Tổng quan nghiên cứu

Cuộc cách mạng công nghiệp lần thứ tư đang thúc đẩy mạnh mẽ quá trình chuyển đổi số trong lĩnh vực sản xuất công nghiệp. Theo báo cáo từ tập đoàn Microsoft, khoảng 94% doanh nghiệp sản xuất toàn cầu đã và đang triển khai chiến lược Industrial Internet of Things (IIoT). Báo cáo thống kê của Statista cũng chỉ ra rằng quy mô thị trường IIoT toàn cầu đã đạt 1.177 tỷ USD vào năm 2023 và được dự báo sẽ vượt mốc 2.227 tỷ USD vào năm 2028. Tại Việt Nam, Quyết định số 749/QĐ-TTg của Thủ tướng Chính phủ phê duyệt 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 tự động hóa tầng hiện trường.

Tuy nhiên, phần lớn doanh nghiệp nhựa vừa và nhỏ tại Việt Nam hiện nay vẫn thu thập dữ liệu sản xuất thủ công qua sổ sách hoặc tệp bảng tính Excel. Việc đánh giá hiệu suất dây chuyền phụ thuộc tới hơn 90% vào kinh nghiệm chủ quan của công nhân vận hành. Thực trạng này dẫn đến việc không phát hiện kịp thời các sản phẩm lỗi, để xảy ra tình trạng công nhân tự ý thay đổi thông số ép hoặc treo máy, làm gia tăng thời gian chết của thiết bị và suy giảm nghiêm trọng năng lực cạnh tranh.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Điều khiển và Tự động hóa tại Trường Đại học Bách Khoa – ĐHQG-HCM, hoàn thành vào tháng 01 năm 2024, đã giải quyết bài toán này bằng cách nghiên cứu và triển khai nền tảng No-code IIoT Platform kết hợp mô-đun trí tuệ nhân tạo dự báo chất lượng sản phẩm ép nhựa. Nghiên cứu tập trung thu thập dữ liệu thực nghiệm liên tục từ ngày 23/07/2022 đến ngày 13/08/2022 trên hệ thống máy ép Haitian tại Công ty Cổ phần Sản xuất Nhựa C.A. Giải pháp giúp cắt giảm từ 10% đến 30% chi phí quản lý chất lượng và vận hành, tự động hóa 100% khâu thu thập thông số chu kỳ ép, đồng thời đạt độ chính xác dự báo lỗi sản phẩm lên tới 98,975%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng đồng thời ba khung lý thuyết nền tảng trong tự động hóa, công nghệ phần mềm và học máy công nghiệp:

Thứ nhất, khung lý thuyết truyền thông công nghiệp thế hệ mới dựa trên giao thức Sparkplug B trên nền Message Queuing Telemetry Transport (MQTT). Giao thức này kế thừa chuẩn quốc tế IEC 62541 của Open Platform Communication - Unified Architecture (OPC-UA), chuyển đổi cơ chế thăm dò dữ liệu tuần tự (polling) sang mô hình xuất bản/đăng ký (publish/subscribe). Cấu trúc gói tin tuân thủ nghiêm ngặt định dạng không gian tên logic và các chuẩn thông điệp sinh/tử (NBIRTH, DBIRTH, NDEATH, DDEATH) giúp quản lý trạng thái thiết bị biên theo thời gian thực mà không làm nghẽn băng thông đường truyền.

Thứ hai, lý thuyết kiến trúc phần mềm hướng miền Domain Driven Design (DDD) trong xây dựng IoT Server. Kiến trúc này phân tách hệ thống thành 4 mô-đun độc lập: Nghiệp vụ (Domain), Hạ tầng (Infrastructure), Máy chủ kết nối (Host) và Giao diện lập trình ứng dụng (WebAPI). Mô hình sử dụng Entity Framework Core, Repository Pattern và công nghệ đóng gói Docker Container để đảm bảo tính toàn vẹn dữ liệu, hỗ trợ khả năng mở rộng lên hàng nghìn kết nối đồng thời.

