Ứng dụng AI trong sản xuất từ dự báo đến kiểm soát

Trong thực tế, AI thường được đặt trên nền dữ liệu từ ERP, MES, SCADA, cảm biến IIoT, hệ thống quản lý chất lượng, lịch sử bảo trì và thiết bị kiểm tra hình ảnh. Giá trị của AI không đến từ một mô hình riêng lẻ mà từ khả năng kết nối những nguồn dữ liệu này với một quyết định vận hành cụ thể, chẳng hạn nên sản xuất bao nhiêu, máy nào có nguy cơ hỏng, thông số nào đang lệch hoặc sản phẩm nào cần loại khỏi dây chuyền.

Hiệu quả vì thế cần được đánh giá bằng KPI sản xuất hiện có như OEE, thời gian dừng máy, tỷ lệ phế phẩm, năng suất, thời gian chu kỳ, mức tồn kho, tỷ lệ giao hàng đúng hạn hoặc chi phí bảo trì. AI chỉ có ý nghĩa khi cải thiện được một hoặc nhiều chỉ số đó mà không tạo thêm rủi ro vượt quá khả năng kiểm soát của nhà máy.

AI hỗ trợ dự báo nhu cầu và lập kế hoạch sản xuất

Một trong những ứng dụng đầu tiên của AI nằm trước công đoạn sản xuất trực tiếp: dự báo lượng hàng cần sản xuất và chuyển dự báo thành kế hoạch phù hợp với năng lực nhà máy.

Mô hình có thể kết hợp dữ liệu bán hàng lịch sử với mùa vụ, đơn hàng hiện tại, chương trình khuyến mại, thời gian giao nguyên liệu và những biến liên quan khác để ước lượng nhu cầu trong từng khoảng thời gian. So với cách dự báo chỉ dựa trên trung bình lịch sử, mô hình học máy có thể nhận diện các quan hệ phi tuyến và thay đổi mẫu khi có thêm dữ liệu.

Kết quả dự báo sau đó có thể hỗ trợ lập kế hoạch nguyên vật liệu, phân bổ công suất và xếp lịch sản xuất. Nếu dự báo cho thấy nhu cầu của một nhóm sản phẩm tăng nhưng một công đoạn đang trở thành nút thắt, hệ thống có thể cung cấp dữ liệu để điều chỉnh ca làm việc, thứ tự lệnh sản xuất hoặc lượng tồn kho an toàn trước khi tình trạng thiếu năng lực xảy ra.

Tuy nhiên, AI không loại bỏ sai số dự báo. Một sản phẩm mới chưa có đủ lịch sử, biến động thị trường bất thường hoặc thay đổi hành vi khách hàng có thể khiến mô hình hoạt động kém hơn. Vì vậy, doanh nghiệp nên theo dõi các chỉ số sai số như MAE, RMSE hoặc MAPE theo từng nhóm sản phẩm thay vì chỉ xem một tỷ lệ chính xác chung cho toàn bộ danh mục.

AI tối ưu lịch sản xuất và hoạt động của dây chuyền

Lập lịch trong nhà máy là bài toán có nhiều ràng buộc đồng thời: máy móc, nhân công, nguyên liệu, thời gian chuyển đổi sản phẩm, hạn giao hàng và năng lực của từng công đoạn. Khi số lượng đơn hàng và biến thể sản phẩm tăng, việc tìm một lịch sản xuất tốt bằng quy tắc thủ công trở nên khó khăn.

AI có thể phân tích trạng thái hiện tại của nhà máy và hỗ trợ lựa chọn phương án đáp ứng nhiều mục tiêu cùng lúc, chẳng hạn giảm thời gian chờ, hạn chế đổi khuôn, giảm WIP hoặc tăng tỷ lệ giao hàng đúng hạn. Khi một máy dừng bất ngờ hoặc nguyên liệu đến muộn, lịch cũng có thể được tính lại dựa trên các ràng buộc mới thay vì duy trì kế hoạch đã không còn khả thi.

