Những ngày đầu nhận công tác tại Tổng trạm Hòa Khánh, tôi có cơ hội theo các anh trong tổ thực hiện một đợt test nạp - xả định kỳ cho hệ thống ắc quy. Đó là lần đầu tiên tôi cảm nhận rõ công việc này đòi hỏi sự tỉ mỉ và kiên nhẫn đến như vậy. Hàng trăm bình ắc quy lần lượt được theo dõi, đo đạc và ghi chép từng thông số trong suốt nhiều giờ. Mỗi người đảm nhận một phần việc, liên tục quan sát điện áp, đối chiếu số liệu và đánh giá kết quả để xác định bình nào còn tốt, bình nào bắt đầu suy giảm.

Đứng giữa phòng máy, nhìn anh em miệt mài với những bảng số liệu và thiết bị đo, tôi chợt nghĩ: "Muốn biết một bình ắc quy còn khỏe hay không, mình phải mất nhiều thời gian như vậy sao?". Rồi một câu hỏi khác xuất hiện: "Nếu chưa đến kỳ test thì sao?".

Khi đó, chúng tôi gần như chỉ có thể theo dõi các thông số vận hành hằng ngày và chờ hệ thống phát cảnh báo khi dấu hiệu bất thường đã khá rõ ràng. Trong khi đó, điện áp, dòng điện và nhiệt độ của từng bình ắc quy vẫn được hệ thống ghi nhận liên tục. Dữ liệu vẫn ở đó, chỉ là chúng tôi chưa biết cách khai thác.

Ngay lúc ấy, một suy nghĩ cứ lặp đi lặp lại trong đầu tôi: "Tại sao mình phải chờ đến kỳ test mới biết bình nào yếu?". Nếu dữ liệu đã được lưu lại mỗi ngày thì liệu có cách nào phát hiện sớm dấu hiệu suy giảm mà không cần chờ đến kỳ kiểm tra? Chính câu hỏi tưởng chừng rất đơn giản ấy đã mở đầu cho hành trình nghiên cứu của tôi.

Cuối năm 2025, khi mới được tuyển dụng về Trung tâm Kỹ thuật Khu vực 2, tôi không xuất phát từ lĩnh vực cơ điện chuyên sâu. Trước hệ thống nguồn với hàng trăm bình ắc quy, hàng nghìn thông số và nhiều quy trình vận hành phức tạp, tôi hiểu rằng mình cần học nhiều hơn những gì đang có.

Ban ngày, tôi theo các anh trong tổ đi kiểm tra thiết bị, ghi chép từng thao tác, từng quy trình. Buổi tối, tôi tự đọc thêm tài liệu về hệ thống nguồn, nguyên lý hoạt động của ắc quy và cách đánh giá chất lượng trong các chu kỳ nạp - xả.

Càng tìm hiểu, tôi càng nhận ra hệ thống đang lưu trữ một lượng dữ liệu rất lớn, nhưng chúng ta mới chỉ sử dụng dữ liệu để quan sát hiện trạng.

Ban ngày bám hiện trường để hiểu bài toán, buổi tối tranh thủ sau giờ làm để nghiên cứu, thử nghiệm và điều chỉnh từng mô hình. Tôi luôn tin rằng, muốn AI giải đúng bài toán thì trước hết người làm phải thật sự hiểu "điểm đau" của công việc.

Tôi bắt đầu nghĩ theo một hướng khác: nếu dữ liệu có thể cho mình biết điều gì sẽ xảy ra trong tương lai thì sao?

Đúng thời điểm đó, AI đang trở thành xu hướng được nhắc đến rất nhiều trong Viettel. Nhưng tôi không muốn sử dụng AI chỉ vì đó là công nghệ mới. Tôi muốn AI giải quyết một vấn đề rất cụ thể trong công việc hằng ngày. Tôi không bắt đầu bằng việc viết thuật toán mà bắt đầu bằng việc học lại chính bài toán của mình.

Tôi dành nhiều thời gian để hiểu từng thông số của ắc quy, từng chu kỳ nạp - xả và từng dạng suy giảm có thể xảy ra. Tôi nhận ra rằng muốn AI học đúng thì trước hết người xây dựng phải hiểu thật sâu bài toán của mình. Nếu không cảm nhận được "điểm đau" trong công việc thì rất khó để dạy AI tìm ra lời giải.

Ban ngày, tôi bám hiện trường để hiểu bài toán; buổi tối tranh thủ sau giờ làm để nghiên cứu, thử nghiệm và điều chỉnh từng mô hình. Tôi luôn tin rằng muốn AI giải đúng bài toán thì trước hết người làm phải thật sự hiểu "điểm đau" của công việc.

Sau đó, tôi bắt đầu thử nghiệm. Ban đầu, tôi xây dựng các mô hình phân tích xu hướng điện áp theo thời gian nhưng kết quả chưa như mong muốn. Có những bình nhìn trên biểu đồ hoàn toàn bình thường nhưng thực tế lại suy giảm. Ngược lại, có những bình bị cảnh báo nhưng vẫn hoạt động ổn định.

