Fabrikanız her gün milyonlarca veri noktası üretiyor:
– Sensör ölçümleri
– Makine durumları
– Proses parametreleri
– Kalite kontrol sonuçları
– Enerji tüketimleri
Bu verilerin çoğu:
– ❌ Sadece anlık izleme için kullanılıyor
– ❌ Historian’da birikiyor, analiz edilmiyor
– ❌ Potansiyel içgörüler kayboluyor
Endüstriyel AI (Yapay Zeka) ile:
– ✅ Arıza önceden tahmin edilir
– ✅ Kalite sorunları oluşmadan önlenir
– ✅ Prosesler otomatik optimize edilir
– ✅ Enerji tüketimi akıllıca yönetilir
Endüstriyel AI Uygulama Alanları
1. Predictive Maintenance (Kestirimci Bakım)
Problem: Beklenmedik arızalar üretimi durduruyor
AI Çözümü:
– Sensör verilerinden anomali tespiti
– Kalan ömür (RUL) tahmini
– Optimal bakım zamanlaması
Veri kaynakları:
– Titreşim sensörleri
– Sıcaklık sensörleri
– Akım/güç ölçümleri
– Yağ analizi
– Ses (akustik)
ML Modelleri:
| Model | Kullanım |
| Isolation Forest | Anomaly detection |
| Random Forest | Classification |
| LSTM | Time series prediction |
| Autoencoder | Unsupervised anomaly |
2. Kalite Tahmini (Quality Prediction)
Problem: Kalite sorunları üretim sonunda tespit ediliyor
AI Çözümü:
– Proses parametrelerinden kalite tahmini
– Erken uyarı sistemi
– Root cause analizi
Örnek:
Girdiler: Sıcaklık, basınç, hız, nem, hammadde lot
Çıktı: Kalite skoru (0-100) veya OK/NG
3. Proses Optimizasyonu
Problem: Proses parametreleri suboptimal çalışıyor
AI Çözümü:
– Multi-variable optimization
– Reinforcement learning ile adaptif kontrol
– Digital twin simülasyonu
Örnek: Enerji optimizasyonu
Objective: Minimize enerji
Constraints: Kalite tarifleri karşılansın
Variables: Sıcaklık, hız, basınç ayarları
4. Computer Vision (Görsel AI)
Problem: Manuel kalite kontrol yetersiz
AI Çözümü:
– Deep learning görüntü sınıflandırma
– Defect detection
– OCR ve karakter doğrulama
Mimari:
Kamera görüntüsü → Preprocessing → CNN Model → Sınıflandırma
↓
OK / NG / Tip
5. Talep Tahmini ve Planlama
Problem: Üretim planı talep ile uyuşmuyor
AI Çözümü:
– Zaman serisi tahmini
– Sezonalite analizi
– Stok optimizasyonu
ML/AI Proje Süreci
1. Problem Tanımı
Cevaplanacak sorular:
– İş problemi nedir?
– AI ile çözülebilir mi?
– Başarı metrikleri neler?
– Mevcut veri var mı?
2. Veri Toplama ve Hazırlama
| Adım | Açıklama |
| Veri toplama | Historian, sensör, ERP, MES |
| Veri temizleme | Missing values, outliers |
| Feature engineering | İstatistikler, transformasyonlar |
| Etiketleme | Supervised learning için hedef |
| Train/Test split | %70-80 / %20-30 |
3. Model Geliştirme
┌─────────────────────────────────────────────────────────┐
│ Model Selection │
│ Linear | Tree | SVM | Neural Network | Ensemble │
├─────────────────────────────────────────────────────────┤
│ Training (Eğitim) │
│ Hyperparameter tuning | Cross-validation │
├─────────────────────────────────────────────────────────┤
│ Evaluation (Değerlendirme) │
│ Accuracy | Precision | Recall | F1 | AUC │
└─────────────────────────────────────────────────────────┘
4. Deployment (Dağıtım)
| Yöntem | Kullanım |
| Cloud | Yüksek işlem gücü, esnek |
| On-premise | Veri gizliliği, düşük gecikme |
| Edge | Real-time, düşük bant genişliği |
5. Monitoring ve İyileştirme
– Model performansı izleme
– Drift detection (veri kayması)
– Yeniden eğitim
Edge AI: Fabrikanın Ucunda Zeka
Neden Edge AI?
