AI can thiệp vào lọc không khí: Màng lọc không thông minh hơn, nhưng quyết định xung quanh nó thì có

Khi nói về việc ứng dụng AI vào lọc không khí, phản ứng đầu tiên của nhiều người là "màng lọc có trở nên thông minh hơn không?"

>

Câu trả lời: Không. Màng lọc vẫn là màng lọc đó. Nhưng các quyết định xung quanh nó đã thông minh hơn, và chừng đó đủ để thay đổi toàn bộ cơ cấu chi phí của hệ thống.

Nghiên cứu công bố tháng 8/2025 trên Discover Applied Sciences (Springer) đã khảo sát vấn đề này một cách hệ thống. Nội dung tổng hợp như sau.

Bốn lĩnh vực ứng dụng AI trong lọc không khí

1. Dự đoán hiệu suất lọc

Vấn đề: Phát triển vật liệu lọc mới tốn rất nhiều thời gian thử nghiệm — thay đổi đường kính sợi, mật độ nạp, kích thước lỗ, thử sai từng vòng một, mỗi vòng mất vài tuần.

Giải pháp AI: Các mô hình học máy (random forest, mạng nơ-ron) phân tích dữ liệu lịch sử để dự đoán hiệu suất lọc ứng với các tổ hợp thông số khác nhau, giúp đội R&D tập trung vào những hướng triển vọng nhất, rút ngắn thời gian nghiên cứu 30–50 %.

Ý nghĩa thực tiễn: Chu kỳ phát triển vật liệu lọc mới rút từ 12 tháng xuống còn 6–9 tháng.

2. Tối ưu hóa năng lượng

Vấn đề: Hệ thống điều hòa điều khiển PID truyền thống phải "lấy bất biến ứng vạn biến" — dùng thiết lập lưu lượng gió bảo thủ để tránh mất kiểm soát độ sạch. Kết quả: phần lớn thời gian đều đang lãng phí.

Giải pháp AI: Kết hợp đếm hạt trong phòng, cảm biến hiện diện của nhân sự và trạng thái công đoạn để điều chỉnh tức thời lưu lượng và tốc độ gió. Giảm lưu lượng ở những khoảng thời gian độ sạch đã đạt, tăng lưu lượng khi mức ô nhiễm đi lên.

Mức tiết kiệm đo thực tế: 15–30 %. Với một phòng sạch cỡ trung (10.000 m²), tiền điện tiết kiệm mỗi năm có thể lên tới hàng triệu Đài tệ.

3. Giám sát thông minh — bản sao số

Vấn đề: Hàng nghìn màng lọc vận hành độc lập, thời điểm nào cần thay chỉ có thể "đến lúc đó rồi xem".

Giải pháp AI: Kết hợp dữ liệu tức thời từ cảm biến IoT (đồng hồ chênh áp, đếm hạt, nhiệt ẩm) để dựng bản sao số (Digital Twin) cho từng màng lọc.

Trên nền tảng đám mây, mỗi màng lọc vật lý đều có một bản ảo tương ứng, ghi nhận tình trạng sức khỏe, mức ô nhiễm tích lũy và tuổi thọ dự kiến. Cảnh báo bất thường có thể đi trước hơn 72 giờ.

4. Bảo trì dự đoán

Vấn đề: Cách làm thay màng lọc định kỳ — chưa hỏng đã thay thì lãng phí; hỏng rồi mới thay thì đánh cược với tỷ lệ thành phẩm.

Giải pháp AI: Dựa trên dữ liệu lịch sử + học máy, dự đoán chính xác tuổi thọ còn lại của từng màng lọc. Việc thay màng lọc chuyển từ "mỗi 6 tháng" sang "thay khi còn 3 tuần".

Kết quả đo thực tế: lượng vật tư tiêu hao giảm 20 %. Với các nhà máy có quy mô chi phí vật tư lớn, khoản thu hồi hằng năm khởi điểm từ hàng triệu Đài tệ.

Tiện nghi nhiệt + âm học: những gì AI còn làm được

Bài báo còn đề cập hai ứng dụng ít được chú ý hơn:

Tối ưu hóa tiện nghi nhiệt

AI căn cứ vào mật độ và hình thái hoạt động của người trong phòng để điều chỉnh động nhiệt độ cấp gió và phân bố lưu lượng. Tránh những lãng phí điển hình như "phòng họp không người vẫn bật lạnh hết cỡ" hay "văn phòng đông người lại không đủ gió".

