Triển khai cảm biến mềm AI: dự đoán chất lượng, thiết kế dữ liệu và RFP cho nhà máy Thái Lan

Triển khai cảm biến mềm AI để lấp đầy “khoảng thời gian mù giữa các lần phân tích phòng thí nghiệm”

Ngày càng nhiều nhà máy quy trình cân nhắc triển khai AI cho cảm biến mềm (soft sensor, còn gọi là cảm biến suy luận hay cảm biến ảo). Các giá trị chất lượng như độ chảy của nhựa, độ nhớt, nồng độ, độ ẩm và tỷ lệ phản ứng chỉ biết được khi phân tích trong phòng thí nghiệm, và chất lượng của sản phẩm chạy qua trong lúc chờ kết quả thì không nhìn thấy được. Khi chuyển đổi mã sản phẩm (grade), việc đánh giá đã đạt tiêu chuẩn hay chưa cũng phải chờ kết quả phòng thí nghiệm. Máy phân tích trực tuyến (online analyzer) thì vừa tốn chi phí thiết bị vừa nặng công bảo trì. Vì vậy mới có câu hỏi từ trụ sở chính tại Nhật Bản: “AI có giải quyết được việc này không?”

Bài viết này chỉ có một luận điểm. Triển khai cảm biến mềm không phải là chuyện “xây dựng mô hình AI”, mà là chuyện quyết định trước: giá trị chất lượng nào, lấy giá trị phòng thí nghiệm nào làm đáp án đúng, gắn với dữ liệu quy trình tại thời điểm nào, và khi mô hình suy giảm thì ai sửa, sửa như thế nào. Mục tiêu ban đầu không phải là giảm phân tích phòng thí nghiệm, mà là lấp đầy khoảng thời gian mù giữa các lần phân tích. Vì mô hình suy giảm theo thời gian, việc vận hành hiệu chỉnh độ lệch (bias) và huấn luyện lại phải được đưa vào thiết kế ngay từ đầu. Giảm tần suất phân tích phòng thí nghiệm là giai đoạn cuối cùng và mang tính tùy chọn, chỉ thực hiện sau khi đã xác nhận độ chính xác qua giai đoạn chạy song song và được bộ phận đảm bảo chất lượng (QA) cũng như khách hàng phê duyệt. Ngoài ra, cảm biến mềm không dùng được ngoài phạm vi đã học (mã sản phẩm mới, nguyên liệu mới).

Trước hết, hãy phân biệt với các khái niệm gần giống. Phát hiện bất thường thiết bị, dùng để nắm dấu hiệu báo trước hỏng hóc thiết bị, theo dõi “trạng thái của máy”. Phát hiện trôi bằng biểu đồ kiểm soát SPC tìm ra thay đổi của công đoạn từ chuỗi các giá trị đã đo. AI tối ưu hóa công thức phối trộn là công cụ phía phát triển, đề xuất công thức tiếp theo cần thử. Cảm biến mềm mà bài viết này đề cập là cơ chế ước tính các giá trị chất lượng chưa đo (chỉ đo được trong phòng thí nghiệm) từ dữ liệu liên tục như nhiệt độ, áp suất, lưu lượng, khác với ba công cụ trên cả về mục đích lẫn dữ liệu đầu vào.

Đối tượng độc giả là giám đốc nhà máy, trưởng phòng sản xuất, nhân sự đảm bảo chất lượng, kỹ thuật sản xuất và đo lường điều khiển tại các nhà máy quy trình ở Thái Lan như hóa chất, compound nhựa, hạ nguồn hóa dầu, cao su, thực phẩm, giấy. Lưu ý rằng bài viết này không phải là khuyến nghị hay xếp hạng sản phẩm cụ thể nào. Phần tính toán chi phí ở nửa sau dùng các con số giả định được đặt ra riêng cho bài viết này.

Cảm biến mềm là gì: định nghĩa và cơ chế

Trong phần giới thiệu sản phẩm trên tạp chí Keisoku to Seigyo (Đo lường và Điều khiển, số tháng 8/2023), Fuji Electric định nghĩa cảm biến mềm là “công nghệ ước tính các giá trị khó đo theo thời gian thực bằng cách sử dụng dữ liệu dễ thu thập như nhiệt độ, áp suất, lưu lượng”, và cho biết công nghệ này được dùng trong các nhà máy hóa chất, thép, dược phẩm. Bối cảnh triển khai là: các giá trị liên quan đến chất lượng như nồng độ thành phần hay độ bền cần nhiều thời gian để phân tích, và nếu sản phẩm dưới tiêu chuẩn đi tiếp sang công đoạn sau thì sẽ phát sinh lãng phí nguyên liệu và năng lượng để làm lại.

Báo cáo nghiên cứu thường niên của Toagosei (TREND 2022) giải thích một cách có cấu trúc hơn. Cảm biến mềm là cảm biến dự đoán các biến khó đo theo thời gian thực, như tỷ lệ phản ứng, từ các biến quy trình đo được theo thời gian thực như nhiệt độ, và không có bộ phận vật lý như đầu dò. Quan hệ giữa biến giải thích X (nhiệt độ, áp suất…) và biến mục tiêu y (tỷ lệ phản ứng…) được biểu diễn bằng hàm y = f(X), xây dựng bằng phân tích hồi quy trên dữ liệu đo thực tế trong quá khứ. Đồng thời, báo cáo cũng viết rằng vì đây chỉ là giá trị dự đoán, cần xác nhận sai số so với giá trị đo thực tế là đủ nhỏ.

Một khái niệm tương tự là “đo lường ảo (Virtual Metrology, VM)”. Dreyfus và cộng sự (2022, International Journal of Production Research) định nghĩa VM là “ước tính chất lượng sản phẩm trực tiếp từ dữ liệu quá trình sản xuất mà không đo vật lý”. Qua tổng quan hệ thống 199 bài báo, nhóm tác giả cho thấy VM có ứng dụng cả trong các ngành sản xuất ngoài bán dẫn, và các thành phần của khung bao gồm bộ ước tính chất lượng và bộ phát hiện trôi (drift). Tên gọi khác nhau tùy ngành, nhưng ý tưởng “không đo, mà ước tính chất lượng từ dữ liệu quy trình” là chung.

Cũng có những ứng dụng ngoài chất lượng. Một bài báo năm 2014 của các kỹ sư ABB giới thiệu 2 trường hợp dùng cảm biến suy luận để giám sát khí thải (PEMS), và cho biết tại một nhà máy lọc dầu ở châu Âu, cảm biến này đóng vai trò dự phòng cho thiết bị giám sát khí thải liên tục và đã nâng tỷ lệ khả dụng của hệ thống giám sát lên mức vượt xa 97,5%. Đây là ước tính khí thải chứ không phải chất lượng, và con số chỉ giới hạn trong trường hợp này.

Như trong hình, với máy đùn, mô hình lấy dữ liệu liên tục như nhiệt độ xi lanh (barrel), áp suất nóng chảy, tốc độ trục vít, dòng điện động cơ, lượng cấp liệu làm đầu vào và ước tính giá trị chất lượng vài phút một lần (trong hình là mỗi 1 phút). Phân tích phòng thí nghiệm vẫn thực hiện như trước, kết quả được so sánh với giá trị ước tính; nếu có sai lệch thì hiệu chỉnh bias, nếu thấy suy giảm thì huấn luyện lại. Tiền đề của cơ chế này là giá trị phòng thí nghiệm tiếp tục được giữ làm “đáp án đúng”.

Vì sao các nhà máy quy trình tại Thái Lan đang cân nhắc vào lúc này

Lý do thứ nhất là sự hỗ trợ của Ủy ban Đầu tư Thái Lan (BOI). Trong biện pháp “Smart and Sustainable Industry” thuộc hướng dẫn ưu đãi đầu tư của BOI (bản 2023), “ứng dụng công nghệ số” được nêu là một hình thức nâng cao hiệu quả cho doanh nghiệp hiện hữu, và một trong các đối tượng được ghi rõ là “ứng dụng AI, học máy, dữ liệu lớn và phân tích dữ liệu”. Khoản đầu tư vào AI và học máy có thể được tính vào giá trị đầu tư nâng cao hiệu quả; ưu đãi là miễn thuế thu nhập doanh nghiệp 3 năm, với mức trần bằng 50% giá trị đầu tư nâng cao hiệu quả. Đối với việc đổi mới máy móc và tự động hóa, nếu đáp ứng các điều kiện như hợp tác với ngành tự động hóa của Thái Lan, mức trần được nâng lên 100%. Tài liệu giải thích của BOI ngày 4/8/2026 cũng xác nhận biện pháp này vẫn đang được duy trì. Tuy nhiên, từ tài liệu công khai không thể xác định khoản đầu tư liên quan đến AI được tính toàn bộ hay một nửa vào giá trị đầu tư. Việc có nộp hồ sơ và được áp dụng hay không cần xác nhận riêng với BOI.

Theo The Nation (13/8/2026), số hồ sơ đăng ký biện pháp này từ khi ra đời năm 2023 đến nửa đầu năm 2026 đạt 1.397 hồ sơ, với tổng giá trị đầu tư vượt 146 tỷ baht.

Lý do thứ hai là kế hoạch đầu tư của doanh nghiệp Nhật Bản. Theo khảo sát tình hình kinh doanh (nửa đầu năm 2026) với 504 doanh nghiệp Nhật Bản tại Thái Lan do MGR Online (17/8/2026) và Pattaya Mail (18/8/2026) đưa tin, trong 432 doanh nghiệp trả lời câu hỏi về kế hoạch đầu tư, 59% (256 doanh nghiệp) dự định đổi mới máy móc hiện có, 31% (132 doanh nghiệp) dự định cải thiện hiệu suất sản xuất, và 22% (96 doanh nghiệp) dự định đầu tư vào chuyển đổi số. Cùng các bản tin đó dẫn số liệu của BOI cho biết các doanh nghiệp vốn Nhật Bản đã đăng ký hơn 400 hồ sơ, giá trị hơn 55 tỷ baht theo biện pháp này trong giai đoạn từ năm 2023 đến nửa đầu năm 2026.

Lý do thứ ba là môi trường sản xuất khó khăn. Theo The Nation (27/7/2026), chỉ số sản xuất công nghiệp (MPI) của Thái Lan tháng 6/2026 là 94,99, giảm 3,10% so với cùng kỳ năm trước, và hiệu suất sử dụng công suất là 57,61%. Theo ngành, hóa chất cơ bản tăng 22,35% (nhờ nhu cầu xút và clo), trong khi lọc dầu giảm 7,97%. Tuy nhiên, đây là số liệu công bố trước khi điều chỉnh. Văn phòng Kinh tế Công nghiệp (OIE) đã thay đổi phương pháp tính MPI vào ngày 30/9/2026 (The Nation, 8/10/2026), nên không thể đặt cạnh để so sánh với chuỗi số liệu sau điều chỉnh. Khi hiệu suất sử dụng công suất chưa đến 60%, ý nghĩa của việc giảm sản phẩm ngoài tiêu chuẩn và tổn thất khi chuyển đổi mã sản phẩm trong sản lượng hạn chế càng trở nên lớn.

Tập đoàn hóa dầu lớn của Thái Lan PTT Global Chemical (GC) cũng giới thiệu “Smart Plant” và Plant-wide Optimization bằng AI và mô hình nhà máy số trong các bản tin tháng 1 và tháng 7/2026 (thông cáo của công ty; không đề cập đến cảm biến mềm hay ước tính chất lượng).

Các loại phương pháp: PLS, mạng nơ-ron, JIT…

Bài tổng quan của Kadlec, Gabrys và Strandt (2009, Computers and Chemical Engineering) nêu các phương pháp thường dùng cho cảm biến mềm dựa trên dữ liệu gồm: phân tích thành phần chính (PCA) kết hợp với hồi quy, PLS (hồi quy bình phương tối thiểu riêng phần), mạng nơ-ron nhân tạo, neuro-fuzzy và máy vector hỗ trợ (SVM). Ứng dụng trọng tâm là dự đoán các biến quy trình chỉ thu được với tần suất thấp hoặc qua phân tích ngoại tuyến (offline).

Lý do PLS được dùng nhiều là tính cộng tuyến của dữ liệu quy trình. 2 nhiệt kế đặt cạnh nhau cho giá trị gần như giống nhau. Bài tổng quan viết rằng với dữ liệu như vậy, cách chuyển sang không gian ít chiều, ít tương quan bằng PCA hoặc PLS là phổ biến nhất trong công nghiệp quy trình. Trường hợp của Toagosei cũng chọn PLS là phương pháp “có ưu điểm là tránh được đa cộng tuyến”.

Lawrence và cộng sự (2024, đăng trên arXiv dưới dạng bản tiền in chưa qua bình duyệt) chia cảm biến mềm thành loại dựa trên tri thức (hộp trắng), dựa trên dữ liệu (hộp đen) và lai (hộp xám). Trong khảo sát các bài báo từ 2015 đến 2023, mạng nơ-ron nhân tạo được chú ý nhiều nhất trong nhóm học máy, còn PLS thường được chọn cho mô hình hóa cục bộ trong mô hình thích ứng. Mặt khác, các phương pháp được báo cáo là đã tiến tới triển khai công nghiệp chỉ giới hạn ở PLS, perceptron nhiều lớp, mạng nơ-ron wavelet, SVM, RVM, hồi quy quá trình Gauss và cây hồi quy. Nói cách khác, có khoảng cách giữa số lượng phương pháp được đề xuất trong nghiên cứu và số phương pháp được dùng tại hiện trường.

Một hướng khác là mô hình JIT (Just-In-Time), phương thức xây dựng mô hình cục bộ từ dữ liệu gần nhất mỗi lần dự đoán. Hướng này liên quan chặt chẽ đến biện pháp chống suy giảm, nên sẽ được đề cập lại ở chương 11.

Cũng có loại lai giữa mô hình vật lý và AI. Kubosawa và cộng sự (2022, bản tiền in chưa qua bình duyệt) cho rằng cảm biến mềm thống kê yếu trước các tình huống không có trong dữ liệu quá khứ, và đề xuất phương pháp ước tính thành phần, độ nhớt… bằng bộ mô phỏng động kết hợp học tăng cường.

Kết luận thực tiễn là độ chính xác được quyết định bởi dữ liệu và vận hành hơn là việc chọn phương pháp. Với bất kỳ phương pháp nào, nếu học từ dữ liệu bị lệch thời gian thì độ chính xác sẽ không đạt, và nếu không xử lý suy giảm thì mô hình sẽ không còn được sử dụng. Chỉ cần so sánh phương pháp sau khi đã chuẩn bị đầy đủ dữ liệu.

Giá trị chất lượng phù hợp và không phù hợp

Ông Kimito Funatsu (Đại học Tokyo, tài liệu bài giảng năm 2016) liệt kê các vấn đề khi phát triển cảm biến mềm theo dòng chảy từ thu thập dữ liệu đến vận hành: độ tin cậy của dữ liệu, giá trị ngoại lai và nhiễu, cách chọn phương pháp hồi quy, quá khớp (overfitting), tính phi tuyến, chọn biến, đặc tính động của quy trình, diễn giải mô hình, kiểm định, phạm vi áp dụng và độ chính xác dự đoán, suy giảm và bảo trì mô hình, phát hiện dữ liệu bất thường. Nhìn ngược lại, có thể thấy đối tượng nào phù hợp và đối tượng nào không.

Nếu cố tiến hành khi có nhiều mục “không phù hợp”, mô hình sẽ phải ước tính ngoài phạm vi đã học. Lawrence và cộng sự viết rằng tính hợp lệ của mô hình dựa trên dữ liệu có thể không còn đúng khi lệch xa khỏi điều kiện đã học; Toagosei cũng cho biết vì dữ liệu học tập trung gần tỷ lệ phản ứng mục tiêu, dự đoán ở giai đoạn đầu phản ứng không đáng tin cậy, và cần thiết lập phù hợp phạm vi mà cảm biến mềm có hiệu lực. Dùng cảm biến mềm cho việc khởi động mã sản phẩm mới hay nguyên liệu mới vốn dĩ là sai hướng.

3 điều cần quyết định trước: giá trị chất lượng mục tiêu, giá trị phòng thí nghiệm làm đáp án đúng, cách sử dụng

Trước khi bàn đến mô hình, hãy viết ra giấy 3 điểm sau và thống nhất giữa các bên liên quan.

(1) Giá trị chất lượng mục tiêu. Lấy ví dụ MFI (chỉ số chảy nóng chảy, thể hiện độ chảy của nhựa) của dây chuyền đùn. Thu hẹp về một giá trị chất lượng, quyết định dùng cho dây chuyền nào, nhóm mã sản phẩm nào. Nếu ngay từ đầu mở rộng ra nhiều giá trị chất lượng và toàn bộ dây chuyền, công sức đồng bộ thời gian và kiểm tra dữ liệu sẽ tăng vọt.

(2) Giá trị phòng thí nghiệm làm đáp án đúng. Cùng là MFI nhưng giá trị có thể lệch tùy điều kiện đo hoặc người thực hiện. Lấy hồ sơ nào, của phương pháp phân tích nào làm đáp án đúng? Thời điểm phân tích (thời điểm lấy mẫu hay thời điểm có kết quả) đang được lưu như thế nào? Chất lượng của đáp án đúng quyết định giới hạn trên của độ chính xác mô hình.

(3) Cách sử dụng. Chỉ hiển thị giá trị ước tính trên màn hình người vận hành, hay dùng để đánh giá chất lượng, hay dùng cho điều khiển? Chúng tôi khuyên ban đầu chỉ “hiển thị”. Nếu dùng để đánh giá chất lượng thì cần sửa quy trình của bộ phận đảm bảo chất lượng; nếu dùng cho điều khiển thì còn cần thiết kế thiên về an toàn. Tính toán trong bài viết này cũng dựa trên tiền đề “chỉ hiển thị”.

Kiểm kê dữ liệu: dữ liệu quy trình, dữ liệu phòng thí nghiệm, nhật ký vận hành

Tiếp theo, kiểm kê dữ liệu hiện có. Cần ba loại: dữ liệu quy trình mà DCS hoặc PLC đang ghi, kết quả phân tích phòng thí nghiệm, và nhật ký vận hành như chuyển đổi mã sản phẩm, dừng máy, lô nguyên liệu, công việc bảo trì.

Kadlec và cộng sự nêu các vấn đề thường gặp của dữ liệu gồm nhiễu đo, giá trị thiếu, giá trị ngoại lai, cộng tuyến và tốc độ lấy mẫu khác nhau, và cho rằng xử lý chúng đòi hỏi rất nhiều công thủ công. Nguyên nhân chính của dữ liệu thiếu là cảm biến hỏng, bảo trì hoặc tháo ra. Giá trị ngoại lai được kiểm tra bằng phương pháp 3σ, bộ nhận diện Hampel, PCA kết hợp T²…

Cùng bài tổng quan cũng chỉ ra rằng hệ thống quản lý thông tin nhà máy thường chỉ ghi khi thay đổi giá trị vượt ngưỡng, và nếu ngưỡng quá cao thì sẽ bỏ sót các thay đổi quan trọng. Cài đặt nén của historian cũng ảnh hưởng đến độ chính xác của cảm biến mềm.

Cách tiến hành kiểm kê được trình bày chi tiết trong bài chuẩn bị dữ liệu AI cho ngành sản xuất, cách xây dựng cơ chế thu thập dữ liệu trong bài về thu thập dữ liệu sản xuất, và cách chọn historian trong bài về triển khai historian công nghiệp. Ở những nhà máy mà giá trị phòng thí nghiệm nằm rải rác trong Excel hoặc trên giấy, nếu cân nhắc cùng với việc xây dựng hệ thống quản lý sản xuất cho nhà máy hóa chất, vốn liên kết công thức phối trộn và lô với dữ liệu chất lượng, có thể tránh làm hai lần.

Cũng cần kiểm tra tình trạng của các thiết bị đo dùng làm đầu vào. Toagosei nêu một thách thức trong vận hành thực tế là không thu được giá trị dự đoán đúng khi cảm biến phần cứng làm biến giải thích bị suy giảm hoặc bất thường. Hãy tham khảo các bài tự động ghi dữ liệu thiết bị đo và hệ thống quản lý hiệu chuẩn để gắn hồ sơ hiệu chuẩn và cách ghi giá trị đo của thiết bị đầu vào với danh sách tag đầu vào của cảm biến mềm.

Đồng bộ thời gian quyết định độ chính xác

Yếu tố ảnh hưởng lớn nhất đến độ chính xác là đồng bộ thời gian. Kadlec và cộng sự viết rằng vì vật chất có thời gian lưu trong thiết bị phản ứng, tháp chưng cất…, việc ghép 2 giá trị đo lấy ở hai vị trí khác nhau cùng một thời điểm là không hợp lý. Cần bù độ trễ để đồng bộ, và việc đó đòi hỏi hiểu biết sâu về quy trình. Bài tổng quan cũng chỉ ra rằng giá trị phòng thí nghiệm về chất lượng có tần suất khác rất nhiều so với dữ liệu đo tự động (đa tốc độ, multirate), và ở quy trình mẻ (batch), thời gian vận hành mỗi mẻ khác nhau nên cần xử lý để đồng nhất độ dài.

