Top 10 ý tưởng được đánh giá cao tại DENSO FACTORY HACKS 2023

Tại vòng loại của Hackathon năm 2023, có 10 đội được ban giám khảo lựa chọn và đánh giá cao từ gần 100 ý tưởng được gửi về. 

Để giải quyết những bài toán trong nhà máy sản xuất thông minh, các đội đã tiếp cận nhiều chủ đề khác nhau theo 5 flows của DENSO là Data, Goods, People, Energy và Resource.

Với câu chuyện về Data Connection- kết nối dữ liệu đã hấp dẫn đội EDABK_1 và Hello Kitty.

EDABK_1 đến từ ĐH Bách Khoa đã mô tả ý tưởng của mình là Vấn đề và giải pháp cho phần việc  ghi dữ liệu bằng tay trong hệ thống máy móc của nhà máy DENSO. Bài toán là quy trình làm hiện tại tốn thời gian đỏi hỏi công sức cũng như dễ xảy ra sai sót. Giải pháp của EDABK_1 là sử dụng 1 máy tính bảng và 1 thiết bị AI-hub để thu thập, xử lý và gửi dữ liệu đến máy chủ của DENSO. Giải pháp cũng giải thích về các loại máy khác nhau và cách hoạt động cho từng loại.

Trong khi đó, cùng chủ đề này, Hello Kitty chọn hướng xây dựng nhà kho dữ liệu- data warehouse để lưu trữ và tích hợp dữ liệu từ các phòng ban và máy móc khác nhau trong nhà máy, sử dụng các công cụ ELT, mô hình dữ liệu. Kho dữ liệu này cho phép phân tích dữ liệu theo thời gian thực, trực tuyến và báo cáo định kỳ giúp nhóm quản lý nhà máy theo dõi, tối ưu hóa hoạt động nhà máy. Giải pháp này sẽ giải quyết vấn đề dữ liệu bị phân mảnh và thiếu sót, đồng thời tạo ra một luồng dữ liệu rõ ràng và kết nối. Nhóm sẽ sử dụng một số phương pháp để trích xuất dữ liệu từ những máy móc cũ không thể tự động xuất dữ liệu.

Liên quan tới chủ đề Warehouse, một nhóm khác đến từ Đại học Bách Khoa là ICT-BK có sáng kiến về tối ưu hóa nhà kho.

ICT-BK đề xuất cho quản lý kho tại Nhà máy Denso Việt Nam, gồm việc xây dựng một cơ sở dữ liệu và một mô hình học máy để tối ưu hóa kế hoạch sản xuất, kiểm tra chất lượng, dự đoán đơn hàng, phân tích xu hướng lịch sử và tối ưu hóa chuỗi cung ứng. Giải pháp đề cập đến những hiểu biết có thể rút ra từ cơ sở dữ liệu, chẳng hạn như dự đoán tình trạng thiếu hụt hoặc thừa nguyên liệu, lập kế hoạch sản xuất, tiến hành kiểm tra chất lượng sản phẩm và đưa ra quyết định dựa trên dữ liệu.

Trong dòng chảy về con người, nhóm đến từ đại học FPT là FPTUx Optimize và nhóm Diamond đều chọn chủ đề Optimize Human Resources.

Ý tưởng của nhóm sinh viên của đại học FPT mô tả vấn đề và giải pháp về việc phân công nhân sự trong  nhà máy sản xuất DENSO. Vấn đề nêu ra là việc phân công nhân sự thủ công không hiệu quả, tốn kém và dễ mắc lỗi. Giải pháp là sử dụng dữ liệu và các kỹ thuật tối ưu hóa để tự động hóa quy trình phân công nhân sự và đạt được mục tiêu sản xuất. Giải pháp dựa trên các công cụ hiện có (như OR-Tools của Google và Giải quyết các Chương trình Số nguyên Ràng buộc (SCIP) cùng với các phương pháp phân công nhân sự và những lợi ích của việc phát triển một công cụ tùy chỉnh cho nhà máy DENSO. 

Còn đối với team Diamond, các bạn đề xuất tạo ra phần mềm web có khả năng dự đoán và phát hiện những lỗi bất thường trên máy móc và sắp xếp nhân lực để khắc phục. Phần mềm sẽ sử dụng các mô hình học máy/học sâu để phân tích dữ liệu lỗi và dữ liệu lao động, và gửi thông báo cùng lịch trình cho nhân viên. Nó cũng sẽ tối ưu hóa lực lượng lao động, xác định năng lực và năng suất của nhân viên, và thưởng cho những nhân viên làm việc hiệu quả. Phần mềm sẽ sử dụng dữ liệu từ tài liệu, máy móc, dây chuyền sản xuất, sự cố, bảo trì và hình ảnh để huấn luyện và kiểm tra các mô hình.

