Đồ án: Giao thức Nhận dạng và Phân loại Lỗi trong Hệ thống Phức tạp - Đại học Đà Nẵng

Đồ án về giao thức nhận dạng, phân loại lỗi trong hệ thống phức tạp. Nghiên cứu giải pháp nâng cao độ tin cậy, giảm thiểu thời gian sửa chữa.

• Tác giả: Trần Ngọc Hoàng
• Trường học: Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng
• Chuyên ngành: Khoa học và Công nghệ
• Đề tài: Thiết Lập Giao Thức Nhận Dạng Và Phân Loại Lỗi Trong Hệ Thống Phức Tạp
• Loại tài liệu: Báo cáo tổng kết đề tài
• Năm xuất bản: 2020
• Địa điểm: Đà Nẵng

Mục lục chi tiết

• PHẦN MỞ ĐẦU
• I. TỔNG QUAN NGHIÊN CỨU
• I.1. Hệ thống sản xuất tự động (Automated Manufacturing System – AMS)
• I.2. Cấu trúc vật lý
• I.3. Hệ thống điều khiển
• I.4. Giám sát sản xuất
• I.5. Bảo trì công nghiệp
• I.6. Quá trình điều khiển
• I.7. Hệ thống thông tin
• I.8. Vấn đề của đề tài
• II. CHƯƠNG II. CƠ SỞ LÝ THUYẾT PHƯƠNG PHÁP NGHIÊN CỨU
• II.1. Các phương pháp xử lý biến dữ liệu
• II.2. Phương pháp Lọc dữ liệu - Filter
• II.3. Phương pháp Tương quan dữ liệu - Correlation
• II.4. Phương pháp Phân loại - Classification
• II.5. Phương pháp Hồi qui - Regression
• II.6. Phương pháp Xếp hạng và lựa chọn biến
• II.7. Phương pháp Rừng ngẫu nhiên
• II.8. Các phương pháp phân loại dữ liệu
• II.9. Phương pháp phân loại giám sát
• II.10. Phương pháp phân loại không giám sát
• II.11. Các phương pháp mô hình hoá
• II.12. Xác định các tiêu chuẩn
• II.13. Phương pháp K hàng xóm gần nhất
• II.14. Phương pháp Mạng Nơron
• II.15. Phương pháp Cây quyết định
• II.16. Phương pháp Mạng Bayes
• III. CHƯƠNG III. QUÁ TRÌNH THIẾT LẬP BAYESIAN ĐỂ CHUẨN ĐOÁN LỖI
• III.1. Tổng quan về mạng Bayes (hoặc Bayesian)
• III.2. Định nghĩa và tính chất
• III.3. Học hỏi và Suy luận
• III.4. Mô hình hoá
• III.5. Phần mềm ứng dụng
• IV. CHƯƠNG IV. ỨNG DỤNG VÀ KẾT QUẢ
• IV.1. Giới thiệu trường hợp ứng dụng
• IV.2. Quy trình TEP
• IV.3. Đề xuất mô hình chuẩn đoán trên TEP theo Mạng Bayesian phân cấp
• IV.4. Kết quả chuẩn đoán lỗi
• KẾT LUẬN VÀ KIẾN NGHỊ

Tóm tắt

I. Hướng dẫn toàn diện về Nhận dạng Phân loại Lỗi Hệ thống

Trong bối cảnh công nghiệp hóa hiện đại, sự cạnh tranh khốc liệt đòi hỏi các doanh nghiệp phải tối ưu hóa hiệu suất và chất lượng sản xuất. Nền tảng của thành công này nằm ở khả năng đảm bảo tính sẵn sàng và độ tin cậy hệ thống sản xuất. Quá trình nhận dạng và phân loại lỗi trong các hệ thống phức tạp, đặc biệt là Hệ thống Sản xuất Tự động (Automated Manufacturing System – AMS), đóng vai trò then chốt. Một hệ thống sản xuất hiệu quả là sự kết hợp của nhiều yếu tố: vật liệu, con người, phần cứng và phần mềm, tất cả đều phải hoạt động đồng bộ. Khi một thành phần dù là nhỏ nhất gặp sự cố, nó có thể gây ra hiệu ứng domino, ảnh hưởng đến toàn bộ dây chuyền. Do đó, việc phát triển một mô hình chẩn đoán lỗi (fault diagnosis) chính xác không chỉ giúp giảm thiểu thời gian chết của thiết bị mà còn là một bước tiến quan trọng hướng tới bảo trì dự đoán (predictive maintenance), một chiến lược bảo trì thông minh và tiết kiệm chi phí. Nghiên cứu của TS. Trần Ngọc Hoàng trong đề tài "Thiết lập giao thức nhận dạng và phân loại lỗi trong hệ thống phức tạp" đã đặt nền móng cho việc ứng dụng các phương pháp học máy tiên tiến để giải quyết bài toán này, mở ra hướng đi mới cho việc giám sát và duy trì sức khỏe của thiết bị sản xuất trong kỷ nguyên 4.0.

1.1. Tầm quan trọng của Fault Diagnosis trong sản xuất hiện đại

Trong môi trường sản xuất hiện đại, fault diagnosis không còn là một hoạt động phản ứng sau sự cố mà đã trở thành một chiến lược chủ động. Việc xác định sớm và chính xác nguyên nhân gây lỗi cho phép các kỹ sư can thiệp kịp thời, ngăn chặn các hư hỏng nghiêm trọng hơn và tránh được tình trạng ngừng sản xuất đột ngột. Điều này tác động trực tiếp đến ba yếu tố cốt lõi: năng suất, chất lượng sản phẩm và chi phí vận hành. Một hệ thống chẩn đoán lỗi hiệu quả giúp giảm sự phụ thuộc vào kinh nghiệm của cá nhân, chuẩn hóa quy trình xử lý sự cố và tạo ra một cơ sở dữ liệu tri thức quý giá cho doanh nghiệp. Hơn nữa, dữ liệu từ quá trình chẩn đoán là đầu vào không thể thiếu cho các mô hình bảo trì dự đoán, giúp chuyển đổi từ lịch bảo trì cố định sang bảo trì dựa trên tình trạng thực tế của máy móc, tối ưu hóa việc sử dụng tài nguyên và kéo dài tuổi thọ thiết bị.

1.2. Các khái niệm cốt lõi FDC SPC và hệ thống giám sát

Để hiểu rõ về nhận dạng lỗi, cần nắm vững các khái niệm liên quan trong hệ thống giám sát sản xuất. Kiểm soát Quá trình Thống kê (Statistical Process Control - SPC) là phương pháp sử dụng các công cụ thống kê để theo dõi và kiểm soát một quy trình, đảm bảo nó hoạt động ở mức hiệu suất cao nhất. Phát hiện và Phân loại Lỗi (Fault Detection and Classification - FDC) là một hệ thống chuyên sâu hơn, cho phép theo dõi các thông số của thiết bị (nhiệt độ, áp suất,...) trong thời gian thực để phát hiện bất thường (anomaly detection). Cuối cùng, Run-to-Run (R2R) là các vòng điều khiển nhằm đảm bảo sự ổn định của quy trình sản xuất, thường kết nối SPC và FDC. Ba thành phần này tạo thành một bộ khung giám sát toàn diện, giúp thu thập dữ liệu cần thiết cho việc mô hình hóa hệ thống và xây dựng các thuật toán phân loại lỗi hiệu quả.

