Trung tâm kiến thức
Mục lục

Q: Quản lý sức khỏe thiết bị bằng AI (PHM) nên được làm thực sự như thế nào, và những cạm bẫy phổ biến là gì?

A: Lý do số một khiến quản lý sức khỏe thiết bị bằng AI (PHM) thất bại là coi thuật toán là nhân vật chính. PHM về bản chất là một vòng kín của ba thứ: chất lượng dữ liệu, cơ chế hỏng hóc và quy trình bảo trì. Thuật toán chỉ là một phần trong đó. Nhiều nhà máy bắt đầu bằng việc mua mô hình và dựng bảng điều khiển, nhưng không ai trả lời câu “khi máy này hỏng thì chuyện gì xảy ra, và sau khi tôi nhận cảnh báo thì ai làm gì”.

Hãy bắt đầu từ một tình huống điển hình. Trên dây chuyền SMT của một nhà máy điện tử, các thiết bị trọng yếu như trục chính máy gắn linh kiện và quạt lò reflow đã được lắp cảm biến rung động và nhiệt độ, dữ liệu đã được kết nối lên nền tảng. Vậy mà nửa năm sau, cảnh báo hoặc bị xưởng tắt đi vì báo động giả thường xuyên, hoặc không xuất hiện khi có vấn đề thật, và phòng thiết bị vẫn dựa vào công nhân lâu năm nghe tiếng và thay phụ tùng theo lịch. Đây là trường hợp kinh điển của “có dữ liệu, không có quản lý sức khỏe”.

Những cạm bẫy phổ biến trong ngành tập trung ở vài điểm.

1. Coi PHM là dự án thuật toán thuần túy và bỏ qua phân tích cơ chế hỏng hóc

Nhiều doanh nghiệp cho rằng có đủ dữ liệu thì mô hình sẽ tự học, nhưng mẫu lỗi của thiết bị công nghiệp vốn khan hiếm: những lỗi tiệm tiến như mài mòn vòng bi giai đoạn đầu và suy giảm bôi trơn trục vít chỉ xảy ra vài tháng một lần. Mô hình thuần dựa trên dữ liệu khó hội tụ khi thiếu mẫu. Cách khả thi là làm FMEA (phân tích dạng hỏng hóc và ảnh hưởng) trước, định nghĩa các dạng hỏng hóc của từng máy trọng yếu, các đại lượng vật lý quan sát được (mức độ rung động, xu hướng nhiệt độ, sóng hài dòng điện, số hạt trong dầu) và các dải ngưỡng cảnh báo tương ứng, rồi dùng thuật toán để khớp đường cong suy giảm. Cơ chế định hướng, dữ liệu hiệu chỉnh; đảo ngược thứ tự thì dễ mất tiền.

2. Đã lắp cảm biến nhưng điểm đo sai hoặc tần số lấy mẫu không đủ

Chất lượng đầu vào của PHM đặt ra trần hiệu năng. Một vấn đề phổ biến trong ngành là gắn điểm đo rung động lên khung máy thay vì gần vỏ ổ bi, hoặc đặt tần số lấy mẫu chỉ đủ để thấy xu hướng mà không bắt được xung va đập ban đầu. Tần số đặc trưng của lỗi vòng bi giai đoạn đầu thường trên vài kilohertz. Đánh giá mức độ rung động tổng thể của máy theo ISO 10816 là một logic, còn chẩn đoán lỗi sớm có yêu cầu lấy mẫu khác; hai việc này không thể trộn lẫn. Ở giai đoạn lựa chọn, hãy suy ngược từ dạng hỏng hóc để xác định vị trí điểm đo, dải đáp ứng tần số và chiến lược lấy mẫu.

