Trong một khảo sát của Avenue tại một nhà máy xi măng Việt Nam, phần lớn các thông số công nghệ quan trọng đã có trên hệ thống điều khiển và có thể khai thác tự động. Tuy nhiên, khoảng 90 công tơ vẫn phải được đọc thủ công hằng ngày, trong khi kết quả phân tích X-ray chất lượng tiếp tục được tổng hợp thủ công sang hệ thống khác.

Tình trạng tương tự có thể xuất hiện ở nhiều khâu khác nhau. Dữ liệu quá trình nằm trong DCS hoặc hệ thống lưu trữ dữ liệu lịch sử, dữ liệu chất lượng ở phòng thí nghiệm, dữ liệu thiết bị trong hệ thống bảo trì, còn dữ liệu sản lượng và chi phí nằm ở ERP. Mỗi hệ thống đều thực hiện tốt chức năng của mình, nhưng khi cần xem xét một vấn đề xuyên suốt nhiều bộ phận, người dùng vẫn phải tự ghép thông tin lại.

Điều này dẫn đến một số hệ quả quen thuộc: báo cáo còn phụ thuộc nhiều vào Excel, cùng một chỉ số có thể được tính khác nhau giữa các bộ phận, thời gian tìm nguyên nhân kéo dài và cấp quản lý thường nhìn thấy kết quả cuối cùng nhưng khó truy ngược về những yếu tố vận hành đã tạo ra kết quả đó.

Vì vậy, bước tiếp theo của chuyển đổi số không nhất thiết là bổ sung thêm một hệ thống mới, mà là khai thác tốt hơn những dữ liệu mà nhà máy đã có.

Mỗi hệ thống trong nhà máy có một vai trò riêng. DCS và PLC đảm nhiệm điều khiển quá trình, hệ thống phòng thí nghiệm quản lý chất lượng, hệ thống bảo trì theo dõi thiết bị và công việc sửa chữa, còn ERP quản lý kế hoạch, vật tư và chi phí. Khoảng trống xuất hiện khi cần liên kết thông tin từ các hệ thống này để phục vụ một quyết định vận hành cụ thể.

Đây là vai trò của Trí tuệ vận hành (Operational Intelligence). Có thể hiểu đơn giản, Trí tuệ vận hành là lớp giúp nhà máy kết nối dữ liệu từ nhiều hệ thống, chuẩn hóa cách hiểu dữ liệu và đặt chúng vào đúng bối cảnh sản xuất. Một giá trị công suất chỉ thực sự có ý nghĩa khi biết thiết bị đang ở trạng thái nào, đang sản xuất sản phẩm gì, chạy ở mức tải bao nhiêu và những sự kiện nào xảy ra cùng thời điểm.

Khi dữ liệu đã được tổ chức theo cách đó, cùng một nguồn thông tin có thể phục vụ cho vận hành, kỹ thuật, bảo trì, quản lý năng lượng và cấp quản lý mà không cần mỗi bộ phận tự xây một cách tổng hợp riêng.

Trong kiến trúc giải pháp của Avenue, IDBoxRT đóng vai trò nền tảng Trí tuệ vận hành. Mục tiêu không phải thay thế DCS, ERP hay các hệ thống hiện hữu, mà là kết nối và tổ chức lại dữ liệu từ các hệ thống này thành một lớp thông tin thống nhất.

IDBoxRT có khả năng kết nối từ cảm biến, PLC, SCADA tới MES, CMMS và ERP; đồng thời hỗ trợ giao diện tích hợp để các hệ thống khác có thể tiếp tục khai thác dữ liệu. Sau khi được kết nối, dữ liệu có thể được chuẩn hóa và gắn với đúng thiết bị, công đoạn hoặc khu vực sản xuất. Hệ thống cũng hỗ trợ kiểm tra chất lượng tín hiệu, đồng bộ thời gian, chuyển đổi đơn vị, tính toán các chỉ số và tạo các sự kiện vận hành.

Điểm quan trọng ở đây là dữ liệu không chỉ được tập trung về một chỗ, mà phải được tổ chức sao cho người dùng hiểu được ý nghĩa của chúng trong bối cảnh thực tế của nhà máy.

Khi lớp thông tin này được xây dựng tốt, trưởng ca có thể nhìn thấy những ngoại lệ cần xử lý, kỹ sư công nghệ có thể phân tích mối liên hệ giữa quá trình, năng lượng và chất lượng, bộ phận bảo trì có thể đánh giá tín hiệu thiết bị theo đúng chế độ tải, còn quản lý nhà máy có được một bức tranh tổng hợp về sản lượng, hiệu suất và các điểm bất thường.

Mức hiệu quả thực tế phụ thuộc vào hiện trạng thiết bị, mức độ tự động hóa, chất lượng dữ liệu và phạm vi triển khai. Vì vậy, các con số dưới đây nên được xem là mức tham khảo để xây dựng bài toán đầu tư, không phải cam kết cố định của giải pháp.

Các dự án số hóa và tối ưu vận hành trong ngành xi măng cho thấy dư địa cải thiện thường tập trung vào năng lượng, sản lượng, độ ổn định quá trình và thời gian dừng máy. Với một dự án được lựa chọn đúng phạm vi, mục tiêu ban đầu tương đối thận trọng có thể đặt ở mức giảm khoảng 2-5% suất tiêu thụ năng lượng tại công đoạn triển khai, giảm 5-15% thời gian dừng ngoài kế hoạch hoặc thời gian mất sản lượng, đồng thời rút ngắn đáng kể thời gian tổng hợp báo cáo và phân tích nguyên nhân.

Trong một số dự án tối ưu hóa chuyên sâu của ngành, mức cải thiện được công bố còn cao hơn, chẳng hạn tăng sản lượng khoảng 5-10% hoặc giảm tiêu thụ năng lượng ở một số công đoạn từ vài phần trăm đến gần 10%. Tuy nhiên, những con số này thường đi kèm với các giải pháp điều khiển, tối ưu quá trình hoặc cải tạo thiết bị, vì vậy không nên quy trực tiếp toàn bộ hiệu quả đó cho riêng lớp Trí tuệ vận hành.

Giá trị phù hợp nhất để đánh giá IDBoxRT và LUCA BDS là khả năng giảm công việc thủ công, phát hiện vấn đề sớm hơn, rút ngắn thời gian phân tích nguyên nhân, chuẩn hóa KPI và tạo nền tảng dữ liệu đáng tin cậy để các bài toán tối ưu hóa hoặc AI có thể được triển khai với chi phí thấp hơn về sau.