II. Thách thức trong việc Chẩn đoán Lỗi hệ thống công nghiệp 4

Thời đại công nghiệp 4.0 mang lại một khối lượng dữ liệu sản xuất khổng lồ từ vô số cảm biến, thiết bị và hệ thống thông tin. Tuy nhiên, chính sự bùng nổ dữ liệu này lại tạo ra những thách thức chưa từng có cho việc chẩn đoán lỗi. Dữ liệu thô thường chứa nhiễu, không đầy đủ và đến từ nhiều nguồn khác nhau, đòi hỏi các kỹ thuật phân tích dữ liệu và tiền xử lý phức tạp. Các hệ thống sản xuất hiện đại như Hệ thống Sản xuất Tích hợp Máy tính (Computer Integrated Manufacturing - CIM) có cấu trúc phân cấp nhiều lớp, từ cấp thiết bị đến cấp quản lý doanh nghiệp, khiến cho việc truy vết nguyên nhân gốc rễ của một lỗi trở nên cực kỳ khó khăn. Sự tương tác phức tạp giữa các thành phần trong hệ thống điều khiển tự động có thể tạo ra các lỗi tiềm ẩn, không thể quan sát trực tiếp qua các phép đo thông thường. Những sai lệch hoạt động nhỏ (trôi dạt) có thể tích tụ theo thời gian và chỉ biểu hiện ra thành lỗi sản phẩm ở giai đoạn cuối, gây ra tổn thất lớn. Vấn đề này đòi hỏi các phương pháp mô hình hóa hệ thống tiên tiến có khả năng xử lý sự không chắc chắn và các mối quan hệ nhân quả phức tạp.

2.1. Vấn đề từ khối lượng dữ liệu sản xuất khổng lồ Big Data

Sự gia tăng của cảm biến và hệ thống IoT trong nhà máy tạo ra một dòng dữ liệu chuỗi thời gian liên tục. Việc lưu trữ, quản lý và xử lý khối dữ liệu này đã là một thách thức. Quan trọng hơn, việc trích xuất đặc trưng (feature extraction) hữu ích từ biển dữ liệu này để phục vụ chẩn đoán lỗi là một bài toán phức tạp. Dữ liệu có thể bị thiếu, không nhất quán hoặc bị nhiễu do lỗi cảm biến. Nếu không được xử lý đúng cách, các mô hình học máy (machine learning) xây dựng trên dữ liệu này sẽ cho kết quả không chính xác, dẫn đến chẩn đoán sai và các quyết định bảo trì không hiệu quả. Thách thức không chỉ nằm ở khối lượng mà còn ở tốc độ và sự đa dạng của dữ liệu, đòi hỏi các thuật toán phải đủ mạnh mẽ và linh hoạt.

2.2. Hạn chế của hệ thống giám sát và đo lường truyền thống

Các hệ thống giám sát truyền thống thường dựa trên các ngưỡng cảnh báo cố định. Phương pháp này chỉ hiệu quả trong việc phát hiện bất thường rõ ràng nhưng lại bỏ qua các sai lệch nhỏ, từ từ của thiết bị. Hơn nữa, việc lắp đặt cảm biến tại mọi vị trí trong một hệ thống phức tạp là không khả thi về mặt kỹ thuật và chi phí. Điều này tạo ra các "điểm mù", nơi các sự kiện lỗi tiềm tàng không được quan sát. Để khắc phục, khái niệm Đo lường ảo (Virtual Metrology - VM) đã ra đời, nhằm dự đoán các giá trị đo lường từ các thông tin khác. Tuy nhiên, cả đo lường thực và ảo đều có những hạn chế. Như nghiên cứu đã chỉ ra, "nguồn phát hành sản phẩm chính được cho là do trôi dạt thiết bị (ước tính từ 50% đến 70%)", cho thấy sự cần thiết của các giải pháp bổ sung để giám sát trực tiếp sức khỏe thiết bị, thay vì chỉ tập trung vào sản phẩm.

III. Phương pháp Học máy trong việc Phát hiện và Chẩn đoán Lỗi

Để vượt qua những thách thức của dữ liệu lớn và hệ thống phức tạp, các phương pháp học máy (machine learning) đã trở thành công cụ không thể thiếu trong việc phát hiện bất thường và chẩn đoán lỗi. Các kỹ thuật này cho phép máy tính tự học các mẫu và quy luật từ dữ liệu lịch sử để đưa ra dự đoán hoặc phân loại cho các tình huống mới. Thay vì lập trình các quy tắc chẩn đoán một cách thủ công, các mô hình học máy có thể tự động xác định các mối tương quan tinh vi giữa hàng trăm, thậm chí hàng nghìn biến số. Lĩnh vực này cung cấp một loạt các thuật toán phân loại đa dạng, từ các phương pháp kinh điển như Cây quyết định, K-hàng xóm gần nhất (kNN) đến các mô hình phức tạp hơn như Mạng nơ-ron nhân tạo (artificial neural networks). Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của bài toán, chẳng hạn như loại dữ liệu (liên tục, rời rạc), sự sẵn có của dữ liệu được gán nhãn, và yêu cầu về khả năng diễn giải của mô hình. Quá trình này thường bắt đầu bằng việc trích xuất đặc trưng và xử lý tín hiệu số để chuẩn bị dữ liệu đầu vào chất lượng cao cho mô hình học.

3.1. Tổng quan về các thuật toán phân loại dữ liệu phổ biến

Các thuật toán phân loại được chia thành hai nhóm chính: học có giám sát và không giám sát. Trong học có giám sát, mô hình học từ một tập dữ liệu đã được gán nhãn (ví dụ: dữ liệu vận hành tương ứng với các loại lỗi đã biết). Các phương pháp phổ biến bao gồm Cây quyết định, Mạng Bayes, và Mạng Nơ-ron. Ngược lại, học không giám sát (phân cụm) được sử dụng khi không có nhãn lỗi, nhằm mục đích nhóm các điểm dữ liệu tương tự lại với nhau để phát hiện bất thường hoặc các trạng thái hoạt động mới. Mỗi thuật toán có điểm mạnh riêng: Cây quyết định dễ diễn giải, trong khi mạng nơ-ron nhân tạo có khả năng mô hình hóa các mối quan hệ phi tuyến tính phức tạp, là nền tảng cho học sâu (deep learning).

3.2. So sánh ưu nhược điểm Cây quyết định và Mạng Nơ ron

Cây quyết định là một công cụ mạnh mẽ vì tính minh bạch của nó; người dùng có thể dễ dàng hiểu được logic dẫn đến một kết luận chẩn đoán. Tuy nhiên, chúng rất nhạy cảm với nhiễu trong dữ liệu và không xử lý tốt các biến liên tục. Ngược lại, Mạng nơ-ron nhân tạo có thể đạt được độ chính xác rất cao và xử lý tốt các bài toán phi tuyến tính. Nhưng nhược điểm lớn của chúng là tính chất "hộp đen", gây khó khăn trong việc giải thích tại sao mô hình lại đưa ra một dự đoán cụ thể. Việc lựa chọn giữa hai phương pháp này thường là sự đánh đổi giữa khả năng diễn giải và độ chính xác. Trong nhiều ứng dụng công nghiệp, việc hiểu được nguyên nhân lỗi là cực kỳ quan trọng, điều này đôi khi làm cho các mô hình đơn giản hơn trở nên hấp dẫn hơn.

IV. Bí quyết ứng dụng Mạng Bayes để Chẩn đoán Lỗi chính xác

Trong số các phương pháp học máy, Mạng Bayes (Bayesian Network - BN) nổi lên như một công cụ đặc biệt mạnh mẽ và phù hợp cho bài toán chẩn đoán lỗi trong các hệ thống phức tạp. Không giống như các mô hình "hộp đen", Mạng Bayes cung cấp một biểu diễn đồ họa trực quan về các mối quan hệ xác suất có điều kiện giữa các biến. Cấu trúc này cho phép mô hình hóa hệ thống một cách minh bạch, thể hiện rõ các mối liên hệ nhân quả (hoặc tương quan) giữa các triệu chứng (biến quan sát) và nguyên nhân gốc rễ (các loại lỗi). Một trong những ưu điểm vượt trội của Mạng Bayes là khả năng xử lý sự không chắc chắn và dữ liệu bị thiếu một cách tự nhiên thông qua lý thuyết xác suất. Nó có thể kết hợp cả dữ liệu thực nghiệm và tri thức của chuyên gia vào cùng một mô hình. Hơn nữa, Mạng Bayes cho phép suy luận theo cả hai chiều: từ nguyên nhân đến kết quả (dự đoán) và từ kết quả về lại nguyên nhân (chẩn đoán), khiến nó trở thành một công cụ cực kỳ linh hoạt cho các hệ thống giám sát và hỗ trợ ra quyết định.

4.1. Cấu trúc và nguyên lý hoạt động của Mạng Bayesian

Một Mạng Bayes bao gồm hai thành phần chính: một đồ thị có hướng không có chu trình (DAG) và một tập hợp các bảng xác suất có điều kiện (CPT). Trong đồ thị, mỗi nút đại diện cho một biến ngẫu nhiên (ví dụ: nhiệt độ lò phản ứng, áp suất, loại lỗi) và mỗi cung có hướng biểu thị một sự phụ thuộc xác suất trực tiếp. Nguyên lý cốt lõi của Mạng Bayes dựa trên Định lý Bayes, cho phép cập nhật "niềm tin" về một giả thuyết (ví dụ: khả năng xảy ra lỗi F6) khi có bằng chứng mới (ví dụ: giá trị cảm biến áp suất tăng đột ngột). Theo báo cáo nghiên cứu, "việc tính toán trong mạng Bayes dựa trên định lý Bayes", cho phép đảo ngược xác suất để từ hậu quả suy ra nguyên nhân, đây chính là bản chất của quá trình chẩn đoán lỗi.

4.2. Quá trình học tham số và cấu trúc từ dữ liệu không đầy đủ

Việc xây dựng một Mạng Bayes bao gồm hai bước: học cấu trúc (xác định các mối liên kết giữa các nút) và học tham số (tính toán các xác suất trong bảng CPT). Cấu trúc có thể được định nghĩa bởi chuyên gia hoặc học tự động từ dữ liệu. Khi dữ liệu không đầy đủ hoặc có biến ẩn (lỗi không quan sát được trực tiếp), thuật toán Tối đa hóa Kỳ vọng (Expectation-Maximization - EM) được sử dụng để ước tính các tham số. Thuật toán EM là một phương pháp lặp, "trải qua hai giai đoạn: bước Kỳ vọng ... và bước Tối đa hóa", cho phép mô hình xử lý hiệu quả các tình huống thực tế khi không phải tất cả các biến đều có thể đo lường được. Khả năng này làm cho Mạng Bayes trở nên cực kỳ thực tế trong môi trường công nghiệp.

4.3. Suy luận Bayes Từ triệu chứng đến chẩn đoán nguyên nhân gốc

Sau khi mô hình được xây dựng, quá trình suy luận bắt đầu. Khi một tập hợp các bằng chứng mới (dữ liệu từ cảm biến) được đưa vào, các thuật toán suy luận sẽ tính toán lại xác suất hậu nghiệm của tất cả các biến khác trong mạng. Đối với fault diagnosis, điều này có nghĩa là mô hình sẽ tính toán xác suất xảy ra của từng loại lỗi tiềm năng dựa trên các triệu chứng quan sát được. Kết quả là một danh sách các nguyên nhân có khả năng xảy ra nhất, được xếp hạng theo xác suất. Điều này cung cấp cho các kỹ sư bảo trì thông tin định lượng, có giá trị để nhanh chóng khoanh vùng và khắc phục sự cố, cải thiện đáng kể độ tin cậy hệ thống.

V. Phân tích Case Study Nhận dạng Lỗi trên quy trình TEP

Để kiểm chứng tính hiệu quả của phương pháp đề xuất, mô hình chẩn đoán lỗi dựa trên Mạng Bayes phân cấp đã được áp dụng vào một trường hợp nghiên cứu cụ thể: Quy trình Tennessee Eastman (TEP). TEP là một mô phỏng quy trình công nghiệp hóa chất phức tạp, được công nhận rộng rãi trong cộng đồng nghiên cứu như một tiêu chuẩn để thử nghiệm các phương pháp kiểm soát và giám sát. Việc áp dụng mô hình vào TEP cho phép đánh giá khả năng nhận dạng và phân loại lỗi trong một môi trường có nhiều biến tương tác, gần với thực tế. Quá trình này bao gồm việc thu thập dữ liệu chuỗi thời gian từ mô phỏng, phân tích dữ liệu để lựa chọn các biến quan trọng, xây dựng cấu trúc Mạng Bayes phân cấp, và cuối cùng là huấn luyện và kiểm tra mô hình với các tập dữ liệu chứa các loại lỗi đã biết. Kết quả từ nghiên cứu điển hình này cung cấp bằng chứng thực nghiệm về giá trị của Mạng Bayes trong việc giải quyết các bài toán fault diagnosis phức tạp.

