Cách thức AI dự đoán sự cố máy móc tại các nhà máy may mặc

Hướng dẫn thực hành bảo trì dự đoán tại xưởng may: Từ dữ liệu đến quyết định Ảnh: Tác giả. Một chiếc máy may bị hỏng hiếm khi là sự kiện đáng chú ý. Tuy nhiên, trên một dây chuyền may mặc, một thiết bị ngừng hoạt động có thể làm đình trệ toàn bộ các công đoạn tiếp theo. Bán thành phẩm bị dồn ứ, công nhân phải chờ đợi và mục tiêu sản lượng mỗi giờ của dây chuyền không đạt. Tình trạng dừng máy nhỏ lẻ này nếu lặp lại hàng chục lần mỗi tuần sẽ dẫn đến việc giao hàng chậm trễ, gia tăng chi phí làm thêm giờ và ảnh hưởng đến uy tín với khách hàng. Hiện nay, phần lớn các nhà máy vẫn thực hiện công tác bảo trì theo một trong hai phương thức: sửa chữa sau khi máy hỏng, hoặc bảo dưỡng định kỳ theo lịch cố định dù thiết bị có thực sự cần hay không. Bảo trì dự đoán mang lại một phương thức tiếp cận thứ ba: ứng dụng dữ liệu và học máy (machine learning) để phát hiện sớm các dấu hiệu hư hỏng và xử lý kịp thời trước khi thiết bị ngừng hoạt động. Bài viết này phân tích phương thức vận hành của quy trình trên trong ngành dệt may, những dữ liệu thực sự cần thiết, các mô hình hữu ích cũng như giải pháp triển khai hiệu quả mà không đòi hỏi ngân sách lớn. Đặc thù của các nhà máy may mặc Bảo trì dự đoán đã được áp dụng rộng rãi trong ngành công nghiệp nặng, nơi mỗi tuabin hoặc máy ép có giá trị hàng triệu USD. Trong khi đó, các nhà máy may mặc lại có những đặc điểm rất khác biệt: Số lượng thiết bị lớn, giá thành thấp: Một xưởng may có thể có hàng trăm máy may 1 kim (lockstitch), máy vắt sổ (overlock) và máy trần đè (flatlock). Việc lắp đặt bộ cảm biến đắt tiền cho từng máy riêng lẻ là không khả thi về mặt kinh tế. Sự cố nhỏ nhưng phát sinh thường xuyên: Các hiện tượng gãy kim, đứt chỉ, bỏ mũi, động cơ quá nhiệt và rò rỉ dầu xảy ra phổ biến. Mỗi lần dừng máy chỉ kéo dài vài phút chứ không đến mức vài ngày, song tổng thời gian lãng phí cộng dồn là rất đáng kể. Vai trò của người vận hành: Phương thức vận hành thiết bị, chủng loại vải gia công và tần suất thay đổi mã hàng đều tác động trực tiếp đến mức độ hao mòn máy móc. Dữ liệu phân tán: Lịch sử hỏng hóc thường chỉ được ghi nhận trong sổ tay, bảng tính hoặc các nhóm trao đổi trên ứng dụng WhatsApp. Do đó, mục tiêu đặt ra không phải là xây dựng các mô hình vật lý hoàn hảo cho từng chiếc máy, mà là thiết lập một hệ thống thực tế, tiết kiệm chi phí, giúp đội ngũ bảo trì xác định chính xác những thiết bị cần ưu tiên kiểm tra trong ngày. Bước 1: Thu thập đúng dữ liệu Doanh nghiệp không nhất thiết phải bắt đầu bằng việc gắn cảm biến. Phần lớn các nhà máy đều đã có sẵn các thông số hữu ích nếu duy trì việc ghi chép một cách nhất quán. Dữ liệu có thể thu thập mà không cần phần cứng: Nhật ký dừng máy: Mỗi khi thiết bị ngừng hoạt động, cần ghi nhận mã định danh máy, thời gian bắt đầu, thời gian kết thúc và mã nguyên nhân (gãy kim, đứt chỉ, sự cố động cơ, sự cố điện hoặc nguyên nhân khác). Lịch sử bảo trì: Các linh kiện đã thay thế, hoạt động tra dầu, thời gian bảo dưỡng và nhân sự thực hiện. Bối cảnh sản xuất: Mã hàng và loại vải đang gia công, công đoạn may và công nhân vận hành. Thời gian vận hành: Số giờ máy hoạt động trong mỗi ca, thường có thể ước tính dựa trên sản lượng thực tế. Việc bố trí một máy tính bảng tại mỗi dây chuyền để chuyền trưởng thao tác chọn mã nguyên nhân khi dừng máy là giải pháp đủ để bắt đầu triển khai. Dữ liệu có thể bổ sung sau bằng cảm biến chi phí thấp: Dòng điện tiêu thụ từ cảm biến kẹp trên dây cáp động cơ, giúp phản ánh mức tải và những đột biến bất thường. Độ rung từ cảm biến gia tốc nhỏ, giúp phát hiện tình trạng mòn ổ bi và lệch trục. Nhiệt độ tại khu vực gần động cơ. Số mũi may hoặc số vòng quay từ bộ điều khiển đối với các dòng máy sử dụng động cơ servo. Doanh nghiệp nên bắt đầu từ nhật ký vận hành, chứng minh hiệu quả cụ thể, sau đó mới lắp đặt thêm cảm biến cho những nhóm thiết bị có tần suất hỏng