Ở cấp dây chuyền, dữ liệu thời gian chu kỳ, tốc độ máy, trạng thái buffer, lỗi thiết bị và tỷ lệ phế phẩm có thể được dùng để phát hiện nút thắt. AI không nhất thiết phải trực tiếp điều khiển máy; trong nhiều trường hợp, giá trị lớn hơn nằm ở việc chỉ ra công đoạn làm giảm throughput và đề xuất vùng thông số cần xem xét.

KPI phù hợp để đánh giá kết quả gồm throughput, cycle time, thời gian chờ, WIP và OEE. OEE thường được biểu diễn bằng tích của ba thành phần Availability × Performance × Quality, vì vậy một cải thiện tại một công đoạn chưa chắc làm hiệu suất tổng thể tăng nếu tổn thất chủ yếu nằm ở thành phần khác.

AI kiểm tra chất lượng bằng thị giác máy tính

Thị giác máy tính là ứng dụng AI dễ quan sát nhất trên dây chuyền. Camera thu nhận hình ảnh sản phẩm, sau đó mô hình phân loại hoặc phát hiện các dấu hiệu như nứt, xước, thiếu chi tiết, sai vị trí lắp ráp, biến dạng hoặc sai nhãn.

Từ ảnh sản phẩm đến quyết định đạt hay lỗi

Hệ thống kiểm tra hình ảnh thường trải qua ba lớp xử lý. Trước hết phải tạo được hình ảnh ổn định bằng camera, ống kính và hệ thống chiếu sáng phù hợp. Mô hình AI tiếp tục xác định đặc trưng cần kiểm tra. Cuối cùng, kết quả được chuyển thành quyết định chấp nhận, loại bỏ hoặc đưa sản phẩm sang khu vực kiểm tra thủ công.

Điểm quan trọng là độ chính xác tổng thể không đủ để đánh giá một hệ thống kiểm tra chất lượng. Trong sản xuất, cần phân biệt false positive và false negative. False positive làm sản phẩm tốt bị loại, gây tăng phế phẩm hoặc kiểm tra lại. False negative nguy hiểm hơn khi sản phẩm lỗi bị xác nhận đạt và đi tiếp đến khách hàng.

Do đó, precision, recall, tỷ lệ bỏ sót lỗi và tỷ lệ loại nhầm cần được theo dõi theo từng loại khuyết tật. Với lỗi có hậu quả an toàn cao, ngưỡng quyết định thường phải ưu tiên khả năng phát hiện thay vì chỉ tối đa hóa tỷ lệ chính xác chung.

Điều kiện để kiểm tra bằng AI ổn định

Mô hình tốt vẫn có thể cho kết quả kém nếu môi trường chụp thay đổi. Ánh sáng, góc camera, vị trí sản phẩm, độ rung, bụi bẩn hoặc thay đổi vật liệu đều có thể làm phân phối hình ảnh khác dữ liệu huấn luyện.

Vì vậy, triển khai thị giác máy tính phải kiểm soát cả hệ thống quang học và quy trình dữ liệu. Khi nhà máy thay đổi nhà cung cấp vật liệu, mẫu bao bì hoặc thiết kế sản phẩm, mô hình cần được kiểm tra lại trước khi tiếp tục sử dụng như một bộ kiểm soát chất lượng tự động.

AI dự báo hỏng hóc để bảo trì thiết bị

Bảo trì dự đoán sử dụng dữ liệu tình trạng thiết bị để ước lượng khả năng xuất hiện lỗi trước khi máy dừng hoàn toàn. Nguồn dữ liệu có thể gồm độ rung, nhiệt độ, dòng điện, áp suất, âm thanh, tốc độ quay, thời gian vận hành và lịch sử sự cố.

