📋 İçindekiler
ML ve Endüstri Mühendisliği Kesişimi
Endüstri mühendisleri her zaman veri odaklı karar vermiştir — istatistik, yöneylem araştırması, kalite kontrol. Makine öğrenmesi, bu geleneksel yaklaşımları daha güçlü, daha ölçeklenebilir ve daha doğru hale getirmektedir.
• Kestirimci bakım ile plansız duruş %30-50 azalıyor
• ML tabanlı kalite tahmini, muayene maliyetini %40 düşürüyor
• Talep tahmininde MAPE %20-50 iyileşiyor
• Proses optimizasyonu ile enerji tüketimi %5-15 düşüyor
• McKinsey: Üretimde AI'ın potansiyel yıllık değeri 1.2-2 trilyon dolar
ML Temelleri
| Öğrenme Tipi | Veri | Hedef | Endüstri Uygulaması |
|---|---|---|---|
| Denetimli (Supervised) | Etiketli (X, y) | y'yi tahmin et | Kalite tahmini, talep tahmini, arıza tespiti |
| Denetimsiz (Unsupervised) | Etiketsiz (X) | Yapı keşfet | Müşteri segmentasyonu, anomali tespiti, bakım kümeleme |
| Pekiştirmeli (Reinforcement) | Çevre etkileşimi | Ödülü maksimize et | Robot kol kontrolü, üretim çizelgeleme, hat dengeleme |
Regresyon
Sürekli değer tahmini: piston çapı, çevrim süresi, verim oranı, enerji tüketimi. Algoritmalar: Linear Regression, Ridge, Lasso, Random Forest Regressor, XGBoost.
Sınıflandırma
Kategori tahmini: OK/NG, makine durumu (sağlıklı/uyarı/kritik), kök neden sınıflandırma. Algoritmalar: Logistic Regression, SVM, Random Forest, XGBoost, Neural Net.
Kümeleme
Doğal grupları keşfetme: ürün aileleri, müşteri segmentleri, arıza tipleri. Algoritmalar: K-Means, DBSCAN, Hierarchical Clustering.
Anomali Tespiti
Normalden sapmaları tespit etme: makine arıza öncesi belirti, kalite sapması, siber saldırı. Algoritmalar: Isolation Forest, Autoencoder, One-Class SVM.
Endüstri Mühendisliği Uygulama Alanları
| Alan | Problem | ML Yaklaşımı | Tipik Algoritma |
|---|---|---|---|
| Kestirimci Bakım | Makine ne zaman bozulur? | Titreşim/sıcaklık verisinden RUL tahmini | LSTM, XGBoost, Survival Analysis |
| Kalite Tahmini | Ürün OK mu NG mi? | Proses parametrelerinden kalite tahmini | Random Forest, XGBoost, CNN (görsel) |
| Talep Tahmini | Gelecek ayın satışı ne olacak? | Geçmiş veri + dış faktörler | XGBoost, LSTM, Prophet |
| Proses Optimizasyonu | Optimal parametre seti nedir? | ML surrogate + optimizasyon | Bayesian Optimization, RL |
| Görsel Kalite Kontrol | Yüzey kusurunun tespiti | Kamera görüntüsünden sınıflandırma | CNN, YOLO, ResNet |
| Çizelgeleme | Makine-iş ataması | Dinamik çizelgeleme | RL, Genetic Algorithm + ML |
ML Proje Yaşam Döngüsü
İş problemi → ML problemi dönüşümü. "Hurda oranını düşür" → "Proses parametrelerinden NG tahmini (ikili sınıflandırma)". Başarı metriği ve baseline belirleme.
SCADA, MES, ERP, kalite verisi birleştirme. Eksik veri tedavisi, outlier tespiti, veri tipleri dönüşümü. Proje süresinin %60-80'i burada harcanır!
Ham veriden anlamlı özellikler türet: hareketli ortalama, standart sapma penceresi, lag değerleri, oran hesaplama. Domain bilgisi burada kritik — endüstri mühendisinin avantajı!
Train/validation/test split (%70/15/15). Cross-validation. Hiperparametre optimizasyonu (GridSearch, Optuna). Başlangıç: her zaman basit modelden başla!
Sınıflandırma: Accuracy, Precision, Recall, F1-Score, AUC-ROC. Regresyon: MAE, RMSE, R². İş değeri ile ilişkilendir: "Her %1 doğruluk artışı = X TL/yıl tasarruf".
