Geri Dön

Endüstri 4.0 çerçevesinde kestirimci imalat teknolojileri

Predictive manufacturing technologies in industry 4.0 framework

PDF İndir

  1. Tez No: 556920
  2. Yazar: KADİR TOLGA BAYER
  3. Danışmanlar: DOÇ. DR. TURGUT GÜLMEZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Malzeme ve İmalat Bilim Dalı
  13. Sayfa Sayısı: 73

Özet

Geçtiğimiz yüzyılın başından itibaren bilimsel, teknolojik ve ekonomik değişimler birçok farklı alanda olduğu gibi üretim süreçleri ve mekanizmalarında da devrimsel dönüşümlere yol açmıştır. Bu dönüşümler; yükselen ürün adedi talebinin fabrikalarda mümkün olduğunca yüksek hacimle karşılanmasını, ardından gelen kalite isteğinin üretimin daha standardize ve otomatize edilmesi gereğini ve ilerleyen dönemde de tüketiciye bağlı özelleşmiş ürün talebinin en kısa sürede sağlanması hedefini doğurmuştur. Tüm bu değişimlerin üretim teknolojilerini ne şekilde belirlediğini ele almak için kavramsallaştırılan Endüstri 4.0, otomatize edilmiş tüm üretim süreçlerinden elde edilen verilerin analizi sonucu oluşturulan 'karar' ile bu üretim süreçlerinin yönetiminin sağlandığı bir konsepttir. Bu şekilde bir fabrika ortamında zeka (karar alma) gerektirecek tüm süreçlerin bu mantık doğrultusunda ele alınması durumunda fabrika işleyişinin önemli bir bölümünün insana gerek duymayacak yapay zeka uygulamalarıyla kendi kendine idare edilmesi mümkün hale gelebilecektir. Üretim süreçlerindeki teknolojik gelişmelere bağlı yaşanan bu değişimleri sınıflayacak olursak Endüstri 1.0 18.yüzyılda geleneksel kas gücünün (insan ve hayvan) yerini buharlı makinelerin alması, Endüstri 2.0 19.yüzyılın sonunda elektrik enerjisinin tüm makinelerin ana enerji kaynağı haline gelmesi ve bu şekilde seri üretim koşullarının yaygınlaşabilmesinin önünün açılması, Endüstri 3.0 1970'li yıllardan itibaren bilgisayar ve transistor teknolojisinin ortaya çıkışıyla ilk otomatik kontrollü sistemlerin makine ve üretim proseslerine dahil edilmesi olarak özetlenebilir. Endüstri 4.0 ile tüm fabrika süreçlerine yeni giren temel başlıklar; Nesnelerin İnterneti, Katmanlı İmalat, Makine Öğrenmesi ve Siber-fiziksel sistemler kestirimci bakım olarak ele alınabilir. Makine öğrenmesi kavramı ise esasında ilk kez Endüstri 4.0 ile birlikte ortaya çıkmış ve bu kavramın kalbinde yer alan bir konsepttir. Tüm üretim çıktısını istatistiki anlamda analiz eden ve nümerik yöntemlerle veriler üzerinden genel bir algoritma geliştirebilen, ve bu algortimanın zaman içinde gelen verinin çoğalması ile daha doğru bir noktaya evrilmesi sayesinde insandan bağımsız algoritmik kurallarla kararlar üretebilen sistemlerin bu genel işleyişi Makine Öğrenmesi olarak tanımlanmaktadır. Yapay zeka sistemlerinin de temelinde yer alan bu kavram ile üretim süreçleri kendi kendine kararlar alıp uygulayabilen bir noktaya doğru ilerlemektedir. Tüm bu Endüstri 4.0 teknolojilerinin üretim süreçlerinde nasıl yer alıp ne gibi faydalar sağlayacağını değerlendirmek için imalat ve bakım süreçlerindeki temel parametreleri incelemek gerekecektir. Bakım maliyetleri tüm üretim maliyetlerinin önemli bir parçasını oluşturduğu için bu süreçlerin mühendisliği ve doğru yönetimi önem arz eder. Bir bakım organizasyonun en temel yaklaşımı en düşük maliyetle ve en yüksek