Mục lục
AI dự báo bảo trì thiết bị: Những điều mà nhà máy không muốn bạn biết
Tôi từng cộng tác với một nhà máy dệt ở Nam Định. Cách đây 3 năm, họ có 4 cái máy cuộn dây giá trị hơn 5 tỷ đồng mỗi chiếc. Mỗi lần một chiếc bị hỏng, ngoài chi phí sửa 200-300 triệu, phải dừng sản xuất trong 4-7 ngày. Tính ra, một lần hỏng bất ngờ tương đương với việc nuôi 50 công nhân rảnh rỗi mà không sản xuất gì.
Chuyện nghe quen thuộc với bất kỳ ai làm công nghiệp. Nhưng đằng sau những con số này là một sự thật buồn cười: hầu hết các công ty, kể cả những công ty lớn, vẫn dùng cách bảo trì cách đây 30 năm - chờ máy hỏng rồi mới sửa hoặc sửa theo lịch cố định mà không ai biết thực sự cần hay không.
Điều máy móc cần nói với bạn (nếu nó có thể nói)
Predictive Maintenance (dự báo bảo trì) không phải là chuyện mới trong đầu các nhà quản lý. Ngành công nghiệp đã biết đến khái niệm này từ những năm 1990. Nhưng lý do nó mãi chưa thành xu hướng? Vì nó quá đắt đỏ, quá phức tạp, và mất thời gian để triển khai.
Tới khoảng 2018-2019, khi chi phí cảm biến IoT rớt từ 500 ngàn đồng xuống còn 50 ngàn, khi máy chủ đám mây rẻ bằng nước lã, khi các thuật toán machine learning trở thành open-source, thì đột nhiên Predictive Maintenance trở thành hiện thực.
Hiện nay, một thiết bị bảo trì dự báo thực sự có thể phát hiện sớm những dấu hiệu hỏng hóc từ 7-14 ngày trước khi nó thực sự bị hỏng. Không phải là dự đoán, mà là nhìn thấy trực tiếp qua những thay đổi vi mô trong rung động, nhiệt độ, tiếng ồn, độ ẩm.
Cái giá của sự ngoan ngoãn
Khi tôi nhắc đến công ty dệt Nam Định, họ đã quyết định thử nghiệm. Lắp cảm biến rung động trên 4 chiếc máy cuộn dây. Dùng công cụ như Condition-Based Maintenance (CBM) kết hợp với các model machine learning từ TensorFlow. Chi phí đầu tư khoảng 800 triệu đồng (tính cảm biến, hardware, software, training nhân sự).
Kết quả trong năm đầu? Họ phát hiện sớm được 2 lần hư hỏng tiềm ẩn trước khi máy bị mất hoàn toàn. Thời gian downtime giảm 65%.
Chia sẻ bài viết
