Yapay zeka ile üretim kısıtlamalarını yönetme

Günümüzde üretim sistemlerinde artan kişiselleştirme ve özelleştirme eğilimleri, “lot size one” konseptini yaygınlaştırmış ve her ürünün kendine özgü kısıtlamaları olan karmaşık üretim ortamlarını ortaya çıkarmıştır. Bu durum, üretim hatlarının esnekliğini artırma, ürünün kendine has kısıtlarını (örneğin zaman kısıtları) göz önünde bulundurma ve geleneksel üretim kontrol yaklaşımlarını aşan, yapay zeka tabanlı veri güdümlü yöntemlere ihtiyaç doğurmuştur. Özellikle yarı iletken endüstrisi, karmaşık iş atölyesi (job shop) yapısı, binlerce işlem adımı, yeniden girişli akışlar, makine arızaları, yüksek maliyetli ekipmanlar ve zorlu kalite gereksinimleri ile bu dönüşümün çarpıcı bir örneğini sunmaktadır.

İçindekiler

Yarı iletken imalatında yüzlerce operasyon boyunca yüzeye nüfuz eden oksidasyon, kirlilik ve iyon göçü gibi doğal fenomenler, wafer üzerindeki entegre devrelerin iletkenliğini olumsuz etkileyebilir. Bu nedenle, bazı ardışık operasyonlar arasındaki geçiş sürelerine sıkı kısıtlamalar (örneğin belirli süre içerisinde ikinci işleme geçme zorunluluğu) getirilir. Bu kısıtların ihlali, ürünün hurdaya ayrılmasına veya maliyetli yeniden işlem görmesine neden olabilir. Burada “Yapay zeka ile üretim kısıtlamalarını yönetme” yaklaşımı, özellikle zaman kısıtları gibi ürünün doğasından gelen kısıtların gerçek zamanlı tahminine ve bu sayede üretim kontrol kararlarının iyileştirilmesine odaklanır.

Üretim Kısıtlarına Genel Bakış

Üretimde ürünün kendine özgü kısıtları; kalite, güvenlik, çevre, ergonomi veya verimlilik gerekliliklerinden kaynaklanabilir. Kimya endüstrisinde reaktör sıcaklığının sınırlandırılması, çelik üretiminde enerji tüketiminin yönetilmesi veya gıda endüstrisinde bozulabilir ürünlerin soğuk zincirdeki bekleme sürelerinin kısaltılması bu tip kısıtların örnekleridir. Yarı iletken imalatında ise zaman kısıtları sıklıkla görülür. İki süreç adımı arasındaki bekleme süresinin belirli bir eşiği aşması, wafer yüzeyinde istenmeyen kimyasal ve fiziksel değişimlere yol açabilir. Bu değişimler, devrelerin çalışmamasına ve wafer’ın hurdaya çıkmasına neden olur.

Geleneksel üretim kontrolü, önceden belirlenmiş ve katı planlara dayalıdır. Oysa artık ürünler giderek bireyselleştiği için her bir parti (lot) farklı özellikler sergilemektedir. Klasik yöntemler, bu ürün kaynaklı kısıtları esnek, belirsizlikleri hesaba katan, gerçek zamanlı ve yapay zeka tabanlı yöntemlerle ele almak zorundadır. Böylece, üretim hattı yöneticileri zaman kısıtlarını ihlal etmemek için doğru kararları, doğru zamanda ve yüksek güvenilirlikle verebilirler.

Yarı İletken Üretiminde Zaman Kısıtları

Yarı iletkenler, günümüz teknolojisinin temel yapı taşlarından biridir. IoT, 5G, yapay zeka gibi teknolojilerin yükselişi, çip talebini hızla artırmıştır. Bu talebi karşılamak için yarı iletken fabrikalarında (fab) karmaşık ve yeniden girişli (re-entrant) üretim akışlarına, hassas kalite gereksinimlerine ve yüksek maliyetli ekipmanlara sahiptir. Bir wafer’ın çipe dönüşmesi yüzlerce adımı bulabilir. Bu süreçte wafer’ın yüzeyinde oluşan mikroskobik değişimler, katman katman inşa edilen devre yapısını zora sokar. İşte bu nedenle iki işlem arasındaki geçiş süresinin belirli bir eşiği aşmaması gerekir.

Bu zaman kısıtlarının etkin yönetimi zordur. Operatörler genellikle deneyim ve heuristik kurallara dayanarak karar verir. Ancak bu yaklaşım, gerçek zamanlı ve veri yoğun ortamlarda yetersiz kalır. Yapay zeka temelli tahmin modelleri, geçiş sürelerini öngörerek zaman kısıtını ihlal etme riskini hesaplayabilir ve operatöre bu konuda rehberlik eder. Bu sayede operasyonlar sırasında daha az hata, daha az hurda ve daha yüksek verimlilik elde edilebilir.

