Giới thiệu dự án
Theo báo cáo của Ngân hàng Thế giới (World Bank) và Bộ Tài nguyên & Môi trường, lượng rác thải rắn sinh hoạt tại Việt Nam hiện vượt mức 60.000 tấn/ngày, trong đó khu vực đô thị chiếm hơn 60%. Tỷ lệ thu hồi và tái chế tài nguyên thực tế chỉ đạt xấp xỉ 15–20%, phần lớn các loại vật liệu có giá trị tái chế cao như nhựa Polyethylene Terephthalate (PET) và lon kim loại nhôm (Aluminium) bị chôn lấp lẫn lộn, gây lãng phí tài nguyên ước tính gần 3 tỷ USD mỗi năm và đe dọa nghiêm trọng đến hệ sinh thái đất, nước ngầm và đại dương.
THỰC TRẠNG PHÂN LOẠI RÁC HIỆN NAY
GIẢI PHÁP TỰ ĐỘNG HÓA VỚI AI & ROBOT SCARA
Điểm nghẽn thực tế trong quy trình phân loại truyền thống
Quy trình phân loại rác thải tại các trạm trung chuyển và nhà máy tái chế hiện nay vẫn phụ thuộc đến 85% vào lao động thủ công với ba hạn chế lớn:
- Năng suất và tính ổn định thấp: Công nhân chỉ duy trì tốc độ gắp trung bình từ 25–35 sản phẩm/phút và giảm mạnh sau 2 giờ làm việc liên tục do hiện tượng mỏi cơ và mệt mỏi thị giác.
- Nguy cơ an toàn lao động cao: Tiếp xúc trực tiếp với kim loại sắc nhọn, hóa chất tồn dư, khí độc hại ($H_2S$, $NH_3$) và vi khuẩn gây bệnh truyền nhiễm.
- Tỷ lệ nhận diện sai sót cao: Khi rác di chuyển trên băng tải tốc độ $>0.2\text{ m/s}$, hiện tượng bỏ sót hoặc phân loại sai giữa các loại vật liệu có màu sắc tương đồng tăng lên trên 25%.
Mục tiêu kỹ thuật của đề tài
- Thiết kế & Tích hợp phần cứng: Xây dựng hệ thống hoàn chỉnh gồm Robot SCARA Denso HSR-055 (4 bậc tự do), hệ thống điều khiển PLC Mitsubishi Q-Series (Q03UDE CPU, Module định vị QD75MH4, Servo Driver MR-J4 series qua mạng SSCNET III/H) và băng tải điều tốc.
- Xây dựng mô hình Computer Vision Deep Learning: Huấn luyện mô hình YOLOv8 trên tập dữ liệu rác thải thực tế nhằm nhận diện và phân loại chính xác hai đối tượng chính: Chai nhựa (Bottle) và Lon nhôm (Can) với $mAP@0.5 \ge 90%$.
- Phát triển thuật toán điều khiển động: Tính toán động học thuận/nghịch (Forward/Inverse Kinematics) và thiết lập ma trận biến đổi tọa độ Camera sang tọa độ Robot ($T_{cam}^{robot}$).
- Đồng bộ bám bắt trên băng tải (Dynamic Conveyor Tracking): Lập trình giải thuật gắp vật thể di động trong thời gian thực (Pick-on-the-fly) mà không cần dừng băng tải.
- Chuẩn hóa truyền thông công nghiệp: Kết nối PC xử lý ảnh với PLC Mitsubishi qua giao thức Ethernet MC-Protocol Frame 3E.
