Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0 và sản xuất thông minh (Smart Manufacturing), động cơ điện đóng vai trò là "trái tim" của hầu hết các dây chuyền sản xuất, hệ thống truyền động công nghiệp, máy gia công CNC, máy bơm và hệ thống quạt thông gió. Theo thống kê từ Viện Kỹ sư Điện và Điện tử (IEEE), hơn 50% các sự cố nghiêm trọng của động cơ điện xuất phát từ các hư hỏng cơ khí. Trong đó, hiện tượng mòn và phá hủy ổ lăn (vòng bi) chiếm tới 60% tổng số lỗi cơ khí, tiếp theo là các hư hỏng do lệch trục (misalignment), mất cân bằng động (dynamic unbalance) và lỏng bệ đỡ (structural looseness).

Khi động cơ gặp trục trặc, rung động cơ học bất thường và sự gia tăng nhiệt độ vỏ là hai triệu chứng xuất hiện sớm nhất. Nếu không được phát hiện kịp thời, rung động mạnh sẽ phá hủy lớp cách điện của cuộn dây stator, gây ngắn mạch dẫn đến cháy nổ và buộc toàn bộ dây chuyền sản xuất phải dừng hoạt động đột ngột (unplanned downtime). Chi phí thiệt hại do dừng chuyền có thể lên tới hàng chục nghìn USD mỗi giờ, chưa kể chi phí thay mới thiết bị.

Thực trạng hiện nay tại các nhà máy ở Việt Nam là việc bảo trì đa phần vẫn ở mức Bảo trì phản ứng (Reactive Maintenance - hỏng mới sửa) hoặc Bảo trì định kỳ (Preventive Maintenance) bằng thiết bị đo cầm tay rời rạc. Phương pháp này bộc lộ nhiều điểm yếu: tốn nhân lực, không liên tục, phụ thuộc vào kinh nghiệm chủ quan của kỹ thuật viên và không thể đưa ra cảnh báo sớm theo thời gian thực.

Dự án MotorEye ra đời nhằm giải quyết triệt để bài toán trên thông qua đề tài: "Nghiên cứu và chế tạo thiết bị theo dõi và cảnh báo tình trạng động cơ ứng dụng IoT và Học máy". Đề tài được thực hiện bởi nhóm nghiên cứu chuyên ngành Kỹ thuật Cơ điện tử, Trường Cơ khí - Đại học Bách khoa Hà Nội.

Mục tiêu cụ thể của dự án

  1. Thiết kế và chế tạo phần cứng thiết bị đo MotorEye: Tích hợp cảm biến vi cơ điện tử MEMS đo rung động 3 trục $(X, Y, Z)$, cảm biến từ trường và cảm biến nhiệt độ kép với thiết kế nhỏ gọn, tối ưu năng lượng.
  2. Xây dựng giải thuật lọc nhiễu và trích xuất đặc trưng: Ứng dụng bộ lọc Kalman tuyến tính (Linear Kalman Filter) và biến đổi Fourier rời rạc (DFT/FFT) để tính toán chính xác biên độ gia tốc, vận tốc hiệu dụng ($v_{rms}$) và tốc độ quay thực của động cơ lồng sóc.
  3. Phát triển mô hình học sâu (Deep Learning): Xây dựng và tối ưu hóa mạng nơ-ron tích chập (CNN - ResNet34) để tự động nhận dạng, phân loại trạng thái hoạt động bình thường và bất thường của động cơ với độ chính xác cao.
  4. Xây dựng hệ thống IoT hoàn chỉnh: Kết nối thiết bị đo với Gateway điện toán biên (Edge Computing - Raspberry Pi 4), đồng bộ dữ liệu lên nền tảng đám mây Firebase và hiển thị trực quan qua ứng dụng di động đa nền tảng.
  5. Thử nghiệm thực nghiệm: Đánh giá độ tin cậy và độ chính xác của hệ thống trên động cơ máy mài hai đá Bosch GBG 35-15 theo tiêu chuẩn quốc tế ISO 10816-1.

