- Konu Yazar
- #1
Veri Bolluğu, Karar Kıtlığına Dönüşmesin!
Günümüz üretim dünyasında, otomasyon sayesinde hiç olmadığı kadar çok veriye sahibiz. Makineler sürekli veri üretiyor, sistemler çalışma koşullarını, bakım olaylarını, kalite sonuçlarını ve süreç sapmalarını kaydediyor. Sensörler, sorunlar belirgin bir arızaya dönüşmeden çok önce değişiklikleri tespit edebiliyor. Ancak, daha fazla bilgiye sahip olmak, otomatik olarak daha iyi kararlar alındığı anlamına gelmiyor.
Eğer bir sistem aynı sorunu tekrar tekrar tespit ediyor, ancak kimse süreci değiştirmiyorsa, kuruluş bilgiyi topluyor ama ondan ders çıkarmıyor demektir. Bir bakım ekibi sürekli tekrarlayan bir arıza buluyor, ancak bu bilgi mühendislik veya üretime ulaşmıyorsa, aynı sorun tekrar tekrar ortaya çıkabilir. Ve bir süreç değişiyor, ancak kimse sonrasında ne olduğunu takip etmiyorsa, değişikliğin işe yarayıp yaramadığını bilmenin bir yolu yoktur.
NIST, akıllı üretim karar sistemlerini, verileri modelleyen, algılayan, ileten, analiz eden, iletişim kuran ve üzerinde eylemde bulunan bir "veri geri bildirim döngüsü" kullanarak tanımlar. Endüstriyel ekipman ve eski altyapılarla otuz yıla yakın çalıştıktan sonra öğrendiğim şey, bu döngünün gücünün, bir kuruluşun topladığı bilgi miktarından daha önemli olduğudur.
Otomatik Sinyalleri Kararlara Dönüştürmek 💡
Otomatik sistemler, bir sıcaklığın değiştiğini, bir makinenin durduğunu veya bir sürecin beklenen aralığın dışına çıktığını bir üreticiye söyleyebilir. Ancak bir veri noktası, nadiren bir şeyin neden olduğunu veya bir sonraki adımda neyin değişmesi gerektiğini açıklar.
Bu, ekipmanı tanıyan insanlardan bağlam gerektirir:
- Bir teknisyen, bir alarmın bir bileşen aşınmaya başladıktan sonra ortaya çıkma eğiliminde olduğunu bilebilir.
- Bir operatör, belirli üretim koşullarında bir süreç varyasyonunun meydana geldiğini fark edebilir.
- Bir denetçi, birkaç kalite sorununun aynı nedeni paylaştığını görebilir.
Schneider Electric'in Lexington, Kentucky'deki akıllı fabrikası, bu kaynakları bir araya getirmenin bir örneğini sunuyor. Şirket, ekipman bilgilerini, analizleri ve operatör araçlarını EcoStruxure platformu aracılığıyla birbirine bağlıyor. Augmented Operator Advisor'ı, çalışanlara bir makine üzerinde çalışırken ekipman bilgisi sağlıyor. Schneider, bu teknolojinin kritik ekipmanlarda ortalama onarım süresini %20 azalttığını bildirdi.
Şirket ayrıca, ayrı sistemlerden gelen işletim verilerini bir araya getirmek için AVEVA Insight'ı kullandı, kritik süreçlerdeki arıza süresini %5 azalttı ve altı aydan kısa sürede yatırım getirisi sağladı.
Bu kullanım durumunda, teknoloji tespitten araştırmaya ve yanıt vermeye giden yolu hızlandırıyor.
Uygulamada Kapalı Geri Bildirim Döngüsü Nasıl Görünür? 🔄
Bakım, veri toplama ile ondan ders çıkarma arasındaki farkı gösterir. Bir bileşen arızalanırsa, onu değiştirmek üretimi tekrar başlatır. Aynı bileşen sürekli arızalanıyorsa, üreticinin arızadan önce ne olduğunu, uyarı işaretlerinin daha erken tespit edilip edilemeyeceğini ve bir değişikliğin gelecekteki arızaları azaltıp azaltmayacağını anlaması gerekir.
Almanya'nın en büyük süt ürünleri üreticilerinden Sachsenmilch, mevcut kontrol sistemlerinden gelen bilgileri titreşim izleme sensörleri ve Siemens Senseye Tahmini Bakım yazılımıyla birleştirdi. Sistem, bir pompanın hizmet ömrünün sonuna yaklaştığını tespit etti ve şirkete, üretim sırasında arızalanmasını beklemek yerine planlı bakım sırasında değiştirmesi için zaman tanıdı.