Giải pháp kỹ thuật và tính khả thi
Đề tài lựa chọn mô hình Robot SCARA (Selective Compliance Articulated Robot Arm) kết hợp cùng camera đo chiều sâu Intel RealSense D435i và thuật toán YOLOv8. Robot SCARA có cấu trúc cơ học 4 trục với độ cứng vững theo phương thẳng đứng ($Z$) cao và khả năng di chuyển phẳng ($XY$) cực nhanh, đạt gia tốc lớn, phù hợp tối ưu cho các bài toán Pick-and-Place chu kỳ ngắn ($<0.5\text{s}$).
| Chỉ số kỳ vọng |
Giá trị mục tiêu |
Phương pháp đo lường |
| Độ chính xác nhận diện ($mAP@0.5$) |
$\ge 92.0%$ |
Test set 300 ảnh thực nghiệm |
| Độ trễ xử lý ảnh (Inference Time) |
$\le 25\text{ ms/frame}$ |
Benchmark trên GPU NVIDIA RTX 3060 |
| Sai số gắp động trên băng tải |
$\le \pm 2.0\text{ mm}$ |
Đo kiểm bằng thước chuẩn Laser |
| Năng suất phân loại hệ thống |
$40 - 55\text{ sản phẩm/phút}$ |
Chạy liên tục trong 30 phút |
Phạm vi và giới hạn đề tài
- Đối tượng xử lý: Nhận diện và gắp phân loại rác thải thuộc nhóm chai nhựa PET (dung tích $330\text{ml} - 1.5\text{l}$) và lon nhôm ($250\text{ml} - 500\text{ml}$) chưa bị biến dạng ép dẹp hoàn toàn.
- Cơ chế cấp phôi: Cấp rác lên băng tải dạng đơn lớp (không chồng lấp quá 30% diện tích bề mặt).
- Môi trường hoạt động: Trong nhà xưởng có hệ thống chiếu sáng công nghiệp ổn định ($300 - 500\text{ Lux}$).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
SO SÁNH CÁC GIẢI PHÁP PHÂN LOẠI HIỆN NAY
Hệ thống phân loại sử dụng Robot SCARA kết hợp AI giải quyết bài toán cân bằng giữa chi phí đầu tư phần cứng, tốc độ chu kỳ và độ thông minh trong nhận diện so với các giải pháp khác trên thị trường:
| Tiêu chí kỹ thuật |
Phân loại thủ công |
Hệ thống quang học / Cảm biến màu |
Robot Delta công nghiệp (Thương mại) |
Giải pháp SCARA + YOLOv8 (Đề tài) |
| Tốc độ phân loại |
$25 - 35\text{ pcs/phút}$ |
$50 - 70\text{ pcs/phút}$ |
$60 - 80\text{ pcs/phút}$ |
$45 - 60\text{ pcs/phút}$ |
| Khả năng phân loại vật thể phức tạp |
Rất cao (mắt người) |
Rất thấp (chỉ màu sắc/chất liệu) |
Cao (dùng Vision 2D cơ bản) |
Rất cao (Deep Learning Object Detection) |
| Chi phí đầu tư ban đầu |
Thấp |
Trung bình |
Rất cao ($>50.000\text{ USD}$) |
Tối ưu ($8.000 - 12.000\text{ USD}$) |
| Tính linh hoạt (Mở rộng loại rác) |
Cao |
Kém (phải thay cảm biến) |
Trung bình (phải nạp template mới) |
Rất cao (chỉ cần train thêm class mới) |
Phân tích yêu cầu hệ thống (Ma trận MoSCoW)
- Must Have: Gắp chính xác lon/chai trên băng tải đang chuyển động tốc độ $0.1 - 0.2\text{ m/s}$; truyền nhận dữ liệu qua MC-Protocol không gián đoạn; giao diện điều khiển Jog/Manual/Auto trên HMI/PC.
- Should Have: Tính toán bù vận tốc băng tải thời gian thực; tự động cảnh báo lỗi Servo/Driver; hiển thị tọa độ vật thể trực tiếp trên giao diện màn hình.
- Could Have: Tích hợp camera depth để lấy độ cao tự động cho trục $Z$; tối ưu hóa quỹ đạo chuyển động bằng thuật toán nội suy S-curve.
- Won't Have: Cánh tay phân loại tự động đổi đầu kẹp; bộ tự động nén rác sau khi phân loại.
Thiết kế hệ thống
Technology Stack và Phần cứng triển khai
- Thị giác máy tính: Intel RealSense D435i (Độ phân giải RGB $1280 \times 720$, Depth $848 \times 480$), Ultralytics YOLOv8 (phiên bản v8.1.0), Python 3.10, PyRealSense2 SDK v2.54.
- Bộ điều khiển trung tâm: PLC Mitsubishi MELSEC-Q Series (CPU Q03UDE tốc độ xử lý $1.9\text{ ns/lệnh}$, Base 5-slot Q35B, Module Output Transistor QY42P).
- Điều khiển chuyển động: Module định vị 4 trục QD75MH4 truyền thông SSCNET III/H tốc độ cao $100\text{ Mbps}$, cáp quang chuyên dụng chống nhiễu tuyệt đối.
- Hệ thống truyền động Servo:
- Trục 1: Driver MR-J4-70B kết hợp Động cơ AC Servo HG-KR73 ($750\text{W}$, Encoder 22-bit, $4.194.304\text{ xung/vòng}$).
- Trục 2 & 3: Driver kênh đôi MR-J4W2-44B kết hợp 2 Động cơ HG-KR43 ($400\text{W}$).
- Trục 4 & Băng tải: Driver kênh đôi MR-J4W2-22B kết hợp 2 Động cơ HG-KR23 ($200\text{W}$).
- Cơ cấu cơ khí: Robot SCARA Denso HSR-055 (tải trọng định mức $2\text{kg}$, tầm vươn $550\text{mm}$, bước trục vitme bi $10\text{mm/rev}$).
Thiết kế bản đồ ô nhớ (Memory Map) qua giao thức MC-Protocol Frame 3E
Giao tiếp giữa PC xử lý ảnh và PLC sử dụng Frame 3E (chuẩn truyền thông nhị phân TCP/IP) trên cổng Port 5002:
| Vùng nhớ PLC |
Định dạng dữ liệu |
Ý nghĩa chức năng |
Chiều truyền |
D100 - D101 |
32-bit Float |
Tọa độ $X$ của vật thể ($mm$) |
$\text{PC} \to \text{PLC}$ |
D102 - D103 |
32-bit Float |
Tọa độ $Y$ của vật thể ($mm$) |
$\text{PC} \to \text{PLC}$ |
D104 - D105 |
32-bit Float |
Tọa độ $Z$ / Chiều cao vật ($mm$) |
$\text{PC} \to \text{PLC}$ |
D106 |
16-bit Integer |
Loại vật thể: 1 = Chai nhựa, 2 = Lon nhôm |
$\text{PC} \to \text{PLC}$ |
M100 |
Bit |
Tín hiệu Trigger: Đã nhận diện vật thể mới |
$\text{PC} \to \text{PLC}$ |
M101 |
Bit |
Tín hiệu Báo bận (Robot Busy/Ready) |
$\text{PLC} \to \text{PC}$ |
D200 - D201 |
32-bit DInt |
Giá trị Encoder băng tải phản hồi (Xung) |
$\text{PLC} \to \text{PC}$ |
Phương pháp nghiên cứu và triển khai (Methodology)
LỘ TRÌNH TRIỂN KHAI DỰ ÁN
Dự án áp dụng mô hình phát triển tích hợp chữ V (V-Model), kết hợp giữa kiểm nghiệm toán học lý thuyết và thử nghiệm phần cứng theo 5 giai đoạn:
- Tuần 1–4: Khảo sát thông số cơ khí Denso HSR-055, thiết lập bảng thông số Denavit-Hartenberg (D-H), giải bài toán động học nghịch bằng đại số.
- Tuần 5–8: Đấu nối hệ thống điện động lực và điều khiển, cấu hình thông số điện tử Electronic Gear Ratio trên MR Configurator2, chạy kiểm tra JOG từng trục.
- Tuần 9–12: Thu thập 1.800 ảnh thực tế, gán nhãn dữ liệu qua Roboflow, huấn luyện mô hình YOLOv8s trên nền tảng GPU. Lập trình chương trình PLC trên GX Works2.
- Tuần 13–14: Tích hợp giao tiếp mạng Ethernet Socket MC-Protocol, hiệu chuẩn ma trận Camera sang Robot, lập trình thuật toán bám băng tải.
