ระบบบันทึกข้อมูลการผลิต (Production Data Logging) ที่โรงงานควรมี

ระบบ AI, OEE, MES, APS — ทุกระบบในโรงงานต้องการ "ข้อมูล" และข้อมูลที่ดีต้องมาจาก ระบบบันทึกข้อมูลการผลิตที่ดี บทความนี้จะเล่าตั้งแต่ทำไมถึงต้องมี ไปจนถึงสถาปัตยกรรมที่ scale ได้

ทำไมถึงต้องมี Data Logging?

ปัญหาที่โรงงานไทยเจอบ่อย:

• ผู้ปฏิบัติงานบันทึกใน Excel → หาย, ผิด, ไม่ทันเวลา
• เครื่องจักรมี HMI แต่ไม่ export ข้อมูล
• รู้ว่าเดือนนี้ผลิตได้กี่ชิ้น แต่ไม่รู้ว่าแต่ละชั่วโมงเป็นยังไง
• เกิดปัญหาแล้วย้อนสาเหตุไม่ได้ (no traceability)

ระบบ Data Logging ที่ดีจะแก้ทุกข้อข้างบน และเปิดประตูให้:

• คำนวณ OEE real-time ทุกนาที
• ส่งข้อมูลเข้า MES สำหรับ traceability
• เก็บ training data ให้ AI/ML model
• ตรวจ pattern ของ failure ก่อนเกิดจริง

ข้อมูลอะไรที่โรงงานต้องเก็บ?

Tier 1 — Machine Data (เก็บก่อน)

• Status: Run / Idle / Down / Maintenance
• Counter: Good count, Reject count
• Cycle time ต่อชิ้น
• Speed ปัจจุบัน vs ออกแบบ
• Alarm/Error code จาก PLC

Tier 2 — Process Data

• Temperature, Pressure, Flow ของแต่ละ stage
• Power consumption ของเครื่อง
• Vibration ของมอเตอร์ (predictive maintenance)
• Tool wear เช่น drill bit, แม่พิมพ์

Tier 3 — Product Data

• Lot number + วันที่/เวลาผลิต
• Quality measurement (dimension, weight, defect)
• Operator ID + ผู้ตรวจสอบ
• Raw material lot (เพื่อ traceability)

Tier 4 — Environment Data

• Temperature/humidity ของห้อง
• Air quality (สำหรับ cleanroom)
• Energy consumption รวมโรงงาน

สถาปัตยกรรมที่ใช้กันในอุตสาหกรรม

[เครื่องจักร] → [PLC/Sensor] → [Edge Gateway] → [Message Broker]
                                    ↓                ↓
                           [Local cache]      [Time-series DB]
                                                     ↓
                                              [Analytics + Dashboard]
                                                     ↓
                                           [AI/ML + Alert + Reports]

Layer 1: Field Layer (เครื่องจักร)

• PLC (Siemens, Mitsubishi, Allen Bradley)
• Sensors (temperature, pressure, vibration)
• HMI (อ่านข้อมูลจาก operator)

Layer 2: Edge Layer (Gateway)

• Industrial PC หรือ Raspberry Pi
• Buffer ข้อมูล เผื่อ network ขาด
• Pre-processing เช่น filter noise, calculate moving average
• Protocol translation OPC UA → MQTT

Layer 3: Transport Layer

• MQTT (lightweight, real-time) สำหรับ telemetry
• OPC UA สำหรับเครื่องจักรอุตสาหกรรม
• REST API สำหรับ batch/config
• Apache Kafka ถ้าต้องการ scale ใหญ่

Layer 4: Storage Layer

• Time-series DB สำหรับ telemetry
• Relational DB สำหรับ master data + transaction
• Object storage (S3) สำหรับภาพ/ไฟล์

Layer 5: Application Layer

• Dashboard (Grafana, custom)
• AI/ML pipelines
• Alert/Notification — ส่งผ่าน Email Server หรือ LINE Notify

