Page 292 - KobiEfor Kasım 2022

AKADEMİSYEN GÖRÜŞÜ

Sıradaki iş için hangi malzemelerin gerektiği larının ortaya çıktığını belirler. Buna göre de kalite
kararı: Müşteri siparişlerinin akışına göre, envan- hatalarını ve yeniden işleme maliyetlerini ciddi şe-
ter kıtlığı duruma göre tahmin eder. Yapay Zekâ kilde azaltabilir.
tabanlı sistem, yöneticileri bu problemlere karşı
Denetimli öğrenme, etiketlenmiş veriyi kullanır.
uyarır ve daha akıllı kararların alınması için veriyi Etiket, tanımlanmış hata türü veya hata değer aralı-
analiz eder.
ğı olabilir. Tarihsel test verisine makine öğrenmesi
Erken uyarı (alarm) sistemleri: Yöneticileri prob- modeli uygulanabilir. Örneğin; ses, titreşim testle-
lem gerçekleşmeden “önce” uyarır. Alarm meka- ri uygulamaları gibi. Model, “normal” seviyedeki
nizmaları Yapay Zekâ tabanlı kurallar ve algorit- davranışı “öğrenir” ve bundan sonraki parçanın
malar, operasyondan toplanan veriyi sürekli tarar. testi geçip geçemeyeceğini tahmin edebilir; parça
Hatta diğer sistemlerden gelen verileri de tarar ve test istasyonuna gerçekten ulaşmadan önce. Model,
sorunlu olma olasılığı olan durumları belirler. Bu, parçaları gerçek zamanlı sınıfl andırabilir ve etiket-
işlem süresi çok uzama durumuna düşen ürünler leyebilir. Denetimli model, tarihsel veri üzerinde
de olabilir veya zamanında teslimi mümkün ola- “eğitimini” tamamladıktan sonra, bir makine öğ-
mayacak müşteri siparişinin tahmin edilmesi de renme platformu üzerinden, direkt MES hattında
olabilir. Sistem yöneticilere e-mail veya SMS me- yayınlanabilir. Model böylece üretim hattında hat
sajlarıyla hızla aksiyon almaları için uyarı mesaj- üzerinden gelen parçalar üzerinde, gerçek zamanlı
ları yollayabilir. Bu tarz bir sistem, yöneticilerin, veri analizi yapmaya başlar. Böylece test sürecinde
sürekli sahada dolaşma veya sürekli ekran monitö- yaşanacak hataları tahmin eder.
rüne yapışıp kalma, raporlardan kurtulamama gibi
Görüntü işleme: Diğer bir uygulama, görüntü iş-
sorunlarını da ortadan kaldırır.
leme sayesinde montaj hattındaki parçaların 2 bo-
Hata kök nedenini yakalamak: MES sistemlerinde yutlu değerlendirilmesi olabilir. Ama teknolojinin
yapay zekâyı kullanmak, yüzbinlerce sinyalin gel- de gelişmesiyle, 3 boyutlu değerlendirme imkânı
diği ortamda bir hatanın kök nedenini yakalamak da olabilmektedir. Görüntü analiz/işleme sistemle-
ve bunun için daha az efor harcamak için de fayda- ri, hasarlı parçaların belirlenmesi için eğitilebilir,
lıdır. Bu şekilde otomatik gelen sinyaller üzerinden daha sonra yeni bir parça geldiğinde, bunun “ha-
makine öğrenmesi algoritmaları kullanmak, hata sarlı” ya da “normal” şeklinde ayırıp sınıfl andı-
kök nedenini manuel araştırmaya oranla %99’dan rabilir. Sonuçta makine öğrenmesi modelleri, bir
fazla zaman kazancı sağlar ve haftalar yerine saatler “problem meydana gelmeden önce” hatanın tespit
içerisinde işi sonlandırmanızı mümkün kılar. edilmesini sağlar ve gerekli insan müdahalesini or-
tadan kaldırır.
İmalat hat sonu testlerini kaldırmak: Üretim hat-
tında yapay zekâ ve makine öğrenmesi algoritma- Yapay zekâ ve makine öğrenme algoritmaları üre-
ları kullanmak, hat sonundaki testlerde de büyük timi etkileyen faktörlerin belirlenmesi için kulla-
kolaylık sağlayacaktır. Hangi parçaların hatalı ya nılmakta (denetimsiz öğrenme). Örneğin; hava
da sağlam olacağını tahmin etmek, hat sonuna ge- sıcaklığı, müşteri talebi, politik kararlar gibi. Bu et-
lindiğinde her parçanın tek tek test edilmesi ihtiya- kenleri dikkate alarak yapılan tahminler persone-
cını ortadan kaldıracaktır. Bunun yerine yönetici- lin atanması, envanterin optimizasyonu, operasyo-
ler, tahmin aralıklarının dışında kalan malzemeleri nun daha etkili şekilde uçtan uca yürütülmesinde
analiz etmeye odaklanabilir ve sonraki tahminleri fayda sağlar. Diğer taraftan üretim hattında dene-
daha da iyileştirebilir. timsiz makine öğrenmesi, sinyalleri kıyaslayarak
makinelerin bozulabilme durumunu yakalamaya
Hatalı üretim oluşmasını engellemek: Diğer taraf-
çalışır; yani sıcaklık, ısı, kullanım sıklığı ve geç-
tan Yapay Zekâ algoritmaları sadece tek bir proble-
mi çözmek yerine, “birden fazla durumu beraber” mişteki yaşanan arızaları değerlendirerek. Çoğu
uygulama makinelerin, parçaların veya kalıpların
değerlendirerek hatayı oluşturan durumu tahmin
eder, durumu sağlayan faktörlerin bir araya gelme- kalan kullanılabilir ömrünü tahmin etmeye çalışır.
Bu sonuçlar ışığında operasyonları yürütmek, ba-
sini ya da oluşmasını engelleyebilir. Hangi durum-
kım sıklığını ve bakıma harcanan zamanı azaltır.
lar (sıcaklık, voltaj, gün, saat, personel, vb.) ya da
parçalar bir araya geldiğinde potansiyel kalite hata-

164 MES & MOM SATIN ALMA REHBERİ