- Tuần 15–16: Thử nghiệm hệ thống liên tục, đo lường tỷ lệ bắt trúng/trượt, tối ưu thời gian trễ và viết báo cáo luận văn.
Triển khai và kết quả thực nghiệm
Quy trình phát triển và thuật toán cốt lõi
1. Mô hình toán học Động học Robot SCARA Denso HSR-055
Dựa trên phương pháp Denavit-Hartenberg tiêu chuẩn, các thông số được xác lập cho 4 khớp ($l_1 = 250\text{ mm}, l_2 = 300\text{ mm}$):
| Khâu ($i$) |
$\alpha_{i-1}$ |
$a_{i-1}$ |
$d_i$ |
$\theta_i$ |
Giới hạn biến khớp |
| 1 |
$0^\circ$ |
$0$ |
$d_0$ |
$\theta_1^*$ |
$-120^\circ \le \theta_1 \le +120^\circ$ |
| 2 |
$0^\circ$ |
$l_1 = 250$ |
$0$ |
$\theta_2^*$ |
$-145^\circ \le \theta_2 \le +145^\circ$ |
| 3 |
$180^\circ$ |
$l_2 = 300$ |
$d_3^*$ |
$0^\circ$ |
$0\text{ mm} \le d_3 \le 150\text{ mm}$ |
| 4 |
$0^\circ$ |
$0$ |
$0$ |
$\theta_4^*$ |
$-360^\circ \le \theta_4 \le +360^\circ$ |
Phương trình động học thuận xác định vị trí điểm làm việc của tay kẹp $(P_x, P_y, P_z)$ theo các biến khớp:
$$P_x = l_1 \cos(\theta_1) + l_2 \cos(\theta_1 + \theta_2)$$
$$P_y = l_1 \sin(\theta_1) + l_2 \sin(\theta_1 + \theta_2)$$
$$P_z = d_0 - d_3$$
Nghiệm của bài toán động học nghịch (Inverse Kinematics) được triển khai trên phần mềm điều khiển:
$$\cos(\theta_2) = \frac{P_x^2 + P_y^2 - l_1^2 - l_2^2}{2 l_1 l_2}$$
$$\theta_2 = \text{atan2}\left(\pm \sqrt{1 - \cos^2(\theta_2)}, \cos(\theta_2)\right)$$
$$\theta_1 = \text{atan2}(P_y, P_x) - \text{atan2}\left(l_2 \sin(\theta_2), l_1 + l_2 \cos(\theta_2)\right)$$
$$d_3 = d_0 - P_z$$
$$\theta_4 = \phi - (\theta_1 + \theta_2)$$
2. Mã nguồn giao tiếp PLC qua MC-Protocol (Python 3.10)
Đoạn mã sau thực thi kết nối socket, đóng gói Frame 3E nhị phân để ghi tọa độ mục tiêu $(X, Y, Z)$ trực tiếp vào thanh ghi PLC D100:
import socket
import struct
import numpy as np
class MitsubishiMCProtocol:
def __init__(self, ip: str, port: int = 5002):
self.plc_ip = ip
self.plc_port = port
self.sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
self.sock.settimeout(2.0)
def connect(self) -> bool:
try:
self.sock.connect((self.plc_ip, self.plc_port))
print(f"[INFO] Kết nối thành công PLC tại {self.plc_ip}:{self.plc_port}")
return True
except Exception as e:
print(f"[ERROR] Lỗi kết nối PLC: {e}")
return False
def send_target_coordinates(self, x: float, y: float, z: float, object_type: int):
"""
Ghi dữ liệu Tọa độ (X, Y, Z) dạng Float32 vào D100..D105 và Loại vật vào D106
Sử dụng MC Protocol Q-header 3E Frame Binary
"""
# Chuyển đổi float32 sang 2 thanh ghi 16-bit
data_bytes = bytearray()
for val in [x, y, z]:
raw_float = struct.pack('<f', float(val))
data_bytes.extend(raw_float)
data_bytes.extend(struct.pack('<H', int(object_type))) # D106: 1=Bottle, 2=Can
