Yapay zeka ile fabrikaları akıllı fabrikalara dönüştürmek

 

 

 

 

 

 

 

 

 

 

 

Yapay zeka (AI), ChatGPT sohbet robotunun muzaffer lansmanından bu yana herkesin dilinde. Yapay zeka endüstriyel üretim teknolojisinde de büyük adımlar atıyor. Makine öğrenimi üretimin verimliliğini artırabilir. Peki ama nasıl çalışıyor? Nasıl çalıştığını 18-23 Eylül tarihleri arasında EMO Hannover 2023'te öğrenin. Üretim teknolojisi alanında dünyanın önde gelen ticaret fuarı, "Innovate Manufacturing" başlığı altında, yapay zekânın öne çıktığı pek çok yeni fikir sunarak ticari izleyicilerine ilham verecek.

Üretim makineleri gerçekten kendi kendini optimize edebilir mi? Hatalarından ders çıkarabilirler mi? Ve diğer makinelerden know-how edinmeleri mümkün mü? Yapay zeka (AI) tüm bunları mümkün kılıyor. Kendi kendine öğrenen üretim makineleri akıllı bir şekilde çalıştığında, bu daha fazla üretkenlik, daha düşük maliyet, daha iyi kalite ve daha az duruş süresi sağlar.

"Üretim teknolojisi süreçlerimizi optimize etmek için çok zaman harcadık ve burada bir rekabet avantajı oluşturduk. Şimdi aynı şeyi endüstriyel üretimin dijital dönüşümünde de yapmak istiyoruz," diyor Fraunhofer Yazılım ve Sistem Mühendisliği Enstitüsü ISST Veri Ekonomisi Bölümü Başkanı Markus Spiekermann. Spiekermann, "Yapay zeka yeni gereksinimlerin karşılanmasında belirleyici bir rol oynuyor" diyor. "Çünkü sadece yapay zeka yöntemleri kullanılarak yüksek otomasyon seviyelerine ulaşılabilir."

Torna tezgahları için kestirimci bakım

Yapay zeka trendi endüstriyi etkisi altına alıyor. Takım tezgahı üreticisi Weisser Söhne GmbH & Co. KG, örneğin torna tezgahlarının öngörücü bakımını sağlayan yapay zeka modellerine güveniyor.

Karlsruhe merkezli startup Prenode GmbH'nin CEO'su ve kurucusu Dr.-Ing. Robin Hirt, "Kestirimci bakım, bir makinenin bozulmasını önlemek için ne zaman bakıma ihtiyaç duyacağını tahmin etmek için yapay zekayı kullanıyor" diyor. Yazılım şirketi, makine üreticilerinin tesislerini özelleştirilmiş yapay zeka tabanlı özelliklerle donatmalarına yardımcı oluyor.

Hirt, modern üretim makinelerinin yapay zeka yardımıyla kendi kendini optimize edebildiğini söylüyor. "Bunun için genellikle makine öğrenimi denilen yöntemleri kullanıyorlar. Bunlar, makinelerin üretim verilerindeki kalıpları ve korelasyonları tanımasını ve bunlardan otomatik olarak iyileştirmeler elde etmesini sağlar." Çoğu durumda makinelerin hatalarından ders çıkarması ve diğer makinelerin teknik bilgilerini benimsemesi de mümkündür.

Ortak bir yapay zeka modeli oluşturmak için kullanılan merkezi olmayan veriler

Tek bir torna tezgahından elde edilen veriler genellikle doğru bir YZ modeli için temel olarak yetersiz olduğundan, federe öğrenme tekniği sıklıkla kullanılır. Federe öğrenme, verilerin merkezi olmayan biçimde depolandığı ancak verilerin doğrudan paylaşılmadığı ortak bir YZ modelinin "eğitimini" kolaylaştırır. Bu nedenle bireysel veriler ilgili makinelerde kalır ve merkezi olarak tek bir yerde (makine üreticisinin bulutu gibi) depolanması gerekmez.

Yapay zeka modelleri, tesisin mevcut durumunu tahmin etmek için devam eden torna verilerini kullanır ve ardından bunu işletme personeline iletir. Bunun için derin öğrenme sinir ağları kullanılıyor.

Trumpf'tan akıllı sıralama asistanı

Ditzingen, Baden-Württemberg, Almanya'daki lazer uzmanı Trumpf tarafından oluşturulan ve üretilen parçaları ayırmaya ve böylece makine kullanım seviyelerini artırmaya yardımcı olan bir sistem olan Sıralama Kılavuzunu çalıştırmak için de yapay zeka kullanılıyor. Ayıklama Kılavuzu, merkezi olmayan makine öğrenimine dayanan kamera tabanlı bir yardımcı sistemdir. Yapay zeka sisteminin ana bileşenleri yüksek çözünürlüklü bir kamera, büyük bir ekran, endüstriyel bir bilgisayar ve görüntü işleme için akıllı bir yazılımdır.

