Tổng quan nghiên cứu

Cuộc Cách mạng Công nghiệp 4.0 đang thúc đẩy mạnh mẽ quá trình chuyển đổi số trong lĩnh vực sản xuất công nghiệp toàn cầu. Theo báo cáo từ Microsoft vào năm 2021, có tới 94% các doanh nghiệp lớn đã và đang triển khai chiến lược Vạn vật kết nối công nghiệp (IIoT). Quy mô thị trường IIoT thế giới đã đạt 1.177 tỷ USD trong năm 2023 và được dự báo sẽ tăng trưởng vượt bậc lên hơn 2.227 tỷ USD vào năm 2028 theo số liệu của Statista. Tại Việt Nam, Quyết định số 749/QĐ-TTg của Thủ tướng Chính phủ ban hành ngày 03/06/2020 về "Chương trình chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030" đã tạo hành lang pháp lý và động lực quan trọng để các nhà máy đẩy mạnh ứng dụng công nghệ số.

Tuy nhiên, phần lớn các doanh nghiệp sản xuất vừa và nhỏ (SME) trong ngành nhựa Việt Nam hiện nay vẫn vận hành theo phương thức truyền thống. Việc giám sát dữ liệu máy ép phun nhựa phụ thuộc hơn 90% vào kinh nghiệm của công nhân, dữ liệu sản xuất ghi chép thủ công trên Excel và thiếu các công cụ trực quan hóa thời gian thực. Tình trạng này dẫn đến hàng loạt hệ lụy: phế phẩm không được phát hiện kịp thời, công nhân tự ý chỉnh thông số gây hỏng khuôn, và thời gian chết của thiết bị tăng cao.

Nhằm giải quyết triệt để bài toán trên, luận văn thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa của tác giả Phạm Ngọc Hiệu (Trường Đại học Bách Khoa – ĐHQG-HCM, bảo vệ tháng 01/2024 dưới sự hướng dẫn của TS. Trần Ngọc Huy) đã thực hiện đề tài: "Xây dựng nền tảng No-code IIoT Platform kết hợp mô-đun dự báo chất lượng sản phẩm dành cho doanh nghiệp nhựa vừa và nhỏ". Nghiên cứu được triển khai thực nghiệm từ tháng 02/2023 đến tháng 12/2023 tại Công ty Cổ phần Sản xuất Nhựa C.A trên các dòng máy ép phun Haitian. Nền tảng hướng tới mục tiêu cắt giảm 10% đến 30% chi phí vận hành, loại bỏ 100% việc ghi chép thủ công và tối ưu hóa năng lực sản xuất cho doanh nghiệp nhựa SME.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng tích hợp đa tầng giữa công nghệ truyền thông công nghiệp, kiến trúc phần mềm hiện đại và thuật toán học máy:

  1. Giao thức Sparkplug B trên nền MQTT: Khác với các hệ thống SCADA truyền thống dùng cơ chế thăm dò điểm - điểm (polling) dễ nghẽn băng thông, giao thức Sparkplug B kế thừa mô hình Publish/Subscribe của MQTT. Giao thức chuẩn hóa Topic Namespace (spBv1.0), quy định chặt chẽ các gói tin dữ liệu (DDATA, NDATA), lệnh điều khiển (DCMD, NCMD) và cơ chế quản lý trạng thái sống/chết của thiết bị thông qua chứng chỉ khai sinh (NBIRTH, DBIRTH) và báo tử (NDEATH, DDEATH). Nhờ đó, hệ thống tiết kiệm hơn 70% băng thông đường truyền và đảm bảo tính toàn vẹn dữ liệu.
  2. Kiến trúc phần mềm hướng miền (Domain Driven Design - DDD): Máy chủ IoT Server được cấu trúc thành 4 module độc lập gồm Domain (định nghĩa các nghiệp vụ cốt lõi như Node, Device, Tag), Infrastructure (sử dụng Entity Framework Core và Repository Pattern trên SQL Server), Host (xử lý gói tin Sparkplug, đóng gói bằng Docker container) và WebAPI (cung cấp RESTful API và SignalR để truyền dữ liệu thời gian thực).
  3. Mô hình học máy phân loại Support Vector Classifier (SVC): Ứng dụng kỹ thuật phân loại đa lớp (Multi-class Classification) với hàm nhân RBF (Radial Basis Function Kernel). Kỹ thuật này giúp chuyển đổi không gian dữ liệu phi tuyến sang không gian nhiều chiều để tìm ra siêu phẳng phân tách tối ưu với khoảng cách biên (Margin) lớn nhất, hỗ trợ kiểm soát biên mềm (Soft Margin) đối với các điểm dữ liệu nhiễu trong sản xuất thực tế.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm nghiêm ngặt kết hợp giữa thu thập dữ liệu hiện trường và mô hình hóa máy tính:

  • Nguồn dữ liệu và cỡ mẫu: Tập dữ liệu nghiên cứu gồm tổng cộng 6.211 mẫu chu kỳ ép thực tế được trích xuất từ máy ép Haitian trong thời gian từ ngày 23/07/2022 đến ngày 13/08/2022. Dữ liệu được chia thành hai phần độc lập: tập huấn luyện (training set) gồm 5.333 mẫu và tập kiểm tra (test set) gồm 878 mẫu.
  • Phương pháp chọn mẫu: Chọn mẫu liên tục theo chuỗi thời gian đối với 4 thông số kỹ thuật cốt lõi: thời gian ép (130,4 đến 137,5 giây), áp lực phun tối đa (230 đến 240 MPa), vị trí gối đệm (9,0 đến 9,9 mm) và thời gian hóa dẻo (21,5 đến 22,5 giây). Mẫu phản ánh đúng tỷ lệ mất cân bằng dữ liệu thực tế tại nhà máy với 3 nhãn phân loại: Đạt chuẩn (OK - nhãn 0), Thiếu nhựa (NOK filling - nhãn 1) và Thừa bavia (NOK burr - nhãn 2). Tỷ lệ lỗi trong tập huấn luyện chiếm 6,23% (237 mẫu lỗi 1 và 98 mẫu lỗi 2) và tập kiểm tra chiếm 8,40% (48 mẫu lỗi 1 và 26 mẫu lỗi 2).
  • Lý do lựa chọn phương pháp phân tích: Nghiên cứu sử dụng phương pháp kiểm định chéo K-fold Cross Validation (k=5) kết hợp kỹ thuật GridSearch trên Python để tối ưu hóa siêu tham số. Phương pháp SVC với RBF Kernel được lựa chọn vì vượt trội hoàn toàn về khả năng phân tách ranh giới phi tuyến so với Decision Tree, Gaussian Naive Bayes và Mạng nơ-ron nhân tạo (ANN) trên tập dữ liệu sản xuất có độ nhiễu cao.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên mô hình vali demo gồm 3 PLC mô phỏng và hệ thống máy ép thực tế đã chứng minh những phát hiện kỹ thuật nổi bật:

  1. Làm chủ thiết kế phần cứng IoT Gateway biên: Chế tạo thành công bo mạch vi điều khiển tích hợp chip kép ESP32 (Xtensa LX6) và ARM dòng F1. Bo mạch vận hành mượt mà trên nền tảng FreeRTOS với 5 tác vụ độc lập (Main task, App Notifications task, Sparkplug task, GPIO task, MQTT Mess task), thu thập chính xác tín hiệu ngắt chu kỳ ép và thời gian mở cửa máy ép với độ trễ phản hồi dưới 50 mili-giây.
  2. Khả năng cấu hình No-code từ xa toàn diện: Giao diện Web-based SCADA cho phép người dùng khai báo, khởi tạo Node, Device và Tag chỉ bằng thao tác chuột trực quan. Tệp cấu hình Sparkplug được nén và đẩy trực tiếp xuống Gateway biên qua mạng không dây, giúp Gateway tự động giải mã và thiết lập kết nối mà không cần nạp lại firmware hay can thiệp lập trình thủ công.
  3. Hiệu suất dự báo chất lượng vượt trội của mô hình SVC: Trong thử nghiệm so sánh 4 giải thuật học máy với chỉ số sai số căn bậc hai trung bình (RMSE), mô hình SVC đạt RMSE thấp nhất là 0,2429 (vượt trội hơn GaussianNB với 0,2558). Kỹ thuật GridSearch đã xác định bộ tham số tối ưu gồm C=1500, gamma=0.01 và Kernel RBF.
  4. Độ chính xác ấn tượng trên tập kiểm tra thực tế: Đánh giá trên 878 mẫu kiểm tra độc lập, mô hình SVC đạt độ chính xác tổng thể (Accuracy) lên tới 98,975%. Các chỉ số đánh giá chi tiết gồm: Precision đạt 99,00%, Recall đạt 98,97% và điểm F1-Score đạt 0,9897.

Thảo luận kết quả

Hiệu quả phân loại vượt trội của mô hình SVC có thể được giải thích thông qua việc tối ưu hóa không gian 4 chiều của các thông số ép nhựa. Ma trận nhầm lẫn (Confusion Matrix) được trực quan hóa qua biểu đồ nhiệt 3x3 cho thấy mô hình nhận diện chính xác 804/804 mẫu đạt (OK), bắt kịp 46/48 mẫu lỗi thiếu nhựa (NOK filling) và 22/26 mẫu lỗi thừa bavia (NOK burr). Chỉ có một số lượng rất nhỏ các điểm dữ liệu nằm sát ranh giới vùng đệm bị nhầm lẫn do biến thiên nhiệt độ môi trường thực tế tại xưởng ép.

Trên giao diện giám sát, dữ liệu chuỗi thời gian (time-series) được trực quan hóa qua các biểu đồ đường và bảng chỉ số tổng quát Dashboard. Khi một chu kỳ ép kết thúc, thông số áp lực và thời gian được đối soát tự động với vùng biên tiêu chuẩn, giúp phát hiện ngay các bất thường mà không cần chờ đến công đoạn kiểm tra ngoại quan thủ công.

So sánh với các nghiên cứu tiền nhiệm của Muhammad F. Faqih (2021) về tối ưu hóa chu kỳ sản xuất hay Md Abdur Rahman (2023) về khung IIoT kích hoạt bằng AI, luận văn này đã giải quyết triệt để rào cản triển khai tại các doanh nghiệp SME. Việc kết hợp giao thức mở Sparkplug B với cơ chế No-code đã rút ngắn hơn 80% thời gian cấu hình thiết bị hiện trường, đồng thời kiến trúc DDD trên nền Docker giúp máy chủ có khả năng mở rộng xử lý hàng trăm nút mạng đồng thời mà không bị suy giảm hiệu năng.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm và những hạn chế còn tồn tại, luận văn đưa ra 4 nhóm giải pháp cụ thể nhằm hoàn thiện và nhân rộng hệ thống:

  1. Nâng cấp phần cứng xử lý biên: Ban kỹ thuật nhà máy cần thay thế dòng vi điều khiển ESP32 hiện tại bằng các máy tính nhúng công nghiệp (IPC) hoặc chip ARM Cortex-A mạnh mẽ hơn trong vòng 6 tháng tới. Mục tiêu là mở rộng khả năng kết nối trực tiếp với hơn 10 giao thức công nghiệp chuẩn như Modbus TCP/RTU, OPC-UA Server/Client, Ethernet/IP và Omron FINS trên các thế hệ máy ép đời cũ.
  2. Phát triển giao diện cấu hình kéo thả (Drag & Drop): Nhóm phát triển phần mềm cần nâng cấp giao diện quản trị No-code sang cơ chế kéo thả trực quan trong Quý 2/2024. Đồng thời, tích hợp mô hình phân quyền bảo mật đa tầng Role-Based Access Control (RBAC) và chứng thực TLS/SSL nhằm giảm 90% thời gian thiết lập trạm đo cho kỹ thuật viên xưởng.
  3. Triển khai mô hình dự báo trực tuyến (Online Quality Prediction): Bộ phận R&D công nghệ cần nghiên cứu nâng cấp thuật toán từ dạng phân tích ngoại tuyến (Offline) sang dự báo trực tuyến theo dòng dữ liệu (Streaming Data) trước Quý 4/2024. Mục tiêu là đưa ra cảnh báo lỗi ngay trong 22,5 giây đầu tiên của giai đoạn hóa dẻo, giúp giảm tỷ lệ lãng phí nguyên liệu nhựa xuống dưới 2,0%.
  4. Tích hợp sâu vào hệ sinh thái điều hành sản xuất MES và ERP: Ban Giám đốc doanh nghiệp cần xây dựng kế hoạch kết nối cơ sở dữ liệu SQL Server của nền tảng IIoT với các hệ thống hoạch định tài nguyên ERP và điều hành sản xuất MES trong giai đoạn 2024-2025, đặt mục tiêu nâng cao chỉ số hiệu suất thiết bị tổng thể (OEE) từ mức 65% hiện tại lên trên 85%.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng thực tiễn cao, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

  • Ban lãnh đạo và Giám đốc điều hành nhà máy nhựa SME: Tìm kiếm giải pháp chuyển đổi số nhà máy thông minh với chi phí đầu tư thấp, giúp cắt giảm 10% đến 30% chi phí vận hành và số hóa 100% dữ liệu sản xuất theo thời gian thực thay vì phụ thuộc vào báo cáo thủ công.
  • Kỹ sư Tự động hóa và Lập trình hệ thống nhúng: Tham khảo bản vẽ thiết kế phần cứng bo mạch vi điều khiển ESP32 kết hợp ARM F1, cấu trúc lập trình 5 luồng tác vụ trên hệ điều hành FreeRTOS và giải pháp giải mã gói tin Sparkplug B MQTT chuẩn công nghiệp.
  • Kiến trúc sư phần mềm và Lập trình viên IoT: Nắm bắt phương pháp triển khai kiến trúc hướng miền (DDD) phân tách 4 module trên C# .NET Core, kỹ thuật đóng gói Docker container và ứng dụng SignalR để xây dựng hệ thống SCADA trên nền Web có độ trễ dưới 1 giây.
  • Học viên cao học và Nhà nghiên cứu khoa học dữ liệu công nghiệp: Khai thác bộ quy trình tiền xử lý dữ liệu ép nhựa trên tập mẫu 6.211 bản ghi, kỹ thuật tinh chỉnh siêu tham số GridSearch và phương pháp ứng dụng SVC với RBF Kernel trên tập dữ liệu mất cân bằng có tỷ lệ lỗi dưới 10%.

Câu hỏi thường gặp

Nền tảng No-code IIoT trong luận văn khác biệt như thế nào so với SCADA truyền thống?
Thay vì sử dụng cơ chế thăm dò điểm - điểm gây nghẽn băng thông và đòi hỏi chuyên gia lập trình cấu hình phức tạp, nền tảng sử dụng giao thức Sparkplug B MQTT theo cơ chế Publish/Subscribe. Người vận hành chỉ cần vài thao tác khai báo trên giao diện web là tệp cấu hình tự động gửi xuống Gateway biên, giúp tiết kiệm hơn 70% băng thông truyền thông và giảm 80% thời gian cài đặt.

Tại sao thuật toán Support Vector Classifier (SVC) lại vượt trội hơn Mạng nơ-ron (ANN) trong nghiên cứu này?
Trong thử nghiệm đối chuẩn với 4 thuật toán, SVC với RBF Kernel (C=1500, gamma=0.01) đạt chỉ số RMSE thấp nhất là 0,2429, vượt trội hơn GaussianNB (0,2558). Với kích thước tập dữ liệu 5.333 mẫu huấn luyện, SVC xử lý tối ưu không gian phân tách phi tuyến và hạn chế hiện tượng quá khớp (overfitting) tốt hơn nhiều so với Mạng nơ-ron nhân tạo.

