Üretimde Anomali Tespiti

Üretimde anomali tespiti, makine, süreç, ürün, enerji ve çevre verilerindeki normal çalışma düzeninden anlamlı biçimde ayrılan olayları belirleyerek kalite kusuru, ekipman arızası veya verim kaybı büyümeden müdahale etmeyi amaçlar. Titreşimdeki küçük bir değişim, fırın sıcaklığındaki alışılmadık dalga, yüzey görüntüsündeki kılcal çatlak ya da çevrim sürelerinin birlikte uzaması tek başına önemsiz görünebilir. Doğru bağlamla değerlendirildiğinde ise bu sinyaller yaklaşan bir sorunun ilk habercisi olabilir.

Bu rehber; üretimde anomali tespitinin ne olduğunu, hangi verilerle çalıştığını, istatistikten makine öğrenmesine ve bilgisayarlı görüye uzanan yöntemleri, gerçek zamanlı mimariyi, sektör uygulamalarını, başarı metriklerini ve pilot projeden ölçeklemeye geçiş adımlarını bir arada açıklar. Genel kavramsal çerçeve için anomali tespiti yazımızı da inceleyebilirsiniz.

Üretimde Anomali Tespiti Nedir?

Üretimde anomali tespiti, bir hattın veya ekipmanın “normal” çalışma bölgesini tanımlayıp bu bölgenin dışına çıkan tekil değerleri, bağlamsal sapmaları ve zaman içinde oluşan sıra dışı örüntüleri belirleme sürecidir. Normal kavramı sabit bir sayı değildir. Aynı sıcaklık bir ürün reçetesinde olağan, başka bir reçetede riskli olabilir; aynı titreşim seviyesi yüksek devirde kabul edilebilirken düşük devirde yatak aşınmasına işaret edebilir. Bu nedenle üretim bağlamı modele ürün tipi, lot, vardiya, makine modu, hız, hammadde ve ortam koşulu gibi değişkenlerle aktarılmalıdır.

Anomali, kusur ile aynı şey değildir. Anomali veride beklenmeyen bir davranıştır; kusur ise ürünün veya sürecin tanımlı gereksinimi karşılamamasıdır. Her anomali kusur oluşturmaz, her kusur da tek bir belirgin anomaliyle açıklanamaz. Örneğin sensördeki ani sıçrama ölçüm hatası olabilir. Buna karşılık küçük sıcaklık, basınç ve çevrim süresi değişimleri birlikte değerlendirildiğinde ürün kalitesini etkileyen kolektif bir sapma ortaya çıkabilir. Sağlam bir sistem önce sıra dışılığı saptar, sonra proses bağlamıyla bunun önemini derecelendirir.

Bu yaklaşım kalite kontrol, kestirimci bakım ve süreç kontrolü arasında ortak bir veri katmanı kurar. Kalite ekibi ürün sonucunu, bakım ekibi ekipman sağlığını, üretim ekibi çevrim performansını izler. Anomali tespiti bu farklı bakışları aynı zaman çizgisinde buluşturarak “ne değişti, ne zaman başladı, hangi varlıkları etkiledi ve hangi aksiyon gerekli?” sorularına kanıt sağlar.

“Üretimde asıl kazanç, kusuru bant sonunda görmek değil; kusura dönüşen sapmayı süreç içinde, neden hâlâ yönetilebilirken yakalamaktır.”

Atakan Naçar, Kurucu

Üretimde Anomali Tespiti Neden Önemlidir?

Geleneksel kalite kontrol çoğu zaman ürün tamamlandıktan sonra numune alma, ölçüm veya görsel inceleme yapar. Bu yöntem gerekli olsa da geç kalmış bir bilgi üretebilir: Kusurlu parti zaten üretilmiş, enerji ve hammadde tüketilmiş, makine zamanı kullanılmıştır. Süreç içi anomali tespiti ise değişimi daha erken görünür kılar. Böylece parametre ayarı, kontrollü duruş, bakım emri, ek numune veya ürün karantinası gibi önleyici aksiyonlar değerlendirilebilir.

Plansız duruş açısından da erken uyarı kritiktir. Rulman, pompa, motor, kompresör veya pres gibi varlıklarda arıza çoğu zaman bir anda başlamaz; titreşim spektrumu, sıcaklık, akım, ses veya basınç davranışında kademeli izler bırakır. Sabit alarm limitleri yalnızca önceden bilinen sınır aşımını yakalarken çok değişkenli modeller değerler limit içinde kalsa bile aralarındaki ilişkinin bozulduğunu görebilir. Bu özellik, arıza ile alarm arasına operasyon ekibinin planlama yapabileceği bir zaman penceresi koyar.

Üretim anomalileri yalnızca bakım ve kaliteyi etkilemez. Basınçlı hava tüketimindeki olağandışı artış kaçak veya yanlış ayara, çevrim süresindeki dağılım değişimi mikro duruşlara, hammadde davranışındaki sapma tedarikçi ya da lot farkına, proses verisiyle ürün sonucu arasındaki kopukluk ise ölçüm veya veri bütünlüğü sorununa işaret edebilir. Bu nedenle sistemin değeri; hurda, yeniden işleme, enerji, teslimat, iş güvenliği ve müşteri şikâyeti gibi farklı sonuçlarda ölçülebilir.

Üretimde Anomali Tespiti Nasıl Çalışır?

İyi tasarlanmış bir çözüm beş temel işi sürekli tekrarlar: veriyi toplar, bağlam ekler, normal davranışı modeller, sapmayı puanlar ve sonucu operasyonel aksiyona dönüştürür. Ham sensör akışı tek başına yeterli değildir. Örneğin motor akımını yorumlamak için makinenin açık mı kapalı mı olduğu, ürün reçetesi, hız set değeri ve bakım geçmişi bilinmelidir. Bağlam eklenmediğinde normal mod geçişleri gereksiz alarm üretebilir.

1. Veri toplama: PLC, SCADA, historian, kamera, test cihazı, kalite laboratuvarı, MES ve bakım sistemlerinden zaman damgalı veri alınır.
2. Hazırlama ve senkronizasyon: Eksik değerler, farklı örnekleme hızları, sensör ofsetleri, zaman kaymaları ve hatalı kayıtlar yönetilir.
3. Normal davranış modeli: Kararlı üretim dönemleri ürün, makine modu ve çevre koşuluna göre ayrılır; uygun referans veya model oluşturulur.
4. Anomali puanı: Yeni gözlem, beklenen davranıştan uzaklığına göre puanlanır. Tek bir eşik yerine önem derecesi ve süre koşulu kullanılabilir.
5. Doğrulama ve aksiyon: Alarm ilgili sinyaller, parti, ekipman ve geçmiş olaylarla birlikte operatöre sunulur; geri bildirim model geliştirme döngüsüne girer.

Modelin çıktısı çoğu zaman “normal/anormal” etiketinden daha zengindir. Bir anomali puanı, hangi değişkenlerin sapmaya en çok katkı verdiği, olayın başladığı zaman, benzer geçmiş olaylar ve güven seviyesi birlikte sunulabilir. Bu açıklama katmanı, özellikle yanlış bir otomatik müdahalenin üretim veya güvenlik riski doğurabileceği ortamlarda zorunludur.