hóc cao nhất. Bước 2: Chuyển đổi dữ liệu thô thành các đặc trưng Các mô hình học máy không tiếp nhận hiệu quả dữ liệu nhật ký thô. Mô hình vận hành dựa trên các đặc trưng (features) mô tả hành vi hoạt động trong thời gian gần nhất. Những đặc trưng hữu ích đối với máy may bao gồm: số lần dừng máy trong 1, 3 và 7 ngày gần nhất; thời gian dừng máy trung bình và thời gian dừng máy dài nhất trong cùng các khoảng thời gian nêu trên; tỷ lệ dừng máy theo từng mã nguyên nhân (chẳng hạn như tỷ lệ gãy kim trên tổng số lần dừng); số giờ hoạt động kể từ lần bảo dưỡng gần nhất và kể từ lần thay thế linh kiện gần nhất; số giờ vận hành trong tuần qua; trọng lượng hoặc loại vải được may trong thời gian gần đây (chẳng hạn, vải denim dày sẽ tạo áp lực lớn hơn lên kim dệt so với vải jersey mỏng) đối với dữ liệu cảm biến: giá trị trung bình trượt, độ lệch chuẩn cùng các giá trị đỉnh của cường độ dòng điện và độ rung Nguyên lý rất đơn giản: Một thiết bị sắp gặp sự cố thường xuất hiện xu hướng gia tăng các trục trặc nhỏ từ trước, bao gồm số lần dừng máy ngắn tăng lên, số lần gãy kim nhiều hơn, mức tiêu thụ dòng điện cao hơn hoặc độ rung mạnh hơn. Bước 3: Lựa chọn mô hình phù hợp với dữ liệu Có ba phương pháp tiếp cận thực tế, từ đơn giản nhất đến nâng cao nhất. Quy tắc và ngưỡng giới hạn. Ví dụ: “cảnh báo mọi thiết bị có số lần gãy kim vượt quá 5 lần trong 3 ngày”. Phương pháp này dễ giải thích và đóng vai trò làm đường cơ sở hiệu quả. Nhiều nhà máy đã đạt được giá trị thực tế chỉ từ việc áp dụng các quy tắc này. Phát hiện bất thường. Khi chưa có nhiều dữ liệu sự cố được gán nhãn, một mô hình học không giám sát như Isolation Forest, hoặc một biểu đồ kiểm soát thống kê đơn giản, có thể gắn cờ cảnh báo các máy móc có biểu hiện gần đây bất thường so với lịch sử vận hành của chính thiết bị đó hoặc so với các thiết bị tương tự. Dự đoán sự cố. Khi có đủ dữ liệu lịch sử, một mô hình học có giám sát như cây tăng cường độ dốc (XGBoost hoặc LightGBM) có thể dự đoán xác suất một thiết bị gặp sự cố dừng hoạt động nghiêm trọng trong những ngày tiếp theo. Nhãn phân loại là việc sự cố nghiêm trọng có xảy ra trong khoảng thời gian kế tiếp hay không, và dữ liệu đầu vào là các đặc trưng từ Bước 2. Các mô hình dựa trên cây quyết định được ứng dụng phổ biến tại khâu này do khả năng xử lý tốt dữ liệu hỗn hợp, thời gian huấn luyện nhanh và có thể chỉ rõ các đặc trưng chi phối từng dự đoán. Yếu tố này có ý nghĩa quan trọng, bởi kỹ thuật viên bảo trì sẽ tin cậy thông tin hơn nếu hệ thống nêu rõ: “cảnh báo do số lần gãy kim tăng gấp 3 lần trong tuần này và thiết bị đã quá hạn bảo dưỡng 400 giờ”. Bước 4: Chuyển đổi các dự đoán thành danh sách công việc hằng ngày Mô hình chỉ phát huy hiệu quả khi làm thay đổi hành động thực tế. Kết quả đầu ra không nên là một bảng điều khiển tràn ngập biểu đồ, mà cần là một danh sách ngắn gọn, được sắp xếp theo mức độ ưu tiên: Kiểm tra hôm nay: Dây chuyền 4, Máy 12 (nguy cơ cao: số lần gãy kim gia tăng, quá hạn tra dầu). Dây chuyền 2, Máy 7 (nguy cơ trung bình: cường độ dòng điện tăng đột biến bất thường vào hôm qua). Biện pháp tối ưu: Duy trì danh sách ngắn gọn để đội ngũ kỹ thuật có thể xử lý toàn bộ. Nêu rõ lý do cảnh báo bằng ngôn ngữ dễ hiểu. Cho phép kỹ thuật viên ghi nhận kết quả kiểm tra thực tế, giúp mô hình ghi nhận các cảnh báo chính xác. Bố trí lịch kiểm tra vào các giờ nghỉ hoặc thời điểm chuyển đổi đơn hàng nhằm tránh làm gián đoạn sản xuất. Vòng lặp phản hồi này là mắt xích quan trọng nhất. Mỗi cảnh báo được xác nhận hoặc bác bỏ đều trở thành dữ liệu huấn luyện mới. Bước 5: Đo lường các chỉ số trọng yếu Trước khi bắt đầu, cần thống nhất một số chỉ số đo lường và tiến hành theo dõi trên một dây chuyền thí điểm: số phút dừng máy ngoài kế hoạch trên mỗi dây chuyền mỗi tuần số sự cố làm gián đoạn hoạt động của dây chuyền thời gian trung bình giữa các lần hỏng hóc đối với các dòng máy chủ chốt tỷ lệ công việc bảo trì mà