Eğitim Hakkında
Bu yoğun ve uygulamalı eğitim programı, Endüstri 4.0 devriminin kalbinde yer alan iki temel direği – sıfır-hata hedefli kalite kontrolü ve sıfır-duruş hedefli kestirimci bakımı – yapay zekâ ile hayata geçirmek için gerekli olan derinlemesine teknik yetkinlikleri sunar. Katılımcılar, üretim hattından gelen ham sensör ve görüntü verilerini kullanarak, mikron seviyesindeki ürün kusurlarını insan gözünden daha isabetli bir şekilde tespit etmeyi ve bir makinenin ne zaman arızalanacağını haftalar öncesinden öngörmeyi öğreneceklerdir. Program, bu iki yetkinliği bir "Sayısal İkiz" (Digital Twin) projesinde birleştirerek, katılımcılara üretim verimliliğini (OEE) maksimize eden entegre ve akıllı bir fabrika vizyonu kazandıracaktır.
Akıllı Üretim için Yapay Zekâ, üretim süreçlerinden toplanan Endüstriyel IoT (IIoT) verilerini kullanarak operasyonel verimliliği, kaliteyi ve güvenilirliği radikal bir şekilde iyileştiren analitik ve otonom sistemler disiplinidir. Bu eğitimde;
- Kalite Kontrol için: Yüksek çözünürlüklü görüntüleri işlemek üzere Bilgisayarlı Görü (CNN, YOLOv8, U-Net, Segmentasyon Modelleri) ve etiketlenmemiş verilerde kusurları bulmak için Anomali Tespiti (Autoencoders, Isolation Forest).
- Kestirimci Bakım için: Titreşim ve sıcaklık gibi sensör verilerini analiz eden Zaman Serisi Analizi ve Sinyal İşleme (FFT), ekipmanın kalan faydalı ömrünü (RUL) modelleyen Hayatta Kalma Analizi (Survival Analysis) ve Derin Öğrenme (LSTM, GRU).
Entegrasyon ve Simülasyon için: Gerçek zamanlı veri akışıyla beslenen ve hem kalite hem de bakım senaryolarının simüle edildiği Sayısal İkiz (Digital Twin) platformlarının uygulamalı tasarımı ele alınacaktır.
Kimler İçindir?
- Üretim süreçlerini iyileştirme ve otomasyon projelerini yöneten Üretim ve Proses Mühendisleri,
- Sıfır-hata hedefleri doğrultusunda çalışan Kalite Kontrol/Güvence Yöneticileri ve Mühendisleri,
- Ekipmanların çalışma süresini (uptime) maksimize etmekten sorumlu Bakım Yöneticileri ve Güvenilirlik Mühendisleri,
- Üretim sektörüne yönelik analitik çözümler geliştiren Veri Bilimciler ve Makine Öğrenmesi Mühendisleri,
- Fabrika verimliliği ve karlılığından sorumlu Fabrika Müdürleri ve Operasyon Direktörleri.
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
Eğitim İçeriği
1.1. Akıllı Fabrikanın Anatomisi
- Endüstri 4.0'ın temel bileşenleri: IIoT, Siber-Fiziksel Sistemler, Sayısal İkiz, Bulut Bilişim ve Yapay Zekâ.
- Üretimde Yapay Zekâ Olgunluk Modeli: Bir fabrikanın mevcut durumunu analiz etme ve geleceğe yönelik yol haritası oluşturma.
- Vaka İncelemesi: Siemens, Bosch, GE gibi öncü firmaların akıllı fabrika dönüşüm projeleri.
- Üretimdeki Kritik Veri Kaynakları: PLC'ler, SCADA sistemleri, MES (Manufacturing Execution System), ERP ve sensör verileri.
- Veri Kalitesi ve Etiketleme Zorlukları: Gürültülü, yüksek frekanslı ve genellikle etiketlenmemiş endüstriyel verilerle başa çıkma stratejileri.
2.1. Sensör Teknolojileri ve Sinyal İşleme
- Kestirimci Bakım için Kritik Sensörler: Titreşim (akselerometreler), akustik emisyon, sıcaklık, basınç ve akım sensörleri.
- Ham Sensör Verisinin Hazırlanması: Hızlı Fourier Dönüşümü (FFT) ile titreşim verisini frekans domenine taşıma, gürültü filtreleme ve özellik çıkarımı.
- OPC-UA ve MQTT gibi endüstriyel iletişim standartları ile makinelerden veri toplama.
- Kenar Bilişim (Edge Computing): Üretim hattında anlık anomali tespiti için veriyi yerel olarak işleyen Edge cihazlarının mimarisi ve programlanması.
3.1. Bilgisayarlı Görü ile Otomatik Optik Kontrol (AOI)
- Kusur Tespiti (Defect Detection): Metal yüzeylerdeki çizikleri, tekstil ürünlerindeki dokuma hatalarını veya elektronik kartlardaki lehim hatalarını tespit etmek için YOLOv8 ve Faster R-CNN gibi modellerin eğitimi.
- Kusur Segmentasyonu: U-Net ve Segment Anything Model (SAM) kullanarak, bir üründeki kusurun sadece varlığını değil, tam olarak yerini, alanını ve şeklini piksel seviyesinde belirleme.
