Üretim ve İmalat Sanayileri, Endüstri 4.0 ile Dijitalleşme Taleplerini Nasıl Karşılar?
Dijitalleşme ile şirketlerin kârlılığı arasında pozitif bir ilişki olduğu konusunda artık herkes hemfikir. Gartner'ın araştırma raporları, dijital çözümlere sahip şirketlerin sektör ortalamasından daha hızlı büyüdüğünü göstermektedir. Daha çok otomasyon, daha iyi müşteri deneyimleri ve gerçek zamanlı veri analizleri ile sağlanan içgörüler ile birlikte, şirketler karlılıklarını dijital yolculuğa çıkarak arttırabilme ihtimallerini farkettiler.
Endüstriyel Nesnelerin İnterneti (IIoT), Bilgisayarlar veya akıllı telefonlar tarafından izlenebilen ve kontrol edilebilen arabalar, ev aletleri ve merkezi klima kontrolü gibi ortak ev objelerimizden genellikle daha az görünür olmakla beraber aslen Nesnelerin İnterneti'nin (IoT) bir segmentidir. "Dördüncü sanayi devrimi" veya Endüstri 4.0 adlı söylem; ürünleri, makineleri, hizmetleri, mekanları, yöneticilere, tedarikçilere ve iş ortaklarına bağlayan endüstriyel varlıkların ve süreçlerin sayısallaştırılmasıdır.
Üretim sektöründen örnek verecek olursak, rafineriler, olgun endüstriyel tesislerdir ve geçmiş yıllardan bu yana bulunan petabaytlarca proses kontrol verilerine sahiptir. Robotik, yapay zeka ve büyük veri analitiğinin yakınsaması, verimlilik ve maliyet tasarrufunda verisi olan üretim şirketlerinin gelişimleri için büyük bir potansiyel yaratmaktadır. IIoT, mevcut operasyonların hızlandırılmış derin öğrenimini sağlayan bir sensör evrenini yaratmaktadır. Bu veri araçları, hızlı bağlamsallaştırma, alarm ve trend algılama sağlamaktadır. Bunu üretim operasyonları için gerçekleştirmek, daha önce uzman görüşüne dayalı niteliksel işlemlerin gerçek zamanlı ve niceliksel olarak değerlendirilmesini sağlayacaktır.
Bununla birlikte, dijital geleceğe girmek, aynı zamanda OT'ye (Operational Technology) karşı BT (Information Technology) kültürlerinin birleşmesidir. Endüstriyel ekipmanların büyük çoğunluğu eski ekipman olduğundan, üründe gerçekleşen problemleri algılama veya dijital ürün hizmet özelliklerine sahip olmayabilir. Ekipmanlarını bu doğrultuda temin eden ve geleceğe bu doğrultuda yatırım yapan şirketler dijitalleşme taleplerinin karşılanmasında bir adım öne geçebilmektedir.
Nereden Başlamalı
Akıllı sensörlerin yapısına bakarsak, çift yönlü iletişim arayüzleri ve kullanıcı-bağımlı yazılım fonksiyonlarına sahip olduklarını görürüz. Makineye sorunsuzca entegre edilen akıllı sensörler, otomatik izleme ve yapılandırma özellikleriyle işlemin hızlı, güvenilir ve kolay şekilde çalışmasını sağlar.
Tüm tesis tipleri için, büyük veri yaklaşımlarına baktığımızda, genellikle makinenin sağlığını ölçmek için sensörler ekleyerek başladıklarını gözlemleriz. Bu yaklaşım, varlık duruş süresini en aza indirmek, verimliliği en üst düzeye çıkarmak ve işyeri güvenliğini sağlamak için çeşitli kritik ekipmanlara zeka eklememize olanak tanır.
Pompalar, fanlar ve motorlar gibi döner ekipmanlar hemen hemen her fabrika ortamındadır ve bu ekipmanların durumlarının izlenmesi önemli bir paya sahiptir. Bu ekipmanlar, yağlama, kavitasyon, gevşeklik, dengesizlik ve rulman sorunları gibi problemlere sahiptirler. Bu ekipmanlar üzerinde kritik bir sorun ortaya çıktığında, bir bakım uzmanı bir iş emri oluşturur ve servis için sıraya alınır. Tipik olarak, üretici firmadan gelen analist, yüzbinlerce titreşim veri noktasını toplamak için gelir, verilerin spektrum görünümü için Hızlı Fourier Dönüşümü hesaplar, spektrumu analiz eder ve spektrumu tarihsel verilerle karşılaştırır.
