Endüstriyel Makine Görüşü: Gerçek Zamanlı Kusur Tespiti için Uçta Yapay Zekâ Kullanımı
Üreticiler, ürünler üretim hattından çıkmadan önce kusurları tespit etmek için uç tabanlı makine görüşü sistemlerine giderek daha fazla güveniyor. AWS IoT Greengrass ve Amazon SageMaker’ı bir araya...
Üretimde Kusur Tespiti Neden Uca Doğru İlerliyor?
Üreticiler daha yüksek ürün kalitesi, daha düşük işletme maliyetleri ve daha yüksek üretim verimliliği arayışını sürdürüyor. Üretim hatları daha hızlı ve otomatik hâle geldikçe, geleneksel denetim yöntemleri modern üretim hacmi gereksinimlerine ayak uydurmakta zorlanıyor. İnsan denetimi birçok sektörde değerini korusa da çoğu zaman değişkenliğe, yorgunluğa bağlı hatalara ve ölçeklenebilirlik sınırlamalarına yol açar.
Aynı zamanda endüstriyel tesisler artık sensörler, kameralar, denetleyiciler ve bağlantılı cihazlar aracılığıyla çok büyük miktarlarda operasyonel veri üretmektedir. Bu veri kaynakları, ürünler müşterilere ulaşmadan çok önce kalite sorunlarını belirleyebilen gelişmiş analiz ve makine öğrenimi uygulamaları için fırsatlar yaratır.
Son yıllardaki en önemli gelişmelerden biri, makine öğrenimi modellerinin doğrudan endüstriyel uçta dağıtılmasıdır. Üreticiler her görüntüyü analiz için uzak bir bulut platformuna göndermek yerine, kusur tespitini üretim ekipmanının yakınına kurulan endüstriyel bilgisayarlarda, gömülü işlemcilerde ve uç ağ geçitlerinde yerel olarak gerçekleştirebilir.
Bu yaklaşım, gecikmeyi önemli ölçüde azaltırken sistemin yanıt verme hızını artırır. Üretim ekipmanı, tespit edilen kusurlara anında tepki verebilir, uygun olmayan ürünleri ayırabilir, alarmları tetikleyebilir veya bulut işlemesini beklemeden düzeltici eylemler başlatabilir.
Bulut platformları, makine öğrenimi modellerini eğitmek, yönetmek ve iyileştirmek için önemini korur. Ancak uç bilişim, fabrikaların gerçek zamanlı çıkarımı verilerin üretildiği yerde gerçekleştirmesine olanak tanır. Bulut zekâsı ile uçta çalıştırmayı birleştiren bu yaklaşım, endüstriyel otomasyon için güçlü bir mimari hâline gelmiştir.
Bu mimariyi destekleyen önde gelen teknolojiler arasında Amazon SageMaker ve AWS IoT Greengrass yer alır. Bu platformlar birlikte, üretimde kusur tespiti uygulamalarında kullanılan makine öğrenimi modellerini oluşturmak, dağıtmak, izlemek ve sürekli olarak iyileştirmek için bir çerçeve sunar.
Şekil 1. Otomatik makine görüşü sistemleri, modern üretim ortamlarında yüksek hızlı kalite denetimini mümkün kılar.
Endüstriyel Kusur Tespitindeki Zorluğu Anlamak
Kusur tespiti ilk bakışta basit görünür. Bir kamera görüntü yakalar, yazılım ürünü değerlendirir ve sistem parçanın denetimden geçip geçmediğini belirler. Ancak pratikte endüstriyel denetim ortamları çok sayıda teknik zorluk barındırır.
Ürünler farklı hızlarda hareket eder. Aydınlatma koşulları gün boyunca değişir. Yüzey malzemeleri ışığı farklı şekillerde yansıtabilir. Üretim toleransları, kabul edilebilir ürünler arasında küçük farklılıklara yol açabilir. Toz, titreşim, sıcaklık dalgalanmaları ve çevresel koşullar görüntü alımını daha da zorlaştırabilir.
Bu nedenle üreticiler, normal üretim değişkenliğini gerçek kusurlardan ayırt edebilen denetim sistemleri geliştirmelidir.
Yaygın üretim kusurları şunları içerir:
- Yüzey çizikleri
- Çatlaklar ve kırıklar
- Eksik bileşenler
- Montaj hataları
- Uygun olmayan kaynaklar
- Boya kusurları
- Kabarcıklar ve boşluklar
- Boyutsal sapmalar
- Ambalaj kusurları
- Etiketleme hataları
Otomotiv üretimi, yarı iletken imalatı, ilaç, gıda işleme, elektronik montajı ve enerji üretimi gibi sektörlerde kusur tespiti kârlılığı ve müşteri memnuniyetini doğrudan etkiler.
Gözden kaçan bir kusur; garanti taleplerine, güvenlik olaylarına, ürün geri çağırmalarına, düzenleyici kurum cezalarına veya marka itibarının zarar görmesine yol açabilir. Buna karşılık, aşırı katı denetim kriterleri hurda oranlarını artırabilir ve üretim verimliliğini düşürebilir.
