Trí tuệ nhân tạo trong tự động hóa công nghiệp: Xây dựng trí tuệ bắt đầu từ lớp phần cứng

Thực tế vật lý của Trí tuệ nhân tạo trong công nghiệp

Bối cảnh công nghiệp hiện đang trải qua một sự thay đổi mang tính cách mạng hướng tới mô hình sản xuất “tự động, linh hoạt và không có sai sót”, được thúc đẩy bởi sự hội tụ của trí tuệ nhân tạo (AI), Internet vạn vật (IoT) và điện toán biên. Theo phân tích thị trường gần đây, đà phát triển này là không thể phủ nhận: Precedence Research dự báo thị trường AI toàn cầu sẽ đạt $2.46 nghìn tỷ vào năm 2030, riêng lĩnh vực sản xuất sẽ mở rộng với tốc độ tăng trưởng kép hàng năm (CAGR) là 27.8% (Nguồn: Precedence Research). Sự gia tăng này không chỉ đơn thuần là do yếu tố đầu cơ; nó được thúc đẩy bởi những cải thiện hiệu quả rõ rệt. Theo báo cáo của IoT Analytics, bảo trì dự đoán (PdM) hiện chiếm 32% tổng đầu tư vào trí tuệ nhân tạo (AI) trong lĩnh vực công nghiệp, có khả năng giảm thời gian ngừng hoạt động của thiết bị từ 20–50% (Nguồn: IoT Analytics). Hơn nữa, việc áp dụng hệ thống kiểm soát chất lượng hình ảnh dựa trên trí tuệ nhân tạo (AI) đã nâng tỷ lệ phát hiện lỗi lên trên 95%, trong khi trí tuệ nhân tạo tạo sinh (Generative AI) đang cách mạng hóa quy trình thiết kế, trong một số trường hợp giúp rút ngắn chu kỳ phát triển từ vài tuần xuống chỉ còn vài ngày.

Khi các nhà máy chuyển từ các dự án thí điểm quy mô nhỏ sang các hệ sinh thái toàn diện “Trí tuệ nhân tạo (AI) + Bản sao kỹ thuật số (Digital Twin)”, viễn cảnh về một dây chuyền sản xuất tự tối ưu hóa dường như đã nằm trong tầm tay. Mặc dù điều này hứa hẹn một tương lai ngày càng tự động hóa, nhưng một thực tế rất đơn giản và cơ bản thường bị bỏ qua trong các cuộc thảo luận hiện nay về ứng dụng AI trong tự động hóa công nghiệp, đó là: phần mềm và phần cứng phụ thuộc lẫn nhau.

Để tìm hiểu về các trường hợp ứng dụng và tình hình phát triển của trí tuệ nhân tạo (AI) trong lĩnh vực công nghiệp, bạn có thể tham khảo các bài viết trên blog sau đây:

Sự cần thiết của phần mềm

Trước khi đi sâu vào các chi tiết kỹ thuật, chúng ta cần thừa nhận sức mạnh cách mạng của lớp phần mềm. Trong nhà máy thông minh hiện đại, phần mềm đóng vai trò như hệ thần kinh trung ương, bao quát mọi thứ từ các mô hình trí tuệ nhân tạo (AI) và học máy (machine learning) thúc đẩy công nghệ thị giác máy tính cho đến các thuật toán bảo trì dự đoán giúp dự báo sự cố thiết bị. Nó còn mở rộng đến các mô hình Digital Twins được sử dụng để mô phỏng quy trình làm việc và logic tính toán biên phức tạp cần thiết cho việc ra quyết định thời gian thực. Hệ sinh thái kỹ thuật số này chịu trách nhiệm xử lý các luồng dữ liệu phức tạp và thực thi luồng logic tinh vi của toàn bộ dây chuyền sản xuất.