Üretimde Anomali Türleri

Ekipman anomalileri

Ekipman anomalileri; titreşim, sıcaklık, akım, tork, yağ basıncı veya ses gibi sağlık göstergelerinin alışılmış ilişkiden ayrılmasıdır. Dengesizlik, hizasızlık, sürtünme, yağlama sorunu, takım aşınması ve elektriksel arızalar farklı sinyal örüntüleri oluşturabilir. Kritik nokta, yalnızca limit aşımını değil değişimin hızını ve birden fazla sensördeki ortak davranışı izlemektir.

Süreç anomalileri

Süreç anomalisi; reçete, set değeri, gerçek ölçüm ve zamanlama arasındaki ilişkinin bozulmasıdır. Fırın profilinin beklenen eğriyi izlememesi, dolum basıncının ürün tipine göre sapması, çevrim adımlarının sırasının veya süresinin değişmesi bu gruptadır. Nokta anomalileri kadar trend kırılması, seviye değişimi, yavaş sürüklenme ve kolektif örüntüler de önemlidir.

Ürün ve kalite anomalileri

Çatlak, çizik, kırışıklık, gözenek, leke, boyut sapması, eksik bileşen, yanlış montaj veya yüzey dokusu farkı ürün anomalilerine örnektir. Kamera tabanlı sistemler görünür kusurları; termal, X-ışını, ultrason veya hiperspektral görüntüleme ise insan gözünün algılayamadığı iç yapı, sıcaklık ve malzeme bileşimi farklılıklarını inceleyebilir. Görsel yöntemin seçimi kusurun fiziksel niteliğine bağlıdır.

Enerji ve yardımcı tesis anomalileri

Elektrik, buhar, doğal gaz, basınçlı hava, su ve soğutma sistemlerinde üretim miktarına göre açıklanamayan tüketim artışları kaçak, verimsiz çalışma veya yanlış ayar göstergesi olabilir. Üretim hacmi ve ürün karması hesaba katılmadan yalnızca toplam tüketimi izlemek yanıltıcıdır. Anomali modeli tüketimi bağımsız bir değer değil, üretim çıktısı ve çevre koşullarıyla ilişkili bir davranış olarak ele almalıdır.

Veri ve sensör anomalileri

Takılı kalan sensör, zaman damgası kayması, paket kaybı, kalibrasyon bozulması ve ölçüm sıçraması fiziksel süreçte sorun olmadığı halde anormal veri üretebilir. Bir anomali sisteminin kendi girdisinin güvenilirliğini kontrol etmesi gerekir. Aksi halde sensör hatası bakım alarmına, veri boşluğu ise süreç sapmasına dönüşür. Veri sağlığı alarmları ile proses alarmlarının ayrı sınıflandırılması kök neden analizini hızlandırır.

Üretimde Hangi Veriler Kullanılır?

Tek bir veri kaynağı bazı hata modları için yeterli olabilir; ancak üretimde neden-sonuç ilişkisi çoğu zaman çok değişkenlidir. En yararlı veri seti, fiziksel sinyali üretim bağlamı ve sonuç kalitesiyle birleştirir. Aşağıdaki tablo başlıca kaynakları ve yakalayabilecekleri sapmaları özetler.

Veri miktarından önce veri anlamı gelir. Yüzlerce etiketsiz sensör yerine, belirli bir hata modunu fiziksel olarak açıklayan birkaç güvenilir sinyal daha değerli olabilir. Örnekleme frekansı da probleme göre seçilmelidir: Yavaş sıcaklık değişimi için saniyelik veri yeterliyken rulman titreşimi için yüksek frekanslı dalga biçimi gerekebilir. Frekans, saklama ve işlem maliyetiyle birlikte değerlendirilmelidir.

Üretimde Anomali Tespit Yöntemleri

Kural ve istatistik tabanlı yöntemler

Alt-üst limitler, hareketli ortalama, standart sapma, z-skoru, kontrol grafikleri, değişim noktası tespiti ve çok değişkenli istatistiksel süreç kontrolü üretimde güçlü başlangıç yöntemleridir. Neden anlaşılır olduğunda, fiziksel sınır belliyse ve proses kararlıysa basit bir kural karmaşık modelden daha güvenilir olabilir. Dezavantajı, çok değişkenli ve moda bağlı davranışlarda sabit eşiklerin fazla alarm üretmesi veya küçük fakat anlamlı ortak sapmaları kaçırmasıdır.

Klasik makine öğrenmesi

Isolation Forest, Local Outlier Factor, One-Class SVM, k-en yakın komşu, kümeleme ve temel bileşen analizi gibi yöntemler etiketli kusur verisinin az olduğu tablosal sensör verilerinde kullanılabilir. Bu modeller normal örneklerin yoğunluğunu, sınırını veya birbirine uzaklığını öğrenir. Özellik mühendisliği önemlidir: Ham sinyalden ortalama, varyans, eğim, tepe değeri, frekans bileşenleri, çevrim süresi ve değişkenler arası oranlar türetilebilir.

Çok Değişkenli Anomali Tespiti

Çok değişkenli anomali tespiti, tek tek normal aralıkta görünen sensörlerin birlikte alışılmadık bir ilişki oluşturmasını yakalar. Örneğin sıcaklık ve basınç kendi limitlerini aşmamış olsa bile belirli bir reçete ve hat hızında aralarındaki beklenen denge bozulmuş olabilir. PCA, çok değişkenli kontrol grafikleri, kümeleme, Isolation Forest, One-Class SVM ve autoencoder modelleri bu ortak davranışı farklı biçimlerde öğrenebilir.

Üretimde değişken sayısını artırmak tek başına daha güçlü model oluşturmaz. Aynı fiziksel olayı tekrar eden sensörler, gecikmeli ölçümler ve ürün modunu açıklamayan sinyaller yanlış alarmı yükseltebilir. Değişkenler proses bilgisiyle seçilmeli; zaman gecikmeleri, ürün veya reçete bağlamı ve sensörler arası nedensel ilişkiler modele eklenmelidir. Çıktı, toplam anomali puanının yanında sapmaya en fazla katkı veren değişkenleri de göstermelidir.

Zaman serisi ve derin öğrenme

Autoencoder modelleri normal veriyi sıkıştırıp yeniden oluşturmaya çalışır; yeni örneğin yeniden oluşturma hatası yükseldiğinde anomali puanı artar. LSTM ve benzeri sıralı modeller geçmiş zaman adımlarından beklenen davranışı tahmin ederek gerçekleşen değerle farkı ölçebilir. Varyasyonel autoencoder, evrişimli ağ ve transformer tabanlı modeller daha karmaşık ilişkileri öğrenebilir; fakat daha çok veri, hesaplama ve izleme gerektirir. Karmaşıklık yalnızca doğrulukta ölçülebilir bir kazanç sağlıyorsa tercih edilmelidir.

Görsel anomali tespiti

Görsel kalite kontrolünde klasik kusur sınıflandırması, her kusur türü için yeterli ve doğru etiketlenmiş görüntü ister. Oysa üretimde nadir kusurların örneği azdır ve gelecekte hangi yeni kusurun oluşacağı bilinmez. Görsel anomali tespiti normal ürün görüntülerinden referans öğrenerek bu yapıdan ayrılan bölgeyi işaretleyebilir. Yöntem görüntü düzeyinde “anormal” kararı verebilir, piksel düzeyinde kusur bölgesini gösterebilir veya benzerlik skoru üretebilir.

