ทุกวันนี้โรงงานจำนวนมากลงทุนกับ Cloud Data Platform อย่าง Snowflake และ AWS ด้วยความหวังว่าจะได้นำข้อมูลการผลิตมาวิเคราะห์ ทำ Dashboard ระดับองค์กร หรือต่อยอดไปสู่ AI แต่เมื่อข้อมูลจากเครื่องจักรขึ้นไปถึง Cloud จริง ทีม Data กลับพบตาราง Tag นับหมื่นแถวที่ไม่มีใครรู้ว่า PLC3_DB12_W40 หมายถึงอะไร มาจากเครื่องไหน และมีหน่วยเป็นอะไร
ปัญหานี้ไม่ได้เกิดจากเทคโนโลยีไม่ดี แต่เกิดจาก การเชื่อม OT กับ IT โดยทิ้งบริบทของข้อมูลไว้ข้างทาง บทความนี้จะอธิบายว่าทำไมบริบทจึงสำคัญ และควรออกแบบเส้นทางข้อมูลอย่างไรให้ข้อมูลจาก Shop Floor ไปถึง Cloud แล้วยังใช้งานได้จริง
OT กับ IT: สองโลกที่พูดคนละภาษา
OT (Operational Technology) คือโลกของเครื่องจักร PLC, SCADA, เซนเซอร์ และหุ่นยนต์ สิ่งที่โลกนี้ให้ความสำคัญคือความเสถียร ความปลอดภัยของคนและเครื่องจักร และการตอบสนองแบบเรียลไทม์ระดับมิลลิวินาที ข้อมูลในโลก OT มักอยู่ในรูปของ Tag, Register หรือ Address ที่เข้าใจได้เฉพาะวิศวกรที่เขียนโปรแกรมเครื่องนั้น
IT (Information Technology) คือโลกของ Data Warehouse, ERP, Analytics และ Cloud สิ่งที่โลกนี้ต้องการคือข้อมูลที่มีโครงสร้าง มีความหมายทางธุรกิจ และนำไป Join กับข้อมูลอื่นได้ เช่น คำสั่งผลิต ต้นทุน หรือคุณภาพสินค้า
OT/IT Convergence จึงไม่ใช่แค่การ "ต่อสาย" ให้สองโลกคุยกันได้ แต่คือการทำให้ข้อมูลที่เกิดในโลก OT มีความหมายเพียงพอ เมื่อไปถึงโลก IT
"บริบท" ของข้อมูลโรงงานคืออะไร
ค่าตัวเลข 78.4 เพียงตัวเดียวแทบไม่มีประโยชน์ จนกว่าจะรู้ว่าค่านี้
- มาจากไหน: โรงงานใด ไลน์ใด เซลล์ใด เครื่องจักรใด (Asset Hierarchy)
- คืออะไร: อุณหภูมิ แรงดัน หรือแรงสั่นสะเทือน และมีหน่วยเป็นอะไร
- เกิดขึ้นเมื่อไร: เป็นเวลาที่ Controller วัดได้จริง ไม่ใช่เวลาที่ข้อมูลไปถึง Cloud
- เชื่อถือได้แค่ไหน: มี Quality Code บอกว่าค่านี้ปกติ ค้าง หรือเซนเซอร์ขาดการเชื่อมต่อ
- เกี่ยวข้องกับอะไร: ตอนนั้นกำลังผลิตชิ้นงานอะไร คำสั่งผลิตเลขที่เท่าไร หรือรถหมายเลข VIN ใด
ถ้าบริบทเหล่านี้หายไประหว่างทาง ทีม Data บน Snowflake จะต้องเสียเวลาหลายสัปดาห์ไปกับการเดาความหมายของ Tag และเมื่อมีวิศวกรแก้โปรแกรม PLC ทุกอย่างก็อาจพังได้อีกครั้ง
ความผิดพลาดที่พบบ่อยในการส่งข้อมูลโรงงานขึ้น Cloud
1. ส่ง Raw Tag ขึ้นไปตรง ๆ โดยหวังว่าจะไปจัดการทีหลังบน Cloud ผลที่ได้คือ Data Lake ที่กลายเป็น Data Swamp
