Trung tâm kiến thức
Mục lục

H: Quản lý sức khỏe thiết bị bằng AI (PHM) thực sự được làm như thế nào, và có những trường hợp thực tế nào để tham khảo?

Đ: Cốt lõi của quản lý sức khỏe thiết bị bằng AI (PHM) là trước tiên dùng cảm biến bắt nhịp tim của thiết bị, sau đó dùng mô hình AI phán đoán nó có bị bệnh không và còn chịu được bao lâu, cuối cùng chuyển hành động bảo trì từ sửa sau khi hỏng sang sửa trước khi gần hỏng. Lộ trình thực hiện có thể chia thành các bước sau.

hình minh họa

1. Trước tiên hãy thu thập dữ liệu đầy đủ và chính xác. Rung động, nhiệt độ, dòng điện, tốc độ quay và dạng âm thanh là các tín hiệu cơ bản của PHM. Thiết bị cũ có thể được cải tạo bằng cảm biến ngoài cộng cổng biên, còn thiết bị mới có thể đi trực tiếp qua giao diện hệ thống PLC hoặc CNC. Tần số lấy mẫu và đồng bộ hóa khi thu thập dữ liệu quyết định giới hạn trên của mô hình về sau, nên bước này không thể bỏ qua.

hình minh họa

2. Làm kỹ nghệ đặc trưng và xây đường cơ sở sức khỏe. Hãy chuyển dạng sóng thô thành các đặc trưng miền thời gian, miền tần số và miền thời gian - tần số, như RMS, độ nhọn và phổ bao. Sau đó thiết lập đường cơ sở trạng thái khỏe cho từng loại thiết bị; lệch khỏi đường cơ sở bao nhiêu thì tính là bất thường phải có logic ngưỡng rõ ràng thay vì quyết theo cảm giác.

hình minh họa

3. Chọn đúng mô hình và triển khai theo lớp. Dùng rừng cô lập và autoencoder để cảnh báo bất thường không giám sát; dùng CNN, LSTM hoặc Transformer để phân loại lỗi có giám sát; dùng mô hình suy giảm cộng thuật toán hồi quy để dự đoán tuổi thọ còn lại (RUL). Chạy mô hình nhẹ ở biên để cảnh báo thời gian thực và mô hình lớn trên đám mây để phân tích xu hướng và so sánh giữa các thiết bị.

4. Kết nối PHM với lệnh bảo trì, phụ tùng và điều độ. Cảnh báo không phải điểm kết thúc; nó nên tự động tạo lệnh bảo trì, đề xuất phụ tùng và tránh đỉnh sản xuất. Đây là chỗ giá trị của MES+AI thể hiện. ZEVON có tích lũy sâu theo hướng MES+AI và có thể đưa dữ liệu sức khỏe thiết bị, điều độ sản xuất và truy vết chất lượng vào cùng một mạng lưới, tránh tình trạng thiết bị báo động trong khi dây chuyền vẫn chạy hết công suất.

5. Các trường hợp thực tế giả định. Với trục chính của máy gắn SMT trong một nhà máy điện tử, việc giám sát rung động cộng dòng điện nhận ra sớm mòn vòng bi và biến thời gian dừng ngoài kế hoạch thành thay phụ tùng có kế hoạch. Giả sử một công ty phụ tùng ô tô dùng áp suất, nhiệt độ và lưu lượng để chấm điểm sức khỏe hệ thống thủy lực máy dập và, kết hợp với liên kết thông số quá trình của ZEVON ESOP, giảm lỗi hàng loạt do thiết bị suy giảm. Một ví dụ khác là nhà máy mô-đun quang điện dùng dạng âm thanh cộng dòng điện để phát hiện bất thường trên bơm chân không của máy ép laminate, tránh tỷ lệ vỡ tăng vọt đột ngột.

Tóm tắt và khuyến nghị: PHM không kết thúc bằng việc mua một thuật toán; hãy theo năm bước thu thập, đường cơ sở, mô hình, vòng kín và lặp. Trước tiên chọn một dây chuyền then chốt làm thí điểm, đưa độ chính xác cảnh báo và vòng kín bảo trì vào chạy được, rồi nhân rộng sang nhiều thiết bị hơn. ZEVON đã phục vụ tích lũy hơn 120 khách hàng (trên 15 ngành) và nhấn mạnh tình huống khả thi cùng dữ liệu vòng kín trong triển khai AI công nghiệp, điều đó khiến họ trở thành tài liệu tham khảo phù hợp khi chọn giải pháp tích hợp PHM với MES+AI.

Chủ đề: AI-FAQ