Mô hình có thể thực hiện hai nhiệm vụ khác nhau. Với thiết bị đã có dữ liệu lỗi tương đối đầy đủ, AI có thể học những mẫu thường xuất hiện trước từng dạng hỏng. Khi dữ liệu lỗi ít, phương pháp phát hiện bất thường thường phù hợp hơn: hệ thống xây dựng vùng vận hành bình thường và cảnh báo khi tín hiệu bắt đầu lệch khỏi vùng đó.

Giá trị của cảnh báo nằm ở khoảng thời gian hành động. Nếu hệ thống chỉ phát hiện lỗi vài giây trước khi máy dừng, khả năng hỗ trợ bảo trì rất hạn chế. Nếu cảnh báo quá sớm nhưng độ tin cậy thấp, đội bảo trì lại phải xử lý nhiều báo động giả. Vì vậy, các KPI cần bao gồm thời gian cảnh báo trước sự cố, tỷ lệ phát hiện đúng, tỷ lệ báo động giả, downtime ngoài kế hoạch, MTBF và MTTR.

AI cũng không thay thế chiến lược bảo trì của mọi loại tài sản. Với linh kiện có giá thấp, thay nhanh và ít ảnh hưởng đến sản xuất, bảo trì dự đoán có thể tốn nhiều hơn lợi ích thu được. Nó phù hợp hơn với thiết bị có chi phí dừng máy đáng kể, có trạng thái suy giảm đo được và có đủ thời gian để can thiệp sau cảnh báo.

AI phát hiện bất thường trong quy trình sản xuất

Không phải mọi vấn đề đều bắt đầu bằng một máy hỏng. Sản phẩm có thể lệch chất lượng do nhiều biến công nghệ thay đổi đồng thời trong khi từng biến riêng lẻ vẫn nằm trong giới hạn cho phép.

AI có thể phân tích nhiều tín hiệu như nhiệt độ, áp suất, tốc độ, độ ẩm, lưu lượng hoặc thông số nguyên liệu để nhận diện mẫu vận hành khác thường. Cách tiếp cận này hữu ích khi quan hệ giữa các biến quá phức tạp để mô tả bằng một ngưỡng đơn biến.

Ví dụ, nhiệt độ và áp suất riêng lẻ đều có thể nằm trong giới hạn kiểm soát nhưng tổ hợp của chúng lại khác đáng kể so với các mẻ đạt chất lượng trước đó. Mô hình bất thường có thể cảnh báo sự dịch chuyển này để kỹ sư kiểm tra trước khi tỷ lệ lỗi tăng mạnh.

Cảnh báo AI không nên mặc định được xem là bằng chứng rằng quá trình đã mất kiểm soát. Một chế độ sản xuất mới, nguyên liệu mới hoặc công thức được thay đổi có chủ đích cũng có thể bị mô hình cũ đánh dấu bất thường. Hệ thống vì thế cần liên kết cảnh báo với bối cảnh vận hành và quy trình xác nhận của con người.

AI giúp tối ưu thông số công nghệ và chất lượng đầu ra

Khi dữ liệu quá trình và kết quả chất lượng được lưu đủ chi tiết, AI có thể học quan hệ giữa thông số đầu vào với chất lượng đầu ra. Điều này giúp kỹ sư xác định vùng vận hành có khả năng tạo kết quả tốt thay vì chỉ xử lý lỗi sau khi sản phẩm đã hoàn thành.

Chẳng hạn, mô hình có thể ước lượng chất lượng dựa trên tốc độ, nhiệt độ, thời gian xử lý và đặc tính nguyên liệu. Nếu dự báo cho thấy nguy cơ lệch chuẩn tăng, hệ thống có thể cảnh báo hoặc đề xuất điều chỉnh trong giới hạn đã được phê duyệt.

Ứng dụng này khác với việc để AI tự do thay đổi thông số máy. Trong môi trường sản xuất, giới hạn kỹ thuật, yêu cầu an toàn, tiêu chuẩn chất lượng và khả năng truy xuất phải được đặt cao hơn mục tiêu tối ưu của mô hình. Một điểm vận hành cho năng suất cao nhất không phải lúc nào cũng là điểm phù hợp nếu nó làm giảm biên an toàn hoặc tăng biến động chất lượng.

