AI kiểm tra tiếng ồn bất thường: RFP và nghiệm thu

“Khâu kiểm tra tiếng ồn bất thường trước khi xuất xưởng hiện do kiểm tra viên lâu năm đeo tai nghe lắng nghe rồi quyết định đạt hay không đạt. Mỗi người phán định một khác, và bắt họ nghe suốt cả ngày trên một dây chuyền ồn ào cũng đã đến giới hạn. Mỗi lần khách hàng khiếu nại về tiếng ồn bất thường, chúng tôi lại phải viết báo cáo 8D.” Ngày càng nhiều trưởng phòng chất lượng tại các nhà máy động cơ và nhà máy cụm truyền động điện vốn Nhật Bản ở Thái Lan tìm đến chúng tôi với những trăn trở như vậy. Và giải pháp thường được đưa ra xem xét là triển khai AI kiểm tra tiếng ồn bất thường.

Xin nói kết luận trước. Điều quyết định thành bại khi triển khai AI kiểm tra tiếng ồn bất thường không phải là độ thông minh của mô hình AI, mà là “âm thanh được thu trong cùng điều kiện” và “dữ liệu đáp án mà phán định của con người đã thống nhất”. Con đường ngắn nhất là đưa AI vào trước hết như một công cụ đo độ dao động trong phán định của con người, trước khi dùng nó để thay thế đôi tai con người. Những việc cần quyết định khi triển khai có thể gói gọn trong 3 điểm: (1) cố định cách thu âm trước, (2) con người thống nhất đáp án, (3) quyết định đạt hay không đạt bằng thử nghiệm nghiệm thu.

Lưu ý rằng sản lượng, số người, số vụ, số tiền và số năm hoàn vốn của nhà máy xuất hiện trong bài viết này đều là giá trị tính toán và giá trị giả định do chính bài viết này đặt ra (giá trị tạm đặt), dựa trên nhà máy mô hình được mô tả ở phần sau. Đây không phải là mức trung bình ngành, cũng không phải số liệu khảo sát. Bài viết cũng không sử dụng thông tin gốc về giá hay hiệu quả từ nhà cung cấp. Xin hãy đọc như một “khuôn mẫu tính toán” để thay bằng số liệu thực tế và báo giá của chính doanh nghiệp mình.

Vì sao lúc này các nhà máy ở Thái Lan phải đặt câu hỏi về việc triển khai AI kiểm tra tiếng ồn bất thường

Ngày càng nhiều lựa chọn quảng bá khả năng tự động hóa kiểm tra bằng thính giác

Trong khâu kiểm tra trước xuất xưởng đối với các sản phẩm có tích hợp động cơ, bánh răng, bơm hay quạt, vẫn còn nhiều công đoạn mà con người dùng tai để nghe và quyết định đạt hay không đạt. Vài năm gần đây, liên tục có các sản phẩm và công bố nghiên cứu nhằm tự động hóa “kiểm tra cảm quan bằng thính giác” này. Dưới đây là một số ví dụ về các lựa chọn trên thị trường mà chúng tôi đã xác nhận được. Đây không phải là khuyến nghị hay so sánh giá. Mọi con số về hiệu năng, kể cả những con số có được nêu, đều là công bố từ phía nhà cung cấp và không có nghĩa là dây chuyền của doanh nghiệp bạn sẽ đạt được cùng giá trị đó.

Về phía nghiên cứu cũng có những chuyển động. Tháng 8/2026, một nghiên cứu phát hiện bất thường trên dữ liệu rung động EOL của cụm lắp ráp e-transaxle cho xe điện, chia theo từng giai đoạn vận hành, đã được đăng lên arXiv. Báo cáo cho biết vì có thể khoanh vùng bất thường vào điều kiện vận hành cụ thể nên hữu ích cho phân tích nguyên nhân gốc. Tuy nhiên, đây là bản tiền ấn phẩm (preprint) chưa qua bình duyệt, và phần tóm tắt (abstract) không có con số độ chính xác cụ thể.

Điều cần nắm ở đây là những con số và mô tả này không thể so sánh trên cùng một thước đo. “Nhanh nhất 3 giây” là giá trị nhanh nhất của thời gian phán định, còn “trên 95%” là tỷ lệ phát hiện mà điều kiện không được công bố. Không con số nào trả lời được câu hỏi “với mã sản phẩm này của doanh nghiệp mình, sẽ bỏ sót bao nhiêu chiếc và phát hiện thừa bao nhiêu chiếc”. Chính vì vậy, doanh nghiệp cần tự xây dựng thước đo để so sánh. Thước đo đó là bộ đánh giá và thử nghiệm nghiệm thu sẽ được giải thích ở phần sau.

Sản xuất ô tô tại Thái Lan có dấu hiệu phục hồi, yêu cầu ngày càng khắt khe

Theo Liên đoàn Công nghiệp Thái Lan (FTI), sản lượng ô tô của Thái Lan tháng 8/2026 là 124,646 chiếc, tăng 10.93% so với cùng kỳ năm trước. Doanh số trong nước tăng 25.59% so với cùng kỳ, xuất khẩu giảm 2.04% so với cùng kỳ. Sản lượng tháng 7 cũng đạt 117,383 chiếc, tăng 6.12% so với cùng kỳ, đảo chiều từ mức giảm 7.55% so với cùng kỳ của tháng 6. Mặt khác, FTI dự báo sản lượng cả năm 2026 giảm 3.33%, với lý do xuất khẩu sụt giảm do xung đột ở Trung Đông.

Khi sản lượng quay trở lại, việc bố trí kiểm tra viên có thể không theo kịp. Thêm vào đó, cùng với xu hướng điện hóa, yêu cầu về âm thanh vận hành của linh kiện ngày càng khắt khe. Bài báo kỹ thuật của Aisin giải thích bối cảnh rằng điện hóa ô tô khiến khoang xe yên tĩnh hơn, và yêu cầu về âm thanh vận hành của linh kiện vì thế tăng lên.

Chính cách làm việc “bắt nghe” trên dây chuyền ồn ào cũng đang bị đặt câu hỏi

Một lý do khác là sức khỏe của kiểm tra viên. Thái Lan có quy định cấp bộ và thông báo quản lý mức phơi nhiễm tiếng ồn, với tiêu chuẩn mức phơi nhiễm trung bình 8 giờ không vượt quá 85 dB(A) (chi tiết ở phần sau). Cách làm việc đeo tai nghe và lắng nghe liên tục trong thời gian dài giữa một dây chuyền ồn ào có lý do để được xem xét lại, cả về mặt chất lượng lẫn an toàn vệ sinh lao động.

AI kiểm tra tiếng ồn bất thường là gì: cơ chế học âm thanh bình thường để tìm ra “âm thanh khác thường ngày”

Tiền đề: không thể thu thập đủ âm thanh của hàng lỗi

Nền tảng tư duy của AI kiểm tra tiếng ồn bất thường nằm ở Task 2 của cuộc thi nghiên cứu âm học “DCASE”. Ở Task 2 năm 2020, “Phát hiện âm thanh bất thường không giám sát để giám sát tình trạng máy móc”, dữ liệu huấn luyện được cung cấp chỉ gồm âm thanh bình thường. Lý do là âm thanh bất thường thực tế “hiếm khi xảy ra và lại có rất nhiều loại”. Lần đó có 117 bài nộp từ 40 đội.