Bo mạch IoT Gateway tự thiết kế đảm bảo an toàn dữ liệu ra sao khi xảy ra sự cố mạng?
Bo mạch được trang bị vi điều khiển kép ESP32 và chip ARM F1 chạy hệ điều hành FreeRTOS. Khi đường truyền không dây bị gián đoạn, tác vụ GPIO task sẽ tự động chuyển hướng lưu trữ dữ liệu chu kỳ ép vào thẻ nhớ SD cục bộ. Khi kết nối MQTT được khôi phục, chứng chỉ NBIRTH/DBIRTH sẽ tái lập và đẩy toàn bộ dữ liệu lưu đệm lên máy chủ mà không làm mất mát thông tin.

Hệ thống xử lý bài toán mất cân bằng dữ liệu giữa sản phẩm đạt và phế phẩm như thế nào?
Trong thực tế sản xuất, tỷ lệ sản phẩm lỗi chỉ chiếm 6,23% ở tập huấn luyện và 8,40% ở tập kiểm tra. Nghiên cứu đã sử dụng kỹ thuật kiểm soát biên mềm của SVC kết hợp đánh giá toàn diện bằng F1-Score (đạt 0,9897), Recall (đạt 0,9897) và Precision (đạt 0,9900) thay vì chỉ nhìn vào Accuracy, đảm bảo hệ thống nhận diện chính xác cả lỗi thiếu nhựa và thừa bavia.

Kiến trúc Domain Driven Design (DDD) mang lại lợi ích gì cho máy chủ IoT Server?
Kiến trúc DDD chia tách hệ thống thành 4 module độc lập gồm Domain, Infrastructure, Host và WebAPI. Cấu trúc này giúp cô lập logic nghiệp vụ thiết bị, cho phép đóng gói module Host vào Docker container để xử lý hàng triệu bản ghi mà không gây nghẽn hệ thống, đồng thời hỗ trợ kết nối mở rộng linh hoạt với các phần mềm thứ cấp trong tương lai.

Kết luận

  • Xây dựng thành công nền tảng No-code IIoT hoàn chỉnh từ phần cứng Gateway biên (ESP32 và ARM F1) đến máy chủ Domain Driven Design trên nền giao thức Sparkplug B MQTT.
  • Xóa bỏ hoàn toàn phương thức báo cáo Excel thủ công, số hóa 100% dữ liệu chu kỳ ép thời gian thực từ các dòng máy ép phun Haitian tại nhà máy sản xuất.
  • Huấn luyện thành công mô hình học máy SVC RBF đạt độ chính xác phân loại 98,975% và điểm F1-Score đạt 0,9897 trên tập 878 mẫu kiểm tra độc lập.
  • Xác lập bộ 4 thông số ép kỹ thuật tiêu chuẩn (thời gian ép, áp lực phun, vị trí đệm, thời gian hóa dẻo) làm tiền đề nhận diện lỗi sản phẩm tự động.
  • Hoàn thiện lộ trình nâng cấp hệ thống sang cơ chế dự báo chất lượng trực tuyến và tích hợp hệ thống điều hành sản xuất MES/ERP trong giai đoạn 2024-2025.

Luận văn thạc sĩ của tác giả Phạm Ngọc Hiệu (Trường Đại học Bách Khoa – ĐHQG-HCM, 2024) là tài liệu tham khảo khoa học xuất sắc, mở ra hướng đi thực tiễn và tiết kiệm chi phí cho các doanh nghiệp sản xuất nhựa vừa và nhỏ trên con đường hiện đại hóa nhà máy thông minh. Quý bạn đọc, kỹ sư và doanh nghiệp quan tâm có thể tra cứu toàn văn luận văn tại thư viện nhà trường hoặc liên hệ nhóm nghiên cứu để nhận hỗ trợ tư vấn chuyển giao công nghệ.