Tahmine Dayalı Bakım ve AI
Tahmine dayalı bakım, nakliyeden imalata ve ötesine kadar tüm ağır sanayi sektörlerinde yapay zekanın en çok finanse edilen kullanımlarından biridir . Bunun nedeni, değiştirilmesi gereken makinelere genel bir bakış sunarak hem bütçelemeyi hem de strateji oluşturmayı iyileştirme ve maliyetleri düşürme potansiyelidir.
Pek çok fabrikada kestirimci bakım, genellikle galvanizleme fırınları, kaynakçılar veya bir çelik fabrikası durumunda boru kesiciler gibi belirli makinelerde bakım yapmak için belirli bir program geliştiren bir kalite mühendisi tarafından gerçekleştirilir. Bununla birlikte, bu ekipman kontrol listeleri, ekipmandaki hata veya aşınma ve yıpranma kaynaklarını her zaman yakalamaz. Ayrıca, bir kalite mühendisi bakımını yalnızca bir zaman çizelgesine göre yapıyorsa, bu, belirli bir makineyi zorlayabilecek yüksek talepli bir süreyi hesaba katmaz.
Makine öğrenimi yoluyla kestirimci bakım, fabrikaların bir adım daha ileri gitmesini sağlar. Örneğin, aynı anda çalışan çok sayıda bireysel karar ağacından oluşan tahmine dayalı bir model olan “rastgele ormanlar ” gibi bir teknik kullanarak fabrikalar, keyfi bir program belirlemek yerine bakımı stratejik olarak planlayabilir. İlke, bir topluluk olarak çalışan çok sayıda göreceli olarak ilişkisiz modellerin (ağaçlar), herhangi bir bireysel kurucu modelden daha iyi performans gösterebilmesidir.
Tahmine Dayalı Bakımın Değeri
Tahmine dayalı bakım, bir ekipman parçasının sistematik olarak arızalandığını belirlemeyi kolaylaştırır ve her ikisi de ekipmanı değiştirme maliyetinden çok daha fazla zarar veren hurda veya düşük kaliteli bir parçanın müşteriye gitme riskini önemli ölçüde azaltır. Birçok üretici için sorun, bir ekipman parçası bakım için kapatıldığında, süreç içi envanterin yedeklenerek diğer ekipman ve onu çalıştıran işgücü üzerinde olumsuz bir etki yaratabilmesidir. Ayrıca, tam olarak çalışan makineler olmadan müşteri teslimat beklentilerini karşılamak zorlaşıyor.
Sermaye ekipmanı yalnızca pahalı olmakla kalmaz, aynı zamanda montajı ve nakliyesi de uzun zaman alır. Endüstriyel bir 3D yazıcının değiştirilmesi 50.000 ila 500.000 ABD Doları arasında bir maliyete mal olabilir ve bir fırının maliyeti 1 milyon dolara yakın olabilir. Bu nedenle, kestirimci bakım, o makine parçası teslim edilirken bir hattın üç veya dört hafta boyunca kapatılması gerekmemesini sağlayabilir. Doğal olarak, parasal tasarruflar kritik öneme sahiptir, ancak tahmine dayalı bakımın izin verdiği planlama, muhtemelen en değerli yönüdür. Aylar öncesinden sizi bilgilendiren bir model, bütçelemenin bu bilgileri dikkate almasına ve harcama yapılması gereken diğer alanlar açısından karar vermesine olanak tanır.
Tahmine Dayalı Bakım Nasıl Uygulanabilir?
Bir kavram olarak “Tahmine Dayalı Bakım“, bakımın nasıl istediğimiz kadar sık yapılmadığını vurgular. ‘İzin verilen bir varyans dahilinde üretilen parçaların yüzdesi’ (boyutsal doğruluk) gibi bir kategori olabilen belirli bir ekipman parçası için başarı kriterlerini ve ekipman zamanla aşındıkça bunun nasıl değişebileceğini bilmeyi gerektirir. Tipik olarak, bu bir ila üç ay sürer ve bu süre zarfında bu veriler, rastgele bir orman veya başka bir makine öğrenimi tekniği kullanılarak bir algoritma oluşturmak için kullanılır. Doğruluğun nasıl değiştiğine bağlı olarak, ekipmanın ne zaman kullanılamaz hale geleceğini belirlemek için bir profil oluşturabilir ve buna göre bir bakım programı ayarlayabilirsiniz.
