิ่มเติม แล้วจึงออกแบบการทดลองและติดตามผลหลังปรับปรุง
หากโรงงานต้องใช้การวิเคราะห์นี้อย่างต่อเนื่อง DEMETER สามารถพัฒนา ระบบ AI ตามความต้องการธุรกิจ และเชื่อมต่อข้อมูลจากระบบเดิมได้ แต่ไม่จำเป็นว่าทุกโครงการต้องเริ่มจากการสร้างโมเดล AI
วิเคราะห์ด้วยวิธีที่เหมาะสม ไม่จำเป็นต้องใช้ AI ทุกกรณี
การควบคุมกระบวนการทางสถิติ (SPC)
ติดตามค่าการผลิตและผล QC เพื่อดูว่าความแปรปรวนอยู่ในระดับปกติ หรือมีสัญญาณผิดปกติที่ควรตรวจสอบ
การวิเคราะห์ทางวิศวกรรม
พิจารณาข้อจำกัดของเครื่องจักร คุณสมบัติวัตถุดิบ และกลไกของกระบวนการ เพื่อคัดกรองสาเหตุที่เป็นไปได้
การออกแบบการทดลอง (DOE)
ทดลองปรับปัจจัยสำคัญอย่างเป็นระบบ เมื่อข้อมูลย้อนหลังยังแยกผลกระทบ ของแต่ละปัจจัยไม่ได้
การวิเคราะห์ข้อมูลด้วย AI
ช่วยพิจารณาตัวแปรหลายตัวพร้อมกัน และจัดลำดับประเด็นที่ควรตรวจสอบ เมื่อมีข้อมูลเหมาะสมเพียงพอ
ปัญหาคุณภาพในแต่ละอุตสาหกรรม ต้องวิเคราะห์ต่างกัน
เคมีภัณฑ์และเครื่องสำอาง
ความหนืด สี ความเข้มข้น หรือคุณสมบัติของผลิตภัณฑ์ไม่ตรงตามข้อกำหนด
พลาสติกและพอลิเมอร์
ขนาดชิ้นงานคลาดเคลื่อน ชิ้นงานบิดงอ หรือคุณภาพงานขึ้นรูปไม่สม่ำเสมอ
โลหะและชิ้นส่วนความแม่นยำสูง
ขนาดเกินค่าความคลาดเคลื่อน ผิวชิ้นงานมีตำหนิ และต้องนำกลับไปแก้ไขซ้ำ
อาหารและเครื่องดื่ม
คุณสมบัติสินค้าแต่ละ Batch ไม่สม่ำเสมอ หรือผลตรวจไม่ผ่านข้อกำหนดของผลิตภัณฑ์
แต่ละโรงงานมีเกณฑ์ QC วัตถุดิบ และกระบวนการต่างกัน จึงต้องกำหนดวิธีวิเคราะห์ให้เหมาะกับงาน หากปัญหาเกิดหลังขยายขนาดการผลิต แนะนำให้อ่าน บทความการขยายการผลิตจากห้อง Lab สู่โรงงาน หรือดู บริการ Industrial AI สำหรับโรงงาน
ประเมินจากคุณภาพและต้นทุนการผลิตที่เปลี่ยนไป
สัดส่วนสินค้าที่ไม่ผ่านข้อกำหนดคุณภาพ ที่กำหนดไว้
สัดส่วนสินค้าที่ผ่าน QC โดยไม่ต้องนำกลับไปแก้ไข
มูลค่าวัตถุดิบ เวลาเครื่องจักร และค่าแรงที่สูญเสีย
ระยะเวลาตั้งแต่พบปัญหา จนมีหลักฐานเพียงพอสำหรับตัดสินใจแก้ไข
ติดตามว่าความผิดปกติเดิม กลับมาเกิดอีกหลังการแก้ไขหรือไม่
ติดตามความแปรปรวน ของค่าคุณภาพที่สำคัญ
ก่อนทดลองปรับกระบวนการ ต้องตกลงกับทีมผลิตและ QC ว่าจะวัดอะไร ใช้ข้อมูลช่วงใดเป็นค่าตั้งต้น และจะทดสอบผลอย่างไร การลดของเสียหรือเพิ่มคุณภาพ ต้องยืนยันจากการผลิตจริง ไม่ใช่ถือว่าตัวเลขที่โมเดลคาดการณ์ เป็นผลประหยัดที่เกิดขึ้นแล้ว
คำถามจากทีมผลิตและฝ่ายควบคุมคุณภาพ
ถ้ามีข้อมูลการผลิตย้อนหลังไม่มาก เริ่มวิเคราะห์ได้หรือไม่?
