Bảo trì dự đoán bằng AI cho nhà máy: Lộ trình triển khai thực tế

Bảo trì dự đoán bằng AI giúp nhà máy nhận biết dấu hiệu suy giảm của thiết bị trước khi xảy ra dừng máy ngoài kế hoạch. Mô hình phân tích dữ liệu rung, nhiệt, dòng điện, áp suất và lịch sử sửa chữa để ưu tiên công việc bảo trì theo rủi ro thực tế.

Bảo trì dự đoán bằng AI là gì?

Đây là phương pháp dùng mô hình học máy để phát hiện xu hướng bất thường và ước tính khả năng hỏng hóc. Khác với bảo trì sửa chữa sau sự cố hoặc bảo trì định kỳ theo lịch, AI hỗ trợ đội TPM chọn đúng thiết bị, đúng thời điểm và đúng mức độ can thiệp.

Dữ liệu cần chuẩn bị

• Dữ liệu tài sản: mã máy, vị trí, thông số kỹ thuật và mức độ quan trọng.
• Dữ liệu cảm biến: rung, nhiệt, áp suất, dòng điện hoặc âm thanh theo thời gian.
• Lịch sử sự cố: mã lỗi, nguyên nhân, thời gian dừng, vật tư và hành động khắc phục.
• Lịch bảo trì: công việc đã làm, người thực hiện và kết quả nghiệm thu.

Dữ liệu không cần hoàn hảo ngay từ đầu. Quan trọng là thống nhất mã thiết bị và cách ghi nhận sự cố trong Apps Store hoặc hệ thống LeanERP.

Lộ trình triển khai AI cho bảo trì

1. Xếp hạng tài sản quan trọng

Đánh giá ảnh hưởng của thiết bị đến an toàn, chất lượng, giao hàng và chi phí. Chọn một nhóm máy có dữ liệu đủ và tác động rõ.

2. Xây đường cơ sở

Đo MTBF, MTTR, số lần dừng ngoài kế hoạch và chi phí bảo trì trước khi dùng mô hình. Đây là mốc so sánh để tránh đánh giá AI bằng cảm tính.

3. Kết hợp cảnh báo với quy trình CMMS

Mỗi cảnh báo phải dẫn tới một hành động: kiểm tra, đo xác nhận, tạo work order hoặc theo dõi thêm. Không nên gửi cảnh báo liên tục mà không có người chịu trách nhiệm.

4. Học từ phản hồi hiện trường

Ghi nhận cảnh báo đúng, cảnh báo giả và kết quả kiểm tra để cải thiện mô hình. Kỹ thuật viên là nguồn tri thức quan trọng để giải thích dữ liệu.

KPI đánh giá hiệu quả

Các chỉ số nên theo dõi gồm giảm giờ dừng ngoài kế hoạch, tăng MTBF, giảm MTTR, tỷ lệ cảnh báo đúng, chi phí phụ tùng và tỷ lệ hoàn thành công việc đúng hạn. Kết quả cần được xem cùng chất lượng, an toàn và năng suất thay vì chỉ tối ưu một chỉ số.

Câu hỏi thường gặp

Có cần lắp cảm biến cho toàn bộ nhà máy không?

Không. Nên bắt đầu với thiết bị quan trọng, rủi ro cao và có thể đo được. Dữ liệu CMMS và lịch sử sửa chữa cũng là nền tảng hữu ích.

AI có tự quyết định sửa máy không?

AI đưa ra cảnh báo và mức độ ưu tiên; quyết định cuối cùng thuộc về đội bảo trì sau khi xác minh an toàn và hiện trạng thiết bị.

Bảo trì dự đoán liên quan gì đến TPM?

AI tăng chất lượng thông tin cho các trụ cột TPM, đặc biệt bảo trì có kế hoạch, bảo trì tự quản và cải tiến có trọng điểm. Có thể kết hợp đào tạo từ Lean Sigma Việt Nam và tư vấn triển khai từ CiCC.