Bathtub Curve คืออะไร? เข้าใจความน่าเชื่อถือและช่วงชีวิตของเครื่องจักร ฉบับสมบูรณ์

เครื่องจักรทุกเครื่องมีเรื่องเล่าของตัวเองตั้งแต่วันแรกที่เดินเครื่องจนถึงวันที่ถูกปลดระวาง และเรื่องเล่านั้นสามารถอธิบายด้วยกราฟเส้นเดียวที่วิศวกรความน่าเชื่อถือ (reliability engineering) ใช้กันทั่วโลกมานานหลายสิบปี นั่นคือ Bathtub Curve หรือกราฟรูปอ่างอาบน้ำ กราฟนี้ไม่ได้เป็นแค่ทฤษฎีในตำรา แต่เป็นเครื่องมือที่ตอบคำถามหน้างานได้ตรงจุดที่สุดข้อหนึ่ง นั่นคือ "เครื่องจักรเครื่องนี้ควรบำรุงรักษาแบบไหน" เพราะกลยุทธ์ที่ใช้ได้ผลในช่วงหนึ่งของชีวิตเครื่องจักร อาจไม่ได้ผลหรือกลับทำให้แย่ลงในอีกช่วงหนึ่ง บทความนี้จะพาไปทำความเข้าใจ Bathtub Curve ตั้งแต่แนวคิดพื้นฐาน 3 ช่วงชีวิตของอุปกรณ์ ไปจนถึงการนำไปใช้ตัดสินใจจริงในงาน Planned Maintenance (PM) และการเชื่อมโยงกับตัวชี้วัดอย่าง MTBF และ MTTR ที่หลายโรงงานใช้อยู่ทุกวันแต่ยังตีความไม่ครบ

Bathtub Curve คืออะไร

Bathtub Curve คือกราฟที่แสดงความสัมพันธ์ระหว่าง อัตราการเสีย (failure rate) บนแกนตั้ง (แกน Y) กับ เวลาใช้งานหรืออายุของอุปกรณ์ บนแกนนอน (แกน X) แกน Y ไม่ได้วัดเป็นจำนวนครั้งที่เสียสะสม แต่วัดเป็น "ความเสี่ยงที่จะเสียในช่วงเวลาถัดไป" ของอุปกรณ์ที่ยังทำงานอยู่ ณ ขณะนั้น หรือที่นักสถิติเรียกว่า hazard rate ส่วนแกน X นับตั้งแต่จุดที่อุปกรณ์เริ่มใช้งานจริง ไม่ใช่วันที่ผลิตหรือวันที่ซื้อ

ที่มาของชื่อมาจากรูปทรงของเส้นกราฟ หากลองนึกภาพหน้าตัดของอ่างอาบน้ำแบบเก่า จะเห็นผนังด้านซ้ายที่ลาดชันลงมา พื้นอ่างที่เรียบและยาว แล้วจึงมีผนังด้านขวาที่ลาดขึ้นไป กราฟอัตราการเสียของอุปกรณ์ส่วนใหญ่ก็มีรูปทรงแบบเดียวกันเมื่อมองตลอดอายุการใช้งาน กล่าวคือเริ่มต้นด้วยอัตราการเสียที่ สูงและลดลงอย่างรวดเร็ว ในช่วงแรก จากนั้นจะ ราบเรียบอยู่ในระดับต่ำเป็นเวลานาน ซึ่งเป็นช่วงส่วนใหญ่ของอายุการใช้งาน ก่อนที่จะ ไล่ระดับสูงขึ้นเรื่อย ๆ อีกครั้งเมื่อเข้าใกล้ปลายอายุการใช้งาน สามช่วงนี้เรียกว่า Infant Mortality, Random Failure (หรือ Useful Life) และ Wear-out ตามลำดับ

แนวคิดนี้ถูกใช้ครั้งแรกในอุตสาหกรรมอิเล็กทรอนิกส์และการบินอวกาศเพื่อวางแผนการทดสอบความน่าเชื่อถือของชิ้นส่วน ก่อนจะถูกนำมาปรับใช้ในงานบำรุงรักษาโรงงานผ่านแนวคิด Reliability Centered Maintenance (RCM) ซึ่งใช้ Bathtub Curve เป็นพื้นฐานในการเลือกกลยุทธ์บำรุงรักษาให้เหมาะกับกลไกการเสียของแต่ละชิ้นส่วน แทนที่จะใช้กลยุทธ์เดียวกับทุกชิ้นส่วนในโรงงาน ซึ่งเป็นแนวคิดเดียวกับเสาที่ 3 ของ TPM คือ Planned Maintenance ที่แบ่งกลยุทธ์บำรุงรักษาออกเป็นหลายรูปแบบ ทั้ง BM, TBM, CBM และ CM ให้เลือกใช้ตามสถานการณ์

