Triển khai AI dự đoán độ dày màng sơn: Từ số đo thực tế đến RFP, FAT và SAT

Lắp robot phun sơn không tự động bảo đảm độ dày màng sơn ổn định. Dù robot lặp lại cùng một quỹ đạo, tư thế chi tiết, khoảng cách từ súng đến bề mặt, tốc độ di chuyển, độ nhớt và lưu lượng sơn, thông số tĩnh điện, cùng luồng khí trong buồng sơn đều có thể làm thay đổi lượng sơn bám trên từng vùng. Mục tiêu của AI dự đoán độ dày màng sơn không phải là tạo biểu đồ đẹp. Mục tiêu là biết sớm chi tiết nào, tại điểm đo nào có nguy cơ độ dày màng sơn khô đo được nằm ngoài quy cách, và ai cần kiểm tra điều kiện nào. Bài viết xây dựng một dự án thực tế cho dây chuyền sơn tại Thái Lan, từ chuẩn đo lường, cấu trúc dữ liệu, mô hình, hành động của người vận hành đến RFP, FAT và SAT.

Để tìm hiểu chủng loại robot, sơn tĩnh điện, sơn bột và bài toán đầu tư, hãy xem hướng dẫn triển khai robot sơn. Bài này tập trung vào việc dùng kết quả đo độ dày thực tế để phát hiện độ lệch của quá trình trên dây chuyền mới hoặc đang hoạt động. Việc chọn thiết bị cho khu vực nguy hiểm phải được xem xét riêng trong hướng dẫn robot cộng tác phòng nổ cho công đoạn sơn. Dự án AI không thay thế thiết kế an toàn.

Xác định chính xác thứ cần dự đoán

“Dự đoán chất lượng sơn” là yêu cầu quá rộng để mua sắm và nghiệm thu. Ngoại quan, sai khác màu, độ bóng, độ bám dính, khả năng chống ăn mòn và độ dày là các đặc tính khác nhau. Nếu chọn độ dày, hãy xác định biến mục tiêu là độ dày màng sơn khô đo tại vị trí và lớp sơn đã quy định, so với bản vẽ và tiêu chuẩn khách hàng. Giá trị trung bình toàn chi tiết có thể che đi mép quá mỏng hoặc chỗ lõm quá dày. Ngược lại, một phép đo tại một điểm không tự động đại diện cho cả chi tiết.

ISO 2808:2019 mô tả các phương pháp đo màng ướt, màng khô và lớp sơn bột chưa đóng rắn. Nhà máy cần xác định giai đoạn mà tiêu chuẩn chất lượng áp dụng, rồi ghi phương pháp và vị trí trong quy trình kiểm tra. Nhà sản xuất thiết bị đo DeFelsko giải thích hiệu chuẩn, xác minh và điều chỉnh, có thể dùng để xây dựng thao tác kiểm tra trước khi dùng và thiết lập phù hợp với vật liệu nền. Hướng dẫn đo chiều dày lớp phủ của hãng cũng phân biệt phương pháp cho màng ướt và màng khô. Không dùng một điểm để đại diện cả bề mặt khi chưa xác định kế hoạch lấy mẫu. Bản vẽ, vật liệu, độ nhám, từng lớp sơn và quy tắc nghiệm thu của khách hàng quyết định kế hoạch này.

Cần ghi rõ thời điểm dự đoán. Hệ thống dự đoán trước khi phun từ hình học và công thức, trong khi phun khi tốc độ và lưu lượng truyền về, hay sau khi sấy nhưng trước kiểm tra? Mỗi thời điểm có dữ liệu sẵn có và yêu cầu phản hồi khác nhau. Nếu trộn kết quả kiểm tra xuất hiện sau công đoạn vào dữ liệu đầu vào cho dự đoán trong lúc phun, mô hình có thể đạt điểm cao khi thử trên máy tính nhưng vô dụng trên dây chuyền. RFP phải nêu rõ sự kiện hiển thị dự đoán và chỉ cho phép dữ liệu thực sự có trước thời điểm đó.