เริ่มประเมินความเป็นไปได้ได้ หากมีข้อมูลสำคัญ เช่น ผล QC ค่าการเดินเครื่อง และบันทึก Batch ที่เชื่อมโยงกัน อย่างไรก็ตาม ข้อมูลอาจยังไม่พอ สำหรับสร้างโมเดลทำนาย จึงต้องตรวจสอบก่อนว่าควรวัดค่าอะไรเพิ่ม หรือทดลองภายใต้เงื่อนไขใด
ต่างจากการใช้กล้อง AI ตรวจหาของเสียอย่างไร?
ระบบตรวจภาพช่วยระบุหรือคัดแยก ชิ้นงานที่มีตำหนิ ส่วนการวิเคราะห์หาสาเหตุจะตรวจสอบว่า วัตถุดิบ เครื่องจักร หรือสภาวะการผลิตใด อาจมีส่วนทำให้เกิดตำหนินั้น ผลจากกล้องสามารถใช้ประกอบการวิเคราะห์ได้ แต่ไม่ใช่หลักฐานยืนยันสาเหตุโดยลำพัง
จำเป็นต้องใช้ AI ในการหาสาเหตุทุกกรณีหรือไม่?
ไม่จำเป็น บางปัญหาสามารถเริ่มจาก SPC การวิเคราะห์ทางวิศวกรรม หรือการออกแบบการทดลองได้ หากข้อมูลมีหลายปัจจัย และมีความซับซ้อนมากขึ้น จึงพิจารณาว่า AI จะช่วยให้วิเคราะห์ได้ดีขึ้นหรือไม่
AI จะเปลี่ยนค่าการทำงานของเครื่องจักรเองหรือไม่?
ขั้นต้นใช้เพื่อช่วยวิเคราะห์ และเสนอปัจจัยที่ควรตรวจสอบ การปรับค่าการผลิตต้องผ่านวิศวกร และผู้รับผิดชอบด้านคุณภาพ รวมถึงการทดลองยืนยันผลก่อน ส่วนการควบคุมเครื่องจักรอัตโนมัติ ต้องประเมินความปลอดภัย และระบบเชื่อมต่อเพิ่มเติม
ควรเริ่มโครงการจากปัญหาแบบไหน?
เลือกปัญหาคุณภาพที่เกิดซ้ำ และมีข้อมูลหรือต้นทุนให้ตรวจสอบได้ เช่น สินค้าไม่ผ่าน QC บาง Batch หรือมีงานแก้ไขสูงผิดปกติ จากนั้นให้ทีมผลิต QC และ DEMETER ร่วมกันดูข้อมูลที่มี และกำหนดวิธีทดสอบเพื่อหาสาเหตุ
หากโรงงานพบปัญหาคุณภาพซ้ำ ๆ เริ่มจากตรวจสอบข้อมูลที่มีอยู่ก่อน
แจ้งประเภทสินค้าที่มีปัญหา ผล QC และข้อมูล Batch ที่สามารถนำมาตรวจสอบได้ ทีมงานจะช่วยหารือแนวทางประเมินสาเหตุ และการทดลองที่เหมาะสม ก่อนตัดสินใจพัฒนาระบบเพิ่มเติม
ดู บริการ Industrial AI สำหรับโรงงาน และ บริการพัฒนาระบบ AI ตามความต้องการ
ข้อมูลที่ช่วยให้หารือได้ตรงประเด็น
01 — ปัญหาคุณภาพที่เกิดซ้ำ
02 — ผลิตภัณฑ์และ Batch ที่ได้รับผลกระทบ
03 — ข้อมูลวัตถุดิบ การเดินเครื่อง และผล QC
04 — ต้นทุนของเสีย งานแก้ไข หรือผลกระทบต่อการส่งมอบ
เริ่มจากการประเมินปัญหา ไม่จำเป็นต้องลงทุนพัฒนา AI ทันที
ปรึกษาปัญหาคุณภาพในการผลิตกับทีม DEMETER
ติดต่อเพื่อพูดคุยเกี่ยวกับปัญหาการผลิต ข้อมูลที่มีอยู่ และแนวทางประเมินโครงการเบื้องต้น
