top of page

Qwen AI ile Akıllı Üretim ve Kestirimci Bakım Çözümleri

Yazarın fotoğrafı: Berta Otomasyon HKS A.Ş.
Berta Otomasyon HKS A.Ş.
1 Eki
10 dakikada okunur

Güncelleme tarihi: 13 Eki

Bir üretim hattı durduğunda sorun çoğu zaman o anda başlamaz. Titreşim haftalar önce değişmiştir. Motor akımı sessizce yükselmiştir. Bir valf milisaniyelerle geç cevap vermeye başlamıştır. Operatör bunu ancak alarm düştüğünde görür. Bakım ekibi ise çoğu zaman arızanın arkasından koşar.


Akıllı üretimin asıl değeri burada ortaya çıkar. Fabrikada zaten akan PLC tag’leri, SCADA kayıtları, kamera görüntüleri, enerji sayaçları, reçete bilgileri ve kalite ölçümleri yapay zekâ ile okunabilir hâle gelir. Qwen gibi büyük dil modelleri bu verileri yalnızca saklamaz, yorumlar. Makine öğrenimi modelleri örüntüleri yakalar. Edge AI çözümleri sahada, gecikmeyi artırmadan karar üretir.


Bu yaklaşım, geleneksel otomasyonu ortadan kaldırmaz. Tam tersine onu daha iyi görür, daha iyi anlar ve daha erken tepki veren bir yapıya taşır. Qwen AI ile Akıllı Üretim ve Kestirimci Bakım Çözümleri, makine verisini anlamlı içgörüye dönüştürerek bakım, kalite, enerji ve operatör desteğini aynı çatı altında toplar.


Geniş açı görünümünde yapay zekâ destekli bir üretim hattı izleniyor.
Makine verisi, üretim hattında karar desteğine dönüşür.

Endüstride yapay zekâ geleneksel otomasyonu nasıl değiştirir


Geleneksel otomasyon, açık kurallarla çalışır. Sensör değeri belirli eşiği aşarsa alarm verir. Motor belirli hızda döner. Bir ürün belirli noktaya geldiğinde silindir hareket eder. Bu yapı güvenilirdir, hızlıdır ve üretim için hâlâ vazgeçilmezdir.


Yapay zekâ ise kuralların her zaman yeterli olmadığı alanlarda devreye girer. Üretim verisinden öğrenir. Normal davranışı tanır. Küçük sapmaları yakalar. Geçmişteki arızalara bakarak benzer bir gidişatı erkenden fark eder. Böylece otomasyon sadece verilen komutu uygulayan bir sistem olmaktan çıkar, üretim sürecini anlayan bir karar destek katmanı kazanır.


Bir örnek düşünelim. Aynı pres hattında üç vardiya boyunca ürün basılıyor. PLC açısından çevrim süresi kabul edilebilir sınırdadır. Alarm yoktur. Fakat yapay zekâ modeli motor akımı, hidrolik basınç, sıcaklık ve çevrim süresi arasındaki ilişkiye birlikte bakar. Normalde birlikte hareket eden iki sinyalin ayrışmaya başladığını görür. Bu durum henüz arıza değildir, fakat bakım ekibine “bu komponent izlenmeli” mesajı verebilir.


Bu fark, arıza olduktan sonra müdahale etmek ile arıza olasılığı yükselirken planlı bakım yapmak arasındaki farktır.


Geleneksel otomasyon

Yapay zekâ destekli otomasyon

Sabit eşiklerle karar verir.

Verinin zaman içindeki davranışını öğrenir.

Alarm oluşunca tepki verir.

Anomaliyi erken fark eder.

Kural yazımı insan tarafından yapılır.

Model, geçmiş örüntülerden öğrenir.

Tekil sinyalleri izler.

Çok sayıda sinyal arasındaki ilişkiyi analiz eder.

Operatöre alarm kodu gösterir.

Alarmın olası nedenini ve adımı açıklar.


Akıllı üretim bu yüzden yalnızca “daha fazla otomasyon” anlamına gelmez. Daha bağlamsal bir üretim anlayışı sağlar. Makinenin ne yaptığını, neden yaptığını ve ne yapmaya doğru gittiğini daha net gösterir.


