NHIӊM VӨ VÀ NӜI DUNG: - %DQÿҫu luұQYăQQj\Gӵ ÿӏnh thӵc hiӋn các cҧi tiӃn Kaizen trong nhà máy sҧn xuҩt cӑFQKѭQJYuҧQKKѭӣng cӫa dӏFK&RYLGQrQÿmWKD\ÿәLKѭӟng thӵc hiӋn luұQYăQsang xây dӵng mô
Mөc tiêu
Mөc tiêu cӫa luұQYăQ: x ĈiQKJLiWKӵc trҥng sҧn xuҩt hiӋn tҥi cӫDSKkQ[ѭӣng sҧn xuҩt Ĉһc biӋt là khâu sҧn xuҩt và phӕi trӝn bê tông x Thu thұp dӳ liӋu thí nghiӋPÿӇ tiӃn hành xây dӵng mô hình x Xây dӵng mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫa bê tông tӯ ÿy JLDWăQJÿӝ chính xác cӫDFѭӡQJÿӝ nén bê tông cuӕi cùng x ĈiQK giá mô hình dӵ EiRÿӇ ghi nhұQÿyQJJyScӫa mô hình và ÿӅ xuҩt thӱ nghiӋm
Mөc tiêu nghiên cӭu: x Nghiên cӭu sӱ dөng lұSWUuQK.DL]HQÿӇ ӭng dөng xây dӵng mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫa bê tông Tӯ ÿyFyWKӇ cҧi thiӋn chҩWOѭӧng bê tông x Nghiên cӭu sӱ dөng lұp trình Di TruyӅQÿӇ khӣi tҥo ra các quҫn thӇ tӕt làm nguӗn cung cҩSêWѭӣng cҧi tiӃn cho lұp trình Kaizen x Nghiên cӭu vӅ bài toán hӗi quy ký hiӋu (symbolic regression).
éQJKƭDÿӅ tài
éQJKƭDWKӵc tiӉn: x Góp phҫn nâng cao hiӋu quҧ trong công viӋc và hoàn thành các chӍ tiêu cҧi tiӃn chҩWOѭӧng bê tông ÿӅ ra WURQJSKkQ[ѭӣng sҧn xuҩt x Giҧi quyӃWÿѭӧc mӝt sӕ Yѭӟng mҳc gһp phҧi trong quá trình sҧn xuҩt, tӯ ÿy giúp hoàn thiӋn quy trình sҧn xuҩt tҥL[ѭӣng sҧn xuҩt cӑc ӕng và bê tông x 7K~Fÿҭ\P{LWUѭӡng làm viӋFWѭѫQJWiFOүQQKDXWăQJWtQKÿӝi nhóm thông qua viӋc khuyӃn khích mӑLQJѭӡLÿѭD UDý kiӃn cҧi tiӃn vӅ các yӃu tӕ ҧnh Kѭӣng và xây dӵng mô hình x Xây dӵQJYăQKyDFҧi tiӃn liên tөc dù là tӯng sáng kiӃn nhӓ thông qua viӋc phә biӃn triӃt lý Kaizen ÿӃn nhiӅXQJѭӡLKѫQ éQJKƭDWKӵc tiӉn: x Có cái nhìn tәng quan vӅ Kaizen x Thҩ\ÿѭӧc nhӳng thuұn lӧLYjNKyNKăQNKLiSGөng Kaizen vào viӋc xây dӵng mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫa bê tông tӯ ÿyKLӇu rõ nhӳQJÿLӇm mҥQKÿLӇm yӃu trong quy trình phӕi trӝn ÿӇ ghi nhұn YjÿѭDUDFiFêWѭӣng ÿӅ xuҩt cҧi tiӃn vӅ chҩWOѭӧng và chi phí sҧn xuҩt.
PhҥPYLÿӅ tài
x Phҥm vi nghiên cӭu và thӵc hiӋQÿӅ tài này tұp trung chӫ yӃu trong phân [ѭӣng sҧn xuҩt cӑc ӕng ÿһc biӋt là khâu phӕi trӝn và sҧn xuҩt bê tông (nguyên liӋXFKtQKÿӇ sҧn xuҩt cӑc) tҥi tә hӧp nhà máy cӫDF{QJW\Ĉӗng Tâm x Nӝi dung Kaizen thӵc hiӋn WURQJÿӅ tài này là dӵa vào quy trình PDCA cӫa Kaizen xây dӵng mӝt mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫa bê tông vӟi sӵ hӛ trӧ cӫa DEAP (Distributed Evolutionary Algorithms) ± mӝt cҩu trúc thuұt toán giúp xây dӵQJ FKѭѫQJ WUuQKgiҧi thuұt di truyӅn tҥo ra các hàm sӕ ý Wѭӣng có trӏ sӕ ³SKKӧS´Wӕt trên ngôn ngӳ Python và sӱ dөng hàm lm trong 5ÿӇ xây dӵQJP{KuQKѭӟFOѭӧng tӯ các hàm sӕ êWѭӣng này x Các nguyên liӋu sӱ dөng trong bӝ 1030 dӳ liӋXÿҫu vào vӅ các yӃu tӕ ҧnh KѭӣQJYjFѭӡQJÿӝ nén bê tông là cӕ ÿӏnh và không có sӵ tKD\ÿәi Giҧ ÿӏnh xem thông sӕ ÿӝ ҭm trong các nguyên liӋXÿҫXYjROjNK{QJÿәi và không ҧQKKѭӣng trong mô hình.
Nӝi dung
ĈӅ tài sӁ ÿѭӧc xây dӵng và thӵc hiӋn dӵa trên ba mөFWLrXFKtQKQKѭÿmQrXWURQJPөc ĈӇ ÿҥWÿѭӧc nhӳng mөFWLrXÿӅ ra tác giҧ cҫn thӵc hiӋn các nӝLGXQJVDXÿk\ x Nghiên cӭu các lý thuyӃWOLrQTXDQÿӃn Kaizen, giҧi thuұt di truyӅn, hӗi quy ký hiӋu FNJQJQKѭFiFF{QJFө hӛ trӧ trong quá trình xây dӵng mô hình ÿӗng thӡi nghiên cӭu các nӝi dung cӫa nhӳQJEiRFiRÿLWUѭӟFÿӇ rút ra kinh nghiӋm cho bҧn thân x Nghiên cӭu thӵc trҥng quy trình phӕi trӝn nhҵm thu thұp sӕ liӋXÿӗng thӡi nghiên cӭu các tài liӋu hӗ VѫFӫa công ty nhҵm thӵc hiӋn mөc tiêu thӭ OjÿiQKJLithӵc trҥng và hiӇu rӓ vӅ quy trình phӕi trӝn bê tông x Thành lұp và thҧo luұn nhóm cҧi tiӃn vӅ các yӃu tӕ ҧQKKѭӣQJÿӃn FѭӡQJÿӝ nén cӫa bê tông [iF ÿӏnh tӯ mөc tiêu 1 Xây dӵng quy trình tҥo mô hình ѭӟF Oѭӧng FѭӡQJÿӝ nén bê tông dӵa trên các yӃu tӕ ҧQKKѭӣng Thu thұp hiӇu biӃt vӅ công thӭFWtQKFѭӡQJÿӝ bê tông hiӋn tҥLÿӇ khӣi tҥRQKyPêWѭӣQJ.DL]HQEDQÿҫu x TriӇn khai xây dӵng mô hình và kiӇPÿӏnh mô hình Ghi nhұn kӃt quҧ ÿҥWÿѭӧc mà mô hình mang lҥi.
Bӕ cөFÿӅ FѭѫQJ
&KѭѫQJ*Lӟi thiӋXÿӅ tài
Giӟi thiӋXÿӅ tài, giӟi thiӋXOêGRKuQKWKjQKÿӅ tài, mөc tiêu, phҥm vi thӵc hiӋn các êQJKƭDWKӵc tiӉn mang lҥi tӯ ÿӅ tài
&KѭѫQJQj\JLӟi thiӋu vӅ các khái niӋm vӅ Kaizen, lұp trình Kaizen, các vҩQÿӅ trong giҧi thuұt di truyӅn, hӗi quy ký hiӋXFNJQJQKѭ các công cө hӛ trӧ ÿӇ thӵc hiӋn xây GѭQJP{KuQKѭӟFOѭӧQJFѭӡQJÿӝ nén Và mӝt sӕ nghiên cӭXÿLWUѭӟc vӅ viӋc sӱ dөng lұp trình Kaizen trong viӋc giҧi bài toán hӗi quy ký hiӋu
&KѭѫQJ7Kӵc trҥng vҩQÿӅ chҩWOѭӧng cӫa công ty
&KѭѫQJQj\VӁ giӟi thiӋu khái quát vӅ công ty, các chính sách vӅ chҩWOѭӧng công W\ÿDQJiSGөng Ngoài ra, sӁ ÿiQKJLiWKӵc trҥng chҩWOѭӧng hiӋn tҥi cӫDSKkQ[ѭӣng sҧn xuҩt cӑc ӕng, các vҩQÿӅ ÿDQJWӗn tҥi ÿӇ ÿӅ xuҩt Kѭӟng giҧi quyӃt
&KѭѫQJXây dӵng mô hình ѭӟFOѭӧng dӵa trên lұp trình Kaizen
&KѭѫQJQj\WUuQKEj\FKLWLӃWFiFEѭӟc xây dӵng mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫDErW{QJÿӗng thӡLÿiQKJLiP{KuQKVDXNKLÿѭӧc xây dӵng dӵa trên các yӃu tӕ khác nhau ĈѭDUDNӃt quҧ vӅ mô hình cuӕi cùng sau khi khӣi chҥy lұp trình Kaizen và các thông sӕ cӫa mô hình
&KѭѫQJ.Ӄt luұn và kiӃn nghӏ ĈѭDUDQKӳng nhұn xét và kӃt luұn vӅ nhӳng giá trӏ mà mô hình mang lҥi, ÿӗng thӡi ÿѭDUDQKӳQJÿӅ xuҩt cho công viӋc cҧi tiӃn vӅ sau cӫDP{KuQKYjF{QJW\ĈiQKJLiѭX ÿLӇPYjQKѭӧFÿLӇm cӫDSKѭѫQJSKiS[k\Gӵng P{KuQKѭӟFOѭӧng dӵa trên Kaizen
Tәng quát vӅ Kaizen
Khái niӋm Kaizen
Kaizen là mӝt tӯ cӫa Nhұt BҧQÿѭӧc kӃt hӧp bӣi hai tӯ ³.DL´FyQJKƭDOjWKD\ÿәi và ³=HQ´FyQJKƭDOjOLrQWөc Vì vұ\.DL]HQFyQJKƭDOjFҧi tiӃn liên tөc
TriӃt lý cӫa Kaizen cho rҵng cách sӕng cӫa chúng ta bao gӗm cuӝc sӕng trong công viӋc, cuӝc sӕng xã hӝi, cuӝc sӕQJJLDÿuQKOX{QOjQKӳng nӛ lӵc cҧi tiӃn không ngӯng Mһc dù nhӳng cҧi tiӃn khi thӵc hiӋn Kaizen là nhӓ và mang tính tӯ tӯ, nhӳng kӃt quҧ Kaizen mang lҥLVDXTXiWUuQKWtFKONJ\Oҥi rҩt lӟn nӃu áp dөng Kaizen hӧp lý.
ĈһFÿLӇm cӫa Kaizen
x Là quá trình cҧi tiӃn liên tөc tҥLQѫLOjPYLӋc x TұSWUXQJJLDWăQJQăQJVXҩWYjÿiSӭng yêu cҫu khách hàng thông qua viӋc cҧi thiӋn chҩWOѭӧng và giҧm lãng phí x TriӇn khai dӵa trên sӵ tham gia nhiӋt tình cӫa mӑi thành viên vӟi sӵ cam kӃt mҥnh mӁ cӫDOmQKÿҥo x Nhҩn mҥnh hoҥWÿӝQJÿӝi nhóm x Thu thұp và phân tích dӳ liӋu là công cө hӳu hiӋu
Kaizen khác vӟLÿәi mӟi, sӵ khác biӋWÿѭӧc thӇ hiӋn qua sӵ tiӃn triӇn cӫa công ty Trong khi các công ty NhұWWKѭӡng thiên vӅ phong cách tiӃn hành Kaizen thì ӣ các công ty ӣ SKѭѫQJ7k\ÿәi mӟLOX{QÿѭӧFѭDFKXӝng
%̫QJ So sánK.DL]HQYjĈ͝i mͣi
1 HiӋu quҧ Dài hҥn, có tính chҩt lâu dài và không có tác dөQJÿӝt ngӝt
Ngҳn hҥQQKѭQJFyWiFGөng ÿӝt ngӝt
2 TӕFÿӝ NhӳQJEѭӟFÿLQKӓ NhӳQJEѭӟFÿLOӟn
3 Khung thӡi gian Liên tөFYjWăQJGҫn lên *LiQÿRҥn và NK{QJWăQJGҫn
5 Liên quan MӑLQJѭӡi Chӫ QJKƭDFiQKkQêNLӃn và nә lӵc cӫa cá nhân
6 Cách tiӃn hành Tұp thӇ, nӛ lӵc tұp thӇ, có hӋ thӕng Cá nhân
7 Cách thӭc Duy trì và cҧi tiӃn Phá bӓ và xây dӵng lҥi
8 Tính chҩt Kӻ thuұWWKѭӡng và hiӋQÿҥi Ĉӝt phá kӻ thuұt, lý thuyӃt mӟi
9 &iFÿzLKӓi thӵc tӃ ĈҫXWѭtWQKѭQJFҫn nӛ lӵc lӟn ÿӇ duy trì
CҫQÿҫXWѭOӟQQKѭQJtWQә lӵc ÿӇ duy trì
10 +ѭӟng nӛ lӵc 9jRFRQQJѭӡi Vào công nghӋ
Quá trình và nӛ lӵFÿӇ có kӃt quҧ tӕWKѫQ KӃt quҧ nhҩm vào lӧi nhuұn
12 Lӧi thӃ Áp dөng tӕt vӟi nӅn kinh tӃ phát triӇn chұm hoһFVѫLNKӣi
Thích hӧp vӟi nӅn kinh tӃ phát triӇn nhanh
Lý do lӵa chӑn sӱ dөng Kaizen
x TriӃt lý dӉ hiӇXÿѫQJLҧn, dӉ áp dөng, không yêu cҫu hiӇu thuұt ngӳ chuyên môn x Không tӕn chi phí mua sҳPÿҫXWѭF{QJQJKӋ x Mang lҥi nhӳng tiӃn bӝ liên tөc, khӣLÿӝQJYjGX\WUuYăQKyDWKD\ÿәLKѭӟng tӟi sӵ bӅn vӳng x DL]HQÿLWUѭӟc các vҩQÿӅ có thӇ xҧy ra tӯ ÿyQJăQQJӯa rӫi ro ngay tӯ ÿҫu x Kaizen là bӝ khung chiӃQOѭӧc cho kiӇm soát chҩWOѭӧng toàn diӋn, mang lҥi lӧi ích cho toàn tә chӭFYjKѫQWKӃ nӳa x Kaizen giúp giҧPOmQJSKtWURQJFiFOƭQKYӵFQKѭKjQJWӗn kho, thӡi gian chӡ ÿӧi, vұn chuyӇn, thao tác nhân viên, kӻ QăQJQKkQYLrQVҧn xuҩt thӯa, chҩt lѭӧng không ÿҥt và giҧm lãng phí trong các quá trình x Kaizen giúp cҧi thiӋn mһt bҵng sҧn xuҩt, chҩWOѭӧng sҧn phҭm, sӱ dөng vӕn, thông tin.
Nguyên tҳc thӵc hiӋn Kaizen
9 Nguyên tҳc 1: Tұp trung vào khách hàng
9 Nguyên tҳF7K~Fÿҭ\P{LWUѭӡQJYăQKyDPӣ
9 Nguyên tҳc 5: KhuyӃn khích làm viӋc nhóm Nâng cao tinh thҫQÿӝi nhóm
9 Nguyên tҳc 6: Quҧn lý dӵ án kӃt hӧp bӝ phұn chӭFQăQJ
9 Nguyên tҳF1X{LGѭӥQJ³TXDQKӋ hӳu hҧo´
9 Nguyên tҳc 8: Rèn luyӋn ý thӭc kӍ luұt, tӵ giác
9 Nguyên tҳF7K~Fÿҭ\QăQJVXҩt và hiӋu quҧ.
Mô hình hóa vҩQÿӅ dӵa trên triӃt lý Kaizen (Kaizen Programming)
ĈӅ xuҩWêWѭӣng (Plan)
Ӣ JLDLÿRҥn này nhóm thӵc hiӋn Kaizen sӁ WKDPJLDÿyQJJySFiFêWѭӣng là các giҧi pháp tӯng phҫn cho mô hình cuӕLFQJYjFNJQJÿyQJYDLWUzQKѭPӝt bӝ tiêu chuҭQEDQÿҫu (bӝ tiêu chuҭn này sӁ ÿѭӧc thay thӃ bҵng các bӝ tiêu chuҭn tӕWKѫQTXDFiFYzQJOһS6DXÿyQKyP.DL]HQVӁ tiӃn hành ÿӅ xuҩWFiFKѭӟng ÿLӅu chӍQKÿӇ cҧi tiӃn dӵa trên bӝ tiêu chuҭn sau mӛi vòng lһp ĈӅ [XҩW ý WѭӣQJ
Xây GӵQJ mô hình trên các ý WѭӣQJ ĈiQK giá mô hình
Tính toán PӭF ÿӝ ÿyQJ góp FӫD các ý WѭӣQJ
&ҧL WKLӋQ KLӇX ELӃW và FұS QKұW KP
Các biӃn ÿӝc lұp x sӁ ÿѭӧc ánh xҥ vào các hàm f OjFiFKjPêWѭӣng Các hàm êWѭӣng f VDXÿyVӁ ÿѭӧFTX\ÿәi thành các biӃn hӗi quy mӟi dӵa trên biӇu thӭc tính toán giӳa biӃQÿӝc lұp và các hàm f Mӛi thành viên nhóm Kaizen có thӇ ÿӅ xuҩt mӝt hoһc nhiӅXêWѭӣng sӕ êWѭӣQJFNJQJOjPӝt trong nhӳng thông sӕ xuҩt hiӋn trong ma trұn GQJÿӇ huҩn luyӋn tҥo mô hình
Ví dө: mӝt biӃQÿӝc lұp (x) và có nhóm có ba chuyên gia mӛLFKX\rQJLDÿӅ xuҩt mӝWêWѭӣng: F 1 = -log(x); F 2 = sin(x), F 3 = -3 +1/x
7URQJÿyx là biӃQÿӝc lұp F 1 , F 2 , F 3 là các KjPêWѭӣQJÿѭӧc ánh xҥ tӯ các biӃn x ÿѭӧc biӃQÿәi ÿӇ xây dӵng ma trұn chuҭn.
