AI phân tích âm thanh: Bảo trì dự đoán cho máy móc không có cảm biến

04/09/2026

Bài học đắt giá từ một dự án bảo trì dự đoán đi chệch hướng

Ví dụ minh hoạ: hãy hình dung một dự án tại một nhà máy sản xuất mì ăn liền. Ban đầu, kế hoạch rất rõ ràng: lắp đặt cảm biến IoT lên toàn bộ dây chuyền để theo dõi rung động và nhiệt độ. Chúng tôi đã tính toán chi tiết, lập ngân sách, và thậm chí vẽ sẵn biểu đồ hiệu quả.

Nhưng thực tế đã cho chúng tôi một cú đấm đau. Khoảng một phần ba số thiết bị trong nhà máy là máy móc cũ, loại nhập khẩu từ những năm 90. Các nhà sản xuất đã ngừng hỗ trợ, không còn linh kiện thay thế, và quan trọng hơn, không có cổng giao tiếp để gắn cảm biến mới. Việc khoan lỗ, khoan đường ống để lắp thêm thiết bị đo lường có nghĩa là phải dừng dây chuyền cả tuần. Giám đốc vận hành lúc đó đã từ chối ngay lập tức. Dự án bị chững lại.

Chúng tôi đã ngồi lại và thay đổi tư duy. Thay vì bắt máy móc phải "nói" bằng tín hiệu số, chúng tôi bắt máy móc "nói" bằng tiếng ồn vốn có. Đó là lúc AI phân tích âm thanh bước vào. Không cần khoan một lỗ nào, không cần cắt mạch điện. Chúng tôi chỉ cần gắn một micro công nghiệp gần động cơ và để AI lắng nghe.

Trước khi làm: Đánh giá thực tế và loại bỏ cái "vô hình"

Nhiều giám đốc vận hành nghĩ rằng chỉ cần mua phần mềm là xong. Sai lầm. Giai đoạn chuẩn bị cho giám sát thiết bị nhà máy bằng âm thanh quan trọng hơn cả việc cài đặt phần mềm.

Đầu tiên, bạn cần xác định đâu là "tiếng ồn nền" của nhà máy. Một xưởng sản xuất bia hoặc nhà máy dầu nhớt ở Việt Nam, hay các kho phân phối tại Thái Lan, Mexico đều có một âm thanh đặc trưng: tiếng máy nén khí rít, tiếng xe nâng chạy, tiếng máy bay vận chuyển hàng hóa từ trên cao. Nếu không lọc được những âm thanh này, AI sẽ báo động giả liên tục.

Trong ví dụ nhà máy mì ăn liền ở trên, chúng tôi đã mất hai tuần chỉ để đi bộ quanh nhà máy, ghi âm từng khu vực. Chúng tôi ghi nhận tiếng ồn khi máy chạy trơn tru, tiếng ồn khi máy đang xay, và tiếng ồn khi đóng gói. Đây là dữ liệu huấn luyện đầu tiên. Đừng cố gắng dùng dữ liệu mẫu từ internet. Máy móc ở nhà máy bạn có một "giọng nói" riêng. Nếu bạn huấn luyện AI bằng dữ liệu chung chung, nó sẽ không phân biệt được tiếng bi trục bị mòn của động cơ số 3 với tiếng động cơ số 4.

Trong khi làm: Khi AI bắt đầu lắng nghe và học hỏi

Quá trình triển khai bảo trì dự đoán bằng âm thanh diễn ra nhanh hơn nhiều so với lắp cảm biến vật lý. Chúng tôi gắn các thiết bị thu âm công nghiệp có khả năng chịu nhiệt và độ ẩm cao. Tại các nhà máy thực phẩm, yếu tố vệ sinh là quan trọng hàng đầu, nên thiết bị thu âm cần được bao bọc trong vỏ kín, không tiếp xúc trực tiếp với thực phẩm.

Giai đoạn này, AI đóng vai trò như một thợ lành nghề nhưng không bao giờ nghỉ ngơi. Nó được huấn luyện để nhận diện các mẫu âm thanh bất thường:

• Tiếng lạch cạch không đều: Dấu hiệu của bi trục bị vỡ hoặc lỏng.
• Tiếng rít cao tần: Thường do ma sát quá lớn giữa các bánh răng hoặc thiếu dầu bôi trơn.
• Tiếng ù trầm bất thường: Có thể là động cơ bị lệch trục hoặc tải quá mức.

Điều thú vị là AI không cần biết nguyên lý kỹ thuật sâu xa của máy. Nó chỉ cần biết "âm thanh này khác với âm thanh bình thường đã được ghi nhận". AI có thể phát hiện ra những tiếng động lạ, dù rất nhỏ, xuất hiện trước khi máy dừng đột ngột. Con người với tai trần khó có thể nghe thấy sự khác biệt đó giữa hàng tá tiếng ồn khác trong nhà máy.