# Header Frame 3E: Subheader(0x5000), Net(0x00), PLC(0xFF), IO(0x03FF), Station(0x00)
sub_header = b'\x50\x00'
network_no = b'\x00'
plc_no = b'\xFF'
io_no = b'\xFF\x03'
station_no = b'\x00'
cpu_timer = b'\x10\x00' # Giám sát thời gian chờ (16 * 250ms = 4s)
command = b'\x01\x14' # Lệnh Ghi dữ liệu (Write Word Units)
subcommand = b'\x00\x00'# Dạng nhị phân (Binary format)
# Thiết lập địa chỉ bắt đầu ghi: D100 (Địa chỉ 100 dạng 3 bytes: 0x64, 0x00, 0x00), Mã vùng D: 0xA8
head_device = b'\x64\x00\x00'
device_code = b'\xA8'
device_count = struct.pack('<H', 7) # Tổng cộng 7 Words (D100 -> D106)
request_data = cpu_timer + command + subcommand + head_device + device_code + device_count + data_bytes
data_len = struct.pack('<H', len(request_data))
packet = sub_header + network_no + plc_no + io_no + station_no + data_len + request_data
try:
self.sock.sendall(packet)
response = self.sock.recv(1024)
# Kiểm tra End Code ở byte 9-10 (0x0000 = Thành công)
end_code = struct.unpack('<H', response[9:11])[0]
return end_code == 0
except Exception as err:
print(f"[ERROR] Lỗi gửi Frame 3E: {err}")
return False
def close(self):
self.sock.close()
3. Thuật toán bù trừ vị trí động trên băng tải (Dynamic Conveyor Tracking)
Khi phát hiện đối tượng tại tọa độ camera $(X_{cam}, Y_{cam})$ ở thời điểm $t_0$, hệ thống tính toán vị trí đánh chặn $(X_{target}, Y_{target})$ của Robot tại thời điểm gắp $t_{grip}$:
$$X_{target}(t_{grip}) = X_{robot_base} + (X_{cam} \cdot \cos\alpha - Y_{cam} \cdot \sin\alpha) + v_{conv} \cdot (\Delta t_{process} + \Delta t_{motion})$$
Trong đó:
- $v_{conv}$: Vận tốc tuyến tính của băng tải được tính liên tục từ Encoder Servo qua thanh ghi
D200.
- $\Delta t_{process}$: Thời gian inference ảnh và truyền thông mạng ($\approx 35\text{ ms}$).
- $\Delta t_{motion}$: Thời gian cánh tay robot di chuyển từ vị trí chờ đến điểm tiếp xúc ($\approx 250 - 320\text{ ms}$).
Kiểm thử và đánh giá hiệu năng
1. Đánh giá mô hình nhận diện đối tượng YOLOv8s
Mô hình được huấn luyện trên 1.800 ảnh thực tế với 100 Epochs, kích thước đầu vào $640 \times 640$:
| Lớp đối tượng |
Tập dữ liệu huấn luyện |
Precision ($P$) |
Recall ($R$) |
$mAP@0.5$ |
$mAP@0.5:0.95$ |
Inference GPU RTX 3060 |
| Chai nhựa (Plastic Bottle) |
950 mẫu |
$93.8%$ |
$95.2%$ |
$96.1%$ |
$74.2%$ |
$18.2\text{ ms}$ |
| Lon nhôm (Aluminium Can) |
850 mẫu |
$92.4%$ |
$94.6%$ |
$95.3%$ |
$72.8%$ |
$18.5\text{ ms}$ |
| Trung bình toàn hệ thống |
1.800 mẫu |
$93.1%$ |
$94.9%$ |
$95.7%$ |
$73.5%$ |
$18.4\text{ ms}$ |
2. Độ chính xác động học nghịch giữa mô phỏng và thực tế
