Một dự án nghiên cứu tại Đại học Công nghệ Luleå ở miền bắc Thụy Điển, hợp tác với SKF, đang mang sức mạnh của trí tuệ nhân tạo sinh ra vào thế giới độ tin cậy của máy móc.

Nội dung liên quan

Karl Löwenmark, sinh viên tiến sĩ tại Đại học Công nghệ Luleå, đã bắt đầu dự án tiến sĩ của mình vào năm 2020. Công nghệ giám sát tình trạng tiên tiến đã thay đổi cách các công ty công nghiệp quản lý và duy trì tài sản của họ. Bằng cách phân tích các thông số máy như mức độ rung, biến động nhiệt độ và tiêu thụ điện năng, các nhà điều hành có thể nhận được dấu hiệu sớm về các vấn đề tiềm ẩn. Điều này giúp họ lập kế hoạch và thực hiện các can thiệp bảo trì kịp thời để tối đa hóa thời gian hoạt động và giữ cho sản xuất đi đúng hướng.

Tuy nhiên, việc tự động hóa giám sát tình trạng là rất khó. “Mối quan hệ giữa các tín hiệu rung và một số lỗi vòng bi nhất định đã được nghiên cứu và hiểu rõ trong phòng thí nghiệm,” Karl Löwenmark, sinh viên tiến sĩ tại Đại học Công nghệ Luleå cho biết. “Nhưng việc thực hiện điều tương tự trong môi trường sản xuất thì khó khăn hơn nhiều và đòi hỏi một kỹ sư ứng dụng có nhiều năm kinh nghiệm.”

Các nhà tài trợ công nghiệp của Löwenmark bao gồm một số người sử dụng công nghệ giám sát tình trạng khó tính nhất thế giới. Ngoài SKF, còn có hai nhà máy giấy lớn, mỗi nhà máy đều vận hành những máy sản xuất giấy khổng lồ được trang bị hàng nghìn cảm biến. “Các máy mà tôi làm việc có thể dài hàng chục mét,” anh giải thích. “Một máy giấy và bột gồm nhiều bộ phận quay khác nhau, có thể hoạt động trong điều kiện khắc nghiệt như độ ẩm và nhiệt độ cao. Do đó, một lượng lớn thông tin bị ẩn trong các tín hiệu cảm biến.”

Việc sử dụng AI trong tự động hóa giám sát tình trạng vòng bi có tiềm năng đáng kể, FB TW Cees Taal, nhà nghiên cứu cấp cao, Phòng Nghiên cứu và Phát triển Công nghệ SKF.

“Chẩn đoán các vấn đề trong các tín hiệu từ các máy cần rất nhiều kỹ năng và chuyên môn,” Löwenmark tiếp tục, “nhưng khối lượng dữ liệu quá lớn có thể gây choáng ngợp.” Trong trường hợp xấu nhất, điều này có nghĩa là các nhà phân tích phải dành vài giờ mỗi ngày để sàng lọc các cảnh báo giả và dữ liệu sai trước khi họ có thể bắt đầu xác định và chẩn đoán các vấn đề tiềm ẩn của máy móc.

Cees Taal, nhà nghiên cứu cấp cao tại Phòng Nghiên cứu và Phát triển Công nghệ SKF, là một trong những nhà tài trợ của dự án. Dự án tiến sĩ của Löwenmark, bắt đầu từ năm 2020, nhằm khám phá cách các công nghệ AI mới nổi có thể giảm bớt gánh nặng cho các nhà phân tích chuyên gia, giúp họ dành nhiều thời gian hơn cho các hoạt động gia tăng giá trị giúp các nhà máy giấy hoạt động đáng tin cậy hơn. Điều này sẽ loại bỏ một rào cản chính đối với việc áp dụng rộng rãi giám sát tình trạng, vì những người có kiến thức và kinh nghiệm để vận hành các hệ thống này thường khan hiếm.

“Sự sử dụng AI trong tự động hóa giám sát tình trạng vòng bi có tiềm năng đáng kể,” nói Cees Taal, nhà nghiên cứu cấp cao trong nhóm chẩn đoán và tiên đoán, Phòng Nghiên cứu và Phát triển Công nghệ SKF, Houten, Hà Lan. “Tuy nhiên, việc áp dụng những khái niệm này trong lĩnh vực này không đơn giản như trong lĩnh vực thị giác và ngôn ngữ.”

