Bảo dưỡng dự đoán 5.0: kết hợp độ tin cậy thiết bị, hiệu quả năng lượng và vai trò của con người

Kiến trúc vận hành của Khung Bảo dưỡng dự đoán 5.0 (PdM 5.0)

1. Từ bảo dưỡng dự đoán đến tư duy bảo dưỡng toàn diện

Trong nhiều năm qua, bảo dưỡng dự đoán (Predictive Maintenance – PdM) đã trở thành một trong những hướng phát triển quan trọng của quản trị bảo dưỡng công nghiệp. Thay vì chờ thiết bị hư hỏng mới tiến hành sửa chữa hoặc thực hiện bảo dưỡng theo chu kỳ cố định, PdM sử dụng dữ liệu vận hành và các phương pháp phân tích để nhận biết sớm dấu hiệu suy giảm tình trạng thiết bị, từ đó hỗ trợ xác định thời điểm can thiệp phù hợp.

Các công nghệ như cảm biến rung động, đo nhiệt độ, phân tích dầu, giám sát dòng điện và trí tuệ nhân tạo (AI) đang giúp kỹ sư bảo dưỡng hiểu rõ hơn tình trạng thực tế của máy móc. Những dấu hiệu bất thường có thể được phát hiện sớm, tạo điều kiện để lập kế hoạch sửa chữa trước khi sự cố nghiêm trọng xảy ra.

Tuy nhiên, khi các nhà máy ngày càng quan tâm đến mục tiêu tiết kiệm năng lượng, giảm phát thải và nâng cao tính bền vững, việc chỉ tập trung vào dự báo hư hỏng thiết bị đã không còn phản ánh đầy đủ vai trò của bảo dưỡng.

Một thiết bị có thể vẫn hoạt động liên tục nhưng đang tiêu thụ năng lượng cao hơn bình thường do ma sát tăng, khe hở không phù hợp, mất cân bằng hoặc hiệu suất suy giảm. Nếu hệ thống bảo dưỡng chỉ quan tâm đến nguy cơ hư hỏng mà không đánh giá tổn thất năng lượng, nhà máy có thể bỏ qua một cơ hội cải thiện đáng kể hiệu quả vận hành.

Đây là cơ sở cho một hướng tiếp cận mới: Bảo dưỡng dự đoán 5.0 (Predictive Maintenance 5.0) – mở rộng hoạt động bảo dưỡng từ mục tiêu duy trì độ tin cậy thiết bị sang kết hợp đồng thời hiệu quả kỹ thuật, tính bền vững và vai trò chủ động của con người.

2. Industry 5.0 và ba trụ cột trong bảo dưỡng công nghiệp

Industry 5.0 (Công nghiệp 5.0) phát triển trên nền tảng chuyển đổi số và tự động hóa của Industry 4.0, nhưng mở rộng trọng tâm sang ba định hướng: lấy con người làm trung tâm, phát triển bền vững và khả năng chống chịu của hệ thống.

Khi áp dụng vào công tác bảo dưỡng, ba định hướng này có thể được hiểu như sau:

2.1. Lấy con người làm trung tâm (Human-centricity)

Trong các hệ thống bảo dưỡng thông minh, AI có thể phân tích dữ liệu và đưa ra cảnh báo về tình trạng thiết bị. Tuy nhiên, kết quả phân tích không phải lúc nào cũng đủ để quyết định phương án xử lý.

Kỹ sư và nhân viên bảo dưỡng vẫn cần đánh giá các yếu tố thực tế như điều kiện vận hành, lịch sử hư hỏng, đặc điểm công nghệ, mức độ ảnh hưởng đến sản xuất và khả năng triển khai sửa chữa.

Do đó, công nghệ cần hỗ trợ con người hiểu rõ vấn đề và đưa ra quyết định tốt hơn, thay vì thay thế hoàn toàn vai trò chuyên môn của đội ngũ bảo dưỡng.

