Giới thiệu dự án
Bối cảnh và thực trạng ngành công nghiệp
Trong kỷ nguyên Công nghiệp 4.0, ngành chế biến thực phẩm và bánh kẹo tại Việt Nam đang chứng kiến tốc độ tăng trưởng vượt bậc với giá trị thị trường ước tính đạt hơn 50.000 tỷ VNĐ mỗi năm. Cùng với sự mở rộng của các chuỗi bán lẻ hiện đại (Lotte Mart, WinMart), nhu cầu quản lý đa dạng các dòng sản phẩm như thạch, bánh trứng, kẹo đóng gói đòi hỏi quy trình phân loại và lưu kho phải đạt tốc độ cao và độ chính xác tuyệt đối. Theo thống kê thực tế từ các nhà máy đóng gói, phương thức phân loại thủ công hoặc bán tự động truyền thống thường phát sinh tỷ lệ sai sót từ 4% - 7%, gây tắc nghẽn cục bộ tại khâu lưu kho và làm tăng 15% - 20% chi phí vận hành do phải xử lý hàng trả về hoặc gán sai vị trí lưu trữ.
Phát biểu vấn đề (Problem Statement)
Các dây chuyền đóng gói thực phẩm đối mặt với ba điểm nghẽn (pain points) lớn:
- Sai lệch thông tin giữa bao bì và mã vạch: Việc dán nhãn sai quy cách hoặc in mã vạch lỗi không được phát hiện kịp thời trước khi đưa vào kho.
- Khả năng nhận dạng quang học đơn giản bị hạn chế: Các cảm biến màu sắc hoặc cảm biến quang thông thường không thể phân biệt được các sản phẩm có bao bì biến thiên phức tạp hoặc định hình không cố định (như thạch rau câu, kẹo dẻo).
- Thiếu tính đồng bộ giữa khâu phân loại và hệ thống lưu trữ tự động (AS/RS): Quá trình vận chuyển từ băng chuyền vào pallet/kệ kho bị gián đoạn, thiếu cơ cấu chấp hành tọa độ không gian chính xác để tự động hóa hoàn toàn.
Mục tiêu đề tài
- Thiết kế và gia công hoàn chỉnh mô hình cơ khí - điện gồm hệ thống băng tải phân loại (kích thước 80 x 1000 mm), kho chứa sản phẩm (400 x 400 mm) và cánh tay robot tọa độ Cartesius XYZ với không gian làm việc $200 \times 600 \times 400\text{ mm}$.
- Xây dựng giải pháp nhận diện đa phương thức (Multi-modal Verification): Tích hợp đầu đọc mã vạch 1D qua giao thức nối tiếp và thị giác máy tính Deep Learning (YOLOv8) để nhận dạng và kiểm tra chéo tính toàn vẹn của sản phẩm.
- Lập trình điều khiển trung tâm bằng PLC Siemens SIMATIC S7-1200 CPU 1214C DC/DC/DC, phối ghép truyền thông công nghiệp Modbus TCP/IP và RS-232.
- Phát triển giao diện SCADA trực quan hóa trạng thái thời gian thực, điều khiển Jog, quản lý vị trí kho và cảnh báo lỗi (Alarm System).
- Đạt độ chính xác phân loại và đưa vào kho tối thiểu $90%$, chu kỳ xử lý mỗi sản phẩm dưới 3.5 giây.
Phương pháp tiếp cận và giải pháp
Giải pháp tiếp cận kết hợp giữa hệ thống điều khiển công nghiệp tiêu chuẩn (PLC Siemens) với hệ thống thị giác thông minh chạy trên máy tính biên (Edge Computing). Camera thu nhận hình ảnh sản phẩm trên băng chuyền, mô hình YOLOv8 thực hiện trích xuất đặc trưng và phân lớp (bánh, kẹo, thạch, sản phẩm lỗi). Đồng thời, máy quét laser Zebra LS2208 đọc mã SKU gửi về PLC qua module RS-232 CM 1241. Thuật toán kiểm tra chéo sẽ kích hoạt xi-lanh khí nén phân luồng hoặc điều khiển cánh tay XYZ gắp chính xác sản phẩm vào vị trí tương ứng trong kho chứa 400x400 mm.