Thực nghiệm kiểm chứng tọa độ vị trí thực tế của đầu hút sau khi giải động học nghịch và điều khiển qua module QD75MH4:
| Điểm thử nghiệm |
Tọa độ đặt $(X, Y, Z)$ [mm] |
Góc khớp tính toán $(\theta_1, \theta_2, d_3)$ |
Tọa độ thực tế đo đạc [mm] |
Sai số tuyệt đối $(\Delta X, \Delta Y, \Delta Z)$ [mm] |
| P1 (Home) |
$(250.0, 300.0, 0.0)$ |
$(32.5^\circ, 65.2^\circ, 0.0\text{ mm})$ |
$(250.4, 299.7, 0.0)$ |
$(+0.4, -0.3, 0.0)$ |
| P2 (Góc xa) |
$(460.0, 250.0, 130.0)$ |
$(12.8^\circ, 42.1^\circ, 130.0\text{ mm})$ |
$(460.8, 249.4, 129.8)$ |
$(+0.8, -0.6, -0.2)$ |
| P3 (Cận băng tải) |
$(150.0, 320.0, 130.0)$ |
$(48.6^\circ, 88.4^\circ, 130.0\text{ mm})$ |
$(149.5, 320.5, 129.7)$ |
$(-0.5, +0.5, -0.3)$ |
| P4 (Tâm gắp) |
$(350.0, 320.0, 130.0)$ |
$(21.4^\circ, 58.7^\circ, 130.0\text{ mm})$ |
$(350.5, 320.3, 130.0)$ |
$(+0.5, +0.3, 0.0)$ |
SAI SỐ ĐỘNG HỌC TẠI CÁC ĐIỂM TEST
(mm)
P1 (Home) P2 (Góc xa) P3 (Cận BT) P4 (Tâm)
3. Kết quả thử nghiệm phân loại trên băng tải thực tế
Hệ thống được đánh giá qua 4 kịch bản vận hành thực tế ở các dải tốc độ băng tải khác nhau (mỗi kịch bản thử nghiệm 100 lần gắp liên tục):
| Trường hợp |
Tốc độ băng chuyền ($v_{conv}$) |
Khoảng cách giữa các vật |
Số vật thể test (Chai/Lon) |
Số lần gắp thành công |
Tỷ lệ thành công (%) |
Nguyên nhân lỗi |
| TH 1 |
$0.05\text{ m/s}$ (Chậm) |
$300\text{ mm}$ |
$100$ |
$97$ |
$97.0%$ |
$3$ vật bị nghiêng góc quá $45^\circ$ |
| TH 2 |
$0.10\text{ m/s}$ (Chuẩn) |
$250\text{ mm}$ |
$100$ |
$94$ |
$94.0%$ |
$4$ vật trượt do giác hút yếu, $2$ vật sai lệch tâm |
| TH 3 |
$0.15\text{ m/s}$ (Nhanh) |
$200\text{ mm}$ |
$100$ |
$89$ |
$89.0%$ |
$6$ vật rung lắc cơ khí, $5$ vật trễ tracking |
| TH 4 |
$0.20\text{ m/s}$ (Cực đại) |
$150\text{ mm}$ |
$100$ |
$81$ |
$81.0%$ |
$11$ vật vượt khỏi vùng với, $8$ vật trôi quán tính |
Đổi mới và đóng góp
Đổi mới công nghệ
- Kiến trúc phần mềm kết hợp không đồng bộ (Asynchronous AI-to-PLC Pipeline): Thay vì sử dụng máy tính nhúng đắt tiền hoặc các giao thức trung gian chuẩn OPC-UA có độ trễ lớn ($>50\text{ms}$), hệ thống giao tiếp trực tiếp qua MC-Protocol Socket nhị phân ở tầng thấp, giảm độ trễ trao đổi dữ liệu xuống dưới $8\text{ms}$.
- Thuật toán bám bắt vật thể di động Dynamic Interception: Tự động bù sai số thời gian thực giữa vận tốc phản hồi từ encoder băng tải và quán tính cơ khí cánh tay robot, cho phép gắp vật chính xác ở vận tốc lên đến $0.15\text{ m/s}$.
Đóng góp thực tiễn và học thuật
- Đối với ngành Tự động hóa & Tái chế: Cung cấp giải pháp mẫu hoàn chỉnh (Reference Blueprint) cho việc nội địa hóa các dây chuyền phân loại thông minh với chi phí chỉ bằng $20 - 25%$ so với dây chuyền nhập khẩu nguyên chiếc từ Châu Âu.