Bu yapının güçlü olması için veri kalitesi kritik rol oynar. Eksik tag isimleri, tutarsız zaman damgaları, bakımı yapılmamış sensörler ve parçalı veri tabanları yapay zekâ modelinin değerini düşürür. İyi bir proje, model seçimiyle değil, sahadaki verinin doğru okunmasıyla başlar.


Qwen AI ve endüstriyel LLM’ler üretim verisini anlaşılır hâle getirir


Büyük dil modelleri genellikle metin üretimiyle tanınır. Endüstride ise asıl değerleri, karmaşık teknik bilgiyi doğal dilde açıklayabilmeleridir. Qwen gibi LLM’ler makine loglarını, alarm geçmişini, PLC tag açıklamalarını, operatör notlarını, bakım kayıtlarını ve kalite raporlarını birlikte ele alabilir.


Bu sayede üretim sahasında şu tip sorular doğal dille sorulabilir:


  • “Son 24 saatte hat 3 neden daha fazla durdu?”

  • “Bu hata kodu daha önce hangi parçayla ilişkiliydi?”

  • “Bu servo alarmı için kontrol edilmesi gereken ilk üç nokta nedir?”

  • “Geçen ay enerji tüketimi hangi vardiyada arttı?”

  • “Bu reçete değişikliği kalite ölçümünü nasıl etkiledi?”


LLM burada tek başına makineyi kontrol eden yapı değildir. Daha doğru yaklaşım, LLM’i güvenli bir yorumlama ve etkileşim katmanı olarak kullanmaktır. Kritik kontrol döngüleri PLC’de kalır. Model, veriyi açıklar, olası nedenleri sıralar, geçmiş benzer olayları getirir ve operatöre anlaşılır bir adım listesi sunar.


Hata kodlarını hızlı yorumlar


Bir alarm kodu çoğu zaman tek başına yeterli değildir. Aynı kod, farklı şartlarda farklı anlama gelebilir. Qwen tabanlı bir asistan, hata kodunu çevredeki sinyallerle birlikte değerlendirir. Örneğin alarmdan önce motor akımı yükselmiş mi, pnömatik basınç düşmüş mü, son bakım ne zaman yapılmış, aynı ürün reçetesiyle daha önce benzer olay yaşanmış mı, bunlara bakabilir.


Böyle bir asistan, operatöre yalnızca “E1024 alarmı oluştu” demek yerine daha yararlı bir açıklama sunar:


  • Alarmın teknik anlamı

  • Olası neden sıralaması

  • Güvenli kontrol adımları

  • İlgili bakım dokümanı

  • Benzer geçmiş olaylar

  • Gerekirse bakım ekibine otomatik bildirim


Bu yaklaşım, özellikle vardiya değişimlerinde bilgi kaybını azaltır. Yeni başlayan operatörler de deneyimli ekiplerin birikimine daha hızlı erişir.


Operatör için sesli ve yazılı asistan sağlar


Üretim sahasında ekran başında uzun rapor okumak her zaman pratik değildir. Sesli veya yazılı bir asistan, operatörün hızla bilgi almasını sağlar. Tablet, HMI panel veya endüstriyel terminal üzerinden çalışan bir arayüz, makine durumunu sade bir dille açıklayabilir.


“Hat neden beklemede?” sorusuna sistem, ilgili interlock durumlarını ve sensör değerlerini listeleyebilir. “Duruşu başlatmadan önce hangi şart eksik?” sorusuna kilitleme koşullarını gösterebilir. Bu, operatörün PLC programı içinde tag aramasına gerek bırakmadan sorunun kaynağına yaklaşmasını sağlar.


Yine de bu tasarımda güvenlik sınırları net olmalıdır. LLM’in doğrudan kritik setpoint değiştirmesi doğru değildir. Güvenli mimaride model öneri üretir, insan onayı veya PLC tarafındaki yetkilendirme mekanizması devreye girer. Böylece hız kazanılırken proses güvenliği korunur.


Raporlama ve dokümantasyon yükünü azaltır


Üretim raporları, vardiya özetleri, bakım notları ve kalite sapma kayıtları çoğu fabrikada zaman alır. Endüstriyel LLM’ler bu kayıtları otomatik taslaklara dönüştürebilir. SCADA olay geçmişinden vardiya özeti çıkarabilir. Bakım iş emrindeki ölçüm değerlerini daha okunabilir bir rapora çevirebilir.


