Ứng dụng trí tuệ nhân tạo trong chẩn đoán lỗi máy móc thiết bị: Lợi ích kinh tế và hàm ý cho doanh nghiệp sản xuất Việt Nam

ThS. Ngô Thị Hoa

Khoa Kỹ thuật Cơ - Điện và Máy tính, Trường Đại học Văn Lang

Email: [email protected]

Tóm tắt

Trong quá trình chuyển đổi số của khu vực sản xuất, chẩn đoán lỗi máy móc thiết bị dựa trên trí tuệ nhân tạo (AI), trong đó mạng nơ-ron tích chập là kiến trúc được sử dụng rộng rãi nhất, đang giúp doanh nghiệp chuyển từ bảo trì định kỳ sang bảo trì dự đoán, nhờ đó giảm thời gian dừng máy, tiết kiệm chi phí và cải thiện hiệu quả hoạt động. Dựa trên Lý thuyết dựa trên nguồn lực và Lý thuyết chi phí giao dịch, bài viết tổng hợp các nghiên cứu gần đây về ứng dụng mạng nơ-ron tích chập trong chẩn đoán lỗi máy móc và phân tích các cơ chế qua đó công nghệ này tạo ra giá trị kinh tế cho doanh nghiệp. Từ kết quả phân tích, bài viết đưa ra một số hàm ý nhằm thúc đẩy ứng dụng AI trong bảo trì công nghiệp tại các doanh nghiệp sản xuất Việt Nam.

Từ khóa: Trí tuệ nhân tạo, mạng nơ-ron tích chập, chẩn đoán lỗi máy móc, bảo trì dự đoán, hiệu quả doanh nghiệp

Abstract

In the digital transformation of the manufacturing sector, AI-based machinery and equipment fault diagnosis, with convolutional neural networks being the most widely used architecture, is helping enterprises shift from preventive maintenance to predictive maintenance, thereby reducing machine downtime, saving costs, and improving operational efficiency. Based on the Resource-Based View and Transaction Cost Theory, this article synthesizes recent studies on the application of convolutional neural networks in machinery fault diagnosis and analyzes the mechanisms through which this technology creates economic value for enterprises. Based on the findings, the article proposes several implications to promote the application of AI in industrial maintenance among manufacturing enterprises in Viet Nam.

Keywords: Artificial intelligence, convolutional neural networks, machinery fault diagnosis, predictive maintenance, enterprise performance

ĐẶT VẤN ĐỀ

Trong doanh nghiệp sản xuất, máy móc thiết bị là tài sản quyết định năng suất và chất lượng sản phẩm. Chi phí cho hoạt động bảo trì lại không hề nhỏ. Theo Mobley (2002), tùy ngành, chi phí bảo trì có thể chiếm từ 15% đến 60% giá thành sản phẩm, và một phần đáng kể trong số đó bị lãng phí vì phương pháp bảo trì chưa hợp lý. Bảo trì dự đoán khắc phục các nhược điểm bằng cách giám sát thiết bị liên tục qua cảm biến rung động, âm thanh, nhiệt độ hay dòng điện, từ đó đánh giá tình trạng máy theo thời gian thực và chỉ can thiệp khi thật sự cần (Jardine và cộng sự, 2006). Trong Công nghiệp 4.0, đây được xem là một trong những ứng dụng đem lại lợi ích kinh tế rõ rệt nhất của các công nghệ số ở nhà máy (Achouch và cộng sự, 2022). Trở ngại chính của bảo trì dự đoán trước đây nằm ở khâu phân tích tín hiệu: đòi hỏi chuyên gia giàu kinh nghiệm và các kỹ thuật trích xuất đặc trưng thủ công nên khó nhân rộng. Học sâu, tiêu biểu là mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với khả năng tự học đặc trưng từ dữ liệu thô (LeCun và cộng sự, 2015), đang dần thay thế cách làm thủ công đó. Các tổng quan gần đây cho thấy CNN hiện là kiến trúc được dùng nhiều nhất trong chẩn đoán lỗi thông minh (Zhu và cộng sự, 2023), còn AI nói chung đang trở thành thành phần trung tâm của các hệ thống bảo trì dự đoán hiện đại (Ucar và cộng sự, 2024).

