Đồ án tốt nghiệp Kỹ thuật công nghiệp: Nghiên cứu giải pháp cải tiến quy trình kiểm tra chất lượng sản phẩm sử dụng công cụ năng suất chất lượng kết hợp học máy trong nhận diện lỗi tự Động

Hồ Chí Minh, tháng 7/2024 NGHIÊN CỨU GIẢI PHÁP CẢI TIẾN QUY TRÌNH KIỂM TRA CHẤT LƯỢNG SẢN PHẨM SỬ DỤNG CÔNG CỤ NĂNG SUẤT CHẤT LƯỢNG KẾT HỢP HỌC MÁY TRONG NHẬN DIỆN LỖI TỰ ĐỘNG... 1 TRƯỜN

TỔNG QUAN

Giới thiệu

Thời đại công nghiệp 4.0 đánh dấu sự chuyển mình sang kỷ nguyên số, trong đó dữ liệu lớn (big data) giúp doanh nghiệp đánh giá quy trình sản xuất, phát hiện sai sót kịp thời và triển khai biện pháp khắc phục nhanh chóng Sự tự động hóa và máy móc hiện đại hỗ trợ sản xuất hàng loạt đồng bộ theo tiêu chuẩn, nâng cao năng lực sản xuất vượt qua giới hạn của con người Do đó, các doanh nghiệp đang chủ động áp dụng các phương pháp quản lý sản xuất hiện đại và trí tuệ nhân tạo (AI) vào chuỗi sản xuất, nhằm tối ưu hóa sức lao động và giảm thiểu lãng phí trong tương lai.

Trong ngành sản xuất cơ khí, đặc biệt là cơ khí chính xác, kiểm tra chất lượng sản phẩm là yếu tố thiết yếu để đảm bảo sản phẩm đáp ứng yêu cầu của khách hàng và duy trì tính cạnh tranh về giá cả Quy trình kiểm tra chất lượng cần rõ ràng và dễ thực hiện, nhưng nhiều doanh nghiệp vừa và nhỏ tại Việt Nam, như công ty Thịnh Phát, thường phụ thuộc vào kinh nghiệm cá nhân thay vì tuân theo tiêu chuẩn, dẫn đến rủi ro sản phẩm lỗi và tăng chi phí sản xuất Đề tài "Nghiên cứu giải pháp cải tiến quy trình kiểm tra chất lượng sản phẩm sử dụng công cụ năng suất chất lượng kết hợp học máy trong nhận diện lỗi tự động" áp dụng chu trình DMAIC nhằm nhận diện và kiểm soát lỗi, từ đó cải thiện hiệu quả quy trình kiểm tra chất lượng Nghiên cứu cũng ứng dụng kỹ thuật học máy, cụ thể là mạng nơ-ron tích chập (CNN), để phát triển phần mềm nhận diện lỗi tự động cho sản phẩm của công ty Thịnh Phát, góp phần nâng cao chất lượng sản phẩm và khả năng đáp ứng yêu cầu khách hàng.

Hai nghiên cứu đã phát triển một phần mềm tự động có khả năng phát hiện và phân loại lỗi một cách nhanh chóng và chính xác, đồng thời sở hữu giao diện thân thiện, dễ sử dụng.

Các công trình liên quan đến đề tài nghiên cứu

Giảm các lỗi đường sơn trong bộ giảm xóc thông qua các giai đoạn DMAIC của 6- Sigma [1]

Nghiên cứu này tập trung vào việc giảm thiểu và loại bỏ lỗi trong quá trình phun sơn cho các bộ phận giảm xóc, đặc biệt là hiện tượng bong tróc và phồng rộp, thông qua việc áp dụng phương pháp 6-Sigma (DMAIC) Kết quả đạt được cho thấy mức Sigma đã tăng từ 3.31 lên 4.5, tối ưu hóa quy trình loại bỏ lỗi bong tróc và phồng rộp trong sơn bộ giảm xóc.

Giảm thiểu những chỉnh sửa trong công nghiệp sản xuất dây cua roa nhờ ứng dụng DMAIC [2]

Bài báo tập trung vào việc cải tiến chất lượng dây cua toa REC trong ngành công nghiệp thông qua chu trình cải tiến 5 bước: Xác định, Đo lường, Phân tích, Cải tiến và Kiểm soát Nhờ áp dụng phương pháp DMAIC cho vải Thô, doanh nghiệp đã đạt được đột phá trong việc giảm thiểu sản phẩm làm lại, với mức Sigma tăng từ 2.7 lên 3.2 Việc ứng dụng Lean và 6-Sigma đã góp phần nâng cao năng suất và chất lượng sản phẩm.

Công ty Gỗ Tân Thành đã áp dụng phương pháp DMAIC trong đồ án tốt nghiệp của anh Hoàng Khang và Nhật Huy Khóa 18 để cải thiện chất lượng sản phẩm Ghế DAYNA Quy trình 5 bước bao gồm Xác định, Đo lường, Phân tích, Cải tiến và Kiểm soát đã giúp giảm tỉ lệ lỗi đáng kể: lỗi móp giảm 38,89%, lỗi sai màu giảm 40,63% và độ hở giảm 43,33% Mức Sigma tăng từ 2,75 lên 3,0, tiết kiệm hơn 130 triệu đồng/năm cho chi phí chất lượng kém Việc ứng dụng Lean và 6-Sigma đã nâng cao năng suất và chất lượng sản phẩm tại công ty.

Công ty Điện Quang [4] Đồ án tốt nghiệp của anh Nguyễn Thành Đông và Trần Hữu Trọng khóa 17 ngành

Kỹ Thuật Công Nghiệp đã áp dụng phương pháp DMAIC để giảm tỷ lệ lỗi cho sản phẩm đèn LED BU-50W tại công ty Điện Quang Quy trình cải tiến gồm 5 bước: Xác định, Đo lường, Phân tích, Cải tiến và Kiểm soát Nhờ vào những cải tiến này, tỷ lệ lỗi đã giảm đáng kể: lỗi móp đầu đèn giảm 26,18%, lỗi đầu đèn lắp sai giảm 16,38% và lỗi đèn không sáng giảm 11,61% Mức Sigma đã tăng từ 3,5 lên 6,63, đồng thời công ty tiết kiệm được 182.000.000 VNĐ.

Phân loại các lỗi trong kết cấu gỗ bằng cách sử dụng các mô hình mạng lưới thần kinh tích chập được huấn luyện trước [5]

Nghiên cứu này so sánh và dự đoán lỗi trong cấu trúc gỗ bằng mô hình CNN, với mười mô hình được huấn luyện trên 9000 hình ảnh gỗ, chia thành ba lớp: nứt, mắt gỗ và nguyên vẹn Một tập dữ liệu nhỏ hơn gồm 300 hình ảnh được sử dụng cho kiểm tra Các mô hình CNN đã phân loại chính xác hình ảnh theo từng loại lỗi, giúp nhà sản xuất loại bỏ gỗ lỗi và giảm thiểu chi phí sản xuất Việc sử dụng mô hình CNN không chỉ rút ngắn thời gian kiểm tra mà còn tăng hiệu suất sản xuất gỗ, mở ra cơ hội cho nghiên cứu chi tiết về các đặc điểm của các loại khuyết điểm gỗ.

Nghiên cứu ứng dụng mạng neural network cho hệ thống kiểm tra linh kiện điện tử thời gian thực [6]

Bài báo giới thiệu công nghệ xử lý hình ảnh trong phân tích và kiểm tra linh kiện điện tử trên mạch in PCB theo thời gian thực Tác giả sử dụng mô hình mạng thần kinh tích chập (CNN) 53 lớp để trích xuất đặc điểm và dự đoán đối tượng trong hình ảnh mới Mô hình này được tích hợp vào trạm phân loại PCB với năng suất 120 sản phẩm mỗi giờ, đạt độ chính xác lên tới 96% qua nhiều môi trường làm việc khác nhau Hệ thống cũng xem xét các yếu tố nhiễu môi trường như chế độ sáng, kích thước hình ảnh và nền để đánh giá hiệu quả.

Phát hiện khuyết tật vải bằng mạng thần kinh tích chập nhúng lớp [7]

Trong bài viết này, tác giả đã phát triển một hệ thống kiểm tra khuyết tật vải trên máy dệt bằng cách kết hợp các kỹ thuật tiền xử lý hình ảnh, xác định họa tiết vải, tạo bản đồ khuyết tật ứng viên và mạng thần kinh tích chập (CNNs) Việc sử dụng mô hình lớp kích hoạt nhúng vào mạng CNN đã nâng cao độ chính xác trong việc phát hiện khuyết tật trên các loại vải có đặc trưng phức tạp và tập dữ liệu không cân đối Kết quả cho thấy độ chính xác trung bình và khả năng nhận diện lại các khuyết tật trong hình ảnh đạt hơn 90% và 80%, trong khi độ chính xác trong việc đếm số lượng khuyết tật từ tập dữ liệu lên tới hơn 98%.

Phương pháp phân loại khuyết tật bề mặt thép sử dụng bộ phân loại mạng nơ-ron tích chập [8]

Bài báo này nghiên cứu phương pháp nhận diện và phân loại khuyết tật bề mặt thép bằng cách áp dụng một phần của mô hình VGG16 Để thực hiện việc phân loại, tác giả sử dụng mạng thần kinh tích chập, nhằm nâng cao độ chính xác trong việc phát hiện các khuyết tật.

Tập dữ liệu được thử nghiệm theo phương pháp của Đại học Đông Bắc (NEU) với sáu loại khuyết tật bề mặt thép, cho thấy độ chính xác phân loại đạt 99.44% Kết quả này vượt trội hơn so với các phương pháp hiện có, mở ra hướng tiếp cận hiệu quả cho việc kiểm tra chất lượng trong ngành sản xuất thép.

Phương pháp giám sát và phát hiện lỗi uốn cong trong quy trình sintering laser chọn lọc sử dụng công nghệ đo nhiệt hồng ngoại kết hợp với mạng nơ-ron tích chập.

Công trình nghiên cứu áp dụng hình ảnh nhiệt hồng ngoại và mạng nơ-ron tích chập để giám sát quy trình Sintering Laser và phát hiện lỗi uốn cong Mô hình CNN đạt độ chính xác phát hiện lỗi uốn cong lên đến 98,54%, cho thấy tiềm năng lớn trong việc tối ưu hóa và mở rộng dữ liệu nhằm cải thiện hiệu suất và ứng dụng thực tế trong quy trình sản xuất.

Mục tiêu và phương pháp nghiên cứu

Áp dụng công cụ Six Sigma trong sản xuất giúp xác định, đo lường và phân tích chất lượng sản phẩm cũng như quy trình sản xuất Qua đó, công cụ này hỗ trợ trong việc phát hiện nguyên nhân gây ra khuyết tật và đề xuất giải pháp cải tiến hiệu quả.

- Cải tiến chất lượng mã hàng 1221-A, giảm số lượng lỗi, giảm thiểu sửa lại mã hàng và nâng cao hiệu quả kiểm tra chất lượng BTP cho công ty

Phát triển ứng dụng nhận diện và phân loại tự động các lỗi bằng mô hình học máy sử dụng mạng thần kinh tích chập (CNN) giúp tự động thu thập dữ liệu trong quá trình kiểm tra Kết quả sẽ được trình bày qua biểu đồ thống kê, thể hiện rõ các lỗi đã xuất hiện.

Nghiên cứu cho thấy việc áp dụng công cụ Six Sigma, học máy, mạng CNN và trí tuệ nhân tạo (AI) có thể cải thiện quy trình kiểm tra chất lượng một cách hiệu quả Các bài báo khoa học và tài liệu liên quan đã chỉ ra rằng việc tích hợp những công nghệ này giúp tối ưu hóa quy trình, giảm thiểu sai sót và nâng cao độ chính xác trong kiểm tra chất lượng sản phẩm Việc tham khảo các công trình nghiên cứu sẽ cung cấp cái nhìn sâu sắc về cách thức ứng dụng các công cụ này trong thực tiễn, từ đó nâng cao hiệu suất và chất lượng sản phẩm.

- Tìm hiểu về mô hình học máy và mạng thần kinh tích chập trong việc nhận diện và xử lý ảnh

Khảo sát và thu thập thông tin về quy trình kiểm tra chất lượng BTP và TP tại công ty giúp xác định các vấn đề tồn tại Thảo luận và phân tích những vấn đề này là cần thiết để cải thiện hiệu quả quy trình sản xuất.

- Thu thập dữ liệu hình ảnh các dạng lỗi sản phẩm

- Nhận diện lỗi và đề xuất các giải pháp áp dụng Six Sigma, DMAIC

- Thực hiện các giải pháp, thu thập kết quả sau khi thực hiện

Sử dụng ngôn ngữ lập trình Python kết hợp với các thư viện như Tkinter và OpenCV, chúng tôi phát triển một phần mềm có khả năng nhận diện lỗi sản phẩm từ hình ảnh có sẵn hoặc thông qua camera Phần mềm này giúp cải thiện quy trình kiểm tra chất lượng sản phẩm, nâng cao hiệu suất làm việc và giảm thiểu sai sót trong sản xuất.

- Phân tích, so sánh kết quả trước và sau khi cải tiến

- Kết luận tính hiệu quả sau khi cải tiến.

Tính cấp thiết của đề tài

Trong bối cảnh cạnh tranh khốc liệt và yêu cầu cao từ khách hàng, việc duy trì và nâng cao chất lượng sản phẩm trở thành yếu tố quyết định sự sống còn của doanh nghiệp Các công cụ năng suất chất lượng, đặc biệt là Six Sigma, giúp giảm thiểu lỗi sản phẩm, kiểm soát sai sót và tiết kiệm chi phí Phần mềm nhận diện lỗi tự động nâng cao độ chính xác trong kiểm tra chất lượng, nhận diện và phân loại lỗi, đồng thời tích hợp phân tích từ dữ liệu lớn Đề tài này không chỉ cải thiện chất lượng sản phẩm mà còn tối ưu hóa quy trình sản xuất, tiết kiệm chi phí và tăng cường khả năng cạnh tranh, giúp doanh nghiệp tồn tại và phát triển.