Kiểm tra xuất xưởng ở nhà máy cũng vậy. Lỗi có nhiều loại như vết xước ổ bi, vết lõm bánh răng, kẹt dị vật, tiếng rít chổi than, nhưng với mỗi loại lỗi thì gần như không có được bao nhiêu sản phẩm lỗi. Vì thế, AI chủ yếu học thật nhiều âm thanh của sản phẩm bình thường, rồi chuyển mức độ lệch khỏi “âm thanh thường ngày” thành con số (mức độ bất thường). Khi mức độ bất thường vượt ngưỡng thì phán định NG. Điểm khác với cách làm trong kiểm tra ngoại quan bằng hình ảnh, vốn thu thập ảnh hàng lỗi để huấn luyện, là AI không phải ghi nhớ từng âm thanh hàng lỗi một. Tư duy ở phía hình ảnh được tổng hợp trong bài “Hướng dẫn triển khai AI kiểm tra ngoại quan“.

Các bộ dữ liệu nghiên cứu và nội dung của chúng

Trong lĩnh vực nghiên cứu này, các bộ dữ liệu công khai đã được sử dụng.

• MIMII Dataset: Bộ dữ liệu âm thanh máy công nghiệp do các nhà nghiên cứu của Hitachi công bố. Gồm 4 loại máy là van, bơm, quạt và ray trượt, với âm thanh bình thường từ 5000-10000 giây cho mỗi model và âm thanh bất thường khoảng 1000 giây. Bộ dữ liệu trộn tiếng ồn nền thu tại nhà máy thực tế, và chuẩn bị 3 điều kiện tỷ số tín hiệu trên nhiễu (SNR) là -6 dB, 0 dB và 6 dB. Nói cách khác, bản thân việc “nhận ra âm thanh bất thường giữa tiếng ồn nhà máy” đã là một đề tài nghiên cứu.
• ToyADMOS: Xuất phát từ nhận thức rằng việc khó thu thập dữ liệu âm thanh bất thường là rào cản khi xây dựng bộ dữ liệu quy mô lớn, đây là bộ dữ liệu thu thập âm thanh bất thường bằng cách cố ý làm hỏng các máy thu nhỏ. Âm thanh vận hành bình thường trên 180 giờ, mẫu âm thanh bất thường trên 4,000.
• ToyADMOS2: Bộ dữ liệu để đánh giá phát hiện âm thanh bất thường trong điều kiện “dịch chuyển miền” (domain shift) do khác biệt về tốc độ vận hành, cách bố trí micro và model máy. Mẫu âm thanh bình thường trên 27,000, âm thanh bất thường trên 8,000.

Trọng tâm nghiên cứu là “khi điều kiện thay đổi” và “model máy lần đầu gặp”

Task 2 của DCASE qua từng năm đã bổ sung các điều kiện ngày càng gần với thực tế nhà máy. Năm 2023, bài toán “first-shot” lần đầu tiên được đưa vào. Năm 2024, hệ thống được yêu cầu phải hoạt động cả khi có thể dùng thông tin thuộc tính như điều kiện vận hành, lẫn khi thông tin đó bị cố ý che giấu ở một số model máy.

Task 2 năm 2025 đặt tiền đề rõ ràng rằng ở nhà máy, bất thường vừa hiếm vừa đa dạng nên mô hình chỉ được học từ âm thanh bình thường. Dữ liệu phát triển cho mỗi model máy chỉ gồm 990 clip âm thanh bình thường ở điều kiện gốc (miền nguồn, source domain) và 10 clip âm thanh bình thường sau khi điều kiện thay đổi (miền đích, target domain). Dịch chuyển miền được cho là phát sinh từ khác biệt về tốc độ vận hành, loại tiếng ồn, tải của máy, cách bố trí micro và các yếu tố tương tự. “First-shot” là thiết lập trong đó vì có thể đối mặt với model máy hoàn toàn mới nên không được xem dữ liệu kiểm thử để điều chỉnh tham số. Ban tổ chức có tên các nhà nghiên cứu của Hitachi, NTT và các đơn vị khác.

Chuyển sang bối cảnh nhà máy, điều này có nghĩa là ngay khi “đổi mã sản phẩm”, “thay micro” hay “thiết bị bên cạnh bắt đầu chạy”, phán định của AI có thể bị sai lệch. Và mỗi lần như vậy, không có dư địa để thu thập lại một lượng lớn âm thanh bình thường. Bài toán của nghiên cứu cũng chính là bài toán vận hành sau khi triển khai.

Chỉ số nghiên cứu không phải là tiêu chuẩn đạt/không đạt của nhà máy

Chỉ số đánh giá của DCASE là AUC và pAUC (AUC trong vùng tỷ lệ dương tính giả không quá 0.1), và từ năm 2023 trở đi, điểm chính thức là trung bình điều hòa của hai chỉ số này. Đây là chỉ số của một cuộc thi nghiên cứu nhằm so sánh các phương pháp với nhau. Điều nhà máy muốn biết là “khi đặt ngưỡng ở mức này, sẽ bỏ sót bao nhiêu sản phẩm lỗi đã biết và đánh NG bao nhiêu sản phẩm tốt”, và AUC cao không phải là câu trả lời cho điều đó. Khi đặt hàng, việc quyết định đạt hay không đạt dựa trên số chiếc bị bỏ sót và tỷ lệ phát hiện thừa được đếm bằng bộ đánh giá của chính doanh nghiệp, chứ không dựa trên AUC.

Những gì AI làm được và không làm được

Giới hạn của kiểm tra cảm quan bằng thính giác, và việc “đo mức độ đồng nhất phán định” cần làm trước AI

Những vấn đề của kiểm tra dựa vào đôi tai người lành nghề

Bài báo kỹ thuật của Aisin “Phát triển phương pháp kiểm tra mới đối với âm thanh vận hành của sản phẩm” cho biết trong kiểm tra âm thanh vận hành linh kiện ô tô, kiểm tra cảm quan bằng thính giác của kiểm tra viên lành nghề được áp dụng rộng rãi, và do các vấn đề về số giờ công, gánh nặng cho kiểm tra viên và truyền thụ kỹ năng, nên cần có đánh giá định lượng và tự động hóa. Bài báo phân loại tiếng ồn bất thường thành 7 loại, và báo cáo phương pháp phát hiện “tiếng ồn bất thường có tần số âm thanh vận hành thay đổi”, loại khó phát hiện bằng phương pháp truyền thống, thông qua xử lý tín hiệu gồm phân tích cepstrum và phân tích đường đỉnh (ridge) thời gian–tần số. Xin lưu ý rằng nội dung này không phải là phát hiện bằng AI học máy. Dù vậy, cách tiếp cận xác định trước “bắt âm thanh gì, định nghĩa như thế nào” vẫn có thể tham khảo nguyên vẹn khi triển khai AI.

Về phương pháp đánh giá cảm quan của con người, có tiêu chuẩn JIS Z 9080:2004 “Phân tích đánh giá cảm quan – Phương pháp”. Tiêu chuẩn này quy định các phương pháp như phép thử 2 điểm, phép thử 3 điểm và phép xếp hạng, và trong lần sửa đổi năm 2004 đã được hài hòa quốc tế dựa trên tiêu chuẩn ISO. Tuy nhiên, đây là tiêu chuẩn về “phương pháp đánh giá” chủ yếu hướng tới đánh giá cảm quan thực phẩm và các lĩnh vực tương tự, không phải tiêu chuẩn quy định ngưỡng đạt/không đạt cho kiểm tra tiếng ồn bất thường.

