Nhà máy Leppersdorf của Sachsenmilch ở Đức nhận 4,7 triệu lít sữa mỗi ngày. Khoảng 170 xe bồn. Chạy 24/7.

Năm 2025, một hệ thống AI đọc rung và nhiệt độ ở các bơm, báo trước một cái bơm sắp hỏng. Bơm được thay trước khi kịp dừng dây chuyền.

Theo Siemens công bố, khoản chi phí tránh được ở mức “sáu chữ số thấp” — hàng trăm nghìn, con số chính xác không công bố. Trưởng bộ phận kỹ thuật nhà máy nói riêng lần thay bơm đó đã đủ hoàn vốn dự án thí điểm.

Nhưng chi tiết quan trọng nhất trong câu chuyện này không phải AI.

Mà là: nhà máy ấy gần như tự động hoá hoàn toàn, máy đã nối mạng, rung của bơm được đo liên tục. AI là lớp cuối cùng, đặt lên một nền dữ liệu có sẵn.

Nên câu hỏi cho nhà máy Việt Nam không phải “có nên mua AI bảo trì không”, mà là: cụm cô đặc của anh chị hôm qua chạy bao nhiêu giờ, áp suất hơi dao động thế nào, bơm chân không nóng lên bao nhiêu độ — và có cái gì ghi lại những con số đó không?

Châu Âu và Mỹ đang làm gì: cảm biến trước, thuật toán sau

Đọc kỹ thông cáo của Siemens về Sachsenmilch, thứ tự công việc rất rõ.

Đo trước. Nhà máy lắp thêm cảm biến rung và dùng hệ đo rung Siplus CMS 1200. Dữ liệu thu về gồm nhiệt độ, mức rung, tần số rung.

Phân tích sau. Phần mềm Senseye Predictive Maintenance đọc các chuỗi số đó và nhận ra mẫu hình của một cái bơm đang xuống cấp.

Người của nhà máy làm. Siemens hỗ trợ kỹ thuật và quản lý dự án, nhưng đội nhà máy tự triển khai sau khi được đào tạo.

Bước tiếp theo họ công bố là nối với SAP PM — phần mềm quản lý bảo trì — để cảnh báo tự thành lệnh công việc. Cảnh báo đi vào quy trình bảo trì đã có, không nằm trong một màn hình riêng không ai xem.

Ở Mỹ, ca hay được nhắc là PepsiCo với các nhà máy snack Frito-Lay, dùng giải pháp của Augury. Cảm biến không dây “nghe” âm thanh và rung của máy, AI phân tích rồi báo tổ bảo trì theo thời gian thực. Theo Augury công bố, sau một năm thí điểm, các nhà máy tham gia đạt “zero breakdowns, interruptions or incremental costs” — không có sự cố dừng máy bất ngờ nào — và có kế hoạch mở rộng ra gần như toàn bộ nhà máy Frito-Lay.

Tôi đọc con số đó với hai lưu ý. Một, đây là tài liệu của chính nhà cung cấp: không có kiểm chứng độc lập, không công bố số nhà máy tham gia, không có con số định lượng nào khác.

Hai, cả hai ca đều là máy quay: bơm, động cơ. Ngành cơ khí đã đo rung loại máy này từ lâu trước khi có chữ “AI”; cái mới là phần mềm đọc mẫu hình trên nhiều máy cùng lúc.

Bằng chứng nói gì — và chỗ còn trống

Phần này tôi phải nói thẳng.

Tra các tạp chí đầu ngành thực phẩm tới tháng 09/2026, chưa tìm thấy bài bình duyệt nào riêng về bảo trì dự đoán trong nhà máy thực phẩm. Bằng chứng hiện có là tổng quan chung cho nhà máy công nghiệp — ví dụ bài tổng quan trên tạp chí Sensors năm 2021 — cộng với các ca do nhà cung cấp phần mềm tự công bố.

Tức là bảo trì dự đoán trong ngành thực phẩm hiện là suy ra từ ngành khác. Suy ra hợp lý, vì cái bơm ly tâm ở nhà máy sữa không khác nhiều cái bơm ở nhà máy hoá chất. Nhưng vẫn là suy ra.

Ở phía quá trình, bằng chứng còn non hơn.

Digital twin cụm tiệt trùng. Một nghiên cứu trên Journal of Food Engineering năm 2025 dựng “bản sao số” cho dây chuyền tiệt trùng nước dùng rau củ công nghiệp: gia nhiệt trước thay cho khởi động nguội giảm 62% lượng hơi và 63% thời gian khởi động.

Nhưng đó là mô phỏng offline. Các tác giả ghi rõ những bước chạy thời gian thực, nối hệ điều khiển, thêm AI bảo trì dự đoán — chưa làm. Và bước đầu tiên của họ không phải thuật toán, mà là thu dữ liệu cảm biến rồi đối chiếu, hiệu chỉnh dữ liệu. Số bẩn thì mô hình đẹp mấy cũng sai.

