13 กรกฎาคม 2569 ถึง 16 ธันวาคม 2569

เทคโนโลยีแฝดดิจิทัลเพื่อการบํารุงรักษาอัจฉริยะ (Digital Twin for Smart Maintenance)

มหาวิทยาลัยสยาม

1. อุตสาหกรรมดิจิทัล

1. Data Science
2. Sensor Technology
3. SCADA System

1. Digital Twin Architecture for Facilities
2. Sensor Engineering & Installation
3. Data Visualization & Monitoring
4. Preventive & Predictive Maintenance Strategy
5. Workshop: Problem Solving & Simulation

Bootcamp

มหาวิทยาลัยสยาม

ภาคทฤษฎี 10 ชั่วโมง | ภาคปฏิบัติ 20 ชั่วโมง

ในยุคที ่ภาคอุตสาหกรรมและการบริหารจัดการอาคารกาวเขาสูการเปลี่ยนผานสูดิจิทัล (Digital
Transformation) การบํารุงรักษาแบบดั้งเดิมที่เนนการซอมแซมเมื่อเกิดความเสียหายหรือการซอมบํารุง
ตามรอบเวลาไมเพียงพอที่จะตอบสนองตอความซับซอนของระบบวิศวกรรมในปจจุบันไดอีกตอไป ความ
จําเปนในการสรางระบบแฝดดิจิทัล (Digital Twin) จึงกลายเปนหัวใจสําคัญที่เชื ่อมโยงโลกกายภาพและ
โลกเสมือนเขาดวยกัน เพื่อใหวิศวกรและผูบริหารจัดการอาคารสามารถติดตามสถานะ วิเคราะห และ
พยากรณความผิดปกติของระบบไดแบบเรียลไทม ดวยเหตุนี้ หลักสูตรเทคโนโลยีแฝดดิจิทัลเพื่อการ
บํารุงรักษาอัจฉริยะจึงประกอบดวยชุดทักษะแหงอนาคต (Future Skill Set) ที่ประกอบดวยเทคโนโลยี
เซ็นเซอร (Sensor Technology) ระบบควบคุมและแสดงผล (SCADA System) และวิทยาการขอมูล
(Data Science) จึงเปนรากฐานสําคัญที่ขาดไมไดในการสรางนิเวศการบํารุงรักษาอัจฉริยะ
การสรางระบบแฝดดิจิทัลตองอาศัยทักษะดานเทคโนโลยีเซ็นเซอร (Sensor Technology) ที่
ลึกซึ้ง เนื่องจากขอมูลที่แมนยําจากหนางานจริงคือวัตถุดิบหลักของการสรางแบบจําลอง ผูเรียนจึง
จําเปนตองมีความเชี่ยวชาญในการเลือกใชและติดตั้งอุปกรณวัดคาตาง ๆ ไมวาจะเปนการวัด
แรงสั่นสะเทือน อุณหภูมิ หรือการใชพลังงาน เพื่อใหสามารถแปลงสัญญาณทางกายภาพไปเปนขอมูล
ดิจิทัลไดอยางถูกตอง ซึ่งขอมูลเหลานี้จะถูกสงผานโครงขายการเชื่อมตอที่หลากหลาย เชน Modbus,
LoRaWAN หรือ NB-IoT เขาสูระบบ SCADA และ Dashboard ซึ่งเปนทักษะในการบริหารจัดการระบบ
ควบคุมและการแสดงผล (SCADA System) ที่ชวยใหผูดูแลระบบมองเห็นภาพรวมของโครงสรางพื้นฐาน
และงานระบบประกอบอาคาร (MEP) ไดอยางชัดเจนผานหนาจอเพียงชุดเดียว
อยางไรก็ตาม ขอมูลมหาศาลที ่ถูกจัดเก็บมานั้น จะไมมีประสิทธิภาพหากขาดทักษะดานวิทยาการ
ขอมูล (Data Science) มาเปนเครื่องมือในการวิเคราะห การเปลี่ยนจากการบํารุงรักษาเชิงปองกัน
(Preventive) ไปสูการบํารุงรักษาเชิงพยากรณ (Predictive Maintenance) จําเปนตองใชกระบวนการ
ทางสถิติและอัลกอริทึมพื้นฐานของ AI/ML เพื ่อระบุสัญญาณความผิดปกติ (Failure Signature) และ
