Model of Success in Transferring Digital Twin Technology for Machine Maintenance in Medium-to-Large Automotive Parts Manufacturing in Thailand
Keywords:
Digital Twin, Predictive Maintenance, Technology Transfer, Automotive IndustryAbstract
This research aims to investigate factors influencing the success of digital twin (DT) technology transfer for machine maintenance in medium-to-large automotive parts manufacturing in Thailand. Digital twin technology creates real-time digital representations of physical systems to support predictive maintenance, which reduces machine downtime, lowers operational costs, and enhances workplace safety. However, adopting such technology in developing countries faces limitations related to workforce readiness, communication, and technological complexity. This study employed a quantitative research methodology, collecting data from 320 respondents comprising factory employees and DT technology providers. Data were analyzed using structural equation modeling (SEM) to test relationships among six variables: technology recipient, technology provider, technology complexity, communication, inter-organizational relationships, and contextual factors. The findings revealed that contextual factors and effective communication play crucial roles in technology transfer success, while technology complexity negatively impacts success. The model explained 84.9% of the variance in DT technology transfer success. The results highlight that contextual factors, inter-organizational collaboration, and workforce readiness are essential for effective DT technology adoption in the industrial sector.
References
Abayadeera, N., & Ganegoda, D. (2024). Digital twins and their applications: Opportunities and challenges. International Journal of Advanced Research in Engineering and Technology, 15(2), 45–59.
Agrawal, P., Fischer, M., & Singh, R. (2021). Strategic alignment for digital twin adoption: Overcoming barriers in manufacturing. Journal of Manufacturing Systems, 60, 324–336. https://doi.org/10.1016/j.jmsy.2021.02.004
Alkhazaleh, R., Mykoniatis, K., & Alahmer, A. (2022). The success of technology transfer in the Industry 4.0 era: A systematic literature review. Journal of Open Innovation: Technology, Market, and Complexity, 8(4), 202. https://doi.org/10.3390/joitmc8040202
Cohen, W. M., & Levinthal, D. A. (1990). Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1), 128–152. https://doi.org/10.2307/2393553
Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16(3), 297–334. https://doi.org/10.1007/BF02310555
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Pearson.
Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
Matta, A., & Lugaresi, G. (2024, December). An introduction to digital twins. In H. Lam, E. Azar, D. Batur, S. Gao, W. Xie, S. R. Hunter, & M. D. Rossetti (Eds.), Proceedings of the 2024 Winter Simulation Conference (pp. 1–12). IEEE. https://doi.org/10.1109/WSC63780.2024.10838793
Rismawati, R., Jaelani, A., & Aygün, O. (2023). Contextual readiness and technology adoption in developing economies. Technology in Society, 74, 102311. https://doi.org/10.1016/j.techsoc.2023.102311
Schumacker, R. E., & Lomax, R. G. (2010). A beginner’s guide to structural equation modeling (3rd ed.). Routledge.
Sharma, R., Kosasih, B., Zhang, J., Brintrup, A., & Calinescu, A. (2022). Digital twins in predictive maintenance: State-of-the-art review. Computers in Industry, 134, 103551. https://doi.org/10.1016/j.compind.2021.103551
Singh, M., Fuenmayor, E., Hinchy, E. P., Qiao, Y., Murray, N., & Devine, D. (2021). Digital twin: Origin to future. Applied System Innovation, 4(2), 36. https://doi.org/10.3390/asi4020036
Stark, R., & Damerau, T. (2019). Digital twin. In CIRP Encyclopedia of Production Engineering (pp. 1–8). Springer. https://doi.org/10.1007/978-3-642-35950-7_16870-1
Yu, C., Zhang, Z., Zhang, W., & Fan, X. (2022). Outcomes of technology transfer in manufacturing: Understanding, acceptance, application, and results. Journal of Technology Transfer, 47(2), 345–365. https://doi.org/10.1007/s10961-021-09872-7
Downloads
Published
How to Cite
Issue
Section
License
จรรยาบรรณผู้เขียนบทความ
ผู้เขียนบทความต้องรับรองว่าบทความนี้ไม่เคยตีพิมพ์ในวารสารใดหรือสิ่งพิมพ์อื่นๆ มาก่อน ต้องไม่คัดลอกผลงานผู้อื่นมาปรับแต่งเป็นบทความของตน และไม่ได้อยู่ระหว่างการเสนอเพื่อพิจารณาตีพิมพ์ อีกทั้งยอมรับหลักเกณฑ์การพิจารณาและการตรวจแก้ไขบทความต้นฉบับโดยกองบรรณาธิการวารสารวิทยาลัยนครราชสีมา สาขามนุษยศาสตร์และสังคมศาสตร์
บทความทุกเรื่องได้รับการตรวจพิจารณาทางวิชาการโดยผู้ทรงคุณวุฒิที่มีประสบการณ์และมีความเชี่ยวชาญตรงตามสาขาของบทความ ซึ่งผู้เขียนต้องแก้ไขตามคำแนะนำของผู้ทรงคุณวุฒิภายในระยะเวลาที่กำหนด หากไม่เป็นไปตามกำหนดกองบรรณาธิการขอสงวนสิทธิ์และยกเลิกการตีพิมพ์โดยจะแจ้งให้ทราบต่อไป
ข้อความที่ปรากฏในบทความของวารสารนี้เป็นความคิดเห็นของผู้เขียนซึ่งไม่เกี่ยวข้องกับวิทยาลัยนครราชสีมาแต่อย่างใด และกองบรรณาธิการขอสงวนสิทธิ์ในการพิจารณาและตรวจประเมินบทความเพื่อตีพิมพ์ในวารสารของวิทยาลัยนครราชสีมา สาขามนุษยศาสตร์และสังคมศาสตร์