Ví dụ thực tế, Toagosei trích xuất dữ liệu tại thời điểm lấy mẫu dung dịch phản ứng từ chuỗi thời gian được lưu mỗi 1 phút, tổng hợp thành bảng, rồi kết hợp với giá trị phân tích tỷ lệ phản ứng để tạo dữ liệu học. Điều quan trọng là “thời điểm lấy mẫu”. Nếu gắn theo thời điểm có kết quả hoặc thời điểm nhập liệu của phòng thí nghiệm, mô hình sẽ học từ dữ liệu đầu vào bị lệch.

Độ trễ và tần suất phân tích phòng thí nghiệm khác nhau tùy theo hiện trường mà mỗi nguồn giả định. Bài báo năm 2014 của ABB cho rằng phân tích chất lượng thông thường là 1 đến 4 lần mỗi ngày, và việc lấy mẫu, xử lý gây trễ hơn 1 giờ. Lawrence và cộng sự (bản tiền in chưa qua bình duyệt) viết rằng mẫu của biến chất lượng được lấy 1 lần mỗi ca (8 giờ) hoặc 1 lần mỗi 24 giờ, và coi việc thiếu dữ liệu có nhãn là thách thức chính. Người phụ trách số hóa tại nhà máy Geismar (Mỹ) của BASF nói trên bản tin của LSU (2022) rằng họ muốn dự đoán bằng dữ liệu và AI thay vì chờ mẫu phòng thí nghiệm 12 giờ. NTT DOCOMO BUSINESS (2025, theo Mynavi News) nêu vấn đề là phân tích thủ công chỉ làm được khoảng 1 lần mỗi ngày. Tất cả đều là câu chuyện tại hiện trường của từng nguồn, không phải giá trị tiêu chuẩn của ngành. Hãy xác nhận tần suất và độ trễ của nhà máy mình bằng chính hồ sơ của nhà máy.

Tiền đề của đồng bộ thời gian là đồng hồ của DCS, PLC, historian và máy tính phòng thí nghiệm phải khớp nhau. Nếu đồng hồ lệch, dù bù thời gian lưu cẩn thận đến đâu cũng vô nghĩa. Cách chọn phương thức và kiểm tra nghiệm thu được tổng hợp trong bài về đồng bộ thời gian trong nhà máy. Đồng thời, hãy thống nhất với phòng thí nghiệm cách vận hành ghi thời điểm lấy mẫu theo đơn vị giây hoặc phút (nhãn lấy mẫu, trường trên màn hình nhập liệu).

Xây dựng mô hình và kiểm định ngoại tuyến

Khi dữ liệu đã đủ, xây dựng mô hình bằng dữ liệu quá khứ và kiểm định bằng dữ liệu không dùng để học. Nên dùng chỉ số đánh giá nào? Kadlec và cộng sự cho rằng trong đánh giá bằng số, sai số bình phương trung bình (MSE) là phổ biến nhất, và chỉ ra rằng đánh giá bằng mắt như biểu đồ giá trị dự đoán so với giá trị thực đo phụ thuộc vào chủ quan của người phát triển. Lawrence và cộng sự cho rằng hiệu năng của cảm biến mềm thường được đo bằng hệ số tương quan và căn bậc hai sai số bình phương trung bình (RMSE). Ren và cộng sự (2019) dùng RMSE, MAE, sai số lớn nhất và sai số tương đối, còn Toagosei dùng phương pháp Leave-one-out để xem sai số trung bình và sai số lớn nhất. Việc xem cả sai số lớn nhất chứ không chỉ trung bình đặc biệt quan trọng trong thực tế, vì trong đánh giá chất lượng, vấn đề nằm ở những lần thỉnh thoảng lệch lớn.

Xin giới thiệu trường hợp của Toagosei với phạm vi được nêu rõ. Đối tượng là quy trình tổng hợp ester acrylic (mẻ) của công ty, cần dừng phản ứng ở tỷ lệ phản ứng mục tiêu 77,8 đến 80,0%. Trước đây, việc phân tích dựa vào thời gian phản ứng thực tế làm mốc, và có khi cần 2 đến 3 lần phân tích cho mỗi mẻ. Dữ liệu của 32 mẻ trong quá khứ được sử dụng; biến giải thích là thời gian phản ứng và giá trị thiết bị đo lấy tự động mỗi 1 phút, biến mục tiêu là giá trị phân tích tỷ lệ phản ứng, phương pháp là PLS, đánh giá bằng Leave-one-out. Mục tiêu là xem có dự đoán được với sai số không quá 1,1% so với tỷ lệ phản ứng mục tiêu 78,9±1,1% hay không. Theo báo cáo, nếu chỉ dự đoán bằng thời gian phản ứng thì sai số lớn nhất không nằm trong 1,1%, còn với cảm biến mềm thì đạt sai số không quá 1,1% trong phạm vi tỷ lệ phản ứng mục tiêu. Tuy nhiên, vì dữ liệu học tập trung gần mục tiêu, dự đoán ở giai đoạn đầu phản ứng được cho là không đáng tin cậy.

Một trường hợp khác, Ren và cộng sự (2019, Sensors) đã thử PLS trọng số cục bộ kết hợp tối ưu bầy đàn (particle swarm optimization) trên 188 mẫu sản xuất công nghiệp gang xám (trong đó 31 mẫu kiểm tra). Trên cùng dữ liệu, RMSE của PLS toàn cục là 13,6, còn phương pháp đề xuất là 6,8. Đây là so sánh tương đối trên một bộ dữ liệu gang, không có nghĩa các công đoạn khác cũng đạt mức cải thiện tương tự.

Trong kiểm định ngoại tuyến, hãy ghi lại việc có tách giai đoạn học và giai đoạn kiểm định theo đúng thứ tự thời gian hay không, độ chính xác theo từng mã sản phẩm, và những tình huống vận hành bị lệch lớn, làm căn cứ để quyết định có chuyển sang chạy song song hay không.

Từ chạy song song (chạy bóng) đến hiển thị tại hiện trường

Dù đạt độ chính xác ở ngoại tuyến, không nên đột ngột hiển thị cho hiện trường. Trước tiên hãy dành một giai đoạn chạy bóng (shadow), tức là cho mô hình chạy trên dữ liệu thực nhưng chỉ ghi lại giá trị ước tính mà không hiển thị cho hiện trường, rồi so sánh với giá trị phòng thí nghiệm. Dữ liệu thời gian thực có nhiều dữ liệu thiếu và độ trễ hơn dữ liệu quá khứ, nên những vấn đề không thấy ở ngoại tuyến sẽ xuất hiện ở đây.

Nếu chạy bóng không có vấn đề, giá trị ước tính được hiển thị trên màn hình người vận hành. Lúc này cũng không thay đổi tần suất phân tích phòng thí nghiệm. Bước 4 “Phòng thí nghiệm giữ nguyên” trong hình là giai đoạn này.

