Vai trò và cách triển khai bảo trì dự đoán AI cho nhà máy thép

I. Bảo trì dự đoán AI là gì và vì sao nhà máy thép cần?

Bảo trì dự đoán (Predictive Maintenance – PdM) là chiến lược bảo trì dựa trên tình trạng thiết bị, sử dụng dữ liệu cảm biến thời gian thực, các mô hình trí tuệ nhân tạo (AI) và các mẫu hỏng hóc lịch sử để dự báo thời điểm thiết bị có khả năng hỏng và lên lịch bảo trì trước khi sự cố xảy ra.

Để hiểu rõ hơn, hãy so sánh ba phương pháp bảo trì phổ biến trong nhà máy thép:

1. Bảo trì phản ứng (Reactive Maintenance)

Sửa chữa khi thiết bị đã hỏng. Chi phí ban đầu thấp nhưng gây thiệt hại lớn trong các nhà máy thép, nơi một sự cố lò cao có thể làm tê liệt toàn bộ dây chuyền sản xuất trong 12–48 giờ. Đây là phương pháp có tổng chi phí cao nhất.

2. Bảo trì phòng ngừa (Preventive Maintenance)

Bảo dưỡng thiết bị theo lịch cố định (ví dụ: hàng tháng, sau mỗi 500 giờ vận hành). Phương pháp này giảm được một số sự cố nhưng thường dẫn đến bảo trì thừa: thay thế các bộ phận vẫn còn tới 40% tuổi thọ.

3. Bảo trì dự đoán (Predictive Maintenance)

Bảo trì dựa trên tình trạng thực tế của thiết bị, được giám sát liên tục. Cảm biến phát hiện các dấu hiệu bất thường như rung động tăng đột biến, nhiệt độ bất thường hoặc suy giảm bôi trơn hàng tuần trước khi hỏng. Lệnh công việc được kích hoạt tự động.

Theo Hướng dẫn Thực hành Tốt nhất về Vận hành và Bảo trì của Bộ Năng lượng Hoa Kỳ, bảo trì dự đoán mang lại tỷ suất hoàn vốn 10:1 so với chiến lược bảo trì phản ứng, giảm 25–30% chi phí bảo trì và giảm 70–75% sự cố hỏng hóc

II. Vì sao nhà máy thép cần bảo trì dự đoán AI

Ngành thép có đặc thù riêng khiến bảo trì truyền thống gặp nhiều hạn chế.

1. Môi trường cực đoan

Nhiệt độ cao, bụi kim loại, rung động mạnh, tải trọng lớn làm thiết bị suy giảm nhanh và khó dự đoán chỉ bằng kiểm tra định kỳ.

2. Thời gian bảo trì hẹp

Lò cao, máy đúc, lò nung lại thường chạy liên tục. Thời gian dừng có kế hoạch rất ngắn. Nếu không biết trước thiết bị nào sắp có vấn đề, việc chuẩn bị vật tư và nhân sự trở nên bị động.

3. Chi phí dừng máy cao

Sự cố trên thiết bị trọng yếu ảnh hưởng ngay đến sản lượng, chất lượng thép và chi phí năng lượng.

4. Nguồn lực bảo trì hạn chế

Đội bảo trì không thể kiểm tra mọi thiết bị với tần suất như nhau. Một hệ thống dự đoán phù hợp có thể giúp phân loại mức độ rủi ro và ưu tiên tài sản cần kiểm tra trước.

Điều này đặc biệt quan trọng khi nhà máy có đội ngũ kỹ thuật tinh gọn nhưng số lượng tài sản lớn.

III. Dữ liệu nào được sử dụng trong bảo trì dự đoán?

AI chỉ có thể đưa ra kết quả có giá trị khi dữ liệu đầu vào phù hợp. Việc lắp nhiều cảm biến chưa chắc mang lại hiệu quả nếu doanh nghiệp không xác định rõ loại hư hỏng cần phát hiện.

1. Dữ liệu rung

Cảm biến rung thường được sử dụng cho:

Động cơ.
Hộp giảm tốc.
Quạt.
Bơm.
Trục cán.
Ổ bi.
Thiết bị quay.