Phạm vi thực hiện

Nhóm nghiên cứu tập trung vào sản phẩm của công ty TNHH Cơ khí chính xác Thịnh Phát, đặc biệt là các mã hàng 1221-A và 0193-A Nội dung chính bao gồm việc nhận diện và cải tiến lỗi bán thành phẩm theo chu trình DMAIC Đồng thời, nhóm cũng thiết kế và xây dựng phần mềm nhận diện lỗi tự động, áp dụng công nghệ học máy và mạng nơ-ron tích chập (CNN).

Nội dung thực hiện

Đồ án gồm 6 chương với các nội dung tương ứng như sau:

- Chương 2: Cơ sở lý thuyết

- Chương 3: Quy trình kiểm soát chất lượng

- Chương 4: Áp dụng chu trình DMAIC cải tiến chất lượng mã hàng 1221

- Chương 5: Áp dụng học máy trong việc tạo phần mềm nhận diện lỗi tự động

- Chương 6: Kết luận và hướng phát triển

Kế hoạch thực hiện

STT Nội dung Thời gian Người thực hiện

Thực tập tại công ty Cơ khí Chính xác

- Thăm quan và nhận bộ phận làm việc

Trịnh Bá Thịnh Bùi Lê Anh Vũ

2 Đọc tài liệu, các công trình liên quan đến

Trịnh Bá Thịnh Bùi Lê Anh Vũ

Khảo sát hiện trường, thu thập dữ liệu, đánh giá hiện trạng mã hàng 1221 tại doanh nghiệp, lên kế hoạch thực hiện

Trịnh Bá Thịnh Bùi Lê Anh Vũ

4 Hoàn thành kế hoạch và trình bày kế hoạch với Trưởng bộ phận Kỹ Thuật

Tiến hành thực hiện cải tiến Kiểm soát và đánh giá hiệu quả của cải tiến

Trịnh Bá Thịnh Bùi Lê Anh Vũ

6 Nhận đề tài và lập đề cương chi tiết

Trịnh Bá Thịnh Bùi Lê Anh Vũ

7 Tìm hiểu về mô hình máy học, mạng thần kinh nhân tạo CNN

8 Tìm hiểu về ngôn ngữ lập trình Python, thư viện Tkinter, OpenCV,…

Thu thập dữ liệu huấn luyện

Nghiên cứu xây dựng, huấn luyện, đánh giá mô hình

Kết nối mô hình với phần mềm

10 Lập trình xây dựng giao diện, sửa lỗi, hoàn thành sản phẩm

Hoàn thiện thuyết minh, video, poster

Trịnh Bá Thịnh Bùi Lê Anh Vũ

CƠ SỞ LÝ THUYẾT

Công cụ năng suất chất lượng

2.1.1 Giới thiệu về công cụ năng suất chất lượng

Công cụ Năng suất Chất lượng bao gồm các kỹ thuật và quy trình nhằm nâng cao hiệu suất và chất lượng trong sản xuất và dịch vụ Những công cụ này hỗ trợ tổ chức cải thiện năng suất, giảm thiểu lỗi, tối ưu hóa quy trình và nâng cao sự hài lòng của khách hàng, đồng thời tạo ra lợi ích tài chính.

2.1.2 Các công cụ năng suất chất lượng trong công nghiệp

Các công cụ Năng suất Chất lượng bao gồm:

6-Sigma là tiêu chuẩn chất lượng sản xuất nhằm phát hiện và xử lý nguyên nhân sai hỏng ngay từ đầu, tập trung vào sản phẩm cuối cùng để đảm bảo chất lượng đáp ứng mong muốn của khách hàng.

5S là một phương pháp quản lý hiệu suất và chất lượng, giúp tạo ra môi trường làm việc an toàn, vệ sinh và khoa học cho doanh nghiệp Phương pháp này tập trung vào việc loại bỏ lãng phí trong sản xuất và hạn chế các hoạt động không tạo giá trị 5S đại diện cho năm từ tiếng Anh, phản ánh các nguyên tắc cơ bản của hệ thống này.

- Sắp xếp (Set in order)

PDCA (Lập kế hoạch-Thực hiện-Kiểm tra-Hành động) là mô hình quản lý liên tục giúp cải tiến chất lượng và hiệu suất Quy trình này bao gồm bốn bước: lập kế hoạch, thực hiện, kiểm tra và điều chỉnh, nhằm đảm bảo các mục tiêu được thiết lập được thực hiện hiệu quả Việc áp dụng mô hình PDCA giúp tổ chức kiểm định và cải tiến quy trình làm việc một cách liên tục.

Kaizen: Một quan điểm điều hành liên tục, tập trung vào việc cải tiến liên tục từng bước nhỏ để có sự hoàn thiện và hiệu suất tối ưu

Lean Manufacturing là phương pháp tối ưu hóa năng suất và chất lượng sản phẩm trong sản xuất, nhằm loại bỏ lãng phí và tối đa hóa quy trình.

Nhiều công cụ hữu ích giúp doanh nghiệp xác định và giải quyết các vấn đề về chất lượng, từ đó nâng cao năng suất và tối ưu hóa hiệu quả sản xuất, tạo ra lợi thế cạnh tranh trên thị trường.

2.1.3 Ưu điểm của công cụ năng suất chất lượng

Công cụ Năng Suất Chất Lượng mang lại nhiều lợi ích nổi bật cho các công ty trong việc cải thiện quy trình chế tạo và giám sát chất lượng Một số ưu điểm chính bao gồm việc tăng cường hiệu quả sản xuất, giảm thiểu lỗi và nâng cao độ chính xác trong quy trình kiểm tra chất lượng.

Công cụ này giúp tối ưu hóa quy trình sản xuất, nâng cao hiệu suất và cải thiện quy trình quản lý một cách hiệu quả.

- Giảm thiểu lãng phí: Sử dụng công cụ giúp tiêu tốn không cần thiết, qua đó tăng hiệu quả trong việc sử dụng tài nguyên

- Nâng cao chất lượng sản phẩm: Công cụ này kiểm soát kỹ lưỡng các quy trình để cải thiện chất lượng sản phẩm và tiêu chuẩn về chất lượng

Sử dụng công cụ này giúp giảm thiểu rủi ro liên quan đến chất lượng sản phẩm và quy trình, thông qua việc áp dụng các phương pháp và quy trình quản lý chất lượng hiệu quả.

Lý thuyết Six-Sigma

Six Sigma là một phương pháp quản lý chất lượng chủ yếu nhằm thực hiện hiệu quả các kỹ thuật quản lý chất lượng đã được chứng minh, tập trung vào việc hoàn thành công việc mà không gặp lỗi hay khuyết tật.

Six Sigma (6-Sigma hay 6σ) là phương pháp nhằm giảm thiểu lỗi trong quy trình sản xuất, nâng cao chất lượng sản phẩm và dịch vụ, đồng thời cắt giảm lãng phí và chi phí Phương pháp này thường áp dụng chu trình DMAIC (Define, Measure, Analyze, Improve, Control) để xác định vấn đề, đo lường hiện trạng, phân tích nguyên nhân, cải tiến quy trình và kiểm soát chất lượng Mục tiêu của Six Sigma là đạt được chỉ 3,4 lỗi trên mỗi triệu cơ hội, từ đó đảm bảo chất lượng cao và đáng tin cậy.

2.2.2 Mục đích của Six-Sigma

Six Sigma tập trung vào việc giảm thiểu lỗi và biến động trong quy trình sản xuất và dịch vụ, nhằm tối ưu hóa hiệu suất và chất lượng Phương pháp này đảm bảo rằng sản phẩm hoặc dịch vụ đạt tiêu chuẩn chất lượng cao, đồng thời duy trì sự nhất quán với mong đợi của khách hàng Mục tiêu cốt lõi của Six Sigma là nâng cao sự hài lòng của khách hàng.

10 khách hàng và cải thiện hiệu suất tổng thể của tổ chức, cùng với việc tối ưu hóa quá trình sản xuất và giảm thiểu lãng phí

Bảng 2.1: Bảng 6 cấp độ của Six-Sigma

STT Cấp Sigma Số lỗi trên một triệu sản phẩm Phần trăm

2.2.3 Lợi ích của Six – Sigma

Top companies such as Motorola, GE, Honeywell, Citigroup, Starwood Hotels, DuPont, Dow Chemical, American Standard, Kodak, Sony, IBM, and Ford have implemented Six Sigma and reaped significant benefits, including improved efficiency, enhanced quality control, and increased customer satisfaction.

Six Sigma giúp giảm chi phí sản xuất bằng cách giảm tỷ lệ lỗi, từ đó các công ty có thể tránh lãng phí lao động và vật liệu không hiệu quả liên quan đến việc xử lý lỗi Điều này không chỉ làm giảm giá vốn hàng bán trên mỗi đơn vị sản phẩm mà còn tăng lợi ích cho công ty.

Six Sigma giúp giảm chi phí quản lý bằng cách giảm tỷ lệ lỗi và ngăn chặn sự tái diễn trong tương lai, cho phép công ty tập trung vào các hoạt động gia tăng giá trị hơn.

Six Sigma giúp nâng cao sự hài lòng của khách hàng bằng cách giảm tỷ lệ lỗi, cho phép các công ty cung cấp sản phẩm chất lượng tốt nhất Khi chất lượng sản phẩm được cải thiện, khách hàng sẽ cảm thấy hài lòng hơn với những gì họ nhận được, từ đó tạo ra sự trung thành và tăng trưởng bền vững cho doanh nghiệp.

Six Sigma giúp rút ngắn thời gian chu kỳ sản xuất, từ đó tối ưu hóa quy trình và giảm thiểu chi phí nhân công cũng như chi phí sản xuất cho mỗi đơn vị sản phẩm.

- Six-Sigma giúp doanh nghiệp giao hàng đúng hẹn Six-Sigma được áp dụng để đảm bảo đúng thời điểm và giao hàng đúng số lượng,

- Six-Sigma góp phần tạo nên những thay đổi tích cực trong văn hóa công ty Six-

Sigma góp phần thay đổi công ty theo hướng tiếp cận có hệ thống để giải quyết vấn

11 đề và thái độ chủ động cùng văn hóa tổ chức của tinh thần trách nhiệm của nhân viên

2.2.4 Chu trình DMIAC trong Six-Sigma

Six - Sigma được thực hiện cải tiến theo 5 bước: Define (Xác định), Measure (Đo lường), Analyze (Phân tích), Improve (Cải tiến) và Control (Kiểm soát), gọi tắt là DMAIC [11]

Hình 2.1 Năm giai đoạn DMAIC [Nguồn: Ifactory.com.vn]

Giai đoạn 1 - Xác định (Define): Xác định vấn đề, những cơ hội quan trọng cần cải tiến, mục tiêu và phạm vi của dự án [11]

- Nhận biết khách hàng quan trọng và quá trình cốt lõi

- Nhận định được yêu cầu của khách hàng

- Xác định phạm vi dự án cải tiến

Trong giai đoạn này, các công cụ quan trọng bao gồm VOC (Voice of Customer), CTQ (Critical To Quality) và sơ đồ SIPOC (Nhà cung cấp - Đầu vào - Quy trình - Đầu ra - Khách hàng) Những thông tin liên kết này có thể đóng vai trò hữu ích trong các dự án.

Giai đoạn 2 - Đo lường (Measure): Giai đoạn xác định hiệu quả hiện tại và xây dựng kế hoạch thu thập dữ liệu là quá trình đo lường [11]

- Lựa chọn các chỉ số đo lường ;

- Xác định điểm đo, tìm hiểu quá trình;

- Phương pháp lấy dữ liệu, dự kiến nguồn dữ liệu,

- Kế hoạch lấy mẫu và thu thập;

- Thu thập thông tin và số liệu;

- Tính mức sigma hiện tại và đánh giá năng lực quy trình

Các công cụ quan trọng trong quá trình phân tích và cải tiến bao gồm sơ đồ quy trình (Process Flowchart), thu thập thông tin và số liệu (Data Collection), phương pháp lấy mẫu, phiếu thu thập dữ liệu (check sheet), và biểu đồ Pareto Những công cụ này giúp tổ chức và phân tích dữ liệu hiệu quả, từ đó hỗ trợ ra quyết định chính xác hơn trong các dự án cải tiến quy trình.

Giai đoạn 3 - Phân tích (Analyze) tập trung vào việc phân tích vấn đề và xác định nguyên nhân gốc rễ, nhằm đảm bảo cải tiến từ nguồn gốc của lỗi.

- Thiết lập mục tiêu, phân tích dữ liệu;

- Nhìn thấy được nguồn gây ra sự bất thường của quy trình;

- Chọn các thuộc tính chất lượng quang trọng để thực hiện phân tích

- Xác định nguyên nhân gốc rễ

Trong giai đoạn phân tích, nhiều kỹ thuật đồ họa và thống kê được áp dụng để nghiên cứu hành vi của quy trình hiện tại Các phương pháp như biểu đồ kiểm soát, 5Whys và biểu đồ nhân quả (Cause-Effect diagram) được sử dụng để phân tích hiệu quả và xác định nguyên nhân gốc rễ của vấn đề.

Giai đoạn 4 - Cải tiến (Improve): Từ các nguyên nhân ở giai đoạn phân tích ta tiến hành phát triển quy trình để giảm thiểu các lỗi và khuyết điểm [11]

- Đưa ra những giải pháp khả thi;

- Nhận xét tính khả năng thực thi và hiệu quả của các giải pháp;

- Quan sát các nguyên nhân ảnh hưởng đến quy trình;

- Khảo sát và đánh giá các thử nghiệm;

- Xem xét các giải pháp dựa vào hiệu quả thực tế;

- Kiểm tra và điều chỉnh lại giải pháp để cải thiện

Trong giai đoạn Cải thiện, nhiều hoạt động tập trung vào thử nghiệm và phân tích dữ liệu thử nghiệm Các kỹ thuật quan trọng bao gồm kiểm tra giả thuyết, quản lý trực quan và chuẩn hóa quy trình, nhằm nâng cao hiệu quả và chất lượng công việc.

Giai đoạn kiểm soát (Control) là bước thứ năm trong quá trình cải tiến, nhằm duy trì hiệu quả lâu dài và ngăn ngừa việc quay trở lại tình trạng trước đó.