Hiệu quả kỹ thuật của CNN trong chẩn đoán lỗi đã được kiểm chứng qua nhiều nghiên cứu quốc tế. Tuy nhiên, ở Việt Nam còn thiếu những phân tích nhìn công nghệ này dưới góc độ kinh tế và quản trị. Bài viết này sẽ: (i) hệ thống hóa cơ sở lý thuyết gắn công nghệ chẩn đoán lỗi với hiệu quả doanh nghiệp; (ii) tổng hợp các nghiên cứu gần đây về CNN trong chẩn đoán lỗi máy móc và các kênh tạo giá trị kinh tế; (iii) đề xuất hàm ý quản trị và chính sách cho Việt Nam.

CƠ SỞ LÝ THUYẾT

Bảo trì dự đoán và chẩn đoán lỗi máy móc

Chẩn đoán lỗi là việc xác định sự tồn tại, vị trí và mức độ nghiêm trọng của hư hỏng trong máy móc dựa trên các tín hiệu giám sát tình trạng. Jardine và cộng sự (2006) khái quát quy trình bảo trì theo tình trạng thành 3 bước: thu thập dữ liệu, xử lý dữ liệu và ra quyết định bảo trì; trong đó chẩn đoán và tiên lượng là 2 nhiệm vụ phân tích trung tâm (Hình 1). Đối tượng chẩn đoán phổ biến nhất trong công nghiệp là các máy quay như ổ lăn, bánh răng, trục và rô-to, vì đây là những bộ phận chịu tải lớn, dễ suy thoái và khi hỏng thường làm dừng cả dây chuyền (Zhu và cộng sự, 2023).

Hình 1: Quy trình chẩn đoán lỗi máy móc dựa trên CNN

Nguồn: Tác giả tổng hợp

Về mặt kinh tế, Mobley (2002) tổng kết rằng, chuyển từ bảo trì khắc phục và định kỳ sang bảo trì dự đoán giúp giảm chi phí bảo trì, giảm số lần hỏng hóc bất ngờ, rút ngắn thời gian dừng máy và kéo dài tuổi thọ thiết bị. Trong nhà máy thông minh, bảo trì dự đoán còn được hưởng lợi từ việc kết nối dữ liệu cảm biến, năng lực tính toán và thuật toán học máy trong cùng một hệ thống (Lee và cộng sự, 2015; Zonta và cộng sự, 2020). Achouch và cộng sự (2022) lưu ý thêm rằng, việc triển khai bảo trì dự đoán trong thực tế vẫn gặp các rào cản về tổ chức, tài chính và nguồn dữ liệu, nghĩa là lợi ích của công nghệ không tự đến mà phụ thuộc vào sự chuẩn bị của doanh nghiệp.

Mạng nơ-ron tích chập (CNN) trong chẩn đoán lỗi

CNN là kiến trúc học sâu được thiết kế cho dữ liệu có cấu trúc dạng lưới như hình ảnh hoặc tín hiệu chuỗi thời gian. Khác với các phương pháp học máy truyền thống vốn dựa vào đặc trưng do chuyên gia thiết kế, CNN tự học các đặc trưng phân cấp từ dữ liệu thô thông qua các lớp tích chập và lớp gộp, nhờ vậy đạt hiệu năng cao trong nhận dạng mẫu (LeCun và cộng sự, 2015). Khi áp dụng vào chẩn đoán lỗi, tín hiệu rung động hoặc âm thanh của thiết bị được đưa vào CNN dưới dạng chuỗi thời gian, phổ tần số hoặc ảnh thời gian - tần số, và mạng học cách phân biệt trạng thái bình thường với từng dạng lỗi.

Lý thuyết dựa trên nguồn lực và Lý thuyết chi phí giao dịch

Lý thuyết dựa trên nguồn lực (RBV) cho rằng lợi thế cạnh tranh bền vững của doanh nghiệp bắt nguồn từ việc sở hữu và khai thác các nguồn lực có giá trị, khan hiếm, khó sao chép và không thể thay thế (Barney, 1991). Hệ thống chẩn đoán lỗi dựa trên AI đáp ứng các tiêu chí này theo cách riêng: giá trị không nằm ở thuật toán, vốn được công bố rộng rãi, mà ở bộ dữ liệu vận hành và hỏng hóc tích lũy theo thời gian của chính doanh nghiệp, cùng với tri thức tổ chức về quy trình bảo trì. Đây là những tài sản gắn với bối cảnh cụ thể và rất khó sao chép.

