Üretim Veri Analizi: Raporlamadan Yapay Zekaya, Veriyi Karara Dönüştürmek

Üretim veri analizi nedir?

Üretim veri analizi, makinelerden, operatörlerden, kalite kontrollerinden ve ERP'den gelen verinin istatistiksel ve analitik yöntemlerle incelenerek verimlilik, kalite ve maliyet kararlarına dönüştürülmesidir. Üretim verisi analitiğini dört soru üzerinden düşünmek işe yarar:

1. Ne oldu? Üretim raporlama: dünkü üretim, fire, duruş ve OEE değerleri.
2. Neden oldu? Teşhis analizi: duruşların Pareto dağılımı, fireyi tetikleyen parametreler.
3. Ne olacak? Tahmin: fire riski, talep, anomaliye dönüşmek üzere olan makine davranışı.
4. Ne yapmalı? Öneri: optimum makine parametreleri, daha iyi bir çizelge, daha ucuz tarife saatine kaydırılmış bir operasyon.

Çoğu işletme birinci basamakta, Excel'de hazırlanan raporlarla kalır. Bir sonraki basamağa geçmek için daha fazla rapor değil, daha güvenilir veri ve doğru soru gerekir.

Üretim veri analizi hangi sorunlara cevap verir?

Veri analizi projeleri genellikle somut bir sıkıntıyla başlar. Sahada en sık duyduğumuz sorular şunlardır:

• Makineler dolu görünüyor, ama planlanan adet neden çıkmıyor? Kısa duruşlar ve hız kayıpları nerede birikiyor?
• Aynı ürün, aynı makinede neden bir vardiyada sorunsuz, diğerinde fireli çıkıyor?
• Bir siparişin gerçek maliyeti, ERP'deki standart maliyetten ne kadar sapıyor?
• Yönetim toplantısındaki rakamlar neden her departmanda farklı?
• Bakım ekibi hangi makineye öncelik vermeli?

Bu soruların ortak noktası, cevabın zaten üretilen veride durması ama dağınık, gecikmiş ya da güvenilmez olmasıdır. Üretim veri analizinin ilk kazancı çoğu zaman yeni bir algoritma değil, herkesin aynı rakama bakmasıdır.

Analizin temeli: Güvenilir üretim verisi

En gelişmiş analiz bile yanlış veriden doğru sonuç çıkaramaz. Sahada en sık karşılaştığımız veri sorunları şunlardır:

• Vardiya sonunda elle yazılan üretim adetleri ve hafızadan girilen duruş süreleri.
• Kayıtların büyük kısmının "diğer" diye kodlandığı duruş ve fire nedenleri.
• Farklı sistemlerde farklı kodla duran aynı malzeme ya da makine.
• Zaman damgası olmayan ya da sistemler arasında saatleri tutmayan kayıtlar.

Bu yüzden analiz projelerine verinin kaynağından başlarız. PLC ve makine veri toplama ile durum ve sayım bilgisi otomatik gelir; MES üretim takip sistemi bu olayları iş emri, operatör ve vardiya ile eşleştirir; operatör panelleri de duruş nedeni ve fireyi kaynağında kodlar. Meta Smart Factory MES, hazır raporların yanında ham olay akışının kendisini, yani makine durum değişikliklerini, miktar teyitlerini, duruş ve fire kayıtlarını REST API ya da toplu dosya ile dışarı verebilir. Bu, kendi iş zekâsı aracınızı kullanmak istediğinizde önemli bir esnekliktir.

Üretim raporlama ve dashboard: Hangi KPI'lar izlenmeli?

İyi bir üretim dashboard'u çok sayıda grafik değil, kararı hızlandıran birkaç doğru göstergedir. Temel KPI'lar:

OEE'nin bileşenlerini ve hesaplama örneklerini OEE nedir, nasıl hesaplanır rehberimizde ayrıntılı anlattık. Dashboard tasarımında rol ayrımı yaparız: operatör kendi istasyonunun anlık hedefini, vardiya amiri hattın kayıplarını, yönetici ise tesisler arası karşılaştırmayı görür. Meta Smart Factory MES birden fazla fabrikanın performansını tek bir panoda karşılaştırmayı destekler; enerji tarafında ise enerji yönetim sistemi ürün başına enerji KPI'ını aynı veri modeline ekler.

Raporlamadan analitiğe: Çıktıyı gerçekte ne belirliyor?

Rapor size fire oranının arttığını söyler; analitik ise nedenini arar. Meta Smart Factory Yapay Zeka ve Makine Öğrenmesi Platformu bu iş için iki teşhis aracını birlikte kullanır:

• Spearman korelasyonu: Süreç parametreleri ile çıktı veya kalite arasındaki ilişkinin yönünü ve gücünü gösterir.
• XGBoost değişken önem analizi: Çok sayıda parametre arasından sonucu en çok etkileyenleri sıralar.

Bu araçlar model seviyesinde teşhis içindir. Bir modelin kestirme bir yol bulup bulmadığını yakalamakta çok iyidirler, ama tek bir uyarıyı yargılamak için kullanılmamalıdır. Korelasyon da nedensellik değildir: kalıp sıcaklığı ile fire arasında güçlü bir ilişki görmek, bir deneme planıyla doğrulanması gereken bir hipotezdir. Analizi süreç mühendisinizle birlikte yorumlamamızın nedeni budur.

