การนำซอฟต์เซนเซอร์ AI มาใช้ เพื่อเติม “ช่วงเวลาที่มองไม่เห็นระหว่างการวิเคราะห์ในห้องแล็บ”
โรงงานกระบวนการผลิต (process plant) ที่พิจารณาการนำซอฟต์เซนเซอร์ (soft sensor หรือที่เรียกว่าเซนเซอร์อนุมานหรือเซนเซอร์เสมือน) แบบ AI มาใช้มีจำนวนเพิ่มขึ้น ค่าคุณภาพอย่างความสามารถในการไหลของเรซิน ความหนืด ความเข้มข้น ความชื้น และอัตราการเกิดปฏิกิริยา จะรู้ได้ก็ต่อเมื่อวิเคราะห์ในห้องแล็บเท่านั้น ระหว่างรอผล เราจึงมองไม่เห็นคุณภาพของผลิตภัณฑ์ที่ผลิตออกไปในช่วงนั้น เมื่อเปลี่ยนเกรดผลิตภัณฑ์ การตัดสินว่าเข้าสเปกแล้วหรือยังก็ต้องรอผลแล็บเช่นกัน ส่วนเครื่องวิเคราะห์ออนไลน์ (online analyzer) ก็มีทั้งค่าอุปกรณ์และภาระการบำรุงรักษาสูง ด้วยเหตุนี้สำนักงานใหญ่ที่ญี่ปุ่นจึงมักขอให้โรงงานพิจารณาว่า “AI ช่วยอะไรได้ไหม”
บทความนี้มีข้อเสนอหลักเพียงข้อเดียว การนำซอฟต์เซนเซอร์มาใช้ไม่ใช่เรื่องของ “การสร้างโมเดล AI” แต่เป็นเรื่องของการตัดสินใจล่วงหน้าว่า “จะประมาณค่าคุณภาพตัวใด จะใช้ผลแล็บตัวใดเป็นคำตอบที่ถูกต้อง จะจับคู่กับข้อมูลกระบวนการ ณ เวลาใด และเมื่อโมเดลเสื่อมลง ใครจะแก้อย่างไร” เป้าหมายแรกไม่ใช่การลดการวิเคราะห์ในห้องแล็บ แต่คือการเติมช่วงเวลาที่มองไม่เห็นระหว่างการวิเคราะห์แต่ละครั้ง โมเดลจะเสื่อมลงตามเวลา จึงต้องออกแบบการแก้ไขค่าไบแอส (bias correction) และการฝึกโมเดลใหม่ (retraining) ไว้ตั้งแต่แรก การลดความถี่ของการวิเคราะห์ในห้องแล็บเป็นขั้นตอนสุดท้ายแบบเลือกทำ ซึ่งทำได้หลังจากยืนยันความแม่นยำด้วยการใช้งานคู่ขนาน และได้รับการอนุมัติจากฝ่ายประกันคุณภาพ (QA) และลูกค้าแล้วเท่านั้น และซอฟต์เซนเซอร์ใช้ไม่ได้นอกช่วงข้อมูลที่ใช้ฝึก (เกรดใหม่ วัตถุดิบใหม่)
ก่อนอื่น ขอแยกความแตกต่างจากคำที่คล้ายกัน การตรวจจับความผิดปกติของเครื่องจักร ซึ่งใช้จับสัญญาณล่วงหน้าของการเสียของเครื่องจักร จะดู “สภาพของเครื่องจักร” ส่วน การตรวจจับการเลื่อนของกระบวนการด้วยแผนภูมิควบคุม SPC จะหาการเปลี่ยนแปลงของกระบวนการจากลำดับของค่าที่วัดไปแล้ว และ AI เพิ่มประสิทธิภาพสูตรผสม เป็นเครื่องมือฝั่งงานพัฒนาที่เสนอสูตรผสมถัดไปที่ควรทดลอง ส่วนซอฟต์เซนเซอร์ในบทความนี้ คือกลไกที่ ประมาณค่าคุณภาพซึ่งยังไม่ได้วัด (วัดได้เฉพาะในห้องแล็บ) จากข้อมูลต่อเนื่อง เช่น อุณหภูมิ ความดัน และอัตราการไหล ทั้งเป้าหมายและข้อมูลนำเข้าจึงต่างจากสามเรื่องข้างต้น
ผู้อ่านเป้าหมายคือผู้จัดการโรงงาน หัวหน้าฝ่ายผลิต ฝ่ายประกันคุณภาพ วิศวกรการผลิต และผู้รับผิดชอบงานเครื่องมือวัด (instrumentation) ของโรงงานกระบวนการผลิตในประเทศไทย เช่น เคมีภัณฑ์ คอมพาวด์เรซิน ปิโตรเคมีขั้นปลาย ยาง อาหาร และกระดาษ ทั้งนี้ บทความนี้ไม่ใช่การแนะนำหรือจัดอันดับผลิตภัณฑ์ใด ส่วนการประมาณต้นทุนในช่วงท้ายใช้ตัวเลขสมมติที่ตั้งขึ้นสำหรับบทความนี้
ซอฟต์เซนเซอร์คืออะไร: นิยามและกลไก
Fuji Electric นิยามซอฟต์เซนเซอร์ไว้ในบทความแนะนำผลิตภัณฑ์ในวารสาร Keisoku to Seigyo (การวัดและการควบคุม ฉบับเดือนสิงหาคม 2023) ว่าเป็น “เทคโนโลยีที่คำนวณประมาณค่าซึ่งวัดแบบเรียลไทม์ได้ยาก โดยใช้ข้อมูลที่เก็บได้ง่าย เช่น อุณหภูมิ ความดัน และอัตราการไหล” และระบุว่าใช้ในโรงงานเคมี เหล็ก และยา เป็นต้น ภูมิหลังของการนำมาใช้คือ ค่าที่เกี่ยวกับคุณภาพ เช่น ความเข้มข้นขององค์ประกอบหรือความแข็งแรง ต้องใช้เวลาวิเคราะห์นาน หากผลิตภัณฑ์ต่ำกว่าเกณฑ์แล้วยังถูกส่งต่อไปยังกระบวนการถัดไป ก็ต้องผลิตใหม่ ทำให้สูญเสียวัตถุดิบและพลังงาน
รายงานประจำปีด้านการวิจัยของ Toagosei (TREND 2022) อธิบายเชิงโครงสร้างมากกว่า ซอฟต์เซนเซอร์คือเซนเซอร์ที่พยากรณ์ตัวแปรซึ่งวัดแบบเรียลไทม์ได้ยาก เช่น อัตราการเกิดปฏิกิริยา จากตัวแปรกระบวนการที่วัดแบบเรียลไทม์ได้ เช่น อุณหภูมิ และไม่มีชิ้นส่วนทางกายภาพอย่างส่วนตรวจจับ ความสัมพันธ์ระหว่างตัวแปรอธิบาย X (อุณหภูมิ ความดัน ฯลฯ) กับตัวแปรเป้าหมาย y (อัตราการเกิดปฏิกิริยา ฯลฯ) แสดงด้วยฟังก์ชัน y = f(X) และสร้างขึ้นจากการวิเคราะห์การถดถอยของข้อมูลจริงในอดีต รายงานเดียวกันยังระบุว่า เนื่องจากเป็นเพียงค่าพยากรณ์ จึงต้องยืนยันว่าความคลาดเคลื่อนจากค่าที่วัดจริงมีขนาดเล็กเพียงพอ
คำที่ใกล้เคียงกันคือ “การวัดเสมือน (Virtual Metrology หรือ VM)” Dreyfus และคณะ (2022, International Journal of Production Research) นิยาม VM ว่า “การประมาณคุณภาพของผลิตภัณฑ์โดยตรงจากข้อมูลกระบวนการผลิต โดยไม่วัดทางกายภาพ” งานทบทวนวรรณกรรมอย่างเป็นระบบจากบทความ 199 ฉบับนี้แสดงว่ามีการประยุกต์ใช้ในอุตสาหกรรมการผลิตนอกเหนือจากเซมิคอนดักเตอร์ด้วย และกรอบแนวคิดมีองค์ประกอบอย่างตัวประมาณคุณภาพและตัวตรวจจับการเลื่อน (drift detector) ชื่อเรียกต่างกันไปตามอุตสาหกรรม แต่แนวคิด “ไม่วัด แต่ประมาณคุณภาพจากข้อมูลกระบวนการ” เป็นแนวคิดร่วมกัน
ซอฟต์เซนเซอร์ยังมีการใช้งานนอกเหนือจากเรื่องคุณภาพ บทความปี 2014 ของวิศวกร ABB แนะนำ 2 กรณีที่ใช้เซนเซอร์อนุมานเพื่อเฝ้าติดตามการปล่อยมลพิษ (PEMS หรือระบบเฝ้าติดตามการปล่อยมลพิษเชิงพยากรณ์) โดยระบุว่าโรงกลั่นแห่งหนึ่งในยุโรปใช้เป็นระบบสำรองของอุปกรณ์ตรวจวัดการปล่อยมลพิษแบบต่อเนื่อง และยกระดับอัตราความพร้อมใช้งานของระบบเฝ้าติดตามให้สูงกว่า 97.5% อย่างมาก นี่เป็นการประมาณค่าการปล่อยมลพิษ ไม่ใช่คุณภาพ และตัวเลขนี้เป็นค่าของกรณีนี้เท่านั้น

ดังภาพ ในกรณีของเครื่องอัดรีด (extruder) โมเดลจะรับข้อมูลต่อเนื่อง เช่น อุณหภูมิกระบอก (barrel) ความดันพลาสติกหลอม ความเร็วรอบสกรู กระแสมอเตอร์ และอัตราการป้อนวัตถุดิบ แล้วประมาณค่าคุณภาพทุกไม่กี่นาที (ในภาพคือทุก 1 นาที) การวิเคราะห์ในห้องแล็บยังทำเหมือนเดิม นำผลแล็บมาเทียบกับค่าประมาณ หากมีความเบี่ยงเบนก็แก้ไขค่าไบแอส และหากเห็นการเสื่อมก็ฝึกโมเดลใหม่ หลักการพื้นฐานของกลไกนี้คือ ผลแล็บยังคงเป็น “คำตอบที่ถูกต้อง” ตลอดไป
ทำไมโรงงานกระบวนการผลิตในไทยจึงพิจารณาเรื่องนี้ในตอนนี้
เหตุผลแรกคือการสนับสนุนจากสำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) มาตรการ “Smart and Sustainable Industry” ในคู่มือการส่งเสริมการลงทุนของ BOI (ฉบับปี 2023) ระบุ “การนำเทคโนโลยีดิจิทัลมาใช้” เป็นการปรับปรุงประสิทธิภาพของกิจการเดิม และระบุชัดว่าหนึ่งในเป้าหมายคือ “การใช้ AI, Machine Learning, Big Data และ Data Analytics” การลงทุนด้าน AI และ Machine Learning สามารถนับรวมในมูลค่าการลงทุนเพื่อปรับปรุงประสิทธิภาพได้ สิทธิประโยชน์คือการยกเว้นภาษีเงินได้นิติบุคคล 3 ปี โดยมีเพดานไม่เกิน 50% ของมูลค่าการลงทุนเพื่อปรับปรุงประสิทธิภาพ กรณีเปลี่ยนเครื่องจักรหรือระบบอัตโนมัติแล้วเข้าเงื่อนไข เช่น การร่วมมือกับอุตสาหกรรมระบบอัตโนมัติของไทย เพดานจะเป็น 100% เอกสารชี้แจงของ BOI ลงวันที่ 4 สิงหาคม 2026 ก็ยืนยันว่ามาตรการเดียวกันยังดำเนินอยู่ อย่างไรก็ตาม จากเอกสารสาธารณะยังสรุปไม่ได้ว่าการลงทุนด้าน AI จะนับเป็นมูลค่าการลงทุนเต็มจำนวนหรือครึ่งหนึ่ง ความเป็นไปได้ในการยื่นขอและการได้รับสิทธิ์ โปรดสอบถาม BOI เป็นรายกรณี
The Nation (13 สิงหาคม 2026) รายงานว่า ตั้งแต่เริ่มมาตรการในปี 2023 จนถึงครึ่งแรกของปี 2026 มีคำขอรับการส่งเสริมตามมาตรการนี้ 1,397 คำขอ มูลค่าการลงทุนรวมเกิน 146,000 ล้านบาท
เหตุผลที่สองคือแผนการลงทุนของบริษัทญี่ปุ่น MGR Online (17 สิงหาคม 2026) และ Pattaya Mail (18 สิงหาคม 2026) รายงานผลสำรวจภาวะธุรกิจ (ครึ่งแรกของปี 2026) ซึ่งสำรวจบริษัทญี่ปุ่นในไทย 504 ราย ในจำนวน 432 รายที่ตอบคำถามเรื่องแผนการลงทุน 59% (256 ราย) วางแผนเปลี่ยนเครื่องจักรเดิม 31% (132 ราย) วางแผนปรับปรุงประสิทธิภาพการผลิต และ 22% (96 ราย) วางแผนลงทุนด้านการเปลี่ยนผ่านสู่ดิจิทัล รายงานเดียวกันยังอ้างตัวเลขของ BOI ว่า ในช่วงปี 2023 ถึงครึ่งแรกของปี 2026 บริษัททุนญี่ปุ่นยื่นคำขอตามมาตรการนี้มากกว่า 400 คำขอ มูลค่ามากกว่า 55,000 ล้านบาท
เหตุผลที่สามคือสภาพแวดล้อมการผลิตที่ยากลำบาก The Nation (27 กรกฎาคม 2026) รายงานว่า ดัชนีผลผลิตอุตสาหกรรม (MPI) ของไทยเดือนมิถุนายน 2026 อยู่ที่ 94.99 ลดลง 3.10% เมื่อเทียบกับเดือนเดียวกันของปีก่อน และอัตราการใช้กำลังการผลิตอยู่ที่ 57.61% เมื่อแยกตามอุตสาหกรรม เคมีภัณฑ์พื้นฐานเพิ่มขึ้น 22.35% (จากความต้องการโซดาไฟและคลอรีน) ขณะที่การกลั่นน้ำมันลดลง 7.97% อย่างไรก็ตาม ตัวเลขเหล่านี้เป็นการประกาศก่อนการปรับปรุง สำนักงานเศรษฐกิจอุตสาหกรรม (OIE) ได้ปรับปรุงวิธีคำนวณ MPI เมื่อวันที่ 30 กันยายน 2026 (The Nation, 8 ตุลาคม 2026) จึงนำมาเปรียบเทียบเคียงกับชุดข้อมูลหลังการปรับปรุงไม่ได้ ในภาวะที่อัตราการใช้กำลังการผลิตต่ำกว่า 60% การลดผลิตภัณฑ์นอกสเปกและความสูญเสียจากการเปลี่ยนเกรดภายใต้ปริมาณการผลิตที่จำกัดจึงมีความหมายมากขึ้น
PTT Global Chemical (GC) บริษัทปิโตรเคมีรายใหญ่ของไทย ก็แนะนำ “Smart Plant” และ Plant-wide Optimization ด้วย AI และแบบจำลองโรงงานดิจิทัลในข่าวเดือนมกราคมและกรกฎาคม 2026 (เป็นการประกาศของบริษัท และไม่มีการกล่าวถึงซอฟต์เซนเซอร์หรือการประมาณคุณภาพ)
ประเภทของวิธีการ: PLS โครงข่ายประสาทเทียม JIT และอื่น ๆ
งานทบทวนของ Kadlec, Gabrys และ Strandt (2009, Computers and Chemical Engineering) ระบุวิธีที่ใช้บ่อยในซอฟต์เซนเซอร์แบบขับเคลื่อนด้วยข้อมูล ได้แก่ การวิเคราะห์องค์ประกอบหลัก (PCA) ที่ใช้ร่วมกับการถดถอย, PLS (Partial Least Squares หรือการถดถอยกำลังสองน้อยที่สุดบางส่วน), โครงข่ายประสาทเทียม, นิวโรฟัซซี (neuro-fuzzy) และซัพพอร์ตเวกเตอร์แมชชีน การใช้งานหลักคือการพยากรณ์ตัวแปรกระบวนการซึ่งได้มาจากการวิเคราะห์ที่มีความถี่ต่ำหรือการวิเคราะห์แบบออฟไลน์เท่านั้น
เหตุผลที่ PLS ถูกใช้บ่อยคือภาวะร่วมเส้นตรง (collinearity) ของข้อมูลกระบวนการ เทอร์โมมิเตอร์ 2 ตัวที่ติดตั้งใกล้กันจะแสดงค่าเกือบเท่ากัน งานทบทวนเดียวกันระบุว่า สำหรับข้อมูลลักษณะนี้ วิธีที่แปลงข้อมูลไปสู่ปริภูมิมิติต่ำซึ่งมีสหสัมพันธ์น้อยด้วย PCA หรือ PLS เป็นวิธีที่พบมากที่สุดในอุตสาหกรรมกระบวนการผลิต กรณีของ Toagosei ก็เลือก PLS เพราะเป็นวิธีที่ “มีข้อดีคือหลีกเลี่ยงภาวะร่วมเส้นตรงพหุได้”
Lawrence และคณะ (2024 เผยแพร่บน arXiv ในรูปแบบพรีปรินต์ที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ) แบ่งซอฟต์เซนเซอร์เป็นแบบขับเคลื่อนด้วยความรู้ (กล่องขาว) แบบขับเคลื่อนด้วยข้อมูล (กล่องดำ) และแบบไฮบริด (กล่องเทา) จากการสำรวจบทความช่วงปี 2015–2023 ในบรรดาวิธี Machine Learning โครงข่ายประสาทเทียมได้รับความสนใจมากที่สุด และในการสร้างโมเดลเฉพาะที่ (local modeling) ของโมเดลแบบปรับตัว PLS เป็นตัวเลือกที่พบบ่อย ในทางกลับกัน วิธีที่มีรายงานว่าไปถึงขั้นนำไปใช้จริงในอุตสาหกรรมจำกัดอยู่ที่ PLS, Multilayer Perceptron, Wavelet NN, SVM, RVM, Gaussian Process Regression และ Regression Tree กล่าวคือ จำนวนวิธีที่ถูกเสนอในงานวิจัยกับจำนวนวิธีที่ใช้จริงในหน้างานมีความแตกต่างกัน
อีกสายหนึ่งคือโมเดล JIT (Just-In-Time) (วิธีที่สร้างโมเดลเฉพาะที่จากข้อมูลที่ใกล้เคียงทุกครั้งที่ต้องพยากรณ์) วิธีนี้เกี่ยวข้องอย่างมากกับการรับมือการเสื่อมของโมเดล จึงจะกล่าวถึงอีกครั้งในบทที่ 11
นอกจากนี้ยังมีแบบไฮบริดระหว่างแบบจำลองทางฟิสิกส์กับ AI Kubosawa และคณะ (2022 พรีปรินต์ที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ) ระบุว่าซอฟต์เซนเซอร์เชิงสถิติไม่ทนต่อสถานการณ์ที่ไม่มีในข้อมูลอดีต และเสนอวิธีประมาณองค์ประกอบ ความหนืด ฯลฯ ด้วยเครื่องจำลองพลวัต (dynamic simulator) ร่วมกับการเรียนรู้แบบเสริมกำลัง (reinforcement learning)
ข้อสรุปเชิงปฏิบัติคือ ความแม่นยำขึ้นอยู่กับข้อมูลและการปฏิบัติการมากกว่าการเลือกวิธี ไม่ว่าจะใช้วิธีใด หากฝึกด้วยข้อมูลที่จัดเวลาไม่ตรงกัน ความแม่นยำก็ไม่เกิด และหากไม่ดูแลการเสื่อมของโมเดล ระบบก็จะเลิกถูกใช้งาน การเปรียบเทียบวิธีทำหลังจากจัดเตรียมข้อมูลให้พร้อมแล้วก็เพียงพอ
ค่าคุณภาพที่เหมาะและไม่เหมาะกับซอฟต์เซนเซอร์
ศาสตราจารย์ Kimito Funatsu (มหาวิทยาลัยโตเกียว เอกสารประกอบการบรรยายปี 2016) ระบุปัญหาของการพัฒนาซอฟต์เซนเซอร์ตามลำดับตั้งแต่การเก็บข้อมูลจนถึงการใช้งาน ได้แก่ ความน่าเชื่อถือของข้อมูล ค่าผิดปกติและสัญญาณรบกวน การเลือกวิธีถดถอย การเรียนรู้เกิน (overfitting) ความไม่เป็นเชิงเส้น การเลือกตัวแปร พลวัตของกระบวนการ การตีความโมเดล การตรวจสอบความถูกต้อง ขอบเขตการใช้งานและความแม่นยำของการพยากรณ์ การเสื่อมและการบำรุงรักษาโมเดล และการตรวจจับข้อมูลผิดปกติ เมื่อพลิกมุมมองรายการนี้ ก็จะเห็นว่าเป้าหมายแบบใดเหมาะและแบบใดไม่เหมาะ
