Dökümhane Yapay Zekâsı Görsel Kontrolden Öğrenebilir mi? Kalite Etiketleri İçin Ölçüm Sistemi Kapısı

Kısa cevap: Dökümhane yapay zekâsı bir kontrol sonucundan ancak etiketi üreten ölçüm prosesi o karar için tekrarlanabilir, yeniden üretilebilir, kararlı ve izlenebilir olduğunu gösterdikten sonra öğrenmelidir. Atış ile parçayı doğru eşleştirmek zorunludur; fakat kusursuz proses verisini tutarsız bir “uygun”, “hurda” veya hata sınıfına bağlamak yine de mümkündür.

Önceki Castella rehberi atıştan hataya veri bağını kurdu. Sıradaki mühendislik sorusu daha zordur: eşlenen kalite sonucu eğitim hedefi olarak güvenilir mi?

Eşlenmiş bir etiket neden yine de yanlış olabilir?

Denetimli model fiziksel gerçeği doğrudan görmez. Görsel kontrolörün, kaçak test cihazının, X-ray değerlendirmesinin, boyutsal ölçümün veya laboratuvar metodunun kaydettiği kararı öğrenir. Aydınlatma, parça sıcaklığı, yüzey durumu, fikstür, cihaz çözünürlüğü, kalibrasyon, operatör yorumu, hata terminolojisi ve revize edilmiş kabul kuralı etikete değişkenlik katabilir.

NIST, üretim ölçüm proseslerini tekrarlanabilirlik, yeniden üretilebilirlik, kararlılık, sapma, çözünürlük ve cihazlar arası farklarla karakterize eder. ISO 22514-7 de ölçüm prosesi yeterliliğini göreve göre ele alır: belirsizlik, spesifikasyon veya proses değişkenliğiyle karşılaştırılmalıdır. Pratik sonuç açıktır: “cihaz kalibre edildi” ifadesi, bütün kontrol prosesinin güvenilir yapay zekâ etiketi ürettiğini kanıtlamaz.

Döküm araştırmaları riski somutlaştırır. Hata sınıflandırmasına odaklanan bir çalışma; görsel kontrol, hataların stokastik oluşumu ve örtüşen kabul sınıflarının denetimli öğrenmeyi sınırlayan veri alanı örtüşmesi yarattığını açıklar. 2025 tarihli magnezyum HPDC çalışması, sonradan yapılan görsel kalite kontrolünün öznel olduğunu ve hata içerebileceğini özellikle belirtir. Başka bir endüstriyel HPDC çalışması veri matrisi koduyla güçlü parça izlenebilirliği gösterirken, makinenin erken reddettiği parçaların sonraki kalite etiketinden yoksun kalabildiğini de gösterir. İzlenebilirlik, kapsama ve etiket güvenilirliği ayrı kontrollerdir.

Kontrol sonucunu bir ölçüm olayı olarak saklayın

Yalnızca son hata kodunu tutmayın. Onu üreten olayı koruyun:

• parça, atış, kalıp gözü ve rota kimlikleri;

• karakteristik veya hata taksonomisi ile kural revizyonu;

• yöntem, cihaz, program ve fikstür kimlikleri;

• kontrolör ya da otomatik sistem sürümü;

• zaman, vardiya ve ilgili çevre koşulu;

• ham değer veya görüntü referansı, karar, güven ve inceleme durumu;

• yeniden kontrol, uzlaştırma, rework ve son kararın ayrı olayları.

Bu yapı HPDC ve LPDC için minimum veri modelini genişletir. Geç bir kararın, uyuşmazlığı açıklamak için gereken kanıtın üzerine sessizce yazmasını önler.

Döküm kalite etiketlerini yapay zekâ için doğrulamanın sekiz adımı

1. Kararı kesin tanımlayın. Karakteristiği, birimi, hata sınırını, kabul kuralını ve modelin amaçlanan aksiyonunu yazın. Gerçek karar kaçak, işleme sonrası açığa çıkan boşluk veya konuma özgü X-ray sınıfıysa yalnızca “porozite” demek yeterli değildir.

2. Temsil gücü olan çalışma seti kurun. İlgili göz, kalıp, alaşım, vardiya ve proses durumlarından normal değişkenliği, bilinen hata türlerini ve sınır parçaları seçin. Yalnızca bariz sağlam ve bariz hurda parçalarla yapılan çalışma, modelin sahada karşılaşacağı zor kararları gizler.

3. Kontrolleri kör ve tekrarlı yapın. Parça sırasını rastgeleleştirin, önceki sonucu gizleyin. Aynı kontrolör veya sistem kararı tekrarlasın; sonra farklı kontrolör, cihaz veya programlarla yeniden değerlendirin. Taşıma ve şartlandırma üretimi temsil etsin.

4. Çıktıya uygun metrik kullanın. Sürekli ölçümlerde çözünürlük, sapma, tekrarlanabilirlik, yeniden üretilebilirlik, doğrusallık ve kararlılığı inceleyin. Kategorik etiketlerde sınıf bazında tekrar uyumu, kontrolörler arası uyum, karışıklık örüntüsü, “belirsiz” oranı ve sınıf dengesini izleyin. Tek bir toplam doğruluk nadir fakat kritik hatadaki başarısızlığı saklayabilir; kappa benzeri ölçüler de dengesiz sınıflarda bağlamla yorumlanmalıdır.

5. Uyuşmazlığı fiziksel kanıtla araştırın. Her anlaşmazlığı çoğunluk oyuyla kapatmayın. Karakteristik ve risk gerektiriyorsa kalibre boyutsal ölçüm, kontrollü kaçak testi, CT, kesit alma, metalografi veya uzman kurul gibi uygun referans yöntem kullanın. Savunulabilir referans yoksa “belirsiz” durumunu koruyun.