Thӵc hiӋn xây dӵng mô hình (Do)
Các giá trӏ biӃQÿӝc lұp x ÿѭӧc chuyӇn hóa thành các KjPêWѭӣng f tӯ ÿy hình thành nên ma trұn F vӟi 2 mҧQJQKѭVDX
7URQJÿyPҧng ma trұQÿҫu tiên là mҧng STD st,n là mҧng ma trұn chӭa các KjPêWѭӣng tiêu chuҭQKjPêWѭӣng tҥo mô hình có kӃt quҧ RMSE tӕt nhҩt ӣ hiӋn tҥLÿѭӧF[HPQKѭPӝt bӝ tiêu chuҭn tӕt nhҩWÿӇ ÿiQKJLiYjVRViQKYӟi các bӝ êWѭӣng mӟi giá trӏ st là sӕ OѭӧQJKjPêWѭӣng tiêu chuҭn trong bӝ tiêu chuҭn (ӣ vòng lһSÿҫu tiên bӝ tiêu chuҭn sӁ OjKjPGRQKyP.DL]HQÿӅ xuҩt) Mҧng ma trұn TRIAL w,n là mҧng chӭDFiFKjPêWѭӣng mӟLWuPÿѭӧc tӯ lұp trình di truyӅn và cҫQÿѭӧc thӱ nghiӋm xây dӵQJP{KuQKÿiQh giá so sánh vӟi bӝ tiêu chuҭn hiӋn tҥLÿӇ tìm kiӃPFiFKjPêWѭӣng tӕWKѫQWKD\WKӃ vào các hàm ý Wѭӣng trong bӝ tiêu chuҭn hiӋn tҥi Vӟi giá trӏ n là sӕ thí nghiӋm thӵc tӃ và w là sӕ êWѭӣng trong quҫn thӇ.
KiӇPÿӏnh mô hình (Check)
ĈӇ [iFÿӏQKÿӝ quan trӑng cӫDFiFêWѭӣng trong bӝ ma trұn vӯa xây dӵng ӣ EѭӟF³'R´WURQJSKѭѫQJSKiSQj\.3 có thӇ sӱ dөng nhiӅXKjPÿӇ ÿiQKJLi mӭFÿӝ phù hӧp cӫDêWѭӣQJWURQJÿӅ tài này KP sӱ dөng hӗi quy nhӓ nhҩt WK{QJWKѭӡng (OLS) phә biӃn và tұp hӧp kӃt quҧ giá trӏ ÿҫXUDWKXÿѭӧc tӯ thí nghiӋm thӵc tӃ ÿӇ xây dӵng mӝWP{KuQKÿDWX\Ӄn Sӱ dөng ví dө WUѭӟc vӟi F1,
Vӟi y i ( i = 1, , n ) là mӝt giá trӏ ѭӟFOѭӧng ӭng vӟi mӛi bӝ thông sӕ ÿҫu vào F1,i, F2,I, F3,i và sӁ có n giá trӏ ѭӟFOѭӧng y E 0 , E 1 , E 2 , E 3 là hӋ sӕ ÿѭӧc ѭӟc tính bӣi hӗi quy tuyӃn tính Các hӋ sӕ E 0 , E 1 , E 2 , E 3 NK{QJWKD\ÿәi trong suӕt qua trình tìm kiӃm YjQyÿѭӧc tính toán khi hoàn thành quá trình huҩn luyӋn 0{KuQKѭӟFOѭӧng cuӕi cùng sӁ có dҥQJQKѭGQJÿӇ ѭӟc Oѭӧng n bӝ thông sӕ ÿҫu vào:
7KHRQKѭSKѭѫQJWUuQKWDWKҩy các mô hình tính toán theo các hàm ý Wѭӣng F j là tuyӃQWuQKQKѭQJFKӭa giá trӏ biӃQÿӝc lұp gӕc là mô hình phi tuyӃn Vì vұy mөFÿtFKKjPy i ÿѭӧc tҥo ra tӯ FiFKjPêWѭӣng F j OjÿӇ tính gҫn ÿ~QJcho bҩt kǤ các hàm phi tuyӃn nào Sau khi xây dӵng mô hình giá trӏ p- value ÿѭӧc sӱ dөQJÿӇ kiӇPÿӏnh mӭFÿӝ quan trӑng cӫa các hàm F j
( ), j j j j j if p value F NA if p value F contribution F if p value F otherwise
7KHRQKѭWDQKұn thҩy giá trӏ p value tӕt thì sӁ Fy[XKѭӟng tiӃn vӅ giá trӏ 0 Trong bài viӃt này chӍ có nhӳQJêWѭӣng giá giá trӏ ÿyQJJySWӕt mӟLÿѭӧc lӵa chӑQÿӇ thêm vào trong bӝ êWѭӣng tiêu chuҭn mӟi tӕLÿDOj st hàm (kích cӥ tӕLÿDTXҫn thӇ) ÿӇ tiӃp tөFÿѭDYào vòng lһp tiӃSWKHRÿӇ xây dӵng mô hình mӟi Trong mӝt sӕ nghiên cӭXWUѭӟc cӫDSKѭѫQJSKiSQj\FKRWKҩy không có hiӋn
Wѭӧng cҳt giҧPÿLEӟt các KjPêWѭӣng trong quҫn thӇ, tuy nhiên tác giҧ khҷng ÿӏQKÿLӅu này là có thӇ xҧy ra&zQÿӕi vӟi bài báo cӫa tác giҧ thì qua các vòng lһp thì các biӃn hӗLTX\ÿӅXOjPJLDWăQJJLiWUӏ ÿyQJJySFӫa chúng vào lӡi giҧi cuӕLFQJĈӅu này cho thҩ\FK~QJÿӅu có giá trӏ vӟi P{KuQKѭӟFOѭӧng cuӕi cùng Vì lӡi giҧi cuӕi cùng là tuyӃn tính nên nJѭӡi dùng có thӇ dӉ dàng lӵa chӑn mӝt lӡi giҧLWKHRP{KuQKÿӇ ÿLӅu các thông sӕ ҧQKKѭӣng theo nhu cҫu sӱ dөng thӵc tӃ ĈӇ ÿiQKJLiP{KuQKGӵ báo (lӡi giҧi cuӕi cùng) thì KP sӱ dөng thông sӕ RMSE ÿӇ tính toán chênh lӋch giӳa giá trӏ kiӇm chӭng vӟi giá trӏ dӵ ÿRiQÿѭӧc tính tӯ mô hình dӵ báo Vӟi công thӭFWtQK506(QKѭVDX
7URQJÿy y i là giá trӏ ѭӟFOѭӧng tính tӯ mô hình ӭng vӟi thí nghiӋm thӭ i y i là giá trӏ thu tӯ thӵc nghiӋm thӭ i n = (N-K-1)
N là tәng sӕ thí nghiӋm quan sát
Cұp nhұt và áp dөQJêWѭӣng và mô hình (Act)
+jQKÿӝng cұp nhұt và áp dөng bӝ tiêu chuҭn mӟLÿѭӧc thӵc hiӋn nӃu nó thӓDÿLӅu kiӋn giá trӏ ÿiQKJLiP{KuQKPӟi tӕWKѫQJLiWUӏ ÿiQKJLiP{KuQKKLӋn tҥi (RMSEnew@ÿmÿӅ xuҩt sӱ dөng giҧi thuұt di truyӅQÿӇ tӕLѭXKyDWKHRNLӇu tiӃn hóa chӑn lӑc tӵ nhiên bҵng mô hình cây vұn hành.
Giҧi thuұt di truyӅn (GA)
7KHR'DYLV*$QjRÿӇ giҧi quyӃt mӝt vҩQÿӅ ÿӅu phҧLFyQăPWKjQKSKҫn sau [8]:
1 Mӝt vҩQÿӅ có chӭa các yӃu tӕ ÿӇ xây dӵng giҧLSKiSWKHRFiFÿҥi diӋn di truyӅn
2 &iFKÿӇ tҥo ra các quҫn thӇ di truyӅQEDQÿҫu có thӇ lҩy ngүu nhiên
3 MӝWFѫVӣ hay hàm sӕ chӭFQăQJÿӇ ÿiQKJLiPӭFÿӝ phù hӧp cӫa các lӡi giҧLYjFiFÿҥi diӋn di truyӅn và xӃp hҥQJFK~QJWKHRFѫVӣ Qj\ÿӇ thay thӃ FiFÿҥi diӋn kém bҵng nhӳQJÿҥi diӋn tӕt ra vào trong tұp quҫn thӇ
4 3KѭѫQJWKӭFÿӇ thӵc hiӋn phép di truyӅn gây ҧQKKѭӣQJÿӃn cҩu tҥo cӫa các cá thӇ con trong quá trình lai tҥo
5 Các giá trӏ tham sӕ ÿҫXYjRNKiFÿӇ thӵc hiӋn khӣi chҥy thuұt toán (quy mô quҫn thӇ, tӹ lӋ lai chộo, tӹ lӋ Jk\ÿӝt biӃQô
Quá trình sinh sҧn
Trong mӛi thӃ hӋ, sӵ phù hӧp (fitness) cӫa tӯng giҧLSKiSÿѭӧFÿiQKJLiYj các giҧLSKiSÿѭӧc chӑQÿӇ tái sinh sҧn dӵa trên sӵ phù hӧp cӫa chúng Sӵ lӵa chӑn ÿѭӧc tuõn theo nguyờn tҳc ààVӵ sӕng sút cӫa nhӳQJQJѭӡi khӓe mҥnh nhҩW´&iFJLҧi pháp tӕWÿѭӧc lӵa chӑQÿӇ tái sҧn xuҩt vӟi xác suҩt cao, trong khi các giҧi pháp xҩu vӟi xác suҩt thҩp Xác suҩt chӑn tӹ lӋ thuұn vӟi sӵ phù hӧp cӫa các giҧi pháp Các giҧLSKiSÿѭӧc chӑQVDXÿyWUҧi qua quá trình tái tә hӧSGѭӟLWiFÿӝng cӫa các toán tӱ WUDRÿәLFKpRYjÿӝt biӃQĈӇ cҧi thiӋn hiӋu suҩt cӫa thuұt toán, giҧi pháp tӕt nhҩt cӫa thӃ hӋ hiӋn tҥi sӁ chҳc chҳQÿѭӧc lӵa chӑQÿӇ di truyӅn cho thӃ hӋ tiӃp theo ChiӃn OѭӧFQj\ÿѭӧc gӑi là chiӃn lѭӧc tinh hoa [9]
Giá trӏ ILWQHVVWURQJÿӅ WjLQj\ÿѭӧc sӱ dөng FNJQJGӵa trên giá trӏ RMSE và sӁ ÿѭӧFÿiQKJLiWӯng cá thӇ trong mӝt thӃ hӋ tӯ ÿyÿѭDYjREӝ êWѭӣng tӕt nhҩt trong tӯng thӃ hӋ theo công thӭc sau [10]
(5) 7URQJÿy0D[OjJLiWUӏ RMSE lӟn nhҩt trong quҫn thӇ ӣ mӝt thӃ hӋ
Min là giá trӏ RMSE nhӓ nhҩt trong quҫn thӇ ӣ mӝt thӃ hӋ
RMSE là giá trӏ WѭѫQJӭng cӫa cá thӇ ÿDQJ[pW
Toán tӱ kӃt hӧSFKpRFiFWtQKQăQJFӫa hai cҩu trúc cha và mҽ ÿӇ tҥo thành hai cҩu trúc thӃ hӋ con Nó hoҥWÿӝng bҵQJFiFKKRiQÿәLFiFSKkQÿRҥQWѭѫQJӭng cӫa mӝt chuӛi cҩu trúc cӫa các giҧi pháp thӃ hӋ cha mҽ Toán tӱ ÿӝt biӃn tӵ êWKD\ÿәi mӝt hoһc nhiӅu thành phҫn cӫa cҩXWU~FÿmFKӑn - ÿLӅXQj\OjPWăQJWtQK biӃQÿӝng cӫa quҫn thӇ Mӛi vӏ trí cӫa mӛLYpFWѫQJKLӋm trong quҫn thӇ trҧi qua mӝt sӵ thay ÿәi ngүu nhiên vӟi xác suҩt bҵng tӹ lӋ ÿӝt biӃn [11]
Chu trình thӵc hiӋn quá trình sinh sҧn và tái tә hӧp cӫa giҧi thuұWJHQFѫEҧn cyEDEѭӟc: x %ѭӟc 1 Sinh sҧn: Tӯ quҫn thӇ cҩu trúc hiӋn có, xây dӵng các tә hӧp giao phӕi mӟi bҵng cách chӑn nhӳng giҧi pháp có cҩu trúc tӕt dӵa trên ÿӝ phù hӧp (fitness) cӫa chúng x %ѭӟc 2 Tái tә hӧp: Áp dөng các toán tӱ di truyӅQWUDRÿәLFKpRÿӝt biӃn) vӟi các cһSÿѭӧc chӑn ngүu nhiên tӯ tә hӧp giao phӕi, tҥo ra cҩu trúc con mӟLÿӇ ÿѭDYjRTXҫn thӇ mӟi x %ѭӟc 3 Thay thӃ: Thay thӃ dân sӕ hiӋn có bҵng dân sӕ mӟi rӗi tiӃn KjQKÿiQKJLi1Ӄu bӝ giҧi pháp mӟi (thӃ hӋ con) cho kӃt quҧ tӕWKѫQ thì sӁ thay thӃ hoàn toàn bӝ giҧLSKiSFNJ
Hình 2.3 Ví dͭ SKpSODLJKpSWUDRÿ͝i chéo) a) Cây lͥi gi̫i cha b) cây lͧi gi̫i ḿ, c) cây lͥi gi̫i con 1, d) cây lͥi gi̫i con 2.
