Dökümhane Yapay Zekâsı Hangi Verilere İhtiyaç Duyar? HPDC ve LPDC İçin Minimum Veri Modeli

Kısa cevap: Dökümhane yapay zekâsının mevcut her sensör etiketine ihtiyacı yoktur. Parça kimliğini, makine ve termal durumu, proses eğrisini, kontrol sonucunu ve doğrulanmış aksiyonu birbirine bağlayan izlenebilir bir zincire ihtiyacı vardır. Bu zincir kopuksa daha fazla PLC verisi öğrenme değil, yalnızca hacim üretir.

Bu yazı, HPDC ve LPDC ekipleri için pratik bir başlangıç çerçevesi olan Castella Dökümhane Yapay Zekâsı Minimum Veri Modelini sunar. Bu evrensel bir standart değildir; mühendislerin denetleyebildiği, test edebildiği ve geliştirebildiği yapay zekâ önerileri oluşturmak için saha odaklı bir modeldir.

“Daha fazla veri” neden yanlış hedeftir?

Bir basınçlı döküm hücresi her çevrimde binlerce değer üretebilir. Bu, kendiliğinden yararlı bir eğitim kaydı oluşturmaz. Doğru kalıp, göz, alaşım partisi ve kontrol sonucu bulunmayan bir basınç eğrisi yalnızca bir dalga formudur. Çevrim geçmişine bağlanmamış hata etiketi ise yalnızca bir kalite kaydıdır.

Asıl hedef bağlamlandırılmış kanıttır. NIST’in ileri imalat çalışmaları güvenilir analitiğin temeli olarak veri toplama, dönüştürme, izlenebilirlik ve birlikte çalışabilirliği vurgular. NIST Yapay Zekâ Risk Yönetimi Çerçevesi de geçerlilik, güvenilirlik, şeffaflık ve sürekli ölçümü güvenilir yapay zekânın temel özellikleri arasında ele alır.

Bir dökümhane için bu ilkeler tek bir pratik soruya dönüşür:

Bir mühendis bu önerinin neden verildiğini, hangi kanıtın öneriyi desteklediğini ve değişikliğin sonraki üretim aralığını iyileştirip iyileştirmediğini yeniden kurabiliyor mu?

Cevap hayırsa sistem operasyonel karar desteğine hazır değildir.

Her döküm çevriminin taşıması gereken altı kayıt

1. Parça ve üretim kimliği

Her çevrim, ileri analitikten önce kararlı bir kimliğe ihtiyaç duyar:

• tesis, hat, makine ve hücre;

• parça numarası, kalıp/takım kimliği, göz ve revizyon;

• alaşım, ergiyik veya parti kimliği ve metal işlem durumu;

• çevrim zaman damgası, vardiya ve üretim emri;

• reçete sürümü ve ilgili bakım durumu.

Bu katman, modelin farklı parçaları, kalıp gözlerini veya takım koşullarını tek bir proses gibi değerlendirmesini önler. Kök neden analizinin yeniden üretilebilir olmasını sağlar.

2. Yalnızca set değerleri değil, prosesin gerçek seyri

Set değeri makineden ne istendiğini, gerçek eğri ise ne olduğunu gösterir.

HPDC’de minimum yararlı iz; yavaş ve hızlı faz hızı, faz geçişi, switch-over pozisyonu, dolum süresi, intensifikasyon basıncı, vakum zamanlaması ve ilgili alarmları kapsar. LPDC’de ise yükseltme, dolum, besleme/tutma ve boşaltma aşamalarındaki basınç-zaman eğrisi, basınç kararlılığı ve kesintiler gerekir.

Tek bir ortalama yerine eğriyi veya anlamlı mühendislik özelliklerini saklayın. Aynı ortalama basınca sahip iki çevrimin geçişleri tamamen farklı olabilir. LPDC ekipleri için basınç eğrisi mühendislik akışımız, aşamaların neden ayrı yorumlanması gerektiğini açıklar.

3. Termal ve yardımcı sistem durumu

Döküm kalitesi, metal kalıp boşluğuna girmeden önce sistemin içinde bulunduğu duruma bağlıdır. Minimum termal kayıt şunları içermelidir:

• ergiyik ve bekletme fırını sıcaklığı;

• anlamlı bölgelere göre kalıp sıcaklıkları;

• soğutma suyu debisi, sıcaklığı ve zamanlaması;

• ilgili proseslerde kalıp spreyi veya ayırıcı zamanlaması;

• çevrim kesintileri, ısınma ve yeniden başlatma koşulları.

