10 ví dụ nhà máy thông minh và hiệu quả theo quy mô

Cụm từ nhà máy thông minh thì ai cũng đã nghe quen, nhưng làm gì và làm tới đâu tại chính nhà máy của mình, rồi đổi lại được hiệu quả gì thì vẫn rất mơ hồ. Đó là câu hỏi chúng tôi nghe nhiều nhất từ những người đang vận hành nhà máy tại Thái Lan và khu vực ASEAN. Các bài giải thích khái niệm thì đã quá nhiều, nhưng thứ thật sự dùng được để ra quyết định lại là thông tin về một nhà máy có quy mô và ngành nghề gần giống mình đã làm gì và đã thay đổi ra sao. Bài viết này xếp 10 ví dụ nhà máy thông minh theo 4 góc nhìn là doanh nghiệp lớn, doanh nghiệp vừa và nhỏ, chế biến thực phẩm và các cơ sở tại Đông Nam Á, đồng thời nêu rõ tên doanh nghiệp, quốc gia, công nghệ đã triển khai và con số thu được.

Vì sao bắt đầu từ ví dụ thực tế lại nhanh hơn lý thuyết

Việc cân nhắc chuyển đổi sang nhà máy thông minh thường bị đình lại không phải vì thiếu thông tin. Ngược lại là đằng khác, số lượng lựa chọn như AI, digital twin, bảo trì dự đoán, 5G, mạng nội bộ cứ tăng lên về mặt tên gọi, đến mức người đọc không còn đo được khoảng cách giữa những thứ đó với hiện trường của mình.

Lúc này, cách đọc hiệu quả là bắt đầu từ hình ảnh của nhà máy chứ không phải từ tên công nghệ. Có bao nhiêu nhân sự, đang sản xuất cái gì, thiết bị đã dùng bao nhiêu năm, chi bao nhiêu tiền, và cuối cùng thay đổi được điều gì. Đọc vài ví dụ được viết cụ thể tới mức đó, bạn sẽ lập tức hình dung được mức độ khả thi khi đặt vào bối cảnh doanh nghiệp mình. Ngược lại, những câu chuyện thành công không nêu số tiền lẫn quy mô thì dù con số có hoành tráng đến đâu cũng không dùng được cho quyết định nội bộ.

Bốn điểm cần nhìn khi đọc một ví dụ

Quy mô nên đo bằng số thiết bị nằm trong phạm vi giám sát chứ không phải số lao động, vì như vậy sát thực tế vận hành hơn. Nhà máy có 30 thiết bị và nhà máy có 300 thiết bị sẽ khác nhau cả về hạ tầng mạng, lượng dữ liệu lẫn cách tính thời gian hoàn vốn.

Ngành nghề nên nhìn theo tính chất của công đoạn. Nếu trọng tâm là gia công và lắp ráp thì chiến trường chính là tỷ lệ vận hành thiết bị; nếu là công nghiệp chế biến như thực phẩm hay hóa chất thì là tỷ lệ thành phẩm và kiểm soát nhiệt độ; nếu là kho vận thì là tuyến di chuyển của người và độ chính xác khi lấy hàng. Cùng gọi là trực quan hóa, nhưng đối tượng đo hoàn toàn khác nhau.

Tình trạng thiết bị hiện có ảnh hưởng trực tiếp tới chi phí. Nhà xưởng toàn thiết bị mới có thể xuất tín hiệu ra ngoài sẽ cần cách làm khác hẳn so với nhà xưởng mà chủ lực là những cỗ máy 20 năm tuổi không có chức năng truyền thông. Về cách tận dụng thiết bị cũ, chúng tôi đã trình bày chi tiết trong bài IoT tận dụng thiết bị cũ tại nhà máy Thái Lan, bạn đọc thuộc nhóm này nên tham khảo thêm.

Cách đo hiệu quả là điểm hay bị bỏ sót nhất khi đọc ví dụ. Cùng một câu năng suất tăng 30%, ý nghĩa sẽ khác nhau tùy theo đó là số giờ công, sản lượng trên một giờ, hay con số vẫn bao gồm cả hàng lỗi. Nếu định dùng ví dụ để trình duyệt ngân sách nội bộ, bạn cần lấy được cả định nghĩa này.

Bảng tra nhanh 10 ví dụ trong bài

Dưới đây là danh sách các ví dụ được đề cập trong bài. Bạn nên đọc bắt đầu từ dòng gần với tình huống của mình nhất.