kalitede optimum güvenlik seviyesinde maksimum üretimin yapılabilirliğini sağlamak olup genel bakım yaklaşımları arıza bakımı, önleyici bakım ve kestirimci bakım şeklindedir. En genel ifadeyle arıza bakımı makinelere arıza veya hasar sonrası müdahale ederek gerçekleştirilirken, önleyici bakım belli makine parçalarının hasar veya arıza beklenmeden periyodik bakımını ifade eder. Böylece üretim kontrol altına alınarak plan dışı duruşların önüne geçilebilir. Ancak yine de arıza ya da hasar olmadığı halde uygulanan bu bakım süreci gereksiz maliyetler oluşturabilmektedir. Bu sebeple ortaya konulan kestirimci bakım kavramı, makine ve sistemlerin arıza veya hasara uğrama ihtimalini önceden fiziksel olarak tespit ederek gerekli bakım işleminin en doğru zamanda ve doğru türde gerçekleştirilmesini sağlar. Bu açıdan veriye bağlı olarak hareket edildiği için periyodik bakımdan ayrışır ve gereksiz makine duruş maliyetlerinin önüne geçilmiş olur. Benzer mantık ile ortaya konulan kestirimci imalat anlayışı da gelişen üretim teknolojisi doğrultusunda değişen hedeflere uyumluluk için proses verimliliği, ürün kalitesi, üretilen ürün miktarı, tüketilen enerji miktarı, makine duruş süreleri gibi nihai üretim çıktılarının geliştirilmesi amacıyla üretim esnasında gerçek zamanlı veriler sunarak üretim, kalite, satış ve proje mühendisliği ekiplerinin kendi iç süreçlerini daha verimli hale getirmesini sağlar. Bu tez çalışmasında bakım ve imalat süreçlerinin mühendisliğinde önemli bir yer tutan kestirimci yaklaşımın, alternatiflerine karşı olan üstünlüğü göz önüne alınarak Endüstri 4.0 uygulamaları ile birlikte ele alındığında sağladığı faydalar incelenecek ve bir kağıt fabrikasında gerçekleştirilen çalışma ile bu faydalar doğrulanacaktır. Kestirimci imalat yaklaşımının Endüstri 4.0 ile birlikte ele alınabileceği teknoloji makine öğrenmesi ve yapay zeka uygulamalarıdır. Bu teknoloji ile üretim sahasından elde edilen verilerin analiz edilmesi ile belli kararlar alınabilir ve bu kararlar kestirimci bir yaklaşım doğrultusunda tüm üretim parametrelerinin gözden geçirilerek iyileştirilmesi ve geliştirilmesi amacıyla kullanılabilir. Böylece nihai üretim hedeflerine herhangi bir olumsuz durumu önceden öngörerek o durumu yaşamadan ulaşılabilir. Bu çalışmada bir kağıt fabrikasında dakikada yaklaşık 1,3 km hızla bir hadde hattında üretilen ürün uygulaması ele alınmıştır. Buna göre tüm ürün yüzeyinin 550 mikron hassasiyet ile yüzey muayenesi gerçekleştirilmiş ve hattın çeşitli bölgelerine yerleştirilmiş görüntü işleme sistemleri ile kopma takibi yapılmıştır. Yüzey muayene işlemi iki temel aşamadan oluşur. Bunlar deteksiyon (hata yakalama) ve sınıflandırmadır. Deteksiyon işleminde ürün yüzeyinin ortalama grilik değerinden sapan bölgeleri tespit edilerek hata olarak tanımlanır. Yüzey grilik değeri her bir piksele ait siyah-beyaz skalasındaki bir değer olup minimum 0 (siyah), maksimum 255 (beyaz) olabilmektedir. Hatasız bir malzemenin grilik değer grafiği ortalama bir değer civarında oluşurken malzeme yüzeyinde delik, hamur, pislik, yabancı cisim, yırtık gibi hataların varlığı durumunda bu grafikte ilgili bölgelerdeki piksellerin grilik değerleri sapacak ve oluşturulacak eşik ayarı ile bu hataların tespiti mümkün