Prenode CEO'su Hirt, prensibi açıklarken "Merkezi olmayan makine öğrenimi, bir yapay zeka sistemi oluşturmak için birkaç makinenin birbirine bağlanmasını içerir" diyor. Bu makineler sürekli olarak iş süreçleri hakkında yerel veriler toplar. Her makine için bir yapay zeka modeli geliştirilir ve bu model daha sonra merkezileştirilir. "Hirt sözlerine şöyle devam ediyor: "Bu modeller daha sonra merkezi bir bulutta birleştiriliyor ve tek tek sistemlere geri aktarılıyor. Yapay zeka sistemi daha sonra hassas ham verileri paylaşmak zorunda kalmadan diğer tüm makinelerin deneyimlerinden yerel olarak faydalanabiliyor. Hirt, "Bu, makinelerin süreçlerini daha verimli bir şekilde yürütmelerini ve daha fazla üretkenlik elde etmelerini sağlıyor" diyor.

Trumpf'ın Sıralama Kılavuzu aşağıdaki gibi çalışır: Sıralama Kılavuzu, parçaları tek tek tanımak için mevcut ana verileri ve kendi kendine öğrenen görüntü işlemeyi kullanır. Daha sonra ekranda bir sıralama önerisi yayınlar. Üretilen parçalar ekranda farklı renklerde gösterilir - örneğin müşteri siparişine veya bükme, çapak alma, cilalama veya nakliye gibi sonraki iş adımlarına göre kodlanır. Böylece parçaların yeniden sayılması, manuel onaylar ve eşlik eden belgeler gibi zaman alıcı unsurlar geçmişte kalır. Makine operatörleri bir bakışta hangi parçaların daha ileri işlemler için hazır olduğunu ve üretim sonrasının gerekli olup olmadığını görebilir. Bu, ayıklama sürecini hızlandırır ve hataların önlenmesine yardımcı olarak makinenin üretime daha hızlı dönmesini sağlar. İnsanların ve makinelerin endüstriyel üretim ortamında yakın bir şekilde birlikte çalışması gerektiğinden, yapay zeka ve üretim el ele gider.

Veri analizine dayalı optimize edilmiş işleme

Delme veya frezeleme gibi işleme süreçlerinde takım aşınmasını analiz eden yeni bir yöntem de yapay zekaya dayanıyor. Pahalı takımları mümkün olduğunca uzun süre kullanabilmek önemlidir. Bu nedenle, kalan hizmet ömrünü doğru bir şekilde tahmin edebilmek de çok önemlidir. Takım kırılmaları ve pahalı iş parçalarının tahrip olması, hatta takım tezgahının hasar görmesi her ne pahasına olursa olsun önlenmelidir.

Şimdiye kadar bu çelişkili hedefler, takım kırılmaları nedeniyle kalite kaybını ve hatta pahalı duruş sürelerini önlemek için belirli sayıda işlemden sonra (deneyime dayalı olarak) takımların zamanından önce değiştirilmesiyle çözülmüştür. Ancak takım değişimi maliyetli ve zaman alıcıdır, bu nedenle değişim döngülerini optimize etmek gerekir.

İşte bu noktada yapay zeka devreye giriyor. Kaiserslautern Teknik Üniversitesi'ndeki araştırmacılar, aşınma durumunun güvenilir bir tahminini elde etmek ve böylece kesme işlemlerini optimize etmek için gerçek proses ve ölçüm verilerini kullanarak sistemi "eğiten" bir yöntem geliştirdiler.

Pratikte şu şekilde çalışmaktadır: Kesici takımların aşınma durumunu tahmin etmek için öncelikle prosesle ilgili parametrelerin tanımlanması gerekir. Bunlar arasında farklı işleme kuvvetleri, makinenin titreşimleri ve makine eksenlerinin güç gereksinimleri yer alır. Takım ve iş parçasının sürekli ölçümlerinden alınan veriler toplanır. Bu durumda karşılaşılan en büyük zorluk, toplanan verilerdeki korelasyonları tespit etmektir.

