Câu 1:

Những ưu điểm khi ứng dụng Digital Twin vào sản xuất

• Giảm lãng phí năng lượng và nguyên vật liệu: Mô phỏng dữ liệu giúp xác định nhanh
chóng các khu vực có hiệu quả thấp do đó ra quyết định tối ưu hóa trong thời gian ngắn
nhất.

• Tăng cường kiểm soát chất lượng: Digital Twin cho phép mô phỏng và dự đoán các
hạn chế tiềm năng của quy trình. Điều chỉnh kịp thời theo dữ liệu.

• Giảm thiểu dừng máy bất ngờ: Theo dõi liên tục quy trình và dự báo hư hỏng từ sớm
giúp bảo trì sớm, tránh dừng máy đột ngột, ảnh hưởng sản xuất.

Câu 2:

DTP là nguyên mẫu của sản phẩm. Nó giống như một công thức để tạo ra một sản phẩm.
Các nguyên mẫu, tùy thuộc vào tình huống, sẽ chứa thông tin liên quan đến các thuộc
tính vật lý, tính chất, thông số vận hành, danh mục vật liệu, số bộ phận, v.v.

Mục đích và ý nghĩa của việc tạo DTP:

▪ kiểm tra tính khả thi kỹ thuật.

▪ rút ngắn thời gian phát triển sản phẩm.

▪ giảm thiểu rủi ro trước khi đầu tư quy mô lớn.

Câu 3:

+ Các metrics quyết định hiệu quả hoạt động của DT có được tối ưu hóa hay không.

+ Chúng cho phép đo lường và theo dõi giá trị mà DT mang lại trong thực tế.

+ Là căn cứ để điều chỉnh chiến lược, hướng phát triển sao cho DT đem lại giá trị lớn
nhất.

+ Một số metrics có thể sử dụng gồm: hiệu suất sản xuất, thời gian chết máy, chi phí vận
hành, tỷ lệ lỗi sản phẩm..
Câu 4:

Trong integration testing của Digital Twin cần kiểm tra:

+ Các giao tiếp, kết nối và truyền dữ liệu giữa các module con của hệ thống.

+ Kiểm tra các interface, validation rules giữa các hệ thống con.

+ Tính toàn vẹn dữ liệu, xác thực các nghiệp vụ xuyên suốt qua nhiều module.

+ Kiểm tra các yêu cầu về bảo mật và điều khiển truy cập dữ liệu giữa các hệ thống. =>
Đảm bảo DT hoạt động thống nhất, đồng bộ, liền mạch.

Câu 5:

Quy trình thu thập dữ liệu ban đầu cần thiết để xây dựng digital twin cho máy phay
CNC

➢ Lắp các cảm biến cơ khí, nhiệt độ lên máy CNC

➢ Ghi nhận các thông số vận hành: tốc độ cắt, lực cắt, nhiệt độ đầu cắt

➢ Thu thập dữ liệu PLC điều khiển máy CNC

➢ Quét 3D để có dữ liệu CAD chính xác của máy CNC

➢ Đo điện áp, dòng điện tiêu thụ của các thiết bị

Câu 6:

Các bước chính trong quy trình lập kế hoạch xây dựng digital twin prototype

➢ Xác định phạm vi, ranh giới hệ thống

➢ Thu thập dữ liệu ban đầu

➢ Lựa chọn công nghệ mô phỏng phù hợp

➢ Xây dựng các mô-đun, kết nối chúng

➢ Kiểm thử và xác nhận mô hình

Ví dụ minh họa :

Quy trình xây dựng digital twin prototype cho một máy nén khí piston

1. Chọn máy nén khí piston hiệu Kaeser đang hoạt động trong nhà máy.

2. Thu thập dữ liệu:

• Cảm biến áp suất khí nén ra

• Cảm biến nhiệt độ khí nén

• Cảm biến rung động/tiếng ồn

• Cảm biến dòng điện tiêu thụ

3. Xây dựng mô hình 3D máy nén khí trên SolidWorks.

4. Mô phỏng nhiệt động bằng Ansys:

• Phân bố nhiệt trên bề mặt máy nén

• Mô phỏng quá trình nén và giãn nở khí

5. Mô phỏng quá trình điều khiển bằng MATLAB/Simulink.

6. Kiểm thử và hiệu chỉnh mô hình số digital twin.

Câu 7:

Thiết bị Tác động kinh Tính khả Độ phức tạp Thứ hạng
thi ưu tiên
doanh

Máy CNC 5 trục Cao Cao Trung bình 1

Lò hơi Trung bình Cao Cao 2

Bể chứa nguyên Cao Trung bình Thấp 3

liệu
 Băng tải vận Thấp Cao Thấp 4
chuyển

Hệ thống chiếu Thấp Thấp Thấp 5

sáng

Trong đó:

Tác động kinh doanh: mức độ ảnh hưởng đến hoạt động kinh doanh.

Tính khả thi: khả năng thực hiện Digital Twin.

Độ phức tạp: mức độ phức tạp để xây dựng Digital Twin.

Thứ hạng ưu tiên: xác định mức độ ưu tiên triển khai Digital Twin.

Câu 8.

