AI trong sản xuất: bảo trì dự đoán từ dữ liệu cảm biến

Một động cơ trong xưởng bắt đầu rung khác thường. Người vận hành nghe thấy nhưng chưa biết có cần báo ngay không. Nếu chờ máy dừng thì muộn, còn dừng mọi lần có dấu hiệu lạ lại ảnh hưởng sản xuất. Bảo trì dự đoán hướng tới việc dùng dữ liệu để hỗ trợ nhận ra thay đổi và chuẩn bị kiểm tra trước khi sự cố gây gián đoạn lớn.

AI trong bảo trì có thể giúp phân tích tín hiệu, nhưng cảnh báo chưa phải kết luận bộ phận nào hỏng. Nhóm cần hiểu điều kiện vận hành, dữ liệu cảm biến và lịch sử bảo trì. Quan trọng hơn, phải có người nhận cảnh báo và quy trình xử lý phù hợp. Giá trị nằm ở quyết định bảo trì được hỗ trợ, không chỉ ở biểu đồ dự đoán trên màn hình.

Biết điều kiện vận hành trước khi đọc tín hiệu

Giả sử một xưởng muốn theo dõi động cơ của máy đóng gói. Nhóm ghi độ rung cùng thời điểm, tốc độ và trạng thái chạy. Một mức rung khi khởi động có thể khác lúc máy đã chạy ổn định. Nếu không có bối cảnh, mô hình có thể xem một thay đổi bình thường là bất thường hoặc bỏ qua điều đáng kiểm.

Xác định cảm biến nào, vị trí lắp, đơn vị đo và cách đồng bộ thời gian. Khi thay cảm biến hoặc đổi vị trí, ghi lại thay đổi. Một chuỗi số chỉ hữu ích nếu người phân tích hiểu nó được tạo trong điều kiện nào. Đừng đưa nhiều dữ liệu vào rồi kỳ vọng AI tự nhận ra mọi khác biệt của cách đo.

Chương trình PHMC của NIST nghiên cứu cảm biến, theo dõi tình trạng, chẩn đoán và dự báo để hỗ trợ quyết định bảo trì, điều khiển. Điều đó cho thấy đây là một phần của hệ thống kỹ thuật và vận hành. Mô hình cần được đặt cùng máy, người và quy trình thực tế, không đứng riêng như một công cụ đoán sự cố.

Sự cố thật là dữ liệu quý, nhưng thường không gọn

Lịch sử sự cố thường nằm ở nhiều nơi: sổ ca, phiếu sửa và kinh nghiệm của kỹ thuật viên. Nhóm cần ghép những dữ liệu đó với tín hiệu theo thời gian một cách có kiểm. Ghi ngày sửa chưa chắc đủ để biết dấu hiệu nào xuất hiện trước sự cố. Cần người hiểu máy tham gia xác nhận những mốc quan trọng.

Phân biệt máy dừng vì lỗi với dừng theo kế hoạch hoặc đổi sản phẩm. Nếu mọi lần dừng đều được gắn cùng nhãn, dữ liệu học có thể dẫn tới kết luận không phù hợp. Cũng cần ghi việc bảo trì đã thay đổi điều gì. Sau khi thay bộ phận, tín hiệu có thể khác trước mà không có nghĩa chất lượng vận hành đang xấu đi.

Sự cố hiếm tạo khó khăn riêng khi đánh giá. Nhiều giờ máy chạy bình thường không đồng nghĩa có đủ ví dụ cho mọi kiểu hỏng. Nhóm nên nói rõ hệ thống đã được thử với loại tình huống nào và còn thiếu gì. Đừng dùng một kết quả trên một máy để hứa phát hiện mọi sự cố của cả dây chuyền.

Cảnh báo là lời mời kiểm tra, chưa phải lệnh thay máy

Một cảnh báo hữu ích cần nói máy nào, thời điểm nào và điều gì khác với phạm vi đã được kiểm. Người nhận cần biết bước kiểm tiếp theo theo quy trình được phê duyệt. Không nên để một nhãn đỏ tự trở thành lệnh thay bộ phận. Việc can thiệp máy cần người có chuyên môn, thẩm quyền và các yêu cầu an toàn phù hợp.