Phân tích rung có thể hỗ trợ nhận diện các dấu hiệu như mất cân bằng, lệch trục, lỏng cơ khí, hư hỏng ổ bi hoặc bất thường bánh răng.

Tuy nhiên, dữ liệu cần được phân tích trong đúng điều kiện tải và tốc độ. Một mức rung cao không phải lúc nào cũng đồng nghĩa với sự cố nếu thiết bị vừa thay đổi chế độ vận hành.

2. Dữ liệu nhiệt độ và ảnh nhiệt

Nhiệt độ bất thường có thể liên quan đến:

Thiếu bôi trơn.
Ma sát tăng.
Quá tải điện.
Tiếp điểm điện kém.
Suy giảm hệ thống làm mát.
Hư hỏng lớp chịu lửa.
Rò rỉ nhiệt.

Camera nhiệt và cảm biến nhiệt độ có thể được sử dụng tại tủ điện, ổ trục, máy biến áp, lò và các vị trí có nguy cơ quá nhiệt.

3. Dòng điện và công suất

Phân tích dòng điện động cơ có thể hỗ trợ phát hiện tải bất thường, mất cân bằng điện, suy giảm cơ khí hoặc sự thay đổi trong quá trình truyền động.

Đối với lò hồ quang điện, dữ liệu dòng điện, công suất và hệ số công suất còn giúp đánh giá mức độ cân bằng của hệ thống điện cực.

4. Áp suất và lưu lượng

Các hệ thống thủy lực, khí nén, nước làm mát và bôi trơn phụ thuộc nhiều vào áp suất và lưu lượng.

Xu hướng giảm áp, dao động bất thường hoặc thời gian hồi áp kéo dài có thể cho thấy:

Rò rỉ.
Mòn bơm.
Tắc lọc.
Hỏng phớt.
Van hoạt động không ổn định.
Suy giảm hiệu suất của hệ thống.

5. Dữ liệu dầu và chất bôi trơn

Phân tích dầu có thể cung cấp thông tin về:

Hạt mài mòn.
Nước nhiễm trong dầu.
Độ nhớt.
Quá trình oxy hóa.
Nhiễm bẩn.
Tình trạng phụ gia.

Kết hợp dữ liệu rung với phân tích dầu thường giúp kỹ sư có cái nhìn đầy đủ hơn về hộp giảm tốc, ổ trục và hệ thống thủy lực.

6. Dữ liệu âm thanh và siêu âm

Cảm biến âm thanh hoặc siêu âm có thể hỗ trợ phát hiện rò khí, phóng điện, ma sát hoặc bất thường ở một số loại thiết bị.

Dữ liệu này nên được xem là một phần của hệ thống chẩn đoán tổng hợp, thay vì sử dụng độc lập.

IV. Những thiết bị nên ưu tiên triển khai

Không nên lắp cảm biến trên toàn bộ nhà máy ngay từ đầu. Phạm vi nên được xác định dựa trên mức độ quan trọng, khả năng đo lường và giá trị kinh tế.

1. Lò cao và hệ thống làm mát

Đối với lò cao, những khu vực có thể được theo dõi gồm:

Nhiệt độ hệ thống làm mát.
Lưu lượng nước.
Áp suất.
Tình trạng lớp chịu lửa.
Mắt thổi.
Đường ống.
Hệ thống khí.

Dữ liệu nhiệt và lưu lượng có thể giúp nhận diện những vùng làm mát bất thường hoặc xu hướng suy giảm cần kiểm tra.

2. Lò hồ quang điện

Các hạng mục đáng quan tâm gồm:

Máy biến áp lò.
Điện cực.
Cánh tay điện cực.
Hệ thống thủy lực.
Hệ thống hút khói.
Làm mát.
Cơ cấu nghiêng lò.

Dữ liệu điện, nhiệt độ, áp suất và rung có thể được kết hợp để đánh giá tình trạng tài sản.