Tuy nhiên, giai đoạn này cũng có những thách thức. Ban đầu, hệ thống báo động quá nhiều. Chúng tôi phải tinh chỉnh ngưỡng cảm nhận. Đây là lúc cần sự tương tác giữa kỹ sư vận hành và đội ngũ AI. Kỹ sư phải xác nhận: "Đúng rồi, tiếng này là do máy A bị lỏng ốc", còn AI sẽ ghi nhận và học hỏi. Sự kết hợp này giúp hệ thống thông minh hơn theo thời gian thực.

Sau khi chạy thật: Hiệu quả thực tế và những đánh đổi

Khi hệ thống ổn định, chúng ta mới thấy rõ giá trị của việc áp dụng AI phân tích âm thanh cho các thiết bị không có cảm biến IoT. Thay vì chờ máy hỏng rồi mới sửa (bảo trì khắc phục), hay bảo trì theo lịch trình cố định (bảo trì định kỳ), chúng ta chuyển sang bảo trì theo tình trạng thực tế.

Với các nhà máy bia hay doanh nghiệp sản xuất dầu nhớt, mục tiêu của hệ thống là giảm thời gian chết do sự cố bất ngờ và, quan trọng hơn, kéo dài tuổi thọ của các thiết bị cũ. Khi biết chính xác thời điểm bi trục sắp hỏng, kỹ thuật viên có thể lên kế hoạch thay thế vào ca nghỉ, tránh việc dừng máy giữa chừng khi đang chạy sản xuất cao điểm.

Tuy nhiên, phải thẳng thắn rằng giải pháp này không phải là "viên đạn bạc". Nó có những giới hạn:

• Khả năng chịu nhiễu: Nếu nhà máy quá ồn ào mà không có biện pháp cách âm, độ chính xác sẽ giảm.
• Không đo được thông số vật lý: AI nghe được tiếng động, nhưng không đo được áp suất, nhiệt độ chính xác. Bạn vẫn cần kết hợp với các cảm biến truyền thống cho các thông số này nếu cần.
• Yêu cầu dữ liệu lịch sử: Nếu máy mới chạy lần đầu, AI cần thời gian để học "tiếng nói" của nó trước khi phát hiện lỗi.

Việc giám sát thiết bị nhà máy bằng âm thanh là một bước đi thông minh cho các doanh nghiệp muốn số hóa mà không muốn tốn kém chi phí đầu tư hạ tầng lớn. Nó phù hợp với cả các nhà máy quy mô vừa và nhỏ tại Việt Nam, cũng như các chuỗi cung ứng đa quốc gia đang mở rộng sang các thị trường mới nổi.

Khi nào thì AI phân tích âm thanh là lựa chọn tối ưu?

Không phải lúc nào cũng cần dùng AI cho mọi thứ. Dưới đây là những trường hợp cụ thể mà giải pháp này thực sự phát huy tác dụng:

1. Các dây chuyền sản xuất sử dụng máy móc cũ, không có cổng kết nối hoặc không thể khoan lỗ lắp cảm biến.
2. Môi trường nhà máy có nhiều tiếng ồn nền nhưng vẫn cần theo dõi tình trạng máy liên tục.
3. Bạn muốn triển khai bảo trì dự đoán nhanh chóng với chi phí thấp hơn so với việc thay thế toàn bộ hệ thống IoT.
4. Các nhà máy thực phẩm, dược phẩm nơi yêu cầu vệ sinh khắt khe, không cho phép khoan đục vào thiết bị.

Ở Philippines hay Mexico, nhiều nhà máy cũ cũng có thể được cải tạo theo hướng này. Họ không cần đập đi xây lại, chỉ cần thêm một lớp "tai nghe" thông minh. Đó chính là sức mạnh của việc áp dụng công nghệ đúng chỗ.

Câu hỏi thường gặp

AI phân tích âm thanh có thay thế hoàn toàn kỹ thuật viên không?

Không. AI là công cụ hỗ trợ ra quyết định. Nó báo hiệu khi có vấn đề, nhưng việc chẩn đoán chi tiết và sửa chữa vẫn cần tay nghề của kỹ thuật viên. AI giúp kỹ thuật viên đến đúng chỗ, đúng lúc với đúng bộ phận cần thay thế.

Chi phí triển khai giải pháp này so với lắp cảm biến IoT như thế nào?

Chi phí thường thấp hơn từ 40% đến 60% vì không cần thay thế máy móc, không cần khoan lỗ hay kéo dây phức tạp. Thiết bị thu âm có giá thành hợp lý và dễ dàng di chuyển giữa các vị trí nếu cần.

Hệ thống có hoạt động được trong môi trường tiếng ồn cực lớn không?

Có, nhưng cần tinh chỉnh. Các thuật toán AI hiện đại có khả năng lọc nhiễu tốt. Tuy nhiên, nếu tiếng ồn quá lớn và không ổn định, độ chính xác có thể giảm. Trong trường hợp đó, cần lắp đặt thêm các thiết bị cách âm hoặc đặt micro gần nguồn phát âm thanh hơn.

AIVISION đồng hành cùng doanh nghiệp Việt Nam trong hành trình ứng dụng AI vào vận hành thực tế. Xem thêm các giải pháp AI cho doanh nghiệp, đọc thêm bài viết khác hoặc liên hệ với đội ngũ AIVISION để được tư vấn theo đúng bài toán của bạn.