Cách tiếp cận mới đối với chứng nhận AI công nghiệp
TÜV SÜD và Accenture đang hợp tác để đẩy nhanh quá trình đánh giá an toàn và chuẩn bị chứng nhận cho robot vận hành bằng AI cùng các hệ thống tự động hóa công nghiệp. Được công bố tại NVIDIA GTC Berlin 2026, bộ giải pháp Physical AI Safety Suite được đề xuất kết hợp bản sao số, tác nhân AI và công nghệ mô phỏng để hỗ trợ nhà sản xuất đánh giá các hệ thống tự động sớm hơn trong quy trình kỹ thuật.
Sáng kiến này giải quyết một thách thức ngày càng lớn trong sản xuất thông minh: làm thế nào để đưa thiết bị tự hành vào môi trường sản xuất mà không ảnh hưởng đến an toàn của người lao động hoặc làm chậm tiến độ đưa vào vận hành. Theo TÜV SÜD, số hóa một phần công tác chuẩn bị chứng nhận có thể giúp các cơ sở sản xuất đi vào hoạt động sớm hơn tới 30%.
Đối với các kỹ sư công nghiệp, ý nghĩa của bước phát triển này không chỉ nằm ở việc chứng nhận nhanh hơn. Đây là dấu hiệu của một cách tiếp cận tích hợp hơn, trong đó các yếu tố an toàn trở thành một phần của thiết kế tự động hóa, quy hoạch mặt bằng và xác nhận hệ thống, thay vì chỉ là bước kiểm tra cuối cùng trước khi đưa vào vận hành.
Vì sao chứng nhận tự động hóa công nghiệp cần một quy trình khác
Robot di động tự hành (AMR), đội robot và các máy móc thông minh khác ngày càng được triển khai tại nhà máy, nhà kho, nơi con người và thiết bị tự động dùng chung không gian hoạt động. Những môi trường này đặt ra các vấn đề an toàn liên quan đến tuyến đường di chuyển, nguy cơ va chạm, khoảng cách dừng, vùng hoạt động và tương tác giữa các máy.
Các tiêu chuẩn như ISO 3691-4 quy định yêu cầu an toàn đối với xe công nghiệp không người lái và các hệ thống của chúng. Tuy nhiên, để chứng minh sự phù hợp, không chỉ cần đối chiếu từng robot riêng lẻ với quy cách kỹ thuật. Các kỹ sư còn phải xem xét môi trường vận hành, ứng dụng dự kiến và những tương tác xảy ra trong điều kiện vận hành bình thường lẫn bất thường.
Theo TÜV SÜD, các hoạt động đánh giá an toàn tại một cơ sở sản xuất quy mô vừa có thể kéo dài vài tuần. Nếu phát hiện mối nguy sau khi lắp đặt thiết bị, biện pháp khắc phục có thể bao gồm thiết kế lại mặt bằng, thay đổi quy trình làm việc, điều chỉnh thông số robot hoặc lặp lại các hoạt động xác nhận.
Đưa hoạt động đánh giá an toàn lên giai đoạn sớm hơn của dự án có thể giảm những chậm trễ có thể tránh được này. Trên thực tế, nhóm kỹ sư phát hiện xung đột giữa phạm vi chuyển động của robot và lối đi dành cho người đi bộ càng sớm thì càng dễ khắc phục trước khi vấn đề dẫn đến việc phải sửa đổi tốn kém tại nhà máy.
Bản sao số đưa đánh giá an toàn vào giai đoạn thiết kế
Bộ giải pháp An toàn AI Vật lý được đề xuất sử dụng các mô hình ảo của môi trường công nghiệp để đánh giá thiết bị và kịch bản vận hành trước khi triển khai thực tế. Các thư viện NVIDIA Omniverse, NVIDIA Cosmos và NVIDIA Isaac Sim là một phần trong nền tảng công nghệ được mô tả cho phương pháp này.
Mô phỏng số có thể giúp các nhóm kỹ thuật xem xét bố trí nhà máy, quỹ đạo robot, yêu cầu về khoảng trống và khu vực làm việc chung. Mô phỏng cũng tạo điều kiện thử nghiệm các kịch bản vận hành khó, tốn thời gian hoặc tốn kém nếu tái tạo trên dây chuyền sản xuất thực tế.
Phương pháp này có thể đặc biệt hữu ích khi một cơ sở đưa vào sử dụng nhiều AMR, thay đổi các tuyến vận chuyển vật liệu hoặc mở rộng một ô sản xuất tự động hiện có. Các kỹ sư có thể khảo sát ảnh hưởng của những thay đổi được đề xuất đến luồng giao thông và vùng an toàn trước khi quyết định lắp đặt cuối cùng.
