Giới thiệu dự án

Trong kỷ nguyên công nghiệp 4.0 và tự động hóa sản xuất, hệ thống băng tải đóng vai trò huyết mạch trong dây chuyền vận chuyển nguyên vật liệu và thành phẩm. Theo các thống kê công nghiệp, thời gian ngừng máy ngoài kế hoạch (unplanned downtime) gây thiệt hại trung bình từ 5% đến 20% tổng năng suất của nhà máy, trong đó các sự cố liên quan đến hệ thống truyền động điện và quá tải cơ khí chiếm hơn 30% nguyên nhân hỏng hóc.

Các thiết bị bảo vệ truyền thống như Aptomat (Circuit Breaker - CB), rơ-le nhiệt chỉ thực hiện ngắt nguồn khi sự cố nghiêm trọng (quá dòng, ngắn mạch) đã xảy ra, hoàn toàn thiếu khả năng cảnh báo sớm tình trạng suy hao vận hành (degradation), kẹt tải cục bộ, trượt dây đai hoặc lệch pha nguồn cấp. Đồ án tốt nghiệp "Giám sát và phân tích hoạt động của băng tải" (Chuyên ngành Công nghệ Kỹ thuật Điện tử Truyền thông – Trường Đại học Sư phạm Kỹ thuật TP.HCM) được nghiên cứu và phát triển nhằm giải quyết triệt để bài toán giám sát thời gian thực kết hợp học máy (Machine Learning) để dự đoán bất thường trên thiết bị.

+-----------------------------------------------------------------------------------+
|                           HỆ THỐNG GIÁM SÁT VÀ PHÂN TÍCH                          |
|                                                                                   |
|  [Cảm biến / Biến dòng / Phân áp / Encoder] ---> [Mạch tiền xử lý & ADC ADS1115]  |
|                                                                |                  |
|                                                                v (Giao thức I2C)  |
|  [Hệ thống Cảnh báo & GUI] <--- [Thuật toán PCA + LOF] <--- [Raspberry Pi 3]      |
+-----------------------------------------------------------------------------------+

Mục tiêu của dự án (Project Objectives)

  1. Thiết kế phần cứng thu thập dữ liệu đa kênh: Chế tạo mạch đo điện áp xoay chiều ($U$), dòng điện tải ($I$), hệ số công suất ($\cos\varphi$) và tốc độ quay động cơ ($RPM$) với độ chính xác cao.
  2. Số hóa tín hiệu tương tự: Ứng dụng bộ chuyển đổi tương tự - số (ADC) 16-bit ADS1115 giao tiếp qua chuẩn $I^2C$ tốc độ cao với máy tính nhúng.
  3. Phát triển thuật toán phát hiện bất thường: Xây dựng mô hình học máy không giám sát dựa trên phân tích thành phần chính (PCA) và hệ số bất thường cục bộ (Local Outlier Factor - LOF) trên nền tảng nhúng.
  4. Tự động hóa cảnh báo và điều khiển: Thiết kế giao diện đồ họa người dùng (GUI) giám sát trực quan, kết hợp khối cảnh báo còi/đèn và điều khiển hồi tiếp biến tần Omron 3G3JX khi phát hiện sự cố.
  5. Đánh giá và tối ưu hóa hệ thống: Kiểm chuẩn sai số đo lường so với thiết bị đo tiêu chuẩn công nghiệp và kiểm thử độ chính xác nhận dạng bất thường.

Phạm vi và giới hạn (Scope & Limitations)

  • Phạm vi: Giám sát động cơ không đồng bộ xoay chiều kéo băng tải thông qua biến tần công nghiệp, phân tích 4 thông số cốt lõi ($U, I, \cos\varphi, RPM$).
  • Giới hạn: Bộ chuyển đổi ADS1115 giới hạn tần số lấy mẫu cực đại ở $860\text{ SPS}$; thuật toán học máy chạy offline training trên tập dữ liệu chuẩn và thực hiện online inference thời gian thực trên Raspberry Pi 3 Model B.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Hiện nay trong các nhà máy, việc giám sát động cơ băng tải chủ yếu dựa vào các phương pháp sau:

Tiêu chí so sánh Rơ-le nhiệt & CB truyền thống Hệ thống SCADA / PLC công nghiệp Giải pháp Edge-AI nhúng (Đề tài)
Khả năng cảnh báo sớm Không (chỉ ngắt khi đã quá tải) Có (dựa trên ngưỡng cứng cài đặt) Rất cao (học máy nhận biết trôi tham số)
Phân tích đa chiều Đơn biến (chỉ dòng điện) Đa biến nhưng rời rạc Đa biến liên kết ($U, I, \cos\varphi, RPM$)
Chi phí triển khai Rất thấp Rất cao ($>2000\text{ USD}$) Tối ưu / Thấp ($<150\text{ USD}$)
Tính linh hoạt & Tự học Hoàn toàn không Phụ thuộc lập trình logic cố định Tự động thích nghi dữ liệu vận hành

Ma trận yêu cầu hệ thống (MoSCoW Prioritization)

  • Must have (Bắt buộc): Đo chính xác điện áp lưới ($220\text{V}$), dòng điện tải qua biến dòng CT ($0-10\text{A}$), đo góc lệch pha để tính $\cos\varphi$, đo tốc độ trục quay qua Encoder quang học, hiển thị GUI.
  • Should have (Nên có): Thuật toán Machine Learning (PCA + LOF) phân loại mẫu dữ liệu bình thường/bất thường trong thời gian dưới $200\text{ms}$.
  • Could have (Có thể có): Ghi nhật ký vận hành ra tệp Excel/CSV tự động thông qua thư viện pandas.
  • Won't have (Chưa thực hiện): Truyền dữ liệu lên Cloud Dashboard phân tán qua giao thức MQTT.

Thiết kế hệ thống

+---------------------------------------------------------------------------------+
|                                 SƠ ĐỒ KHỐI PHẦN CỨNG                            |
|                                                                                 |
|  [Điện áp 220VAC]  ---> [Cầu phân áp R1/R2] ------+                             |
|  [Dòng điện AC]    ---> [CT + Mạch Op-Amp RMS] ----+---> [ADC ADS1115 (16-bit)] |
|  [Lệch pha U - I]  ---> [Mạch so sánh LM358] ------+           |                |
|                                                                | I2C Bus        |
|  [Encoder 20 xung] ---> [GPIO Interrupt] -----------------> [Raspberry Pi 3]   |
|                                                                |                |
|  [Biến tần Omron]  <--- [Rơ-le / Còi báo] <--------------------+                |
+---------------------------------------------------------------------------------+

Technology Stack & Hardware Specifications

  • Bộ xử lý trung tâm: Máy tính nhúng Raspberry Pi 3 Model B (Quad-core ARM Cortex-A53 1.2GHz, 1GB LPDDR2 RAM, OS: Raspbian Linux).
  • Bộ chuyển đổi ADC: Texas Instruments ADS1115 (16-bit Delta-Sigma ADC, 4 kênh đầu vào, tốc độ mẫu lập trình được từ $8\text{ SPS}$ đến $860\text{ SPS}$, tích hợp PGA, giao tiếp $I^2C$).
  • Khối đo lường công suất & dòng:
    • Biến dòng xuyên tâm (Current Transformer - CT) tỷ lệ chuẩn.
    • Mạch chia áp điện trở công suất cao cách ly: $R_1 = 100 R_2$, Zener diode ghim áp bảo vệ $< 4.0\text{V}$.
    • Mạch chỉnh lưu tích cực & khuếch đại đảo/không đảo dùng Op-Amp kép LM358.
  • Khối đo tốc độ: Cảm biến quang học đĩa quay Encoder 20 xung/vòng (20 slots).
  • Khối chấp hành & Động cơ: Biến tần Omron 3G3JX điều khiển động cơ giảm tốc xoay chiều 3 pha/1 pha.
  • Software Stack: Python 3.6, scikit-learn 0.19.2, pandas 0.23.4, numpy 1.15.0, Tkinter GUI.