olacaktır. Burada dikkat edilmesi gereken husus malzeme yüzeyi pürüzsüz ve homojen olmayan (gürültülü) ürünlerde ortalama grilik değeri grafik üzerinde standart sapması daha yüksek olacak şekilde bir değer etrafında salınacağı için hata yakalamak için uygulanan eşik değerlerinin doğru ayarlanması gerekliliğidir. Aksi takdirde normal malzeme yüzeyi hata olarak tespit edilebilir. Sınıflandırma işlemi, yüzey muayene sistemlerinin kestirimci imalat anlayışına ve Endüstri 4.0 teknolojilerine bir örnek teşkil etmesini sağlayan esas unsurdur. Sınıflandırma işleminde başarılı bir deteksiyon sonrasında yakalanan hataların üretim ve kalite ekibine yorumlanabilir, kullanışlı bilgiler sunabilmesi için kullanıcının belirlediği hata sınıflarına göre ayrıştırılması gerekir. Sistemin kendi kendine gerçekleştirdiği bu sınıflandırma işlemi bir Endüstri 4.0 teknolojisi olan 'Makine Öğrenmesi' kullanımı ile sağlanır. Buna göre sistem kendisine öğretilen her hata tipindeki örnekler üzerinden bu örneklere ait tüm karakteristik parametreleri değerlendirip bir sınıf kuralı yaratarak bundan sonra gelecek hataları bu sınıflardaki hatalara benzerliği oranınca ayrıştırır ve ilgili hata gruplarına sınıflar. Buradaki işleyişte en önemli nokta sistemin kendisine tanıtılan her numuneyi o hata sınıfı için kabul etmeyebileceğidir. İşlem, yakalanan hatanın boyut, oran, biçim gibi tüm fiziksel parametreleri değerlendirilerek yapıldığı için birbirine benzeyen hataların aynı grupta yer alması sağlanır. Dolayısıyla sistem sadece kullanıcının hata sınıflarına numune ataması şeklinde değil kendi kendine öğrenerek gelişir. Bu süreç bu açıdan bir çocuğun etrafındaki varlıkları tanıma ve onları ayırt edebilme yetisini kazanabilmesi ile birebir aynıdır. Bu çalışmada gerçekleştirilen iteratif uygulama ile sistemin yüzde 90'dan yüksek bir doğruluk oranı ile hataları sınıflayabildiği tespit edilmiş ve sonuçları sunulmuştur. Böylece bu sistemin kurulumu ile oluşturulan karar mekanizması, makine öğrenmesinin yüksek bir oranda insan kararlarıyla eşleşebildiğini göstermiştir. Kopma takibi uygulaması ile hattın belirli bölgelerine koyulan kamera sistemleri ile bir kopma anının hat boyunca gelişim süreci ele alınmış ve kopmaya sebep olan hatanın üretim hattının başında hangi sebepten oluştuğu belirlenmiştir. Kopma takibi sistemi aynı zamanda yüzey muayene sistemiyle entegre çalışarak kopmaya sebep olan hatanın, sınıfıyla birlikte yüzey muayene sisteminde anlık olarak görülebilmesini sağlamaktadır. Böylece üretim ekibi kopmaya sebep olacak kritik hata sınıflarını bir alarm mekanizması ile yüzey muayene sisteminden anlık olarak elde ederek kopma gerçekleşmeden üretime müdahale etme imkanına sahip olmuştur. Sonuç olarak gerçekleştirilen bu çalışma ile yüzey muayene sistemlerinin, anlık %100 kalite kontrol yapabilme faydasına ek olarak esas, elde edilen sonuçlar üzerinden üretime anlık olarak müdahale edebilme imkanı sunduğu ve bu şekilde üretimin geliştirilebildiği, üretim kaybının ciddi oranda azaldığı görülmüştür. Bu şekilde herhangi bir insan zekasına, öngörüsüne veya tecrübesine ihtiyaç duymadan bu sistemlerin işaret ettiği yönde alınan kararlarla üretim kayıplarının önüne geçilmesi ve mevcut makine hattının geliştirilmesi sağlanabilecektir.

