1 กรกฎาคม 2569 ถึง 30 กันยายน 2569

Statistical Process Control – SPC (AIAG 2nd Edition) สำหรับการควบคุมกระบวนการผลิตเชิงสถิติในอุตสาหกรรมยานยนต์

มหาวิทยาลัยวงษ์ชวลิตกุล

1. อุตสาหกรรมยานยนต์สมัยใหม่

1. Data Science
2. Engineering Design

1. แนะนำหลักสูตร / เป้าหมาย / ตัวอย่างปัญหาจริงจากโรงงานยานยนต์
2. หลักการ “Statistical Thinking” และบทบาทของ SPC ใน Factory
3. Process Variation: Common vs Special Cause + Process Behavior
4. Workshop: วัดค่าทางสถิติเบื้องต้นจากข้อมูลจริง (Mean, SD, Range)
5. Linking SPC with MSA & PFMEA (Audit Trail Concept)
6. Control Chart Overview: โครงสร้าง & เกณฑ์การเลือกใช้งาน
7. X̄–R, X̄–S, I–MR Chart (Variable Data)
8. Attribute Chart (p, np, c, u) + การใช้กับ SMT / Painting / Assembly
9. Workshop: Excel Plot Control Chart จาก Data จริง
10. Case Study: วิเคราะห์ Special Cause & Corrective Action
11. Process Capability (Cp, Cpk, Pp, Ppk)
12. Workshop คำนวณ Cp, Cpk จาก Data จริง
13. Link SPC กับ PFMEA / Control Plan / MSA
14. Role Play: IATF16949 Audit ใช้ SPC ตรวจสอบกระบวนการ
15. Group Discussion & Q&A
16. Case Study: Machining / Robotics / SMT Line
17. Process Capability (Cp, Cpk, Pp, Ppk)
18. หลักการสร้าง SPC System ในโรงงานจริง
19. SPC in Smart Factory (Sensor / IoT / Robotics / SCADA)
20. Workshop: Prototype SPC Dashboard (Excel / Power BI)
21. Project Work: สร้าง SPC Implementation Plan ขององค์กรตนเอง
22. Presentation (Individual / Group)
23. Final Reflection + Exit Test + Certification (Pass/Fail)
24. หลักการสร้าง SPC System ในโรงงานจริง

Onsite Training

Mektec Manufacturing Corporation (Thailand) Ltd. และ Thai NOK Rubber Manufacturing for Automotive and Electronic = 25 คน

ภาคทฤษฎี 6 ชั่วโมง | ภาคปฏิบัติ 18 ชั่วโมง

เป้าหมายของหลักสูตร
หลักสูตรนี้มีวัตถุประสงค์เพื่อพัฒนาผู้เรียนให้มีเป้าหมายหลักแบ่งดังนี้:
1. อธิบายหลักการพื้นฐาน ทฤษฎี และเหตุผลเบื้องหลังของเครื่องมือ/มาตรฐาน/เทคนิคที่ใช้ในหลักสูตร
2. อธิบายแนวคิดสำคัญ (Key Concepts) ได้อย่างถูกต้อง เช่น Variability, Data Structure, Risk-based Thinking, Control Mechanism ฯลฯ
3. ประยุกต์ใช้งานเครื่องมือที่สอนในหลักสูตรได้จริง เช่น การวิเคราะห์ข้อมูล, การวินิจฉัยสาเหตุราก (Root Cause Analysis), การควบคุมคุณภาพ, การตรวจวัด, การวางแผนระบบ ฯลฯ
4. วิเคราะห์ข้อมูล (Data Analytics) ได้อย่างถูกต้อง โดยใช้ Excel / Software / Data Set จริง แปลผลกราฟ ตาราง สัญญาณผิดปกติ และข้อมูลเชิงสถิติได้
5. สร้างรายงาน, สรุปผล, และเสนอแนวทางแก้ไขที่สามารถใช้ได้จริงในองค์กรทำงานร่วมกับหน่วยงานอื่นแบบ Cross-functional เช่น QA, Production, Process, Maintenance ได้
เงื่อนไขการเรียน :
ผู้เรียนควรมีพื้นฐานดังนี้:
1. ความรู้ทั่วไปเกี่ยวกับงานผลิต / คุณภาพ / กระบวนการ
2. ทักษะการใช้คอมพิวเตอร์และโปรแกรม Excel
3. ความสามารถอ่าน–ตีความข้อมูลเบื้องต้น
4. ความพร้อมในการทำงานแบบกลุ่ม

การเรียนการสอนและการเรียนรู้ :
ผลลัพธ์การเรียนรู้ (Learning Outcomes)
หมวดทักษะ (STEM++) LO ผลลัพธ์การเรียนรู้ Tool / Pedagogy วิธีประเมินผล & รูปแบบวัดผล เกณฑ์ผ่าน
1. Cognitive Skills LO1 อธิบายหลักการพื้นฐานของ Statistical Process Control ตาม AIAG 2nd Edition และสามารถอธิบายความแตกต่างระหว่าง Common Cause และ Special Cause Variation ได้อย่างถูกต้อง Lecture + ตัวอย่างจริงจากโรงงาน Quiz / Mini Test (10 ข้อ) คะแนนรวม
≥ 60%
2. Technical Skills LO2 ประยุกต์ใช้ Control Chart ได้ถูกต้อง ตามลักษณะข้อมูล (Variable / Attribute) อย่างถูกต้อง Workshop / Excel Simulation Excel-based Exercise (Individual) ความถูกต้อง≥ 60%
LO4 สามารถคำนวณค่า Process Capability (Cp, Cpk, Pp, Ppk) และใช้ข้อมูลเพื่อช่วยตัดสินใจเชิงวิศวกรรม / ปรับปรุงกระบวนการผลิต Workshop + Excel
Template Assignment (รายบุคคล) ความถูกต้อง≥ 60%
3. Professional Skills
LO3 อ่านและตีความ Control Chart → วิเคราะห์ Process Behavior / ความผิดปกติ / Special Cause พร้อมระบุแนวโน้มผิดปกติ (Trend, Run, Cycle) Case Study จาก Line จริง (Machining, SMT, Painting, Assembly) Group Discussion + Presentation ผลวิเคราะห์ คะแนนรวม
≥ 60%
LO5 ออกแบบ SPC Implementation Plan สำหรับบริษัทของตนเองได้ Project-based Learning Final Project + Presentation ต่อวิทยากร ผ่านตามเงื่อนไข
≥ 60%