Phạm vi và giới hạn

  • Đối tượng giám sát: Động cơ điện không đồng bộ ba pha và một pha rotor lồng sóc công suất vừa và nhỏ trong công nghiệp.
  • Giới hạn đo lường: Dải tần số lấy mẫu rung động của cảm biến MEMS giới hạn trong khoảng $0 - 200\text{ Hz}$. Dải nhiệt độ giám sát từ $-55^\circ\text{C}$ đến $150^\circ\text{C}$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trên thị trường hiện có một số dòng máy đo độ rung cầm tay chuyên dụng, tuy nhiên đều tồn tại các rào cản lớn khi áp dụng vào mô hình nhà máy thông minh:

Tiêu chí so sánh UNI-T UT312 ACO Vibration Meter 3116 Smart Sensor AS63D Giải pháp MotorEye (Dự án)
Phương thức đo Cầm tay, tiếp xúc điểm Cầm tay, tiếp xúc điểm Cầm tay, tiếp xúc điểm Gắn cố định (Non-invasive), giám sát 24/7
Thông số thu thập Gia tốc, Vận tốc, Chuyển vị Gia tốc, Vận tốc, Chuyển vị Gia tốc, Vận tốc, Chuyển vị Gia tốc 3 trục, Từ trường 3 trục, Nhiệt độ vỏ & MT
Khả năng kết nối IoT Không (Hiển thị LCD) Không (Lưu thẻ nhớ cục bộ) Không (Hiển thị LCD) Wi-Fi 802.11 b/g/n, BLE, Gateway Raspberry Pi 4
Xử lý dữ liệu Tính giá trị RMS tức thời Tính RMS, Peak, Max Hold Tính RMS tức thời Lọc Kalman, FFT, Deep Learning (ResNet34)
Cảnh báo tự động Không Không Không Cảnh báo đẩy thời gian thực qua Mobile App
Giá thành triển khai ~4.000.000 VNĐ ~15.000.000 VNĐ ~3.500.000 VNĐ Chi phí phần cứng tối ưu (< 1.500.000 VNĐ)

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Đo gia tốc rung động 3 trục $(X, Y, Z)$ với độ phân giải cao; Lọc nhiễu tín hiệu thời gian thực bằng bộ lọc Kalman; Đánh giá ngưỡng rung động $v_{rms}$ theo chuẩn ISO 10816-1; Cảnh báo tức thì lên ứng dụng di động khi vượt ngưỡng.
  • Should have (Nên có): Tự động trích xuất tốc độ quay động cơ không tiếp xúc qua FFT từ trường và rung động; Phân loại lỗi bằng mạng nơ-ron học sâu (Deep Learning); Giám sát chênh lệch nhiệt độ vỏ động cơ và môi trường.
  • Could have (Có thể có): Chế độ lưu trữ dữ liệu offline lên thẻ MicroSD khi mất kết nối mạng; Thiết kế vỏ in 3D công nghiệp chuẩn gắn từ tính.
  • Won't have (Chưa phát triển): Phân tích phổ tần số rung động dải siêu cao (> 10 kHz) dành cho máy tuabin khí chuyên dụng.

Thiết kế kiến trúc hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình 4 tầng chuẩn IoT:

Technology Stack chi tiết

  • Phần cứng nhúng: Vi điều khiển ESP32-WROOM-32 (Xtensa Dual-core 32-bit LX6 @ 240MHz, SRAM 520KB), Cảm biến IMU WT901 (MPU9250 core), Cảm biến nhiệt trở NTC 3950 10k$\Omega$, IC đo dung lượng pin MAX17043, Mạch BMS cân bằng pin HX-2S-D20 (IC HY2213-BB3A), Nguồn 2x Pin 18650 Li-ion 7.4V 3500mAh.
  • Thiết bị Gateway: Máy tính nhúng Raspberry Pi 4 Model B (Broadcom BCM2711 Quad-core Cortex-A72 @ 1.5GHz, 4GB RAM).
  • Phần mềm & AI Frameworks: Python v3.9, PyTorch v2.0, FilterPy v1.4.5, NumPy, SciPy, Scikit-learn.
  • Hạ tầng Cloud & Mobile: Google Firebase (Realtime Database, Authentication), Flutter Framework v3.10 / Dart SDK v3.0, IDE Altium Designer v22 (Thiết kế PCB), SolidWorks 2022 (Thiết kế vỏ).

