Khi triển khai quản lý chất lượng AI cho kiểm tra mối hàn, điều đầu tiên cần quyết định không phải là loại mô hình AI mà là: mối nối nào, mặt nào xuất hiện khuyết tật nào, dựa trên cơ sở nào để đánh giá đạt hay không đạt, và xử lý các khuyết tật không nhìn thấy ra sao. Bài viết này dành cho các quản lý đảm bảo chất lượng, kỹ thuật hàn, kỹ thuật sản xuất và điều khiển tại nhà máy Thái Lan, cụ thể hóa từ yêu cầu kỹ thuật (RFP) đến kiểm tra nghiệm thu tại nhà máy (FAT) và kiểm tra nghiệm thu tại hiện trường (SAT). Các ví dụ số liệu chỉ mang tính thiết kế minh họa, không phải tiêu chuẩn chung hay cam kết hiệu suất.
Kết luận đầu tiên: Quản lý chất lượng AI cho mối hàn là hợp đồng phạm vi “đánh giá dựa trên hình ảnh”
Chất lượng mối hàn liên quan đến nhiều yếu tố khác nhau như hình dạng bề mặt, trạng thái bên trong, điều kiện thi công ảnh hưởng đến độ bền. Camera chỉ ghi nhận bề mặt có ánh sáng và tầm nhìn chiếu tới. Dù có thể phát hiện sự thay đổi đột ngột về chiều rộng mối hàn, độ phồng quá mức, đường viền nghi ngờ rỗ xước (undercut), lỗ hổng bề mặt hay bắn tóe (spatter), nhưng không thể chỉ dựa vào hình ảnh để đảm bảo không có khuyết tật bên trong như chưa hợp nhất hay lỗ khí. Do đó, trong RFP phải ghi rõ “những gì phát hiện được” và “những gì không phát hiện được” với cùng mức độ chi tiết. Nếu bỏ trống phần sau, sẽ dẫn đến hiểu nhầm nguy hiểm rằng “AI đánh giá OK thì toàn bộ mối hàn đạt”.
Nhà máy không chỉ mua bộ phân loại (classifier) mà là toàn bộ quy trình kiểm tra gồm định vị chi tiết, chụp ảnh, đánh giá, cách ly, đánh giá lại và lưu trữ kết quả. Độ sắc nét hình ảnh, liên kết ID sản phẩm với ảnh, xuất tín hiệu PLC, xử lý khi mất điện hoặc mất kết nối đều phải được xác nhận trong một bài kiểm tra nghiệm thu duy nhất. Ban đầu nên giới hạn đối tượng kiểm tra trong một nhóm sản phẩm, một loại mối nối, một mặt chụp để dễ đánh giá. Mở rộng phạm vi sau khi đã đo được tỷ lệ bỏ sót và phát hiện sai trong quy trình đó.
Việc lựa chọn camera, đèn chiếu sáng, mô hình AI chung được trình bày trong Hướng dẫn triển khai kiểm tra ngoại quan AI. Tự động tạo điều kiện hàn hay hiệu chỉnh quỹ đạo robot thuộc lĩnh vực của Bài viết triển khai robot hàn AI. Bài viết này tập trung vào việc mua sắm và xác minh quy trình kiểm tra nhận mối hàn đã hoàn thành.
Đọc tách biệt tiêu chuẩn, bản vẽ, yêu cầu khách hàng trước tiên
Chỉ ghi “tuân theo ISO” trong kiểm tra hàn không đủ để xác định điều kiện đánh giá. ISO 5817:2023 quy định các mức chất lượng đối với điểm không hoàn hảo của mối hàn nóng chảy bằng thép, niken, titan và hợp kim trong phạm vi áp dụng. Có ba mức B, C, D, trong đó B nghiêm ngặt nhất. Một điểm không hoàn hảo quan sát được không mặc nhiên là khuyết tật phải loại bỏ; quyết định chấp nhận phụ thuộc mức chất lượng được chọn, giới hạn kích thước, bản vẽ và yêu cầu hợp đồng. Tuy nhiên, mức áp dụng cho sản phẩm phải do thiết kế, hợp đồng và tiêu chuẩn áp dụng quyết định. Nếu vật liệu, độ dày tấm, loại mối nối, phương pháp hàn, phạm vi kiểm tra không nằm trong phạm vi tiêu chuẩn thì không được chỉ dùng số hiệu tiêu chuẩn để đánh giá máy.
ISO 17637:2016 quy định phương pháp kiểm tra bằng mắt cho mối hàn kim loại. Phiên bản hiện hành đã được xác nhận năm 2022. Vì hệ thống kiểm tra hình ảnh chỉ xử lý bề mặt có thể quan sát, tiêu chuẩn này là tham chiếu nhưng không tự động đảm bảo phương pháp kiểm tra khi chỉ đặt camera. Cần cụ thể hóa hướng chụp, trạng thái trước quan sát, vai trò người đánh giá, phương pháp lưu trữ. ISO 17635:2025 quy định nguyên tắc chung lựa chọn phương pháp kiểm tra không phá hủy (NDT) và đánh giá kết quả, giải thích không thể đồng nhất trực tiếp mức chất lượng với mức chấp nhận NDT riêng lẻ. Đây là lý do không thể cộng kết quả hình ảnh bề mặt với UT, RT, PT, MT thành một tỷ lệ lỗi duy nhất.