2. เชื่อมแบบจุดต่อจุด (Point-to-Point) ระบบ MES ดึงจาก SCADA, Snowflake ดึงจาก Historian และ AWS ดึงจาก PLC โดยตรง เมื่อจำนวนระบบเพิ่มขึ้น จำนวนการเชื่อมต่อจะเพิ่มแบบทวีคูณ และไม่มีใครรู้ว่าข้อมูลชุดไหนคือชุดที่ถูกต้อง
3. ใช้ Timestamp ผิดจุด หลายระบบประทับเวลาเมื่อข้อมูลไปถึง Cloud ทำให้การวิเคราะห์ลำดับเหตุการณ์ เช่น การหาสาเหตุของ Fault คลาดเคลื่อน
4. คิดแค่ขาขึ้น มองข้อมูลเป็นทางเดียวจาก Shop Floor ขึ้น Cloud โดยไม่วางแผนว่าวันหนึ่งผลการวิเคราะห์หรือ Setpoint ที่ปรับให้เหมาะสมแล้ว จะถูกส่งกลับลงมาที่เครื่องจักรอย่างปลอดภัยได้อย่างไร
สถาปัตยกรรมที่รักษาบริบท: เพิ่มบริบทให้ใกล้ต้นทางที่สุด
หลักการสำคัญคือ ใส่บริบทให้ข้อมูลตั้งแต่ใกล้ Shop Floor ไม่ใช่ไปแก้ปัญหาบน Cloud สถาปัตยกรรมที่นิยมใช้ในโรงงานยุคใหม่แบ่งออกเป็นชั้นดังนี้
ชั้นที่ 1: Shop Floor / PLCs เก็บข้อมูลพร้อมเวลาต้นทาง
ข้อมูลเริ่มจาก Controller, หุ่นยนต์ และเครื่องจักรต่าง ๆ ซึ่งต้องรักษา Source Timestamp และตัวตนของเซลล์ไว้ตั้งแต่ก่อนข้อมูลออกจากพื้นโรงงาน
ชั้นที่ 2: Ignition Platform รวบรวมจากเครื่องจักรหลายยี่ห้อ
Ignition ทำหน้าที่เป็นศูนย์รวมการเชื่อมต่อ (Connectivity Layer) โดยคุยกับ PLC หลากหลายยี่ห้อผ่าน OPC-UA และ Driver มาตรฐาน แล้วรวมข้อมูลไว้ในที่เดียว ทำให้ไม่ต้องให้ทุกระบบไปเชื่อมกับเครื่องจักรเอง นอกจากนี้ยังจัดการเรื่อง Store-and-Forward ได้ เมื่อเครือข่ายขาด ข้อมูลจะไม่หาย
ชั้นที่ 3: HighByte และ Unified Namespace (UNS) สร้างภาษากลาง
ชั้นนี้คือหัวใจของการรักษาบริบท HighByte Intelligence Hub ใช้สร้าง Data Model ที่เป็นมาตรฐาน เช่น โมเดล "เครื่องปั๊ม" ที่มีโครงสร้างเหมือนกันทุกเครื่อง ไม่ว่าเครื่องนั้นจะใช้ PLC ยี่ห้อใด จากนั้นข้อมูลที่ผ่านการจัดโมเดลแล้วจะถูกเผยแพร่ใน Unified Namespace ซึ่งจัดเรียงตามลำดับชั้นของโรงงาน เช่น Plant/Body/Weld/Cell03/Robot02/Status
เมื่อมี UNS ระบบปลายทางทุกระบบไม่ว่าจะเป็นแดชบอร์ด MES หรือ Cloud จะสมัครรับข้อมูลจากที่เดียวกัน และได้ข้อมูลที่มีความหมายตรงกัน แทนการเชื่อมต่อแบบจุดต่อจุดจำนวนมาก
ชั้นที่ 4: Ignition Perspective ให้คนหน้างานเห็นข้อมูลชุดเดียวกัน
ข้อมูลชุดเดียวกับที่ส่งขึ้น Cloud จะแสดงบนแดชบอร์ดของหัวหน้างานและวิศวกรด้วย ทำให้ตัวเลขที่ฝ่ายผลิตเห็นกับตัวเลขที่ผู้บริหารเห็นบนรายงานตรงกัน
ชั้นที่ 5: Snowflake วิเคราะห์ข้อมูลที่พร้อมใช้