Đóng cặn trong thiết bị trao đổi nhiệt. Một tổng quan năm 2025 trên Comprehensive Reviews in Food Science and Food Safety cho thấy đóng cặn làm tăng năng lượng và kéo dài CIP; hướng mới là dự đoán bằng học sâu kết hợp dữ liệu thời gian thực để tối ưu lịch vệ sinh. Tác giả cũng nhấn mạnh khoảng cách giữa quy mô thí nghiệm và công nghiệp, và độ bền của cảm biến.

Ai từng chạy tiệt trùng ống lồng cho puree xoài hay chanh dây đều biết đóng cặn là chuyện từng ca. Đúng chỗ đáng tiền — và đúng chỗ nghiên cứu chưa ra khỏi phòng thí nghiệm.

Có một cảnh báo cũ vẫn đúng. Handbook of Food Factory Design (Springer, 2013) viết rằng điều khiển bằng mạng nơ-ron hay logic mờ có thể mất ổn định nếu dữ liệu huấn luyện không đại diện đủ các điều kiện vận hành. Với nhà máy chạy theo mùa vụ: mô hình học từ ba tháng chạy dứa chưa từng thấy mùa chanh dây.

Và báo cáo Science Council của FSA — Cơ quan Tiêu chuẩn Thực phẩm Anh, đăng 06/2026 — nêu rủi ro mô hình “trôi” hiệu năng theo thời gian: thẩm định một lần là không đủ.

Việt Nam có nên dùng không: có — cho cụm đắt nhất, khi đã có dữ liệu

Quan điểm của tôi: nên dùng, nhưng không phải bước đầu tiên.

Thứ tự tôi đề xuất: số hoá ghi chép mẻ và cảm biến trước, thị giác máy ở khâu phân loại sau, rồi mới tới bảo trì dự đoán — và chỉ cho cụm đắt nhất. Với nhà máy nước quả, đó là cụm cô đặc và cụm tiệt trùng.

Vì hai cụm này quyết định cả dây chuyền. Cô đặc dừng giữa vụ thì nguyên liệu tươi ngoài bãi không có chỗ đi. Tiệt trùng dừng giữa mẻ thì mẻ đó phải xử lý theo kế hoạch HACCP.

Và vì linh kiện đặc chủng từ châu Âu có thể mất 8 đến 16 tuần nếu không có sẵn trong kho. Biết trước vài tuần rằng một bơm chân không sắp hỏng là đủ thời gian đặt hàng. Biết khi nó đã hỏng thì có thể mất cả mùa. Bảo trì dự đoán không thay được danh sách phụ tùng phải đặt kèm khi mua dây chuyền — nó chỉ cho anh chị thêm thời gian.

Trong hai cụm này có hai loại bài toán:

Loại	Ví dụ	Mức sẵn sàng
Máy quay	Bơm cấp liệu, bơm chân không, bơm cao áp, máy nén MVR, động cơ khuấy	Đo rung đã trưởng thành, có ca công nghiệp
Quá trình	Đóng cặn ống lồng, suy giảm truyền nhiệt, thời điểm CIP tối ưu	Còn ở mức nghiên cứu, mô phỏng

Bắt đầu từ máy quay. Bài toán quá trình để sau, khi đã có vài mùa vụ dữ liệu.

Điều kiện bắt buộc: lịch sử vận hành ghi tự động.

Phép thử: anh chị có lấy ra được file nhiệt độ, áp suất, lưu lượng của cụm tiệt trùng ba tháng trước không? Mỗi lần máy hỏng, có ghi ngày giờ, bộ phận, nguyên nhân, số giờ dừng không?

Nếu câu trả lời là “có, trong sổ tay của trưởng ca” thì bước tiếp theo là cảm biến, hệ ghi dữ liệu và sổ sự cố điện tử. Không phải AI.

Thêm một lý do để kiên nhẫn: hỏng hóc lớn là sự kiện hiếm, mô hình cần thời gian để thấy đủ. FSA ghi nhận ở một tình huống khác — phát hiện bệnh lý trong lò mổ — hệ thống cần chạy thử khoảng sáu tháng mới bắt được ca hiếm. Hỏng bơm cũng là ca hiếm.

Chưa nên: mua gói “digital twin toàn nhà máy” khi chưa có dữ liệu của cụm nào; gắn cảm biến AI cho máy rẻ, có dự phòng, dừng không ảnh hưởng dây chuyền. Với chúng, bảo trì phòng ngừa theo lịch rẻ hơn và đủ tốt.

Khi đầu tư dây chuyền mới, đó là lúc rẻ nhất để làm nền: đưa cảm biến rung, nhiệt ở các bơm chính và cổng xuất dữ liệu vào hợp đồng. Đo lường và điều khiển chỉ là phần nhỏ trong tổng chi phí sở hữu dây chuyền, nhưng thêm vào sau khi máy đã chạy thì đắt và khó hơn nhiều.

Cơ chế quản lý: năm điểm áp vào bảo trì dự đoán

AI không nhận trách nhiệm. Người vẫn nhận.

1. Một người chủ quản có tên. Trưởng bảo trì — không phải phòng IT, không phải nhà cung cấp phần mềm. Người này chịu trách nhiệm mọi cảnh báo được xem, xử lý và đóng lại trong hạn.