Sachsenmilch yetkilileri, bu tek müdahalenin daha uzun bir kapanmayı önlediğini ve altı haneli düşük bir miktar tasarruf sağladığını belirtiyor. Şirket ayrıca, izleme yazılımı tarafından tanımlanan bilgilerin doğrudan bakım sürecine aktarılabilmesi için tahmini bakım uyarılarını SAP Plant Maintenance sistemiyle bağlamak için çalışıyor.
Aynı deseni restorasyon çalışmalarında da gördüm. Onlarca yıldır çalışan ekipman, onarımların, çalışma koşullarının ve tasarım kararlarının bir geçmişini taşır. Bir sorun sürekli ortaya çıktığında, soru neden sürekli olduğu ve bu bulgunun bir prosedürü, denetim standardını, bakım programını veya tasarımı değiştirip değiştirmemesi gerektiğidir.
Üretim şirketleri bu sorunla daha büyük ölçekte karşılaşıyor. Üretimin işletim verileri var. Bakımın iş emirleri ve onarım geçmişleri var. Kalitenin denetim sonuçları var. Mühendisliğin tasarım belgeleri var. Operatörler, resmi bir sisteme asla girmeyebilecek pratik bilgilere sahipler.
NIST araştırması, farklı üretim karar vericilerinin farklı bilgilere ihtiyaç duyduğunu ve bunların çoğunun ayrı kaynaklardan geldiğini buldu. Zorluk, şirketin onlardan ders çıkarabilmesi için bu kaynakları yeterince iyi bağlamaktır.
Geri Bildirimi Sürekli İyileştirmenin Bir Parçası Haline Getirmek 📈
Bir geri bildirim döngüsü, bir gözlemi bir eyleme bağlamalı ve ardından ne olduğunu ölçmelidir.
- Bir bakım aralığı değişirse, değişiklikten sonra arızalar takip edilmelidir.
- Bir üretim süreci ayarlanırsa, kalite ve verim öncesi ve sonrası karşılaştırılmalıdır.
- Bir bileşen yeniden tasarlanırsa, operasyondaki performansı mühendislik kaydına geri beslenmelidir.
Bosch, bu yaklaşımı birkaç tesisinde kullandı. Hildesheim tesisinde şirket, üretim artışı sırasında yapay zeka tabanlı analiz kullandı ve döngü sürelerinde %15 azalma bildirdi.
Bosch ayrıca, otomatik optik denetim modellerinin yeterli gerçek kusur doğal olarak ortaya çıkmadan önce eğitilebilmesi için üretim kusurlarının sentetik örneklerini oluşturmak için üretken yapay zeka kullandı. Bir stator denetim projesi için Bosch, yaklaşık 15.000 sentetik görüntü oluşturdu. Şirket, bu yöntemin projeyi altı ay kısaltmasını ve altı haneli avro aralığında yıllık üretkenlik kazançları sağlamasını bekliyor.
Dokümantasyon da önemlidir. Kariyerim boyunca, bir şey belgelendiğinde, tekrarlanabileceğini, değerlendirilebileceğini ve geliştirilebileceğini öğrendim. Bilgi deneyimli bir çalışanda kaldığında, şirket o kişinin onu hatırlamasına ve müsait olmasına bağlıdır. Ders belgelenmiş bir sürecin parçası olduğunda, başkaları onu test edebilir ve üzerine inşa edebilir.
Deloitte'un 600 üretim yöneticisiyle yaptığı 2025 Akıllı Üretim ve Operasyonlar Anketi, katılımcıların insan sermayesi ve bakım olgunluklarını nispeten düşük olarak değerlendirirken, teknoloji, operasyonlar, kalite yönetimi ve sürekli iyileştirmede daha yüksek olgunluk bildirdiklerini ortaya koydu.
Her üretim çalışması, denetim, bakım olayı ve süreç sapması, bir üreticiye operasyonunun nasıl davrandığı hakkında başka bir bilgi parçası verir. Değer, bu dersler bakım, mühendislik, üretim ve otomasyon sistemlerine geri döndüğünde ve bir sonraki adımı değiştirdiğinde ortaya çıkar.
Süreç basittir: ne olduğunu gözlemle, nedenini anla, bir değişiklik yap ve sonucu ölç. Otomasyon bu döngüyü hızlandırabilir ve büyük bir operasyonda tekrarlamayı kolaylaştırabilir. Öğrenme hala şirketin bilgiyle ne yaptığından gelir. Bu döngü kapandığında, otomasyon operasyonun zamanla nasıl öğrendiğinin ve geliştiğinin bir parçası haline gelir.