Implementation và kết quả

Quy trình phát triển và các thuật toán cốt lõi

1. Bộ lọc Kalman tuyến tính lọc nhiễu gia tốc 3 trục

Tín hiệu gia tốc từ cảm biến vi cơ điện tử MEMS luôn chứa nhiễu đo đạc lớn do rung động nền và nhiễu điện tử. Hệ thống thiết lập bộ lọc Kalman với vector trạng thái:

$$x_{k+1} = [a_{x, k+1}, a_{y, k+1}, a_{z, k+1}]^T$$

Mô hình trạng thái và quan sát: $$x_{k+1} = F_k x_k + G_k u_k + w_k$$ $$z_k = H_k x_k + v_k$$

Với $F_k = I_3$, $H_k = I_3$, vector ước lượng ban đầu $\hat{x}{0|0} = [0, 0, 0]^T$, ma trận hiệp phương sai ước lượng $P{0|0} = I_3$. Ma trận hiệp phương sai nhiễu đo đạc $R_k$ được xác định qua thực nghiệm tĩnh trên mặt phẳng chuẩn, trong khi ma trận nhiễu quá trình $Q_k = \sigma^2 I_3$ được hiệu chỉnh tối ưu.

import numpy as np
from filterpy.kalman import KalmanFilter

def init_kalman_filter(r_var=0.05, q_var=0.001):
    """
    Khởi tạo bộ lọc Kalman 3 chiều cho tín hiệu gia tốc (X, Y, Z)
    """
    kf = KalmanFilter(dim_x=3, dim_z=3)
    kf.x = np.array([0., 0., 0.])          # Vector trạng thái ban đầu
    kf.F = np.eye(3)                       # Ma trận chuyển trạng thái
    kf.H = np.eye(3)                       # Ma trận quan sát
    kf.P *= 1.0                            # Ma trận hiệp phương sai ban đầu
    kf.R = np.eye(3) * r_var               # Hiệp phương sai nhiễu đo đạc
    kf.Q = np.eye(3) * q_var               # Hiệp phương sai nhiễu quá trình
    return kf

def process_vibration_data(raw_accel_data, kf):
    """
    Lọc nhiễu chuỗi gia tốc và trung tâm hóa (Centering)
    """
    filtered_signals = []
    for z in raw_accel_data:
        kf.predict()
        kf.update(z)
        filtered_signals.append(kf.x.copy())
    
    filtered_signals = np.array(filtered_signals)
    # Centering: Đưa giá trị trung bình về 0 để triệt tiêu thành phần trọng trường tĩnh
    centered_signals = filtered_signals - np.mean(filtered_signals, axis=0)
    return centered_signals

2. Giải thuật xác định tốc độ quay gián tiếp qua từ trường và rung động

Tốc độ đồng bộ $V_{đb}$ của động cơ rotor lồng sóc được tính theo công thức:

$$V_{đb} = \frac{60 \cdot f_s}{p} \quad (\text{vòng/phút})$$

Trong đó:

  • $f_s$: Tần số từ trường stato (Hz) trích xuất bằng biến đổi FFT từ tín hiệu từ trường 3 trục.
  • $p$: Số cặp cực từ của động cơ.

Đối với động cơ không đồng bộ, độ trượt rotor tạo ra sự hao hụt tốc độ thực tế (khoảng 6% với động cơ công suất nhỏ và 2% với động cơ lớn). Bằng cách thực hiện biến đổi DFT/FFT trên tín hiệu gia tốc rung động:

$$X[k] = \sum_{n=0}^{N-1} x[n] \cdot e^{-j \frac{2\pi kn}{N}}$$

Tốc độ quay thực tế được xác định chính xác tại tần số có đỉnh biên độ rung động cực đại trong dải tần $(0.94 \cdot V_{đb}, V_{đb})$.

3. Tính toán vận tốc hiệu dụng ($v_{rms}$) theo ISO 10816-1

Vận tốc hiệu dụng $v_{rms}$ đại diện cho năng lượng phá hủy của rung động, được tính toán từ các thành phần biên độ gia tốc $a_i$ $(\text{m/s}^2)$ và tần số $f_i$ $(\text{Hz})$ trong miền tần số $10 - 1000\text{ Hz}$:

$$v_{rms} = \frac{10^3}{2\pi} \sqrt{\sum_{i=1}^{n} \left(\frac{a_i}{f_i}\right)^2} \quad (\text{mm/s})$$

4. Tuyến tính hóa cảm biến nhiệt độ NTC 3950 qua phương pháp Newton-Raphson

Mối liên hệ giữa điện trở $R$ và nhiệt độ tuyệt đối $T$ được mô hình hóa:

$$R \approx a \cdot e^{-bT} + c$$

Nhóm áp dụng phương pháp giải số lặp Newton-Raphson để giải hệ 3 phương trình phi tuyến từ 3 điểm hiệu chuẩn trong datasheet ($20^\circ\text{C}$, $55^\circ\text{C}$, $75^\circ\text{C}$), thu được đường cong chuyển đổi nhiệt độ liên tục với sai số dưới $\pm 0.5^\circ\text{C}$.

