Trí tuệ nhân tạo ngày càng hiện diện rõ rệt trên sàn nhà máy, từ bảo trì dự đoán và thị giác máy đến phân tích sản xuất và khắc phục sự cố có AI hỗ trợ. Tuy nhiên, câu hỏi thực sự đối với các nhà quản lý nhà máy giờ đây không còn là liệu có thể sử dụng AI trong sản xuất hay không. Câu hỏi thực tế hơn là liệu AI có thể giải quyết một vấn đề vận hành được xác định rõ ràng và mang lại cải thiện có thể đo lường mà không làm gián đoạn các hệ thống điều khiển hiện có hay không.
AI đang mở rộng vai trò của tự động hóa
Tự động hóa công nghiệp truyền thống được thiết kế để thực thi nhất quán logic đã định trước. PLC, nền tảng DCS, hệ thống SCADA, biến tần, hệ thống an toàn và thiết bị đo lường vẫn chịu trách nhiệm điều khiển các quy trình vật lý theo những quy tắc đã thiết lập.
AI bổ sung thêm một lớp nữa. Thay vì chỉ thực thi một trình tự đã lập trình, hệ thống AI có thể phân tích lượng lớn thông tin lịch sử và theo thời gian thực, đồng thời nhận diện những mối liên hệ mà con người khó phát hiện bằng cách phân tích thủ công.
Ví dụ, có thể kết hợp dữ liệu sản xuất với các phép đo độ rung, dòng điện động cơ, nhiệt độ, hồ sơ bảo trì, lịch sử cảnh báo và điều kiện vận hành để nhận diện các kiểu dữ liệu liên quan đến sự xuống cấp của thiết bị.
Xét từ góc độ kỹ thuật, sự khác biệt này rất quan trọng. Không nên xem AI là thứ thay thế lớp điều khiển. Ở hầu hết các nhà máy, giá trị trước mắt của AI có thể đến từ việc hỗ trợ ra quyết định xoay quanh hệ thống điều khiển thay vì thay thế logic điều khiển xác định.
Khoảng trống kiến thức có thể quan trọng hơn khoảng trống nhân lực
Nhiều tổ chức sản xuất đã tích lũy hàng chục năm kiến thức thực tiễn thông qua những người vận hành, kỹ thuật viên, nhân viên bảo trì và kỹ sư điều khiển giàu kinh nghiệm. Tuy nhiên, phần lớn kiến thức đó không nằm trong các cơ sở dữ liệu chính thức.
Kiến thức đó có thể nằm trong ghi chú bảo trì, hồ sơ viết tay, quy trình khắc phục sự cố, bản vẽ cũ, thói quen của người vận hành, tài liệu kỹ thuật hoặc đơn giản là trong trí nhớ của một kỹ thuật viên đã làm việc với cùng một chiếc máy suốt 25 năm.
Khi nhân sự giàu kinh nghiệm nghỉ hưu, vấn đề chuyển giao kiến thức trở nên đáng kể.
AI công nghiệp có thể kết nối dữ liệu máy móc với tài liệu hướng dẫn, quy trình vận hành tiêu chuẩn, lịch sử bảo trì, hồ sơ cảnh báo và các tài liệu khác. Nhờ đó, kỹ thuật viên ít kinh nghiệm hơn có thể tiếp cận thêm thông tin khi điều tra một tình trạng bất thường.
Điều này không loại bỏ nhu cầu về các kỹ sư giàu kinh nghiệm. Thay vào đó, nó có thể giúp kiến thức của họ dễ tiếp cận hơn giữa các ca làm việc và các khu vực sản xuất.
Theo tôi, đây là một trong những ứng dụng AI triển vọng nhất trong sản xuất trong ngắn hạn: bảo tồn và phổ biến kiến thức vận hành thay vì cố gắng tự động hóa mọi quyết định của con người.
Các dự án AI tốt nhất bắt đầu từ một vấn đề của nhà máy
Một sai lầm phổ biến là bắt đầu từ công nghệ.