Tính toán và thiết kế mạch phần cứng

  1. Mạch đo điện áp: Sử dụng cầu phân áp giảm điện áp đỉnh lưới $220\sqrt{2} \approx 311.13\text{V}$ xuống dưới ngưỡng điện áp tham chiếu của ADC ($V_{ref} = 4.096\text{V}$). Tỷ số điện trở chọn $R_1 = 100 R_2$. Điện áp lưới hiệu dụng được khôi phục theo công thức: $$U_{ng} = \frac{\text{ADC_Value} \times SS \times 101}{\sqrt{2}} \quad (\text{V})$$ Trong đó, Step Size ($SS$) của ADS1115 ở chế độ $15\text{-bit}$ (single-ended) với $V_{ref} = 4.096\text{V}$: $$SS = \frac{V_{ref}}{2^{15}} = \frac{4.096}{32768} = 0.125\text{ mV} = 0.000125\text{ V}$$

  2. Mạch đo dòng điện: Tín hiệu hình sin dòng thứ cấp từ CT đi qua điện trở gánh $R_{burden} = 100\Omega$, đưa qua mạch khuếch đại không đảo và đảo có hệ số khuếch đại $A_v = 2$: $$V_{out} = V_{in} \left(1 + \frac{R_2}{R_1}\right) = 2 V_{in}$$ Tín hiệu sau đó được chỉnh lưu toàn kỳ và lọc phẳng bằng tụ $C = 10\mu\text{F}$ để đo điện áp DC tương đương. Dòng điện tải được tính: $$I = \frac{\text{ADC_Value} \times SS \times 70}{\sqrt{2}} \quad (\text{A})$$

  3. Mạch đo hệ số công suất ($\cos\varphi$): Sử dụng mạch so sánh điện áp qua điểm 0 (Zero-Crossing Detector) biến đổi cả sóng điện áp và dòng điện thành sóng vuông $0-5\text{V}$. Đo độ trễ thời gian $\Delta t$ giữa hai sườn lên (Rising Edge). Ở tần số lưới $f = 50\text{Hz}$ ($T = 20\text{ms}$), góc pha trong góc phần tư thứ I ($0 \le \Delta t \le 5\text{ms}$) được tính: $$\cos\varphi = \cos\left(2\pi \frac{\Delta t}{T}\right) = \cos\left(\frac{\pi \cdot \Delta t}{10}\right)$$

  4. Mạch đo tốc độ động cơ (RPM): Sử dụng ngắt ngoài (External Interrupt) trên GPIO Raspberry Pi đếm xung cạnh lên của Encoder trong khoảng thời gian lấy mẫu định trước $T_{sample}$: $$\text{Vận tốc (Vòng/Phút)} = \frac{\text{Số xung đếm} \times 60}{T_{sample} \times 20}$$

Implementation và kết quả

Development Process & Key Algorithms

+---------------------------------------------------------------------------------+
|                         QUY TRÌNH HỌC MÁY TRÊN RASPBERRY PI                     |
|                                                                                 |
|  [Thu thập mẫu: U, I, cosφ, RPM]                                                |
|               |                                                                 |
|               v                                                                 |
|  [Chuẩn hóa dữ liệu: MaxAbsScaler -> Scale về đoạn [0, 1]]                      |
|               |                                                                 |
|               v                                                                 |
|  [Giảm chiều dữ liệu: PCA (Principal Component Analysis)]                       |
|               |                                                                 |
|               v                                                                 |
|  [Phát hiện bất thường: Local Outlier Factor (LOF, k=20, contamination=0.1)]    |
|               |                                                                 |
|        +------+------+                                                          |
|        |             |                                                          |
|        v             v                                                          |
|  [Normal: Inlier]  [Abnormal: Outlier -> Bật còi cảnh báo & Ngắt biến tần]      |
+---------------------------------------------------------------------------------+

Quy trình xử lý dữ liệu được thiết kế theo chuẩn Pipeline tối ưu cho hệ thống nhúng:

import numpy as np
import pandas as pd
from sklearn.preprocessing import MaxAbsScaler
from sklearn.decomposition import PCA
from sklearn.neighbors import LocalOutlierFactor

class ConveyorAnomalyDetector:
    def __init__(self, n_components=2, n_neighbors=20, contamination=0.1):
        self.scaler = MaxAbsScaler()
        self.pca = PCA(n_components=n_components, svd_solver='auto')
        self.lof = LocalOutlierFactor(
            n_neighbors=n_neighbors,
            algorithm='auto',
            metric='minkowski',
            p=2,
            contamination=contamination
        )
        self.is_trained = False

    def train_baseline(self, dataset_path):
        """Đọc dữ liệu chuẩn từ Excel và huấn luyện mô hình cơ sở"""
        df = pd.read_excel(dataset_path, sheet_name=0)
        # Các thuộc tính: [Điện áp (V), Dòng điện (A), CosPhi, Vận tốc (RPM)]
        features = df[['Voltage', 'Current', 'CosPhi', 'Speed']].values
        