Özet (Çeviri)

Since the beginning of the last century, scientific, technological and economic changes have led to revolutionary transformations in the production processes and mechanisms as well as in many different fields. These transformations have led to various targets; the aim of meeting the demand for rising products in factories with as high volume as possible, to target the standardization and automation of production due to the subsequent quality demand, and in the forthcoming period to supply the demand for customized products in the shortest period of time. Industry 4.0, which is conceptualized to address the way in which all these changes determine production technologies, is a concept in which these production processes are managed by the decision made as a result of analysis of the data obtained from all automated production processes. In this way, if all processes that require intelligence (decision-making) in a factory environment are dealt with in the light of this logic, it will be possible to manage a significant part of the factory operation by means of artificial intelligence applications that will not need man. If we classify these changes due to the technological developments in the production processes; Industry 1.0 can be summarized as the acquisition of steam engines, replacing the traditional muscle power (human and animal) in the 18th century, Industry 2.0 can be summarized as the fact that electrical energy became the main energy source of all machines at the end of the 19th century and thus, paving the way for the spread of mass production conditions, and Industry 3.0 can be summarized as the introduction of computer and transistor technology from the 1970s to the incorporation of the first automated control systems into the machinery and production processes. Industry 4.0 introduces new basic concepts to all factory processes can be considered as; Internet of Things, Additive Manufacturing, Machine Learning, and Cyber-physical systems. The Internet of Things will enable each system to communicate with each other, to take common decisions and to manage each other through the processing and analysis of the data collected on each important point of production processes. The concept of additive manufacturing is the idea of providing a single process with the new technology that develops the entire design and manufacturing process from the first concept design that the product life process is started to the last point that the product was produced and delivered to the customer. Accordingly, the three-dimensional printing, which have emerged with the development of stereolithography systems that have been used since the past, and which are used in many different applications today, are examples of such Additive Manufacturing applications. The most important benefit of these systems is that various designs can be quickly and easily transformed into a physical real product that may require very different processing in conventional manufacturing methods. Cyber-physical systems are computer software that enables all production processes to be modeled and simulated in advance, so that production and factory management can design their own processes by better predicting the future. The concept of machine learning is, in fact, first emerged with Industry 4.0 and is at the heart of this concept. This general functioning of the systems which can analyze all production output in a statistical sense and develop a general algorithm by means of numerical methods and which can make decisions with the algorithmic rules independent from the human by the evolving of this data to a more accurate point with the proliferation of the data coming over time is defined as Machine Learning. With this concept, which is at the base of artificial intelligence systems, production processes are moving towards a point which can make decisions and implement by themselves. It will be necessary to examine the basic parameters of manufacturing and maintenance processes in order to evaluate the benefits of all these Industry 4.0 technologies in production processes. Since maintenance costs constitute an important part of all production costs, engineering and proper management of these processes are important. The most basic approach of a maintenance organization is to ensure the maximum production feasibility at the lowest cost, the highest quality and at the optimum safety level, and the general maintenance approaches are breakdown maintenance, preventive maintenance and predictive maintenance. In general, breakdown maintenance is performed by machines after failure or damage, while preventive maintenance refers to periodic maintenance of certain machine parts without waiting for damage or failure. In this way, production can be controlled and off-plan stops can be prevented. However, this maintenance process, which is applied even when there is no fault or damage, can create unnecessary costs. For this reason, the concept of predictive maintenance ensures that the necessary maintenance is performed at the right time and at the right time by physically detecting the possibility of failure of the machines and systems in advance. In this respect, due to the decision based on the data , it differs from periodical maintenance and unnecessary machine stop costs are avoided. To adapt to changing targets in line with evolving manufacturing technology, the concept of Predictive Manufacturing with similar logic ensures sales and project engineering teams to make their internal processes more efficient by providing real-time data during production in order to develop final production outputs such as process efficiency, product quality, product quantity, consumed amount of energy, machine downtime. In this thesis, the benefits of the predictive approach, which takes an important place in the engineering of maintenance and manufacturing processes, in consideration of its superiority against alternatives, will be examined with the benefits of the Industry 4.0 applications and these benefits will be verified with the work carried out in a paper factory. The technology in which the predictive manufacturing approach can be considered in conjunction with Industry 4.0 is machine learning and artificial intelligence applications. With this technology, certain decisions can be made by analyzing the data obtained from the production site and these decisions can be used for the purpose of improving all production parameters in accordance with a predictive approach. Thus, the final production targets can be reached by anticipating the possible negative situations, without encountering them. In this study, product application which is produced in a paper mill at a speed of about 1,3 km per minute is discussed. According to this, surface inspection of the entire product surface with a resolution of 550 microns was performed and the web breaks was monitorized and followed by image processing systems placed in various regions of the line. Surface inspection consists of two basic stages. These are detection and classification. In the detection process, the deviating regions from the average gray value of the product surface are determined by error. The surface gray value is the value defined for each pixel in the black-and-white scale, with a minimum of 0 (black) and a maximum of 255 (white). While the gray value graph of a homogeneous material is formed around an average value, in the presence of defects such as holes, dough, dirt, foreign body, tears on the material surface, the gray values of the pixels in the related regions will deviate and it will be possible to detect these errors with the threshold setting to be formed. It should be noted here that in smooth and non-homogeneous (noisy) products, the average gray value will be swung around a value with a high standard deviation on the graph, so that the threshold values applied to catch the error should be set correctly. Otherwise, the normal material surface can be detected as an error. The classification process is the essential element that enables surface inspection systems to set an example for the concept of predictive manufacturing and Industry 4.0 technologies. In the classification process, after a successful detection, in order the detected defects to be able to provide interpretable and useful information to the production and quality team, they must be separated according to the user-defined defect classes. This self-performed classification process is achieved by the use of 'Machine Learning', an Industry 4.0 technology. According to this, the system evaluates all the characteristic parameters of each of these defect types which have been teached to the system before, and then creates a class rule and then seperates the future defects by the similarity to the defects in these classes and classifies them into the related defect groups. The most important point in operation here is that the system may not accept every sample introduced to it for that defect class. Since the process is performed by evaluating all physical parameters such as size, ratio and format of the detected defect, it is ensured that defects similar to each other are included in the same group. Thus, the system is not only improved by a sample assignment to the user's defect classes, but also by self-learning. This process is exactly the same as the ability of a child to recognize and distinguish the beings around them. In this study, it was determined that the system can classify the defects with an accuracy rate of more than 90 percent with the iterative application performed and the results are presented. Thus, the decision mechanism established by the installation of this system has shown that machine learning can match human decisions with a high rate. With the application of web break tracking, the process of development of a break moment along the production line with the camera systems put into certain parts of the line has been taken into consideration and the root cause of the defect that caused the break is determined by analyzing product's history at the beginning of the production line. The break monitoring system also works in conjunction with the surface inspection system, allowing the break defect to be seen instantly in the surface inspection system together with its class. Thus, the production team was able to obtain critical error classes instantly from the surface inspection system with an alarm mechanism which would cause breakage and thus had the opportunity to intervene in production before any occured break. As a result of this study, it has been seen that the surface inspection systems offer the opportunity to intervene instantaneously on the basis of the results obtained, in addition to the instant 100% quality control, and in this way the production can be improved and the production loss decreased significantly. In this way, without the need for any human intelligence, foresight or experience, decisions taken in the direction indicated by these systems will prevent production losses and provide productivity improvements of the production line.