Thứ ba, mô hình phân loại học máy Support Vector Classifier (SVC) thuộc trường phái Support Vector Machine (SVM). Kỹ thuật này giải quyết bài toán phân loại đa lớp (Multi-class Classification) bằng cách tìm kiếm siêu phẳng tối ưu trong không gian nhiều chiều thông qua hàm nhân bán kính Radial Basis Function (RBF) kernel và nguyên lý biên mềm (Soft Margin), giúp phân tách chính xác các trạng thái sản phẩm đạt và lỗi.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp phân tích định lượng trên nguồn dữ liệu sản xuất thực tế:

Nguồn dữ liệu và cỡ mẫu: Tổng cỡ mẫu thu thập được từ dây chuyền ép nhựa Haitian là 6.211 mẫu quan sát trong 22 ngày liên tục. Tập dữ liệu huấn luyện (training dataset) gồm 5.333 mẫu với tỷ lệ lỗi tự nhiên là 6,23% (gồm 4.998 mẫu đạt chuẩn, 237 mẫu lỗi thiếu nhựa và 98 mẫu lỗi thừa nhựa). Tập dữ liệu kiểm tra (test dataset) gồm 878 mẫu độc lập với tỷ lệ lỗi là 8,4% (gồm 804 mẫu đạt chuẩn, 48 mẫu lỗi thiếu nhựa và 26 mẫu lỗi thừa nhựa).

Phương pháp chọn mẫu: Nghiên cứu áp dụng phương pháp chọn mẫu phân tầng ngẫu nhiên theo chu kỳ ép tự nhiên của máy, giữ nguyên tỷ lệ phân bố mất cân bằng giữa các lớp dữ liệu nhằm phản ánh chính xác điều kiện vận hành thực tế tại xưởng sản xuất.

Lý do lựa chọn phương pháp phân tích: Nghiên cứu đã thực hiện thử nghiệm so sánh 4 thuật toán phân loại gồm Cây quyết định (Decision Tree), Bộ phân loại Gauss (Gaussian Naive Bayes), Mạng nơ-ron nhân tạo (MLPClassifier) và Bộ phân loại vector hỗ trợ (SVC). Phương pháp đánh giá sai số căn bậc hai trung bình (RMSE) qua kiểm định chéo 5 nếp (5-fold cross-validation) cho thấy SVC đạt chỉ số sai số thấp nhất là 0,2429, vượt trội hơn hẳn so với Gaussian Classifier (RMSE đạt 0,2558). Kỹ thuật tìm kiếm lưới tham số GridSearch được ứng dụng để xác định bộ siêu tham số tối ưu với trọng số điều hòa C bằng 1500 và hệ số gamma bằng 0,01.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm phần cứng, phần mềm và mô-đun AI đã mang lại 4 kết quả nổi bật:

Thứ nhất, hoàn thiện thiết bị phần cứng IoT Gateway đa năng kết hợp giữa vi điều khiển ESP32 dual-core Xtensa LX6 và bộ vi xử lý ARM dòng F1. Bo mạch vận hành trên hệ điều hành thời gian thực FreeRTOS với dung lượng mã nguồn sau biên dịch chỉ khoảng 4,3 Kbytes, thực thi đồng thời 5 tác vụ độc lập mà không xảy ra hiện tượng tràn bộ nhớ hay xung đột luồng.

Thứ hai, xây dựng thành công giao diện web SCADA cấu hình theo phong cách No-code. Người dùng không cần kiến thức lập trình vẫn có thể khởi tạo từ xa danh sách Nút biên (EoN Node), Thiết bị (Device) và Biến dữ liệu (Tag) chỉ qua 3 bước thao tác trên màn hình. Tệp cấu hình Sparkplug B được máy chủ truyền xuống gateway để tự động định cấu hình chỉ trong vòng chưa đầy 2 giây.

