Giới thiệu dự án

Trong kỷ nguyên Công nghiệp 4.0, tự động hóa dây chuyền sản xuất đóng vai trò huyết mạch trong việc nâng cao năng suất lao động, tối ưu hóa chi phí vận hành và loại bỏ sai sót do yếu tố con người. Theo các khảo sát công nghiệp, các công đoạn phân loại thủ công truyền thống thường chiếm tới 25-30% tổng thời gian đóng gói và có tỷ lệ sai sót dao động từ 5% đến 12% do sự mệt mỏi, mất tập trung của công nhân khi làm việc liên tục. Đặc biệt, đối với các môi trường làm việc độc hại hoặc các sản phẩm có chi tiết hình học nhỏ, việc sử dụng nhân công tiềm ẩn nhiều rủi ro an toàn lao động và giảm uy tín chất lượng của doanh nghiệp.

Đề tài tốt nghiệp "Thiết kế hệ thống phân loại sản phẩm theo hình dạng sử dụng PLC S7-1200" do sinh viên Trần Viết Trường và Trần Đình Thi (ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật – Đại học Đà Nẵng, dưới sự hướng dẫn của ThS. Phan Thị Thanh Vân) thực hiện nhằm giải quyết triệt để bài toán này. Dự án tập trung nghiên cứu giải pháp kết hợp giữa kỹ thuật thị giác máy tính biên (Edge Computer Vision) và điều khiển logic khả trình công nghiệp (Industrial PLC).

Mục tiêu cụ thể của dự án bao gồm:

  1. Thiết kế và gia công mô hình cơ khí băng tải phân loại sản phẩm tích hợp hệ thống khí nén chấp hành (van điện từ 5/2, xi lanh khí nén).
  2. Xây dựng thuật toán xử lý ảnh trên nền tảng nhúng Raspberry Pi 4B sử dụng ngôn ngữ lập trình Python và thư viện OpenCV để nhận diện chính xác 4 dạng hình học: hình tròn, hình vuông, hình tam giác và hình chữ nhật.
  3. Thiết lập giao thức truyền thông mạng Ethernet TCP/IP công nghiệp giữa máy tính nhúng Raspberry Pi 4B và PLC Siemens S7-1200 CPU 1214C DC/DC/DC.
  4. Lập trình logic điều khiển toàn diện hệ thống trên phần mềm TIA Portal V16 với 2 chế độ vận hành độc lập (Auto và Manual).
  5. Xây dựng giao diện SCADA/HMI giám sát, thống kê và đếm số lượng sản phẩm theo thời gian thực trên nền tảng Siemens WinCC Runtime Advanced.

Giải pháp mang tính đột phá khi giải quyết được bài toán cân bằng giữa chi phí đầu tư thấp của hệ sinh thái phần cứng nguồn mở (Raspberry Pi, Python) và độ tin cậy, tính ổn định cấp công nghiệp của PLC Siemens. Kết quả kỳ vọng đạt độ chính xác phân loại $\ge 96%$, thời gian xử lý ảnh $< 80\text{ ms}$/sản phẩm và tốc độ phân loại đạt 35–40 sản phẩm/phút. Phạm vi nghiên cứu tập trung vào các sản phẩm dạng khối hình học phẳng (2.5D) trong điều kiện chiếu sáng công nghiệp ổn định.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi lựa chọn phương án thiết kế tối ưu, nhóm nghiên cứu đã tiến hành đánh giá chi tiết các công nghệ xử lý ảnh và điều khiển công nghiệp hiện hành trên thị trường:

Tiêu chí so sánh MATLAB + PLC LabVIEW + NI Vision MVS20 Industrial Sensor Raspberry Pi 4B + OpenCV + S7-1200
Chi phí triển khai Rất cao (License thương mại) Cao (Bản quyền phần mềm + Card NI) Rất cao (Cảm biến chuyên dụng) Tối ưu / Rất thấp (Phần mềm mã nguồn mở)
Độ phức tạp tích hợp Khó giao tiếp thời gian thực Trung bình (yêu cầu phần cứng NI) Trung bình (Hạn chế tùy biến thuật toán) Linh hoạt cao qua cổng Ethernet chuẩn
Tốc độ xử lý 100 – 150 ms 40 – 60 ms 20 – 30 ms 35 – 50 ms (Đáp ứng tốt thời gian thực)
Kích thước hệ thống Cồng kềnh (Cần PC công nghiệp) Cồng kềnh (Cần PC/PXI) Nhỏ gọn tích hợp Rất nhỏ gọn (Module nhúng gắn DIN rail)
Tính đa dụng Phục vụ nghiên cứu/mô phỏng Chuyên về đo lường/kiểm thử Chỉ kiểm tra lỗi bề mặt cố định Mở rộng nhận diện đa hình dạng, màu sắc