Thứ tự trong bảng không sắp theo quy mô mà theo trình tự trình bày của bài viết. Bây giờ chúng ta đi vào nội dung, bắt đầu từ nhóm doanh nghiệp lớn.

Ví dụ từ doanh nghiệp lớn – tích hợp và tự động hóa đã thay đổi điều gì

Trước hết hãy nắm xem những doanh nghiệp lớn có tiềm lực đầu tư đang làm gì. Đó không phải quy mô để sao chép nguyên xi, nhưng biết được con đường cuối cùng dẫn tới đâu sẽ giúp bạn dễ chọn chỗ đặt bước chân đầu tiên hơn.

Toyota Motor – nền tảng dùng chung gom dữ liệu về một chỗ

Toyota Motor đã xây dựng một nền tảng dùng chung mang tên Factory IoT, quản lý tập trung dữ liệu đã số hóa và chia sẻ thông tin theo thời gian thực. Điều đáng chú ý không phải là họ gắn thứ gì lên từng thiết bị, mà là trình tự làm việc, tức là quyết định trước nơi chứa dữ liệu thu thập được.

Ở phần lớn nhà máy, giám sát vận hành nằm trong hệ thống của nhà cung cấp thiết bị, chất lượng nằm ở hệ thống khác, năng lượng lại ở hệ thống khác nữa, và cứ thế phình ra theo kiểu tối ưu cục bộ. Đến khi muốn phân tích xuyên suốt, độ phân giải thời gian lẫn cách đánh mã đều không đồng nhất, việc đối chiếu tốn công khủng khiếp. Tư duy quyết định trước nơi chứa và cách lưu dữ liệu là phần đáng tham khảo với mọi quy mô doanh nghiệp.

Mitsubishi Electric tại Thái Lan – tự động hóa kiểm tra bằng 5G và robot tự hành

Cơ sở của Mitsubishi Electric tại Thái Lan đã triển khai 5G, robot tự hành cùng AR và VR, qua đó nâng năng suất nhờ xử lý dữ liệu tốc độ cao và tự động hóa khâu kiểm tra trên dây chuyền. Đây là ví dụ thực tế về việc dùng 5G cho mục đích công nghiệp ngay tại Thái Lan, rất đáng tham khảo khi bạn cân nhắc triển khai tại chỗ.

Thứ phát huy tác dụng ở đây không hẳn là băng thông vô tuyến, mà là mức tự do trong vận hành, cụ thể là có thể thay đổi bố trí dây chuyền mà không cần thi công đi dây. Với nhà máy đổi chủng loại sản phẩm liên tục, cách bố trí thiết bị dựa trên giả định đi dây cố định chính là rào cản của cải tiến. Khi lấy kết nối không dây làm mặc định, khối lượng thi công và thời gian dừng máy phát sinh mỗi lần đổi bố trí dây chuyền sẽ giảm đi.

Zuellig Pharma – năng suất lấy hàng tăng 30% và độ chính xác đạt 100%

Zuellig Pharma, doanh nghiệp logistics dược phẩm lớn tại Singapore, đã đưa 5G, điện toán biên, kính AR và drone vào kho hàng. Kết quả là năng suất lấy hàng tăng 30% và độ chính xác khi lấy hàng đạt 100%. Ngoài ra, việc kiểm kho bằng drone đạt độ chính xác đếm 95%.

Điều ví dụ này cho thấy là họ không thay thế bản thân thao tác của con người bằng máy móc, mà thay đổi cách đưa thông tin ra để hỗ trợ phán đoán của con người. Kính AR hiển thị ngay trong tầm nhìn của nhân viên rằng bước tiếp theo cần lấy mặt hàng nào ở kệ nào, nhờ đó cùng lúc cắt giảm thời gian đi lại giữa danh sách giấy và hàng thật, cùng những nhầm lẫn phát sinh trong quá trình đó. Việc đạt tới kết quả độ chính xác lấy hàng 100% ngay trong lĩnh vực dược phẩm, nơi không cho phép nhầm lẫn, chính là điều cho thấy ý nghĩa của cách kết hợp này.

Với drone kiểm kho, con số 95% cần được đọc một cách thận trọng. Đây không phải mức chính xác đủ để thay thế hoàn toàn việc kiểm kê thủ công, mà nên hiểu theo hướng thực dụng là một phương tiện để tăng tần suất kiểm. Nếu từ chỗ mỗi năm chỉ đếm được 2 lần mà nay đếm được hàng tuần, thì dù độ chính xác mỗi lần có giảm chút ít, việc phát hiện chênh lệch tồn kho vẫn nhanh hơn rất nhiều.

