CHƯƠNG 1: TỔNG QUAN 1. Giới thiệu Thời đại công nghiệp 4.0 mở ra thời kỳ kỷ nguyên số, dữ liệu lớn (big data) là bức tranh tổng quan đánh giá quá trình sản xuất của doanh nghiệp, từ đó phát hiện kịp thời các sai hỏng và triển khai nhanh chóng các biện pháp khắc phục. Hơn nữa, máy móc thiết bị cùng quá trình tự động hóa hỗ trợ quá trình sản xuất hàng loạt đồng bộ theo tiêu chuẩn và cải thiện năng lực có giới hạn của con người. Chính vì vậy, các doanh nghiệp luôn quan tâm và chủ động tiếp cận các phương pháp quản lý sản xuất hiện đại, áp dụng trí tuệ nhân tạo (AI) vào chuỗi sản xuất của mình đang là xu hướng mang lại lợi ích về sức người và giảm thiểu lãng phí trong tương lai.
Ngành sản xuất trong lĩnh vực cơ khí, đặc biệt là cơ khí chính xác, việc kiểm tra chất lượng sản phẩm là không thể thiếu, kiểm tra bán thành phẩm (BTP) trong các công đoạn sản xuất và kiểm tra thành phẩm trước khi giao đến tay khách hàng đóng vai trò cực kỳ quan trọng trong hoạt động của doanh nghiệp. Việc này không chỉ đảm bảo rằng sản phẩm đáp ứng không chỉ yêu cầu khách hàng trong, ngoài doanh nghiệp mà còn là yếu tố quyết định về tính cạnh tranh về giá thành, chi phí sản xuất của doanh nghiệp. Với đặc điểm là sản phẩm cực kỳ tỉ mỉ và độ chính xác cao trong ngành cơ khí chính xác, quy trình kiểm tra chất lượng thành phẩm, BTP cần rõ ràng, chi tiết và dễ thực hiện. Tuy nhiên, các doanh nghiệp vừa và nhỏ trong ngành cơ khí chính xác ở Việt Nam, đặc biệt là tại công ty Thịnh Phát hiện nay, quá trình kiểm tra chất lượng thường phụ thuộc nhiều vào kinh nghiệm cá nhân hơn là tuân theo các tiêu chuẩn được hướng dẫn, phụ thuộc nhiều vào năng lực con người hơn là áp dụng máy móc tự động hóa.
Điều này mang lại những rủi ro không mong muốn về việc tồn tại sản phẩm lỗi khi sản phẩm được giao đến khách hàng, dẫn đến chi phí sản xuất tăng cao do quy trình làm lại, sửa lỗi, tổn hao nguyên vật liệu, và quan trọng hơn hết là ảnh hưởng đến lòng tin của khách hàng và uy tín của doanh nghiệp. Đề tài "Nghiên cứu giải pháp cải tiến quy trình kiểm tra chất lượng sản phẩm sử dụng công cụ năng suất chất lượng kết hợp học máy trong nhận diện lỗi tự động" áp dụng chu trình cải tiến DMAIC nhằm nhận diện, kiểm soát lỗi và cải tiến hiện trường sản xuất từ đó cải thiện hiệu quả cho quy trình kiểm tra chất lượng một cách linh hoạt, hiệu quả góp phần nâng cao chất lượng sản phẩm, tăng cường khả năng đáp ứng yêu cầu khách hàng. Bên cạnh việc áp dụng Six Sigma, nghiên cứu cũng đã áp dụng kỹ thuật tiên tiến của học máy đặc biệt là mạng thân kinh tích chập (CNN) để thiết kế phần mềm nhận diện lỗi tự động cho một mã sản phẩm của công ty cơ khí chính xác Thịnh Phát. Kết quả của 1 nghiên cứu tạo ra một phần mềm có khả năng phát hiện và phân loại lỗi một cách tự động, nhanh chóng và chính xác cùng với một giao diện thân thiện và dễ sử dụng.
Các công trình liên quan đến đề tài nghiên cứu Giảm các lỗi đường sơn trong bộ giảm xóc thông qua các giai đoạn DMAIC của 6- Sigma [1] Nghiên cứu tập trung vào việc giảm/loại bỏ lỗi trong quá trình phun sơn cho các bộ phận giảm xóc, đó là bong tróc và phồng rộp bằng cách sử dụng phương pháp 6-Sigma (DMAIC) có ảnh hưởng lớn đến chất lượng. Kết quả sau cùng là mức Sigma tăng từ 3.5 tối ưu việc loại bỏ lỗi bong tróc và phồng rộp trong quá trình sơn bộ giảm xóc. Giảm thiểu những chỉnh sửa trong công nghiệp sản xuất dây cua roa nhờ ứng dụng DMAIC [2] Nội dung bài báo trình bày về việc cải tiến chất lượng ở dây cua toa REC trong công nghiệp. Áp dụng chu trình cải tiến 5 bước là Xác định, Đo lường, Phân tích, Cải tiến, Kiểm soát.
Nhờ cải tiến cho vải Thô trong ứng dụng DMAIC, doanh nghiệp đạt được bước đột phá trong việc giảm thiểu làm lại vải nhờ phương pháp 6-Sigma DMAIC, với mức Sigma trước cải tiến là 2.7 và mức Sigma sau cải thiện là 3. Ứng dụng Lean và 6-Sigma để nâng cao năng suất và chất lượng sản phẩm tại Công ty Gỗ Tân Thành [3] Đồ án tốt nghiệp của anh Hoàng Khang và Nhật Huy Khóa 18 thực hiện ứng dụng DMAIC tại công ty Gỗ Tân Thành tập trung vào cải thiện chất lượng sản phẩm Ghế DAYNA. Áp dụng chu trình cải tiến 5 bước là Xác định, Đo lường, Phân tích, Cải tiến, Kiểm soát. Nhờ việc áp dụng quy trình để cải tiến mà tỉ lệ lỗi giảm đáng kể, lỗi móp giảm 38,89%, lỗi sai màu giảm 40,63% và độ hở giảm 43,33%.
Mức Sigma tăng từ 2,75 lên 3,0 tiết kiệm được hơn 130 triệu đồng/năm phải trả cho chi phí chất lượng kém. Ứng dụng Lean và 6-Sigma để nâng cao năng suất và chất lượng sản phẩm tại Công ty Điện Quang [4] Đồ án tốt nghiệp của anh Nguyễn Thành Đông và Trần Hữu Trọng khóa 17 ngành Kỹ Thuật Công Nghiệp thực hiện ứng dụng DMAIC nhằm giảm thiểu tỷ lệ lỗi cho sản phẩm đèn LED BU-50W tại công ty Điện Quang. Áp dụng chu trình cải tiến 5 bước là Xác định, Đo lường, Phân tích, Cải tiến, Kiểm soát. Nhờ việc cải tiến mà tỉ lệ lỗi giảm đáng kể, lỗi móp đầu đèn giảm 26,18%, lỗi đầu đèn lắp sai giảm 16,38% và đèn không sáng giảm 11,61%.
Mức Sigma tăng từ 3,5 lên 6,63 và tiết kiệm 182. 2 Phân loại các lỗi trong kết cấu gỗ bằng cách sử dụng các mô hình mạng lưới thần kinh tích chập được huấn luyện trước. [5] Nghiên cứu này tập trung vào so sánh và dự đoán lỗi trong cấu trúc gỗ bằng mô hình CNN. Mười mô hình CNN đã được huấn luyện và kiểm tra trên 9000 hình ảnh gỗ, chia đều thành ba lớp: nứt, mắt gỗ và nguyên vẹn (không bị lỗi).
Một tập dữ liệu nhỏ hơn gồm 300 hình ảnh được sử dụng riêng cho mục đích kiểm tra. Các mô hình của CNNs đã phân loại chính xác hình ảnh theo từng loại lỗi, giúp nhà sản xuất loại bỏ gỗ lỗi và giảm thiểu chi phí sản xuất. Sử dụng mô hình CNN cũng giúp rút ngắn thời gian kiểm tra và tăng hiệu suất sản xuất gỗ. Công trình này mở ra cơ hội cho nghiên cứu chi tiết về các đặc điểm cụ thể của các loại khuyết điểm gỗ.
Nghiên cứu ứng dụng mạng neural network cho hệ thống kiểm tra linh kiện điện tử thời gian thực. [6] Bài báo trình bày việc sử dụng công nghệ xử lý hình ảnh để phân tích và kiểm tra các linh kiện điện tử trên mạch in PCB trong thời gian thực. Tác giả đã áp dụng mô hình mạng thần kinh tích chập (CNN) 53 lớp để trích xuất đặc điểm và dự đoán đối tượng trong hình ảnh mới. Mô hình thử nghiệm được tích hợp vào một trạm phân loại mạch in PCB có năng suất 120 sản phẩm mỗi giờ.
Kết quả thử nghiệm trong nhiều môi trường làm việc khác nhau cho thấy hệ thống đạt độ chính xác lên tới 96%. Để đánh giá hiệu quả của hệ thống, các hiệu ứng nhiễu môi trường như chế độ sáng, kích thước hình ảnh và nền cũng đã được tính đến. Phát hiện khuyết tật vải bằng mạng thần kinh tích chập nhúng lớp. Nhờ sử dụng mô hình lớp kích hoạt được nhúng vào mô hình của mạng CNN, dẫn đến độ chính xác khi xác định khuyết tật trên các loại vải với các đặc trưng phức tạp và tập dữ liệu không cân đối.
Độ chính xác trung bình và khả năng nhận biết lại các khuyết tật trong các hình ảnh lần lượt là hơn 90% và 80% và độ chính xác trong việc đếm số lượng khuyết tật từ một tập dữ liệu vượt qua 98%. Phương pháp phân loại khuyết tật bề mặt thép sử dụng bộ phân loại mạng nơ-ron tích chập. Tập dữ liệu đã được thử nghiệm theo phương pháp của Đại học Đông Bắc (NEU) với sáu loại khuyết tật bề mặt thép. Kết quả cho thấy độ chính xác phân loại đạt 99.44%, vượt trội hơn so với các phương pháp hiện có.
Công trình đã tiếp cận hiệu quả cho việc kiểm tra chất lượng trong công nghiệp sản xuất thép. Phương pháp giám sát và phát hiện lỗi uốn cong trong Quy trình Sintering Laser chọn lọc bằng phương pháp đo nhiệt hồng ngoại và mạng nơ-ron tích chập. [9] Công trình tập trung vào việc áp dụng hình ảnh nhiệt hồng ngoại và mạng nơ-ron tích chập trong công trình để giám sát quy trình Sintering Laser và phát hiện lỗi uốn cong. Kết quả nghiên cứu cho thấy mô hình CNN có khả năng phát hiện lỗi uốn cong với độ chính xác lên đến 98,54%.
Kết quả này cũng cho thấy nghiên cứu tiếp tục mở rộng về dữ liệu và tối ưu mô hình để cải thiện hiệu suất và ứng dụng thực tế của phương pháp trong các quy trình sản xuất. Mục tiêu và phương pháp nghiên cứu. Mục tiêu - Áp dụng công cụ năng suất chất lượng Six Sigma tại hiện trường sản xuất nhằm xác định, đo lường, phân tích, cải tiến và kiểm soát dữ liệu về chất lượng sản phẩm, quy trình sản xuất, từ đó xác định những nguyên nhân gây ra khuyết tật và đề ra giải pháp phù hợp để cải tiến. - Cải tiến chất lượng mã hàng 1221-A, giảm số lượng lỗi, giảm thiểu sửa lại mã hàng và nâng cao hiệu quả kiểm tra chất lượng BTP cho công ty.
- Phát triển một ứng dụng nhận diện và phân loại tự động các lỗi thông qua việc sử dụng mô hình học máy với mạng thần kinh tích chập (CNN). Phần mềm sẽ tự động thu thập dữ liệu trong quá trình kiểm tra, và kết quả thể hiện thông qua biểu đồ thống kê các lỗi đã xuất hiện. Phương pháp nghiên cứu - Tham khảo các bài báo khoa học, các công trình, tài liệu liên quan đến cải thiện quy trình kiểm tra chất lượng bằng công cụ Six Sigma, học máy, mạng CNN, AI. - Tìm hiểu về mô hình học máy và mạng thần kinh tích chập trong việc nhận diện và xử lý ảnh.
- Khảo sát, thu thập thông tin, thảo luận và phân tích các vấn đề tồn tại trong quy trình kiểm tra chất lượng BTP và TP tại hiện trường sản xuất ở công ty. - Thu thập dữ liệu hình ảnh các dạng lỗi sản phẩm. 4 - Nhận diện lỗi và đề xuất các giải pháp áp dụng Six Sigma, DMAIC. - Thực hiện các giải pháp, thu thập kết quả sau khi thực hiện.