| มุมมองในการตัดสิน | เหมาะ (○) | ไม่เหมาะ (×) |
|---|---|---|
| ผลแล็บที่ใช้เป็นคำตอบที่ถูกต้อง | วิเคราะห์เป็นประจำและมีบันทึกเก็บไว้ | วิเคราะห์เพียงไม่กี่ครั้งต่อปี |
| ข้อมูลนำเข้า | อุณหภูมิ ความดัน อัตราการไหล ฯลฯ ซึ่งมีผลต่อคุณภาพ ถูกบันทึกอย่างต่อเนื่อง | ปัจจัยที่มีผลต่อคุณภาพไม่มีเครื่องมือวัดติดตั้ง |
| ช่วงการเดินเครื่อง | เกรดผลิตภัณฑ์และเงื่อนไขการเดินเครื่องค่อนข้างคงที่ | มีเกรดใหม่จำนวนมาก และเงื่อนไขต่างกันทุกครั้ง |
| ผลของวัตถุดิบ | ความแปรปรวนของวัตถุดิบน้อย หรือมีการบันทึกข้อมูลล็อต | ล็อตวัตถุดิบมีผลมาก แต่ไม่ได้วัด |
| คุณภาพข้อมูล | ทราบสาเหตุของข้อมูลขาดหายและค่าผิดปกติ | ปล่อยให้เครื่องมือวัดชำรุดหรือหมดอายุการสอบเทียบโดยไม่แก้ไข |
หากมี × มากแต่ยังฝืนดำเนินการ ก็จะเป็นการประมาณค่านอกช่วงข้อมูลที่ใช้ฝึก Lawrence และคณะเขียนว่า ความถูกต้องของโมเดลแบบขับเคลื่อนด้วยข้อมูลอาจใช้ไม่ได้เมื่อเงื่อนไขต่างจากที่ใช้ฝึกไปมาก ส่วน Toagosei ก็ระบุว่า เนื่องจากข้อมูลฝึกกระจุกอยู่ใกล้อัตราการเกิดปฏิกิริยาเป้าหมาย การพยากรณ์ในช่วงต้นของปฏิกิริยาจึงเชื่อถือไม่ได้ และควรกำหนดช่วงที่ซอฟต์เซนเซอร์ใช้ได้อย่างเหมาะสม การนำไปใช้กับการเริ่มผลิตเกรดใหม่หรือวัตถุดิบใหม่จึงผิดวัตถุประสงค์ตั้งแต่ต้น
3 เรื่องที่ต้องตัดสินใจก่อน: ค่าคุณภาพเป้าหมาย ผลแล็บที่ใช้เป็นคำตอบ และวิธีใช้งาน
ก่อนเข้าสู่เรื่องโมเดล ให้เขียน 3 เรื่องต่อไปนี้ลงกระดาษและตกลงร่วมกันระหว่างผู้เกี่ยวข้อง
① ค่าคุณภาพเป้าหมาย ตัวอย่างเช่น MFI (Melt Flow Index หรือดัชนีการไหลของพลาสติกหลอม ซึ่งบอกความสามารถในการไหลของเรซิน) ของสายการผลิตเครื่องอัดรีด ให้จำกัดค่าคุณภาพไว้เพียงค่าเดียว และกำหนดว่าจะใช้กับสายการผลิตใด และกลุ่มเกรดใด หากขยายไปหลายค่าคุณภาพและทุกสายการผลิตตั้งแต่แรก งานจัดเวลาข้อมูลและงานตรวจสอบข้อมูลจะเพิ่มขึ้นอย่างมากในทันที
② ผลแล็บที่ใช้เป็นคำตอบที่ถูกต้อง แม้เป็น MFI เหมือนกัน ค่าที่ได้อาจคลาดเคลื่อนไปตามเงื่อนไขการวัดหรือผู้วัด จะใช้บันทึกใด จากวิธีวิเคราะห์ใด เป็นคำตอบที่ถูกต้อง เวลาของการวิเคราะห์ (เวลาเก็บตัวอย่าง หรือเวลาที่ผลออก) ถูกบันทึกไว้อย่างไร คุณภาพของคำตอบที่ถูกต้องเป็นตัวกำหนดเพดานความแม่นยำของโมเดล
③ วิธีใช้งาน จะแสดงค่าประมาณบนหน้าจอของผู้ควบคุมเครื่องเท่านั้น จะใช้ในการตัดสินคุณภาพ หรือจะใช้ในการควบคุม ในช่วงแรกขอแนะนำให้ “แสดงผลเท่านั้น” หากใช้ในการตัดสินคุณภาพ ต้องแก้ไขเอกสารขั้นตอนการทำงานของฝ่ายประกันคุณภาพ และหากใช้ในการควบคุม ยังต้องออกแบบเผื่อด้านความปลอดภัยเพิ่มอีก การประมาณต้นทุนในบทความนี้ก็ตั้งอยู่บนสมมติฐาน “แสดงผลเท่านั้น”
การสำรวจข้อมูล: ข้อมูลกระบวนการ ข้อมูลแล็บ และบันทึกการเดินเครื่อง
ขั้นต่อไปคือการสำรวจข้อมูลที่มีอยู่ ข้อมูลที่ต้องใช้มี 3 ประเภท ได้แก่ ข้อมูลกระบวนการที่ DCS (Distributed Control System หรือระบบควบคุมแบบกระจาย) และ PLC (Programmable Logic Controller หรือตัวควบคุมแบบโปรแกรมได้) บันทึกไว้ ผลการวิเคราะห์ของห้องแล็บ และบันทึกการเดินเครื่อง เช่น การเปลี่ยนเกรด การหยุดเครื่อง ล็อตวัตถุดิบ และงานบำรุงรักษา
Kadlec และคณะยกปัญหาที่พบบ่อยในข้อมูล ได้แก่ สัญญาณรบกวนจากการวัด ค่าที่ขาดหาย ค่าผิดปกติ ภาวะร่วมเส้นตรง และอัตราการสุ่มตัวอย่างที่ต่างกัน และระบุว่าการจัดการต้องใช้งานมือจำนวนมาก สาเหตุหลักของข้อมูลขาดหายคือเซนเซอร์ชำรุด การบำรุงรักษา และการถอดเซนเซอร์ออก ส่วนค่าผิดปกติตรวจสอบได้ด้วยวิธี 3σ, Hampel identifier หรือ PCA ร่วมกับ T² เป็นต้น
งานทบทวนเดียวกันยังชี้ว่า ระบบจัดการข้อมูลของโรงงานมักบันทึกค่าเฉพาะเมื่อการเปลี่ยนแปลงของค่าเกินเกณฑ์ที่ตั้งไว้ หากตั้งเกณฑ์สูงเกินไปก็จะพลาดการเปลี่ยนแปลงที่สำคัญ การตั้งค่าการบีบอัดข้อมูลของระบบฮิสทอเรียน (historian หรือฐานข้อมูลอนุกรมเวลาของโรงงาน) จึงมีผลต่อความแม่นยำของซอฟต์เซนเซอร์ด้วย
วิธีสำรวจข้อมูลอธิบายไว้ในบทความ การเตรียมข้อมูลสำหรับ AI ในอุตสาหกรรมการผลิต การสร้างระบบเก็บข้อมูลอธิบายไว้ใน บทความระบบเก็บข้อมูลการผลิต และการเลือกระบบฮิสทอเรียนอธิบายไว้ใน บทความการนำระบบฮิสทอเรียนอุตสาหกรรมมาใช้ สำหรับโรงงานที่ผลแล็บกระจายอยู่ใน Excel หรือกระดาษ หากพิจารณาไปพร้อมกับการจัดทำ ระบบบริหารการผลิตของโรงงานเคมี ซึ่งเชื่อมสูตรผสมและล็อตเข้ากับข้อมูลคุณภาพ ก็จะหลีกเลี่ยงการทำงานซ้ำซ้อนได้
ให้ตรวจสอบสภาพของเครื่องมือวัดที่ใช้เป็นข้อมูลนำเข้าด้วย Toagosei ระบุว่าปัญหาในการใช้งานจริงคือ หากฮาร์ดเซนเซอร์ (เซนเซอร์จริง) ที่เป็นตัวแปรอธิบายเสื่อมหรือผิดปกติ ก็จะไม่ได้ค่าพยากรณ์ที่ถูกต้อง บันทึกการสอบเทียบของเครื่องมือวัดที่เป็นข้อมูลนำเข้าและวิธีบันทึกค่าที่วัดได้ ให้ผูกเข้ากับรายการแท็กนำเข้าของซอฟต์เซนเซอร์ โดยอ้างอิงบทความ การบันทึกข้อมูลเครื่องมือวัดอัตโนมัติ และ ระบบบริหารการสอบเทียบ
การจัดเวลาข้อมูลเป็นตัวกำหนดความแม่นยำ
สิ่งที่มีผลต่อความแม่นยำมากที่สุดคือการจัดเวลาข้อมูล (time alignment) Kadlec และคณะเขียนว่า สารมีเวลาคงอยู่ (residence time) ในเครื่องปฏิกรณ์หรือหอกลั่น การจับคู่ค่าที่วัด 2 ค่าซึ่งวัด ณ เวลาเดียวกันแต่ต่างตำแหน่งจึงไม่สมเหตุสมผล ต้องชดเชยความล่าช้าเพื่อให้ข้อมูลสอดคล้องกัน และต้องอาศัยความรู้เชิงลึกเกี่ยวกับกระบวนการ งานเดียวกันยังชี้ว่า ผลแล็บด้านคุณภาพมีความถี่ต่างจากข้อมูลที่วัดอัตโนมัติอย่างมาก (multirate) และในกระบวนการแบบแบตช์ (batch) เวลาเดินเครื่องต่างกันในแต่ละแบตช์ จึงต้องมีการปรับความยาวให้เท่ากัน
ตัวอย่างในทางปฏิบัติ Toagosei ดึงข้อมูล ณ เวลาที่เก็บตัวอย่างของเหลวจากปฏิกิริยา ออกจากข้อมูลอนุกรมเวลาที่บันทึกทุก 1 นาที มาสรุปเป็นตาราง แล้วจับคู่กับค่าวิเคราะห์อัตราการเกิดปฏิกิริยาเพื่อสร้างข้อมูลฝึก สิ่งสำคัญคือ “เวลาที่เก็บตัวอย่าง” หากจับคู่ด้วยเวลาที่ผลออกหรือเวลาที่ห้องแล็บป้อนข้อมูล ก็จะเป็นการฝึกด้วยข้อมูลนำเข้าที่เวลาคลาดเคลื่อน
ความล่าช้าและความถี่ของการวิเคราะห์ในห้องแล็บ แต่ละแหล่งอ้างอิงสมมติหน้างานต่างกัน บทความปี 2014 ของ ABB ระบุว่าการวิเคราะห์คุณภาพโดยทั่วไปทำวันละ 1–4 ครั้ง และการเก็บและเตรียมตัวอย่างทำให้เกิดความล่าช้า 1 ชั่วโมงขึ้นไป Lawrence และคณะ (พรีปรินต์ที่ยังไม่ผ่านการประเมินโดยผู้ทรงคุณวุฒิ) เขียนว่าตัวอย่างของตัวแปรคุณภาพถูกเก็บ 1 ครั้งต่อกะ (8 ชั่วโมง) หรือ 1 ครั้งต่อ 24 ชั่วโมง และระบุว่าการขาดข้อมูลที่มีป้ายกำกับ (labeled data) เป็นความท้าทายหลัก ผู้รับผิดชอบด้านดิจิทัลของโรงงาน BASF ที่ Geismar สหรัฐอเมริกา กล่าวในข่าวของ LSU (2022) ว่าต้องการพยากรณ์ด้วยข้อมูลและ AI แทนการรอตัวอย่างจากห้องแล็บ 12 ชั่วโมง NTT DOCOMO BUSINESS (2025 ตามรายงานของ Mynavi News) ระบุปัญหาว่าการวิเคราะห์ด้วยมือทำได้เพียงประมาณวันละ 1 ครั้ง ทั้งหมดนี้เป็นเรื่องของหน้างานในแต่ละแหล่งอ้างอิง ไม่ใช่ค่ามาตรฐานของอุตสาหกรรม ความถี่และความล่าช้าของโรงงานของท่าน โปรดตรวจสอบจากบันทึกของโรงงานเอง
ข้อกำหนดเบื้องต้นของการจัดเวลาข้อมูลคือ นาฬิกาของ DCS, PLC, ระบบฮิสทอเรียน และคอมพิวเตอร์ของห้องแล็บต้องตรงกัน หากนาฬิกาคลาดเคลื่อน ต่อให้ชดเชยเวลาคงอยู่อย่างละเอียดเพียงใดก็ไม่มีความหมาย การเลือกวิธีและการทดสอบรับมอบสรุปไว้ใน บทความการซิงโครไนซ์เวลาในโรงงาน นอกจากนี้ ให้ตกลงกับห้องแล็บเรื่องวิธีปฏิบัติในการบันทึกเวลาเก็บตัวอย่างในหน่วยวินาทีหรือนาที (เช่น ฉลากตัวอย่างหรือช่องในหน้าจอป้อนข้อมูล)
การสร้างโมเดลและการตรวจสอบแบบออฟไลน์
เมื่อข้อมูลพร้อมแล้ว ให้สร้างโมเดลจากข้อมูลอดีต และตรวจสอบด้วยข้อมูลที่ไม่ได้ใช้ฝึก ควรใช้ตัวชี้วัดใด Kadlec และคณะระบุว่า ในการประเมินเชิงตัวเลข ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) พบบ่อยที่สุด และชี้ว่าการประเมินด้วยสายตา เช่น กราฟค่าพยากรณ์เทียบค่าจริง ขึ้นอยู่กับดุลยพินิจของผู้พัฒนา Lawrence และคณะระบุว่า โดยทั่วไปวัดสมรรถนะของซอฟต์เซนเซอร์ด้วยสัมประสิทธิ์สหสัมพันธ์และรากที่สองของค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) Ren และคณะ (2019) ใช้ RMSE, MAE, ความคลาดเคลื่อนสูงสุด และความคลาดเคลื่อนสัมพัทธ์ ส่วน Toagosei ดูความคลาดเคลื่อนเฉลี่ยและความคลาดเคลื่อนสูงสุดด้วยวิธี Leave-one-out การดูความคลาดเคลื่อนสูงสุด ไม่ใช่แค่ค่าเฉลี่ย เป็นประเด็นที่สำคัญเป็นพิเศษในทางปฏิบัติ เพราะในการตัดสินคุณภาพ ปัญหาคือการพยากรณ์ที่คลาดไปมากเป็นครั้งคราว
ขอแนะนำกรณีของ Toagosei โดยระบุขอบเขตให้ชัด เป้าหมายคือกระบวนการสังเคราะห์อะคริลิกเอสเทอร์ (แบบแบตช์) ของบริษัท ซึ่งต้องหยุดปฏิกิริยาที่อัตราการเกิดปฏิกิริยาเป้าหมาย 77.8–80.0% เดิมใช้ระยะเวลาปฏิกิริยาจากผลในอดีตเป็นเกณฑ์ในการวิเคราะห์ และบางครั้งต้องวิเคราะห์ 2–3 ครั้งต่อแบตช์ ข้อมูลที่ใช้คือข้อมูลของ 32 แบตช์ในอดีต ตัวแปรอธิบายคือระยะเวลาปฏิกิริยาและค่าจากเครื่องมือวัดที่เก็บอัตโนมัติทุก 1 นาที ตัวแปรเป้าหมายคือค่าวิเคราะห์อัตราการเกิดปฏิกิริยา วิธีที่ใช้คือ PLS และประเมินด้วยวิธี Leave-one-out เป้าหมายคือพยากรณ์ได้ด้วยความคลาดเคลื่อนไม่เกิน 1.1% เทียบกับอัตราการเกิดปฏิกิริยาเป้าหมาย 78.9±1.1% หรือไม่ ตามรายงาน หากพยากรณ์ด้วยระยะเวลาปฏิกิริยาเพียงอย่างเดียว ความคลาดเคลื่อนสูงสุดไม่อยู่ในกรอบ 1.1% ขณะที่ซอฟต์เซนเซอร์ทำความคลาดเคลื่อนได้ไม่เกิน 1.1% ในช่วงอัตราการเกิดปฏิกิริยาเป้าหมาย อย่างไรก็ตาม เนื่องจากข้อมูลฝึกกระจุกอยู่ใกล้เป้าหมาย รายงานจึงระบุว่าการพยากรณ์ในช่วงต้นของปฏิกิริยาเชื่อถือไม่ได้
อีกกรณีหนึ่ง Ren และคณะ (2019, Sensors) ทดลอง PLS แบบถ่วงน้ำหนักเฉพาะที่ (locally weighted PLS) ร่วมกับการหาค่าเหมาะสมแบบกลุ่มอนุภาค (particle swarm optimization) กับตัวอย่างจากการผลิตเหล็กหล่อเทาในอุตสาหกรรม 188 ตัวอย่าง (เป็นชุดทดสอบ 31 ตัวอย่าง) บนข้อมูลชุดเดียวกัน PLS แบบรวม (global) มี RMSE 13.6 ส่วนวิธีที่เสนอมี RMSE 6.8 นี่เป็นการเปรียบเทียบเชิงสัมพัทธ์บนข้อมูลเหล็กหล่อชุดเดียว และไม่ได้หมายความว่ากระบวนการอื่นจะได้ผลการปรับปรุงในระดับเดียวกัน
ในการตรวจสอบแบบออฟไลน์ ให้บันทึกว่าได้แบ่งช่วงฝึกและช่วงตรวจสอบโดยรักษาลำดับเวลาหรือไม่ ความแม่นยำแยกตามเกรด และสถานการณ์การเดินเครื่องที่พยากรณ์คลาดไปมาก เพื่อใช้เป็นข้อมูลประกอบการตัดสินว่าจะไปสู่ขั้นการใช้งานคู่ขนานหรือไม่
จากการใช้งานคู่ขนาน (เดินระบบแบบเงา) สู่การแสดงผลที่หน้างาน

แม้ความแม่นยำแบบออฟไลน์จะดี ก็ไม่ควรแสดงผลให้หน้างานเห็นในทันที ขั้นแรกให้มีช่วงเดินระบบแบบเงา (shadow run) กล่าวคือ ให้โมเดลทำงานกับข้อมูลจริง แต่ยังไม่แสดงค่าประมาณให้หน้างานเห็น เพียงบันทึกไว้และนำไปเทียบกับผลแล็บ ข้อมูลแบบเรียลไทม์มีข้อมูลขาดหายและความล่าช้ามากกว่าข้อมูลอดีต ปัญหาที่มองไม่เห็นตอนออฟไลน์จะปรากฏในขั้นนี้
หากการเดินระบบแบบเงาไม่มีปัญหา จึงแสดงผลบนหน้าจอของผู้ควบคุมเครื่อง ในขั้นนี้ก็ยังไม่เปลี่ยนความถี่ของการวิเคราะห์ในห้องแล็บ ขั้นตอนที่ 4 ในภาพ “แล็บคงไว้ตามเดิม” คือขั้นนี้
การทำให้หน้างานยอมรับขึ้นอยู่กับวิธีนำเสนอ Fuji Electric เขียนว่า วิธีแบบขับเคลื่อนด้วยข้อมูลมีลักษณะเป็นกล่องดำ และภาคอุตสาหกรรมมีแนวโน้มไม่ชอบลักษณะนี้ จึงออกแบบหน้าจอที่เข้าใจและยอมรับได้ง่าย ไม่ใช่แค่แสดงผลการคำนวณ (บทความที่เขียนโดยผู้ขาย) Lawrence และคณะก็ระบุว่า ความสามารถในการตีความของวิธีที่ขับเคลื่อนด้วยข้อมูลเพียงอย่างเดียว (purely data-driven) เป็นความท้าทายร่วมกัน ในทางปฏิบัติ ให้แสดงผลแล็บเป็นจุดซ้อนบนกราฟแนวโน้มของค่าประมาณ เพื่อให้เห็นขนาดของความเบี่ยงเบนได้ในทันที หากแสดงข้อมูลนำเข้าหลักที่มีผลต่อการประมาณ (อุณหภูมิหรือความดัน) ควบคู่ไปด้วย ผู้ควบคุมเครื่องจะเชื่อมโยงกับการเดินเครื่องของตนเองและเข้าใจได้ง่ายขึ้น เมื่ออยู่นอกช่วงข้อมูลที่ใช้ฝึก ให้เตรียมการแสดงผลที่สื่อว่า “ขณะนี้อย่าเชื่อค่านี้” เช่น แสดงค่าประมาณเป็นสีเทา
การออกแบบการปฏิบัติการเมื่อโมเดลเสื่อมและการฝึกโมเดลใหม่
ให้ออกแบบโดยถือว่าซอฟต์เซนเซอร์ดีที่สุด ณ เวลาที่สร้าง และหลังจากนั้นจะเสื่อมลง Kadlec และคณะเขียนว่า หลังนำมาใช้ต้องบำรุงรักษาและปรับแต่งเป็นระยะ เพราะสมรรถนะลดลงจากการเลื่อน (drift) ฯลฯ จึงต้องชดเชยด้วยการปรับโมเดลหรือสร้างใหม่ Lawrence และคณะก็ระบุว่าสมรรถนะของซอฟต์เซนเซอร์แบบออนไลน์อาจเสื่อมลงตามเวลา และยกวิธีรับมือ 2 วิธี ได้แก่ การฝึกใหม่ด้วยข้อมูลล่าสุดแล้วนำไปใช้ใหม่ และการอัปเดตไบแอสเพื่อให้ผลลัพธ์เข้าใกล้ผลแล็บ ศาสตราจารย์ Funatsu ยกสาเหตุของการเสื่อม เช่น สมรรถนะของตัวเร่งปฏิกิริยาลดลง และการเปลี่ยนแปลงของวัตถุดิบ