5. Kiến trúc mạng nơ-ron tích chập (1D-CNN ResNet34) phân loại lỗi

Tín hiệu gia tốc sau khi lọc Kalman và trung tâm hóa có kích thước vector $3 \times 448$ (3 kênh $X, Y, Z$, mỗi kênh 448 mẫu dữ liệu thời gian). Vector này được đưa trực tiếp vào mạng ResNet34 điều chỉnh (1D Convolution) để trích xuất đặc trưng không gian và thời gian của rung động mà không làm mất pha tín hiệu.

Thử nghiệm thực nghiệm và đánh giá hiệu năng

Hệ thống được thử nghiệm thực tế trên động cơ máy mài hai đá Bosch GBG 35-15 (Công suất 350W, tốc độ định mức 3000 vòng/phút, $p = 1$).

Tập dữ liệu thu thập gồm hàng nghìn mẫu được chia theo tỷ lệ 80% Training Set và 20% Test Set. Ba kiến trúc mô hình học sâu đã được huấn luyện và đối chuẩn trên 2 dạng dữ liệu: Dữ liệu lọc nhiễu thời gian (Denoised Data) và Dữ liệu phổ Fourier (DFT Data).

Mô hình (Architecture) Dạng dữ liệu đầu vào Điểm số F1-Score Độ chính xác (Accuracy) Thời gian xử lý / Mẫu (s)
EfficientNet-B0 Denoised Data (Kalman) 0.984 98.5% 0.0097 s (~9.7 ms)
ResNet34 (Được chọn) Denoised Data (Kalman) 1.000 100.0% 0.0136 s (~13.6 ms)
SEResNeXt26d (32x4d) Denoised Data (Kalman) 0.991 99.2% 0.0182 s (~18.2 ms)
EfficientNet-B0 DFT Data (Phổ FFT) 0.962 96.4% 0.0155 s (~15.5 ms)
ResNet34 DFT Data (Phổ FFT) 0.978 97.9% 0.0211 s (~21.1 ms)
SEResNeXt26d (32x4d) DFT Data (Phổ FFT) 0.975 97.6% 0.0245 s (~24.5 ms) 
F1-Score Comparison:
ResNet34 (Denoised)     [████████████████████] 1.000 (100%) - T_inf: 13.6ms
SEResNeXt26d (Denoised) [███████████████████░] 0.991 (99.2%) - T_inf: 18.2ms
EfficientNet-B0 (Denoised)[██████████████████░░] 0.984 (98.5%) - T_inf: 9.7ms
ResNet34 (DFT Data)     [███████████████████░] 0.978 (97.9%) - T_inf: 21.1ms

Kết quả đạt được

  • Mô hình ResNet34 kết hợp tiền xử lý Kalman Filter trên chuỗi thời gian đạt độ chính xác tuyệt đối ($F_1 = 1.0$) trên tập kiểm thử độc lập, với thời gian suy luận chỉ 13.6 ms trên Raspberry Pi 4, đáp ứng hoàn hảo yêu cầu cảnh báo thời gian thực (< 100 ms).
  • Đo lường và hiển thị trực tiếp tốc độ quay thực tế của động cơ đạt độ lệch dưới 1.2% so với máy đo tốc độ quang học chuyên dụng.
  • Cảm biến nhiệt độ kép phản ánh chính xác sự tăng nhiệt của vỏ máy khi bị quá tải, sai số so với súng đo nhiệt hồng ngoại Fluke là $\pm 0.4^\circ\text{C}$.