Kamera açısı, ışık, odak, yüzey yansıması, ürün konumu ve hat hızı model kadar önemlidir. Işık değişimi kusur gibi görünüyorsa algoritmayı büyütmek yerine görüntüleme koşulunu kararlı hâle getirmek daha doğru çözümdür. Normal ürün çeşitliliği eğitim setinde yeterince temsil edilmeli; ürün değişimi, kamera bakımı ve lens kirlenmesi model izleme planına eklenmelidir.

Hibrit ve çok modlu yaklaşımlar

İstatistiksel kontrol ile makine öğrenmesini, görüntü ile sensörü veya fiziksel model ile veri odaklı modeli birleştiren hibrit yaklaşımlar endüstriyel güvenilirliği artırabilir. Örneğin görüntüde yüzey kusuru görülürken pres kuvveti ve kalıp sıcaklığındaki sapmanın aynı zaman aralığında bulunması, alarmın önemini ve açıklanabilirliğini yükseltir. Otomotiv sensör verilerinde istatistiksel yöntemle sinir ağını birleştiren çalışmalar da tekil modellere göre tamamlayıcı bilginin değerini göstermektedir.

Gözetimli, gözetimsiz ve yarı gözetimli seçim

Gözetimli öğrenme, yeterli sayıda doğrulanmış normal ve kusurlu örnek bulunduğunda bilinen hata türlerini ayırmada güçlüdür. Gözetimsiz öğrenme, etiketsiz veride kümeleri ve uzak gözlemleri bulur; keşif için yararlıdır ancak her uzak nokta gerçek sorun olmayabilir. Tek sınıflı veya yarı gözetimli yaklaşım çoğunlukla normal üretimi öğrenir ve normalden ayrılan örnekleri aday olarak sunar. Üretimde kusur verisinin nadir, dengesiz ve sürekli değişen yapısı nedeniyle pratikte bu yöntemlerin insan doğrulamasıyla birlikte kullanılması yaygındır.

Sektörlere Göre Üretimde Anomali Tespiti Uygulamaları

Üretimde anomali tespitinin amacı her sektörde normalden sapmayı bulmaktır; fakat “normal” kabul edilen davranış, kullanılan veri ve alarm sonrası aksiyon sektöre göre önemli ölçüde değişir. Otomotivde milisaniyelik kaynak eğrisi, ilaçta saatler süren parti profili, yarı iletkende yüzlerce proses adımı, gıdada ise görünür görüntüyle ayırt edilemeyen spektral farklılık aynı yöntemle ele alınamaz. Bu nedenle uygulama, genel bir algoritma seçiminden önce ürün fiziği ve hata mekanizması üzerinden tasarlanmalıdır.

Otomotiv Üretiminde Anomali Tespiti

Otomotiv fabrikasında anomali tespiti tek bir kalite istasyonundan ibaret değildir. Pres hattındaki kuvvet ve konum eğrileri, kaynak hücresindeki akım, gerilim, süre ve elektrot kuvveti, montajdaki sıkma torku ve açı ilişkisi, boya prosesindeki sıcaklık ve nem ile hat sonu fonksiyon testleri aynı aracın dijital üretim geçmişini oluşturur. Bu geçmişteki sapmalar bir parçanın yalnızca kusurlu olup olmadığını değil, kusurun hangi proses adımında oluşmaya başladığını araştırmak için kullanılabilir.

Sac şekillendirmede çatlak ve kırışıklık gibi kusurlar, parça tamamlandıktan sonra kamera ile görülebilir. Daha erken bir yaklaşım ise pres kuvveti, kalıp konumu, yağlama, malzeme lotu ve çevrim süresindeki ortak değişimi izlemektir. Görsel kontrol sonuçları proses sinyalleriyle eşleştirildiğinde model yalnızca hatalı parçayı ayırmakla kalmaz; belirli bir kalıp, rulo veya hammadde lotunda kusur olasılığının yükseldiğini de gösterebilir. Böylece kalite kontrol, kök neden analizine veri sağlar.

Paylaşılan otomotiv araştırmalarından SAAD çalışması, istatistiksel aykırı değer yaklaşımı ile tam bağlantılı sinir ağını bir Hardware-in-the-Loop ortamındaki gerçek sensör verilerinde birleştirir. Çalışmada istatistiksel yöntem ve derin öğrenme modeli tek başlarına yaklaşık yüzde 72 doğruluk düzeyinde kalırken birleşik yaklaşım yüzde 88,3 doğruluk ve 0,921 F1 skoruna ulaşmıştır. Bu sonuç her fabrikada aynı performansın elde edileceği anlamına gelmez; fakat fiziksel sinyali farklı biçimlerde yorumlayan yöntemlerin birbirini tamamlayabildiğini gösterir.

Otomotiv uygulamasında kritik konu izlenebilirliktir. Alarm; araç kimliği, parça seri numarası, istasyon, takım, program, malzeme lotu ve zaman bilgisiyle birlikte saklanmalıdır. Bir tork eğrisinin anormal bulunması ancak hangi bağlantıya ait olduğu ve sonraki kalite testinin sonucu bilindiğinde eyleme dönüşür. Model performansı da yalnızca parça sınıflandırma doğruluğuyla değil ilk seferde doğru üretim, hurda, yeniden işleme, garanti dönüşü ve hat duruşu üzerindeki etkisiyle ölçülmelidir.

Batarya Üretiminde Anomali Tespiti

Batarya üretiminde anomali tespiti hem kalite hem güvenlik problemidir. Elektrot kaplama kalınlığı, kurutma profili, hücre dolum miktarı, formasyon sırasındaki voltaj-akım eğrisi, sıcaklık, kapasite, coulombic verim ve iç direnç gibi ölçümler bir hücrenin davranış imzasını oluşturur. Tek bir ölçüm limit içinde kalsa bile eğrinin biçimi, belirli aşamada kalma süresi veya aynı lot içindeki diğer hücrelere göre farklılığı erken risk işareti olabilir.

Formasyon uzun ve maliyetli bir aşamadır. Normal şarj-deşarj davranışından ayrılan hücreyi sürecin erken kısmında belirlemek; gereksiz sonraki çevrimleri, enerji kullanımını ve kusurlu hücrenin paket aşamasına ilerleme riskini azaltabilir. Ancak eşik fazla hassas seçilirse kullanılabilir hücreler gereksiz yere ayrılır. Bu nedenle anomali puanı; kimyasal bileşim, hücre tipi, ekipman kanalı, ortam sıcaklığı ve hammadde lotu bağlamında değerlendirilmelidir.

BataryaGPT gibi çok modlu araştırmalar, elektriksel zaman serilerini görsel veya metinsel bağlamla birlikte yorumlama yönündeki eğilimi gösterir. Üretim ortamında ise ilk hedef büyük bir model kullanmak değil, hücre düzeyinde izlenebilirlik ve güvenli doğrulamadır. Kritik alarmın ardından hücre karantinası, ek elektriksel test, termal inceleme ve ilgili lotun karşılaştırılması gibi adımlar önceden tanımlanmalıdır. Model, mevcut güvenlik testlerinin yerine değil onların önceliklendirilmesine hizmet etmelidir.