Tách dự đoán, quyết định chất lượng và lệnh điều khiển

Bước đầu nên là chế độ tư vấn: hiển thị độ dày dự đoán, mức bất định và khoảng cách tới giới hạn trên dưới. Bộ phận chất lượng có thể yêu cầu đo bổ sung; bảo trì kiểm tra bơm, lưu lượng kế, đầu phun hay buồng sơn. Ở giai đoạn sau, hệ thống có thể đề xuất công thức trong vùng đã duyệt. Nhưng ghi trực tiếp đầu ra AI vào robot, bơm hoặc nguồn tĩnh điện là điều khiển vòng kín, một phạm vi khác cần giới hạn thay đổi, liên động, quyền phê duyệt, công thức dự phòng, đánh giá an toàn và xác nhận lại. Độ chính xác dự đoán tự nó không cấp quyền điều khiển cơ cấu chấp hành.

Biến số đo độ dày thành dữ liệu chuẩn đáng tin

Một dòng dữ liệu huấn luyện cần nhiều hơn mã sản phẩm, ngày và giá trị độ dày. Hãy nối ID chi tiết, lệnh sản xuất, tư thế đồ gá, lớp sơn, mặt và ID điểm đo, thời gian đo, ID máy đo, người đo, điều kiện sấy và tình trạng sơn lại. Với nhiều lớp sơn, phải chỉ rõ giá trị thuộc một lớp hay tổng các lớp. Nếu chi tiết chạy qua buồng phun hai lần, không được gắn kết quả lần hai với thông số của lần đầu.

Phiếu kiểm tra và sự kiện quá trình phải chỉ tới cùng một chi tiết vật lý. Nếu chỉ quét mã ở cửa buồng sơn, phải xác định cách theo dõi khi thứ tự trên băng tải thay đổi. Chi tiết đầu tiên sau đổi màu, sau vệ sinh hoặc sau đổi lô vật liệu có thể có phân bố khác sản xuất ổn định; hãy ghi dấu các sự kiện đó thay vì trộn âm thầm vào “vận hành bình thường”. Nếu hai robot phun một chi tiết, lưu số robot và thứ tự các lượt phun.

Kiểm tra cả hệ thống đo, không chỉ mô hình. Lưu hồ sơ hiệu chuẩn, xác minh trước khi dùng và điều chỉnh theo vật liệu nền. So sánh mẫu chuẩn với chi tiết thực và độ nhất quán giữa những người đo. Bề mặt cong, mép và bề mặt nhám có thể ảnh hưởng tiếp xúc của đầu dò. So sánh phương pháp trước khi gộp nhiều nền vật liệu vào một mô hình. Giảm sai số AI so với nhãn dữ liệu không ổn định không làm quyết định đạt quy cách của khách hàng trở nên ổn định.

Cách lấy mẫu cũng gây thiên lệch. Nếu công nhân chỉ đo những chi tiết nghi lỗi, tỷ lệ lỗi ghi nhận không phải tỷ lệ lỗi của toàn bộ sản lượng. Hãy lấy mẫu từ sản xuất bình thường liên tục theo tần suất định trước và lưu tách khỏi phép đo bổ sung do cảnh báo. Dùng ID điểm đo có ý nghĩa như mép, hõm hoặc mặt ngoại quan; khi sửa bản vẽ phải cập nhật phiên bản sơ đồ. Chuyển vị trí đo mà vẫn giữ ID cũ sẽ phá hủy khả năng so sánh với dữ liệu quá khứ.

Hình 1: Nối thông số phun và phép đo độ dày theo ID chi tiết và vị trí. Dữ liệu chuẩn là kết quả đo theo quy trình đã định, không phải con số dự đoán trên màn hình.

Thu thập hoàn cảnh phun sơn, không chỉ các tag máy

Nhóm đầu vào thứ nhất là vận hành robot: ID chương trình và công thức, đoạn quỹ đạo, tốc độ thực, khoảng cách và góc từ súng hoặc chuông phun đến mặt, trạng thái đóng mở, độ chồng các đường phun và robot phụ trách. Giữ giá trị thiết kế trong CAD riêng với log chạy thực tế. ABB mô tả phần mềm sơn liên hệ thông số phun, tốc độ quỹ đạo và khoảng cách với màng phủ đồng đều. Đây là các ứng viên đầu vào có cơ sở, nhưng yếu tố quyết định ở dây chuyền cụ thể phải được xác minh bằng đo lường.