- Nadir Kusurlarla Başa Çıkma: Üretimde çok az görülen hata türleri için sentetik veri üretme (GANs) ve "few-shot learning" teknikleri.
- "İyi" ürünün neye benzediğini öğrenen Autoencoder ve Variational Autoencoder (VAE) modelleri ile daha önce hiç görülmemiş (novelty) kusurları tespit etme.
- Yüksek boyutlu sensör verileri (örn: bir kaynak işleminin parametreleri) içinde anormal durumları bulmak için Isolation Forest ve One-Class SVM.
4.1. Durum Tabanlı İzleme ve Erken Arıza Tespiti
- Rulmanlar, motorlar ve pompalar gibi dönen ekipmanların titreşim verilerinden arıza belirtilerini (balanssızlık, gevşeklik) tespit etme.
- LSTM tabanlı Autoencoder'lar ile bir makinenin normal çalışma "parmak izini" öğrenme ve bu normallikten sapmaları anlık olarak tespit etme.
- Hayatta Kalma Analizi (Survival Analysis): Kaplan-Meier ve Cox Proportional-Hazards modelleri ile bir ekipman filosundaki hangi parçaların ne zaman arızalanma olasılığının yüksek olduğunu istatistiksel olarak modelleme.
- Derin Öğrenme ile RUL Tahmini: Sensör verilerinin zaman içindeki bozulma (degradation) trendini öğrenen LSTM ve GRU ağları ile bir makinenin "kalan ömrünü" gün/saat/döngü cinsinden tahmin etme.
- Teknisyenlerin serbest metin olarak girdiği bakım ve onarım raporlarını Doğal Dil İşleme (NLP) ile analiz ederek, sık karşılaşılan arıza modlarını ve kök nedenleri otomatik olarak keşfetme.
Aşama 1: Fiziksel Varlığın Sanal Modelini Oluşturma
- Bir makinenin veya küçük bir üretim bandının temel bileşenlerini ve süreç akışını simülasyon ortamında modelleme.
- Fiziksel makineden gelen canlı sensör verilerini (IIoT) sanal modele bağlayarak, dijital ikizin gerçek dünyayı anlık olarak yansıtmasını sağlama.
- Kestirimci Bakım (PdM) modelinden gelen "RUL %20'nin altına düştü" uyarısının, Kalite Kontrol (QC) modelindeki "kusur oranı %5 arttı" verisiyle nasıl ilişkili olduğunu analiz etme.
- "What-if" Simülasyonu: "Üretim hızını %10 artırırsak, RUL üzerindeki etki ve kusur oranındaki artış ne olur?" senaryosunu dijital ikiz üzerinde test etme.
6.1. Pilot Proje (PoC) Tasarımı ve ROI Hesaplanması
- Yüksek etkili ve düşük riskli bir alanda (örn: tek bir kritik makine) pilot proje tasarlama.
- Kestirimci bakım ve otomatik kalite kontrolün getireceği maliyet tasarrufunu (azalan duruş, azalan hurda) hesaplayarak projenin yatırım getirisini (ROI) üst yönetime sunma.
- Yapay zekâ sistemlerine güven duymaları ve onları bir tehdit olarak değil, bir yardımcı olarak görmeleri için operatör ve teknisyenlerin eğitilmesi.
- AI modellerinin çıktılarının (örn: "bakım emri oluştur") mevcut üretim ve kurumsal kaynak planlama sistemlerini otomatik olarak tetiklemesi.
- Üretim süreçlerini simüle edip optimize eden Üretken Yapay Zekâ, fabrikalar arası öğrenme için Federated Learning ve insan-robot iş birliğini artıran Vücutlu Yapay Zekâ (Embodied AI).
Neden Bu Eğitimi Almalısınız ?
- Sıfır Hata Vizyonu: İnsan denetiminin ötesinde, mikroskobik kusurları bile %99+ doğrulukla tespit eden otomatik kalite kontrol sistemleri kurarak hurda (scrap) ve yeniden işleme (rework) maliyetlerini minimize eder.
- Sıfır Beklenmedik Duruş: Reaktif ("bozulunca tamir et") ve periyodik bakımdan, "bozulmadan önce tamir et" modeline geçişi sağlayarak, üretimin en büyük maliyet kalemlerinden biri olan plansız duruşları ortadan kaldırır.
- Genel Ekipman Etkinliğini (OEE) Artırma: Hem kalite kayıplarını hem de duruşları azaltarak, mevcut ekipmanlardan elde edilen verimi ve yatırım getirisini doğrudan artırır.
- Derin Proses Anlayışı: Sadece hata veya arızayı değil, bu sorunlara yol açan kök nedenleri (hatalı parametreler, hammadde kalitesi vb.) tespit ederek tüm üretim sürecinin sürekli iyileştirilmesini sağlar.
- Rekabet Avantajı: Katılımcıları ve kurumlarını, Endüstri 4.0 ve akıllı üretim teknolojilerinde yetkin hale getirerek pazarda teknolojik liderlik kazandırır.
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: