Özet:
Üretim sistemlerinde, operasyon sırasında tekrarlayan arızalar ve planlı bakım
duruşları, üretim verimliliği açısından büyük bir öneme sahiptir. Plansız üretim
duruşları ve planlı bakım sırasında uygulanan, veriye bağlı olmadan yapılan geçici
müdahaleler, işletmelerde büyük zaman ve para kayıplarına neden olmaktadır.
Son zamanlarda büyük gelişmelerin yaşandığı Endüstri 4.0 teknolojileri,
makinelerden toplanan gerçek zamanlı verileri (BigData) kapsamlı bir şekilde
depolanarak potansiyel sorunların kalıcı olarak çözümü için yol göstermektedir.
BigData ile birlikte oluşturulan yapay zekâ algoritmaları ile arızaların, kronik
problemlerin analiz edilmesinde ve aksiyonlar alınmasında büyük öneme sahiptir.
Yapay zekâ üzerinden tespit edilen aksiyon planları ile işletmelerde üretim
verimliliğinin sağlanmakta ve yüksek bakım giderleri minimum seviyelere
indirilmektedir.
Bu çalışmamızda, üretim hattı kutulama robotlarına ait ortalama arıza süresi
(MTTF) değerleri ve geçmiş arıza verileri kullanılarak sistem arıza tahmini için
yapay sinir ağı (ANN) modeli oluşturulmuştur. Nesnelerin interneti (IoT) teknolojisi
kullanılmadan kurgulanan makine öğrenmesi modeli üzerinden birçok iterasyon
denemesi yapılmış ve başarı yüzdesi en yüksek olan iterasyon belirlenmiştir. İlave
olarak sistemin MTTF karakteristği tespit edilerek arızaların tahmin başarısı
artırılmıştır. Yaşanan duruşların minimum sürelerde çözülebilmesi için yedek parça
analizi yapılmış ve robot üzerindeki ekipmanların teknik depo adetleri
belirlenmiştir. Bu sayede geçmiş arıza verileri ile robot üzerinde başarılı bir
kestirimci bakım uygulaması yapılması yanında duruşların minimum sürelerde
çözülmesi için çalışmalar yapılmıştır.