Trong ví dụ xưởng đóng gói, cảnh báo được gửi cho người phụ trách ca và kỹ thuật viên theo cách nhóm thống nhất. Họ đối chiếu trạng thái chạy, kiểm dấu hiệu liên quan rồi quyết định theo quy trình. AI hỗ trợ ưu tiên sự chú ý; nó chưa tự thay thế việc đánh giá thiết bị tại hiện trường và trách nhiệm của người vận hành.

Xem trước tình huống cảm biến mất tín hiệu hoặc dữ liệu đến chậm. Màn hình không có cảnh báo không tự chứng minh máy đang ổn. Hệ thống cần thể hiện trạng thái dữ liệu để người dùng biết mình đang nhìn thông tin mới hay thiếu dữ liệu. Nếu không, một giao diện yên lặng có thể tạo cảm giác an tâm sai.

Đừng chỉ đếm số lần bắt đúng

Đếm số lần báo đúng là chưa đủ. Cần xem cảnh báo sai làm nhóm mất bao nhiêu công kiểm và có sự cố nào bị bỏ sót. Cũng cần xem cảnh báo đến sớm đủ để xử lý không. Một dự đoán đúng ngay lúc máy đã dừng có giá trị khác với tín hiệu giúp chuẩn bị bảo trì trước đó trong khoảng thời gian hữu ích.

Chọn cách đánh giá theo loại máy, mức ảnh hưởng và mục tiêu thử. Không lấy một tỷ lệ tổng đẹp để che những ca quan trọng. Người kỹ thuật và người vận hành cần thống nhất thế nào là kết quả dùng được. Bài đánh giá AI theo nhiệm vụ cụ thể giúp đặt tiêu chí trước khi xem điểm số.

So với cách bảo trì hiện tại trong phạm vi phù hợp. Nếu lịch bảo trì hoặc sản lượng thay đổi cùng lúc, cần ghi để đọc kết quả đúng. Không nên quy mọi thay đổi về thời gian dừng máy cho AI. Dữ liệu thử cần cho thấy điều đã quan sát và những yếu tố chưa tách được, giúp quyết định mở rộng có căn cứ hơn.

Kỹ thuật viên cần phản hồi sau mỗi lần kiểm tra

Sau mỗi lần kiểm, kỹ thuật viên cần có cách ghi kết quả đủ gọn để dùng được. Có dấu hiệu bất thường không, đã làm gì và còn theo dõi phần nào? Thông tin này giúp xem cảnh báo có hữu ích và dữ liệu có cần sửa. Nếu phản hồi quá khó nhập, nhóm có thể chỉ nghe kể miệng rồi mất phần bằng chứng quan trọng.

Khi đổi ca, các cảnh báo đang theo dõi cần được bàn giao cùng bối cảnh. Bài bàn giao để người khác làm tiếp giúp ghi trạng thái và bước tiếp theo. Người ca sau không nên phải suy đoán liệu cảnh báo đã được kiểm hay chỉ được tắt khỏi màn hình.

Nhìn chi phí vận hành trong bức tranh thực tế

Chi phí gồm cảm biến, kết nối, lưu dữ liệu, triển khai và công kiểm của con người. Còn cần bảo trì chính hệ thống theo dõi khi thiết bị hoặc điều kiện sản xuất thay đổi. Tài liệu của NIST về tích hợp PHM nhấn việc xác định trường hợp sử dụng, nền hiện tại và yếu tố chi phí, lợi ích. Dự án nên bắt đầu từ vấn đề vận hành cần cải thiện.

Bắt đầu với một máy và một quyết định

Chọn một máy hoặc một loại quyết định đủ rõ để thử trước. Ví dụ, nhóm muốn hỗ trợ phát hiện thay đổi cần kỹ thuật viên kiểm, chưa giao hệ thống tự dừng máy. Phạm vi nhỏ giúp hiểu dữ liệu và cách phản ứng. Điều kiện an toàn và quy trình hiện hành vẫn cần được giữ đúng trong suốt thời gian thử.

Sau kỳ thử phù hợp, xem dữ liệu, cảnh báo và phản hồi cùng nhau. Hệ thống có giúp đưa ra quyết định tốt hơn trong phạm vi đã chọn không? Nếu có, nhóm mới tính bước mở rộng và yêu cầu bổ sung. Bảo trì dự đoán dùng được cần cả tín hiệu đáng tin và người biết làm gì với tín hiệu ấy. AI chỉ là một phần trong chuỗi công việc đó.