2.2. Phát triển bền vững (Sustainability)

Bảo dưỡng có ảnh hưởng trực tiếp đến hiệu quả sử dụng năng lượng và tài nguyên của nhà máy.

Một thiết bị suy giảm tình trạng có thể làm tăng tiêu thụ điện, tăng tổn thất cơ học, giảm hiệu suất truyền động hoặc gây thất thoát môi chất. Việc phát hiện và xử lý những vấn đề này không chỉ giúp cải thiện độ tin cậy mà còn góp phần giảm chi phí năng lượng và tác động môi trường.

Vì vậy, đánh giá hiệu quả bảo dưỡng cần xem xét cả tình trạng thiết bị và các chỉ số năng lượng, môi trường có liên quan.

2.3. Khả năng chống chịu và phục hồi (Resilience)

Nhà máy công nghiệp luôn phải đối mặt với những biến động như thay đổi tải, điều kiện vận hành bất thường, thiếu hụt vật tư, gián đoạn chuỗi cung ứng và sự cố thiết bị.

Một hệ thống bảo dưỡng có khả năng chống chịu tốt cần nhận biết sớm các dấu hiệu bất thường, thích ứng với điều kiện thay đổi và hỗ trợ nhà máy duy trì hoạt động an toàn.

Điều này đòi hỏi dữ liệu bảo dưỡng phải được kết nối với thông tin vận hành, kế hoạch sản xuất và nguồn lực sửa chữa.

3. Mô hình bảo dưỡng dự đoán 5.0: Kết nối tình trạng thiết bị, năng lượng và con người

Trong nghiên cứu công bố trên tạp chí Discover Sustainability ngày 05/10/2026, nhóm tác giả Nada Baddou, Maha Benjelloun, Afaf Dadda và cộng sự đã đề xuất một khung triển khai Predictive Maintenance 5.0 dựa trên tổng quan nghiên cứu và một nghiên cứu tình huống công nghiệp.

Nhóm tác giả rà soát 238 bài báo, lựa chọn 123 nghiên cứu đáp ứng các tiêu chí đánh giá và nhận thấy việc tích hợp đồng thời ba trụ cột của Industry 5.0 vào các hệ thống bảo dưỡng dự đoán vẫn còn hạn chế.

Từ kết quả đó, nghiên cứu đề xuất mô hình gồm ba hướng chức năng có liên kết với nhau:

3.1. Đánh giá sức khỏe thiết bị (Equipment Health Assessment)

Đây là nền tảng của hệ thống bảo dưỡng dự đoán.

Dữ liệu từ thiết bị được thu thập và phân tích nhằm xác định tình trạng hiện tại, nhận diện xu hướng suy giảm và phát hiện những dấu hiệu bất thường.

Các nguồn dữ liệu có thể bao gồm:

• Rung động và phổ tần số của máy quay.
• Nhiệt độ ổ trục, động cơ và các bộ phận quan trọng.
• Dòng điện và công suất tiêu thụ.
• Áp suất, lưu lượng và các thông số công nghệ.
• Kết quả phân tích dầu bôi trơn.
• Lịch sử hư hỏng và sửa chữa.

Từ những dữ liệu này, hệ thống có thể hỗ trợ nhận diện các dạng hư hỏng như mất cân bằng, lệch tâm, hư hỏng ổ lăn, ma sát bất thường hoặc suy giảm hiệu suất.

Điểm quan trọng là không nên chỉ sử dụng một thông số riêng lẻ để kết luận tình trạng thiết bị. Việc đánh giá cần kết hợp nhiều nguồn dữ liệu và xem xét điều kiện vận hành tại thời điểm đo.

3.2. Đánh giá ảnh hưởng đến năng lượng và phát thải CO₂

Đây là điểm mở rộng đáng chú ý của Predictive Maintenance 5.0.