3. Dây chuyền cán nóng và cán nguội

Máy cán có nhiều thiết bị quay và cơ cấu chịu tải lớn, phù hợp với giám sát rung và nhiệt.

Các hạng mục ưu tiên thường gồm:

Ổ bi trục cán.
Động cơ chính.
Hộp giảm tốc.
Trục truyền động.
Bơm thủy lực.
Bơm bôi trơn.
Hệ thống làm mát.
Quạt và thiết bị phụ trợ.

Một thay đổi nhỏ ở rung động hoặc nhiệt độ ổ trục có thể là tín hiệu đầu tiên của quá trình xuống cấp.

4. Máy đúc liên tục

Các thành phần có thể theo dõi gồm:

Con lăn.
Segment.
Động cơ.
Hệ thống kéo nắn.
Thủy lực.
Làm mát.
Bơm và van.
Cảm biến vị trí.

Việc kết hợp dữ liệu tình trạng với lịch sử sự cố và chất lượng phôi có thể hỗ trợ xác định các mối liên hệ cần điều tra.

5. Cầu trục và hệ thống vận chuyển

Cầu trục, băng tải, uncoiler và thiết bị vận chuyển vật liệu là những mắt xích quan trọng.

Hệ thống có thể theo dõi:

Rung động động cơ.
Nhiệt độ ổ trục.
Dòng điện.
Phanh.
Hộp giảm tốc.
Bánh xe.
Cơ cấu nâng.
Số chu kỳ vận hành.

6. Hệ thống làm mát, hút bụi và phụ trợ

Nhiều sự cố dây chuyền bắt nguồn từ thiết bị phụ trợ.

Bơm, quạt, máy nén, tháp giải nhiệt và hệ thống lọc bụi thường là những tài sản có cấu trúc cơ khí phù hợp với giám sát liên tục.

V. Quy trình từ cảm biến đến lệnh công việc

Một hệ thống bảo trì dự đoán chỉ thực sự hoàn chỉnh khi cảnh báo được chuyển thành hành động bảo trì có kiểm soát.

1. Thu thập dữ liệu

Cảm biến ghi nhận dữ liệu từ thiết bị theo chu kỳ hoặc liên tục. Tần suất lấy mẫu phụ thuộc vào loại tín hiệu và mục tiêu phân tích.

Dữ liệu rung thường cần tần suất cao hơn dữ liệu nhiệt độ hoặc áp suất.

2. Xử lý tại biên

Trong nhiều hệ thống, dữ liệu được xử lý sơ bộ tại gateway, PLC hoặc thiết bị edge.

Các thao tác có thể gồm:

Lọc nhiễu.
Nén dữ liệu.
Trích xuất đặc trưng.
Chuẩn hóa tín hiệu.
Loại bỏ dữ liệu không cần thiết.

Xử lý tại biên giúp giảm khối lượng truyền tải và rút ngắn thời gian phản hồi.

3. Phân tích bất thường

Mô hình AI so sánh dữ liệu mới với trạng thái hoạt động bình thường hoặc các mẫu hư hỏng đã biết.

Hệ thống có thể tạo:

Điểm bất thường.
Mức độ nghiêm trọng.
Xu hướng suy giảm.
Cảnh báo theo ngưỡng.
Gợi ý loại lỗi có khả năng xảy ra.

Kết quả cần được kiểm tra trong ngữ cảnh vận hành. Nếu thiết bị vừa thay đổi tải hoặc quy trình, một cảnh báo có thể không phản ánh hư hỏng thực sự.

4. Xác minh cảnh báo

Kỹ sư hoặc chuyên gia giám sát tình trạng cần xác minh cảnh báo trước khi phát sinh công việc lớn.

Các bước xác minh có thể gồm:

So sánh với dữ liệu lịch sử.
Kiểm tra chế độ tải.
Kiểm tra cảm biến.
Đo lại bằng thiết bị cầm tay.
Kiểm tra dầu.
Kiểm tra nhiệt.
Trao đổi với vận hành.

Bước này giúp hạn chế cảnh báo giả và tình trạng đội bảo trì bị quá tải bởi quá nhiều thông báo.

