endüstri-4-0--37

kalıpları ve korelasyonları tanımasını ve bunlardan
otomatik olarak iyileştirmeler elde etmesini sağlar.”
Çoğu durumda makinelerin hatalarından ders çıkarması
ve diğer makinelerin teknik bilgilerini benimsemesi de
mümkündür.
Ortak bir yapay zeka modeli oluşturmak için kullanılan
merkezi olmayan veriler
Tek bir torna tezgahından elde edilen veriler genellikle
doğru bir YZ modeli için temel olarak yetersiz olduğundan,
federe öğrenme tekniği sıklıkla kullanılır. Federe öğrenme,
verilerin merkezi olmayan biçimde depolandığı ancak
verilerin doğrudan paylaşılmadığı ortak bir YZ modelinin
“eğitimini” kolaylaştırır. Bu nedenle bireysel veriler ilgili
makinelerde kalır ve merkezi olarak tek bir yerde (makine
üreticisinin bulutu gibi) depolanması gerekmez.
Yapay zeka modelleri, tesisin mevcut durumunu tahmin
etmek için devam eden torna verilerini kullanır ve
ardından bunu işletme personeline iletir. Bunun için
derin öğrenme sinir ağları kullanılıyor.
Trumpf’tan akıllı sıralama asistanı
Ditzingen, Baden-Württemberg, Almanya’daki lazer
Dijital Dönüşüm
uzmanı Trumpf tarafından oluşturulan ve üretilen
parçaları ayırmaya ve böylece makine kullanım
seviyelerini artırmaya yardımcı olan bir sistem olan
Sıralama Kılavuzunu çalıştırmak için de yapay zeka
kullanılıyor. Ayıklama Kılavuzu, merkezi olmayan makine
öğrenimine dayanan kamera tabanlı bir yardımcı
sistemdir. Yapay zeka sisteminin ana bileşenleri yüksek
çözünürlüklü bir kamera, büyük bir ekran, endüstriyel bir
bilgisayar ve görüntü işleme için akıllı bir yazılımdır.
Prenode CEO’su Hirt, prensibi açıklarken “Merkezi
olmayan makine öğrenimi, bir yapay zeka sistemi
oluşturmak için birkaç makinenin birbirine bağlanmasını
içerir” diyor. Bu makineler sürekli olarak iş süreçleri
hakkında yerel veriler toplar. Her makine için bir
yapay zeka modeli geliştirilir ve bu model daha sonra
merkezileştirilir. “Hirt sözlerine şöyle devam ediyor: “Bu
modeller daha sonra merkezi bir bulutta birleştiriliyor ve
tek tek sistemlere geri aktarılıyor. Yapay zeka sistemi daha
sonra hassas ham verileri paylaşmak zorunda kalmadan
diğer tüm makinelerin deneyimlerinden yerel olarak
faydalanabiliyor. Hirt, “Bu, makinelerin süreçlerini daha
verimli bir şekilde yürütmelerini ve daha fazla üretkenlik
elde etmelerini sağlıyor” diyor.
Prenode GmbH’nin
CEO’su ve kurucusu
Dr.-Ing. Robin Hirt
Endüstri 4.0 Dergisi - Sayı 37 - 2023 21