Khi hợp đồng kết cấu thép chỉ định AWS D1.1, bộ phận đảm bảo chất lượng phải xác định phiên bản và điều khoản áp dụng, đồng thời kiểm tra hợp đồng có chỉ định bản 2025-AMD1 (Bản sửa đổi 1) hay không. Hướng dẫn chính thức AWS D1.1 cho biết phiên bản 2025 quy định thi công, kiểm tra, tiêu chuẩn chấp nhận, áp dụng khi được hợp đồng chấp nhận. Trước khi tạo “tiêu chuẩn AI” riêng pha trộn ISO và AWS, cần làm rõ ưu tiên áp dụng. Bài viết không đưa ra kích thước khuyết tật áp dụng chung cho mọi sản phẩm. Bảng đánh giá cuối cùng phải liên kết với hợp đồng thực tế, bản vẽ sản phẩm và quy trình thi công đã phê duyệt.
Định nghĩa đối tượng phát hiện khuyết tật AI qua 5 câu hỏi
Câu hỏi đầu tiên: “Xử lý đơn vị công việc nào?” Không chỉ số sản phẩm mà còn số mối nối, đường hàn, mặt trước/sau, vị trí bắt đầu/kết thúc phải rõ để tránh lẫn nhiều mối hàn trên cùng sản phẩm. Tiếp theo: “Xem vùng nào?” Vùng đỉnh mối hàn, đầu mối, vùng bề mặt mẹ kim loại có chiều rộng cố định, hố hàn… phải thể hiện trên bản vẽ. Thứ ba: “Phát hiện hiện tượng gì?” Lỗ hổng bề mặt, vết nứt dạng đường, vết lõm nghi ngờ undercut, dư vật liệu hoặc thay đổi chiều rộng, bám spatter… liên kết với thuật ngữ đánh giá thực tế và ảnh mẫu. Nếu không thể xác định tên khuyết tật chỉ qua hình ảnh, ghi “chỉ thị cần kiểm tra”.
Thứ tư: “Sau đánh giá làm gì?” Có ba luồng: OK cho qua, NG cách ly, không xác định gửi REVIEW. REVIEW không phải hộp che giấu sai sót. Cần xác định người kiểm tra, thời gian giới hạn, đánh giá cuối cùng, vị trí lưu giữ mẫu thực. Thứ năm: “Phạm vi kiểm tra hình ảnh đến đâu?” Loại trừ mặt sau, đầu mối bị che khuất, khuyết tật bên trong, tính chất chỉ phát hiện qua thử nghiệm độ bền. Quy trình NDT hoặc phá hủy còn lại do kế hoạch chất lượng quyết định. Khi đồng thuận 5 câu hỏi này, nhà cung cấp có thể báo giá dựa trên thực tế thay vì hứa hẹn chung chung “độ phát hiện 99%”.
Xác định chi tiết phôi, ánh sáng và khoảng cách trước khi chọn camera
Kim loại hàn có bề mặt bóng, màu oxi hóa, spatter, dầu mỡ, biến màu nhiệt lẫn lộn. Mối hàn tốt cũng thay đổi nhiều theo phương pháp hàn và tư thế làm việc. Hình ảnh chiếu sáng một chiều có thể làm vết lõm đầu mối thành bóng tối, nhưng đổi chiều chiếu sáng có thể biến mất. Cân nhắc ánh sáng vòng, ánh sáng xiên, ánh sáng đồng trục, ánh sáng khuếch tán, xoay và đặt lại mẫu thực để kiểm tra tính tái lập. Nếu cần, so sánh chụp hai chiều hoặc đo hình dạng 3D. Khi ước lượng chiều cao từ ảnh 2D, ghi rõ giới hạn ước lượng trong RFP.
Mở rộng trường nhìn tăng phạm vi quan sát cùng lúc nhưng giảm số điểm ảnh cho chi tiết nhỏ nhất. Chỉ chọn theo số điểm ảnh dễ làm giảm hiệu năng thực tế do độ phân giải ống kính, độ sâu trường, tốc độ màn trập, ánh sáng, sai lệch tư thế mẫu. Trước tiên, xác định “thay đổi nhỏ nhất có thể quan sát”, “trường nhìn cần thiết”, “độ lệch vị trí cho phép”, “thời gian chụp” rồi yêu cầu nhà cung cấp kiểm tra quang học trên mẫu thực. Nếu đánh giá kích thước qua ảnh, ghi thêm quy trình hiệu chuẩn và sai số đo.
Chụp mẫu nóng ngay sau hàn hay sau khi nguội cũng khác nhau về ngoại quan. Ghi lại điều kiện thực tế như khói, bụi, vật văng, bóng đồ gá, ánh sáng hồ quang còn sót lại. Một số nhiễu có thể giảm bằng cách bao quanh buồng chụp. Ổn định điều kiện chụp trước giúp giảm biến động không cần thiết cho mô hình. Ngược lại, thiết kế phải học lại khi điều kiện thay đổi làm tăng gánh nặng bảo trì và trách nhiệm chất lượng.