- Thiết lập hệ thống kiểm soát và giám sát;

- Thiết lập quy trình và tiêu chuẩn;

- Áp dụng phương pháp kiểm soát dựa trên số liệu thống kê;

- Định danh năng lực quy trình;

- Đào tạo nhân lực và tiến hành chuyển giao ;

- Tăng lợi nhuận và đánh giá lợi ích tiết kiệm chi phí ;

- Hoàn thành dự án, chuẩn bị tài liệu để báo cáo cấp quản lí

Các công cụ sử dụng trong bước này bao gồm: Check Sheet, Control Chart, Process flowchart,…

Bảy công cụ quản lý chất lượng

Trong quản lý chất lượng, quy luật Pareto cho thấy rằng 80% vấn đề thường xuất phát từ 20% nguyên nhân chính, theo nghiên cứu của Joseph M Juran và Vilfredo Pareto Tuy nhiên, tỷ lệ 80-20 này chỉ là một phương pháp tương đối, không phải là số liệu cụ thể.

Hình 2.2 Biểu đồ Pareto Chart

Biểu đồ Pareto là công cụ hữu ích để xác định và sắp xếp các nguyên nhân gây ra lỗi theo thứ tự giảm dần, từ đó đánh giá tần suất xuất hiện của các khuyết tật Việc này giúp tổ chức nhận diện các lỗi cần được ưu tiên cải tiến, nhằm tối ưu hóa chi phí và nâng cao hiệu quả hoạt động.

Cách lập biểu đồ Pareto:

- B1: Thu thập thông tin về các vấn đề xuất hiện, hoặc nguyên nhân cụ thể mà muốn phân tích

- B2: Xác định các nguyên nhân có thể được phân loại Đánh giá tần suất của mỗi phân loại và tổng số sự cố trong mỗi phân loại

- B3: Phân loại và sắp xếp theo thứ tự tần suất giảm dần Đặt các phân loại chiếm phầm trăm cao nhất ở đầu biểu đồ

- B4: Sử dụng biểu đồ cột để thể hiện cho tần suất của mỗi phân loại Các cột sẽ sắp xếp theo thứ tự giảm dần từ trái sang phải

Đường cong Pareto là một công cụ hữu ích để vẽ biểu đồ tỷ lệ tích lũy về tần suất, giúp xác định các yếu tố quan trọng nhất cần được ưu tiên xử lý Việc sử dụng đường cong này hỗ trợ trong việc phân tích và tối ưu hóa quy trình làm việc.

B6: Thêm một trục thứ hai vào đường cong Pareto để thể hiện mối quan hệ tỷ lệ tích lũy, giúp xác định điểm mức cần đạt nhằm giảm thiểu tác động của các yếu tố quan trọng nhất.

Dựa trên biểu đồ Pareto, xác định các vấn đề ưu tiên cần giải quyết để cải thiện hiệu suất tổ chức Tập trung áp dụng các biện pháp cần thiết nhằm khắc phục những vấn đề có ảnh hưởng lớn nhất đến hoạt động của tổ chức.

Phiếu kiểm tra là công cụ thiết yếu để ghi chép và thu thập thông tin một cách hiệu quả Nó không chỉ ghi lại các hoạt động đã diễn ra mà còn giúp đánh giá xu hướng hiện tại một cách khách quan Bằng cách sử dụng các phương pháp thống kê dữ liệu, phiếu kiểm tra giúp xác định sự ưu tiên của các sự kiện và được coi là một phương tiện lưu trữ thông tin quan trọng.

Hình 2.3: Phiếu thu thập dữ liệu dạng kiểm tra đánh dấu theo mục định sẵn [12] 2.3.2.2.Mục đích

Phiếu kiểm tra là công cụ phân tích dữ liệu quan trọng, giúp đánh giá hiệu suất sử dụng trong quy trình sản xuất Công cụ này được sử dụng để kiểm tra sự phân bố số liệu, nhận diện và xác định lỗi, cũng như tìm ra nguyên nhân gây ra chúng Ngoài ra, phiếu kiểm tra còn xác minh việc thực thi công việc và có khả năng theo dõi sự kiện theo thời gian hoặc số lượng tại các vị trí cụ thể.

Dữ liệu thu thập từ công cụ kiểm tra được sử dụng làm nền tảng cho các công cụ khác như Biểu đồ Phân bố và Biểu đồ Pareto, giúp theo dõi và đánh giá các vấn đề như tần suất xảy ra, số lần bảo trì/sửa chữa hàng tuần và nhiều vấn đề khác.

Biểu đồ nhân quả, hay còn gọi là biểu đồ Ishikawa hoặc biểu đồ xương cá, là một công cụ giúp liệt kê chi tiết các nguyên nhân có thể dẫn đến hậu quả Được phát triển vào năm 1953 tại Trường Đại học Tokyo dưới sự hướng dẫn của Giáo sư Kaoru Ishikawa, biểu đồ này đã được sử dụng để giải thích cho các kỹ sư tại nhà máy thép Kawasaki về cách sắp xếp và minh họa các yếu tố khác nhau theo hình thức xương cá.

Sơ đồ nguyên nhân và kết quả là công cụ quan trọng giúp xác định nguyên nhân sự cố và đưa ra biện pháp khắc phục nhằm đảm bảo chất lượng trong quy trình sản xuất Công cụ này không chỉ giúp nghiên cứu và ngăn ngừa các sự cố gây ra hoạt động không mong muốn mà còn cung cấp bản tóm tắt về cấu hình kết nối Sự ưa chuộng của sơ đồ này đến từ khả năng liệt kê và sắp xếp các khả năng, thay vì chỉ sử dụng phương pháp loại trừ.

Các bước thực hiện vẽ biểu đồ nhân quả:

- Bước 1: Nhận diện vấn đề cụ thể cần được xử lí

Thiết lập biểu đồ nhân quả là bước quan trọng, trong đó cần xác định các yếu tố chính và mối liên kết giữa chúng Những yếu tố có tầm quan trọng cao hơn nên được sắp xếp gần với vấn đề chính để thể hiện rõ ràng mối quan hệ và ảnh hưởng của chúng.

- Bước 3: Xác định vấn đề bằng cách đặt câu hỏi về tại sao (5Whys) để tìm ra các nguyên nhân gốc rễ

- Bước 4: Xác định được các đề xuất cải tiến và khắc phục dựa trên nguyên nhân đã xác định

- Bước 5: Đưa ra các biện pháp khắc phục và theo dõi kết quả của chúng

Lưu đồ là biểu đồ thể hiện các bước trong quy trình sản xuất hoặc dịch vụ, giúp người xem dễ dàng nắm bắt luồng công việc và mối quan hệ giữa các bước Thông thường, lưu đồ được thiết kế dưới dạng cột, dòng hoặc lưới, tùy thuộc vào ngữ cảnh để đảm bảo tính phù hợp và dễ hiểu.

Hình 2.5: Lưu đồ quy trình (Flow Chart)

Lưu đồ giúp mô tả chi tiết quy trình, xác định và loại bỏ các bước không cần thiết, từ đó nâng cao hiệu quả và giảm thiểu lãng phí Ngoài ra, nó còn hỗ trợ phát triển các hệ thống mới để cải thiện thông tin cho các bên liên quan.

Biểu đồ phân tán là công cụ thống kê quan trọng, giúp phân tích mối quan hệ giữa hai biến và phát hiện xu hướng Biểu đồ này thể hiện cách giá trị của một biến thay đổi theo giá trị của biến khác, chẳng hạn như mối liên hệ giữa lỗi sản phẩm và độ ẩm.

Hình 2.6: Biểu đồ phân tán (Scatter Diagram)

Biểu đồ phân tán là công cụ hữu ích để xác định và hiểu mối quan hệ giữa hai biến, giúp nhận biết xem chúng có tương đồng hay không Công cụ này không chỉ cho thấy xu hướng dữ liệu tổng thể mà còn hỗ trợ trong việc đưa ra quyết định thông minh bằng cách hiển thị các điểm dữ liệu, từ đó cung cấp cái nhìn tổng quan về các mối quan hệ.

Mạng thần kinh tích chập (Convolutional Neural Network – CNN)

2.4.1 Giới thiệu về mạng CNN

Mạng thần kinh tích chập (CNN) là một cấu trúc mạng thần kinh quan trọng trong việc phân tích dữ liệu, đặc biệt là trong xử lý hình ảnh và video CNN được sử dụng để tự động trích xuất các đặc điểm từ dữ liệu không gian thông qua các lớp tích chập và lớp gộp Điều này giúp cải thiện hiệu quả trong nhận dạng và phân loại hình ảnh, cũng như thực hiện các tác vụ liên quan đến xử lý hình ảnh.

CNN đã đạt được nhiều thành công nổi bật trong các lĩnh vực như nhận dạng khuôn mặt, phân tích dữ liệu và phát hiện lỗi, cùng với nhiều thành tựu khác trong ngành công nghệ.

Khoa học dữ liệu và trí tuệ nhân tạo đang phát triển mạnh mẽ, nhờ vào khả năng học hỏi từ dữ liệu của các hệ thống mạng thần kinh tích chập Những công nghệ này đã trở nên phổ biến trong thực tiễn, đặc biệt trong các lĩnh vực phân tích và nhận diện lỗi.

Hình 2.9: Cấu trúc của mạng CNN

2.4.2 Cấu trúc về mạng CNN

Lớp đầu vào (Input Layer): Phần lớp dữ liệu đầu vào từ hình ảnh dưới dạng mảng pixel Mỗi pixel của hình ảnh là một thần kinh đầu vào

Lớp tích chập (Convolutional Layer) sử dụng các bộ lọc để trích xuất đặc điểm từ hình ảnh đầu vào Quy trình này bao gồm việc di chuyển hạt nhân qua các trường tiếp nhận của hình ảnh để kiểm tra sự xuất hiện của tính năng Kết quả là một ma trận mới có kích thước nhỏ hơn ma trận đầu vào.

Lớp kích hoạt (Activation Layer) xuất hiện sau lớp tích chập, giúp kích hoạt các tế bào nơron, tăng cường khả năng dẫn truyền xung qua sợi trục Tính năng nổi bật của lớp này là tốc độ tính toán cao hơn, rất hữu ích trong quá trình đào tạo mạng máy tính.

Lớp gộp (Pooling Layer) là một thành phần quan trọng trong mạng nơ-ron tích chập (CNN), có chức năng quét và lọc hình ảnh đầu vào sau bước tích chập Lớp gộp giúp giảm số lượng tham số trong đầu vào, đồng thời dẫn đến việc mất một số thông tin, từ đó làm giảm độ phức tạp và tăng hiệu suất của CNN.

Lớp kết nối đầy đủ (Fully Connected Layer) thường xuất hiện ở cuối mạng và đóng vai trò quan trọng trong việc tối đa hóa mục tiêu của mạng Tất cả các dây thần kinh trong lớp này được kết nối với mọi dây thần kinh của lớp trước đó, giúp tăng cường khả năng học và tối ưu hóa kết quả.

Lớp đầu ra (Output Layer) là phần cuối cùng của mạng, cung cấp kết quả dự đoán dựa trên thông tin từ lớp kết nối đầy đủ Đầu ra này thường được xử lý qua một hàm kích hoạt cuối cùng để chuyển đổi thành dạng mong muốn.

2.4.3 Ứng dụng của mạng CNN

Cấu trúc mạng thần kinh tích chập (CNN) có nhiều ứng dụng quan trọng trong cuộc sống hàng ngày, mang lại những tiến bộ vượt bậc trong các lĩnh vực khác nhau.

Nhận diện hình ảnh và vật thể là một ứng dụng quan trọng của mạng nơ-ron tích chập (CNN), cho phép xác định các đối tượng và hình ảnh trong ảnh cũng như video Các ứng dụng tiêu biểu bao gồm nhận diện biển báo giao thông, nhận diện khuôn mặt và nhận dạng sản phẩm trong kho.

Xử lý ngôn ngữ tự nhiên (NLP) sử dụng các biến thể của mạng nơ-ron tích chập (CNN) để phân tích lỗi chính tả trong văn bản và giọng nói, nhận diện tiếng ồn, cũng như thực hiện dịch máy hiệu quả.

Xử lý âm thanh là một ứng dụng quan trọng của CNN, cho phép phân tích âm thanh, nhận dạng giọng nói và thực hiện phân tích video một cách hiệu quả.

Công nghệ tự động lái xe và robot đang ngày càng phát triển, với sự hỗ trợ của mạng nơ-ron tích chập (CNN) để giúp xe tự động nhận diện và thích ứng với môi trường xung quanh Đồng thời, CNN cũng được ứng dụng trong robot, giúp chúng nhận biết và phản ứng hiệu quả với các yếu tố xung quanh.

Trong lĩnh vực y học và chăm sóc sức khỏe, CNN có vai trò quan trọng trong việc chẩn đoán bệnh lý, sàng lọc ung thư và phân tích hình ảnh y tế cũng như siêu âm.

Công nghiệp và quản lý chất lượng đóng vai trò quan trọng trong việc kiểm soát chất lượng thành phẩm CNN được áp dụng để giám sát các quy trình sản xuất tự động, giúp phát hiện và xác định các khiếm khuyết trong quy trình sản xuất một cách hiệu quả.

Học máy trong nhận diện lỗi tự động

2.5.1 Khái niệm về học máy

Học máy là một lĩnh vực thuộc khoa học máy tính và trí tuệ nhân tạo (AI), sử dụng thông tin đầu vào và thuật toán để tự động hóa quá trình giải quyết vấn đề, từ đó phát triển các phương pháp mới và hiệu quả hơn, tương tự như cách mà bộ não con người học hỏi.

Thống kê và dự báo là hai mục tiêu chính trong ứng dụng học máy, cho phép hệ thống tự động phân tích dựa trên các quy tắc đã lập trình Học máy có khả năng đề xuất phương án tối ưu mà không cần lập trình trước Việc ứng dụng học máy trong nhận diện lỗi tự động ngày càng trở nên quan trọng trong sản xuất và đảm bảo chất lượng Cụ thể, hệ thống có thể được lập trình dựa trên dữ liệu về các dạng lỗi đã biết, từ đó nhận diện tín hiệu và đặc điểm của lỗi trong dữ liệu mới, giúp phân loại và chỉ ra lỗi một cách hiệu quả.

Trong kinh doanh, việc áp dụng học máy để nhận dạng lỗi không chỉ nâng cao khả năng kiểm soát chất lượng sản phẩm mà còn giảm thiểu lãng phí và thất thoát Điều này dẫn đến việc tăng cường năng suất và lợi nhuận cho doanh nghiệp, giúp tiết kiệm thời gian và công sức so với phương pháp kiểm tra thủ công Nhờ vậy, doanh nghiệp có thể đảm bảo cung cấp sản phẩm chất lượng cao nhất cho khách hàng.

2.5.2 Mục đích dùng học máy trong nhận diện lỗi tự động

Mục đích chính của việc áp dụng Học máy là giảm thiểu thời gian và công sức trong việc phát hiện lỗi Phương pháp thủ công thường tốn nhiều thời gian và công sức, nhưng khi sử dụng Học máy để tự động hóa quá trình này, chúng ta có thể tiết kiệm đáng kể thời gian và nỗ lực, từ đó giúp con người có thêm thời gian để tập trung vào các nhiệm vụ quan trọng khác.

Học máy cho phép theo dõi liên tục các hệ thống và quy trình, giúp phát hiện lỗi tự động một cách nhanh chóng Việc phát hiện lỗi sớm không chỉ đảm bảo sự vận hành liên tục của hệ thống mà còn giảm thiểu ảnh hưởng tiêu cực do lỗi gây ra.

Học máy giúp tăng cường khả năng phát triển và cải tiến qua việc học hỏi từ dữ liệu theo thời gian Ứng dụng machine learning trong phát hiện lỗi cho phép đưa ra các dự đoán và thuật toán tối ưu, từ đó nâng cao hiệu quả trong quá trình phát hiện lỗi.

Hệ thống học máy giúp tăng cường hiệu suất kiểm soát chất lượng bằng cách phát hiện chính xác lỗi một cách nhanh chóng, từ đó giảm thiểu chi phí kiểm tra thủ công và tiết kiệm thời gian.

Giảm lãng phí và chi phí là mục tiêu quan trọng trong sản xuất Nhận diện lỗi tự động hóa giúp loại bỏ sản phẩm lỗi khỏi dây chuyền sản xuất trước khi chúng ảnh hưởng đến các công đoạn tiếp theo Điều này không chỉ nâng cao hiệu suất sản xuất mà còn giúp doanh nghiệp tiết kiệm chi phí hiệu quả.

Trình duyệt Kaggle, Visual Studio Code, ngôn ngữ lập trình Python, thư viện

Kaggle là nền tảng học máy trực tuyến hàng đầu, cung cấp cho người dùng, từ người mới đến chuyên gia, cơ hội học tập qua các tập dữ liệu lớn và giải quyết các vấn đề thực tiễn Nơi đây không chỉ giúp nâng cao kỹ năng khoa học dữ liệu mà còn cung cấp kho mã mẫu đa dạng cho nhiều mục đích khác nhau Đặc biệt, Kaggle trở thành công cụ thiết yếu cho những ai làm việc trong lĩnh vực Machine Learning, cho phép sử dụng GPU 30 giờ mỗi tuần mà không cần cài đặt phần mềm trên máy tính cá nhân.

Hình 2.10: Giao diện trình duyệt Kaggle

2.6.2 Phần mềm Visual Studio Code

Visual Studio Code (VS Code) là phần mềm trình soạn thảo mã nguồn mở do Microsoft phát triển, giúp đơn giản hóa quy trình lập trình và phát triển phần mềm Nó hoạt động hiệu quả trên các hệ điều hành Windows, macOS và Linux, đồng thời tương thích với nhiều thiết bị di động nhờ có trình cài đặt tích hợp sẵn Với các tính năng phong phú và khả năng tương thích rộng rãi, Visual Studio Code trở thành công cụ hữu ích cho việc thiết kế giao diện và gỡ lỗi nhanh chóng.

Hình 2.11: Giao diện phần mềm Visual Studio Code

2.6.3 Ngôn ngữ lập trình Python

Python là ngôn ngữ lập trình đa mục đích, phục vụ cho nhiều lĩnh vực như lập trình web, phân tích dữ liệu và trí tuệ nhân tạo Với cú pháp ngắn gọn và dễ hiểu, Python giúp người mới học lập trình nhanh chóng nắm bắt và áp dụng kiến thức.

Thư viện Tkinter là một trong những thư viện quan trọng trong Python, chuyên dùng để phát triển giao diện người dùng Tên gọi Tkinter là viết tắt của ‘Tk Interface’, cung cấp nhiều thành phần giao diện như nhãn, mục nhập và nút nhấn, cùng với các phương thức để điều khiển chúng Tkinter cho phép người dùng tạo ra các ứng dụng từ đơn giản đến phức tạp một cách dễ dàng.

OpenCV (Thư viện Thị giác Máy tính Mở) là một thư viện mã nguồn mở quan trọng cho việc phát triển các ứng dụng thị giác máy tính và xử lý ảnh Thư viện này hỗ trợ nhiều nhiệm vụ, từ xử lý ảnh cơ bản đến các tác vụ phức tạp như nhận dạng khuôn mặt và theo dõi đối tượng OpenCV cung cấp một loạt công cụ hữu ích cho thị giác máy tính và xử lý ảnh, đồng thời hỗ trợ nhiều ngôn ngữ lập trình như Python, C++ và Java Thư viện này được áp dụng rộng rãi trong xử lý video, nhận dạng hình ảnh và nhiều lĩnh vực khác.

HIỆN TRẠNG QUY TRÌNH KIỂM TRA CHẤT LƯỢNG TẠI CÔNG TY CƠ KHÍ CHÍNH XÁC THỊNH PHÁT

Giới thiệu về công ty

- Tên công ty: CÔNG TY TNHH CƠ KHÍ CHÍNH XÁC THỊNH PHÁT

- Tên quốc tế: THINH PHAT PRECISION MACHANICAL COMPANY LIMITED

- Tên viết tắt: TP PRECISION CO.,LTD

- Địa chỉ: 255/19 khu phố 3B, Phường Thạnh Lộc, Quận 12, Thành phố Hồ Chí Minh, Việt Nam

- Đại diện pháp luật: Hứa Hữu Thịnh - Giám đốc Công ty TNHH Cơ khí Chính xác Thịnh Phát

- Website: http://www.tpprecision.com/

- Thị trường chính: Toàn Quốc & Quốc Tế (Mỹ, Nhật Bản,…)

- Số lượng nhân viên: Từ 11 - 50 người

- Ngành nghề chính: Sản xuất dụng cụ cơ khí chính xác (trừ quang học)

- Logo công ty Thịnh Phát:

Hình 3.1: Logo công ty Thịnh Phát

Công ty TNHH Cơ Khí Chính Xác Thịnh Phát, được thành lập từ năm 2011, đã có hơn 12 năm kinh nghiệm trong lĩnh vực sản xuất sản phẩm cơ khí chính xác bằng máy tiện tự động và máy CNC Chúng tôi phục vụ cả thị trường xuất khẩu và nhu cầu nội địa, với sản phẩm được xuất khẩu đến các quốc gia như Anh, Mỹ, Malaysia và Thái Lan Là đối tác đáng tin cậy của nhiều công ty tại Nhật Bản, Hàn Quốc, Đài Loan và các doanh nghiệp Việt Nam trong khu chế xuất và khu công nghiệp, chúng tôi cam kết tuân thủ hệ thống quản lý chất lượng ISO 9001-2015, đảm bảo sản phẩm luôn đạt chất lượng tốt nhất cho khách hàng.

3.1.3 Tầm nhìn và cách mạng

Công ty Cơ khí Chính xác Thịnh Phát hướng đến việc trở thành đối tác tin cậy trong cung cấp sản phẩm cơ khí chất lượng cao, đáp ứng yêu cầu và kỳ vọng của khách hàng Sứ mạng của công ty là thúc đẩy sáng tạo, nâng cao chất lượng sản phẩm và đảm bảo hiệu suất hoạt động liên tục.

Công ty Cơ khí Chính xác Thịnh Phát cam kết cung cấp cho khách hàng các sản phẩm và dịch vụ đạt chất lượng với phương châm:

“PHÁT TRIỂN BỀN VỮNG – LỢI ÍCH LÂU DÀI”

Công ty chuyên sản xuất dụng cụ cơ khí chính xác (không bao gồm quang học) cung cấp các chi tiết, linh kiện và phụ tùng với kích thước vừa và nhỏ, từ 0.5mm đến 32mm, cùng với các sản phẩm siêu nhỏ đạt độ chính xác cao Chúng tôi nhận đơn hàng với số lượng từ hàng trăm đến hàng triệu sản phẩm, đảm bảo dung sai chính xác cao: ±0.01mm cho máy tiện CAM và ±0.005mm cho máy tiện CNC, sử dụng đa dạng các loại kim loại và nhựa.

Hình 3.1: Hình ảnh các chi tiết công ty gia công

Dưới đây là hình ảnh minh họa một số sản phẩm mà công ty đang gia công dựa trên yêu cầu của khách hàng hằng năm

Bảng 3.1: Một vài sản phẩm công ty Thịnh Phát đang gia công

Sản Phẩm Hình Ảnh Sản Phẩm Đai ốc ren trong đầu nối Đồng Thau

Bộ phận gia công tùy chỉnh có độ chính xác cao

Chốt, chân Pin kiểm tra các loại

Hạt kết nối trong đồng hồ

3.1.7 Cơ cấu tổ chức của công ty

Công ty hoạt động dưới sự lãnh đạo của ban Giám Đốc và các phòng ban như Hành chính – Nhân sự, Kinh doanh, Kế toán, nhằm thể hiện quy trình tổng thể và phương thức hoạt động một cách trực quan.

Hình 3.2: Sơ đồ cơ cấu tổ chức các phòng ban của công ty

Quy trình kiểm tra chất lượng (QC)

3.2.1 Tổng quan về quy trình kiểm tra chất lượng tại công ty

Quy trình kiểm soát chất lượng tại Công ty TNHH Cơ Khí Chính Xác Thịnh Phát được thực hiện toàn diện từ quản lý nguyên liệu đầu vào đến sản xuất và giao hàng Mỗi bước trong quy trình này đều quan trọng, đảm bảo sản phẩm đạt chất lượng cao cho khách hàng Công ty áp dụng hệ thống kiểm soát chất lượng với ba cổng chính: IQC (Kiểm soát chất lượng đầu vào), PQC (Kiểm soát chất lượng trong quá trình) và OQC (Kiểm soát chất lượng đầu ra).

- Quy trình kiểm soát chất lượng NVL đầu vào (IQC)

- Quy trình kiểm soát chất lượng BTP (PQC)

- Quy trình kiểm soát chất lượng TP (OQC)

Quy trình kiểm soát chất lượng nguyên vật liệu đầu vào (IQC) là yếu tố quan trọng để đảm bảo sản phẩm đạt tiêu chuẩn khi đến tay khách hàng Công ty cần đảm bảo nguyên vật liệu đầu vào đáp ứng đầy đủ các yêu cầu về chất lượng nhằm tránh các lỗi phát sinh trong quá trình sản xuất Điều này không chỉ giúp đảm bảo đơn hàng được thực hiện đúng tiến độ mà còn giảm thiểu lãng phí trong sản xuất.

Quy trình kiểm tra nguyên vật liệu (NVL) đầu vào được áp dụng cho tất cả các loại NVL cấu thành sản phẩm, bao gồm vật tư chính, vật tư phụ và phụ kiện Tuy nhiên, quy trình này không áp dụng cho các công cụ, dụng cụ phục vụ sản xuất và hóa chất xử lý.

Hình 3.3: Quy trình kiểm tra NVL đầu vào

(Nguồn: Phòng QC công ty, 2018)

Chi tiết lưu đồ được diễn giải tại Phụ Lục 1

Quy trình kiểm soát chất lượng BTP (PQC)

Quy trình kiểm tra chất lượng BTP là việc so sánh sản phẩm với tiêu chuẩn hoặc mẫu chuẩn để đảm bảo đáp ứng đầy đủ yêu cầu kiểm tra tại xưởng sản xuất Mục đích của việc kiểm tra này là phát hiện khả năng phát sinh lỗi nghiêm trọng hoặc xác định lô hàng có hàng lỗi trong quá trình sản xuất Sau khi quan sát tại công ty, nhóm đã tổng hợp quy trình kiểm tra chất lượng BTP một cách chi tiết.

Hình 3.4: Quy trình kiểm tra BTP

Quy trình kiểm soát chất lượng TP (OQC)

Quy trình kiểm tra chất lượng TP bao gồm việc kiểm tra 100% các BTP đã hoàn tất để so sánh với tiêu chuẩn và yêu cầu của khách hàng Việc này giúp xác định và loại bỏ kịp thời các sản phẩm không đạt tiêu chuẩn trước khi giao đến tay khách hàng Nhóm đã tổng hợp quy trình kiểm tra chất lượng TP sau khi quan sát tại công ty.

Hình 3.5: Quy trình kiểm tra TP

3.2.2 Giới thiệu về mã hàng 0193-A, 1221-A và quy trình kiểm tra chất lượng của cả hai mã hàng

Là những mã hàng được sản xuất nhiều nhất tại công ty đặc biệt là mã hàng 1221-

A, chúng là bộ phận chuyên dụng được thiết kế và gia công để đáp ứng nhu cầu lắp ghép các bộ phận trong cơ khí lại với nhau Với tính linh hoạt và đa dạng trong việc sử dụng, mã hàng 1221-A và 0193-A đều là sự lựa chọn lý tưởng cho các doanh nghiệp và cá nhân hoạt động trong lĩnh vực lắp ráp cơ khí

Hình 3.6: Mã hàng 0193-A của công ty

Hình 3.7: Mã hàng 1221-A của công ty

Cả hai mã hàng được gia công bằng máy tiện cames tự động nhiều trục, hoạt động dựa trên nguyên lý truyền chuyển động từ bánh Cames đến các trục gắn dao, giúp thực hiện quá trình gia công sản phẩm hiệu quả.

Hình 3.8: Máy tiện Cames gia công mã hàng 1221-A

Dưới đây là quy trình sản xuất và kiểm soát chất lượng chung của cả hai mã hàng đang gia công tại công ty

Hình 3.9: Quy trình sản xuất và kiểm soát chất lượng cả hai mã hàng của công ty

3.2.3 Thực trạng của bộ phận QC đang gặp phải

Hệ thống, quy trình kiểm tra chất lượng:

Quy trình kiểm tra chất lượng sản phẩm hiện đang gặp nhiều khó khăn, đặc biệt trong việc kiểm tra BTP trong cả hai ca làm việc Hiện tại, sản phẩm chỉ được kiểm tra chất lượng 100% vào ngày hôm sau bởi nhân viên phòng QC, dẫn đến việc nhiều BTP lỗi có thể bị phát hiện muộn, gây lãng phí lớn cho công ty Điều này đặc biệt nghiêm trọng khi hầu hết sản phẩm của công ty có kích thước nhỏ và được sản xuất hàng loạt với số lượng lớn.

