ÔN TẬP MÔN CÔNG NGHỆ 4.

0 TRONG LVCK

Câu 1: Hãy cho biết cấu trúc của CPS bao gồm các lớp nào? Công dụng của từng lớp là
gì?

Lớp người dùng hoàn thành công việc, bao gồm truy vấn dữ liệu, chiến lược và an toàn bảo
vệ trong tương tác giữa người và máy tính môi trường. Hệ thống vật lý điện tử hoạt động như
một vòng khép kín.

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

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

Câu 2: Mạng CPS 5 cấp là gì?

Smart Connection- kết nối thống minh: Thu thập dữ liệu chính xác và đáng tin cậy từ máy
móc. Các dữ liệu có thể được đo trực tiếp bằng cảm biến hoặc thu được từ bộ điều khiển hoặc
hệ thống sản xuất doanh nghiệp. Biểu hiện: cắm và chạy, giao tiếp không dây, mạng cảm biến

Data-to-information conversion-chuyển đổi dữ liệu thành thông tin: Thông tin có ý nghĩa
phải được suy ra từ dữ liệu. Phân tích thông minh cho tình trạng linh kiên, tương quan dữ liệu
đa chiều và dự đoán hiệu xuất. Tiên lượng và quản lý tình trạng vận hành của máy móc bằng
cách tính toán tình trạng, thời gian hữu dụng ước tính còn lại v.v., mang lại sự tự nhận thức
cho máy móc.

Cyber-mạng: Cấp độ mạng là một trung tâm thông tin, với thông tin được đưa tới từ mọi máy
được kết nối. Lượng thông tin khổng lồ được tập hợp lạ, các phân tích cụ thể được sử dụng để
trích xuất thông tin liên quan về trạng thái của từng máy. Từ đó, hiệu suất của một máy có thể
được so sánh với thiết bị khác trong hệ thống và được đánh giá phù hợp. Ngoài ra, sự tương
đồng giữa hiệu suất máy hiên tại và hiệu suất quá khứ có thể được đo lường để dự đoán tương
lai hành vi.

1
Cognition-nhận thức: Tạo ra kiến thức rõ ràng về hệ thống được giám sát. Trình bày đúng
kiến thức đã học để người dùng chuyên gia hỗ trợ quyết định chính xác được thực hiện. Tích
hợp mô phỏng và tổng hợp, trực quan hoá từ xa cho người vận hành. Từ đó, đưa ra quyết định
về việc thực hiện ưu tiên các nhiệm vụ để tối ưu hóa quá trình bảo trì. Cấp độ này chuyển giao
toàn bộ thông tinh thu thập và phân tích được cho người sử dụng.

Configuration-cấu hình: Cấp độ cấu hình là phản hồi từ không gian mạng đến không gian
vật lý và đóng vai trò kiểm soát giám sát để làm cho máy móc tự cấu hình và tự thích ứng.
Giai đoạn này đóng vai trò là hệ thống kiểm soát khả năng phục hồi (RCS) để áp dụng các các
quyết định khắc phục và phòng ngừa đã được đưa ra trong cấp độ nhận thức tới hệ thống được
giám sát. Biểu hiện: tự cấu hình cho khả năng phục hồi, tự điều chỉnh cho sự thay đổi, tự tối
ưu hoá cho sự xáo trộn.

Câu 4: Hãy nêu những đặc tính của dữ liệu lớn (Big Data)?

- Khối Lượng Lớn (Volume): Dữ liệu lớn đề cập đến lượng dữ liệu mà các hệ thống truyền
thống không thể xử lý một cách hiệu quả hoặc hiệu suất của chúng giảm khi phải xử lý
lượng dữ liệu lớn.

- Tốc Độ Nhanh (Velocity): Dữ liệu lớn thường được tạo ra, thu thập và xử lý với tốc độ
nhanh. Ví dụ, dữ liệu từ các thiết bị IoT hoặc mạng xã hội có thể được tạo ra liên tục và yêu
cầu xử lý ngay lập tức.

- Đa Dạng (Variety): Dữ liệu lớn thường bao gồm nhiều loại dữ liệu, bao gồm dữ liệu có
cấu trúc (ví dụ: cơ sở dữ liệu SQL), dữ liệu không có cấu trúc (ví dụ: văn bản), và dữ liệu
bán cấu trúc (ví dụ: JSON). Đa dạng này đặt ra thách thức trong việc lưu trữ và xử lý.

- Tính xác thực (Veracity): Dữ liệu lớn có thể có độ chính xác và độ tin cậy không đồng
nhất. Điều này làm tăng thách thức trong việc đảm bảo chất lượng dữ liệu và tin cậy của
thông tin được trích xuất từ dữ liệu.

- Tính hợp lệ (Validity): tính hợp lệ của dữ liệu cần thiết trong kinh doanh để xác định tính
hợp lệ của các mẫu dữ liệu cho việc hoạch định chiến lược kinh doanh.

2
- Tính lan truyền (Virality): tính lan truyền của dữ liệu thường được sử dụng để đo lường
phạm vi tiếp cận của dữ liệu.