การเสื่อมมี 2 ประเภท และวิธีรับมือต่างกัน ตาม Kadlec และคณะ การเลื่อนของกระบวนการ (process drift) คือการเปลี่ยนแปลงฝั่งกระบวนการ เช่น การสึกหรอของปั๊ม สภาพอากาศ ความบริสุทธิ์ของวัตถุดิบ และการเสื่อมสภาพของตัวเร่งปฏิกิริยา ซึ่งควรหาสาเหตุและกำจัดออก ส่วน การเลื่อนของเซนเซอร์ (sensor drift) คือการเปลี่ยนแปลงฝั่งเครื่องมือวัด จึงรับมือด้วยการสอบเทียบเครื่องมือวัดใหม่หรือการปรับซอฟต์เซนเซอร์ โดยไม่แก้ไขกระบวนการ การแยกแยะทั้งสองแบบทำได้ยากและต้องใช้ความรู้เฉพาะทาง
ในฐานะตัวอย่างการนำการแก้ไขค่าไบแอสไปใช้งาน ABB แนะนำวิธีดังนี้ เมื่อได้ผลแล็บ ให้นำความต่างระหว่างผลแล็บกับค่าพยากรณ์ไปประมวลผลทางสถิติ (ลดผลของสัญญาณรบกวนและค่าผิดปกติ และปรับไม่ให้เกิดการเปลี่ยนแปลงกะทันหัน) แล้วบวกค่าสัมประสิทธิ์การแก้ไขเข้ากับผลลัพธ์เฉพาะเมื่อความต่างเกินเกณฑ์ที่กำหนด ABB ระบุว่าควรอัปเดตโมเดลเฉพาะเมื่อเกิดความต่างที่มีนัยสำคัญทางสถิติเท่านั้น เหตุผลคือ หากแก้ไขทุกครั้งที่ผลแล็บคลาดไปเพียงค่าเดียว ความแปรปรวนฝั่งห้องแล็บก็จะถูกนำเข้าสู่โมเดลโดยตรง
โมเดลแบบปรับตัวก็มีหลายประเภท Kadlec, Grbić และ Gabrys (2011) แบ่งวิธีการปรับตัวเป็นวิธีหน้าต่างเลื่อน (moving window) วิธีปรับตัวแบบเวียนเกิด (recursive) และวิธีแบบกลุ่ม (ensemble) Ren และคณะ (2019) อธิบายว่าโมเดลแบบรวมจะเสื่อมลงตามเวลาและบำรุงรักษาบ่อยได้ยาก จึงใช้ JIT ซึ่งสร้างโมเดลเฉพาะที่ทุกครั้งที่พยากรณ์แล้วทิ้งไป ศาสตราจารย์ Funatsu ยังเสนอ “การเฝ้าติดตามฐานข้อมูล” ซึ่งเพิ่มข้อมูลใหม่เข้าฐานข้อมูลหากมีประโยชน์ในเชิงสารสนเทศ และทิ้งไปหากไม่มีประโยชน์ อย่างไรก็ตาม ข้อสรุปของศาสตราจารย์ Funatsu คือ “ไม่มีโมเดลแบบปรับตัวที่ใช้ได้กับทุกกรณี” และควรเลือกโมเดลให้ตรงกับรูปแบบการเสื่อม นอกจากนี้ ในการสำรวจของ Lawrence และคณะ (ครอบคลุมบทความช่วงปี 2015–2023 ไม่ใช่อัตราการนำไปใช้ในโรงงาน) แบบปรับตัวมีน้อยกว่า 1 ใน 3
สิ่งที่ต้องกำหนดไว้ในการออกแบบการปฏิบัติการ มีดังนี้ ใครจะดูความเบี่ยงเบนจากผลแล็บทุกสัปดาห์ เมื่อเกินเกณฑ์ใดจึงแก้ไขค่าไบแอส จะฝึกโมเดลใหม่ภายใต้เงื่อนไขใด ใครเป็นผู้อนุมัติและสลับใช้โมเดลที่ฝึกใหม่ และขั้นตอนการย้อนกลับไปใช้โมเดลเดิม กลไกการเฝ้าติดตามและสลับโมเดลอธิบายไว้อย่างละเอียดใน คู่มือการติดตามโมเดล AI ในโรงงาน
การลดความถี่ของการวิเคราะห์ในห้องแล็บเป็นขั้นตอนสุดท้าย
“ลดการวิเคราะห์ในห้องแล็บได้” เป็นประโยชน์ที่ผู้คนคาดหวังจากซอฟต์เซนเซอร์มากที่สุด แต่ไม่ควรตั้งเป็นเป้าหมายแรก
บทความของ Toagosei เขียนว่า “เห็นว่ามีความเป็นไปได้เพียงพอที่จะลดการวิเคราะห์ให้เหลือการวิเคราะห์ 1 ครั้งเพื่อยืนยัน” นี่เป็นการคาดการณ์ในบทความ ไม่ใช่รายงานผลว่าได้ลดจำนวนครั้งในการใช้งานจริงแล้ว ความแตกต่างนี้สำคัญ
การเปลี่ยนความถี่ต้องผ่านอย่างน้อยขั้นตอนต่อไปนี้ บันทึกความต่างจากผลแล็บในการใช้งานคู่ขนานเป็นระยะเวลาที่เพียงพอ ฝ่ายประกันคุณภาพกำหนดขั้นตอนการตัดสินและการจัดการบันทึก อธิบายการเปลี่ยนแปลงให้ลูกค้าและได้รับการอนุมัติ โดยเฉพาะอย่างยิ่ง หากใบรับรองผลการตรวจสอบ (inspection certificate) ระบุค่าที่วัดจริงจากห้องแล็บ การจะแทนด้วยค่าประมาณได้หรือไม่ หรือจะเปลี่ยนความถี่ในการวิเคราะห์ได้หรือไม่ ขึ้นอยู่กับข้อตกลงกับลูกค้า ลูกค้าบางรายไม่สามารถเปลี่ยนความถี่ได้เพราะข้อกำหนดของใบรับรอง ขั้นตอนการออกและอนุมัติใบรับรองดูได้ใน บทความการควบคุมการออกใบรับรองผลการตรวจสอบ
ในสาขายา มีแนวทาง PAT (Process Analytical Technology หรือเทคโนโลยีการวิเคราะห์กระบวนการ) ที่ FDA ของสหรัฐอเมริกาออกเมื่อเดือนตุลาคม 2004 ซึ่งส่งเสริมให้บริษัทต่าง ๆ ผลักดันการผลิตและการประกันคุณภาพเชิงนวัตกรรมโดยสมัครใจ ยังยืนยันไม่ได้ว่าเนื้อหาของแนวทางนี้กล่าวถึงซอฟต์เซนเซอร์หรือไม่ เอกสารประกอบการบรรยายของศาสตราจารย์ Funatsu (2016) อธิบายว่าซอฟต์เซนเซอร์ทำให้การทดสอบเพื่อปล่อยผลิตภัณฑ์แบบเรียลไทม์ (RTRT) เป็นไปได้ และอาจทำให้ไม่ต้องทดสอบผลิตภัณฑ์ขั้นสุดท้าย แต่นี่เป็นเรื่องของยาในเอกสารบรรยายของนักวิจัย และไม่สามารถนำไปใช้กับโรงงานเคมีหรือโรงงานเรซินได้โดยตรง
วิธีพิจารณาผลิตภัณฑ์และกรณีศึกษา [ข้อกล่าวอ้างของผู้ขาย]
ต่อไปนี้คือผลิตภัณฑ์และกรณีศึกษา ทั้งหมดเป็นการประกาศของผู้ผลิตหรือบริษัทผู้นำไปใช้ หรือรายงานข่าวที่อ้างอิงการประกาศนั้น ไม่ใช่การตรวจสอบโดยบุคคลที่สาม ราคาของทุกผลิตภัณฑ์ไม่สามารถยืนยันได้จากข้อมูลสาธารณะ (ไม่เปิดเผย) รายการด้านล่างไม่ใช่การแนะนำหรือจัดอันดับ
| ผลิตภัณฑ์หรือกรณีศึกษา | ผู้ประกาศและช่วงเวลา | เนื้อหาที่ประกาศ (สรุป) |
|---|---|---|
| แพ็กเกจสนับสนุนการนำ “AI Soft Sensor” มาใช้ ของ NTT DOCOMO BUSINESS | ประกาศ 12 พฤศจิกายน 2025 (รายงานโดย Mynavi News) | สำหรับโรงงานเคมี บำบัดน้ำ ฯลฯ มีกลไกฝึกโมเดลใหม่อัตโนมัติด้วยประวัติในอดีตที่มีสถานการณ์คล้ายกัน และระบุว่าผู้ที่ไม่มีความรู้ด้าน Machine Learning ก็เรียนรู้วิธีพัฒนาได้ |
| “เครื่องมือสร้างสมการแบบจำลองสำหรับการประมาณค่าและเครื่องมือคำนวณ” ของ Fuji Electric | 2023 (Keisoku to Seigyo ฉบับเดือนสิงหาคม) | เครื่องมือสร้างโมเดลแบบออฟไลน์และเครื่องมือคำนวณแบบออนไลน์ ใช้ Automated Machine Learning ในขั้นตอนสร้างโมเดล และมีอินเทอร์เฟซกับ PI Server เป็นมาตรฐาน |
| “Aspen Inferential Qualities” ของ AspenTech | หน้าผลิตภัณฑ์ (ระบุ © 2026) | ประเภทโมเดล เช่น Deep Learning, Linear PLS, Fuzzy PLS และ Hybrid NN อ้างว่าลดการพึ่งพาการวิเคราะห์ในห้องแล็บได้ |
| “SITRANS Soft Sensor Engine IQ” ของ Siemens | หน้าผลิตภัณฑ์ (ไม่ระบุวันที่เผยแพร่) | ทำงานแบบ on-premise เชื่อมต่อกับ DCS ผ่าน Modbus TCP หรือ OPC อ้างว่าใช้เป็นระบบสำรองหรือทดแทนเซนเซอร์จริงได้ |
| AI Product Solutions ของ Yokogawa | หน้าผลิตภัณฑ์ (ไม่ระบุวันที่เผยแพร่) | ระบุการประมาณคุณภาพ ซึ่งพยากรณ์คุณภาพก่อนการทดสอบ เป็นหนึ่งในฟังก์ชัน |
| เครื่องมือ Machine Learning ของ Seeq | ฐานความรู้ (Knowledge Base) | PLS ในตัว และ External ML (ONNX) สำหรับนำโมเดลภายนอกเข้ามา ข้อมูลนำเข้าต้องเป็นอนุกรมเวลาเชิงตัวเลขเท่านั้น |