สามช่วงชีวิตของเครื่องจักรบน Bathtub Curve

หัวใจของ Bathtub Curve อยู่ที่การแยกอายุการใช้งานของอุปกรณ์ออกเป็น 3 ช่วงที่มีกลไกการเสียต่างกันโดยสิ้นเชิง การเข้าใจกลไกที่แท้จริงของแต่ละช่วงคือกุญแจที่ทำให้เลือกกลยุทธ์บำรุงรักษาได้ถูกต้อง ไม่ใช่แค่เลือกตามความเคยชินหรือคู่มือเครื่องจักรเพียงอย่างเดียว

ช่วงที่ 1: Infant Mortality (อัตราการเสียสูงในช่วงต้น)

ช่วง Infant Mortality คือช่วงแรกสุดหลังติดตั้งหรือเริ่มเดินเครื่อง กราฟในช่วงนี้เริ่มต้นที่จุดสูงและลาดลงอย่างรวดเร็ว หมายความว่าอุปกรณ์มีความเสี่ยงจะเสียสูงมากในไม่กี่วันหรือไม่กี่สัปดาห์แรก แล้วความเสี่ยงนั้นจะลดลงเรื่อย ๆ จนเข้าสู่ระดับปกติ

สาเหตุหลักของการเสียในช่วงนี้ ไม่ใช่การสึกหรอ แต่มาจากข้อบกพร่องที่ติดตัวมาตั้งแต่ต้น เช่น ข้อบกพร่องจากกระบวนการผลิตชิ้นส่วน (manufacturing defect) ความผิดพลาดจากการติดตั้ง (installation error) การตั้งค่าพารามิเตอร์ไม่ถูกต้อง หรือการเดินเครื่องในช่วงแรกที่ยังไม่นิ่ง (start-up ไม่ถูกวิธี) ตัวอย่างที่พบจริงหน้างาน ได้แก่ มอเตอร์ตัวใหม่ที่ร้อนผิดปกติในสัปดาห์แรกเพราะศูนย์เพลาไม่ตรง (misalignment) ปั๊มที่ซีลรั่วภายในไม่กี่วันเพราะช่างประกอบไม่ได้ตามแรงบิดที่กำหนด แผงวงจรอิเล็กทรอนิกส์ที่ค้างหรือรีเซ็ตเองเพราะจุดบัดกรีไม่สมบูรณ์ หรือลูกปืนที่เสียงดังผิดปกติตั้งแต่เดือนแรกเพราะใส่ preload ผิดค่าตอนประกอบ

กลยุทธ์ที่เหมาะสมกับช่วงนี้คือการทำ burn-in หรือ run-in period คือการเดินเครื่องภายใต้การเฝ้าระวังอย่างเข้มข้นก่อนส่งมอบให้ใช้งานเต็มรูปแบบ ร่วมกับการตรวจสอบถี่กว่าปกติในช่วงสัปดาห์แรก ๆ และที่สำคัญที่สุดคือการทำ commissioning ที่ดีตั้งแต่ต้น ทั้งหมดนี้คือขอบเขตงานของ MP (Maintenance Prevention) และเสา Early Equipment Management (EM) ที่ออกแบบมาเพื่อลดปัญหาช่วง Infant Mortality ตั้งแต่ขั้นตอนออกแบบและติดตั้ง ไม่ใช่มารอแก้ตอนเครื่องเสียแล้ว การทำความสะอาดตรวจสอบเบื้องต้นแบบ Autonomous Maintenance (AM) ในสัปดาห์แรกของเครื่องใหม่ก็ช่วยจับความผิดปกติเล็ก ๆ ที่เป็นต้นเหตุของ Infant Mortality ได้เร็วขึ้นเช่นกัน

ช่วงที่ 2: Random Failure หรือ Useful Life (อัตราการเสียต่ำและคงที่)

เมื่อผ่านช่วง Infant Mortality ไปแล้ว กราฟจะเข้าสู่ช่วงที่ยาวที่สุดในชีวิตของอุปกรณ์ คือช่วง Random Failure หรือ Useful Life ซึ่งอัตราการเสียจะราบเรียบอยู่ในระดับต่ำเกือบคงที่ตลอดช่วงนี้ เป็นช่วงที่อุปกรณ์ทำงานได้อย่างมีเสถียรภาพและเป็นช่วงที่คิดเป็นสัดส่วนมากที่สุดของอายุการใช้งานทั้งหมด