Hình 3 10: Nhân viên QC kiểm tra BTP sản xuất ngày hôm trước

Sau khi hoàn tất quá trình xi mạ, cả hai mã hàng sẽ trải qua kiểm tra 100% trước khi được đóng gói và giao hàng Nhân viên sẽ kiểm tra sản phẩm liên tục để đảm bảo tiến độ giao hàng Tuy nhiên, việc tập trung trong thời gian dài có thể gây mệt mỏi, làm giảm khả năng tập trung và dẫn đến việc bỏ sót sản phẩm lỗi hoặc không kịp giao đơn hàng Hậu quả có thể bao gồm chi phí khắc phục sau khi giao hàng hoặc phải dời ngày giao.

Hình 3.11: Hình ảnh các nhân viên QC kiểm tra 100% TP

Số lượng nhân viên vận hành máy và nhân viên QC tại công ty còn hạn chế, thiếu nguồn lực và đào tạo chuyên sâu Hầu hết các nhân viên kiểm tra sản phẩm dựa vào kinh nghiệm cá nhân, trong khi xưởng sản xuất chưa thiết lập các tiêu chuẩn cụ thể để hướng dẫn quy trình làm việc.

Thiết bị, dụng cụ đo:

Dụng cụ và thiết bị đo đạc tại công ty thiếu bảo dưỡng định kỳ, dẫn đến giảm độ chính xác, đặc biệt là các thiết bị kiểm tra độ nhám bề mặt và ngoại quan cho bán thành phẩm Hệ quả là nhiều lỗi về bề mặt bán thành phẩm xuất hiện do không được phát hiện kịp thời trong quá trình sản xuất hàng loạt.

Hình 3 12: Hình ảnh bàn dụng cụ, thiết bị kiểm tra BTP

Phiếu đánh giá chất lượng của hai mã hàng chủ yếu tập trung vào kích thước theo miền dung sai sản phẩm trên bản vẽ, nhưng thiếu chi tiết trong mục kiểm tra ngoại quan và độ nhám bề mặt Điều này dẫn đến việc nhân viên vận hành máy không chú trọng đủ vào các yếu tố này khi đánh giá bán thành phẩm (BTP).

ÁP DỤNG CHU TRÌNH DMAIC CẢI TIẾN CHẤT LƯỢNG MÃ HÀNG 1221-A 37 4.1 Xác định vấn đề (Define)

Thu thập dữ liệu và xác định đối tượng cải tiến chất lượng

Trong quá trình thực tập, nhóm tác giả đã thu thập dữ liệu và thống kê tỷ lệ sản phẩm lỗi của công ty, phát hiện mã hàng 1221-A có tỷ lệ lỗi cao nhất do sản xuất với số lượng lớn Điều này gây ra lãng phí về thời gian làm lại, tồn kho, vận chuyển và thời gian chờ đợi, dẫn đến việc giao hàng trễ cho khách hàng và ảnh hưởng đến công ty Nhận thấy vấn đề này, nhóm quyết định theo dõi và cải tiến chất lượng cho mã hàng 1221-A.

Hình 4.1: Tỷ lệ lỗi các mã hàng từ 04 – 10/09/2023

Phân tích tiếng nói của khách hàng và doanh nghiệp (VOC&VOB)

Bảng 4.1 Phân tích tiếng nói khách hàng - doanh nghiệp (VOC-VOB)

Khách Hàng Phương Pháp Thu

Thập Dữ Liệu Tiếng Nói Yêu Cầu

Khách hàng nội bộ và khách hàng bên ngoài

Liên hệ trực tiếp với từng khách hàng

- Giao hàng đúng số lượng, đúng hàng, đúng thời điểm

- Sản phẩm đáp ứng yêu cầu của bản vẽ

- Đáp ứng được yêu cầu giao hàng mà công ty thỏa thuận với khách hàng

- Chất lượng sản phẩm và giá cả cải thiện hơn

Phó giám đốc Trao đổi trực tiếp với Phó giám đốc

- Quy trình sản xuất, kiểm soát chất lượng cần được cải thiện

- Số lượng lỗi phải sửa lại hoặc hủy các tuần còn nhiều

- Cải tiến lại quy trình kiểm soát chất lượng

- Giảm thiểu số lượng lỗi, giảm thiểu các lãng phí

- Trao đổi trực tiếp với các cấp quản lý từng bộ phận của công ty

- Quan sát hiện trạng thực tế các công đoạn tại xưởng sản xuất

- Nhân viên thiếu sự tập trung trong công việc

- Phát hiện lỗi BTP chưa tốt

- Số lượng sản phẩm NG chờ xử lý tại kho còn nhiều

- Nhân viên nâng cao sự tập trung khi làm việc

- Nhân viên cần phát hiện kịp thời lỗi và xử lý tình huống tốt hơn

- Cần giảm số lỗi, tránh tồn kho về sản phẩm NG chờ xử lý

- Trao đổi trực tiếp với nhân viên đứng máy và nhân viên bộ phận QC

- Đóng vai thành nhân viên

- Máy móc còn gặp nhiều vấn đề

- Khu vực làm việc khá nóng, trơn trượt

- Chưa có những tiêu chuẩn chung trong việc kiểm tra

- Cần đảm bảo máy móc hoạt động tốt trong quá trình gia công

- Thực hiện 5S tại xưởng sản xuất

- Đưa ra những tiêu chuẩn chung trong

39 chất lượng BTP việc kiểm tra chất lượng BTP

Dựa trên phân tích VOC-VOB trong bảng 4.1, chúng ta có thể xác định các điểm trọng yếu về chất lượng (CTQ) được nêu trong bảng 4.2 Qua đó, cần tìm hiểu các yêu cầu chính từ tiếng nói của khách hàng để đề xuất các giải pháp cải tiến phù hợp với mục tiêu và mong đợi của họ.

Bảng 4.2 Điểm quan trọng về chất lượng (CTQ)

Nhu cầu Yếu tố tác động Yêu cầu về hiệu quả

Quy trình kiểm tra chất lượng Quy trình kiểm tra lỗi của BTP được cải thiện và đồng nhất Con người

Nhân viên phát hiện kịp thời vấn đề chất lượng BTP tránh lỗi lọt sang công đoạn tiếp theo

Máy móc Máy móc luôn ở trạng thái hoạt động tốt nhất

Phạm vị của dự án cải tiến

Nhằm cải tiến quy trình và hiểu rõ từng bước từ đầu vào đến đầu ra của mã hàng 1221-A, nhóm tác giả đã áp dụng sơ đồ SIPOC để minh họa một cách trực quan, từ đó giúp nhanh chóng giải quyết các vấn đề phát sinh.

Bảng 4.3 Sơ đồ SIPOC xác định phạm vi của dự án

SIPOC: Quy trình sản xuất mã hàng 1221-A

Quy Trình (Process) Đầu ra (Output)

- Nhà cung cấp nguyên vật liệu

- Bản vẽ của khách hàng

- Máy móc, con người, giao cắt, xe kéo,…

- Mã hàng 1221-A đã hoàn thành

QC, QC của khách hàng, khách hàng

Để nâng cao hiệu quả cải tiến nhóm, chúng tôi áp dụng phương pháp SMART nhằm đưa ra các quyết định triển khai cho dự án cải tiến chất lượng mã hàng 1221-A.

Bảng 4.4 Xác định mục tiêu dự án theo nguyên tắc SMART

Cụ thể (Specific) Đo lường được (Measurable)

Thời gian hoàn thành (Time-bound)

Cải tiến chất lượng mã hàng

- Giảm thiểu chi phí do sản phẩm lỗi gây ra

- Tăng mức Sigma hiện tại

- Nâng cao quy trình kiểm tra BTP

- Số lượng lỗi xảy ra trong quá trình sản xuất

- Tính toán chi phí xử lý lại khi sai lỗi

- Sử dụng công cụ năng suất chất lượng 6- Sigma cải tiến chất lượng

- Giám sát theo đúng mục tiêu đã đặt ra

- Tăng sự hài lòng của cả khách hàng nội bộ và bên ngoài

- Đảm bảo chất lượng cho sản phẩm và giao hàng đúng số lượng, đúng hàng, đúng thời điểm

- Thời gian theo dõi sản phẩm: 2 tuần

- Lên kế hoạch thống kê và thu thập số liệu: 2 tuần

- Tiến hành các giải pháp cải tiến được đề ra: 2 tuần

Bảng kế hoạch

Sau khi xác định vấn đề và phạm vi dự án, nhóm tiến hành lập bảng kế hoạch tóm tắt nguồn lực và thời gian thực hiện dự kiến.

Bảng 4.5 Bảng kế hoạch của dự án

Bảng kế hoạch dự án

Nghiên cứu này tập trung vào việc cải tiến quy trình kiểm tra chất lượng sản phẩm bằng cách áp dụng công cụ năng suất chất lượng kết hợp với học máy Mục tiêu là phát triển hệ thống nhận diện lỗi tự động, giúp nâng cao hiệu quả và độ chính xác trong quy trình kiểm tra, từ đó tối ưu hóa chất lượng sản phẩm Việc ứng dụng công nghệ hiện đại này không chỉ tiết kiệm thời gian mà còn giảm thiểu sai sót trong quá trình kiểm tra, góp phần nâng cao sự hài lòng của khách hàng.

Phân tích bối cảnh của dự án Thực hiện

Quy trình kiểm tra BTP và TP của công ty hiện nay vẫn còn nhiều hạn chế, dẫn đến tỷ lệ sản phẩm lỗi cao phải hủy và xử lý lại, gây ra nhiều loại lãng phí.

- Thực tập sinh: Nghiên cứu các vấn đề và đề xuất giải pháp

- Trưởng phòng Kỹ Thuật: Xem xét, đánh giá tính khả thi và hiệu quả

- Công nhân: hỗ trợ thu thập số liệu, đánh giá hiện trạng và cùng thực hiện các cải tiến

Mục tiêu chính là cải thiện quy trình kiểm tra lỗi để giảm thiểu số lượng lỗi sản phẩm và giảm lãng phí do các sản phẩm lỗi gây ra Để đạt được điều này, cần tiến hành thực hiện các giải pháp hiệu quả nhằm nâng cao chất lượng kiểm tra và tối ưu hóa quy trình.

- Đề xuất nghiên cứu với trưởng phòng Kỹ Thuật: 28/08/2023

- Tìm hiểu thông tin, thu thập dữ liệu, đánh giá hiện trạng, tìm kiếm giải pháp: 04/09/2023 – 20/09/2023

- Hoàn thành kế hoạch và trình bày kế hoạch dự án: 24/09/2023

Đo lường (Measure)

Sau khi xác định mã hàng 1221-A cần cải tiến chất lượng, nhóm đã phối hợp với bộ phận QC để thu thập, khảo sát và đo lường Qua kiểm tra 100%, 11 lỗi chính thường xảy ra đã được thống kê, từ đó cho phép thực hiện phân tích và đánh giá toàn diện về chất lượng sản phẩm.

- Sai hình dạng (mẫu thí nghiệm)

- Mặt cắt có đuôi chuột

Nguyên tắc kiểm tra và lấy mẫu BTP và TP của nhân viên đứng máy và nhân viên

Sản phẩm mã hàng 1221-A có kích thước nhỏ và yêu cầu sản xuất liên tục, điều này làm tăng nguy cơ xảy ra lỗi hàng loạt khi có sai sót Tại xưởng sản xuất, quy định yêu cầu nhân viên đứng máy kiểm tra BTP sau mỗi giờ, tương ứng với 120 sản phẩm nếu không có sự cố dừng máy, và lấy 3-5 BTP sản xuất cuối cùng để thực hiện kiểm tra theo yêu cầu của phiếu kiểm tra BTP.

Hình 4.3 Quy trình lấy mẫu kiểm tra BTP nhân viên đứng máy

Khi phát hiện sai hỏng trong mẫu kiểm tra, nhân viên sẽ tiến hành kiểm tra toàn bộ 100% lô sản xuất và ghi lại số lượng BTP có lỗi Thông tin này sau đó sẽ được chuyển đến bộ phận Quản lý Chất lượng (QC) để xem xét và quyết định xử lý lại hoặc hủy bỏ các BTP bị lỗi.

BTP đạt chất lượng sẽ trải qua quá trình xi mạ để ngăn ngừa ăn mòn do tiếp xúc với không khí Sau khi hoàn tất công đoạn xi mạ, bộ phận QC sẽ tiến hành kiểm tra 100% các thành phẩm trước khi đóng gói và giao cho khách hàng.

Hình 4.4 Phiếu báo số lượng sản phẩm cần xử lý lại

Hình 4.5 Phiếu báo số lượng sản phẩm hủy

Phiếu kiểm tra BTP trong khu vực sản xuất chỉ tập trung vào việc đánh giá dung sai kích thước BTP mà không ghi lại số lượng lỗi trong quá trình kiểm tra Để khắc phục điều này, nhóm đã thu thập số lượng BTP và TP không đạt chất lượng sau khi nhân viên đứng máy Bộ phận QC đã kiểm tra 100% và thống kê vào hai phiếu xử lý lại và hủy từ ngày 11/09/2023 đến 16/09/2023.

Bảng 4.6 Bảng thống kê tần suất xuất hiện các lỗi

STT Tên lỗi Số lượng Tỷ lệ(%) Tích lũy(%)

3 Sai hình dạng (mẫu thí nghiệm) 87 5.73 84.78%

5 Mặt cắt có đuôi chuột 47 3.10 91.96%

Trong vòng 6 ngày theo dõi sản xuất mã hàng 1221-A, nhóm tác giả đã ghi nhận kết quả thông qua bộ phận QC sau khi kiểm tra 100% các thành phẩm.

Bảng 4.7 Số lượng sản xuất của mã hàng 1221-A từ 11-16/09/2023

Ngày sản xuất Số lượng

Từ những số liệu đã thu thập được với:

- Tổng số sản phẩm lỗi là 1518(sp)

- Tổng số đơn vị sản phẩm là 27144(sp)

- Số cơ hội lỗi trên mỗi đơn vị sản phẩm: 11 (có 11 loại lỗi được liệt kê)

Nhóm đã áp dụng công thức DPMO (Defects Per Million Opportunities) để tính toán mức Sigma hiện tại, dựa trên việc theo dõi số lượng lỗi trong 6 ngày và sản lượng hàng ngày của mã hàng 1221-A.

