Üretimde operasyonel mükemmellik için ‘uç bileşende yapay zeka’ yaklaşımı

Omron

Üretim ekipmanınızın kritik bir öğesinin bozulma riski taşıdığını öngören ve önceden yedek parça sipariş edebilen bir makine öğrenim modeli geliştirmek mümkün olsa nasıl olurdu? Peki; dolum hattınızda asla tahmin edemeyeceğiniz, istenmeyen bir sapmayı tahmin etmek için model tanımayı kullanan, dâhili yapay zekaya sahip bir endüstriyel kontrolöre erişiminiz olsa?
Kulağa hoş hayaller gibi gelen bu örnekler, aslında fabrikalarda yapay zeka uygulamaları olarak bugün mevcut. Bir araştırma disiplini olarak yapay zekanın geçmişi birkaç 10 yıl öncesine uzanıyor. Bununla birlikte, kaydedilen büyük teknolojik gelişim ve verinin giderek odak noktasına oturmasıyla birlikte, dördüncü endüstriyel devrimin en gelecek vaat eden teknolojilerinden biri haline geldi.

Yapay zeka makine düzeyinde paketleme uygulamalarında da önemli avantajlar sunuyor
Üretimde yapay zekayı merkeze konumlandıran tartışmalar hız kazanıyor. Yapay zekayı şimdiden kullanan birçok şirket, Ar-Ge ve tesis yönetim süreçlerini iyileştirmek amacıyla yüksek miktarda veri analiz ederken bu teknolojiden yardım alıyorlar. Bununla birlikte, yapay zeka makine düzeyinde paketleme uygulamalarında da önemli avantajlar sunuyor. Üreticiler, bu teknoloji sayesinde, süreçlerini daha esnek ve potansiyel değişikliklere daha iyi uyarlanabilir hale getiriyorlar.
Üretimi dönüştürme ve yapay zeka uygulama, üreticilerin ekipman ömrünü uzatmalarına ve hataları önlemek için öngörülemez olayları tespit etmelerine yardımcı olma potansiyeli taşıyor. Bu durum, ekipman hasarını ve duruş süresini azaltıyor. Yapay zeka kullanımı, genel ekipman verimliliğini (OEE) fark edilebilir ölçüde iyileştirmeye yönelik pratik gereksinimlerden yola çıkarak, gelişim için gerekli olan işlemleri optimize etmeye yardımcı oluyor. Üstelik, yüzde düzeyinde sadece birkaç puanlık artış bile önemli verimlilik artışları ve maliyet azalmaları sağlayabiliyor.

Operasyonel mükemmelliğin önemi
Operasyonel mükemmellik, sermaye harcamalarından maksimum fayda sağlamak için gereklidir. Bununla birlikte üreticiler, günümüzde üretimle doğrudan ilişkili talepler doğrultusunda geleneksel yüksek hacimli, çeşitliliği az üretimden daha karmaşık, çeşitliliği yüksek ve düşük hacimli üretime geçiş yapma zorluğuyla karşı karşıyalar. Buna ek olarak; yiyecek ve içecek gibi sektörlerdeki mevzuat ve perakendeci gereksinimleri, okunabilir barkodlar dâhil olmak üzere basılan etiketlerin doğru olduğundan ve tüm gerekli verileri içerdiğinden emin olması gereken üreticilerin üzerindeki yükü artırıyor. İleri seviye özelleştirme, önceden basılan etiketlere veya paketlere değişken veriler ekleme gibi süreçleri içeriyor. Bu yaklaşım; üreticinin her bir olası ürün için ayrı paketleme malzemeleri stoklamak zorunda kalmadan ürün etiketlerini belirli pazarlar, müşteriler veya ürünler için özelleştirmesine imkân tanıyor. Ayrıca küçük partilerin esnek şekilde üretilmesi, otomatik ve hızlı değiştirmelere yönelik yeni gereksinimler ortaya çıkarıyor.