Makine öğrenimi, yalnızca manuel olarak programlanmış denetim kurallarına güvenmek yerine büyük veri kümelerinden desenleri öğrenerek bu zorlukların üstesinden gelmeye yardımcı olur.
Makine Görüşü, Geleneksel Kural Tabanlı Denetimin Ötesine Geçti
Geleneksel makine görüşü sistemleri, büyük ölçüde deterministik görüntü işleme algoritmalarına dayanır. Mühendisler eşikleri, kenar algılama parametrelerini, geometrik ölçümleri ve özellik tanıma kurallarını manuel olarak tanımlar.
Bu yaklaşımlar birçok uygulama için etkili olmaya devam eder. Ancak ürünler önemli ölçüde çeşitlilik gösterdiğinde veya kusurlar öngörülemeyen biçimlerde ortaya çıktığında bakımları giderek zorlaşır.
Modern makine öğrenimi modelleri temelde farklı bir yaklaşım sunar.
Mühendisler, her denetim kuralını manuel olarak tanımlamak yerine, modelleri binlerce hatta milyonlarca örnek görüntü kullanarak eğitir. Sistem, kabul edilebilir ürünleri kusurlu ürünlerden ayıran özellikleri öğrenir.
Bu, makine öğrenimi sistemlerinin geleneksel görüntü algoritmalarının tanımlamakta zorlanabileceği ince desenleri tespit etmesini sağlar.
Endüstriyel denetim sistemlerinde çeşitli makine öğrenimi yaklaşımları yaygın olarak kullanılır.
Görüntü Sınıflandırma
Sınıflandırma modelleri, bir görüntünün belirli bir kategoriye ait olup olmadığını belirler.
Örneğin bir model, ürünleri şu şekilde sınıflandırabilir:
- Başarılı
- Başarısız
- Hasarlı
- Eksik
- Hizası bozuk
Sınıflandırma genellikle en basit dağıtım modelidir ve birçok üretim uygulaması için etkili bir başlangıç noktasıdır.
Nesne Algılama
Nesne algılama, bir kusurun hem varlığını hem de konumunu belirleyerek sınıflandırmayı genişletir.
Model, yalnızca bir kusurun var olduğunu bildirmek yerine kusurun görüntünün neresinde bulunduğunu belirler.
Bu özellik, bakım ekiplerinin ve kalite mühendislerinin proses sorunlarını ve temel nedenlerini daha iyi anlamasını sağlar.
Semantik Segmentasyon
Semantik segmentasyon, piksel düzeyinde analiz sağlar.
Her piksele bir sınıflandırma etiketi atanır; böylece sistem bir kusurun kesin sınırlarını belirleyebilir.
Segmentasyon modelleri, üreticilerin çatlak boyutları, korozyon alanları, kaplama kusurları veya malzeme tutarsızlıkları hakkında ayrıntılı bilgiye ihtiyaç duyduğu durumlarda özellikle kullanışlıdır.
Gelişmiş segmentasyon teknikleri, kusur büyüme modellerinin daha kapsamlı proses optimizasyonu çalışmalarının bir parçası hâline geldiği öngörücü kalite girişimlerini destekleyebilir.
Uç Yapay Zekâ Endüstriyel Otomasyonda Neden Önemlidir?
Birçok endüstriyel tesis hâlâ sıkı güvenilirlik gereksinimleriyle çalışmaktadır. Üretim hatları genellikle uzun süreler boyunca kesintisiz çalışır ve tamamen bulut bağlantısına güvenemez.
Her denetim görüntüsünün uzak bir sunucuya gönderilmesi çeşitli sınırlamalar getirir:
- Ağ gecikmesi
- Bant genişliği tüketimi
- Bulut işleme maliyetleri
- Siber güvenlik endişeleri
- Bağlantı riskleri
Dakikada binlerce kap üreten bir şişeleme tesisini düşünün. Yüksek çözünürlüklü kameralar her saat gigabaytlarca görüntü verisi üretebilir.
Her görüntünün buluta iletilmesi pahalı ve gereksiz hâle gelir.
Bunun yerine uç tabanlı çıkarım, yalnızca ilgili bilgileri merkezi sistemlere iletirken yerel karar almayı mümkün kılar.
Bu mimari, operasyonel teknoloji (OT) sistemlerinin bilgi teknolojisi (BT) altyapısıyla giderek daha fazla bütünleştiği modern endüstriyel otomasyon stratejileriyle yakından örtüşür.
Endüstriyel uç yapay zekâ, aşağıdakiler dâhil olmak üzere çok sayıda otomasyon ortamını destekleyebilir:
- PLC kontrollü üretim hatları
- DCS tabanlı proses tesisleri
- SCADA izleme sistemleri
- Türbin izleme ağları
- Paketleme makineleri
- Robotik montaj hücreleri
- Depo otomasyon sistemleri
Birçok tesis, büyük endüstriyel tedarikçilerin otomasyon platformlarını hâlihazırda işletmektedir. Uç yapay zekâ çözümleri; Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV ve Yokogawa CENTUM VP gibi sistemlerle birlikte çalışabilir.
Bu ortamlarda makine görüşü sistemleri, genel üretim hedeflerini destekleyen başka bir operasyonel zekâ kaynağı hâline gelir.