Bu, insan denetimini ortadan kaldırmaz. Raporun son onayı yine ilgili çalışan tarafından yapılır. Fakat ham veriyi okunur bir metne dönüştürme süresi ciddi şekilde kısalır. Daha önemlisi, raporlama dili standartlaşır. Her vardiyada farklı formatta bilgi yazılması yerine aynı çerçevede kayıt tutulur.


Yakın plan görünümünde teknisyen bir üretim hattındaki endüstriyel panelden makine verisini kontrol ediyor.
Doğal dil asistanı, sahadaki karmaşık alarm bilgisini sadeleştirir.

Kestirimci bakım makinenin sessiz sinyallerini okur


Kestirimci bakımın temel amacı basittir. Parça bozulmadan önce bozulma olasılığını görmek. Bunu yapmak için tek bir sensöre değil, makinenin zaman içindeki davranışına bakılır.


Titreşim, sıcaklık, akım, basınç, debi, çevrim süresi, ürün tipi, vardiya, ortam şartları ve bakım geçmişi birlikte değerlendirildiğinde daha anlamlı bir resim ortaya çıkar. Makine öğrenimi modelleri bu verilerdeki küçük değişimleri yakalayabilir. Özellikle tekrarlayan üretim hatlarında bu yaklaşım güçlü sonuçlar verir.


Zaman serisi analizi normal davranışı öğrenir


Endüstriyel verinin büyük kısmı zaman serisidir. Her saniye, hatta bazı sistemlerde her milisaniye yeni değer gelir. Bu veride önemli olan yalnızca anlık değer değildir. Değişimin yönü, hızı, dalgalanması ve diğer sinyallerle ilişkisi de önemlidir.


Bir rulman örneği üzerinden düşünelim. Titreşim değeri henüz alarm sınırının altında olabilir. Fakat model, aynı hız ve yük koşullarında bu rulmanda önceki dönemlere göre farklı bir frekans örüntüsü görüyorsa anomali uyarısı üretebilir. Bu uyarı, “hemen durdur” komutu değildir. Daha çok “planlı kontrol aç” sinyalidir.


Bu yaklaşım bakım planlamasını değiştirir. Takvime bağlı bakım yerine duruma bağlı bakım öne çıkar. Sağlam parçayı gereksiz yere değiştirme riski azalır. Arıza bekleme süresi düşer. Yedek parça planı daha gerçekçi yapılır.


Anomali tespiti her zaman arıza tahminiyle aynı değildir


Anomali tespiti, sistemin normalden farklı davrandığını söyler. Arıza tahmini ise bu farklılığın arızaya dönüşme olasılığını ve zamanını hesaplamaya çalışır. İki kavram birbirine yakın olsa da aynı değildir.


İyi tasarlanmış bir çözüm bu iki katmanı birlikte kullanır. Önce anomali tespitiyle olağan dışı davranış yakalanır. Sonra geçmiş arıza kayıtları, bakım notları ve parça değişim geçmişiyle arıza olasılığı değerlendirilir. Yeterli veri varsa kalan faydalı ömür tahmini de yapılabilir.


Her makinede aynı doğruluk beklenmez. Veri kalitesi yüksek, geçmiş arıza kayıtları düzenli ve sensör kapsamı yeterliyse model daha güvenilir sonuç verir. Verinin az olduğu sistemlerde ise kural tabanlı izleme ve anomali tespitiyle başlamak daha sağlıklı olabilir.


Dinamik proses parametreleri kaliteyle birlikte değerlendirilir


Bakım verisi ile kalite verisi birbirinden ayrı tutulduğunda önemli ilişkiler kaçabilir. Örneğin sıcaklık dalgalanması doğrudan arıza üretmeyebilir, fakat ürün toleransını etkileyebilir. Basınçtaki küçük bir sapma duruş yaratmayabilir, ama yüzey kalitesini bozabilir.


Makine öğrenimi burada proses parametreleri ile kalite sonucu arasındaki ilişkiyi kurar. Hangi reçete, hangi hız, hangi sıcaklık ve hangi basınç aralığında daha kararlı üretim yapıldığını gösterebilir. Bu analiz, proses mühendislerinin ayar kararlarını daha sağlam veriye dayandırmasına yardımcı olur.


