Bối cảnh và vấn đề nghiên cứu
Trong bối cảnh công nghiệp hóa hiện đại và xu hướng của cuộc Cách mạng Công nghiệp 4.0, các doanh nghiệp gia công cơ khí chính xác đối mặt với yêu cầu ngày càng khắt khe về độ chính xác và chất lượng sản phẩm. Tại Việt Nam, nhiều doanh nghiệp vừa và nhỏ trong lĩnh vực cơ khí chính xác vẫn đang vận hành quy trình kiểm soát chất lượng phụ thuộc phần lớn vào kinh nghiệm cá nhân và thao tác thủ công của nhân viên kiểm tra chất lượng (QC). Việc kiểm tra bằng mắt thường trong thời gian làm việc kéo dài dễ dẫn đến sự mệt mỏi, sai sót trong phân loại, bỏ sót lỗi và làm chậm tiến độ giao hàng, trực tiếp làm tăng chi phí do sản phẩm hỏng, phải làm lại hoặc sửa chữa.
Công ty TNHH Cơ khí Chính xác Thịnh Phát (đặt tại Quận 12, TP. Hồ Chí Minh) là doanh nghiệp chuyên gia công chi tiết cơ khí chính xác kích thước vừa và nhỏ (đường kính từ 0,5 mm đến 32 mm) bằng hệ thống máy tiện Cam và máy tiện CNC, đạt chứng nhận hệ thống quản lý chất lượng ISO 9001:2015. Doanh nghiệp gia công nhiều mã hàng với số lượng lớn cho thị trường nội địa và xuất khẩu sang các thị trường như Mỹ, Nhật Bản, Anh, Malaysia, Thái Lan. Tuy nhiên, hoạt động kiểm soát chất lượng tại hiện trường xưởng sản xuất còn bộc lộ nhiều điểm nghẽn, đặc biệt là tỷ lệ phế phẩm bán thành phẩm cao ở một số mã hàng gia công hàng loạt và áp lực kiểm tra ngoại quan 100% thành phẩm trước khi xuất xưởng.
Đồ án tốt nghiệp ngành Kỹ thuật Công nghiệp của nhóm tác giả Trịnh Bá Thịnh và Bùi Lê Anh Vũ (Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, thực hiện năm 2024 dưới sự hướng dẫn của ThS. Nguyễn Thị Bích Thư) tập trung giải quyết bài toán trên thông qua việc xác định các mục tiêu cụ thể:
- Áp dụng công cụ năng suất chất lượng Six Sigma theo chu trình DMAIC tại hiện trường sản xuất nhằm xác định, đo lường, phân tích, cải tiến và kiểm soát dữ liệu chất lượng, từ đó tìm nguyên nhân gốc rễ gây ra khuyết tật và thực hiện giải pháp khắc phục.
- Cải tiến chất lượng đối với mã hàng 1221-A, giảm số lượng phế phẩm, giảm thiểu việc sửa chữa lại và nâng cao hiệu quả kiểm tra chất lượng bán thành phẩm (BTP) cho công ty.
- Phát triển một phần mềm ứng dụng nhận diện và phân loại lỗi ngoại quan tự động thông qua việc huấn luyện mô hình mạng nơ-ron tích chập (CNN). Ứng dụng có khả năng nhận diện trên ảnh tĩnh và camera thời gian thực, tự động thu thập số liệu kiểm tra và kết xuất biểu đồ thống kê Pareto phục vụ quản lý chất lượng.
Đối tượng và phạm vi nghiên cứu của đề tài được giới hạn cụ thể như sau:
- Đối tượng nghiên cứu: Quy trình kiểm tra chất lượng sản phẩm, công đoạn gia công và kiểm soát bán thành phẩm mã hàng 1221-A (gia công trên máy tiện Cam) và quy trình kiểm tra chất lượng ngoại quan 100% thành phẩm mã hàng 0193-A.
- Phạm vi không gian: Hiện trường xưởng sản xuất và bộ phận kiểm tra chất lượng (QC) tại Công ty TNHH Cơ khí Chính xác Thịnh Phát (địa chỉ: 255/19 khu phố 3B, Phường Thạnh Lộc, Quận 12, TP. Hồ Chí Minh).
- Phạm vi thời gian: Quá trình thực tập, thu thập số liệu hiện trường từ tháng 07/2023 đến tháng 10/2023 và giai đoạn nghiên cứu, xây dựng mô hình học máy, lập trình hoàn thiện phần mềm từ tháng 02/2024 đến tháng 07/2024.
Cơ sở lý thuyết và phương pháp
Khung lý thuyết của đề tài được cấu thành từ hai trụ cột: phương pháp luận quản lý chất lượng truyền thống (Lean Six Sigma) và kỹ thuật học sâu (Deep Learning) trong thị giác máy tính.
Tác giả vận dụng phương pháp Six Sigma với quy trình cải tiến 5 bước DMAIC (Define - Measure - Analyze - Improve - Control):
- Giai đoạn Xác định (Define): Sử dụng các công cụ phân tích tiếng nói khách hàng và doanh nghiệp (VOC & VOB), xác định đặc tính chất lượng trọng yếu (CTQ), thiết lập sơ đồ SIPOC (Supplier - Input - Process - Output - Customer) và xác định mục tiêu cải tiến theo nguyên tắc SMART.
- Giai đoạn Đo lường (Measure): Sử dụng lưu đồ quy trình sản xuất (Flowchart), bảng thu thập dữ liệu (Check sheet), biểu đồ Pareto nhằm xếp hạng các dạng khuyết tật và tính toán mức Sigma ban đầu của quy trình.
- Giai đoạn Phân tích (Analyze): Ứng dụng biểu đồ nhân quả (Cause-Effect Diagram/Ishikawa hay biểu đồ xương cá) kết hợp kỹ thuật 5 Câu hỏi Tại sao (5Whys) để truy tìm nguyên nhân gốc rễ gây ra các khuyết tật kích thước và bề mặt.
- Giai đoạn Cải tiến (Improve): Thực hiện các hành động khắc phục tại hiện trường, quản lý trực quan (Visual Management), chuẩn hóa thao tác và cập nhật biểu mẫu kiểm tra.
- Giai đoạn Kiểm soát (Control): Sử dụng biểu đồ kiểm soát (Control Chart) và bảng kế hoạch kiểm soát để theo dõi sự ổn định của quy trình sau cải tiến, ngăn ngừa tái diễn.
Đối với nhánh nghiên cứu tự động hóa nhận diện lỗi, đề tài dựa trên lý thuyết về Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) với các thành phần:
- Lớp tích chập (Convolutional Layer): Sử dụng các bộ lọc quét qua ma trận điểm ảnh để trích xuất đặc trưng không gian.
- Lớp kích hoạt (Activation Layer): Kích hoạt phi tuyến tính cho các nơ-ron.
- Lớp gộp (Pooling Layer): Giảm chiều dữ liệu không gian, giảm tham số tính toán và hạn chế hiện tượng quá khớp (overfitting).
- Lớp liên kết đầy đủ (Fully Connected Layer) và Lớp đầu ra (Output Layer): Tổng hợp các đặc trưng để đưa ra phân phối xác suất phân loại nhãn.
Nguồn dữ liệu và môi trường thực nghiệm bao gồm:
- Dữ liệu sản xuất thực tế tại công ty Thịnh Phát: Số liệu kiểm tra sản phẩm đạt và lỗi của mã hàng 1221-A thu thập trong các đợt sản xuất tháng 09/2023.
- Dữ liệu hình ảnh mã hàng 0193-A: Bộ dữ liệu gồm gần 2.500 hình ảnh mẫu chụp các đặc điểm ngoại quan (sản phẩm đạt và các dạng lỗi bề mặt) được phân chia vào các tập Train (huấn luyện), Validation (kiểm định) và Test (kiểm tra).
- Công cụ phần mềm và phần cứng: Nền tảng điện toán đám mây Kaggle (tận dụng tài nguyên GPU hỗ trợ huấn luyện mạng CNN), môi trường Visual Studio Code, ngôn ngữ lập trình Python, thư viện OpenCV (xử lý luồng hình ảnh và kết nối camera) và thư viện Tkinter (xây dựng giao diện đồ họa người dùng - GUI).
Nội dung chính theo từng chương
Chương 1: Tổng quan
Chương 1 trình bày bối cảnh chuyển dịch sản xuất trong kỷ nguyên 4.0 và tầm quan trọng của hoạt động kiểm soát chất lượng tại các doanh nghiệp gia công cơ khí chính xác. Tác giả tổng quan 9 công trình nghiên cứu liên quan trong và ngoài nước:
- Ứng dụng Six Sigma (DMAIC) giảm lỗi sơn bọt khí trên bộ giảm xóc [1] và giảm tỷ lệ làm lại vải thô dây cua-roa [2].
- Đồ án ứng dụng Lean Six Sigma cải tiến tỷ lệ lỗi móp, lệch màu tại Công ty Gỗ Tân Thành [3] và giảm tỷ lệ lỗi lắp ráp đèn LED tại Công ty Điện Quang [4].
- Các nghiên cứu ứng dụng CNN trong phân loại lỗi kết cấu gỗ [5], kiểm tra lỗi linh kiện vi mạch PCB thời gian thực đạt độ chính xác 96% [6], nhận diện khuyết tật vải dệt [7], phân loại khuyết tật bề mặt thép trên bộ dữ liệu NEU đạt 99,44% [8] và giám sát lỗi uốn cong trong in 3D laser sintering [9].
Từ các nghiên cứu trên, chương xác định mục tiêu, phương pháp, đối tượng, tính cấp thiết và tiến độ thực hiện đề tài tốt nghiệp từ tháng 07/2023 đến tháng 07/2024.
Chương 2: Cơ sở lý thuyết
Chương 2 hệ thống hóa cơ sở lý luận về quản lý chất lượng và học máy:
- Định nghĩa, lợi ích của công cụ năng suất chất lượng (Lean, 5S, PDCA, Kaizen, 6-Sigma). Bảng 6 cấp độ chất lượng Six Sigma từ $1\sigma$ (690.000 DPMO) đến $6\sigma$ (3,4 DPMO).
- Cấu trúc và nội dung chi tiết của chu trình 5 bước DMAIC.
- Bảy công cụ quản lý chất lượng truyền thống: Phiếu kiểm tra, Biểu đồ Pareto, Biểu đồ xương cá (Ishikawa), Lưu đồ quy trình, Biểu đồ phân tán, Biểu đồ phân bố (Histogram), Biểu đồ kiểm soát.
- Cấu trúc mạng thần kinh tích chập (CNN) gồm các lớp: Input, Convolutional, Activation, Pooling, Fully Connected, Output.
- Khái niệm học máy trong nhận diện khuyết tật tự động và các công cụ phát triển phần mềm: Trình duyệt Kaggle hỗ trợ GPU, Visual Studio Code, ngôn ngữ Python, thư viện đồ họa Tkinter và thư viện thị giác máy tính OpenCV.
Chương 3: Hiện trạng quy trình kiểm tra chất lượng tại Công ty Cơ khí Chính xác Thịnh Phát
Chương 3 giới thiệu tổng quan về Công ty TNHH Cơ khí Chính xác Thịnh Phát: thành lập ngày 14/06/2011, giám đốc đại diện pháp luật là ông Hứa Hữu Thịnh, quy mô từ 11 đến 50 nhân viên, sở hữu hệ thống máy tiện Cam và máy tiện CNC gia công chi tiết cơ khí chính xác từ kim loại và nhựa với dung sai đạt $\pm 0,01\text{ mm}$ (máy Cam) và $\pm 0,005\text{ mm}$ (máy CNC).
Chương phân tích sơ đồ cơ cấu tổ chức và 3 chặng kiểm soát chất lượng chính tại công ty:
- IQC (Input Quality Control): Kiểm tra nguyên vật liệu đầu vào (phôi kim loại thanh).
- PQC (Process Quality Control): Kiểm tra bán thành phẩm trong quy trình gia công cơ khí.
- OQC (Output Quality Control): Kiểm tra thành phẩm 100% trước khi đóng gói và giao hàng.
Khảo sát hiện trạng tập trung vào hai mã hàng trọng điểm:
- Mã hàng 1221-A: Gia công cắt gọt định hình trên máy tiện Cam, phát sinh tỷ lệ phế phẩm bán thành phẩm cao tại công đoạn gia công.
- Mã hàng 0193-A: Sản phẩm có kích thước nhỏ, sản lượng lớn, yêu cầu kiểm tra ngoại quan 100% bằng mắt thủ công tại bộ phận QC. Thực trạng này tạo ra điểm nghẽn lớn: nhân viên QC mỏi mắt khi làm việc kéo dài dẫn đến phân loại sót lỗi, tốc độ kiểm tra bị giới hạn gây tồn đọng bán thành phẩm và chậm tiến độ giao hàng.
Chương 4: Áp dụng chu trình DMAIC cải tiến chất lượng mã hàng 1221-A
Chương 4 mô tả chi tiết việc triển khai 5 giai đoạn DMAIC đối với mã hàng 1221-A:
- Xác định (Define): Thiết lập ma trận VOC-VOB, xác định các điểm chất lượng quan trọng (CTQ) về dung sai kích thước và độ bóng bề mặt. Xác định phạm vi dự án bằng sơ đồ SIPOC và mục tiêu SMART nhằm giảm tỷ lệ phế phẩm bán thành phẩm.
- Đo lường (Measure): Thu thập dữ liệu kiểm tra từ ngày 04/09 đến ngày 10/09/2023 và đợt sản xuất từ ngày 11/09 đến 16/09/2023. Biểu đồ Pareto chỉ ra hai khuyết tật chiếm tỷ trọng cao nhất là lỗi mặt cắt $\varnothing 6.840$ và lỗi mặt cắt $\varnothing 6$. Mức chất lượng của quy trình ban đầu ở mức thấp.
- Phân tích (Analyze): Nhóm nghiên cứu lập biểu đồ xương cá và thực hiện kỹ thuật 5Whys phân tích các yếu tố Con người, Máy móc, Nguyên vật liệu, Phương pháp. Kết quả xác định các nguyên nhân gốc rễ: phoi cắt kim loại dính vào dao và ổ dao làm sai lệch vị trí gá cắt; giá/kệ để phôi nguyên liệu chưa chuẩn hóa dẫn đến cong vênh hoặc trầy xước phôi; phiếu kiểm tra bán thành phẩm của công nhân đứng máy chưa trực quan, thiếu hình ảnh nhận diện nhanh lỗi ngoại quan.
- Cải tiến (Improve): Triển khai đồng bộ 4 giải pháp:
- Thiết kế lại kệ để phôi nguyên liệu chắc chắn, có phân ngăn chống va đập.
- Trang bị dụng cụ chuyên dụng và quy định vị trí chuẩn để công nhân gắp phoi ra khỏi dao và ổ dao sau mỗi chu kỳ gia công.
- Cải tiến mẫu phiếu kiểm tra BTP dành cho công nhân đứng máy, phân định rõ kích thước cần kiểm tra định kỳ.
- Trực quan hóa các dạng lỗi bề mặt hay gặp bằng bảng mẫu gắn trực tiếp tại ô Chất lượng trên từng máy tiện Cam.
- Kiểm soát (Control): Xây dựng bảng kế hoạch kiểm soát, theo dõi quy trình liên tục trong 15 ngày bằng biểu đồ kiểm soát $p$-chart đối với hai dạng lỗi mặt cắt, cập nhật số liệu bán thành phẩm vào bảng tính theo dõi hàng ngày nhằm đảm bảo quy trình ổn định lâu dài.
Chương 5: Áp dụng học máy trong việc thiết kế và xây dựng phần mềm nhận diện lỗi tự động
Chương 5 trình bày toàn bộ quá trình nghiên cứu, xây dựng và tích hợp giải pháp học máy:
- Phân tích tiêu chuẩn kiểm tra chất lượng của bộ phận QC đối với mã hàng 0193-A, xác định các tiêu chí phân biệt giữa sản phẩm đạt yêu cầu và sản phẩm khuyết tật ngoại quan.
- Thu thập bộ dữ liệu gồm gần 2.500 ảnh mẫu cho 7 lớp đặc điểm (gồm bề mặt đạt và các dạng lỗi bề mặt khác nhau). Dữ liệu được tổ chức thành các thư mục Train, Validation và Test, sau đó đưa lên môi trường Kaggle.
- Áp dụng lớp
ImageDataGenerator để tăng cường dữ liệu (data augmentation), chuẩn hóa kích thước ảnh đầu vào. Xây dựng cấu trúc mạng CNN nhiều lớp tích chập, hàm kích hoạt phi tuyến tính, các lớp Max Pooling và Fully Connected.
- Tiến hành biên dịch và huấn luyện mô hình qua các epoch. Kết quả đánh giá trên tập kiểm tra (Test) cho thấy hàm mất mát giảm đều và mô hình đạt độ chính xác 99,7%. Trọng số mô hình sau huấn luyện được xuất lưu dưới định dạng file
.h5.
- Thiết kế giao diện phần mềm bằng Python kết hợp thư viện Tkinter và OpenCV:
- Màn hình đăng nhập: Phân quyền tài khoản người dùng, hiển thị cảnh báo khi nhập sai mật khẩu hoặc tên đăng nhập.
- Giao diện kiểm tra ảnh có sẵn: Cho phép chọn ảnh từ bộ nhớ, tiền xử lý và chuyển vào mô hình CNN dự đoán, hiển thị kết quả phân loại kèm tỷ lệ xác suất của nhãn, hỗ trợ nút xóa ảnh và làm mới.
- Giao diện kiểm tra qua Camera thời gian thực: Kết nối trực tiếp luồng camera, xác định vùng nhận diện (ROI); tự động phát hiện sản phẩm khi đưa vào khung hình và trả về nhãn "Đạt" hoặc "Không đạt".
- Tự động ghi log và thống kê: Phần mềm tự động lưu thông tin số lượng sản phẩm kiểm tra vào tệp Excel theo định dạng ngày tháng, tự động vẽ biểu đồ Pareto thể hiện thứ tự các lỗi xuất hiện và chụp lưu ảnh mẫu lỗi vào thư mục lưu trữ.
- Đánh giá hiệu quả kinh tế và vận hành: Hệ thống tự động giúp rút ngắn thời gian kiểm tra từng sản phẩm, hỗ trợ nhân viên QC giảm thiểu nhầm lẫn khi làm việc dài giờ và tạo cơ sở dữ liệu số hóa phục vụ phân tích chất lượng.
Chương 6: Kết luận và hướng phát triển
Chương 6 tổng kết các kết quả đạt được từ việc kết hợp công cụ quản lý chất lượng truyền thống (DMAIC) và công nghệ trí tuệ nhân tạo (mạng CNN). Tác giả đề xuất các hướng mở rộng: mở rộng tập dữ liệu cho nhiều mã hàng cơ khí khác tại xưởng, cải tiến hệ thống cơ cấu cấp phôi tự động và hoàn thiện hệ thống chiếu sáng chuyên dụng cho camera.
Thiết kế và triển khai hệ thống phần mềm nhận diện lỗi
Hệ thống phần mềm nhận diện lỗi sản phẩm được xây dựng dưới dạng ứng dụng máy tính (Desktop Application) chạy trên nền hệ điều hành máy tính xưởng, tích hợp trực tiếp mô hình học sâu CNN đã huấn luyện để phục vụ công tác kiểm tra ngoại quan mã hàng 0193-A.
+-----------------------------------------------------------------------------------+
| KIẾN TRÚC VẬN HÀNH PHẦN MỀM |
| |
| [Đầu vào hình ảnh] |
| - Ảnh tĩnh (tải từ bộ nhớ) ---> [Tiền xử lý ảnh] ---> [Mô hình CNN (.h5)] |
| - Camera thời gian thực (OpenCV chuẩn hóa (Tính toán ma trận |
| (vùng nhận diện ROI) kích thước/pixel) trích xuất đặc trưng) |
| | |
| v |
| [Giao diện người dùng Tkinter] <------------------------- [Kết quả phân loại |
| - Hiển thị ảnh & khung camera & xác suất nhãn] |
| - Thông báo kết quả Đạt / Không đạt | |
| v |
| [Hệ thống ghi nhận dữ liệu] <-----------------------------------+ |
| - Lưu ảnh chụp kiểm tra vào thư mục |
| - Ghi nhận lịch sử kiểm tra vào bảng tính Excel theo ngày |
| - Tự động kết xuất biểu đồ Pareto thống kê tần suất lỗi |
+-----------------------------------------------------------------------------------+
Quy trình thiết kế và triển khai bao gồm các thành phần công nghệ:
- Kiến trúc mô hình CNN: Mô hình được xây dựng trên môi trường Kaggle thông qua các lớp xử lý ảnh tuần tự:
- Các lớp tích chập (Convolutional Layers) sử dụng bộ lọc trích xuất cạnh, góc, vân bề mặt chi tiết cơ khí.
- Các lớp kích hoạt phi tuyến tính tăng cường khả năng phân tách đặc trưng.
- Các lớp gom cụm (Pooling Layers) thu gọn kích thước không gian điểm ảnh, loại bỏ nhiễu nền.
- Lớp liên kết đầy đủ (Fully Connected) và lớp Softmax đầu ra phân loại 7 nhóm đặc điểm bề mặt.
- Trọng số mô hình hoàn chỉnh được đóng gói và lưu thành tệp tin nhị phân chuẩn
.h5.
- Tiền xử lý và kết nối camera:
- Sử dụng thư viện OpenCV để bắt luồng video từ camera USB đặt tại bàn kiểm tra.
- Định vị vùng nhận diện cố định (Region of Interest - ROI) để định vị sản phẩm 0193-A khi công nhân đưa vào kiểm tra.
- Chuẩn hóa độ phân giải, cân bằng màu sắc và kích thước ma trận ảnh trước khi đưa vào hàm dự đoán của mô hình CNN.
- Giao diện điều khiển (GUI):
- Viết bằng thư viện Tkinter của Python, tích hợp hệ thống xác thực đăng nhập bảo mật cho nhân viên kỹ thuật.
- Module kiểm tra ảnh đơn lẻ: Có các nút chức năng
Chọn Ảnh, Kiểm Tra, Xóa Ảnh, hiển thị khung hình ảnh gốc và bảng kết quả hiển thị nhãn dự đoán cùng độ tin cậy phần trăm xác suất.
- Module kiểm tra trực tiếp: Mở luồng video camera, hiển thị kết quả phân loại tức thời trên màn hình điều khiển.
- Mô-đun lưu trữ và báo cáo tự động:
- Hệ thống tự động tạo thư mục lưu trữ theo cấu trúc thời gian thực (ngày/tháng/năm).
- Tự động ghi nhận số lượng sản phẩm đạt, sản phẩm lỗi và tên dạng lỗi cụ thể vào tệp Excel.
- Tích hợp thuật toán tự động vẽ và hiển thị biểu đồ Pareto, sắp xếp các lỗi ngoại quan theo thứ tự tần suất giảm dần giúp bộ phận QC nắm bắt kịp thời diễn biến chất lượng trong ca sản xuất.
Kết quả và đóng góp
Nghiên cứu mang lại các kết quả định lượng cụ thể trên cả hai mã hàng nghiên cứu tại Công ty TNHH Cơ khí Chính xác Thịnh Phát:
| Nội dung chỉ số |
Trước cải tiến |
Sau cải tiến |
| Mã hàng 1221-A (DMAIC) |
|
|
| Hai dạng lỗi chính |
Lỗi mặt cắt $\varnothing 6.840$ và lỗi mặt cắt $\varnothing 6$ chiếm tỷ lệ cao |
Tỷ lệ lỗi mặt cắt giảm rõ rệt, kiểm soát ổn định trên biểu đồ kiểm soát 15 ngày |
| Mức Sigma của quy trình |
Mức thấp ban đầu |
Đạt mức 4.2 $\sigma$ |
| Chi phí chất lượng kém (Cost of Poor Quality) |
Tốn kém chi phí sửa lỗi, làm lại |
Tiết kiệm 54 triệu đồng/năm |
| Quy trình kiểm tra BTP |
Phiếu kiểm tra chưa trực quan, phoi dính ổ dao |
Chuẩn hóa kệ phôi, gắp phoi, bảng trực quan lỗi gắn tại từng máy |
| Mã hàng 0193-A (CNN & Phần mềm) |
|
|
| Phương thức kiểm tra ngoại quan |
100% thủ công bằng mắt thường của nhân viên QC |
Tự động hóa qua camera và phần mềm nhận diện học máy |
| Độ chính xác mô hình CNN |
Không áp dụng (kiểm tra mắt dễ bỏ sót lỗi khi mệt mỏi) |
Đạt 99,7% trên tập dữ liệu thử nghiệm (gần 2.500 ảnh mẫu cho 7 nhãn đặc điểm) |
| Chức năng quản lý chất lượng |
Ghi chép sổ sách thủ công |
Tự động ghi file Excel theo ngày, tự động vẽ biểu đồ Pareto thống kê xu hướng lỗi |
Đóng góp của đồ án thể hiện ở sự kết hợp mang tính ứng dụng thực tiễn cao:
- Về mặt quản lý công nghiệp: Chứng minh tính hiệu quả của chu trình DMAIC trong việc tháo gỡ điểm nghẽn tại một doanh nghiệp cơ khí chính xác vừa và nhỏ, đưa ra các cải tiến hiện trường đơn giản, chi phí thấp (kệ phôi, dụng cụ gắp phoi, bảng trực quan) nhưng mang lại hiệu quả kinh tế cụ thể (54 triệu đồng/năm).
- Về mặt kỹ thuật công nghệ: Xây dựng hoàn chỉnh một ứng dụng nhận diện lỗi ngoại quan tự động sử dụng thị giác máy tính mã nguồn mở (Python, OpenCV, Tkinter) và mô hình học sâu CNN với độ chính xác cao (99,7%), giải quyết bài toán mệt mỏi và sai sót của con người trong khâu kiểm tra 100% thành phẩm, đồng thời tự động hóa quy trình phân tích dữ liệu chất lượng bằng biểu đồ Pareto.
Hạn chế và hướng nghiên cứu tiếp
Khóa luận tự chỉ ra một số hạn chế gắn liền với phạm vi và điều kiện thực nghiệm:
- Mô hình học máy CNN trong đồ án mới chỉ được huấn luyện và kiểm nghiệm chuyên biệt cho 7 đặc điểm ngoại quan của một mã hàng duy nhất là 0193-A; chưa bao quát toàn bộ các chủng loại linh kiện cơ khí đa dạng khác đang gia công tại nhà xưởng.
- Quá trình nhận diện hình ảnh thời gian thực qua camera còn phụ thuộc vào điều kiện ánh sáng môi trường xưởng và yêu cầu góc đặt sản phẩm trong vùng nhận diện (ROI) phải tương đối ổn định.
- Cơ chế kiểm tra vẫn đòi hỏi thao tác đưa sản phẩm vào vùng quan sát của camera bằng tay, chưa tích hợp hệ thống băng tải cấp phôi tự động.
Các hướng phát triển tiếp theo được đề xuất bao gồm:
- Tiếp tục thu thập dữ liệu hình ảnh để mở rộng mô hình học máy cho nhiều mã hàng cơ khí chính xác khác của công ty Thịnh Phát.
- Thiết kế hoàn thiện buồng chụp quang học chuyên dụng có hệ thống đèn LED chiếu sáng chuẩn hóa, giảm thiểu tối đa ảnh hưởng của ánh sáng nhiễu môi trường.
- Nghiên cứu tích hợp hệ thống nhận diện lỗi với cơ cấu chấp hành tự động (như cơ cấu phân loại khí nén hoặc cánh tay robot trên băng chuyền) để tách tự động sản phẩm NG (không đạt) ra khỏi dây chuyền đóng gói.
Giá trị tham khảo
Đồ án là tài liệu tham khảo hữu ích cho các nhóm đối tượng:
- Sinh viên ngành Kỹ thuật Công nghiệp, Quản lý Công nghiệp, Kỹ thuật Cơ điện tử: Cung cấp tài liệu thực tế về việc kết hợp giữa phương pháp luận kiểm soát chất lượng truyền thống (Lean Six Sigma, chu trình 5 bước DMAIC, 7 công cụ QC) với các công cụ công nghệ thông tin và trí tuệ nhân tạo hiện đại.
- Kỹ sư chất lượng (QE/QC) và kỹ sư cải tiến quy trình tại các nhà máy sản xuất cơ khí vừa và nhỏ: Tham khảo phương pháp tiếp cận phân tích lỗi bằng 5Whys, biểu đồ xương cá, cách lập biểu đồ kiểm soát theo dõi bán thành phẩm, cũng như cách bố trí trực quan hóa lỗi tại hiện trường máy tiện.
- Lập trình viên và nhà nghiên cứu ứng dụng thị giác máy tính: Cung cấp quy trình hoàn chỉnh từ khâu thu thập dữ liệu ảnh công nghiệp, tiền xử lý bằng
ImageDataGenerator, huấn luyện mô hình CNN trên Kaggle GPU đến kỹ thuật xây dựng giao diện ứng dụng desktop bằng Tkinter kết hợp OpenCV xử lý camera thời gian thực và tự động tạo báo cáo Excel, biểu đồ Pareto.
Câu hỏi thường gặp
1. Hai lỗi chất lượng chính được phát hiện trên mã hàng 1221-A là gì và nguyên nhân gốc rễ xuất phát từ đâu?
Dựa trên phân tích biểu đồ Pareto và quy trình 5 bước DMAIC, hai lỗi chiếm tỷ trọng lớn nhất trên mã hàng 1221-A là lỗi mặt cắt $\varnothing 6.840$ và lỗi mặt cắt $\varnothing 6$. Phân tích bằng biểu đồ xương cá và kỹ thuật 5Whys chỉ ra nguyên nhân gốc rễ là do phoi gia công kim loại dính vào dao và ổ dao trên máy tiện Cam làm sai lệch hành trình cắt, kệ để phôi nguyên liệu chưa chuẩn hóa gây cong vênh hoặc trầy xước phôi, cùng với phiếu kiểm tra bán thành phẩm của công nhân đứng máy chưa có hình ảnh trực quan để phát hiện sớm sai hỏng.
2. Mô hình mạng nơ-ron tích chập (CNN) nhận diện lỗi mã hàng 0193-A được huấn luyện với quy mô dữ liệu và độ chính xác ra sao?
Mô hình CNN được nhóm tác giả huấn luyện trên nền tảng Kaggle GPU với bộ dữ liệu gồm gần 2.500 hình ảnh mẫu, phân loại cho 7 lớp đặc điểm (bao gồm bề mặt đạt chuẩn và các dạng khuyết tật bề mặt của mã hàng 0193-A). Dữ liệu được tăng cường bằng ImageDataGenerator và phân tách thành các tập Train, Validation, Test. Kết quả kiểm tra mô hình đạt độ chính xác 99,7% trên tập dữ liệu thử nghiệm.
3. Phần mềm xây dựng bằng ngôn ngữ gì và có những tính năng cụ thể nào phục vụ kiểm tra chất lượng?
Phần mềm được lập trình bằng ngôn ngữ Python, sử dụng thư viện Tkinter để xây dựng giao diện đồ họa người dùng (GUI) và thư viện OpenCV để xử lý hình ảnh và kết nối camera. Phần mềm bao gồm các tính năng chính: đăng nhập bảo mật phân quyền; kiểm tra phân loại lỗi từ tệp hình ảnh có sẵn; kiểm tra sản phẩm thời gian thực qua camera khi đặt vào vùng nhận diện (ROI); tự động lưu lịch sử số lượng sản phẩm đạt/lỗi vào file Excel theo ngày; tự động chụp lưu ảnh mẫu lỗi và tự động kết xuất biểu đồ Pareto thể hiện xu thế lỗi xuất hiện.
4. Kết quả định lượng về mặt kinh tế và chất lượng mà đề tài mang lại cho Công ty Thịnh Phát là gì?
Đối với mã hàng 1221-A, việc triển khai các giải pháp cải tiến theo chu trình DMAIC đã nâng mức chất lượng của quy trình lên mức 4.2 Sigma, giảm thiểu tỷ lệ lỗi mặt cắt $\varnothing 6.840$ và mặt cắt $\varnothing 6$, giúp doanh nghiệp tiết kiệm 54 triệu đồng/năm chi phí chất lượng kém. Đối với mã hàng 0193-A, hệ thống phần mềm nhận diện lỗi tự động với độ chính xác 99,7% giúp giảm tải áp lực kiểm tra mắt thường 100% của nhân viên QC, hạn chế sai sót do mỏi mắt và tự động hóa số liệu quản lý chất lượng.
Kết luận
Đồ án tốt nghiệp của sinh viên Trịnh Bá Thịnh và Bùi Lê Anh Vũ đã giải quyết hiệu quả bài toán thực tế về nâng cao chất lượng tại Công ty TNHH Cơ khí Chính xác Thịnh Phát thông qua việc kết hợp giữa công cụ quản lý chất lượng Six Sigma và công nghệ học máy. Việc áp dụng chu trình DMAIC cho mã hàng 1221-A đã giúp quy trình đạt mức chất lượng 4.2 Sigma và tiết kiệm 54 triệu đồng mỗi năm chi phí phế phẩm. Đồng thời, việc phát triển thành công phần mềm thị giác máy tính sử dụng mạng CNN với độ chính xác 99,7% cho mã hàng 0193-A đã mở ra giải pháp tự động hóa quy trình kiểm tra ngoại quan thành phẩm, chứng minh tính ứng dụng cao của trí tuệ nhân tạo trong việc tối ưu hóa năng suất và chất lượng cho các doanh nghiệp gia công cơ khí vừa và nhỏ.
