Tổng quan nghiên cứu

Trong bối cảnh Cách mạng Công nghiệp 4.0, các doanh nghiệp gia công cơ khí chính xác tại Việt Nam đang chịu sức ép lớn về việc rút ngắn thời gian giao hàng và tối ưu hóa chi phí sản xuất. Thực tế tại một công ty phụ trợ kỹ thuật cao với quy mô hơn 8.000 sản phẩm và 110.000 danh mục linh kiện tồn kho cho thấy, mô hình sản xuất gián đoạn (Job-shop) thường xuyên gặp khó khăn trong công tác điều phối. Đặc thù của mô hình này là quy mô đơn hàng nhỏ dao động từ 200 đến 1.000 chi tiết nhưng chủng loại sản phẩm lại vô cùng đa dạng và thường xuyên thay đổi.

Vấn đề nghiêm trọng nhất phát sinh từ việc lập lịch sản xuất hoàn toàn tách rời với kế hoạch bảo dưỡng định kỳ. Khi thiết bị dừng đột ngột từ 4 đến 8 giờ cho mỗi đợt bảo trì phòng ngừa, dây chuyền rơi vào thế bị động, dẫn đến tình trạng chậm tiến độ đơn hàng và đẩy chi phí làm thêm giờ lên cao. Đỉnh điểm vào tháng 11 năm 2023, công ty đã phải chi trả 30.375.000 VNĐ cho 180 giờ tăng ca chỉ để bù đắp tiến độ gián đoạn do lịch dừng máy.

Nghiên cứu được thực hiện từ tháng 09 năm 2023 đến tháng 01 năm 2024 tại nhà máy gia công cơ khí chính xác, tập trung giải quyết bài toán tích hợp đồng thời hai biến quyết định: lịch trình gia công đơn hàng và lịch trình bảo trì phòng ngừa. Mục tiêu cốt lõi là xây dựng mô hình toán tối thiểu hóa tổng thời gian hoàn thành (Makespan) và phát triển công cụ phần mềm tự động hóa điều độ. Kết quả nghiên cứu có ý nghĩa thực tiễn sâu sắc khi giúp doanh nghiệp giảm thiểu hơn 25% chi phí phát sinh ngoài giờ, nâng cao mức độ sẵn sàng của máy móc lên trên 95% và bảo đảm 100% đơn hàng xuất xưởng đúng hạn cam kết.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết điều độ sản xuất trong môi trường Job-shop và lý thuyết quản trị bảo trì phòng ngừa (Preventive Maintenance - PM). Mô hình Job-shop cổ điển giải quyết bài toán phân bổ tập hợp $n$ công việc lên $m$ máy công cụ với các ràng buộc về thứ tự công nghệ nghiêm ngặt. Đây là bài toán tối ưu hóa tổ hợp phi tuyến tính thuộc nhóm NP-hard phức tạp nhất trong nghiên cứu vận hành.

Bên cạnh đó, lý thuyết bảo trì phòng ngừa hiện đại tiếp cận việc duy trì độ tin cậy của máy móc theo hướng chủ động thay vì khắc phục sự cố bị động. Ba khái niệm nền tảng được tích hợp xuyên suốt mô hình gồm:

  • Thời gian hoàn thành lớn nhất (Makespan - $C_{max}$): Chỉ số đo lường hiệu suất tổng thể của lịch trình sản xuất, xác định bởi thời điểm hoàn tất nguyên công cuối cùng của toàn bộ các đơn hàng.
  • Ràng buộc đứt quãng (Disjunctive Constraints): Quy tắc đảm bảo tại một thời điểm nhất định, mỗi máy công cụ chỉ được phép thực hiện tối đa một nguyên công hoặc một tác vụ bảo trì duy nhất.
  • Cửa sổ bảo trì phòng ngừa (Maintenance Window): Khoảng thời gian giới hạn với mốc thời gian trễ nhất ($d_{iz}$) bắt buộc công tác kiểm tra, thay thế phụ tùng trên máy phải hoàn thành nhằm ngăn ngừa nguy cơ hư hỏng đột xuất.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu sản xuất thực tế thu thập từ phân xưởng sản xuất chốt định hình (Core Pin) trong năm 2023, bao gồm thông số định mức của 6 công đoạn gia công chuẩn (Cắt, Tiện thô, Bo tròn, Tiện tinh, Mài thô, Mài tinh) và lịch bảo dưỡng của 10 máy công cụ chủ lực. Phương pháp chọn mẫu có chủ đích (purposive sampling) được áp dụng trên bộ dữ liệu 7 đơn hàng đại diện trong tháng 11 năm 2023 với tổng sản lượng 3.550 sản phẩm nhằm thử nghiệm trong điều kiện tải xưởng phức tạp nhất.

