Luận văn thạc sĩ: Phần mềm dự đoán cảnh báo sớm tình trạng xe qua OBD-II

Luận văn thạc sĩ kỹ thuật ô tô IUH nghiên cứu xây dựng phần mềm dự đoán cảnh báo sớm tình trạng kỹ thuật của xe thông qua dữ liệu chẩn đoán cổng OBD II.

• Tác giả: Phan Minh Ngàn
• Người hướng dẫn: TS. Lê Ngọc Trân
• Trường học: Trường Đại học Công nghiệp Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật ô tô
• Đề tài: Xây dựng phần mềm dự đoán & cảnh báo sớm tình trạng của xe thông qua cổng OBD-II
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan đề tài luận văn thạc sĩ kỹ thuật ô tô IUH về OBD II

Luận văn thạc sĩ kỹ thuật ô tô tại Trường Đại học Công nghiệp Thành phố Hồ Chí Minh (IUH) của học viên Phan Minh Ngàn tập trung giải quyết bài toán giám sát phương tiện thông minh. Đề tài được hướng dẫn bởi TS. Lê Ngọc Trân và TS. Đặng Tiến Phúc thuộc Khoa Công nghệ Động lực. Nghiên cứu hướng đến việc xây dựng phần mềm chẩn đoán, khai thác dữ liệu từ cổng OBD-II nhằm nâng cao độ an toàn vận hành. Giao thức OBD-II chuẩn hóa khả năng kết nối giữa hệ thống điện tử trên xe và thiết bị ngoại vi. Việc thu thập tín hiệu cảm biến như tốc độ vòng tua động cơ (RPM), nhiệt độ nước làm mát và áp suất khí nạp giúp nhận diện sớm các biến đổi bất thường. Luận văn kết hợp nền tảng lý thuyết điều khiển tự động với công nghệ xử lý dữ liệu hiện đại. Mục tiêu chính là chuyển đổi phương thức bảo dưỡng định kỳ truyền thống sang mô hình bảo dưỡng dự đoán (predictive maintenance). Mô hình này giúp giảm thiểu sự cố đột ngột trên đường và tiết kiệm chi phí sửa chữa dài hạn.

1.1. Bối cảnh nghiên cứu và tính cấp thiết của đề tài

Ngành công nghiệp ô tô đang chuyển dịch mạnh mẽ theo xu hướng số hóa và phương tiện kết nối thông minh. Các dòng xe hiện đại tích hợp hàng chục bộ điều khiển điện tử (ECU) phức tạp. Việc phát hiện sớm các dấu hiệu xuống cấp của linh kiện đóng vai trò then chốt trong quản lý vận hành. Các phương pháp kiểm tra truyền thống thường mang tính thụ động sau khi sự cố đã xảy ra. Điều này dẫn đến nguy cơ mất an toàn và chi phí khắc phục tốn kém. Do đó, nghiên cứu phát triển phần mềm khai thác chuẩn OBD-II tại IUH mang tính ứng dụng thực tiễn cao, đáp ứng nhu cầu cấp bách của ngành giao thông vận tải.

1.2. Mục tiêu nghiên cứu và phạm vi ứng dụng thực tế

Mục tiêu trọng tâm của đề tài là xây dựng hệ thống phần mềm hoàn chỉnh, có khả năng đọc và giải mã tín hiệu OBD-II theo thời gian thực. Hệ thống xử lý dữ liệu động cơ, tính toán ngưỡng an toàn và đưa ra cảnh báo sớm cho người lái xe. Về phạm vi, nghiên cứu tập trung vào các thông số vận hành cơ bản như nhiệt độ nước làm mát, tốc độ vòng tua động cơ và áp suất nhiên liệu. Phần mềm hướng tới ứng dụng cho cả người dùng cá nhân lẫn các đơn vị vận tải chuyên nghiệp, góp phần chuẩn hóa quy trình bảo dưỡng xe cơ giới.