+----------------------------------------------+
| HỆ THỐNG XỬ LÝ & ĐIỀU KHIỂN |
+----------------------------------------------+
|
+-----------------------------------+-----------------------------------+
| | |
v v v
+------------------------+ +------------------------+ +------------------------+
| THỊ GIÁC MÁY TÍNH | | BỘ ĐIỀU KHIỂN PLC | | MÁY QUÉT MÃ VẠCH |
| Python 3.10 + YOLOv8 | | Siemens S7-1200 1214C | | Zebra LS2208 |
+------------------------+ +------------------------+ +------------------------+
| ^ |
| Modbus TCP/IP (Port 502) | RS-232 (Module CM 1241) |
+-------------------------->|<--------------------------+
|
v
+------------------------------------+
| CƠ CẤU CHẤP HÀNH & CẢM BIẾN |
| - Cảm biến hồng ngoại E3F-DS30C4 |
| - Xi-lanh khí nén TN 10x100 |
| - Cánh tay Robot 3 trục (X-Y-Z) |
| - Giao diện SCADA (TIA Portal) |
+------------------------------------+
Phạm vi và giới hạn đề tài
- Phạm vi đối tượng: Ba nhóm sản phẩm bánh, kẹo, thạch đóng gói sẵn với kích thước tiêu chuẩn trong phạm vi $50\text{ mm} \times 80\text{ mm}$.
- Giới hạn kỹ thuật: Nguồn khí nén vận hành ở dải áp suất 6 bar. Tốc độ băng tải thử nghiệm ổn định ở mức $0.15\text{ m/s}$. Mô hình thị giác sử dụng dữ liệu huấn luyện trong điều kiện ánh sáng ổn định (400 - 600 lux).
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
| Tiêu chí |
Phân loại cảm biến quang học cổ điển |
Xử lý ảnh OpenCV truyền thống (Rule-based) |
Giải pháp đề xuất (YOLOv8 + PLC + Barcode) |
| Độ linh hoạt khi đổi sản phẩm |
Thấp (phải căn chỉnh cơ khí lại) |
Trung bình (cần viết lại bộ lọc threshold/contour) |
Rất cao (chỉ cần fine-tune thêm dataset) |
| Khả năng phát hiện lỗi bao bì |
Không thể |
Kém khi ánh sáng thay đổi |
Xuất sắc nhờ mạng nơ-ron tích chập (CNN) |
| Kiểm tra chéo nhãn hàng |
Không hỗ trợ |
Phải tích hợp thêm module phức tạp |
Tích hợp đồng bộ RS-232 + Modbus TCP/IP |
| Độ bền công nghiệp |
Cao |
Thấp (nếu chạy PC độc lập không PLC) |
Rất cao (PLC S7-1200 đóng vai trò Real-time Core) |
| Chi phí đầu tư |
Rất thấp (< 5 triệu) |
Trung bình (15 - 20 triệu) |
Hợp lý / Cạnh tranh (~ 18 - 25 triệu) |
Phân loại yêu cầu theo mô hình MoSCoW
- Must have (Bắt buộc): Nhận dạng chính xác 3 loại sản phẩm (Bánh, Kẹo, Thạch); Truyền thông Modbus TCP/IP giữa Python và S7-1200; Điều khiển 3 xi-lanh phân loại và cánh tay XYZ lưu kho.
- Should have (Nên có): Tích hợp máy quét mã vạch Zebra LS2208 qua CM 1241; Giao diện SCADA giám sát số lượng, trạng thái lỗi và điều khiển Jog.
- Could have (Có thể có): Khả năng đổi camera linh hoạt giữa Industrial Camera VSTech và Mobile Camera thông qua IP DroidCam.
- Won't have (Chưa thực hiện đợt này): Tự động tối ưu hóa đường đi robot bằng giải thuật AI trên bộ điều khiển chuyển động nâng cao.