Tiêu chuẩn mà phán định của con người chưa thống nhất thì AI cũng không thể tái hiện

Đây là điểm bài viết này muốn truyền đạt nhất. Khi huấn luyện hay đánh giá AI, nhãn đáp án “sản phẩm này OK, sản phẩm này NG” là do con người gắn. Thế nhưng nếu phán định của con người khác nhau giữa các kiểm tra viên, hoặc cùng một người mà mỗi ngày một khác, thì AI không biết nên theo bên nào. Đo độ chính xác của AI trong khi đáp án còn dao động thì con số đó không có ý nghĩa.

Ngoài ra, chúng tôi không xác nhận được con số đáng tin cậy nào có thể trích dẫn như giá trị đại diện của ngành về tỷ lệ bỏ sót của kiểm tra bằng thính giác do con người thực hiện, hay tỷ lệ đồng nhất giữa các kiểm tra viên. Chính vì vậy, chỉ có cách tự đo con số của doanh nghiệp mình.

Đo khâu kiểm tra hiện tại bằng phân tích đồng nhất thuộc tính (hệ số Kappa)

Phương pháp đo có thể dùng là “phân tích đồng nhất thuộc tính” (attribute agreement analysis) được sử dụng trong quản lý chất lượng. Với các phán định dạng OK/NG (dữ liệu thuộc tính), phương pháp này đánh giá 3 điểm sau.

1. Khi cùng một kiểm tra viên phán định cùng một sản phẩm nhiều lần, có cho ra cùng câu trả lời không (tính nhất quán trong từng kiểm tra viên)
2. Câu trả lời giữa các kiểm tra viên có thống nhất không (đồng nhất giữa các kiểm tra viên)
3. Câu trả lời có khớp với chuẩn (đáp án) không (đồng nhất với chuẩn)

Mức độ đồng nhất được biểu thị bằng hệ số Kappa. Kappa nhận giá trị từ -1 đến +1, trong đó 1 là đồng nhất hoàn toàn và 0 là mức đồng nhất tương đương ngẫu nhiên. Phần trợ giúp của phần mềm thống kê Minitab giải thích rằng AIAG (tổ chức của ngành công nghiệp ô tô Mỹ) cho rằng “giá trị Kappa từ 0.75 trở lên cho thấy mức đồng nhất tốt, và giá trị lớn hơn như 0.90 là đáng mong muốn”. Cũng phần trợ giúp đó lưu ý rằng phán định nhất quán chưa chắc đã là phán định đúng.

IATF 16949 yêu cầu phân tích hệ thống đo lường (MSA) đối với các hệ thống kiểm tra, đo lường và thử nghiệm có trong kế hoạch kiểm soát (control plan). Quan điểm của bài viết này là nếu kiểm tra tiếng ồn bất thường bằng tai người là một khâu kiểm tra trong kế hoạch kiểm soát, thì nó cũng có thể là đối tượng của MSA thuộc tính. Nói cách khác, việc chuẩn bị triển khai AI bắt đầu từ MSA cho kiểm tra bằng thính giác, vốn là việc lẽ ra đã phải làm. Cụ thể theo các bước sau.

• Chuẩn bị bộ mẫu trộn lẫn sản phẩm bình thường, mẫu giới hạn (sản phẩm nằm ở ranh giới đạt/không đạt) và sản phẩm lỗi đã biết
• Nhờ 3 kiểm tra viên nghe mỗi người 2-3 lần với thứ tự thay đổi, và ghi lại OK/NG
• Tính mức đồng nhất trong từng kiểm tra viên, giữa các kiểm tra viên và với chuẩn bằng hệ số Kappa, sau đó cả nhóm nghe lại những sản phẩm bị lệch và định nghĩa lại tiêu chuẩn bằng lời và bằng mẫu

Qua công việc này, dữ liệu đáp án về “cho AI học gì và đánh giá bằng gì” mới lần đầu tiên được thống nhất. Quy trình tạo nhãn đáp án trong kiểm tra hình ảnh được giải thích trong bài “Quy trình gắn nhãn (annotation) cho kiểm tra ngoại quan“, và với âm thanh thì tư duy cũng giống như vậy.

Cách thu âm quyết định 90%: buồng kiểm tra, đồ gá, micro và điều kiện vận hành

Phần lớn độ chính xác của AI kiểm tra tiếng ồn bất thường được quyết định ở khâu “thu âm như thế nào”, trước cả khi chọn mô hình. Vì AI tìm độ lệch so với âm thanh bình thường, nên ngay cả khi nguyên nhân của độ lệch không nằm ở sản phẩm mà ở tiếng ồn xung quanh hay cách đặt sản phẩm khác đi, AI vẫn phán định là “khác thường ngày” như nhau.

Buồng kiểm tra: không để tiếng ồn nhà máy lọt vào

Tiếng ồn nhà máy như máy dập bên cạnh, thổi khí, băng tải, còi cảnh báo xe nâng đôi khi lớn hơn nhiều so với tiếng ồn bất thường nhỏ của sản phẩm. Nguyên tắc cơ bản là đặt sản phẩm vào buồng kiểm tra cách âm và chống rung, không để âm thanh bên ngoài lọt vào bản thu. Cũng cần kiểm tra việc đóng mở cửa và rung động truyền từ sàn buồng. Trong số các nhà cung cấp, có sản phẩm áp dụng cách tiếp cận dùng micro loại tiếp xúc để hạn chế ảnh hưởng của tiếng ồn xung quanh. Dù theo phương thức nào, nhất định phải xác nhận trong thử nghiệm nghiệm thu rằng “khi thay đổi điều kiện tiếng ồn thì phán định thay đổi ra sao”.

Đồ gá: mỗi lần đặt sản phẩm đều giống nhau

Âm thanh thay đổi tùy theo việc cố định sản phẩm ở đâu, theo hướng nào và với lực bao nhiêu. Dùng đồ gá để thống nhất vị trí và lực kẹp, sao cho dù người thao tác thay đổi vẫn thu âm được ở cùng trạng thái. Âm thanh cũng có thể thay đổi do đồ gá bị mòn hay cao su bị lão hóa, nên cần quy định cả chu kỳ kiểm tra định kỳ.

Micro và cảm biến: cố định vị trí và chủng loại, và hiệu chuẩn

Cố định chủng loại micro (micro thu âm truyền qua không khí, micro loại tiếp xúc hay cảm biến rung động), khoảng cách tới sản phẩm và hướng đặt. Với tiền đề rằng thay micro thì đặc tính âm thanh sẽ thay đổi, cần quy định sẵn quy trình xác nhận sau khi thay. Về cách chọn cảm biến, có thể tham khảo bài “Cách chọn cảm biến phát hiện bất thường (rung động, âm thanh, dòng điện)“.

Điều kiện vận hành: quy định tốc độ quay, tải và chiều quay

Cùng một động cơ, âm thanh thay đổi rất nhiều tùy theo tốc độ quay, tải và quay thuận hay quay ngược. Hãy quy định mẫu vận hành khi kiểm tra (ví dụ: khởi động, tốc độ ổn định, giảm tốc, quay ngược) và mỗi lần đều chạy theo cùng mẫu đó. Khi xem tách theo từng giai đoạn, có thể biết bất thường xuất hiện ở điều kiện nào, từ đó hỗ trợ phân tích nguyên nhân. Tư duy này cũng trùng với nghiên cứu về e-transaxle đã giới thiệu ở trên. Với những sản phẩm như hộp giảm tốc, nơi âm thanh phát ra từ sự ăn khớp bánh răng là vấn đề, khía cạnh cấu tạo được tổng hợp trong bài “Hướng dẫn chọn hộp giảm tốc“.