II. Phân tích bài toán cảnh báo sớm tình trạng ô tô qua cổng OBD II

Cổng OBD-II cung cấp nguồn dữ liệu phong phú về trạng thái hoạt động của các hệ thống cơ điện tử trên ô tô. Tuy nhiên, việc khai thác hiệu quả luồng dữ liệu này đặt ra nhiều thách thức kỹ thuật. Tín hiệu cảm biến truyền về thường chứa nhiễu do môi trường vận hành khắc nghiệt và rung động cơ học. Ngoài ra, việc phân biệt giữa dao động tức thời bình thường và xu hướng suy thoái linh kiện đòi hỏi các giải pháp xử lý toán học chặt chẽ. Các phương pháp chẩn đoán truyền thống chỉ kích hoạt mã lỗi (DTC) khi hư hỏng đã xảy ra ở mức độ nghiêm trọng. Điều này không đáp ứng được yêu cầu bảo trì chủ động. Đề tài luận văn phân tích sâu các phương pháp cảnh báo sớm gồm: phương pháp dựa trên ngưỡng cố định, phân tích xu hướng biến thiên và ứng dụng học máy. Trong đó, mô hình hóa chuỗi thời gian cho phép nhận diện bất thường trước khi đèn báo lỗi động cơ bật sáng. Việc kết hợp tiền xử lý dữ liệu chuẩn hóa và lọc nhiễu giúp tăng độ chính xác của dự báo.

2.1. Đặc tính chuỗi thời gian của dữ liệu cảm biến ô tô

Dữ liệu thu nhận từ cổng OBD-II mang bản chất chuỗi thời gian rời rạc liên tục theo từng chu kỳ lấy mẫu. Mỗi thông số cảm biến như tốc độ vòng tua (RPM), nhiệt độ động cơ hay lưu lượng khí nạp phản ánh trực tiếp trạng thái cơ nhiệt tức thời. Giá trị tại thời điểm hiện tại luôn có mối tương quan phi tuyến với các trạng thái liền kề trong quá khứ. Việc phân tích chuỗi thời gian cho phép phát hiện sớm độ trôi của cảm biến và sự suy giảm hiệu suất. Mô hình dự đoán chuỗi thời gian giúp nhận diện sớm xu hướng biến thiên bất thường trước khi vượt ngưỡng nguy hiểm.

2.2. Hạn chế của hệ thống chẩn đoán mã lỗi truyền thống

Hệ thống chẩn đoán truyền thống chủ yếu hoạt động dựa trên cơ chế kích hoạt mã lỗi DTC khi một tham số vượt ngưỡng giới hạn. Cơ chế này mang tính bị động và chỉ ghi nhận sự cố sau khi hư hỏng vật lý đã xuất hiện. Người vận hành phương tiện không nhận được cảnh báo sớm để có biện pháp can thiệp kịp thời. Hơn nữa, việc phát hiện sự cố muộn thường dẫn đến hư hỏng dây chuyền cho các cụm chi tiết liên quan. Do đó, việc xây dựng mô hình cảnh báo chủ động dựa trên phân tích dữ liệu liên tục là giải pháp khắc phục triệt để nhược điểm này.

III. Giải pháp xây dựng phần mềm dự đoán tình trạng xe chuẩn OBD II

Để giải quyết các hạn chế nêu trên, đề tài luận văn thạc sĩ tại IUH đề xuất giải pháp kiến trúc phần mềm tích hợp hoàn chỉnh. Phần mềm gồm ba thành phần cốt lõi: module thu thập và truyền thông dữ liệu OBD-II, module tiền xử lý và dự đoán toán học, cùng giao diện tương tác người dùng. Quá trình truyền thông khai thác giao thức kết nối Bluetooth hoặc Wi-Fi nhằm truyền trực tiếp dữ liệu từ cổng OBD-II về máy chủ và thiết bị đầu cuối. Về mặt thuật toán, dữ liệu cảm biến được chuẩn hóa về thang giá trị [0, 1] để loại bỏ sự khác biệt về đơn vị đo. Hệ thống tích hợp các mô hình hồi quy và phân tích chuỗi thời gian nhằm ước tính trạng thái hoạt động trong tương lai. Giao diện phần mềm được xây dựng theo kiến trúc ứng dụng đơn trang (SPA) trên nền tảng Angular. Giao thức WebSockets hoặc MQTT bảo đảm luồng dữ liệu thời gian thực được hiển thị liên tục, trực quan và không có độ trễ lớn. Giải pháp này tối ưu hóa khả năng giám sát từ xa và hỗ trợ người dùng đưa ra quyết định bảo dưỡng chính xác.