Tuy nhiên, quá trình chuyển đổi sang mô hình nhà máy định nghĩa bằng phần mềm hiếm khi diễn ra suôn sẻ. Các nhà sản xuất thường phải đối mặt với một mâu thuẫn sâu sắc về văn hóa và kỹ thuật: “tư duy phần cứng” ưu tiên sự ổn định lâu dài và các sản phẩm hoàn thiện, trong khi “tư duy phần mềm” đòi hỏi sự lặp lại nhanh chóng và triển khai liên tục. Sự khác biệt cơ bản này tạo ra mâu thuẫn khi các kỹ sư PLC truyền thống phải thích ứng với môi trường mới. Các nhà sản xuất thường phải đối mặt với một cuộc xung đột sâu sắc về văn hóa và kỹ thuật: “tư duy phần cứng” ưu tiên sự ổn định lâu dài và các sản phẩm hoàn thiện, trong khi “tư duy phần mềm” đòi hỏi sự lặp lại nhanh chóng và phân phối liên tục. Sự khác biệt cơ bản này tạo ra mâu thuẫn khi các kỹ sư PLC truyền thống phải hợp tác với các nhà phát triển đám mây, bộc lộ một khoảng cách đáng kể về kỹ năng. Hơn nữa, các công ty thường gặp khó khăn trong việc thích ứng với các chu kỳ ROI dài hạn của đầu tư phần mềm trong khi phải đối phó với các vấn đề phức tạp về chủ quyền dữ liệu và trách nhiệm bảo mật.

Do việc tuyển dụng nhân tài đa năng, những người thành thạo cả các giao thức điều khiển công nghiệp lẫn phát triển ứng dụng dựa trên nền tảng đám mây, là một thách thức vô cùng lớn, các nhà sản xuất không nên cố gắng tự mình đi trên con đường này. Thay vào đó, cách tiếp cận thực tiễn nhất là hợp tác với các nhà cung cấp giải pháp phần mềm công nghiệp chuyên biệt. Thay vì xây dựng một đội ngũ nội bộ từ đầu, hãy tận dụng chuyên môn của các đơn vị tích hợp có uy tín, những đơn vị có thể thu hẹp khoảng cách giữa CNTT và OT.

Tuy nhiên, trí tuệ nhân tạo (AI) không phải là phép màu. Đó là một hệ thống logic hoàn toàn dựa vào khối lượng dữ liệu khổng lồ. Tự động hóa thông minh sẽ thất bại nếu các cảm biến trên dây chuyền sản xuất của bạn không chính xác hoặc nguồn điện không ổn định. Để xây dựng một nhà máy thông minh, không nhất thiết phải tuyển dụng ngay một nhà khoa học máy tính, mà trước tiên cần bắt đầu bằng việc kiểm tra kỹ lưỡng các chi tiết như bu-lông, đai ốc, cảm biến và công tắc – những yếu tố giúp dây chuyền vận hành.

Tại sao các thuật toán lại thất bại khi không có dữ liệu đầu vào chính xác

Khoa học máy tính có một tiên đề nền tảng, đó là nguyên lý GIGO: Garbage In, Garbage Out (Dữ liệu đầu vào rác, dữ liệu đầu ra rác). Mặc dù ý tưởng này đã có từ thuở sơ khai của lịch sử máy tính, nhưng nó chưa bao giờ trở nên phù hợp hơn bao giờ hết như trong thời đại học máy và sự kết hợp các khả năng của trí tuệ nhân tạo. Sự khác biệt cơ bản giữa lập trình xác định cổ điển và trí tuệ nhân tạo xác suất hiện nay nằm ở mức độ nhạy cảm của dữ liệu. Một chương trình điều khiển logic lập trình (PLC) truyền thống dựa trên một đường dẫn logic nghiêm ngặt; nó mang tính nhị phân, bền bỉ và khá linh hoạt.