Tuy nhiên, bản sao số chỉ hữu ích khi thông tin nền tảng đáng tin cậy. Cần có hình học chính xác, hành vi máy móc thực tế, điều kiện vận hành tiêu biểu và các giả định đã được xác thực để kết quả mô phỏng hỗ trợ những quyết định an toàn có ý nghĩa. Vì vậy, thử nghiệm ảo nên bổ trợ cho việc xác minh thực tế và đánh giá sự phù hợp chính thức, thay vì mặc nhiên thay thế chúng.
Công nghệ NVIDIA hỗ trợ đánh giá an toàn theo ba lớp
Bộ giải pháp được đề xuất tổ chức việc đánh giá an toàn theo ba lớp liên kết: môi trường cơ sở, tương tác giữa các đội robot và hành vi của từng robot. TÜV SÜD thực hiện đánh giá và bảo đảm độc lập, đồng thời vẫn chịu trách nhiệm chứng nhận.
1. Bố trí cơ sở và khu vực vận hành
Lớp đầu tiên kiểm tra môi trường vật lý nơi các hệ thống tự động hóa hoạt động. Bằng cách sử dụng các công nghệ NVIDIA Omniverse, NVIDIA Cosmos và NVIDIA Isaac Sim, các nhóm kỹ thuật có thể mô hình hóa tuyến đường, khoảng trống, khu vực vận hành và những vị trí nhân viên và máy móc có thể giao nhau.
Giai đoạn này có thể giúp phát hiện các xung đột trong thiết kế trước khi lắp đặt. Ví dụ, tuyến đường AMR được đề xuất có thể đi qua lối sang đường dành cho người đi bộ hoặc không chừa đủ khoảng trống gần một ô làm việc. Phát hiện những vấn đề này trong quá trình lập kế hoạch bố trí giúp các kỹ sư có thêm phương án khắc phục mà không làm gián đoạn sản xuất.
2. Điều phối đội robot và tương tác với con người
Lớp thứ hai xem xét cách nhiều máy tự hành tương tác với nhau, với người lao động và với cơ sở hạ tầng xung quanh.
Phương pháp được công bố kết hợp các công nghệ an toàn NVIDIA Halos và nền tảng AI biên NVIDIA IGX Thor. Camera lắp đặt trong nhà máy và các tác tử AI cũng được mô tả là hỗ trợ nhận diện sớm hơn những tình huống có khả năng gây nguy hiểm, bao gồm cả các rủi ro có thể nằm ngoài tầm quan sát của từng robot.
Từ góc độ kỹ thuật, việc đánh giá ở cấp độ đội robot rất quan trọng vì từng máy riêng lẻ an toàn không nhất thiết đảm bảo toàn bộ hệ thống hoạt động an toàn khi kết hợp. Các giao lộ ùn tắc, lộ trình xung đột, luồng di chuyển thay đổi của người đi bộ và độ trễ truyền thông có thể tạo ra rủi ro chỉ bộc lộ khi đánh giá toàn hệ thống.
Giá trị thực tiễn của lớp này sẽ phụ thuộc vào khả năng hệ thống phát hiện các mối nguy liên quan, tốc độ phản hồi và mức độ tích hợp kết quả với các chức năng an toàn máy móc hiện có.
3. Điều kiện vận hành của từng robot
Lớp thứ ba đánh giá từng robot trong các điều kiện vận hành khác nhau, bao gồm tải trọng, tốc độ di chuyển, bề mặt sàn và điều kiện chiếu sáng.
Mô phỏng cho phép kỹ sư khảo sát nhiều tình huống hơn so với những gì có thể kiểm thử thực tế. Điều này có thể giúp phát hiện hạn chế trong hành vi của robot, tinh chỉnh thông số vận hành và định hướng điều chỉnh thiết kế trước khi chốt nguyên mẫu hoặc thiết bị sản xuất.
Tuy nhiên, phạm vi mô phỏng không tự động chứng minh rằng hệ thống an toàn trong mọi điều kiện thực tế. Kết quả vẫn cần được đánh giá theo các yêu cầu hiện hành, mô hình đã được xác thực và bằng chứng cần có cho ứng dụng dự kiến.
Hợp tác này có thể mang lại điều gì cho các nhà sản xuất
TÜV SÜD ước tính rằng việc số hóa một phần công tác đánh giá và chuẩn bị chứng nhận có thể giúp các cơ sở sản xuất đi vào hoạt động sớm hơn tới 30%. Đây là kết quả tiềm năng, không phải mức rút ngắn được đảm bảo cho mọi nhà máy hoặc dự án tự động hóa.
Lợi ích thực tế sẽ phụ thuộc vào độ phức tạp của dự án, chất lượng dữ liệu kỹ thuật, mức độ hoàn thiện của các mô hình mô phỏng, phạm vi đánh giá và mức độ tích hợp công tác chuẩn bị chứng nhận vào quy trình hiện có.