Endüstriyel Makine Öğreniminde Amazon SageMaker'ın Rolü
Amazon SageMaker, makine öğrenimi modelleri oluşturmak, eğitmek, optimize etmek, dağıtmak ve yönetmek için bulut tabanlı bir ortam sağlar.
Başlıca avantajlarından biri, geleneksel olarak makine öğrenimi geliştirmeyle ilişkilendirilen birçok görevi basitleştirmesidir.
Veri bilimcileri ve mühendisler, altyapı yönetimi yerine model performansına odaklanabilir.
Bir üretim ortamında SageMaker, makine öğrenimi yaşam döngüsünün tamamını destekleyebilir.
Veri Toplama ve Hazırlama
Başarılı bir kusur tespiti projesinin temeli, yüksek kaliteli bir veri kümesidir.
Üreticiler genellikle üretim hatları boyunca stratejik denetim noktalarına endüstriyel kameralar kurar. Bu kameralar hem uygun hem de kusurlu ürünlerin görüntülerini yakalar.
Toplanan görüntüler daha sonra etiketlenmeli ve düzenlenmelidir.
Doğru etiketleme, model performansını doğrudan etkiler. Kötü etiketlenmiş veri kümeleri, dağıtım sırasında genellikle yanlış pozitiflere ve yanlış negatiflere yol açar.
Kusur tespiti uygulamalarında mühendisler sıklıkla şunları tanımlayan açıklamalar oluşturur:
- Kusur türü
- Kusur konumu
- Kusur şiddeti
- Ürün kategorisi
- Üretim partisi bilgileri
Veri kümeleri büyüdükçe üreticiler, ek üretim senaryolarını dahil ederek model doğruluğunu sürekli olarak iyileştirebilir.
Model Eğitimi ve Optimizasyonu
Makine öğrenimi modellerini eğitmek önemli miktarda bilgi işlem kaynağı gerektirir.
Bulut altyapısının önemli avantajlar sunduğu nokta budur.
Üreticiler, özel şirket içi yapay zekâ sunucularına yatırım yapmak yerine modelleri daha verimli eğitmek için ölçeklenebilir bulut kaynaklarından yararlanabilir.
SageMaker, endüstriyel makine görüşü uygulamalarında yaygın olarak kullanılan birden çok çerçeveyi ve model mimarisini destekler.
Yaygın sinir ağı mimarileri şunlardır:
- ResNet
- U-Net
- YOLO
- EfficientNet
- Faster R-CNN
- Mask R-CNN
Her mimari; doğruluk, hesaplama gereksinimleri ve çıkarım hızı arasında farklı ödünleşimler sunar.
Endüstri mühendisleri, üretim ortamına dağıtım için en uygun modeli seçmeden önce genellikle birden çok mimariyi değerlendirir.
Donanım Farkındalıklı Model Dağıtımı
Endüstriyel yapay zekâ projelerindeki en büyük zorluklardan biri, bulutta eğitilen modelleri kaynakları kısıtlı uç donanımlara aktarmaktır.
Buluttaki bir GPU'da olağanüstü iyi performans gösteren bir model, endüstriyel bir ağ geçidinde veya gömülü bir işlemcide dağıtıldığında zorlanabilir.
SageMaker, modelleri hedef donanım platformları için optimize etmeye yardımcı olan araçlar sağlar.
Bu optimizasyon süreci, kabul edilebilir doğruluğu korurken bellek gereksinimlerini azaltır, çıkarım hızını artırır ve güç tüketimini en aza indirir.
Bu tür yetenekler, yüzlerce veya binlerce uç cihazının aynı anda çalışabildiği büyük ölçekli üretim ortamlarında özellikle önem kazanır.
Bölüm 2'de AWS IoT Greengrass'ın bu modelleri endüstriyel uçta nasıl dağıtıp yönettiğini inceleyecek, buluttan uca kusur tespiti iş akışlarını ele alacak, pratik uygulama mimarilerini tartışacak ve PLC'ler, SCADA sistemleri, DCS platformları ve öngörücü kalite programlarını içeren gerçek dünyadaki üretim kullanım örneklerini gözden geçireceğiz.
Makine Öğrenimi Modellerini AWS IoT Greengrass ile Fabrika Sahasına Taşımak
Bir makine öğrenimi modelini eğitmek yolculuğun yalnızca bir parçasıdır. Üreticilerin nihayetinde bu modelleri üretim tesislerinde dağıtmak, yönetmek, izlemek ve güncellemek için pratik bir yönteme ihtiyacı vardır. AWS IoT Greengrass, mimarinin kritik bir bileşeni olarak bu noktada devreye girer.
AWS IoT Greengrass, yazılımların, makine öğrenimi modellerinin ve otomasyon uygulamalarının doğrudan endüstriyel cihazlarda çalışmasını sağlayan bir uç çalışma ortamı olarak hizmet verir. Greengrass, sürekli bulut bağlantısına güvenmek yerine çıkarım iş yüklerinin yerel olarak yürütülmesine ve merkezi bulut hizmetleriyle senkronizasyonun sürdürülmesine olanak tanır.