Đổi mới và đóng góp

Các cải tiến kỹ thuật đột phá

  1. Phương pháp đo tốc độ quay không tiếp xúc (Non-invasive Speed Estimation): Không cần gắn encoder hay dán phản quang đo quang học, MotorEye kết hợp phân tích FFT phổ từ trường stato và phổ rung động cơ học để trích xuất trực tiếp tốc độ đồng bộ và tốc độ quay thực tế với độ chính xác cao.
  2. Kiến trúc phân tầng tính toán biên (Edge-AI Pipeline): Toàn bộ quá trình lọc nhiễu ma trận Kalman và suy luận mô hình ResNet34 được thực hiện trực tiếp tại trạm thu Raspberry Pi 4. Điều này giúp giảm 90% băng thông truyền tải lên Cloud, duy trì hoạt động ổn định ngay cả khi mất kết nối Internet toàn cầu.
  3. Cảm biến nhiệt độ vi sai kép tích hợp giải thuật giải số Newton-Raphson: Đo đồng thời nhiệt độ vỏ động cơ và nhiệt độ môi trường xung quanh, loại bỏ hoàn toàn hiện tượng báo động giả khi môi trường làm việc bị tăng nhiệt thụ động vào mùa hè.
  4. Thiết kế phần cứng mô-đun hóa tối ưu: Nhóm phát triển thành công 2 phiên bản phần cứng: Phiên bản 1 (Full Option - tích hợp pin sạc 18650, BMS bảo vệ và sạc không dây/Type-C) và Phiên bản 2 (Miniaturized Version - mạch phay CNC nhỏ gọn gắn trực tiếp trên các động cơ siêu nhỏ).
So sánh hiệu quả giám sát:
Bảo trì định kỳ truyền thống:  [Downtime rủi ro: Cao] [Chi phí định kỳ: Cao]  [Phản ứng: Chậm trễ]
MotorEye Edge-AI IoT Solution: [Downtime giảm: 75%]  [Chi phí tối ưu: 80%]  [Phản ứng: Thời gian thực]

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong nhà máy

  • Dây chuyền sản xuất lắp ráp tự động: Giám sát liên tục các động cơ băng tải, động cơ quạt hút khói công nghiệp, máy nén khí trung tâm.
  • Xưởng gia công cơ khí chính xác: Gắn trên cụm trục chính (Spindle) máy phay CNC, máy tiện, máy mài phẳng để phát hiện sớm hiện tượng mòn dao, rơ vòng bi, lệch tâm trục.
  • Hệ thống bơm xử lý nước thải & HVAC tòa nhà: Cảnh báo sớm hiện tượng xâm thực cánh bơm (cavitation) và mất cân bằng cánh quạt gió.

Phân tích hiệu quả kinh tế (ROI)

  • Chi phí đầu tư: Một trạm Gateway Raspberry Pi 4 (giá ~2.000.000 VNĐ) có thể quản lý đồng thời từ 10 đến 15 node MotorEye (giá thành phần cứng ~800.000 VNĐ/node). Tổng chi phí đầu tư ban đầu cho 10 động cơ chỉ vào khoảng 10.000.000 VNĐ.
  • Hiệu quả thu hồi vốn (ROI): Giảm thiểu trung bình 75% thời gian ngừng máy đột xuất, kéo dài tuổi thọ động cơ thêm 20-30% nhờ bôi trơn và căn chỉnh kịp thời. Thời gian hoàn vốn đầu tư ước tính dưới 3 tháng đối với các xưởng sản xuất quy mô vừa.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Cảm biến MEMS IMU GY-511/WT901 có tần số lấy mẫu tối đa $200\text{ Hz}$, do đó chưa thể phân tích các dạng khuyết tật vi mô ở giai đoạn sơ khởi của vòng bi (vốn đòi hỏi dải tần số cao $2 - 10\text{ kHz}$).
  • Nút cảm biến phiên bản 1 khi bật Wi-Fi liên tục có mức tiêu thụ dòng điện khá cao (~120mA), thời lượng pin duy trì trong khoảng 24-48 giờ nếu không cắm nguồn sạc trực tiếp.

Hướng phát triển trong tương lai

  1. Nâng cấp cảm biến gia tốc công nghiệp dải tần cao (như ADXL1002 hoặc cảm biến áp điện Piezoelectric dải đo tới 10 kHz).
  2. Tích hợp chuẩn truyền thông không dây công nghiệp tầm xa công suất thấp LoRaWAN hoặc giao thức ESP-NOW kết hợp chế độ Deep Sleep để nâng tuổi thọ pin lên trên 12 tháng.
  3. Tích hợp mô hình học máy trực tiếp lên vi điều khiển (TinyML) sử dụng khung TensorFlow Lite for Microcontrollers (TFLM) để thực hiện suy luận ngay tại chip ESP32.