Một công ty chọn nền tảng AI, phát triển dự án thí điểm, kết nối một số nguồn dữ liệu, rồi sau đó mới hỏi hệ thống cần mang lại kết quả kinh doanh gì.
Cần đảo ngược cách tiếp cận kỹ thuật.
Hãy bắt đầu với một vấn đề có thể đo lường:
- Những tài sản nào gây ra thời gian ngừng hoạt động ngoài kế hoạch nhiều nhất?
- Những sai lệch quy trình nào gây ra chi phí phế phẩm cao nhất?
- Kỹ thuật viên mất quá nhiều thời gian khắc phục sự cố ở đâu?
- Những cảnh báo nào liên tục cần đến sự hỗ trợ của kỹ sư cấp cao?
- Những hoạt động kiểm tra thủ công nào tiêu tốn nhiều nhân công?
- Mức tiêu thụ năng lượng ở đâu cao hơn dự kiến?
- Những thông số sản xuất nào khó tối ưu bằng các phương pháp thông thường?
Khi vấn đề đã được xác định, AI trở thành một giải pháp kỹ thuật khả thi, thay vì mục tiêu tự thân.
Cuối cùng, một dự án hữu ích nên gắn với các chỉ số của nhà máy như thời gian ngừng hoạt động, sản lượng, tỷ lệ thành phẩm, phế phẩm, chi phí bảo trì, chất lượng, hiệu suất sử dụng lao động hoặc mức tiêu thụ năng lượng.
Dự án thí điểm không đồng nghĩa với giá trị trong sản xuất
Các nhà sản xuất đã tiến hành nhiều thử nghiệm AI, nhưng một buổi trình diễn thành công không tự động chuyển thành một hệ thống sản xuất thành công.
Một dự án thí điểm có thể xác định chính xác bất thường của máy khi hoạt động với tập dữ liệu hạn chế trong điều kiện được kiểm soát. Môi trường sản xuất thì khác. Cảm biến có thể hỏng, thiết bị đo có thể được hiệu chuẩn lại, logic PLC có thể thay đổi, công thức sản xuất có thể được điều chỉnh, kết nối mạng có thể bị gián đoạn và nhân viên vận hành có thể phản ứng khác với các giả định được sử dụng trong quá trình phát triển.
Đây là khâu khiến nhiều sáng kiến AI gặp khó khăn.
Phép thử thực sự không phải là liệu một mô hình AI có hoạt động trong buổi trình diễn hay không. Phép thử thực sự là liệu mô hình đó có tiếp tục cung cấp thông tin hữu ích sau khi được tích hợp vào quy trình vận hành thông thường của nhà máy hay không.
Không nên bỏ qua hạ tầng tự động hóa hiện có
Các nhà máy sản xuất hiếm khi có điều kiện bắt đầu với một kiến trúc hoàn toàn mới.
Một cơ sở sản xuất điển hình có thể bao gồm nhiều thế hệ PLC, bộ điều khiển DCS, HMI, hệ thống SCADA, hệ thống lưu trữ dữ liệu quá trình, I/O từ xa, bộ truyền động biến tần, thiết bị giám sát tình trạng, mạng Ethernet công nghiệp và thiết bị nối tiếp cũ.
Việc thay thế hạ tầng này chỉ để đưa AI vào thường không khả thi.
Vì vậy, chiến lược cải tạo hệ thống hiện có thực tế hơn. Có thể thu thập dữ liệu từ các hệ thống lưu trữ dữ liệu quá trình hiện có, giao diện OPC, PLC, hệ thống giám sát tình trạng, cơ sở dữ liệu và các nguồn sẵn có khác, đồng thời giữ nguyên kiến trúc điều khiển chính.
Cách tiếp cận này cũng giảm nguy cơ đưa những thay đổi không cần thiết vào các hệ thống sản xuất đã được thẩm định.
Mục tiêu nên là bổ sung trí tuệ cho hạ tầng tự động hóa đã được kiểm chứng, chứ không xây dựng lại toàn bộ nhà máy chỉ vì một công nghệ mới xuất hiện.