5.1. Giới thiệu quy trình Tennessee Eastman Process TEP

Quy trình TEP, được phát triển bởi Eastman Chemical Company, mô phỏng một nhà máy hóa chất với các thành phần chính như lò phản ứng, bình ngưng, máy nén và bộ tách. Quy trình này có 53 biến, bao gồm 41 biến đo lường và 12 biến điều khiển. Quan trọng hơn, TEP được thiết kế để có thể xảy ra 20 loại lỗi khác nhau (được ký hiệu từ F1 đến F20), bao gồm các thay đổi đột ngột (nhảy cấp), nhiễu loạn, hoặc sự cố thiết bị (van bị chặn). Sự đa dạng và phức tạp của TEP làm cho nó trở thành một sân thử nghiệm lý tưởng. Ví dụ, lỗi F6 (giảm lưu lượng cấp liệu A) gây ra hiện tượng bão hòa áp suất, một hành vi phi tuyến tính mà các mô hình chẩn đoán cần phải nắm bắt được. Dữ liệu từ TEP là nguồn tài nguyên quý giá để phát triển và xác thực các thuật toán phân loại lỗi.

5.2. Kết quả thực nghiệm và đánh giá độ tin cậy hệ thống

Mô hình chuẩn đoán Mạng Bayesian phân cấp được xây dựng trên nền tảng MATLAB, sử dụng dữ liệu mô phỏng từ TEP. Nghiên cứu tập trung vào việc phân tích dữ liệu, rời rạc hóa các biến liên tục và xây dựng cấu trúc mạng thể hiện mối quan hệ nhân quả giữa các biến điều khiển, biến đo lường và các loại lỗi. Theo báo cáo tổng kết, "mô hình chuẩn đoán lỗi thể hiện kết quả chuẩn đoán có giá trị và được so sánh với kết quả thực nghiệm". Bằng cách đưa vào các mẫu dữ liệu vận hành tương ứng với một lỗi cụ thể, mô hình có thể tính toán xác suất của từng nguyên nhân, từ đó xác định chính xác lỗi đang xảy ra. Thành công trong việc áp dụng trên TEP đã chứng minh tiềm năng của phương pháp này trong việc nâng cao độ tin cậy hệ thống và hỗ trợ các quyết định bảo trì dự đoán.

VI. Tương lai của Bảo trì Dự đoán Hệ thống Giám sát thông minh

Nghiên cứu về nhận dạng và phân loại lỗi bằng Mạng Bayes đã mở ra một con đường đầy hứa hẹn, nhưng đây chỉ là bước khởi đầu. Tương lai của lĩnh vực này nằm ở việc tích hợp các công nghệ tiên tiến hơn và mở rộng phạm vi ứng dụng để tạo ra các hệ thống giám sát và bảo trì dự đoán (predictive maintenance) thực sự thông minh và tự chủ. Xu hướng chính là kết hợp các mô hình dựa trên tri thức như Mạng Bayes với sức mạnh của các mô hình học sâu (deep learning). Các mạng nơ-ron sâu, chẳng hạn như Mạng Nơ-ron Tích chập (CNN) và Mạng Nơ-ron Hồi quy (RNN), có khả năng tự động trích xuất đặc trưng từ dữ liệu chuỗi thời gian thô hoặc thậm chí từ dữ liệu hình ảnh và âm thanh (như phân tích rung động), giảm bớt gánh nặng tiền xử lý dữ liệu. Một hệ thống trong tương lai có thể sử dụng học sâu để phát hiện bất thường và sau đó kích hoạt một mô hình Mạng Bayes để thực hiện chẩn đoán lỗi và giải thích nguyên nhân. Sự kết hợp này sẽ tận dụng được cả độ chính xác của học sâu và khả năng diễn giải của các mô hình xác suất đồ thị.

6.1. Xu hướng tích hợp học sâu Deep Learning vào chẩn đoán lỗi

Học sâu, một nhánh của học máy, đang cách mạng hóa nhiều lĩnh vực và chẩn đoán lỗi cũng không ngoại lệ. Các mô hình như Long Short-Term Memory (LSTM) đặc biệt hiệu quả trong việc phân tích dữ liệu chuỗi thời gian để dự đoán các xu hướng và phát hiện các mẫu bất thường tinh vi mà các phương pháp truyền thống có thể bỏ qua. Việc tích hợp học sâu có thể nâng cao khả năng phát hiện bất thường ở giai đoạn rất sớm, trước khi chúng phát triển thành lỗi nghiêm trọng. Thách thức chính là yêu cầu về một lượng lớn dữ liệu huấn luyện và tính chất "hộp đen" của các mô hình này. Do đó, việc nghiên cứu các kỹ thuật diễn giải (Explainable AI - XAI) cho học sâu sẽ là một hướng đi quan trọng.

6.2. Tiềm năng của predictive maintenance trong tối ưu hóa chi phí

Mục tiêu cuối cùng của nhận dạng lỗi là để phục vụ cho predictive maintenance. Thay vì bảo trì theo lịch trình cố định (có thể gây lãng phí khi thay thế các bộ phận vẫn còn tốt) hoặc chờ đến khi hỏng hóc (gây thiệt hại lớn), bảo trì dự đoán cho phép can thiệp đúng lúc, đúng chỗ. Bằng cách dự báo thời điểm một thành phần có khả năng hỏng hóc dựa trên dữ liệu vận hành thời gian thực, các doanh nghiệp có thể lập kế hoạch bảo trì một cách tối ưu, giảm thiểu thời gian ngừng hoạt động, tiết kiệm chi phí phụ tùng và nhân công. Các mô hình chẩn đoán lỗi chính xác là nền tảng không thể thiếu của chiến lược này, giúp biến dữ liệu thành những quyết định kinh doanh thông minh và mang lại lợi thế cạnh tranh bền vững.

Nội dung chính

Thiết Lập Giao Thức Nhận Dạng và Phân Loại Lỗi Trong Hệ Thống Phức Tạp

Tác giả: TS. Trần Ngọc Hoàng | Đơn vị: Trường ĐH Sư phạm Kỹ thuật – ĐH Đà Nẵng | Mã số: T2019-06-131 | Năm: 2020

---

Tóm Tắt Nghiên Cứu

Nghiên cứu này tập trung giải quyết bài toán cốt lõi trong sản xuất công nghiệp hiện đại: làm thế nào để tự động nhận dạng và phân loại lỗi thiết bị trong các hệ thống sản xuất phức tạp trước khi chúng gây ra hậu quả nghiêm trọng đến chất lượng sản phẩm và năng suất dây chuyền?

Phương pháp tiếp cận được lựa chọn sau một quá trình phân tích toàn diện các kỹ thuật học máy (Machine Learning) từ cổ điển đến hiện đại — bao gồm K hàng xóm gần nhất, Mạng Nơron, Cây quyết định và Mạng Bayes — là Mạng Bayesian phân cấp (Hierarchical Naive Bayesian Network). Phương pháp này vượt trội trong khả năng xử lý đồng thời biến rời rạc và biến liên tục, quản lý dữ liệu không đầy đủ, và biểu diễn mối quan hệ nhân–quả giữa các sự kiện lỗi.

