Makinelerin sadece ürünlerimizi üretmekle kalmayıp aynı zamanda bizim gibi düşündüğü ve öğrendiği bir dünya hayal edin. Bu makalede yapay zekanın imalat sektörünü nasıl dönüştürdüğünü ele alıyoruz. Parçaları ayıran akıllı robotlardan arıza süresini azaltan öngörücü bakıma kadar, yapay zeka üretim süreçlerini yeniden şekillendiriyor. Okuyucular, üretimde verimliliği artıran, kaliteyi iyileştiren ve maliyetleri düşüren sekiz çığır açan yapay zeka uygulamasını keşfedecekler. Teknolojinin makinelerin yapabileceklerinin sınırlarını nasıl zorladığını görmek için içeri dalın.
Yapay zeka kavramı ilk olarak 1950'lerde, yani altmış yıldan daha uzun bir süre önce ortaya atılmıştır.
Bununla birlikte, yapay zeka son yıllara kadar, özellikle Nesnelerin İnterneti (IoT), büyük veri ve bulut bilişim gibi teknolojilerin olgunlaşması nedeniyle patlayıcı bir büyüme yaşamadı.
Nesnelerin İnterneti büyük miktarda verinin gerçek zamanlı olarak elde edilmesini sağlarken, büyük veri de derin öğrenme için veri kaynakları ve algoritmik destek sağlamaktadır. Bulut bilişim, yapay zeka için esnek hesaplama kaynakları sunar.
Bu teknolojilerin organik birleşimi, YZ'nin sürekli gelişimini sağlayarak önemli ilerlemelere yol açıyor. AlphaGo ve Lee Sedol arasındaki maç, yapay zekayı ön plana çıkararak yeni bir yapay zeka coşkusu dalgasını tetikledi.
ChatGPT'nin 2022'nin sonunda rekor kıran lansmanı ve Stable Diffusion gibi yapay zeka çizim araçlarının popülerliği, 2023'ü yapay zekanın demokratikleşmesinin açılış yılı haline getirdi!
Yapay zeka araştırmaları ve uygulamaları çeşitli alanlarda giderek gelişiyor. Akıllı üretim dalgasının ortaya çıkmasıyla birlikte yapay zeka, tasarım, üretim, yönetim ve hizmetler de dahil olmak üzere üretim endüstrisinin her yönüne entegre edilmiştir.
Yapay zeka (YZ) teknolojisi ve ürünleri, yıllar süren pratik testler sayesinde artık yaygın bir şekilde uygulanmakta ve YZ'nin çeşitli sektörlere entegrasyonunu hızlandırmaktadır.
Teknik açıdan bakıldığında, yapay zekanın temel yeteneklerinin üç seviyede kategorize edilebileceği sektörde yaygın olarak kabul görmektedir: hesaplamalı zeka, algısal zeka ve bilişsel zeka.
Hesaplama zekası, bir makinenin üstün depolama kapasitesini ve ultra hızlı hesaplama yeteneklerini ifade eder. Mevcut ortamı yönlendirmek için geçmiş deneyimleri kullanarak devasa verilere dayalı derin öğrenme gerçekleştirebilir.
Hesaplama gücünün sürekli gelişmesi ve depolama yöntemlerinin sürekli yükseltilmesiyle, hesaplama zekasının gerçekleştirildiği söylenebilir.
Örneğin, takviyeli öğrenme teknolojisini kullanan AlphaGo, dünya Go şampiyonunu yendi ve e-ticaret platformları, kişiselleştirilmiş ürün önerileri için kullanıcı satın alma alışkanlıklarına dayalı derin öğrenmeyi kullanıyor.
Algısal zeka, makinelerin görme, işitme ve dokunma gibi duyulara sahip olma yeteneğini ifade eder. Yapılandırılmamış verileri yapılandırabilir ve insan iletişim yöntemlerinde kullanıcılarla etkileşime girebilir.
Çeşitli teknolojilerin ilerlemesiyle birlikte, daha fazla yapılandırılmamış verinin değeri fark edilmekte ve bunlardan yararlanılmaktadır. Ses, görüntü, video ve dokunma noktaları gibi duyularla ilgili algısal zeka da hızla gelişmektedir.