Hệ thống vật lý mạng (CPS) là các hệ thống bao gồm các hệ thống vật lý (phần
cứng), hệ thống phần mềm và các loại hệ thống tiềm năng khác (ví dụ: hệ thống
của con người). Chúng được tích hợp chặt chẽ và nối mạng để cung cấp một số
hành vi toàn cầu. Do đó, CPS thường sẽ bao gồm phần cứng như cảm biến, bộ
truyền động và các hệ thống nhúng tương tự tương tác với thế giới thực cũng như
với các yếu tố phần mềm phức tạp.

Ví dụ xe tự lái, drone giao hàng, điều khiển tự động quá trình sản xuất theo cơ chế thông
minh,… Ngoài ra các CPS làm nhiệm vụ hỗ trợ con người trong hoạt động hàng ngày
như các trợ lý số, hệ thống phân tích, dự báo, tổng hợp, báo cáo,… cũng được phát triển
mạnh.

Câu 9:
 1. Tính toán phản ứng: Mặt khác, các hệ thống phản ứng liên tục tương
tác với môi trường thông qua đầu vào và đầu ra. Như một ví dụ cổ điển
về tính toán phản ứng, hãy xem xét chương trình điều khiển hành trình
ô tô.
2. Kết nối mạng: Các hệ thống CPS phải sử dụng cơ sở kết nối mạng của
giao tiếp giữa thế giới mạng và thế giới thực.
3. Mạnh mẽ & Độ tin cậy: Để đảm bảo hoạt động an toàn và hiệu quả
trong môi trường năng động, CPS cần phải có độ tin cậy hiệu quả.
4. Đồng thời: Trong các hệ thống mạng-vật lý đề cập đến việc thực hiện
đồng thời nhiều tác vụ hoặc quy trình theo cách phối hợp.
5. Tính toán theo thời gian thực: Các hệ thống CPS có khả năng tính
toán theo thời gian thực cho phép đưa ra quyết định động dựa trên dữ
liệu vật lý trong thế giới thực.
6. Ứng dụng Quan trọng về An toàn: Xét về các ứng dụng CPS trong
đó sự an toàn của các hệ thống của chúng tôi được ưu tiên cao hơn so
với hiệu suất và sự phát triển của hệ thống.

Câu 10:

Cấu trúc hệ thống CPS có thể được chia thành ba lớp:

1. người dùng

2. hệ thống thông tin

3. hệ thống vật lý

Công dụng:
Lớp người dùng hoàn thành công việc, bao gồm truy vấn dữ liệu, chiến lược và bảo vệ an
toàn, trong môi trường tương tác giữa người và máy tính.

Lớp hệ thống thông tin chịu trách nhiệm chính về truyền và xử lý dữ liệu được thu thập
bởi hệ thống vật lý.

Hệ thống vật lý là nền tảng của CPS; nó bao gồm các hệ thống nhúng, mạng cảm biến,
chip thông minh, v.v. và nó chịu trách nhiệm thu thập và truyền thông tin cũng như thực
hiện các tín hiệu điều khiển.

Câu 11:

 Kết nối thông minh

Thu thập dữ liệu chính xác và đáng tin cậy từ máy móc và các bộ phận của chúng
là bước đầu tiên trong việc phát triển ứng dụng CPS. Dữ liệu có thể được đo trực
tiếp bằng cảm biến hoặc thu được từ bộ điều khiển hoặchệ thống sản xuất doanh
nghiệp, chẳng hạn như hoạch định nguồn lực doanh nghiệp (ERP), hệ thống thực
hiện sản xuất (MES), quản lý chuỗi cung ứng (SCM) và quản lý sản xuất hợp
tác(CMM). Hai yếu tố quan trọng ở cấp độ này phải được xem xét: 1. Đầu tiên,
xem xét nhiều loại dữ liệu khác nhau, một phương pháp liền mạch và không có
ràng buộc để quản lý quy trình thu thập dữ liệu và truyền dữ liệu. 2. Thứ hai, phải
chọn cảm biến thích hợp (loại và thông số kỹ thuật) cho cấp độ đầu tiên.

 Chuyển đổi dữ liệu thành thông tin

Thông tin có ý nghĩa phải được lấy từ dữ liệu. Một số công cụ và phương pháp đã
được phát triển để chuyển đổi dữ liệu thành thông tin, với các thuật toán được thiết
kế đặc biệt cho việc tiên lượng và ứng dụng quản lý sức khỏe tài sản. Bằng cách
tính toán tình trạng, thời gian sử dụng hữu ích còn lại (RUL), v.v., cấp độ thứ hai
của kiến trúc CPS mang lại khả năng tự nhận thức cho máy móc.

 Mạng
 Cấp độ mạng là một trung tâm thông tin, với thông tin được đẩy tới nó từ mọi máy
được kết nối. Một lượng lớn thông tin được thu thập; do đó, các phân tích cụ thể
phải được sử dụng để trích xuất các thông tin liên quan thông tin về trạng thái của
từng máy. Với những phân tích này, hiệu suất của một máy có thể được so sánh
với các máy khác trong nhóm và được đánh giá tương ứng. Ngoài ra, sự tương
đồng giữa hiệu suất máy và hiệu suất của tài sản trước đó (thông tin lịch sử) có thể
được đo lường để dự đoán hành vi trong tương lai.

