Endüstri 4.0, makinelerin, sensörlerin ve iş yazılımlarının birbirine bağlanarak üretimden sürekli ve güvenilir veri alınmasıdır. Yapay zeka entegrasyonu bu verinin üzerine kurulur: arızaların belirtilerini erken fark etmek, kusurlu ürünü ayıklamak, enerji tüketimini ve üretim planını iyileştirmek için kullanılır. Yapay zeka tek başına bir fabrikayı dönüştürmez; doğru veriyle, tek bir sorun üzerinde ve ölçülebilir bir hedefle başlandığında işe yarar.
Bu yazının ilk sürümünü Nisan 2026’da yayımlamıştık. Ekim 2026’da genişlettik: kullanım alanlarını, veri ön koşullarını ve bir projeye nasıl başlanacağını artık daha somut anlatıyoruz.
Endüstri 4.0 ne demek?
Kavram Almanya’da ortaya çıktı. Alman bilim ve mühendislik akademisi acatech’in proje sayfasına göre Endüstri 4.0 çalışma grubu, önerilerini 8 Nisan 2013’te Hannover Messe’de dönemin Almanya Başbakanı Angela Merkel’e sundu. Rapor, “dördüncü sanayi çağına” başarılı bir geçişin koşullarını ortaya koymayı amaçlıyordu.
Pratikte Endüstri 4.0, bir fabrikadaki katmanların birbirine bağlanmasıdır. Uluslararası Otomasyon Derneği ISA’nın ISA-95 standardı bu katmanları şöyle tarif eder:
| Seviye | Ne var? | Örnek |
|---|---|---|
| 0 | Fiziksel üretim süreci | Makineler, üretim hattı |
| 1 | Algılama ve müdahale | Sensörler, vanalar, akıllı cihazlar |
| 2 | İzleme ve denetim | PLC ve dağıtık kontrol sistemleri |
| 3 | Üretim operasyonlarının yönetimi | Üretim yürütme sistemi (MES) |
| 4 | İş planlama ve lojistik | Kurumsal kaynak planlama (ERP) |
Bağlantısı kurulmamış bir tesiste bu katmanlar birbirinden kopuktur: Makinenin durduğu bilgisi operatörün defterinde kalır, üretim miktarı ERP’ye gün sonunda elle girilir. Endüstri 4.0’ın özü, verinin bu katmanlar arasında otomatik ve güvenli biçimde akmasıdır. Bu veri alışverişi için geliştirilmiş standartlardan biri OPC UA; OPC Foundation onu gömülü bir mikrodenetleyiciden bulut altyapısına kadar çalışabilen, şifreleme ve kimlik doğrulamayı içeren, platformdan bağımsız bir mimari olarak tanımlıyor.
Yapay zekanın üretimdeki somut kullanım alanları
Kestirimci bakım
Titreşim, sıcaklık ve akım gibi sensör verilerindeki değişimleri izleyerek bir arızanın belirtilerini önceden yakalamaya çalışır. Amaç, bakımı takvime göre ya da arızadan sonra değil, ekipmanın gerçek durumuna göre planlamaktır. Model bir uyarı üretir; bakım kararını ekip verir. Konuyu kestirimci bakım yazımızda ayrıntılı olarak ele aldık.
Görüntü işleme ile kalite kontrol
Hat üzerindeki kameralar ürünleri görüntüler, model çizik, leke ya da eksik parça gibi kusurları işaretler. Pratikteki zorluk, kusurlu örneklerin az ve çok çeşitli olmasıdır. Bu yüzden yalnızca kusursuz ürün görüntüleriyle eğitilip normalden sapmayı yakalayan anomali tespiti yöntemleri geliştirildi. Endüstriyel muayene için hazırlanan MVTec AD veri seti bu yöntemleri ölçmek için oluşturuldu: 15 kategoride 5.000’den fazla görüntü içeriyor ve eğitim kümesinde yalnızca kusursuz ürünler var. Sahada, modelin emin olmadığı ürünler insan kontrolüne yönlendirilir.