6. Modelden önce ölçüm prosesini düzeltin. Hata tanımı, ışık, temizleme, fikstür, kalibrasyon, referans görüntü, eğitim veya otomatik kontrol eşiğini iyileştirin. Önemli değişiklikten sonra çalışmayı tekrarlayın. Model ayarı, vardiyaya veya operatöre göre kayan karar sınırını onaramaz.

7. Etiketleri eğitim-verisi kapısından geçirin. Etiketleri doğrulanmış, geçici, çelişkili veya hariç olarak işaretleyin. Donmuş taksonomi ve kural revizyonuyla eğitim/test yapın. Bağımsız incelenmiş referans setini koruyun; performansı yalnızca toplam skorla değil hata türü, göz, kalıp, vardiya ve çalışma durumuna göre raporlayın.

8. Etiket kaymasını üretimde izleyin. Uyuşmazlık, belirsiz ve geçersiz kılma oranlarını takip edin. Yeni kontrolör, kamera, X-ray programı, kaçak fikstürü, resim revizyonu veya müşteri kuralı, döküm prosesi sabitken bile hedefi değiştirebilir. Bu değişiklikleri model kayması ve yeniden eğitim kapısına yönlendirin.

Modellenmiş örnek: sınıflandırıcıyı henüz optimize etmeyin

Bu bir Castella müşteri sonucu değil, modellenmiş bir örnektir: İki kalıp gözünden, açık ve sınır yüzey durumlarını içeren 240 HPDC parçası seçilir. Üç kontrolör rastgele sıralanmış seti mevcut talimatla iki kez değerlendirir. Bariz blisterlerde uyum yüksektir; soğuk birleşme izinin kozmetik akış izleriyle örtüştüğü bölgede zayıftır. Referans inceleme, ışık açısı, temizlik durumu ve birbiriyle yarışan iki hata örneğinin sınırı kaydırdığını gösterir.

Doğru ilk aksiyon daha fazla algoritma karşılaştırmak değildir. Kontrol metodunu düzeltmek, örnekleri revize etmek, belirsiz vakaları korumak ve uyum çalışmasını tekrarlamaktır. Ancak bundan sonra doğrulanmış etiketler atış verisine bağlanıp eğitime açılmalıdır.

Kanıt neyi gösterir, neyi göstermez?

Klasik Gauge R&R birçok sürekli ölçüm görevi için doğrudan uygundur; karmaşık görsel, radyografik veya çok özellikli kararlara mekanik biçimde kopyalanmamalıdır. ISO 22514-7 de esas olarak görece basit tek boyutlu ölçüm proseslerini kapsar. Kategorik kontrolde tasarlanmış uyum çalışması, temsil edici hata yaygınlığı ve mümkünse bağımsız referans gerekir.

Yeterli bir etiket prosesi faydalı modeli garanti etmez; yalnızca önlenebilir önemli bir belirsizlik kaynağını azaltır. Özellik kapsamı, nedensel ilişki, zaman bazlı doğrulama, sınıf dengesizliği ve devreye alma kontrolleri hâlâ önemlidir. Uyuşmazlık da her zaman “operatör hatası” değildir; belirsiz spesifikasyonu veya fiziksel olarak sürekli bir hatanın zorla ikili sınıfa sokulduğunu gösterebilir.

SSS

Yapay zekâ eğitiminden önce %100 kontrolör uyumu gerekir mi?

Otomatik olarak hayır. Kabul kriteri karakteristiğe, karar riskine ve mevcut referans metoda göre belirlenmelidir. Emniyet kritik veya müşteri uygunluk kararları, danışman yüzey taramasından daha güçlü kanıt ister. Eşik ve gerekçe sonuçlar görülmeden önce belgelenmelidir.

Model güveni güvenilmez etiketi telafi eder mi?

Hayır. Güven skoru modelin öğrendiği veri ve varsayımlar içindeki durumunu anlatır; tutarsız hedefi fiziksel gerçeğe dönüştürmez. Etiket belirsizliği kaydedilmeli; belirsiz vakalar hariç tutulmalı, karantinaya alınmalı veya ayrı modellenmelidir.

Daha fazla eğitim verisi etiket gürültüsünü aşar mı?

Daha fazla veri örnekleme belirsizliğini azaltabilir; fakat tekrarlanan tutarsızlık modele kontrol prosesinin önyargısını öğretir. Önce etiket prosesini iyileştirin, sonra daha çok temsil edici ve doğrulanmış örnek toplayın.

Rework görmüş parçalar nasıl etiketlenmeli?

İlk bulguyu, rework aksiyonunu, yeniden kontrol sonucunu ve nihai kararı ayrı olaylar olarak tutun. Eğitim hedefini modelin karar vereceği ana göre seçin; rework öncesi kanıtın üzerine nihai durumla yazmayın.

Kaynaklar

• NIST/SEMATECH: Gauge R&R çalışmaları

• ISO 22514-7:2021 — Ölçüm proseslerinin yeterliliği

• Hata sınıflandırması ve kritik hata eşiği üzerinden imalatta makine öğrenmesi

• Magnezyum HPDC’de makine öğrenmesiyle döküm hatası tahmini

• NIST Yapay Zekâ Risk Yönetimi Çerçevesi 1.0

Castella’nın yaklaşımı bilinçli olarak temkinlidir: ölçüm prosesini doğrula, belirsizliği koru ve modelin otoritesini gelecekteki üretim verisinde kanıtlamasını iste.