AI ช่วยลดค่าใช้จ่ายในการซ่อมบำรุง สามารถทำได้อย่างไร ?

0
269
ปัจจุบันมีการนำ AI มาในใช้ในอุตสาหกรรมต่าง ๆ เพื่อให้ได้ผลลัพธ์ทางธุรกิจที่ดีขึ้น หนึ่งในนั้นคือการนำ AI ช่วยลดค่าใช้จ่ายในการซ่อมบำรุง ลองไปดูเคสตัวอย่างนี้กัน

นักเศรษฐศาสตร์และนักวิเคราะห์อุตสาหกรรมจาก บิส อ๊อกฟอร์ด อีโคโนมิกส์ (BIS Oxford Economics) ระบุว่ากิจการเหมืองแร่ของประเทศออสเตรเลียกำลังเดินหน้าอย่างเต็มที่ซึ่งส่งผลดีต่อภาคการส่งออกและเศรษฐกิจในวงกว้าง แต่ด้วยต้นทุนด้านการซ่อมบำรุงที่คาดว่าจะเพิ่มขึ้นเกือบ 60 เปอร์เซ็นต์ในช่วงห้าปีถัดไป ทำให้หลายบริษัทต้องหันมาพิจารณาเรื่องการลงทุนในระบบที่จะช่วยควบคุมค่าใช้จ่ายดังกล่าวได้อย่างมีประสิทธิภาพ

จากรายงานของ บิส อ๊อกฟอร์ด อีโคโนมิกส์  เรื่องการทำเหมืองแร่ในประเทศออสเตรเลียตั้งแต่ปี พ.ศ. 2560 ถึง 2575 พบว่าการสำรวจ การผลิต การซ่อมบำรุงของการทำเหมืองแร่มีแนวโน้มจะเพิ่มขึ้นอย่างมากจนถึงปี 2561 และหลังจากนั้น การฟื้นตัวอย่างแข็งแกร่งในด้านราคาทำให้ผู้ประกอบกิจการเหมืองแร่มีผลกำไรเพิ่มมากขึ้น แต่ดูเหมือนว่าการซ่อมบำรุงกลับกลายเป็นต้นทุนสูงสุดในการดำเนินงาน

ทั้งนี้การซ่อมบำรุงมีผลต่อต้นทุนการดำเนินงานอย่างมากในช่วงหลายปีที่ผ่านมา และจากการใช้งานสินทรัพย์ที่มีอยู่เพิ่มมากขึ้นอันเนื่องมาจากสภาพตลาดที่เกิดการฟื้นตัว ทำให้คาดได้ว่างานซ่อมบำรุงจะเพิ่มขึ้นเกือบ 60 เปอร์เซ็นต์ในช่วงห้าปีข้างหน้านี้ ซึ่งถือเป็นโอกาสสำคัญสำหรับบรรดาผู้รับเหมาด้านการบริการ”

สำหรับเจ้าของสินทรัพย์แล้ว การควบคุมต้นทุนด้านการซ่อมบำรุงจะครอบคลุมถึงการบริหารจัดการอย่างรอบคอบและการทำงานสอดประสานร่วมกับผู้รับเหมาที่ให้บริการด้านการซ่อมบำรุง ขณะที่ฝั่งของผู้รับเหมาเองนั้น พวกเขาจะพยายามมองหาแนวทางที่จะช่วยให้การดำเนินงานตามสัญญาบรรลุผลได้อย่างดีที่สุด ตลอดจนเพิ่มมูลค่าสูงสุดให้กับเจ้าของสินทรัพย์และสามารถควบคุมค่าใช้จ่ายของตัวเองได้อย่างมีประสิทธิภาพ

เทคโนโลยีใหม่ๆ ได้แก่ การประมวลผลแบบคลาวด์ อุปกรณ์เคลื่อนที่ อินเทอร์เน็ต ออฟ ธิงส์ (Internet of Things) การซ่อมบำรุงเชิงพยากรณ์ การเพิ่มประสิทธิภาพด้านการวางแผนและการจัดตารางเวลา ข้อมูลขนาดใหญ่ (Big Data) ปัญญาประดิษฐ์ หรือ เอไอ (Artificial intelligence: AI) และความเป็นจริงเสริม หรือ      เออาร์ (Augmented Reality: AR) ทั้งหมดนี้ล้วนมีบทบาทสำคัญในการควบคุมต้นทุนด้านการซ่อมบำรุงโดยตรง

ใช้การวิเคราะห์เชิงคาดการณ์เพื่อเพิ่มประสิทธิภาพการซ่อมบำรุง

จากรายงานการวิจัยของเออาร์ซี แอดไวเซอรี่ กรุ๊ป (ARC Advisory Group) พบว่า 82% ของสินทรัพย์มีรูปแบบของความล้มเหลวแบบสุ่ม (Random Failure) กล่าวคือกลยุทธ์ด้านการซ่อมบำรุงเชิงป้องกันแบบดั้งเดิมนั้นไม่มีประสิทธิภาพในการบริหารจัดการด้านการหยุดทำงานของอุปกรณ์และเพิ่มอายุการใช้งานได้อย่างสูงสุด

จึงไม่น่าแปลกใจที่บรรดาบริษัทเหมืองแร่ต่างกำลังเดินหน้าปรับเปลี่ยนแนวทางจากการซ่อมบำรุงเชิงป้องกันตามปฏิทินไปเป็นการการซ่อมบำรุงตามสภาพหรือการใช้งานจริง และด้วยเซ็นเซอร์ที่สามารถระบุปัญหาที่เกิดขึ้นจริงได้ จึงทำให้แนวคิดด้านอินเทอร์เน็ต ออฟ ธิงส์ หรือ ไอโอที เข้ามามีส่วนผลักดันที่สำคัญต่อแนวโน้มดังกล่าว แต่ดูเหมือนว่าวิธีที่ดีที่สุดในการจัดการการซ่อมบำรุงอุปกรณ์และสินทรัพย์อื่นๆ เห็นจะหนีไม่พ้นการซ่อมบำรุงเชิงพยากรณ์

การซ่อมบำรุงเชิงพยากรณ์นำเสนอความน่าเชื่อถือทั้งโดยทันทีและในระยะยาว ทั้งยังช่วยประหยัดค่าใช้จ่ายได้อีกด้วย และเมื่อรวมเข้ากับระบบการเฝ้าติดตามและการบริหารจัดการสินทรัพย์แล้ว ก็จะช่วยให้บริษัทเหมืองแร่สามารถมองเห็นสินทรัพย์ของตนได้ดีขึ้น ช่วยลดปัญหาและความท้าทายที่ไม่สามารถควบคุมได้ เช่น ระยะทางและสภาพแวดล้อม

การซ่อมบำรุงเชิงพยากรณ์ให้มากกว่าความสามารถในการตรวจสอบประสิทธิภาพของสินทรัพย์อย่างต่อเนื่องผ่านเซ็นเซอร์ต่างๆ เช่น การตรวจสอบการสั่นสะเทือน นอกจากนี้ยังมีเครื่องมือพยากรณ์ที่สามารถใช้ในการประมวลผลข้อมูลป้อนเข้าและให้การตอบสนองอย่างชาญฉลาดโดยอัตโนมัติด้วย

ข้อมูลที่เก็บรวบรวมและการตอบสนองที่เกิดขึ้นจะถูกบันทึกและประมวลผลในระบบการบริหารจัดการสินทรัพย์ขององค์กร เพื่อให้มั่นใจได้ว่ามีการปฏิบัติตามกฎระเบียบ ระบบธุรกิจอัจฉริยะทำงานอย่างมีประสิทธิภาพ และลูกค้าได้รับความพึงพอใจ

ด้วยระบบการบริหารจัดการสินทรัพย์ขององค์กรแบบครบวงจรและการวิเคราะห์เชิงคาดการณ์ ทำให้สามารถลดเวลาหยุดทำงานของเครื่องจักรลงได้ เพิ่มประสิทธิภาพในการทำงานได้อย่างสูงสุด และปรับกระบวนการทำงานภายในห่วงโซ่เหตุการณ์ให้เหมาะกับกระบวนการทำงานทั้งหมด

ซึ่งครอบคลุมตั้งแต่การบริหารจัดการสินค้าคงคลังไปจนถึงทรัพยากรมนุษย์ หลังจากเปรียบเทียบข้อมูลที่ผ่านมากับข้อมูลปฏิบัติการแบบเรียลไทม์แล้ว การแจ้งเตือนจะกระตุ้นการทำงานของซอฟต์แวร์การบริหารจัดการสินทรัพย์ขององค์กรเหมืองแร่ให้ดำเนินการจัดตารางเวลาให้กับช่างเทคนิคที่มีทักษะความชำนาญการที่เหมาะสมและระบุชิ้นส่วนที่ถูกต้องเพื่อนำมาใช้ในการแก้ไขสิ่งผิดปกติที่เกิดขึ้นโดยอัตโนมัติ เป็นต้น

การเพิ่มประสิทธิภาพในระดับนี้ต้องใช้แหล่งข้อมูลหลายแหล่งร่วมกัน เช่น ข้อมูลสภาพเครื่องจักร ความสำคัญของสินทรัพย์ ระดับการให้บริการ การจัดหาอะไหล่ชิ้นส่วน ความพร้อมของวิศวกรบริการ เวลาเดินทาง สภาพอากาศ และอื่นๆ ทั้งหมดนี้เกี่ยวข้องโดยตรงกับความสามารถในการดึงข้อมูลมารวมเข้าด้วยกันเพื่อให้เห็นภาพที่ชัดเจน และนำไปสู่การนำเสนอทางเลือกในการตัดสินใจที่ดีที่สุดโดยอัตโนมัติผ่านระบบซอฟต์แวร์

