Khi kết quả đo độ cứng sau nhiệt luyện nằm ngoài yêu cầu, nhà máy thường phải lần ngược biểu đồ nhiệt của lò, thời gian giữ nhiệt, điều kiện tôi, lô vật liệu và phiếu kiểm tra. AI dự đoán độ cứng có thể giúp nhận diện lô cần chú ý trước khi kết quả thử nghiệm hoàn tất. Tuy nhiên, giá trị dự đoán là ước lượng từ dữ liệu quy trình, không phải giá trị đo bằng máy thử độ cứng. Hai loại thông tin phải được quản lý và hiển thị riêng.
Câu hỏi quan trọng trước khi đầu tư là: nếu biết rủi ro sớm hơn, ai sẽ kiểm tra điều gì, vào thời điểm nào? Với nhiều nhà máy, ứng dụng đầu tiên hợp lý là xếp thứ tự ưu tiên cho việc xác nhận các lô rủi ro, đồng thời duy trì phép thử và quy trình phê duyệt hiện hành. Bài viết này trình bày cách chọn phạm vi thí điểm, nối dữ liệu, đánh giá mô hình, so sánh đề xuất của nhà cung cấp và bảo toàn hồ sơ chất lượng tại nhà máy ở Việt Nam, Thái Lan hoặc khu vực Đông Nam Á.
Bắt đầu từ quyết định cần đưa ra sớm hơn
Độ cứng sau tôi và ram có thể chịu ảnh hưởng của thành phần vật liệu, kích thước tiết diện, gia nhiệt, thời gian giữ, tốc độ làm nguội, điều kiện ram, lượng tải và vị trí chi tiết trong lò. Nhiệt độ cài đặt chỉ là một phần của quá trình. Hai mẻ có cùng công thức nhưng khác cách xếp chi tiết, đồ gá hoặc môi trường tôi có thể cho kết quả khác nhau. Mô hình chỉ dùng setpoint dễ bỏ qua những khác biệt mà kỹ sư công nghệ đã biết.
Một câu hỏi khả thi là “Lô nào cần xem thêm trước khi đo theo kế hoạch?” Cảnh báo sớm có thể khiến nhân viên kiểm tra cảm biến, kỹ sư xem đường cong quá trình và bộ phận chất lượng xem lại vị trí lấy mẫu. Giá trị này không đòi hỏi AI phải tự động quyết định xuất hàng. Ngược lại, cho xuất sản phẩm chưa thử nghiệm chỉ dựa trên một con số dự đoán là ứng dụng có yêu cầu kiểm chứng rất khác. Cần xác định thời điểm dự đoán: trước tôi, sau tôi, sau ram hay ngay trước khi thử độ cứng. Trường dữ liệu chỉ có sau thời điểm đó không thể dùng để tạo cảnh báo sớm thực sự.
Tách giá trị dự đoán khỏi kết quả đo
ISO 6508-1:2023 quy định phương pháp thử độ cứng Rockwell cho vật liệu kim loại. ASTM E18 mô tả phép thử và lưu ý rằng kết quả tại một vị trí trên chi tiết không nhất thiết đại diện cho toàn bộ chi tiết. NIST cũng giải thích sai số và độ không đảm bảo của phép đo Rockwell. Vì vậy, khi dùng kết quả thử làm nhãn để đánh giá AI, phải biết thang đo, vị trí đo và điều kiện thử.
Trên màn hình, hãy ghi rõ “AI ước tính — hỗ trợ quyết định” và “Độ cứng đo thực tế — kết quả kiểm tra”. Luôn hiển thị HRC, HV hoặc thang tương ứng. Không trộn các thang hoặc giá trị quy đổi vào một cột mà thiếu nguồn gốc. Hiển thị thời điểm dữ liệu đầu vào, phiên bản mô hình và trường bị thiếu. Một con số đẹp, nếu không có nhãn, rất dễ bị hiểu nhầm là phép thử đã hoàn tất.