Tái tә hӧS7UDRÿәLFKpRYjÿӝt biӃn)
Fk\FRQÿ͡t bi͇n bͧi cây con sinh ng̳u nhiên mͣi
Hӗi quy ký hiӋu (Symbolic Regression)
Hӗi quy ký hiӋu (SR) là mӝt loҥi phân tích hӗi quy tìm kiӃm không gian cӫa các biӇu thӭc toán hӑFÿӇ tìm ra mô hình phù hӧp nhҩt vӟi mӝt tұp dӳ liӋu ÿҫu vào, cҧ vӅ ÿӝ chính xác cӫa mô hình YjWtQKÿѫQJLҧn Không có mô hình cө thӇ QjRÿѭӧc cung cҩSOjPÿLӇm khӣLÿҫu cho thuұWWRiQ7KD\YjRÿyFiFELӇu thӭFEDQÿҫXÿѭӧc hình thành bҵng cách kӃt hӧp ngүu nhiên các khӕi xây dӵng toán hӑFQKѭWRiQWӱ toán hӑc , hàm phân tích , hҵng sӕ và biӃn trҥQJWKiL7K{QJWKѭӡng, mӝt tұp hӧp con cӫa các nguyên thӫy này sӁ ÿѭӧc chӍ ÿӏnh bӣLQJѭӡi vұQKjQKQyQKѭQJÿyNK{QJSKҧi là yêu cҫu cӫa kӻ thuұt Bài toán hӗi quy ký hiӋu cho các hàm toán hӑFÿmÿѭӧc giҧi quyӃt bҵng nhiӅXSKѭѫQJSKiSNKiFQKDX 7URQJÿӅ tài này Lұp trình Kaizen và lұp trình di truyӅQÿѭӧc ӭng dөQJÿӇ giҧi bài toán hӗi quy ký hiӋu
Hӗi quy ký hiӋu ít bӏ WiFÿӝng bӣi các yêu cҫu ràng buӝFEDQÿҫu tӯ QJѭӡi sӱ dөng mà nó cӕ gҳng kham phá ra nhӳng mӕi quan hӋ cӫa tұp dӳ liӋu nӝi tҥi bҵQJFiFKÿLWuP nhӳng mô hình phө hӧp cho các giá trӏ ÿҫXYjRYjFNJQJÿӗng thӡi cӕ gҳng tӕLѭXFKRJLi trӏ ÿҫu ra
F = {+, -, *, /, pow, ln, exp, abs, sin, cos, tan, sqrtô` tұp toán hҥng :
%jLWRiQÿһt ra là tìm mӝt hàm f * ÿѭӧc tҥo ra tӯ F và T sao cho f* và tұp giá trӏ cho WUѭӟc càng khӟp vӟi nhau càng tӕt [12]
BiӇXÿӗ Pareto và biӇXÿӗ [ѭѫQJFi
BiӇXÿӗ Pareto x &KRÿѭӧc cái nhìn tәng quan vӅ nhӳng nguyên nhân phát sinh ra vҩQÿӅ x Giúp cho nhóm tұp trung vào nhӳng vҩQÿӅ gây ra ҧQKKѭӣng lӟn x &iFEѭӟc tiӃn hành:
1 LiӋt kê tҩt cҧ các yӃu tӕ tiӅPQăQJҧQKKѭӣQJÿӃn kӃt quҧ
2 ĈӃm sӕ lҫn xuҩt hiӋn cӫa các yӃu tӕ, liӋt kê các yӃu tӕ theo bҧng theo thӭ tӵ sӕ lҫn xuҩt hiӋn nhiӅu nhҩWFKRÿӃn ít nhҩt
3 Xây dӵng biӇXÿӗ Pareto
BiӇXÿӗ [ѭѫQJFi x BiӇXÿӗ [ѭѫQJFiWKӇ hiӋn mӕi qua hӋ nhân quҧ x Hình thành mӝt sӕ giҧ thuyӃt vӅ các nguyên nhân xҧy ra x ĈLӅQYjRFiF[ѭѫQJFiEҵng cách nhұn dҥng các nguyên nhân chính: Manpower FRQ QJѭӡi), Machines (Máy móc, thiӃt bӏ 0HWKRGV 3KѭѫQJ SKiS 0DWerials (Nguyên vұt liӋu) x Tӯ ÿyWuPQKӳQJÿLӇm chung cӫDFiFQJX\rQQKkQÿҫX[ѭѫQJFiOjKұu quҧ cӫa FiF[ѭѫQJFiFҫQEUDLQVWRUPÿrÿѭDFjQJQKLӅu nguyên nhân càng tӕt
2.6 Các nghiên cӭu ÿLWUѭӟc trong viӋc triӇn khai xây dӵng mô hình ѭӟc Oѭӧng FѭӡQJÿӝ nén cӫa bê tông và lұp trình Kaizen
Melo và cӝng sӵ cӫa mình (2014) là nhӳQJQJѭӡLÿҫu tiên thӵc hiӋn nghiên cӭu vӅ khái niӋm Kaizen Programming dӵa trên triӃt lý cҧi tiӃn liên tөc Kaizen Tӯ ÿyQJѭӡi ta có thӇ xem KP là mӝWSKѭѫQJSKiSPӟi trong nhӳng giҧi thuұt tiӃn hóa KP là mӝWSKѭѫQJSKiS tiӃn hóa dӵa trên sӵ ÿyQJgóp cӫa các lӡi giҧLêWѭӣng tӯng phҫn dӵa vào sӵ ÿyQJJySYӅ mһWêQJKƭDFӫDFK~QJÿӇ tҥo ra mô hình lӡi giҧi cuӕLFQJÿyOjÿLӇm khác biӋt so vӟi các giҧi thuұt di truyӅn hiӋn tҥi tұp trung vào viӋc thӱ và tìm kiӃm tӯng lӡi giҧi riêng lҿ kӃt quҧ là mӝt lӡi giҧi tӕt nhҩt cuӕi cùng KӃt quҧ bài báo cӫa Melo cho thҩy khi so sánh viӋc phát triӇn thuұt toán tiӃn hóa vӟLFiFêWѭӣng là các hàm sӕ WKѭӡng gһp, Melo so sánh KP và GP và mӝt sӕ giҧi thuұt khác vӅ thông sӕ R 2 và RMSE KP cho cho mӝt lӡi giҧi chҩt lѭӧng cao cho cҧ kiӇPÿӏnh tұp huҩn luyӋn và tұp thӱ nghiӋm trong khi chӍ ÿzLKӓi mӝt sӕ ít các SKѭѫQJSKiSÿiQKJLi9uYұy bài nghiên cӭu này muӕn dӵa trên KP kӃt hӧp vӟi module
GP cӫD'($3ÿӇ xây dӵng mô hình dӵ EiRFѭӡQJÿӝ nén cӫa bê tông [4]
I.C Yeh và cӝng sӵ ÿmWKӵc hiӋn mô hình hóa mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫa bê tông lҫQÿҫXYjRQăPEҵQJSKѭѫQJSKiSPҥQJQѫ-ron nhân tҥo (ANN) KӃt quҧ tác giҧ WKXÿѭӧc là cho thҩ\SKѭѫQJSKiSQj\FKRÿӝ chính xác trong dӵ EiRFDRKѫQSKѭѫQJ pháp hӗLTX\WK{QJWKѭӡng, dӉ dàng theo dõi và xem xét tӍ lӋ các thông sӕ ҧQKKѭӣQJÿӃn FѭӡQJÿӝ nén bê tông ví dө QKѭҧQKWѭӣng cӫa tuәi bê tông hay tӹ lӋ cӫDQѭӟc và chҩt liên kӃW7X\QKLrQQKѭӧFÿLӇPÿѭӧc nêu ra rҩt nhiӅXWURQJSKѭѫQJSKiSPҥQJQѫ-ron nhân tҥo là chiӃc hӝSÿHQUҩWNKyÿӇ hiӇXÿѭӧc hӃt sӵ WѭѫQJWiFFӫa các yӃu tӕ ҧQKKѭӣQJÿӃn
FѭӡQJÿӝ ErW{QJYuÿyOjPӝt mô hình phӭc tҥSÿzLKӓi mӝWOѭӧng lӟn thí nghiӋPÿҫu vào Ngoài ra bài báo còn chӍ ra rҵng khi chia tӋp huҩn luyӋn và kiӇm nghiӋm mô hình thì viӋc lҩy mүu ngүu nhiên trong cҧ hai tӋp data sӁ có thӇ cho kӃt quҧ cuӕi cùng tӕWKѫQ [13] Phát triӇQêWѭӣng tiӃp theo I.C.Yeh tiӃp tөc kӃt hӧp vӟi L.C Lien (2009) sӱ dөng mô hình cây vұn hình giҧi thuұt di truyӅQÿӇ xây dӵng mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén cӫa bê tông 3KѭѫQJSKiSÿѭӧFÿһt tên là GOT (Genetic Operation Tree) là sӵ kӃt hӧp cӫa giҧi thuұt di truyӅn và vұn hành cây nhӏ phân7URQJÿyFk\Yұn hành có nhiӋm vө giҧi các êWѭӣng hàm sӕ thành các nút là các lá hoһc nhánh cây còn giҧi thuât gen có nhiӋm vө sӱ dөng các toán tӱ di truyӅQÿӇ tӕLѭXFiFêWѭӣQJÿy7ӯ ÿyNKҳc phөFÿѭӧFQKѭӧFÿLӇm cӫa mҥng Qѫ-ron nhân tҥo trong nghiên cӭXWUѭӟFÿyFӫD{QJFNJQJQKѭÿӅ xuҩWÿѭӧc mӝt SKѭѫQJSKiSWѭӡQJPLQKÿӇ xây dӵng mô hình dӵ EiRÿk\OjPӝWÿyQJJySTXDQWUӑng trong vұn hành thӵc tӃ Theo Yeh mô hình do GOT tҥRUDFKRÿӝ dӵ ÿRiQFKtQK[iFKѫQ công thӭc thӵc nghiӋm phi tuyӃQQKѭQJÿѫQJLҧQKѫQ1KѭQJPһc dù vұy GOT có thӇ FKѭDFKRP{KuQKFyÿӝ chính xác bҵQJSKѭѫQJSKiSPҥQJQѫ-ron nhân tҥRÿѭӧFĈLӅu Qj\FNJQJFKRWKҩy là vүn có nhӳng công thӭc tӕWKѫQP{KuQKGR*27Wҥo ra [7] [14] Nghiên cӭu cӫa Tsai và cӝng sӵ vӅ mô hình ѭӟFOѭӧng dӵa trên lһp trình giҧi thuұt di truyӅn có trӑng sӕ nghiên cӭu này chӍ khác biӋt nghiên cӭu cӫa Yeh là có thêm trӑng sӕ cho các yӃu tә ҧQKKѭӣng Qua nghiên cӭu này Tsai ÿmSKiWKLӋn ra nhӳQJÿyQJJySLàm JLDWăQJÿӝ chính xác cho mô hình dӵ báo Có thӇ làm cho mô hình trӣ QrQÿѫQJLҧQKѫQ WKHRêQJѭӡi dùng bҵQJFiFKÿһt trӑng sӕ MӭFÿӝ ҧQKKѭӣng cӫa các thông sӕ có thӇ ÿѭӧc [iFÿӏnh bҵng mӝt chuәi vòng lһp thӵc hiӋn bӣi :*3%jLEiRÿmWKjQKF{QJWURQJYLӋc dӵ EiRFѭӡQJÿӝ nén và chi phí mһc dù dӵ báo không tӕt ӣ khía cҥnh mӭFÿӝ vón cөc cӫa bê tông Tác giҧ ÿӅ nghӏ cҫn thêm nhiӅu nghiên cӭXKѫQÿӇ làm rõ vҩQÿӅ này [15]
Chen và Wang (2009) ÿӅ xuҩWSKѭѫQJSKiS*(*$QKҫm mong muӕn cҧi thiӋQQăQJ lӵc cӫa GP và GA *(*$OjSKѭѫQJSKiSFҧi tiӋn vӅ mһt cҩXWU~FêWѭӣQJÿӕi vӟi thuұt toán di truyӅn QJRjLUDSKѭѫQJSKiSQj\FzQVӱ dөng sӵ hӛ trӧ cӫa tiӃQKyDYƭP{ÿӇ cҧi thiӋn hiӋu quҧ tìm kiӃm cӫDSKѭѫQJSKiS*$WK{QJWKѭӡng KӃt quҧ nhóm nghiên cӭu cho thҩy GEGA cho thҩy khҧ QăQJWuPNLӃPÿѭӧFP{KuQKFyÿӝ sai sӕ thҩSKѫQNKLVRViQK vӟL*3WK{QJWKѭӡng và các mô hình hӗi quy phi tuyӃn truyӅn thӕng KӃt quҧ cho thҩy tuy
GEGA không thӇ cho mô hình tӕWQKѭ$11QKѭQJP{KuQKQyFyÿӝ chính xác gҫQWѭѫQJ ÿѭѫQJYӟi mô hình lan truyӅQQJѭӧc BPN (backpropagation network) [16]
2.7 &ѫVӣ SKѭѫQJSKiSOXұQÿӇ thӵc hiӋQÿӅ tài a Quy trình thӵc hiӋQÿӅ tài
DӵDYjRFiFFѫVӣ lý thuyӃWFNJQJQKѭPөFWLrXYjÿӏQKKѭӟQJÿm[iFÿӏnh ӣ các nӝi GXQJÿmQrXWUrQ4X\WUuQKWKӵc hiӋQÿӅ WjLÿѭӧc xây dӵng dӵDWUrQFѫVӣ lý thuyӃWÿӇ tiӃp cұQYjÿiSӭng ba mөFWLrXÿmQrXUDWӯ ÿҫu luұQYăQWKHRTX\WUuQKKuQK
*LDLÿRҥn 1: 1KѭÿmÿӅ cұp ӣ FKѭѫQJJLӟi thiӋXÿӅ tài sӱ dөng dӳ liӋu cӫa mӝt công ty sҧn xuҩt cӑc, cӕng và các sҧn phҭm tӯ ErW{QJ1rQErW{QJÿѭӧF[HPQKѭOjPӝt nguyên liӋu chính yӃu nhҩt cӫa công ty 6DXNKL[iFÿӏnh vҩQÿӅ, ta tiӃn hành nghiên cӭu các tài liӋu và sӕ liӋu cӫa F{QJW\FNJQJQKѭQKӳng lý thuyӃt vӅ DL]HQYj.DL]HQSURJUDPPLQJô Các nghiên cӭXÿLWUѭӟc Thu thұp dӳ liӋu vӅ các bӝ sӕ thí nghiӋm quan sát các yӃu tӕ trong mô hình
*LDLÿRҥn 26DXNKL[iFÿӏQKÿѭӧc vҩQÿӅ bҵng cách phân tích dӳ liӋu và làm rõ ӣ giai ÿRҥn 1 Ta tiӃn hành triӇn khai xây dӵng bӝ sӕ liӋu thí nghiӋm các yӃu tӕ ҧQKKѭӣQJÿӃn FѭӡQJÿӝ nén cӫa bê tông Xây dӵng quy trình thành lұp mô hình ѭӟFOѭӧng và các thông sӕ ÿҫu vào cho quá trình khӣi chҥy ÿѭӧFOjPU}WURQJFKѭѫQJYjFKѭѫQJ
Giai ÿRҥn 3: TiӃn hành triӇn khai xây dӵng mô hình bҵQJ SKѭѫQJ SKiS DL]HQ Programming kӃt hӧp vӟi module Genetic programming trên DEAP ĈiQKJLiNӃt quҧ thu ÿѭӧc qua các vòng lұp và ghi nhұn nhӳQJÿyQJJySPjP{KuQKPDQJOҥi vӅ sӵ cҧi thiӋn sӵ hiӇu biӃt cӫa nhóm Kaizen ÿѭӧFOjPU}WURQJFKѭѫQJ
*LDLÿRҥn 4: Phân tích kӃt quҧ YjÿѭDUDFiFNLӃn nghӏ cho các công viӋc tiӃp theo KӃt thӭc quá trình xây dӵng mô hình ÿѭӧFOjPU}WURQJFKѭѫQJ
*LDLÿR̩Q7L͇SF̵Q YjWuPKL͋XY̭Qÿ͉
*LDLÿR̩Q3KkQWtFK Yj[k\GQJTX\WUuQK [k\GQJP{KuQKG báo
*LDLÿR̩Q;k\GQJ P{KuQKYjÿiQKJLi WURQJTXiWUuQKNKͧL FK̩\
*LDLÿR̩Q%jQOX̵Q N͇WTX̫YjNL͇QQJK͓
Các nghiên FӭXÿL WUѭӟF
3KkQWtFKWKӵF WUҥQJÿӕLWѭӧQJ
\ӃXWӕҧQK KѭӣQJYjWK{QJ VӕÿҫXYjR
6ӱGөQJ.3[k\GӵQJ mô hình ĈiQKJLiP{KuQKYӅ TXiWUuQKJLDWăQJKLӇX ELӃWTXDFiFYzQJOһS
*KLQKұQÿѭDUDNӃW OXұQYjNLӃQQJKӏ
Hình 2.7 Quy trình tri͋QNKDLÿ͉ tài b Thu thұp thông tin ĈӇ phөc vө cho công tác thӵc hiӋn triӇn khai quy trình xây dӵng mô hình ѭӟFOѭӧng FѭӡQJÿӝ nén bê tông theo lұp trình DL]HQ%ѭӟFÿҧm bҧRWK{QJWLQÿҫ\ÿӫ tӯ khi mӟi bҳt ÿҫXFKRÿӃn khi kӃt thúc cҫQÿҧm bҧo thӵc hiӋn liên tөc và chính xác Vì vұy cҫQ[iFÿӏnh các loҥi và nguӗn dӳ liӋu cҫn thu thұp tӯ nhiӅu nguӗn khác nhau trong quá trình thӵc hiӋn thông qua các hình bao gӗm: hӗ VѫJKLFKpSSKӓng vҩn, tham khҧo ý kiӃn chuyên gia, ô7K{QJWLQÿѭӧc phõn loҥLQKѭVDX
Thu thұp ý kiӃn cӫDQKkQYLrQNKiFYjEDQOmQKÿҥo vӅ viӋc triӇn khai xây dӵng mô hình dӵ EiRFѭӡQJÿӝ ErW{QJWKHRSKѭѫQJSKiS lұp trình Kaizen Hình thӭc phӓng vҩn trӵc tiӃp
Tham khҧo ý kiӃn cӫa nhóm kaizen vӅ xây dӵng quy trình triӇn khai Xây dӵng quy trình triӇn khai Kaizen Và tham khҧRFiFêWѭӣQJFKRP{KuQKOjÿҫu vào quan trӑng cho viӋc xây dӵng mô hình
Tham khҧo ý kiӃn cӫDFKX\rQJLDWURQJFQJOƭQKYӵc (nӃXÿѭӧc) Tham khҧo ý Wѭӣng cӫa mӝt sӕ nghiên cӭXX\WtQÿLWUѭӟc vӅ êWѭӣQJÿҫu vào cho mô hình
Bӝ thông sӕ tӯ các thí nghiӋm cӫa phòng chҩWOѭӧQJÿѭӧFJKLFKpSFNJYjEә sung thӵc hiӋn các thí nghiӋm mӟi nӃu cҫn thiӃt (1/2020- 8/2021)
Các lӛLWKѭӡng gһp trong quá trình sҧn xuҩt (tháng 1 ± WKiQJQăP1Kұn diӋn, phân loҥi lӛi Thu thұp tӯ FiFEiRFiRFNJWӯ bӝ phұn sҧn xuҩt và chҩWOѭӧng
Tình hình sӱ dөng vұWWѭVҧn xuҩt và nguyên vұt liӋu (tháng 1 ± WKiQJQăP Trong khâu sҧn xuҩt phӕi trӝn bê tông
Chi phí khҳc phөc lӛLĈiQKJLiWKӵc trҥng lӛi xҧ\UD[iFÿӏQKKѭӟng khҳc phөc YjÿROѭӡng chi phí khҳc phөc Thӕng kê tӯ bӝ phұn sҧn xuҩt, chҩWOѭӧng và kӃ toán
&+ѬѪ1*3+ặ17ậ&+7+ӴC TRҤ1*3+ặ1;ѬӢNG SҦN XUҨT CӐC 3.1 Giӟi thiӋu vӅ công ty
1Jj\WKiQJWKѭѫQJKLӋXĈӗQJ7kPUDÿӡi tҥL3K~Ĉӏnh, Quұn 6, Sài Gòn, do ông
