- Üyelik Tarihi
- 11 Eki 2026
- Mesajlar
- 8,429
- Beğeniler
- 1,052
- Puanlar
- 4,401
Korea IT Times: Siemens, Fabrika Yapay Zekasıyla Denetim Hazırlığını Dönüştürüyor… Kore Üretimi de Geçiş Maliyetlerini Ölçmeli
NVIDIA ile Dijital İkiz Tabanlı Denetim Hazırlığı ve Üretim Planlaması Geliştiriliyor… Yatırım Etkinliği, Hazırlık Süresini, İlk Hataları ve Ekipman Bağlantı Maliyetlerini Yansıtmalı
Yeni ürünlerin üretimi, ekipman kurulumu, denetim hazırlığı ve deneme üretimi gerektirir. Bu süreçte üretim hattı durur ve mühendislerin iş gücü harcanır. İlk hatalar ve yeniden denetimler de maliyetlere yol açar. Üretim yapay zekasının yatırım etkinliğini değerlendirmek için öncelikle ürün ve sipariş değişiklikleri için gereken geçiş maliyetlerini belirlemek gerekir.
19 Ekim'de Siemens, Almanya'nın Erlangen kentindeki elektronik fabrikasında NVIDIA ile iş birliği içinde geliştirilen ve test edilen bir yapay zeka çözümünü tanıttı. Uygulama alanı, baskılı devre kartı (PCB) montajları için denetim hazırlığı ve üretim planlamasıdır. Ürünleri ve fabrikaları sanal ortamda yeniden yaratan dijital ikizler kullanarak denetim eğitim materyalleri oluşturuyor ve üretim planı değişikliklerinin etkisini önceden inceliyoruz.
Prototip Üretimi Öncesinde Denetim Hazırlığı
Geleneksel PCB denetimi için gerçek prototiplere ihtiyaç duyuluyordu. Mühendisler bir prototip temin eder, denetim ekipmanını kurar ve görüntüleme sistemini eğitirdi. Siemens ve NVIDIA, tasarım ve bileşen bilgilerini dijital ikizlere dönüştürüyor ve denetim hazırlığında kullanılmak üzere normal ürünleri ve kusurları temsil eden bileşik görüntüler oluşturuyor.
NVIDIA'da Fiziksel Yapay Zeka Simülasyonu Başkan Yardımcısı Lev Levaredian, 21 Ekim'de yaptığı resmi açıklamada, "Üreticilerin denetim hazırlığına başlamak için ilk fiziksel devre kartını beklemesine gerek kalmamalı" dedi. Ortak geliştirmeye katılan bir tedarikçinin teknik lideri tarafından yapılan bu açıklama, uygulamanın amacını açıklıyor. Bağımsız performans değerlendirmesinden ayırt edilmelidir.
Tasarım ve prototip üretimiyle paralel olarak denetim hazırlığı, üretime girme süresini azaltabilir. Bununla birlikte, gerçek ürünün yüzey yansımalarını, aydınlatmasını ve bileşen varyasyonlarını yansıtan doğrulama gereklidir. Hem aşırı tespit (normal ürünleri kusurlu olarak tanımlama) hem de eksik tespit (kusurları gözden kaçırma) aynı anda ölçülmelidir.
Denetim hazırlık süresi kısaltılsa bile, yeniden denetim ve müşteri kusurlarına yanıt verme maliyetleri artarsa yatırım getirisi azalır. Şirketler, kurulum süresinin azaltılmasını ve ilk seri üretim kalitesini aynı değerlendirmeye dahil etmelidir.
Maksimum tasarruf oranları, gerçek performans sonuçlarından ayrı tutulmalıdır.
Siemens, 19'unda yaptığı açıklamada, sanal üretim hazırlığı yoluyla mühendislik iş yükünü %85'e kadar azaltma ve pazara sunma süresini %40'a kadar kısaltma potansiyelini sundu. 21'inde yaptığı takip açıklamasında ise şirket, Otomatik Optik Muayene (AOI) programlarının oluşturulmasındaki manuel yükü %85'e kadar azaltmayı hedefleyen bir proje belirledi. Bu nedenle, "müşteri fabrikalarında doğrulanmış ortalama performans" olarak "%85 azalma"yı bildirmek için yeterli dayanak bulunmamaktadır.