İlaç Üretiminde Anomali Tespiti

İlaç üretiminde anomali çoğu zaman tek bir sensörün limit dışına çıkmasından çok, bir partinin beklenen proses yörüngesini izlememesiyle ortaya çıkar. Liyofilizasyon, granülasyon, karıştırma, kaplama ve dolum süreçlerinde sıcaklık, basınç, vakum, nem, akış ve süre değişkenleri reçete adımlarıyla birlikte değerlendirilir. Aynı değer farklı proses aşamalarında farklı anlam taşıdığı için modelin aşama veya faz bilgisine sahip olması gerekir.

Endüstriyel liyofilizatörlere odaklanan paylaşılan vaka çalışması iki temel sorunu öne çıkarır: Anomali örneklerinin sınırlı olması ve veri dağılımının zaman, ürün ya da ekipman değişimiyle kayması. Bir kurutucunun normal profili başka bir kurutucuya doğrudan taşınamayabilir; yeni ürün reçetesi de geçmiş referansı geçersiz kılabilir. Bu nedenle model performansı yalnızca eğitim verisinde değil, farklı ekipman, dönem ve ürünlerde ayrı ayrı sınanmalı; hangi koşullarda yeniden kalibrasyon gerektiği tanımlanmalıdır.

Parti anomali tespitinde yararlı çıktı, yüzlerce sinyali tek bir alarmda toplamak değildir. Model hangi fazın beklenenden ayrıldığını, sapmanın başlangıç zamanını, katkısı yüksek parametreleri ve benzer geçmiş partileri göstermelidir. Bu bilgi parti kayıt incelemesini daraltabilir, numune planını destekleyebilir ve bakım ile proses ekiplerini aynı olaya yönlendirebilir. İyi üretim uygulamaları kapsamındaki süreçlerde veri bütünlüğü, model ve eşik sürümünün kaydı, değişiklik kontrolü ve uzman onayı korunmalıdır.

Medikal Cihaz Üretiminde Anomali Tespiti

Medikal ürünlerin görsel denetiminde de nadir kusur ve yüksek kalite beklentisi belirleyicidir. Yapısal benzerlik ile özellik mesafesini birleştiren araştırmalar, normal ürünün genel yapısını korurken küçük yerel kusurları yakalamayı hedefler. Ancak kamera, ışık ve ürün konumu değişiminin gerçek kusurla karışmaması gerekir. Modelin amacı serbest bırakma kararını tek başına vermek değil, inceleme gerektiren örnekleri güvenilir biçimde önceliklendirmektir.

Enjektör, kateter, implant, test kiti ve tek kullanımlık cihazlarda yüzey kusuruna ek olarak eksik bileşen, yanlış montaj, boyut sapması ve ambalaj bütünlüğü de izlenebilir. Görüntü verisi; ölçüm cihazı, sızdırmazlık veya fonksiyon testiyle ürün seri numarası üzerinden eşleştirildiğinde yalnızca görünür farklılık değil, ürün performansını etkileyen anomali araştırılabilir. Doğrulanmış kontrol yöntemi, değişiklik yönetimi ve insan onayı medikal üretimde model yaşam döngüsünün parçası olmalıdır.

Cam Üretiminde Anomali Tespiti

Cam üretiminde kabarcık, çizik, çatlak, taş, leke, kaplama farkı ve kenar bozukluğu gibi kusurlar hem görünüm hem dayanım açısından önemlidir. Yüksek hat hızı, şeffaf veya yansıtıcı yüzey ve kusurların küçük olması manuel kontrolü zorlaştırır. Kamera ve kontrollü aydınlatma ile toplanan görüntülerde görüntü işleme, sınıflandırma veya anomali yerelleştirme kullanılabilir. Kusurun koordinatını göstermek, yalnızca parçayı reddetmekten daha değerlidir; tekrar eden kusur konumu belirli bir merdane, nozul veya taşıma temasına işaret edebilir.

Paylaşılan laboratuvar tipi cam anomali tespit sistemi çalışması, yalıtım camı yüzeyindeki kusurları bulmak ve konumlandırmak için görüntü işleme ile makine öğrenmesini birleştiren prototipin farklı test koşullarında yüksek hassasiyet, güvenilirlik ve hızlı tarama sağlayabildiğini bildirir. Cam verim iyileştirme çalışması ise tespiti yalnızca son kontrol olarak değil, üretim kaybını azaltacak süreç bilgisi olarak ele alır. Uygulamada kusur görüntüsü; fırın bölgesi sıcaklıkları, çekme hızı, kalınlık, kesim parametreleri ve hammadde bilgisiyle eşleştirildiğinde kök neden analizi güçlenir.

Cam hattında yanlış pozitiflerin önemli bir kaynağı ışık yansıması, toz, titreşim ve yüzey üzerindeki geçici izlerdir. Optik düzen, tetikleme ve temizlik standardı kararlı değilse daha karmaşık model sorunu çözmez. Kabul kriterleri ürün sınıfına göre değiştiği için model yalnızca kusur türünü değil boyut, konum ve şiddeti de raporlamalıdır.

Çelik ve Metal Üretiminde Anomali Tespiti

Çelik üretim hatlarında ağır yük, yüksek sıcaklık ve sürekli çalışma hem proses hem ekipman anomalilerini kritik hâle getirir. Paylaşılan TATA Steel staj raporunda bir üretim hattındaki bridle ekipmanları için motor akımı, titreşim ve ürün bilgisinin farklı sistemlerden bir araya getirilmesi ele alınır. Akım, mekanik yükü dolaylı olarak yansıtırken titreşim rulman, hizalama veya yapısal değişime duyarlı olabilir; ürün genişliği, uzunluğu ve mekanik özellikleri ise ekipmanın neden farklı yükte çalıştığını açıklar. Bu bağlam olmadan ağır bir ürün geçişi yanlışlıkla ekipman arızası sayılabilir.

Çelikte hedef çoğu zaman tek bir alarmdan arıza türünü kesin belirlemek değil, bakım ekibinin incelemesi gereken zaman aralığını daraltmaktır. PCA, Local Outlier Factor, One-Class SVM ve varyasyonel autoencoder gibi yöntemler çok değişkenli davranışı farklı açılardan modelleyebilir. Doğrulama için bakım iş emri, operatör notu, duruş kaydı ve değiştirilen parça bilgisi gereklidir. Aksi hâlde model anormal dönemi bulsa bile iş sonucu kanıtlanamaz.

Metal şekillendirmede görsel kalite problemi farklıdır. Gerçek üretim hattından sac görüntülerini kullanan evrişimli autoencoder çalışması, çatlak ve kırışıklık tespitinde yalnızca çoğunluk sınıfı olan normal görüntülerle öğrenmenin avantajını inceler. Model normal parçayı yeniden oluşturmayı öğrenir; kusurlu bölge yeniden oluşturma hatasında görünür hâle gelir. Bu yaklaşım, her olası kusurdan yüzlerce etiketli görüntü toplamanın zor olduğu hatlarda değerlidir. Yine de eşik, farklı sac rengi, yağlama görünümü ve parça geometrisi için ayrı doğrulanmalıdır.