Üretim tesisleri için bu mimari, bulut ölçeklenebilirliği ile yerel yanıt verme hızı arasında denge sağlar.
Üretim ekipmanları, geçici ağ kesintileri sırasında çalışmaya devam edebilir. Kalite denetimi kararları gerçek zamanlı olarak alınmaya devam eder ve bağlantı yeniden sağlandığında operasyonel veriler bulut sistemleriyle senkronize edilebilir.
Bu özellik, üretim hatlarının birden fazla bina, uzak tesis veya coğrafi olarak dağınık üretim sahasında faaliyet gösterebildiği büyük endüstriyel ortamlarda özellikle değerlidir.
Şekil 2. AWS IoT Greengrass, bulut entegrasyonunu sürdürürken makine öğrenimi çıkarımının doğrudan endüstriyel uç cihazlarda gerçekleştirilmesini sağlar.
Buluttan Uca Endüstriyel Kusur Tespit Hattı Oluşturma
Başarılı kusur tespit sistemleri, eğitilmiş bir sinir ağından daha fazlasını gerektirir. Üreticiler veri edinimini, model geliştirmeyi, dağıtımı, izlemeyi ve sürekli iyileştirmeyi yöneten eksiksiz bir yaşam döngüsü oluşturmalıdır.
Modern bir buluttan uca denetim mimarisi genellikle birkaç aşamayı izler.
Aşama 1: Görüntü Edinimi
Süreç, görüntülerin toplanmasıyla başlar.
Endüstriyel kameralar, üretim ekipmanlarından, konveyörlerden, robotik iş istasyonlarından veya montaj hücrelerinden geçen ürünleri görüntüler. Kamera seçimi uygulama gereksinimlerine bağlıdır ve aşağıdakileri içerebilir:
- Alan taramalı kameralar
- Satır taramalı kameralar
- 3B görüş kameraları
- Termal görüntüleme sistemleri
- Hiperspektral görüntüleme sensörleri
Uygun aydınlatma tasarımı da aynı derecede önemlidir. Görüntü kalitesi tutarsız olduğunda gelişmiş makine öğrenimi modelleri bile zorlanır.
Başarılı dağıtımlar genellikle gölgeleri, yansımaları ve ortam ışığındaki değişimleri en aza indiren kontrollü aydınlatma ortamlarını içerir.
Aşama 2: Veri Etiketleme ve Açıklama
Görüntüler toplandıktan sonra mühendisler eğitim veri kümeleri oluşturur.
Görüntüler hem normal hem de kusurlu çalışma koşullarını doğru biçimde temsil etmelidir. Birçok kuruluş başlangıçta bu aşamanın önemini hafife alır. Gerçekte veri kümesinin kalitesi, proje başarısını çoğu zaman model seçiminden daha fazla belirler.
Üreticiler birden fazla üretim vardiyasından, farklı ekipman koşullarından, ham madde partilerinden ve çevresel senaryolardan örnekler toplamalıdır.
Bu çeşitlilik, modelin dağıtım sonrasında sağlamlığını güvence altına almaya yardımcı olur.
Aşama 3: SageMaker'da Model Eğitimi
Eğitim, bulut bilişim kaynakları kullanılarak Amazon SageMaker içinde gerçekleştirilir.
Mühendisler, performansı iyileştirmek için birden fazla mimariyi değerlendirir ve hiperparametreleri optimize eder.
Yaygın optimizasyon hedefleri şunlardır:
- Daha yüksek tespit doğruluğu
- Daha az yanlış pozitif
- Daha az yanlış negatif
- Daha yüksek çıkarım hızı
- Daha düşük bellek kullanımı
Üretim ortamları, küçük doğruluk iyileştirmeleri yerine genellikle güvenilirliğe öncelik verir. Doğruluğu biraz daha düşük ancak davranışı son derece öngörülebilir bir model, gerçek üretim koşullarında teorik olarak daha üstün bir modelden daha iyi performans gösterebilir.
Aşama 4: Uç Dağıtımı
Doğrulamanın ardından SageMaker, modeli dağıtım için paketler.
Greengrass, modeli yerel çıkarımın gerçekleştirildiği uç donanıma dağıtır.
Uygulamaya bağlı olarak dağıtım hedefleri şunları içerebilir:
- Endüstriyel bilgisayarlar
- Gömülü yapay zekâ ağ geçitleri
- ARM tabanlı uç denetleyiciler
- GPU özellikli uç sunucular
- Makine görüşü sistemlerine entegre edilmiş endüstriyel bilgisayarlar
Çıkarım yerel olarak yürütülür ve denetim sonuçları milisaniyeler içinde sağlanır.
Aşama 5: Sürekli İyileştirme
Bu mimarinin belki de en güçlü yönü geri bildirim döngüsüdür.
Uç cihazlar, seçilen görüntüleri ve operasyonel ölçümleri buluta geri yükleyebilir. Mühendisler zor vakaları inceler, yeni verileri etiketler, modelleri yeniden eğitir ve güncellenmiş sürümleri dağıtır.
Bu, değişen üretim koşullarına uyum sağlayan ve sürekli gelişen bir denetim sistemi oluşturur.