Khoanh phạm vi quy trình đầu tiên
Nên bắt đầu với một nhóm vật liệu, ít lò, một tuyến nhiệt luyện xác định và phương pháp thử nhất quán. Thấm cacbon, thấm nitơ, gia nhiệt cảm ứng và tôi toàn bộ tiết diện có thể đòi hỏi biến đầu vào và mục tiêu khác nhau. Độ cứng bề mặt và độ cứng lõi không nên gộp thành một nhãn. Tài liệu thí điểm cần ghi rõ mác thép, thiết bị, công thức, thang đo và vị trí kiểm tra thuộc phạm vi mô hình.
Đồng thời ghi các trường hợp ngoài phạm vi: vật liệu mới, lò vừa sửa lớn, đồ gá thay đổi, thiếu nhật ký hoặc dụng cụ đo cần kiểm tra tình trạng. Trong các trường hợp ấy, “ngoài phạm vi đã kiểm chứng” hữu ích hơn một số dự đoán bị ép ra. Tuyến thí điểm tốt là tuyến có thể lần vết các lô lịch sử từ quá trình đến kết quả đo và có hành động thực tế khi cảnh báo đến sớm. Không nhất thiết chọn sản phẩm quan trọng nhất nếu dữ liệu của nó quá rời rạc.
Liên kết nhật ký lò với kết quả đo bằng mã lô
Chuỗi dữ liệu tối thiểu gồm mã sản phẩm, lô vật liệu, lô nhiệt luyện, thiết bị, thời gian xử lý và kết quả kiểm tra. Bổ sung kích thước chi tiết, đường cong nhiệt thực tế, thời gian giữ, môi trường và điều kiện tôi, thời gian chuyển sang tôi, bước ram, số lượng và vị trí xếp tải nếu kỹ sư xác nhận chúng liên quan. Tách giá trị cài đặt khỏi giá trị cảm biến. Lưu thang độ cứng, vị trí đo, kết quả lần đầu, kết quả đo lại và lý do đo lại.
Lập từ điển dữ liệu cho từng trường: ý nghĩa, thời điểm biết được, nguồn dữ liệu và cách xử lý khi thiếu. Bộ phận chất lượng xác định nhãn phép thử; kỹ sư quy trình xác định biến công nghệ; IT kiểm tra mã lô và đồng hồ của MES, lò và máy thử. Không vội lấy trung bình các vị trí đo khác nhau nếu quy cách sản phẩm yêu cầu xem từng điểm. Nếu nhật ký đầu vào ở cấp lô nhưng kết quả ở cấp chi tiết hay vết ấn, phải chủ động chọn đơn vị dự đoán và ghi rõ sự khác biệt.
Đồng bộ thời gian là bước riêng. Đồng hồ bộ điều khiển lò, MES và máy thử có thể lệch nhau, khiến một đoạn biểu đồ gán nhầm sang lô bên cạnh. Lưu thời điểm bắt đầu/kết thúc xử lý, bắt đầu tôi, thời điểm đo và múi giờ. Chọn một vài lô cũ và tự lần vết từ nhật ký lò đến phiếu kiểm tra. Nếu không nối được, hãy sửa hệ thống mã và ghi nhận trước khi phát triển mô hình.
Cần tránh rò rỉ thông tin vào quá trình đánh giá mô hình: đưa vào đầu vào những thông tin chưa thể có tại thời điểm dự đoán, chẳng hạn quyết định cuối cùng, kết quả đo lại hoặc sự cố xuất hiện sau giao hàng. Điều đó làm độ chính xác hồi cứu trông rất cao nhưng mô hình không thể dùng trong thực tế. Nghiên cứu về học máy cho hợp kim đã nhiệt luyện cũng nêu vấn đề dùng các thuộc tính cơ học có tương quan với mục tiêu làm đầu vào. Hãy cố định thời điểm dự đoán rồi chỉ dùng trường dữ liệu thực sự có lúc ấy.