Dữ liệu huấn luyện quan trọng hơn số lượng ảnh khuyết tật là căn cứ đánh giá và cách tách nhãn
Ảnh học AI không chỉ phân loại đơn giản vào thư mục tốt và xấu. Cần gắn thêm ID mẫu, ID mối nối, vật liệu, độ dày, phương pháp hàn, điều kiện thi công, điều kiện chụp, vị trí khuyết tật, tiêu chuẩn và phiên bản tham chiếu, người đánh giá, lịch sử đánh giá lại. Hiện tượng trong ảnh và kết quả đạt hay không phải tách riêng. Ví dụ, spatter có thể xuất hiện nhưng theo tiêu chuẩn sản phẩm vẫn đạt. Tránh nhầm lẫn giữa “mô hình nhận diện những gì thấy” và “hợp đồng quyết định không đạt”.
Khi chia dữ liệu học, điều chỉnh ngưỡng, đánh giá cuối cùng, tránh để các khung hình liên tiếp của cùng mẫu, cùng đoạn mối hàn, ảnh chụp lại nằm trong cùng tập. Dù phân chia ngẫu nhiên, ảnh gần như giống nhau trong học và kiểm tra làm đánh giá hiệu năng thực tế bị phóng đại. Đưa vào tập đánh giá các điều kiện ca ngày/đêm, trước/sau bảo trì, lô sản xuất, lô vật liệu, thay đồ gá, người vận hành và máy hàn khác nhau. Nếu khuyết tật nghiêm trọng hiếm không đủ, ghi nhận “chưa xác minh” và không tuyên bố hiệu suất đạt.
NIST AI RMF MEASURE yêu cầu tài liệu hóa tập kiểm tra, chỉ số, phương pháp và đo hiệu năng trong điều kiện tương tự môi trường triển khai. Áp dụng thực tế cho AI hàn là lưu trữ tập đánh giá có thể truy vết “đo gì trên ảnh nào”. NIST không đặt mục tiêu số cụ thể trong bài viết này. Mục tiêu do nhà máy quyết định dựa trên rủi ro sản phẩm và khả năng kiểm tra lại hiện trường.
Chỉ số đánh giá tách riêng tỷ lệ bỏ sót và phát hiện sai
Nếu chỉ xuất một ma trận nhầm lẫn tổng hợp cho toàn bộ sản phẩm, các lỗi quan trọng bị che khuất trong trung bình. Chỉ số chính là số lượng bỏ sót và tổng số khuyết tật đánh giá theo loại khuyết tật, mức độ nghiêm trọng, loại mối nối, mặt chụp. Đồng thời, số lượng sản phẩm tốt bị gửi nhầm NG hoặc REVIEW và tổng số sản phẩm tốt đánh giá. Nếu gộp REVIEW vào “đúng” thì gánh nặng kiểm tra lại của con người bị bỏ qua. Cần báo cáo số lượng từng luồng OK/NG/REVIEW nguyên bản.
| Chỉ số | Tử số và mẫu số | Ý nghĩa kiểm tra thực tế |
|---|---|---|
| Tỷ lệ bỏ sót | Số sản phẩm không đạt bị đánh giá OK ÷ Tổng số sản phẩm không đạt đánh giá | Rủi ro khách hàng nhận hàng lỗi |
| Tỷ lệ phát hiện sai | Số sản phẩm đạt bị đánh giá NG hoặc REVIEW ÷ Tổng số sản phẩm đạt đánh giá | Ảnh hưởng công sức kiểm tra lại và năng suất |
| Tỷ lệ lỗi chụp ảnh | Số ảnh không thể đánh giá ÷ Tổng số yêu cầu chụp | Ổn định quang học, kích hoạt, bụi bẩn |
| Tỷ lệ mất truy vết | Số trường hợp không liên kết được ID, ảnh, kết quả ÷ Tổng số đối tượng đánh giá | Khả năng sử dụng làm hồ sơ chất lượng |
| Thời gian phản hồi | Thời gian thực đo từ kích hoạt đến nhận tín hiệu PLC | Có thể cách ly trong chu kỳ sản xuất hay không |
Ngưỡng nghiệm thu dựa trên yêu cầu khách hàng, tỷ lệ lỗi lọt qua kiểm tra hiện tại, mức độ nghiêm trọng khuyết tật, năng lực kiểm tra lại, và độ không chắc chắn thống kê. Ví dụ, nếu chỉ có ít mẫu lỗi thì không thể tuyên bố “bỏ sót bằng 0 nên độ chính xác 99,9%”. Quan sát không có lỗi và khẳng định đã kiểm tra đủ lỗi hiếm là hai chuyện khác nhau. Với nhóm lỗi ít, cần bổ sung mẫu, dùng mẫu thử nhân tạo, phương pháp kiểm tra độc lập hoặc kiểm tra chéo bằng người. Nếu hợp đồng yêu cầu mức độ bảo đảm thống kê, phối hợp bộ phận chất lượng và thống kê để thiết kế số mẫu.