- Tối ưu năng suất phân loại: Giúp loại bỏ hoàn toàn yếu tố độc hại cho công nhân, nâng năng suất làm việc liên tục $24/7$ với độ ổn định đạt $>90%$.
Ứng dụng thực tế và triển khai
Kịch bản triển khai trong nhà máy
- Dây chuyền tái chế rác đô thị: Lắp đặt tại trạm phân loại thứ cấp sau khâu sàng lồng, tự động tách triệt để chai nhựa và lon nhôm trước khi rác đi vào lò đốt hoặc bãi chôn lấp.
- Ngành F&B và Đóng gói: Tự động loại bỏ chai lỗi, lon biến dạng trên các băng chuyền đóng chai nước giải khát tốc độ cao.
MÔ HÌNH TRIỂN KHAI TỔNG THỂ TRONG DÂY CHUYỀN
[Thùng chứa Chai PET] [Thùng chứa Lon Nhôm]
Phân tích tài chính và hoàn vốn đầu tư (ROI Analysis)
- Chi phí chế tạo mô hình công nghiệp:
- Robot SCARA 4-DOF & Tủ điện PLC Mitsubishi: $\approx 150.000.000\text{ VNĐ}$
- Hệ thống Camera 3D & PC xử lý GPU: $\approx 45.000.000\text{ VNĐ}$
- Khung cơ khí, băng tải, hệ thống khí nén SMC: $\approx 35.000.000\text{ VNĐ}$
- Tổng mức đầu tư: $\approx 230.000.000\text{ VNĐ}$
- Hiệu quả kinh tế: Một module Robot thay thế 2 công nhân/ca (làm việc 2 ca/ngày, mức lương $9.000.000\text{ VNĐ/tháng/người}$). Chi phí nhân công tiết kiệm: $432.000.000\text{ VNĐ/năm}$.
- Thời gian hoàn vốn ước tính:
$$\text{Thời gian hoàn vốn} = \frac{230.000.000}{432.000.000 - 35.000.000\text{ (Chi phí điện, bảo trì)}} \approx 7.0\text{ tháng}$$
Hạn chế và hướng phát triển
Hạn chế kỹ thuật hiện tại
- Rung lắc quán tính khi tăng tốc cao: Ở vận tốc $Z > 300\text{ mm/s}$, hiện tượng rung lắc cơ khí ở khớp nối thứ 2 xuất hiện, gây sai số định vị khoảng $\pm 1.5\text{ mm}$.
- Hiện tượng rác biến dạng/chồng lấp: Mô hình YOLOv8 Bounding Box 2D gặp khó khăn trong việc xác định tâm gắp tối ưu khi các chai nhựa bị giẫm bẹp hoặc chồng lấp lên nhau quá $40%$.
- Độ nhạy sáng: Camera Intel RealSense D435i dễ bị nhiễu vùng bóng đổ khi ánh sáng môi trường thay đổi đột ngột.
Hướng phát triển tiếp theo
- Nâng cấp AI Instance Segmentation: Chuyển sang mô hình YOLOv8-Seg hoặc Segment Anything (SAM) để trích xuất chính xác đường biên đa giác của chai dẹp, từ đó tính toán vector hướng gắp cho giác hút.
- Cơ cấu tay gắp linh hoạt (Hybrid Gripper): Kết hợp giữa giác hút chân không và ngón kẹp mềm khí nén (Soft Robotic Gripper) để gắp được các vật có bề mặt gồ ghề.
- Triển khai Edge AI: Đưa toàn bộ mô hình Deep Learning chạy trực tiếp trên máy tính nhúng công nghiệp NVIDIA Jetson AGX Orin để loại bỏ hoàn toàn PC cồng kềnh.
Đối tượng hưởng lợi
- Sinh viên ngành Kỹ thuật Điều khiển & Tự động hóa / Cơ điện tử: Tiếp cận tài liệu toàn diện kết hợp giữa lý thuyết điều khiển chuyển động Robot công nghiệp và thực hành Deep Learning ứng dụng.
