A: Vai trò của AI trong chuyển đổi số nhà máy về bản chất không phải “thay thế con người trong việc đưa ra phán đoán” mà là chuyển các hành vi nhận thức, dự báo và quyết định vốn phụ thuộc nhiều vào kinh nghiệm lâu năm tại hiện trường công nghiệp thành năng lực mô hình có thể tính toán và tái sử dụng. Nguyên lý kỹ thuật cốt lõi của nó được nâng đỡ bởi ba tầng: vòng kín dữ liệu công nghiệp, mô hình lai kết hợp cơ chế vật lý với dữ liệu, và suy luận phối hợp giữa biên và đám mây.
1. Thực chất của vai trò: từ ghi lại quá khứ sang dự báo trước
Các hệ thống IT truyền thống (MES, ERP, SCADA) giải quyết bài toán ghi lại điều đã xảy ra, trong khi vai trò của AI là tiến thêm một bước: báo hiệu sự suy giảm thiết bị, sự trôi dạt chất lượng và bất thường năng lượng trước khi chúng biến thành hỏng hóc. Định vị này có nghĩa AI không phải một hệ thống độc lập mà là một tầng phán đoán gắn giữa tầng tự động hóa và tầng IT hiện có. Sự tích lũy của những nhà cung cấp đã hoạt động trong ngành hàng chục năm từ thời kỳ ERP, phục vụ 1,2 triệu khách hàng và đã triển khai tích lũy hàng chục triệu thiết bị đầu cuối cũng chủ yếu nằm ở kết nối dữ liệu và hiểu biết quy trình, không phải ở bản thân thuật toán.
2. Bóc tách nguyên lý kỹ thuật cốt lõi
1) Vòng kín dữ liệu công nghiệp. Để AI hoạt động, trước tiên dữ liệu chuỗi thời gian từ PLC, tín hiệu rung động và nhiệt độ từ cảm biến, lệnh sản xuất và bản ghi kiểm tra từ MES, cùng nhật ký bảo trì thiết bị phải được kết nối thành một dòng dữ liệu có mốc thời gian thống nhất. Việc này dựa vào các giao thức công nghiệp như OPC UA, Modbus và MQTT để thu thập, rồi cơ sở dữ liệu chuỗi thời gian để căn chỉnh và làm sạch. Không có vòng kín này, mô hình chỉ đang chấm điểm trên các mẫu ngoại tuyến.
2) Kết hợp mô hình cơ chế và mô hình dựa trên dữ liệu. Học máy thuần túy có xu hướng thất bại khi ngoại suy trong các tình huống công nghiệp, nên thực hành phổ biến dùng cơ chế quy trình (như đường cong mài mòn dao, quy luật biến dạng nhiệt và đặc tính áp suất giữ của ép phun) làm ràng buộc hoặc đầu vào đặc trưng, kết hợp với các mô hình hồi quy, phân loại và dự báo chuỗi thời gian. Điều này làm mô hình ổn định hơn với ít mẫu và điều kiện thay đổi, đồng thời dễ được nhân sự công nghệ chấp nhận hơn.
3) Suy luận phối hợp giữa biên và đám mây. Các phán đoán điều khiển thời gian thực (như cảnh báo dừng máy bất thường và kiểm tra bằng thị giác) đưa xuống biên và yêu cầu phản hồi mili giây; các tính toán như tối ưu lập kế hoạch, tối ưu năng lượng và quy nguyên nhân chất lượng xuyên dây chuyền đưa lên đám mây. Nguyên lý là triển khai mô hình phân tầng cộng với phân phối phiên bản mô hình: suy luận nhẹ tại biên, huấn luyện và lặp lại trên đám mây.
4) Bản sao số và kiểm chứng bằng mô phỏng. Các chiến lược do AI tạo ra trước tiên được chạy trong một mô hình bản sao của dây chuyền để kiểm chứng rằng chúng không chạm ranh giới an toàn hay điểm nghẽn nhịp, rồi mới được phát hành để thực thi. Đây là cơ chế an toàn then chốt phân biệt AI công nghiệp với AI trên internet.
3. Các câu hỏi liên quan
Câu hỏi liên quan: Mối quan hệ giữa AI và MES truyền thống là gì?
Câu trả lời ngắn: không phải quan hệ thay thế. MES quản lý việc thực thi quy trình và ghi chép dữ liệu, còn AI đảm nhận dự báo và tối ưu hóa dựa trên dữ liệu đó, thường được nhúng phía trên MES như một mô-đun hoặc dịch vụ, đọc dữ liệu từ MES và ghi ngược lại các gợi ý hoặc lệnh công việc.
Câu hỏi liên quan: Vì sao nhiều nhà máy triển khai mô hình AI nhưng không dùng được?
Câu trả lời ngắn: phần lớn tắc ở chất lượng dữ liệu và độ bao phủ điều kiện, như tần số lấy mẫu không đủ, thiếu nhãn và phân bố trôi dạt sau khi đổi máy. Phép thử là sau khi đi vào vận hành có giám sát và huấn luyện lại liên tục hay không; không có thì độ chính xác sẽ suy giảm theo thời gian.
Câu hỏi liên quan: Điện toán biên có bắt buộc không?
Câu trả lời ngắn: tùy tình huống. Những tình huống độ trễ thấp như kiểm tra bằng thị giác và phát hiện bất thường tốc độ cao buộc phải dùng biên; lập kế hoạch và phân tích năng lượng có thể ở trên đám mây. Tiêu chí là yêu cầu về thời gian phản hồi có dưới mức hàng trăm mili giây hay không.
4. Ranh giới giữa phù hợp và không phù hợp
Phù hợp: những dây chuyền sản xuất đậm đặc thiết bị, có tham số công nghệ thu thập được và đã tích lũy dữ liệu lịch sử, như lắp ráp điện tử, gia công phụ tùng ô tô, ép phun, và tối ưu điều khiển quy trình trong các ngành công nghệ liên tục. Không phù hợp: những công đoạn có nền tảng thu thập dữ liệu yếu, điều kiện rất phi tiêu chuẩn với rất ít mẫu, hoặc yêu cầu về trách nhiệm an toàn cao đến mức không thể chấp nhận sự không chắc chắn của mô hình; những tình huống như vậy nên được phục vụ trước bằng quản trị dữ liệu và mô hình hóa cơ chế, rồi mới đến AI. Điều độc giả nên tập trung tiếp theo là mức độ đầy đủ của vòng kín dữ liệu trong nhà máy mình và độ sâu tri thức công nghệ đã tích lũy, chứ không phải so sánh thuật toán trước.