Otonom araçlar ve ünlü Boston Dynamics robotları algısal zeka kullanır; çeşitli sensörler aracılığıyla çevrelerini algılar ve işler, operasyonlarını etkili bir şekilde yönlendirirler.
Hesaplamalı ve algısal zeka ile karşılaştırıldığında, bilişsel zeka daha karmaşıktır; makinenin bir insan gibi bilgiyi anlama, türetme, muhakeme etme ve kullanma yeteneğini ifade eder.
Şu anda, bilişsel zeka teknolojisi hala araştırma ve keşif aşamasındadır.
Örneğin, kamu güvenliği sektöründe, suçluların mikro ve makro davranışlarının özelliklerinin ve örüntü analizinin çıkarılması, suç tahmini, fon penetrasyonu ve kentsel suç evrimi simülasyonu için yapay zeka modelleri ve sistemleri geliştirilmesi.
Finans sektöründe, şüpheli işlemleri tespit etmek ve makroekonomik dalgalanmaları tahmin etmek için kullanılıyor. Bilişsel zekânın gelişimini hızlandırmak için hâlâ kat edilmesi gereken uzun bir yol var.
Uygulama açısından bakıldığında, tek bir yapay zeka teknolojisinin konuşlandırılması, hesaplamalı zeka ve algısal zeka gibi birden fazla temel yetenek katmanını kapsayabilir.
Endüstriyel robotlar, akıllı telefonlar, sürücüsüz arabalar, dronlar ve diğer akıllı ürünler yapay zekanın taşıyıcıları olarak hizmet vermektedir.
Bu ürünler, donanım ve çeşitli yazılım türlerinin kombinasyonu yoluyla, yapay zekanın çeşitli temel yeteneklerini entegre ederken, algılama, yargıda bulunma ve kullanıcılar ve çevre ile gerçek zamanlı etkileşim kurma yeteneğine sahiptir.
Örneğin, üretimde çeşitli akıllı robotlar yaygın olarak kullanılmaktadır: Ayıklama/toplama robotları düzensiz nesneleri otonom olarak tanıyabilir ve kavrayabilir.
İşbirlikçi robotlar çevrelerindeki ortamı anlama ve yanıt verme yeteneğine sahiptir. Otomatik takip arabaları, otonom takibi başlatmak için yüzleri tanıyabilir.
SLAM (Eşzamanlı Konum Belirleme ve Haritalama) teknolojisinin yardımıyla otonom mobil robotlar, bilinmeyen ortamlardaki özellik işaretlerini belirlemek için yerleşik sensörleri kullanabilir ve ardından göreceli konum ve kilometre sayacı okumalarına dayalı olarak robotun ve bu özellik işaretlerinin küresel koordinatlarını tahmin edebilir.
Otonom sürüş teknolojisi, konumlandırma, çevresel algılama, rota planlama, davranışsal karar verme ve kontrol açısından çeşitli yapay zeka teknolojilerini ve algoritmalarını da entegre etmektedir.
Yapay zekânın üretim endüstrilerindeki mevcut uygulamaları öncelikle akıllı ses etkileşimi ürünleri, yüz tanıma, görüntü tanıma, görüntü arama, ses izi tanıma, metin tanıma, makine çevirisi, makine öğrenimi, büyük veri hesaplama ve veri görselleştirmeyi kapsamaktadır.
Aşağıdaki metin, üretimde sıklıkla kullanılan sekiz yaygın yapay zeka uygulama senaryosunu özetlemektedir.
Birinci Senaryo: Akıllı Sıralama
Üretimdeki birçok görev ayıklama gerektirir. Manuel olarak gerçekleştirilmesi halinde süreç yavaş, maliyetli ve uygun bir çalışma sıcaklığı ortamının korunmasına bağlıdır. Akıllı ayıklama için endüstriyel robotların kullanılması maliyetleri önemli ölçüde azaltabilir ve hızı artırabilir.
Parçaları sıralama örneğini düşünün. Sıralanması gereken parçalar genellikle düzgün bir şekilde düzenlenmemiştir ve robot parçaları görmek için bir kameraya sahip olsa da, onları nasıl başarılı bir şekilde alacağını bilemez. Bu durumda makine öğrenimi teknolojisi kullanılabilir.
Robot rastgele bir sıralama eylemi gerçekleştirir, ardından eylemin bir parçayı almayı başarıp başaramadığı konusunda bilgilendirilir.