 Nhận thức

Việc triển khai CPS ở cấp độ này tạo ra kiến thức thấu đáo về hệ thống được giám
sát. Việc trình bày đúng đắn kiến thức thu được cho người dùng chuyên gia sẽ đưa
đến quyết định đúng đắn. Như so sánh thông tin và trạng thái máy riêng lẻ đều có
sẵn, có thể xác định mức độ ưu tiên của nhiệm vụ và tối ưu hóa quy trình bảo trì.
Đồ họa thông tin phù hợp là cần thiết để chuyển giao hoàn toàn kiến thức thu được
cho người dùng

 Mức độ định hình

Cấp độ cấu hình có phản hồi từ không gian mạng đến không gian vật lý. Cấp độ
này hoạt động như một hệ thống kiểm soát giám sát hoặc hệ thống kiểm soát khả
năng phục hồi. Máy móc tự cấu hình và tự thích ứng, đồng thời các quyết định
khắc phục và phòng ngừa được đưa ra ở cấp độ nhận thức sẽ được áp dụng cho hệ
thống được giám sát.

Câu 12.
Ở cấp độ kết nối, dữ liệu được thu thập từ các máy thông qua cả cảm biến bổ sung và tín
hiệu điều khiển. Ngoài độ rung bổ sung, phát xạ âm thanh, nhiệt độ và Thông tin cảm
biến, 20 biến điều khiển như tốc độ lưỡi cắt, thời gian cắt và chiều cao lưỡi cắt được lấy
từ bộ điều khiển logic khả trình (PLC) để làm rõ trạng thái làm việc của từng máy. Dữ
liệu hiện được xử lý trong máy tính công nghiệp được kết nối với mỗi máy.

Ở cấp độ chuyển đổi, máy tính công nghiệp thực hiện trích xuất tính năng và chuẩn bị dữ
liệu. Trích xuất đặc trưng bao gồm trích xuất các đặc điểm miền thời gian và miền tần số
thông thường, chẳng hạn như RMS, độ nhọn, phần trăm năng lượng của dải tần, v.v., từ
tín hiệu rung và âm thanh. Các tính năng được tính toán, cùng với dữ liệu trạng thái máy
khác, được gửi qua mạng internet hoặc Wi-Fi tới máy chủ đám mây nơi các giá trị tính
năng được quản lý và lưu trữ trong cơ sở dữ liệu

Ở cấp độ mạng, máy chủ đám mây áp dụng phương pháp phân cụm thích ứng để chia
miền dữ liệu liên tục thành các miền làm việc riêng biệt dựa trên mối quan hệ tương đối.
Phương pháp phân cụm thích ứng so sánh các giá trị hiện tại của các đối tượng với các
giá trị làm việc cơ bản và quá khứ. Nó xác định cụm phù hợp nhất trong quá khứ để phù
hợp với điều kiện làm việc hiện tại. Nếu không tìm thấy cụm phù hợp, thuật toán sẽ tạo
một cụm mới làm chế độ làm việc mới và tạo ra các mô hình sức khỏe liên quan cho chế
độ đó. Nếu điều kiện làm việc tương tự xảy ra lần nữa, thuật toán sẽ có chữ ký trong bộ
nhớ và sẽ tự động phân cụm dữ liệu mới vào chế độ làm việc cụ thể đó

Câu 13:

- Dữ liệu đầu vào:

 Tổng số hành khách đứng trên băng tải trong cùng khoảng thời gian
khảo sát từ 0 đến 300 giây.
 Dữ liệu hành khách là rời rạc, dữ liệu thời gian khảo sát là liên tục.
- Dữ liệu đầu ra:
 Đáp ứng của mô hình động lực học băng tải với hai đáp ứng là vận tốc
băng và công suất động cơ.
 Lưu lượng hành khách đồng thời tập trung trên các khoảng thời gian
khảo sát.
Nhận xét:
+ Trong hai giai đoạn khảo sát đầu thì lượng hành khách tập trung đồng thời
trên băng tải tăng liên tục do đó băng tải phải chuyển sang chế độ giờ cao
điểm do đó công động cơ phải ở chế độ cao nhất và vận tốc băng phải thay tỷ
lệ nghịch với tổng số hành khách đồng thời tập trung trên băng.
+ Trong giai đoạn khảo sát thứ 03 (từ giây 601-900) thì lượng hành khách
giảm thậm chí là bằng không nên băng tải chuyển sang chế độ giờ bình thường
nên vận tốc di chuyển và công suất động cơ chuyển về giá trị nhỏ nhất.
Câu 14:

Big Data được đặc trưng bởi một số đặc điểm chính, thường được biết đến qua thuật ngữ
"3V" (Volume, Velocity, Variety) và một số "V" bổ sung như Veracity, và Value. Dưới
đây là mô tả chi tiết về các đặc trưng của Big Data:

1. Volume (Lượng): Đặc trưng này đề cập đến khả năng xử lý và lưu trữ lượng lớn dữ
liệu. Dữ liệu trong Big Data có thể nằm trong khoảng từ hàng terabytes đến petabytes
hoặc thậm chí exabytes.
2. Velocity (Tốc độ): Tốc độ đề cập đến tốc độ nhanh chóng mà dữ liệu được tạo ra,
truyền tải, và xử lý. Dữ liệu có thể được tạo ra ở mức rất cao và yêu cầu xử lý theo thời
gian thực.