Lý thuyết chi phí giao dịch (TCE) của Williamson (1979) cung cấp một góc nhìn bổ sung, lý giải vì sao nhiều doanh nghiệp lựa chọn xây dựng năng lực chẩn đoán lỗi bằng AI ngay trong nội bộ thay vì thuê ngoài hoàn toàn dịch vụ bảo trì từ nhà cung cấp thiết bị. Theo TCE, quyết định “tự làm hay mua ngoài” phụ thuộc vào 3 đặc điểm của giao dịch: tính đặc thù của tài sản, mức độ bất định và tần suất giao dịch. Dữ liệu vận hành và hỏng hóc của một doanh nghiệp là tài sản có tính đặc thù cao, gắn chặt với từng dây chuyền, từng loại máy cụ thể, nên khó chuyển giao nguyên vẹn cho bên thứ ba mà không phát sinh chi phí đàm phán hợp đồng, giám sát chất lượng dịch vụ và rủi ro rò rỉ thông tin cạnh tranh.

Vì vậy, việc phát triển năng lực chẩn đoán lỗi bằng AI ở một mức độ nhất định ngay trong nội bộ, đặc biệt là việc làm chủ dữ liệu và quy trình ra quyết định bảo trì, giúp doanh nghiệp giảm chi phí giao dịch trong dài hạn, dù chi phí đầu tư ban đầu có thể cao hơn phương án thuê ngoài trọn gói. Brynjolfsson và McAfee (2014) cũng lưu ý rằng, công nghệ số chỉ sinh giá trị khi đi kèm các đổi mới tổ chức tương ứng, một điều kiện càng quan trọng khi doanh nghiệp phải tự xây dựng và quản trị năng lực AI nội bộ thay vì phó thác hoàn toàn cho bên ngoài.

ỨNG DỤNG CNN TRONG CHẨN ĐOÁN LỖI MÁY MÓC: TỔNG QUAN NGHIÊN CỨU VÀ CÁC KÊNH TẠO GIÁ TRỊ KINH TẾ

Các kết quả nghiên cứu tiêu biểu

Các nghiên cứu ứng dụng CNN vào chẩn đoán lỗi máy móc xuất hiện từ giữa thập niên 2010, khi Janssens và cộng sự (2016) dùng CNN học đặc trưng trực tiếp từ phổ tần số của tín hiệu rung động; còn Wen và cộng sự (2018) chuyển tín hiệu thành ảnh 2 chiều và đạt độ chính xác trên 99% với dữ liệu lỗi ổ bi trên bộ dữ liệu chuẩn của Đại học Case Western Reserve (Smith và Randall, 2015). Giai đoạn này cho thấy CNN vượt trội so với các phương pháp trích xuất đặc trưng thủ công, nhưng phần lớn thí nghiệm mới dừng ở điều kiện phòng thí nghiệm.

Từ năm 2022 đến nay, trọng tâm nghiên cứu đã dịch chuyển sang các vấn đề của triển khai thực tế. Wang và cộng sự (2022) đưa cơ chế chú ý vào CNN để mô hình vừa chẩn đoán lỗi vừa khử nhiễu tín hiệu rung động, nhờ đó duy trì được độ chính xác trong môi trường nhiễu mạnh vốn phổ biến ở nhà xưởng. Yan và cộng sự (2024) đề xuất LiConvFormer, một kiến trúc gọn nhẹ kết hợp tích chập đa tỷ lệ với cơ chế tự chú ý, giảm đáng kể khối lượng tính toán để mô hình có thể chạy trên thiết bị cấu hình thấp tại hiện trường. Su và cộng sự (2024) kết hợp tri thức lĩnh vực với mạng học sâu nhằm tăng tính bền vững của kết quả chẩn đoán ổ lăn. Zhao và cộng sự (2025) kết hợp CNN đa tỷ lệ với mạng BiLSTM và cơ chế chú ý để nhận dạng lỗi ổ bi ổn định khi điều kiện làm việc thay đổi. Về tổng quan, Zhu và cộng sự (2023) hệ thống hóa 5 nhóm mô hình học sâu dùng trong chẩn đoán lỗi máy quay, ghi nhận CNN là nhóm được sử dụng rộng rãi nhất, đồng thời chỉ ra 2 thách thức còn tồn tại: mẫu hỏng hóc nhỏ và mất cân bằng, và bài toán chuyển giao mô hình giữa các thiết bị, điều kiện vận hành khác nhau (Bảng).