Để hiện trường chấp nhận, cách hiển thị rất quan trọng. Fuji Electric viết rằng phương pháp dựa trên dữ liệu có mặt hộp đen, và giới công nghiệp có xu hướng không thích điều đó, nên họ đã tạo màn hình dễ hiểu thay vì chỉ đưa ra kết quả tính toán (bài viết của nhà cung cấp). Lawrence và cộng sự cũng nêu khả năng diễn giải của các phương pháp thuần dựa trên dữ liệu là thách thức chung. Trong thực tế, hiển thị xu hướng giá trị ước tính và chồng giá trị phòng thí nghiệm lên dưới dạng điểm để thấy ngay mức sai lệch. Nếu hiển thị thêm các đầu vào chính đang ảnh hưởng đến ước tính (nhiệt độ, áp suất), người vận hành dễ liên hệ với việc vận hành của mình hơn. Khi ra ngoài phạm vi đã học, cũng chuẩn bị cách hiển thị báo “lúc này đừng tin”, chẳng hạn chuyển giá trị ước tính sang màu xám.

Thiết kế vận hành cho suy giảm và huấn luyện lại

Cảm biến mềm được thiết kế với tiền đề rằng nó tốt nhất vào thời điểm vừa xây dựng, sau đó sẽ suy giảm dần. Kadlec và cộng sự viết rằng sau khi triển khai cần bảo trì và điều chỉnh định kỳ, vì hiệu năng giảm do trôi (drift)…, nên phải bù bằng thích ứng hoặc xây dựng lại mô hình. Lawrence và cộng sự cũng cho rằng hiệu năng của cảm biến mềm trực tuyến có thể suy giảm theo thời gian, và nêu các cách xử lý là huấn luyện lại bằng dữ liệu gần nhất rồi triển khai lại, và cập nhật bias để đưa đầu ra lại gần giá trị phòng thí nghiệm. Ông Funatsu nêu nguyên nhân suy giảm là hiệu năng xúc tác giảm và nguyên liệu thay đổi.

Suy giảm có hai loại, với cách xử lý khác nhau. Theo Kadlec và cộng sự, trôi quy trình (process drift) là thay đổi phía quy trình như mài mòn bơm, thời tiết, độ tinh khiết nguyên liệu, mất hoạt tính xúc tác, và cần tìm ra nguyên nhân để loại bỏ. Trôi cảm biến (sensor drift) là thay đổi phía thiết bị đo, nên xử lý bằng hiệu chuẩn lại thiết bị đo hoặc thích ứng cảm biến mềm, không can thiệp vào quy trình. Phân biệt hai loại này rất khó và cần kiến thức chuyên môn.

Về ví dụ triển khai hiệu chỉnh bias, ABB giới thiệu cách làm như sau. Khi có giá trị phòng thí nghiệm, xử lý thống kê phần chênh lệch so với dự đoán (giảm ảnh hưởng của nhiễu và giá trị ngoại lai, điều chỉnh để không xảy ra thay đổi đột ngột), và chỉ cộng hệ số hiệu chỉnh vào đầu ra khi chênh lệch vượt ngưỡng định trước. ABB cho rằng chỉ nên cập nhật mô hình khi xuất hiện chênh lệch có ý nghĩa thống kê. Bởi nếu hiệu chỉnh mỗi khi một giá trị phòng thí nghiệm lệch, độ phân tán phía phòng thí nghiệm sẽ bị đưa nguyên vào mô hình.

Mô hình thích ứng cũng có nhiều loại. Kadlec, Grbić và Gabrys (2011) chia phương pháp thích ứng thành phương pháp cửa sổ trượt, phương pháp thích ứng đệ quy và phương pháp tổ hợp (ensemble). Ren và cộng sự (2019) giải thích rằng mô hình toàn cục suy giảm theo thời gian và khó bảo trì thường xuyên, nên dùng JIT, xây dựng mô hình cục bộ mỗi lần dự đoán rồi bỏ đi. Ông Funatsu cũng đề xuất “giám sát cơ sở dữ liệu”, tức là thêm dữ liệu mới vào cơ sở dữ liệu nếu hữu ích về mặt thông tin, nếu không thì bỏ đi. Tuy nhiên, kết luận của ông Funatsu là “không có mô hình thích ứng vạn năng”, và nên chọn mô hình phù hợp với kiểu suy giảm. Ngoài ra, trong khảo sát của Lawrence và cộng sự (đối tượng là các bài báo từ 2015 đến 2023, không phải tỷ lệ triển khai tại nhà máy), loại thích ứng chiếm dưới 1/3.

Về thiết kế vận hành, cần quyết định trước các điểm sau. Ai xem độ lệch so với giá trị phòng thí nghiệm hằng tuần. Vượt ngưỡng nào thì hiệu chỉnh bias. Điều kiện nào thì huấn luyện lại. Ai phê duyệt và thay thế mô hình đã huấn luyện lại. Quy trình quay về mô hình cũ. Cơ chế giám sát và thay thế mô hình được trình bày chi tiết trong hướng dẫn giám sát mô hình AI trong nhà máy.

Giảm tần suất phân tích phòng thí nghiệm là bước sau cùng

“Có thể giảm phân tích phòng thí nghiệm” là hiệu quả dễ được kỳ vọng nhất ở cảm biến mềm. Tuy nhiên, không nên coi đó là mục tiêu ban đầu.

Bài báo của Toagosei viết rằng việc giảm phân tích xuống “còn 1 lần phân tích để xác nhận được cho là hoàn toàn khả thi”. Đây là dự kiến trên bài báo, không phải báo cáo kết quả thực tế về việc đã giảm số lần trong vận hành. Sự phân biệt này rất quan trọng.

Để thay đổi tần suất, cần ít nhất các bước sau. Ghi lại chênh lệch so với giá trị phòng thí nghiệm trong giai đoạn chạy song song đủ dài. Bộ phận đảm bảo chất lượng quyết định quy trình đánh giá và cách xử lý hồ sơ. Giải thích thay đổi cho khách hàng và được phê duyệt. Đặc biệt, nếu phiếu kết quả kiểm tra (CoA) ghi giá trị đo thực tế của phòng thí nghiệm, thì việc có thể thay bằng giá trị ước tính hay không, có được thay đổi tần suất phân tích hay không, tùy thuộc vào thỏa thuận với khách hàng. Có những khách hàng không cho phép thay đổi tần suất do yêu cầu về phiếu kết quả kiểm tra. Về quy trình phát hành và phê duyệt phiếu kết quả kiểm tra, xem bài về quản lý phát hành phiếu kết quả kiểm tra.