3. Variety (Đa dạng): Đa dạng đề cập đến sự đa dạng của dữ liệu, bao gồm cả dữ liệu
cấu trúc và phi cấu trúc như văn bản, hình ảnh, âm thanh, video, dữ liệu từ cảm biến và
thiết bị IoT.

4. Veracity (Chính xác): Veracity đề cập đến độ chính xác và đáng tin cậy của dữ liệu.
Dữ liệu từ nhiều nguồn có thể không luôn chính xác và cần được kiểm tra.

5. Value (Giá trị): Value đề cập đến khả năng trích xuất giá trị từ dữ liệu. Dữ liệu có giá
trị khi nó được sử dụng để đưa ra quyết định chiến lược và cung cấp thông tin hữu ích.
Mục tiêu của việc phân tích dữ liệu lớn không chỉ là về lượng, mà còn là về khả năng tận
dụng giá trị từ thông tin đó

Câu 15:

Khi ứng dụng Big Data, các tổ chức thường phải đối mặt với một loạt các khó khăn và
thách thức. Dưới đây là một số vấn đề tiêu biểu mà họ có thể gặp phải:

1. Bảo mật dữ liệu:

Với lượng dữ liệu lớn, đảm bảo an toàn và bảo mật thông tin trở thành một thách thức,
đặc biệt là với dữ liệu nhạy cảm

2. Khả năng xử lý dữ liệu lớn:

Việc xử lý và lưu trữ lượng lớn dữ liệu đồng thời đòi hỏi cơ sở hạ tầng mạnh mẽ và hiệu
quả

3. Chất lượng dữ liệu:

Dữ liệu thường không đồng nhất và có chất lượng không đảm bảo, từ việc thiếu sót đến
lỗi trong quá trình thu thập

4. Tìm kiếm và truy vấn dữ liệu:

Dữ liệu lớn đôi khi làm phức tạp quá trình tìm kiếm và truy vấn, đặc biệt là khi cần trích
xuất thông tin chi tiết

5. Khả năng mở rộng:

Với sự gia tăng nhanh chóng về lượng dữ liệu, khả năng mở rộng của hệ thống là một
thách thức đối mặt

6. Hiểu biết và kỹ năng:

Xử lý Big Data đòi hỏi kiến thức sâu rộng và kỹ năng chuyên sâu, từ việc hiểu biết về dữ
liệu đến việc sử dụng công cụ phức tạp

Câu 16:

Việc thu thập và phân tích dữ liệu lớn (Big Data) trong lĩnh vực y tế mang lại nhiều ứng
dụng quan trọng và đa dạng, từ cải thiện chăm sóc sức khỏe đến nghiên cứu y học và
quản lý nguồn lực y tế. Dưới đây là một số ứng dụng chính của Big Data trong lĩnh vực y
tế:

1. Chẩn đoán bệnh và dự đoán rủi ro: Phân tích dữ liệu lớn từ hồ sơ bệnh án, hình ảnh
y khoa, và các dữ liệu khác giúp cải thiện chẩn đoán bệnh và dự đoán rủi ro bệnh lý. Các
mô hình dự đoán được xây dựng trên dữ liệu giúp bác sĩ đưa ra quyết định chính xác và
nhanh chóng.

2. Quản lý bệnh án điện tử: Big Data hỗ trợ quản lý bệnh án điện tử, giúp đồng bộ và
chia sẻ thông tin bệnh án giữa các cơ sở y tế. Điều này cải thiện tính khả dụng và chính
xác của thông tin bệnh án

3. Dự báo đợt bệnh dịch và quản lý dịch bệnh: Big Data giúp dự báo và quản lý đợt
bệnh dịch bằng cách theo dõi sự lây lan của bệnh, dự đoán xu hướng, và cung cấp thông
tin để đưa ra các biện pháp phòng ngừa và kiểm soát

4. Nghiên cứu và phát triển dược phẩm: Dữ liệu lớn hỗ trợ trong nghiên cứu y học và
phát triển dược phẩm. Phân tích dữ liệu từ các thử nghiệm lâm sàng, thị trường dược
phẩm, và kết quả điều trị giúp tìm ra những phác đồ điều trị mới và hiệu quả.
5. Quản lý nguyên liệu và thiết bị y tế: Big Data giúp quản lý nguyên liệu và thiết bị y
tế thông qua theo dõi tồn kho, dự đoán nhu cầu, và tối ưu hóa quy trình cung ứng. Điều
này giúp giảm lãng phí và đảm bảo nguồn cung ứng ổn định

6. Dịch vụ y tế cá nhân hóa: Phân tích Big Data từ các dữ liệu cá nhân y tế có thể tạo ra
các dịch vụ y tế cá nhân hóa. Bác sĩ có thể đưa ra lời khuyên dựa trên lịch sử bệnh án và
yếu tố cá nhân của bệnh nhân để tối ưu hóa chăm sóc

7. Giảm chi phí y tế và quản lý nguồn nhân lực: Quản lý dữ liệu lớn giúp tối ưu hóa
chi phí trong hệ thống y tế. Bằng cách theo dõi hiệu suất, dự báo nhu cầu, và ngăn chặn
những vấn đề trước khi trở nên nghiêm trọng, Big Data giúp giảm chi phí và tăng hiệu
quả.