3.1. Kỹ thuật tiền xử lý dữ liệu và thuật toán dự đoán

Quá trình tiền xử lý đóng vai trò quyết định đến độ tin cậy của mô hình toán học. Dữ liệu thô từ cổng OBD-II được lọc bỏ các điểm dị biệt và làm mịn bằng các bộ lọc tín hiệu số. Bước chuẩn hóa (Normalization) đưa toàn bộ tham số về khoảng giá trị thống nhất nhằm tăng tốc độ hội tụ của thuật toán. Đề tài áp dụng mô hình dự đoán chuỗi thời gian để ước lượng giá trị cảm biến tại thời điểm tiếp theo dựa trên chuỗi quan sát quá khứ. Giải pháp này giúp phát hiện xu hướng tăng nhiệt bất thường hoặc quá tải động cơ trước khi xảy ra sự cố cơ khí.

3.2. Thiết kế kiến trúc phần mềm và giao diện giám sát SPA

Kiến trúc phần mềm được phân tách thành các tầng dịch vụ độc lập nhằm đảm bảo tính mở rộng và bảo mật. Phía giao diện người dùng (Frontend) được phát triển bằng khung làm việc Angular dưới dạng ứng dụng đơn trang. Bố cục bảng điều khiển sử dụng hệ thống lưới linh hoạt, hiển thị trực quan các đồng hồ đo thông số động cơ. Giao thức WebSockets và MQTT đảm nhiệm việc truyền dữ liệu thời gian thực giữa máy chủ và giao diện. Ngoài ra, phần mềm tích hợp bản đồ số thông qua API định vị, hỗ trợ theo dõi vị trí và vẽ lại lịch sử hành trình chi tiết của phương tiện.

IV. Kết luận và ứng dụng thực tiễn của phần mềm cảnh báo sớm ô tô

Công trình nghiên cứu luận văn thạc sĩ kỹ thuật ô tô tại IUH đã hoàn thành mục tiêu xây dựng phần mềm dự đoán và cảnh báo sớm tình trạng kỹ thuật xe qua cổng OBD-II. Kết quả thử nghiệm chứng minh phần mềm có khả năng thu thập tín hiệu ổn định và xử lý dữ liệu với độ chính xác cao. Các thuật toán dự đoán chuỗi thời gian phản ánh đúng xu hướng làm việc của động cơ trong điều kiện vận hành thực tế. Giải pháp mang lại giá trị ứng dụng to lớn cho ngành giao thông vận tải và dịch vụ kỹ thuật ô tô. Đối với chủ xe cá nhân, ứng dụng giúp chủ động theo dõi sức khỏe xe, ngăn ngừa hư hỏng nặng và nâng cao an toàn lái xe. Đối với các doanh nghiệp vận tải, phần mềm là công cụ đắc lực để quản lý đội xe từ xa, theo dõi hành trình và tối ưu hóa chi phí vận hành. Hướng phát triển tiếp theo của đề tài là tích hợp các mạng nơ-ron học sâu phức tạp hơn như LSTM và mở rộng khả năng tương thích với nhiều dòng xe khác nhau.

4.1. Giá trị thực tiễn trong quản lý đội xe và bảo dưỡng

Phần mềm mang lại bước đột phá trong công tác quản lý phương tiện vận tải. Doanh nghiệp có thể giám sát đồng thời nhiều xe theo thời gian thực trên cùng một hệ thống trung tâm. Dữ liệu lộ trình và mức tiêu hao nhiên liệu được ghi nhận chính xác, hỗ trợ tối ưu chi phí vận hành. Các cảnh báo kỹ thuật gửi về máy chủ giúp bộ phận kỹ thuật lên kế hoạch bảo dưỡng định kỳ khoa học. Việc chủ động thay thế chi tiết trước khi hỏng hóc giúp phương tiện luôn trong tình trạng sẵn sàng vận hành, hạn chế tối đa thời gian dừng xe.

