Yapay zeka ile üretimde OEE kayıplarını bulma ve azaltma

OEE iyileştirmede yapay zekanın yeri

OEE (Genel Ekipman Etkinliği), bir makinenin ya da hattın planlanan üretim süresini ne kadar verimli kullandığını gösteren ölçüdür. Üç bileşenin çarpımıdır: kullanılabilirlik (makine çalışması gereken zamanda çalıştı mı), performans (hedef hızda mı çalıştı) ve kalite (üretilenin ne kadarı ilk seferde doğru). Sayının kendisi bir durumu söyler; iyileştirme, sayının arkasındaki kayıp nedenlerini bulmaktan geçer.

Yapay zeka, bu kayıp nedenlerini bulma işini hızlandırır. Makine sensörleri, MES ve ERP kayıtları, operatör notları ve kalite sonuçları çok büyük bir veri yığını üretir. İnsan analist bu yığının küçük bir bölümünü inceleyebilir. Yapay zeka ise duruşları sınıflandırır, tekrarlayan örüntüleri bulur ve kayıpları önceliklendirir. Ancak yapay zeka yöntemi değil, destekleyici bir araçtır: OEE'nin tanımı, kayıp sınıflaması ve iyileştirme kararları üretim ve bakım ekibinin sorumluluğundadır.

Veri temeli: OEE'yi güvenilir hesaplamak

Yapay zekadan önce ölçümün güvenilir olması gerekir. Yanlış hesaplanan OEE üzerinde yapılan analiz, yanlış sonuç üretir.

• Zaman modelini netleştirin: Planlı duruşlar (vardiya arası, planlı bakım) ve plansız duruşlar hangi kurallarla ayrılıyor? Her tesis bunu aynı kurala bağlamalı ki hatlar karşılaştırılabilsin.
• İdeal çevrim süresini doğrulayın: Performans bileşeni, makinenin hedef hızına dayanır. Hedefin gerçekçi olmaması performans oranını bozar.
• Duruş nedenini kaydedin: Makine durduğunda neden kodu seçilmeli. Serbest metin notlar tutarsızdır; yapay zeka bu notları sınıflayabilir, ama nedenin kayıtlı olması şarttır.
• Kalite verisini bağlayın: Fire, yeniden işleme ve ret kayıtları üretim kaydıyla eşleşmeli.
• Zaman damgalarını hizalayın: Sensör, MES ve kalite sistemlerinin saatleri farklıysa ilişki kurulamaz.

Bu hazırlık yapıldığında OEE, tek bir sayı olmaktan çıkıp kayıp bazında incelenebilen bir veri setine dönüşür.

Yapay zeka ile kayıp analizi adım adım

Genel bir iş akışı şöyle ilerler:

• Kayıpları gruplayın: Kullanılabilirlik, performans ve kalite kayıplarını ayrı sınıflara ayırın. Örneğin arıza, kalıp değişimi, bekleme, küçük duruşlar, hız düşüşü, ilk üretim hatası gibi kategoriler.
• Duruş nedenlerini sınıflandırın: Serbest metin notları ve alarm kodları, doğal dil işleme ve sınıflandırma modelleriyle ortak kategorilere eşlenebilir. Böylece 'rulman sesi', 'yatak ısındı' gibi farklı yazımlar aynı arıza tipinde toplanır.
• Pareto analizi yapın: Hangi nedenin toplam kayıpta en büyük payı aldığını belirleyin. İyileştirme çabası en büyük kayıba yönelir.
• Örüntüleri arayın: Kayıp belirli bir vardiyada, belirli bir ürün tipinde ya da belirli bir hammadde partisinde mi yoğunlaşıyor? Korelasyon analizi ve kümeleme bu bağları görünür kılar.
• Küçük duruşları yakalayın: Tek tek önemsiz görünen kısa duruşlar toplamda büyük kayıp yaratır; sensör verisindeki örüntü tespiti bunları açığa çıkarır.
• Kök neden hipotezi kurun: Yapay zeka ilişkiyi gösterir, nedeni bulmak sahadaki mühendislerin işidir.
• Eylem planı yapın: Her kayıp için sahibi olan, ölçülebilir bir iyileştirme önerin.

Örnek senaryo: bir ambalaj hattında hız kaybı

Örneğin bir ambalaj hattında OEE'nin performans bileşeni düşük görünüyor, ama operatörler hattın durmadığını söylüyor. Klasik raporda sorun net değildir.