ใช้ปัญญาประดิษฐ์หรือ เอไอ เพื่อคิดนอกกรอบ

แม้ว่าการประยุกต์ใช้ปัญญาประดิษฐ์ในหลายรูปแบบกำลังอยู่ในขั้นตอนเริ่มต้น แต่ในบางพื้นที่ก็ได้พิสูจน์ให้เห็นแล้วว่าเทคโนโลยีนี้สามารถสร้างประโยชน์ได้จริง บริษัท ไอเอฟเอส กำลังใช้อัลกอริทึมการเรียนรู้ของเครื่องจักรและเทคนิคอัจฉริยะอื่นๆ ภายใน ไอเอฟเอส แพลนนิ่ง แอนด์ สเกดิวลิ่ง ออปติไมเซชั่น หรือ พีเอสโอ  (IFS Planning & Scheduling Optimization (PSO)) เพื่อสร้างตารางเวลาที่เหมาะสมที่สุดสำหรับลูกค้าเป็นระยะเวลามากกว่า 12 ปี

หนึ่งในองค์ประกอบหลักใน IFS PSO คือ Dynamic Scheduling Engine (DSE) โดย DSE จะพยายามหาทางออกที่ดีที่สุดโดยอัตโนมัติเพื่อปรับให้เข้ากับปัญหาที่มีความเฉพาะเจาะจง ซึ่งโดยปกติแล้วจะเลือกใช้อัลกอริธึม 2 ถึง 6 ชุดจากความน่าจะเป็น 35 แนวทาง เพราะการทำงานร่วมกับของอัลกอริธึมย่อมดีกว่าการแยกส่วนการทำงานเพียงชุดเดียว

ส่งผลให้ทีมงานมักจะพบแนวทางที่สร้างสรรค์เนื่องจากระบบสามารถเรียนรู้การปรับเปลี่ยนได้โดยอัตโนมัติ โดยปกติแล้ว “การคิดนอกกรอบ” ของระบบจะทำได้ดีกว่ามนุษย์ เนื่องจากสามารถค้นหาแนวทางที่เป็นไปได้ในจำนวนที่มหาศาลอย่างมาก

จะเห็นได้จากกรณีของบริษัท คิวบิก ทรานสปอเตชัน ซิสเต็มส์  (Cubic Transportation Systems) ซึ่งเป็นหนึ่งในลูกค้าของเราที่เริ่มใช้ DSE เป็นครั้งแรก บริษัทแห่งนี้สังเกตเห็นว่าระบบกำลังทำการตัดสินใจในการจัดตารางเวลาที่แตกต่างจากการจัดตารางเวลาที่ดำเนินการโดยมนุษย์

ตัวอย่างเช่น อาจมีงานซ่อมจำนวนสามงาน ซึ่งทั้งหมดอยู่ในสถานที่แห่งเดียวกัน และหากเป็นก่อนหน้านี้วิศวกรจะต้องเดินทางไปยังสถานที่แห่งนี้และทำงานทั้งสามงานนี้พร้อมกัน แต่ในบางครั้ง DSE จะจัดตารางเวลาให้วิศวกรทำงานเร่งด่วนที่สถานที่ดังกล่าวก่อน จากนั้นจึงเดินทางไปที่อื่นเพื่อทำงานเร่งด่วนอีกอย่างเป็นลำดับต่อไป แล้วค่อยมาจัดการงานซ่อมที่ยังไม่เร่งด่วนในภายหลัง

อีกตัวอย่างหนึ่งที่ คิวบิก สังเกตเห็นได้ก็คือเมื่อวิศวกรเริ่มทำงาน พวกเขามักจะเดินผ่านงานที่ต้องทำเพื่อไปหางานอื่นๆ ที่มีความสำคัญมากกว่าหรือกลุ่มงานที่รวมกันอยู่หรือที่มีความเหมาะสมมากกว่า พวกเขาตั้งคำถามเรื่องนี้ในตอนแรกจนทราบชัดเจนว่า DSE กำลังช่วยเพิ่มประสิทธิภาพตารางเวลาในการทำงานทั้งหมดและเมื่อภารกิจเสร็จสิ้นเหล่าวิศวกรก็จะกลับมาทำงานเดิมในภายหลัง

การที่ DSE สามารถคิดหาแนวทางใหม่ๆ ได้สำเร็จ ทำให้คิวบิก  สามารถปรับปรุงอัตราการบรรลุข้อตกลงระดับการให้บริการ หรือ เอสแอลเอ (SLA) และเพิ่มความพร้อมใช้งานของเครื่องจักรได้ถึง 20 เปอร์เซ็นต์ ซึ่งช่วยให้พวกเขาสามารถทำสัญญาได้เพิ่มมากขึ้นโดยไม่ต้องสรรหาบุคลากรเพิ่มเติม

 

 

Comments

comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here

nine + 1 =