Viết điều kiện thu âm thành “thông số kỹ thuật”

Các điều kiện kể trên nếu chỉ là thỏa thuận miệng thì không duy trì được lâu. Hãy ghi thông số buồng kiểm tra, bản vẽ đồ gá, model và vị trí micro, mẫu vận hành, điều kiện lấy mẫu vào cả tiêu chuẩn thao tác lẫn thông số đặt hàng. Trong 12 hạng mục RFP sẽ đề cập ở phần sau, có 3 hạng mục liên quan đến “cách thu âm” này.

Thiết kế phán định: phán định sơ cấp của AI và phán định lại của con người, cách nghĩ về bỏ sót và phát hiện thừa

Đếm bỏ sót và phát hiện thừa riêng biệt

Sai sót trong kiểm tra tiếng ồn bất thường có 2 loại: “bỏ sót” là cho sản phẩm lỗi qua với kết quả OK, và “phát hiện thừa” là đánh NG sản phẩm tốt. Bỏ sót dẫn đến khiếu nại của khách hàng và sự cố trên thị trường, còn phát hiện thừa làm tăng công kiểm tra lại và tháo kiểm tra. Hạ ngưỡng mức độ bất thường của AI thì bỏ sót giảm nhưng phát hiện thừa tăng. Nâng ngưỡng thì ngược lại. Một con số duy nhất kiểu “độ chính xác X%” không cho thấy sự đánh đổi này, nên nhất định phải đếm riêng hai loại.

Vai trò của AI nên được nghĩ theo 2 cấp

Hình thức triển khai có thể chia thành 2 loại lớn.

• Cấu hình A (phán định kép): Giữ nguyên kiểm tra bằng thính giác của con người, đặt thêm AI song song để ngăn bỏ sót. Dù con người cho OK nhưng AI cho NG thì dừng lại
• Cấu hình B (phán định sơ cấp): AI phán định sơ cấp toàn bộ sản phẩm, con người chỉ phán định lại những sản phẩm AI đánh NG. Vì con người không còn nghe toàn bộ, nên xét riêng cấu hình B thì rủi ro bỏ sót cao hơn cấu hình A. Do đó, việc đạt yêu cầu trên bộ đánh giá là điều kiện tiên quyết

Cấu hình B có thể giảm mạnh công số của con người, nhưng mỗi lần AI bỏ sót sẽ dẫn thẳng tới hàng lỗi lọt ra ngoài. Vì vậy, chỉ chuyển sang cấu hình B sau khi đã đạt yêu cầu trên bộ đánh giá và vận hành cấu hình A một thời gian để xác nhận kết quả thực tế. Nếu rút con người ra ngay khi chưa đạt yêu cầu, bỏ sót có nguy cơ tăng lên.

Nhất định phải giữ lại tuyến phán định lại của con người

Ở cả hai cấu hình, cần chuẩn bị “trạm phán định lại” và màn hình để con người nghe lại những sản phẩm AI đánh NG và phán đoán dựa trên dạng sóng hay phổ tần số. Khi con người lật lại phán định của AI, hãy ghi lại lý do và dùng cho việc huấn luyện lại hoặc xem xét lại ngưỡng. Nếu không có những bản ghi này, hiện trường sẽ mất lòng tin vào phán định của AI và dần dần phớt lờ nó.

Gắn dạng sóng và phán định với số sê-ri và lưu lại

Khi khách hàng khiếu nại về tiếng ồn bất thường, nếu truy xuất được âm thanh và phán định lúc xuất xưởng của chính sản phẩm đó, tốc độ điều tra nguyên nhân sẽ thay đổi đáng kể. Hãy lưu dạng sóng, mức độ bất thường, phán định và kết quả phán định lại theo từng số sê-ri, và kết nối với MES hoặc hệ thống dữ liệu chất lượng. Về thiết kế lưu trữ, xin tham khảo bài “Cách chọn hệ thống quản lý dữ liệu chất lượng“. Vị trí của khâu này như cửa ải cuối cùng trước xuất xưởng được đề cập trong bài “Ngăn hàng lỗi lọt ra ngoài và cổng xuất xưởng“.

Chi phí và ROI của AI kiểm tra tiếng ồn bất thường: tính toán mô hình

Từ đây là phần tính toán cho nhà máy mô hình. Toàn bộ các con số dưới đây là giá trị tính toán và giá trị giả định do chính bài viết này đặt ra (giá trị tạm đặt), không phải mức trung bình ngành cũng không phải số liệu khảo sát. Bài viết không sử dụng thông tin gốc về giá hay hiệu quả từ nhà cung cấp.

Tiền đề chung (nhà máy mô hình N)

Giả định một nhà máy vốn Nhật Bản sản xuất động cơ cỡ nhỏ dùng cho ô tô ở miền Đông Thái Lan (tỉnh Chonburi).

Điểm xuất phát này là chung cho cả cấu hình A và cấu hình B.

Cấu hình A: đặt thêm AI, giữ lại kiểm tra bằng thính giác của con người

Lợi ích ròng hằng năm là 900,000 − 150,000 = 750,000 THB/năm. Thời gian hoàn vốn đơn giản là 2,000,000 ÷ 750,000 = 2.666…, tức khoảng 2.7 năm.

Cấu hình B: cấu hình A + AI phán định sơ cấp, con người chỉ phán định lại những sản phẩm AI đánh NG

Lợi ích ròng hằng năm là 2,334,000 − 200,000 = 2,134,000 THB/năm. Thời gian hoàn vốn đơn giản là 2,600,000 ÷ 2,134,000 = 1.218…, tức khoảng 1.2 năm.

Điều cần lưu ý ở đây là hiệu quả của cấu hình B là thay thế cho hiệu quả của cấu hình A, không phải cộng thêm vào A. Mức giảm khiếu nại 75% là giá trị đã bao gồm 50% của cấu hình A. Nếu cộng 900,000 của cấu hình A với 1,350,000 của cấu hình B sẽ thành tính trùng. Ngoài ra, ở cấu hình A con người vẫn tiếp tục nghe toàn bộ, nên hiệu quả về chi phí nhân công và phát hiện thừa được tính là 0.

Độ nhạy: nếu việc điều chuyển kiểm tra viên không thực hiện được

Trong hiệu quả của cấu hình B, khoản 864,000 chi phí nhân công chỉ thành hiện thực khi “4 người được điều chuyển sang công đoạn khác”. Nếu không có nơi điều chuyển và hiệu quả chi phí nhân công bằng 0, kết quả như sau.

• Lợi ích ròng hằng năm: 1,350,000 + 120,000 − 200,000 = 1,270,000 THB/năm
• Thời gian hoàn vốn đơn giản: 2,600,000 ÷ 1,270,000 = 2.047… → khoảng 2.0 năm

Dù không có hiệu quả chi phí nhân công, thời gian hoàn vốn của cấu hình B (khoảng 2.0 năm) vẫn ngắn hơn cấu hình A (khoảng 2.7 năm).

Điểm đáng chú ý 1: phần bổ sung hoàn vốn nhanh, nhưng cần kiểm tra cơ cấu hiệu quả

So sánh lũy kế 5 năm.

• Cấu hình A: 750,000 × 5 − 2,000,000 = 3,750,000 − 2,000,000 = 1,750,000 THB
• Cấu hình B: 2,134,000 × 5 − 2,600,000 = 10,670,000 − 2,600,000 = 8,070,000 THB

Chỉ xét phần bổ sung của cấu hình B, khoản đầu tư ban đầu bổ sung là 600,000 THB, lợi ích ròng hằng năm bổ sung là 2,134,000 − 750,000 = 1,384,000 THB/năm. Thời gian hoàn vốn của phần bổ sung là 600,000 ÷ 1,384,000 = 0.433…, tức khoảng 0.43 năm (khoảng 5 tháng). Chênh lệch lũy kế 5 năm là 1,384,000 × 5 − 600,000 = 6,320,000 THB, khớp với 8,070,000 − 1,750,000.