Nhóm thứ hai là vật liệu và đầu phun: mã và lô sơn, công thức và tỷ lệ trộn, độ nhớt, nhiệt độ, hàm lượng chất rắn, lưu lượng thực đo, áp suất bơm, thời điểm bật tắt, tốc độ chuông, khí định hình và điện áp hoặc dòng tĩnh điện nếu có. Mỗi loại máy cung cấp tín hiệu khác nhau; không thể bắt mọi dây chuyền phải có giá trị tĩnh điện. Tài liệu đầu phun của ABB nêu luồng khí, tính chất sơn, tình trạng đầu phun, đường đi robot và hình dạng chi tiết là những yếu tố ảnh hưởng độ bám. Các con số hiệu suất riêng của sản phẩm đó không phải cam kết cho nhà máy khác. Một trường hợp do Graco công bố nối tỷ lệ trộn, lưu lượng, tốc độ robot với lớp màng được chỉ định; đây là ví dụ trình bày quá trình của nhà cung cấp, không phải mục tiêu chung.

Nhóm thứ ba là chi tiết và môi trường: hình dạng, độ cong, hốc và mép, tư thế đồ gá, xử lý bề mặt, vật liệu nền, nhiệt độ và độ ẩm buồng phun, thông gió, chênh áp lọc, tốc độ băng tải và biên dạng sấy. Không nhất thiết đưa tất cả vào AI ngày đầu. Tuy nhiên, một yếu tố biến động lớn không được đo có thể khiến mô hình đổ lỗi cho tốc độ robot thay vì vật liệu hay luồng khí. Tương quan không chứng minh nguyên nhân. Kỹ sư công nghệ phải đối chiếu gợi ý với nhật ký bảo trì, thay đổi công thức và chi tiết thật.

Chọn dữ liệu theo ý nghĩa và độ tin cậy, không chỉ theo sự tồn tại của tag. Giá trị có sẵn trước thời điểm dự đoán không? Có ghi cho mọi chi tiết không? Đơn vị có ổn định không? Cảm biến có khỏe không? Ý nghĩa tag có đổi theo bản sửa công thức không? Lưu lượng đặt không đồng nghĩa lưu lượng thực cấp. Lập từ điển dữ liệu gồm tên tag, đơn vị, chu kỳ cập nhật, múi giờ, xử lý thiếu dữ liệu và bộ phận sở hữu.

Đồng bộ thời gian sự kiện

Thông số phun có thể thay đổi từng giây, trong khi kiểm tra chỉ diễn ra sau khi chi tiết nguội. Đồng hồ PLC, robot, MES và máy đo lệch nhau có thể nối thông số của lượt phun sai với đúng ID chi tiết. Lưu riêng thời điểm vào buồng, bắt đầu phun, kết thúc phun và kiểm tra. Nếu dữ liệu đến muộn làm cập nhật dự đoán cũ, hãy giữ phiên bản cũ để tái hiện đúng điều người vận hành đã nhìn thấy tại thời điểm ra quyết định.

So mô hình với ba đường cơ sở

Trước khi gửi yêu cầu cho nhà cung cấp AI, hãy xác định ba đối chứng: giá trị trung bình lịch sử theo sản phẩm và lớp sơn, ngưỡng cảnh báo do kỹ sư đặt, và quy trình kiểm tra điều chỉnh hiện tại. Một mô hình phức tạp chỉ giảm chút ít sai số số học nhưng làm tăng nhiều phép đo có thể không mang lại giá trị. Ngược lại, mô hình khoanh vùng vị trí rủi ro trước kiểm tra có thể hữu ích dù sai số tuyệt đối chưa hoàn hảo.