Đối tượng hưởng lợi

  • Sinh viên & Kỹ sư Cơ điện tử/IoT: Có được tài liệu tham khảo hoàn chỉnh từ thiết kế mạch Altium, tích hợp cảm biến, xử lý tín hiệu số Kalman/FFT đến triển khai AI thực chiến trên phần cứng nhúng.
  • Doanh nghiệp & Quản đốc nhà máy: Sở hữu giải pháp giám sát tình trạng thiết bị (Condition-based Monitoring - CBM) chi phí thấp, dễ dàng lắp đặt (Plug & Play), giảm thiểu tối đa rủi ro dừng chuyền.
  • Các nhà nghiên cứu Bảo trì dự đoán (PdM): Khung phương pháp luận kết hợp giữa mô hình vật lý tiêu chuẩn (ISO 10816) và mô hình học sâu hướng dữ liệu (Data-driven ResNet34) mở ra hướng tiếp cận mới trong chẩn đoán lỗi máy công cụ.

Câu hỏi thường gặp

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

Hệ thống chỉ yêu cầu động cơ có bề mặt vỏ kim loại đủ để gắn cố định thiết bị (bằng vít hoặc đế từ tính), nguồn mạng Wi-Fi cục bộ 2.4GHz tại khu vực đặt máy và một nguồn cấp 5V DC cho Gateway Raspberry Pi 4.

2. Thiết bị phân biệt rung động do gia công bình thường và rung động do hỏng hóc bằng cách nào?

Hệ thống áp dụng kết hợp 2 lớp phân loại: Lớp 1 đánh giá vận tốc hiệu dụng $v_{rms}$ theo ngưỡng chuẩn ISO 10816-1; Lớp 2 sử dụng mô hình học sâu ResNet34 đã được huấn luyện trên các mẫu rung động gia công thực tế (mài thép, mài nhôm) để nhận dạng dạng sóng đặc trưng của va đập cơ học và mất cân bằng động.

3. MotorEye có thể tích hợp vào hệ thống SCADA/MES có sẵn của nhà máy không?

Có. Gateway Raspberry Pi 4 hỗ trợ chuẩn giao thức công nghiệp mở như MQTT và OPC-UA, cho phép truyền trực tiếp toàn bộ dữ liệu rung động, tốc độ và nhiệt độ vào hệ thống SCADA hoặc phần mềm MES quản lý nhà máy.

4. Hệ thống cần bảo trì định kỳ những hạng mục nào?

Cần hiệu chuẩn lại offset cảm biến gia tốc định kỳ 6 tháng/lần thông qua chức năng tự cân bằng trên ứng dụng di động; kiểm tra độ bám dính của đế gá và dung lượng pin đối với các node sử dụng pin độc lập.

5. Chi phí triển khai và thời gian thu hồi vốn trung bình là bao lâu?

Chi phí cho mỗi điểm đo dao động từ 800.000 đến 1.200.000 VNĐ. Nhờ ngăn ngừa các sự cố dừng máy đột ngột và tối ưu hóa chu kỳ bôi trơn bảo dưỡng, thời gian hoàn vốn (ROI) thường đạt được trong vòng 2 đến 3 tháng vận hành thực tế.

Kết luận

Đề tài tốt nghiệp "Nghiên cứu và chế tạo thiết bị theo dõi và cảnh báo tình trạng động cơ ứng dụng IoT và Học máy" của nhóm sinh viên Trường Cơ khí - Đại học Bách khoa Hà Nội đã hoàn thành xuất sắc toàn bộ các mục tiêu lý thuyết và chế tạo thực nghiệm. Dự án chứng minh tính khả thi vượt trội của việc kết hợp cảm biến vi cơ điện tử MEMS giá thành thấp, bộ lọc số Kalman, phép phân tích Fourier và mạng nơ-ron học sâu ResNet34 trong bài toán bảo trì dự đoán động cơ công nghiệp.

Sản phẩm MotorEye không chỉ dừng lại ở quy mô đồ án học thuật mà sở hữu tiềm năng thương mại hóa mạnh mẽ, đóng góp một giải pháp Make-in-Vietnam chất lượng cao, chi phí tối ưu, sẵn sàng đồng hành cùng các doanh nghiệp sản xuất trong tiến trình chuyển đổi số và xây dựng nhà máy thông minh.