ขอเสริมว่า Fuji Electric ระบุว่าเครื่องมือของบริษัททำให้ภาระงานและเวลาทำงานดีขึ้นอย่างมาก (70% ขึ้นไป) แต่ไม่ได้ระบุว่าเปรียบเทียบกับอะไร หรือวัดภายใต้เงื่อนไขใด ส่วน External ML ของ Seeq ระบุว่าเป็นไลเซนส์แยกต่างหาก
ต่อไปดูกรณีศึกษา Hydrocarbon Processing (20 กรกฎาคม 2026 บทความที่อ้างอิงข่าวประชาสัมพันธ์) รายงานว่า Hyperion Systems Engineering ได้เริ่มใช้งานซอฟต์เซนเซอร์ที่ประมาณอัตราการไหลของพลาสติกหลอม (MFR) และสารที่ละลายในไซลีน (xylene solubles) แบบเรียลไทม์ ที่โรงงานพอลิโพรพิลีนของ HELLENiQ ENERGY ในเมืองเทสซาโลนิกิ ประเทศกรีซ ระบบเชื่อมต่อกับ DCS ฐานข้อมูลเรียลไทม์ และ LIMS (Laboratory Information Management System หรือระบบบริหารข้อมูลห้องปฏิบัติการ) ฯลฯ และให้ค่าประมาณทุกไม่กี่นาทีโดยไม่ต้องติดตั้งเครื่องวิเคราะห์เพิ่ม HELLENiQ ENERGY ระบุว่า ผลิตภัณฑ์นอกสเปกลดลง 20% เวลาเปลี่ยนเกรดสั้นลง 25% และนำไปสู่การปรับปรุงกำไรปีละ €350,000 (ประมาณการ) และการลด CO₂ ปีละ 10.5kt นี่เป็นค่าที่ผู้ขายและบริษัทผู้นำไปใช้ประกาศเกี่ยวกับโรงงานแห่งเดียว (โรงงาน PP ในกรีซ) ไม่ควรใช้เป็นค่ามาตรฐานของอุตสาหกรรมหรือเป็นการคาดการณ์ของโรงงานท่าน
Industria Química (5 ตุลาคม 2026) รายงานว่า BASF ใช้โมเดล Machine Learning ที่ประมาณพารามิเตอร์คุณภาพแบบเรียลไทม์จากข้อมูลกระบวนการ ในกระบวนการกลั่นของโรงงานที่เมืองแอนต์เวิร์ป ประเทศเบลเยียม โดยทำงานเป็นแอปพลิเคชัน Edge บน Siemens Industrial Edge ข้อดีที่ระบุ ได้แก่ การเดินเครื่องใกล้ขีดจำกัด การลดเวลาวิเคราะห์และต้นทุนการเก็บตัวอย่าง และการส่งข้อมูลให้ APC (Advanced Process Control หรือการควบคุมกระบวนการขั้นสูง) แต่ไม่มีการรายงานตัวเลขผลลัพธ์
ตัวอย่างในญี่ปุ่น NTT Communications (ชื่อในขณะนั้น) และ Mitsui Chemicals ประมาณ “ความเข้มข้นของก๊าซ X” ในอีก 20 นาทีข้างหน้า ด้วย Deep Learning จากข้อมูลกระบวนการ 51 ชนิด เช่น อุณหภูมิ ความดัน และอัตราการไหลของวัตถุดิบ ในการผลิตผลิตภัณฑ์ก๊าซ มีรายงานว่าความแม่นยำอยู่ที่ความคลาดเคลื่อนเฉลี่ยไม่เกิน 3%FS (รายงานโดย Weekly ASCII เดือนกันยายน 2016) นอกจากนี้ Shana (8 กุมภาพันธ์ 2025) รายงานการเปิดตัวเซนเซอร์เสมือนแบบ AI ที่ศูนย์ปิโตรเคมี Nouri ในอิหร่าน แต่ไม่มีตัวเลขผลลัพธ์
เกณฑ์ในการพิจารณาข้อมูลเหล่านี้มี 3 ข้อ เป็นค่าคุณภาพตัวใด ของกระบวนการใด มีการระบุสิ่งที่ใช้เปรียบเทียบ (เทียบกับอะไรก่อนนำมาใช้) หรือไม่ และมีการอธิบายกลไกการรับมือการเสื่อมและการฝึกโมเดลใหม่หรือไม่
ข้อกำหนดที่ต้องเขียนใน RFP
ก่อนขอใบเสนอราคาจากผู้ขาย ให้เขียนหัวข้อต่อไปนี้ใน RFP (Request for Proposal หรือเอกสารขอข้อเสนอ) หากขอใบเสนอราคาโดยที่ข้อกำหนดยังคลุมเครือ สมมติฐานของใบเสนอราคาจะต่างกันไปในแต่ละผู้ขาย และเปรียบเทียบกันไม่ได้
| หัวข้อ | เนื้อหาที่ต้องเขียน |
|---|---|
| ค่าคุณภาพเป้าหมายและกระบวนการ | ค่าคุณภาพ (เช่น MFI) สายการผลิต กลุ่มเกรด และวิธีใช้งาน (แสดงผลเท่านั้น / ตัดสินคุณภาพ / ควบคุม) |
| รายการแท็กนำเข้าและรอบการบันทึก | ชื่อแท็ก หน่วย รอบการบันทึก การตั้งค่าการบีบอัดของระบบฮิสทอเรียน และสถานะการสอบเทียบของเครื่องมือวัด |
| วิธีนำเข้าผลแล็บ | LIMS, Excel หรือป้อนด้วยมือ และวิธีบันทึกเวลาเก็บตัวอย่าง |
| วิธีจัดเวลาข้อมูล | วิธีชดเชยเวลาคงอยู่ วิธีซิงโครไนซ์นาฬิกา และการปรับความยาวแบตช์ให้เท่ากัน |
| ตัวชี้วัดและวิธีกำหนดเกณฑ์ผ่าน | ความคลาดเคลื่อนเฉลี่ย, RMSE, ความคลาดเคลื่อนสูงสุด ฯลฯ เกณฑ์ผ่านให้โรงงานกำหนดเอง และประเมินแยกตามเกรด |
| ระยะเวลาใช้งานคู่ขนาน | ระยะเวลาเดินระบบแบบเงา และขั้นตอนการตัดสินใจเปลี่ยนไปสู่การแสดงผล |
| หน้าจอแสดงผล | การแสดงค่าประมาณซ้อนกับผลแล็บ การแสดงสถานะนอกช่วงข้อมูลที่ใช้ฝึก และการแสดงข้อมูลนำเข้าหลัก |
| สัญญาณเตือน | ค่าประมาณนอกสเปก ความเบี่ยงเบนจากผลแล็บ และข้อมูลนำเข้าขาดหายหรือผิดปกติ |
| การแก้ไขค่าไบแอสและการฝึกโมเดลใหม่ | เกณฑ์และวิธีการแก้ไข เงื่อนไขการฝึกใหม่ ผู้อนุมัติ และวิธีย้อนกลับไปใช้โมเดลเดิม |
| การควบคุมเวอร์ชันโมเดลและประวัติการเปลี่ยนแปลง | หมายเลขเวอร์ชัน ช่วงข้อมูลที่ใช้ฝึก เหตุผลของการเปลี่ยนแปลง และการเก็บบันทึกการอนุมัติ |
| สภาพแวดล้อมการทำงาน | Edge, เซิร์ฟเวอร์แบบ on-premise หรือคลาวด์ และพฤติกรรมของระบบเมื่อหยุดทำงาน |
| การเชื่อมต่อกับระบบที่มีอยู่ | วิธีเชื่อมต่อกับ DCS/PLC ระบบฮิสทอเรียน และ LIMS และมีการเขียนข้อมูลเข้าสู่ระบบควบคุมหรือไม่ |
| การฝึกอบรมและการบำรุงรักษา | การฝึกอบรมหน้างานและฝ่ายประกันคุณภาพ ขอบเขตและโครงสร้างการบำรุงรักษา และเอกสารภาษาไทยและภาษาอังกฤษ |
| การนำข้อมูลออกนอกโรงงาน | อนุญาตให้นำข้อมูลออกนอกโรงงานหรือขึ้นคลาวด์หรือไม่ และความเป็นเจ้าของข้อมูลฝึก |
สภาพแวดล้อมการทำงานเป็นหัวข้อที่มักตัดสินได้จากว่าสามารถส่งข้อมูลออกนอกเครือข่ายระบบควบคุมได้หรือไม่ แนวคิดในการรันบน Edge ดูได้ใน คู่มือการนำ Edge AI มาใช้ในโรงงาน
PoC และเกณฑ์การรับมอบ
PoC (Proof of Concept หรือการพิสูจน์แนวคิด) จัดเป็น 2 ระยะ ระยะแรกคือการตรวจสอบแบบออฟไลน์ด้วยข้อมูลอดีต สร้างโมเดลจากข้อมูลที่จัดเวลาแล้ว และยืนยันความแม่นยำในช่วงเวลาที่ไม่ได้ใช้ฝึก ระยะที่สองคือการใช้งานคู่ขนานในช่วงเวลาหนึ่ง บันทึกค่าประมาณจากข้อมูลเรียลไทม์ แล้วเทียบกับผลแล็บ แม้ผ่านเกณฑ์แบบออฟไลน์แล้ว ผลของข้อมูลขาดหายและความล่าช้าก็อาจปรากฏในการใช้งานคู่ขนาน จึงไม่ควรข้ามระยะที่สอง
ตัวเลขเกณฑ์ผ่านไม่มีค่าที่อุตสาหกรรมกำหนดไว้ โรงงานต้องกำหนดเอง ตัวอย่างวิธีหนึ่งคือ ตั้งเกณฑ์เป็น “สัดส่วนของครั้งที่ความต่างจากผลแล็บอยู่ภายในกี่เปอร์เซ็นต์ของช่วงสเปกคุณภาพ” แล้วประเมินแยกตามเกรดและตามสภาวะการเดินเครื่อง (สภาวะคงตัว ระหว่างเปลี่ยนเกรด) ให้บันทึกความคลาดเคลื่อนสูงสุดและสถานการณ์ที่พยากรณ์คลาดด้วย ไม่ใช่แค่ค่าเฉลี่ย วิธีอ่านค่าใช้จ่ายของ PoC และแนวคิดในการตัดสินว่าจะไปสู่การใช้งานจริงหรือไม่ สรุปไว้ใน บทความค่าใช้จ่ายและเกณฑ์ความสำเร็จของ AI PoC
ใน PoC ควรยืนยันด้วยว่า ค่าประมาณและคำเตือนบนหน้าจอมีพฤติกรรมอย่างไร ในสถานการณ์ต่อไปนี้ ทันทีหลังเปลี่ยนเกรด ทันทีหลังเปลี่ยนล็อตวัตถุดิบ เมื่อข้อมูลจากเครื่องมือวัดนำเข้าขาดหาย และเมื่อเดินเครื่องในเงื่อนไขที่ไม่มีในช่วงข้อมูลที่ใช้ฝึก