Thông thường, hệ thống giám sát tình trạng thiết bị tập trung vào việc phát hiện nguy cơ hư hỏng. Trong khi đó, mô hình mới hướng đến việc liên kết tình trạng suy giảm của thiết bị với mức tiêu thụ năng lượng và tác động môi trường.

Ví dụ, đối với một bơm ly tâm, khi tình trạng vận hành suy giảm do mài mòn, khe hở tăng hoặc điều kiện thủy lực không phù hợp, hiệu suất tổng thể có thể giảm. Để duy trì cùng yêu cầu lưu lượng và cột áp, hệ thống có thể phải tiêu thụ nhiều năng lượng hơn.

Tương tự, đối với máy nén khí, tình trạng rò rỉ, suy giảm hiệu suất hoặc vận hành ngoài vùng hiệu suất tối ưu có thể làm tăng điện năng tiêu thụ.

Trong những trường hợp này, bảo dưỡng không chỉ giúp ngăn ngừa hư hỏng mà còn có thể tạo ra lợi ích kinh tế thông qua tiết kiệm năng lượng.

Để lượng hóa lợi ích, nhà máy có thể theo dõi:

• Điện năng tiêu thụ của thiết bị, kWh.
• Công suất tiêu thụ theo tải vận hành, kW.
• Suất tiêu hao năng lượng trên một đơn vị sản phẩm.
• Hiệu suất thiết bị hoặc hệ thống.
• Lượng phát thải CO₂ quy đổi từ điện năng tiêu thụ.

Cần lưu ý rằng việc quy đổi điện năng sang phát thải CO₂ phải sử dụng hệ số phát thải phù hợp với nguồn điện và phạm vi tính toán. Không nên sử dụng một hệ số cố định cho mọi địa điểm và mọi thời kỳ.

3.3. Hỗ trợ ra quyết định có sự tham gia của con người

Một vấn đề thường gặp khi ứng dụng AI trong bảo dưỡng là kết quả phân tích có thể phức tạp, khó diễn giải đối với người trực tiếp vận hành và sửa chữa thiết bị.

Hệ thống có thể đưa ra các chỉ số như xác suất hư hỏng, điểm bất thường hoặc dự báo thời gian sử dụng còn lại. Tuy nhiên, nếu không giải thích được cơ sở của cảnh báo, kỹ sư sẽ khó đánh giá mức độ tin cậy và lựa chọn hành động phù hợp.

Nghiên cứu đề xuất sử dụng mô hình ngôn ngữ lớn (Large Language Model – LLM) làm lớp tương tác giữa kết quả phân tích dữ liệu và người sử dụng.

Thay vì chỉ hiển thị một cảnh báo kỹ thuật, hệ thống có thể hỗ trợ giải thích:

• Thông số nào đang có xu hướng bất thường?
• Mức độ suy giảm hiện tại ra sao?
• Những nguyên nhân nào có thể liên quan?
• Cần kiểm tra thêm những vị trí nào?
• Có thể tiếp tục vận hành hay cần xem xét giảm tải?
• Những công việc bảo dưỡng nào nên được ưu tiên?

Ví dụ, khi hệ thống phát hiện rung động ổ trục của một bơm tăng bất thường, công cụ hỗ trợ có thể trình bày xu hướng rung, điều kiện vận hành, các nguyên nhân có khả năng xảy ra và danh sách kiểm tra đề xuất.

Tuy nhiên, các nội dung do AI tạo ra chỉ nên được xem là thông tin hỗ trợ. Kỹ sư có trách nhiệm xác minh dữ liệu, đánh giá nguy cơ và phê duyệt hành động theo quy trình kỹ thuật của nhà máy.

4. Minh họa ứng dụng tại nhà máy: Trường hợp bơm và máy nén công nghiệp

Để hình dung cách tiếp cận này có thể được vận dụng trong thực tế, có thể xem xét hai ví dụ điển hình.

