1. Giriş
Endüstri 4.0 ile birlikte üretim tesislerinde dijitalleşme hız kazanmış, veri odaklı yaklaşımlar geleneksel yöntemlerin yerini almaya başlamıştır. Özellikle üretim hatalarının önceden tespiti ve ürün kalitesinin artırılması, rekabet gücü açısından kritik bir hale gelmiştir. Bu bağlamda, makine öğrenmesi (ML), büyük veri analitiği ve otomasyon sistemleri ile entegre edilerek kalite kontrol süreçlerinde devrim yaratmaktadır.
2. Üretim Süreçlerinde Hataların Nedenleri
Üretim hataları, insan hatası, ekipman arızaları, çevresel koşullar ve proses değişkenlikleri gibi birçok nedene bağlı olarak ortaya çıkabilir. Bu hataların erken tespiti ya da tamamen önlenmesi, sadece ürün kalitesini değil, aynı zamanda maliyetleri, müşteri memnuniyetini ve sürdürülebilirliği de doğrudan etkiler.
3. Makine Öğrenmesi ile Hata Tespiti ve Önleme
Üretim hatalarının erken aşamada tespiti için klasik yöntemler çoğu zaman yetersiz kalmaktadır. Makine öğrenmesi algoritmaları, geçmişte oluşmuş binlerce hata durumunu analiz ederek yeni hataları oluşmadan önce tahmin edebilir. Bu, özellikle gerçek zamanlı karar desteği ve otomatik kalite kontrol sistemlerinde kritik bir rol oynar.
Kritik Uygulama Alanları:
- Görüntü İşleme ile Kalite Kontrol: Makine Öğrenmesi ve Derin Öğrenme algoritmaları kullanılarak ürün yüzeylerinde mikroskobik çatlaklar, deformasyonlar tespit edilebilir. Bu sistemler insan gözünden çok daha hassas çalışır.
- Sensör Verisi ile Süreç İzleme: Sıcaklık, basınç, titreşim gibi veriler analiz edilerek süreç sapmaları erkenden fark edilir. Örneğin; enjeksiyon kalıplamada sıcaklık profilindeki bozulmalar, ürün deformasyonuna neden olmadan önce tahmin edilebilir.
- Sınıflandırma Algoritmaları ile Son Kontrol: Ürünlerin “hatalı” ya da “hataya yatkın” olarak sınıflandırılması için Random Forest veya SVM gibi algoritmalar sıklıkla kullanılır.
Gerçek Katkı:
- 2023 yılında otomotiv sektöründe yapılan bir yapay zekâ tabanlı görsel kalite kontrol çalışmasında, manuel inceleme süresinin %40 oranında azaldığı ve hata tespit hassasiyetinin önemli ölçüde arttığı rapor edilmiştir.
· Info-Tech’in 2022’de yayınladığı kestirimci bakım odaklı analizine göre, bu uygulamalar plansız duruş sürelerini %45’e kadar azaltabilmektedir.
4. Kestirimci Bakım (Predictive Maintenance)
Makine arızaları sadece üretimi durdurmakla kalmaz, aynı zamanda kaliteyi de bozar. Ani duruşlar, üretim sürecinin dengesini bozarak hatalı ürünlerin ortaya çıkmasına neden olabilir. Özellikle yüksek hassasiyet gerektiren üretim hatlarında, bir ekipmanın arızalanması kalite standartlarının dışına çıkılmasına, fire oranının artmasına ve müşteri şikayetlerine yol açabilir. Kestirimci bakım, ekipmanın bozulma ihtimalini önceden tahmin ederek hem plansız duruşları önler hem de üretim süreçlerinin istikrarlı şekilde devam etmesini sağlar. Bu sayede, ürün kalitesinde süreklilik sağlanır ve kalite sapmalarının önüne geçilir.
Nasıl Çalışır?
- Veri Toplama: Titreşim, sıcaklık, akım gibi veriler sürekli olarak sensörler aracılığıyla toplanır.
- Zaman Serisi Analizi ve Anomali Tespiti: Bu verilerdeki küçük sapmalar bile bir arıza habercisi olabilir. LSTM gibi zaman serisi odaklı modeller bu noktada devreye girer.
- Arıza Öncesi Alarm: Model, örneğin bir rulmanın 3 gün içinde bozulacağını önceden işaret edebilir.
- Bakım Planlaması: Operatör, üretimi durdurmadan planlı bir bakım süreci yürütebilir.
Neden Kaliteyi Artırır?
- Bozulmaya yaklaşan makine, üretim kalitesini bozar. Model bunu önceden yakalayarak fire oranını düşürür.
- Ani duruşların yarattığı üretim dışı hata (örneğin kalıp baskısında yarım ürün) ortadan kalkar.
- Duruş sonrası tekrar kalibrasyon ihtiyacı azalır, üretim sürekliliği korunur.
Somut Etki:
- Deloitte'un "Predictive Maintenance and The Smart Factory" raporuna göre, kestirimci bakım uygulamaları genel bakım maliyetlerini %5 ila %10 arasında azaltmaktadır. %90’a varan oranda plansız duruş azalması
· Nucleus Research'ün "Quantifying the value of predictive maintenance" çalışmasına göre, kestirimci bakım girişimleri plansız duruş sürelerini %35 ila %50 oranında azaltmaktadır.
· Deloitte'un aynı raporunda, kestirimci bakımın ekipman kullanılabilirliğini %10 ila %20 oranında artırdığı belirtilmektedir.
5. Sonuç
Makine öğrenmesi tabanlı sistemler, üretim hatalarının minimize edilmesinde ve ürün kalitesinin sürdürülebilir şekilde artırılmasında önemli fırsatlar sunmaktadır. Özellikle kestirimci bakım gibi alanlar, doğrudan kalite ve verimlilik üzerinde etkili çözümler sunarak sanayide dönüşüm yaratmaktadır. Gelecekte, bu sistemlerin üretim hatlarına daha yaygın şekilde entegre edilmesiyle hem maliyet hem kalite açısından ciddi kazanımlar elde edilecektir.
Hazırlayan:
Eren Coşkun
Ar-Ge ve Yapay Zeka Sorumlusu
Kaynakça :
Fahim, M., Shaker, M. H., El-Zawawy, M. A., & Tolba, M. F. (2023). Real-time classification of machine stoppages in the textile industry using AdaBoost-based IoT data analytics. Ain Shams Engineering Journal. https://doi.org/10.1016/j.asej.2023.103845
IIoT World. (2023, September 7). Elevating Predictive Maintenance: The Transformative Impact of IIoT. https://www.iiot-world.com/predictive-analytics/predictive-maintenance/elevating-predictive-maintenance-the-transformative-impact-of-iiot/
M. Fahim, M. H. Shaker, M. A. El-Zawawy, and M. F. Tolba, “Real-time classification of machine stoppages in the textile industry using AdaBoost-based IoT data analytics,” Ain Shams Engineering Journal, 2023. [Online]. Available: https://doi.org/10.1016/j.asej.2023.103845
IIoT World, “Elevating Predictive Maintenance: The Transformative Impact of IIoT,” IIoT World, Sep. 7, 2023. [Online]. Available
Deloitte. (n.d.). Predictive Maintenance and the Smart Factory. Deloitte Insights.
Nucleus Research. (2021). Quantifying the Value of Predictive Maintenance.
Info-Tech Research Group. (2022). Deliver Operational Efficiency Through Predictive Maintenance.
STX Next. (2023). AI Visual Inspection in Manufacturing – Case Study: Automotive Sector.