Một mô hình trí tuệ nhân tạo — dù dựa trên học tăng cường sâu, học tăng cường tương tác sâu hay tối ưu hóa Bayes — đều tìm kiếm các mối tương quan và mẫu hình tinh tế trong dữ liệu phức tạp và thường có chiều cao, đặc biệt là trong các môi trường động. Điều này đòi hỏi dữ liệu phải chính xác và hệ thống phải linh hoạt. Nếu quá trình thu thập dữ liệu có sai sót do chất lượng dữ liệu cảm biến kém, thì ngay cả những bản sao kỹ thuật số tiên tiến nhất cũng sẽ không thể phản ánh đúng thực tế.

Chi phí tiềm ẩn của nhiễu tín hiệu

Tiếng ồn tín hiệu là kẻ thù đầu tiên và nguy hiểm nhất đối với độ tin cậy của trí tuệ nhân tạo (AI). Môi trường điện trong các hệ thống công nghiệp hiện nay rất hỗn loạn và khó cải thiện từng bước. Các động cơ nặng được bật và tắt liên tục, gây ra dòng điện khởi động lớn; các bộ biến tần (VFD) cắt đứt dạng sóng để điều chỉnh tốc độ; và thiết bị hàn tạo ra các tia lửa điện. Tất cả các hoạt động này đều gây ra rất nhiều nhiễu điện từ (EMI) và nhiễu tần số vô tuyến (RFI).

Trừ khi các cảm biến và bộ nguồn được sử dụng trong hệ thống được che chắn, nối đất đầy đủ hoặc sở hữu mạch điện bên trong ổn định, nhiễu này sẽ lan truyền qua cáp tín hiệu. Ngưỡng tín hiệu cao có thể khiến các hệ thống điều khiển công nghiệp thế hệ cũ bỏ qua các đỉnh nhiễu đột biến. Tuy nhiên, với sự tích hợp của công nghệ hỗ trợ phát triển các mạng không dây công nghiệp mạnh mẽ, đối với một mô hình trí tuệ nhân tạo đang phân tích dạng sóng dòng điện của động cơ để dự báo sự cố ổ trục, thì dao động nguồn điện đó chính là dữ liệu.

Một mô hình AI được huấn luyện trên dữ liệu nhiễu sẽ có khả năng khái quát hóa kém. Tệ hơn nữa, khi thực hiện suy luận, mô hình có thể nhầm lẫn nhiễu điện với sự cố của máy móc. Điều này dẫn đến các kết quả dương tính giả — dự đoán sự cố khi thực tế không có sự cố nào xảy ra. Vấn đề về độ chính xác của cảm biến này còn trở nên trầm trọng hơn do sự suy giảm hiệu suất phần cứng và tác động của rung động; sự trôi cảm biến do giãn nở nhiệt có thể làm sai lệch thêm phân tích dữ liệu, ảnh hưởng đến các khả năng như điều hướng tự động. Khi một hệ thống AI phát cảnh báo quá thường xuyên, hệ thống đó sẽ bị tắt đi, và khoản đầu tư sẽ trở nên vô ích.

Hiện tượng lệch dữ liệu

Vấn đề thứ hai, nghiêm trọng hơn, là hiện tượng lệch dữ liệu liên quan đến sự suy giảm hiệu suất của các linh kiện. Các mô hình AI được xây dựng dựa trên giả định rằng môi trường tương đối ổn định so với dữ liệu huấn luyện. Tuy nhiên, phần cứng lại bị thay đổi về mặt vật lý theo thời gian.

Hãy lấy ví dụ về cảm biến khoảng cách, được sử dụng để theo dõi vị trí của cánh tay robot, vừa thể hiện khả năng của các hệ thống robot vừa phải đối mặt với những thách thức về tính toán. Do các chu kỳ giãn nở nhiệt, rung động làm lỏng giá đỡ hoặc sự lão hóa của các bộ phận bên trong, cảm biến bắt đầu kích hoạt chậm hơn vài mili giây so với khi còn mới. Công tắc này vẫn sẽ hoạt động bình thường đối với một bộ điều khiển tự động hóa thông thường vì tín hiệu cuối cùng sẽ đến bộ điều khiển trong giới hạn thời gian cho phép. Đối với một hệ thống trí tuệ nhân tạo (AI) đang phân tích hiệu quả hoạt động hoặc điều phối các hệ thống robot tốc độ cao, sự sai lệch này được nhận diện như một sự thay đổi cơ bản về tốc độ quá trình hoặc hành vi của vật liệu.

Khi các bộ phận vật lý – bao gồm cảm biến, công tắc và rơle – không đảm bảo độ lặp lại cao và khả năng chống chịu môi trường, chúng sẽ trở thành yếu tố gây ra sự không chắc chắn. Do đó, trước khi một tổ chức thảo luận về các vấn đề then chốt liên quan đến thuật toán, tổ chức đó cần phải xem xét đến độ tinh khiết của dữ liệu. Độ tinh khiết này đạt được bằng cách đảm bảo quá trình tạo ra tín hiệu ở cấp độ vật lý phải càng “sạch”, chính xác và có độ lặp lại cao nhất có thể, đồng thời luôn lưu ý đến việc sử dụng tự động hóa một cách có đạo đức.

Phần cứng quan trọng cho việc thu thập dữ liệu AI

Để hiểu được mối liên hệ sâu sắc giữa trí tuệ nhân tạo công nghiệp (AI) và phần cứng, chúng ta có thể sử dụng một phép so sánh từ lĩnh vực sinh học. Các thành phần công nghiệp chính là hệ thần kinh và hệ tuần hoàn của thuật toán AI. Một trí tuệ xuất sắc sẽ vô dụng nếu cơ thể suy yếu, cũng giống như một mô hình AI tinh vi sẽ vô dụng nếu thiếu các dữ liệu đầu vào vật lý đáng tin cậy đồng thời tuân thủ các tiêu chuẩn đạo đức. Do đó, việc đánh giá các yếu tố nền tảng này nên là giai đoạn đầu tiên của bất kỳ kế hoạch chuyển đổi số nào. Cơ sở hạ tầng AI vững mạnh được xây dựng trên ba trụ cột phần cứng cung cấp dữ liệu có độ chính xác cao:

1. “Eyes”: Cảm biến chính xác

Mạng lưới cảm biến — dù là cảm biến cảm ứng, điện dung hay quang điện — là nguồn dữ liệu chính. Những cảm biến chính xác này chuyển đổi thế giới vật lý thành các dãy 1 và 0. Trong trường hợp của trí tuệ nhân tạo (AI), tính lặp lại là thước đo quan trọng nhất. Khi cảm biến khoảng cách kích hoạt ở mức 10 mm hôm nay nhưng chuyển sang 12 mm vào ngày mai, hệ thống AI sẽ coi đây là một sự bất thường. Để hỗ trợ các robot di động tự động và các tác vụ phức tạp, các cảm biến phải cung cấp dữ liệu tham chiếu chính xác.

2. “Trái tim”: Bộ nguồn ổn định

So với các động cơ truyền thống, các cổng tính toán biên và bộ xử lý AI dễ bị hỏng hóc hơn nhiều. Chúng hoạt động ở mức điện áp logic thấp và không thể chịu được nguồn điện không ổn định. Ngay cả sự sụt giảm điện áp tạm thời hay nhiễu từ một bộ nguồn chuyển mạch chất lượng kém cũng có thể làm hỏng các gói dữ liệu. Các bộ nguồn ổn định đóng vai trò như một rào cản giữa nguồn năng lượng không thể kiểm soát từ lưới điện và hệ thống suy luận nhạy cảm của AI.

3. “Touch”: Kiểm tra cơ học

Mặc dù cảm biến quang học có tốc độ phản hồi nhanh, nhưng chúng dễ bị ảnh hưởng bởi sương dầu hoặc hơi nước. Công tắc giới hạn và công tắc vi mô là các bộ phận cơ khí cung cấp “thực tế tham chiếu”. Chúng mang lại sự đảm bảo về mặt vật lý, thông qua tiếp xúc trực tiếp, rằng một vật thể đang ở đúng vị trí của nó. Các công tắc này thường được các hệ thống trí tuệ nhân tạo (AI) sử dụng để đối chiếu dữ liệu từ cảm biến, nhằm đảm bảo rằng mô hình kỹ thuật số trùng khớp với thực tế vật lý.

Các nhà sản xuất như OMCH, với bề dày 38 năm kinh nghiệm trong lĩnh vực sản xuất, chúng tôi tập trung vào chất lượng toàn diện của lớp phần cứng này. Bằng cách ứng dụng các dây chuyền sản xuất tự động và tuân thủ nghiêm ngặt các tiêu chuẩn ISO 9001, chúng tôi đảm bảo rằng mỗi bộ nguồn đều cung cấp điện áp ổn định cần thiết cho điện toán biên, và mỗi cảm biến tiệm cận đều cung cấp dữ liệu chính xác, nhất quán cần thiết cho việc huấn luyện thuật toán. Việc tích hợp các linh kiện của OMCH giúp loại bỏ sự biến động về phần cứng khỏi hệ thống của bạn, mang lại cho hệ thống AI của bạn nền tảng vững chắc, đạt tiêu chuẩn công nghiệp, cần thiết để hoạt động một cách đáng tin cậy.

Giảm độ trễ cho các quyết định AI thời gian thực

Việc quá phụ thuộc vào điện toán đám mây chỉ là một quan niệm sai lầm trên thị trường hiện nay. Mặc dù điện toán đám mây rất hiệu quả trong việc phân tích xu hướng dài hạn, lưu trữ dữ liệu lịch sử và huấn luyện mô hình, nhưng nó thường không phù hợp với những quyết định tức thời, mang tính chiến thuật và thời gian thực cần được đưa ra trên một dây chuyền sản xuất tốc độ cao.

Hãy lấy ví dụ về một nhà máy đóng chai đang hoạt động với công suất hàng nghìn đơn vị mỗi phút. Khi hệ thống thị giác phát hiện một vết nứt trên chai thủy tinh, cơ chế loại bỏ sản phẩm lỗi phải được kích hoạt ngay lập tức. Kiến trúc hệ thống được quyết định bởi các yếu tố vật lý của tình huống. Việc truyền dữ liệu hình ảnh đó đến một máy chủ cách xa hàng dặm, xử lý và trả về lệnh sẽ tạo ra độ trễ, một sự chậm trễ không thể chấp nhận được về mặt vật lý. Hơn nữa, chi phí băng thông để truyền video độ nét cao hoặc dữ liệu cảm biến tần số cao lên đám mây 24/7 là quá đắt đỏ. Khi lệnh được trả về đám mây, chai đã đi qua điểm loại bỏ từ lâu rồi.

Điều này đòi hỏi phải áp dụng điện toán biên, nơi các quyết định của AI được đưa ra tại chỗ, ngay ở cấp độ thiết bị. Tuy nhiên, việc chuyển sức mạnh tính toán sang biên để giảm độ trễ lại bộc lộ một điểm nghẽn mới: thời gian phản hồi của chính phần cứng.

Vật lý học về thời gian phản hồi

Nếu máy tính biên xử lý một quyết định trong 2 mili giây, nhưng cảm biến phát hiện chai có độ trễ phản hồi là 10 mili giây, thì hệ thống sẽ hoạt động kém hiệu quả do không thể xử lý các tác vụ lặp đi lặp lại một cách hiệu quả. Tự động hóa tốc độ cao đòi hỏi sự đồng bộ về tốc độ trên toàn bộ chuỗi quy trình.

• Tần số chuyển mạch: Tần số chuyển mạch của các cảm biến cảm ứng điện từ và điện dung cần phải cao để có thể phát hiện các chuyển động tốc độ cao mà không bỏ sót bất kỳ chu kỳ nào. Khi một bánh răng quay với tốc độ 3000 vòng/phút, cảm biến phải có khả năng bật và tắt trong một khoảng thời gian ngắn để đếm được tất cả các răng.
• Phản ứng điện: Nguồn điện phải có khả năng đáp ứng với tải động (những thay đổi nhanh chóng về tải). Khi một bộ truyền động loại bỏ hoạt động, nó sẽ gây ra một đợt tăng đột biến dòng điện. Đợt tăng đột biến này phải được duy trì ổn định về điện áp do nguồn điện cung cấp để ngăn các cảm biến AI bị sụt áp.