Adaptif algoritmaların kullanılması muazzam bir potansiyel sunuyor
Üreticiler operasyonel mükemmelliğe ‘uç bileşende yapay zeka’ yaklaşımını uygulayarak ulaşabilirler. Bununla birlikte üreticiler, esnek ve otonom üretim desteğinin yanı sıra, IT ve OT dünyalarının kusursuz entegrasyonuna yönelik veri toplamadan akıllı üretime uzanan IoT otomasyon çözümlerine ihtiyaç duyuyorlar. Kestirimci bakım ve ağa bağlı, verimli üretim gibi Endüstri 4.0 için gerekli gelişmeler söz konusu olduğunda, adaptif algoritmaların kullanılması muazzam bir potansiyel sunuyor. Birçok şirket, yapay zekanın sadece genel ekipman verimliliğini (OEE) artırmak suretiyle düşük maliyetler ve yüksek verimlilik gibi avantajlar sağlamadığını; aynı zamanda veri analizini geliştirerek, atıkları veya süreç operasyonlarının çeşitliliğini azaltmak gibi sürekli gelişim programlarını destekleyen faydalar sunduğunu fark ediyor.
Aberdeen Group tarafından gerçekleştirilen bir araştırma; endüstri liderleri arasında OEE değerlerine ulaşma oranı yüzde 89 olduğu halde, kullanımda olan geleneksel sistemlerin büyük bölümünde bu değerin yüzde 74’te kaldığını gösteriyor. Peki bunun ötesine geçip otomasyon için yapay zeka çözümleri eklenmesi nasıl bir etki ortaya çıkaracaktır? Kalitenin artırılması ve makine duruş süresini önlemek için kestirimci bakım kullanılması çok daha önemli verimlilik kazançları ortaya çıkarabilir. Her durumda, tüm süreç boyunca OEE bilgilerinin toplanmasındaki en önemli unsur, bu verilerle ne yapacağınız ve tespit edilen sorun noktalarını nasıl aşacağınızdır.

Üretimde uç bileşen ve bulut
Uç bileşende yapay zeka ile neyi kastediyoruz? Küçük veri makine öğrenmesini ‘omurga refleksli yapay zeka’ olarak tarif edebilirsiniz. Bu düzeyde hatlar ve cihazlar gerçek zamanlı sensörlerle izlenir ve anormallikleri hızla tespit etmek için veriler yüksek hızda toplanıp işlenir. Bilgiyi eyleme dönüştürebilmek için; üreticilerin teknolojiyi lojik, hareket, görsel denetim, emniyet ve görselleştirme de dâhil olmak üzere otomasyonun tüm alanlarını bir araya getirecek şekilde uygulayarak, operatör ile makine arasında daha doğal, proaktif bir ilişkiyi kurmak için verimli kontrole ve izlemeye ihtiyacı vardır. Bu yaklaşım, şirketlerin verimliliği çok esnek bir şekilde artırmasını sağlar.
Bulutta büyük veriyi işlemek ‘beyinsel yapay zeka’ olarak tarif edilebilir. Bunun için MQTT protokolü ve OPC UA haberleşme standardı gibi makine ve sistem verilerini yüksek değerli bilgilere güvenli ve kolay bir şekilde dönüştürecek, açık ve güvenli standartlar gerekir.

Alt yapı ve IT açısından ciddi gereksinimlere sahip
Pazarda tanıtılan ve genellikle bulut tabanlı olan yapay zeka çözümlerinin birçoğu, alt yapı ve IT açısından ciddi gereksinimlere sahip. Ayrıca bu çözümler, hazırlanıp işlenmesi zahmetli olan ve zaman alan yüksek miktarda veriyle çalışıyor. Yapay zekaya yatırım yapmanın getiri sağlayıp sağlamayacağını, sağlayacaksa da nasıl sağlayacağını tespit edemeyen tedarikçiler, katma değer sorusunu yanıtlamakta zorlanıyorlar. Üretim endüstrisindeki sistem tasarımlarının genellikle hem karmaşık, hem de benzersiz olması da aranan yanıtı bulmayı zorlaştırıyor.
Bu koşullar altında, üretim sürecinde somut katma değer sağlayan yapay zeka nasıl tasarlanmalı ve entegre edilmelidir? Büyük veriyi işlemek ve uzun vadeli büyük analizleri yönetmek için bulut ideal olsa da, gerçek zamanlı uygulamalar için uç bileşende yapay zeka büyük önem taşıyor. Daha fazla esneklik ve daha kısa yanıt süreleri sunan bu yaklaşım, üretim ortamlarının bulut bilgi işleme güvenmek yerine uç bileşende veri analizini daha iyi kullanabilmesini sağlıyor. Sürmekte olan işlemlerin yanı sıra, büyük hacimli veriler içerisinde zahmetli bir şekilde model aramak yerine, sorunlara farklı bir yönden yaklaşmak önem kazanıyor. Gerekli yapay zeka algoritmalarının makine kontrol sistemine entegre edildiği ve uç bileşende, yani makinede ve makine için gerçek zamanlı optimizasyonun çerçevesinin oluşturulduğu noktada teknolojiye ihtiyaç duyuluyor.