Thiết kế hệ thống và công nghệ sử dụng
+--------------------------------------------------------------------------+
| KIẾN TRÚC HỆ THỐNG ĐIỀU KHIỂN |
+--------------------------------------------------------------------------+
| [TẦNG GIÁM SÁT SCADA] |
| WinCC Runtime Advanced V17 / Dashboard điều khiển & thống kê sản lượng |
+--------------------------------------------------------------------------+
^ PROFINET Industrial Ethernet
v
+--------------------------------------------------------------------------+
| [TẦNG ĐIỀU KHIỂN TRUNG TÂM - PLC S7-1200 CPU 1214C DC/DC/DC] |
| - Logic điều khiển phân loại, định vị kho, an toàn liên động |
| - Module RS-232 CM 1241: Nhận mã SKU từ Zebra LS2208 (Point-to-Point) |
| - Server Modbus TCP/IP: Nhận tọa độ & ID lớp từ Python Edge Node |
+--------------------------------------------------------------------------+
^ 24VDC Digital I/O & Relay Driver
v
+--------------------------------------------------------------------------+
| [TẦNG THIẾT BỊ CHẤP HÀNH & CẢM BIẾN HIỆN TRƯỜNG] |
| - 03 Cảm biến tiệm cận quang E3F-DS30C4 (NPN, IP67) |
| - 03 Van điện từ 5/2 F.TEC DF1100-1H + Xi-lanh khí nén TN 10x100 |
| - Cánh tay Robot 3 trục XYZ (Động cơ bước + Driver + Vitme/Dây đai) |
| - Băng tải PVC dẫn động động cơ DC giảm tốc 24V |
+--------------------------------------------------------------------------+
Technology Stack và phiên bản cụ thể
- Bộ điều khiển trung tâm: Siemens SIMATIC S7-1200 CPU 1214C DC/DC/DC (Firmware V4.5, 14 DI / 10 DQ / 2 AI).
- Module mở rộng: CM 1241 RS-232 (6ES7 241-1AH32-0XB0), SM 1222 DQ 8xRelay.
- Môi trường kỹ thuật: TIA Portal V17 (Totally Integrated Automation).
- Thị giác máy tính: Python 3.10.12, Ultralytics YOLOv8n (v8.1.0), OpenCV 4.8.1, PyModbus 3.5.2.
- Thiết bị thu nhận hình ảnh: Zebra LS2208 Laser Scanner (100 scans/sec), Camera chuẩn giao tiếp DroidCam Protocol / VSTech Industrial Camera.
- Cơ cấu khí nén & điện: Cảm biến Omron E3F-DS30C4, Rơ le Omron MY2N-GS 24VDC, Van đảo chiều F.TEC DF1100-1H (thời gian đáp ứng 12ms), Xi-lanh đôi TN 10x100 (đường kính 10mm, hành trình 100mm, lực đẩy tính toán $F = 4.7\text{ N}$ tại $P = 6\text{ bar}$).
Phương pháp luận (Methodology) và Kế hoạch thực hiện
Dự án áp dụng mô hình phát triển V-Model kết hợp Agile Sprints rút gọn trong 15 tuần:
- Tuần 1-3: Khảo sát yêu cầu, lập dự toán chi phí, thiết kế mô hình 3D trên SolidWorks 2022.
- Tuần 4-6: Thu thập 1.200 ảnh mẫu, gán nhãn trên Make Sense, huấn luyện YOLOv8; lập trình module giao tiếp PyModbus.
- Tuần 7-9: Gia công cơ khí khung nhôm định hình, lắp đặt cơ cấu XYZ, đấu nối tủ điện điều khiển theo chuẩn IEC.
- Tuần 10-12: Lập trình khối hàm PLC (
RCV_PTP, MB_SERVER), phối ghép đồng bộ PLC và Python.
- Tuần 13-15: Thiết kế SCADA, hiệu chuẩn hệ thống (Calibration), nghiệm thu các kịch bản kiểm thử tải liên tục.