5. Tạo lệnh công việc trong CMMS

Sau khi cảnh báo được xác nhận, hệ thống có thể tạo yêu cầu hoặc lệnh công việc trên CMMS.

Lệnh nên bao gồm:

Mã tài sản.
Vị trí thiết bị.
Dấu hiệu bất thường.
Mức độ ưu tiên.
Dữ liệu hoặc biểu đồ liên quan.
Công việc kiểm tra đề xuất.
Phụ tùng có thể cần.
Hạn hoàn thành.
Người hoặc nhóm phụ trách.

6. Thực hiện và phản hồi

Kỹ thuật viên thực hiện công việc, ghi nhận phát hiện thực tế và cập nhật kết quả.

Thông tin sau sửa chữa có thể gồm:

Hư hỏng được tìm thấy.
Nguyên nhân.
Phụ tùng đã thay.
Thời gian sửa chữa.
Thông số sau can thiệp.
Hình ảnh.
Đánh giá độ chính xác của cảnh báo.

Dữ liệu này được đưa trở lại hệ thống để cải thiện ngưỡng hoặc mô hình phân tích.

VI. Lợi ích thực tế khi áp dụng bảo trì dự đoán AI

Từ kinh nghiệm triển khai tại các nhà máy nặng, các lợi ích thường thấy gồm:

Giảm dừng máy ngoài kế hoạch Khi phát hiện sớm 2–6 tuần, công việc có thể xếp vào cửa sổ dừng có kế hoạch thay vì dừng khẩn cấp.
Giảm chi phí bảo trì tổng thể Ít sửa chữa khẩn cấp, ít bảo trì thừa và sử dụng phụ tùng hợp lý hơn.
Nâng cao an toàn Giảm nguy cơ sự cố lớn (cháy, nổ, rơi vật nặng) nhờ can thiệp trước khi thiết bị suy giảm nghiêm trọng.
Kéo dài tuổi thọ thiết bị Can thiệp đúng lúc giúp làm chậm quá trình mòn và giảm hư hỏng lan rộng.
Cải thiện hiệu suất năng lượng Thiết bị mất căn chỉnh hoặc vòng bi suy giảm thường tiêu tốn điện nhiều hơn. Phát hiện sớm giúp hạn chế lãng phí.
Hỗ trợ mục tiêu bền vững Ít dừng bất ngờ nghĩa là ít lãng phí nguyên liệu, ít đốt năng lượng khẩn cấp và ít phế phẩm.

VII. Quy trình triển khai bảo trì dự đoán AI trong nhà máy thép

Triển khai bảo trì dự đoán không yêu cầu thay đổi toàn bộ hệ thống bảo trì trong một sớm một chiều. Các nhà máy thép thành công nhất đều tuân theo quy trình từng bước sau:

Bước 1 – Xếp hạng mức độ quan trọng của tài sản

Xác định 10–15 tài sản có mức độ quan trọng cao nhất trong nhà máy. Bắt đầu với hệ thống làm mát lò cao và bộ truyền động máy cán nóng.

Bước 2 – Triển khai cảm biến

Lắp đặt cảm biến rung động, cảm biến nhiệt và bộ chuyển đổi dòng điện. Ngân sách khoảng 500–5.000 USD cho mỗi tài sản được giám sát.

Bước 3 – Tích hợp với CMMS

Kết nối nền tảng IoT với phần mềm CMMS để các cảnh báo cảm biến tự động tạo ra lệnh công việc.

Bước 4 – Huấn luyện mô hình

Cho phép hệ thống AI 3–6 tháng để học các đường cơ sở của thiết bị. Trong giai đoạn này, vận hành bảo trì dự đoán song song với các chương trình bảo trì hiện có.

Bước 5 – Triển khai toàn diện

Mở rộng phạm vi cảm biến, tinh chỉnh ngưỡng và chuyển lịch bảo trì sang điều khiển theo tình trạng. Theo dõi MTBF và MTTR là các KPI chính.