Enerji optimizasyonu
Önce ölçüm gelir. Enerji tüketimi hat ya da makine bazında, üretim miktarıyla birlikte izlenmeden neyin iyileştirileceği bilinemez. Veri toplandıktan sonra boşta çalışan ekipman, gereksiz tepe yükleri ve vardiyalar arasındaki farklar görünür hale gelir; tahmin modelleri tüketimi üretim planıyla birlikte öngörmeye yardım eder. Enerji yönetiminde uluslararası çerçeve ISO 50001 standardıdır; ABD Enerji Bakanlığı’nın 50001 Ready programı, standardın Planla-Uygula-Kontrol Et-Önlem Al döngüsünü yedi uygulanabilir adıma bölerek anlatıyor.
Talep ve üretim planlama
Geçmiş sipariş, satış ve sezon verisinden talebi tahmin edip üretim planını ve stok seviyelerini buna göre ayarlamak mümkündür. Ancak her şey aynı ölçüde tahmin edilemez. Hyndman ve Athanasopoulos’un Forecasting: Principles and Practice kitabına göre bir olayın ne kadar tahmin edilebilir olduğu; onu etkileyen faktörlerin ne kadar iyi anlaşıldığına, ne kadar veri bulunduğuna, geleceğin geçmişe ne kadar benzediğine ve tahminin sonucu etkileyip etkilemediğine bağlıdır. Yeni bir ürünün talebi bu yüzden yerleşik bir ürününkinden daha zor tahmin edilir; tahminleri tek bir sayı yerine bir aralık olarak okumak daha sağlıklıdır.
Önce veri: yapay zekanın ön koşulları
Bir yapay zeka projesinde modelden önce veriye bakmak gerekir. Başlamadan önce şunları kontrol edin:
- Sensör verisi: Doğru noktadan, doğru sıklıkta ve zaman damgasıyla toplanmalı. Hızlı değişen sinyaller, yavaş değişenlere göre çok daha sık örnekleme gerektirir.
- Bağlam verisi: Makinenin o anda çalışıp çalışmadığı, hangi ürünü ürettiği, bakımda olup olmadığı. Bağlamı olmayan sensör verisi yanlış alarmlara yol açar.
- Olay kayıtları: Arızalar, duruşlar, kusurlu ürünler ve nedenleri. Model neyin “kötü” olduğunu bu kayıtlardan öğrenir; kayıtlar defterde ya da serbest metin olarak tutuluyorsa önce düzenlenmeleri gerekir.
- Veri kalitesi: Eksik ölçümler, zamanla kalibrasyonu kayan sensörler, farklı birimler ve saat farkları modelden önce çözülmesi gereken sorunlardır.
- Mevcut sistemlerle entegrasyon: PLC, MES ve ERP’deki veriler birleştirilmeden resim tamamlanmaz. ISA-95 özellikle üretim operasyonları (seviye 3) ile iş sistemleri (seviye 4) arasındaki arayüzü tanımlar.
Makineleri ağa bağlamak saldırı yüzeyini de büyütür; bu konuyu endüstriyel ağlarda siber güvenlik yazımızda ele aldık. Sahadan veri toplama tarafı için IoT ile uzaktan izleme yazımıza da göz atabilirsiniz.
Nereden başlamalı? Tek hat, tek hedef
- Bir sorun seçin. Size en çok maliyet çıkaran kalemle başlayın: plansız duruşlar, fire oranı ya da enerji faturası.
- Kapsamı daraltın. Bütün fabrika yerine tek bir hat, hatta tek bir kritik makine seçin.
- Başlangıç değerini ölçün. Hedef koymadan önce mevcut durumu birkaç hafta ya da ay boyunca ölçün; örneğin “3 numaralı hatta aylık plansız duruş süresi” ya da “paketleme hattında fire oranı”. Başlangıç değeri olmayan bir projenin sonucu ölçülemez.
- Veriyi toplayın ve kontrol edin. Eksik sensörleri ekleyin, kayıtları düzenleyin, verinin güvenilir olduğundan emin olun.
- Basit bir yöntemle başlayın. Kural tabanlı eşikler ya da basit istatistiksel modeller bile bir kıyas noktası oluşturur. Daha karmaşık bir model, ancak bu kıyas noktasını geçtiğinde anlamlıdır.
- Operatörle birlikte değerlendirin. Uyarıları sahadaki ekip görür ve yorumlar. Yanlış alarm çoksa güven kaybolur; ekibin geri bildirimini modele yansıtın.
- Sonuç ölçülebilirse yaygınlaştırın. Hedefe ulaşıldıysa aynı yaklaşımı diğer hatlara taşıyın; ulaşılamadıysa nedenini öğrenmek de değerli bir sonuçtur.
Bu tür projeler Ar-Ge niteliği taşıdığında destek programlarına da konu olabilir; seçenekleri TÜBİTAK ve KOSGEB destekleri yazımızda ele aldık.
Sık yapılan hatalar
- Teknolojiyle başlamak: Önce bir platform satın alıp sonra ona uygun sorun aramak. Doğru sıra sorun, veri ve yöntemdir.
- Her şeyi aynı anda dönüştürmeye çalışmak: Kapsam büyüdükçe veri sorunları çoğalır, sonuç gecikir ve projeye olan destek azalır.
- Veri kalitesini sonraya bırakmak: Bir model, beslendiği verinin kalitesinden daha iyi sonuç veremez.
- Abartılı beklenti: Yapay zeka hataları azaltabilir ve arızaları daha erken fark ettirebilir, ama hatayı tamamen ortadan kaldırmaz ve her durumda kendi başına doğru karar vermez. Model uyarı ve öneri üretmeli, kritik kararlar insanda kalmalıdır.
- Pilotun ardından bakımı unutmak: Yeni bir ürün, değiştirilen bir sensör ya da farklı bir hammadde, modelin öğrendiği koşulları değiştirir. Modelin performansı düzenli izlenmeli, gerektiğinde yeniden eğitilmelidir.
Sık sorulan sorular
Eski makinelerle Endüstri 4.0 mümkün mü?
Çoğu zaman evet. Makinenin kendi kontrol sistemi veri vermiyorsa harici titreşim, akım ya da sıcaklık sensörleri ve bir ağ geçidiyle veri toplanabilir. Önemli olan, toplanan verinin hangi soruya cevap vereceğinin baştan belli olmasıdır.
Yapay zeka için ne kadar veri gerekir?
Göreve göre değişir. Görsel anomali tespiti, MVTec AD örneğinde olduğu gibi yalnızca kusursuz ürün görüntüleriyle başlayabilir. Talep tahmini ise birkaç sezonu kapsayan geçmiş veri ister. Kestirimci bakımda geçmiş arıza kayıtları olmadan modelin uyarılarını doğrulamak zordur.
Sonuç
Endüstri 4.0, verinin makineden iş sistemlerine kesintisiz ve güvenli akmasıdır. Yapay zeka bu verinin üzerine kurulduğunda bakım, kalite, enerji ve planlamada ölçülebilir iyileşmeler sağlayabilir. En sağlam başlangıç; tek bir hat, ölçülmüş bir başlangıç değeri ve net bir hedeftir.
Görüntü işleme, sinyal işleme ve yapay zeka modüllerini Ar-Ge yazılım projelerinde sahaya taşıyoruz. Üretim hattınız için bir başlangıç noktası arıyorsanız yapay zeka çözümleri ve akıllı şehir ve IoT sayfalarımıza göz atabilir ya da bize yazabilirsiniz; verinize ve hedefinize birlikte bakalım.