Với các quá trình quan trọng, mô hình nên hoạt động trong phạm vi thông số đã được kỹ sư xác nhận. Những đề xuất nằm ngoài vùng đó cần qua bước thẩm định thay vì được gửi trực tiếp xuống bộ điều khiển.

AI hỗ trợ quản lý năng lượng trong nhà máy

Điện, khí nén, hơi, nước lạnh và nhiệt thường biến động theo tải sản xuất. AI có thể kết hợp dữ liệu tiêu thụ với kế hoạch sản xuất, trạng thái máy và điều kiện vận hành để nhận biết mức tiêu thụ bất thường hoặc dự báo nhu cầu năng lượng.

Thay vì chỉ nhìn tổng số kWh của nhà máy, doanh nghiệp có thể theo dõi mức tiêu thụ trên một đơn vị sản phẩm, theo máy hoặc theo công đoạn. Khi sản lượng không đổi nhưng năng lượng trên mỗi sản phẩm tăng, dữ liệu có thể chỉ ra thiết bị chạy không tải, rò rỉ, hiệu suất suy giảm hoặc chế độ vận hành chưa phù hợp.

AI tạo giá trị khi kết quả phân tích dẫn đến hành động có thể đo lường. Nếu chỉ đưa ra biểu đồ dự báo nhưng không xác định được tải nào có thể dịch chuyển, thiết bị nào cần kiểm tra hoặc chế độ nào cần thay đổi, hệ thống chưa tạo ra tác động vận hành rõ ràng.

AI hỗ trợ robot và tự động hóa linh hoạt

Robot công nghiệp truyền thống thực hiện tốt các thao tác lặp lại trong môi trường được chuẩn hóa. AI mở rộng khả năng này khi robot phải nhận biết vật thể, xác định vị trí, lựa chọn cách gắp hoặc phản ứng với sự biến thiên của môi trường.

Thị giác máy tính có thể giúp robot nhận dạng chi tiết nằm ở những vị trí khác nhau thay vì yêu cầu chúng luôn được đặt trong một đồ gá cố định. Với các ứng dụng phân loại, đóng gói hoặc pick-and-place, điều đó làm tăng tính linh hoạt khi nhà máy sản xuất nhiều biến thể.

Tuy nhiên, AI không thay thế các lớp an toàn của hệ thống robot. Chức năng nhận biết bằng AI có độ bất định và có thể suy giảm khi môi trường thay đổi, trong khi các chức năng liên quan đến bảo vệ con người cần dựa trên kiến trúc an toàn đã được thiết kế, đánh giá rủi ro và xác nhận phù hợp.

AI có thể hỗ trợ chuỗi cung ứng gắn với hoạt động sản xuất

Nhà máy không vận hành độc lập với nguyên vật liệu và logistics. Khi thời gian giao linh kiện thay đổi hoặc nhà cung cấp gặp gián đoạn, tác động có thể lan trực tiếp tới lịch sản xuất.

AI có thể kết hợp tồn kho, mức tiêu thụ, lead time, đơn mua hàng và kế hoạch sản xuất để dự báo nguy cơ thiếu vật tư. Thông tin này giúp bộ phận kế hoạch xác định linh kiện nào cần ưu tiên xử lý thay vì phản ứng khi dây chuyền đã phải dừng.

Giá trị quyết định nằm ở mức độ cụ thể của cảnh báo. “Có nguy cơ thiếu nguyên liệu” ít hữu ích hơn việc xác định mã vật tư, thời điểm dự kiến thiếu, lệnh sản xuất bị ảnh hưởng và lượng bổ sung cần thiết. Đây cũng là lý do AI cần được tích hợp với dữ liệu ERP, kho và kế hoạch thay vì hoạt động như một mô hình phân tích độc lập.

