Rockwell Automation đang áp dụng AI tạo sinh vào một vấn đề thực tiễn : làm thế nào để ghi lại hàng thập kỷ kiến thức bảo trì và giúp kỹ thuật viên sử dụng ngay lập tức. Tại cơ sở sản xuất ở Singapore, Maintenance Copilot được hỗ trợ bởi AI kết hợp tài liệu máy móc, dữ liệu sản xuất và kiến thức xử lý sự cố của các kỹ sư giàu kinh nghiệm để giúp kỹ thuật viên xác định lỗi và thực hiện các hành động khắc phục có cấu trúc.
Từ Xử lý Sự cố Dựa trên Sổ tay đến Bảo trì Có Hỗ trợ Kiến thức
Việc xử lý sự cố máy móc theo cách truyền thống thường phụ thuộc vào việc kỹ thuật viên tìm đúng mã cảnh báo trong sổ tay, diễn giải các nguyên nhân có thể xảy ra, rồi quyết định trước tiên nên thử biện pháp khắc phục nào. Khi tài liệu không đầy đủ, bước tiếp theo thường là hỏi một kỹ thuật viên giàu kinh nghiệm, người từng gặp sự cố tương tự trước đây.
Quy trình này tạo ra hai hạn chế. Thứ nhất, việc xử lý sự cố có thể mất nhiều thời gian trong khi thiết bị vẫn không khả dụng. Thứ hai, phần lớn thông tin hữu ích nhất có thể chỉ tồn tại dưới dạng “kiến thức truyền miệng” do các nhân sự giàu kinh nghiệm nắm giữ.
Maintenance Copilot của Rockwell thay đổi cách truy cập thông tin này. Thay vì phải tìm kiếm thủ công qua hàng trăm trang, kỹ thuật viên có thể mô tả triệu chứng của máy bằng ngôn ngữ tự nhiên và nhận được thông tin được sắp xếp theo triệu chứng, nguyên nhân có thể xảy ra và phản ứng được khuyến nghị.
Đây là một điểm khác biệt quan trọng trong môi trường công nghiệp: giá trị của AI không chỉ nằm ở việc tạo ra văn bản. Giá trị thực tiễn của AI đến từ việc giúp truy xuất kiến thức kỹ thuật hiện có dễ dàng hơn vào thời điểm cần đưa ra quyết định bảo trì.
Ghi lại Hàng thập kỷ Kinh nghiệm Kỹ thuật
Hệ thống tại Singapore tích hợp kiến thức xử lý sự cố do các kỹ sư Rockwell giàu kinh nghiệm đóng góp, bao gồm những nhân sự có từ 20 đến 30 năm kinh nghiệm tại xưởng sản xuất.
Kiến thức đó có thể bao gồm những chi tiết khó ghi lại trong các sổ tay thông thường: những triệu chứng nào thường xuất hiện cùng nhau, những hỏng hóc linh kiện nào phổ biến, một cảnh báo cụ thể thường cho biết điều gì và các vấn đề tương tự đã được giải quyết ra sao trên những dây chuyền sản xuất khác.
Đối với các tổ chức bảo trì, điều này tạo ra một cơ chế tiềm năng để duy trì kiến thức.
Các kỹ thuật viên giàu kinh nghiệm cuối cùng sẽ nghỉ hưu hoặc chuyển sang những vai trò khác. Nếu không có phương pháp có cấu trúc để ghi lại kinh nghiệm của họ, tổ chức có thể mất đi kiến thức xử lý sự cố thực tế ngay cả khi tài liệu chính thức vẫn còn.
Một hệ thống AI không thể thay thế kinh nghiệm đó, nhưng có thể cung cấp giao diện tìm kiếm để truy cập những kiến thức đã được ghi lại và cấu trúc hóa.
Quy Trình Khắc Phục Sự Cố Có Cấu Trúc Hơn
Một khía cạnh thú vị về mặt kỹ thuật của hệ thống là cách hệ thống tổ chức thông tin bảo trì thành triệu chứng, nguyên nhân và phản ứng.
Cấu trúc này tương tự logic mà các kỹ sư bảo trì giàu kinh nghiệm đã sử dụng:
- Xác định triệu chứng quan sát được của máy.
- Xác định các nguyên nhân có khả năng xảy ra nhất.