Thứ mà khoản bổ sung 600,000 mua được là trạm phán định lại, việc lưu dạng sóng và phán định, và việc đánh giá mức độ đồng nhất phán định giữa 3 kiểm tra viên và AI. Nói cách khác, đây là khoản đầu tư vào “cơ chế thống nhất phán định, lưu vết và cho phép con người phán định lại”.

Tuy nhiên, xem cơ cấu của khoản lợi ích ròng hằng năm bổ sung 1,384,000 THB thì đó là phần giảm khiếu nại tăng thêm 1,350,000 − 900,000 = 450,000, điều chuyển kiểm tra viên 864,000, giảm một nửa phát hiện thừa 120,000, rồi trừ đi phần chi phí vận hành tăng thêm 200,000 − 150,000 = 50,000 (450,000 + 864,000 + 120,000 − 50,000 = 1,384,000). Hơn 60% hiệu quả của phần bổ sung đến từ việc điều chuyển kiểm tra viên. Nếu việc điều chuyển không thực hiện được, lợi ích ròng hằng năm bổ sung là 1,270,000 − 750,000 = 520,000 THB/năm, và thời gian hoàn vốn của phần bổ sung là 600,000 ÷ 520,000 = 1.15…, tức khoảng 1.2 năm.

Còn một lưu ý nữa. Ở cấu hình B, con người không còn nghe toàn bộ, nên nếu chỉ xét hình thức vận hành thì không có lý do gì để bỏ sót ít hơn cấu hình A. Bài tính này đặt mức giảm khiếu nại 75% vì giả định có sự tích lũy của các yếu tố: định nghĩa lại tiêu chuẩn phán định dựa trên kết quả đo mức độ đồng nhất phán định, huấn luyện lại từ bản ghi phán định lại, và truy vết nguyên nhân nhờ lưu dạng sóng và phán định theo từng số sê-ri. Bản thân việc rút con người khỏi kiểm tra toàn bộ không làm giảm bỏ sót. Hơn nữa, cấu hình B có tiền đề là vận hành theo cách con người phán định lại các phán định NG của AI, và đạt yêu cầu trên bộ đánh giá. Nếu rút con người ra trước khi đạt yêu cầu, bài tính này không còn đứng vững.

Điểm đáng chú ý 2: nếu bỏ buồng kiểm tra (cấu hình A′)

Vì muốn giảm chi phí ban đầu, đôi khi có đề xuất bỏ buồng kiểm tra. Nếu bỏ buồng (400,000 mỗi dây chuyền) khỏi cấu hình A, chi phí ban đầu là 2,000,000 − 400,000 × 2 = 2,000,000 − 800,000 = 1,200,000 THB.

Ở đây giả định tình huống tiếng ồn từ máy dập bên cạnh, phun khí và băng tải lọt vào bản thu, khiến AI liên tục phán định NG. Giả định rằng hiện trường dần phớt lờ phán định của AI, và hiệu quả giảm khiếu nại trở thành 0. Khi đó, cân đối hằng năm là 0 − 150,000 = −150,000 THB/năm, và không thể hoàn vốn.

Kết quả của việc cắt giảm 800,000 là lợi ích ròng hằng năm rơi từ 750,000 xuống −150,000. Hơn nữa, bài tính này chưa bao gồm chi phí kiểm tra lại những sản phẩm bị dừng do AI phán định NG sai. Cân đối thực tế sẽ còn tệ hơn. Ngoài ra, việc cấu hình A giữ phát hiện thừa ở mức 1.0% cũng là vì chi phí kiểm tra lại do phán định NG của AI được đặt ngoài mô hình. Chừng nào chưa thu được âm thanh trong cùng điều kiện, thì chọn AI nào kết quả cũng như nhau.

Tổng hợp tính toán

Khi tự tính toán, xin hãy thay ít nhất 4 nhóm số liệu sau bằng số thực tế: “sản lượng”, “số kiểm tra viên và chi phí nhân công”, “số vụ khiếu nại tiếng ồn bất thường và chi phí mỗi vụ”, “tỷ lệ phát hiện thừa và chi phí kiểm tra lại”. Với chi phí mỗi vụ khiếu nại, nếu tách riêng chi phí nhân công sàng lọc, công số xử lý 8D, chi phí vận chuyển khẩn và các khoản tương tự để tổng hợp, các cuộc thảo luận sẽ dễ ăn khớp hơn.

12 hạng mục cần ghi trong RFP cho AI kiểm tra tiếng ồn bất thường

Khi yêu cầu nhà cung cấp báo giá, nếu chỉ nói “muốn triển khai AI kiểm tra tiếng ồn bất thường” thì phạm vi đề xuất sẽ mỗi nơi một kiểu và không thể so sánh. Hãy ghi 12 hạng mục dưới đây thành thông số kỹ thuật để các đề xuất được thống nhất trên cùng điều kiện. Cách tiến hành đặt hàng thiết bị kiểm tra nói chung cũng được tổng hợp trong bài “Tự động hóa thiết bị kiểm tra tại Thái Lan: đặt hàng và nghiệm thu“.

Đặc biệt, hạng mục 5 và 9 là những hạng mục dễ phát sinh tranh chấp về sau. Hãy kiểm tra xem có rơi vào tình trạng doanh nghiệp tự thu thập âm thanh bình thường nhưng mô hình đã huấn luyện lại thuộc về nhà cung cấp, và mỗi lần thêm mã sản phẩm lại phát sinh chi phí hay không. Ngoài ra, việc hoàn tất phán định trên máy tính biên (edge PC) hay xử lý ở máy chủ cấp trên liên quan đến hạng mục 10. Về cách bố trí tại hiện trường, xin tham khảo bài “Triển khai Edge AI tại nhà máy“.

Những gì cần xác nhận trong FAT/SAT của AI kiểm tra tiếng ồn bất thường

Tạo bộ đánh giá trước

Trước thử nghiệm nghiệm thu, hãy chuẩn bị bộ sản phẩm dùng để đánh giá. Số lượng chỉ là ví dụ mục tiêu, không phải giá trị tiêu chuẩn.

• Sản phẩm bình thường 300 chiếc
• Mẫu giới hạn (sản phẩm ở ranh giới đạt/không đạt) 30 chiếc
• Sản phẩm lỗi tiếng ồn bất thường đã biết 30 chiếc (vết xước ổ bi, vết lõm bánh răng, kẹt dị vật, tiếng rít chổi than, v.v. Là hàng thật hoặc hàng bị trả về)

Lưu ý rằng những gì một bộ đánh giá ở quy mô này cho biết là có giới hạn. Với 300 chiếc sản phẩm bình thường, 1 chiếc tương đương khoảng 0.33%, nên “phát hiện thừa không quá 0.5%” về thực chất có nghĩa là “chỉ được tối đa 1 chiếc NG”. Dù không bỏ sót chiếc nào trong 30 chiếc lỗi, phạm vi có thể bảo đảm về mặt thống kê vẫn hẹp. Hãy coi bộ đánh giá là ngưỡng tối thiểu để đạt/không đạt, và tiếp tục xác nhận bằng kết quả thực tế sau khi vận hành.

