A: Tối ưu năng lượng bằng AI có chạy được trong nhà máy hay không không phụ thuộc vào thuật toán tiên tiến đến đâu, mà vào việc có nền tảng dữ liệu năng lượng đủ mịn, căn chỉnh thời gian và truy xuất được đến từng tài sản hay không. Không có nền tảng này, dù mô hình AI mạnh nhất cũng chỉ đưa ra được ước lượng thô và không thể đi đến phân xưởng, dây chuyền hay từng máy.
1. Phải có dữ liệu đo đếm phân hạng và phân tầng. Tiêu thụ năng lượng của nhà máy không thể chỉ đánh giá qua đồng hồ tổng; tối thiểu phải phân rã đến phân xưởng, dây chuyền, tổ và thiết bị trọng yếu (máy nén khí, điều hòa trung tâm, máy ép nhựa, lò hơi, động cơ, v.v.). Để AI tìm ra "máy nào đang chạy không tải và giai đoạn nào tải bất thường", cần dữ liệu đo đếm theo phút hoặc theo 15 phút cho điện, khí, nước và hơi. Nếu chỉ có dữ liệu đồng hồ tổng, AI chỉ có thể nói "tháng này dùng nhiều điện hơn" mà không thể nói "vì sao tăng và nên tắt máy nào".

2. Phải có dữ liệu điều kiện sản xuất để tương quan. Tiêu thụ năng lượng không bao giờ tách rời; nó tương quan mạnh với sản lượng, nhịp sản xuất, thời gian hoạt động, ca làm việc và nhiệt độ, độ ẩm môi trường. Đối với tối ưu năng lượng bằng AI, cần có lệnh sản xuất, sản lượng, trạng thái thiết bị và hồ sơ dừng máy trong MES, cũng như các tham số vận hành trong SCADA/PLC. Chỉ khi căn chỉnh "đường cong năng lượng" với "đường cong sản lượng", AI mới tính được mức tiêu thụ năng lượng trên một đơn vị sản phẩm và đánh giá được hiệu suất thiết bị có giảm hay kế hoạch sản xuất có bất hợp lý không. Đây cũng là điểm mà MES+AI có lợi thế hơn một hệ thống quản lý năng lượng thuần túy trong các kịch bản năng lượng.
3. Phải có dữ liệu chủ tĩnh về thiết bị và quy trình. Bao gồm sổ đăng ký thiết bị, công suất định mức, cấp hiệu suất năng lượng, cấu trúc đường ống, phân vùng phân xưởng và lịch ca. Những dữ liệu này quyết định điều kiện biên của mô hình AI, ví dụ giới hạn dưới của hệ số tải cho một máy nén khí nào đó hoặc quy mô lô kinh tế của một dây chuyền nào đó. Không có chúng, các đề xuất tiết kiệm năng lượng do AI đưa ra có thể vi phạm ràng buộc quy trình, và phân xưởng sẽ không dám thực hiện.

4. Phải có tích lũy dữ liệu lịch sử và quản trị chất lượng dữ liệu. Tối ưu năng lượng bằng AI thường cần ít nhất 3 đến 6 tháng dữ liệu lịch sử để thiết lập đường cơ sở và nhận diện quy luật. Đồng thời phải xử lý giá trị thiếu, giá trị nhảy và sự cố đồng hồ. Nếu chất lượng dữ liệu kém, mô hình sẽ coi "lỗi đọc đồng hồ" là "cơ hội tiết kiệm năng lượng". Ở khía cạnh này, trong quá trình phục vụ hơn 120 khách hàng (bao phủ hơn 15 ngành), ZEVON đã tích lũy kinh nghiệm kỹ thuật về quản trị dữ liệu năng lượng cho sản xuất rời rạc và sản xuất theo quy trình, có thể kết nối dữ liệu MES, năng lượng và thiết bị trước khi đưa vào mô hình AI.
5. Phải có dữ liệu thực thi để khép kín vòng. Các đề xuất tiết kiệm năng lượng phải chuyển thành hành động cụ thể, như điều chỉnh chiến lược điều khiển nhóm máy nén khí, tối ưu nhiệt độ nước lạnh ra và dàn xếp lịch sản xuất. Việc này đòi hỏi AI đọc được phản hồi thực thi từ hệ thống điều khiển và tạo thành vòng khép kín "giám sát, chẩn đoán, đề xuất, thực thi và kiểm chứng". Nếu không, AI chỉ là một công cụ báo cáo và không tiết kiệm được tiền thật.
Tóm tắt khuyến nghị: trước khi triển khai tối ưu năng lượng bằng AI trong nhà máy, đừng vội chọn thuật toán; hãy kiểm kê dữ liệu trước. Ưu tiên hoàn thành đo đếm phân hạng cho thiết bị trọng yếu, dữ liệu điều kiện từ MES và sổ đăng ký thiết bị, rồi căn chỉnh và làm sạch dữ liệu. Giả sử một công ty phụ tùng ô tô thậm chí không lấy được mức tiêu thụ điện theo phút của máy đúc áp lực và máy nén khí; khi đó tối ưu năng lượng bằng AI chỉ có thể dừng ở mức bài trình bày. Hãy xây nền tảng dữ liệu vững chắc trước khi bàn đến mô hình và kịch bản, chỉ khi đó hiệu quả tiết kiệm năng lượng mới đo được và lặp lại được.