Ví dụ từ nhà máy vừa và nhỏ – bắt đầu bằng cảm biến giá vài nghìn yên

Từ đây trở đi mới là tầm ngắm thực tế với nhiều bạn đọc. Chính những ai vừa đọc phần doanh nghiệp lớn và thấy nản vì nghĩ mình không kham nổi thì càng nên xem hai doanh nghiệp tiếp theo.

Asahi Tekko – cảm biến quang và cảm biến từ gắn thêm lên máy cũ

Asahi Tekko, doanh nghiệp sản xuất linh kiện ô tô, đã tự xây dựng cơ chế gắn thêm lên những cỗ máy cũ các cảm biến quang và cảm biến từ có giá chỉ vài nghìn đến vài chục nghìn yên, rồi trực quan hóa theo thời gian thực trên điện thoại và máy tính bảng. Kết quả là họ cắt giảm chi phí nhân công ở quy mô hàng trăm triệu yên mỗi năm và nâng sản lượng thêm vài chục phần trăm.

Hãy chú ý tới sự chênh lệch về bậc con số của số tiền. Những cảm biến chỉ vài nghìn đến vài chục nghìn yên mỗi chiếc lại tạo ra hiệu quả ở quy mô hàng trăm triệu yên mỗi năm. Thứ thực sự diễn ra ở đây không phải là tự động hóa cao cấp. Đơn giản là nhà máy đã nắm được thiết bị dừng lúc nào và dừng bao nhiêu phút bằng con số thay vì bằng trí nhớ của con người.

Chừng nào hiện trường còn ghi nhật ký sản xuất bằng tay, thời gian dừng máy chỉ được ghi lại ở mức thô kiểu khoảng 30 phút. Nhưng khi lấy bằng cảm biến theo đơn vị giây, không ít trường hợp lộ ra thực trạng là những lần dừng nhỏ chỉ vài phút đã lặp đi lặp lại nhiều lần trong một ngày. Phần cộng dồn của các lần dừng ngắn này khó tìm ra từ nhật ký giấy. Phần lớn hiệu quả của Asahi Tekko đến từ chỗ họ biến khoản tổn thất vốn không nhìn thấy được đó thành con số.

Kuno Kinzoku Kogyo – quản lý số lần dập khuôn trên đám mây

Kuno Kinzoku Kogyo, doanh nghiệp gia công kim loại tấm, đã triển khai cơ chế gắn cảm biến lên khuôn để tự động đếm số lần dập và quản lý trên nền tảng đám mây. Nhờ đó họ tránh được rủi ro dừng dây chuyền do vỡ khuôn.

Đây là một ví dụ hay về việc khoanh đối tượng thật gọn. Họ không cố trực quan hóa toàn nhà máy, mà chỉ lấy thật chắc chắn và thật tự động đúng một giá trị là khuôn đã dập bao nhiêu lần. Vì khuôn mòn theo số lần dập, nên chỉ cần nắm chính xác con số này là có thể đưa khuôn vào bảo dưỡng trước khi hỏng. Còn nếu để hỏng rồi mới xử lý thì ngoài chi phí sửa khuôn, dây chuyền còn dừng và ảnh hưởng tới thời hạn giao hàng.

Xét theo tư duy đầu tư, đây là loại dự án cần nhìn bằng tổn thất tránh được chứ không phải bằng khoản tiết kiệm được. Khi trình bày để xin duyệt ngân sách, nếu bạn thống kê trước số lần dây chuyền từng dừng vì vỡ khuôn, cùng thời gian dừng và thiệt hại cơ hội của mỗi lần như vậy, câu chuyện sẽ trôi nhanh hơn nhiều.

Lối vào thực tế khi bắt đầu ở quy mô nhỏ

Điểm chung của hai doanh nghiệp này là họ không thay mới thiết bị hiện có. Không nâng cấp bản thân máy móc, chỉ gắn cảm biến từ bên ngoài để lấy tín hiệu. Với cách làm này, bậc con số của vốn đầu tư ban đầu khác hẳn so với việc thay mới thiết bị.