Chia chỉ số thành hai cấp. Dự đoán số: sai số tuyệt đối, phân bố sai số theo sản phẩm, màu, lô, máy và vị trí. Hỗ trợ quyết định: số lần bỏ sót dưới giới hạn và trên giới hạn riêng biệt, cảnh báo giả, số phép đo thêm, thời gian phản hồi và sơn lại. Không gộp vùng có dung sai rộng và hẹp thành một trung bình hấp dẫn. Chỉ tiêu hợp đồng phải theo dung sai khách hàng, độ bất định máy đo và chi phí kiểm tra thêm. Không có tài liệu công khai nào cho phép khẳng định “AI chính xác 90%” cho mọi buồng sơn.

Tránh chia ngẫu nhiên để các chi tiết cùng lô sơn và cùng ca nằm trong cả tập huấn luyện lẫn tập thử. Chúng chia sẻ vật liệu và môi trường nên có thể làm đánh giá tương lai quá lạc quan. Giữ lại giai đoạn sản xuất muộn hơn để thử và đánh giá riêng màu mới, sản phẩm, lô vật liệu, mùa và điều kiện buồng sơn. Quy định khi nào màn hình phải báo “ngoài phạm vi mô hình” thay vì đoán cho mặt hàng chưa học. Nếu dữ liệu ít, hồi quy được hiệu chuẩn cùng quy tắc công nghệ có thể dễ duy trì hơn mô hình phức tạp.

Nghiên cứu NIST về giám sát sản xuất bằng AI giới thiệu hướng giám sát quá trình, chứ không chứng minh hiệu quả cho dự án độ dày màng sơn cụ thể. Khi vận hành, phải giám sát phân bố đầu vào và sai số dự đoán; thay sơn, chuông phun, đồ gá hoặc chương trình có thể đòi hỏi đánh giá lại. Hướng dẫn vận hành máy học của AWS cũng trình bày việc theo dõi sự dịch chuyển dữ liệu và chất lượng mô hình, cùng quản lý huấn luyện lại.

Hình 2: Quỹ đạo, lưu lượng và môi trường buồng sơn tạo dự đoán cho từng điểm đo; độ dày đo thực tế quay lại vòng cải tiến. Ở chế độ tư vấn, không thay cài đặt khi chưa có người phê duyệt.

Màn hình phải cho biết đo ở đâu và kiểm tra gì

Bản đồ màu một mình không hướng dẫn hành động. Hiển thị cùng lúc ID chi tiết, sản phẩm, màu, lớp, sơ đồ điểm đo, độ dày dự đoán, giới hạn trên dưới, tín hiệu thiếu hoặc không tin cậy, và kết quả đo gần nhất. Nối cảnh báo với hướng dẫn đã duyệt: đo thêm tại A và C, kiểm tra lưu lượng kế, hoặc giữ chi tiết đầu tiên sau đổi màu. Màu trên bản đồ không được tự biến thành kết luận đạt hay không đạt cuối cùng.

Lưu phiên bản mô hình, công thức, sơ đồ điểm đo, thời hạn cắt dữ liệu đầu vào và ngưỡng cảnh báo. Nếu thiếu, không thể giải thích vì sao một chi tiết bị giữ lại. Ghi nhận khi người vận hành bác bỏ gợi ý cùng lý do, nhưng đừng biến thao tác thường ngày thành điền biểu mẫu quá nặng. MES hoặc QMS nên giữ vai trò hệ thống chính cho trạng thái cách ly và giải phóng theo quyền hạn hiện tại; tránh tạo một trạng thái chất lượng song song trên màn hình AI.

Đặt ngưỡng cảnh báo có tính đến độ bất định đo và tải công việc. Trong thử nghiệm, báo số cảnh báo, số vượt chuẩn thực, số bỏ sót, thời gian đo thêm và thời gian dừng dây chuyền trong cùng một bảng. Theo dõi màng quá dày riêng với quá mỏng vì có thể ảnh hưởng công đoạn sau ngoài lượng sơn tiêu thụ. Cơ sở nghiệm thu cuối cùng vẫn là yêu cầu khách hàng và quy trình kiểm tra của nhà máy.

Chia dự án thẩm định thành 60–90 ngày

Thời gian này chỉ là ví dụ lập kế hoạch, không phải quy tắc cố định. Giai đoạn đầu xác định điểm đo và từ điển dữ liệu, rồi ghi phân bố độ dày hiện tại, công sơn lại, thời gian kiểm tra và lượng sơn. Chọn một lớp sơn, nhóm chi tiết đại diện và một buồng đang chạy. Nếu dữ liệu lịch sử thưa, hãy ổn định việc thu thập trước khi phát triển mô hình.