Birden fazla eğitim iterasyonundan sonra robot, en yüksek başarı oranına sahip sıralama eylemleri dizisini, başarılı toplama için kavranacak en uygun pozisyonları ve en yüksek başarı oranını sağlayan sıralama düzenini öğrenir.
Birkaç saatlik öğrenmeden sonra, robotun sıralama başarı oranı 90%'ye ulaşabilir, bu da vasıflı bir işçinin seviyesine eşdeğerdir.
Senaryo İki: Ekipman Sağlığı Yönetimi
Gerçek zamanlı izleme yaparak maki̇ne çalişmasi veri, özellik analizi ve makine öğrenimi teknikleri sayesinde ekipman arızalarını kazalar meydana gelmeden önce tahmin edebiliyor ve planlanmamış duruş sürelerini azaltabiliyoruz.
Öte yandan, ani ekipman arızası karşısında, sorunu hızla teşhis edebilir, nedenini belirleyebilir ve ilgili çözümleri sağlayabiliriz.
Bu, imalat endüstrisinde, özellikle kimya mühendisliği, ağır ekipman, donanım işleme, 3C üretimi, rüzgar enerjisi ve diğer sektörlerde yaygın olarak uygulanmaktadır.
Al CNC takım tezgahları örnek olarak verilebilir. Makine öğrenimi algoritmalarını ve akıllı sensörleri kullanarak, elektrik şebekesinin gücü, akımı ve voltajı gibi bilgileri izlemek için kesici aletlerişleme süreci sırasında ana iş mili ve besleme motoru, takımların gerilme, aşınma ve hasar durumunun yanı sıra takım tezgahı işlemenin kararlılık durumunu belirleyebiliriz.
Bu durumlara dayanarak, işleme parametrelerini (iş mili hızı, ilerleme hızı) ve işleme talimatlarını gerçek zamanlı olarak ayarlayabilir, işleme doğruluğunu artırmak, üretim hattının durma süresini azaltmak ve ekipman güvenliğini artırmak için takımın ne zaman değiştirileceğini tahmin edebiliriz.
Senaryo Üç: Görüş Tabanlı Yüzey Kusur Tespiti
Yüzey kusurlarının tespiti için yapay görme uygulaması artık üretimde yaygındır.
Yapay görme, sürekli değişen koşullar altında küçük ve karmaşık ürün yüzey kusurlarını milisaniyeler içinde hızla belirleyebilir ve yüzey kirleticileri, hasar ve çatlakları tespit etmek gibi bunları sınıflandırabilir.
Bazı endüstriyel zeka firmaları, kusur tespit doğruluğunu nanometre seviyesine çıkarmak için derin öğrenmeyi 3D mikroskoplarla birleştirdi.
Tespit edilen kusurlu ürünler için sistem bunların onarılabilir olup olmadığını otomatik olarak belirleyebilir, onarım yolunu ve yöntemini planlayabilir ve ardından makine onarım eylemini gerçekleştirir.
Örneğin, PVC boru en yaygın kullanılan yapı malzemelerinden biridir ve büyük miktarlarda tüketilmektedir.
Üretim ve paketleme sürecinde yüzey çiziklerine, çukurlara, su dalgalanmalarına ve mat yüzeylere eğilimlidir ve denetim için önemli miktarda işçilik gerektirir.
Yüzey kusurlarının görsel otomatik tespiti uygulandıktan sonra, boru yüzeyindeki kirlilikler, minimum ve maksimum alan boyutları ayarlanarak, minimum 0,15 mm² algılama hassasiyeti ve 99%'den daha yüksek bir algılama oranı ile otomatik olarak algılanır.
Boru yüzeyindeki çizikler, minimum ve maksimum uzunluk ve genişlikler ayarlanarak, minimum 0,06 mm algılama hassasiyeti ve 99%'den daha yüksek bir algılama oranı ile otomatik olarak algılanır.
Boru yüzeyindeki kırışıklıklar, minimum ve maksimum uzunluklar, genişlikler, segment uzunlukları ve renk farkı eşikleri ayarlanarak, minimum 10 mm algılama hassasiyeti ve 95%'den daha yüksek bir algılama oranı ile otomatik olarak algılanır.