“Dự án của tôi trùng với một giai đoạn tiến bộ đáng kể trong các công nghệ AI,” Löwenmark giải thích. “Khi tôi bắt đầu, các mô hình ngôn ngữ lớn như hệ thống GPT của OpenAI vẫn đang ở giai đoạn đầu phát triển và không được tiếp cận công khai như hiện nay. Phần lớn công việc của tôi liên quan đến việc theo kịp những tiến bộ đã đạt được trong bốn năm qua, sau đó tìm cách chuyển giao những tiến bộ này vào các thách thức cụ thể của ngành.”

Từ hình ảnh đến tín hiệu
Việc phân loại hoặc phát hiện các đối tượng trong một hình ảnh đã có bước nhảy vọt đáng kể trong thập kỷ qua. Tuy nhiên, việc áp dụng những phương pháp này vào dữ liệu giám sát tình trạng để chẩn đoán hoặc tiên đoán lỗi vòng bi không hề đơn giản. Thách thức đầu tiên là cho mô hình AI biết phải tìm gì. “Những hệ thống này được đào tạo trên một lượng lớn dữ liệu,” Löwenmark giải thích, “Các công ty AI xây dựng các tập dữ liệu đào tạo khổng lồ sử dụng các ví dụ được gán nhãn và phân loại cẩn thận từ internet. Dữ liệu giám sát tình trạng, ngược lại, rất phong phú nhưng khó sử dụng, vì nó không có cấu trúc, không đồng nhất và, quan trọng nhất, không có nhãn.”

Tuy nhiên, Löwenmark đã có một số tài nguyên. Qua nhiều năm, các chuyên gia giám sát tình trạng tại SKF và hai nhà máy giấy đã tích lũy hàng trăm báo cáo tài liệu về các sự cố máy móc, các hành động khắc phục và dữ liệu được sử dụng để chẩn đoán chúng. Kế hoạch, anh nói, là sử dụng những báo cáo này để đào tạo một mô hình AI đa mục đích để xử lý dữ liệu giám sát tình trạng.

Điều này không dễ dàng. “Các báo cáo giám sát tình trạng rất khác so với văn bản và hình ảnh điển hình được sử dụng để đào tạo các mô hình AI,” Löwenmark nói. “Dữ liệu có thể được trình bày theo nhiều cách khác nhau, và ngôn ngữ mà các nhà phân tích sử dụng rất kỹ thuật và bao gồm từ ngữ chuyên ngành và công ty mà hiếm khi được sử dụng ở nơi khác.”

Về “phía hình ảnh”, hệ thống được thiết kế để xử lý độ phức tạp của các tín hiệu giám sát tình trạng. “Nếu bạn đào tạo một AI để nhận diện một bức tranh của một con chó, điều đó dễ dàng vì bạn biết có một con chó trong hình ảnh đào tạo,” anh nói. “Trong giám sát, các tín hiệu có thể thoáng qua và phát triển theo thời gian, vì vậy bạn cần xem xét dữ liệu lịch sử bên cạnh tín hiệu hiện tại và có thể xem các đại diện khác nhau của dữ liệu đó.”

Giải quyết ngôn ngữ kỹ thuật
Giải quyết những vấn đề này đòi hỏi sự sáng tạo. Löwenmark đã sử dụng một loạt các kỹ thuật để chuyển đổi dữ liệu và báo cáo của các kỹ sư thành một định dạng mà các hệ thống AI hiện nay có thể hiểu. Anh đã bao gồm các giải thích về dữ liệu và định nghĩa các thuật ngữ chính trong các yêu cầu sử dụng để chạy mô hình AI và cung cấp cho hệ thống các liên kết đến tài liệu giải thích.

Löwenmark đã sử dụng những yếu tố này để tinh chỉnh các mô hình AI “giám sát kép”. Loại hệ thống này được thiết kế để xử lý dữ liệu văn bản và hình ảnh cùng một lúc. Đây là công nghệ được sử dụng để tự động tạo mô tả cho các bức ảnh hoặc video hoặc để tạo ra hình ảnh tổng hợp từ các yêu cầu do người dùng cung cấp.