AI tạo giá trị khi được tích hợp với hệ thống sản xuất hiện hữu

Một mô hình có độ chính xác cao trong môi trường thử nghiệm chưa đồng nghĩa với một hệ thống AI có giá trị trong nhà máy. Để tạo tác động, đầu ra của mô hình phải đến đúng người hoặc đúng hệ thống tại thời điểm còn khả năng hành động.

Dữ liệu cảm biến thường đi qua PLC, SCADA hoặc nền tảng IIoT; dữ liệu lệnh sản xuất nằm trong MES; vật tư và kế hoạch kinh doanh thường nằm trong ERP. AI cần lấy đúng dữ liệu từ những hệ thống này và trả kết quả về quy trình thực tế, chẳng hạn tạo cảnh báo bảo trì, giữ một lô để kiểm tra hoặc đề xuất thay đổi lịch sản xuất.

Độ trễ cũng là một ràng buộc quan trọng. Kiểm tra lỗi trên dây chuyền tốc độ cao có thể yêu cầu suy luận gần thời gian thực tại edge, trong khi dự báo nhu cầu theo tuần có thể chạy theo lô trên hạ tầng đám mây. Kiến trúc phù hợp vì vậy phụ thuộc vào thời gian phản hồi mà quyết định sản xuất cho phép.

Chất lượng dữ liệu quyết định giới hạn của AI trong sản xuất

AI không tự khắc phục được dữ liệu đo sai, thiếu ngữ cảnh hoặc không đồng bộ. Một cảm biến bị lệch chuẩn sẽ tạo dữ liệu rất nhất quán nhưng sai về mặt vật lý; mô hình học từ nguồn đó có thể tiếp tục đưa ra kết quả sai với độ tin cậy cao.

Dữ liệu sản xuất còn có vấn đề về thời gian. Nếu tín hiệu máy, dữ liệu chất lượng và mã lô không được đồng bộ, mô hình có thể gán lỗi của một sản phẩm cho điều kiện vận hành của sản phẩm khác. Sai lệch này làm hỏng mối quan hệ giữa đầu vào và kết quả ngay từ tập huấn luyện.

Trước khi triển khai AI, doanh nghiệp cần kiểm tra tối thiểu tính đầy đủ, độ chính xác, timestamp, khả năng truy xuất theo lô hoặc thiết bị và tính nhất quán của mã dữ liệu. Với mô hình dự báo lỗi, dữ liệu về lần sửa chữa và nguyên nhân hỏng cũng phải đủ tin cậy; nếu mọi lần dừng máy đều được ghi chung là “sự cố”, mô hình khó học được từng chế độ hỏng cụ thể.

Không nên đánh giá AI chỉ bằng độ chính xác của mô hình

Trong phòng thử nghiệm, một mô hình thường được đánh giá bằng accuracy, precision, recall, F1-score, MAE hoặc các chỉ số thống kê khác. Trong nhà máy, các chỉ số đó mới chỉ phản ánh chất lượng dự đoán.

Một mô hình có độ chính xác thấp hơn một chút vẫn có thể tạo giá trị lớn hơn nếu cảnh báo đủ sớm, ít gây gián đoạn và tập trung đúng vào những lỗi có chi phí cao. Ngược lại, mô hình có accuracy rất cao nhưng bỏ sót một nhóm lỗi nghiêm trọng có thể không đáp ứng mục tiêu chất lượng.

Đánh giá vì thế cần hai tầng. Tầng thứ nhất đo chất lượng mô hình. Tầng thứ hai đo tác động sản xuất bằng downtime, phế phẩm, throughput, OEE, chi phí bảo trì, mức tồn kho hoặc năng lượng trên một đơn vị sản phẩm. Chỉ khi hai tầng này được kết nối mới có thể xác định AI thực sự cải thiện vận hành hay chỉ tạo ra thêm một hệ thống phân tích.