Theo bảng phụ lục 2, với DPMO = 5084, nhóm đã xác định mức Sigma hiện tại của mã hàng 1221-A là σ = 4.07 Để minh họa các lỗi một cách trực quan và dễ theo dõi, nhóm đã sử dụng biểu đồ Pareto để sắp xếp thứ tự số lượng các lỗi.

Hình 4.6 Biểu đồ Pareto thể hiện thứ tự các lỗi của mã hàng 1221-A

Biểu đồ cho thấy lỗi mặt cắt ỉ6.840 và ỉ6.845 chỉ chiếm 20% trong tổng số nguyên nhân nhưng lại gây ra 80% hậu quả, cho thấy ảnh hưởng lớn của các lỗi này đến chất lượng mã hàng Vì vậy, nhóm tác giả sẽ tập trung vào việc giảm thiểu các loại lỗi nghiêm trọng này.

Phân tích (Analyze)

4.3.1 Đặc điểm các lỗi mặt cắt a) Lỗi mặt cắt ỉ6.840

Lỗi mặt cắt ỉ6.840 chiếm tỷ lệ 62.36% trong tổng số tỷ lệ lỗi và vấn đề này thường xuất hiện lúc BTP được cắt ra khỏi thanh nguyên liệu (Hình 4.5)

Hỡnh 4.7 Hỡnh ảnh lỗi mặt cắt ỉ6.840 của mó hàng 1221-A b) Lỗi mặt cắt ỉ6.845

Lỗi mặt cắt ỉ6.845 chiếm tỷ lệ 16.79% trong tổng số tỷ lệ lỗi và vấn đề này thường xuất hiện ở công đoạn đầu lúc dao tiện vạt mặt BTP (Hình 4.6)

Hỡnh 4.8 Hỡnh ảnh lỗi mặt cắt ỉ6.845 của mó hàng 1221-A

4.3.2 Phân tích và tìm nguyên nhân gốc rễ

Sau khi nhóm hoàn thành việc quan sát và thu thập dữ liệu, chúng tôi đã sử dụng biểu đồ xương cá để xác định các nguyên nhân có thể gây ra lỗi cho cả hai mặt cắt.

Hình 4.9 Biểu đồ xương cá phân tích lỗi của mặt cắt

Biểu đồ xương cá (Hình 4.9) cung cấp cái nhìn tổng quan về các nguyên nhân gây lỗi bề mặt ở hai mặt cắt Nhóm đã áp dụng phương pháp 5Whys để xác định nguyên nhân gốc rễ của vấn đề từ các nguyên nhân đã được xác định.

Bảng 4.8: 5Whys phân tích lỗi mặt cắt

Why 1: Tại sao có lỗi mặt cắt? Vì nhân viên nghĩ rằng

BTP đã đạt theo yêu cầu

Why 2: Tại sao nhân viên nghĩ rằng BTP đã đạt theo yêu cầu?

Vì nhân viên cho rằng BTP đáp ứng các tiêu chuẩn kích thước là đạt rồi

Why 3: Tại sao nhân viên cho rằng BTP đáp ứng các tiêu chuẩn kích thước là đạt rồi?

Vì họ đánh giá tập trung chủ yếu vào kích thước BTP

Why 4: Tại sao họ đánh giá tập trung chủ yếu vào kích thước BTP?

Vì phiếu kiểm tra BTP chỉ chú trọng vào kiểm tra miền dung sai kích thước

Why 1: Tại sao có lỗi mặt cắt? Vì phôi bị cong, vênh

Why 2: Tại sao phôi bị cong, vênh?

Vì phôi không được để thẳng, các thanh phôi chồng chất lên nhau

Why 3: Tại sao phôi không được để thẳng, các thanh phôi chồng chất lên nhau?

Vì sử dụng kệ để phôi không phù hợp

Máy móc, thiết bị Chất lượng

Why 1: Tại sao có lỗi mặt cắt? Vì lưỡi dao gia công không đảm bảo

Why 2: Tại sao lưỡi dao tiện không đảm bảo?

Vì lưỡi dao nhanh mòn trong quá trình tiện

Why 3: Tại sao lưỡi dao nhanh mòn trong quá trình tiện?

Vì phoi dính trên dao và ổ dao tiện

Why 1: Tại sao có lỗi mặt cắt?

Vì nhân viên đứng máy kiểm tra BTP theo kinh nghiệm

Why 2: Tại sao nhân viên đứng máy kiểm tra BTP theo kinh nghiệm?

Vì kinh nghiệm cá nhân giúp họ nhận biết các vấn đề không được ghi nhận trong quy trình kiểm tra

Why 3: Tại sao kinh nghiệm cá nhân giúp họ nhận biết các vấn đề không được ghi nhận trong quy trình kiểm tra?

Vì thiếu sự đồng nhất trong quy trình kiểm tra

Why 4: Tại sao thiếu sự đồng nhất trong quy trình kiểm tra?

Vì quy trình hiện tại chưa trực quan hóa các lỗi ngoại quan thường gặp

Cải tiến (Improve)

Sau khi phân tích nguyên nhân gốc rễ của hai lỗi phổ biến nhất trong hàng 1221-A, nhóm quyết định tập trung vào việc giải quyết các nguyên nhân gốc rễ gây ra lỗi trong quá trình gia công và quy trình kiểm tra BTP Điều này nhằm giảm thiểu tối đa sự xuất hiện của BTP lỗi hàng loạt, bởi vì mỗi lỗi có thể phát sinh từ nhiều nguyên nhân khác nhau và không thể khắc phục tất cả trong một lần.

Nhóm nhận thấy rằng các nguyên nhân như việc sử dụng kệ để phôi không phù hợp, phoi dính trên ổ dao, và phiếu kiểm tra BTP chỉ tập trung vào kiểm tra miền dung sai kích thước mà chưa chú trọng đến các lỗi ngoại quan thường gặp đã ảnh hưởng lớn đến chất lượng mã hàng trong quá trình gia công Để khắc phục những nguyên nhân gốc rễ này, nhóm đã đề xuất và triển khai các giải pháp cụ thể.

Bảng 4.9 Các biện pháp khắc phục

STT Nguyên nhân gốc rễ Biện pháp khắc phục

1 Sử dụng kệ để phôi không phù hợp

Thay thế lại kệ để phôi có bề mặt bằng phẳng

2 Phoi dính trên dao Sử dụng kẹp có đầu nhọn để gắp Phoi ra khỏi dao

3 Phiếu đánh giá BTP quá chú trọng vào kích thước

Bổ sung thêm hai mục đánh giá mặt cắt và làm rõ mục “Nhìn tổng quan” ở phần ghi chú

4 Chưa trực quan các lỗi thường gặp

Trực quan các lỗi thường xuất hiện trên sản phẩm

4.4.1 Thay đổi kệ để phôi

Phân tích nguyên nhân gốc rễ cho thấy việc để phôi sản xuất trên kệ không phù hợp với nguyên liệu, cùng với không gian kệ hẹp và các thanh phôi chồng lên nhau, dẫn đến tình trạng cong vênh của phôi trước khi gia công Điều này dễ gây ra hiện tượng đảo phôi trong quá trình gia công, tạo ra lỗi bề mặt cắt khi dao vạt mặt và cắt BTP ra khỏi thanh phôi.

Hình 4.10 Kệ để phôi trước cải tiến

Nhóm đã đề xuất sử dụng kệ có thiết kế bề mặt phẳng cùng với không gian rộng và dài hơn, nhằm tránh tình trạng phôi bị trùng xuống ở hai đầu và chồng lên nhau.

Hình 4.11 Kệ để phôi sau cải tiến

4.4.2 Gắp phoi ra khỏi ổ dao

Trong quá trình quan sát máy gia công, nhóm nhận thấy rằng phoi bám nhiều vào các khe của ổ dao và trên lưỡi dao, không rơi xuống khu vực chưa phoi Tình trạng này gây ra sự mài mòn nhanh chóng của dao trong quá trình gia công, từ đó ảnh hưởng đến chất lượng mặt cắt.

Để nâng cao chất lượng gia công dao, nhóm nghiên cứu đã đề xuất sử dụng dụng cụ kẹp có mũi nhọn để gắp phoi ra khỏi ổ dao Thời gian gắp phoi được thực hiện từ 5-7 phút một lần, tùy thuộc vào lượng phoi dính trên dao và ổ dao.

Hình 4.13 Nhân viên đứng máy thực hiện gắp Phoi ra khỏi ổ dao

Hình 4.14 Vị trí để dụng cụ gắp Phoi

4.4.3 Cải tiến phiếu kiểm tra BTP

Phiếu kiểm tra BTP tại xưởng sản xuất chủ yếu tập trung vào việc ghi lại các miền dung sai kích thước trong quá trình gia công, do đó nhân viên đứng máy thường không chú ý đến việc kiểm tra ngoại quan của BTP Hệ quả là các sai sót có thể xảy ra, ảnh hưởng đến chất lượng của lô sản xuất tiếp theo khi nhân viên không phát hiện được những điểm bất thường trên mặt cắt.

Để cải thiện quy trình kiểm tra BTP, nhóm đã bổ sung các mục kiểm tra cho hai lỗi thường gặp nhất và làm rõ mục “Nhìn tổng quát” trong dòng ghi chú Nhờ đó, nhân viên đứng máy sẽ chú ý hơn đến các lỗi về mặt ngoại quan của BTP khi thực hiện đánh giá trên phiếu kiểm tra.

Hình 4.16 Phiếu kiểm tra BTP sau cải tiến

4.4.4 Trực quan hóa các lỗi ngoại quan hay xảy ra Để nhân viên đứng máy có thể nhận diện được các tình huống có thể xảy ra về lỗi ngoại quan, nhóm đã đề xuất trực quan hình ảnh lỗi hay xuất hiện trên mã hàng cũng như là hình ảnh chuẩn để nhân viên đứng máy dễ dàng so sánh và đánh giá vào phiếu kiểm tra BTP Bản nhận diện các lỗi sẽ được gắn ở ô chất lượng của bảng thông tin của khu vực sản xuất để nhân viên dễ dàng nắm bắt

Hình 4.17 Trực quan các lỗi hay xuất hiện của mã hàng

Hình 4.18 Bản trực quan các lỗi được gắn trên ô Chất Lượng

4.4.5 Kết quả sau khi cải tiến

Sau khi đề xuất và thực hiện các giải pháp tại hiện trường, nhóm đã tiến hành thu thập và đo lường lại số liệu liên quan đến hai lỗi chính từ ngày 02/10/2023 đến 07/10/2023.

Bảng 4.10 Bảng so sánh số lượng của hai lỗi trước và sau cải tiến

Số lượng sau khi kiểm tra 100%

Số lượng lỗi giảm Trước cải tiến Sau cải tiến

Từ (Bảng 4.10) ta cú thể thấy được tỷ lệ lỗi mặt cắt ỉ6.840 giảm 32.64% và tỷ lệ lỗi mặt cắt ỉ6.845 giảm 35.71%

Dưới đây là tổng hợp số lượng 11 lỗi trước và sau khi cải tiến

Bảng 4.11 Bảng tổng hợp các lỗi trước và sau cải tiến

STT Tên lỗi Số lượng trước cải tiến

Số lượng sau cải tiến

3 Sai hình dạng (mẫu thí nghiệm) 87 63

5 Mặt cắt có đuôi chuột 47 33

Từ bảng trên (Bảng 4.11) nhóm tiến hành đo đạc lại mức Sigma sau khi cải tiến:

Với DPMO = 3527, tra bảng phụ lục 2 mức Sigma được đo đạc lại sau khi cải tiến tăng lên σ = 4.2

Hình 4.19 Biểu đồ cột so sánh số lượng 2 lỗi trước và sau cải tiến.

Kiểm soát (Control)

Giai đoạn Kiểm soát nhằm đảm bảo duy trì bền vững các kết quả đạt được trong giai đoạn cải tiến sau khi dự án kết thúc, đồng thời tiếp tục giám sát các quy trình và giải quyết các vấn đề phát sinh Để giảm thiểu số lượng lỗi của mã hàng 1221-A, nhóm đã đề xuất lập bảng kiểm soát dự án với các nội dung cụ thể.

Bảng 4.12: Bảng kiểm soát dự án

STT Nội dung kiểm soát

Thông số (Đơn vị) Dữ liệu Chu kỳ Phương pháp

Con hàng (pcs) Excel File Hàng

Ngày Check Sheet Trưởng QC

Con hàng (pcs) Excel File Hàng

Ngày Check Sheet Trưởng QC

Nhóm đã đề xuất việc lập Check Sheet nhằm theo dõi số lượng lỗi sau khi cải tiến, đảm bảo rằng các lỗi này được kiểm soát và duy trì Nếu số lượng lỗi được duy trì, nhóm sẽ tiếp tục theo dõi; ngược lại, nếu không duy trì được, sẽ tìm kiếm các biện pháp khắc phục phù hợp.

Hình 4.20 Phiếu Excel kiểm soát bán thành phẩm

Dưới đây là bảng kiểm soát của hai lỗi trong vòng 15 ngày của hai lỗi mặt cắt

Bảng 4.13: Bảng kiểm soát 15 ngày của hai lỗi mặt cắt

Nhóm đã áp dụng biểu đồ kiểm soát "U" để theo dõi số lượng sản phẩm lỗi của hai mặt cắt, vì loại biểu đồ này cho phép so sánh và kiểm soát lỗi một cách nhất quán trong các lô sản xuất có kích thước khác nhau Dưới đây là các vùng giới hạn cho hai loại lỗi chính.