Cho chạy bộ này theo cùng một cách ở cả FAT (thử nghiệm nghiệm thu tại nhà máy nhà cung cấp) và SAT (thử nghiệm nghiệm thu trên dây chuyền của doanh nghiệp). Lý do là dù đạt ở FAT, kết quả vẫn có thể không còn đạt ở SAT khi có thêm tiếng ồn dây chuyền, nguồn điện và cách thao tác của người vận hành tại nhà máy.

Các chỉ số cần xem

Cách xử lý khi có ít sản phẩm lỗi tiếng ồn bất thường

Dù có thể bắt đầu huấn luyện chủ yếu bằng âm thanh bình thường, thử nghiệm nghiệm thu vẫn cần sản phẩm lỗi đã biết. Bởi vì “không bỏ sót” chỉ có thể xác nhận khi cho sản phẩm lỗi chạy thử. Hãy bổ sung bộ đánh giá bằng các cách như lưu giữ hàng bị trả về và hàng từng bị khiếu nại, hoặc chế tạo sản phẩm dùng để đánh giá có lắp linh kiện bị cố ý làm xước. Cần ghi lại trong hồ sơ đánh giá khả năng âm thanh của sản phẩm lỗi tạo nhân tạo khác với lỗi thực tế phát sinh trên thị trường. Cách bù đắp sự thiếu hụt dữ liệu lỗi cũng được đề cập trong bài “Ứng dụng dữ liệu tổng hợp cho AI trong sản xuất“.

Sau khi vận hành vẫn dùng cùng bộ đánh giá để theo dõi suy giảm

Dù đã đạt nghiệm thu, phán định vẫn dần lệch đi do đồ gá mòn, micro xuống cấp, bổ sung mã sản phẩm và các yếu tố tương tự. Sau khi vận hành, hãy định kỳ cho chạy bộ đánh giá để xác nhận tỷ lệ phát hiện và tỷ lệ phát hiện thừa không thay đổi so với lúc nghiệm thu. Về tiêu chí quyết định chuyển từ vận hành thử sang vận hành chính thức, xin tham khảo bài “Tiêu chí kết thúc AI PoC“.

Các vấn đề riêng của Thái Lan và ASEAN

1. Tiếng ồn và sức khỏe kiểm tra viên

Quy định cấp bộ của Bộ Lao động Thái Lan “Quy định cấp bộ về tiêu chuẩn quản lý và vận hành an toàn, vệ sinh lao động và môi trường liên quan đến nhiệt, ánh sáng và tiếng ồn B.E.2559 (2016)” cấm phơi nhiễm với mức áp suất âm đỉnh của tiếng ồn va đập vượt quá 140 dB và tiếng ồn ổn định liên tục vượt quá 115 dB(A), đồng thời yêu cầu quản lý mức trung bình theo thời gian làm việc trong ngày không vượt quá tiêu chuẩn trong thông báo của Cục trưởng. Quy định cũng nêu rằng tại nơi làm việc có mức phơi nhiễm trung bình 8 giờ từ 85 dB(A) trở lên, phải thực hiện các biện pháp bảo vệ thính giác theo thông báo. Và thông báo B.E.2561 (2018) của Cục Bảo vệ và Phúc lợi Lao động quy định mức tiếng ồn trung bình trong suốt 8 giờ làm việc không vượt quá 85 dB(A).

Cách làm việc “bắt nghe” trong thời gian dài trên dây chuyền ồn ào tự nó đã là lý do để xem xét lại. Buồng kiểm tra không chỉ có ý nghĩa về chất lượng thu âm mà còn cả về môi trường làm việc của kiểm tra viên. Nội dung các điều khoản ở đây là bản tóm tắt. Việc áp dụng cho nơi làm việc của doanh nghiệp bạn, xin hãy xác nhận riêng với cơ quan có thẩm quyền hoặc chuyên gia.

2. Ngôn ngữ của tiêu chuẩn phán định

Các từ tượng thanh tiếng Nhật như “kiin”, “goro-goro”, “shaa” không truyền đạt được tới kiểm tra viên người Thái. Hãy chuẩn bị phần giải thích mẫu giới hạn và tiêu chuẩn thao tác bằng tiếng Thái, và định nghĩa tiếng ồn bất thường bằng dạng sóng, dải tần số và mẫu vật thật. Việc triển khai AI cũng là cơ hội để thúc đẩy công việc “định nghĩa bằng mẫu và dạng sóng thay vì bằng lời” này.

3. Xu hướng sản xuất ô tô và đánh giá (audit) của khách hàng

Như đã nêu ở trên, sản xuất ô tô của Thái Lan chuyển sang tăng so với cùng kỳ vào tháng 7/2026 và tháng 8 cũng tăng, nhưng dự báo cả năm của FTI là giảm 3.33%. Khi sản lượng càng khó dự đoán, phương thức ứng phó bằng cách tăng giảm kiểm tra viên càng gặp khó khăn. Trong bối cảnh yêu cầu về âm thanh vận hành tăng lên do điện hóa, có thể dự đoán rằng trong các đợt đánh giá của khách hàng, sẽ ngày càng có nhiều trường hợp bị hỏi về tiêu chuẩn phán định của kiểm tra tiếng ồn bất thường và cách quản lý độ dao động của phán định đó. Hồ sơ phân tích đồng nhất thuộc tính cũng có thể trở thành tài liệu để giải trình.

4. Ưu đãi đặc biệt của BOI cho tự động hóa và robot

Thông báo No.4/2569 của Ủy ban Đầu tư Thái Lan (BOI) (đăng công báo ngày 31/3/2026) nêu rằng, nhằm thúc đẩy công nghệ sản xuất ô tô tiên tiến, đối với đầu tư vào hệ thống tự động hóa và robot sẽ được miễn thuế nhập khẩu máy móc và miễn thuế thu nhập doanh nghiệp 3 năm với mức trần 50% giá trị đầu tư (không bao gồm đất và vốn lưu động). Nếu từ 30% tổng giá trị máy móc trở lên liên quan đến hoặc hỗ trợ ngành công nghiệp máy tự động hóa trong nước, mức này được nâng lên 100%. Mức đầu tư tối thiểu là 1 triệu baht, hạn nộp đơn là cuối năm 2027.

Tuy nhiên, đối tượng chỉ giới hạn ở danh mục 3.6 (sản xuất ô tô thông thường) và 3.8 (sản xuất PHEV, HEV). Ưu đãi không áp dụng cho nhà máy đồ gia dụng hay máy móc thông thường. Ngoài ra, thiết bị kiểm tra tiếng ồn bất thường có thuộc đối tượng của ưu đãi này hay không cần được xác nhận riêng với BOI hoặc chuyên gia.

5. PDPA và dự thảo luật AI

Micro trong buồng kiểm tra có thể thu cả giọng nói hay cuộc trò chuyện của kiểm tra viên. Ủy ban Bảo vệ Dữ liệu Cá nhân Thái Lan (PDPC) đã bắt đầu lấy ý kiến về dự thảo hướng dẫn theo lĩnh vực dựa trên Luật Bảo vệ Dữ liệu Cá nhân (PDPA, 2019), nhưng chúng tôi chưa xác nhận được nội dung quy định cụ thể về việc ghi âm trong ngành sản xuất hay giám sát người lao động. Cách xử lý phạm vi ghi âm, thông báo, thời hạn lưu trữ, giới hạn truy cập và các vấn đề tương tự, xin hãy xác nhận riêng với chuyên gia.