4.2. Tiềm năng phát triển và tích hợp trí tuệ nhân tạo

Đề tài mở ra tiềm năng lớn cho việc ứng dụng trí tuệ nhân tạo chuyên sâu vào ngành ô tô. Trong tương lai, hệ thống có thể tích hợp các mô hình mạng nơ-ron tái phát (RNN) và LSTM để nâng cao độ chuẩn xác khi dự đoán tuổi thọ còn lại (RUL) của linh kiện. Nền tảng dữ liệu lớn (Big Data) thu thập từ hàng nghìn xe sẽ cho phép tự động tối ưu hóa ngưỡng cảnh báo phù hợp với từng điều kiện địa hình và phong cách lái. Đây là nền tảng quan trọng hướng tới việc xây dựng các hệ thống xe tự hành thông minh và an toàn hơn.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN 1.1 Nghiên cứu trong và ngoài nước 1.1 Nghiên cứu trong nước Trong những năm gần đây, việc ứng dụng giao tiếp qua giao thức OBD-II trong giám sát tình trạng kỹ thuật của xe đã nhận được nhiều sự quan tâm tại Việt Nam. Nghiên cứu [11] ứng dụng thiết bị OBD-II WiFi để nghiên cứu tiêu hao nhiên liệu thực tế của ô tô Hyundai i20, kết quả cho thấy suất tiêu hao nhiên liệu thực tế cao hơn 16% so với công bố của hãng, và tăng đáng kể trong điều kiện đô thị hoặc đèo dốc. Một nghiên cứu khác [1] dẫn đầu đã thiết kế thiết bị đọc dữ liệu động qua OBD-II dựa trên Arduino Uno và Can Bus Shield, áp dụng chẩn đoán theo ngưỡng tín hiệu với thời gian khảo sát nhanh hơn 50 lần so với máy chẩn đoán thông thường, giá thành rẻ hơn 60%. Các tài liệu từ OBD Việt Nam cung cấp hướng dẫn sử dụng máy chẩn đoán cầm tay cho OBD-II.

Tổng thể, nghiên cứu trong nước còn hạn chế về quy mô lớn và ứng dụng học máy, nhưng đang phát triển hướng tới tích hợp IoT và học máy cho giám sát thời gian thực, phù hợp với nhu cầu địa phương[11].2 Nghiên cứu ngoài nước Trong những năm gần đây, cùng với sự phát triển mạnh mẽ của công nghệ Internet vạn vật (IoT), học máy (Machine Learning – ML) và trí tuệ nhân tạo (Artificial Intelligence – AI), việc ứng dụng các kỹ thuật này vào lĩnh vực giám sát, dự đoán và cảnh báo sớm tình trạng xe thông qua chuẩn giao tiếp OBD-II (On-Board Diagnostics II) đã trở thành một hướng nghiên cứu nổi bật. Mục tiêu chính của các công trình này là tăng độ tin cậy vận hành, giảm thiểu thời gian ngừng hoạt động, nâng cao hiệu quả bảo dưỡng và đảm bảo an toàn cho người sử dụng. Dữ liệu thu thập từ cổng OBD-II bao gồm các thông số động cơ, vận tốc, vòng tua, nhiệt độ nước làm mát, mức tiêu thụ nhiên liệu, hay tình trạng khí thải - đóng vai trò nền tảng trong quá trình xây dựng các mô hình dự đoán và phân tích bất thường của hệ thống phương tiện. 1 Theo nghiên cứu [12], việc phân tích xu hướng tiêu thụ nhiên liệu qua OBD-II giúp dự đoán hỏng hóc hệ thống phun nhiên liệu với độ nhạy 91%.

Phương pháp này hiệu quả hơn ngưỡng cố định, nhưng đòi hỏi dữ liệu lịch sử đủ lớn. Nghiên cứu của [13] đã áp dụng mạng nơ-ron sâu để phát hiện bất thường trong hệ thống động cơ, đạt độ chính xác 94%. Dù vậy, phương pháp này phức tạp và cần tài nguyên tính toán lớn, chưa tối ưu cho ứng dụng cá nhân. Một trong những công trình tiêu biểu là nghiên cứu [14] trong đó nhóm tác giả đề xuất phương pháp học máy để phát hiện bất thường không giám sát cho bảo dưỡng dự đoán xe, dựa trên dữ liệu cảm biến thu từ OBD-II như tốc độ động cơ, nhiệt độ nước làm mát và mức tải của động cơ.

Phương pháp này không dựa trên dữ liệu nhãn mà chuyển đổi các chuỗi dữ liệu cảm biến thành ma trận tương quan giữa các tín hiệu, sau đó áp dụng thuật toán Closest-Pair để xác định mức độ sai lệch so với trạng thái vận hành tham chiếu (reference state). Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác 78% và có khả năng phát hiện gần 50% sự cố tiềm ẩn trong vòng 30 ngày, vượt trội hơn các mô hình học sâu tiên tiến như TranAD, đồng thời giảm đáng kể yêu cầu về dữ liệu huấn luyện có nhãn. Nghiên cứu này mở ra hướng đi mới trong việc ứng dụng học không giám sát để phát hiện sớm hư hỏng cơ học mà không cần dữ liệu lỗi lịch sử phong phú. Trong khi đó, nghiên cứu [15] tập trung vào việc phát triển mô hình ra quyết định tối ưu dựa trên học sâu cho hệ thống giám sát sức khỏe xe (Vehicle Health Monitoring System).

Nhóm tác giả tiến hành phân tích tài liệu kỹ thuật và dữ liệu thực nghiệm để xác định 9 thành phần chính dễ bị hỏng của xe (như động cơ, hộp số, hệ thống làm mát, phanh, v.), từ đó xây dựng mô hình mạng nơ-ron ngẫu nhiên (Random Neural Network – NNRW) gồm 4 lớp ẩn để phân loại tình trạng xe thành bốn mức độ: tốt, nhẹ, trung bình và nghiêm trọng. Mô hình đề xuất đạt độ chính xác 95,5%, cao hơn đáng kể so với các thuật toán học máy truyền thống như SVM, KNN và Decision Tree. Kết quả này khẳng định hiệu quả vượt trội của các mô hình học sâu phi tuyến tính trong việc nhận dạng và dự báo mức độ suy giảm hiệu suất của phương tiện. 2 Bên cạnh đó, nghiên cứu [16]đã thực hiện một tổng quan hệ thống (systematic review) về các ứng dụng học máy dựa trên dữ liệu OBD-II trong các lĩnh vực lái xe bền vững, hiệu quả nhiên liệu và an toàn giao thông.

Nghiên cứu này chỉ ra rằng các mô hình tiên tiến như LSTM (Long Short-Term Memory), Random Forest (RF) và XGBoost đang được sử dụng phổ biến nhằm tối ưu hóa hiệu suất động cơ và kiểm soát khí thải. Đặc biệt, mô hình PA-LSTM (Pollutant-Aware LSTM) đạt hệ số xác định R² = 97,58% trong việc dự đoán đồng thời nhiều loại khí ô nhiễm (NO, NO₂, CO, CO₂), cho thấy tiềm năng to lớn của học sâu trong dự đoán đa biến và bảo dưỡng dự đoán dựa trên môi trường. Công trình này nhấn mạnh vai trò của OBD-II như nguồn dữ liệu trọng yếu phục vụ phân tích hành vi vận hành và phát thải của xe, hướng đến mục tiêu phát triển giao thông thông minh và bền vững. Một hướng nghiên cứu của [17] đáng chú ý là mô hình bảo dưỡng dự đoán tích hợp học sâu kết hợp giữa LSTM và thuật toán phân cụm K-means nhằm phân tích dữ liệu thời gian thực từ OBD-II trong điều kiện không có nhãn.

Mô hình này cho phép phân nhóm các trạng thái vận hành của xe và đồng thời dự đoán xu hướng thay đổi thông số động cơ theo thời gian, đạt giá trị R² = 97,5% trong đánh giá thực nghiệm. So với các mô hình riêng lẻ như GRU (Gated Recurrent Unit) hay RNN (Recurrent Neural Network), mô hình lai ghép này thể hiện hiệu quả cao hơn trong việc nắm bắt động học phức tạp của hệ thống cơ điện tử, giúp giảm thiểu sự cố bất ngờ và kéo dài tuổi thọ của phương tiện. Tổng hợp các nghiên cứu trên cho thấy xu hướng quốc tế đang chuyển dịch từ mô hình bảo dưỡng phản ứng sang mô hình bảo dưỡng dự đoán chủ động dựa trên học máy và dữ liệu OBD-II. Các phương pháp hiện đại không chỉ hướng đến độ chính xác cao trong dự báo lỗi mà còn chú trọng khả năng triển khai thực tế, mở rộng và tự động hóa, giúp tối ưu hóa chi phí, nâng cao độ an toàn và kéo dài tuổi thọ phương tiện.

Đây chính là nền tảng lý luận và thực tiễn quan trọng cho các nghiên cứu và phát triển hệ thống dự đoán và cảnh báo sớm tình trạng xe thông minh trong bối cảnh cách mạng công nghiệp 4. 3 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Thông số kỹ thuật, dự đoán và ngưỡng cảnh báo Các thông số kỹ thuật trong hệ thống OBD-II là các dữ liệu thu thập từ cảm biến, phản ánh tình trạng vận hành của xe, bao gồm cả xe động cơ đốt trong và xe điện. Những thông số này được sử dụng để đặt ngưỡng cảnh báo, dự đoán tình trạng tương lai dựa trên phân tích dữ liệu, và hỗ trợ ra quyết định bảo dưỡng. Phương pháp dự đoán thường dựa trên các kỹ thuật như ngưỡng cố định phân tích xu hướng, và học máy, nhằm phát hiện bất thường sớm để tránh hỏng hóc lớn, giảm chi phí và tăng an toàn.