Ngày Số lượng sản xuất Số lượng lỗi

Lỗi mặt cắt ỉ6.840 Lỗi mặt cắt ỉ6.845

Bảng 4.14 Bảng tỷ lệ của hai lỗi mặt cắt

Bảng 4.15 Giá trị các đường giới hạn của 2 lỗi chính

Giỏ trị Lỗi mặt cắt ỉ6.840 Lỗi mặt cắt ỉ6.845

Tỷ lệ lỗi trung bình ( ) 0.023 0.005 Đường trung tâm (CL) 0.023 0.005 Đường giới hạn trên (UCL) 0.03 0.0082 Đường giới hạn dưới (LCL) 0.016 0.0018

CL = Giới hạn trung tâm

Ngày Số lượng sản xuất Tỷ lệ lỗi mặt cắt ỉ6.840 (%)

Tỷ lệ lỗi mặt cắt ỉ6.845 (%)

UCL = (Đường giới hạn trên)

LCL = (Đường giới hạn dưới)

: Tổng số lỗi trong suốt 15 ngày

: Tổng số sản phẩm kiểm tra trong suốt 15 ngày

Từ các dữ kiện giá trị của các đường và tỷ lệ của từng lỗi, nhóm tiến hành vẽ biểu đồ kiểm soát như sau:

Hỡnh 4.21 Biếu đồ kiểm soỏt lỗi mặt cắt ỉ6.840

Hỡnh 4.22 Biếu đồ kiểm soỏt lỗi mặt cắt ỉ6.845

Biểu đồ kiểm soát cho thấy tần suất xuất hiện của hai lỗi chính đều nằm trong vùng kiểm soát, giữa LCL và UCL, mà không có điểm trạng thái bất thường nào Điều này chứng tỏ rằng việc kiểm tra và duy trì kiểm soát hai lỗi chính diễn ra ổn định và không có sự bất thường.

Hiệu quả về mặt kinh tế

Sau khi cải tiến chất lượng mã hàng 1221-A, nhóm đã tính toán chi phí phát sinh do chất lượng không đạt Giá bán lẻ của mã hàng này có thể thay đổi tùy thuộc vào số lượng đơn đặt hàng, với giá trung bình là 375đ/1 sản phẩm Chi phí phát sinh từ hai lỗi chính (lỗi mặt cắt ỉ6.840 và lỗi mặt cắt ỉ6.845) trước và sau khi cải tiến được tính toán cụ thể.

Tổng số thành phẩm lỗi cần phải xử lý lại của hai lỗi trước cải tiến là 1200 sản phầm, vậy chi phí sửa lại là: 1200 x 375 = 450.000(VNĐ)

Tổng số thành phẩm lỗi cần phải xử lý lại của hai lỗi trước cải tiến là 801 sản phầm, vậy chi phí sửa lại là: 801 x 375 = 300.375(VNĐ)

So sánh trước và sau khi cải tiến:

Bảng 4.16 So sánh chi phí cho xử lý lỗi trước và sau cải tiến

Hạng mục Trước cải tiến Sau cải tiến

Chi phí tổn thất trung bình cho 1 sửa lại 450.000 (VNĐ) 300.375 (VNĐ)

Chi phí tổn thất trung bình trong 1 tháng (ước tính 30 lần sửa/tháng)

Chi phí tổn thất trung bình trong 1 năm

Sau khi cải tiến chất lượng sản phẩm, chi phí trung bình tiết kiệm được là 53.865.000 VNĐ mỗi năm, giảm từ 162.000.000 VNĐ xuống còn 108.135.000 VNĐ Kết quả cho thấy việc nâng cao chất lượng đã giúp tiết kiệm gần 54 triệu đồng/năm cho chi phí liên quan đến chất lượng kém.

ÁP DỤNG HỌC MÁY TRONG VIỆC THIẾT KẾ VÀ XÂY DỰNG PHẦN MỀM NHẬN DIỆN LỖI TỰ ĐỘNG

Tiêu chuẩn kiểm tra chất lượng sản phẩm của bộ phận QC

5.1.1 Tổng quan các tiêu chuẩn kiểm tra chất lượng hiện tại của bộ phận kiểm tra chất lượng (QC) Ở chương này, nhóm sẽ sử dụng mã hàng 0193-A để thu thập dữ liệu về các đặc điểm lỗi cũng như là đạt của mã hàng Dưới đây là bảng tổng quan các tiêu chuẩn kiểm tra chất lượng của mã hàng 0193-A tại bộ phận QC

Bảng 5.1: Bảng tiêu chuẩn kiểm tra chất lượng mã hàng 0193-A

Kiểm tra sản phẩm định tâm có đạt hay không Đảm bảo sản phẩm định tâm đúng yêu cầu Đạt

(Thang đo độ nhám nhám bề mặt)

Chú ý các lỗi xuất hiện bậc

Không xuất hiện bậc (sờ bằng tay) Đạt

Không có bavia,các cạnh sắc nét Đạt

5 Chú ý các lỗi xi mạ

Không đốm đen trên sản phẩm Đạt

6 Chú ý sản phẩm bị rỗ

Nhận thấy sản phẩm rỗ trên bề mặt

Chú ý đến bụi bẩn trên bề mặt sản phẩm

Khay inox, găng tay y tế đầy đủ trước khi kiểm tra sản phẩm Đạt

8 Chú ý lỗi rỉ Không rỉ Đạt

5.1.2 Đánh giá phương pháp kiểm tra hiện tại và những hạn chế của chúng

Hiện tại, nhân viên bộ phận QC phải kiểm tra 100% sản phẩm thủ công trước khi đóng gói và giao cho khách hàng Phương pháp này tuy quan trọng trong việc đảm bảo chất lượng sản phẩm nhưng vẫn có nhiều hạn chế, đặc biệt trong lĩnh vực cơ khí chính xác với các chi tiết nhỏ và số lượng kiểm tra lớn Dưới đây là những hạn chế của việc kiểm tra sản phẩm thủ công.

- Độ chính xác còn tùy thuộc vào kỹ năng, kinh nghiệm và sự tập chung của từng nhân viên

- Quá trình kiểm tra bằng phương pháp thủ công tốn khá nhiều thời gian và khó kiểm tra số lượng lớn sản phẩm trong thời gian ngắn

- Chi phí để trả và đào tạo nhân viên tương đối cao

- Hạn chế cho việc phát hiện lỗi nhỏ hoặc các khuyết điểm không rõ ràng

- Khó khăn cho việc thu thập, phân tích dữ liệu đã kiểm tra và xác định xu hướng của lỗi

- Yêu cầu nhân viên phải tập trung cao trong thời gian dài để đáp ứng sản lượng phải kiểm tra trong ngày gây căng thẳng và mệt mỏi

5.1.3 Tính cấp thiết của tự động hóa quy trình kiểm tra chất lượng bằng mô hình học máy

Với những hạn chế của phương pháp kiểm tra sản phẩm truyền thống, tự động hóa quy trình kiểm tra chất lượng bằng mô hình học máy ngày càng trở nên cần thiết Phương pháp này mang lại nhiều lợi ích vượt trội như phát hiện và phân loại lỗi sản phẩm chính xác cao, tăng tốc độ kiểm tra và đảm bảo quy trình không bị gián đoạn, từ đó giúp giảm chi phí và tối ưu hóa nguồn lực Hơn nữa, dữ liệu kiểm tra được thu thập và phân tích tự động, cung cấp thông tin chi tiết và chính xác về xu thế lỗi, hỗ trợ cải tiến quy trình sản xuất liên tục.

Thu thập dữ liệu và xây dựng mô hình CNN

5.2.1 Phương pháp thu thập dữ liệu các đặc điểm sản phẩm lỗi và sản phẩm đạt chất lượng

Mã hàng 0193-A sẽ được chụp hình theo tỷ lệ 1:1, bao gồm các đặc điểm sản phẩm không đạt tiêu chuẩn theo quy định của bộ phận QC và hình ảnh các đặc điểm đạt yêu cầu chất lượng Dữ liệu thu thập cần được tổ chức hệ thống, với mỗi loại đặc điểm nhóm được đưa vào thư mục riêng và đặt tên đúng theo từng đặc điểm Việc này giúp quá trình gán nhãn và quản lý dữ liệu dễ dàng hơn, đồng thời hỗ trợ mô hình CNN học và phân loại chính xác hơn.

Hình 5.1: Các thư mục gán tên theo từng đặc điểm sản phẩm

Hình 5.2: Hình ảnh đặc điểm trong thư mục Bề Mặt Đạt

Sau khi thu thập và gán nhãn các đặc điểm, dữ liệu được chia thành ba phần: Train, Validation và Test Thư mục Train chứa 80% dữ liệu ban đầu, được sử dụng để huấn luyện mô hình CNN học các đặc trưng và mẫu nhằm dự đoán chính xác Thư mục Validation, chiếm 20% dữ liệu, phục vụ để điều chỉnh mô hình, đánh giá hiệu suất và lựa chọn tham số tối ưu trong quá trình huấn luyện Cuối cùng, thư mục Test dùng để đánh giá mô hình sau khi hoàn tất huấn luyện, với dữ liệu là những hình ảnh mà mô hình chưa từng thấy.

Hình 5.3: Các thư mục Train, Validation và Test cho dữ liệu huấn luyện

5.2.2 Xử lý dữ liệu trước khi xây dựng mô hình học máy (CNN) Ở giai đoạn này, nhóm sẽ sử dụng trình duyệt Kaggle để tải dữ liệu cũng như là huấn luyện mô hình ở đây

Hình 5.4: Các thư mục Train, Validation và Test được đưa lên Kaggle

Trước khi đưa vào mô hình CNN, nhóm tác giả đã xử lý và chuẩn hóa dữ liệu pixel của hình ảnh từ 0 đến 255 sang khoảng từ 0 đến 1 Họ thực hiện các thao tác như cắt xén, phóng to và lật ngang hình ảnh để làm giàu dữ liệu đầu vào, giúp mô hình học được nhiều đặc trưng hơn và cải thiện khả năng tổng quát hóa Điều này góp phần nâng cao hiệu suất dự đoán của mô hình Để thực hiện việc xử lý và chuẩn hóa, nhóm đã sử dụng đoạn mã “ImageDataGenerator”.

Hình 5.5: Tạo ra lớp ImageDataGenerator để chỉnh sửa ảnh

Hình ảnh từ dữ liệu thư mục Train và Validation sẽ được điều chỉnh kích thước về 150x150 pixel và tổ chức thành các tập hình ảnh kích thước 32, với các nhãn lớp được mã hóa dạng vector nhị phân Việc này giúp chuẩn bị dữ liệu đầu vào hiệu quả cho quá trình huấn luyện mô hình CNN, đảm bảo mô hình học từ dữ liệu đa dạng và chất lượng.

Hình 5.6: Tạo bộ dữ liệu cho tập Train

Mã hóa các nhãn lớp trong tập dữ liệu Train và Validation là bước quan trọng giúp xử lý kết quả dự đoán của mô hình và thực hiện các thao tác liên quan đến việc quản lý nhãn lớp.

Hình 5.7: Trích xuất chỉ số của các lớp từ tập dữ liệu huấn luyện

5.2.3 Xây dựng mô hình CNN để nhận diện đặc điểm từ dữ liệu đã thu thập

Sau khi hoàn tất việc xử lý và gán nhãn dữ liệu đầu vào, nhóm đã tiến hành xây dựng cấu trúc mạng nơ-ron tích chập (CNN) nhằm nhận diện các đặc điểm sản phẩm từ dữ liệu hình ảnh thu thập được Mô hình mạng nơ-ron mà nhóm phát triển bao gồm:

- 11 lớp tích chập (Conv2D), số lần tích chập trong từng lớp dựa trên nguyên tắc và tăng dần qua các lớp Ví dụ: 32, 64, 128, 256, …

- 5 lớp gộp phần tử lớn nhất (MaxPooling) xen kẽ giữa 2 lớp tích chập

- 1 lệnh chuyển đổi dữ liệu 2D thành 1D để đưa vào lớp kết nối đầy đủ (Fully Connected Layer)

- 3 lớp kết nối đầy đủ (Dense)

- 1 lệnh giúp cho mô hình tránh hiểu quá mức vào dữ liệu huấn luyện mà không tổng quát hóa tốt trên dữ liệu mới (Dropout)

- 1 lớp đầu ra (Dense) với 7 tín hiệu, tương ứng với số lớp cần phân loại

Hình 5.8: Cấu trúc mạng CNN

5.2.4 Huấn luyện và đánh giá kết quả của mô hình trên dữ liệu Test

Sau khi hoàn thành cấu trúc mạng, nhóm đã bổ sung các lệnh để mô hình tính toán độ chính xác và mất mát, đồng thời cải thiện mô hình sau mỗi lần học Cuối cùng, mô hình được huấn luyện để nhận diện các đặc điểm từ dữ liệu qua 200 lần học.

Hình 5.9: Biên dịch và huấn luyện mô hình

Hình 5.10: Quá trình huấn luyện mô hình theo từng epoch

Sau khi mô hình học xong, nhóm tác giả đánh giá độ chính xác của mô hình thu được là 99,7% và hàm mất mát chỉ còn 0.93%

Hình 5.11: Giá trị hàm mất mát và độ chính xác của mô hình

Hình 5.12: Biểu đồ đánh giá mô hình huấn luyện qua từng Epoch

Hai biểu đồ (Hình 5.12) cho thấy độ chính xác của mô hình ngày càng được cải thiện qua từng lần học (Epochs), trong khi giá trị hàm mất mát (Loss) liên tục giảm Để đánh giá hiệu quả của mô hình, nhóm sẽ tiến hành kiểm tra trên tập Test nhằm xác định khả năng nhận diện đúng các đặc điểm lỗi mà mô hình chưa từng được học.

Hình 5.13: Kết quả thu được khi kiểm tra trong tập Test

Mô hình đã thành công trong việc nhận diện các đặc điểm lỗi của sản phẩm, như thể hiện trong kết quả thu được (Hình 5.13) Cuối cùng, nhóm sẽ lưu mô hình đã được huấn luyện dưới định dạng file h5 để tích hợp vào phần mềm nhận diện lỗi tự động.

Hình 5.14: Mô hình đã huấn luyện được lưu vào định dạng h5.

Thiết kế phần mềm nhận diện lỗi bằng ngôn ngữ lập trình Python

5.3.1 Phân tích yêu cầu về giao diện người dùng và tính năng cần có

Trước khi thiết kế giao diện người dùng cho mô hình máy học nhận diện lỗi tự động, việc phân tích và hiểu rõ các tính năng cần thiết theo yêu cầu của người dùng là rất quan trọng Điều này không chỉ giúp ứng dụng hoạt động hiệu quả mà còn nâng cao trải nghiệm người dùng.