Aslında bu sorunlar, makine sağlığı izleme ve felaket başarısızlığını önlemek için sürekli olarak veri analitiği yöntemleri kullanılarak öngörülebilir. Üretim ekipmanlarında, küçük, tırmanan ve yüksek öncelikli uyarılar görmek istenir. Sürekli akan veriler üzerinde, doğrusal olarak başarısız olmayan fakat milyonlarca vakada toplanmış ve iyice anlaşılmış bir hata anı vardır. Bu oldukça öngörülemez olsa da, “Ne zaman başarısız olacak?” sorusuna daha iyi cevap verebilmek için derin öğrenme metotlarına dayalı tahminler oluşturabilmekteyiz. Zaman çizelgesi göz önünde bulundurulduğunda, operasyon bakımı için ekipmanı proaktif bir şekilde planlayabilir ve planlanmış bir şekilde yönetmeye çalışabiliriz. Dolayısıyla dijitalleşen üretim şirketleri, bakım için planlanmış kesinti süreleri ve bu durumun şirketin kaynaklarını ne kadar zorlayabileceğini bilme imkanına sahip olur.
Veri Analitiği Yöntemleri Kullanılarak Dijitalleşme
Veri analitiği yöntemlerinden sadece biri olan yapay sinir ağları (Neural Networks), örneklerle ilgili bilgiler toplamakta, genellemeler yapmakta ve daha sonra hiç görmediği örnekler ile karşılaştırılınca öğrendiği bilgileri kullanarak o örnekler hakkında karar verebilmektedir. Yapay sinir ağları bu öğrenebilme ve genelleme özellikleri nedeniyle günümüzde birçok bilim alanında geniş uygulama olanağı bulmakta ve karmaşık problemleri başarı ile çözebilme yeteneğini ortaya koymaktadır.
Diğer bir tanıma göre yapay sinir ağları; insan beyninden esinlenerek geliştirilmiş, ağırlıklı bağlantılar aracılığıyla birbirine bağlanan ve her biri kendi belleğine sahip işlem elemanlarından oluşan paralel ve dağıtılmış bilgi isleme yapıları; bir başka deyişle, biyolojik sinir ağlarını taklit eden bilgisayar programlarıdır. Yapay sinir ağları, sınıflandırma, modelleme ve tahmin gibi birçok günlük hayat probleminin çözümünde başarılı sonuç veren bir yöntemdir. Yapay sinir ağları nöronlar arasındaki bağlantı ağırlıklarını ayarlayarak öğrenme gerçekleştirir.
Ekipmanlardaki sensörlerden gelen verileri ele aldığımızda zaman serileri ile karşılaşmaktayız. Bir değişkenin zaman içindeki hareketini gözlemleyen, gözlem sonuçlarının zamana göre dağılım gösterdiği bu tip veriler kestirimci bakım için büyük önem arz eder. Üretim hattından gelen veriler, zaman serileri frekanslı seriler olup, serilerin frekansları yıllık, üçer aylık, aylık, haftalık ve günlük olarak değişen değerler alabilmektedirler.
Tekrarlayan sinir ağları, adından da anlaşılacağı gibi, gizli katmana tekrarlanan girişlere sahip olan, yani gizli bir tabakadan çıktının kendisine geri beslendiği derin bir sinir ağıdır.
Tekrarlayan sinir ağlarının (Recurrent Neural Networks) temel amacı sıralı bilgileri kullanmaktır. Dolayısıyla kullanımları üretim ekipmanlarından gelen sensör verileri için oldukça uygundur. Geleneksel bir sinir ağında, tüm girdilerin (ve çıktıların) birbirinden bağımsız olduğunu varsayarız. RNN'ler (Recurrent Neural Networks) bir dizinin her elemanı için aynı görevi yerine getirirler fakat çıktı önceki hesaplamalara bağlıdır. Bununla birlikte, RNN'leri kullanmanın bir diğer yararı da, çoğu tahmin görevinde en iyi performansı elde etmeye çabalayabilmeniz için çok çeşitli parametrelerle oynama fırsatı sunmasıdır.
Kısaca, büyük veri ortamlarında, bulut bilişimde veya GPU tabanlı makineler üzerinde toplanan veriler ile birlikte, sistemlerin anormal davranışlarını modellemek üzere yapay sinir ağlarına ve istatistiksel yaklaşımlara dayalı çok yönlü çözümler uygulanabilmektedir. Zaman içerisinde daha fazla veriye sahip ortamlarda ve endüstriyel makinelerde gerçekleşen durumları dikkate alarak, modeller öğrenmeye ve daha iyi tahminler geliştirmeye başlayacaktır. Bu, tesislere ve üreticilere, potansiyel makine arızalarına tepki vermek için daha fazla zaman sunacak ve bu da planlanmamış arıza sürelerinin azalmasına, daha fazla üretkenliğe, ekipmanlarda daha fazla maliyet tasarrufuna ve daha iyi çalışan güvenliğinin oluşmasına ortam hazırlayacaktır.