- Giá Trị Thực (Value): Mặc dù dữ liệu lớn có thể bao gồm nhiều dữ liệu không có giá trị,
nhưng đồng thời cũng chứa đựng nhiều thông tin quý báu và cơ hội kinh doanh. Điều quan
trọng là có khả năng tìm kiếm, trích xuất và chuyển đổi dữ liệu thành giá trị thực.

Câu 5: Những khó khăn, thách thức khi ứng dụng Big data?

Khả năng Lưu trữ và Xử lý: Dữ liệu lớn đòi hỏi lưu trữ và xử lý khổng lồ. Việc quản lý và
duy trì các hệ thống lưu trữ và xử lý dữ liệu lớn có thể trở nên đắt kỹ thuật và tài chính.

Bảo mật và Quyền Riêng Tư: Bảo mật dữ liệu lớn là một vấn đề lớn. Với lượng dữ liệu lớn,
rủi ro về bảo mật tăng lên, và việc đảm bảo tính riêng tư của thông tin cá nhân trở nên phức
tạp.

Tính Tương Thích và Chuẩn Hóa: Dữ liệu thường được lưu trữ và quản lý từ nhiều nguồn
khác nhau, có định dạng và cấu trúc khác nhau. Tính tương thích và chuẩn hóa dữ liệu để có
thể sử dụng chung có thể là một thách thức lớn.

Hiệu suất và Tốc độ xử lý: Xử lý dữ liệu lớn đòi hỏi tốc độ xử lý và hiệu suất cao. Đối mặt
với việc xử lý lượng dữ liệu khổng lồ có thể làm giảm hiệu suất và tăng thời gian phản hồi.

Chất lượng Dữ liệu: Dữ liệu lớn thường chứa nhiều dữ liệu không chính xác, không đầy đủ,
hoặc không nhất quán. Việc đảm bảo chất lượng dữ liệu là một thách thức quan trọng.

Quản lý Dữ liệu Phức Tạp: Quản lý dữ liệu lớn đòi hỏi các kỹ thuật quản lý dữ liệu phức
tạp, từ việc phân phối dữ liệu đến việc quản lý vòng đời của dữ liệu.

Nguy cơ Mất Mát Dữ liệu: Với lượng dữ liệu lớn, nguy cơ mất mát dữ liệu do sự cố kỹ
thuật, lỗi người dùng, hoặc các vấn đề khác tăng lên.

Chi phí Triển khai và Duy trì: Triển khai và duy trì một hệ thống Big Data đòi hỏi đầu tư
lớn về cả phần cứng và phần mềm, cũng như chi phí liên quan đến đào tạo nhân sự.

3
Pháp lý và Tuân thủ Quy định: Các vấn đề liên quan đến pháp lý và tuân thủ quy định có
thể tăng cường khi sử dụng dữ liệu lớn, đặc biệt là khi liên quan đến quyền riêng tư và bảo
mật.

Khả năng Tìm Kiếm và Trích xuất Thông tin: Việc tìm kiếm và trích xuất thông tin từ dữ
liệu lớn có thể trở nên phức tạp, đặc biệt là khi cần phải xử lý các loại dữ liệu không cấu trúc.

Câu 7: Hãy nêu một số mục đích của việc thu thập và phân tích dữ liệu lớn (Big data)
trong lĩnh vực cơ khí?

Tối ưu hóa Quy trình Sản xuất: Phân tích dữ liệu lớn giúp đánh giá và tối ưu hóa quy trình
sản xuất trong ngành cơ khí. Dữ liệu về hiệu suất máy móc, thời gian chờ đợi, và lượng sản
phẩm có thể được sử dụng để đưa ra quyết định nhằm tăng cường hiệu suất toàn bộ hệ thống.

Bảo trì Dựa trên Tình trạng (Predictive Maintenance): Sử dụng dữ liệu lớn để dự đoán
và lên kế hoạch bảo dưỡng dựa trên tình trạng thực tế của các thiết bị cơ khí. Điều này giúp
giảm thiểu thời gian dừng máy, tăng tuổi thọ của thiết bị và giảm chi phí bảo dưỡng.

Quản lý Chuỗi Cung Ứng: Dữ liệu lớn có thể được sử dụng để theo dõi và quản lý chuỗi
cung ứng, từ việc dự đoán nhu cầu nguyên liệu đến giám sát hiệu suất của các đối tác cung
ứng. Điều này giúp đảm bảo sự liên tục và hiệu quả của quá trình sản xuất.

Kiểm soát Chất Lượng: Phân tích dữ liệu lớn từ các thiết bị cảm biến có thể giúp kiểm soát
chất lượng sản phẩm. Theo dõi các thông số như kích thước, trọng lượng, và các chỉ số khác
giúp đảm bảo rằng sản phẩm đáp ứng các tiêu chuẩn chất lượng.