Makine Görüşünün Ötesinde Endüstriyel Otomasyon Entegrasyonu
Kusur tespit sistemleri, mevcut otomasyon altyapısıyla entegre edildiğinde en yüksek değeri sağlar.
Yalnızca kusurları belirleyen bağımsız bir kamera, operasyonel açıdan sınırlı fayda sağlar. Modern üreticiler, denetim sistemlerini giderek daha fazla doğrudan üretim kontrollerine bağlıyor.
Örneğin bir denetim sonucu şunları otomatik olarak tetikleyebilir:
- Ürün reddetme mekanizmaları
- Robotik ayırma sistemleri
- Alarm bildirimleri
- Üretim hattı yavaşlamaları
- Bakım iş emirleri
- Kalite raporlama sistemleri
Birçok tesis bu entegrasyonu EtherNet/IP, PROFINET, Modbus TCP, OPC UA ve MQTT gibi endüstriyel iletişim protokolleri aracılığıyla gerçekleştirir.
Makine görüşü sistemi, daha geniş otomasyon ekosistemi içinde başka bir akıllı düğüm haline gelir.
Modern PLC platformlarını kullanan kuruluşlar, denetim sonuçlarını genellikle doğrudan kontrol mantığına entegre eder. Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon veya Mitsubishi MELSEC denetleyicileri temel alınarak oluşturulan sistemler, kusur verilerini kullanabilir ve otomatik yanıtları tetikleyebilir.
Denetleyici yükseltme veya genişletme projelerini değerlendiren tesisler, gelecekteki endüstriyel yapay zekâ girişimlerini desteklemek için genellikle PLC ve PAC Sistemleri kategorisindeki mevcut donanımları inceler.
Yüksek Hızlı Üretim Ortamlarında Kusur Tespiti
Her üretim ortamı aynı gereksinimleri sunmaz.
Denetim stratejileri üretim hızı, ürün karmaşıklığı ve iş hedefleriyle uyumlu olmalıdır.
Elektronik Üretimi
Elektronik üretimi, insan operatörlerin tutarlı biçimde tespit etmesinin zor olduğu son derece küçük kusurları sıklıkla içerir.
Makine öğrenimi sistemleri şunları denetleyebilir:
- Lehim bağlantıları
- PCB izleri
- Konnektör yerleşimi
- Bileşen yönelimi
- Yüzey kontaminasyonu
Üretim hacimleri yüksek olduğundan, tespit doğruluğundaki küçük iyileştirmeler bile önemli maliyet tasarrufları sağlayabilir.
Otomotiv Üretimi
Otomotiv fabrikaları, gövde montajı, boyama, güç aktarma organı üretimi ve nihai montaj operasyonlarında makine görüşü sistemlerini sıklıkla kullanıma alır.
Denetim sistemleri şunları tespit edebilir:
- Boya kusurları
- Kaynak kalitesi sorunları
- Eksik bağlantı elemanları
- Bileşen hizasızlığı
- Yüzey kusurları
Üretim hatları yüksek hızlarda çalıştığı ve aşırı gecikmeyi tolere edemediği için uçta işleme özellikle önem kazanır.
Gıda ve İçecek İşleme
Gıda üreticileri, ambalaj kusurlarını, etiketleme sorunlarını, kontaminasyon risklerini ve dolum seviyesi tutarsızlıklarını belirlemek için sıklıkla makine görüşünden yararlanır.
Hızlı yerel karar alma, kusurlu ürünlerin sonraki ambalajlama ve dağıtım süreçlerine ulaşmasını önlemeye yardımcı olur.
İlaç Üretimi
Düzenlemeye tabi sektörler, son derece güvenilir denetim sistemleri gerektirir.
Makine öğrenimi modelleri; ayrıntılı denetim izlerini korurken ambalaj kusurlarını, etiketleme hatalarını, flakon kontaminasyonunu ve ürün tutarsızlıklarını tespit ederek doğrulama faaliyetlerini destekleyebilir.
Uç Yapay Zekâ ve Kestirimci Kalite Yönetimi
Birçok kuruluş başlangıçta makine görüşü sistemlerini yalnızca geçti/kaldı denetimi için kullanıma alır. Ancak zamanla üreticiler çoğu zaman çok daha büyük bir fırsat keşfeder.
Kusur verileri, proses performansı hakkında değerli bilgiler içerir.
Üreticiler, kusur oluşumundaki eğilimleri analiz ederek kalite düzeyleri önemli ölçüde bozulmadan önce ortaya çıkan üretim sorunlarını belirleyebilir.
Bu kavram bazen kestirimci kalite olarak adlandırılır.
Örneğin, çizik kusurlarındaki artış takım aşınmasına işaret edebilir. Boyutsal sapmaların artması kalibrasyon kaymasına işaret edebilir. Yüzey kalitesi sorunları, üst akıştaki işleme ekipmanlarında problemler olduğunu ortaya çıkarabilir.
Endüstriyel izleme sistemleriyle entegre edildiğinde kusur tespit verileri, operasyonel zekâ için ek bir kaynak hâline gelir.
Döner makinelerin güvenilirliğinden sorumlu kuruluşlar, kalite izlemeyi genellikle titreşim analizi ve varlık durum izleme platformlarıyla birleştirir. Bu ortamlarda, Makine İzleme portföyünde bulunanlar gibi makine sağlığı çözümleri, daha kapsamlı kestirimci bakım girişimlerini çoğu zaman tamamlar.
Endüstriyel Uç Yapay Zekâ Dağıtımları İçin Donanım Hususları
Doğru donanım platformunu seçmek, her uç yapay zekâ projesindeki en önemli tasarım kararlarından biri olmaya devam ediyor.
İdeal donanım çeşitli faktörlere bağlıdır:
- Görüntü çözünürlüğü
- Denetim hızı
- Model karmaşıklığı
- Güç kullanılabilirliği
- Çevresel koşullar
- Ölçeklenebilirlik gereksinimleri
Endüstriyel tesisler, özel sinirsel işlem birimleri (NPU'lar), grafik hızlandırıcılar ve yapay zekâ çıkarım motorları içeren işlemcileri giderek daha fazla kullanıma alıyor.
Bu özellikler, güç tüketimini azaltırken makine öğrenimi performansını önemli ölçüde artırıyor.
NXP i.MX 8M Plus gibi platformlar, gömülü donanımın özellikle endüstriyel yapay zekâ iş yüklerini desteklemek üzere gelişmeye devam ettiğini gösteriyor.
Yapay zekâ kullanımı yaygınlaştıkça donanım optimizasyonu giderek daha önemli hâle geliyor; çünkü üreticiler performans, yaşam döngüsü desteği, siber güvenlik ve toplam sahip olma maliyeti arasında denge kurmak zorunda.
Bağlı Denetim Sistemleri İçin Siber Güvenlik Hususları
Bağlı her endüstriyel cihaz potansiyel siber güvenlik riskleri doğurur.
Makine görüşü sistemleri de bir istisna değildir.
Buluta bağlı denetim mimarileri uygulayan kuruluşlar aşağıdakileri kapsayan net siber güvenlik politikaları oluşturmalıdır:
- Kimlik yönetimi
- Cihaz kimlik doğrulaması
- Şifreli iletişim
- Ağ segmentasyonu
- Yazılım yamalama
- Erişim kontrol politikaları
Birçok üretici bu ilkeleri PLC ağları, SCADA sistemleri, dağıtılmış kontrol sistemleri ve endüstriyel veri tarihçeleri dâhil olmak üzere OT ortamlarında zaten uyguluyor.
Makine öğrenimi altyapısı da aynı siber güvenlik çerçevesini izlemelidir.
Kusur Tespit Sistemlerini SCADA, MES ve Tesis Genelindeki Operasyonlara Bağlama
Birçok üretici, makine görüşü sistemlerini başlangıçta bağımsız denetim istasyonları olarak kurar. Bu yaklaşım kalite kontrolünü iyileştirebilse de endüstriyel yapay zekânın gerçek değeri, denetim verileri daha büyük bir operasyonel ekosistemin parçası hâline geldiğinde ortaya çıkar.
Modern üretim tesisleri kalite sistemlerini giderek daha fazla Denetleyici Kontrol ve Veri Toplama (SCADA) platformlarına, Üretim Yürütme Sistemlerine (MES), kurumsal raporlama araçlarına ve tesis veri tarihçelerine bağlıyor. Bu entegrasyon, kusur tespitini reaktif bir kalite işlevinden proaktif bir operasyonel istihbarat platformuna dönüştürüyor.
Bir makine görüşü sistemi bir kusur tespit ettiğinde, bilgiler tesis genelinde gerçek zamanlı olarak dağıtılabilir. Üretim sorumluları SCADA panoları üzerinden kalite eğilimlerini izleyebilir, bakım ekipleri otomatik bildirimler alabilir ve proses mühendisleri kusurları makine parametreleri, çevresel koşullar veya ham madde değişiklikleriyle ilişkilendirebilir.
Örneğin bir paketleme tesisi, konveyör hızı belirli bir eşiği aştığında etiket yerleştirme hatalarının arttığını keşfedebilir. Bir otomotiv üreticisi, kaynak kusurları ile robot kalibrasyonundaki sapma arasında ilişki tespit edebilir. Bir ilaç fabrikası ise paketleme anormalliklerini belirli ekipman ayarlarıyla veya üretim partileriyle ilişkilendirebilir.
Entegrasyon olmadan bu içgörüler çoğu zaman yalıtılmış denetim sistemlerinde gizli kalır.
Birçok kuruluş, makine görüşü platformları ile üst düzey endüstriyel yazılımlar arasındaki birincil iletişim katmanı olarak OPC UA kullanır. MQTT de hafif mimarisi ve Endüstriyel Nesnelerin İnterneti (IIoT) uygulamalarına uygunluğu nedeniyle giderek daha popüler hâle geliyor.
Üreticiler Endüstri 4.0 girişimlerini sürdürdükçe kusur tespit sistemleri, kurum genelinde karar alma süreçlerini destekleyen stratejik veri kaynaklarına dönüşüyor.