Mô hình được kiểm chứng trên bộ dữ liệu mô phỏng Tennessee Eastman Process (TEP) — một chuẩn mực phổ biến trong cộng đồng nghiên cứu kiểm soát và giám sát quy trình công nghiệp — với 53 biến đầu vào và 20 loại lỗi khác nhau. Kết quả cho thấy mô hình chuẩn đoán Bayesian có khả năng xác định chính xác nguyên nhân lỗi thông qua xác suất có điều kiện, hỗ trợ trực tiếp cho kế hoạch bảo trì phòng ngừa thông minh.

---

Bối Cảnh và Tầm Quan Trọng

Cuộc cạnh tranh trong kỷ nguyên Công nghiệp 4.0

Quá trình công nghiệp hóa đang đẩy các doanh nghiệp sản xuất vào một vòng cạnh tranh khốc liệt chưa từng có. Sự thành công không còn chỉ phụ thuộc vào giá cả, mà đòi hỏi sự kết hợp hài hòa giữa vòng đời sản phẩm, chi phí và hiệu quả vận hành. Trong bối cảnh đó, năng lực sẵn sàng của thiết bị sản xuất trở thành yếu tố sống còn.

Các hệ thống sản xuất tự động (Automated Manufacturing System – AMS) hiện đại tích hợp hàng nghìn cảm biến, van, động cơ và bộ điều khiển hoạt động song song. Theo kiến trúc CIM (Computer Integrated Manufacturing), hệ thống được tổ chức theo 5 cấp độ từ chiến lược doanh nghiệp (cấp 5) xuống đến từng trạm sản xuất vật lý (cấp 0). Đây là nền tảng tạo ra khối lượng dữ liệu khổng lồ — nhưng cũng chính là thách thức: dữ liệu nhiều không đồng nghĩa với khả năng phát hiện lỗi tốt hơn.

Khoảng trống nghiên cứu được xác định

Thực tế sản xuất công nghiệp chỉ ra rằng từ 50% đến 70% sản phẩm bị lỗi có nguyên nhân từ sự trôi dạt (drift) của thiết bị — tức là thiết bị dần hoạt động lệch khỏi thông số thiết kế mà không có cơ chế tự phát hiện. Các phương pháp hiện hành như:

• SPC (Statistical Process Control): Kiểm soát thống kê theo lô, phát hiện sai lệch chậm.
• FDC (Fault Detection and Classification): Giám sát thời gian thực nhưng hạn chế trong suy luận nguyên nhân.
• Đo lường ảo (Virtual Metrology): Tập trung vào chất lượng sản phẩm, chưa giải quyết được nguồn gốc thiết bị.

Không có hệ thống nào trong số này cung cấp được một giao thức tích hợp vừa phát hiện lỗi, vừa phân loại nguyên nhân, vừa hỗ trợ lập kế hoạch bảo trì — đặc biệt trong điều kiện dữ liệu không chắc chắn hoặc không đầy đủ. Đây chính là khoảng trống mà nghiên cứu này lấp đầy.

---

Methodology và Approach

Thiết kế nghiên cứu

Nghiên cứu được tổ chức theo quy trình phương pháp luận bốn giai đoạn:

1. Khảo sát và phân tích lý thuyết — Đánh giá toàn diện các phương pháp xử lý biến dữ liệu và học máy phổ biến.
2. Lựa chọn và thiết lập mô hình — Xây dựng giao thức Bayesian phân cấp dựa trên các tiêu chuẩn phù hợp với môi trường sản xuất công nghiệp 4.0.
3. Triển khai và tham số hóa — Ứng dụng trên dữ liệu TEP trong môi trường MATLAB.
4. Kiểm tra, xác nhận và so sánh kết quả — Đối chiếu với dữ liệu thực nghiệm chuẩn.

Tiêu chí lựa chọn phương pháp

Thay vì chọn phương pháp dựa trên độ phổ biến, nhóm nghiên cứu xác định bộ tiêu chuẩn đặc thù cho bài toán sản xuất phức tạp:

• Xử lý được đa dạng kiểu biến: rời rạc, liên tục, định tính, định lượng.
• Biểu diễn được mối quan hệ nhân–quả giữa các biến và sự kiện lỗi.
• Xử lý được dữ liệu thiếu hoặc không chắc chắn — vốn rất phổ biến trong môi trường công nghiệp.
• Đủ khả năng thích ứng để vừa chuẩn đoán, vừa dự đoán và truy xuất nguyên nhân lỗi.
• Thời gian tính toán chấp nhận được cho ứng dụng thời gian thực.

Kỹ thuật phân tích

Sau khi loại trừ K-NN (không xử lý tốt biến đa phương thức), Mạng Nơron (chỉ phù hợp biến liên tục), và Cây quyết định (nhạy cảm với nhiễu), Mạng Bayes (Bayesian Network) được chọn là phương pháp duy nhất đáp ứng toàn bộ tiêu chí. Cụ thể hơn, mô hình Naive Bayesian phân cấp được xây dựng với:

• Thuật toán EM (Expectation-Maximization): Học tham số từ dữ liệu không đầy đủ.
• Cấu trúc đồ thị có hướng (DAG): Biểu diễn quan hệ nhân–quả giữa các biến.
• Bảng xác suất có điều kiện (CPT): Tính toán khả năng từng loại lỗi khi quan sát các biến đầu vào.
• Môi trường MATLAB: Xây dựng, huấn luyện và kiểm tra mô hình.

---

Phát Hiện Chính

1. Mạng Bayes phân cấp vượt trội trong môi trường dữ liệu hỗn hợp

Nghiên cứu xác nhận rằng cấu trúc Naive Bayesian phân cấp — với nút lớp (class node) ở cấp trên và các biến quan sát ở cấp dưới — có thể phân loại chính xác 20 loại lỗi TEP. Đặc biệt, mô hình duy trì hiệu suất ổn định ngay cả khi một phần dữ liệu cảm biến bị thiếu, nhờ cơ chế tính xác suất có điều kiện thay vì yêu cầu đầy đủ dữ liệu đầu vào.

2. Phân loại lỗi theo xác suất cho phép ưu tiên can thiệp

Thay vì chỉ trả về "có lỗi / không có lỗi", mô hình Bayesian cung cấp phân phối xác suất trên toàn bộ không gian lỗi. Ví dụ với lỗi F6 (giảm cấp liệu khí A), mô hình có thể phân biệt giữa F6 với các lỗi có triệu chứng tương tự dựa trên xác suất có điều kiện của các biến điều khiển (biến áp suất, lưu lượng, nhiệt độ lò phản ứng). Điều này cho phép bộ phận bảo trì ưu tiên can thiệp theo mức độ rủi ro, không phải theo thứ tự thời gian.