Bảng: Một số nghiên cứu giai đoạn 2022-2025 về CNN trong chẩn đoán lỗi máy móc

Nguồn: Tác giả tổng hợp

Các kênh tạo giá trị kinh tế

Theo khung RBV và TCE, hiệu quả kỹ thuật của CNN chuyển thành giá trị kinh tế của doanh nghiệp qua 4 kênh chính (Hình 2).

Hình 2: Khung phân tích giá trị kinh tế của chẩn đoán lỗi dựa trên AI

Nguồn: Tác giả tổng hợp

Thứ nhất, giảm thiệt hại do dừng máy ngoài kế hoạch: Chẩn đoán sớm cho phép doanh nghiệp chuyển các sự cố đột ngột thành những can thiệp có kế hoạch, bố trí vào thời gian ngừng sản xuất định trước, nhờ vậy tránh được thiệt hại dây chuyền, phạt trễ đơn hàng và chi phí sửa chữa khẩn cấp (Mobley, 2002; Zonta và cộng sự, 2020).

Thứ hai, tối ưu hóa chi phí bảo trì và phụ tùng: Thay vì thay thế chi tiết theo lịch cố định bất kể tình trạng thực tế, doanh nghiệp chỉ can thiệp khi dữ liệu cho thấy dấu hiệu suy thoái, giảm lãng phí phụ tùng và nhân công, khai thác trọn tuổi thọ hữu ích của thiết bị (Jardine và cộng sự, 2006).

Thứ ba, giảm phụ thuộc vào chuyên gia khan hiếm: Khả năng tự học đặc trưng của CNN cho phép chuẩn hóa và nhân rộng tri thức chẩn đoán, vốn trước đây nằm trong kinh nghiệm của số ít kỹ sư lành nghề, ra toàn bộ hệ thống thiết bị. Đó là một cách chuyển tri thức ẩn thành tài sản tổ chức theo đúng tinh thần RBV (Barney, 1991; Lei và cộng sự, 2020).

Thứ tư, tạo nền tảng dữ liệu cho sản xuất thông minh: Hạ tầng cảm biến và dữ liệu phục vụ chẩn đoán lỗi cũng là nền móng cho các ứng dụng Công nghiệp 4.0 khác như tiên lượng tuổi thọ còn lại, tối ưu năng lượng và điều độ sản xuất, tạo sự cộng hưởng giữa các công nghệ trong nhà máy (Frank và cộng sự, 2019; Lee và cộng sự, 2015).

Điều kiện hấp thụ và rào cản triển khai

Bốn kênh giá trị nói trên chỉ hiện thực hóa khi doanh nghiệp có đủ năng lực hấp thụ công nghệ; đây cũng là điểm bộc lộ rõ chi phí giao dịch nội bộ của quá trình triển khai.

Trước hết là vấn đề dữ liệu. Zhu và cộng sự (2023) và Lei và cộng sự (2020) đều chỉ ra rằng mô hình học sâu nói chung và CNN nói riêng cần một lượng lớn dữ liệu hỏng hóc được gắn nhãn để đạt độ chính xác cao, trong khi phần lớn doanh nghiệp sản xuất, nhất là doanh nghiệp nhỏ và vừa, chỉ có rất ít mẫu lỗi thực tế vì máy móc phần lớn thời gian vẫn vận hành bình thường. Xét theo TCE, đó chính là chi phí xây dựng “tài sản đặc thù” mà doanh nghiệp phải bỏ ra trước khi thu được lợi ích từ bốn kênh giá trị.

Hạ tầng và tổ chức cũng là một điểm nghẽn: Frank và cộng sự (2019) cho thấy mức độ sẵn sàng công nghệ 4.0 giữa các doanh nghiệp sản xuất còn rất khác biệt, phần lớn vẫn thiếu hạ tầng kết nối dữ liệu đồng bộ giữa cảm biến, hệ thống điều khiển và bộ phận bảo trì.