Tekstil Üretiminde Anomali Tespiti

Tekstilde ip kopuğu, delik, leke, çizgi, düğüm, renk farkı, desen kayması ve dokuma bozukluğu gibi kusurlar sürekli yüzey üzerinde oluşur. Kamera çözünürlüğü kusurun fiziksel boyutuna, görüntüleme hızı ise kumaş veya halı akışına göre seçilmelidir. Yalnızca görüntüyü “normal/anormal” sınıflandırmak ayıklama için yeterli olabilir; onarım veya kök neden için kusurun piksel ya da bölge düzeyinde konumu gerekir.

Halı kalite kontrolüne ilişkin paylaşılan çalışma, güncel görsel anomali tespit yöntemlerini otomatik denetim bağlamında karşılaştırır. Tekstil için temel güçlük, normal yüzeyin zaten desen, renk, lif yönü ve doku açısından çok değişken olmasıdır. Bir model bir koleksiyonun motifini öğrenip başka bir koleksiyonun geçerli desenini anomali sayabilir. Bu nedenle test seti yalnızca aynı rulodan rastgele görüntüler içermemeli; farklı üretim zamanı, hammadde lotu, desen ve makine ayarlarını temsil etmelidir.

Uç cihaz üzerinde çalışan hafif görsel modeller, yüksek çözünürlüklü ham görüntüyü sürekli merkezi sisteme taşımadan hat yanında çıkarım yapabilir. Ancak performans yalnızca saniyedeki görüntü sayısıyla ölçülmemelidir. Kaçan kusur, metre başına yanlış alarm, kusur konum doğruluğu ve yeni desen devreye alma süresi birlikte izlenmelidir.

Seramik Üretiminde Anomali Tespiti

Seramik üretiminde yüzey çatlağı, gözenek, biçim bozukluğu, sır kusuru ve bileşim düzensizliği ürünün yalnızca görünümünü değil mekanik ve dielektrik performansını da etkileyebilir. Geleneksel görsel kontrol mikro kusurları kaçırabilir; ultrason ve X-ışını gibi yöntemler iç yapıyı gösterebilir ancak maliyet, hız ve hatta uyarlama açısından farklı kısıtlara sahiptir. Görüntü, ultrasonik yankı ve proses verisinin birlikte kullanılması bu nedenle önem kazanır.

Seramik isteğe bağlı ekstrüzyon sürecini inceleyen paylaşılan Procedia CIRP çalışmasında görüntüler ön işleme ve veri artırmadan geçirilmiş, derin evrişimli ağlarla birden fazla baskı kusurunun gerçek zamanlı belirlenmesi hedeflenmiştir. Çalışmanın üretim açısından güçlü yanı, denetimi bitmiş parçaya değil baskı sürecine yerleştirmesidir. Kusur katman oluşurken bulunursa macun akışı, ekstrüzyon veya kurutma parametresi parça tamamlanmadan değerlendirilebilir; böylece pahalı son işlemden önce müdahale şansı doğar.

Elektronik seramiklere ilişkin çok ölçekli LSTM-CNN çalışması, yüzey görüntüsünün yanında ultrasonik yankı ve dielektrik sabiti gibi zamansal sinyallerin önemini vurgular. Çatlak, iç gözenek ve bileşim düzensizliği farklı veri türlerinde farklı iz bırakabilir. Çok modlu modelin avantajı bu tamamlayıcı işaretleri birleştirmesidir; zorluğu ise sensörlerin zaman eşleşmesi, her modalitenin veri kalitesi ve eksik kanal durumunda sistemin nasıl davranacağının yönetilmesidir.

Elektronik Üretiminde Anomali Tespiti

Elektronik kart ve cihaz üretiminde bileşen eksikliği, yanlış yön, kayma, lehim köprüsü, yetersiz lehim, yüzey hasarı ve fonksiyon testi sapmaları çok küçük ölçekte gerçekleşebilir. Otomatik optik kontrol görüntü kusurunu bulurken elektriksel test, aynı kartın davranışsal sonucunu gösterir. İki veri kaynağının seri numarası ve istasyon zamanıyla eşleştirilmesi, görünür bir farklılığın gerçekten fonksiyon kaybına yol açıp açmadığını anlamayı kolaylaştırır.

Paylaşılan tüketici elektroniği güvenilirlik araştırması, derin sinir ağlarında yalnızca ortalama tespit performansına odaklanmanın yeterli olmadığını gösteren bir probleme dikkat çeker: Üretim koşulu değiştiğinde modelin güvenilirliği. Yeni ürün varyantı, farklı tedarikçi bileşeni, kamera veya ışık değişimi ve hat ayarı görüntü dağılımını değiştirebilir. Bu nedenle model; ürün ailesi ve istasyon bazında izlenmeli, bilinmeyen veya düşük güvenli örneği zorla normal ya da kusurlu sınıfına atamak yerine insan incelemesine gönderebilmelidir.

Elektronik üretiminde hata maliyeti süreç boyunca büyür. Erken istasyonda belirlenen yanlış yerleşim yalnızca kartın yeniden işlenmesini gerektirebilirken hat sonuna veya müşteriye kaçan kusur çok daha pahalıdır. Anomali sisteminin iş değeri bu nedenle yakaladığı kusur sayısından ziyade kusuru hangi aşamada yakaladığı ve kaçış maliyetini ne kadar azalttığıyla değerlendirilmelidir.

Yarı İletken Üretiminde Anomali Tespiti

Yarı iletken fabrikalarında bir wafer çok sayıda proses odasından, reçeteden ve ölçüm adımından geçer. Ekipman sensörleri yüksek boyutlu zaman serileri üretirken metroloji ve test verisi ürün sonucunu daha geç sağlar. Basit excursion limitleri belirgin sınır aşımını bulabilir; fakat tüm değerler kendi limitinde kalırken değişkenler arasındaki ilişkinin bozulduğu çok değişkenli anomalileri kaçırabilir.

MIT’de hazırlanan ve kullanıcı tarafından sağlanan çalışma; referans çevrimler, kümeleme ve zaman serisi tahminini yarı iletken üretimindeki otomatik anomali tespiti için ele alır. Bir ekipman çevriminin süresi, faz geçişleri ve sensör eğrileri normal wafer çevrimleriyle karşılaştırılabilir. Küme dışında kalan çevrimler mühendis incelemesine yönlendirilirken tahmin hatası belirli bir sensörün beklenen davranıştan ne zaman ayrıldığını gösterebilir.

Asıl güçlük nedenselliktir. Anormal ekipman çevrimi her zaman kusurlu wafer üretmez; kusurlu wafer da tek bir belirgin sensör sapmasına sahip olmayabilir. Chamber, reçete, bakım olayı, wafer lotu ve sonraki kalite sonucu ortak veri modelinde tutulmalıdır. Yeni proses düğümü veya reçete değişimi devreye girdiğinde “normal” dağılımın değişeceği baştan kabul edilmeli, eski model sessizce kullanılmaya devam edilmemelidir.

Gıda Üretiminde Anomali Tespiti

Gıdada anomali tespiti kalite tutarlılığı, proses verimliliği ve güvenlik açısından üç farklı rol üstlenir. Sıcaklık, pH, nem, basınç, akış, karıştırma süresi, dolum ağırlığı ve hat hızı prosesin normal aralığını tanımlar. RGB kameralar şekil, renk, boyut ve bazı yabancı maddeleri görebilir; ancak ürünle benzer renkteki kirletici veya bileşim farkı görünür spektrumda ayırt edilemeyebilir.