Mặt khác, cứ gắn cảm biến vào thì cũng không tự nhiên sinh ra hiệu quả. Nếu chưa xác định được phía vận hành, tức là ai sẽ xem dữ liệu thu được vào mỗi sáng và ai sẽ ra tay xử lý, thì kết cục chỉ là số lượng dashboard tăng lên. Về tư duy triển khai theo từng giai đoạn dành cho nhà máy tầm trung, bài Nhà máy thông minh không chỉ dành cho doanh nghiệp lớn đã sắp xếp tới tận trình tự ra quyết định đầu tư, bạn đọc có quy mô gần nhóm này nên xem thêm. Mức chi phí tham khảo được tổng hợp trong bài Chi phí triển khai IoT cho nhà máy.

Ví dụ ngành chế biến thực phẩm – tỷ lệ vận hành thật chỉ lộ ra sau khi trực quan hóa

Tiếp theo là một ví dụ ngay tại Thái Lan. Xét về ý nghĩa của các con số, chúng tôi cho rằng đây là ví dụ gợi mở nhiều nhất trong cả bài.

Doanh nghiệp chế biến thực phẩm lớn tại Thái Lan – khởi đầu từ 10 dây chuyền xúc xích

Đối tượng là một doanh nghiệp chế biến thực phẩm lớn thành lập năm 1967, có hoạt động tại Thái Lan, Campuchia, Lào và Myanmar. Doanh nghiệp này đã đưa thiết bị biên và IoT gateway của Advantech, cùng giải pháp nhà máy thông minh và OEE của WISE, vào trước hết 10 dây chuyền sản xuất xúc xích.

Điểm mấu chốt là họ không nhắm toàn bộ dây chuyền cùng lúc mà khoanh lại còn 10 dây chuyền. Giai đoạn 1 hoàn thành trong 3 tháng. Thay vì một dự án toàn công ty kéo dài nhiều năm, họ cắt phạm vi thành đơn vị có thể cho ra kết quả trong một quý rồi mới bắt tay vào làm.

Dữ liệu ghi trên giấy chỉ chính xác 60-75%

Sự thật nặng ký nhất của ví dụ này nằm ở đây. Trước khi triển khai, dữ liệu thu thập trên nền giấy chỉ đạt độ chính xác 60-75%. Nói cách khác, từ một phần tư đến bốn phần mười những con số họ vẫn mang ra họp là lệch so với thực tế.

Và sau khi số hóa, OEE thực tế được xác định là 60-65%. Đây là mức thấp hơn nhiều so với dự đoán. Tức là điểm xuất phát trước khi bắt đầu hoạt động cải tiến vốn dĩ đã không nằm ở chỗ người ta tưởng.

Cấu trúc vấn đề này xuất hiện thường xuyên ở các nhà máy Nhật Bản tại Thái Lan. Trên bảng tổng hợp nhật ký sản xuất thì tỷ lệ vận hành vẫn duy trì ở mức cao, nhưng khi lấy trực tiếp tín hiệu từ thiết bị thì con số hiện ra lại thấp hơn hẳn. Bản chất của khoảng chênh đó là những lần dừng ngắn không được ghi vào nhật ký, thời gian chuyển đổi mẫu thực tế, và cả khoảng thời gian máy vẫn chạy nhưng không tạo ra hàng đạt. Cách phân rã OEE được giải thích trong bài Cách triển khai cải thiện OEE, bạn đọc muốn sắp xếp lại chính chỉ số này có thể tham khảo.

OEE trung bình ngành chế biến thực phẩm Thái Lan là 40-60%

Con số 60-65% của doanh nghiệp này nếu nhìn đơn lẻ có thể thấy thấp. Tuy nhiên, OEE trung bình của ngành chế biến thực phẩm Thái Lan được ghi nhận ở mức 40-60%, thấp hơn nhiều so với mức 85% vốn được xem là chuẩn thế giới. Trong nội bộ ngành, họ thậm chí đang nằm trên mức trung bình.

Điều cần rút ra từ đây là thứ tự của hai câu hỏi. Câu hỏi cần đặt ra trước là doanh nghiệp mình có biết OEE thật của chính mình hay không, rồi mới tới câu hỏi OEE đó cao hay thấp. Chừng nào còn tranh luận trên dữ liệu giấy thì việc so sánh với trung bình ngành cũng chẳng có ý nghĩa. Giá trị đầu tiên của trực quan hóa không nằm ở bản thân cải tiến, mà ở chỗ có được con số làm nền cho mọi cuộc thảo luận.