สาเหตุการเสียในช่วงนี้เป็น เหตุการณ์สุ่มที่คาดเดาเวลาล่วงหน้าไม่ได้ เช่น ไฟกระชาก (power surge) แรงดันไฟฟ้าผิดปกติ วัตถุแปลกปลอมหลุดเข้าไปในระบบ ผู้ปฏิบัติงานทำผิดพลาดโดยไม่ตั้งใจ (human error) หรือแรงกระแทกจากภายนอกที่ไม่คาดคิด ลักษณะสำคัญของความเสียหายกลุ่มนี้คือมันไม่ได้สัมพันธ์กับอายุการใช้งานของอุปกรณ์เลย ต่อให้อุปกรณ์ใหม่แกะกล่องหรือใช้งานมา 5 ปีแล้ว โอกาสเกิดเหตุสุ่มแบบนี้ก็ไม่ได้ต่างกันมากนัก

ประเด็นที่มักเข้าใจผิดกันมากที่สุดในเรื่อง Bathtub Curve คือกลยุทธ์ที่เหมาะกับช่วงนี้ ไม่ใช่ TBM (Time Based Maintenance) เพราะการเปลี่ยนชิ้นส่วนตามรอบเวลาที่กำหนดไว้ล่วงหน้าไม่ได้ช่วยลดเหตุสุ่มที่ไม่เกี่ยวกับอายุการใช้งานเลย ในทางตรงกันข้าม การเปลี่ยนชิ้นส่วนโดยไม่จำเป็นกลับเป็นการนำชิ้นส่วนใหม่ที่มี Infant Mortality ของตัวเองเข้ามาแทนที่ชิ้นส่วนเดิมที่กำลังทำงานได้ดีอยู่ในช่วง Useful Life ซึ่งเท่ากับ เพิ่มความเสี่ยง แทนที่จะลด กลยุทธ์ที่เหมาะสมกับช่วงนี้คือ CBM (Condition Based Maintenance) คือการตรวจสภาพต่อเนื่องด้วยเซ็นเซอร์หรือการตรวจวัดตามรอบ เพื่อจับสัญญาณผิดปกติที่นำไปสู่ความเสียหายให้ได้เร็วที่สุดหลังเหตุการณ์สุ่มเกิดขึ้น แทนที่จะพยายามป้องกันเหตุสุ่มด้วยการเปลี่ยนของตามเวลา ซึ่งเป็นคนละแนวทางกัน การวิเคราะห์ความเสี่ยงล่วงหน้าด้วย FMEA ก็ช่วยระบุได้ว่าจุดไหนของระบบมีความเสี่ยงต่อเหตุสุ่มประเภทนี้สูง เพื่อวางจุดตรวจวัด CBM ให้ตรงจุด

ช่วงที่ 3: Wear-out (อัตราการเสียเพิ่มขึ้นช่วงปลายอายุ)

ช่วงสุดท้ายของ Bathtub Curve คือ Wear-out ซึ่งกราฟจะเริ่มไล่ระดับสูงขึ้นอีกครั้งเมื่ออุปกรณ์เข้าใกล้ปลายอายุการใช้งานที่ออกแบบไว้ อัตราการเสียที่เพิ่มขึ้นในช่วงนี้ไม่ใช่เรื่องบังเอิญ แต่เป็นผลสะสมของการใช้งานที่มองเห็นแนวโน้มได้ล่วงหน้า

สาเหตุหลักคือ ความล้าจากการใช้งานสะสม (fatigue) การสึกหรอตามธรรมชาติจากแรงเสียดทาน การกัดกร่อน (corrosion) และการเสื่อมสภาพของวัสดุตามรอบการใช้งานซ้ำ ๆ ตัวอย่างที่พบบ่อย เช่น ลูกปืนที่เสียงดังขึ้นเรื่อย ๆ หลังผ่านชั่วโมงการทำงานตามอายุการออกแบบ สายพานที่แข็งกรอบและแตกลายงาเมื่อใช้งานนานหลายปี ซีลยางที่เสื่อมสภาพจนรั่วซึมหลังผ่านความร้อนซ้ำ ๆ มานาน หรือหน้าสัมผัสของอุปกรณ์ไฟฟ้าที่สึกจนตัดต่อไม่สนิท