Đối với các nhà sản xuất, những lợi ích tiềm năng bao gồm phát hiện mối nguy sớm hơn, giảm số lần thay đổi thiết kế ở giai đoạn cuối, kiểm thử tình huống có hệ thống hơn và phối hợp tốt hơn giữa bộ phận kỹ thuật tự động hóa với các chuyên gia an toàn.
Cách tiếp cận này có thể đặc biệt phù hợp với các cơ sở triển khai nhiều AMR, ứng dụng robot tích hợp AI hoặc điều chỉnh bố trí sản xuất trong khi vẫn duy trì hoạt động hiện có.
Lãnh đạo phụ trách chuỗi cung ứng và kỹ thuật của Accenture đã chỉ ra một điểm yếu phổ biến trong quy trình dự án truyền thống: đôi khi, các khái niệm tự động hóa chỉ được đánh giá theo tiêu chuẩn ngành sau khi thiết bị, bố trí mặt bằng và quy trình vận hành đã được thiết lập. Việc xem xét những yếu tố này từ sớm giúp đội ngũ kỹ thuật xử lý vấn đề khi việc điều chỉnh thiết kế vẫn còn tương đối đơn giản.
Góc nhìn kỹ thuật: Bằng chứng mô phỏng phải luôn có thể truy xuất
Câu hỏi quan trọng nhất không chỉ là liệu AI có thể nhận diện mối nguy tiềm ẩn trong một nhà máy ảo hay không. Mà là liệu bằng chứng do mô phỏng tạo ra có đáng tin cậy, có thể tái lập, được xem xét và đối chiếu với các yêu cầu an toàn hiện hành hay không.
Theo tôi, chứng nhận AI công nghiệp sẽ phụ thuộc vào chất lượng của chuỗi bằng chứng này không kém gì mức độ tinh vi của công nghệ mô phỏng. Một quy trình đánh giá hữu ích cần ghi lại cấu hình mô hình, giả định, kịch bản thử nghiệm, phiên bản hệ thống, mối nguy đã xác định, biện pháp khắc phục và kết quả xác minh.
Kỹ sư cũng cần phân biệt giữa phát hiện mối nguy có AI hỗ trợ và các chức năng an toàn đòi hỏi hiệu năng xác định, hành vi có thể dự đoán và quy trình xác nhận phù hợp. Tác nhân AI nhận diện nguy cơ va chạm đang hình thành có thể hỗ trợ nhận thức tình huống trong vận hành, nhưng riêng khả năng đó không chứng minh được rằng các chức năng bảo vệ của robot đáp ứng mức an toàn yêu cầu.
Sự khác biệt này rất quan trọng khi thiết bị tự hành hoạt động gần con người. Mô phỏng có thể cải thiện các quyết định thiết kế và cung cấp thêm bằng chứng, nhưng hồ sơ an toàn vẫn phải xem xét hành vi trong thực tế, các tình huống lỗi và những yêu cầu áp dụng cho toàn bộ hệ thống.
Chặng đường phía trước của Physical AI trong sản xuất
Sự hợp tác giữa TÜV SÜD và Accenture phản ánh xu hướng rộng hơn: tích hợp mô phỏng, AI và kỹ thuật an toàn vào các dự án tự động hóa công nghiệp ngay từ đầu.
Bằng cách đánh giá bố trí cơ sở, đội robot và từng máy móc trong một khuôn khổ đánh giá kết nối, bộ giải pháp Physical AI Safety Suite được đề xuất hướng đến việc hệ thống hóa hơn công tác chuẩn bị an toàn và giảm chậm trễ do các thay đổi vào giai đoạn cuối.
Lợi ích tiềm năng rất đáng kể, nhưng việc áp dụng sẽ đòi hỏi phương pháp đánh giá rõ ràng, mô hình mô phỏng có tính đại diện, bằng chứng có thể truy xuất và hoạt động xác minh thực tế phù hợp. Nhà sản xuất cũng nên xác nhận quy trình được đề xuất áp dụng như thế nào đối với thiết bị, môi trường vận hành và yêu cầu chứng nhận cụ thể của mình.
Nếu giải quyết được những yếu tố này, đánh giá an toàn dựa trên mô phỏng có thể trở thành một phần thiết thực trong quy trình kỹ thuật của các nhà máy ngày càng tự động hóa. Mục tiêu không nên là loại bỏ sự giám sát của con người khỏi quy trình chứng nhận, mà là cung cấp cho kỹ sư và chuyên gia đánh giá độc lập bằng chứng tốt hơn từ sớm, khi bằng chứng đó có thể tác động lớn nhất đến cả an toàn lẫn chi phí dự án.