Kelimenin tam anlamıyla, eğitim verileri algoritmaya akar ve ardından komut dosyası onu her ay yeniden yazar. Bu komut dosyasının çıktısı, bir API aracılığıyla, örneğin bakım programınızın depolandığı ERP sisteminize iletilebilir. Bir algoritmanın başarısı, onu beslediğiniz veri miktarına bağlıdır – ne kadar çok, o kadar neşeli. Mümkün olan en yeni verileri kullanmanız çok önemlidir, çünkü çok fazla faktör bir makinenin performansını etkileyerek eski verileri gereksiz hale getirebilir.
Ayarları ve Ürün Kalitesini İzleme
Tahmine Dayalı Bakım, sonucu kaydetmek yerine ekipmanın ayarlarını izlemeyi amaçlar. Ancak sonucu izlemek ve nihai ürün kalitesini belirli ekipman ayarlarına bağlamak mümkündür. Örneğin, bir çelik fabrikasında, herhangi bir pası kaynatmak için çeliğin asitle yıkandığı bir süreç olabilir. Ekipman biraz bozulduysa, sıcaklık marjinal olarak daha düşük olabilir ve bu nedenle pürüzlü noktalar yanmayabilir. Bu, kalite izleme mühendisine ayarları yeniden kalibre etmeleri gerekebileceğini söyler.
Makineleri için yerleşik sensörlerle çalışan fabrikalar, milyonlarca veri noktasını etkinleştirebilir ve bu nedenle makine öğrenimi için algoritmanın etkinliği çok daha yüksektir. Bir araba yapım tesisinde, büküldüğünde bir metal parçasını vidaya yerleştirmek için tam olarak 60,3 dereceye ayarlanmış bir robot olabilir. Bu dereceden saparsa, vida sıkışabilir. Otomobil üreticisi yazılımı, çökelme açısı ile diğer ayarlar arasında bir korelasyon bulmak için uzun bir süre boyunca yatağın yağlama seviyesini, soğutma sıvısının sıcaklığını ve robotik kolun açısını izler.
İzleme ayarlarında makine öğreniminin değeri, bakımın ne zaman yapılması gerektiğini hangi faktörlerin gösterdiğini belirleme yeteneğini genişletmesidir. İnsanlara tamamen yabancı bir yeteneğin kilidini açması o kadar fazla değil, bunun yerine bu eğilimleri bir insanın yapabileceğinden çok daha hızlı ve güvenilir bir şekilde yakalayabilmesi.
Tahmine dayalı bakım, üretim çalışanlarının ve yönetimin sezgisel panolarla analitik uygulamalarını kullanmasını sağlar. Makine sağlığını ve bunun son ürün üzerindeki etkisini denetleme yeteneği, duruş sürelerinin önlenebileceğine dair daha fazla güven verir.
Yapay zekanın başarılı bir şekilde eklenmesiyle bile, pahalı ve zaman alıcı yinelemeden kaçınmak için belirli bir ekipman parçası için teşhis veri akışı olarak hangi verilerin kullanılması gerektiğini tam olarak belirlemede tahmine dayalı bakım zorlukları devam ediyor. Bununla birlikte, yönetici düzeyindekiler, düşük kaliteli ürünlerin, yerinde kestirimci bakımla müşterilere ulaşmasının pek mümkün olmadığı konusunda gönül rahatlığı yaşayabilirler. Bu, üst yönetimden düzenli etkileşim gerektirmesi gereken bir şey değildir, ancak uzun vadede kesinlikle işlerini kolaylaştıracaktır.
Tebrikler, bu yazının sonuna geldiniz! Umarım kariyerinizde size yardımcı olacak yeni bir şey öğrenmişsinizdir.
Yeni bir şey öğrendiyseniz veya bu makaleyi okumaktan zevk aldıysanız, başkalarının görebilmesi için lütfen paylaşın. O zamana kadar, bir sonraki yazıda görüşmek üzere! Ayrıca beni Twitter’da @hasanyildiz84 hesabımdan takip edebilirsiniz.