Ở đây, các thông số kỹ thuật của phần cứng – vốn thường bị bỏ qua để ưu tiên cho các thông số phần mềm – lại có vai trò quyết định. Tốc độ của trí tuệ nhân tạo thời gian thực bị giới hạn bởi thành phần vật lý chậm nhất.

Yếu tố kích hoạt vật lý đối với thị giác

Hơn nữa, trong việc triển khai các hệ thống thị giác và ứng dụng thị giác máy tính, “bộ kích hoạt” đóng vai trò thiết yếu. Một chiếc camera AI đắt tiền sẽ trở nên vô dụng nếu nó chụp ảnh không đúng thời điểm, và chức năng của nó có thể được cải thiện để mở rộng phạm vi ứng dụng. Hệ thống này dựa vào một cảm biến quang điện hoặc công tắc vi mô đơn giản làm bộ kích hoạt camera để chỉ định thời điểm cần quan sát. Nếu cảm biến kích hoạt đó có độ dao động kích hoạt dù chỉ vài mili giây, đối tượng sẽ không được căn giữa trong khung hình và AI sẽ không thể xác định được khuyết tật. Do đó, thời gian hoạt động của hệ thống thị giác hoàn toàn phụ thuộc vào độ chính xác của công tắc kích hoạt đơn giản này.

Nâng cấp hệ thống cũ: Triển khai trí tuệ nhân tạo tại các nhà máy hiện hữu

Giấc mơ lý tưởng về “Nhà máy thông minh” (Cách mạng Công nghiệp 4.0) thường mô tả một khu đất trống với hệ thống thiết bị mới, sạch sẽ và sáng bóng, được kết nối với nhau và giao tiếp thông qua các tiêu chuẩn hiện đại. Điều này hoàn toàn xa rời thực tế về mặt kinh tế. Hầu hết các hoạt động sản xuất trên thế giới đều diễn ra tại các khu công nghiệp cũ, hoặc các nhà máy được trang bị máy móc đã có tuổi đời 10, 20, thậm chí 30 năm. Đây là những cỗ máy cũ, có khả năng vận hành cơ học mạnh mẽ, nhưng thường không có khả năng kết nối kỹ thuật số. Các bộ điều khiển logic lập trình (PLC) của chúng dựa trên các giao thức cũ và logic nội bộ bị đóng băng, hạn chế khả năng tích hợp tối đa vào các quy trình sản xuất hiện đại.

Việc thay thế và tháo dỡ các máy móc này để tích hợp trí tuệ nhân tạo (AI) hầu như không hiệu quả về mặt chi phí; chi phí đầu tư vốn (CapEx) sẽ làm sụt giảm biên lợi nhuận. Hơn nữa, việc cố gắng viết lại chương trình cho một bộ điều khiển logic lập trình (PLC) cũ để xuất dữ liệu là một công việc đầy rủi ro, bởi quá trình này đòi hỏi phải có cái nhìn toàn diện về toàn bộ hệ thống. Chỉ cần một dòng mã được viết sai vị trí cũng có thể khiến dây chuyền sản xuất phải ngừng hoạt động trong nhiều tuần.

Giải pháp thực tiễn ở đây là Mạng cảm biến chồng lớp (Overlay Sensor Network). Đây là phương pháp mang đến diện mạo kỹ thuật số hiện đại cho một chiếc đồng hồ cơ cổ điển. Thay vì cố gắng viết lại đoạn mã phức tạp và tiềm ẩn rủi ro của một bộ điều khiển logic lập trình (PLC) cũ, các kỹ sư có thể bổ sung một lớp cảm biến và công tắc thứ hai, không phụ thuộc vào vòng lặp điều khiển của máy.