Ví dụ tại Đông Nam Á – lấp khoảng cách giữa các cơ sở bằng cách nào

Cuối cùng là những ví dụ liên quan tới doanh nghiệp có nhiều cơ sở. Nội dung này dành cho những ai đang gặp vấn đề cùng thiết bị, cùng bản vẽ mà kết quả lại khác nhau giữa cơ sở Thái Lan và cơ sở Việt Nam, hoặc giữa trụ sở Nhật Bản và công ty con tại nước sở tại.

Cơ sở chuyển dịch sản xuất tại Việt Nam – khoảng cách hiệu suất 20-30% so với nhà máy mẹ

Ở các nhà máy chuyển dịch sản xuất từ Trung Quốc sang Việt Nam, người ta ghi nhận những trường hợp giai đoạn đầu triển khai xuất hiện khoảng cách hiệu suất 20-30% so với nhà máy mẹ tại Trung Quốc. Nguyên nhân là dù thiết bị giống hệt nhau, mức thành thạo của người thao tác và cách truyền đạt trình tự công việc lại khác.

Với bài toán này, đã có ví dụ cải thiện bằng cách triển khai AI vision cùng SOP số, tức quản lý số hóa quy trình thao tác chuẩn. Camera ghi lại thao tác thực tế và phát hiện sai lệch so với quy trình chuẩn, nhờ đó nắm được công đoạn nào và động tác nào đang khác biệt mà không cần cắm người túc trực tại chỗ.

Nhà sản xuất thiết bị nguồn điện tại Thái Lan – nhân rộng quy trình tối ưu bằng AI vision

Một nhà sản xuất thiết bị nguồn điện tại Thái Lan đã dùng nền tảng HOP của PowerArena để triển khai nhân bản quy trình tối ưu và giám sát từ xa bằng AI vision. Kết quả là họ rút ngắn được đường cong học việc của nhân sự mới và minh bạch hóa vận hành ở toàn bộ các cơ sở. Cũng có ghi nhận trường hợp ngay cả dây chuyền đã trưởng thành vẫn đạt mức cải thiện hiệu suất trên 10%.

Cách diễn đạt nhân bản quy trình tối ưu đã chạm đúng vào trọng tâm. Ở cơ sở nào cũng có một người thao tác nhanh và chuẩn nhất. Trước đây người ta diễn đạt động tác của người đó thành lời để soạn tài liệu hướng dẫn, nhưng quá trình chuyển thành chữ nghĩa chắc chắn làm rơi rớt thông tin. Nếu ghi nhận động tác từ hình ảnh, bạn có thể chuyển sang cơ sở khác cả những phần mà tài liệu không thể viết hết.

Daviteq – nắm nhiệt độ và rung động bằng cảm biến không dây

Daviteq của Việt Nam đã triển khai cảm biến không dây cùng IoT gateway thông minh, qua đó giải quyết các bài toán giám sát nhiệt độ, đo rung động, lưu trữ và phân tích dữ liệu.

Kết hợp nhiệt độ và rung động là lựa chọn hợp lý cho bước khởi đầu của công tác bảo trì thiết bị. Rung động thay đổi trước khi bất thường ở vòng bi hay động cơ lộ ra bên ngoài, còn nhiệt độ báo hiệu sớm tình trạng quá tải hoặc làm mát kém. Chỉ cần thu thập liên tục hai đại lượng này, bạn đã bắt được dấu hiệu báo trước của một phần đáng kể các sự cố dừng máy đột ngột. Nếu là cảm biến không dây thì có thể gắn thêm cho cả thiết bị đang chạy mà không cần thi công đi dây.

Makino Asia – cắt giảm thời gian dừng máy bằng bảo trì dự đoán

Makino Asia tại Singapore đã triển khai robot nhận dạng giọng nói, cánh tay robot, hỗ trợ từ xa bằng AR, xe nâng không người lái và IIoT, qua đó ngăn ngừa hỏng hóc thiết bị và giảm thời gian dừng máy nhờ bảo trì dự đoán.

Việc chính một nhà sản xuất máy công cụ bắt tay vào bảo trì dự đoán là điều có ý nghĩa. Hỗ trợ từ xa bằng AR là phương tiện cho phép kỹ sư ở nơi khác cùng xem hình ảnh hiện trường để hỗ trợ, nhờ đó có tác dụng theo hướng giảm chi phí đi lại và độ trễ thời gian của hoạt động hỗ trợ kỹ thuật xuyên cơ sở. Với doanh nghiệp có cấu trúc đặt nhà máy tại Thái Lan còn kỹ sư ở Nhật Bản, đây là tư duy có thể ứng dụng được.

