Günümüzde dünyanın dört bir yanındaki fabrikalar ve üretim merkezleri, artan talepleri etkin ve rekabetçi bir şekilde karşılamak için otomasyona, makine öğrenmeye, sosyal ağlara ve diğer AI (Artificial Intelligence – Yapay Zeka) uygulamalarına başvurmak zorundadır.
Yapay zeka uygulamaları endüstriyel anlamda etkisini göstermektedir. Yapay zekanın endüstriyel uygulamaların birkaçına kısaca göz atalım.
Uyarlanabilir İmalat
Sanayi devrimiyle birlikte, makineler sayesinde fabrikalar hızlı ve ucuz bir şekilde üretim yapmaya başladı. Ancak bu makineler, her fabrikanın ihtiyacına göre, sadece birkaç ürünü üretmek için optimize edilmiştir.
Bu yüzden geleneksel endüstriyel otomasyonda yeni ürünler için üretimin yeniden tasarlanması uzun, sıkıntılı ve maliyetli bir süreçtir. Özellikle yüksek teknoloji kullanan üretim bantlarında çoğu zaman, temel otomatik sistemler için robotlar kullanılmaktadır.
Klasik olarak bu robotlar tekrarlanabilir işlemler için mükemmeledir ancak en ufak bir değişik işlem için yeniden programlanması gerekmektedir.
Fakat Yapay Zeka uygulamaları sayesinde artık robotlar, sistemin sürecini gerçek zamanlı olarak ölçebildiği ve uyarlayabildiği bir seviyeye gelmeye başlamıştır. Bu şekilde yeni nesil yapay zeka sahibi robotlar, üretim mantığındaki değişikliklere, aynı bir insanda olduğu gibi kısa bir eğitimden sonra adapte olabileceklerdir.
Öngörücü Bakım
Öngörücü bakımın amacı, öncelikle ekipman arızasının ne zaman ortaya çıkabileceğini tahmin etmek ve öncesinde bakım gerçekleştirerek arızanın ortaya çıkmasını önlemektir. Gelecekteki arızanın tahmin edilmesi, arıza meydana gelmeden önce bakımın planlanmasını sağlar.
İdeal olarak, öngörücü bakım, çok fazla planlı ve tekrarlı bakım yapmakla ilgili maliyetlere maruz kalmadan bakım sıklığının mümkün olduğunca düşük olmasını sağlar. Tahmini bakım, bir varlığın performansını gerçek zamanlı olarak değerlendirmek için durum izleme ekipmanı kullanır.
Bu süreçte kilit bir unsur Nesnelerin İnterneti’dir (IoT). IoT, farklı varlıkların ve sistemlerin birbirine bağlanmasını, birlikte çalışmasını ve verileri paylaşmasını, analiz etmesini ve işlem yapmasını sağlar. IoT, bilgi yakalamak, bunu anlamak ve dikkat etmesi gereken alanları tespit etmek için kestirimci bakım sensörlerine güvenir.
Tahmini bakım ve tahmine dayalı bakım sensörlerini kullanmaya ilişkin bazı örnekler arasında titreşim analizi, yağ analizi, termal görüntüleme ve ekipman gözlemi bulunur. Bakım, yalnızca gerektiği zaman, yani, arıza durumu oluşmadan hemen önce ve sadece gereken makinelerde yapılır.
Öngörücü bakım, ekipmanın bakımda tutulduğu süreyi minimize etmek, bakım nedeniyle kaybedilen üretim saatlerini asgariye indirmek, yedek parça ve sarf malzeme maliyetini düşürmek gibi çok önemli avantajlar sağlamaktadır.
AI liderliğindeki bilişsel otomasyon çözümleri (Intelligent Automation), en iyi otomasyon yaklaşımlarını AI ile birleştirir ve üstün sonuçlar sunar.
Günümüzde kuruluşlar, daha iyi makine öğrenme algoritmalarına ve daha iyi çalışma zamanı kararlarına imkan tanıyan çok büyük miktardaki verilerin işlenmesine sahiptir.
Örneğin, bir yazılım güncellemesi sırasında, makine öğrenme algoritmaları, işlevsellikteki önemli değişiklikleri saptamak için kodu geçebilir ve test durumlarını tanımlamak için bunları gereksinimlere bağlayabilir. Bu, testi optimize etmeye yardımcı olur ve başarısızlığa yol açabilecek kararların alınmasını önler.
Gelecek, test için gerçek bir özerk yaklaşım oluşturmak için derin öğrenme temellerini kullanacak çözümlerde yatmaktadır. Kendi kendini süren otomobiller gibi, özerk teknolojiler de, sistemi öğrenmek ve otonom olarak test etmek için kendi senaryolarını oluşturmaya başlayacaktır.
Otomatik Kalite Kontrolü
Geliştirilen bir denetim sisteminde, özel bir ışık duvarı, incelenecek nesneye bir zebra deseni yansıtmaktadır. Bir kamera, otomobilin veya uçağın yüzeyindeki yansıyan siyah beyaz ışık saçaklarını yakalar. Görüntüler 12 matematiksel parametre açısından hataları tanımlamak ve sınıflandırmak için yazılım tarafından analiz edilir.
Görsel incelemeden daha verimli olmasının yanı sıra, bu sistem tarafından kullanılan matematik tabanlı teknoloji de geleneksel otomatik denetim modellerinde bir gelişmedir.
Geleneksel denetim sistemleri diğer bilgilerin yanı sıra CAD (bilgisayar destekli tasarım) dosyalarından ve araç geometrisinden veri alır, böylece hataları karşılaştırarak tespit edebilirler.
Sistem ayrıca hazırlık aşamasında çok fazla zaman kazandırır. Geleneksel uygulamalarda ürünü ideal bir standartla karşılaştırarak hataları arayan bir inceleme şablonu hazırlamak son derece uzun bir zaman almaktadır. Ancak yeni nesil önceden hazırlanmış matematiksel model ile bu süre oldukça kısalıyor.
Hazırlayan : B. Serhat Cengiz
Kaynakça
• Artificial Intelligence: How Advance Machine Learning Will Shape The Future Of Our World, Christina Ahmet. ScreenMagic Publishing via PublishDrive, Nov 20, 2018.
• Artificial Intelligence: A Systems Approach: A Systems Approach, M. Tim Jones. Jones & Bartlett Learning, Jun 16, 2015
• https://avr-aerospace.com/what-is-adaptive-manufacturing-exactly/
• https://www.fiixsoftware.com/maintenance-strategies/predictive-maintenance/
• http://pesquisaparainovacao.fapesp.br/the_automotive_industry_uses_artificial_intelligence_in_vehicle_inspection/865