2. Dữ liệu có chủ. Ai ghi sổ sự cố, ai được sửa ngưỡng cảnh báo, sửa thì để lại vết. Lưu ít nhất qua hai mùa vụ. Hợp đồng phần mềm ghi rõ dữ liệu thuộc về nhà máy và xuất ra được khi ngừng thuê bao.

3. Thẩm định trước khi tin. Chạy song song với lịch bảo trì phòng ngừa hiện tại ít nhất một mùa vụ. Ghi từng cảnh báo: đúng, báo động giả, hay bỏ sót. Chưa có con số đó thì chưa cắt hạng mục bảo trì phòng ngừa nào.

4. Con người giữ quyền dừng. AI được tạo phiếu kiểm tra, đề xuất lệnh bảo trì. Dừng dây chuyền giữa mẻ là quyết định của trưởng ca hoặc trưởng bảo trì. Với cụm tiệt trùng, mẻ bị gián đoạn nhiệt là vấn đề an toàn thực phẩm — xử lý theo kế hoạch HACCP, không theo màn hình AI.

5. Đo lợi ích bằng tiền. Giờ dừng máy ngoài kế hoạch. Tấn nguyên liệu hỏng vì dừng giữa vụ. Tiền phụ tùng đặt gấp bằng đường hàng không. Không đo bằng câu “mô hình chính xác 95%”.

Sáu câu phải hỏi nhà cung cấp giải pháp bảo trì dự đoán

Hệ thống đã chạy ở nhà máy thực phẩm nào, trên loại máy nào — cô đặc, tiệt trùng, hay chỉ bơm và động cơ nói chung? Cho tôi nói chuyện với trưởng bảo trì ở đó.
Cần bao nhiêu tháng dữ liệu trước khi cảnh báo có ý nghĩa, và trong thời gian đó tôi trả tiền cho cái gì?
Tỷ lệ báo động giả ở các nhà máy đã triển khai là bao nhiêu, đo thế nào?
Khi tôi đổi sản phẩm theo mùa, từ dứa sang chanh dây, mô hình có phải học lại không, ai trả tiền?
Dữ liệu lưu ở đâu, thuộc về ai, xuất ra định dạng gì khi tôi ngừng hợp đồng?
Lắp cảm biến có phải can thiệp vào thiết bị đang trong bảo hành của hãng dây chuyền không? Nếu có, đã có văn bản đồng ý của hãng chưa?

Tôi tổng hợp 37 câu hỏi phải hỏi nhà cung cấp thiết bị trước khi ký hợp đồng, trong đó có phần về phụ tùng, bảo hành và nghiệm thu — những thứ quyết định anh chị có làm được bảo trì dự đoán về sau hay không. Tải bản đầy đủ tại foodtech.paulnguyen.vn, hoặc nhắn Zalo 0938 613 408.

Đọc thêm: AI trong nhà máy thực phẩm: dùng ở đâu, chưa nên dùng ở đâu · Sáu lần tôi nghe cùng một câu hỏi về cụm tiệt trùng · Danh sách phụ tùng bắt buộc đặt kèm khi mua dây chuyền

Nguồn

Siemens — Siemens advances predictive maintenance with Artificial Intelligence at Sachsenmilch, thông cáo báo chí, 04/06/2025. https://press.siemens.com/global/en/pressrelease/siemens-advances-predictive-maintenance-artificial-intelligence-sachsenmilch (tài liệu nhà cung cấp; truy cập 26/09/2026)
Augury — Watch how Augury helped Frito-Lay save a mountain of snacks (blog) và trang câu chuyện khách hàng PepsiCo. https://www.augury.com/blog/customers-partners/watch-how-augury-helped-frito-lay-save-a-mountain-of-snacks/ · https://www.augury.com/success-stories/pepsicos-manufacturing-innovation-leads-to-tangible-roi/ (tài liệu nhà cung cấp, không có kiểm chứng độc lập; truy cập 26/09/2026)
Pech M., Vrchota J., Bednář J. — Predictive Maintenance and Intelligent Sensors in Smart Factory: Review, Sensors, 20/02/2021. https://doi.org/10.3390/s21041470
Bozzini M.M. và cộng sự — Energy-efficient start-up optimization via digital twin for a vegetable broth sterilization process, Journal of Food Engineering, 2025. https://doi.org/10.1016/j.jfoodeng.2025.112822
Tarapata J. và cộng sự — Approaches for Measuring and Predicting Fouling During Thermal Processing of Dairy Solutions, Comprehensive Reviews in Food Science and Food Safety, 2025. https://doi.org/10.1111/1541-4337.70209
Food Standards Agency (Anh), Science Council — Science Council report of project: AI Applications in Food Safety and Authenticity, đăng GOV.UK 25/06/2026. https://www.gov.uk/government/publications/report-artificial-intelligence-applications/science-council-report-of-project-artificial-intelligence-applications-in-food-safety-and-authenticity
McFarlane I. — chương 9 Control and Monitoring of Food-Manufacturing Processes, trong Handbook of Food Factory Design, Springer, 2013.