กลยุทธ์ที่ให้ผลดีที่สุดในช่วงนี้คือ TBM หรือการเปลี่ยนตามอายุใช้งาน (age-based replacement) ซึ่งตรงข้ามกับช่วง Random Failure โดยสิ้นเชิง เพราะในช่วง Wear-out อัตราการเสียสัมพันธ์กับอายุใช้งานโดยตรง การกำหนดรอบเปลี่ยนอะไหล่ล่วงหน้าก่อนถึงจุดที่อัตราการเสียเริ่มไต่ขึ้นจึงเป็นการป้องกันความเสียหายที่ได้ผลจริง ซึ่งเป็นแก่นของงาน Planned Maintenance ในเสาที่ 3 ของ TPM การกำหนดรอบ TBM ที่แม่นยำต้องอาศัยข้อมูลย้อนหลัง ไม่ใช่ตัวเลขจากคู่มือเพียงอย่างเดียว ซึ่งเชื่อมโยงกับการวิเคราะห์ความสูญเสียเรื้อรังใน P-M Analysis ที่ช่วยขุดกลไกทางฟิสิกส์ของการเสื่อมสภาพให้ชัดเจนขึ้น

ตารางสรุป: เลือกกลยุทธ์บำรุงรักษาให้ตรงกับช่วงชีวิตเครื่องจักร

เมื่อเข้าใจกลไกของทั้ง 3 ช่วงแล้ว ตารางด้านล่างนี้สรุปภาพรวมทั้งหมดไว้ในที่เดียว เพื่อใช้เป็นเช็กลิสต์อ้างอิงเวลาต้องตัดสินใจเลือกกลยุทธ์บำรุงรักษาให้ชิ้นส่วนแต่ละประเภท

ทำไมการเลือกกลยุทธ์ผิดช่วงชีวิตถึงทำให้แย่ลง

ข้อผิดพลาดที่พบบ่อยที่สุดในโรงงานที่เริ่มทำ Planned Maintenance คือการตั้งรอบ TBM ให้กับชิ้นส่วนแทบทุกชนิดโดยไม่แยกแยะว่าชิ้นส่วนนั้นอยู่ในช่วงไหนของ Bathtub Curve ตัวอย่างที่ชัดเจนที่สุดคือการกำหนดให้เปลี่ยนตลับลูกปืนหรือชิ้นส่วนอิเล็กทรอนิกส์ทุก 6 เดือนหรือทุก 1 ปีตามความเคยชิน ทั้งที่ชิ้นส่วนนั้นยังอยู่ในช่วง Random Failure ซึ่งอัตราการเสียไม่ได้ขึ้นกับอายุการใช้งานเลย

ผลที่ตามมาคือสิ่งที่เรียกว่า "Bathtub Curve เริ่มต้นใหม่ทุกครั้งที่เปลี่ยนชิ้นส่วน" เพราะชิ้นส่วนใหม่ทุกชิ้นต้องผ่านช่วง Infant Mortality ของตัวเองก่อนเสมอ การเปลี่ยนชิ้นส่วนที่ยังทำงานได้ดีอยู่ในช่วง Useful Life จึงไม่ได้เป็นการ "ป้องกัน" อย่างที่หลายคนเข้าใจ แต่กลับเป็นการ สร้างความเสี่ยงใหม่ ขึ้นมาแทนที่ความเสี่ยงต่ำที่มีอยู่เดิม แนวคิดนี้เชื่อมโยงโดยตรงกับเรื่อง Forced Deterioration กับ Natural Deterioration ที่อธิบายไว้ในบทความ Autonomous Maintenance กล่าวคือการแทรกแซงเครื่องจักรที่ไม่จำเป็น ไม่ว่าจะเป็นการถอดประกอบ การเปลี่ยนอะไหล่ก่อนเวลาอันควร ล้วนมีโอกาสสร้างความเสื่อมสภาพแบบ Forced ขึ้นมาซ้อนทับกับความเสื่อมสภาพตามธรรมชาติ (Natural) ที่ควรจะเกิดขึ้นช้ากว่านั้นมาก