RFP đính kèm bảng đánh giá, sơ đồ cấu hình hệ thống, quyền dữ liệu từng trang
Chỉ gửi “muốn kiểm tra mối hàn bằng AI” cho nhà cung cấp sẽ nhận báo giá từ công ty bán camera có đèn đến công ty cung cấp hệ thống ghi nhận chất lượng. Để so sánh công bằng, tách phần nội dung RFP và bảng đính kèm. Bảng đánh giá ghi rõ nhóm sản phẩm, vật liệu, mối nối, mặt kiểm tra, khuyết tật dự kiến, tiêu chuẩn tham chiếu và phiên bản, số bản vẽ, mức chất lượng, chủ thể quyết định đạt hay không, điều kiện REVIEW. Thuật ngữ khuyết tật chính thức đối chiếu với ISO 6520-1:2007 và bảng tương ứng với tên gọi thông dụng tại hiện trường. Chỉ dùng tên gọi thông dụng dễ gây nhầm lẫn do các bộ phận khác nhau gọi khác nhau.
Sơ đồ cấu hình hệ thống thể hiện hướng vận chuyển, cố định mẫu, hướng camera, đèn chiếu sáng, cảm biến kích hoạt, bộ mã hóa, tín hiệu PLC, vị trí loại bỏ NG, vùng dừng khẩn cấp. Thời gian chu kỳ chia nhỏ thành chụp ảnh, truyền dữ liệu, suy luận AI, đánh giá, phản hồi PLC, loại bỏ với giá trị đo thực hoặc thiết kế. Chỉ thời gian suy luận AI ngắn không đủ, tín hiệu phải đến trước khi sản phẩm đến vị trí loại bỏ mới đảm bảo quy trình. Khi lỗi, quyết định tự động OK, dừng dây chuyền hay gửi REVIEW do bộ phận chất lượng quyết định và ghi rõ trong đặc tả I/O.
Hợp đồng dữ liệu gồm quyền sở hữu, quyền truy cập, nơi lưu trữ, thời hạn lưu, định dạng chuyển giao của ảnh gốc, ảnh đánh giá, nhãn, mô hình, ngưỡng, công thức, nhật ký. Nếu dùng đám mây, xác nhận đối tượng gửi, hành vi khi mất mạng, lưu trữ xuyên quốc gia, xử lý ảnh khách hàng. Quyền tái huấn luyện mô hình, chuyển giao dữ liệu khi đổi nhà cung cấp, cập nhật bảo mật, kết nối từ xa khi bảo trì cũng phải quyết định trước báo giá. Không so sánh chỉ giá ban đầu, yêu cầu báo tổng chi phí bao gồm thêm chủng loại, thay ống kính/đèn, bảo trì hàng năm, đánh giá lại.
So sánh báo giá dùng cùng mẫu thử và điều kiện lỗi giống nhau
Ngoài ảnh đại diện đẹp, chia sẻ mẫu thực hoặc ảnh có trường hợp biên giới cho các nhà cung cấp. Bao gồm biến động sản phẩm tốt, các lớp lỗi không đạt, trường hợp đánh giá khác nhau, màng dầu, màu oxi hóa, lắp lại mẫu, sai lệch đồ gá, lỗi chụp ảnh. Quản lý riêng dữ liệu cung cấp cho nhà cung cấp và dữ liệu chưa công bố dùng đánh giá cuối. Nếu dùng ảnh nhà cung cấp đã tinh chỉnh để kiểm tra nghiệm thu thì mất ý nghĩa so sánh.
Yêu cầu nhà cung cấp nêu rõ điều kiện loại trừ. Ví dụ “không thể phát hiện lỗi bên trong qua ảnh”, “cần đồ gá xoay để chụp mặt sau”, “phải chờ nguội mới kiểm tra được” không phải điểm trừ mà là thông tin giúp dự toán chi phí phát sinh khi triển khai thực tế. Tiêu chí đánh giá không chỉ hiệu năng phát hiện mà còn cách xử lý ảnh không kiểm tra được, bảo trì-hiệu chuẩn, khả năng khôi phục tại chỗ, chuyển giao dữ liệu, phạm vi kiểm tra lại khi thay đổi. Nếu dùng tại nhà máy Thái Lan, so sánh khả năng nhân viên địa phương khôi phục đồ gá, đèn, PC trong bao lâu, có cung cấp tài liệu hướng dẫn bằng ngôn ngữ làm việc tại chỗ hay không.
Cần thận trọng khi chế tạo mẫu thử và dùng khuyết tật giả. Hình dạng “giống lỗi” muốn cho mô hình học và khuyết tật thực tế bị loại có thể không trùng nhau. Mẫu giả dùng cho kiểm tra vận hành được nhưng không tính là bằng chứng hiệu năng phát hiện lỗi thực tế, cần ghi rõ trong RFP. Nếu đối chiếu thử phá hủy hoặc NDT với ảnh, phải lưu lại người phê duyệt giá trị thực cuối cùng.