Bulut Yapay Zekâsı ve Kenar Yapay Zekâsı: Fabrikaların Çoğu Neden Hibrit Yaklaşımı Seçiyor?
Endüstriyel kuruluşlar, makine öğrenimi uygulamalarının tamamen bulutta mı yoksa tamamen kenarda mı çalışması gerektiğini sıkça sorar. Gerçekte başarılı dağıtımların çoğu, her iki ortamın güçlü yönlerini birleştiren hibrit bir mimari kullanır.
Bulut platformları model eğitimi, büyük ölçekli veri depolama, merkezi yönetim ve uzun vadeli analiz konularında üstün performans gösterir. Derin öğrenme modellerinin eğitimi genellikle, doğrudan fabrika ekipmanına dağıtılması pratik olmayacak düzeyde hesaplama kaynakları gerektirir.
Öte yandan kenar sistemleri, endüstriyel operasyonlar için gereken hızlı yanıtı sağlar. Denetim kararlarının genellikle milisaniyeler içinde alınması gerekir. Üretim hatları, bir ürünün denetimden geçip geçmediğini belirlemek için bulut iletişimini bekleyemez.
Saatte binlerce baskılı devre kartı üreten bir elektronik montaj hattını düşünün. Yüksek çözünürlüklü denetim kameraları, tek bir üretim vardiyası sırasında terabaytlarca görüntü verisi oluşturabilir. Her görüntünün uzak bir bulut platformuna gönderilmesi, bant genişliği gereksinimlerini artırır ve gereksiz gecikme yaratır.
Görüntülerin yerel olarak işlenmesi sayesinde yalnızca ilgili bilgilerin buluta iletilmesi gerekir. Bu, gerçek zamanlı performansı korurken iletişim yükünü önemli ölçüde azaltır.
Tipik bir hibrit mimari, basit bir iş akışını izler:
- Bulut altyapısı modelleri eğitir ve doğrular.
- SageMaker, modelleri dağıtım için optimize eder.
- AWS IoT Greengrass, modelleri kenar cihazlarına dağıtır.
- Kenar cihazları yerel çıkarım gerçekleştirir.
- Seçilen denetim sonuçları buluta geri gönderilir.
- Mühendisler, yeni verileri kullanarak modelleri yeniden eğitir ve geliştirir.
Bu geri bildirim döngüsü, üretim performansından ödün vermeden sürekli iyileştirme sağlar.
Hibrit model, merkezi mühendislik ekiplerinin çok sayıda tesisteki makine öğrenimi varlıklarını yönettiği çok tesisli üretim operasyonlarını da destekler.
Kenar Tabanlı Kusur Tespitinin Gerçek Dünya Üretim Uygulamaları
Makine görüşü onlarca yıldır var olsa da makine öğrenimindeki son gelişmeler, üreticilerin otomatikleştirebileceği denetim uygulamalarının kapsamını genişletmiştir.
Otomotiv Karoseri Denetimi
Otomotiv üreticileri, sıkı kozmetik ve boyutsal standartları korumalıdır. Küçük boya kusurları veya yüzey düzensizlikleri bile maliyetli yeniden işleme faaliyetlerine yol açabilir.
Makine öğrenimi sistemleri, geleneksel denetim yöntemlerinin gözden kaçırabileceği küçük boya kusurlarını, çizikleri, göçükleri ve kaplama tutarsızlıklarını belirleyebilir.
Üreticiler, çıkarımı doğrudan uçta gerçekleştirerek kusurlu bileşenleri sonraki montaj süreçlerine geçmeden önce ayırabilir.
Yarı İletken Üretimi
Yarı iletken üretimi, modern endüstrideki en zorlu denetim gereksinimlerinden bazılarını barındırır. Mikronlarla ölçülen kusurlar, ürün performansını ve verimliliği etkileyebilir.
Gelişmiş makine öğrenimi modelleri, geleneksel görüntü algoritmalarıyla tespit edilmesi zor olabilecek gofret kirlenmesini, litografi kusurlarını ve süreç anormalliklerini belirlemeye yardımcı olur.
Yarı iletken tesisleri çok büyük miktarda görüntü verisi ürettiğinden uçta işleme, denetim kapasitesini korurken ağ tıkanıklığını azaltmaya yardımcı olur.
Gıda Ambalajı Doğrulama
Gıda ve içecek üreticileri, ambalaj kalitesini, izlenebilirliği ve mevzuata uygunluğu güvence altına alma konusunda giderek artan bir baskıyla karşı karşıyadır.
Makine öğrenimi sistemleri şunları doğrulayabilir:
- Etiket doğruluğu
- Son kullanma tarihleri
- Mühür bütünlüğü
- Ambalaj boyutları
- Dolum seviyeleri
- Ürün yönü
Bu denetimler, manuel operatörlerin sürdüremeyeceği üretim hızlarında kesintisiz olarak gerçekleştirilir.
Batarya Üretimi
Elektrikli araç üretiminin hızla büyümesi, gelişmiş batarya denetim teknolojilerine olan talebi artırmıştır.
Üreticiler, batarya üretim süreçleri boyunca elektrot kusurlarını, kaplama tutarsızlıklarını, kirlenmeyi ve montaj sorunlarını tespit etmek için makine görüşü ve makine öğreniminden yararlanır.