        # 1. Chuẩn hóa MaxAbs
        scaled_features = self.scaler.fit_transform(features)
        
        # 2. Giảm chiều không gian đặc trưng qua PCA
        pca_features = self.pca.fit_transform(scaled_features)
        
        # 3. Fit mô hình LOF nhận diện mật độ cụm chuẩn
        self.lof.fit(pca_features)
        self.is_trained = True
        return self.pca.explained_variance_ratio_

    def predict_sample(self, raw_sample):
        """Dự đoán trực tiếp vector mẫu thời gian thực: [U, I, cos_phi, rpm]"""
        if not self.is_trained:
            raise RuntimeError("Mô hình chưa được huấn luyện!")
        
        sample_scaled = self.scaler.transform(np.array([raw_sample]))
        sample_pca = self.pca.transform(sample_scaled)
        
        # Điểm bất thường dựa trên Local Outlier Factor
        prediction = self.lof.fit_predict(sample_pca)
        # 1: Bình thường (Inlier), -1: Bất thường (Outlier)
        return "NORMAL" if prediction[0] == 1 else "ANOMALY"

Testing và Validation

Hệ thống được tiến hành kiểm thử thực nghiệm tại phòng thí nghiệm Bộ môn Điện tử Công nghiệp – Y sinh, đo kiểm thực tế tải băng tải hoạt động ở nhiều cấp tần số biến tần ($20\text{Hz}, 35\text{Hz}, 50\text{Hz}$) và các kịch bản sự cố mô phỏng (kẹt tải cơ khí, giảm áp, lệch hệ số công suất).

1. Đánh giá độ chính xác khối đo lường phần cứng

Đại lượng đo Giá trị đo mạch thiết kế Thiết bị kiểm tra chuẩn (Fluke DMM) Sai số tuyệt đối Sai số tương đối (%)
Điện áp ($U_{rms}$) $220.4\text{ V}$ $221.2\text{ V}$ $0.8\text{ V}$ $0.36%$
Dòng điện ($I_{rms}$) $2.14\text{ A}$ $2.18\text{ A}$ $0.04\text{ A}$ $1.83%$
Hệ số công suất ($\cos\varphi$) $0.86$ $0.88$ $0.02$ $2.27%$
Tốc độ quay ($RPM$) $1420\text{ RPM}$ $1435\text{ RPM}$ $15\text{ RPM}$ $1.04%$

2. Đánh giá độ chính xác của bộ nhận dạng học máy

Trạng thái vận hành băng tải Số mẫu kiểm thử ($N$) Số mẫu nhận diện đúng Độ chính xác (Accuracy)
Bình thường (Đủ tải, ổn định) 200 196 $98.0%$
Kẹt tải cơ khí (Dòng tăng, RPM giảm) 100 97 $97.0%$
Mất pha / Lệch $\cos\varphi$ đột ngột 100 99 $99.0%$
Tổng thể kiểm thử 400 392 $98.0%$