Sử dụng AI, trí tuệ nhân tạo là công nghệ chính của giải pháp, nhóm Magician khai thác chủ đề AVG.

Giải pháp là sử dụng sự kết hợp giữa học tăng cường (RL) và học bắt chước (IL) để tìm ra các lộ trình tối ưu cho các xe tự hành (AGVs) trong kho, giảm thiểu tổng khoảng cách, khoảng cách dài nhất, số lần va chạm và độ trễ. Giải pháp sử dụng một khung RL đa tác nhân, trong đó mỗi tác nhân học từ những quan sát và hành động của chính nó, và một khung IL, trong đó tác nhân tốt nhất cho đến nay đóng vai trò như một chuyên gia. Giải pháp sử dụng thuật toán A3C, trong đó chính sách và phần thưởng được biểu diễn dưới dạng các mạng nơ-ron sâu riêng biệt, và được cải thiện theo từng bước lặp. Giải pháp này linh hoạt, có thể mở rộng và tránh việc lập kế hoạch đường đi thủ công.

Không đứng ngoài cuộc với xu hướng công nghệ “hot” nhất hiện nay của AI là LLM- large language model, nhóm SmartABI chọn chủ đề ChatGPT.

SmartABI đưa ra ý tưởng phát triển sản phẩm DENSO GPT Expert, một ứng dụng sử dụng mô hình ngôn ngữ lớn để trả lời câu hỏi và cung cấp hướng dẫn cho nhân viên nhà máy. Nó sẽ tối ưu hóa việc sử dụng các tài liệu và báo cáo từ nhà máy, được số hóa và lưu trữ trong một kho kiến thức toàn diện.

Sản phẩm có ba tính năng chính: trả lời các câu hỏi về quy trình sản xuất và kiến thức chuyên môn, cung cấp hướng dẫn xử lý sự cố và trục trặc, và phân tích dữ liệu từ các báo cáo.

DENSO GPT giải quyết những thách thức của các nhóm người dùng khác nhau trong nhà máy, chẳng hạn như công nhân, bộ phận bảo trì và quản lý, bằng cách tiết kiệm thời gian, ngăn ngừa sai sót, ưu tiên các vấn đề, cung cấp thông tin chi tiết và tối ưu hóa lực lượng lao động.

Quan tâm tới dây chuyển sản xuất và sử dụng năng lượng của DENSO, nhóm 3H3N nảy ra ý tưởng về Abnomal Detect.

Các bạn tìm ra vấn đề của nhà máy là hệ thống hiện tại không giám sát hoặc phát hiện các bất thường trong việc sử dụng năng lượng, dẫn đến lãng phí điện và có thể gây hại cho thiết bị cũng như môi trường. 

Đưa ra giải pháp để kiểm soát mức tiêu thụ điện và tỷ lệ CO2 của các dây chuyền sản xuất trong nhà máy DENSO. Giải pháp là tạo ra một hệ thống sử dụng các mô hình AI để dự đoán và phát hiện các bất thường trong mức tiêu thụ điện và tỷ lệ CO2, sau đó báo cáo chúng cho hệ thống với các tham số và biểu đồ được trực quan hóa. 

Và trong câu chuyện vận hành, nhóm RHUSTer đưa ra ý tưởng về Predict Maintenance.

Nhóm muốn cung cấp hỗ trợ kịp thời để thay thế các công cụ đã mòn và tối ưu hóa quy trình sản xuất bằng cách thu thập dữ liệu về độ mòn của công cụ. RHUSTer chia các công cụ thành hai nhóm: các bộ phận tiêu hao và các thành phần không thể tháo rời, và đề xuất hai phương pháp: đánh giá trực tiếp và dự đoán thay thế.

Phương pháp đánh giá trực tiếp sử dụng thị giác máy tính để đo tỷ lệ mài mòn của công cụ và đưa ra cảnh báo khi chúng cần được thay thế.

Nó dự đoán thay thế sử dụng dữ liệu tần suất sử dụng của công cụ và máy móc để tạo ra các dự báo cho việc thay thế chúng.