Benzer Tezler

  1. Tez No

    578258

    Endüstri 4.0 çerçevesinde inovasyon ve teknoloji temelli büyüme

    Innovation and technology-based growth in the framework of industry 4.0

    TUĞBA GÜNGÖR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Ekonomiİstanbul Üniversitesi

    İktisat Politikası Ana Bilim Dalı

    DOÇ. DR. HALİL TUNALI

  2. Tez No

    833076

    Uç bilişim ile LSTM tabanlı arıza tespiti

    LSTM based fault detecti̇on wi̇th edge computi̇ng

    MERT KIŞLAKÇI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mekatronik MühendisliğiTokat Gaziosmanpaşa Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MAHMUT DURGUN

  3. Tez No

    872229

    The impact of patents on the economic growth of OECD countries within the framework of Industry 4.0

    Endüstri 4.0 çerçevesinde patentlerin OECD ülkelerinin ekonomik büyümesine etkisi

    GAMZE ÇALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    EkonomiAnkara Yıldırım Beyazıt Üniversitesi

    İktisat (İngilizce) Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED ŞEHİD GÖRÜŞ

  4. Tez No

    814517

    Endüstri 4.0 çerçevesinde yaratıcılık ve tasarım kavramının pazarlamaya yansımaları

    Reflections of the concept of creativity and design on marketing within the framework of industry 4.0

    MERVE ERTEM

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    İşletmeGiresun Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. BAYRAM KAYA

  5. Tez No

    485400

    Endüstri 4.0 ve tarım 4.0 çerçevesinde Türkiye ekonomisinin büyümesinde imalat sanayi ve tarım sektörünün geleceği

    The future of the manufacturing industry and the agricultural sector in the growth of the Turkish economy on the industry 4.0 and agriculture 4.0 framework

    İLHAN ERDEM

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    EkonomiNuh Naci Yazgan Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. EMİNE KILAVUZ

Geri Dön