Uç bileşende yapay zeka ne sunuyor?
Uç bileşende yapay zeka, üreticilerin karmaşıklığı ve emniyeti daha iyi kontrol etmesini sağlıyor. Verilerin kapsamı nispeten büyük olsa da, kuruluşlar donanım, haberleşme alt yapısı ve kurumsal düzeylerde işleme yetenekleri açısından daha az kaynağa ihtiyaç duyuyorlar.
Yerleşik güvenli IoT protokolleriyle doğrudan makine kontrolöründen buluta kusursuz entegrasyon sunan bir teknoloji gerekiyor. Uç bileşende yapay zeka, kuruluşların işleme ve analiz yeteneklerini makine düzeyinde yapay zeka algoritmalarıyla genişletmesine ve karar verme sürecinde daha hızlı ve daha verimli bilgi süreçlerinden faydalanmasını sağlıyor. Ayrıca, kullanıcılar süreci gerçek zamanlı olarak, olayın gerçekleştiği yerde analiz edip harekete geçerek performansı yapay zeka ve makine öğrenimiyle birlikte otonom olarak artırabiliyor.
Uç bileşende yapay zekayı kullanan şirketler, makine düzeyinde önceden işlenmiş ve toplanmış verilerle bulut bilgi işlemden en yüksek verimi alırken, optimum veri akışı için gereken IT alt yapısını azaltıyor.

Uç bileşende yapay zeka nasıl çalışıyor?
Örnek vermek gerekirse; bir paketleme makinesinde makine kontrolörü, tüm makine cihazlarının senkronize kontrolünü ve hareket, robotik sistemler ve veritabanı bağlantısı gibi gelişmiş işlevleri sağlar. Yapay zeka donanımlı bir makine kontrolörü, makine kontrol işlevlerini gerçek zamanlı yapay zeka işleme ile birleştirir. Yapay zeka kontrolörü, eyleme daha yakın olmasını sağlayan ve her bir makine için normal modelleri anormal modellerden ayırt etmeyi öğrenmesini sağlayan adaptif zekaya sahiptir.
Bu tür bir çözüm, birincil olarak müşterinin en büyük verimlilik sorunlarını (darboğazlar) yaşadığı paketleme ve üretim süreci noktalarında kullanılır. Önceden elde edilen bulgular ve yapılan iyileştirmeler temelinde daha akıllı hale gelen süreçler, tüm üretim sürecinin bütünsel optimizasyonuna katkı sağlar.
Buna örnek olarak şişeleme uygulaması verilebilir: Şişeler konveyör bandı üzerinde taşınıp doldurulur. Yapay zeka kontrolörü, hiçbir hata olmadığında normal bir durumun nasıl ilerlediğini öğrenir. Seçici sürtünmeye neden olan tıkanma gibi bir sıkıntı olduğunda, anormallikler yapay zeka kontrolörü tarafından tespit edilir. Doldurma işlemi kısa süreliğine duraklatılır ve süreç dengeli hale geldiğinde devam eder. Bu durum, paketleme hattına sıvı dökülmesi gibi hataların yaşanmasını önleyerek makine duruş süresini ve atığı azaltmaya yardımcı olur.

Sonuç:
Yapay zeka, önümüzdeki yıllarda bilim ve tüm endüstrilerdeki süreçlerde devrim yaratabilir. Bununla birlikte, üreticiler tarafından yapay zekaya sahip makine kontrolörleri aracılığıyla üretim süreçlerini makine düzeyinde dönüştürmek için uygulanabilir. Bu süreç günümüzde başlamıştır ve devam etmektedir.
Üreticilerin karmaşıklığı ve emniyeti daha iyi kontrol etmesini de sağlayan uç bileşende yapay zeka yaklaşımıyla kestirimci bakım sağlanabilir. OEE’deki küçük iyileştirmeler bile önemli verimlilik artışları ve maliyet düşüşleri sağlayarak, önümüzdeki yıllarda üreticilere gerçek değer sunabilir.