From Industrial AI Pilots to Real Business Value: How ABB Is Connecting Predictive AI and IoT

Từ các dự án thí điểm AI công nghiệp đến giá trị kinh doanh thực tế: ABB kết nối AI dự đoán và IoT như thế nào

Trí tuệ nhân tạo công nghiệp đang vượt ra ngoài các ứng dụng thử nghiệm và trở thành một phần trong hoạt động sản xuất và vận hành quy trình hằng ngày. Tuy nhiên, để đạt được lợi ích có thể đo lường được, cần nhiều hơn việc lắp đặt cảm biến kết nối hoặc triển khai thuật toán dự đoán. Điều này phụ thuộc vào việc tích hợp dữ liệu vận hành, kiến thức kỹ thuật, hệ thống tự động hóa và quá trình ra quyết định của con người vào một hạ tầng số đồng bộ.

Rajesh Ramachandran, Giám đốc Kỹ thuật số Toàn cầu thuộc mảng kinh doanh Tự động hóa của ABB, tin rằng kết hợp các công nghệ Internet vạn vật công nghiệp (IIoT) với AI dự đoán có thể giúp các nhà sản xuất cải thiện độ tin cậy của tài sản, tối ưu hóa mức tiêu thụ năng lượng và hướng tới các hoạt động ngày càng tự chủ.

Góc nhìn của ông làm nổi bật một thách thức quan trọng đối với các công ty công nghiệp: biến khối lượng lớn dữ liệu vận hành thành các quyết định mang lại cải thiện có thể đo lường được.

1. AI công nghiệp và IoT: Vượt ra ngoài việc thu thập dữ liệu

Internet vạn vật công nghiệp đã trở thành động lực chính thúc đẩy chuyển đổi số. Cảm biến kết nối, thiết bị đo thông minh và hệ thống điều khiển kết nối mạng cho phép các nhà sản xuất liên tục thu thập thông tin vận hành. Trong khi đó, AI dự đoán cung cấp năng lực phân tích cần thiết để xác định các khuôn mẫu, phát hiện tình trạng bất thường và dự báo khả năng thiết bị gặp sự cố.

Các công nghệ này phục vụ những mục đích khác nhau nhưng bổ trợ cho nhau. IoT cung cấp khả năng quan sát thiết bị và quy trình vật lý, trong khi AI phân tích thông tin đã thu thập và xác định các rủi ro vận hành tiềm ẩn.

Tuy nhiên, thu thập thêm dữ liệu không tự động cải thiện hiệu suất công nghiệp. Số đo độ rung hoặc nhiệt độ có giá trị thực tiễn hạn chế nếu không hiểu rõ điều kiện vận hành, lịch sử bảo trì và giới hạn kỹ thuật của thiết bị.

Theo tôi, giai đoạn tiếp theo của quá trình số hóa công nghiệp nên tập trung ít hơn vào việc tăng khối lượng dữ liệu thu thập và nhiều hơn vào việc nâng cao mức độ phù hợp về kỹ thuật của dữ liệu. Một lượng thông tin nhỏ hơn nhưng được đặt trong bối cảnh đầy đủ có thể hỗ trợ các quyết định bảo trì tốt hơn hàng triệu số liệu cảm biến rời rạc.

2. Chất lượng dữ liệu và bối cảnh kỹ thuật quyết định hiệu suất AI

Theo Ramachandran, một chiến lược AI dự đoán thành công nên bắt đầu từ một vấn đề kinh doanh được xác định rõ ràng.

Các công ty công nghiệp cần xác định họ muốn dự đoán điều gì, cần cảnh báo sớm đến mức nào và quyết định vận hành nào sẽ được hưởng lợi từ dự đoán đó.

Cách tiếp cận này đặt yêu cầu kỹ thuật lên trước việc lựa chọn công nghệ.

Để các mô hình dự đoán đưa ra kết quả hữu ích, cần kết nối thông tin từ nhiều nguồn, bao gồm:

  • Công nghệ vận hành (OT): Các phép đo thời gian thực từ cảm biến, PLC, nền tảng DCS và các hệ thống điều khiển khác.
  • Công nghệ thông tin (IT): Thông tin doanh nghiệp, hồ sơ sản xuất và dữ liệu vận hành liên quan đến hoạt động kinh doanh.
  • Công nghệ kỹ thuật (ET): Thông số kỹ thuật thiết bị, kiến thức về quy trình, giới hạn vận hành và tài liệu kỹ thuật.
  • Hồ sơ bảo trì: Lịch sử bảo dưỡng thiết bị, kết quả kiểm tra, báo cáo sự cố và các biện pháp khắc phục đã thực hiện trước đây.

Việc tích hợp OT, IT và ET giúp hiểu rõ hơn về hoạt động của thiết bị.

Ví dụ, độ rung của động cơ tăng đột ngột có thể báo hiệu sự cố cơ khí đang phát sinh. Tuy nhiên, cách diễn giải sẽ thay đổi tùy theo tốc độ động cơ, điều kiện tải, lịch sử ổ trục và các hoạt động bảo trì gần đây.

Đây là lý do AI công nghiệp đòi hỏi nhiều hơn khoa học dữ liệu. Kiến thức kỹ thuật cung cấp bối cảnh để biến kết quả phân tích thành thông tin vận hành có ý nghĩa.

3. Tích hợp AI dự đoán vào các hệ thống công nghiệp hiện có

Một trong những trở ngại lớn nhất đối với việc ứng dụng AI trong công nghiệp không nhất thiết là phát triển mô hình. Đó là tích hợp thông tin chuyên sâu do AI tạo ra vào quy trình vận hành hiện có.

Mô hình dự đoán có thể xác định tình trạng bất thường với độ chính xác cao, nhưng giá trị của mô hình vẫn hạn chế nếu nhóm bảo trì không nhận được thông tin kịp thời hoặc không thể xác định cần thực hiện hành động nào.

Ramachandran nhấn mạnh rằng các giải pháp AI phải tích hợp an toàn với các hệ thống hiện có và xác định rõ trách nhiệm thực hiện theo các đề xuất của chúng.

Đối với các cơ sở công nghiệp, cần lưu ý một số yếu tố thực tiễn:

  • Tích hợp với cơ sở hạ tầng tự động hóa và giám sát hiện có.
  • Giao tiếp bảo mật giữa các hệ thống vận hành và doanh nghiệp.
  • Quyền truy cập phù hợp vào dữ liệu thiết bị theo thời gian thực và dữ liệu lịch sử.
  • Quy trình ưu tiên cảnh báo và thông báo bảo trì rõ ràng.
  • Xác định rõ trách nhiệm xem xét và phê duyệt các đề xuất của AI.
  • Đánh giá liên tục hiệu suất của mô hình và kết quả vận hành.

Từ góc độ kỹ thuật tự động hóa, AI nên bổ trợ cho các kiến trúc điều khiển và bảo vệ hiện có thay vì khiến chúng phức tạp không cần thiết.

Phân tích dự đoán có thể hỗ trợ lập kế hoạch bảo trì và tối ưu hóa vận hành, nhưng các chức năng điều khiển liên quan đến an toàn và cơ chế bảo vệ trọng yếu phải giữ nguyên ranh giới kỹ thuật đã được thiết lập.

4. ABB Genix: Xây dựng nền tảng AIoT công nghiệp

ABB đang giải quyết những thách thức về tích hợp này thông qua nền tảng IoT công nghiệp và AI ABB Genix.

Nền tảng được thiết kế để kết nối dữ liệu công nghiệp, cung cấp ngữ cảnh cho thông tin và ứng dụng phân tích trên nhiều lớp vận hành khác nhau. Nền tảng giúp các tổ chức nâng cao hiệu suất, độ tin cậy của tài sản và tính bền vững thông qua việc sử dụng thông tin công nghiệp một cách đồng bộ hơn.