Trong lĩnh vực dược phẩm, có hướng dẫn PAT (Process Analytical Technology) do FDA Hoa Kỳ ban hành vào tháng 10/2004, khuyến khích doanh nghiệp tự nguyện thúc đẩy sản xuất và đảm bảo chất lượng mang tính đổi mới. Chúng tôi chưa xác nhận được bản thân văn bản hướng dẫn này có đề cập đến cảm biến mềm hay không. Tài liệu bài giảng của ông Funatsu (2016) giải thích rằng cảm biến mềm giúp có thể thực hiện thử nghiệm phát hành theo thời gian thực (RTRT) và có thể khiến việc thử nghiệm sản phẩm cuối trở nên không cần thiết, nhưng đây là câu chuyện về dược phẩm trong tài liệu bài giảng của nhà nghiên cứu, không áp dụng nguyên xi cho nhà máy hóa chất hay nhựa.

Cách đọc sản phẩm và trường hợp triển khai [Tuyên bố của nhà cung cấp]

Dưới đây là giới thiệu sản phẩm và trường hợp triển khai. Tất cả đều là công bố của nhà sản xuất hoặc doanh nghiệp triển khai, hoặc bản tin đưa lại các công bố đó, không phải kiểm chứng của bên thứ ba. Giá của tất cả sản phẩm đều không xác nhận được từ thông tin công khai (không công bố). Nội dung dưới đây không phải khuyến nghị hay xếp hạng.

Bổ sung thêm, Fuji Electric cho rằng công cụ của họ giúp cải thiện đáng kể khối lượng công việc và thời gian làm việc (từ 70% trở lên), nhưng không ghi rõ so với cái gì hay điều kiện đo. External ML của Seeq được cho là cần giấy phép riêng.

Hãy xem thêm các trường hợp triển khai. Theo Hydrocarbon Processing (20/7/2026, bài viết dựa trên thông cáo báo chí), Hyperion Systems Engineering đã đưa vào vận hành cảm biến mềm ước tính theo thời gian thực tốc độ chảy nóng chảy (MFR) và phần hòa tan trong xylene tại nhà máy polypropylene của HELLENiQ ENERGY ở Thessaloniki, Hy Lạp. Hệ thống liên kết với DCS, cơ sở dữ liệu thời gian thực, LIMS…, và đưa ra giá trị ước tính vài phút một lần mà không cần lắp thêm máy phân tích. Theo HELLENiQ ENERGY, sản phẩm ngoài tiêu chuẩn giảm 20%, thời gian chuyển đổi mã sản phẩm rút ngắn 25%, dẫn đến cải thiện lợi nhuận €350.000 mỗi năm (ước tính) và giảm 10,5 kt CO₂ mỗi năm. Đây là giá trị do nhà cung cấp và doanh nghiệp triển khai công bố cho một nhà máy duy nhất (nhà máy PP ở Hy Lạp), không dùng làm mức chuẩn của ngành hay dự kiến của nhà máy mình.

Theo Industria Química (5/10/2026), BASF đang chạy mô hình học máy ước tính theo thời gian thực các thông số chất lượng từ dữ liệu quy trình, dưới dạng ứng dụng edge trên Siemens Industrial Edge, cho quy trình chưng cất tại nhà máy Antwerp, Bỉ. Các lợi ích được nêu là vận hành sát giới hạn, giảm thời gian phân tích và chi phí lấy mẫu, cung cấp dữ liệu cho APC, nhưng không có con số hiệu quả nào được đưa tin.

Ví dụ tại Nhật Bản, NTT Communications (tên gọi khi đó) và Mitsui Chemicals đã ước tính “nồng độ khí X” sau 20 phút bằng học sâu từ 51 loại dữ liệu quy trình như nhiệt độ, áp suất, lưu lượng của nguyên liệu trong sản xuất sản phẩm khí. Độ chính xác được đưa tin là sai số trung bình trong phạm vi 3%FS (theo Weekly ASCII, tháng 9/2016). Ngoài ra, Shana (8/2/2025) đưa tin về việc ra mắt cảm biến ảo AI tại tổ hợp hóa dầu Nouri ở Iran, nhưng không có con số hiệu quả.

Khi xem các trường hợp này, có ba thước đo. Đó là giá trị chất lượng nào, của công đoạn nào. Có ghi đối tượng so sánh (so với cái gì trước khi triển khai) hay không. Cơ chế suy giảm và huấn luyện lại có được giải thích hay không.

Các yêu cầu cần ghi trong RFP

Trước khi yêu cầu nhà cung cấp báo giá, hãy ghi các mục sau vào RFP. Nếu yêu cầu khi còn mơ hồ, tiền đề báo giá của từng nhà cung cấp sẽ khác nhau và không thể so sánh.

Môi trường chạy là hạng mục thường được quyết định bởi việc có thể đưa dữ liệu ra khỏi mạng hệ thống điều khiển hay không. Về cách suy nghĩ khi chạy trên edge, xem hướng dẫn triển khai AI edge trong nhà máy.

PoC và tiêu chí nghiệm thu

PoC được tổ chức thành hai giai đoạn. Giai đoạn một là kiểm định ngoại tuyến bằng dữ liệu quá khứ: xây dựng mô hình bằng dữ liệu đã đồng bộ thời gian và xác nhận độ chính xác trên giai đoạn không dùng để học. Giai đoạn hai là chạy song song trong một khoảng thời gian nhất định: ghi lại giá trị ước tính bằng dữ liệu thời gian thực và so sánh với giá trị phòng thí nghiệm. Dù đạt ở ngoại tuyến, ảnh hưởng của dữ liệu thiếu và độ trễ có thể xuất hiện khi chạy song song, nên không bỏ qua giai đoạn hai.

Con số của tiêu chí đạt không có chuẩn chung của ngành. Nhà máy tự quyết định. Ví dụ, có cách đặt chỉ tiêu “tỷ lệ số lần chênh lệch so với giá trị phòng thí nghiệm nằm trong bao nhiêu phần của độ rộng tiêu chuẩn chất lượng”, và đánh giá theo từng mã sản phẩm, từng trạng thái vận hành (ổn định, đang chuyển đổi). Ghi lại không chỉ trung bình mà cả sai số lớn nhất và những tình huống bị lệch. Cách đọc chi phí PoC và cách suy nghĩ để quyết định có chuyển sang vận hành chính thức hay không được tổng hợp trong bài về chi phí PoC AI và tiêu chí thành công.

Trong PoC, cũng cần xác nhận giá trị ước tính và cảnh báo trên màn hình hoạt động như thế nào ngay sau khi chuyển đổi mã sản phẩm, ngay sau khi chuyển lô nguyên liệu, khi thiết bị đo đầu vào bị thiếu dữ liệu, và ở những điều kiện vận hành không có trong giai đoạn học.

Tính toán mô hình chi phí và hiệu quả (số liệu giả định)

Các con số từ đây trở đi đều là số liệu giả định đặt ra riêng cho bài viết này. Vì giá chính thức của cảm biến mềm không xác nhận được từ thông tin công khai, chi phí cũng là giả định. Hãy thay bằng số liệu của nhà máy mình khi sử dụng.

Nhà máy giả định: Nhà máy compound nhựa vốn Nhật tại Thái Lan. 3 dây chuyền đùn, vận hành 24 giờ, 330 ngày/năm. Giá trị chất lượng là MFI. Phân tích phòng thí nghiệm mỗi 2 giờ cho mỗi dây chuyền (12 lần/ngày), từ lấy mẫu đến có kết quả khoảng 40 phút (giả định của bài viết này). Đơn giá giờ công là 300 THB.