Mô hình toán học được xây dựng theo phương pháp Quy hoạch đứt quãng (Disjunctive Programming). Để giải quyết bài toán quy mô lớn, tác giả lựa chọn Giải thuật Di truyền (Genetic Algorithm - GA) nhờ khả năng tìm kiếm nghiệm tối ưu toàn cục vượt trội, khắc phục triệt để nhược điểm dễ rơi vào cực trị địa phương của các quy tắc phân việc kinh nghiệm. Toàn bộ thuật toán được lập trình trên môi trường Python 3 và Spyder IDE, sử dụng cấu trúc mã hóa nhiễm sắc thể dựa trên nguyên công kết hợp kỹ thuật lai ghép hai điểm (Two-point Crossover) và đột biến hoán đổi (Swap Mutation). Để tối ưu hóa các tham số thuật toán, phương pháp thiết kế thực nghiệm đa yếu tố (Factorial Design) được triển khai trên phần mềm Minitab để phân tích tương tác giữa quy mô quần thể, xác suất lai ghép và xác suất đột biến.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích thực trạng hoạt động sản xuất tại doanh nghiệp đã làm sáng tỏ nhiều hạn chế lớn trong quy trình quản lý vận hành truyền thống:

  • Sự bất ổn định của chi phí tăng ca: Do điều độ dựa trên cảm tính và kinh nghiệm của quản đốc, chi phí làm thêm giờ biến động mạnh qua các tháng trong năm 2023, từ mức thấp nhất 270.000 VNĐ (tháng 3 với 8 giờ tăng ca) lên tới 7.290.000 VNĐ (tháng 5 và tháng 9 với 72 giờ tăng ca) và chạm đỉnh 30.375.000 VNĐ (tháng 11 với 180 giờ tăng ca khi 4 máy chủ lực L090, A437, A474, A1959 đồng loạt bảo trì).
  • Tối ưu hóa tổng thời gian hoàn thành đơn hàng: Giải thuật Di truyền (GA) đã tìm ra lịch trình tối ưu giúp rút ngắn tổng thời gian thực hiện Makespan xuống khoảng 15% so với phương pháp điều độ kinh nghiệm hiện hành của phân xưởng.
  • Loại bỏ hoàn toàn xung đột bảo trì và sản xuất: Việc đưa các nhiệm vụ bảo dưỡng kéo dài 4 đến 8 giờ thành các nguyên công cố định có giới hạn trễ nhất ($d_{iz}$) đã giúp bộ phận kỹ thuật thực hiện đúng 100% kế hoạch bảo trì mà không làm gián đoạn dòng chảy gia công của 7 đơn hàng trọng điểm.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp mô hình đề xuất đạt hiệu quả cao là nhờ cơ chế đồng bộ hóa thời gian bắt đầu ($y_{ij}$) của các nguyên công sản xuất với thời điểm dừng máy kỹ thuật. Trong quá trình đánh giá, kết quả thực nghiệm được trực quan hóa thông qua biểu đồ phân tích hiệu ứng chính (Main Effects Plot) và biểu đồ tương tác (Interaction Plot), chỉ ra rằng sự kết hợp giữa kích thước quần thể phù hợp và tỷ lệ lai ghép chuẩn xác tạo ra ảnh hưởng quyết định đến giá trị hàm thích nghi (Fitness Value).

Đặc biệt, biểu đồ theo dõi quá trình hội tụ cho thấy giá trị hàm mục tiêu Makespan giảm nhanh và đạt trạng thái ổn định chỉ sau 100 đến 150 thế hệ (Generations). Toàn bộ kết quả điều độ sau đó được xuất thành sơ đồ Gantt chi tiết, mô tả trực quan vị trí gia công của từng mã hàng trên các dòng máy A-009, A-045, L-090 xen kẽ nhịp nhàng với các khối thời gian bảo dưỡng. So sánh với các nghiên cứu trước đây vốn chỉ áp dụng quy tắc phân việc tĩnh như thời gian gia công ngắn nhất (SPT) hay nhập trước xuất trước (FIFO), giải pháp GA tích hợp bảo trì phòng ngừa đã chứng minh tính ưu việt vượt trội trong việc cân bằng tải máy và giảm thời gian chờ đợi lãng phí.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp chiến lược nhằm chuẩn hóa và nâng cao năng lực sản xuất tại doanh nghiệp:

  1. Chuyển giao và tích hợp phần mềm điều độ số hóa: Bộ phận Công nghệ Thông tin phối hợp cùng Ban Quản trị Sản xuất triển khai chương trình điều độ viết bằng Python vào hệ thống quản trị sản xuất hiện hữu trong thời gian 3 tháng. Mục tiêu là giảm 90% thời gian lập lịch thủ công của quản đốc, chuyển đổi hoàn toàn sang điều độ tự động trên máy tính.
  2. Tối ưu hóa và chuẩn hóa lịch bảo trì phòng ngừa: Phòng Kỹ thuật - Bảo trì cần xây dựng cơ chế chia nhỏ các đợt bảo dưỡng lớn từ 6 đến 8 giờ thành các gói can thiệp định kỳ linh hoạt từ 2 đến 4 giờ trong các khung giờ tải thấp. Giải pháp này giúp cắt giảm tối thiểu 20% chi phí phát sinh do làm thêm giờ vào các tháng cao điểm.
  3. Đào tạo kỹ năng vận hành đa năng cho công nhân: Phòng Hành chính - Nhân sự kết hợp cùng Quản đốc xưởng tổ chức chương trình đào tạo chéo kỹ năng trong lộ trình 6 tháng, đảm bảo ít nhất 75% công nhân đứng máy có khả năng vận hành linh hoạt từ 2 loại máy công cụ trở lên (tiện CNC, máy mài, máy bo tròn) nhằm ứng phó linh hoạt khi có biến động nhân sự.
  4. Thiết lập hệ thống kiểm soát vật tư và bảo dưỡng dự phòng: Phòng Kế hoạch Kinh doanh cần phối hợp với bộ phận kho thiết lập định mức tồn kho an toàn cho các phụ tùng thay thế định kỳ của 10 thiết bị trọng điểm, loại bỏ hoàn toàn tình trạng máy dừng chờ vật tư bảo trì.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị thực tiễn và học thuật cao, đặc biệt phù hợp với 4 nhóm đối tượng sau:

  • Giám đốc Nhà máy và Quản đốc Phân xưởng: Cung cấp phương pháp khoa học để tái cấu trúc quy trình lập kế hoạch sản xuất, giải quyết triệt để mâu thuẫn giữa tiến độ đơn hàng và độ tin cậy thiết bị, từ đó tiết kiệm hàng chục triệu đồng chi phí tăng ca mỗi tháng.
  • Kỹ sư Kỹ thuật Hệ thống Công nghiệp (Industrial Engineers): Nắm bắt toàn diện kỹ thuật mô hình hóa bài toán điều độ Job-shop phức tạp bằng Quy hoạch đứt quãng, cùng phương pháp thiết kế thực nghiệm Factorial Design trên Minitab để tinh chỉnh tham số thuật toán.
  • Lập trình viên và Chuyên gia Tối ưu hóa: Tham khảo cấu trúc mã nguồn hoàn chỉnh của Giải thuật Di truyền (GA) viết bằng Python 3 trên nền Spyder, bao gồm các hàm giải mã nhiễm sắc thể, lai ghép hai điểm, đột biến hoán đổi và trích xuất sơ đồ Gantt tự động.
  • Học viên Cao học và Giảng viên Khối ngành Kỹ thuật/Quản lý Công nghiệp: Sử dụng làm tài liệu tham khảo chuẩn mực cho các đề tài mở rộng về điều độ linh hoạt (Flexible Job-shop Scheduling) hoặc điều độ thích ứng theo thời gian thực (Dynamic Rescheduling).

Câu hỏi thường gặp

Điểm khác biệt cốt lõi giữa mô hình điều độ Job-shop trong luận văn và phương pháp truyền thống là gì?

Phương pháp truyền thống thường giả định máy móc luôn trong trạng thái sẵn sàng 100%, dẫn đến lịch trình bị phá vỡ khi có bảo trì. Mô hình trong luận văn xem mỗi đợt bảo trì phòng ngừa từ 4 đến 8 giờ như một nguyên công đặc thù có giới hạn thời gian chót, từ đó tối ưu hóa đồng thời cả lịch gia công và lịch bảo dưỡng máy móc.

Tại sao Giải thuật Di truyền (GA) lại phù hợp hơn các quy tắc phân việc kinh nghiệm (Dispatching Rules)?

Bài toán điều độ Job-shop là bài toán tối ưu tổ hợp thuộc nhóm NP-hard. Các quy tắc kinh nghiệm như FIFO hay SPT chỉ mang lại nghiệm cục bộ đơn lẻ. Trong khi đó, giải thuật GA sử dụng cơ chế chọn lọc tự nhiên, lai ghép và đột biến để duyệt không gian tìm kiếm rộng lớn, giúp tìm ra lời giải Makespan tối ưu chỉ trong 100 đến 150 thế hệ.

Doanh nghiệp cần chuẩn bị dữ liệu đầu vào nào để áp dụng phần mềm điều độ này?

Doanh nghiệp chỉ cần chuẩn bị 3 bảng dữ liệu chuẩn hóa trên bảng tính Excel: danh mục các đơn hàng cùng số lượng chi tiết cần gia công, định mức thời gian gia công tiêu chuẩn qua từng công đoạn máy (pcs/phút), và bảng kế hoạch bảo trì phòng ngừa định kỳ của từng mã thiết bị trong tháng.

Phần mềm điều độ phát triển trong nghiên cứu có đòi hỏi chi phí bản quyền đắt đỏ không?

Hoàn toàn không. Toàn bộ chương trình được xây dựng trên ngôn ngữ lập trình nguồn mở Python 3 và môi trường Spyder, không tốn bất kỳ chi phí mua bản quyền thương mại nào. Doanh nghiệp vừa và nhỏ (SMEs) có thể dễ dàng cài đặt, tùy biến cấu hình máy móc và vận hành miễn phí trên máy tính văn phòng thông thường.

Mô hình xử lý thế nào khi xảy ra sự cố hư hỏng máy móc đột xuất ngoài kế hoạch?

Mô hình hiện tại tập trung vào bảo dưỡng phòng ngừa định kỳ để triệt tiêu tối đa sự cố đột xuất. Trong trường hợp xảy ra hỏng hóc bất khả kháng, người quản lý chỉ cần cập nhật lại trạng thái khả dụng của thiết bị và chạy lại chương trình GA; hệ thống sẽ tự động tái điều độ toàn bộ các nguyên công còn lại chỉ sau vài giây tính toán.

Kết luận

  • Xây dựng thành công mô hình toán học tích hợp bài toán điều độ Job-shop với kế hoạch bảo trì phòng ngừa định kỳ trong môi trường sản xuất cơ khí chính xác.
  • Lập trình và hoàn thiện thuật toán tối ưu hóa di truyền (GA) trên ngôn ngữ Python, giải quyết hiệu quả bài toán quy hoạch đứt quãng với thời gian hội tụ nhanh chóng.
  • Chứng minh hiệu quả thực tế qua bộ dữ liệu 7 đơn hàng tháng 11 năm 2023, giúp rút ngắn 15% Makespan và triệt tiêu xung đột dừng máy kỹ thuật.
  • Cung cấp công cụ xuất sơ đồ Gantt trực quan, hỗ trợ ban quản trị chuyển đổi từ điều độ cảm tính sang điều hành sản xuất tự động hóa dựa trên dữ liệu.
  • Đề xuất lộ trình triển khai 4 giải pháp đồng bộ trong 3 đến 6 tháng nhằm cắt giảm hơn 20% chi phí ngoài giờ và nâng cao năng lực cạnh tranh cho nhà máy.

Doanh nghiệp và các nhà nghiên cứu quan tâm có thể tiếp tục mở rộng mô hình sang bài toán điều độ Job-shop linh hoạt đa máy (FJSP) hoặc tích hợp thêm yếu tố tiêu thụ năng lượng nhằm tối ưu hóa chi phí sản xuất toàn diện trong tương lai.