คาดการณอายุการใชงานที่เหลืออยู (Remaining Useful Life) ของเครื่องจักร ซึ่งทักษะเหลานี้ไมเพียงแต
ชวยลดการหยุดชะงักของระบบ (Downtime) แตยังนําไปสูการเพิ่มประสิทธิภาพการใชพลังงานและการ
บริหารจัดการทรัพยากรอยางยั่งยืน ซึ่งถือเปนสมรรถนะหลักที่วิศวกรและผูจัดการศูนยขอมูลในยุคใหม
จำเปนตองเรียนรูเพื่อยกระดับขีดความสามารถทางการแขงขันขององคกรในอนาคต
4.1 วัตถุประสงคของรายวิชา (Course Objectives)
 เพื ่อเขาใจโครงสรางระบบ Digital Twin สําหรับอาคารและงานระบบประกอบอาคาร (MEP)
 เพื ่อสามารถเลือกใชและติดตั้งเซ็นเซอร (Sensor Selection & Installation) ใหเหมาะสมกับ
ประเภทของเครื่องจักรและงานระบบ
 เพื่อเรียนรูวิธีการเชื่อมตอขอมูล (Connectivity) จากหนางานจริงเขาสูระบบ Digital Twin
(Bridge Physical to Digital)
 เพื่อประยุกตใชขอมูลในการทํา Preventive & Predictive Maintenance ลดการหยุดชะงักของ
ระบบ (Downtime)
 เพื่อฝกทักษะการแกปญหาหนางาน (Troubleshooting) ที่เกิดจากความผิดพลาดของระบบ
เซ็นเซอรหรือเครือขาย
4.2 วิธีการสอน /จํานวนชั่วโมง
การสอนแบบ onsite จํานวน 5 วัน
4.4 ผลการเรียนรู (Learning Outcomes)
4.4.1 ดานทักษะการคิดขั้นสูง (Cognitive Skills)
 ผูเรียนสามารถออกแบบ Diagram ระบบ Digital Twin สําหรับอาคารหรือระบบ
สาธารณูปโภคเบื้องตนได
 ผูเรียนสามารถประเมินกระบวนการทํางานในปจจุบันและระบุปญหาตางๆที่อาจเกิดขึ้น
ผานระบบการแสดงผลของ Digital Twin ได
4.4.2 ดานทักษะเทคนิค (Technical Skills)
 ผูเรียนเลือกใชเซ็นเซอรไดถูกตองตามหลักวิศวกรรม และเขาใจขอจํากัดของการติดตั้งใน
พื้นที่จริง
 ผูเรียนสามารถอานคาและวิเคราะหกราฟความผิดปกติของเครื่องจักร (Anomaly
Detection) ผานหนาจอ Digital Twin ได
4.4.3 ดานทักษะวิชาชีพ (Professional Skills)
 ผูเรียนสามารถวางแผนการบํารุงรักษาเชิงปองกัน (PM Plan) โดยอิงจากขอมูลจริงที่วัด
ได
 ผูเรียนรูวิธีการตรวจสอบและแกไขปญหา (Debug) เมื่อระบบ IoT หรือ Sensor ทํางาน
ผ
ิดพลาด
4.5 วิธีการประเมินผล (Assessment)
4.5.1 ผูเรียนตองมีเวลาเขาเรียนไมต่ํากวา 80%
4.5.2 ผูเรียนตองผานแบบทดสอบทางทฤษฎี โดยรวมไมนอยกวา 70%
โดยขอสอบจะเปนปรนัยจํานวน 4 ตัวเลือก จํานวน 30 ขอ
4.5.3 ผูเรียนตองผานการประเมินการลงมือปฏิบัติโดยผูสอน โดยรวมไมนอยกวา 70%
โดยมีการประเมินจากกิจกรรมดังนี้ - - - -
การติดตั้งและเชื่อมตอเซ็นเซอร (Workshop Day 2)
การออกแบบ Dashboard และ Data Mapping (Workshop Day 3)
การใช Digital Twin เพื่อทําหาจุดเหมาะสม และปรับจูนระบบ (Workshop Day 4)
และโครงการกลุมแกไขปญหาจําลอง (Workshop Day 5)
4.5.4 ประเมินความพึงพอใจหลักสูตร วิทยากร ภาพรวมการฝกอบรมไมนอยกวา 80%