– Düşük latency: Milisaniye kararlar
– Bant genişliği: Veri merkeze gitmez
– Güvenilirlik: İnternet bağımlılığı yok
– Gizlilik: Veri sahada kalır
Edge AI Donanımları
| Cihaz | Özellik | Kullanım |
| NVIDIA Jetson | GPU, yüksek performans | Vision AI |
| Google Coral | TPU, düşük güç | Image classification |
| Intel NCS2 | USB stick, kolay | Prototip |
| Industrial PC | Genel amaç | Inference |
| PLC + AI Module | Siemens AI on Edge | Entegre |
Siemens Industrial Edge
┌─────────────────────────────────────────────────────────┐
│ Industrial Edge Platform │
│ App Store | Container Management | Security │
├─────────────────────────────────────────────────────────┤
│ Industrial Edge Device (IED) │
│ Docker containers | AI inference | MQTT │
├─────────────────────────────────────────────────────────┤
│ PLC / SCADA │
└─────────────────────────────────────────────────────────┘
Örnek: Çelik Fabrikasında Kalite Tahmini
Şirket: çelik üreticisi
Problem:
– Sıcak hadde hattında yüzey kusurları
– Kusurlar son kontrolde tespit ediliyor
– Fire oranı: %3-4 (maliyetli)
AI Çözümü:
Veri:
– 45 proses parametresi (sıcaklık, hız, basınç, kimya)
– 2 yıllık geçmiş veri
– Kalite sonuçları (label)
Model:
– XGBoost classifier
– 20’den fazla feature
– Accuracy: %92
– Recall (kusur yakalama): %89
Deployment:
– Industrial Edge PC
– Real-time inference (<100ms) – PLC’ye sinyal (hız ayarı bildirimi) – Dashboard (operatör uyarısı)
Sonuçlar:
| Metrik | Önce | Sonra | İyileşme |
| Fire oranı | %3.5 | %1.8 | -%49 |
| Early warning doğruluğu | – | %89 | – |
| Proses müdahale zamanı | Sonradan | Real-time | Kritik |
| Yıllık tasarruf | – | 4.2M TL | – |
AI Projesi için Gereksinimler
Veri Altyapısı
| Gereksinim | Açıklama |
| Historian | Yeterli geçmiş veri (min. 6 ay) |
| Veri kalitesi | Temiz, eksiksiz veriler |
| Etiketleme | Kalite/arıza kayıtları |
| Bağlantı | OPC UA, MQTT, SQL erişimi |
Organizasyonel
| Gereksinim | Açıklama |
| Sponsor | Yönetim desteği |
| Pilot proje | Küçük başla, kanıtla |
| Ekip | Domain expert + Data scientist |
| Beklenti yönetimi | AI sihir değil |
Neden AveA Otomasyon?
🧠 AI/ML Uzmanlığı
Python, TensorFlow, PyTorch
🏭 Endüstri Bilgisi
Proses mühendisliği + veri bilimi kombinasyonu
📊 Veri Altyapısı
Historian, ETL, data pipeline
💻 Edge Deployment
Siemens Edge, NVIDIA Jetson, Docker
⏰ Destek
Model izleme, bakım
Hemen İletişime Geçin
📞 Telefon / WhatsApp: +90 533 454 52 32
📧 E-posta: info@aveaotomasyon.com
🌐 Web: www.aveaotomasyon.com/
Veriden değer üretin. Endüstriyel AI ile tanışın.