Hiệu chuẩn thiết bị theo lịch định kỳ (ví dụ: 6 tháng, 12 tháng) đã là quy chuẩn lâu đời. Tuy nhiên, cách làm này đang bộc lộ điểm yếu: thiết bị ít dùng vẫn phải hiệu chuẩn gây lãng phí, trong khi thiết bị chạy liên tục có nguy cơ lệch sụt trước hạn gây lỗi sản phẩm.
Ngoài ra, mỗi một loại linh kiện đều có tốc độ già hóa, tốc độ sai lệch khác nhau, không cái nào giống cái nào. Nếu đánh đồng hết và gom lại thành các mốc thời gian hiệu chuẩn 6 tháng , 12 tháng thì tiềm ẩn rủi ro bỏ sót sai số.
Sự xuất hiện của trí tuệ nhân tạo AI đã thay đổi cuộc chơi. Từ việc hiệu chuẩn theo các mốc thời gian cố định, AI giúp ngành hiệu chuẩn chuyển sang thế chủ động hơn, hiệu chuẩn khi máy móc đến thời kỳ cần hiệu chuẩn chứ không đợi đến các mốc thời gian mới hiệu chuẩn.
Trong phạm vi khuôn khổ bài viết này sẽ bóc tách cách AI tối ưu hóa chi phí và độ chính xác thông qua dữ liệu As-Found/As-Left và mô hình quản lý rủi ro
I. Dữ liệu As-Found và As-Left là gì ? và vì sao nó giúp AI thông minh hơn trong ngành hiệu chuẩn ?
Hiểu đúng về dữ liệu As-Found và As-Left:
Đầu tiên để một mô hình trí tuệ nhân tạo AI làm việc nó cần có thông tin đầu vào, và thông tin đầu vào trong ngành này được gói gọn trong 2 khái niệm sau:
- Dữ liệu As-Found (Sai số ban đầu): Đây là kết quả đo lường ghi nhận được ngay khi kỹ thuật viên tiếp nhận thiết bị từ nhà máy, trước khi tiến hành bất kỳ hoạt động điều chỉnh hay sửa chữa nào. Nó phản ánh chính xác trạng thái thực tế của thiết bị sau một thời gian dài vận hành.
- Dữ liệu As-Left (Sai số sau hiệu chỉnh): Đây là kết quả đo lường cuối cùng sau khi thiết bị đã được căn chỉnh, tối ưu hóa về trạng thái chuẩn vị và sẵn sàng bàn giao lại cho dây chuyền sản xuất.
AI xử lý nguồn dữ liệu này như thế nào?
Thuật toán Machine Learning (Máy học) thu thập lịch sử dữ liệu As-Found/As-Left qua nhiều năm của hàng ngàn thiết bị cùng loại.Từ đó, AI vẽ ra “Biểu đồ trôi thiết bị” (Instrument Drift Curve) để hiểu được thói quen và tốc độ “già hóa” của từng loại linh kiện khác nhau.
Thuật toán sẽ tính toán chính xác tốc độ “già hóa” và xu hướng sai số của từng linh kiện theo thời gian, từ đó đưa ra những dự báo chuẩn xác về trạng thái thiết bị trong tương lai.
Từ biểu đồ này AI sẽ lập ra 1 kế hoạch và phương pháp hiệu chuẩn mới ( một khái niệm mới ) đó là : Hiệu chuẩn dựa trên dữ liệu rủi ro – Risk-Based Calibration
Hiệu chuẩn dựa trên rủi ro (Risk-Based Calibration) – Đỉnh cao của ứng dụng AI
Từ việc thấu hiểu xu hướng sai số của thiết bị, AI đã thúc đẩy sự chuyển dịch sang mô hình Hiệu chuẩn dựa trên rủi ro (Risk-Based Calibration). Đây được xem là đỉnh cao của công nghệ hiệu chuẩn hiện nay.
Thay vì cào bằng thời gian hiệu chuẩn cho mọi thiết bị, AI sẽ tiến hành chấm điểm rủi ro cho từng vị trí dựa trên sự tổng hòa của hai yếu tố: Vị trí cốt lõi của thiết bị trong dây chuyền (nếu sai số sẽ gây hậu quả nặng nề thế nào) và Tốc độ trôi sai số thực tế (lấy từ dữ liệu As-Found/As-Left).
2 Lợi ích vượt trội cho doanh nghiệp khi áp dụng mô hình Hiệu chuẩn dựa trên rủi ro
Áp dụng mô hình quản lý rủi ro bằng AI mang lại hai lợi ích thực tế lớn:
Giãn cách lịch hiệu chuẩn hợp lý giúp tiết kiệm chi phí: Đối với những thiết bị hoạt động trong môi trường lý tưởng, có độ ổn định cực cao (dựa trên dữ liệu As-Left luôn duy trì tốt qua nhiều kỳ), AI sẽ đề xuất kéo dài tần suất hiệu chuẩn một cách an toàn (ví dụ từ 12 tháng lên 18 tháng). Doanh nghiệp giảm được số lần dừng máy và chi phí dịch vụ không cần thiết.
Cảnh báo sớm để ngăn ngừa rủi ro: Ngược lại, với những thiết bị chịu tải cao hoặc có dấu hiệu trôi sai số nhanh hơn bình thường, AI sẽ phát lệnh cảnh báo yêu cầu hiệu chuẩn sớm hơn lịch trình. Điều này giúp nhà máy chặn đứng nguy cơ xuất xưởng hàng lỗi, tránh được các vụ thu hồi sản phẩm tốn kém hàng tỷ đồng.