• Đăng nhập: Hỗ trợ đăng nhập để bảo vệ dữ liệu và giới hạn quyền truy cập

Nút thu nhỏ và nút tắt ứng dụng là các chức năng cơ bản giúp người dùng dễ dàng quản lý ứng dụng, cho phép thu nhỏ hoặc tắt ứng dụng chỉ với một cú nhấp chuột.

• Tải ảnh từ bộ nhớ: Cho phép người dùng tải ảnh từ bộ nhớ lên ứng dụng để kiểm tra lỗi

Mở camera để kiểm tra sản phẩm trong thời gian thực giúp nhận diện lỗi ngay lập tức khi sản phẩm đi vào vùng kiểm tra, hỗ trợ quá trình kiểm soát chất lượng hiệu quả hơn.

• Nút nhấn thực hiện các chức năng riêng biệt: Giao diện cần có các nút chức năng riêng biệt để thực hiện các tác vụ khác nhau

• Khu vực hiển thị ảnh và kết quả kiểm tra: Tạo một khu vực riêng để hiển thị ảnh đã tải lên và kết quả kiểm tra lỗi

• Xuất dữ liệu: Hỗ trợ xuất dữ liệu kết quả kiểm tra dưới dạng file Excel để người dùng dễ dàng lưu trữ và phân tích sau này

• Phân tích kết quả: Cung cấp các công cụ phân tích kết quả kiểm tra, bao gồm biểu đồ Pareto để xếp hạng và phân tích xu hướng lỗi

Lưu trữ hình ảnh đã kiểm tra cho phép người dùng lưu lại các hình ảnh cùng với kết quả nhận diện lỗi, giúp họ dễ dàng tham khảo và tra cứu thông tin trong tương lai.

• Tính linh hoạt: Đảm bảo giao diện có tính linh hoạt để tích hợp thêm các tính năng mới trong tương lai mà người dùng có thể cần

- Tính thân thiện với người dùng:

Giao diện thân thiện với người dùng: Thiết kế giao diện ứng dụng cần đảm bảo tính dễ sử dụng, giúp người dùng dễ dàng tương tác và nắm bắt rõ ràng các tính năng cũng như chức năng của ứng dụng.

• Giao diện trực quan: Thiết kế giao diện sao cho trực quan, giúp người dùng dễ dàng nắm bắt thông tin và thao tác

• Màu sắc hấp dẫn: Sử dụng màu sắc hấp dẫn và hài hòa để tạo cảm giác thoải mái cho người dùng

Bố cục logic là yếu tố quan trọng trong thiết kế giao diện, giúp sắp xếp các thành phần một cách hợp lý để tối ưu hóa trải nghiệm người dùng Việc tổ chức các yếu tố một cách hợp lý không chỉ tạo sự dễ dàng trong việc sử dụng mà còn nâng cao tính trực quan của giao diện.

Hình 5.15: Ý tưởng ban đầu về giao diện người dùng

5.3.2 Giao diện đồ họa người dùng Ở phần này, nhóm tác giả sử dụng thư viện Tkinter trong ngôn ngữ lập trình Python để tiến hành viết giao diện Sử dụng thư viện OpenCV trong việc xử lý ảnh và mở camera Chương trình sẽ được viết và chạy trên phần mềm Visual Studio Code a) Giao diện đăng nhập:

- Vùng nhập tên đăng nhập và mật khẩu: Tạo hai ô nhập liệu để người dùng nhập tên đăng nhập và mật khẩu

Thêm nút "Đăng Nhập" dưới các ô nhập dữ liệu để người dùng có thể dễ dàng truy cập Khi nhấn nút này, hệ thống sẽ xác minh thông tin đăng nhập và cấp quyền truy cập nếu thông tin hợp lệ.

Để cải thiện trải nghiệm người dùng, ứng dụng đã được lập trình với tính năng ẩn các ký tự mật khẩu trong quá trình đăng nhập Ngoài ra, nhóm tác giả cũng đã thêm hiệu ứng âm thanh và hiển thị thông báo khi thông tin tên đăng nhập hoặc mật khẩu không khớp với dữ liệu đã được quy định trước.

Hình 5.17: Bảng thông báo khi người dùng nhập sai mật khẩu

Hình 5.18: Bảng thông báo khi người dùng nhập sai tên đăng nhập và mật khẩu b) Giao diện làm việc chính, nút nhấn và chức năng:

Giao diện làm việc chính được thiết kế để hiển thị các nút chức năng, khu vực hình ảnh và kết quả kiểm tra, đồng thời cung cấp thông tin về tên ứng dụng để người dùng nhận biết nguồn gốc của nó.

Hình 5.19: Giao diện màn hình chính khi đăng nhập thành công

Hình 5.20: Các thành phần trong giao diện chính

Khi người dùng nhấn nút “Kiểm Tra Hình Ảnh”, màn hình sẽ hiển thị 4 nút nhấn mới cho phép người dùng chọn ảnh từ bộ nhớ, kiểm tra ảnh, xóa ảnh và tắt quá trình kiểm tra.

Hình 5.21: Giao diện màn hình chính khi nhấn nút Kiểm Tra Hình Ảnh

Khi người dùng nhấn nút "Chọn Ảnh", một cửa sổ duyệt tệp sẽ mở ra để chọn ảnh cần kiểm tra Nút "Xóa Ảnh" cho phép người dùng xóa ảnh đã tải lên và chọn hình ảnh khác Để thực hiện quá trình nhận diện lỗi, người dùng sử dụng nút "Kiểm Tra" với ảnh đã tải lên.

Hình 5.22: Truy cập vào bộ nhớ máy khi nhấn nút “Chọn Ảnh”

Hình 5.23: Khu vực hiển thị hình ảnh đã chọn

Hình 5.24: Khu vực hiển thị kết quả dự đoán

Hình 5.25: Hình ảnh và kết quả kiểm tra được xóa khi nhấn nút Xóa Ảnh

Nút "Đóng" được sử dụng khi người dùng muốn tắt quá trình kiểm tra hình ảnh, khi nhấn nút này màn hình sẽ quay lại trạng thái ban đầu

Hình 5.26: Màn hình quay trở lại ban đầu khi nhấn nút Đóng

Nút "Mở Camera" cho phép kích hoạt camera đã kết nối để kiểm tra sản phẩm theo thời gian thực Khi nhấn nút này, màn hình sẽ hiển thị hình ảnh trực tiếp từ camera đang ghi lại.

Phần mềm chuyển sang chế độ mở màn hình Camera, hiển thị hình ảnh trực tiếp từ camera với một khung hình vuông ở giữa màn hình Sản phẩm chỉ được kiểm tra khi nằm trong khu vực này Để tắt cửa sổ, người dùng có thể nhấp vào dấu X ở góc trên cùng bên phải hoặc nhấn phím “esc” trên bàn phím Sau khi tắt cửa sổ, màn hình chính của ứng dụng sẽ hiển thị trở lại.

Màn hình hiển thị hình ảnh trực tiếp từ Camera, với khung màu đen khi không có sản phẩm trong vùng dự đoán hoặc khi sản phẩm không hợp lệ (0193) Khi sản phẩm được phát hiện, mô hình học máy sẽ kiểm tra các đặc điểm; nếu phát hiện lỗi, khung sẽ chuyển sang màu đỏ và hiển thị kết quả kiểm tra Ngược lại, nếu sản phẩm đạt yêu cầu, khung và chữ kết quả sẽ có màu xanh.

Kết quả thu được sau khi sử dụng phần mềm

5.4.1 Sử dụng phầm mềm nhận diện lỗi trên hình ảnh mã hàng 0193-A

Hình 5.36: Kết quả khi kiểm tra từ hình ảnh có sẵn

Nếu người dùng chọn ảnh không liên quan đến mã hàng 0193, một thông báo sẽ hiện lên yêu cầu họ "Vui lòng chọn ảnh phù hợp để kiểm tra", nhằm giúp người dùng lựa chọn lại ảnh sản phẩm chính xác.

Hình 5.37: Thông báo chọn lại ảnh khi mô hình không nhận diện được

5.4.2 Sử dụng phần mềm nhận diện sản phẩm trong thời gian thực

Hình 5.38: Sản phẩm khi chưa nằm trong vùng nhận diện

Hình 5.39: Kết quả khi mô hình nhận diện sản phẩm đạt chất lượng

Hình 5.40: Kết quả khi mô hình nhận diện sản phẩm không đạt chất lượng

Trong quá trình kiểm tra sản phẩm thời gian thực, mô hình nhận diện chính xác các đặc điểm của sản phẩm ngay khi chúng được đưa vào vùng nhận diện Sản phẩm được phân loại đạt hoặc không đạt thông qua việc chuyển màu của vùng nhận diện và hiển thị kết quả.

Thư viện OpenCV không hỗ trợ đầy đủ việc nhận diện chữ có dấu tiếng Việt, do đó các kết quả sẽ được xuất ra dưới dạng chữ không dấu Dưới đây là các kết quả đã được chuyển đổi sang chữ không dấu.

• Bề Mặt Đạt - Be Mat Dat

• Phi 6.85 Có Bậc - Phi 6.85 Co Bac

• Phi 8 Có Bậc - Phi 8 Co Bac

• Xi Không Đạt - Xi Khong Dat

• Định Tâm Lớn - Dinh Tam Lon

• Định Tâm Đạt - Dinh Tam Dat

5.4.3 Thống kê và phân tích kết quả thu được

Sau khi hoàn tất quá trình kiểm tra sản phẩm trong thời gian thực, người dùng có thể truy cập màn hình chính của ứng dụng và nhấn nút “Kết Quả Kiểm Tra” để mở thư mục chứa file Excel File này thống kê các kết quả kiểm tra và bao gồm biểu đồ Pareto thể hiện số lượng các lỗi đã được nhận diện.

Hình 5.41: Folder chứa kết quả kiểm tra và biểu đồ thống kê được mở

Tên các file sẽ bao gồm thông tin như nội dung, tên sản phẩm, ngày kiểm tra và số lần kiểm tra trong ngày Với cách đặt tên file này, người dùng có thể dễ dàng tìm kiếm và kiểm tra thông tin khi cần thiết.

Hình 5.42: Tên các file chứa ngày kiểm tra

Trong file Excel thống kê kết quả, sẽ có thông tin chi tiết về mô hình nhận diện, bao gồm số lượng sản phẩm được kiểm tra và tình trạng đạt hoặc không đạt, được ghi rõ ở ba hàng cuối cùng trong file.

Hình 5.43: Liệt kê kết quả mô hình nhận diện trong file excel

Hình 5.44: Số lượng sản phẩm được kiểm tra Ở cột “Kết Quả Nhận Diện”, các kết quả được bôi màu khác nhau vì mã hàng 0193-

Bài viết đề cập đến hai đặc điểm quan trọng cần kiểm tra trong quy trình sản xuất: Bề Mặt Phôi và Định Tâm Đối với mã hàng này, hệ thống sử dụng hai Camera để thực hiện kiểm tra Cụ thể, khi camera thứ nhất xác nhận bề mặt sản phẩm đạt tiêu chuẩn, camera thứ hai sẽ tiến hành kiểm tra định tâm sản phẩm Ngược lại, nếu camera thứ nhất phát hiện bề mặt sản phẩm không đạt chất lượng, camera thứ hai sẽ không thực hiện kiểm tra định tâm.

Khi bề mặt và định tâm đạt yêu cầu, kết quả sẽ được đánh dấu màu xanh Nếu bề mặt sản phẩm đạt nhưng định tâm không chính xác, kết quả sẽ được đánh dấu màu tím Cuối cùng, nếu bề mặt sản phẩm có lỗi, kết quả sẽ được đánh dấu màu đỏ.

Bảng 5.2: Bảng điều kiện khi Camera kiểm tra sản phẩm 0193-A

Bề Mặt Đạt Định Tâm Đạt Sản Phẩm Đạt

Bề Mặt Đạt Định Tâm Lỗi Sản Phẩm Lỗi

Bề Mặt Lỗi Sản Phẩm Lỗi

Kết quả từ file Excel sẽ tự động thống kê chính xác số lượng sản phẩm đã được kiểm tra Dựa trên số lượng từng lỗi, phần mềm sẽ tự động tạo ra biểu đồ Pareto.

Người dùng có thể mở thư mục chứa hình ảnh phần mềm đã chụp trong quá trình kiểm tra bằng cách nhấn vào “Hình Ảnh Kiểm Tra” trên màn hình chính Mỗi hình ảnh trong thư mục sẽ được đặt tên theo đặc điểm mà phần mềm nhận diện được trên sản phẩm.

Hình 5.46: Thư mục chứa hình ảnh phần mềm chụp lại trong quá trình kiểm tra

Hình 5.47: Hình ảnh nhận diện được chụp lại trong quá trình kiểm tra.

Đánh giá tác động khi sử dụng phần mềm

5.5.1 Các kết quả mà phần mềm đem lại

Trong quá trình sử dụng phần mềm, mô hình học máy đã nhận diện chính xác các đặc điểm trên mã hàng 0193-A một cách nhanh chóng Phần mềm cho phép ghi lại và lưu trữ kết quả, giúp người dùng dễ dàng tìm kiếm và kiểm tra lại thông tin Dựa trên dữ liệu thu được, phần mềm tự động phân tích lỗi và vẽ biểu đồ Pareto, giúp người sử dụng xác định lỗi phổ biến nhất và đưa ra quyết định cải tiến nhanh chóng.

5.2.2 Hiệu quả về kinh tế

Sau khi hoàn thành việc phát triển phần mềm, nhóm đã tiến hành tính toán và so sánh chi phí dự kiến cũng như số lượng sản phẩm được kiểm tra trong một ngày Hệ thống nhận diện được so sánh với phương pháp kiểm tra truyền thống sử dụng nhân công để đánh giá hiệu quả.

Bảng 5.3: Bảng ước tính chi phí và năng suất khi sử dụng hệ thống nhận diện Ước tính chi phí

(Trong vòng 10 năm) Ước tính năng suất

Hệ thống nhận diện lỗi tự động

Hệ thống nhận diện lỗi tự động

(2 người) Phần mềm, camera, ánh sáng, động cơ, hệ thống điều khiển, máy tính, hệ thống di chuyển sản phẩm

Việc áp dụng hệ thống tích hợp học máy đã giúp tiết kiệm hơn 140 triệu đồng mỗi năm cho chi phí nhân công, đồng thời nâng cao hiệu quả kiểm tra sản phẩm với số lượng tăng lên tới 5900 sản phẩm mỗi ngày.