Ví dụ, ngưỡng cảnh báo có thể được định nghĩa bằng công thức đơn giản như: Nếu giá trị đo 𝑣 > 𝑣𝑚𝑎𝑥 hoặc 𝑣 < 𝑣𝑚𝑖𝑛 , thì kích hoạt cảnh báo, trong đó 𝑣𝑚𝑎𝑥 và 𝑣𝑚𝑖𝑛 là giới hạn dựa trên tiêu chuẩn nhà sản xuất hoặc quy định môi trường như California Air Resources Board (CARB)[16]. Phương pháp áp đụng trên các thông số kỹ thuật để phân tích dữ liệu dựa theo Bảng 2. Thông số kỹ thuật của xe động cơ đốt trong Thông số OBD-II Dự đoán/Cảnh báo Tốc độ động cơ Động cơ vượt ngưỡng Tốc độ xe Cảnh báo vi phạm vận tốc bất thường Nhiệt độ nước làm mát Quá nhiệt động cơ Áp suất khí nạp Áp suất tăng bất thường Nhiên liệu tiêu thụ L/100km Lượng tiêu hao nhiên liệu tăng bất thường Nhiệt độ khí nạp Nhiệt độ khí nạp quá nóng Mã lỗi Cảnh báo lỗi Bảng 2. Thông số kỹ thuật của xe điện 4 Thông số OBD-II Dự đoán/Cảnh báo Dung lượng pin Dung lượng pin giảm bất thường Tốc độ xe Cảnh báo vượt ngưỡng an toàn Quãng đường còn lại Cảnh báo quãng đường giảm nhanh bất thường Chế độ lái ECO: pin giảm không như dự kiến Điện áp pin Cảnh báo điện áp không ổn định Nhiệt độ pin Nhiệt độ pin quá cao Cường độ dòng điện pin Cảnh báo cường độ dòng bất thường 2.2 Kiến trúc và các thành phần chính Kiến trúc của hệ thống truyền thông MQTT bao gồm ba thành phần cơ bản: Publisher: Thiết bị OBD-II tích hợp module 4G, đóng vai trò phát dữ liệu cảm biến (như RPM, nhiệt độ, DTCs, GPS) tới các chủ đề (Topic) cụ thể trên Broker[18].

Broker: Máy chủ trung gian (ví dụ: Mosquitto, HiveMQ) có nhiệm vụ nhận, lưu tạm, lọc và phân phối thông điệp đến các Subscriber phù hợp. Broker có khả năng xử lý đồng thời hàng nghìn kết nối từ các phương tiện[11], [19]. Subscriber: Máy chủ đám mây hoặc ứng dụng phân tích dữ liệu, đăng ký nhận thông điệp từ các Topic mà nó quan tâm để tiến hành xử lý và lưu trữ[18]. Mỗi Topic trong MQTT là một chuỗi ký tự phân cấp, ví dụ: vehicle/VIN123456789/obd/rpm Chuỗi này giúp định tuyến dữ liệu linh hoạt, đảm bảo khả năng mở rộng cho hệ thống đa xe[18].

Kiến trúc MQTT cho hệ thống OBD-II 2.1 Cơ chế hoạt động Luồng hoạt động của MQTT trong hệ thống được mô tả qua bốn giai đoạn chính: Kết nối: Thiết bị OBD-II và máy chủ khởi tạo phiên kết nối TCP/IP tới Broker, đồng thời kích hoạt mã hóa TLS/SSL để bảo mật đường truyền[18]. Đăng ký (Subscribe): Máy chủ gửi gói SUBSCRIBE tới Broker để nhận dữ liệu từ các Topic cụ thể, ví dụ: vehicle/VIN123456789/obd/rpm. Công bố (Publish): Thiết bị OBD-II gửi gói PUBLISH chứa dữ liệu (thường ở dạng JSON) tới Broker. Chuyển tiếp (Forwarding): Broker phân phối gói dữ liệu đến các Subscriber tương ứng với Topic đã đăng ký.

Ví dụ gói tin MQTT: { "topic": "vehicle/VIN123456789/obd/rpm", "payload": { "timestamp": "2025-10-09T22:15:00+07:00", "rpm": 2500, "vehicle_id": "VIN123456789" 6 }, "qos": 1 } 2.