Vò Thành Lân sáng lұ, vӟi sҧn hҭPEDQÿҫu là gҥch bông sҧn xuҩWWKHRSKѭѫQJSKiSWKӫ công truyӅn thӕQJ1ăPWKѭѫQJKLӋXĈӗQJ7kPÿѭӧc con trai ông là Võ Quӕc Thҳng tái lұSFѫVӣ và phát triӇQWKjQKWKѭѫQJKLӋXĈӗng Tâm, mӣ rӝng sҧn xuҩt kinh doanh trong ngành vұt liӋu xây dӵng và trang trí nӝi thҩt Tӯ QăPÿӃn nay công ty phát triӇn và xây dӵng nhiӅu nhà máy FNJQJQKѭNLQKGRDQK trong nhiӅXOƭQKYӵc khác nhau QKѭVҧn xuҩt vұt liӋu xõy dӵng và trang trớ nӝi thҩt (gҥch, ngӕLVѫQErW{Qg, cӱDôNLQKGRDQK bҩWÿӝng sҧQÿҫXWѭNKDLWKiFFҧng biӇn, xây dӵQJYjFKRWKXrÿҩt trong khu công nghiӋp, FKRWKXrQKj[ѭӣQJÿҫXWѭOLrQGRDQKOLrQNӃt
Trө sӣ chính: 236A NguyӉQ9ăQ/X{QJ347S+&0
Nhà máy bê tông, cӑc ӕng: Sӕ 7, Khu Phӕ 6 Thӏ Trҩn BӃn Lӭc, TӍnh Long An
Sau mӝt thӡi gian dài phát triӇQFKRFiFOƭQKYӵc sҧn phҭm ngành vұt liӋu xây dӵng khác nhau, nhұn thҩy nhu cҫu và tiӅPQăQJFӫDOƭQKYӵc sҧn xuҩt bê tông và các sҧn phҭm cӫa bê tông tiӅPQăQJWҥi khu vӵc này Công ty cә phҫQĈӗng Tâm chính thӭc khӣi công xây dӵQJYjÿѭDYjRYұn hành trҥm trӝQErW{QJÿҫu tiên ӣ BӃn LӭFYjRQăPYjVDX ÿyOjӣ Tân TұSYjRQăPĈӃQQăPWKuFKtQKWKӭFNKiQKWKjQKYjÿѭDYjRKRҥt ÿӝng nhà máy sҧn xuҩt cӑFFNJQJQKѭQKjPi\Vҧn xuҩt bê tông là hai sҧn phҭm chӫ ÿҥo
Hình 3.1 Nhà máy s̫n xṷt bê tông
3.2 Giӟi thiӋu vӅ sҧn phҭm bê tông cӫa công ty
1ăQJOӵc sҧn xuҩt cӫa nhà máy sҧn xuҩt bê tông:
+ Trҥm trӝn hiӋQ ÿҥi vӟi cӕi trӝn Sicoma (Ý) & hӋ thӕQJ ÿLӅu khiӇn tӵ ÿӝng PLC Siemens, công suҩt trӝn 1500 m 3 bêtông/ngày
Giӟi thiӋu vӅ công ty
1Jj\WKiQJWKѭѫQJKLӋXĈӗQJ7kPUDÿӡi tҥL3K~Ĉӏnh, Quұn 6, Sài Gòn, do ông
Vò Thành Lân sáng lұ, vӟi sҧn hҭPEDQÿҫu là gҥch bông sҧn xuҩWWKHRSKѭѫQJSKiSWKӫ công truyӅn thӕQJ1ăPWKѭѫQJKLӋXĈӗQJ7kPÿѭӧc con trai ông là Võ Quӕc Thҳng tái lұSFѫVӣ và phát triӇQWKjQKWKѭѫQJKLӋXĈӗng Tâm, mӣ rӝng sҧn xuҩt kinh doanh trong ngành vұt liӋu xây dӵng và trang trí nӝi thҩt Tӯ QăPÿӃn nay công ty phát triӇn và xây dӵng nhiӅu nhà máy FNJQJQKѭNLQKGRDQK trong nhiӅXOƭQKYӵc khác nhau QKѭVҧn xuҩt vұt liӋu xõy dӵng và trang trớ nӝi thҩt (gҥch, ngӕLVѫQErW{Qg, cӱDôNLQKGRDQK bҩWÿӝng sҧQÿҫXWѭNKDLWKiFFҧng biӇn, xây dӵQJYjFKRWKXrÿҩt trong khu công nghiӋp, FKRWKXrQKj[ѭӣQJÿҫXWѭOLrQGRDQKOLrQNӃt
Trө sӣ chính: 236A NguyӉQ9ăQ/X{QJ347S+&0
Nhà máy bê tông, cӑc ӕng: Sӕ 7, Khu Phӕ 6 Thӏ Trҩn BӃn Lӭc, TӍnh Long An
Sau mӝt thӡi gian dài phát triӇQFKRFiFOƭQKYӵc sҧn phҭm ngành vұt liӋu xây dӵng khác nhau, nhұn thҩy nhu cҫu và tiӅPQăQJFӫDOƭQKYӵc sҧn xuҩt bê tông và các sҧn phҭm cӫa bê tông tiӅPQăQJWҥi khu vӵc này Công ty cә phҫQĈӗng Tâm chính thӭc khӣi công xây dӵQJYjÿѭDYjRYұn hành trҥm trӝQErW{QJÿҫu tiên ӣ BӃn LӭFYjRQăPYjVDX ÿyOjӣ Tân TұSYjRQăPĈӃQQăPWKuFKtQKWKӭFNKiQKWKjQKYjÿѭDYjRKRҥt ÿӝng nhà máy sҧn xuҩt cӑFFNJQJQKѭQKjPi\Vҧn xuҩt bê tông là hai sҧn phҭm chӫ ÿҥo
Hình 3.1 Nhà máy s̫n xṷt bê tông
Giӟi thiӋu vӅ sҧn phҭm bê tông cӫa công ty
1ăQJOӵc sҧn xuҩt cӫa nhà máy sҧn xuҩt bê tông:
+ Trҥm trӝn hiӋQ ÿҥi vӟi cӕi trӝn Sicoma (Ý) & hӋ thӕQJ ÿLӅu khiӇn tӵ ÿӝng PLC Siemens, công suҩt trӝn 1500 m 3 bêtông/ngày
+ Nguӗn nguyên liӋu do các nhà phân phӕi lӟn cung ӭQJÿҧm bҧo chҩWOѭӧng nguyên liӋu: [LPăQJ1JKL6ѫQ[i3&%ÿi[+yD$QFit Tân Châu modun min 2.0, phө JLD6LND%DVI9LQNHPVô
+ Các loҥLErW{QJWKѭѫQJPҥi hiӋn có: x %rW{QJWKѭѫQJSKҭm mác tӯ 150 ± 600 x Bê tông chӕng thҩm cҩp tӯ B2 ± B10 x Bê tông phát triӇQFѭӡQJÿӝ sӟm: R3, R7 x Bờ tụng bӅn sunfat, ớt tӓa nhiӋWô
+ Ngoài ra công ty còn cung cҩp các dӏch vө kèm theo khi khách muӕn mua và sӱ dөng ErW{QJWKѭѫQJSKҭPQKѭ[HEӗn tҧi trӑng 7m 3 EѫPFҫQSKѭѫQJQJDQJKRһFÿӭQJEѫP ngang
%̫QJ B̫ng các các lo̩LPiFErW{QJW˱˯QJͱng vͣLF˱ͥQJÿ͡ nén (MPa)
STT /RҥLErW{QJ &ѭӡQJÿӝQpQ528
3.3 Quy trình sҧn xuҩt cӑc ӕng ly tâm YjErW{QJWKѭѫQJSKҭm
Quy trình sҧn xuҩWÿѭӧc áp dөng tҥi nhà máy sҧn xuҩt cӑc ӕQJO\WkPYjÿѭӧc quҧn lý chҩWOѭӧng theo HӋ thӕng quҧn lý chҩWOѭӧng ISO 9001:2015
1JX\rQOLӋX xá 9ұWWѭWKpS
Hình 3.2 Quy trình s̫n xṷt c͕c bê tông d ͱng lc YjErW{QJWK˱˯QJSḴm
Tóm tҳt mô tҧ quy trình sҧn xuҩt cӑc ӕng bê tông YjErW{QJWKѭѫQJSKҭm
Cỏc nguyờn liӋX[i[LPăQJFiWÿiSKө JLDôÿѭӧc chuҭn bӏ ÿѭDYjRSKӉu cõn liӋu theo công thӭc rӗLÿѭӧc di chuyӇn vào trҥm trӝn bê tông bҵQJEăQJtҧLÿӇ tiӃn hành trӝn Quá trình sҧn xuҩWErW{QJWKѭѫQJSKҭPÿӃQEѭӟc phӕi trӝn là kӃWWK~FErW{QJÿѭӧc xuҩt EiQÿLWKHR\rXFҫu cӫa khách Còn bê tông phөc vө sҧn xuҩt cӑFÿѭӧc chuyӇn sang nhӳng Eѭӟc sau
6RQJVRQJÿyYkWWѭVҳWWKpSÿѭӧFÿѭDYjRGk\FhuyӅQÿӇ tiӃn hành cҳt thép theo tiêu chuҭQÿ~QJYӟi tӯng loҥi cӑc cҫn sӱ dөng tҥo thành lòng sҳt hoàn chӍnh TiӃn hành cҭu OzQJWKpSYjRÿӇ lҳp khuôn cӑc và xiӃt khuôn kín bҵng bu long Rҧi bê tông, căQJFKӍnh thép rӗi cҭXNKX{QVDQJJLjQTXD\ÿӇ tiӃn hành quay ly tâm Sau thӡi gian yêu cҫu thì lòng TXD\ÿѭӧc cҭu sang hҫm hҩSÿӇ hҩSGѭӥQJKѫLWURQJSK~Wӣ 85 o C
CӑFVDXNKLGѭӥQJKѫLWKuWLӃn hành bӕc tách khuôn Bӝ phұn chҩWOѭӧng kiӇm tra và ghi nhұQWK{QJWLQOѭXKӗ VѫSKkQORҥi chҩWOѭӧng ChuyӇQÿӃn kho thành phҭm
3.4 Phân tích thӵc trҥng khâu sҧn xuҩt và phӕi trӝn bê tông
HiӋn tҥLSKkQ[ѭӣng cӑFF{QJW\ĈӗQJ7kPÿDQJiSGөng hӋ thӕng ISO 9001:2015 7X\QKLrQÿiQKJLiFӫa các chuyên gia qua thӵc tӃ trong công ty, viӋc áp dөng hӋ thӕng chҩWOѭӧQJFKѭDKLӋu quҧ, còn nҧy sinh nhiӅu vҩn ÿӅĈӇ nhìn nhұn rõ thӵc trҥQJQj\KѫQ nӳa, trong phҥPYLÿӅ WjLÿӅ FѭѫQJQj\VӁ dӅ xuҩWSKѭѫQJSKiSSKkQWtFKYjÿѭDUDÿӏnh KѭӟQJ[iFÿӏnh vҩQÿӅ trong các quá trình sҧn xuҩt tҥLSKkQ[ѭӣQJF{QJW\Ĉӗng Tâm, tӯ ÿy[k\GӵQJFѫVӣ ÿӇ ÿѭDUDFiLFҧi tiӃn phù hӧp vӟLSKkQ[ѭӣng
Hình 3.3 &iFE˱ͣFÿ͉ phân tích ch̭WO˱ͫng t̩LSKkQ[˱ͧng
3KkQWtFKYj[iFÿӏQKYҩQÿӅ chính
;iFÿӏQKQJX\rQQKkQYj WuPUDQJX\rQQKkQJӕFUӉ
Các vҩQÿӅ ÿDQJWӗn tҥLWURQJSKkQ[ѭӣng:
Thành phҭm cӑc là sҧn phҭm cuӕi sӱ dөng nguyên liӋXFKtQKOjErW{QJFѭӡQJÿӝ nén cao sau khi bӕFWiFKWKѭӡng gһp nhiӅu khuyӃt tұWWURQJWKiQJÿҫXQăPVҧn xuҩt xҧy ra nhiӅu lӛi làm ҧQKKѭӣQJÿӃn chҩWOѭӧng, chi phí và doanh thu cӫa công ty ViӋc tìm ra nguyên nhkQYjKѭӟng giҧi quyӃt là cҫn thiӃt (hình 3.4)
Hình 3.4 S̫QO˱ͫng và s̫n pẖm c͕c l͟LWURQJWKiQJÿ̯XQăP Ĉӏnh mӭc nguyên vұt liӋXÿҫu vào có thӇ FKѭDFKXҭQGRWKDRWiFF{QJQKkQYjÿӝ phӭc tҥp trong công thӭc cӫa các nguyên liӋXÿҫu vào
%̫QJ Ĉ͓nh mͱc thͳa cͯa các lo̩i v̵WW˱FKtQKWURQJV̫n xṷt
XӍ lò và tro bay 9% ĈiPL (thô và nghiӅn) 3%
Các loҥi vұWWѭVҳt thép khác 8%
6ҧQOѭӧQJYjVҧQSKҭPFӑFOӛLWKiQJÿҫXQăP
&ӑFWKjQKSKҭP x Mөc tiêu cӫDEDQOmQKÿҥo và phòng chҩWOѭӧng là cân bҵng lҥi hao hөt chӍ ӣ mӭc hao hөt ±2%7URQJÿyWKHRWKӭ tӵ quan trӑng cҫn kiӇPVRiWÿѭӧc hao hөt cӫD;LPăQJ (quan trӑng nhҩt)ÿiPLSKө gia siêu dҿo, các loҥi vұWWѭNKiF[Ӎ lò và tro bay và cuӕLFQJOjKjPOѭӧQJQѭӟc
Hình 3.5 Bi͋Xÿ͛ 3DUHWRWtFKONJ\V͙ O˱ͫng l͟i theo nguyên nhân
Tӯ bҧng 1.1 và hình 3.4 xây dӵQJÿѭӧc biӇXÿӗ Pareto thӇ hiӋQWtFKONJ\FiF dҥng lӛLWKѭӡng gһp trong quá trình sҧn xuҩt cӑc (Hình 3.5) Tӯ ÿyFyFiLQKuQYӅ các loҥi lӛi chӫ yӃu theo nguyên tҳc 80:20 - 80% sҧn phҭm lӛLWKѭӡng do 20% nguyên nhân gây ra
Tӯ kӃt quҧ hình 3.5 thӇ hiӋn ta thҩy lӛi FѭӡQJÿӝ QpQErW{QJFKѭDÿҥt (64,66%) và lӛi lӝWGDWKѭӡng xuyên xҧy ra nhҩt TәQJWtFKONJ\KDLOӛi này chiӃPKѫQMһc dù lӛLFѭӡQJÿӝ nén bê tông xҧy ra nhiӅXKѫQOӛi lӝWGDQKѭQJFKLSKtNKҳc phөc cho lӛLFѭӡQJÿӝ nén có thӇ tWKѫQYuFyWKӇ có nhiӅXSKѭѫQJSKiSÿӇ giҧi quyӃt lӛi này ví dө QKѭQӃu khách mua mһWKjQJOjErW{QJWKѭѫQJSKҭm, Sau nghiӋm thu nӃXFѭӡQJÿӝ nén cӫDVjQÿә NK{QJÿҥt thì công ty sӁ WKѭѫQJOѭӧng vӟi nhà thҫXÿӅ WuPFiFKÿә thêm mӝt lӟp tráng bê tông mӟi vӟLFѭӡQJÿӝ QpQFDRÿӇ ÿҥWÿӫ yêu cҫu nhà thҫu xây dӵng &zQÿӕi vӟi các sҧn phҭm cӑc công ty có thӇ hҥ cҩp, hҥ mác loҥi cӑc ÿӇ bán vӟi giá thành giҧPÿL mӝt chút sao cho vүn ÿiSӭQJÿѭӧc tiêu chuҭn nhà thҫu Bҧng 3.3 thӇ hiӋQWtFKONJ\YӅ mһt chi phí cӫa các loҥi lӛi cho thҩy các ҧQKKѭӣng vӅ thiӋt hҥi chi phí do các loҥi lӛi gây ra
%̫QJ B̫QJWtFKONJ\G̩ng l͟i theo chi phí
&ѭӡQJÿӝ nén bê tông
Tӯ ÿyWD[k\Gӵng biӇXÿӗ Pareto theo chi phí thiӋt hҥi cho các loҥi lӛi:
Hình 3.6 Bi͋Xÿ͛ Pareto theo chi phí thi t h̩i cho các lo̩i l͟i:
Tӯ biӇXÿӗ Pareto theo chi phí ta thҩ\ÿѭӧc, hai lӛi Lӝt da >5% và FѭӡQJÿӝ nén bê W{QJFKѭDÿҥt chiӃm gҫQQKѭWRjQEӝ chi phí thiӋt hҥi khi tәQJWtFKONJ\FKLSKtFKRKDL khuyӃt tұWQj\OrQÿӃQWURQJWKiQJÿҫXQăP
Tӯ ÿk\WiFJLҧ có thӇ ÿӏnh Kѭӟng tұp trung giҧi quyӃt vҩQÿӅ chҩWOѭӧng tҥi phân [ѭӣng cӑc vӟi hai lӛi chính là Lӝt da >5% bӅ mһt YjFѭӡQJÿӝ QpQErW{QJFKѭDÿҥt Nhìn chung hai lӛi này cùng vӟi mөc tiêu giҧm hao hөt WURQJÿӏnh mӭc nguyên vұt liӋu có thӇ ÿѭӧc giҧi quyӃt bҵng cách xây dӵng mô hình dӵ EiRFѭӡQJÿӝ nén bê tông bӣi các yӃu tӕ ҧQKKѭӣng là các thông sӕ ÿҫu vào bao gӗm khӕLOѭӧQJ[LPăQJNKӕLOѭӧng xӍ lò cao, tro bay, khӕLOѭӧQJQѭӟc, khӕLOѭӧng phө gia siêu dҿo, khӕLOѭӧQJÿiPLUӱa, khӕLOѭӧQJÿi mi nghiӅn, tuәi bê tông
3.5 ;iFÿӏnh nguyên nhân YjÿӅ xuҩt giҧi pháp ĈӇ [iFÿӏnh nguyên nhân các dҥng lӛi, ta sӁ thu thұp và phân tích tӯ các dӳ liӋu thӵc tӃ, phӓng vҩn các thành viên trong nhóm Kaizen, các nhân viên vұn hành, nhân YLrQ4$4&ô9LӋF[iFÿӏnh cỏc nguyờn nhõn mӝt cỏch rừ ràng và chớnh xỏc sӁ làm tiӅQÿӅ ÿӇ ÿѭDUDFiFêWѭӣQJÿӅ xuҩt cho viӋc giҧi quyӃt vҩQÿӅ là xây dӵng mô hình ѭӟFOѭӧQJFѭӡQJÿӝ nén bê tông
Cҫn phҧi thành lұp nhóm cҧi tiӃQÿӇ thӵc hiӋQÿiQKJLiFiFWKӵc trҥng sҧn xuҩt, các vҩQÿӅ chҩWOѭӧQJFNJQJQKѭÿѭDUDKѭӟQJÿӅ xuҩt cҧi tiӃQ1KyPFyYDLWUzÿLӅu phӕi quá trình thӵc hiӋn Kaizen tҥL SKkQ [ѭӣng, thӕng kê, xӱ lý dӳ liӋu thu thұS ÿѭӧc KhuyӃn khích mӑLQJѭӡLWURQJF{QJW\FQJÿѭDUDFiFêNLӃQ7ăQJPӭFÿӝ trao quyӅn cho các thành viên trong nhóm thӵc hiӋQ.DL]HQÿӇ công viӋFÿѭӧc diӉQUDWUѫQWUXYj giҧm phө thuӝFKѫQ Nhóm Kaizen gӗm có 3 thành viên gӗm có nhân viên quҧn lý chҩt Oѭӧng, mӝt nhân viên kӃ hoҥch và mӝt nhân viên sҧn xuҩt
Phân tích thӵc trҥng khâu sҧn xuҩt và phӕi trӝn bê tông
Thành lұp nhóm cҧi tiӃn
Cҫn phҧi thành lұp nhóm cҧi tiӃQÿӇ thӵc hiӋQÿiQKJLiFiFWKӵc trҥng sҧn xuҩt, các vҩQÿӅ chҩWOѭӧQJFNJQJQKѭÿѭDUDKѭӟQJÿӅ xuҩt cҧi tiӃQ1KyPFyYDLWUzÿLӅu phӕi quá trình thӵc hiӋn Kaizen tҥL SKkQ [ѭӣng, thӕng kê, xӱ lý dӳ liӋu thu thұS ÿѭӧc KhuyӃn khích mӑLQJѭӡLWURQJF{QJW\FQJÿѭDUDFiFêNLӃQ7ăQJPӭFÿӝ trao quyӅn cho các thành viên trong nhóm thӵc hiӋQ.DL]HQÿӇ công viӋFÿѭӧc diӉQUDWUѫQWUXYj giҧm phө thuӝFKѫQ Nhóm Kaizen gӗm có 3 thành viên gӗm có nhân viên quҧn lý chҩt Oѭӧng, mӝt nhân viên kӃ hoҥch và mӝt nhân viên sҧn xuҩt
7URQJÿӅ tài này nhóm Kaizen có nhiӋm vө cung cҩSFiFKjPêWѭӣQJEDQÿҫu (là các hàm thӇ hiӋn mӕi quan hӋ giӳa các yӃu tӕ ҧQKKѭӣng và giá trӏ FѭӡQJÿӝ QpQÿѭӧc lҩy ra mӝt phҫn tӯ công thӭFWtQKFѭӡQJÿӝ nén hiӋn tҥi cӫa công ty) Nhóm Kaizen FNJQJVӁ xem xét quá trình cҧi tiӃQFiFKjPêWѭӣQJÿӇ JLDWăQJKLӇu biӃt cӫa mình vӅ quan hӋ giӳa các yӃu tӕ vӟi giá trӏ FѭӡQJÿӝ nén.