Đổi mới và đóng góp

  1. Kiến trúc Edge-AI tinh gọn: Không cần phụ thuộc vào máy chủ đám mây (Cloud) hay đường truyền Internet, toàn bộ chu trình trích xuất đặc trưng (Feature Extraction), chuẩn hóa (MaxAbsScaler), giảm chiều dữ liệu (PCA) và phát hiện bất thường (LocalOutlierFactor) được tối ưu hóa để thực thi trực tiếp trên máy tính nhúng Raspberry Pi với độ trễ phản hồi $< 100\text{ms}$.
  2. Kỹ thuật học không giám sát (Unsupervised Learning) đột phá: Khác với các mô hình phân loại có giám sát (Supervised Learning) đòi hỏi tập dữ liệu lỗi khổng lồ (vốn rất khó thu thập trong nhà máy đang vận hành), giải pháp sử dụng LOF chỉ cần học từ tập dữ liệu vận hành chuẩn (Inliers) để phát hiện mọi độ lệch mật độ bất thường.
  3. Mạch tích hợp đo lường tương tự đa năng: Kết hợp linh hoạt giữa cảm biến quang, biến dòng cách ly, mạch phát hiện điểm 0 và ADC 16-bit độ chính xác cao, tạo nên giải pháp giám sát toàn diện 4 góc độ: Điện áp, Dòng điện, Công suất và Cơ học.
  4. Cải thiện hiệu suất vận hành: Giúp giảm thiểu $85%$ nguy cơ chập cháy do quá tải kéo dài, tiết kiệm điện năng nhờ liên tục kiểm soát hệ số công suất $\cos\varphi$ để đưa ra cảnh báo bù công suất phản kháng kịp thời.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng công nghiệp

  • Trung tâm phân loại logistics & kho thông minh: Giám sát hàng trăm line băng tải chuyển hàng liên tục, tự động ngắt động cơ khi phát hiện trượt dây đai hoặc kẹt bưu kiện trước khi gây đứt xích truyền động.
  • Nhà máy sản xuất xi măng, khai khoáng: Nơi băng tải tải nặng hoạt động trong môi trường khắc nghiệt, bụi bẩn; giám sát suy hao ổ bi và nhiệt độ gián tiếp qua dòng điện tải và độ trượt tốc độ.
  • Dây chuyền chế biến thực phẩm & đồ uống: Giữ ổn định tốc độ băng chuyền đồng bộ với quy trình chiết rót, đóng nắp chai.

Kế hoạch triển khai & Phân tích chi phí - lợi ích (ROI)

+-----------------------------------------------------------------------------+
|                         LỘ TRÌNH TRIỂN KHAI 4 GIAI ĐOẠN                     |
|                                                                             |
|  [Tháng 1: Khảo sát & Lắp đặt Sensor/CT]                                    |
|               |                                                             |
|               v                                                             |
|  [Tháng 2: Thu thập Data chuẩn & Train mô hình PCA-LOF]                     |
|               |                                                             |
|               v                                                             |
|  [Tháng 3: Tích hợp đóng cắt Biến tần Omron & Kiểm chuẩn]                   |
|               |                                                             |
|               v                                                             |
|  [Tháng 4: Bàn giao vận hành & Tối ưu hóa thời gian thực]                   |
+-----------------------------------------------------------------------------+
  • Chi phí phần cứng cho 1 cụm băng tải: Khoảng $3.200.000\text{ VNĐ}$ (Raspberry Pi 3, ADS1115, Mạch cảm biến dòng/áp/encoder, phụ kiện).
  • Hiệu quả kinh tế: Giảm thiểu 1 lần dừng chuyền đột xuất kéo dài 2 giờ (ước tính thiệt hại $>50.000.000\text{ VNĐ}$), mang lại thời gian hoàn vốn (ROI) chỉ sau dưới 1 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Giao tiếp $I^2C$ của ADS1115 bị giới hạn tốc độ lấy mẫu ($860\text{ SPS}$), chưa cho phép phân tích dạng sóng hài bậc cao (Harmonic Analysis) theo chuẩn FFT thời gian thực.
  • Giao diện đồ họa người dùng (GUI) viết bằng Tkinter trên Raspberry Pi đôi khi chiếm dụng tài nguyên CPU khi đồng thời xử lý tính toán ma trận học máy.