- Kiểm tra thiết bị hoặc tín hiệu liên quan.
- Áp dụng biện pháp khắc phục phù hợp.
- Xác minh xem máy đã trở lại trạng thái vận hành như mong đợi hay chưa.
Trợ lý AI cũng có thể cung cấp các bình luận và kinh nghiệm từ những kỹ thuật viên khác, đồng thời liên kết thông tin khắc phục sự cố với các sổ tay máy móc hiện có.
Từ góc độ kỹ thuật, cách tiếp cận này hữu ích hơn so với việc coi một mô hình ngôn ngữ lớn là một cơ quan chẩn đoán độc lập. Mô hình trở thành giao diện để truy cập thông tin kỹ thuật được kiểm soát, thay vì là nguồn thông tin chính xác duy nhất.
Giảm Thời Gian Ngừng Hoạt Động Và Chi Phí Bảo Trì
Theo dữ liệu theo dõi nội bộ của Rockwell được Microsoft trích dẫn, cơ sở tại Singapore đã giảm thời gian máy móc ngừng hoạt động 33% sau khi triển khai phương pháp bảo trì. Chi phí bảo trì và phụ tùng được báo cáo là đã giảm khoảng 25%.
Các con số này nên được hiểu là kết quả nội bộ do Rockwell báo cáo, thay vì các tiêu chuẩn hiệu suất phổ quát dành cho hoạt động bảo trì dựa trên AI.
Tuy nhiên, cơ chế đằng sau sự cải thiện này có thể được giải thích về mặt kỹ thuật. Nếu kỹ thuật viên có thể xác định các nguyên nhân có khả năng xảy ra nhanh hơn, số lần khắc phục sự cố không cần thiết có thể giảm xuống. Chẩn đoán nhanh hơn cũng có thể rút ngắn thời gian thiết bị ngừng hoạt động và giúp kỹ thuật viên tránh thay thế linh kiện khi chưa có đủ bằng chứng.
Do đó, lợi ích lớn nhất có thể không đến từ chính mô hình AI, mà từ việc rút ngắn con đường giữa triệu chứng của máy -> kiến thức liên quan -> hành động kỹ thuật.
AI Cũng Có Thể Rút Ngắn Thời Gian Học Việc Của Kỹ Thuật Viên
Một ứng dụng khác là đào tạo nhân sự mới.
Rockwell cho biết các kỹ thuật viên trước đây cần khoảng chín tháng để thành thạo việc khắc phục sự cố cho hàng trăm máy móc nay có thể đạt trình độ đó trong khoảng ba tháng với sự hỗ trợ của AI.
Điều này giải quyết một thách thức phổ biến trong ngành sản xuất hiện đại: độ phức tạp của thiết bị đang gia tăng trong khi nhân sự bảo trì giàu kinh nghiệm không phải lúc nào cũng có đủ số lượng.
Đối với một kỹ thuật viên mới, trợ lý AI có thể cung cấp quyền truy cập theo ngữ cảnh vào tài liệu máy và kinh nghiệm khắc phục sự cố đã được ghi lại trước đó. Điều này không loại bỏ nhu cầu đào tạo thực hành, kiến thức về an toàn điện hoặc năng lực chuyên môn đối với từng thiết bị. Thay vào đó, công cụ này có thể giảm thời gian chỉ dành cho việc tìm kiếm thông tin.
Sự phân biệt này rất quan trọng. AI có thể đẩy nhanh việc truy cập thông tin; AI không thay thế các kỹ năng chẩn đoán thực tế.
Kết nối AI với Lớp Dữ liệu Công nghiệp
Giải pháp của Rockwell sử dụng các công nghệ Microsoft Azure, bao gồm Azure OpenAI Service, Azure AI Search cùng các khả năng về bảo mật, danh tính và quản trị của Microsoft.
Kiến trúc này minh họa một hướng đi quan trọng cho AI công nghiệp: tích hợp các mô hình ngôn ngữ với thông tin doanh nghiệp và vận hành thay vì vận hành chúng như các ứng dụng trò chuyện độc lập.