Ngoài ra, Cơ quan Phát triển Giao dịch Điện tử Thái Lan (ETDA) đã công bố dự thảo luật AI vào tháng 7/2026 và tiến hành lấy ý kiến. Đây là quy định dựa trên rủi ro, có tham khảo một phần Đạo luật AI của EU, và được cho là có thể mất 6-24 tháng để được thông qua và có hiệu lực. Tại thời điểm tháng 10/2026, văn bản vẫn ở giai đoạn dự thảo và chưa được thông qua. Về các diễn biến tiếp theo, xin hãy xác nhận với cơ quan có thẩm quyền hoặc chuyên gia.

6. Hệ thống bảo trì

Hãy quyết định trước ai sẽ thực hiện tại Thái Lan việc kiểm tra micro, kiểm tra sự xuống cấp của cửa buồng và vật liệu chống rung, và huấn luyện lại khi bổ sung mã sản phẩm. Nếu kỹ sư của nhà cung cấp chỉ có ở Nhật Bản hoặc châu Âu, mỗi lần đổi mã sản phẩm sẽ phát sinh thời gian chờ. Điều quan trọng là phân định ngay từ giai đoạn RFP rằng kỹ sư người Thái của doanh nghiệp đảm nhận đến đâu và từ đâu thì nhờ nhà cung cấp.

Kế hoạch 90 ngày triển khai AI kiểm tra tiếng ồn bất thường

Điều quan trọng nhất trong 30 ngày đầu là nhìn thấy độ dao động phán định của con người bằng con số, trước khi chạm vào AI. Nếu mức đồng nhất ở đây thấp, việc chỉnh đốn tiêu chuẩn và mẫu phải được làm trước AI. Ngược lại, nếu tiêu chuẩn được thống nhất ở bước này, doanh nghiệp đã có sẵn trong tay dữ liệu đáp án dùng được cho huấn luyện và đánh giá AI. Sự khác biệt giữa phát hiện bất thường phía thiết bị (giám sát thiết bị đang vận hành) và kiểm tra xuất xưởng được giải thích trong bài “Cách tiến hành PoC phát hiện bất thường thiết bị“, còn tư duy tự động hóa bản thân kiểm tra toàn bộ được giải thích trong bài “Tự động hóa kiểm tra toàn bộ“.

Câu hỏi thường gặp (FAQ)

Có thể tự động hóa hoàn toàn kiểm tra tiếng ồn bất thường bằng AI không?

Chúng tôi không khuyến nghị rút con người ra hoàn toàn ngay lập tức. Trước hết, hãy đặt AI song song với kiểm tra bằng thính giác của con người (cấu hình A trong bài viết này) và tích lũy kết quả thực tế như một phán định kép để ngăn bỏ sót. Kể cả sau khi đạt yêu cầu trên bộ đánh giá và chuyển sang vận hành theo cách con người phán định lại những sản phẩm AI đánh NG (cấu hình B), vẫn giữ lại tuyến phán định lại. Phán đoán của con người vẫn cần thiết, kể cả để ứng phó với dạng lỗi mới hay việc đổi mã sản phẩm.

Gần như không có mẫu lỗi tiếng ồn bất thường thì có xây dựng được AI không?

Có thể bắt đầu huấn luyện chủ yếu bằng âm thanh bình thường. Ngay cả trong cuộc thi nghiên cứu DCASE, bài toán cũng được thiết lập với tiền đề chỉ huấn luyện bằng âm thanh bình thường. Tuy nhiên, thử nghiệm nghiệm thu cần sản phẩm lỗi đã biết. “Không bỏ sót” chỉ có thể xác nhận khi cho sản phẩm lỗi chạy thử. Hãy lưu giữ hàng bị trả về và hàng từng bị khiếu nại, và chuẩn bị sẵn bộ đánh giá.

AI kiểm tra tiếng ồn bất thường có dùng được trên dây chuyền nhà máy ồn ào không?

Khi tiếng ồn nhà máy lọt vào bản thu, AI sẽ bắt nó như “âm thanh khác thường ngày”, và phán định sai tăng lên. Nguyên tắc cơ bản là dùng buồng kiểm tra cách âm, chống rung và đồ gá để mỗi lần đều thu âm được trong cùng điều kiện. Cũng có sản phẩm theo phương thức dùng micro loại tiếp xúc để hạn chế ảnh hưởng của tiếng ồn xung quanh, nhưng dù theo phương thức nào, xin hãy tiến hành thử nghiệm thay đổi điều kiện tiếng ồn như mở cửa, thiết bị bên cạnh hoạt động tại thời điểm nghiệm thu.

Chi phí triển khai và thời gian hoàn vốn của AI kiểm tra tiếng ồn bất thường vào khoảng bao nhiêu?

Trong tính toán mô hình của bài viết này, kết quả là cấu hình A có chi phí ban đầu 2,000,000 THB và hoàn vốn khoảng 2.7 năm, cấu hình B có chi phí ban đầu 2,600,000 THB và hoàn vốn khoảng 1.2 năm (khoảng 2.0 năm nếu việc điều chuyển kiểm tra viên không thực hiện được). Tuy nhiên, đây là các giá trị tạm đặt do chính bài viết này đặt ra, không phải mức trung bình ngành hay báo giá. Xin hãy thay sản lượng, số kiểm tra viên và chi phí nhân công, số vụ và chi phí khiếu nại tiếng ồn bất thường, tỷ lệ phát hiện thừa bằng số liệu thực tế của doanh nghiệp để tính toán.

Cần xác nhận những gì trong RFP và thử nghiệm nghiệm thu (FAT/SAT) của AI kiểm tra tiếng ồn bất thường?

Trong RFP, ghi 12 hạng mục: mã sản phẩm đối tượng và dạng lỗi, điều kiện vận hành và takt time, phạm vi buồng và đồ gá, quy trình hiệu chuẩn và thay thế micro, quyền sở hữu dữ liệu huấn luyện, lưu dạng sóng và phán định, tuyến phán định lại của con người, bộ đánh giá và tiêu chuẩn đạt, quy trình và chi phí huấn luyện lại, bảo mật, hỗ trợ tiếng Thái, bảo trì tại chỗ. Trong FAT/SAT, cho chạy cùng một bộ đánh giá, đếm riêng bỏ sót và phát hiện thừa, và xác nhận độ lặp lại, mức đồng nhất với con người, hành vi khi thay đổi điều kiện tiếng ồn.

Khi triển khai tại nhà máy ở Thái Lan, cần lưu ý gì về pháp luật và BOI?

Các vấn đề cần xem xét gồm tiêu chuẩn phơi nhiễm tiếng ồn (trung bình 8 giờ 85 dB(A)), ưu đãi đặc biệt của BOI cho tự động hóa và robot (giới hạn ở lĩnh vực ô tô), cách xử lý theo Luật Bảo vệ Dữ liệu Cá nhân (PDPA) khi bản ghi âm có giọng nói của kiểm tra viên, và luật AI hiện vẫn ở giai đoạn dự thảo. Mọi giải thích trong bài viết này đều là bản tóm tắt hoặc mang tính khái quát. Việc áp dụng cho doanh nghiệp của bạn, xin hãy xác nhận riêng với cơ quan có thẩm quyền hoặc chuyên gia.