Thứ ba, mô hình trí tuệ nhân tạo SVC trên tập kiểm tra 878 mẫu đạt độ chính xác tổng thể (Accuracy) lên tới 98,975%. Độ chuẩn xác (Precision) đạt 99,0%, độ nhạy (Recall) đạt 98,97% và điểm số cân bằng F1-score đạt mức lý tưởng 0,9897. Mô hình nhận diện chính xác 100% các trường hợp sản phẩm lỗi thừa nhựa và thiếu nhựa nghiêm trọng, chỉ ghi nhận 9 trường hợp phân loại nhầm trên toàn bộ tập dữ liệu thử nghiệm.

Thứ tư, nền tảng tối ưu hóa băng thông mạng vượt trội so với các hệ thống SCADA truyền thống. Nhờ cơ chế chỉ gửi gói tin khi có biến động giá trị (DDATA) và đồng bộ hóa qua giao thức SignalR, lưu lượng truyền thông giảm tới 75%, loại bỏ hoàn toàn hiện tượng quá tải đường truyền nội bộ nhà máy.

Thảo luận kết quả

Độ chính xác ấn tượng 98,975% của mô hình dự báo bắt nguồn từ việc xác định đúng 4 thông số công nghệ cốt lõi trong chu kỳ ép nhựa: thời gian ép tiêu chuẩn (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). Khi áp lực phun vượt ngưỡng 240 MPa hoặc vị trí gối đệm lệch khỏi khoảng tiêu chuẩn, hệ thống lập tức phát hiện nguy cơ lỗi bavia (thừa nhựa) với xác suất cảnh báo đúng đạt trên 98%.

Trong nghiên cứu, toàn bộ kết quả vận hành được trực quan hóa thông qua biểu đồ biến thiên thời gian thực (time-series chart) thể hiện tương quan giữa áp lực phun và nhiệt độ nòng trục vít. Đồng thời, ma trận nhầm lẫn (Confusion Matrix) được thể hiện dưới dạng bảng nhiệt đối sánh 3 chiều giữa nhãn thực tế và nhãn dự đoán, giúp các kỹ sư nhà máy dễ dàng truy xuất nguyên nhân gốc rễ gây lỗi sản phẩm.

So với các nghiên cứu trước đây vốn chỉ tập trung vào việc thu thập dữ liệu qua cổng nối tiếp Modbus RS-485 đơn giản, giải pháp này vượt trội nhờ kết hợp hoàn chỉnh giữa truyền thông Sparkplug B và điện toán biên. Hệ thống đã giải quyết triệt để tình trạng công nhân can thiệp sai lệch thông số cài đặt trên máy ép Haitian, đồng thời hỗ trợ ban giám đốc nhà máy chuyển đổi mô hình quản trị từ bị động khắc phục sang chủ động phòng ngừa sự cố.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp chiến lược nhằm tối ưu hóa hoạt động sản xuất cho các doanh nghiệp ngành nhựa:

Một là, nâng cấp phần cứng thiết bị biên sang các dòng máy tính nhúng công nghiệp (IPC) hoặc vi xử lý đa nhân có xung nhịp trên 1,5 GHz. Kỹ sư tự động hóa cần tích hợp sẵn các thư viện giải mã giao thức truyền thông công nghiệp đa dạng như Modbus TCP/IP, Ethernet/IP, FINS của Omron và OPC-UA tiêu chuẩn. Mục tiêu nâng khả năng giao tiếp đồng thời lên 50 máy ép trên một cụm mạng cục bộ trong lộ trình 6 tháng.

Hai là, hoàn thiện giao diện quản trị No-code tiến tới cơ chế kéo thả trực quan (Drag-and-Drop) và bổ sung hệ thống bảo mật phân quyền đa cấp Role-Based Access Control (RBAC). Đội ngũ phát triển phần mềm cần triển khai thêm giao thức mã hóa TLS/SSL cho máy chủ MQTT Broker trong vòng 3 tháng, giúp rút ngắn 80% thời gian thiết lập ban đầu cho nhân viên kỹ thuật vận hành.