Dựa trên ma trận ưu tiên yêu cầu MoSCoW:

  • Must have (Bắt buộc): Nhận diện chính xác 4 hình dạng (Tròn, Vuông, Tam giác, Chữ nhật); xuất mã phân loại (10, 20, 30, 40) sang PLC qua Ethernet; kích hoạt xi lanh khí nén tương ứng; chế độ Auto/Manual; nút dừng khẩn cấp E-Stop.
  • Should have (Nên có): Giao diện WinCC trực quan hóa quy trình; đếm và hiển thị sản lượng từng loại; đèn báo trạng thái hệ thống.
  • Could have (Có thể mở rộng): Lưu trữ dữ liệu lịch sử sản xuất vào database SQL; cảnh báo kẹt phôi trên băng chuyền.
  • Won't have (Chưa thực hiện): Nhận dạng bề mặt vật thể 3D biến dạng phức tạp; phân loại đồng thời nhiều vật thể chuyển động chồng lấn.

Thiết kế hệ thống

Kiến trúc tổng thể của hệ thống được tổ chức thành 3 tầng chức năng độc lập nhưng đồng bộ chặt chẽ:

[ Camera Công Nghiệp / USB HD ]
              │ (Video Stream / Image Capture)
              ▼
[ Tầng Xử Lý Biên: Raspberry Pi 4B (Python 3.9 + OpenCV 4.5.3) ]
  - Tiền xử lý (Cắt ảnh, Grayscale, Gaussian Blur, Otsu Threshold)
  - Trích xuất đặc trưng & Tính toán đa giác (cv2.approxPolyDP)
  - Logic phân loại: Tròn (10), Vuông (20), Tam giác (30), Chữ nhật (40)
              │
              │ (Industrial Ethernet TCP/IP - RJ45)
              ▼
[ Tầng Điều Khiển Công Nghiệp: Siemens PLC S7-1200 (CPU 1214C DC/DC/DC) ]
  - Xử lý tín hiệu cảm biến quang E3F-DS30P1 (PNP)
  - Điều khiển băng tải & Van điện từ 5/2 Airtac (Cuộn hút 24VDC)
  - Quản lý trạng thái hệ thống (Main, Auto, Manual Routine)
              │
              │ (Profinet Protocol)
              ▼
[ Tầng Giám Sát SCADA/HMI: Siemens WinCC Runtime Advanced V16 ]
  - Dashboard giám sát I/O thời gian thực
  - Thống kê sản lượng từng nhóm sản phẩm
  - Điều khiển Start/Stop/Reset hệ thống từ xa

Chi tiết công nghệ phần cứng và phần mềm:

  • PLC Siemens S7-1200 CPU 1214C DC/DC/DC (Mã 6ES7214-1AG40-0XB0): Bộ nhớ làm việc 50 KB, nạp 2 MB, tích hợp 14 ngõ vào số Digital Input (24VDC) và 10 ngõ ra số Digital Output (Transistor 24VDC), 2 Analog Input (0-10V), tích hợp sẵn 1 cổng truyền thông PROFINET chuẩn Ethernet, thời gian thực thi lệnh cơ bản 18 $\mu\text{s}$/lệnh logic.
  • Máy tính nhúng Raspberry Pi 4B: Vi xử lý Broadcom BCM2711, Quad-core Cortex-A72 (ARM v8) 64-bit SoC @ 1.5GHz, 4GB LPDDR4-3200 SDRAM, Gigabit Ethernet, chạy hệ điều hành Linux Raspbian OS.
  • Cảm biến và cơ cấu chấp hành: Cảm biến quang hồng ngoại Omron E3F-DS30P1 (dạng PNP NO, khoảng cách phát hiện 10-30 cm); Van điện từ khí nén 5/2 Airtac 24VDC; Xi lanh khí nén tác động kép hành trình 100mm; Động cơ giảm tốc kéo băng tải 24VDC; Khởi động từ, relay trung gian Omron 14 chân 24VDC và aptomat Schneider EZ9F34320 20A.
  • Phần mềm: TIA Portal V16, WinCC Runtime Advanced V16, Python 3.9, OpenCV 4.5.3.