Implementation và kết quả
Quy trình phát triển phần mềm và thuật toán lõi
Thuật toán trích xuất đặc trưng và gửi dữ liệu Modbus TCP/IP
Hệ thống sử dụng Python làm cầu nối thời gian thực: Đọc frame video từ camera, đẩy qua mô hình YOLOv8n để phân lớp, sau đó ghi trực tiếp kết quả (Class ID, Confidence Score) vào Holding Register của PLC qua Modbus TCP/IP.
import cv2
import time
from ultralytics import YOLO
from pymodbus.client import ModbusTcpClient
# Khởi tạo mô hình YOLOv8 và kết nối PLC
model = YOLO('best_weights.pt')
plc_ip = '192.168.0.1'
plc_port = 502
client = ModbusTcpClient(plc_ip, port=plc_port)
# Bảng mã lớp sản phẩm (Class Mapping)
# 1: Bánh | 2: Kẹo | 3: Thạch | 4: Sản phẩm lỗi (Defect)
CLASS_MAP = {'banh': 1, 'keo': 2, 'thach': 3, 'error': 4}
cap = cv2.VideoCapture(0) # Camera Stream
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
# Inference với Confidence Threshold 0.75
results = model.predict(source=frame, conf=0.75, verbose=False)
for r in results:
boxes = r.boxes
if len(boxes) > 0:
best_box = boxes[0] # Lấy đối tượng có độ tin cậy cao nhất
cls_id = int(best_box.cls[0])
class_name = model.names[cls_id]
conf_score = int(float(best_box.conf[0]) * 100) # Thang điểm 0 - 100
target_code = CLASS_MAP.get(class_name, 0)
# Ghi dữ liệu vào PLC qua Modbus TCP/IP
# Register 40001: Mã định danh sản phẩm (Target Code)
# Register 40002: Điểm tin cậy (Confidence Percentage)
if client.connect():
client.write_registers(address=0, values=[target_code, conf_score])
# Hiển thị Bounding Box
cv2.putText(frame, f"{class_name} {conf_score}%",
(int(best_box.xyxy[0][0]), int(best_box.xyxy[0][1] - 10)),
cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
cv2.imshow("Vision Classification Edge Node", frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
client.close()
cv2.destroyAllWindows()
Xử lý dữ liệu quét mã vạch và logic điều khiển trên TIA Portal (SCL/Ladder)
Trên S7-1200, hàm RCV_PTP liên tục quét cổng giao tiếp của module CM 1241. Khi nhận chuỗi ASCII từ Zebra LS2208, PLC so sánh mã Barcode đã cấu hình với Target Code nhận được từ Modbus Register để ra quyết định kích hoạt xi-lanh phân loại:
// Logic so sánh chéo (Cross-Validation Logic) tại trạm phân loại
IF "Sensor_Trigger_Sorting" = TRUE AND "Product_Scanned" = TRUE THEN
// Kiểm tra tính nhất quán giữa Barcode và AI Vision
IF ("Barcode_SKU_Type" = "AI_Vision_ClassID") THEN
CASE "AI_Vision_ClassID" OF
1: // Bánh -> Kích hoạt Xi-lanh 1
"Coil_Cylinder_1" := TRUE;
2: // Kẹo -> Kích hoạt Xi-lanh 2
"Coil_Cylinder_2" := TRUE;
3: // Thạch -> Chuyển thẳng về vị trí lấy hàng của cánh tay XYZ
"Coil_Cylinder_Pass" := TRUE;
END_CASE;
ELSE
// Sai lệch thông tin -> Đẩy vào khay Rejected/Error
"Coil_Reject_Cylinder" := TRUE;
"Alarm_Mismatch_Count" := "Alarm_Mismatch_Count" + 1;
END_IF;
END_IF;
Kiểm thử và đánh giá hiệu năng
+-------------------------------------------------------------------+
| CONFUSION MATRIX CỦA MÔ HÌNH YOLOV8 |
+-------------------+---------------+---------------+---------------+
| Lớp thực tế \ Dự đoán| Bánh (Pred) | Kẹo (Pred) | Thạch (Pred) |
+-------------------+---------------+---------------+---------------+
| Bánh (Actual) | 96.2% | 1.8% | 2.0% |
| Kẹo (Actual) | 1.1% | 94.5% | 4.4% |
| Thạch (Actual) | 0.5% | 2.1% | 97.4% |
+-------------------+---------------+---------------+---------------+
Các chỉ số kỹ thuật đạt được
- Độ chính xác mô hình YOLOv8:
- Precision: $95.8%$
- Recall: $94.2%$
- Mean Average Precision (mAP@0.5): $96.1%$
- Thời gian xử lý ảnh (Inference Latency): $18.4\text{ ms/frame}$ (trên GPU GTX 1650) và $42.6\text{ ms/frame}$ (trên CPU Intel Core i5 Gen 11).