ในทางกลับกัน การปล่อยให้ชิ้นส่วนที่เข้าสู่ช่วง Wear-out แล้วทำงานต่อไปโดยไม่มีแผนเปลี่ยนล่วงหน้า ก็เป็นความผิดพลาดในทิศทางตรงข้าม เพราะอัตราการเสียในช่วงนี้เพิ่มขึ้นตามอายุจริง การรอให้เสียก่อนแล้วค่อยซ่อม (Breakdown Maintenance) จะทำให้ต้นทุนความเสียหายและเวลาหยุดเครื่องสูงกว่าการเปลี่ยนตามรอบ TBM ที่คำนวณมาอย่างเหมาะสมมาก ทั้งสองกรณีสะท้อนหลักการเดียวกันคือ กลยุทธ์บำรุงรักษาต้องเลือกให้ตรงกับกลไกการเสียจริง ไม่ใช่เลือกตามความเคยชินหรือความกลัว ซึ่งเป็นแนวคิดที่นำไปสู่เป้าหมาย Zero Breakdown ที่แท้จริง คือการลดทั้งการเสียแบบไม่คาดคิดและการสูญเสียทรัพยากรจากการบำรุงรักษาที่เกินความจำเป็น

รูปร่างกราฟที่แตกต่างกันตามชนิดของอุปกรณ์

แม้หลักการ 3 ช่วงชีวิตจะเป็นแนวคิดสากล แต่รูปทรงจริงของกราฟ Bathtub Curve ไม่ได้เหมือนกันทุกชนิดอุปกรณ์ สัดส่วนความยาวและความชันของแต่ละช่วงขึ้นอยู่กับธรรมชาติของกลไกการเสียของอุปกรณ์นั้น ๆ

อุปกรณ์อิเล็กทรอนิกส์ เช่น แผงวงจร เซนเซอร์ หรือชุดขับ inverter มักมีช่วง Infant Mortality ที่เด่นชัดมากเมื่อเทียบกับช่วงอื่น เนื่องจากความผิดพลาดจากกระบวนการผลิตระดับไมโครมีผลต่อการทำงานสูง แต่เมื่อผ่านช่วงแรกไปได้แล้ว ช่วง Wear-out มักจะไม่ปรากฏชัดเจนหรือแทบไม่มีเลยหากออกแบบและเลือกใช้วัสดุที่ดี เพราะไม่มีชิ้นส่วนที่เคลื่อนที่สึกหรอทางกลไก กราฟจึงมีลักษณะคล้ายเส้นตรงราบยาวต่อเนื่องไปเรื่อย ๆ หลังผ่านช่วงต้นมาได้

อุปกรณ์เชิงกล (mechanical) เช่น ลูกปืน เกียร์ ปั๊ม หรือมอเตอร์ ตรงข้ามกับอิเล็กทรอนิกส์คือมีช่วง Wear-out ที่เด่นชัดมาก เพราะมีชิ้นส่วนเคลื่อนที่สัมผัสกันโดยตรง เกิดความเสียดทานและความล้าสะสมตามรอบการใช้งานอย่างหลีกเลี่ยงไม่ได้ กราฟของอุปกรณ์กลุ่มนี้จึงมีลักษณะเป็นรูปอ่างอาบน้ำที่ชัดเจนครบทั้ง 3 ช่วงตามตำรา

ซอฟต์แวร์และระบบควบคุม เช่น โปรแกรม PLC, SCADA หรือ CMMS มีพฤติกรรมต่างจากสองกลุ่มแรกโดยสิ้นเชิง เพราะไม่มีการสึกหรอทางกายภาพเลย จึง ไม่มีช่วง Wear-out ตามธรรมชาติของเวลา แต่ความเสี่ยงจากข้อบกพร่อง (bug) กลับมีแนวโน้ม เพิ่มขึ้นเมื่อระบบซับซ้อนมากขึ้น ไม่ว่าจะจากการอัปเดตฟีเจอร์ใหม่ การเชื่อมต่อกับระบบอื่นเพิ่มขึ้น หรือการสะสมของ technical debt ซึ่งพฤติกรรมนี้สัมพันธ์กับ "เหตุการณ์การเปลี่ยนแปลง" มากกว่า "เวลาที่ผ่านไป" ข้อแตกต่างนี้สำคัญสำหรับโรงงานที่ใช้ ระบบ CMMS เพราะการวางแผนทดสอบหรืออัปเดตซอฟต์แวร์ต้องคิดคนละแบบกับการเปลี่ยนอะไหล่เชิงกล

การประยุกต์ใช้จริง: จะรู้ได้อย่างไรว่าเครื่องอยู่ช่วงไหนของกราฟ

ในทางปฏิบัติ ไม่มีใครวาดกราฟ Bathtub Curve ของเครื่องจักรแต่ละเครื่องได้อย่างสมบูรณ์แบบจากการคำนวณล้วน ๆ แต่สามารถประเมินได้จากข้อมูลจริงที่มีอยู่ 3 แหล่งหลัก คือ

