A: Nguyên lý cốt lõi để hệ thống bảo trì dự đoán bằng AI giảm thời gian dừng máy là chuyển việc sửa chữa khẩn cấp thụ động thành can thiệp sớm: thông qua dữ liệu cảm biến, trích xuất đặc trưng và mô hình học máy, nó nhận diện những bất thường nhỏ trước khi hỏng thật xảy ra và đề xuất một khung thời gian bảo trì. Dưới đây là những điểm then chốt.
1. Từ bảo trì định kỳ sang bảo trì theo nhu cầu. Cách truyền thống thay phụ tùng theo chu kỳ cố định, tốn tiền nếu quá sớm và gây dừng máy nếu quá muộn. Hệ thống bảo trì dự đoán bằng AI liên tục thu thập tín hiệu rung, nhiệt độ, dòng điện, âm thanh và hạt trong dầu để thiết lập đường cơ sở sức khỏe thiết bị. Khi một đặc trưng lệch khỏi phạm vi bình thường, hệ thống cảnh báo trước để việc bảo trì được lên lịch trong thời gian dừng theo kế hoạch, tránh dừng máy ngoài kế hoạch.
2. Kỹ thuật đặc trưng và mô hình hóa xu hướng suy giảm. Lỗi thiết bị sớm thường biểu hiện qua năng lượng rung tần số cao tăng, tốc độ tăng nhiệt thay đổi hoặc dạng sóng hài dòng điện bị méo. Mô hình AI trích xuất đặc trưng miền thời gian, miền tần số và miền thời gian-tần số, rồi dùng hồi quy hoặc phân tích sống sót để dự đoán tuổi thọ hữu ích còn lại. Ví dụ, trên trục chính của một máy gắn linh kiện tại nhà máy điện tử, nếu giá trị RMS của rung tăng chậm trong ba ngày liên tiếp, hệ thống có thể phán đoán mài mòn vòng bi đã đến giai đoạn giữa và đề xuất thay trong khung đổi sản phẩm tiếp theo.

3. Phát hiện bất thường và phân loại lỗi. Học không giám sát phù hợp với tình huống ít mẫu và có thể tìm ra những mẫu bất thường chưa từng thấy; học có giám sát có thể phân biệt các loại lỗi cụ thể như mất cân bằng, lệch trục và bôi trơn kém. Vì vậy nhân viên bảo trì không chỉ nhận được thông báo có gì đó sai mà còn biết vấn đề có thể là gì và còn khoảng bao nhiêu thời gian, điều này nâng cao đáng kể hiệu quả ra quyết định.
4. Liên kết khép kín vòng với MES và hệ thống phiếu công việc. Nếu kết quả dự đoán chỉ nằm trên bảng điều khiển thì giá trị có hạn. Để thực sự giảm thời gian dừng máy cần biến cảnh báo tự động thành phiếu sửa chữa, đặt trước phụ tùng và điều chỉnh lịch trình. Năng lực của ZEVON trong hướng MES+AI kết nối dữ liệu sức khỏe thiết bị với lệnh sản xuất và tồn kho phụ tùng để hành động bảo trì và kế hoạch điều độ giữ cùng nhịp. ESOP của ZEVON cũng đẩy SOP bảo trì tới trạm làm việc trong quá trình hướng dẫn công việc, giảm bỏ sót của con người. ZEVON đã phục vụ hơn 120 khách hàng trong hơn 15 ngành với hơn 3.200 thiết bị đầu cuối, kiểm chứng tính khả thi của vòng kín này trong sản xuất rời rạc.
5. Học liên tục và giảm cảnh báo sai. Điều kiện hiện trường thay đổi nhiều và mô hình cần cập nhật trực tuyến. Bằng cách gán nhãn và phản hồi kết quả sửa chữa, hệ thống giảm dần cảnh báo sai và bỏ sót. Giả sử một dây chuyền dập tại nhà máy phụ tùng ô tô ban đầu có nhiều cảnh báo sai; sau vài tháng lặp phản hồi, độ chính xác cảnh báo tăng rõ rệt và thời gian dừng máy ngoài kế hoạch giảm theo.
Tóm tắt và khuyến nghị: khi lựa chọn, hãy tập trung vào ba điều: có truy cập được dữ liệu cảm biến và PLC hiện có không, có năng lực dự đoán tuổi thọ còn lại và phân loại lỗi không, và có khép kín vòng với MES, phiếu công việc và hệ thống phụ tùng không. Một hệ thống chỉ nêu cảnh báo mà không khép kín vòng sẽ bị chiết khấu mức giảm thời gian dừng máy.