Ba điểm chung rút ra từ 10 ví dụ

Mười ví dụ khác nhau cả về quy mô, quốc gia lẫn ngành nghề, nhưng cấu trúc của những trường hợp thành công lại có điểm chung.

Thứ nhất – khoanh gọn đối tượng và bắt đầu nhỏ

Doanh nghiệp chế biến thực phẩm lớn tại Thái Lan chọn 10 dây chuyền xúc xích, Kuno Kinzoku Kogyo chỉ lấy số lần dập khuôn, Asahi Tekko chỉ lấy thời gian dừng thiết bị. Không đơn vị nào nhắm toàn bộ nhà máy ngay từ đầu.

Lợi ích của việc thu hẹp phạm vi không chỉ là giảm số tiền đầu tư. Khi có kết quả trong 3 tháng, không khí trong nội bộ sẽ thay đổi. Ngược lại, một kế hoạch kéo dài hai năm sẽ bị chen ngang bởi luân chuyển nhân sự, biến động tỷ giá và dao động đơn hàng, đến mức chẳng còn ai nhớ mục tiêu ban đầu là gì. Cách tiến hành khởi đầu nhỏ đã được cụ thể hóa thành từng bước trong bài Khởi đầu nhỏ với IoT nhà máy.

Thứ hai – làm việc đo lường trước khi tự động hóa

Ngay cả trong những ví dụ doanh nghiệp lớn nơi robot và AI nổi bật, phía trước chúng luôn có bước thu thập dữ liệu. Drone của Zuellig Pharma là chức năng đếm tồn kho, còn bảo trì dự đoán của Makino Asia lấy việc đo trạng thái thiết bị làm tiền đề.

Và có những thực tế chỉ hiện ra sau khi đo. Phát hiện OEE thực tế là 60-65% mà doanh nghiệp chế biến thực phẩm lớn tại Thái Lan phải đối mặt chính là ví dụ điển hình. Nếu bỏ qua trình tự này để bắt đầu ngay từ tự động hóa, bạn sẽ đầu tư trong khi không có thước đo hiệu quả cải tiến. Cách triển khai cụ thể cho giám sát vận hành được tổng hợp trong bài Triển khai giám sát vận hành bằng IoT nhà máy.

Thứ ba – lấp chênh lệch giữa các cơ sở bằng cơ chế chứ không bằng con người

Điểm chung của ví dụ cơ sở chuyển dịch sản xuất tại Việt Nam và nhà sản xuất thiết bị nguồn điện tại Thái Lan là họ lấp chênh lệch giữa các cơ sở bằng cơ chế chứ không bằng việc cử người sang. Tại cơ sở chuyển dịch sản xuất ở Việt Nam, AI vision và quản lý SOP số được đưa vào để xử lý khoảng cách hiệu suất 20-30% so với nhà máy mẹ tại Trung Quốc. Còn nhà sản xuất thiết bị nguồn điện tại Thái Lan dùng AI vision trên nền tảng HOP của PowerArena để nhân bản quy trình tối ưu và giám sát từ xa, với ghi nhận rằng ngay cả dây chuyền đã trưởng thành vẫn cải thiện hiệu suất trên 10%. Biện pháp và con số của hai bên đều khác nhau, nhưng bản chất của cách lấp chênh lệch thì giống nhau.

Cách cử chuyên gia hướng dẫn từ Nhật Bản sang thì chắc chắn hiệu quả, nhưng tốn chi phí lẫn thời gian, và có điểm yếu là mọi thứ dễ quay về như cũ sau khi người đó về nước. Nếu nắm được chính bản thân quy trình dưới dạng dữ liệu, bạn sẽ không phụ thuộc vào thời gian lưu trú của một cá nhân và có thể nhân rộng theo cùng một khuôn mẫu dù số cơ sở tăng lên.

Cách chọn ví dụ gần với doanh nghiệp của bạn

Dưới đây là các điểm kiểm tra giúp bạn sắp xếp xem trong 10 ví dụ trên nên lấy trường hợp nào làm tham chiếu.

Nếu doanh nghiệp bạn rơi vào từ hai dòng trở lên trong bảng này, nguyên tắc là bắt tay từ dòng đang gây ra tổn thất lớn nhất về tiền. Triển khai nhiều việc cùng lúc sẽ khiến bạn không phân biệt được biện pháp nào thực sự có tác dụng.