8. Dịch vụ chăm sóc sức khỏe ở nhà: Dữ liệu lớn có thể hỗ trợ dịch vụ chăm sóc sức
khỏe ở nhà bằng cách theo dõi các tham số sức khỏe từ xa và đưa ra cảnh báo về những
thay đổi có thể đe dọa sức khỏe của bệnh nhân

9. Phân tích kết quả điều trị và sự hài lòng của bệnh nhân: Big Data giúp theo dõi kết
quả điều trị và đánh giá sự hài lòng của bệnh nhân thông qua phản hồi và đánh giá. Điều
này giúp cải thiện chất lượng chăm sóc và tạo ra các dịch vụ tốt hơn

10. Phân loại và dự báo các loại bệnh: Sử dụng Machine Learning và AI, Big Data có
thể giúp phân loại các loại bệnh và dự báo xu hướng tăng trưởng của chúng trong cộng
đồng, giúp chuẩn bị cho các biện pháp phòng ngừa và điều trị

Câu 17:

Sử dụng Big Data trong cơ khí giúp tối ưu hóa hiệu suất, giảm chi phí, và làm cho quá
trình sản xuất và bảo trì trở nên hiệu quả hơn.

1. Dự báo bảo trì và sửa chữa:

Thu thập và phân tích dữ liệu từ cảm biến và thiết bị để dự đoán khi nào các máy móc và
thiết bị cần bảo trì hoặc sửa chữa giúp giảm thiểu thời gian dừng máy và chi phí phát
sinh, tăng hiệu suất và tuổi thọ của các hệ thống cơ khí.
2. Quản lý hiệu suất hệ thống:

Thu thập và phân tích dữ liệu về hoạt động và hiệu suất của các thiết bị, máy móc để tối
ưu hóa hiệu suất hệ thống cơ khí giúp đảm bảo rằng các máy móc hoạt động ở mức hiệu
suất cao nhất, giảm lãng phí năng lượng và tối ưu hóa quá trình sản xuất.

3. Dự đoán hỏng hóc và sự cố:

Thu thập và phân tích dữ liệu để dự đoán sự cố và hỏng hóc trước khi chúng xảy ra giúp
ngăn chặn sự cố trước khi chúng gây ra hỏng hóc nặng, giảm thời gian dừng máy và chi
phí sửa chữa.

4. Tối ưu hóa quy trình sản xuất:

Thu thập và phân tích dữ liệu để tối ưu hóa quy trình sản xuất, từ nguyên liệu đến sản
phẩm cuối cùng. Điều này giúp tăng năng suất, giảm lãng phí, và cải thiện chất lượng sản
phẩm

5. Quản lý chuỗi cung ứng:

Thu thập và phân tích dữ liệu để theo dõi và quản lý hiệu suất của đối tác và nhà cung
cấp. Giúp tối ưu hóa chuỗi cung ứng, giảm thiểu rủi ro và đảm bảo nguồn cung ổn định.

6. Thiết kế tối ưu và mô phỏng:

Thu thập và phân tích dữ liệu để tạo mô hình và mô phỏng quy trình sản xuất và thiết kế
máy móc. Hỗ trợ trong quá trình thiết kế mới và cải tiến, giảm thiểu lãng phí và tăng khả
năng đổi mới.

7. Phân tích hiệu suất cảm biến:

Thu thập và phân tích dữ liệu từ cảm biến để đánh giá hiệu suất và hoạt động của các
thành phần cơ khí. Giúp tăng cường độ chính xác của dữ liệu và giúp định rõ nguyên
nhân của các vấn đề kỹ thuật.

8. Tối ưu hóa tiêu thụ năng lượng:

Thu thập và phân tích dữ liệu để đánh giá và giảm tiêu thụ năng lượng của các hệ thống
và thiết bị cơ khí. Tối ưu hóa năng lượng sử dụng, giảm chi phí và tác động môi trường.

Câu 18:

Có bốn loại hình cơ bản trong phân tích dữ liệu (Data analytics) là: Phân tích mô tả
(Descriptive analytics), Phân tích chẩn đoán (Diagnostic analytics), Phân tích dự đoán
(Predictive analytics) và Phân tích đề xuất (Prescriptive analytics).

- Phân tích mô tả (Descriptive analytics): Phân tích mô tả trả lời cho câu hỏi về những
gì đã xảy ra, thông qua các biểu đồ, đồ thị,…. Ví dụ: So sánh số lượng chi tiết được chế
tạo trên các máy khác nhau, số chi tiết chế tạo lỗi giảm/tăng so với tháng trước,…

- Phân tích chẩn đoán (Diagnostic analytics): Giúp tìm ra nguyên nhân của một sự kiện
hoặc kết quả bằng cách phân tích các yếu tố liên quan. Hay nói cách khác, phân tích chẩn
đoán sẽ trả lời câu hỏi tại sao điều đó lại xảy ra. Ví dụ: phân tích để tìm ra lý do vì sao
các chi tiết gia công có độ nhám bề mặt lớn. Tìm ra lý do vì sao chi tiết bị lỗi lại không bị
phát hiện trong quá trình đóng gói.

- Phân tích dự đoán (Predictive analytics): Sử dụng các mô hình toán học và kỹ thuật
phân tích dữ liệu để dự đoán tương lai. Hay nói cách khác, phân tích dự đoán cho biết
những gì có khả năng xảy ra trong thời gian tới. Ví dụ: Phân tích để dự đoán tháng nào là
tháng có đơn hàng nhiều nhất trong năm.