Sӱ dөng các công cө ÿӇ SKkQWtFKYj[iFÿӏnh nguyên nhân cӕt lõi
Nhóm Kaizen tiӃn hành nghiên cӭu lý thuyӃt và thӵc tӃ SKkQ[ѭӣQJÿӇ nҳm rõ quy WUuQKYjFăQQJX\rQEDQÿҫu cӫa hai lӛi chính yӃu gây ra khuyӃt tұt cho sҧn phҭm cӑc là Lӝt da >5% và FѭӡQJÿӝ QpQErW{QJFKѭDÿҥt
Phӓng vҩn ý kiӃn cӫa các công nhân Tham khҧo ý kiӃn các thành viên trong nhóm Kaizen Tham khҧo ý kiӃn chuyên gia và các nghiên cӭXÿLWUѭӟFWURQJOƭQKYӵc này
VӁ biӇXÿӗ [ѭѫQJFiÿӇ chӍ ra mӕi quan hӋ nhân quҧ cӫa các nguyên nhân
Lӛi FѭӡQJÿӝ QpQErW{QJFKѭDÿҥt
Hình 3.7 Bi͋Xÿ͛ [˱˯QJFiSKkQWtFKFiFQJX\rQQKkQJk\UDO͟i l͡t da >5% b͉ m̿t
Hai biӇXÿӗ [ѭѫQJFiKuQKYjFKRWKҩy các nguyên nhân gây ra hai loҥi lӛi
WKѭӡng xҧ\UDWURQJSKkQ[ѭӣng VӅ yӃu tӕ FRQQJѭӡLÿӝi QJNJVҧn xuҩt và chҩWOѭӧng là nhӳng công nhân và nhân viên có tay nghӅ thuҫn thөc và có kinh nghiӋm nhiӅXQăPWURQJ
OƭQKYӵc này nên viӋc xҧy ra sai sót do yӃu tӕ FRQQJѭӡi là khó xҧy ra VӅ thiӃt bӏ hӋ thӕng cân là hӋ thӕng tӵ ÿӝQJÿѭӧc FjLÿһt và xây dӵng tӯ ÿӝLQJNJFKX\Ӈn giao công nghӋ cӫa
3/&6LHPHQVYj6LFRPDÿѭӧc bҧRGѭӥQJÿӏnh kǤ và hoàn toàn cân tӵ ÿӝng theo lӋnh mà phòng sҧn xuҩt nhұp vào nên viӋF[HPÿk\OjQJX\rQQKkQJk\UDOӛi liên tөc là không phù hӧp
Hình 3.8 Bi͋Xÿ͛ [˱˯QJFiSKkQWtFKFiFQJX\rQQKkQl͟i l͡t da >5% b͉ m̿t
Các thiӃt bӏ QKѭNKX{QFӑc và các thiӃt bӏ EѫPFNJQJWKѭӡQJ[X\rQÿѭӧc vӋ sinh và kiӇm tra bӣLF{QJQKkQWUѭӣng ca sҧn xuҩt, quҧQÿӕFQrQFNJQJKҥn chӃ gây ra sai sót Còn lҥi là do nguyên vұt liӋXÿҫXYjR9uFѭӡQJÿӝ nén bê tông là mӝt hàm phӭc tҥp nên viӋc tính toán có thӇ dӉ gây ra sai sót Mô hình tính toán hiӋn tҥi cӫDF{QJW\FzQÿѫQJLҧn nên tӹ lӋ ErW{QJÿҥWFѭӡQJÿӝ QpQNK{QJÿҥWFDRKѫQKRһc thҩSKѫQPRQJPXӕQWKѭӡng xҧy ra có thӇ là do nguyên nhân này Bên cҥQKÿyYLӋc xây dӵng mӝt mô hình mӟLÿӇ dӵ báo
FѭӡQJÿӝ nén bê tông sӁ JL~SFKRQKyP.DL]HQÿһc biӋt là phòng chҩWOѭӧng hiӇXU}KѫQ ҧQKKѭӣng cӫa tӯng yӃu tӕ YjRFѭӡQJÿӝ nén, xây dӵng mӝt công thӭFWѭӡng minh giúp cho nhóm gLDWăQJNLӃn thӭc vӅ các yӃu tӕ ҧQKKѭӣng Tӯ ÿyWҥo tiӅQÿӅ cҧi tiӃn công thӭc trong viӋFWăQJFKҩWOѭӧQJFѭӡQJÿӝ nén, giҧm chi phí và giҧm hiӋQWѭӧng sөt lúng
&+ѬѪ1* XÂY DӴNG MÔ HÌNH ѬӞ&/ѬӦNG DӴA THEO KAIZEN.
Dӳ liӋXÿҫu vào cӫa mô hình
%̫QJ B̫ng tóm t̷t dͷ li Xÿ̯u vào cͯDP{KuQKF˱ͥQJÿ͡ nén bê tông
&iF\ӃXWӕҧQKKѭӣQJ ĈѫQYӏ WK{QJVӕQKӓ
KӕLOѭӧQJ[LPăQJ kg/m3 102 540 276.5
KӕLOѭӧQJ[ӍOzFDR kg/m3 0 359.4 74.22
&ѭӡQJÿӝQpQErW{QJ Mpa 2.3 82.6 35.84
Bҧng 4.1 tóm tҳt dӳ liӋXÿҫu vào cӫDP{KuQKFѭӡQJÿӝ nén là các bӝ sӕ liӋu thӵc nghiӋm quan sát vӟi 1030 mүu dӳ liӋXWKXÿѭӧc Bao gӗm giá trӏ hàm mөFWLrXOjFѭӡng ÿӝ nén bê tông và các giá trӏ biӃQÿӝc lұp bao gӗm: khӕLOѭӧQJ[LPăQJNKӕLOѭӧng xӍ lò cao, khӕLOѭӧng tro bay, khӕLOѭӧQJQѭӟc, phө gia siêu dҿRÿiPLFiWQJKLӅn, tuәi cӫa bê tông Bҧng sӕ liӋXÿҫ\ÿӫ ÿѭӧc trích dүn trong phө lөc B bao gӗm 1030 dòng vӟi 8 cӝt yӃu tӕ ҧQKKѭӣng và 1 cӝt giá trӏ FѭӡQJÿӝ nén cӫa bê tông.
Quy trình triӇn khai xây dӵng mô hình
Phân tích yêu cҫu bài toán
Dӵa vào các phân tích vӅ thӵc trҥng ӣ FKѭѫQJYjFiFYҩQÿӅ PjF{QJW\ÿDQJ gһp phҧi Sau khi thành lұp nhóm Kaizen và quyӃWÿӏnh thӵc hiӋn xây dӵQJP{KuQKÿӇ dӵ EiRFѭӡQJÿӝ nén cӫa bê tâm vӟi các yêu cҫu sau: x Xây dӵQJP{KuQKѭӟFOѭӧQJFѭӡQJÿӝ QpQErW{QJFyÿӝ chính xác tӕt x Cӕ gҳng kiӇPVRiWÿѭӧFÿӏnh mӭc sӱ dөng cӫa các loҥi nguyên vұt liӋu ÿҫu vào x TҥRP{KuQKFѫVӣ ÿӇ thӵc hiӋn các cҧi tiӃQOLrQTXDQÿӃn công thӭc vӅ chҩt OѭӧQJÿӕi vӟi bài toán này và nӃu thành công sӁ xây dӵng các mô hình vӅ FKLSKtYjÿӝ sөt lúng cӫa bê tông.
Các công cө và ngôn ngӳ nӅn tҧQJGQJÿӇ chҥy thuұt toán xây dӵng mô hình
KP sӱ dөng ngôn ngӳ S\WKRQÿӇ xây dӵng thuұt toán và sӱ dөng module lұp trình di truyӅn trên WKѭYLӋn DEAP mӝt khung mүu lұp trình các thuұt toán tiӃQKyDÿѭӧc xây dӵng sҷQÿӇ cung cҩp quá trình sӱ dөng các toán tӱ di truyӅn nhҵm tìm ra FiFêWѭӣng mӟi tӕWKѫQ Phҫn ÿiQKJLi và thӕng kê lұp trình Kaizen sӁ sӱ dөng hàm chӭFQăQJlm trong R (áp dөng cho mô hình hӗi quy tuyӃn tính) các giá trӏ GQJÿӇ ÿiQKJLiQKѭp-value, hӋ sӕ WѭѫQJTXDQ506(5 2 Sӱ dөng JyLWKѭYLӋn 5S\3\WKRQÿӇ kӃt nӕi giao diӋn và liên kӃWÿRҥn thuұWWRiQÿѭӧc xây dӵng trên python bӣi DEAP cùng vӟLÿRҥn thuұt toán ÿѭӧc xây dӵng trong R Các thông sӕ ràng buӝFÿҫXYjRÿӇ hҥn chӃ các vҩQÿӅ không mong muӕn hay làm cho mô hình trӣ QrQNpPÿLYtGө nhѭKLӋQWѭӧQJÿDFӝng tuyӃn, quá khӟp vӟi tұp huҩn luyӋn (kém trong kӃt quҧ tұp kiӇPÿӏnh), bӏ nghӁn cөc bӝ ÿѭӧc trình bày trong bҧng 4.2
%̫QJ Các tham s͙ ÿ̯u vào dành cho ph̯n khͧi ch̩y GP trên DEAP
Kích cӥ TXҫQWKӇVӕêWѭӣQJ 10
Cách NKӣLWҥRFk\ Ramped half-and-half
3KѭѫQJWKӭFWUDRÿәLFKpR 7UDRÿәLWҥL1 Q~WKRһFQKiQK
3KѭѫQJWKӭFÿӝWELӃQ ĈӝWELӃQPӝWQKiQKÿӝWELӃQPӝWQRGHWKrP
&iFQRGHNK{QJSKҧLÿLӇPFXӕL ợớVDIHVLQFRVH[SORJVDIH
+jPÿiQKJLi Trung bỡnh 506(FӫDWұSàYDOLGDWLRQả
7ӹOӋWұSKXҩQOX\ӋQWұSNLӇPÿӏQK 7/3
LӇPQJKLӋPÿӝFOұS OҫQ ĮFKRNLӇPÿӏQKS-value) 0.05
&iFÿRҥQFRGHVDXÿyÿѭӧc thӵc hiӋQWUrQP{LWUѭӡQJ*RRJOH&RODEFKRSKpSQJѭӡi dùng viӃt và thӵc hiӋn lӋnh Python trong trình duyӋWZHEÿDQJVӱ dөng Mӝt sӕ ѭXÿLӇm phҧi nhҳFÿӃn khi sӱ dөng Colab là:
- Không quan tâm cҩu hình máy
- Sӱ dөng GPU cӫa Google miӉn phí
- DӉ dàng thao tác và chia sҿ
Yêu cҫu duy nhҩt khi sӱ dөng Colab là phҧi có mҥQJ,QWHUQHWÿӇ chҥy và nhұn kӃt quҧ 'ѭӟLÿk\OjKuQKҧnh vӅ giao diӋn cӫa Colab trên trình duyӋt Chrome Các thao tác, chӭc QăQJWUrQ&RODEVӁ ÿѭӧc trình bày chi tiӃWKѫQWURQJ3Kө lөc
Hình 4.1 Giao di n google colab
4.2.3 /ѭXÿӗ thuұt toán sӱ dөQJÿӇ giҧi bài toán
%ҳWÿҫX ĈӑFGӳOLӋXÿҫX vào
'($3WKӵFKLӋQ FiFWRiQWӱGL WUX\ӅQÿӇWҥRê WѭӣQJPӟL
FKӭDêWѭӣQJPӣL FQJYӟLEӝWLrX FKXҭQWӕWQKҩW
;k\GӵQJP{KuQK Yj.LӇPÿӏQK p-values các ý WѭӣQJ
/ӵDFKӑQFiFê WѭӣQJWӕWQKҩWÿӇ WҥRTXҫQWKӇPӟL Max
;k\GӵQJP{KuQK ѭӟFOѭӧQJEҵQJ FiFêWѭӣQJWӕW QKҩW ĈiQKJLiP{KuQK EҵQJWK{QJVӕ RMSE test
&ұSQKұWEӝWLrX FKXҭQWӕWQKҩW)
*LiWUӏ506( best KӝLWө Ĉ~QJ Sai
Hình 4.2 /˱Xÿ͛ s͵ dͭng thu̵WWRiQWURQJÿ͉ tài
&KѭѫQJWUuQKOұp trình sӁ trҧLTXDEDJLDLÿRҥn
*LDLÿRҥn 1: Khai báo các thông sӕ ÿҫXYjRFNJQJQKѭQJWӋp dӳ liӋu các thí nghiӋm các biӃn hӗLTX\ÿӝc lұp là các yӃu tӕ ҧQKKѭӣQJÿӃQFѭӡQJÿӝ nén cӫa bê tông trong quá trình phӕi trӝQ1KyP.DL]HQFNJQJÿӅ xuҩWFiFKjPêWѭӣQJEDQÿҫXYj[HPÿyOjEӝ tiêu chuҭn tӕt nhҩt hiӋn tҥi
*LDLÿRҥn 2: Sau khi module DEAP khӣi chҥy lұp trình di truyӅn vӟi các thông sӕ ӣ bҧQJ&iFêWѭӣng mӟi do DEAP tҥRUDYjFiFêWѭӣng cùng vӟLFiFêWѭӣng tӯ bӝ tiêu chuҭn hiӋn tҥi ÿѭӧc ÿiQKJLivà kiӇPÿӏnh giá trӏ p-value ÿӇ xӃp hҥQJÿӇ tìm ra tұp quҫn thӇ mӟi (tӕLÿDOjêWѭӣQJÿӇ xây dӵng mô hình mӟi và tính toán các thông sӕ cӫa mô hình
*LDLÿRҥn 3: So sánh giá trӏ RMSEtest nӃu giá trӏ RMSEtest mӟi nhӓ KѫQ506(best hiӋn thì cұp nhұt giá trӏ RMSEbest ÿӗng thӡi cұp nhұt lҥi bӝ tiêu chuҭn mӟi tӕt nhҩWÿӇ ÿѭD vào tҥo ma trұn F mӟi ӣ vòng lһp tiӃp theo.1Jѭӧc lҥi nӃu RMSEtest > RMSEbest thì không cұp nhұt giá trӏ RMSEbest và bӝ tiêu chuҭn F mà bҳWÿҫu vòng lұp mӟi tӯ Eѭӟc chҥy lұp trình di truyӅQÿӇ WuPêWѭӣng mӟi Ghi nhұn mô hình tӕt nhҩt khi các vòng lһp hoàn tҩt, giá trӏ RMSEbest hӝi tө YjNK{QJÿәLVDXKѫQYzQJOһp và kӃt thúc.