Termal değerler konum, birim, örnekleme zamanı ve sensör sağlığı ile tutulmalıdır. Hangi bölgeyi temsil ettiği bilinmeyen “kalıp sıcaklığı” değeri yeterli değildir. Aynı kural debi, basınç ve zaman birimleri için de geçerlidir.

4. Malzeme ve takım durumu

Yapay zekâ, malzeme veya takım değişikliğini makine parametresi problemi olarak açıklamamalıdır. Çalışma penceresini değiştirebilecek koşulları kaydedin:

• mevcutsa alaşım sertifikası veya doğrulanmış kompozisyon;

• ergiyik hazırlama, gaz giderme ve transfer geçmişi;

• kalıp kaplama, yağlama ve temizlik durumu;

• hava tahliye, vakum ve soğutma devresi bakımı;

• takım ömrü, onarım olayları ve kontrollü değişiklikler.

Bu değerlerin hepsi yüksek frekansta örneklenmek zorunda değildir. Doğru yürürlük tarihine sahip olmaları gerekir; böylece her çevrim doğru koşulu devralır.

5. Konumu ve kanıtı olan kalite sonucu

İmalat yapay zekâsındaki en yaygın başarısızlık zayıf etiketlemedir. “Porozite” çoğu zaman yeterli değildir. Yararlı bir sonuç kaydı şunları içermelidir:

• kabul, fire, rötuş veya bekletme durumu;

• hata ailesi ve şüphelenilen mekanizma;

• hata konumu, kalıp gözü ve şiddeti;

• kontrol yöntemi: görsel, X-ray, CT, sızdırmazlık, talaşlı işlem veya kesit;

• kontrol zaman damgası ve mümkünse görüntü/rapor referansı;

• kalite veya proses mühendisinin doğruladığı karar.

Örneğin gaz ve çekinti porozitesi farklı düzeltme mantığı gerektirir. HPDC teşhis akışımız, parametre değiştirmeden önce morfoloji, CT, enjeksiyon eğrisi, vakum ve termal kanıtın neden birleştirilmesi gerektiğini gösterir.

6. Müdahale, onay ve doğrulama sonucu

Bir öneri ancak değişiklik ve sonucu kaydedildiğinde kurumsal bilgiye dönüşür:

• değiştirilen parametre, eski ve yeni değer;

• gerekçe ve destekleyen kanıt;

• değişikliği inceleyen veya onaylayan kişi;

• uygulandığı zaman ve üretim aralığı;

• önce/sonra kalite, kararlılık ve çevrim süresi sonucu;

• model veya kural sürümü, güven düzeyi ve belirtilen sınırlar;

• koruma, geri alma veya daha fazla inceleme kararı.

Bu kayıt öğrenme döngüsünü kapatır ve geçici bir iyileşmenin nedensel sonuç sanılmasını önler.

Yeni bir panelden önce ortak bir veri sözleşmesi gerekir

Dökümhaneler makineleri başarıyla bağlasa bile ortak anlamı kaybedebilir. Bir hatta PRESSURE_1 set değerini, diğerinde gerçek değeri, üçüncüsünde filtrelenmiş ortalamayı temsil edebilir.

Bu nedenle veri sözleşmesindeki her değişken şunları taşımalıdır:

• kararlı ad ve tanım;

• birim ve beklenen aralık;

• kaynak sistem ve sensör konumu;

• örnekleme veya toplulaştırma kuralı;

• zaman damgası ve saat kaynağı;

• eksik değer ve sensör arızası durumu;

• reçete, takım ve parça bağlamı.

OPC UA ve MTConnect gibi açık endüstriyel yaklaşımlar, yapılandırılmış bilgi modellerinin ve semantik bağlamın değerini gösterir. Bir dökümhanenin bu ilkeyi benimsemek için tüm eski sistemlerini değiştirmesi gerekmez: değerler makineden MES’e, kalite sistemine ve yapay zekâya taşınırken anlamını korumalıdır.

Dökümhane yapay zekâsı için pratik kanıt basamakları

Her tesis doğrudan otomatik kontrole geçmemelidir. Daha güvenli olgunluk yolu şöyledir:

1. Tanımla: Çevrim, termal ve kalite kayıtlarını birleştir.

2. Teşhis et: Tekrarlanabilir ilişkileri ve rakip kök nedenleri ayır.

3. Öner: Gerekçe ve güven düzeyiyle sınırlı parametre değişiklikleri sun.