Chất lượng dữ liệu quyết định chất lượng AI
AI không thể bù đắp cho dữ liệu công nghiệp kém chất lượng.
Nếu các thẻ thiết bị đo được xác định sai, dấu thời gian không nhất quán, giá trị cảm biến có khoảng trống, trạng thái thiết bị không được ghi chép hoặc dữ liệu lịch sử thiếu ngữ cảnh cần thiết, mô hình tạo ra có thể đưa ra những kết luận ấn tượng về mặt kỹ thuật nhưng gây hiểu lầm trong vận hành.
Vấn đề này thường bị đánh giá thấp vì dữ liệu sản xuất được tạo ra liên tục. Lượng dữ liệu lớn không nhất thiết đồng nghĩa với dữ liệu chất lượng cao.
Trước khi triển khai ứng dụng AI, kỹ sư nên tìm hiểu:
- Dữ liệu bắt nguồn từ đâu
- Cảm biến và thiết bị đo được hiệu chuẩn như thế nào
- Dấu thời gian có được đồng bộ hay không
- Trạng thái thiết bị được xác định như thế nào
- Các giá trị bị thiếu được xử lý như thế nào
- Các sự kiện bảo trì trong quá khứ có được ghi chép chính xác hay không
- Những nhân sự hoặc hệ thống nào sở hữu dữ liệu
- Những thay đổi trong cấu hình PLC và DCS ảnh hưởng đến ý nghĩa dữ liệu như thế nào
Một tập dữ liệu đơn giản, được ghi chép đầy đủ có thể giá trị hơn hàng triệu bản ghi thiếu ngữ cảnh.
An toàn phải được tách biệt khỏi việc thử nghiệm AI
Hậu quả của một khuyến nghị AI không chính xác phụ thuộc rất nhiều vào ứng dụng.
Dùng AI để tóm tắt hồ sơ bảo trì khác hoàn toàn với việc cho phép quyết định do AI tạo ra tác động trực tiếp đến việc ngắt hệ thống liên quan đến an toàn.
Trong các ngành công nghiệp chế biến, nhà máy hóa chất, nhà máy lọc dầu, cơ sở điện lực và các môi trường có rủi ro nghiêm trọng khác, các chức năng an toàn có tính xác định phải tiếp tục hoạt động theo những nguyên tắc kỹ thuật đã được thiết lập và các yêu cầu an toàn hiện hành.
AI có thể hỗ trợ giám sát, chẩn đoán, phát hiện bất thường và hỗ trợ ra quyết định, nhưng điều đó không có nghĩa là nên tự động trao cho AI quyền kiểm soát các chức năng an toàn.
Kiến trúc thực tiễn cần xác định rõ AI được phép quan sát những gì, được phép đưa ra khuyến nghị gì và những hành động nào phải tiếp tục chịu sự kiểm soát thông thường hoặc logic an toàn.
Quản lý nhà máy không cần trở thành nhà khoa học dữ liệu
Một quan niệm sai lầm khác là quản lý nhà máy đột nhiên phải trở thành chuyên gia về học máy, mô hình ngôn ngữ lớn và tác nhân AI.
Họ cần hiểu những công nghệ này có thể và không thể làm gì, nhưng chuyên môn giá trị nhất của họ vẫn là vận hành.
Quản lý nhà máy hiểu rõ các giới hạn sản xuất, ưu tiên bảo trì, năng lực của lực lượng lao động, yêu cầu chất lượng, kỳ vọng về an toàn và hậu quả tài chính của thời gian ngừng hoạt động.
Kiến thức đó cần thiết để xác định liệu ứng dụng AI có giải quyết được vấn đề thực sự quan trọng hay không.
Do đó, các nhóm triển khai hiệu quả nhất kết hợp nhiều chuyên môn: vận hành, bảo trì, kỹ thuật điều khiển, kết nối mạng IT/OT, kỹ thuật dữ liệu, an ninh mạng và chuyên gia AI.