การประมาณต้นทุนและผลประโยชน์ด้วยแบบจำลอง (ตัวเลขสมมติ)
ตัวเลขต่อจากนี้ ทั้งหมดเป็นตัวเลขสมมติสำหรับบทความนี้ เนื่องจากไม่สามารถยืนยันราคาทางการของซอฟต์เซนเซอร์จากข้อมูลสาธารณะได้ ต้นทุนจึงเป็นค่าสมมติเช่นกัน โปรดแทนด้วยตัวเลขของโรงงานท่านเองเมื่อนำไปใช้
โรงงานสมมติ: โรงงานคอมพาวด์เรซินของบริษัทญี่ปุ่นในไทย มีสายการผลิตเครื่องอัดรีด 3 สาย เดินเครื่อง 24 ชั่วโมง 330 วันต่อปี ค่าคุณภาพคือ MFI วิเคราะห์ในห้องแล็บทุก 2 ชั่วโมงต่อสาย (วันละ 12 ครั้ง) ตั้งแต่เก็บตัวอย่างจนได้ผลใช้เวลาประมาณ 40 นาที (ค่าสมมติของบทความนี้) อัตราค่าแรงต่อชั่วโมงคือ 300 THB
สถานะปัจจุบัน (ค่าฐาน ต่อปี):
| หมวดต้นทุน | การคำนวณ | มูลค่าต่อปี |
|---|---|---|
| ① ผลิตภัณฑ์นอกสเปกระหว่างการเดินเครื่องในสภาวะคงตัว (ลดเกรดหรือนำไปแปรรูปใหม่) | ค่าสมมติ (ไม่รวมความสูญเสียระหว่างเปลี่ยนเกรด) | 3,600,000 THB |
| ② ความสูญเสียช่วงเปลี่ยนผ่านเมื่อเปลี่ยนเกรด | ปีละ 200 ครั้ง × 500 kg × 40 THB/kg | 4,000,000 THB |
| ③ การวิเคราะห์ MFI ในห้องแล็บ | 3 สาย × 12 ครั้ง × 330 วัน = 11,880 ครั้ง, ครั้งละ 0.5 ชั่วโมง × 300 THB = 150 THB | 1,782,000 THB |
ตรวจสอบการคำนวณ: ② คือ 200 × 500 = 100,000 kg, × 40 = 4,000,000 THB ③ คือ 11,880 × 150 = 1,782,000 THB
รูปแบบ A (ซอฟต์เซนเซอร์ MFI สำหรับ 3 สายการผลิต): ใช้ข้อมูลจาก DCS/PLC และระบบฮิสทอเรียนที่มีอยู่ และแสดงผลบนหน้าจอของผู้ควบคุมเครื่อง ไม่เปลี่ยนความถี่ของการวิเคราะห์ในห้องแล็บ และไม่ใช้ในการควบคุม ค่าใช้จ่ายเริ่มต้น 2,000,000 THB ค่าใช้จ่ายรายปี 400,000 THB (การบำรุงรักษาโมเดล การฝึกโมเดลใหม่ และไลเซนส์)
| รายการ | การคำนวณ | มูลค่าต่อปี |
|---|---|---|
| ผลประโยชน์ ① ผลิตภัณฑ์นอกสเปกระหว่างสภาวะคงตัวลดลง 15% | 3,600,000 × 15% | 540,000 THB |
| ผลประโยชน์ ② ความสูญเสียช่วงเปลี่ยนเกรดลดลง 10% (เพราะตัดสินได้เร็วขึ้นว่าเข้าสเปกแล้ว) | 4,000,000 × 10% | 400,000 THB |
| ผลประโยชน์รวม | 540,000 + 400,000 | 940,000 THB |
| ค่าใช้จ่ายรายปี | −400,000 THB | |
| ผลประโยชน์สุทธิ | 940,000 − 400,000 | 540,000 THB |
| ระยะเวลาคืนทุน | 2,000,000 ÷ 540,000 | ประมาณ 3.7 ปี |
รูปแบบ A ไม่นับการลดการวิเคราะห์ในห้องแล็บ
ความอ่อนไหว (กรณีความแม่นยำไม่พอและผลประโยชน์เหลือครึ่งเดียว): ผลประโยชน์เป็น 470,000 THB ผลประโยชน์สุทธิเป็น 470,000 − 400,000 = 70,000 THB ต่อปี ระยะเวลาคืนทุนเป็น 2,000,000 ÷ 70,000 ≈ ประมาณ 28.6 ปี ซึ่งในทางปฏิบัติถือว่าไม่คืนทุน ความแม่นยำของโมเดล และการที่หน้างานใช้ค่าประมาณจริงหรือไม่ เป็นตัวชี้ขาดการตัดสินใจลงทุน
รูปแบบ B (ต่อยอดจาก A โดยทบทวนความถี่ของการวิเคราะห์ในห้องแล็บ): ยืนยันความแม่นยำด้วยการใช้งานคู่ขนาน 6 เดือนขึ้นไป ได้รับการอนุมัติจากฝ่ายประกันคุณภาพและลูกค้า แล้วเปลี่ยนการวิเคราะห์ในห้องแล็บจากทุก 2 ชั่วโมงเป็นทุก 4 ชั่วโมง ประเมินเฉพาะส่วนต่างจากรูปแบบ A ค่าใช้จ่ายเริ่มต้นเพิ่มเติม 500,000 THB (การตรวจสอบความถูกต้อง การจัดทำเอกสาร และขั้นตอนการอนุมัติ) ค่าใช้จ่ายรายปีเพิ่มเติม 100,000 THB
| รายการ | การคำนวณ | มูลค่าต่อปี |
|---|---|---|
| ผลประโยชน์เพิ่มเติม ③ การวิเคราะห์ในห้องแล็บลดลง 50% | 1,782,000 × 50% | 891,000 THB |
| ค่าใช้จ่ายรายปีเพิ่มเติม | −100,000 THB | |
| ผลประโยชน์สุทธิของส่วนเพิ่ม | 891,000 − 100,000 | 791,000 THB |
| ระยะเวลาคืนทุนของส่วนเพิ่ม | 500,000 ÷ 791,000 | ประมาณ 0.6 ปี (ประมาณ 8 เดือน) |
หากไม่ได้รับการอนุมัติจากฝ่ายประกันคุณภาพและลูกค้า ผลประโยชน์ของรูปแบบ B จะเป็นศูนย์ ลูกค้าบางรายไม่สามารถเปลี่ยนความถี่ได้เพราะข้อกำหนดของใบรับรองผลการตรวจสอบ ห้ามนำผลประโยชน์นี้ไปรวมในการตัดสินใจลงทุนก่อนได้รับการอนุมัติ

ข้อตกลงเพื่อหลีกเลี่ยงการนับซ้ำ (สมมติฐานของการประมาณนี้):
- (a) ① ผลิตภัณฑ์นอกสเปกระหว่างสภาวะคงตัว และ ② ความสูญเสียช่วงเปลี่ยนผ่านเมื่อเปลี่ยนเกรด เป็นหมวดต้นทุนคนละหมวด ① ไม่รวมความสูญเสียระหว่างเปลี่ยนเกรด
- (b) การลดการวิเคราะห์ในห้องแล็บ ③ นับเฉพาะในรูปแบบ B ไม่นับในรูปแบบ A และไม่นับในกรณีความอ่อนไหว
- (c) แม้จะลดการวิเคราะห์ในห้องแล็บ ก็ไม่เพิ่มผลประโยชน์จากการลดผลิตภัณฑ์นอกสเปก รูปแบบ B ไม่ได้เพิ่มผลประโยชน์ ① และ ②
สิ่งที่ไม่ได้รวมในการประมาณนี้: การเพิ่มหรือลดเครื่องวิเคราะห์ออนไลน์ การใช้ในการควบคุม (วงปิด หรือ closed loop) การลดพลังงาน และสิทธิประโยชน์ทางภาษีของ BOI (ความเป็นไปได้ในการได้รับสิทธิ์ต้องตรวจสอบเป็นรายกรณี)
สิ่งที่สรุปได้จากการประมาณ: รูปแบบ A เพียงอย่างเดียวใช้เวลาคืนทุนประมาณ 3.7 ปี และหากความแม่นยำไม่พอก็จะไม่คืนทุน สิ่งที่มีผลต่อผลประโยชน์มากที่สุดคือ หลังจากยืนยันความแม่นยำด้วยการใช้งานคู่ขนานแล้ว จะทบทวนความถี่ของการวิเคราะห์ในห้องแล็บได้หรือไม่ (รูปแบบ B) อย่างไรก็ตาม เรื่องนี้มีเงื่อนไขว่าต้องได้รับการอนุมัติจากฝ่ายประกันคุณภาพและลูกค้า และไม่ควรตั้งเป็นเป้าหมายแรก ลำดับที่แนะนำคือ ช่วงแรกให้มุ่งที่ “การเติมช่วงเวลาที่มองไม่เห็น” ด้วยรูปแบบ A และเมื่อหน้างานใช้ค่าประมาณจริงและมีบันทึกความแม่นยำสะสมแล้ว จึงพิจารณารูปแบบ B
คำถามที่พบบ่อยและสรุป
ซอฟต์เซนเซอร์คืออะไร?
ซอฟต์เซนเซอร์คือกลไกที่ประมาณค่าคุณภาพซึ่งวัดได้เฉพาะในห้องแล็บ (MFI ความหนืด ความเข้มข้น ความชื้น อัตราการเกิดปฏิกิริยา ฯลฯ) จากข้อมูลกระบวนการที่บันทึกอย่างต่อเนื่อง เช่น อุณหภูมิ ความดัน และอัตราการไหล ซอฟต์เซนเซอร์ไม่มีส่วนตรวจจับทางกายภาพ และสร้างความสัมพันธ์ y = f(X) เป็นโมเดลจากข้อมูลจริงในอดีต เนื่องจากเป็นเพียงค่าพยากรณ์ จึงต้องใช้ไปพร้อมกับการตรวจสอบความคลาดเคลื่อนจากผลแล็บ
AI พยากรณ์คุณภาพมีความแม่นยำแค่ไหน?
ไม่มีค่าทั่วไป ความแม่นยำเปลี่ยนไปอย่างมากตามกระบวนการ คุณภาพของผลแล็บ การจัดเวลาข้อมูล และการปฏิบัติการ ความแม่นยำที่มีการประกาศเป็นค่าของกระบวนการและเงื่อนไขเฉพาะ โปรดยืนยันด้วยการตรวจสอบแบบออฟไลน์และการใช้งานคู่ขนาน (PoC) ด้วยข้อมูลของโรงงานท่านเอง
การวัดเสมือนกับซอฟต์เซนเซอร์ต่างกันหรือไม่?