Cách tiếp cận dựa trên nền tảng đặc biệt phù hợp với các cơ sở công nghiệp lớn, nơi thiết bị, hệ thống điều khiển và ứng dụng bảo trì thường hoạt động trong những môi trường thông tin riêng biệt.

Thay vì triển khai các ứng dụng AI riêng lẻ cho từng máy móc, các nhà sản xuất có thể hướng tới một kiến trúc tích hợp hơn, hỗ trợ thu thập, tích hợp, phân tích và tối ưu hóa dữ liệu.

Điều này cũng tạo cơ hội mở rộng các ứng dụng thành công sang nhiều dây chuyền sản xuất và cơ sở khác nhau.

Tuy nhiên, chỉ triển khai nền tảng không đảm bảo cải thiện vận hành. Quản trị dữ liệu, tích hợp hệ thống, kiểm định kỹ thuật và mức độ ứng dụng của lực lượng lao động vẫn là những phần cần thiết trong quá trình triển khai.

5. Thoát khỏi bế tắc thí điểm: Mở rộng AI trong toàn bộ hoạt động công nghiệp

Nhiều nhà sản xuất đã chứng minh thành công hiệu quả của các ứng dụng AI trên từng máy móc hoặc quy trình sản xuất riêng lẻ. Nhiệm vụ khó hơn là mở rộng những kết quả đó trên toàn bộ nhà máy hoặc doanh nghiệp.

Tình trạng này thường được gọi là bế tắc thí điểm: các dự án số đầy hứa hẹn vẫn chỉ là những thử nghiệm riêng lẻ thay vì trở thành năng lực vận hành vững chắc.

Ramachandran xác định vai trò lãnh đạo tổ chức là yếu tố quan trọng để khắc phục vấn đề này. Các công ty cần có mục tiêu kinh doanh rõ ràng, hạ tầng số phù hợp và sự hợp tác giữa các nhóm công nghệ với nhân sự vận hành.

Trên thực tế, để mở rộng AI công nghiệp, các tổ chức cần giải quyết một số thách thức:

  • Các kho dữ liệu riêng lẻ: Thông tin cần được truy cập trên các hệ thống vận hành và kinh doanh có liên quan.
  • Hạ tầng cũ: Có thể cần lập kế hoạch tích hợp cẩn thận cho các môi trường PLC, DCS, SCADA và quản lý tài sản hiện có.
  • Mức độ ứng dụng của lực lượng lao động: Các kỹ sư và nhân viên bảo trì cần hiểu cách các đề xuất của AI nên tác động đến công việc của họ.
  • Trách nhiệm vận hành: Mỗi ứng dụng AI cần có người chịu trách nhiệm rõ ràng trong việc xem xét kết quả và khởi động các hành động cần thiết.
  • Chiến lược triển khai: Nên mở rộng các ứng dụng thành công dựa trên giá trị vận hành đã được chứng minh, thay vì chỉ dựa vào mức độ sẵn có của công nghệ.

Tôi cho rằng các nhà sản xuất nên tránh coi việc ứng dụng AI là cuộc đua tự động hóa mọi quy trình. Một chiến lược thiết thực hơn là xác định các vấn đề vận hành thường xuyên xảy ra, kiểm chứng giải pháp trong môi trường được kiểm soát và chỉ mở rộng ứng dụng khi có thể chứng minh được lợi ích của chúng.

6. Đo lường ROI của AI công nghiệp thông qua hiệu suất vận hành

Trong các ứng dụng công nghiệp, không nên chỉ đánh giá hiệu suất AI qua độ chính xác của mô hình.

Một thuật toán ấn tượng về mặt kỹ thuật không nhất thiết tạo ra giá trị kinh doanh. Đóng góp của thuật toán phải được thể hiện qua những cải thiện có thể đo lường, chẳng hạn như khả năng sẵn sàng của thiết bị, sản lượng, chi phí bảo trì, mức tiêu thụ năng lượng và an toàn vận hành.