Örüntüleri araştırmak

Bunu başarmak için araştırmacılar yapay zeka destekli sistemi eğitiyor. Bu, olası kalıpları tespit etmek ve aşınma durumu hakkında sonuçlar çıkarmak için makine öğrenimi yöntemlerini kullanır. Ayrıca, belirli bir hizmet ömrü boyunca takımı güvenilir bir şekilde kullanımda tutmak için şirketlerin belirli kesme işlemlerinde hangi işlem parametrelerini kullanmaları gerektiğini tahmin edebilmelidir. Sistemin öğrenmesi gereken veriler, hem küresel oyuncular hem de küçük ve orta ölçekli işletmeler dahil olmak üzere beş ortak şirketten toplanmaktadır. Örneğin takım ve malzeme tipleri veya proses parametreleri açısından farklı varyasyonlar denenmektedir. Böylece, takımın arızalanmasına kadar tüm hizmet ömrü boyunca geniş bir veri tabanı toplanır.

Yapay zeka zaten oldukça akıllı, ancak hala mükemmel olmaktan uzak. Bireysel kullanım durumlarında süreçler çok farklıdır. Bu nedenle makine öğrenimi, takım değiştirme kararını destekler. Amaç, transfer öğrenme denilen yöntemle sistemi daha iyi ve daha iyi hale getirmektir. Burada, daha önce öğrenilen ilgili görevlerden elde edilen bilgiler, makine öğrenimi modellerini yeni (ancak ilgili) görevler için daha hızlı eğitmek için kullanılır.

Düşük eşikli erişim için IIP-Ecosphere

Bununla birlikte, endüstriyel üretim söz konusu olduğunda, özellikle küçük şirketler için yapay zekanın faydaları her zaman açık değildir. Birçoğu, üretim verilerini bilgisayarlar tarafından derinlemesine analiz edilmek üzere teslim etmekten endişe duyuyor.

Fraunhofer Yazılım ve Sistem Mühendisliği Enstitüsü'nün (Fraunhofer ISST) işbirliği yaptığı IIP-Ecosphere projesi, yapay zekanın katma değeri konusunda hala emin olmayan üretim şirketleri için, karmaşık üretim sorunları için satıcıdan bağımsız yapay zeka çözümlerine düşük eşikli erişim sağlamayı amaçlıyor. Projenin amacı, yeni bir ekosistem türü oluşturmak ve üniversiteler ve araştırma kurumları, endüstriyel şirketler ve yapay zeka çözüm sağlayıcıları da dahil olmak üzere tüm farklı oyuncuların üretimde yapay zeka kullanımını teşvik etmektir. Yapay zeka, bilgi ağıyla gelişir. Sonuç, "Akıllı Endüstriyel Üretim için Ekosfer" veya kısaca IIP-Ekosfer oluşturmaktır.

Keşif için bir platform

Fraunhofer Yazılım ve Sistem Mühendisliği Enstitüsü ISST'de Veri Ekonomisi Bölümü Başkanı Markus Spiekermann şöyle açıklıyor: "Örneğin YZ çözüm kataloğu, IIP-Ecosphere projesinin bir parçası olarak geliştiriliyor. Bu, üretimle ilgili sorunlara yönelik mevcut YZ çözümlerini keşfetmeye ve analiz etmeye yönelik bir platformdur." Katalog, mevcut çözümler hakkındaki bilgilere erişimi kolaylaştırmanın yanı sıra, kullanım durumlarına göre hedeflenmiş filtreler sunuyor ve çözümlerin katma değerini gösteriyor. Spiekermann, "Bireysel YZ uygulamaları daha sonra projede geliştirilen açık kaynaklı IIoT platformu kullanılarak doğrudan uygulanabilir" diyor.

Şiddetli uluslararası rekabette ayakta kalma mücadelesinde bilgi gücü temsil ediyor - ancak veri de öyle. ABD ve Japonya'daki rakiplerine kıyasla Almanya, endüstriyel üretim teknolojisinde yapay zekanın geliştirilmesi ve kullanılmasında oyunun ilerisinde mi? Bu konuda jüri hala kararını vermiş değil. Fraunhofer uzmanı Spiekermann, "Anladığım kadarıyla şu anda rakiplerimiz karşısında rehavete kapılmamızı sağlayacak bir gelişme üstünlüğüne sahip değiliz," diyor. Spiekermann, "Aslında, yapay zeka açısından, endüstriyel üretim teknolojisi de dahil olmak üzere uluslararası sağlayıcıların gerisinde kalıyoruz" diyor.

Buna karşılık Fraunhofer uzmanı şunu da belirtiyor: Bununla birlikte, alana özgü süreçleri optimize etme açısından hala oyunun ilerisindeyiz. Belirli kullanım durumları için hangi veriler mevcut ve gerekli? Tuzaklar nelerdir ve hangi istisnaların dikkate alınması gerekir? Profesyonel ve teknolojik yapay zeka uzmanlığımızı hızla geliştirebilirsek, bu alan bilgisiyle Almanya'da kendimize önemli bir liderlik alanı yaratabiliriz."

Yazar: Daniel Schauber, uzman gazeteci, Mannheim