PoC nhỏ gọn, FAT và SAT kiểm tra các câu hỏi khác nhau
Mục đích PoC là làm lộ các rủi ro chính để quyết định có áp dụng hay không. Ít nhất phải kiểm tra tính tái lập chụp ảnh, khả năng nhìn thấy khuyết tật mục tiêu, biến động sản phẩm tốt, xu hướng bỏ sót và phát hiện sai, lượng REVIEW, chu kỳ xử lý. Kết quả không phải video demo mà là danh sách mẫu, điều kiện chụp, mô hình-ngưỡng, ma trận nhầm lẫn, ảnh lỗi và lý do lỗi. Nếu chưa đủ, không chỉ “cải tiến rồi thử lại” mà còn cho phép “so sánh phương pháp quang học khác”, “đổi loại mối nối”, “không dùng kiểm tra hình ảnh”.
FAT là kiểm tra trước khi giao hàng, dùng cấu hình thiết bị và phần mềm đã thống nhất, với tập kiểm tra đã niêm phong trước. Kiểm tra camera, ống kính, đèn, đồ gá, mô phỏng PLC, tín hiệu loại bỏ, nhật ký, quyền truy cập, sao lưu và phục hồi, hành vi khi mất kết nối. Cố định phiên bản, công thức, checksum, số thiết bị đã đạt FAT và ghi lại thay đổi đến SAT. Không hoàn thành FAT chỉ dựa vào độ chính xác mô hình AI.
SAT thực hiện trên dây chuyền thực tế, liên kết vận chuyển sản phẩm, rung lắc, ca làm việc, vệ sinh, thay đổi sản phẩm, ánh sáng môi trường, mạng lưới. Nếu nhiệt độ và ánh sáng nhà máy khác FAT, phân bố ảnh cũng khác dù cùng mối hàn. SAT lưu lại điều kiện chưa kiểm tra và giới hạn phạm vi đạt. Ví dụ “sản phẩm A mặt trên, ca ngày, đồ gá R2 đạt” không đồng nghĩa “dùng cho tất cả chủng loại và ca làm việc”. Trước khi chuyển sang kiểm tra 100%, cần giai đoạn chạy song song, ghi nhận khác biệt với đánh giá người và bộ phận chất lượng phân xử.
Quy trình kiểm tra nghiệm thu phải “ai làm lại cũng giống nhau”
Phần đầu quy trình ghi rõ sản phẩm, mối nối, phiên bản, cấu hình thiết bị, công thức chụp, phạm vi môi trường cho phép, ngưỡng đạt, cách niêm phong dữ liệu kiểm tra, người thực hiện. Chuẩn bị trước mẫu tốt, mẫu lỗi, mẫu lỗi chụp ảnh với ID, xáo trộn thứ tự. Không cho phép nhà cung cấp điều chỉnh ngưỡng sau khi xem ảnh, lưu cấu hình khi bắt đầu. Nếu cần điều chỉnh, làm phiên bản mới, không ghi đè kết quả cũ.
Ghi lại từng mẫu ID ảnh, ID mẫu, vị trí mối nối, căn cứ giá trị thực, điểm AI, kết quả OK/NG/REVIEW, thời gian nhận PLC, kết quả loại bỏ, kết quả kiểm tra lại. Tính toán tỷ lệ theo từng loại khuyết tật, không dùng trung bình đơn lẻ để quyết định. Bao gồm cả trường hợp không chụp được, sai công thức chủng loại, lỗi tải mô hình, bộ nhớ đầy, mất kết nối, khởi động lại. Chức năng an toàn và đánh giá chất lượng là trách nhiệm thiết kế riêng, không dùng kết quả AI chất lượng để thay thế kiểm tra an toàn máy.
Khi không đạt, phân tích tách biệt lỗi thiết bị, điều kiện chụp, tranh chấp nhãn, khác biệt giải thích tiêu chuẩn, giới hạn mô hình. Không lưu ảnh và mẫu thực mà chỉ ghi “AI đánh giá sai” không giúp cải tiến. Thỏa thuận dữ liệu dùng kiểm tra lại, phạm vi sửa đổi, người chịu trách nhiệm đánh giá, thời hạn. Bảng nghiệm thu càng chi tiết để người khác có thể kiểm tra lại sau, thuận tiện khi thay nhà cung cấp hoặc cập nhật mô hình.
Quản lý thay đổi sau khi vận hành: nghi ngờ điều kiện chụp trước khi nghi ngờ mô hình
Hiệu suất giảm sau khi triển khai không phải lúc nào cũng do mô hình lỗi thời. Bụi bẩn ống kính, suy giảm đèn, mòn đồ gá, thay đổi bề mặt vật liệu, thay đổi điều kiện hàn, lệch vị trí camera… làm thay đổi điều kiện đầu vào vật lý. Kiểm tra khởi động hàng ngày gồm chụp lại mẫu chuẩn, kiểm tra đèn và lấy nét, đồng bộ thời gian, kiểm tra loại bỏ NG. Theo dõi tỷ lệ REVIEW và lỗi chụp theo chủng loại và ca làm việc, nếu biến động đột ngột thì kiểm tra mẫu thực và thiết bị.
Không xem thay đổi ngưỡng, thay đổi công thức, tái huấn luyện, thay camera là cùng một “điều chỉnh nhỏ”. Xác định phạm vi mối nối và loại khuyết tật ảnh hưởng, phạm vi kiểm tra lại, người phê duyệt và cách quay về phiên bản cũ cho từng thay đổi, ghi lại. Khi thêm dữ liệu NG vận hành vào học, kiểm tra kết quả phán quyết của con người có chính xác, phân loại có thay đổi sau khi khách hàng nhận hàng không. AI tự học nhãn sai có thể làm lỗi trở nên gần bình thường. Sổ tay NIST MEASURE cũng đề cập giám sát liên tục và đánh giá lại dựa trên biến đổi phân phối dữ liệu.
Chuẩn bị cho kiểm toán, lưu trữ ảnh gốc, kết quả, phiên bản mô hình-ngưỡng-công thức, ID sản phẩm, thời gian kiểm tra, ghi nhận sửa đổi của người vận hành, xử lý cuối cùng có thể tìm kiếm. Thời gian lưu theo hợp đồng khách hàng và quy định chất lượng nội bộ. Không có dữ liệu truy vết, số lượng OK không dùng để kiểm chứng khiếu nại sau này. Đánh giá đầu tư tự động hóa kiểm tra phải tính cả chi phí kiểm tra lại, loại bỏ sai, thay đổi công thức, bảo trì, lưu trữ dữ liệu ngoài thời gian nhân công.
FAT/SAT phân tầng các khuyết tật và điều kiện thực địa, đồng thời kiểm tra biện pháp xử lý khi bỏ sót
Nếu chỉ định nghĩa mẫu thử nghiệm nhận hàng là “100 sản phẩm tốt, 100 sản phẩm lỗi”, có thể xảy ra trường hợp các mối hàn khó hoặc các chỉ dẫn bề mặt nghiêm trọng chỉ chiếm số lượng rất ít. Bảng thử nghiệm được phân tầng theo các trục như nhóm sản phẩm, loại mối hàn, dải độ dày tấm, phương pháp hàn, mặt trước và mặt sau, giai đoạn bắt đầu/ổn định/kết thúc của đường hàn, các ứng viên khuyết tật và mức độ nghiêm trọng. Ở mỗi tầng, ghi lại số lượng mẫu thực tế có thể chuẩn bị, cơ sở xác thực giá trị thật, khả năng chụp ảnh, kết quả OK/NG/REVIEW; các tầng không có mẫu sẽ để trống và hiển thị là “chưa được kiểm chứng”. Không được đưa các tầng không có lỗi bỏ sót và các tầng chưa thử nghiệm vào cùng một cột kết quả đạt. Để tránh làm cho tỷ lệ mẫu nhỏ trông như một sự chắc chắn lớn, cần hiển thị đồng thời tỷ lệ và số lượng mẫu thô.
Trong FAT, cùng một mẫu thử được tháo lắp và chụp lại nhiều lần, kiểm tra việc phục hồi cài đặt chiếu sáng, chuyển đổi công thức, xác nhận mẫu chuẩn sau khi thay camera. Trong SAT, phân tầng theo ca làm việc ngày và đêm, tốc độ thấp và tốc độ định mức, trước và sau khi thay đồ gá, ngay sau khi vệ sinh và khi tình trạng bẩn đã tiến triển, cũng như rung động vận chuyển thông thường trong phạm vi có thể. Nếu không thể bao phủ toàn bộ điều kiện trong một ngày, ghi rõ phạm vi vận hành đã thử nghiệm, điều kiện chưa thử nghiệm và lịch thử nghiệm bổ sung trong hồ sơ nhận hàng. Các giá trị đã xác nhận trong PoC hoặc FAT không được sao chép trực tiếp làm kết quả SAT tại hiện trường. Phạm vi đạt chỉ dựa trên dữ liệu tại chỗ, các sản phẩm ngoài phạm vi sẽ được chuyển sang kiểm tra bằng con người.
Biện pháp xử lý khi phát hiện bỏ sót trong quá trình thử nghiệm cũng được quyết định riêng biệt với bảng hiệu suất. Sản phẩm thực tế liên quan và lô cùng điều kiện từ thời điểm xác nhận bình thường cuối cùng sẽ được cách ly tạm thời, bộ phận đảm bảo chất lượng sẽ quyết định phạm vi kiểm tra lại. Nhà cung cấp cung cấp hình ảnh, điểm số, phiên bản mô hình, trạng thái chụp ảnh và nhật ký đầu ra PLC để hỗ trợ phân tích nguyên nhân. Nhân viên vận hành dây chuyền tuân thủ quy trình dừng và khởi động thiết bị, bộ phận đảm bảo chất lượng quyết định việc có cho xuất xưởng sản phẩm hay không. Không được tự động trả sản phẩm đã cách ly về trạng thái đạt chỉ bằng việc sửa đổi mô hình của nhà cung cấp. Sau khi sửa, cần thử nghiệm lại với các mẫu độc lập ngoài các trường hợp lỗi đã gặp, đồng thời kiểm tra xem hiệu suất với các loại khuyết tật khác có bị suy giảm hay không.