Üretimde yapay zeka ve makine öğrenmesi: Kullanım senaryoları

Yapay zeka, üretimde ancak somut bir karara bağlandığında değer üretir. Meta Smart Factory Yapay Zeka & ML Platformu, tüm MSF modüllerinin üzerinde çalışan bir zekâ katmanı olarak şu senaryoları sunar:

• Kestirimci kalite: Parça henüz tamamlanmadan süreç parametrelerinden fire riskini tahmin eder.
• Anomali tespiti: LSTM otokodlayıcı ağlar normal sensör davranışını öğrenir, olağandışı davranışı ekipman ve parametre bazında önem ısı haritalarıyla gerçek zamanlı işaretler.
• Çıktı tahmini ve parametre optimizasyonu: Random Forest modelleri çıktıyı tahmin eder ve her çalıştırma için uygun makine parametrelerini önerir.
• Çizelge optimizasyonu: Pekiştirmeli öğrenme, üretim planlama ve çizelgeleme kararlarını fabrikanıza özgü biçimde iyileştirir.
• Talep tahmini: Geçmiş veriyi, mevsimselliği ve pazar sinyallerini birleştiren makine öğrenmesi modelleri.
• Enerji optimizasyonu: Enerji yoğun operasyonları teslim tarihlerini aksatmadan ucuz tarife saatlerine kaydırır.

Görsel kalite kontrol ise ayrı bir uzmanlık alanıdır; kamera tabanlı hata tespiti için yapay zeka ile kalite kontrol sayfamıza bakabilirsiniz. Platformun bir veri bilimi ekibi gerektirmemesi önemli bir avantajdır: modeller üretim senaryoları için hazır gelir ve MSF uzmanları tarafından sizin verinize göre ayarlanır.

Yapay zeka için ne kadar ve nasıl bir veri gerekir?

Bu sorunun cevabı ay sayısı değil, doğru etiketlenmiş örnek sayısıdır.

• Gözetimli modeller (kestirimci kalite, çıktı tahmini) süreç parametrelerinin yanında kodlanmış bir sonuç ister. Fire modeli hatalardan öğrenir; firesi düşük bir hat uzun süre çalışsa bile eğitime yetecek kadar hatalı örnek üretmeyebilir. Fire nedenlerinin çoğu "diğer" olarak kodlanmışsa model bir şey öğrenemez.
• Talep modelleri birkaç tam sezon döngüsü ister. Eski veri, ancak bugünkü stok kartı ve tesis yapısıyla örtüşüyorsa işe yarar; son ERP geçişiniz ya da parça numarası değişikliğiniz verinin gerçek başlangıcı olabilir.
• LSTM anomali tespiti gözetimsizdir ve etiket istemez; ham sensör serisi yeterlidir. Fire kodlarını hâlâ düzelten bir tesis buradan başlayabilir, ancak modelin adı konmuş bir hatayı değil, olağandışı davranışı işaretlediğini bilerek.

Her durumda MES üretim verisi ön koşuldur; APS, kalite ve bakım modülleri eklendikçe yeni yapay zeka senaryoları açılır.

Model isabeti, güven ve sorumluluk

Yapay zekanın üretimde benimsenmesi, operatörün ve mühendisin ona güvenmesine bağlıdır. Bu güveni üç kuralla kurarız:

1. Gölge çalıştırma: Model önce paralel çalışır ve skor üretir; uyarı eşiği, modelin daha önce görmediği parçalar üzerinde yeterince gerçek hata biriktikten sonra belirlenir. Eşiğin yeri, yakalama oranı ile yanlış alarm arasındaki dengeyi sabitleyen ticari bir karardır.
2. Yalnızca öneri: Modeller makine parametrelerini kendi başına değiştirmez; öneri bir panelde, raporda ya da APS'te önerilen çizelge olarak insanın önüne gelir. Kontrolöre geri yazma ayrıca kapsamlanan bir entegrasyondur ve hiçbir zaman emniyet kilitlemelerinin yerine geçmez.
3. Sapma takibi: Yeni bir ürün, malzeme veya revizyondan çıkmış bir makine modelin isabetini sessizce düşürebilir. Hangi modelde tahmin ile gerçekleşenin karşılaştırılacağını ve bunu kimin ne sıklıkla okuyacağını projede netleştiririz.

Veriler şirket içinde ya da size özel bir bulutta tutulur; üretim verileriniz başka şirketlerin modellerini eğitmek için kullanılmaz.

Metadx ile üretim veri analizi projesi

Metadx, Meta Smart Factory Türkiye Exclusive Partner'ı olarak veri toplama, MES, raporlama ve yapay zeka katmanlarını tek bir yol haritasında birleştirir. Çelik sektöründe yapay zeka destekli izleme ve Suudi Arabistan'da yapay zeka destekli MES ile görsel kalite kontrol gibi çalışmalarımızı uygulamalar sayfamızda bulabilirsiniz.

1. Soru ve KPI tanımı: Hangi kararın hızlanması gerektiği ve bunu hangi göstergenin ölçeceği belirlenir.
2. Veri envanteri: Mevcut kaynaklar, eksikler ve kodlama sorunları çıkarılır.
3. Veri temeli: Gerekirse makine veri toplama ve MES ile güvenilir kayıt kurulur.
4. Dashboard ve raporlama: Rol bazlı ekranlar ve periyodik raporlar devreye alınır.
5. İlk model: Verinin elverdiği bir yapay zeka senaryosu gölge modda başlatılır.
6. Sürdürme: Sizin tarafınızda adı konmuş bir süreç veya kalite mühendisi ve düzenli bir gözden geçirme toplantısı; ayar ve yeniden eğitim MSF ve Metadx tarafında.

Kendi verinizle neyin mümkün olduğunu görmek için bir kavram kanıtı (PoC) çalışmasıyla başlayabilirsiniz. ERP tarafındaki raporlama ihtiyaçları için ERP danışmanlığı hizmetimiz de aynı yol haritasına bağlanır.