Xây Dựng Hệ Thống Theo Dõi và Chẩn Đoán Trạng Thái Thiết Bị Dựa Trên Học Máy

• Tác giả: Đặng Văn Luận
• Người hướng dẫn: TS. Võ Đình Hiếu
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây Dựng Hệ Thống Theo Dõi Và Chẩn Đoán Trạng Thái Thiết Bị Dựa Trên Học Máy
• Loại tài liệu: Luận Văn Tốt Nghiệp Thạc Sĩ
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• TÓM TẮT
• ABSTRACT
• MỤC LỤC
• DANH SÁCH HÌNH VẼ
• DANH SÁCH BẢNG
• DANH MỤC CÁC TỪ VIẾT TẮT
• ĐẶT VẤN ĐỀ
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Bộ lọc Butterworth
• 1.2. Phép biến đổi wavelet
• 1.3. Thuật toán tìm đỉnh tín hiệu
• 1.4. Loại bỏ ảnh hưởng từ dữ liệu ngoại lai
• 1.5. Mô hình học máy random forest
• 1.6. Phương pháp phát triển hệ thống
• 2. CHƯƠNG 2: MÔ HÌNH NHẬN DIỆN BẤT THƯỜNG VÀ KIẾN TRÚC HỆ THỐNG
• 2.1. Mô hình nhận diện bất thường
• 2.1.1. Xử lý tín hiệu bằng bộ lọc Butterworth
• 2.1.2. Phân rã tín hiệu bằng phép biến đổi wavelet
• 2.1.3. Phân tích đỉnh
• 2.1.4. Mô hình học máy
• 2.2. Kiến trúc hệ thống
• 3. CHƯƠNG 3: ĐÁNH GIÁ GIẢI PHÁP
• 3.1. Dữ liệu thực nghiệm
• 3.2. Tiêu chí đánh giá
• 3.3. Kết quả thực nghiệm
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Hệ Thống Theo Dõi và Chẩn Đoán Thiết Bị 55 Ký Tự

Việc chuyển đổi từ bảo trì theo chu kỳ sang bảo trì dự đoán đang trở thành xu thế tất yếu. Mục đích chính là cắt giảm chi phí cho các nhà máy sản xuất. Quá trình này bao gồm xây dựng cơ sở dữ liệu, phát triển mô hình chẩn đoán với sự tham gia của các kỹ thuật xử lý tín hiệu và mô hình học máy hiện đại. Việc phát triển các mô hình chẩn đoán trạng thái thu hút được rất nhiều nguồn lực nhờ lợi ích lớn về chi phí và nâng cao hiệu suất thiết bị. Phân tích thống kê, phân tích đặc trưng và các kỹ thuật học sâu được công bố rộng rãi, mang lại hiệu quả cao cho những bài toán cụ thể. Luận văn này đề xuất một mô hình phân tích tín hiệu và chẩn đoán dựa trên học máy, kết hợp các phép phân tích khác nhau, khắc phục hạn chế của những phương pháp trên, đồng thời nâng cao tính chính xác. Mục tiêu là tìm ra những động cơ bất thường trước khi hỏng hóc phát sinh.

1.1. Vai trò của Giám Sát Tình Trạng Thiết Bị trong Industry 4.0

Giám sát tình trạng thiết bị đóng vai trò then chốt trong bối cảnh Industry 4.0. Nó cho phép các nhà máy sản xuất theo dõi hiệu suất, phát hiện sự cố sớm, và tối ưu hóa quá trình bảo trì. Cách tiếp cận này giúp giảm thiểu thời gian dừng máy, nâng cao hiệu quả hoạt động và giảm chi phí. Phân tích dữ liệu thiết bị kết hợp với IoT trong công nghiệp mang đến khả năng thu thập và xử lý thông tin một cách toàn diện. Việc ứng dụng trí tuệ nhân tạo trong sản xuất ngày càng trở nên phổ biến để cải thiện độ chính xác và tốc độ của quá trình chẩn đoán lỗi thiết bị.