• ประวัติการเสียสะสม — ดูความถี่การเสียรายเดือน/ไตรมาสย้อนหลัง ความถี่ที่ลดลงเรื่อย ๆ บ่งชี้ Infant Mortality ความถี่คงที่ต่ำต่อเนื่องบ่งชี้ Useful Life และความถี่ที่เริ่มไต่ขึ้นบ่งชี้ Wear-out
• อายุใช้งานเทียบกับ MTBF ของรุ่นเดียวกัน — เทียบอายุใช้งานปัจจุบันกับค่า MTBF เฉลี่ยของเครื่องรุ่นเดียวกันในโรงงานหรือจากผู้ผลิต เพื่อประเมินว่าใกล้ช่วง Wear-out แล้วหรือยัง
• แนวโน้มของอัตราการเสีย (trend) ไม่ใช่แค่จำนวนครั้ง — พล็อตอัตราการเสียตามช่วงเวลาแล้วดูทิศทาง (ลดลง/คงที่/เพิ่มขึ้น) ซึ่งมีประโยชน์กว่าดูตัวเลขสะสมเพียงอย่างเดียว ควรบันทึกอย่างสม่ำเสมอผ่านระบบ Daily Management ของแต่ละพื้นที่

ข้อมูลทั้ง 3 แหล่งนี้นำไปใช้ตัดสินใจได้หลายเรื่อง เริ่มจาก การกำหนดรอบ TBM ที่ควรอิงจากจุดที่อัตราการเสียเริ่มไต่ขึ้นจริง ไม่ใช่ตัวเลขมาตรฐานจากคู่มือเพียงอย่างเดียว ต่อมาคือ การตัดสินใจซ่อมหรือเปลี่ยนใหม่ (repair vs replace) เมื่อเครื่องจักรแสดงสัญญาณเข้าสู่ Wear-out ชัดเจน การซ่อมซ้ำมักไม่คุ้มค่าเท่าเปลี่ยนใหม่หรือ overhaul ครั้งใหญ่ และสุดท้ายคือ การกำหนดช่วง burn-in ของเครื่องใหม่หรือหลังซ่อมใหญ่ให้เหมาะกับความเสี่ยง Infant Mortality ที่คาดว่าจะเกิดขึ้น หลักการนี้คือแก่นของแนวคิด RCM ที่มองแต่ละชิ้นส่วนตามความเสี่ยงและกลไกการเสียของมันเอง ไม่ใช่ใช้กฎเดียวกับทุกชิ้นส่วน และการตรวจสภาพต่อเนื่องด้วย CBM ยิ่งช่วยยืนยันได้แม่นยำขึ้นว่าเครื่องอยู่ช่วงไหน ไม่ต้องรอให้เสียก่อนถึงจะรู้

ความสัมพันธ์ระหว่าง Bathtub Curve กับ MTBF และ MTTR

หลายโรงงานติดตามความน่าเชื่อถือของเครื่องจักรด้วยค่า MTBF (Mean Time Between Failures) เพียงตัวเลขเดียวรายเดือนหรือรายไตรมาส ซึ่งสะดวกต่อการรายงานแต่มีข้อจำกัดสำคัญที่ควรระวัง นั่นคือ MTBF เป็นค่าเฉลี่ย และค่าเฉลี่ยเพียงตัวเดียวไม่สามารถบอกได้ว่าการเสียแต่ละครั้งเกิดกระจุกตัวอยู่ในช่วงไหนของ Bathtub Curve

ตัวอย่างเช่น เครื่องจักรสองเครื่องอาจมีค่า MTBF เท่ากันที่ 2,000 ชั่วโมงเหมือนกันในรายงานประจำเดือน แต่เครื่องแรกอาจเสียกระจุกตัวอยู่ในช่วงเดือนแรกหลังติดตั้งแล้วนิ่งสนิทหลังจากนั้น ซึ่งเป็นสัญญาณของ Infant Mortality ที่ไม่น่ากังวลในระยะยาว ส่วนเครื่องที่สองอาจเสียถี่ขึ้นเรื่อย ๆ ในช่วงหลังของการเก็บข้อมูล ซึ่งเป็นสัญญาณเตือนของ Wear-out ที่ต้องวางแผนเปลี่ยนอะไหล่โดยเร็ว ทั้งสองกรณีนี้ให้ค่า MTBF เท่ากันแต่ความหมายต่างกันโดยสิ้นเชิง หากดูแค่ตัวเลขเฉลี่ยจะไม่มีทางแยกความแตกต่างนี้ออกมาได้เลย