Kritik nokta şudur: Modelin önerdiği parametre değişiklikleri doğrudan üretime basılmamalıdır. Önce sınır değerler, proses güvenliği, ürün standardı ve mühendis onayı devreye girmelidir. AI iyi bir öneri motoru olabilir, fakat kontrolsüz değişiklik kaynağı olmamalıdır.


Bilgisayarlı görü ve Edge AI kalite kontrolü hızlandırır


Kamera tabanlı kalite kontrol, üretim sahasında yapay zekânın en görünür kullanım alanlarından biridir. Yüzey hataları, çizikler, çatlaklar, renk farkları, etiket hataları, eksik parça, şekil bozukluğu ve boyut sapmaları görüntü işleme ile tespit edilebilir.


Klasik görüntü işleme yöntemleri iyi aydınlatılmış ve sabit koşullarda güçlüdür. Fakat ürün değişkenliği arttığında, yüzey dokusu farklılaştığında veya hata türleri çeşitlendiğinde yapay zekâ tabanlı görsel modeller daha esnek çalışabilir. Model, iyi ve hatalı örneklerden öğrenerek karar verir.


Bazı kontrollü uygulamalarda çok yüksek doğruluk hedefleri mümkündür. Yine de “%99+ doğruluk” gibi değerler ürün çeşidine, kamera yerleşimine, ışık kalitesine, eğitim verisine ve kabul kriterlerine bağlıdır. Bu yüzden proje başında pilot çalışma yapılmalı, yanlış kabul ve yanlış ret oranları ayrı ayrı ölçülmelidir.


Edge AI milisaniye seviyesinde tepki sağlar


Kalite kontrol ve güvenlik uygulamalarında gecikme kritik olabilir. Kamera görüntüsünü buluta göndermek, işlemek ve sonucu geri almak her zaman uygun değildir. Edge AI bu yüzden önemlidir. Model, üretim hattına yakın bir cihazda çalışır. Siemens Industrial Edge, yerel gateway veya endüstriyel IPC gibi cihazlar bu rolü üstlenebilir.


Yerel işleme üç avantaj sağlar:


  • Gecikme azalır.

  • Veri fabrika dışına çıkmadan işlenebilir.

  • İnternet bağlantısı kesilse bile kritik analiz devam edebilir.


Bazı uygulamalarda karar tepki süresi için 100 ms altı hedeflenebilir. Bu hedef, model boyutu, kamera çözünürlüğü, ağ yapısı ve edge cihaz kapasitesiyle doğrudan ilişkilidir. Bu yüzden mimari, işin gerektirdiği süreye göre tasarlanmalıdır.


Güvenlik bölgesi izleme insanı merkezde tutar


Bilgisayarlı görü yalnızca kalite için kullanılmaz. Güvenlik bölgesi izleme de önemli bir alandır. Kamera veya derinlik sensörü, tehlikeli bölgeye insan girişi olup olmadığını algılayabilir. Bu bilgi, mevcut emniyet sistemlerinin yerine geçmemeli, onları destekleyen ek bir katman olarak tasarlanmalıdır.


Emniyet röleleri, ışık bariyerleri, kilitli kapılar ve güvenlik PLC’leri görevini sürdürür. Görsel AI ise kör noktaları azaltmaya, davranış eğilimlerini incelemeye ve operasyonel riskleri daha görünür kılmaya yardımcı olur. Böylece üretim güvenliği yalnızca durdurma mekanizması değil, sürekli izlenen bir risk yönetimi yapısı kazanır.


Üstten görünümde kamera destekli kalite kontrol istasyonu ürün yüzeylerini inceliyor.
Görsel AI, yüzey hatalarını üretim akışı içinde yakalayabilir.

AI entegrasyon mimarisi veriden aksiyona nasıl kurulur


Akıllı üretim projesi yalnızca model kurmakla tamamlanmaz. Verinin nereden geldiği, nerede işlendiği, hangi sistemlere geri döndüğü ve kimin hangi kararı onayladığı net olmalıdır. Başarılı mimari, OT ve IT dünyasını güvenli şekilde bağlar.


OT tarafında PLC, SCADA, HMI, sürücüler, sensörler ve güvenlik sistemleri vardır. IT tarafında veri tabanları, raporlama araçları, bakım yönetim sistemi, kalite sistemi ve analitik platformlar bulunur. Yapay zekâ katmanı bu iki dünyanın arasında kontrollü bir köprü kurar.