Tiếp theo nối từng chi tiết với điều kiện phun và kết quả kiểm tra. Rà soát dữ liệu thiếu, lệch đồng hồ, xác minh máy đo và nhận diện chi tiết sơn lại mỗi tuần. Khi xây dựng mô hình, so với đường cơ sở, thử trên giai đoạn muộn hơn, kiểm tra điểm ngoại lệ và để người vận hành đánh giá cảnh báo giả. Kết thúc bằng vận hành bóng: lưu gợi ý nhưng không thay cài đặt quá trình, đo thời gian phản hồi và so dự đoán với kết quả thật. Dựa trên đó quyết định tiếp tục, mở rộng hoặc dừng.

Ngân sách không chỉ có giấy phép AI. Bao gồm máy đo và xác minh, đọc ID chi tiết, log robot và PLC, mạng, lưu trữ, kết nối MES/QMS, sửa cảm biến, màn hình, đào tạo, hỗ trợ, huấn luyện lại và xác nhận sản phẩm mới. So lợi ích ở cùng sản lượng, cơ cấu sản phẩm và yêu cầu chất lượng. Theo dõi công sơn lại, kiểm tra thêm, sơn tiêu thụ, phế phẩm và khiếu nại. Nếu vệ sinh thiết bị hoặc sửa công thức góp phần cải thiện, đừng tính trùng phần đó là lợi ích riêng của AI.

Viết RFP có thể nghiệm thu

“Tối ưu độ dày bằng AI” không đủ để so giá và nghiệm thu. Đưa cùng điều kiện cho mọi nhà thầu và ghi rõ thông số chưa biết sẽ do nhà máy quyết định hay thuộc một giai đoạn khảo sát có phí.

Làm rõ nhà thầu chịu trách nhiệm lấy dữ liệu, kết nối máy đo, màn hình, hỗ trợ và huấn luyện lại đến đâu. Tách quyền sửa công thức, quản lý máy đo và cập nhật mô hình. Nếu cập nhật từ xa, cần xét duyệt và khả năng quay lại phiên bản cũ. Nếu bổ sung giải thích bằng AI tạo sinh, vẫn phải lưu số đo và đầu ra mô hình dưới dạng dữ liệu có cấu trúc; đoạn văn không thể là hồ sơ chất lượng duy nhất.

FAT: thử dữ liệu ngoại lệ, không chỉ màn hình đẹp

Trong FAT, dùng dữ liệu mẫu kiểm tra nhận dạng chi tiết, đồng bộ thời gian, đơn vị, điểm đo, phiên bản mô hình, cảnh báo, quyền, log và sao lưu. Đưa vào tín hiệu thiếu và muộn, sai lô, máy đo chưa xác minh, đang đổi công thức, chi tiết sơn lại và sản phẩm chưa từng học. Mỗi tình huống phải có kết quả mong đợi từ trước: dự đoán, báo ngoài phạm vi, yêu cầu đo thêm hoặc báo người phụ trách. Tự động lấp dữ liệu thiếu bằng trung bình mà không thông báo có thể che rủi ro màng mỏng.

FAT đạt với dữ liệu đã chuẩn bị chưa chứng minh hệ thống đạt trên buồng thật. Liệt kê giai đoạn và sản phẩm có trong tập thử; tín hiệu chưa lấy được từ máy thật phải chuyển thành mục SAT. Chất lượng, kỹ thuật quá trình, bảo trì, IT và trưởng ca cùng duyệt tiêu chí.

SAT: kiểm tra dây chuyền thật và cách ứng phó

Trong SAT, theo dõi chi tiết thật từ quét ID qua log robot/PLC, máy đo đến cảnh báo. Thử chạy liên tục, đổi màu, khởi động, dừng và phục hồi, đổi lô sơn, mất và khôi phục mạng. Đánh giá sai số số học cùng hành vi ngoài phạm vi, đo thêm, giải phóng chi tiết, nhật ký và mức hiểu của công nhân. Nếu AI hỏng, dây chuyền phải tiếp tục theo công thức và quy trình kiểm tra đã duyệt hoặc dừng theo điều kiện rõ ràng.