Senaryo Dört: Ses İzi Tanımaya Dayalı Ürün Kalite Denetimi ve Arıza Tespiti
Ses izi tanıma teknolojisini kullanarak, anormal sesleri otomatik olarak tespit edebilir, kusurlu ürünleri belirleyebilir ve arıza tespiti için bir ses izi veritabanıyla karşılaştırabiliriz.
Örneğin, 2018'in sonundan bu yana Faurecia (Wuxi) fabrikası, yapay zeka teknolojisini koltuk ayarlayıcılarının NVH (Gürültü, Titreşim ve Sertlik) performans değerlendirmesine uygulamaya adanmış grubun Büyük Veri Bilimi ekibiyle kapsamlı bir işbirliği başlattı.
2019 yılında Faurecia (Wuxi) fabrikası, yapay zeka teknolojisini ayarlayıcıların anormal ses tespitine dahil ederek sinyal toplama, veri depolama, veri analizinden kendi kendine öğrenmeye kadar tüm sürecin otomasyonunu gerçekleştirdi. Algılama verimliliği ve hassasiyeti, geleneksel manuel denetimin çok ötesine geçti.
Wuxi fabrikasında yapay zeka teknolojisine dayalı gürültü algılama sisteminin uygulanmasıyla, personel sayısı 38'den 3'e düşmüştür. Aynı zamanda, kalite kontrol kapasitesi önemli ölçüde artmış ve yıllık ekonomik fayda 4,5 milyon RMB'ye ulaşmıştır.
Sahne Beş: Akıllı Karar Alma
Üretim işletmeleri, programlama yöntemlerini optimize etmek için büyük veri analizi ile birlikte makine öğrenimi gibi yapay zeka teknolojilerini uygulayabilir ve ürün kalitesi, operasyonel yönetim, enerji tüketimi yönetimi ve araç yönetimi gibi alanlarda karar verme yeteneklerini geliştirebilir.
Örneğin, FAW Jiefang Wuxi Dizel Motor Fabrikasının akıllı üretim yönetim sistemi, anormallik ve üretim çizelgeleme veri toplama, karar ağaçlarına dayalı anormal nedenlerin teşhisi, regresyon analizine dayalı ekipman arıza süresi tahmini ve makine öğrenimine dayalı çizelgeleme karar optimizasyonu gibi özelliklere sahiptir.
Geçmiş çizelgeleme karar süreci verileri ve çizelgeleme sonrası gerçek üretim performans göstergeleri eğitim veri seti olarak kullanılarak ve sinir ağı algoritmaları kullanılarak, çizelgeleme karar değerlendirme algoritmasının parametreleri, çizelgeleme kararlarının gerçek üretim gereksinimlerini karşılamasını sağlamak için ince ayarlanır.
Sahne Altı: Dijital Eşleştirme
Dijital ikizleme, fiziksel varlıkların sanal dünyada yansıtılmasıdır. Dijital ikizlerin oluşturulması, fiziksel ürünlerin yaşam döngüsü boyunca karar vermeyi destekleyen canlı, gerçek zamanlı güncellenmiş "gerçek" bir model oluşturmak için yapay zeka, makine öğrenimi ve sensör verilerini entegre eder.
Dijital ikiz varlıkların azaltılmış mertebe modellemesini takip ederken, karmaşıklık ve doğrusal olmayan modeller sinir ağlarına yerleştirilebilir. Derin öğrenmeden yararlanılarak, indirgenmiş mertebeli modellemenin dayandığı sonlu bir hedef belirlenir.
Örneğin, geleneksel modelde, 16 çekirdekli bir sunucu kullanarak sıcak ve soğuk su borusunun bir çıkışının akışkan ve termal simülasyonu, hesaplama başına 57 saat gerektirir. Azaltılmış dereceli modelleme uygulandıktan sonra her hesaplama yalnızca birkaç dakika sürüyor.
Sahne Yedi: Üretken Tasarım
Üretken tasarım etkileşimli, kendi kendini yenileyebilen bir süreçtir. Mühendisler ürün tasarlarken, yalnızca malzeme, ağırlık, hacim gibi sistem rehberliğinde istenen parametreleri ve performans kısıtlamalarını belirlemeleri gerekir.
Bunu yapay zeka algoritmalarıyla birleştirerek, tasarımcının amacına göre yüzlerce ila binlerce uygulanabilir çözüm otomatik olarak üretilebilir. Bunlar daha sonra otonom olarak karşılaştırılır ve en uygun tasarım seçilerek son karar için tasarımcıya önerilir.