Makine verisinden aksiyona giden 4 adımlı AI pipeline


1. Veri toplama


İlk adım sahadan güvenilir veri almaktır. PLC, sensör, kamera, enerji analizörü ve SCADA sistemlerinden veri toplanır. Yaygın protokoller arasında `OPC UA`, `MQTT` ve `PROFINET` bulunur. Burada amaç, doğru sinyali doğru zaman damgasıyla almak ve anlamlı tag açıklamalarıyla saklamaktır.


Veri toplama aşamasında şu sorular cevaplanmalıdır:


  • Hangi tag gerçekten karar için gerekli?

  • Örnekleme sıklığı yeterli mi?

  • Zaman damgaları senkron mu?

  • Eksik ve hatalı ölçümler nasıl işaretlenecek?

  • Ürün reçetesi ve kalite sonucu makine verisiyle eşleşiyor mu?


2. Edge işleme


Ham veri doğrudan modele verilmez. Önce temizlenir, filtrelenir ve normalleştirilir. Gürültülü ölçümler ayrılır. Sensör kesintileri işaretlenir. Gerekirse özellik çıkarımı yapılır. Bu işlemlerin bir kısmı edge tarafta yapılabilir.


Siemens Industrial Edge veya yerel gateway üzerinde çalışan bir katman, veriyi sahaya yakın noktada işler. Böylece hem gecikme düşer hem de gereksiz veri trafiği azalır. Kamera görüntüsü gibi büyük hacimli verilerde bu özellikle önemlidir.


3. AI analizi


Bu katmanda farklı model türleri birlikte çalışabilir. Qwen LLM doğal dil etkileşimi ve teknik yorumlama için kullanılır. Makine öğrenimi modelleri arıza tahmini, anomali tespiti ve enerji analizi yapar. Görsel AI modelleri kalite kontrol sonuçlarını üretir.


Tek bir model her sorunu çözmez. Akıllı mimaride her iş için uygun model seçilir. Zaman serisi için ayrı, görüntü için ayrı, metin ve doküman için ayrı yaklaşım gerekir. Bu modellerin çıktıları tek bir dashboard veya asistan arayüzünde birleştirilebilir.


4. Aksiyon ve entegrasyon


Analiz yalnızca ekranda kalırsa değer sınırlı olur. Sonuçların bakım, kalite ve üretim süreçlerine bağlanması gerekir. TIA Portal ve WinCC tarafına geri bildirim, alarm yönetimi, operatör dashboard’ı, bakım iş emri açma, kalite kaydı oluşturma veya setpoint önerisi gibi adımlar bu katmanda yer alır.


Kritik kontrol değişikliklerinde onay mekanizması şarttır. Model bir setpoint önerisi sunabilir. Bu öneri proses sınırlarıyla kontrol edilir. Yetkili kişi onay verir. PLC tarafında güvenli çalışma aralıkları korunur. Böylece AI desteği üretimi hızlandırırken kontrol disiplinini bozmaz.


İyi bir AI projesi, sahadan gelen sinyali karar noktasına bağlar. Model tek başına başarı değildir, başarı doğru verinin güvenli aksiyona dönüşmesidir.

Ölçülebilir hedefler baştan tanımlanmalıdır


Akıllı üretim projelerinde belirsiz hedefler sorun yaratır. “Daha iyi bakım” yerine ölçülebilir hedefler gerekir. Örneğin plansız duruş süresinin azaltılması, arıza öncesi uyarı süresinin artırılması, yanlış alarm oranının düşürülmesi veya enerji tüketiminin vardiya bazında izlenmesi gibi net ölçütler seçilmelidir.


Aşağıdaki hedefler, iyi tasarlanmış bir mimaride proje kapsamında değerlendirilebilecek örnek KPI’lardır:


Hedef alanı

Örnek ölçüt

Ne gösterir

Karar tepki süresi

100 ms altı hedef

Edge işleme ve yerel karar hızını gösterir.

Arıza tahmin doğruluğu

%95+ hedef

Veri kalitesi ve model başarısına bağlıdır.

Yerel veri gizliliği

%100 yerel işleme hedefi

Hassas verinin saha içinde kalmasını sağlar.