FAT và SAT còn để thống nhất cách làm khi không đo được, dữ liệu đến muộn, hoặc người chịu trách nhiệm vắng mặt. Ghi việc tồn đọng, quy trình tạm, chủ sở hữu, hạn và điều kiện thử lại. Nêu giai đoạn hỗ trợ hiệu năng và những thay đổi vật liệu, máy hoặc sản phẩm buộc xác nhận lại.

Hình 3: Mang yêu cầu đo từ RFP sang thử ngoại lệ bằng dữ liệu mô phỏng ở FAT và sự kiện dây chuyền thật ở SAT trước khi cho phép vận hành tư vấn.

Những sai lầm thường gặp

Nghĩ ảnh luôn cho biết độ dày. Camera hỗ trợ quan sát ngoại quan và vị trí, nhưng khác biệt màu nhìn thấy không đồng nghĩa độ dày màng khô. Xác minh theo thông số thiết bị xem phương pháp quang học có đo trực tiếp độ dày không; nếu không, giữ kết quả từ máy đo đã kiểm tra làm dữ liệu chuẩn.

Mất ID chi tiết. Trung bình ngày chép từ giấy không nối được với lượt phun robot và lô sơn. Bắt đầu nhận dạng chi tiết, mặt, lớp và điểm đo dù một phần nhập thủ công.

Chỉ học từ sản phẩm tốt dễ xử lý. Cách đó không kiểm chứng sai số gần giới hạn. Dùng lịch sử sai quy cách, khởi động, đổi màu cùng mẫu sản xuất bình thường liên tục; không cần cố tình tạo điều kiện nguy hiểm.

Dự đoán đúng nên cho tự sửa máy ngay. Tương quan chưa chứng minh việc đổi lưu lượng hay tĩnh điện tác động thế nào đến độ dày, ngoại quan và an toàn. Khởi đầu với lời khuyên được phê duyệt; dùng quản lý thay đổi chính thức nếu chuyển sang vòng kín.

Để mô hình bất biến sau lắp đặt. Công thức sơn, chuông phun, lọc, đồ gá, quỹ đạo và sấy có thể đổi quan hệ giữa đầu vào và độ dày. Ghi chỉ số theo dõi, điều kiện cập nhật, người phụ trách và cách quay lại bản cũ.

Tám câu hỏi trước khi xin báo giá

1. Phạm vi gồm lớp, sản phẩm, mặt và điểm đo nào; ai quản lý giới hạn trên dưới?
2. Dùng máy đo và quy trình nào cho màng khô; ghi hiệu chuẩn, xác minh và điều chỉnh ra sao?
3. Có nối được ID chi tiết, lượt phun, lô sơn và vị trí đo mà không phải suy đoán không?
4. Hiển thị dự đoán khi nào; tín hiệu nào chắc chắn đến trước thời điểm đó?
5. Cân chi phí bỏ sót màng quá mỏng hoặc quá dày với công đo bổ sung thế nào?
6. Màn hình hiển thị gì khi thiếu dữ liệu, sản phẩm lạ hoặc cảm biến hỏng?
7. Ai phê duyệt khuyến nghị, thay công thức, giữ và giải phóng sản phẩm?
8. Dùng hồ sơ nào xét FAT/SAT; ai chịu phí thử lại khi chưa đạt?

Trả lời được các câu hỏi này giúp so nhà cung cấp về chất lượng đo, kết nối dữ liệu và trách nhiệm vận hành bên cạnh giá. Nếu câu trả lời quan trọng còn thiếu, nên mua một đợt khảo sát hiện trường và thiết kế đo trước. Hướng dẫn AI cải tiến quá trình trình bày chọn bài toán và đo hiệu quả tổng thể; ở đây áp dụng cách đó vào buồng sơn và từng điểm đo.