Các dự án AI có nhiều khả năng thành công hơn khi những người xây dựng hệ thống hiểu rõ nhà máy thực sự vận hành như thế nào.
Cần Đo lường ROI Trước khi Mở rộng Triển khai
Cần thiết lập mức cơ sở trước khi triển khai một dự án AI.
Ví dụ, nếu bảo trì dự đoán nhằm giảm thời gian ngừng hoạt động, tổ chức cần xác định tần suất, thời lượng và chi phí lịch sử của các sự cố liên quan. Nếu AI được dùng để kiểm tra chất lượng, cần ghi lại tỷ lệ lỗi hiện tại và khối lượng công việc kiểm tra.
Sau khi triển khai, có thể so sánh các chỉ số tương tự với mức cơ sở.
Điều này giúp quyết định đầu tư trở nên rõ ràng hơn nhiều.
Một dự án giúp giảm 30 phút khắc phục sự cố cho mỗi lần xảy ra có thể có giá trị ở nhà máy này nhưng không đáng kể ở nhà máy khác. Tương tự, việc giảm một tỷ lệ nhỏ sản phẩm lỗi có thể mang lại cải thiện tài chính lớn trên dây chuyền sản xuất sản lượng cao.
Điều quan trọng là ROI của AI tùy thuộc vào từng nhà máy và cần được tính toán dựa trên kết quả vận hành, chứ không phải mức độ tinh vi của công nghệ.
Sự Giám sát của Con người Vẫn Quan trọng
Các quy trình sản xuất vận hành trong những giới hạn vật lý không phải lúc nào cũng có thể được thể hiện chính xác qua dữ liệu lịch sử.
Một kỹ sư giàu kinh nghiệm có thể nhận ra giá trị cảm biến bất thường là do sự cố thiết bị đo chứ không phải sự cố quy trình. Kỹ thuật viên có thể biết một máy cụ thể hoạt động khác biệt trong lúc khởi động. Người vận hành có thể hiểu một điều kiện sản xuất chưa được ghi chép đầy đủ trong cơ sở dữ liệu.
AI có thể phát hiện các xu hướng, nhưng con người cung cấp bối cảnh vận hành.
Vì lý do này, tôi cho rằng các hệ thống sản xuất hiệu quả nhất sẽ áp dụng mô hình có con người tham gia giám sát. AI phát hiện điểm bất thường, sắp xếp thông tin, đề xuất nguyên nhân có thể xảy ra hoặc ưu tiên hành động, trong khi nhân sự đủ năng lực vẫn chịu trách nhiệm về các quyết định ảnh hưởng đến hoạt động vận hành.
Giai đoạn Tiếp theo là Tích hợp, không chỉ là Tự động hóa
Thảo luận về AI trong sản xuất đang dần vượt ra khỏi phạm vi các dự án thí điểm riêng lẻ.
Thách thức tiếp theo là tích hợp: kết nối các năng lực AI với hệ thống tự động hóa hiện có, quy trình bảo trì, tài liệu kỹ thuật, hệ thống lưu trữ dữ liệu lịch sử, hệ thống quản lý tài sản và quy trình vận hành.
Việc tích hợp này đòi hỏi nhiều hơn là mua một nền tảng AI. Các nhà máy sẽ cần xác định rõ quyền sở hữu dữ liệu, chuẩn hóa thông tin, triển khai các biện pháp kiểm soát an ninh mạng, lập tài liệu quy trình làm việc và có nhân sự am hiểu cả hệ thống công nghiệp lẫn phần mềm hiện đại.
Các nhà sản xuất hưởng lợi nhiều nhất từ AI khó có thể là những đơn vị triển khai nhiều mô hình nhất. Đó sẽ là những tổ chức xác định được các vấn đề vận hành cụ thể, kết nối dữ liệu công nghiệp đáng tin cậy với những vấn đề đó, xác thực kết quả cùng nhân sự giàu kinh nghiệm và chỉ mở rộng khi đã chứng minh được giá trị có thể đo lường.
