Predictive Maintenance – bảo trì dự báo – thường được mô tả như khả năng “biết trước thiết bị sẽ hỏng”. Trong thực tế, mục tiêu hữu ích hơn là phát hiện tín hiệu bất thường đủ sớm để kỹ thuật viên kiểm tra trước khi sự cố gây gián đoạn lớn.
Một mô hình tốt không thay lịch bảo trì bắt buộc hay kinh nghiệm kỹ thuật. Nó bổ sung lớp cảnh báo dựa trên dữ liệu lịch sử, cảm biến và bối cảnh vận hành.
Chuyên đề: AI ứng dụng trong Bất động sản · Bài 36 · Quản lý tài sản, vận hành và tòa nhà
Biên soạn: ThS. Nguyễn Mạnh Hùng
GV. Khoa QLĐĐ&BĐS – ĐH Nông Lâm TP.HCM
Email: nguyenmanhhung@hcmuaf.edu.vn
1. Dữ liệu phải nối về cùng asset_id
| Nguồn | Ví dụ dữ liệu |
|---|---|
| Asset register | loại thiết bị, model, ngày lắp |
| Work Order | triệu chứng, nguyên nhân, hành động |
| BMS/IoT | nhiệt độ, rung, áp suất, dòng điện |
| Meter/log | giờ chạy, số lần khởi động |
| Maintenance plan | chu kỳ và nhiệm vụ định kỳ |
| Environment | tải, nhiệt độ ngoài trời, độ ẩm |
Nếu Work Order dùng tên tự do và cảm biến dùng mã khác, AI sẽ “học” trên các đối tượng không khớp.
2. Không bắt đầu bằng mô hình phức tạp
Trước khi huấn luyện mô hình, có thể đặt baseline bằng ngưỡng kỹ thuật và xu hướng. Ví dụ nhiệt độ ổ trục tăng liên tục so với chính thiết bị và nhóm tương đồng. AI có thể giúp tìm pattern, nhưng baseline đơn giản là mốc để chứng minh mô hình mới thực sự tốt hơn.
3. Phân biệt anomaly và failure
Anomaly là bất thường; failure là hỏng. Một cảm biến bất thường có thể do tải cao, lỗi cảm biến hoặc điều kiện môi trường. Hệ thống nên tạo “inspection recommendation” trước khi kết luận “sắp hỏng”, trừ khi đã có quy tắc kỹ thuật được xác nhận.
4. Tạo cảnh báo có ngữ cảnh
- asset_id và vị trí.
- tín hiệu nào vượt baseline.
- thời điểm bắt đầu và xu hướng.
- các Work Order gần đây.
- mức quan trọng của tài sản.
- gợi ý kiểm tra đầu tiên.
- độ tin cậy và dữ liệu còn thiếu.
Kỹ thuật viên cần thấy lý do, không chỉ một điểm rủi ro 0–100.
5. False positive có chi phí thật
Nếu hệ thống báo quá nhiều, đội vận hành sẽ bỏ qua cảnh báo. Đánh giá cần tính precision, recall nhưng cũng phải quy đổi sang số lần kiểm tra vô ích, số giờ dừng thiết bị tránh được và mức độ sự cố bỏ sót.
6. Không bỏ lịch bảo trì và quy định an toàn
Một mô hình dự báo “thiết bị còn tốt” không tự động cho phép bỏ nhiệm vụ bảo trì bắt buộc, kiểm định hay kiểm tra an toàn. Các nghĩa vụ pháp lý, hướng dẫn nhà sản xuất và kế hoạch được phê duyệt vẫn là lớp kiểm soát cao hơn.
7. Tình huống minh họa
Một bơm nước lạnh có dòng điện và độ rung tăng nhẹ trong ba tuần. Hệ thống so với lịch sử chính bơm và nhóm cùng loại, phát cảnh báo. Kỹ thuật viên kiểm tra, xác nhận bạc đạn xuống cấp và tạo Work Order thay trong khung thời gian ít ảnh hưởng. Sau sửa, dữ liệu outcome được ghi lại để đánh giá cảnh báo có hữu ích hay không.
8. Chu trình cải tiến
Mỗi cảnh báo phải có outcome: đúng, sai, chưa xác định, lỗi cảm biến. Chỉ khi feedback này quay lại hệ thống, doanh nghiệp mới biết mô hình có giúp giảm downtime hay chỉ tạo dashboard đẹp.
Ghi nhớ trong 30 giây
- Bảo trì dự báo bắt đầu từ asset_id và lịch sử Work Order sạch.
- Bất thường không đồng nghĩa sắp hỏng; cần kỹ thuật viên xác nhận.
- Ngưỡng an toàn và nghĩa vụ bảo trì không bị AI thay thế.
- Đánh giá mô hình bằng kết quả vận hành, không chỉ chỉ số học máy.
Nguồn tham khảo
- RICS – International Building Operation Standard (IBOS), khung đánh giá vận hành tòa nhà theo các trụ cột hiệu quả, con người, bền vững và trải nghiệm.
- ISO 41001:2018 – Facility management — Management systems; bản công bố hiện hành năm 2026, đồng thời ISO đang phát triển phiên bản thay thế.
- RICS – Responsible use of artificial intelligence in surveying practice, 1st edition; có hiệu lực từ 09/03/2026, nhấn mạnh quản trị, giám sát nghề nghiệp, minh bạch và trách nhiệm.
- NIST – AI Risk Management Framework (AI RMF) 1.0 và NIST AI 600-1 Generative AI Profile; dùng làm nền cho nhận diện, đo lường, quản trị và kiểm soát rủi ro AI.
- ISO/IEC 42001:2023 – hệ thống quản lý trí tuệ nhân tạo; yêu cầu thiết lập, vận hành và cải tiến hệ thống quản trị AI.
Bài tiếp theo
Bài 37: AI tối ưu năng lượng và ESG: từ dữ liệu đo đếm đến khuyến nghị có thể kiểm chứng