Những điều kiện cần có trước khi triển khai AI trong nhà máy

Doanh nghiệp không nhất thiết phải bắt đầu bằng một dự án AI quy mô lớn. Cách triển khai thực tế hơn là chọn một vấn đề có giá trị kinh tế rõ, có dữ liệu đủ tốt và có KPI trước–sau có thể đo được.

Một use case phù hợp thường có bốn đặc điểm:

·         Có vấn đề hoặc quyết định được xác định rõ

·         Có dữ liệu liên quan và khả năng truy xuất nguồn dữ liệu

·         Có KPI để đo hiệu quả trước và sau triển khai

·         Có quy trình hành động khi mô hình tạo cảnh báo hoặc khuyến nghị

Sau đó mới cần lựa chọn mô hình, hạ tầng edge hoặc cloud, cách tích hợp với MES/ERP/SCADA và cơ chế giám sát. Khi mô hình đi vào vận hành, hiệu suất cũng cần được theo dõi theo thời gian vì thiết bị, nguyên liệu và quy trình có thể thay đổi, làm dữ liệu thực tế khác dần dữ liệu ban đầu.

Với các quyết định ảnh hưởng đến an toàn, chất lượng hoặc tài sản quan trọng, AI nên nằm trong một cơ chế kiểm soát rõ ràng: xác định ai chịu trách nhiệm, trường hợp nào được tự động thực hiện, trường hợp nào cần con người phê duyệt và cách quay về chế độ an toàn khi dữ liệu hoặc mô hình gặp vấn đề.

AI trong sản xuất có thể tham gia từ khâu dự báo và lập kế hoạch đến tối ưu dây chuyền, kiểm tra chất lượng, phát hiện bất thường, bảo trì dự đoán, quản lý năng lượng và robot thông minh. Cơ chế chung là chuyển dữ liệu vận hành thành dự báo hoặc quyết định có thể hành động sớm hơn so với cách phản ứng sau sự cố.

Giá trị thực tế không nằm ở việc nhà máy sử dụng bao nhiêu mô hình AI mà ở mức cải thiện của các KPI sản xuất. Dự án hiệu quả cần bắt đầu từ vấn đề cụ thể, dùng dữ liệu đủ tin cậy, gắn đầu ra mô hình với quy trình vận hành và duy trì giới hạn kiểm soát phù hợp. Khi các điều kiện đó được đáp ứng, AI trở thành một lớp hỗ trợ quyết định cho hệ thống sản xuất thay vì chỉ là công cụ phân tích dữ liệu.

AI trong sản xuất có thay thế hoàn toàn con người không?

Không. AI phù hợp với các nhiệm vụ nhận dạng mẫu, dự báo và tối ưu trên lượng dữ liệu lớn, nhưng con người vẫn cần xử lý ngoại lệ, xác nhận các quyết định quan trọng và chịu trách nhiệm đối với an toàn, chất lượng cũng như thay đổi quy trình.

Nhà máy nhỏ có thể ứng dụng AI không?

Có, nếu chọn bài toán đủ hẹp và có dữ liệu phù hợp. Một hệ thống kiểm tra hình ảnh tại một công đoạn hoặc giám sát một thiết bị quan trọng có thể thực tế hơn việc xây dựng ngay một nền tảng AI cho toàn bộ nhà máy.

Cần có nhiều dữ liệu mới triển khai được AI không?

Không phải mọi bài toán đều cần cùng một lượng dữ liệu. Yêu cầu phụ thuộc vào độ phức tạp của nhiệm vụ, số trạng thái cần nhận biết và chất lượng dữ liệu. Với lỗi hiếm, dữ liệu gắn nhãn thường là trở ngại lớn hơn tổng số bản ghi.

Nên bắt đầu AI trong sản xuất từ đâu?

Nên bắt đầu từ một pain point có KPI rõ như downtime, phế phẩm, thời gian kiểm tra hoặc sai số dự báo. Sau đó xác định dữ liệu hiện có, xây baseline, thử nghiệm trên phạm vi nhỏ và chỉ mở rộng khi tác động vận hành đã được chứng minh.