หมายเหตุ: ถ้าระบบ Data Logging ของคุณรันบน on-premise พิจารณาย้ายขึ้น VPS/Cloud Server เพื่อ uptime และ disaster recovery ที่ดีกว่า

เลือก Time-series Database ยังไง?

| Database | จุดเด่น | จุดอ่อน | เหมาะกับ | |----------|---------|---------|----------| | InfluxDB | ติดตั้งง่าย, schema-less, ecosystem ดี | scale ยากเมื่อใหญ่มาก | SME, Pilot | | TimescaleDB | SQL-based, scale ดี, JOIN ได้ | setup ซับซ้อนกว่า | SME-Enterprise | | QuestDB | เร็วมาก, low memory | community เล็ก | High-throughput | | Prometheus | สำหรับ monitoring โดยเฉพาะ | retention สั้น | Infrastructure metrics | | Apache IoTDB | optimize สำหรับ IoT, compression สูง | ใหม่, doc น้อย | Large-scale IoT |

คำแนะนำสำหรับโรงงานไทย: เริ่มจาก InfluxDB — ใช้ฟรี, ติดตั้งใน 1 วัน, มี Telegraf agent เก็บข้อมูลอัตโนมัติ

Data Retention Strategy

ข้อมูลโรงงานเก็บ 100% ตลอดไปจะเปลือง storage มาก ใช้ tiered retention:

| ความละเอียด | ระยะเวลาเก็บ | ใช้ทำอะไร | |-------------|--------------|-----------| | 1 วินาที (raw) | 7-30 วัน | Debug, troubleshooting | | 1 นาที (downsample) | 1 ปี | Trend analysis, OEE history | | 1 ชั่วโมง (downsample) | 5+ ปี | Long-term reporting, audit |

InfluxDB มี continuous query ทำ downsample อัตโนมัติ

ความเสี่ยงและวิธีป้องกัน

❌ Network ขาด → ข้อมูลหาย

แก้: Edge gateway ต้อง buffer local อย่างน้อย 24 ชั่วโมง

❌ Disk เต็ม → DB หยุด

แก้: ตั้ง alert ที่ 80%, มี retention policy ชัดเจน

❌ ข้อมูลผิด timezone

แก้: ทุก timestamp เก็บเป็น UTC, แสดงผลเป็น local

❌ Security: เปิด port ออก internet

แก้: ใช้ VPN หรือ private network, MQTT TLS + auth

❌ ไม่มี backup

แก้: Daily backup ไป cloud storage (cost ต่ำมาก)

Use Case จริง: โรงงานชิ้นส่วนรถยนต์

ก่อนมีระบบ:

• บันทึก downtime ในใบกระดาษ
• รู้ OEE หลังปิดเดือน
• หาสาเหตุของเสียใช้เวลา 1-2 วัน

หลังติดตั้ง Data Logging (InfluxDB + 30 sensor + 1 gateway):

• OEE real-time ใน Grafana
• Alert ผ่าน LINE เมื่อเครื่องหยุด > 5 นาที
• Trace ของเสียกลับไปหา root cause ใน 5 นาที
• ROI 14 เดือน จากลด downtime 8%

สรุป

Data Logging คือ infrastructure ที่ invisible แต่จำเป็น ของ Smart Factory

ลงทุนกับ data layer ก่อน — ระบบที่อยู่บน (OEE, MES, APS, AI) จะทำงานได้ดี ลงทุนกับ AI/ML ก่อน data — ทุกอย่างจะ garbage in garbage out

กำลังออกแบบระบบเก็บข้อมูลโรงงาน? WTC Cloud เชี่ยวชาญติดตั้ง stack แบบ open-source (InfluxDB + Grafana + MQTT) และระบบ enterprise สำหรับโรงงานทุกขนาด ติดต่อทีมงาน เพื่อขอ architecture review ฟรี