Tối ưu hóa Thiết kế Sản phẩm: Dữ liệu lớn có thể được sử dụng để đánh giá hiệu suất và
phản hồi về sản phẩm. Thông tin từ việc sử dụng sản phẩm trong thực tế có thể được đưa
vào quá trình thiết kế để tối ưu hóa chức năng và tuỳ chỉnh sản phẩm theo nhu cầu thị trường.

An toàn và Bảo mật: Phân tích dữ liệu lớn để theo dõi và đánh giá mô hình an toàn trong
môi trường cơ khí. Dữ liệu này có thể giúp định rõ nguy cơ, giảm thiểu tai nạn lao động, và
đảm bảo tuân thủ các tiêu chuẩn an toàn.

4
Nâng cao Dịch vụ Sau bán hàng: Sử dụng dữ liệu từ việc sử dụng sản phẩm để cung cấp
dịch vụ hỗ trợ sau bán hàng tốt hơn. Theo dõi hiệu suất và độ tin cậy của sản phẩm trong
thực tế giúp cung cấp dịch vụ bảo trì và hỗ trợ một cách hiệu quả.

Tổng cộng, việc sử dụng dữ liệu lớn trong lĩnh vực cơ khí không chỉ giúp tối ưu hóa hiệu
suất và quy trình sản xuất mà còn tạo ra các cơ hội mới để cải thiện chất lượng sản phẩm và
dịch vụ.

Câu 9: Các thiết bị công nghiệp cần có cảm biến và các cơ cấu chấp hành. Theo bạn liên
kết giữa Internet vạn vật và cảm biến với cơ cấu chấp hành hoạt động như thế nào?

Internet vạn vật (IoT) liên quan đến việc kết nối và thu thập dữ liệu từ các thiết bị và cảm
biến thông qua internet để cung cấp thông tin, giám sát, và điều khiển từ xa.

Cảm biến:

+ Chức năng: Cảm biến được sử dụng để đo lường và thu thập dữ liệu về các yếu tố môi
trường như nhiệt độ, áp suất, độ rung, độ ẩm, hoặc các thông số khác liên quan đến quá trình
sản xuất.

+ Liên kết với IoT: Cảm biến được kết nối với mạng IoT, cho phép chúng gửi dữ liệu đo
lường của mình đến các hệ thống thu thập dữ liệu trực tuyến.

Internet vạn vật (IoT):

+ Chức năng: IoT là một hệ thống kết nối các thiết bị và cảm biến với internet, tạo ra một
mạng lưới thông tin liên tục và có thể được quản lý từ xa.

+ Liên kết với Cảm biến: Dữ liệu từ cảm biến được truyền đến các nút IoT, nơi chúng
được tổ chức, xử lý, và chuyển tiếp đến hệ thống trung tâm hoặc các thiết bị khác thông qua
internet.

Cơ cấu chấp hành:

+ Chức năng: Cơ cấu chấp hành là các thiết bị hoặc hệ thống có khả năng thực hiện các
hành động dựa trên thông tin mà chúng nhận được từ cảm biến và hệ thống IoT.

5
 + Liên kết với IoT: Dữ liệu từ cảm biến và IoT được sử dụng để ra quyết định và điều
khiển cơ cấu chấp hành. Các quyết định này có thể bao gồm việc kích thích một thiết bị,
điều chỉnh cấu hình, hoặc thậm chí là thay đổi quy trình sản xuất.

Tích hợp và Tương tác: Dữ liệu từ cảm biến và IoT cung cấp thông tin thời gian thực, giúp
cơ cấu chấp hành đáp ứng nhanh chóng và linh hoạt theo biến động của môi trường hoặc quá
trình sản xuất.

Việc tích hợp thông tin từ cảm biến vào hệ thống IoT tạo ra khả năng tương tác và quản lý tự
động, giúp tối ưu hóa hiệu suất và giảm thiểu sự can thiệp của con người.

Vậy kết hợp giữa cảm biến, IoT và cơ cấu chấp hành trong môi trường công nghiệp tạo ra
một hệ thống thông tin động và linh hoạt, đóng vai trò quan trọng trong việc nâng cao hiệu
suất và quản lý thông minh trong các quy trình sản xuất.

Câu 10: Bạn hiểu gì học có giám sát và không có giám sát (Supervised learning,
unsupervised learning) , hãy cho thí dụ minh họa.

Học có giám sát là mô hình được huấn luyện trên một tập dữ liệu đã được gán nhãn. Điều này
có nghĩa là dữ liệu đầu vào đã được ghép cặp với đầu ra mong muốn (nhãn), có thể được tách
thành nhiều loại vấn đề khi khai thác dữ liệu: Learning Associations, Classification,
Regression, Decision Trees, Random forest , Neural Networks , Support Vector
Machines.

Ví dụ Bài toán Phân loại Email Spam:

Dữ liệu đầu vào: Email

Nhãn: "Spam" hoặc "Không phải Spam"

Mô hình học máy có giám sát được huấn luyện trên một tập dữ liệu email đã được đánh nhãn
để dự đoán xem một email mới có phải là spam hay không.

Ví dụ Bài toán Dự đoán Giá Nhà:

Dữ liệu đầu vào: Đặc trưng của căn nhà (diện tích, số phòng, v.v.)