Batarya kusurları hem performansı hem de güvenliği etkileyebileceğinden denetim doğruluğu kritik bir operasyonel hedef olmaya devam eder.
Endüstriyel Makine Öğrenimi İçin Daha İyi Veri Kümeleri Oluşturma
Birçok kuruluş model seçimine büyük ölçüde odaklanırken veri kümesi geliştirme çalışmalarının önemini gözden kaçırır. Aslında eğitim verilerinin kalitesi, projenin başarısını kullanılan belirli sinir ağı mimarisinden genellikle daha fazla etkiler.
Bir makine öğrenimi modeli yalnızca eğitim veri kümesinde bulunan bilgilerden öğrenebilir. Kritik kusur senaryoları mevcut değilse model, bu koşullar üretimde ortaya çıktığında zorlanabilir.
Başarılı endüstriyel veri kümeleri genellikle şunları içerir:
- Normal üretim numuneleri
- Nadir görülen kusur koşulları
- Birden çok aydınlatma ortamı
- Farklı üretim vardiyaları
- Mevsimsel farklılıklar
- Ekipman aşınma koşulları
- Hammadde farklılıkları
- Bakımla ilgili süreç değişiklikleri
Üreticiler, dağıtımdan sonra veri kümelerini sürekli olarak genişletmelidir.
SageMaker ve Greengrass ekosisteminin avantajlarından biri, üretim operasyonları ile model geliştirme ekipleri arasında bir geri bildirim mekanizması oluşturabilmesidir. Zorlu denetim vakaları incelenebilir, yeniden etiketlenebilir ve gelecekteki eğitim döngülerine dâhil edilebilir.
Bu süreç, yanlış pozitifleri ve yanlış negatifleri azaltırken model performansını kademeli olarak iyileştirir.
Makine öğrenimini tek seferlik bir proje yerine sürekli bir operasyonel yetkinlik olarak ele alan kuruluşlar genellikle uzun vadede en iyi sonuçları elde eder.
Endüstriyel Yapay Zekâ Standart Bir Kalite Aracı Olacak
Makine öğrenimi, uç bilişim ve endüstriyel otomasyon hızla bir araya geliyor. Bir zamanlar deneysel bir teknoloji olarak görülen şey, kaliteyi iyileştirmek, israfı azaltmak ve operasyonel verimliliği artırmak için pratik bir araca dönüşüyor.
Bilgi işlem donanımı güçlendikçe ve makine öğrenimi çerçevelerinin uygulanması kolaylaştıkça, her ölçekteki üretici gelişmiş kusur tespit sistemlerinden yararlanabilir.
Amazon SageMaker ve AWS IoT Greengrass gibi platformlar, makine öğrenimini araştırma ortamlarından gerçek üretim tesislerine taşımak için gereken altyapıyı sağlar.
En başarılı uygulamalar yalnızca kusurlu ürünleri belirlemekle kalmayacaktır. Üreticilerin kusurların neden oluştuğunu anlamasına, kalite sorunlarını büyümeden önce öngörmesine ve üretim süreçlerini sürekli olarak optimize etmesine yardımcı olacaktır.
Önümüzdeki yıllarda uç tabanlı makine görüşünün, üretim hatlarında PLC'ler, HMI'lar, endüstriyel ağlar ve SCADA sistemleri kadar yaygın hâle gelmesi muhtemeldir. Bu yetkinlikleri şimdiden oluşturmaya başlayan tesisler, kaliteyi iyileştirme, verimi en üst düzeye çıkarma ve giderek daha fazla veriye dayanan üretim pazarlarında rekabet etme konusunda daha iyi konumlanacaktır.
Endüstriyel Kusur Tespitinin Geleceği
Endüstriyel kusur tespiti, basit görüntü analizinden akıllı ve uyarlanabilir kalite sistemlerine doğru gelişmeye devam ediyor.
Makine öğrenimi, uç bilişim, endüstriyel ağ iletişimi ve bulut altyapısındaki gelişmeler, üreticilerin ürünleri geçmişte hiç olmadığı kadar hızlı ve yüksek hassasiyetle denetlemesini sağlıyor.
Amazon SageMaker ve AWS IoT Greengrass gibi teknolojiler, bulut tabanlı model geliştirme ile gerçek dünya fabrikalarındaki uygulamalar arasındaki boşluğu kapatmaya yardımcı olur. Birlikte, üreticilere operasyonel verilerden öğrenebilen ve zaman içinde sürekli gelişebilen ölçeklenebilir denetim sistemleri oluşturma araçları sunarlar.
Endüstriyel kuruluşlar dijital dönüşüm girişimlerini sürdürürken kusur tespiti; makine görüşü, kestirimci bakım, süreç optimizasyonu ve operasyonel analitiği bir araya getiren daha kapsamlı akıllı üretim stratejilerinin giderek daha fazla parçası hâline gelecektir.
Sonuç yalnızca daha iyi kalite kontrol değildir. Değer üreten ekipman, ürün ve süreçlere yakın, veriye dayalı kararların uçta alındığı daha akıllı bir üretim ortamıdır.