Chạy thí điểm song song với quy trình kiểm tra hiện có
Phân chia dữ liệu lịch sử theo thời gian: giai đoạn cũ để xây dựng, giai đoạn mới để đánh giá, sau đó quan sát các lô mới trong vận hành thật. Tránh chia ngẫu nhiên các lô liên tiếp hoặc cùng lô vật liệu giữa hai tập khiến bài kiểm tra trở nên quá dễ. Xem giai đoạn đánh giá đã bao gồm bảo trì, thay đổi tải và điều kiện mùa vụ hay chưa. Nếu chưa, hãy nêu giới hạn thay vì tuyên bố độ chính xác cho toàn nhà máy.
So sánh AI với các cách đơn giản: giới hạn kiểm soát hiện tại, trung bình các lô gần nhất hoặc hồi quy riêng theo vật liệu. Với dự đoán dạng số, xem sai số nhưng phân tích thêm theo vật liệu, lò, thang đo, vị trí thử và các lô gần biên tiêu chuẩn. Với cảnh báo, đếm lô có vấn đề mà hệ thống bỏ sót và lô bị yêu cầu kiểm tra thêm nhưng kết quả đạt. Khi sự cố hiếm, độ chính xác tổng thể cao không chứng minh hệ thống bắt được sự cố. Ngược lại, cảnh báo mọi lô khiến nhân viên quá tải.
Bộ phận chất lượng cần phê duyệt ngưỡng cảnh báo theo rủi ro sản phẩm và năng lực kiểm tra. Ghi lại mỗi dự đoán: thời gian, độ đầy đủ đầu vào, phiên bản mô hình, giá trị hoặc mức rủi ro, hành động của người phụ trách và kết quả đo sau đó. Phân tích từng dự đoán sai. Nguyên nhân có thể nằm ở vị trí đo, dữ liệu làm nguội bị thiếu hay thay đổi quy trình hơn là thuật toán. Lời giải thích “đường cong nguội khác các lô tương tự” giúp định hướng điều tra; nó không tự chứng minh nguyên nhân gốc.
Trước khi thử, xác định tiêu chí chấp nhận bằng ngôn ngữ vận hành: tỷ lệ lô có dự đoán hợp lệ, tỷ lệ được báo đúng là ngoài phạm vi khi thiếu dữ liệu, số lô bất thường được cảnh báo trước khi đo, số lần kiểm tra thêm và thời gian từ cảnh báo đến hành động. Không có một ngưỡng số chung cho mọi sản phẩm. Cuối thí điểm, chọn rõ: mở rộng, thu hẹp rồi thử lại, sửa hồ sơ dữ liệu trước, hoặc dừng. Quyết định ấy tránh tình trạng PoC kéo dài mà không có chủ sở hữu trong nhà máy.
Bảo vệ hồ sơ CQI-9 và yêu cầu khách hàng
Với nhiệt luyện cho ngành ô tô, cần xác định yêu cầu khách hàng và khuôn khổ đánh giá áp dụng. AIAG mô tả CQI-9 là bộ đánh giá hệ thống nhiệt luyện nhằm xem xét và cải tiến kiểm soát quá trình. Hồ sơ nào phải lưu, phương pháp nào áp dụng và thời hạn lưu bao lâu cần đối chiếu phiên bản liên quan, yêu cầu khách hàng và loại quá trình. Bài viết này không đặt ra một nghĩa vụ chung cho mọi nhà máy.
Giữ nhật ký lò, kiểm tra thiết bị và hiệu chuẩn, lệnh sản xuất, truy xuất lô, kết quả đo độ cứng, phép đo lại, xử lý sai lệch và phê duyệt trong hệ thống hồ sơ chính được chỉ định. Gắn đầu ra AI như thông tin hỗ trợ. Khi khách hàng hỏi vì sao lô được chấp nhận, nhà máy phải truy được quy cách, phép thử thực tế, quyết định và người phê duyệt. Điểm số mô hình không phải một hồ sơ kiểm tra đầy đủ.
