Giới thiệu dự án

Quản lý và tái chế chất thải rắn sinh hoạt đang là một trong những thách thức môi trường cấp bách nhất trên toàn cầu cũng như tại Việt Nam. Theo thống kê từ Bộ Tài nguyên và Môi trường, lượng rác thải sinh hoạt phát sinh tại Việt Nam vượt mức 60.000 tấn/ngày, trong đó tỷ lệ rác thải nhựa và kim loại có thể tái chế chiếm từ 15% đến 22% nhưng chỉ một phần nhỏ được thu hồi hiệu quả. Phương thức phân loại rác truyền thống tại các bãi tập kết chủ yếu dựa vào nhân công thủ công, tiềm ẩn nguy cơ cao về bệnh nghề nghiệp do tiếp xúc với hóa chất độc hại, mầm bệnh truyền nhiễm và dị vật sắc nhọn. Đồng thời, năng suất phân loại thủ công dao động thấp (chỉ đạt 300–450 vật/giờ/người) với tỷ lệ sai sót từ 15% đến 25% do mệt mỏi thể lực.

+-----------------------------------------------------------------------------------+
|                           MÔ HÌNH HỆ THỐNG PHÂN LOẠI                              |
|                                                                                   |
|  [ Băng tải cấp rác ] ---> [ Camera AI (YOLOv8) ] ---> [ Máy tính xử lý Vision ]  |
|                                                                    |              |
|                                                          (MC Protocol Frame 3E)   |
|                                                                    v              |
|  [ Thùng phân loại ] <--- [ Robot SCARA (Denso) ] <--- [ PLC Q03UDE + Driver MR ] |
+-----------------------------------------------------------------------------------+

Vấn đề cốt lõi đặt ra là xây dựng một hệ thống phân loại tự động hóa tốc độ cao, vừa đảm bảo tính chính xác trong nhận dạng vật thể biến dạng, vừa đồng bộ hóa chuyển động thời gian thực giữa cơ cấu chấp hành và băng tải công nghiệp. Đồ án "Ứng dụng Robot SCARA phân loại rác" tập trung giải quyết bài toán phân loại tự động hai nhóm rác tái chế có giá trị cao nhất: chai nhựa (PET/HDPE) và lon nhôm kim loại.

Mục tiêu nghiên cứu

  1. Thiết kế và chế tạo phần cứng: Xây dựng khung bệ, tích hợp cánh tay robot công nghiệp SCARA Denso HSR-055 (4 bậc tự do), hệ thống cấp phôi băng tải mini và cơ cấu giác hút chân không khí nén.
  2. Thiết kế hệ thống điện và điều khiển: Thi công tủ điện công nghiệp đạt chuẩn an toàn sử dụng bộ điều khiển lập trình PLC Mitsubishi Q-Series (CPU Q03UDE), module định vị QD75MH4 và hệ thống AC Servo Mitsubishi MR-J4.
  3. Phát triển thuật toán thị giác máy tính: Ứng dụng mạng nơ-ron tích chập YOLOv8 (You Only Look Once phiên bản 8) để nhận dạng và định vị tâm đối tượng lon, chai trên băng tải với độ chính xác cao.
  4. Xây dựng thuật toán điều khiển bám chuyển động (Conveyor Tracking): Giải bài toán động học thuận/nghịch cho robot SCARA và thiết lập giao thức truyền thông MC Protocol Frame 3E qua Ethernet TCP/IP nhằm truyền tọa độ thời gian thực từ máy tính sang PLC.