Tính toán an toàn và hiệu năng: Hệ thống áp dụng cơ chế bảo mật Know-How Protection và CPU Password Protection của dòng S7-1200 nhằm chống sao chép trái phép thuật toán điều khiển. Mạng Ethernet truyền thông được cấu hình dải IP tĩnh cô lập (VLAN riêng), thời gian quét vòng (Scan time) của CPU PLC luôn duy trì ổn định $< 3.5\text{ ms}$.

Methodology

Dự án được triển khai theo mô hình lai (V-Model kết hợp Agile Sprints) trong thời gian 16 tuần:

  • Tuần 1 – 4 (Sprint 1): Khảo sát tài liệu, thiết kế sơ đồ nguyên lý điện, gia công khung cơ khí băng tải và gá lắp xi lanh khí nén.
  • Tuần 5 – 8 (Sprint 2): Xây dựng module xử lý ảnh trên máy tính nhúng, tối ưu hóa thuật toán lọc nhiễu và nhận diện hình học bằng Python/OpenCV.
  • Tuần 9 – 12 (Sprint 3): Lập trình logic điều khiển PLC S7-1200 trên TIA Portal V16, thiết lập giao thức truyền thông TCP/IP và thiết kế giao diện HMI WinCC.
  • Tuần 13 – 16 (Sprint 4): Đấu nối tủ điện thực tế, tích hợp toàn hệ thống, hiệu chuẩn cảm biến, chạy thử tải và đánh giá rủi ro (FMEA).

Implementation và kết quả

Development process

Quá trình phát triển tập trung vào việc giải quyết các thách thức then chốt: độ trễ truyền thông, hiện tượng nhiễu ảnh do môi trường ánh sáng thay đổi, và sai số nhận diện cạnh của vật thể dạng khối 3D trên ảnh 2D.

Thuật toán trích xuất cạnh và nhận dạng hình dạng (Python & OpenCV): Quy trình xử lý ảnh trên Raspberry Pi 4B tuân thủ chuỗi xử lý nghiêm ngặt:

  1. Chụp ảnh từ camera USB $\rightarrow$ Cắt vùng quan tâm (ROI - Region of Interest).
  2. Chuyển đổi không gian màu sang Grayscale: $I_{gray} = 0.299R + 0.587G + 0.114B$.
  3. Lọc nhiễu Gaussian Blur với Kernel kích thước $5 \times 5$.
  4. Phân ngưỡng nhị phân thích nghi (Otsu Thresholding) để tách vật thể khỏi nền băng tải.
  5. Tìm đường bao (Contour detection) với cv2.findContours.
  6. Xấp xỉ đa giác bằng thuật toán Ramer-Douglas-Peucker qua hàm cv2.approxPolyDP.
  7. Tính toán diện tích vùng bao ($A$), tỷ lệ kích thước các cạnh bao quanh ($W/H$) và số lượng đỉnh xấp xỉ ($N$) để ra quyết định.
import cv2
import numpy as np
import socket

# Cấu hình socket truyền thông TCP/IP tới PLC S7-1200
PLC_IP = '192.168.0.10'
PLC_PORT = 2000
sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
sock.connect((PLC_IP, PLC_PORT))

def classify_shape(contour):
    # Tính chu vi đường bao
    perimeter = cv2.arcLength(contour, True)
    # Xấp xỉ đa giác với sai số epsilon = 3% chu vi
    approx = cv2.approxPolyDP(contour, 0.03 * perimeter, True)
    num_vertices = len(approx)
    area = cv2.contourArea(contour)
    
    # Bỏ qua các vật thể nhiễu kích thước quá nhỏ
    if area < 1000:
        return None, 0

    shape_code = 0
    shape_name = "Unknown"

    if num_vertices == 3:
        shape_name = "Tam Giac"
        shape_code = 30  # Mã truyền PLC cho Tam giác
    elif num_vertices == 4:
        # Lấy bounding box để phân biệt Hình vuông và Hình chữ nhật
        x, y, w, h = cv2.boundingRect(approx)
        aspect_ratio = float(w) / h
        # Tỷ lệ cạnh trong khoảng 0.9 - 1.1 coi là hình vuông
        if 0.90 <= aspect_ratio <= 1.10:
            shape_name = "Vuong"
            shape_code = 20  # Mã truyền PLC cho Hình vuông
        else:
            shape_name = "Chu Nhat"
            shape_code = 40  # Mã truyền PLC cho Hình chữ nhật
    elif num_vertices > 6:
        # Kiểm tra độ tròn thông qua tỷ lệ diện tích và chu vi
        circularity = 4 * np.pi * (area / (perimeter * perimeter))
        if circularity > 0.75:
            shape_name = "Tron"
            shape_code = 10  # Mã truyền PLC cho Hình tròn

    return shape_name, shape_code

# Vòng lặp thu nhận và xử lý khung hình
cap = cv2.VideoCapture(0)
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # Cắt vùng quan tâm ROI tại vị trí cảm biến quang
    roi = frame[100:400, 150:450]
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    _, thresh = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    for c in contours:
        name, code = classify_shape(c)
        if code > 0:
            # Gửi mã nhị phân sang PLC qua socket TCP/IP
            sock.sendall(bytes([code]))
            cv2.drawContours(roi, [c], -1, (0, 255, 0), 2)
            cv2.putText(roi, name, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2)

    cv2.imshow("Detection Window", roi)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
sock.close()
cv2.destroyAllWindows()

Cấu trúc chương trình PLC S7-1200 trên TIA Portal V16: Chương trình được chia thành các khối chức năng rõ ràng:

  • Organization Block (OB1 - Main): Quản lý luồng quét vòng lặp chính, gọi các chương trình con theo chế độ vận hành.
  • Function Block (FB / FC) cho Chế độ Auto: Khi nhấn START (I0.0), băng tải chạy (Q0.0 = 1). Khi cảm biến quang E3F-DS30P1 (I0.2) kích hoạt, PLC gửi tín hiệu ngắt bắt khung hình sang Raspberry Pi. Khi nhận mã 10, 20, 30, 40 từ cổng truyền thông, các khối Timer TON định thời thời gian sản phẩm di chuyển đến trước cửa đẩy tương ứng và kích hoạt ngõ ra cuộn hút van điện từ 5/2 (Q0.1, Q0.2, Q0.3, Q0.4) trong thời gian xung $T_{pulse} = 800\text{ ms}$ (khối TP).
  • Function Block cho Chế độ Manual: Cho phép kỹ sư kiểm tra từng xi lanh đơn lẻ, đảo chiều động cơ băng tải hoặc kiểm tra van khí nén phục vụ công tác bảo trì, sửa chữa.
  • Khối dữ liệu (DB - Data Blocks): Lưu trữ các thanh ghi đếm CTU (Count Up) cho từng loại sản phẩm, liên kết trực tiếp với Tag HMI trên WinCC Runtime Advanced.
// Mô phỏng Logic LAD điều khiển xi lanh phân loại Hình Tròn (Mã = 10)
Network 1: Nhận mã hình tròn và kích hoạt Timer dịch chuyển
   [ Recv_Code == 10 ] ─── [ Sensor_Trigger (I0.2) ] ─────── [ TON Timer_Circle ]
                                                               PT: T#1500ms
                                                               ET: #Current_Time

Network 2: Kích hoạt ngõ ra xi lanh khí nén 1 qua khối tạo xung TP
   [ Timer_Circle.Q ] ────────────────────────────────────── [ TP Pulse_Cyl1 ]
                                                               PT: T#800ms
                                                               OUT: Valve_Cylinder_1 (Q0.1)

Network 3: Tăng bộ đếm sản phẩm Hình Tròn
   [ Valve_Cylinder_1 (Q0.1) ] ── [ P_TRIG ] ─────────────── [ CTU Count_Circle ]
                                                               PV: 9999
                                                               CV: DB_Stats.Total_Circle

Testing và validation

Nhóm nghiên cứu đã thực hiện 200 lượt thử nghiệm thực tế với 50 sản phẩm chuẩn cho mỗi hình dạng trên dây chuyền băng tải vận tốc $0.15\text{ m/s}$:

Nhóm hình dạng Số mẫu thử (N) Nhận diện đúng Nhận diện sai Tỷ lệ chính xác (%) Thời gian xử lý trung bình (ms)
Hình Tròn 50 49 1 98.0% 38.2 ms
Hình Tam Giác 50 48 2 96.0% 41.5 ms
Hình Vuông 50 49 1 98.0% 44.1 ms
Hình Chữ Nhật 50 47 3 94.0% 46.8 ms
Tổng thể / Trung bình 200 193 7 96.5% 42.65 ms

Phân tích độ tin cậy:

  • Thời gian trễ toàn trình (End-to-End Latency) từ khi cảm biến quang phát hiện phôi đến khi xi lanh đẩy vật vào khay chứa đạt $1.85 \pm 0.05\text{ s}$.
  • Hiện tượng phân loại sai đối với hình chữ nhật ($6%$) xảy ra do một số phôi có tỷ lệ kích thước dài/rộng tiệm cận 1.15 khi xoay góc chéo so với trục ống kính camera, làm xấp xỉ sai số đỉnh đa giác. Vấn đề này đã được khắc phục bằng cách bổ sung thuật toán MinAreaRect trong thư viện OpenCV.

Kết quả đạt được

  • Hoàn thành 100% mục tiêu thiết kế phần cứng: Chế tạo hoàn chỉnh tủ điện điều khiển chuẩn công nghiệp có gắn aptomat Schneider, nguồn tổ ong 24VDC 5A, bộ rơ le cách ly quang, PLC S7-1200 và bộ điều áp khí nén.
  • Hoàn thành 100% mục tiêu phần mềm: Thuật toán xử lý ảnh vận hành trơn tru trên Raspberry Pi 4B; chương trình PLC hoạt động ổn định ở cả 2 chế độ Auto và Manual; màn hình WinCC hiển thị sắc nét các chỉ số vận hành và sản lượng theo thời gian thực.
  • Hiệu suất vận hành: Hệ thống có khả năng phân loại liên tục 36 sản phẩm/phút với mức tiêu thụ điện năng toàn hệ thống dưới 120W.

Đổi mới và đóng góp

  1. Kiến trúc Edge-to-PLC tích hợp chi phí thấp: Thay vì sử dụng các hệ thống xử lý ảnh công nghiệp chuyên dụng đắt tiền (Cognex, Keyence có giá từ 3.000 đến 10.000 USD), dự án đã tích hợp thành công vi máy tính nhúng Raspberry Pi 4B (khoảng 60-80 USD) với PLC Siemens S7-1200 thông qua giao thức Ethernet chuẩn, giảm hơn 70% chi phí đầu tư phần cứng ban đầu.
  2. Kỹ thuật trích xuất đặc trưng tối ưu hóa: Sử dụng kết hợp thuật toán phân ngưỡng thích nghi Otsu và xấp xỉ đa giác Ramer-Douglas-Peucker (approxPolyDP) có trọng số bù sai lệch góc xoay, giúp giảm 45% thời gian tính toán so với các thuật toán Template Matching truyền thống trong khi vẫn đảm bảo độ chính xác trên 96%.
  3. Mô hình hóa điều khiển linh hoạt chuẩn IEC 61131-3: Cấu trúc chương trình Ladder Diagram trên TIA Portal V16 được module hóa hoàn toàn, dễ dàng mở rộng thêm các trạm phân loại mới hoặc tích hợp thêm cảm biến trọng lượng, cảm biến màu sắc mà không cần thiết kế lại toàn bộ hệ thống.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Ngành sản xuất đồ chơi & thiết bị giáo dục: Phân loại tự động các khối hình học bằng gỗ, nhựa (tròn, vuông, tam giác, chữ nhật) trong các bộ đồ chơi xếp hình Montessori cho trẻ em.
  • Ngành thực phẩm & bánh kẹo: Dây chuyền phân loại các loại bánh quy tạo hình sẵn (bánh tròn bơ, bánh quy vuông, bánh kẹp tam giác) trước khi đưa vào cụm máy đóng gói bao bì màng co.
  • Ngành gia công cơ khí & linh kiện: Phân loại phôi đột dập kim loại, đệm lót (washer), bu lông có hình dạng đầu lục giác/tròn sau công đoạn dập định hình.

Phân tích chi phí và hiệu quả kinh tế (ROI)

Hạng mục thiết bị / Dịch vụ Chi phí ước tính (VNĐ)
PLC Siemens S7-1200 CPU 1214C DC/DC/DC 6.500.000
Kit máy tính nhúng Raspberry Pi 4B (4GB RAM) + Thẻ nhớ Sandisk 64GB 2.100.000
Camera công nghiệp Full HD 1080p + Ống kính tiêu cự điều chỉnh 1.200.000
Hệ thống khí nén (3 Xi lanh SC 32x100, 3 Van điện từ 5/2, Bộ lọc khí) 2.300.000
Khung cơ khí băng tải, Động cơ giảm tốc 24VDC, Cảm biến quang PNP 3.200.000
Tủ điện, Nguồn tổ ong 24V-5A, MCB, Rơ le, Đèn báo, Nút ấn công nghiệp 2.500.000
Tổng chi phí chế tạo (Capex) 17.800.000 VNĐ

Bài toán hoàn vốn (ROI):

  • Một công nhân phân loại thủ công có mức lương trung bình 7.000.000 VNĐ/tháng.
  • Hệ thống tự động thay thế 1-2 vị trí công nhân làm việc mỗi ca, hoạt động bền bỉ 24/7.
  • Thời gian hoàn vốn đầu tư: $T_{ROI} = \frac{17.800.000}{7.000.000 \times 1.5} \approx 1.7\text{ tháng}$.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ thống còn phụ thuộc vào điều kiện ánh sáng môi trường; nếu cường độ ánh sáng môi trường thay đổi đột ngột ($< 300\text{ Lux}$ hoặc $> 1200\text{ Lux}$), tỷ lệ tách biên nhị phân có thể suy giảm.
  • Tốc độ xử lý ảnh trên CPU Raspberry Pi 4B bắt đầu xuất hiện độ trễ nếu vật thể di chuyển trên băng tải với vận tốc lớn hơn $0.5\text{ m/s}$.
  • Hệ thống mới chỉ nhận diện phân loại sản phẩm đơn chiếc, chưa xử lý được tình huống các sản phẩm nằm đè lên nhau.

Hướng phát triển trong tương lai

  1. Ứng dụng Trí tuệ Nhân tạo (Deep Learning): Triển khai các mô hình mạng nơ-ron tích chập nhẹ như YOLOv8-nano hoặc MobileNet SSD thông qua bộ tăng tốc phần cứng USB Google Coral TPU / Intel Neural Compute Stick 2 để nâng cao độ chính xác khi phân loại các sản phẩm bị biến dạng hoặc trầy xước.
  2. Nâng cấp cơ cấu chấp hành: Tích hợp cánh tay robot Delta (Parallel Robot) hoặc SCARA Robot giao tiếp qua mạng PROFINET để gắp và sắp xếp sản phẩm linh hoạt vào khay chứa theo ma trận tọa độ $(X, Y, \theta)$.
  3. Chuyển đổi số IIoT: Bổ sung giao thức truyền thông MQTT / OPC UA để đẩy dữ liệu sản xuất thời gian thực lên Cloud Dashboard (AWS IoT / Siemens MindSphere), phục vụ quản trị bảo trì dự đoán (Predictive Maintenance).

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tự động hóa, Cơ điện tử: Cung cấp tài liệu tham khảo thực nghiệm chuẩn mực về quy trình tích hợp liên ngành giữa Thị giác máy tính (Computer Vision), Điều khiển Logic khả trình (PLC S7-1200), Hệ thống khí nén và SCADA WinCC.
  • Kỹ sư phát triển & Lập trình viên: Cung cấp mẫu kiến trúc mã nguồn mở (Code pattern) tối ưu để kết nối Python với thiết bị phần cứng công nghiệp Siemens qua cổng Socket TCP/IP và thư viện Snap7.
  • Doanh nghiệp vừa và nhỏ (SMEs): Bản thiết kế mẫu (Blueprint) giải pháp tự động hóa chi phí cực thấp, dễ dàng nhân rộng và lắp đặt cho các dây chuyền đóng gói, kiểm tra ngoại quan sản phẩm hiện hữu.
  • Nhà nghiên cứu: Dữ liệu thực nghiệm về độ trễ, sai số và độ ổn định của hệ thống tính toán biên (Edge Computing) khi kết nối với mạng điều khiển công nghiệp thời gian thực.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật phần cứng và nguồn cấp tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu nguồn điện lưới 1 pha $220\text{VAC} \pm 10%$, tần số 50Hz, công suất nguồn tối thiểu 300W; nguồn khí nén áp suất làm việc từ 4 đến 6 bar; nguồn DC 24V/5A qua bộ chuyển đổi nguồn tổ ong công nghiệp; PLC S7-1200 có tối thiểu 6 DI / 4 DO; Kit Raspberry Pi 4B RAM tối thiểu 2GB và camera chuẩn USB 720p trở lên.

2. Giới hạn tốc độ phân loại của hệ thống và giải pháp nâng cấp khi lưu lượng sản phẩm tăng?

Hiện tại hệ thống đạt tốc độ tối ưu 35-40 sản phẩm/phút với vận tốc băng tải $0.15\text{ m/s}$. Để nâng tốc độ lên trên 80 sản phẩm/phút, cần nâng cấp camera lên dòng Global Shutter công nghiệp (Gige/USB3 Vision), bổ sung Module tăng tốc AI (Coral Edge TPU) và thay thế xi lanh khí nén bằng động cơ Servo gạt phân loại tốc độ cao.

3. Cách thức hệ thống tích hợp vào dây chuyền sản xuất tự động hóa sẵn có qua chuẩn truyền thông nào?

PLC S7-1200 CPU 1214C tích hợp sẵn cổng PROFINET tiêu chuẩn, cho phép dễ dàng bắt tay (Handshake) với các PLC Siemens khác, PLC Mitsubishi (qua module chuyển đổi), biến tần, màn hình HMI công nghiệp hoặc kết nối trực tiếp vào hệ thống MES/ERP của nhà máy qua giao thức Modbus TCP, OPC UA hoặc Industrial Ethernet.

4. Quy trình bảo trì, hiệu chuẩn cảm biến quang và camera công nghiệp định kỳ như thế nào?

Định kỳ hàng tháng cần vệ sinh bề mặt thấu kính camera và mắt thu/phát của cảm biến quang E3F-DS30P1 bằng cồn Isopropyl Alcohol (IPA); kiểm tra độ căng dây đai băng tải; xả nước đọng tại bộ lọc khí nén và tra dầu bôi trơn chuyên dụng cho cụm xi lanh chấp hành.

5. Dự toán tổng chi phí đầu tư phần cứng và thời gian hoàn vốn (ROI) dự kiến?

Tổng chi phí linh kiện phần cứng, cơ khí và gia công tủ điện cho mô hình hoàn chỉnh rơi vào khoảng 17.800.000 đến 22.000.000 VNĐ. Với khả năng thay thế 1 công nhân làm việc, thời gian thu hồi vốn hoàn toàn dự kiến chỉ từ 2 đến 3 tháng vận hành thực tế.

Kết luận

Đồ án "Thiết kế hệ thống phân loại sản phẩm theo hình dạng sử dụng PLC S7-1200" của nhóm tác giả Trần Viết Trường và Trần Đình Thi đã khẳng định tính ứng dụng vượt trội của việc kết hợp công nghệ thị giác máy tính mã nguồn mở trên nền tảng nhúng với hệ thống điều khiển công nghiệp chuẩn mực của Siemens. Với độ chính xác nhận dạng đạt $96.5%$, thời gian xử lý nhanh chóng và chi phí chế tạo tối ưu, đề tài không chỉ hoàn thành xuất sắc các yêu cầu học thuật của một đồ án tốt nghiệp kỹ sư mà còn mở ra hướng tiếp cận thực tiễn, kinh tế cho các doanh nghiệp đang tìm kiếm giải pháp tự động hóa dây chuyền đóng gói và phân loại sản phẩm trong bối cảnh chuyển dịch sản xuất thông minh hiện nay.