Đối với các ứng dụng bảo trì, dữ liệu hữu ích có thể đến từ nhiều nguồn:
- Sổ tay hướng dẫn máy
- Hồ sơ bảo trì
- Thông tin về cảnh báo và lỗi
- Ghi chú khắc phục sự cố của kỹ thuật viên
- Phần mềm sản xuất
- Lịch sử thiết bị
- Quan sát trên dây chuyền sản xuất
Do đó, thách thức kỹ thuật không chỉ đơn giản là lựa chọn một mô hình AI. Đó là thiết lập các nguồn dữ liệu đáng tin cậy, quyền kiểm soát truy cập, khả năng truy xuất thông tin và cơ chế quản trị xung quanh mô hình.
AI Nên Hỗ Trợ Kỹ Sư, Không Vượt Qua Các Biện Pháp Kiểm Soát Kỹ Thuật
Có một hạn chế thực tế không nên bỏ qua.
Khuyến nghị bảo trì do hệ thống AI tạo ra không nên tự động trở thành lệnh điều khiển máy. Thiết bị công nghiệp có thể liên quan đến các mối nguy về điện, năng lượng cơ học, quy trình và các chức năng được thiết bị đo an toàn bảo vệ.
Vì lý do này, việc khắc phục sự cố có sự hỗ trợ của AI phù hợp nhất khi đóng vai trò là lớp hỗ trợ ra quyết định. Kỹ thuật viên vẫn chịu trách nhiệm xác minh tình trạng thực tế của thiết bị và áp dụng các quy trình bảo trì, khóa/treo thẻ và an toàn đã được thiết lập.
Đối với các hệ thống điều khiển và an toàn quan trọng, việc tách biệt thông tin do AI tạo ra khỏi logic điều khiển mang tính xác định đặc biệt quan trọng.
AI có thể giúp trả lời:
"Tôi nên điều tra điều gì?"
Nó không nên tự mình quyết định:
"Thực hiện hành động quan trọng đối với an toàn này."
Ranh giới đó sẽ trở nên quan trọng khi các nhà sản xuất chuyển từ bảo trì có AI hỗ trợ sang hoạt động ngày càng tự chủ.
Vượt ra ngoài bảo trì: Chất lượng và vận hành dự đoán
Nhà máy tại Singapore đang sử dụng AI cho nhiều mục đích hơn là bảo trì.
Rockwell cũng mô tả một hệ thống chất lượng đa tác tử được thiết kế để phát hiện và xử lý các lỗi sản phẩm trong quá trình lắp ráp, cùng với các khả năng bảo trì dự đoán nhằm xác định những điều kiện có thể dẫn đến thời gian ngừng thiết bị ngoài kế hoạch.
Sự kết hợp này tạo nên một kiến trúc công nghiệp rộng hơn:
Dữ liệu vận hành -> phân tích AI -> nhận định kỹ thuật -> hành động của con người hoặc tự động -> phản hồi
Điều này có ý nghĩa lớn hơn việc triển khai một chatbot độc lập. Đây là sự tích hợp dần dần AI vào nhiều giai đoạn của vòng đời sản xuất.
Việc Diễn đàn Kinh tế Thế giới công nhận cơ sở tại Singapore là một Cơ sở Hải đăng Toàn cầu vào tháng 6 năm 2026 cũng đề cập đến những cải thiện như mức tăng 43% về số lượng sản phẩm trên mỗi giờ công, mức giảm 35% về lỗi và mức giảm 67% về thời gian đạt năng lực.
Những kết quả này bao gồm nhiều công nghệ và thay đổi trong vận hành, vì vậy không nên quy hoàn toàn cho trợ lý bảo trì.
Góc nhìn kỹ thuật của tôi: Chất lượng dữ liệu là nền tảng thực sự
Bài học quan trọng nhất từ dự án này không nằm ở việc lựa chọn mô hình GPT.
Đối với AI công nghiệp, dữ liệu kỹ thuật nền tảng thường quan trọng hơn giao diện hội thoại. Nếu hồ sơ bảo trì không đầy đủ, tài liệu máy móc đã lỗi thời hoặc kiến thức xử lý sự cố được cấu trúc kém, một mô hình tinh vi hơn sẽ không tự động đưa ra các quyết định bảo trì tốt hơn.