Xây dӵng mô hình
Khai báo dӳ liӋXÿҫu vào và tҥo quҫn thӇ FiFêWѭӣQJEDQÿҫu
7Uѭӟc hӃWFKѭѫQJWUuQKVӁ FjLÿһt và khai báo các gói chӭFQăQJVӁ ÿѭӧc sӱ dөng WURQJFKѭѫQJWUuQK7LӃSWKHRFKѭѫQJWUuQKVӁ ÿӑc dӳ liӋu tӯ file csv (Phө lөc B)
Các thông sӕ ҧQKKѭӣQJÿӃQFѭӡQJÿӝ ErW{QJVDXÿyÿѭӧFÿһt tên lҫQOѭӧt tӯ X0,
X1, X2, X3, X4, X5, X6, X7 WѭѫQJӭng vӟi khӕLOѭӧQJ[LPăQJ[Ӎ lò cao, tro bay, khӕLOѭӧng Qѭӟc, khӕLOѭӧng phө gia siêu dҿRÿiPLFiWQJKLӅn, tuәi bê tông
Các giá trӏ Xӣ trên sӁ ÿѭӧc ánh xҥ vào tұp F bao gӗm các hàm sӕ ÿѭӧc gӑi là ý Wѭӣng hay là các lӡi giҧi tӯng phҫQÿӇ cùng nhau tham gia xây dӵng nên mӝt mô hình cuӕi cùng Trong quá trình xây dӵQJP{KuQKFiFêWѭӣQJFNJVӁ bӏ thay thӃ bӣLFiFêWѭӣng mӟi có giҧ trӏ tӕWKѫQÿѭӧFÿiQKJLiGӵa trên hàm mӭFÿӝ phù hӧp mà ӣ ÿk\OjWK{QJVӕ RMSE
%DQÿҫXQKyPNDL]HQÿӅ xuҩt mӝt sӕ KjPêWѭӣng dӵa trên công thӭc tính toán FѭӡQJÿӝ bê tông hiӋn tҥi Ӣ vòng lұSÿҫu tiên bӝ êWѭӣng cӫDQKyP.DL]HQÿӅ xuҩt ra FNJQJÿѭӧc xem là bӝ tiêu chuҭn tӕt nhҩt tӕt nhҩt (Beststandard)
Các hàm sӕ f1, f2, f3, f4 EDQÿҫu là các giá trӏ ánh xҥ tӯ bӝ thông sӕ các giá trӏ ҧnh KѭӣQJÿӃQFѭӡQJÿӝ bên tông, các hàm sӕ này là nhӳQJêWѭӣng mӝt phҫQÿӇ cùng tham gia xây dӵng mô hình cuӕi cùng và không phҧi là nhӳng lӡi giҧi hoàn chӍnh Các hàm sӕ chӍ biӇu diӉn sӵ ҧQKKѭӣng giӳa các giá trӏ Xi vӟi nhau và cách chúng ҧQKKѭӣQJÿӃn giá trӏ FѭӡQJÿӝ nén bê tông chӭ không phҧi là mӝt lӡi giҧi riêng lҿ ÿӇ WtQKWRiQFѭӡQJÿӝ bê tông hoàn chӍnh
TiӃp theo Ma trұn ánh xҥ Xi vào f1, f2, f3, f4 FNJQJVӁ ÿѭӧc gán làm ma trұn tiêu chuҭn ӣ vòng lһSÿҫXWLrQYjFNJQJFKtQKOjEӝ tiêu chuҭn tӕt nhҩt ĈӇ tiӃn hành huҩn luyӋn mô hình tӯ tұp dӳ liӋu và bӝ tiêu chuҭn các hàm f1, f2, f3, f4 Ma trұn sӁ có dҥng
F f f Đ ã ă á ă á ă á â ạ vӟi st=4 (sӕ êWѭӣng tӯ ÿӅ xuҩt cӫa nhóm Kaizen) và n30 là sӕ thí nghiӋm (sӕ hàng cӫa bӝ dӳ liӋu) ma trұn sӁ có dҥng QKѭ hình 4.3
Hình 4.3 Ma tr̵n b͡ tiêu chu̱n t͙t nh̭t tͳ FiFêW˱ͧng f 1 , f 2 , f 3 , f 4 cͯa nhóm Kaizen
Sau khi xây dӵng ma trұn F ta sӱ dөQJKjP³OP´WUrQ5ÿӇ tiӃn hành xây dӵng mô hình theo cӝt giá trӏ \WѭѫQJӭng cӫa 1030 mүu thí nghiӋm Tұp dӳ liӋu huҩn luyӋn và tұp dӳ liӋu kiӇPÿӏnh sӁ ÿѭӧc chia theo tӹ lӋ 9:1 lӵa chӑn mӝt cách ngүu nhiên tӯ tӋp 1030 dӳ liӋXEDQÿҫu KӃt quҧ thXÿѭӧc QKѭKuQK4.4
Hình 4.4 K͇t qu̫ mô hình hṷn luy n và RMSE tͳ b͡ êW˱ͧng f 1 , f 2 , f 3 , f 4 (5)
0{KuQKWtQKWRiQFѭӡQJÿӝ nén sӁ có dҥng: y 9.507f 1 4.889f 2 0.015f 3 0.171f 4 32.93
VӟL506(ÿѭӧc tính theo tұp huҩn luyӋn (tұSWUDLQ 0{KuQKÿѭӧc kiӇm ÿӏnh lҥi bҵng tұp test và giá trӏ RMSE = 7.959 YjFNJQJVӁ ÿѭӧc gán là RMSE cӫa mô hình tӕt nhҩt hiӋn tҥi Tӯ ÿk\Eӝ bӕn hàm f1, f2, f3, f4 sӁ ÿѭӧc xem là bӝ tiêu chuҭQÿҫu vào cho vòng lұp thӭ nhҩt và sӁ ÿѭӧc thay thӃ bҵng bӝ tiêu chuҭn mӟi nӃXWuPÿѭӧc mô hình có RMSE tӕWKѫQ7K{QJVӕ R 2 =0.788.
Sӱ dөng giҧi thuұt di truyӅQÿӇ tìm ra các bӝ êWѭӣng mӟi (Plan)
6DXNKLÿmWuPÿѭӧc bӝ tiêu chuҭn ӣ phҫQWUѭӟc, giҧi thuұt di truyӅn sӁ ÿѭӧc sӱ dөng ÿӇ khӣi tҥo và chӑn lӑc ra nhӳQJêWѭӣng mӟLOjPÿҫu vào cho ma trұn thӱ nghiӋm nhҵm mөFÿtFKFҧi thiӋQÿӝ chҩWOѭӧng cӫa bӝ êWѭӣng7KѭYLӋn DEAP là mӝWWKѭYLӋn nguӗn mӣ giúp khӣi chҥy lұp trình di truyӅn mӝt cách dӉ GjQJKѫQ6DXNKLFjLÿһt DEAP trên python và khai báo tұp dӳ liӋXÿҫu vào là các yӃu tӕ ҧQKKѭӣQJYjFѭӡQJÿӝ bê tông Ta khai báo các thông sӕ ÿҫu vào cҫn thiӃWÿӇ khӣi chҥy lұp trình di truyӅn theo bҧng 4.2 Các thông sӕ trong bҧQJÿmÿѭӧc nhóm nghiên cӭu cӫD0HOR[iFÿӏnh là tӕt cho quá trình tìm kiӃm và lai tҥo ra thӃ hӋ tӕWKѫQYjWUiQKFiFYҩQÿӅ QKѭÿDFӝng tuyӃn, quá nhiӅu giá trӏ cҫn phҧLÿѭӧFÿiQKJLi, quá khӟp vӟi tұp huҩn luyӋn(overfitting) [4]
7URQJÿy x Sӕ êWѭӣng tӕLÿD còn lҥi trong quҫn thӇ VDXNKLÿiQKJLiOj x Cách khӣi tҥo cây Ramped half-and-half là mӝt nӱa cây sӁ ÿѭӧc tҥo vӟLÿӝ dài và ÿӝ sâu hoàn chӍnh mӝt nӱa là nhӳng cây không hoàn chӍnh x Sӕ thӃ hӋ OjWURQJÿyVӁ chӑn ra thӃ hӋ có bӝ êWѭӣng cho kӃt quҧ RMSE nhӓ nhҩWÿӇ tҥo ma trұn thӱ nghiӋm ӣ EѭӟF³'R´ x Xác xuҩWSKpSWUDRÿәi chéo là RP =0.9 và xác xuҩt cӫDSKpSÿӝt biӃn là 1-RP=0.1 x 3KѭѫQJWKӭFWUDRÿәLFKpRWUDRÿәi tҥi mӝWÿLӇm hoһc mӝt nhánh x 3KѭѫQJWKӭFÿӇ ÿӝt biӃn: biӃQÿәi toán tӱ hoһc toán hҥng cӫa mӝt nhánh, mӝt nút, thêm nút, cҳt mҩt hoàn toàn mӝt nút là ngӑn x Ĉӝ sâu cӫa các nhánh cây là tӯ ÿӃn 5 và chiӅu dài tӕLÿDFӫa cây là 10 x &iFÿLӇm phớa trong nhỏnh cõy sӁ OjFiFSKpSWRiQQKѭợớVLQFRVH[SORJ ô6DRFKRWҩWFҧÿӅXWҥRWKjQKJLiWUӏFyQJKƭD x &iFÿLӇm cuӕi nhánh cây là hҵng sӕ hoһc là biӃn x +jPÿiQKJLiFKҩWOѭӧng cӫa các bӝ êWѭӣng là RMSE x Các mô hình cuӕi cùng sӁ ÿѭӧFÿiQKJLiEҵng tӋp kiӇPÿӏQKÿӝc lұp 30 lҫn lҩy ngүu nhiên tӯ tұp dӳ liӋXEDQÿҫu (tұp dӳ liӋu 1030 bӝ giá trӏ thí nghiӋm) x ĈӇ kiӇPÿӏnh giá trӏ xác xuҩt xҧy ra cӫa giҧ thuyӃt H0 thì giá trӏ mӭFêQJKƭDĮ Vӟi giҧ thuyӃt H0 là không có mӕi WѭѫQJTXDQJLӳDKjPêWѭӣng vӟi mô hình cuӕi
H1 là có sӵ WѭѫQJTXDQJLӳDKjPêWѭӣng và mô hình
Quá trình chҥy thuұt toán di truyӅn diӉn ra bҵng cách khӣi tҥo ngүu nhiên quҫn thӇ ban ÿҫu gӗm 100 cá thӇ OjFiFêWѭӣQJVDXÿyVӁ ÿiQKJLiWӯng cá thӇ dӵa vào giá trӏ fitness (5) ÿӇ lӵa chӑQêWѭӣng tӕt nhҩWÿѭDYjRTXҫn thӇ thu gӑn tҥo thành mӝt bӝ êWѭӣng tӕt nhҩt cӫa thӃ hӋ ÿy Bӝ êWѭӣng này sӁ ÿѭӧc làm thӃ hӋ FKDÿӇ tiӃn hành lai tҥo ra thӃ hӋ tiӃp theo Trong quá trình chҥy DEAP vүn chҩp nhұn nhӳng thӃ hӋ có chҩWOѭӧng kém (giá trӏ finess thҩp) vүn có thӇ tҥo ra thӃ hӋ con tiӃp theo, viӋc này giúp cho thuұt toán thoát khӓi vùng tӕLѭXFөc bӝ WuPÿӃn nhӳng vùng tӕLѭXFKRJLiWUӏ RMSE tӕWKѫQ.Ӄt qӫa giá trӏ RMSE cӫa 100 thӃ hӋ do DEAP tҥo ra theo bҧng 4.3
%̫QJ K͇t qu̫ RMSE các b͡ êW˱ͧng qua 100 th͇ h
Hình 4.5 Bi͋Xÿ͛ RMSE các b͡ êW˱ͧng qua 100 th͇ h , giá tr͓ RMSE t͙t nh̭t t̩i gen
Sau khi thuұt giҧi di truyӅn khӣi chҥy hoàn tҩt 100 thӃ hӋ vӟi mӛi thӃ hӋ là quҫn thӇ êWѭӣng tӕt nhҩt Thì kӃt quҧ WKXÿѭӧc theo hình 4.3 và bҧng 4.5 thӃ hӋ thӭ 24 cho kӃt quҧ RMSE tӕt nhҩt RMSE24 = 6.457 Bӝ êWѭӣng cӫa thӃ hӋ ÿѭӧc biӇu diӉn gӗm
4.3.3 Xõy dӵng mụ hỡnh mӟi ma trұn F ả gӗm bӝ ờWѭӣng tiờu chuҭn và bӝ ý Wѭӣng thӱ nghiӋm (Do)
6DXNKLWuPÿѭӧc thӃ hӋ tӕt nhҩt chӭa bӝ êWѭӣng ӣ Eѭӟc kӃ hoҥFK³3ODQ´WKuWD tiӃp tөc xõy dӵng ma trұQ)ảJӗm cỏc cӝt giỏ trӏ ÿѭӧc ỏnh xҥ tӯ cỏc yӃu tӕ ҧQKKѭӣng X0, ô;7 vào cỏc hàm f st KjPờWѭӣQJGRQKyP.DL]HQÿӅ xuҩWEDQÿҫu) và Iả w (cỏc hàm êWѭӣng tӕt nhҩt vӯDWuPÿѭӧc ӣ EѭӟF³3ODQ´0DWUұn có dҥng:
Ma trұQWKXÿѭӧc sӁ có dҥng theo hình 4.6
Hỡnh 4.6 Ma tr̵Q)ảÿ˱ͫc xõy dng tͳ FiFKjPờW˱ͧQJEDQÿ̯u f st YjờW˱ͧng th͵ nghi PIả w
Sӱ dөng ma trұQ)ảYjWұp dӳ liӋXÿҫXYjRÿӇ xõy dӵng mụ hỡnh mӟi bҵQJKjP³OP´ trên R Ta sӁ WKXÿѭӧc mӝt mô hình mӟi vӟi kӃt quҧ QKѭVDX:
Hỡnh 4.7 K͇t qu̫ mụ hỡnh mͣLÿ˱ͫc xõy dng tͳ )ả
7URQJÿyNờKL XIảÿ˱ͫc thay th͇ b̹ng fn vỡ R khụng nh̵n tờn c͡t cú gi̭Xà 0{KuQKÿѭӧc xây dӵng tӯ êWѭӣng có dҥng:
6DXNKLWuPÿѭӧc mô hình mӟLFiFêWѭӣng sӁ ÿѭӧc kiӇm chӭng mӭFÿӝ ÿyQJJyS ӣ Eѭӟc tiêp theo vӟi giá trӏ p-value ÿӇ chӑn ra tұp kích cӥ quҫn thӇ chӭDêWѭӣng tӕt nhҩt
4.3.4 KiӇm chӭng mӭFÿӝ ÿyQJJySFӫa tӯng hàm êWѭӣng f và xây dӵng mô hình hoàn chӍnh (Check)
TiӃp theo cỏc giỏ trӏ f st và Iả w sӁ ÿѭӧc kiӇPÿӏnh giỏ trӏ p-value vӟi mụ hỡnh vӯa ÿѭӧc tҥRUDÿӇ sҳp xӃp mӭFÿӝ ÿyQJJySFӫa tӯng hàm êWѭӣQJÿӕi vӟi mô hình cuӕi cùng theo các tiêu chí sau:
( ), i if p value f NA if p value f contribution f if p value f otherwise
Kích cӥ quҫn thӇ cuӕi cùng chӍ chӭa tӕLÿDêWѭӣng tӕt nhҩt hoһc có thӇ nhӓ KѫQ Nên sau khi tính toán p-value, viӋc xӃp hҥng các giá trӏ này cӫa các hàm f sӁ giúp ta chӑn UDÿѭӧc nhӳng hàm có sӵ WѭѫQJTXDQYjÿyQJJySWӕt cho mô hình cuӕi KӃt quҧ tính toán p-YDOXHÿѭӧc thӇ hiӋn trong bҧng 4.4
%̫QJ K͇t qu̫ tớnh toỏn giỏ tr͓ p-value cͯDFiFKjPờW˱ͧng f st YjIả w
Hàm ý WѭӣQJ p-value 7KӭKҥQJ f' 6 NA 14 f' 7 NA 13 f' 10 0.523066 12 f' 2 0.047332 11 f' 4 0.01628 10 f' 5 0.014187 9 f' 8 0.01238 8 f 1 0.000411 7 f' 3 0.000395 6 f' 9 0.000152 5 f 3 5.46E-05 4 f 2 8.42E-08 3 f' 1 1.72E-15 2 f 4 3.28E-29 1
