Büyük Veri Analitiği ile SPC’nin Ötesi

Dr. Ahmet Cengiz Uçar
[email protected]
2Pro Danışmanlık (www.2prodanismanlik.com)

 

İstatistiksel Proses Kontrol (SPC), üretimdeki proseslerin kararlılığını ve üretimin yapılabilirliğini ölçen temel bir tekniktir ve bu geleneksel tekniğin ötesine geçmek de artık endüstri 4.0 ile mümkündür. Makine öğrenmesi kullanarak daha iyi üretim süreçleri elde edilebilir.

İstatiksel Süreç Kontrolü

SPC, sürecin kararlı olduğuna dair bir referans oluşturmaya  odaklanmaktadır. Çalışılan süre esnasında elde edilen veri daha sonra bu referans ile karşılaştırılır. Çoğu SPC yöntemi, normal dağılım varsayımını kullanır ve tek değişken üzerinden ilerler (bazı SPC yöntemleri bu tanımlamanın dışındadır). Bu teknik tasarımı gereği daha çok tanımlayıcı istatistik ile sınırlıdır. Ayrıca, bu teknik büyük veriyi hesaba katamaz ve hangi aksiyonların alınması gerektiğini de öneremez.

Tavsiye Veren Süreç Kontrolü (Prescriptive Process Control)

Geleneksel SPC'ye benzer olarak Tavsiye Veren Proses Kontrol (PPC), makine öğrenimi ile öğrenmek için referans verilerini alır, yalnız bu referans verileri artık tek değişkenli değil çok değişkenlidir. Bu yöntem SPC'den daha fazla veri barındırır ve yüksek frekanslı (çok kısa sürede çok veri toplayabilen) sensörler gibi veri kaynaklarını ve MES/MOM gibi yazılımları kullanır.

MES/MOM yazılımından alınan veriler, bir makine öğrenmesi modeli oluşturmak için kullanılır. Bu oluşturulan modeller (genellikle) verilerin normal dağılımı üzerine bir varsayıma dayanmaz ve ayrıca en iyi performans için optimize edilmiştir.

Makine öğrenmesi modeli, verilen reçete, çevre ve proses sensörleri ve diğer proses parametrelerini kullanarak ürünün kalitesini tahmin edebilmektedir. Bu modeli elde eden bir üretim mühendisi, böylece uygulamaya geçmeden önce süreç parametrelerindeki değişiklikleri simüle edebilir.

Bir adım daha ileri gidilerek ürün kalitesinin artması için tavsiye veren teknikler de kullanılabilir. Tavsiye veren süreç analitiği, alınacak en iyi aksiyon hakkında tavsiyede bulunmak için büyük veriden elde edilen bu modeli kullanır. Burada, elbette mümkün olan en iyi kaliteyi elde etmek için girdi parametreleri bu modele göre değiştirilmelidir. Tahmine dayalı model artık tavsiye veren bir modele dönüşür.

Zorlukları

Tavsiye veren süreç kontrolü tekniğinde üstesinden gelinmesi gereken iki temel zorluk ortaya çıkmaktadır. İlk olarak, yeterince güçlü bir model oluşturmak için büyük veriye ihtiyaç vardır. Verilerin alınması, saklanması ve işlenmesi, bir proje yöneticisi tarafından dikkatlice planlanması gereken bir iştir.

İkincisi, bu analitikte yeni bir eklektik çalışma yapıldığından gelişmiş makine öğrenmesi modeli optimizasyonla birleştirilmektedir. Optimizasyon içinse kısıtlar koymak gerekir ve bu durum karmaşık kısıtlamalar olursa başka bir zorlu sorun haline gelebilir. Yalnızca bir değil birçok kalite parametresi varsa, çok amaçlı bir optimizasyon problemiyle karşı karşıya kalınır. Bu problemi çözen teknoloji ve yazılımlar olmasına rağmen yine de bu problemin çözümünü gerçekleştirmek başlı başına zor bir iştir.