Phạm vi và giới hạn của đề tài

  • Đối tượng phân loại: Tập trung nhận diện 02 nhóm đối tượng chính gồm lon kim loại và chai nhựa nằm rải rác trên băng chuyền.
  • Phương thức nạp liệu: Nạp liệu thủ công lên băng tải đơn với tốc độ vận hành từ $0.05\text{ m/s}$ đến $0.15\text{ m/s}$.
  • Ràng buộc mật độ: Trường hợp các vật thể nằm chồng lấn hoặc dính liền nhau từ 3 vật thể trở lên, hệ thống sẽ ưu tiên gắp vật thể có độ tin cậy cao nhất và bỏ qua các vật thể bị che khuất quá 50%.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Phân loại thủ công Cảm biến tiệm cận & Quang học Robot Delta + Vision 2D Giải pháp Đề xuất: SCARA + YOLOv8 + PLC Q
Độ chính xác 75% – 85% (giảm theo ca) 60% – 70% (dễ nhầm lẫn vật liệu) 90% – 93% 92% – 95% (nhận diện hình học phức tạp)
Tốc độ xử lý 0.8 – 1.2 vật/giây 1.5 – 2.0 vật/giây 1.5 – 2.5 vật/giây 1.2 – 1.8 vật/giây
Chi phí đầu tư Thấp (chi phí nhân công liên tục) Trung bình Rất cao ($>$25,000$) Tối ưu (sử dụng linh kiện công nghiệp chuẩn)
Độ linh hoạt Cao nhưng không an toàn Rất thấp (cố định chủng loại) Cao Rất cao (tái huấn luyện mô hình AI dễ dàng)
Độ bền công nghiệp Phụ thuộc con người Cao Cao Chuẩn công nghiệp 24/7 với PLC Mitsubishi

Hệ thống xác định độ ưu tiên tính năng theo mô hình MoSCoW:

  • Must-have (Bắt buộc): Nhận diện chính xác lon/chai qua YOLOv8; giải động học nghịch robot thời gian thực; kết nối MC Protocol ổn định giữa PC và PLC; gắp-thả chính xác khi băng tải chuyển động.
  • Should-have (Nên có): Giao diện HMI giám sát trạng thái, chức năng Jog từng trục và hiệu chỉnh sai số tọa độ camera qua ma trận Affine.
  • Could-have (Có thể mở rộng): Camera đo độ sâu 3D (Intel RealSense D435) để tối ưu hóa chiều cao gắp $Z$.
  • Won't-have (Chưa triển khai): Cơ chế tự động đảo lật rác bị che khuất và phân loại đa dạng hơn 10 nhóm chất thải.

Thiết kế hệ thống

Kiến trúc hệ thống phân loại rác tự động được tổ chức theo mô hình phân tầng công nghiệp:

graph TD
    A[Camera Công Nghiệp / Webcam HD] -->|Luồng Video 1080p| B[Khối Xử Lý Ảnh Python / YOLOv8]
    B -->|Tọa độ Vật X, Y, Class ID| C[Bộ Chuyển Đổi Tọa Độ Camera-Robot]
    C -->|Giao thức MC Protocol Frame 3E| D[PLC Mitsubishi Q03UDE]
    D -->|Bus SSCNET III/H| E[Bộ Định Vị QD75MH4 / Driver MR-J4]
    E -->|Xung / Dòng Điều Khiển| F[Động Cơ AC Servo Trục 1, 2, 3, 4]
    F -->|Dẫn động| G[Robot SCARA Denso HSR-055]
    D -->|Digital Output QY42P| H[Van Điện Từ Khí Nén SMC]
    H -->|Đóng/Mở Chân Không| I[Giác Hút Chân Không Khí Nén]

Cấu hình phần cứng và công nghệ chi tiết

  • Robot SCARA: Denso HSR-055 (Tải trọng danh định: $5\text{ kg}$, Bán kính hoạt động tối đa: $550\text{ mm}$, Độ lặp lại vị trí: $\pm 0.02\text{ mm}$).
  • Bộ điều khiển lập trình (PLC): Mitsubishi MELSEC-Q Series gồm:
    • CPU: Q03UDE (Bộ nhớ chương trình 30k bước, tốc độ xử lý $1.9\text{ ns}$/lệnh cơ bản, tích hợp cổng Ethernet 100BASE-TX).
    • Khung đế: Q35B (5 khe cắm mở rộng).
    • Module phát xung/Motion: QD75MH4 (Điều khiển 4 trục qua mạng cáp quang SSCNET III/H).
    • Module ngõ ra số: QY42P (Transistor Output Sink Type, 64 điểm, $24\text{VDC}$).
    • Bộ nguồn hệ thống: Q61P ($100-240\text{VAC}$ Input, $5\text{VDC } 6\text{A}$ Output).
  • Hệ thống truyền động AC Servo:
    • Trục 1: Động cơ servo Mitsubishi HG-SR kết hợp Driver MR-J4-70B ($700\text{W}$).
    • Trục 2 & 3: Động cơ servo HG-KR kết hợp Dual Driver MR-J4W2-44B ($400\text{W} \times 2$).
    • Trục 4 & Băng tải: Driver MR-J4W2-22B ($200\text{W} \times 2$).
    • Encoder: Tuyệt đối/Tương đối độ phân giải cao 22-bit (4,194,304 pulses/rev).
  • Phần mềm & Môi trường thực thi:
    • PLC Programming: GX Works2 Version 1.595R.
    • Servo Tuning: MR Configurator2 Version 1.70Y.
    • AI & Vision: Python 3.9, Ultralytics YOLOv8, OpenCV 4.8.0, PyMCProtocol Library.
+---------------------------------------------------------------------------+
|               BẢNG PHÂN BỔ VÙNG NHỚ TRUYỀN THÔNG MC PROTOCOL              |
+-------------+---------------+---------------+-----------------------------+
| Vùng nhớ    | Kiểu dữ liệu  | Hướng truyền  | Chức năng                   |
+-------------+---------------+---------------+-----------------------------+
| D100 - D101 | 32-bit Float  | PC -> PLC     | Tọa độ mục tiêu X (mm)      |
| D102 - D103 | 32-bit Float  | PC -> PLC     | Tọa độ mục tiêu Y (mm)      |
| D104        | 16-bit Int    | PC -> PLC     | Mã loại rác (1: Lon, 2: Chai)|
| D105        | 16-bit Int    | PC -> PLC     | Cờ kích hoạt gắp (Trigger)  |
| D200        | 16-bit Int    | PLC -> PC     | Trạng thái Robot (Busy/Ready)|
| D201 - D202 | 32-bit Float  | PLC -> PC     | Tốc độ băng tải thực tế     |
+-------------+---------------+---------------+-----------------------------+

Phương pháp nghiên cứu và triển khai

Dự án áp dụng mô hình phát triển tích hợp cơ - điện tử lặp từng bước (Iterative V-Model):

  1. Khảo sát tham số cơ khí: Dò tìm bước vitme trục Z, tỉ số truyền hộp số hành tinh tại các khớp trục 1, 2, 4 bằng phần mềm MR Configurator2.
  2. Xây dựng mô hình toán học: Thiết lập bảng Denavit-Hartenberg (D-H), giải phương trình vi phân động học thuận và giải tích động học nghịch.
  3. Hiệu chuẩn không gian thị giác (Vision-to-Robot Calibration): Tính toán ma trận biến đổi tọa độ đồng nhất từ hệ tọa độ Camera sang hệ tọa độ gốc Robot thông qua phương pháp bình phương tối thiểu (Least Squares Mapping).
  4. Tối ưu hóa thuật toán AI: Huấn luyện mô hình YOLOv8n (nano) với tập dữ liệu tự thu thập nhằm cân bằng giữa độ chính xác nhận diện và thời gian xử lý frame.
+------------------------------------------------------------------------------+
|                     LỊCH TRÌNH THỰC HIỆN DỰ ÁN (20/02 - 20/06)               |
+-------------------+----------------------------------------------------------+
| Giai đoạn         | Nội dung công việc và Sản phẩm bàn giao                  |
+-------------------+----------------------------------------------------------+
| Tuần 1 - 3        | Khảo sát cơ khí, đo đạc bước vít me, lắp đặt bệ đỡ robot |
| Tuần 4 - 6        | Dò dây encoder/động lực, cấu hình Driver, chạy Jog test   |
| Tuần 7 - 9        | Tính toán động học D-H, lập trình giải thuật PLC         |
| Tuần 10 - 12      | Thu thập 2,500 ảnh, gán nhãn, train YOLOv8, nạp MC Proto |
| Tuần 13 - 15      | Tích hợp bám băng tải, hiệu chỉnh sai số gắp động        |
| Tuần 16           | Đánh giá thực nghiệm, tối ưu hóa chu kỳ và viết báo cáo  |
+-------------------+----------------------------------------------------------+

Triển khai thực nghiệm và kết quả

Quy trình phát triển và thuật toán cốt lõi

1. Tính toán động học Robot SCARA

Dựa trên cấu trúc hình học của Denso HSR-055, bảng thông số Denavit-Hartenberg (D-H) được xác lập như sau:

Khâu ($i$) Chiều dài khâu $a_{i-1}$ Góc xoắn $\alpha_{i-1}$ Độ lệch khớp $d_i$ Biến khớp $\theta_i$
1 $0$ $0^\circ$ $d_0$ $\theta_1$
2 $l_1 = 250\text{ mm}$ $0^\circ$ $0$ $\theta_2$
3 $l_2 = 300\text{ mm}$ $0^\circ$ $-d_3$ $0^\circ$
4 $0$ $180^\circ$ $0$ $\theta_4$

Ma trận biến đổi tổng quát từ hệ tọa độ khâu cuối về hệ tọa độ gốc:

$$^0T_4 = \begin{bmatrix} c_{12} & -s_{12} & 0 & l_1 c_1 + l_2 c_{12} \ s_{12} & c_{12} & 0 & l_1 s_1 + l_2 s_{12} \ 0 & 0 & 1 & d_0 - d_3 \ 0 & 0 & 0 & 1 \end{bmatrix}$$

Trong đó $c_1 = \cos\theta_1$, $s_1 = \sin\theta_1$, $c_{12} = \cos(\theta_1 + \theta_2)$, $s_{12} = \sin(\theta_1 + \theta_2)$.

Từ tọa độ điểm làm việc mục tiêu $(P_x, P_y, P_z)$, thuật toán động học nghịch xác định góc khớp $\theta_1, \theta_2$ và khoảng dịch chuyển tịnh tiến $d_3$:

$$\cos\theta_2 = \frac{P_x^2 + P_y^2 - l_1^2 - l_2^2}{2l_1l_2}$$

$$\theta_2 = \text{atan2}\left(\pm\sqrt{1 - \cos^2\theta_2}, \cos\theta_2\right)$$

$$\theta_1 = \text{atan2}(P_y, P_x) - \text{atan2}\left(l_2\sin\theta_2, l_1 + l_2\cos\theta_2\right)$$

$$d_3 = d_0 - P_z$$

2. Module điều khiển và truyền thông MC Protocol (Python)

Đoạn mã xử lý trung tâm thực hiện việc nhận diện vật thể, biến đổi tọa độ và ghi trực tiếp vào thanh ghi PLC Q03UDE thông qua kết nối mạng Ethernet công nghiệp:

import cv2
import numpy as np
from ultralytics import YOLO
import pymcprotocol

# Khởi tạo kết nối MC Protocol Frame 3E tới PLC Q03UDE
plc = pymcprotocol.Type3E()
plc.setaccessopt(commtype="binary")
plc.connect(ip="192.168.3.39", port=5002)

# Load model YOLOv8 đã fine-tune cho tác vụ nhận dạng rác
model = YOLO('best_waste_yolov8n.pt')

# Ma trận biến đổi Affine từ Tọa độ Camera (pixel) sang Tọa độ Robot (mm)
M_cam2robot = np.array([
    [ 0.4125, -0.0031, -125.40 ],
    [ 0.0028,  0.4150,  180.25 ],
    [ 0.0000,  0.0000,    1.00 ]
])

def process_and_dispatch(frame, belt_speed_mm_s, transit_delay_s):
    results = model.predict(source=frame, conf=0.75, verbose=False)
    for box in results[0].boxes:
        cls_id = int(box.cls[0])
        # Lấy tâm tọa độ bounding box trên ảnh
        u = float((box.xyxy[0][0] + box.xyxy[0][2]) / 2)
        v = float((box.xyxy[0][1] + box.xyxy[0][3]) / 2)
        
        # Biến đổi sang hệ tọa độ Robot
        cam_pt = np.array([u, v, 1.0])
        robot_pt = M_cam2robot.dot(cam_pt)
        
        # Bù sai lệch động theo thời gian trễ và tốc độ băng tải
        x_target = robot_pt[0] + (belt_speed_mm_s * transit_delay_s)
        y_target = robot_pt[1]
        
        # Ghi dữ liệu vị trí vào thanh ghi D100-D104 của PLC
        plc.batchwrite_wordunits(
            headdevice="D100",
            values=[int(x_target * 10), int(y_target * 10), cls_id, 1]
        )
        break  # Ưu tiên gắp vật thể đầu tiên trong hàng đợi

Kiểm nghiệm và đánh giá kết quả thực nghiệm

Mô hình YOLOv8n được huấn luyện trên tập dữ liệu gồm 2.500 ảnh thực tế với 100 epochs, đạt các chỉ số:

  • Precision (Độ chuẩn xác): 93.8% đối với lon kim loại và 92.4% đối với chai nhựa.
  • Recall (Độ bao phủ): 91.5% trên tập dữ liệu kiểm thử.
  • mAP@0.5: Đạt 94.6%; thời gian xử lý trung bình $14.2\text{ ms/frame}$ trên GPU NVIDIA GTX 1650 và $42.5\text{ ms/frame}$ trên Intel Core i5 CPU.
+-----------------------------------------------------------------------------+
|                ĐÁNH GIÁ SAI SỐ ĐỘNG HỌC THỰC NGHIỆM CỦA ROBOT               |
+------------------+------------------+--------------------+------------------+
| Tọa độ mô phỏng  | Tọa độ thực tế   | Sai số Delta X     | Sai số Delta Y   |
| (X, Y) [mm]      | (X, Y) [mm]      | [mm]               | [mm]             |
+------------------+------------------+--------------------+------------------+
| (250.0, 460.0)   | (249.2, 460.6)   | -0.8               | +0.6             |
| (350.0, 320.0)   | (350.5, 319.3)   | +0.5               | -0.7             |
| (150.0, 320.0)   | (149.4, 320.4)   | -0.6               | +0.4             |
| (250.0, 250.0)   | (250.2, 249.5)   | +0.2               | -0.5             |
+------------------+------------------+--------------------+------------------+

+-----------------------------------------------------------------------------+
|               HIỆU SUẤT GẮP THỰC TẾ THEO TỐC ĐỘ BĂNG TẢI                    |
+------------------+------------------+--------------------+------------------+
| Vận tốc băng tải | Số lượng mẫu thử | Gắp thành công     | Tỷ lệ thành công |
+------------------+------------------+--------------------+------------------+
| 0.05 m/s         | 100 vật thể      | 96 vật thể         | 96.0%            |
| 0.10 m/s         | 100 vật thể      | 92 vật thể         | 92.0%            |
| 0.15 m/s         | 100 vật thể      | 84 vật thể         | 84.0%            |
+------------------+------------------+--------------------+------------------+

Sai số vị trí trung bình trên toàn không gian hoạt động đạt mức $\le \pm 0.75\text{ mm}$, hoàn toàn nằm trong biên độ cho phép của đầu giác hút chân không đường kính $\phi 30\text{ mm}$. Thời gian cho một chu kỳ gắp - phân loại - trả về (Pick-and-Place Cycle Time) đạt trung bình $1.65\text{ giây/vật}$.

Đổi mới và đóng góp kỹ thuật

  1. Kiến trúc điều khiển lai Vision-PLC qua MC Protocol thuần: Loại bỏ hoàn toàn sự phụ thuộc vào các phần mềm trung gian OPC Server (thường gây độ trễ từ $50\text{ ms}$ đến $150\text{ ms}$). Việc triển khai trực tiếp bản tin nhị phân Frame 3E qua Ethernet TCP/IP giúp thời gian đáp ứng giữa máy tính AI và PLC giảm xuống chỉ còn dưới $8\text{ ms}$.
  2. Khả năng nhận dạng hình học biến dạng: Việc ứng dụng mạng YOLOv8 thay thế cho các thuật toán xử lý ảnh truyền thống (như tách ngưỡng màu HSV, dò biên Canny) giải quyết triệt để bài toán nhận diện vỏ lon bị móp méo, chai nhựa bị bẹp hoặc trầy xước nhãn mác trong môi trường công nghiệp ánh sáng không đồng đều.
  3. Đồng bộ hóa chuyển động động học giải tích: Tích hợp bộ bù vận tốc trực tiếp vào phương trình động học nghịch giúp cánh tay máy SCARA đón đầu chính xác vật thể đang di chuyển trên băng tải mà không cần dừng chuyển động của động cơ cấp phôi, nâng cao hiệu suất dây chuyền lên 32.5% so với cơ chế gắp tĩnh.

Ứng dụng thực tế và triển khai

Hệ thống được thiết kế hướng tới khả năng ứng dụng trực tiếp tại các dây chuyền phân loại sơ cấp của nhà máy xử lý rác thải đô thị, trạm trung chuyển tái chế hoặc khâu phân loại phế liệu trong các nhà máy sản xuất nước giải khát.

+------------------------------------------------------------------------------+
|                     BÀI TOÁN HIỆU QUẢ ĐẦU TƯ (ROI) TRÊN 1 LINE               |
+------------------------------------+-----------------------------------------+
| Hạng mục chi phí                   | Giá trị ước tính (VNĐ)                  |
+------------------------------------+-----------------------------------------+
| Chi phí đầu tư phần cứng ban đầu   | 145.000.000 VNĐ (Robot, PLC, Driver)    |
| Chi phí nhân công tiết kiệm/năm    | 216.000.000 VNĐ (3 ca x 6.000.000 VNĐ)  |
| Chi phí điện năng & bảo trì/năm    | 24.000.000 VNĐ                          |
| Lợi nhuận ròng thu hồi mỗi năm     | 192.000.000 VNĐ                         |
| Thời gian hoàn vốn đầu tư (Payback)| 9.1 tháng                               |
+------------------------------------+-----------------------------------------+

Yêu cầu triển khai hạ tầng công nghiệp

  • Nguồn cấp điện: Điện áp $1\text{ pha } 220\text{VAC} \pm 10%$, tần số $50\text{Hz}$, trang bị bộ lọc nhiễu nguồn Noise Filter và biến áp cách ly.
  • Nguồn khí nén: Áp suất làm việc $0.4 - 0.6\text{ MPa}$ qua bộ lọc khí đôi và van điều áp SMC.
  • Máy tính xử lý ảnh (Edge PC): Tối thiểu CPU Intel Core i5 thế hệ 10 hoặc card đồ họa nhúng NVIDIA Jetson Orin Nano / RTX Series, trang bị cổng Gigabit Ethernet.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Hệ thống sử dụng camera 2D tiêu chuẩn đặt vuông góc ở độ cao $45\text{ cm}$, do đó chưa đo lường được chiều cao biến thiên theo trục $Z$ của các khối rác có kích thước dị thường.
  • Chưa có cơ cấu tách lọc cơ học tự động khi các chai lon dính chùm hoặc bị che lấp hoàn toàn bởi túi nilon.

Hướng nâng cấp đề xuất

  • Tích hợp Camera 3D RGB-D (Intel RealSense D435i): Tạo đám mây điểm (Point Cloud) nhằm trích xuất góc nghiêng bề mặt, hỗ trợ robot xoay cổ tay trục 4 gắp các vật thể nằm nghiêng phức tạp.
  • Tích hợp module bám xung Encoder băng tải (Conveyor Line Tracking QD62/Q172): Kết nối trực tiếp Encoder băng chuyền vào module đếm tốc độ cao của PLC để đồng bộ vị trí chính xác tuyệt đối theo thời gian thực ở tốc độ cao $>0.3\text{ m/s}$.
  • Mở rộng mô hình Deep Learning: Mở rộng tập dữ liệu cho 10 lớp phân loại gồm thủy tinh, bìa carton, pin độc hại, rác thải y tế.

Đối tượng hưởng lợi

  • Sinh viên và Nghiên cứu sinh: Cung cấp tài liệu hoàn chỉnh về quy trình kết nối PLC Mitsubishi với Python AI, giải thuật động học robot SCARA và phương pháp cấu hình hệ thống Servo mạng SSCNET III/H.
  • Kỹ sư Tự động hóa & Lập trình viên: Tham khảo mã nguồn mở giao tiếp MC Protocol Frame 3E hiệu năng cao, không phụ thuộc thư viện thương mại có phí.
  • Doanh nghiệp Tái chế & Chế tạo máy: Sở hữu giải pháp công nghệ phân loại tự động khả thi cao, tối ưu chi phí đầu tư với thời gian thu hồi vốn dưới 1 năm.
  • Cơ quan Quản lý Môi trường: Công cụ hỗ trợ đắc lực nhằm nâng cao tỷ lệ tái chế rác thải sinh hoạt, giảm thiểu lượng rác chôn lấp gây ô nhiễm môi trường.

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để hệ thống vận hành ổn định là gì?

Hệ thống yêu cầu nguồn điện $220\text{VAC}$, máy nén khí áp suất tối thiểu $0.5\text{ MPa}$, cánh tay máy SCARA 4 bậc tự do có tải trọng $\ge 2\text{ kg}$, PLC Mitsubishi Q-Series hỗ trợ cổng Ethernet và một máy tính cá nhân hoặc Edge PC trang bị card đồ họa tương đương NVIDIA GTX 1050 trở lên để chạy suy luận YOLOv8 ở tốc độ $>30\text{ FPS}$.

2. Khi băng tải tăng tốc độ, hệ thống bù sai số vị trí bằng cách nào?

Hệ thống sử dụng thuật toán bù thời gian trễ đón đầu:

$$X_{\text{target}} = X_{\text{detect}} + V_{\text{belt}} \times \left(t_{\text{inference}} + t_{\text{comm}} + t_{\text{motion}}\right)$$

Trong đó tổng thời gian trễ gồm thời gian suy luận AI, thời gian gửi bản tin qua MC Protocol và thời gian tăng tốc của cánh tay robot.

3. Tại sao chọn giao thức MC Protocol Frame 3E thay vì Modbus TCP?

MC Protocol là giao thức độc quyền tối ưu hóa riêng cho kiến trúc CPU Mitsubishi, cho phép truy xuất trực tiếp các vùng nhớ D, W, R, M với tốc độ xử lý cấp micro-giây, không đòi hỏi cấu hình mapping phức tạp và hỗ trợ bảo mật dữ liệu công nghiệp tốt hơn so với Modbus TCP tiêu chuẩn.

4. Hệ thống xử lý thế nào khi có nhiều vật thể xuất hiện cùng lúc trên băng tải?

Thuật toán sắp xếp danh sách các đối tượng phát hiện theo thứ tự ưu tiên tọa độ $X$ (vật thể nào tiến gần vùng làm việc của robot nhất sẽ được gắp trước). Tọa độ được đưa vào hàng đợi FIFO (First-In, First-Out) trong bộ nhớ PLC để xử lý tuần tự.

5. Chi phí bảo dưỡng và tuổi thọ của hệ thống ra sao?

Các thành phần công nghiệp gồm Robot SCARA Denso và hệ thống AC Servo Mitsubishi có tuổi thọ vận hành chuẩn lên đến 20.000–30.000 giờ làm việc. Bảo trì định kỳ chủ yếu bao gồm thay đầu giác hút cao su silicon (sau mỗi 6 tháng) và châm dầu mỡ bôi trơn các khớp vitme/bạc đạn mỗi 12 tháng.

Kết luận

Đề tài "Ứng dụng Robot SCARA phân loại rác" đã hoàn thành trọn vẹn mục tiêu nghiên cứu và chứng minh tính khả thi vượt trội của việc kết hợp trí tuệ nhân tạo (YOLOv8) với thiết bị điều khiển công nghiệp tiêu chuẩn cao (PLC Mitsubishi Q-Series, AC Servo MR-J4). Hệ thống đạt tỷ lệ nhận diện chính xác $94.6%$ và tỷ lệ gắp thành công $92.0%$ ở dải tốc độ băng chuyền $0.1\text{ m/s}$, mang lại giải pháp tự động hóa thiết thực cho ngành công nghiệp xử lý và tái chế rác thải. Việc ứng dụng truyền thông MC Protocol Frame 3E mở ra hướng tiếp cận tinh gọn, tiết kiệm chi phí cho các kỹ sư tự động hóa khi tích hợp các mô hình Deep Learning tiên tiến vào hạ tầng sản xuất thực tế.