1KѭYұy sau khi tính toán giá trӏ p-YDOXHÿҫy cӫa cӫDFiFKjPêWѭӣng f , thҩy rҵng cỏc giỏ trӏ Iả 6 Iả 7 cú giỏ trӏ NK{QJ[iFÿӏnh nờn mӭFÿӝ ÿyQJJySEҵng 0 Giỏ trӏ Iả 10 lӟn
KѫQPӭFờQJKƭDĮ QrQFNJQJVӁEӏORҥL0һFGS-value( Iả 2 ) QKѭQJ xӃp hҥng thӭ QrQFNJQJEӏ loҥi Cuӕi cùng tұSêWѭӣng tӕt nhҩWÿѭӧc lӵa chӑQÿӇ xây dӵng mô hình cuӕi cùng lҫQOѭӧt xӃp theo mӭFÿӝ ÿyQJJySWӯ FDRÿӃn thҩp bao gӗm: f 4 , f' 1 , f 2 , f 3 , f' 9 , f' 3 , f 1 , f' 8 , f' 5 , f' 4
0{KuQKPӟLÿѭӧF[k\GӵQJGӵDYjRWұSêWѭӣQJFyJLiWUӏÿyQJJySFDRQKҩW WLӃSWөFVӱGөQJKjP³OP´WUrQ5WKXÿѭӧFQKѭVDX
Hình 4.8 K͇t qu̫ mô hình và RMSE tͳ t̵SêW˱ͧng t͙t nh̭WVDXNKLÿiQKJLi
0{KuQKFѭӡQJÿӝ nén bê tông tӯ tұSêWѭӣng tӕt nhҩt có dҥQJQKѭVDX
Vӟi giá trӏ RMSE tұp huҩn luyӋn = 6.842 và RMSE tұp kiӇPÿӏnh = 7.253
4.3.5 So sánh kӃt quҧ và áp dөng mô hình tӕt nhҩt (Act)
0{KuQKPӟLVDXNKLÿѭӧF[k\GӵQJYjWtQK506(WKHRWұSNLӇPÿӏQKÿӇNLӇPWUa JLiWUӏ506(1ӃX506(test FӫDP{KuQKPӟLEpKѫQ506(WӕWQKҩWKLӋQWҥL506(best) thì cұSQKұW506(best =RMSEtest YjFұSQKұWEӝKjPêWѭӣQJWLrXFKXҭQPӟL F OjEӝKjPêWѭӣQJGQJÿӇ[k\GӵQJP{KuQKPӟL&zQQӃX.ӃWTXҧ506(test > RMSEbest KLӋQWҥLWKuNK{QJFKҩSQKұQEӝêWѭӣQJPӟLJLӳQJX\rQEӝêWѭӣQJWLrXFKXҭQFNJJLӳQJX\rQWұS)FNJYjEҳWÿҫXPӝWYzQJOһSPӟL
6RViQKJLiWUӏ506(WұSNLӇPÿӏQK YӯDPӟLWtQKWRiQWӯEѭӟF³FKHFN´YӟL506( WұSNLӇPÿӏQKGRP{KuQKWӯêWѭӣQJQKyP.DL]HQÿӅ[XҩWKLrQÿDQJÿѭӧFJiQOjJLiWUӏ 506(WӕWQKҩW
RMSEtest = 7.253 < RMSEbest =7.959 Thì ta cұp nhұt giá trӏ RMSEbest = 7.253 KӃt thúc vòng lһSÿҫu tiên Ĉӗng thӡi cұp nhұt và áp dөng bӝ êWѭӣng tӕt nhҩt ӣ Eѭӟc check thành bӝ tiêu chuҭn tӕt nhҩt kӃt thúc vòng lұSÿҫu tiên và thành lұp ma trұn tiêu chuҭn mӟi cho vòng lұp tiӃp theo Bӝ êWѭӣng tiêu chuҭn tӕt nhҩt:
Cұp nhұWP{KuQKWtQKWRiQFѭӡQJÿӝ bê tông tӕt nhҩt là:
4.3.6 KӃt quҧ mô hình cuӕi cùng sau 100 vòng lһp PDCA theo lұp trình Kaizen
Sau quá trình khӣi chҥy 100 vòng lһp PDCA cӫa lұp trình Kaizen ta nhұn thҩy mô hình hӝi tө ӣ giá trӏ RMSEbest = 5.33 Và không tiӃp tөc giҧm ӣ KѫQ thӃ hӋ tiӃp theo Nên xem kӃt quҧ Qj\ÿmÿiSӭQJÿLӅu kiӋn dӯng và giá trӏ RMSEbest hӝi tө
Hình 4.9 Bi͋Xÿ͛ giá tr͓ RMSE t͙t nh̭t qua 100 vòng l̿p
Giá trӏ RMSEbest (cӫa tұp kiӇPÿӏnh) cҧi thiӋn tӯ 7.959 (4 bӝ êWѭӣQJÿӅ xuҩt ban ÿҫu) còn 5.33 ӣ vòng lһp thӭ 54
Hình 4.10 các thông s͙ cͯa mô hình t͙t nh̭t cu͙i cùng
Mô hình cuӕi cùng có dҥng:
Các thông sӕ cӫa mô hình tӕt nhҩt: x RMSE tұp huҩn luyӋn = 5.197 x RMSE tұp kiӇPÿӏnh = 5.33 x R 2 = 0.895 (Cҧi thiӋn tӯ 0.788 ± mô hình xây dӵng bӣi bӝ êWѭӣng ban ÿҫu)9uÿk\OjPӝt mô hình bӏ ҧQKKѭӣng bӣi nhiӅu mӕi quan hӋ phӭc tҥp nên giá trӏ R 2 gҫn 0.9 là khá tӕt rҩt khó có thӇ dӵ ÿRiQ5 2 >0.95 vì giá trӏ FѭӡQJÿӝ nén bê tông còn có thӇ bӏ ҧQKKѭӣng bӣi nhiӅu yӃu tӕ NKiFKѫQPj chỳng cú thӇ WKD\ÿәi liờn tөFQKѭQKLӋWÿӝÿӝ ҭm, ỏp suҩWô
Quҫn thӇ chӭa bӝ 10 êWѭӣng tӕt nhҩt sau 100 vòng lһp PDCA theo lұp trình Kaizen bao gӗm:
Hình 4.11 bi͋u di͍n giá tr͓ F˱ͥQJÿ͡ bê tông trong thí nghi m và giá tr͓ tính toán b̹ng mô hình ˱ͣFO˱ͫng
Bҧng so sánh kӃt quҧ RMSE và R 2 cӫDP{KuQKÿѭӧc xây dӵng bҵng lұp trình Kaizen vӟLSKѭѫQJSKiSKӗi quy tuyӃn tính và mô hình cây ra quyӃWÿӏnh (Decision tree) Theo bҧng 4.5
%̫QJ So sánh k͇t qu̫ P{KuQKÿ˱ͫc xây dng tͳ l̵p trình Kaizen vͣi
.KLVRViQKP{KuQKÿѭӧc tҥo bӣLSKѭѫQJSKiSFә ÿLӇn Lұp trình Kaizen cho kӃt quҧ NKDTXDQKѫQQKLӅu khi giá trӏ RMSE và R 2 luôn cao nhҩt
^ҺŵҧƵ ӇӁŶŐĜҾďġƚƀŶŐƚŚӌĐƚұǀăĚӌ漏 ƚŚӌĐƚұ Ěӌ漏
So sánh kӃt quҧ và áp dөng mô hình tӕt nhҩt (Act)
0{KuQKPӟLVDXNKLÿѭӧF[k\GӵQJYjWtQK506(WKHRWұSNLӇPÿӏQKÿӇNLӇPWUa JLiWUӏ506(1ӃX506(test FӫDP{KuQKPӟLEpKѫQ506(WӕWQKҩWKLӋQWҥL506(best) thì cұSQKұW506(best =RMSEtest YjFұSQKұWEӝKjPêWѭӣQJWLrXFKXҭQPӟL F OjEӝKjPêWѭӣQJGQJÿӇ[k\GӵQJP{KuQKPӟL&zQQӃX.ӃWTXҧ506(test > RMSEbest KLӋQWҥLWKuNK{QJFKҩSQKұQEӝêWѭӣQJPӟLJLӳQJX\rQEӝêWѭӣQJWLrXFKXҭQFNJJLӳQJX\rQWұS)FNJYjEҳWÿҫXPӝWYzQJOһSPӟL
6RViQKJLiWUӏ506(WұSNLӇPÿӏQK YӯDPӟLWtQKWRiQWӯEѭӟF³FKHFN´YӟL506( WұSNLӇPÿӏQKGRP{KuQKWӯêWѭӣQJQKyP.DL]HQÿӅ[XҩWKLrQÿDQJÿѭӧFJiQOjJLiWUӏ 506(WӕWQKҩW
RMSEtest = 7.253 < RMSEbest =7.959 Thì ta cұp nhұt giá trӏ RMSEbest = 7.253 KӃt thúc vòng lһSÿҫu tiên Ĉӗng thӡi cұp nhұt và áp dөng bӝ êWѭӣng tӕt nhҩt ӣ Eѭӟc check thành bӝ tiêu chuҭn tӕt nhҩt kӃt thúc vòng lұSÿҫu tiên và thành lұp ma trұn tiêu chuҭn mӟi cho vòng lұp tiӃp theo Bӝ êWѭӣng tiêu chuҭn tӕt nhҩt:
Cұp nhұWP{KuQKWtQKWRiQFѭӡQJÿӝ bê tông tӕt nhҩt là:
KӃt quҧ mô hình cuӕi cùng sau 100 vòng lһp PDCA theo lұp trình Kaizen
Sau quá trình khӣi chҥy 100 vòng lһp PDCA cӫa lұp trình Kaizen ta nhұn thҩy mô hình hӝi tө ӣ giá trӏ RMSEbest = 5.33 Và không tiӃp tөc giҧm ӣ KѫQ thӃ hӋ tiӃp theo Nên xem kӃt quҧ Qj\ÿmÿiSӭQJÿLӅu kiӋn dӯng và giá trӏ RMSEbest hӝi tө
Hình 4.9 Bi͋Xÿ͛ giá tr͓ RMSE t͙t nh̭t qua 100 vòng l̿p
Giá trӏ RMSEbest (cӫa tұp kiӇPÿӏnh) cҧi thiӋn tӯ 7.959 (4 bӝ êWѭӣQJÿӅ xuҩt ban ÿҫu) còn 5.33 ӣ vòng lһp thӭ 54
Hình 4.10 các thông s͙ cͯa mô hình t͙t nh̭t cu͙i cùng
Mô hình cuӕi cùng có dҥng:
Các thông sӕ cӫa mô hình tӕt nhҩt: x RMSE tұp huҩn luyӋn = 5.197 x RMSE tұp kiӇPÿӏnh = 5.33 x R 2 = 0.895 (Cҧi thiӋn tӯ 0.788 ± mô hình xây dӵng bӣi bӝ êWѭӣng ban ÿҫu)9uÿk\OjPӝt mô hình bӏ ҧQKKѭӣng bӣi nhiӅu mӕi quan hӋ phӭc tҥp nên giá trӏ R 2 gҫn 0.9 là khá tӕt rҩt khó có thӇ dӵ ÿRiQ5 2 >0.95 vì giá trӏ FѭӡQJÿӝ nén bê tông còn có thӇ bӏ ҧQKKѭӣng bӣi nhiӅu yӃu tӕ NKiFKѫQPj chỳng cú thӇ WKD\ÿәi liờn tөFQKѭQKLӋWÿӝÿӝ ҭm, ỏp suҩWô
Quҫn thӇ chӭa bӝ 10 êWѭӣng tӕt nhҩt sau 100 vòng lһp PDCA theo lұp trình Kaizen bao gӗm:
Hình 4.11 bi͋u di͍n giá tr͓ F˱ͥQJÿ͡ bê tông trong thí nghi m và giá tr͓ tính toán b̹ng mô hình ˱ͣFO˱ͫng
Bҧng so sánh kӃt quҧ RMSE và R 2 cӫDP{KuQKÿѭӧc xây dӵng bҵng lұp trình Kaizen vӟLSKѭѫQJSKiSKӗi quy tuyӃn tính và mô hình cây ra quyӃWÿӏnh (Decision tree) Theo bҧng 4.5
%̫QJ So sánh k͇t qu̫ P{KuQKÿ˱ͫc xây dng tͳ l̵p trình Kaizen vͣi
.KLVRViQKP{KuQKÿѭӧc tҥo bӣLSKѭѫQJSKiSFә ÿLӇn Lұp trình Kaizen cho kӃt quҧ NKDTXDQKѫQQKLӅu khi giá trӏ RMSE và R 2 luôn cao nhҩt
^ҺŵҧƵ ӇӁŶŐĜҾďġƚƀŶŐƚŚӌĐƚұǀăĚӌ漏 ƚŚӌĐƚұ Ěӌ漏
&+ѬѪ1*.ӂT LUҰN VÀ KIӂN NGHӎ.
KӃt quҧ
LuұQYăQÿmWKӵc hiӋQÿѭӧFTXiWUuQKSKkQWtFKYjÿiQKJLiWKӵc trҥng cӫa phân [ѭӣng sҧn xuҩt cӑc ӕng và bê tông
KӃt quҧ luұQYăQÿm[k\Gӵng mô hình bҵQJSKѭѫQJSKiS lұp trình Kaizen thành công, JL~SJLDWăQJÿӝ chính xác khi so sánh vӟi bӝ các hàm tiêu chuҭn do nhóm Kaizen ÿӅ xuҩWFiFKjPêWѭӣng này là nhӳng phҫn trong công thӭFWtQKWRiQFѭӡQJÿӝ nén bê tông hiӋn tҥi) Mô hình cuӕi cùng cho kӃt quҧ RMSEbest =5.33 cҧi thiӋn tӯ 7.959 khi so vӟi giá trӏ EDQÿҫu Và giá trӏ R 2 =0.895 (cҧi thiӋn tӯ 0.788)
TiӃp theo mô hình sӁ ÿѭӧFÿӅ xuҩt thӱ nghiӋm mӝt sӕ thí nghiӋm nhӓ ÿӇ tính toán khҧ QăQJNLӇm soát hao hөt trong nguyên vұt liӋu HiӋn tҥLFKѭDÿѭӧc thӱ nghiӋm áp dөng mô hình vào thӵc tӃ
Nhӳng ÿyQJJySFӫa mô hình
- TҥRUDÿѭӧc mӝt mô hình tính toán vӟi viӋc cho thҩ\FiFKjPêWѭӣng mӝt cách Wѭӡng minh giúp nhóm Kaizen cҧi thiӋn hiӇu biӃt vӅ mӕLWѭѫQJTXDQJLӳa các yӃu tӕ ҧnh KѭӣQJYjFѭӡQJÿӝ bê tông mһc dù công thӭc còn khá phӭc tҥp
- Tҥo tiӅQÿӅ ÿӇ xây dӵng nhӳQJP{KuQKWѭѫQJWӵ trong viӋc kiӇm soát vӅ chi phí Yjÿӝ sөt lún cӫa bê tông Tӯ ÿyVӁ QkQJFDRÿѭӧc chҩWOѭӧng cӫa sҧn phҭm
- HiӋn tҥLF{QJWiFWtQKWRiQFѭӡQJÿӝ QpQErW{QJWURQJSKkQ[ѭӣQJWKѭӡQJÿѭӧc ÿLӅu chӍnh bҵQJFiFKWăQJtuyӃn tính các yӃu tӕ ҧQKKѭӣQJWKHRFѭӡQJÿӝ nén Khi so sánh SKѭѫQJSKiSKӗi quy tuyӃn tính cә ÿLӇQÿӝ chính xác không cao Mô hình cho thҩy là sҿ tӕWKѫQSKѭѫQJSKiSKӗLTX\WK{QJWKѭӡQJNKLÿѭDYjRVӱ dөng
Nhӳng mong muӕQWѭѫQJODLFӫa mô hình
- Các vҩQÿӅ vӅ lұp trình còn hҥn chӃ nên khó mӣ rӝng thêm bài toán
- &KѭDFyVӕ liӋu áp dөng thӵc tӃ mô hình vào các thí nghiӋm thӵc tӃ mà chӍ kiӇm ÿӏnh trên các sӕ liӋXFNJ&KѭDÿROѭӡQJÿѭӧc mӭFÿӝ tiӃt kiӋm lãng phí hao hөt nguyên vұt liӋu.