3. Chỉ giám sát, không khép kín; cảnh báo không có lệnh công việc tương ứng

Đây là cạm bẫy phổ biến nhất. Nền tảng tạo điểm sức khỏe hằng ngày, nhưng kế hoạch bảo trì, tồn kho phụ tùng và cửa sổ dừng máy vẫn theo quy trình cũ, nên cảnh báo không có chỗ rơi vào và xưởng đương nhiên không tin chúng. Để PHM thực sự hoạt động, cảnh báo phải tự động tạo lệnh công việc, liên kết phụ tùng, xen vào cửa sổ bảo trì, và ghi kết quả xử lý thực tế sau cảnh báo trở lại mô hình làm nhãn. Không có vòng kín này, mô hình không bao giờ nhận được phản hồi và độ chính xác không thể cải thiện.

4. Theo đuổi bao phủ toàn bộ trong một lần và bỏ qua triển khai theo giai đoạn

Đưa hàng nghìn máy trong nhà máy vào PHM cùng lúc sẽ nghiền nát dự án bằng chi phí quản trị và gán nhãn dữ liệu. Con đường ổn định hơn là chọn thiết bị trọng yếu loại A theo “mức nghiêm trọng của hậu quả hỏng hóc nhân với chi phí bảo trì”, làm cho một chục dạng hỏng hóc điển hình chạy được, rồi nhân rộng ngang. ROI thường xuất hiện trước ở vài máy này.

Câu hỏi liên quan 1: PHM khác gì bảo trì theo lịch truyền thống và giám sát tình trạng?

Bảo trì theo lịch thay phụ tùng theo thời gian, giám sát tình trạng kiểm tra xem tham số thời gian thực có vượt giới hạn hay không, còn PHM phải đưa ra ước lượng tuổi thọ còn lại (RUL) và khuyến nghị quyết định bảo trì trước khi hỏng hóc xảy ra. Ba cách này là tiến bộ dần, không phải thay thế nhau; trạng thái hợp lý với phần lớn nhà máy là lấy bảo trì theo lịch làm nền và áp dụng PHM cho thiết bị trọng yếu.

Câu hỏi liên quan 2: Không có đủ dữ liệu lỗi thì huấn luyện mô hình như thế nào?

Hai con đường: học chuyển tiếp, dùng bộ dữ liệu công khai cho cùng mẫu thiết bị và điều kiện tương tự hoặc dữ liệu từ dây chuyền khác trong tập đoàn để huấn luyện trước; và mô phỏng cộng thử nghiệm tuổi thọ tăng tốc để bổ sung mẫu suy giảm. Đồng thời dùng mô hình luật ngưỡng làm cách khởi động nguội, chạy nó để tích lũy dữ liệu gán nhãn, rồi dần thay bằng mô hình học được.

Câu hỏi liên quan 3: Làm sao đo một dự án PHM có đáng làm hay không?

Hãy xem ba yếu tố: tổn thất mỗi lần do thiết bị đó dừng máy ngoài kế hoạch, tần suất lịch sử của dạng hỏng hóc đó, và độ dài cửa sổ bảo trì mà thời gian dẫn trước của cảnh báo có thể bao phủ. Tích của ba yếu tố là độ lớn tổn thất có thể thu hồi; hãy so nó với đầu tư cảm biến, nền tảng và nhân lực để đặt mức ưu tiên, thay vì nhìn mơ hồ vào “tổng giá trị thiết bị”.

Ranh giới giữa phù hợp và không phù hợp: với những xưởng nhỏ ít máy, hậu quả hỏng hóc nhẹ và chủ yếu bảo trì dựa trên kinh nghiệm, việc làm tốt kiểm tra và quản lý phụ tùng hiệu quả hơn về chi phí so với áp dụng PHM. Chỉ trong những tình huống như sản xuất liên tục trong ngành công nghệ, nơi tổn thất dừng máy một điểm là lớn, giá trị thiết bị cao và dạng hỏng hóc quan sát được, thì đầu vào - đầu ra của PHM mới đứng vững. Phép thử không phải công nghệ có tiên tiến hay không, mà là dạng hỏng hóc của bạn có được cảm biến nhìn thấy hay không và có ai tiếp nhận cảnh báo theo đúng quy trình khi nó được đưa ra hay không.

Chủ đề: AI-FAQ