Tại nhà máy ở Ba Lan, Kellanova và Siemens đã kết hợp AI, cảm biến và công nghệ bản sao số để tối ưu dây chuyền, giúp công suất tăng 10%, hao hụt giảm 13% và tiêu thụ năng lượng giảm 7%, tỷ suất hoàn vốn đầu tư ban đầu vượt 40%. AI đang rời khỏi phòng thí nghiệm và đi sâu vào những ngành sản xuất tưởng như rất truyền thống.
Để đạt được những kết quả này, nhà sản xuất Pringles là Kellanova đã hợp tác với Siemens trong khoảng 4 năm, đầu tư khoảng 4-5 triệu USD. Hai bên trước hết xây dựng một bản sao số (digital twin) của khối bột khoai tây, sau đó lắp đặt hệ thống cảm biến dọc dây chuyền để thu thập khoảng 200 loại dữ liệu theo thời gian thực. AI có thể cảnh báo trước khi bột bị đứt, dính vào chảo hoặc khiến tốc độ sản xuất chậm lại.
Làm khoai tây chiên đóng lon khó hơn mọi người nghĩ
Với người tiêu dùng, khoai tây chiên đóng lon và khoai tây chiên đóng túi có lẽ chỉ khác nhau ở hình thức bao bì và hình dáng sản phẩm. Nhưng với nhà sản xuất Pringles, khoai tây chiên dạng đóng lon khó sản xuất hơn nhiều.
Mỗi miếng phải có độ cong, kích thước và độ dày tương đối đồng đều để có thể xếp ngay ngắn thành từng chồng trong chiếc lon hình trụ. Chỉ cần một trong các thông số này lệch khỏi tiêu chuẩn, những công đoạn phía sau như chiên, vận chuyển và đóng lon đều bị ảnh hưởng.
Khoai tây chiên đóng túi có thể không đồng đều về kích thước, mép hơi cong hay gia vị phân bố không hoàn toàn giống nhau cũng ảnh hưởng không đáng kể tới khả năng tiêu thụ.
Nhưng với Pringles, chỉ một sai lệch nhỏ về hình dạng, độ dày hoặc độ ẩm cũng có thể tạo ra hiệu ứng dây chuyền: bột bị đứt trong quá trình cán, miếng khoai dính vào chảo chiên hoặc bị vỡ khi đóng lon. Tốc độ dây chuyền càng cao, những sai số nhỏ càng dễ biến thành lượng phế phẩm lớn và thời gian ngừng máy kéo dài.
Vấn đề nằm ở chỗ nguyên liệu thực phẩm rất khó ổn định như linh kiện công nghiệp. Kích thước hạt bột, độ ẩm của nguyên liệu khoai tây, hàm lượng tinh bột và protein đều có thể thay đổi theo vùng sản xuất, mùa vụ và từng lô nguyên liệu. Công thức hôm trước hoạt động hoàn hảo chưa chắc tiếp tục cho kết quả tương tự khi nhà máy thay lô nguyên liệu mới.
Trước đây, nhà máy chủ yếu dựa vào kinh nghiệm của những công nhân lành nghề. Họ quan sát màu sắc, trạng thái của bột rồi điều chỉnh tỷ lệ nước, dầu và nguyên liệu dựa trên kinh nghiệm.
Phương pháp này vẫn hiệu quả, nhưng có một nhược điểm: nhiều khi công nhân chỉ phát hiện vấn đề sau khi bột đã bị đứt, khoai bị dính chảo hoặc cả dây chuyền buộc phải dừng lại.
AI giúp nhà máy “nhìn thấy tương lai” vài phút trước khi sự cố xảy ra
Đây chính là vấn đề mà Kellanova và Siemens muốn giải quyết: đưa thời điểm phát hiện vấn đề lên sớm hơn.
Trước tiên hai bên tái tạo toàn bộ quá trình sản xuất bột trong môi trường ảo. Các kỹ sư có thể thay đổi tỷ lệ nguyên liệu, nhiệt độ và thông số máy móc để quan sát điều gì sẽ xảy ra khi bột đi qua các công đoạn trộn, cán, chiên và đóng lon.
Trong nhà máy thực tế, một lần thử nghiệm sai có thể đồng nghĩa với việc phải dừng dây chuyền và vứt bỏ một lượng lớn nguyên liệu. Nhưng trong môi trường digital twin, cùng một thử nghiệm có thể được tiến hành nhiều lần mà không ảnh hưởng tới sản xuất.
Điểm đáng chú ý là bản sao số này không phải một mô hình 3D được tạo ra rồi để đó. Các cảm biến, camera và thiết bị kiểm tra trên dây chuyền liên tục đưa dữ liệu thực tế vào hệ thống. Mô hình sau đó cập nhật dự báo dựa trên tình trạng nguyên liệu và thiết bị mới.
Nhà máy thu thập khoảng 200 chỉ số, từ độ ẩm của bột, kích thước hạt bột, hàm lượng protein cho tới tỷ lệ dầu và nước.
Một mô hình AI chạy ở thiết bị biên (edge AI) gần dây chuyền sẽ phân tích dữ liệu, dự đoán trạng thái của mẻ bột hiện tại và đề xuất cho công nhân điều chỉnh công thức hoặc thông số thiết bị.