Xác định phạm vi cho dây chuyền nhiều mã, số lượng ít

Nhiều nhà máy linh kiện ở Thái Lan dùng chung buồng cho nhiều sản phẩm, màu, lớp và đồ gá. Hứa một mô hình cho toàn bộ dây chuyền có thể khiến hệ thống dự đoán những tổ hợp chưa đủ kết quả đo. Phân nhóm theo hình học bề mặt, độ dày yêu cầu, họ sơn, đường robot và sơ đồ điểm đo, không chỉ theo số lượng mã. Một tấm phẳng và vỏ có rãnh sâu có thể bám sơn khác nhau dù cùng màu. Những chi tiết chỉ khác kích thước nhưng có mặt và đường phun tương tự có thể so sánh tốt hơn. Phải xác minh bằng dữ liệu đo trước khi cam kết phạm vi.

Tách danh sách sản phẩm dự đoán ngay, sản phẩm cần thu thập thêm và sản phẩm tiếp tục theo quy trình kiểm tra cũ. Với sản phẩm ngoài phạm vi, màn hình nêu lý do và hướng dẫn kiểm tra hiện hành thay vì xuất một giá trị giả. Mỗi lần thêm màu hoặc sản phẩm, xét lại sơ đồ điểm đo, giới hạn khách hàng, công thức, mẫu bình thường và ngoại lệ, cảnh báo giả và bỏ sót. Giá trị đầu vào nằm trong khoảng từng thấy không chứng minh quan hệ với độ dày vẫn giống nhau. Bộ phận chất lượng cần phê duyệt dùng lại mô hình.

Chọn chi tiết đại diện và kế hoạch đo

Đừng chọn chi tiết đầu tiên chỉ vì sản lượng lớn. Nó nên vừa có bề mặt mà vấn đề độ dày thực sự quan trọng, vừa có hình học cho phép nhân viên đo lặp lại. Nếu chỉ đo mặt ngoại quan phẳng, điểm yếu của mô hình có thể bị che khi chuyển sang chi tiết phức tạp. Ngược lại, bắt đầu ngay tại hõm sâu nhất có thể khiến đầu dò đặt không ổn định, không phân biệt được sai số do mô hình hay phép đo. Chọn một số ít vị trí có đặc tính khác nhau như mặt ngoài, mép và hõm; xác nhận khả năng lặp lại tại từng vị trí. Giữ nguyên những điểm do khách hàng bắt buộc, đồng thời ghi riêng các điểm bổ sung cho cải tiến quá trình.

Trong kế hoạch lấy mẫu, tách mẫu định kỳ khi dây chuyền chạy liên tục khỏi mẫu sau đổi màu, khởi động, vệ sinh hay thay lô vật liệu. Cả hai loại đều phải nối được với log bằng ID chi tiết. Nếu phép đo bổ sung trong thử nghiệm tác động đến quyết định xuất hàng, hãy xác định quan hệ với quy trình kiểm tra chính thức và người phê duyệt. Cũng cần ghi ai xác nhận một giá trị đã nhập và việc sửa lỗi ghi chép có yêu cầu tính lại đánh giá mô hình hay không. Thu thập rất nhiều dữ liệu mà bỏ qua những quy tắc này có thể buộc nhóm dự án dựng lại nhãn kết quả từ đầu.

Tính riêng chi phí của từng kiểu dự đoán sai

Bỏ sót màng quá mỏng và cảnh báo trên chi tiết tốt tạo các loại chi phí khác nhau. Trường hợp đầu liên quan đo thêm, sơn lại, cách ly trong quá trình và nguy cơ lọt lỗi tới khách hàng. Trường hợp sau tiêu tốn thời gian kiểm tra, làm dây chuyền chờ và có thể dẫn tới chỉnh máy không cần thiết. Bỏ sót màng quá dày cũng có thể ảnh hưởng lắp ráp và ngoại quan, không chỉ giá sơn. Không dồn tất cả vào một phần trăm “độ chính xác”; đánh giá theo bề mặt và yêu cầu khách hàng.