3. Lỗi F6 — Trường hợp kiểm chứng điển hình

Lỗi F6 (mất nguồn cấp khí A) là một ví dụ kiểm chứng quan trọng. Khi xảy ra, lỗi này gây ra hiện tượng bão hòa quá trình: áp suất lò phản ứng tăng đến ngưỡng an toàn 2.950 kPa trong khi nhiều biến đồng loạt "chặn" tại giá trị cố định. Mô hình Bayesian xác nhận đây là lỗi có thể phát hiện sớm với độ chính xác cao thông qua mẫu thay đổi của XMES7 (áp suất lò) và XC3 (lưu lượng A).

4. Biến quan trọng được tự động xếp hạng

Ứng dụng kết hợp phương pháp Random Forest và Correlation Analysis để xếp hạng và lựa chọn biến đã xác định được nhóm biến quan trọng nhất trong 53 biến TEP. Kết quả rời rạc hóa các biến liên tục (Bảng 4.6) cho phép tích hợp trực tiếp vào cấu trúc Bayesian mà không mất đi thông tin định lượng cốt lõi.

5. Giao thức chuẩn đoán 4 bước có tính tái sử dụng cao

Một đóng góp quan trọng của nghiên cứu là giao thức chuẩn đoán có cấu trúc rõ ràng: (1) Phân loại nguyên nhân từ bảng FMEA → (2) Xây dựng cấu trúc đồ thị → (3) Học tham số từ dữ liệu lịch sử → (4) Kiểm tra và xác nhận qua POC. Giao thức này có thể được tái áp dụng cho các hệ thống sản xuất khác ngoài TEP.

---

Đóng Góp Khoa Học

Đóng góp lý thuyết

Nghiên cứu đề xuất một khung phân tích tích hợp (integrated analytical framework) kết hợp lý thuyết mạng Bayes cổ điển với cấu trúc phân cấp để xử lý bài toán phân loại lỗi đa lớp trong hệ thống sản xuất phức tạp. Đây là sự mở rộng có hệ thống của lý thuyết Naive Bayesian truyền thống, đặc biệt phù hợp với đặc trưng dữ liệu hỗn hợp của môi trường công nghiệp.

Đổi mới phương pháp luận

Điểm đổi mới nổi bật là quy trình lựa chọn phương pháp dựa trên tiêu chuẩn đặc thù bài toán thay vì chọn theo xu hướng phổ biến. Việc xây dựng bộ tiêu chí đánh giá và so sánh có hệ thống các phương pháp ML (K-NN, Neural Network, Decision Tree, Bayesian) tạo nên một công cụ hỗ trợ quyết định cho các nhà nghiên cứu khi đối mặt với bài toán tương tự.

Ứng dụng thực tiễn

Mô hình được tích hợp trong MATLAB với giao diện trực quan hỗ trợ ba chức năng vận hành: (1) Chuẩn đoán lỗi theo thời gian thực, (2) Cung cấp bảng xác suất hỗ trợ xác định nguyên nhân lỗi, (3) Xuất dữ liệu cho bảng kế hoạch bảo trì. Điều này cho phép tích hợp trực tiếp vào hệ thống MES (Manufacturing Execution System) cấp độ 3 theo kiến trúc CIM.

Hàm ý chính sách

Kết quả nghiên cứu hỗ trợ xu hướng chuyển dịch từ bảo trì khắc phục (sửa chữa sau khi hỏng) sang bảo trì dự đoán thông minh (dự báo trước khi hỏng), phù hợp với chiến lược phát triển công nghiệp 4.0 của Việt Nam giai đoạn 2020–2030.

---

Đối Tượng Quan Tâm

Nhà nghiên cứu học thuật

Các nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo ứng dụng trong sản xuất, học máy, và xử lý tín hiệu công nghiệp sẽ tìm thấy trong nghiên cứu này một framework toàn diện và có thể mở rộng. Phương pháp so sánh và lựa chọn thuật toán theo tiêu chí bài toán cũng là tài liệu tham khảo có giá trị cho công tác giảng dạy và nghiên cứu sau đại học.

Kỹ sư và chuyên gia công nghiệp

Các kỹ sư tự động hóa, kỹ sư bảo trì và chuyên gia quản lý sản xuất trong ngành dược phẩm, hóa chất, và chế tạo sẽ nhận được lợi ích trực tiếp. Mô hình MATLAB được cung cấp là công cụ có thể triển khai ngay trong môi trường sản xuất, giảm thiểu chi phí đầu tư cho hệ thống giám sát.

Nhà quản lý và hoạch định chính sách

Đối với các nhà quản lý doanh nghiệp và cơ quan hoạch định chính sách công nghiệp, nghiên cứu này cung cấp bằng chứng khoa học cho việc đầu tư vào hệ thống FDC thông minh như một chiến lược tăng năng suất và giảm tổn thất sản xuất trong bối cảnh chuyển đổi số.

---

FAQ

1. Phát hiện quan trọng nhất của nghiên cứu là gì?

Phát hiện cốt lõi là Mạng Bayesian phân cấp có thể xác định chính xác nguyên nhân gốc rễ của lỗi thiết bị — không chỉ phát hiện sự bất thường — dựa trên phân phối xác suất có điều kiện. Điều này cho phép bộ phận bảo trì hành động trước khi sản phẩm bị lỗi, không phải sau.

2. Methodology của nghiên cứu có gì đặc biệt?

Điểm đặc biệt là quy trình lựa chọn phương pháp có cơ sở khoa học: thay vì chọn Deep Learning vì nó phổ biến, nghiên cứu xây dựng bộ tiêu chuẩn đặc thù (8 tiêu chí) và chứng minh Mạng Bayes là lựa chọn tối ưu cho bài toán cụ thể này. Đây là cách tiếp cận nghiêm túc và có thể tái lập.

3. Kết quả có thể generalize sang hệ thống sản xuất khác không?

Có, nhưng cần lưu ý: giao thức 4 bước và khung phân tích có tính tổng quát cao. Tuy nhiên, cấu trúc mạng Bayesian và bảng xác suất có điều kiện cần được tái huấn luyện (re-training) trên dữ liệu của từng hệ thống cụ thể. Thuật toán EM hỗ trợ quá trình này ngay cả khi dữ liệu lịch sử không đầy đủ.

4. Bước tiếp theo trong hướng nghiên cứu này là gì?

Các hướng phát triển được đề xuất bao gồm: (1) Tích hợp Mạng Bayesian động để xử lý tính thời gian trong chuỗi lỗi, (2) Mở rộng sang mạng Bayes hướng đối tượng để mô hình hóa hệ thống sản xuất phức tạp hơn, (3) Kiểm chứng trên dữ liệu thực từ nhà máy công nghiệp (thay vì chỉ dữ liệu mô phỏng TEP).

5. Practical applications trong doanh nghiệp là gì?

Mô hình có thể được tích hợp vào hệ thống MES để: tự động phân loại cảnh báo lỗi theo mức độ ưu tiên, đề xuất kế hoạch bảo trì phòng ngừa, và giảm thời gian ngừng máy ngoài kế hoạch — từ đó trực tiếp cải thiện OEE (Overall Equipment Effectiveness) của dây chuyền sản xuất.

---

Kết Luận

Nghiên cứu của TS. Trần Ngọc Hoàng đặt nền móng khoa học vững chắc cho việc ứng dụng trí tuệ nhân tạo vào giám sát và bảo trì thiết bị sản xuất tại Việt Nam. Bằng cách kết hợp lý thuyết Mạng Bayesian phân cấp với dữ liệu mô phỏng TEP chuẩn quốc tế, nghiên cứu vừa có giá trị học thuật cao, vừa sẵn sàng cho việc chuyển giao công nghệ vào thực tiễn công nghiệp.

Trong bối cảnh Công nghiệp 4.0 đang tạo ra khối lượng dữ liệu sản xuất ngày càng lớn, khả năng khai thác thông minh dữ liệu đó để chuẩn đoán và ngăn ngừa lỗi sẽ là lợi thế cạnh tranh quyết định. Nghiên cứu này là một bước đi có giá trị trên con đường đó.

Để tìm hiểu thêm về phương pháp Mạng Bayesian trong chuẩn đoán lỗi công nghiệp hoặc tiếp cận tài liệu đầy đủ, hãy liên hệ với Trường Đại học Sư phạm Kỹ thuật – Đại học Đà Nẵng.

---

Từ khóa: Mạng Bayesian, nhận dạng lỗi, phân loại lỗi, hệ thống sản xuất tự động, Tennessee Eastman Process, học máy, bảo trì dự đoán, FDC, AMS, MATLAB

Trích đoạn nội dung tài liệu

CHƯƠNG I. TỔNG QUAN NGHIÊN CỨU 1. Hệ thống sản xuất tự động (Automated Manufacturing System – AMS) 1. Cấu trúc vật lý Hệ thống sản xuất tập hợp tất cả các yếu tố (vật liệu, con người, phần cứng và phần mềm) tham gia vào quá trình sản xuất.

Một quy trình điều chỉnh các đặc tính vật lý của sản phẩm thông qua các hoạt động đúc, gia công, rèn và lắp ráp trong lĩnh vực sản xuất hoặc như quá trình khử, tách, tinh chế trong lĩnh vực hóa học hoặc xử lý nước. Hệ thống sản xuất được tạo thành từ hệ thống điều khiển và trạm sản xuất (xem hình I. Sơ đồ AMS tổng quát [1]. Theo đó, các thành phần của một hệ thống sản xuất được mô tả như dưới đây: Phần vận hành : bộ thiết bị biến đổi sản phẩm.

Cũng được gọi là trạm sản xuất (hoặc trạm làm việc), chúng tạo thành yếu tố cơ bản để thực hiện các hoạt động sản xuất. Theo tiêu chuẩn [35], các yếu tố này là máy móc (robot, máy tiện, máy phay, .), đơn vị vận chuyển, v. hoặc thậm chí là người vận hành. Trong thực tế, các trạm sản xuất này có thể hoàn toàn tự động, hoàn toàn thủ công hoặc thậm chí là kết hợp.

Hiệu suất của trạm phụ thuộc vào những yếu tố đó. Dòng sản phẩm đại diện cho tất cả các thực thể trải qua quá trình chuyển đổi trong hệ thống sản xuất (nguyên liệu thô, chế biến, lắp ráp, sản phẩm hoàn thiện). 3 Báo cáo tổng kết đề tài khoa học Trong quá trình này, một sản phẩm rời khỏi một trạm sản xuất cuối cùng trở thành một sản phẩm bước vào trạm làm việc tiếp theo. Trong suốt các giai đoạn sản xuất, sản phẩm có thể được chuyển đến các trạm đo lường để kiểm tra, (với độ trễ) xác định rằng tất cả hoặc một phần của các biến đổi đã được thực hiện thành công hay không.

Do đó, trạm này giúp kiểm soát tốt hơn năng suất tổng thể của hệ thống sản xuất bằng cách chẩn đoán sự phù hợp của chúng và do đó chất lượng của chúng trong suốt chu kỳ chuyển đổi sản phẩm. Hệ thống điều khiển của một thiết bị : vai trò của nó là làm cho bộ phận hoạt động tuân theo các quy luật vận hành được định trước (luật kiểm soát) để đáp ứng các yêu cầu của cấp cao hơn thường được gọi là Lệnh kiểm soát tương ứng với sản xuất (OF). Chúng đi kèm với các thông số cụ thể như loại chuyển đổi sẽ được thực hiện, công thức, thời gian xử lý, số lượng cần chuyển đổi, v. Ngoài hoạt động chính của biến đổi, hệ thống điều khiển của một thiết bị có thể tích hợp các chức năng khác như theo dõi quá trình biến đổi theo mức độ tiến trình (khả năng quan sát) theo ý của mình để cho phép, một “posteriori”, chẩn đoán nguyên nhân, điều chỉnh cài đặt máy hoặc thậm chí đối thoại với người vận hành hoặc với hệ thống giám sát.

Khi một số phần của thiết bị (máy móc) góp phần chuyển đổi cùng một sản phẩm, cần phải mở rộng khái niệm về hệ thống điều khiển thiết bị để tối thiểu hóa đồng bộ hóa tất cả các trạm sản xuất để đáp ứng mục tiêu sản xuất chung. Hệ thống điều khiển Một số kiến trúc thí điểm đã được đề xuất trong [36] theo các tiêu chí khác nhau (độ phức tạp, tính biến đổi, kết nối, v. Những kiến trúc quản lý này được phân biệt theo tính chất tập trung, phân cấp, phân tán, v. Tuy nhiên, điểm chuẩn trong lĩnh vực của chúng tôi vẫn là cấu trúc lái phân cấp được chia thành sáu cấp độ.

Nó được gọi tên là “Computer Integrated Manufacturing” (CIM) hoặc "Sản xuất tích hợp máy tính" (xem hình I. 4 Báo cáo tổng kết đề tài khoa học Figure I. Sơ đồ cấu trúc tháp điều khiển CIM. Mô hình CIM hình kim tự tháp này xác định phân tích mô đun và phân cấp của Hệ thống sản xuất tự động thành năm cấp độ: Cấp 5: Chiến lược (Quản lý chung của công ty), Công ty sản xuất, lập kế hoạch (Phân bổ tải cho nhà máy); Cấp độ 4: Sản xuất nhà máy, lập kế hoạch (Quản lý vận hành nhà máy), Lập kế hoạch tạm thời; Cấp độ 3: Phối hợp liên đơn vị (Giám sát toàn cầu), Lập thời gian thực; Cấp độ 2: Kiểm soát đơn vị (kiểm soát và giám sát); Cấp 1: Lệnh điều khiển thiết bị (Bộ điều khiển logic lập trình công nghiệp, Điều khiển số, v.); Cấp độ 0: Phần vận hành (trạm sản xuất cho phép chuyển đổi vật lý các sản phẩm).

Cấu trúc thành các mô-đun điều khiển bao gồm một lượng lớn thông tin lưu thông qua kiến trúc này, thông tin cung cấp cho cơ sở dữ liệu của hệ thống sản xuất. 5 Báo cáo tổng kết đề tài khoa học Trong những năm gần đây, các cấp độ thí điểm một quy trình công nghiệp này đã được tổng hợp theo 3 cấp độ, đặc biệt từ quan điểm của các hệ thống thông tin hỗ trợ các hoạt động thí điểm. Họ giới thiệu các khái niệm về ERP (Lập kế hoạch nguồn lực doanh nghiệp, bao gồm các cấp độ CIM 4 và 5), MES (Hệ thống thực thi sản xuất bao gồm cấp độ 3) và cuối cùng là kiểm soát công nghiệp (cấp độ 2, 1 và 0); ERP và MES dựa vào các mức thời gian khác nhau, dựa trên cơ sở dữ liệu được định hướng tương ứng với dữ liệu của công ty để hỗ trợ toàn bộ quá trình quản lý đơn đặt hàng của khách hàng và dữ liệu cần thiết để thí điểm và giám sát của sản xuất, đại diện cho cuộc sống của quá trình sản xuất. Công việc nghiên cứu của chúng tôi được định vị ở cấp 2.

Phần sau đây chi tiết đặc điểm của nó. Giám sát sản xuất Trong bối cảnh cạnh tranh của nền công nghiệp hiện đại hoá hiên tại, các khái niệm chính về giám sát sản xuất đã nhanh chóng được đề xuất để tối đa hóa sự sẵn có của thiết bị và liên tục cải thiện chất lượng sản phẩm và quy trình sản xuất. Đây là chức năng "bảo trì công nghiệp" và chức năng "điều khiển quá trình" trong số đó. Bảo trì công nghiệp Bảo trì được định nghĩa là "tập hợp tất cả các hành động kỹ thuật, quản trị và quản lý trong vòng đời của một tài sản, nhằm duy trì hoặc khôi phục nó trong trạng thái có thể thực hiện chức năng được yêu cầu [2].

Theo định nghĩa này, bảo trì có tác động trên ba phương diện của sản xuất: năng suất, về tính sẵn có của thiết bị sản xuất và chất lượng sản phẩm. Đối với hầu hết các lĩnh vực công nghiệp, chúng tôi phân biệt hai loại bảo trì công nghiệp trong chất bán dẫn [3]: - Bảo trì khắc phục (Chạy chương trình bảo trì khi phát hiện thất bại/ sự cố): áp dụng sau khi phát hiện lỗi hoặc khi xảy ra lỗi và nó nhằm mục đích sửa chữa, khôi phục hoặc thay thế một yếu tố bị lỗi. Các thiết bị bị ảnh hưởng có một tình trạng thời gian chết đột xuất. Nhược điểm chính của bảo trì sửa chữa là sự xuống cấp của tuyến tính của hoạt động sản xuất.

Sự sẵn có của thiết bị trở nên khó lường và do đó rất khác nhau, điều đó có nghĩa là tổn thất về mặt công suất. 6 Báo cáo tổng kết đề tài khoa học - Bảo trì phòng ngừa có hệ thống: được thực hiện theo chu kỳ đều đặn và trước khi xảy ra lỗi. Nó dựa trên việc thay thế hoặc sửa chữa một vật phẩm để ngăn chặn sự không có sẵn ngoài dự kiến. Các thiết bị liên quan có một tình trạng thời gian chết theo lịch trình.

Ưu điểm chính của bảo trì phòng ngừa so với phương pháp khắc phục là thời gian ngừng hoạt động của thiết bị về mặt lý thuyết được kiểm soát, do đó khả năng giảm độ biến thiên. Điều này đòi hỏi sự đồng bộ hóa mạnh mẽ các nguồn lực sẵn có (máy móc, kỹ thuật viên, phụ tùng, v. Và một trong những nhược điểm chính của phương pháp phòng ngừa là chi phí tương đối cao (ví dụ, thay thế một bộ phận vẫn còn hoạt động). Quá trình điều khiển Để cung cấp các mô hình hỗ trợ quyết định cho bảo trì và kiểm tra, các phương pháp thống kê (phân tích và định lượng) hoặc / và phương pháp (miền chất lượng) được phát triển [4].

Trong ngành công nghiệp sản xuất phức tạp, các thành phần chính của quá trình giám sát điều khiển là: Figure I. Sơ đồ các thành phần chính của giám sát điều khiển [1]. 7 Báo cáo tổng kết đề tài khoa học a) Kiểm soát quá trình thống kê (SPC): hệ thống này cho phép các dây chuyền sản xuất được kiểm soát bằng các chỉ số hiệu suất như độ dày, chiều cao, chiều dài, định tâm. SPC được áp dụng cho ba loại biện pháp: • Các phép đo vật lý: trên một mẫu vật, chẳng hạn chiều cao kích thước các tấm silicon như một thiết bị đo lường có thể kiểm tra, với độ trễ, rằng những gì đã được thực hiện đã được thực hiện tốt / hoặc không tốt với một tiêu chuẩn rõ ràng nhất định.

• Các phép đo tham số: trên tất cả các tấm của lô và các cấu trúc thử nghiệm nằm xung quanh mạch (Kiểm tra tham số PT), • Các phép đo điện: trên mỗi mạch tích hợp ở cuối dây chuyền sản xuất (Sắp xếp wafer điện EWS). Các phép đo này được liên kết với hai loại giới hạn: Giới hạn đặc điểm kỹ thuật: không được vượt qua cho tốt hoạt động mạch. Giới hạn kiểm soát: rào cản để đủ điều kiện tốt hoạt động của hoạt động sản xuất. b) Phát hiện lỗi và phân loại (FDC): hệ thống này cho phép theo dõi các thay đổi về thông số thiết bị (nhiệt độ, áp suất, v.) trong thời gian thực [6].

Trong suốt các giai đoạn sản xuất, các thông số thiết bị được thu thập cho mỗi sản phẩm đang được sản xuất. Mục tiêu là để kiểm soát tốt hơn các thiết bị vận hành dị thường hay không. c) Run-to-Run (R2R): các vòng điều khiển nhằm đảm bảo sự ổn định của các quy trình sản xuất trong suốt vòng đời của thiết bị [37]. Các vòng điều khiển được sử dụng để liên kết hai thành phần SPC và FDC.

Ngành công nghiệp sản xuất phức tạp được đặc trưng bởi một chủ đề bối cảnh cho hoạt động không chắc chắn. Các chính sách bảo trì khác nhau, hệ thống điều khiển trực tuyến, phương pháp phát hiện và phân loại, thử nghiệm tham số, đo điện, vòng phản ứng. giúp giảm một phần biến thiên, để kiểm soát tốt hơn các vết trôi thiết bị và nâng cao chất lượng sản phẩm.