Ngay cả khi 2 điều kiện trên được đáp ứng, lợi ích kinh tế vẫn có thể không xuất hiện nếu con người và quy trình không thay đổi theo. Achouch và cộng sự (2022) lưu ý rằng, một cảnh báo AI dù chính xác đến đâu cũng chỉ có giá trị khi quy trình ra quyết định bảo trì của doanh nghiệp được tổ chức lại để phản ứng kịp thời. Nói cách khác, đầu tư công nghệ AI mới chỉ là điều kiện cần; đầu tư song hành vào dữ liệu, hạ tầng và con người mới là điều kiện đủ để 4 kênh giá trị kinh tế thực sự vận hành.

HÀM Ý CHO DOANH NGHIỆP SẢN XUẤT VÀ CHÍNH SÁCH TẠI VIỆT NAM

Việt Nam hiện có khung định hướng thuận lợi cho việc ứng dụng AI trong công nghiệp. Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030 xác định sản xuất công nghiệp là một trong các lĩnh vực ưu tiên chuyển đổi số (Thủ tướng Chính phủ, 2020). Nghị quyết số 57-NQ/TW của Bộ Chính trị xác định phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số là đột phá quan trọng hàng đầu, trong đó trí tuệ nhân tạo là công nghệ chiến lược (Bộ Chính trị, 2024). Từ khung phân tích ở trên, bài viết đề xuất một số hàm ý với doanh nghiệp sản xuất như sau:

Một là, tiếp cận theo lộ trình 3 giai đoạn phù hợp với năng lực hấp thụ: (i) giai đoạn nền tảng: lắp đặt cảm biến giám sát trên các thiết bị trọng yếu, nơi chi phí dừng máy cao nhất, và xây dựng quy trình thu thập, lưu trữ dữ liệu vận hành có hệ thống; (ii) giai đoạn thí điểm: triển khai mô hình CNN chẩn đoán lỗi cho một nhóm thiết bị đồng dạng, tận dụng các bộ dữ liệu chuẩn quốc tế và kỹ thuật học chuyển giao để bù đắp tình trạng thiếu dữ liệu hỏng hóc ban đầu (Zhu và cộng sự, 2023); (iii) giai đoạn nhân rộng: tích hợp kết quả chẩn đoán vào hệ thống quản lý bảo trì và kế hoạch sản xuất, hình thành chu trình từ dữ liệu đến quyết định.

Hai là, đầu tư song hành vào con người và tổ chức. Kinh nghiệm quốc tế cho thấy công nghệ số chỉ tạo ra giá trị khi đi kèm đổi mới về quy trình và kỹ năng (Brynjolfsson và McAfee, 2014). Doanh nghiệp cần đào tạo đội ngũ kỹ thuật viên bảo trì về phân tích dữ liệu ở mức vận hành, và điều chỉnh quy trình ra quyết định bảo trì sao cho cảnh báo của hệ thống AI thực sự dẫn đến hành động.

Ba là, coi dữ liệu vận hành là tài sản chiến lược. Theo RBV, chính bộ dữ liệu tình trạng và hỏng hóc tích lũy của doanh nghiệp, chứ không phải thuật toán, mới là nguồn lực khó sao chép tạo lợi thế dài hạn (Barney, 1991). Doanh nghiệp cần chuẩn hóa việc ghi nhận sự cố, gắn nhãn dữ liệu và bảo đảm quyền sở hữu dữ liệu khi hợp tác với nhà cung cấp giải pháp.

Bốn là, thiết kế chặt chẽ hợp đồng khi hợp tác với nhà cung cấp giải pháp AI bên ngoài. Theo lô-gíc chi phí giao dịch, hợp đồng cần quy định rõ quyền sở hữu dữ liệu vận hành, cơ chế chia sẻ dữ liệu hỏng hóc, trách nhiệm khi mô hình chẩn đoán sai và điều khoản chuyển giao khi kết thúc hợp tác, nhằm hạn chế rủi ro lệ thuộc vào một nhà cung cấp duy nhất và giảm chi phí giám sát đối tác về lâu dài (Williamson, 1979).

Tài liệu tham khảo:

1. Achouch, M., Dimitrova, M., Ziane, K., Sattarpanah Karganroudi, S., Dhouib, R., Ibrahim, H., và Adda, M. (2022). On predictive maintenance in Industry 4.0: Overview, models, and challenges. Applied Sciences, 12(16), 8081. https://doi.org/10.3390/app12168081

2. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.