เมื่อข้อมูลไปถึง Snowflake พร้อม Asset Hierarchy, หน่วย และ Timestamp ที่ถูกต้อง ทีม Data จะนำไป Join กับข้อมูลจาก ERP, คุณภาพ หรือซัพพลายเชนได้ทันที เพื่อคำนวณ OEE, วิเคราะห์ต้นทุนพลังงานต่อชิ้นงาน หรือเตรียม Dataset สำหรับ Machine Learning โดยไม่ต้องเสียเวลาแปลความหมายของ Tag
ชั้นที่ 6: AWS IoT Core กระจายข้อมูลระดับองค์กร
AWS IoT Core เหมาะสำหรับการกระจายข้อมูลไปยังบริการอื่นในระบบ AWS หรือเชื่อมโยงข้อมูลจากหลายโรงงานเข้าด้วยกัน เมื่อทุกโรงงานใช้ Data Model เดียวกันจากชั้น UNS การเปรียบเทียบประสิทธิภาพข้ามโรงงานก็ทำได้ง่าย
อย่าลืมขาลง: ข้อมูลต้องไหลได้สองทาง
OT/IT Convergence ที่สมบูรณ์ไม่ได้จบที่การส่งข้อมูลขึ้น Cloud เมื่อทีม Data หรือ AI พบค่าพารามิเตอร์ที่ดีกว่า ค่านั้นต้องส่งกลับลงไปที่เครื่องจักรได้ ทั้ง Setpoint และ Recipe การผลิต
ขาลงนี้ต้องผ่าน เส้นทางเดียวกันที่มีการควบคุม (Governed Path) มีการกำหนดสิทธิ์ว่าใครส่งคำสั่งอะไรได้บ้าง มีการตรวจสอบย้อนหลัง และให้ระบบ OT เป็นผู้ตัดสินใจขั้นสุดท้ายเสมอ ไม่ควรเปิดให้ Cloud สั่งงาน PLC ได้โดยตรง
Checklist ก่อนเริ่มโครงการ OT/IT Convergence
- กำหนด Asset Hierarchy ของโรงงานให้ชัดเจนตามมาตรฐาน ISA-95 ก่อนเริ่มส่งข้อมูล
- ออกแบบ Data Model มาตรฐานสำหรับเครื่องจักรประเภทเดียวกัน
- เลือกจุดที่จะใส่บริบท ให้ใกล้ Shop Floor มากที่สุด
- ยืนยันว่าระบบรักษา Source Timestamp และ Quality Code ไปจนถึงปลายทาง
- วางแผนเส้นทางขาลงและนโยบายความปลอดภัยตั้งแต่วันแรก
- เริ่มจาก Use Case เล็กที่วัดผลได้ เช่น Condition Monitoring หรือ Energy Management แล้วค่อยขยาย
สรุป: เห็นภาพจริงด้วย Data Backbone
การเชื่อม Shop Floor เข้ากับ Snowflake และ AWS ไม่ใช่เรื่องของการเลือกเครื่องมือที่ดีที่สุดเพียงอย่างเดียว แต่เป็นเรื่องของการออกแบบ Data Backbone ที่ทำให้ข้อมูลทุกชิ้นเดินทางจากเครื่องจักรไปถึง Cloud พร้อมบริบทครบถ้วน และส่งคำสั่งกลับลงมาได้อย่างปลอดภัยผ่านเส้นทางเดียวกัน
ถ้าคุณอยากเห็นว่าสถาปัตยกรรมทั้งหมดที่อธิบายมานี้ทำงานร่วมกันอย่างไร Appomax ได้จำลองโรงงานประกอบรถยนต์แบบ 3 มิติไว้ให้ลองสำรวจด้วยตัวเอง คุณสามารถกดไล่เส้นทางข้อมูลทีละสถานี ตั้งแต่ PLC บนพื้นโรงงาน ผ่าน Ignition และ HighByte/UNS ไปจนถึง Snowflake และ AWS IoT Core ดูว่าแต่ละสถานีรับข้อมูลจากไหนและส่งต่อไปที่ใด และแยกเลเยอร์ OT, UNS และ Cloud ออกจากกันเพื่อให้เห็นภาพชัดขึ้น
สำรวจ Data Backbone ของโรงงานอัจฉริยะแบบ Interactive