İş yükü azaltımı ve nakit çıkışı azaltımı da birbirinden ayrı tutulmalıdır. Mühendisler daha önce muayene hazırlığına harcadıkları zamanı diğer geliştirme görevleri için kullanmışlarsa, bu geliştirme kapasitesinin arttığı anlamına gelir. Bu, işçilik maliyetlerinin aynı oranda azaldığı anlamına gelmez. Yatırım değerlendirmesinde, çalışma
Üretim Planlarındaki Değişiklikler Onay ve Kurtarma Prosedürleri Gerektirir
Siemens tarafından tanıtılan üretim planlama sistemi, yeni siparişlere yanıt olarak çeşitli üretim senaryoları oluşturuyor. Bir yapay zeka ajanı, ekipman kapasitesini, malzemeleri ve teslimat sürelerini yansıtan seçenekler sunuyor ve uygulamadan önce fabrikanın dijital ikizini kullanarak bunları doğruluyor. Şirket, bu yöntemle %20'ye varan potansiyel maliyet düşüşü önerdi. Bu, fabrikanın genel maliyetlerinin zaten %20 oranında azaltıldığı anlamına gelmez.
Üretim planlamasının performansı, zamanında teslimat oranlarına, yarı mamul stoklarına, fazla mesaiye ve acil sevkiyat maliyetlerine yansır. Acil siparişlerin önce işlenmesi, diğer siparişlerin teslimatını geciktirebilir. Ekipman kullanım oranlarının artması, satılmayan stokların birikmesine yol açabilir. Yapay zeka tarafından önerilen planlar bu maliyetleri hesaba katmalıdır.
Şirketler, plan değişikliklerini onaylama yetkisini tanımlamalı ve bu tür kararların dayanağını kaydetmelidir. Sorumlu kişi, önerileri değiştirebilmeli veya reddedebilmelidir. Malzeme kıtlığı veya ekipman arızaları nedeniyle planlar aksadığında kurtarma prosedürlerinin de uygulanması gerekmektedir.
Kore Üretiminde Öncelikle Geçiş Maliyetlerinin Hesaplanması Gerekir
Koreli üreticilerin bu durumda dikkate alması gereken şey, kendi fabrikalarında ürün ve siparişleri değiştirmenin maliyetidir. Muayene programlarının değiştirilmesi, ekipman kurulumu, test üretimi ve ilk kusurların giderilmesiyle ilgili zaman ve harcamalar toplanmalıdır. Performansın daha sonra doğrulanması için yapay zeka uygulamasına geçmeden önce standartlar belirlenmelidir.
Ölçüm, hedef sürecin kapsamını daraltarak başlamalıdır. Yeni ürün tasarımının kesinleşmesinden muayene onayına kadar geçen süre, model değişikliklerinden kaynaklanan duruş süreleri ve seri üretim sırasında ilk kusur oranı ve yeniden muayene süresi kaydedilmelidir. Uygulama öncesi ve sonrası üretim hacmi, ürün çeşitliliği, sipariş bileşimi ve işçi yeterliliğindeki farklılıklar da yansıtılmalıdır.
Yatırım maliyetleri, yazılım, bilgisayar ekipmanı, mevcut tesislere bağlantı, veri temizliği, model güncellemeleri, saha doğrulaması ve eğitim giderlerini içermelidir. Bu maliyetlerin atlanması, hesaplanan geri ödeme süresinin gerçek süreden daha kısa olmasına neden olacaktır. Nihai etki, kalite kontrolünden geçen tek bir ürünün üretiminin toplam maliyetine göre doğrulanmalıdır.
Diğer Ürün Tiplerine Uygulanırken Ek Maliyetler Kontrol Edilmelidir
İlk gösterimden sonra, sistemin diğer ürün tiplerine ve üretim hatlarına uygulanmasının maliyetleri doğrulanmalıdır. Her ürün değişikliğinde verilerin yeniden düzenlenmesi ve denetim programlarının manuel olarak değiştirilmesi gerekiyorsa, işletme maliyetleri artmaya devam edecektir. Mevcut tasarım bilgilerinin ve denetim ayarlarının yeniden kullanılabilirliği, genişleme maliyetlerini belirler.
Destek programları, kurulum sayısı veya gösterimlerin tamamlanmasıyla sınırlı olmamalıdır. Denetim hazırlık süresi, geçiş kesintisi, ilk kusurlar ve bakım maliyetleri belirli bir süre boyunca takip edilmelidir. Şirketlerin takip yatırımlarına karar vermelerini sağlamak için performans ölçüm kriterleri ve uygulama kapsamı birlikte sunulmalıdır.
Kore imalat sanayisi için zorluk, kaliteyi korurken yeni ürünler ve sipariş değişiklikleri için gereken toplam maliyetleri azaltmaktır. Yapay zeka yatırımına ilişkin kararlar, hazırlık süresi, kusur oranları, teslimat süreleri ve toplam maliyetler ile ilgili performans sonuçlarına dayanmalıdır.