4. Doğrula: Belgelenmiş proses sınırları içinde mühendis onaylı denemeler yap.

5. Standartlaştır: Yalnızca tekrarlı üretim ve kalite incelemesinden geçen değişiklikleri koru.

6. İzle: Sapmayı tespit et; bağlam doğrulanmış aralıktan çıktığında öneriye güvenmeyi durdur.

Castella’nın mühendislik karar desteği olarak tasarlanmasının nedeni budur. Geleneksel döküm simülasyonu, canlı üretim verisi ve insan doğrulaması farklı roller üstlenir. Simülasyon ve gerçek zamanlı yapay zekâ karşılaştırmamız, bu araçların birbirini nasıl tamamladığını açıklar.

30 günlük minimum uygulanabilir kurulum

Her etiketi bağlayarak başlamayın. Tek parça, tek hata ailesi ve sorumlu tek ekip seçin.

1. hafta — Soruyu tanımlayın. Bir HPDC gözündeki gaz porozitesi veya bir LPDC jantındaki kararsız besleme gibi ölçülebilir bir problem seçin. Hata tanımını ve başarı metriğini sabitleyin.

2. hafta — Çevrim kaydını kurun. Kimlik, proses, termal ve malzeme/takım bağlamını bağlayın. Birimleri, zaman damgalarını ve eksik değerleri sahada doğrulayın.

3. hafta — Kalite kanıtını birleştirin. Kontrol sonuçlarını doğru çevrime veya üretim aralığına bağlayın. Belirsiz etiketleri proses ve kalite mühendisleriyle gözden geçirin.

4. hafta — Sınırlı önerileri test edin. Baz üretim aralığını kontrollü, mühendis onaylı değişikliklerle karşılaştırın. Her müdahaleyi, sonucu ve koruma/reddetme gerekçesini kaydedin.

Teslimat güzel bir panel değildir. Tekrarlanabilen, küçük ve denetlenebilir bir kanıt zinciridir.

Sık sorulan sorular

Bir dökümhane yapay zekâ projesi için ne kadar geçmiş veri gerekir?

Savunulabilir evrensel bir çevrim sayısı yoktur. İhtiyaç; hata sıklığına, proses varyasyonuna, parça ve göz sayısına, etiket kalitesine ve hedeflenen karara bağlıdır. Odaklı bir prosesten gelen temiz, bağlamlandırılmış kayıtlar; yıllarca birikmiş karışık ve zayıf etiketli veriden daha yararlı olabilir.

Yeni sensör almadan başlayabilir miyiz?

Çoğu zaman evet. Mevcut PLC, makine eğrileri, fırın kayıtları, termal ölçümler ve kalite sonuçlarıyla başlayın. Yalnızca karar açısından kritik bir değişken eksik veya güvenilmezse sensör ekleyin.

Yapay zekâ makine parametrelerini otomatik değiştirmeli mi?

Başlangıçta hayır. Sınırlı öneriler, mühendis onayı, belgelenmiş sınırlar ve geri dönüş yolu ile başlayın. Otomasyon, kanıtlanmış geçerlilik ve güvenilir izlemenin ardından gelmelidir.

En önemli tek alan hangisidir?

Tek bir alan yoktur. En önemli varlık, doğru parçayı veya üretim aralığını proses geçmişi ve kontrol edilmiş sonuçla bağlayan ortak anahtardır.

Son ilke

Rekabet avantajı en büyük veri gölüne sahip olmak değildir. Bir döküm sonucunu, sonraki kararı iyileştiren izlenebilir bir derse çevirebilmektir.

Kimlik, proses, termal durum, malzeme/takım koşulu, kalite kanıtı ve insan onaylı müdahaleler bağlı kaldığında yapay zekâ tekrarlanabilir döküm mühendisliğini destekleyebilir. Bu kayıtlar ayrıldığında en güçlü model bile tahmin yürütmek zorunda kalır.

Serdar Perçin, Castella AI for Die Casting’in kurucusu ve Metalurji ve Malzeme Mühendisidir. Castella; HPDC, LPDC ve kum döküm ekipleri için proses fiziğini, üretim kanıtını ve insan mühendislik doğrulamasını birleştiren pratik karar desteği geliştirir.