Giám sát cộng hưởng âm học

Giám sát phổ rung động của quạt và hệ thống đường ống. Trước khi bạc đạn quạt sắp hỏng, phổ rung sẽ xuất hiện biến đổi đặc trưng — AI có thể cảnh báo sớm, tránh sự cố dừng máy đột ngột.

Triển khai cần những điều kiện gì?

AI không phải cứ lắp vào là có tác dụng, cần ba nền tảng:

1. Mật độ cảm biến đủ dày

Mỗi FFU ít nhất một đồng hồ chênh áp, mỗi khu vực một máy đếm hạt, các vị trí trọng yếu có một cảm biến IMS hoặc VOC. Không có dữ liệu thì không có AI.

2. Hệ thống quản lý dữ liệu

Luồng dữ liệu IoT tích lũy liên tục 24 giờ, cần cơ sở dữ liệu chuỗi thời gian (như InfluxDB) để lưu trữ và công cụ trực quan hóa (Grafana) để trình bày.

3. Dữ liệu huấn luyện giai đoạn đầu

Mô hình học máy cần đủ dữ liệu lịch sử mới chính xác. Hệ thống vừa đưa vào vận hành có độ chính xác thấp hơn, thường phải chạy 6–12 tháng tích lũy đủ dữ liệu mới phát huy trọn vẹn hiệu quả.

Những hiểu lầm thường gặp

Hiểu lầm 1: "AI sẽ thay thế phán đoán của con người"

Không. Thế mạnh của AI là xử lý lượng lớn dữ liệu + tìm quy luật, nhưng với tình huống mới, ngoại lệ và quyết định thiết kế thì vẫn cần con người phán đoán. AI là hỗ trợ, không phải thay thế.

Hiểu lầm 2: "Triển khai AI rất đắt"

Có thể không đắt. Phần cứng cảm biến liên tục giảm giá, công cụ mã nguồn mở (TensorFlow, scikit-learn) miễn phí, chi phí chính nằm ở kiến trúc dữ liệu và giờ công huấn luyện ban đầu. Nhiều nhà máy đã sẵn có nền tảng giám sát chênh áp, đếm hạt, chỉ còn thiếu lớp kết nối và phân tích.

Hiểu lầm 3: "Lắp AI vào là tự động tiết kiệm 15–30 %"

Không tự động. Con số 15–30 % là thành quả sau khi có hệ cảm biến hoàn chỉnh + huấn luyện đầy đủ + tối ưu liên tục. Năm đầu thường là giai đoạn dựng hệ thống, sang năm thứ hai mới bắt đầu thấy hiệu quả.

Ý nghĩa với ngành màng lọc

Trong tương lai, màng lọc không chỉ là một linh kiện độc lập mà là một nút "cảm nhận được, giao tiếp được, tự thích ứng được" trong hệ thống tòa nhà thông minh. Cụ thể:

• ▸Màng lọc sẽ tích hợp sẵn cảm biến (tổn thất áp, nhiệt độ, độ ẩm, có thể cả đếm hạt)
• ▸Màng lọc truyền dữ liệu về hệ thống trung tâm qua mạng có dây hoặc không dây
• ▸Bản thân màng lọc có thể nhận lệnh điều khiển (ví dụ tự điều chỉnh cường độ trường tĩnh điện, kích hoạt chu kỳ tái sinh)

Quy cách mua sắm sẽ thay đổi. Trước đây chỉ nhìn hiệu suất, tổn thất áp, kích thước; tương lai sẽ thêm: giao thức truyền thông, hỗ trợ API, khả năng tích hợp với BMS (hệ thống quản lý tòa nhà).

Bản chất của việc AI can thiệp vào lọc không khí: không phải làm màng lọc thông minh hơn, mà làm người sử dụng màng lọc thông minh hơn. Hiệu quả ra quyết định, hiệu quả năng lượng, hiệu quả vật tư — ba hiệu quả cùng nâng lên mới là giá trị thực sự.

Bản thân màng lọc không thay đổi; thứ thay đổi là cách chúng ta sử dụng nó.

Đọc thêm

• ▸So sánh công nghệ giám sát AMC trực tuyến: IMS, SAW, CRDS, GC-MS nên dùng loại nào?
• ▸Tính bền vững của màng lọc: mỗi năm toàn cầu thải bỏ hàng tỷ tấm, phải làm sao
• ▸Chênh áp 5 Pa, tốc độ gió 0,4 m/s — đo thế nào mới đúng?