Chỉ định “Sổ tay vận hành kiểm tra” để bàn giao sau khi tiếp nhận trong RFP
Chỉ nhận được file mô hình AI khi giao hàng thì nhà máy không thể duy trì quy trình kiểm tra. Sổ tay vận hành cần tổng hợp phạm vi áp dụng theo sản phẩm và khớp nối, công thức chụp ảnh, thiết lập đèn chiếu sáng và camera, chuẩn mẫu dùng để hiệu chuẩn, bảng phân loại mới nhất, phiên bản mô hình và ngưỡng, người phê duyệt, hồ sơ gốc FAT/SAT, các điều kiện chưa được xác minh, các lỗi phân loại đã biết, chu kỳ kiểm tra định kỳ. Cũng cần có quy trình làm việc kèm hình ảnh minh họa để có thể đánh giá “vết bẩn này thì vệ sinh” hay “dịch chuyển vị trí này thì dừng máy”. Chỉ có tài liệu hướng dẫn bằng ngôn ngữ mà nhân viên ca kíp tại hiện trường không đọc được thì khi hỏng hóc sẽ không thể chuyển sang REVIEW đúng cách. Cần xác nhận tại SAT rằng màn hình hiển thị và tài liệu hướng dẫn bằng tiếng Thái và ngôn ngữ chung trong nhà máy phải trùng khớp.
Phân chia trách nhiệm quản lý sổ tay cũng là điều kiện hợp đồng. Bộ phận đảm bảo chất lượng phê duyệt tiêu chuẩn phân loại và các thay đổi được cho phép, kỹ thuật sản xuất duy trì trạng thái đồ gá và hệ thống quang học, IT/OT quản lý đồng bộ thời gian, mạng lưới, nơi lưu trữ và quyền truy cập. Nhà cung cấp chỉ rõ phạm vi bảo trì, đường dây liên lạc khi có sự cố và quy trình kiểm tra lại sau khi khôi phục. Khi đăng ký chủng loại mới, không chỉ đơn giản “thêm vài ảnh để học” mà phải bổ sung khớp nối, bề mặt, lớp khuyết tật, điều kiện quy trình vào sổ tay và lặp lại các bài kiểm tra tiếp nhận có ảnh hưởng. Cũng cần xác nhận xem việc cập nhật mô hình có làm giảm chất lượng phân loại sản phẩm cũ hay không. Nếu trước đó đã quyết định quy trình quay lại phiên bản cũ và xử lý kiểm tra thủ công trong thời gian đó thì việc cập nhật sẽ không trở thành một canh bạc rủi ro lớn về chất lượng.
Lịch sử kiểm tra cũng được sử dụng để xử lý khiếu nại. Khi khách hàng chỉ ra lô hàng cụ thể, cần có khả năng truy xuất ID sản phẩm, ID khớp nối, ảnh gốc, phiên bản phân loại, phán quyết REVIEW và lịch sử kiểm tra thiết bị trong khoảng thời gian đó. Nếu chỉ dựa vào thời gian khi trích xuất thì có thể nhầm lẫn do lệch đồng hồ giữa PLC và PC. Thiết kế phải cho phép tìm kiếm bằng cả ID và thời gian, đồng thời giám sát việc phát sinh bản ghi thiếu như một chỉ số vận hành. Đây là yêu cầu về hồ sơ chất lượng khác với hiệu suất mô hình AI, và việc chỉ định trong RFP khi triển khai sẽ chắc chắn hơn là bổ sung sau.
Danh sách kiểm tra trước khi đặt hàng cho nhà máy Thái Lan
Trong cuộc họp đặt hàng, cần trả lời bằng văn bản các câu hỏi sau: ① Đã xác định phiên bản và thứ tự ưu tiên hợp đồng, bản vẽ, tiêu chuẩn chưa? ② Đã phân biệt khuyết tật nhìn thấy qua ảnh và khuyết tật cần NDT hoặc thử nghiệm khác chưa? ③ Đã giới hạn sản phẩm, mối nối, mặt chụp, ca làm việc chưa? ④ Đã quyết định hành động OK/NG/REVIEW và khi dừng chưa? ⑤ Đã thực hiện kiểm tra quang học trên mẫu thực chưa? ⑥ Đã tách mẫu học và mẫu đánh giá cuối chưa? ⑦ Đã xác định mẫu số cho tỷ lệ bỏ sót và phát hiện sai chưa? ⑧ Đã ghi rõ điều kiện kiểm tra riêng biệt cho FAT và SAT chưa? ⑨ Đã quyết định quyền chuyển giao ảnh gốc, mô hình, nhật ký chưa? ⑩ Đã xác định người chịu trách nhiệm khôi phục và ngôn ngữ làm việc tại chỗ chưa?
Bỏ trống bất kỳ câu nào vẫn có thể chụp ảnh và thử nghiệm. Nhưng AI không thể bù đắp sự mơ hồ trong hợp đồng, nghiệm thu và vận hành. Bắt đầu từ kiểm tra quang học nhỏ, tạo bảng tương ứng mẫu-thiết kế, niêm phong tập đánh giá, tiến hành theo điều kiện nghiệm thu đã thống nhất giúp giảm vòng lặp triển khai. Thiết kế dừng đúng khi không thể kiểm tra được có giá trị hơn hứa hẹn độ phát hiện cao.
Câu hỏi thường gặp
Chỉ kiểm tra hình ảnh mối hàn có phát hiện được khuyết tật bên trong không?
