เจาะลึกปัญหาการจัดตารางผลิต HMLV และทางออกด้วย AI
ทำไมระบบ ERP แบบเดิมจึงล้มเหลวในการจัดการโรงงานผลิตแบบ High-Mix Low-Volume และวิธีที่ AI ช่วยลดเวลาเซ็ตอัพได้ 10-20%
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- ระบบ ERP มาตรฐานถูกออกแบบมาเพื่อการผลิตซ้ำๆ จึงไม่เหมาะกับงานผลิตแบบ HMLV
- ปัญหาหลักคือเวลาเซ็ตอัพตามลำดับงาน คอขวดของทรัพยากร และความเปลี่ยนแปลงหน้างานตลอดเวลา
- AI และการเรียนรู้แบบเสริมแรง (Reinforcement Learning) ช่วยคำนวณตารางผลิตใหม่แบบเรียลไทม์
- การใช้ AI จัดตารางผลิตช่วยลดเวลาเซ็ตอัพรวมได้ 10-20% และเพิ่มอัตราการส่งมอบตรงเวลา 5-15%
การวางแผนการผลิตสำหรับโรงงานประเภท High-Mix Low-Volume (HMLV) ซึ่งได้แก่ โรงงานรับจ้างผลิต ชิ้นส่วนเฉพาะทาง หรือผู้ผลิตตามสั่ง ถือเป็นหนึ่งในโจทย์การปฏิบัติการที่ยากที่สุดในภาคอุตสาหกรรม โมดูลจัดตารางเวลาในระบบ ERP ทั่วไปถูกสร้างขึ้นมาเพื่อรองรับกระบวนการผลิตแบบซ้ำๆ แต่เมื่อต้องเผชิญกับความซับซ้อนของชิ้นงานนับร้อยรายการที่มีปริมาณน้อย กฎเกณฑ์สำเร็จรูปจึงพังทลายลงอย่างรวดเร็ว
ในสภาพแวดล้อมแบบ HMLV โรงงานต้องผลิตชิ้นส่วนนับร้อยรหัสในจำนวนน้อยชิ้น พร้อมด้วยเวลาเซ็ตอัพที่ขึ้นอยู่กับลำดับงาน ทรัพยากรที่มีจำกัดร่วมกัน และกำหนดส่งมอบที่จำเพาะเจาะจงต่อลูกค้าแต่ละราย กฎการทำงานที่เคยใช้ได้ดีกับงาน 50 รายการ กลับใช้ไม่ได้ผลเมื่อมีงานเพิ่มขึ้นถึง 500 รายการ ทำให้ผู้จัดการฝ่ายผลิตต้องคอยปรับตารางเวลาในระบบ ERP ด้วยมืออยู่ตลอดเวลา
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ในมุมมองเชิงวิเคราะห์ ปัญหาของระบบ ERP ในโรงงาน HMLV ไม่ใช่เพราะตัวกฎมีความผิดพลาด แต่เป็นเพราะปริมาณความซับซ้อนและพลวัตหน้างานมีสูงเกินกว่าที่ชุดกฎแบบสถิตจะรับมือไหว การแก้ปัญหาจึงต้องอาศัยการปรับให้เหมาะสมที่สุด (Optimization) ไม่ใช่แค่การเรียงลำดับงานตามกฎเกณฑ์ตายตัว
"ตารางเวลาใน ERP คือสิ่งที่เราเอาไว้ให้ลูกค้าดู แต่ลำดับการผลิตจริงคือสิ่งที่หัวหน้างานตัดสินใจทุกเช้า"
ผู้เชี่ยวชาญด้านการผลิตความท้าทายหลักในสภาพแวดล้อม HMLV ประกอบด้วยปัจจัยสำคัญหลายประการที่ทำให้การจัดตารางผลิตเป็นเรื่องยาก:
- เวลาเซ็ตอัพตามลำดับงาน (Sequence-dependent setup times) บนเครื่องจักร CNC หรือไลน์พ่นสี เวลาเปลี่ยนผ่านระหว่างงานขึ้นอยู่กับว่างานก่อนหน้าคืออะไร
- ทรัพยากรที่มีจำกัดร่วมกัน (Shared constrained resources) เครื่องจักรเฉพาะทางหรือช่างฝีมือสร้างคอขวดที่ส่งผลกระทบต่อเนื่องไปทั้งระบบ
- ความเปลี่ยนแปลงแบบไดนามิก (Dynamic arrivals) งานใหม่เข้ามา งานเดิมเปลี่ยนลำดับ หรือเครื่องจักรเกิดพังกลางคัน ทำให้ตารางของช่วงเช้าใช้ไม่ได้ในตอนเที่ยง
10-20%ลดเวลาเซ็ตอัพรวม5-15%เพิ่มการส่งมอบตรงเวลาระบบ APS (Advanced Planning and Scheduling) เข้ามาช่วยจัดการเรื่องเวลาเซ็ตอัพและข้อจำกัดได้ดีกว่า ERP ทั่วไป แต่มีข้อจำกัดเรื่องความต้องการข้อมูลหลักที่แม่นยำสูงและมีต้นทุนการดูแลรักษาสูง โรงงานส่วนใหญ่จึงใช้ตารางจาก ERP แค่ดูภาพรวมภาระงานรายสัปดาห์ แต่การตัดสินใจจริงหน้างานทำโดยหัวหน้างานผู้มีประสบการณ์
เทคโนโลยี AI เช่น Reinforcement Learning และ Genetic Algorithms เข้ามาเปลี่ยนแนวทางการแก้ปัญหา โดยจำลองสถานการณ์การจัดตารางนับล้านครั้งเพื่อเรียนรู้นโยบายที่ดีที่สุด ทำให้สามารถสร้างตารางใหม่ได้อย่างรวดเร็วเมื่อเกิดความเปลี่ยนแปลงหน้างาน
ผลลัพธ์ที่จับต้องได้จากการนำ AI มาใช้อย่างมีประสิทธิภาพคือ การลดเวลาเซ็ตอัพลง 10-20% และเพิ่มความตรงต่อเวลาในการส่งมอบ 5-15% อย่างไรก็ตาม ความสำเร็จเหล่านี้มีเงื่อนไขสำคัญคือข้อมูลตั้งต้นต้องถูกต้องแม่นยำ ทั้งเวลารูทติ้งและเมทริกซ์การเซ็ตอัพ เนื่องจาก AI ไม่ได้แก้ปัญหาข้อมูลดิบแต่เป็นการขยายผลกระทบของข้อมูลนั้นๆ
ที่มา:
Dev.to
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น