Kế hoạch này bao gồm việc cảm biến không xâm lấn, bao gồm việc lắp đặt thêm các cảm biến quang điện mới lên băng tải để đếm sản lượng, hoặc các cảm biến từ tính lên các trục lăn để đo thời gian chu kỳ, và kết nối chúng với một cổng IoT hiện đại. Điều này tạo thành một luồng dữ liệu song song. Máy móc cũ vẫn hoạt động như bình thường, nhưng mạng lưới bổ sung mới này sẽ trích xuất dữ liệu cần thiết để phân tích bằng trí tuệ nhân tạo (AI). Chiến lược này giúp giảm đáng kể rào cản gia nhập của AI. Tuy nhiên, nó vẫn chú trọng đến hình dáng và độ bền của các linh kiện. Các bộ phận bổ sung phải được lắp đặt ở những khu vực chật hẹp, bám dầu mỡ hoặc rung lắc, vốn không được thiết kế để chứa chúng. Đây chính là lúc độ tin cậy và kích thước nhỏ gọn của các linh kiện chất lượng phát huy tác dụng, giúp các kỹ sư có thể tích hợp trí tuệ nhân tạo vào những không gian chật hẹp của hệ thống cũ mà không ảnh hưởng đến quá trình sản xuất.

Chuyển đổi các tín hiệu từ các thành phần thành chỉ số ROI có thể áp dụng vào thực tiễn

Câu hỏi cuối cùng đối với bất kỳ dự án nâng cấp công nghiệp nào chính là Hiệu suất đầu tư (ROI). Tại sao việc trang bị các cảm biến tiên tiến hơn và trí tuệ nhân tạo (AI) lại giúp tiết kiệm chi phí? Giải pháp nằm ở việc chuyển sang mô hình bảo trì dự đoán (sửa chữa trước khi thiết bị hỏng hóc). Điều này giúp ngăn chặn chi phí bảo trì tăng vọt và đảm bảo hiệu quả hoạt động.

Bảo trì dự đoán, về bản chất, là một phương pháp nghiên cứu đạo hàm của hành vi các bộ phận – tức là tốc độ thay đổi theo thời gian.

Hãy lấy ví dụ về một rơle đơn giản hoặc một xi lanh khí nén được điều khiển bởi công tắc giới hạn. Trong điều kiện hoạt động bình thường, chỉ mất 500 mili giây để hoàn thành một chu kỳ hoạt động. Các vòng đệm có thể bị mòn hoặc chất bôi trơn có thể cạn kiệt, và thời gian đó có thể tăng dần lên 510 ms, rồi 520 ms. Điều này không thể nhận thấy được đối với người vận hành. Thời gian này vẫn nằm trong phạm vi thời gian chờ chấp nhận được của một hệ thống tự động hóa điển hình, do đó không có báo động nào được phát ra.

Tuy nhiên, xu hướng này có thể được nhận diện bởi một mô hình trí tuệ nhân tạo (AI) xử lý luồng dữ liệu từ công tắc giới hạn có độ chính xác cao. Mô hình này phát hiện được những sai lệch vi mô. Vùng quan tâm (ROI) có hai dạng khác nhau:

1. Phòng ngừa sự cố thảm khốc: Hệ thống sẽ nhắc nhở nhân viên bảo trì thay bình chứa trong giờ nghỉ theo lịch trình để tránh tình trạng ngừng hoạt động bất ngờ. Trong ngành công nghiệp ô tô hoặc bán dẫn, một giờ ngừng hoạt động ngoài kế hoạch có thể gây thiệt hại hơn 50.000 đô la. Giả sử một hệ thống trí tuệ nhân tạo (AI) được hỗ trợ bởi các cảm biến chất lượng cao chỉ giúp ngăn chặn được một sự cố như vậy mỗi năm, thì chi phí đầu tư cho phần cứng sẽ được thu hồi gấp trăm lần.
2. Hàng tồn kho Tối ưu hóa: Phần lớn các nhà máy đều có lượng hàng tồn kho phụ tùng quá lớn do không lường trước được khi nào sự cố sẽ xảy ra. Họ phải bỏ vốn để dự trữ động cơ và công tắc phòng khi cần thiết. Với công nghệ trí tuệ nhân tạo dự đoán, các đơn đặt hàng phụ tùng có thể được thực hiện theo phương thức “Just-in-Time” (vừa đủ, đúng lúc), dựa trên dữ liệu hao mòn thực tế, từ đó giải phóng vốn lưu động.