Ngoài ra, các ví dụ triển khai giới hạn trong nhóm nhà máy Nhật Bản tại Thái Lan được tổng hợp riêng ở bài Ví dụ triển khai IoT trong ngành sản xuất Thái Lan, bạn đọc muốn tìm trường hợp có môi trường sát hơn nữa có thể xem thêm.

Những tiền đề cần nắm khi triển khai tại Thái Lan

Ngành sản xuất chiếm khoảng 25% GDP của Thái Lan, và theo dự báo, mức độ tự động hóa cùng việc đưa robot vào sử dụng sẽ tăng 50% tới năm 2026 dưới chính sách Thailand 4.0. Thị trường chuyển đổi số của Thái Lan được ghi nhận ở quy mô khoảng 10 tỷ USD tại thời điểm năm 2025 và dự kiến tăng trưởng bình quân 8.75% mỗi năm cho tới năm 2031.

Những con số này tác động tới thực tiễn theo hai hướng. Một là các đối thủ xung quanh cũng đang dịch chuyển theo cùng hướng, nên càng chậm bắt tay thì càng bất lợi về mặt đảm bảo nguồn nhân lực. Hai là ở giai đoạn thị trường mở rộng, số lượng nhà cung cấp cũng tăng lên và những đề xuất không đi kèm thành tích thực tế dễ trà trộn vào. Thói quen kiểm chứng bằng con số trong các ví dụ thực tế cũng chính là tấm khiên trước rủi ro thứ hai này.

Về lưu ý mang tính đặc thù địa phương, bạn cần thiết kế trên tiền đề rằng tốc độ thay đổi nhân sự thao tác ở đây nhanh hơn tại Nhật Bản. Trạng thái quy trình chỉ nằm trong đầu một người thợ lành nghề nhất định ở Thái Lan còn nguy hiểm hơn ở Nhật Bản. Việc nhà sản xuất thiết bị nguồn điện tại Thái Lan nêu rút ngắn đường cong học việc của nhân sự mới như một hiệu quả sẽ trở nên dễ hiểu khi đặt vào bối cảnh này.

Câu hỏi thường gặp

Nên ước tính hiệu quả đầu tư cho nhà máy thông minh như thế nào

Đừng bắt đầu từ mặt bằng giá chung, hãy quy đổi trước những tổn thất đang xảy ra tại doanh nghiệp bạn thành tiền. Trong ví dụ Asahi Tekko, cảm biến giá từ vài nghìn đến vài chục nghìn yên dẫn tới khoản cắt giảm chi phí nhân công quy mô hàng trăm triệu yên mỗi năm, nhưng đó là vì tổn thất thuộc diện cắt giảm vốn dĩ đã rất lớn. Thiết bị dừng một giờ thì phía giao hàng phát sinh tổn thất bao nhiêu tiền, hàng lỗi giảm 1% thì mỗi năm tương đương bao nhiêu. Khi có mẫu số này, tính hợp lý của khoản đầu tư sẽ tự nhiên rõ ra.

Nhà máy quy mô vừa và nhỏ có tạo được hiệu quả như các ví dụ không

Có. Kuno Kinzoku Kogyo được giới thiệu trong bài đã bắt đầu từ cơ chế tự động lấy đúng một giá trị là số lần dập khuôn. Điều quan trọng không phải số tiền đầu tư mà là bạn có khoanh gọn được đối tượng hay không. Thậm chí quy mô càng nhỏ thì tốc độ từ lúc ra quyết định tới lúc phản ánh xuống hiện trường càng nhanh, và bạn càng dễ kiểm chứng kết quả theo chu kỳ 3 tháng.

Nhà máy tôi có nhiều thiết bị cũ, không thay mới thì có làm được không

Không cần thay mới. Đúng như ví dụ Asahi Tekko cho thấy, ngay cả máy móc không có chức năng truyền thông vẫn thu thập được tình trạng vận hành nếu bạn bắt chuyển động từ bên ngoài bằng cảm biến quang hoặc cảm biến từ. So với trường hợp lấy trực tiếp tín hiệu của thiết bị thì chủng loại thông tin thu được có hạn chế hơn, nhưng phần thông tin giá trị nhất là chạy và dừng thì vẫn lấy được. Nếu lấy việc thay mới toàn bộ làm tiền đề thì việc cân nhắc sẽ đứng lại, nên cách thực tế là thử gắn thêm trước đã.

