Công nghệ ＆ Triết lý của Good Tech

Giám sát thông minh AI trong quản lý thiết bị rô-to

Cùng với sự phát triển nhanh chóng của sản xuất thông minh, độ tin cậy và tính ổn định trong vận hành thiết bị đã trở thành nền tảng quan trọng tạo nên năng lực cạnh tranh của doanh nghiệp. Đặc biệt, các thiết bị rô-to được ứng dụng rộng rãi trong ngành bán dẫn, hóa dầu và phát điện, nên tình trạng vận hành của chúng ảnh hưởng trực tiếp đến hiệu suất sản xuất và an toàn vận hành.

Tuy nhiên, các phương pháp giám sát truyền thống như bảo trì theo lịch cố định hoặc giám sát dựa trên tiêu chuẩn rung ISO thường gặp hạn chế như dữ liệu đơn lẻ và khả năng phát hiện sớm bất thường còn thấp, dẫn đến rủi ro bảo trì quá mức hoặc sự cố không được cảnh báo trước. Trước những thách thức này, Good-Tech đã kết hợp trí tuệ nhân tạo (AI), bảo trì dự đoán (PHM) và bảo trì theo độ tin cậy (RCM) để phát triển giải pháp giám sát thiết bị quay dẫn đầu trong ngành.

Mô tả ứng dụng

Mô hình giám sát AI này sử dụng cảm biến không dây để thu thập 25 đặc trưng dữ liệu, đồng thời đánh giá tình trạng sức khỏe thiết bị theo 4 cấp độ của tiêu chuẩn ISO (Tốt, Bình thường, Cảnh báo, Nguy hiểm). Các chức năng cốt lõi của AI bao gồm:

1. Đánh giá tình trạng sức khỏe: Phân tích xác suất trạng thái vận hành của thiết bị dựa trên tổ hợp các đặc trưng dữ liệu.
2. Giám sát xu hướng: Hiển thị kết quả giám sát bằng hệ thống đèn màu, hỗ trợ nhận diện sớm xu hướng bất thường hoặc suy giảm.
3. Khuyến nghị phòng ngừa: Khi phát hiện trạng thái cảnh báo hoặc nguy hiểm, hệ thống đưa ra đề xuất bảo trì hoặc sửa chữa nhằm giảm thiểu rủi ro dừng máy.

Mô tả kỹ thuật

Hiện tại, mô hình giám sát thiết bị quay bằng AI này đã được Good-Tech huấn luyện sẵn. Dữ liệu nền tảng được thu thập từ 25 đặc trưng do cảm biến không dây cung cấp. Mục tiêu dự đoán của AI là phân loại mức chất lượng của thiết bị quay, tương ứng với tiêu chuẩn ISO gồm 4 cấp độ: Tốt, Bình thường, Cảnh báo và Nguy hiểm.

Biểu đồ xu hướng của AI hiển thị các dải màu, đại diện cho xác suất mà bộ dữ liệu đặc trưng tại thời điểm đo thuộc về từng trạng thái. Thông qua tỷ lệ phân bố của các khối màu trạng thái, người dùng có thể đánh giá nhanh tình trạng sức khỏe hiện tại của điểm đo.

Giá trị rung theo trục Y được quản lý theo tiêu chuẩn rung ISO và hiển thị ở trạng thái Cảnh báo (đèn màu cam), cho thấy khuyến nghị cần lập kế hoạch bảo trì. Tuy nhiên, khi kết hợp thêm các đặc trưng rung khác và kết quả dự đoán của mô hình AI cho ra mức Bình thường hoặc Tốt, trạng thái này cho thấy thiết bị vẫn có thể vận hành ổn định.

So sánh các kết quả trên không có nghĩa là tiêu chuẩn rung ISO không chính xác, mà cho thấy tiêu chuẩn ISO được xây dựng khá nghiêm ngặt.

Nguyên nhân là do trước đây, các thiết bị áp dụng quản lý rung theo ISO chủ yếu được sử dụng trong ngành hóa dầu, phát điện và thậm chí là nhà máy điện hạt nhân. Những thiết bị này thường có giá trị cao, đồng thời nếu xảy ra hư hỏng không được cảnh báo trước sẽ tiềm ẩn rủi ro lớn về an toàn lao động. Vì vậy, dựa trên nghiên cứu dài hạn về dữ liệu lớn của nhiều loại thiết bị rô-to cùng với kinh nghiệm thực tiễn, các chuyên gia đã xây dựng tiêu chuẩn với mức đánh giá chặt chẽ hơn.

