Rekabetin ve kalite beklentilerinin her geçen gün arttığı otomotiv ve imalat sanayisinde, sac metal parçaların yapısal bütünlüğü kritik bir öneme sahip. Geleneksel kalite kontrol ve bakım süreçlerinin genellikle statik testlere, gözle kontrole veya manuel denetimlere dayandığını ifade eden AYD Automotive Industry Kıdemli Bakım Mühendisi Mehmet Emin Örs, ancak Endüstri 4.0 ve Bakım 4.0 felsefesinin, reaktif yöntemlerden ziyade proaktif, hızlı ve otonom sistemleri zorunlu kıldığını vurguluyor.
Örs, hazırladığı bu makalede, bir doktora tezi olarak akademik laboratuvarlarda başlayan "Derin Öğrenme ile Dinamik Testlerde Sac Metal Parçalarda Çatlak Tespiti" projesinin, teoriden pratiğe nasıl dönüştüğünü ve fabrika zeminine, üretim hatlarına nasıl entegre edildiğini şöyle ele alıyor:
PROBLEMİN KAYNAĞI: GELENEKSEL YÖNTEMLERİN SINIRLARI
“Sac metal parçaların gerçek kullanım koşullarındaki performansını simüle etmek için uygulanan dinamik testler (yorulma, titreşim vb.), üretim süreçlerinin en zorlu aşamalarından biridir. Bu testler sırasında, malzemenin içinde veya yüzeyinde oluşan kılcal çatlakların başlangıcını tespit etmek geleneksel yöntemlerle neredeyse imkansızdır.
Klasik Tahribatsız Muayene (NDT) yöntemleri sahada uygulanması zor, maliyetli ve yavaştır. Test sırasında alınan sensör verilerinin (ivmeölçer, akustik emisyon, yük hücreleri) uzman mühendisler tarafından saatlerce incelenmesi, modern sanayinin hızına uygun değildir. Bize, makine çalışırken saniyeler içinde "sağlam" veya "çatlak/hatalı" kararını yüksek doğrulukla verebilecek, insan bağımsız otonom bir sistem lazımdı.”
AKADEMİK TEMEL: KARMAŞIK VERİYİ ANLAMLANDIRMAK
“Çalışmanın akademik ayağında temel çıkış noktamız, dinamik testler sırasında toplanan yoğun, karmaşık ve gürültülü sensör verilerini anlamlandırmaktı. Geleneksel sinyal işleme algoritmaları yerine, Yapay Zeka'nın alt dalı olan Derin Öğrenme mimarilerinden faydalandık.
Aşağıdaki görsel, geliştirdiğimiz derin öğrenme modelinin çalışma prensibini özetlemektedir. Model, sensörden gelen ham analog sinyali işleyerek, parça üzerindeki mikro çatlakları tespit eder ve milisaniyeler içinde sisteme "DUR" sinyali gönderir.
Kurduğumuz yapay zeka modeli, binlerce saatlik dinamik test verisiyle eğitildi. Sistem, sağlam bir sac metal parçanın dinamik yük altındaki titreşim veya akustik imzasını öğrenirken, mikro seviyedeki bir çatlağın yarattığı en ufak bir anomalilik durumunu milisaniyeler içinde fark edebilecek seviyeye ulaştı. Laboratuvar ortamında doğruluk oranımız %98’in üzerine çıkmıştı. Ancak asıl soru şuydu: Bu sistemi sahaya, gürültülü ve zorlu fabrika ortamına nasıl indirecektik?”
TEORİDEN PRATİĞE: SANAYİ ENTEGRASYONUNDAKİ ZORLUKLAR VE ÇÖZÜMLER
“Bir algoritmanın bilgisayar ortamında çalışması ile gerçek bir üretim hattında CNC ve robotik hücrelerin yanında çalışması arasında büyük bir uçurum vardır. Akademik çalışmamızı sanayiye entegre ederken üç ana zorlukla karşılaştık: Çevresel gürültü (pres sesleri, ortam titreşimleri), verilerin gerçek zamanlı işlenmesi ve sistemin makine kontrolcüleriyle (PLC) haberleşmesi.
Aşağıdaki görsel, geliştirdiğimiz sistemin fabrika ortamındaki fiziksel entegrasyonunu göstermektedir. Test cihazı, sensörler, Sınır Bilişim (Edge AI) cihazı ve PLC arasındaki kapalı döngü haberleşme altyapısı net bir şekilde görülmektedir.
1. Çevresel Gürültü ve Veri Toplama: İlk adım olarak, test cihazlarına endüstriyel standartlarda, parazitlere karşı yalıtılmış ve yüksek frekanslı veri toplayabilen dayanıklı sensörler entegre ettik. Ortamdaki makine gürültüsünü, parçanın kendi dinamik tepkisinden ayırmak için modele fabrikadan toplanan "gerçek ortam gürültü verilerini" de öğrettik.
2. Sınır Bilişim (Edge Computing) ile Gecikmesiz Analiz: Bulut tabanlı sistemler, veri iletiminde yaşanan gecikmeler (latency) nedeniyle dinamik testler için uygun değildi. Bu nedenle, modellerimizi doğrudan test tezgahının panosuna entegre edilen Edge AI (Sınır Yapay Zeka) donanımları üzerinde çalışacak şekilde optimize ettik. Böylece veriler fabrikadan dışarı çıkmadan, anlık olarak makine üzerinde işlenmeye başlandı.
3. PLC ve Otomasyon Entegrasyonu: Sistemin sadece bir ekranda grafik göstermesi sanayi için yeterli değildir; aksiyon almalıdır. Derin öğrenme modelimiz bir çatlak tespit ettiği an, mili-saniyeler içinde test cihazının PLC'sine "DUR" sinyali gönderecek bir haberleşme köprüsü kurduk. Mühendisin grafiği yorumlamasına gerek kalmadan, sistem operatör paneline doğrudan "ÇATLAK TESPİT EDİLDİ - TEST DURDURULDU" komutunu yansıtmayı başardı.”
BAKIM 4.0 VE İŞLETMEYE SAĞLADIĞI KATMA DEĞER
“Bu entegrasyon projesi, işletmemizin Bakım 4.0 ve kalite kontrol süreçlerinde bir devrim yarattı. Parçanın kırılmasını veya hasarın büyümesini beklemeden süreci durdurabilmenin getirdiği avantajlar şunlar oldu:
- Test Süreleri ve Enerji Tasarrufu: Hasar başladığı an test durdurulduğu için gereksiz yere harcanan saatler ve enerji tüketimi ortadan kalktı.
- Test Cihazlarının Korunması (Kestirimci Bakım): Çatlayan bir parçanın aniden kırılarak test tezgahına (fikstürlere, hidrolik pistonlara) vereceği ikincil hasarların önüne geçildi. Bu sayede test ekipmanlarının bakım maliyetleri düşürüldü.
- Kalite Güvencesi: Üretim proseslerindeki hatalar (örneğin sac şekillendirme sırasındaki mikroskobik yırtılmalar) çok daha erken safhalarda tespit edilerek, hurda oranları düşürüldü ve %100 kalite güvencesi hedefine yaklaşıldı.”