Có lưu ý nào riêng cho nhà máy tại Thái Lan không

Có ba điểm. Thứ nhất, hãy nghi ngờ trước khả năng những con số dựa trên nhật ký sản xuất hay bảng tổng hợp giấy đang lệch so với thực tế. Trong ví dụ doanh nghiệp chế biến thực phẩm lớn tại Thái Lan, độ chính xác của dữ liệu nền giấy chỉ đạt 60-75%. Thứ hai, hãy đưa việc số hóa quy trình vào thiết kế trên tiền đề về tỷ lệ gắn bó của người lao động. Thứ ba, hãy xác nhận có đội ngũ đủ sức bảo trì ngay tại nước sở tại. Dù cấu hình lúc triển khai có xuất sắc tới đâu, nếu trong nước không có kỹ sư xử lý được khi hỏng hóc thì giá trị sẽ về không ngay tại thời điểm hệ thống dừng.

Nên bắt tay từ đâu để ít rủi ro thất bại nhất

Hãy chọn một hoặc hai dây chuyền sản xuất chính và bắt đầu từ việc tự động thu thập số liệu chạy và dừng. Trong 10 ví dụ, phần lớn những trường hợp có thành quả được kể bằng con số đều đã đi qua giai đoạn này. Giá trị đo được ở đây sẽ trở thành chuẩn mực cho toàn bộ các quyết định đầu tư về sau.

Tổng kết

Khi xếp 10 ví dụ nhà máy thông minh cạnh nhau, dù khác nhau về quy mô lẫn quốc gia, cách tiến hành của những nhà máy có thành quả lại rất giống nhau. Khoanh gọn đối tượng và bắt đầu nhỏ, làm việc đo lường trước khi tự động hóa, lấp chênh lệch giữa các cơ sở bằng cơ chế chứ không bằng con người. Chỉ ba điểm đó.

Ở nhóm doanh nghiệp lớn, Zuellig Pharma đạt mức năng suất lấy hàng tăng 30% cùng độ chính xác khi lấy hàng 100%, còn cơ sở của Mitsubishi Electric tại Thái Lan đạt thành quả tự động hóa kiểm tra bằng 5G và robot tự hành. Ở nhóm doanh nghiệp vừa và nhỏ, Asahi Tekko cắt giảm chi phí nhân công quy mô hàng trăm triệu yên mỗi năm chỉ với cảm biến giá từ vài nghìn đến vài chục nghìn yên, còn Kuno Kinzoku Kogyo tránh được rủi ro dừng dây chuyền nhờ quản lý số lần dập khuôn.

Và điều mà ví dụ doanh nghiệp chế biến thực phẩm lớn tại Thái Lan cho thấy là sự thật rằng độ chính xác dữ liệu giấy chỉ đạt 60-75% còn OEE thực tế là 60-65%. Trước khi cải tiến, điểm xuất phát là biết con số thật của chính mình. Nếu bạn tìm được dù chỉ một ví dụ gần với doanh nghiệp mình, hãy bắt đầu bằng cách đo thử ngay trên dây chuyền chính của bạn đúng hạng mục mà nhà máy đó đã đo đầu tiên.

TOMAS TECH đặt trụ sở tại Thái Lan, hỗ trợ các doanh nghiệp sản xuất Nhật Bản triển khai factory IT, trong đó có hệ thống quản lý sản xuất và quản lý năng lượng PEGASUS. Bạn không nhất thiết phải đang ở giai đoạn chọn sản phẩm, ngay cả khi mới chỉ muốn sắp xếp xem ví dụ nào trong bài này gần với tình huống của mình thì cũng hoàn toàn được. Chúng tôi có thể tới xem hiện trường rồi cùng bạn cân nhắc xem đo từ đâu là thực tế nhất, nên hãy thoải mái trao đổi qua biểu mẫu liên hệ.

Tham khảo

• ABI Research – Ví dụ nhà máy thông minh tại Đông Nam Á
• Advantech – Ví dụ triển khai sản xuất thông minh trong ngành nông sản thực phẩm Thái Lan
• QUANTS – Ví dụ ứng dụng IoT và khởi đầu nhỏ chi phí thấp cho doanh nghiệp sản xuất vừa và nhỏ
• PowerArena – Xu hướng nhà máy thông minh tại Đông Nam Á và các bước chuyển đổi
• Iconic Thai – Hiện trạng ngành sản xuất Thái Lan và Thailand 4.0
• IT trend – Ví dụ nhà máy thông minh và nền tảng IoT trong ngành sản xuất