Trung tâm kiến thức
Mục lục

Q: Tối ưu tham số quy trình bằng AI được triển khai thế nào, và cần nền tảng dữ liệu gì?

A: Tối ưu tham số quy trình bằng AI có triển khai được hay không không phụ thuộc vào thuật toán tiên tiến đến đâu mà vào việc có một nền dữ liệu quy trình truy xuất được, đủ mịn và có nhãn hay không. Nếu nền dữ liệu không đủ, tham số mà mô hình đưa ra trông rất tốt nhưng hỏng ngay khi chạy trên máy. Nên đánh giá mức độ sẵn có của dữ liệu trước rồi mới bàn đến lộ trình mô hình hóa.

1. Trước tiên hãy hiểu lộ trình triển khai có bốn bước

Bước 1: xác định đối tượng và ranh giới tối ưu. Đừng bắt đầu bằng tối ưu toàn nhà máy; hãy khóa vào một dây chuyền sản xuất, một quy trình then chốt và một chỉ số chất lượng hoặc năng lượng định lượng được, ví dụ độ cong vênh trong ép nhựa, tỷ lệ hàn ảo trong hàn, hay mức tiêu thụ năng lượng trên mỗi tấn trong lò nung. Khi hàm mục tiêu đã được xác định, việc thu thập dữ liệu mới có hướng.

Bước 2: kết nối tầng thu thập dữ liệu. Nguồn dữ liệu cho tối ưu tham số quy trình thường gồm ba loại: tham số thời gian thực phía thiết bị (nhiệt độ, áp suất, tốc độ, mô men, dòng điện), thu thập ở mức giây hoặc phút qua PLC, SCADA hoặc gateway biên; kết quả kiểm tra phía chất lượng (đo độ dày trực tuyến, kiểm tra thị giác, giá trị phân tích trong phòng thí nghiệm), đây là nhãn cho mô hình; và các điều kiện phía môi trường cùng vật liệu (nhiệt độ, độ ẩm môi trường, đặc tính lô vật liệu đầu vào). Ba loại này phải căn chỉnh được theo dấu thời gian và số lô, nếu không chúng chỉ là ba bảng ốc đảo.

Bước 3: làm quản trị dữ liệu và kỹ thuật đặc trưng. Dữ liệu bẩn là chuyện bình thường tại xưởng: cảm biến trôi, dữ liệu vô nghĩa khi dừng máy, thiếu bản ghi nhập tay. Cần làm sạch, khử nhiễu và loại bỏ các đoạn bất thường, sau đó chuyển tín hiệu thô thành các đặc trưng có thể giải thích theo quy trình như tốc độ gia nhiệt, thời gian giữ nhiệt và tích phân áp suất. Bước này thường chiếm hơn sáu mươi phần trăm khối lượng công việc của toàn dự án.

Bước 4: mô hình hóa và kiểm chứng vòng kín. Hai lộ trình phổ biến: mô hình hồi quy hoặc mô hình cây trên dữ liệu lịch sử để tìm ánh xạ giữa tham số và chất lượng; hoặc tối ưu dựa trên mô phỏng và chạy thử lô nhỏ. Đầu ra mô hình phải quay lại dây chuyền để kiểm chứng lô nhỏ, tạo thành một vòng kín gồm thu thập, mô hình hóa, chạy thử và phản hồi, chứ không phải một lần bàn giao.

2. Nền tảng dữ liệu phải đáp ứng bốn điều kiện cứng

1. Độ mịn thời gian đủ tốt. Tham số quy trình là động; giá trị trung bình theo phút thường che mất dao động then chốt, nên các quy trình then chốt nên được lấy mẫu ít nhất ở mức giây đến mười giây.

2. Dữ liệu có nhãn phải đi theo cặp. Có tham số mà không có kết quả chất lượng thì mô hình không có gì để học; hãy ưu tiên bảo đảm cỡ mẫu trong đó một bộ tham số tương ứng một kết quả đo được, vì cần vài trăm đến một nghìn bộ để có ý nghĩa thống kê.

3. Lô và vật liệu phải truy xuất được. Khác biệt giữa các lô vật liệu đầu vào là nguồn dao động quy trình phổ biến, nên hồ sơ MES hoặc hồ sơ lô phải liên kết được với dữ liệu tham số và dữ liệu chất lượng.

4. Khoảng lịch sử phải bao phủ các thay đổi điều kiện. Chỉ dùng dữ liệu giai đoạn ổn định sẽ khiến mô hình hỏng ngay khi mùa hoặc vật liệu thay đổi; hãy bao phủ các ca khác nhau, các mùa khác nhau và các lô vật liệu khác nhau.

Câu hỏi tiếp theo liên quan: nếu thiết bị cũ không có giao diện dữ liệu thì sao? Hãy bắt đầu bằng việc thêm cảm biến và thiết bị thu thập biên để bù dữ liệu cho những thiết bị không kết nối ở các quy trình then chốt; không cần phủ toàn nhà máy.

Câu hỏi tiếp theo liên quan: bao nhiêu dữ liệu là đủ? Không có ngưỡng cố định; nó phụ thuộc vào độ phức tạp quy trình và số biến. Càng nhiều biến và phi tuyến càng mạnh thì càng cần nhiều mẫu. Hãy kiểm chứng tính khả thi với dữ liệu lịch sử sẵn có trước, rồi mới quyết định đầu tư.

Câu hỏi tiếp theo liên quan: làm sao xử lý việc độ chính xác giảm sau khi lên sóng? Phần lớn là do trôi điều kiện vận hành hoặc thay đổi vật liệu đầu vào; hãy thiết lập cơ chế huấn luyện lại định kỳ và giám sát trôi thay vì dùng một mô hình trong nhiều năm.

Ranh giới giữa phù hợp và không phù hợp: phù hợp với các bước trong sản xuất rời rạc và công nghiệp quy trình nơi biến quy trình đo được, kết quả chất lượng định lượng được và dữ liệu lịch sử đã tích lũy; không phù hợp với kịch bản mà tham số gần như hoàn toàn dựa vào kinh nghiệm thủ công, kết quả kiểm tra trễ vài tuần và không truy xuất ngược được. Với những trường hợp này, hãy hoàn thiện thu thập dữ liệu và hệ thống truy xuất trước rồi mới bàn tối ưu bằng AI. Điều người đọc nên xem tiếp theo: quy trình then chốt trên dây chuyền của bạn có thực sự thu thập được tham số mức giây và khớp được với nhãn chất lượng hay không.

Chủ đề: AI-FAQ