Tổng kết

• Điều quyết định thành bại khi triển khai AI kiểm tra tiếng ồn bất thường không phải là độ thông minh của mô hình AI, mà là “âm thanh được thu trong cùng điều kiện” và “dữ liệu đáp án mà phán định của con người đã thống nhất”
• AI kiểm tra tiếng ồn bất thường chủ yếu học âm thanh bình thường để tìm ra “âm thanh khác thường ngày”. Chỉ số của cuộc thi nghiên cứu (AUC/pAUC) là một thứ khác với tiêu chuẩn đạt/không đạt của nhà máy
• Trước AI, hãy đo mức độ đồng nhất phán định của khâu kiểm tra bằng thính giác hiện tại bằng phân tích đồng nhất thuộc tính (hệ số Kappa). Tiêu chuẩn mà con người chưa thống nhất thì AI cũng không thể tái hiện
• Cố định buồng kiểm tra, đồ gá, micro và điều kiện vận hành thành thông số kỹ thuật. Trong tính toán mô hình, khi bỏ buồng kiểm tra, lợi ích ròng hằng năm rơi từ 750,000 THB xuống −150,000 THB và không thể hoàn vốn
• Bắt đầu từ cấu hình A (phán định kép), và chỉ chuyển sang cấu hình B (phán định sơ cấp của AI + phán định lại của con người) sau khi đạt yêu cầu trên bộ đánh giá. Trong tính toán mô hình, phần bổ sung 600,000 THB được tính là có thể hoàn vốn trong khoảng 5 tháng. Tuy nhiên, phần lớn trong đó là hiệu quả từ việc điều chuyển kiểm tra viên, và nếu việc điều chuyển không thực hiện được thì thời gian hoàn vốn của phần bổ sung là khoảng 1.2 năm (tất cả đều là giá trị tạm đặt)
• Dùng 12 hạng mục RFP để thống nhất các đề xuất, và trong FAT/SAT dùng cùng một bộ đánh giá để đếm riêng bỏ sót và phát hiện thừa
• Với các vấn đề riêng của Thái Lan như quy định về tiếng ồn, chuyển tiêu chuẩn phán định sang tiếng Thái, BOI, PDPA và dự thảo luật AI, bảo trì tại chỗ, hãy vừa tiến hành vừa xác nhận riêng với cơ quan có thẩm quyền và chuyên gia

Dù bạn mới ở giai đoạn muốn thử đo mức độ đồng nhất phán định của khâu kiểm tra bằng thính giác hiện tại, hay muốn bắt đầu từ việc sắp xếp mẫu lỗi và hàng bị trả về, cũng không sao cả. Nếu bạn đang xem xét triển khai AI kiểm tra tiếng ồn bất thường tại nhà máy ở Thái Lan, chúng tôi có thể cùng bạn sắp xếp vấn đề ngay từ bước đầu tiên, xin vui lòng liên hệ qua trang Liên hệ.

Thông tin tham khảo

• Bài giới thiệu “Monone” của NTT DATA CCS (EE Times Japan, 27/7/2026): https://eetimes.itmedia.co.jp/ee/articles/2607/27/news063.html
• Trang web chính thức “FAST-D” của Hmcomm: https://fast-d.hmcom.co.jp/
• Lịch sử phát triển của Hmcomm (EDINET DB): https://edinetdb.jp/company/E40058/history
• Thông cáo báo chí của Hitachi (22/10/2020): https://www.hitachi.com/ja-jp/press/articles/2020/10/1022/
• HBK tích hợp thử nghiệm mô-men xoắn và NVH (Automotive Powertrain Technology International, 21/4/2026): https://www.automotivepowertraintechnologyinternational.com/news/testing/hbk-integrates-torque-and-nvh-testing-to-enhance-end-of-line-automotive-quality-control.html
• Thông cáo báo chí của HEAD acoustics (6/11/2024): https://www.head-acoustics.com/news-events/press-releases/press-details/efficient-end-of-line-testing-with-head-acoustics-quality-assurance-at-the-highest-level/
• FPT được cấp bằng sáng chế Mỹ cho công nghệ phát hiện bất thường âm học (Viet Nam News / Bizhub, 10/11/2025): https://bizhub.vietnamnews.vn/fpt-secures-us-patent-for-breakthrough-neural-network-technology-in-acoustic-anomaly-detection-post390252.html
• Aisin “Phát triển phương pháp kiểm tra mới đối với âm thanh vận hành của sản phẩm” (AISIN TECHNICAL REVIEW VOL.28): https://www.aisin.com/jp/technology/technicalreview/28/pdf/10.pdf
• Stagewise Anomaly Detection for E-Transaxle Quality Monitoring (arXiv, bản tiền ấn phẩm chưa qua bình duyệt, 27/8/2026): https://arxiv.org/abs/2609.22172
• DCASE 2020 Task 2: https://dcase.community/challenge2020/task-unsupervised-detection-of-anomalous-sounds
• DCASE 2023 Task 2: https://dcase.community/challenge2023/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
• DCASE 2024 Task 2: https://dcase.community/challenge2024/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
• DCASE 2025 Task 2: https://dcase.community/challenge2025/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
• MIMII Dataset (Zenodo): https://zenodo.org/records/3384388
• ToyADMOS (arXiv): https://arxiv.org/abs/1908.03299
• ToyADMOS2 (arXiv): https://arxiv.org/abs/2106.02369
• JIS Z 9080:2004 Phân tích đánh giá cảm quan – Phương pháp (bản xem trước của Hiệp hội Tiêu chuẩn Nhật Bản): https://webdesk.jsa.or.jp/preview/pre_jis_z_09080_000_000_2004_j_ed10_ch.pdf
• Minitab, diễn giải kết quả phân tích đồng nhất thuộc tính: https://support.minitab.com/en-us/minitab/help-and-how-to/quality-and-process-improvement/measurement-system-analysis/how-to/attribute-agreement-analysis/attribute-agreement-analysis/interpret-the-results/key-results/
• Bản sao công báo Quy định cấp bộ B.E.2559 của Thái Lan (nhiệt, ánh sáng, tiếng ồn): https://ams.medsci.nu.ac.th/wp-content/uploads/2022/07/LAW2022/S14-%20กฎกระทรวงกำหนดมาตรฐานในการบริหาร%20จัดการ%20แสงสว่าง%20เสียง%202559.pdf
• Bài viết học thuật về tiêu chuẩn tiếng ồn của Thái Lan (Journal of SciTech-ASEAN): https://li01.tci-thaijo.org/index.php/STJS/article/view/260269
• Tổng quan quy định an toàn vệ sinh lao động của Thái Lan (Enviliance ASIA): https://enviliance.com/regions/southeast-asia/th/th-osh
• Sản xuất ô tô Thái Lan tháng 8/2026 (Capital.com): https://capital.com/en-gb/news/thailand-s-august-car-production-rises-10-9-on-year
• Sản xuất ô tô Thái Lan tháng 7/2026 (New Straits Times): https://www.nst.com.my/amp/business/economy/2026/08/1518403/thailand-car-production-rises-61pct-year-july
• Ưu đãi mới của BOI cho sản xuất ô tô và HEV/PHEV (Tilleke & Gibbins): https://www.tilleke.com/insights/thailand-unveils-new-incentives-for-automotive-and-hev-phev-manufacturing/8/
• Dự thảo luật AI của Thái Lan (Rajah & Tann Asia): https://www.rajahtannasia.com/viewpoints/thailands-proposed-ai-law-moving-towards-a-risk-based-regulatory-framework/
• Dự thảo luật AI của Thái Lan (Tilleke & Gibbins): https://www.tilleke.com/insights/thailand-releases-new-draft-artificial-intelligence-act/
• Lấy ý kiến về dự thảo hướng dẫn PDPA theo lĩnh vực (HLC): https://hlc.com/en/publications/thailand-pdpc-consults-on-sectorspecific-pdpa-guidelines