Ba là, chuyển đổi thuật toán học máy từ mô hình dự báo ngoại tuyến (Offline Prediction) sang cơ chế suy luận thời gian thực trực tuyến (Online Real-time Inference). Đội ngũ dữ liệu cần tối ưu hóa mô hình SVC để đưa ra cảnh báo lỗi ngay trong pha tiêm keo (trước khi mở khuôn), giúp nhà máy tiết kiệm khoảng 15% lượng hạt nhựa nguyên sinh bị lãng phí mỗi tháng, hoàn thành trong vòng 9 tháng.

Bốn là, mở rộng tích hợp nền tảng IIoT với các hệ thống quản trị cấp cao như Hệ thống điều hành sản xuất (MES) và Hoạch định nguồn lực doanh nghiệp (ERP). Ban điều hành nhà máy phối hợp với phòng chuyển đổi số thiết lập các cổng WebAPI chuẩn hóa trong vòng 12 tháng, nhằm tự động hóa việc tính toán chỉ số hiệu suất thiết bị tổng thể (OEE) và tối ưu hóa kế hoạch cung ứng vật tư.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

Thứ nhất, Ban Giám đốc và Quản lý sản xuất tại các nhà máy nhựa vừa và nhỏ. Luận văn cung cấp phương pháp luận thực chứng về chuyển đổi số chi phí thấp, giúp doanh nghiệp cắt giảm 10% đến 30% chi phí quản lý chất lượng và nâng cao chỉ số OEE mà không cần thay thế toàn bộ dàn máy ép cũ.

Thứ hai, Kỹ sư Tự động hóa và Lập trình nhúng IoT. Nhóm kỹ sư có thể ứng dụng trực tiếp bản vẽ thiết kế phần cứng ESP32-ARM, mã nguồn FreeRTOS với 5 luồng tác vụ và thuật toán đóng gói thông điệp Sparkplug B để phát triển các cổng gateway công nghiệp chuyên dụng.

Thứ ba, Chuyên gia Khoa học dữ liệu và Trí tuệ nhân tạo công nghiệp. Tài liệu mang lại bộ tham số chuẩn hóa (C=1500, gamma=0.01), phương pháp xử lý dữ liệu mất cân bằng với tỷ lệ lỗi 6,23% và kỹ thuật tối ưu hóa mô hình phân loại đa lớp trên dữ liệu cảm biến thời gian thực.

Thứ tư, Giảng viên, Nghiên cứu sinh và Sinh viên ngành Kỹ thuật Điều khiển, Tự động hóa và Cơ điện tử. Luận văn là tài liệu học thuật mẫu mực kết hợp toàn diện giữa thiết kế phần cứng, lập trình phần mềm máy chủ Domain Driven Design và ứng dụng máy học giải quyết bài toán công nghiệp thực tế.

Câu hỏi thường gặp

Tại sao giao thức Sparkplug B MQTT lại vượt trội hơn SCADA truyền thống trong nhà máy nhựa? Giao thức Sparkplug B MQTT hoạt động theo cơ chế xuất bản/đăng ký (publish/subscribe), giúp giảm hơn 75% lưu lượng mạng so với cơ chế thăm dò tuần tự (polling) của SCADA truyền thống. Chuẩn hóa topic và cấu trúc payload JSON đảm bảo khả năng mở rộng linh hoạt, đồng thời cơ chế Birth/Death Certificate giúp phát hiện tức thì tình trạng mất kết nối của máy ép trong vòng 1 giây.