Quản lý mô hình theo phiên bản. Ghi thời kỳ dữ liệu huấn luyện, vật liệu và lò được áp dụng, định nghĩa biến, kết quả kiểm chứng, ngày triển khai, lý do thay đổi và người duyệt. Lưu phiên bản và đầu vào đã tạo ra mỗi kết quả vận hành. Nếu huấn luyện lại khiến màn hình hiển thị giá trị khác đi mà không giữ lịch sử, rất khó giải thích quyết định vào thời điểm đó. Đây là kiểm soát vận hành hợp lý cho AI, không thay việc đọc yêu cầu CQI-9 áp dụng.
Nếu AI báo bình thường nhưng phép đo không đạt, tuân thủ quy trình cách ly và xử lý chất lượng hiện có, đồng thời kiểm tra phép đo và dữ liệu đầu vào. Nếu AI cảnh báo nhưng phép đo đạt, hãy xem vị trí thử, thay đổi quá trình và ngưỡng cảnh báo trước khi coi đó chỉ là báo động sai. Việc huấn luyện lại mô hình phải tách khỏi quyết định xử lý lô. Thay ngưỡng tự động mà không có chất lượng phê duyệt có thể âm thầm đổi cách nhà máy ra quyết định.
Nghiên cứu năm 2026 được dẫn ở đây là nghiên cứu phương pháp sử dụng dữ liệu tổng hợp, không chứng minh hiệu quả tại một nhà máy cụ thể. Có thể dùng bài học về rò rỉ dữ liệu để thiết kế đánh giá, còn lợi ích vận hành phải được kiểm chứng trên các lô thực tế của nhà máy.
So sánh toàn bộ chi phí triển khai
Tách báo giá thành thu thập dữ liệu từ lò và máy thử, liên kết lô với kết quả, phát triển và xác nhận mô hình, giao diện/cảnh báo, và theo dõi cùng quản lý thay đổi sau vận hành. Nhà máy đã có cảm biến vẫn có thể tốn công lớn để ghép nhật ký vào đúng lô. Nhà máy dùng phiếu giấy có thể cần hệ thống ghi nhận ổn định trước. Không có mức giá cố định đáng tin cậy chỉ dựa trên cụm từ “AI dự đoán độ cứng”.
Hãy hỏi nhà cung cấp: đầu ra ở cấp lô, chi tiết hay điểm đo; có lúc nào; xử lý thiếu dữ liệu thế nào; kết quả theo từng vật liệu và lò ra sao; nhà máy có xuất được đầu vào, phiên bản và lịch sử quyết định không; ai hỗ trợ khi AI khác kết quả thử; chi phí thêm lò, thay cảm biến, đổi công thức và thêm ngôn ngữ là bao nhiêu. Đặt câu trả lời lên cùng một bảng. Sai số trung bình đẹp và phí ban đầu thấp chưa đủ nếu hệ thống không biết khi nào nằm ngoài phạm vi hoặc không hỗ trợ điều tra chất lượng.
Tính lợi ích trên số liệu nền của kiểm tra lại, kiểm tra bổ sung, thời gian tìm nguyên nhân, làm lại và phế phẩm. Ghi cả chi phí cảnh báo sai và lợi ích phát hiện sớm. Nếu cảnh báo dày đến mức không ai hành động, giá trị vận hành thấp. Tách hợp đồng thí điểm khỏi vận hành thật, nơi cần phân quyền, sao lưu, xử lý sự cố mạng, phê duyệt cập nhật và điều kiện xuất dữ liệu.
Đưa AI vào ca sản xuất tại Đông Nam Á
Một nhà máy có thể dùng lò của nhiều hãng, nhập dữ liệu bằng ngôn ngữ địa phương và báo cáo cho trụ sở hay khách hàng nước ngoài. Chuẩn hóa mã linh kiện, vật liệu, lò, ca, thời gian và vị trí thử trước khi dịch bảng điều khiển. Cùng một lô phải có cùng ý nghĩa trên màn hình tiếng Việt, Thái, Anh hoặc Nhật. Giữ bản ghi gốc, thời gian và người phê duyệt cho truy xuất; hiển thị hành động tiếp theo bằng ngôn ngữ người trực ca sử dụng.
Chuẩn bị tình huống mất mạng: ghi nhật ký và thử độ cứng phải tiếp tục được. Giao diện phân biệt “chưa dự đoán”, “thiếu dữ liệu”, “ngoài phạm vi đã xác nhận” với “bình thường”. Sau sửa lò hoặc thay cảm biến, kiểm tra phân bố đầu vào có thay đổi không. Trong giao ca, xem kết quả thử của ca trước và cảnh báo chưa đóng, xác định người nhận và thời hạn phản hồi, rồi đối chiếu dự đoán với phép đo trong báo cáo chất lượng đang dùng.
Đào tạo nên gồm cả ví dụ AI đoán sai. Hiển thị bình thường không hủy phép thử đã lên kế hoạch. Ngoài phạm vi không có nghĩa là đạt. Khi phép đo không đạt, quy trình chất lượng hiện hành vẫn áp dụng. Phân biệt cảnh báo rủi ro độ cứng với cảnh báo an toàn thiết bị. Ca đêm hoặc ngày nghỉ cũng cần biết khi nào người nhận thực sự có thể xử lý.
Năm sai lầm thường gặp và cách xử lý
Chỉ có nhiệt độ cài đặt của lò. Lượng tải, vị trí chi tiết, đồ gá và điều kiện tôi thực tế có thể khác giữa các mẻ. Bổ sung lịch sử đo được và điều kiện thao tác; nếu không ghi được yếu tố quan trọng, thu hẹp phạm vi đã kiểm chứng. Chỉ đầu tư cảm biến mới sau khi xác định chính xác dữ liệu thiếu nào cản trở dự đoán hoặc điều tra.
Gộp nhiều kết quả độ cứng vào một trường. HRC và HV, bề mặt và lõi, kết quả lần đầu và đo lại là các mục tiêu khác nhau. Giữ thang, vị trí, giá trị ban đầu và lý do đo lại; tách mục tiêu hoặc mô hình khi cần. Từ điển dữ liệu là một phần của thiết kế AI.
Điểm hồi cứu tốt nhưng hiệu quả vận hành giảm. Kiểm tra liệu các lô liền nhau hoặc cùng lô vật liệu nằm ở cả tập huấn luyện và đánh giá, hoặc mô hình dùng thông tin chỉ biết sau thời điểm dự đoán. Xem thêm sửa chữa lò và đổi công thức. Đánh giá theo thời gian và giám sát sau triển khai.
Cảnh báo quá nhiều khiến ca không xử lý kịp. Ngưỡng thận trọng có thể gắn cờ gần như mọi lô. Mỗi cảnh báo nên có lý do, mã lô, mức ưu tiên và bước kiểm tra. Đo năng lực phản hồi thực tế; thay đổi ngưỡng làm tăng số vụ bỏ sót phải được bộ phận chất lượng duyệt và ghi kết quả.
Không giải thích được lần cập nhật mô hình. Sửa lò, thay nguồn vật liệu hoặc chỉnh công thức có thể đổi phân bố dữ liệu. So sánh phiên bản cũ và mới trên cùng tập đánh giá, ghi lý do cùng người phê duyệt và chuẩn bị cách quay về phiên bản trước.
Trình tự triển khai thực tế
- Chọn một bài toán. Ghi dây chuyền, nhóm vật liệu, thang độ cứng, quy cách, phép thử hiện tại và thời điểm dự đoán hữu ích.
- Lần vết lô mẫu. Từ biểu đồ lò đến phiếu thử, gồm đo lại và thay đổi quá trình. Sửa mã không khớp trước khi xây mô hình.
- Chốt kế hoạch đánh giá. Xác định đầu vào có tại thời điểm dự đoán, trường hợp loại trừ, đánh giá theo thời gian, phương pháp đối chứng và chỉ số được bộ phận chất lượng duyệt.
- Chạy song song. Không đổi quyết định xuất hàng; ghi cảnh báo, hành động, kết quả đo và các trường hợp bỏ sót.
- Phê duyệt kiểm soát vận hành. Đặt người phụ trách, phiên bản, trạng thái khi hệ thống lỗi, phê duyệt huấn luyện lại và cách quay về bản cũ. Kiểm chứng mỗi khi thêm vật liệu, lò hoặc công thức.
Câu hỏi thường gặp
Chỉ dùng nhiệt độ có dự đoán được không?
Nhiệt độ quan trọng, nhưng vật liệu, kích thước, quá trình tôi/ram, đồ gá và điều kiện thử cũng có thể ảnh hưởng. Mô hình đơn giản chỉ dùng nhiệt độ có thể là mốc so sánh trong phạm vi hẹp; nó không chứng minh một cảm biến dùng được cho mọi chi tiết.
AI có giúp giảm số phép thử độ cứng không?
Không nên mặc định như vậy. Kiểm tra yêu cầu khách hàng, kế hoạch kiểm soát, phương pháp thử và tuyến phê duyệt trước khi thay đổi. Ứng dụng đầu tiên thường là ưu tiên kiểm tra và rút ngắn điều tra, trong khi vẫn giữ phép đo đã được chấp thuận.
Cần bao nhiêu lô dữ liệu?
Không có con số chung. Nó phụ thuộc vào độ ổn định, số loại vật liệu và lò, tần suất sự cố và mức bỏ sót chấp nhận được. Dữ liệu có bao gồm bảo trì, thay đổi công thức và vùng gần biên quy cách hay không quan trọng không kém tổng số lô.
Có thể bắt đầu với lò cũ không?
Có thể, nếu nhật ký lò nối được đáng tin cậy với mã lô và kết quả đo. Một thí điểm đôi khi không cần thêm cảm biến. Khi nhật ký nằm trên giấy hoặc mã không khớp, hãy ổn định cách ghi và truy xuất trước. Quyết định nâng cấp thiết bị nên xuất phát từ một vấn đề thiếu dữ liệu cụ thể.
Có thể giao toàn bộ trách nhiệm CQI-9 cho nhà cung cấp AI không?
Nhà cung cấp có thể hỗ trợ thu thập dữ liệu, dự đoán và lưu lịch sử thay đổi, nhưng nhà máy phải xác định yêu cầu khách hàng áp dụng và phê duyệt quy trình cũng như quyết định chất lượng. Ghi rõ trách nhiệm cung cấp bằng chứng và hỗ trợ trong đề xuất; bộ phận chất lượng kiểm tra yêu cầu và tiêu chí chấp nhận.
Hãy bắt đầu bằng một lô truy xuất trọn vẹn
AI dự đoán độ cứng hữu ích nhất khi giúp con người nhận ra lô cần chú ý trước khi phép thử hoàn tất. Thu hẹp phạm vi, nối lịch sử quy trình và phép đo theo lô, so sánh với phương pháp đơn giản, đánh giá cả số trường hợp bỏ sót lẫn khối lượng kiểm tra. Giữ kết quả đo thực tế là hồ sơ chất lượng có thẩm quyền. Đọc thêm về hồ sơ nhiệt luyện và CQI-9 và quản lý dữ liệu chất lượng.
TOMAS TECH hỗ trợ kết nối dữ liệu thiết bị, MES/ERP và lịch sử kiểm tra. Hãy chia sẻ một lô mẫu với nhật ký lò và phiếu thử để xác định phạm vi thí điểm cũng như công việc dữ liệu cần làm trước. Trao đổi về dữ liệu nhiệt luyện và AI.