- Phân tích đề xuất (Prescriptive analytics): Phân tích đề xuất sử dụng các thuật toán
mô phỏng và tối ưu hóa để tư vấn về các kết quả có thể xảy ra và trả lời: “Chúng ta nên
làm gì?”. Ví dụ như đề xuất cho công nhân tăng ca để đảm bảo sản lượng của đơn hàng

Câu 19:

- Bước 1: Xác định mục tiêu

Phải xác định rõ chúng ta cần giải quyết vấn đề gì. Ví dụ vấn đề được đặt ra là tìm ra lý
do tại sao chi tiết gia công có độ chính xác kích thước không đạt yêu cầu.

- Bước 2: Thu thập dữ liệu

Dữ liệu có thể được thu thập từ nhiều nguồn khác nhau như hệ thống máy tính, cơ sở dữ
liệu, mạng xã hội, trang web, bảng tính hoặc tập tin văn bản….

- Bước 3: Làm sạch dữ liệu

Loại bỏ các dữ liệu còn thiếu, dữ liệu bị trùng lặp, các dự liệu thừa, các dữ liệu ngoại lệ,
các giá trị không hợp lệ,…

- Bước 4: Tiền xử lý

Chuyển đổi dữ liệu từ định dạng này sang định dạng khác để đồng nhất định dạng dữ
liệu.

- Bước 5: Phân tích dữ liệu

Sau khi đã tiền xử lý dữ liệu, các phương pháp và kỹ thuật phân tích dữ liệu được sử
dụng để khám phá các mối quan hệ, xu hướng và mẫu trong dữ liệu. Các phương pháp
phân tích dữ liệu bao gồm các phương pháp thống kê, phân tích hồi quy, phân tích chuỗi
thời gian, khai phá dữ liệu, học máy

- Bước 6: Trực quan hóa dữ liệu

Để hiểu dữ liệu một cách dễ dàng và nhanh chóng, nên sử dụng các công cụ trực quan
hóa dữ liệu như biểu đồ, đồ thị, bản đồ, …

- Bước 7: Kết luận

Cuối cùng, sau khi đã phân tích dữ liệu và trực quan hóa dữ liệu, ta sẽ đưa ra các kết luận
từ dữ liệu đã phân tích để giải quyết vấn đề

Câu 20:

- Quy trình tưới nước: Sử dụng sensor đo độ ẩm và Timer (có thể sử dụng các loại
sensor khác tương ứng với việc giải thích hợp lý)
o Đo độ ẩm của đất (sensor đo độ ẩm)
o Đưa dữ liệu đo về hệ thống
o Hệ thống so sánh giá trị độ ẩm đo được và giá trị độ ẩm tối ưu
o Hệ thống ra quyết định đến cơ cấu chấp hành (bơm): tưới hoặc không tưới.
 Nếu độ ẩm của đất đo được lớn hơn độ ẩm tối ưu thì không tưới
  Nếu độ ẩm của đất đo được nhỏ hơn độ ẩm tối ưu thì tiến hành tưới.
Hệ thống sẽ tính toán lượng nước cần tưới là bao nhiêu, từ đó ra quyết
định cho bơm tưới trong thời gian bao lâu (Timer)
- Quy trình bón phân: Timer (có thể dùng các loại sensor khác tương ứng với sự giải
thích hợp lý)
o Khi thời gian (T) chưa đúng thời điểm tối ưu (Toi) thì không bón phân
o Khi thời gian (T) đúng thời điểm bón phân thì cơ cấu chấp hành sẽ được kích
hoạt. Cơ cấu chấp hành ở đây là các van đóng mở (được dẫn động bằng động
cơ). Timer đo thời gian mở van tương ứng với lượng phân bón được bón vào
đã được hệ thống tính toán sẵn.
- Quy trình điều chỉnh ánh sáng: sử dụng sensor đo cường độ ánh sáng và Timer
o Sensor sẽ đo cường độ ánh sáng của môi trường (IMT)
o Đưa dữ liệu đo về hệ thống
o Hệ thống so sánh cường độ ánh sáng đo được (IMT) với cường độ ánh sáng
tối ưu (Io) của từng loại hoa ở từng giai đoạn (dữ liệu lưu trữ trên hệ thống)
o Hệ thống ra quyết định đến cơ cấu chấp hành (cửa lấy ánh sáng)
 Nếu cường độ ánh sáng của môi trường (IMT) cao hơn cường độ ánh
sáng tối ưu (Io) thì hệ thống sẽ kích hoạt cho động cơ dẫn động cánh
cửa lấy ánh sáng đóng nhỏ lại (hạn chế ánh sáng mặt trời lọt vào)
 Nếu cường độ ánh sáng của môi trường (IMT) thấp hơn cường độ ánh
sáng tối ưu (Io) thì hệ thống sẽ kích hoạt cho động cơ dẫn động cánh
cửa lấy ánh sáng mở rộng ra (cho phép ánh sáng mặt trời lọt vào nhiều
hơn).
 Sensor sẽ đo cường độ sáng môi trường liên tục và gửi về hệ
thống để so sánh với cường độ sáng tối ưu, nếu trong vòng 30
phút mà đạt được đến cường độ sáng tối ưu thì hệ thống sẽ cho
cơ cấu chấp hành dừng lại
 Nếu trong vòng 30 phút mà không đạt đến giá trị tối ưu thì ánh
sáng mặt trời không đủ, lúc này hệ thống sẽ kích hoạt hệ thống
đèn chiếu sáng sẽ mở lên.
Câu 21:

Lớp kết nối:

Các nút cảm biến, máy móc và các thiết bị vật lý khác được kết nối với nhau thông qua
Internet. Dữ liệu thời gian thực được thu thập từ máy móc đóng vai trò là cấu trúc cơ bản
trong sự phát triển của các ngành công nghiệp trong tương lai. Các thiết bị thông minh
này liên tục giám sát hoạt động tự động của các quy trình công nghiệp khác nhau trong cả
môi trường bình thường và nguy hiểm, với sự can thiệp tối thiểu hoặc không có sự can
thiệp của con người. Do đó, sự an toàn của người lao động có thể được nâng cao và có
thể kiểm tra được các mối nguy hại về sức khỏe trong các ngành công nghiệp.

Lớp chuyển đổi:

Lớp thứ hai được dự đoán của các ngành trong tương lai sẽ trích xuất thông tin có ý nghĩa
từ dữ liệu được thu thập. Việc phân tích phức tạp dữ liệu được tạo ra từ các nút cảm biến
giúp ước tính tình trạng của máy, dự đoán lỗi và dự báo thời gian sử dụng hữu ích còn lại
của máy

Lớp mạng:

Chức năng chính của lớp này là trích xuất thông tin có ý nghĩa bổ sung để cung cấp nhận
thức sâu sắc hơn về hiệu suất của từng máy. Lớp này tạo thành trung tâm thông tin chính
của kiến trúc dự đoán. Sự giống nhau về xu hướng giữa hiệu suất của máy móc và thông
tin lịch sử trước đó giúp dự đoán hiệu suất trong tương lai của máy móc. Thông qua phân
tích sâu rộng, các máy này có khả năng tự so sánh hiệu suất của chúng. Hơn nữa, bảo mật
dữ liệu là một chức năng quan trọng khác của lớp mạng. Dữ liệu cần thiết để được bảo vệ
khỏi mọi hình thức đe dọa hoặc tấn công độc hại.

Lớp nhận thức:

Để đưa lớp nhận thức vào các ngành công nghiệp trong tương lai, cần có thông tin chi tiết
về toàn bộ hệ thống. Với sự trợ giúp của hệ thống hỗ trợ quyết định, các mô phỏng tích
hợp, phân tích phức tạp và giám sát từ xa các quy trình công nghiệp được thực hiện. Vì
vậy, những thông tin so sánh và đầy đủ về hiệu suất hoạt động của máy giúp ưu tiên và
tối ưu hóa các quyết định. Chẩn đoán kết hợp và ra quyết định là các chức năng quan
trọng của lớp này. Để chuyển thông tin thu được đến người dùng cuối, kiến thức đầy đủ
về hệ thống là điều cần thiết.

Lớp cấu hình:

Lớp này cung cấp phản hồi từ cấp độ mạng đến lớp vật lý hoặc lớp kết nối. Những phản
hồi giúp máy tự tối ưu và đưa ra quyết định chính xác. Dựa trên các quyết định được đưa
ra, máy móc sẽ tự tối ưu hóa và tự thích ứng với những thay đổi của môi trường.

Câu 22:

Trong Internet of Things (IoT) hay Internet vạn vật, cảm biến và cơ cấu chấp hành đóng
vai trò quan trọng trong việc thu thập dữ liệu và thực hiện các hành động dựa trên thông
tin đó. Dưới đây là mô tả tổng quan về cách chúng hoạt động:

Cảm biến (Sensors):

➢ Thu thập dữ liệu: Cảm biến là các thiết bị có khả năng đo đạc các thông số về môi
trường xung quanh, chẳng hạn như nhiệt độ, độ ẩm, ánh sáng, áp suất, độ rung, và nhiều
thông số khác.

➢ Chuyển đổi thành dữ liệu số: Dữ liệu từ cảm biến thường được chuyển đổi từ dạng
analog sang dạng số để có thể được xử lý bởi máy tính và các thiết bị điện tử khác.

Gửi dữ liệu (Data Transmission):

• Kết nối mạng: Dữ liệu từ cảm biến được chuyển đến một thiết bị chấp hành thông qua
kết nối mạng, chẳng hạn như Wi-Fi, Bluetooth, Zigbee, LoRa, hay các giao thức mạng
khác.

• Gửi dữ liệu: Các thiết bị cảm biến gửi dữ liệu đến một trung tâm quản lý hoặc các thiết
bị chấp hành khác trên mạng.

Xử lý Dữ liệu (Data Processing):

• Trung tâm quản lý hoặc Edge Devices: Dữ liệu từ cảm biến có thể được xử lý tại trung
tâm quản lý trung ương hoặc tại các thiết bị Edge (trên cùng mạng cấp thấp).