Paylaşılan hiperspektral gıda güvenliği veri çalışması, malzemeye özgü spektral bilgiyi kullanarak geleneksel görüntülemenin zorlandığı kirleticileri ele alır. Gıda sektöründe bilinmeyen kirleticiden yeterli eğitim örneği toplamak mümkün olmayabileceği için normal ürünün spektral dağılımını öğrenen anomali yöntemleri değerlidir. Sistem daha önce görmediği farklılığı aday olarak işaretleyebilir; fakat bunun tehlikeli kirletici, doğal ürün varyasyonu, nem veya yüzey etkisi olup olmadığı doğrulama yöntemiyle ayrılmalıdır.

Ürün sıcaklığı, tedarikçi, hasat dönemi ve nem gibi doğal değişkenlikler normal sınıfı genişletir. Model testinde yalnızca aynı günün üretimini kullanmak yapay biçimde yüksek performans verebilir. Farklı sezon, lot, ürün çeşidi ve temizlik sonrası koşullar test edilmelidir. Gıda güvenliği kararlarında anomali modeli HACCP kontrolleri ve doğrulanmış ölçüm yöntemlerinin yerini almamalı; ek bir erken uyarı ve önceliklendirme katmanı olarak kullanılmalıdır.

Ambalaj Üretiminde Anomali Tespiti

Ambalaj üretiminde anomali; ambalaj malzemesinin üretiminde veya dolum-paketleme hattında ortaya çıkabilir. Oluklu mukavva hattında nem, sıcaklık, hız ve yapıştırma davranışı; flekso baskıda renk, kayıt ve baskı basıncı; kesim makinelerinde konum ve kalıp davranışı; paketleme hattında ise dolum, kapak, etiket ve sızdırmazlık izlenir. Bu süreçler farklı sensör ve görüntü çözünürlükleri gerektirir.

Görsel sistem baskı kayması, eksik metin, leke, etiket konumu ve kapak varlığını kontrol edebilir. Basınç veya vakum eğrisi sızdırmazlık davranışını, ağırlık sensörü eksik ya da fazla dolumu, motor akımı ise kesim ve taşıma mekanizmasındaki yük değişimini gösterebilir. En yararlı model, bu sinyalleri ayrı alarmlar olarak sunmak yerine aynı ürün ve çevrim altında ilişkilendirir. Örneğin tekrarlayan sızdırmazlık sapmasının belirli film lotu, çene sıcaklığı ve hat hızıyla bağlantısı araştırılabilir.

Ambalajda yüksek hız nedeniyle karar gecikmesi doğrudan ayıklama mesafesini etkiler. Kamera görüntüsünün alınması, model çıkarımı ve fiziksel reddetme mekanizması aynı ürün kimliğiyle senkronize edilmelidir. Sistem anomaliyi doğru bulsa bile yanlış paketi ayırıyorsa operasyonel olarak başarısızdır. Bu nedenle model metriğine ek olarak tetikleme doğruluğu, ayırma başarısı ve hat hızındaki performans izlenmelidir.

Sektörel uygulamaları güçlendiren ortak ilkeler

Bu örneklerin ortak sonucu şudur: Sektör adı algoritmayı tek başına belirlemez. Aynı fabrikada ekipman sağlığı için yüksek frekanslı sensör modeli, yüzey kalitesi için görsel anomali tespiti ve parti süreci için çok değişkenli zaman serisi modeli birlikte çalışabilir. Doğru tasarım için şu sorular açıkça yanıtlanmalıdır:

• Anomali hangi fiziksel veya operasyonel mekanizma nedeniyle oluşur?
• İlk güvenilir işaret hangi sensör, görüntü veya kalite sonucunda görülür?
• Normal davranışı değiştiren ürün, lot, reçete, hız, vardiya ve çevre koşulları nelerdir?
• Alarmdan sonra ayırma, kontrol, bakım, numune veya proses düzeltme seçeneklerinden hangisi uygulanabilir?
• Yanlış alarmın ve kaçan anomalinin maliyeti nedir?
• Modelin değeri hurda, duruş, kaçış, enerji veya inceleme süresinde nasıl ölçülecektir?

Bu sorular cevaplanmadan kurulan sistem yalnızca sıra dışı veri üretir. Cevaplandığında ise sektör bilgisini ölçülebilir erken uyarıya dönüştüren bir üretim yetkinliği oluşur.

Gerçek Zamanlı Anomali Tespit Mimarisi

Gerçek zamanlı ifadesi her kullanımda aynı gecikmeyi anlatmaz. Yüksek hızlı görsel ayıklamada karar milisaniye veya saniye içinde verilmelidir. Yatak bozulmasını günler önceden bildiren kestirimci bakım uygulamasında birkaç dakikalık gecikme kabul edilebilir. Tasarım, “alarm ne kadar hızlı üretilebilir?” sorusundan önce “faydalı aksiyon için en geç ne zaman bilinmeli?” sorusuyla başlamalıdır.

Veri kaynağına yakın uç bilişim, görüntü ve yüksek frekanslı sensör verisini düşük gecikmeyle işleyebilir; ağ kesintisinde çalışmayı sürdürebilir ve ham verinin tamamını taşımayı gerektirmez. Merkezi sunucu veya bulut katmanı ise farklı hatların karşılaştırılması, uzun dönem saklama, model eğitimi ve filo düzeyinde izleme için uygundur. Birçok fabrikada en dengeli çözüm, çıkarımı uçta; eğitim, versiyonlama ve portföy analizini merkezi katmanda yapan hibrit mimaridir.

Anomali alarmı mevcut iş akışına bağlanmadıkça ekran üzerinde kalan bir işarettir. PLC ve SCADA proses bağlamını, MES ürün ve lot bilgisini, kalite yönetim sistemi kusur sonucunu, CMMS bakım emrini, ERP ise maliyet ve planlama etkisini taşır. Entegrasyon çift yönlü düşünülmelidir: Sistem bağlam almalı; doğrulanan olay, aksiyon ve sonuç bilgisi de modele geri dönmelidir. Güvenlik açısından ağ bölümlendirmesi, asgari yetki, kayıt tutma ve kontrollü model dağıtımı korunmalıdır.

IoT Anomali Tespiti

IoT anomali tespiti, üretim ekipmanları ve yardımcı tesislerden bağlı sensörler aracılığıyla gelen sürekli veri akışında beklenmeyen davranışları belirler. Titreşim, sıcaklık, akım, basınç, debi ve enerji verileri cihaz kimliği, makine modu ve zaman bilgisiyle birlikte değerlendirilir. Amaç yalnızca sıra dışı sensör değerini görmek değil; sensör arızasını, iletişim kesintisini ve gerçek proses sapmasını birbirinden ayırmaktır.

Endüstriyel IoT ortamında ağ kesintisi, paket kaybı, farklı örnekleme sıklıkları ve cihaz saati kayması model sonucunu etkileyebilir. Kritik çıkarım uç cihazda yapılırken uzun dönem karşılaştırma ve model eğitimi merkezi katmanda yürütülebilir. Cihaz sertifikası, veri şifreleme, ağ bölümlendirmesi ve model güncelleme yetkisi de IoT anomali tespitinin teknik mimarisine dâhil edilmelidir.