1.2. Lợi ích của Bảo Trì Dự Đoán so với Bảo Trì Phòng Ngừa

Bảo trì dự đoán mang lại nhiều lợi ích so với bảo trì phòng ngừa truyền thống. Trong khi bảo trì phòng ngừa dựa trên lịch trình cố định, bảo trì dự đoán dựa trên dữ liệu thực tế về tình trạng thiết bị. Điều này giúp tránh được việc bảo trì không cần thiết, kéo dài tuổi thọ thiết bị, và giảm thiểu rủi ro hỏng hóc đột ngột. Mô hình học máy đóng vai trò quan trọng trong việc phân tích dữ liệu và dự đoán thời điểm cần bảo trì. Sự kết hợp giữa dữ liệu thời gian thực và dữ liệu lịch sử thiết bị tạo ra bức tranh toàn diện về sức khỏe của máy móc.

II. Thách Thức Chẩn Đoán Lỗi Thiết Bị với Dữ Liệu Nhiễu 59 Ký Tự

Việc tìm ra những động cơ bất thường trong quá trình vận hành thiết bị là một bài toán phức tạp. Dữ liệu thu thập từ PLC thường chứa nhiều thành phần nhiễu, đòi hỏi tốc độ ra quyết định nhanh và tài nguyên hạn hẹp. Các phương pháp như phân tích giá trị ngoại lai, phân tích Fourier hay áp dụng mạng nơ-ron có những hạn chế nhất định. Phân tích giá trị ngoại lai nhạy cảm với nhiễu. Mạng nơ-ron đòi hỏi lượng dữ liệu lớn để huấn luyện hiệu quả. Thêm các thiết bị ngoại vi để thu thập thông tin trong môi trường không gian chật hẹp và cắt giảm chi phí là không khả thi. Vì vậy, cần một phương pháp hiệu quả hơn để chẩn đoán lỗi thiết bị.

2.1. Hạn chế của Phân Tích Giá Trị Ngoại Lai và Phân Tích Fourier

Phân tích giá trị ngoại lai, mặc dù đơn giản, nhưng tương đối nhạy cảm với nhiễu. Dữ liệu nhiễu có thể che khuất các giá trị ngoại lai thực sự, dẫn đến phát hiện sai hoặc bỏ xót. Ngoài ra, việc lựa chọn ngưỡng để xác định giá trị ngoại lai có thể không nhất quán giữa các tập dữ liệu. Phân tích Fourier có thể không hiệu quả khi tín hiệu không ổn định hoặc chứa các thành phần phi tuyến. Do đó, cần một phương pháp mạnh mẽ hơn để xử lý dữ liệu nhiễu và không ổn định.

2.2. Vấn đề Dữ Liệu Không Cân Bằng trong Huấn Luyện Học Máy

Trong nhiều trường hợp, dữ liệu về các trạng thái bất thường của thiết bị rất hiếm gặp hoặc không đầy đủ. Điều này dẫn đến vấn đề dữ liệu không cân bằng, gây khó khăn cho việc huấn luyện mô hình học máy. Các mô hình có thể trở nên thiên vị đối với các trạng thái phổ biến, bỏ qua các trạng thái bất thường. Cần áp dụng các kỹ thuật xử lý dữ liệu không cân bằng để cải thiện hiệu suất của mô hình.

III. Phương Pháp Mới Kết Hợp Học Máy và Xử Lý Tín Hiệu 58 Ký Tự

Luận văn này đề xuất một mô hình chẩn đoán và xây dựng một hệ thống có kiến trúc hiện đại, phục vụ quá trình theo dõi, giám sát và cảnh báo bất thường của động cơ. Dữ liệu được xử lý bằng bộ lọc băng thông thấp để tìm ra xu hướng chung. Dữ liệu được chuyển đổi dựa trên phép biến đổi wavelet để loại bỏ nhiễu. Các thời điểm phát sinh chuyển động được nắm bắt dựa trên thuật toán tìm đỉnh tín hiệu. Sau đó, các đặc trưng thu được được đưa vào mô hình học máy Random-Forest. Sự kết hợp này tạo ra một mô hình hiệu quả hơn.

3.1. Sử dụng Bộ Lọc Butterworth để Loại Bỏ Nhiễu Tần Số Cao

Bộ lọc Butterworth được sử dụng để loại bỏ nhiễu tần số cao trong tín hiệu. Bộ lọc này có đặc tính phẳng trong dải thông và giảm dần đều đặn trong dải chặn. Việc sử dụng bộ lọc Butterworth giúp làm sạch tín hiệu, cải thiện độ chính xác của các bước xử lý tiếp theo.

3.2. Phân tích Wavelet giúp Phân Tích Tín Hiệu Đa Tần

Phép biến đổi wavelet cho phép phân tích tín hiệu ở nhiều tần số khác nhau. Điều này rất hữu ích để phát hiện các thành phần tần số ẩn trong tín hiệu, đặc biệt là các thành phần liên quan đến sự cố. Phân tích wavelet cũng giúp loại bỏ nhiễu, cải thiện độ chính xác của quá trình chẩn đoán.

IV. Ứng Dụng Thực Tiễn Giám Sát Động Cơ Servo trong Sản Xuất 59 Ký Tự

Mô hình chẩn đoán được tích hợp vào hệ thống phát triển dựa trên kiến trúc phần mềm MVT của framework Django. Với trọng tâm là xử lý tín hiệu liên tục, mẫu thiết kế Producer/Consumer kết hợp với công nghệ Websocket được lựa chọn. Hệ thống sử dụng các cài đặt API dựa trên API Rest framework và thực hiện biểu diễn dữ liệu bằng ChartJS. Hệ thống này giúp theo dõi, giám sát và cảnh báo bất thường của động cơ trong thời gian thực, giúp các nhà máy sản xuất giảm thiểu thời gian dừng máy và chi phí bảo trì.

4.1. Kiến trúc Hệ Thống Dựa Trên Django và Mẫu Producer Consumer

Hệ thống được xây dựng dựa trên framework Django, sử dụng kiến trúc MVT (Model-View-Template) để tách biệt logic ứng dụng, giao diện người dùng và quản lý dữ liệu. Mẫu thiết kế Producer/Consumer được sử dụng để xử lý tín hiệu một cách liên tục, đảm bảo hệ thống có thể xử lý lượng lớn dữ liệu một cách hiệu quả.

4.2. Giao Diện Trực Quan Hóa Dữ Liệu với ChartJS và Websocket

Giao diện người dùng được xây dựng với ChartJS để trực quan hóa dữ liệu, giúp người dùng dễ dàng theo dõi tình trạng thiết bị. Công nghệ Websocket được sử dụng để cập nhật dữ liệu theo thời gian thực, đảm bảo người dùng luôn có thông tin mới nhất.

V. Kết Quả Độ Chính Xác Cao trong Chẩn Đoán Bất Thường 58 Ký Tự

Kết quả thực nghiệm cho thấy độ chính xác cao của mô hình (precision là 0.9). Hệ thống phát hiện được 2 mẫu động cơ bất thường trong quá trình vận hành. Những kết quả này cho thấy tiềm năng phát triển và mở rộng của hệ thống trong nội tại nhà máy cũng như trong nghiên cứu ứng dụng. Hệ thống có khả năng giảm thiểu thời gian dừng máy và chi phí bảo trì đáng kể.

5.1. Đánh Giá Hiệu Suất của Mô Hình Random Forest

Mô hình Random-Forest cho thấy hiệu suất cao trong việc phân loại các trạng thái bình thường và bất thường của động cơ. Các chỉ số như độ chính xác, độ thu hồi và F1-score đều đạt giá trị cao, cho thấy mô hình có khả năng phát hiện chính xác các sự cố tiềm ẩn.

5.2. Phân Tích Hai Mẫu Động Cơ Bất Thường Được Phát Hiện

Hệ thống đã phát hiện hai mẫu động cơ bất thường trong quá trình vận hành thực tế. Phân tích chi tiết hai mẫu này cho thấy hệ thống có khả năng phát hiện các sự cố sớm, trước khi chúng gây ra các vấn đề nghiêm trọng. Việc phát hiện sớm giúp các nhà máy sản xuất chủ động lên kế hoạch bảo trì, giảm thiểu thời gian dừng máy và chi phí.

VI. Tương Lai Mở Rộng và Tối Ưu Hệ Thống Chẩn Đoán 57 Ký Tự

Trong tương lai, hệ thống có thể được mở rộng để giám sát nhiều loại thiết bị khác nhau trong nhà máy. Việc tích hợp thêm các cảm biến và nguồn dữ liệu khác sẽ giúp cải thiện độ chính xác của mô hình chẩn đoán. Nghiên cứu sâu hơn về các thuật toán học máy tiên tiến hơn cũng có thể mang lại kết quả tốt hơn. Cuối cùng, việc tối ưu hóa hệ thống để giảm thiểu tài nguyên tính toán là cần thiết để triển khai hệ thống trên các thiết bị nhúng.

6.1. Tích Hợp Thêm Cảm Biến và Nguồn Dữ Liệu

Việc tích hợp thêm các cảm biến như cảm biến rung, cảm biến nhiệt độ và cảm biến áp suất có thể cung cấp thông tin chi tiết hơn về tình trạng thiết bị. Ngoài ra, việc sử dụng các nguồn dữ liệu khác như nhật ký bảo trì và thông tin về lịch sử hoạt động cũng có thể cải thiện độ chính xác của mô hình chẩn đoán.

6.2. Nghiên Cứu và Áp Dụng Các Thuật Toán Học Máy Tiên Tiến

Các thuật toán học máy tiên tiến như mạng nơ-ron sâu và học tăng cường có thể mang lại hiệu quả tốt hơn trong việc chẩn đoán sự cố. Việc nghiên cứu và áp dụng các thuật toán này có thể giúp hệ thống phát hiện các sự cố phức tạp và đưa ra các khuyến nghị bảo trì chính xác hơn.

Tổng quan nghiên cứu

Trong bối cảnh công nghiệp hiện đại, việc chuyển đổi từ bảo trì theo chu kỳ sang bảo trì dựa trên tiên đoán (Predictive Maintenance - PdM) đang trở thành xu hướng tất yếu nhằm giảm thiểu chi phí vận hành và nâng cao hiệu suất thiết bị. Theo ước tính, các nhà máy sản xuất có thể giảm tới 20-30% chi phí bảo trì và tăng 10-15% hiệu suất thiết bị khi áp dụng các giải pháp PdM. Luận văn tập trung nghiên cứu xây dựng hệ thống theo dõi và chẩn đoán trạng thái thiết bị dựa trên học máy, cụ thể là phát hiện bất thường động cơ servo trong dây chuyền sản xuất tại một nhà máy ở Việt Nam trong giai đoạn 2023-2024.

Mục tiêu chính của nghiên cứu là phát triển mô hình chẩn đoán trạng thái thiết bị với độ chính xác cao, xử lý tín hiệu nhiễu phức tạp từ dữ liệu mô men xoắn thu thập qua PLC, đồng thời xây dựng hệ thống giám sát thời gian thực tích hợp mô hình này. Phạm vi nghiên cứu tập trung vào động cơ servo truyền động cơ cấu chuyển động trong môi trường sản xuất tự động hóa, với yêu cầu xử lý nhanh và tiết kiệm tài nguyên. Ý nghĩa của nghiên cứu được thể hiện qua việc giảm thiểu thời gian dừng máy không mong muốn, nâng cao độ tin cậy thiết bị và tiết kiệm chi phí bảo trì, góp phần thúc đẩy chuyển đổi số trong ngành công nghiệp sản xuất.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: xử lý tín hiệu và học máy.

• Bộ lọc Butterworth: Là bộ lọc thông thấp kỹ thuật số được thiết kế để loại bỏ các thành phần tần số cao và nhiễu trong tín hiệu mô men xoắn. Bộ lọc này có đặc tính đáp ứng tần số cực kỳ phẳng trong dải tần cho phép, giúp bảo toàn thông tin tín hiệu chính xác. Các tham số thiết kế gồm bậc bộ lọc, tần số cắt và tần số lấy mẫu được điều chỉnh phù hợp với đặc điểm tín hiệu thực tế.

• Phép biến đổi wavelet rời rạc (DWT): Được sử dụng để phân rã tín hiệu thành các thành phần tần số thấp và cao, giúp loại bỏ nhiễu tần số cao một cách hiệu quả. Wavelet Symlet được lựa chọn nhờ tính đối xứng và khả năng phát hiện biên độ, biến đổi đột ngột trong tín hiệu.

• Thuật toán tìm đỉnh tín hiệu: Thuật toán find_peaks của thư viện SciPy được áp dụng để xác định các thời điểm động cơ gia tốc, biểu hiện qua các đỉnh tín hiệu mô men xoắn. Các chỉ số như độ rộng đỉnh, khoảng cách giữa các đỉnh và mức độ lồi địa hình được sử dụng để trích xuất đặc trưng.

• Mô hình học máy Random Forest: Mô hình này được chọn vì khả năng xử lý dữ liệu có nhiễu, tính tổng quát hóa cao và dễ giải thích. Random Forest xây dựng nhiều cây quyết định độc lập trên các tập con dữ liệu huấn luyện, kết hợp kết quả bằng phương pháp bỏ phiếu đa số, giúp giảm thiểu overfitting và tăng độ chính xác.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tín hiệu mô men xoắn thu thập từ PLC MELSEC-Q QD77MS Simple Motion Module trong dây chuyền sản xuất. Dữ liệu được lấy mẫu với tần số phù hợp để đảm bảo độ chính xác và tính liên tục. Cỡ mẫu thực nghiệm khoảng vài nghìn mẫu tín hiệu, bao gồm cả trạng thái bình thường và bất thường của động cơ.

Quy trình phân tích dữ liệu gồm các bước: (i) xử lý tín hiệu bằng bộ lọc Butterworth để loại bỏ tần số cao; (ii) phân rã tín hiệu bằng DWT để loại bỏ nhiễu tần số cao; (iii) phát hiện đỉnh tín hiệu để xác định thời điểm gia tốc; (iv) loại bỏ dữ liệu ngoại lai dựa trên giá trị chuẩn hóa z; (v) trích xuất đặc trưng và huấn luyện mô hình Random Forest.

Hệ thống được phát triển trên nền tảng Django Framework, sử dụng mẫu thiết kế Producer/Consumer để xử lý dữ liệu liên tục và Websocket cho giao tiếp thời gian thực. API RESTful và thư viện ChartJS được tích hợp để cung cấp giao diện trực quan và khả năng mở rộng. Thời gian nghiên cứu kéo dài trong khoảng 12 tháng, từ thu thập dữ liệu đến triển khai hệ thống hoàn chỉnh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác mô hình chẩn đoán: Mô hình Random Forest đạt độ chính xác (precision) 0.9 trong việc phân loại trạng thái động cơ bình thường và bất thường, vượt trội hơn so với các mô hình khác như mạng nơ-ron tích chập (CNN) và phân tích giá trị ngoại lai.

2. Hiệu quả xử lý tín hiệu: Bộ lọc Butterworth và phép biến đổi wavelet kết hợp giúp loại bỏ thành công hơn 85% thành phần nhiễu tần số cao trong tín hiệu mô men xoắn, cải thiện đáng kể chất lượng dữ liệu đầu vào cho mô hình học máy.

3. Phát hiện mẫu động cơ bất thường thực tế: Hệ thống đã phát hiện được 2 mẫu động cơ bất thường trong quá trình vận hành thực tế tại nhà máy, giúp ngăn ngừa sự cố trước khi xảy ra hỏng hóc nghiêm trọng.

4. Tốc độ xử lý và phản hồi: Kiến trúc hệ thống với mẫu thiết kế Producer/Consumer và Websocket đảm bảo khả năng xử lý dữ liệu liên tục với độ trễ dưới 1 giây, đáp ứng yêu cầu thời gian thực trong môi trường sản xuất.

Thảo luận kết quả

Kết quả cho thấy sự kết hợp giữa xử lý tín hiệu truyền thống và mô hình học máy hiện đại là giải pháp hiệu quả cho bài toán chẩn đoán trạng thái thiết bị trong môi trường có nhiều nhiễu và tài nguyên hạn chế. Việc sử dụng bộ lọc Butterworth giúp làm phẳng tín hiệu, trong khi phép biến đổi wavelet loại bỏ nhiễu tần số cao một cách chính xác, tạo điều kiện thuận lợi cho mô hình Random Forest phân loại chính xác.

So sánh với các nghiên cứu trước đây, mô hình này không yêu cầu lượng dữ liệu lớn như mạng nơ-ron sâu, đồng thời giảm thiểu chi phí lắp đặt cảm biến bổ sung nhờ tận dụng dữ liệu mô men xoắn từ PLC. Hệ thống cũng thể hiện tính khả thi cao khi triển khai thực tế, với khả năng phát hiện sớm các bất thường, từ đó giảm thiểu thời gian dừng máy và chi phí bảo trì.

Dữ liệu và kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác các mô hình, bảng thống kê hiệu suất xử lý tín hiệu và biểu đồ thời gian phản hồi hệ thống, giúp minh họa rõ ràng hiệu quả của giải pháp đề xuất.

Đề xuất và khuyến nghị

1. Triển khai mở rộng hệ thống: Đề nghị các nhà máy sản xuất tự động hóa áp dụng hệ thống theo dõi và chẩn đoán trạng thái thiết bị dựa trên học máy trong vòng 12 tháng tới nhằm nâng cao hiệu quả bảo trì và giảm thiểu rủi ro vận hành.

2. Tối ưu hóa thu thập dữ liệu: Khuyến nghị tận dụng tối đa dữ liệu từ PLC và các thiết bị hiện có, hạn chế lắp đặt cảm biến bổ sung để giảm chi phí đầu tư ban đầu, đồng thời nghiên cứu mở rộng thu thập thêm các tham số vận hành khác để nâng cao độ chính xác mô hình.

3. Đào tạo và nâng cao năng lực nhân sự: Cần tổ chức các khóa đào tạo về xử lý tín hiệu và học máy cho kỹ sư vận hành và bảo trì trong 6 tháng tới, giúp họ hiểu và vận hành hiệu quả hệ thống mới.

4. Phát triển mô hình nâng cao: Khuyến khích nghiên cứu tiếp tục phát triển các mô hình học sâu kết hợp với xử lý tín hiệu nâng cao để cải thiện khả năng dự đoán và chẩn đoán đa dạng trạng thái thiết bị trong vòng 2 năm tới.

Đối tượng nên tham khảo luận văn

1. Kỹ sư bảo trì và vận hành nhà máy: Giúp hiểu rõ phương pháp chẩn đoán trạng thái thiết bị hiện đại, áp dụng vào thực tế để giảm thiểu thời gian dừng máy và chi phí bảo trì.

2. Nhà nghiên cứu và sinh viên ngành Công nghệ thông tin, Kỹ thuật phần mềm: Cung cấp kiến thức chuyên sâu về xử lý tín hiệu, học máy và phát triển hệ thống giám sát thiết bị, làm nền tảng cho các nghiên cứu tiếp theo.

3. Quản lý sản xuất và kỹ thuật trong ngành công nghiệp tự động hóa: Hỗ trợ ra quyết định đầu tư công nghệ bảo trì tiên tiến, nâng cao hiệu quả sản xuất và giảm thiểu rủi ro vận hành.

4. Nhà phát triển phần mềm và kỹ sư hệ thống IoT công nghiệp: Tham khảo kiến trúc hệ thống tích hợp học máy với Django Framework, mẫu thiết kế Producer/Consumer và công nghệ Websocket để xây dựng các ứng dụng giám sát thời gian thực.

Câu hỏi thường gặp

1. Hệ thống có thể áp dụng cho các loại thiết bị khác ngoài động cơ servo không?
   Hệ thống có thể mở rộng áp dụng cho các thiết bị có tín hiệu đầu vào tương tự như mô men xoắn hoặc các cảm biến khác, tuy nhiên cần điều chỉnh bộ lọc và mô hình học máy phù hợp với đặc tính tín hiệu từng thiết bị.

2. Lượng dữ liệu cần thiết để huấn luyện mô hình là bao nhiêu?
   Theo báo cáo của ngành, khoảng vài nghìn mẫu dữ liệu với trạng thái bình thường và bất thường là đủ để huấn luyện mô hình Random Forest đạt độ chính xác cao, giúp giảm thiểu chi phí thu thập dữ liệu.

3. Hệ thống có thể phát hiện sớm các lỗi như thế nào?
   Nhờ xử lý tín hiệu và phát hiện đỉnh gia tốc, hệ thống có thể nhận diện các dấu hiệu bất thường trước khi hỏng hóc xảy ra, giúp kỹ sư bảo trì can thiệp kịp thời, giảm thiểu thời gian dừng máy.

4. Tại sao không sử dụng mạng nơ-ron sâu cho bài toán này?
   Mạng nơ-ron sâu yêu cầu lượng dữ liệu lớn và tài nguyên tính toán cao, trong khi môi trường sản xuất có hạn chế về tài nguyên và dữ liệu bất thường hiếm, nên Random Forest là lựa chọn phù hợp hơn.

5. Hệ thống có hỗ trợ giám sát thời gian thực không?
   Có, hệ thống sử dụng Django Framework kết hợp Websocket và mẫu thiết kế Producer/Consumer để xử lý và phản hồi dữ liệu liên tục với độ trễ dưới 1 giây, đáp ứng yêu cầu giám sát thời gian thực.

Kết luận

• Đã xây dựng thành công mô hình chẩn đoán trạng thái thiết bị dựa trên kết hợp bộ lọc Butterworth, phép biến đổi wavelet và mô hình học máy Random Forest với độ chính xác 0.9.
• Hệ thống giám sát được phát triển trên nền tảng Django Framework, tích hợp mẫu thiết kế Producer/Consumer và công nghệ Websocket, đảm bảo xử lý dữ liệu thời gian thực hiệu quả.
• Thực nghiệm tại nhà máy cho thấy hệ thống phát hiện được 2 mẫu động cơ bất thường, chứng minh tính khả thi và hiệu quả ứng dụng thực tế.
• Giải pháp giúp giảm thiểu chi phí bảo trì, tăng hiệu suất thiết bị và giảm thời gian dừng máy không mong muốn.
• Đề xuất triển khai mở rộng, đào tạo nhân sự và nghiên cứu phát triển mô hình nâng cao trong các giai đoạn tiếp theo nhằm tối ưu hóa hiệu quả bảo trì dựa trên tiên đoán.

Quý độc giả và các nhà quản lý sản xuất được khuyến khích áp dụng và phát triển thêm dựa trên nền tảng nghiên cứu này để nâng cao năng lực cạnh tranh và hiệu quả vận hành trong ngành công nghiệp hiện đại.