Hiện trạng (giá trị cơ sở, mỗi năm):

Kiểm tra: (2) là 200 × 500 = 100.000 kg, × 40 = 4.000.000 THB. (3) là 11.880 × 150 = 1.782.000 THB.

Cấu hình A (cảm biến mềm MFI cho 3 dây chuyền): Sử dụng dữ liệu của DCS/PLC và historian hiện có, hiển thị trên màn hình người vận hành. Không thay đổi tần suất phân tích phòng thí nghiệm, không dùng cho điều khiển. Chi phí ban đầu 2.000.000 THB, chi phí hằng năm 400.000 THB (bảo trì mô hình, huấn luyện lại, giấy phép).

Ở cấu hình A, không tính phần giảm phân tích phòng thí nghiệm.

Độ nhạy (trường hợp độ chính xác không đủ, hiệu quả chỉ còn một nửa): Hiệu quả là 470.000 THB, hiệu quả ròng là 470.000 − 400.000 = 70.000 THB/năm, thời gian hoàn vốn là 2.000.000 ÷ 70.000 ≈ khoảng 28,6 năm, tức trên thực tế không hoàn vốn. Độ chính xác của mô hình và việc giá trị ước tính có thực sự được dùng tại hiện trường hay không sẽ chi phối quyết định đầu tư.

Cấu hình B (trên nền A, xem xét lại tần suất phân tích phòng thí nghiệm): Xác nhận độ chính xác qua chạy song song từ 6 tháng trở lên, được bộ phận đảm bảo chất lượng và khách hàng phê duyệt, rồi đổi phân tích phòng thí nghiệm từ mỗi 2 giờ sang mỗi 4 giờ. Đánh giá theo phần chênh lệch so với A. Chi phí ban đầu bổ sung 500.000 THB (kiểm định, lập tài liệu, thủ tục phê duyệt), chi phí hằng năm bổ sung 100.000 THB.

Hiệu quả của cấu hình B bằng không nếu không có phê duyệt của bộ phận đảm bảo chất lượng và khách hàng. Có những khách hàng không cho phép thay đổi tần suất do yêu cầu về phiếu kết quả kiểm tra. Không được đưa hiệu quả này vào quyết định đầu tư trước khi có phê duyệt.

Các nguyên tắc để tránh tính trùng (tiền đề của tính toán này):

• (a) (1) sản phẩm ngoài tiêu chuẩn trong vận hành ổn định và (2) tổn thất chuyển tiếp khi chuyển đổi mã sản phẩm là hai hộp chi phí riêng biệt. (1) không bao gồm tổn thất khi chuyển đổi.
• (b) Phần giảm phân tích phòng thí nghiệm (3) chỉ đưa vào cấu hình B, không đưa vào cấu hình A hay phân tích độ nhạy.
• (c) Dù giảm phân tích phòng thí nghiệm, cũng không tính tăng thêm hiệu quả giảm sản phẩm ngoài tiêu chuẩn. Cấu hình B không cộng thêm hiệu quả (1) và (2).

Những gì không đưa vào tính toán này: việc lắp thêm hay cắt giảm máy phân tích trực tuyến, việc dùng cho điều khiển (vòng kín), tiết kiệm năng lượng, ưu đãi thuế của BOI (việc có được áp dụng hay không cần xác nhận riêng).

Điều rút ra từ tính toán: Chỉ với cấu hình A cần khoảng 3,7 năm để hoàn vốn, và nếu độ chính xác không đủ thì không hoàn vốn. Yếu tố ảnh hưởng lớn đến hiệu quả là việc có thể xem xét lại tần suất phân tích phòng thí nghiệm sau khi đã xác nhận độ chính xác qua chạy song song hay không (cấu hình B). Tuy nhiên, điều đó lấy phê duyệt của bộ phận đảm bảo chất lượng và khách hàng làm tiền đề, và không phải mục tiêu ban đầu. Chúng tôi khuyên nên đi theo thứ tự: ban đầu tập trung vào cấu hình A để “lấp đầy khoảng thời gian mù”, rồi sau khi giá trị ước tính được dùng tại hiện trường và hồ sơ độ chính xác đã tích lũy đủ mới cân nhắc cấu hình B.

Câu hỏi thường gặp và tổng kết

Cảm biến mềm là gì?

Là cơ chế ước tính các giá trị chất lượng chỉ đo được bằng phân tích phòng thí nghiệm (MFI, độ nhớt, nồng độ, độ ẩm, tỷ lệ phản ứng…) từ dữ liệu quy trình được ghi liên tục như nhiệt độ, áp suất, lưu lượng. Cảm biến mềm không có bộ phận phát hiện vật lý, mà xây dựng quan hệ y = f(X) thành mô hình từ dữ liệu đo thực tế trong quá khứ. Vì chỉ là giá trị dự đoán, cảm biến mềm được sử dụng đồng thời với việc kiểm tra sai số so với giá trị phòng thí nghiệm.

AI dự đoán chất lượng đạt độ chính xác đến mức nào?

Không có giá trị chung. Độ chính xác thay đổi rất nhiều tùy công đoạn, chất lượng giá trị phòng thí nghiệm, đồng bộ thời gian và vận hành; độ chính xác được công bố là giá trị trong một công đoạn và điều kiện cụ thể. Hãy xác nhận bằng kiểm định ngoại tuyến và chạy song song (PoC) trên dữ liệu của nhà máy mình.

Đo lường ảo và cảm biến mềm có khác nhau không?

Ý tưởng là chung, cả hai đều “ước tính chất lượng từ dữ liệu quy trình mà không đo vật lý”. Trong các bài tổng quan học thuật, ứng dụng của đo lường ảo (VM) trong các ngành sản xuất ngoài bán dẫn cũng đã được chỉ ra.

Có thể giảm phân tích phòng thí nghiệm không?

Có khả năng, nhưng không coi đó là mục tiêu ban đầu. Chỉ khi đã xác nhận độ chính xác qua chạy song song, quyết định quy trình đảm bảo chất lượng và được khách hàng phê duyệt thì mới có thể thay đổi tần suất. Có những khách hàng không cho phép thay đổi tần suất do yêu cầu về phiếu kết quả kiểm tra. Mức giảm được nêu trong nghiên cứu là dự kiến, cần đọc tách biệt với kết quả vận hành thực tế.

Mô hình dự đoán chất lượng suy giảm sau bao lâu?

Không có khoảng thời gian chung. Nguyên nhân và tốc độ suy giảm như hiệu năng xúc tác giảm, nguyên liệu thay đổi, trôi của thiết bị đo đầu vào tùy thuộc vào công đoạn. Hãy theo dõi liên tục độ lệch so với giá trị phòng thí nghiệm, thiết kế vận hành hiệu chỉnh và huấn luyện lại ngay từ đầu, và xác nhận tần suất xử lý qua giai đoạn chạy song song của PoC.

Ít dữ liệu có bắt đầu được không?