Üretimde Anomali Tespiti Nasıl Uygulanır?

1. Problemi ve iş değerini tanımlayın

“Fabrikadaki anomalileri bulmak” ölçülebilir bir hedef değildir. Belirli bir hattaki plansız motor duruşunu önceden görmek, bir yüzey kusurunun kaçış oranını azaltmak veya belirli ürün ailesinde çevrim sapmasını yakalamak gibi dar bir problem seçin. Başlangıç değeri olarak son dönem duruş, hurda, yeniden işleme, kontrol süresi veya enerji yoğunluğunu ölçün.

2. Hata modunu ve fiziksel mekanizmayı anlayın

Bakım, kalite, proses ve operatör ekipleriyle hata oluşumunu haritalayın. Hangi değişken önce etkilenir, kusur ne zaman görünür hâle gelir, hangi mod geçişleri normaldir, güvenli müdahale penceresi nedir? Bu bilgiler sensör seçimini ve etiketleme kuralını belirler. Fiziksel açıklaması olmayan korelasyonlara kritik karar emanet edilmemelidir.

3. Veri ve ölçüm sistemini denetleyin

Zaman damgalarının hizasını, örnekleme hızını, kalibrasyonu, eksik kayıtları, sensör aralığını ve bakım sonrası değişimleri inceleyin. Kusur kaydı ile sensör verisi aynı zaman çizgisinde eşleşmiyorsa model yanlış ilişki öğrenir. Gerekirse pilot öncesinde yeni sensör, aydınlatma, tetikleme veya veri tarihçesi yatırımı yapın.

4. Normal referansı ve etiketleri oluşturun

Normal kabul edilen dönemi yalnızca “alarm kaydı yok” varsayımıyla seçmeyin. Proses uzmanı, kalite sonucu ve bakım kaydıyla doğrulayın. Ürün, reçete ve makine modlarını ayırın. Bilinen arızaları olay başlangıcı, müdahale ve sonuçla birlikte etiketleyin; belirsiz örnekleri zorla normal veya anormal sınıfına sokmayın.

5. Basit bir başlangıç modeli kurun

Önce anlaşılır eşik, kontrol grafiği veya klasik modelle bir referans performansı oluşturun. Daha karmaşık modelin bu temele göre hangi kusuru daha erken yakaladığı, hangi yanlış alarmı azalttığı veya hangi ürün çeşitliliğine uyum sağladığı gösterilebilmelidir. Eğitim ve test verisini rastgele karıştırmak yerine zaman, lot veya hat bazında ayırmak gerçek kullanım koşulunu daha iyi temsil eder.

6. Gölge modunda doğrulayın

Modeli doğrudan makineyi durduracak şekilde devreye almak yerine bir süre yalnızca öneri üreten gölge modunda çalıştırın. Operatörler alarmları gerçek olay, normal varyasyon, veri sorunu veya bilinmeyen durum olarak işaretlesin. Farklı vardiya, ürün, hız ve çevre koşullarındaki performansı görün. Alarm kümelerini tek olay altında birleştirerek uyarı yorgunluğunu ölçün.

7. Alarm ve aksiyon matrisini tanımlayın

Düşük riskli sapma izlemeye, orta riskli sapma kontrol veya numuneye, yüksek riskli ve doğrulanmış olay ise güvenli duruş ya da karantinaya gidebilir. Her seviye için sorumlu rol, yanıt süresi, gösterilecek kanıt ve kayıt alanı belirlenmelidir. Model puanı tek başına güvenlik kritik otomatik aksiyon için yeterli görülmemelidir.

8. İzleyin, yeniden eğitin ve ölçekleyin

Veri dağılımı, yanlış alarm, yakalama oranı ve iş KPI’ları düzenli izlenmelidir. Yeni reçete, ekipman revizyonu, sensör değişimi veya bakım modelin normal tanımını değiştirebilir. Model sürümü, eğitim verisi, eşik ve onay kaydı izlenebilir olmalıdır. Pilot ancak tekrarlanabilir değer ve sahiplik gösterdiğinde diğer hatlara taşınmalıdır; her hatta aynı eşiğin çalışacağı varsayılmamalıdır.

Başarı Nasıl Ölçülür?

Anomaliler nadir olduğu için yalnızca doğruluk oranı yanıltıcıdır. Verilerin yüzde 99’u normalse her örneğe “normal” diyen işe yaramaz bir model yüzde 99 doğruluk gösterebilir. Bu nedenle teknik ve operasyonel metrikler birlikte raporlanmalıdır.

• Precision: Üretilen alarmların ne kadarının gerçekten önemli olay olduğunu gösterir; düşük değer alarm yorgunluğu yaratır.
• Recall: Gerçek olayların ne kadarının yakalandığını gösterir; güvenlik veya pahalı kusurlarda kaçırma maliyeti yüksek olabilir.
• F1 skoru: Precision ile recall arasındaki dengeyi tek değerde özetler; iş maliyeti yerine geçmez.
• Yanlış alarm oranı: Hat, vardiya veya çalışma saati başına gereksiz uyarı yükünü ölçer.
• Erken uyarı süresi: Alarm ile doğrulanan arıza veya kusur arasındaki kullanılabilir müdahale penceresidir.
• Kaçan kusur oranı: Modelin normal dediği hâlde sonraki kontrolde kusurlu çıkan ürünlerin oranıdır.
• Operasyonel etki: Plansız duruş, MTBF, MTTR, hurda, yeniden işleme, ilk seferde doğru üretim, OEE ve enerji yoğunluğundaki değişimdir.

Eşik seçimi matematiksel bir optimizasyondan çok maliyet kararıdır. Yanlış alarmın kontrol maliyeti ile kaçan arıza veya kusurun maliyeti karşılaştırılmalıdır. Farklı ürün ve risk sınıfları için farklı eşikler gerekebilir. Performans yalnızca laboratuvar testinde değil, üretim akışında ve zaman içinde ölçülmelidir.

Zorluklar ve Çözüm İlkeleri

Nadir ve dengesiz kusur verisi

İyi çalışan fabrikalarda kusur azdır; bu olumlu durum model eğitimi için veri kıtlığı yaratır. Üstelik yeni kusur türleri geçmiş veri setinde bulunmaz. Normal örneklerle çalışan tek sınıflı yöntemler, veri artırma, kontrollü deneyler ve benzer makineler arasında öğrenme seçenekleri değerlendirilebilir. Sentetik veri gerçek fiziksel çeşitliliğin yerine geçmez; mutlaka gerçek örneklerle doğrulanmalıdır.

Kavram ve veri kayması

Takım aşınması, mevsim, tedarikçi, reçete, hız veya yazılım değişimi normal davranışı zamanla değiştirir. Model güncellenmezse eski normali koruyup yeni normal koşullara alarm verir; kontrolsüz güncellenirse gelişen arızayı normal kabul edebilir. Bu yüzden değişiklik takvimi, performans izleme, insan onayı ve güvenli geri dönüş planı birlikte tasarlanmalıdır.

Hatlar ve tesisler arası genelleme

Aynı modeldeki iki makinenin sensör yerleşimi, bakım yaşı veya operatör kullanımı farklı olabilir. Bir hatta yüksek başarı gösteren model diğerine doğrudan taşındığında performans kaybedebilir. Ortak özellik tanımı ve model şablonu yeniden kullanılabilir; ancak yerel referans, kalibrasyon ve kabul testi korunmalıdır.