Üretken tasarım, bilgisayar ve yapay zeka teknolojileriyle derinlemesine entegre olmuş, gelişmiş algoritma ve teknolojileri tasarım sürecine uygulayan yeni bir disiplinler arası alan haline gelmiştir.
Yaygın olarak kullanılan üretken algoritmalar arasında parametrik sistemler, Şekil Gramerleri (SG), L-sistemleri, Hücresel Otomatlar (CA), topoloji optimizasyon algoritmaları, evrimsel sistemler ve genetik algoritmalar bulunmaktadır.
Sekizinci Sahne: Talep Tahmini ve Tedarik Zinciri Optimizasyonu
Yapay zekadan yararlanarak hassas talep tahmin modelleri oluşturuyor, işletmelerin satış tahminleri yapmasına, servis parçaları gereksinimlerini öngörmesine ve talep odaklı kararlar almasına olanak tanıyoruz.
Eş zamanlı olarak, dış verilerin analizi yoluyla ve talep tahminlerine dayanarak, envanter ikmal stratejileri, tedarikçi değerlendirmeleri ve parça seçimi formüle ediyoruz.
Örneğin, üretim yönetimi maliyetlerini kontrol etmek için pragmatik bir çaba gösteren American Honda Motor Company, gelecekteki müşteri talebinin ne zaman gerçekleşeceğini anlamayı amaçlamıştır.
Bu nedenle, 1.200 bayiden alınan satış ve bakım verilerini kullanarak bir tahmin modeli oluşturdular. Bu model, önümüzdeki birkaç yıl içinde bakım için bayilere geri dönen araç sayısını tahmin ediyor.
Bu bilgiler daha sonra çeşitli parçaların ön hazırlığı için kriterler belirlemek üzere kullanıldı. Bu dönüşüm American Honda'nın 99%'ye varan bir tahmin doğruluğu elde etmesini ve müşteri şikayet süresini üç kat azaltmasını sağladı.
Günümüzde yapay zeka alanına giren işletme, üniversite ve açık kaynak kuruluşlarının sayısının artmasıyla birlikte, başarılı yapay zeka açık kaynak yazılımları ve platformları yapay zeka alanında benzeri görülmemiş bir patlamaya yol açıyor.
Bununla birlikte, finans gibi sektörlerle karşılaştırıldığında, yapay zekanın üretimdeki uygulamaları, çok sayıda olmasına rağmen, özellikle öne çıkmamaktadır ve gelişimlerinin nispeten yavaş olduğu söylenebilir.
Bu sorunların başlıca nedenleri aşağıdaki üç alandan kaynaklanmaktadır:
1. Üretim sürecinde verilerin toplanması, kullanılması ve geliştirilmesi önemli zorluklar içermektedir. Ayrıca, çoğu şirket öncelikle özel, sınırlı ölçekli veritabanlarına güvenmekte ve bu da yüksek kaliteli makine öğrenimi örneklerinin eksikliğine neden olmaktadır. Bu da makinenin kendi kendine öğrenme sürecini kısıtlamaktadır.
2. Üretim sektörleri arasında yapay zeka çözümlerinin karmaşıklığını artıran ve özelleştirme talebini yükselten çeşitli farklılıklar vardır.
3. Çeşitli sektörlerde, yapay zekayı üretime derinlemesine entegre etme eğilimini yönlendirebilecek lider işletmelerin eksikliği söz konusudur.
Bu üç kritik konunun ele alınmasıyla, yapay zeka teknolojisi imalat sanayinde daha iyi uygulanabilir.
MachineMFG'nin kurucusu olarak, kariyerimin on yıldan fazlasını metal işleme sektörüne adadım. Kapsamlı deneyimim, sac metal imalatı, talaşlı imalat, makine mühendisliği ve metaller için takım tezgahları alanlarında uzman olmamı sağladı. Bu konular hakkında sürekli düşünüyor, okuyor ve yazıyorum, sürekli olarak alanımın ön saflarında kalmaya çalışıyorum. Bilgi ve uzmanlığımın işiniz için bir değer olmasına izin verin.
TR 
EN 
AR 
DE 
ES 
FR 
ID 
IT 
JA 
NL 
PT 
PT_BR 
RU 
KO