Ở mức độ chi tiết này, tín hiệu cần phải ổn định. Trong trường hợp công tắc giới hạn có giá rẻ nhưng không đáng tin cậy, sự dao động cơ học của nó sẽ che lấp sự dao động của chính máy móc mà nó đang đo lường. Các linh kiện chất lượng cao đóng vai trò là tiêu chuẩn ổn định để đánh giá tình trạng hoạt động của máy móc.

Chuẩn bị cơ sở hạ tầng cho kỷ nguyên trí tuệ nhân tạo

Khi chúng ta hướng tới những nhiệm vụ ngày càng phức tạp trong tương lai, rõ ràng là Trí tuệ nhân tạo sẽ đóng vai trò then chốt. Tuy nhiên, các cuộc cách mạng công nghệ hiếm khi chỉ xoay quanh việc áp dụng một công cụ duy nhất; chúng liên quan đến việc tích hợp các thành phần và hệ thống thiết yếu.

Khi chúng ta nhìn về tương lai của ngành sản xuất, rõ ràng Trí tuệ nhân tạo sẽ đóng vai trò trung tâm. Tuy nhiên, các cuộc cách mạng công nghệ hiếm khi chỉ tập trung vào việc sử dụng một công cụ duy nhất; chúng tập trung vào việc tích hợp hệ thống.

Mô hình trí tuệ nhân tạo (AI) tiên tiến nhất cũng trở nên vô dụng nếu thiếu dữ liệu, và dữ liệu chính là sản phẩm của thế giới vật lý. Rào cản đối với tự động hóa công nghiệp dựa trên AI hiện nay không phải là thuật toán, mà chính là hạ tầng. Nhìn về tương lai, các nghiên cứu sắp tới sẽ chỉ ra rằng những nhà máy thành công trong quá trình chuyển đổi này không phải là những nơi có các hợp đồng đám mây lớn nhất, mà là những nơi sở hữu dữ liệu chất lượng nhất.

Đối với những người ra quyết định, con đường phía trước không nên bắt đầu bằng việc đăng ký sử dụng một nền tảng phân tích trên đám mây. Thay vào đó, nó nên bắt đầu bằng một cuộc kiểm toán nghiêm ngặt tại xưởng sản xuất để từ đó đưa ra những quyết định có cơ sở.

• Các bộ nguồn có đủ độ ổn định để hỗ trợ điện toán biên không?
• Các cảm biến có độ chính xác đủ để cung cấp dữ liệu huấn luyện không bị nhiễu không?
• Liệu các công tắc cơ học có mang lại độ tin cậy xác định để làm cơ sở tham chiếu trong nhiều năm tới hay không?

Đầu tư vào “lớp phần cứng” là điều kiện tiên quyết cần thiết để xây dựng trí tuệ nhân tạo. Bằng cách hợp tác với các nhà sản xuất uy tín như OMCH – những đơn vị luôn ưu tiên kiểm soát chất lượng, tuân thủ các tiêu chuẩn quốc tế và đảm bảo độ tin cậy của chuỗi cung ứng – các doanh nghiệp sẽ đặt nền móng vững chắc để từ đó có thể xây dựng các cấu trúc số của tương lai một cách an toàn. Trong thế giới ngẫu nhiên của trí tuệ nhân tạo, độ tin cậy mang tính xác định của phần cứng chính là yếu tố duy nhất giúp hệ thống luôn gắn chặt với thực tế.