4.1. Đối với bơm ly tâm

Giả sử một bơm công nghệ có các dấu hiệu:

• Rung động tăng dần theo thời gian.
• Nhiệt độ ổ trục tăng so với xu hướng thông thường.
• Công suất tiêu thụ tăng trong khi lưu lượng không thay đổi đáng kể.
• Hiệu suất vận hành có dấu hiệu suy giảm.

Nếu chỉ đánh giá theo tiêu chí bảo dưỡng truyền thống, kỹ sư có thể tập trung vào nguy cơ hư hỏng ổ trục hoặc lệch tâm.

Với cách tiếp cận rộng hơn, cần đồng thời xem xét:

1.      Tình trạng thiết bị: Phân tích rung động, nhiệt độ, độ đồng tâm và tình trạng ổ trục.

2.      Hiệu quả năng lượng: So sánh công suất tiêu thụ với lưu lượng, cột áp và điều kiện vận hành tương ứng.

3.      Quyết định bảo dưỡng: Xác định mức độ cần thiết của việc kiểm tra, căn chỉnh, thay ổ trục hoặc đánh giá lại điều kiện thủy lực.

Như vậy, phương án bảo dưỡng được lựa chọn không chỉ nhằm ngăn ngừa hư hỏng mà còn xem xét khả năng cải thiện hiệu suất vận hành.

4.2. Đối với máy nén

Đối với máy nén, các dấu hiệu như nhiệt độ tăng, rung động bất thường, công suất tiêu thụ tăng hoặc hiệu suất nén suy giảm có thể phản ánh nhiều vấn đề khác nhau.

Kỹ sư cần kết hợp dữ liệu tình trạng thiết bị với các thông số công nghệ như áp suất hút, áp suất đẩy, nhiệt độ, lưu lượng và điều kiện tải.

Một cảnh báo từ AI có thể giúp phát hiện xu hướng bất thường sớm hơn, nhưng không thể thay thế việc phân tích nguyên nhân gốc rễ (Root Cause Analysis – RCA).

Sau khi xác định nguyên nhân, nhà máy có thể lựa chọn phương án phù hợp: điều chỉnh điều kiện vận hành, kiểm tra hệ thống làm kín, đánh giá tình trạng bộ phận quay hoặc lập kế hoạch sửa chữa.

Đặc biệt, với thiết bị trọng yếu, mọi quyết định tiếp tục vận hành, giảm tải hoặc dừng thiết bị phải tuân thủ giới hạn vận hành và quy trình an toàn đã được phê duyệt.

5. Điều kiện cần thiết để triển khai tại nhà máy công nghiệp

Predictive Maintenance 5.0 là một hướng tiếp cận có tiềm năng, nhưng việc triển khai không nên bắt đầu bằng đầu tư ngay vào AI hoặc mô hình ngôn ngữ lớn.

Nền tảng quan trọng nhất vẫn là dữ liệu, quy trình và năng lực chuyên môn.

5.1. Chuẩn hóa dữ liệu thiết bị và lịch sử bảo dưỡng

Nhà máy cần xây dựng dữ liệu thiết bị có cấu trúc, bao gồm mã thiết bị, thông số kỹ thuật, cấp độ quan trọng, lịch sử hư hỏng, lệnh công tác và kết quả sửa chữa.

Dữ liệu không đầy đủ hoặc thiếu nhất quán có thể dẫn đến kết quả phân tích sai lệch.

5.2. Xây dựng hệ thống giám sát tình trạng phù hợp

Không nhất thiết phải lắp đặt cảm biến trực tuyến cho toàn bộ thiết bị.

Nhà máy nên lựa chọn các thiết bị trọng yếu dựa trên mức độ rủi ro, hậu quả hư hỏng, khả năng phát hiện sớm và hiệu quả kinh tế.

Đối với một số thiết bị, đo rung định kỳ hoặc phân tích dầu có thể đã đáp ứng yêu cầu. Đối với thiết bị có mức độ quan trọng cao, giám sát trực tuyến có thể mang lại lợi ích lớn hơn.