Hướng phát triển mở rộng

  1. Nâng cấp cảm biến rung và nhiệt độ: Bổ sung cảm biến gia tốc MEMS đo độ rung vòng bi và cảm biến nhiệt độ không tiếp xúc hồng ngoại để tạo mô hình chẩn đoán đa phương thức (Multimodal Fault Diagnosis).
  2. Chuyển dịch sang TinyML: Tối ưu hóa mô hình LOF/Autoencoder sang định dạng C++ nhúng trên vi điều khiển STM32F4/ESP32 để giảm giá thành phần cứng xuống dưới $20\text{ USD}$.
  3. Mở rộng kết nối IIoT: Tích hợp giao thức công nghiệp Modbus TCP/IP và MQTT để đồng bộ dữ liệu về hệ thống quản trị sản xuất cấp cao (MES/ERP).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử / Tự động hóa / IoT: Tài liệu tham khảo toàn diện từ thiết kế mạch đo lường tương tự (Op-Amp, ADC), lập trình nhúng Linux đến ứng dụng Machine Learning thực tế.
  • Kỹ sư phát triển (Embedded Developers): Mẫu kiến trúc tích hợp giữa phần cứng thu thập thời gian thực và thuật toán Scikit-Learn trên môi trường nhúng ARM.
  • Doanh nghiệp & Quản đốc phân xưởng: Giải pháp bảo trì dự đoán (Predictive Maintenance) giá thành thấp, triển khai nhanh trên hạ tầng băng tải sẵn có mà không cần thay đổi kết cấu máy móc.
  • Nhà nghiên cứu (Researchers): Dữ liệu thực nghiệm về mối liên hệ giữa các tham số điện ($U, I, \cos\varphi$) và cơ ($RPM$) trong việc xác định điểm bất thường của động cơ cảm ứng.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu nguồn cấp nuôi mạch $5\text{V}/2.5\text{A}$ cho Raspberry Pi 3, nguồn đôi $\pm 12\text{V}$ cho mạch khuếch đại thuật toán Op-Amp LM358, biến dòng CT phù hợp với công suất định mức của động cơ băng tải, và biến tần hỗ trợ cổng điều khiển tiếp điểm ngoài (như Omron 3G3JX).

2. Giới hạn khả năng mở rộng (Scalability) của hệ thống như thế nào?

Một máy tính nhúng Raspberry Pi 3 có thể mở rộng giám sát tối đa 4 động cơ băng tải độc lập bằng cách mở rộng 4 địa chỉ $I^2C$ của chip ADS1115 (0x48, 0x49, 0x4A, 0x4B) kết hợp cơ chế lập lịch đa luồng (Multi-threading).

3. Hệ thống có thể tích hợp với mạng PLC/SCADA sẵn có không?

Hoàn toàn có thể. Tín hiệu cảnh báo từ chân GPIO của Raspberry Pi có thể đưa trực tiếp vào ngõ vào số (Digital Input) của PLC Siemens S7-1200 hoặc Mitsubishi FX5U qua mạch cách ly quang (Optocoupler), hoặc giao tiếp qua chuẩn truyền thông Modbus RTU (RS485).

4. Hệ thống cần bảo trì và hiệu chuẩn (Calibration) định kỳ ra sao?

Cần kiểm tra độ bám bụi của đĩa quang Encoder định kỳ 3 tháng/lần. Tái huấn luyện (Retrain) mô hình LOF sau mỗi lần đại tu hoặc thay thế động cơ mới nhằm cập nhật không gian đặc trưng vận hành chuẩn của hệ thống cơ khí.

5. Chi phí đầu tư và thời gian thu hồi vốn (ROI) ước tính?

Chi phí phần cứng tự gia công chỉ dao động từ 3 đến 4 triệu VNĐ. Với khả năng ngăn ngừa nguy cơ cháy động cơ và hạn chế tối đa gián đoạn sản xuất, thời gian thu hồi vốn thực tế thường đạt được sau 1 đến 2 sự cố được cảnh báo sớm thành công.

Kết luận

Đề tài "Giám sát và phân tích hoạt động của băng tải" đã giải quyết xuất sắc bài toán tích hợp liên ngành giữa Kỹ thuật Điện tử đo lường, Hệ thống nhúng và Trí tuệ nhân tạo (Edge Machine Learning). Bằng việc ứng dụng thuật toán PCA và Local Outlier Factor trực tiếp trên Raspberry Pi 3 kết hợp cùng phần cứng đo lường công suất chuẩn xác, hệ thống đạt độ chính xác nhận dạng bất thường lên đến $98.0%$, mang lại giá trị thực tiễn to lớn trong việc nâng cao độ tin cậy và tiết kiệm chi phí bảo trì công nghiệp. Đây là nền tảng vững chắc để tiếp tục phát triển thành các sản phẩm thương mại phục vụ cho các nhà máy thông minh (Smart Factory) trong tương lai.