Modeli üretime al: API, edge device, veya MES entegrasyonu. Data drift izleme, periyodik yeniden eğitim. Modeliniz canlıyken de bakım ister!
Uygulama: Kalite Tahmini Modeli
Firma: PQR Plastik San. A.Ş. — Kocaeli
Ürün: Otomotiv iç kaplama parçası
Problem: %4.8 hurda oranı — müşteri hedefi <%1
Veri: 3 aylık SCADA verisinden 12 proses parametresi, 85.000 parça
| Özellik (Feature) | Açıklama | Önem Sırası |
|---|---|---|
| Eriyik sıcaklığı (°C) | Plastik malzemenin işlem sıcaklığı | 🥇 1 |
| Enjeksiyon basıncı (bar) | Kalıp doldurma basıncı | 🥈 2 |
| Tutma süresi (sn) | Basınç altında bekleme | 🥉 3 |
| Soğutma süresi (sn) | Kalıpta soğuma süresi | 4 |
| Kalıp sıcaklığı (°C) | Kalıp yüzey sıcaklığı | 5 |
| Geri basınç (bar) | Vida geri çekilme basıncı | 6 |
| Enjeksiyon hızı (mm/s) | Malzeme doldurma hızı | 7 |
| Yastık mesafesi (mm) | Kalan eriyik miktarı | 8 |
| Model | Accuracy | Precision | Recall (NG) | F1 (NG) | AUC-ROC |
|---|---|---|---|---|---|
| Logistic Regression | %93.2 | %61.4 | %48.5 | %54.2 | 0.82 |
| Random Forest | %96.1 | %78.3 | %72.8 | %75.4 | 0.94 |
| XGBoost | %97.3 | %84.1 | %79.6 | %81.8 | 0.96 |
| LightGBM | %97.1 | %82.8 | %78.3 | %80.5 | 0.95 |
| Neural Network | %96.5 | %80.2 | %74.1 | %77.0 | 0.94 |
XGBoost seçildi! (En yüksek F1 ve AUC-ROC)
İş Etkisi:
Mevcut hurda: 85.000 × 4.8% = 4.080 adet/3 ay → 16.320 adet/yıl
Model ile erken tespit ve müdahale: Recall %79.6 → hataların %80'i önceden bildiriliyor
Hurda azaltım: 16.320 × 0.80 × 0.60 (müdahale başarısı) = −7.834 adet/yıl
Hurda oranı: %4.8 → %1.9
Parça başı maliyet: 45 TL → Yıllık tasarruf: 352.530 TL
💡 Feature importance analizi, eriyik sıcaklığı ve enjeksiyon basıncının en kritik parametreler olduğunu gösterdi — operatörlere bu parametreler için sıkı tolerans uyarısı verildi.
Gerçek Dünya Vaka Çalışmaları
Büyük bir Türk çelik şirketi, hadde hattında 200+ sensörden toplanan titreşim, sıcaklık ve akım verileriyle LSTM tabanlı kestirimci bakım modeli kurdu. Rulman arızalarını 72 saat önceden tahmin ediyor. Plansız duruş %45 azaldı, yıllık bakım tasarrufu 8.5 milyon TL.
Bir Türk ilaç şirketi, tablet presleme prosesinde ML surrogate model + Bayesian Optimization kullanarak optimal parametre setini belirledi. Tablet sertliği ve ağırlık varyasyonu eş zamanlı optimize edildi. Cpk değeri 1.1'den 1.8'e yükseldi.
Geleceğe Bakış
- AutoML: Model seçimi, hiperparametre optimizasyonu ve feature engineering otomatik — endüstri mühendisi modellemeye değil probleme odaklanır
- TinyML / Edge AI: ML modeli sensör veya PLC üzerinde çalışır — buluta bağımlılık yok, milisaniye gecikme
- Explainable AI (XAI): "Model neden NG dedi?" sorusuna cevap verebilen SHAP/LIME açıklamaları — üretimde güven ve kabul
- Foundation Models for Manufacturing: Büyük dil modellerinin üretim verisi üzerinde eğitilmiş versiyonları — konuşarak proses analizi ve optimizasyon önerisi
Makine öğrenmesi algoritmalarını inşa etmek veri bilimcinin, ama doğru problemi bulmak, doğru veriyi toplamak, doğru feature'ı türetmek ve sonuçları iş değerine çevirmek endüstri mühendisinin işidir. Domain bilgisi + ML = fabrikada gerçek dönüşüm. Excel'den Python'a geçiş, endüstri mühendisinin en önemli 21. yüzyıl becerisidir.