5.3. Kết nối dữ liệu bảo dưỡng với dữ liệu vận hành

Dữ liệu rung động hoặc nhiệt độ sẽ có ý nghĩa hơn khi được đặt trong bối cảnh tải, tốc độ, lưu lượng, áp suất và điều kiện vận hành.

Nếu không xét đến các yếu tố này, hệ thống có thể nhầm lẫn giữa sự thay đổi bình thường do chế độ vận hành và dấu hiệu hư hỏng thực sự.

5.4. Tích hợp CMMS vào quy trình ra quyết định

Kết quả giám sát tình trạng cần được chuyển thành hành động cụ thể.

Một quy trình hợp lý có thể gồm:

1.      Hệ thống phát hiện dấu hiệu bất thường.

2.      Kỹ sư phân tích và xác nhận cảnh báo.

3.      Đánh giá mức độ rủi ro và ảnh hưởng đến sản xuất.

4.      Đề xuất biện pháp kiểm tra hoặc sửa chữa.

5.      Tạo yêu cầu công việc hoặc lệnh công tác trên CMMS.

6.      Thực hiện, nghiệm thu và cập nhật kết quả.

7.      Sử dụng dữ liệu sau sửa chữa để cải thiện mô hình phân tích.

Nếu cảnh báo chỉ xuất hiện trên màn hình mà không được chuyển thành công việc và không có cơ chế theo dõi kết quả, giá trị thực tế của hệ thống sẽ rất hạn chế.

5.5. Phát triển năng lực của đội ngũ bảo dưỡng

Kỹ sư và nhân viên bảo dưỡng cần hiểu cách đọc dữ liệu, đánh giá xu hướng và nhận biết giới hạn của các mô hình AI.

Bên cạnh chuyên môn cơ khí, điện, tự động hóa và công nghệ, các năng lực về phân tích dữ liệu và tư duy hệ thống sẽ ngày càng quan trọng.

Mục tiêu không phải biến mọi kỹ sư bảo dưỡng thành chuyên gia AI, mà là giúp họ biết cách khai thác công nghệ để nâng cao chất lượng đánh giá và ra quyết định.

6. Các chỉ số đánh giá hiệu quả của hệ thống bảo dưỡng dự đoán 5.0

Để đánh giá hiệu quả triển khai, nhà máy nên sử dụng bộ chỉ số bao quát cả ba khía cạnh: độ tin cậy thiết bị, tính bền vững và yếu tố con người.

Nhóm đánh giá	Chỉ số tham khảo	Ý nghĩa
Độ tin cậy	MTBF	Theo dõi thời gian vận hành trung bình giữa các lần hư hỏng
Khả năng sửa chữa	MTTR	Theo dõi thời gian sửa chữa trung bình
Tính sẵn sàng	Availability	Đánh giá khả năng sẵn sàng vận hành của thiết bị
Hiệu quả năng lượng	kWh/tấn sản phẩm	Theo dõi mức tiêu hao năng lượng theo sản lượng
Hiệu suất thiết bị	Hiệu suất bơm, máy nén hoặc động cơ	Đánh giá mức độ suy giảm hiệu suất
Môi trường	CO₂ quy đổi	Theo dõi phát thải liên quan đến tiêu thụ năng lượng
Hiệu quả cảnh báo	Tỷ lệ cảnh báo đúng	Đánh giá chất lượng cảnh báo của mô hình
Yếu tố con người	Thời gian xác minh và xử lý cảnh báo	Đánh giá khả năng hỗ trợ công việc của hệ thống

Các chỉ số cần được lựa chọn theo loại thiết bị và mục tiêu quản lý. Không nên áp dụng một bộ chỉ số giống nhau cho mọi hệ thống.

Đặc biệt, cần phân biệt giữa chỉ số kỹ thuật và chỉ số kinh tế. Một hệ thống có thể phát hiện được nhiều bất thường nhưng chưa chắc đã tạo ra hiệu quả nếu các cảnh báo không dẫn đến hành động phù hợp hoặc chi phí triển khai vượt quá lợi ích thu được.