KiӃn nghӏ
- Hoàn thiӋn phҫn lұp trình tӕWKѫQÿӇ có thӇ dӉ dàng mӣ rӝng bài toán sang các hàm mөFWLrXNKiFQKѭÿӝ sөt lún và hàm chi phí
- Thӱ nghiӋPSKѭѫQJSKiS.DL]HQSURJUDPPLQJNӃt hӧp vӟi giҧi thuұt tôi luyӋn (Simulated annealing)
- Thêm các yӃu tӕ ҧQKKѭӣng khác phӭc tҥSKѫQQKѭQKLӋWÿӝ hoһFOjÿӝ ҧm, áp suҩt (Loҥi bӓ giҧ ÿӏQKEDQÿҫu)
[1] N Ĉ3KDQĈ N Sӵ Qu̫n Tr͓ Ch̭W/˱ͫng Hà Nӝi: Nhà xuҩt bҧQĈҥi Hӑc Kinh
[2] C R Gagg "$nalysis, Fement and concrete as an engineering material: An historic appraisal and case study," Engineering Failure Analysis, vol III, no 11, pp 68-72,
[3] M Imai "A Commonsense Approach to a Continuous Improvement Strategy," in
Gemba Kaizen, McGraw-Hill Education, 2012, pp 252-268
[4] V V d Melo "Kaizen programming," in Proceedings of the 2014 Conference on
*HQHWLFDQG(YROXWLRQDU\&RPSXWDWLRQVHU*(&&2ả, New York, NY, USA:
[5] F A Fortin, F M De Rainville, M.A Gardner, M Parizeau and C Gagné "DEAP: Evolutionary algorithms made easy," Journal of Machine Learning Research, vol
[6] L H Tsai, Y Huang "Predicting high-strength concrete parameters using weighted genetic programming," Engineering with Computers, vol 27, p 347±355, 2011 [7] I C Yeh, L C Lien "Knowledge discovery of concrete material using Genetic Operation Trees," Expert Systems with Applications, vol 36, p 5807±5812, 2009 [8] L Davis Handbook of genetic algorithms, Newyork: Van Nostrand Reinhold,
[9] N L Oanh, P T Thuong "Nghiên Cӭu Lұp Trình Di TruyӅn ӘQĈӏnh Trҥng Thái Cho Lӟp Các Bài Toán Hӗi Quy Ký HiӋu " Khoa H͕c & Công Ngh , vol 135, no
[10] B Vinícius, V.D Melo and Wolfgang "Kaizen Programming for Feature
Construction for Classification," Genetic and Evolutionary Computation, vol XIII, no Genetic Programming Theory and Practice , 2016
[11] N L Oanh, P T Thuong "Nghiên Cӭu Lұp Trình Di TruyӅn ӘQĈӏnh Trҥng Thái Cho Lӟp Các Bài Toán Hӗi Quy Ký HiӋu," T̩p Chí Khoa H͕c & Công Ngh , vol
[12] M Keijzer "Improving Symbolic Regression with Interval Arithmetic and Linear Scaling," EuroGP , no LNCS 2610, pp 70-82, 2003
[13] I C Yeh "Modeling Of Strength Of High-Performance Concrete Using Artificial Neural Networks," Cement and Concrete Research, vol 28, no 12, pp 1797-1808,
[14] I C Yeh "Analysis of strength of concrete using design of experiments and neural networks," ASCE, Journal of Materials in Civil Engineering, vol 18, no 4, pp 597-604, 2006
[15] Lin, H C Tsai Y Huang "Predicting high-strength concrete parameters using weighted genetic programming," Engineering with Computers , vol 27, pp 347-
[16] L Wang, T S Chen "Modeling strength of high-performance concrete using an improved grammatical evolution combined with macrogenetic algorithm," Journal of Computing in Civil Engineering, vol 24, no 3, pp 281-288, 2009
/êGRWKD\ÿәLKѭӟng thӵc hiӋn luұQYăQ
%DQÿҫu luұQYăQÿѭӧc thӵc hiӋQWKHRKѭӟng áp dөQJ.DL]HQÿӇ cҧi tiӃn quy trình sҧn xuҩt trong toàn bӝ nhà máy cӑc tҥi công ty cә phҫQĈӗng tâm, thành lұp nhóm Kaizen, phân tích các nguyên nhân gӕc rӉ gây ra nhӳng lӛi lӟn hay xҧy ra trong nhà máy Tӯ ÿyÿӅ xuҩt các cҧi tiӃn nhӓ nhҵm giҧm thiӇu sӕ Oѭӧng lӛi và các hao hөt trong nhà máy Các cҧi tiӃQÿѭӧFÿӅ xuҩt là nhӳng cҧi tiӃn nhӓ và mang tính liên tөc
7X\QKLrQÿӧt bùng phát dӏch Covid vӯa rӗi quá lӟn gây nhiӅu ҧQKKѭӣQJÿӃn công ty, vӕQGƭWUѭӟc khi bùng phát dӏFKF{QJW\ÿDQJWKLӃu nhân lӵc vì nhà máy hoҥWÿӝng 24/24 ÿӇ giao hàng cho dӵ án cҧng quӕc tӃ Long An Nên mӝt nhân sӵ có thӇ làm nhiӅu vӏ trí ví dө QKѭEҧn thân em làm nhân viên kӃ hoҥFKQKѭQJKӛ trӧ phòng sҧn xuҩt thêm vӏ trí thӕng kê sҧn xuҩt Trong lúc bùng phát dӏch do viӋFNKyNKăQFӫa công tác ba tҥi chә FNJQJQKѭ có nhiӅu nhân viên, công nhân bӏ F0 và mӝt sӕ nhân viên nghӍ viӋc vì không thӇ làm ba tҥi chә TXiOkXFNJQJQKѭORVӧ QJX\FѫQKLӉm bӋnh vì nhà máy có F0 Trong khi không thӇ tuyӇn mӟLÿѭӧc nhân sӵ, nên viӋc thiӃu hөt nhân sӵ trҫm trӑng là mӝt vҩQÿӅ lӟQÿӇ thӵc hiӋQÿӅ tài luұQYăQWKHRKѭӟng cҧi tiӃQFiFF{QJÿRҥn nhӓ trong nhà máy ViӋFÿLOҥi giӳa
Hӗ &Kt0LQKYj/RQJ$QJLDLÿRҥQWKiQJFNJQJNKyNKăQEҧn thân em là nhân viên kӃ hoҥFKQrQÿѭӧc phép làm viӋc tҥi nhà nên không thӇ xuӕng nhà máy trong giai ÿRҥQÿyÿӇ thӵc hiӋn các cҧi tiӃn trӵc tiӃp
1rQHPÿmWKD\ÿәLWKHRKѭӟng xây dӵng mô hình tính toán dӵ EiRFѭӡQJÿӝ nén cӫa bê tông (mӝt nguyên liӋu chính trong nhà máy cӑF WKHR SKѭѫQJ SKiS DL]HQ programming Em kính mong hӝLÿӗng xem xét và chҩp thuұn sӵ WKD\ÿәi này cӫa em Mӝt sӕ lý thuyӃt và sӕ liӋu thu thұp trong quá trình thӵc hiӋn cҧi tiӃQ.DL]HQFNJQJKӛ trӧ và sӱ dөQJÿѭӧc trong quá trình xây dӵng mô hình tính toán dӵ EiRFѭӡQJÿӝ nén bê tông Ngoài ra trong thӡLÿLӇm tháng 5 6 áp dөng Kaizen mӝt sӕ cҧi tiӃn ÿmÿѭӧc thӵc hiӋn tҥLQKjPi\ÿmÿѭӧc thӵc hiӋQQKѭQJVӕ OѭӧQJNKitWNK{QJÿӫ khӕLOѭӧQJÿӇ hoàn thành luұQYăQWKҥFVƭQKѭVDX Ӭng dөng sҩy cӑc ӕng bҵng bҥt trong hҫm sҩy
Hình ̫QKWU˱ͣc và sau khi s͵ dͭng b̩Wÿ͋ bao phͯ c͕c trong h̯m s̭y
7Uѭӟc cҧi tiӃn: Khoҧng trӕng trong hҫm nhiӅu
6DXÿӅ phӫ bҥt: tұn dөng tӕLÿDNK{QJJLDQJLҧm không gian trӕng
KӃt quҧ: x TiӃt kiӋm tӯ 20-30% tiêu hao dҫu FO so vӟLEDQÿҫu do không gian trӕng gây ra trong hҫm xong x ChҩWOѭӧng sҧn phҭPÿѭӧc cҧi thiӋn vì nhiӋWÿӝ xông tiӃp xúc cӑFÿӅXKѫQӣ mӑi vӏ trí giҧPÿѭӧc lӛi lӝt da bӅ mһt ĈӅ xuҩWWKD\ÿәi bu lông chӳ T sang bu lông tai vòng ÿӇ xiӃt khuôn cӑc
Trѭӟc cҧi tiӃn: sӱ dөng bu lông chӱ T Sau cҧi tiӃn: Sӱ dөng bu lông tai vòng KӃt quҧ: x KX{Qÿѭӧc xiӃt chһWYjNtQKѫQKҥn chӃ lӛi xì mép khuôn khi quay cӑc x Giҧm khuyӃt tұt sҧn phҭPWăQJFKҩWOѭӧng cӑc x Thӡi gian tháo khuôn và vӋ VLQKNKX{QQKDQKKѫQTuәi thӑ cӫa bu lông tai YzQJFNJQJFDRKѫQEXO{QJFKӳ T (bu lông con tán là mӝt vұWWѭWLrXKDRQKLӅu chi phí ӣ công ty)
Bҧng 1030 bӝ thông sӕ các yӃu tӕ ҧQKKѭӣng và giá trӏ FѭӡQJÿӝ nén bê tông
'RILOHFyFKѭDGzQJQrQGӳ liӋu sӁ ÿѭӧc upload theo link sau: https://docs.google.com/spreadsheets/d/1uUKYjMTN5aDXEn9pYNgfDCp1jf_e4jAH/ed it?usp=sharing&ouid3013306908855603999&rtpof=true&sd=true
Mӝt sӕ ÿRҥn code quan trӑng trong quá trình xây dӵng mô hình bҵng lұp trình Kaizen NҥSYjÿӑc dӳ liӋu: from google.colab import drive drive.mount('/content/drive') import pandas as pd import numpy as np
# Make numpy values easier to read np.set_printoptions(precision=3, suppress=True) dataset = pd.read_csv("/content/drive/MyDrive/Luұn văn /Concrete_Data.csv") dataset dataset_features = dataset.copy() dataset_features = np.array(dataset_features) dataset_features dataset.describe()# 0{WҧGӳOLӋX dataset.info()
# Check for null or missing values dataset.isnull().sum() skewdf = pd.DataFrame(dataset.skew(axis = 0, skipna = True), columns = ['Skew']) skewdf.sort_values(by=['Skew'])
# Histograms that show distribution of each variable import seaborn as sns import matplotlib.pyplot as plt for i in dataset.columns: sns.distplot(dataset[i]) plt.show() plt.figure(figsize=(10,8)) sns.heatmap(dataset.corr(), annot=True, linewidths=.5, center=0, cbarse, cmap="YlGnBu") plt.show()
-&KLDGӳOLӋX - from sklearn.model_selection import train_test_split, GridSearchCV, RandomizedSearch
CV, cross_val_score, KFold
X = dataset.drop('Concrete compressive strength(MPa, megapascals) ', axis=1) # 7 FӝW giá WUӏ y = dataset[['Concrete compressive strength(MPa, megapascals) ']] # 1 FӝW Concrete com pressive strength
# Chia WұS Gӳ OLӋX thành 70% ÿӇ KXҩQ OX\ӋQ và 30% ÿӇ WKӱ QJKLӋP
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)
# Shape ÿӇ in Vӕ dòng và Vӕ FӝW FӫD WұS Gӳ OLӋX
# Create simple linear regression model from sklearn.linear_model import LinearRegression, LogisticRegression, Ridge, Lasso -;k\GӵQJP{KuQKEҵQJKӗLTX\WX\ӃQWtQKYjFk\TX\ӃWÿӏQK - linear = LinearRegression() results = cross_val_score(linear, X_train, y_train, cv=kfold) print(results) print("%.3f%% (%.3f%%)" % (results.mean()*100, results.std()*100))
# Create DataFrame to store k-fold cross-validation accuracy scores base_resultsDf = pd.DataFrame({'Method':['Linear Regression'], 'Baseline CV Accuracy': "%.3f%% (%.3f%%)" % (results.mean()*100, results.std()*100)}) base_resultsDf = base_resultsDf[['Method', 'Baseline CV Accuracy']]
# Create simple decision tree model from sklearn.tree import DecisionTreeRegressor dtree = DecisionTreeRegressor(random_state = 1) results = cross_val_score(dtree, X_train, y_train, cv=kfold)
# Add k-fold cross validation accuracy scores to results DataFrame tempResultsDf = pd.DataFrame({'Method':['Decision Tree'], 'Baseline CV Accuracy': "% 3f%% (%.3f%%)" % (results.mean()*100, results.std()*100)}) base_resultsDf = pd.concat([base_resultsDf, tempResultsDf]) base_resultsDf = base_resultsDf[['Method', 'Baseline CV Accuracy']] print(results) print("%.3f%% (%.3f%%)" % (results.mean()*100, results.std()*100))
-;k\GӵQJP{KuQKÿӅ[XҩWGӵDWUrQ.DL]HQ Programming trong DEAP -
!pip install git+https://github.com/DEAP/deap@master
# import lib from deap import random import operator import itertools import math import sys import os from deap import base, creator, tools, algorithms, gp
# Plan def Plan(population,toolbox, cxpb, mutpb): from deap.algorithms import varAnd set = toolbox.select(population, len(population)) offspring = varAnd(set, toolbox, cxpb, mutpb) return offspring
# Do def Do(population, offspring):
7ҥR TXҫQ WKӇ Pӣ UӝQJ pop=population.copy() pop.extend(offspring) return pop
# Check def Check(population,toolbox, y, ps, alfa, theta, y_max):
# Xây GӵQJ mô hình GӵD trên ExandedPop, và tính ÿӝ quan WUӑQJ FӫD WӯQJ cá WKӇ
# AdjR2: R2 ÿѭӧF ÿLӅX FKӍQK cho WӯQJ ELӃQ ÿҫX ra
# population: 4XҫQ WKӇ (Danh sách các cá WKӇ
# RMSE: Root Mean Squared Error
# F: ĈiQK giá WӯQJ ÿLӇP cho WӯQJ individual
# I: 7ӯQJ FKӍ PөF FӫD các WKXұW QJӳ Vӱ GөQJ p-values n= y.shape[0] # len(y) number of points m= y.shape[1] # number of outlets r= len(population) # kích WKѭӟF TXҫQ WKӇ
# ĈiQK giá WӯQJ cá WKӇ WҥL PӛL datapoint
# /RҥL Eӓ cá WKӇ QӃX NӃW TXҧ là 0,null, UӛQJ values= np.empty((0,n)) i=0 while i0:
# &KӑQ individuals quan WUӑQJ QKҩW ÿӇ QҥS vào ReducedPop aux_pop = toolbox.population(0)
B_aux= np.empty((0,m)) p_value_aux= np.empty((0,m))
I= np.empty((0,m), dtype=int) for pos in range(r): pV=p_value[pos,:]theta if np.all(np.isfinite(p_value[pos,:])) and np.any( pV * B_ ): aux_pop.append(population[pos])
F_aux= np.append(F_aux, F[:,pos].reshape(-1,1), axis=1)
B_aux= np.append(B_aux, B[pos,:].reshape(1,-1), axis=0) p_value_aux= np.append(p_value_aux, p_value[pos,:].reshape(1,-1), axis=0) I=np.append(I, (pV*B_).reshape(1,-1) ,axis=0) population=aux_pop
B=B_aux p_value= p_value_aux r= len(population) # &ұS QKұW kích WKѭӟF TXҫQ WKӇ
# 1ӃX kích WѭӟF FӫD TXҭQ WKӇ OӟQ KѫQ ps, QKӳQJ individual ít quan WUӑQJ KѫQ VӁ ÿѭӧF ORҥL
Eӓ ÿӇ phù KӧS YӟL kích WKѭӟF FӫD TXҭQ WKӇ thành ps
# 6ҳS [ӃS p-values FӫD WӯQJ invidual cho PӛL outlet model if r>ps:
Indices=np.empty((r,0), dtype=int) for col in range(m): aux=np.arange(r).reshape(-1,1) pop_sorted= sorted(zip(p_value[:,col], aux)) p_value[:,col], ind_ord = zip(*pop_sorted)
Indices= np.append(Indices, ind_ord, axis=1)
Ordenado= np.empty(0, dtype = int) for filas in range(p_value.shape[0]): for val in Indices[filas,:]: if val not in Ordenado:
Ordenado= np.append(Ordenado,val) pop_aux= population.copy() for pos, val in enumerate(Ordenado): population[pos]= pop_aux[val]
B_aux = B for pos, val in enumerate(Ordenado):
F_aux=np.zeros((F.shape[0],ps))
I_aux=np.zeros((ps, I.shape[1])) for k in range(ps):
I=I_aux for k in range(ps,len(population)): population.remove(population[ps]) r= len(population) # &ұS QKұW kích WKѭӟF TXҫQ WKӇ if r>ps: print(4XҫQ WKӇ FXӕL cùng: ', r)
ValueError else: # TKhông có individual nào r=0
I=None return B, AdjR2, population, RMSE, RMSE_Norm, F, I
# Check def Act(CurrentPop, CurrentQual, CurrentBeta, CurrentF, CurrentI, max_rest, n_rest , po pulation, AdjR2, beta_est,F,I, restart,Fit):
# Update restart state if Fit == 'min':
AdjR2_aux=np.min(AdjR2)
CurrentQual_aux= np.min(CurrentQual) elif Fit == 'mean':
AdjR2_aux=np.mean(AdjR2)
CurrentQual_aux= np.mean(CurrentQual) if AdjR2_aux> CurrentQual_aux:
CurrentI=I else: n_rest=n_rest+1 if n_rest > max_rest or AdjR2