Thiết bị IoT Gateway trong nghiên cứu xử lý thế nào đối với các máy ép đời cũ không có cổng truyền thông? Đối với các máy ép đời cũ, bo mạch ESP32 kết hợp chip ARM F1 sử dụng tác vụ GPIO ngắt phần cứng chuyên biệt để đọc trực tiếp tín hiệu số (Digital I/O) từ bộ điều khiển PLC. Gateway thu thập chính xác thời gian đóng/mở khuôn và chu kỳ ép, sau đó đóng gói dữ liệu theo chuẩn Sparkplug B truyền về máy chủ với sai số thời gian dưới 0,05 giây.

Mô hình học máy SVC đạt độ chính xác 98,975% dựa trên những thông số công nghệ nào? Mô hình dự báo dựa trên 4 thông số công nghệ cốt lõi trích xuất từ chu kỳ ép thực tế: 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). Thuật toán SVC sử dụng hàm nhân RBF kernel giúp phân loại chính xác 3 trạng thái sản phẩm với điểm F1-score đạt 0,9897.

Nền tảng No-code này giúp doanh nghiệp vừa và nhỏ tiết kiệm chi phí triển khai ra sao? Nền tảng cho phép người vận hành cấu hình toàn bộ hệ thống cổng biên, máy ép và thẻ dữ liệu từ xa qua giao diện web chỉ trong 3 bước thao tác chuột. Việc loại bỏ nhu cầu lập trình lại vi điều khiển tại hiện trường giúp giảm hơn 80% thời gian lắp đặt, tiết kiệm hàng trăm triệu đồng chi phí thuê chuyên gia phần mềm cho mỗi đợt mở rộng xưởng.

Giải pháp nào được áp dụng để xử lý tình trạng mất cân bằng dữ liệu khi huấn luyện mô hình AI? Trong tập dữ liệu thực tế, mẫu lỗi chỉ chiếm 6,23% ở tập train và 8,4% ở tập test. Nghiên cứu đã áp dụng kỹ thuật tìm kiếm lưới GridSearch để tối ưu hóa tham số điều hòa C lên mức 1500 kết hợp hàm nhân RBF kernel, giúp tối đa hóa khoảng cách phân tách biên (margin) và duy trì độ nhạy Recall đạt 98,97% trên các nhóm sản phẩm lỗi.

Kết luận

Luận văn đã giải quyết toàn diện bài toán chuyển đổi số tầng hiện trường cho doanh nghiệp nhựa vừa và nhỏ thông qua các đóng góp chính:

  • Thiết kế và chế tạo thành công bo mạch IoT Gateway công nghiệp sử dụng vi điều khiển kép ESP32 và ARM F1 chạy hệ điều hành FreeRTOS với bộ nhớ tối ưu 4,3 Kbytes.
  • Giải mã và làm chủ giao thức Sparkplug B MQTT, tạo nền tảng kết nối hai chiều không dây theo thời gian thực giữa máy ép Haitian và máy chủ trung tâm.
  • Xây dựng kiến trúc IoT Server theo mô hình Domain Driven Design (DDD) và WebAPI chuẩn RESTful, hỗ trợ mở rộng linh hoạt trên nền tảng Docker Container.
  • Huấn luyện mô hình trí tuệ nhân tạo SVC đạt độ chính xác 98,975%, F1-score đạt 0,9897, nhận diện tự động 100% các lỗi khuyết tật sản phẩm ép nhựa.
  • Đóng góp công trình khoa học công bố tại Kỷ yếu Hội nghị Khoa học và Công nghệ Giao thông vận tải năm 2023.

Lộ trình phát triển tiếp theo của đề tài tập trung vào việc nâng cấp thuật toán dự báo lỗi trực tuyến (Online Inference) ngay trong pha tiêm keo và tích hợp sâu rộng với hệ thống điều hành sản xuất MES trong vòng 6 đến 12 tháng tới. Các doanh nghiệp sản xuất ngành nhựa cần chủ động ứng dụng nền tảng No-code IIoT này ngay hôm nay để số hóa quy trình, tối ưu hóa chi phí vận hành và bứt phá năng lực cạnh tranh trong kỷ nguyên sản xuất thông minh 4.0.