Các mô hình mới nhanh chóng chứng tỏ khả năng xử lý các nhiệm vụ giám sát tình trạng trong thực tế. Một thành công ban đầu đến khi Löwenmark cho thấy một mô hình AI có thể đáng tin cậy nhận diện các tín hiệu phát sinh từ lỗi trong cảm biến hoặc cáp cảm biến. Những sự kiện này tương đối phổ biến trong các lắp đặt giám sát tình trạng lớn. Chúng dễ sửa chữa nhưng việc tìm kiếm chúng trong dữ liệu thường yêu cầu phải xem xét tốn thời gian của một nhà phân tích con người.

“Nếu một AI có thể xác định những lỗi này, nhà phân tích chỉ cần xem xét và xác nhận chẩn đoán,” anh nói. “Điều này sẽ là một cách tiết kiệm thời gian hữu ích.”

Trợ lý AI đang phát triển
AI cũng có thể giúp chẩn đoán các vấn đề phức tạp hơn. Các phiên bản mới hơn của hệ thống Löwenmark được thiết kế để giúp các nhà phân tích thực hiện công việc này nhanh hơn và chính xác hơn. “Trong một ví dụ, một nhà phân tích có thể nhìn vào một tín hiệu và bắt đầu gõ mô tả về vấn đề,” Löwenmark nói. “Khi họ làm điều đó, hệ thống có thể tự động đưa ra các ví dụ về các sự kiện tương tự đã xảy ra trong quá khứ, cho thấy dữ liệu trông như thế nào và vấn đề là gì. Điều đó có thể giúp nhà phân tích trong chẩn đoán của riêng họ hoặc chỉ họ đến một đồng nghiệp có nhiều kinh nghiệm hơn trong việc chẩn đoán các vấn đề tương tự.”

Phiên bản tiếp theo của hệ thống, hiện đang trong quá trình phát triển, nhằm mở rộng mô hình AI thành một trợ lý ảo tương tác cho các nhà phân tích giám sát tình trạng. Nó sẽ có một giao diện “trò chuyện” có thể phản hồi các truy vấn văn bản từ người dùng, hiển thị dữ liệu liên quan, chạy các công cụ phân tích và gợi ý các bước tiếp theo cần thiết để chẩn đoán một vấn đề.

Điều này có nghĩa là giám sát tình trạng bằng AI đã sẵn sàng cho thời điểm chính thức? Löwenmark lạc quan nhưng thận trọng. “Tôi sẽ nói rằng chúng tôi có một khung làm việc vững chắc, nhưng mỗi lắp đặt giám sát tình trạng là khác nhau, vì vậy người dùng cần phải đào tạo các mô hình bằng dữ liệu của riêng họ và tinh chỉnh chúng để phù hợp với chính sách và quy trình của họ. Các hệ thống AI có thể sử dụng học tăng cường, vì vậy mô hình dần dần cải thiện độ liên quan và chính xác của kết quả dựa trên phản hồi từ người dùng.”

SKF hiện đang điều tra khả năng chuyển giao phương pháp của anh. Các cuộc thảo luận đang diễn ra về một dự án mới để áp dụng phương pháp AI vào các ứng dụng khác.

Công việc của Karl Löwenmark được hỗ trợ bởi Chương trình Đổi mới Chiến lược Công nghệ Thông tin và Tự động hóa Quy trình (PiIA), một khoản đầu tư chung của Vinnova, Formas và Cơ quan Năng lượng Thụy Điển. Ngoài Đại học Công nghệ Luleå và SKF, dự án còn có sự tham gia của viện nghiên cứu RISE và các nhà máy giấy SCA Munksund và Smurfit Kappa Piteå.

← Vòng bi Card SKF – Liều thuốc thần cho Máy móc

Nếu như bạn đang có nhu cầu mua hàng chính hãng hãy liên hệ trực tiếp với Hotline: 0918.332.358 hoặc Mr Huy – 0979.669.695 để được nhận báo giá tốt nhất về sản phẩm của SKF