Açıklanabilirlik ve güven

“Anomali puanı 0,87” operatör için tek başına anlamlı değildir. Hangi sensörlerin değiştiği, değişimin ne zaman başladığı, benzer geçmiş olay, ilgili ürün veya ekipman ve önerilen kontrol adımı gösterilmelidir. Operatör geri bildirimi kolay toplanmalı; modelin reddedilen ve doğrulanan alarmlardan öğrenme süreci yönetilmelidir.

Yönetişim, güvenlik ve insan denetimi

Model sahibi, proses sahibi, veri sahibi ve alarmı yönetecek ekip açıkça tanımlanmalıdır. Eğitim verisi, model sürümü, eşik değişikliği ve karar kaydı denetlenebilir olmalıdır. Operasyon teknolojisi ağına eklenecek bileşenler siber güvenlik ve iş sürekliliği gereksinimlerini karşılamalıdır. Güvenlik kritik süreçlerde insan onayı, fiziksel emniyet katmanları ve mevcut kontrol sistemleri yapay zekadan bağımsız korunmalıdır.

Üretimde Anomali Tespitinin Geleceği

Gelecek, tek veri türüne bakan modellerden çok modlu sistemlere doğru ilerliyor. Görüntü, titreşim, ses, proses parametresi ve bakım metni aynı olay bağlamında birleştirildiğinde sistem yalnızca “sapma var” demekle kalmayıp olası nedeni ve etkilenen kalite özelliğini daha iyi açıklayabilir. Büyük modeller, bakım notlarını ve teknik belgeleri özetlemede destek olabilir; ancak sayısal alarmın kaynağı ve güven seviyesi ayrı tutulmalıdır.

Uç cihazlarda çalışan daha küçük modeller, yüksek hızlı hatlarda düşük gecikme ve veri gizliliği sağlayacaktır. Kendinden gözetimli öğrenme, çok sayıda etiketsiz normal üretim örneğinden temsil öğrenerek etiket darboğazını azaltabilir. Dijital ikiz ve fizik bilgili modeller ise veri korelasyonunu süreç kısıtlarıyla birleştirerek daha açıklanabilir uyarılar üretebilir.

Bununla birlikte teknolojik gelişme temel başarı koşullarını değiştirmiyor: doğru problem, güvenilir ölçüm, proses uzmanlığı, net aksiyon ve sürekli izleme. Üretimde anomali tespiti bir defalık model projesi değil; veri, insan ve operasyon arasında yaşayan bir erken uyarı yetkinliğidir.

Sık Sorulan Sorular

Üretimde anomali tespiti nedir?

Üretimde anomali tespiti; makine, süreç, enerji, görüntü ve kalite verilerinde normal çalışma düzeninden anlamlı biçimde ayrılan olayları belirleme sürecidir. Amaç kusuru, arızayı veya verimsizliği mümkün olduğunca erken fark ederek doğru operasyonel aksiyonu başlatmaktır.

Anomali tespiti ile kestirimci bakım arasındaki fark nedir?

Anomali tespiti normalden sapmayı bulur; kestirimci bakım ise bu sinyali arıza olasılığı, kalan faydalı ömür ve bakım zamanlamasıyla ilişkilendirir. Anomali tespiti kestirimci bakımın önemli bir girdisidir ancak tek başına bakım kararı değildir.

Üretimde anomali tespiti için hangi veriler kullanılır?

Titreşim, sıcaklık, basınç, akım, voltaj, debi, tork, ses, görüntü, çevrim süresi, reçete, lot, operatör, ortam ve kalite ölçümleri birlikte kullanılabilir. Veri seçimi, çözülmek istenen hata modu ve üretim bağlamına göre yapılır.

Etiketli kusur verisi olmadan anomali tespiti yapılabilir mi?

Evet. Gözetimsiz ve tek sınıflı yöntemler normal üretim örneklerinden bir referans öğrenerek bu düzenden ayrılan yeni örnekleri işaretleyebilir. Sonuçların proses uzmanları tarafından doğrulanması ve eşiklerin gerçek üretim verisiyle ayarlanması gerekir.

Üretimde anomali tespiti gerçek zamanlı çalışır mı?

Uygun sensör, ağ, veri işleme ve karar altyapısı kurulduğunda sistem çevrim içinde veya gerçeğe yakın zamanlı çalışabilir. Gecikme hedefi, hat hızı ile yapılacak aksiyonun süresine göre belirlenir.

Başarı hangi metriklerle ölçülür?

Precision, recall, F1 ve yanlış alarm oranının yanında erken uyarı süresi, kaçan kusur oranı, plansız duruş, hurda, yeniden işleme, ilk seferde doğru üretim ve toplam ekipman etkinliği gibi operasyonel göstergeler birlikte izlenmelidir.

Anomali tespit sistemi operatörün yerini alır mı?

Hayır. Sistem sürekli veriyi tarar ve öncelikli olayları görünür kılar; proses uzmanı ise bağlamı değerlendirir, kök nedeni doğrular ve güvenli aksiyona karar verir. En iyi sonuç insan ile modelin birlikte çalıştığı düzende elde edilir.

Bir pilot proje ne kadar geniş tutulmalıdır?

Pilot; tek bir hat, ekipman ailesi veya açıkça tanımlanmış hata modu ile sınırlandırılmalıdır. Ölçülebilir bir başlangıç değeri, doğrulanabilir veri, sorumlu ekip ve alarm sonrası aksiyon tanımlanmadan kapsam büyütülmemelidir.

Kaynaklar

Bu yazı hazırlanırken aşağıdaki akademik çalışmalar, araştırma raporları ve üretim uygulaması incelemelerindeki teknik bulgular değerlendirilmiştir. Kaynak sayfalardaki ürün tanıtımları, kod örnekleri ve çağrı metinleri içeriğe alınmamıştır.

• Anomaly detection for drug product manufacturing considering data limitations and shifts
• Anomaly Detection for Industrial Applications, Its Challenges, Solutions, and Future Directions: A Review
• Enhanced Anomaly Detection in Automotive Systems Using SAAD
• Anomaly detection for yield improvement in glass production
• Development of a Laboratory Type Glass Anomaly Detection System
• Anomaly detection in formed sheet metals using convolutional autoencoders
• Textile Anomaly Detection: Evaluation of the State-of-the-Art for Automated Quality Inspection of Carpet
• Real-time Defect Detection in Ceramic Additive Manufacturing Using Deep Convolutional Neural Networks
• Anomaly detection of electronic ceramics based on multiscale LSTM-CNN
• Anomaly Detection Reliability in Consumer Electronics Manufacturing
• Machine learning for automated anomaly detection in semiconductor manufacturing
• Anomaly detection with hyperspectral imaging for food safety inspection
• Dual-Mode Deep Anomaly Detection for Medical Manufacturing: Structural Similarity and Feature Distance
• BatteryGPT: Battery Anomaly Detection Based on Multimodal Large Language Model
• Wenxin Chen, Vrije Universiteit Amsterdam - Anomaly Detection in Steel Production Lines, Business Analytics Internship Report, Ocak 2023
• Anomaly detection use cases and benefits in manufacturing
• Anomaly Detection in Manufacturing: A Practical Guide