Nguyên tắc thiết lập này hoàn toàn phù hợp với mục tiêu và tinh thần của bảo trì dự đoán (PHM). Trong trường hợp so sánh hai phương pháp quản lý ở ví dụ này, có thể thấy rõ rằng khi giá trị rung theo ISO vượt ngưỡng, xu hướng trạng thái chất lượng do AI đánh giá cũng cho thấy dấu hiệu suy giảm.

Giám sát tối ưu bằng AI

Hình ảnh trên minh họa một ví dụ khác về giám sát tối ưu bằng AI. Qua việc so sánh hai mô hình giám sát, có thể nhận thấy rằng trong trường hợp hư hỏng cơ khí không thể được phát hiện thông qua vận tốc rung, mô hình AI tối ưu vẫn có khả năng nhận diện trạng thái bất thường. Trong ví dụ này, trạng thái do AI phát hiện ở giai đoạn thiết bị gặp sự cố thể hiện rõ ở mức Cảnh báo – Nguy hiểm. Sau khi thiết bị được bảo trì và đưa vào vận hành trở lại trong vòng một tháng, mặc dù giá trị rung không có sự thay đổi đáng kể, mô hình AI đã cho thấy sự chuyển đổi rõ rệt sang trạng thái Tốt sau khi sửa chữa.

Trường hợp này cho thấy rằng khi năng lực tính toán ngày càng hoàn thiện, kết hợp thêm nhiều đặc trưng rung và cơ chế thuật toán phù hợp, cùng với việc thiết kế mô hình giám sát AI hợp lý, có thể tiếp tục tối ưu các tiêu chuẩn rung vốn được xây dựng từ nghiên cứu và thống kê của các chuyên gia quốc tế, đồng thời nâng cao khả năng phát hiện sớm bất thường.

Ứng dụng PHM ＆ RCM trong quản lý thiết bị quay

Kết hợp bảo trì dự đoán (PHM) và bảo trì theo độ tin cậy (RCM):
PHM giúp dự đoán tình trạng thiết bị và cảnh báo sớm sự cố;
RCM đảm bảo thiết bị vận hành an toàn và hiệu quả về chi phí.

Ứng dụng PHM trong mô hình AI

1. Đánh giá sức khỏe ＆ xu hướng:
AI phân tích đa đặc trưng và xu hướng để định lượng tình trạng thiết bị, hiển thị trực quan giúp nhận biết sớm suy giảm.

2. Phát hiện bất thường sớm:
AI nhận diện các bất thường mà tiêu chuẩn ISO khó phát hiện, đồng thời xây dựng ngưỡng cảnh báo riêng cho từng thiết bị.

3. Học tập ＆ tối ưu liên tục:
Mô hình AI tự động học từ dữ liệu vận hành thực tế, liên tục nâng cao độ chính xác dự đoán.

4. Hỗ trợ quyết định:
Hệ thống đề xuất phương án bảo trì phù hợp, giúp tối ưu hiệu quả mà không ảnh hưởng đến sản xuất.

RCM (Bảo trì theo độ tin cậy) trong mô hình AI

RCM tập trung vào việc lựa chọn chiến lược bảo trì phù hợp nhằm nâng cao độ tin cậy thiết bị. AI hỗ trợ RCM qua các điểm chính sau:

1. Phân tích theo chức năng:
AI giám sát thiết bị dựa trên chức năng cốt lõi, đảm bảo thiết bị vận hành đúng mục tiêu (như độ rung ổn định), thay vì chỉ kiểm tra từng linh kiện riêng lẻ.

2. Nhận diện chế độ hư hỏng:
AI kết hợp nhiều đặc trưng để phân tích các mô hình hư hỏng tiềm ẩn, tránh đánh giá phiến diện và nâng cao độ chính xác dự báo.

3. Tối ưu chiến lược bảo trì:
Dựa trên mức độ sức khỏe và xu hướng, AI hỗ trợ quyết định nên bảo trì ngay hay lên lịch kiểm tra định kỳ, giúp cân bằng hiệu quả và rủi ro.

4. Cân bằng chi phí ＆ hiệu suất:
Dự báo chính xác giúp giảm bảo trì dư thừa và tránh dừng máy ngoài kế hoạch, từ đó tối ưu chi phí bảo trì tổng thể.