Ảnh camera bề mặt thông thường không thể trực tiếp xác nhận khuyết tật chưa hợp nhất hay lỗ khí bên trong. Có thể có tương quan giữa dấu hiệu bề mặt và trạng thái bên trong, nhưng nếu không xác minh độc lập trên sản phẩm cụ thể thì không thể coi là thay thế kiểm tra khuyết tật bên trong. Lựa chọn NDT cần tuân theo tiêu chuẩn áp dụng và kế hoạch chất lượng. RFP AI hình ảnh phải ghi rõ giới hạn này và chuyển giao sang quy trình khác.
Độ chính xác 99% của AI phát hiện khuyết tật có được chấp nhận làm tiêu chuẩn nghiệm thu không?
Nếu không định nghĩa mẫu số, loại khuyết tật, mức độ nghiêm trọng, biến động sản phẩm tốt, cách xử lý ảnh không xác định thì không đủ làm tiêu chuẩn nghiệm thu. Độ chính xác tổng hợp bỏ sót khuyết tật nghiêm trọng và phát hiện sai khuyết tật nhỏ không thể đánh giá rủi ro chất lượng. Hợp đồng phải bao gồm số lượng theo lớp, giá trị thực đáng tin cậy, tập kiểm tra niêm phong, cách xử lý REVIEW.
Tự động hóa kiểm tra mối hàn nên dùng quy tắc hay AI?
Nếu đối tượng ổn định về chiều rộng, vị trí thì quy tắc có lợi về giải thích và bảo trì. Nếu hình dạng phức tạp, biến động lớn thì nên cân nhắc AI. Có thể kết hợp: định vị và đo kích thước bằng quy tắc, đánh giá hình dạng bằng AI. Không nên quyết định phương pháp trước, mà so sánh trên mẫu thực cùng điều kiện, kiểm tra lý do thất bại theo loại khuyết tật.
Nhà máy Thái Lan có thể chuyển ngay sang kiểm tra 100% khi qua FAT không?
FAT kiểm tra thiết bị trước giao hàng. Rung lắc, ánh sáng môi trường, vận chuyển, thay đổi sản phẩm, ca làm việc, phối hợp cơ cấu loại bỏ kiểm tra tại SAT. Sau khi xác định phạm vi đạt SAT, giai đoạn chạy song song và đánh giá lại bằng người mới chuyển sang 100%. Khi thêm chủng loại, mối nối cũng phải đánh giá lại phạm vi.
Tóm tắt
Điều đầu tiên cần cố định trong quản lý chất lượng AI mối hàn không phải mô hình mà là tiêu chuẩn áp dụng, tiêu chí nghiệm thu hợp đồng, phạm vi quan sát qua ảnh, loại khuyết tật bên trong loại trừ, và xử lý OK/NG/REVIEW. RFP dùng mẫu thực và trường hợp biên làm điều kiện chung, FAT xác nhận cấu hình và dữ liệu niêm phong, SAT xác nhận vận chuyển, môi trường, hành vi khi dừng tại hiện trường. Đếm riêng tỷ lệ bỏ sót, phát hiện sai, lỗi chụp ảnh, mất truy vết giúp người chịu trách nhiệm chất lượng giải thích được quyết định áp dụng.
TOMAS TECH có thể tư vấn từ giai đoạn phân loại mối nối, cấu hình hệ thống chụp ảnh, các mục RFP và bảng nghiệm thu cho kiểm tra hàn tại nhà máy Thái Lan. Nếu có bản vẽ, tiêu chuẩn kiểm tra hiện hành và điều kiện mẫu muốn chụp, hãy bắt đầu bằng cách liên hệ với chúng tôi để trao đổi vấn đề.
Thông tin tham khảo
- ISO 5817:2023 — Mức chất lượng khuyết tật không hoàn chỉnh mối hàn (ISO, kiểm tra phạm vi áp dụng và mức B/C/D)
- ISO 17637:2016 — Kiểm tra bằng mắt mối hàn kim loại (ISO, phiên bản hiện hành và phạm vi áp dụng)
- ISO 17635:2025 — Quy tắc chung lựa chọn và đánh giá kết quả kiểm tra không phá hủy mối hàn kim loại (ISO, mối quan hệ phương pháp kiểm tra và mức chấp nhận)
- ISO 6520-1:2007 — Phân loại khuyết tật hình học không hoàn chỉnh mối hàn (ISO catalog, phiên bản hiện hành)
- AWS D1.1/D1.1M:2025-AMD1 — Quy chuẩn hàn kết cấu thép (AWS, phạm vi áp dụng và áp dụng theo hợp đồng)
- NIST AI RMF — MEASURE (NIST, tài liệu hóa tập đánh giá, chỉ số, điều kiện vận hành)
- NIST AI RMF Playbook — MEASURE (NIST, giám sát liên tục và đánh giá lại)
*Văn bản tiêu chuẩn và hợp đồng khách hàng là ưu tiên hàng đầu. Các liên kết trên chỉ là tóm tắt công khai, không thay thế văn bản chính thức. Phiên bản áp dụng, giá trị đánh giá, phạm vi kiểm tra phải xác nhận từng dự án.*