Nhãn: Giá nhà

6
Mô hình học máy có giám sát được huấn luyện để dự đoán giá nhà dựa trên các đặc trưng đã
cho.

Học không giám sát là một kỹ thuật học máy trong đó các mô hình không được giám sát
bằng tập dữ liệu huấn luyện. Thay vào đó, các mô hình tự tìm ra các mẫu và thông tin chi tiết
ẩn từ dữ liệu đã cho. Các mô hình học tập không giám sát được sử dụng cho ba nhiệm vụ
chính: phân cụm, liên kết và giảm kích thước.

Phân cụm là một kỹ thuật khai thác dữ liệu để nhóm dữ liệu không được gắn nhãn dựa trên
những điểm tương đồng hoặc khác biệt của chúng.

Liên kết là một kỹ thuật khai thác dữ liệu xác định mối quan hệ giữa các biến trong các tập dữ
liệu lớn.

Giảm kích thước: Giảm kích thước là một kỹ thuật khai thác dữ liệu làm giảm số lượng biến
trong một tập dữ liệu trong khi vẫn giữ lại càng nhiều thông tin càng tốt.

Ví dụ Phân loại Chủ đề Tài liệu:

Dữ liệu đầu vào: Các văn bản tài liệu

Mô hình học máy không có giám sát được sử dụng để phân loại các văn bản vào các chủ đề
mà không cần biết trước nhãn của chúng.

Ví dụ Phân cụm Khách hàng dựa trên Hành vi Mua sắm:

Dữ liệu đầu vào: Lịch sử mua sắm của khách hàng

Mô hình học máy không có giám sát được sử dụng để phân cụm khách hàng dựa trên hành
vi mua sắm chung, mà không cần biết trước nhãn nào cho từng khách hàng.

Câu 11: Trong một hệ thống gồm các máy CNC, cảm biến hãy mô tả hoạt động của
internet vạn vật.

Internet vạn vật (IoT) trong một hệ thống máy CNC và cảm biến có thể được triển khai để tối
ưu hóa quản lý và hiệu suất của hệ thống.

7
Kết nối và Thu thập Dữ liệu: Mỗi máy CNC có thể được trang bị các thiết bị kết nối IoT để
gửi dữ liệu về trạng thái, hiệu suất và sử dụng năng lượng của máy. Các cảm biến trên máy có
thể theo dõi tốc độ cắt, nhiệt độ, và các thông số khác. Cảm biến trên máy CNC có thể được
kết nối IoT để gửi dữ liệu về các điều kiện môi trường như nhiệt độ và độ ẩm, cũng như thông
tin về chất lượng vật liệu đang được gia công.

Phân tích Dữ liệu và Đưa ra Quyết định Thông Minh: Dữ liệu từ máy CNC và cảm biến
được chuyển đến một hệ thống phân tích dữ liệu trực tuyến. Các thuật toán máy học và trí tuệ
nhân tạo có thể được sử dụng để phân tích thông tin này và đưa ra dự đoán về hiệu suất máy
và tiềm năng sự cố. Các quyết định có thể bao gồm việc đề xuất lịch trình bảo dưỡng dựa trên
tình trạng thực tế của máy CNC, hoặc cảnh báo về việc điều chỉnh tham số gia công để tối ưu
hóa chất lượng sản phẩm.

Tương tác và Điều Khiển Từ Xa: Các hệ thống IoT cung cấp khả năng tương tác từ xa với
máy CNC và cảm biến. Quản lý có thể theo dõi và điều khiển máy CNC từ xa thông qua giao
diện trực tuyến. Nếu có vấn đề phức tạp hoặc sự cố, họ có thể thực hiện các biện pháp khắc
phục từ xa hoặc gửi hướng dẫn chi tiết đến nhân viên bảo trì.

Tích hợp với Hệ Thống Quản lý Sản Xuất Toàn diện: Dữ liệu từ IoT có thể được tích hợp
với hệ thống quản lý sản xuất tổng thể để cung cấp cái nhìn toàn cảnh về hiệu suất và quản lý
tài nguyên. Các thông tin này có thể được sử dụng để lên kế hoạch sản xuất, dự đoán nhu cầu
bảo dưỡng, và quản lý tài nguyên với mức độ chi tiết cao.

Tóm lại, IoT trong hệ thống máy CNC và cảm biến không chỉ cung cấp dữ liệu thời gian thực
mà còn giúp tối ưu hóa quy trình sản xuất, cải thiện hiệu suất máy, và giảm thiểu thời gian
gián đoạn do bảo dưỡng không đúng hẹn.

Câu 12: Nêu những ưu điểm then chốt nhất khi ứng dụng Digital Twin vào quản lý và
vận hành một nhà máy sản xuất? Hãy liệt kê và giải thích ngắn gọn 3 ưu điểm mà bạn
cho là quan trọng nhất.