Nếu giá trị phòng thí nghiệm làm đáp án đúng ít, cả độ chính xác của mô hình lẫn độ tin cậy của kiểm định đều giảm. Trong nghiên cứu, việc thiếu dữ liệu có nhãn cũng được coi là thách thức chính. Cách làm thực tế là trước tiên kiểm kê xem giá trị phòng thí nghiệm, thời điểm lấy mẫu và dữ liệu quy trình đã có đủ đến đâu, nếu thiếu thì bắt đầu từ việc ghi thời điểm lấy mẫu.

Nên chọn máy phân tích trực tuyến hay cảm biến mềm?

Không phải thay thế, mà suy nghĩ theo vai trò. ABB viết rằng cảm biến suy luận có chi phí đầu tư ban đầu và chi phí bảo trì thấp hơn máy phân tích, nhưng đây là tuyên bố định tính trong bài viết của nhà cung cấp. Cũng có trường hợp việc lắp máy phân tích gặp khó khăn về chi phí, tính chất của chất lỏng cần đo hoặc quy định pháp luật (Toagosei). Mặt khác, cảm biến mềm không dùng được ngoài phạm vi đã học, và cần giá trị phòng thí nghiệm hoặc giá trị của máy phân tích làm đáp án đúng. Với công đoạn có nhiều mã sản phẩm mới, hoặc ứng dụng đòi hỏi chính giá trị đo thực tế, hãy suy nghĩ với tiền đề giữ lại máy phân tích hoặc phân tích phòng thí nghiệm.

Tổng kết

• Cảm biến mềm là cơ chế ước tính các giá trị chất lượng chỉ đo được trong phòng thí nghiệm từ dữ liệu liên tục, khác với phát hiện bất thường thiết bị, SPC hay tối ưu hóa công thức phối trộn
• Triển khai không phải là chuyện “xây dựng mô hình AI”, mà là chuyện quyết định trước giá trị chất lượng mục tiêu, giá trị phòng thí nghiệm làm đáp án đúng, cách gắn thời điểm và cách sửa khi suy giảm
• Yếu tố ảnh hưởng lớn nhất đến độ chính xác là đồng bộ thời gian. Tiền đề là ghi thời điểm lấy mẫu và đồng bộ đồng hồ của các hệ thống
• Mô hình sẽ suy giảm. Đưa hiệu chỉnh bias và huấn luyện lại, người phê duyệt và quản lý phiên bản vào thiết kế ngay từ đầu
• Không dùng được ngoài phạm vi đã học (mã sản phẩm mới, nguyên liệu mới)
• Con số của sản phẩm và trường hợp triển khai là công bố của nhà cung cấp hoặc doanh nghiệp triển khai. Hãy kiểm tra đối tượng so sánh và điều kiện
• Trong tính toán giả định, cấu hình A chỉ hiển thị cần khoảng 3,7 năm để hoàn vốn, và nếu độ chính xác không đủ thì không hoàn vốn. Xem xét lại tần suất phân tích phòng thí nghiệm (cấu hình B) có hiệu quả lớn, nhưng nếu không có phê duyệt của bộ phận đảm bảo chất lượng và khách hàng thì hiệu quả bằng không

TOMAS TECH hỗ trợ chuẩn bị dữ liệu, ứng dụng AI và kết nối với các hệ thống hiện có phù hợp với nghiệp vụ của các nhà máy tại Thái Lan. Quý vị có thể trao đổi với chúng tôi ngay cả ở giai đoạn kiểm kê xem nên bắt đầu từ giá trị chất lượng nào, dữ liệu quy trình và giá trị phòng thí nghiệm hiện có có đồng bộ thời gian được hay không, hoặc giai đoạn sắp xếp các yêu cầu RFP. Vui lòng liên hệ qua biểu mẫu này.

Thông tin tham khảo

• Fuji Electric: cảm biến mềm “Công cụ xây dựng mô hình ước tính / công cụ tính toán” (Keisoku to Seigyo, tập 62 số 8, tháng 8/2023)
• Toagosei: Quản lý tỷ lệ phản ứng bằng cảm biến mềm (TREND 2022, số 25)
• Kadlec, Gabrys, Strandt: Data-driven Soft Sensors in the Process Industry (Computers and Chemical Engineering, 2009)
• Kadlec, Grbić, Gabrys: Review of adaptation mechanisms for data-driven soft sensors (Computers and Chemical Engineering, 2011)
• Ren, Song, Chu: An Improved Locally Weighted PLS Based on Particle Swarm Optimization for Industrial Soft Sensor Modeling (Sensors, 2019)
• arXiv: Machine learning for industrial sensing and control: A survey and practical perspective (arXiv:2401.13836, bản tiền in)
• arXiv: Soft Sensors and Process Control using AI and Dynamic Simulation (arXiv:2208.04373, bản tiền in)
• Funatsu: Soft Sensor: Chemoinformatic Model for Efficient Control and Operation in Chemical Plants (Strasbourg Summer School in Chemoinformatics 2016)
• Bonavita, Ciarlo (ABB): Inferential Sensors for Emission Monitoring: an Industrial Perspective (2014)
• Dreyfus et al.: Virtual metrology as an approach for product quality estimation in Industry 4.0 (International Journal of Production Research, 2022)
• FDA: PAT — A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance (tháng 10/2004)
• Thailand BOI: Measure for Industrial Upgrades towards Smart and Sustainable Industry (Investment Promotion Guide 2023)
• Thailand BOI: BOI Opportunity & Incentives for the Digital Industry (4/8/2026)
• The Nation Thailand: Thailand sees smart and green applications top 146 billion baht (13/8/2026)
• The Nation Thailand: Refineries, motor vehicles and palm oil pull June industrial output lower (27/7/2026)
• The Nation Thailand: Goldman Sachs sees Thai first-half 2026 growth revised to 2.9% (8/10/2026)
• MGR Online: Japan Accelerates Production Base Upgrades in Thailand (17/8/2026)
• Pattaya Mail: Japanese factory upgrades open new high-value opportunities for Thai suppliers (18/8/2026)
• PTT Global Chemical: Tin tức (13/1/2026)
• PTT Global Chemical: Tin tức (20/7/2026)
• Mynavi News TECH+: Gói hỗ trợ triển khai AI Soft Sensor của NTT DOCOMO BUSINESS (13/11/2025)
• AspenTech: Aspen Inferential Qualities
• Siemens: SITRANS Soft Sensor Engine IQ
• Yokogawa: AI Product Solutions
• Seeq Knowledge Base: Machine Learning Tools FAQ
• Hydrocarbon Processing: Hyperion deploys HYPPOS AI soft sensors at HELLENiQ ENERGY polypropylene plant in Greece (20/7/2026)
• Industria Química: BASF aplica inteligencia artificial al control de procesos de destilación en Amberes (5/10/2026)
• Louisiana State University: Chemical Industry Leader BASF Taps LSU to Create Soft Sensors Using AI (20/9/2022)
• Weekly ASCII: Dự đoán chất lượng của NTT Communications và Mitsui Chemicals (tháng 9/2016)
• Shana: RIPI unveils innovative virtual sensor technology (8/2/2025)