Do đó, một quá trình triển khai thành công đòi hỏi một số nền tảng:
- Thông tin thiết bị và tài sản chính xác
- Hồ sơ sự cố và bảo trì nhất quán
- Tri thức kỹ thuật có cấu trúc
- Quyền sở hữu thông tin rõ ràng
- Các biện pháp kiểm soát an ninh mạng phù hợp
- Quyền truy cập dựa trên vai trò
- Con người xác thực các khuyến nghị
- Cơ chế phản hồi để sửa thông tin không chính xác
Nói cách khác, AI cho thấy chất lượng của cơ sở tri thức công nghiệp của một tổ chức. Những công ty đã dành nhiều năm duy trì dữ liệu thiết bị sạch sẽ và hồ sơ bảo trì có kỷ luật có khả năng sở hữu nền tảng vững chắc hơn để áp dụng AI công nghiệp.
Từ Chuyên môn Cá nhân đến Tri thức Tổ chức
Giá trị sâu sắc hơn trong cách tiếp cận của Rockwell nằm ở nỗ lực biến kinh nghiệm cá nhân của kỹ thuật viên thành kiến thức của tổ chức.
Một kỹ sư giàu kinh nghiệm có thể nhận ra kiểu hỏng hóc chỉ trong vài phút vì đã gặp trường hợp đó nhiều lần. Một kỹ thuật viên mới có thể cần hàng giờ để đi đến cùng kết luận.
Nếu kinh nghiệm đó có thể được lập tài liệu, lập chỉ mục và cung cấp đúng lúc cần thiết, tổ chức sẽ bớt phụ thuộc vào một số ít cá nhân.
Điều này không làm cho các kỹ sư giàu kinh nghiệm trở nên kém quan trọng hơn. Trên thực tế, kiến thức của họ trở nên có giá trị hơn vì có thể được ghi lại và tái sử dụng trong một lực lượng kỹ thuật viên lớn hơn nhiều.
Mở rộng từ một nhà máy đến hoạt động toàn cầu
Rockwell dự định mở rộng trợ lý bảo trì đến các cơ sở sản xuất tại Twinsburg, Ohio, cũng như tại Ba Lan và Mexico.
Việc mở rộng một ứng dụng AI công nghiệp từ một nhà máy lên nhiều cơ sở sẽ tạo ra thêm các thách thức về kỹ thuật. Máy móc, quy trình, ngôn ngữ, phương pháp bảo trì và tập dữ liệu lịch sử có thể khác nhau giữa các cơ sở.
Do đó, một hệ thống có khả năng mở rộng trên toàn cầu cần có kiến trúc chung, đồng thời vẫn cho phép sử dụng kiến thức đặc thù của từng cơ sở.
Đây là lúc dữ liệu trên nền tảng đám mây, danh tính, bảo mật và các dịch vụ AI có thể tạo ra lợi thế, với điều kiện dữ liệu vận hành nền tảng vẫn được quản trị đúng cách.
Giai đoạn tiếp theo của bảo trì công nghiệp
Việc triển khai tại Singapore cho thấy một sự chuyển dịch rộng hơn trong lĩnh vực tự động hóa công nghiệp.
Các thế hệ số hóa trước đây tập trung nhiều vào việc thu thập dữ liệu máy móc. Giai đoạn tiếp theo ngày càng tập trung vào việc giúp dữ liệu đó trở nên hữu ích đối với những người phải chẩn đoán, bảo trì và vận hành thiết bị vật lý.
Các hệ thống AI công nghiệp thực tiễn nhất khó có thể thành công chỉ vì chúng tạo ra được những câu trả lời thuyết phục. Chúng sẽ thành công khi có thể kết nối điều kiện thực tế của máy móc với thông tin kỹ thuật đáng tin cậy và quy trình làm việc phù hợp với con người.
Đối với các đội ngũ bảo trì, điều đó có thể đồng nghĩa với việc dành ít thời gian hơn để tìm kiếm tài liệu hướng dẫn, tiếp cận nhanh hơn các quy trình khắc phục sự cố đã được kiểm chứng và áp dụng phương pháp nhất quán hơn đối với các lỗi lặp lại.
Cơ hội dài hạn còn rộng hơn nữa: bảo tồn kiến thức kỹ thuật, đẩy nhanh phát triển lực lượng lao động và sử dụng AI như một lớp thông tin bổ sung cho các hệ thống PLC, DCS, SCADA, MES và bảo trì hiện có.