Literatür: Zaman Kısıtlarının Yönetiminde Durum

Literatürde yarı iletken üretiminde zaman kısıtlarını yönetme üzerine yoğun çalışmalar bulunur. Ancak çoğu çalışma, sınırlı sayıda makine, sınırlı veri veya katı varsayımlar altında matematiksel modellerle yaklaşımlar geliştirmiştir. Örneğin karışık tamsayılı programlama (MIP, MILP, MINLP) modelleri küçük boyutlu problemleri çözer, ancak gerçek fab ölçeğine çıktığında hesaplama süreleri çok uzar ve pratik uygulanabilirliği düşer.

Heuristik ve sezgisel yöntemler de yaygındır, ancak bu yaklaşımlar çoğu zaman belirsizliği yeterince ele almadan çalışırlar. Bazı çalışmalar zaman kısıtlarını yönetmek için genetik algoritma, yığma (batching) yöntemleri, ayrıştırma (decomposition) teknikleri veya dispeç kural setlerini iyileştirmeye odaklanmıştır. Yine de gerçek zamanlı, veri güdümlü, belirsizlikle başa çıkabilen yapay zeka temelli modellere ihtiyaç vardır.

Yapay Zeka Tabanlı Model Yaklaşımları

Zaman kısıtları için yapay zeka odaklı iki temel yaklaşım ele alınmıştır:

Geçiş Tabanlı Model (Transitional Modeling): Her bir makine çifti arasındaki geçiş süreleri incelenerek, geçmişteki geçiş süreleri ve kuyruk uzunluğu gibi özellikler kullanılır. Burada sıralı veri (time series) yapıları için tekrarlı sinir ağları (RNN), LSTM veya GRU hücreleri tercih edilir. Zamanla oluşan otokorelasyon yararlanılarak bir lot’un bir sonraki geçiş süresi tahmin edilir.
Kaynak Tabanlı Model (Resource-Based Modeling): Makine grupları benzer özellikler sergilediğinden, geçişler makine gruplarına göre sınıflandırılır. Her makine grup çiftine özgü bir ileri beslemeli sinir ağı (FFNN) eğitilir. Bu yaklaşım, veri yelpazesini daraltarak her modelin daha özelleşmiş tahminler yapmasını amaçlar.

Tahmin Aralıkları ve Belirsizlik

Yapay zeka ile üretim kısıtlamalarını yönetme stratejisinin bir parçası da belirsizliği hesaba katmaktır. Tek nokta tahminleri (point estimator) tek başına yeterli değildir. Bu nedenle Monte Carlo dropout gibi yöntemlerle modelin belirsizliği nicemlenir ve tahmin aralığı (prediction interval) oluşturulur. Sadece üst sınır gereklidir; çünkü ilgilenilen kısıt, geçiş süresinin belirli bir eşiği aşmaması üzerinedir.

Tahmin aralıklarının kalitesi Prediction Interval Coverage Probability (PICP) ve Mean Prediction Interval Width (MPIW) gibi metriklerle ölçülür. PICP, tahmini aralığın gerçek değeri kapsama olasılığını ifade eder. MPIW ise aralığın genişliğidir. Çok geniş aralıklar yüksek kapsama sağlar ancak faydası düşüktür. Doğru dengenin kurulması önemlidir.

Model	MSE	RAE	PICP (90%)	MPIW	Doğruluk (Adherence)
Kaynak Tabanlı FFNN	0.4858	0.6957	0.8941	9.677	%Düşük
Geçiş Tabanlı (GRU)	0.7280	0.8720	0.9256	8.977	%Orta
Geçiş Tabanlı (LSTM)	0.4963	0.9996	0.9390	7.671	%Yüksek

Tabloda görüldüğü gibi, LSTM tabanlı geçiş modeli, belirli bir güven aralığında daha iyi kapsama (PICP), daha dar bir aralık (MPIW) ve görece yüksek doğruluk sunar. Kaynak tabanlı model, bazı durumlarda düşük hata verse de zaman kısıtlarını tespit etmede daha zayıftır. GRU temelli model ise genel olarak daha iyi bir denge sunmakla beraber LSTM kadar istikrarlı değildir.

Yöneticiler, bu modelleri entegre ederek üretim kontrolünü otomatikleştirebilir, üretim planlama ve dispeç kararlarını veri güdümlü, gerçek zamanlı tahminlere dayandırabilir. Belirsizlik yönetimi, sadece yarı iletken endüstrisi için değil, karmaşık üretim hatlarına sahip farklı sektörler için de geçerli bir değerdir. Erken entegrasyon ve dijital izlenebilirlik (traceability) gelecekteki başarı için anahtar rol oynar.

Sonuçlar

Yapay zeka tabanlı ve belirsizlik odaklı üretim kontrolü, esnek, kişiselleştirilmiş üretimin temel gereksinimlerinden biri haline gelmektedir. Bu yaklaşımlar sayesinde üretim hatları, ürünlerin kendine has kısıtlarını dikkate alarak rekabetçi, verimli ve sürdürülebilir çözümlere daha kolay ulaşabilir.