Xây dựng mô hình phát hiện và giảm thiểu tắc nghẽn trong vận hành sản xuất bằng kỹ thuật học sâu và học tăng cường

Trong bối cảnh Việt Nam đang đẩy mạnh quá trình chuyển đổi số, việc ứng dụng các công nghệ tiên tiến trong khoa học dữ liệu vào sản xuất được xem là hướng đi chiến lược nhằm nâng cao năng lực cạnh tranh của doanh nghiệp. Sự phát triển mạnh mẽ của các thiết bị IoT đã mở ra khả năng thu thập dữ liệu theo thời gian thực một cách chính xác và liên tục, tạo nền tảng vững chắc cho việc triển khai các mô hình Deep Learning.

Khai thác hiệu quả dữ liệu chuỗi thời gian (Time Series) thông qua kiến trúc mô hình phù hợp, nhóm nghiên cứu: Vũ Đình Bảo Ngọc, Hà Thị Hương, Đặng Thị Thanh Huyền, Phạm Phương Anh, Bùi Khánh Sơn đã xây dựng mô hình dự đoán tắc nghẽn trong vận hành với độ chính xác cao, dao động từ 85% đến 97% trên bộ dữ liệu mô phỏng. Đồng thời, các dự báo từ mô hình cũng được tích hợp trở lại vào hệ thống dữ liệu như một cơ chế cảnh báo sớm.

Hình 1: Nhóm sinh viên nghiên cứu khoa học

Bên cạnh đó, nhóm nghiên cứu đã phát triển mô hình Reinforcement Learning nhằm mô phỏng các hành động điều chỉnh tắc nghẽn một cách tự động. Kết quả bước đầu cho thấy hiệu quả khả quan, với mức giảm tắc nghẽn từ 15% đến 20%. Tuy nhiên, do đề tài hiện vẫn sử dụng bộ dữ liệu mô phỏng – dù đã xây dựng được kịch bản sát thực tế – khả năng áp dụng trong môi trường thực tế vẫn đang trong quá trình đánh giá.

Nghiên cứu này không chỉ phù hợp với xu hướng hiện đại hóa sản xuất, mà còn góp phần giải quyết các thách thức thực tiễn như tối ưu hóa quy trình, giảm thiểu lãng phí tài nguyên và nâng cao hiệu suất hoạt động. Thông qua việc khai thác dữ liệu sản xuất, nghiên cứu hướng đến phát triển các giải pháp thông minh, hỗ trợ ngành công nghiệp Việt Nam thích ứng với nền kinh tế số và góp phần vào sự phát triển bền vững trong kỷ nguyên công nghiệp 4.0.