Tôi tiếp tục điều chỉnh và thử nghiệm. Tôi ứng dụng Machine Learning để phát hiện những bình có dấu hiệu bất thường so với các bình còn lại trong cùng chuỗi, sau đó tiếp tục nghiên cứu các mô hình học sâu để đánh giá chất lượng ắc quy trong các chu kỳ nạp - xả và không ngừng tinh chỉnh.

20260604_090311 — Với tôi, kinh nghiệm quý giá từ các anh và những buổi hội thảo nhóm đã giúp tôi tiến gần đến lời giải cho bài toán

Có những hôm tôi nghĩ mình đã tìm được lời giải, nhưng chỉ sau vài ngày chạy thử lại phát hiện mô hình chưa đủ chính xác. Mỗi lần như vậy, tôi không coi đó là thất bại mà là thêm một cơ hội để hiểu dữ liệu và hiểu hệ thống hơn.

Dần dần, tôi nhận ra điều quan trọng nhất không phải là tìm một thuật toán thật phức tạp mà là biết kết hợp kinh nghiệm của những người làm vận hành với khả năng phân tích dữ liệu của AI. AI không thay thế người kỹ sư mà giúp người kỹ sư nhìn thấy những tín hiệu rất nhỏ mà mắt thường khó có thể nhận ra.

Từ suy nghĩ đó, tôi xây dựng giải pháp ứng dụng AI để phân tích và cảnh báo sớm sức khỏe ắc quy tại Tổng trạm Hòa Khánh. Giải pháp kết hợp các quy luật vận hành đã được kiểm chứng trong thực tế với Machine Learning và các mô hình học sâu để phân tích xu hướng, phát hiện bất thường và cảnh báo sớm sức khỏe ắc quy.

Trong suốt quá trình nghiên cứu, kinh nghiệm quý báu từ các anh đồng nghiệp cùng những buổi trao đổi, hội thảo nhóm đã giúp tôi từng bước tiến gần hơn đến lời giải cho bài toán.

Sau nhiều lần thử nghiệm và hiệu chỉnh, hệ thống có thể theo dõi sức khỏe của 584 bình ắc quy, phát hiện những dấu hiệu suy giảm ngay từ giai đoạn đầu và tự động gửi cảnh báo qua netChat trước khi các bất thường trở thành sự cố ảnh hưởng đến vận hành.

Những dòng dữ liệu giờ đây không còn chỉ là các con số. Sau nhiều lần thử nghiệm và hiệu chỉnh, hệ thống đã có thể phát hiện sớm những dấu hiệu bất thường của ắc quy, biến dữ liệu vận hành hằng ngày thành công cụ cảnh báo chủ động.

giao diện giám sát anh, nó highlight lên những accu có xu hướng lệch so với bình thường — Khoảnh khắc những dòng dữ liệu không còn chỉ là những con số. Sau nhiều lần thử nghiệm và hiệu chỉnh, hệ thống đã có thể phát hiện sớm những dấu hiệu bất thường của ắc quy, giúp biến dữ liệu vận hành hằng ngày thành công cụ cảnh báo chủ động.

Đối với tôi, giá trị lớn nhất của sáng kiến không nằm ở việc ứng dụng AI mà ở việc thay đổi cách tiếp cận. Trước đây, muốn biết một bình ắc quy có đang suy giảm hay không, chúng tôi thường phải chờ đến kỳ test nạp - xả. Hôm nay, chúng tôi có thể từng bước theo dõi liên tục và phát hiện sớm từ chính dữ liệu vận hành hằng ngày. Đó là sự chuyển đổi từ "phát hiện khi sự cố đã đến gần" sang "chủ động phòng ngừa từ những tín hiệu rất sớm".

Nhìn lại hành trình ấy, tôi nhận ra sáng tạo không bắt đầu từ những công nghệ mới mà bắt đầu từ việc dám đặt lại một câu hỏi mà trước đây ai cũng nghĩ là hiển nhiên. Nếu ngày đó tôi chấp nhận rằng muốn biết chất lượng ắc quy thì phải chờ đến kỳ test, có lẽ sẽ không có sáng kiến này. Chỉ vì tôi tự hỏi: "Có thể biết sớm hơn không?" mà cả cách tiếp cận bài toán đã bắt đầu thay đổi.

Sau sáng kiến này, điều thay đổi lớn nhất không phải là hệ thống cảnh báo mà là cách tôi nhìn công việc. Mỗi khi gặp một vấn đề, thay vì hỏi: "Làm thế nào để xử lý nhanh hơn?", tôi thường tự hỏi: "Nếu được làm lại từ đầu, mình có thể giải bài toán này theo một cách khác không?". Tôi tin rằng AI sẽ ngày càng phát triển và trở thành công cụ quen thuộc trong mọi lĩnh vực. Nhưng điều tạo nên khác biệt không phải bản thân công nghệ mà là con người biết quan sát, biết đặt câu hỏi và dám thử nghiệm những cách làm mới để giải quyết các bài toán rất thực của công việc.

Có lẽ, đó cũng chính là điều mà hành trình xây dựng hệ thống cảnh báo sớm sức khỏe ắc quy đã mang lại cho tôi. Không chỉ là một sáng kiến kỹ thuật mà còn là một cách tư duy mới sẽ tiếp tục đồng hành cùng tôi trên chặng đường làm nghề phía trước.