Geri dönüş süresi

6 ila 12 ay hedef

Duruş, fire ve bakım kazancına göre değişir.


Bu hedefler garanti gibi ele alınmamalıdır. Her üretim hattı farklıdır. En doğru yaklaşım, küçük bir pilot alan seçmek, ölçmek, öğrenmek ve sonra ölçeklemektir.


Güvenlik ve veri gizliliği mimarinin parçası olmalıdır


Endüstriyel yapay zekâ projelerinde güvenlik sonradan eklenemez. Ağ bölümlendirme, kullanıcı yetkileri, kayıt tutma, model erişimi ve veri saklama politikası baştan tasarlanmalıdır. OT ağı ile IT sistemleri arasında kontrollü geçiş olmalıdır.


Yerel AI kurulumu, veri gizliliği açısından güçlü bir seçenektir. Üretim reçeteleri, makine parametreleri, kalite verileri ve bakım geçmişi fabrika dışına çıkmadan işlenebilir. Özellikle rekabetçi üretim bilgisi taşıyan tesislerde bu yaklaşım tercih edilebilir.


Model çıktılarını da kayıt altına almak gerekir. Hangi öneri ne zaman üretildi, kim onayladı, sonuç ne oldu, bunlar izlenmelidir. Bu kayıtlar hem denetim hem model iyileştirme için değerlidir.


Göz hizası görünümünde edge cihazları ve PLC panosu üretim hattında birlikte çalışıyor.
Güvenli mimari, OT ve IT verisini sahada kontrollü şekilde birleştirir.

Akıllı üretime başlarken doğru kapsamı seçmek gerekir


Yapay zekâ projesine tüm fabrikayı aynı anda kapsayacak şekilde başlamak cazip görünebilir. Genelde daha iyi yol, sınırlı ama değerli bir problem seçmektir. En çok duruş yaratan hat, kalite firesi yüksek istasyon veya enerji tüketimi dalgalanan proses iyi başlangıç noktaları olabilir.


Başlangıç için pratik bir yol şu şekilde ilerler:


  1. En yüksek iş etkisine sahip problemi seçin.

  2. İlgili makine verisini ve kalite kayıtlarını çıkarın.

  3. Veri kalitesini kontrol edin.

  4. Küçük bir pilot model kurun.

  5. Model çıktısını operatör ve bakım ekibiyle birlikte test edin.

  6. Yanlış alarm ve kaçan alarm oranlarını ölçün.

  7. Başarılıysa entegrasyonu bakım, kalite ve üretim sistemlerine bağlayın.


Bu süreçte teknik ekip kadar saha ekibinin geri bildirimi de önemlidir. Operatör, makinenin davranışını günlük olarak görür. Bakım ekibi, arızanın gerçek nedenini bilir. Proses mühendisi, ürün kalitesini etkileyen sınırları tanır. Yapay zekâ bu bilgiyle beslendiğinde daha yararlı hâle gelir.


Qwen AI burada yalnızca bir sohbet aracı değildir. Doğru mimariyle PLC tag’lerini, alarm geçmişini, bakım dokümanlarını ve sensör verilerini anlamlandıran bir üretim asistanına dönüşebilir. Makine öğrenimi modelleri arıza olasılığını izler. Görsel AI kaliteyi kontrol eder. Edge katmanı ise kararın sahaya yakın ve hızlı verilmesini sağlar.


Akıllı üretimin en güçlü tarafı, farklı veri kaynaklarını tek bir karar akışında birleştirmesidir. Bir alarm yalnızca alarm değildir. Bir kalite sapması yalnızca ölçüm sonucu değildir. Bir enerji artışı yalnızca fatura kalemi değildir. Bunların hepsi makinenin anlattığı hikâyenin parçalarıdır.


Geleceğin fabrikası, daha fazla veri toplayan fabrika değil. Veriyi anlayan, açıklayan ve doğru anda doğru kişiye ulaştıran fabrikadır. Kestirimci bakım, bilgisayarlı görü, endüstriyel LLM’ler ve Edge AI birlikte çalıştığında üretim sahası daha öngörülebilir, daha güvenli ve daha verimli bir yapıya yaklaşır. Başlamak için en iyi nokta, zaten elinizde duran makine verisine yeni bir gözle bakmaktır.


 
 
 

Yorumlar


bottom of page