Tối ưu hóa Hiệu suất và Quy trình: Digital Twin cung cấp một môi trường mô phỏng chính
xác của nhà máy, giúp quản lý hiểu rõ hơn về quy trình sản xuất. Điều này cho phép họ dự
đoán và tối ưu hóa hiệu suất, giảm lãng phí tài nguyên, và cải thiện khả năng sử dụng thiết bị.

8
Dự đoán và Phòng ngừa Sự cố: Digital Twin có khả năng mô phỏng các điều kiện khác nhau
và đưa ra dự đoán về sự cố có thể xảy ra. Điều này giúp quản lý thực hiện các biện pháp
phòng ngừa trước khi sự cố xảy ra thực tế, giảm thiểu thời gian gián đoạn và chi phí sửa chữa.

Tăng cường Bảo dưỡng Dựa trên Tình trạng: Digital Twin hỗ trợ quản lý triển khai mô
hình bảo dưỡng dựa trên tình trạng thực tế của thiết bị. Thay vì thực hiện bảo dưỡng theo lịch
trình cố định, họ có thể dựa vào dữ liệu thực tế và thông tin từ Digital Twin để lên kế hoạch
bảo dưỡng tối ưu, giảm thiểu thời gian dừng máy và chi phí liên quan.

Những ưu điểm này giúp tăng cường khả năng quản lý, giảm chi phí vận hành, và tối ưu hóa
quy trình sản xuất trong môi trường nhà máy sản xuất. Digital Twin đóng vai trò quan trọng
trong việc đưa ra quyết định thông minh và làm tăng tính hiệu quả của toàn bộ hệ thống.

Câu 13: Giải thích ý nghĩa của việc xây dựng một digital twin prototype là gì? Nêu 3
mục đích, lợi ích của việc làm này.

Xây dựng một Digital Twin prototype là quá trình tạo ra một phiên bản số của một hệ thống,
sản phẩm hoặc quy trình thực tế. Đây là một công cụ mô phỏng có khả năng tái tạo và theo
dõi mọi khía cạnh của hệ thống gốc, từ dữ liệu đến quy trình hoạt động.

Đánh giá và Tối ưu hóa Hiệu suất:

+ Mục đích: Digital Twin prototype cho phép tổ chức đánh giá hiệu suất của hệ thống trước
khi triển khai thực tế.

+ Lợi ích: Điều này giúp tối ưu hóa quy trình làm việc, dự đoán và giải quyết vấn đề hiệu
suất, cũng như cải thiện sự linh hoạt và độ đáng tin cậy của hệ thống.

Dự đoán và Phòng ngừa Sự cố:

+ Mục đích: Digital Twin prototype có thể mô phỏng các điều kiện và sự kiện khác nhau để
dự đoán và phòng ngừa sự cố.

+ Lợi ích: Việc này giúp giảm thiểu rủi ro và chi phí liên quan đến sự cố bằng cách đưa ra
cảnh báo sớm và giúp tổ chức thực hiện các biện pháp phòng ngừa.

Thử nghiệm và Phát triển mới:

9
 + Mục đích: Digital Twin prototype cung cấp môi trường an toàn để thử nghiệm và phát triển
các ý tưởng mới và cải tiến.

+ Lợi ích: Tổ chức có thể nhanh chóng thử nghiệm các biến đổi, kịch bản và cập nhật trong
môi trường an toàn mà không ảnh hưởng đến hệ thống thực tế. Điều này giúp tăng tốc quá
trình đổi mới và làm tăng khả năng cạnh tranh.

Nhìn chung, việc xây dựng một Digital Twin prototype là một cách mạnh mẽ để tận dụng ưu
điểm của thế giới số, giúp tổ chức đưa ra quyết định thông minh, tối ưu hóa hiệu suất, và tăng
cường khả năng đổi mới trong môi trường kinh doanh ngày nay.
Câu 14: Theo bạn, tại sao việc xác định các metrics để theo dõi giá trị là rất quan trọng
trong việc triển khai Digital Twin cho doanh nghiệp?

Việc xác định các metrics (chuẩn đoán) để theo dõi giá trị là rất quan trọng trong việc triển
khai Digital Twin cho doanh nghiệp vì nó mang lại nhiều lợi ích quan trọng.

Đo lường hiệu suất: Metrics giúp doanh nghiệp đo lường hiệu suất của hệ thống thông qua
Digital Twin. Các chỉ số này có thể bao gồm thời gian đáp ứng, tải trọng làm việc, hiệu suất
năng lượng, và các yếu tố khác liên quan đến hoạt động của hệ thống. Điều này giúp đánh giá
xem Digital Twin có đang mang lại giá trị thực sự cho doanh nghiệp hay không.

Tối ưu hóa quy trình và tự động hóa: Metrics cung cấp thông tin về hiệu quả và hiệu suất
của các quy trình kinh doanh mà Digital Twin đang mô phỏng. Dựa trên thông tin này, doanh
nghiệp có thể tối ưu hóa quy trình làm việc và áp dụng tự động hóa để cải thiện hiệu suất và
giảm chi phí.