ในทางวิศวกรรมความน่าเชื่อถือ นักวิเคราะห์มักใช้พารามิเตอร์ที่บอก "รูปทรง" ของการกระจายข้อมูลการเสีย (ไม่ใช่แค่ค่าเฉลี่ย) เพื่อตอบคำถามว่าอัตราการเสียกำลังลดลง คงที่ หรือเพิ่มขึ้นตามเวลา ซึ่งเป็นแนวคิดเดียวกับที่อธิบายไว้ในบทความ MTBF และ MTTR คืออะไร ว่าทำไมการดูแค่ค่าเฉลี่ยจึงไม่พอ ต้องย้อนไปดูการกระจายตัวของเวลาระหว่างการเสียแต่ละครั้งประกอบด้วยเสมอ ส่วน MTTR (Mean Time To Repair) แม้จะไม่ได้บ่งชี้ช่วงชีวิตของอุปกรณ์โดยตรงเหมือน MTBF แต่ก็เป็นข้อมูลเสริมที่สำคัญ เพราะความเสียหายในช่วง Wear-out มักใช้เวลาซ่อมนานขึ้นเรื่อย ๆ เนื่องจากความเสียหายมีแนวโน้มลุกลามมากกว่าความเสียหายแบบสุ่มในช่วง Useful Life

เคสตัวอย่างจากหน้างาน

เคสที่ 1: มอเตอร์ปั๊มใหม่ 18 ตัว เสียถี่ในเดือนแรกแล้วนิ่งสนิท

โรงงานแห่งหนึ่งติดตั้งมอเตอร์ปั๊มรุ่นใหม่ 18 ตัวพร้อมกันในไลน์ผลิตที่ขยายกำลังการผลิต เดือนแรกพบมอเตอร์เสีย 5 ตัวจาก 18 ตัว คิดเป็นประมาณ 28% ส่วนใหญ่จากศูนย์เพลาไม่ตรงและแรงบิดสลักไม่ได้มาตรฐานจากการติดตั้ง ทีมซ่อมบำรุงจึงตรวจสอบและแก้ไขศูนย์เพลา/แรงบิดของมอเตอร์ที่เหลือทั้งหมดให้ตรงสเปก เดือนที่สองเสียลดเหลือ 1 ตัว และตั้งแต่เดือนที่สามไม่มีมอเตอร์เสียจากสาเหตุเดิมอีกเลยตลอด 24 เดือนถัดมา รูปแบบนี้คือ Infant Mortality ล้วน ๆ ไม่ใช่สัญญาณว่ามอเตอร์ด้อยคุณภาพ การตอบสนองที่ถูกต้องคือเร่งแก้ไขต้นตอการติดตั้ง ไม่ใช่ตั้งรอบเปลี่ยนมอเตอร์ทั้งชุด สะท้อนความสำคัญของงาน MP ในEarly Management ตั้งแต่ขั้นตอนติดตั้งเครื่องใหม่ทุกครั้ง

เคสที่ 2: ลูกปืนเพลาหลักเสียถี่ขึ้นชัดเจนหลังผ่านปีที่ 3

เครื่องจักรหลักอีกเครื่องหนึ่งใช้ลูกปืนเพลาหลักที่มีค่า MTBF อยู่ในช่วง 7,500-8,200 ชั่วโมงสม่ำเสมอตลอด 3 ปีแรก ซึ่งอยู่ในช่วง Useful Life ที่มีเสถียรภาพดี แต่ตั้งแต่ปีที่ 3 เป็นต้นไป MTBF เริ่มลดลงต่อเนื่อง จาก 8,000 ชั่วโมง เหลือ 5,200 ชั่วโมงในไตรมาสถัดมา และเหลือประมาณ 3,100 ชั่วโมงในไตรมาสที่สี่ของปีเดียวกัน ทีมวิศวกรรมพล็อตแนวโน้มนี้และพบว่าเข้าเกณฑ์ชัดเจนของการเริ่มเข้าสู่ Wear-out จึงวางแผนเปลี่ยนลูกปืนทั้งชุดล่วงหน้าในช่วงหยุดซ่อมบำรุงประจำปีที่ใกล้ที่สุด แทนที่จะรอให้เสียกะทันหันกลางการผลิต โดยอาศัยข้อมูลแนวโน้ม MTBF เป็นหลักฐาน ไม่ใช่การเดาจากอายุใช้งานเพียงอย่างเดียว

กับดักที่พบบ่อยในการใช้แนวคิด Bathtub Curve

แม้แนวคิด Bathtub Curve จะไม่ซับซ้อน แต่การนำไปใช้จริงในโรงงานมักพลาดในรูปแบบที่คล้ายกันซ้ำ ๆ ต่อไปนี้คือ 7 กับดักที่พบบ่อยที่สุด