3. Bộ Chính trị (2024). Nghị quyết số 57-NQ/TW ngày 22/12/2024 về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia.

4. Brynjolfsson, E., và McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.

5. Frank, A. G., Dalenogare, L. S., và Ayala, N. F. (2019). Industry 4.0 technologies: Implementation patterns in manufacturing companies. International Journal of Production Economics, 210, 15-26. https://doi.org/10.1016/j.ijpe.2019.01.004

6. Janssens, O., Slavkovikj, V., Vervisch, B., Stockman, K., Loccufier, M., Verstockt, S., Van de Walle, R., và Van Hoecke, S. (2016). Convolutional neural network based fault detection for rotating machinery. Journal of Sound and Vibration, 377, 331-345. https://doi.org/10.1016/j.jsv.2016.05.027

7. Jardine, A. K. S., Lin, D., và Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483-1510. https://doi.org/10.1016/j.ymssp.2005.09.012

8. LeCun, Y., Bengio, Y., và Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539

9. Lee, J., Bagheri, B., và Kao, H.-A. (2015). A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18-23. https://doi.org/10.1016/j.mfglet.2014.12.001

10. Lei, Y., Yang, B., Jiang, X., Jia, F., Li, N., và Nandi, A. K. (2020). Applications of machine learning to machine fault diagnosis: A review and roadmap. Mechanical Systems and Signal Processing, 138, 106587. https://doi.org/10.1016/j.ymssp.2019.106587

11. Mobley, R. K. (2002). An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann.

12. Smith, W. A., và Randall, R. B. (2015). Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study. Mechanical Systems and Signal Processing, 64(65), 100-131. https://doi.org/10.1016/j.ymssp.2015.04.021

13. Su, Y., Shi, L., Zhou, K., Bai, G., và Wang, Z. (2024). Knowledge-informed deep networks for robust fault diagnosis of rolling bearings. Reliability Engineering & System Safety, 244, 109863. https://doi.org/10.1016/j.ress.2023.109863

14. Thủ tướng Chính phủ (2020). Quyết định số 749/QĐ-TTg ngày 03/6/2020 phê duyệt “Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030”.

15. Ucar, A., Karakose, M., và Kırımça, N. (2024). Artificial intelligence for predictive maintenance applications: Key components, trustworthiness, and future trends. Applied Sciences, 14(2), 898. https://doi.org/10.3390/app14020898

16. Wang, H., Liu, Z., Peng, D., và Cheng, Z. (2022). Attention-guided joint learning CNN with noise robustness for bearing fault diagnosis and vibration signal denoising. ISA Transactions, 128, 470-484. https://doi.org/10.1016/j.isatra.2021.11.028

17. Wen, L., Li, X., Gao, L., và Zhang, Y. (2018). A new convolutional neural network-based data-driven fault diagnosis method. IEEE Transactions on Industrial Electronics, 65(7), 5990-5998. https://doi.org/10.1109/TIE.2017.2774777

18. Williamson, O. E. (1979). Transaction-cost economics: The governance of contractual relations. Journal of Law and Economics, 22(2), 233-261.

19. Yan, S., Shao, H., Wang, J., Zheng, X., và Liu, B. (2024). LiConvFormer: A lightweight fault diagnosis framework using separable multiscale convolution and broadcast self-attention. Expert Systems with Applications, 237, 121338. https://doi.org/10.1016/j.eswa.2023.121338

20. Zhao, D., Tian, C., Fu, Z., Zhong, Y., Hou, J., và He, W. (2025). Multi scale convolutional neural network combining BiLSTM and attention mechanism for bearing fault diagnosis under multiple working conditions. Scientific Reports, 15, 13035. https://doi.org/10.1038/s41598-025-96137-w

21. Zhu, Z., Lei, Y., Qi, G., Chai, Y., Mazur, N., An, Y., và Huang, X. (2023). A review of the application of deep learning in intelligent fault diagnosis of rotating machinery. Measurement, 206, 112346. https://doi.org/10.1016/j.measurement.2022.112346

22. Zonta, T., Costa, C. A. da, Rosa Righi, R. da, Lima, M. J. de, Trindade, E. S. da, và Li, G. P. (2020). Predictive maintenance in the Industry 4.0: A systematic literature review. Computers & Industrial Engineering, 150, 106889. https://doi.org/10.1016/j.cie.2020.106889