Điều quan trọng là AI không thay thế con người. Quyết định cuối cùng vẫn thuộc về người vận hành. AI chỉ gom những tín hiệu vốn nằm rải rác ở nhiều công đoạn thành một bức tranh thống nhất, qua đó giúp kinh nghiệm của công nhân phát huy tác dụng trước khi sự cố xảy ra, thay vì sau đó.
Trước đây, công nhân nhìn thấy bột hỏng mới dừng máy kiểm tra. Nay, hệ thống có thể phát hiện những dấu hiệu bất thường ngay khi chúng bắt đầu hình thành, chẳng hạn nguyên liệu hoặc thông số máy có sự thay đổi.
Công nhân không cần kiểm tra từng bộ phận của cả dây chuyền, cũng không phải chờ tới khi một mẻ khoai bị loại bỏ mới tìm nguyên nhân.
Ở đây, AI đảm nhiệm một nhiệm vụ rất cụ thể: rút ngắn thời gian phán đoán và giảm số lần thử-sai.
Những con số cho thấy AI công nghiệp có thể kiếm tiền như thế nào
Theo số liệu Siemens công bố, nhà máy ở Kutno đạt được những kết quả đáng chú ý: Công suất tăng 10%, hao hụt giảm 13%, tiêu thụ năng lượng giảm 7%, công suất tăng nhưng không cần lắp thêm dây chuyền mới.
Đối với một nhà máy đã được tự động hóa ở mức cao, đây là sự cải thiện rất đáng kể. Nói đơn giản, với cùng nhà xưởng và thiết bị hiện có, nhà máy có thể sản xuất nhiều khoai tây chiên đạt chuẩn hơn, đồng thời giảm lượng bột, vỏ lon và sản phẩm vỡ phải bỏ đi.
Khoản đầu tư khoảng 5 triệu USD đương nhiên không nhỏ, trong khi quá trình phát triển kéo dài tới 4 năm. Kellanova cho biết tỷ suất hoàn vốn của dự án đã vượt 40%, dù công ty chưa công bố cụ thể thời gian tính toán và phương pháp xác định con số này.
Đây là điểm rất quan trọng. So với những tuyên bố kiểu “AI giúp nhân viên làm việc hiệu quả hơn” hay “AI giúp doanh nghiệp ra quyết định thông minh hơn”, hiệu quả của AI trong sản xuất dễ đo lường hơn rất nhiều.
Không cần ChatGPT, nhà máy vẫn có thể hưởng lợi lớn từ AI
AI công nghiệp như trường hợp của Pringles không cần phải trả lời những câu hỏi mở, cũng không cần “hiểu toàn bộ tri thức của nhân loại”. Nó chỉ cần hiểu một vấn đề rất cụ thể: một khối bột sẽ biến đổi như thế nào dưới những điều kiện máy móc, nhiệt độ và độ ẩm nhất định.
Hiệu quả của mô hình có thể nhanh chóng được kiểm chứng bằng những chỉ số rất rõ ràng: tỷ lệ sản phẩm lỗi, thời gian dừng máy, sản lượng và lượng phế phẩm. Nó cũng không giống các mô hình AI lớn vốn đòi hỏi nguồn lực khổng lồ cho quá trình huấn luyện.
Trong trường hợp này, phần quan trọng hơn lại nằm ở phía con người: các kỹ sư phải xác định những biến số nào ảnh hưởng tới bột, quyết định vị trí lắp cảm biến, thống nhất dữ liệu từ các máy móc khác nhau, rồi chuyển kinh nghiệm nhiều năm của công nhân thành những quy tắc có thể kiểm chứng.
Nói cách khác, AI chỉ xuất hiện ở phần cuối của dự án. Phía trước nó là một khối lượng lớn công việc về mô hình hóa quy trình, cải tạo thiết bị và xử lý dữ liệu. Nếu thiếu những công việc này, 200 loại dữ liệu thu thập được cũng chỉ là 200 nhóm con số rời rạc, không mang lại nhiều giá trị.
Thách thức tiếp theo: nhân rộng mô hình
Đây cũng là yếu tố quyết định dự án có thể nhân rộng đến đâu. Kellanova có ba nhà máy tại Ba Lan, Bỉ và bang Tennessee của Mỹ, mỗi năm sản xuất khoảng 705 triệu pound (hơn 319.000 tấn) Pringles.
Nếu mức cải thiện tại nhà máy ở Ba Lan được nhân rộng sang nhiều dây chuyền khác, lợi ích kinh tế sẽ lớn hơn rất nhiều so với khoản tiết kiệm của một nhà máy đơn lẻ.
Tuy nhiên, đây không phải chuyện “copy-paste”. Mỗi nhà máy có thiết bị, nguyên liệu và điều kiện sản xuất khác nhau. Vì vậy, mô hình digital twin không thể bê nguyên xi từ nhà máy này sang nhà máy khác mà vẫn hoạt động chính xác. AI vẫn phải được hiệu chỉnh lại theo từng dây chuyền.
Đây là một trong những hình thức thực tế nhất của “AI nhà máy”: không ồn ào, không cần một chatbot nổi tiếng, nhưng mỗi ngày âm thầm biến những dữ liệu nhỏ trên dây chuyền thành năng suất, tiết kiệm và lợi nhuận.
Thẻo Creaders