1. ใช้ TBM กับทุกชิ้นส่วนโดยไม่ดูว่าอยู่ช่วงไหนของกราฟ — ตั้งรอบเปลี่ยนอะไหล่แบบเดียวกันทั้งโรงงานตามความเคยชิน โดยไม่แยกว่าชิ้นส่วนไหนอยู่ในช่วง Useful Life ที่ยังไม่ควรแตะต้อง
2. เชื่อว่า "ของใหม่ต้องดีกว่าเก่าเสมอ" — มองข้ามความจริงที่ว่าชิ้นส่วนใหม่ทุกชิ้นต้องผ่านช่วง Infant Mortality ของตัวเองก่อน การเปลี่ยนของใหม่จึงมีความเสี่ยงในช่วงแรกเสมอ ไม่ใช่ทางเลือกที่ปลอดภัยกว่าโดยอัตโนมัติ
3. ไม่มี burn-in หรือ run-in period — ส่งมอบเครื่องใหม่หรือเครื่องที่เพิ่งซ่อมใหญ่ให้ใช้งานเต็มกำลังทันที โดยไม่มีช่วงเฝ้าระวังพิเศษที่ควรมีในช่วง Infant Mortality
4. มองว่าความเสียแบบสุ่มเป็น "เรื่องซวย" ไม่บันทึกไม่วิเคราะห์ — ปล่อยผ่านเหตุการณ์เสียในช่วง Useful Life โดยไม่บันทึกสาเหตุ ทำให้พลาดโอกาสหาจุดเสี่ยงด้วย FMEA หรือวางจุดตรวจ CBM ให้ตรงจุด
5. ใช้ MTBF ค่าเดียวสรุปสุขภาพเครื่องทั้งชุดโดยไม่ดูแนวโน้ม — รายงานตัวเลขเฉลี่ยรายเดือนโดยไม่พล็อตแนวโน้มย้อนหลัง ทำให้มองไม่เห็นสัญญาณเตือนของ Wear-out ที่กำลังก่อตัว
6. เปลี่ยนอะไหล่ถี่เกินจำเป็นในช่วง Useful Life เพราะความกลัว — สั่งเปลี่ยนอะไหล่ล่วงหน้าบ่อยกว่าที่ข้อมูลบ่งชี้ เพราะกลัวเครื่องหยุด ทำให้ต้นทุนสูงขึ้นโดยไม่ได้ลดความเสี่ยง แถมเพิ่มความเสี่ยง Infant Mortality ซ้ำจากอะไหล่ใหม่
7. ไม่ปรับรอบ TBM ตามข้อมูลจริง ใช้ค่าตั้งต้นจากคู่มือตลอดอายุเครื่อง — ยึดตัวเลขจากคู่มือผู้ผลิตเป็นค่าคงที่ตลอดไป ทั้งที่จุดเริ่มต้น Wear-out จริงของแต่ละเครื่องอาจมาเร็วหรือช้ากว่าค่ามาตรฐานตามสภาพการใช้งานจริง

Bathtub Curve ไม่ใช่แนวคิดที่ต้องเข้าใจแบบท่องจำ แต่เป็นกรอบคิดที่ช่วยให้ทีมซ่อมบำรุงตัดสินใจได้แม่นยำขึ้นในทุกวัน ตั้งแต่การตั้งรอบ TBM การเลือกจุดตรวจ CBM ไปจนถึงการวางแผน burn-in ของเครื่องใหม่ การนำแนวคิดนี้ไปใช้ให้ได้ผลจริงต้องอาศัยข้อมูลประวัติการเสียที่บันทึกอย่างสม่ำเสมอและวินัยในการวิเคราะห์แนวโน้ม ไม่ใช่แค่ทฤษฎี และเป็นรากฐานสำคัญที่ทำให้เป้าหมาย Zero Breakdown เป็นจริงได้อย่างยั่งยืน ไม่ใช่แค่ลดจำนวนครั้งที่เสียในระยะสั้น หากโรงงานของท่านกำลังมองหาแนวทางวางระบบ Planned Maintenance ที่แยกกลยุทธ์ตามช่วงชีวิตเครื่องจักรอย่างเป็นระบบ ทีมที่ปรึกษา TPM ของเราพร้อมช่วยออกแบบและวางแผนให้เหมาะกับบริบทของโรงงานท่านโดยเฉพาะ ติดต่อทีมที่ปรึกษา TPM