• Phân tích dữ liệu: Dữ liệu được phân tích để đưa ra thông tin hữu ích và đưa ra quyết
định. Việc này có thể diễn ra tại mức độ trung tâm hoặc phân tán (tại nơi thu thập dữ
liệu).
Cơ cấu chấp hành (Actuators):

• Thực hiện hành động: Dựa trên thông tin được xử lý, các cơ cấu chấp hành thực hiện
các hành động cụ thể. Điều này có thể làm bằng cách kích thích các thiết bị vật lý, như
động cơ, van, đèn, hay thậm chí là thông qua tương tác với các hệ thống khác.

• Kết nối mạng: Các cơ cấu chấp hành thường kết nối với mạng để nhận được chỉ thị và
cập nhật trạng thái.

Ví dụ cụ thể của IoT bao gồm các hệ thống nhà thông minh, nông nghiệp thông minh, và
quản lý năng lượng, nơi các cảm biến thu thập dữ liệu từ môi trường, sau đó các hệ thống
chấp hành thực hiện các hành động như điều chỉnh nhiệt độ, tưới nước tự động, hoặc
kiểm soát ánh sáng.

Câu 23

Tính chất chính phân loại các mô hình máy học nằm ở cách chúng học từ dữ liệu.Giám
sát (supervised learning) và không giám sát (unsupervised learning) là hai phương pháp
chính để huấn luyện các mô hình máy học. Dưới đây là giải thích và ví dụ minh họa cho
cả hai loại này: Supervised learning and Unsupervised learning

Giám sát (Supervised Learning):

Trong giám sát, mô hình được huấn luyện trên một bộ dữ liệu đã được gán nhãn, có nghĩa
là mỗi mẫu dữ liệu trong tập huấn luyện đi kèm với một nhãn hoặc kết quả mong muốn.
Ví dụ: Phân loại Email - Spam hoặc Không Spam: Dữ liệu Huấn luyện: Tập dữ liệu bao
gồm nhiều email đã được đánh giá là "Spam" hoặc "Không Spam". Mục tiêu: Mô hình
được huấn luyện để có khả năng dự đoán xem một email mới có phải là "Spam" hay
"Không Spam" dựa trên các đặc trưng của email.

Không Giám sát (Unsupervised Learning):

Trái ngược với giám sát, trong không giám sát, mô hình được huấn luyện trên dữ liệu
không có nhãn. Mục tiêu là tìm ra cấu trúc ẩn trong dữ liệu mà không có sự hướng dẫn rõ
ràng từ bên ngoài.
Ví dụ: Phân cụm dữ liệu - K-Means Clustering:

Dữ liệu Huấn luyện: Tập dữ liệu chỉ chứa các điểm dữ liệu mà không có nhãn.

Mục tiêu: Mô hình được huấn luyện để tự động phân chia dữ liệu thành các cụm dựa trên
sự tương đồng giữa các điểm dữ liệu.

Tóm tắt:

Giám sát: Sử dụng dữ liệu có nhãn để huấn luyện mô hình để dự đoán hoặc phân loại.

Không giám sát: Sử dụng dữ liệu không có nhãn để tìm kiếm cấu trúc hoặc mối quan hệ
ẩn trong dữ liệu.

Câu 24:

Hệ thống gồm các máy CNC và cảm biến trong môi trường công nghiệp có thể được mô
tả theo kiến trúc Internet of Things (IoT) với 5 lớp chính, theo mô hình chuẩn OSI (Open
Systems Interconnection). Dưới đây là mô tả về hoạt động của Internet vạn vật trong một
hệ thống như vậy:

Lớp 1: Lớp kết nối: Máy CNC và Cảm Biến:

Tại lớp này, các thiết bị vật lý như máy CNC và cảm biến được kết nối vào mạng thông
qua giao diện vật lý như Ethernet, Wi-Fi, hoặc các giao thức truyền thông công nghiệp
khác.

Lớp 2: Lớp chuyển đổi Chuẩn Giao Thức (Protocol Standards):

Các thiết bị được cấu hình để sử dụng các giao thức liên kết dữ liệu như Ethernet/IP,
PROFINET, hoặc các giao thức truyền thông công nghiệp khác để truyền dữ liệu giữa
chúng.

Lớp 3: Lớp Mạng Địa chỉ IP và Quản lý Mạng:

Các thiết bị trong hệ thống có địa chỉ IP duy nhất để xác định và quản lý truy cập mạng.
Giao thức IP được sử dụng để định tuyến dữ liệu giữa các máy CNC và cảm biến.

Lớp 4: Lớp cấu hình:

TCP/UDP: Các giao thức truyền tải như TCP (Transmission Control Protocol) hoặc UDP
(User Datagram Protocol) được sử dụng để đảm bảo truyền tải dữ liệu đáng tin cậy giữa
các thiết bị.

Lớp 5: Lớp nhận thức Giao Thức Ứng Dụng Công Nghiệp:

Trên cùng, ứng dụng được triển khai để thực hiện các nhiệm vụ cụ thể trong môi trường
công nghiệp, chẳng hạn như thu thập dữ liệu từ cảm biến, điều khiển máy CNC, quản lý
sản xuất, và liên tục truyền dữ liệu đến các hệ thống quản lý sản xuất cao cấp. Trong hệ
thống này, Internet vạn vật cung cấp khả năng kết nối, giám sát và điều khiển các thiết bị
CNC và cảm biến, tạo nên một môi trường sản xuất thông minh và linh hoạt.