Vì sao hoạt động phát hiện lỗi sản xuất đang chuyển dịch sang biên

Các nhà sản xuất không ngừng hướng tới chất lượng sản phẩm cao hơn, chi phí vận hành thấp hơn và hiệu quả sản xuất lớn hơn. Khi dây chuyền sản xuất trở nên nhanh hơn và tự động hóa hơn, các phương pháp kiểm tra truyền thống gặp khó khăn trong việc đáp ứng yêu cầu về công suất hiện đại. Kiểm tra thủ công vẫn có giá trị trong nhiều ngành, nhưng thường gây ra sự thiếu nhất quán, lỗi do mệt mỏi và những hạn chế về khả năng mở rộng.

Đồng thời, các cơ sở công nghiệp hiện tạo ra lượng dữ liệu vận hành khổng lồ thông qua cảm biến, camera, bộ điều khiển và các thiết bị được kết nối. Những nguồn dữ liệu này mở ra cơ hội cho các ứng dụng phân tích nâng cao và học máy, có thể xác định các vấn đề về chất lượng từ rất lâu trước khi sản phẩm đến tay khách hàng.

Một trong những phát triển quan trọng nhất trong những năm gần đây là việc triển khai trực tiếp các mô hình học máy tại biên công nghiệp. Thay vì gửi mọi hình ảnh đến một nền tảng đám mây từ xa để phân tích, các nhà sản xuất có thể phát hiện lỗi cục bộ trên máy tính công nghiệp, bộ xử lý nhúng và cổng biên được lắp đặt gần thiết bị sản xuất.

Phương pháp này giúp giảm đáng kể độ trễ đồng thời cải thiện khả năng phản hồi của hệ thống. Thiết bị sản xuất có thể ngay lập tức phản ứng với các lỗi được phát hiện, loại bỏ sản phẩm không phù hợp, kích hoạt cảnh báo hoặc bắt đầu các hành động khắc phục mà không cần chờ xử lý trên đám mây.

Các nền tảng đám mây vẫn đóng vai trò thiết yếu trong việc huấn luyện, quản lý và cải tiến các mô hình học máy. Tuy nhiên, điện toán biên cho phép các nhà máy thực hiện suy luận theo thời gian thực ngay tại nơi dữ liệu được tạo ra. Sự kết hợp giữa trí tuệ đám mây và thực thi tại biên đã trở thành một kiến trúc mạnh mẽ cho tự động hóa công nghiệp.

Trong số những công nghệ hàng đầu hỗ trợ kiến trúc này có Amazon SageMaker và AWS IoT Greengrass. Kết hợp với nhau, các nền tảng này cung cấp một framework để xây dựng, triển khai, giám sát và liên tục cải tiến các mô hình học máy được sử dụng trong các ứng dụng phát hiện lỗi sản xuất.

Hình 1. Các hệ thống thị giác máy tự động cho phép kiểm tra chất lượng tốc độ cao trong môi trường sản xuất hiện đại.

Tìm hiểu về thách thức phát hiện lỗi công nghiệp

Thoạt nhìn, việc phát hiện khuyết tật có vẻ đơn giản. Camera chụp một hình ảnh, phần mềm đánh giá sản phẩm và hệ thống xác định liệu sản phẩm có đạt kiểm tra hay không. Tuy nhiên, trên thực tế, môi trường kiểm tra công nghiệp đặt ra nhiều thách thức kỹ thuật.

Sản phẩm di chuyển với tốc độ khác nhau. Điều kiện chiếu sáng thay đổi trong ngày. Các vật liệu bề mặt có thể phản xạ ánh sáng khác nhau. Dung sai sản xuất có thể tạo ra những khác biệt nhỏ giữa các sản phẩm đạt yêu cầu. Bụi, rung động, biến động nhiệt độ và các điều kiện môi trường có thể khiến việc thu nhận hình ảnh trở nên phức tạp hơn.

Do đó, các nhà sản xuất phải phát triển những hệ thống kiểm tra có khả năng phân biệt biến thiên bình thường trong sản xuất với các khuyết tật thực sự.

Các khuyết tật sản xuất phổ biến bao gồm:

• Vết xước bề mặt
• Vết nứt và gãy
• Thiếu linh kiện
• Lỗi lắp ráp
• Mối hàn không đạt yêu cầu
• Khiếm khuyết lớp sơn
• Bọt khí và khoảng rỗng
• Sai lệch kích thước
• Khuyết tật bao bì
• Lỗi ghi nhãn

Trong các ngành như sản xuất ô tô, chế tạo chất bán dẫn, dược phẩm, chế biến thực phẩm, lắp ráp điện tử và sản xuất năng lượng, việc phát hiện khuyết tật ảnh hưởng trực tiếp đến lợi nhuận và sự hài lòng của khách hàng.

Một khuyết tật bị bỏ sót có thể dẫn đến yêu cầu bảo hành, sự cố an toàn, thu hồi sản phẩm, khoản phạt từ cơ quan quản lý hoặc tổn hại đến danh tiếng thương hiệu. Ngược lại, các tiêu chí kiểm tra quá nghiêm ngặt có thể làm tăng tỷ lệ phế phẩm và giảm hiệu quả sản xuất.

Học máy giúp giải quyết những thách thức này bằng cách học các mẫu từ những tập dữ liệu lớn thay vì chỉ dựa vào các quy tắc kiểm tra được lập trình thủ công.

Thị giác máy đã vượt ra ngoài hoạt động kiểm tra truyền thống dựa trên quy tắc

Các hệ thống thị giác máy truyền thống phụ thuộc nhiều vào những thuật toán xử lý hình ảnh mang tính xác định. Kỹ sư phải tự định nghĩa ngưỡng, tham số phát hiện cạnh, phép đo hình học và các quy tắc nhận diện đặc trưng.

Những phương pháp này vẫn hiệu quả đối với nhiều ứng dụng. Tuy nhiên, chúng ngày càng khó duy trì khi sản phẩm có sự biến thiên đáng kể hoặc khi khuyết tật xuất hiện dưới những hình thức khó dự đoán.

Các mô hình học máy hiện đại cung cấp một phương pháp hoàn toàn khác về bản chất.

Thay vì xác định thủ công mọi quy tắc kiểm tra, các kỹ sư huấn luyện mô hình bằng hàng nghìn hoặc thậm chí hàng triệu hình ảnh mẫu. Hệ thống học được các đặc điểm giúp phân biệt sản phẩm đạt yêu cầu với sản phẩm lỗi.

Điều này cho phép các hệ thống học máy phát hiện những mẫu tinh vi mà các thuật toán thị giác truyền thống có thể khó nhận diện.

Một số phương pháp học máy thường được sử dụng trong các hệ thống kiểm tra công nghiệp.

Phân loại hình ảnh

Các mô hình phân loại xác định liệu một hình ảnh có thuộc một danh mục cụ thể hay không.

Ví dụ, một mô hình có thể phân loại sản phẩm như sau:

• Đạt
• Không đạt
• Hư hỏng
• Chưa hoàn chỉnh
• Lệch

Phân loại thường là mô hình triển khai đơn giản nhất và là điểm khởi đầu hiệu quả cho nhiều ứng dụng sản xuất.

Phát hiện đối tượng

Phát hiện đối tượng mở rộng phương pháp phân loại bằng cách xác định cả sự hiện diện lẫn vị trí của khuyết tật.

Thay vì chỉ báo cáo rằng có khuyết tật, mô hình xác định vị trí khuyết tật xuất hiện trong hình ảnh.

Khả năng này giúp các đội ngũ bảo trì và kỹ sư chất lượng hiểu rõ hơn các vấn đề của quy trình và nguyên nhân gốc rễ.

Phân đoạn ngữ nghĩa

Phân đoạn ngữ nghĩa cung cấp khả năng phân tích ở cấp độ pixel.

Mỗi pixel nhận được một nhãn phân loại, cho phép hệ thống xác định ranh giới chính xác của khuyết tật.

Các mô hình phân đoạn đặc biệt hữu ích khi nhà sản xuất cần thông tin chi tiết về kích thước vết nứt, khu vực bị ăn mòn, khuyết tật lớp phủ hoặc sự không đồng nhất của vật liệu.

Các kỹ thuật phân đoạn nâng cao có thể hỗ trợ những sáng kiến về chất lượng dự đoán, trong đó các mô hình phát triển của khuyết tật trở thành một phần của những nỗ lực tối ưu hóa quy trình rộng hơn.

Tại sao AI biên quan trọng trong tự động hóa công nghiệp

Nhiều cơ sở công nghiệp vẫn phải tuân thủ các yêu cầu nghiêm ngặt về độ tin cậy. Dây chuyền sản xuất thường vận hành liên tục trong thời gian dài và không thể hoàn toàn phụ thuộc vào kết nối đám mây.

Việc gửi mọi hình ảnh kiểm tra đến một máy chủ từ xa gây ra một số hạn chế:

• Độ trễ mạng
• Mức tiêu thụ băng thông
• Chi phí xử lý trên đám mây
• Mối lo ngại về an ninh mạng
• Rủi ro kết nối

Hãy xem xét một nhà máy đóng chai sản xuất hàng nghìn chai mỗi phút. Camera độ phân giải cao có thể tạo ra hàng gigabyte dữ liệu hình ảnh mỗi giờ.

Việc truyền mọi hình ảnh lên đám mây trở nên tốn kém và không cần thiết.

Thay vào đó, suy luận dựa trên biên cho phép ra quyết định cục bộ, đồng thời chỉ truyền những thông tin liên quan đến các hệ thống tập trung.

Kiến trúc này phù hợp chặt chẽ với các chiến lược tự động hóa công nghiệp hiện đại, trong đó các hệ thống công nghệ vận hành (OT) ngày càng tích hợp với hạ tầng công nghệ thông tin (IT).

AI biên công nghiệp có thể hỗ trợ nhiều môi trường tự động hóa, bao gồm:

• Dây chuyền sản xuất được điều khiển bằng PLC
• Nhà máy quy trình dựa trên DCS
• Hệ thống giám sát SCADA
• Mạng lưới giám sát tua-bin
• Máy móc đóng gói
• Các trạm lắp ráp robot
• Hệ thống tự động hóa kho hàng

Nhiều cơ sở đã vận hành các nền tảng tự động hóa từ những nhà cung cấp công nghiệp lớn. Các giải pháp AI biên có thể cùng tồn tại với những hệ thống như Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV và Yokogawa CENTUM VP.

Trong các môi trường này, hệ thống thị giác máy trở thành một nguồn thông tin tình báo vận hành khác, hỗ trợ các mục tiêu sản xuất tổng thể.

Vai trò của Amazon SageMaker trong máy học công nghiệp

Amazon SageMaker cung cấp một môi trường dựa trên đám mây để xây dựng, huấn luyện, tối ưu hóa, triển khai và quản lý các mô hình máy học.

Một trong những ưu điểm chính của nó là đơn giản hóa nhiều tác vụ vốn thường gắn liền với quá trình phát triển máy học.

Các nhà khoa học dữ liệu và kỹ sư có thể tập trung vào hiệu suất mô hình thay vì quản lý hạ tầng.

Trong môi trường sản xuất, SageMaker có thể hỗ trợ toàn bộ vòng đời học máy.

Thu thập và chuẩn bị dữ liệu

Nền tảng của mọi dự án phát hiện lỗi thành công là một tập dữ liệu chất lượng cao.

Các nhà sản xuất thường lắp đặt camera công nghiệp tại những điểm kiểm tra chiến lược dọc theo dây chuyền sản xuất. Những camera này chụp hình cả các sản phẩm đạt yêu cầu và sản phẩm bị lỗi.

Sau đó, các hình ảnh đã thu thập phải được gắn nhãn và sắp xếp.

Việc gắn nhãn chính xác ảnh hưởng trực tiếp đến hiệu suất mô hình. Các tập dữ liệu được gắn nhãn kém thường tạo ra các trường hợp dương tính giả và âm tính giả trong quá trình triển khai.

Đối với các ứng dụng phát hiện lỗi, các kỹ sư thường tạo chú thích xác định:

• Loại lỗi
• Vị trí lỗi
• Mức độ nghiêm trọng của lỗi
• Danh mục sản phẩm
• Thông tin lô sản xuất

Khi các tập dữ liệu phát triển, nhà sản xuất có thể liên tục cải thiện độ chính xác của mô hình bằng cách bổ sung thêm các tình huống sản xuất.

Huấn luyện và tối ưu hóa mô hình

Việc huấn luyện các mô hình học máy đòi hỏi tài nguyên tính toán đáng kể.

Đây là lúc hạ tầng đám mây mang lại những lợi thế đáng kể.

Thay vì đầu tư vào các máy chủ AI tại chỗ chuyên dụng, các nhà sản xuất có thể tận dụng tài nguyên đám mây có khả năng mở rộng để huấn luyện mô hình hiệu quả hơn.

SageMaker hỗ trợ nhiều framework và kiến trúc mô hình thường được sử dụng trong các ứng dụng thị giác máy công nghiệp.

Các kiến trúc mạng nơ-ron phổ biến gồm:

• ResNet
• U-Net
• YOLO
• EfficientNet
• Faster R-CNN
• Mask R-CNN

Mỗi kiến trúc mang lại những sự đánh đổi khác nhau giữa độ chính xác, yêu cầu tính toán và tốc độ suy luận.

Các kỹ sư công nghiệp thường đánh giá nhiều kiến trúc trước khi chọn mô hình tối ưu để triển khai vào sản xuất.

Triển khai mô hình nhận biết phần cứng

Một trong những thách thức lớn nhất trong các dự án AI công nghiệp là chuyển các mô hình được huấn luyện trên đám mây sang phần cứng biên có tài nguyên hạn chế.

Một mô hình hoạt động đặc biệt tốt trên GPU đám mây có thể gặp khó khăn khi được triển khai trên cổng kết nối công nghiệp hoặc bộ xử lý nhúng.

SageMaker cung cấp các công cụ giúp tối ưu hóa mô hình cho các nền tảng phần cứng mục tiêu.

Quy trình tối ưu hóa này làm giảm yêu cầu bộ nhớ, cải thiện tốc độ suy luận và giảm thiểu mức tiêu thụ điện năng trong khi vẫn duy trì độ chính xác ở mức chấp nhận được.

Những khả năng này trở nên đặc biệt quan trọng trong các môi trường sản xuất quy mô lớn, nơi hàng trăm hoặc hàng nghìn thiết bị biên có thể hoạt động đồng thời.

Trong Phần 2, chúng ta sẽ tìm hiểu cách AWS IoT Greengrass triển khai và quản lý các mô hình này tại biên công nghiệp, khám phá quy trình phát hiện lỗi từ đám mây đến biên, thảo luận về các kiến trúc triển khai thực tế và xem xét các trường hợp sử dụng trong sản xuất thực tế liên quan đến PLC, hệ thống SCADA, nền tảng DCS và các chương trình chất lượng dự đoán.

Đưa các mô hình học máy vào nhà máy với AWS IoT Greengrass

Huấn luyện một mô hình học máy chỉ là một phần của hành trình. Cuối cùng, nhà sản xuất cần một phương thức thực tế để triển khai, quản lý, giám sát và cập nhật các mô hình này trên khắp các cơ sở sản xuất. Đây là lúc AWS IoT Greengrass trở thành một thành phần quan trọng của kiến trúc.

AWS IoT Greengrass đóng vai trò là môi trường chạy ở biên, cho phép phần mềm, mô hình học máy và ứng dụng tự động hóa hoạt động trực tiếp trên các thiết bị công nghiệp. Thay vì phụ thuộc vào kết nối đám mây liên tục, Greengrass cho phép thực thi cục bộ các tác vụ suy luận, đồng thời duy trì đồng bộ với các dịch vụ đám mây tập trung.

Đối với các cơ sở sản xuất, kiến trúc này mang lại sự cân bằng giữa khả năng mở rộng của đám mây và khả năng phản hồi tại chỗ.

Thiết bị sản xuất vẫn có thể tiếp tục hoạt động ngay cả khi mạng tạm thời bị gián đoạn. Các quyết định kiểm tra chất lượng vẫn khả dụng theo thời gian thực, và dữ liệu vận hành có thể đồng bộ với hệ thống đám mây khi kết nối được khôi phục.

Khả năng này đặc biệt có giá trị trong các môi trường công nghiệp quy mô lớn, nơi các dây chuyền sản xuất có thể hoạt động tại nhiều tòa nhà, cơ sở từ xa hoặc các địa điểm sản xuất phân tán về mặt địa lý.

Hình 2. AWS IoT Greengrass cho phép suy luận học máy trực tiếp trên các thiết bị biên công nghiệp, đồng thời duy trì tích hợp với đám mây.

Xây dựng quy trình phát hiện lỗi công nghiệp từ đám mây đến biên

Các hệ thống phát hiện lỗi thành công cần nhiều hơn một mạng nơ-ron đã được huấn luyện. Nhà sản xuất phải thiết lập một vòng đời hoàn chỉnh để quản lý việc thu thập dữ liệu, phát triển mô hình, triển khai, giám sát và cải tiến liên tục.

Một kiến trúc kiểm tra hiện đại từ đám mây đến biên thường gồm nhiều giai đoạn.

Giai đoạn 1: Thu nhận hình ảnh

Quy trình bắt đầu bằng việc thu thập hình ảnh.

Camera công nghiệp chụp sản phẩm khi chúng di chuyển qua thiết bị sản xuất, băng chuyền, trạm làm việc robot hoặc các cell lắp ráp. Việc lựa chọn camera phụ thuộc vào yêu cầu của ứng dụng và có thể bao gồm:

• Camera quét vùng
• Camera quét dòng
• Camera quan sát 3D
• Hệ thống chụp ảnh nhiệt
• Cảm biến chụp ảnh siêu phổ

Thiết kế chiếu sáng phù hợp cũng quan trọng không kém. Ngay cả các mô hình học máy tiên tiến cũng gặp khó khăn khi chất lượng hình ảnh không nhất quán.

Các triển khai thành công thường sử dụng môi trường chiếu sáng được kiểm soát để giảm thiểu bóng, phản xạ và biến thiên của ánh sáng xung quanh.

Giai đoạn 2: Gắn nhãn và chú thích dữ liệu

Sau khi thu thập hình ảnh, các kỹ sư tạo tập dữ liệu huấn luyện.

Hình ảnh phải thể hiện chính xác cả điều kiện vận hành bình thường lẫn điều kiện có lỗi. Nhiều tổ chức ban đầu đánh giá thấp giai đoạn này. Trên thực tế, chất lượng tập dữ liệu thường quyết định thành công của dự án nhiều hơn việc lựa chọn mô hình.

Nhà sản xuất nên thu thập mẫu từ nhiều ca sản xuất, điều kiện thiết bị, lô nguyên liệu và kịch bản môi trường khác nhau.

Sự đa dạng này giúp đảm bảo mô hình hoạt động ổn định sau khi triển khai.

Giai đoạn 3: Huấn luyện mô hình trong SageMaker

Quá trình huấn luyện diễn ra trong Amazon SageMaker bằng tài nguyên điện toán đám mây.

Kỹ sư đánh giá nhiều kiến trúc và tối ưu các siêu tham số để cải thiện hiệu suất.

Các mục tiêu tối ưu hóa điển hình bao gồm:

• Độ chính xác phát hiện cao hơn
• Giảm số ca dương tính giả
• Giảm số ca âm tính giả
• Tốc độ suy luận nhanh hơn
• Mức sử dụng bộ nhớ thấp hơn

Môi trường sản xuất thường ưu tiên độ tin cậy hơn những cải thiện độ chính xác nhỏ. Một mô hình có độ chính xác thấp hơn đôi chút nhưng hoạt động dễ dự đoán có thể vượt trội hơn mô hình về lý thuyết tốt hơn trong điều kiện sản xuất thực tế.

Giai đoạn 4: Triển khai tại biên

Sau khi xác thực, SageMaker đóng gói mô hình để triển khai.

Greengrass phân phối mô hình đến phần cứng biên, nơi quá trình suy luận cục bộ diễn ra.

Tùy thuộc vào ứng dụng, các mục tiêu triển khai có thể bao gồm:

• Máy tính công nghiệp
• Cổng AI nhúng
• Bộ điều khiển biên dựa trên ARM
• Máy chủ biên tích hợp GPU
• Máy tính công nghiệp được tích hợp vào các hệ thống thị giác máy

Quá trình suy luận được thực hiện cục bộ, cung cấp kết quả kiểm tra trong vòng vài mili giây.

Giai đoạn 5: Cải tiến liên tục

Có lẽ khía cạnh mạnh mẽ nhất của kiến trúc này là vòng phản hồi.

Các thiết bị biên có thể tải một số hình ảnh và số liệu vận hành đã chọn lên đám mây. Kỹ sư xem xét các trường hợp khó, gắn nhãn dữ liệu mới, huấn luyện lại mô hình và triển khai các phiên bản đã cập nhật.

Điều này tạo ra một hệ thống kiểm tra liên tục được cải thiện, có khả năng thích ứng với các điều kiện sản xuất thay đổi.

Tích hợp tự động hóa công nghiệp ngoài thị giác máy

Hệ thống phát hiện lỗi mang lại giá trị lớn nhất khi được tích hợp với cơ sở hạ tầng tự động hóa hiện có.

Một camera độc lập chỉ xác định lỗi sẽ mang lại lợi ích vận hành hạn chế. Các nhà sản xuất hiện đại ngày càng kết nối trực tiếp hệ thống kiểm tra với hệ thống điều khiển sản xuất.

Ví dụ: một kết quả kiểm tra có thể tự động kích hoạt:

• Cơ chế loại bỏ sản phẩm
• Hệ thống phân loại bằng robot
• Thông báo cảnh báo
• Giảm tốc dây chuyền sản xuất
• Lệnh công việc bảo trì
• Hệ thống báo cáo chất lượng

Nhiều cơ sở thực hiện việc tích hợp này thông qua các giao thức truyền thông công nghiệp như EtherNet/IP, PROFINET, Modbus TCP, OPC UA và MQTT.

Hệ thống thị giác máy trở thành một nút thông minh khác trong hệ sinh thái tự động hóa rộng lớn hơn.

Các tổ chức vận hành nền tảng PLC hiện đại thường tích hợp trực tiếp kết quả kiểm tra vào logic điều khiển. Các hệ thống được xây dựng quanh bộ điều khiển Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon hoặc Mitsubishi MELSEC có thể tiếp nhận dữ liệu lỗi và kích hoạt các phản hồi tự động.

Các cơ sở đang đánh giá việc nâng cấp bộ điều khiển hoặc các dự án mở rộng thường xem xét phần cứng hiện có trong danh mục Hệ thống PLC & PAC để hỗ trợ các sáng kiến AI công nghiệp trong tương lai.

Phát hiện lỗi trong môi trường sản xuất tốc độ cao

Không phải mọi môi trường sản xuất đều có cùng yêu cầu.

Các chiến lược kiểm tra phải phù hợp với tốc độ sản xuất, độ phức tạp của sản phẩm và mục tiêu kinh doanh.

Sản xuất điện tử

Sản xuất điện tử thường liên quan đến những lỗi cực nhỏ mà người vận hành khó nhận diện một cách nhất quán.

Hệ thống học máy có thể kiểm tra:

• Mối hàn
• Đường mạch PCB
• Vị trí đầu nối
• Hướng của linh kiện
• Nhiễm bẩn bề mặt

Vì sản lượng cao, ngay cả những cải thiện nhỏ về độ chính xác phát hiện cũng có thể tạo ra khoản tiết kiệm chi phí đáng kể.

Sản xuất ô tô

Các nhà máy ô tô thường triển khai hệ thống thị giác máy trên toàn bộ các công đoạn lắp ráp thân xe, sơn, sản xuất hệ truyền động và lắp ráp cuối.

Hệ thống kiểm tra có thể phát hiện:

• Lỗi sơn
• Vấn đề về chất lượng mối hàn
• Thiếu chốt cố định
• Lệch vị trí linh kiện
• Khiếm khuyết bề mặt

Xử lý tại biên trở nên đặc biệt quan trọng vì các dây chuyền sản xuất vận hành ở tốc độ cao và không thể chịu độ trễ quá mức.

Chế biến thực phẩm và đồ uống

Các nhà sản xuất thực phẩm thường sử dụng thị giác máy để xác định lỗi bao bì, vấn đề về nhãn, nguy cơ nhiễm bẩn và sự không nhất quán về mức chiết rót.

Việc ra quyết định nhanh tại chỗ giúp ngăn sản phẩm lỗi đi vào các quy trình đóng gói và phân phối ở công đoạn sau.

Sản xuất dược phẩm

Các ngành công nghiệp chịu sự quản lý chặt chẽ yêu cầu các hệ thống kiểm tra có độ tin cậy rất cao.

Các mô hình học máy có thể hỗ trợ hoạt động xác nhận bằng cách phát hiện lỗi bao bì, lỗi nhãn, tạp nhiễm trong lọ và những điểm không nhất quán của sản phẩm, đồng thời duy trì nhật ký kiểm toán chi tiết.

AI biên và Quản lý chất lượng dự đoán

Ban đầu, nhiều tổ chức triển khai hệ thống thị giác máy chỉ để kiểm tra đạt/không đạt. Tuy nhiên, theo thời gian, các nhà sản xuất thường phát hiện ra một cơ hội lớn hơn nhiều.

Dữ liệu lỗi chứa thông tin có giá trị về hiệu suất của quy trình.

Bằng cách phân tích xu hướng xuất hiện lỗi, các nhà sản xuất có thể xác định những vấn đề sản xuất mới phát sinh trước khi mức chất lượng suy giảm đáng kể.

Khái niệm này đôi khi được gọi là chất lượng dự đoán.

Ví dụ, số lượng lỗi trầy xước gia tăng có thể cho thấy dụng cụ bị mài mòn. Số lượng sai lệch kích thước tăng lên có thể gợi ý tình trạng sai lệch hiệu chuẩn. Các vấn đề về độ hoàn thiện bề mặt có thể cho thấy sự cố ở thiết bị xử lý đầu vào.

Khi được tích hợp với các hệ thống giám sát công nghiệp, dữ liệu phát hiện lỗi trở thành một nguồn bổ sung cung cấp thông tin vận hành.

Các tổ chức chịu trách nhiệm về độ tin cậy của máy móc quay thường kết hợp giám sát chất lượng với phân tích rung động và các nền tảng giám sát tình trạng tài sản. Trong những môi trường này, các giải pháp theo dõi tình trạng máy móc như các giải pháp trong danh mục Giám sát máy móc thường bổ trợ cho các sáng kiến bảo trì dự đoán rộng hơn.

Các yếu tố phần cứng cần cân nhắc khi triển khai AI biên công nghiệp

Việc lựa chọn nền tảng phần cứng phù hợp vẫn là một trong những quyết định thiết kế quan trọng nhất trong bất kỳ dự án AI biên nào.

Phần cứng lý tưởng phụ thuộc vào một số yếu tố:

• Độ phân giải hình ảnh
• Tốc độ kiểm tra
• Độ phức tạp của mô hình
• Khả năng cung cấp điện
• Điều kiện môi trường
• Yêu cầu về khả năng mở rộng

Các cơ sở công nghiệp ngày càng triển khai những bộ xử lý tích hợp bộ xử lý thần kinh chuyên dụng (NPU), bộ tăng tốc đồ họa và các công cụ suy luận AI.

Những khả năng này cải thiện đáng kể hiệu năng học máy đồng thời giảm mức tiêu thụ điện năng.

Các nền tảng như NXP i.MX 8M Plus cho thấy phần cứng nhúng tiếp tục phát triển chuyên biệt để hỗ trợ khối lượng công việc AI công nghiệp.

Khi việc áp dụng AI mở rộng, tối ưu hóa phần cứng ngày càng trở nên quan trọng vì các nhà sản xuất phải cân bằng giữa hiệu năng, khả năng hỗ trợ trong suốt vòng đời, an ninh mạng và tổng chi phí sở hữu.

Các yếu tố an ninh mạng cần cân nhắc đối với hệ thống kiểm tra được kết nối

Mỗi thiết bị công nghiệp được kết nối đều tiềm ẩn các rủi ro an ninh mạng.

Các hệ thống thị giác máy cũng không ngoại lệ.

Các tổ chức triển khai kiến trúc kiểm tra kết nối đám mây nên thiết lập các chính sách an ninh mạng rõ ràng bao quát:

• Quản lý danh tính
• Xác thực thiết bị
• Truyền thông được mã hóa
• Phân đoạn mạng
• Vá phần mềm
• Chính sách kiểm soát truy cập

Nhiều nhà sản xuất đã áp dụng các nguyên tắc này trên toàn bộ môi trường OT, bao gồm mạng PLC, hệ thống SCADA, hệ thống điều khiển phân tán và hệ thống lưu trữ dữ liệu lịch sử công nghiệp.

Hạ tầng học máy cũng nên tuân theo cùng một khuôn khổ an ninh mạng.

Kết nối các hệ thống phát hiện lỗi với SCADA, MES và hoạt động trên toàn nhà máy

Nhiều nhà sản xuất ban đầu triển khai các hệ thống thị giác máy dưới dạng những trạm kiểm tra độc lập. Mặc dù cách tiếp cận này có thể cải thiện việc kiểm soát chất lượng, giá trị thực sự của AI công nghiệp chỉ phát huy khi dữ liệu kiểm tra trở thành một phần của hệ sinh thái vận hành lớn hơn.

Các cơ sở sản xuất hiện đại ngày càng kết nối hệ thống chất lượng với các nền tảng Điều khiển giám sát và Thu thập dữ liệu (SCADA), Hệ thống thực thi sản xuất (MES), công cụ báo cáo doanh nghiệp và hệ thống lưu trữ dữ liệu lịch sử của nhà máy. Sự tích hợp này chuyển đổi hoạt động phát hiện lỗi từ một chức năng chất lượng mang tính phản ứng thành một nền tảng tình báo vận hành chủ động.

Khi một hệ thống thị giác máy xác định được lỗi, thông tin có thể được phân phối theo thời gian thực trên toàn nhà máy. Giám sát sản xuất có thể theo dõi xu hướng chất lượng qua các bảng điều khiển SCADA, đội ngũ bảo trì có thể nhận thông báo tự động, còn kỹ sư quy trình có thể đối chiếu lỗi với các thông số máy, điều kiện môi trường hoặc những thay đổi về nguyên liệu thô.

Ví dụ, một cơ sở đóng gói có thể phát hiện rằng lỗi đặt nhãn tăng lên bất cứ khi nào tốc độ băng tải vượt quá một ngưỡng nhất định. Một nhà sản xuất ô tô có thể xác định mối tương quan giữa các lỗi hàn và hiện tượng trôi hiệu chuẩn của rô-bốt. Một nhà máy dược phẩm có thể liên kết các bất thường trong đóng gói với các cài đặt thiết bị hoặc lô sản xuất cụ thể.

Nếu không tích hợp, những thông tin chuyên sâu này thường vẫn bị che khuất trong các hệ thống kiểm tra biệt lập.

Nhiều tổ chức sử dụng OPC UA làm lớp giao tiếp chính giữa các nền tảng thị giác máy và phần mềm công nghiệp cấp cao hơn. MQTT cũng ngày càng phổ biến nhờ kiến trúc gọn nhẹ và sự phù hợp với các ứng dụng Internet vạn vật công nghiệp (IIoT).

Khi các nhà sản xuất tiếp tục theo đuổi các sáng kiến Công nghiệp 4.0, các hệ thống phát hiện lỗi đang phát triển thành những nguồn dữ liệu chiến lược hỗ trợ việc ra quyết định trên toàn doanh nghiệp.

AI trên đám mây và AI tại biên: Vì sao hầu hết nhà máy chọn phương án kết hợp

Các tổ chức công nghiệp thường đặt câu hỏi liệu các ứng dụng máy học nên chạy hoàn toàn trên đám mây hay hoàn toàn tại biên. Trên thực tế, phần lớn các triển khai thành công đều sử dụng kiến trúc kết hợp, kết hợp thế mạnh của cả hai môi trường.

Các nền tảng đám mây nổi trội về đào tạo mô hình, lưu trữ dữ liệu quy mô lớn, quản lý tập trung và phân tích dài hạn. Việc đào tạo các mô hình học sâu thường đòi hỏi tài nguyên tính toán đáng kể, không thực tế nếu triển khai trực tiếp trên thiết bị nhà máy.

Mặt khác, các hệ thống biên cung cấp khả năng phản hồi cần thiết cho hoạt động công nghiệp. Quyết định kiểm tra thường cần được đưa ra trong vòng vài mili giây. Các dây chuyền sản xuất không thể chờ giao tiếp với đám mây trước khi xác định một sản phẩm có đạt kiểm tra hay không.

Hãy xem xét một dây chuyền lắp ráp điện tử sản xuất hàng nghìn bảng mạch in mỗi giờ. Các camera kiểm tra độ phân giải cao có thể tạo ra hàng terabyte dữ liệu hình ảnh trong một ca sản xuất. Việc gửi mọi hình ảnh đến một nền tảng đám mây từ xa sẽ làm tăng yêu cầu băng thông và gây ra độ trễ không cần thiết.

Bằng cách xử lý hình ảnh cục bộ, chỉ thông tin liên quan mới cần được truyền lên đám mây. Điều này giảm đáng kể chi phí truyền thông mà vẫn duy trì hiệu suất theo thời gian thực.

Một kiến trúc kết hợp điển hình tuân theo quy trình đơn giản:

• Hạ tầng đám mây đào tạo và xác thực các mô hình.
• SageMaker tối ưu hóa các mô hình để triển khai.
• AWS IoT Greengrass phân phối các mô hình đến các thiết bị biên.
• Các thiết bị biên thực hiện suy luận cục bộ.
• Các kết quả kiểm tra được chọn sẽ được gửi trở lại đám mây.
• Các kỹ sư đào tạo lại và cải thiện mô hình bằng dữ liệu mới.

Vòng lặp phản hồi này cho phép cải tiến liên tục mà không làm giảm hiệu suất sản xuất.

Mô hình kết hợp cũng hỗ trợ các hoạt động sản xuất đa địa điểm, trong đó các nhóm kỹ thuật tập trung quản lý tài sản máy học trên nhiều cơ sở.

Các ứng dụng sản xuất thực tế của việc phát hiện lỗi dựa trên biên

Mặc dù thị giác máy đã tồn tại trong nhiều thập kỷ, những tiến bộ gần đây trong học máy đã mở rộng phạm vi ứng dụng kiểm tra mà các nhà sản xuất có thể tự động hóa.

Kiểm tra thân xe

Các nhà sản xuất ô tô phải duy trì những tiêu chuẩn nghiêm ngặt về thẩm mỹ và kích thước. Ngay cả các lỗi sơn nhỏ hoặc những điểm bất thường trên bề mặt cũng có thể dẫn đến các hoạt động sửa chữa tốn kém.

Các hệ thống học máy có thể xác định những khiếm khuyết nhỏ trong lớp sơn, vết xước, vết lõm và sự không đồng nhất của lớp phủ mà các phương pháp kiểm tra truyền thống có thể bỏ sót.

Bằng cách thực hiện suy luận trực tiếp tại biên, các nhà sản xuất có thể loại bỏ linh kiện lỗi trước khi chúng chuyển sang các quy trình lắp ráp tiếp theo.

Sản xuất chất bán dẫn

Sản xuất chất bán dẫn đặt ra một trong những yêu cầu kiểm tra khắt khe nhất trong ngành công nghiệp hiện đại. Các lỗi được đo bằng micromet có thể ảnh hưởng đến hiệu suất và tỷ lệ đạt của sản phẩm.

Các mô hình học máy tiên tiến giúp xác định tạp nhiễm trên wafer, lỗi quang khắc và những bất thường trong quy trình vốn có thể khó phát hiện bằng các thuật toán thị giác truyền thống.

Vì các cơ sở sản xuất chất bán dẫn tạo ra khối lượng dữ liệu hình ảnh khổng lồ, xử lý tại biên giúp giảm tắc nghẽn mạng trong khi vẫn duy trì thông lượng kiểm tra.

Xác minh bao bì thực phẩm

Các nhà sản xuất thực phẩm và đồ uống chịu áp lực ngày càng tăng trong việc bảo đảm chất lượng bao bì, khả năng truy xuất nguồn gốc và tuân thủ quy định.

Các hệ thống học máy có thể xác minh:

• Độ chính xác của nhãn
• Hạn sử dụng
• Độ toàn vẹn của niêm phong
• Kích thước bao bì
• Mức độ đầy
• Hướng của sản phẩm

Các hoạt động kiểm tra này diễn ra liên tục ở tốc độ sản xuất mà nhân viên vận hành thủ công không thể duy trì.

Sản xuất pin

Sự phát triển nhanh chóng của hoạt động sản xuất xe điện đã làm gia tăng nhu cầu về các công nghệ kiểm tra pin tiên tiến.

Các nhà sản xuất sử dụng thị giác máy và học máy để phát hiện lỗi điện cực, sự không đồng nhất của lớp phủ, tạp nhiễm và các vấn đề lắp ráp trong suốt quy trình sản xuất pin.

Vì lỗi pin có thể ảnh hưởng đến cả hiệu suất và độ an toàn, độ chính xác của hoạt động kiểm tra vẫn là một mục tiêu vận hành quan trọng.

Xây dựng tập dữ liệu tốt hơn cho học máy công nghiệp

Nhiều tổ chức tập trung quá nhiều vào việc lựa chọn mô hình mà bỏ qua tầm quan trọng của việc phát triển tập dữ liệu. Trên thực tế, chất lượng dữ liệu huấn luyện thường tác động đến thành công của dự án nhiều hơn so với kiến trúc mạng nơ-ron cụ thể được sử dụng.

Mô hình học máy chỉ có thể học từ thông tin có trong tập dữ liệu huấn luyện. Nếu thiếu các tình huống lỗi quan trọng, mô hình có thể gặp khó khăn khi những điều kiện đó xuất hiện trong quá trình sản xuất.

Các tập dữ liệu công nghiệp thành công thường bao gồm:

• Các mẫu sản xuất bình thường
• Các tình trạng lỗi hiếm gặp
• Nhiều môi trường chiếu sáng
• Các ca sản xuất khác nhau
• Sự biến thiên theo mùa
• Tình trạng hao mòn của thiết bị
• Sự biến thiên của nguyên vật liệu
• Các thay đổi trong quy trình liên quan đến bảo trì

Các nhà sản xuất cũng nên liên tục mở rộng tập dữ liệu sau khi triển khai.

Một lợi thế của hệ sinh thái SageMaker và Greengrass là khả năng tạo ra cơ chế phản hồi giữa hoạt động sản xuất và các nhóm phát triển mô hình. Những trường hợp kiểm tra khó có thể được xem xét, gán nhãn lại và đưa vào các chu kỳ huấn luyện trong tương lai.

Quy trình này dần cải thiện hiệu suất mô hình đồng thời giảm các trường hợp dương tính giả và âm tính giả.

Các tổ chức xem học máy là một năng lực vận hành liên tục thay vì một dự án thực hiện một lần thường đạt được kết quả dài hạn tốt nhất.

AI công nghiệp sẽ trở thành công cụ chất lượng tiêu chuẩn

Học máy, điện toán biên và tự động hóa công nghiệp đang nhanh chóng hội tụ. Điều từng được xem là công nghệ thử nghiệm nay đang trở thành công cụ thiết thực để nâng cao chất lượng, giảm lãng phí và tăng hiệu quả vận hành.

Khi phần cứng điện toán trở nên mạnh mẽ hơn và các khung học máy trở nên dễ triển khai hơn, các nhà sản xuất thuộc mọi quy mô đều có thể tận dụng các hệ thống phát hiện lỗi tiên tiến.

Các nền tảng như Amazon SageMaker và AWS IoT Greengrass cung cấp hạ tầng cần thiết để đưa học máy từ môi trường nghiên cứu vào các cơ sở sản xuất thực tế.

Các triển khai thành công nhất sẽ không chỉ xác định sản phẩm lỗi. Chúng sẽ giúp các nhà sản xuất hiểu lý do lỗi xảy ra, dự đoán các vấn đề về chất lượng trước khi chúng trở nên nghiêm trọng và liên tục tối ưu hóa quy trình sản xuất.

Trong những năm tới, thị giác máy dựa trên điện toán biên nhiều khả năng sẽ trở nên phổ biến trên các dây chuyền sản xuất như PLC, HMI, mạng công nghiệp và hệ thống SCADA hiện nay. Những cơ sở bắt đầu xây dựng các năng lực này ngay từ bây giờ sẽ có vị thế tốt hơn để nâng cao chất lượng, tối đa hóa sản lượng và cạnh tranh trong các thị trường sản xuất ngày càng dựa trên dữ liệu.

Tương lai của việc phát hiện lỗi công nghiệp

Việc phát hiện lỗi công nghiệp tiếp tục phát triển từ phân tích hình ảnh đơn giản thành các hệ thống chất lượng thông minh, thích ứng.

Những tiến bộ trong học máy, điện toán biên, mạng công nghiệp và hạ tầng đám mây đang giúp các nhà sản xuất kiểm tra sản phẩm nhanh hơn và chính xác hơn bao giờ hết.

Các công nghệ như Amazon SageMaker và AWS IoT Greengrass giúp thu hẹp khoảng cách giữa việc phát triển mô hình trên đám mây và triển khai trong nhà máy thực tế. Kết hợp với nhau, chúng cung cấp cho các nhà sản xuất những công cụ để xây dựng các hệ thống kiểm tra có khả năng mở rộng, có thể học hỏi từ dữ liệu vận hành và liên tục cải thiện theo thời gian.

Khi các tổ chức công nghiệp theo đuổi các sáng kiến chuyển đổi số, việc phát hiện lỗi sẽ ngày càng trở thành một phần trong các chiến lược sản xuất thông minh rộng hơn, kết hợp thị giác máy, bảo trì dự đoán, tối ưu hóa quy trình và phân tích vận hành.

Kết quả không chỉ đơn thuần là kiểm soát chất lượng tốt hơn. Đó là một môi trường sản xuất thông minh hơn, nơi các quyết định dựa trên dữ liệu được đưa ra tại biên, gần với thiết bị, sản phẩm và quy trình tạo ra giá trị.