Trong thử nghiệm, đo cả một mẫu có quy định từ những chi tiết AI không cảnh báo; nếu không, số lần bỏ sót sẽ không được phát hiện. Khi cảnh báo nêu “lưu lượng giảm,” kiểm tra cùng lúc lỗi cảm biến hay thay đổi tư thế đồ gá. Nối phản ứng của người vận hành với phép đo thật và tìm nguyên nhân cảnh báo không hữu ích. Dời ngưỡng để giảm số cảnh báo có thể tăng số bỏ sót; so sánh trước sau dưới cơ cấu sản phẩm và kế hoạch lấy mẫu tương tự. Lưu phiên bản ngưỡng cùng người phê duyệt.

Trong cuộc rà soát hằng tuần, xem các ca dự đoán sai điển hình cùng chi tiết thật hoặc ảnh, log quá trình và hồ sơ máy đo. Phân biệt nhu cầu sửa mô hình, bảo dưỡng cảm biến hay ổn định quy trình đo. Nếu chưa biết nguyên nhân, giao người phụ trách và phép kiểm tra cho tuần tới thay vì xếp mọi việc vào mục “AI thiếu chính xác.” Những bài học này còn giúp cải tiến điều kiện phun và chuẩn kiểm tra, không chỉ dữ liệu huấn luyện sau này.

Làm rõ việc sử dụng dữ liệu và trách nhiệm trong hợp đồng

Nếu nhà thầu phát triển mô hình trên đám mây, công thức sơn, mã hàng, điều kiện quá trình và kết quả kiểm tra có thể là thông tin bảo mật. RFP cần nêu nơi lưu, người được truy cập, việc chuyển dữ liệu qua biên giới nếu có, thời hạn giữ, việc xóa và trả lại khi kết thúc hợp đồng. Làm rõ nhà thầu có được dùng lại mô hình hay dữ liệu đã xử lý cho khách hàng khác không. Chọn phương án cloud theo chính sách IT và hợp đồng nhà máy. Nếu mạng thiếu ổn định, thiết kế trước cách phun và kiểm tra khi dịch vụ dự đoán không phản hồi.

Trách nhiệm hằng ngày cần có chủ sở hữu trong nhà máy. Chất lượng phụ trách máy đo và quy cách; sản xuất phụ trách công thức và thao tác; bảo trì phụ trách cảm biến và thiết bị; IT phụ trách kết nối và quyền; người phụ trách AI theo dõi mô hình. Quy định ai kiểm tra chi tiết, ai giữ và ai giải phóng, kể cả ca đêm và ngày nghỉ. Họp tháng nên xem dữ liệu thiếu, sản phẩm ngoài phạm vi, tỷ lệ xử lý cảnh báo, sơn lại, ghi đè thủ công và lịch sử cập nhật cùng với sai số. Khi đó dự đoán mới nối được với cải tiến quá trình lâu dài.

Kết luận

Dự án AI dự đoán độ dày bắt đầu từ định nghĩa và độ tin cậy của phép đo màng khô. Đồng bộ chi tiết, mặt, lớp, vị trí và thời gian; nối quỹ đạo, tốc độ, lưu lượng, tĩnh điện, vật liệu và môi trường vào cùng một sự kiện sản xuất; rồi so mô hình với đường cơ sở đơn giản. Sau đó thiết kế cảnh báo mà người vận hành thực hiện được và thử ngoại lệ qua RFP, FAT và SAT. Chứng minh giá trị và an toàn trong chế độ tư vấn trước khi cân nhắc mở quyền điều khiển.

TOMAS TECH có thể giúp nhà máy tại Thái Lan xác định điểm đo, đánh giá dữ liệu có thể thu từ thiết bị hiện hữu và lập phạm vi thí điểm cùng tiêu chí nghiệm thu. Hãy chuẩn bị chi tiết đại diện, quy trình kiểm tra, danh sách máy và vị trí có độ dày biến động. Liên hệ TOMAS TECH để trao đổi khảo sát đầu tiên.

Tài liệu tham khảo

• ISO 2808:2019 — Determination of film thickness
• DeFelsko — Calibration, verification, adjustment
• DeFelsko — Coating thickness measurement
• ABB — Painting Software Solutions
• ABB — RB 1000i-S atomizer
• Graco — Different colours and recipes in a paint installation (trường hợp do nhà cung cấp công bố)
• NIST — AI-enhanced manufacturing monitoring
• AWS — Automated retraining framework