- Kỹ sư Tự động hóa & Lập trình viên: Nắm vững cấu trúc kết nối thực tế giữa PLC Mitsubishi Q-Series và Python qua chuẩn truyền thông MC-Protocol Frame 3E.
- Doanh nghiệp tái chế và xử lý môi trường: Sở hữu mô hình khả thi về mặt kỹ thuật và chi phí để chuyển đổi số, tự động hóa dây chuyền sản xuất.
- Nhà nghiên cứu học thuật: Dữ liệu thực nghiệm về sai số động học nghịch và giải thuật tracking thời gian thực làm tiền đề cho các công trình nghiên cứu mở rộng.
Câu hỏi thường gặp (FAQ)
1. Yêu cầu kỹ thuật tối thiểu về phần cứng để triển khai hệ thống là gì?
Hệ thống yêu cầu PC xử lý thị giác trang bị tối thiểu GPU NVIDIA RTX 3050 (khuyến nghị RTX 3060 12GB), CPU Intel Core i5 thế hệ 11, 16GB RAM, cổng USB 3.0 chuyên dụng cho Intel RealSense D435i. Tủ điện cần nguồn 3 pha 220V/380V, PLC Mitsubishi CPU dòng Q (Q02U trở lên), module QD75MH/QD77MS và hệ thống khí nén áp suất $0.4 - 0.6\text{ MPa}$.
2. Giới hạn mở rộng quy mô (Scalability) của hệ thống là bao nhiêu?
Một CPU PLC Q03UDE có thể quản lý đồng thời tối đa 4 module QD75MH4 (điều khiển 16 trục Servo độc lập). Do đó, một bộ điều khiển trung tâm có thể mở rộng để điều khiển cụm 3 Robot SCARA phân loại liên hoàn trên cùng một tuyến băng tải dài.
3. Giao thức MC-Protocol có an toàn và tương thích với hệ thống SCADA có sẵn không?
MC-Protocol Frame 3E hoạt động trên nền tảng TCP/IP tiêu chuẩn công nghiệp của Mitsubishi, cho phép các hệ thống SCADA/MES (như WinCC, Citect, Ignition) đọc/ghi song song dữ liệu giám sát thông qua các dãy thanh ghi không xung đột mà không làm gián đoạn chương trình điều khiển robot.
4. Hệ thống cần chế độ bảo trì định kỳ như thế nào?
Cần vệ sinh lọc khí và đầu giác hút chân không mỗi tuần một lần; kiểm tra độ căng dây đai trục 1, 2 và bôi trơn mỡ trục vitme bi trục $Z$ sau mỗi $2.000$ giờ vận hành; sao lưu dữ liệu thông số Servo parameters trên phần mềm MR Configurator2 định kỳ.
5. Chi phí bảo trì hàng năm và tuổi thọ thiết bị ước tính bao lâu?
Tuổi thọ thiết bị công nghiệp Denso và Mitsubishi đạt tiêu chuẩn vận hành trên $10$ năm ($50.000$ giờ làm việc). Chi phí bảo trì, thay thế định kỳ đầu giác hút cao su và lọc khí ước tính khoảng $5.000.000 - 8.000.000\text{ VNĐ/năm}$.
Kết luận
Đề tài "Ứng dụng Robot SCARA kết hợp xử lý ảnh phân loại rác thải" đã giải quyết trọn vẹn bài toán tích hợp liên ngành giữa Cơ điện tử, Tự động hóa công nghiệp và Trí tuệ nhân tạo Deep Learning. Việc làm chủ toàn bộ chuỗi công nghệ—từ tính toán động học robot, thiết kế thi công tủ điện chuẩn công nghiệp PLC Mitsubishi dòng Q, đến xây dựng mô hình thị giác máy tính YOLOv8 và thuật toán Dynamic Conveyor Tracking—đã chứng minh tính khả thi cao trong việc thương mại hóa giải pháp tự động hóa phân loại rác tại Việt Nam, mở ra hướng đi bền vững cho nền kinh tế tuần hoàn.
