Giải thích AI cho giám sát lực bấm đầu cốt: bằng chứng về độ chính xác và khả năng hiểu

Một cảnh báo “thiếu sợi dẫn” xuất hiện, đồng thời màn hình tô đỏ một đoạn trên đường cong lực bấm đầu cốt. Điều này có thể giúp kỹ sư xác định nên bắt đầu kiểm tra từ đâu. Tuy nhiên, hai câu hỏi vẫn chưa được giải đáp: sản phẩm có thực sự thiếu sợi dẫn hay không, và vùng màu đỏ có giúp người dùng thực hiện đúng biện pháp xử lý hay không.

Bài phân tích này dành cho kỹ sư chất lượng và kỹ sư công nghệ đang đánh giá việc giám sát lực bấm đầu cốt bằng AI. Dựa trên một nghiên cứu công khai của Hofmann và các cộng sự, chúng tôi xem xét riêng kết quả phân loại, giải thích của mô hình và tác động đối với người sử dụng. Bài viết chỉ ra các mẫu số và điều kiện so sánh có thể dùng trực tiếp trong đánh giá kỹ thuật. Bài báo được công bố ngày 31 tháng 3 năm 2026; bản chính thức của nhà xuất bản ghi ngày 10 tháng 4. Đây là bài phân tích chuyên đề về một nghiên cứu đã có. Bài báo gốc

Tách riêng ba đối tượng cần đánh giá

Có thể từng bước thiết lập mối liên hệ giữa ba đối tượng này, nhưng chúng không thay thế cho nhau. Khi đánh giá, chúng tôi đề xuất trước hết xem sai sót đi theo hướng nào, sau đó xem phần giải thích được kiểm chứng ra sao, và cuối cùng xem người sử dụng đã hoàn thành những nhiệm vụ thực tế nào. Các phần dưới đây lần lượt xem xét bằng chứng sẵn có trong bài báo theo thứ tự đó.

Từ một đường cong đến bốn giai đoạn tô màu: mô hình làm gì?

Nghiên cứu sử dụng rừng ngẫu nhiên để phân loại các đường cong lực bấm đã qua tiền xử lý thành ba nhóm: bình thường, thiếu sợi dẫn và lớp cách điện bị bấm vào vùng bấm lõi dẫn. Rừng ngẫu nhiên gồm nhiều cây quyết định. Mỗi cây đưa ra nhận định dựa trên các đặc trưng đầu vào, sau đó các nhận định được kết hợp thành đầu ra của mô hình. Trong nghiên cứu này, đầu vào là các điểm lấy mẫu liên tiếp trên đường cong, chứ không phải một giá trị đỉnh do con người chọn trước. Tiếp theo, TreeExplainer của SHAP tính mức đóng góp của từng điểm lấy mẫu vào đầu ra cho một lớp cụ thể. Bài báo, mục 3; Tài liệu chính thức về rừng ngẫu nhiên

Có thể đọc chuỗi xử lý như sau:

1. Thu thập và tiền xử lý→
2. Rừng ngẫu nhiên đưa ra lớp phân loại→
3. TreeSHAP giải thích đầu ra cho lớp đó→
4. Tổng hợp mức đóng góp theo giai đoạn công nghệ→
5. Hiển thị màu trên đường cong ban đầu

Đây là sơ đồ quan hệ trong phương pháp. Việc phân loại diễn ra trước khi hiển thị màu; màu sắc không bổ sung một lần kiểm tra chất lượng độc lập.

Không nên mặc định rằng mọi hệ thống giám sát lực bấm hiện có chỉ so sánh một giá trị đỉnh. Mô tả BB07i4 của nhà sản xuất được trích dẫn trong bài báo có so sánh với đường cong tham chiếu, xử lý độ trôi và nhiều thiết lập tham chiếu. Đóng góp được phân tích ở đây kết nối kết quả phân loại đã học với phần giải thích theo giai đoạn. Bài báo không đưa ra phép so sánh chung đủ để định lượng nhận định “tốt hơn mọi hệ thống giám sát truyền thống”. Mô tả BB07i4 của nhà sản xuất

Bài báo chia đường cong thành bốn giai đoạn: căn chỉnh, cuộn vào, nén và hồi đàn hồi. Chúng lần lượt tương ứng với lúc cánh đầu cốt bắt đầu tiếp xúc và căn chỉnh với chày bấm, cánh cuộn vào lõi dẫn, lõi dẫn và đầu cốt được nén chặt, rồi hồi phục đàn hồi sau khi chày bấm rút về. Nghiên cứu sử dụng các chỉ số ranh giới 75, 150, 345 và 500. Đây là vị trí trong phương pháp xử lý dữ liệu này. Không thể dùng trực tiếp chúng làm thời gian, hành trình hoặc tham số phân đoạn phổ quát cho máy khác. Bài báo, mục 2.1 và 3.5, phương trình 4

Việc tổng hợp theo giai đoạn có một chi tiết dễ bị bỏ qua: phương trình 6 lấy giá trị trung bình của các giá trị SHAP trong từng giai đoạn, rồi chuẩn hóa kết quả để tạo các dải màu. Phương pháp này không biến từng giai đoạn trong bốn giai đoạn thành một “xác suất hỏng”, cũng không đơn thuần cộng tất cả trị tuyệt đối của các mức đóng góp trong mỗi giai đoạn.

Xét một ví dụ thuần túy số học. Hai điểm trong cùng một giai đoạn có mức đóng góp lần lượt là +0,02 và -0,02. Trung bình có dấu của chúng bằng 0; trung bình các trị tuyệt đối bằng 0,02. Cách thứ nhất giữ lại mối quan hệ giữa các đóng góp thúc đẩy và triệt tiêu nhau, còn cách thứ hai mô tả độ lớn của đóng góp. Hai cách tổng hợp trả lời những câu hỏi khác nhau. Đây không phải số đo trong bài báo. Khi đọc hoặc tái tạo bản đồ màu, cần giữ đồng thời lớp đang được giải thích, dấu, cách tổng hợp và quy tắc chuẩn hóa màu. Nếu không, ý nghĩa của “vùng đỏ nhất” sẽ thay đổi.

TreeSHAP giải thích đầu ra mô hình thay đổi như thế nào so với giá trị cơ sở của nó. Phương pháp này cũng yêu cầu lựa chọn cách xử lý các đặc trưng đầu vào phụ thuộc lẫn nhau. Các điểm liên tiếp trên đường cong có tương quan, vì vậy phiên bản phần mềm, dữ liệu nền và tùy chọn xử lý sự phụ thuộc giữa các đặc trưng cũng là điều kiện của phần giải thích. Chỉ lưu một bản đồ màu không khiến cùng một màu trở thành chỉ số bất biến giữa các phiên bản. Tài liệu chính thức về TreeExplainer

Kết quả 95,9% gồm những sai sót nào?

Nghiên cứu ghi nhận 1.617 đường cong từ hai cặp dây–đầu cốt, sử dụng dây có tiết diện 0,50 mm² và 0,35 mm². Các nhà nghiên cứu chủ động chuẩn bị mẫu thiếu sợi dẫn và mẫu có lớp cách điện bị bấm vào. Họ chia ngẫu nhiên dữ liệu thành 1.293 mẫu huấn luyện và 324 mẫu kiểm thử. Đây không phải tập hồ sơ giao hàng được lấy mẫu theo tỷ lệ lỗi của một dây chuyền sản xuất thực tế. Bài báo, mục 3.2

Các tác giả báo cáo độ chính xác phân loại ba lớp là 95,9%. Đúng hay sai ở đây được xác định theo nhãn của các tác giả. Vẫn phải phân biệt nhãn của lỗi được chủ động tạo ra với trạng thái không phù hợp được xác định theo yêu cầu sản phẩm. Trước hết, hãy tách riêng các hướng sai sót:

Các tỷ lệ phần trăm trong bảng là giá trị mô tả được tính từ số lượng trong bài báo rồi làm tròn. Mẫu số tương ứng là số mẫu có nhãn bình thường và số mẫu có nhãn lỗi. Chúng không phải tỷ lệ sai tổng thể, cũng không phải tỷ lệ lỗi trong số mẫu mà mô hình phân loại là bình thường. Ma trận nhầm lẫn cần chỉ rõ trục nào biểu thị nhãn tham chiếu và trục nào biểu thị lớp dự đoán. Nếu không, rất dễ đọc cùng một ô thành câu trả lời cho câu hỏi khác. Bài báo, mục 4.1; Định nghĩa ma trận nhầm lẫn

Cũng có một chênh lệch nhỏ giữa giá trị được báo cáo và các số lượng nêu trong phần văn bản. Tổng cộng có 6 + 4 + 3 = 13 lần phân loại sai. Tính lại với tổng số 324 mẫu cho độ chính xác ba lớp khoảng 96,0%, không hoàn toàn khớp với 95,9% mà các tác giả nêu. Vì vậy, chúng tôi giữ nguyên giá trị tác giả báo cáo và liệt kê riêng số lỗi cùng mẫu số, không khẳng định phép tính lại khớp chính xác.

Đối với đánh giá chất lượng, điều quan trọng hơn là phân biệt việc nhầm giữa hai loại lỗi với việc phân loại mẫu lỗi thành bình thường. Trường hợp đầu ảnh hưởng đến hướng chẩn đoán; trường hợp sau liên quan đến khả năng phát hiện lỗi của mô hình. Nếu rút gọn nhiệm vụ còn hai lớp bình thường và lỗi, 3 lần nhầm giữa các loại lỗi sẽ không còn được tính là sai, và chỉ số sẽ thay đổi. Điều này cũng cho thấy không thể so sánh trực tiếp độ chính xác của các nhiệm vụ phân loại khác nhau.

Thử nghiệm gây nhiễu hỗ trợ kết luận gì?

Để xem phần giải thích theo giai đoạn có hữu ích hay không, các nhà nghiên cứu đặt những giai đoạn được chọn về 0, thay bằng giá trị ngẫu nhiên hoặc xóa đi, rồi huấn luyện lại mô hình bằng cùng phương pháp. Các tổ hợp gồm một, hai và ba giai đoạn tạo ra 42 mô hình với dữ liệu bị gây nhiễu, được so sánh với mô hình cơ sở không bị gây nhiễu. Phép so sánh này xem mô hình được huấn luyện lại mà không có thông tin của một vùng cụ thể còn đạt được gì. Nó không chỉ đơn thuần che một phần đầu vào của mô hình ban đầu một lần. Bài báo, mục 3.7 và 4.2

Trong bảng 4, khi chỉ gây nhiễu giai đoạn nén, cả ba cách xử lý đều cho độ chính xác 0,861, thấp hơn mức cơ sở 0,959 mà các tác giả báo cáo. Khi chỉ gây nhiễu giai đoạn cuộn vào hoặc hồi đàn hồi, các kết quả tương ứng đều là 0,954. Điều này hỗ trợ một nhận định cụ thể: với dữ liệu và phương pháp so sánh này, giai đoạn nén chứa thông tin phân loại mà các vùng còn lại khó bù đắp hơn.

Thử nghiệm này không trực tiếp chứng minh vùng màu đỏ là nguyên nhân vật lý của lỗi. Mức giảm hiệu năng sau huấn luyện lại chịu ảnh hưởng của lượng thông tin bị loại bỏ, khả năng bù đắp của các giai đoạn khác, mô hình và cách chia dữ liệu. Bài báo cũng thừa nhận các giai đoạn có số điểm lấy mẫu khác nhau. Xóa một giai đoạn dài hơn có thể gây tổn thất lớn hơn; chỉ dựa vào mức giảm đó không thể khẳng định mỗi điểm đều quan trọng hơn.

Nếu bước tiếp theo là so sánh hai phương pháp giải thích, có thể đề xuất một thử nghiệm bổ sung có mục tiêu cụ thể hơn. Cho mỗi phương pháp chọn cùng số điểm hoặc các khoảng có cùng độ dài, rồi so sánh bằng cùng cách thay thế, thiết lập huấn luyện và tập kiểm thử. Đề xuất này nhằm giảm yếu tố gây nhiễu do “xóa nhiều hơn”. Đây không phải kết quả mà bài báo đã đạt được.

Kỹ sư đồng tình với giải thích theo giai đoạn chưa chứng minh hiệu quả thao tác tốt hơn

Trong phần nghiên cứu về yếu tố con người, hai chuyên gia công nghệ đánh giá ảnh hưởng của từng giai đoạn trên các đường cong đã được chỉ rõ lớp chất lượng. Sau đó, các đánh giá được so sánh định tính với hình thức trực quan hóa. Cách này có thể kiểm tra phần giải thích có nhìn chung phù hợp với kiến thức chuyên môn hay không. Nó không cung cấp độ chính xác trong thử nghiệm mù với người vận hành qua nhiều ca, thời gian xử lý cảnh báo hoặc thay đổi về thao tác sai trước và sau khi bổ sung dải màu. Bài báo, mục 4.3

Có thể kiểm tra riêng hai câu hỏi:

• Để kiểm tra giải thích theo giai đoạn có hợp lý hay không, hãy hỏi kỹ sư một lỗi cụ thể dự kiến ảnh hưởng đến vùng nào của đường cong, rồi so sánh với vùng mô hình làm nổi bật.
• Để kiểm tra giao diện có giúp xử lý hay không, hãy cho người dùng xử lý những hồ sơ mà họ chưa biết đáp án. Quan sát nhận định của họ khi xem đường cong ban đầu, sau đó xem chỉ báo lớp và cuối cùng xem giải thích theo giai đoạn. Ghi nhận “không thể kết luận” cũng có ý nghĩa; không nên buộc người dùng lần nào cũng nêu một nguyên nhân.

Ở phép so sánh thứ hai, tốt nhất nên giữ cố định độ khó của mẫu và thông tin được cung cấp, đồng thời tính đến hiệu ứng học do thứ tự trình bày. Nếu không, lần trả lời thứ hai nhanh hơn có thể chỉ vì người đó đã xem cùng đường cong trước đó. Cũng cần lưu màn hình giải thích của các mẫu bị bỏ sót hoặc phân loại sai. Một lời giải thích rõ ràng vẫn có thể đang giải thích một dự đoán sai.

Hiện có những gì, và còn thiếu gì khi chuyển sang điều kiện mới?

Bài báo cung cấp toàn văn mở và liên kết tới Crimp Force Curve Dataset trên Harvard Dataverse cùng bài báo trên Scientific Data mô tả việc thu thập, gán nhãn và xác thực kỹ thuật. Phiên bản dữ liệu hiện tại là V3.0. Bộ dữ liệu đầy đủ có 2.439 đường cong, khác với tập con 1.617 đường cong được dùng trong nghiên cứu này. Dữ liệu giữ cả nhãn thủ công lẫn kết quả đánh giá CFM, bao gồm những hồ sơ mà hai bên không thống nhất. Trước khi đánh giá, cần xác định sẽ dùng bộ nhãn tham chiếu nào và xác định tình trạng phù hợp thực tế bằng phương pháp áp dụng cho dự án. Những tài liệu công khai này hỗ trợ đánh giá phương pháp ngoại tuyến; nơi truy cập dữ liệu không đồng nghĩa với phần mềm giám sát trực tuyến đã được xác thực. DOI bộ dữ liệu; Bài báo mô tả dữ liệu

Các tác giả cũng cung cấp kho mã cfc-analysis công khai. Liên kết ở đây được cố định tại commit cf20535 ngày 22 tháng 8 năm 2025, gồm các tệp tiền xử lý, xác thực và vẽ biểu đồ dữ liệu. Kho mã giúp tìm hiểu dữ liệu. Nó không chứng minh toàn bộ mã rừng ngẫu nhiên, TreeSHAP và giao diện của nghiên cứu năm 2026 này đã được công bố.

Trong bài phân tích này, chúng tôi chưa tải và chạy toàn bộ bộ dữ liệu, cũng chưa có và chạy toàn bộ gói mã huấn luyện, chia dữ liệu và trực quan hóa của nghiên cứu SHAP. Để khẳng định tái lập chính xác, vẫn cần kiểm tra đồng thời:

• phiên bản dữ liệu và ID các mẫu thực sự được sử dụng;
• tiền xử lý và phạm vi co giãn dữ liệu;
• cách phân bổ tập huấn luyện/kiểm thử và hạt giống ngẫu nhiên;
• phiên bản các thư viện phụ thuộc và tùy chọn SHAP;
• ranh giới giai đoạn và quy tắc hiển thị.

Không thể mặc định rằng huấn luyện một lần theo các tham số trong bài báo sẽ tạo ra cùng kết quả.

Nếu chuyển sang đánh giá đầu cốt, dây dẫn hoặc thiết bị mới, có thể chuẩn bị bằng chứng theo thứ tự sau. Đây là đề xuất đánh giá, không phải tiêu chí cho phép đưa vào sản xuất.

1. Trước hết xác định cách có được nhãn tham chiếu. Ghi lại cách tạo và xác nhận mẫu thiếu sợi dẫn, mẫu có lớp cách điện bị bấm vào, cùng cách phân biệt bất thường nhẹ với trạng thái chấp nhận được. Lưu thông tin này cùng ID mẫu. Khi nhãn bị lẫn lộn, nâng điểm số mô hình không giải quyết được vấn đề định nghĩa chất lượng.
2. Dành riêng điều kiện mới cho một phép kiểm thử bên ngoài thực sự. Muốn chứng minh khả năng dùng qua các lô, hãy giữ lại nguyên lô để kiểm thử. Muốn chứng minh khả năng dùng sau khi đổi thiết bị hoặc đầu cốt, hãy giữ lại các điều kiện tương ứng. Chia ngẫu nhiên dữ liệu cùng nguồn chỉ trả lời được một phần những câu hỏi này. Kết quả ba lớp cũng không tự động bao quát các lỗi chưa biết.
3. So sánh với hệ thống giám sát hiện tại trên cùng tập mẫu. Đếm riêng cảnh báo nhầm ở mẫu bình thường, lỗi bị bỏ sót và chỉ báo sai loại lỗi theo nhãn tham chiếu, đồng thời giữ nguyên mẫu số thực tế. Không so độ chính xác của bài báo với tỷ lệ cảnh báo trên một tập sản phẩm khác. Khi tỷ lệ lỗi sản phẩm thay đổi, cũng cần xem riêng hai nhóm được dự đoán là lỗi và bình thường để xác định trong mỗi nhóm có bao nhiêu bất thường được phương pháp của dự án xác nhận.
4. Cuối cùng đánh giá phần giải thích có thay đổi hành động hay không. Trong quy trình xử lý hiện có, hãy kiểm tra dải màu có giảm việc kiểm tra sai hướng hoặc giúp kỹ sư nhận ra khi nào mô hình không đáng tin cậy hay không. Nếu chỉ thấy giải thích theo giai đoạn trực quan hơn, hãy dừng kết luận ở mức hợp lý của phần giải thích và tiếp tục giữ yêu cầu xác thực cách con người xử lý.

Trang đầu hữu ích nhất cho một đánh giá kỹ thuật có thể chỉ gồm ba dòng: hướng sai sót và mẫu số trong điều kiện mới; phép so sánh gây nhiễu dùng để kiểm tra phần giải thích; và nhiệm vụ nhận định mà người dùng đã thực sự hoàn thành. Rừng ngẫu nhiên, TreeSHAP và dải màu theo giai đoạn trong nghiên cứu tạo thành một tổ hợp đáng tìm hiểu cho hai dòng đầu. Dòng thứ ba vẫn cần bằng chứng từ môi trường làm việc dự kiến.

Để tiếp tục chuẩn bị đánh giá chất lượng bấm đầu cốt, hãy đọc chiều cao bấm, lực kéo tuột và mặt cắt cho biết điều gì nhằm phân biệt công dụng của đường cong quá trình và kiểm tra thành phẩm. Các bài phân tích nghiên cứu và hướng dẫn thực hành khác có trong thư viện tài liệu.

Nguồn và ghi chú đọc

Nghiên cứu chính: Hofmann, B., Bründl, P., Nguyen, H. G. và Franke, J., Transparent machine learning for crimp force monitoring using phase-based SHAP explanations, Industrial Artificial Intelligence 4, 2 (2026), DOI: 10.1007/s44244-026-00028-6. Bài phân tích tiếng Trung và các đề xuất đánh giá được viết độc lập từ toàn văn công khai; không sao chép hình gốc. Bài báo gốc được cấp phép theo CC BY 4.0. Ví dụ số học và các thử nghiệm bổ sung được đề xuất trong bài phân tích này không phải kết quả đo của tác giả, cũng không thể hiện rằng MTTJ đã tái lập hoặc xác thực trên dây chuyền sản xuất.

Ngày truy cập tài liệu: 7 tháng 10 năm 2026. Nếu sau này các tác giả công bố mã, sửa đổi kết quả hoặc có xác thực độc lập trên các thiết bị khác nhau, nên ưu tiên cập nhật điều kiện triển khai và đánh giá khả năng chuyển sang điều kiện mới.

AI hỗ trợ sắp xếp tài liệu nguồn và soạn thảo bài viết này.