ทั้งสองมีแนวคิดร่วมกัน คือ “ประมาณคุณภาพจากข้อมูลกระบวนการโดยไม่วัดทางกายภาพ” งานทบทวนทางวิชาการก็แสดงการประยุกต์ใช้การวัดเสมือน (VM) ในอุตสาหกรรมการผลิตนอกเหนือจากเซมิคอนดักเตอร์ด้วย
ลดการวิเคราะห์ในห้องแล็บได้หรือไม่?
มีความเป็นไปได้ แต่ไม่ควรตั้งเป็นเป้าหมายแรก จะเปลี่ยนความถี่ได้ก็ต่อเมื่อยืนยันความแม่นยำด้วยการใช้งานคู่ขนาน ฝ่ายประกันคุณภาพกำหนดขั้นตอนแล้ว และได้รับการอนุมัติจากลูกค้าแล้ว ลูกค้าบางรายไม่สามารถเปลี่ยนความถี่ได้เพราะข้อกำหนดของใบรับรองผลการตรวจสอบ การลดที่แสดงในงานวิจัยเป็นการคาดการณ์ โปรดอ่านแยกจากผลการใช้งานจริง
แบบจำลองพยากรณ์คุณภาพเสื่อมเร็วแค่ไหน?
ไม่มีระยะเวลาทั่วไป สาเหตุและความเร็วของการเสื่อม เช่น สมรรถนะของตัวเร่งปฏิกิริยาลดลง การเปลี่ยนแปลงของวัตถุดิบ หรือการเลื่อนของเครื่องมือวัดที่เป็นข้อมูลนำเข้า ขึ้นอยู่กับแต่ละกระบวนการ ให้ติดตามความเบี่ยงเบนจากผลแล็บอย่างต่อเนื่อง ออกแบบการปฏิบัติการด้านการแก้ไขค่าไบแอสและการฝึกโมเดลใหม่ไว้ตั้งแต่แรก และยืนยันความถี่ในการดูแลด้วยการใช้งานคู่ขนานในขั้น PoC
ข้อมูลน้อยก็เริ่มได้หรือไม่?
หากผลแล็บที่ใช้เป็นคำตอบที่ถูกต้องมีน้อย ทั้งความแม่นยำของโมเดลและความน่าเชื่อถือของการตรวจสอบจะลดลง ในงานวิจัยก็ระบุว่าการขาดข้อมูลที่มีป้ายกำกับเป็นความท้าทายหลัก แนวทางที่เป็นไปได้จริงคือ เริ่มจากสำรวจว่าผลแล็บ เวลาเก็บตัวอย่าง และข้อมูลกระบวนการ มีครบมากน้อยเพียงใด หากไม่พอ ให้เริ่มจากการบันทึกเวลาเก็บตัวอย่าง
ควรเลือกซอฟต์เซนเซอร์หรือเครื่องวิเคราะห์ออนไลน์?
ให้คิดในแง่บทบาท ไม่ใช่การแทนที่ ABB เขียนว่าเซนเซอร์อนุมานมีทั้งเงินลงทุนเริ่มต้นและค่าบำรุงรักษาต่ำกว่าเครื่องวิเคราะห์ แต่นี่เป็นข้อกล่าวอ้างเชิงคุณภาพในบทความที่เขียนโดยผู้ขาย บางกรณีการติดตั้งเครื่องวิเคราะห์ทำได้ยากในแง่ต้นทุน คุณสมบัติของของเหลวที่ต้องวัด หรือกฎระเบียบ (Toagosei) ในทางกลับกัน ซอฟต์เซนเซอร์ใช้ไม่ได้นอกช่วงข้อมูลที่ใช้ฝึก และต้องมีผลแล็บหรือค่าจากเครื่องวิเคราะห์เป็นคำตอบที่ถูกต้อง สำหรับกระบวนการที่มีเกรดใหม่จำนวนมาก หรือการใช้งานที่ต้องการค่าที่วัดจริงโดยตรง ให้คิดบนสมมติฐานว่ายังคงเครื่องวิเคราะห์หรือการวิเคราะห์ในห้องแล็บไว้
สรุป
- ซอฟต์เซนเซอร์คือกลไกที่ประมาณค่าคุณภาพซึ่งวัดได้เฉพาะในห้องแล็บจากข้อมูลต่อเนื่อง และเป็นคนละเรื่องกับการตรวจจับความผิดปกติของเครื่องจักร SPC และการเพิ่มประสิทธิภาพสูตรผสม
- การนำมาใช้ไม่ใช่เรื่องของ “การสร้างโมเดล AI” แต่เป็นเรื่องของการตัดสินใจล่วงหน้าเรื่องค่าคุณภาพเป้าหมาย ผลแล็บที่ใช้เป็นคำตอบที่ถูกต้อง การจับคู่เวลา และวิธีแก้ไขเมื่อโมเดลเสื่อม
- สิ่งที่มีผลต่อความแม่นยำมากที่สุดคือการจัดเวลาข้อมูล โดยมีข้อกำหนดเบื้องต้นคือการบันทึกเวลาเก็บตัวอย่าง และการซิงโครไนซ์นาฬิกาของแต่ละระบบ
- โมเดลจะเสื่อมลง ให้ออกแบบการแก้ไขค่าไบแอส การฝึกโมเดลใหม่ ผู้อนุมัติ และการควบคุมเวอร์ชันไว้ตั้งแต่แรก
- ใช้ไม่ได้นอกช่วงข้อมูลที่ใช้ฝึก (เกรดใหม่ วัตถุดิบใหม่)
- ตัวเลขของผลิตภัณฑ์และกรณีศึกษาเป็นการประกาศของผู้ขายหรือบริษัทผู้นำไปใช้ ให้ตรวจสอบสิ่งที่ใช้เปรียบเทียบและเงื่อนไข
- ในการประมาณด้วยตัวเลขสมมติ รูปแบบ A ซึ่งแสดงผลเท่านั้น ใช้เวลาคืนทุนประมาณ 3.7 ปี และหากความแม่นยำไม่พอก็ไม่คืนทุน การทบทวนความถี่ของการวิเคราะห์ในห้องแล็บ (รูปแบบ B) ให้ผลประโยชน์มาก แต่หากไม่ได้รับการอนุมัติจากฝ่ายประกันคุณภาพและลูกค้า ผลประโยชน์จะเป็นศูนย์
TOMAS TECH ให้การสนับสนุนด้านการจัดเตรียมข้อมูล การใช้ AI และการเชื่อมต่อกับระบบที่มีอยู่ ให้สอดคล้องกับงานของโรงงานในประเทศไทย ท่านสามารถปรึกษาเราได้ตั้งแต่ขั้นตอนการสำรวจว่าจะเริ่มจากค่าคุณภาพตัวใด และข้อมูลกระบวนการกับผลแล็บที่มีอยู่จัดเวลาให้ตรงกันได้หรือไม่ ไปจนถึงขั้นตอนการจัดทำข้อกำหนดใน RFP ติดต่อเราได้ทางแบบฟอร์มนี้
ข้อมูลอ้างอิง
- Fuji Electric: ซอฟต์เซนเซอร์ “เครื่องมือสร้างสมการแบบจำลองสำหรับการประมาณค่าและเครื่องมือคำนวณ” (Keisoku to Seigyo เล่มที่ 62 ฉบับที่ 8, สิงหาคม 2023)
- Toagosei: การควบคุมอัตราการเกิดปฏิกิริยาด้วยซอฟต์เซนเซอร์ (TREND 2022 ฉบับที่ 25)
- Kadlec, Gabrys, Strandt: Data-driven Soft Sensors in the Process Industry (Computers and Chemical Engineering, 2009)
- Kadlec, Grbić, Gabrys: Review of adaptation mechanisms for data-driven soft sensors (Computers and Chemical Engineering, 2011)
- Ren, Song, Chu: An Improved Locally Weighted PLS Based on Particle Swarm Optimization for Industrial Soft Sensor Modeling (Sensors, 2019)
- arXiv: Machine learning for industrial sensing and control: A survey and practical perspective (arXiv:2401.13836, พรีปรินต์)
- arXiv: Soft Sensors and Process Control using AI and Dynamic Simulation (arXiv:2208.04373, พรีปรินต์)
- Funatsu: Soft Sensor: Chemoinformatic Model for Efficient Control and Operation in Chemical Plants (Strasbourg Summer School in Chemoinformatics 2016)
- Bonavita, Ciarlo (ABB): Inferential Sensors for Emission Monitoring: an Industrial Perspective (2014)
- Dreyfus et al.: Virtual metrology as an approach for product quality estimation in Industry 4.0 (International Journal of Production Research, 2022)
- FDA: PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance (ตุลาคม 2004)
- Thailand BOI: Measure for Industrial Upgrades towards Smart and Sustainable Industry (Investment Promotion Guide 2023)
- Thailand BOI: BOI Opportunity & Incentives for the Digital Industry (4 สิงหาคม 2026)
- The Nation Thailand: Thailand sees smart and green applications top 146 billion baht (13 สิงหาคม 2026)
- The Nation Thailand: Refineries, motor vehicles and palm oil pull June industrial output lower (27 กรกฎาคม 2026)
- The Nation Thailand: Goldman Sachs sees Thai first-half 2026 growth revised to 2.9% (8 ตุลาคม 2026)
- MGR Online: Japan Accelerates Production Base Upgrades in Thailand (17 สิงหาคม 2026)
- Pattaya Mail: Japanese factory upgrades open new high-value opportunities for Thai suppliers (18 สิงหาคม 2026)
- PTT Global Chemical: ข่าว (13 มกราคม 2026)
- PTT Global Chemical: ข่าว (20 กรกฎาคม 2026)
- Mynavi News TECH+: แพ็กเกจสนับสนุนการนำ AI Soft Sensor มาใช้ ของ NTT DOCOMO BUSINESS (13 พฤศจิกายน 2025)
- AspenTech: Aspen Inferential Qualities
- Siemens: SITRANS Soft Sensor Engine IQ
- Yokogawa: AI Product Solutions
- Seeq Knowledge Base: Machine Learning Tools FAQ
- Hydrocarbon Processing: Hyperion deploys HYPPOS AI soft sensors at HELLENiQ ENERGY polypropylene plant in Greece (20 กรกฎาคม 2026)
- Industria Química: BASF aplica inteligencia artificial al control de procesos de destilación en Amberes (5 ตุลาคม 2026)
- Louisiana State University: Chemical Industry Leader BASF Taps LSU to Create Soft Sensors Using AI (20 กันยายน 2022)
- Weekly ASCII: การพยากรณ์คุณภาพของ NTT Communications และ Mitsui Chemicals (กันยายน 2016)
- Shana: RIPI unveils innovative virtual sensor technology (8 กุมภาพันธ์ 2025)