Một điểm khởi đầu hữu ích là thiết lập đường cơ sở vận hành trước khi triển khai AI dự báo.

Ví dụ, nếu hệ thống bảo trì dự báo đưa ra cảnh báo đủ sớm để ngăn thiết bị ngừng hoạt động đột xuất, lợi ích tài chính có thể được đánh giá dựa trên tổn thất sản xuất tránh được, chi phí bảo trì khẩn cấp và thiệt hại tiềm ẩn đối với thiết bị thứ cấp.

ABB đã nêu bật một ứng dụng phát hiện bất thường đa biến trong giải pháp Genix Asset Performance Management của hãng.

Theo Ramachandran, các ứng dụng gần đây tại khách hàng đã xác định được nguy cơ hỏng hóc thiết bị từ sáu đến mười ngày trước khi sự cố xảy ra. Khoảng thời gian cảnh báo này có thể giúp các nhóm bảo trì có thêm thời gian điều tra những điều kiện bất thường và sắp xếp các biện pháp can thiệp khắc phục.

Tuy nhiên, cần đánh giá cẩn thận chất lượng dự báo.

Cảnh báo sai có thể dẫn đến các cuộc kiểm tra và hoạt động bảo trì không cần thiết, trong khi những cảnh báo bị bỏ sót có thể khiến thiết bị sản xuất đối mặt với rủi ro vận hành đáng kể.

Vì lý do này, hiệu suất của AI công nghiệp cần được đánh giá dựa trên cả các chỉ số kỹ thuật lẫn kết quả bảo trì thực tế.

7. Phân tích dự báo, trí tuệ đề xuất và bản sao số

AI công nghiệp đang dần vượt ra khỏi việc xác định điều gì có thể xảy ra, hướng tới giải thích vì sao một sự kiện có khả năng xảy ra và đề xuất bước tiếp theo cần thực hiện.

Phân tích dự báo xác định các điều kiện có thể xảy ra trong tương lai. Phân tích đề xuất đánh giá các phương án ứng phó, trong khi phân tích nhân quả có thể giúp tìm hiểu những yếu tố nền tảng góp phần gây ra hành vi bất thường.

Bản sao số mở rộng những năng lực này bằng cách tạo ra các bản thể hiện ảo của tài sản, quy trình hoặc hệ thống vật lý. Khi được kết nối với dữ liệu vận hành theo thời gian thực, các mô hình mô phỏng có thể giúp kỹ sư đánh giá những kịch bản vận hành khác nhau trước khi thay đổi thiết bị vật lý.

Sự kết hợp này mang lại một số lợi ích tiềm năng:

  • Phát hiện sớm hơn các điều kiện vận hành bất thường.
  • Hiểu rõ hơn về các cơ chế tiềm ẩn gây hỏng hóc thiết bị.
  • Đánh giá các chiến lược bảo trì hoặc vận hành thay thế.
  • Giảm sự không chắc chắn khi đánh giá những thay đổi quy trình được đề xuất.
  • Đưa ra quyết định sáng suốt hơn dựa trên các kịch bản vận hành.

Theo tôi, sự kết hợp giữa phân tích dự báo và bản sao số có thể đặc biệt hữu ích cho các quy trình công nghiệp phức tạp. Thay vì chỉ thông báo cho kỹ sư rằng một thông số đã vượt khỏi phạm vi bình thường, các hệ thống trong tương lai nên ngày càng hỗ trợ giải thích nguyên nhân có thể xảy ra và đánh giá hệ quả của các biện pháp khắc phục khác nhau.

8. AI đặc vụ và tương lai của hoạt động công nghiệp tự hành

Trong thời gian tới, Ramachandran kỳ vọng các năng lực AI dự đoán, AI đề xuất giải pháp và AI tạo sinh sẽ ngày càng phối hợp chặt chẽ, với AI tác nhân giúp kết nối những hiểu biết từ phân tích với các quy trình vận hành.

AI dự đoán có thể nhận diện các rủi ro đang hình thành. AI tạo sinh có thể giúp kỹ sư diễn giải thông tin kỹ thuật, trong khi AI tác nhân có thể hỗ trợ thực hiện quy trình làm việc và điều phối các nhiệm vụ trong phạm vi vận hành đã xác định.

Sự phát triển này có thể làm thay đổi cách nhân viên công nghiệp tương tác với các hệ thống tự động hóa.

Thay vì phải xem xét thủ công nhiều bảng điều khiển, hồ sơ bảo trì và tài liệu kỹ thuật, nhân viên có thể ngày càng sử dụng các hệ thống có AI hỗ trợ để kiểm tra tình trạng thiết bị, xác định thông tin liên quan và chuẩn bị các hành động được đề xuất.

Tuy nhiên, tự động hóa ở mức cao hơn không có nghĩa là loại bỏ trách nhiệm của con người.

Trong môi trường công nghiệp, các quyết định liên quan đến an toàn, tính toàn vẹn của thiết bị và tính liên tục của sản xuất phải chịu sự giám sát kỹ thuật phù hợp. Các khuyến nghị do AI tạo ra cần được xác thực, còn các hành động tự động phải hoạt động trong phạm vi quyền hạn và các giới hạn hệ thống đã được xác định rõ.

Mục tiêu không nên chỉ là tạo ra các nhà máy sử dụng nhiều AI hơn. Mục tiêu nên là phát triển các hoạt động công nghiệp đưa ra quyết định tốt hơn, ứng phó hiệu quả hơn với những thay đổi của điều kiện và duy trì mức độ chịu trách nhiệm phù hợp của con người.

9. Góc nhìn kỹ thuật: Thành công của AI công nghiệp bắt đầu từ kỷ luật vận hành

Cách tiếp cận của ABB nêu bật một bài học rộng hơn dành cho các nhà sản xuất: AI công nghiệp không phải là một khoản đầu tư phần mềm độc lập. Đây là phần mở rộng của cơ sở hạ tầng tự động hóa, thông tin và kỹ thuật hiện có.

Các cơ hội lớn nhất có thể sẽ xuất hiện ở những nơi doanh nghiệp đã xác định được các vấn đề vận hành, có đủ dữ liệu lịch sử và dữ liệu thời gian thực, cùng các nhóm có khả năng chuyển những phát hiện từ phân tích thành hành động thiết thực.

Đối với các kỹ sư tự động hóa, điều này có nghĩa là quá trình phát triển hoạt động ứng dụng AI sẽ ngày càng cần đến sự hợp tác giữa các lĩnh vực kỹ thuật điều khiển, đo lường, cơ sở hạ tầng CNTT, bảo trì và khoa học dữ liệu.

Điều đó cũng có nghĩa là không nên bỏ qua các tài sản công nghiệp hiện có. Nhiều cơ sở lâu năm đã lưu trữ thông tin vận hành có giá trị trong PLC, nền tảng DCS, hệ thống giám sát tình trạng và cơ sở dữ liệu bảo trì. Kết nối và bổ sung ngữ cảnh cho những nguồn lực này có thể là điểm khởi đầu thiết thực hơn so với việc thay thế cơ sở hạ tầng hiện có.

Sau cùng, quá trình chuyển đổi sang hoạt động công nghiệp thông minh sẽ phụ thuộc vào mức độ hiệu quả mà các công ty kết hợp công nghệ số với kinh nghiệm kỹ thuật. AI có thể cải thiện khả năng quan sát và hỗ trợ ra quyết định, nhưng giá trị công nghiệp có thể đo lường được vẫn đến từ việc giải quyết các vấn đề vận hành thực tế.

Từ các dự án thí điểm AI công nghiệp đến giá trị kinh doanh thực tế: ABB kết nối AI dự đoán và IoT như thế nào
Bài viết trước đó