VIII. Những lưu ý thực tế khi áp dụng

Dữ liệu sạch và đường cơ sở tốt là nền tảng. Cảm biến lỗi hoặc dữ liệu nhiễu sẽ làm giảm độ tin cậy của mô hình.
Kết hợp chuyên gia bảo trì với AI. Mô hình đưa ra gợi ý, nhưng kỹ thuật viên giàu kinh nghiệm vẫn cần xác nhận trước khi quyết định dừng máy.
Tránh “mệt mỏi cảnh báo”. Ngưỡng cần được tinh chỉnh để chỉ đẩy những cảnh báo có ý nghĩa hành động.
Đào tạo đội ngũ sử dụng dữ liệu và đóng lệnh đầy đủ thông tin.
Không kỳ vọng thay thế hoàn toàn bảo trì phòng ngừa ngay từ đầu. Hai phương pháp thường song song trong giai đoạn chuyển đổi.

IX. Vai trò của con người trong hệ thống AI

AI có thể nhận diện mẫu dữ liệu, nhưng kỹ sư vẫn cần đánh giá bối cảnh.

Một mô hình không thể tự biết đầy đủ:

Thiết bị vừa thay đổi loại sản phẩm.
Nhà máy đang chạy thử.
Cảm biến vừa được lắp lại.
Tải tăng do yêu cầu sản xuất.
Quy trình đã thay đổi.
Một cảnh báo có liên quan đến chất lượng hay không.

Do đó, mô hình phù hợp thường là kết hợp giữa AI và chuyên gia bảo trì.

AI sàng lọc lượng dữ liệu lớn. Kỹ sư xác minh, giải thích và lựa chọn hành động. Kỹ thuật viên hiện trường cung cấp phản hồi thực tế để hệ thống tiếp tục cải thiện

X. Vai trò của CMMS trong bảo trì dự đoán AI

Bảo trì dự đoán và CMMS có mối quan hệ bổ trợ lẫn nhau. AI dự đoán, CMMS thực thi. Một giải pháp CMMS phù hợp sẽ giúp chuyển cảnh báo từ AI thành hành động bảo trì cụ thể.

Trong bối cảnh các nhà máy thép tại Việt Nam đang đẩy mạnh chuyển đổi số, CMMS EcoMaint là phần mềm quản lý bảo trì và tài sản được phát triển bởi đội ngũ giàu kinh nghiệm tại thị trường Việt Nam, đáp ứng các yêu cầu khắt khe của ngành thép:

Tích hợp IoT và cảm biến: EcoMaint kết nối trực tiếp với SCADA, PLC và thiết bị IoT. Khi các ngưỡng cảm biến bị vi phạm, nền tảng tự động tạo lệnh công việc mà không cần nhập dữ liệu thủ công.
Tự động hóa lệnh công việc: Hỗ trợ tạo lệnh công việc chi tiết từ dữ liệu cảm biến hoặc phân tích ảnh – lý tưởng cho môi trường nhà máy thép.
Theo dõi tài sản theo thời gian thực: Cung cấp cho đội ngũ nhà máy quyền truy cập ngay lập tức vào lịch sử thiết bị, nhật ký bảo trì và dữ liệu bảo hành qua mã QR.
Quản lý dừng máy: EcoMaint theo dõi thời gian dừng máy ngoài kế hoạch với các KPI bao gồm MTTR, MTBF và tỷ lệ sẵn sàng theo từng bộ phận và thiết bị.
Đồng bộ tồn kho: Cảnh báo bảo trì dự đoán kích hoạt kiểm tra tự động tồn kho phụ tùng, cảnh báo thiếu hụt trước khi kỹ thuật viên đến thiết bị.
Lập lịch bảo trì phòng ngừa linh hoạt: Hỗ trợ lập lịch PM động dựa trên giờ vận hành hoặc chu kỳ sản xuất cho các tài sản chưa được giám sát bằng IoT.

Với hơn 25 năm kinh nghiệm triển khai thành công tại hơn 300 doanh nghiệp hàng đầu Việt Nam, EcoMaint đã và đang đồng hành cùng các nhà máy thép trong hành trình chuyển đổi số bảo trì.