Sensör verisinde hat hızının zaman içinde izlenmesi, hızın belirli ürün tiplerinde kademeli olarak düştüğünü gösteriyor. Yapay zeka destekli örüntü analizi, bu düşüşlerin belirli bir malzeme partisiyle ve hattın belirli bir istasyonundaki küçük takılmalarla birlikte ortaya çıktığını ortaya koyuyor. Operatörler küçük müdahaleyle çözdüğü için durmalar kayda geçmemiş.

Saha ekibi istasyonu inceleyip malzeme özelliği ile ayar arasındaki uyumsuzluğu buluyor ve ayar standardı güncelleniyor. Burada yapay zekanın katkısı kayıp kalıbını görünür kılmaktır; çözüm ise saha mühendisliğinden gelir. Bu örnek kurgusaldır ve yönteme işaret eder.

Kullanılan teknik ve araç türleri

OEE kayıp analizi için kullanılan yaklaşımlar genellikle şunlardır:

• Zaman serisi analizi: Hız, sıcaklık, titreşim gibi sensör sinyallerinde sapma ve eğilim yakalamak.
• Anomali tespiti: Normal çalışma davranışından sapmaları işaretlemek; duruştan önce uyarı vermek için temel oluşturur.
• Metin sınıflandırma: Operatör notlarını ve duruş açıklamalarını kategorilere ayırmak.
• Kümeleme: Benzer kayıp günlerini ya da vardiyaları gruplayıp ortak özelliklerini bulmak.
• Sınıflandırma ve regresyon: Hangi koşulda kalite kaybı olacağını tahmin etmek.
• Görselleştirme ve panolar: Kayıpları vardiya, hat ve ürün kırılımında gösterip gerçek zamanlı izlemek.

Bu tekniklerin hiçbiri tek başına çözüm değildir. Veri kalitesi, alan bilgisi ve ölçüm disiplini olmadan model ne kadar gelişmiş olursa olsun anlamlı öneri üretmez. Küçük bir hat veya makinede pilot yaparak başlamak, ölçeklemeden önce yöntemi sınamak için uygun yoldur.

Sık yapılan hatalar

• OEE'yi hedef sayı olarak kovalamak: Sayıyı yükseltmek için ölçümü gevşetmek (örneğin duruşu planlıya almak) gerçek iyileşme sağlamaz.
• Tesisler arası farklı tanım: Her tesis OEE'yi farklı hesaplıyorsa karşılaştırma anlamsızdır.
• Veri kalitesini atlamak: Eksik duruş kodları ve hizalanmamış zaman damgaları modeli yanıltır.
• Yapay zekayı saha bilgisinden ayırmak: Operatör ve bakım ekibini sürece katmayan modeller kabul görmez.
• Tahmini eyleme çevirmemek: Güzel bir pano tek başına kayıp azaltmaz; her bulgunun sahibi ve takvimi olmalı.
• Küçük duruşları ihmal etmek: Kısa ama sık duruşlar sıklıkla gözden kaçar.
• Pilot olmadan geniş uygulama: Hat özellikleri farklı olduğundan bir hatta işleyen model diğerinde yeniden ayarlanmalıdır.

Öğrenme yolu ve Mindset programlarındaki yeri

Önce OEE'nin kavramsal yapısını ve kayıp sınıflamasını öğrenin. Ardından üretim verisi okuryazarlığı: zaman serisi, dağılım, Pareto. Sonraki aşamada küçük bir veri seti üzerinde sınıflandırma ve anomali tespiti deneyin. İleri aşamada pilot proje planlama ve ölçekleme gelir.

Mindset kataloğunda Yapay Zeka ile Üretim Süreçleri Optimizasyonu eğitiminin müfredatında Üretimde Yapay Zeka Temelleri, OEE İyileştirme ve Kayıp Analizi, Proses Kontrol ve Hata Öncesi Müdahale ile Yapay Zeka Proje Yönetimi ve Ölçekleme modülleri bulunur. Atölye: Yapay Zeka Kullanım Senaryosu Geliştirme modülü ise kendi fabrikanız için uygulanabilir bir senaryo kurmanıza yardım eder. Üretim, bakım ve kalite mühendisleri ile operasyon yöneticileri için uygundur; kurumsal ekipler bu başlıkları kendi hat verisi üzerinde senaryo çalışmasıyla ele alabilir.