Dự đoán và phòng tránh sự cố: Các metrics có thể giúp dự đoán các sự cố tiềm ẩn và đưa ra
các biện pháp phòng tránh. Digital Twin, khi được theo dõi thông qua các metrics, có thể cảnh
báo về những vấn đề sắp xảy ra và giúp doanh nghiệp ngăn chặn chúng trước khi ảnh hưởng
đến hoạt động kinh doanh.

Tăng cường quyết định dựa trên dữ liệu: Metrics cung cấp dữ liệu và thông tin quan trọng
để hỗ trợ quyết định. Việc theo dõi các chỉ số như hiệu suất, chi phí, và chất lượng giúp doanh
nghiệp ra quyết định dựa trên dữ liệu thực tế và có sự đánh giá chính xác về tình hình.

10
Tối ưu hóa sử dụng tài nguyên: Các metrics giúp doanh nghiệp theo dõi và quản lý tài
nguyên hiệu quả hơn. Việc tối ưu hóa sử dụng tài nguyên như nguyên liệu, năng lượng, và
thiết bị giúp giảm lãng phí và tăng cường bền vững.

Đánh giá giá trị kinh doanh: Metrics cung cấp cơ sở dữ liệu cho việc đánh giá giá trị kinh
doanh mà Digital Twin mang lại. Việc đo lường giá trị giúp doanh nghiệp hiểu rõ hơn về lợi
ích kinh tế và các ảnh hưởng khác từ việc triển khai Digital Twin.

Tóm lại, việc xác định và theo dõi các metrics không chỉ giúp đánh giá hiệu suất của Digital
Twin mà còn hỗ trợ quyết định chiến lược và tối ưu hóa hoạt động kinh doanh của doanh
nghiệp.

Câu 15: Giải thích ý nghĩa của integration testing trong quá trình xây dựng Digital Twin
prototype. Cần kiểm tra những gì ở bước này?

Integration testing là một giai đoạn kiểm thử phần mềm trong quá trình xây dựng Digital
Twin prototype. Giai đoạn này nhằm kiểm tra tính tương thích và tính hợp nhất giữa các
thành phần phần mềm khác nhau trong hệ thống. Nó đảm bảo rằng các thành phần phần mềm
hoạt động đúng cách khi được kết hợp với nhau và đáp ứng được các yêu cầu chức năng và
phi chức năng của hệ thống. Cần kiểm tra:

Giao tiếp giữa các thành phần: Đảm bảo rằng các thành phần của Digital Twin có thể truyền
thông và tương tác với nhau một cách chính xác. Điều này đặc biệt quan trọng khi các thành
phần này được phát triển độc lập và sau đó được tích hợp vào một hệ thống lớn hơn.

Dữ liệu chia sẻ và đồng bộ hóa: Kiểm tra cách dữ liệu được chia sẻ giữa các thành phần.
Đảm bảo rằng dữ liệu được truyền đúng định dạng và đồng bộ hóa chính xác giữa các thành
phần để đảm bảo tính nhất quán của thông tin trong Digital Twin.

Tính ổn định và độ tin cậy: Kiểm tra tính ổn định của hệ thống khi các thành phần hoạt động
cùng nhau. Đảm bảo rằng Digital Twin có khả năng xử lý các tình huống không mong muốn
và duy trì độ tin cậy khi tích hợp.

Đối tượng và sự tương tác: Kiểm tra sự tương tác giữa các đối tượng trong Digital Twin, đặc
biệt là khi chúng tương tác với các sự kiện hoặc trạng thái thay đổi.

11
Tính bảo mật: Đảm bảo rằng tích hợp các thành phần không làm suy giảm tính bảo mật của
hệ thống. Kiểm tra xác thực, ủy quyền và các biện pháp bảo mật khác trong môi trường tích
hợp.

Hiệu suất và tối ưu hóa: Kiểm tra hiệu suất của Digital Twin khi các thành phần được tích
hợp. Điều này bao gồm kiểm tra tải, thời gian phản hồi, và tối ưu hóa để đảm bảo rằng hệ
thống hoạt động mượt mà và hiệu quả.

Thông qua việc kiểm tra những khía cạnh này, integration testing giúp đảm bảo rằng Digital
Twin prototype có khả năng hoạt động như mong đợi khi các thành phần kết hợp lại với nhau,
tạo ra một mô hình số chính xác và đáng tin cậy của hệ thống thực tế.

Câu 17: Trình bày các bước chính trong quy trình lập kế hoạch xây dựng digital twin
prototype. Cho ví dụ minh họa.

Xác định mục tiêu: Đầu tiên, xác định mục tiêu chính của việc xây dựng digital twin
prototype. Điều này bao gồm định rõ các yêu cầu, mong đợi và lợi ích mà bạn muốn đạt được
từ việc triển khai digital twin.

Xác định dữ liệu và thông tin cần thiết: Xác định các nguồn dữ liệu và thông tin cần thiết để
xây dựng digital twin. Điều này có thể bao gồm dữ liệu từ cảm biến, hệ thống giám sát, hệ
thống quản lý, và các nguồn dữ liệu khác.

Thiết kế kiến trúc: Xác định kiến trúc tổng thể cho digital twin prototype. Điều này bao gồm
xác định các thành phần chính, cách thức tích hợp các nguồn dữ liệu, và cấu trúc tổ chức của
hệ thống.

Chọn công nghệ: Đánh giá và chọn lựa công nghệ phù hợp để triển khai digital twin
prototype. Các công nghệ có thể bao gồm phần mềm phân tích dữ liệu, hệ thống quản lý dữ
liệu, công nghệ đám mây, công nghệ IoT (Internet of Things), và các công nghệ khác liên
quan.

Phát triển và triển khai: Bắt đầu xây dựng digital twin prototype bằng cách phát triển các
thành phần và tích hợp dữ liệu. Thực hiện các bài kiểm tra và sửa lỗi để đảm bảo tính ổn định

12
và đáng tin cậy của hệ thống. Sau đó, triển khai digital twin prototype và xác nhận tính hoạt
động chính xác.

Đánh giá và kiểm tra: Tiến hành đánh giá và kiểm tra digital twin prototype để đảm bảo nó
đáp ứng được yêu cầu và mục tiêu ban đầu. Điều này có thể bao gồm việc so sánh kết quả
thực tế với dữ liệu mô phỏng, kiểm tra tính chính xác và độ tin cậy của dữ liệu đầu vào và đầu
ra.

Tinh chỉnh và cải tiến: Dựa trên kết quả từ bước trước, tiến hành tinh chỉnh và cải tiến digital
twin prototype. Điều này có thể bao gồm tối ưu hóa thuật toán, nâng cao tính tương thích với
các hệ thống khác, và điều chỉnh các thông số để đạt được hiệu suất tốt hơn.

Ví dụ minh họa: Giả sử bạn đang xây dựng một digital twin prototype cho một nhà máy sản
xuất. Mục tiêu của bạn là tạo ra một hệ thống digital twin có thể giám sát và dự đoán hiệu suất
và sự cố của các thiết bị trong nhà máy.

Ứng dụng:

Câu 3. Cho một mô hình ứng dụng CPS 5 cấp vào hệ thống sản xuất như hình 1, hãy cho
biết công dụng của CPS trong trường hợp là gì, giải thích ý nghĩa của từng cấp?

Câu 6: Hãy nêu một số ứng dụng của việc thu thập và phân tích dữ liệu lớn (Big data)
trong lĩnh vực y tế?

13
Dự đoán bệnh tật: Big data có thể được sử dụng để dự đoán các bệnh tật và các yếu tố nguy
cơ bệnh tật. Các mô hình dự đoán này có thể giúp các nhà y tế đưa ra các quyết định về chẩn
đoán và điều trị.
Phát hiện bệnh tật sớm: Big data có thể được sử dụng để phát hiện các bệnh tật sớm hơn.
Các mô hình phát hiện này có thể giúp các nhà y tế đưa ra các quyết định về chẩn đoán và
điều trị.
Tối ưu hóa quy trình chăm sóc sức khỏe: Big data có thể được sử dụng để tối ưu hóa quy
trình chăm sóc sức khỏe. Các mô hình tối ưu hóa này có thể giúp các nhà y tế đưa ra các quyết
định về chẩn đoán và điều trị.
Nghiên cứu y tế: Big data có thể được sử dụng để thực hiện các nghiên cứu y tế. Các nghiên
cứu này có thể giúp các nhà y tế đưa ra các quyết định về chẩn đoán và điều trị.
Quản lý dữ liệu y tế: Big data có thể được sử dụng để quản lý dữ liệu y tế. Các hệ thống quản
lý dữ liệu này có thể giúp các nhà y tế đưa ra các quyết định về chẩn đoán và điều trị.
Câu 8: Theo bạn, trong Internet vạn vật công nghiệp có mấy lớp, chúng là những lớp gì
và giải thích các lớp đó trong minh họa thực tế.

Lớp Thiết Bị (Device Layer): Lớp này bao gồm các thiết bị IoT như cảm biến, máy đo,
actuators và các thiết bị thu thập dữ liệu khác. Đây là lớp ở cấp độ thấp nhất, nơi dữ liệu
được sinh ra và thu thập trực tiếp từ môi trường.

Ví dụ Thực Tế: Trong một nhà máy sản xuất, các cảm biến trên máy móc và dây chuyền sản
xuất đại diện cho lớp thiết bị. Các cảm biến này có thể đo lường nhiệt độ, áp suất, hoặc các
thông số khác và gửi dữ liệu về hệ thống.

Lớp Trung Tâm (Gateway Layer): Lớp này đóng vai trò như một cầu nối giữa lớp thiết bị
và lớp đám mây. Nó thường chứa các thiết bị gateway hoặc trạm cầu nối để xử lý, lọc dữ
liệu và thậm chí có thể thực hiện xử lý trí tuệ nhân tạo (AI) tại chỗ.

Ví dụ Thực Tế: Trong hệ thống theo dõi và quản lý năng suất, các trạm cầu nối có thể được
sử dụng để tổ chức và xử lý dữ liệu từ các cảm biến trên dây chuyền sản xuất. Nó có thể
thực hiện công việc lọc dữ liệu, giảm độ trễ, và gửi dữ liệu quan trọng đến lớp đám mây.

