นับตั้งแต่ปี 2014 การบำรุงรักษาเชิงคาดการณ์ (Predictive Maintenance) และเทคโนโลยีแฝดดิจิทัล (Digital Twins) ได้รับความสนใจอย่างสูงจากหลากหลายอุตสาหกรรม วิธีการบำรุงรักษาเชิงคาดการณ์ด้วยเทคโนโลยีแฝดดิจิทัล (PdMDT) อาศัยการสื่อสารแบบเรียลไทม์ระหว่าง Twins เป็นอย่างมาก เมื่อเปรียบเทียบกับการบำรุงรักษาเชิงคาดการณ์แบบดั้งเดิม ข้อแตกต่างที่สำคัญของ PdMDT ก็คือสามารถรับรู้ การควบคุม และการทำนายแบบเรียลไทม์ได้ โหมดการบำรุงรักษาเชิงคาดการณ์แบบดั้งเดิมพึ่งพอข้อมูลการวิเคราะห์จากข้อมูลที่ส่งออกมาจากอุปกรณ์ แต่ถึงจะเป็นอย่างนั้น ยังคงมีสถานะออนไลน์ของอุปกรณ์จำนวนมาก พารามิเตอร์ด้านสิ่งแวดล้อม และบันทึกในอดีตที่ไม่นำมาร่วมการวิเคราะห์ ซึ่งส่งผลต่อความแม่นยำของการวิเคราะห์
ความท้าทายที่เป็นอุปสรรคยุ่งยากที่สุดที่สำหรับบริษัทอุตสาหกรรม คือ ระบบ scheduling ของสายการผลิตที่ซับซ้อน เพื่อเพิ่มปริมาณงานสูงสุดแต่ลดต้นทุนขณะที่รับประกันการส่งมอบผลิตภัณฑ์ให้กับลูกค้าตรงเวลา ฝาแฝดดิจิทัลและ AI สามารถช่วยวิเคราะห์ตัวแปรจำนวนมากพร้อมกันเพื่อนำเสนอคำตอบที่ลงตัวที่สุด ตัวอย่างเช่น ในโรงงานผลิตโลหะแห่งหนึ่ง มอบหมายให้ AI ช่วยลดการสูญเสียผลผลิตลง 20 ถึง 40 เปอร์เซ็นต์ ขณะปรับปรุงการส่งมอบตรงเวลาให้กับลูกค้า แต่บริษัทจะต้องสร้างสภาพแวดล้อมที่เอื้อต่อการเรียนรู้ของ scheduling AI เพื่อสร้างการพยากรณ์ที่บรรลุเป้าหมายนี้ การพึ่งพาข้อมูลในอดีตและการเรียนรู้ของเครื่องนั้นไม่เพียงพอทำให้ scheduling AI ไม่สามารถคาดการณ์ปัญหาในอนาคตได้บริษัทสามารถเริ่มต้นด้วยการสร้างแบบจำลองหรือ “แฝดดิจิทัล” ของสายการผลิตและรายการสั่งซื้อได้ จากนั้น ตัว scheduling AI จะกำหนด schedule สายการผลิตจริง ตัว scheduling AI จะได้ถูกประเมินประสิทธิภาพของการทำงานโดยพิจารณาตามต้นทุน ปริมาณงาน และการส่งมอบตรงเวลาของผลิตภัณฑ์
ความเป็นจริงก็คือความสามารถเชิงรับรู้ของ PdMDT เป็นผลพวงจากความสมบูรณ์ข้อมูลที่ได้รับจากการบำรุงรักษาที่เกี่ยวข้อง อุปกรณ์เครือข่ายแบบฝังตัว (เช่น เซ็นเซอร์) และอุปกรณ์สื่อสารที่เชื่อมต่อถึงกัน (เช่น Internet of Things และเครือข่ายแบบมีสายและไร้สาย) อำนวยความสะดวกในการรวบรวมสถานะการทำงาน พารามิเตอร์ และสภาพแวดล้อมที่เกี่ยวข้องกับเครื่องเป้าหมาย ทั้งนี้ ข้อมูลที่รวบรวมจากแหล่งต่างๆ จะเข้าสู่ขั้นตอน pre-processing โดยข้อมูลต่าง ๆ นี้ได้แก่การลดสัญญาณรบกวน การแบ่งส่วน การแยกคุณสมบัติ และการคัดเลือก ขั้นตอนต่อไป ข้อมูล pre-processing เรียลไทม์นี้ จะถูกดึงออกมาเปรียบเทียบกับฐานความรู้ที่เกี่ยวกับคความบกพร่องของเครื่อง รวมถึงข้อมูลการบำรุงรักษาในอดีตของเครื่อง
เทคโนโลยีแฝดดิจิทัลมีระดับการเชื่อมต่อที่แตกต่างกันระหว่างโลกทางกายภาพกับโลกดิจิทัล การเชื่อมต่อระดับ “เงา” จะมีการไหลของข้อมูลทางเดียวจากวัตถุทางกายภาพและแฝดดิจิทัลแบบอัตโนมัติระหว่าง การเปลี่ยนแปลงสถานะของวัตถุทางกายภาพทำให้เกิดการเปลี่ยนแปลงในสถานะของวัตถุดิจิทัลเท่านั้น ดังนั้นเงาจะได้รับข้อมูลการเปลี่ยนแปลงของวัตถุทางกายภาพ แต่เงาจะไม่ส่งผลให้เกิดการเปลี่ยนแปลงของวัตถุกายภาพ
ดังนั้นการเชื่อมต่อระดับ “เงา” จึงง่ายต่อการนำไปใช้ เป็นตัวเลือกที่ดีที่สุดในการเริ่มต้นการเดินทางของการเปลี่ยนแปลงทางดิจิทัล เนื่องจากอัลกอริธึมอัจฉริยะที่ขับเคลื่อนแฝดดิจิทัลต้อง จำเป็นต้องเรียนรู้ลักษณะและพฤติกรรมของวัตถุกายภาพ และการเรียนรู้ในลักษณะนี้จำเป็นมีปฏิสัมพันธ์กับมนุษย์เพื่อช่วยสนับสนุนการบวนการเรียนรู้ ดังนั้น จึงเหมาะสำหรับการเริ่มต้นการใช้เทคโนโลยีดังกล่าว เพราะการเชื่อมต่อระดับ “เงา” นั้นเกิดความเสี่ยงต่ำสุดของการประยุกต์ใช้เทคโนโลยีแฝดดิจิทัล
แต่อย่างไรพบว่ามีการใช้คำว่า “ดิจิตอล ทวิน” อย่างไม่ถูกต้องซึ่งเป็นที่แพร่หลายเป็นที่นิยมในตลาด ซึ่งหมายถึง แบบจำลองหรือการจำลอง ซึ่งเป็นภาพดิจิทัลของวัตถุทางกายภาพที่มีอยู่หรือวางแผนไว้ โดยไม่ใช้รูปแบบใดๆ ของการแลกเปลี่ยนข้อมูลโดยอัตโนมัติหรือการผสานรวมระหว่างวัตถุทางกายภาพกับตัวเลขดิจิทัล การเปลี่ยนแปลงสถานะของวัตถุทางกายภาพไม่มีผลโดยตรงต่อสถานะของวัตถุดิจิทัล และในทางกลับกัน ดังนั้น จึงจำเป็นต้องอัปเดตแบบจำลองด้วยตนเองเป็นประจำเพื่อหลีกเลี่ยงความคลาดเคลื่อน
Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech