Page 41 - st-endustri-4.0-2023-ocak

YAPAY ZEKA l ÜRÜN VE SİSTEMLER

leri çözme noktasında süreci iyileştirdi
mi derseniz, hayır. O yüzden bugün
IIoT’den, yapay zekayla akıllandırılmış
platformlardan bahseder olduk. Bunların
her biri ihtiyaçtan doğdu. Şöyle düşünün,
hafta başında bir planlama gerçekleştiri-
yorsunuz ve haftanın tam ortasında müş-
terinizden acil bir sipariş geliyor. Hafta
başındaki planlamaya sadık kalarak çok
majör bir değişikliği koyup alanı yönet-
mek tam bir kaostur fabrikalarda. Oysa
ki biz üretimi ilgilendiren ve fabrika-
larda her yapıdan, her dinamikten anlık
verileri bir potada toplayıp, birbirleriyle
entegrasyonunu sağlayıp üstüne de bir
karar destek sistemini inşa ettiğimizde,
günler alan o planlama süreçlerini daki-
kalara indirmiş oluyoruz.
Bu en basit tabiriyle bu başlık, fabrika-
ları özellikle planlama departmanındaki
personeli daha nitelikli alanlarda çalış- lar ama farklı proseslere farklı üretim kaldırmak. Kalite kontrol süreçlerini di-
tırmaya yönelik ve müşteri memnuniye- metodolojilerine sahipler. Ana fabrikada jitalize eden ünitelerden bahsediyorum
tinde sürekliliği sağlıyor. Aynı zamanda, geliştirdiğiniz bir çözüm diyelim ki bir aslında. Kendi içerisinde kameraların,
kalitesizlik maliyetini en aza indirgiyor. planlama çözümü; diğer fabrika farklı robot kolların olduğu, reject sistemle-
Salt planlamaya indirgemek doğru ol- tedarik zinciri, farklı süreç yönetimine rin yer aldığı ve bir sunucuya sahip olan
mak çünkü yapının şu tip yetenekleri de sahip olduğu için farklı bir kumaşa, fark- makinalardan söz ediyorum. Bunlar ge-
var; fabrikada, özellikle sahada kritik lı makasa, farklı iğne ipliğe ihtiyacı var. nellikle akan hatlar üzerinde çalışıyor.
noktalarda çalışan karar destek sistemle- Yani ona uygun bir çözüm geliştirmek Asıl derdi, problemi kaynağında tespit
ri planlamacılara veya yöneticilere şu tip zorundayız. Çok açık söylüyorum, müş- edip ortadan kaldırmaktır. Diyelim bir
bilgileri de fısıldayabiliyor: “Ben mev- terilerimiz bize kronik problemleriyle müşteriniz bir kolonya şişesi getiriyor
cut yapı içerisinde, üç noktada şöyle bir gelirler. Derler ki “benim mevcut perfor- size. “Kolonya şişesinde etiket var mı
dar boğaz öngörüyorum. Darboğazı orta- mans yapım bu. Ben bunu A noktasından yok mu?” Mecha Vision’ın derdi hiçbir
dan kaldırabilmek için şu tip bir aksiyon B noktasına taşımak istiyorum ama fabri- zaman bu olmadı çünkü bu en kolay olan
almanız gerek” ya da “Bu tempoyla git- kada herhangi bir objenin yerini fiziksel yöntem. Oysa ki şunu ortadan kaldırmak
tiğinizde A notasında ya da X noktasında olarak değiştirmek istemiyorum. Ekstra önemli bir darboğazı da ortadan kaldırır;
plansız bir durumla karşılaşacaksınız.” makina almak istemiyorum, personel burada etiket var ama bu etiket üstünde
Bu da elimizde şöyle bir silaha dönüşü- yatırımı yapmak istemiyorum, sadece sü- bazı deformasyonlar başlamak üzere.
yor bir saatten sonra; bir bakım birimi reci biraz daha verimli çalıştırmak istiyo- Hatta etiketi yapıştıran makinada bazı
olarak durum bazlı bakım planlaması rum.” Peki, bu noktada biz ne yapıyoruz? anomaliler var ve bu anomalilerin değiş-
yapabiliyorum. Böylelikle yaşanabile- Ne ürettiğinden bağımsız olarak, önce mesi gerekir. Mecha Vision tam olarak
cek anomalileri öncesinde deneyimle- o taraftan bakıyoruz fabrikaya. Yani bu size bunu söylüyor. Yani diyor ki “Bazı
yerek ona göre iş dağılımı yapılabiliyor. fabrikaya hammadde nasıl giriyor, nere- problemler baş göstermek üzere, git
Bu tip sistemler ortaya çıkmadan neyle den giriyor ve ürün olarak nasıl çıkıyor? problemi kaynağında çöz.” Yoksa, etiket
karşılaşıyorduk peki? Diyelim ki maki- Tüm prosesi analiz ettikten sonra saha- koymak, seri numarasını okumak ya da
nalar arızalandı; “Ne yapacağız şimdi?” dan canlı verileri topladığınızda fabrika okumamak bunlar zaten kronik görüntü
sorusu cevapsız kalıyordu. size milyon tane başlık fısıldıyor; “Be- işleme yöntemlerinin yaklaşık 10 yıldır
nim şurada kronik problemim var, benim dene-yanıl şeklinde bir noktaya getirdi-
Farklı sanayi dallarına, sektörlere iyileştirme vaktim şudur. Bu değerlendir- ği çözümler. Ama açıkçası biz işin diğer
hizmet sağlıyorsunuz. Sektörler melerle şöyle bir sonuca ulaşabilirsiniz” tarafındayız. O yüzden derin öğrenme
bazında ihtiyaçlarla ilgili ayrışmalarda gibi farklı bilgiler veriyor. İşte biz insanı algoritmaları, koşar endüstriyel kabin-
ne gibi farklı çözümler öneriyorsunuz? aşan ve bazen fabrikayı riske sokacak o lerin yani bizim ünitelerin içerisinde…
Açıkçası bugüne kadar hayata geçirdi- kritik kararları, karar destek sistemlerine Sunucularımız nispeten biraz büyüktür
ğimiz hiçbir proje bir diğerinin benzeri bu başlıkta devretmiş oluyoruz. ve bu sunucular aynı zamanda konul-
olmadı çünkü terzi usulü çözüm geliş- dukları yerdeki prosesin bütün muhatap-
tirmek zorunda kaldık. Galiba üretimin Mecha Vision ile Mecha Vision larıyla da çift taraflı konuşurlar. Yani bir
tabiatı böyle. Şu çok kritik bana göre; Thermal var gibi görüntü işleme Mecha Vision’a sahip olan üretim tesisi,
bir fabrika bir otomobil üretiyor, hemen çözümleriniz var? Görüntü işleme üretim hattındaki bütün PLC’lerle çift
yanındaki fabrika otomobil üreten fabri- çözümleri fabrikalara ne gibi taraflı haberleşir. Çünkü şöyle bir özgür-
kanın yan sanayisi, o otomobil fabrikala- avantajlar sağlıyor? lüğü vardır; anomaliyi tespit etti ve artık
rının başka parçalarını üretiyor ve bunlar Mecha Vision’ın temel derdi özellikle anomalinin neden kaynaklandığını bili-
birbirileriyle entegre çalışmak zorunda- üretimde kalitesizlik maliyetini ortadan yor, gerektiğinde oradaki üretimi durdu-
ST ENDÜSTRİ 4.0 Ocak 2023 | 39