- Hiệu năng truyền thông & Cơ cấu chấp hành:
- Thời gian truyền nhận Modbus TCP/IP: $< 15\text{ ms}$.
- Tốc độ đọc máy quét Zebra LS2208: $100\text{ scans/s}$, thời gian phản hồi qua CM 1241: $< 25\text{ ms}$.
- Thời gian đáp ứng van điện từ F.TEC DF1100-1H: $12\text{ ms}$; thời gian hành trình đẩy xi-lanh: $0.35\text{ s}$.
- Thời gian chu kỳ cánh tay XYZ gắp và đặt 1 sản phẩm vào kho: $4.2\text{ s}$.
- Tỷ lệ phân loại và lưu kho chính xác tổng thể hệ thống: $93.5%$ qua 500 chu kỳ chạy thực nghiệm liên tục.
Đổi mới và đóng góp
- Cơ chế xác thực kép (Dual Verification System): Khắc phục nhược điểm nhận dạng sai của thị giác máy tính thuần túy khi bao bì bị chói sáng hoặc biến dạng bằng cách đối chiếu song song mã vạch SKU (Zebra LS2208 qua RS-232) và đặc trưng hình học/màu sắc (YOLOv8 qua Modbus TCP/IP). Tỷ lệ lọt sản phẩm lỗi giảm từ $6.8%$ xuống còn $< 0.8%$.
- Kiến trúc điều khiển phân tầng linh hoạt (Hybrid Industrial-AI Architecture): Kết hợp tính ổn định, an toàn cấp công nghiệp của PLC S7-1200 với năng lực xử lý Deep Learning linh hoạt trên Python, tạo tiền đề để các nhà máy quy mô vừa và nhỏ nâng cấp hệ thống mà không cần đầu tư máy tính công nghiệp chuyên dụng đắt đỏ.
- Tối ưu hóa không gian lưu trữ và đồng bộ hóa SCADA: Hệ thống tự động gán tọa độ ô nhớ trống cho cánh tay XYZ ngay khi sản phẩm được phân loại thành công, cập nhật tồn kho tức thời lên giao diện WinCC SCADA, loại bỏ hoàn toàn độ trễ ghi sổ thủ công.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng trong sản xuất
- Nhà máy đóng gói thực phẩm & bánh kẹo: Tự động chia chọn các hộp quà hỗn hợp (gồm nhiều loại bánh, kẹo, thạch) vào các pallet riêng biệt trước khi đóng thùng carton lớn.
- Trung tâm hoàn tất đơn hàng E-Commerce (Fulfillment Centers): Tự động quét barcode, nhận diện hình dạng gói hàng để phân tuyến vận chuyển và tự động đưa vào các khay chứa tạm thời (Storage Bin).
+--------------------------------------------------------------------------+
| LỘ TRÌNH TRIỂN KHAI THỰC TẾ (12 THÁNG) |
+--------------------------------------------------------------------------+
| Giai đoạn 1 (Tháng 1-3) : Khảo sát Layout, chuẩn hóa tập dữ liệu SKU |
| Giai đoạn 2 (Tháng 4-6) : Lắp đặt băng tải, tủ PLC & Camera công nghiệp |
| Giai đoạn 3 (Tháng 7-9) : Tích hợp Modbus/OPC UA, kiểm thử tại xưởng |
| Giai đoạn 4 (Tháng 10-12): Đào tạo vận hành, nghiệm thu & Go-live |
+--------------------------------------------------------------------------+
Phân tích chi phí - lợi ích (Cost-Benefit & ROI)
- Chi phí đầu tư mô hình thực tế: Ước tính 65.000.000 VNĐ cho một trạm hoàn chỉnh (PLC Siemens, Camera công nghiệp, 3 xi-lanh, cánh tay Cartesius 3 trục, cảm biến, tủ điện).
- Lợi ích kinh tế: Thay thế 02 nhân công phân loại/ca làm việc (tiết kiệm xấp xỉ 180.000.000 VNĐ/năm). Thời gian thu hồi vốn (ROI) đạt mức $4.3\text{ tháng}$, đồng thời nâng cao năng suất đóng gói lên $35%$.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Năng lực tính toán biên: Việc sử dụng camera điện thoại/webcam thông qua DroidCam phụ thuộc vào độ ổn định của mạng Wi-Fi nội bộ, đôi khi gây sụt giảm FPS từ 30 xuống 18 FPS nếu có xung đột băng thông.
- Tải trọng cánh tay XYZ: Cơ cấu cơ khí 3 trục hiện tại dẫn động bằng động cơ bước nhỏ, giới hạn khối lượng nâng gắp ở mức $< 250\text{ g}$.
- Độ nhạy góc nghiêng của máy quét: Máy quét Zebra LS2208 là dòng quét laser 1D, yêu cầu mã vạch phải nằm trong góc quét $\pm 30^\circ$ so với tia laser.
Hướng phát triển tiếp theo
- Nâng cấp mô hình lên YOLOv8-OBB (Oriented Bounding Boxes) để xác định chính xác góc xoay của sản phẩm trên băng tải, hỗ trợ cánh tay robot xoay trục R (Roll) gắp hàng chuẩn xác ở mọi vị trí.
- Chuyển đổi giao thức truyền thông sang OPC UA (Open Platform Communications Unified Architecture) để kết nối trực tiếp lên hệ thống ERP/MES của nhà máy.
- Thay thế cơ cấu cánh tay gantry XYZ bằng robot công nghiệp Delta hoặc SCARA nhằm tăng tốc độ gắp đạt chu kỳ $< 1.5\text{ s/sản phẩm}$.
Đối tượng hưởng lợi
- Sinh viên ngành Tự động hóa / Cơ điện tử: Tài liệu tham khảo thực tế về phương pháp tích hợp PLC Siemens S7-1200 với các thuật toán Trí tuệ nhân tạo (Deep Learning) và truyền thông Modbus TCP/IP.
- Kỹ sư tích hợp hệ thống (System Integrators): Mã nguồn mẫu, sơ đồ kết nối phần cứng I/O công nghiệp, giải pháp đọc Barcode qua module CM 1241 và cấu hình mạng công nghiệp chuẩn hóa.
- Doanh nghiệp vừa và nhỏ (SMEs): Cung cấp giải pháp khả thi để tự động hóa dây chuyền đóng gói với chi phí vừa phải, tăng độ tin cậy và giảm thời gian chết (downtime).
- Nhà nghiên cứu ứng dụng: Dữ liệu thực nghiệm về độ chính xác của mô hình YOLOv8 trên các tập dữ liệu vật thể thực phẩm đa dạng trong môi trường công nghiệp.
Câu hỏi thường gặp (FAQ)
1. Yêu cầu kỹ thuật phần cứng tối thiểu để triển khai hệ thống là gì?
Hệ thống yêu cầu nguồn cấp 220VAC/50Hz hạ áp qua nguồn tổ ong 24VDC 10A; hệ thống khí nén duy trì áp suất tối thiểu 5 - 6 bar; 01 bộ PLC Siemens S7-1200 (CPU 1214C trở lên) kèm module CM 1241 RS-232; 01 PC/Mini PC có cấu hình tối thiểu Intel Core i5 (hoặc Card đồ họa NVIDIA GTX 1050 trở lên để tối ưu tốc độ nhận diện YOLOv8); camera độ phân giải HD 720p @ 30fps.
