Doanh nghiệp cần biết những gì để áp dụng “Máy móc tự học” vào sản xuất công nghiệp (Phần 2)

Trong minh họa của mình tại hội thảo Ignition Community 2018, McClusky đã sử dụng nhiều phép đo để thu thập dữ liệu từ các phần riêng lẻ trong quy trình sản xuất (như nhiệt độ và độ ẩm). Bằng cách hiển thị những dữ liệu này trên một đồ thị dưới sự hỗ trợ của Ignition, McClusky cho thấy cách người dùng có thể kiểm tra dữ liệu trên nhiều khía cạnh trong một không gian 2D. “Phần mềm Ignition cho phép phân loại các dữ liệu thu thập được nhờ các cảm biến dưới dạng đồ thị để người dùng có thể dễ dàng so sánh cách thức hoạt động của từng nhóm dữ liệu so với nhau.

Thuật toán ML được sử dụng bởi McClusky trong ví dụ này được gọi là một K-mine (một cụm các điểm dữ liệu). “K-mine không nhận biết được từng nhóm dữ liệu được phân vào chuyên mục nào, nó chỉ thực hiện các phép tính trung tâm và xác định vị trí nguồn cấp dữ liệu để nhóm chúng lại với nhau dựa trên khoảng cách giữa chúng”, McClusky giải thích. Ví dụ, khi một công đoạn sản xuất mới được khởi động, dữ liệu thu thập được của công đoạn này sẽ được đối chiếu xem có phù hợp với tham số “chất lượng tốt” đã được thiết lập sẵn hay không, nếu không phù hợp thì có nên tiếp tục “phân tích sâu” để tìm ra lý do hay không.

Một loại thuật toán ML khác được đề cập đến ở đây là Decision tree (Cây quyết định). Đây là một thuật toán vô cùng “quyền lực”, Applebaum nhấn mạnh, “vì nó có thể hướng dẫn bạn từng bước tiến tới mục đích phân loại dữ liệu hay thậm chí là tái thiết lập công thức” trong việc thu thập dữ liệu. Cây quyết định rất hữu ích đối với việc bảo trì dự đoán bởi các gợi ý mà nó đưa ra tạo cơ sở để người dùng quyết định có thực hiện bảo trì hay không. Bên cạnh đó, Decision tree cũng có thể kết hợp cùng nhiều thuật toán khác để tạo ra hiệu quả tốt hơn.

Phân tích hồi quy là một thuật toán ML được sử dụng để điều phối lại quy trình và dự báo hiệu quả sản xuất. “Đối với chức năng điều phối quy trình, việc sử dụng phân tích hồi quy sẽ thay thế một quy trình thủ công bằng một quy trình đã được hệ thống hóa với những thiết lập được cài đặt sẵn trong PLC”, McClusky chia sẻ. Ông cũng nói thêm rằng phân tích hồi quy có thể được sử dụng để dự báo hiệu quả sản xuất dựa trên một tập hợp các biến hiện có (ví dụ như tại bất kỳ điểm dữ liệu nào) để xác định, đặt giả thiết về những gì sẽ được xuất hiện tại cuối dây chuyền khi kết thúc ca làm việc. “Các dự báo dài hạn được đưa ra dựa trên những dữ liệu nền có sẵn, chẳng hạn như: Tình trạng sản xuất của tổ chức trong 1 tuần hay 1 tháng trở lại đây… Ngoài ra, bạn cũng có thể cung cấp dữ liệu từ các phần mềm khác, chẳng hạn như SAP.”

Đối với các thuật toán mạng lưới thần kinh, đây chính là cách mà máy móc có thể mô phỏng cách thức hoạt động của não bộ con người. Một ứng dụng điển hình của thuật toán này là hệ thống thị giác, hay cụ thể hơn là các cảm biến. Người dùng có thể đơn giản hóa việc theo dõi cả quy trình trình sản xuất bằng cách quan sát các dữ liệu thu thập được từ cảm biến và các phỏng đoán mà hệ thống đưa ra.

Tham khảo một ứng dụng ML tại Frito Lay, McClusky cho biết công ty này đã áp dụng hệ thống cảm biến tại một khu vực của một dây chuyền xử lý khoai tây, cụ thể là khu vực cân khoai tây. Frito Lay muốn sử dụng các cảm biến để xác định mật độ khoai tây của dây chuyền liệu có phù hợp theo từng lô khoai tây được nấu hay không. Và kết quả là họ đã thành công, điều này đã giúp họ khắc phục việc sử dụng nhiều nguyên liệu hơn so với cần thiết. Ví dụ trên đã cho thấy hiệu quả của việc sử dụng 1 thuật toán ML trong 1 góc của dây chuyền sản xuất. Tuy nhiên để có cái nhìn tổng quát hơn, chúng tôi sẽ đề cập đến việc sử dụng kết hợp các thuật toán cũng như ứng dụng khác nhau của ML trong quá trình triển khai ML tại tổ chức, tất cả sẽ có trong phần 3 – phần cuối của loạt bài viết này.

Văn phòng NSCL biên dịch