14
Lớp Đám Mây (Cloud Layer): Lớp đám mây là nơi dữ liệu từ lớp thiết bị và lớp trung tâm
được chuyển và lưu trữ. Nó cung cấp khả năng lưu trữ lớn và khả năng xử lý mạnh mẽ cho
việc phân tích dữ liệu và tạo ra thông báo, dự đoán, hoặc quyết định tự động.

Ví dụ Thực Tế: Trong hệ thống quản lý thông minh cho một thành phố, lớp đám mây có thể
lưu trữ và xử lý dữ liệu từ hàng ngàn cảm biến trên các đèn đường, cảm biến ô nhiễm không
khí và các thiết bị khác. Nó có thể tạo ra thông báo về tình trạng giao thông, chất lượng
không khí và cung cấp dữ liệu cho các ứng dụng di động để cung cấp thông tin cho người
dùng.

Câu 16: Với một hệ thống máy CNC đã chọn, hãy mô tả cụ thể quy trình thu thập dữ
liệu ban đầu cần thiết nhằm xây dựng digital twin.

Xác định Mục Tiêu Digital Twin: Xác định rõ mục tiêu xây dựng Digital Twin cho máy
CNC. Điều này có thể bao gồm việc theo dõi hiệu suất, dự đoán bảo trì, tối ưu hóa quy trình
sản xuất, hoặc cả ba.

Xác định Các Thông Số Cần Thu Thập:

+ Dữ Liệu Hệ Thống: Xác định các thông số hoạt động quan trọng như tốc độ quay, lực
cắt, nhiệt độ, độ chính xác của sản phẩm, và bất kỳ dữ liệu nào liên quan đến quy trình sản
xuất.

+ Dữ Liệu Cảm Biến: Xác định các cảm biến cần thiết để thu thập dữ liệu, ví dụ như cảm
biến nhiệt độ, cảm biến lực, cảm biến gia tốc, hoặc bất kỳ cảm biến nào khác quan trọng cho
quy trình sản xuất.

+ Dữ Liệu Tích Hợp: Xác định cách tích hợp dữ liệu từ máy CNC với các hệ thống khác
như hệ thống quản lý sản xuất (MES), hệ thống bảo trì, hoặc hệ thống quản lý chuỗi cung
ứng.

Triển Khai Cảm Biến và Hệ Thống Thu Thập Dữ Liệu:

+ Lắp Đặt Cảm Biến: Lắp đặt cảm biến vào các điểm chiến lược trên máy CNC để thu
thập dữ liệu liên quan đến các thông số quan trọng.

15
 + Kết Nối Các Thiết Bị Thu Thập Dữ Liệu: Kết nối các thiết bị thu thập dữ liệu với máy
CNC và các cảm biến. Điều này có thể bao gồm việc sử dụng giao thức IoT để truyền dữ
liệu đến các nút IoT hoặc trạm cầu nối.

Thu Thập và Ghi Dữ Liệu:

+ Thu Thập Dữ Liệu Thời Gian Thực: Thiết lập quy trình thu thập dữ liệu thời gian thực
để đảm bảo việc theo dõi liên tục và chi tiết về hoạt động của máy CNC.

+ Lưu Trữ Dữ Liệu: Lưu trữ dữ liệu thu thập vào một kho lưu trữ an toàn và có khả năng
mở rộng, có thể là trong đám mây hoặc trong hệ thống lưu trữ on-premise.

Phân tích và Xử lý Dữ Liệu

+ Phân Tích Dữ Liệu: Sử dụng công nghệ phân tích dữ liệu để hiểu rõ xu hướng, biến
động và mối quan hệ trong dữ liệu thu thập từ máy CNC.

+ Tạo Mô Hình Digital Twin: Dựa trên dữ liệu thu thập và phân tích, xây dựng mô hình
Digital Twin của máy CNC. Mô hình này có thể được tạo ra bằng cách sử dụng các kỹ thuật
mô phỏng và mô hình hóa.

Kiểm Thử và Tối Ưu Hóa: Kiểm thử mô hình digital twin với dữ liệu thực tế và điều chỉnh
các tham số để đảm bảo tính chính xác và ứng dụng thực tế.

Triển Khai và Liên Tục Cập Nhật: Triển khai mô hình digital twin vào môi trường sản
xuất và liên tục cập nhật mô hình với dữ liệu mới để duy trì tính chính xác và đồng bộ với
điều kiện hoạt động thực tế.

Câu 18: Áp dụng Digital Twin prioritization matrix xác định thứ tự ưu tiên triển khai Digital
Twin giữa 5 thiết bị sau trong một nhà máy, từ cao nhất đến thấp nhất. Giải thích ngắn gọn
câu trả lời của bạn.

1 Máy CNC 5 trục

2 Lò hơi

3 Bể chứa nguyên liệu

16
4 Băng tải vận chuyển

5 Hệ thống chiếu sáng

17