7. Những giới hạn cần lưu ý khi ứng dụng AI trong bảo dưỡng

Mặc dù có nhiều tiềm năng, AI và các mô hình ngôn ngữ lớn vẫn có những giới hạn cần được kiểm soát.

Thứ nhất, kết quả dự báo phụ thuộc rất lớn vào chất lượng dữ liệu. Dữ liệu thiếu, sai lệch hoặc không phản ánh đúng điều kiện vận hành có thể làm giảm độ chính xác của mô hình.

Thứ hai, một mô hình được huấn luyện trong điều kiện vận hành nhất định có thể không hoạt động tốt khi tải, tốc độ, môi trường hoặc cấu hình thiết bị thay đổi.

Thứ ba, mô hình ngôn ngữ lớn có thể tạo ra nội dung nghe có vẻ hợp lý nhưng không chính xác về mặt kỹ thuật. Vì vậy, không được sử dụng câu trả lời của AI như một chỉ dẫn sửa chữa hoặc quyết định an toàn nếu chưa được người có chuyên môn xác minh.

Cuối cùng, kết quả từ một nghiên cứu tình huống không thể đại diện cho mọi ngành công nghiệp. Cần có thêm các thử nghiệm ở quy mô lớn, trên nhiều loại thiết bị và điều kiện vận hành khác nhau trước khi khẳng định hiệu quả triển khai rộng rãi.

8. Kết luận: Bảo dưỡng thông minh phải tạo ra giá trị thực tế

Predictive Maintenance 5.0 mở rộng cách nhìn về bảo dưỡng công nghiệp. Thay vì chỉ tập trung dự báo hư hỏng và giảm thời gian dừng máy, hệ thống bảo dưỡng cần hướng đến mục tiêu toàn diện hơn: duy trì độ tin cậy thiết bị, nâng cao hiệu quả sử dụng năng lượng, giảm tác động môi trường và hỗ trợ con người ra quyết định tốt hơn.

Đối với các nhà máy công nghiệp, hướng triển khai phù hợp không nhất thiết là đầu tư ngay vào một hệ thống AI phức tạp. Có thể bắt đầu từ việc chuẩn hóa dữ liệu thiết bị, nâng cao chất lượng giám sát tình trạng, kết nối dữ liệu vận hành với CMMS và lựa chọn một số thiết bị trọng yếu để thử nghiệm.

Khi nền tảng dữ liệu và quy trình đã đủ tin cậy, các công cụ phân tích nâng cao và AI mới có thể phát huy hiệu quả.

Giá trị thực sự của bảo dưỡng thông minh không nằm ở số lượng cảm biến, thuật toán hay công nghệ AI được triển khai, mà nằm ở khả năng chuyển dữ liệu thành quyết định kỹ thuật đúng, hành động bảo dưỡng kịp thời và hiệu quả vận hành có thể đo lường được.

 --TÀI LIỆU THAM KHẢO--

Baddou, N., Benjelloun, M., Dadda, A., et al. (2026). Toward an operational predictive maintenance 5.0 framework informed by a scoping review and an industrial case study. Discover Sustainability. Published 05 October 2026.

DOI: https://doi.org/10.1007/s43621-026-04911-1

Bài báo gốc: https://link.springer.com/article/10.1007/s43621-026-04911-1

Xin chào bạn! Nếu bạn đang thích trang web của chúng tôi và thấy các bài viết của chúng tôi hữu ích, chúng tôi rất mong nhận được sự ủng hộ của bạn. Với sự giúp đỡ của bạn, chúng tôi có thể tiếp tục phát triển tài nguyên và cung cấp cho bạn nội dung có giá trị hơn nữa. 

Cảm ơn bạn đã ủng hộ chúng tôi. 

Nguyễn Thanh Sơn

Related Posts by Categories