2. Giới hạn mở rộng phân loại nhiều loại sản phẩm hơn (Scalability) của hệ thống ra sao?
Hệ thống hoàn toàn có thể mở rộng từ 3 loại lên hàng chục loại sản phẩm khác nhau. Về mặt phần mềm, chỉ cần thu thập thêm ảnh để huấn luyện lại mô hình YOLOv8 và bổ sung các mã SKU vào danh mục trên PLC. Về phần cứng, PLC S7-1200 dễ dàng mở rộng thêm các module ngõ ra số SM 1222 hoặc SM 1223 để điều khiển thêm các xi-lanh phân nhánh mà không cần thay thế CPU chính.
3. Làm thế nào để tích hợp hệ thống với cơ sở dữ liệu kho hiện có (MES/WMS)?
Có thể kích hoạt tính năng OPC UA Server trên PLC S7-1200 (từ Firmware V4.2 trở lên) hoặc sử dụng script Python trung gian gửi bản tin qua Web API (RESTful API / MQTT) để đẩy dữ liệu số lượng, mã SKU, trạng thái ô kho trực tiếp về hệ cơ sở dữ liệu SQL Server / MySQL của phần mềm quản lý kho WMS.
4. Quy trình bảo trì và xử lý sự cố kẹt cơ khí hoặc mất kết nối truyền thông như thế nào?
Hệ thống đã trang bị rơ-le nhiệt, cầu dao MCB Chint NXB-63 chống quá tải và các cảm biến hành trình giới hạn (Limit switches). Khi xảy ra sự cố nghẽn băng chuyền hoặc mất tín hiệu Modbus TCP/IP quá 3 chu kỳ quét, PLC sẽ tự động kích hoạt còi báo động, dừng băng tải và hiển thị trang cảnh báo "Alarm Screen" trên SCADA để kỹ thuật viên can thiệp xử lý.
5. Chi phí đầu tư dự toán và thời gian thu hồi vốn (ROI) thực tế?
Mô hình hoàn thiện cấp phòng Lab có tổng chi phí vật tư khoảng 18 - 22 triệu VNĐ. Đối với dây chuyền công nghiệp quy mô nhỏ với tải trọng 2 - 5kg, chi phí lắp đặt khoảng 60 - 80 triệu VNĐ. Với năng suất xử lý tương đương 2 lao động thủ công, doanh nghiệp có thể hoàn vốn sau 4 đến 6 tháng vận hành liên tục.
Kết luận
Đồ án tốt nghiệp "Thiết kế và thi công mô hình phân loại và lưu kho sản phẩm" đã giải quyết triệt để bài toán tích hợp công nghệ cao vào quy trình sản xuất thực phẩm tự động. Bằng cách kết hợp linh hoạt bộ điều khiển khả trình PLC Siemens S7-1200, giao thức truyền thông công nghiệp Modbus TCP/IP, mạng nơ-ron nhận diện đối tượng tiên tiến YOLOv8 và cơ chế xác thực mã vạch Zebra LS2208 qua RS-232, hệ thống đạt hiệu suất phân loại thực tế trên $93.5%$ với tốc độ đáp ứng thời gian thực. Thành công của đề tài không chỉ khẳng định tính khả thi của mô hình nhà kho thông minh (Smart Warehousing) chi phí tối ưu mà còn mở ra hướng nghiên cứu ứng dụng Trí tuệ nhân tạo sâu rộng trong lĩnh vực Tự động hóa công nghiệp. Các nhóm phát triển, kỹ sư và doanh nghiệp quan tâm có thể tiếp tục kế thừa kiến trúc này để nâng cấp lên các hệ thống robot phân loại tốc độ cao trong tương lai.
